我國中藥材價格指數(shù)預(yù)測研究

李優(yōu)柱，楊鴻宇，劉進思，付輝，陳順杰

1.華中農(nóng)業(yè)大學(xué)公共管理學(xué)院，武漢 430070； 2.武漢大學(xué)國家網(wǎng)絡(luò)安全學(xué)院，武漢 430072

中藥材具有藥品和農(nóng)副產(chǎn)品兩種屬性，中藥材產(chǎn)業(yè)是我國最具特色的農(nóng)副產(chǎn)業(yè)之一，在我國鄉(xiāng)村振興和脫貧攻堅中發(fā)揮了重要作用。但是，近年來我國中藥材價格呈現(xiàn)波動頻率高、幅度大、不確定性強等特點，使得中藥材市場風(fēng)險明顯加劇。根據(jù)國家中藥產(chǎn)業(yè)技術(shù)體系長期監(jiān)測的30種主要中藥材價格數(shù)據(jù)，選取2019年10月與2020年10月同期數(shù)據(jù)相比較，結(jié)果顯示：茯苓、蒼術(shù)、黃芩、連翹同比分別上漲27%、20%、40%、41%；丹參、三七同比分別下降21%、22%。特別是2020年1月至3月，金銀花價格上漲幅度達55%；2019年7月到2020年3月板藍根價格上漲了200%；受市場供求影響，2017年9月到2018年12月白芨價格跌幅達80%。影響中藥材價格波動的因素主要包括國家或地方政策的調(diào)控、市場需求、種植面積、自然環(huán)境和市場投機等。價格的頻繁劇烈波動不僅給供應(yīng)鏈上的相關(guān)利益主體帶來巨大損失，也給政府的市場調(diào)控帶來壓力，影響到中醫(yī)藥產(chǎn)業(yè)可持續(xù)健康發(fā)展。

農(nóng)產(chǎn)品價格波動一直是經(jīng)濟領(lǐng)域的研究熱點。國內(nèi)外學(xué)者的研究主要集中在3個方面，即農(nóng)產(chǎn)品價格波動影響因素、波動特征和農(nóng)產(chǎn)品價格預(yù)測。有關(guān)農(nóng)產(chǎn)品價格波動的影響因素方面，Rezitis等[1]對芬蘭農(nóng)產(chǎn)品供應(yīng)鏈價格關(guān)系進行了實證研究，表明需求拉動因素對農(nóng)產(chǎn)品供應(yīng)鏈的影響大于供應(yīng)推動因素。貨幣超發(fā)是農(nóng)產(chǎn)品價格呈現(xiàn)長期上漲趨勢的重要推動因素之一[2]。極端氣候事件、流通、資本市場、媒體炒作和政府宏觀調(diào)控等因素也會對中藥材價格波動產(chǎn)生影響。崔旭盛等[3]研究了氣候、產(chǎn)量等價格影響因素對中藥材供求曲線和均衡價格的影響，結(jié)果表明，氣候、產(chǎn)量等因素都是通過影響供給或需求曲線的運動來打破原有均衡價格，從而形成新的均衡價格。中藥材價格波動特征的研究主要有，閆桂權(quán)等[4]以云南文山三七為例，運用HP濾波和ARCH類模型進行實證分析，揭示了三七價格變動的趨勢和特征；崔旭盛等[5]運用GARCH族模型研究了連翹價格波動集簇性；姚琦馥等[6]選用HP濾波和ARCH模型，研究貴州道地藥材價格指數(shù)波動趨勢和特征。有關(guān)農(nóng)產(chǎn)品價格預(yù)測的國內(nèi)外相關(guān)研究很多，如Pinheiro等[7]采用多元分析和神經(jīng)網(wǎng)絡(luò)對巴西農(nóng)產(chǎn)品市場價格進行預(yù)測；Ruekkasaem等[8]使用時間序列方法預(yù)測泰國稻米價格；Silva 等[9]結(jié)合宏觀和微觀經(jīng)濟變量以及季節(jié)相關(guān)的因素，采用人工神經(jīng)網(wǎng)絡(luò)技術(shù)建立了一套針對農(nóng)產(chǎn)品增長的預(yù)警系統(tǒng)；高明杰等[10]采用VAR模型研究我國馬鈴薯產(chǎn)量波動的影響因素，主要包括自然、經(jīng)濟、科技和政策等方面；王諾等[11]采用自回歸積分滑動平均模型對云南文山三七價格進行了預(yù)測；崔旭盛等[12]運用多元線性回歸模型對不同類型中藥材進行了分類預(yù)測。綜合以上文獻，國內(nèi)外學(xué)者對中藥材價格波動影響因素、波動特征和價格預(yù)測都做過相關(guān)研究，從研究方法來看，主要采用GARCH、ARCH、ARIMA、多元線性回歸等計量經(jīng)濟學(xué)模型，采用LSTM(long short term memory networks，長短期記憶網(wǎng)絡(luò))[13]等深度學(xué)習(xí)模型進行預(yù)測的較少。從研究對象來看，大多數(shù)文獻只針對某個或某幾個中藥材品種進行研究，對中藥材價格綜合指數(shù)進行預(yù)測的較少。

