基于國內棉花產量序列的實證分析

喬　喬

基于國內棉花產量序列的實證分析

喬喬

（內蒙古財經大學內蒙古呼和浩特010070）

近年來，全球棉花市場呈現出供小于求的局面。為探究國內棉花產量時間序列變化規律，揭示棉花產量序列的性質，分析棉花產量大幅變化帶來的影響，文章通過運用Stata軟件進行時間序列分析及模型擬合預測，得出結論：由于近5年～10年全球棉花市場的變化，以及國內產業結構調整，棉花整體產量小幅下降，且由于棉花的多功能性及多需求性，供不應求的局面在一定程度上會持續。并基于國內棉花生產存在的問題，對進一步保障國內棉花產量及市場預測提出了合理化建議。

棉花；產量；Stata軟件；時間序列；時序分析

近年來，棉花產量持續小幅下降，全球棉花貿易局勢漸變。如何根據國內棉花產量時間序列數據及面板數據，與時俱進地為“革新棉花相關產業政策，推動新時代棉花高質量發展”提供可參考性分析及建議，已成為國內諸多相關學者亟須解決的關鍵課題。

為推進國內棉花產量序列相關分析研究，本文延續朱愛孔等（2021）學者的研究方向[1]，參考王麗娜等（2004）學者的模型研究思路[2]，根據近40年國內棉花產量時間序列數據，運用描述性統計分析及模型分析方法，探究國內棉花產量時間序列變化規律，進而預測未來棉花市場變化。

1 研究背景及意義

1.1 研究背景

自2021年3月起，棉花貿易整體局面持續變化。伴隨著棉花產量的持續下降，棉花貿易整體局面日漸嚴峻，國內相關產業首當其沖。

不難發現，目前棉花競爭格局較為穩定，而我國作為全球棉花出口大國之一，自2017年棉花產量小幅下降，種植面積減少，早已呈現供難應于求的局面。加上棉花貿易整體局面的變化，棉花產量將會持續變化。

1.2 研究意義

為厘清國內棉花產量時間序列變化規律，揭示棉花產量序列的性質，本文采用時間序列分析、建模及預測進行擬合，通過對結果進行量化分析，發掘現存問題，并提出一定的可參考性建議。

2 指標選取與數據搜集

基于棉花整體貿易的嚴峻局勢，且棉花作為重要的農作物之一，其果實、果殼等均可利用，其年產量具有很好的現實分析意義與經濟分析意義。本文選取1978年—2021年國內棉花產量作為分析指標，通過在EPSDATA數據庫中選擇既定指標及指標數據，進行后續數據分析及建模。

3 實驗過程

3.1 平穩性檢驗

將1978年—2021年棉花產量序列數據導入Stata軟件數據框中，通過圖檢驗法及單位根ADF檢驗方法檢驗序列的平穩性，輸出結果如下。

3.1.1 圖檢驗法（初步檢驗）

通過對時序圖（如圖1）初步判斷，得出該序列跨度為44年，無缺失值；棉花產量序列存在線性趨勢，即原序列不平穩。周期長度并不固定，不符合季節效應，更無明顯曲線趨勢。

圖1　（原序列）時序圖

由于原序列圖初步判斷不平穩，則需對原序列進行差分，先嘗試一階差分。將原序列差分后記為序列{t}，并對差分后序列再做時序圖檢驗，結果如圖2所示。

圖2　一階差分后時序圖

由圖2可知，根據平穩時間序列均值、方差為常數的性質，差分后序列{t}的時序圖始終在一個常數值附近隨機波動，且波動范圍有界，無明顯趨勢或周期性特征，故初步判斷該序列{t}平穩。

