两种模型对中国生猪价格预测效果的比较

丁琳琳，孟 军

(1.黑龙江省农垦经济研究所，哈尔滨 150090；2.东北农业大学a.动物科学技术学院;b.理学院，哈尔滨 150030；3.国家大豆工程技术研究中心，哈尔滨 150030)

0 引言

对于猪肉市场的参与者来说，准确地预知未来生猪价格十分重要。这种重要性主要体现在：生猪生产者可以预先安排未来生产计划，降低猪肉价格变动给生产经营带来的风险；猪肉加工者可以合理选择采购方案，节约成本；相关政府部门可以据此评估猪肉市场风险，合理安排市场运行。因此，生猪价格预测成为了农业经济研究中的重点问题之一。

本文应用支持向量机方法对中国生猪价格进行预测，在此过程中，引入影响生猪生产价格的各种经济变量，将成本、供求关系、替代品价格等多个指标作为支持向量机的输入属性参数，并将最终得到的生猪价格预测结果与BP人工神经网络预测结果相比较，以证明支持向量机预测中国生猪价格的有效性。

1 样本数据的提取

猪肉市场是一个开放的系统，影响生猪价格的因素错综复杂，通过分析生猪价格的形成，综合考虑供给、需求、宏观经济环境等各方面影响因素，并参考他人研究成果[1-3]，结合统计数据的可获取性和建模的适用性，我们最终选定了仔猪费用变动率X1，饲料价格指数X2、猪肉消费与供给比率X3、禽蛋收购价格指数X4、牛肉生产价格变动率X5、基础母猪存栏量变动率X6、居民食品消费价格指数X7作为生猪生产价格指数Y的解释变量。其中，仔猪费用和饲料价格是影响养猪生产的主要投入因素，是生猪生产成本的主要部分，对生猪生产价格有直接影响；生猪的供求关系是影响生猪价格的直接因素，猪肉消费与供给比率反映了生猪的供求状况；替代品价格上升会引起生猪需求增加，但是替代品之间的相关性非常大，本文以禽蛋和牛肉为代表反映替代品价格对生猪生产价格的影响；基础母猪存栏量直接影响下一个生产周期的产出情况，直接未来的生猪供给，间接影响未来生猪价格；猪肉价格变动与居民消费价格指数明显相关，居民食品消费价格是按照居民消费内容对全国居民消费价格指数进行分类下的一个子类，它在很大程度上反映食品物价对居民生活的影响，一定程度上反映了食品包括猪肉的供求失衡状态。

表1 生猪价格模型样本数据

所用的变量样本数据均为1993～2008年的历史数据，统计数据分别来自中国统计年鉴、中国农业发展报告、中国农村统计年鉴、全国农产品成本收益资料汇编和联合国粮食及农业组织，或经其计算获得。模型的基础数据见表1。

2 基于SVM的生猪价格预测

2.1 核函数的确定

核函数的确定是支持向量机中的重要部分。不同的核函数代表了支持向量机解决非线性分类问题时进行不同的非线性映射，它的选择合适与否直接影响预测的实现和效果。我们分别采用3种常用的核函数高斯核函数、多项式核函数和感知器核函数为核的SVM进行仿真实验，选出性能最优的高斯核函数，其中，σ＞0是核函数的参数，后文中用g来表示σ。

2.2 参数的确定

图1 SVM模型的拟合和预测情况

表2 SVM模型的拟合结果

基于RBF核函数的SVM的性能是由参数(C，g)决定，如果误差惩罚参数C和高斯核参数g取值不合适，SVM就无法达到预期的学习效果，影响SVM的推广能力，因此，要对参数寻优。本文采用双线性网格搜索法确定参数[4]。不断调整参数c和g，以使误差（mse）最小，最终，对C和g在C∈[2-8,28]，g ∈ [2-8,28]内得到Best c=5.278，Best g=0.0206 为最优参数，Best mse=0.0343，得出SVM预测模型。

