2025年4月7日星期一
首页 | 主办单位 | 期刊简介 | 编委会 | 作者指南 | 刊物订阅 | 下载中心 | 联系我们 | English | 期刊界

网刊加载中。。。

使用Chrome浏览器效果最佳，继续浏览，你可能不会看到最佳的展示效果，

确定继续浏览么?

复制成功，请在其他浏览器进行阅读

乡村振兴战略下区域农业人口预测研究

以黄淮海平原典型农业区为例

- ORCID：
张洁瑕 ^1,2
- ORCID：
陈佑启 ²
✉
- ORCID：
冯建中 ³
- ORCID：
朱禎安 ⁴
- ORCID：
赵军 ⁵

1. 玉林师范学院商学院,广西玉林 537000； 2. 中国农业科学院农业资源与农业区划研究所,北京 100081； 3. 中国农业科学院农业信息研究所,北京 100081； 4. 玉林师范学院教育技术中心,广西玉林 537000； 5. 河南省农业科学院植物保护研究所,郑州 450002

中图分类号： S11+4

最近更新：2022-01-27

DOI：10.7621/cjarrp.1005-9121.20211227

摘要

目的

准确预测区域农业人口规模可为推进新型城镇化和乡村振兴战略提供数据支撑。

方法

文章针对传统的自回归滑动平均模型不能直接应用于时间序列的中期预测的缺点，借助抗噪音迭代模型在中期人口预测方面的优势，将传统的自回归滑动平均模型的求解问题化为模型参数的非线性问题，推导并完整给出了模型的代价函数关于模型参数的梯度，继而给出了模型参数的迭代求解公式，从而构建了改进的自适应自回归滑动平均模型，并以黄淮海平原两个典型生态区——曲周县传统农业区和北京市都市农业区为例进行农业人口中期预测。

结果

结果显示该模型的预测精度较高，结果可信。传统农业区曲周县的农业人口呈小幅波动性增加且增速趋缓并逐渐趋向于一个理性范围内；都市农业区北京市的农业人口呈小幅波动性下降且降速趋缓并逐渐稳定在一个理性范围内。

结论

改进的自适应自回归滑动平均模型可很好地进行区域农业人口的中期预测；针对黄淮海平原两个典型生态区——曲周县传统农业区和北京都市农业区的农业人口变化的特点，提出了相应的人口策略。

关键词

自适应ARMA模型; 农业人口; 中期预测; 黄淮海平原; 典型农业区

0 引言

科学进行农业人口预测是反映一个区域基本情况的重要指标，可为优化国土空间布局，协同推进乡村振兴和新型城镇化提供数据支撑^[

1]。中国改革开放40多年来城市已经汇入了现代化和国际化的潮流，而农村却出现了边缘化倾向^{[参考文献 2

百度学术}2]，转移农村剩余劳动力，改变城乡人口比例，加快城市化建设成了解决这些问题的重要举措之一。其中非农业人口占总人口的比重是常用的一种城市化测度指标，农业人口的变化则是影响这一测度指标的关键，预测区域农业人口变化不仅有助于了解城市化发展进程，加速新型城镇化建设步伐，而且对深入实施乡村振兴战略，助推城乡融合发展具有重要的意义。

关于农业人口的预测研究报道较少，前人的研究多围绕人口预测展开。此类研究多集中在人口预测模型和算法^[

3-6]，其中自回归滑动平均(auto-regressive moving-average，ARMA)模型^{[参考文献 7

百度学术}7]由于其简单和有效性受到广泛的关注，其理论分析也很深入彻底，是线性时间序列预测的主要工具之一。由于实际存在的生物（包括人类在内的所有生物）或物理模型很难严格满足线性，特别是在中长期时间尺度上，因此ARMA有很多推广，可以处理非线性的模型。一种方法就是利用非线性的建模^{[参考文献 8

