基于Elman神經網絡的茶葉主產省農業產值與茶商品價格模擬

摘要：精準預測農業產值和農產品價格對高效利用發展農業資源、調整農業結構和加強農業信息化建設等起推動作用。基于茶葉主產省農業產值及關鍵影響因素數據和3種電商平臺的茶商品交易數據，利用經典的逐步回歸方法確定農業產值和茶商品價格的關鍵影響因素及權重，構建基于Elman神經網絡算法的農業產值和茶商品價格模擬模型。結果表明，茶葉主產省農業產值的關鍵影響因素包括活動積溫、降水量、糧食作物播種面積、經濟作物播種面積、經濟作物產量占比、農業機械總動力、機耕面積、機播面積、機收面積、農村用電量、化肥施用量（折純量）、鄉村人口數和鄉村從業人員數；茶葉主產省茶商品價格的關鍵影響因素包括平臺、省份、茶類、采摘季節、商品級別和增值服務。基于Elman神經網絡算法的茶葉主產省農業產值模型模擬值與實測值的均方根誤差為6.21～27.51億元，歸一化均方根誤差為3.10%～12.23%；基于Elman神經網絡算法的3種電商平臺茶商品價格模型模擬值與實測值的均方根誤差為81.94～98.26元/kg，歸一化均方根誤差為8.42%～35.66%。

關鍵詞：茶葉；Elman神經網絡；逐步回歸；農業產值；茶商品價格；模擬模型

中圖分類號：S571.1""""""文獻標識碼：A""""""文章編號：2095?5553"（2025）"02?0264?07

Simulation of agricultural output value and tea commodity price in major tea producing provinces based on Elman Neural Network

Cheng Chen1， Luo Yi2， Zheng Shenghong3， Wang Jiayi1， Zhang Hanyu1， Ding Fenghua1

（1. College of Ecology， Lishui University， Lishui， 323000， China;

2. Center for Price Cost Investigation， National Development and Reform Commission， Beijing， 100024， China;

3. Wenzhou Academy of Agricultural Sciences， Wenzhou， 325006， China）

Abstract： Accurate prediction of agricultural output value and agricultural product prices plays a driving role in promoting efficient utilization and development of agricultural resources， adjusting agricultural structure， and strengthening agricultural informatization construction. Based on the" data of agricultural output value and key influencing factors in major tea producing provinces， as well as tea commodity trading data from three kinds of e?commerce platforms. The classic stepwise regression methods were used to determine the key influencing factors and weights of agricultural output value and tea commodity prices， and a simulation model for agricultural output value and tea commodity prices based on Elman neural network was constructed. The results showed that the key influencing factors of agricultural output value of major tea producing provinces included accumulated temperature， precipitation， grain crop sown area， cash crop sown area， proportion of cash crop output， total power of agricultural machinery， machine cultivated area， machine sown area， machine harvested area， rural electricity consumption， fertilizer application amount （net amount）， rural population and rural employees. The key influencing factors of tea commodity prices in major tea producing provinces included platform， province， tea category， picking season， product level， and value?added services. The simulated and measured root mean square error （RMSE） of the agricultural output value model of the main tea producing provinces based on Elman neural network algorithm were in the range of 6.21-27.51 million yuan， and the normalized root mean square error （NRMSE） was in the range of 3.10%-12.23%. The simulated and measured RMSE values of three kinds of e?commerce platform tea product price models based on Elman neural network algorithm were in the range of 81.94-98.26 yuan/kg， and the NRMSE was in the range of 8.42%-35.66%.

Keywords： tea; Elman neural network; stepwise regression; agricultural output value; tea commodity price; simulation model

收稿日期：2023年10月28日""""""" 修回日期：2023年12月26日

? 基金項目：浙江省軟科學研究計劃項目（2022C35063）；麗水市公益性技術應用研究計劃（2024GYX14）；麗水市“百名博士入百家企業人才引領計劃”項目（202202）；浙江省大學生科技創新活動計劃（新苗人才計劃）項目（2022R434C021）；國家級大學生創新創業訓練計劃（S202210352010）

