山東省糧食產量的影響因素及預測

殷世杰

[摘要]分析糧食產量的影響因素，并科學地預測糧食產量，對于提高未來糧食產量、保障糧食安全具有重要意義。本文選取1994—2018年糧食產量等數據，對影響糧食產量的因素進行灰色關聯度分析，并用ARIMA模型預測糧食產量及影響因素，最后將預測的數據進行灰色關聯度分析，并將前后兩次灰色關聯度分析結果進行比較。結果顯示：1994—2018年顯著影響糧食產量的因素為糧食播種面積、灌溉面積比重、老年撫養比和化肥投入水平;2019—2023年糧食產量的影響因素為灌溉面積比重、農業生產資料價格總指數、機械化水平;未來5年山東省糧食產量將緩步提升。

[關鍵詞]糧食產量;影響因素;灰色關聯模型;ARIMA預測模型

中圖分類號：F326.11 文獻標識碼：A DOI：10.16465/j.gste.cn431252ts.202005

糧食問題是關系國計民生的重大戰略問題，解決好糧食問題是人類生存和發展的社會基礎[1-2]。山東省作為重要的產糧基地，2018年糧食產量為5 319.51萬t，約占全國糧食產量8.09%，糧食播種面積為84 048.4km2，約占全國的7.18%。因此，山東省糧食產量穩定，對于保障中國糧食安全具有重要意義[3]。

糧食生產作為一種多因素影響的復雜生產行為[4]，吸引了國內外眾多學者對其進行研究。為了進一步提高糧食產量，許多學者基于現在的知識，開展了對糧食產量影響因素的研究。

李世濤等[5]通過建立C-D生產函數模型和采用逐步回歸分析方法，確定了影響黑龍江墾區糧食產量的主要因素是化肥使用量和播種面積。范建剛[6]對陜西省1983—2004年糧食產量與投入要素進行分析得出，農業勞動力數、有效灌溉面積、糧食播種面積始終是影響陜西糧食產量前三位的投入要素。趙玉姝等[7]對山東省糧食生產影響因素進行實證分析，得出有效灌溉面積是影響糧食產量的首要因素。王樹濤等[8]定量分析了河北省糧食產量波動成因，表明自然資源、政策經濟支持能力對該省糧食產量造成的波動強度較大。孟國慶等[9]利用網絡爬蟲技術獲取農業網站中影響糧食產量的數據，并利用灰色關聯和Lasso回歸模型完成特征值篩選和影響因子權重分析。王曉玲等[10]利用灰色關聯度分析了影響糧食產量的9個因素，并選取4個主要的影響因素進行多元線性回歸模型分析。劉鵬凌等[11]利用主成分分析研究安徽省糧食產量的影響因素，并采用GM（1，1）灰色模型預測糧食產量。楊鐵軍等[12]運用改進的ARIMA模型，采用ADF單位根檢驗的方法確定差分階次進行糧食產量的預測;郭亞菲等[13]主成分分析和粒子群優化神經網絡進行糧食產量預測。

本文分析發現，前人的研究成果大多數局限于分析影響因素，并運用預測模型進行糧食產量的預測，而很少對未來幾年糧食產量的相關影響因素進行分析。這里選取1994—2018年山東省糧食產量，篩選出9個影響因素進行灰色關聯分析，并進行ARIMA模型預測，預測出糧食產量和各種影響因素的走勢，然后將預測數據再一次進行灰色關聯分析，將現在和未來影響糧食產量的因素進行比較，發現因素的影響程度隨時間推移的變化情況，以期為促進山東省糧食生產提供理論依據。

1 材料與方法

1.1 數據來源

本研究以山東省1994—2018年糧食產量為研究對象。在構建糧食產量影響因素體系時，以數據的完整性和可獲得性的原則進行擬定，對于無法進行量化的指標，本研究不討論。數據來源于中國統計年鑒、中國人口和就業統計年鑒、山東省統計年鑒。

根據上述原則，本研究選取了9個涉及糧食產量的要素，即糧食產量面積、少兒撫養比、老年撫養比、農村人口[14-15]、單位面積機械投入[16-17]、單位面積化肥投入、農業生產資料價格總指數[18]、受災面積比重、灌溉面積比重[19]來構建指標體系。單位面積機械投入為農業機械總動力與農作物播種總面積的比重;單位面積化肥投入為農用化肥折純量與農作物播種總面積的比重;農業生產資料價格總指數為相對數，本文以1990年農業生產資料價格總指數為100進行表示，即1990年=100。變量的統計描述如表1所示。

1.2 灰色關聯分析模型

灰色關聯分析法是研究數據間關聯性大小（母序列與特征序列之間的關聯程度）的一種方法，即通過關聯程度大小衡量數據之間的影響程度，從而輔助決策，公式如下：

1.3 ARIMA模型預測原理

ARIMA模型的預測基本思想是，將預測對象隨時間推移而形成的數據視為一個隨機時間序列，根據相應的識別規則，建立相應的模型進行預測[20]。ARIMA模型根據原序列是否平穩以及回歸中所包含的部分不同，包括MA（移動平均過程）、AR（自回歸過程）、ARMA（自回歸移動平均過程）。ARIMA（p，d，q）模型可以表示為

