李浩林,李萌萌,張小花,張文峰,梁凱豪,李樹良

(1.仲愷農(nóng)業(yè)工程學(xué)院機(jī)電工程學(xué)院,廣東廣州 510225;2.仲愷農(nóng)業(yè)工程學(xué)院經(jīng)貿(mào)學(xué)院,廣東廣州 510225;3.仲愷農(nóng)業(yè)工程學(xué)院自動(dòng)化學(xué)院,廣東廣州 510225;4.仲愷農(nóng)業(yè)工程學(xué)院數(shù)學(xué)與數(shù)據(jù)科學(xué)學(xué)院,廣東廣州 510225)

中山市位于廣東省中南部,地處粵港澳大灣區(qū)核心腹地[1]。中山市作為廣東省的農(nóng)業(yè)大市,農(nóng)業(yè)生產(chǎn)位于全省前列,是廣東省農(nóng)業(yè)經(jīng)濟(jì)的重要組成部分[2]。據(jù)中山市統(tǒng)計(jì)局?jǐn)?shù)據(jù),2022年上半年農(nóng)業(yè)經(jīng)濟(jì)發(fā)展態(tài)勢(shì)良好,農(nóng)林牧漁業(yè)總產(chǎn)值328 014萬元,同比增長(zhǎng)13.7%。探究農(nóng)業(yè)經(jīng)濟(jì)產(chǎn)業(yè)結(jié)構(gòu)對(duì)中山市農(nóng)業(yè)經(jīng)濟(jì)增長(zhǎng)的影響,不僅對(duì)中山市構(gòu)建農(nóng)業(yè)經(jīng)濟(jì)發(fā)展新格局具有重要影響,同時(shí)以中山市作為研究對(duì)象所得到的結(jié)論與對(duì)策也能夠促進(jìn)廣東省農(nóng)業(yè)經(jīng)濟(jì)快速發(fā)展。

在農(nóng)業(yè)經(jīng)濟(jì)影響因素研究方面,專家學(xué)者們運(yùn)用了許多不同的方法[3-4]。侯石安等[5]運(yùn)用向量自回歸(VAR)模型對(duì)貴州農(nóng)業(yè)經(jīng)濟(jì)增長(zhǎng)影響進(jìn)行分析,結(jié)果表明現(xiàn)代物流投入、財(cái)政支農(nóng)支出和農(nóng)村固定資產(chǎn)投資對(duì)貴州省農(nóng)業(yè)經(jīng)濟(jì)增長(zhǎng)均有正向影響。張亦馳等[6]用個(gè)體和時(shí)間雙向固定效應(yīng)模型對(duì)農(nóng)業(yè)經(jīng)濟(jì)增長(zhǎng)的影響進(jìn)行研究,得出農(nóng)村水利、信息、衛(wèi)生環(huán)境和滯后2期時(shí)的交通運(yùn)輸基礎(chǔ)設(shè)施對(duì)農(nóng)業(yè)經(jīng)濟(jì)增長(zhǎng)有顯著的正效應(yīng)。宋淑麗等[7]運(yùn)用多元回歸模型對(duì)1990—2015年黑龍江省農(nóng)業(yè)經(jīng)濟(jì)增長(zhǎng)進(jìn)行分析。研究發(fā)現(xiàn):農(nóng)業(yè)機(jī)械化、土地的規(guī)模經(jīng)營(yíng)、農(nóng)村勞動(dòng)力素質(zhì)以及國(guó)家財(cái)政支農(nóng)政策等對(duì)農(nóng)業(yè)經(jīng)濟(jì)增長(zhǎng)仍具有較明顯的正向拉動(dòng)作用。目前學(xué)者們大多運(yùn)用計(jì)量經(jīng)濟(jì)模型研究農(nóng)業(yè)經(jīng)濟(jì)問題,偏重于分析影響農(nóng)業(yè)經(jīng)濟(jì)的影響因素之間關(guān)系和模型參數(shù)的估計(jì)[8-10],最近的相關(guān)研究開始探索將機(jī)器學(xué)習(xí)應(yīng)用到農(nóng)業(yè)經(jīng)濟(jì)問題分析中。袁玉萍等[11]把經(jīng)濟(jì)預(yù)警問題轉(zhuǎn)化成機(jī)器學(xué)習(xí)問題,建立了基于支持向量順序回歸經(jīng)濟(jì)預(yù)警模型,對(duì)黑龍江省經(jīng)濟(jì)數(shù)據(jù)進(jìn)行分析,結(jié)果表明該模型用于預(yù)警具有很高的精度。蔣鋒等[12]對(duì)近年來機(jī)器學(xué)習(xí)方法在經(jīng)濟(jì)研究中的應(yīng)用進(jìn)行回顧,發(fā)現(xiàn)在處理非平穩(wěn)和非線性時(shí)間序列時(shí),機(jī)器學(xué)習(xí)模型的表現(xiàn)和預(yù)測(cè)性能均優(yōu)于傳統(tǒng)統(tǒng)計(jì)模型。于曉華等[13]指出機(jī)器學(xué)習(xí)具有龐大的數(shù)據(jù)收集和儲(chǔ)存能力、強(qiáng)大的學(xué)習(xí)分析能力以及更智能化的語言分析能力等優(yōu)點(diǎn),因此將機(jī)器學(xué)習(xí)和傳統(tǒng)的農(nóng)業(yè)經(jīng)濟(jì)分析方法相結(jié)合,能夠更精準(zhǔn)、更科學(xué)地分析農(nóng)業(yè)經(jīng)濟(jì)問題[14-15]。

