我國辛辣類蔬菜價格波動預警分析

王孟偉，周 悅，白 麗，王 哲

（河北農業大學經濟管理學院 河北保定 071000）

據國家統計局最新數據，2021 年中國蔬菜總種植面積約2200 萬hm2，在同年全國農作物總種植面積中占比約13.03%。但蔬菜供應的數量和穩定程度、蔬菜的質量安全、蔬菜的價格波動是3 個較為重要的問題，需引起高度重視。其中蔬菜價格劇烈波動問題影響著菜農與消費者雙方的利益，“菜貴傷民”“菜賤傷農”的現象反復出現，這對社會經濟及人民生活造成了一系列負面影響，蔬菜價格是否穩定牽動著蔬菜產業的發展態勢，是涉及民生的關鍵問題。筆者在借鑒相關理論和國內外研究已有成果的基礎上，以主要辛辣類蔬菜價格為研究對象，分析辛辣類蔬菜的生產現狀和價格走勢，并基于BP 神經網絡的價格波動預警模型，對辛辣類蔬菜價格進行短期預測預警，探索辛辣類蔬菜價格未來走勢，最后根據預警結果對辛辣類蔬菜價格進行合理的判斷，以期為生產者提前預報警情降低未來潛在損失，促進蔬菜產業的健康發展。

1 相關文獻綜述

關于農產品價格波動的研究方法，鄭姍等[1]利用H-P 濾波對河北蔬菜的價格進行分析，并利用VAR 模型對價格波動進行實證研究。高仙草等[2]運用ARCH 類模型通過對金鄉大蒜產地價格波動特征的研究，得出金鄉大蒜的市場價格波動具有明顯的聚簇性和不對稱特性。熊德斌等[3]以近十年辣椒出口價格和出口量為研究對象，發現我國辣椒出口價格及出口量呈現明顯的季節性波動特征。關于蔬菜價格波動異常原因的研究，隨學超等[4]認為是市場不透明、供求信息不對稱影響地區蔬菜剩余調節效率，如果一定區域內的市場蔬菜供需不能及時調劑，將使其市場價格產生異常的波動。張娟娟等[5]發現受疫情和供給量影響2020年辣椒的價格出現異常波動。陳明均等[6]認為2019 年生姜產量下降，市場供應不足，受新冠疫情的影響，2020 年上半年生姜出口需求激增，以及生姜種植成本增加推動市場價格上漲是生姜價格異常波動的主要原因。

綜上所述，已有文獻主要集中于從總體上研究農產品的價格波動特征，或從總體上研究蔬菜的價格波動問題，對辛辣類蔬菜產業的價格預警研究較少。筆者在本文中將主要以辛辣類蔬菜品種為例，建立動態的辛辣類蔬菜價格波動預警模型，為農戶安排種植和管理部門掌握生產情況提供參考。

2 辛辣類蔬菜價格波動預警的理論分析

2.1 BP神經網絡應用原理

神經網絡理論最早是在1943 年由心理學家Warren McCulloch 和數學家Walter Pitts 提出的，該系統的應用內容非常豐富，可以用于預測經濟變量、風險評估、預測預警等[7-8]。BP 網絡是神經網絡具有代表性的網絡模型之一，它是多層前饋網絡，可以根據誤差判別進行反向傳播訓練的算法，這種算法利用實際和期望輸出值誤差的平方作為錨定函數，運用Adam 函數計算錨定函數最小值，相比梯度下降算法，Adam 吸收了自適應學習率的梯度下降算法和動量梯度下降算法的優點。BP 神經網絡由輸入層、隱含層和輸出層3 層結構組成（圖1），每層神經元之間利用連接的權重互相反饋，而同一層次內是相互獨立的神經元[9]。該學習過程包括正向傳輸和誤差逆向傳輸，在樣本正向傳輸時，樣本從輸入層進入，然后經過隱含層的層層處理，最后到達輸出層，如果輸出端與預期的輸出不一致，則進行逆向傳輸，錯誤數據從原來的連接通道中返回，再用自動校正重新賦值來減小誤差，經過反復地學習，最終可以得到在誤差允許范圍之內的結果。

