多維數據驅動的糧食安全分析與智能決策系統研究與實踐

陳文杰，胡正銀,2＊，胡靖，龐弘燊，何雨娟

1.中國科學院成都文獻情報中心，四川 成都 610041

2.中國科學院大學，經濟與管理學院，圖書情報與檔案管理系，北京 100190

3.華南師范大學，經濟與管理學院，廣東 廣州 510631

4.深圳大學，圖書館，廣東 深圳 518060

5.四川大學，公共管理學院，四川 成都 610065

引言

糧食安全是國家發展的基礎，是國家安全、民族和人口安全的基石，其重要性并沒有因為全球化時代的到來而削弱，特別是在全球新冠疫情大爆發的背景下，國際糧食市場充滿了不確定性和風險，這為我國糧食的供需平衡和安全政策帶來了巨大的挑戰[1]。在“十四五”規劃中，我國將糧食安全放在“糧食、能源資源和金融”三大安全戰略之首。同時，在 “雙循環”這一新發展格局下，我國需在保障國內大循環糧食安全的基礎上，進一步提高國內和國外糧食市場循環流通的效率，從不同的環節和領域全面提高糧食安全的保障能力[2]。

糧食安全是一個非常復雜的巨系統，其包括地區、時間、氣候、資源、產量、品質、貿易等“多類型、多模態、多時態”的多維數據[3]。多維數據由不同來 源、不同類型和不同結構的數據構成，各個維度上的分量往往具有不同的屬性和量綱；時空屬性是多維數據的一種重要特征，記錄了數據產生的時間戳和空間位置[3]。因此，多維數據集中的數據不僅在單一屬性間存在關聯性，而且是在時間、空間和多維屬性上都存在關聯關系[3]。如何有效利用這些數據來構建大數據驅動的糧食安全分析與智能決策系統，對保障國家糧食安全具有重大意義，具體如下[3]：

（1）對多維數據進行系統地展示可以有效反映各個地區糧食安全的狀態，實現糧食生產、運輸和消費等全流程的監測，并且可以在多個維度下觀察糧食安全狀態在時間和空間上的變化情況。

（2）在多維數據上運用聚類分析、預測分析和關聯分析等機器學習算法，能夠挖掘糧食安全中關鍵指標間的耦合關系，預測糧食市場的波動趨勢，實現糧食安全狀態的及時預警。

本文首先從糧食安全分析對多維數據的需求展開論述，然后深入分析了糧食安全分析與智能決策系統的體系架構、數據基礎、指標體系和預警模型，接著介紹了筆者研發的昆閱糧食安全大數據分析與實驗系統（KEDS，http:// keds.kmcloud.ac.cn）。最后，以KEDS 為例，討論與展望多維數據驅動的糧食安全研究與智能決策系統的發展方向。

1 數據驅動的糧食安全分析研究

1.1 糧食安全指標研究

在糧食安全指標選擇中，封志明等通過土地資源承載指數來評價全國糧食安全狀況[4]。展進濤等使用矩估計方法來評估農業綠色生產率和糧食安全兩個指標間的因果關系，并深入分析了兩者間的影響機制[5]。羅海平等基于生態足跡對我國糧食主產區的安全狀態進行了評價，并對未來糧食的產量和生態指數進行了預測[6]。羅海平等還研究了耕地壓力和水資源安全對糧食安全的影響作用，并發現我國糧食安全和水資源安全同步地緩慢變好[7]。聶英等認為耕地安全是影響糧食安全的核心指標，并深入分析了耕地的質量、數量與糧食生產間的關聯關系[8]。楊靜等研究了水資源對糧食生產的支撐作用，提出增加有效灌溉面積是增加糧食產量和最大化水資源利用率的有效途徑[9]。王麗等研究了人口流出指標對貴州省糧食安全的影響，并得出人口凈流出提升了糧食安全水平的結論[10]。卜偉和唐賽等分別研究了糧食凈進口依存度和糧食價格波動對糧食安全的影響作用[11-12]。

