新冠肺炎疫情對中國食品價格的影響及預測研究

張筱嫻 譚瑩

摘要 在新冠肺炎疫情這一重大公共衛生事件背景下，研究疫情對食品價格的影響，有助于穩定農產品的供求。在收集廣東、上海、浙江和河南4地的肉蛋及主食4類食品的價格日度數據以及疫情相關數據的基礎上，建立FI-GARCH模型，探究新冠肺炎疫情對食品價格的影響，此外還構建GRNN模型對4地食品價格進行預測。結果表明：新冠肺炎疫情對各類食品的影響存在省際差異，上海、浙江的豬肉價格顯著提高，4地的雞蛋價格均有下降，其中上海下降最為明顯，各地雞肉價格整體上無明顯波動，廣東、上海和浙江大米價格出現上漲;GRNN模型對食物價格進行預測的精度較好，有助于主管部門提前感知風險并采用有效措施予以應對。基于模型估計結果，提出了相應的穩定農產品供求狀況的政策建議。

關鍵詞 新冠肺炎疫情;食物供應鏈;食物價格;FI-GARCH模型;GRNN模型

中圖分類號 S-9-文獻標識碼 A

文章編號 0517-6611（2021）11-0205-11

doi：10.3969/j.issn.0517-6611.2021.11.055

開放科學（資源服務）標識碼（OSID）：

Impact of COVID-19 Epidemic on Food Prices in China and Its Prediction—Analysis of Food Prices in Four Places

ZHANG Xiao-xian，TAN Ying

（College of Economics & Management，South China Agricultural University，Guangzhou，Guangdong 510642）

Abstract In the context of COVID-19 epidemic，the study of the impact of the epidemic on the food market will help to stabilize the supply and demand of agricultural products.Based on the daily price data of meat，eggs and staple food in Guangdong，Shanghai，Zhejiang and Henan，as well as epidemic related data，this paper establishes FI-GARCH model to explore the impact of epidemic on food prices，and constructs GRNN model to predict the food prices in the four regions.The results showed that：the impact of COVID-19 epidemic on various kinds of food is different among provinces.The pork prices in Shanghai and Zhejiang have increased significantly，and the egg prices in the four places have decreased，especially in Shanghai.There is no obvious fluctuation in chicken prices in all regions，and rice prices in Guangdong，Shanghai and Zhejiang have increased.GRNN model has a good prediction accuracy for food prices，which is helpful for the competent department to perceive the risk in advance and take effective measures to deal with it.Based on the results of the model estimation，this paper puts forward the corresponding policy recommendations to stabilize the supply and demand of agricultural products.

Key words COVID-19 epidemic;Food supply chain;Food price;FI-GARCH model;GRNN model

新型冠狀病毒肺炎（COVID-19）是由新型冠狀病毒引起的嚴重呼吸道傳染病，傳染性強，目前已發展成為全球大流行病。新冠肺炎疫情的蔓延對各國的食品供應鏈造成了巨大沖擊。世界糧農組織（FAO）指出，新冠肺炎疫情將對最脆弱社區或群體的食物安全造成嚴重威脅。在新冠肺炎疫情蔓延下，一些國家和地區脆弱的食物供應鏈承受不住沖擊，食物需求很難得到滿足，爆發嚴重的人道主義危機[1]。

疫情期間，多國政府相繼發布居家隔離令或封城政策，食物的供給和消費均受到影響。在消費方面，消費者由于居家隔離令的限制或對外出感染風險的考量，傾向于減少餐飲消費，或減少外出購買食物的次數。在供應上，食物供應鏈在疫情籠罩下更易收縮與中斷，食物供應不足，物價飛升，這一境況對無力承擔食物消費的弱勢群體是極為不利的。

人類歷史上多次傳染病事件表明，重大公共衛生事件導致的社會群體恐慌，加劇了食物危機。社會群體性恐慌的典型表現為，疫情使民眾的不安全感增加，消費者出于避險心理紛紛囤積食物。居民囤積食物的行為會進一步打破食品市場的均衡狀態，繼續導致消費者的恐慌，食品市場進入惡性循環，食品價格再次上漲。假設投機商人在其中囤積居奇，市場狀況可能會進一步惡化，從而超出政府的控制。

食品供應鏈安全議題始終處于許多國家發展政策中的優先地位。中國作為世界上人口最多的國家，糧食和食物供應鏈的安全對我國的穩定與發展至關重要。新冠肺炎疫情爆發后，我國在采取空前嚴格的舉國防疫政策的同時，充分保障各類食物供應的穩定，確保了民眾日常食物消費的需求得到滿足。盡管我國的品價格在疫情期間保持相對穩定，但也出現了一些價格波動。研究這一時期疫情對食物市場的影響以及對食品價格進行合理的擬合與預測，能為我國應對重大公共衛生事件時保證食品市場穩定積累經驗和提供決策依據，也有助于為其他仍處于新冠肺炎疫情危機中的國家以及世界未來應對重大公共衛生事件提供參考。

