我国辛辣类蔬菜价格波动预警分析

王孟伟，周 悦，白 丽，王 哲

（河北农业大学经济管理学院 河北保定 071000）

据国家统计局最新数据，2021 年中国蔬菜总种植面积约2200 万hm2，在同年全国农作物总种植面积中占比约13.03%。但蔬菜供应的数量和稳定程度、蔬菜的质量安全、蔬菜的价格波动是3 个较为重要的问题，需引起高度重视。其中蔬菜价格剧烈波动问题影响着菜农与消费者双方的利益，“菜贵伤民”“菜贱伤农”的现象反复出现，这对社会经济及人民生活造成了一系列负面影响，蔬菜价格是否稳定牵动着蔬菜产业的发展态势，是涉及民生的关键问题。笔者在借鉴相关理论和国内外研究已有成果的基础上，以主要辛辣类蔬菜价格为研究对象，分析辛辣类蔬菜的生产现状和价格走势，并基于BP 神经网络的价格波动预警模型，对辛辣类蔬菜价格进行短期预测预警，探索辛辣类蔬菜价格未来走势，最后根据预警结果对辛辣类蔬菜价格进行合理的判断，以期为生产者提前预报警情降低未来潜在损失，促进蔬菜产业的健康发展。

1 相关文献综述

关于农产品价格波动的研究方法，郑姗等[1]利用H-P 滤波对河北蔬菜的价格进行分析，并利用VAR 模型对价格波动进行实证研究。高仙草等[2]运用ARCH 类模型通过对金乡大蒜产地价格波动特征的研究，得出金乡大蒜的市场价格波动具有明显的聚簇性和不对称特性。熊德斌等[3]以近十年辣椒出口价格和出口量为研究对象，发现我国辣椒出口价格及出口量呈现明显的季节性波动特征。关于蔬菜价格波动异常原因的研究，随学超等[4]认为是市场不透明、供求信息不对称影响地区蔬菜剩余调节效率，如果一定区域内的市场蔬菜供需不能及时调剂，将使其市场价格产生异常的波动。张娟娟等[5]发现受疫情和供给量影响2020年辣椒的价格出现异常波动。陈明均等[6]认为2019 年生姜产量下降，市场供应不足，受新冠疫情的影响，2020 年上半年生姜出口需求激增，以及生姜种植成本增加推动市场价格上涨是生姜价格异常波动的主要原因。

综上所述，已有文献主要集中于从总体上研究农产品的价格波动特征，或从总体上研究蔬菜的价格波动问题，对辛辣类蔬菜产业的价格预警研究较少。笔者在本文中将主要以辛辣类蔬菜品种为例，建立动态的辛辣类蔬菜价格波动预警模型，为农户安排种植和管理部门掌握生产情况提供参考。

2 辛辣类蔬菜价格波动预警的理论分析

2.1 BP神经网络应用原理

神经网络理论最早是在1943 年由心理学家Warren McCulloch 和数学家Walter Pitts 提出的，该系统的应用内容非常丰富，可以用于预测经济变量、风险评估、预测预警等[7-8]。BP 网络是神经网络具有代表性的网络模型之一，它是多层前馈网络，可以根据误差判别进行反向传播训练的算法，这种算法利用实际和期望输出值误差的平方作为锚定函数，运用Adam 函数计算锚定函数最小值，相比梯度下降算法，Adam 吸收了自适应学习率的梯度下降算法和动量梯度下降算法的优点。BP 神经网络由输入层、隐含层和输出层3 层结构组成（图1），每层神经元之间利用连接的权重互相反馈，而同一层次内是相互独立的神经元[9]。该学习过程包括正向传输和误差逆向传输，在样本正向传输时，样本从输入层进入，然后经过隐含层的层层处理，最后到达输出层，如果输出端与预期的输出不一致，则进行逆向传输，错误数据从原来的连接通道中返回，再用自动校正重新赋值来减小误差，经过反复地学习，最终可以得到在误差允许范围之内的结果。

2.2 辛辣类蔬菜生产现状分析

我国辛辣类蔬菜的产地众多，分布广泛，于南北均有种植。其中，大蒜的主要产地有山东、河南、河北、江苏、安徽、四川及云南等地；大葱产地主要包括山东、河北、河南、辽宁、吉林及黑龙江等地；生姜主产地包括山东、湖南、贵州、广西、四川、河南及湖北等地；洋葱产地集中在云南、福建、山东、河南、河北、甘肃、黑龙江及吉林等地；辣椒产地主要集中在贵州、河南、云南、湖南、江苏及山东等地。从总体上看，2010 年和2020 年我国辛辣类蔬菜的种植面积和总产量均呈平稳增长趋势。由表1 可知，我国辣椒的产量和单产增幅最大，生姜和辣椒的种植面积增幅相对较大。大蒜种植面积、产量和单产稳定上升；生姜种植面积和产量稳步上升，单产水平不稳定波动；大葱种植面积和产量均稳步上升，单产维持稳定；洋葱种植面积和产量稳定增长，单产小幅增长；辣椒种植面积、产量和单产均大幅上升。

