【农产品价格预测研究的国内外文献综述7200字】

农产品价格预测研究的国内外文献综述目录TOC\o"1-3"\h\u20885农产品价格预测研究的国内外文献综述 1156771.1国内农产品价格预测研究现状 285911.2国外农产品价格预测研究现状 5266641.3文献述评 615716参考文献 6玉米作为世界上种植最广泛的作物，具有“粮饲经”三元结构属性。玉米作为我国三大粮食作物之一，属于农产品范畴。各类农产品的影响因素分析大体相同，且农产品市场行情预测方法也基本相似。在此，全面系统地阐述农产品价格预测方法，其主要分为农产品价格定性预测法和农产品价格定量预测法[19]。农产品价格定性预测法是以农产品价格以及与农产品价格相关的资料为主要预测依据，凭借预测者的经验和综合分析能力预测农产品价格。其不足是主观性强且精度低。农产品价格定性预测方法主要包括德菲尔法、综合意见法和主观概率法等。农产品价格定量预测法是以农产品价格及其因素的历史数据为研究对象，采用数量方法建立农产品价格与其因素的关系或规律，以此预测农产品价格。其可分为计量经济方法、智能信息处理方法、计量经济方法与智能信息处理方法的组合方法、机器学习方法等。在此分别阐述这4种方法，且国内外研究现状分析过程也以此4种方法加以展开。（1）计量经济方法计量经济方法主要是以经济、统计和计量理论为基础，采用计量模型分析与预测农产品价格。计量经济方法主要分为时间序列预测法和因果关系分析法。时间序列预测法主要包括季节趋势预测法、加权移动平均法和指数平滑法等；因果关系分析法主要包括线性回归分析和多元回归分析法。（2）智能信息处理方法智能信息处理方法主要以农产品价格及其因素数据为基础，采用各类智能信息处理方法分析农产品价格与其影响关系，以此预测农产品价格。智能信息处理方法主要包括模糊神经网络、蚁群算法和遗传算法等。（3）计量经济方法与智能信息处理方法的组合方法计量经济方法与智能信息处理方法的组合方法是指将时间序列预测法、因果关系分析法等计量经济方法与现代智能技术相结合的一种价格预测分析方法。其主要包括时间序列预测法与神经网络的融合方法。（4）机器学习方法机器学习算法是指以农产品价格及其因素数据驱动方法构建农产品价格预测模型，以此预测农产品价格。大量的研究结果显示，机器学习算法在农产品价格预测方面的应用非常广泛，这些方法主要包括：支持向量机、随机森林、Ada-Boost算法、线性判别分析。1.1国内农产品价格预测研究现状对国内农产品市场价格预测文献调查上也采用定性方法以及定量方法（包括因果关系分析法、时间序列分析法、智能方法、传统和智能组合方法以及机器学习方法）的顺序展开。在定性方法上，袁红春等以2003至2008年上海铜川水产品市场龙虾价格数据为依据，采用案例推理分析与预测龙虾价格，实证研究结果表明该方法能有效分析与预测水产品价格[20]。王川等从制度经济学视角分析农产品市场风险预警机制，提出了一套农产品市场风险预警模型[21]。在因果关系分析法方面，如，王吉恒等人基于对“需求函数”的研究，构建了农产品价格预警模型，并以黑龙江省大米数据为例进行了实证研究[10]。谢华文采用线性回归与自回归分别建立南宁市主要农产品价格与广西其他各地市主要农产品价格的关系，以南宁市猪肉价格为实证研究，实验结果表明线性回归分析比自回归分析在某时期内预测南宁市猪肉价格更有效[22]。张唯婧采用向量自回归模型分析农业生产成本对我国农产品价格的影响，以1994年1月至2010年9月期间为实证研究，实证研究表明农业生产成本对农产品价格具有10个月以上的时滞性影响[23]。王锐等认为农业生产成本对农产品价格起决定性作用，研究结果表明该影响前3个月是正向的，然后转为负向，从第21个月起再转为正向，究其原因是农产品特殊的生长周期造成[24]。