運用SPSS軟件基于AIC值最小原則，尋求合理的p、q、d值，通過構建ARIMA預測模型進行預測。

2 結果與分析

2.1 灰色關聯度分析

為了減少灰色關聯分析的誤差，首先把上面的糧食產量影響因子進行無量綱化處理，然后運用SPSS軟件進行關聯系數計算。如表2所示，計算結果為糧食產量與各因子之間的關聯度，其關聯度結果為糧食播種面積>灌溉面積比重>老年撫養比>單位面積化肥投入>農業生產資料價格總指數>農村人口>單位面積機械投入>少兒撫養比>受災面積比重。通過關聯分析結果可以看出，糧食播種面積和糧食產量的關聯度高達0.9，居于影響因子首位，說明糧食播種面積作為糧食生產的基礎因素，依然顯著影響著糧食產量;其次是灌溉面積，其與糧食產量的關聯度為0.886，說明灌溉面積比重的提高對糧食產量具有顯著影響;老年撫養比和單位面積化肥投入對糧食產量也有較為顯著的影響，側面反映了從事農業勞動人員的年齡問題，以及使用化肥仍然是山東省提高糧食產量的主要措施之一。

2.2 糧食產量及影響因素預測

首先根據1994—2018年數據對2019—2023年的糧食產量進行預測，經過預測模型對比，選取ARIMA（0，1，0）模型，如表3所示，Q6的P值為0.984>0.1，殘差白噪聲檢驗結果表明，預測模型擬合程度較好。預測結果如表4所示，表明2019—2023年山東省糧食產量穩步上升，但是上升的幅度較小。

2.3 灰色關聯度再分析

根據預測的數據再次進行灰色關聯度分析，分析2019—2023年糧食產量影響因素的關聯度大小。關聯度分析結果表明，灌溉面積比重>農業生產資料價格指數>單位面積機械投入>農村人口>少兒撫養比>糧食播種面積>單位面積化肥投入>老年撫養比>受災面積比重，如表6所示。通過關聯結果可看出，在未來幾年灌溉面積對糧食產量的影響程度將升至首位，關聯度為0.964，說明在播種面積下降的情況下完善農業灌溉措施，改善灌溉條件是十分重要的促進糧食生產的措施;其次為農業生產資料價格總指數，關聯度為0.949，說明農業生產成本問題逐漸顯現，制約了糧食生產;單位面積的機械投入也與糧食產量有較為密切的關系，說明在農村人口逐步減少、農村老齡人口增加的背景下，農業生產的機械化逐步顯示出優勢，提高糧食機械化生產水平是大勢所趨。

3 討論與結論

3.1 結 論

在過去20多年里，糧食播種面積、灌溉面積、老年撫養比和化肥投入都顯著地影響了山東省的糧食產量，可見過去山東省主要是依靠大面積的糧食種植以及化肥的大量使用來提高糧食產量，而農業基礎建設的推進，使得灌溉面積進一步增大，在一定程度上促進了糧食的高產;而在未來4～5年，糧食產量增長幅度逐步放緩，對糧食產量具有顯著影響的因素將轉為灌溉面積、農業生產資料價格總指數、機械投入和農村人口，可見高水平的機械化、農資價格將進一步影響未來的糧食生產，糧食生產不再是單一的生產勞動，而是逐步向市場化發展，生產經營成本等觀念將進一步影響農戶的生產行為，進而影響糧食生產。根據上述方法分別對糧食產量的9個影響因素構建預測模型，獲得2019—2023年的預測數據，匯總后如表5所示。根據預測結果可以看出，糧食播種面積、農村人口、單位面積化肥投入和受災面積比重在不斷下降，說明在城鎮化快速發展的背景下，耕地不斷減少，農村勞動力從農業勞動中解放出來;隨著科學施肥理念的傳播，單位面積化肥的投入也在逐漸減少;農村人口結構中，少兒撫養比增長進一步放緩，農村老齡化人口的比重加速提升，導致農村人口結構的老齡化程度進一步加大，這在一定程度上制約了農業的發展;機械投入水平和灌溉水平的增長幅度較小，作為促進糧食產量的重要因素，應進一步提高機械化水平并完善基礎農業生產設施;農業的生產資料價格在未來幾年將進一步提高，從而導致農業生產利潤進一步被壓縮。

3.2 討 論

隨著城鎮化進程的不斷加快，土地成為稀缺資源，必須嚴格把控。山東省是人口大省和糧食產量大省，必須處理好耕地保有量和建設用地之間的矛盾，建立嚴格的耕地監督機制，在全國規劃的基礎上統一進行全省農業生產布局，完善耕地占用審批機制，將耕地保有量維持在合理水平線之上。

