中國養(yǎng)豬業(yè)生產(chǎn)趨勢(shì)預(yù)測(cè)分析

1、中國養(yǎng)豬業(yè)生產(chǎn)趨勢(shì)預(yù)測(cè)分析養(yǎng)豬業(yè)是我國農(nóng)村經(jīng)濟(jì)的優(yōu)勢(shì)產(chǎn)業(yè)，在我國農(nóng)業(yè)經(jīng)濟(jì)發(fā)展中占有重要地位但生豬生產(chǎn) 表現(xiàn)出明顯波動(dòng)的特點(diǎn)，對(duì)于生豬市場(chǎng)的參與者，要準(zhǔn)確地預(yù)測(cè)未來的生豬生產(chǎn)是非常重要 的這種重要性主要體現(xiàn)在：生豬生產(chǎn)者可以預(yù)先安排未來的生產(chǎn)計(jì)劃，生產(chǎn)和管理可以降 低風(fēng)險(xiǎn)i血i,有關(guān)的政府部門可以評(píng)估的生豬市場(chǎng)風(fēng)險(xiǎn)，合理指導(dǎo)安排生產(chǎn)計(jì)劃.因此，生豬 生產(chǎn)預(yù)計(jì)將成為畜牧業(yè)經(jīng)濟(jì)研究中的關(guān)鍵問題z-8.1養(yǎng)豬業(yè)生產(chǎn)的預(yù)測(cè)方法預(yù)測(cè)從范圍上，可分為宏觀預(yù)測(cè)和微觀預(yù)測(cè)，從時(shí)間上，可分為長期預(yù)測(cè)和短期預(yù)測(cè).通 過預(yù)測(cè)，可以了解未來時(shí)期市場(chǎng)上某種商品的變動(dòng)及其幅度，掌握商品變動(dòng)的趨向及其將會(huì) 產(chǎn)生的彩響，因而在

2、社會(huì)經(jīng)濟(jì)管理中具有越來越重要的作用.預(yù)測(cè)的重要基礎(chǔ)和前提是準(zhǔn)確 章握有關(guān)市場(chǎng)的重要信息.然后根據(jù)具體的要求，選擇預(yù)測(cè)方向，即定性預(yù)測(cè)或定it預(yù)測(cè). 當(dāng)統(tǒng)計(jì)數(shù)據(jù)不充足、準(zhǔn)確度要求不高或是主要的影響因素是非客觀的、模鞫的、非量化的情 形下.通常采用定性預(yù)測(cè)方法，即針對(duì)歷史數(shù)據(jù)，由行業(yè)專家結(jié)合當(dāng)前市場(chǎng)趨勢(shì)及個(gè)人經(jīng)驗(yàn) 對(duì)市場(chǎng)進(jìn)行分析判斷【皿】.另外，在難以用定量預(yù)測(cè)方法進(jìn)行預(yù)測(cè)的情形下.例如，當(dāng)爭(zhēng)物所 處的環(huán)境發(fā)生變化，或者系統(tǒng)的結(jié)構(gòu)岀現(xiàn)較大調(diào)整時(shí).定性預(yù)測(cè)也是被普遍采用的行之有效 的預(yù)測(cè)方法：再者，對(duì)于系統(tǒng)中我們無法對(duì)其進(jìn)行定11分析的因素.也只能通過定性預(yù)測(cè)對(duì) 其進(jìn)行分析判斷因此，定性預(yù)測(cè)作為一種

3、直觀的預(yù)測(cè)有一定的現(xiàn)實(shí)有效的應(yīng)用價(jià)值.當(dāng) 所獲取的歷史數(shù)據(jù)信息較為豐富時(shí)，更宜采用定最預(yù)測(cè)方法.定量預(yù)測(cè)方法與定性預(yù)測(cè)方法 不同就在于它強(qiáng)調(diào)了對(duì)歷史數(shù)據(jù)和數(shù)學(xué)模型的利用定量預(yù)測(cè)很少依賴于人的知識(shí)、經(jīng)驗(yàn)等 主觀因素，而更側(cè)重于在預(yù)測(cè)目標(biāo)未來發(fā)展的數(shù)量變化趨勢(shì)方面進(jìn)行精準(zhǔn)預(yù)測(cè).主要通過利 用收集到的預(yù)測(cè)對(duì)象的相關(guān)信息，運(yùn)用函數(shù)關(guān)系模擬變量間的相關(guān)性，然后根據(jù)不同的預(yù)測(cè) 目標(biāo)和精確程度的不同要求等一系列具體的要求，選擇相應(yīng)的測(cè)算方法，建立適合的預(yù)測(cè)模 型下面對(duì)預(yù)測(cè)研究中常用的和可能用到的部分模型及其特點(diǎn)進(jìn)行簡(jiǎn)單介紹.(1) 多元線性回歸模型多元線性回歸模型就是在方程式中有兩個(gè)或兩個(gè)以上自變童的線性回