第一作者：程陳，男，1993年生，合肥人，博士，講師；研究方向為專家決策系統開發與應用。E?mail： chengsir1993@lsu.edu.cn

通訊作者：丁楓華，女，1970年生，杭州人，博士，教授；研究方向為農業資源高效利用。E?mail： dfh0578@163.com

0 引言

農業產值可以反映國家或地區農業生產的總規模和總水平，精準預測農業產值對總體把握農業科技進步水平，有效利用和發展農業資源，實現科技興農等目標起推動作用[1]，而農產品價格作為農業產值的關鍵要素之一，精準預測農產品價格有利于指導農產品生產以及調整農業結構[2]。茶葉是最具有經濟價值的中國特色農產品之一，而茶葉商品市場定價具有差異性和量化難度較大等市場經濟問題[3]，需要探究新的建模思路在提高茶葉主產省份農業產值與茶商品價格預測精度中的適用性。

農業產值不僅與農作物播種面積、單位面積產值、農產品價格指數等因素相關[4]，而且與氣象條件和農業機械化水平等因素有關[5]。電商平臺農產品價格與環境因素、農戶商家和電商平臺等因素有關[6]，對于茶葉商品價格還應考慮茶類、商品等級、增值服務等因素的影響[7，"8]。由于農業產值是農產品產量和價格乘積計算得到，而茶商品價格則是農產品價格中重要組成部分，均對調整農業政策、促進區域農業增長具有重要意義。目前，國內外在農業產值與農產品價格預測領域的理論、方法、實踐應用等方面取得了進展，崔暢等[9]運用結構向量自回歸模型分別對我國農產品價格與國際農產品價格、農業生產資料價格和通貨膨脹率等宏觀經濟變量間的相互作用程度和時滯問題進行檢驗和對比分析。楊娟等[10]采用時間序列分析和建模方法，研究全國和區域蔬菜價格的走勢特征及其影響因素。隨著信息技術、智能技術在各領域的廣泛應用，智能分析法對非線性問題的擬合程度更高，劉斌等[11]通過研究影響蘋果市場價格的相關因素，構建蘊含價格波動規律的分布式神經網絡模型，實現對蘋果市場價格的短期預測。Elman神經網絡具有預測準確、收斂迅速、學習記憶穩定和動態特性好等優勢，已應用到長期記憶信息能力和模塊化使用能力[12]、溫室環境小氣候[13]等研究中，并達到較好的預測結果。

本文基于茶葉主產省農業產值及關鍵影響因素數據和3種電商平臺（淘寶、京東和拼多多）的茶商品交易數據，利用經典的逐步回歸方法確定農業產值和茶商品價格的關鍵影響因素及權重，構建基于Elman神經網絡算法的農業產值和茶商品價格模擬模型，以期科學有效地推動種植規模化和農業信息化。

1 模型構建

1.1 數據來源

茶葉主產省農業產值模型試驗數據來源于12個茶葉主產省統計局統計年鑒，涉及安徽省、廣東省、廣西壯族自治區、貴州省、河南省、湖南省、江蘇省、山東省、陜西省、四川省、云南省和浙江省，共計177個市級農業產值數據，由于福建省、甘肅省、海南省和江西省缺少氣象條件數據，故不在本研究范圍內，且模型構建數據集和模型驗證數據集相互獨立。選取的關鍵指標主要包括農業產值、農業服務業產值[14]、各月及全年平均氣溫和降水量[15]、糧食作物和經濟作物播種面積及產量[4]、農業機械總動力[5]、機耕[5]、機播[5]、機收和耕地灌溉面積[5]、農村用電量[16]、化肥施用量（折純量）[4]、農業用水[17]、人均水資源量[17]、鄉村人口數[4]和鄉村從業人員數[4]等指標。其中，活動積溫由月平均氣溫計算得到[18]，計算如式（1）、式（2）所示。

式中： [Am]——第i月活動積溫；

[Ti]——第i月平均氣溫；

[Di]——第i月的天數；

[Ay]——年活動積溫。

茶葉主產省茶商品價格模型試驗數據來源于3種電商平臺（淘寶、京東和拼多多）下的13個茶葉主產省茶葉商品交易數據（依據平臺商品交易量選取的商品價格在120～2"000元/kg），涉及安徽省、福建省、廣東省、廣西壯族自治區、貴州省、海南省、河南省、湖北省、江蘇省、江西省、四川省、云南省和浙江省，選擇各平臺搜索量的前50家代表性商鋪，共收集5"999件商品價格數據，其中3"946個商品價格數據作為模型構建數據集，相互獨立的2"053個商品價格數據作為模型驗證數據集，選取的關鍵指標主要包括平臺[6]、省份、茶類[7，"8]、商品等級[7，"8]和增值服務。

