基于Elman神经网络的茶叶主产省农业产值与茶商品价格模拟

摘要：精准预测农业产值和农产品价格对高效利用发展农业资源、调整农业结构和加强农业信息化建设等起推动作用。基于茶叶主产省农业产值及关键影响因素数据和3种电商平台的茶商品交易数据，利用经典的逐步回归方法确定农业产值和茶商品价格的关键影响因素及权重，构建基于Elman神经网络算法的农业产值和茶商品价格模拟模型。结果表明，茶叶主产省农业产值的关键影响因素包括活动积温、降水量、粮食作物播种面积、经济作物播种面积、经济作物产量占比、农业机械总动力、机耕面积、机播面积、机收面积、农村用电量、化肥施用量（折纯量）、乡村人口数和乡村从业人员数；茶叶主产省茶商品价格的关键影响因素包括平台、省份、茶类、采摘季节、商品级别和增值服务。基于Elman神经网络算法的茶叶主产省农业产值模型模拟值与实测值的均方根误差为6.21～27.51亿元，归一化均方根误差为3.10%～12.23%；基于Elman神经网络算法的3种电商平台茶商品价格模型模拟值与实测值的均方根误差为81.94～98.26元/kg，归一化均方根误差为8.42%～35.66%。

关键词：茶叶；Elman神经网络；逐步回归；农业产值；茶商品价格；模拟模型

中图分类号：S571.1""""""文献标识码：A""""""文章编号：2095‑5553"（2025）"02‑0264‑07

Simulation of agricultural output value and tea commodity price in major tea producing provinces based on Elman Neural Network

Cheng Chen1， Luo Yi2， Zheng Shenghong3， Wang Jiayi1， Zhang Hanyu1， Ding Fenghua1

（1. College of Ecology， Lishui University， Lishui， 323000， China;

2. Center for Price Cost Investigation， National Development and Reform Commission， Beijing， 100024， China;

3. Wenzhou Academy of Agricultural Sciences， Wenzhou， 325006， China）

Abstract： Accurate prediction of agricultural output value and agricultural product prices plays a driving role in promoting efficient utilization and development of agricultural resources， adjusting agricultural structure， and strengthening agricultural informatization construction. Based on the" data of agricultural output value and key influencing factors in major tea producing provinces， as well as tea commodity trading data from three kinds of e‑commerce platforms. The classic stepwise regression methods were used to determine the key influencing factors and weights of agricultural output value and tea commodity prices， and a simulation model for agricultural output value and tea commodity prices based on Elman neural network was constructed. The results showed that the key influencing factors of agricultural output value of major tea producing provinces included accumulated temperature， precipitation， grain crop sown area， cash crop sown area， proportion of cash crop output， total power of agricultural machinery， machine cultivated area， machine sown area， machine harvested area， rural electricity consumption， fertilizer application amount （net amount）， rural population and rural employees. The key influencing factors of tea commodity prices in major tea producing provinces included platform， province， tea category， picking season， product level， and value‑added services. The simulated and measured root mean square error （RMSE） of the agricultural output value model of the main tea producing provinces based on Elman neural network algorithm were in the range of 6.21-27.51 million yuan， and the normalized root mean square error （NRMSE） was in the range of 3.10%-12.23%. The simulated and measured RMSE values of three kinds of e‑commerce platform tea product price models based on Elman neural network algorithm were in the range of 81.94-98.26 yuan/kg， and the NRMSE was in the range of 8.42%-35.66%.

Keywords： tea; Elman neural network; stepwise regression; agricultural output value; tea commodity price; simulation model

收稿日期：2023年10月28日""""""" 修回日期：2023年12月26日

∗ 基金项目：浙江省软科学研究计划项目（2022C35063）；丽水市公益性技术应用研究计划（2024GYX14）；丽水市“百名博士入百家企业人才引领计划”项目（202202）；浙江省大学生科技创新活动计划（新苗人才计划）项目（2022R434C021）；国家级大学生创新创业训练计划（S202210352010）

