农小蜂如何预测蔬菜价格?
作者: 发布时间:2022-03-15

农小蜂旗下的小蜂菜价通每天10点都会准时给各位带来每日主要市场的菜价播报,方便广大蔬菜从业者能够及时、准确地了解当日最新菜价情况,为大家的生产和销售提供数据指导。但蔬菜产业的市场价格具有变化快速、日新月异的特殊性,这给大家的选品种植及排产采收带来了极大的挑战。如果能实现对蔬菜市场价格进行精准的预测,将能大大降低大家生产和销售中的风险,同时,也能通过市场调控作用,促进产业结构合理发展,提升产业竞争力。本着通过数据服务产业的初衷,农小蜂一直在探索和实践蔬菜短期价格的预测,目前已取得了一些成效,通过此文,将这些经验与大家分享。

 

一、蔬菜的市场价格体系

 

蔬菜具有居民生活基本消费品的属性,决定了其价格变化是国民经济中生产保障和供需平衡的一个重要因素。蔬菜是一个价格变化很快的行业,因为蔬菜是不耐储藏的鲜活农产品,供给端的变化会直接导致价格波动。同时,蔬菜具有生产季节性、储藏周期短、运输困难、受天气灾害影响大、生产及市场组织性低等特征,种种原因导致蔬菜生产不同于一般消费品的生产。虽然蔬菜在整个市场体系中的价格偏低,属于廉价商品,但是由于其和民生息息相关,因此,蔬菜市场价格波动的监测和未来菜价的预测是政府、市场主体及消费者关注的重点。

 

随着我国经济的快速发展,蔬菜产业也同步取得了快速的发展,生产规模增大,市场供应数量充足,品类丰富多样,市场交易活跃,国内供应量和出口量均居世界第一,为农业增效,农民增收,扩大出口,增强社会稳定都作出了较大贡献。然而,受限于制度、市场、科技等多方面因素影响,我国蔬菜产业在生产端存在以农户个体经营的小生产模式为主,生产标准化程度低,产品质量不高,品种单一;在加工上面存在产加销分离,蔬菜加工利用率低,供应链视角的一条龙生产尚未完全实现;在消费方面由于产销信息不对称,出现菜价起伏波动,既有菜贱伤农,价高则消费者难以承受的矛盾,又有全国蔬菜供应量充足但季节性,品种性,区域性,结构性过剩的矛盾。因此,加强对蔬菜市场价格体系的研究,通过蔬菜市场价格监测及预测对蔬菜生产进行指导,是蔬菜产业发展的关键举措。

 

在国内蔬菜产业链中,上游主要是种植业,包含蔬菜种子、肥料、灌溉、设备等原材料,以及针对生鲜蔬菜消费、加工与出口的菜农、订单小农户、合作社、生产基地、大/中/小型商业农场;中游为处理与加工,主要指生鲜蔬菜采后的包装、冷藏和加工;下游为消费及流通,涉及国内的农贸市场、路边摊、蔬菜水果店、生鲜超市、酒店、餐饮、医院、学校、其他机构和国外的进口商等零售市场,以及对应的国内农村消费者和城市消费者、国际消费者。

 

因此,遵循产业链的结构,蔬菜形成了地头价、产区批发市场价、销区批发市场价以及终端零售价等价格体系。以云南为例,云南作为国内蔬菜主产区及高原特色品类的优势产区,形成了以晋宁金荣市场为代表的晋宁产区菜价、嵩明产区菜价、陆良产区菜价及玉溪产区菜价等。而地头价一般也会以相近产区菜价为参考,并考虑采收成本和运输成本。相对而言,在销区,则以广州江南果菜市场、背景新发地市场、成都雨润市场、深圳海吉星市场、武汉四季美市场、郑州万邦市场、邯郸联邦市场、厦门同安市场、九江浔阳市场、宜昌三峡市场、施恩华西市场、虎门富民市场等为代表,形成不同区域的销区批发市场价。最终,蔬菜流向农贸市场、生鲜店、超市等零售终端,形成终端零售价。这些价格当中,产区批发市场价和销区批发市场价是两个重要的节点,也其他价格形成参考坐标,因此,这个两个市场价格是价格监测与预测的重点。

