基于災變灰模型的牡蠣價格異常波動風險預警研究

周昌仕 張麗麗 慕永通

(1.廣東海洋大學 管理學院，廣東 湛江 524088；2.中國海洋大學 水產學院，山東 青島 266003)

?

基于災變灰模型的牡蠣價格異常波動風險預警研究

周昌仕1張麗麗1慕永通2

(1.廣東海洋大學 管理學院，廣東 湛江 524088；2.中國海洋大學 水產學院，山東 青島 266003)

牡蠣價格的異常波動會損害人們的消費欲望、給養殖戶帶來損失并最終影響牡蠣產業的持續健康發展，有必要對其進行準確預警和管控。以2011-2016年兩廣地區香港牡蠣的平均帶殼批發價格為基礎，利用災變灰模型對牡蠣價格進行風險預警。擬合結果表明，基本模型不能用來預測牡蠣價格的異常波動情況，需引入第三方影響因子CPI指數來優化模型。預測結果顯示，若有關利益主體不作為，2020年與2021年的牡蠣價格可能會發生異常波動，需要作好牡蠣價格異常波動的災情預警和監管。

牡蠣價格；異常波動；風險預警；災變灰模型

牡蠣是依靠濾食海水中浮游生物生長的資源依賴型大宗貝類優勢類群，海水環境變化會對牡蠣生長速度、產量和品質產生重大影響，[1]并有可能引起牡蠣價格異常波動，而牡蠣價格的異常波動會損害人們的消費欲望、給養殖戶帶來損失并最終影響牡蠣產業的持續健康發展，因此有必要對其進行風險預警和管控。如果在價格波動之前就能獲知災變的信息，養殖戶、產業合作組織和政府有關管理部門就可以采取有效的防范和規避措施，牡蠣價格異常波動的風險預警研究至關重要。在價格歷史數據相對容易獲取的蔬菜、生豬和玉米等必需品領域，價格異常波動預警已經得到研究和運用，[2-4]而在價格統計數據缺少的牡蠣產業等海水產品領域，價格異常波動的預警分析較為欠缺。本文基于災變灰理論探索性地構建牡蠣價格波動預警模型，對牡蠣價格的異常波動進行風險預測，旨在為牡蠣養殖戶和有關部門提供參考并為海水產品價格風險預警研究提供借鑒。

一、理論與模型

(一)災變灰理論

價格波動預警常用的模型有BP神經網絡模型、SARIMA模型、季節因子分離模型和灰預測模型等，前3個模型對數據量要求較高，不適用于對數據相對稀缺的牡蠣價格進行風險預測，但灰預測模型分支下的災變灰模型適用于分析既無經驗又缺少數據的不確定性問題。災變灰模型的理論內涵得到不斷豐富，已經被廣泛運用于社會各個領域。[5]其核心理念強調信息優化，研究現實規律，基本思想是通過鑒別系統因素之間發展趨勢的相異程度(即關聯分析)，對原始數據進行處理來尋找系統變動的規律，生成具有較強規律性的數據系列，對具有灰色系統特征的社會經濟現象進行預測。[6]構建災變灰模型的一般步驟是把數據處理過程看作一個灰色過程，先通過白化微分方程建立灰色模型，再進行基于灰色模型的灰色預測或相關分析。灰色模型有靜態模型、狀態模型和預測模型。預測模型又包括灰色馬爾柯夫預測模型和GM(1.1)預測模型，其中最常用的是后者，它是一階單變量的灰色模型，可預測變量本身，同時也是灰色預測的基礎。[7]GM(1.1)預測模型被廣泛應用于分析數據收集難度大、數據量不多的領域，鑒于牡蠣價格具有難收集和數量較少的數據特征，其風險預警適合采用該預測模型。