極端梯度提升(extreme gradient boosting,XGBoost)是梯度提升(gradient boosting)的實(shí)現(xiàn),近年來,XGBoost在空氣質(zhì)量預(yù)警、風(fēng)險(xiǎn)預(yù)警、需求量預(yù)測(cè)、電力負(fù)荷預(yù)測(cè)、影響因素研究等問題上取得了良好的效果。高曉輝等[16]運(yùn)用EMD、AMI、XGBoost、ELM對(duì)南京市空氣質(zhì)量數(shù)據(jù)進(jìn)行處理和預(yù)測(cè),結(jié)果表明該預(yù)測(cè)方法具有更高的精度和更強(qiáng)的穩(wěn)定性。王言等[17]運(yùn)用XGBoost算法構(gòu)建風(fēng)險(xiǎn)預(yù)警模型對(duì)國(guó)有企業(yè)并購的風(fēng)險(xiǎn)進(jìn)行計(jì)量、監(jiān)測(cè)、預(yù)警和管理,證明了基于XGBoost算法的預(yù)測(cè)結(jié)果在所有模型中表現(xiàn)最優(yōu),具有可靠性和適用性。唐賢倫等[18]提出一種基于XGBoost和時(shí)間卷積網(wǎng)絡(luò)的短期電力負(fù)荷預(yù)測(cè)方法,結(jié)果表明,相比于SVR、LSTM等模型,該預(yù)測(cè)方法能取得更好的預(yù)測(cè)效果,更高的預(yù)測(cè)精度。朱月月等[19]利用XGBoost算法建立城市商業(yè)信用環(huán)境指數(shù)與社會(huì)經(jīng)濟(jì)指標(biāo)的回歸模型,分析研究我國(guó)信用環(huán)境的區(qū)域差異及影響因素。以上這些基于XGBoost模型的研究都獲得了理想的結(jié)果,因此,采用XGBoost模型構(gòu)建中山市農(nóng)業(yè)經(jīng)濟(jì)影響因素分析模型具有良好的適用性與可行性。

該研究將使用XGBoost算法構(gòu)建的模型結(jié)果與其他4種模型——增強(qiáng)學(xué)習(xí)(Adaboost)、支持向量機(jī)(SVR)、隨機(jī)森林(RF)以及K最鄰近算法(KNN)作對(duì)比實(shí)驗(yàn),通過比較這5種模型的性能,考察基于XGBoost模型對(duì)中山市農(nóng)業(yè)經(jīng)濟(jì)影響因素的分析效果。

