農產品監測預警模型集群構建理論方法與應用

許世衛，邸佳穎，李干瓊，莊家煜

農產品監測預警模型集群構建理論方法與應用

許世衛，邸佳穎，李干瓊，莊家煜

（中國農業科學院農業信息研究所/農業農村部農業信息服務技術重點實驗室/北京市農業監測預警工程技術研究中心，北京 100081）

【】農產品供給與需求的準確分析測定，是農業監測預警能力提升的重要表現。構建產品多品種多環節模型集群理論方法，可高效解決單一環節或單一模型難以解決的分析技術難題。在農產品供需的重要要素即生產量、消費量、貿易量、價格等分析預測過程中，針對農產品品種間關聯性強，自然、社會、經濟諸多影響因素糾纏，模型多變量強耦合、非線性、參數時變的特點，提出多品種農產品“因素分類解耦、參數轉用適配”方法，以構建多時空維度的監測預警模型集群。利用“因素分類解耦、參數轉用適配”技術方法，研究構建了不同農產品的生產類、消費類、貿易類、價格類的模型集群。這些模型集群可用于對不同時空維度的水稻、玉米、小麥、肉類等主要農產品供需的長中短期的分析預測，支撐形成了農業展望中的主要農產品平衡表，其中主要農產品全國年度生產量6年平均預測精度高于97%。研究提出的農產品監測預警模型集群構建理論及其方法，有效提升了農產品多品種模型集群的求解效率和準確率，增強了農產品供需分析預測的系統性與智能性，為系統揭示農產品復雜的時空供需變化特征、促進農產品市場調控科學性和可預見性，提供了新技術方法。

農產品；多品種；供需預測；因素分類解耦；參數轉用適配；模型集群

0 引言

【研究意義】建立糧食和主要農產品監測預警體系是國家食物安全的重要保障，而農產品生產、消費、貿易、價格等主要環節的精準量化分析預測是監測預警的關鍵[1-2]。面臨人口、資源、環境、氣候及國內外復雜形勢，研究構建農產品監測預警模型集群，高效全面分析預測農產品供需走勢，將為國家農產品生產、儲備、貿易等管理和調控提供重要參考依據，對保障農產品有效供給以及市場穩定均具有重要科學意義。【前人研究進展】農產品的產量、消費量、貿易量、價格等分析預測一直是國內外學術界關注的焦點，其預測方法已有廣泛研究。部分學者分別對農產品的生產、消費、價格等單要素環節的影響因素分析，構建預測模型[3-13]。作物生產，尤其是糧食產量分析預測對國家糧食安全具有重大意義，其研究較早、方法較多[3-11]，應用較早的方法主要有氣象產量預測法、遙感技術預測法和統計動力學生長模擬法。陳錫康等[4]研究提出了全國糧食產量的系統綜合因素預測法，該方法利用了投入占用產出技術、考慮邊際報酬遞減的非線性預測方程和最小絕對和方法，預測提前期長（一般在半年以上），預測平均誤差為產量的1.6%，預測精度高。在消費量預測上，針對單品種的預測較多，如豬肉消費量預測，影響我國豬肉消費量的主要因素有豬肉產量、餐飲業發展水平、牛羊肉價格指數等14個因素[12]。通用類消費分析預測模型一般有4種：AIDS（近完美消費模型）、LES（線性支出模型）、Rotterdam模型、Double Log模型。價格預測上，影響農產品價格波動的因素（總供給與總需求角度）是多方面的，主要有生產因素、消費因素、政策因素、偶發因素等[12-13]，農產品的價格預測模型方法主要有時間序列模型、隨機波動率模型、最小二乘向量機模型等[13-14]。針對農產品供需走勢的預測，部分學者利用時間序列模型和灰色預測模型進行了分析和預測[15-17]。例如，陳艷紅等[15]運用ARIMA模型對2012—2017年中國糧食供需預測，結果表明2012—2017年中國國內糧食供給將持續穩定增長，國內糧食需求波動增長。呂新業等[16]利用移動平均法得出2020年中國稻谷、小麥和玉米產量和需求量。另外，一些學者和機構利用一般均衡模型和局部均衡模型對農產品供需進行了分析和預測[18-25]。例如，黃季焜等[18]釆用全球貿易分析模型（GTAP）和中國農業政策分析與預測模型（CAPSiM），設置不同情景對2020年中國糧食供需狀況和糧食安全水平進行了預測。韓一軍[21]釆用了基于產業形勢的經驗判斷和動態一般均衡模型相結合的研究方法，對未來中國小麥供求和貿易形勢進行預測。陸文聰等[22-23]考慮了多品種關聯以及區域因素的影響，構建了中國—世界農業區域市場均衡模型（CWARMEM），該模型是一個多市場多區域、以中國糧食問題為重點研究對象的全球農業市場政策分析模型，以此模型為基礎研究得出中國的城市化對糧食自給的負面影響較小[24]。國際上，一些發達國家主要研究機構和政府決策部門，均建立了較為成熟的農業政策分析模型。如美國農業部開發的Baseline模型（多國商品聯結模型），可以分國家、分品種對農產品生產、消費、貿易和價格進行預測；OECD-FAO運用動態回歸和局部均衡理論，聯合研發了獨具特色的AGLINK-COSIMO模型[25]，該模型系統涵蓋50多個國家（地區）模型，對糧食、肉類、奶類、禽蛋、水產品及生物燃料等20多種主要農產品的生產、消費、價格和貿易等進行中長期（10年）基期預測和展望，并模擬、分析多種政策或其他外部沖擊對各國及全球農產品市場的影響，該模型在引導全球農產品市場方面產生了較大的影響力。盡管這些模型研究定量預判了中國未來主要農產品供求與貿易形勢，但由于中國農產品供求問題的復雜性以及影響因素的可計量程度的差異，國際機構對中國農產品供需預測結果也往往存在一定的差異。【本研究切入點】農產品品種多、影響因素復雜、品種間關聯性強，如何高效辨識分析農產品生產、消費、價格等的主導影響因素，并根據不同農產品模型參數的異同性高效構建預測模型，由此構建多品種分析模型集群，是我國多品種農產品生產、消費、貿易、價格等監測預警面臨的難題。模型分析中，單品種或單因素建模，對于全面實現不同維度多品種農產品供需形勢的分析預測仍具有局限性，綜合考慮農產品品種、區域、時間尺度的影響因素復雜性、模型構建過程中的參數多樣性與時變性，匯聚農產品多維影響因素，辨析不同農產品主導影響因素及關聯因素，分析不同農產品影響因素的異同性，提升模型預測精準度和效率，是構建農產品生產量、消費量、貿易量、價格等一體化監測預警模型集群的重要研究方向。【擬解決的關鍵問題】本研究圍繞農產品生產消費等供需分析預測過程中缺乏多品種、多因素、多模型匯聚技術，針對農產品多品種影響因素關聯缺失、糾纏解析不清、模型參數時變性強的技術難題，通過模型集群構建方法的創新，提升對農業復雜系統預測分析的協同性與時效性，為提高農產品有效供給、實現農產品供需精準量化分析預測提供有效的技術方法。

