粮食消费量组合预测模型研究
发布时间：2021-08-03 08:06
我国是一个粮食生产大国,也是一个粮食消费大国。粮食消费与社会发展密切相关,不同的发展阶段、地域及经济发展水平,粮食消费的状况和特点也各有不同。改革开放40多年来,我国经济水平发展迅速,人民生活水平日益提高,居民的饮食消费习惯也在悄然发生变化,人民已不再满足于对粮食的直接消费,更多的转化为间接粮食消费,消费结构由植物性消费转向动物性消费。而且,随着人口增加以及城镇化水平的提高,粮食总消费量呈刚性增长,同时城乡居民的口粮消费量和饲料粮消费量也出现一些新的特点和发展趋势。另外,我国的耕地面积却在缩减,还存在对粮食生产限制的水资源匮乏以及气候变化等自然因素问题,这将会使得中国的粮食供需长期处于紧平衡的状态,对我国的粮食安全带来新的挑战。未来一段时期是我国经济、社会快速转型阶段,能够科学把握我国粮食消费特点与发展趋势,对确保我国粮食供需平衡具有十分重要的意义。本文综合分析了影响粮食消费的主要因素,并把粮食消费量分为口粮消费、饲料粮消费、工业用粮消费、种子用粮消费和粮食损耗五部分进行科学分析和预测。其中,口粮消费包括农村居民口粮消费和城镇居民口粮消费,属于直接粮食消费,饲料粮、工业用粮及种子用粮消...
【文章来源】：河南工业大学河南省
【文章页数】：65 页
【学位级别】：硕士
【部分图文】：
-2018年我国粮食消费量趋势图
河南工业大学硕士学位论文15论。基于上述两种不同的关联分析有着不同的侧重点，即使采用相同因素所计算出的关联结果也不尽相同[45]。本文为了使选择出来的建模影响因素更具有可靠性，采用两种方法的组合模型来确定最终的建模因素，基本步骤为：首先分别计算粮食消费量与各影响因素的灰色关联度和Pearson关联系数，然后通过对两者的加权平均值作为最终的关联度，Pearson关联系数分正负相关，所以计算的时候取的是绝对值。图3关联度计算过程2.2.4影响粮食消费量的主要因素描述不同的社会阶段我国粮食消费存在不同的变化特点，这些变化跟影响粮食消费的影响因素有着密不可分的关系。粮食消费量受社会经济因素、地域因素、以及文化政策等因素影响[46]。这些因素都是处于动态发展变化中，不同的时期遵循着不同的变化趋势，分析影响我国粮食消费的影响因素，对科学把握粮食消费发展趋势起着至关重要的作用。本文考虑到的全部是可以量化的影响因素数据，数据来源均是《中国统计年鉴》，本文参考和借鉴了现有文献关于影响因素的介绍和分析[30,32,47]，在此基础上科学的选取了以下的因素作为本文分析研究的对象，分别是：粮食产量IF1：指农业生产经营者日历年度内生产的全部粮食数量,包括谷物、薯类和豆类。人口数量（城镇人口IF2，农村人口IF3）：人口数量是粮食消费的基本单元，属于影响粮食消费的一个最为直接的因素，假定在人均粮食消费量不变的条件下，人口数量的增减趋势直接带来的就是粮食消费总量的升降趋势。从1980—2015年，我国人口基数一路保持大增，随着计划生育政策的执行，所以我国人口自然增长率一直趋于下降趋
河南工业大学硕士学位论文21(e)农村恩格尔系数滤波效果对比图图41981-2018年不同原始数据滤波效果各种类粮食消费量和影响因素之一的农村恩格尔系数的滤波效果如图4(a)(b)(c)(d)(e)所示，这里分别将滤波窗宽N设置等于1（原始数据）、3、5和7。本文采用的预处理方法需经历两个过程：一是采用不同窗宽的平均移动滤波处理1981-2018年各种类粮食消费量和影响因素的原始数据，二是计算变异系数评判滤波处理后的数据平稳性。图4可以直观的看出不同窗宽下的滤波处理效果。表8和表9表明，滤波窗宽取值越大，变异系数就越小，数据的稳定性越好。一般来说，变异系数越小说明数据越趋于平稳化，建立的模型预测精度就越高，但实际上，为了获得更高的预测精度，滤波窗宽越大，并不意味着一定会带来预期的结果，因为会出现数据失真的可能，虽然趋于平稳化了，但失去了原有数据的特征和下一步的建模训练价值。因此，为了使本文经过预处理的数据不仅变得相对具有平稳性，而且要保留原有数据的趋势，本文将会根据变异系数检验和预测误差的反馈双指标来选择一个最优滤波窗宽，作为最终的数据预处理方法。表8各影响因素在不同滤波窗宽下的变异系数影响因素滤波窗宽城镇人口城镇化水平城镇居民人均可支配收入农村人口农村恩格尔系数10.41150.33001.06090.12050.187430.41130.32991.05910.12030.186150.41100.32961.05510.11990.186170.41050.32931.04910.11940.1862
