福建省粮食产量影响因素主成分分析与产量趋势预测

[目的]深入了解福建省粮食产量的主要影响因素,预测福建省粮食产量未来发展趋势,为相关部门制定粮食生产决策提供科学依据.[方法]以1978～2012年福建省粮食产量的相关统计资料为基础数据,利用主成分分析法探讨粮食产量的影响因素;并以2007～2012年的粮食产量数据为样本,建立GM（1,1）预测模型对福建省未来5年（2013～2017年）的粮食产量进行预测.[结果]1978～2012年福建省粮食产量呈波动增长、快速下降和平稳发展的阶段特征,粮食生产主要集中在南平、龙岩和三明市一带;利用主成分分析法在确保信息量的基础上,提取了农业现代化水平因素和价格政策因素两个主成分;灰色GM（1,1）模型预测结果显示,在政策扶持下2013～2017年福建省粮食产量将呈现小幅稳步增长的发展趋势.模型平均相对预测误差为0.87％,预测精度较高.[建议]应增加科技投入、提高单位面积粮食产量、加大粮食扶持政策实施力度,以保持福建省粮食生产能力及提高粮食产量水平.     

线性回归与BP神经网络方法的山东粮食产量预测比较研究

山东省是我国传统农业大省,粮食产量对我国粮食总产量的影响较大,因此对山东省粮食产量进行预测具有重大意义.分别利用多元线性回归方法和BP神经网络两种预测方法对山东粮食产量进行预测,并对两种方法的预测结果进行分析比较,实验证明,BP神经网络平均预测精度高于多元线性回归模型,且各期预测精度较多元线性回归模型更稳定,但随时间推移,误差增大,因此BP神经网络预测模型较适用于近期粮食产量预测.     

黑龙江省粮食生产灰色关联分析和预测

根据2005~2013年黑龙江省统计资料,运用灰色关联方法对影响粮食生产的各个因素进行分析,并运用GM(1,1)模型预测未来几年黑龙江省的粮食总产量及其影响因素。结果表明,8个主要影响因素与黑龙江省粮食产量显著相关,其中农村用电量、农药施用量和粮食播种面积对粮食产量的影响最大;预测结果显示,未来几年黑龙江省的粮食总产量将会持续增加,有效灌溉面积、农村用电量和农业机械总动力将会成为影响黑龙江省粮食生产的3个最为重要的因素。根据分析结果提出相关建议,为今后黑龙江省农业可持续发展提供参考。     

基于小波变换灰度模型-人工神经网络(GM-ANN)组合的粮食产量预测模型

由于粮食生产受到社会、经济和气候等多方面因素的影响,造成粮食产量序列的复杂性、随机性和非平稳性。为了准确预测粮食产量,提出基于小波变换的灰度模型(GM)-反演(BP)神经网络[BP神经网络是人工神经网络(AMNN)的一种]相结合的预测方法,首先利用小波变换将非平稳序列转化为若干不同频率分量的平稳序列;然后针对各序列使用灰色GM(1,1)模型建立预测模型,为了进一步提高模型的预测精度,结合BP神经网络对预测残差进行修正;最后通过组合得到粮食产量的预测模型。通过对2011—2014年我国粮食产量数据的预测,表明所提方法的预测精度明显高于GM(1,1)和BP神经网络预测模型,4年的平均预测误差小于1%,能够较准确地预测我国粮食产量。     

基于灰色-马尔科夫模型的粮食产量预测

为提高粮食产量预测的准确性,针对我国粮食产量数据的特点,提出基于马尔科夫的新陈代谢灰度模型对我国粮食年产量进行短期精准预测。该方法首先利用传统灰色模型对产量进行预测,并计算预测误差,通过对误差序列灰色建模修正产量预测数据;其次,通过粮食年产量预测精度,将年产量数据划分成若干状态,进而得到各阶状态转移概率矩阵及历年产量对未来年份粮食产量的影响权重;最后通过建立新陈代谢灰度模型对未来年份的粮食产量进行预测。结果表明,在使用2000—2010年年粮食产量数据对2011—2015年年粮食产量进行预测时,预测误差均小于0.40%,平均误差低至0.19%,能够实现粮食产量的短期精准预测。     

