湖南省糧食產(chǎn)量影響因素分析及預測

摘要：分析2002—2022年湖南省糧食產(chǎn)量相關(guān)數(shù)據(jù)，探究湖南省糧食產(chǎn)量的影響因素并對糧食產(chǎn)量進行預測，以期為湖南省乃至全國的糧食生產(chǎn)提供一定的參考。通過灰色關(guān)聯(lián)分析發(fā)現(xiàn)，與2002—2022年湖南省糧食產(chǎn)量密切相關(guān)的5個關(guān)鍵因素分別為有效灌溉面積、化肥施用量、農(nóng)作物播種面積、年末實有耕地面積和農(nóng)藥使用量。通過向量自回歸模型發(fā)現(xiàn)，2004—2022年湖南省糧食產(chǎn)量實際值和擬合值的走勢基本一致，模型的數(shù)據(jù)模擬效果較好?；诖四Ｐ蛯?023—2025年湖南省的糧食產(chǎn)量進行預測，得出此期間的湖南省糧食產(chǎn)量可能保持相對穩(wěn)定的狀態(tài)。在此基礎(chǔ)上，提出進一步合理使用化肥和農(nóng)藥、推廣農(nóng)業(yè)機械、完善農(nóng)田水利設(shè)施、增強農(nóng)業(yè)防災減災能力、提高糧食生產(chǎn)效率等建議。

關(guān)鍵詞：糧食產(chǎn)量；影響因素；預測；灰色關(guān)聯(lián)分析；向量自回歸模型；湖南省

中圖分類號：F326.11 文獻標識碼：A 文章編號：1006-060X（2025）02-0088-07

The Analysis and Prediction of Influencing Factors of the Grain Yield in Hunan Province

LIU Yu-hang1， LIU Jia-xi1， PENG Yan2

（1. College of Information and Intelligence， Hunan Agricultural University， Changsha 410128， PRC; 2. College of Agronomy， Hunan Agricultural University， Changsha 410128， PRC）

Abstract： This study analyzed the relevant data of the grain yield in Hunan Province from 2002 to 2022， explored influencing factors of the grain yield in Hunan Province， and predicted the grain yield， so as to provide a certain reference for grain production in Hunan Province and even the whole country. Through the grey correlation analysis， it was found that the five key factors closely related to the grain yield in Hunan Province from 2002 to 2022 were the effective irrigation area， chemical fertilizer application amount， crop sown area， actual cultivated land area at the end of the year and pesticide use amount. Through the vector autoregression model， it was found that the trend of the actual value and the fitting value of the grain yield in Hunan Province from 2004 to 2022 were basically the same， and the data simulation effect of the model was good. Based on this model， the grain yield of Hunan Province from 2023 to 2025 was predicted， and it was concluded that the grain yield of Hunan Province may remain relatively stable during this period. Hence， suggestions were put forward： further rationally using chemical fertilizers and pesticides， popularizing agricultural machinery， improving farmland water conservancy facilities， enhancing agricultural disaster prevention and reduction capabilities， and improving the grain production efficiency.

Key words： grain yield; influencing factors; prediction; grey correlation analysis; vector autoregression model; Hunan Province

近年來，全球糧食安全形勢嚴峻[1]，引起國際社會高度關(guān)注。我國作為人口大國，確保糧食豐產(chǎn)不僅是民生基礎(chǔ)，也是維護國家安全和社會穩(wěn)定的關(guān)鍵[2-3]。為滿足龐大規(guī)模人口的糧食需求，我國采取了精細化管理糧食生產(chǎn)的策略，分析糧食產(chǎn)量的影響因素并運用科學手段精確預測糧食產(chǎn)量，以此指導農(nóng)業(yè)資源的合理配置，這成為應對糧食安全挑戰(zhàn)的有效途徑[4-5]。

