基于ARMA预测模型的中药材价格预警研究

[摘要]该研究搭建了中药材价格预警系统框架，采用中药材价格指数为预警指标建立中药材价格黑色预警模型，以价格指数波动率为警情指标，以物价原则确立警限，将警度划分为负向重警、负向轻警、无警、正向轻警、正向重警5个区间，对应5种不同颜色的信号灯以描述中药材价格市场的变动程度。采集2010年11月至2013年10月的月度价格指数作为时间序列，对中药材价格指数进行预测预警实证研究。在构建ARMA预测模型测算指数预测值的基础上，进一步获取中药材价格预警结果并作出分析，最后向中药材种植户、商业公司、消费者与政府提出了建议。

[关键词]中药材；价格预警；价格指数；ARMA模型

近些年中药材市场屡屡出现价格暴涨暴跌的情况，如果中药材的价格波动频繁、剧烈却又无法预知，生产经营者、消费者与监管者就不能及时作出有效的决策，随即影响市场的宏观运作。1888年由法国经济学家福里利（Alffed Fourille）最早提出将预警机制应用于经济生活中，随后预警理论和方法广泛运用于农业、工业和资源等诸多领域，在医药领域的预警仅局限对药物安全方面的预警，药品价格预警的研究仍是空白。

本研究通过构建中药材价格预警系统，选取具体的预警指标进行模型预测，以测度未来价格状况，预报不正常状态的时空范围和危害程度，以便适时适度的采取有效措施进行干预，把中药材价格波动幅度控制在合理的范围之内。

1中药材价格预测预警系统的框架设计

中药材价格预警系统的基本框架设计见图1，信息处理系统包括五大系统。信息采集与处理系统包括信息收集与存储子系统和信息处理子系统。前者根据系统预设的模块，采集和录入中药材价格及其生产、购销、储备等相关信息，作为系统预警所需要的基础数据。后一个系统即对录入信息进行分类、统计和辨伪；价格预警模型系统的功能是价格预警管理的关键；预警信息系统功能是公布预警信息，满足用户对预警信息的需求，以达到降低成本、整合价格信息资源和提高服务效率的目标；预警控制对策系统储存有多种情况下的备选对策和对策方案框架。一旦有严重警情发生，在专家系统分析和判断的基础上，决策者能够迅速调用其中的对策来防范和处理风险；预警系统检验与评价系统是预警系统的另一重安全保障。价格指数预测模型和预警模型的设定需要依据中药材产品的行业动态变化，作出相应修正。

2中药材价格黑色预警模型的构建

中药材价格定量预警模型可分为3种，即指标预警、因素预警和综合预警。指标预警较为典型，它是根据调控指标变动范围的大小来发出不同程度的调控信号。使用过程中要特别注意指标的偶然性问题，易于出现“虚警”[1]。

2.1警情指标的确定

一般来说，警情指标采用增长率指标比较适宜。因为在经济指标中，绝对指标往往呈递增型，而增长率指标则往往呈波动型，波动型的指标有利于方便地确定警限和警度[2]。中药材价格波动率公式为Rt=（lnPIt-lnPIt-1）×100。其中PIt和PIt-1分别表示t月和t-1月中药材价格指数，本研究将Rt作为警情指标。

2.2警限的确立

确定警限常用的方法是采用统计方法确定警限。以CPI为基础划分警限的原则称之为物价原则。物价原则的含义是指中药材价格的波动要与近期的CPI波动相适应，如果过度偏离了CPI，则认为出现了警情[3]。用过去3年即2010年8月―2013年8月CPI月度波动率平均值为基准，取平均值上下1个标准差为无警区间，超出1个标准差但在2个标准差内为轻警区间，超出2个标准差为重警区间。采用双侧警限的原因是价格属于适中指标，无论过高还是过低，都会影响市场的稳定运行[4]。根据国家统计局网站公布的数据，2010年8月―2013年8月的CPI环比价格指数平均值为100.31%，月度波动率为0.31%，标准差为0.53，各个警限对应警度、信号灯和状态见表1。

3成都中药材价格指数ARMA预测模型研究

中国成都中药材指数采用合成指数编制方法，选择一系列反映中药材市场运行状况的指标，进行综合处理用以反映中药材价格。本研究以中药材总价格指数为预警指标，采集2010年11月至2013年10月价格指数作为时间数列，对中药材价格指数进行预测预警研究。

3.1ARMA预测模型理论基础及建模路径

黄健柏等提出可以利用ARIMA模型、时间序列模型等多种预测方法，对有色金属价格波动进行预测[5]，本研究用ARMA模型对价格指数进行预测[6]，模型表达式如下：Xt=φ1Xt-1+φ2Xt-2+…+φpXt-p+at-θ1at-1-θ2at-2-…-θqat-q，φj（j=1，2，…p）是自回归系数，描述对的影响程度Xt-j对Xt的影响程度，θ1，θ2…θq为移动平均系数，at是随机干扰误差项。ARMA建模预测流程见图2。

3.2成都中药材价格指数ARMA预测模型实证研究

二次差分后不存在单位根，数列达到平稳化，二次差分图效果理想。

3.2.2 模型识别与定阶 绘制自相关函数和偏自相关函数可推断，自相关系数与偏自相关系数均拖尾，在k=12，24……数据时，并没有明显的季节性，可以判定为ARIMA（p，2，q）模型。其中自相关系数在阶数k=1之后，偏相关系数在k=3之后，均趋近于零，故p=3，q=1，模型初步判定为ARIMA（3，2，1）。依据综合比较法，选取ARIMA（3，2，1）、ARIMA（2，2，1）和ARIMA（1，2，1）3种形式为待定模型进行参数比较得出，ARIMA（2，2，1）是最佳选择。

3.2.3 模型参数的估计与检验 模型估计结果及相关统计量显示C、AR（2）和MA（1）高度显著，AR（1）不显著，模型最终表示为Xt=121.738 9+0.770 4Xt-2-0.945 2at。