本研究提出了一種混合HP濾波(Hodrick-Prescott filter)[14]、LSTM、MLP(multilayer perceptron，多層感知機)[15-16]等模型的混合模型，對30種中藥材單品種價格指數(shù)和綜合價格指數(shù)進行預(yù)測，為豐富和完善中藥材價格預(yù)測理論以及對其他農(nóng)產(chǎn)品價格的預(yù)測提供參考。

1 研究方法與數(shù)據(jù)處理

1.1 研究方法

1)Hodrick-Prescott 濾波模型。1980年，Hodrick和Prescott首次提出了HP濾波法，之后該方法用于經(jīng)濟學(xué)領(lǐng)域，特別是對于價格方面的研究[14]。HP濾波器用于從原始數(shù)據(jù)中去除時間序列的周期性成分，將時間序列看作是由不同頻率成分的時間序列的疊加，可以將1個時間序列Yt分解成1個長期趨勢子序列Γt和短期波動子序列Ct，其中，Yt=Γt+Ct。HP濾波法相當(dāng)于對長期趨勢子序列Γt進行了3次樣條平滑。Yamada等[17]認為從本質(zhì)上講，低頻波動與原始數(shù)據(jù)是分離的。分離假設(shè)是基于低頻變化代表長期趨勢，而高頻變化代表短期隨機波動現(xiàn)象。HP濾波法選取長期趨勢子序列是完全隨機的，但是長期趨勢只與時間因素相關(guān)而與其他因素?zé)o關(guān)。HP濾波法通過最小化選取長期趨勢。

(1)

式(1)中，Ct代表短期波動序列，Γt代表長期趨勢序列； Δ2=(1-L)2，L是滯后算子，如Lxt=Xt-1；T是數(shù)據(jù)總量；λ是懲罰長期趨勢分量變化系數(shù)，它控制著長期趨勢增長率的變化。式(1)的前半部分是擬合程度的度量，后半部分是平滑程度的度量。

2)LSTM模型。LSTM由Hochreiter和Schmidhuber在1997年提出[13]。該模型適合于預(yù)測時間序列中間隔和延遲長的重要事件，是循環(huán)神經(jīng)網(wǎng)絡(luò)的一種，模型結(jié)構(gòu)如圖1所示。LSTM中包含1個或者多個隱藏層、1個輸出層和1個輸入層。Landi等[18]認為LSTM網(wǎng)絡(luò)的主要優(yōu)點是隱藏層由記憶單元組成。每個記憶單元都有1個核心自連接的線性單元，稱為“常量錯誤木馬”(constant error carousel,CEC)，它提供短期記憶存儲功能，其中有3個門機制，分別為輸入門、遺忘門和輸出門。

