兩種模型對中國生豬價格預測效果的比較

丁琳琳，孟 軍

(1.黑龍江省農墾經濟研究所，哈爾濱 150090；2.東北農業大學a.動物科學技術學院;b.理學院，哈爾濱 150030；3.國家大豆工程技術研究中心，哈爾濱 150030)

0 引言

對于豬肉市場的參與者來說，準確地預知未來生豬價格十分重要。這種重要性主要體現在：生豬生產者可以預先安排未來生產計劃，降低豬肉價格變動給生產經營帶來的風險；豬肉加工者可以合理選擇采購方案，節約成本；相關政府部門可以據此評估豬肉市場風險，合理安排市場運行。因此，生豬價格預測成為了農業經濟研究中的重點問題之一。

本文應用支持向量機方法對中國生豬價格進行預測，在此過程中，引入影響生豬生產價格的各種經濟變量，將成本、供求關系、替代品價格等多個指標作為支持向量機的輸入屬性參數，并將最終得到的生豬價格預測結果與BP人工神經網絡預測結果相比較，以證明支持向量機預測中國生豬價格的有效性。

1 樣本數據的提取

豬肉市場是一個開放的系統，影響生豬價格的因素錯綜復雜，通過分析生豬價格的形成，綜合考慮供給、需求、宏觀經濟環境等各方面影響因素，并參考他人研究成果[1-3]，結合統計數據的可獲取性和建模的適用性，我們最終選定了仔豬費用變動率X1，飼料價格指數X2、豬肉消費與供給比率X3、禽蛋收購價格指數X4、牛肉生產價格變動率X5、基礎母豬存欄量變動率X6、居民食品消費價格指數X7作為生豬生產價格指數Y的解釋變量。其中，仔豬費用和飼料價格是影響養豬生產的主要投入因素，是生豬生產成本的主要部分，對生豬生產價格有直接影響；生豬的供求關系是影響生豬價格的直接因素，豬肉消費與供給比率反映了生豬的供求狀況；替代品價格上升會引起生豬需求增加，但是替代品之間的相關性非常大，本文以禽蛋和牛肉為代表反映替代品價格對生豬生產價格的影響；基礎母豬存欄量直接影響下一個生產周期的產出情況，直接未來的生豬供給，間接影響未來生豬價格；豬肉價格變動與居民消費價格指數明顯相關，居民食品消費價格是按照居民消費內容對全國居民消費價格指數進行分類下的一個子類，它在很大程度上反映食品物價對居民生活的影響，一定程度上反映了食品包括豬肉的供求失衡狀態。

表1 生豬價格模型樣本數據

所用的變量樣本數據均為1993～2008年的歷史數據，統計數據分別來自中國統計年鑒、中國農業發展報告、中國農村統計年鑒、全國農產品成本收益資料匯編和聯合國糧食及農業組織，或經其計算獲得。模型的基礎數據見表1。

2 基于SVM的生豬價格預測

2.1 核函數的確定

核函數的確定是支持向量機中的重要部分。不同的核函數代表了支持向量機解決非線性分類問題時進行不同的非線性映射，它的選擇合適與否直接影響預測的實現和效果。我們分別采用3種常用的核函數高斯核函數、多項式核函數和感知器核函數為核的SVM進行仿真實驗，選出性能最優的高斯核函數，其中，σ＞0是核函數的參數，后文中用g來表示σ。

2.2 參數的確定

圖1 SVM模型的擬合和預測情況

表2 SVM模型的擬合結果

基于RBF核函數的SVM的性能是由參數(C，g)決定，如果誤差懲罰參數C和高斯核參數g取值不合適，SVM就無法達到預期的學習效果，影響SVM的推廣能力，因此，要對參數尋優。本文采用雙線性網格搜索法確定參數[4]。不斷調整參數c和g，以使誤差（mse）最小，最終，對C和g在C∈[2-8,28]，g ∈ [2-8,28]內得到Best c=5.278，Best g=0.0206 為最優參數，Best mse=0.0343，得出SVM預測模型。

