文摘

这项研究旨在改善环境下猪养殖业的经济收入调控猪繁殖造成的环境污染。长短期记忆(LSTM)神经网络结合环境监管提出了预测生猪价格,降低环境污染控制的成本,提高生产效率的猪育种。为主,产业结构进行分析和污染的猪在中国,和研究是进行大型和密集的猪育种的必然性。然后,猪育种和环境污染下协调环境监管。从绿色全要素生产率的角度,计算的利润是由猪繁殖和环境污染控制的成本。接下来,LSTM神经网络用于预测生猪价格,从而有效地控制猪育种的规模和及时决策,遵守市场规则。结果表明,随着饲料和土地价格的增加,大规模的猪育种的优点逐渐突出,导致中小规模的农民退出市场。与其他类似的模型相比,模型能更好地模拟未来设计趋势的生猪价格的预测精度超过80%。当结合环境法规,为不同的数据集模型的预测精度达到83%,因此,设计模型能更好地预测生猪价格的变化趋势,从而提高大型养猪农民的生产效率。

1。介绍

猪养殖业是中国农村经济制度的重要组成部分。人们对猪肉的需求的快速增长近年来,猪养殖业发展迅速(1]。中国是世界上最大的国家猪肉消费。从2010年到2018年,中国每年消耗5000万吨以上的猪肉。因此,猪肉是主要的肉类来源为中国和中国在饮食结构中起着重要的作用,这表明是一个巨大的市场对猪肉的需求在国内市场。然而,自2019年以来,结合环境保护政策的影响下,大规模育种趋势,和“猪瘟,”中国猪的屠宰率有所下降,导致猪肉产量严重下降。然而,密集和大规模猪育种模式也带来了挑战,自然环境的承载能力,而成为一个重要的农业污染源。因此,在农业经济发展过程中,政府开始重视猪养殖业的可持续发展,制定相关的环保法规政策体系集中控制环境污染造成的大规模猪育种在农村地区。在环境管制下,猪养殖业需要优化区域布局,改变生产方式,促进绿色可持续发展(2]。

然而,日益完善的繁殖环境监管政策体系不能有效抑制猪产业的环境污染。日益严重的资源与环境问题,传统的广泛,进行,高收益的经济发展模式并不能满足社会发展的标准。绿色全要素生产率是一个重要的指标来衡量生产效率。方面的增长,指标包括绿色技术进步和绿色技术效率(3]。绿色全要素生产率提出了基于传统的全要素生产率,指总产出的比例占总生产要素输入系统中。绿色科技进步和绿色技术效率的提高将导致绿色全要素参与率的持续改进。对环境的危害在发展过程中应避免以确保猪养殖业的可持续发展。通过分析绿色全要素生产率增长的影响因素下的猪育种环境监管和分析主要影响因素,构建完善的环境保护政策体系猪养殖业的完成;它提高了绿色全要素生产率和促进猪养殖业的可持续发展4]。

鉴于猪养殖业的发展环境管制下,全球专家和学者做了大量研究。比德尔(2021)研究了常规统计分析样本来预测各种农产品的供给,它与实际情况相比,这证明了常规预测的有效性在解决实际问题5]。谢et al。(2021)研究了人工智能技术在医学领域的应用,与疾病的预测和药物反应通过深度学习技术,建立了一个基于深度学习框架,并分析了预测方法对应不同的疾病(6]。目前的相关研究表明,猪养殖业的发展在农业环境监管已成为一个重要的经济变量和学术研究热点在新的发展观。有许多研究致力于绿色全要素生产率的养猪业繁殖,加上中国宏观经济发展和环境监管的研究测量(7]。然而,缺乏的环境管制和绿色全要素生产率之间的关系的猪育种。因此,猪产业的生产效率进行分析在环境管制相结合等因素猪养殖规模,猪的价格,和环境控制成本。猪价格的变化趋势是通过神经网络预测模型。研究发布了猪的绿色全要素生产率之间的关系和环境监管通过使用面板数据结合环境控制成本,旨在寻找最优农业环境监管的拐点强度在不同猪育种鳞片。从这些结果,可以获得最合适的猪饲养规模实现猪养殖业的绿色和可持续发展,进一步提高农民收入。