圖1 LSTM模型結(jié)構(gòu)Fig.1 LSTM model structure

①輸入門?？刂菩螺斎氲酱鎯卧男畔ⅲ嬎氵^程如式(2)和式(3)所示。

it=sigmoid(Wi·[ht-1,Xttrain]+bi)

(2)

(3)

②遺忘門?？刂婆f值保存在內(nèi)存中的上限，計算過程如式(4)所示。

ft=sigmoid(Wf·[ht-1,Xttrain]+bf)

(4)

其中，ft代表第t時間步的遺忘狀態(tài)，Wf是權(quán)重矩陣，bf是計算偏差。

③輸出門?？刂朴捎洃泦卧敵龅男畔?，計算過程如式(5)～(7)所示。

(5)

ot=sigmoid(Wo·[ht-1,Xttrain]+bo)

(6)

ht=ot×tanh(ct)

(7)

其中，ct代表新的記憶細胞，它基于輸入門和遺忘門的計算結(jié)果而產(chǎn)生；ot是第t時間步的輸出，Wo是權(quán)重矩陣，bo是計算偏差。

3)HP-LSTM-MLP模型。中藥材價格跟其他農(nóng)產(chǎn)品價格一樣，具有顯著的周期性、季節(jié)性、趨勢性和隨機性等特點。HP濾波模型可以將中藥材價格和價格指數(shù)時間序列分解為長期趨勢和短期波動，LSTM模型可以學(xué)習(xí)其中的長期趨勢和短期波動序列的特性。因此，本研究將二者模型特性結(jié)合起來，提出了一種HP-LSTM-MLP(Hodrick Prescott-long short term memory networks-multilayer perceptron)的混合模型，模型整體結(jié)構(gòu)流程圖如圖2所示。HP-LSTM-MLP模型主要由3個模塊構(gòu)成：Hodrick-Prescott濾波模塊、LSTM模塊、多層感知機(MLP)模塊。MLP是一類前饋人工神經(jīng)網(wǎng)絡(luò)，它與普通的人工神經(jīng)網(wǎng)絡(luò)的區(qū)別在于它除了輸入層和輸出層外至少還包含1層或多層隱藏層。MLP中的每層都是全連接的，它的最底層是輸入層，中間是隱藏層，最上層是輸出層；其中，每層還可以應(yīng)用非線性的激活函數(shù)，使得模型可以學(xué)習(xí)數(shù)據(jù)中非線性的隱含關(guān)系[18]。

圖2 HP-LSTM-MLP模型流程圖Fig.2 HP-LSTM-MLP model flowchart

在HP-LSTM-MLP模型流程圖中，Hodrick-Prescott 濾波模塊是用于將中藥材價格和中藥材價格指數(shù)時間序列數(shù)據(jù)分離出長期趨勢子序列和短期波動子序列。LSTM模塊分別由2個LSTM構(gòu)成，1個用于處理長期趨勢子序列稱為LSTM-L，另1個用于處理短期波動子序列稱為LSTM-S。MLP模塊用于學(xué)習(xí)長期趨勢子序列和短期波動子序列的知識融合進行多層線性或非線性激活處理，最后輸出預(yù)測的價格指數(shù)。

4)HP-LSTM-MLP模型參數(shù)設(shè)置。MLP層數(shù)設(shè)置為2層，第1層激活函數(shù)為tanh，第2層激活函數(shù)為sigmoid。LSTM層中LSTM-S層數(shù)設(shè)置為1，LSTM-L層數(shù)設(shè)置為2。Batch_size大小設(shè)置為32，epoch設(shè)置為50。優(yōu)化器選擇為亞當(dāng)優(yōu)化器(Adam)。由于該算法是自適應(yīng)學(xué)習(xí)率的方法，學(xué)習(xí)率參數(shù)設(shè)置為0.001。

(8)

(9)