1 相關研究文獻評述

全球范圍內曾爆發過多次重大公共衛生事件，包括2003年的“非典”疫情、2014年非洲的“埃博拉”疫情以及2020年的新冠肺炎疫情，已有眾多學者研究了傳染病流行對食物供應及食物價格波動的影響。

傳染病疫情會引致居民恐慌情緒，食物搶購潮爆發，造成短期內食物價格的明顯上漲。2002年底我國爆發了“非典”疫情，首先在我國廣東發生，并擴散至東南亞乃至全球，直至2003年中期疫情才被逐漸消滅?！胺堑洹币咔楸l對我國食品市場造成的沖擊較為顯著。孫泉等[2]的調查顯示，“非典”疫情引發的食物市場異動發生突然，發展迅速，價格波動劇烈;食品、副食品的搶購潮迅速波及多個城市，北京、天津、山西、內蒙、浙江及西北、東北的部分城市先后出現搶購大米、方便面、食鹽、雞蛋、蔬菜的情況，大米、食鹽價格上漲1倍左右，雞蛋、部分蔬菜價格上漲20%～50%。北京作為“非典”疫情震中，食物價格變動更為劇烈，王曉東等[3]研究了“非典”疫情對北京市蔬菜市場供應的影響，發現“非典”疫情初期北京蔬菜市場恐慌情緒明顯，北京蔬菜價格大幅上揚，波動程度加劇，蔬菜日均上市量比疫情前下降超過10%;通過采取相應保供措施后，疫情后期北京蔬菜供應量逐步恢復正常，價格回落至疫情前水平。

重大公共衛生事件的發生會對食物供應鏈造成劇烈沖擊。自從新冠肺炎疫情爆發以來，眾多研究者著眼于新冠肺炎疫情對各國食物供應鏈的沖擊。劉威等[4]評估了新冠肺炎疫情對我國不同農業產業鏈環節的沖擊大小，各環節受影響的程度不同，食物消費和種植環節受到的影響相對較小，但養殖業受疫情沖擊較大，其形勢不容樂觀;區域間的食物流通風險整體可控，加工環節“斷鏈”現象明顯;農機服務和休閑農業短期內受到沖擊較大。Workie等[5]認為，新冠肺炎疫情會導致食品供求失衡，這可能是由于農民感染或者由于“封鎖隔離”策略導致市場中斷;消費者對食物需求下降也會影響農民生產農產品的意愿，依賴發展中國家食物供應的發達國家將從食物供應中斷中受到的影響最大。Mishra等[6]總結，疫情主要通過較低的產出價格以及對勞動力流動和交通運輸的限制影響農民，但對農民的直接影響相對較小，相較之下食品加工商和零售商會由于隔離政策遭受重大損失。

從以往研究中可以看出，學者在研究世界范圍內的大流行病對食物市場的沖擊時，大多進行定性分析，深入探討了疫病爆發后食物供應鏈中斷的機理及對各國居民的影響，但較少對疫情造成的食物價格波動幅度進行衡量。定量分析新冠肺炎疫情下我國食物市場價格的波動程度，既能為我國政府在應對重大公共衛生危機的進程中調節食物市場均衡積累經驗，也能為各國克服疫病和食物供應的雙重壓力提供有益啟示。因此，筆者在收集2019年1月1日—2020年7月31日食品價格日度數據的基礎上，以豬肉、雞蛋、雞肉和主食4種食品為著眼點，運用FI-GARCH模型研究了新冠肺炎疫情對廣東、上海、浙江和河南4個省區食物價格的影響，并構建廣義回歸神經網絡模型（GRNN）對4地的食物價格進行擬合和預測。

2 理論模型

2.1 食物市場的供需平衡

在一個運行平穩的食物市場中，供給St等于需求Dt時，市場保持均衡。假設食物的供求是由市場價格Pt和關于新冠肺炎疫情的信息Ct共同決定的。Ct可以是模擬新冠肺炎疫情的離散變量，也可以是衡量疾病嚴重程度的感染人數。參考Yu[7]的分析框架，首先得到：

Dt（Pt，Ct）=St（Pt，Ct）（1）

對式（1）兩邊同時求導得：

DtPtdPt+DtCtdCt=StPtdPt+StCtdCt（2）

由式（2）可得：

dPtdCt=（StCt-DtCt）/（DtPt-StPt）（3）

假設市場均衡Dt=St，式（3）可化為

dPtdCt·CtPt=（StCt·CtSt-DtCt·CtDt）/（DtPt·PtDt-StPt·PtSt），可重寫為以下公式：

ηP，C=ηS，C-ηD，CηD，P-ηS，P（4）

式中，ηP，C代表疫情信息的價格彈性，反映了食物價格對新冠肺炎疫情信息變化的反應程度，彈性越大代表食物價格波動對疫情信息的變化越敏感，是該研究的焦點。ηS，C和ηD，C分別表示疫情信息的食物供給和需求彈性。同樣地，ηD，P和ηS，P分別表示食物供給與需求對食物價格波動的敏感程度。

