智慧农业发展现状及潜力的探索研究

徐鑫鑫 胡玉璐 姚治林

摘要：近五年由于蒜价剧烈波动及地域的物流水平差异，中国农业市场遭受巨大损失。总结阐述了智慧农业中大数据的应用，以安徽省智慧农业在信息流通和农业市场监控方面做出的成果以及亟待解决的问题为切入点，通过RFE方法遴选出导致农产品价格波动的长期和短期因素，并结合ARIMA模型和BP神经网络模型进行市场预测，从多个角度出发为智慧农业大数据管理提出合理建议。

关键词：智慧农业;信息流通性;RFE法;ARIMA模型;BP神经网络模型

一、前言

中国农贸市场的营业利润受多种因素影响，而各种农副产品的价格波动也在很大程度上影响着农民和农场主的经济收益。以近几年大蒜价格的波动为例，自2009年大蒜百倍涨幅，到2019年由央视网的报道的苏宁家乐福超市蒜价30%的降幅，在这一过程中，不仅消费者生活受到极大影响，作为中国大蒜主产地的山东也受其影响勉强保本。

在大数据人工智能时代背景下，基于大数据分析和管理平台的智慧农业应用迈进了一个新的发展阶段。环发所在2013年提出，目前农业大数据主要应用于：生产过程管理数据;农业资源管理数据;农业生态环境管理数据;农产品与食品管理大数据;农业装备与设备监控大数据;各种科研活动产生的大数据6个主要领域[1]。在我国市场经济条件下，农业分散化的生产经营模式使其对市场竞争中的信息依赖性较强，对农产品市场流通数据进行采集和分析，尽量降低信息与服务的滞后性显得十分重要。

二、文献综述

以安徽省智慧农业发展为例，要保证信息与服务滞后性的减轻，首先需要分析中国智慧农业在信息流通和农业市场监控方面所做出的成果和丞待解决的问题。在该问题的研究中，张乐乐等[2]（2021）通过调查得到：安徽省智慧农业的信息进村入户工程成效明显，通过构建的信息服务体系，大幅提高了安徽数字化农村农业的发展水平;但同时其在数字资源体系建设的基础数据方面和核心技术研究开发方面都面临巨大挑战和问题。丁静[3]（2017）从物联网的角度出发，提出安徽省智慧农业在农产品加工流通应用方面的显著成效，保證农产品“从产地到餐桌”的全程追溯，实现农产品流通过程的全纪录，但是相应的在农产品流通的其他方面也有明显缺陷，除去农业化规模和资金投入的不足，最主要的是农业信息化建设的不完善，进而导致对农户及时、全面、准确的获取相关农业信息来直到农业生产的进程。

其次，在得出以上待解决问题后，需要分析影响中国农业收益的主要因素，在保证信息流通性的前提下保证流通数据的有效性和可用性。在该问题的研究中，杨根全等[4]（2010）等通过文字调查分析，针对农产品价格市场中常见的连锁效应，将影响农产品的因素分为供求因素、货币因素、国际因素、政策因素和市场因素五个方面，并综合分析提出：农产品供求基本面短期内不会发生大的改变，但是农产品的生产成本和各种政策力度的加强也会加剧农产品的价格波动。许世卫等[5]（2012）相较于前者，附加了价格信息传递和发布机制的影响，在很大程度上，由于信息不对称和价格传导的阻滞现象导致的农产品价格体系紊乱也在影响着农产品的价格大幅波动。

三、基于递归特征选择法的影响因素选择

（一）研究思路

根据上述由递归特征选择筛选得到的五个因素，首先利用农田每亩产值合计代表农产品市场收入值，其次寻找可能对每亩产值合计值产生影响的因素，并将其分为供求因素、货币因素、国际因素、政策因素、市场因素五个方面，根据中国农业部、国家林业局、中国国家统计局、水利部、中国气象局、中国海关等公布的数据，共确定影响因素16个。

（二）研究结果

从上述几个方向出发，为保证后续研究的高效性，对于确定的影响因素使用递归特征选择法行降维筛选，代码中对应no_features定为5，即筛选对每亩产值合计值影响最大的前五位因素，其对应筛选结果如下表所示。

四、基于ARIMA—BP神经网络对农产品市场发展进行预测

（一） 研究方法

1.单位根检验

原始数据皆是非平稳的时间序列数据，在对数据进行二阶差分后，使用 Eviews创建一个ARIMA模型，对粮食产量x1、农产品综合市场数量x2、货币与存款x3、职工平均工资x4、农业各税x5这5个变量以及农田每亩净收益y进行单位根检验，验证序列是否平稳，能否达到建立ARIMA模型的建模前提。