1.2 數(shù)據(jù)處理

1)數(shù)據(jù)來源。選取國家中藥產(chǎn)業(yè)技術(shù)體系長期監(jiān)測的30種主要中藥材作為中藥材價格指數(shù)預(yù)測的研究對象。這30種中藥材被人們經(jīng)常使用，代表性較強，涉及1年生根莖類、多年生根莖類、果實類、花類藥材、全草類、菌類和藤木類7大類中藥材種類。數(shù)據(jù)來源于中藥材天地網(wǎng)(https://www.zyctd.com/)，采集了安徽省亳州藥市首位規(guī)格的茯苓、蒼術(shù)、石斛、板藍根、甘草、黃連、黨參、丹參、枸杞、重樓、玉竹、天麻、牡丹皮、菊花、柴胡、金銀花、黃芪、黃芩、穿心蓮、桔梗、連翹、三七、肉蓯蓉、人參、栝樓、麥冬、當(dāng)歸、半夏、白芨、沉香等30種中藥材月度價格數(shù)據(jù)，時間跨度為2013年7月至2020年10月。以2013年7月的價格數(shù)據(jù)為各品種的基期價格，基期價格指數(shù)設(shè)定為1 000，構(gòu)建30種中藥材2013年7月至2020年10月的月度價格指數(shù)數(shù)據(jù)集。

使用30種中藥材2013年7月至2020年10月的月度價格數(shù)據(jù)，采用拉氏指數(shù)法編制30種中藥材的綜合價格指數(shù)[20]，拉氏價格指數(shù)是最常用的價格指數(shù)之一，用于衡量一攬子商品和服務(wù)相對于特定基期權(quán)重的價格變化。其公式如下:

(10)

其中，Kp為中藥材綜合價格指數(shù)，b為中藥材品種，p0為中藥材基期的價格，p1為中藥材當(dāng)期的價格，q0為中藥材基期數(shù)量。

圖3是中藥材綜合價格指數(shù)2013年7月至2020年10月的變化趨勢圖。從圖3可知，中藥材綜合指數(shù)經(jīng)歷了較多的波動，總體上呈現(xiàn)出緩慢下降趨勢。最高值為2014年7月的1 095.71點，最低值為2020年1月的751.51點。大致可以劃分為4個階段，2013年7月到2014年8月指數(shù)上升期，2014年9月到2016年8月指數(shù)下降期，2016年9月到2017年3月上升期，2017年4月到2020年10月下降期。

圖3 中藥材綜合價格指數(shù)走勢圖Fig.3 Trend chart of the comprehensive price index of Chinese medicinal materials

2)數(shù)據(jù)預(yù)處理。HP-LSTM-MLP模型的輸入特征既有30種中藥材實際價格，也有相對應(yīng)的價格指數(shù)，為消除實際價格指標和價格指數(shù)指標不同量綱對結(jié)果的影響，本研究采用min-max標準化方法對兩類數(shù)據(jù)進行歸一化。

(11)

為了使得最終的預(yù)測值具有現(xiàn)實意義，最后對預(yù)測數(shù)值進行反歸一化處理。

x1=y(max-min)+min

(12)

式(11)、(12)中，y為歸一化處理后數(shù)值，x0為初始值，x1為反歸一化處理后數(shù)值，min為相應(yīng)序列中最小值，max為相應(yīng)序列中最大值。

3)HP濾波分解。對歸一化處理后的中藥材價格和價格指數(shù)數(shù)據(jù)進行HP濾波分解，結(jié)果如圖4、圖5所示。中藥材實際價格和價格指數(shù)的長期趨勢子序列與短期波動子序列得以分離。由圖4和圖5可知，中藥材價格和價格指數(shù)存在明顯的長期趨勢成分和短期波動成分，且中藥材價格指數(shù)及其分離出的長期趨勢序列和短期波動序列波動特征更顯著。根據(jù)HP-LSTM-MLP模型預(yù)測流程，分離出的中藥材實際價格和價格指數(shù)的長期趨勢子序列將由LSTM-L模塊專門處理；中藥材實際價格和價格指數(shù)的短期趨勢子序列則由LSTM-S模塊專門處理。