(二)基本模型構建

對牡蠣價格異常波動年份進行預測需要構建基本模型，其建立步驟是：首先利用牡蠣價格原始數據累加建立GM(1.1)模型的微分方程；然后利用最小二乘法求解模型中微分方程的參數a、b；其次根據已經求解的模型做牡蠣價格的殘差分析，并估算牡蠣價格異常波動的災變閥值，最終構建GM(1.1)預測基本模型。

1、GM(1.1)微分方程的建立

GM(1,1)反映一個變量對時間的一階微分函數，對牡蠣價格和年份求一階導數(為方便計算，年份取值為2011=1，2012=2，……)：

(1)

設牡蠣價格為原始數列：

x(0)={x(0)(1),x(0)(2),x(0)(3),…,x(0)(n)},i=1,2,…,n

i表示牡蠣價格所對應的年份，對序列x(0)進行GM(1.1)建模，按照下列公式進行累加：

(2)

2、參數a、b的求解

(3)

(4)

由公式(1)-(4)求解參數a、b：

(5)

3、牡蠣價格的殘差分析

采取殘差檢驗，求出牡蠣價格的殘差分析值，并對牡蠣價格異常波動的災變閥值進行估算，牡蠣價格殘差分析值大于災變閥值即為對應年份的牡蠣價格發生異常波動。牡蠣價格殘差分析值的公式如下所示：

(6)

二、預測模型檢驗與優化

(一)數據來源

在現代農業產業技術體系建設專項資金資助下，課題組通過訪談兩廣地區沿海市縣海洋與漁業主管部門、現場考察水產品批發市場、入戶深度調查和電話回訪確認等方式，了解該地區牡蠣產業的發展狀況，收集整理出該地區香港牡蠣平均帶殼批發價格(見表1)。

表1 2011-2016年兩廣地區香港牡蠣平均帶殼批發價格(元/kg)

注：數據來源于課題組的系統調查和收集整理。

(二)預測模型檢驗

1、回歸分析

設定各年份香港牡蠣的平均帶殼批發價格為：

x(0)={x(0)(1),x(0)(2),…,x(0)(n)}

因表1中各地區的價格與兩廣地區平均價格所得模型結果基本相同，為方便計算，取兩廣地區的平均價格組建模型并作牡蠣價格的殘差分析，則有：

x(0)={x(0)(1),x(0)(2),…,x(0)(6)}={3.6,4.2,4.9,6.4,7.2,7.5}

利用最小二乘法對2011-2016年牡蠣價格作回歸分析(見表2)。

表2 2011-2016年牡蠣價格回歸分析結果

注：括號里為t值，*表示P<1%。

由表2中回歸結果可得a=2.63，b=0.86，即牡蠣價格y和年份x之間的關系為：

y=2.63+0.86x

(7)

2、殘差分析

表3 2011-2016年牡蠣價格的殘差分析(元/kg，%)

3、災變閥值估算

估算模型中牡蠣價格的災變閥值為10%，而上述各年殘差分析的結果都低于10%，說明只將年份作為GM(1.1)模型的時分布并不全面，此時的預測模型還不夠精確，并不能用來準確預測牡蠣價格的未來變動，需要引入新的第三方影響因子來優化模型，以提高預測數據的準確性。

(三)預測模型優化

2011-2016年兩廣地區香港牡蠣平均帶殼批發價格分別為3.60、4.20、4.90、6.40、7.20和7.50元/kg。假定2011年牡蠣價格增長率為0，則2012-2016年牡蠣價格增長率分別為0.17%、0.17%、0.31%、0.13%和0.04%。根據《中國統計年鑒》的統計，2011-2016年的平均居民消費價格指數(CPI)分別為105.4、102.6、102.6、102.0、101.4和101.9。以CPI為自變量x1，牡蠣價格增長率為因變量yd，擬合x1、yd之間的對數函數關系，得到線性回歸方程：

yd=3.93ln(x1)-18.02(8)

表4 2011-2016年CPI調整下牡蠣價格的殘差分析(kg，%)

