一種黔南州烤煙產(chǎn)量到戶預(yù)測模型的構(gòu)建

摘 要：隨著大數(shù)據(jù)技術(shù)的深入推廣與應(yīng)用，如何借助科學(xué)的方法來對海量的基礎(chǔ)數(shù)據(jù)進(jìn)行加工處理，從中獲得一些能夠為相關(guān)決策活動提供參考指導(dǎo)的信息成為研究者高度關(guān)注的問題。本文重點圍繞一種黔南州烤煙產(chǎn)量到戶預(yù)測模型展開研究，通過實際烤煙生產(chǎn)中得到的數(shù)據(jù)，建立了一個R2為0.679的多元線性回歸預(yù)測模型，建立的預(yù)測模型在偏差率[偏差率=（預(yù)測值-實際值）/實際值]上，單戶平均偏差率0.39%，可用于實際生產(chǎn)預(yù)測。本文僅為如何有效運用該模型提出相關(guān)的指導(dǎo)和建議，以促進(jìn)該模型在烤煙產(chǎn)量到戶預(yù)測方面發(fā)揮更大的價值。

關(guān)鍵詞：烤煙;產(chǎn)量;預(yù)測模型;黔南州

為了實現(xiàn)大數(shù)據(jù)技術(shù)在貴州省黔南州農(nóng)業(yè)生產(chǎn)活動中的積極應(yīng)用，為烤煙產(chǎn)量的科學(xué)預(yù)測提供科學(xué)的支撐，筆者以黔南州為例，構(gòu)建了一種烤煙產(chǎn)量到戶預(yù)測模型，并通過往年數(shù)據(jù)的檢驗取得了較好的結(jié)果。現(xiàn)就該預(yù)測模型構(gòu)建的相關(guān)理論與實踐內(nèi)容進(jìn)行介紹說明，以推動模型的推廣與應(yīng)用。

一、研究背景

在現(xiàn)代化農(nóng)業(yè)發(fā)展過程中，如何通過有效的科學(xué)技術(shù)來提升生產(chǎn)活動的準(zhǔn)確性，降低生產(chǎn)過程中的盲目性和風(fēng)險性，是近年來理論與實踐研究中的重點內(nèi)容。隨著大數(shù)據(jù)技術(shù)的發(fā)展，如美國、德國等發(fā)達(dá)國家通過建立生產(chǎn)預(yù)測模型和方法來指導(dǎo)農(nóng)業(yè)生產(chǎn)，取得了明顯的效益，而且為農(nóng)業(yè)科學(xué)技術(shù)的發(fā)展提供了推動力。相較于國外而言，雖然國內(nèi)一些專家學(xué)者已經(jīng)將大數(shù)據(jù)技術(shù)應(yīng)用到農(nóng)業(yè)生產(chǎn)領(lǐng)域，通過構(gòu)建相應(yīng)的生產(chǎn)模型來預(yù)測生產(chǎn)經(jīng)營的效益，但尚處于探索階段，需要深入進(jìn)行研究與實踐。當(dāng)然，雖然目前國內(nèi)農(nóng)業(yè)生產(chǎn)預(yù)測模型應(yīng)用偏少，但也存在利用預(yù)測模型來對天然林、水稻、小麥籽粒等產(chǎn)量進(jìn)行預(yù)測的成果。

黔南州作為我國烤煙生產(chǎn)的重點區(qū)域，對其產(chǎn)量進(jìn)行準(zhǔn)確的預(yù)測可以為經(jīng)濟(jì)方面的相關(guān)決策提供充分、科學(xué)的依據(jù)，進(jìn)而提升農(nóng)戶生產(chǎn)的綜合效益[1]。對于產(chǎn)量的預(yù)測來說，最佳的方法就是通過產(chǎn)量到戶的預(yù)測模型來預(yù)測每戶煙農(nóng)所能生產(chǎn)的烤煙產(chǎn)量，進(jìn)而確定整個地區(qū)的產(chǎn)量[2]。基于上述原因的考慮，本次研究選擇以黔南州藜山煙草站為例，根據(jù)大數(shù)據(jù)的相關(guān)思想和方法，以及煙草站積累的數(shù)據(jù)，建立烤煙產(chǎn)量到戶預(yù)測模型，為該地區(qū)的烤煙產(chǎn)量預(yù)測提供指導(dǎo)和幫助。