在一般情況下，對正常的食品而言，ηD，P< 0，ηS，P>0，所以式（4）中ηP，C的符號與（ηD，C-ηS，C）的符號相同。因此，食物價格的波動是由疫情信息的供給彈性ηS，C和需求彈性ηD，C之差決定的。新冠肺炎疫情爆發后，各國政府通常會采取嚴格的限制措施，封鎖城市和控制人員流動，以遏制或減緩疫情的傳播。新冠肺炎疫情對食物價格的影響是不確定的，減少人員流動的措施可能同時減少食物的需求和供應。如果需求下降超過供給，食物價格就會下降，反之亦然。

2.2 食物價格預測模型

國內關于食品價格預測的研究較多，學界用于預測食品價格的模型方法體系較為成熟，許世衛等[8]把這些預測方法大體上歸納為4類：計量經濟預測法、數理統計預測法、智能分析法和組合模型法。計量經濟預測法即回歸分析法，應用各種回歸模型進行農產品價格的預測，如張萌等[9]采用符號回歸方程對我國2016—2025年的馬鈴薯實際價格和名義價格分別進行了預測，該預測模型顯示了較好的擬合優度。數理統計預測方法中應用最為廣泛的是時間序列法，常用的包括趨勢外推法[10]、季節分解法[11]、移動平均法[12-13]、指數平滑法[14]、平穩時間序列預測法[15]、狀態空間模型[16]和卡爾曼濾波法[17]。智能分析法采用了信息技術和智能技術，其中較多用于食品價格預測的有人工神經網絡預測法[18]、灰色預測法[19]和專家系統預測法[20]。組合模型法是將不同預測方法所得的預測結果組合起來形成一個新的預測結果的方法，可以是同類模型間的組合，也可以是不同類別模型間的組合[21]?，F有文獻用于食物價格預測的方法主要是時間序列法，但相較之下，各種時間序列模型的預測精度和的泛化能力不足，神經網絡模型具有更強的逼近能力和泛化能力。

廣義回歸神經網絡（generalized regression neural network，GRNN）的理論基礎是基于非線性回歸分析得到的，其工作原理來源于統計學中的概率論思想[22]。假設隨機變量x和隨機變量y的聯合概率密度函數為f（x，y），矢量隨機變量x的觀測值為X，則在統計學上y就相當于X的回歸，即標量隨機變量y在觀測值X條件下的條件均值（X），其條件均值的函數表達式如下：

（X）=E（y|X）=∫+∞-∞yf（X，y）dy∫+∞-∞f（X，y）dy（5）

式（5）中，由于f（X，y）是未知的，所以在根據隨機變量x的觀測值X得到隨機變量y預測輸出向量之前，需要首先應用泊松估計對密度函數f（X，y）進行估計，其密度函數估計如下：

（X，y）=1n（2π）m+12σm+1ni=1 exp-（X-Xi）T（X-Xi）2σ2 exp-（X-Yi）22σ2（6）

式（6）中，Xi為矢量隨機變量x的樣本觀測值;m為矢量隨機變量x的維數;Yi為標量隨機變量y的樣本觀測值;n為樣本容量;σ為高斯函數的密度系數，是廣義回歸神經網絡模型的光滑因子，當樣本觀測值確定后，σ是唯一需要確定的值。

把密度估計函數代入式（5）中，簡化后得到隨機變量y的預測輸出如下：

（X）=ni=1Yiexp（X-Xi）T（X-Xi）2σ2

ni=1exp（X-Xi）T（X-Xi）2σ2（7）

從式（7）中可以看出，估計值相當于隨機變量的樣本觀測值的加權平均值，且每個樣本觀測值的加權系數都與光滑因子唯一相關。當光滑因子取值非常大時，每個樣本觀測值的加權系數趨向于1，就相當于估計值趨向于所有樣本的均值;相反，當光滑因子取值0時，估計值基本上能與訓練樣本非常接近，這說明當隨機變量和隨機變量的觀測值都包含在訓練樣本集合中時，根據公式（7）求出的隨機變量的樣本觀測值的估計值會非常接近訓練樣本中所對應的樣本觀測值，但是當所需預測的小部分樣本不在這個訓練樣本集合中時，則可能導致網絡預測效果很差，出現過擬合的狀態。因此，光滑因子的取值要適中。

3 實證模型設定

3.1 變量選取與數據來源

3.1.1 食品價格。豬肉及其產品是中國最大眾化的肉類食品，盡管隨著居民收入的不斷提高和食物消費結構的轉型升級，豬肉消費在肉類消費中的比重逐漸降低，豬肉仍為消費量最大的肉類品種[23]。豬肉價格的頻繁變動，會對居民生活帶來重大影響。雞蛋是居民日常生活中重要的蛋白質來源，是“菜籃子”中的重要產品，在改善居民飲食結構上發揮了重要作用[24]。雞蛋價格合理波動，能使雞蛋產業在健康發展的同時，保證消費者的利益。我國是雞肉生產和消費大國，隨著我國居民生活水平的逐步提高，消費者對以雞肉為代表的“白肉”表現出越來越多的青睞，雞肉成為僅次于豬肉的第二大肉類需求品[25]。鑒于雞肉在家庭肉類消費中的重要地位，對其價格變化的研究具有重要意義。此外，確保我國糧食安全是一項重要的戰略任務，研究各地主食價格的變動，能為維持物價穩定和維護糧食安全提供依據。綜上所述，探析新冠肺炎疫情沖擊下各地食品價格的波動程度，有助于促進各類食品的穩產保供以及合理引導消費者預期。

