张筱娴 谭莹

摘要 在新冠肺炎疫情这一重大公共卫生事件背景下，研究疫情对食品价格的影响，有助于稳定农产品的供求。在收集广东、上海、浙江和河南4地的肉蛋及主食4类食品的价格日度数据以及疫情相关数据的基础上，建立FI-GARCH模型，探究新冠肺炎疫情对食品价格的影响，此外还构建GRNN模型对4地食品价格进行预测。结果表明：新冠肺炎疫情对各类食品的影响存在省际差异，上海、浙江的猪肉价格显著提高，4地的鸡蛋价格均有下降，其中上海下降最为明显，各地鸡肉价格整体上无明显波动，广东、上海和浙江大米价格出现上涨;GRNN模型对食物价格进行预测的精度较好，有助于主管部门提前感知风险并采用有效措施予以应对。基于模型估计结果，提出了相应的稳定农产品供求状况的政策建议。

关键词 新冠肺炎疫情;食物供应链;食物价格;FI-GARCH模型;GRNN模型

中图分类号 S-9-文献标识码 A

文章编号 0517-6611（2021）11-0205-11

doi：10.3969/j.issn.0517-6611.2021.11.055

开放科学（资源服务）标识码（OSID）：

Impact of COVID-19 Epidemic on Food Prices in China and Its Prediction—Analysis of Food Prices in Four Places

ZHANG Xiao-xian，TAN Ying

（College of Economics & Management，South China Agricultural University，Guangzhou，Guangdong 510642）

Abstract In the context of COVID-19 epidemic，the study of the impact of the epidemic on the food market will help to stabilize the supply and demand of agricultural products.Based on the daily price data of meat，eggs and staple food in Guangdong，Shanghai，Zhejiang and Henan，as well as epidemic related data，this paper establishes FI-GARCH model to explore the impact of epidemic on food prices，and constructs GRNN model to predict the food prices in the four regions.The results showed that：the impact of COVID-19 epidemic on various kinds of food is different among provinces.The pork prices in Shanghai and Zhejiang have increased significantly，and the egg prices in the four places have decreased，especially in Shanghai.There is no obvious fluctuation in chicken prices in all regions，and rice prices in Guangdong，Shanghai and Zhejiang have increased.GRNN model has a good prediction accuracy for food prices，which is helpful for the competent department to perceive the risk in advance and take effective measures to deal with it.Based on the results of the model estimation，this paper puts forward the corresponding policy recommendations to stabilize the supply and demand of agricultural products.

Key words COVID-19 epidemic;Food supply chain;Food price;FI-GARCH model;GRNN model

新型冠状病毒肺炎（COVID-19）是由新型冠状病毒引起的严重呼吸道传染病，传染性强，目前已发展成为全球大流行病。新冠肺炎疫情的蔓延对各国的食品供应链造成了巨大冲击。世界粮农组织（FAO）指出，新冠肺炎疫情将对最脆弱社区或群体的食物安全造成严重威胁。在新冠肺炎疫情蔓延下，一些国家和地区脆弱的食物供应链承受不住冲击，食物需求很难得到满足，爆发严重的人道主义危机[1]。

疫情期间，多国政府相继发布居家隔离令或封城政策，食物的供给和消费均受到影响。在消费方面，消费者由于居家隔离令的限制或对外出感染风险的考量，倾向于减少餐饮消费，或减少外出购买食物的次数。在供应上，食物供应链在疫情笼罩下更易收缩与中断，食物供应不足，物价飞升，这一境况对无力承担食物消费的弱势群体是极为不利的。

人类历史上多次传染病事件表明，重大公共卫生事件导致的社会群体恐慌，加剧了食物危机。社会群體性恐慌的典型表现为，疫情使民众的不安全感增加，消费者出于避险心理纷纷囤积食物。居民囤积食物的行为会进一步打破食品市场的均衡状态，继续导致消费者的恐慌，食品市场进入恶性循环，食品价格再次上涨。假设投机商人在其中囤积居奇，市场状况可能会进一步恶化，从而超出政府的控制。

食品供应链安全议题始终处于许多国家发展政策中的优先地位。中国作为世界上人口最多的国家，粮食和食物供应链的安全对我国的稳定与发展至关重要。新冠肺炎疫情爆发后，我国在采取空前严格的举国防疫政策的同时，充分保障各类食物供应的稳定，确保了民众日常食物消费的需求得到满足。尽管我国的品价格在疫情期间保持相对稳定，但也出现了一些价格波动。研究这一时期疫情对食物市场的影响以及对食品价格进行合理的拟合与预测，能为我国应对重大公共卫生事件时保证食品市场稳定积累经验和提供决策依据，也有助于为其他仍处于新冠肺炎疫情危机中的国家以及世界未来应对重大公共卫生事件提供参考。

1 相关研究文献评述

全球范围内曾爆发过多次重大公共卫生事件，包括2003年的“非典”疫情、2014年非洲的“埃博拉”疫情以及2020年的新冠肺炎疫情，已有众多学者研究了传染病流行对食物供应及食物价格波动的影响。