眾多研究者對糧食產(chǎn)量的影響因素及其預測方法展開了深入探討，以期進一步提高預測模型的精確性和實用性。在糧食產(chǎn)量的影響因素上，李銘[6]等的研究表明山東省的糧食產(chǎn)量受到糧食播種面積和水土流失治理面積的正向影響，而農(nóng)藥使用量、受災面積、農(nóng)業(yè)生產(chǎn)資料價格指數(shù)以及第一產(chǎn)業(yè)就業(yè)人數(shù)則產(chǎn)生負向影響，尤其是農(nóng)藥使用量的影響最為顯著。段姍姍[7]的研究揭示，河南省的糧食產(chǎn)量與第一產(chǎn)業(yè)就業(yè)人數(shù)、糧食播種面積呈顯著正相關(guān)。周娜娜[8]指出，云南省的糧食產(chǎn)量受到化肥使用、灌溉條件、糧食播種面積和農(nóng)業(yè)機械化水平的正向影響，但農(nóng)業(yè)從業(yè)人員數(shù)量卻起著相反的作用。鄔粒[9]發(fā)現(xiàn)，成災面積、糧食播種面積、農(nóng)業(yè)機械總動力和勞動力投入對重慶市糧食產(chǎn)量至關(guān)重要，其中，成災面積與糧食產(chǎn)量呈負相關(guān)，其他因素則與糧食產(chǎn)量呈正相關(guān)。于曉秋[10]等的研究表明，土地利用水平和農(nóng)業(yè)現(xiàn)代化水平對東北三省糧食生產(chǎn)的影響較大。仇歡歡[11]等的研究表明，2001年以前，糧食播種面積、化肥施用量對山西省糧食產(chǎn)量的影響較大；2001年以后，有效灌溉面積、農(nóng)業(yè)機械總動力、農(nóng)村居民人均可支配收入、財政支農(nóng)等對山西省糧食產(chǎn)量的影響逐漸增大。武丹[12]的研究表明，1995—

2015年湖南省的糧食產(chǎn)量主要受農(nóng)業(yè)機械總動力和化肥施用量驅(qū)動，人均GDP、農(nóng)村人口數(shù)及農(nóng)作物播種面積亦有顯著影響，而有效灌溉面積的作用相對較小。肖景峰[13]等的研究則表明，人均可支配收入、夜間燈光遙感指數(shù)、土地投入、化肥投入、灌溉投入與2010—2020年湖南省糧食生產(chǎn)效率緊密相關(guān)，社會經(jīng)濟發(fā)展、居民收入增長、土地規(guī)模擴大和灌溉條件改善在很大程度上提升了糧食生產(chǎn)效率。

在糧食產(chǎn)量的預測方法上，伴隨著計算機科技的迅猛進步，短期糧食產(chǎn)量預測技術(shù)得到了顯著提升，其中，時間序列模型[14-16]的應用尤為突出。袁世一[17]發(fā)現(xiàn)PSO-GRU模型能夠充分挖掘時間序列特征，在全局收斂方面展現(xiàn)出顯著優(yōu)勢，可以提高糧食產(chǎn)量預測的準確性。Liu[18]等利用MODIS遙感數(shù)據(jù)，結(jié)合CBAM注意力機制和LSTM神經(jīng)網(wǎng)絡(luò)的深度學習模型，有效地預測了2010—2020年我國的糧食產(chǎn)量，并在2018—2020年的數(shù)據(jù)上進行了驗證。劉心陽[19]利用改進的ARIMA模型預測近40 a來湖北省的糧食產(chǎn)量，通過優(yōu)化模型參數(shù)顯著提升了預測精度。賈夢琦[20]等對比ARIMA、GRNN和LSTM模型后，發(fā)現(xiàn)ARIMA-GRNN組合模型在預測2015—2017年河北省保定市糧食產(chǎn)量上效果最佳，平均相對誤差低至0.47%。楊凡雨[21]等運用GM（1，N）模型預測2018—2027年湖南省糧食產(chǎn)量的波動趨勢，強調(diào)農(nóng)業(yè)機械總動力和財政農(nóng)業(yè)支出的重要性。曾笑[22]等利用GM（1，1）模型對2021—2030年河南省糧食產(chǎn)量的影響因素進行預測，擬合得出2021—2030年河南省的糧食產(chǎn)量呈現(xiàn)平穩(wěn)增長趨勢。舒服華[23]運用向量自回歸（Vector Autoregression，VAR）模型預測2021年四川省的糧食播種面積為632.1萬hm2，糧食產(chǎn)量為3 551.314億t，結(jié)果顯示預測誤差較低，分別為1.366 03%和1.739 78%。王夏鑫[24]等構(gòu)建的VAR-MGM-BP組合模型則顯著提高了我國糧食產(chǎn)量短期預測的準確性。李丹[25]等運用回歸分析法預測了2016—2025年湖南省糧食需求和糧食產(chǎn)量的變化情況，發(fā)現(xiàn)未來湖南省糧食安全的水平可能逐步下降。