3.1.2 單位根ADF檢驗

由于時序圖無法準確判定序列的平穩性，為了進一步確定其平穩性，對差分后序列{t}做單位根ADF檢驗及結果如下：

（1）Step 1：建立假設——

0：差分后序列{t}非平穩。

1：差分后序列{t}平穩。

（3）Step3：計算值進行判定：

當＜=0.05時，拒絕原假設，認為差分后序列{t}顯著平穩；

當＞=0.05時，接受原假設，認為差分后序列{t}顯著非平穩。

經過單位根ADF檢驗，得到檢驗統計量=-6.992，且由于ADF統計量的值小于顯著性水平=0.05，所以拒絕原假設，即差分后序列t是平穩序列。

3.2 純隨機性檢驗

在差分后序列通過平穩性檢驗，認定為平穩序列后，對平穩差分后序列進行純隨機性檢驗及結果如下：

（1）Step 1：假設條件——

0：平穩序列{t}為純隨機序列。

1：平穩序列{t}為非純隨機序列。

（2）Step 2：構造檢驗統計量/。

（3）Step 3：計算值進行判定——

當部分延遲階數下，檢驗統計量的＜時，則認為拒絕原假設，該序列為非白噪聲序列，序列之間有相關關系，有研究價值（允許部分值大于的情況出現）。

當全部延遲階數下，檢驗統計量的＞時，則認為無法拒絕原假設，該序列為純隨機序列，序列之間無相關性，無研究價值。

經過純隨機性檢驗，得出大部分值均小于給定的顯著性水平=0.05，從而拒絕純隨機序列的原假設，認為該序列為非純隨機序列，即該序列蘊含相關信息，有分析研究價值，可以建立模型擬合該序列中信息的規律。

3.3 模型定階

針對平穩非純隨機序列{t}，通過求出觀察值序列的樣本自相關系數ACF與樣本偏自相關系數PAC的值，根據ACF及PAC的性質，選擇階數適當的ARIMA（,,）模型。

3.3.1 輔助判斷標準——2倍標準差范圍

如果樣本自相關系數或偏自相關系數在最初的階明顯大于2倍標準差范圍，而后幾乎95％的自相關系數都落在2倍標準差的范圍以內，而且通常由非零自相關系數衰減為小值波動的過程非常突然。這時，通常視為（偏）自相關系數截尾，截尾階數為。

如果有超過5%的樣本自相關系數落入2倍標準差范圍之外，或者由顯著非零的相關系數衰減為小值波動的過程比較緩慢或者非常連續，這時，通常視為不截尾。

3.3.2 模型定階

通過計算各階ACF值得出，自相關系數是以一種有規律的方式，按指數函數軌跡衰減的。這說明自相關系數衰減到零不是一個突然截尾的過程，而是一個連續漸變的過程，這時自相關系數表現為拖尾。

通過計算各階PAC值得出，除了2階偏自相關系數在2倍標準差范圍之外，其他階數的偏自相關系數都在2倍標準差范圍內，這時偏自相關系數可判斷為拖尾或2階截尾。

根據自相關系數拖尾，偏自相關系數1階截尾的屬性，可以初步確定對原序列擬合ARIMA(1,1,1)模型、ARIMA(2,1,0)模型以及疏系數ARIMA（(2),1,0）模型。

3.4 參數估計

針對差分后序列初步確定的擬合模型進行參數估計，并使用最小二乘法確定模型口徑。

3.4.1 模型1

對原序列擬合ARIMA(1,1,1)模型等價于對差分后序列擬合ARIMA(1,0,1)，擬合模型及輸出結果如下：

3.4.2 模型2

對原序列擬合ARIMA(2,1,0)模型等價于對差分后序列擬合ARIMA(2,0,0)，擬合模型及輸出結果如下：

3.4.3 模型3

對原序列擬合疏系數ARIMA（(2),1,0）模型，擬合模型及輸出結果如下：

3.5 模型檢驗

3.5.1 參數顯著性檢驗

（1）檢驗步驟

①Step 1：提出假設——

0：參數顯著為零，即參數不顯著。

1：參數顯著非零，即參數顯著。

②Step 2：構造檢驗統計量。

③Step 3：給定顯著性水平，計算值進行判斷——

如果＜=0.05，拒絕0，認為參數顯著；

如果＞=0.05，不拒絕0，認為參數不顯著。

（2）三個模型分別進行參數顯著性檢驗

①模型1：對差分后序列擬合ARIMA(1,0,1)模型

通過擬合ARIMA（1,0,1）模型，maL1.的=1.000，在=0.1水平下參數不顯著。

②模型2：對差分后序列擬合ARIMA(2,0,0)模型

通過擬合ARIMA（2,0,0）模型，arL1.的=0.335，在=0.1水平下參數不顯著。

③模型3：對差分后序列擬合疏系數ARIMA（(2),0,0）模型

3.5.2 模型顯著性檢驗

（1）檢驗步驟

①Step 1：提出假設——

0：殘差序列為白噪聲序列。

1：殘差序列為非白噪聲序列。

②Step2：構造統計量。

③Step3：給定顯著性水平，計算值進行判斷——

在任意延遲階數下，如果存在任意＜，則拒絕0，認為殘差序列為非白噪聲序列，信息提取不充分，擬合模型不顯著，為無效模型。

在所有延遲階數下，如果所有＞，則不能拒絕0，認為殘差為白噪聲序列，提取信息充分，擬合模型顯著有效。

（2）對三個模型分別進行檢驗

①模型1：對差分后序列擬合ARIMA(1,0,1)模型

通過軟件擬合得出：對于任意延遲階數，檢驗統計量的值均大于顯著性水平（=0.05），故在95%的概率下，不能拒絕該序列為純隨機性序列的原假設，即模型殘差序列為純隨機序列。