季节性叠加趋势-马尔柯夫预测模型及其应用

    为提高利用季节性叠加趋势模型预测有较大波动性数据序列的预测精度,提出一种季节性叠加趋势一马尔柯夫组合预测新方法,并用于油菜平均产量的预测.采用浙江省诸暨市1949年到1996年的油幕平均每公顷产量数据建立一个季节性叠加趋势一马尔柯夫组合预测模型,对1997年到2003年的油菜平均每公顷产量进行预测,预测精度分别为:97.9%、97.9%、97.9%、97.9%、98.8%、97.7%和98.4 %.远远高于季节性叠加趋势模型的预测精度:76.1%、68.9%、70.9%、97.9%、82.5%、76.9%和82.2%.该方法具有计算简单、精度高的特点.说明利用季节性叠加趋势一马尔柯夫组合预测模型可以大大提高具有周期趋势性和较大波动性数据序列的预测精度.     

主产区、产销平衡区和主销区粮食产量影响因素的实证分析

探讨分析主产区、主销区和产销平衡区粮食产量的影响因素,为政府建立基于各自产区资源禀赋优势的利益协调机制提供理论与实证依据。基于1978—2013年的时间序列数据,采用经典CD生产函数对我国粮食主产区、产销平衡区和主销区粮食产量的影响因素进行实证分析和比较。结果表明,三大区域粮食产量的影响因素及其程度差异较大。其中,影响主产区粮食产量的主要因素依次是粮食播种面积、化肥施用量、农业贷款、农业财政支出、成灾面积;影响产销平衡区粮食产量的主要因素依次是粮食播种面积、农业机械总动力、化肥施用量、成灾面积;影响主销区粮食产量的主要因素依次是粮食播种面积、农业机械总动力、农业贷款、成灾面积。鉴于粮食种植面积和成灾面积在影响粮食产量中的重要性,政府应加大农田保护力度,积极抵御自然灾害,促使各区发挥其资源禀赋优势,从而保障国家的区域粮食平衡和维护粮食安全。     

豫西地区不同类型农田化肥增产效益及增产潜力研究

 【目的】探讨化肥在豫西地区不同地形农田的增产效益与增产潜力，为引导和实现化肥的优化配置和合理施用、提高豫西地区粮食产量提供参考依据。【方法】采用田间试验，研究了豫西地区平川地、坡平地、坡地等3种典型地形农田化肥施用量对作物产量的影响；并对3种典型农田化肥消费量与粮食产量的多年统计资料进行了分析，提出了二者之间的关系，并由此对豫西地区粮食增产潜力进行了预测。【结果】作物单产以平川地最高，坡平地次之，坡地最低。尽管在3种类型农田上使用化肥均可大幅度增加作物产量，但化肥增产效益以坡地最高，坡平地次之，平川地最低；对3种典型地形农田化肥消费量与粮食产量多年统计资料的分析也获得相同结论。根据田间试验结果对未来豫西地区粮食产量及增产潜力进行的预测表明，当采用本研究中最大施肥量时，豫西地区粮食总产量可达到4.24×109 kg，是2003年该地区粮食产量的2.1倍；并预测在增加粮食产量中，坡地贡献率占50.1%、坡平地占33.7%、平川地占16.2%，坡地和坡平地粮食生产对该地区粮食总产量具有决定作用。【结论】豫西地区3种典型地形农田中化肥增产效益存在差异，以坡地化肥增产效益最大。因此，加强坡地化肥投入，可有效地提高本区粮食总产量，对今后本区粮食的增产具有重要意义。     