二、烤煙產(chǎn)量到戶預(yù)測建模的主要方法

本次構(gòu)建的烤煙產(chǎn)量到戶預(yù)測模型主要采用多元線性回歸模型。之所以選擇該模型，主要是考慮到影響烤煙產(chǎn)量的因素比較多，除了實際種植面積、病害發(fā)生率、蟲害發(fā)生率等因素以外，還有肥料用量、用藥頻次和勞動力投入等。相對于一元線性回歸模型而言，多元線性回歸模型所具備的對一個變量與多個變量之間的關(guān)系進(jìn)行研究的優(yōu)勢能夠滿足農(nóng)戶了解產(chǎn)量與其他諸多因素之間的數(shù)量關(guān)系，從而提升預(yù)測模型的實

效性。

除了上述理論性內(nèi)容以外，從現(xiàn)實的可行性方面來看，模型構(gòu)建所需的上等煙比例、667 m2產(chǎn)量、合同面積等數(shù)據(jù)可以通過相關(guān)的信息化系統(tǒng)進(jìn)行查詢，而實際種植面積、病害發(fā)生率、蟲害發(fā)生率、有效葉片數(shù)、肥料用量、家庭勞動力和用藥次數(shù)等數(shù)據(jù)可以通過對農(nóng)戶的調(diào)查獲取，從而為烤煙產(chǎn)量到戶預(yù)測模型的構(gòu)建提供完整的數(shù)據(jù)支持。

三、自變量的選擇

自變量的選擇是模型構(gòu)建中的關(guān)鍵性工作，其直接影響烤煙產(chǎn)量到戶預(yù)測模型的最終構(gòu)建效果。在本次研究過程中，為了確保自變量選擇的科學(xué)性和正確性，圍繞影響烤煙產(chǎn)量的因素進(jìn)行了探索，通過研究小組成員的多次反復(fù)討論與交流，通過比對及驗證后確定為追肥施用量、病蟲害發(fā)生率、氣候條件、合同面積和長勢情況5項指標(biāo)在內(nèi)的自變量因素。而在對這些因素進(jìn)行深入分析后認(rèn)為，相較于其他4種自變量而言，氣候條件這一自變量雖然對烤煙產(chǎn)量的影響較大，但從現(xiàn)實方面來考慮，一方面該數(shù)據(jù)指標(biāo)獲取的難度比較大，并且產(chǎn)量到戶預(yù)測模型主要是以藜山煙草站所轄的區(qū)域為對象來對農(nóng)戶的烤煙產(chǎn)量進(jìn)行的預(yù)測，農(nóng)戶產(chǎn)量受氣候條件的影響差異較小，最終決定將其排除自變量范圍。因此，最終構(gòu)建的模型主要用于探討肥料施用、病蟲害發(fā)生、合同面積、長勢情況對農(nóng)戶烤煙產(chǎn)量的影響。

四、建立烤煙產(chǎn)量到戶預(yù)測模型

本次烤煙產(chǎn)量到戶預(yù)測模型建立過程中，相關(guān)的數(shù)據(jù)主要通過對藜山煙草站的139戶煙農(nóng)及其煙田進(jìn)行實地調(diào)查，主要搜集合同面積、實際面積、根莖病害發(fā)生率、蟲害發(fā)生率、有效葉片數(shù)、追肥用量和667 m2產(chǎn)量等數(shù)據(jù)。而烤煙產(chǎn)量到戶預(yù)測模型的構(gòu)建主要采取兩步，即剔除異常數(shù)據(jù)和建立模型。

