我国辛辣类蔬菜价格波动预警分析

摘    要： 近年来小宗蔬菜的价格波动十分剧烈，其市场价格监测平台虽不断完善，但缺乏对小宗蔬菜价格大幅波动的预警机制。以主要辛辣类蔬菜价格为研究对象，建立基于BP神经网络的价格波动预警模型，对辛辣类蔬菜价格进行短期预测预警，探索辛辣类蔬菜价格未来走势。结果表明，基于BP神经网络的辛辣类蔬菜价格预警模型能够很好地满足要求；大蒜未来价格呈先下降后上升的深“U”型态势；大葱未来价格呈曲折下降的态势；生姜未来价格呈先缓慢下降后上升的浅“U”型态势；洋葱未来价格呈先下降后平稳的态势；辣椒未来价格呈先上升后下降的倒“V”型态势。

关键词： 辛辣类蔬菜； 价格波动； 价格走势； 预警分析

中图分类号： F323.7 文献标志码： B 文章编号： 1673-2871（2023）11-151-10

Early warning analysis on price fluctuation of spicy vegetables in China

WANG Mengwei， ZHOU Yue， BAI Li， WANG Zhe

（School of Economics and Management， Hebei Agricultural University， Baoding 071000， Hebei， China）

Abstract： In recent years， the price of small batches of vegetables has fluctuated sharply. Although its market price monitoring platform has been continuously improved， there is a lack of early warning mechanisms for large fluctuations in the price. Taking the main spicy vegetable prices as the research object， a price fluctuation early warning model based on BP neural network is established to conduct short-term prediction and early warning on spicy vegetable prices， and explore the future trend of spicy vegetable prices. The results show that the price early warning model of spicy vegetables based on BP neural network can well meet the requirements. The future price of garlic presents a deep “U” shape， with a downward trend followed by an upward trend. The future price of scallions presents a tortuous downward trend. The future price of ginger presents a shallow “U” shape， with a slow decline and then an upward trend. The future price of onions will first decline and then stabilize. The future price of chili peppers presents an inverted “V” shape， rising first and then falling.

Key words： Spicy vegetables; Price fluctuation; Price trend; Early warning analysis

据国家统计局最新数据，2021年中国蔬菜总种植面积约2200万hm2，在同年全国农作物总种植面积中占比约13.03%。但蔬菜供应的数量和稳定程度、蔬菜的质量安全、蔬菜的价格波动是3个较为重要的问题，需引起高度重视。其中蔬菜价格剧烈波动问题影响着菜农与消费者双方的利益，“菜贵伤民”“菜贱伤农”的现象反复出现，这对社会经济及人民生活造成了一系列负面影响，蔬菜价格是否稳定牵动着蔬菜产业的发展态势，是涉及民生的关键问题。笔者在借鉴相关理论和国内外研究已有成果的基础上，以主要辛辣类蔬菜价格为研究对象，分析辛辣类蔬菜的生产现状和价格走势，并基于BP神经网络的价格波动预警模型，对辛辣类蔬菜价格进行短期预测预警，探索辛辣类蔬菜价格未来走势，最后根据预警结果对辛辣类蔬菜价格进行合理的判断，以期为生产者提前预报警情降低未来潜在损失，促进蔬菜产业的健康发展。

1 相关文献综述

关于农产品价格波动的研究方法，郑姗等[1]利用H-P滤波对河北蔬菜的价格进行分析，并利用VAR模型对价格波动进行实证研究。高仙草等[2]运用ARCH类模型通过对金乡大蒜产地价格波动特征的研究，得出金乡大蒜的市场价格波动具有明显的聚簇性和不对称特性。熊德斌等[3]以近十年辣椒出口价格和出口量为研究对象，发现我国辣椒出口价格及出口量呈现明显的季节性波动特征。关于蔬菜价格波动异常原因的研究，随学超等[4]认为是市场不透明、供求信息不对称影响地区蔬菜剩余调节效率，如果一定区域内的市场蔬菜供需不能及时调剂，将使其市场价格产生异常的波动。张娟娟等[5]发现受疫情和供给量影响2020年辣椒的价格出现异常波动。陈明均等[6]认为2019年生姜产量下降，市场供应不足，受新冠疫情的影响，2020年上半年生姜出口需求激增，以及生姜种植成本增加推动市场价格上涨是生姜价格异常波动的主要原因。

综上所述，已有文献主要集中于从总体上研究农产品的价格波动特征，或从总体上研究蔬菜的价格波动问题，对辛辣类蔬菜产业的价格预警研究较少。笔者在本文中将主要以辛辣类蔬菜品种为例，建立动态的辛辣类蔬菜价格波动预警模型，为农户安排种植和管理部门掌握生产情况提供参考。

2 辛辣类蔬菜价格波动预警的理论分析

2.1 BP神经网络应用原理

神经网络理论最早是在1943年由心理学家Warren McCulloch和数学家Walter Pitts提出的，该系统的应用内容非常丰富，可以用于预测经济变量、风险评估、预测预警等[7-8]。BP网络是神经网络具有代表性的网络模型之一，它是多层前馈网络，可以根据误差判别进行反向传播训练的算法，这种算法利用实际和期望输出值误差的平方作为锚定函数，运用Adam函数计算锚定函数最小值，相比梯度下降算法，Adam吸收了自适应学习率的梯度下降算法和动量梯度下降算法的优点。BP神经网络由输入层、隐含层和输出层3层结构组成（图1），每层神经元之间利用连接的权重互相反馈，而同一层次内是相互独立的神经元[9]。该学习过程包括正向传输和误差逆向传输，在样本正向传输时，样本从输入层进入，然后经过隐含层的层层处理，最后到达输出层，如果输出端与预期的输出不一致，则进行逆向传输，错误数据从原来的连接通道中返回，再用自动校正重新赋值来减小误差，经过反复地学习，最终可以得到在误差允许范围之内的结果。

