土耳其可持续粮食系统的食品生产指数预测：基于机器学习的方法

《Foods》：Food Production Index Forecasting for Sustainable Food Systems in Türkiye: A Machine Learning-Based Approach

　　

可持续粮食系统日益受到气候变化、资源约束、市场波动以及不断增长的粮食需求的挑战，这使得粮食生产的准确预测对于粮食安全和长期可持续性至关重要。尽管机器学习在农业预测中的应用日益增多，但直接在可持续粮食系统框架内对食品生产指数（FPI）进行建模的研究仍然有限，尤其是在新兴经济体中。本研究通过使用涵盖1962–2023年期间的农业、宏观经济和贸易相关指标预测土耳其的食品生产指数，填补了这一空白。研究人员采用七种预测方法，包括多元线性回归（MLR）、贝叶斯岭回归、支持向量回归（SVR）、随机森林、梯度提升、人工神经网络（ANNs）和K近邻（KNN），并使用R²、RMSE和MAE指标进行了比较评估。结果表明，贝叶斯岭回归（R²=0.968）和MLR（R²=0.918）显著优于更复杂的机器学习算法，表明在长期粮食生产预测中，模型与数据的兼容性比算法复杂性更为关键。研究结果揭示，经济增长、农业投入和结构转型过程在塑造粮食生产动态中起着决定性作用。通过将机器学习与可持续性导向的粮食系统分析相结合，本研究为支持粮食安全战略、资源节约型农业规划和有韧性的粮食系统治理提供了坚实的证据基础。所提出的框架为从事长期粮食系统规划、战略风险监测和循证政策评估的政策制定者提供了宏观层面的决策支持见解。

**论文解读：土耳其食品生产指数预测与可持续粮食系统——基于机器学习的方法**

**研究背景与问题**
粮食生产位于粮食安全、经济增长与可持续发展目标的交叉点。全球人口增长、气候变化、资源约束和市场波动使得精准预测粮食生产对粮食安全与长期可持续性至关重要。食品生产指数（FPI）由联合国粮农组织和世界银行开发，是衡量国家农业产量相对于基准期表现的关键指标，直接关联可持续发展目标（SDG）2（零饥饿）、12（负责任的消费与生产）和13（气候行动）。然而，现有研究多采用传统计量经济方法（如ARDL、VAR、ARIMA）或仅关注作物单产，直接建模FPI与可持续粮食系统框架的机器学习研究较少，尤其在土耳其等新兴经济体。土耳其经历独特结构转型：农业占GDP比重下降，但绝对增加值与出口持续增长，粮食生产受经济增长、农业投入、贸易及结构转型的复合影响，且存在环境压力（如生态足迹增加）。因此，需要集成多维变量（农业、宏观经济、贸易）的预测框架，以支持循证政策制定。

**研究开展与结论**
研究人员使用覆盖1962–2023年的世界银行开放数据，以FPI为因变量，选取化肥消费量、官方汇率、GDP、农业增加值、食品进出口等指标，通过相关性分析、方差膨胀因子（VIF）筛选最终预测变量。采用七种算法：多元线性回归（MLR）、贝叶斯岭回归、支持向量回归（SVR）、随机森林、梯度提升、人工神经网络（ANN）和K近邻（KNN），在70:30时间序列分割和扩展窗口向前验证策略下，以R²、RMSE、MAE评估性能。结果发现，贝叶斯岭回归（R²=0.968）和MLR（R²=0.918）显著优于复杂非线性模型，表明模型-数据兼容性比算法复杂性更为关键。标准化系数显示化肥消费量和官方汇率与FPI正相关最强。该研究为土耳其粮食安全战略、资源高效农业规划与韧性治理提供了宏观决策支持，论文发表在《Foods》。

**关键技术与方法**
主要技术方法包括：（1）数据来源：世界银行开放数据库，获取土耳其1962–2023年年度数据；（2）特征选择：基于相关性分析、VIF（剔除VIF>5变量）及领域知识，最终保留化肥消费量（当期）和官方汇率（当期）作为预测变量；（3）模型构建：比较MLR、贝叶斯岭回归、SVR（RBF核）、随机森林（300棵树，深度3）、梯度提升（100估计器，学习率0.05）、ANN（单隐层10神经元，ReLU激活，L2正则化）、KNN（k=3）；（4）验证策略：70:30时间序列分割（约43训练/18测试）和扩展窗口向前验证（每步扩大训练集，避免数据泄露）；（5）性能评估：R²、RMSE、MAE，并辅以残差图、散点图和预测误差图。

**研究结果**
**3. 结果**：在70:30分割下，贝叶斯岭回归（R²=0.968，RMSE=5.78，MAE=4.43）和MLR（R²=0.918，RMSE=9.28，MAE=7.19）表现最佳，ANN（R²=0.731）中等，SVR、随机森林、梯度提升、KNN出现负R²，表明过拟合或无法泛化。残差分析显示贝叶斯岭回归和MLR误差随机分布，ANN误差有偏且方差大。扩展窗口向前验证进一步证实贝叶斯岭回归（R²=0.955）和MLR（R²=0.905）稳健，非线性模型表现改善但仍不及线性模型。与传统ARIMA（R²=0.837）和Holt指数平滑（R²=0.845）相比，贝叶斯岭回归具有额外预测优势。标准化系数显示，化肥消费量（β≈+19.4）和官方汇率（β≈+8.2）是FPI最强预测因子。

**讨论与结论**
**讨论**：数据集小样本（约62个观测）、强多重共线性、长期趋势显著，导致高灵活度非线性模型易过拟合，而贝叶斯岭回归通过正则化稳定系数估计，减少过拟合，因此更优。该结果符合“无免费午餐”定理，即模型选择应匹配数据特征。从可持续粮食系统视角，化肥消费和汇率波动是政策干预的关键点，可支持早期预警与决策。**结论**：研究人员翻译原文结论如下：
本研究通过食品生产指数（FPI）从长期视角考察土耳其粮食生产动态，综合评估农业、宏观经济和贸易变量，提供一个综合模型框架。结果表明，可靠的长期粮食生产预测取决于选择与数据集结构特征相匹配的模型。该框架应主要作为宏观层面的分析工具，支持长期战略规划、趋势监测与政策情景评估，而非直接用于地方性操作干预。改进的长期预测有助于维持食品制造业的稳定原料供应、增强粮食供应链韧性并支持主动式食品安全管理。研究发现经济增长、贸易和结构转型如何塑造粮食生产，为可持续农业政策设计与粮食安全强化提供贡献。研究局限性包括：仅62个年度观测限制学习能力；年分辨率可能掩盖短期波动；未纳入气候与环境变量；仅聚焦土耳其，推广需谨慎。未来研究应整合更高频数据、环境指标及可解释AI技术。