百度学术}8]，比如递归神经网络模型^{[参考文献 9

百度学术}9]，但是这些方法由于其非线性特点，求解一般都非常困难，结果也很难解释，丢失了线性模型的易解释、简单实用的特点。其实还存在另外一类对线性模型的简单推广，就是对原来的模型输入/输出进行非线性变换，然后再利用线性模型进行求解。这样可以很好地利用已有的线性ARMA的研究成果。文章基于以往人口预测模型基础上，利用已有的线性ARMA的研究成果，结合农业人口的演化特点及其影响因素进行农业人口预测。目前，黄淮海平原正处于快速城镇化发展阶段，乡村人口空间分异不均，人口城镇化和土地城镇化不能同步跟进，亟需科学的农业人口预测提供参考依据。针对该区域不同农业类型区复杂多样的特点，利用简化的倒数变换和线性ARMA模型，选择该平原的曲周县和北京市分别作为传统农业区和都市农业区的典型代表进行农业人口的中期预测（一般为15年^{[参考文献 3

百度学术}3]），并分析各自的农业人口变化特性继而提出相应的农业人口对策。

1 数据和研究方法

1.1　研究区及数据来源

1.1.1　研究区及典型农业区选择

黄淮海平原（也称华北平原），位于113ºE~120º30'E，32ºN~40º30'N，面积为33.39万km²，北起燕山山脉的南麓，南至淮河至洪泽湖一线的北面地区，西起太行山和秦岭的东段，东面环抱着鲁中山地，临黄海和渤海，行政上辖5省2市（包括北京市、天津市、河北省、河南省、山东省、江苏省、安徽省）的部分地区共306个县。先后因地处华北和平原地貌而得名，尤其在1963年中央提出“黄淮海平原”旱、涝、盐、碱综合治理以后，以“黄淮海平原”代称“华北平原”为学界普遍采用。优越的自然条件成就区域重要的粮食主产区地位，再加交通便捷、工业基础雄厚，一直以来就是我国人口最密集的区域之一（2015年总人口占全国的18.25%^[

10]）和政治、经济、文化中心。近年来随着乡村振兴战略的深入实施，该区域进入城镇化快速发展阶段，区域乡村常住人口城镇化率均值由2000年的17.45%增加到2015年的37.47%^{[参考文献 10

百度学术}10]，县域城镇化率呈现逐年上升趋势，空间分异明显，形成以京广铁路沿线和环渤海湾为中心的城镇化率高值区和广大传统农村腹地的城镇化率低值区，土地城镇化和人口城镇化不同步，城镇化质量亟待提升。

为了更好推进区域农业人口的城镇化，提升以人为本的新型城镇化质量，助力乡村振兴，该文选择曲周县和北京市作为典型区进行农业人口预测，其具体依据: ①城镇化进程不同，参考文献研究结果^[

10]，两者分别处于城镇化率的低值区和高值区；②农业现代化程度不同，两者分别作为传统的农业区和都市农业区，对农业人口的城镇化影响不同；③研究条件较为成熟，两者均为众多学者研究的重点区域，文献资料丰富便于研究成果的借鉴和传播。

1.1.2　数据来源及说明

（1）典型农业区数据来源及说明。参照程明洋等^[

10]关于黄淮海平原人口城镇化研究成果，分别选择曲周县和北京市作为黄淮海平原人口城镇化的高值区和低值区的典型区进行农业人口预测，以两区域1978—2018年农业人口数据为研究对象，数据来源于两区域历年统计年鉴。

（2）预测及分析。该文拟采用自适应ARMA模型对黄淮海平原区两个典型农业区的农业人口进行预测，并对预测结果进行分析和检验。

1.2　模型构建方法

1.2.1　模型构建思路

由于时间序列预测过程中，因人口普查中的重登、漏登及统计口径不同而引起的人口数据中噪声的存在和在预测过程中的累积效应^[

5]，因此不能直接利用ARMA模型进行中期预测。针对这种情况，提出了一种自适应的ARMA模型，将模型状态划分为抗噪音迭代模型和有噪声的观测输出。由于抗噪音迭代模型，可以很好地进行中期人口预测^{[参考文献 8

