美国粮食和耕地变化及其趋势分析

作者：刘　流  责任编辑：网络部  信息来源：世界农业  发布时间：2017-07-27  浏览次数： 6867次

【摘　要】本文基于最小耕地面积和压力指数对2000—2013年美国耕地面积和粮食产量数据进行现状分析，在此基础上利用BP神经网络模型对2014—2015年数据进行精度测算，最后运用该模型预测美国2016—2020年数据，实证结果表明，2000—2013年美国耕地面积呈波动下降趋势，水稻、大豆等农产品呈波动上升趋势。BP神经网络具有误差小、精度高的特征，因此，本文运用该模型预测未来5年美国耕地及农产品产量状况，2016—2020年美国耕地面积呈下降态势，农产品产量呈小幅度持续上升态势。

【关键词】耕地面积；粮食产量；BP神经网络；美国

1引言

全球气候变暖对各国粮食安全产生巨大影响，世界范围内的粮食生产与贸易面临危机。根据FAO发布的《世界粮食不安全状况》最新估计，2013—2015年，世界共有8.42亿人（约占世界总人口的12%）无法满足自身的饮食能量需求。国际粮食生产与消费格局发生重大改变，粮食供求关系偏紧，粮价区域差异明显，粮食生产与资源环境矛盾加剧，世界粮食安全形势十分严峻^[1]。在此背景下，研究耕地资源与粮食产量动态变化，科学预测未来粮食产量，有利于制定保障粮食安全的区域化政策及促进区域经济持续稳定发展。

耕地资源与粮食产量变化作为粮食安全研究的重要组成部分，一直是经济学、农学及地理学等学科热点发展方向之一^[2]。近年来，国内外众多专家学者基于数理统计或构建数学模型等方法，对粮食产量动态变化与生产潜力^[3]、空间分布及影响因素^[4]、耕地资源与粮食安全关系等方面进行研究。从国外来看，David基于美国1982—1998年气候数据，研究气候变化与农作物产量关系^[5]；Molden研究水资源与粮食产量关系，表明非农业用水的增加威胁美国粮食安全^[6]；从国内来看，杨艳昭等^[7]基于经验模态分解方法，通过比对粮食产量拟合度分析非洲粮食产量波动的主要影响因素；肖建英等^[8]运用GIS技术与空间计量分析方法，探讨中国粮食生产的空间分布及变化规律；姚作芳等^[9]基于1949—2008年粮食总产量数据，采用灰色GM预测模型模拟吉林省粮食产量变化态势。总体来看，这些研究均采用了基于数据的质性研究方法动态演绎粮食产量变化趋势，但缺少基于数理统计模型的粮食产量预测评估方面的研究。

美国是粮食生产大国，粮食出口量自2000年以来稳居世界第一，研究其耕地资源与粮食产量变化情况具有区域典型性与借鉴性。鉴于此，本文采用最小人均耕地面积及耕地压力指数等方法分析美国2000—2013年耕地资源与粮食产量变化过程，并利用BP神经网络模型科学预测2016—2020年美国粮食产量数据，以期为促进中美农业合作贸易、推进世界粮食安全做出贡献。

2研究区概况和数据来源

2.1研究区概况

美国位于北美洲中部，北纬23°～54°，西经130°～74°，国土总面积937.26万km²，占世界国土面积7%。美国三面环海，但由于东部地势偏高，阻挡海洋温室气流，因此美国大部分地区属于大陆性气候，南部属亚热带气候^[6]。地势东高西低，地形起伏坡度较大，东部为阿巴拉契亚山脉，生态环境脆弱。

2.2数据来源

研究区数据主要来源于美国农业部，及政府发表的一些报告。因查阅国外文献的局限性，本研究以美国主要的4种农作物（水稻、玉米、大豆、小麦）为范例，对其进行分析及预测。

3研究方法

3.1最小人均耕地面积

最小人均耕地面积是指在一定区域范围内，某一区域或国家粮食自足水平和耕地生产力水平在一定条件下^[10]，为了满足国家或地区人口数量一般生活的食物消费所需的耕地面积，也是为保障一定区域零食安全而需保护的耕地数量基底，公式（1）如下:

式中:S_min是最小人均耕地面积（hm²）；A是粮食自给率（%）；B是人均粮食需求量（kg）；C是食物单产（kg/hm²）；D是粮食播种面积占总播种面积之比（%）；D为复种指数，由一年中粮食实际播种面积与耕地面积之比求得。本文规定粮食自给率为100%，并设定人均消费粮食量为400kg。

3.2耕地压力指数

耕地压力指数是最小人均耕地面积与实际人均耕地面积之比[11-12]，公式（2）如下:

式中:K为耕地压力指数；M为实际人均耕地面积（hm²），在此定义为区域耕地总面积与人口数量的比值。耕地压力指数是测算一个地区耕地资源的利用及稀缺度，在本文中给出了耕地保护的阀值，其可作为耕地保护的调控指标^[13]，也是测度粮食安全程度的指标，即当K＝1时，粮食供需平衡，是个临界值；当K＞1时，耕地压力明显，粮食供给小于需求；反之，粮食供给大于需求，所以当K≤1时，粮食处于安全状态。

3.3BP神经网络

BP（BackPropagation）神经网络是一个由输入层、隐含层、输出层构成的3层神经网络，其学习过程主要是由前向传播和误差逆向传播两部分组成，它是逼近任意精度的连续函数。BP神经网络是预测法最为广泛的一种，为检验该模型是否适用于美国粮食产量及耕地的预测，本文选取2000—2013年数据验证其2014—2015年粮食产量及耕地面积，以检验其计算精度。经公式（3）、公式（4）、公式（5）步骤后完成一次循环，对输出值大于规定的期望值的，则进行误差的反向传播，返回对各连接权值和阈值进行修正，并不断提高输出值的精确度直到小于给定的误差值，神经网络模型建立，网络训练结束^[14]。具体操作步骤如下:

式中:V_ky为隐含层第k个神经元与输出层第y个神经元之间的连接权值；t_y为输出层第y个神经元的阈值；F_k为隐含层第K个神经元的输入；U为激励函数；θ_K为第K个神经元的阈值。

4粮食产量及耕地变化分析

4.1变化分析

4.1.1 2000—2013年年末总人口、耕地面积和人均耕地面积变化分析

由图1可以看出，自2000年以来，美国人口总量呈持续增加态势，年均变化量为263.58万人；耕地面积变化趋势不明显，2000—2013年耕地总面积整体净减少800hm²；与此同时，人均耕地面积呈先减少后增加的变化状态，由2000年的人均0.62hm²下降至人均0.49hm²，然后上升至2013年的人均0.53hm²。人口的快速增加导致了美国人均耕地面积的逐渐减少，但进入21世纪，由于美国耕地面积的增加，人均耕地面积也因此有所上升。在发达国家生育率下降的大环境下，美国由于其经济的霸主地位，移民数量不断增加，故人口仍处于持续增长态势。2002年美国通过“农场安全与农村投资法案”，该法案将美国基本农业补贴体系再延长10年，补贴总额高达1900亿美元，在该政策的刺激下，农民农场收入提高，同时该时期美国商品化农产品价格上升，导致耕地面积有所上升且并未下降的原因是:根据《美国农地保护政策法》规定，农业区内的农地必须保持农业用途，不可用于其他商业用途等。