第一作者：程陈，男，1993年生，合肥人，博士，讲师；研究方向为专家决策系统开发与应用。E‑mail： chengsir1993@lsu.edu.cn

通讯作者：丁枫华，女，1970年生，杭州人，博士，教授；研究方向为农业资源高效利用。E‑mail： dfh0578@163.com

0 引言

农业产值可以反映国家或地区农业生产的总规模和总水平，精准预测农业产值对总体把握农业科技进步水平，有效利用和发展农业资源，实现科技兴农等目标起推动作用[1]，而农产品价格作为农业产值的关键要素之一，精准预测农产品价格有利于指导农产品生产以及调整农业结构[2]。茶叶是最具有经济价值的中国特色农产品之一，而茶叶商品市场定价具有差异性和量化难度较大等市场经济问题[3]，需要探究新的建模思路在提高茶叶主产省份农业产值与茶商品价格预测精度中的适用性。

农业产值不仅与农作物播种面积、单位面积产值、农产品价格指数等因素相关[4]，而且与气象条件和农业机械化水平等因素有关[5]。电商平台农产品价格与环境因素、农户商家和电商平台等因素有关[6]，对于茶叶商品价格还应考虑茶类、商品等级、增值服务等因素的影响[7，"8]。由于农业产值是农产品产量和价格乘积计算得到，而茶商品价格则是农产品价格中重要组成部分，均对调整农业政策、促进区域农业增长具有重要意义。目前，国内外在农业产值与农产品价格预测领域的理论、方法、实践应用等方面取得了进展，崔畅等[9]运用结构向量自回归模型分别对我国农产品价格与国际农产品价格、农业生产资料价格和通货膨胀率等宏观经济变量间的相互作用程度和时滞问题进行检验和对比分析。杨娟等[10]采用时间序列分析和建模方法，研究全国和区域蔬菜价格的走势特征及其影响因素。随着信息技术、智能技术在各领域的广泛应用，智能分析法对非线性问题的拟合程度更高，刘斌等[11]通过研究影响苹果市场价格的相关因素，构建蕴含价格波动规律的分布式神经网络模型，实现对苹果市场价格的短期预测。Elman神经网络具有预测准确、收敛迅速、学习记忆稳定和动态特性好等优势，已应用到长期记忆信息能力和模块化使用能力[12]、温室环境小气候[13]等研究中，并达到较好的预测结果。

本文基于茶叶主产省农业产值及关键影响因素数据和3种电商平台（淘宝、京东和拼多多）的茶商品交易数据，利用经典的逐步回归方法确定农业产值和茶商品价格的关键影响因素及权重，构建基于Elman神经网络算法的农业产值和茶商品价格模拟模型，以期科学有效地推动种植规模化和农业信息化。

1 模型构建

1.1 数据来源

茶叶主产省农业产值模型试验数据来源于12个茶叶主产省统计局统计年鉴，涉及安徽省、广东省、广西壮族自治区、贵州省、河南省、湖南省、江苏省、山东省、陕西省、四川省、云南省和浙江省，共计177个市级农业产值数据，由于福建省、甘肃省、海南省和江西省缺少气象条件数据，故不在本研究范围内，且模型构建数据集和模型验证数据集相互独立。选取的关键指标主要包括农业产值、农业服务业产值[14]、各月及全年平均气温和降水量[15]、粮食作物和经济作物播种面积及产量[4]、农业机械总动力[5]、机耕[5]、机播[5]、机收和耕地灌溉面积[5]、农村用电量[16]、化肥施用量（折纯量）[4]、农业用水[17]、人均水资源量[17]、乡村人口数[4]和乡村从业人员数[4]等指标。其中，活动积温由月平均气温计算得到[18]，计算如式（1）、式（2）所示。

式中： [Am]——第i月活动积温；

[Ti]——第i月平均气温；

[Di]——第i月的天数；

[Ay]——年活动积温。

茶叶主产省茶商品价格模型试验数据来源于3种电商平台（淘宝、京东和拼多多）下的13个茶叶主产省茶叶商品交易数据（依据平台商品交易量选取的商品价格在120～2"000元/kg），涉及安徽省、福建省、广东省、广西壮族自治区、贵州省、海南省、河南省、湖北省、江苏省、江西省、四川省、云南省和浙江省，选择各平台搜索量的前50家代表性商铺，共收集5"999件商品价格数据，其中3"946个商品价格数据作为模型构建数据集，相互独立的2"053个商品价格数据作为模型验证数据集，选取的关键指标主要包括平台[6]、省份、茶类[7，"8]、商品等级[7，"8]和增值服务。