（一）剔除異常數(shù)據(jù)

在建立模型之前，首先需要對調(diào)查數(shù)據(jù)中的因變量單位面積產(chǎn)量進(jìn)行有效性篩選。在建立模型之前，為了保證所建立模型的有效性，初步確定了有效剔除異常數(shù)據(jù)的3種方案：方案一，根據(jù)顯著性差異去除;方案二，用單變量離散點檢驗去除;方案三，用差值分析的置信區(qū)間去除。而經(jīng)過深入分析后發(fā)現(xiàn)，以顯著性差異為標(biāo)準(zhǔn)對異常數(shù)據(jù)進(jìn)行剔除雖然簡單且容易操作，但其準(zhǔn)確性相對比較差，難以滿足研究的需要;單變量離散點檢驗方法能夠確保數(shù)據(jù)的完整性，但操作起來相對比較復(fù)雜;以差值分析的置信區(qū)間去除異常數(shù)據(jù)雖然簡單易行，但難以有效保證數(shù)據(jù)的完整性。小組成員圍繞3種剔除方法的難易度、效果性、科學(xué)性、數(shù)據(jù)完整性和數(shù)據(jù)可行性等方面進(jìn)行綜合評分后，發(fā)現(xiàn)用單變量離散點檢測去除異常數(shù)據(jù)的方法性價比相對比較高（見表1），因此，選擇該方法對異常數(shù)據(jù)進(jìn)行剔除。

所謂的單變量離散點檢驗，是指在建立預(yù)測模型的過程中，為了有效地弱化那些預(yù)測效果不佳的觀測點的影響，通過boxplot.stats函數(shù)將這些點去除出去，從而確保研究效果的方法。

（二）自變量調(diào)查及處理

在對自變量進(jìn)行數(shù)據(jù)調(diào)查的過程中，分別對單戶煙農(nóng)的基肥施用量、病蟲害發(fā)生情況、有效葉片數(shù)、合同面積和實際面積進(jìn)行了調(diào)查。選用的是單戶農(nóng)戶的具有代表性地塊，按照隨機(jī)五點式方法調(diào)查50株。其中，病害調(diào)查選擇了當(dāng)?shù)爻Ｄ臧l(fā)生且相對其他病害較為嚴(yán)重的青枯病作為自變量，而蟲害調(diào)查選擇的是煙株平滑傷口作為評價蟲害發(fā)生的自變量。選擇煙株鋸齒狀傷口作為蟲害自變量，一方面在于實際生產(chǎn)過程中，煙株平滑傷口調(diào)查難度較小，在實際生產(chǎn)工作中可有效推行;另一方面在于煙株鋸齒狀傷口可有效地評價煙株的整體蟲害發(fā)生情況，具有代表性。病害發(fā)生率、蟲害發(fā)生率、有效葉片數(shù)計算方法分別如下：

病害發(fā)生率（X3）/%=青枯病發(fā)病株/調(diào)查總株數(shù)×100

蟲害發(fā)生率（X4）/%=具有鋸齒狀傷口的煙株/調(diào)查總株數(shù)×100

有效葉片數(shù)（X5）/片=∑（調(diào)查的各煙株的葉片數(shù)）/調(diào)查株數(shù)

（三）建立模型

本次研究的模型構(gòu)建主要借助SPSS軟件進(jìn)行。建模主要以合同面積X1（hm2）、實際面積X2（hm2）、病害發(fā)生率X3（%）、蟲害發(fā)生率X4（%）、有效葉片數(shù)X5（片）、基肥用量X6（kg/667 m2）為自變量，以單位面積產(chǎn)量Y（kg/667 m2）為因變量構(gòu)建多元回歸模型。