1 材料與方法

選取廣東省中山市1980—2020年的農(nóng)業(yè)各產(chǎn)業(yè)產(chǎn)值數(shù)據(jù)以及總產(chǎn)值數(shù)據(jù)作為數(shù)據(jù)集[20],包含種植業(yè)、林業(yè)、畜牧業(yè)以及漁業(yè)4個(gè)板塊。首先計(jì)算出農(nóng)業(yè)各產(chǎn)業(yè)增長(zhǎng)率,分析中山市各產(chǎn)業(yè)對(duì)農(nóng)業(yè)經(jīng)濟(jì)總產(chǎn)值貢獻(xiàn)率的大小和變化,以及產(chǎn)業(yè)調(diào)整的經(jīng)濟(jì)效益,然后構(gòu)建XGBoost回歸分析模型,將各產(chǎn)業(yè)的歷年產(chǎn)值數(shù)據(jù)作為模型的輸入自變量,農(nóng)業(yè)總產(chǎn)值作為模型因變量,利用XGBoost模型對(duì)農(nóng)業(yè)各產(chǎn)業(yè)結(jié)構(gòu)產(chǎn)值變化對(duì)中山市農(nóng)業(yè)經(jīng)濟(jì)總產(chǎn)值進(jìn)行回歸分析,最后得出中山市歷年農(nóng)業(yè)產(chǎn)業(yè)結(jié)構(gòu)產(chǎn)值變化對(duì)經(jīng)濟(jì)影響的分析結(jié)果。為了對(duì)比出XGBoost模型在本次數(shù)據(jù)集表現(xiàn)性能的好壞,該研究選取增強(qiáng)學(xué)習(xí)(Adaboost)、支持向量機(jī)(SVR)、隨機(jī)森林(RF)以及K最鄰近算法(KNN)作為對(duì)比模型,在相同的數(shù)據(jù)集下進(jìn)行訓(xùn)練,以R2、均方根誤差(RMSE)和平均泊松偏差回歸損失(Mean Poisson Deviation Regression Loss)作為評(píng)價(jià)指標(biāo)區(qū)分各模型性能好壞。

(1)

其中正則化懲罰項(xiàng)定義樹的復(fù)雜度,其表達(dá)式由2部分構(gòu)成:

(2)

正則化項(xiàng)通過指定懲罰項(xiàng)來控制葉子節(jié)點(diǎn)過多的模型陷入過度擬合,其中γ為懲罰力度,λ為參數(shù),T表示葉子節(jié)點(diǎn)的個(gè)數(shù),節(jié)點(diǎn)數(shù)越多懲罰力度越大,Wj為節(jié)點(diǎn)j的數(shù)值,目的控制擬合偏差,以控制學(xué)習(xí)任務(wù)的靈活性,使得能夠更好推廣到回歸模型中。

生成t棵樹后,上棵樹和其預(yù)測(cè)殘差的和組成新生成的樹,預(yù)測(cè)可以寫成:

(3)

(4)

把常數(shù)項(xiàng)移除之后,目標(biāo)函數(shù)變?yōu)?

(5)

定義公式:

Gj=∑i∈Igi,Hj=∑i∈Ihi

(6)

并且對(duì)Wj求偏導(dǎo),可以得到:

(7)

把Wj代入目標(biāo)函數(shù),得到:

(8)

2 實(shí)證分析

2.1 歷年各產(chǎn)業(yè)產(chǎn)值與增長(zhǎng)率情況據(jù)中山市統(tǒng)計(jì)局統(tǒng)計(jì),在1980—2020年,廣東省中山市農(nóng)業(yè)各產(chǎn)業(yè)的產(chǎn)值結(jié)構(gòu)的比例出現(xiàn)一定的調(diào)整與變化,如圖1所示,其中種植業(yè)與漁業(yè)總體呈上升趨勢(shì),最高產(chǎn)值均超過30億萬元;林業(yè)產(chǎn)業(yè)在1985—1995年呈上升趨勢(shì),但從20世紀(jì)90年代末至今林業(yè)產(chǎn)值增長(zhǎng)為負(fù)增長(zhǎng),產(chǎn)值最高為6 708萬元;畜牧業(yè)在1980—2010年呈正增長(zhǎng)趨勢(shì),2010—2020年呈逐年下滑趨勢(shì)。由此可見中山市近5年來林業(yè)與畜牧業(yè)的占經(jīng)濟(jì)總比呈下滑,漁業(yè)比重增加,種植業(yè)產(chǎn)值大體增長(zhǎng)。

如表1所示,1980—2020年中山市農(nóng)業(yè)各部分產(chǎn)業(yè)增長(zhǎng)率逐年變化起伏較大,各產(chǎn)業(yè)的變化差異也很大,林業(yè)與畜牧業(yè)在中山市農(nóng)業(yè)總體經(jīng)濟(jì)產(chǎn)值比重降低,且林業(yè)產(chǎn)業(yè)產(chǎn)值近20年增長(zhǎng)持續(xù)低迷,負(fù)增長(zhǎng)居多,兩者平均增幅為0.46%和2.16%;漁業(yè)產(chǎn)業(yè)產(chǎn)值逐年平均增幅為9.69%,中間出現(xiàn)4次負(fù)增長(zhǎng),但是總體為正;種植業(yè)增長(zhǎng)幅度較為平穩(wěn),平均增幅為3.45%。綜上,中山市農(nóng)業(yè)總產(chǎn)值總體呈正增長(zhǎng)趨勢(shì)。

