农产品价格趋势的数学建模和预测 余涛
农业行情的价格趋势预测
农业行情的价格趋势预测农业是国民经济中最基础、最重要的产业之一，其价格的波动对经济和社会稳定具有重要影响。
因此，准确预测农业行情的价格趋势对农民、政府以及市场参与者来说都是至关重要的。
本文将探讨农业行情价格的预测方法和工具，并提供一些应对价格波动的建议。
在预测农业行情的价格趋势时，有多种方法可以使用。
以下是一些常见的方法：1. 基于历史数据的统计分析：通过收集和分析过去的农业价格数据，可以发现价格的周期性和趋势。
这种方法基于假设，即过去的价格趋势可以反映将来的价格走势。
然而，这种方法的准确性可能受到数据的质量和完整性的限制。
2. 基于技术指标的分析：技术分析是根据市场数据，如价格图表、交易量和指标等，预测价格的方法。
例如，移动平均线、相对强弱指标（RSI）等技术指标可以帮助预测价格的趋势和拐点。
然而，技术指标仅仅是一种辅助工具，其准确性取决于数据的质量和分析者的经验。
3. 基于基本面分析的研究：基本面分析是通过研究供求关系、市场需求、气候状况以及政策等因素，来预测价格的趋势。
例如，如果某种农产品的生产量减少，而需求却持续增加，那么价格很可能会上涨。
基本面分析需要综合考虑多个因素，因此难度较大，但其准确性通常较高。
除了这些方法，还可以使用机器学习和人工智能等技术来预测农业行情的价格趋势。
这些技术可以通过分析大量的历史数据和其他影响因素，来进行模式识别和预测。
例如，利用神经网络算法和深度学习模型，可以对未来价格进行较为准确的预测。
然而，这些方法需要大量的数据和计算资源，并且对算法的选择和参数的调整也有一定的技术要求。
在面对农业行情价格波动时，市场参与者可以采取一些应对措施来降低风险和损失。
以下是一些建议：1. 多元化投资：不要把所有的鸡蛋放在一个篮子里，农产品市场的价格波动较大，投资者可以考虑将资金分散投资在不同的农产品或其他相关领域，以降低风险。
2. 关注市场新闻和相关信息：了解市场的供求关系、天气预报、政策变化等因素，可以帮助投资者更准确地预测价格变动，并适时调整投资策略。
农产品价格趋势的数学建模和预测余涛
农产品价格趋势的数学建模和预测———以玉米为例余涛（中南民族大学经济学院人口，资源与环境经济学专业）摘要: 从实际情况出发，以1979 年来我国农产品市场玉米价格的波动特征和规律为研究对象，主要运用计量经济模型中的多元线性回归法、加权最小二乘法、White 检验、D － W 检验、广义差分法以及EVIEWS 软件，量化分析蕴含在玉米价格波动里的经济特征，对玉米价格作出模拟和预测研究．结果表明，该模型有较好的应用价值。
关键词: 农产品价格; 趋势; 计量经济模型; 加权最小二乘法改革开放以来，由于党和国家一系列加强农业生产政策的落实及国内畜牧业生产发展的拉动，玉米生产持续增长．我国玉米种面积逐年递增，玉米播种面积和产量的增长对全国粮食的供给和畜牧业的发展起着举足轻重的作用．因此，研究玉米价格的波动有着非常重要的理论意义和现实意义。
我国农产品价格趋势的研究相对较晚，目前对现状分析、因素分析和价格的宏观面趋势变动研究较多，却对价格的形成机理以及价格趋势的建模预测方面并没什么大的进展。
本文的主要研究方法有计量分析法并结合因素分析法和实证分析法。
1 影响玉米价格的因素分析从微观经济学的角度来看，任何商品的价格都是由商品的供给和需求这两个因素共同决定的，包括玉米的供给、需求、库存以及相关商品的价格．另外，还有气候、经济周期、国家相关政策、消费者心理预期以及货币汇率等对农产品价格的影响也比较明显．2 模型的设定本文将对农产品价格与有关社会、经济因素之间的关系，建立计量经济学模型2． 1 被解释变量为了进行农产品价格趋势的预测，目标变量应为农产品价格． ( 用Yt来表示)2． 2 解释变量根据相关的经济理论和以往的经验，选定以下指标作为模型的解释变量: 国内生产总值( 用X1t表示) 、城镇居民人均可支配收入( 用X2t表示) 、城镇居民家庭人均食品消费支出( 用X3t表示) 、谷物生产价格指数( 用X4t表示) 、牲畜( 猪) 年底头数( 用X5t表示) ，所有数据来自《中国统计年鉴( 1980 ～2012) 》2． 3 确定计量经济模型Yt =β0+β1X1t+β2X2t+β3X3t+β4X4t+β5X5t+μt ( 1)3 参数估计用Eviews 估计结果为:Yt ^ =－180.956－0.407X1t－0.0729X2t + 0.3997X3t + 2.363X4t +4.9896X5t， ( 2)Std error = ( 181.956) ，( 1.1799) ，( 0.0483) ，( 0.174 3) ，( 0．366 9) ，( 6.3899) ，t = (－0.9946) ，(－0.3449) ，(-1.5107) ，( 2.2926) ，( 0.8211) ，Ｒ2 = 0.9890，Ｒ2 = 0.9870，F = 487.7158，DW = 1.4578．4 模型的检验及修正4． 1 经济意义检验根据实际情况初步判断国内生产总值( X1) 和城镇居民人均可支配收入( X2) 应与被解释变量成正比，可估计出来的结果却相反，与经济意义不符，应该去掉．4． 2 统计推断检验4． 2． 1 拟合优度回归结果中Ｒ2 = 0.9890，Ｒ2 = 0.9870，这说明模型对样本对的拟合很好．4． 2． 2 F 检验在给定显著水平α =0.05，在F分布表中查出自由度为k =5 和n－k－1=27 的临界值Fα( 5，27) =2.57，由表4中得到F =487.7158＞Fα( 5，27)=2.57，说明各解释变量联合起来确实对被解释变量有显著影响．4． 2． 3 t 检验给定显著水平α= 0.05，查t分布表得自由度为n－k－1 = 27 的临界值tα/2( n －k－1) = 2.052．再由回归结果可知,X1、X2和X5的t 统计值均不显著( 与临界值相比较),说明X1、X2和X5对Y的影响不显著,需要在后面的计量经济学检验中加以证明．4． 3 计量经济学检验4． 3． 1 多重共线性检验①检验: 由X1、X2和X5的t 统计值均不显著，且X1、X2符号的经济意义不合理，另外，由相关系数矩阵也可以看出，各解释变量之间的相关系数较高，认为解释变量间存在多重共线性．②修正: 采用逐步回归法对其进行修正，由于X1、X2不符合经济意义，首先剔除，分别作Y 与X3、X4和X5间的回归，逐步回归后，只剩下一个解释变量X4 ．4． 3． 2 异方差检验采用White检验法，得出nＲ2 = 13.8311，由White 检验知，在α= 0.05下，查χ2分布表，得临界值χ20.05( 5) = 11.0705，因为nＲ2 = 13.8311＞χ20．