基于BP神经网络的蔬菜产业化生产风险分析

杨庆芳 （长江大学管理学院，湖北 荆州434023）

涂维亮 （长江大学经济学院，湖北 荆州434023）

随着经济的发展，我国蔬菜种植综合生产能力明显增强，蔬菜产业化发展正呈一种标准化、规模化、现代化态势，产量水平大幅提高，产业化格局基本形成，科技水平不断提高，优势产品逐渐形成，品牌产品涌现。但蔬菜生产组织化程度不高，龙头蔬菜企业发展缓慢，蔬菜销售多变，滞销时有出现，蔬菜产地的土壤次生盐渍化加重，生态环境恶化，还伴随蔬菜价格波动大，比如前几年曾出现的“姜你军”、“蒜你狠”等，造成蔬菜产业发展存在潜在的风险隐患。

目前蔬菜生产风险研究主要包括3个方面：其一，风险类型方面的研究。一是自然风险和市场风险两分类法，二是多分类法将农业风险归为7类。Partrick等［1］研究认为产量和价格变动是最主要的风险。其二，农业生产风险方面的研究。Hardwood等［2］研究美国养牛场发现农民最关心产品价格风险、生产风险、政府法律和管制的变化；经营者个体特征、农场特征以及生产方式不同的农场，其农业风险有所差异。孙良媛等［3］研究认为农业组织在改善农业生产者抵御风险能力方面具有优势。张叶［4］研究表明，农业产业化经营有于化解市场价格风险，但不同产业化模式化解市场风险的条件与效果不同。陈风波等［5］研究表明，农业风险的防范需要政府和科研部门的共同参与；栾敬东等［6］认为农业风险类型之间的关联性与风险管理方式之间的孤立性导致了农业高风险与农业风险管理低效率，提出了基于产业链的农业风险管理体系。李杰义［7］认为农业产业链风险比一般产业链风险更加复杂，应对农业产业链做好风险识别、评估、处理等工作。其三，关于BP神经网络应用方面的研究。崔卫芳等［8］在建立农业高科技投资项目风险评价指标体系的基础上，引入人工神经网络建模方法，为农业高科技投资项目提供了现实可用的风险预测及风险控制工具。殷高方等［9］将BP神经网与水体环境因子的高频实测数据相结合，构建了巢湖水华的短期动态预测模型。何燕等［10］采用模糊聚类分析、BP人工神经网络等方法，对广西各区域早稻稻飞虱发生等级进行预测，为稻飞虱与气象要素之间的非线性关系研究开拓新的思路。

1 蔬菜产业化生产风险指标体系

蔬菜产品由于生产周期短、品种多、分布广、季节性强等特点，其生产风险具有独特性。蔬菜产业产业化生产的风险可分为产业系统风险与产业非系统风险。产业系统风险是指产业整体系统存在的风险，包括政策、市场、产前产后服务、自然环境等带来的风险；产业非系统风险是指蔬菜产业化生产环节中存在的风险，包括蔬菜产业化生产的种源、技术、地力等级、标准化程度等风险。本研究将各风险因素设为U1～U10。

1.1 蔬菜产业化生产的系统风险因素

1）政策法规风险（U1） 我国产业发展在很大程度上受国家宏观调控制约，经济政策、货币利率政策等方面的变化都会对蔬菜种植投资产生直接影响，不健全或频繁调整的政策法规将对蔬菜生产投资造成显著负面影响。

2）蔬菜生产的市场风险（U2） 蔬菜产业化生产的市场风险主要体现在2个方面：其一是盲目生产导致的滞销风险，其二是现价市场风险和远期价市场风险。蔬菜产品进入市场大多靠品牌、时间、信息来取得最好的销售收益，但无论是现价销售后的蔬菜价格上涨，还是进行贮藏后所面临的市场价格反跌，都会导致蔬菜产业化生产经营者不能实现销售收益最大化。蔬菜生产的不可逆市场风险和市场变幻的不确定性是这一风险产生的直接根源。

3）自然风险（U3） 自然条件直接影响蔬菜种植的效益。在不可控的自然因素作用下，充分改善和利用防御自然灾害的农业基础设施显得尤其重要，但目前全国各地蔬菜种植基地的农业基础设施薄弱，抗病抗灾害能力弱，加大了蔬菜种植业的风险，成为蔬菜种植制约因素之一。

