摘要：

玉米、水稻等作物收后秸稈處理一直是農(nóng)業(yè)生產(chǎn)中亟待解決的問題，機械化秸稈還田是作物收后秸稈處理的重要手段，也是保護黑土資源的重要措施。結(jié)合相關(guān)文獻，提出基于協(xié)整性檢驗的單一預(yù)測模型選擇和基于誤差指標(biāo)最小的最優(yōu)組合預(yù)測模型選擇關(guān)鍵環(huán)節(jié)；運用協(xié)整性檢驗方法確定二次函數(shù)模型、ARIMA模型、H-W無季節(jié)模型作為秸稈還田機械化程度預(yù)測的單一模型；依據(jù)誤差絕對值和最小法、Shapley法和基于Theil不等系數(shù)IOWAO法構(gòu)建三種組合預(yù)測模型，采用誤差平方和（SSE）、平均絕對誤差（MAE）、均方誤差（MSE）、平均絕對百分比誤差（MAPE）、均方百分比誤差（MSPE）五個誤差指標(biāo)比較模型精度，確定采用基于Theil不等系數(shù)IOWAO的組合模型為最優(yōu)預(yù)測作物秸稈還田機械化程度模型。結(jié)果表明，2022-2026年黑龍江省秸稈還田機械化程度將穩(wěn)步提升，平均每年增加4.52%，2026年將達到74.19%，比2021年提升22.62%；2022年以后，黑龍江省秸稈還田機械化程度將進入快速發(fā)展期。為制定和實施機械化秸稈處理政策提供理論依據(jù)，為保護和恢復(fù)黑土資源生產(chǎn)能力提供重要支撐。

關(guān)鍵詞：黑龍江省；秸稈還田機械化；黑土資源保護；變權(quán)重組合預(yù)測

中圖分類號：S23—9

文獻標(biāo)識碼：A

文章編號：2095-5553 （2024） 04-0258-08

收稿日期：2023年2月1日" 修回日期：2023年11月15日

基金項目：“十四五”國家重點研發(fā)計劃子課題（2021YFD2000405—2）；國家大豆產(chǎn)業(yè)技術(shù)體系專項資金項目（CARS—04—PS27）

第一作者：喬金友，男，1969年生，黑龍江大慶人，博士，教授；研究方向為農(nóng)業(yè)機械化生產(chǎn)與管理。E-mail： qiaojinyou@163.com

通訊作者：陳海濤，男，1962年生，黑龍江綏棱人，博士，教授；研究方向為旱作農(nóng)業(yè)裝備技術(shù)。E-mail： htchen@neau.edu.cn

Forecast of mechanization degree of crop straw returning to field in Heilongjiang Province

based on Theil inequality coefficient and IOWAO combined model

Qiao Jinyou1， 2， Yan Simeng1， 2， Sun Jian1， 2， Jing Yubing1， 2， Chen Haitao1， 2

（1. College of Engineering， Northeast Agricultural University， Harbin， 150030， China；

2. Heilongjiang Major Crop Production Mechanization Material Technology Innovation Center， Harbin， 150000， China）

Abstract：

The treatment of corn and rice straw after harvest has always been an urgent problem to be solved in agricultural production. Mechanized straw returning to the field has been an important means of straw treatment of crops after harvest and also an important measure to protect black soil resources. Combined with relevant literature， the key links was single prediction model selection based on cointegration test and optimal combination prediction model selection based on minimum error index was proposed. The quadratic function model， ARIMA model and H-W non-seasonal model were selected as the single forecasting model for the mechanization degree of straw returning to the field by using the method of cointegration test. The combined forecasting model was built according to the minimized sum of the absolute error value method， Shapley method and Theil inequality coefficient and IOWAO model method. The forecasting accuracy of the combined models was compared by SSE， MAE， MSE， MAPE and MSPE. It was proved that Theil inequality coefficient and IOWAO combined model was the better model to forecast the mechanization degree of crop straw returning to the field. The results show that the mechanization degree of straw returning to field in Heilongjiang Province will be steadily improved from 2022 to 2026. The average annual increase will be 4.52%， which will reach 74.19% in 2026， an increase of 22.62% over 2021. After 2022 the mechanization degree of straw return in Heilongjiang Province will enter a rapid development period. The combined prediction results provide theoretical basis for determining and implementing mechanized straw treatment measures and have practical significance for protecting and restoring the productive capacity of black soil resources.