A.原始數(shù)據(jù) Raw data; B:長期趨勢 Long-term trend; C:短期波動 Short-term fluctuation.圖4 中藥材價格HP濾波分解結(jié)果Fig.4 HP filter decomposition results of the price of Chinese medicinal materials

A.原始數(shù)據(jù) Raw data; B:長期趨勢 Long-term trend; C:短期波動 Short-term fluctuation.圖5 中藥材價格指數(shù)HP濾波分解結(jié)果Fig.5 HP filter decomposition results of the price index of Chinese medicinal materials

2 結(jié)果與分析

2.1 多個模型預(yù)測效果對比分析

將HP濾波分解后的數(shù)據(jù)按8∶2的比例分為訓(xùn)練集和測試集，按照HP-LSTM-MLP模型整體結(jié)構(gòu)流程進行實驗操作。將30種中藥材價格及其價格指數(shù)、中藥材類型作為模型的輸入特征，最終輸出特征為30種中藥材的價格指數(shù)。預(yù)測基本規(guī)則為:由前12個月的數(shù)值預(yù)測第13個月的數(shù)值，依次類推，獲得全域預(yù)測數(shù)值。此外，本研究還選取了LSTM、RNN(recurrent neural network,循環(huán)神經(jīng)網(wǎng)絡(luò))、GRU(gated recurrent unit，門控循環(huán)單元)等3個單一模型分別對相同數(shù)據(jù)集進行預(yù)測，其他條件和規(guī)則均與HP-LSTM-MLP模型預(yù)測實驗相同。

A：HP-LSTM-MLP； B：LSTM： C：RNN； D：GRU.圖6 多個模型預(yù)測結(jié)果Fig.6 Forecast results of multiple models

表1 4種模型的預(yù)測誤差 Table 1 Forecast errors of the four models

2.2 HP-LSTM-MLP模型的泛化能力

使用HP-LSTM-MLP模型分別對30種中藥材2020年10月至2021年9月期間的單品種指數(shù)和綜合指數(shù)進行預(yù)測。

1)中藥材單品種指數(shù)預(yù)測。選取30種中藥材中的黃連、連翹、麥冬為例，使用HP-LSTM-MLP模型對新的數(shù)據(jù)進行預(yù)測(圖7)。由圖7可知，價格指數(shù)預(yù)測值變化趨勢與價格指數(shù)實際值相比，約滯后1期。在2020年10月至2021年9月的價格指數(shù)預(yù)測擬合誤差中，黃連12個月的預(yù)測擬合平均相對誤差為3.36%，中位數(shù)為2.16%；連翹12個月的預(yù)測擬合平均相對誤差為5.66%，中位數(shù)為4.55%；麥冬12個月的預(yù)測擬合平均相對誤差為3.22%，中位數(shù)為2.76%。黃連2020年12月的預(yù)測擬合相對誤差較大，原因主要在于黃連實際價格指數(shù)在經(jīng)歷了4個月的維持期后于2020年12月突增，往年同期并未出現(xiàn)此類情況，2021年1月第2次突增，而2021年1月的預(yù)測相對誤差立即回歸較低數(shù)值。連翹2021年8月和9月的預(yù)測擬合相對誤差較大，原因主要是連翹價格指數(shù)在這2個月突增，連續(xù)2個月打破8年來歷史最高值，但是2013年7月至2020年10月訓(xùn)練得到的預(yù)測平均相對誤差較為穩(wěn)定。麥冬2021年4月的預(yù)測擬合相對誤差偏大，其原因與黃連類似。綜合上述分析，HP-LSTM-MLP模型對黃連、連翹、麥冬2020年10月至2021年9月的價格指數(shù)預(yù)測效果良好。