陕西省近20年粮食产量变化及预测研究

深入了解陕西省粮食产量的变化情况,探究影响陕西省粮食产量的主要因素,为粮食安全政策构建提供科学合理理论参考。本文选取陕西省1999—2019年的粮食产量数据作为基础数据,采用GM (1,1)预测模型对未来5年(2020—2024年)陕西省粮食产量进行预测分析。研究结果表明,陕西省粮食产量变化趋势为波动型增长,单位面积粮食产量和人均粮食产量的变化情况与粮食总产量变化趋势基本保持一致。灰色GM (1,1)模型预测结果显示,2020—2024年陕西省粮食产量将呈现小幅稳步增长的发展趋势。模型平均相对预测误差模型平均相对误差Δ=0.03370.10,预测精度较高。     

运用混沌理论预测粮食产量

运用混沌理论的原理和方法预测粮食产量,探寻一种准确率高、时效长、成本低、便于普及推广的区域粮食产量预测方法。把粮食单产序列分解为趋势产量和气象产量2部分,用5年滑动平均法求得趋势产量后,通过分析粮食单产中气象产量分量的时间序列的变化规律,论述了由气候变化引起气象产量的年际波动具有混沌特性,具体表现为平稳的马尔柯夫型状态转移概率和相同的概率密度分布特点。并以陕西省武功县、河北省禹县和涿州3个地区1949—1999年小麦单产序列为例,运用MATLAB7.0语言编程构建了粮食产量的混沌预测模型,对2000年小麦单产进行预测,准确率分别为98.1%、92.1%和97.1%。预测结果表明,粮食产量的混沌预测法相对准确而有效,准确率在92%以上,可作为粮食产量预测的新方法加以推广。     

新疆奇台县粮食生产影响因素与模拟预测研究

[目的]分析奇台县粮食生产的影响因素,并对其产量进行预测.[方法]在分析奇台县58年粮食生产动态变化特点的基础上,利用主成分分析法(PCA)探讨了粮食生产的影响因素.[结果]农业科技进步和经济发展、制度政策是影响奇台县粮食生产的两个主要因子;分别建立GM(1,1)模型、ARIMA(1,3,3)模型以及两者的组合模型,拟合了奇台县粮食总产量的动态变化趋势.结果发现组合模型平均相对误差率仅为7;,说明组合模型的模拟精度较高,从而得出2010～2015年奇台县粮食总产预测值.[结论]GM(1,1)模型和ARIMA(1,3,3)模型两者组合的模型预测精度高于单个模型的预测精度.2015年该县粮食产量将达到52.1×104 t.     

云南省粮食产量影响因素的灰色关联分析

在粮食问题形势严峻的情况下,分析影响粮食产量的诸多因素,有利于提高粮食产量。根据1971—2008年云南省的相关统计资料,将粮食产量变化趋势划分为3个阶段,运用灰色系统理论分析了不同阶段云南省粮食产量与其影响因素的关联度,分析其关联系数波动原因。10个因素对粮食产量的影响程度为:农林牧业劳动力>有效灌溉面积>农用排灌动力>农作物总播种面积>粮食播种面积>农作物成灾面积>农作物受灾面积>农村用电量>化肥施用量>农用机械总动力。研究结果可为解决云南省粮食产量稳定增长问题提供理论依据。     

基于熵权灰色关联法的粮食产量影响因素

为粮食安全生产及提高粮食产量提供参考,选取中国统计年鉴1978-2015年的统计数据,采用熵权法和灰色关联分析法相结合,对影响我国粮食产量的10个指标进行分析。结果表明,农村用电量、有效灌溉面积和农业机械总动力是影响粮食产量的重要因素,农业生产资料指数对粮食产量的影响程度最低,受灾面积、化肥施用量、粮食单位面积产量、成灾面积、第一产业就业人员、粮食作物播种面积对粮食产量的影响程度依次降低。     

湖北省粮食总产气象预报模型

为探讨湖北省粮食总产气象预报模型,选用高空大气环流资料、地面气象资料和统计局历年产量资料,从全年粮食总产量的构成进行分析,提出并比较了4种粮食总产气象预报模型.预报模型采用线性或非线性方程进行模拟.从理论和实际两方面分析了每种模型的可行性.通过2 a的试运行和2006年的实际应用,效果很好,3 a来,此模型对湖北省粮食产量预测预报的准确率达98.1%～99.3%.确定用"分组模型"的方法建立湖北省粮食产量气象预报模型.     