传染病疫情会引致居民恐慌情绪，食物抢购潮爆发，造成短期内食物价格的明显上涨。2002年底我国爆发了“非典”疫情，首先在我国广东发生，并扩散至东南亚乃至全球，直至2003年中期疫情才被逐渐消灭。“非典”疫情爆发对我国食品市场造成的冲击较为显著。孙泉等[2]的调查显示，“非典”疫情引发的食物市场异动发生突然，发展迅速，价格波动剧烈;食品、副食品的抢购潮迅速波及多个城市，北京、天津、山西、内蒙、浙江及西北、东北的部分城市先后出现抢购大米、方便面、食盐、鸡蛋、蔬菜的情况，大米、食盐价格上涨1倍左右，鸡蛋、部分蔬菜价格上涨20%～50%。北京作为“非典”疫情震中，食物价格变动更为剧烈，王晓东等[3]研究了“非典”疫情对北京市蔬菜市场供应的影响，发现“非典”疫情初期北京蔬菜市场恐慌情绪明显，北京蔬菜价格大幅上扬，波动程度加剧，蔬菜日均上市量比疫情前下降超过10%;通过采取相应保供措施后，疫情后期北京蔬菜供应量逐步恢复正常，价格回落至疫情前水平。

重大公共卫生事件的发生会对食物供应链造成剧烈冲击。自从新冠肺炎疫情爆发以来，众多研究者着眼于新冠肺炎疫情对各国食物供应链的冲击。刘威等[4]评估了新冠肺炎疫情对我国不同农业产业链环节的冲击大小，各环节受影响的程度不同，食物消费和种植环节受到的影响相对较小，但养殖业受疫情冲击较大，其形势不容乐观;区域间的食物流通风险整体可控，加工环节“断链”现象明显;农机服务和休闲农业短期内受到冲击较大。Workie等[5]认为，新冠肺炎疫情会导致食品供求失衡，这可能是由于农民感染或者由于“封锁隔离”策略导致市场中断;消费者对食物需求下降也会影响农民生产农产品的意愿，依赖发展中国家食物供应的发达国家将从食物供应中断中受到的影响最大。Mishra等[6]总结，疫情主要通过较低的产出价格以及对劳动力流动和交通运输的限制影响农民，但对农民的直接影响相对较小，相较之下食品加工商和零售商会由于隔离政策遭受重大损失。

从以往研究中可以看出，学者在研究世界范围内的大流行病对食物市场的冲击时，大多进行定性分析，深入探讨了疫病爆发后食物供应链中断的机理及对各国居民的影响，但较少对疫情造成的食物价格波动幅度进行衡量。定量分析新冠肺炎疫情下我国食物市场价格的波动程度，既能为我国政府在应对重大公共卫生危机的进程中调节食物市场均衡积累经验，也能为各国克服疫病和食物供应的双重压力提供有益启示。因此，笔者在收集2019年1月1日—2020年7月31日食品价格日度数据的基础上，以猪肉、鸡蛋、鸡肉和主食4种食品为着眼点，运用FI-GARCH模型研究了新冠肺炎疫情对广东、上海、浙江和河南4个省区食物价格的影响，并构建广义回归神经网络模型（GRNN）对4地的食物价格进行拟合和预测。

2 理论模型

2.1 食物市场的供需平衡

在一个运行平稳的食物市场中，供给St等于需求Dt时，市场保持均衡。假设食物的供求是由市场价格Pt和关于新冠肺炎疫情的信息Ct共同决定的。Ct可以是模拟新冠肺炎疫情的离散变量，也可以是衡量疾病严重程度的感染人数。参考Yu[7]的分析框架，首先得到：

Dt（Pt，Ct）=St（Pt，Ct）（1）

对式（1）两边同时求导得：

DtPtdPt+DtCtdCt=StPtdPt+StCtdCt（2）

由式（2）可得：

dPtdCt=（StCt-DtCt）/（DtPt-StPt）（3）

假设市场均衡Dt=St，式（3）可化为

dPtdCt·CtPt=（StCt·CtSt-DtCt·CtDt）/（DtPt·PtDt-StPt·PtSt），可重写为以下公式：

ηP，C=ηS，C-ηD，CηD，P-ηS，P（4）

式中，ηP，C代表疫情信息的价格弹性，反映了食物价格对新冠肺炎疫情信息变化的反应程度，弹性越大代表食物价格波动对疫情信息的变化越敏感，是该研究的焦点。ηS，C和ηD，C分别表示疫情信息的食物供给和需求弹性。同样地，ηD，P和ηS，P分别表示食物供给与需求对食物价格波动的敏感程度。