05( 5) = 11.0705,表明存在异方差．下面采用加权最小二乘法( WLS)对原模型进行回归，分别选用权数ω1 = 1/X4，ω2 = 1/X24，ω3 = 1/，如图1，经估计检验发现用权数ω2的效果最好．其估计结果如下:Yt ^ = 19.0236 + 3.0561X4t， ( 3)Std error =( 12.0922) ，( 0.0925) ，t = ( 1.5732) ，( 33.0251) ，Ｒ2 = 0.9920，Ｒ2 = 0.9917，F=1090.656，DW = 1.1317．可得nＲ2 = 3.6077，所以运用加权最小二乘法确实消除了异方差，参数的t 检验均显著，F检验也显著．4． 3． 3 序列相关检验①检验: 在0.01 显著水平下，查DW 统计表可知，dL = 1.172，dU = 1.129 1．模型中DW＜dL，显然模型中有自相关．另外,由图2可以看出，残差的变动有系统模式，连续为正和连续为负表明残差项存在一阶正相关．②补救: 为解决该问题，选用科克伦－奥克特迭代法．得回归方程:e^t = 0.4335et－1 (4)由式( 4)可知ρ^ = 0.433509,对原模型进行广义差分，得到广义差分方程:Yt－0.4335Yt －1 =β1(1－0.4335)+β2( Xt－0.433 5Xt -1)+vt (5)图1 用权数W2的结对式( 5) 的广义差分方程进行回归，得结果如下:Y*t^ =21.9749+3.0113X*t， ( 6)Std error =(24.7791) ,(0.1047) ，t =(0.8868) ，(28.7621) ，Ｒ2 = 0.965 0，Ｒ2 =0.9638，F = 827.2556，DW = 2.1065．其中，Y*t = Yt－0.4335Yt－1，X*t = Xt－0.4335Xt－1 ．由于使用了广义差分法数据，样本容量减少了1个，为32个．查1%显著水平的DW的统计表可知dL= 1.160，dU = 1. 282，模型中dU ＜DW = 2.1065 ＜ 4－dU，说明在1%显著水平下广义查分模型中已无自相关,不必再进行迭代．同时可见,可决系数Ｒ2、t和F 统计量均达到理想水平．5 模型的预测及经济解释5． 1 模型的预测由《中国统计年鉴2013》可知，2012 年谷物生产价格指数为104．8，即累计值为798.49 ( 1979年为100) ，把它代入模型( 即式(6) ) 可得2012年我国玉米价格的预测值为:Y ^12 = 21.9749+3.0113×798.49 = 2426.47( 元/吨) ． ( 7)而2012 年中国玉米价格的实际值为Y12= 2430.74( 元/吨) ，绝对误差为Ea( Y12)= 4.27( 元/吨) ,相对误差仅为Er(Y12) = Y ^ 12－Y12Y12=0.18% ＜5%．由中国经济统计数据库的数据可知2013年谷物生产价格指数为102.3，累计值为816.86，代入模型可得预测值为:Y ^ 13 = 2481.79(元/吨) ，实际值为Y13 =2 409．97( 元/吨) ，绝对误差为Ea( Y13) = 71．82( 元/吨) ，相对误差为Er(Y13) = 2.98% ＜5%，中国国务院总理李克强于2014 年3 月5 日所作的政府工作报告显示: 2014 年中国国内生产总值增长预期目标设定为7． 5%左右．根据中国社会科学院预测科学研究中心发布的“2014 年中国经济预测”显示，预计2014 年我国第一产业增加值增速约为3.6%．根据以上信息，可以推断出2014 年我国谷物生产价格指数同比增长3.5%左右，即累计值为845.45，代入模型式( 即式(6)) ，可得2014年我国玉米价格的预测值为:Y ^14 = 21.9749+3.0113×845.45=2567.88(元/吨) ．5． 2 模型的经济解释该模型的结果表明，谷物生产价格指数和玉米价格呈正相关，从式(6)可以看到,谷物生产价格指数(1979年= 100)每增长1%，平均说来玉米价格会增长3．011 3．这一理论分析和经验判断相一致，可以用于玉米价格预测．6 总结本文重在遵循“假设－检验－修正－再假设－再检验－再修正……”这样一个循环求优的过程．如果简单的把第一步回归的结果( 即式( 2))作为最终的模型结果，势必会助涨模型误差的升级，根本达不到理想的结果．所以，本文尤其注重对模型的检验与修正，使最终的结果有很强的说服力．同样，该模型也可以用于其他农产品价格的预测，为相关企业提供参考依据．参考文献:［1］王素雅．农产品短期价格分析及预测方法选择———以北京新发地批发市场苹果为例［D］．北京: 中国农业科学院，2009: 1 － 10．［2］戴春芳，贺小斌，冷崇总．改革开放以来我国粮食价格波动分析［J］．价格月刊，2008( 6) : 1 － 5．［3］李华．农产品价格波动的影响因素及趋势分析———基于供应链视角［D］．长春: 吉林大学，2013: 2 － 6．［4］高鸿业．西方经济学( 微观部分) ［M］．北京: 中国人民大学出版社，2010: 17 － 51．。
农产品价格预测方法及其预测服务设计
农产品价格预测方法及其预测服务设计引言农产品价格作为农业市场的核心指标之一，对农民、农贸市场和农业企业等都具有重要的意义。
然而，由于农产品价格受多种因素的影响，其波动性较大，给相关方带来不小的不确定性。
因此，设计一种可靠的农产品价格预测方法，并基于该方法开发预测服务，将为相关方提供有价值的决策依据。
1. 农产品价格预测方法1.1 基于时间序列分析的方法时间序列分析是一种常用的预测方法，其基本原理是通过分析时间序列数据的历史模式，预测未来一段时间的发展趋势。
在农产品价格预测中，可以使用ARIMA模型、指数平滑模型等基于时间序列的方法。
•ARIMA模型：ARIMA模型是一种自回归移动平均模型，通过分析时间序列数据的自相关性和移动平均性，对未来价格进行预测。
ARIMA模型可以灵活地适应不同的时间序列数据特征，但需要对模型参数进行合理选择和调整。
•指数平滑模型：指数平滑模型是一种基于加权平均的方法，通过对历史数据进行指数权重的计算和调整，预测未来价格。
指数平滑模型简洁易用，对不同的时间序列数据均有较好的适应性，但对异常值的处理相对较差。
1.2 基于机器学习的方法机器学习方法在农产品价格预测中也有广泛应用，通过对大量历史数据的学习和模式识别，建立预测模型并进行预测。
常见的机器学习方法包括决策树、支持向量机、神经网络等。
•决策树：决策树是一种基于树形结构的分类与回归模型，通过构建决策树来进行预测。