4）蔬菜产业链各环节利润不均衡风险（U4） 蔬菜产业链的流通模式落后，龙头企业与农户之间的合作大多是松散的组织形式，企业毁约导致菜农利益受损、菜农为了自身利益而损害龙头企业利益的事情时有发生。另一方面，菜农与销售商间完全依靠市场来自发调节他们之间的关系，然而在销售商订购时，菜农处于被动地位，流通环节利润较高，而菜农则只能获较少的利润。所以，产业链中的龙头企业、菜农、销售商间的利益分配机制不健全，利益分配不合理使蔬菜产业发展的不稳定性风险加大，产业中利益分配的合理公平与否不仅影响到产业链各方的收入，也直接关系到产业发展可持续性。

5）经济周期波动风险（U5） 这一风险是指宏观经济运行及波动过程中形成的风险，诸如经济危机、经济的周期性、通货滞胀等将直接引致消费水平变动，并引致蔬菜消费需求波动。

6）产前产后服务风险（U6） 蔬菜产业化生产需要大量产前产后的服务配合，在整个蔬菜产业价值链上，上游和下游的生产服务部门所面临的风险会扩散到整个蔬菜产业，加大产业化生产风险。

1）顾客满意度对医药B2C平台顾客忠诚度的影响值为0.77。本研究进一步证实了在医药B2C购物环境下，顾客满意度仍然是实现顾客忠诚的必要条件。

1.2 蔬菜产业化生产的非系统风险因素

1）蔬菜种子和技术供应风险（U7） 我国蔬菜种子不少来自国外，生产一次性，进口成本高，还存在种子的安全性和无种源风险（如转基因种子和外来物种对生态环境的影响风险等）。技术是赢得市场的关键，然而我国蔬菜产业化生产过程中存在着各种技术被动风险，如生产技术供需双方在技术合作协议上的软约束问题、国内蔬菜生产种植与抗病虫害技术有限等。

2）蔬菜种植土地利用退化风险（U8） 目前对以保护土地栽培为主的蔬菜品种的调整是十分困难的，生产者往往为加快土地的产出，倾向更多地利用化学肥料和农药，致使地力不断下降，土地恢复能力差，恶性种植使土地严重退化和污染。

3）蔬菜种植的产业化生产风险（U9） 在蔬菜种植产业化过程中，农户分散经营，种植面积小，品种和生产技术不统一，不能按标准化的生产流程作业，还有低水平的农业基础设施不能满足蔬菜产业标准化的需要，使蔬菜标准化实施的难度增大，影响了蔬菜产业的标准化发展。

4）组织管理风险（U10） 是由管理者素质和经验、决策科学化、企业管理合理性、生产设备状况、投资规模大小、阶段化动态蔬菜生产组合的策略、投资项目的评价与筛选、企业的资本结构等方面的不确定性因素引发的风险。

1.3 蔬菜产业化生产的风险总体分析

蔬菜种植产业化过程中的风险是不可低估的，风险原因、风险程度大小虽不能简单而论，但可以通过多途径与方法进行测评，如评分法、专家意见法等。有条件的也可以建立专业的评估系统，对不同时期、不同层次的蔬菜产业发展区域进行识别，然后有针对性的重点防范，降解风险带来的危害。

2 BP神经网络实证分析

2.1 BP神经网络模型基本原理

基于蔬菜生产风险影响因子的多重性和相关性的特点，且影响程度不一，选择前馈型BP网络模型，对蔬菜产业化生产的风险进行评价。BP神经网络是按误差逆传播算法训练的多层前馈网络，具有初步的自适应与自组织能力，在训练过程中改变权重值，以适应约束条件的要求。训练网络的样本集通过专家对少量典型蔬菜产业化生产的风险实际运行结果进行评价得到。将训练的权值储存起来，即对拟评价的蔬菜产业化生产进行预测。只要明确了风险指标值，就可以给出该蔬菜生产综合风险评价值，并作为网络结果输出。

2.2 样本集的选取

根据蔬菜生产的风险指标的解释变量，设计了“蔬菜产业化生产风险评价”调查问卷。按风险指标U1，U2，…U9，U10将风险取值分为低、较低、一般、较高和高5个等级，其对应的取值系数分别为1.0、0.7、0.5、0.3和0.1；选取的蔬菜种类包括西红柿（X1）、辣椒（X2）、豇豆（X3）、茄子（X4）、土豆（X5）、青豆（X6）、黄瓜（X7）、苦瓜（X8）、冬瓜（X9）、南瓜（X10）、大蒜（X11）、大葱（X12）、卷心菜（X13）、芹菜（X14）、胡萝卜（X15）、大萝卜（X16）、花菜（X17）、西兰花（X18）18个有代表性的蔬菜品种。调查对象是经营者和专家学者，采用面谈的方式，发放调查问卷700份，有效问卷657份，调查的统计数据结果如表1所示。