新疆粮食产量影响因素分析及其贡献率比较

运用灰色关联分析法,通过对新疆1990~2008年粮食产量的影响因素（粮食播种面积、化肥施用量、农业机械总动力、有效灌溉面积、粮食生产劳动力）的灰色关联分析及其贡献率进行比较。结果表明：化肥施用量、农机总动力、有效灌溉面积始终是影响新疆粮食产量前三位的投入要素;化肥施用量、农机总动力两种投入要素对粮食产量的影响经历了由弱到强的变化。提高农业现代化水平、努力增加有效灌溉面积、促进农村剩余劳动力转移,是增加新疆粮食产量的主要途径。     

安徽省粮食产量预测及影响因素分析

根据安徽省2006-2014年的粮食统计资料,运用GM(1,1)模型对未来几年的粮食总产量进行预测,并对影响粮食总产量的各因素进行灰色关联分析。结果表明,未来几年安徽省的粮食总产量将呈持续上升趋势;各主要影响因子与粮食总产量呈显著关联,其中关联度大小依次为化肥施用量、粮食单产、农用柴油使用量、有效灌溉面积、粮食播种面积、农药使用量、农业机械总动力、受灾面积、成灾面积、农业财政支出。通过对安徽省粮食产量预测及影响因素的分析,为有关部门制定合理的经济政策提供科学的理论依据。     

基于多元线性回归的广西粮食产量预测

【目的】利用多元线性回归分析方法构建广西粮食产量预测模型,以期为相关研究提供参考。【方法】对影响粮食产量的各种因素进行分析,应用多元线性回归分析法建立广西粮食产量的预测模型。【结果】对粮食产量贡献最为明显的因子是种植面积,其次是单位面积产量,降水量对粮食产量影响最小。粮食产量与种植面积、粮食单产、降水量的回归方程为：y=-517.759+0.158x1+0.382x2-0.001x3。应用多元线性回归模型预测2012年广西粮食产量为1464.381万t。【建议】在保证土地面积的前提下,加快农业科技创新、加强农田水利建设和完善促进粮食生产的相关政策,以保证广西粮食生产的稳定发展。     

基于多元线性回归的广西粮食产量预测

【目的】利用多元线性回归分析方法构建广西粮食产量预测模型,以期为相关研究提供参考。【方法】对影响粮食产量的各种因素进行分析,应用多元线性回归分析法建立广西粮食产量的预测模型。【结果】对粮食产量贡献最为明显的因子是种植面积,其次是单位面积产量,降水量对粮食产量影响最小。粮食产量与种植面积、粮食单产、降水量的回归方程为：y=-517.759＋0.158x1＋0.382x2-0.001x3。应用多元线性回归模型预测2012年广西粮食产量为1464.381万t。【建议】在保证土地面积的前提下,加快农业科技创新、加强农田水利建设和完善促进粮食生产的相关政策,以保证广西粮食生产的稳定发展。     

基于一种加权组合模型的娄底市粮食总产量预测

为了对娄底市粮食总产量进行有效的预测,将多项式拟合模型、平滑指数模型、灰色GM(1,1)模型等3种常用的预测模型进行线性组合,构建了一种用于娄底市粮食总产量预测的加权组合模型。结果表明,采用加权组合模型预测的平均相对误差较小,具有较高的预测精度,从而为粮食产量预测问题的研究提供了一种有效方法。     

基于粗糙集和BP神经网络的粮食产量预测研究

为提高粮食产量的预测精度,提出一种基于粗糙集和BP神经网络的粮食产量预测方法。该方法以吉林省粮食总产量的历史数据作为研究对象,利用粗糙集理论的属性约简特性,识别与粮食产量相关性较大的影响因素,剔除非主要影响因素,利用约简后数据建立RSBP神经网络预测模型。结果表明,粗糙集理论能有效减少数据的维数及噪声,减少神经网络的计算量,结合两种方法能有效提高预测速度和精度。