基于新疆糧食產量的灰色關聯分析及其BP模型預測

劉昭雪 楊莉莉 支金虎

摘要：為明確影響新疆糧食產量的主要因素及預測未來變化，采用灰色關聯法和BP神經網絡預測模型，對2000—2019年影響新疆糧食產量的9個關聯指標進行分析。結果表明，糧食作物播種面積、勞動力數量和有效灌溉面積是影響新疆糧食產量的主要因素，其關聯度均高于0.91。從新疆的實際情況和關聯度分析出發，確定影響糧食產量的6個重要因素是糧食作物播種面積、就業人數、有效灌溉面積、農業機械總動力、化肥施用量和新疆人口數量。利用matlab2015b軟件構建BP神經網絡模型，預測2020年新疆糧食產量為1 542.7萬t，預測值與當年的實際糧食產量相差不大，說明BP神經網絡模型對糧食產量的預測具有很好的匹配性。

關鍵詞：糧食產量;關聯度;BP神經網絡模型;影響因素;新疆

中圖分類號：S11? ? ? ? ? ? ? 文獻標志碼：A? ? ? ? ? ? ? 文章編號：1001-1463（2022）09-0080-06

doi：10.3969/j.issn.1001-1463.2022.09.019

Study on the Grain Yield in Xinjiang Using Grey Correlation Analysis and BP Model Prediction

LIU Zhaoxue 1， 2， 3， YANG Lili 1， 2， 3， ZHI Jinhu 1， 2， 3

（1. College of Agonomy， Tarim University， Alar Xinjiang 843300， China; 2. Collaborative Innovation Centre of Eco-agriculture Around Tarim Basin， Alar Xinjiang 843300， China; 3. The Research Centre of Oasis Agriculurces and Environment in Sourthern Xinjiang， Tarim University， Alar Xinjiang 843300， China）

Abstract： To determine factors affecting the grain yiled in Xinjiang and to predict its potential changes in future， the BP neural network prediction model and grey correlation method were used in this study to analyze nine ralated indices from 2000 to 2019 on grain yield in Xinjiang. The results showed that sown area of grain crops， agricultural labor quantity and the effective irrigated area were the main factors affecting the grain yield in Xinjiang， their correlation factors were all higher than 0.91. Based on the actual situation and correlation degree analysis of Xinjiang grain production， six important factors affecting grain yield were determined i.e.， sown area of grain crops， agricultural labor quantity， effective irrigated area， total power of agricultural machinery， fertilizer application and population of Xinjiang. Matlab 2015b software was used to build BP neural network model which predicted that the grain output in 2020 for Xinjiang was 15.427 million tons， the predicted value was not much different from the actual grain output of that year， which showed that the BP neural network model had a very good prediction over grain output.

Key words： Grain yield; Correlation degree; BP neural network model; Affecting factor; Xinjiang

糧食是國家的立根之本，尤其對于發展中國家來說，保證糧食產量充足是社會發展的物質基礎[1 ]。雖然我國的糧食總產量在不斷增加，但仍然存在區域性短缺和局部糧食不安全問題[2 ]。從我國糧食產量的未來發展趨勢出發，糧食安全問題不容樂觀，農業在國民經濟生產總值中仍處于落后地位。糧食產量的波動和糧食安全問題密切聯系，對糧食產量波動現狀、周期、影響因素和原因等進行研究，有利于穩定糧食生產，保證我國糧食安全[3 ]。糧食生產作為經濟和自然再生產的復雜統一體，其生產過程受很多因素的影響并且關系錯綜復雜。安曉寧[4 ]認為影響糧食產量的關鍵要素是勞動力，制約糧食生產的重要因素是土地面積，另外農機電、農田水利設施的建設和化肥的使用直接關系到糧食產量的提高;郭淑敏等[5 ]通過關聯系數的計算指出，影響糧食產量的主要因素有科技水平、農業現代化水平、耕地狀況、有效灌溉面積;王雙進等[6 ]從物質投入、資源環境和政策因素3個角度研究，選擇了8個指標作為影響糧食產量的因素;張素文等[7 ]采用傳統的多元回歸模型和灰色關聯分析兩種方法，分析了湖南近50年來糧食播種面積、糧食產量的總體變化趨勢，預測了湖南省2010年的糧食總產量。郭慶春等[8 ]通過BP神經網絡模型對我國糧食產量進行預測，并建立了糧食產量的神經網絡預測模型;伍丹華等[9 ]從影響糧食產量的因素出發，利用BP模型預測江蘇省東臺市2009 — 2018年的糧食產量，其模型取得了較好的預測結果。