张明等采用动态面板的广义矩估计方法建立2003年至2010年26省份的农产品价格规律模型，分析农产品价格波动的决定因素，其主要包括生产资料价格、人力成本和国际农产品价格[25]。李剑等以价格泡沫理论为基础，提出了一套基于“价格泡沫”的农产品期货市场的预警模型，其主要进行风险评价、风险传导和风险预警[26]。高云等人采用单位根检验国内外玉米价格数据的平稳性，利用协整检验与格兰杰因果关系检验建立国内外玉米价格关系，以此对未来玉米价格作出预测[11]。张萌等人采用主成分回归、向量自回归模型和符号回归分别构建马铃薯价格预测模型，实验结果表明符号回归方程拟合优度最高，以此预测马铃薯价格走势[12]。在时间序列分析法方面，例如，苗开超等提出基于指数平滑模型的农产品价格预测模型，实证结果表明其能够有效地预测农产品价格[27]。马丽娜等人提出基于二次平滑模型的农产品价格预测模型，实证研究以H地区蔬菜市场中西红柿价格为研究对象，该模型预测结果精度较高[28]。刘峰等提出基于差分整合移动平均自回归模型（AutoregressiveIntegratedMovingAveragemodel，ARIMA）的农产品价格预警模型，实验结果表明ARIMA(0,1,1)模型能较好地模拟和预测白菜月度价格趋势[29]。李干琼等采用ARIMA、自回归条件异方差模型（AutoregressiveConditionalHeteroskedasticity，ARCH）、广义GARCH分别建立西红柿日批发价格预测模型，其在西红柿日批发价格超短期预测上精度较高[30]。李干琼等采用CensuX12法、Holt-Winters法、季节性差分自回归滑动平均模型（SeasonalAutoregressiveIntegratedMovingAverage，SARIMA）和移动平均比率法分别建立全国西红柿月度批发市场价格短期预测模型，并根据预测误差大小赋予4个不同模型不同的权重构建组合预测方法。实证结果表明组合预测方法比单一方法预测精度高[31]。刘飞提出基于ARIMA模型的畜产品价格预测模型，实证结果表明ARIMA模型比单平滑指数预测误差更低[32]。王健提出基于ARIMA模型的苹果市场价格短期预测模型，实证研究以我国富士苹果的价格指数为研究对象，苹果价格预测精度较高[33]。植敏斯提出基于ARIMA模型的广西桂林晚籼稻价格预测模型，实证结果表明该模型能够较好地预测水稻短期月度价格[34]。徐雅卿等提出基于ARIMA模型、指数平滑模型及其两者组合模型胡萝卜月度价格预测模型，以2011至2015年西安朱雀市场胡萝卜月度价格为研究对象，实证结果表明组合模型比单个预测模型预测精度更高[35]。在智能信息处理方法方面，如刘书琪和马雄威分别利用灰色神经网络模型对黑龙江省大豆价格和猪肉价格进行了预测[36-37]。王舒鸿等提出基于灰色预测模型的鸡蛋价格预测模型，以江苏海安地区2004年12月25日至2006年7月10日鸡蛋价格数据预测了2007年至2008年上半年鸡蛋价格[38]。李芬妮等提出GM(1,1)模型的香菇、平菇、双孢蘑菇、金针菇和黑木耳等食用菌的月度批发价格预测模型，预测了2017年全国食用菌价格，预测精度较高[39]。舒国军提出基于粗糙集的遵义市农产品价格趋势预测模型，实证结果表明可以有效地预测农产品价格趋势[40]。赵瑞莹等提出基于BP神经网络方法的生猪价格风险预警模型，实证结果表明该模型在全国生猪价格风险预警方面是有效的[41]。李艳等采用径向基神经网络构建农产品价格预测模型，并以白菜价格为实证研究[42]。丁琳琳等以生猪价格及其影响因素为研究对象，采用支持向量机方法构建生猪价格预测模型，实验结果表明该模型的预测误差低于神经网络模型[43]。