1 材料與方法

1.1 研究對象

本研究涉及的農產品品類，主要包括水稻、玉米、小麥、大豆、蔬菜、水果、肉類等多種種植類和養殖類的產品[2]，在區域上包括全國及分省、縣，在時間上包括短期、中期、長期。由于農產品供需影響因素復雜，本研究在構建農產品多品類、多區域、多時段的監測預警模型集群過程中，主要針對影響農產品生產、消費、價格、貿易等不同因素，解析模型外生變量復雜因素的糾纏關系，高效求解建模過程中不同應用場景的模型參數，以全面精準分析多品種多應用場景的農產品未來供需走勢。

1.2 研究理論與方法

構建具有動態的、多市場和開放的多品種農產品生產、消費等監測預警模型，需應用經濟學、農學、氣象學及計算機等多學科知識。在構建和求解模型各變量時，應充分考慮同一農產品供需之間關系和不同農產品供需之間關系的影響因素，以及不同品種模型參數在時空上的差異性。本研究主要應用“多因素分類解耦、多參數轉用適配”技術方法，運用多元線性回歸、套索回歸（Lasso回歸）、嶺回歸及彈性網等算法，構建農產品多品種監測預警模型集群。

1.2.1 多因素分類解耦技術 本研究中，模型集群構建的前提是系統考慮各因素（xi）對農產品供給或需求的影響。由于農業系統的復雜性，在模型集群構建過程中綜合考慮了多種自然因素和社會因素的影響（表1）。針對農業過程復雜因素具有的多變量強耦合、非線性、參數時變特點，基于常規解耦控制技術的控制系統無法解決的問題，本研究應用“多因素分類解耦”方法，在模型的求解過程中反復多次采用校正輸出、輸入之間的關系，減弱甚至消除各個平衡方程的組成模型之間的相互關聯，從而使系統簡化為多個單輸入單輸出系統，用于解決模型集群構建中的復雜因素糾纏難題，并根據農產品不同品種影響因素的異同性，高效建立不同品種模型集群。

1.2.2 多參數轉用適配方法 本研究所要構建的模型集群的應用場景和對象范圍十分廣泛，多參數轉用適配技術使得多品種多維度的模型集群保持靈活性與簡單易用性。該技術基于農產品模型中涉及的品種參數（αi）、時間參數（βi）、區域參數（γi），根據不同應用場景，靈活選擇并確定參數及適用模型，顯著提升了模型集群分析計算的精準度和廣適性，通過計算機迭代算法確立的狀態轉移矩陣，實現模型集群中可調參數的智能轉換，如在不同品種間（作物類、畜禽類）、區域尺度（國家級到省級、縣級）、時間尺度（月度、年度、多年度）模型求解的高效轉換適用。