糧食安全狀態能夠以一系列的指標來體現，因而糧食安全分析指標體系的設計顯得至關重要。馬立軍等基于生態學理論構建了耕地質量評價指標體系，并對影響糧食安全的要素進行了評價和分析[13]。付青葉等基于資源壓力水平、糧食不安全人口比重和糧食安全風險等三個特征指標構建評價指標體系[14]。 楊磊首先從生產安全、流通安全和消費安全三個層面來設計指標體系，接著基于熵權法來計算指標權重，最后采用模糊綜合評價法對糧食的安全狀況進行分析[15]。姚成勝等選擇糧食的生產資源、利用水平、獲取能力和供應穩定性等指標來構建指標體系，發現供應穩定性和生產資源對糧食安全狀態起主導作用[16]。張小丹等將產能和耕地健康相結合，構建了一個涵蓋土壤、氣候、生產環境、生產彈性、技術水平和作物安全性的指標體系[17]。馬恩樸等將FAOSTAT（聯合國糧農組織統計數據庫）提供的人口、糧食供給和營養狀況等十個指標作為基礎指標，并通過對數據的細化生成了食物利用等四個二級指標和糧食短缺程度等12 個三級指標，最終組成了糧食安全的三級指標體系[18]。在國外學者中，Crespo MER 等利用德爾菲法來構建一套自適應的糧食和營養安全指標，用來輔助政府監測、控制和評估糧食安全的狀態和影響[19]。Guma IP 等通過系統動力學來建模糧食安全系統中指標間的交互關系，并對糧食安全指標進行了定量和定性分析[20]。Ardakani Z等研究了農場結構對歐洲糧食安全的影響，通過空間計量經濟回歸模型驗證了農場結構優化可以改善糧食安全的狀況[21]。Vidyarini A 等利用人口營養不良率、兒童發育遲緩率、兒童消瘦率、兒童死亡率、低體重新生兒率和孕婦慢性能量缺乏率六項指標來評估印度尼西亞糧食和營養安全狀況[22]。Buhler D等構建了糧食多樣性、消費行為和經驗測量等指標來獲取家庭糧食安全的狀況，并對柬埔寨和老撾的1,200 個農村家庭進行數據分析[23]。

1.2 糧食安全分析方法（模型）研究

經典的糧食安全分析和預警方法主要包括經濟周期法、景氣分析法、專家預測法和調查問卷法[24]。其中，經濟周期法基于周期理論對指標值隨時間循環波動的特征進行研究。周伍陽等應用波動指數和波動周期來分析糧食產量的周期特征，并結合人口變化提出了糧食安全的保障建議[25]。陳錫康等從1980年開始對全國糧食產量進行預測，構建了以“投入-占用-產出”為核心的預測模型，為國家判斷糧食安全狀態和安排糧食生產提供科學依據[26]。陳秀蘭等應用自回歸分布滯后模型來分析我國小麥和稻米的價格波動周期，輔助國家宏觀調控糧食價格[27]。景氣分析法首先選擇先行指標、滯后指標和同步指標來構建景氣指標體系，然后基于擴散指數與合成指數的計算結果來預測未來的趨勢。支小軍和陳文博等分別在棉花價格、紅棗產業和物流業中運用景氣指數來分析糧食安全[28-30]。專家分析法和調查問卷法則是基于專家、被調查人員的經驗與預期來判斷糧食安全風險。

大數據時代，越來越多的學者開始應用人工智能技術來對糧食安全狀況進行分析和預測。門可佩等首先基于代表性、全面性和可操作性等三大原則選取預警指標，然后將層次分析法和灰色關聯分析法集成到一個數學模型中，并對我國的糧食安全進行定量分析[31]。周金城等基于徑向基神經網絡預測國家農產品價格，并對市場中可能存在的價格風險提前預警[32]。唐振鵬等在糧食期貨價格的預警中引入了集成學習技術，并實現了收益率走勢的精準預測[33]。賈夢琦等組合使用了差分整合移動平均自回歸模型、廣義回歸神經網絡和長短期記憶網絡來計算篩選糧食產量的主導因素，并對未來產量進行了預測[34]。苑江浩等建立了基于支持向量機的小麥和稻谷霉變預測模型[35]。李桐等利用時間序列模型對黑龍江省中大豆、小麥和水稻等農作物的水足跡進行了分析和預測[36]。郭小波等針對災害年份的糧情信息構建了一個基于灰度分布馬爾科夫模型，并通過仿真實驗對災害年份的糧食產量進行了預測[37]。胡程磊等利用改進的微粒群算法優化BP 神經網絡，對江蘇省的糧食產量進行了預測與仿真實驗[38]。