4、歸模型多元線性 回歸預(yù)測(cè)即是利用多元線性回歸模型使用多個(gè)影響因素對(duì)具有線性趨勢(shì)的何題所作的未來行 為的預(yù)測(cè).多元線性回歸模型分為碎態(tài)多元線性回歸模型和動(dòng)態(tài)多元線性回歸模型對(duì)于非 線性問題的預(yù)測(cè)，多元線性回歸模型不適用.(2) 時(shí)間序列分析法varfis, versino給出了經(jīng)濟(jì)時(shí)間序列的預(yù)測(cè)方法后，時(shí)間序列分析法因其計(jì)算簡(jiǎn)單、快 速等特點(diǎn)在經(jīng)濟(jì)預(yù)測(cè)領(lǐng)域中得到了廣泛應(yīng)用.時(shí)間序列分析就是運(yùn)用一定的數(shù)學(xué)方法從大量 的時(shí)間序列數(shù)據(jù)中尋找數(shù)據(jù)的變動(dòng)規(guī)律，以預(yù)測(cè)事物的未來發(fā)展趨勢(shì)從時(shí)間動(dòng)態(tài)的角度描 述或揭示內(nèi)在關(guān)系及變化規(guī)律.并依據(jù)演變規(guī)律能在一定時(shí)期內(nèi)預(yù)測(cè)并控制未來行為，使其 更大限度地滿足社會(huì)發(fā)展

5、的需要.利用時(shí)間序列分析模型可以無需知道影響效應(yīng)指標(biāo)的因果關(guān)系，根據(jù)效應(yīng)指標(biāo)過去的變 化規(guī)律來建立模型，在系統(tǒng)動(dòng)態(tài)性較強(qiáng)的情況下，時(shí)序分析模型可以達(dá)到事半功倍的功效. 顯然，時(shí)序分析方法有著其他的多元統(tǒng)計(jì)分析方法所不能比擬的優(yōu)勢(shì)卩四然而，也正是由于 時(shí)間序列分析法暫不考慮外界因素的影響這一待點(diǎn)限制了它的應(yīng)用.當(dāng)外界壞境發(fā)生較大變 化時(shí)，時(shí)閭序列分析法的預(yù)測(cè)結(jié)果往往會(huì)有較大偏差.(3)人工神經(jīng)網(wǎng)絡(luò)人工神經(jīng)網(wǎng)絡(luò)(artificial neural network,簡(jiǎn)稱ann)理論起源于20世紀(jì)50年代，1987 年lapedes和farber首次將ann引入到預(yù)測(cè)領(lǐng)域中.ann是通過模仿人類大腦神

6、經(jīng)元對(duì)外 界剌激做出反應(yīng)的過程而建立起來的一種模型，具有大規(guī)模并行.分布式儲(chǔ)存和處理、自組 織、自適應(yīng)、自學(xué)習(xí)和容鏈性等特點(diǎn)，特別適用于需要同時(shí)考世多因素和多條件的系統(tǒng)中， 因子之間的相互作用機(jī)理還不清楚、不精確和模糊信息問題的處理在ann的眾多模型中，bp (back propagation)人工神經(jīng)網(wǎng)絡(luò)在非線性時(shí)間序列的分析、預(yù)測(cè)和控制中應(yīng)用最為廣泛.它在處理一般非線性函數(shù)逼近問題時(shí)具有其他統(tǒng)計(jì)處理方法不 可比擬的優(yōu)勢(shì)切bp人工神經(jīng)網(wǎng)絡(luò)于1985年由rumelhart, mcclelland提岀.它是基于謀差反向后傳算法的多層前饋型神經(jīng)網(wǎng)絡(luò)在預(yù)測(cè)階段，當(dāng)向神經(jīng)網(wǎng)絡(luò)輸入與訓(xùn)練集數(shù)據(jù)(非 樣本