結果顯示，2014年和2016年的牡蠣價格殘差分析值都大于災變閥值10%，即牡蠣價格有發生異常波動的趨勢。從數據來源看(見表1)，2014年牡蠣價格增長最快，2016年牡蠣價格增長最慢，2014年、2016年牡蠣價格異常波動顯著。研究結果驗證了牡蠣價格與CPI之間有緊密聯系，即引入CPI之后的GM(1.1)模型有效，可用來預測牡蠣價格的未來波動。

三、牡蠣價格異常波動的風險預測

(一)數據擬合

(二)風險預測

表5 CPI調整下2017-2021年牡蠣價格的殘差分析(元/kg，%)

如表5所示，2017-2021年的牡蠣價格殘差分析值分別為8.09%、9.04%、9.93%、10.68%、10.91%。其中，2017-2019年的牡蠣價格殘差分析值都小于災變閥值10%，即牡蠣價格不會發生太大的改變，牡蠣價格波動在正常范圍內。然而，2020年與2021年的牡蠣價格殘差分析值均大于災變閥值10%，即若有關利益主體不作為或政府管制不當，2020年與2021年的牡蠣價格都有異常波動的趨勢，2021年牡蠣價格殘差分析值比2020年的殘差分析值大，故2021年更需要作好預防牡蠣價格異常波動的災情準備，避免造成過度損失。

究其根源，引起牡蠣價格異常波動的風險因素很多。例如，該地區牡蠣產業尚處于以分散化經營為主的獨立發展階段，又缺乏能引導牡蠣有效生產的信息平臺，[1]牡蠣養殖戶不能共享資本、技術和市場等資源，致使牡蠣生產過于依賴自然環境而產生較大的養殖風險；由于各地區文化背景和消費習慣不同，消費者對產品的需求就不盡相同，而且各地可能會為公共利益甚至部門利益而采取本地環保標準等限制措施，從而造成營銷風險；該地區牡蠣產品存在“沙井蠔”“晨洲蠔”和“程村蠔”等品牌(在兩廣地區牡蠣俗稱“蠔”)，而對品牌認同與接受程度不同又會帶來品牌風險。牡蠣價格受隨機波動、季節波動和周期波動的影響較大，[8]預計短時間內市場牡蠣價格很難有明顯下降的空間，需要做好長期牡蠣價格預警工作。

四、結論與建議

(一)結論

以兩廣地區2011-2016年香港牡蠣平均帶殼批發價格為基礎，利用災變灰模型對牡蠣價格進行風險預警。模型擬合結果表明，只對年份和牡蠣價格之間的關系作預警分析的結果并不理想，引入CPI指數作為第三方影響因子修正預測模型，可提高GM(1.1)模型預測的準確度。對2017-2021年牡蠣價格的風險預測結果顯示，若有關利益主體不作為或政府管制不當，則2020年與2021年的牡蠣價格均存在異常波動的趨勢，需要作好牡蠣價格異常波動災情預警和監管。

(二)政策建議

一是建立牡蠣價格異常波動預警長效機制。這需要多方聯動和分工合作，政府管理部門是預警機制的主導者，并根據預警結果實施有效的牡蠣價格宏觀調控措施；行業協會是預警機制的協調者，成為政府和企業、養殖戶和合作社溝通的橋梁，要配合政府管理部門的調控措施，并作好本行業的價格預警服務；企業、養殖戶和合作社是預警機制的參與者和受益者，要配合政府管理部門的預警工作。

二是建設確保牡蠣價格公開透明的信息平臺。借鑒珠海牡蠣養殖的管理辦法，[9]疏導心理，共享信息，只有讓大眾消費者相信政府有關部門會穩定市場秩序，不會亂漲價，才能避免消費者因為恐懼價格上漲的心理而出現的跟風搶購現象，應建立牡蠣信息公開平臺，保證牡蠣價格的公開透明。