湖南省作為我國重要的糧食生產(chǎn)基地，在全國糧食供應中占據(jù)重要地位。但由于氣候變化[26-27]、土地資源緊張[28]、農(nóng)業(yè)勞動力轉(zhuǎn)移[29-30]等因素的影響，湖南省的糧食生產(chǎn)面臨著諸多挑戰(zhàn)。在此背景下，分析湖南省糧食產(chǎn)量的影響因素并準確預測湖南省的糧食產(chǎn)量對于優(yōu)化資源配置、制定科學合理的農(nóng)業(yè)政策以及保障糧食安全至關(guān)重要。然而，關(guān)于湖南省糧食產(chǎn)量影響因素及預測的研究卻相對缺乏。鑒于此，該研究對2002—2022年湖南省糧食產(chǎn)量相關(guān)數(shù)據(jù)進行綜合分析，采用灰色關(guān)聯(lián)分析方法與VAR模型，深入探究湖南省糧食產(chǎn)量的影響因素并對糧食產(chǎn)量進行預測，以期為湖南省乃至全國的糧食生產(chǎn)提供一定的參考。

1 變量選擇、數(shù)據(jù)來源與研究方法

1.1 變量選擇及數(shù)據(jù)來源

糧食產(chǎn)量受到多種因素的制約，主要包括自然因素和科技因素。結(jié)合2002—2022年湖南省的實際糧食生產(chǎn)情況，基于相關(guān)性、可獲得性原則，該研究從自然和科技層面挑選9個指標進行湖南省糧食產(chǎn)量的影響因素研究。該研究以湖南省糧食產(chǎn)量（萬t）為參考序列X0，以科技層面的農(nóng)用薄膜使用量（萬t）、農(nóng)藥使用量（萬t）、農(nóng)村用電量（億kW·h）、農(nóng)業(yè)機械總動力（億kW）、化肥施用量（萬t）和自然層面的有效灌溉面積（萬hm2）、農(nóng)作物播種面積（萬hm2）、年末實有耕地面積（萬hm2）、受災面積（萬hm2）為比較序列X1～X9。該研究所用數(shù)據(jù)來源于2003—2023年《湖南統(tǒng)計年鑒》及湖南省統(tǒng)計局官方網(wǎng)站，對于2006年的少量缺失數(shù)據(jù)，該研究采用均值法進行補充。

1.2 研究方法

1.2.1 灰色關(guān)聯(lián)分析方法 灰色關(guān)聯(lián)分析方法作為系統(tǒng)科學領(lǐng)域內(nèi)的創(chuàng)新工具，旨在精確測量復雜系統(tǒng)中各組成要素之間的相互依存度，辨識出推動系統(tǒng)演變的關(guān)鍵與輔助因素。相較于回歸分析、方差分析及主成分分析等傳統(tǒng)數(shù)理統(tǒng)計分析方法，灰色關(guān)聯(lián)分析方法具有高適應性，可以簡化計算過程，確保結(jié)果的連貫性和可靠性。在灰色系統(tǒng)理論框架下，灰色關(guān)聯(lián)分析方法通過量化多個變量對特定目標的影響強度，揭示它們之間的隱匿相關(guān)性。即使在數(shù)據(jù)集有限的情況下，灰色關(guān)聯(lián)分析方法也能精準捕捉各變量間的復雜聯(lián)系，并通過圖表形式進行直觀展示，使關(guān)聯(lián)程度一目了然?；疑P(guān)聯(lián)分析方法在一定程度上克服了傳統(tǒng)數(shù)理統(tǒng)計分析方法的局限，保證了定性解讀與定量結(jié)果的一致性[21]。

