全國和區(qū)域蔬菜價格走勢特征及影響因素

楊 娟 錢婷婷 鄭秀國 趙京音 許葉穎

(1.上海市農(nóng)業(yè)科學(xué)院 農(nóng)業(yè)科技信息研究所，上海 201403;2.上海數(shù)字農(nóng)業(yè)工程技術(shù)研究中心，上海 201403)

當(dāng)前我國蔬菜產(chǎn)量從數(shù)據(jù)上分析呈現(xiàn)供過于求的現(xiàn)象[1]，人均年蔬菜產(chǎn)量達到504 kg，同期2003—2016年蔬菜價格總體呈上漲趨勢[2-3]，階段性漲跌現(xiàn)象頻現(xiàn)[4]，2017、2018年蔬菜價格相對有所下跌。價格波動頻繁影響菜農(nóng)收益，反映了蔬菜產(chǎn)業(yè)供給側(cè)結(jié)構(gòu)性調(diào)整的必要性。

價格是生產(chǎn)決策的風(fēng)向標(biāo)，李鎖平等[1]研究發(fā)現(xiàn)蔬菜種植面積與當(dāng)年蔬菜價格和上年蔬菜價格都有關(guān)聯(lián)，實際蔬菜價格年內(nèi)、年際間和區(qū)域間差異都較大，目前農(nóng)產(chǎn)品價格研究更多的關(guān)注于大宗農(nóng)產(chǎn)品年際間的變化及其影響因素[5]，涉及蔬菜價格年內(nèi)和年際間、區(qū)域間差異研究的較少。

對于耐儲存農(nóng)產(chǎn)品，全國不同區(qū)域價格差異不大，而對于蔬菜這類鮮食農(nóng)產(chǎn)品，區(qū)域間價格差異較大，因此應(yīng)分類管理[6]。蔬菜價格年度內(nèi)波動也較大，季節(jié)性特征強，尤其是生長季短的綠葉類蔬菜[7-8]，市場變化影響因素多，供求變化、宏觀經(jīng)濟如居民消費價格指數(shù)[9]、人均可支配收入[10]、生產(chǎn)成本、運輸成本、天氣[11-12]等都對其有較大影響，甚至匯率變動都會影響到農(nóng)產(chǎn)品價格[13]。總的來說，蔬菜的季節(jié)性、種類性和區(qū)域性供過于求是導(dǎo)致蔬菜價格波動頻繁、價格下跌的主要原因，歸根溯源還是信息的不對稱和商品流通的不暢[4]。

農(nóng)產(chǎn)品價格分析的方法有比較分析方法，有回歸分析法，如向量誤差修正模型[5]、向量自回歸VAR模型[14]等，用面板VAR模型甚至可以分析相關(guān)的多項因素如天氣、國際市場因素等對價格波動的影響[5,14]。而最常見的農(nóng)產(chǎn)品價格分析工具還是時間序列分析方法，時間序列分析中的移動平均法、季節(jié)指數(shù)平滑法、差分自回歸移動平均法(ARIMA)等都是較為常用也是效果較好地價格分析方法[15-17]，不僅可以分析出農(nóng)產(chǎn)品價格隨時間的變化特征，還可以很方便地預(yù)測未來價格。

為研究蔬菜價格的區(qū)域差異性，本研究以上海蔬菜價格為例，對全國蔬菜價格和區(qū)域蔬菜價格的差異進行實證分析，在分析區(qū)域蔬菜價格與全國蔬菜價格之間的走勢特征的基礎(chǔ)上，采用時間序列分析方法分析全國和上海蔬菜價格的季節(jié)性、波動性的異同以及價格影響因素的差異，以期為區(qū)域蔬菜生產(chǎn)調(diào)控管理和銷售策略制定提供科學(xué)指導(dǎo)。

1 數(shù)據(jù)來源

全國蔬菜價格數(shù)據(jù)來源于國家農(nóng)業(yè)農(nóng)村部信息中心農(nóng)產(chǎn)品市場信息數(shù)據(jù)倉庫，全國蔬菜價格采集自全國490個批發(fā)市場，采集頻率為每日1次，本研究以該數(shù)據(jù)倉庫中28種規(guī)模銷量蔬菜的平均價格為全國蔬菜價格開展分析，分析時間為1995—2018年。上海蔬菜價格數(shù)據(jù)來源于上海市農(nóng)業(yè)農(nóng)村委“上海農(nóng)產(chǎn)品價格監(jiān)測與分析預(yù)測系統(tǒng)”，蔬菜價格采集自上海市8個農(nóng)產(chǎn)品一級批發(fā)市場，采集頻率為每日1次，本研究以該系統(tǒng)數(shù)據(jù)庫中26種規(guī)模銷量蔬菜的平均價格為上海蔬菜價格開展分析，分析時間為2010—2018年。