1.2 建模方法

回歸方程可認為是線性回歸最簡單的特殊形式，通過一條合理的直線表征因素指標值和目標指標值之間的關系，確定各影響因子的回歸系數和回歸常數，如式（3）所示。基于多元逐步回歸原理：逐步引入自變量，每次引入對因變量影響最為顯著的變量。在引入新變量后用偏回歸平方和檢驗其顯著性，如果顯著才能引入該變量，并對原有的變量重新用偏回歸平方和進行檢驗，若某個變量不顯著時，則剔除該變量。重復上述步驟，直至既無不顯著的變量從回歸方程中剔除，又無顯著變量可引入回歸方程時為止。

為避免神經元飽和，在輸入層對輸入數據進行歸一化處理，將各個數值換算至[0，1]區間內，在輸出層對得到的預測結果進行反歸一化，為提高訓練效率和網絡泛化性能，采用歸一化方法將樣本數據進行預處理。訓練函數采用trainlm（L—M反向傳播算法，Levenberg—Marquardt"backpropagation）函數，設置隱藏層神經元數[20]，其中農業產值模型設為7，茶商品價格模型設為5，最大訓練次數設為200，初始學習速率設為0.10，目標誤差設為0.000"04。

模型統計判據主要包括均值[X]、標準差[SD]、線性回歸系數[α]、截距[β]、決定系數[R2]、[P]值、均方根誤差RMSE、歸一化均方根誤差NRMSE和符合度指數[D]。[RMSE]和[NRMSE]用來衡量觀測值同實測值之間的偏差，也能夠很好反映測量的精密度[21]。符合度指數[D]是歸一化度量指標，值越接近1，說明模擬值與觀測值的分布趨勢吻合度就越高，即模型模擬的效果較好[21]。

2 實證檢驗

2.1 模型關鍵因素及權重的確定

由圖1可知，關于農業產值方面，各茶葉主產省份的市級農業產值為146.25～354.25億元，均值為236.21億元，超過均值的有12個省份，其中河南省最高，浙江省最低。對于平臺方面，京東電商平臺均價最高，拼多多電商平臺均價最低；對于省份方面，廣東省均價最高，海南省均價最低；對于茶類方面，黃茶均價最高，黑茶均價最低；對于商品等級方面，特級均價最高，二級均價最低；對于增值服務方面，無優惠券價格最高，有商品類贈品價格最低。

利用逐步回歸法篩選出通過顯著性檢驗（P值小于0.05）的關鍵影響因子進行建模。茶葉主產省農業產值的關鍵影響因素包括活動積溫（4、7、8、9、10和12月份）、累積降水量（3、6、7、9、11和全年）、糧食作物播種面積、經濟作物播種面積、經濟作物產量占比、農業機械總動力、機耕面積、機播面積、機收面積、農村用電量、化肥施用量（折純量）、鄉村人口數和鄉村從業人員數。茶葉主產省茶商品價格的關鍵影響因素包括平臺、省份、茶類、采摘季節、商品級別和增值服務。最終確定式（2）中[α]和[αi]的模型參數值（表1），農業產值和茶商品價格模擬模型的[α]值分別為-50.59和-1"131.75，m值分別為23和6。

2.2 茶葉主產省農業產值模型的驗證

利用相互獨立數據對茶葉主產省農業產值模型進行驗證（圖2），實線表示1∶1線，虛線表示誤差控制范圍。由圖2可以看出，模擬值與實測值接近于1∶1線，且接近于誤差范圍，即模擬值與實測值較為一致。基于Elman神經網絡算法的農業產值模型整體的觀測值[Xobs]±SD（253.44±165.15億元）與模擬值[Xsim]±SD（259.83±166.15億元）的均方根誤差RMSE為17.18億元，歸一化均方根誤差NRMSE為6.78%，[R2]為0.99，[D]值為1.00，要明顯優于基于經典逐步回歸算法的農業產值模型。

由表2可知，不同省份基于Elman神經網絡算法的農業產值模型模擬值與實測值的[α]為0.93～1.05，[β]為-27.41～9.05，[R2]為0.92～1.00，說明模型模擬值與實測值有很好的線性關系；[RMSE]為6.21～27.51億元，[NRMSE]為3.10%～12.23%，[D]值為0.98～1.00；由[NRMSE]可知，最優農業產值模型的省份是廣西壯族自治區和湖南省。綜上所述，基于Elman神經網絡算法的農業產值模型具有較高的模擬精度。