2。猪养殖业的环境监管和生产效率

2.1。产业结构下的猪饲养规模和环境污染环境监管

的加速消耗资源和社会环境恶化,资源和环境问题已成为影响居民的生活和社会发展的一个重要因素。因此,越来越多的学者们引入了自然资源和环境因素在经济增长的过程,提出了绿色经济增长理论(8]。结合可持续发展理论,提出绿色经济增长理论。理论认为,绿色经济增长是一个经济发展模式,确保自然资源可以继续提供各种资源和环境服务为人民的幸福,减少环境风险和生态资源的稀缺性,然后积极促进经济增长和发展(9]。很长一段时间,中国的猪育种行业一直由分散饲养,与低程度的规模养殖。然而,近年来,受到机会成本的增加和环境保护监督,散户投资者开始撤出猪养殖业,和国内的规模猪育种是进一步提高10]。此外,为了规范中国的猪肉生产,许多政策文件已经发布了促进养猪业的发展;促进猪养殖业从土地、补贴,和环境保护;猪肉生产的稳定供应,进一步推动转型,升级,养猪业的发展;和促进猪养殖业的优化发展战略发展地位(11]。图1表明猪养殖产业链的结构。

绿色经济增长理论的本质是实现协调发展的资源、环境和经济最少的资源消耗和环境成本。因此,绿色经济增长猪养殖业的应用强调调整猪育种的速度经济增长和确保经济增长的质量,实现经济之间的协调发展,资源和环境的猪养殖业和全面的社会福利最大化。市场失灵模型认为,一些障碍在现实市场很难分配资源只有通过价格机制来实现帕累托最优,和有一定的效率损失12]。因此,市场资源配置的方法是完全由市场竞争结构的生成,和也的影响下外部障碍如垄断、信息不对称、公共产品,价格机制将是有限的。仅仅通过市场资源配置,资源配置效率不能达到帕累托最优,即表现为市场机制的失败。

环境污染是最重要的经济外部性的化身。当业务实体产生环境污染排放的过程中生产和经营活动,但它不及时赔偿环境污染,它会产生外部经济环境。从个人利益的角度,实现利润最大化,有必要对业务实体,以减少生产成本,同时保证他们的收入。因此,将会有业务实体,将环境污染的成本转移到社会,所以社会共同承担的成本带来的环境污染控制的实体。环境监管环境监管主体的监管对象的绑定。环境监管是公认的直接干预政府组织和个人环境,经营业务,通过禁忌和环境标准的制定。的主要特点是,政府通过强制手段实现环境规范实现的保护环境。在研究过程中,通过比较成本效益、环境污染和绿色全要素生产率的猪育种产业在不同的时间、地区,和生产规模,可以有更多的了解猪育种的实际情况提供实际依据后续优化的生产模式,减少环境污染,促进猪养殖业的变换。环境管制的影响猪养殖业的绿色全要素生产率分析(13]。

经过长时间的发展,中国的猪养殖业已经成为了一个密集的生产资料输入产业,依靠资本和劳动力等因素。尽管猪养殖业的整体经济总量在增加,行业的利润通常是低和受制于资源,环境,和环境法规,所以猪养殖业的需求动态和绿色转型从原始粗放经济增长模式集约经济增长模型。一个新的绿色经济增长行业应该遵循绿色全要素生产率(14]。作为一个协调机制相结合的环境、资源和经济的发展,环境监管起着重要的指导作用,绿色经济的方向发展。环境监管可以抑制猪养殖业的污染在一定程度上,但它也会影响猪养殖业的经济增长效率(15]。

2.2。猪育种的计算利润和环境污染控制成本

然而,从总体发展模式的角度来看,环境管制可以实现绿色猪育种产业的经济增长,促进猪养殖行业的减排,改善猪养殖业的效率。通过类比工业环保法规对工业污染排放的影响,工业环境监管不仅可以减少工业污染排放,但也促进经济增长的效率(16]。与工业生产造成的污染相比,由于小规模和周期操作,产生的环境污染猪养殖业呈现分散的问题,隐蔽,很难监控,增加了控制的难度猪养殖业的环境污染17]。在宏观经济系统中,经济产出总输出预期的输出包括价值和意想不到的输出,如环境污染成本。建设生产力的理论模型时,需要考虑资本等传统生产资料、劳动力,土地,除了资源和环境因素,特别是环境污染因素(18]。通过引用绿色全要素生产率的定义,猪育种的绿色全要素生产率是定义,代表预期的输出,如在猪育种的过程中,经济产出价值和非期望产出的比例,如输入生产中的环境污染因素,如资本、劳动和土地。进一步,可以获得预期的产出的比率增加,如经济产值和意想不到的输出,如环境污染的减少,在一个特定的方向在给定的输入(19]。