2.2 辛辣類蔬菜生產現狀分析

我國辛辣類蔬菜的產地眾多，分布廣泛，于南北均有種植。其中，大蒜的主要產地有山東、河南、河北、江蘇、安徽、四川及云南等地；大蔥產地主要包括山東、河北、河南、遼寧、吉林及黑龍江等地；生姜主產地包括山東、湖南、貴州、廣西、四川、河南及湖北等地；洋蔥產地集中在云南、福建、山東、河南、河北、甘肅、黑龍江及吉林等地；辣椒產地主要集中在貴州、河南、云南、湖南、江蘇及山東等地。從總體上看，2010 年和2020 年我國辛辣類蔬菜的種植面積和總產量均呈平穩增長趨勢。由表1 可知，我國辣椒的產量和單產增幅最大，生姜和辣椒的種植面積增幅相對較大。大蒜種植面積、產量和單產穩定上升；生姜種植面積和產量穩步上升，單產水平不穩定波動；大蔥種植面積和產量均穩步上升，單產維持穩定；洋蔥種植面積和產量穩定增長，單產小幅增長；辣椒種植面積、產量和單產均大幅上升。

表1 2010 年和2020 年我國辛辣類蔬菜生產現狀Table 1 Production status of spicy vegetables in China in 2010 and 2020

2.3 年度價格走勢分析

由辛辣類蔬菜價格總體走勢（圖2）可以看出，大蒜價格和大蔥價格走勢相反，生姜價格和大蒜價格走勢相反，洋蔥價格和大蒜價格走勢相似，辣椒價格和洋蔥價格走勢相似。在2016—2018 年、2018—2021 年大蔥和大蒜的價格出現了2 次相反的波動；當2014 年生姜價格處于高位時，大蒜價格處于低位；當2016 年大蒜價格處于高位時，生姜價格處于低位；在2014－2017 年期間洋蔥、大蒜的價格呈現較為同步的波動。辛辣類蔬菜的價格之間存在著長期制衡的關系[10]，與其均為調味蔬菜、功能屬性相近有關，可見辛辣類蔬菜相互之間具有互補性或替代性。

圖2 辛辣類蔬菜年度價格總體走勢Fig.2 Overall annual price trend of spicy vegetables

2.4 月度價格走勢

從整體上來看，蔬菜價格變動無常且波動頻繁，價格能迅速在幾個月內上漲幾番，也會在一兩個月內迅速回落跌至低谷，呈現難以預測和爆發性的特點；除此之外，價格波動還呈現出難以干預性，在辛辣蔬菜出現大幅波動的時候，很難在短時間內將異常的價格穩定下來，而作為小宗農產品的典型，大蒜等辛辣類蔬菜的價格應急機制還不健全，還沒有制定專門的儲備制度，在市場上的囤積居奇和人為控制的情況下，很難通過政府的介入來及時調整供需（圖3）。

圖3 辛辣類蔬菜月度價格總體走勢Fig.3 Overall monthly price trend of spicy vegetables

3 辛辣類蔬菜價格波動預警的實證分析

3.1 價格波動預警模型的構建

3.1.1 警情指標的確定 該研究將辛辣類蔬菜價格波動率作為反映是否有警的警情指標，在各種經濟指標中，絕對指數總體上呈遞增式，采用對數差分法后，增長率呈現波動性，以排除單位影響，有利于確定警限和警度[11]。辛辣類蔬菜價格波動率公式為：

