媒体对猪病事件的报道能否提高猪肉价格波动的预测精度？来自中国的证据

《Journal of the Science of Food and Agriculture》：Does media reports on swine diseases improve the prediction accuracy of pork Price fluctuations? Evidence from China

　　

摘要

背景

准确理解并预测猪肉价格波动对于生猪产业的稳定发展以及制定针对性的调控政策至关重要。在互联网高度发达的今天，媒体对猪病的相关报道已成为影响价格波动的重要因素，但其对提升预测精度的作用尚未得到严格量化。本研究基于2012年至2023年间的中国月度数据，构建了一种混合预测框架，将该框架中的媒体报道指标（曝光度和情感倾向）与Crested Porcupine Optimizer（CPO）特征模式分解法及多种预测模型相结合，用以评估媒体对猪病报道是否能够提升猪肉价格波动的预测精度。

结果

所提出的CPO-卷积神经网络（CNN）-长短期记忆网络（LSTM）-注意力模型在所有比较模型中展现出最佳的预测性能：与CNN-LSTM-注意力模型相比，其平均绝对误差降低了29.2%；与随机森林和支持向量机相比，则降低了48.5%。同时，该模型的R²值从大约0.64上升到了0.920。对价格序列进行二次分解后，预测效果明显优于仅进行一次分解的情况。初次分解得到的残差项保留了与价格波动相关的结构信息；而二次分解则提升了输入特征的信噪比，使得平均绝对误差降低了41.4%，R²值提升了41.7%，均方误差则从0.002降至0.001。加入媒体报道指标后，预测精度进一步提升。曝光度和情感倾向都对预测精度有贡献，其中情感倾向的边际效应显著高于曝光度。完整模型对应的R²值为0.962，平均绝对误差为0.017。若去掉曝光度，R²值会降至0.885，平均绝对误差则会上升至0.020；去掉情感倾向会导致更明显的性能下降：R²值变为0.793，平均绝对误差变为0.030。当两种媒体指标都被移除时，模型的预测性能最差：R²值仅为0.654，平均绝对误差为0.037。

结论

媒体对猪病的相关报道能够显著提升中国猪肉价格波动的预测精度，其中情感倾向的作用要大于曝光度。将二次分解法与媒体报道指标相结合的混合框架在猪肉价格预测方面具有很高的有效性。这些研究结果为将基于媒体的公众意见纳入农业价格预测模型提供了实证依据，也为政策制定和产业稳定提供了实用参考。? 2026 英国化学工业协会。

数据可用性声明

本研究的相关数据可向对应作者申请获取。由于隐私或伦理方面的限制，这些数据并未公开。