1.置信區(qū)間在0%～70%時的模型

置信區(qū)間在0%～70%時的模型匯總情況見表2，系數(shù)見表3。

綜合上述2種置信區(qū)間內(nèi)的模型結(jié)果最終確認(rèn)為Y=-185.184-0.792X1+0.514X2-1.731X3-1.073X4+22.243X5+1.818X6為烤煙產(chǎn)量到戶預(yù)測的模型，其中Y為單位面積產(chǎn)量，X1為合同面積，X2為實際面積，X3為病害發(fā)生率，X4為蟲害發(fā)生率，X5為有效葉片數(shù)，X6為基肥用量。

五、模型的運用

對于本次研究來說，建立模型僅僅是工作中的第一部分，最重要的是將其運用到實際的烤煙產(chǎn)量預(yù)測中，為農(nóng)戶的烤煙生產(chǎn)和產(chǎn)量的掌握提供科學(xué)的依據(jù)。具體來說，烤煙產(chǎn)量到戶預(yù)測模型的運用為產(chǎn)量預(yù)測和實際烤煙收購過程中的信息獲取提供

支持。

（一）產(chǎn)量預(yù)測

通過該模型對調(diào)查的139戶煙戶的產(chǎn)量進(jìn)行預(yù)測，并與實際產(chǎn)量進(jìn)行對比，得出模型預(yù)測值與實際值的偏差，結(jié)果見表6。

通過測試可以發(fā)現(xiàn)，該模型的偏差在-2.98%。并且預(yù)測模型的相關(guān)系數(shù)目標(biāo)值為0.6，實際值為0.679，模型預(yù)測達(dá)到目標(biāo)。在單戶產(chǎn)量檢測過程中發(fā)現(xiàn)，產(chǎn)量越接近150 kg/667 m2的煙戶，其偏差

（二）實際烤煙收購

在得到模型預(yù)測的產(chǎn)量后，除了可以對單個煙戶的產(chǎn)量進(jìn)行預(yù)測外，收購站還可以有效地掌握單站的產(chǎn)量預(yù)測。例如，在本次研究過程中，按照2018年收購數(shù)（上機(jī)數(shù)+代保管數(shù)量）統(tǒng)計，實際產(chǎn)量為169.54 kg/667 m2，推算值為165.50 kg/667 m2。按照2018年藜山煙草站烤煙種植面積為293.33 hm2計算：實際產(chǎn)量=169.54 kg/667 m2×

通過上述模型可以對烤煙收購過程中的質(zhì)量問題進(jìn)行一定的參考和指導(dǎo)，確保收購工作的效果。

六、展望

通過對烤煙產(chǎn)量到戶預(yù)測模型的分析可以看出，該模型是基于現(xiàn)實數(shù)據(jù)基礎(chǔ)上，通過科學(xué)方法所構(gòu)建的模型，具有科學(xué)性和可行性。并且通過該模型可以有效預(yù)測每戶煙戶的單位面積產(chǎn)量，為精準(zhǔn)收購和實效數(shù)據(jù)信息的充分利用提供了科學(xué)的輔助作用。但由于研究現(xiàn)實數(shù)據(jù)缺乏的原因，所構(gòu)建的模型對于氣候等自然性因素的考慮較少，進(jìn)而制約了該模型在我國其他地區(qū)的應(yīng)用。因此，在接下來的烤煙產(chǎn)量到戶預(yù)測模型研究過程中，會對氣象因子進(jìn)行收集，探討包含氣候變量在內(nèi)的更加科學(xué)有效的烤煙產(chǎn)量到戶預(yù)測模型，為烤煙生產(chǎn)與銷售提供指導(dǎo)。

參考文獻(xiàn)：

[1]石嵐.經(jīng)濟(jì)數(shù)學(xué)預(yù)測模型和方法在農(nóng)業(yè)工程中的應(yīng)用[J].農(nóng)業(yè)工程，2018（10）：147-149.

[2]許靜，曹偉，陜娟娟，等.小麥不同生育期水肥管理與產(chǎn)量模型構(gòu)建[J].北京農(nóng)學(xué)院學(xué)報，2016（1）：5-8.