Keywords：

Heilongjiang Province; crop straw returning mechanization; black soil resource protection; variable weight combined forecast

0 引言

糧食作物秸稈機械化還田對修復(fù)土壤、節(jié)本提效、維護生態(tài)等具有積極作用，是耕地保護和修復(fù)的重要措施，因此預(yù)測黑龍江省秸稈還田機械化程度不僅有利于推動農(nóng)作物生產(chǎn)全程機械化進程，也有效促進黑土保護性耕作行動計劃貫徹落實和農(nóng)業(yè)可持續(xù)發(fā)展。

國內(nèi)外專家學(xué)者多采用回歸模型、BP神經(jīng)網(wǎng)絡(luò)、灰色預(yù)測模型及ARIMA模型等［1， 2］單一預(yù)測模型預(yù)測農(nóng)業(yè)機械化程度、農(nóng)業(yè)機械化發(fā)展速度，這些模型應(yīng)用簡單，但存在預(yù)測精度偏低、指導(dǎo)意義弱等問題。1969年，Bates等［3］提出組合預(yù)測（Combined Forecast）概念與方法，因其可有效提高預(yù)測精度而得到廣泛應(yīng)用。2004年，Carmo等［4］組合多元灰色模型和灰色關(guān)聯(lián)分析方法，在預(yù)測集成電路輸出方面比傳統(tǒng)方法有顯著改進。Yaziz等［5］建立ARIMA-TGARCH組合模型預(yù)測黃金價格，有效提高預(yù)測精度。Naji等［6］建立神經(jīng)網(wǎng)絡(luò)與模糊推理系統(tǒng)相結(jié)合的組合模型，用于建筑能耗預(yù)測。Le等［7］提出一種將CNN算法和Bi-LSTM算法相結(jié)合的預(yù)測模型，并用于電能消耗預(yù)測。

國內(nèi)有較多學(xué)者多采用組合預(yù)測模型預(yù)測農(nóng)業(yè)機械化發(fā)展問題。張淑娟［8］、鄭建紅［9］、Hao［10］等采用組合預(yù)測方法預(yù)測農(nóng)機總動力；鞠金艷等［11， 12］采用基于神經(jīng)網(wǎng)絡(luò)、誤差平方和最小線性規(guī)劃方法構(gòu)建組合預(yù)測模型，分別預(yù)測黑龍江省耕地、播種和收獲作業(yè)機械化作業(yè)水平與農(nóng)機總動力發(fā)展趨勢；袁玉萍［13］采用基于粗糙集理論、RBF神經(jīng)網(wǎng)絡(luò)和SAVM方法構(gòu)建三種組合預(yù)測模型，對黑龍江農(nóng)墾農(nóng)機裝備水平進行預(yù)測；吐爾遜·買買提等［14］以新疆農(nóng)業(yè)機械總動力為數(shù)據(jù)源構(gòu)建基于百分誤差的組合預(yù)測模型，并比較基于Shapley值、粗糙集和熵權(quán)法三種組合模型的預(yù)測精度。

綜上所述，國內(nèi)外學(xué)者采用單一模型預(yù)測農(nóng)業(yè)及農(nóng)業(yè)機械化發(fā)展問題，也有學(xué)者采用粗糙集理論、Shapley值、BP神經(jīng)網(wǎng)絡(luò)等方法構(gòu)建和應(yīng)用組合預(yù)測模型，在農(nóng)機總動力、農(nóng)機裝備水平和綜合農(nóng)業(yè)機械化程度組合預(yù)測等方面做了大量工作。但近幾年相關(guān)文獻較少，且這些文獻所用的單一模型為學(xué)者直接提出，組合預(yù)測流程不夠嚴謹。因此，采用科學(xué)方法篩選單一模型，優(yōu)化預(yù)測模型組合，同時結(jié)合農(nóng)業(yè)生產(chǎn)特點及黑土保護需求預(yù)測黑龍江省秸稈還田機械化程度，可以完善組合預(yù)測相關(guān)理論，為推進保護性耕作行動計劃和促進黑土保護提供理論和技術(shù)支撐。

