殷世杰

[摘要]分析粮食产量的影响因素，并科学地预测粮食产量，对于提高未来粮食产量、保障粮食安全具有重要意义。本文选取1994—2018年粮食产量等数据，对影响粮食产量的因素进行灰色关联度分析，并用ARIMA模型预测粮食产量及影响因素，最后将预测的数据进行灰色关联度分析，并将前后两次灰色关联度分析结果进行比较。结果显示：1994—2018年显著影响粮食产量的因素为粮食播种面积、灌溉面积比重、老年抚养比和化肥投入水平;2019—2023年粮食产量的影响因素为灌溉面积比重、农业生产资料价格总指数、机械化水平;未来5年山东省粮食产量将缓步提升。

[关键词]粮食产量;影响因素;灰色关联模型;ARIMA预测模型

中图分类号：F326.11 文献标识码：A DOI：10.16465/j.gste.cn431252ts.202005

粮食问题是关系国计民生的重大战略问题，解决好粮食问题是人类生存和发展的社会基础[1-2]。山东省作为重要的产粮基地，2018年粮食产量为5 319.51万t，约占全国粮食产量8.09%，粮食播种面积为84 048.4km2，约占全国的7.18%。因此，山东省粮食产量稳定，对于保障中国粮食安全具有重要意义[3]。

粮食生产作为一种多因素影响的复杂生产行为[4]，吸引了国内外众多学者对其进行研究。为了进一步提高粮食产量，许多学者基于现在的知识，开展了对粮食产量影响因素的研究。

李世涛等[5]通过建立C-D生产函数模型和采用逐步回归分析方法，确定了影响黑龙江垦区粮食产量的主要因素是化肥使用量和播种面积。范建刚[6]对陕西省1983—2004年粮食产量与投入要素进行分析得出，农业劳动力数、有效灌溉面积、粮食播种面积始终是影响陕西粮食产量前三位的投入要素。赵玉姝等[7]对山东省粮食生产影响因素进行实证分析，得出有效灌溉面积是影响粮食产量的首要因素。王树涛等[8]定量分析了河北省粮食产量波动成因，表明自然资源、政策经济支持能力对该省粮食产量造成的波动强度较大。孟国庆等[9]利用网络爬虫技术获取农业网站中影响粮食产量的数据，并利用灰色关联和Lasso回归模型完成特征值筛选和影响因子权重分析。王晓玲等[10]利用灰色关联度分析了影响粮食产量的9个因素，并选取4个主要的影响因素进行多元线性回归模型分析。刘鹏凌等[11]利用主成分分析研究安徽省粮食产量的影响因素，并采用GM（1，1）灰色模型预测粮食产量。杨铁军等[12]运用改进的ARIMA模型，采用ADF单位根检验的方法确定差分阶次进行粮食产量的预测;郭亚菲等[13]主成分分析和粒子群优化神经网络进行粮食产量预测。

本文分析发现，前人的研究成果大多数局限于分析影响因素，并运用预测模型进行粮食产量的预测，而很少对未来几年粮食产量的相关影响因素进行分析。这里选取1994—2018年山东省粮食产量，筛选出9个影响因素进行灰色关联分析，并进行ARIMA模型预测，预测出粮食产量和各种影响因素的走势，然后将预测数据再一次进行灰色关联分析，将现在和未来影响粮食产量的因素进行比较，发现因素的影响程度随时间推移的变化情况，以期为促进山东省粮食生产提供理论依据。

1 材料与方法

1.1 数据来源

本研究以山东省1994—2018年粮食产量为研究对象。在構建粮食产量影响因素体系时，以数据的完整性和可获得性的原则进行拟定，对于无法进行量化的指标，本研究不讨论。数据来源于中国统计年鉴、中国人口和就业统计年鉴、山东省统计年鉴。

根据上述原则，本研究选取了9个涉及粮食产量的要素，即粮食产量面积、少儿抚养比、老年抚养比、农村人口[14-15]、单位面积机械投入[16-17]、单位面积化肥投入、农业生产资料价格总指数[18]、受灾面积比重、灌溉面积比重[19]来构建指标体系。单位面积机械投入为农业机械总动力与农作物播种总面积的比重;单位面积化肥投入为农用化肥折纯量与农作物播种总面积的比重;农业生产资料价格总指数为相对数，本文以1990年农业生产资料价格总指数为100进行表示，即1990年=100。变量的统计描述如表1所示。

1.2 灰色关联分析模型

灰色关联分析法是研究数据间关联性大小（母序列与特征序列之间的关联程度）的一种方法，即通过关联程度大小衡量数据之间的影响程度，从而辅助决策，公式如下：

1.3 ARIMA模型预测原理

ARIMA模型的预测基本思想是，将预测对象随时间推移而形成的数据视为一个随机时间序列，根据相应的识别规则，建立相应的模型进行预测[20]。ARIMA模型根据原序列是否平稳以及回归中所包含的部分不同，包括MA（移动平均过程）、AR（自回归过程）、ARMA（自回归移动平均过程）。ARIMA（p，d，q）模型可以表示为

