殷世杰

[摘要]分析糧食產(chǎn)量的影響因素，并科學地預測糧食產(chǎn)量，對于提高未來糧食產(chǎn)量、保障糧食安全具有重要意義。本文選取1994—2018年糧食產(chǎn)量等數(shù)據(jù)，對影響糧食產(chǎn)量的因素進行灰色關聯(lián)度分析，并用ARIMA模型預測糧食產(chǎn)量及影響因素，最后將預測的數(shù)據(jù)進行灰色關聯(lián)度分析，并將前后兩次灰色關聯(lián)度分析結(jié)果進行比較。結(jié)果顯示：1994—2018年顯著影響糧食產(chǎn)量的因素為糧食播種面積、灌溉面積比重、老年撫養(yǎng)比和化肥投入水平;2019—2023年糧食產(chǎn)量的影響因素為灌溉面積比重、農(nóng)業(yè)生產(chǎn)資料價格總指數(shù)、機械化水平;未來5年山東省糧食產(chǎn)量將緩步提升。

[關鍵詞]糧食產(chǎn)量;影響因素;灰色關聯(lián)模型;ARIMA預測模型

中圖分類號：F326.11 文獻標識碼：A DOI：10.16465/j.gste.cn431252ts.202005

糧食問題是關系國計民生的重大戰(zhàn)略問題，解決好糧食問題是人類生存和發(fā)展的社會基礎[1-2]。山東省作為重要的產(chǎn)糧基地，2018年糧食產(chǎn)量為5 319.51萬t，約占全國糧食產(chǎn)量8.09%，糧食播種面積為84 048.4km2，約占全國的7.18%。因此，山東省糧食產(chǎn)量穩(wěn)定，對于保障中國糧食安全具有重要意義[3]。

糧食生產(chǎn)作為一種多因素影響的復雜生產(chǎn)行為[4]，吸引了國內(nèi)外眾多學者對其進行研究。為了進一步提高糧食產(chǎn)量，許多學者基于現(xiàn)在的知識，開展了對糧食產(chǎn)量影響因素的研究。

李世濤等[5]通過建立C-D生產(chǎn)函數(shù)模型和采用逐步回歸分析方法，確定了影響黑龍江墾區(qū)糧食產(chǎn)量的主要因素是化肥使用量和播種面積。范建剛[6]對陜西省1983—2004年糧食產(chǎn)量與投入要素進行分析得出，農(nóng)業(yè)勞動力數(shù)、有效灌溉面積、糧食播種面積始終是影響陜西糧食產(chǎn)量前三位的投入要素。趙玉姝等[7]對山東省糧食生產(chǎn)影響因素進行實證分析，得出有效灌溉面積是影響糧食產(chǎn)量的首要因素。王樹濤等[8]定量分析了河北省糧食產(chǎn)量波動成因，表明自然資源、政策經(jīng)濟支持能力對該省糧食產(chǎn)量造成的波動強度較大。孟國慶等[9]利用網(wǎng)絡爬蟲技術獲取農(nóng)業(yè)網(wǎng)站中影響糧食產(chǎn)量的數(shù)據(jù)，并利用灰色關聯(lián)和Lasso回歸模型完成特征值篩選和影響因子權重分析。王曉玲等[10]利用灰色關聯(lián)度分析了影響糧食產(chǎn)量的9個因素，并選取4個主要的影響因素進行多元線性回歸模型分析。劉鵬凌等[11]利用主成分分析研究安徽省糧食產(chǎn)量的影響因素，并采用GM（1，1）灰色模型預測糧食產(chǎn)量。楊鐵軍等[12]運用改進的ARIMA模型，采用ADF單位根檢驗的方法確定差分階次進行糧食產(chǎn)量的預測;郭亞菲等[13]主成分分析和粒子群優(yōu)化神經(jīng)網(wǎng)絡進行糧食產(chǎn)量預測。