【参考文献】：
期刊论文
[1]时间序列在湖南省GDP预测中的应用——基于ARIMA模型[J]. 王鄂,张霆. 青岛大学学报(自然科学版). 2019(03)
[2]基于小波变换的GM（1,1）-ARIMA组合模型对粮食产量的预测[J]. 樊超,郭亚菲,曹培格. 江苏农业科学. 2019(01)
[3]基于Pearson相关系数的货运车辆能耗模型研究[J]. 蔡静,张明辉,朱宇婷,刘宇环. 交通运输系统工程与信息. 2018(05)
[4]基于EMD和ARMA模型的上证指数预测[J]. 吴振宇,喻敏,金吉,姜楠. 中国商论. 2018(16)
[5]平衡膳食模式视角下粮食需求预测[J]. 苑颖,宋金杰,杨春河,刘爱秋. 中国农业资源与区划. 2017(12)
[6]基于ARIMA模型与GM（1,1）模型的居民消费价格指数预测对比分析[J]. 潘静,张颖,刘璐. 统计与决策. 2017(20)
[7]基于营养视角的江苏粮食需求预测研究[J]. 朱思柱. 农业展望. 2017(10)
[8]中国饲料粮消费问题探析[J]. 冉娟,孙振. 中国农学通报. 2017(17)
[9]基于多元线性回归的粮食产量预测[J]. 田秀芹. 科技创新与应用. 2017(16)
[10]Noise level estimation method with application to EMD-based signal denoising[J]. Xiaoyu Li,Jing Jin,Yi Shen,Yipeng Liu. Journal of Systems Engineering and Electronics. 2016(04)
博士论文
[1]基于营养目标的粮食消费需求研究[D]. 骆建忠.中国农业科学院 2008
[2]中国粮食安全问题研究[D]. 李萌.华中农业大学 2005
硕士论文
[1]基于指数平滑模型的农产品价格预测研究[D]. 苗开超.合肥工业大学 2009
本文编号：3319261
【文章来源】：河南工业大学河南省
【文章页数】：65 页
【学位级别】：硕士
【部分图文】：
-2018年我国粮食消费量趋势图
河南工业大学硕士学位论文15论。基于上述两种不同的关联分析有着不同的侧重点，即使采用相同因素所计算出的关联结果也不尽相同[45]。本文为了使选择出来的建模影响因素更具有可靠性，采用两种方法的组合模型来确定最终的建模因素，基本步骤为：首先分别计算粮食消费量与各影响因素的灰色关联度和Pearson关联系数，然后通过对两者的加权平均值作为最终的关联度，Pearson关联系数分正负相关，所以计算的时候取的是绝对值。图3关联度计算过程2.2.4影响粮食消费量的主要因素描述不同的社会阶段我国粮食消费存在不同的变化特点，这些变化跟影响粮食消费的影响因素有着密不可分的关系。粮食消费量受社会经济因素、地域因素、以及文化政策等因素影响[46]。这些因素都是处于动态发展变化中，不同的时期遵循着不同的变化趋势，分析影响我国粮食消费的影响因素，对科学把握粮食消费发展趋势起着至关重要的作用。本文考虑到的全部是可以量化的影响因素数据，数据来源均是《中国统计年鉴》，本文参考和借鉴了现有文献关于影响因素的介绍和分析[30,32,47]，在此基础上科学的选取了以下的因素作为本文分析研究的对象，分别是：粮食产量IF1：指农业生产经营者日历年度内生产的全部粮食数量,包括谷物、薯类和豆类。人口数量（城镇人口IF2，农村人口IF3）：人口数量是粮食消费的基本单元，属于影响粮食消费的一个最为直接的因素，假定在人均粮食消费量不变的条件下，人口数量的增减趋势直接带来的就是粮食消费总量的升降趋势。从1980—2015年，我国人口基数一路保持大增，随着计划生育政策的执行，所以我国人口自然增长率一直趋于下降趋