7、)相似的預(yù)測(cè)變量數(shù)據(jù)時(shí).它便能完成從輸入的預(yù)測(cè)變部到輸出的預(yù)測(cè)對(duì)象的任意非線 性映射.從而正確描述無法用數(shù)學(xué)關(guān)系來描述的預(yù)測(cè)變量與對(duì)象之間的規(guī)律.在一定的誤墊 允許范圉內(nèi)，還可以處理不完整的數(shù)據(jù).它的局限性是：在實(shí)際應(yīng)用過程中容易陷入局部極 小值：算法的學(xué)習(xí)效率低，收斂速度較慢；設(shè)計(jì)網(wǎng)絡(luò)模型結(jié)構(gòu)時(shí)難以尋優(yōu)；其在預(yù)測(cè)能力上 雖然具有一定的優(yōu)勢(shì)，但是其可理解性差：選出的模型不能保證是咼優(yōu)，這個(gè)問題在輸入數(shù) 據(jù)含嗓聲并且時(shí)間序列本身不平穩(wěn)的情況下更為突出.(4)支持向址機(jī)支持向k機(jī)(support vector machine. svm)作為人工智能預(yù)測(cè)分析方法之一，近年來. 得到了迅速發(fā)展支持向量

8、機(jī)是數(shù)據(jù)挖掘中的一種新方法，具有完備的統(tǒng)計(jì)學(xué)理論和出色的 學(xué)習(xí)性能及非線性映射能力.在解決小樣本、非線性、高維模式識(shí)別問題上有許多特有的優(yōu) 勢(shì).非常適合應(yīng)用在經(jīng)濟(jì)領(lǐng)域時(shí)間序列的分析和預(yù)測(cè)它的一個(gè)基本假設(shè)是我們相信數(shù)據(jù)集 的生成是有規(guī)律的，但這個(gè)規(guī)律井不能完全確定，只能憑對(duì)訓(xùn)練樣本的學(xué)習(xí)來探索其中存在 的規(guī)律性在一定條件下時(shí)間序列的過去值組成的矢量與未來值之間存在光滑映射，支持 向*機(jī)的分類模式便能給出有價(jià)值的預(yù)測(cè).8. 2樣本數(shù)據(jù)的提取和處理(1)出欄量數(shù)據(jù)處理基于格蘭杰因杲關(guān)系分析，影響生楮出欄量的各影響因素可能存在多重共線性，可能降 低預(yù)測(cè)結(jié)果的準(zhǔn)確度為消除共線性引起的誤差，我們采用主成分

9、分析方法來消除共線性問影響出欄量的因素有存欄最.能繁母豬存欄量、散養(yǎng)精飼料費(fèi)、散養(yǎng)仔豬費(fèi)、散養(yǎng)死亡 損失費(fèi)、規(guī)模飼料費(fèi)、規(guī)模仔精費(fèi).利用spssl6.0對(duì)7個(gè)成分進(jìn)行主成分分析結(jié)果如下'fl = o.47yehog + 0.877$ow$ + 0.960confcl + 0.903p/g/cl + 0.9gdeathc+0.95 confcl + 0.901 pinglc2f2 = q ahl yehog + q39sows - 012co阮 l 一 0.361 piglc + 0.20deathc-0.172confc2 - 0353pinglc2把原始數(shù)據(jù)代入到兩個(gè)主成分中，得到1

10、996年到2012年兩個(gè)主成分的值.(2) 存欄量數(shù)據(jù)處理基于格蘭杰因果關(guān)系分析，影響生豬存欄量的各影響因素可能存在多重共線性，可能降低 預(yù)測(cè)結(jié)果的準(zhǔn)確度.為消除共線性引起的謀差，我們采用主成分分析方法來消除共線性問題形響存欄址的因素有出欄址、散養(yǎng)精飼料費(fèi).敵養(yǎng)仔豬費(fèi)、散養(yǎng)衛(wèi)生防疫費(fèi)、規(guī)模飼料 費(fèi)、規(guī)模仔豬費(fèi)、規(guī)模醫(yī)療防疫費(fèi)、規(guī)模死亡損失費(fèi)、規(guī)模雇工費(fèi)、散養(yǎng)收益.規(guī)模收益. 利用spssl6.0對(duì)11個(gè)成分進(jìn)行主成分分析結(jié)果如下tfl = 0.690sfhog 十 0954co 說1 + 0.933piglc + 0.939medtl + 0.943co/?/fc2 +0.933pzng/c2

11、 + 0.965medc2 + 0.952deathc2 + 0.85 empc + 0.800pro/z/l +0.890prq/?/2fl = 0.605sfhog + 094confc - 0.190 piglc + 0.02medc + 0j 06confc2-0.207pinglc2 + 0.219medc2 + 0,094deathc2 一 0.019empc 一 0.493profitx -0.329profit2把原始數(shù)據(jù)代入到兩個(gè)主成分中，得到199辟到2011年兩個(gè)主成分的值.(3) 能繁母豬存欄量數(shù)據(jù)處理基于格蘭杰因果關(guān)系分析，影響能繁母豬存欄量的各影響因素可能存在多重共