國外，Natalini D 等構建了全球糧食安全模型，該模型模擬了糧食不安全狀況對國際糧食價格的影響，并基于國家政策脆弱性和國際糧食貿易對各國發生糧食騷亂的可能性進行了預測[39]。Taghizadeh等采用面板向量自回歸模型研究了能源價格和糧食價格之間的關聯聯系[40]。Sandhu 等利用多層感知器和卷積神經網絡對小麥的籽粒產量和籽粒蛋白質含量進行了預測[41]。Cai 等基于支持向量機、隨機森林和神經網絡建立多種小麥產量預測模型，評估了澳大利亞小麥產量和糧食安全狀態[42]。Archontoulis 等構建了農業生產系統預測模型來預測和解釋美國愛荷華州生長季節中玉米與大豆產量、土壤中水和氮動態變化情況[43]。

1.3 糧食安全系統現狀

美國、加拿大、澳大利亞、歐盟等世界上主要的糧食出口地區，政府均建立起完善的糧食“生產、儲備、信息化、預警、投放”的決策機制，以保障糧食供應的穩定[44-45]。日本、印度等世界較大的糧食進口國，政府建立了基于農業大數據的預警預報的體系，以保證糧食安全[44-45]。賓夕法尼亞大學、南非多個農業研究組織、聯合國糧農組織（Food and Agriculture Organization, FAO）等國際組織或研究機構建立了較系統的糧食安全數據庫，為科學決策提供數據支持[44-46]。L Genesio 等人從風險區識別、季節預測和產量預測等三個角度對現有的預警系統進行改進，構建了基于非洲季風的多學科分析的糧食預警系統[47]。針對干旱造成的糧食減產、水資源緊張和人口外遷等危害，Van Ginkel 等構建了干旱早期預警系統，該系統在2015-2017年拉丁美洲和非洲的旱災預測中發揮了重要作用[48]。

我國政府歷來對農業與糧食安全問題高度重視。1997年，中國農業科學院農業信息研究所在國家“九五”重點項目《糧食與食物安全早期預警系統研究》支持下，系統研究了糧食安全的可供選擇模式，設計了5 種預警分析模型，并開發了一套糧食安全預警原型系統[49]。2005年，云南省發改委支持研發了“云南省糧食安全預警系統”，其結合云南省實際情況，依據糧食安全及預警理論原理，重點針對“合理安排糧食種植面積、正確選擇種植類型和品種、合理計劃農田水利基礎設施投資、安排恰當的糧食進出口量”等方面進行預警分析與提供決策支持[50]。張成等將預警系統分為安全評價、安全預測和結果輸出三部分，首先基于“壓力-狀態-響應”模型構建了土地安全預警指標體系，接著分別利用投影尋蹤模型和主成分分析模型對土地的安全狀態進行分析與評價，最后基于空間模型和馬爾科夫模型對糧食安全水平進行了預測[51]。

1.4 現有研究小結

隨著大數據的蓬勃發展及人工智能技術的快速推廣，我國的糧食安全決策支持研究正面臨著一個新形勢、新機遇。但綜合來看還存在如下問題： （1）數據層面：現有研究數據存在良莠不齊、關聯性差、不夠全面等局限。缺乏支持糧食安全分析與智能決策系統的大數據集成環境。（2）指標層面：現有的預警指標過多注重于糧食生產方面，沒有全面立體地反映糧食在生產、流通、消費和貿易等環節中的情況。（3）分析層面：現有分析手段以統計分析、計量分析為主，較少用到大數據分析與人工智能技術。且現有分析模型的關聯度較差，知識范圍較狹窄，難以對糧食安全的發展現狀及趨勢做出系統、全面、準確的評估與預警。

綜上，從社會決策的角度看，大數據與人工智能技術必定會引發經濟學、管理學的方法論的革命，可以真正地推動決策的精細化、科學化。但是，現有糧食安全分析系統在數據集成、分析模型、實驗模擬及服務方式的局限性與滯后性，限制了決策分析的及時性、準確性與科學性，難以滿足大數據環境下快速、精準、多角度、個性化和智能化的決策支持分析需求。