本文分析發(fā)現(xiàn)，前人的研究成果大多數(shù)局限于分析影響因素，并運用預測模型進行糧食產(chǎn)量的預測，而很少對未來幾年糧食產(chǎn)量的相關影響因素進行分析。這里選取1994—2018年山東省糧食產(chǎn)量，篩選出9個影響因素進行灰色關聯(lián)分析，并進行ARIMA模型預測，預測出糧食產(chǎn)量和各種影響因素的走勢，然后將預測數(shù)據(jù)再一次進行灰色關聯(lián)分析，將現(xiàn)在和未來影響糧食產(chǎn)量的因素進行比較，發(fā)現(xiàn)因素的影響程度隨時間推移的變化情況，以期為促進山東省糧食生產(chǎn)提供理論依據(jù)。

1 材料與方法

1.1 數(shù)據(jù)來源

本研究以山東省1994—2018年糧食產(chǎn)量為研究對象。在構(gòu)建糧食產(chǎn)量影響因素體系時，以數(shù)據(jù)的完整性和可獲得性的原則進行擬定，對于無法進行量化的指標，本研究不討論。數(shù)據(jù)來源于中國統(tǒng)計年鑒、中國人口和就業(yè)統(tǒng)計年鑒、山東省統(tǒng)計年鑒。

根據(jù)上述原則，本研究選取了9個涉及糧食產(chǎn)量的要素，即糧食產(chǎn)量面積、少兒撫養(yǎng)比、老年撫養(yǎng)比、農(nóng)村人口[14-15]、單位面積機械投入[16-17]、單位面積化肥投入、農(nóng)業(yè)生產(chǎn)資料價格總指數(shù)[18]、受災面積比重、灌溉面積比重[19]來構(gòu)建指標體系。單位面積機械投入為農(nóng)業(yè)機械總動力與農(nóng)作物播種總面積的比重;單位面積化肥投入為農(nóng)用化肥折純量與農(nóng)作物播種總面積的比重;農(nóng)業(yè)生產(chǎn)資料價格總指數(shù)為相對數(shù)，本文以1990年農(nóng)業(yè)生產(chǎn)資料價格總指數(shù)為100進行表示，即1990年=100。變量的統(tǒng)計描述如表1所示。

1.2 灰色關聯(lián)分析模型

灰色關聯(lián)分析法是研究數(shù)據(jù)間關聯(lián)性大?。感蛄信c特征序列之間的關聯(lián)程度）的一種方法，即通過關聯(lián)程度大小衡量數(shù)據(jù)之間的影響程度，從而輔助決策，公式如下：

1.3 ARIMA模型預測原理

ARIMA模型的預測基本思想是，將預測對象隨時間推移而形成的數(shù)據(jù)視為一個隨機時間序列，根據(jù)相應的識別規(guī)則，建立相應的模型進行預測[20]。ARIMA模型根據(jù)原序列是否平穩(wěn)以及回歸中所包含的部分不同，包括MA（移動平均過程）、AR（自回歸過程）、ARMA（自回歸移動平均過程）。ARIMA（p，d，q）模型可以表示為

運用SPSS軟件基于AIC值最小原則，尋求合理的p、q、d值，通過構(gòu)建ARIMA預測模型進行預測。

2 結(jié)果與分析

2.1 灰色關聯(lián)度分析

為了減少灰色關聯(lián)分析的誤差，首先把上面的糧食產(chǎn)量影響因子進行無量綱化處理，然后運用SPSS軟件進行關聯(lián)系數(shù)計算。如表2所示，計算結(jié)果為糧食產(chǎn)量與各因子之間的關聯(lián)度，其關聯(lián)度結(jié)果為糧食播種面積>灌溉面積比重>老年撫養(yǎng)比>單位面積化肥投入>農(nóng)業(yè)生產(chǎn)資料價格總指數(shù)>農(nóng)村人口>單位面積機械投入>少兒撫養(yǎng)比>受災面積比重。通過關聯(lián)分析結(jié)果可以看出，糧食播種面積和糧食產(chǎn)量的關聯(lián)度高達0.9，居于影響因子首位，說明糧食播種面積作為糧食生產(chǎn)的基礎因素，依然顯著影響著糧食產(chǎn)量;其次是灌溉面積，其與糧食產(chǎn)量的關聯(lián)度為0.886，說明灌溉面積比重的提高對糧食產(chǎn)量具有顯著影響;老年撫養(yǎng)比和單位面積化肥投入對糧食產(chǎn)量也有較為顯著的影響，側(cè)面反映了從事農(nóng)業(yè)勞動人員的年齡問題，以及使用化肥仍然是山東省提高糧食產(chǎn)量的主要措施之一。

