基于支持向量回归与地统计学的农民收入预测.docx

基于支持向量回归与地统计学的农民收入预测基于支持向量回归与地统计学的农民收入预测我国是一个农业大国，农业的发展、农民的生活状态影响着我国现代化建设的进程。农民收入是反映农业发展与农民生活状态的重要标志。随着我国现代化建设的飞速发展，农民收入水平也得到了大幅度的提升，2012年农村居民人均纯收入已经达到7916元。农民收入数据是一种典型的多维时间序列，既受其自身动态时序特性的影响，又与国家政策、农产品产量、天气等多种人为因素和自然因素关系密切，具有明显的复杂非线性特性。分析农民收入的关键影响因素，为“三农”政策的制定等提供有效的指导，是大力发展农业、提高农民生活水平的根本，是实现和谐社会主义与全面小康生活的关键[1]。国内学者已有许多关于农民收入的研究。宋委倩通过统计分析认为影响诸城市农民收入的主要因素有地区经济发展水平、农产品价格和农业生产资料价格、农业产业结构和经营水平、二三产业发展水平、农村劳动力转移和农民自身素质技能[2]。卢立香认为农村物质资本投资、农户人力资本投资、产业结构变化和农村剩余劳动力转移是影响我国农民收入增长的最直接因素，并据此建立向量自回归模型，检验结果表明上述4个因素与农民收入之间均存在着显著的相关性[3]。郑素芳等选取影响我国农民收入的农产品产量、农产品价格、人均播种面积等指标，运用计量模型从定量的角度对各种因素进行综合分析，得出提高农民收入的主要因素是农民的非农业收入和农产品价格[1]。王亚娜等运用逐步回归法，分析了影响农民收入的因素，结果表明，农村剩余劳动力的转移和农民的受教育水平对农民人均纯收入的影响最显著[4]。郭庆春采用BP神经网络对农民收入进行建模分析，认为农民收入主要受乡村就业人员数、农村固定资产投资、农作物总播种面积的影响[5]。但已有研究主要是利用线性模型进行分析，未充分考虑农民收入数据的复杂非线性特性，得出的结论难免有失偏颇。因此，笔者拟针对农民收入数据非线性时间序列的特性，采用非线性支持向量机和地统计学方法综合分析我国农民收入的影响因素，并结合统计数据，预测我国农民收入。1变量选取、数据来源与研究方法从收集的大量影响因素中挑选出与农民收入密切相关的关键因子是农民收入水平预测的一个关键点与难点。目标变量拓阶是反映时间序列自身动态时序特性的有效手段，传统的带控制项的自回归滑动平均模型（ControlledAutoregressiveIntegratingMovingAverage，CARMA）和带受控项的自回归模型（ControlledAutoregressive，CA）等多维时间序列分析方法都属于线性模型[6-8]，通过线性方法逐步比较实现拓阶过程，费时耗力，不能有效地反映数据的非线性特征。人工神经网络（ArtificialNeuralNetworks，ANN）模型具有非常优异的非线性逼近能力，但存在易陷入局部最小、过学习等缺陷[9-10]。支持向量机（SupportVectorMachine，SVM）基于统计学习理论，具有非线性优点[11-12]，并且能有效防止过学习，在众多领域取得了较好的应用效果。且基于地统计学[13-14]（Geostatistics，GS）采用直接拓阶方法，以一维GS的变程作为时间序列的后效时间长度（动态时序性），具有速度快、全局最优的优点。笔者拟结合SVM，以模型交叉测试均方根误差（RootMeanSquaredError，RMSE）最小为标准，采用非线性汰选方法对所选全部因子实施多轮评估，逐个剔除次要因子，确定关键因子。1.1变量选取和数据来源近年来我国积极转变农业发展方式、发展现代农业、统筹城乡发展和推进农业建设，影响农民收入的因素日益复杂。预测农民收入，采用不同方法所考虑的因素各不相同。如宋委倩选取农产品价格和农业生产资料价格等进行统计分析[2]，卢立香选取农村固定资产投资、农村人口数和产业结构等因素进行回归分析[3]，王亚娜等选取人均农业基本建设投资、人均农业各税税费、人均农业贷款额、人均农业年财政支农额等7个指标建立农民收入影响因素计量模型[4]。结合已有文献，参照郭庆春等的研究[5]，该研究选取国民总收入（x1）、乡村人口（x2）、农村农户固定资产投资额（x3）、乡村从业人员（x4）、农林牧渔业总产值（x5）、农业机械总动力（x6）、有效灌溉面积（x7）、农用化肥施用折纯量（x8）、农作物总播种面积（x9）、粮食产量（x10）、受灾面积（x11）等11个可能与农民收入相关的影响因子，然后从中筛选真正影响农民收入的主要因子。各因子说明如下：国民总收入包含了农民收入，农民收入对国民总收入有一定程度的影响；乡村人口以农民为主，是考虑农民收入问题的基数；农村农户固定资产投资额是指在农村建造和购置固定资产的经济活动，一定程度上反映了农民收入的高低；乡村