文/張浩林

某智能糧庫操作系統(tǒng) 劉博文/攝

近些年來，我國糧食生產(chǎn)持續(xù)豐收，糧食安全態(tài)勢總體持續(xù)向好。但對于中國這樣一個超過13億人口的超級大國，糧食安全任何時候都不可放松。雖然在總體產(chǎn)量上相對安全，但也存在糧食品種結(jié)構(gòu)不合理，糧食品質(zhì)依然有待提高，離人民期望的由“吃得飽”到“吃得好”的目標還有距離等問題。同時，加上諸多容易造成局部不安全的外在因素，我們在樂觀地看到中國糧食相對安全的同時，也要謹慎地看到這種相對安全態(tài)勢脆弱的一面。

確保糧食安全，確保任何時候中國人的飯碗都始終端在自己手上，一方面需要高度重視農(nóng)業(yè)產(chǎn)業(yè)，另一方面要通過科學種糧、科技興糧、合理用糧來保證糧食數(shù)量充足、質(zhì)量可靠。同時我們還要能夠合理地分析和研判全國及各區(qū)域的糧食安全態(tài)勢，及時發(fā)現(xiàn)并解決可能存在的不安全問題，以確保糧食始終是人們生活中的基礎(chǔ)物資而非稀缺資源。

大數(shù)據(jù)與人工智能技術(shù)的興起，正好為分析研判糧食安全形勢提供了新思路和手段。成都數(shù)聯(lián)銘品科技有限公司作為以大數(shù)據(jù)分析見長的新型科技類公司，承擔了國家糧食管理平臺中智能決策中心的系統(tǒng)建設(shè)，旨在通過大數(shù)據(jù)與人工智能技術(shù)，為糧食行業(yè)的監(jiān)測、預警、預測和決策提供新思路、新手段和新工具。

智能決策中心以糧食行政管理部門提供的數(shù)據(jù)為依據(jù)，結(jié)合爬取的外部互聯(lián)網(wǎng)數(shù)據(jù)，基于行業(yè)科學的分析方法和歷史經(jīng)驗，采用大數(shù)據(jù)和人工智能技術(shù)，構(gòu)建了安全形勢總覽、政策推演、重大效果評估、重大數(shù)據(jù)研判、智能糧食監(jiān)管、智能信息服務等多個業(yè)務模塊和系統(tǒng)功能。由此為糧食行業(yè)的決策分析提供新的手段和工具。

一、糧食安全形勢總覽

安全形式總覽主要為用戶把握國家糧食安全總體形勢、研判區(qū)域糧食安全具體情況提供支持工具。

由于糧食安全評價牽涉因素眾多，不僅涉及到糧食產(chǎn)量、質(zhì)量等直接因素，還涉及到各區(qū)域人口、飲食結(jié)構(gòu)、自然災害等間接因素，同時也還涉及到國際糧食市場價格等外圍因素等等。為盡量做到科學全面地評價我國糧食整體及區(qū)域性安全態(tài)勢，我們充分借鑒國內(nèi)外行業(yè)專家的研究成果和經(jīng)驗，主要基于糧食生產(chǎn)、存儲、加工、人口、消費、氣象等多維度數(shù)據(jù)，綜合運用多種形勢研判、擬合預測等模型，從多個方面對全國糧食安全形勢進行智能分析評判，包括但不限于產(chǎn)銷區(qū)糧食供需關(guān)系、主要品種糧食供需情況等,并給出安全形勢的評級評價。

系統(tǒng)可同時提供兩種不同的視窗，一方面以現(xiàn)有數(shù)據(jù)為基礎(chǔ)，通過內(nèi)置的模型和算法直接為領(lǐng)導提供具體的分析結(jié)果；另一方面可為業(yè)務分析人員提供智能化研判分析工具，系統(tǒng)指標、模型算法可根據(jù)業(yè)務需要自行定義和選擇，并可將指標因素按照重要程度等維度進行權(quán)重的量化，增加了工具應用的實用性和靈活性。

二、政策推演

政策推演模塊通過糧食推演分析工具，為糧食政策研究和制定提供虛擬仿真環(huán)境，形成“信息調(diào)研-政策參考-政策方案制定-政策模擬實施”的閉環(huán)，為領(lǐng)導決策提供參考。糧食政策推演模塊可根據(jù)用戶自定義配置的政策參數(shù)，自動推演政策實施對各相關(guān)方面可能產(chǎn)生的影響，并對推演過程和結(jié)果產(chǎn)生的統(tǒng)計數(shù)據(jù)進行可視化展示，直觀展示政策推演結(jié)果，相當于以沙盤推演的方式模擬了政策從制定到試點的過程。用戶可根據(jù)自身決策需求，還可調(diào)整模型參數(shù)進行多次推演，以便達到最優(yōu)的政策效果。