4.1.2 2000—2013年粮食产量、粮食单产和人均粮食产量变化分析

由图2A可以看出，2000—2013年美国玉米、大豆呈波动上涨趋势，玉米年均增长量为746.15万t，大豆122.23万t，而小麦、水稻呈波动下降趋势。自2000年以来，美国玉米种植面积不断增加，玉米种植面积最高值为2007年，约为3800万hm²，大豆种植面积最大值约3500万hm²，种植面积的增加在一定程度上带动了美国玉米和大豆产量；而小麦、水稻种植面积不断减少，因此导致其产量在总体上呈下降态势。而由于人口不断持续增长，但玉米产量增长幅度较大，故导致美国玉米人均粮食产量变化呈剧烈增长模式，增长幅度为23.50%，而大豆人均粮食产量上涨幅度较小，趋于平稳；由于小麦和水稻的粮食产量呈波动下降态势，导致小麦人均粮食产量波动由剧烈趋于平稳，减少幅度为15.52%，水稻人均粮食产量呈现浮动式下降趋势；玉米粮食单产变化较平稳，由2000年的8590kg/hm²略微增长至2013年的9180kg/hm²，大豆粮食单量变化幅度较小为13.33%，小麦粮食单产在中期浮动较大，整体变化趋于平滑，增长量为450kg/hm²，水稻粮食单产变化趋势较为平稳，年均增长量为128.46kg/hm²。从整体来看，美国人均粮食产量波动幅度较为剧烈，耕地产量、耕地单产及人均粮食产量之间处于较为不均的非平衡状态。

4.1.3 2000—2013年耕地压力指数和最小人均耕地面积变化分析

2000—2013年美国主要农产品耕地压力指数及最小人均耕地面积变化过程如图3所示，美国2000—2013年玉米最小人均耕地面积呈现波动式下降的过程，由2000年的人均0.2778hm²减少至2013年的人均0.1914hm²，耕地压力指数K早期表现出下降趋势，近年来变化趋势趋于平稳，耕地压力指数K均小于1，说明人均耕地实际值大于最小人均耕地面积值，耕地无明显压力，玉米供大于求；美国小麦最小人均耕地面积表现出浮动变化的态势（图3B），净增长量为人均0.0083hm²，而耕地压力指数K变化过程也较为波动，近年来呈现持续缓慢增长态势，2000—2013年耕地压力指数K多数时间均大于1，说明耕地压力明显，小麦供给小于需求；从图3C中可以看出，2000—2013年美国大豆人均耕地面积不断减少，减少幅度为29.26%，与此同时，耕地压力指数K变化趋势较为平稳，近年来有减少的趋势，耕地压力指数K均大于1.2，说明美国大豆供给远小于需求，耕地压力十分明显；2000—2013年美国水稻人均耕地面积整体表现出不断波动的趋势（图3D），年均减少量为人均0.0651hm²，水稻耕地压力指数K变化趋势较为平滑，耕地压力指数K均大于1，说明美国水稻方面也为供给量小于需求量，耕地安全受到威胁。由于耕地压力指数和美国粮食产量及人口数量密切相关，2000年以来人口不断增长，玉米和大豆产量呈波动式增长，而小麦和水稻产量呈波动式下降，故导致玉米和大豆的耕地压力呈波动下降态势，小麦和水稻的耕地压力呈波动上涨态势。

4.2动态预测

4.2.1模型检验效果

为提高BP神经网络的速度，本文先对美国已有数据进行归一化处理，经过一定训练，使误差达到最小。为检验该模型的科学性，选取2000—2013年数据对美国2014—2015年数据进行检验，从表1可知，预测误差率均小于6%，根据BP神经网络特性可知，误差相对较小，因此本文可选取该模型进行测算。

4.2.2粮食产量及耕地预测值

经由BP神经网络运算所得美国2016—2020年人口、耕地面积和粮食产量的预测值，由表2可知，年末总人口呈波动上升趋势，耕地面积呈波动下降趋势，但玉米、小麦、大豆、水稻等粮食产量持续上涨。年末总人口在未来5年最大值出现在2019年，此时人口总数大约为34511万人，虽然美国没有直接干预人口规模和人口增长的国策，实行“自由生育”政策，但由于美国经济的快速发展，移民人口和移民生育人口的不断增加，在一定程度上，还推行了许多人才引进的政策，如美国的“人才进口”政策大大增加了美国人口规模和人口质量；而未来几年是美国高速城镇化发展阶段，城镇化水平上涨，人口的增加及城镇的发展使得农地非农化现象明显，在一定程度上促使耕地面积呈下降趋势；玉米、大豆等农产品产量持续上升则与美国农业科技的发展、农业结构及农业政策密切相关，如美国农业推出“种植业和畜牧业规模化”发展的政策，试图通过调整农业结构提高农产品产量，加之美国专业机械化水平的不断发展，以及近些年高度商业化的家庭农场的形成在一定程度上都导致美国2016—2020年粮食产量不断提高。