國家衛健委發布的疫情地圖顯示，廣東、上海、浙江和河南是湖北省外疫情最嚴重的4個省級行政區，且由于4省區常住人口多，人口密度大，對肉蛋及主食的需求量大，疫情會對4地食物市場造成一定影響?；诖?，該研究收集了2019年1月2日—2020年7月31日廣東、上海、浙江和河南4地豬肉、雞肉、雞蛋、主食的市場批發價格日度數據，食品價格數據均來源于Wind數據庫。值得注意的是，該研究根據各地區的飲食習慣差異來確定對應的主食研究對象，廣東、上海和浙江3地位于南方地區，居民主食為大米，而河南地屬北方，以面粉為主食，故根據各地飲食習慣的不同，分別研究新冠肺炎疫情對大米或面粉價格的影響。這幾種食品在很大程度上可以代表各區域消費者的日?；臼称沸枨?，尤其是在危機時期。

各變量的描述性統計結果見表1。4省（市）不同食品價格的變化趨勢如圖1所示。

3.1.2 新冠肺炎疫情數據。

國家衛生健康委員會于2020年1月17日開始正式通報新冠肺炎確診感染病例，全國各省級行政區開始報告確診病例的起始時間不同。除上海是從2020年1月20日開始通報病例的，廣東、浙江和河南省衛健委均從1月21日開始通報本省病例數，該研究根據各地開始報告病例數的日期來確定疫情虛擬變量的取值進行研究，病例數從4地的省級衛生健康委員會官網收集得到。

在采取了強有力的抗疫措施后，中國基本控制住了疫情。4個省區新確診感染的趨勢見圖2。新冠肺炎疫情的沖擊可能有兩方面：一方面是疫情本身，另一方面是其嚴重程度。這兩個維度將在計量模型中進行定量分析。在計量模型中，該研究使用每天新增確診病例來衡量疫情的嚴重程度。

3.2 自相關與單位根檢驗

GARCH模型被廣泛應用于研究價格波動。然而，GARCH的有效性取決于時間序列的自相關。該研究使用Box-Pierce檢驗所有價格序列的自相關性[26]，檢驗結果見表2。檢驗結果顯示，所有價格序列都拒絕不存在自相關的零假設。因此，GARCH模型是一種有效的方法。

使用GARCH模型通常要滿足平穩性，一般采用ADF檢驗來檢驗時間序列是否存在單位根。表1結果顯示，在0.05顯著性水平下，ADF檢驗不能拒絕所有序列存在單位根的原假設。在這種情況下，在Baillie Richard等[27]研究的基礎上，該研究采用FI-GARCH模型（Fractionally Integrated GARCH），該模型允許序列存在些微的長期記憶性。

3.3 FI-GARCH模型設定

GARCH模型是一個非常靈活的時間序列模型，在文獻中被廣泛用于研究價格波動。假設中國的食品價格遵循GARCH（1，1）， GARCH（1，1）在學術界中被廣泛認為是一個強有力的工具[7]。

yt=μ0+μ1yt-1+εt+ρ1εt-1（8）

在式（8）中，yt是t時刻的食物價格，εt為擾動項，并且滿足εt|Ψt～N（0，σ2t）。式（8）為ARMA（1，1）模型，能夠捕捉到大多數短期沖擊。為了能捕捉到時間序列中的GARCH成分，通常作出假設：

σ2t=ω+ασ2t-1+βε2t-1（9）

在式（9）中，假設α+β<1，這意味著GARCH（1，1）模型是弱平穩的，序列yt不存在長期記憶性。不幸的是，對于存在自相關的弱平穩性，這個條件是不充分的。在Engle等[28]提出IGARCH（Integrated GARCH）模型的基礎上，Baillie Richard首次引入FI-GARCH模型。在FI-GARCH模型中，存在以下關系：α+β=1。這一設定允許序列yt存在長期記憶性，對應的GARCH模型中存在單位根。因此，FI-GARCH模型可用于該研究。

新冠肺炎疫情的爆發是外生事件，可能會同時沖擊價格的均值和方差。此外，我國自2020年1月份爆發新冠肺炎疫情后，存在兩個影響。首先，疫情本身可能造成重大的社會、經濟和心理沖擊，疫情爆發前后的食物價格可能會有所不同，該研究采用一個虛擬變量來模擬這種效果。其次，疫情嚴重程度可能從另一個層面影響食品價格，故將每天新感染的病例數納入模型。因此模型設定為

yt=μ0+μ1yt-1+μ2Dt+μ3Ct+εt+ρ1εt-1（10）

式中，εt|Ψt～N（0，σ2t）;Dt是關于疫情的虛擬變量，各地通報新冠病例的起始日以前取值為0，在此之后的日期取值為1;Ct是由各省級衛健委報告的每天新增確診感染人數。FI-GARCH模型為