在本模塊中，系統(tǒng)主要采用VAR向量自回歸模型。向量自回歸模型可用來估計聯(lián)合內(nèi)生變量的動態(tài)關(guān)系，主要依靠數(shù)據(jù)內(nèi)部來擬合糧食政策的規(guī)律，適用于不用提前告訴模型過多的政策規(guī)律，而讓模型和數(shù)據(jù)內(nèi)生性地挖掘規(guī)律。

三、重大效果評估

重大效果評估適用于對政策執(zhí)行情況和項目推進情況進行評估。該模塊實現(xiàn)了將重點項目錄入并跟蹤其進展情況，做到自動錄入、自動分析、自動增強，進一步分析差異的原因，然后評估進展情況、能否完成目標、如何完成等，并對評估結(jié)果進行可視化展現(xiàn)。

本模塊提供適用于國家關(guān)于糧食行業(yè)重大項目規(guī)劃、重大改革決策的評估工具，該工具可評估糧食政策、行動、項目施行產(chǎn)生的重大效果，為重大項目規(guī)劃建設(shè)情況提供事前目標規(guī)劃、事中完成情況監(jiān)控、事后效果評估的全流程把控。

四、重大數(shù)據(jù)研判

重大數(shù)據(jù)研判模塊基于糧食數(shù)據(jù)指標提供數(shù)據(jù)研判分析工具。重大數(shù)據(jù)研判模塊通過國際國內(nèi)市場、糧食產(chǎn)量、糧食儲備、市場價格、糧食質(zhì)量、供需平衡模型對相關(guān)數(shù)據(jù)指標進行深度研判分析，在國家糧食平臺數(shù)據(jù)資源中心提供數(shù)據(jù)的支撐下，追溯重大數(shù)據(jù)產(chǎn)生的相關(guān)因素并進行研判，推演數(shù)據(jù)指標變化后可能引起的次生變化。

在本模塊中，我們主要采用因子分析法。因子分析法在某些業(yè)務領(lǐng)域也稱之為專家模型，采用專家模型的場景往往是數(shù)據(jù)質(zhì)量較為糟糕的環(huán)境，數(shù)據(jù)質(zhì)量具體說來主要是兩個決定性原因：第一是有效樣本量，如果有效樣本少，但是存在黑白標簽，也可以搭建有監(jiān)督的模型去建模；第二是樣本有無黑白標簽，如果樣本量足夠大，也可以搭建無監(jiān)督的機器學習，人工智能等模型去建模。而當業(yè)務場景既沒有足夠數(shù)量的有效樣本，又無黑白劃分明確的標簽，數(shù)據(jù)的質(zhì)量可用性評估幾乎等于0，則依舊可以依賴專家模型建模，雖然專家模型的缺點較多，但在數(shù)據(jù)質(zhì)量糟糕的環(huán)境中，依舊是經(jīng)常使用的解決方案。

在機器學習人工智能出現(xiàn)之前，大量的業(yè)務場景因為事先沒有黑白樣本，無法建立有監(jiān)督的模型，所以這種場景下的業(yè)務需要專家的行業(yè)先驗經(jīng)驗用于引導建模，比如經(jīng)濟領(lǐng)域的經(jīng)濟指數(shù)，無法事先得知預測的準確與否，專家經(jīng)驗在搭建經(jīng)濟指數(shù)過程中占據(jù)很大權(quán)重；比如信貸領(lǐng)域，某些銀行需要新開展信用卡業(yè)務，由于內(nèi)部無信用卡存量客戶的數(shù)據(jù)積累，無法對新客戶的好壞識別進行有監(jiān)督地建模，因而銀行需要引入專家模型以確定貸款策略。同理，在糧食領(lǐng)域，大量的業(yè)務并無確定的黑白標準，而且數(shù)據(jù)量級較小，又不足以引入機器學習人工智能等無監(jiān)督模型，所以，這種客觀條件下引入專家經(jīng)驗，利用專家在行業(yè)內(nèi)的專業(yè)性，保證模型不會有巨大的誤差和錯誤。

五、智能糧食監(jiān)管

智能糧食監(jiān)管模塊實現(xiàn)了對海量的涉糧企業(yè)相關(guān)數(shù)據(jù)的爬取和歸集、交叉比對，利用大數(shù)據(jù)支撐的機器學習技術(shù)和識別技術(shù)，建立風險模型進行企業(yè)風險預警。

大數(shù)據(jù)技術(shù)將互聯(lián)網(wǎng)上多源企業(yè)數(shù)據(jù)爬取整合進糧食局內(nèi)部企業(yè)數(shù)據(jù)，在涉糧企業(yè)詳情頁面中展示涉糧企業(yè)基本信息、收購信息、倉儲信息、物流加工信息、銷售出庫信息、銀行信貸、經(jīng)營信息、信用信息，利用圖計算技術(shù)，將每個企業(yè)作為動態(tài)本體與其有業(yè)務關(guān)聯(lián)的企業(yè)連接起來，形成企業(yè)關(guān)聯(lián)圖譜；通過對企業(yè)風險進行建模運算，利用機器學習技術(shù)進行迭代優(yōu)化，形成動態(tài)風險指數(shù)評分、企業(yè)風險評價維度、涉糧企業(yè)風險問題等。

