一、前言

粮食产量预测是复杂的农学和统计学问题, 受政策、自然环境、资源投入等众多因素的影响。国内外的相关研究中, 不少学者构建了许多很有价值的理论假说和预测模型, 主要有4 类:气候生产力模型、遥感技术预测模型、投入产出模型、多元回归和因子分析模型。这些模型和方法从不同角度对粮食产量预测进行了研究。但这些模型多用于长期趋势分析, 短期预测精度较低。而近年来, 随着智能技术发展, 灰色系统理论预测、基于部分调整模型的预测、粗糙集理论预测、人工神经网络预测等新技术解决了传统方法的很多缺陷, 得到广泛应用。

二、国内研究结果综述

一直以来，对粮食产量影响因素的研究取得了很大的成就。赵鹏等^[1]（2008）利用灰色关联分析及贡献率的方法研究对河南省粮食产量的影响因素，为不同区域尺度的粮食产量生产提供决策依据。宰松梅等^[2]（2011）通过主成分分析的方法，确定出5个主要粮食产量影响因素，并对这些因素进行分析，提出相应的建议和意见。赵慧江^[3]（2009）采用1990~2005年的时间序列数据，运用回归分析的方法，建立多元回归模型，对影响我国粮食产量变化的影响因素进行分析，并对模型进行检验。旷岭^[4]（2011）针对粮食产量预测精度问题，提出了RBF神经网络预测方法。采用RBF神经网络进行非线性定阶，通过最优阶数进行模型重构，然后使用遗传算法对RBF神经网络参数进行优化，得出最优粮食产量预测模型，最后进行粮食产量预测。尹宗成^[5]（2008）将粗糙集理论引入到我国的粮食产量预测中，提取影响粮食产量的关键影响因素并对其重要性进行排序，结果表明，影响粮食产量的最重要因素是农业机械总动力，最后得到一致且完备的影响因素预测粮食产量的10条确定性预测规则。

国内学者在粮食产量的预测方面做了大量的研究工作。我国学者对粮食产量的预测模型总体上来说大致可以分为三大类: 时间序列模型、回归模型和人工神经网络模型。指数平滑模型、灰色预测模型及基于马尔可夫链的预测模型等都属于时间序列模型。回归模型中使用比较多的就是线性回归模型和双对数模型。人工神经网络模型是近几年才开始使用的基于生物学原理的预测系统。对这些模型的分析如下:

（一）时间序列模型

指数平滑模型的原理和计算方法比较简单，对历史数据的数量没有太大的要求。但是模型中对平滑系数的确定直接关系到模型的精度问题，所以不同的平滑系数就可能造成结果的差异。目前为止没有一个固定的方法来确定平滑系数。在一般的研究中大多是根据经验来选择平滑系数，这就导致了预测结果的失真性。此外，由于模型本身在计算方法上的局限性，该方法只适用于近、短期预测。

灰色预测模型也是比较常用的粮食产量预测模型。迟灵芝^[6]( 2002)对灰色预测方法和回归模型进行比较分析，得出灰色预测的平均相对误差最小的结论。林绍森等^[7]( 2007)对单指数平滑、自回归移动平均和灰色预测三种模型进行了比较，他指出灰色预测模型比自回归预测模型和单指数平滑预测模型更适合长期的预测。张素文和李晓青^[8]（2005）通过分析湖南省近50年的粮食播种面积及粮食产量的总体变化趋势，对影响湖南省粮食总产量的各项因子进行灰色关联分析，得出粮食单产是影响湖南省粮食产量最重要的因子，并预测2010年湖南省的粮食产量达3023.48万t。王步祥^[9]（2009）运用灰色系统理论建立了我国粮食总产量及主要粮食品种的预测模型，该模型可对粮食产量做中长期预测，预测结果显示，我国粮食总产量及各种主要的粮食品种在未来一段时间内将继续保持增产的发展态势，并提出我国应在基层要素层面、支撑要素层面和保障要素层面提高粮食产量。

（二）回归模型