12、線性，可 能降低預(yù)測(cè)結(jié)果的準(zhǔn)確度.為消除共線性引起的誤差，我們采用主成分分析方法來消除共線 性問題.影響能繁母豬存欄的因素有出欄量、年底存欄量、散養(yǎng)仔楮費(fèi)、散養(yǎng)衛(wèi)生防疫費(fèi)、規(guī) 模仔豬費(fèi).規(guī)模醫(yī)療防疫費(fèi)、規(guī)模死亡損失費(fèi)、敵養(yǎng)收益.規(guī)模收益.利用spssl6.0對(duì)11 個(gè)成分進(jìn)行主成分分析結(jié)果如下$f1 = 0.740前+ 0.797yehog + 0.919 pig/cl + 0.950medcl + 0.920piglc2+0.958medc2 + 0.960deatnc2 + 0.8l0prqfitl + 0.9lprofit2f2 = 0.619sftiog + 0.534yehog-0.

13、215 piglc + 0.190/wedcl - 0.224piglcl40.156medc2 + 0.044dealnc2 - 495profit-03l profit!把原始數(shù)據(jù)代入到兩個(gè)主成分中，得到1996年到2011年兩個(gè)主成分的值.8.3養(yǎng)豬業(yè)岀欄量預(yù)測(cè)方法的確定8.3.1支持向量機(jī)對(duì)出欄量的預(yù)測(cè)(1)核函數(shù)的確定核函數(shù)的確定是支持向量機(jī)中的重要部分不同的核函數(shù)代表了支持向量機(jī)解決非線性 分類何題時(shí)進(jìn)行不同的非線性映射，它的選擇合適與否直接彭響預(yù)測(cè)的實(shí)現(xiàn)和效果卩川我們分別采用3種常用的核函數(shù)高斯核函數(shù)(radial basic function)、多項(xiàng)式核函數(shù)(polynomia

14、l kernel function)和感知器核函數(shù)(kernel perceptron algorithms)為核的svm進(jìn)行仿真實(shí)驗(yàn),選出性能垠優(yōu)的高斯核函數(shù)，k(佔(zhàn)其中.b>0是核函數(shù)的參數(shù)，后 2a2文中用g來表示(t(2)參數(shù)的確定基于rbf核函數(shù)的svm的性能是由參數(shù)(c, g)決定，如杲誤差懲罰參數(shù)c和髙斯核 參數(shù)g取值不合適，svm就無法達(dá)到預(yù)期的學(xué)習(xí)效果，影響svm的推廣能力，因此，要對(duì) 參數(shù)尋優(yōu)卩川本文采用遺傳算法確定支持向量回歸機(jī)的最優(yōu)參數(shù)。最終，對(duì)c和g在cg2 2*1，gw 2巴 21內(nèi)得到 best c=22.6274, best g=0.0359 為最優(yōu)參數(shù).

15、best mse=o.oi648.得k)g2c圖81參數(shù)選擇的等高線圖fig. 8-1 contour map of parameter selectioniog2giog2c圖8-2參數(shù)選擇的3d圖fig. 8-2 3d map of parameter selection(3)預(yù)測(cè)模型的建立根據(jù)前文所得的預(yù)測(cè)模型，對(duì)1996年2007年的岀欄量的訓(xùn)練和預(yù)測(cè)情況見圖83,； 合訓(xùn)練的結(jié)果見表81,對(duì)2008年2011年的出欄量預(yù)測(cè)的結(jié)果見表82+訓(xùn)練原姑數(shù)據(jù) 亠訓(xùn)躱視測(cè)數(shù)據(jù)i圖83 svm模型的擬合和預(yù)測(cè)情況fig. 8-3 fitting and forecasting results o

16、f svm models 8-1 svm模型的擬合結(jié)果tab. 8-1 fitting results of svm model年份實(shí)際值預(yù)測(cè)值絕對(duì)誤差相對(duì)課差（）199641225j41259.1633.9643-0.0824199746483.746501.2517.5470£.037719985021550230.46-15.3594-0.0306199951977.252995.93101&7302-1.9600200051862351695.57166.727203215200153281.155246.2-1965.1023-3.6882200254143.955