1.2 建模方法

回归方程可认为是线性回归最简单的特殊形式，通过一条合理的直线表征因素指标值和目标指标值之间的关系，确定各影响因子的回归系数和回归常数，如式（3）所示。基于多元逐步回归原理：逐步引入自变量，每次引入对因变量影响最为显著的变量。在引入新变量后用偏回归平方和检验其显著性，如果显著才能引入该变量，并对原有的变量重新用偏回归平方和进行检验，若某个变量不显著时，则剔除该变量。重复上述步骤，直至既无不显著的变量从回归方程中剔除，又无显著变量可引入回归方程时为止。

为避免神经元饱和，在输入层对输入数据进行归一化处理，将各个数值换算至[0，1]区间内，在输出层对得到的预测结果进行反归一化，为提高训练效率和网络泛化性能，采用归一化方法将样本数据进行预处理。训练函数采用trainlm（L—M反向传播算法，Levenberg—Marquardt"backpropagation）函数，设置隐藏层神经元数[20]，其中农业产值模型设为7，茶商品价格模型设为5，最大训练次数设为200，初始学习速率设为0.10，目标误差设为0.000"04。

模型统计判据主要包括均值[X]、标准差[SD]、线性回归系数[α]、截距[β]、决定系数[R2]、[P]值、均方根误差RMSE、归一化均方根误差NRMSE和符合度指数[D]。[RMSE]和[NRMSE]用来衡量观测值同实测值之间的偏差，也能够很好反映测量的精密度[21]。符合度指数[D]是归一化度量指标，值越接近1，说明模拟值与观测值的分布趋势吻合度就越高，即模型模拟的效果较好[21]。

2 实证检验

2.1 模型关键因素及权重的确定

由图1可知，关于农业产值方面，各茶叶主产省份的市级农业产值为146.25～354.25亿元，均值为236.21亿元，超过均值的有12个省份，其中河南省最高，浙江省最低。对于平台方面，京东电商平台均价最高，拼多多电商平台均价最低；对于省份方面，广东省均价最高，海南省均价最低；对于茶类方面，黄茶均价最高，黑茶均价最低；对于商品等级方面，特级均价最高，二级均价最低；对于增值服务方面，无优惠券价格最高，有商品类赠品价格最低。

利用逐步回归法筛选出通过显著性检验（P值小于0.05）的关键影响因子进行建模。茶叶主产省农业产值的关键影响因素包括活动积温（4、7、8、9、10和12月份）、累积降水量（3、6、7、9、11和全年）、粮食作物播种面积、经济作物播种面积、经济作物产量占比、农业机械总动力、机耕面积、机播面积、机收面积、农村用电量、化肥施用量（折纯量）、乡村人口数和乡村从业人员数。茶叶主产省茶商品价格的关键影响因素包括平台、省份、茶类、采摘季节、商品级别和增值服务。最终确定式（2）中[α]和[αi]的模型参数值（表1），农业产值和茶商品价格模拟模型的[α]值分别为-50.59和-1"131.75，m值分别为23和6。

2.2 茶叶主产省农业产值模型的验证

利用相互独立数据对茶叶主产省农业产值模型进行验证（图2），实线表示1∶1线，虚线表示误差控制范围。由图2可以看出，模拟值与实测值接近于1∶1线，且接近于误差范围，即模拟值与实测值较为一致。基于Elman神经网络算法的农业产值模型整体的观测值[Xobs]±SD（253.44±165.15亿元）与模拟值[Xsim]±SD（259.83±166.15亿元）的均方根误差RMSE为17.18亿元，归一化均方根误差NRMSE为6.78%，[R2]为0.99，[D]值为1.00，要明显优于基于经典逐步回归算法的农业产值模型。

由表2可知，不同省份基于Elman神经网络算法的农业产值模型模拟值与实测值的[α]为0.93～1.05，[β]为-27.41～9.05，[R2]为0.92～1.00，说明模型模拟值与实测值有很好的线性关系；[RMSE]为6.21～27.51亿元，[NRMSE]为3.10%～12.23%，[D]值为0.98～1.00；由[NRMSE]可知，最优农业产值模型的省份是广西壮族自治区和湖南省。综上所述，基于Elman神经网络算法的农业产值模型具有较高的模拟精度。