决策树具有解释性强、易于理解和实现的特点，对于农产品价格预测可以根据历史数据的特征构建决策树模型，从而进行预测。
•支持向量机：支持向量机是一种常用的分类和回归方法，通过找到样本间的最优超平面来进行预测。
支持向量机具有良好的泛化能力和鲁棒性，可以适用于不同类型的农产品价格预测问题。
•神经网络：神经网络是一种模仿人脑神经系统结构和工作规律的算法模型，通过构建多层神经网络进行预测。
神经网络适用于对非线性和复杂关系的建模与预测，对于农产品价格预测具有一定的优势。
农林经济管理的农产品价格预测模型研究
农林经济管理的农产品价格预测模型研究近年来，农林经济管理在我国的发展日益重要。
其中，农产品价格的波动对于农林经济管理起着至关重要的作用。
因此，研究农产品价格预测模型成为了当前农林经济管理领域的热点问题之一。
本文将探讨农林经济管理中的农产品价格预测模型研究。
一、农产品价格预测模型的意义农产品价格的波动对于农民、农业企业以及政府决策者都具有重要意义。
对农民而言，准确预测农产品价格可以帮助他们制定合理的种植和销售策略，从而获得更好的经济效益。
对农业企业而言，农产品价格预测模型可以帮助他们在市场上把握机会，提前调整生产规模和销售策略，以避免价格波动带来的损失。
对政府决策者而言，农产品价格预测模型可以提供决策依据，帮助他们制定相关政策，保障农产品市场的稳定和农民的收入。
二、农产品价格预测模型的研究方法农产品价格预测模型的研究方法可以分为传统统计方法和机器学习方法两大类。
1. 传统统计方法传统统计方法主要包括时间序列分析、回归分析和指数平滑等。
时间序列分析是通过对历史数据进行分析，寻找其中的趋势和周期性规律，从而预测未来的价格走势。
回归分析则是通过建立农产品价格与其他相关变量之间的关系模型，来预测未来的价格。
指数平滑方法则是利用历史数据中的加权平均数来预测未来的价格。
2. 机器学习方法机器学习方法则是近年来兴起的一种新的研究方法。
它通过对大量的历史数据进行学习和分析，从中挖掘出隐藏的规律和模式，以预测未来的价格走势。
机器学习方法的优势在于能够处理大规模的数据，并且能够自动学习和适应不同的市场环境。
三、农产品价格预测模型的应用案例农产品价格预测模型已经在实际应用中取得了一些成果。
例如，某研究团队利用时间序列分析方法，对大豆价格进行了预测。
他们通过对历史数据的分析，发现大豆价格存在一定的季节性波动规律，并且能够通过建立合适的模型来预测未来的价格走势。
另外，某农业企业利用机器学习方法，对玉米价格进行了预测。
他们通过对大量的历史数据进行学习和分析，发现玉米价格与气象因素之间存在一定的关系，并且能够通过建立合适的模型来预测未来的价格走势。
基于FIG_SVM的农产品价格趋势预测
摘要： 针对传统预测方法对长时预测效果不理想且无法做到趋势预测的问题， 提出了一种基于 FIG － SVM 的农产 品市场价格预测方法 。利用粒化计算的思想将农产品市场价格序列提升到上层粒度序列， 通过 SVM 对新形成的粒化 序列进行预测， 形成预测区间， 最后根据实测值与预测值的对比结果判断预测方法的优劣 。以全国大豆市场平均价格 作为试验数据， 结果表明， 该方法预测精度较高， 能够应用于实际场景。 关键词： FIG － SVM； 模糊信息粒化； 支持向量机； 农产品价格； 趋势预测 中图分类号： F304． 3 文献标志码： A 文章编号： 1002 － 1302 （ 2014 ） 05 － 0385 － 03
A （ x i ） ； （ 2 ） 模糊粒 子能够合理地代表原始数据， 即最大化 ∑ i =1 子要有一定的特殊性， 也就是最小化模糊集 A 的支撑， 即最小 化|b － a|， 其中 b 和 a 分别是模糊集 A 的支撑边界。 通过以上基本思想得到如下优化函数： ∑ A（ x i ） Q=
i =1 k
0 x －a m－a A（ x ， a， m， n， b ） = 1 b － x b － n 0
x≤a x∈（ a， m］ x ∈ （ m， n］ x∈（ n， b］ x＞b （ 1）
n 为梯形模糊粒子的核， a 为梯形模糊粒子的下边 其中： m、 b 为梯形模糊粒子的上边界， 界， 且 0 ＜ a ＜ m ＜ n ＜ b。 2 FIG － SVM 预测模型 SVM 的基本思想是将低维不可划分的数据提升到高维 空间进行处理， 即通过内积函数定义的非线性映射将低维输 入空间提升到一个高维空间， 在高维空间中寻找输入变量和 输出变量之间的非线性关系。 具体步骤为： 给定一个训练样 x i ∈Ｒ d ， i = 1， 2， …， l｝ ， yi ） ， y i ∈Ｒ， 本集 S = ｛ （ x i ， 其中 l 为训练 d 为样本数据的属性维数。 SVM 的目标是寻找 样本的个数， T x 是样本输入 最优回归函数： y = w x + b， 其中 w 为权重向量， b 为偏移量。这个问题可以转化为如下二次规划问题： 数据， n 1 min w T w + c∑（ ξ i + ξ * i ） i =1 2 s． t．
农业行情预测与农产品价格变动分析
农业行情预测与农产品价格变动分析农业是国民经济的重要支柱，农产品价格的变动与农业行情的预测关系密切。
本文将从农业行情预测与农产品价格变动两个方面进行分析，旨在提供有关农业行情的信息，以帮助农民、政府和相关从业者做出正确的决策。
一、农业行情预测农业行情预测是指通过对农产品供求、生产成本、国内外市场等多方面的数据进行分析，利用统计学和经济学方法来预测未来一段时间内的农产品市场走势。
以下是几种常用的农业行情预测方法：1. 季节性模型预测法：根据农产品的季节性特征和历史价格数据，通过建立数学模型进行预测。
例如，对于夏季的水果，可以通过分析往年同期的价格变动来预测未来的价格走势。
2. 时间序列分析法：通过分析农产品价格在时间上的变化规律，如趋势、周期和季节性，利用统计学方法来预测未来的价格走势。
这种方法常用于对农产品价格短期内的预测。
3. 结构模型法：结合宏观经济因素和农产品市场的供求关系，建立经济模型进行预测。
这种方法适用于对农产品价格长期走势的预测。
通过以上不同的预测方法，可以为农产品的生产、销售和价格调控等提供有参考价值的信息，帮助农业从业者做出合理的决策。
二、农产品价格变动分析农产品价格的变动是受多个因素综合影响的结果，以下是几个常见的农产品价格变动的因素：1. 季节性供求变动：农产品的供求受季节因素的影响较大。
例如，夏季水果的价格通常会较春季和秋季高，因为夏季是水果丰收的季节。
2. 大宗商品市场变动：农产品价格受到大宗商品市场价格的影响。
原油价格、气候灾害、汇率波动等因素会对农产品价格产生较大影响。
3. 政策因素：政府对农业的政策调控也会对农产品价格产生影响。
