基于因子分析和SARIMA模型对师宗果桃产量影响因素分析及预测

PAGEPAGE2基于因子分析和SARIMA模型对师宗果桃产量影响因素分析及预测[摘要]果桃是近几年师宗县比较具有特征的种植水果，因师宗果桃种植地点多为农村土地，面积广阔、土壤肥沃，当地的果桃已成立合作社产业更加稳定，所以选择其作为研究对象。对师宗果桃的影响特征进行问卷调查，用因子分析对影响因素分析及产量预测。首先确定影响因素有平均最高温度、平均最低温度、温差、日照时长、降雨量、人工投入、化肥用量、产业投入。然后对收集问卷进行信度、效度以及相关性分析，运用因子分析得出综合得分结果发现，影响果桃产量的公因子共有两个，一个为“气象因子”，另一个为“农业生产要素投入因子”。后续产量预测依据时间序列的季节性模型建模，并对模型进行检验，进行误差分析，发现师宗果桃单产2023年第三季度预测值与实际值相对误差为10.8%，拟合精度较好。后应用此模型对2024年第二季度和第三季度果桃产量进行预测。[关键字]影响因素；因子分析；SARIMA模型；预测

AnalysisandpredictionoffactorsaffectingShizongpeachbasedonfactoranalysisandSARIMAmodelAbstractPeachisacharacteristicfruitgrowninShizongCountyinrecentyears.BecausemostoftheplantingsitesofShizongpeachesareruralareas,thelandareaisvastandthesoilisfertileandflooded.Thelocalpeachhassetupacooperativeindustrytomakeitmorestable,soitisselectedastheresearchobject.CarryoutaquestionnairesurveyontheinfluencecharacteristicsofShizongpeach,andcarryoutfactoranalysisandyieldpredictionoftheinfluencingfactors.Firstofall,itisdeterminedthatthefactorsofsymearetheaveragemaximumtemperature,theaverageminimumtemperature,thetemperaturedifference,thedurationofthesunshine,thereductionoftwoquantities,themanualinvestmentmeeting,theamountoffertiliser,andtheindustrialinvestment.Thenanalysethecredibility,validityandcorrelationofthecollector.Usingfactoranalysistogetacomprehensivescore,itisfoundthattherearetwocommonfactorsaffectingpeachproduction,oneisthe"meteorologicalfactor"andtheotheristhe"agriculturalproductionfactorinputfactor".Thesubsequentproductionforecastismodelledaccordingtotheseasonalmodelofthetimeseries,andthemodelistestedandtheerrorisanalysed.ItisfoundthattherelativeerrorbetweenthepredictedvalueandtheactualvalueofShizongpeachproductioninthethirdquarterof2023is10.8%,andtheaccuracyofpickingisgood.Later,thismodelwasappliedtopredicttheproductionofpeachesinthethirdandthirdquartersof2024.KeyWordsInfluencingFactors;FactorAnalysis;SARIMAModel;Prediction

目录12585第一章绪论 168861.1.研究背景 1237851.2.研究目的及意义 1237131.3.国内研究现状 24841.4.研究方法 3968第二章对师宗果桃的基本情况介绍 4195192.1.地理位置优势 4242902.2.自然气候条件 480822.3.产业种植规模 4321672.4.化肥施用情况 595192.5.政府政策支持 517072第三章理论基础 6249773.1.因子分析 6173293.1.1.因子分析的基本思想 6128573.1.2.因子分析的基本模型 6297833.1.3.因子分析的步骤 8244563.2.SARIMA模型 10146603.2.1.SARIMA模型的基本思想 1026473.2.2.SARIMA(p,d,q)×(P,D,Q)S模型 11111973.2.3.SARIMA模型的步骤 1315192第四章基于因子分析影响因素分析 15235654.1.基于因子分析影响因素 15190854.1.1.确定影响因素 1540024.1.2.问卷调查 15182564.2.实例研究 1885614.3.小结 233522第五章基于多元线性回归及SARIMA模型的产量预测分析 2577185.1.多元线性回归预测 25171955.2.SARIMA预测模型实例分析 2858385.3.SARIMA模型预测及结果 33323965.4.小结 3430225结论 3524788参考文献 378253附录 38PAGE2绪论研究背景我国是世界第一大水果生产国，果业对确保食物安全，生态安全，人民健康，增加农民收入，实现农业可持续发展等方面的重要性越来越突出。桃产业对于脱贫攻坚，乡村振兴建设以及满足广大人民群众美好生活追求等方面，都发挥着不可忽视的作用。桃子的营养成分包括：蛋白质、脂肪、碳水化合物、钙、磷、铁、胡萝卜素、糖分等。鲜桃蛋白量约0.7g。特别适合低血钾症及缺铁性贫血的人食用，因此人们对桃子的需求量增加。云南师宗县因产业帮扶不断深化，贫困地区的发展起到了推动作用、提高贫困农户收入是扶贫工作的重要内容。以桃产业种植为主发展，推动群众脱贫、产业增收。师宗县曾种植冬桃、圣桃等经济林果，具备水果种植基础条件。