2.3 茶叶主产省茶商品价格模型的验证

利用相互独立数据对茶叶主产省茶商品价格模型进行验证（图3），实线表示1∶1线，虚线表示误差控制范围。由图3可以看出，模拟值与实测值接近于1∶1线，且接近于误差范围，即模拟值与实测值较为一致。基于Elman神经网络算法的茶商品价格模型整体的观测值（493.48±251.89元/kg）与模拟值（515.41±230.06元/kg）的RMSE为90.36元/kg，NRMSE为18.31%，[R2]为0.88，D值为0.96，要明显优于基于经典逐步回归算法的茶商品价格模型。

由表3可知，基于Elman神经网络算法的3种电商平台茶商品价格模型模拟值与实测值的RMSE为89.96～91.32元/kg，NRMSE为15.69%～25.43%，由NRMSE可知，最优茶商品价格模型的电商平台是京东；基于Elman神经网络算法的不同省份茶商品价格模型模拟值与实测值的RMSE为84.14～98.26元/kg，NRMSE为10.82%～28.40%，由NRMSE可知，最优茶商品价格模型的省份是广东省；基于Elman神经网络算法的不同茶叶类型商品价格模型模拟值与实测值的RMSE为81.94～93.08元/kg，NRMSE为8.42%～20.09%，由NRMSE可知，最优茶商品价格模型的茶叶类型是黄茶；基于Elman神经网络算法的不同茶叶等级商品价格模型模拟值与实测值的RMSE为84.28～93.80元/kg，NRMSE为14.09%～35.66%，由NRMSE可知，最优茶商品价格模型的茶叶等级是特级。综上所述，基于Elman神经网络算法的茶商品价格模型具有较高的模拟精度。

3 讨论与建议

利用经典的逐步回归方法明确茶叶主产省农业产值和茶商品价格的关键影响因素。结果表明，茶叶主产省农业产值的关键影响因素包括粮食作物播种面积、经济作物播种面积、经济作物产量占比、农业机械总动力、机耕面积、机播面积、机收面积、农村用电量、化肥施用量（折纯量）、乡村人口数和乡村从业人员数，与前人研究结果一致[4，"5，"22]。探究关键气象因子对农业产值的影响，明确活动积温（4、7、8、9、10和12月份）、累积降水量（3、6、7、9、11月份和全年）也是茶叶主产省农业产值的关键影响因素，未来可以进一步量化气候变化对农业产值的影响，同时还需要考虑科技进步、农业碳排放等关键指标对农业产值增长的贡献率[23]。有研究表示不同电商平台农产品价格与环境因素、农户商家因素、电商平台因素和特色农产品因素有关[6]，基于该研究还考虑茶类、茶叶采摘、茶叶级别等因素对茶商品价格的影响，未来可进一步研究生产要素成本（劳动力成本、土地成本、经济和人力资本成本等）、市场机制（消费心理、茶叶质量、供求关系、附加价值等）、品牌效应等因素对茶叶价格的影响[24]。

针对建模数据所呈现出的非线性、非平稳等特点，基于Elman神经网络算法构建茶叶主产省农业产值和茶商品价格模拟模型。结果表明，基于Elman神经网络算法的农业产值模型模拟值与实测值的RMSE为6.21～27.51，NRMSE为3.10%～12.23%，茶商品价格模型模拟值与实测值的RMSE为84.14～98.26元/kg，NRMSE为8.42%～35.66%，均说明基于Elman神经网络算法的茶叶主产省农业产值和茶商品价格模拟模型具有较好的模拟效果。本研究建模方法和预测结果可为农业部门进一步根据国情优化农业产业结构、制定农业发展规划、出台相关政策等提供重要理论依据。随着各茶叶主产省经济发展水平、生产成本、效益和技术的差异逐渐扩大，茶叶生产正在向优势区域集中，生产布局也随之发生改变，出现了“东茶西进”的发展趋势，可以结合地理信息技术为茶叶资源的产值与价格区划研究提供技术支持，以地图的形式可视化表达地理事物的空间分布特征，同时应针对研究对象和研究目标的不同，进行各种预测方法的比较分析，筛选、构建或智能化组合特定的模型进行预测，以期提高模型准确性、精确性和普适性。

4 结论

1）"茶叶主产省农业产值的关键影响因素包括活动积温（4、7、8、9、10和12月份）、累积降水量（3、6、7、9、11和全年）、粮食作物播种面积、经济作物播种面积、经济作物产量占比、农业机械总动力、机耕面积、机播面积、机收面积、农村用电量、化肥施用量（折纯量）、乡村人口数和乡村从业人员数。茶叶主产省茶商品价格的关键影响因素包括平台系数、省份系数、茶类系数、采摘系数、级别系数和有无有优惠券系数。