例如，政府对农业补贴、税收政策、进出口限制等的调整都会对农产品价格产生直接或间接的影响。
4. 生产成本变动：农产品的生产成本包括土地租金、种子费用、农药费用等，这些成本的变动会直接影响农产品的价格。
综上所述，农业行情预测和农产品价格变动是相互关联的。
农产品收益的模型分析与预测
农产品收益的模型分析与预测随着农业现代化的推进和农产品市场的不断发展，农产品收益的模型分析与预测变得越来越重要。
通过建立合理的模型，可以帮助农民和农业企业更好地了解农产品市场的变化趋势，从而做出更准确的决策。
本文将介绍农产品收益的模型分析与预测的方法和步骤，并以某农产品为例进行实际分析。
一、数据收集与整理要进行农产品收益的模型分析与预测，首先需要收集相关的数据。
这些数据可以包括农产品的产量、价格、销售量等信息。
可以通过调查问卷、统计数据、市场报告等渠道获取这些数据。
收集到的数据需要进行整理和清洗，确保数据的准确性和完整性。
二、建立模型建立农产品收益的模型是进行分析与预测的基础。
常用的模型包括时间序列模型、回归模型、灰色模型等。
选择合适的模型需要根据具体的情况和需求来决定。
在建立模型时，需要考虑到农产品收益的影响因素，如气候、市场需求、政策等。
同时，还需要考虑到模型的可解释性和预测的准确性。
三、模型分析与预测在建立好模型之后，可以进行模型的分析与预测。
首先，可以通过模型对历史数据进行拟合，评估模型的拟合程度。
然后，可以利用模型对未来的农产品收益进行预测。
预测的结果可以帮助农民和农业企业制定合理的生产计划和销售策略。
同时，还可以通过对模型的分析，了解农产品收益的变化趋势和影响因素，为农业发展提供参考。
四、模型评估与优化模型的评估与优化是模型分析与预测的重要环节。
通过对模型的评估，可以了解模型的准确性和稳定性。
常用的评估指标包括均方根误差、平均绝对百分比误差等。
如果模型的预测结果与实际情况存在较大偏差，需要对模型进行优化。
优化的方法可以包括调整模型参数、增加影响因素等。
五、实例分析以某农产品为例，假设我们要对该农产品的收益进行分析与预测。
首先，我们收集了该农产品的产量、价格和销售量等数据。
然后，我们选择了时间序列模型进行分析与预测。
通过对历史数据的拟合，我们得到了一个较好的模型。
接下来，我们利用该模型对未来的农产品收益进行了预测。
中国农业发展的数学模型
中国农业发展的数学模型农业发展的数学模型通常涉及的因素包括耕地面积、作物生产效率、农产品价格、农业投入和产出、市场需求等。
以下是一个简单的数学模型示例。
假设我们要分析其中一算数，我们可以首先对其天然条件进行测量。
比如说，我们可以测量该地区的耕地面积、土地质量、气候水资源等。
假设这些因素对农产品的产量有影响，我们可以将这些因素用数学式子表示出来，比如：产量=a×耕地面积+b×土地质量+c×气候水资源其中a，b，c是经验参数，代表了相应因素对产量的影响程度。
这样，我们就可以通过测量和计算，得到该地区的预期农产品产量。
接下来，我们可以考虑农产品的价格和市场需求对农业发展的影响。
假设农产品的价格和市场需求是决定农民投入和农业发展的因素之一，我们可以将其考虑进模型中，比如：农业发展=d×价格+e×市场需求其中d，e是经验参数，代表了价格和市场需求对农业发展的影响程度。
这样，我们就可以通过测量和计算，得到该地区的预期农业发展水平。
此外，我们还可以考虑其他因素的影响，比如农业投入和产出的关系，农业技术的进步，政府农业政策的调整等。
将这些因素加入模型中，可以进一步提高模型的准确性和可预测性。
当我们获得了各个参数的数值，并将其代入模型中进行计算时，就可以得到农业发展的预测结果。
通过比较不同参数值的情况，我们可以评估不同的农业政策对农业发展的影响，并为政府提供科学的决策依据。
需要指出的是，农业发展数学模型是一个非常复杂和综合的系统，其中涉及的因素众多且相互关联。
因此，在建立数学模型时，需要进行充分的数据收集和分析，在模型中合理地考虑各个因素之间的相互关系和影响，以提高模型的准确性和可靠性。
总之，农业发展的数学模型是一种非常重要的工具，可以帮助我们深入了解农业生产过程中的各种因素和相互作用，指导农业发展政策的制定和决策。
通过建立和应用这些模型，我们可以为实现农业的可持续发展和提高农民收入做出更好的贡献。
农产品市场价格短期预测方法与模型研究_基于时间序列模型的预测
。主要模型包括: 自回归模型
、 VAR 模 型
[ 13]
[ 8]
、
( AR) 、 移动平均模型 ( M A) 、 自 回归移动平均模型 ( ARMA) 或差分自回归移动平均模型 ( ARIM A 或 SARIM A) 。
、 GARCH 模 型
[ 17]
。当既有某种上升或下降趋势, 又
存在季节性波动时, 需要加入季节虚拟变量。常用 方法有截距变动模型、 斜率变动模型、 截距和斜率同 时变动模型。 2) 季节分解法。将影响时间序列变化的因素分 为 4 种: 长期趋势因素 ( tr end, T ) , 表示随着时间变 化按照某种规律稳步上升、 下降或保持在某一水平 上; 季节变动因素 ( seaso nal, S ) , 表示在 1 个年度内 依一定周期规律性变化 ; 循环变动因素 ( circle, C ) , 表示以若干年为周期的变动变化; 不规则变动因素 ( irr eg ular, I ) , 表示不可控的偶然因素 , 如地震、 水 灾、 恶劣天气、 罢工和意外事故等 T + S + C+ I ) 。 3) 指数平滑法。以本期实际数和本期预测数为 基础 , 引入 1 个简化加权因子 ( 平滑系数 ) 的一种指 数平滑预测法。常用的指 数平滑法有单 指数平滑 法、 双指数平滑法、 Brow n 二次 ( 或高次 ) 多项式指 数 平 滑 法、 H olt er Wint ers 非 季 节 模 型、 H olt er Winters 季节乘法模型和 H olt er Wint ers 季节加法 模型 [ 18] 。 4) Box Jenkins 法。如果时间序列是非平稳的, 先将序列变成平稳序列 , 变化后的新序列仍保持原 时间序列的随机性
农产品价格趋势的数学建模和预测——以玉米为例
农产品价格趋势的数学建模和预测——以玉米为例
王万
【期刊名称】《许昌学院学报》
【年(卷),期】2014(033)005
【摘要】从实际情况出发,以1979年来我国农产品市场玉米价格的波动特征和规律为研究对象,主要运用计量经济模型中的多元线性回归法、加权最小二乘法、White检验、D-W检验、科克伦-奥克特迭代法、广义差分法以及EVIEWS软件,量化分析蕴含在玉米价格波动里的经济特征,对玉米价格作出模拟和预测研究.结果表明,该模型有较好的应用价值.