1.2.2 VAR模型 該方法的具體步驟如下[31-32]。一是檢驗時間序列數(shù)據(jù)的平穩(wěn)性。該研究通過單位根檢驗來識別序列中是否存在單位根，從而判斷序列是否平穩(wěn)。單位根的存在表明序列是非平穩(wěn)的，則需要通過差分處理使序列變得平穩(wěn)；一旦序列變得平穩(wěn)，就可以進行下一步分析。單位根檢驗可通過增強型迪基-福勒（Augmented Dickey-Fuller，ADF）檢驗來實現(xiàn)，非平穩(wěn)時間序列Yt的單位根檢驗具體如公式（8）所示。

式（8）中：△Yt表示變量Y在時間點t的一階差分，ρ是自回歸系數(shù)，i是滯后階數(shù)，γt-i是第t–i期的系數(shù)，vt是擾動項。變量平穩(wěn)性檢驗結(jié)果如表2所示。結(jié)果表明，除X6原序列平穩(wěn)外，lnX0、lnX5、lnX7和lnX8的ADF值均大于5%的水平值，P＞0.05，拒絕不了“存在單位根”的原假設(shè)，原序列都存在單位根，為非平穩(wěn)序列。對原序列進行一階差分處理后，ADF值均小于5%的水平值，P＜0.05，可以拒絕“存在單位根”的原假設(shè)，一階差分后的序列不存在單位根，為平穩(wěn)序列。故該研究得出變量X6在沒有截距和趨勢項的情況下表現(xiàn)為平穩(wěn)序列，其屬于I（0）序列；變量X0、X5、X7和X8均為同階單整，它們均屬于I（1）序列。這種組合表明這些變量可能存在長期的均衡關(guān)系，從而具備進行協(xié)整檢驗的基礎(chǔ)條件。

二是進行協(xié)整檢驗。當2個或多個非平穩(wěn)序列之間存在長期穩(wěn)定的關(guān)系時，這些序列為協(xié)整的。Johansen協(xié)整檢驗方法是一種常用的多變量協(xié)整檢驗方法，可以用來處理I（0）和I（1）序列，檢驗結(jié)果如表3所示。當假定的協(xié)整數(shù)為0時，跡統(tǒng)計值為114.201 1，顯著高于0.05水平上的臨界值69.818 89，這表明可以拒絕零協(xié)整數(shù)的原假設(shè)，即至少存在1個協(xié)整關(guān)系。隨著假定的協(xié)整數(shù)增加，跡統(tǒng)計值逐漸減小，當假定的協(xié)整數(shù)為2時，跡統(tǒng)計值低于0.05水平上的臨界值29.797 07。因此，跡檢驗顯示在0.05水平上存在2個協(xié)整方程。此外，MacKinnon-Haug-Michelis（1999）p-values也支持這一結(jié)論，當假定的協(xié)整數(shù)為2時，P值大于0.05。

2 結(jié)果與分析

2.1 湖南省糧食產(chǎn)量影響因素

隨著國家一系列惠農(nóng)政策的出臺和農(nóng)業(yè)經(jīng)營規(guī)模的擴大，2002—2022年湖南省的糧食產(chǎn)量穩(wěn)定增長，這得益于多方面因素的綜合作用。如表4所示，該研究通過灰色關(guān)聯(lián)分析得出2002—2022年湖南省糧食產(chǎn)量的影響因素按影響程度從大到小排列依次為有效灌溉面積（0.928）、化肥施用量（0.910）、農(nóng)作物播種面積（0.885）、年末實有耕地面積（0.857）、農(nóng)藥使用量（0.843）、農(nóng)用薄膜使用量（0.695）、農(nóng)業(yè)機械總動力（0.557）、農(nóng)村用電量（0.530）、受災面積（0.509）。

