苏皖鄂三省粮食产量预测模型统计与误差比较文献综述
摘要: 我国是一个农业大国, 粮食产业作为农业的重要组成部分,其意义不言而喻。粮食产量的高低,对稳定我国安定团结的政治局面,顺利开展我国社会主义现代化各项事业建设、构建社会主义和谐社会等都具有重要意义。影响粮食产量的因素有多种,研究粮食产量的主要影响因素并对粮食产量做出预测是保证粮食安全的主要手段之一。针对粮食预测问题,许多学者依据不同的理论和方法,建立了不同的粮食预测模型，如多元线性回归模型、灰色预测模型等。然而在此过程中,误差不可避免，在不同模型中误差产生的原因各不相同。本文将以苏皖鄂三省为例,对不同的预测模型进行比较，运用不同的方法对误差进行修正，将对全国各省粮食产量的准确预测具有重要的实际意义。
我国学者对粮食产量的预测模型总体上来说大致可以分为三大类:时间序列模型、回归模型和人工神经网络模型。指数平滑模型、灰色预测模型及基于马尔可夫链的预测模型等都属于时间序列模型。回归模型中使用比较多的就是线性回归模型和双对数模型。人工神经网络模型是近几年才开始使用的基于生物学原理的预测系统。这些方法的优缺点分析如下:
指数平滑模型的原理和计算方法比较简单,对历史数据的数量没有太大的要求。迟灵芝(2004)曾运用单指数平滑方法首先对我国1991—1999年的粮食产量进行拟合,计算出平均相对误差为0.104%,效果还是比较理想的。但是模型中对平滑系数的确定直接关系到模型的精度问题,所以不同的平滑系数就可能造成结果的差异。林绍森等(2007)对三种预测模型的分析的结果证明了指数平滑法的预测误差最大。此外,由于模型本身在计算方法上的局限性,该方法只适用于近、短期预测。
灰色预测模型也是比较常用的粮食产量预测模型。迟灵芝(2002)对灰色预测方法和回归模型进行比较分析,得出灰色预测的平均相对误差最小的结论。林绍森等(2007)对单指数平滑、自回归移动平均和灰色预测三种模型进行了比较,他指出灰色预测模型比自回归预测模型和单指数平滑预测模型更适合长期的预测。
线性回归模型的一个优点是可对变量之间进行因果分析,描述其内在的联系。很多学者利用这一方法建立了粮食产量模型,找到了影响粮食产量的主要因素。如李子奈(2000)的线性回归函数、石森昌等(2003)的双对数生产函数、李云松等(2002) 、肖海峰等(2004) 、程杰等(2007)的柯布—道格拉斯生产函数等等。虽然他们选取的变量都不尽相同,但是都证明了回归模型对粮食产量的拟合效果很好。但是回归方法受到解释变量的约束,一般也只用在近、短期预测中。神经网络模型是一种建立在生物学神经元基础上的一个不需要建立解释变量与被解释变量之间具体关系的数学模型。它可以通过隐含层的学习和训练实现输入元素与输出元素之间的非线性映射。该模型的模拟效果可以在王启平(2002)、禹建丽等(2004)的文章中看到。但是目前我国尚无比较完善和成熟的理论指导网络模型,在神经网络的程序设计中对隐含层单元数及目标参数的设置都只能凭经验或者是经过反复的训练和测试才能确定。
国外对粮食产量的预测研究则另有侧重,国外侧重于先进的遥感技术、统动力学模拟预测等,而国内侧重于对粮食生产统计资料分析的上建立相应的数学模型预测未来。各种预测方法都有一定的局限性,如灰色系统理论预测方法没有考虑系统未来发展趋势适应性,在系统的未来发展趋势与拟合数据的发展趋势不一致情况下,或在系统的发展趋势出现转折的情况下,灰色预测模型将不能给予准确的预测:神经网络预测方法比传统线性回归方法提高了预测精度,但神经网络模型存在局部极小值、网络的拓扑结构难以确定,泛化能力差等缺点。
本文在对粮食生产统计资料的整理分析基础上,将建立各种模型并进行对比,研究各个模型的适用条件和误差,最后能在粮食预测时能够选择更加适合的模型,使得粮食预测的结果更加的准确。
参考文献:
[1]姜新.河南省粮食产量影响因素和预测方法研究[J].中国农学通报,2019(01):154-158.
[2]王艳妮. 中国农产品产量预测模型的比较研究[D].青岛大学,shouji2018.
[3]廖顺宝,姬广兴,王晖,岳艳琳.粮食产量空间化中4种误差修正方法的对比与分析[J].中国农业资源与区划,2017,38(08):128-136.
以上是毕业论文文献综述，课题毕业论文、任务书、外文翻译、程序设计、图纸设计等资料可联系客服协助查找。