辖区地处中低纬度，具备水果生长适宜环境。气候类型为亚热带季风气候，夏季高温多雨、冬季寒冷干燥，附近有河流通过，具备水果所需水源保障。以果桃为主的特色林果业已成为该区域推动农民可持续和快速的收入增收和农村经济发展的关键产业之一。为确保产业持续性，先后引进和改良品种20余个，其中黄金油桃、油蟠桃、皇后油桃、黄太子油桃、黄金蟠桃、秋黄、秋桃、九月黄桃、雪桃等广受好评。研究目的及意义云南曲靖师宗地区果桃产量不断增加，深受民众欢迎，果桃产量分析、果桃影响因子分析和产量预测分析对促进当地果桃产业发展、促进可持续生态农业和提高农民收入具有重要意义。高收益促使农户种植积极性增强，同时也增加了农业技术和物质资源的投入，进而提高了果桃的品质和价格。所以对师宗县果桃影响其产量的因素的研究，根据种植面积，自然气候，施肥等这些影响因素进行改进与完善，进而提出有针对性的解决方案，以此来预测未来的果桃产量，足以让农民做好充分的应对措施。因此本文针对师宗县果桃产量影响因素分析及预测这方面进行研究是非常有必要的一件事情。产量影响因子和产量预测模型的分析，对推动果桃产业化的发展具有积极作用，所以研究此课题更具有实际意义[3]。国内研究现状2020年王月杏在印尼坤甸坤中中学生汉语学习心理调查研究，采用问卷法对高中学生进行调查，评估了效度、信度和描述性统计结果。在此基础上，运用多变量线性回归模型，对所得数据进行回归相关性检验。在其模型里，相关关系强，通过T检验[1]。2023年穆凯丽的新疆特色膳食半定量食物频率问卷的信效度分析一文中，自主设计的新疆特色膳食半定量食物频率问卷进行信度和效度评价，为研究新疆地区居民饮食习惯与健康相关性研究提供简便、可靠的工具[2]。2017年任嘉颖在山西运城苹果产量预测及影响因素分析中首先将通过灰色关联分析，得出气温、湿度、日照等因素与苹果产量关联度极高，运城市临猗县的实际数据与2020到2016年马尔科夫预测值进行误差分析。通过灰色关联分析得到的重要气候因子与苹果产量之间的关联度，用SPSS图表构建程序建立函数模型[3]。2020年\t"/kcms2/article/_blank"赵嘉宝在吐鲁番市葡萄产量主要影响因子分析及预测基于R语言关于主成分分析、多元线性回归模型、时间序列ARIMA模型及MATLAB的GM(1,1)模型的相关理论知识，通过对数据的预处理，并基于该数据建立主成分分析模型对影响因子进行分析以及多元线性回归模型、ARIMA模型和GM(1,1)模型对吐鲁番市葡萄单产预测分析，实现对产量变化趋势的有效预测[4]。2023年段霞以SPSS软件的山东省粮食产量预测模型分析研究，对2000-2017年的粮食产量、种植面积、农业机械总动力、化肥施用量和受灾面积等进行了统计分析，并利用多元线性回归方法构建了山东省粮食总产量与这些因素之间的相关关系。预测精度在94%以上，回归模型的可信度较高,后应用回归模型对2021年山东省粮食总产量进行预测[5]。2014年杨坚争、郑碧霞和杨立钒基于因子分析的跨境电子商务评价指标体系研究，通过构建我国跨境电子商务应用状况评价指标体系，明确当前我国跨境电子商务发展应关注的关键指标；并采用问卷调查的方式对我国外贸企业进行了调查，应用因子分析方法对评价指标体系进行修正，通过问卷数据分析对我国不同地区的跨境电子商务发展提出了建议[6]。2020年李璐基于因子分析教育类上市公司经营绩效研究,采用国际专业统计软件SPSS因子分析对教育年面板数据进行实证分析,同时从教育上市公司本身寻求发展的角度，借助SPSS对面板数据进行财务指标综合计分排名，提供财务最新数据与分析结果参考[8]。2023年林思琪基于因子分析法的七匹狼财务绩效评价及提升对策研究，选取纺织服饰行业福建七匹狼实业股份有限公司作为研究对象，基于因子分析法从盈利能力等四个维度构建财务绩效评价体系，通过选取12个财务指标，收集同行业内32家上司企业的财务数据以及七匹狼2015-2021年七年间的数据进行横向、纵向对比分析，结合各公共因子的评价结果，提出相应提升对策[9]。2007年，汤岩在其研究与应用中对时间序列进行了较为详尽的阐述，作者在对其性质分析的基础上，对所用方法进行研究和模型系统探讨。另外，作者对目前拟合参数估算讨论现有方法的缺陷，介绍了建模的理论和流程以及线性最小方差预测的理论方法[10]。2023年南润基于SARIMA－CNN－LSTM的车流量预测分析,根据短时交通流量数据呈现出的非线性、周期性、高波动性、长记忆性等特征，考虑到不同预测方法的优缺点。结合SARIMA模型对于具备周期性的数据拟合效果较好，LSTM模型适合处理具备长记忆性特征的数据并且有着强大的非线性映射能力的优点，并基于车流量序列进行了预测效果的对比，找出预测精度最高。随后提高模型的预测精度，得到最终预测[15]。2023年龚浩基于空间自相关和SARIMA－BPNN组合模型的我国肺结核时空分布特征及预测研究，我国肺结核发病季节性特征显著，发病高峰为春季，低谷期在冬季。使用我国2012年1月到2021年12月每月肺结核发病率数据，成功建立了SARIMA(0,1,1)(0,1,1)12模型。BPNN神经网络模型、SARIMA－BPNN组合模型，对我国肺结核发病预测效果性能均较好,SARIMA－BPNN组合模型的预测效果最佳[16]。研究方法在已有文献调查的基础上，对农作物领域进行了分析。ARIMA模型用于对作物产量的预测，影响因子进行因子分析，通过对各因素的相关性分析，找出主控因素。根据论文研究目的可以采用：文献综合研究、问卷调查和数据分析。（1）文献综合研究是利用各种方法寻找与农作物影响因子、因子分析和时间序列预测等的文献资料，进行研究和分析，以获取撰写的思路、数据和理论知识。（2）问卷调查法。通过设计问卷和实地调研获得影响产出的相关因子数据。（3）数据分析。对于师宗县果桃产量，我们基于统计分析数据，进行了影响因素的分析，并筛选出了最有价值的信息，从而更具体有力地反映出了对师宗县果桃产量影响更强的因素。对师宗果桃的基本情况介绍师宗县在发展桃产业方面拥有巨大的优势，该产业具备很高的发展潜力和上升空间。针对师宗县果桃产业在发展过程中所遇到的问题，政府部门进行了深入探讨，并明确了未来桃产业发展的战略和措施。多年来，师宗县的桃产业经历了长期的发展和建设，逐渐达到了可观的规模和发展水平。同时，桃产业也逐渐成为中国经济社会发展的重要支柱之一。然而，尽管得到了政府部门的扶持并迅速发展起来，雪桃等农产品仍然面临着一些问题。总体而言，师宗县的果桃并未真正走出去，人民品牌意识淡漠，人民消费状况的不断改变，包括受各种天气灾害和预防不及时的影响，导致师宗桃产业的发展仍然举步维艰。所以，对果桃产量的预测和寻找影响因素就显得尤为重要。