在一般情况下，对正常的食品而言，ηD，P< 0，ηS，P>0，所以式（4）中ηP，C的符号与（ηD，C-ηS，C）的符号相同。因此，食物价格的波动是由疫情信息的供给弹性ηS，C和需求弹性ηD，C之差决定的。新冠肺炎疫情爆发后，各国政府通常会采取严格的限制措施，封锁城市和控制人员流动，以遏制或减缓疫情的传播。新冠肺炎疫情对食物价格的影响是不确定的，减少人员流动的措施可能同时减少食物的需求和供应。如果需求下降超过供给，食物价格就会下降，反之亦然。

2.2 食物价格预测模型

国内关于食品价格预测的研究较多，学界用于预测食品价格的模型方法体系较为成熟，许世卫等[8]把这些预测方法大体上归纳为4类：计量经济预测法、数理统计预测法、智能分析法和组合模型法。计量经济预测法即回归分析法，应用各种回归模型进行农产品价格的预测，如张萌等[9]采用符号回归方程对我国2016—2025年的马铃薯实际价格和名义价格分别进行了预测，该预测模型显示了较好的拟合优度。数理统计预测方法中应用最为广泛的是时间序列法，常用的包括趋势外推法[10]、季节分解法[11]、移动平均法[12-13]、指数平滑法[14]、平稳时间序列预测法[15]、状态空间模型[16]和卡尔曼滤波法[17]。智能分析法采用了信息技术和智能技术，其中较多用于食品价格预测的有人工神经网络预测法[18]、灰色预测法[19]和专家系統预测法[20]。组合模型法是将不同预测方法所得的预测结果组合起来形成一个新的预测结果的方法，可以是同类模型间的组合，也可以是不同类别模型间的组合[21]。现有文献用于食物价格预测的方法主要是时间序列法，但相较之下，各种时间序列模型的预测精度和的泛化能力不足，神经网络模型具有更强的逼近能力和泛化能力。

广义回归神经网络（generalized regression neural network，GRNN）的理论基础是基于非线性回归分析得到的，其工作原理来源于统计学中的概率论思想[22]。假设随机变量x和随机变量y的联合概率密度函数为f（x，y），矢量随机变量x的观测值为X，则在统计学上y就相当于X的回归，即标量随机变量y在观测值X条件下的条件均值（X），其条件均值的函数表达式如下：

（X）=E（y|X）=∫+∞-∞yf（X，y）dy∫+∞-∞f（X，y）dy（5）

式（5）中，由于f（X，y）是未知的，所以在根据随机变量x的观测值X得到随机变量y预测输出向量之前，需要首先应用泊松估计对密度函数f（X，y）进行估计，其密度函数估计如下：

（X，y）=1n（2π）m+12σm+1ni=1 exp-（X-Xi）T（X-Xi）2σ2 exp-（X-Yi）22σ2（6）

式（6）中，Xi为矢量随机变量x的样本观测值;m为矢量随机变量x的维数;Yi为标量随机变量y的样本观测值;n为样本容量;σ为高斯函数的密度系数，是广义回归神经网络模型的光滑因子，当样本观测值确定后，σ是唯一需要确定的值。

把密度估计函数代入式（5）中，简化后得到随机变量y的预测输出如下：

（X）=ni=1Yiexp（X-Xi）T（X-Xi）2σ2

ni=1exp（X-Xi）T（X-Xi）2σ2（7）

从式（7）中可以看出，估计值相当于随机变量的样本观测值的加权平均值，且每个样本观测值的加权系数都与光滑因子唯一相关。当光滑因子取值非常大时，每个样本观测值的加权系数趋向于1，就相当于估计值趋向于所有样本的均值;相反，当光滑因子取值0時，估计值基本上能与训练样本非常接近，这说明当随机变量和随机变量的观测值都包含在训练样本集合中时，根据公式（7）求出的随机变量的样本观测值的估计值会非常接近训练样本中所对应的样本观测值，但是当所需预测的小部分样本不在这个训练样本集合中时，则可能导致网络预测效果很差，出现过拟合的状态。因此，光滑因子的取值要适中。

3 实证模型设定

3.1 变量选取与数据来源

3.1.1 食品价格。猪肉及其产品是中国最大众化的肉类食品，尽管随着居民收入的不断提高和食物消费结构的转型升级，猪肉消费在肉类消费中的比重逐渐降低，猪肉仍为消费量最大的肉类品种[23]。猪肉价格的频繁变动，会对居民生活带来重大影响。鸡蛋是居民日常生活中重要的蛋白质来源，是“菜篮子”中的重要产品，在改善居民饮食结构上发挥了重要作用[24]。鸡蛋价格合理波动，能使鸡蛋产业在健康发展的同时，保证消费者的利益。我国是鸡肉生产和消费大国，随着我国居民生活水平的逐步提高，消费者对以鸡肉为代表的“白肉”表现出越来越多的青睐，鸡肉成为仅次于猪肉的第二大肉类需求品[25]。鉴于鸡肉在家庭肉类消费中的重要地位，对其价格变化的研究具有重要意义。此外，确保我国粮食安全是一项重要的战略任务，研究各地主食价格的变动，能为维持物价稳定和维护粮食安全提供依据。综上所述，探析新冠肺炎疫情冲击下各地食品价格的波动程度，有助于促进各类食品的稳产保供以及合理引导消费者预期。