2）"基于Elman神经网络算法的农业产值模型RMSE为6.21～27.51亿元，NRMSE为3.10%～12.23%，D值为0.98～1.00，说明模型有很好的模拟效果。由NRMSE可知，最优茶叶主产省农业产值模型的省份是广西壮族自治区和湖南省。基于Elman神经网络算法的茶商品价格模型的RMSE为84.14～98.26元/kg，NRMS为8.42%～35.66%，D值为0.66～0.98，说明模型有很好的模拟效果。由NRMSE可知，最优茶叶主产省茶商品价格模型的电商平台是京东、省份是广东省、茶叶类型是黄茶、茶叶等级是特级。

参 考 文 献

[ 1 ]""""" 马历， 龙花楼， 张英男， 等. 中国县域农业劳动力变化与农业经济发展的时空耦合及其对乡村振兴的启示[J]. 地理学报， 2018（12）： 2364-2377.

Ma Li， Long Hualou， Zhang Yingnan， et al. Spatio‑temporal coupling relationship between agricultural labor changes and agricultural economic development at county level in China and its implications for rural revitalization [J]. Acta Geographica Sinica， 2018（12）： 2364-2377.

[ 2 ]""""" 滕金玲， 柳平增， 张艳， 等. 基于Prophet的生姜价格预测研究[J]. 中国农机化学报， 2020， 41（8）： 211-216.

Teng Jinling， Liu Pingzeng， Zhang Yan， et al. Research on ginger price forecast based on prophet [J]. Journal of Chinese Agricultural Mechanization， 2020， 41（8）： 211-216.

[ 3 ]""""" 付坚强. 从世界市场视角看18世纪以来的中国茶业——《近世以来世界茶叶市场与中国茶业》评述[J]. 中国农史， 2022， 41（1）： 117-124.

Fu Jianqiang. Chinese tea industry since the 18th century from the perspective of world market： The review of the world tea market and China's tea industry since modern times [J]. Agricultural History of China， 2022， 41（1）： 117-124.

[ 4 ]""""" 刘玉， 陈秧分， 高秉博， 等. 2003—2014年中国种植业产值增长及贡献因素分析[J]. 地理科学， 2018， 38（1）： 143-150.

[ 5 ]""""" 潘彪， 田志宏. 中国农业机械化高速发展阶段的要素替代机制研究[J]. 农业工程学报， 2018， 34（9）： 1-10.

Pan Biao， Tian Zhihong. Mechanism of factor substitution during rapid development of China's agricultural mechanization [J]. Transactions of the Chinese Society of Agricultural Engineering， 2018， 34（9）： 1-10.

[ 6 ]""""" 赵建伟， 彭成圆， 冯臻， 等. 特色农产品电商发展及其影响因素研究——基于江苏省农户电商的调研数据分析[J]. 价格理论与实践， 2020（8）： 164-167.

[ 7 ]""""" Dastagiri M B. Analysis of economic trends in overseas markets for Indian tea and coffee [J]. Outlook on Agriculture， 2017， 46（1）： 44-48.

[ 8 ]""""" Yuan H， Chen X， Shao Y， et al. Quality evaluation of green and dark tea grade using electronic nose and multivariate statistical analysis [J]. Journal of Food Science， 2019， 84（4）： 3411-3417.

[ 9 ]""""" 崔畅， 李国伟. 我国农产品价格的结构变化特征及影响因素分析[J]. 数理统计与管理， 2019， 38（1）： 1-15.

[10]""""" 杨娟， 钱婷婷， 郑秀国， 等. 全国和区域蔬菜价格走势特征及影响因素[J]. 中国农业大学学报， 2021， 26（2）： 188-198.

Yang Juan， Qian Tingting， Zheng Xiuguo， et al. Analysis of the features of vegetable price trend and its influencing factors at national and regional scale in China [J]. Journal of China Agricultural University， 2021， 26（2）： 188-198.

[11]""""" 刘斌， 何进荣， 李远成， 等. 基于分布式神经网络的苹果价格预测方法[J]. 计算机应用， 2020， 40（2）： 369-374.