②模型2：對差分后序列擬合ARIMA(2,0,0)模型

通過軟件擬合得出：對于任意延遲階數，檢驗統計量的值均大于顯著性水平（=0.05），故在95%的概率下，不能拒絕該序列為純隨機性序列的原假設，即模型殘差序列為純隨機序列。

③模型3：對差分后序列擬合疏系數ARIMA((2),0,0)模型

通過擬合得出：對于任意延遲階數，檢驗統計量的值均大于顯著性水平（=0.05），故在95%的概率下，不能拒絕該序列為純隨機性序列的原假設，即模型殘差序列為純隨機序列。

3.6 模型優化

將模型1、2、3的檢驗結果總結如下：

模型1與模型2均未通過參數顯著性檢驗，而模型3參數顯著性檢驗及模型純隨機性檢驗均通過。模型優化是針對通過模型檢驗的模型進行選擇，故將前兩個模型舍去，選擇模型3。故后續分析均針對模型3進行。

通過軟件擬合，輸出模型3結果：AIC=496.512 8，SBC=501.865 3。

3.7 數據預測

針對模型3——對差分后序列擬合疏系數模型進行數據預測，輸出結果如圖3、圖4所示。

圖3　數據預測圖

圖4　最終趨勢圖

4 結論與建議

4.1 基于國內棉花產量序列分析的結論

由圖3可知，與真實數據（差分后數據）相比：在1987年之前序列預測存在很大的差異性；在1990年—2000年、2010年—2020年序列預測較為準確。這反映出國內外不斷調整棉花種植等的相關政策對棉花產量預測有直接影響，會導致某一階段預測的偏差。我國應密切關注全球貿易局勢，進而指導國內生產。整體看來，序列數據預測擬合較好，即可根據趨勢指導未來國內棉花生產和市場風險評估。

由圖4可知，差分后數據擬合預測曲線（曲線whitexhat）與差分后原序列數據擬合曲線（曲線blackdx）整體趨勢一致，反映出差分得當；序列數據預測曲線在2010年之后整體特征大體符合原序列及差分后序列波動。

最終得出結論：由于近5年～10年全球棉花市場的變化，以及國內產業結構調整，棉花整體產量小幅下降，且由于棉花的多功能性及多需求性，供不應求的局面在一定程度上會持續。加之棉花整體貿易局勢的動蕩，如何保證國內棉花儲備率，成為現階段亟須解決的問題。

4.2 基于國內棉花產量序列分析的意見及建議

針對以上問題，加之國內外棉花整體產量持續小幅下降的現狀，我國應在棉花種植及采摘環節提高自動化普及率，提升我國農業生產效率；同時密切關注全球貿易局勢，進而調整國內棉花生產過程，一定程度上緩沖非可控因素對國內棉花產業的沖擊。

通過序列擬合及后續影響因素分析，做好未來棉花市場的風險預測，應對棉花市場供不應求的持續局面，讓國內棉花堅持向優質高效生產的方向發展。

5 結語

本文基于棉花貿易局面大幅動蕩，分析國內棉花產量趨勢，得出結論：國內外棉花產量整體小幅下降的局面將會持續，且由于我國為提升綜合國力進而調整國內產業結構，國內棉花產量將受到更多非可控因素的共同影響。密切關注全球經濟局勢，靈活調整國內棉花生產，努力提高農業高效自動化普及率，成為當前相關人員亟須面對并解決的事情；并通過預測未來棉花產量趨勢及市場潛在風險，促進國內棉花產業高質量發展。

[1]朱愛孔,何芳,韓明悅.需求側管理下的我國新疆棉紡織產業高質量發展路徑探索[J].中國棉花加工,2021(4):16-19.

[2]王麗娜,肖冬榮.基于ARMA模型的經濟非平穩時間序列的預測分析[J].武漢理工大學學報(交通科學與工程版),2004(1):133-136.

10.3969/j.issn.2095-1205.2022.05.33

F326.1

A

2095-1205(2022)05-100-04