1 組合預(yù)測流程設(shè)計

將單一預(yù)測方法進行組合建立組合模型進而減少預(yù)測誤差是應(yīng)用組合預(yù)測方法的出發(fā)點和目標(biāo)。現(xiàn)有文獻中缺少單一預(yù)測模型選擇和預(yù)測模型組合方法優(yōu)化選擇環(huán)節(jié)?；诖?，結(jié)合相關(guān)文獻成果，設(shè)計基于優(yōu)化的單一預(yù)測模型和組合方法的組合預(yù)測流程如圖1所示。

依據(jù)待解決問題及原始數(shù)據(jù)變化趨勢初選可用單一預(yù)測模型。為防止時間序列產(chǎn)生“偽回歸”問題，采用協(xié)整性檢驗方法優(yōu)化單一預(yù)測模型；在此基礎(chǔ)上，采用合適的方法確定各單一模型的權(quán)重，進而構(gòu)建組合預(yù)測模型，并以誤差指標(biāo)最小為目標(biāo)確定最優(yōu)組合預(yù)測模型，最后結(jié)合實際數(shù)據(jù)進行預(yù)測研究。

2.3 基于協(xié)整性檢驗的單一預(yù)測模型選擇

依據(jù)圖1流程，單一預(yù)測模型必須通過協(xié)整性檢驗方可參與組合預(yù)測。觀測序列yt和擬合序列y^t之間存在協(xié)整關(guān)系的必要條件是：yt和y^t為一階差分平穩(wěn)序列，且預(yù)測誤差et=yt-y^t也為平穩(wěn)序列［19］。是否具有單位根是待檢驗序列平穩(wěn)與否的前提。如果計算序列的ADF統(tǒng)計量小于5%臨界值，則待檢驗序列不具有單位根，為平穩(wěn)序列，否則為不平穩(wěn)序列。

采用Eviews軟件分別對觀測序列（表1）和各單一預(yù)測模型擬合序列（表2）的一階差分序列進行單位根檢驗，結(jié)果如表3所示。

由表3可知，觀測序列的一階差分序列有98.08%（1-P）的把握拒絕原假設(shè)，即不具有單位根，是一階差分平穩(wěn)序列。同理，二次函數(shù)模型、ARIMA模型、H-W無季節(jié)性預(yù)測模型通過單位根檢驗，均為一階差分平穩(wěn)序列，予以保留；而生長曲線函數(shù)和灰色預(yù)測GM（1，1）模型不是一階差分平穩(wěn)序列，予以剔除。

針對保留模型，需對其殘差序列再次進行單位根檢驗，若殘差序列為平穩(wěn)序列，則通過協(xié)整性檢驗，對應(yīng)模型可以參與組合預(yù)測；殘差序列為非平穩(wěn)序列的模型仍需剔除。殘差序列單位根檢驗結(jié)果如表4所示。

由表4可知，二次函數(shù)模型、ARIMA模型、H-W無季節(jié)性模型相應(yīng)的殘差序列均為平穩(wěn)序列，即通過協(xié)整性檢驗，可作為單一預(yù)測模型構(gòu)建組合預(yù)測模型，用于預(yù)測黑龍江省秸稈還田機械化程度。

3 組合預(yù)測模型建立

構(gòu)建組合預(yù)測模型最關(guān)鍵問題就是確定各單一預(yù)測模型在組合模型中的權(quán)重。選擇誤差絕對值和最小、Shapley值和基于Theil不等系數(shù)誘導(dǎo)有序加權(quán)平均算子（Induced ordered weighted averaging operator，IOWAO）三種方法分別確定各單一預(yù)測模型的權(quán)重，進而構(gòu)建不同的組合預(yù)測模型預(yù)測黑龍江省秸稈還田機械化程度的待選組合模型。