2 研究方法

2.1 基本統(tǒng)計特征分析方法

用算術(shù)平均數(shù)法獲得蔬菜日平均價格、月平均價格和年平均價格，分別簡稱為日均價、月均價和年均價，計算月均價和日均價的標(biāo)準(zhǔn)差、變異系數(shù)、中位數(shù)、眾數(shù)、偏度和峰度，初步分析蔬菜價格的波動性特征。

利用EViews軟件分析全國和上海蔬菜價格的季節(jié)性、趨勢性和不規(guī)則性特征。運行Census X-12季節(jié)調(diào)整模型，將蔬菜月均價時間序列數(shù)據(jù)分離成季節(jié)因子序列(Seasonal factors)、趨勢循環(huán)序列(Trend-cycle)和不規(guī)則序列(Irregular component)，趨勢循環(huán)項再運用Hodrick-Prescott濾波法進一步分離得到趨勢序列(Trend)和循環(huán)序列(Cycle)，其中季節(jié)因子序列可以分析價格的季節(jié)波動規(guī)律，趨勢序列可以分析價格隨時間的走勢特征，不規(guī)則序列可以分析價格是否受一些不規(guī)律因素的影響或某些因素的不規(guī)律性影響。

2.2 影響因素分析方法

2.2.1前期價格的影響分析

前期價格對全國和上海蔬菜價格數(shù)據(jù)序列的影響采用時間序列分析模型法進行分析，選用求和自回歸移動平均(ARIMA)模型、季節(jié)性求和自回歸移動平均(SARIMA)模型、Holt-Winters指數(shù)平滑模型分別建立全國和上海蔬菜月均價的時間序列分析模型，根據(jù)模型結(jié)構(gòu)和參數(shù)值分析蔬菜價格的特征。模型參數(shù)可運用EViews軟件運算獲得。

1)ARIMA模型結(jié)構(gòu)。ARIMA模型的結(jié)構(gòu)為ARIMA(p,d,q)，表示時間序列{xt}的d階差分是一個平穩(wěn)可逆的ARMA(p,q)模型，模型結(jié)構(gòu)為：

xt=?0+?1xt-1+…+?pxt-p+

εt-θ1εt-1-θ2εt-2-…-θqεt-q

(1)

式中：?0為常數(shù)，?1，?2，…，?p和θ1，θ2，…，θq為系數(shù)；p為自回歸階數(shù)；q為移動平均階數(shù)，εt為時間序列{xt}自回歸后的殘差序列，是均值為0的白噪聲序列。

2)SARIMA模型結(jié)構(gòu)。SARIMA模型的結(jié)構(gòu)為SARIMA(p,d,q)×(P,D,Q)s，表示時間序列{xt}經(jīng)過d階差分和D階季節(jié)差分后是一個平穩(wěn)可逆的ARMA(p,q)模型，模型結(jié)構(gòu)為：

(1-?1B-?2B2-…-?pBp)·

c+(1-θ1B-θ2B2-…-θqBq)·

(1-Θ1Bs-Θ2B2s-…-ΘQBQs)εt

(2)

式中：p、d、q分別為非季節(jié)的自回歸階數(shù)、差分階數(shù)和移動平均階數(shù)。s為季節(jié)周期。P、D、Q分別為季節(jié)的自回歸階數(shù)、差分階數(shù)和移動平均階數(shù)。?1，?2，…，?p；Φ1，Φ2，…，ΦP；θ1，θ2，…，θq；Θ1，Θ2，…，ΘQ均為系數(shù)。c為常數(shù)。

3)Holt-Winters指數(shù)平滑模型結(jié)構(gòu)。Holt-Winters指數(shù)平滑模型分為季節(jié)因子子模型和趨勢子模型，季節(jié)因子子模型獲得的季節(jié)因子值采用乘法形式與趨勢子模型結(jié)合獲得最終的模擬值。2個子模型的結(jié)構(gòu)分別為：

(3)

ln(xt_sa)=d+eT

(4)