河南工业大学硕士学位论文21(e)农村恩格尔系数滤波效果对比图图41981-2018年不同原始数据滤波效果各种类粮食消费量和影响因素之一的农村恩格尔系数的滤波效果如图4(a)(b)(c)(d)(e)所示，这里分别将滤波窗宽N设置等于1（原始数据）、3、5和7。本文采用的预处理方法需经历两个过程：一是采用不同窗宽的平均移动滤波处理1981-2018年各种类粮食消费量和影响因素的原始数据，二是计算变异系数评判滤波处理后的数据平稳性。图4可以直观的看出不同窗宽下的滤波处理效果。表8和表9表明，滤波窗宽取值越大，变异系数就越小，数据的稳定性越好。一般来说，变异系数越小说明数据越趋于平稳化，建立的模型预测精度就越高，但实际上，为了获得更高的预测精度，滤波窗宽越大，并不意味着一定会带来预期的结果，因为会出现数据失真的可能，虽然趋于平稳化了，但失去了原有数据的特征和下一步的建模训练价值。因此，为了使本文经过预处理的数据不仅变得相对具有平稳性，而且要保留原有数据的趋势，本文将会根据变异系数检验和预测误差的反馈双指标来选择一个最优滤波窗宽，作为最终的数据预处理方法。表8各影响因素在不同滤波窗宽下的变异系数影响因素滤波窗宽城镇人口城镇化水平城镇居民人均可支配收入农村人口农村恩格尔系数10.41150.33001.06090.12050.187430.41130.32991.05910.12030.186150.41100.32961.05510.11990.186170.41050.32931.04910.11940.1862
【参考文献】：
期刊论文
[1]时间序列在湖南省GDP预测中的应用——基于ARIMA模型[J]. 王鄂,张霆. 青岛大学学报(自然科学版). 2019(03)
[2]基于小波变换的GM（1,1）-ARIMA组合模型对粮食产量的预测[J]. 樊超,郭亚菲,曹培格. 江苏农业科学. 2019(01)
[3]基于Pearson相关系数的货运车辆能耗模型研究[J]. 蔡静,张明辉,朱宇婷,刘宇环. 交通运输系统工程与信息. 2018(05)
[4]基于EMD和ARMA模型的上证指数预测[J]. 吴振宇,喻敏,金吉,姜楠. 中国商论. 2018(16)
[5]平衡膳食模式视角下粮食需求预测[J]. 苑颖,宋金杰,杨春河,刘爱秋. 中国农业资源与区划. 2017(12)
[6]基于ARIMA模型与GM（1,1）模型的居民消费价格指数预测对比分析[J]. 潘静,张颖,刘璐. 统计与决策. 2017(20)
[7]基于营养视角的江苏粮食需求预测研究[J]. 朱思柱. 农业展望. 2017(10)
[8]中国饲料粮消费问题探析[J]. 冉娟,孙振. 中国农学通报. 2017(17)
[9]基于多元线性回归的粮食产量预测[J]. 田秀芹. 科技创新与应用. 2017(16)
[10]Noise level estimation method with application to EMD-based signal denoising[J]. Xiaoyu Li,Jing Jin,Yi Shen,Yipeng Liu. Journal of Systems Engineering and Electronics. 2016(04)
博士论文
[1]基于营养目标的粮食消费需求研究[D]. 骆建忠.中国农业科学院 2008
[2]中国粮食安全问题研究[D]. 李萌.华中农业大学 2005
硕士论文
[1]基于指数平滑模型的农产品价格预测研究[D]. 苗开超.合肥工业大学 2009
本文编号：3319261
本文链接：https://www.wllwen.com/kejilunwen/dianzigongchenglunwen/3319261.html