由表1显示的数据可知，这6个序列在 5%的置信水平下它们各自的ADF统计量的值均小于其所对应的临界值，且P值也都小于0.05，充分说明了所选取的6个指标所对应的时间序列中无单位根，即进行检验的各个原始序列的数据都是平稳的，符合ARIMA模型建立的条件，因此可以进一步进行建模和分析。

2.ARIMA模型构建

在对农田每亩收益进行BP神经网络预测时，需要对各个输入数据变量进行预测，各个输入变量均需要考虑时序性，故采用时间序列ARIMA模型进行预测，构建ARIMA（p，d，q）模型如下：

其中L是滞后算子，d∈Z， d>0。

3.BP神经网络预测模型构建

我们运用预测出来的影响因素来对进行BP神经网络的预测[6]，BP神经网络模型的拓扑结构如下，包括三个主要部分：输入层，隐藏层，输出层。

根据上述分析，本问题选用xj影响因素的值为输入层，以yi农田每亩收益作为输出层，建立如下模型：

其中，x1，x2，… ，xn为输入层信号，wi1，wi2，… ，win为神经元i的权值，ui为上述线性组合结果，θi为阈值，φ（·）为激活函数，yi为神经元的输出。

（二）结果分析

对影响因素x1的原始数据进行一阶差分运算，并对运算后的时间序列的绘制自相关图和偏制相关图，观察发现其自相关系数和偏自相关系数均呈现拖尾的状态。

根据Box-Jenkins模型识别方法，应该用ARMA（p，q）模型进行拟合。通过重复实验，综合每个模型最大滞后变量对应的系数显著性，以及最小的AIC，SC，HQ信息准则，判断的模型应选择ARMA（2，1）。

其余变量的操作类似，预测得到结果见表3。

本部分以粮食产量x1、农产品综合市场数量x2、货币与存款x3、职工平均工资x4、农业各税x5对应数据为输入层，对农田每亩产值y进行BP神经网络训练预测，以2003年—2014年的农田每亩产值为训练数据，2015年—2018年的农田每亩产值为测试数据，建立五输入一输出的BP神经网络模型。

1.误差分析

我们对BP神经网络拟合出来的模型进行误差分析，看模型的拟合效果如何，预测结果是否较为准确，对预测农田每亩净收益的BP神经网络模型的误差分析结果如下：

2.预测结果

根据上述模型训练结果，预测得到2019-2022年间农田每亩产值合计为

根据上述BP神经网络对农田每亩产值的预测结果可以分析得到，自2019年后的至少四年内，农田每亩产值基本不发生改变，在生产的人力和物力成本不断上涨的情况下，如果不能及时寻找解决办法，中国农产品市场短时间内将呈现低迷状态。

五、建议

政府近几年应格外注意农业补贴政策的执行和落实，同时积极投入资金完善智慧农业的信息流通体系，保证农户能够第一时间准确收获市场信;可与科学院等机构合作，保证省市智慧农业建设的科学性，保证技术的专业性和执行的高效性。

各农户应密切关注政府或各类权威组织发布的消息，以保证信息流通性。其中应该主要关注粮食产量、农产品综合市场数量、货币与存款、职工平均工资、农业各税五个方面。

参考文献：

[1]孙忠富，杜克明，郑飞翔，尹首一.大数据在智慧农业中研究与应用展望[J].中国农业科技导报，2013，15（06）：63-71.

[2]张乐乐，陈翔，王韦韦，李金才.安徽省智慧农业发展现状及对策[J].现代农业科技，2021（10）：243-245.

[3]丁静.物联网视阈下安徽省智慧农业的发展研究[J].重庆科技学院学报（社会科学版），2017（06）：44-47.

[4]杨根全，李圣军.农产品价格波动的影响因素及发展趋势[J].农业展望，2011，7（02）：24-27+37.

[5]许世卫，李哲敏，孔繁涛，董晓霞，崔利国，任育锋.农产品价格传导机制及其主要影响因素分析[J].中国科技论坛，2012（09）：71-76.

[6]焦淑华，夏冰，徐海静，刘莹.BP神经网络预测的MATLAB实现[J].哈尔滨金融高等专科学校学报，2009（01）：55-56.

基金项目：

本文屬安徽财经大学大学生创新创业训练计划项目《大数据与智慧农业发展现状及潜力的调查研究——以安徽省为例》（编号：S202010378502）研究成果。

作者简介：

徐鑫鑫（2000-）， 女，汉族，山东德州人，单位：安徽财经大学统计与应用数学学院，2018级本科生，研究方向：数据科学与大数据技术。

胡玉璐（2001-），女，汉族，安徽铜陵人 单位：安徽财经大学国际经济贸易学院，2019级本科生，研究方向：国际经济与贸易。

姚治林（2001-），女，汉族，安徽铜陵人 单位：安徽财经大学法学院，2019级本科生，研究方向：法学。