全國和區域蔬菜價格走勢特征及影響因素

楊 娟 錢婷婷 鄭秀國 趙京音 許葉穎

(1.上海市農業科學院 農業科技信息研究所，上海 201403;2.上海數字農業工程技術研究中心，上海 201403)

當前我國蔬菜產量從數據上分析呈現供過于求的現象[1]，人均年蔬菜產量達到504 kg，同期2003—2016年蔬菜價格總體呈上漲趨勢[2-3]，階段性漲跌現象頻現[4]，2017、2018年蔬菜價格相對有所下跌。價格波動頻繁影響菜農收益，反映了蔬菜產業供給側結構性調整的必要性。

價格是生產決策的風向標，李鎖平等[1]研究發現蔬菜種植面積與當年蔬菜價格和上年蔬菜價格都有關聯，實際蔬菜價格年內、年際間和區域間差異都較大，目前農產品價格研究更多的關注于大宗農產品年際間的變化及其影響因素[5]，涉及蔬菜價格年內和年際間、區域間差異研究的較少。

對于耐儲存農產品，全國不同區域價格差異不大，而對于蔬菜這類鮮食農產品，區域間價格差異較大，因此應分類管理[6]。蔬菜價格年度內波動也較大，季節性特征強，尤其是生長季短的綠葉類蔬菜[7-8]，市場變化影響因素多，供求變化、宏觀經濟如居民消費價格指數[9]、人均可支配收入[10]、生產成本、運輸成本、天氣[11-12]等都對其有較大影響，甚至匯率變動都會影響到農產品價格[13]?？偟膩碚f，蔬菜的季節性、種類性和區域性供過于求是導致蔬菜價格波動頻繁、價格下跌的主要原因，歸根溯源還是信息的不對稱和商品流通的不暢[4]。

農產品價格分析的方法有比較分析方法，有回歸分析法，如向量誤差修正模型[5]、向量自回歸VAR模型[14]等，用面板VAR模型甚至可以分析相關的多項因素如天氣、國際市場因素等對價格波動的影響[5,14]。而最常見的農產品價格分析工具還是時間序列分析方法，時間序列分析中的移動平均法、季節指數平滑法、差分自回歸移動平均法(ARIMA)等都是較為常用也是效果較好地價格分析方法[15-17]，不僅可以分析出農產品價格隨時間的變化特征，還可以很方便地預測未來價格。

為研究蔬菜價格的區域差異性，本研究以上海蔬菜價格為例，對全國蔬菜價格和區域蔬菜價格的差異進行實證分析，在分析區域蔬菜價格與全國蔬菜價格之間的走勢特征的基礎上，采用時間序列分析方法分析全國和上海蔬菜價格的季節性、波動性的異同以及價格影響因素的差異，以期為區域蔬菜生產調控管理和銷售策略制定提供科學指導。

1 數據來源

全國蔬菜價格數據來源于國家農業農村部信息中心農產品市場信息數據倉庫，全國蔬菜價格采集自全國490個批發市場，采集頻率為每日1次，本研究以該數據倉庫中28種規模銷量蔬菜的平均價格為全國蔬菜價格開展分析，分析時間為1995—2018年。上海蔬菜價格數據來源于上海市農業農村委“上海農產品價格監測與分析預測系統”，蔬菜價格采集自上海市8個農產品一級批發市場，采集頻率為每日1次，本研究以該系統數據庫中26種規模銷量蔬菜的平均價格為上海蔬菜價格開展分析，分析時間為2010—2018年。

2 研究方法

2.1 基本統計特征分析方法

用算術平均數法獲得蔬菜日平均價格、月平均價格和年平均價格，分別簡稱為日均價、月均價和年均價，計算月均價和日均價的標準差、變異系數、中位數、眾數、偏度和峰度，初步分析蔬菜價格的波動性特征。

利用EViews軟件分析全國和上海蔬菜價格的季節性、趨勢性和不規則性特征。運行Census X-12季節調整模型，將蔬菜月均價時間序列數據分離成季節因子序列(Seasonal factors)、趨勢循環序列(Trend-cycle)和不規則序列(Irregular component)，趨勢循環項再運用Hodrick-Prescott濾波法進一步分離得到趨勢序列(Trend)和循環序列(Cycle)，其中季節因子序列可以分析價格的季節波動規律，趨勢序列可以分析價格隨時間的走勢特征，不規則序列可以分析價格是否受一些不規律因素的影響或某些因素的不規律性影響。