進一步計算出30種中藥材2020年10月至2021年9月的價格指數(shù)預(yù)測擬合平均相對誤差。其中，平均相對誤差低于1%的中藥材品種有3個：枸杞、黃芪、穿心蓮；平均相對誤差在1%～2%的中藥材品種有4個：石斛、天麻、柴胡、肉蓯蓉；平均相對誤差在2%～5%的中藥材品種有14個：茯苓、甘草、黃連、丹參、重樓、菊花、金銀花、黃芩、桔梗、人參、栝樓、麥冬、半夏、沉香；平均相對誤差在5%～10%的中藥材品種有7個：蒼術(shù)、板藍根、黨參、玉竹、牡丹皮、連翹、當(dāng)歸；平均相對誤差高于10%的中藥材品種有2個：三七、白芨。其中，2013年7月至2020年10月，三七的價格指數(shù)實際值總體呈持續(xù)下降趨勢，短期略有波動，2020年10月至2021年，則一路下滑，但短期波動微乎其微，且年度下滑量較小，遠低于歷年年度下滑比例，因此，通過2013年7月至2020年10月訓(xùn)練的模型，對2020年10月至2021年9月的三七價格指數(shù)預(yù)測的平均相對誤差較大。白芨2013年7月至2021年9月的價格指數(shù)實際值也與2020年10月至2021年9月價格指數(shù)實際值存在巨大差異，白芨價格指數(shù)實際值在2020年10月前總體呈階梯式下降趨勢，且短期波動幅度大，但是2020年10月至2021年9月的價格指數(shù)實際值總體趨于平緩，且數(shù)值較低，這是造成白芨價格指數(shù)預(yù)測擬合平均相對誤差異常偏高的重要原因。綜合以上分析，30種中藥材2020年10月至2021年9月的價格指數(shù)預(yù)測擬合平均相對誤差總體偏低，HP-LSTM-MLP混合預(yù)測模型能夠較好地預(yù)測中藥材單品種價格指數(shù)。

A：黃連 Coptis chinensis； B：連翹 Forsythia suspensa； C：麥冬 Ophiopogon japonicus.圖7 黃連、連翹、麥冬價格指數(shù)預(yù)測結(jié)果Fig.7 Prediction results of the price index of Coptis chinensis，F(xiàn)orsythia suspensa and Ophiopogon japonicus

2)中藥材綜合指數(shù)預(yù)測。將基于HP-LSTM-MLP模型的30種中藥材2020年10月至2021年9月的價格指數(shù)預(yù)測值進行反價格指數(shù)計算，得到30種中藥材的價格預(yù)測值，再依據(jù)拉氏指數(shù)計算公式，得出30種中藥材12個月的綜合價格指數(shù)預(yù)測值，并與30種中藥材12個月的綜合價格指數(shù)實際值進行對比。

圖8為30種中藥材綜合價格指數(shù)預(yù)測擬合圖，由圖8可知，2020年10月至2021年9月共12個月30種中藥材的綜合價格指數(shù)預(yù)測值和實際值擬合情況較好，平均相對誤差僅為1.89%，最大相對誤差為2.79%，最小相對誤差0.43%。綜合以上分析，HP-LSTM-MLP混合預(yù)測模型能夠較好地預(yù)測30種中藥材綜合價格指數(shù)。通過對以上單品種價格指數(shù)和綜合價格指數(shù)的預(yù)測分析，說明HP-LSTM-MLP混合預(yù)測模型的泛化能力較好。

圖8 中藥材綜合價格指數(shù)預(yù)測擬合圖Fig.8 Predictive fitting diagram of the comprehensiveprice index of Chinese medicinal materials