1.3 數據來源

構建模型集群所需的基礎數據，主要來自中國農產品監測預警系統（CAMES）數據資源庫，包括國家相關部門發布的統計數據、市場監測數據和國際機構數等，主要來自中國國家統計局、農業農村部、商務部、自然資源部、海關總署、氣象局等國內相關部門，也包括FAO、OECD、IFPRI、AMIS等國外機構數據。從時間維度看，數據包括了日度、月度、季度和年度數據；從種類上，數據包括宏觀經濟數據、生產數據、消費數據、價格數據、進出口貿易數據、資源和環境數據等；從品種上看，數據庫包括了糧食類、油料類、糖料類、蔬菜類、水果類、畜禽及肉類、蛋類、奶類、水產品、棉麻類和其他農產品類數據[26]。

表1 農產品監測預警模型集群構建需考慮的主要影響因素

1.4 數據處理與模型驗證

利用因素分類解耦方法，明確農產品生產、消費、貿易、價格等的主要影響因素。因農產品供給端和需求端的數據來源眾多、數據量龐大、模型類型多樣，數據處理及分析采用了較多統計方法。基準數據處理上，因錄入錯誤或系統故障產生的問題數據、因數據源不完整造成的數據缺失等情況，在進行統計分析之前需要進行標準化、完備性和可靠性處理，以避免因原始數據異常導致的分析預測結果誤差。為了消除指標之間的量綱影響，對不同評價指標所具有不同的量綱和量綱單位的情況進行數據標準化處理，以解決數據指標之間的可比性。對不完整的數據集進行處理，以保證分析結果的可靠性，分別采取均值、熱卡、k最近鄰、回歸等方法進行填充，采用比例、趨勢等技術對數據拆分或合并。對異常數據進行判定和處理，主要包括拉依達準則（3δ）、肖維勒準則（Chauvenet）、狄克遜準則（Dixon）、羅馬諾夫斯基準則（t檢驗）和格拉布斯準則（Grubbs）等。

表2 模型集群生產、消費、價格和貿易通用模型形式及變量說明

模型集群的驗證，將歷史數據最新的1—3年作為驗證，之前的數據用于建模訓練，可以將真實值和模型預測值做對比驗證。在短期預測中，要求模型的預測效果至少要比原始序列平移后的進度要高，原始序列的平移后結果可以作為模型的一個基準參考標準。模型集群構建過程中，所涉及的線性模型預測結果評價主要包含4種指標，分別為均方誤差（）、平均絕對值誤差（）、可釋方差（）和決定系數（2），如多元線性回歸的氣象模型中，這4個指標都會用到，主要用于相似模型之間的效果對比。在非線性回歸模型中，主要采用平均絕對百分偏差率（）指標用于判斷模型的效果，其值越小越好。具體指標計算如下：

（1）均方誤差

（2）平均絕對值誤差

（3）解釋方差，當有多個變量時，分析單個變量與總方差的方差比為變量的解釋方差。

（4）決定系數（2，擬合優度），表征回歸方程在多大程度上解釋了因變量的變化，或者說方程對觀測值的擬合程度如何。單純用殘差平方和會受到因變量和自變量絕對值大小的影響，不利于在不同模型之間進行相對比較，用決定系數可以解決這一問題。

（5）平均絕對百分偏差率（），是評價模型擬合度的重要指標。當在正負15%范圍內，可認為是能夠接受的預測結果。

2 結果

2.1 模型集群的構成

農產品監測預警模型集群，主要圍繞生產量、消費量、貿易量和價格要素構建（表2—3）。其中，農產品生產量模型集群圍繞生產量的影響因素，構建了基于氣象類模型、投入類模型和管理類模型的農作物單產預測模型，和基于價格競爭面積、調查面積和遙感面積預測的農作物面積預測模型，以及畜禽類農產品的生產量模型。消費量模型集群根據不同農產品的消費構成以及影響因素的不同（如小麥分為口糧消費、工業消費、飼用消費、種用消費、損耗），在消費上實現了精細化的消費構成分析，在預測口糧消費量時，因城鎮和農村的食物消費不同，需求模型中口糧消費分為城鎮消費量和農村消費量，且二者消費量需要分別計算，在消費量的預測中充分考慮了人口、收入、GDP等影響因素，以及收入彈性、價格彈性對消費量的影響，盡量少的考慮人為的變化率、增長率的設定，使得模型預測結果具有較強的客觀性。進出口預測主要是通過不同農產品的國內外價差、進出口配額、產需缺口和匯率等因素計算得到。價格模型是隱含在供給、需求的模型之中，通過多品種多市場的均衡模型方程的迭代方式解出。