式中：at為序列的水平部分；bt為序列的趨勢部分；st為序列的季節(jié)因子；π為一個季節(jié)的周期長度；α，β，γ為平滑系數(shù)，介于0和1之間；xt_sa為去除了季節(jié)因子的蔬菜月均價序列；T為時間趨勢，序列第一期取值1，第二期取值為2，以此類推；d、e為模型參數(shù)。

2.2.2經(jīng)濟因素的影響分析

采用相關(guān)性分析法和回歸分析法分析價格與各影響因素的關(guān)系。本研究選擇上一年的蔬菜年均價(Price,PR(-1))、蔬菜產(chǎn)量(Production,P)、蔬菜總需求量(Total cosumption,TC)、蔬菜生產(chǎn)成本(Production cost,PC)、居民消費價格指數(shù)(Consumption price index,CPI)、人均可支配收入(Per capita disposable income,PCDI)、城鎮(zhèn)化率(Urbanization rate,UR)7個指標(biāo)分析蔬菜年均價與這些影響因素之間的關(guān)系。蔬菜產(chǎn)量等經(jīng)濟指標(biāo)全國數(shù)值采用1995—2018年數(shù)據(jù)，數(shù)據(jù)來源于國家統(tǒng)計局?jǐn)?shù)據(jù)庫[18]，上海數(shù)值采用2010—2018年數(shù)據(jù)，數(shù)據(jù)來源于《上海統(tǒng)計年鑒》[19]。

回歸分析選擇PR(-1)、PC、CPI、PCDI、UR 這5個指標(biāo)作為自變量，回歸方程如下：

Xt=aIt+C

(5)

式中：Xt為應(yīng)變量蔬菜年均價；It為自變量；a為變量的系數(shù)；C為常數(shù)。

3 結(jié)果與分析

3.1 數(shù)據(jù)特征分析

3.1.1基本統(tǒng)計特征分析

1996—2018年我國蔬菜年均價呈現(xiàn)先下降后持續(xù)上升的趨勢，但2017—2018年蔬菜年均價較為平穩(wěn)甚至有所降低(圖1)。具體而言，1995—2002年我國蔬菜年均價呈下降趨勢，平均每年下降3.3%，2003年開始，蔬菜年均價持續(xù)上漲到2018年，平均每年上漲14.6%，這其中2014年和2017年較為特殊，價格較上年有所下降，分別下降了2.0%和7.8%。

圖1 全國和上海蔬菜年均價走勢

2010—2018年上海蔬菜年均價整體呈平穩(wěn)上升趨勢，低于全國水平，與全國蔬菜年均價走勢相同，平均每年上漲2.1%，同期全國蔬菜年均價每年上漲3.0%。其中，2016年上海蔬菜價格漲幅最大，較上年上漲了9.9%，高于全國的9.5%；2017年跌幅較大，較上年下降了11.2%，高于全國水平。

從具體數(shù)值(表1)看，2010—2018年全國蔬菜月均價為4.3 元/kg，而同期上海蔬菜月均價為3.7 元/kg；全國和上海蔬菜月均價的標(biāo)準(zhǔn)差分別為0.7、0.6 元/kg，變異系數(shù)分別為15.1%、16.5%；而日均價的標(biāo)準(zhǔn)差分別為0.7、0.8 元/kg，變異系數(shù)分別為15.7%、23.5%?？梢钥闯?，日價格波動較月價格頻繁，上海蔬菜價格的波動較全國蔬菜價格頻繁。從中位數(shù)、眾數(shù)、偏度和峰度等整體看，分析期間內(nèi)全國和上海蔬菜價格數(shù)據(jù)序列均表現(xiàn)為向右的正偏態(tài)分布，數(shù)據(jù)波動頻繁，呈現(xiàn)尖頂峰形態(tài)。

表1 全國和上海蔬菜價格數(shù)據(jù)統(tǒng)計特征分析

圖2示出全國和上海蔬菜月均價及日均價的走勢?？梢钥闯?，我國蔬菜價格波動頻繁，日均價的波動幅度尤其大。上海蔬菜日均價在2016-09—2017-02這一時期價格較低，明顯低于全國水平，分析具體原因，主要是這一時期我國江南地區(qū)溫度高于常年，且天氣晴好，利于蔬菜的生長，導(dǎo)致蔬菜供過于求，價格大大低于歷史同期。