2 多維數據驅動的糧食安全分析與智能決策系統研究

傳統糧食安全分析基于特定目標對關鍵的要素和指標進行分析和預警。這種目標驅動的分析模式忽略了多維數據間的關聯關系，并且目標對象往往是固定和有限的不能全面地反映糧食安全的狀態。在大數據背景下，多維數據驅動的糧食安全分析更加注重數據間的關聯關系和因果關系，當某個指標數據發生異常時，能夠迅速定位相關聯指標并發出預警信號。

2.1 體系架構

基于糧食安全領域對多維數據的展示與分析需求，設計和構建了多維數據驅動的糧食安全分析與智能決策系統。該系統包括基礎設施層、數據層、分析層、應用層等四部分，體系架構如圖1 所示。

圖1 糧食安全分析與智能決策系統體系架構Fig.1 Architecture of food security analysis and intelligent decision system

基礎設施層包括了數據采集設備、數據存儲設備和數據分析設備等硬件設施，是糧食安全分析與智能決策系統的資源載體。

數據層對多源異構的數據進行分布式采集、規范化加工、修復與融合，具體流程包括：（1）分布式數據采集。數據采集模塊采用分布式爬蟲采集、人工數據攝入等方式進行數據采集。（2）數據清洗與修復。采集的數據不可避免存在缺失、誤差等缺陷。通過對這些數據缺陷進行分析，形成數據清洗與修復的規則。然后應用這些規則自動對分布式采集的數據進行清洗、補充等修復操作。（3）數據融合。修復之后的數據雖然準確，但來自不同信息源，不僅內容不同，而且結構上也有差異，還需要通過數據格式檢查、規范化處理、消除冗余等技術對這些多源異構的數據進行融合。（4）大數據存儲中心。按照功能，數據可以分成基礎數據、分析數據與實驗數據三大類；按照內容，數據可以分成糧食安全數據、全球資源數據及科技信息數據三大類。采用HDFS、Hive、HBase 大數據存儲技術對這些數據進行存儲，使其具有獨立性、長期性、安全性、完整性特征，為糧食安全分析與智能決策系統提供大數據支撐。

分析層是整個系統的核心功能單元，通過進一步集成多重分析指標和模型，進行糧食安全的大數據分析與實驗。分析層集成了糧食安全指標體系與相關的數據挖掘算法，形成支撐農業與糧食安全決策的動態分析模型及仿真實驗方案。分析層除了支持區域糧食安全評估、糧食安全預警等宏觀決策分析外，還將實現糧食產量、糧食供銷平衡等大數據仿真模擬實驗，為各地糧食的發展方向提供決策支持。分析層主要包括：（1）農業與糧食安全數據倉庫。通過對數據層中各類數據進行抽取、清洗、轉換與裝載，形成面向各類分析指標的農業與糧食安全數據倉庫。（2）決策支持分析。在農業與糧食安全數據倉庫及分析指標的基礎之上，提供區域及全球糧食安全評估、預警等決策支持分析功能。區域糧食安全評估、預警分析包括對地區糧食安全進行全面的數據掃描，通過內置的分析模型，及時、自動輸出該地區糧食安全的分析結果。每年根據最新數據，自動完成對各個地區糧食安全分析指標的計算及預警分析。（3）基于大數據的糧食安全仿真模擬。對區域的糧食生產潛力、糧食儲備規模，以及耕地、播種結構等要素的變動進行基于大數據仿真模擬，提供在線糧食產量和糧食供銷平衡仿真實驗。此外，還可基于糧食安全大數據對各種可能出現的結果、趨勢進行計算，為各地糧食安全的發展方向提供路徑選擇。最后，應用層根據數據的分析結果為用戶提供數據信息服務、預警分析服務和決策咨詢服務等。

2.2 指標體系

由于糧食安全問題具有高度的復雜性，單一的指標難以科學、有效地衡量糧食安全的狀態，因此建立一套完善的糧食安全指標體系具有重要意義。糧食安全分析與智能決策系統構建了指標體系動態管理模塊，支持指標定義、指標關聯、指標計算和指標可視化等。指標定義分為基礎指標定義和高級指標定義，包括指標名稱、指標類型、基本單位、權重、計算公式、閾值等要素。指標關聯可以建模指標間復雜的依賴關系，形成樹狀指標體系。指標計算則根據指標的計算公式和關聯關系來計算指標體系中各級指標值，并進行單位自動換算和標準化處理。指標可視化結合了地圖和時間軸來展示不同指標的時空變化規律。指標體系動態管理模塊預置了一套三級指標體系，首先將國家統計年鑒和FAOSTAT 作為數據源從中抽取出部分指標作為基礎指標，然后將基礎指標進一步地分析和組合得到二級指標，最后利用主要成分分析法和專家分析法篩選部分二級指標作為決策指標。