【总页数】4页(P20-23)
【作者】王万
【作者单位】肇庆学院数学与统计学院,广东肇庆526061
【正文语种】中文
【中图分类】F224;F323.7
【相关文献】
1.基于 FIG -SVM 的农产品价格趋势预测 [J], 赵辰阳;徐明
2.玉米降大豆升2017年主要农产品价格运行趋势分析 [J], 农业部信息中心信息分析团队
3.基于关联分析模型的农产品价格趋势预测 [J], 姚哲
4.农产品价格趋势及预测 [J], 中国人民银行调查统计司课题组
5.农产品价格波动聚集特征验证及趋势预测 [J], 夏冰
因版权原因，仅展示原文概要，查看原文内容请购买。
数学建模A题中国农业发展方向的数学模型要点
承诺书我们仔细阅读了中国大学生数学建模竞赛的竞赛规则。
我们完全明白，在竞赛开始后参赛队员不能以任何方式（包括电话、电子邮件、网上咨询等）与队外的任何人（包括指导教师）研究、讨论与赛题有关的问题。
我们知道，抄袭别人的成果是违反竞赛规则的，如果引用别人的成果或其他公开的资料（包括网上查到的资料），必须按照规定的参考文献的表述方式在正文引用处和参考文献中明确列出。
我们郑重承诺，严格遵守竞赛规则，以保证竞赛的公正、公平性。
如有违反竞赛规则的行为，我们将受到严肃处理。
我们参赛选择的题号是（从A/B/C/D中选择一项填写）：我们的参赛报名号为（如果赛区设置报名号的话）：所属学校（请填写完整的全名）：参赛队员（打印并签名）：1.2.3.指导教师或指导教师组负责人（打印并签名）：日期：2012年9月10日赛区评阅编号（由赛区组委会评阅前进行编号）：编号专用页赛区评阅编号（由赛区组委会评阅前进行编号）：全国统一编号（由赛区组委会送交全国前编号）：全国评阅编号（由全国组委会评阅前进行编号）：中国未来农业发展方向数学模型摘要改革开放以来，我国在农业发展上取得了很大的成就。
然而，进入新世纪以来，农业的发展速度开始放缓，中国农业面临一系列严峻的挑战。
本文以中国农业发展方向为研究对象，分析了我国农业发展的影响因素，建立了几种粮食产量的数学模型，并以此分析了我国农村目前的状况以及粮食分布特征，最后对我国农业未来发展方向提出了建议。
针对问题一，我们采用层次分析法研究农村亟待解决的几个问题对我国未来农业发展的影响大小，首先确定了目标层、准则层和方案层中的各个指标，然后构造出成对比较矩阵,利用Matlab软件通过一致性指标，最后确定出这几个问题对我国未来农业发展影响大小的顺序为：（1）>（2）>（4）>（3）。
针对问题二，为了对我国未来三年主要粮食水稻、小麦、玉米、豆类、薯类产量的预测，查找中国统计年鉴，整理归纳出2006-2011年的主要粮食产量，通过建立的灰色预测模型，利用DPS9.50软件对2012-2014年主要粮食产量进行预测，得出了较为满意的预测结果。
农产品价格波动预测模型研究
农产品价格波动预测模型研究随着我国农业生产和流通方式的改变，农产品价格波动已成为一个严重的问题，对农民、农业企业以及社会经济都造成了影响。
为了有效地解决这一问题，在现代科学技术的支持下，许多学者和专家通过不断的实践和研究，开展了针对农产品价格波动的预测模型研究。
一、农产品价格波动的影响农产品价格波动不仅对农民生产带来较大压力，也对整个社会造成较大损失。
当农产品价格高涨时，虽然农民会获得较多的收益，但当价格走低时，他们往往面临较大的苦难。
此外，农产品价格波动对于农业生产和销售提出了更高的要求。
二、农产品价格波动预测的意义对农产品价格波动进行预测，可以预先掌握农产品价格的变动趋势。
这样不仅可以有效地指导农民种植和销售，减少农业生产浪费和失利，而且对于进一步稳定农产品市场价格也有一定的积极作用。
因此，农产品价格波动预测的研究已成为农业生产者所关注的问题之一。
三、农产品价格波动预测模型的研究1. 时间序列模型在农产品价格波动的研究中，时间序列模型是较为常见的一种方法。
这种方法根据不同的时期，通过记录在一定时间内过去的价格信息，然后根据时间变化的规律来进行预测。
时间序列模型可分为两种，一种是马尔可夫时间序列模型，一种是持久时间模型。
马尔可夫时间序列模型将未来的价格值看成是当前的值的线性组合，而持久时间模型则将未来价格的变化看成是过去价格变化的加权平均。
这两种方法虽然都基于时间序列模型，但具体模型的选择还需要结合实际情况进行考量。
2. 神经网络模型神经网络模型是近年来较为流行的一种农产品价格波动预测方法。
它是将实际数据输入到神经网络中，并通过神经网络的训练，使网络对未来的价格走势进行预测。
神经网络模型使用的数据类型包括历史价格、影响价格的因素和价格的预测值等，各个因素之间的关系可以通过网络的学习来得到。
神经网络模型的特点在于其对于非线性模型的适应性较强。
同时，该模型也积极参与了农业生产中的数据采集、信息分析和决策支持等方面。
农产品价格数据挖掘与趋势预测模型的研究的开题报告
农产品价格数据挖掘与趋势预测模型的研究的开题报告一、研究背景与意义随着我国农业现代化进程不断加快，农业生产商业化程度不断提升，以及国内外市场的快速变化，农产品价格波动越来越频繁，对于全国的农业生产、生活和国民经济发展都产生了深远影响。
因此，通过对农产品价格数据进行挖掘和分析，提取其中的规律和趋势，建立科学合理的农产品价格预测模型，将对于解决农产品价格波动、农业经济增长等问题具有重要意义。
二、研究现状目前，国内外已经涌现了很多关于农产品价格预测的研究。
国内的研究多以蔬菜、水果等农产品为主，采用时间序列、灰色模型等方法进行研究。
国外的研究相对来说较早，但是研究的领域较为广泛，涉及到肉类、乳制品等多个类别，采用的预测模型多为VAR模型、GARCH模型等。
三、研究内容与方法本项目将以我国所涉及的主要农产品，包括谷物、油料、豆类、蔬菜、水果及畜禽肉类等为研究对象，采用时间序列分析、回归分析等方法，对现有的农产品价格数据进行挖掘和分析，提取其中的规律和趋势，建立科学合理的农产品价格预测模型，并对于预测结果进行分析和比对，探讨其可行性和应用效果。
四、研究计划本项目拟分为以下几个阶段进行:1）调研和文献综述。
对于国内外关于农产品价格预测的研究进行详细调查和分析，了解各种方法的优缺点和适用范围。
2）数据收集和处理。
收集我国所涉及的主要农产品价格数据，对其进行清洗和处理，得到规范化的数据集。
3）数据分析和模型建立。
采用时间序列分析、回归分析等方法对于数据集进行分析，并建立相应的预测模型。
4）模型比对和结果分析。
将各种模型的预测结果进行比对和分析，并探究其可行性和应用效果。
5）撰写毕业论文。
五、预期成果和社会贡献通过本项目的研究，我们将能够建立科学合理的农产品价格预测模型，为加强我国农业生产和维护农民利益提供科学依据和支撑。
同时，该项目的完成也将对于国内外农产品价格预测领域的研究工作具有重要参考价值。
农林经济管理的农产品价格预测模型