因農產品監測預警模型集群的構建涉及農產品品種多，本文中以小麥為例，介紹其構建過程。小麥模型集群包括供需總的平衡方程，即總供給等于總需求，總需求包括生產量、進口量和期初庫存，總供給包括消費量、出口量和期末庫存，因涉及變量較多，每個變量影響因素復雜，需逐項分解進行模型構建（表3）。首先建立小麥當期的供需平衡方程，再建立總供給和總需求的各分解項方程，最后對其中的生產量、進口量和消費量、出口量，在充分考慮其影響因素多樣性基礎上，建立不同變量的預測模型。參照小麥模型集群的構建原則，可建立其他作物類或畜禽類農產品的模型集群。

2.2 模型集群的求解

本研究模型集群的構建是在一定的宏觀經濟條件假設和農業生產條件假設基礎上，對農產品的生產、消費、貿易進行預測。這些假設條件作為模型的外生變量，主要包括國內外經濟發展和人口變化、城鎮化率、城鄉居民收入和消費、國際原油價格和人民幣匯率等宏觀經濟條件假設，農業勞動力、耕地資源、水資源、氣象條件、科技進步和政策變化等農業生產條件假設，同時還包括畜產品與飼用糧之間的轉換關系，農產品之間的交叉替代關系等[26]。

模型集群的求解需要確定模型所有的參數，即大量回歸方程的系數。參數的確定，一部分是通過大量歷史數據，根據確定的回歸方程進行計算得出，如不同品種城鎮和農村的消費量分離計算，先預測出總消費量，再用歷史上城鎮和農村的消費量比例進行分離（最近5年占比的移動平均）；還有一部分參數，如進出口量通過歷史趨勢、當前國際形勢和對未來的預估，可綜合各品種研究領域的專家調查給出的預測值得出（表4）。

在模型集群構建與求解過程中，一方面充分考慮農業與非農業、農業內部之間的各產業聯系，包括生產和消費的聯系。另一方面充分考慮了品種間的競爭和替代關系，如在構建生產量模型集群中的面積預測模型時，水稻、玉米、大豆一定條件下存在互相競爭關系，在這幾個分品種面積預測模型構建時，與競爭品進行了耦合；預測出欄量時，豬、牛、羊、禽類互相競爭，在這幾個分品種出欄量預測模型構建時，與競爭品進行了耦合。在構建消費量模型集群時，小麥、水稻、玉米相互替代，蔬菜、水果相互替代，豬、牛、羊、禽肉相互替代，均在各自品種的食用消費預測時，與替代品進行了關聯耦合求解。另外，生豬的生產量與玉米的飼用消費也有關聯。具體在小麥的模型集群中（表3），除了需要求解的小麥平衡價格外，還有其他關聯品種的均衡價格，如大豆、玉米、水稻、豬肉、牛肉、羊肉、禽肉。在品種間，多參數轉用適配技術主要體現在先解出豬肉、牛肉、羊肉、禽肉幾個肉類品種的聯合平衡表方程，再將預測的肉量作為輸入數據代入大豆、玉米、水稻幾個農作物品種的聯合平衡表方程，解出有種植或養殖競爭、消費替代的農產品。在模型求解上，在單產預測中使用Lasso回歸模型，該模型是一個用于估計稀疏參數的線性模型，適用于參數數目縮減[27]。因模型集群存在大量的非線性方程組并且模型變量耦合度高，使得計算量是傳統的線性方程組的指數倍，利用先離散線性化后數值迭代求解的算法，保證了模型系統能夠高效運轉，顯著提升了模型集群分析計算的精準度和廣適性。分省模型求解和全國模型思路基本一致，將全國模型求解出的每年均衡價格代入到分省模型中，分別建立分省的模型，再求解出分省的供需平衡方程中的各分項后，人工調節修正參數，使得分省農產品供需關系達到平衡，進而利用“因素分類解耦、參數轉用適配”技術，可高效求解分省模型集群。

表3 利用多因素分類解耦技術構建的小麥監測預警模型集群方程形式

在變量說明中，未標注下標時間的變量都表示當期，時間均為t

In the variable description, the variables without the subscript time indicate the current amount,that is, the time is t

表4 模型集群的主要變量參數及求解

2.3 技術方法及模型集群的應用

2.3.1 縣域尺度農產品產量氣象影響因素分類解耦解析 根據34年2 481個氣象站點日度數據和全國31省市自治區2 000多個行政縣區農作物產量數據，利用對氣象因素的分類解耦，分別明確了主要農作物生長各個階段氣象要素與產量的關系，揭示了中國農作物生產過程中產量形成和氣象要素的時間、空間分布規律，并通過量化的形式得到各項指標的影響系數[28]。