百度学术}8]。在自适应ARMA模型中，其参数和状态都是未知的，因此本质上它为非线性的模型。但当固定模型参数时，它变成了一个关于模型状态的线性模型，其解析解可以求得，这个解为模型参数的函数。这样模型的求解问题化为模型参数的非线性问题。该文详细推导并完整给出了模型的代价函数关于模型参数的梯度，利用梯度下降法，给出了模型参数的迭代求解公式^{[参考文献 8

百度学术}8]。

1.2.2　模型构建步骤

为了完整起见，首先介绍一下标准的ARMA模型。已知时间序列 $d_{1} ， d_{2} ， \dots ， d_{n}$ 和相应的输入向量 $x_{1} ， x_{2} ， \dots ， x_{n}$ （其中 $d$ 为某时刻数列的状态）。ARMA模型就是假设为：

d_{k + 1} = α_{1} d_{k} + α_{2} d_{k - 1} + \dots + α_{r} d_{k + 1 - r} - β_{0} - β_{1} x_{1} (k + 1) - \dots - β_{m} x_{m} (k + 1) + ε (k ， α ， β)

（1）

式（1）中， $ε (k ， α ， β)$ 为噪声项，模型参数 $α = (α_{1} ， α_{2} ， \dots ， α_{r})^{T}$ ， $β = (β_{1} ， β_{2} ， \dots ， β_{m})^{T}$ ， $r$ 为模型的阶数。通过对 $ε (k ， α ， β)$ 概率分布函数的假定，利用已知时间序列 $d_{1} ， d_{2} ， K ， d_{n}$ ，结合式（1）和最大后验概率估计可以求得模型参数 $α$ ， $β$ ，继而对以后 $k = n ， n + 1 ， \dots$ 的，等时刻的值进行预测。式（1）中的每个实际输出数据含有噪声，利用式（1）进行中期预测时存在噪声累积效应。除一些特殊情况外，很难直接用于中期预测。在该预测式（1）的目标是建立一个严格满足式（1）的线性模型逼近已知的时间序列，即自适应ARMA模型为：

y_{k + 1} = α_{1} y_{k} + α_{2} y_{k - 1} + \dots + α_{r} y_{k + 1 - r} - β_{0} - β_{1} x_{1} (k + 1) - \dots - β_{m} x_{m} (k + 1)

（2）

d_{k} = y_{k} + ε (k ， α ， β)

（3）

式（3）中， $ε (k ， α ， β)$ 为噪声项， $d_{k}$ 和 $x_{i} (k)$ 分别表示在 $k$ 时刻的观测数据和外部环境的第 $i$ 个输入。注意这时模型的状态转换式（2）是没有噪声的，而噪声仅仅存在于观测式（3）中。目标是确定模型参数 $α = (α_{1} ， α_{2} ， \dots ， α_{r})^{T}$ ， $β = (β_{0} ， β_{1} ， \dots ， β_{m})^{T}$ 使得满足式（2）的 $n$ 维数据 $y = (y_{1} ， y_{2} ， \dots ， y_{n})^{T}$ 和 $d$ 充分靠近。通过对 $ε (k ， α ， β)$ 分布函数的假定，利用已知时间序列 $d$ ，结合式（3）和最大后验概率估计可以求得模型参数 $α$ ， $β$ ，为了简单起见，一般假设噪声 $ε (k ， α ， β)$ 为Gauss分布的，并且不同的时间 $k$ ， $ε (k ， α ， β)$ 是相互独立的。使用最大后验概率分布，最后可以得到优化的目标函数。该模型是采用MATLAB软件实现的，具体过程详见文献^[