2.3 茶葉主產省茶商品價格模型的驗證

利用相互獨立數據對茶葉主產省茶商品價格模型進行驗證（圖3），實線表示1∶1線，虛線表示誤差控制范圍。由圖3可以看出，模擬值與實測值接近于1∶1線，且接近于誤差范圍，即模擬值與實測值較為一致。基于Elman神經網絡算法的茶商品價格模型整體的觀測值（493.48±251.89元/kg）與模擬值（515.41±230.06元/kg）的RMSE為90.36元/kg，NRMSE為18.31%，[R2]為0.88，D值為0.96，要明顯優于基于經典逐步回歸算法的茶商品價格模型。

由表3可知，基于Elman神經網絡算法的3種電商平臺茶商品價格模型模擬值與實測值的RMSE為89.96～91.32元/kg，NRMSE為15.69%～25.43%，由NRMSE可知，最優茶商品價格模型的電商平臺是京東；基于Elman神經網絡算法的不同省份茶商品價格模型模擬值與實測值的RMSE為84.14～98.26元/kg，NRMSE為10.82%～28.40%，由NRMSE可知，最優茶商品價格模型的省份是廣東省；基于Elman神經網絡算法的不同茶葉類型商品價格模型模擬值與實測值的RMSE為81.94～93.08元/kg，NRMSE為8.42%～20.09%，由NRMSE可知，最優茶商品價格模型的茶葉類型是黃茶；基于Elman神經網絡算法的不同茶葉等級商品價格模型模擬值與實測值的RMSE為84.28～93.80元/kg，NRMSE為14.09%～35.66%，由NRMSE可知，最優茶商品價格模型的茶葉等級是特級。綜上所述，基于Elman神經網絡算法的茶商品價格模型具有較高的模擬精度。

3 討論與建議

利用經典的逐步回歸方法明確茶葉主產省農業產值和茶商品價格的關鍵影響因素。結果表明，茶葉主產省農業產值的關鍵影響因素包括糧食作物播種面積、經濟作物播種面積、經濟作物產量占比、農業機械總動力、機耕面積、機播面積、機收面積、農村用電量、化肥施用量（折純量）、鄉村人口數和鄉村從業人員數，與前人研究結果一致[4，"5，"22]。探究關鍵氣象因子對農業產值的影響，明確活動積溫（4、7、8、9、10和12月份）、累積降水量（3、6、7、9、11月份和全年）也是茶葉主產省農業產值的關鍵影響因素，未來可以進一步量化氣候變化對農業產值的影響，同時還需要考慮科技進步、農業碳排放等關鍵指標對農業產值增長的貢獻率[23]。有研究表示不同電商平臺農產品價格與環境因素、農戶商家因素、電商平臺因素和特色農產品因素有關[6]，基于該研究還考慮茶類、茶葉采摘、茶葉級別等因素對茶商品價格的影響，未來可進一步研究生產要素成本（勞動力成本、土地成本、經濟和人力資本成本等）、市場機制（消費心理、茶葉質量、供求關系、附加價值等）、品牌效應等因素對茶葉價格的影響[24]。

針對建模數據所呈現出的非線性、非平穩等特點，基于Elman神經網絡算法構建茶葉主產省農業產值和茶商品價格模擬模型。結果表明，基于Elman神經網絡算法的農業產值模型模擬值與實測值的RMSE為6.21～27.51，NRMSE為3.10%～12.23%，茶商品價格模型模擬值與實測值的RMSE為84.14～98.26元/kg，NRMSE為8.42%～35.66%，均說明基于Elman神經網絡算法的茶葉主產省農業產值和茶商品價格模擬模型具有較好的模擬效果。本研究建模方法和預測結果可為農業部門進一步根據國情優化農業產業結構、制定農業發展規劃、出臺相關政策等提供重要理論依據。隨著各茶葉主產省經濟發展水平、生產成本、效益和技術的差異逐漸擴大，茶葉生產正在向優勢區域集中，生產布局也隨之發生改變，出現了“東茶西進”的發展趨勢，可以結合地理信息技術為茶葉資源的產值與價格區劃研究提供技術支持，以地圖的形式可視化表達地理事物的空間分布特征，同時應針對研究對象和研究目標的不同，進行各種預測方法的比較分析，篩選、構建或智能化組合特定的模型進行預測，以期提高模型準確性、精確性和普適性。