家庭聯產承包責任制這種以家庭為單位的生產方式逐步向機械化的規模生產過渡，農業基礎設施的配套完善，有助于機械的推廣和農業生產效率的提高[21]，推進農業基礎設施建設。

糧食生產成本投入高、利潤低的現狀，導致農民的農業生產積極性低，這一現實情況使得農業從業人員減少[22]。所以，政府應制定相應的財政扶持措施，提高農民糧食生產的積極性，吸引農業技術人才，推廣農業科技，促進糧食生產。同時，還要加大農業政策扶持力度，提高農業發展活力。

參考文獻

[1]楊宗輝，蔡鴻毅，覃誠，等.我國糧食生產的時空格局及其影響因素分析[J].中國農業科技導報，2018（9）：7-17.

[2]陳光軍.鄉村振興背景下中國改革40年來糧食安全的回顧與思考[J].農業經濟，2020（3）：4-6.

[3]李新旺，許皞.河北省糧食產量趨勢性的影響因素定量研究[J].水土保持通報，2019（2）：227-232.

[4]柏林川，武蘭芳，宋小青.1995—2010年山東省糧食單產變化空間分異及均衡增產潛力[J].地理科學進展，2013（8）：83-91.

（下轉第54頁） （下轉第125頁） 糧食生產影響因素的分析[J].高師理科學刊，2015（9）：17-21.

[6]范建剛.1983～2004年陜西糧食產量與主要投入要素的灰色關聯分析[J].干旱地區農業研究，2007（3）：215-218.

[7]趙玉姝，焦源，高強.山東省糧食生產影響因素實證分析[J].江蘇農業科學，2015（7）：491-493.

[8]王樹濤，李新旺，門明新，等.基于改進灰色關聯度法的河北省糧食波動影響因素研究[J].中國農業科學，2011（1）：181-189.

[9]孟國慶，王芳，任力生，等.河北省糧食產量預測影響因素關聯挖掘分析[J].河北農業大學學報，2019（6）：125-130.

[10]王曉玲，孔思琪.新時代背景下黑龍江省糧食產量影響因素研究[J].商業經濟，2020（2）：11-12+172.

[11]劉鵬凌，吳文俊，萬瑩瑩，等.糧食產量的影響因素分析及灰色預測——基于安徽省主產區的數據[J].西安建筑科技大學學報（社會科學版），2019（4）：63-68.

[12]楊鐵軍，楊娜，朱春華，等.一種新的基于ARIMA模型的糧食產量預測[J].河南工業大學學報（自然科學版），2015（5）：23-26.

[13]郭亞菲，樊超，閆洪濤.基于主成分分析和粒子群優化神經網絡的糧食產量預測[J].江蘇農業科學，2019（19）：249-253.

[14]張沖，王磊.中國農村人口變動對糧食生產的影響研究[J].農村經濟，2018（6）：129-134.

[15]張紅.農村人口結構變化對糧食生產影響的實證研究——基于陜西省關中農村的調查[J].湖北農業科學，2017（19）：188-192.

[16]劉超，朱滿德，陳其蘭.農業機械化對我國糧食生產的影響：產出效應、結構效應和外溢效應[J].農業現代化研究，2018，39（4）：591-600.

[17]鄭文鐘，應霞芳.農業機械總動力變化影響因素的灰色關聯分析[J].農機化研究，2007（12）：15-17.

[18]劉浩然，吳克寧，宋文，等.黑龍江糧食產能及其影響因素研究[J].中國農業資源與區劃.2019（7）：169-175.

[19]楊鑫，穆月英.中國糧食生產與水資源的時空匹配格局[J].華南農業大學學報（社會科學版），2019（4）：95-104.

[20]魏艷華，王丙參，王轉民.基于ARIMA模型的天水市糧食產量預測與決策[J].天水師范學院學報，2014（2）：23-27.

[21]裴貝貝，畢慶生，尚俊妍.基于組合模型下的河南省糧食生產相關投入分析及產量趨勢預測[J].科技和產業，2020（1）：72-76.

[22]曹培格.基于灰色組合模型的糧食產量預測研究[D].鄭州：河南工業大學，2018.

Abstract：The analysis of the factors affecting the grain output and the scientific ?prediction of the grain output， to improve the future grain output， food security is crucial.In this paper， the data of grain output from 1994 to 2018 were selected， and the factors affecting grain output were analyzed by grey correlation degree. The ARIMA model was used to predict grain output and influencing factors.Finally，the predicted data were analyzed by correlation degree， and the results of the two previous correlation degree analyses were compared. The results showed that：the factors significantly affecting the grain yield from 1994 to 2018 were the grain planting area， the proportion of irrigated area， the dependency ratio of the elderly and the level of fertilizer input.The influencing factors of grain yield in 2019—2023 are the proportion of irrigated area， the total price index of agricultural means of production， and the level of mechanization.In the next five years shandong province grain output slowly increase.

Key Words：grain yield，influencing factor，grey relational model，ARIMA prediction model