2.2 糧食產(chǎn)量及影響因素預測

首先根據(jù)1994—2018年數(shù)據(jù)對2019—2023年的糧食產(chǎn)量進行預測，經(jīng)過預測模型對比，選取ARIMA（0，1，0）模型，如表3所示，Q6的P值為0.984>0.1，殘差白噪聲檢驗結(jié)果表明，預測模型擬合程度較好。預測結(jié)果如表4所示，表明2019—2023年山東省糧食產(chǎn)量穩(wěn)步上升，但是上升的幅度較小。

2.3 灰色關聯(lián)度再分析

根據(jù)預測的數(shù)據(jù)再次進行灰色關聯(lián)度分析，分析2019—2023年糧食產(chǎn)量影響因素的關聯(lián)度大小。關聯(lián)度分析結(jié)果表明，灌溉面積比重>農(nóng)業(yè)生產(chǎn)資料價格指數(shù)>單位面積機械投入>農(nóng)村人口>少兒撫養(yǎng)比>糧食播種面積>單位面積化肥投入>老年撫養(yǎng)比>受災面積比重，如表6所示。通過關聯(lián)結(jié)果可看出，在未來幾年灌溉面積對糧食產(chǎn)量的影響程度將升至首位，關聯(lián)度為0.964，說明在播種面積下降的情況下完善農(nóng)業(yè)灌溉措施，改善灌溉條件是十分重要的促進糧食生產(chǎn)的措施;其次為農(nóng)業(yè)生產(chǎn)資料價格總指數(shù)，關聯(lián)度為0.949，說明農(nóng)業(yè)生產(chǎn)成本問題逐漸顯現(xiàn)，制約了糧食生產(chǎn);單位面積的機械投入也與糧食產(chǎn)量有較為密切的關系，說明在農(nóng)村人口逐步減少、農(nóng)村老齡人口增加的背景下，農(nóng)業(yè)生產(chǎn)的機械化逐步顯示出優(yōu)勢，提高糧食機械化生產(chǎn)水平是大勢所趨。

3 討論與結(jié)論

3.1 結(jié) 論

在過去20多年里，糧食播種面積、灌溉面積、老年撫養(yǎng)比和化肥投入都顯著地影響了山東省的糧食產(chǎn)量，可見過去山東省主要是依靠大面積的糧食種植以及化肥的大量使用來提高糧食產(chǎn)量，而農(nóng)業(yè)基礎建設的推進，使得灌溉面積進一步增大，在一定程度上促進了糧食的高產(chǎn);而在未來4～5年，糧食產(chǎn)量增長幅度逐步放緩，對糧食產(chǎn)量具有顯著影響的因素將轉(zhuǎn)為灌溉面積、農(nóng)業(yè)生產(chǎn)資料價格總指數(shù)、機械投入和農(nóng)村人口，可見高水平的機械化、農(nóng)資價格將進一步影響未來的糧食生產(chǎn)，糧食生產(chǎn)不再是單一的生產(chǎn)勞動，而是逐步向市場化發(fā)展，生產(chǎn)經(jīng)營成本等觀念將進一步影響農(nóng)戶的生產(chǎn)行為，進而影響糧食生產(chǎn)。根據(jù)上述方法分別對糧食產(chǎn)量的9個影響因素構(gòu)建預測模型，獲得2019—2023年的預測數(shù)據(jù)，匯總后如表5所示。根據(jù)預測結(jié)果可以看出，糧食播種面積、農(nóng)村人口、單位面積化肥投入和受災面積比重在不斷下降，說明在城鎮(zhèn)化快速發(fā)展的背景下，耕地不斷減少，農(nóng)村勞動力從農(nóng)業(yè)勞動中解放出來;隨著科學施肥理念的傳播，單位面積化肥的投入也在逐漸減少;農(nóng)村人口結(jié)構(gòu)中，少兒撫養(yǎng)比增長進一步放緩，農(nóng)村老齡化人口的比重加速提升，導致農(nóng)村人口結(jié)構(gòu)的老齡化程度進一步加大，這在一定程度上制約了農(nóng)業(yè)的發(fā)展;機械投入水平和灌溉水平的增長幅度較小，作為促進糧食產(chǎn)量的重要因素，應進一步提高機械化水平并完善基礎農(nóng)業(yè)生產(chǎn)設施;農(nóng)業(yè)的生產(chǎn)資料價格在未來幾年將進一步提高，從而導致農(nóng)業(yè)生產(chǎn)利潤進一步被壓縮。