运用SPSS软件基于AIC值最小原则，寻求合理的p、q、d值，通过构建ARIMA预测模型进行预测。

2 结果与分析

2.1 灰色关联度分析

为了减少灰色关联分析的误差，首先把上面的粮食产量影响因子进行无量纲化处理，然后运用SPSS软件进行关联系数计算。如表2所示，计算结果为粮食产量与各因子之间的关联度，其关联度结果为粮食播种面积>灌溉面积比重>老年抚养比>单位面积化肥投入>农业生产资料价格总指数>农村人口>单位面积机械投入>少儿抚养比>受灾面积比重。通过关联分析结果可以看出，粮食播种面积和粮食产量的关联度高达0.9，居于影响因子首位，说明粮食播种面积作为粮食生产的基础因素，依然显著影响着粮食产量;其次是灌溉面积，其与粮食产量的关联度为0.886，说明灌溉面积比重的提高对粮食产量具有显著影响;老年抚养比和单位面积化肥投入对粮食产量也有较为显著的影响，侧面反映了从事农业劳动人员的年龄问题，以及使用化肥仍然是山东省提高粮食产量的主要措施之一。

2.2 粮食产量及影响因素预测

首先根据1994—2018年数据对2019—2023年的粮食产量进行预测，经过预测模型对比，选取ARIMA（0，1，0）模型，如表3所示，Q6的P值为0.984>0.1，残差白噪声检验结果表明，预测模型拟合程度较好。预测结果如表4所示，表明2019—2023年山东省粮食产量稳步上升，但是上升的幅度较小。

2.3 灰色关联度再分析

根据预测的数据再次进行灰色关联度分析，分析2019—2023年粮食产量影响因素的关联度大小。关联度分析结果表明，灌溉面积比重>农业生产资料价格指数>单位面积机械投入>农村人口>少儿抚养比>粮食播种面积>单位面积化肥投入>老年抚养比>受灾面积比重，如表6所示。通过关联结果可看出，在未来几年灌溉面积对粮食产量的影响程度将升至首位，关联度为0.964，说明在播种面积下降的情况下完善农业灌溉措施，改善灌溉条件是十分重要的促进粮食生产的措施;其次为农业生产资料价格总指数，关联度为0.949，说明农业生产成本问题逐渐显现，制约了粮食生产;单位面积的机械投入也与粮食产量有较为密切的关系，说明在农村人口逐步减少、农村老龄人口增加的背景下，农业生产的机械化逐步显示出优势，提高粮食机械化生产水平是大势所趋。

3 讨论与结论

3.1 结 论

在过去20多年里，粮食播种面积、灌溉面积、老年抚养比和化肥投入都显著地影响了山东省的粮食产量，可见过去山东省主要是依靠大面积的粮食种植以及化肥的大量使用来提高粮食产量，而农业基础建设的推进，使得灌溉面积进一步增大，在一定程度上促进了粮食的高产;而在未来4～5年，粮食产量增长幅度逐步放缓，对粮食产量具有显著影响的因素将转为灌溉面积、农业生产资料价格总指数、机械投入和农村人口，可见高水平的机械化、农资价格将进一步影响未来的粮食生产，粮食生产不再是单一的生产劳动，而是逐步向市场化发展，生产经营成本等观念将进一步影响农户的生产行为，进而影响粮食生产。根据上述方法分别对粮食产量的9个影响因素构建预测模型，获得2019—2023年的预测数据，汇总后如表5所示。根据预测结果可以看出，粮食播种面积、农村人口、单位面积化肥投入和受灾面积比重在不断下降，说明在城镇化快速发展的背景下，耕地不断减少，农村劳动力从农业劳动中解放出来;随着科学施肥理念的传播，单位面积化肥的投入也在逐渐减少;农村人口结构中，少儿抚养比增长进一步放缓，农村老龄化人口的比重加速提升，导致农村人口结构的老龄化程度进一步加大，这在一定程度上制约了农业的发展;机械投入水平和灌溉水平的增长幅度较小，作为促进粮食产量的重要因素，应进一步提高机械化水平并完善基础农业生产设施;农业的生产资料价格在未来几年将进一步提高，从而导致农业生产利润进一步被压缩。

3.2 讨 论

随着城镇化进程的不断加快，土地成为稀缺资源，必须严格把控。山东省是人口大省和粮食产量大省，必须处理好耕地保有量和建设用地之间的矛盾，建立严格的耕地监督机制，在全国规划的基础上统一进行全省农业生产布局，完善耕地占用审批机制，将耕地保有量维持在合理水平线之上。

家庭联产承包责任制這种以家庭为单位的生产方式逐步向机械化的规模生产过渡，农业基础设施的配套完善，有助于机械的推广和农业生产效率的提高[21]，推进农业基础设施建设。

粮食生产成本投入高、利润低的现状，导致农民的农业生产积极性低，这一现实情况使得农业从业人员减少[22]。所以，政府应制定相应的财政扶持措施，提高农民粮食生产的积极性，吸引农业技术人才，推广农业科技，促进粮食生产。同时，还要加大农业政策扶持力度，提高农业发展活力。

参考文献

[1]杨宗辉，蔡鸿毅，覃诚，等.我国粮食生产的时空格局及其影响因素分析[J].中国农业科技导报，2018（9）：7-17.