4 結論

1）"茶葉主產省農業產值的關鍵影響因素包括活動積溫（4、7、8、9、10和12月份）、累積降水量（3、6、7、9、11和全年）、糧食作物播種面積、經濟作物播種面積、經濟作物產量占比、農業機械總動力、機耕面積、機播面積、機收面積、農村用電量、化肥施用量（折純量）、鄉村人口數和鄉村從業人員數。茶葉主產省茶商品價格的關鍵影響因素包括平臺系數、省份系數、茶類系數、采摘系數、級別系數和有無有優惠券系數。

2）"基于Elman神經網絡算法的農業產值模型RMSE為6.21～27.51億元，NRMSE為3.10%～12.23%，D值為0.98～1.00，說明模型有很好的模擬效果。由NRMSE可知，最優茶葉主產省農業產值模型的省份是廣西壯族自治區和湖南省。基于Elman神經網絡算法的茶商品價格模型的RMSE為84.14～98.26元/kg，NRMS為8.42%～35.66%，D值為0.66～0.98，說明模型有很好的模擬效果。由NRMSE可知，最優茶葉主產省茶商品價格模型的電商平臺是京東、省份是廣東省、茶葉類型是黃茶、茶葉等級是特級。

參 考 文 獻

[ 1 ]""""" 馬歷， 龍花樓， 張英男， 等. 中國縣域農業勞動力變化與農業經濟發展的時空耦合及其對鄉村振興的啟示[J]. 地理學報， 2018（12）： 2364-2377.

Ma Li， Long Hualou， Zhang Yingnan， et al. Spatio?temporal coupling relationship between agricultural labor changes and agricultural economic development at county level in China and its implications for rural revitalization [J]. Acta Geographica Sinica， 2018（12）： 2364-2377.

[ 2 ]""""" 滕金玲， 柳平增， 張艷， 等. 基于Prophet的生姜價格預測研究[J]. 中國農機化學報， 2020， 41（8）： 211-216.

Teng Jinling， Liu Pingzeng， Zhang Yan， et al. Research on ginger price forecast based on prophet [J]. Journal of Chinese Agricultural Mechanization， 2020， 41（8）： 211-216.

[ 3 ]""""" 付堅強. 從世界市場視角看18世紀以來的中國茶業——《近世以來世界茶葉市場與中國茶業》評述[J]. 中國農史， 2022， 41（1）： 117-124.

Fu Jianqiang. Chinese tea industry since the 18th century from the perspective of world market： The review of the world tea market and China's tea industry since modern times [J]. Agricultural History of China， 2022， 41（1）： 117-124.

[ 4 ]""""" 劉玉， 陳秧分， 高秉博， 等. 2003—2014年中國種植業產值增長及貢獻因素分析[J]. 地理科學， 2018， 38（1）： 143-150.

[ 5 ]""""" 潘彪， 田志宏. 中國農業機械化高速發展階段的要素替代機制研究[J]. 農業工程學報， 2018， 34（9）： 1-10.

Pan Biao， Tian Zhihong. Mechanism of factor substitution during rapid development of China's agricultural mechanization [J]. Transactions of the Chinese Society of Agricultural Engineering， 2018， 34（9）： 1-10.

[ 6 ]""""" 趙建偉， 彭成圓， 馮臻， 等. 特色農產品電商發展及其影響因素研究——基于江蘇省農戶電商的調研數據分析[J]. 價格理論與實踐， 2020（8）： 164-167.

[ 7 ]""""" Dastagiri M B. Analysis of economic trends in overseas markets for Indian tea and coffee [J]. Outlook on Agriculture， 2017， 46（1）： 44-48.

[ 8 ]""""" Yuan H， Chen X， Shao Y， et al. Quality evaluation of green and dark tea grade using electronic nose and multivariate statistical analysis [J]. Journal of Food Science， 2019， 84（4）： 3411-3417.

[ 9 ]""""" 崔暢， 李國偉. 我國農產品價格的結構變化特征及影響因素分析[J]. 數理統計與管理， 2019， 38（1）： 1-15.

[10]""""" 楊娟， 錢婷婷， 鄭秀國， 等. 全國和區域蔬菜價格走勢特征及影響因素[J]. 中國農業大學學報， 2021， 26（2）： 188-198.

Yang Juan， Qian Tingting， Zheng Xiuguo， et al. Analysis of the features of vegetable price trend and its influencing factors at national and regional scale in China [J]. Journal of China Agricultural University， 2021， 26（2）： 188-198.

[11]""""" 劉斌， 何進榮， 李遠成， 等. 基于分布式神經網絡的蘋果價格預測方法[J]. 計算機應用， 2020， 40（2）： 369-374.