17、016.23-872.3262-1.6111200355701.855677.3724.42910.0439200457278.555170.672107.82943.6800200560367.457826.442540.96084.2092200661207.356722.64484.699673271200756508.356542.28-33.9844-0.0601從表弘1中可以看出.svm模型的擬合效果還是相當(dāng)好的，相對(duì)誤差低于5%的值占到91.67%.隨著擬合的進(jìn)行.相對(duì)誤差的波動(dòng)總體上逐漸趨于平穩(wěn)表82 svm®型的預(yù)測(cè)結(jié)果 tab. 8-2 forecasting r

18、esults of svm model年份實(shí)際值預(yù)測(cè)值絕對(duì)誤差相對(duì)謀差（%）200861016.657424.7359l90355.8868200964538.666574.042035.43683.1538201066686.467196.36-509.9607-0.7647201166170.361571.854598.44906.9494從表82中可以看出，svm模型對(duì)未來生豬岀欄量數(shù)據(jù)進(jìn)行預(yù)測(cè)的預(yù)測(cè)精度較高，說明 svm模型具有良好的預(yù)測(cè)性能，能夠較好地反映生豬出欄量與其彭響因素之間復(fù)雜的非線性 關(guān)系，在生豬出欄嚴(yán)預(yù)測(cè)方面具有良好的應(yīng)用前景.8. 3.2 bp人工神經(jīng)網(wǎng)絡(luò)對(duì)中國生豬產(chǎn)量

19、的預(yù)測(cè)本文選用同樣可用于非線性時(shí)間序列預(yù)測(cè)的bp人工神經(jīng)網(wǎng)絡(luò)模型對(duì)上述訓(xùn)練樣本和預(yù) 測(cè)樣本進(jìn)行訓(xùn)練及預(yù)測(cè)，訓(xùn)練和預(yù)測(cè)情況見圖84擬合訓(xùn)練的結(jié)果見表8-3,對(duì)2008年 2011年的生豬出欄量預(yù)測(cè)的結(jié)果見表84.由表83可知，bp人工神經(jīng)網(wǎng)絡(luò)模型的擬合效果 相對(duì)誤差低于5%的值占92.67%.|f實(shí)際值亠預(yù)測(cè)值i圖8-4 bp人工神經(jīng)網(wǎng)絡(luò)岀欄fit訓(xùn)練與預(yù)測(cè)fig 8-4 the hogs fitting and forecasting results of bpann農(nóng)8-3 bp人工神經(jīng)網(wǎng)絡(luò)模型的擬合結(jié)果 tab. 8-3 fitting results of bp ann年份實(shí)際值預(yù)測(cè)值絕

20、對(duì)誤差相對(duì)誤差199641225.241225.20.000130.00000199746483.746483.70.000440.0000019985021541942.528272.5820616.47429199951977.251977.20.000150.00000200051862.351862.3-0.00345-0.00001200153281.153281.10.003380.00001200254143.954621.79-477.893620.88264200355701.855701.84).001630.00000200457278.557278.5-0.000280

21、.00000200560367.462235.83-1868.43157-3.09510200661207358966.92240.401973.66035200756508.356508.310.008250.00001表84 bp ann模型的預(yù)測(cè)結(jié)果tab. 8-4 forecasting results of bp ann實(shí)際值預(yù)測(cè)值絕對(duì)誤差相對(duì)誤差200861016.657424.73591.90355.8868200964538.666574.042035.4368-3.1538201066686.467196.36509.9607-0.7647201166170.361571.8

22、54598.44906.9494從預(yù)測(cè)精度相對(duì)謀差來看，支持向量回歸機(jī)相對(duì)謀差低于5%的值與bp人工神經(jīng)網(wǎng)絡(luò)模 型的咼一樣的，還無法確定采用哪種模型.8.4兩種模型預(yù)測(cè)結(jié)果的比較我們進(jìn)一步選用均方根誤差(root mean squared error, rmse)、平均絕對(duì)百分誤差(mean abs. percent error* mape)和希爾不等系數(shù)(theil inequality coefficient, tic) 3 種評(píng)價(jià)指標(biāo)對(duì) svm模型和bp人工神經(jīng)網(wǎng)絡(luò)模型的預(yù)測(cè)結(jié)果和預(yù)測(cè)精度進(jìn)行比較3種評(píng)價(jià)指標(biāo)的具體算 法如下】(1) 均方根誤差(rmse)：(2)平均絕對(duì)百分誤差(map