表1 2010 年和2020 年我国辛辣类蔬菜生产现状Table 1 Production status of spicy vegetables in China in 2010 and 2020

2.3 年度价格走势分析

由辛辣类蔬菜价格总体走势（图2）可以看出，大蒜价格和大葱价格走势相反，生姜价格和大蒜价格走势相反，洋葱价格和大蒜价格走势相似，辣椒价格和洋葱价格走势相似。在2016—2018 年、2018—2021 年大葱和大蒜的价格出现了2 次相反的波动；当2014 年生姜价格处于高位时，大蒜价格处于低位；当2016 年大蒜价格处于高位时，生姜价格处于低位；在2014－2017 年期间洋葱、大蒜的价格呈现较为同步的波动。辛辣类蔬菜的价格之间存在着长期制衡的关系[10]，与其均为调味蔬菜、功能属性相近有关，可见辛辣类蔬菜相互之间具有互补性或替代性。

图2 辛辣类蔬菜年度价格总体走势Fig.2 Overall annual price trend of spicy vegetables

2.4 月度价格走势

从整体上来看，蔬菜价格变动无常且波动频繁，价格能迅速在几个月内上涨几番，也会在一两个月内迅速回落跌至低谷，呈现难以预测和爆发性的特点；除此之外，价格波动还呈现出难以干预性，在辛辣蔬菜出现大幅波动的时候，很难在短时间内将异常的价格稳定下来，而作为小宗农产品的典型，大蒜等辛辣类蔬菜的价格应急机制还不健全，还没有制定专门的储备制度，在市场上的囤积居奇和人为控制的情况下，很难通过政府的介入来及时调整供需（图3）。

图3 辛辣类蔬菜月度价格总体走势Fig.3 Overall monthly price trend of spicy vegetables

3 辛辣类蔬菜价格波动预警的实证分析

3.1 价格波动预警模型的构建

3.1.1 警情指标的确定 该研究将辛辣类蔬菜价格波动率作为反映是否有警的警情指标，在各种经济指标中，绝对指数总体上呈递增式，采用对数差分法后，增长率呈现波动性，以排除单位影响，有利于确定警限和警度[11]。辛辣类蔬菜价格波动率公式为：

Rt=（lnPt-lnPt-1）×100。

上式中Pt和Pt-1分别表示第t时期和第t-1 时期的辛辣类蔬菜价格，Rt为辛辣类蔬菜价格波动率。

3.1.2 警限警度的划分 该研究采用与辛辣类蔬菜价格关系最为密切的居民消费价格指数（CPI）的波动率作为判断标准，并依据1～2 倍标准差确定警限[11]。以2020 年、2021 年和2022 年CPI 每月环比值作为基准数列，取CPI 近3 年的平均值作为标准点，通过计算可得平均波动率为+1.703%，标准差为1.436，若辛辣类蔬菜价格波动幅度过大，显现出偏离CPI 波动轨迹且偏离程度较大的现象，则表示辛辣类蔬菜价格水平异常，出现警情。可分为无警状态、轻警状态、重警状态，其中无警状态是指价格波动水平正常，即辛辣类蔬菜价格波动率在基准点1个标准差以内上下浮动；轻警状态是指价格波动轻度异常，即辛辣类蔬菜价格波动率在1 个标准差至2 个标准差之间；重警状态是指价格波动重度异常，即辛辣类蔬菜价格波动率浮动水平超过了2 个标准差。为更清晰地显示警情状态，采用信号灯的方式显示预警信号，其中绿灯表示无警，黄灯表示正向轻警，红灯表示正向重警，蓝灯表示负向轻警，白灯表示负向重警。辛辣类蔬菜价格预警的警度、警限、信号显示、状态特征和波动水平具体如表2所示。

表2 警情指标的警限与警度划分Table 2 Classification of warning limits and levels of warning indicators

3.2 预警模型的训练与验证

BP 神经网络输入层设置10 个神经元，输出层的神经元个数为1 个。模型采用3 层BP 网络，并设置一个隐含层，通过不断调整各参数，找出最优的预测结果。

为了提高预测值的精确度和保证预警结果的准确性，需尽可能地扩大样本数量。该研究选用各辛辣类蔬菜价格的周度数据，使样本数据数量足以支撑BP 神经网络训练。选择2010 年至2022 年的各参数数据作为样本建立BP 神经网络模型（根据数据的可获取性，大葱数据从2014 年开始统计）。其中，输入训练数据为2010 年1 月1 日至2021 年12 月31 日，共617 个周度数值（大葱训练393 个周度数值）；输出测试数据为2022 年1 月7 日至6 月24 日，共25 个周度数值。各辛辣类蔬菜品种模型的超参数如表3 所示。