2.3 預警模型

糧食安全預警指利用預警理論對糧食安全相關的指標進行系統地分析與評估，以預測糧食安全狀況、供需平衡關系和風險程度，并及時給出決策結果[52]。糧食安全預警模型能夠高效地防御與化解糧食危機，減少糧食供給波動對經濟和民生的危害。糧食安全分析與智能決策系統中預警模型的結構如圖2 所示，由預警指標、預測分析、預警閾值確定、風險分析和預警判斷等組成[50,52]。預警閾值是通過專家和算法對不同預警指標的定性和定量研究后確定的界限，基于閾值可以將預警度劃分為無、輕度、中度和重度。如果預警判斷模塊確定存在風險（即預警度預測為中度或重度），則會立刻發布預警信號并給出預警度，反之則會加強異常指標數據的監測。預測分析模塊基于預警指標的歷史數據和實時數據可生成一系列時間序列數據、空間序列數據和特征序列數據等，可采用支持向量機、深度神經網絡等智能模型來擬合這些數據。最后，用訓練好的模型來預測糧食安全的最新趨勢。

圖2 預警模型結構Fig.2 Early warning model structure

通過對糧食安全領域多維數據的研究，發現其呈現以下特征：（1）空間相似性，若兩個地區的地理位置相鄰則對應數據的多維屬性上會存在相似的特征；（2）時間相似性，同一地區在相近時間節點上對應數據的多維屬性中同樣存在一定的相似性；（3）周期性，糧食產量和糧食價格等指標受氣候與市場等因素的影響具有很強的周期特征[53]。因此，在對多維數據預測時，需要同時考慮時間、空間和周期性的相關性，這使得傳統模型的預測性能較差。對此，本文使用支持向量機（SVM）來進行空間特征預測，利用長短期記憶網絡（LSTM）進行時間特征和周期特征預測，最后融合三種特征的預測結果得到最優預測。

SVM 是一種經典的機器學習模型，其機制是將數據投影到高維向量空間中，并構造一個超平面將不同的數據分隔。在空間特征預測中，將空間序列作為輸入數據定義為其中表示預警指標的空間位置，則表示預警指標的實際值。在模型訓練中，預警指標的預測問題可以形式化的表示為[24]：

LSTM 是一種具有記憶能力的深度神經網絡，廣泛地應用于語音識別、機器翻譯和文本預測等領域。LSTM 采用了輸入門、輸出門、遺忘門和記憶單元等特殊結構來建模時間序列數據中存在的長期依賴問題。在基于LSTM 的預警指標預測中，將時間序列和周期序列作為輸入，在時間步t將輸入定義為（n為輸入數據的數量，d為輸入的維數），輸入門、輸出門、遺忘門和候選記憶單元的計算如下[54]：

最后，將當前時間步的隱藏狀態更新為：

LSTM 可以建模預警指標數據中的關鍵特征，從而有效地擬合指標數據并預測序列的趨勢。

3 KEDS 應用

基于上述分析，筆者圍繞糧食安全數據分析與模擬實驗等需求，研發了KEDS（昆閱糧食安全大數據分析與實驗系統，如圖3）。KEDS 整合我國各區域歷年來人口、經濟、土地、糧食、貿易及相關政策法規等數據200 余萬條，形成了163 個基礎數據指標、235 個二級指標和152 個決策指標。KEDS 將數據分為基礎數據、分析數據和決策數據三類。其中，基礎數據和分析數據涵蓋了時間、空間、基本情況、勞動力、農業資源、生產要素、農業政策、農業產量和流通儲備等9 個維度，決策數據涵蓋了因素分析、糧食平衡、糧食安全和生態發展等4 個維度，部分關鍵維度涉及的指標如表1 所示。KEDS 為糧食安全領域提供了結構分析、因素分析、糧食平衡分析、圖譜預警等服務以及數據仿真模擬實驗服務，可為區域糧食安全評估、糧食安全預警等決策分析提供快速、精準、多角度、個性化的知識服務。