[2]陈光军.乡村振兴背景下中国改革40年来粮食安全的回顾与思考[J].农业经济，2020（3）：4-6.

[3]李新旺，许皞.河北省粮食产量趋势性的影响因素定量研究[J].水土保持通报，2019（2）：227-232.

[4]柏林川，武兰芳，宋小青.1995—2010年山东省粮食单产变化空间分异及均衡增产潜力[J].地理科学进展，2013（8）：83-91.

（下转第54页） （下转第125页） 粮食生产影响因素的分析[J].高师理科学刊，2015（9）：17-21.

[6]范建刚.1983～2004年陕西粮食产量与主要投入要素的灰色关联分析[J].干旱地区农业研究，2007（3）：215-218.

[7]赵玉姝，焦源，高强.山东省粮食生产影响因素实证分析[J].江苏农业科学，2015（7）：491-493.

[8]王树涛，李新旺，门明新，等.基于改进灰色关联度法的河北省粮食波动影响因素研究[J].中国农业科学，2011（1）：181-189.

[9]孟国庆，王芳，任力生，等.河北省粮食产量预测影响因素关联挖掘分析[J].河北农业大学学报，2019（6）：125-130.

[10]王晓玲，孔思琪.新时代背景下黑龙江省粮食产量影响因素研究[J].商业经济，2020（2）：11-12+172.

[11]刘鹏凌，吴文俊，万莹莹，等.粮食产量的影响因素分析及灰色预测——基于安徽省主产区的数据[J].西安建筑科技大学学报（社会科学版），2019（4）：63-68.

[12]杨铁军，杨娜，朱春华，等.一种新的基于ARIMA模型的粮食产量预测[J].河南工业大学学报（自然科学版），2015（5）：23-26.

[13]郭亞菲，樊超，闫洪涛.基于主成分分析和粒子群优化神经网络的粮食产量预测[J].江苏农业科学，2019（19）：249-253.

[14]张冲，王磊.中国农村人口变动对粮食生产的影响研究[J].农村经济，2018（6）：129-134.

[15]张红.农村人口结构变化对粮食生产影响的实证研究——基于陕西省关中农村的调查[J].湖北农业科学，2017（19）：188-192.

[16]刘超，朱满德，陈其兰.农业机械化对我国粮食生产的影响：产出效应、结构效应和外溢效应[J].农业现代化研究，2018，39（4）：591-600.

[17]郑文钟，应霞芳.农业机械总动力变化影响因素的灰色关联分析[J].农机化研究，2007（12）：15-17.

[18]刘浩然，吴克宁，宋文，等.黑龙江粮食产能及其影响因素研究[J].中国农业资源与区划.2019（7）：169-175.

[19]杨鑫，穆月英.中国粮食生产与水资源的时空匹配格局[J].华南农业大学学报（社会科学版），2019（4）：95-104.

[20]魏艳华，王丙参，王转民.基于ARIMA模型的天水市粮食产量预测与决策[J].天水师范学院学报，2014（2）：23-27.

[21]裴贝贝，毕庆生，尚俊妍.基于组合模型下的河南省粮食生产相关投入分析及产量趋势预测[J].科技和产业，2020（1）：72-76.

[22]曹培格.基于灰色组合模型的粮食产量预测研究[D].郑州：河南工业大学，2018.

Abstract：The analysis of the factors affecting the grain output and the scientific  prediction of the grain output， to improve the future grain output， food security is crucial.In this paper， the data of grain output from 1994 to 2018 were selected， and the factors affecting grain output were analyzed by grey correlation degree. The ARIMA model was used to predict grain output and influencing factors.Finally，the predicted data were analyzed by correlation degree， and the results of the two previous correlation degree analyses were compared. The results showed that：the factors significantly affecting the grain yield from 1994 to 2018 were the grain planting area， the proportion of irrigated area， the dependency ratio of the elderly and the level of fertilizer input.The influencing factors of grain yield in 2019—2023 are the proportion of irrigated area， the total price index of agricultural means of production， and the level of mechanization.In the next five years shandong province grain output slowly increase.

Key Words：grain yield，influencing factor，grey relational model，ARIMA prediction model