已有文獻通常采用面板數據或長時間的序列數據，采用一元線性回歸[10 ]、多元回歸[11 ]、地理加權回歸[12 ]、C-D函數[12 - 13 ]、灰色關聯分析[14 ]、主成分分析[15 ]、BP神經網絡[16 ]等建立模型，將特定區域作為整體進行主導因子研究。每種方法有各自的適用條件，從而在不同方面解釋糧食產量變化和影響因素之間的關系。其中BP神經網絡模型是應用最廣泛的預測模型，它擬合了復雜的非線性系統問題，彌補了傳統預測和估算方法的缺陷，具有較好的預測特性。新疆作為我國面積最大的地區，潛在農業耕地資源豐富，糧食安全和產量保障尤為重要。我們基于已有研究成果，運用灰色關聯法對新疆糧食產量的影響因素進行研究，并通過BP神經網絡模型對新疆2020年糧食產量進行預測，以期為我國糧食安全預警提供參考。

1? ?材料與方法

1.1? ?研究區概況

新疆地處亞歐大陸腹地，具有連接東西的優越地理位置，是我國古代絲綢之路的重要通道[17 ]，現為第二座“歐亞大陸橋”的重要走廊[18 ]，新絲綢之路經濟帶核心區[19 ]。地處東經73° 40′～96° 18′，北緯34° 25′～48° 10′，居東半球和北半球中緯度地區，地理位置構成了“三山夾兩盆”的獨特地貌[20 ]，總面積約166萬km2，占中國國土面積的1/6[21 ]。新疆受氣候、地理位置的影響，降水稀少，其降水量遠低于蒸發量[22 ]，是中亞地區典型的干旱半干旱區，淡水資源嚴重匱乏[17 ]。其南北跨度大，農業地域差異明顯，土地資源豐富，是我國重要的糧食產區之一。

1.2? ?數據及其來源

研究對象為新疆2000 — 2019年的糧食產量及其影響糧食產量的3個方面（自然因素、經濟因素和科技因素）的9個因子，數據來自《中國統計年鑒》（2000 — 2019年）[23 ]、 《新疆統計年鑒》（2000 — 2019年）[24 ]，見表1。

1.3? ?指標體系的修正

為了使影響因素更加可靠，首先利用 SPSS 軟件對新疆糧食產量及其影響因子進行Pearson回? 歸[25 ]，然后根據顯著性強弱剔除相關性弱的因子，最后選取影響糧食產量的關鍵變量。關于糧食產量的相關分析結果見表2。由表2的相關性分析結果可知，9個因子均與糧食產量呈現顯著的相關性。

1.4? ?灰色關聯法[1 ]

1.4.1? ? 確定分析數列? ? 選取新疆的糧食產量作為參考序列，9個影響因子作為比較序列。則構造參考序列：y0={y0（t），t=1，2，…，n}={y0（1），y0（2），…，y0（n）}，式中，t表示不同時刻，構造比較序列{xt（t），t=1，2，…，n}={xi（1），xi（2），…，xi（n）}t=1，2，…，k。

1.4.2? ? 變量的無量綱化? ? 原始數據的單位不統一，無法直接進行比較，必須對其進行無量綱化，提高模型的精度，標準化公式如下。

X′i（k）=，Xi（1）≠0

1.4.3? ? 關聯系數的計算? ? 關聯系數是指解釋變量和被解釋變量之間的相關度系數[1 ]，新疆糧食產量和各影響因素之間的關聯系數計算公式如下。

ξi （k）=式中，y（k）-xi（k）與y（k）-xi（k）分別表示最大和最小二級差，ρ代表分辨系數，一般取 ρ=0.5。

1.4.4? ? 關聯度的計算? ? 關聯度是在關聯系數的基礎上，求其各個年份的平均值得到的數值，其計算公式如下。

Si =∑ξi （k）， k=1，2，…，n

計算過程由SPSSAU軟件完成。

1.5? ?BP神經網絡預測模型

神經網絡是由多個神經元組成的廣泛互連的神經網絡，能夠模擬生物神經系統真實世界及物體之間所做出的交互反應。BP神經網絡作為根據誤差逆傳播算法訓練的多次前饋網絡，通過對人類神經元的功能進行模擬，可以儲存及學習大量的輸入數據和輸出數據，且不需對變量的映射關系進行描述，利用輸入和輸出數據建模，其對非線性系統具有很強的模擬能力[26 - 27 ]。BP神經網絡預測輸入值，是根據隱含層輸入值，連接權限和閾值來計算，最后預測誤差根據網絡預測輸出值和期望輸入值計算得出[9 ]。