在科技因素方面，化肥施用量和農(nóng)藥使用量對糧食產(chǎn)量的影響最大，合理使用化肥和農(nóng)藥是糧食增產(chǎn)的關(guān)鍵?；适┯昧吭谠缙诔尸F(xiàn)出穩(wěn)步上升的趨勢，隨后在某個時間點達到1個高峰，接著出現(xiàn)緩慢下降的現(xiàn)象。這一趨勢可能是由于初期增加化肥施用量能夠有效補充土壤養(yǎng)分、促進農(nóng)作物生長，從而推動了糧食產(chǎn)量的提高，然而，隨著化肥施用量的不斷增加，邊際效益逐漸遞減，同時，過度施用化肥可能導致土壤板結(jié)、肥力下降以及環(huán)境污染等問題，這使得單純依靠增加化肥施用量來提高糧食產(chǎn)量的方式變得不再高效。農(nóng)藥使用量在整個時期內(nèi)呈現(xiàn)出波動的趨勢，在中期增長較為顯著，在后期雖然輕微下滑，但仍然保持在較高的水平。這一趨勢可能是病蟲害壓力較大、農(nóng)藥技術(shù)的進步及其應用和政府相關(guān)政策等因素共同作用的結(jié)果，農(nóng)藥使用在保障農(nóng)業(yè)生產(chǎn)方面發(fā)揮了重要作用。相比之下，農(nóng)用薄膜使用量、農(nóng)業(yè)機械總動力和農(nóng)村用電量對糧食產(chǎn)量的影響較小。農(nóng)用薄膜的使用對提高土地利用率和保護農(nóng)作物具有積極的作用；政府推行的農(nóng)業(yè)機械補貼政策促進了農(nóng)業(yè)機械總動力的增長，但一些農(nóng)民因農(nóng)業(yè)機械操作方面的知識和技能不夠而操作不當，這在一定程度上導致糧食減產(chǎn)。

在自然因素方面，灌溉、播種和耕地的保障是糧食增產(chǎn)的基礎(chǔ)。有效灌溉面積是最關(guān)鍵的影響因素，直接關(guān)系到糧食產(chǎn)量的高低，2002—2022年湖南省有效灌溉面積穩(wěn)定增長。其次是農(nóng)作物播種面積，在此期間湖南省農(nóng)作物播種面積處于較為穩(wěn)定的狀態(tài)。年末實有耕地面積也是影響糧食產(chǎn)量的一個重要因素，2002—2022年湖南省年末實有耕地面積經(jīng)歷了緩慢下降、顯著增長、穩(wěn)定以及再次下降的階段。較大的耕地面積提供了較大的糧食生產(chǎn)潛力，而穩(wěn)定的耕地面積則有助于維持糧食產(chǎn)量的穩(wěn)定性。相比之下，受災面積對糧食產(chǎn)量的影響較小。湖南省農(nóng)業(yè)生產(chǎn)易受旱澇災害的影響，但近年來受災面積逐漸減小，顯示出該省在農(nóng)業(yè)防災減災工作上的努力和成效。

2.2 湖南省糧食產(chǎn)量相關(guān)預測

該研究通過灰色關(guān)聯(lián)分析得出與2002—2022年湖南省糧食產(chǎn)量關(guān)聯(lián)度較高的影響因素為有效灌溉面積、化肥施用量、農(nóng)作物播種面積、年末實有耕地面積和農(nóng)藥使用量。鑒于農(nóng)藥使用量和化肥施用量之間存在較強的多重共線性，而VIF值較高的變量可能導致參數(shù)估計的不確定性增加，從而降低模型的穩(wěn)定性和可靠性，故該研究選擇VIF值較低的化肥施用量進行分析，以減小多重共線性帶來的影響。因此，該研究采用糧食產(chǎn)量、有效灌溉面積、化肥施用量、農(nóng)作物播種面積和年末實有耕地面積5個變量組成的系統(tǒng)建立VAR模型，通過LR、FPE、AIC、SC、HQ多準則聯(lián)合的方法將模型滯后階數(shù)p確定為2，具體如表5所示。如圖1、表6所示，每個特征根倒數(shù)的模都在單位圓內(nèi)，故該VAR模型通過穩(wěn)定性檢驗，可以認為模型是穩(wěn)定的。

3 結(jié)論與建議

3.1 結(jié)論

該研究通過灰色關(guān)聯(lián)分析方法對2002—2022年湖南省糧食產(chǎn)量與9個潛在影響因素進行相關(guān)性分析，確定5個與糧食產(chǎn)量關(guān)聯(lián)度較高的關(guān)鍵因素，即有效灌溉面積、化肥施用量、農(nóng)作物播種面積、年末實有耕地面積和農(nóng)藥使用量。此外，該研究采用糧食產(chǎn)量、有效灌溉面積、化肥施用量、農(nóng)作物播種面積和年末實有耕地面積5個變量組成的系統(tǒng)建立VAR模型，通過分析發(fā)現(xiàn)2004—2022年湖南省糧食產(chǎn)量實際值和擬合值的走勢基本一致，這表明該模型能夠較好地把握糧食產(chǎn)量的變化規(guī)律，具有較好的預測效果?；诖四Ｐ?，該研究對2023—2025年湖南省的糧食產(chǎn)量進行預測，得出在此期間湖南省的糧食產(chǎn)量會保持相對穩(wěn)定的狀態(tài)。