3.1 基于誤差絕對值和最小的組合預(yù)測模型

基于誤差絕對值和最小的組合預(yù)測模型克服了觀測序列中可能夾雜有異常數(shù)據(jù)的弱點，其穩(wěn)健性較最小二乘法強［20］?；谡`差絕對值和最小方法的求解單一預(yù)測方法權(quán)重的模型如式（13）所示。

4 基于優(yōu)化組合模型的預(yù)測

4.1 模型優(yōu)選

由表2和圖2可知，單一預(yù)測模型和組合預(yù)測模型擬合值變化趨勢與觀測值變化趨勢相同，但不同模型擬合值與觀測值之間誤差不同。為確定最優(yōu)組合預(yù)測模型，采用誤差平方和（SSE）、平均絕對誤差（MAE）、均方誤差（MSE）、平均絕對百分比誤差（MAPE）、均方百分比誤差（MSPE）五個指標(biāo)比較預(yù)測模型的擬合精度。預(yù)測模型的五個誤差指標(biāo)值如表5所示。

由表5可知，基于Theil不等系數(shù)IOWAO預(yù)測模型擬合序列的五個誤差指標(biāo)均優(yōu)于其他模型，誤差平方和SSE指標(biāo)差異幅度最大，比其他模型分別降低91.18%、92.64%、78.61%、91.49%、84.37%、71.57%和72.73%，均方百分比誤差MSPE雖降幅最小，但也比其他模型降低72.35%、76.51%、53.70%、74.87%、60.54%、44.90%和46.01%。因此，采用基于Theil不等系數(shù)IOWAO組合預(yù)測模型預(yù)測黑龍江省秸稈還田機械化程度更準確。

4.2 黑龍江省秸稈還田機械化程度預(yù)測

采用基于Theil不等系數(shù)IOWAO組合模型預(yù)測2022—2026年黑龍江省秸稈還田機械化程度，結(jié)果如表6所示。

依據(jù)表6可知，2022—2026年黑龍江省秸稈還田機械化程度將穩(wěn)健增加，2026年將達到74.19%，較2021年增加22.62%；平均每年增加4.52%，比2000—2021年平均年增長幅度（0.78%）提高了5.8倍，比2011—2021年平均年增長幅度（1.59%）提高2.84倍。由此說明，自2022年以后，黑龍江省秸稈還田機械化程度將進入相對高速發(fā)展期，不但可有效提升秸稈還田比例，而且降低秸稈焚燒對環(huán)境的污染、有效保護和提升黑土資源生產(chǎn)能力，進而促進農(nóng)業(yè)綠色可持續(xù)發(fā)展。

為保證秸稈還田機械化程度穩(wěn)步提升，建議實施現(xiàn)有技術(shù)基礎(chǔ)上，進一步提高對黑土保護的緊迫性和秸稈機械化還田必要性的認識；同時要繼續(xù)加大技術(shù)裝備研發(fā)力度，研究實施科學(xué)的機械秸稈還田技術(shù)模式，保證按作業(yè)質(zhì)量標(biāo)準作業(yè)，提高秸稈還田作業(yè)質(zhì)量和效益；有針對性制定和落實農(nóng)機購置補貼和作業(yè)補貼機制，為秸稈還田機械化作業(yè)提供保障。

5 結(jié)論

1）" 設(shè)計組合預(yù)測流程，增加基于協(xié)整性檢驗的單一預(yù)測模型選擇和基于誤差指標(biāo)最小的最優(yōu)組合預(yù)測模型選擇兩個關(guān)鍵環(huán)節(jié)，規(guī)范組合預(yù)測研究和應(yīng)用路徑。

2）" 通過協(xié)整性檢驗確定二次函數(shù)模型、ARIMA模型、H-W無季節(jié)性模型為黑龍江省秸稈還田機械化程度的單一預(yù)測模型；基于SSE、MAE、MSE、MAPE和MSPE五個誤差指標(biāo)確定了基于Theil不等系數(shù)IOWAO組合模型為預(yù)測黑龍江省秸稈還田機械化程度的最佳模型。