表1 中山市各農(nóng)業(yè)產(chǎn)業(yè)產(chǎn)值增長(zhǎng)率

2.2 流程分析建模過程分為3個(gè)步驟:

(1)數(shù)據(jù)處理,首先在中山市統(tǒng)計(jì)局官網(wǎng)下載2021年中山市年鑒,對(duì)農(nóng)業(yè)板塊數(shù)據(jù)進(jìn)行預(yù)處理,減少錯(cuò)誤數(shù)據(jù)對(duì)模型的干擾。由于此次數(shù)據(jù)集的大小為的矩陣,為了保證訓(xùn)練集充分訓(xùn)練,不劃分測(cè)試集與驗(yàn)證集。

(2)構(gòu)建XGBoost回歸模型,首先利用網(wǎng)格搜索對(duì)XGBoost模型的學(xué)習(xí)率、樹深度、樹的評(píng)估器數(shù)量、最小葉子權(quán)重等參數(shù)進(jìn)行優(yōu)化,獲得最優(yōu)參數(shù)XGBoost回歸模型,然后利用二次最優(yōu)化方法,對(duì)每次迭代的決策樹進(jìn)行參數(shù)分配與優(yōu)化,對(duì)效果最優(yōu)的模型進(jìn)行保留。

該研究模型利用XGBoost對(duì)中山市各農(nóng)業(yè)產(chǎn)業(yè)歷年數(shù)據(jù)進(jìn)行預(yù)測(cè)和分析,包含一些必要的參數(shù)調(diào)整,如樹深度、學(xué)習(xí)率、樹棵數(shù)以及最小葉子權(quán)重,不同的參數(shù)組合會(huì)對(duì)預(yù)測(cè)結(jié)果產(chǎn)生很大影響。該研究通過窮舉法在所有候選參數(shù)中遍歷循環(huán),如表2所示。

表2 XGBoost模型參數(shù)取值范圍Table 2 Value range of XGBoost model parameters

通過網(wǎng)格搜索對(duì)比每一種組合的性能得出最佳參數(shù)如表3所示。

表3 最優(yōu)XGBoost參數(shù)Table 3 Optimal XGBoost parameters

(3)評(píng)價(jià)分析,通過均方根誤差(Root mean square error)、R2、平均泊松偏差回歸損失(Mean Poisson Deviation Regression Loss)等評(píng)價(jià)指標(biāo)對(duì)XGBoost回歸模型進(jìn)行性能評(píng)價(jià),并且與其他回歸模型進(jìn)行對(duì)比分析,計(jì)算公式如下:

(9)

(10)

(11)

2.3 試驗(yàn)環(huán)境處理器:AMD R5 3500U,基頻2.1GHz、內(nèi)存8G。操作系統(tǒng):Ubuntu20.04LTS、程序設(shè)計(jì)語言Python3.8。算法集成開發(fā)環(huán)境:Scikit-learn + XGBoost +NumPy,參數(shù)調(diào)整使用Scikit-learn提供的網(wǎng)格搜素工具箱實(shí)現(xiàn)。

2.4 模型驗(yàn)證與對(duì)比分析

2.4.1XGBoost模型結(jié)果分析。采用集成學(xué)習(xí)XGBoost模型的特征相關(guān)重要性分析,提取對(duì)中山市各農(nóng)業(yè)產(chǎn)業(yè)產(chǎn)值相關(guān)性參數(shù)得分,根據(jù)相關(guān)性參數(shù)得分分析出對(duì)中山市農(nóng)業(yè)經(jīng)濟(jì)影響最深的產(chǎn)業(yè),并且利用XGBoost模型回歸曲線對(duì)中山市歷年農(nóng)業(yè)經(jīng)濟(jì)總產(chǎn)值進(jìn)行回歸分析。中山市歷年農(nóng)業(yè)經(jīng)濟(jì)總產(chǎn)值和XGBoost模型擬合曲線如圖2所示。由圖2可知,XGBoost模型對(duì)歷年中山市農(nóng)業(yè)經(jīng)濟(jì)產(chǎn)值數(shù)據(jù)擬合效果較好,曲線連接基本囊括所有數(shù)據(jù)點(diǎn)。