σ2t=ω+ω1Dt+ω2Ct+ασ2t-1+βε2t-1（11）

值得注意的是，GARCH模型中的厚尾問題會使估計結果有偏差，所以在實證研究時假設εt服從t學生分布比正態分布效果更佳。在完成模型的設定后，該研究利用EViews 10軟件對FI-GARCH模型進行估計。

4 新冠肺炎疫情對食品價格的影響實證結果分析

4.1 豬肉價格

表3報告了新冠肺炎疫情對豬肉價格的影響。從AR（1）的系數來看，除浙江外，廣東、上海和河南3地的對應系數均為正，且在0.01的水平上顯著，說明3地豬肉的歷史價格均對當前價格有顯著的正影響。與新冠肺炎疫情相關的兩項變量中，上海的 “新冠肺炎疫情爆發”對應變量系數在0.01的水平上顯著，疫情爆發使上海的豬肉價格平均提高了約5元/kg;浙江的“新冠肺炎疫情爆發”變量系數在0.01水平上顯著，“病例數”變量系數在0.05的水平上顯著，這說明疫情使浙江豬肉價格平均提高了約14元/kg，且平均每新增一例確診病例，價格提高約0.1元/kg。GARCH等式的估計結果顯示，浙江的“病例數”系數在0.01的水平上顯著為負，表示浙江每新增一例確診新冠病例，豬肉價格的波動程度將降低。

從新冠肺炎疫情對4地豬肉價格的影響估計結果中不難看出，新冠肺炎疫情這一突發重大公共衛生事件對上海和浙江的豬肉市場價格造成的沖擊較大，對廣東和河南豬肉市場的影響較小。新冠肺炎疫情爆發后，上海和浙江兩地的豬肉價格相較于廣東與河南出現了明顯上揚，這是由于上海、浙江2地并不是生豬主產區，距離主產區省份較遠，當地豬肉供應需要依靠外省長距離調運。而疫情導致豬肉供應運輸渠道不暢，兩地的豬肉供應相對于需求出現了暫時性失衡，價格隨之上漲。廣東和河南兩地的豬肉市場價格受到新冠肺炎疫情的沖擊較小，這是因為河南是生豬主產區，廣東臨近生豬生產大省湖南，豬肉可以進行快速調運，運輸距離較短，因此兩省在疫情發生后供應存在較大缺口的狀況不常出現，即使出現缺口后，通過有效的物流調配體系，豬肉消費需求也能較快得到滿足。

值得注意的是，疫情期間浙江豬肉市場價格的波動程度隨著新增確診病例數的增加而降低，這源于浙江疫情初期面臨豬肉供應相對不足而價格上漲的情況后，后期中央和當地政府出臺各種措施保障豬肉的供應與調配能力，供應和需求趨于平衡，供求相對狀況波動幅度縮小，所以豬肉價格也逐漸平穩。

4.2 雞蛋價格

表4報告了新冠肺炎疫情對4地雞蛋價格的影響。從AR（1）的系數來看，與豬肉價格估計結果相似，4地除浙江外，其余3地的AR（1）系數均在0.01的水平上顯著為正，表明廣東、上海和河南的雞蛋歷史價格對當前價格有顯著的正向影響。從均值等式估計結果可以看出，新冠肺炎疫情對廣東、上海和浙江3地的雞蛋市場價格沖擊顯著。廣東、上海和浙江的“病例數”變量系數均在0.01的水平上顯著為正，即每新增一例新冠確診病例，上海市場雞蛋價格相應的上漲幅度最大，平均價格提高約0.08元/kg，廣東和浙江的雞蛋價格漲幅較小，分別上漲約0.018和0.015元/kg。

值得關注的是，4地的“新冠肺炎疫情爆發” 變量的系數均為負，但只有上海的對應系數具有顯著性，雞蛋價格相較疫情爆發前平均下降了約2.57元/kg。此現象一個可能的解釋為，疫情期間農戶以及家禽養殖業的雞蛋銷售渠道受阻，各類養殖戶的禽蛋庫存總量較高，隨著疫情逐步得到控制，養殖戶的雞蛋庫存量得以釋放，市場上流通的雞蛋供應量大，導致雞蛋價格較疫情前有明顯回落。

GARCH等式估計結果表明，新冠肺炎疫情對廣東和浙江的雞蛋價格波動性影響較大。廣東“新冠肺炎疫情爆發”變量在0.01的水平上顯著為負，疫情發生后相比疫情發生前雞蛋價格的波動程度有明顯降低，這得益于雞蛋物流供應體系的平穩運行，使供求相對平衡，較少出現失衡狀況。浙江“新冠肺炎疫情爆發”和“病例數”變量均在0.01的水平上顯著為正，即疫情和確診病例的增加略微加劇了浙江雞蛋市場價格的波動性，這背后的可能原因是，疫情期間各類信息對居民產生心理影響，居民根據掌握的疫情信息做出的異常購買行為增多，雞蛋價格的變動也隨之增加。

