运用SAS软件系统对我国农作物受灾及成灾面积的预测分析.pdf

《运用SAS软件系统对我国农作物受灾及成灾面积的预测分析.pdf》由会员分享，可在线阅读，更多相关《运用SAS软件系统对我国农作物受灾及成灾面积的预测分析.pdf（4页珍藏版）》请在淘文阁 - 分享文档赚钱的网站上搜索。

1、2001年4月系统工程理论与实践第4期文章编号:100026788(2001)0420141204运用SA S软件系统对我国农作物受灾及成灾面积的预测分析陈平,达庆利(东南大学应用数学系,江苏 南京210096)摘要:运用SAS软件系统中的一些时间序列建模方法及回归分析方法对我国农作物受灾及成灾面积作了预测分析,得到了较高的预测精度,为我国的灾害预测提供了一种方便实用的方法.关键词:自然灾害;时间序列;预测中图分类号:X43文献编识码:APrediction and A nalysis for the D isaster A reaof Crops in Our Country by SA S

2、 SystemCHEN Ping,DA Q ing2li(Department ofM athematics,Southeast U niversity,N anjing 210096,China)AbstractBy some ti me series methods and regression analysis methods of SA Ssystem,we do some prediction and analysis for disaster area and destroyed area of cropsin our country.It is shown that the ac

3、curacy of prediction is fairly good.This paperaffords usefulmethod for the disaster prediction in our country.Keywordsnatural disaster;ti me series;prediction1引言世界各国的经验都表明,社会的持续发展要受资源、灾害、环境三项基本条件的制约.一般而言,灾害是指不利的自然现象对人类社会所带来的危害.人们在长期的实践中认识到,对付自然灾害除了工程措施外,还必须广泛采用非工程措施.考察自然灾害必须从全局出发去分析它的原因,研究它的规律和发展趋势.

4、灾害的一些指标,最普遍的是农作物受灾面积,而成灾面积是受灾面积中根据统一规定的损失严重程度来确定的.如何做好受灾和成灾面积的预测是灾害防御决策的重要环节1.据作者所知,现有的一些预测方法大多是零散的、自编程序方式的,一般来说,这类方法的公式推导和计算量都比较大,故较难统一推广使用.本文运用国际著名的大型集成软件系统SA S中的时间序列和回归分析方法对我国历年的农作物受灾和成灾面积作了预测分析.我们分别用求和自回归滑动平均(AR I MA)方法及逐步自回归方法,作了各种参数搭配的试算比较,最后确定的二个程序对最近7年(1992-1998)农作物受灾面积的平均绝对滚动预测误差分别为5.41%和4.

5、98%.2用ARI MA过程对农作物受灾面积的预测由文献2可知,SA S?ETS软件中的AR I MA(求和自回归滑动平均)过程提供了一个综合工具包来进行一元时间序列的模型识别、参数估计及预测分析.基于我国1951-1998年农作物受灾面积数据(见表收稿日期:1999208210资助项目:国家重点科技项目之专题资助(962908203204)1995-2005 Tsinghua Tongfang Optical Disc Co.,Ltd.All rights reserved.1,其中1967-1971年及1978年的数据缺失),我们用AR I MA过程作了模拟和预测.数学上纯AR I MA模

6、型记作Wt=+1-1B-qBq1-71B-7pBpt(1)其中,t代表年份;Wt表示响应序列Yt或Yt的差分;为均值项;B是后移算子;t表示独立扰动或称作随机误差.表1我国历年农作物受灾面积数据面积单位:万亩年份受灾面积年份受灾面积年份受灾面积年份受灾面积195121358.50196252050.00197959050.50199057711.00195213552.50196348820.50198066787.50199183208.00195335463.00196432763.00198159679.60199277000.00195432125.05196531205.551982

7、49645.50199373244.00195530081.00196637045.05198352032.00199482564.00195628292.55197260865.50198447830.50199568811.00195743724.55197354739.05198566547.05199670483.00195846444.50197457883.05198670702.50199780143.00195962199.00197553029.05198762810.55199875217.50196080381.55197663748.05198876310.401961

8、80404.50197778031.05198970411.00 表中数据来自国家民政部表2对缺失数据的三次样条插值结果19671968196919701971197844651.3752700.9159770.4064436.5265275.9969068.64表3用AR I MA方法对最近7年的滚动预测结果年份实际值预测值绝对预测误差(%)199277000.0079230.882.897199373244.0077323.705.570199482564.0079199.844.075199568811.0077797.7913.060199670483.0070763.240.3981