3）" 預(yù)測結(jié)果表明：2022—2026年黑龍江省秸稈還田機械化程度將穩(wěn)健發(fā)展，到2026年黑龍江省秸稈還田機械化程度將達到74.19%；平均每年增加4.52%，比2000—2021年平均增長幅度提高5.8倍。研究結(jié)果對保護和恢復(fù)黑土資源能力具有重要意義。

參 考 文 獻

［1］ 董志貴， 宋慶鳳， 王福林， 等. 基于BP神經(jīng)網(wǎng)絡(luò)的整株秸稈還田機功耗優(yōu)化［J］. 系統(tǒng)工程理論與實踐， 2018， 38（9）： 2401-2408.

Dong Zhigui， Song Qingfeng， Wang Fulin， et al. Optimize on power dissipation of whole-straw returning device based on BP neural network ［J］. Systems Engineering-Theory amp; Practice， 2018， 38（9）： 2401-2408.

［2］ Hui X， Sun Y， Yin F， et al. Trend prediction of agricultural machinery power in China coastal areas based on Grey relational analysis ［J］. Journal of Coastal Research， 2020， 103（S1）： 299-304.

［3］ Bates J M， Granger C W J. The combination of forecasts ［J］. Journal of the Operational Research Society， 1969， 20（4）： 451-468.

［4］ Carmo J L， Rodrigues A J. Adaptive forecasting of irregular demand processes ［J］. Engineering Applications of Artificial Intelligence， 2004， 17（2）： 137-143.

［5］ Yaziz S R， Azizan N A， Ahmad M H， et al. Modelling gold price using ARIMA-TGARCH ［J］. Applied Mathematical Sciences， 2016， 10（28）： 1391-1402.

［6］ Naji S， Shamshirband S， Basser H， et al. Application of adaptive neuro-fuzzy methodology for estimating building energy consumption ［J］. Renewable and Sustainable Energy Reviews， 2016， 53（1）： 1520-1528.

［7］ Le T， Vo M T， Vo B， et al. Improving electric energy consumption prediction using CNN and Bi-LSTM ［J］. Applied Sciences， 2019， 9（20）： 4237.

［8］ 張淑娟， 趙飛. 基于Shapley值的農(nóng)機總動力組合預(yù)測方法［J］. 農(nóng)業(yè)機械學(xué)報， 2008， 39（5）： 60-64.

Zhang Shujuan， Zhao Fei. Combinatorial forecast of agricultural machinery total power based on Shapley value ［J］. Transactions of the Chinese Society for Agricultural Machinery， 2008， 39（5）： 60-64.

［9］ 鄭建紅. 組合預(yù)測方法研究及其在農(nóng)機總動力預(yù)測中的應(yīng)用［D］. 哈爾濱： 東北農(nóng)業(yè)大學(xué)， 2012.

Zheng Jianhong. Research on combination forecasting method and application in forecasting of agriculture machinery total power ［D］. Harbin： Northeast Agricultural University， 2012.

［10］ Hao Xiaoling， Suo Ruixia. The application of combination forecasting model in forecasting the total power of agricultural machinery in Heilongjiang Province ［J］. Asian Agricultural Research， 2015， 7（5）： 25-28.

［11］ 鞠金艷， 王金武. 黑龍江省農(nóng)業(yè)機械化作業(yè)水平預(yù)測方法［J］. 農(nóng)業(yè)工程學(xué)報， 2009， 25（5）： 83-88.

Ju Jinyan， Wang Jinwu. Prediction method for the operation level of agricultural mechanization in Heilongjiang province ［J］. Transactions of the Chinese Society of Agricultural Engineering， 2009， 25（5）： 83-88.

［12］ 鞠金艷， 王金武， 王金峰. 基于BP神經(jīng)網(wǎng)絡(luò)的農(nóng)機總動力組合預(yù)測方法［J］. 農(nóng)業(yè)機械學(xué)報， 2010， 41（6）： 87-92.

Ju Jinyan， Wang Jinwu， Wang Jinfeng. Combined prediction method of total power of agricultural mechanization based on BP neural network ［J］. Transactions of the Chinese Society for Agricultural Machinery， 2010， 41（6）： 87-92.