三是實施牡蠣產業流通環節的規范化管理。應借鑒農產品管理的經驗，[10-11]吸取2014年由于經濟過快增長而造成的牡蠣價格異常波動的經驗教訓，跟蹤分析牡蠣價格的變化趨勢，加強牡蠣產業供應鏈的規范化管理，避免和減少因為牡蠣價格異常波動而帶來的不必要經濟損失。相關部門要做好價格管理工作，不僅要加強牡蠣價格監督檢查，限制壟斷，堅決打擊亂調價和牟取暴利的行為。

[1] 周昌仕,郇長坤,慕永通.珠三角沿海地區牡蠣產業發展策略研究[J].農業現代化研究,2014,35(6):757-762.

[2] 劉思峰,鄧聚龍. GM(1,1)模型的適用范圍[J].系統工程理論與實踐, 2000, 20(5):121-124.

[3] 李優柱,李崇光,李谷成. 我國蔬菜價格預警系統研究[J].農業技術經濟,2014,(7):79-88.

[4] 劉芳,王琛,何忠偉. 我國生豬市場價格預警體系研究[J].農業技術經濟,2013,(5):78-85.

[5] Picozzi M, Bindi D, Pittore M, et al. Real-time risk assessment in seismic early warning and rapid response: a feasibility study in Bishkek (Kyrgyzstan)[J]. Journal of Seismology, 2013, 17(2):485-505.

[6] Tang Y Q, Cui Z D, Wang J X, et al. Application of grey theory-based model to prediction of land subsidence due to engineering environment in Shanghai[J]. Environmental Geology, 2008, 55(3):583-593.

[7] Pitchipoo P, Venkumar P. Grey decision model for supplier evaluation and selection in process industry: a comparative perspective[J]. The International Journal of Advanced Manufacturing Technology, 2015, 76(9):2059-2069.

[8] 李輝尚,沈辰,孔繁濤.基于X12-HP模型的水產品價格波動分解研究[J].廣東農業科學,2016,43(11):175-183.

[9] 張亞峰,雷俊,鄭曉坤,等.珠海牡蠣養殖業現狀初步調查分析和思考[J].水產科技,2010,(Z1):21-23.

[10] 羅蓉,王志凌.農產品價格傳導機制研究方法的創新探索[J].農業經濟問題,2016,(6):91-92.

[11] 展進濤,唐若迪,謝銳.轉基因水稻產業化的潛在動態影響[J].農業經濟問題,2015,(4):11-18.

責任編輯：王明舜

A Study on Risk Early Warning of Abnormal Fluctuations inOyster Price Based on Catastrophe Grey Model

Zhou Changshi1Zhang Lili1Mu Yongtong2

(1. College of Management, Guangdong Oceanic University, Zhangjiang 524088, China;2. College of Fisheries, Ocean University of China, Qingdao 266003, China)

Abnormal fluctuations in oyster prices can curb people's consuming desire, bring losses to farmers and ultimately affect the sustainable and healthy development of oyster industry, which is necessarily to be accurately alerted and controlled. Based on the average shell price of Hong Kong oysters in Guangdong and Guangxi in 2011～2016, the catastrophe grey model was used to forecast the price of oysters. The fitting results show that the basic model cannot be used to predict abnormal fluctuations in oyster prices, and a third-party influencing factor CPI index is needed to optimize the model. The forecast results show that if the relevant stakeholders do not act, the price of oysters in 2020 and 2021 may fluctuate abnormally, and the disaster early warning and supervision of oyster price fluctuation need to be made.

oyster price; abnormal fluctuation; risk early warning; catastrophe grey model

2017-03-30

國家“現代農業產業技術體系建設專項資金資助”資助

周昌仕(1971- )，男，湖南永州人，廣東海洋大學管理學院教授，博士，主要從事海洋產業發展、財務理論與實踐研究。

D509

A

1672-335X(2017)03-0001-04