3.2 建議

一是進一步合理使用化肥和農(nóng)藥?；?、農(nóng)藥的使用在保障農(nóng)業(yè)生產(chǎn)方面發(fā)揮了重要作用，但也引發(fā)了公眾關(guān)于環(huán)境污染和食品安全等方面的擔憂，故湖南省應提高有機肥、生物農(nóng)藥的使用率，提升化肥、農(nóng)藥的利用率、科學性和合理性，在促進糧食增產(chǎn)的同時兼顧環(huán)境保護，更好地承擔社會責任，實現(xiàn)糧食生產(chǎn)的可持續(xù)發(fā)展。二是進一步推廣農(nóng)業(yè)機械。除了推行農(nóng)業(yè)機械補貼政策外，湖南省還需加強對農(nóng)民的農(nóng)業(yè)機械操作技能和農(nóng)業(yè)知識培訓，以避免農(nóng)業(yè)機械操作不當導致的糧食減產(chǎn)。三是進一步完善農(nóng)田水利設(shè)施。由于2002—2022年湖南省有效灌溉面積的增長速度相對較慢，故湖南省需要在完善農(nóng)田水利設(shè)施方面加大投入，以確保有效灌溉面積的持續(xù)擴大。四是進一步增強農(nóng)業(yè)防災減災能力。為了確保農(nóng)作物免受災害侵害，湖南省需繼續(xù)強化農(nóng)業(yè)災害預報預警和減災救災能力建設(shè)，健全農(nóng)業(yè)災害防控體系。五是提高糧食生產(chǎn)效率。湖南省需要采取策略來穩(wěn)定和擴大農(nóng)作物播種面積、耕地面積，同時繼續(xù)加強先進農(nóng)業(yè)科技的推廣和應用，提高種植技術(shù)、優(yōu)化管理方式，提升糧食生產(chǎn)效率、提高單位面積糧食產(chǎn)量，進一步推動湖南省農(nóng)業(yè)現(xiàn)代化發(fā)展。

參考文獻：

[1] 陳立霞，劉敬澤，吳立柱，等. 糧食安全：現(xiàn)狀、問題及應對策略[J]. 中國農(nóng)業(yè)科技導報，2024，26（11）：7-14.

[2] 李艷. 牢記“國之大者”確保糧食安全：堅決扛穩(wěn)維護國家糧食安全重任、為維護國家糧食安全作出吉林貢獻[J]. 新長征，2022（6）：18-23.

[3] 黃強. 糧食安全隱患及保障糧食安全的對策分析[J]. 現(xiàn)代食品，2024，30（8）：4-6.

[4] 孫蔚. 新時代應對糧食安全挑戰(zhàn)的有效路徑[J]. 農(nóng)村經(jīng)濟與科技，2023，34（4）：20-22，34.

[5] 郗芙蓉，譚雪蓮. 新時期保障我國糧食安全面臨的挑戰(zhàn)及應對措施[J]. 農(nóng)村經(jīng)濟與科技，2023，34（18）：1-3，10.

[6] 李銘，方華. 山東省糧食產(chǎn)量影響因素探究及產(chǎn)量預測[J]. 農(nóng)場經(jīng)濟管理，2022（5）：34-39.

[7] 段姍姍. 河南省糧食產(chǎn)量影響因素及趨勢預測[J]. 鄉(xiāng)村科技，2023，14（21）：61-64.

[8] 周娜娜. 云南省糧食產(chǎn)量影響因素及預測研究[D]. 昆明：云南農(nóng)業(yè)大學，2023.

[9] 鄔粒. 基于集成學習的重慶市糧食產(chǎn)量預測及其影響因素分析[D].

重慶：重慶工商大學，2023.

[10] 于曉秋，王玉倩，吳紫薇，等. 東北三省糧食生產(chǎn)影響因素的關(guān)聯(lián)分析[J]. 農(nóng)機化研究，2025，47（2）：254-261.