地理位置优势桃的种植南北均有，其中云南、贵州、四川和重庆四个省市是我国西南高地果桃的第四大产区。云南省师宗县有本地种植优势。雨柱村土地面积较大，土质较好，主要是青沙地，大约在两亿年前就已形成。大部分地面在海拔在1900米以上，地处中低纬度。所以这里有着发展种植桃产业得天独厚的条件，这里种植的桃子口感清脆，味道浓郁。桃子含有丰富的营养物质，水溶性固体含量高，并且能够自然保持新鲜。果实成熟后，还能在树上保持20-30天而不脱落。一般单果重200-350克，最大可重达1030克，所以是师宗县果桃是栽培的最佳地区。自然气候条件师宗县气候适宜四季分明，该地区日照充足，年平均气温为12.5℃，全年无霜期长达241天，适宜水果生长。气候属于亚热带季风气候，夏季炎热多雨，冬季寒冷干燥。年降雨量在1100-1200mm之间。此地附近有河流流经，具备水果所需水源保障。发展桃产业有着得天独厚的条件，是栽植的最佳地区。产业种植规模在十二五以前，雨柱村以煤炭产业为主要经济来源，全辖区内有十对有证煤矿。十二五后，煤炭产业逐渐式微，部分人民自发种植雪桃并获得一定经济利益。据研究发现师宗县曾栽培冬桃、圣桃等经济林果，符合水果栽培的基本条件。随着时间的流逝，种植果桃的范围也越来越大，为果桃种植业的发展提供了机遇。师宗县土地广博，土壤质量优良，拥有丰富的土地资源，同时还具备适宜果桃种植的土壤条件，这些都是发展果桃种植产业的基础。至今师宗县雨柱村种植面积达3500亩。由于师宗县的各项条件十分适合果桃的种植，且果桃为师宗县的第一大经济作物，所以果桃播种面积一直呈上涨趋势，通过播种面积的扩大，果桃的产量也有所增加。化肥施用情况由于以前的种植技术落后，在果桃种植是盲目施用化肥。后借助沪滇协作项目，免费为群众送幼苗、教技术，减少化肥用量和使用有机肥，减少不合理使用化肥用量，使化肥利用率提高，减少种植成本。并获得绿色健康食品许可证。政府政策支持2021年和2022年，借助沪滇协作项目，雨柱村积极动员群众，免费为群众送幼苗、教技术，连片种植桃树500亩，至今全村种植面积达3500亩。不但带来了经济的支持同时也带来了科技的交流，使师宗县能够更科学的种植。把一些传统农作物大面积的改换为种植果桃。为了推动果桃产业的发展，师宗县政府与果农之间建立了紧密的联系，共同努力宣传果桃的优势，提高销售速度。此外，得益于国家电子商务支持政策，果农们拥有了多样化的销售渠道，进一步增加了他们的收入。为了打造出优质品牌，果农们积极组成联盟，以应对激烈的市场竞争。他们积极搭建信息共享平台，互相分享资源，向市场风险发起积极的应对。从品种、栽培、管护、营销等方面开展标准化、规范化管理，积极打造“滇东”桃品牌。理论基础因子分析查尔斯·斯皮尔曼在1904年对学生测试结果进行研究，从而激发了人们对因素分析的思考。因子分析是从原变量中寻找对其有影响的共同因素。为了刻画众多指标、因素及变量的交互作用。人们往往采用少量高分值的共同因素，这种方法能最大限度地保留原资料的精确性，便于解释性分析。降维技术是一种有效的方法，它既能使数据简单化，又能科学分析。其目标是使公共因子尽可能多的包含原始指标信息，从而达到明确观测内容、简化观测系统的目的，克服传统评价分析方法中存在的指标相关性等缺陷[9]。因子分析的基本思想因子分析将原变项按相关度分组，使得同组项内有高相关度，但组间无显著相关，每个变量都是一种基本的结果，它是由一个不能被观察到的合成变量来表达，这个基本结构也称为公共因子。因子分析的基本模型为了便于研究，减低因观测纲间差别以及数量级差异引起的误差，对由n个样品和p个指标组成的样本观测数据进行了归一化。使其平均为0，方差为1。为使表达简洁，将初始变量和归一化后的变量向量均置为X表示，用F1X=(X1,X2,F=(F1,F2,⋯ε=(ε1,ε2,cov(ε)=Σε=σ112⋯0⋮⋱⋮0⋯σpp2 即ε的各分量之间也是相互独立的，则模型X1=a11F1+a12F2+⋯+a1mFm称为因子模型。模型的矩阵形式为：X=AF+ε （STYLEREF1\s3-SEQ（1-1）\*ARABIC\s13）式中A=a11a12a21a22⋯a1m⋯a2m⋮⋮ap1ap2⋮⋮共同因子F是每个变量的线性表达式中都出现的因子，A是因子载荷矩阵。aij称为因子载荷，是第i个原始变量在第j个因子上的负荷；ε因子载荷aijcov(Xi,Fj)=cov(j=1maijFj+εi即aij是Xi与Fj的协方差，Xi与Fj都是均值为0，方差为1的变量，因此，aij同时也是Xi变量共同度的统计意义即指因子载荷矩阵中第i行元素平方和，用来对应第i个变量:ℎi2=j=1maij2,(i=1,2,⋯,p) （STYLEREF1\s由因子分析的模型假设前提易得Var(Xi)=Var(Xi−μi)=Var(ai1F1+a因此共同度表示的是全部公共因子对变量Xi的总方差做出的贡献公共因子Fj的方差贡献率的统计意义记因子载荷阵中第j列元素的平方和为 gj2=i=1paij2,(j=1,2,⋯,m) （STYLEREF1\s称为公共因子Fj对X的方差贡献是公共因子相对重要性的指标。gj2越大，表明公共因子Fj对X的贡献与其影响和作用成正比。如果将因子载荷矩阵A所有因子分析的步骤在选择研究问题时，我们会挑选适当的原始变量。通过把这些将原始变量归一化并求出各变量之间的相关性矩阵，以分析各变量间的相关性。数据的标准化处理主要是为了消除指标之间的量纲和取值范围差异的影响变量标准化的公式为[8]:Zij=xij−xiσ，i=1,2,…,n；j=1,2,…,p （STYLEREF1\s3-SEQ（1-1）\*ARABIC\s19xij为原始数据，Zij为原始数据标准化后的数据，xi和σ每个变量的平均值和标准差分别为第j个变量的平均值和标准差，标准化后每个变量的平均值为0经数据处理，获得标准化数据矩阵Zij，计算相关系数矩R=rR=r11r12⋯r1pr21r22⋯r2p⋮⋮⋮⋮rp1r式中Rij(i=1,2,⋯,p)为原变量rij=k=1P(xki−xi)(xkj−xj)k=1P(x式中rii=1，rji求解初始因子及载荷矩阵。主成分法是求公共因子的方法，利用相关矩阵求解p个主成分，归一化后得到一组不相关的变量Y。具体步骤如下：Y1=u11x1+u12x2+⋯+u1pxpY2其中，ui1式中的系数按以下原则进行求解：Y1Y2是与YYp是与YYi,Yj按照上述原理决定初始变量的第一、第二、...、第p个主要成分。第一个主成分在总方差中贡献最大，其它各成分在总方差中贡献递减。说明主成分综合原变量的整合作用依次减弱。计算初等载荷矩阵，则计算相关系数矩阵R的特征值λ1≥λ2≥⋯≥A=[λ1u1,λ2u2,⋯,λpup] 因子旋转。方差最大的正交旋转需要寻找正交旋转矩阵，使得B=AΓ的方差达到最大。