2.3.2 技術支撐農業展望報告及平衡表發布 綜合模型集群基線預測和有關專家經驗分析判斷，從2014年起，已對我國水稻、小麥、玉米、肉類等18類主要農產品未來10年重要時間節點的生產量、消費量、進出口量走勢等進行了展望，并支撐發布未來供需平衡表[26, 29]。在2014—2019年期間，年初（每年4月份）預測值與國家統計局最終年報數對比，主要農產品產量6年預測平均準確率高于97%。

3 討論

農業系統復雜，涉農信息變化常以指數層級增長，對其進行分析涉及多個方面。影響因素的分析判斷，是預測模型構建的重要基礎。全國糧食產量的系統綜合因素預測法[4]，在預測方程中綜合反映了影響農業復雜系統的四大因素，即政策管理因素、經濟技術因素、自然因素和其他因素，因此對當年糧食產量的預測精度較高。“因素分類解耦”的方法理念，用于多品種農產品監測預警模型集群構建，結果表明，在全面考慮自然因素、社會因素影響的基礎上，基于主導因素決定原則、主次因素變動原則和結果關聯原則，能有效判定不同時空維度農產品供需要素的主要影響因素，并逐一對農產品的影響因素解耦建立模型方程組，解決了多品種因素關聯糾纏、品種關聯替代的難題。本研究在糧食產量的短期預測中，充分考慮了氣象因素的影響。氣象因素不僅對作物產量有重要影響，而且對作物產量的影響存在明顯差異性[28, 30-33]，同樣，自然因素、水肥等生產投入因素、人口政策等社會因素以及國際因素等這些復雜的影響因素，因農產品品種、區域尺度、時間周期上的不同，對農產品影響的主導因素及其影響程度也會存在差異性。因此，本研究在構建模型時充分考慮了品種間影響因素在不同時空維度的異同，實現了模型集群的高效建立；與美國、FAO-OECD等開發的Baseline模型、AGLINK-COSIMO模型和FAPRI模型比較，模型集群所利用的數據來源維度更廣泛、數據使用效率提升，模型整體的耦合度、智能化程度更高。

模型的有效應用依賴于參數的快速、準確估算[34]，如莊嘉祥等[35]研究指出，智能優化算法應用到作物模型參數估算中，如利用個體優勢遺傳算法優化水稻生育期模型參數，實現了模型參數的自動率定，提高了調參效率。本研究在模型集群構建過程中，運用“參數轉用適配”技術，應用多元線性回歸、Lasso回歸、嶺回歸及彈性網等算法，實現了多時空維度不同農產品模型方程組的高效建立與求解。在同一時空尺度，可以根據某一種農產品的模型集群，通過參數智能調配建立另一種農產品的模型集群；對同一農產品，可通過參數智能調配建立不同時空尺度的模型集群。

用單一模型方法分析農產品供需單要素的未來走勢，往往較難理清其他相關因子信息，且存在預測精度不穩定、預測誤差偏大的問題。因此，運用多種模型方法綜合分析，已成為農產品生產、消費、價格等分析預測的有效工具。如在糧食生產量預測中，鄭莉[36]將線性及非線性多元回歸模型、固定效應模型和時間序列模型綜合集成預測的黃淮海地區糧食、夏糧、秋糧總產，相對單個模型的預測精度明顯提高。消費量預測中，鄭莉等[37]通過綜合集成ARIMA、VAR（向量自回歸模型）和VEC（向量誤差修正模型）3種模型，對2009—2011年我國豬肉消費需求量進行了預測，結果表明集成預測精度更高更穩定。價格預測上，徐雅卿等[38]建立了指數平滑模型、ARIMA模型及基于二者的組合預測模型，依據所建立的3個模型對未來短期胡蘿卜價格進行預測分析，結果顯示組合模型比單個預測模型預測精度更高，是一種有效的農產品價格預測模型。本研究在多因素分類解耦構建模型的基礎上，對作物單產、面積、畜禽產量等采用專家判斷和智能權重賦值法進行最終結果的確定，智能預測賦值系數采用簡單線性模型或機器學習的方法確定。

本研究在構建模型集群時融入了大數據分析方法，主要基于Python語言開發，更高效便捷。CWARMEM模型[22]利用GAMS的MCP算法，以及傳統計量統計模型利用一般開發語言。本研究模型所需原始數據（包括歷史數據和實時監測數據）全部存儲在Oracle數據庫中，中間文件或指定的特殊文件通過Python命令寫入xls文件中，方便使用。模型集群求解時利用牛頓迭代方法對多品種形成的非線性方程組進行計算，并利用服務器的并行運算能力對模型的求解進行加速。特別是在進行氣象產量預測時，由于獲取的各省氣象站點的氣象數據數據量非常大，為了突破數據處理時間上的性能瓶頸，本研究采用Map-Reduce計算框架設計和實現了多站點輸入數據分割的并行化執行模塊；設計了基于Rest Web Service的算法訪問接口，以快速實現數據預處理和多元回歸的算法執行。在農產品供需均衡方程組的求解中，CWARMEM模型[22]采取逐年遞歸的方式以及基期動態移動的機制，使各年基于上年模型內生決定的均衡解作為基期并導入當年的外生變量值，最終生成所有年份的均衡解。本研究模型集群更多考慮了品種間的競爭、替代關系，均衡解是用每年關聯農產品品種的平衡方程迭代求出，求解效率和精準度提高。