該模型選取糧食作物播種面積、就業人數、有效灌溉面積、農業機械總動力、農用化肥施用量和新疆人口數量6個指標作為輸入值，輸出變量為糧食產量，以此構建神經網絡，可以確定輸入層節點數為6，輸出層節點數為1。為了充分體現數據的規律性，在數據集訓中采取隨機劃分（7∶3）的方法對數據進行訓練，保證得到的預測值更加可靠。我們利用matlab2015b軟件中的BP神經網絡代碼，對2000 — 2019年影響糧食產量的6個因素進行訓練和檢驗，其網絡層次的設計參數中最佳隱含層是4，輸出元素1個，學習速率0.01，訓練目標最小誤差0.001，步長Epochs為1000。在此設計的基礎上，編寫BP預測網絡設計與練習，經過多次驗證，從而實現糧食產量的最優預測。

2? ?結果與分析

2.1? ?新疆糧食產量影響因素的關聯度分析

利用SPSSAU軟件對2000 — 2019年新疆糧食產量和9個影響因子的數據進行分析，得到新疆糧食產量影響因素的關聯度排行（表3）。以糧食產量作為參考指標，研究9個影響因子、三大類因素與其的關聯度。結果表明，2000 — 2019 年影響新疆糧食產量的三大類因素排序為科技因素 > 自然因素 > 經濟因素。9個因子的關聯度排序為糧食作物播種面積 > 就業人數 > 有效灌溉面積 > 農用化肥施用量 > 農業機械總動力 > 農村用電量 > 居民人均收入 > 新疆農業生產總值 > 受災面積。

在新疆糧食產量的影響因素中，科技因素排在首位，其關聯度為0.863，說明科技因素在新疆的農業生產上起決定性的作用。從單個影響因子的角度比較，有效灌溉面積、農用化肥施用量、農業機械總動力、農村用電量與糧食產量的相關度均在0.8以上，其中有效灌溉面積高達0.914。說明新疆糧食產量的高低與科技因素密不可分，其中灌溉面積對糧食產量的影響最大。

自然因素作為影響糧食產量的第二大因素，其關聯度為0.819，說明自然因素在糧食產量上起到極為重要的作用。從單個影響因子的角度比較，糧食作物播種面積排第1，受災面積排第9，這說明在控制自然災害和保證灌溉面積的前提下，播種面積的多少很大程度上決定了新疆糧食產量的多寡。由于自然因素是一種人為不可控制的因素，在農業生產上要盡可能預防自然災害的發生。

經濟因素是影響糧食產量的第三大因素，其關聯度為0.801，說明經濟因素也影響著新疆的糧食產量。從單個影響因子的角度比較，就業人數排第2，居民人均收入、新疆農業生產總值分別排第7、8，其中就業人數與其關聯度為0.929。說明在農業生產中，勞動力數量在很大程度上影響著糧食產量，而農業生產總值和居民人均收入對糧食產量的影響很小。

從新疆的農業發展狀況和實際情況出發，農用化肥施用量在2000 — 2019年是不斷增加的。從表3可知，農用化肥量與糧食產量密切相關，化肥施用量也是影響糧食產量的重要因素，但化肥施用過多會對土地及生態環境造成不利的影響，此結論與許甜甜等[29 ]的研究相同。新疆特殊的地理位置，導致土壤中殘留過多的鹽分，造成土地鹽漬化，加上近年來不合理的施用化肥，加劇了土壤鹽漬化的形成進程，給農業生產造成了難以估量的損失。農業的灌溉難也是新疆農業生產中最緊迫解決的問題，在保證播種面積的前提下，增加灌溉面積、合理施用化肥的種類和數量，確保耕地的質量和減輕土壤鹽漬化，才能達到作物高產的目的。