其方差的表达式为Vj=1p2j=1mpi=1pbij4ℎi4−i=1设因子载荷矩阵有两列，即m=2，那么正交矩阵形式可以设为Γ=cosϕ−sinϕsinϕcosϕ （STYLEREF1\s3-那么AΓ=a11cosϕ+a12sinϕ−a11sinϕ+经过转换，旨在使载荷矩阵每列元素尽可能集中于其平方值的最大或最小值，以实现二元分化，使因子贡献尽可能分散。此举旨在将变量划分为两个部分，一部分与第一因子主要相关，另一部分与第二因子相关。就是要求b112,⋯,bp12,(b计算综合得分。通过对各因素分析，计算因子得分的方法是每次抽样所对应的因素值，因子得分所代表的变量被称为因子变量。第i个采样中的第j个因子值可以表示为：Fj=wj1x1+wj2x1+⋯+wjpxp确定主成分，对各指标进行旋转处理，得到各指标的权重。主成分i的贡献率：vi=λik=1pλp(i=1,2,…,p) （STYLEREF1\s3能够显示出各主要成分表现出信息含量及综合能力。上一个主成分的总体贡献率：i=1kvi=i=1kλki=1pλk(i=1,2,…,p) 能体现出前k个主元原始变量的最大信息，具有较高的综合能力。计算综合得分：F=v1F1+v2F2+...+vkFk 其中ek为第k个主成分的信息贡献率，根据综合得分值即可进行评价[8]SARIMA模型QUOTEX=&X1&X2SARIMA模型的基本思想ARIMA模型全称为差分自回归移动平均模型，是由博克思和詹金斯于20世纪70年代初提出的著名时间序列预测方法，将预测对象随时间推移而形成的数据序列视为一个随机序列，用一定的数学模型来大概描述这个序列[5]。某些非平稳时间序列会包含周期性特征，ARIMA模型不足以提取数据中的周期性，此时通常采用季节性差分自回归移动平均SARIMA模型[17]。SARIMA(p,d,q)×(P,D,Q)S模型符号说明表3SEQ表\*ARABIC\s11模型公式符号说明表Table3SEQTable\*ARABIC\s11Modelformulasymboldescriptiontable符号说明∇差分算子d差分阶数t时间点X在时间点t上的指标数值Φ自回归系数多项式Φ季节性自回归多项式Θ移动平均系数多项式Θ季节性移动平均多项式B延迟算子ϕ自回归系数θ移动平均系数p自回归系数对应的滞后阶数q移动平均系数对应的滞后阶数ε均值为零，方差为的残差序列ARIMA差分运算设时间序列Xt,t∈T计算1阶差分可用于计算两个时序值之间的差。一阶差分∇X以此类推，对p−1阶差分再进行一次差分运算称为p阶差分运算：p阶差分∇设时间序列Xt∇kXt=Xt−Xt−k （STYLEREF1\s3-ARIMA模型差分自回归移动平均模型（ARIMA）是把非平稳时间序列换为平稳时间序列，在用被解释变量的滞后值、随机误差项的现值及滞后值相结合进行回归形成一种模型。ARIMA模型分为自回归（AR）和移动平均值（MA）。这里，AR表示自回归变量，p表示自回归模型的滞后阶；MA表示移动平均值，q表示移动平均的项数；d表示时间序列转化为平稳序列时所做的差分次数。求和自回归的平均模型ARIMA(p，d，q)是一种通过对原始序列进行差分来得到平稳序列[5]，并通过ARIMA(p，d，q)拟合的方法：Φ(B)∇dxt=Θ(B)εtE(εt)=0,Var(εt)=σ其中∇d=(1−B)d；d阶差分后序列可描述为：∇dxt=i=0d(−1)i∁dixt−i 式中，∁di=d!i!(d−i)! （STYLEREF1\s3-即差分后序列等于原序列的若干序列值的加权和，而对它又可以拟合自回归移动平均（ARMA）模型，所以称它为求和自回归移动平均模型[4]。SARIMA模型SARIMA模型是在对序列进行d阶差分后，以此差分结果为依据，对具有S间距的序列值差分操作。采用d阶S步差分操作，能有效消除序列的趋势性和周期性，使得时间序列平稳，从而可以使用SARIMA(p,d,q)×(P,D,Q)S。p(非季节性回归阶数)，d(非季节性差分阶数)，q(非季节性移动平均项阶数)，P(季节性回归阶数)，D(季节性差分阶数)，Q(季节性移动平均阶数)[17]。SARIMA模型是建立在ARIMA模型基础上的。不仅要进行d阶差分，还需要S步差分运算，具体表达式为：∇SXt=Xt−Xt−1=(1−BS)Xt 若将序列进行d阶差分处理，使其趋于稳定，则差分后的序列可以构成ARMA模型，则称其为SARIMA模型。SARIMA模型这样定义：假定d、D均为非负整数，将原始序列进行d阶差分和D阶S步差分，然后建立ARMA模型。可以得到随机序列YYt≜(1−B)d(1−B)DXt （STYLEREF1\s3-SEQ（1-1）\*ARABIC\s1若Yt是平稳的ARMAΦ(B)ΦS(B)Yt=Θ(B)ΘS(B)εt （则称Yt是周期为S的SARIMA(p,d,q)×(P,D,Q)SΦS(B)=1−ϕ1B−ϕ2B2s−⋯−ϕpBps ΘS(B)=1−θ1B−θ2B2s−⋯−θqBqs Φ(B)与ΦS(B)分别表示非季节性与季节性自回归多项式，Θ(B)与ΘS(B)分别表示非季节性和季节性移动平均多项式。εt为白噪声序列。在实际应用中，D很少大于1，而SARIMA模型的步骤数据平稳性检验，模型识别当序列具有稳定性条件时，分别采用自回归、移动平均或ARMA模型进行建模；当序列为非稳态时，首先要一次差分，然后在对差分后的序列进行稳定性检验。如果是稳定的，那么表示阶数为一；否则，需进行二阶差分。接着判断序列是否具有周期性，可简单地通过时序图观察，由于序列本身没有周期性，所有无法应用ARIMA模型的情况下，需要用SARIMA模型来进行拟合。ARIMA模型能很好地描述序列自相关和部分自相关函数，并能根据预测结果确定适当的ARIMA模型。表32各阶模型关系Table32Modelrelationshipsofeachorder模型自相关函数偏自相关函数AR(p)振荡或指数衰减p阶截尾MA(q)q阶截尾振荡或指数衰减ARMA(p,q)振荡或指数衰减振荡或指数衰减模型定阶确定采用SARIMA模型建模后，首先需要确定SARIAM模型的参数，通过两种：第一是通过自相关/偏自相关图（ACF/PACF）对模型进行参数估计；第二种方法利用AIC和BIC两个标准来确定模型选取。AIC准则的数学表达式如下：AIC=−2lnL+2k （STYLEREF1\s3-SEQ（1-1）\*ARABIC\s130)其中L为似然函数值，k为未知参数个数。AIC准测是根据模型的拟合精度和参数个数来评估模型的好坏，一般而言，较大的似然函数值表示模型拟合效果较好，而更多的未知参数表示模型准确度较高。AIC值达到最小时视为最佳模型。通过确定阶段所构建的假设模型，来评估参数和检验这些假设。