11]。

1.2.3　模型应用说明

模型应用说明。常用的人口预测模型是Logistic模型，鉴于ARMA模型是一种基于时间序列化的模型，故需要对Logistic模型进行序列化。具体处理如下。

Logistic函数形式为:

p (t) = 1 / (k + a b^{t})

（4）

式（4）中， $p (t)$ 为 $t$ 年的人口数量。由于不是直接可以使用自回归滑动平均模型，因此使用倒数变换，即为：

Q (t) = 1 / p (t) = k + a b^{t}

（5）

所以有：

Q (0) = k + a

，

Q (t + 1) = k + a b^{t + 1} = b Q (t) - (b - 1) k

（6）

即当初始状态t=0时，就可以通过递推式（6）得到之后的每一个状态。可见使用倒数变换后， $Q (t)$ 可以用自回归滑动平均建模。因此为了进行农业人口的分析，使用自适应的滑动平均模型进行中期预测。

1.3　模型精度检验方法

该文对模型的检验主要包括残差检验、关联度检验与后验差检验。

第一，残差检验。主要检验模型点的精度，包括相对误差和相关系数分析。

①相对误差为:

δ = |x_{i} - y_{i}| / x_{i} \times 100 %

（7）

式（7）中， $δ$ 为实际相对误差， $x_{i}$ 为实际值， $y_{i}$ 为预测值。

②相关系数为:

R = γ_{x y} / \sqrt[]{γ_{x x} \times γ_{y y}}

（8）

式（8）中， $R$ 为相关系数。

γ_{x y} = \sum_{i = 1}^{n} x_{i} y_{i} - (\sum_{i = 1}^{n} x_{i}) \times (\sum_{i = 1}^{n} y_{i}) / n

，

γ_{x x} = \sum_{i = 1}^{n} x_{i}^{2} - {(\sum_{i = 1}^{n} x_{i})}^{2} / n

，

γ_{y y} = \sum_{i = 1}^{n} y_{i}^{2} - {(\sum_{i = 1}^{n} y_{i})}^{2} / n

（9）

式（9）中， $x_{i}$ 为实际值， $y_{i}$ 为预测值。

相对误差分析。通过相对误差计算，得到图1曲周县和北京市农业人口相对误差结果。由图1可知，在1978—2018年所有农业人口相对误差均小于5%，其中曲周县农业人口相对误差平均为0.78%，变幅在0.01%~1.41%；北京市农业人口相对误差平均为0.25%，变幅在0~0.83%；均小于1.41%，表明预测模型可提供准确的预测数据。因此，利用该文的预测模型可提供预测精度较高的预测值^[

17]。

图1 1978—2018年黄淮海平原曲周县和北京市农业人口相对误差

相关系数分析。分析1978—2003年曲周县和北京市农业人口的实际值和预测值之间的相关系数 $R$ 计算结果（表1），两者 $R$ 均为0.99（当 $R$ 取值越趋近于+1，则两者间的正相关性越强），表明曲周县和北京市农业人口的实际值和预测值之间的相关性较强^[

17]。

表1 黄淮海平原曲周县和北京市农业人口预测模型生成值检验

	相关系数（ $R$ ）	关联系数（ $ρ$ ）	关联度（ $γ$ ）	后验比（ $c$ ）	小误差概率（P）
曲周县	0.994 9	0.983 8	0.625 2	0.103 1	1.000 0
北京市	0.994 5	0.997 8	0.608 5	0.111 3	1.000 0

第二，关联度检验与后验差检验。

①关联度检验主要验证预测曲线与原始数据曲线相近程度。

设

Δ （ k ） = |x^{(0)} (k) - {\bar{x}}^{(0)} (k)|

，则

Δ_{m a x} = \underset{k}{m a x} Δ (k)

，

Δ_{m i n} = \underset{k}{m i n} Δ (k)

，计算关联系数与关联度:

δ (k) = \frac{Δ_{m i n} + ρ Δ_{m a x}}{Δ (k) + ρ Δ_{m a x}}

；

γ = \frac{1}{n} \sum_{k = 1}^{n} δ (k)