2.2? ?基于BP神經網絡模型的糧食產量預測

從新疆實際情況和相關度分析出發，選取與糧食產量密切相關的6個影響因素作為輸入層，輸出層為對應當年的糧食產量。利用matlab2015b軟件對數據進行分析。為了充分體現數據的規律性，在數據集訓中采取隨機劃分（7∶3）的方法將數據分為訓練樣本和檢驗樣本，以保證得到的預測值更加可靠，由此得出2000 — 2019年的糧食產量預測值（表4）。通過對20個樣本的隨機分布檢驗，2000 — 2019年的訓練樣本與測試樣本的擬合結果分別達到99%以上，其預測值與真實值的誤差小于4%，具有高度的精確性，說明預測結果較好。

根據此模型可以對未來年份的新疆糧食產量進行預測。輸入2000 — 2019年的數據作為樣本輸入，根據模型預測2020年的糧食產量，預測值為1 542.7萬t，國家統計局公布的2020年的新疆糧食產量為1 583.4萬t，二者誤差基本可以忽略，表明BP模型對新疆糧食產量的預測是可行的。新疆的土地面積占我國國土面積的1/6，其潛在的農業耕地資源極為豐富。利用BP神經網絡模型準確地預測新疆糧食產量對加強我國糧食宏觀調控、促進政策調整和保障糧食安全具有極其重要的意義。

3? ?討論與結論

糧食安全是國家安全的重要基礎。本文運用灰色關聯法對新疆糧食產量影響因素進行分析，并根據BP神經網絡預測模型對2000 — 2020年的糧食產量進行預測。從關聯度分析可知，在新疆農業生產上科技因素居于主導地位，其次是自然因素，最后是經濟因素。科技因素中灌溉面積起主要因素，其次是農用化肥施用量、農業機械總動力、農村用電量;自然因素中播種面積居于優先地位;在經濟因素中，勞動力數量占主要地位，農業生產總值和居民人均收入對糧食產量的影響較小。糧食作物播種面積、勞動力數量和有效灌溉面積是影響新疆糧食產量的主要因素，其關聯度均高于0.91。從新疆的實際情況和關聯度分析出發，確定影響糧食產量的6個重要因素是糧食作物播種面積、就業人數、有效灌溉面積、農業機械總動力、化肥施用量和新疆人口數量。運用BP神經網絡模型，摒棄了傳統的以時間序列為基礎劃分的訓練樣本和測試樣本，采用隨機分布的原則體現數據的規律性，其模型構建在新疆2000 — 2020年糧食產量上得到了較好的預測結果，預測2020年新疆糧食產量為1 542.7萬t，預測值與當年的實際糧食產量相關不大，說明BP神經網絡模型對糧食產量的預測具有很好的匹配性，可為政府部門的糧食預測提供較為準確的指導。

基于新疆的糧食產量生產現狀和自治區的糧食生產政策，從科技因素的角度考慮，第一，要增加有效灌溉面積。合理利用水資源，全區域建設農業節水設施，保證農業生產中的供水難問題。第二，要合理施用化肥。新疆的土壤含鹽量較高，大部分的耕地表土出現鹽漬化現象，導致種植的作物受鹽害死亡;不合理的施肥加快了土壤鹽漬化的形成，導致作物減產，環境惡化。因此要堅持平衡施肥、適量施肥的原則。第三，增加農業機械的投入以及提高農機效率。新疆農業種植面積大，單靠勞動力很難維持農業的正常運轉，所以加大農業機械的投入和提高農業機械效率是很有必要的。從自然因素出發，第一，要合理增加糧食作物播種面積，保證農業生態系統平衡發展。合理增加播種面積，能減少荒地的浪費，同時響應自治區提出的“穩糧”和“宜糧則糧”策略。第二，加強對自然災害的監測和建立健全應急機制。自然災害是人力不可抗拒的因素，在出現自然災害時，政府和農民應該積極采取災害應急措施盡量減輕災害所帶來的農業損失。從經濟方面考慮，應增加農業勞動人口。政府應著力提高農民收入水平，增加農業財政補貼和惠農政策，適當提高糧食的收購價格，吸引勞動力來疆發展。

參考文獻：

[1] 朱家明，劉? ?威.? 基于灰色關聯法對安徽糧食產量影響因素的實證研究[J].? 山西大同大學學報（自然科學版），2020，36（3）：19-24.

[2] 湯瑛芳，李紅霞，劉錦暉，等.? 甘肅省糧食生產形勢及新時期糧食安全對策研究[J].? 甘肅農業科技，2021，

8（52）：63-71.

[3] 錢? ?鎮，臧云鵬.? 中美貿易戰中談糧食問題[J].? 中國投資，2018（17）：117-119.