23、e),mape 二(3)希爾不等系數(shù)(tic)*y-y.上述表達(dá)式中"/ =矢$ + 1/ + 2,s +方根據(jù)3種評(píng)價(jià)指標(biāo)的計(jì)算方法，svm模型和bp人工神經(jīng)網(wǎng)絡(luò)模型對(duì)生豬出欄j#預(yù)測(cè)的 精度對(duì)比結(jié)果見表85表85兩種模型的預(yù)測(cè)精度比較tab. 85 comparison of prediction accuracy of two models模型均方根謀差平均絕對(duì)百分誤差希爾不等系數(shù)bp人工神經(jīng)網(wǎng)絡(luò)模型3535.6764.4090.0279svm模型3100.4264.1890.0242由表8-5可見，在生豬出欄就的預(yù)測(cè)上，svm模型的預(yù)測(cè)謀差較低，預(yù)測(cè)效果略勝于 bp人工神經(jīng)網(wǎng)

24、絡(luò)模型.因此，我們認(rèn)為對(duì)對(duì)生豬出欄量采用svm模型比較合理，具有優(yōu)異 的泛化推廣能力的svm模型預(yù)測(cè)生豬出欄量更可靠.85存欄量和能繁母豬存欄量預(yù)測(cè)方法的確定生豬存欄償和能繁母楮存欄*模型的確定如上文所述，兩種模型的預(yù)測(cè)精度比較見表 85和表87由農(nóng)84和表&7可知，生豬存欄量和能繁母豬存欄量模型bp人工神經(jīng)網(wǎng)絡(luò) 模型預(yù)測(cè)精度要高于svm模型.因此，生豬存欄量和能繁母豬存欄量模型采用bp人工神經(jīng) 網(wǎng)絡(luò)模型進(jìn)行預(yù)測(cè).表8(兩種模型的預(yù)測(cè)精度比較(生豬年底存欄fit)tab. 8-6 comparison of prediction accuracy of two models(year-

25、end hogs)模型均方根誤差平均絕對(duì)百分謀差希爾不等系數(shù)bp人工神經(jīng)網(wǎng)絡(luò)模型1290.0322.2430.0139svm模型1625.0933.4370.0177表87兩種模型的預(yù)測(cè)精度比較(能繁母楮年底存欄量)tab. 8-7 comparison of prediction accuracy of two models(year-end sows)模型均方根謀差平均絕對(duì)百分謀差希爾不等系數(shù)bp人工神經(jīng)網(wǎng)絡(luò)模型108.65722.1040.0112svm模型166.5223.0930.01728. 6養(yǎng)豬業(yè)生產(chǎn)預(yù)測(cè)根據(jù)上文對(duì)兩種預(yù)測(cè)模型預(yù)測(cè)效果的比較，支持向帑冋歸機(jī)在生豬出欄量預(yù)測(cè)上凸顯

26、出 其優(yōu)勢(shì)，展現(xiàn)出了良好的預(yù)測(cè)泛化能力因此本文應(yīng)用支持向董回歸機(jī)對(duì)2013年生豬出欄量 的總體變化趨勢(shì)和變化范圍進(jìn)行預(yù)測(cè)，為生豬生產(chǎn)經(jīng)營者規(guī)避風(fēng)險(xiǎn)和政府對(duì)生豬的宏觀調(diào)控 提供一定的參考.8. 6.1顯著性指標(biāo)預(yù)測(cè)(i)出欄量顯著性指標(biāo)預(yù)測(cè)構(gòu)建的支持向量回歸機(jī)訓(xùn)練模型輸入的自變量來源于對(duì)生豬出欄量有主要影響的顯 著性指標(biāo)，因此首先要預(yù)測(cè)2013年顯著性指標(biāo)的值.影響生豬出欄的因素與出欄港相 關(guān)性比較，對(duì)生豬出欄*影響顯著的因素有散養(yǎng)精飼料費(fèi)用(confcl)、規(guī)模精飼料費(fèi)用 (confc2).能累母年底豬存欄最(sows)、規(guī)模仔豬費(fèi)用(piglc2人散養(yǎng)死亡損失費(fèi)用 (deathci )201

27、3年confck confc2 sows、piglc2、deathci的取值范圍的確定.可以根據(jù)前面hp 濾波結(jié)果來確定.2013年的各項(xiàng)影響因素趨勢(shì)預(yù)測(cè)值用hp濾波分解的2012年的趨勢(shì)項(xiàng)值 來代替.那么confck confb2、sows、piglc2. deathci的2013年基礎(chǔ)預(yù)測(cè)值分別為608.12、 672.34、4952.82、366.68. 9.024.以hp濾波波動(dòng)成分的正負(fù)向波動(dòng)幅度的平均值作為各項(xiàng) 影響因素正負(fù)向波動(dòng)幅度.所得各項(xiàng)形響因素的估計(jì)值如下，confcl- (576.54, 608.12, 639.70)confc2= (636.38, 672.34, 70