[11] 仇歡歡，郝志瑞. 山西省糧食生產(chǎn)波動特征及影響因素分析[J]. 中國農(nóng)業(yè)資源與區(qū)劃，2024，45（9）：54-63.

[12] 武丹. 1995—2015年湖南省糧食產(chǎn)量變化影響因素分析[J]. 農(nóng)技服務(wù)，2020，37（5）：108-109，112.

[13] 肖景峰，余德，金龍新，等. 湖南糧食生產(chǎn)效率時空特征及影響因素研究[J]. 湖南農(nóng)業(yè)科學，2023（12）：74-80.

[14] ZHAO Y L，HAN H Y，CAO L Y，et al. Study of application of time series model in grain yield predition[J]. Advanced Materials Research，2014，1049-1050：1392-1395.

[15] 王瑞芳，馬平安，俞婷. 時間序列預測模型發(fā)展趨勢分析[J]. 科技資訊，2024，22（19）：73-78.

[16] 管浩田. 基于自回歸模型的時間序列預測方法研究與應用[D]. 昆明：云南大學，2022.

[17] 袁世一. 基于粒子群優(yōu)化GRU的糧食產(chǎn)量預測[J]. 智能計算機與應用，2024，14（8）：109-114.

[18] LIU F，JIANG X T，WU Z Y. Attention mechanism-combined LSTM for grain yield prediction in China using multi-source satellite imagery[J]. Sustainability，2023，15：9210.

[19] 劉心陽. 基于時間序列分析的湖北省糧食產(chǎn)量預測[D]. 武漢：武漢輕工大學，2022.

[20] 賈夢琦，蔡振江，胡建，等. 基于機器學習的糧食產(chǎn)量預測模型研究[J]. 河北農(nóng)業(yè)大學學報，2021，44（3）：103-108.

[21] 楊凡雨，劉黎明，袁承程. 湖南省糧食產(chǎn)量波動的影響因素分析及預測[J]. 中國農(nóng)學通報，2020，36（29）：153-160.

[22] 曾笑，章禮明. 基于NSGM（1，N）的河南省糧食產(chǎn)量預測[J]. 安徽農(nóng)學通報，2023，29（19）：15-20.

[23] 舒服華. 基于VAR模型談四川省糧食播種面積和產(chǎn)量預測[J]. 糧食問題研究，2021（5）：12-17，31.

[24] 王夏鑫，周健. 基于VAR-MGM-BP組合模型的中國糧食產(chǎn)量短期預測[J]. 蘭州文理學院學報（自然科學版），2024，38（3）：30-38.

[25] 李丹，林中，李亮. 湖南糧食安全中長期預測研究[J]. 湖南農(nóng)業(yè)科學，2017（10）：83-85.

[26] 常啟虹. 氣候變化對糧食產(chǎn)量的實證研究[J]. 山西農(nóng)經(jīng)，2023（5）：13-15，76.

[27] 劉葦航，葉濤，史培軍，等. 氣候變化對糧食生產(chǎn)風險的影響研究進展[J]. 自然災害學報，2022，31（4）：1-11.

[28] 李瑤瑤. 糧食安全背景下我國耕地資源的問題及對策[J]. 山西農(nóng)經(jīng)，2024（15）：188-190.

[29] 鄧夢秋，安海燕. 農(nóng)村勞動力轉(zhuǎn)移對糧食生產(chǎn)的影響研究[J]. 作物研究，2023，37（1）：87-92.

[30] 孔凡振，陳會廣. 農(nóng)村勞動力轉(zhuǎn)移與糧食安全研究進展及展望：基于CiteSpace和NVivo可視化分析[J/OL]. 中國農(nóng)業(yè)資源與區(qū)

劃，2024-07-17[2024-08-10]. http：//kns.cnki.net/kcms/detail/11.3513.

S.20240716.1113.014.html.

[31] 張安妮，周曉，婁立都，等. 基于VAR模型的多元時間序列預測研究[J]. 現(xiàn)代計算機，2023，29（21）：36-40.

[32] 朱相甫. 中國股票市場對宏觀經(jīng)濟的預測能力研究：基于VAR模型的實證分析[J]. 商展經(jīng)濟，2024（15）：27-30.

（責任編輯：袁萍萍）