与传统的全要素生产率计算相比,资源和环境因素主要是由绿色全要素生产率基于输入和输出,因此有必要引入环境污染评价指标如化学需氧量(COD)、总氮(TN)和总磷(TP)。非参数估计方法,如数据包含分析(DEA),通常用于计算绿色全要素生产率。单一方法的优势在于它方便的计算和unnecessity被认为是污染环境的值。此外,它不依赖于生产函数的具体形式,不需要事先假定生产函数的具体形式,因此它可以应用于测量直接使用线性规划方法(20.]。与之前的研究相结合,Fixed-Window-Malmquist-Luenberger (FWML)指数用于衡量绿色全要素生产率(GTFPCH)猪养殖业。绿色全要素生产率是分为两个部分:绿色技术效率(GEFFCH)和绿色科技进步(GTECHCH)。方程(1)和(2)提供的具体计算。

在(1)和(2),代表生产参考集基于方向性距离函数t +1期在一个固定的窗口,指的是生产参考集基于方向性距离函数t期在一个固定的窗口,x意味着输入元素,y代表预期的输出元素,b将是意想不到的输出元素。座non-angle函数选为方向性距离函数(21]。

面板数据,环境监管的影响总绿色生产力要素,绿色技术效率和绿色科技猪育种研究的进展。双向的面板固定效应模型和工具变量法是用来理解绿色全要素生产率的影响和机制在环境管制。莫兰指数和空间效应带来的使用空间杜宾犬模型(22,23]。结合环境监管的影响因素在猪育种,(4)显示了建立实证模型((4),我代表省t指的是时间,GTFPCH的缩写是猪育种的绿色全要素生产率,GEFFCH代表了绿色猪育种的技术效率,GTECHCH意味着绿色猪育种产业的技术进步,蓖麻代表了环境管制强度,NATRES是资源禀赋状况,ECODEV是经济发展水平,INDFOU是指工业基本状态,MARECO代表了市场经济条件下,TRAINF代表交通基础设施,μ_区域代表区域效应,μ_一年表示时间的效果ε代表随机干扰项(24):

帮助更好地理解绿色全要素生产率的影响机制的猪育种在环境管制下,绿色全要素生产率分解为绿色技术效率和技术进步所示以下方程:

2.3。猪价格和养殖规模之间的关系

猪肉价格的波动是由于许多原因,对猪的生产和消费产生影响。在中国,猪肉价格主要是由双轨系统相结合的指导价格与market-regulated价格。稳定的社会和经济水平的提高,人们的收入水平不断提高。人们的消费水平和生活质量不断提高,导致对猪肉的需求进一步增加,这使得猪肉价格不断增加。然而,随着供给的增加牛肉,羊肉,鱼,家禽和猪肉的需求与日俱增,猪肉的价格超过人们的人均消费水平;猪肉供应过度(25]。图2显示了猪肉价格的周期波动规律。

大多数中小散户投资者在猪育种行业容易赔钱市场当猪价格高和列低,导致猪的生产能力与猪肉价格的变化趋势一致。猪肉猪的长期平均价格取决于生猪的价格受到市场供求关系的影响在短期内。育种者预计猪肉的价格上升时,他们会增加母猪的数量和股票,导致市场供应过剩;当他们预计猪肉价格下降,他们将减少母猪的数量和股票,导致市场猪肉供应的需求。猪肉的价格也将交替波动引起的两个方法,导致猪肉价格的不断波动。此外,中国进一步禁止零售猪育种,确保猪肉价格的稳定。然而,密集和大规模猪繁殖也会导致逐渐形成垄断趋势屠宰企业和购买价格的干预猪和猪肉的批发价格。表1显示了猪育种规模的分类标准。

最直观的经济效益带来的猪育种反映在猪肉价格。猪的价格的波动是其他商品一样普通。周期性的价格波动主要受市场供求关系的影响,也和这两个因素影响对方。自2006年以来,中国的猪肉价格的波动周期一般是3∼4年,和猪肉价格显示了一个趋势在低中间的曲线和高曲线的两端的一年。具体地说,猪肉价格高在每年1月到2月。它从3月减少,从5月到7月达到最低点。然后,它开始缓慢复苏,达到新一轮的峰值在春节前。然而,随着社会经济的发展,发生了一些改变猪的价格法律市场。从猪肉价格的波动,整体供应市场的趋势,农民不愿卖,猪育种的规模,和猪交通影响和限制进口和终端需求的猪26]。图3说明了猪肉价格的影响因素。