，其中通常取

ρ = 0.5

（10）

②后验差检验方法主要验证模型精度。

首先分别计算原始数据的离差和残差的离差: $S_{1} = \sqrt[]{(x_{(k)}^{(0)} {- \bar{x})}^{2}}$ ； $S_{2} = \sqrt[]{(Δ_{(k)}^{(0)} {- \bar{Δ})}^{2}}$ ，计算后验比 $C = S_{2} / S_{1}$ ，与小误差概率 $P = \{|x^{(0)} (k) - \bar{x}| < 0.674 5 S_{1}\}$ 。以上各项检验指标计算结果见表1。

通过表1的关联度检验与后验差检验计算结果表明， $ρ$ 均在0.95以上，属于高级精度，两个代表区农业人口预测的小误差概率均为1，预测模型的精度较高。

总之，该文推导的这种自适应的自回归滑动平均模型，其抗噪音迭代模型有效地降低了噪声，预测值与实际值之间的误差较小，相关性较强，能够很好地拟合实际值，达到了模型的预测效果。

2 黄淮海平原典型农业区农业人口预测分析

2.1　曲周县传统农业区农业人口预测

首先利用人口数据求得倒数，然后利用自回归滑动平均建模。由于没有任何输入，因此，只是选取了常数项。对于曲周人口数据的预测，分别作了模型改进前后的两次不同的预测分析。①曲周县农业人口序列总体情况（图2）分析。曲周农业人口序列随时间推移呈现明显的增长趋势，尤其以1990年和2006年较为明显，这可能源于1990年前以乡镇企业发展为核心的农村政策改革以及2006年前以农业税改革为核心的惠农政策的实施增强了当地就业对农业人口的吸纳能力。②模型改进前预测。首先，根据1978年来曲周农业人口自然演变趋势，采用了1978—2018年的数据作为输入，利用抗噪声的自适应ARMA模型进行预测，其中模型的阶数从 $r = 3$ 至 $r = 10$ ，预测结果的变化趋势都是一样的，图2显示的是 $r = 9$ 时的预测结果。由图2可知，模型改进前预测效果不理想，实测值和预测值差异明显。③模型改进后预测。基于前次预测基础上进行调整。考虑到曲周经济发展的实际情况，针对曲周县农业人口序列在1990年和2006年出现的斜率突增点，设置斜率突增点即农业人口突变点为虚拟变量进行降噪处理，并采用1991—2018年的数据作为输入，利用改进后的自适应ARMA模型进行预测，其中模型的阶数从 $r = 2$ 至 $r = 7$ ，预测的变化趋势都是一样的，图3显示的是 $r = 6$ 时的预测结果。从图3可知，改进后的模型预测效果较好，实测值和预测值差异较小。

注：为确保预测终点年份（2025年）显示于横轴上，注：为确保预测终点年份（2025年）显示于横轴上，该图添加辅助时间点（1975—1977年）数据该图添加辅助时间点1990年数据图2 基于1978—2018年曲周农业人口数据预测图3 基于1991—2018年曲周农业人口数据预测

2.2　北京市都市农业区农业人口预测

首先利用人口数据求得倒数，然后利用自回归滑动平均建模。由于没有任何输入，因此，只是选取了常数项。对于北京人口数据的预测，同样分别作了模型改进前后的两次不同的预测分析。①北京市农业人口序列总体情况（图4）分析。北京市农业人口序列随时间推移呈现明显的下降趋势，尤其以1990年和2006年较为明显，这说明都市二三产业的发展增强了对农业转移人口的吸纳能力，从而加快了农业人口市民化进程。②模型改进前预测。首先，采用1978—2018年的数据作为输入，利用自适应ARMA模型进行预测，其中模型的阶数从 $r = 2$ 至 $r = 10$ ，预测的变化趋势都是一样的，图4显示的是 $r = 3$ 时的预测结果，预测结果不理想，2006年后农业人口预测值严重偏离实际值。③模型改进后预测。基于前次预测基础上进行调整。考虑到北京市社会经济及相关政策实施情况，针对北京市农业人口序列在1990年和2006年出现的斜率突增点，设置斜率突增点即农业人口突变点为虚拟变量进行降噪处理，并采用1991—2018年的数据作为输入，利用改进后的自适应ARMA模型进行预测，其中模型的阶数从 $r = 1$ 至 $r = 6$ ，预测的变化趋势都是一样的，图5显示的是 $r = 1$ 时的预测结果。从图5可知，改进后的模型预测效果较好，实测值和预测值差异较小。