3.2 討 論

隨著城鎮(zhèn)化進程的不斷加快，土地成為稀缺資源，必須嚴格把控。山東省是人口大省和糧食產(chǎn)量大省，必須處理好耕地保有量和建設用地之間的矛盾，建立嚴格的耕地監(jiān)督機制，在全國規(guī)劃的基礎上統(tǒng)一進行全省農(nóng)業(yè)生產(chǎn)布局，完善耕地占用審批機制，將耕地保有量維持在合理水平線之上。

家庭聯(lián)產(chǎn)承包責任制這種以家庭為單位的生產(chǎn)方式逐步向機械化的規(guī)模生產(chǎn)過渡，農(nóng)業(yè)基礎設施的配套完善，有助于機械的推廣和農(nóng)業(yè)生產(chǎn)效率的提高[21]，推進農(nóng)業(yè)基礎設施建設。

糧食生產(chǎn)成本投入高、利潤低的現(xiàn)狀，導致農(nóng)民的農(nóng)業(yè)生產(chǎn)積極性低，這一現(xiàn)實情況使得農(nóng)業(yè)從業(yè)人員減少[22]。所以，政府應制定相應的財政扶持措施，提高農(nóng)民糧食生產(chǎn)的積極性，吸引農(nóng)業(yè)技術人才，推廣農(nóng)業(yè)科技，促進糧食生產(chǎn)。同時，還要加大農(nóng)業(yè)政策扶持力度，提高農(nóng)業(yè)發(fā)展活力。

參考文獻

[1]楊宗輝，蔡鴻毅，覃誠，等.我國糧食生產(chǎn)的時空格局及其影響因素分析[J].中國農(nóng)業(yè)科技導報，2018（9）：7-17.

[2]陳光軍.鄉(xiāng)村振興背景下中國改革40年來糧食安全的回顧與思考[J].農(nóng)業(yè)經(jīng)濟，2020（3）：4-6.

[3]李新旺，許皞.河北省糧食產(chǎn)量趨勢性的影響因素定量研究[J].水土保持通報，2019（2）：227-232.

[4]柏林川，武蘭芳，宋小青.1995—2010年山東省糧食單產(chǎn)變化空間分異及均衡增產(chǎn)潛力[J].地理科學進展，2013（8）：83-91.

（下轉(zhuǎn)第54頁） （下轉(zhuǎn)第125頁） 糧食生產(chǎn)影響因素的分析[J].高師理科學刊，2015（9）：17-21.

[6]范建剛.1983～2004年陜西糧食產(chǎn)量與主要投入要素的灰色關聯(lián)分析[J].干旱地區(qū)農(nóng)業(yè)研究，2007（3）：215-218.

[7]趙玉姝，焦源，高強.山東省糧食生產(chǎn)影響因素實證分析[J].江蘇農(nóng)業(yè)科學，2015（7）：491-493.

[8]王樹濤，李新旺，門明新，等.基于改進灰色關聯(lián)度法的河北省糧食波動影響因素研究[J].中國農(nóng)業(yè)科學，2011（1）：181-189.