2.4。预测模型基于LSTM猪价格和收益

人工神经网络模拟人脑处理信息的能力,从信息处理的角度。因此,建立的是一个不同的连接方式组成的网络模型。神经网络包含许多神经元节点,相互连接,形成了一个操作模式,每个神经元节点代表一个特定的输出函数。两个节点之间的连接是连接的重量信号(27]。神经网络的内部连接模式决定了网络的输出结果,可分为向前网络和反馈网络根据网络拓扑结构的特点。图4(一)提出了神经网络的结构,人物4 (b)揭示了反馈神经网络的结构。人工神经网络具有较强的自学能力,联想存储能力,找到最优解的能力。

递归神经网络(RNN)包括输入单元、输出单元和隐单元。后放入神经网络和数据处理,数据的隐藏层和输出层。RNN的隐藏层起着重要的作用。图5(一个)表明RNN的结构,图5 (b)说明了网络扩张。一遍又一遍地将使用每个神经元结构(28]。参数x_t代表输入时间t,o_t指的是输出时间t,年代_t意味着内存时t。参数年代_t可以根据计算的输出输入层和隐层的状态见以下方程:

参数f代表了一种非线性激活函数。在计算隐层状态的词年代₀,s -1实际上并不存在,也需要使用。结果是无法预测直接与单一矩阵,因此有必要引入权重矩阵V。当预测开始,o_t代表输出时间t和方程

图5显示每个内存单元的网络共享一组参数(u, , ),这大大减少了神经网络的计算量。然而,神经元是相互独立的;不能获得理想的结果当处理时间问题。此外,在网络训练的过程中,也存在梯度消失或爆炸的问题,不能解决这个问题的长期依赖。然而,长期短期记忆(LSTM)网络解决了这些问题。与循环神经网络相比,它有长期记忆的功能(29日]。因此,适用于处理和预测事件相对较长的时间间隔和延迟时间序列。图6显示了变形LSTM网络结构。基于普通循环神经网络的结构,它增加了内存单元的每个神经单元隐藏层,使记忆时间序列控制的信息。每次每个隐层单元之间的数据传输,它通过几个可控盖茨(忘记门,输入门,候选人门,输出门),可控制以前的记忆程度信息和当前信息。

的内存块LSTM网络结构包括三个部分:忘记门,输入和输出登机口,和一个内存单元。LSTM神经网络的第一步是决定,通过忘记门和乙状结肠功能,控制哪些信息可以通过内存单元(30.]。根据输出h_t−1前一刻和当前输入x_t的价值f_t从0到1决定是否让生成的信息C_t−1学习前一刻或部分传球:

第二步是生成更新的信息,包括两个值由输入层和双曲正切生成,将被用作候选值的隐藏层和添加到内存单元。方程是

后生成的信息以前的记忆单位乘以f_t,我_t添加到用候选值生成一个新的候选人。两者的结合可以使遗忘的不必要的信息。方程(12)说明了添加新信息的过程:

最后一步是确定模型的输出。最初的输出是通过乙状层,然后Ct的价值比例(−1,1)通过使用双曲正切,然后乘以输出得到的乙状结肠。因此,获得模型的最终输出所示以下方程:

2.5。实验方法和数据集

面板数据的数据选择猪养殖业在城市6省:黑龙江、河北、陕西、湖南、浙江、广东,从2005年到2019年。猪的变化的考虑下价格差异造成的省份在不同地区,不同省份的模型训练预测“Shunfeng猪肉的价格。“在研究过程中,由于缺少研究数据在一些省份,差分法用于补充缺失数据的基础上建立了研究,提高研究效率和可比性的数据。使用网络爬虫获取中国生猪市场的交易价格,员工的报价,和猪的价格交易网站和拯救他们作为一个Excel文件。为了确保获得数据的准确性,猪肉价格的国家统计局发布的统计年鉴作为猪的标准价格。在这项研究中,选择猪从2005年到2015年的数据作为训练集和数据从2016年到2019年被选中作为测试集,输入和参数模型的选择对结果有很大的影响的模型。因此,猪的价格从上面的来源收集到的数据作为模型的输入,得到真正的收集到的数据和猪肉价格之间的关系。图7说明了计算过程。

评估模型的过程中,采用以下评估标准,包括四个评价指标:平均绝对误差(MAE)、平均绝对百分比误差(日军),均方误差(MSE),均方根误差(RMSE)和趋势的准确性(沥青)。(1)梅: (2)日军: (3)均方误差: (4)RMSE:

在(15)- (18),y_t代表真正的价值,代表的预测价值N指的是值的总数。

3所示。模型试验和预测猪育种的结果

3.1。猪的饲养成本的变化

猪养殖的成本是不同尺度和不同结构的分析从两个方面结合相关的猪育种数据,给更好的理解猪育种的成本和收益的变化,人物8(一个)显示了变化趋势的不同尺度的猪育种的成本。图8 (b)显示了结构的变化趋势猪养殖业的成本。