3 結(jié)論與對策建議

同其他農(nóng)副產(chǎn)品一樣，中藥材市場價格受多種內(nèi)生因素決定，并受復(fù)雜外生因素影響，同時，其藥品屬性又關(guān)乎中醫(yī)藥學(xué)發(fā)展。為穩(wěn)定中藥材市場價格，促進中藥材產(chǎn)業(yè)良性發(fā)展，有必要對中藥材價格指數(shù)進行預(yù)測研究。為提高預(yù)測效果，本研究提出了HP-LSTM-MLP混合預(yù)測模型，對安徽省亳州藥市30種中藥材價格指數(shù)進行預(yù)測研究，結(jié)論如下：

2)使用HP-LSTM-MLP混合預(yù)測模型對30種中藥材單品種2020年10月至2021年9月的價格指數(shù)進行預(yù)測，結(jié)果顯示，預(yù)測值與實際值擬合效果整體情況良好。其中，平均相對誤差低于1%的中藥材品種有3個，占比10.00%；平均相對誤差在1%～2%的中藥材品種有4個，占比約13.33%；平均相對誤差在2%～5%的中藥材品種有14個，占比約46.67%；平均相對誤差在5%～10%的中藥材品種有7個，占比約23.33%；平均相對誤差高于10.00%的中藥材品種有2個，占比約6.67%。30種中藥材12個月的綜合價格指數(shù)預(yù)測值與實際值擬合效果很好，平均相對誤差為1.89%。通過單品種價格指數(shù)和綜合價格指數(shù)的分析，說明HP-LSTM-MLP模型有較強的泛化能力。

基于以上結(jié)論，本研究提出如下對策建議：

1)中藥材價格指數(shù)變化存在明顯長期趨勢和短期波動特征。為保障中藥材市場平穩(wěn)運行，避免價格頻繁的劇烈波動和不利于中藥材產(chǎn)業(yè)良性發(fā)展的長期發(fā)展趨勢，相關(guān)政府部門應(yīng)科學(xué)施策，出臺政策時既要考慮對中藥材產(chǎn)業(yè)的長期發(fā)展影響，也要保證政策措施能穩(wěn)定短期的市場健康運行，要減少價格短期劇烈波動對供應(yīng)鏈各方利益主體以及整個中藥材產(chǎn)業(yè)鏈的不良影響。

2)在大數(shù)據(jù)時代，伴隨著數(shù)據(jù)獲取技術(shù)和處理能力的提升，以及新的預(yù)測模型和方法的不斷涌現(xiàn)，預(yù)測研究在不斷深化和升級，預(yù)測效果不斷提升。相關(guān)主體應(yīng)該建立并不斷完善中藥材價格信息平臺，擴大對中藥材價格的監(jiān)測范圍，提升數(shù)據(jù)處理與應(yīng)用能力，及時掌握并公布中藥材市場價格和價格指數(shù)動態(tài)數(shù)值，定期更新中藥材價格波動預(yù)測預(yù)警方法等。政府部門在中藥材價格信息平臺構(gòu)建與完善項目中，要起到引導(dǎo)作用，并更加科學(xué)、高效地運用預(yù)測預(yù)警研究與實踐成果，為中藥材市場穩(wěn)定和中藥材產(chǎn)業(yè)良性發(fā)展保駕護航。

3)加強和改善對藥材生產(chǎn)供應(yīng)的宏觀調(diào)控，加強中藥材市場秩序整頓和規(guī)范。抓緊建立中藥材市場監(jiān)管協(xié)作機制，厘清監(jiān)管邊界，消除監(jiān)管真空，形成監(jiān)管合力，進一步加大中藥材市場秩序整治力度，著力規(guī)范交易價格和質(zhì)量標準，促進中藥材市場價格平穩(wěn)有序。強化中藥材價格監(jiān)管，突出中藥材流通的重要關(guān)節(jié)點，加強對中藥材存儲倉庫、經(jīng)銷和使用大戶的動態(tài)監(jiān)管，建立出入庫臺賬制度和經(jīng)營信息數(shù)據(jù)庫，加大對囤積炒作等違法行為的查處力度，維護中藥材市場流通秩序。