基于ARIMA模型的东三省粮食产量时间序列分析探究.pdfVIP

·128 · 科技论坛 基于ARIMA模型的东三省粮食产量时间序列分析 孟强 李海晨 （黑龙江大学信息管理学院，黑龙江哈尔滨 150080） 摘 要：本文利用时间序列分析中的ARIMA(p,d,q)模型，根据 1978 -2013 年我国东三省粮食产量数据进行了随机性分析，结合E－ VIEWS 和SPSS 等统计分析软件，通过对模型识别、比较、建立以及检验，最终选定ARIMA(3,1,2)模型，并运用此模型拟合了东三省2009- 2013 年的粮食产量，同时对东三省2014-2023 年未来十年的粮食产量进行了分析与预测。 关键词：粮食产量；时间序列分析；ARIMA 模型；EVIEWS ；预测 1概述 粮食产量指农业生产经营者日历年度内生产的全部粮食数量 [1]。粮食安全一直是全球关注的热点问题，美国世界观察研究所所长 Lester R.Brown两次抛出“中国粮食威胁论”，其焦点就是中国的粮 食安全问题[2]。东三省是我国重要的粮食生产区域，其粮食生产对全 国粮食的安全具有举足轻重的作用，能够准确预测东三省的粮食产 量对东三省乃至全国农业发展都具有一定的意义[3]。本研究利用东 三省1978-2013年的粮食产量数据，通过时间序列分析中的ARI- MA(p,d,q)模型，预测未来十年的粮食产量，这将为指导东三省粮食 生产提供有效的理论参考依据。 图1东三省粮食产量原始数据时间序列、趋势序列、波动序列图 2时间序列分析方法及基本模型 2.1时间序列分析方法。时间序列分析(Time series analysis)是 一种动态数据处理的统计方法。该方法基于随机过程理论和数理统 计学方法，研究随机数据序列所遵从的统计规律，以预测未来事物 的发展，一般反映三种实际变化规律：趋势变化、周期性变化、随机 性变化[4]。传统的时间序列分析方法在经济中的应用，主要是确定性 的时间序列分析方法，包括指数平滑法、滑动平均法、时间序列的分 解等。随着社会的发展，许多不确定因素的影响越来越大。1970年， Box和Jenkins提出了以随机理论为基础的时间序列分析方法，使时 间序列分析理论上升到了一个新的高度，大幅度提高了预测的精度 [5] 图2原始P序列自相关图 。 2.2时间序列基本模型。时间序列分析模型主要有三种类型：自 回归模型(Auto-regressivemodel，AR)、移动平均模型(MovingAverage model，MA)和自回归移动平均模型(Auto-regressive Moving Average model，ARMA)。由自回归和移动平均两部分共同构成的随机过程称 为自回归移动平均过程，记为ARMA(p,q)，其中p，q分别表示自回 归和移动平均部分的最大阶数。ARMA(p,q)的一般表达式是[6-7]： 图3原始P序列ADF检验 其中，Pt 为时间序列，p，q 为模型的阶次， (i=1,2,…p)为模型i 自回归系数， (1,2,…q)为滑动平均系数， (1,2,…q)为白噪声序i i 列。如果模型中 =0，则模型为： i 上述模型称为p阶自回归模型AR(p)；如果模型中 =0，则模i 型为： 上述模型称为q阶移动平均模型MA(q)。 图4一阶差分后DP序列自相关图 3东三省粮食产量预测模型的建立与预测 3.1数据的搜集。下面对我国东三省1978-2013年的粮食产量 （见表1）数据进行了初步的整理和汇总，并以此为样本数据，进一 步地建立模型，以便于更好地对东三省粮食产量进行时间序列分析 与预测。 3.2模型的识别。为了识别模型的需要，利用EVIEWS软