2.2 影響因素分析方法

2.2.1前期價格的影響分析

前期價格對全國和上海蔬菜價格數據序列的影響采用時間序列分析模型法進行分析，選用求和自回歸移動平均(ARIMA)模型、季節性求和自回歸移動平均(SARIMA)模型、Holt-Winters指數平滑模型分別建立全國和上海蔬菜月均價的時間序列分析模型，根據模型結構和參數值分析蔬菜價格的特征。模型參數可運用EViews軟件運算獲得。

1)ARIMA模型結構。ARIMA模型的結構為ARIMA(p,d,q)，表示時間序列{xt}的d階差分是一個平穩可逆的ARMA(p,q)模型，模型結構為：

xt=?0+?1xt-1+…+?pxt-p+

εt-θ1εt-1-θ2εt-2-…-θqεt-q

(1)

式中：?0為常數，?1，?2，…，?p和θ1，θ2，…，θq為系數；p為自回歸階數；q為移動平均階數，εt為時間序列{xt}自回歸后的殘差序列，是均值為0的白噪聲序列。

2)SARIMA模型結構。SARIMA模型的結構為SARIMA(p,d,q)×(P,D,Q)s，表示時間序列{xt}經過d階差分和D階季節差分后是一個平穩可逆的ARMA(p,q)模型，模型結構為：

(1-?1B-?2B2-…-?pBp)·

c+(1-θ1B-θ2B2-…-θqBq)·

(1-Θ1Bs-Θ2B2s-…-ΘQBQs)εt

(2)

式中：p、d、q分別為非季節的自回歸階數、差分階數和移動平均階數。s為季節周期。P、D、Q分別為季節的自回歸階數、差分階數和移動平均階數。?1，?2，…，?p；Φ1，Φ2，…，ΦP；θ1，θ2，…，θq；Θ1，Θ2，…，ΘQ均為系數。c為常數。

3)Holt-Winters指數平滑模型結構。Holt-Winters指數平滑模型分為季節因子子模型和趨勢子模型，季節因子子模型獲得的季節因子值采用乘法形式與趨勢子模型結合獲得最終的模擬值。2個子模型的結構分別為：

(3)

ln(xt_sa)=d+eT

(4)

式中：at為序列的水平部分；bt為序列的趨勢部分；st為序列的季節因子；π為一個季節的周期長度；α，β，γ為平滑系數，介于0和1之間；xt_sa為去除了季節因子的蔬菜月均價序列；T為時間趨勢，序列第一期取值1，第二期取值為2，以此類推；d、e為模型參數。

2.2.2經濟因素的影響分析

采用相關性分析法和回歸分析法分析價格與各影響因素的關系。本研究選擇上一年的蔬菜年均價(Price,PR(-1))、蔬菜產量(Production,P)、蔬菜總需求量(Total cosumption,TC)、蔬菜生產成本(Production cost,PC)、居民消費價格指數(Consumption price index,CPI)、人均可支配收入(Per capita disposable income,PCDI)、城鎮化率(Urbanization rate,UR)7個指標分析蔬菜年均價與這些影響因素之間的關系。蔬菜產量等經濟指標全國數值采用1995—2018年數據，數據來源于國家統計局數據庫[18]，上海數值采用2010—2018年數據，數據來源于《上海統計年鑒》[19]。

回歸分析選擇PR(-1)、PC、CPI、PCDI、UR 這5個指標作為自變量，回歸方程如下：

Xt=aIt+C

(5)

式中：Xt為應變量蔬菜年均價；It為自變量；a為變量的系數；C為常數。

3 結果與分析

3.1 數據特征分析

3.1.1基本統計特征分析

1996—2018年我國蔬菜年均價呈現先下降后持續上升的趨勢，但2017—2018年蔬菜年均價較為平穩甚至有所降低(圖1)。具體而言，1995—2002年我國蔬菜年均價呈下降趨勢，平均每年下降3.3%，2003年開始，蔬菜年均價持續上漲到2018年，平均每年上漲14.6%，這其中2014年和2017年較為特殊，價格較上年有所下降，分別下降了2.0%和7.8%。