图8(一个)与猪育种规模的增加,表明猪育种的成本逐渐降低。从2005年到2011年,小型猪育种的成本小于总规模养殖的总成本;从2009年到2019年,小型猪育种的总体成本大于中等规模的猪的繁殖;从2005年到2007年,小型猪育种的成本小于大型猪育种;从2009年到2019年,小规模繁殖的总成本是高于大规模繁殖。因此,在小型猪的饲养成本有优势育种从2005年到2010年,但由于饲料和土地价格的增加,小型猪育种的成本优势就消失了。因此,在这个过程中,大型和密集的猪育种的优势逐渐体现。图8 (b)说明猪养殖业的各种成本和费用增加,也会导致饲养成本的增加由小型猪育种者,他们的收入的减少,和小规模的加速育种者退出市场。小猪的成本显示不稳定的变化,这可能是由于仔猪的数量变动引起的猪育种的影响价格,进而影响小猪在明年的成本。图8(一个)表明,猪的价格波动也在2008年,这可能是由于2008年小猪的价格的影响,和猪的价格的变化在未来几年内类似于仔猪价格的波动形式。由于其他因素的影响,繁殖总成本显示了上升趋势。

3.2。模型预测结果

生猪价格期间总共31天2018年8月在陕西省随机选择测试模型的预测精度设计。橙色的线在图9显示的实际价格曲线的生猪市场价格。比较了BP神经网络的结果之间(摘要),支持向量回归(SVR)算法,和卷积神经网络(CNN),图9显示结果。

图9表明,猪的实际价格经历了8月上升,下降,再次上升。然而,一般来说,猪肉价格显示了上升趋势。与几个预测算法的实验结果相比,BP神经网络的整体趋势是相对稳定的。SVR算法和CNN的结果显示,猪肉价格的上升趋势,而LSTM算法的结果相对稳定。其原因可能是LSTM算法可以保留历史数据的关联信息猪的价格,而其他算法只能保留短期迭代过程中的信息,从而影响模型的预测结果。基于LSTM神经网络模型可以预测猪肉价格。

来验证设计算法的有效性,LSTM算法,CNN算法和BP算法进行测试与三个不同的猪价格数据集:国家价格,市场价格,和网站的价格。图10显示了结果。

图10表明设计LSTM算法的预测精度在不同的数据集是超过80.1%,高于BP算法和CNN算法。因此,在处理基于LSTM模型之后,该算法可以有效地预测未来的生猪价格的变化。

3.3。环境管制下的模型预测性能

节2.3,研究了全要素生产率的猪育种环境监管。结合现有的研究成果,分析了环境管制下的模型的预测效果。此外,实验结果之间的比较是摘要,SVR, CNN算法。图11实验结果显示。

图11表明LSTM模型的预测性能是最好的五项指标在四个,平均绝对误差大约是0.1。比较预测价格和实际价格之间的差异,我们发现摘要模型最大的绝对误差。与LSTM神经网络相比,其他模型在预测结果有较大的偏差。此外,LSTM模型的预测精度为0.83生猪的价格趋势,最终稳定趋势预测结果。

4所示。结论

这项研究集中在环境管制下猪养殖业的生产效率。LSTM神经网络预测是猪是什么价格。研究过程中,首先,分析了猪养殖业的发展和它所造成的环境污染,然后,介绍了绿色全要素生产率分析猪育种的利润和环境污染在环境监管的成本。实验结果表明,与饲养成本的增加,小型猪育种逐渐消除,和密集的大型猪育种是今后的发展趋势,使环境污染的控制引起的猪繁殖困难。设计模型可以准确预测猪的价格;即设计模型可以解决问题的环境管制下的猪育种生产效率。

然而,仍然有一些不足之处。有很多方面的影响猪繁殖的环境监管。只被认为是环境污染控制的影响因素,而猪的变化价格也受到许多影响因素的影响。这项研究只是进行一些重要的影响因素。因此,后续研究将综合考虑各种影响因素,更好地解决这些缺陷和使用更好的算法预测猪肉价格和利润等因素。

数据可用性

标签数据集用于支持本研究的发现可以从相应的作者。

的利益冲突

作者宣称没有利益冲突。

确认

这部分工作是支持关键咨询和研究项目2020年中国工程院院士(2020号- xz - 19),河南工程学院的咨询和研究项目(2021号henzda04) 2021年,河南省教育科学的一般项目(2021号yb0050)。河南科技智库项目(没有。hnkjzk - 2022 - 21 - b),和2021年的战略研究项目教育部教育和科学委员会(29号)。