表3 辛辣类蔬菜模型超参数Table 3 Model hyperparameters for spicy vegetables

经过反复的训练，各蔬菜品种的训练结果误差逐步减小，最后的训练误差趋于目标误差，训练误差达到最小值后停止训练（图4～8）。将训练误差、目标误差、最佳效果绘制在图中，以便于更直观地观察BP 网络的训练过程。

图4 大蒜价格波动预警模型的训练过程Fig.4 Training process of garlic price fluctuation warning model

图5 辣椒价格波动预警模型的训练过程Fig.5 Training process of pepper price fluctuation warning model

图6 生姜价格波动预警模型的训练过程Fig.6 Training process of ginger price fluctuation warning model

图7 洋葱价格波动预警模型的训练过程Fig.7 Training process of onion price fluctuation warning model

图8 大葱价格波动预警模型的训练过程Fig.8 Training process of the early warning model for scallion price fluctuations

为了更加直观地验证建立的BP 神经网络模型预警结果的效果，在表中列出蔬菜价格真实信息进行对比。由于测试周数据较多，不方便在表中全部展示，所以将周数据计算成月数据进行展示。从表4～8 模型验证结果可知，BP 神经网络模型的预警值和真实值的误差较小，整体趋势基本吻合。个别样本点可能是处于辛辣类蔬菜价格上涨和下跌状态的转折处，因此预测结果会受此影响。总体来说，所建的价格预警模型能够很好地满足要求，适用于辛辣类蔬菜的非线性、突变性价格预测预警。

表4 大葱价格预警模型结果验证Table 4 Validation of the results of the scallion price warning model

表5 大蒜价格预警模型结果验证Table 5 Validation of garlic price warning model results

表6 生姜价格预警模型结果验证Table 6 Validation of ginger price warning model results

表7 洋葱价格预警模型结果验证Table 7 Validation of onion price warning model results

表8 辣椒价格预警模型结果验证Table 8 Validation of chili pepper price warning model results

3.3 价格预警结果分析

辛辣类蔬菜在生产过程中每一个品种都有一定的生长周期，无论是大葱、大蒜、生姜、洋葱、辣椒还是其他品种，根据天气、环境、农民对田间管理技术的掌握程度而异，提早一年对蔬菜的价格变动做出预警，不仅可以为生产者制定生产计划提供参考，同时为政府及时了解蔬菜生产状况提供依据。

2022 年1—6 月的模拟结果与期望的结果吻合很好，其结果与真实结果的价格走势相吻合。并依据所建立的模型，对未来一年辛辣类蔬菜价格走势进行估计分析，根据6.3.2 划分的警限警度，并做出相应的警情提醒，具体预警结果如表9 所示。

表9 5 种辛辣类蔬菜未来一年价格预测预警结果Table 9 Price forecast and warning results of five spicy vegetables in the next year

大蒜未来一年内价格呈现先下降后上升的深“U”型态势（图9），预警结果显示2022 年7—11 月处于负向重警区间，表示价格下跌过快，市场过冷；2023 年1、5 月、11—12 月处于正向轻警区间，表示价格上涨较快，市场偏热；2023 年2—4 月处于正向重警区间，表示价格上涨过快，市场过热；2022 年12 月、2023 年6 月处于无警区间，说明价格稳定，市场基本均衡。

图9 大蒜价格波动趋势示意图Fig.9 Schematic diagram of garlic price fluctuation trend

大葱未来一年内价格呈现曲折下降的态势（图10），2022 年12 月至2023 年2 月价格小幅度上涨，预警结果显示2022 年7 月、10—12 月、2023 年3—5 月处于负向重警区间，表示价格下跌过快，市场过冷；2022 年9 月处于正向轻警区间，表示价格上涨较快，市场偏热；2023 年1—2 月、6 月、11—12 月处于正向重警区间，表示价格上涨过快，市场过热；2022 年8 月处于无警区间，说明价格稳定，市场基本均衡。

图10 大葱价格波动趋势示意图Fig.10 Schematic diagram of the fluctuation trend of scallion prices

生姜未来一年内价格呈先缓缓下降后上升的浅“U”型态势（图11），从2022 年12 月开始小幅度上涨，预警结果显示2022 年7—10 月处于负向重警区间，表示价格下跌过快，市场过冷；2022 年11月处于负向轻警区间，表示价格下跌较快，市场偏冷；2023 年3—4 月、11—12 月处于正向轻警区间，表示价格上涨较快，市场偏热；2023 年5—6 月处于正向重警区间，表示价格上涨过快，市场过热；2022年12 月、2023 年1—2 月处于无警区间，说明价格稳定，市场基本均衡。