Liu Bin， He Jinrong， Li Yuancheng， et al. Apple price prediction method based on distributed neural network [J]. Journal of Computer Applications， 2020， 40（2）： 369-374.

[12]""""" Portegys T E. A maze learning comparison of Elman， long short‑term memory， and Mona neural networks [J]. Neural Networks， 2010， 23（2）： 306-313.

[13]""""" 程陈， 冯利平， 董朝阳， 等. 利用Elman神经网络的华北棚型日光温室室内环境要素模拟[J]. 农业工程学报， 2021， 37（13）： 200-208.

Cheng Chen， Feng Liping， Dong Chaoyang， et al. Simulation of inside environmental factors in solar greenhouses using Elman neural network in North China [J]. Transactions of the Chinese Society of Agricultural Engineering， 2021， 37（13）： 200-208.

[14]""""" 李博伟， 邢丽荣， 徐翔. 农业服务业与农业生产区域专业化的协同效应研究[J]. 中国农业资源与区划， 2018， 39（12）： 129-137.

Li Bowei， Xing Lirong， Xu Xiang， et al. Study on the synergistic effect of agricultural service industry and regional specialization of agricultural production [J]. Chinese Journal of Agricultural Resources and Regional Planning， 2018， 39（12）： 129-137.

[15]""""" Liu Z， Qin A， Zhang J， et al. Maize yield as a function of water availability across precipitation years in the North China plain [J]. Crop Science， 2017， 57（4）： 2226-2237.

[16]""""" 袁鹏丽， 端木琳， 王宗山， 等. 赤峰市某镇农村住宅不同时间尺度下生活用电量规律分析[J]. 大连理工大学学报， 2020， 60（2）： 165-173.

Yuan Pengli， Duan Mulin， Wang Zongshan， et al. Analysis of law of domestic electricity consumption for rural residences at some town in Chifeng under various temporal scales [J]. Journal of Dalian University of Technology， 2020， 60（2）： 165-173.

[17]""""" 吴普特， 赵西宁. 气候变化对中国农业用水和粮食生产的影响[J]. 农业工程学报， 2010， 26（2）： 1-6.

Wu Pute， Zhao Xining. Impact of climate change on agricultural water use and grain production in China [J]. Transactions of the Chinese Society of Agricultural Engineering， 2010， 26（2）： 1-6.

[18]""""" Cheng C， Feng L P， Barcena J F B， et al. A growth model based on standardized growing degree days for hydroponic fresh cut tulip in solar greenhouses [J]. European Journal of Horticultural Science， 2022， 87（4）： 1-13.

[19]""""" Singh K V， Bansal H O， Singh D. Fuzzy logic and Elman neural network tuned energy management strategies for a power‑split HEVs [J]. Energy， 2021， 225： 120152.

[20]""""" 李彬， 张云， 王立平， 等. 基于遗传算法优化小波神经网络数控机床热误差建模[J]. 机械工程学报， 2019， 55（21）： 215-220.

Li Bin， Zhang Yun， Wang Liping， et al. Modeling for CNC machine tool thermal error based on genetic algorithm optimization wavelet neural networks [J]. Journal of Mechanical Engineering， 2019， 55（21）： 215-220.

[21]""""" 程陈， 李春， 李文明， 等. 园艺作物发育期和采收期模拟模型的最优模拟路径[J]. 农业工程学报， 2023， 39（12）： 158-167.

Cheng Chen， Li Chun， Li Wenming， et al. Optimal path of the simulation model in horticultural crop development and harvest period [J]. Transactions of the Chinese Society of Agricultural Engineering， 2023， 39（12）： 158-167.

[22]""""" 孙军娜， 雷宏振， 张馨之. 价值链嵌入异质性对农业总产值影响研究[J]. 技术经济， 2020， 39（11）： 52-59.

[23]""""" Yang L， Liu M， Lun F， et al. An analysis on crops choice and its driving factors in agricultural heritage systems： A case of Honghe Hani rice terraces system [J]. Sustainability， 2017， 9（7）： 1162.

[24]""""" 张迪颖， 王秀治. 农产品价格波动对出口的影响及成因分析[J]. 中国农机化学报， 2020， 41（3）： 211-218.

Zhang Diying， Wang Xiuzhi. Effect and cause of China agricultural price volatility on exports [J]. Journal of Chinese Agricultural Mechanization， 2020， 41（3）： 211-218.