国家卫健委发布的疫情地图显示，广东、上海、浙江和河南是湖北省外疫情最严重的4个省级行政区，且由于4省区常住人口多，人口密度大，对肉蛋及主食的需求量大，疫情会对4地食物市场造成一定影响。基于此，该研究收集了2019年1月2日—2020年7月31日广东、上海、浙江和河南4地猪肉、鸡肉、鸡蛋、主食的市场批发价格日度数据，食品价格数据均来源于Wind数据库。值得注意的是，该研究根据各地区的饮食习惯差异来确定对应的主食研究对象，广东、上海和浙江3地位于南方地区，居民主食为大米，而河南地属北方，以面粉为主食，故根据各地饮食习惯的不同，分别研究新冠肺炎疫情对大米或面粉价格的影响。这几种食品在很大程度上可以代表各区域消费者的日常基本食品需求，尤其是在危机时期。

各变量的描述性统计结果见表1。4省（市）不同食品价格的变化趋势如图1所示。

3.1.2 新冠肺炎疫情数据。

国家卫生健康委员会于2020年1月17日开始正式通报新冠肺炎确诊感染病例，全国各省级行政区开始报告确诊病例的起始时间不同。除上海是从2020年1月20日开始通报病例的，广东、浙江和河南省卫健委均从1月21日开始通报本省病例数，该研究根据各地开始报告病例数的日期来确定疫情虚拟变量的取值进行研究，病例数从4地的省级卫生健康委员会官网收集得到。

在采取了强有力的抗疫措施后，中国基本控制住了疫情。4个省区新确诊感染的趋势见图2。新冠肺炎疫情的冲击可能有两方面：一方面是疫情本身，另一方面是其严重程度。这两个维度将在计量模型中进行定量分析。在计量模型中，该研究使用每天新增确诊病例来衡量疫情的严重程度。

3.2 自相关与单位根检验

GARCH模型被广泛应用于研究价格波动。然而，GARCH的有效性取决于时间序列的自相关。该研究使用Box-Pierce检验所有价格序列的自相关性[26]，检验结果见表2。检验结果显示，所有价格序列都拒绝不存在自相关的零假设。因此，GARCH模型是一种有效的方法。

使用GARCH模型通常要满足平稳性，一般采用ADF检验来检验时间序列是否存在单位根。表1结果显示，在0.05显著性水平下，ADF检验不能拒绝所有序列存在单位根的原假设。在这种情况下，在Baillie Richard等[27]研究的基础上，该研究采用FI-GARCH模型（Fractionally Integrated GARCH），该模型允许序列存在些微的长期记忆性。

3.3 FI-GARCH模型设定

GARCH模型是一个非常灵活的时间序列模型，在文献中被广泛用于研究价格波动。假设中国的食品价格遵循GARCH（1，1）， GARCH（1，1）在学术界中被广泛认为是一个强有力的工具[7]。

yt=μ0+μ1yt-1+εt+ρ1εt-1（8）

在式（8）中，yt是t时刻的食物价格，εt为扰动项，并且满足εt|Ψt～N（0，σ2t）。式（8）为ARMA（1，1）模型，能够捕捉到大多数短期冲击。为了能捕捉到时间序列中的GARCH成分，通常作出假设：

σ2t=ω+ασ2t-1+βε2t-1（9）

在式（9）中，假设α+β<1，这意味着GARCH（1，1）模型是弱平稳的，序列yt不存在长期记忆性。不幸的是，对于存在自相关的弱平稳性，这个条件是不充分的。在Engle等[28]提出IGARCH（Integrated GARCH）模型的基礎上，Baillie Richard首次引入FI-GARCH模型。在FI-GARCH模型中，存在以下关系：α+β=1。这一设定允许序列yt存在长期记忆性，对应的GARCH模型中存在单位根。因此，FI-GARCH模型可用于该研究。

新冠肺炎疫情的爆发是外生事件，可能会同时冲击价格的均值和方差。此外，我国自2020年1月份爆发新冠肺炎疫情后，存在两个影响。首先，疫情本身可能造成重大的社会、经济和心理冲击，疫情爆发前后的食物价格可能会有所不同，该研究采用一个虚拟变量来模拟这种效果。其次，疫情严重程度可能从另一个层面影响食品价格，故将每天新感染的病例数纳入模型。因此模型设定为

yt=μ0+μ1yt-1+μ2Dt+μ3Ct+εt+ρ1εt-1（10）

式中，εt|Ψt～N（0，σ2t）;Dt是关于疫情的虚拟变量，各地通报新冠病例的起始日以前取值为0，在此之后的日期取值为1;Ct是由各省级卫健委报告的每天新增确诊感染人数。FI-GARCH模型为