模型检验，最后对模型的参数进行显著性检验[13]。模型设定后，如果通过了模型检验，就可以使用该模型来预测。基于因子分析影响因素分析基于因子分析影响因素确定影响因素依据上文分别从天气、投入两个角度，分别选取平均最高温度、平均最低温度、温差、日照时长、降雨量、人工投入、化肥用量、产业投入共8个指标作为果桃产量的影响因素[4]。问卷调查通过设计调查问卷调查种植户认为影响产量的原因，总体而言，该调查表由三部分组成：一是填写农民的基本资料，包括农民的年龄、种植年限、种植面积；第二部分为影响因素调查，共计24道题；第三部分为果子成熟状况调查，共有5道题（附录1）。对后期收到的303份有效问卷使用SPSS27软件对数据进行分析（附录2）。第二部分使用李克特量表，根据回答的多少将问卷分成五个等级：非常不满意、相对不满意、中立、满意和非常满意。一般分值1，2，3，4，5。问卷总体信效度分析可靠性分析（ReliabilityAnalysis）是研究数据是否真实可靠的方法，主要关注数据的真实性和样本的回答准确性，同时也考察了受访者的答题态度。信度分析—计算公式：α=KK−1(1−Si2Sx2) （STYLEREF1\s克隆巴赫系数公式中，α为信度系数，K为测验题目数，Si表示所有被试在第i题上的分数变异，S表4SEQ表\*ARABIC\s11信度分析表Table4SEQTable\*ARABIC\s11Reliabilityanalysistable可靠性统计克隆巴赫Alpha基于标准化项的克隆巴赫Alpha项数0.8290.83332根据表4-1的信度分析结果显示，本研究题目总数为32，总体信度系数是0.833，因此，不需对全部内容维度的题目作任何调整，信度系数在0~1之间，愈接近1，表示信度越高。效度分析效度分析(ValidityAnalysis)

是对问卷内容合理性进行研究，考察各变量、各维度所含概念信息的合理性、以及题项设计的适当性，从而评价问题设计的科学性。

利用探索性因素分析对测试程序进行验证：表42效度分析表Table42ValidityanalysistableKMO和巴特利特检验KMO取样适切性量数。.864巴特利特球形度检验近似卡方3339.350自由度351显著性.000根据REF_Ref275031458\h表42探索性因子分析的结果可以看出，KMO检验的系数结果为0.864，KMO检验的系数取值范围在0-1之间，越接近1说明问卷的效果好[6]。经过检验，显著性分析显示，此检验的显著性几乎为于零。则最初假定被否决。可以得出结论，该问卷具有良好的检验效果。问卷个人情况的描述性统计分析表43频率表Table43Frequencytable变量选项频率百分比平均值标准差年龄18-255318%2.611.1826-3510735%36-457725%46-553813%56及以下289%种植年限1-3年7625%2.421.084-6年8628%7-10年7826%10年以上6321%种植规模1-1000株6822%2.451.051001-5000株9130%5001-10000株8428%10000株以上6020%REF_Ref275031458\h表43的分析结果可以看出种植户个人情况的分布情况。均值反映的是分布的总体趋势，而标准偏差则体现了分配的波动性。通过对各变量的频数进行了分析，发现各变量的分布能够较好地满足抽样调查的需要。实例研究指标选取本文共选取8个影响因素的指标：表44影响因素参数表Table44Influencingfactorparametertable影响因素参数平均最高温度x平均最低温度x温差x日照时长x降雨量x人工投入x化肥用量x产业投入x这些指标所反映的内容可以概括为两个方面：天气、资产投入，这些因素对师宗果桃的成熟状况起导向作用。为了分析所选指标是否适合因子分析，进行KMO和巴特利特检验。KMO统计量用于对原始变量之间的相关系数和偏相关系数的相对大小比较，Bartlett球性检验相关阵中各变量间的相关性，是否为单位阵，即检验各个变量是否各自独立。表45KMO统计量和Bartlett形检验结果Table45KMOandBartlett’stestKMO和巴特利特检验KMO取样适切性量数。0.969巴特利特球形度检验近似卡方2892.394自由度36显著性0问卷数据的8个影响因素指标的KMO统计量和Bartlett形检验结果见REF_Ref275031458\h表45。KMO值愈接近于１，说明表各变量间的关联程度愈高，该表KMO值为0.969，进行因子分析较好。同时，Bartlett球形检验统计量为2892.394，对应的概率Sig为0.000<0.05。由此，可看出相关系数阵和单位阵之间存在明显不同。通过以上说明，本文所选8个影响因素指标适合用因子分析法进行分析。因子分析结果现在带入收集的问卷数据（附录2）构建如下原始矩阵：X=现在对数据进行标准化处理（附录3），首先求出影响因素的均值与标准差，公式如下：x=x1+x2+...+xnn （STYLEREF1\s4S=1n（x1−x）2+（x2−x）将数据带入上面两个式子可以得到下表：表46描述统计量Table46SummaryStatisticsN平均值标准差x30313.054.394x30312.154.275x30312.834.277x30313.414.767x30313.144.329x30313.304.635x30312.114.216x30312.324.341由标准化公式Zij=xij−xxij为原始数据，Zij为原始数据标准化后的数据，xi和σ计算相关系数矩R=rij，且R=式中，Rij(i=1,2,…,p)为原变量xi和rij=k=1P(xki−x根据特征方程λE−R=0，得到特征值λ1，λ表47方差贡献率和累计贡献率Table47Variancecontributionrateandcumulativecontributionrate总方差解释成分初始特征值提取载荷平方和旋转载荷平方和总计方差百分比累积%总计方差百分比累积%总计方差百分比累积%16.11076.38176.3816.11076.38176.3813.28841.10141.10120.3364.19680.5770.3364.19680.5773.15839.47680.57730.3083.85084.42640.2883.59588.02250.2663.33091.35160.2433.03594.38670.2413.01897.40480.2082.596100.000提取方法：主成分分析法。运用SPSS27.0程序进行因子分析，利用主成分分析法，提取出各指标的累计贡献率。