粮食生产投入与产量关系的协整分析

基于1983~2012年粮食生产投入时间序列数据,构建自向量回归(VAR)模型,运用协整分析与Granger因果关系检验方法,研究粮食生产投入要素与粮食产量的关系。结果表明:有效灌溉面积、粮食播种面积、农业机械总动力、化肥施用量、农业劳动力人口与粮食总产量之间存在着长期协整关系;化肥施用量投入产出效应偏低,稳定粮食播种面积与增加有效灌溉面积是保证粮食总产量的有效途径。农业机械总动力与粮食总产量存在双向的格兰杰因果关系;有效灌溉面积、化肥施用量对粮食总产量存在单向的格兰杰因果关系,有效灌溉面积、合理的化肥施用量对提高粮食产量具有积极意义;农业劳动力人数、粮食播种面积与粮食总产量互不构成格兰杰因果关系,城镇化、科技与政策因素削弱了二者对粮食产量的影响。根据研究结果,进一步提出保障粮食安全的政策建议。     

粮食产量预测的最优加权组合法分析

本文根据最优加权组合建模，建立了粮食产量的最优加权组合模型，依此模型对粮食总产量进行了预测，以期为粮食生产提供科学依据。     

基于ARMA模型对沪市股票指数的预测

本文介绍了随机时间序列的统计预测方法,然后给出了ARMA模型的参数估计,以及预测的方法和步骤,最好利用ARMA模型对沪市未来短期内的指数进行预测,结果说明该方法具有极强的实践意义.     

自回归滑动平均模型参数估计方法的仿真比较

自回归滑动平均模型(ARMA模型)是最常用的平稳序列模型之一,本文在模型阶数已知的情况下,重点研究ARMA模型中未知参数的矩估计和自回归逼近估计,进行仿真计算,并对计算结果进行比较分析。     

黑龙江垦区粮食生产综合影响因素分析

黑龙江垦区是我国重要的商品粮基地和粮食战略后备基地,黑龙江垦区粮食的生产事关国家的粮食安全和食品安全。文章首先采用因子分析法提取了1995—2009年影响黑龙江垦区粮食生产的主要影响因子,在此基础上建立了以粮食产量为因变量,粮食播种面积、化肥施用量、农药施用量、农膜使用量、农业机械化总动力、有效灌溉面积、农业从业人员数、成灾面积为控制变量的多元线性回归模型。并对模型回归结果进行了分析,同时又提出了提高黑龙江垦区粮食总产量的可供参考的意见。     

粮食供求变化的分析与Logistic模型预测——以云南省粮食供求研究为案例

以云南省的粮食供求为研究对象,就区域性粮食安全问题讨论了影响云南粮食生产若干因素及未来发展趋势,应用Logistic阻滞增长模型对云南省粮食单产、粮食总产量和人口进行预测。通过估算云南省未来粮食需求状况,就云南省未来的粮食供求平衡进行了测算,认为云南省未来粮食供求的格局仍有很大的不确定性,其区域性粮食安全形势严峻。     

ARMA预测模型和平滑ARMA预测模型的比较研究——基于贵州省1950-2011年的年度CPI环比数据

本文基于贵州省CPI(居民消费价格指数)1950至2011年的年度环比数据进行分析预测,并用Eviews6.0软件完成建模过程。通过对两个模型预测效果的比较,得出结论,平滑ARMA模型的预测效果并没有一般的ARMA模型好,但是平滑ARMA模型可用于对比较短的时间序列的预测,通过平滑方法可以增加样本个数,从而使得本来不能够进行ARMA预测的序列可以用ARMA模型来预测。     

山东省人口─耕地─粮食系统的预测分析及对策研究

本文利用灰色系统方法对山东省的总人口、耕地面积、……粮食总产量等项指标进行了预测，根据预测结果，提出了解决人民耕地和粮食之间矛盾的对策。     

山东省粮食生产的时序变化机制研究

本文根据山东省自50年代以来的有关粮食生产统计数据,分析了粮食总产量的时间变化趋势。在此基础上,进一步探讨了影响山东省粮食生产发展变化的直接动力和间接因素。结果表明：（1）粮食单产的提高和不同粮食作物种植结构变化是影响粮食生说的直接动力,其中小麦,玉米的单产与种植比例对山东省粮食总量变化贡献率最大。（2）复种指数的提高,农业技术进步和农业自然灾害是引起粮食总产量变化的间接因素,其中农业自然灾害是造成粮食总产量减损的主要因素。     

基于ARMA（p，q）模型的云南特色股票实证研究

采用ARMA（p,q）模型,对云南省内的云南白药、云南城投两只特色股票做实证分析。过对股票开盘价序列进行统计描述性分析,得到参数估计及检验结果。观察模型预测效果图,通过比较研究发现,ARMA（1,1）为刻画这两支特色股票的最优模型,并得到它们的预测值。     

中国消费者信心指数的时间序列分析

本文对预处理后的数据采用Box-Jenkins法识别基本模型,并使用最佳准则函数和F检验确定模型的阶数,建立MA（1）模型;紧接着,本文采用Pandit-Wu法建立ARMA（2,1）模型,并将此模型与MA（1）模型进行比较。再者,本文利用MATLAB软件分别绘制MA（1）模型与ARMA（2,1）模型的残差散点图,对本文拟合的模型进行适应性检验。最后,本文分别利用两个模型进行内插和外推预测,并将预测效果进行了比较,肯定了Pandit-Wu建模方法拟合的模型的优越性,并将预测结果进行7简单的分析。     

