河南省糧食產量影響因素及趨勢預測

段姍姍

河南科技大學，河南 洛陽 471000

0 引言

糧食產量的提升不僅影響我國人民生活水平的提升，而且與國民經濟發展有著密切關系［1］。河南省作為農業大省，其糧食生產在全國范圍內占據重要地位。因此，探討河南省糧食產量影響因素、變化情況及預測未來趨勢對糧食產量的穩定及提升有十分重要的意義。

對于糧食產量的影響因素及預測，許多學者提出了不同的觀點。在糧食產量影響因素方面，朱坤林等［1］依據灰色關聯分析基本原理，以2008—2020 年商丘市糧食產量及相關指標為研究對象，分析商丘市糧食產量的影響因素。楊凡雨等［2］利用湖南省統計數據，運用灰色關聯分析法篩選關聯性較強的影響因素，并建立GM（1，N）預測模型預測糧食產量，發現糧食產量受國家政策、農業機械總動力的影響最大。Zhang等［3］根據山東省60 余年糧食產量數據，對影響糧食產量的主要因素進行分析，認為影響糧食總產量的最主要因素為單產。在糧食產量預測方面，許德剛等［4］對比分析了時間序列法等4 種分析方法在糧食產量預測方面的優劣勢，并對糧食產量預測的發展進行了總結和展望。胡啟帆等［5］運用主成分分析法分析了糧食產量的變化特點和影響因素，并運用灰色模型預測了洛陽市未來5 年的糧食產量。曹存梁［6］基于灰色關聯分析-影響因子共線性判斷-變量選擇-多元線性的組合預測模型對2014—2017年河南省糧食產量進行預測，基于GM（1，1）和反向傳播（Back Propagation，BP）神經網絡的組合模型預測未來一段時間的影響因子和產量數據。Michael 等［7］利用衛星數據和機器學習方法構建了加拿大草原作物產量預測模型，并且對比分析了線性機器學習和非線性機器學習法對作物產量的預測效果，用歸一化植被指數預測作物產量，發現歸一化植被指數是較好的預測指標，線性模型比非線性模型在作物產量預測中更有優勢。

在分析糧食產量影響因素時，大多數學者選擇了播種面積、農業機械總動力、農村用電量等指標。在預測糧食產量時，較多學者采用了灰色關聯模型。這為研究河南省糧食產量影響因素的指標選取和糧食產量預測方法選取提供了思路。現階段，我國較少學者對河南省糧食產量影響因素及預測進行研究。因此，筆者在前人研究的基礎上選取2002—2021 年河南省糧食生產的相關數據，進行回歸分析和差分自回歸移動平 均（Autoregressive Integrated Moving Average，ARIMA）預測，以探討河南省糧食產量影響因素，并對糧食產量進行預測。

1 研究區概述

河南省處于中國中東部、華北平原以南黃河中下游地區。河南省地形復雜，地勢西高東低、北坦南凹，北、西、南三面有太行山、伏牛山、桐柏山、大別山四大山脈環繞，間有陷落盆地，中部和東部為遼闊的黃淮海沖積平原。河南省的氣候具有四季分明、雨熱同期、復雜多樣、氣象災害頻繁的基本特點。

河南省是我國的糧食大省，糧食播種面積和糧食產量均位于全國前列。2021 年，河南省糧食播種面積為1 077.231萬hm2，全年糧食總產量為6 544.20萬t。

2002—2021 年河南省糧食播種面積和糧食產量整體變化趨勢如圖1 所示。由圖1 可知，2002—2008年，河南省糧食播種面積呈平穩增長趨勢；2008—2010年，河南省糧食播種面積逐步減少；2010—2016 年，河南省糧食播種面積又呈現平穩增長趨勢；2016—2021年，河南省糧食播種面積表現出增減波動的發展趨勢，但波動幅度不大。2003 年，河南省糧食產量下降且相較于2002 年下降了640.51 萬t，波動幅度較大；2003—2020年呈波動上升的趨勢；2020—2021年呈下降趨勢。

圖1 2002—2021河南省糧食播種面積及產量變化趨勢

圖2 糧食產量模擬擬合和預測

2 指標選取及數據來源

2.1 指標選取

影響糧食產量的因素較多。筆者在查閱相關資料后，最終選取河南省糧食產量作為因變量，資源因素、技術因素和人力因素作為自變量。資源是糧食產量的基礎條件，但隨著社會的發展，糧食播種面積受限，在這種情況下，加強技術因素方面的投入可以減少這些限制，同時人力資源的改善對糧食產量有一定貢獻。因此，筆者選取糧食播種面積作為資源因素的指標；選取農業機械總動力、農用塑料薄膜使用量、有效灌溉面積、農藥使用量、化肥折純量、農村用電量作為技術因素的指標；選取第一產業就業人員作為人力因素的指標（見表1）。

