苏皖鄂三省粮食产量预测模型统计与误差比较开题报告

1. 研究目的与意义

我国是一个农业大国, 粮食产业作为农业的重要组成部分,其意义不言而喻。

粮食产量的高低,对稳定我国安定团结的政治局面,顺利开展我国社会主义现代化各项事业建设、构建社会主义和谐社会等都具有重要意义。

影响粮食产量的因素有多种,研究粮食产量的主要影响因素并对粮食产量做出预测是保证粮食安全的主要手段之一。

2. 国内外研究现状分析

国学者对粮食产量的预测模型总体上来说大致可以分为三大类:时间序列模型、回归模型和人工神经网络模型。指数平滑模型、灰色预测模型及基于马尔可夫链的预测模型等都属于时间序列模型。回归模型中使用比较多的就是线性回归模型和双对数模型。人工神经网络模型是近几年才开始使用的基于生物学原理的预测系统。这些方法的优缺点分析如下: 指数平滑模型的原理和计算方法比较简单,对历史数据的数量没有太首先,大的要求。迟灵芝(2004)曾运用单指数平滑方法首先对我国19911999年的粮食产量进行拟合,计算出平均相对误差为0.104%,效果还是比较理想的。但是模型中对平滑系数的确定直接关系到模型的精度问题,所以不同的平滑系数就可能造成结果的差异。林绍森等(2007)对三种预测模型的分析的结果证明了指数平滑法的预测误差最大。此外,由于模型本身在计算方法上的局限性,该方法只适用于近、短期预测。 灰色预测模型也是比较常用的粮食产量预测模型。迟灵芝(2002)对灰色预测方法和回归模型进行比较分析,得出灰色预测的平均相对误差最小的结论。林绍森等(2007)对单指数平滑、自回归移动平均和灰色预测三种模型进行了比较,他指出灰色预测模型比自回归预测模型和单指数平滑预测模型更适合长期的预测。 线性回归模型的一个优点是可对变量之间进行因果分析,描述其内在的联系。很多学者利用这一方法建立了粮食产量模型,找到了影响粮食产量的主要因素。如李子奈(2000)的线性回归函数、石森昌等(2003)的双对数生产函数、李云松等(2002) 、肖海峰等(2004) 、程杰等(2007)的柯布道格拉斯生产函数等等。虽然他们选取的变量都不尽相同,但是都证明了回归模型对粮食产量的拟合效果很好。但是回归方法受到解释变量的约束,一般也只用在近、短期预测中。神经网络模型是一种建立在生物学神经元基础上的一个不需要建立解释变量与被解释变量之间具体关系的数学模型。它可以通过隐含层的学习和训练实现输入元素与输出元素之间的非线性映射。该模型的模拟效果可以在王启平(2002)、禹建丽等(2004)的文章中看到。但是目前我国尚无比较完善和成熟的理论指导网络模型,在神经网络的程序设计中对隐含层单元数及目标参数的设置都只能凭经验或者是经过反复的训练和测试才能确定。

3. 研究的基本内容与计划

一，研究内容

收集近年来江苏、安徽、湖北三省有关粮食预测的相关数据，运用不同的模型对粮食产量进行预测，并对不同模型所产生的误差进行比较、分析，并且做出相应的对策研究。

二．计划安排

4. 研究创新点

针对粮食产量预测问题，国内外已经有了成熟的模型建立方法，每一年都会有最新的数据供我们研究。

本文将从预测模型本身出发，对不同的预测模型进行对比，分析各自的优缺点以及误差产生的原因，并对所产生的误差进行比较、分析，最终使得粮食产量的预测有更加精确的结果。