σ2t=ω+ω1Dt+ω2Ct+ασ2t-1+βε2t-1（11）

值得注意的是，GARCH模型中的厚尾问题会使估计结果有偏差，所以在实证研究时假设εt服从t学生分布比正态分布效果更佳。在完成模型的设定后，该研究利用EViews 10软件对FI-GARCH模型进行估计。

4 新冠肺炎疫情对食品价格的影响实证结果分析

4.1 猪肉价格

表3报告了新冠肺炎疫情对猪肉价格的影响。从AR（1）的系数来看，除浙江外，广东、上海和河南3地的对应系数均为正，且在0.01的水平上显著，说明3地猪肉的历史价格均对当前价格有显著的正影响。与新冠肺炎疫情相关的两项变量中，上海的 “新冠肺炎疫情爆发”对应变量系数在0.01的水平上显著，疫情爆发使上海的猪肉价格平均提高了约5元/kg;浙江的“新冠肺炎疫情爆发”变量系数在0.01水平上显著，“病例数”变量系数在0.05的水平上显著，这说明疫情使浙江猪肉价格平均提高了约14元/kg，且平均每新增一例确诊病例，价格提高约0.1元/kg。GARCH等式的估计结果显示，浙江的“病例数”系数在0.01的水平上显著为负，表示浙江每新增一例确诊新冠病例，猪肉价格的波动程度将降低。

从新冠肺炎疫情对4地猪肉价格的影响估计结果中不难看出，新冠肺炎疫情这一突发重大公共卫生事件对上海和浙江的猪肉市场价格造成的冲击较大，对广东和河南猪肉市场的影响较小。新冠肺炎疫情爆发后，上海和浙江两地的猪肉价格相较于广东与河南出现了明显上扬，这是由于上海、浙江2地并不是生猪主产区，距离主产区省份较远，当地猪肉供应需要依靠外省长距离调运。而疫情导致猪肉供应运输渠道不畅，两地的猪肉供应相对于需求出现了暂时性失衡，价格随之上涨。广东和河南两地的猪肉市场价格受到新冠肺炎疫情的冲击较小，这是因为河南是生猪主产区，广东临近生猪生产大省湖南，猪肉可以进行快速调运，运输距离较短，因此两省在疫情发生后供应存在较大缺口的状况不常出现，即使出现缺口后，通过有效的物流调配体系，猪肉消费需求也能较快得到满足。

值得注意的是，疫情期间浙江猪肉市场价格的波动程度随着新增确诊病例数的增加而降低，这源于浙江疫情初期面临猪肉供应相对不足而价格上涨的情况后，后期中央和当地政府出台各种措施保障猪肉的供应与调配能力，供应和需求趋于平衡，供求相对状况波动幅度缩小，所以猪肉价格也逐渐平稳。

4.2 鸡蛋价格

表4报告了新冠肺炎疫情对4地鸡蛋价格的影响。从AR（1）的系数来看，与猪肉价格估计结果相似，4地除浙江外，其余3地的AR（1）系数均在0.01的水平上显著为正，表明广东、上海和河南的鸡蛋历史价格对当前价格有显著的正向影响。从均值等式估计结果可以看出，新冠肺炎疫情对广东、上海和浙江3地的鸡蛋市场价格冲击显著。广东、上海和浙江的“病例数”变量系数均在0.01的水平上显著为正，即每新增一例新冠确诊病例，上海市场鸡蛋价格相应的上涨幅度最大，平均价格提高约0.08元/kg，广东和浙江的鸡蛋价格涨幅较小，分别上涨约0.018和0.015元/kg。

值得关注的是，4地的“新冠肺炎疫情爆发” 变量的系数均为负，但只有上海的对应系数具有显著性，鸡蛋价格相较疫情爆发前平均下降了约2.57元/kg。此现象一个可能的解释为，疫情期间农户以及家禽养殖业的鸡蛋销售渠道受阻，各类养殖户的禽蛋库存总量较高，随着疫情逐步得到控制，养殖户的鸡蛋库存量得以释放，市场上流通的鸡蛋供应量大，导致鸡蛋价格较疫情前有明显回落。

GARCH等式估计结果表明，新冠肺炎疫情对广东和浙江的鸡蛋价格波动性影响较大。广东“新冠肺炎疫情爆发”变量在0.01的水平上显著为负，疫情发生后相比疫情发生前鸡蛋价格的波动程度有明显降低，这得益于鸡蛋物流供应体系的平稳运行，使供求相对平衡，较少出现失衡状况。浙江“新冠肺炎疫情爆发”和“病例数”变量均在0.01的水平上显著为正，即疫情和确诊病例的增加略微加剧了浙江鸡蛋市场价格的波动性，这背后的可能原因是，疫情期间各类信息对居民产生心理影响，居民根据掌握的疫情信息做出的异常购买行为增多，鸡蛋价格的变动也随之增加。