通过分析得，这二种因子的累积贡献率已超过了80.577％，符合因子数量对累积贡献率的要求，所以可选用二种因子。其中，变量共同度反映所有因子解释能力，ℎi2=j=1maij2,(i=1,2,⋯下REF_Ref275031458\h表48影响因素共同度都在0.75以上，每个变量共同度都较高，说明因子分析的有效性很好。表48公因子方差Table48commonfactorvariance初始提取x10.822x10.795x10.804x10.858x10.761x10.822x10.787x10.798提取方法：主成分分析法。计算初等载荷矩阵，则计算相关系数矩阵R的特征值λ1≥λ2≥⋯≥A=[λ1u1,λ2u2,⋯即可得出成分得分系数矩阵如下REF_Ref275031458\h表49：表49成分矩阵Table49ComponentMatrix成分1成分2x0.8890.064x0.886-0.039x0.885-0.123x0.878-0.229x0.867-0.325x0.8660.231x0.8610.139x0.8590.290提取方法：主成分分析法。a.提取了2个成分。根据因子分析法的得分函数公式，X=AF+ε 如上表结合成份得分系数矩阵所示，即可得出各个成分的公因子线性组合：FF后需要寻找正交旋转矩阵，使得B=AΓ假设有两列的因子载荷矩阵，即m=2，可以假设正交矩阵的形式为Γ=cosϕ−sinϕsinϕcosϕ 那么AΓ=b11b12⋮⋮bp1b运用公式得出旋转后的成分矩阵如下REF_Ref275031458\h表410：表410旋转后的成分矩阵Table410Rotatedcompositionmatrix旋转后的成分矩阵a成分1成分2x0.8170.393x0.7810.440x0.7130.503x0.6800.576x0.3930.839x0.4670.777x0.5470.706x0.6060.647提取方法：主成分分析法。旋转方法：凯撒正态化最大方差法。a.旋转在3次迭代后已收敛。根据REF_Ref275031458\h表410旋转后的成分矩阵对公共因子命名，其中气象因子（F1）包含变量平均最高温度（x1）、平均最低温度（x2）、温差（x3）、降雨量（x5），则农业生产要素投入因子（F2）包含变量日照时长（x4），人工（x6），化肥农药（x7想要得出综合得分F就要对总方差解释表进行分析，此处因子分析用旋转后的方差贡献率做被除数，根据式子可以求出综合得分[8]：F=v1F1+v2将各旋转后成分1和成分2的贡献率41.101%，39.476%和累计方差贡献率80.577%带入式子可得因子分析的综合得分：F表411影响因素综合得分Table411ComprehensivescoreofinfluencingfactorsF排名F排名F排名x0.85980.29010.5801x0.88910.06440.4854x0.86660.23120.5552x0.8675-0.32580.2838x0.86170.13930.5073x0.8784-0.22970.3367x0.8862-0.03950.4335x0.8853-0.12360.3916通过上REF_Ref275031458\h表411的排名可以看出平均最高温度（x1）、温差（x3）、降雨量（x5）、平均最低温度（x2）、化肥农药（x7）小结本章采用了因子分析方法，对师宗县果桃产量主要影响因子选取的八个数据指标进行了分析，并通过问卷分析，最后得出了二种因子对影响产量的有极其明显的关系。利用影响因子分析法，对指标系统数据进行研究，分析结果显示，影响果桃产量的因素共有2个。其中一项为“气象因子”，另一个为“农业生产要素投入因子”。因此，对师宗县果桃产量首要的影响因素是“气象因子”，其次是“农业生产要素投入因子”。通过分析我们对果桃产量的影响因素有了初步的了解，对于“气象因子”我们无法控制，但我们可以在“农业生产要素投入因子”中采取一些方法，来提升产量，增产增收，例如：加大对果桃种植产业的投资金额；采用配方化肥，也可以对产量有一定影响，既可以增收又可以保护土壤，形成可持续发展的种植业，但使用农业化学用品终将会产生农业污染问题，为了预防这种问题的发生，应采取相应的措施与政策，需要去考虑未来如何在减少化肥施用量后依然可以有效提高产量[4]。除以上所述，农业生产投入也包含政府政策积极回应鼓励农业种植等等。笔者把师宗县近年来兴起的果桃是一种经济作物，其产量高，不但给果农带来较高收入，同时促进城镇经济发展和旅游业，因此确保果桃产量对师宗县具有重要意义。基于多元线性回归及SARIMA模型的产量预测分析多元线性回归预测通过国家气象数据中心查找到师宗县2018年6月-2023年9月的气象数据如下：表51气象数据Table51meteorologicaldata时间平均最高温度（x1平均最低温度（x2温差（x32018年6月231672018年7月241682018年8月231582018年9月221482019年6月251782019年7月241772019年8月241592019年9月221392020年6月261792020年7月241772020年8月241682020年9月221572021年6月241772021年7月241682021年8月251692021年9月241592022年6月231672022年7月2616102022年8月251692022年9月221482023年6月251692023年7月261792023年8月241682023年9月24159对能够查找到的气象数据只有平均最高温度，平均最低温度和温差。其中降雨量和化肥施用情况数据无准确数据。后运用已知数据与产量数据建立多元回归模型。假设该多元线性回归模型为：Yi=β0+β对附录中产量2018年6月-2023年6月的产量数据和表5-1的数据用SPSS进行多元线性回归分析，得出下表：表52回归分析模型摘要Table52Abstractofregressionanalysismodel非标准化系数标准化系数BetatPVIFR²调整R²FB标准误常数8.57293.422-0.0920.928-0.1730.082F=1.888P=0.180平均最高温度1.7942.6550.0980.6760.508平均最低温度-5.0113.106-0.245-1.6130.124温差6.8053.5830.2751.8990.074*因变量：产量注：***、**、*分别代表1%、5%、10%的显著性水平上表5-2展示了本次模型的分析结果，包括模型的标准化系数、t值、VIF值、R²、调整R²等，用于模型的检验，F检验的结果分析可以得到，显著性P值为0.180，水平上不呈现显著性,不能拒绝回归系数为0的原假设。