农林经济管理的农产品价格预测模型近年来，农林经济管理领域的农产品价格预测模型逐渐受到关注。
农产品价格的波动对于农民、农业企业和政府都具有重要影响，因此准确预测农产品价格变动越来越成为一个迫切的需求。
本文将探讨农林经济管理中的农产品价格预测模型，并分析其应用和局限性。
农产品价格预测模型主要基于历史数据和相关因素进行建模。
首先，模型需要收集大量的历史价格数据，以了解农产品价格的变动规律。
其次，模型还需要考虑与农产品价格相关的因素，例如气候、市场需求、政策调控等。
通过分析历史数据和相关因素，模型可以建立数学模型来预测未来的农产品价格。
农产品价格预测模型的应用广泛。
首先，农民可以利用该模型来做出更明智的农业生产决策。
例如，如果模型预测到某一农产品价格将上涨，农民可以增加该产品的种植面积，以获取更高的利润。
其次，农业企业可以利用该模型来优化供应链管理。
通过预测农产品价格，企业可以更好地调整生产计划和库存管理，以应对市场需求的变化。
最后，政府可以利用该模型来指导农产品价格调控政策。
通过预测农产品价格的走势，政府可以采取相应的措施来稳定市场，保障农民的利益和粮食安全。
然而，农产品价格预测模型也存在一些局限性。
首先，模型的准确性受到数据质量和数据量的限制。
如果历史数据不完整或者存在噪音，模型的预测结果可能不准确。
其次，模型无法考虑到所有的因素。
农产品价格受到多种因素的影响，例如自然灾害、国际贸易政策等，这些因素难以完全纳入模型中。
最后，模型的长期预测能力有限。
由于农业市场的复杂性，长期预测农产品价格的准确性较低，需要结合其他因素进行综合分析。
为了提高农产品价格预测模型的准确性和实用性，可以采取一些措施。
首先，加强数据质量和数据量的管理。
收集更全面、准确的历史数据，同时利用现代技术手段进行数据清洗和处理，以提高模型的准确性。
其次，建立多因素综合模型。
除了考虑价格相关的因素，还可以引入其他因素，例如市场需求、竞争对手的行为等，以提高模型的预测能力。
农业行情的价格分析与趋势预测
农业行情的价格分析与趋势预测近年来，随着人口的增长和经济的发展，农业行业的价值越来越被人们所关注。
对于农产品的价格分析和趋势预测，对农民、农业企业和政府机构来说都具有重要的意义。
本文将对农业行情的价格分析和趋势预测进行探讨，以帮助读者更好地了解农业行情的变动趋势。
首先，对于农业行情的价格分析，我们可以从多个方面进行考量。
一方面，我们可以通过历史数据的分析，来了解农产品价格的变动规律和趋势。
通过对过去多年的价格数据进行分析，我们可以发现一些周期性的价格波动。
例如，某些农产品的价格在季节变化、节假日和天气因素等方面会有较大的波动。
此外，我们还可以考虑经济形势的影响。
例如，经济放缓时，需求下降导致价格可能下跌，而经济复苏时，需求上升可能引发价格上涨。
通过对这些因素的综合分析，我们可以更好地预测农产品价格的变动趋势。
另一方面，我们还可以通过分析供需关系来预测农产品的价格趋势。
供给与需求是决定商品价格的关键因素之一。
在农业行情中，供求关系也是影响价格的重要指标。
当农产品供大于求时，价格往往下跌；相反，当需求大于供应时，价格往往上涨。
因此，对农业行情的供求关系进行全面的分析对于预测价格趋势具有重要意义。
除了价格分析，趋势预测也是农业行情分析的重要环节。
通过趋势预测，我们可以预测未来一段时间内农产品价格的变动趋势，帮助农民和农业企业做出更好的决策。
趋势预测可以通过多种方法实现，如基于技术分析和基本面分析。
技术分析主要依靠图表和指标，通过观察价格图表的形态和趋势线的变化，来预测价格的未来走势。
而基本面分析则是基于供求关系、宏观经济数据和政策因素等，通过对这些因素的分析来预测价格的变动趋势。
然而，需要指出的是，农业行情的价格分析和趋势预测并非是一件易事。
农业行情受多个因素的共同影响，包括天气变化、市场需求、政策调整等。
同时，由于农产品的特殊性，其价格波动通常较为剧烈，存在较大的不确定性。
因此，我们在进行价格分析和趋势预测时，需要综合考虑各种因素，并进行严谨的分析。
农业行情的价格波动因素与预测模型
农业行情的价格波动因素与预测模型农业行情的价格波动是农业市场中一直存在的现象。
价格波动对农民、农业企业和相关行业都产生着重大影响。
了解价格波动的因素并进行合理的预测，对农业市场参与者制定决策和规避风险非常重要。
因此，本文将探讨农业行情价格波动的主要因素，并介绍一些常用的价格预测模型。
农业行情的价格波动受多种因素影响。
以下是一些常见的因素：1. 季节因素：季节变化是农业行情价格波动的主要因素之一。
例如，在种植季节，农产品的供应量增加，导致价格下降；而收获季节农产品供应减少，价格上涨。
2. 大宗商品市场：大宗商品市场的价格变动会对农产品价格产生影响。
例如，石油价格的波动会影响农产品的运输成本，进而影响产品的价格。
3. 天气因素：天气情况对农业生产有直接影响，进而影响农产品价格。
干旱、洪涝等极端天气情况可能导致农产品减产，价格上涨。
4. 政府政策：政府的农业政策也会对农产品价格波动产生影响。
补贴政策、关税调整以及贸易协定的签订都可能导致价格波动。
5. 市场需求：市场需求是农产品价格波动的重要因素之一。
随着人口增长和经济发展，对农产品的需求可能增加或下降，进而影响价格。
为了合理预测农业行情的价格波动，许多经济学和统计学模型被广泛使用。
以下是一些常用的价格预测模型：1. 趋势分析模型：趋势分析模型基于历史价格数据，通过识别和分析价格变化的趋势来预测未来价格的变动。
常见的趋势分析方法包括移动平均线和趋势线等。
2. 季节调整模型：季节调整模型将季节性因素考虑在内，通过历史价格数据对价格进行季节性调整，预测未来的价格趋势。
3. 基本面分析模型：基本面分析模型通过分析供需关系、产量和消费等基本因素来预测价格波动。
这些模型将调查农产品市场的供应和需求情况，并结合宏观经济因素进行分析。
4. 时间序列模型：时间序列模型使用时间序列数据来预测价格波动。
它基于过去的价格和其他相关指标的历史数据，通过时间序列分析来预测未来价格的趋势和波动。
农产品价格的风险评估和控制-数学建模竞赛论文
2016“中天钢铁杯”东北大学数学建模竞赛题目：农产品价格的风险评估和控制【摘要】2013年下半年以来，大蒜价格一路上扬，在有些地方，甚至超过了肉价，愈演愈烈的蒜价己引起了各方面的关注，新闻媒体也炒得沸沸扬扬。
当前，必须冷静、理性地分析大蒜价格暴涨的原因，采取有效应对措施，才能使我国大蒜产业得到健康稳定持久的发展，也避免类似情况的反复发生。
在不考虑市场资本的人为干预，本文通过MATLAB的拟合工具箱，得到劳动力成本等因素对价格影响的关系表达式，然后通过综合回归分析，比较个因素对大蒜价格的影响程度大小，得到自由竞争的大蒜价格计算模型。