注：为确保预测终点年份（2025年）显示于横轴上，注：为确保预测终点年份（2025年）显示于横轴上，该图添加辅助时间点（1975-1977年）数据该图添加辅助时间点1990年数据图4 基于1978—2018年北京农业人口数据预测图5 基于1991—2018年北京农业人口数据预测

2.3　结果分析

2.3.1　典型区农业人口演变分析

（1）曲周农业人口演变分析。综合曲周农业人口发展曲线，可得此规律: 传统农业区曲周县的农业人口呈小幅波动性增加且增速趋缓并逐渐趋向于一个理性范围内^[

12]。一直以来，影响我国区域农业人口主要有3个因素: 人口自然增长率、经济增长率以及严格的城乡二元制户籍体制。刘范一^{[参考文献 13

百度学术}13]指出二元经济时期，农业人口比重与经济发展规模和水平呈显著负相关。处于黄淮海平原乡村人口城镇化率低值区的曲周，改革开放以来，曲周经济增长率虽远高于农业人口比重下降率，但因该区域农业人口基数远大于经济基数，致使区域农业人口呈现增加趋势。值得注意的是随着曲周农村经济结构调整和小城镇建设速度的加快，以及人口政策的约束、人口素质的提高、户籍制度和社会保障制度改革的加快等措施的执行，这一区域农业人口必将呈现如图2变化的趋势，即缓慢增加并最终稳定在一个理性范围内。这无疑是符合十九大以来我国全面推进新型城镇化和实施乡村振兴的战略预期的。农业剩余劳动力转移（包括就地转移和异地转移两种模式）是农村经济社会发展的必然，是推进农业人口市民化的重要驱动力，鉴于我国目前农业人口转移趋于放缓的新动向^{[参考文献 14

百度学术}14]以及曲周传统农业区农业人口基数大及其县域经济亟需提升的现实，可同时发挥农业剩余劳动力两种转移模式的优势，加快城市化进程，顺利实现农业人口向非农业的转移，以解决这一典型农业区“三农问题”进而实现乡村振兴^{[参考文献 2

百度学术}2，15]。

（2）北京农业人口演变分析。综合北京市农业人口发展曲线，可得此规律: 都市农业区北京市的农业人口呈小幅波动性下降且降速趋缓并逐渐稳定在一个理性范围内。影响北京市农业人口的3个因素中，经济的高速增长和城乡二元户籍制度的改革加快了农业人口市民化进程，从而使得北京市农业人口趋于下降的趋势，同时城乡一体化的命运共同体意味着城市的发展需要一定规模的农业人口以支撑乡村建设的发展。显然，位于农业人口城镇化高值区的北京市，随着区域经济基数的迅速扩大和城市化进程的进一步强化，特别是城乡二元制户籍体制的逐步取消，经济发展规模和水平与农业人口的比重的相关关系将逐渐弱化^[

13]，并最终形成平衡发展态势^{[参考文献 16

百度学术}16]。这与北京都市农业区推进城乡一体化的预期是吻合的；同时随着北京市城乡一体化进程的加快以及农业人口市民化成本的压力增大，促使农业剩余劳动力就地转移将是实现农业人口非农化的主要模式。