图11 生姜价格波动趋势示意图Fig.11 Schematic diagram of ginger price fluctuation trend

洋葱未来一年内价格呈先下降后平稳的态势（图12），从2023 年1 月开始价格保持稳定，预警结果显示2022 年7—11 月处于负向重警区间，表示价格下跌过快，市场过冷；2022 年3—6 月处于负向轻警区间，表示价格下跌较快，市场偏冷；2023 年1月处于正向重警区间，表示价格上涨过快，市场过热；2022 年12 月、2023 年2 月处于无警区间，说明价格稳定，市场基本均衡。2023 年10—12 月处于负向轻警区间，市场偏冷。

图12 洋葱价格波动趋势示意图Fig.12 Schematic diagram of onion price fluctuation trend

辣椒未来一年内价格呈先上升后下降的倒“V”型态势（图13），从2023 年1 月之前价格处于上升的趋势，2023 年2 月之后价格接近直线下降的趋势，预警结果显示2022 年7—8 月、2023 年2—6 月处于负向重警区间，表示价格下跌过快，市场过冷；2022 年9 月至来年1 月处于正向重警区间，表示价格上涨过快，市场过热；2023 年8—10 月市场偏冷，但11—12 月处于正向轻警区间，市场较热。

图13 辣椒价格波动趋势示意图Fig.13 Schematic diagram of the fluctuation trend of chili prices

4 结论与对策建议

4.1 主要结论

该文在对辛辣类蔬菜基本情况分析的基础上，基于BP 神经网络的价格波动预警模型，对辛辣类蔬菜价格进行短期预测预警，主要研究结论如下：

BP 神经网络模型具有良好的价格预警性能。以大蒜等5 种主要辛辣类蔬菜价格波动为例进行实证研究，预测值和真实值误差较小，整体趋势基本吻合，即基于BP 神经网络的辛辣类蔬菜价格预警模型能够很好地满足要求；同时依据训练出的模型对未来一年蔬菜价格的整体趋势进行评估，可以得到大蒜未来价格呈先下降后上升的深“U”型态势；大葱未来价格呈曲折下降的态势；生姜未来价格呈先缓慢下降后上升的浅“U”型态势；洋葱未来价格呈先下降后平稳的态势；辣椒未来价格呈先上升后下降的倒“V”型态势。

4.2 对策建议

第一，加强价格预警，及时调控蔬菜市场。由新冠疫情的突然袭击对中国辛辣类蔬菜价格波动造成的影响可见，加强监测预警对稳定辛辣类蔬菜价格具有必要性[12]。政府需强化对辛辣类蔬菜市场价格的监控，合理利用现代化的技术手段结合统计计量、大数据平台、神经网络等方法，时刻监控辛辣类蔬菜价格等变量的内在变动规律，随时验证、评估、调整各环节辛辣类蔬菜的供需情况，以准确预估未来变化趋势，针对蔬菜价格波动的各个环节向生产者提供技术支持及产销策略。

第二，加强政府扶持，鼓励预警平台建设。政府需鼓励并主动扶持第三方蔬菜价格预警服务平台，作为政府信息服务平台的有效补充，如蔬菜商情网、大蒜产业链大数据平台等相关网站并进行实时监管，以保证发布信息的权威可靠；按照市场机制建设“辛辣类蔬菜市场预警体系”，通过市场行为把辛辣类蔬菜农户组织起来，建立实时动态的信息互动交流多媒体网络平台，以快速全面获取行业的各种资讯与行情，如进行行情跟踪、监测，发布各辛辣类蔬菜价格、库存量、出口量、交易量等产业的相关信息，并根据预警趋势做出对应的销售策略指导，以减小价格波动幅度，确保蔬菜市场良性发展。

第三，采取不同措施，保障辛辣类蔬菜价格平稳。当预警信号显示红灯时，表现为辛辣类蔬菜价格急速上涨，政府应及时向菜农发布市场行情信息，加强对菜农生产的科学引导，避免农民盲目跟风种植；当预警信号显示黄灯时，说明辛辣类蔬菜价格处于走高阶段，需查明辛辣类蔬菜价格上涨的原因，制定相应解决措施并加以实施；当预警信号为绿灯时，说明该区域内辛辣类蔬菜价格水平合理，政府可根据市场情况，进一步健全辛辣类蔬菜市场监管机制；当预警信号显示蓝灯时，表明辛辣类蔬菜价格呈现下降趋势，应及时寻找价格下降的具体原因，针对性地从各方面击破问题；当预警信号显示白灯时，则表示辛辣类蔬菜价格急剧下降，辛辣蔬菜行业陷入亏损，此时应放宽对辛辣类蔬菜市场的相关政策，适当加大收入补贴力度，保证蔬菜生产者的基本收益，维护市场秩序。