刘芳等提出基于BP神经网络的生猪市场价格预警模型，实证结果表明该模型在生猪市场价格预警方面是有效的[44]。白伟等提出基于BP神经网络的农产品价格短期预测模型，实证结果表明以西吉县新营乡马铃薯批发市场的2016年10月17日至2020年2月2日的三种马铃薯每日交易价格为研究对象，该模型在农产品价格短期预测方面是有效的[45]。刘斌等提出了一种基于分布式神经网络的苹果市场价格预测模型，实证结果表明分布式神经网络模型能有效揭示苹果市场价格的波动规律和发展趋势[46]。韩延杰等提出了一种基于模糊信息粒化和遗传算法的支持向量机方法，以此预测农产品价格，实证结果表明该方法在预测农产品价格方面是有效的[47]。李宏伟等提出了一种小波神经网络，采用小波神经网络构建鲈鱼价格测模型，以阿里巴巴的鲈鱼价格为研究对象，实验结果表明采用小波神经网络能够有效地预测鱼类短期价格[48]。刘合兵等提出了一种基于小波变换和BP神经网络的农产品价格组合预测模型，实证部分以2013年1月至2018年12月菠菜、大白菜、番茄、辣椒和马铃薯5种蔬菜月度价格数据为研究对象，结果表明该模型在农产品价格方面是有效的[49]。在计量经济方法与智能信息处理方法的组合方法方面，屠星月等提出了ARCH、Holt-Winters无季节模型组合预测方法与RBF神经网络的集成预测模型，以此预测农产品价格，实证部分以1997年至2011年全国农产品集贸市场大豆月度价格为研究对象，结果表明该组合预测模型优于单个模型[50]。段青玲等提出了一种基于遗传优化的支持向量回归方法，构建水产品价格预测模型。以2011年2014年桂鱼、基围虾、梭子蟹的价格为研究对象，采用基于遗传优化的支持向量回归方法预测2015年水产品价格，实验结果表明桂鱼、基围虾、梭子蟹的平均绝对误差分别为6.70%、7.82%、14.76%，基于遗传优化的支持向量回归方法优于SVR模型及BPANN模型[51]。闪利平等提出了基于小波变换和ARIMA-EGARCH模型的玉米价格预测模型，实证以2014年1月到2015年12月河南的玉米价格数据为研究对象，结果表明该方法在农产品预测方面是有效的[52]。郑薇等提出了基于季节指数调整与HGWO-SVR算法的融合模型，以此预测农产品批发价格，实证部分以2005年1月至2016年12月农产品批发价格指数为研究对象，结果表明混合模型能够有效地预测农产品批发价格[53]。在基于机器学习的方法方面，罗长寿采用BP神经网络、基于遗传算法的神经网络、RBF神经网络和三种网络的集成模型构建蔬菜市场价格预测模型，实验结果表明集成模型效果优于单一模型，能够有效提高蔬菜市场价格的预测精度[14]。李俊青提出了基于支持向量机的水果价格预测模型，以此预测水果价格，并以水果价格波动作为警情，对水果价格进行年度和月度的预警分析[15]。王章章等提出了卷积神经网络（ConvolutionalNeuralNetworks，CNN）与LightGBM的组合模型和多因素LSTM（LongShort-TermMemory）模型，构建农产品价格预测模型。以上海市农产品价格为研究对象，实验结果表明两种方法均能有效地预测农产品价格[54]。贾宁等提出了一种双重注意力机制与长短期记忆网络融合模型，以此预测蔬菜类产品价格指数，结果表明该模型在蔬菜类农产品价格指数预测方面是有效的[55]。刘锦源提出一种引入EEMD方法的改进LSTM预测方法，以此预测农产品期货价格，结果表明，该方法在精度方面优于LSTM，SVR等传统方法[56]。刘雪等提出了一种基于时间序列季节性分解和LSTM组合方法，以此预测鸡蛋价格，实证部分以北京市月度鸡蛋价格为研究对象，结果表明STL-LSTM模型在预测鸡蛋价格方面是有效的[57]。