表1 關鍵維度及對應指標Table 1 Key dimensions and corresponding indicators

圖3 昆閱糧食安全大數據分析與實驗系統Fig.3 Kunyue food security big data analysis system

農業結構與糧食安全的狀態息息相關，一方面保留一定比例的農業結構有助于穩定我國糧食產量，另一方面過高的糧食自給率會給國家的農業結構調整帶來抑制作用[55]。結構分析模塊定量地分析了糧食安全與農業結構間的因果關系和協整性，其中農業結構包括了區域面積構成、三大產業構成、播種面積構成、農業產值構成、種植業產值構成、谷物產量構成等，如圖4（a）所示。糧食產量受政策、技術、市場等多個因素的綜合影響，分析其影響因素及作用機制對于農業生產和糧食安全具有重要的意義。因素分析服務對區域糧食產量影響波動的四個因素（耕地面積、復種指數、播種結構、畝產）進行了定量分析和可視化展示，如圖4（b） 所示。

圖4 結構分析與因素分析Fig.4 Structural analysis and factor analysis

播種結構、糧食產量和人口等多個指標都能影響糧食平衡中的供需關系。糧食平衡分析服務對各區域糧食的自給率、自給赤字、安全率、安全赤字、農村余糧、畝產水平等關鍵指標進行自動計算、排序和可視化展示，進而揭示區域糧食安全的關鍵問題。糧食平衡的計算方法和可視化圖表如圖5 所示。

圖5 糧食平衡Fig.5 Food balance

圖譜預警服務從指標體系中選擇26 個核心預警指標，設定安全紅線，基于預警模型計算并生成安全圖譜，直觀展示選定區域的糧食安全的優勢與缺陷，為精準決策提供科學的數據支持，如圖6（a）所示。糧食安全數據仿真服務根據影響糧食產量的四個關鍵因素（耕地、復種指數、播種結構、畝產水平）進行數據實驗，通過指標選擇、試驗數據輸入、計算公式選擇和結果可視化等流程進行實驗室模擬，為最優決策提供數據依據，如圖6（b）所示。

圖6 安全圖譜與數據仿真Fig.6 Safety graph and data simulation

4 結論與展望

糧食安全全球化的進程，其實也是糧食安全數據的全球化進程，決策者需要對來自全球紛繁復雜的數據信息進行科學的數據分析與情報決策，由此來決定糧食安全的原則和政策選項。大數據與人工智能從技術上改變了糧食安全數據信息的采集方式、閱讀方式、分析方式和決策方式。糧食安全的研究與決策必須用嚴謹的現代學科信息學的范式予以規范、檢視和發展，必須采用大數據思維與人工智能技術予以分析和應對[56]。KEDS 是筆者在大數據驅動的糧食安全研究與智能決策方面的一項探索，是一個結合大數據技術與智能情報服務理念的新一代糧食安全智能決策支持系統。KEDS 可為區域糧食安全的計算、評估、預警、實驗等分析決策提供快速、精準、多角度、個性化的服務，具有良好的服務前景且已服務于廣東省糧食安全預警。KEDS 未來將在學科信息學與數據驅動的學科知識發現的理論指導下進一步豐富和完善[56]。

（1）數據層面。KEDS 在數據規范、數據存儲和數據共享上還存在不足，將利用Hadoop 和Hbase 等大數據技術實現多源異構數據的精準治理和標準化服務。

（2）指標層面。KEDS 將圍繞中美競合、生物多樣性、全球變暖和轉基因技術等領域，補充決策分析指標并完善現有的指標體系，從而把糧食安全問題的研究引向更深層次。

（3）分析層面。KEDS 將利用大數據和人工智能技術，對糧食安全領域中大量的結構化、半結構化、非結構化數據進行模擬和預測，為糧食安全政策的制定提供科學性、準確性的依據。

總之，在大數據時代，糧食安全研究亟需學科信息學的規范、指導，大數據驅動與智能決策將是糧食安全研究的發展趨勢。未來，筆者將圍繞“黑土地保護與恢復”、“種業安全”等國家重點關注領域，進一步豐富完善糧食安全分析與智能決策的數據體系、指標體系，逐步建立全球糧食安全大數據資源、生產、貿易與消費的智能分析系統，以促進我國糧食安全決策精準化和科學化。

利益沖突聲明

所有作者聲明不存在利益沖突關系。