对于变量共线性表现，变量平均最高温度、平均最低温度、温差的VIF值大于10，存在共线关系。模型的公式如下：产量=8.572+1.794*平均最高温-5.011*平均最低温度+6.805*温差。代入公式(4-4)回归表达式为：Y3=8.572+1.794X图5-SEQ图\*ARABIC\s11多元回归产量预测图Fig51Multipleregressionyieldforecastgraph上图5-1展示了本次模型的原始数据图、模型拟合值、模型预测值。已知2023年7-9月的平均最高温度，平均最低温度和温差数据代入表达式（5-2）得出下表预测结果表53预测数据Table53predicteddata变量系数7月数据测试值8月数据测试值9月数据测试值常数8.572111平均最高温度1.794262424平均最低温度-5.011989温差6.805171615预测结果125.78120.4108.58真实数据48.6121.4106.9相对误差-158%0.8%-1.5%上表5-3计算相对误差根据公式：δ(x)=∆L∗100%其中∆为绝对误差，绝对误差等于真实值减去预测值，L为真值。由上表（5-3）的预测结果的相对误差可知，其中2023年7月的误差过大，而8月和9月的预测数据在误差范围内，此多元线性模型并不是最优模型。SARIMA预测模型实例分析数据平稳化处理和识别模型数据来源为2018年到2023师宗县众旺种植专业合作社产量数据（附录4）。图5-2展示的2018年到2023产量数据序列为例，通过观察这个时序图，可以更直接地判断该序列的稳定性。图5-SEQ图\*ARABIC\s12产量时序图Fig52Timesequencechartofproduction总而言之，不考虑其他极端影响因素，师宗县果桃产量逐年上升。在2017年期间师宗雨柱成立了众旺种植专业合作社。师宗县重点投资建立了大型果桃生产基地，扩大果桃种植面积。而在2021年2022师宗县果桃播种进一步快速增加，则是借助沪滇协作项目，免费为群众送幼苗、教技术，连片种植桃树500亩。从图5-2中可以明显观察到，数据序列并没有呈现随机波动且无界的特征，表明它是一个不具备平稳性质的序列。季节性数据图4-3可以看出这列时间序列存在很明显的周期性，且以季为周期，且季度周期为4。季度划分为每年1月、2月、3月为第一季度，4月、5月、6月为第二季度，以此类推（附录4）为对拟合模型精度良好的检验，将原序列数据产量单位的后续建模过程将仅采取2018年一季度到2023年二季度的数据进行建模。后与2023年第三季度的真实值数据，用于与预测值进行比较分析。图5-SEQ图\*ARABIC\s13季节性数据Fig53Seasonaldata原季度数据为不平稳序列且具有周期性。则对其进行差分以及季节差分，直至序列满足平稳性为止。因此，我们必须对季度数据作差分操作，SARIMA模型是建立在ARIMA模型之上的，不仅要进行d阶差分，还需要S步差分运算，差分公式以及季节性差分公式为： ∇dxt=i=0d(−1)i∁dixt−i ∇SXt=Xt−Xt−1=(1−BS)Xt 我们运用SPSS27.0统计分析软件采用一次差分、一次季节差分，并对所得结果做了平稳测试。图5-SEQ图\*ARABIC\s14最佳差分序列图Fig54Thebestdifferencesequencediagram图5-4是我们对原始数据进行一阶差分以及一阶季节差分所得到的时序图，表示各时间段差分后的产量值。我们这里可以直接看出差分序列图呈现平缓趋势。其中季节性ARIMA模型要求时间序列满足平稳性检验，若P<0.05，说明序列为平稳序列。表5-4ADF检验表Table54TheADFTestForm变量序列tPAIC临界值1%5%10%产量1阶差分-1阶季节差分-17.4430.000***30.271-4.332-3.233-2.749注：***、**、*分别代表1%、5%、10%的显著性水平上表5-4为ADF检验的结果，包括变量、差分阶数、T检验结果、AIC值等，用于检验时间序列是否平稳。根据t值的分析结果，可得到-17.443<-4.332<-3.233<-2.749的结论，ADF检验中，t统计量在置信水平为1%、5%、10%下都小于相应的t统计量，因此可以得出结论，序列是平稳的时间序列。序列呈现显著性（P<0.05)，则说明拒绝原假设，该序列为一个平稳的时间序列。模型定阶采用SARIMA模型建模后，首先要确定SARIAM模型的参数。根据自相关/偏自相关图(ACF/PACF)确定模型阶数。我们运用SPSS27.0统计分析软件通过一阶差分和季节差分操作，对数据进行处理，得出了自相关图和偏自相关图的结果。图5-SEQ图\*ARABIC\s15自相关图Fig55Self-relateddiagram如图5-5所示，呈现了自相关图(ACF)的拖尾形式，可以通过观察自相关系数的拖尾情况来确定参数p、P。图5-SEQ图\*ARABIC\s16偏自相关图Fig56Partialautocorrelationdiagram如图5-6所示，显示了偏自相关图(PACF)的拖尾形式，来确定参数q、Q。表5-5模型参数值Table55ModelparametervalueSARIMA模型参数结果 参数值参数值p0P2d1D1q0Q0S4参数估计通过这个模型进行参数估计，如表5-6。表5-6模型统计量表Table56ModelstatisticalscaleSARIMA模型(0,1,0)x(2,1,0,4)项符号值样本数量N22Q统计量Q1（p值）0.027*Q2（p值）0.081Q3（p值）0.165Q4（p值）0.227Q5（p值）0.341Q6（p值）0.428Q7（p值）0.536Q8（p值）0.440Q9（p值）0.482信息准则AIC123.131BIC125.631拟合优度R²0.932上表5-6展示本次模型检验结果，包括样本数、残差Q统计量、信息准则模型的适应程度以及拟合优度。模型输出结果是SARIMAX(0,1,0)×(2,1,0)4模型。基于变量产量，通过剩余Q统计量进行检验：得到了在水平上Q6不明显的结论，不能推翻模型残差为白噪声的假设，该模型是比较合理的；该模型具有0.932的R²，表明了良好的拟合效果。因此我们选择SARIMAX(0,1,0)×(2,1,0)4模型进行预测。参数检验表5-7残差检验表Table57Residualinspectionform模型残差检验结果 LM序列检验值Ljung-Box白噪声检验值F统计量7.293Ljung-Box值2.727p值0.121p值0.099T*R2统计量2.254Jarque-Bera正态性检验值p值0.124JB值3.947Heteroskedasticity异方差检验值p值0.139H值0.236残差偏度Skew-0.787p值0.102残差峰度Kurtosis4.759上表5-7展示出SARIMA模型各类残差检验指标；本文通过对残差序列的白噪声测试结果的分析，结果表明，各统计量的p值均大于0.05。