在本模塊中，系統(tǒng)主要采用了邏輯回歸與梯度提升決策樹模型GBDT的加權(quán)融合模型方案。邏輯回歸模型具有強大的可解釋性，影響涉糧企業(yè)風險的一級風險和二級風險指標均可量化，風險維度大小一目了然，方便監(jiān)管實踐中，有針對性地進行監(jiān)管。同時，邏輯回歸又有很強的穩(wěn)定性，模型的穩(wěn)定性是長期監(jiān)管業(yè)務中的一個重要屬性，但邏輯回歸的缺點也很明顯，即其模型精準度不如機器學習的精準。所以，針對邏輯回歸精準度不高的缺點，針對性地補充決策樹模型GBDT模型，提高模型的精準度，從而在可解釋性、穩(wěn)定性、精確性三個維度上，模型均可達到較為理想的性能。

六、智能信息服務

智能信息服務模塊提供涉糧企業(yè)信息、糧油信息等，面向全局提供全面、準確、統(tǒng)一、權(quán)威的糧食市場價格信息服務，包括但不限于各品種原糧價格、成品糧價格，糧食批發(fā)市場價格、期貨市場價格等，并為后續(xù)市場行情提供價格預測的信息服務。對國際糧食市場交易、進出口、價格等主要要素信息進行匯總和分析，為宏觀調(diào)控決策提供信息服務。

糧食領(lǐng)域的價格、需求量、供應量等觀測序列，主要是受糧食規(guī)律與經(jīng)濟規(guī)律相互作用，同時，糧食規(guī)律和經(jīng)濟規(guī)律的相互作用也受一些隨機因素的影響，而規(guī)律的作用和隨機的影響兩大因素，反映在價格、需求量和供應量等可量化的糧食指標上時，具體體現(xiàn)為這些糧食即非完全規(guī)律（不含隨機影響），也非完全隨機（白噪聲），而是呈現(xiàn)出在時間上既有關(guān)聯(lián)，又有一定波動的表現(xiàn)形態(tài)。所以，在對糧食價格，需求量，供應量等建模時，一個天然的模型選擇就是自回歸滑動平均模型（以下簡稱ARMA）。ARMA是自回歸模型（簡稱AR模型）與滑動平均模型（簡稱MA模型）為基礎(chǔ)“混合”構(gòu)成，更為細致地說，自回歸模型利用指標之間的線性相關(guān)性去擬合糧食規(guī)律與經(jīng)濟規(guī)律，雖然具體的糧食規(guī)律和經(jīng)濟規(guī)律非常復雜且非常難以量化表達，但AR模型利用觀測序列數(shù)據(jù)自身的信息去最大可能性擬合，接近真實的糧食規(guī)律和經(jīng)濟規(guī)律；而隨機因素的影響體現(xiàn)在滑動平均模型MA，滑動平均模型與AR模型的側(cè)重點不一樣，AR模型的任務是最大可能性去靠近規(guī)律因素，而MA模型的任務是最大可能性去靠近隨機因素，而且使用的隨機基為純隨機的高斯白噪聲，其分布函數(shù)是標準正態(tài)分布。綜上，在糧食領(lǐng)域中刻畫既有強烈客觀規(guī)律，又有不可忽視的隨機因素，則結(jié)合了自回歸模型與滑動模型的自回歸滑動平均模型ARMA在實際業(yè)務場景和理論基礎(chǔ)上都是較為合理的模型選擇。

當前，在整合現(xiàn)有數(shù)據(jù)的基礎(chǔ)上，智能決策中心所分析的結(jié)果得到了專家及相關(guān)業(yè)務人員的初步認可，后續(xù)隨著更多數(shù)據(jù)的引入以及模型的進一步優(yōu)化，相信以大數(shù)據(jù)和人工智能技術(shù)為基礎(chǔ)的智能決策中心，必將為糧食行業(yè)的監(jiān)測、預警、預測和決策提供更多的支持和幫助。

以數(shù)據(jù)為基礎(chǔ)，以模型為核心，大數(shù)據(jù)與人工智能技術(shù)為行業(yè)決策分析提供了新的思路和手段。而同時我們也可以看到，雖然大數(shù)據(jù)被各個領(lǐng)域廣泛提及和關(guān)注，但它也并不能“包治百病”。不管是大數(shù)據(jù)還是人工智能，畢竟只是技術(shù)手段，真正解決業(yè)務問題，還是必須要以行業(yè)業(yè)務為根本。夯實數(shù)據(jù)基礎(chǔ)，尊重業(yè)務規(guī)律，并理清分析決策的流程，才可真正將先進的技術(shù)落地到行業(yè)應用服務。