9、99780143.0073972.247.700199875217.5078381.364.206我们首先用表1中的数据(带有缺失值)作了试算分析,发现总的拟合效果较好,但对最近几年的预测偏小;然后我们先由SA S软件的EXPAND过程用三次样条方法对缺失数据进行插值,结果见表2,再将表1和表2的数据合在一起作了试算分析.在“识别”阶段,我们用I DEN T IFY语句计算发现序列Y t是非平稳的,而由自相关系数图可以看出,通过一阶差分后的序列是近似平稳的.结合偏自相关系数和逆自相关系数图,通过反复试算比较,我们选择了参数p=(1,4)和q=(1,2).在“估计”阶段,我们发现本序列用条件最小

10、二乘估计法来算结果要好一些.我们用上述模型相应的程序对19921998年作了滚动预测,即用1991年以前的数据预测1992年的值;用1992年以前的数据预测1993年的值;用1997年以前的数据预测1998年的值.7年平均绝对预测误差为5.41%,每年的预测均按迭代中止阈值0.01收敛结束,结果见表3.另用该程序预测1999年的受灾面积为80940.25万亩.3用FORECAST过程预测农作物受灾面积考虑到仅用AR I MA方法进行预测可能不够稳定,我们又基于表1和表2的数据进一步采用SA S?241系统工程理论与实践2001年4月 1995-2005 Tsinghua Tongfang Op

11、tical Disc Co.,Ltd.All rights reserved.ETS软件中的FORECA ST过程作了预测分析.由文献2可知,FORECA ST过程提供一种快速而且自动的时间序列预报方法,它使用外推的预报方法,所作的预报仅仅是时间和该序列过去值的函数,没有其它变量.这种方法是把时间趋势回归同一个自回归模型结合在一起,并用逐步方法来选择用于自回归过程的时滞步数.逐步自回归模型如下Yt=b0+b1t+b2t2+utut=a1ut-1+a2ut-2+aput-p+t(2)其中t表示时间(本文中代表年份),Yt表示相应年份的受灾面积,t是独立的、均值为零的随机误差.逐步自回归方法首先对

12、序列拟合时间趋势模型,并计算每个值和估计的趋势之间的差值(该过程称为删除趋势),然后使用向后逐步选择参数的方法对趋势模型的残差拟合自回归过程,寻找最不显著的自回归参数,如果这个最不显著参数的显著水平大于0.05,则从模型中删去该参数,继续该过程,直到只有显著的自回归参数被保留下来为止.因为这个趋势和自回归参数是依次被拟合而不是同时拟合的,所以参数估计在统计学意义上是渐近最优的,且该方法的计算量比较小.表4用逐步自回归方法对最近7年的滚动预测结果年份实际值预测值绝对预测误差(%)199277000.0077760.540.988199373244.0076751.254.788199482564

13、.0079003.324.313199568811.0077616.3612.796199670483.0071471.961.403199780143.0074005.857.658199875217.5077433.772.947我们先用表1中的数据(带有缺失值)分别取TREND=1,2,3作了试算分析,也发现总的拟合效果较好,但对最近几年的预测偏小;然后我们将表1和表2的数据合在一起,分别取TREND=1,2,3及去掉前面若干年数据作了试算分析,结果发现,基于插值后的全部数据(1951-1998年)取TREND=2时预测效果相对较好.我们用上述参数相应的程序也对1992-1998年作了滚

14、动预测,7年平均绝对预测误差为4.98%.结果见表4.另用该程序预测1999年的受灾面积为79737.17万亩.4成灾面积的预测及讨论根据我国19541998年农作物受灾及成灾面积的统计数据(见表5,其中有几年数据缺失),我们对Y2(成灾面积)与Y1(受灾面积)采用SA S?STA T软件的REG过程作了一元回归分析,所得模型为Y2=-4293.53359+0.51562Y1(3)模型检验结果为:F=56.619,回归方程的显著性水平为0.0001.可见拟合效果较好.表5我国历年农作物受灾面积及成灾面积数据 面积单位:万亩受灾面积成灾面积受灾面积成灾面积受灾面积成灾面积受灾面积成灾面积3212