Rt=（lnPt-lnPt-1）×100。

上式中Pt和Pt-1分別表示第t時期和第t-1 時期的辛辣類蔬菜價格，Rt為辛辣類蔬菜價格波動率。

3.1.2 警限警度的劃分 該研究采用與辛辣類蔬菜價格關系最為密切的居民消費價格指數（CPI）的波動率作為判斷標準，并依據1～2 倍標準差確定警限[11]。以2020 年、2021 年和2022 年CPI 每月環比值作為基準數列，取CPI 近3 年的平均值作為標準點，通過計算可得平均波動率為+1.703%，標準差為1.436，若辛辣類蔬菜價格波動幅度過大，顯現出偏離CPI 波動軌跡且偏離程度較大的現象，則表示辛辣類蔬菜價格水平異常，出現警情。可分為無警狀態、輕警狀態、重警狀態，其中無警狀態是指價格波動水平正常，即辛辣類蔬菜價格波動率在基準點1個標準差以內上下浮動；輕警狀態是指價格波動輕度異常，即辛辣類蔬菜價格波動率在1 個標準差至2 個標準差之間；重警狀態是指價格波動重度異常，即辛辣類蔬菜價格波動率浮動水平超過了2 個標準差。為更清晰地顯示警情狀態，采用信號燈的方式顯示預警信號，其中綠燈表示無警，黃燈表示正向輕警，紅燈表示正向重警，藍燈表示負向輕警，白燈表示負向重警。辛辣類蔬菜價格預警的警度、警限、信號顯示、狀態特征和波動水平具體如表2所示。

表2 警情指標的警限與警度劃分Table 2 Classification of warning limits and levels of warning indicators

3.2 預警模型的訓練與驗證

BP 神經網絡輸入層設置10 個神經元，輸出層的神經元個數為1 個。模型采用3 層BP 網絡，并設置一個隱含層，通過不斷調整各參數，找出最優的預測結果。

為了提高預測值的精確度和保證預警結果的準確性，需盡可能地擴大樣本數量。該研究選用各辛辣類蔬菜價格的周度數據，使樣本數據數量足以支撐BP 神經網絡訓練。選擇2010 年至2022 年的各參數數據作為樣本建立BP 神經網絡模型（根據數據的可獲取性，大蔥數據從2014 年開始統計）。其中，輸入訓練數據為2010 年1 月1 日至2021 年12 月31 日，共617 個周度數值（大蔥訓練393 個周度數值）；輸出測試數據為2022 年1 月7 日至6 月24 日，共25 個周度數值。各辛辣類蔬菜品種模型的超參數如表3 所示。

表3 辛辣類蔬菜模型超參數Table 3 Model hyperparameters for spicy vegetables

經過反復的訓練，各蔬菜品種的訓練結果誤差逐步減小，最后的訓練誤差趨于目標誤差，訓練誤差達到最小值后停止訓練（圖4～8）。將訓練誤差、目標誤差、最佳效果繪制在圖中，以便于更直觀地觀察BP 網絡的訓練過程。

圖4 大蒜價格波動預警模型的訓練過程Fig.4 Training process of garlic price fluctuation warning model

圖5 辣椒價格波動預警模型的訓練過程Fig.5 Training process of pepper price fluctuation warning model

圖6 生姜價格波動預警模型的訓練過程Fig.6 Training process of ginger price fluctuation warning model

圖7 洋蔥價格波動預警模型的訓練過程Fig.7 Training process of onion price fluctuation warning model

圖8 大蔥價格波動預警模型的訓練過程Fig.8 Training process of the early warning model for scallion price fluctuations

為了更加直觀地驗證建立的BP 神經網絡模型預警結果的效果，在表中列出蔬菜價格真實信息進行對比。由于測試周數據較多，不方便在表中全部展示，所以將周數據計算成月數據進行展示。從表4～8 模型驗證結果可知，BP 神經網絡模型的預警值和真實值的誤差較小，整體趨勢基本吻合。個別樣本點可能是處于辛辣類蔬菜價格上漲和下跌狀態的轉折處，因此預測結果會受此影響。總體來說，所建的價格預警模型能夠很好地滿足要求，適用于辛辣類蔬菜的非線性、突變性價格預測預警。

表4 大蔥價格預警模型結果驗證Table 4 Validation of the results of the scallion price warning model