農產品多品種供需預測模型集群的構建，在未來還需進一步考慮國際大環境變化對我國農產品供需關系各方面的影響，在省級尺度預測時應考慮不同省份間的農產品流轉數量；另外，還要實現更多品種供需預測。

4 結論

本研究創建的“因素分類解耦、參數轉用適配”模型集群構建技術，通過挖掘不同農產品復雜原始數據間的關聯關系，分別建立生產量、消費量、貿易、價格模型集群，并通過多智能算法求解眾聯立方程組，解析復雜因素關系，建立了適用于多品種農產品供需預測模型集群。模型集群在計量等式上是單品種的數百倍，是一般多品種供需預測模型的數十倍，預測的農產品品種較為全面，使得求解效率和準確率提升，解決了多品種多維時空尺度復雜因素糾纏解析、模型集群智能化應用難題，為防范農業風險、增強農產品供需預判提供了有效技術方法。

[1] 許世衛. 農產品數量安全智能分析與預警的關鍵技術及平臺研究. 北京: 中國農業出版社, 2013.

Xu S W.. Beijing: China Agriculture Press, 2013. (in Chinese)

[2] 許世衛. 農業監測預警中的科學與技術問題. 科技導報, 2018, 36(11): 32-44.

Xu S W. Scientific and technical issues in agricultural monitoring and early warning., 2018, 36(11): 32-44. (in Chinese)

[3] 高亮之. 農業模型學. 北京: 氣象出版社, 2019.

Gao L Z.. Beijing: China Meteorological Press, 2019. (in Chinese)

[4] 陳錫康, 楊翠紅. 農業復雜巨系統的特點與全國糧食產量預測研究. 系統工程理論與實踐, 2002(6): 108-112.

Chen X K, Yang C H. Characteristic of agricultural complex giant system and national grain output prediction., 2002(6): 108-112. (in Chinese)

[5] 劉忠, 黃峰, 李保國. 基于經驗模態分解的中國糧食單產波動特征及影響因素. 農業工程學報, 2015, 31(2): 7-13.

Liu Z, Huang F, Li B G. Analysis on characteristics and influential factors of grain yield fluctuation in China based on empirical mode decomposition., 2015, 31(2): 7-13. (in Chinese)

[6] 王桂芝, 胡慧, 陳紀波, 吳先華. 基于BP濾波的Fourier 模型在糧食產量預測中的應用. 中國農業氣象, 2015, 36(4): 472-478.

Wang G Z, Hu H, Chen J B, Wu X H. Application of fourier model based on BP filter in crops yield prediction., 2015, 36(4): 472-478. (in Chinese)

[7] 陳紀波, 胡慧, 陳克垚, 王桂芝. 基于非線性PLSR模型的氣候變化對糧食產量的影響分析. 中國農業氣象, 2016, 37(6): 674-681.

Chen J B, Hu H, Chen K Y, Wang G Z. Effects of climate change on the grain yield based on nonlinear PLSR model., 2016, 37(6): 674-681. (in Chinese)

[8] 王亞飛, 廖順寶. 氣候變化對糧食產量影響的研究方法綜述. 中國農業資源與區劃, 2018, 39(12): 54-63.

Wang Y F, Liao S B. Impact of climate change on grain yield: a review of research methods., 2018, 39(12): 54-63. (in Chinese)

[9] 鄭建安. 主成分和BP神經網絡在糧食產量預測中的組合應用. 計算機系統應用, 2016, 25(11): 274-278.

Zheng J A. Application of PCA and BP neural networks in grain production prediction., 2016, 25(11): 274-278. (in Chinese)

[10] 向昌盛, 張林峰. 灰色理論和馬爾可夫相融合的糧食產量預測模型. 計算機科學, 2013, 40(2): 245-248．

Xiang C S, Zhang L F. Grain yield prediction model based on Gray theory and markvo., 2013, 40(2): 245-248. (in Chinese)

[11] 周慶元. 基于灰色馬爾可夫模型的糧食產量預測方法. 統計與決策, 2012(17): 64-68.

Zhou Q Y. Grain output prediction method based on grey Markov model., 2012(17): 64-68. (in Chinese)

[12] 李國祥. 從主要經濟因素分析我國農產品價格走勢. 農業展望, 2010(8): 49-53.

Li G X. Analyze the price trend of my country's agricultural products from the main economic factors., 2010(8): 49-53. (in Chinese)

[13] 王盛威. 主要農產品價格波動分析及調控措施研究. 北京: 中國農業大學出版社, 2019.