 

 

图1  中国蔬菜产业链全景图

 

二、蔬菜市场价格监测与预测的意义

 

蔬菜行情虽然错综复杂、日新月异,但蔬菜价格对于从业者来说,又是非常重要,必须要了解的信息。蔬菜价格直接关系到广大菜农的收入,蔬菜价格的异常波动及其不稳定因素也会造成我国的蔬菜产业发展出现诸多问题,例如菜农盲目跟风种植,供求不均衡等。因此,蔬菜价格的准确预测是破解上述问题的关键

 

首先,通过价格监测预警引导生产预期。

 

通过专业化的分析,研判产销形势,监测价格走势,为生产要素的平衡、企业经营及发展提供决策依据。通过建立预警机制,价格监测调查、采集的信息经过加工整理、分析预测,提供监测预警信号,正确引导生产、消费,减少市场盲动,引导市场预期和生产意向,促进宏观调控和价格监管决策的实施。

 

其次,调节生产保障供需平衡。

 

通过蔬菜价格监测与预测,分析与评估蔬菜价格风险,通过预先判断和市场机制作用,及时调整调整生产和销售,稳定产销平衡,从而保护菜农的积极性和稳定生产能力。只有通过有效稳定的机制保障农户的收入,才能促进蔬菜产业的可持续发展。

 

最后,价格数据支持市场决策。

 

通过对蔬菜价格及时、快速、准确的掌握和预测,准确判断蔬菜产业运行状态和产业发展趋势,为生产要素的平衡、企业经营矛盾的协调和企业发展的政策支持提供决策依据,帮助政府部门调控供求关系, 引导产业主体搞好产业结构调整,生产者协调产销关系。各级政府和生产经营者能够依据数据和专业分析引导菜农科学种植市场需要、适销对路的蔬菜品类。

 

三、蔬菜市场价格预测的实践

 

蔬菜市场价格变化快速,影响因素复杂多变,因此,蔬菜价格的预测是一项困难而复杂的工作。蔬菜价格存在年度之内呈现季节性波动,不同品种之间价格的差异波动等特点。但蔬菜价格始终是围绕商品价值进行回归,并且结合季节性,上市量等因素具备一定的波动规律,这为蔬菜价格的预测带来了可操作性。

 

农小蜂通过大量前期蔬菜市场价格及生产数据的积累,为蔬菜价格预测奠定了基础,从2022年初开始建立蔬菜市场价格的分析预测体系。目前,总结了一些具有实践意义的探索经验。下文将对这些探索实践的方法为大家做一个总结和分享。

 

1.专家经验法

 

专家根据相关产区市场的近5年市场历史价格数据以及近2周的市场近期价格数据,进行历史同期相似性分析及近期价格趋势分析相结合,通过专家经验分析预测出未来一周相关市场的价格区间,再结合近期各品种的种植面积及种植趋势以及主要销区及外部产区近期的天气情况等影响因素,对预测价格区间进行修正。最终获得未来一周相关市场的蔬菜价格预测区间及走势分析。

 

2.基于ARIMA模型的时间序列价格预测方法

 

根据原理不同,农产品短期价格预测可以分为2种:定性预测方法和定量预测方法。定量预测方法是农产品短期价格预测领域的主流方法,又可以分为传统方法和智能方法两大类。传统方法主要指计量经济方法,其中比较流行的ARIMA(自回归移动平均)模型、自回归条件异方差(ARCH)模型、线性回归等。

 

农产品的历史价格数据对未来价格趋势进行有效的预测显得尤为重要。一般常用的有时间序列预测和回归预测法,时间序列预测法一方面承认事物发展的延续性,另一方面又充分考虑到事物发展偶然因素的影响产生的随机性,为了消除随机波动的影响,利用历史数据,进行统计分析,并用加权平均等方法对数据加以适当的处理,进行趋势预测。基于ARIMA模型来预测农产品价格时间序列是一种重要而普遍的方法,具有较好的实践应用成果

 