表5 大蒜價格預警模型結果驗證Table 5 Validation of garlic price warning model results

表6 生姜價格預警模型結果驗證Table 6 Validation of ginger price warning model results

表7 洋蔥價格預警模型結果驗證Table 7 Validation of onion price warning model results

表8 辣椒價格預警模型結果驗證Table 8 Validation of chili pepper price warning model results

3.3 價格預警結果分析

辛辣類蔬菜在生產過程中每一個品種都有一定的生長周期，無論是大蔥、大蒜、生姜、洋蔥、辣椒還是其他品種，根據天氣、環境、農民對田間管理技術的掌握程度而異，提早一年對蔬菜的價格變動做出預警，不僅可以為生產者制定生產計劃提供參考，同時為政府及時了解蔬菜生產狀況提供依據。

2022 年1—6 月的模擬結果與期望的結果吻合很好，其結果與真實結果的價格走勢相吻合。并依據所建立的模型，對未來一年辛辣類蔬菜價格走勢進行估計分析，根據6.3.2 劃分的警限警度，并做出相應的警情提醒，具體預警結果如表9 所示。

表9 5 種辛辣類蔬菜未來一年價格預測預警結果Table 9 Price forecast and warning results of five spicy vegetables in the next year

大蒜未來一年內價格呈現先下降后上升的深“U”型態勢（圖9），預警結果顯示2022 年7—11 月處于負向重警區間，表示價格下跌過快，市場過冷；2023 年1、5 月、11—12 月處于正向輕警區間，表示價格上漲較快，市場偏熱；2023 年2—4 月處于正向重警區間，表示價格上漲過快，市場過熱；2022 年12 月、2023 年6 月處于無警區間，說明價格穩定，市場基本均衡。

圖9 大蒜價格波動趨勢示意圖Fig.9 Schematic diagram of garlic price fluctuation trend

大蔥未來一年內價格呈現曲折下降的態勢（圖10），2022 年12 月至2023 年2 月價格小幅度上漲，預警結果顯示2022 年7 月、10—12 月、2023 年3—5 月處于負向重警區間，表示價格下跌過快，市場過冷；2022 年9 月處于正向輕警區間，表示價格上漲較快，市場偏熱；2023 年1—2 月、6 月、11—12 月處于正向重警區間，表示價格上漲過快，市場過熱；2022 年8 月處于無警區間，說明價格穩定，市場基本均衡。

圖10 大蔥價格波動趨勢示意圖Fig.10 Schematic diagram of the fluctuation trend of scallion prices

生姜未來一年內價格呈先緩緩下降后上升的淺“U”型態勢（圖11），從2022 年12 月開始小幅度上漲，預警結果顯示2022 年7—10 月處于負向重警區間，表示價格下跌過快，市場過冷；2022 年11月處于負向輕警區間，表示價格下跌較快，市場偏冷；2023 年3—4 月、11—12 月處于正向輕警區間，表示價格上漲較快，市場偏熱；2023 年5—6 月處于正向重警區間，表示價格上漲過快，市場過熱；2022年12 月、2023 年1—2 月處于無警區間，說明價格穩定，市場基本均衡。

圖11 生姜價格波動趨勢示意圖Fig.11 Schematic diagram of ginger price fluctuation trend

洋蔥未來一年內價格呈先下降后平穩的態勢（圖12），從2023 年1 月開始價格保持穩定，預警結果顯示2022 年7—11 月處于負向重警區間，表示價格下跌過快，市場過冷；2022 年3—6 月處于負向輕警區間，表示價格下跌較快，市場偏冷；2023 年1月處于正向重警區間，表示價格上漲過快，市場過熱；2022 年12 月、2023 年2 月處于無警區間，說明價格穩定，市場基本均衡。2023 年10—12 月處于負向輕警區間，市場偏冷。