2.2 辛辣类蔬菜生产现状分析

我国辛辣类蔬菜的产地众多，分布广泛，于南北均有种植。其中，大蒜的主要产地有山东、河南、河北、江苏、安徽、四川及云南等地；大葱产地主要包括山东、河北、河南、辽宁、吉林及黑龙江等地；生姜主产地包括山东、湖南、贵州、广西、四川、河南及湖北等地；洋葱产地集中在云南、福建、山东、河南、河北、甘肃、黑龙江及吉林等地；辣椒产地主要集中在贵州、河南、云南、湖南、江苏及山东等地。从总体上看，2010年和2020年我国辛辣类蔬菜的种植面积和总产量均呈平稳增长趋势。由表1可知，我国辣椒的产量和单产增幅最大，生姜和辣椒的种植面积增幅相对较大。大蒜种植面积、产量和单产稳定上升；生姜种植面积和产量稳步上升，单产水平不稳定波动；大葱种植面积和产量均稳步上升，单产维持稳定；洋葱种植面积和产量稳定增长，单产小幅增长；辣椒种植面积、产量和单产均大幅上升。

2.3 年度价格走势分析

由辛辣类蔬菜价格总体走势（图2）可以看出，大蒜价格和大葱价格走势相反，生姜价格和大蒜价格走势相反，洋葱价格和大蒜价格走势相似，辣椒价格和洋葱价格走势相似。在2016—2018年、2018—2021年大葱和大蒜的价格出现了2次相反的波动；当2014年生姜价格处于高位时，大蒜价格处于低位；当2016年大蒜价格处于高位时，生姜价格处于低位；在2014－2017年期间洋葱、大蒜的价格呈现较为同步的波动。辛辣类蔬菜的价格之间存在着长期制衡的关系[10]，与其均为调味蔬菜、功能属性相近有关，可见辛辣类蔬菜相互之间具有互补性或替代性。

2.4 月度价格走势

从整体上来看，蔬菜价格变动无常且波动频繁，价格能迅速在几个月内上涨几番，也会在一两个月内迅速回落跌至低谷，呈现难以预测和爆发性的特点；除此之外，价格波动还呈现出难以干预性，在辛辣蔬菜出现大幅波动的时候，很难在短时间内将异常的价格稳定下来，而作为小宗农产品的典型，大蒜等辛辣类蔬菜的价格应急机制还不健全，还没有制定专门的储备制度，在市场上的囤积居奇和人为控制的情况下，很难通过政府的介入来及时调整供需（图3）。

3 辛辣类蔬菜价格波动预警的实证分析

3.1 价格波动预警模型的构建

3.1.1 警情指标的确定 该研究将辛辣类蔬菜价格波动率作为反映是否有警的警情指标，在各种经济指标中，绝对指数总体上呈递增式，采用对数差分法后，增长率呈现波动性，以排除单位影响，有利于确定警限和警度[11]。辛辣类蔬菜价格波动率公式为：

Rt =（lnPt [-]lnPt-1）×100。

上式中Pt 和Pt-1分别表示第t时期和第t-1时期的辛辣类蔬菜价格，Rt为辛辣类蔬菜价格波动率。

3.1.2 警限警度的划分 该研究采用与辛辣类蔬菜价格关系最为密切的居民消费价格指数（CPI）的波动率作为判断标准，并依据1～2倍标准差确定警限[11]。以2020年、2021年和2022年CPI每月环比值作为基准数列，取CPI近3年的平均值作为标准点，通过计算可得平均波动率为+1.703%，标准差为1.436，若辛辣类蔬菜价格波动幅度过大，显现出偏离CPI波动轨迹且偏离程度较大的现象，则表示辛辣类蔬菜价格水平异常，出现警情。可分为无警状态、轻警状态、重警状态，其中无警状态是指价格波动水平正常，即辛辣类蔬菜价格波动率在基准点1个标准差以内上下浮动；轻警状态是指价格波动轻度异常，即辛辣类蔬菜价格波动率在1个标准差至2个标准差之间；重警状态是指价格波动重度异常，即辛辣类蔬菜价格波动率浮动水平超过了2个标准差。为更清晰地显示警情状态，采用信号灯的方式显示预警信号，其中绿灯表示无警，黄灯表示正向轻警，红灯表示正向重警，蓝灯表示负向轻警，白灯表示负向重警。辛辣类蔬菜价格预警的警度、警限、信号显示、状态特征和波动水平具体如表2所示。

3.2 预警模型的训练与验证

BP神经网络输入层设置10个神经元，输出层的神经元个数为1个。模型采用3层BP网络，并设置一个隐含层，通过不断调整各参数，找出最优的预测结果。

为了提高预测值的精确度和保证预警结果的准确性，需尽可能地扩大样本数量。该研究选用各辛辣类蔬菜价格的周度数据，使样本数据数量足以支撑BP神经网络训练。选择2010年至2022年的各参数数据作为样本建立BP神经网络模型（根据数据的可获取性，大葱数据从2014年开始统计）。其中，输入训练数据为2010年1月1日至2021年12月31日，共617个周度数值（大葱训练393个周度数值）；输出测试数据为2022年1月7日至6月24日，共25个周度数值。各辛辣类蔬菜品种模型的超参数如表3所示。