圖1 全國和上海蔬菜年均價走勢

2010—2018年上海蔬菜年均價整體呈平穩上升趨勢，低于全國水平，與全國蔬菜年均價走勢相同，平均每年上漲2.1%，同期全國蔬菜年均價每年上漲3.0%。其中，2016年上海蔬菜價格漲幅最大，較上年上漲了9.9%，高于全國的9.5%；2017年跌幅較大，較上年下降了11.2%，高于全國水平。

從具體數值(表1)看，2010—2018年全國蔬菜月均價為4.3 元/kg，而同期上海蔬菜月均價為3.7 元/kg；全國和上海蔬菜月均價的標準差分別為0.7、0.6 元/kg，變異系數分別為15.1%、16.5%；而日均價的標準差分別為0.7、0.8 元/kg，變異系數分別為15.7%、23.5%。可以看出，日價格波動較月價格頻繁，上海蔬菜價格的波動較全國蔬菜價格頻繁。從中位數、眾數、偏度和峰度等整體看，分析期間內全國和上海蔬菜價格數據序列均表現為向右的正偏態分布，數據波動頻繁，呈現尖頂峰形態。

表1 全國和上海蔬菜價格數據統計特征分析

圖2示出全國和上海蔬菜月均價及日均價的走勢?？梢钥闯觯覈卟藘r格波動頻繁，日均價的波動幅度尤其大。上海蔬菜日均價在2016-09—2017-02這一時期價格較低，明顯低于全國水平，分析具體原因，主要是這一時期我國江南地區溫度高于常年，且天氣晴好，利于蔬菜的生長，導致蔬菜供過于求，價格大大低于歷史同期。

圖2 全國和上海蔬菜月均價(a)及日均價(b)走勢

3.1.2季節性特征分析

利用時間序列分析的Census X-12乘法和Hodrick-Prescott濾波法對全國和上海蔬菜月均價的分析結果表明，我國蔬菜存在明顯的季節性變動特征(圖3)，全國蔬菜月均價在每年2月到下一年2月之間的時段內蔬菜價格呈 “V”形波動規律，2月較高，隨后開始下降，至6月下降到一年的最低值，隨后又開始上升，9、10月有時有一個小低谷，但波動幅度不大，之后又一路上升至次年2月達到頂峰(圖3(a))。而上海蔬菜月均價在每年3月至下一年3月呈 “W”形波動規律，3月較高，隨后開始下降，到6月降至一年的最低值，隨后又開始上升，9月上升到另一個波峰，幅度比3月的略小，之后又下降到11月的波谷，然后又回到3月的最高峰(圖3(b))。對比全國和上海蔬菜月均價的季節因子特征，2010—2018年全國蔬菜月均價的季節因子先擴大后縮小，而上海蔬菜月均價的季節因子呈縮小的趨勢，這可能是由于上海蔬菜僅來源于全國部分蔬菜產區，也反映了全國和區域蔬菜市場特征的不同。

圖3 全國(a)和上海(b)蔬菜月均價季節因子序列曲線

圖4示出全國和上海蔬菜月均價趨勢循環序列經H-P濾波分解后的趨勢曲線和波動曲線，從趨勢曲線來看，全國蔬菜月均價1995—2002年呈下降的趨勢，2003年開始月均價走勢上漲，近些年較為平穩，這與圖1所示的全國蔬菜年均價走勢一致，上海蔬菜月均價自2010年至今基本較為平穩。從波動曲線來看，分離掉趨勢曲線序列和不規則序列(圖5)后的波動曲線表現出平穩的季節性波動特征。

圖4 全國(a)和上海(b)蔬菜月均價趨勢循環序列H-P濾波分解

圖5示出全國和上海蔬菜月均價的不規則項序列曲線?？梢钥闯?，全國和上海蔬菜月均價都存在不規則性，上海蔬菜月均價的不規則性更強。從蔬菜產品的特征以及影響蔬菜市場的現實因素進一步綜合分析，引起蔬菜價格不規則性波動的原因很多，首先蔬菜產品為鮮品，不耐儲存，其次蔬菜生長季短，生產和運輸銷售過程中受夏季高溫、冬春低溫、陰雨、干旱等自然災害天氣影響大，再次還會受到節假日、輿論導向等社會經濟因素的影響。