4.3 雞肉價格

表5報告了新冠肺炎疫情對4省區雞肉價格的影響。從AR（1）的系數來看，4地的系數均在0.01的水平上顯著為正，即雞肉當前價格均會受到歷史價格的正向影響。在新冠肺炎疫情相關變量的所有系數中，只有上海“新冠肺炎疫情爆發”變量系數在0.10的水平上顯著，可見新冠肺炎疫情對4地雞肉價格的沖擊整體不顯著，僅對上海雞肉價格有輕微影響，疫情使當地雞肉價格平均提高了約0.25元/kg。與此同時，新冠肺炎疫情降低了浙江雞肉市場價格的波動程度，兩項疫情變量系數分別在0.01和0.05的水平上顯著。

4.4 主食價格

表6報告了新冠肺炎疫情對主食價格的影響估計結果。廣東、上海和浙江對應均值等式的AR（1）系數在0.01的水平上顯著為正，說明3地的主食大米歷史價格會正向影響當前價格，而河南居民的主食面粉歷史價格對現價無顯著影響。在以大米為主食的廣東、上海與浙江3地，新冠肺炎疫情的發生抬高了當地大米價格。廣東“新冠肺炎疫情爆發” 變量系數在0.01的水平上顯著為正，疫情發生后的大米價格比疫情前的大米價格平均上漲了約0.14元/kg;上?！安±龜怠弊兞肯禂翟?.01的水平上顯著為正，表明上海每新增一例新冠確診病例，大米價格平均提高0.002元/kg;浙江“新冠肺炎疫情爆發”變量系數在0.01的水平上顯著為正，則浙江省疫情發生后的大米市場價格比疫情前的大米價格平均上漲了約0.45元/kg。從主食價格的波動程度看，疫情對廣東、浙江兩地的大米價格以及河南的面粉價格波動程度存在較為顯著的影響，但從量綱看，這3地的主食價格波動性變化幅度不大。

FI-GARCH估計結果表明，新冠肺炎疫情提高了主食價格的波動程度。對以上現象的可能解釋是，新冠肺炎疫情的爆發對主食需求的影響大于對供給的影響，其中還伴隨了新冠肺炎危機后的社會恐慌。具體來說，新冠肺炎疫情引發了社會性恐慌，由于主食保質期較長，價格較低，包括大米和面粉在內的主食是居民囤積食物的首選，人們傾向于囤積存貨，這就抬升了食品需求，導致短期內價格上漲，搶購潮的爆發讓供求相對狀況變化劇烈，主食價格的波動程度加劇。

總而言之，新冠肺炎疫情相關信息會導致食物價格波動加劇，背后的作用機制是，一方面，在疫情擴散的情況下，政府執行嚴格的防疫措施后人員流動下降，食物的消費和生產過程均會受到不同程度影響;另一方面，疫情信息可能對社會個體產生心理影響，社會個體對疫情信息有不同的解讀，導致異常購買和生產行為，食物價格的變動也隨之增加。

5 基于GRNN模型對食品價格的預測

5.1 學習樣本的選擇與數據處理

為了利用GRNN模型對食品價格進行擬合和預測，分別把4地每種食品2019年1月2日—2020年7月16日的價格作為訓練樣本，假設食品價格與時間相關，即把時間作為食品價格的變量，把4地前一天的食品價格作為GRNN模型的輸入值，其對應的后一天價格作為輸出值，來訓練樣本。

將輸入和輸出的數據進行歸一化后分析，從樣本中隨機選取兩個樣本的擬合值與真實值作為訓練網絡的待估點，用來確定光滑因子。

5.2 網絡的構建與訓練

構建GRNN模型預測食品價格時，不同大小的σ光滑因子將導致預測結果的不同，進而導致預測的有效性和精度不同。預測中一個較為常見的標準為，運用均方根誤差RMSE（Root Mean Square Error）值的大小來判斷精度，RMSE值越小，則精度越高。RMSE的計算公式為

RMSE=1NNi=1（Pi-i）2（12）

式中，i表示預測值;Pi表示實際值。

該研究利用Matlab R2015b軟件編寫并實現GRNN模型。將光滑因子從0.001開始逐漸增加0.001至1，比較不同光滑因子對應的待估點預測值與真實值誤差序列的RMSE值。多次嘗試后，最終確定4地省每種食品價格對應的光滑因子，進一步構建GRNN模型。以2020年7月16日—2020年7月31日4地對應食品價格作為GRNN網絡的輸入，用訓練好的網絡預測2020年7月17—31日食品價格，并將預測值進行反歸一化得到最終的預測結果。

GRNN模型的預測值與真實值如圖3～6所示，可以看出GRNN模型能夠對4省食品價格進行較好的預測。

5.3 預測效果評估

為了準確地評價GRNN模型對4省市食品價格的預測效果，該研究選取Theil不相等系數（Theil disequilibrium index）來評價預測效果的好壞。Theil不相等系數的計算公式為

T=1NNi=1（Pi-i）2

1NNi=1（Pi）2+1NNi=1（i）2（13）

式中，i表示預測值，Pi表示實際值，對于Theil不相等系數來說，T=1時預測效果最差，T=0時預測值和真實值完全接近，此時模型預測效果最好。表7展示了各省食品價格預測的Theil不相等系數。Theil不相等系數模型結果顯示，從整體看GRNN模型對4省市每種食品價格的預測性能較好，預測值同真實值較為接近。