1.2国外农产品价格预测研究现状国内学者在农产品价格预测方面研究成果较多，以美国经济学家Moore的《经济周期》和《棉花收益和价格的预测》为代表，推动了农产品供给、需求和价格的研究。在因果关系分析法方面，如，Moore利用扩散指数法提出了警兆信息综合法，并通过实证取得了较好的精度[58]。Shiskin提出了合成指数监测预警法，构建经济预警模型。Fafchamps提出了多元风险模型，结果表明农产品产量与农产品价格呈现高度相关[59]。2009年Du等人用面板数据模型论证了乙醇产量的增长，直接导致农产品价格的波动[60]。在时间序列分析法方面，如，Bourke首次提出使用Box-Jenkins方法构建价格预测模型，并在美国牛肉市场数据中进行实测，结果表明Box-Jenkins方法比传统的计量方法预测准确率更高[61]。Alvares等提出基于Box-Jenkins方法的农产品市场价格预测模型，结果表明该模型能够有效预测未来3周的农产品市场价格[62]。La等采用单变量ARIMA模型构建蔬菜产品价格预测模型，实验结果表明以西西里6种不同蔬菜产品价格为研究对象，能够预测蔬菜价格[63]。Ramirez等提出了基于带有非对称误差的GARCH模型的农产品期货价格预测模型，实证部分以大豆、高粱和小麦为研究对象，该模型在农产品期货价格预测方面是有效的[64]。Xiong等人使用VECM-MSVR方法建立农产品期货价格的预测模型，得出的预测结果与实际市场较为吻合[65]。Shiferaw提出了基于偏态重尾贝叶斯多元GARCH模型，构建了南非农产品价格（白玉米、黄玉米、小麦、向日葵和大豆）与能源价格（石油、天然气和煤炭）之间关系模型，实验结果表明贝叶斯DCC-MGARCH模型的性能优于其他方法[66]。在智能信息处理方法方面，例如，Leal等分别采用并行计算、模块化神经网络、神经网络和时间序列等方法预测农产品价格，实证部分以墨西哥番茄价格为研究对象，结果表明模块化神经网络优于其他方法[67]。其他有代表的模型还包括多国商品联接模型(Baseline)、PEATSim模型、食品和农业区域模型、FAO与OECD合作的AGLINK/CONSIMO模型、FAPRI模型等[68]。在计量经济方法与智能信息处理方法的组合方法方面，Yu等提出了基于BP神经网络与时间序列预测的组合模型，以此预测农产品批发市场价格，结果表明组合模型在农产品批发市场价格预测方面是有效的[69]。在机器学习方法方面，例如，Zhang等人提出了一种将模糊信息粒化、思维进化算法和SVM相结合的农产品价格预测模型，实证部分以联合国粮农组织6种商品的价格指数为研究对象，结果表明MEA-SVM模型在农产品价格预测中是有效的[70]。Xiong等人提出了一种基于局部加权回归（STL）和超限学习机（ELMs）相结合的季节趋势分解方法，结果表明，与其他方法相比，STL-ELM模型是一种高效的高季节性蔬菜价格预测方法[71]。1.3文献述评农产品价格预测的思路主要有两种，一种是基于农产品价格历史统计数据加以预测，主要采用时间序列预测和智能方法。另一种是建立农产品市场价格与其影响因素的关系，进而对农产品市场价格加以预测，主要采用因果关系分析法，如回归分析、协整理论、格兰杰因果检验、向量自回归等。第二种做法不仅考虑历史价格数据，而且考虑其影响因素，对未来玉米市场价格的走势的判断更为准确。采用因果关系分析法存在如下问题：一是，农产品行情数据及其相关要素的收集主要通过人工收集数据，工作量大且易错，使农产品市场行情预测不具备时效性。