基于多元回歸的BP神經(jīng)網(wǎng)絡生豬價格預測模型

任青山 方逵 朱幸輝

摘要：生豬價格波動是由多種因素共同影響決定的，準確預測生豬價格對穩(wěn)定農(nóng)產(chǎn)品市場具有重要意義。首先分析影響生豬價格波動的影響因子及生豬價格變化規(guī)律和趨勢，然后通過灰色關聯(lián)度分析和Stepwise回歸分析影響生豬價格波動的主要影響因子，再利用多元回歸分析和反向傳播（BP）神經(jīng)網(wǎng)絡構建BP-多元回歸預測模型，對生豬價格進行預測，并對預測結(jié)果進行分析。結(jié)果表明，BP-多元回歸預測模型較單一的多元回歸和BP神經(jīng)網(wǎng)絡預測模型預測精度提高了10百分點以上，預測精度高達93.3%，大大提高了生豬價格預測的準確性和可靠性。

關鍵詞：生豬價格;影響因子;BP神經(jīng)網(wǎng)絡;關聯(lián)度;多元回歸分析

中圖分類號：S126 ? 文獻標志碼： A ?文章編號：1002-1302（2019）14-0277-05

豬肉在我國肉類產(chǎn)品消費中的占比超過66%，在食品中的占比超過20%，因而豬肉是關乎國計民生的重要食品，生豬生產(chǎn)自然而然也就成為了重中之重，受到了社會的廣泛關注。生豬是我國農(nóng)產(chǎn)品市場中最基本、最重要的組成部分，生豬價格是農(nóng)產(chǎn)品市場的核心要素[1]。然而，近年來生豬價格波動異常，經(jīng)常陷入“豬貴傷民，豬賤傷農(nóng)”的惡性循環(huán)，并表現(xiàn)出明顯的波動性及周期性。生豬市場價格的頻繁波動給生產(chǎn)經(jīng)營者帶來了很大困擾，在一定程度上打擊了農(nóng)戶的生產(chǎn)積極性。如果能夠?qū)ιi市場價格的波動作出較準確的分析和預測則能夠幫助生產(chǎn)經(jīng)營者制定決策，并為以后的產(chǎn)銷計劃提供一定的參考依據(jù)，能夠在很大程度上減緩生豬價格波動帶來的不良影響，減少生產(chǎn)經(jīng)營者的經(jīng)濟損失[2]。但生豬價格具有一定的特殊性，其波動頻繁，且受其他市場因素影響，因而無法用常規(guī)的傳統(tǒng)算法對其進行預測。隨著科學技術的進步與發(fā)展，價格預測的模型和方法已經(jīng)有了顯著的改進，但是仍無一個模型能把生豬價格變化擬得非常緊密，關于生豬價格預測的方法仍然存在諸多的討論?，F(xiàn)階段發(fā)展較成熟的價格預測模型有灰色系統(tǒng)模型、時間序列模型、神經(jīng)網(wǎng)絡模型等。在現(xiàn)有研究中，國外學者對生豬價格波動分析與預測的研究起步較早，且理論系統(tǒng)也相對較成熟，他們主要從生豬的供給、需求及國內(nèi)外生豬市場環(huán)境等方面論述生豬價格波動的成因，而國內(nèi)學者對生豬價格的波動周期、影響因素及其價格預測模型等方面進行廣泛深入的研究[3]。付蓮蓮等利用灰色關聯(lián)和最小二乘支持向量機算法（LS-SVM）模型分析生豬價格波動的成因，并建立了生豬價格與其影響因子之間的關系模型，對生豬價格波動進行預警分析[4]。郝妙等利用灰色系統(tǒng)理論建立一種基于弱化緩沖算子的GM（1，1）預測模型，通過生豬價格的歷史數(shù)據(jù)對其未來價格進行預測，對未來生產(chǎn)決策具有一定的指導意義[5]。本研究分析生豬價格的波動規(guī)律、波動周期及影響生豬價格波動的因素，通過灰色關聯(lián)度和逐步回歸分析得出生豬價格波動的主要影響因子，并結(jié)合多元回歸分析和反向傳播（BP）神經(jīng)網(wǎng)絡算法構建交叉預測模型，以提高預測的準確性和可靠性，進而對未來生豬價格進行預測并提出相應的生豬價格風險調(diào)控策略。