28、8.30)sows= (4805.17, 4952.82, 5100.47)piglc2= (324.66 366.6& 420.71)dea!hc1« (7.82. 9.02,9.57,)對(duì)影響不顯著的生豬年底存欄童和散養(yǎng)仔豬費(fèi)用的取值只取一個(gè)值，分別為46974.60和 332.17.并把這些數(shù)據(jù)代入到出欄載的兩個(gè)主成分中，得到預(yù)測(cè)的初始值.(2) 存欄量顯著性指標(biāo)預(yù)測(cè)構(gòu)建的bp人工神經(jīng)網(wǎng)絡(luò)模型輸入的自變量來源于對(duì)生豬存欄最有主要影響的顯著性 指標(biāo)，因此首先要預(yù)測(cè)2013年顯著性指標(biāo)的值.影響生豬存欄量的因素與存欄量相關(guān)性 比較，對(duì)生豬存欄量影響顯著的因素有出欄量(sfh

29、og).散養(yǎng)精飼料費(fèi)用(confcl)、規(guī)模 醫(yī)療防疫費(fèi)(medc2人 規(guī)模雇工費(fèi)(empc).散養(yǎng)收益(profit 1)2013年sfhog、confck medc2、empc、profiti的取值范圍的確定，可以根據(jù)前面hp 濾波結(jié)果來確定.2013年的各項(xiàng)影響因素趨勢(shì)預(yù)測(cè)值用h-p濾波分解的2012年的趨勢(shì)項(xiàng)值 來代替，那么sfhog . confcl. medc2. empc. profitl的2013年基礎(chǔ)預(yù)測(cè)值分別為66479.06. 608.12、16.49、34.59> 224.10.以hp濾波波動(dòng)成分的正負(fù)向波動(dòng)幅度的平均值作為各項(xiàng)影 響因素正負(fù)向波動(dòng)幅度.所得各項(xiàng)影

30、響因素的估計(jì)值如下，sfhog= (64765.91, 66479.06, 6750737)confcl= (576.54, 608.12, 639.70)medc2- (15.79, 16.49, 17.19) empc= (28.71, 34.59, 38.12) profitl = (165.28, 224.10,299.73,)對(duì)影響不顯著的散養(yǎng)仔豬費(fèi).散養(yǎng)醫(yī)療防疫費(fèi)、規(guī)模精飼料費(fèi)、規(guī)模仔楮費(fèi)、規(guī)模死亡 損失費(fèi)、規(guī)模收益的取值只取一個(gè)值，分別為332.17、1320、672.34、366.68. 12.93、280.86. 并把這些數(shù)據(jù)代入到存欄量的兩個(gè)主成分中，得到預(yù)測(cè)的初始值.(3

31、) 能繁母獵存欄量顯著性指標(biāo)預(yù)測(cè)構(gòu)建的bp人工神經(jīng)網(wǎng)絡(luò)模型輸入的自變量來源于對(duì)能繁母豬存欄量有主要影響的顯 著性指標(biāo)，因此首先要預(yù)測(cè)2013年顯著性指標(biāo)的值.形響能繁母豬存欄童的因素與能繁 母豬存欄相關(guān)性比較，對(duì)能繁母豬存欄量影響顯著的因索有出欄* (sfhog).存欄量 (yehog)散養(yǎng)仔豬費(fèi)(piglcl).規(guī)模死亡損失費(fèi)(deathc2).2013年sfhog、yehog . piglck dcathc2的取值范圍的確定，可以根據(jù)前面hp濾波 結(jié)果來確定.2013年的各項(xiàng)影響因素趨勢(shì)預(yù)測(cè)值用hp濾波分解的2012年的趨勢(shì)項(xiàng)值來代 替，那么 sfhog、confcr medc2、empc

32、、profitl 的 2013 年基礎(chǔ)預(yù)測(cè)值分別為 66479.06、 46974.60、332.17、12.93以hp濾波波動(dòng)成分的正負(fù)向波動(dòng)幅度的平均值作為各項(xiàng)影響因素 正負(fù)向波動(dòng)幅度.所得各項(xiàng)影響因素的估計(jì)值如下；sfhog= (64765.9b 66479.06, 67507.37)yehog= (45989.29, 46974.60, 47959.91)piglc2- (292.28, 332.17, 383.46)deathc2» (12.05, 12.93, 14.06)對(duì)影響不顯著的散養(yǎng)醫(yī)療防疫費(fèi)、規(guī)模仔豬費(fèi)、規(guī)模醫(yī)療防疫費(fèi)、散養(yǎng)收益、規(guī)模收益 的取值只取一個(gè)值.分別