当考虑市场资本的人为干预，需要对前面的大蒜价格计算模型进行调整，建立整个生产和销售不同环节的个体收益数学模型，，计算不同实际情况下的合理价格，通过与实际情况比较判断模型的准确性。
在市场经济条件下，大蒜价格的大幅度上涨，必然会吸引资本进入甚至炒作，大蒜贮藏商为了自身利益的需要而蓄机待价销售，对大蒜价格暴涨起了推波助澜的作用，但这也是资本的本性所决定的。
为了稳定大蒜价格，本文提出了一种基于BP神经网络的大蒜价格预测方法，方便政府了解大蒜价格走势，采取对应的价格稳定措施。
最后本文给政府和蒜农分别写了一份总结报告，对政府管控农产品价格以及蒜农减少经济损失提出了建议。
关键词：BP神经网络曲线拟合回归分析一、问题重述1.1问题背景商品价格的波动是正常的，然而最近几年出现的大宗农产品价格波动却己经远远超出了人们的预期。
如2013年以来出现的大蒜、生姜等多种农业产品的价格周期性“疯涨”。
然而，这种价格的暴涨、暴跌是不健康的，暴涨会引起全社会的连锁反应;而暴跌则导致许多农户难以回本，严重的影响了农业的健康、稳健发展。
因此，价格稳定在合理范围内是非常重要的。
1.2问题提出仅以大蒜为例来提出问题，同学们可以根据兴趣，以其它农业产品作为研究对象建立数学模型并进行求解：1)请你查阅相关资料，分析得到影响大蒜产品价格的主要影响因素，并建立自由竞争下商品价格的数学模型。
农产品价格预测及市场供需预测模型的构建
农产品价格预测及市场供需预测模型的构建农产品是人类的生活必需品，其价格波动直接影响到农民的收入和消费者的生活成本。
在市场经济中，农产品价格的波动往往受到供求关系的影响。
因此，准确预测农产品价格和市场供需情况对于农民和政府制定农业政策都具有重要意义。
本文将探讨农产品价格预测和市场供需预测的模型构建方法。
农产品价格预测的模型构建是一个复杂的任务，需要综合考虑诸多因素，包括供需关系、产量变动、天气条件、市场趋势等等。
其中，历史价格数据是构建预测模型的重要基础。
通过分析历史价格数据的波动规律，可以发现一些重要的趋势和规律，并据此构建价格预测模型。
一种常用的价格预测模型是时间序列模型。
时间序列模型是通过分析和预测时间序列数据中的趋势、周期性和随机性变动来进行预测的。
在农产品价格预测中，常用的时间序列模型包括ARIMA模型和分解模型。
ARIMA模型（自回归滑动平均模型）是一种基于时间序列数据的统计模型，它能够反映价格的长期趋势、短期波动和季节性变化。
分解模型则是将时间序列数据分解成长期趋势、季节性波动和随机失序三部分，通过对这三部分进行分析和预测来进行价格预测。
除了时间序列模型，还可以考虑利用机器学习方法进行价格预测。
机器学习方法能够通过对大量数据的学习和模式匹配，建立起复杂的预测模型。
在农产品价格预测中，可以利用机器学习方法来提取价格和市场供需关系之间的非线性关系。
常用的机器学习方法包括神经网络、支持向量机和随机森林等。
这些方法可以通过对历史价格数据和相关经济指标进行训练，建立起准确的价格预测模型。
除了价格预测，市场供需的预测也是重要的农产品市场研究任务之一。
市场供需的预测主要包括预测市场需求和农产品产量。
预测市场需求可以通过消费者调研、市场调查和宏观经济数据分析等方法进行，从而预测未来市场的需求量和结构。
预测农产品产量则需要考虑丰收因素、种植面积、灾害风险等多种因素。
市场供需预测的模型构建方法涉及统计分析、数据挖掘和经济学等多个领域的知识。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
农产品价格趋势的数学建模和预测———以玉米为例余涛（中南民族大学经济学院人口，资源与环境经济学专业）摘要:从实际情况出发，以1979 年来我国农产品市场玉米价格的波动特征和规律为研究对象，主要运用计量经济模型中的多元线性回归法、加权最小二乘法、White 检验、D － W 检验、广义差分法以及EVIEWS 软件，量化分析蕴含在玉米价格波动里的经济特征，对玉米价格作出模拟和预测研究．结果表明，该模型有较好的应用价值。
关键词:农产品价格; 趋势; 计量经济模型; 加权最小二乘法改革开放以来，由于党和国家一系列加强农业生产政策的落实及国内畜牧业生产发展的拉动，玉米生产持续增长．我国玉米种面积逐年递增，玉米播种面积和产量的增长对全国粮食的供给和畜牧业的发展起着举足轻重的作用．因此，研究玉米价格的波动有着非常重要的理论意义和现实意义。
我国农产品价格趋势的研究相对较晚，目前对现状分析、因素分析和价格的宏观面趋势变动研究较多，却对价格的形成机理以及价格趋势的建模预测方面并没什么大的进展。
本文的主要研究方法有计量分析法并结合因素分析法和实证分析法。
1 影响玉米价格的因素分析从微观经济学的角度来看，任何商品的价格都是由商品的供给和需求这两个因素共同决定的，包括玉米的供给、需求、库存以及相关商品的价格．另外，还有气候、经济周期、国家相关政策、消费者心理预期以及货币汇率等对农产品价格的影响也比较明显．2 模型的设定本文将对农产品价格与有关社会、经济因素之间的关系，建立计量经济学模型2． 1 被解释变量为了进行农产品价格趋势的预测，目标变量应为农产品价格． ( 用Yt来表示)2． 2 解释变量根据相关的经济理论和以往的经验，选定以下指标作为模型的解释变量: 国内生产总值( 用X1t表示) 、城镇居民人均可支配收入( 用X2t表示) 、城镇居民家庭人均食品消费支出( 用X3t表示) 、谷物生产价格指数( 用X4t表示) 、牲畜( 猪) 年底头数( 用X5t表示) ，所有数据来自《中国统计年鉴( 1980 ～2012) 》2． 3 确定计量经济模型Yt =β0+β1X1t+β2X2t+β3X3t+β4X4t+β5X5t+μt ( 1)3 参数估计用Eviews 估计结果为:Yt ^ =－180.956－0.407X1t－0.0729X2t + 0.3997X3t + 2.363X4t + 4.9896X5t， ( 2)Std error = ( 181.956) ，( 1.1799) ，( 0.0483) ，( 0.174 3) ，( 0．366 9) ，( 6.3899) ，t = (－0.9946) ，(－0.3449) ，(-1.5107) ，( 2.2926) ，( 0.8211) ，Ｒ2 = 0.9890，Ｒ2 = 0.9870，F = 487.7158，DW = 1.4578．4 模型的检验及修正4． 1 经济意义检验根据实际情况初步判断国内生产总值( X1) 和城镇居民人均可支配收入( X2) 应与被解释变量成正比，可估计出来的结果却相反，与经济意义不符，应该去掉．4． 2 统计推断检验4． 2． 1 拟合优度回归结果中Ｒ2 = 0.9890，Ｒ2 = 0.9870，这说明模型对样本对的拟合很好．4． 2． 