Wang S W.. Beijing: China Agricultural University Press, 2019. (in Chinese)

[14] Li G Q, Xu S W, Li Z M, Sun Y G, Dong X X. Using quantile regression approach to analyze price movements of agricultural products in China., 2012, 11(4):

674-683. (in Chinese)

[15] 陳艷紅, 胡勝德, 申倩. 基于ARIMA模型的中國糧食供求平衡及預測. 廣東農業科學, 2013(5): 230-233.

Chen Y H, Hu S D, Shen Q. Balance and forcast on supply and demand of China's grain with ARIMA model., 2013(5): 230-233. (in Chinese)

[16] 呂新業, 胡非凡. 2020年我國糧食供需預測分析. 農業經濟問題, 2012(10): 11-18.

Lü X Y, Hu F F. Forecasting and countermeasure on 2020 China grain supply and demand., 2012(10): 11-18. (in Chinese)

[17] 趙杭莉, 孫印法. 基于灰色預測模型的中國大豆市場供求分析. 商業研究, 2015(3): 58-63.

ZHAO H L, SUN Y F. An analysis of China’s soybean market supply and demand based on Grey prediction model. Commercial Research, 2015, 03: 58-63. (in Chinese)

[18] 黃季焜, 楊軍, 仇煥廣. 新時期國家糧食安全戰略和政策的思考. 農業經濟問題, 2012(3): 4-8.

Huang J K, Yang J, Qiu H G. Thinking of national food security strategies and policies in the new period., 2012(3): 4-8. (in Chinese)

[19] 楊春, 王國剛, 王明利. 基于局部均衡模型的我國牛肉供求變化趨勢分析. 統計與決策, 2015(18): 98-100.

YANG C, WANG G G, WANG M L. Analysis of the trend of my country's beef supply and demand based on local equilibrium model., 2015(18): 98-100. (in Chinese)

[20] 曹寶明, 趙霞. 基于局部均衡理論的中國大豆及其制品供需變化預測. 中國農村經濟, 2011(9): 23-36, 48.

Cao B M, Zhao X. Forecast of supply and demand changes of Chinese soybean and its products based on partial equilibrium theory., 2011(9): 23-36, 48. (in Chinese)

[21] 韓一軍. 中國小麥中長期供求預測及政策選擇—基于動態一般均衡模型分析. 中國農村經濟, 2014(5): 13-19, 61.

Han Y J. Forecast of medium and long-term supply and demand of wheat in China and policy choices based on dynamic general equilibrium model analysis., 2014(5): 13-19, 61. (in Chinese)

[22] 陸文聰, 李元龍, 祁慧博. 全球化背景下中國糧食供求區域均衡:對國家糧食安全的啟示. 農業經濟問題, 2011(4): 16-26.

Lu W C, Li Y L, Qi H B. Regional equilibrium of Chinese grain supply and demand under globalization: implications for national grain security., 2011(4): 16-26. (in Chinese)

[23] 陸文聰, 祁慧博, 李元龍. 中國世界農業區域市場均衡模型及其應用. 系統科學與數學, 2013, 33(1): 20-35.

Lu W C, Qi H B, Li Y L. Chinese world agricultural regional market equilibrium model and its application., 2013, 33(1): 20-35. (in Chinese)

[24] Lu W C, Chen N L, Qian W X. Modeling the effects of urbanization on grain production and consumption in China., 2017, 16(6): 1393-1405.

[25] Organisation for Economic Co-operation and Development (OECD) and the Food and Agriculture Organization (FAO) of the United Nations.. OECD Publishing, Paris/FAO, Rome, 2019.

[26] 農業農村部市場預警專家委員會. 中國農業展望報告(2020-2029). 北京: 中國農業科學技術出版社, 2020.

Market Early Warning Expert Committee of Ministry ofAgriculture and Rural Affairs.. Beijing: China Agricultural Science and Technology Press, 2020. (in Chinese)

[27] HASTIE T, TIBSHIRANI R, FRIEDMAN J.. Springer-Verlag, 2009.

[28] ZHUANG J Y, XU S W, LI G Q, ZHANG Y E, WU J Z, LIU J J. The influence of meteorological factors on wheat and rice yields in China., 2018, 58(2): 837-852.

[29] XU S W, LI G Q, LI Z M. China agricultural outlook for 2015–2024 based on China Agricultural Monitoring and Early-warning System (CAMES)., 2015, 14(9): 1889-1902 .

[30] GRASSINI P, ESKRIDGE K M, CASSMAN K G. Distinguishing between yield advances and yield plateaus in historical crop production trends., 2013, 4: 2918.

[31] RAY D K, GERBER J S, MACDONALD G K, WEST P C. Climate variation explains a third of global crop yield variability., 2015, 6: 5989.