表1 蔬菜样本风险调查评分表

2.3 BP神经网络模型记忆训练

选取以西红柿（X1）、辣椒（X2）、豇豆（X3）、土豆（X5）、青豆（X6）、黄瓜（X7）、冬瓜（X9）、南瓜（X10）、大蒜（X11）、大葱（X12）、芹菜（X14）、胡萝卜（X15）、大萝卜（X16）、花菜（X17）14种典型蔬菜作为风险评价对象，对其数据进行BP神经网络训练，利用训练过的神经网络对其他4种蔬菜茄子（X4）、苦瓜（X8）、卷心菜（X13）、西兰花（X18）的调查数据进行预测。采用DPS软件进行数据预测，经过试验，采用10－4－1结构的BP神经网络模型。14个蔬菜品种产业化生产风险的训练结果见表2，从表2可以看出，前14组训练样本集的平均相对误差只有0.1%，样本最大相对误差也仅为1.466%，小于预设精度（5%），拟合情况良好。

表2 BP神经网络对14种蔬菜生产风险评价的训练结果

2.4 BP人工神经网络的预测

由于训练过的网络已模拟并记忆了输入变量与输出变量间的函数关系，因而可以用训练好的网络进行预测。将表1所列的后4组数据茄子（X4）、苦瓜（X8）、卷心菜（X13）、西兰花（X18）作为预测样本集进行预测，预测样本集的评估值与人工神经网络的预测结果见表3。从表3可以看出，预测样本集的平均相对误差为4.85%，预测样本最大相对误差也仅为10%，说明所建立的BP神经网络模型训练精度较高，预测样本集的调查评估值与BP神经网络的预测结果一致，表明BP神经网络对蔬菜生产的风险预测可靠性强。

表3 BP神经网络对4种蔬菜生产的预测结果

3 风险解释变量的拟合性检测

为了进一步的研究，需要分析各蔬菜生产风险解释变量的代表性和主次因素。

3.1 聚类分析及解释

通过对影响蔬菜生产的变量因子进行聚类分析（图1），将风险因素划分为3大类：A类U2、U7、U3为重要风险成份影响因素，是主要控 制 因 素；B 类U9、U4、U8为次要风险成份影响因素，是基本控制因 素；C 类U1、U10、U5、U6为一般风险成份影响因素，是一般控制因素。3类因素能解释蔬菜生产影响总体的94%。表明采集样本的风险估值的合理性和蔬菜生产风险因子的代表性强，并找到了主要的风险因素。

图1 系统聚类分析

3.2 逐步回归分析及解释

为了进一步确定主要成份因素，以U1～U10变量为对象，通过逐步回归分析进一步选择主要成份因素，得到如表4的结果。由表4可知，选择样本对各变量的决定系数和调整的可决系数分别为0.908676和0.805937，说明用回归来预测被解释变量拟合较好。其中F－统计量和概率（F－统计量）分别为8.844516和0.002684，说明所有误差平方的滞后的联合显著性检验的准确度高。因变量均值为0.476667，残差平方为0.004183，说明因变量均值在可取值范围内。

从分析的结果可以发现，U2、U10、U7、U8、U4、U5具有较强的代表性（表5）。其中U2、U7表现为显著水平，U3因具有不确定性被排除，与聚类分析的解释吻合。

表4 逐步回归分析解释变量检验参数

4 结论及对策建议

表5 逐步回归分析各变量影响值

4.1 结论

前述结果表明，蔬菜生产风险解释变量的代表性强，用蔬菜生产风险因子能较好的解释蔬菜生产的风险来源。建立BP神经网络模型并对其进行记忆训练，用训练好的BP神经网络预测不同种类的蔬菜种植存在风险的准确性较高，拟合较好，可靠性强，可用以指导不同时期蔬菜种植规模化大小和品种的选择决策。同时，蔬菜种植产业生成的风险是多样的，具有不确定性，但因解释变量生成风险的概率和对蔬菜种植的影响程度不同，按影响力的大小可以分为3个层次，主要影响因素是蔬菜生产的市场风险、蔬菜种子和技术供应风险、自然风险；次要影响因素是蔬菜产业链各环节利润不均衡风险、蔬菜种植土地利用退化风险、蔬菜种植的产业化生产风险；一般影响因素有政策法规风险、组织管理风险、经济周期波动风险、产前产后服务风险。可以此为依据，加强对蔬菜种植的风险控制，避免生产风险的扩大化。