圖2 全國和上海蔬菜月均價(a)及日均價(b)走勢

3.1.2季節(jié)性特征分析

利用時間序列分析的Census X-12乘法和Hodrick-Prescott濾波法對全國和上海蔬菜月均價的分析結(jié)果表明，我國蔬菜存在明顯的季節(jié)性變動特征(圖3)，全國蔬菜月均價在每年2月到下一年2月之間的時段內(nèi)蔬菜價格呈 “V”形波動規(guī)律，2月較高，隨后開始下降，至6月下降到一年的最低值，隨后又開始上升，9、10月有時有一個小低谷，但波動幅度不大，之后又一路上升至次年2月達到頂峰(圖3(a))。而上海蔬菜月均價在每年3月至下一年3月呈 “W”形波動規(guī)律，3月較高，隨后開始下降，到6月降至一年的最低值，隨后又開始上升，9月上升到另一個波峰，幅度比3月的略小，之后又下降到11月的波谷，然后又回到3月的最高峰(圖3(b))。對比全國和上海蔬菜月均價的季節(jié)因子特征，2010—2018年全國蔬菜月均價的季節(jié)因子先擴大后縮小，而上海蔬菜月均價的季節(jié)因子呈縮小的趨勢，這可能是由于上海蔬菜僅來源于全國部分蔬菜產(chǎn)區(qū)，也反映了全國和區(qū)域蔬菜市場特征的不同。

圖3 全國(a)和上海(b)蔬菜月均價季節(jié)因子序列曲線

圖4示出全國和上海蔬菜月均價趨勢循環(huán)序列經(jīng)H-P濾波分解后的趨勢曲線和波動曲線，從趨勢曲線來看，全國蔬菜月均價1995—2002年呈下降的趨勢，2003年開始月均價走勢上漲，近些年較為平穩(wěn)，這與圖1所示的全國蔬菜年均價走勢一致，上海蔬菜月均價自2010年至今基本較為平穩(wěn)。從波動曲線來看，分離掉趨勢曲線序列和不規(guī)則序列(圖5)后的波動曲線表現(xiàn)出平穩(wěn)的季節(jié)性波動特征。

圖4 全國(a)和上海(b)蔬菜月均價趨勢循環(huán)序列H-P濾波分解

圖5示出全國和上海蔬菜月均價的不規(guī)則項序列曲線?？梢钥闯?，全國和上海蔬菜月均價都存在不規(guī)則性，上海蔬菜月均價的不規(guī)則性更強。從蔬菜產(chǎn)品的特征以及影響蔬菜市場的現(xiàn)實因素進一步綜合分析，引起蔬菜價格不規(guī)則性波動的原因很多，首先蔬菜產(chǎn)品為鮮品，不耐儲存，其次蔬菜生長季短，生產(chǎn)和運輸銷售過程中受夏季高溫、冬春低溫、陰雨、干旱等自然災(zāi)害天氣影響大，再次還會受到節(jié)假日、輿論導(dǎo)向等社會經(jīng)濟因素的影響。

圖5 全國(a)和上海(b)蔬菜月均價不規(guī)則序列

3.2 時間序列分析模型

3.2.1全國蔬菜價格時間序列分析模型

全國蔬菜月均價為非平穩(wěn)序列，月均價呈現(xiàn)先下降后上升的趨勢，其一階差分序列為平穩(wěn)序列，因全國蔬菜月均價具有季節(jié)性波動特征，可以建立ARIMA模型、SARIMA模型和Holt-Winters指數(shù)平滑模型來分析前期價格影響。

經(jīng)過多種模型參數(shù)取值組合模式的測試分析，根據(jù)模型顯著性檢驗和模型參數(shù)顯著性檢驗，得出ARIMA(3,1,4)、SARIMA(1,1,1)×(3,1,3)12、Holt-Winters指數(shù)平滑模型都是較為適合全國蔬菜月均價的時間序列分析模型，從表2可以看出，模型常數(shù)和各變量的系數(shù)顯著性檢驗概率值(prob.)都小于0.15，通過了檢驗。進一步對比ARIMA模型和SARIMA模型的模型擬合度、殘差平方和、AIC值和BIC值可以看出，SARIMA模型略優(yōu)于ARIMA模型。