基于ARMA-EGARCH模型的沪深300指数波动性实证分析

文章基于沪深300指数数据,从ARMA模型和EGARCH模型入手,并综合利用ARMA-EGARCH模型拟合分析沪深300指数波动特征,以反映沪深两市整体波动。通过系统性分析,ARMA(2,2)—EGARCH(2,2)模型拟合效果较好。由分析结果可知,中国A股市场的波动具有明显的周期性、聚集性和杠杆效应等特征,反映出我国股市市场缺乏有效的做空机制以及投资者的非理性行为。     

河北省旅游外汇收入时间序列建模及预测

本文在分析1984年至2011年河北省旅游外汇收入额年度数据的基础上,建立了旅游外汇收入额的ARMA(p,q)模型.首先针对序列的非平稳特征,对河北省旅游外汇收入额变量进行对数化处理,将时间序列的指数趋势转化为线性趋势,然后对序列继续进行差分处理,变成平稳序列,建立河北省旅游外汇收入时间序列的ARMA模型并对模型进行检验,最后将模型用于河北省旅游外汇收入的预测分析.实证结果表明:ARMA(1,1)模型提供了较准确的预测效果,可以用于未来的短期预测.     

我国粮食主产区及其气候变化的特点

文章考虑了各省较长时间段内的粮食总产量并划分出粮食主产区以反映改革开放至今我国粮食生产的全貌,并分析了粮食主产区内的气候变化特点及趋势,以便为将来进一步评价气候变化对粮食主产区内粮食产量的影响奠定基础.     

甘肃省粮食产量变化的驱动分析及趋势预测

基于甘肃省1949-2011年的农业生产相关数据,采用小波分析和5年趋势滑动等方法对甘肃粮食产量变化进行多时间尺度分析;利用主成分分析方法探讨了改革开放后粮食生产的主要影响因子;结合甘肃63年粮食总产量的历史数据,建立GM(1,1)模型,对甘肃省未来10年(2012-2021年)的粮食产量进行模拟预测.结果表明:①1949-2011年,甘肃省粮食生产在波动中增长;粮食总产量、人均粮食产量及单产的曲线的动态变化基本吻合;在建国以来63年的时间尺度上,粮食产量变化主要存在38年、23年、15年左右的年代际振荡周期,其中38年左右和23年左右的振荡周期较强烈.②影响粮食生产的4个主要成分分别是社会经济发展水平、自然灾害因子、生态保护及恢复和粮食生产成本.③粮食生产在2012-2021年将保持平稳增长的良性发展态势.     

广东省粮食生产影响因素分析：基于时间序列的实证研究

广东省粮食安全问题比较严峻,耕地面积减少、农民种粮积极性不高是导致粮食数量问题的主要因素。保护耕地数量、提高农民种粮积极性是确保广东省粮食产量的根本。采用时间序列分析方法,对1978—2008年广东省粮食播种面积、化肥使用量、成灾面积、农机总动力、有效灌溉面积对粮食总产量的影响进行了实证分析。结果表明,化肥使用用量、成灾面积对粮食总产量有显著影响。     

黑龙江省农民收入增长及其结构分析

2011年,黑龙江省与全国一样,农村农业得到了极大发展,粮食和农民收入实现了八连增,粮食总产量1114.1亿斤,2011年超过了我国粮食大省河南省,跃居全国首位.商品粮达到893.2亿斤,商品率达到80%.黑龙江省实现了粮食总产量、商品粮双第一.农民收入快速增长,农民人均纯收入突破7000元大关,达到7590.7元.拓宽农民收入渠道,收入结构也有很大变化.黑龙江省农业进入黄金发展时期     

回归神经网络对我国粮食产量的预测

<正> 粮食产量始终是关系我国政治、经济和生活的大事。粮食生产模型研究的是我国粮食总产量与影响因素之间的定量关系,是一种从整体上研究各部门投入与产出的相互依存关系的经济数量分析方法,在经济分析、政策模拟、经济预测、制定发展规划等方面具有重要意义。 一、粮食生产的计量经济学模型 1.选择变量。根据我国的国情,粮食稳产、高产是一项基本国策,政府对粮食生产一直保持积极支持与鼓励的政策,所以影响粮食产量的主要因素是投入要素。在模型中选择主要投入要素作为粮食产量的自变     

山西粮食产量登上120亿公斤新台阶

11月9日,山西省统计局对外发布最新统计数据表明,山西全省全年粮食总产量首次登上120亿公斤新台阶,比去年多产出5亿多公斤。秋粮是山西粮食生产的大头,对全省全年粮食总产量具有决定性影响。霜降已过,秋季粮食作物绝大部分已经归仓,山西省统计局表示,预计2012年全省粮食产量将再     

基于ARMA的粮食产量模型的构建——以安徽省为例

首先,对1949--2Q05年的安徽粮食产量进行单位根（ADF）检验和非随机性检验,其次,构建半对数模型来拟合安徽粮食产量,得到的残差不是白噪声。最后,对残差构建ARMA（1,3）模型,此时残差为白噪声序列,即对安徽粮食产量建立半对数模型和ARMA模型的组合模型。