[9]孟國慶，王芳，任力生，等.河北省糧食產(chǎn)量預測影響因素關聯(lián)挖掘分析[J].河北農(nóng)業(yè)大學學報，2019（6）：125-130.

[10]王曉玲，孔思琪.新時代背景下黑龍江省糧食產(chǎn)量影響因素研究[J].商業(yè)經(jīng)濟，2020（2）：11-12+172.

[11]劉鵬凌，吳文俊，萬瑩瑩，等.糧食產(chǎn)量的影響因素分析及灰色預測——基于安徽省主產(chǎn)區(qū)的數(shù)據(jù)[J].西安建筑科技大學學報（社會科學版），2019（4）：63-68.

[12]楊鐵軍，楊娜，朱春華，等.一種新的基于ARIMA模型的糧食產(chǎn)量預測[J].河南工業(yè)大學學報（自然科學版），2015（5）：23-26.

[13]郭亞菲，樊超，閆洪濤.基于主成分分析和粒子群優(yōu)化神經(jīng)網(wǎng)絡的糧食產(chǎn)量預測[J].江蘇農(nóng)業(yè)科學，2019（19）：249-253.

[14]張沖，王磊.中國農(nóng)村人口變動對糧食生產(chǎn)的影響研究[J].農(nóng)村經(jīng)濟，2018（6）：129-134.

[15]張紅.農(nóng)村人口結(jié)構(gòu)變化對糧食生產(chǎn)影響的實證研究——基于陜西省關中農(nóng)村的調(diào)查[J].湖北農(nóng)業(yè)科學，2017（19）：188-192.

[16]劉超，朱滿德，陳其蘭.農(nóng)業(yè)機械化對我國糧食生產(chǎn)的影響：產(chǎn)出效應、結(jié)構(gòu)效應和外溢效應[J].農(nóng)業(yè)現(xiàn)代化研究，2018，39（4）：591-600.

[17]鄭文鐘，應霞芳.農(nóng)業(yè)機械總動力變化影響因素的灰色關聯(lián)分析[J].農(nóng)機化研究，2007（12）：15-17.

[18]劉浩然，吳克寧，宋文，等.黑龍江糧食產(chǎn)能及其影響因素研究[J].中國農(nóng)業(yè)資源與區(qū)劃.2019（7）：169-175.

[19]楊鑫，穆月英.中國糧食生產(chǎn)與水資源的時空匹配格局[J].華南農(nóng)業(yè)大學學報（社會科學版），2019（4）：95-104.

[20]魏艷華，王丙參，王轉(zhuǎn)民.基于ARIMA模型的天水市糧食產(chǎn)量預測與決策[J].天水師范學院學報，2014（2）：23-27.

[21]裴貝貝，畢慶生，尚俊妍.基于組合模型下的河南省糧食生產(chǎn)相關投入分析及產(chǎn)量趨勢預測[J].科技和產(chǎn)業(yè)，2020（1）：72-76.

[22]曹培格.基于灰色組合模型的糧食產(chǎn)量預測研究[D].鄭州：河南工業(yè)大學，2018.

Abstract：The analysis of the factors affecting the grain output and the scientific ?prediction of the grain output， to improve the future grain output， food security is crucial.In this paper， the data of grain output from 1994 to 2018 were selected， and the factors affecting grain output were analyzed by grey correlation degree. The ARIMA model was used to predict grain output and influencing factors.Finally，the predicted data were analyzed by correlation degree， and the results of the two previous correlation degree analyses were compared. The results showed that：the factors significantly affecting the grain yield from 1994 to 2018 were the grain planting area， the proportion of irrigated area， the dependency ratio of the elderly and the level of fertilizer input.The influencing factors of grain yield in 2019—2023 are the proportion of irrigated area， the total price index of agricultural means of production， and the level of mechanization.In the next five years shandong province grain output slowly increase.

Key Words：grain yield，influencing factor，grey relational model，ARIMA prediction model