4.3 鸡肉价格

表5报告了新冠肺炎疫情对4省区鸡肉价格的影响。从AR（1）的系数来看，4地的系数均在0.01的水平上显著为正，即鸡肉当前价格均会受到历史价格的正向影响。在新冠肺炎疫情相关变量的所有系数中，只有上海“新冠肺炎疫情爆发”变量系数在0.10的水平上显著，可见新冠肺炎疫情对4地鸡肉价格的冲击整体不显著，仅对上海鸡肉价格有轻微影响，疫情使当地鸡肉价格平均提高了约0.25元/kg。与此同时，新冠肺炎疫情降低了浙江鸡肉市场价格的波动程度，两项疫情变量系数分别在0.01和0.05的水平上显著。

4.4 主食价格

表6报告了新冠肺炎疫情对主食价格的影响估计结果。广东、上海和浙江对应均值等式的AR（1）系数在0.01的水平上显著为正，说明3地的主食大米历史价格会正向影响当前价格，而河南居民的主食面粉历史价格对现价无顯著影响。在以大米为主食的广东、上海与浙江3地，新冠肺炎疫情的发生抬高了当地大米价格。广东“新冠肺炎疫情爆发” 变量系数在0.01的水平上显著为正，疫情发生后的大米价格比疫情前的大米价格平均上涨了约0.14元/kg;上海“病例数”变量系数在0.01的水平上显著为正，表明上海每新增一例新冠确诊病例，大米价格平均提高0.002元/kg;浙江“新冠肺炎疫情爆发”变量系数在0.01的水平上显著为正，则浙江省疫情发生后的大米市场价格比疫情前的大米价格平均上涨了约0.45元/kg。从主食价格的波动程度看，疫情对广东、浙江两地的大米价格以及河南的面粉价格波动程度存在较为显著的影响，但从量纲看，这3地的主食价格波动性变化幅度不大。

FI-GARCH估计结果表明，新冠肺炎疫情提高了主食价格的波动程度。对以上现象的可能解释是，新冠肺炎疫情的爆发对主食需求的影响大于对供给的影响，其中还伴随了新冠肺炎危机后的社会恐慌。具体来说，新冠肺炎疫情引发了社会性恐慌，由于主食保质期较长，价格较低，包括大米和面粉在内的主食是居民囤积食物的首选，人们倾向于囤积存货，这就抬升了食品需求，导致短期内价格上涨，抢购潮的爆发让供求相对状况变化剧烈，主食价格的波动程度加剧。

总而言之，新冠肺炎疫情相关信息会导致食物价格波动加剧，背后的作用机制是，一方面，在疫情扩散的情况下，政府执行严格的防疫措施后人员流动下降，食物的消费和生产过程均会受到不同程度影响;另一方面，疫情信息可能对社会个体产生心理影响，社会个体对疫情信息有不同的解读，导致异常购买和生产行为，食物价格的变动也随之增加。

5 基于GRNN模型对食品价格的预测

5.1 学习样本的选择与数据处理

为了利用GRNN模型对食品价格进行拟合和预测，分别把4地每种食品2019年1月2日—2020年7月16日的价格作为训练样本，假设食品价格与时间相关，即把时间作为食品价格的变量，把4地前一天的食品价格作为GRNN模型的输入值，其对应的后一天价格作为输出值，来训练样本。

将输入和输出的数据进行归一化后分析，从样本中随机选取两个样本的拟合值与真实值作为训练网络的待估点，用来确定光滑因子。

5.2 网络的构建与训练

构建GRNN模型预测食品价格时，不同大小的σ光滑因子将导致预测结果的不同，进而导致预测的有效性和精度不同。预测中一个较为常见的标准为，运用均方根误差RMSE（Root Mean Square Error）值的大小来判断精度，RMSE值越小，则精度越高。RMSE的计算公式为

RMSE=1NNi=1（Pi-i）2（12）

式中，i表示预测值;Pi表示实际值。

该研究利用Matlab R2015b软件编写并实现GRNN模型。将光滑因子从0.001开始逐渐增加0.001至1，比较不同光滑因子对应的待估点预测值与真实值误差序列的RMSE值。多次尝试后，最终确定4地省每种食品价格对应的光滑因子，进一步构建GRNN模型。以2020年7月16日—2020年7月31日4地对应食品价格作为GRNN网络的输入，用训练好的网络预测2020年7月17—31日食品价格，并将预测值进行反归一化得到最终的预测结果。

GRNN模型的预测值与真实值如图3～6所示，可以看出GRNN模型能够对4省食品价格进行较好的预测。

5.3 预测效果评估

为了准确地评价GRNN模型对4省市食品价格的预测效果，该研究选取Theil不相等系数（Theil disequilibrium index）来评价预测效果的好坏。Theil不相等系数的计算公式为

T=1NNi=1（Pi-i）2

1NNi=1（Pi）2+1NNi=1（i）2（13）

式中，i表示预测值，Pi表示实际值，对于Theil不相等系数来说，T=1时预测效果最差，T=0时预测值和真实值完全接近，此时模型预测效果最好。表7展示了各省食品价格预测的Theil不相等系数。Theil不相等系数模型结果显示，从整体看GRNN模型对4省市每种食品价格的预测性能较好，预测值同真实值较为接近。