15、5.0518817.5031205.5516834.5059679.6028115.1057711.0026729.0030081.0011782.5060865.5025763.5549645.5024157.0583208.0041721.0043724.5522473.0054739.0511426.5552032.0024277.5077000.0038842.0046444.5011732.5557883.059788.5547830.5022896.6073244.0034700.0062199.0020680.5053029.0515058.5066547.0530452.558

16、2564.0047075.0080381.5534495.5063748.0517155.5070702.5035461.5068811.0033401.0080404.5039979.5078031.0522736.5562810.5530589.9570483.0031849.9052050.0025008.0059050.5022685.5576310.4035896.9580143.0045464.0032763.0018952.0566787.5033475.0570411.0036634.0075217.5037771.50表中数据来自国家民政部 本文所用的AR I MA方法和逐步

17、自回归方法各有优缺点,前者各类参数较多,要通过各种搭配反复试算比较才能确定较好的模型,但它可处理的数据类型较多;后者计算量小、模型较易确定,但可调节的参数较少,故其可处理的数据类型比较有限.从本问题的计算结果来看,好象后者的预测精度要好一些.341第4期运用SA S软件系统对我国农作物受灾及成灾面积的预测分析 1995-2005 Tsinghua Tongfang Optical Disc Co.,Ltd.All rights reserved.我们认为,在实际使用时,可综合考虑二种方法的预测结果.如由AR I MA方法预测1999年受灾面积为80940.25(万亩);而用逐步自回归方法的预测

18、值为79737.17(万亩),这两个数值很接近,二者平均为80338.71(万亩).若以此值作为1999年农作物受灾面积的预测值,则由(3)式可进一步算得1999年农作物成灾面积的预测值为Y2=-4293.53359+0.5156280338.71=37130.71(万亩)正确认识我国自然灾害的历史、现状和它的特点,认识和研究自然灾害与我国经济和社会发展的关系,这对预测和展望未来、制定适合我国国情的对策措施具有重要的意义.本文所用的SA S系统具有完备的数据访问、管理、分析和呈现功能,在数据处理与统计分析领域被誉为国际上的标准软件.文中基于SA S?ETS软件所作的时间序列分析方便而且灵活,并

19、达到了较高的预测精度,所有的计算在数分钟内即可完成,从而便于推广应用及进一步改进模型.每年新的数据出来后,只要分别将其加入本文所编写的二个SA S程序当中(不必修改参数或其它SA S语句),分别运行这二个程序,即可自动算出由AR I MA方法给出的预测值及由逐步自回归方法给出的预测值,再结合专家的总体评价即可对下一年度进行预报.此外,用SA S软件系统还可以进行中长期预测及多元时间序列分析,因而它有着广泛的应用前景.参考文献:1国家防汛抗旱总指挥部办公室水利部南京水文水资源研究所.中国水旱灾害(系列专著)M.北京:中国水利水电出版社,1997.2高惠璇,等.SA S系统SA S?ETS软件使用

20、手册M.北京:中国统计出版社,1998.3贾海峰,郑耀泉,丁跃元,曹波.灰色时序组合预测模型及其在年降水量预测中的应用J.系统工程理论与实践,1998,18(8):122-126.4魏一鸣,金菊良,周成虎,万庆.1949-1994年中国洪水灾害成灾面积的时序分形特征J.自然灾害学报,1998,1:83-86.5陈平.相依竞争风险场合下生存函数的广义自相合估计J.系统科学与数学,1989,9(3):260-273.(上接第123页)则Tki对X的关联度为:rk1rk4rk2rk3可以得出结论:造成事件发生的四种故障模式性的可能性大小依次为(由大到小排列):1,34,31,54,2,5.5结论本文

21、初步探讨了在故障树分析中运用灰关联分析方法,依据故障树底事件的重要度来判断各种故障模式的可能大小情况,灰色系统理论在故障诊断中的应用越来越广泛,其它更深入的应用还有待于进一步探讨参考文献:1刘思峰,等 1 灰色系统理论及其应用M 1 北京:科学出版社,199912邓聚龙 1 灰色控制系统M 1 武汉:华中理工大学出版社,199313日盐见弘,岛冈淳,石山敬幸 1 故障模式和影响分析与故障树分析的应用M 1 北京:机械工业出版社,198914史定华,王松瑞 1 故障树分析技术方法和理论M 1 北京:北京师范大学出版社,1991.441系统工程理论与实践2001年4月 1995-2005 Tsinghua Tongfang Optical Disc Co.,Ltd.All rights reserved.