33、為13.20s 366.68、16.49. 224.10、280.86.并把這些數(shù)據(jù)代入到能 繁母豬存欄*的兩個(gè)主成分中，得到預(yù)測(cè)的初始值.8. 6. 2養(yǎng)豬業(yè)生產(chǎn)走勢(shì)預(yù)測(cè)分析(1)出欄itt的預(yù)測(cè)對(duì)于5個(gè)顯著性指標(biāo)都取3個(gè)值，這樣就有243種組合。上面預(yù)測(cè)的初始數(shù)據(jù)有243種 組合，分別輸入支持向量機(jī)模型回歸，得到2013年生豬出欄量的取值分布，并觀察其分布情 況具體預(yù)測(cè)結(jié)果如圖85、表88所示.90000-80000親 70000e 60000g 50000i 40000§ 30000汨 20000田 10000050100150200250300累計(jì)頻數(shù)圖8-5 2013年生豬

34、出欄就取值預(yù)測(cè)分布圖fig. 8-5 predict distribution of hogs in 2013圖8-5顯示了 2013年生赭出欄st預(yù)測(cè)值的分布情況。從圖8-5可以看出.2013年的生豬 出欄fit預(yù)測(cè)的分布區(qū)間主要在64000萬頭一72000萬頭之間，其中數(shù)童的預(yù)測(cè)值在67000萬 頭左右的分布最為密集，2013年生赭岀欄fit大體上主要在66000萬頭一69000萬頭之間內(nèi)分 布，而在64000萬頭以下或72000萬頭的情況比較少.表8-8 2013年生豬出欄量預(yù)測(cè)頻數(shù)及頻率分布情況tab. 8-8 frequency and frequency distribution

35、of predict value of hogs in 2013出欄就預(yù)測(cè)值分布區(qū)間頻數(shù)百分比()64000以下3112.7664000-66000114.5366000480006827.9868000-700006024.6970000-720002911.9372000以上441&11累計(jì)數(shù)243100.00表8-8列出了 2013年生豬出欄量的預(yù)測(cè)值在不同取值范圍內(nèi)的頻數(shù)及頻率的分布情況. 在64000萬頭以下有31次.占到總數(shù)的12.76%；在64000-66000萬頭有ii次.占到總數(shù)的 4.53%；在66000-68000萬頭有68次,占到總數(shù)的27.98%；在68000

36、-70000萬頭有60次， 占到總數(shù)的24.69%；在70000-72000萬頭有29次，占到總數(shù)的11.93%：在72000萬頭以卜.有44次，占到總數(shù)的18.11%.其中在66000-68000萬頭比例量高，而在66000-70000萬頭比 例則超過了 50%,在70000萬頭以上比例也達(dá)到將近30%.與2012年的出欄量67170.3萬頭 比較，2013年的出欄盤出現(xiàn)過剩的可能較大.（2）存欄就預(yù)測(cè)對(duì)于5個(gè)顯著性指標(biāo)都取3個(gè)值，這樣就有243種組合.把初始預(yù)測(cè)數(shù)據(jù)數(shù)243種組合, 分別輸入bp人工神經(jīng)網(wǎng)絡(luò)模型回歸.得到2013年生豬年底存欄的取值分布.并觀察其分 布情況具體預(yù)測(cè)結(jié)果如圖8

37、序、表&9所示.累計(jì)頻數(shù)圖8»6 2013年生豬年底存欄董取值預(yù)測(cè)分布圖fig- 8-6 predict distribution of year-end hogs in 2013圖84顯示了 2013年存欄量預(yù)測(cè)值的分布情況.從圖8-6可以看出，2013年的生豬年底 存欄量預(yù)測(cè)的分布區(qū)間主要在46000-52000萬頭之間,其中數(shù)址的預(yù)測(cè)值在49000萬頭左右 的分布最為密集。2013年生豬年底存欄量大體上主耍在4600052000萬頭之間內(nèi)分布，而 在46000萬頭以下或52000萬頭的情況比較少.h 8-9 2013年生豬存欄it預(yù)測(cè)頻數(shù)及頻率分布情況tab. 8-9 frequency and frequency distribution of predict value of year-end hogs in 2013存欄it預(yù)測(cè)值分布區(qū)間頻數(shù)百分比（）46000以下2911.9346000-4800c6928.4048000-