6 结论与建议

6.1 结论 为了研究新冠肺炎疫情对我国食品市场价格造成的冲击，该研究基于2019年1月2日—2020年7月31日的食品价格日度数据，运用FI-GARCH模型估计了新冠肺炎疫情对广东、上海、浙江和河南猪肉、鸡蛋、鸡肉和主食4类食品价格的影响，比较了疫情导致的食品价格变动在省级间的差异，同时还构建GRNN模型对各地的价格进行了合理的拟合预测。主要结论有：①新冠肺炎疫情爆发下，猪肉调运不畅，导致上海、浙江的猪肉价格均显著提高，但浙江的波动程度降低了;②由于疫情得到控制后鸡蛋生产商逐渐释放了鸡蛋库存量，4地的鸡蛋价格均有下降，其中以上海下降最为明显，而浙江蛋价的波动性增加了;③除上海鸡肉价格有轻微上涨外，疫情对各地鸡肉价格整体上影响不显著;④主食是疫情期间消费者囤积食物的首选，广东、上海和浙江大米价格出现上涨，河南面粉价格无明显变动;⑤建立的GRNN模型具有较好的泛化能力、鲁棒性和可靠性，对食物价格进行预测研究，真实值和预测值之间的Theil不相等系数和0较为接近，预测精度较高，有助于各地监测食物市场价格出现大幅波动风险时，对其进行提前感知并采用有效措施予以应对，从而减少经济损失。

6.2 政策建议 自2020年初新冠肺炎疫情爆发，全国各地政府均采取了严格的抗疫政策，及时发布疫情相关信息并有效管控人群聚集和流动，成功控制了疫情;同时在抗击新冠肺炎疫情的过程中，确保了充足的食品供应，避免了人道主义危机。这在很大程度上稳定了市场，减少了恐慌。如今我国已进入疫情常态化防控阶段，在这一背景下确保食品市场供应和价格稳定，关乎民生，连接民心。为此，针对后疫情时期的食品价格形势，提出以下建议。

6.2.1 稳产放储并举，夯实稳价基础。

全面摸排掌握各地范围内相关食品生产情况，加大政策扶持力度，统筹协调各方资源，全力以赴促复产、提产能、挖库存、扩进口。把稳产保供作为2020年“米袋子”省长负责制和“菜篮子”市长负责制考核的关键内容，省、市、县共同担责，产销两端同时发力，逐项打通制约农产品供应链生产流通销售各环节的堵点和难点。根据疫情防控需要和市场供给情况，及时投放储备食品，同时调节收储力度。

6.2.2 开辟绿色通道，确保物资运输畅通。杜绝“一刀切”式交通管制，及时开辟绿色通道，确保菜篮子产品运输畅通。组织开展“农超对接”“农社对接”等产销对接活动，促进采购主体与产区、与产地有效精准对接，建立稳定可靠的产销协作关系。同时，组织商超和批发市场积极采购滞销果蔬，加快推进农村电子商务发展和冷链物流建设，充分运用信息化手段促进农产品线上销售[29]。

6.2.3 强化监测预警，前移价格调控关口。

在疫情防控特殊时期，应把价格调控的关口向前移，及时制定价格应急监测制度，将猪肉、大米等农产品列为重点监测对象，实行一日一报，发现价格异动的苗头性、倾向性、潜在性问题，尽快反应、尽快跟进，及时采取措施稳定物价，以实现价格调控由被动“灭火”向主动“防火”转变。

6.2.4 加强宣传引导，稳定市场价格预期。

发挥政府、专家学者、商会协会作用，全方位、多渠道宣传疫情防控成效及采取的措施，及时对保障“菜篮子”商品市场供应和价格稳定的各项政策措施进行解读，切实稳定市场预期。同时，密切关注价格舆情动态，及时回应社会和群众关切，妥善化解可能影响预期市场稳定的重大风险，并对散布涉及市场供应和价格方面的虚假信息行为予以严厉打击。针对部分紧缺商品供不应求的情况，应指导商超及时补货，做好消费疏导，避免出现抢购潮[30] 。

6.2.5 充分兜底民生底线。

进一步完善社会保障和民生救助机制，确保困难家庭补贴按时足额发放。当居民消费价格涨幅达到启动条件时，应立即启动联动机制，并确保在指数发布的当月内将价格临时补贴发放到位[31]。要摸清因疫情失业或返贫群体的情况，及时纳入社会保障体系。鼓励有条件的地方提高价格临时补贴标准或者向困难群众发放一次性生活补助，努力保障困难群众的基本生活不因物价上涨而受到影响。

参考文献

[1]

HASINER E，YU X H.Meat consumption and democratic governance：A cross-national analysis[J/OL].China economic review，2020，59[2020-09-25].htts：//doi.org/10.1016/j.chieco.2016.06.008.

[2] 孫泉，蒋晓芒，程晓东.“非典”引发的市场异常波动及启示[J].价格理论与实践，2003（7）：29-30.