4.2 对策建议

基于蔬菜生产风险影响因子的多重性和影响力不同，降低蔬菜产业化生产风险应做好以下工作。

1）构建蔬菜产业化生产的风险预警机制。对蔬菜种植风险的可能和状态进行测评，给予蔬菜种植风险因子以相应的风险阀值，将风险数值化，分析风险因素，发出风险控制指令，达到风险预警目的。但由于蔬菜产业链的各个环节信息不对称，需采用不同的方法建立不同层次的风险预警体系，有针对性的重点防范，遏制风险，减少损失。

2）注重蔬菜产业化生产的风险控制的策略。一是风险回避策略。依据风险预警机制对各影响因子进行跟踪调研，放弃或者拒绝重大风险的蔬菜产品的生产；改变蔬菜生产技术；减少不确定的蔬菜产业化生产种植的面积。二是风险转移策略。蔬菜生产种植损失发生后，将风险转移到其他载体，主要包括3方面：其一是实施蔬菜种植保险，降低损失；其二是改种其他作物，弥补损失；其三是加强合作组织或加工企业保本收购业务。三是单因素控制策略。对蔬菜生产的重点影响因子有针对性的直接进行控制，如市场风险、种子技术风险等，形成事务性控制，有一定的预防性作用。

3）构建完善的蔬菜产品市场流通体系和均衡的利益分配体系。一是加强市场监督与执法，杜绝蔬菜产品垄断和欺霸行为，允许随行就市，促进产销衔接，防止炒作；做好流通过程和加工过程的管理，防范流通和加工过程中的变质和污染；加强销售商的管理，建设优质的销售服务，建立产业化蔬菜主产区销售代理制度。二是健全产业链中龙头企业、农户、服务部门、销售商、管理部门等在分工与协作基础上合理稳定的利益分配机制，引导龙头企业将部分加工、销售环节的利润返还给菜农，使销售商利益所得与农户的收益分配合理化；在利益分配机制的自我调节的同时，各利益主体都要增强履约意识。

4）完善蔬菜种子和技术供应市场体系。通过成果转让、购买专利、委托开发等形式加快种子工程建设，加快蔬菜良种繁育中心和育苗中心建设；在蔬菜技术服务上，要强化种植栽培技术更新的培训和服务，还要注重蔬菜生物生理防治技术、施肥技术，蔬菜采收、分级、贮藏保鲜技术，运输、加工、包装技术等方面的服务。

5）加强蔬菜产业化环境建设。加强政策引导、市场监管和价格监管力度，防止生产资料价格过度上涨和蔬菜价格波动过大或过度低迷，健全和完善农业生产要素市场和农产品销售市场，为蔬菜关联产业的进入提供尽可能完善的服务。进行科学规划，制定合理的产业布局，做好土地使用流转工作，实行规模化经营，打破所有制、地域、行业界限，促进多种生产要素合理流动。

［1］Patrick G F，Musser W N.Sources of and Responses to Risk：Factor Analyses of Large－scale US Cornbelt Farmers ［J］.Mansholt Studies，1997，7：45～53.

［2］Hardwood J，Heifner R，Coble K，etal.Mangng Riskin Farming：Concepts，Research，and Analysis ［R］.Washington DC：U.S.Department of Agriculture，1999.

［3］孙良媛.农业产业化的经营风险与风险控制 ［J］.南农业大学学报（社会科学版），2003，（2）：16～21.

［4］张叶.论农业生产风险与农业产业化经营 ［J］.浙江学刊，2001，（2）：88～91.

［5］陈风波，陈传波，丁士军.中国南方农户的干旱风险及其处理策略 ［J］.中国农村经济，2005，（6）：61～67.

［6］栾敬东，程杰.基于产业链的农业风险管理体系建设 ［J］；农业经济问题，2007，（3）：87～90.

［7］李杰义.农业产业链风险及其管理研究 ［J］.中州学刊，2007，（7）：48～51.

［8］崔卫芳，霍学喜.基于BP神经网络的农业高科技投资项目风险评价模型 ［J］.西北农林科技大学学报（自然科学版），2006，（3）：160～164.

［9］殷高方，张玉钧.BP神经网络在水华短期预测中的应用 ［J］.北京理工大学学报，2012，（6）：48～53.

［10］何燕，何慧.基于BP人工神经网络方法的广西稻飞虱发生等级预测 ［J］.生态学杂志，2014，（1）：52～58.