2 F 检验在给定显著水平α =0.05，在F分布表中查出自由度为k =5 和n－k－1 =27 的临界值Fα( 5，27) =2.57，由表4中得到F =487.7158＞Fα( 5，27) =2.57，说明各解释变量联合起来确实对被解释变量有显著影响．4． 2． 3 t 检验给定显著水平α= 0.05，查t分布表得自由度为n－k－1 = 27 的临界值tα/2( n－k－1) = 2.052．再由回归结果可知,X1、X2和X5的t 统计值均不显著( 与临界值相比较),说明X1、X2和X5对Y的影响不显著,需要在后面的计量经济学检验中加以证明．4． 3 计量经济学检验4． 3． 1 多重共线性检验①检验: 由X1、X2和X5的t 统计值均不显著，且X1、X2符号的经济意义不合理，另外，由相关系数矩阵也可以看出，各解释变量之间的相关系数较高，认为解释变量间存在多重共线性．②修正: 采用逐步回归法对其进行修正，由于X1、X2不符合经济意义，首先剔除，分别作Y 与X3、X4和X5间的回归，逐步回归后，只剩下一个解释变量X4 ．4． 3． 2 异方差检验采用White检验法，得出nＲ2 = 13.8311，由White 检验知，在α= 0.05下，查χ2分布表，得临界值χ20.05( 5) = 11.0705，因为nＲ2= 13.8311＞χ20．05( 5) = 11.0705,表明存在异方差．下面采用加权最小二乘法( WLS)对原模型进行回归，分别选用权数ω1 = 1/X4，ω2 = 1/X24，ω3 = 1/4x，如图1，经估计检验发现用权数ω2的效果最好．其估计结果如下:Yt ^ = 19.0236 + 3.0561X4t， ( 3)Std error =( 12.0922) ，( 0.0925) ，t = ( 1.5732) ，( 33.0251) ，Ｒ2 = 0.9920，Ｒ2 = 0.9917，F=1090.656，DW = 1.1317．可得nＲ2 = 3.6077，所以运用加权最小二乘法确实消除了异方差，参数的t 检验均显著，F检验也显著．4． 3． 3 序列相关检验①检验: 在0.01 显著水平下，查DW 统计表可知，dL = 1.172，dU = 1.129 1．模型中DW＜dL，显然模型中有自相关．另外,由图2可以看出，残差的变动有系统模式，连续为正和连续为负表明残差项存在一阶正相关．②补救: 为解决该问题，选用科克伦－奥克特迭代法．得回归方程:e^t = 0.4335et－1 (4)由式( 4)可知ρ^ = 0.433509,对原模型进行广义差分，得到广义差分方程:Yt－0.4335Yt －1 =β1(1－0.4335)+β2( Xt－0.433 5Xt -1)+vt (5)图1 用权数W2的结对式( 5) 的广义差分方程进行回归，得结果如下:Y*t^ =21.9749+3.0113X*t， ( 6)Std error =(24.7791) ,(0.1047) ，t =(0.8868) ，(28.7621) ，Ｒ2 = 0.965 0，Ｒ2 =0.9638，F = 827.2556，DW = 2.1065．其中，Y*t = Yt－0.4335Yt－1，X*t = Xt－0.4335Xt－1 ．由于使用了广义差分法数据，样本容量减少了1个，为32个．查1%显著水平的DW的统计表可知dL= 1.160，dU = 1. 282，模型中dU ＜DW = 2.1065 ＜ 4－dU，说明在1%显著水平下广义查分模型中已无自相关,不必再进行迭代．同时可见,可决系数Ｒ2、t和F 统计量均达到理想水平．5 模型的预测及经济解释5． 1 模型的预测由《中国统计年鉴2013》可知，2012 年谷物生产价格指数为104．8，即累计值为798.49 ( 1979年为100) ，把它代入模型( 即式(6) ) 可得2012年我国玉米价格的预测值为:Y ^12= 21.9749+3.0113×798.49 = 2426.47( 元/吨) ． ( 7)而2012 年中国玉米价格的实际值为Y12= 2430.74( 元/吨) ，绝对误差为Ea( Y12)= 4.27( 元/吨) ,相对误差仅为Er(Y12) = Y ^12－Y12Y12=0.18% ＜5%．由中国经济统计数据库的数据可知2013年谷物生产价格指数为102.3，累计值为816.86，代入模型可得预测值为:Y ^13= 2481.79(元/吨) ，实际值为Y13 =2409．97( 元/吨) ，绝对误差为Ea( Y13) = 71．82( 元/吨) ，相对误差为Er(Y13)= 2.98% ＜5%，中国国务院总理李克强于2014 年3 月5 日所作的政府工作报告显示: 2014 年中国国内生产总值增长预期目标设定为7． 5%左右．根据中国社会科学院预测科学研究中心发布的“2014 年中国经济预测”显示，预计2014 年我国第一产业增加值增速约为3.6%．根据以上信息，可以推断出2014 年我国谷物生产价格指数同比增长3.5%左右，即累计值为845.45，代入模型式( 即式(6)) ，可得2014年我国玉米价格的预测值为:Y ^14= 21.9749+3.0113×845.45=2567.88(元/吨) ．5． 2 模型的经济解释该模型的结果表明，谷物生产价格指数和玉米价格呈正相关，从式(6)可以看到,谷物生产价格指数(1979年= 100)每增长1%，平均说来玉米价格会增长3．011 3．这一理论分析和经验判断相一致，可以用于玉米价格预测．6 总结本文重在遵循“假设－检验－修正－再假设－再检验－再修正……”这样一个循环求优的过程．如果简单的把第一步回归的结果( 即式( 2))作为最终的模型结果，势必会助涨模型误差的升级，根本达不到理想的结果．所以，本文尤其注重对模型的检验与修正，使最终的结果有很强的说服力．同样，该模型也可以用于其他农产品价格的预测，为相关企业提供参考依据．参考文献:［1］王素雅．农产品短期价格分析及预测方法选择———以北京新发地批发市场苹果为例［D］．北京: 中国农业科学院，2009: 1 － 10．［2］戴春芳，贺小斌，冷崇总．改革开放以来我国粮食价格波动分析［J］．价格月刊，2008( 6) : 1 － 5．［3］李华．农产品价格波动的影响因素及趋势分析———基于供应链视角［D］．长春: 吉林大学，2013: 2 － 6．［4］高鸿业．西方经济学( 微观部分) ［M］．北京: 中国人民大学出版社，2010: 17 － 51．［5］庞浩．计量经济学［M］．北京: 科学出版社，2010: 18 － 170．［6］国家统计局网．《国家统计局年度统计数据库》． 2012 － 4 － 20 /2014 － 4－ 10．［7］袁建文．计量经济学实验教程［M］．北京: 科学出版社，2008: 90 － 164．［8］成思危． 2014 年全年消费者价格指数CPI 预计上扬［EB/OL］．2014 －1 － 20 /2014 － 4 － 10．。