6 結論與建議

6.1 結論 為了研究新冠肺炎疫情對我國食品市場價格造成的沖擊，該研究基于2019年1月2日—2020年7月31日的食品價格日度數據，運用FI-GARCH模型估計了新冠肺炎疫情對廣東、上海、浙江和河南豬肉、雞蛋、雞肉和主食4類食品價格的影響，比較了疫情導致的食品價格變動在省級間的差異，同時還構建GRNN模型對各地的價格進行了合理的擬合預測。主要結論有：①新冠肺炎疫情爆發下，豬肉調運不暢，導致上海、浙江的豬肉價格均顯著提高，但浙江的波動程度降低了;②由于疫情得到控制后雞蛋生產商逐漸釋放了雞蛋庫存量，4地的雞蛋價格均有下降，其中以上海下降最為明顯，而浙江蛋價的波動性增加了;③除上海雞肉價格有輕微上漲外，疫情對各地雞肉價格整體上影響不顯著;④主食是疫情期間消費者囤積食物的首選，廣東、上海和浙江大米價格出現上漲，河南面粉價格無明顯變動;⑤建立的GRNN模型具有較好的泛化能力、魯棒性和可靠性，對食物價格進行預測研究，真實值和預測值之間的Theil不相等系數和0較為接近，預測精度較高，有助于各地監測食物市場價格出現大幅波動風險時，對其進行提前感知并采用有效措施予以應對，從而減少經濟損失。

6.2 政策建議 自2020年初新冠肺炎疫情爆發，全國各地政府均采取了嚴格的抗疫政策，及時發布疫情相關信息并有效管控人群聚集和流動，成功控制了疫情;同時在抗擊新冠肺炎疫情的過程中，確保了充足的食品供應，避免了人道主義危機。這在很大程度上穩定了市場，減少了恐慌。如今我國已進入疫情常態化防控階段，在這一背景下確保食品市場供應和價格穩定，關乎民生，連接民心。為此，針對后疫情時期的食品價格形勢，提出以下建議。

6.2.1 穩產放儲并舉，夯實穩價基礎。

全面摸排掌握各地范圍內相關食品生產情況，加大政策扶持力度，統籌協調各方資源，全力以赴促復產、提產能、挖庫存、擴進口。把穩產保供作為2020年“米袋子”省長負責制和“菜籃子”市長負責制考核的關鍵內容，省、市、縣共同擔責，產銷兩端同時發力，逐項打通制約農產品供應鏈生產流通銷售各環節的堵點和難點。根據疫情防控需要和市場供給情況，及時投放儲備食品，同時調節收儲力度。

6.2.2 開辟綠色通道，確保物資運輸暢通。杜絕“一刀切”式交通管制，及時開辟綠色通道，確保菜籃子產品運輸暢通。組織開展“農超對接”“農社對接”等產銷對接活動，促進采購主體與產區、與產地有效精準對接，建立穩定可靠的產銷協作關系。同時，組織商超和批發市場積極采購滯銷果蔬，加快推進農村電子商務發展和冷鏈物流建設，充分運用信息化手段促進農產品線上銷售[29]。

6.2.3 強化監測預警，前移價格調控關口。

在疫情防控特殊時期，應把價格調控的關口向前移，及時制定價格應急監測制度，將豬肉、大米等農產品列為重點監測對象，實行一日一報，發現價格異動的苗頭性、傾向性、潛在性問題，盡快反應、盡快跟進，及時采取措施穩定物價，以實現價格調控由被動“滅火”向主動“防火”轉變。

6.2.4 加強宣傳引導，穩定市場價格預期。

發揮政府、專家學者、商會協會作用，全方位、多渠道宣傳疫情防控成效及采取的措施，及時對保障“菜籃子”商品市場供應和價格穩定的各項政策措施進行解讀，切實穩定市場預期。同時，密切關注價格輿情動態，及時回應社會和群眾關切，妥善化解可能影響預期市場穩定的重大風險，并對散布涉及市場供應和價格方面的虛假信息行為予以嚴厲打擊。針對部分緊缺商品供不應求的情況，應指導商超及時補貨，做好消費疏導，避免出現搶購潮[30] 。

6.2.5 充分兜底民生底線。

進一步完善社會保障和民生救助機制，確保困難家庭補貼按時足額發放。當居民消費價格漲幅達到啟動條件時，應立即啟動聯動機制，并確保在指數發布的當月內將價格臨時補貼發放到位[31]。要摸清因疫情失業或返貧群體的情況，及時納入社會保障體系。鼓勵有條件的地方提高價格臨時補貼標準或者向困難群眾發放一次性生活補助，努力保障困難群眾的基本生活不因物價上漲而受到影響。

參考文獻

[1]

HASINER E，YU X H.Meat consumption and democratic governance：A cross-national analysis[J/OL].China economic review，2020，59[2020-09-25].htts：//doi.org/10.1016/j.chieco.2016.06.008.