2.3 預測模型的建立

為消除各因子的量綱和單位不同產生的影響，提高預測模型的計算速度和預測精度，我們首先對樣本數據進行歸一化處理。然后，選取1993～2005年13個樣本作為訓練 樣 本 ，2006～2008年3個樣本作為檢驗樣本。根據前文所得的預測模型，對1993～2005年的生豬價格的訓練和預測情況見圖1，擬合訓練的結果見表2，對2006～2008年的生豬價格預測的結果見表3。

表3 SVM模型的預測結果

從表2中可以看出，SVM模型的擬合效果還是相當好的，相對誤差低于5%的值占到85%。隨著擬合的進行，相對誤差的波動總體上逐漸趨于平穩。

從表3中可以看出，SVM模型對未來生豬生產價格數指數數據進行預測的預測精度較高，說明SVM模型具有良好的預測性能，能夠較好地反映生豬價格與其影響因素之間復雜的非線性關系，在生豬價格預測方面具有良好的應用前景。

3 不同模型對生豬價格預測的比較

3.1 BP人工神經網絡模型對生豬價格的預測

圖2 BP人工神經網絡模型預測情況

表4 BP人工神經網絡模型的擬合結果

表5 ANN模型的預測結果

為驗證SVM模型在生豬價格預測上的優勢，本文選用同樣可用于非線性時間序列預測的BP人工神經網絡模型對上述訓練樣本和預測樣本進行訓練及預測，訓練和預測情況見圖2，擬合訓練的結果見表4，對 2006～2008 年的生豬價格預測的結果見表5。

由表4可知，BP人工神經網絡模型的擬合效果不佳，相對誤差低于5%的值只占69%。

從表5中可以看出，BP人工神經網絡模型的預測精度較低，預測結果相對誤差低于5%的值只占33%，說明BP人工神經網絡模型不適用于對未來生豬價格的預測。

3.2 不同模型預測結果的比較及評價

對上述SVM和BP人工神經網絡模型的預測結果進行對比，我們發現無論是擬合結果還是預測結果，都是BP人工神經網絡模型的預測誤差較高，且沒有通過檢驗，而SVM模型的擬合和預測結果更接近真實值，適合于對未來生豬價格的預測。

表6 不同模型的預測精度比較

我們進一步選用均方根誤差（RMSE）、平均絕對百分誤差（MAPE）和希爾不等系數（TIC）3種評價指標對這2種模型的預測結果進行評價，結果見表6。

由表6可知，在生豬價格的預測上，SVM模型的預測誤差較低，預測效果明顯優于BP人工神經網絡模型，因此，具有優異的泛化推廣能力的SVM模型預測生豬價格更可靠。

4 結論

考慮到生豬價格預測問題有小樣本、高維度、非線性的特點，本文利用在解決這類問題上具有優勢的支持向量機建立生豬價格預測模型，該模型較好地反映了生豬價格與其各主要影響因素之間的非線性關系，取得了較高的預測精度。同時，為了進一步說明SVM模型在預測生豬價格方面的優勢，將其與BP人工神經網絡所建模型的預測精度進行比較，結果表明，SVM模型的預測精度明顯高于BP人工神經網絡模型，更適合于中國生豬價格的預測。

另外，在此模型中，解釋變量的選擇是否合適直接影響預測的效果。而生豬價格的影響因素眾多，且具有動態性。隨著時間的變化，這些影響因素的貢獻率可能發生變化，還可能出現新的影響因素。因此，為了提高預測的可靠度，需要對眾多影響生豬價格的因素進行新的甄別與分析，以確定最合適的解釋變量來保證生豬價格預測的準確性。

[1]趙靜.我國豬肉價格變動的影響因素研究[D].西南大學,2010.

[2]辛賢,譚向勇.中國生豬和豬肉價格波動因素測定[J].中國農村經濟1999,(5).

[3]馬雄威.我國豬肉價格波動研究[D].華中農業大學,2009.

[4]劉東輝,卞建鵬,付平等.支持向量機最優參數選擇的研究[J].河北科技大學學報,2009,30(1).