表2 全國蔬菜價格各類型時間序列分析模型的結(jié)構(gòu)及其系數(shù)、模型檢驗值

因Holt-Winters指數(shù)平滑模型的最終模擬結(jié)果是趨勢模型結(jié)果與季節(jié)因子的乘積，進一步對比3種模型模擬的1995—2018年全國蔬菜月均價的模擬值與實際值的對比效果，可以看出，SARIMA模型的RMSE值、MAE值、MAPE值也都低于其他2種模型(表3)，說明SARIMA模型用于分析預(yù)測全國蔬菜價格最好。

表3 全國蔬菜價格各類型時間序列分析模型的預(yù)測效果分析

3.2.2上海蔬菜價格時間序列分析模型

上海蔬菜月均價也是一階差分序列為平穩(wěn)序列，同樣具有季節(jié)性波動特征，因此選擇了ARIMA模型、SARIMA模型和Holt-Winters指數(shù)平滑模型分析前期價格的影響。

經(jīng)過多種模型參數(shù)取值組合模式的測試分析，根據(jù)模型顯著性檢驗和模型參數(shù)顯著性結(jié)果，得出ARIMA(4,1,1)、SARIMA(3,1,3)×(2,1,0)12、Holt-Winters指數(shù)平滑模型都是較為適合上海蔬菜月均價的時間序列分析模型，由表4可以看出，模型常數(shù)和各變量的系數(shù)顯著性檢驗概率值都小于0.15，通過了檢驗。進一步對比ARIMA模型和SARIMA模型的模型擬合度、殘差平方和、AIC值和BIC值可以看出，SARIMA模型略優(yōu)于ARIMA模型。

表4 上海蔬菜價格各類型時間序列分析模型的結(jié)構(gòu)及其系數(shù)、模型檢驗值

因Holt-Winters指數(shù)平滑模型的最終模擬結(jié)果是趨勢模型結(jié)果與季節(jié)因子的乘積，因此進一步對比3種模型模擬的2010—2018年上海蔬菜月均價的模擬值與實際值的對比效果，可以看出，ARIMA模型的RMSE值、MAE值、MAPE值都低于其他兩種模型(表5)，從模擬效果看，ARIMA模型較好。

表5 上海蔬菜價格各類型時間序列分析模型的預(yù)測效果分析

3.3 影響因素分析

3.3.1價格與各影響因素的相關(guān)性分析

全國蔬菜年均價受上期價格的影響較大，表明全國蔬菜價格年際間延續(xù)的特點比較明顯，此外全國蔬菜年均價與蔬菜產(chǎn)量、蔬菜總需求量、生產(chǎn)成本、居民消費價格指數(shù)、人均可支配收入、城鎮(zhèn)化率也都有較高的相關(guān)關(guān)系(表6)。而上海蔬菜年均價與上期價格的相關(guān)性小于全國蔬菜年均價，與居民消費價格指數(shù)、蔬菜總需求量、人均可支配收入相關(guān)性較強，與蔬菜產(chǎn)量呈負(fù)相關(guān)。

表6 全國和上海蔬菜價格與各經(jīng)濟因素間的相關(guān)系數(shù)

3.3.2價格與各影響因素的單因素回歸分析

全國蔬菜年均價與上期價格、生產(chǎn)成本、居民消費價格指數(shù)、人均可支配收入、城鎮(zhèn)化率呈現(xiàn)正相關(guān)關(guān)系，回歸方程的系數(shù)均為正值(表7)，表明全國蔬菜價格隨著這些因素的增大/多而提高，隨著這些因素的降低/減少而降低，其中與居民消費價格指數(shù)CPI的擬合度最高，其次是上年價格，這與市場調(diào)查中得到的結(jié)論一致，蔬菜銷售者定價的主要依據(jù)是維持生活成本所需商品的價格走勢和變化幅度。

上海蔬菜年均價與上期價格、生產(chǎn)成本、居民消費價格指數(shù)、人均可支配收入呈現(xiàn)正相關(guān)關(guān)系，回歸方程各影響因素的系數(shù)均為正值(表7)，表明上海蔬菜價格隨著這些因素的增大/多而提高，隨著這些因素的降低/減少而降低，其中與居民消費價格指數(shù)CPI的擬合度最高，其次是人均可支配收入。