[4] 安曉寧.? 糧食產業化戰略：中國糧食安全保障的重要選擇[J].? 農業科研經濟管理，1998（3）：33-34;49.

[5] 郭淑敏，馬? ?帥，陳印軍.? 我國糧食主產區糧食生產影響因素研究[J].? 農業現代化研究，2007（1）：83-87.

[6] 王雙進，金京玉.? 我國糧食增產制約因素及發展途徑[J].? 學術交流，2013（5）：121-125.

[7] 張素文，李曉青.? 湖南省糧食生產變化趨勢及影響因子研究[J].? 國土與自然資源研究，2005（1）：30-31.

[8] 郭慶春，何振芳，李? ?力.? 基于BP神經網絡的糧食產量預測模型[J].? 湖南農業科學，2011（17）：136-138.

[9] 伍丹華，周禮梅.? 基于BP神經網絡的糧食產量預測[J].? 農業工程信息，2020，40（27）：51-53.

[10] 周? ?力，張光耀，高大偉，等.? 1978—2009年天水市耕地及糧食播種面積變化趨勢分析[J].? 甘肅農業科技，2013（9）：34-35.

[11] 金京淑，劉? ?妍.? 吉林省糧食單產影響因素分析[J].? 吉林農業科學，2010，35（3）：57-59;64.

[12] 楊麗霞.? 基于C-D函數和嶺回歸的糧食生產影響因素分析——以浙江省為例[J].? 地域研究與開發，2013，

32（1）：147-151.

[13] 田? ?甜，李隆玲，黃? ?東，等.? 未來中國糧食增產將主要依靠什么？——基于糧食生產“十連增”的分析[J].? 中國農村經濟，2015（6）：13-22.

[14] 徐國鑫，金曉斌，宋佳楠，等.? 耕地集約利用對糧食產量變化影響的定量分析——以江蘇省為例[J].? 地理研究，2012，31（9）：1621-1630.

[15] 梁子謙，李小軍.? 影響中國糧食生產的因子分析[J].? 農業經濟問題，2006（11）：19-22;79.

[16] 朱學明.? 基于神經網絡的短時交通流預測方法的研究與應用[D].? 蘭州：蘭州理工大學，2013.

[17] 張慶杰，陶? ?輝，蘇布達，等.? 基于CMIP6氣候模式的新疆積雪深度時空格局研究[J].? 冰川凍土，2021，

43（5）：1435-1445.

[18] 宋? ?雪.? 新疆核心區建設與高速發展[J].? 北方經貿，2019（10）：30-32.

[19] 馬淑琴，鄒志文，邵宇佳.? 絲綢之路經濟帶與地區出口產品質量——基于新疆核心區的合成控制分析[J].? 經濟問題，2018（9）：97-100;112.

[20] 不詳.? 新疆概況[M].? 呼和浩特：新疆人民出版社，2013.

[21]《新疆維吾爾自治區概況》編寫組.? 新疆維吾爾自治區概況[M].? 呼和浩特：新疆人民出版社，2021.

[22] 劉盛林.? 鹽漬化農田調控根層磷生物有效性提高棉花產量和養分效率的研究[D].? 北京：中國農業大學，2015.

[23] 國家統計局.? 中國統計年鑒[M].? 北京：中國統計出版社，2000 — 2019.

[24] 新疆維吾爾自治區統計局.新疆統計年鑒[M].? 北京：中國統計出版社，2000 — 2019.

[25] 朱家明.? 基于灰色關聯法對山西旅游經濟發展影響因素的計量分析[J].? 山西大同大學學報（自然科學版），2019，35（3）：32-36.

[26] 劉曙光，鄭崇勛.? 前饋神經網絡中的反向傳播算法及其改進：進展與展望[J].? 計算機科學，1996（1）：76-79.

[27] 王彤彤，張? ?劍，涂? ?川，等.? IPSO-BP神經網絡在渭河天水段水質評價中的應用[J].? 環境科學與技術，2013，36（8）：175-181.

[28] 王? ?青，戴思蘭，何? ?晶，等.? 灰色關聯法和層次分析法在盆栽多頭小菊株系選擇中的應用[J].? 中國農業科學，2012， 45（17）：3653-3660.

[29] 許甜甜，陳? ?英.? 甘肅省糧食產量影響因素的灰色關聯動態分析[J].? 生產力研究，2020（2）：45-47;87.