[3] 王晓东，戈雪松，赵安平，等.灾害天气、重大事件、重要节日对北京市蔬菜市场供应的影响[J].农业展望，2015，11（1）：47-55.

[4] 刘威，马恒运.突发公共卫生事件对中国食物供给及农业发展的冲击及应对[J].重庆社会科学，2020（5）：32-42.

[5] WORKIE E，MACKOLIL J，NYIKA J，et al.Deciphering the impact of COVID-19 pandemic on food security，agriculture，and livelihoods：A review of the evidence from developing countries[J].Current research in environmental sustainability，2020，2：1-6.

[6] MISHRA A，BRUNO E，ZILBERMAN D.Compound natural and human disasters： Managing drought and COVID-19 to sustain global agriculture and food sectors[J/OL].Science of the total environment，2021，754[2020-09-25].htts//doi.org/10.1016/j.scitoenv.2020.

[7] YU X H.Monetary easing policy and long-run food prices： Evidence from China[J].Economic modelling，2014，40：175-183.

[8] 许世卫，李哲敏，李干琼，等.农产品市场价格短期预测研究进展[J].中国农业科学，2011，44（17）：3666-3675.

[9] 张萌，高明杰，罗其友.中国马铃薯价格波动定量分析[J].中国农业资源与区划，2020，41（1）：113-121.

[10] MANI V，SUBRAMANIAN S R，SHANMUGASUNDARAM S.Forecasting of egg production and wholesale egg price in salem district of Tamil Nadu[J].Indian journal of agricultural economics，2000，55（4）：683-690.

[11] 刘雪，刘锦涛，李佳利，等.基于季节分解和长短期记忆的北京市鸡蛋价格预测[J].农业工程学报，2020，36（9）：331-340.

[12] 张一凡，范梅华.基于ARIMA模型对全国集贸市场鸡蛋价格的分析和预测[J].中国家禽，2020，42（1）：82-86.

[13]韩雯.ARIMA模型在贵州省农产品价格预测中的应用：以辣椒为例[J].安徽农业科学，2011，39（21）：13226-13227，13229.

[14] 刘海清，方佳.基于指数平滑模型的海南省芒果价格预测[J].热带农业科学，2010，30（1）：79-81.

[15] 李苏，宝哲.我国猪肉价格波动特征及预测研究[J].价格理论与实践，2020（6）：80-83，153.

[16] BAZEN S，CARDEBAT J M.Forecasting Bordeaux wine prices using state-space methods[J].Applied economics，2018，50（47）：5110-5121.

[17] 金瑶，蔡之华.基于AR模型的Kalman滤波在股票价格预测中的应用[J].统计与决策，2013（6）：80-82.

[18] 周李涌，李娟娟，李宝山，等.基于PCA-BP神经网络的羊肉价格预测研究[J].黑龙江畜牧兽医，2020（14）：5-7.

[19] 谢锦涛.娄底市猪肉价格的影响因素分析及预测[J].湖南农业科学，2020（2）：91-93，98.

[20] 王桂红，杨勇，吴华瑞，等.农产品市场价格Web信息智能分析方法[J].沈阳农业大学学报，2013，44（3）：284-288.

[21] 熊巍，祁春节，高瑜，等.基于组合模型的农产品市场价格短期预测研究：以红富士苹果、香蕉、橙为例[J].农业技术经济，2015（6）：57-65.

[22] 张艳.基于ARIMA与GRNN组合模型对人民币汇率的预测[D].武汉：湖北工业大学，2017.

[23] 韓磊，王术坤.2019年中国猪肉供需形势及2020年展望[J].农业展望，2020，16（4）：7-11，17.

[24] 堵鹤明.我国鸡蛋价格波动及传导机制研究[D].石家庄：河北经贸大学，2020.

[25] 喻开志，王小军，田明言.国内鸡肉价格波动及其影响因素研究：基于市场不确定因素的实证分析[J].价格理论与实践，2019（12）：59-62.

[26] BOX G E P，PIERCE D A.Distribution of residual autocorrelations in autoregressive-integrated moving average time series models[J].Journal of the American statistical association，1970，65（332）：1509-1526.

[27] BAILLIE R T，BOLLERSLEV T，MIKKELSEN H O.Fractionally integrated generalized autoregressive conditional heteroskedasticity[J].Journal of econometrics，1996，74（1）：3-30.

[28] ENGLE R F，BOLLERSLEV T.Modelling the persistence of conditional variances[J].Econometric reviews，1986，5（1）：1-50.

[29] 蒋和平，杨东群，郭超然.新冠肺炎疫情对我国农业发展的影响与应对举措[J].改革，2020（3）：5-13.

[30] 叶兴庆，程郁，周群力，等.新冠肺炎疫情对2020年农业农村发展的影响评估与应对建议[J].农业经济问题，2020，41（3）：4-10.

[31] 魏后凯，芦千文.新冠肺炎疫情对“三农”的影响及对策研究[J].经济纵横，2020（5）：36-45.