5结论与讨论

5.1结论

（1）由于农业技术水平的提高、农业政策的扶持，美国粮食总产量不断增长。农产品单产呈缓慢增长态势，除水稻外，人均粮食产量呈波动上升态势，但由于人口激增农地非农化现象严重，美国耕地面积呈小幅度下降态势。

（2）以2000—2013年数据为基础，对美国2014—2015年耕地及粮食产量数据进行精度验算，结果表明基于BP神经网络测算的平均误差率为4.1%，平均误差率较低，因此可运用该模型预测未来5年美国耕地及粮食产量的变化，从而使其研究更加科学化。

（3）基于BP神经网络的预测结果显示，未来5年（2016—2020年）美国年末总人口呈波动上升趋势，耕地面积呈波动下降趋势，玉米、小麦、大豆、水稻产量呈逐年上升趋势。由于“自由政策”“人才进口”的实施使得美国人口在未来5年不断增加，间接带动了农地非农化现象的形成，但美国高科技农业现代化的不断发展，以及近些年高度商业化家庭农场的形成在很大程度上推动了美国2016—2020年粮食产量的不断提高。

5.2讨论

基于BP神经网络测算的美国耕地面积及粮食产量研究相比其他预测方法（如G，M）具有误差小、准确度高的特征，能够更好地测算美国耕地及农产品产量，是一次有意义的尝试，但基于BP神经网络的测算方法计算过程繁琐、所需数据较多，而且还存在一定误差率，因此，基于科学性及有效性，在未来的研究中，如何简化过程、提高测算精度并更加方便的收集数据是未来研究方向。

参考文献:

[1]王介勇，刘彦随.1990年至2005年中国粮食产量中心演进格局及其驱动机制[J].资源科学，2009，31（7）:1188-1194.

[2]甘肃省粮食产量变化的驱动分析及趋势预测[J].经济地理，2013，33（4）:125-129.

[3]吴海鹏.试析美国粮食战略对中国居民膳食结构的改变[J].世界农业，2014（6）:51-59.

[4]刘洛，徐新良，刘纪远，等.1990—2010年中国耕地变化对粮食生产潜力的影响[J].地理学报，2014（12）:1767-1778.

[5]DAVID B Lobell，GREGORY P Asner.Climate and management contributions to recent trends in U.S. Agricultural Yields[J]. Science，2003，vol.299.

[6]D MOLDEN Toweis，P Bindraban. Improving agricuktural water productivity: Between optimise and caution[J]. Agricultural water management，2010，vol，97.

[7]杨艳昭，吴艳娟，封志明.非洲粮食产量波动时空格局的定量化研究[J].资源科学，2014，36（2）:0361-0369.

[8]肖建英，谭术魁.中国粮食产量省级尺度下的空间分异规律[J].中国土地科学，2013，27（8）:26-32.

[9]马尔科夫方法修正的灰色模型在吉林省粮食产量预测中的应用[J].地理科学，2010，30（3）:452-457.

[10]陶泽良，陈卫洪.粮食生产安全视域下的耕地资源保护与利用发展对策[J].世界农业，2015（1）:119-122.

[11]赵明正，朱思柱.世界玉米潜在出口国玉米生产潜力研究[J].世界农业，2015（9）:121-130.

[12]杜自强，荣荣，程文仕，等.甘肃省粮食和耕地变化及其趋势分析[J].干旱区资源与环境，2011，25（10）:62-67.

[13]贾洪雷，马成林，李慧珍，等.基于美国保护性耕作分析的东北黑土区耕地保护[J].农业机械学报，2010，10（10）:28-34.

[14]李蓬勃，闫晓冉，徐东瑞.BP神经网络和多元线性回归在粮食产量空间分布预测中的比较[J].2014，28（9）:74-79.