表1 河南省糧食產量影響因素指標體系

2.2 數據來源

該研究的數據來源于《中國統計年鑒》（2003—2022年）和《河南省統計年鑒》（2003—2022年）。

3 河南省糧食產量影響因素的實證分析

3.1 相關性檢驗

Pearson 相關性分析是一種常用的統計方法，用于衡量兩個變量之間的線性關系強度和方向。它基于協方差的概念，通過計算兩個變量的協方差除以它們各自的標準差的乘積，得到一個范圍在-1～1 的相關系數。Pearson 相關性檢驗可以幫助研究人員了解變量之間的關系，從而幫助他們進行更深入的研究。該研究各變量的Pearson相關性檢驗結果如表2所示。

表2 Pearson相關性檢驗

由表2可知，農藥使用量與糧食產量的相關系數為0.400，沒有顯著相關性，因此剔除該因素后繼續分析。

3.2 單位根檢驗

對時間序列數據進行單位根檢驗的目的在于判斷時間序列是否平穩。如果檢驗結果存在單位根，則說明時間序列數據是非平穩的。筆者對該研究進行二階差分單位根檢驗，該研究的單位根檢驗結果如表3所示。

瑞士有很多傳統的奶酪飲食，其中奶酪火鍋就是其中最著名的一款。如果說瑞士有什么美食的話，那一定首推奶酪火鍋。瑞士盛產奶酪，而且法令規定一個地區只能生產該地區產的奶酪，因此瑞士的奶酪直至今日仍能夠保持極其傳統的風味，且不同地區的奶酪味道各不相同。

表3 單位根檢驗

由表3 可知，基于因變量糧食產量的一階差分臨界值在1%水平上呈現顯著性，因此拒絕原假設，該序列為平穩的時間序列，可以進行統計建模。

3.3 線性回歸

該研究的線性回歸結果如表4所示。

表4 線性回歸結果（n=20）

由表4 可知，各變量的方差膨脹系數（Variance Inflation Factor，VIF）均大于5，說明影響因素存在多重共線性，因此進行逐步回歸解決多重共線性問題。

3.4 逐步回歸

逐步回歸是以線性回歸為基礎的方法。其思路是將變量一個接著一個引入，并在引入一個新變量后，對已入選回歸模型的舊變量逐個進行檢驗，將認為沒有意義的變量刪除，直到沒有新變量引入也沒有舊變量刪除，從而保證回歸模型中每一個變量都有意義。該研究的逐步回歸結果如表5和表6所示。

表5 逐步回歸

表6 逐步回歸結果（n=20）

由表6 可知，P值為0.000，在1%水平上呈現顯著性，拒絕回歸系數為0 的原假設。對于變量共線性表現，VIF全部小于10，因此模型沒有多重共線性問題，模型構建良好。模型公式為

4 河南省糧食產量趨勢預測

基于以上回歸分析結果，建立ARIMA 模型對河南省2023—2032年糧食產量進行預測。

4.1 ARIMA模型

ARIMA 作為時間序列分析中十分經典的方法之一，被應用于未來數值的預測。

ARIMA模型的基本原理可以用式（2）表示。

式（2）中：AR(p)表示自回歸模型，I(d)表示差分模型，MA(q)表示移動平均模型。ARIMA 模型通過對時間序列的分析與擬合，估計出合適的模型參數，從而進行數據預測和建模。

4.2 ARIMA模型預測結果

以2002—2021 年河南省糧食產量數據為例，建立ARIMA 擬合模型，并通過擬合模型建立預測模型，得出（1，1，0）為最優結果，殘差為白噪聲。

根據所建模型對2023—2032 年河南省糧食產量進行預測，結果如表7所示。

表7 2023—2032年河南省糧食產量預測值

由表7 可知，河南省2023—2032 年糧食產量將呈現平穩增長趨勢，發展趨勢良好。

5 研究結論

筆者基于2002—2021 年數據對河南省糧食產量變化趨勢進行分析，并采用逐步回歸分析，對影響河南省糧食產量的因素進行研究，最后利用ARIMA 模型對河南省未來糧食產量進行預測，得出以下主要結論。

第一，第一產業就業人員與播種面積對河南省糧食產量影響較大，因此建議持續推進高素質農民教育，培養新型職業農民；堅持耕地紅線不動搖，穩定糧食播種面積。

第二，預測結果顯示，河南省2023—2032 年糧食產量將呈現平穩增長趨勢，發展趨勢良好。