这表明，拟合后的残差序列为白噪声序列。正态性检验的p值也大于0.05。在实际应用中，残差序列应满足一系列条件，包括不存在序列相关性、符合白噪声特性、服从正态分布，并且不存在异方差问题。SARIMA模型预测及结果如下为SARIMA模型的预测。由图表可以看出，本模型能较好的拟合时间序列的总体趋势。图5-SEQ图\*ARABIC\s17产量模型拟合和预测图Fig57Yieldmodelfittingandpredictionchart这里通过观察图5-7，可以看出预测后三个季度的产值。通过图可以清楚的看到拟合模型后的预测值区间。从预测结果来看，师宗县果桃产量集中在每年的第二季度和第三季度，其中第三季度的产量较高。据了解，第二季度上市的果桃品种只有“皇后油桃”，而第三季度上市的果桃品种就有五种（“黄太子油桃”、秋桃、油蟠桃、毛蟠桃、雪桃）。表5-8未来季度的预测误差表Table58Forecasterrortableforfuturequarters时间预测结果(单位：吨)真实值（单位：吨）相对误差2023年第三季度247.02276.9410.8%2024年第二季度44.582024年第三季度299.45上表5-6计算相对误差根据公式：δ(x)=∆L∗100% 代入数据可得2023年第三季度的相对误差δ(小结本文研究先以因子分析调查的影响因素为例，采用多元线性回归进行预测，因无法查找到影响数据降雨量和化肥施用情况，导致后续7月的预测数据与真实数据的相对误差较大，所以并不是最优的模型。后以师宗县果桃产量从2017年夏季到2023年夏季，共计22个季度的产量为研究对象，利用Excel,SPSS等时序分析工具，对师宗果桃未来3个月的产量进行模拟与预测。从预测的结果来看，虽然预测值和实际值有一些偏差，但是这是无法避免的。对果桃产量的影响因素较多，而对产量的拟合也有一些不足之处。使用SARIMAX(0,1,0)×(2,1,0)4模型预测出的精度良好，相对误差10.8%。根据模型预测的数据来看，在2024年夏季和秋季的产量是逐步提高的，但因政府推行退耕还林政策，未来的产量可能会减少，也可能会与2023年持平。因此，随着时序的增长，我们需要建立新的时序，使之能更快地运作，并建立新的预测模型，以保证更高的短期预报精度，可以帮助我们为它制定一个长远的发展计划，以便更好地发挥其优势，实现发展目标。结论本文基于SPSS有关因子分析、时间序列SARIMA模型的有关理论知识，本研究通过调查师宗果桃产量的影响因素和果桃单产数据，对数据进行预处理后，建立了因子分析模型，分析了影响因素。同时，利用SARIMA模型对师宗果桃单产进行了预测分析，并预测了其变化情况。研究结果表明：利用影响因素因子分析方法，基于问卷调查的数据，对影响果桃产量的因素指标进行了研究。分析结果显示，共存在两个影响果桃产量的因子。一个是“气象因子”，另一个为“农业生产要素投入因子”。最后因子分析的综合得分排名可以看出平均最高温度、温差、降雨量、平均最低温度、化肥农药，这几个指标总体排名靠前，说明对果桃产量因素有着比较大的影响。因此通过分析可以发现在影响师宗县果桃产量的影响因子中首先影响最大的是“气象因子”，其次是“农业生产要素投入因子”。以师宗县果桃产量从2017年夏季到2023年夏季，共计22个季度的产量为研究对象，利用Excel,SPSS等时序分析工具，对师宗果桃未来3个月的产量进行模拟与预测。从预测的结果来看，预测值和实际值有一些偏差，使用SARIMAX(0,1,0)×(2,1,0)4模型预测出的精度良好，相对误差10.8%，预测出2024年第二季度和第三季度果桃产量为44.58吨和299.45吨。考虑果桃产量的影响因素较多，而对产量的拟合也有一些不足之处。参考文献[1]王月杏.印尼坤甸坤中高中学生汉语学习心理调查研究[D].广西民族大学,2020.[2]穆凯丽.新疆特色膳食半定量食物频率问卷的信效度分析[D].新疆医科大学,2023.[3]\t"/kcms2/article/_blank"任嘉颖.山西运城苹果产量预测及影响因素分析[D].山西农业大学,2017.[4]徐浪.化肥施用量对粮食产量的贡献率分析[J].优质粮油.2002,01(77):10-13.[5]\t"/kcms2/article/_blank"赵嘉宝.吐鲁番市葡萄产量主要影响因子分析及预测[D].塔里木大学,2020.[6]段霞.基SPSS软件的山东省粮食产量预测模型分析[J].\t"/kcms2/article/_blank"乡村科技.\t"/kcms2/article/_blank"2021,12(12):29-31.[7]杨坚争.基于因子分析的跨境电子商务评价指标体系研究[N].财贸经济,2014-9.[8]李珺.基于因子分析的多元线性回归方法其在股价预测中的应用[D].南京大学,2014.[9]李璐.基于因子分析教育类上市公司经营绩效研究[D].华中师范大学,2020.[10]林思琪.基于因子分析法的七匹狼财务绩效评价及提升对策研究[D].云南师范大学,2023.[11]汤岩.时间序列分析的研究与应用[D].东北农业大学,2007.[12]李莹.基于时间序列与多元线性回归综合模型的农村卷烟销售预测[D].云南大学,2015.[13]陈聪聪.基于ARIMA模型和ARIMAX模型的山东省GDP的预测与分析[D].山东大学,2016.[14]李达.基于时间序列分析方法的油田产量预测与应用[D].兰州理工大学,2018.[15]卢正浩.疫情视角下季节性数据预测方法及其动态结构研究[D].绍兴文理学院,2022.[16]南润.基于SARIMA-CNN-LSTM的车流量预测分析[D].长春工业大学,2023.[17]龚浩.基于空间自相关和SARIMA－BPNN组合模型的我国肺结核时空分布特征及预测研究[D].扬州大学,2023.附录附录1种植户产量影响因素问卷第一部分:个人基本信息收集，请选择符合您个人情况的选项1.您的年龄是?[单选题]选项小计比例18-255317.49%26-3510735.31%36-457725.41%46-553812.54%56以上289.24%本题有效填写人次3032.您种植桃树的经验有多少年?[单选题]选项小计比例1-3年7625.08%4-6年8628.38%7-10年7825.74%10年以上6320.79%本题有效填写人次3033.您的种植规模是?[单选题]选项小计比例1-1000株6822.44%1001-