尤泰媛，程文仕

（甘肃农业大学管理学院，兰州 730070）

0 引言

粮食安全是人类社会发展的命脉，解决好粮食问题是人类生存和发展的基础，也是稳定社会秩序、保障城乡经济社会高质量发展的重要物质条件。受各种不利因素的影响，世界粮食发展与安全格局发生了新变化，稳定发展粮食生产，继续解决好吃饭问题，成为治国理政的头等大事[1]。根据《中国统计年鉴》，1953—2018年，中国的粮食总产量从1.67 亿t 提高到6.58 亿t，提高了294.32%。相反，全国的粮食播种面积却从1.27亿hm2减少到1.17 亿hm2，减少了7.58%，粮食产量增长主要是依靠单位面积产量的提升而实现。因此，对粮食单产的动态进行研究及预测，有效地厘清粮食单产与影响要素之间的关系，针对性地采取管控措施，对提高粮食产能，切实保护耕地具有重要意义。

近年来，国内外学者针对粮食产量的预测研究较多，粮食产量的预测方法主要有：驱动因素控制的线性时变参数DLDGM(1,N)[2]、SVR 支持向量机等模型[3]、灰色预测模型[4]、改进BP 神经网络模型[5]、GM(1,1)灰色预测方法[6]、LASSO 与GM(1,N)模型[7]、马尔科夫模型[8-9]，等。这些方法各具优点，大都具有计算量大的特点。近年来，大量的机器学习算法在预测模型中凸显其优越性。其中，随机森林（RF）模型是目前预测效果较好的回归模型之一，在分类回归等问题分析上有着独特的优势：两个随机性的引入，不会使其陷入过拟合，无需对变量之间进行假设性检验；对多元线性不敏感，对缺失数据和非平衡的数据有比较稳健的结果[10]；与BPNN 相比，RF 模型无需多次调整参数，参数设置简单，可直接反映指标特征的重要性[11]。……