圖5 全國(a)和上海(b)蔬菜月均價不規則序列

3.2 時間序列分析模型

3.2.1全國蔬菜價格時間序列分析模型

全國蔬菜月均價為非平穩序列，月均價呈現先下降后上升的趨勢，其一階差分序列為平穩序列，因全國蔬菜月均價具有季節性波動特征，可以建立ARIMA模型、SARIMA模型和Holt-Winters指數平滑模型來分析前期價格影響。

經過多種模型參數取值組合模式的測試分析，根據模型顯著性檢驗和模型參數顯著性檢驗，得出ARIMA(3,1,4)、SARIMA(1,1,1)×(3,1,3)12、Holt-Winters指數平滑模型都是較為適合全國蔬菜月均價的時間序列分析模型，從表2可以看出，模型常數和各變量的系數顯著性檢驗概率值(prob.)都小于0.15，通過了檢驗。進一步對比ARIMA模型和SARIMA模型的模型擬合度、殘差平方和、AIC值和BIC值可以看出，SARIMA模型略優于ARIMA模型。

表2 全國蔬菜價格各類型時間序列分析模型的結構及其系數、模型檢驗值

因Holt-Winters指數平滑模型的最終模擬結果是趨勢模型結果與季節因子的乘積，進一步對比3種模型模擬的1995—2018年全國蔬菜月均價的模擬值與實際值的對比效果，可以看出，SARIMA模型的RMSE值、MAE值、MAPE值也都低于其他2種模型(表3)，說明SARIMA模型用于分析預測全國蔬菜價格最好。

表3 全國蔬菜價格各類型時間序列分析模型的預測效果分析

3.2.2上海蔬菜價格時間序列分析模型

上海蔬菜月均價也是一階差分序列為平穩序列，同樣具有季節性波動特征，因此選擇了ARIMA模型、SARIMA模型和Holt-Winters指數平滑模型分析前期價格的影響。

經過多種模型參數取值組合模式的測試分析，根據模型顯著性檢驗和模型參數顯著性結果，得出ARIMA(4,1,1)、SARIMA(3,1,3)×(2,1,0)12、Holt-Winters指數平滑模型都是較為適合上海蔬菜月均價的時間序列分析模型，由表4可以看出，模型常數和各變量的系數顯著性檢驗概率值都小于0.15，通過了檢驗。進一步對比ARIMA模型和SARIMA模型的模型擬合度、殘差平方和、AIC值和BIC值可以看出，SARIMA模型略優于ARIMA模型。

表4 上海蔬菜價格各類型時間序列分析模型的結構及其系數、模型檢驗值

因Holt-Winters指數平滑模型的最終模擬結果是趨勢模型結果與季節因子的乘積，因此進一步對比3種模型模擬的2010—2018年上海蔬菜月均價的模擬值與實際值的對比效果，可以看出，ARIMA模型的RMSE值、MAE值、MAPE值都低于其他兩種模型(表5)，從模擬效果看，ARIMA模型較好。

表5 上海蔬菜價格各類型時間序列分析模型的預測效果分析

3.3 影響因素分析

3.3.1價格與各影響因素的相關性分析

全國蔬菜年均價受上期價格的影響較大，表明全國蔬菜價格年際間延續的特點比較明顯，此外全國蔬菜年均價與蔬菜產量、蔬菜總需求量、生產成本、居民消費價格指數、人均可支配收入、城鎮化率也都有較高的相關關系(表6)。而上海蔬菜年均價與上期價格的相關性小于全國蔬菜年均價，與居民消費價格指數、蔬菜總需求量、人均可支配收入相關性較強，與蔬菜產量呈負相關。

表6 全國和上海蔬菜價格與各經濟因素間的相關系數

3.3.2價格與各影響因素的單因素回歸分析

全國蔬菜年均價與上期價格、生產成本、居民消費價格指數、人均可支配收入、城鎮化率呈現正相關關系，回歸方程的系數均為正值(表7)，表明全國蔬菜價格隨著這些因素的增大/多而提高，隨著這些因素的降低/減少而降低，其中與居民消費價格指數CPI的擬合度最高，其次是上年價格，這與市場調查中得到的結論一致，蔬菜銷售者定價的主要依據是維持生活成本所需商品的價格走勢和變化幅度。