2.3 预测模型的建立

为消除各因子的量纲和单位不同产生的影响，提高预测模型的计算速度和预测精度，我们首先对样本数据进行归一化处理。然后，选取1993～2005年13个样本作为训练 样 本 ，2006～2008年3个样本作为检验样本。根据前文所得的预测模型，对1993～2005年的生猪价格的训练和预测情况见图1，拟合训练的结果见表2，对2006～2008年的生猪价格预测的结果见表3。

表3 SVM模型的预测结果

从表2中可以看出，SVM模型的拟合效果还是相当好的，相对误差低于5%的值占到85%。随着拟合的进行，相对误差的波动总体上逐渐趋于平稳。

从表3中可以看出，SVM模型对未来生猪生产价格数指数数据进行预测的预测精度较高，说明SVM模型具有良好的预测性能，能够较好地反映生猪价格与其影响因素之间复杂的非线性关系，在生猪价格预测方面具有良好的应用前景。

3 不同模型对生猪价格预测的比较

3.1 BP人工神经网络模型对生猪价格的预测

图2 BP人工神经网络模型预测情况

表4 BP人工神经网络模型的拟合结果

表5 ANN模型的预测结果

为验证SVM模型在生猪价格预测上的优势，本文选用同样可用于非线性时间序列预测的BP人工神经网络模型对上述训练样本和预测样本进行训练及预测，训练和预测情况见图2，拟合训练的结果见表4，对 2006～2008 年的生猪价格预测的结果见表5。

由表4可知，BP人工神经网络模型的拟合效果不佳，相对误差低于5%的值只占69%。

从表5中可以看出，BP人工神经网络模型的预测精度较低，预测结果相对误差低于5%的值只占33%，说明BP人工神经网络模型不适用于对未来生猪价格的预测。

3.2 不同模型预测结果的比较及评价

对上述SVM和BP人工神经网络模型的预测结果进行对比，我们发现无论是拟合结果还是预测结果，都是BP人工神经网络模型的预测误差较高，且没有通过检验，而SVM模型的拟合和预测结果更接近真实值，适合于对未来生猪价格的预测。

表6 不同模型的预测精度比较

我们进一步选用均方根误差（RMSE）、平均绝对百分误差（MAPE）和希尔不等系数（TIC）3种评价指标对这2种模型的预测结果进行评价，结果见表6。

由表6可知，在生猪价格的预测上，SVM模型的预测误差较低，预测效果明显优于BP人工神经网络模型，因此，具有优异的泛化推广能力的SVM模型预测生猪价格更可靠。

4 结论

考虑到生猪价格预测问题有小样本、高维度、非线性的特点，本文利用在解决这类问题上具有优势的支持向量机建立生猪价格预测模型，该模型较好地反映了生猪价格与其各主要影响因素之间的非线性关系，取得了较高的预测精度。同时，为了进一步说明SVM模型在预测生猪价格方面的优势，将其与BP人工神经网络所建模型的预测精度进行比较，结果表明，SVM模型的预测精度明显高于BP人工神经网络模型，更适合于中国生猪价格的预测。

另外，在此模型中，解释变量的选择是否合适直接影响预测的效果。而生猪价格的影响因素众多，且具有动态性。随着时间的变化，这些影响因素的贡献率可能发生变化，还可能出现新的影响因素。因此，为了提高预测的可靠度，需要对众多影响生猪价格的因素进行新的甄别与分析，以确定最合适的解释变量来保证生猪价格预测的准确性。

[1]赵静.我国猪肉价格变动的影响因素研究[D].西南大学,2010.

[2]辛贤,谭向勇.中国生猪和猪肉价格波动因素测定[J].中国农村经济1999,(5).

[3]马雄威.我国猪肉价格波动研究[D].华中农业大学,2009.

[4]刘东辉,卞建鹏,付平等.支持向量机最优参数选择的研究[J].河北科技大学学报,2009,30(1).