圖2 1980—2020年中山市農(nóng)業(yè)經(jīng)濟(jì)總產(chǎn)量XGBoost擬合曲線Fig.2 XGBoost fitting curve of the total agricultural economic output of Zhongshan City during 1980-2020

由XGBoost模型算出1980—2020年中山市各農(nóng)業(yè)產(chǎn)業(yè)相關(guān)性總參數(shù)占比得分如圖3所示,漁業(yè)產(chǎn)業(yè)得分為 0.598 4,種植業(yè)得分為0.354 9,林業(yè)得分為0.005 1,畜牧業(yè)得分為0.041 6。漁業(yè)得分最高,其次為種植業(yè),畜牧和林業(yè)得分最低。由此可見,中山市農(nóng)業(yè)經(jīng)濟(jì)支柱產(chǎn)業(yè)為漁業(yè)和種植業(yè),尤其漁業(yè)占比最多。

圖3 中山市各農(nóng)業(yè)產(chǎn)業(yè)XGboost模型相關(guān)性參數(shù)得分Fig.3 XGboost model correlation parameter score of various agricultural industries in Zhongshan City

2.4.2不同算法模型的比較分析。為了驗(yàn)證基于XGBoost的中山市歷年各農(nóng)業(yè)產(chǎn)業(yè)產(chǎn)值回歸預(yù)測(cè)性能,分別選取了K值最鄰近算法(KNN)、支持向量機(jī)回歸(SVR)、隨機(jī)森林(RF)、增強(qiáng)學(xué)習(xí)(AdaBoost)方法對(duì)中山市歷年各農(nóng)業(yè)產(chǎn)業(yè)產(chǎn)值進(jìn)行回歸擬合,以及對(duì)上述算法模型的評(píng)價(jià)指標(biāo)做出分析,包括均方根誤差(Root mean square error)、R2、平均泊松偏差回歸損失(Mean Poisson Deviation Regression Loss)等評(píng)價(jià)指標(biāo)。

由圖4可見,在經(jīng)濟(jì)總產(chǎn)量圖的低處與高處的點(diǎn)較為離散,K值最鄰近算法(KNN)、隨機(jī)森林(RF)以及支持向量機(jī)回歸(SVR)無法對(duì)離散較大的點(diǎn)進(jìn)行比較好的擬合,可見集成學(xué)習(xí)進(jìn)行回歸預(yù)測(cè)擬合效果較好。增強(qiáng)學(xué)習(xí)(Adaboost)能大體對(duì)數(shù)據(jù)點(diǎn)進(jìn)行擬合,但在細(xì)節(jié)點(diǎn)上未完全擬合,效果略差于XGBoost。

圖4 1980—2020年中山市農(nóng)業(yè)經(jīng)濟(jì)總產(chǎn)量各模型擬合曲線對(duì)比Fig.4 Comparison of fitting curves of each model of the total agricultural economic output of Zhongshan City during 1980-2020

5種模型評(píng)價(jià)指標(biāo)如表4所示,5種模型的R2相差無幾,均在0.99以上,表示5種算法都能對(duì)中山市歷年各產(chǎn)業(yè)產(chǎn)值數(shù)據(jù)進(jìn)行大體的擬合。但不同模型在RMSE與MPDRL表現(xiàn)差別巨大,XGBoost在所有模型中RMSE與MPDRL的值最小,分別是0.715 5與6.499 1×10-6,XGBoost的RMSE比KNN下降了25 467.081 6,比SVR下降了9 220.604 9,比RF下降了12 298.729 3,比AdaBoost下降了11 057.144 6。綜上所述,XGBoost回歸效果最好,RMSE與MDPRL均低于其他模型,其次是SVR模型和AdaBoost模型,KNN與RF在評(píng)價(jià)指標(biāo)上表現(xiàn)較差。由此可見,XGBoost在此數(shù)據(jù)集上表現(xiàn)均高于其余模型,擁有較高的精準(zhǔn)度,可為中山市各農(nóng)業(yè)產(chǎn)業(yè)提供很好的回歸擬合分析。