二是，采用格兰杰因果检验、回归分析、脉冲分析、向量自回归和协整理论等计量经济学方法，分析农产品市场价格与影响因素的关系，预测时只能选取较少影响因素，随着影响因素数量的增加，对因素之间关系的描述准确性也会下降，导致市场价格预测准确性下降。此外，采用多元回归分析预测农产品价格时，要求严格的假设，如被解释变量与随机误差项间呈线性关系、随机误差项的均值为零等[13]。三是，影响因素选取方面具有极大地主观性与片面性，不能够全面系统地分析农产品市场行情。基于智能方法的农产品价格预测方法对具有复杂特征的数据的刻画较好，无需事先数据预处理，但，该方法的复杂程度高于因果关系分析法。随着农产品市场的繁荣，农产品价格时间序列越来越复杂，农产品价格易受特殊事件的信息不对称、非线性、隐周期等影响。为解决此类问题，组合预测方法体系应运而生。该体系主要包含同为传统计量方法的组合、传统计量方法与现代预测方法的组合以及智能预测方法的组合三种类型。这种组合方法能够根据预测对象的特性，充分利用方法的优点并避开了其缺点，从而提高了预测的准确率。因此，如何针对预测对象的特性选择最优的预测方法，是否需要组合方法，选用哪些方法进行组合，如何将这些方法有效的组合，成为学者们面临的重要挑战。在使用机器学习方法进行价格预测时，由于该领域对特征变量的研究较少，并且同一模型对于价格预测的准确性还与农产品本身性质有关。因此，机器学习方法在进行价格预测时对不同产品的泛化能力有待验证。而且，机器学习算法忽略了不同参数对于机器学习算法预测精度的影响力的大小，而将全部参数平等对待，这会影响预测的精度[17]。本项目在解决上述问题基础上，开展基于深度学习的玉米市场价格趋势预测研究。参考文献[1]马先红,李峰,宋荣琦.玉米的品质特性及综合利用研究进展[J].粮食与油脂,2019,32(1):1-3[2]曾勰婷,刘祖昕,李树君,赵跃龙.黑龙江省重要农产品安全保障推进路径[J].农业展望,2020,16(04):85-92+110.[3]李金霞,何长安,王海玲,齐洪海,黄峰华,毕洪文.黑龙江省玉米产业发展现状及展望[J].农业展望,2020,16(01):67-70.[4]刘慧宇.黑龙江省玉米产业竞争力研究[D].东北农业大学,2019.[5]王文晶.基于数据挖掘的玉米市场价格预测[D].青岛大学,2017.[6]马晓星.农产品价格对农户生产投资的影响[D].天津商业大学,2020.[7]李雪莹,武翔宇.鸡蛋期货价格影响因素分析[J].农业经济,2019(10):121-123.[8]张守平.基于机器学习的我国玉米期货价格预测方法的研究[D].东北农业大学,2018.[9]胡仲兴.黑龙江玉米价格波动影响因素分析与预测[D].东北农业大学,2019.[10]王吉恒,王新利.农产品市场风险与市场预测研究[J].农业技术经济,2003(03):1-5.[11]高云,郭新宇,矫健.国内外玉米价格变动关系研究[J].价格月刊,2019(04):29-36.[12]张萌,高明杰,罗其友.中国马铃薯价格波动定量分析[J].中国农业资源与区划,2020,41(01):113-121.[13]范晓.我国价格预测方法文献研究[J].开发研究,2014(05):105-109.[14]罗长寿.基于神经网络与遗传算法的蔬菜市场价格预测方法研究[J].科技通报.2011,27(6):881-894.[15]李俊青.水果市场价格预测与波动预警研究[D].华中农业大学,2015．[16]石波,张冬青,马开平,刘欢.改进RBF神经网络在我国大豆价格预测中的应用研究[J].大豆科学,2016,35(02):310-314.[17]季彦东,李龙.机器学习算法在智慧农业中应用的进展[J].通化师范学院学报,2019,40(06):73-77.[18]屈乐.基于特征融合的时间序列预测方法研究与实现[