1 生豬價格分析研究

1.1 數(shù)據(jù)來源

在研究生豬價格波動規(guī)律時，選取2012年1月第1周至2017年9月第4周全國待宰活豬的周度價格作為研究對象，共300組數(shù)據(jù)，數(shù)據(jù)來源于中國農(nóng)業(yè)信息網(wǎng)及中國畜牧業(yè)信息網(wǎng)。

1.2 生豬價格規(guī)律及周期

由圖1可知，近年來生豬價格波動較大，特別是2014年4月第4周全國生豬平均價格跌至了歷史最低，僅 10.97元/kg，給生豬生產(chǎn)者造成了重大經(jīng)濟損失。每年2月份開始生豬價格開始下跌，到4、5月份跌到最低點，主要是因為4月份開始天氣逐漸變暖，國民對豬肉的需求量減少;而到了每年的9月份生豬價格又會上漲至較高點，隨后會有小幅度的回落，到了12月份后又會迎來一個新的上升周期，主要是因為9月和1月我國傳統(tǒng)節(jié)日較多，如中秋節(jié)、春節(jié)等，我國居民對豬肉的需求量較大，拉動了生豬價格上漲。通過總結(jié)文獻及實證研究分析可知，雖然生豬價格波動劇烈，但也存在一定的周期性，每3年左右生豬價格有一個較大的周期性變化，2014年4月至2017年4月我國生豬價格就經(jīng)歷了1次周期性變化。

1.3 生豬價格波動影響因子

生豬市場是一個開放性的系統(tǒng)，影響生豬價格波動的因素錯綜復雜，通過分析生豬價格的形成發(fā)現(xiàn)，影響生豬價格波動的因素大致可分為供給、需求、市場外因素等3個方面[6]。供給因素主要包括仔豬費用、育肥豬飼料成本、醫(yī)療成本、人工成本、生豬存欄量及出欄量等。生豬生產(chǎn)需要一定的周期，

一般從仔豬到成豬需要5～6個月時間，期間生豬生長需要大量的飼料供給，在生豬飼料中玉米是主要成分，占60%以上，余下飼料成分以豆粕和麥麩為主[7]。需求因素主要包括雞蛋、牛肉、羊肉等可替代產(chǎn)品的價格，這些產(chǎn)品的價格變化會影響居民對豬肉消費的需求，進而影響生豬價格;居民收入變化也會在一定程度上影響他們對豬肉的需求。市場外因素主要包括季節(jié)因素、疫情、自然災害、國家相關政策等。每逢節(jié)假日，居民對豬肉的消費需求就會增加;出現(xiàn)重大疫情或自然災害時，豬肉價格自然也就隨之下跌或上漲，進而影響生豬價格[8]。

大量文獻資料表明，仔豬價格、豬肉價格、玉米價格、豬肉可替代品價格對生豬價格波動影響顯著[9]。因此，選取仔豬、豬肉、雞蛋、牛肉、羊肉、玉米、豆粕、育肥豬飼料等8種影響因子的價格進行研究，試驗數(shù)據(jù)來源于中國農(nóng)業(yè)信息網(wǎng)及中國畜牧業(yè)信息網(wǎng)。

2 研究方法

2.1 BP神經(jīng)網(wǎng)絡算法

BP神經(jīng)網(wǎng)絡是一種按誤差逆?zhèn)鞑ニ惴ㄓ柧毜亩鄬忧梆伾窠?jīng)網(wǎng)絡，別稱誤差反向傳播神經(jīng)網(wǎng)絡，是當前應用最為廣泛的神經(jīng)網(wǎng)絡模型之一。BP神經(jīng)網(wǎng)絡對信息處理具有自組織、自學習、知識推理等特點，對非確定規(guī)律性系統(tǒng)具有自適應特征，可以利用對樣本的訓練實現(xiàn)從輸入到輸出的任意非線性函數(shù)關系映射，并從這些映射關系中揭示其內(nèi)在規(guī)律、特征。