圖12 洋蔥價格波動趨勢示意圖Fig.12 Schematic diagram of onion price fluctuation trend

辣椒未來一年內價格呈先上升后下降的倒“V”型態勢（圖13），從2023 年1 月之前價格處于上升的趨勢，2023 年2 月之后價格接近直線下降的趨勢，預警結果顯示2022 年7—8 月、2023 年2—6 月處于負向重警區間，表示價格下跌過快，市場過冷；2022 年9 月至來年1 月處于正向重警區間，表示價格上漲過快，市場過熱；2023 年8—10 月市場偏冷，但11—12 月處于正向輕警區間，市場較熱。

圖13 辣椒價格波動趨勢示意圖Fig.13 Schematic diagram of the fluctuation trend of chili prices

4 結論與對策建議

4.1 主要結論

該文在對辛辣類蔬菜基本情況分析的基礎上，基于BP 神經網絡的價格波動預警模型，對辛辣類蔬菜價格進行短期預測預警，主要研究結論如下：

BP 神經網絡模型具有良好的價格預警性能。以大蒜等5 種主要辛辣類蔬菜價格波動為例進行實證研究，預測值和真實值誤差較小，整體趨勢基本吻合，即基于BP 神經網絡的辛辣類蔬菜價格預警模型能夠很好地滿足要求；同時依據訓練出的模型對未來一年蔬菜價格的整體趨勢進行評估，可以得到大蒜未來價格呈先下降后上升的深“U”型態勢；大蔥未來價格呈曲折下降的態勢；生姜未來價格呈先緩慢下降后上升的淺“U”型態勢；洋蔥未來價格呈先下降后平穩的態勢；辣椒未來價格呈先上升后下降的倒“V”型態勢。

4.2 對策建議

第一，加強價格預警，及時調控蔬菜市場。由新冠疫情的突然襲擊對中國辛辣類蔬菜價格波動造成的影響可見，加強監測預警對穩定辛辣類蔬菜價格具有必要性[12]。政府需強化對辛辣類蔬菜市場價格的監控，合理利用現代化的技術手段結合統計計量、大數據平臺、神經網絡等方法，時刻監控辛辣類蔬菜價格等變量的內在變動規律，隨時驗證、評估、調整各環節辛辣類蔬菜的供需情況，以準確預估未來變化趨勢，針對蔬菜價格波動的各個環節向生產者提供技術支持及產銷策略。

第二，加強政府扶持，鼓勵預警平臺建設。政府需鼓勵并主動扶持第三方蔬菜價格預警服務平臺，作為政府信息服務平臺的有效補充，如蔬菜商情網、大蒜產業鏈大數據平臺等相關網站并進行實時監管，以保證發布信息的權威可靠；按照市場機制建設“辛辣類蔬菜市場預警體系”，通過市場行為把辛辣類蔬菜農戶組織起來，建立實時動態的信息互動交流多媒體網絡平臺，以快速全面獲取行業的各種資訊與行情，如進行行情跟蹤、監測，發布各辛辣類蔬菜價格、庫存量、出口量、交易量等產業的相關信息，并根據預警趨勢做出對應的銷售策略指導，以減小價格波動幅度，確保蔬菜市場良性發展。

第三，采取不同措施，保障辛辣類蔬菜價格平穩。當預警信號顯示紅燈時，表現為辛辣類蔬菜價格急速上漲，政府應及時向菜農發布市場行情信息，加強對菜農生產的科學引導，避免農民盲目跟風種植；當預警信號顯示黃燈時，說明辛辣類蔬菜價格處于走高階段，需查明辛辣類蔬菜價格上漲的原因，制定相應解決措施并加以實施；當預警信號為綠燈時，說明該區域內辛辣類蔬菜價格水平合理，政府可根據市場情況，進一步健全辛辣類蔬菜市場監管機制；當預警信號顯示藍燈時，表明辛辣類蔬菜價格呈現下降趨勢，應及時尋找價格下降的具體原因，針對性地從各方面擊破問題；當預警信號顯示白燈時，則表示辛辣類蔬菜價格急劇下降，辛辣蔬菜行業陷入虧損，此時應放寬對辛辣類蔬菜市場的相關政策，適當加大收入補貼力度，保證蔬菜生產者的基本收益，維護市場秩序。