表7 全國和上海蔬菜價格單因素回歸模型系數(shù)和模型擬合度

4 結(jié)論與討論

本研究結(jié)果表明，上海蔬菜年均價低于全國蔬菜年均價，月均價和日均價的波動性和不規(guī)則性高于全國蔬菜。季節(jié)性波動是我國蔬菜價格的主要特征，上海蔬菜價格盡管與全國蔬菜價格一樣都具有季節(jié)性，但季節(jié)特征不同。與前期價格的關(guān)聯(lián)性分析結(jié)果表明，全國蔬菜月均價用SARIMA模型模擬效果最好，參數(shù)取值反映了全國蔬菜價格與前3年同月價格、當(dāng)年前1月價格較高的關(guān)聯(lián)性，而上海蔬菜月均價用ARIMA模型模擬效果較好，參數(shù)取值反映了上海蔬菜價格與當(dāng)年前4個月價格的關(guān)聯(lián)性最高，而其SARIMA模型的參數(shù)取值表明上海蔬菜還與前2年同月價格也有較高關(guān)聯(lián)性。經(jīng)濟因素中，居民消費價格指數(shù)對全國蔬菜價格和上海蔬菜價格的影響都最大，其他經(jīng)濟因素如生產(chǎn)成本、人均可支配收入、城鎮(zhèn)化率也對蔬菜價格有一定影響。

我國蔬菜價格受蔬菜作物生長特性影響，呈現(xiàn)明顯的季節(jié)性特征。在一年內(nèi)的總體變化規(guī)律是：每年11月至次年2月為蔬菜上市淡季，蔬菜價格相對較高；3—4月，溫室、大棚蔬菜陸續(xù)產(chǎn)出，但其數(shù)量不大，對蔬菜價格的影響較小，蔬菜價格雖有所下降，但仍處于高位；6—10月蔬菜旺產(chǎn)旺銷的季節(jié)，露地、溫室、大棚蔬菜全面供應(yīng)，受供求關(guān)系影響，蔬菜價格降至最低；10月末，露地蔬菜基本銷售結(jié)束，蔬菜價格逐步回升。蔬菜月度價格季節(jié)波動性明顯，而日度價格受諸多因素的影響，表現(xiàn)出強烈的不規(guī)則性，其中天氣和受天氣影響的運輸條件對價格影響最大，有研究發(fā)現(xiàn)不僅臺風(fēng)暴雨、連陰雨[11-12]對蔬菜價格有影響，溫度[14]尤其是高溫對蔬菜價格也有較大影響。氣象因素主要通過影響蔬菜作物的適生性間接影響供應(yīng)量來影響價格，或者通過影響運輸成本、運輸條件等間接發(fā)揮作用，使得蔬菜價格表現(xiàn)出明顯的不規(guī)則性特征，氣象對價格的定量化影響是蔬菜價格研究的難點，需要加強研究。

盡管上海蔬菜年均價低于全國蔬菜年均價，但從實際的市場運行看，作為大型銷區(qū)市場，上海蔬菜市場產(chǎn)品仍然十分豐富，這源于大市場帶來的規(guī)模效益。上海和全國蔬菜月均價的最適時間序列分析模型不同，說明了上海蔬菜價格受外來蔬菜量價的影響較大，而與本地的生產(chǎn)量相關(guān)性不強。由于不同區(qū)域的價格與全國價格相比有一定差異性，因此以區(qū)域為尺度開展農(nóng)產(chǎn)品市場信息分析研究具有現(xiàn)實意義，可科學(xué)指導(dǎo)生產(chǎn)者更好的安排生產(chǎn)計劃，管理者更科學(xué)的制定農(nóng)業(yè)政策，從而保障蔬菜的穩(wěn)定供給和市場價格的穩(wěn)定，解決蔬菜生產(chǎn)當(dāng)前存在的季節(jié)性供過于求、區(qū)域性供過于求，蔬菜生產(chǎn)類別難以滿足市民日益增長的種類多樣化需求等問題。

需要指出的是，蔬菜價格研究中存在2點困難：一是系統(tǒng)性、長期連續(xù)性的數(shù)據(jù)欠缺，由于數(shù)據(jù)獲取的不易以及監(jiān)測的中斷，現(xiàn)有研究報道中所跟蹤的蔬菜價格時間均不長[3,14-15,20]，建議國家和各級政府重視蔬菜市場信息數(shù)據(jù)的監(jiān)測與共享；二是蔬菜價格與影響因素的定量關(guān)系模型的建立較為困難，由于影響因素與價格的內(nèi)生性關(guān)系，影響因素之間的多重共線性問題，不能建立包含所有影響因素的定量回歸模型，因此結(jié)構(gòu)性的局部均衡模型將是蔬菜市場信息進一步研究的重要方法。