ARIMA模型全称为自回归移动平均模型(AutoregressiveIntegratedMovingAverageModel,ARIMA),是由博克思(Box)和詹金斯(Jenkins)于20世纪70年代初提出的一著名时间序列预测方法,所以又称为Box-Jenkins模型、博克思-詹金斯法。ARIMA模型的基本思想是:将预测对象随时间推移而形成的数据序列视为一个随机序列,用一定的数学模型来近似描述这个序列。这个模型一旦被识别后就可以从时间序列的过去值及现在值来预测未来值。在经济与商业领域ARIMA模型取得了良好的应用,使用ARIMA模型对农业领域中的产品价格数据进行短期预测并取得了良好的预测效果,基于ARIMA模型能够很好地预测平稳的和非平稳的农产品价格,可以为蔬菜生产与流通提供重要的数据指导。

 

3.基于BP神经网络价格预测模型的预测方法

 

介于经济计量模型普遍对非线性数据预测具有局限性,考虑引入智能方法对蔬菜价格进行预测。智能方法中比较普遍使用的有人工神经网络、遗传算法等。目前,在农产品短期价格预测方面,遗传算法主要是与其他预测方法组成混合模型来使用,但是遗传算法中参数的选择主要是靠经验来选择,而参数的人为选择很容易对预测结果造成不利影响。

 

BP神经网络(Back Propagation Neural Networks)又称反向传播神经网络,通过样本数据的训练,不断修正网络权值和阈值使误差函数沿负梯度方向下降,逼近期望输出。它是一种应用较为广泛的神经网络模型,多用于函数逼近、模型识别分类、数据压缩和时间序列预测等。每次根据训练得到的结果与预想结果进行误差分析,进而修改权值和阈值,一步一步得到能输出和预想结果一致的模型。

 

 

图2 神经网络的训练过程

 

传统时间序列预测方法在对具有线性特征的时间序列数据进行预测时精度较高,但随着市场逐渐向复杂化、非线性化、不规则化发展时,该类方法在对价格进行预测时,为模型参数调整带来较大困难,反映出一定的局限性。随着人工智能的发展,智能预测方法如神经网络、支持向量机、极限学习机等方法逐渐成为价格预测的热点。其中BP神经网络方法在时间序列预测时具有很强的非线性映射能力和柔性的网络结构,同时又能使样本预测误差逼近最小的优点。近年来一些学者针对农产品价格预测问题探索了BP神经网络在此方面的应用。例如,有学着通过对赣南脐橙的月度价格数据构建了BP神经网络的预测模型,预测结果表明基于改进算法的BP神经网络价格预测模型的误差低于ARIMA模型。

 

然而BP神经网络的单独应用存在学习速度慢、容易陷入局部极小值的问题。因此,研究一种具有普适性且预测精度较好的农产品价格组合预测模型,例如对农产品价格序列进行分解,将这些分量作为BP神经网络的输入变量分别进行预测,并将预测结果进行组合获得最终农产品的预测价格。

 

四、总结

 

农小蜂经过对蔬菜市场价格预测的实践,对一些预测方法进行了探索,有一定的成效,也发现了一些问题。例如专家经验法对预测的稳定性和科学性存在瑕疵,ARIMA模型则在非线性因素影响权重较大时存在较大的偏差,BP神经网络的学习训练成本较高、对多品种预测难以具备普适性等问题。

 

今后,农小蜂将继续深入蔬菜价格预测的研究 ,提升预测方法的普适性,细化品种,将蔬菜各品种市场价格中线性因素和非线性因素进行分离,对线性因素采用ARIMA模型进行分析,对非线性因素采用BP神经网络进行分析,形成具有普适性和实践性的ARIMA—BP神经网络蔬菜价格预测模型,同时,结合专家经验对复杂影响因素进行分析并对价格修正,从而得出具有较高精准度的分析预测结果,更好的服务蔬菜产业。

 

行业的进步离不开产业的耕耘和科技的精进,农小蜂将秉承数据服务产业的初心,通过不断的耕耘与精进为产业贡献更多的价值。在此,农小蜂也招募更多关心菜价的同行,一同为蔬菜产业市场价格监测体系的构建与价格分析预测的应用并肩前行。