基于组合模型的我国畜产品消费量预测

发布时间：2017-10-03 16:56

  本文关键词：基于组合模型的我国畜产品消费量预测

  更多相关文章： 畜产品 消费 组合预测

【摘要】：畜产品是我国居民获取蛋白质的重要来源,畜产品行业关乎国计民生。然而,近年来畜产品价格频繁波动的现象愈演愈烈。以猪肉为例,2003年至今我国共经历三个猪周期,平均每个持续时间约为四年,价格上涨幅度最高时达到50%。尽管猪周期属于“正常”的经济周期,是供给对需求的滞后性调整,但是它造成了生产资源的低效配置,也制约了行业的健康发展。根据微观经济学理论,畜产品市场的波动源于供给与需求的缺口。考虑到供给量方面的数据较容易获得,关于畜产品消费量的研究逐渐成为相关领域的热点。本文回顾了近年来畜产品消费领域的研究概况,探讨了畜产品消费的特征和畜产品消费的影响因素,介绍了组合预测中采用模型的基本原理;利用国际粮农组织数据库提供的资料测算了我国对畜产品的消费需求,由此获得了预测所需的数据。在此基础上,本文以猪肉为例,根据既定的研究思路,对我国猪肉的消费需求进行了详尽的实证分析,探讨了实证过程中各模型的优缺点和预测的精确性,预测了我国猪肉需求的短期走势。此外,本文也根据该思路研究了其他畜产品的消费需求(包括牛肉、羊肉、禽肉、蛋类、奶类),验证了组合预测模型的有效性。就目前来看,研究国内畜产品需求的意义主要体现在以下几个方面:一是引导行业形成合理的生产预期,避免短期的价格变动促使行业盲目增产或减产;二是跟踪市场需求的变动,研究畜产品价格变动的原因,为相关政策的制定提供依据。经实证研究,本文的结论如下:第一,影响畜产品消费需求的因素主要有收入、价格、城镇化率、节假日等;第二,遗传算法可用于为支持向量机求解最优参数,从而改善预测效果;第三,组合预测能够降低单个模型的预测风险,提高预测的精度,因此有必要运用组合模型来解决预测领域的问题;第四,人工神经网络和支持向量机预测的精确度要高于ARMA模型;第五,2014~2016年我国猪肉消费需求年均增长率约为2.33%。本文参照前人的经验,提出了原创的研究思路,取得了一定的研究成果。本文认为,应当从以下几个方面作出努力:一是加强农业数据统计工作,构建官方农业数据库;二是编制农业监测预警指标,完善信息发布机制;三是转变农业调控手段,丰富农业风险管理渠道。
【关键词】：畜产品 消费 组合预测
【学位授予单位】：中国农业科学院
【学位级别】：硕士
【学位授予年份】：2015
【分类号】：F323.7
【目录】：

• 摘要6-7
• Abstract7-13
• 第一章 引言13-22
• 1.1 研究背景与意义13-14
• 1.1.1 研究背景13-14
• 1.1.2 研究意义14
• 1.2 国内外研究概况14-19
• 1.2.1 畜产品消费影响因素的研究概况15
• 1.2.2 畜产品户外消费的研究概况15-16
• 1.2.3 畜产品消费展望的研究概况16
• 1.2.4 预测方法研究概况16-19
• 1.3 论文的研究思路与技术路线图19-20
• 1.3.1 论文研究思路19
• 1.3.2 技术路线图19-20
• 1.4 论文的主要结论和创新点20-22
• 1.4.1 主要结论20
• 1.4.2 创新点20-22
• 第二章 我国畜产品消费概况22-29
• 2.1 我国畜产品消费特征22-27
• 2.2 我国畜产品消费影响因素分析27-29
• 第三章 我国畜产品消费量预测的理论基础29-42
• 3.1 组合预测理论29-31
• 3.1.1 组合预测简介29-31
• 3.1.1.1 非最优组合预测方法29-30
• 3.1.1.2 最优组合预测方法30-31
• 3.2 ARMA模型31-32
• 3.2.1 ARMA模型简介31
• 3.2.2 ARMA模型定阶依据31-32
• 3.2.3 ARMA模型建模过程32
• 3.3 神经网络模型32-35
• 3.3.1 神经网络模型简介32-34
• 3.3.2 神经网络过拟合与欠拟合34-35
• 3.3.3 BP神经网络设计35
• 3.4 支持向量机35-38
• 3.4.1 支持向量机简介35-37
• 3.4.2 影响支持向量机性能的因素37-38
• 3.5 遗传算法38-40
• 3.5.1 遗传算法概述38-39
• 3.5.2 遗传算法早熟问题及解决方案39-40
• 3.6 小结40-42
• 第四章 我国畜产品消费需求预测实证分析42-54
• 4.1 实证分析说明42-44
• 4.1.1 数据来源42
• 4.1.2 研究思路概述42-43
• 4.1.3 模型评价指标43
• 4.1.4 模型解释变量选取说明43-44
• 4.2 畜产品消费量组合预测——以猪肉为例44-52
• 4.2.1 ARMA模型建模分析预测44-47
• 4.2.2 遗传神经网络建模分析预测47-49
• 4.2.3 支持向量机建模分析预测49-51
• 4.2.4 组合预测与结果分析51-52
• 4.3 其他畜产品预测结果分析52-54
• 第五章 总结54-57
• 5.1 结论54-55
• 5.1.1 各模型研究总结54
• 5.1.2 基于组合预测的模型库在农业监测预警领域有着良好的前景54-55
• 5.2 政策建议55-56
• 5.2.1 加强农业数据统计工作，，构建官方农业数据库55
• 5.2.2 编制农业预警指标，完善信息发布机制55
• 5.2.3 转变农业调控手段，丰富农业风险管理渠道55-56
• 5.3 研究展望56-57
• 参考文献57-63
• 致谢63-64
• 作者简历64

【参考文献】

中国期刊全文数据库 前10条

1 董晓霞;李干琼;刘自杰;;农产品市场价格短期预测方法的选择及应用——以鲜奶零售价格为例[J];山东农业科学;2010年01期

2 郭强;罗长寿;魏清凤;;基于遗传算法神经网络模型的蔬菜价格预报[J];安徽农业科学;2011年26期

3 钱锋;王可人;焦传海;;一种基于衰减系数的混沌时间序列预测法[J];重庆邮电大学学报(自然科学版);2011年05期

4 沈巍;;股票价格预测模型研究[J];财经问题研究;2009年07期

5 安静;曾成顺;;BP算法改进及其在股票价格预测中的应用[J];电气传动自动化;2009年06期

6 王安乐;邓稳桥;;科技助推现代蔬菜产业战略发展[J];长江蔬菜;2012年22期

7 林在进;;价格剧烈波动背景下的钢铁价格预测方法研究——基于ARMA模型和BP神经网络模型的分析[J];价格理论与实践;2009年07期

8 岳宏;霍灵光;张越杰;;中国城乡居民牛肉需求量预测分析[J];吉林农业大学学报;2012年01期

9 张雯丽;李秉龙;;我国棉花短期价格波动研究——基于时间序列[J];技术经济;2009年04期

10 谭宗琨;BP人工神经网络在玉米智能农业专家系统中的应用[J];农业网络信息;2004年10期

本文编号：965619