[32] TAO F L, ZHANG Z, SHI W J, LIU Y J, XIAO D P, ZHANG S, ZHU Z, WANG M, LIU F S. Single rice growth period was prolonged by cultivars shifts but yield was damaged by climate change during 1981–2009 in China, and late rice was just opposite., 2013, 19: 3200-3209.

[33] CHEN C, BAETHGEN W E, ROBERTSON A. Contributions of individual variation in temperature, solar radiation and precipitation to crop yield in the North China Plain, 1961–2003., 2013, 116: 767-788.

[34] 聶志剛, 李廣, 王鈞, 馬維偉, 雒翠萍, 董莉霞, 逯玉蘭. 基于APSIM 模型旱地小麥葉面積指數相關參數的優化. 中國農業科學, 2019, 52(12): 2056-2068.

Nie Z G, Li G, Wang J, Ma W W, Luo C P, Dong L X, Lu Y L. Parameter optimization for the simulation of leaf area index of dryland wheat with the APSIM model., 2019, 52(12): 2056-2068. (in Chinese)

[35] 莊嘉祥, 姜海燕, 劉蕾蕾, 王芳芳, 湯亮, 朱艷, 曹衛星. 基于個體優勢遺傳算法的水稻生育期模型參數優化. 中國農業科學, 2013, 46(11): 2220-2231.

Zhuang J X, Jiang H Y, Liu L L, Wang F F, Tang L, Zhu Y, Cao W X. Parameters optimization of rice development stages model based on individual advantages genetic algorithm., 2013, 46(11): 2220-2231. (in Chinese)

[36] 鄭莉. 我國主要農產品產量、消費量預測模型構建及實證研究[D]. 北京: 中國科學院大學, 2013.

Zheng L. Study on the prediction models of output and consumption of main agricultural products in China[D]. Beijing: University of Chinese Academy of Sciences, 2013. (in Chinese)

[37] 鄭莉, 段冬梅, 陸鳳彬, 許偉, 楊翠紅, 汪壽陽. 我國豬肉消費需求量集成預測—基于ARIMA、VAR和VEC模型的實證. 系統工程理論與實踐, 2013, 33(4): 918-925.

Zheng L, Duan D M, Lu F B, Xu W, Yang C H, Wang S Y. Integration forecast of Chinese pork consumption demand—empirical based on ARIMA, VAR and VEC models., 2013, 33(4): 918-925. (in Chinese)

[38] 徐雅卿, 魏軼華, 李旭剛. 農產品價格預測模型的構建. 統計與決策, 2017(12): 75-77.

Xu Y Q, WEI Y H, Li X G. Establishment of agricultural products, price prediction., 2017(12): 75-77. (in Chinese)

The methodology and application of agricultural monitoring and early warning model cluster

XU ShiWei, DI JiaYing, LI GanQiong, ZHUANG JiaYu

(Agricultural Information Institute, Chinese Academy of Agricultural Sciences/Key Laboratory of Agri-Informatics, Ministry of Agriculture and Rural Affairs/Beijing Engineering Research Center of Agricultural Monitoring and Early Warning, Beijing 100081)

【】The accurate prediction and evaluation of agricultural product supply and demand is an important manifestation for the improvement of agricultural monitoring and early warning capabilities. A multi-variety multi-link model cluster to construct that can efficiently solve analytical technical problems which are difficult to solve with single links or single models.【】 The methodology characterized by "factor classification decoupling, parameter conversion adaptation" for multi-variety agricultural products was proposed to build a multi-temporal dimension monitoring and early warning model cluster, which took into account the important factors of agricultural products supply and demand, namely production, consumption, trade volume, price, etc., the strong linkage among commodities, the entangled complex natural, social and economic factors, and the multivariate strong coupling, non-linear, time-varying characteristics of parameters in the model development.【】The model clusters were developed covering production, consumption, trade and price for different agricultural products, based on the "factor classification decoupling, parameter conversion adaptation" methodology. These model clusters could be used to analyze and project the supply and demand situation of major agricultural products including rice, corn, wheat and meat in different spatial and temporal dimensions, and to support the generation of major agricultural products balance sheets in the China Agricultural Outlook Report. The 6-year average forecast accuracy was higher than 97%.【】The methodology of agricultural monitoring and early warning model cluster proposed in the paper has effectively improved the solution efficiency and accuracy of agricultural product multi-variety model clusters, enhanced the systematic and intelligent analysis and projection of agricultural supply and demand. The research provided a new technical method for systematically revealing the complex characteristics of supply and demand of agricultural products in time and space, and promoting the scientific and predictable regulation of agricultural products market.

agricultural products; multi varieties; supply and demand forecast; factor classification decoupling; parameter conversion and adaptation; model cluster

10.3864/j.issn.0578-1752.2020.14.010

2020-06-03；

2020-07-14

農業部農業信息預警專項“中國農產品信息監測與預警模型系統”、中國農業科學院科技創新工程項目

許世衛，E-mail：xushiwei@caas.cn

（責任編輯 楊鑫浩）