BP神經(jīng)網(wǎng)絡是一種多層前饋神經(jīng)網(wǎng)絡，其主要特點是信號前向傳播，誤差反向傳播。在前向傳播過程中，輸入信號從輸入層經(jīng)隱含層逐層處理，直至輸出層，產(chǎn)生輸出信號，每一層的神經(jīng)元狀態(tài)只影響下一層的神經(jīng)元狀態(tài);若輸出信號不能滿足期望輸出要求，則轉(zhuǎn)入誤差反向傳播過程，根據(jù)預測誤差從輸出層開始到輸入層，不斷修正網(wǎng)絡的權值和閥值，從而使BP神經(jīng)網(wǎng)絡的預測輸出不斷逼近期望輸出[9]。

由圖2可知，BP神經(jīng)網(wǎng)絡由輸入層、隱含層、輸出層3部分組成，其中隱含層可以有多層。X1，X2，…，Xn表示BP神經(jīng)網(wǎng)絡的輸入值;W1，W2，…，Wp表示BP神經(jīng)網(wǎng)絡的隱含層節(jié)點;Y1，Y2，…，Ym表示BP神經(jīng)網(wǎng)絡的輸出值;Wij和Wjk表示BP神經(jīng)網(wǎng)絡權值。

BP神經(jīng)網(wǎng)絡在進行預測前須要先進行網(wǎng)絡模型訓練，通過網(wǎng)絡訓練使網(wǎng)絡具備聯(lián)想記憶和預測能力。在網(wǎng)絡訓練過程中隱含層神經(jīng)元個數(shù)通常難以確定，如果神經(jīng)元個數(shù)較少，則網(wǎng)絡對樣本的識別力較低，難以完成網(wǎng)絡訓練;如果神經(jīng)元個數(shù)較多，則會增加網(wǎng)絡迭代次數(shù)，從而延長網(wǎng)絡的訓練時間，同時會降低網(wǎng)絡的泛化能力，導致網(wǎng)絡的預測能力下降[10]。然而，目前還沒有較準確的方法來確定隱含層神經(jīng)元個數(shù)，只能通過經(jīng)驗公式，并結(jié)合多次的試驗比對來確定隱含層神經(jīng)元數(shù)目。

3 生豬價格預測模型

3.1 關聯(lián)度分析

3.1.1 灰色關聯(lián)度分析模型 關聯(lián)度是對事物或因素間關聯(lián)性大小的度量。如果事物或因素變化的態(tài)勢基本一致，則表明它們之間關聯(lián)度較大，反之，則關聯(lián)度較小。雖然使用傳統(tǒng)的回歸、相關等統(tǒng)計分析方法也能對事物或因素之間的關聯(lián)性進行分析，但是往往需要較大的數(shù)據(jù)量，且要求數(shù)據(jù)的分布特征較明顯。相對來說，灰色關聯(lián)度分析所需的數(shù)據(jù)量較少，不需要典型的數(shù)據(jù)分布規(guī)律，計算量較小，原理簡單易于理解和掌握，且其分析結(jié)果與定性分析結(jié)果較吻合[12]。

灰色關聯(lián)度分析是一種多因素統(tǒng)計分析法，主要根據(jù)各因素變化曲線幾何形狀的相似度來判斷因素之間的關聯(lián)度大小，在進行分析時須比較研究對象與待識別對象之間的曲線貼近程度，并分別量化，計算出研究對象與待識別對象之間的關聯(lián)度，進而通過比較各關聯(lián)度的大小來判斷待識別對象對研究對象的影響程度[13]。簡單來說，當對某個系統(tǒng)進行灰色關聯(lián)度分析時，先要確定使用的關聯(lián)度模型，選好參考序列、比較序列，然后計算關聯(lián)度，最后按關聯(lián)度的大小進行排序和分析并得出結(jié)論[14]。