上海蔬菜年均價與上期價格、生產成本、居民消費價格指數、人均可支配收入呈現正相關關系，回歸方程各影響因素的系數均為正值(表7)，表明上海蔬菜價格隨著這些因素的增大/多而提高，隨著這些因素的降低/減少而降低，其中與居民消費價格指數CPI的擬合度最高，其次是人均可支配收入。

表7 全國和上海蔬菜價格單因素回歸模型系數和模型擬合度

4 結論與討論

本研究結果表明，上海蔬菜年均價低于全國蔬菜年均價，月均價和日均價的波動性和不規則性高于全國蔬菜。季節性波動是我國蔬菜價格的主要特征，上海蔬菜價格盡管與全國蔬菜價格一樣都具有季節性，但季節特征不同。與前期價格的關聯性分析結果表明，全國蔬菜月均價用SARIMA模型模擬效果最好，參數取值反映了全國蔬菜價格與前3年同月價格、當年前1月價格較高的關聯性，而上海蔬菜月均價用ARIMA模型模擬效果較好，參數取值反映了上海蔬菜價格與當年前4個月價格的關聯性最高，而其SARIMA模型的參數取值表明上海蔬菜還與前2年同月價格也有較高關聯性。經濟因素中，居民消費價格指數對全國蔬菜價格和上海蔬菜價格的影響都最大，其他經濟因素如生產成本、人均可支配收入、城鎮化率也對蔬菜價格有一定影響。

我國蔬菜價格受蔬菜作物生長特性影響，呈現明顯的季節性特征。在一年內的總體變化規律是：每年11月至次年2月為蔬菜上市淡季，蔬菜價格相對較高；3—4月，溫室、大棚蔬菜陸續產出，但其數量不大，對蔬菜價格的影響較小，蔬菜價格雖有所下降，但仍處于高位；6—10月蔬菜旺產旺銷的季節，露地、溫室、大棚蔬菜全面供應，受供求關系影響，蔬菜價格降至最低；10月末，露地蔬菜基本銷售結束，蔬菜價格逐步回升。蔬菜月度價格季節波動性明顯，而日度價格受諸多因素的影響，表現出強烈的不規則性，其中天氣和受天氣影響的運輸條件對價格影響最大，有研究發現不僅臺風暴雨、連陰雨[11-12]對蔬菜價格有影響，溫度[14]尤其是高溫對蔬菜價格也有較大影響。氣象因素主要通過影響蔬菜作物的適生性間接影響供應量來影響價格，或者通過影響運輸成本、運輸條件等間接發揮作用，使得蔬菜價格表現出明顯的不規則性特征，氣象對價格的定量化影響是蔬菜價格研究的難點，需要加強研究。

盡管上海蔬菜年均價低于全國蔬菜年均價，但從實際的市場運行看，作為大型銷區市場，上海蔬菜市場產品仍然十分豐富，這源于大市場帶來的規模效益。上海和全國蔬菜月均價的最適時間序列分析模型不同，說明了上海蔬菜價格受外來蔬菜量價的影響較大，而與本地的生產量相關性不強。由于不同區域的價格與全國價格相比有一定差異性，因此以區域為尺度開展農產品市場信息分析研究具有現實意義，可科學指導生產者更好的安排生產計劃，管理者更科學的制定農業政策，從而保障蔬菜的穩定供給和市場價格的穩定，解決蔬菜生產當前存在的季節性供過于求、區域性供過于求，蔬菜生產類別難以滿足市民日益增長的種類多樣化需求等問題。

需要指出的是，蔬菜價格研究中存在2點困難：一是系統性、長期連續性的數據欠缺，由于數據獲取的不易以及監測的中斷，現有研究報道中所跟蹤的蔬菜價格時間均不長[3,14-15,20]，建議國家和各級政府重視蔬菜市場信息數據的監測與共享；二是蔬菜價格與影響因素的定量關系模型的建立較為困難，由于影響因素與價格的內生性關系，影響因素之間的多重共線性問題，不能建立包含所有影響因素的定量回歸模型，因此結構性的局部均衡模型將是蔬菜市場信息進一步研究的重要方法。