［13］ 袁玉萍. 黑龍江墾區(qū)農(nóng)機裝備發(fā)展水平預(yù)測及對糧食產(chǎn)量貢獻的研究［D］. 大慶： 黑龍江八一農(nóng)墾大學(xué)， 2014.

Yuan Yuping. Study on the forecast for developmental level of agricultural machinery equipment and its contribution to food production in Heilongjiang reclamation area ［D］. Daqing： Heilongjiang Bayi Agricultural University， 2014.

［14］ 吐爾遜·買買提， 丁為民， 謝建華. 時間序列組合預(yù)測模型研究： 以農(nóng)業(yè)機械總動力為例［J］. 南京農(nóng)業(yè)大學(xué)學(xué)報， 2016， 39（4）： 688-695.

Tursun Mamat， Ding Weimin， Xie Jianhua. Research of combination prediction model for time series： A case study in total power of agricultural machinery ［J］. Journal of Nanjing Agricultural University， 2016， 39（4）： 688-695.

［15］ 張姝瑋， 郭忠印， 陳立輝. 基于自回歸求積移動平均的制動器溫度預(yù)測方法［J］. 吉林大學(xué)學(xué)報（工學(xué)版）， 2020， 50（6）： 2080-2086.

Zhang Shuwei， Guo Zhongyin， Chen Lihui. Brake temperature prediction method based on autoregressive integrated moving average model ［J］. Journal of Jilin University （Engineering and Technology Edition）， 2020， 50（6）： 2080-2086.

［16］ 蔣金良， 林廣明. 基于ARIMA模型的自動站風(fēng)速預(yù)測［J］. 控制理論與應(yīng)用， 2008， 25（2）： 374-376.

Jiang Jinliang， Lin Guangming．Automatic station wind speed forecasting based on ARIMA model ［J］. Control Theory amp; Applications， 2008， 25（2）： 374-376.

［17］ 劉思峰， 黨耀國， 方志耕， 等. 灰色系統(tǒng)理論及其應(yīng)用［M］. 北京： 科學(xué)出版社， 2010.

［18］ 徐家鵬. 中國農(nóng)業(yè)能源消耗與CO2排放： 趨勢及減排路徑——基于H-W無季節(jié)性模型和“十三五”的預(yù)測［J］. 生態(tài)經(jīng)濟， 2016， 32（2）： 122-126.

Xu Jiapeng. China’s agricultural energy consumption and CO2 emissions： Current situation， trend and path to reduce emissions ［J］．Ecological Economy， 2016， 32（2）： 122-126.

［19］ 韓冬梅， 牛文清， 于長銳. 組合預(yù)測建模中單項預(yù)測模型篩選研究［J］. 系統(tǒng)工程與電子技術(shù)， 2009， 31（6）： 1381-1385.

Han Dongmei， Niu Wenqing， Yu Changrui．Research on single forecast model screening for combination forecast modeling ［J］. Systems Engineering and Electronics， 2009， 31（6）： 1381-1385.

［20］ 楊桂元， 唐小我. 非負權(quán)重組合預(yù)測模型優(yōu)化方法研究［J］. 數(shù)量經(jīng)濟技術(shù)經(jīng)濟研究， 1998， 15（3）： 56-60.

［21］ 張淑娟， 馮屾， 介鄧飛， 等. 基于Shapley值的農(nóng)機裝備水平組合預(yù)測［J］. 農(nóng)業(yè)工程學(xué)報， 2008， 129（6）： 160-164.

Zhang Shujuan， Feng Shen， Jie Dengfei， et al. Combination prediction of agricultural equipment level based on Shapley value ［J］. Transactions of the Chinese Society of Agricultural Engineering， 2008， 129（6）： 160-164.

［22］ 陳華友， 劉金培， 陳啟明. 基于Theil不等系數(shù)的IOWA算子組合預(yù)測模型及性質(zhì)［C］. 中國運籌學(xué)會. 中國運籌學(xué)會第八屆學(xué)術(shù)交流會論文集， 2006： 7.