Liu Bin， He Jinrong， Li Yuancheng， et al. Apple price prediction method based on distributed neural network [J]. Journal of Computer Applications， 2020， 40（2）： 369-374.

[12]""""" Portegys T E. A maze learning comparison of Elman， long short?term memory， and Mona neural networks [J]. Neural Networks， 2010， 23（2）： 306-313.

[13]""""" 程陳， 馮利平， 董朝陽， 等. 利用Elman神經網絡的華北棚型日光溫室室內環境要素模擬[J]. 農業工程學報， 2021， 37（13）： 200-208.

Cheng Chen， Feng Liping， Dong Chaoyang， et al. Simulation of inside environmental factors in solar greenhouses using Elman neural network in North China [J]. Transactions of the Chinese Society of Agricultural Engineering， 2021， 37（13）： 200-208.

[14]""""" 李博偉， 邢麗榮， 徐翔. 農業服務業與農業生產區域專業化的協同效應研究[J]. 中國農業資源與區劃， 2018， 39（12）： 129-137.

Li Bowei， Xing Lirong， Xu Xiang， et al. Study on the synergistic effect of agricultural service industry and regional specialization of agricultural production [J]. Chinese Journal of Agricultural Resources and Regional Planning， 2018， 39（12）： 129-137.

[15]""""" Liu Z， Qin A， Zhang J， et al. Maize yield as a function of water availability across precipitation years in the North China plain [J]. Crop Science， 2017， 57（4）： 2226-2237.

[16]""""" 袁鵬麗， 端木琳， 王宗山， 等. 赤峰市某鎮農村住宅不同時間尺度下生活用電量規律分析[J]. 大連理工大學學報， 2020， 60（2）： 165-173.

Yuan Pengli， Duan Mulin， Wang Zongshan， et al. Analysis of law of domestic electricity consumption for rural residences at some town in Chifeng under various temporal scales [J]. Journal of Dalian University of Technology， 2020， 60（2）： 165-173.

[17]""""" 吳普特， 趙西寧. 氣候變化對中國農業用水和糧食生產的影響[J]. 農業工程學報， 2010， 26（2）： 1-6.

Wu Pute， Zhao Xining. Impact of climate change on agricultural water use and grain production in China [J]. Transactions of the Chinese Society of Agricultural Engineering， 2010， 26（2）： 1-6.

[18]""""" Cheng C， Feng L P， Barcena J F B， et al. A growth model based on standardized growing degree days for hydroponic fresh cut tulip in solar greenhouses [J]. European Journal of Horticultural Science， 2022， 87（4）： 1-13.

[19]""""" Singh K V， Bansal H O， Singh D. Fuzzy logic and Elman neural network tuned energy management strategies for a power?split HEVs [J]. Energy， 2021， 225： 120152.

[20]""""" 李彬， 張云， 王立平， 等. 基于遺傳算法優化小波神經網絡數控機床熱誤差建模[J]. 機械工程學報， 2019， 55（21）： 215-220.

Li Bin， Zhang Yun， Wang Liping， et al. Modeling for CNC machine tool thermal error based on genetic algorithm optimization wavelet neural networks [J]. Journal of Mechanical Engineering， 2019， 55（21）： 215-220.

[21]""""" 程陳， 李春， 李文明， 等. 園藝作物發育期和采收期模擬模型的最優模擬路徑[J]. 農業工程學報， 2023， 39（12）： 158-167.

Cheng Chen， Li Chun， Li Wenming， et al. Optimal path of the simulation model in horticultural crop development and harvest period [J]. Transactions of the Chinese Society of Agricultural Engineering， 2023， 39（12）： 158-167.

[22]""""" 孫軍娜， 雷宏振， 張馨之. 價值鏈嵌入異質性對農業總產值影響研究[J]. 技術經濟， 2020， 39（11）： 52-59.

[23]""""" Yang L， Liu M， Lun F， et al. An analysis on crops choice and its driving factors in agricultural heritage systems： A case of Honghe Hani rice terraces system [J]. Sustainability， 2017， 9（7）： 1162.

[24]""""" 張迪穎， 王秀治. 農產品價格波動對出口的影響及成因分析[J]. 中國農機化學報， 2020， 41（3）： 211-218.

Zhang Diying， Wang Xiuzhi. Effect and cause of China agricultural price volatility on exports [J]. Journal of Chinese Agricultural Mechanization， 2020， 41（3）： 211-218.