[2] 孫泉，蔣曉芒，程曉東.“非典”引發的市場異常波動及啟示[J].價格理論與實踐，2003（7）：29-30.

[3] 王曉東，戈雪松，趙安平，等.災害天氣、重大事件、重要節日對北京市蔬菜市場供應的影響[J].農業展望，2015，11（1）：47-55.

[4] 劉威，馬恒運.突發公共衛生事件對中國食物供給及農業發展的沖擊及應對[J].重慶社會科學，2020（5）：32-42.

[5] WORKIE E，MACKOLIL J，NYIKA J，et al.Deciphering the impact of COVID-19 pandemic on food security，agriculture，and livelihoods：A review of the evidence from developing countries[J].Current research in environmental sustainability，2020，2：1-6.

[6] MISHRA A，BRUNO E，ZILBERMAN D.Compound natural and human disasters： Managing drought and COVID-19 to sustain global agriculture and food sectors[J/OL].Science of the total environment，2021，754[2020-09-25].htts//doi.org/10.1016/j.scitoenv.2020.

[7] YU X H.Monetary easing policy and long-run food prices： Evidence from China[J].Economic modelling，2014，40：175-183.

[8] 許世衛，李哲敏，李干瓊，等.農產品市場價格短期預測研究進展[J].中國農業科學，2011，44（17）：3666-3675.

[9] 張萌，高明杰，羅其友.中國馬鈴薯價格波動定量分析[J].中國農業資源與區劃，2020，41（1）：113-121.

[10] MANI V，SUBRAMANIAN S R，SHANMUGASUNDARAM S.Forecasting of egg production and wholesale egg price in salem district of Tamil Nadu[J].Indian journal of agricultural economics，2000，55（4）：683-690.

[11] 劉雪，劉錦濤，李佳利，等.基于季節分解和長短期記憶的北京市雞蛋價格預測[J].農業工程學報，2020，36（9）：331-340.

[12] 張一凡，范梅華.基于ARIMA模型對全國集貿市場雞蛋價格的分析和預測[J].中國家禽，2020，42（1）：82-86.

[13]韓雯.ARIMA模型在貴州省農產品價格預測中的應用：以辣椒為例[J].安徽農業科學，2011，39（21）：13226-13227，13229.

[14] 劉海清，方佳.基于指數平滑模型的海南省芒果價格預測[J].熱帶農業科學，2010，30（1）：79-81.

[15] 李蘇，寶哲.我國豬肉價格波動特征及預測研究[J].價格理論與實踐，2020（6）：80-83，153.

[16] BAZEN S，CARDEBAT J M.Forecasting Bordeaux wine prices using state-space methods[J].Applied economics，2018，50（47）：5110-5121.

[17] 金瑤，蔡之華.基于AR模型的Kalman濾波在股票價格預測中的應用[J].統計與決策，2013（6）：80-82.

[18] 周李涌，李娟娟，李寶山，等.基于PCA-BP神經網絡的羊肉價格預測研究[J].黑龍江畜牧獸醫，2020（14）：5-7.

[19] 謝錦濤.婁底市豬肉價格的影響因素分析及預測[J].湖南農業科學，2020（2）：91-93，98.

[20] 王桂紅，楊勇，吳華瑞，等.農產品市場價格Web信息智能分析方法[J].沈陽農業大學學報，2013，44（3）：284-288.

[21] 熊巍，祁春節，高瑜，等.基于組合模型的農產品市場價格短期預測研究：以紅富士蘋果、香蕉、橙為例[J].農業技術經濟，2015（6）：57-65.

[22] 張艷.基于ARIMA與GRNN組合模型對人民幣匯率的預測[D].武漢：湖北工業大學，2017.

[23] 韓磊，王術坤.2019年中國豬肉供需形勢及2020年展望[J].農業展望，2020，16（4）：7-11，17.

[24] 堵鶴明.我國雞蛋價格波動及傳導機制研究[D].石家莊：河北經貿大學，2020.

[25] 喻開志，王小軍，田明言.國內雞肉價格波動及其影響因素研究：基于市場不確定因素的實證分析[J].價格理論與實踐，2019（12）：59-62.

[26] BOX G E P，PIERCE D A.Distribution of residual autocorrelations in autoregressive-integrated moving average time series models[J].Journal of the American statistical association，1970，65（332）：1509-1526.

[27] BAILLIE R T，BOLLERSLEV T，MIKKELSEN H O.Fractionally integrated generalized autoregressive conditional heteroskedasticity[J].Journal of econometrics，1996，74（1）：3-30.

[28] ENGLE R F，BOLLERSLEV T.Modelling the persistence of conditional variances[J].Econometric reviews，1986，5（1）：1-50.

[29] 蔣和平，楊東群，郭超然.新冠肺炎疫情對我國農業發展的影響與應對舉措[J].改革，2020（3）：5-13.

[30] 葉興慶，程郁，周群力，等.新冠肺炎疫情對2020年農業農村發展的影響評估與應對建議[J].農業經濟問題，2020，41（3）：4-10.

[31] 魏后凱，蘆千文.新冠肺炎疫情對“三農”的影響及對策研究[J].經濟縱橫，2020（5）：36-45.