中国猪肉价格波动：疫情关联、储备与释放操作及预测郝金 1, 萨吉德·安瓦尔 1,*, 哈马德·西迪基 1和黄京东 21商学与创意产业学院，阳光海岸大学，昆士兰州阳光海岸，4556，澳大利亚2西藏大学经济与金融学院，拉萨 850001，中国*请将回复寄给作者。可持续性2026, 18(20), 10364;https://doi.org/10.3390/su182010364更多格式版本说明订购重印文章指标文章浏览量173学术编辑Suren KulshreshthaSuren Kulshreshtha发表历史收到：3九月2026修订：30九月2026接受：9十月2026发表：12十月2026文章图表（10）相关文章供给与需求变化、猪瘟冲击及猪肉价格波动：基于SVAR模型的实证研究庞杰等可持续性，2023年8月31日评估外部冲击对活猪产业链价格的影响：来自中国的证据周大鹏等人]。可持续性，2025年2月24日一个整合了滞后仔猪特征的猪肉供应预测框架：来自中国养猪业的可持续见解徐明宇等可持续性，2024年9月27日摘要猪肉仍然是许多食品体系的核心，其价格波动对农业供应链的经济可持续性是一个关键关注点。本研究将疫情关联、储备操作案例研究和预测联系起来，通过36个主要城市的平均零售价格来考察中国猪肉价格的波动。线性回归和非线性回归用于分析疫情状况，而储备案例则比较价格变化和猪粮比。按时间顺序的样本外预测在每周一、三和六的预测时点上比较了七个模型，以普通最小二乘法为主要基准。直接价格和累积变化方法在原始价格尺度上进行了评估。尽管线性解释力有限，但疫情指数在五节点设定中与年度控制变量呈现出非线性关联。储备期表现出不同的调整路径，而较高的猪粮比并不始终伴随着较低的价格波动。在大多数比较中，单变量自回归积分移动平均（ARIMA）实现了最低的均方根误差，而市场指标改善了选定预测。在累积变化方法下，使用价格历史和屠宰利润进行支持向量回归的模型在评估的主要样本配置中实现了最低的三周误差。这些发现为市场监控和预测指标及模型的选择提供了信息。关键词： 猪肉价格波动; 猪瘟指数; 储备和投放操作; 猪粮比; 机器学习预测1. 引言猪肉产业在国家经济中扮演着至关重要的角色，对就业和农业供应链做出贡献[1]。除了其经济影响外，猪肉价格的稳定性与食品市场的社会经济可持续性密切相关[2]，尤其是在猪肉为主要食品的国家。剧烈的价格波动会影响家庭食品支出和生产者的经济可行性[3,4]。价格上涨可能促使消费者转向其他肉类，而价格大幅下跌会侵蚀生产者的收入，并可能给小规模农民带来财务压力[5].在中国，这些动态表现为众所周知的“猪肉周期”——由生产滞后和市场预期驱动的供需和价格周期性波动[6]。供需过剩和短缺的周期性交替加剧了价格波动，并挑战了该部门的长期经济稳定性。因此，理解和监测这些波动对于市场弹性很重要。中国采用政策工具[7,8]，包括储备购买和释放，以吸收市场冲击并稳定价格[5].理论研究和实证研究长期以来一直在探讨猪肉价格周期的决定因素[9]。Coase和Fowler[10]的早期工作分析了英国的猪周期，而Ezekiel[11]考察了由于供应反应滞后引起的价格波动。Harlow[12]扩展了这一框架，在美国历史背景下确定了大约四年的猪肉价格周期，并将其与内生行业动态联系起来。后续研究探讨了信息滞后和农民行为如何放大或抑制周期；Hayes和Schmitz[13] 突出了有信息的农民进行的逆周期调整。在美国，Parcell [ 14] 记录了批发猪肉价格和需求的季节性。近年来，学术研究转向了预测方法，以支持生产者、交易商和政策制定者的可持续决策[15,16]。杨和张[17]为考察四川省猪肉价格动态，开发了一个数据驱动的因果网络框架。林等人[18]提出了VMD-EMSA-HCTM-Informer，一个用于预测猪肉价格的混合单变量框架。马等人[19]结合了11种计量经济学和机器学习方法，使用六种组合策略来预测生猪价格并设计生产计划。综合方法，如郭等人[20], 将AttLSTM、ARIMA和BP神经网络结合用于玉米价格预测，展示了混合模型在农业市场中的应用。郭等人进一步优化，[21] 在猪价预测中引入了STL-FA-AttGRU模型，并在模型比较中报告了更低的误差。一篇全面综述[22] 强调了包括神经网络、时间序列模型和混合模型在内的技术广度及其评估的挑战。这篇文献激励我们在一个共同的评估设计中比较预测信息和预测方法[23].在供应方面，饲料成本占养猪业费用的很大一部分，将粮食价格与生产成本联系起来[24]。在需求方面，收入增长和消费者偏好[25,26]影响着对畜禽产品的需求[27]。