為進一步剖析生豬價格波動的成因，探究生豬價格與其影響因素之間的相關性，本研究選取生豬價格為參考序列，仔豬價格、豬肉價格、雞蛋價格、牛肉價格、羊肉價格、玉米價格、豆粕價格及育肥豬飼料價格為比較序列（表1），并利用灰色關聯(lián)度分析法計算各比較序列與參考序列之間的關聯(lián)度（表2）。

通過灰色關聯(lián)度分析可知，生豬價格與仔豬價格、豬肉價格、雞蛋價格、玉米價格、豆粕價格的相關性較高，關聯(lián)度均在0.7以上，說明這些因素對生豬市場價格的波動具有一定程度的影響，其中生豬價格與豬肉價格之間的關聯(lián)度高達0.932，說明二者之間有著直接的相互影響。

由圖3可知，生豬價格與仔豬價格、豬肉價格、雞蛋價格之間的曲線變化態(tài)勢較相似，說明它們之間具有一定的相關性。另外，生豬價格曲線與豬肉價格曲線的變化態(tài)勢基本一致，說明它們之間具有較高的相關性，該結(jié)論與灰色關聯(lián)度分析的結(jié)果基本相同。

3.1.2 Stepwise回歸模型 Stepwise回歸分析通過使用最少的預測變量數(shù)來最大化預測能力，剔除變量中相關性較低的變量和存在多重共線的變量，使得剩余變量最優(yōu)，是處理高維數(shù)據(jù)集的主要方法之一。其基本思想是將變量逐個引入模型，每引入一個解釋變量后都要進行F檢驗，并對已經(jīng)選入的解釋變量逐個進行t檢驗，當原來引入的解釋變量由于后面解釋變量的引入變得不再顯著時，則將其刪除，以確保每次引入新的變量之前回歸方程中只包含顯著性變量，這是一個反復的過程，直到既沒有顯著的解釋變量選入回歸方程，也沒有不顯著的解釋變量從回歸方程中剔除為止，以保證最后所得到的解釋變量集是最優(yōu)的[15]。

由表2可知生豬價格與其影響因子之間的關聯(lián)度排序，為進一步確定生豬價格的顯著影響因子，本研究建立Stepwise回歸模型對表2中的影響因子進一步篩選。

用預測驗證集對生豬價格BP-多元回歸預測模型進行檢驗，結(jié)果見表5。由表5可知，通過模型預測的生豬價格走勢跟實際價格走勢基本保持一致，且預測值和期望值很接近;通過計算可知，模型預測后的生豬價格平均絕對誤差僅為0.156，相對誤差絕對值低于2%的占93.33%。而多元回歸預測模型和BP神經(jīng)網(wǎng)絡預測模型在進行單獨預測時，生豬價格相對誤差絕對值低于2%的僅分別占80%、83%，對比分析可知，BP-多元回歸預測模型在預測時具有更好的擬合效果，大大提高了預測的準確率，在生豬價格預測方面具有更好的預測效果。

4 結(jié)論

本研究通過分析生豬價格得出生豬價格的基本波動規(guī)律及其波動周期，并通過灰色關聯(lián)度和Stepwise回歸分析發(fā)現(xiàn)，影響生豬價格波動的主要影響因素為仔豬價格、豬肉價格、玉米價格及豆粕價格，最后通過多元回歸分析和BP神經(jīng)網(wǎng)絡的交叉應用建立一種組合預測模型，該模型綜合考慮了生豬價格影響因素以及往期生豬價格數(shù)據(jù)對生豬價格預測的影響。結(jié)果表明，該預測模型具有較好的預測效果，對比單一的多元回歸預測模型和BP神經(jīng)網(wǎng)絡預測模型，該模型的預測精度有較大提升，高達93.33%。利用該預測模型對生豬價格進行預測，可以在一定程度上幫助生產(chǎn)經(jīng)營者制定相關的生產(chǎn)決策，具有指導意義，能有效預防生豬價格波動帶來的風險，減免損失。

參考文獻：

[1]潘方卉，劉麗麗，龐金波. 中國生豬價格周期波動的特征與成因分析[J]. 農(nóng)業(yè)現(xiàn)代化研究，2016，37（1）：79-86.