表4 各算法評(píng)價(jià)指標(biāo)Table 4 Evaluation indicators of each algorithm

3 討論

(1)該研究構(gòu)建了基于XGBoost的回歸模型,對(duì)1980—2020年中山市各農(nóng)業(yè)產(chǎn)業(yè)產(chǎn)值預(yù)測(cè)以及特征相關(guān)性分析;采用網(wǎng)格搜素法來確定基于XGBoost模型的參數(shù),可以使評(píng)價(jià)指標(biāo)達(dá)到最優(yōu),提升了模型的魯棒性,避免模型欠擬合,大幅度提高模型對(duì)數(shù)據(jù)擬合程度。整體而言,該研究構(gòu)建的XGBoost模型相比SVR、KNN、RF以及AdaBoost等模型有較好的效果,具有預(yù)測(cè)性和擬合性好、泛化能力強(qiáng)等優(yōu)點(diǎn)。

(2)從XGBoost模型特征相關(guān)性分析和數(shù)據(jù)分布特點(diǎn)得出各產(chǎn)業(yè)增長(zhǎng)率以及對(duì)經(jīng)濟(jì)總產(chǎn)值的貢獻(xiàn)占比情況如下:種植業(yè)、漁業(yè)增長(zhǎng)率逐年大體上升,種植業(yè)在2017—2019年出現(xiàn)產(chǎn)值下滑,漁業(yè)保持逐年穩(wěn)步上升;在2010年以前畜牧業(yè)有緩慢的增長(zhǎng)趨勢(shì),在此之后產(chǎn)值逐漸下降,下降幅度較大;從2000年初開始林業(yè)產(chǎn)值增長(zhǎng)為負(fù),最高產(chǎn)值不超過6 000萬元,此后產(chǎn)值基本保持在1 000萬元左右不變。從歷年來農(nóng)業(yè)各產(chǎn)業(yè)產(chǎn)值對(duì)中山市農(nóng)業(yè)總經(jīng)濟(jì)產(chǎn)值進(jìn)行回歸分析得出漁業(yè)對(duì)中山市農(nóng)業(yè)總經(jīng)濟(jì)貢獻(xiàn)占比最多,其次為種植業(yè),最后是林業(yè)與畜牧業(yè),占比分別是59.8%、35.5%、4.2%、0.5%。最后,通過模型回歸擬合分析得出中山市各農(nóng)業(yè)產(chǎn)業(yè)對(duì)整體農(nóng)業(yè)經(jīng)濟(jì)呈正增長(zhǎng)。

(3)農(nóng)林經(jīng)濟(jì)產(chǎn)值的增長(zhǎng)得益于漁業(yè)生產(chǎn),因此保障漁業(yè)生產(chǎn)良好發(fā)展尤為重要。種植業(yè)發(fā)展勁頭足,經(jīng)濟(jì)作物種植面積大幅增長(zhǎng)。為持續(xù)增強(qiáng)農(nóng)業(yè)農(nóng)村經(jīng)濟(jì)活力,保持漁業(yè)和種植業(yè)的長(zhǎng)遠(yuǎn)穩(wěn)定增長(zhǎng)是中山市農(nóng)業(yè)高質(zhì)量發(fā)展的關(guān)鍵因素。在促進(jìn)漁業(yè)與種植業(yè)穩(wěn)定增長(zhǎng)的同時(shí),中山市需要提高對(duì)林業(yè)與畜牧業(yè)的關(guān)注度。林業(yè)經(jīng)濟(jì)發(fā)展?jié)摿薮?應(yīng)當(dāng)堅(jiān)持把森林資源保護(hù)和發(fā)展作為林業(yè)工作的主題,大力發(fā)展林業(yè)經(jīng)濟(jì)。面對(duì)畜牧業(yè)產(chǎn)能恢復(fù)緩慢,畜牧業(yè)生產(chǎn)回穩(wěn)備受挑戰(zhàn)的局面,政府需要扶持和引導(dǎo)建設(shè)畜禽養(yǎng)殖示范基地和種畜禽場(chǎng),形成可持續(xù)農(nóng)牧循環(huán)生態(tài)。發(fā)展特色畜牧業(yè),強(qiáng)化品牌建設(shè)與帶動(dòng),突出提質(zhì)增效,積極建設(shè)特色畜牧產(chǎn)品優(yōu)勢(shì)產(chǎn)區(qū)。在穩(wěn)增長(zhǎng)的前提下補(bǔ)短板,優(yōu)化農(nóng)業(yè)產(chǎn)業(yè)結(jié)構(gòu),多措并舉保障中山市農(nóng)業(yè)經(jīng)濟(jì)保持良好發(fā)展態(tài)勢(shì)。