外部冲击，如疫情和供应链中断，进一步加剧了价格波动，对行业的韧性和经济可持续性构成挑战[3,5,28]。经济政策和行业新闻的不确定性也会影响生猪产业链上的价格[29]. 这些条件使得疾病指标、生产者价格-成本条件和市场信息30,31] 与猪肉价格波动的解释和监控相关。虽然现有研究已经考察了价格周期、疫情影响和预测方法，但实际市场监控需要将观察到的波动解释与未来价格评估联系起来。使用36个大城市的平均零售猪肉价格（ARP-36），本研究考察了三个相关问题：疫情状况与零售价格之间的关联是否充分由线性关系表示；价格变化和生产商价格-成本条件在选定的储存和释放事件周围如何演变；以及饲料价格和屠宰利润是否提供了超出价格历史的信息。预测比较还评估了非线性模型是否优于OLS。这些问题的共同之处在于，将市场状况和观察到的调整分析联系起来，并对价格预测进行评估。本研究做出了三项贡献。首先，它使用自然三次样条和年度控制变量，比较了猪瘟指数与零售猪肉价格之间的线性和非线性关联，以考察超出恒定斜率的变异。其次，它通过一个共同的价格变动衡量标准，结合猪粮比水平和分散度的比较，考察了选定的储存和释放事件。这些比较区分了相对价格水平的变化与它们的分散度的变化。 第三，它通过时间序列的样本外比较评估了饲料价格和屠宰利润中的增量预测信息，将OLS作为主要基准，同时与ARIMA、VAR、简单预测和机器学习以及深度学习模型进行比较。在原始价格尺度上，对一、三和六周的时间范围进行了并行直接价格和累积变化方法的评估。比较将额外指标带来的收益与模型选择相关的收益区分开来。研究发现，在包含年度控制变量的五节点设定中，疫情与价格之间存在非线性关联，并且在所选储备事件周围的调整路径有所不同。价格历史仍然是一个有竞争力的预测基准：与仅使用价格历史或使用价格历史和双重市场指标进行增强的模型相比，单变量ARIMA基准在大多数比较中实现了最低的均方根误差。采用累积变化方法的SVR结合屠宰利润信息在评估的主样本配置中实现了最低的三周误差。这些发现支持根据它们被使用的条件和范围来评估市场指标和预测方法。本文其余部分结构如下。第二部分描述了数据来源和方法。第三部分展示了实证结果，包括疫情关联、储备操作案例研究和比较价格预测。第四部分提供详细的讨论和第五章包含结论和政策启示。2. 数据与方法2.1. 数据本研究的原始数据集来自iFind数据库，并补充了国家发展和改革委员会、国家统计局和永艺咨询等公开可获得的信息。数据集包括每日和每周的价格数据，涵盖14个指标。这些指标包括36个大城市猪肉的平均零售价格、猪肉的进出口数量、活猪指定屠宰量、每周猪饲料价格、每周屠宰利润、猪粮比、储存释放的平均价格和数量，以及疾病指数等。为了使价格观察与每周饲料价格和屠宰利润指标相一致，优先考虑每周数据用于预测建模。样本覆盖率在分析中有所不同，并与相应的结果一同报告。研究涉及的36个城市包括北京、天津、石家庄、太原、呼和浩特、沈阳、大连、长春、哈尔滨、上海、南京、杭州、宁波、合肥、福州、厦门、南昌、济南、青岛、郑州、武汉、长沙、广州、深圳、南宁、海口、重庆、成都、贵阳、昆明、拉萨、西安、兰州、西宁、银川和乌鲁木齐。本研究使用国家发展和改革委员会（NDRC）官方发布的猪肉零售价格序列的汇总数据。此外，还参考了五个补充数据来源：Akshare、Wind、BRIC农村农业数据库、农业农村部和卓创信息（猪肉行业）。这些多个来源为实证分析提供了一个全面的数据集。2.2. 研究方法2.2.1. 数据处理一个包含35个潜在解释因素的初始池被编制出来，包括关键经济和生产指标，如盈亏平衡点、猪粮比、农场规模、CR5集中度比率、人均猪肉消费、小型农场数量、消费者价格指数（CPI）、生产者价格指数（PPI）、断奶和分娩率，以及与饲料、疫苗和劳动相关的成本。因变量定义为36个大城市的平均零售猪肉价格（ARP-36）。自变量来自更广泛的数据集，每个分析中使用的指标如下指定。为了预测，数据对齐到周五。ARP-36取每周最后实际报价，而每个预测器则采用截至该周五的最新记录值。预测器值可以向前传递；缺失的ARP-36报价不填充。常见的长期样本从2017年1月6日到2022年8月19日，包括294个日历周和292个观察到的每周价格。构建历史和预测目标时保留完整的每周日历。平稳性通过Augmented Dickey–Fuller (ADF)和Kwiatkowski–Phillips–Schmidt–Shin (KPSS)测试在水平值和一阶差分上进行评估。两者都包括一个不带确定性时间趋势的常数；ADF滞后由Akaik信息准则选定，KPSS使用自动带宽选择。每日价格诊断和初始每周预测样本诊断分别进行，因为它们涉及不同的频率和估计期。