2.3.2　黄淮海平原区农业人口演变分析

（1）运用改进的ARMA模型，对黄淮海平原两个典型的农业区曲周县和北京市的农业人口进行预测，精度较高，预测结果符合区域农业人口发展趋势。对于人口城镇化率较低的区域——曲周县，作为典型的传统农业区，农业人口基数较大，经济发展相对较慢，城乡二元制户籍体制曾在一定程度束缚农业人口向城镇的转移。随着户籍制度的改革，曲周县需要在大力发展县域经济的基础上，强化农村城镇的建设及对农业人口市民化的公共服务能力，吸引区域农业剩余劳动力就地转移和异地转移，促使农业人口市民化进程加快并最终稳定在一个合理的水平；对于人口城镇化率较高的区域——北京市，作为典型的都市农业区，随着经济的快速发展、城乡二元制户籍体制政策逐步取消以及城乡一体化进程的加快，必将带动该区域农业剩余劳动力的快速转移从而加快区域农业人口的市民化进程并最终稳定在一个合理的水平。

（2）黄淮海平原城镇化水平呈现整体上快速发展但局部不均衡以及乡村人—地—业城镇化水平不同步（土地>产业>乡村人口）状态^[

10]；同时就目前中国现阶段农业人口转移趋于放缓的新动向来看，城市正面临着沉重的就业压力，而农村则急需通过“非农化”途径以接纳庞大的剩余劳动力^{[参考文献 18-20}18-20]。因此，适度控制都市农业人口基数和较快加速传统农业区的“非农化”进程，应是对黄淮海平原农业人口城镇化率分处于高、低两个不同水平区域的农业人口政策制定的出发点。

3 结论与建议

3.1　结论

随着新型城镇化的推进与乡村振兴战略的实施必将持续促进农业人口转移有序秩序化，科学预测区域农业人口变化趋势将显得尤为重要。为此，该文针对已有人口预测的不足提出自适应ARMA模型处理时间序列中期预测问题，进而可通过推导自适应ARMA模型的学习算法优化预测模型，并以黄淮海平原典型农业区——曲周县传统农业区和北京市都市农业区为例进行区域农业人口预测并对其预测结果进行分析。结果表明该文在改进传统的ARMA模型基础上提出的自适应ARMA模型，能够很好地用于人口中期预测。即针对两个农业区提出不同的假设，得出两个差异较大的农业人口预测，并分析了每种预测出现的可能性和原因。通过分析发现都市农业区受经济政策拉动较大，而典型的传统农业区则受经济政策影响相对较小或者缓慢。针对这两个不同典型区农业人口变化的特点和经济发展的需要，提出应加速推进曲周县传统农业区的“非农化”进程和适度控制北京市都市农业人口规模^[

21，22]。

3.2　建议

农业人口有序流转有助于加快我国城镇化进程，如何加快我国农业剩余劳动力的转移以推进区域农业人口市民化的进程成为 “十四五”时期新型城镇化战略和乡村振兴战略深入解决的重要议题。为此，针对该文预测的结果并结合区域农业人口转移的实际，提出以下建议。

（1）针对曲周县传统农业区农业人口基数较大的实际，应大力发展县域经济，通过产业兴旺提振经济城镇化水平，在优化土地城镇化质量的同时推动农业人口的城镇化进程，多头并进，引导更多农业剩余劳动力向曲周县域内外中小城市和农村城镇异地转移或就地转移^[

22-24]。完善异地或就地城镇化政策，鼓励农业剩余劳动力异地或就地转移从而促进农业人口市民化；加强农民的职业技能培训，增强农业人口异地或就地就业的机会和能力；完善农村土地三权分置制度，增强农业人口资产的流动性以强化其迁移能力。

（2）针对北京市都市农业人口不断减少且最终需稳定在一定规模上以支撑都市农业发展的需要，稳定农业人口的数量和质量尤为重要^[

16，25]。北京市应鼓励农业剩余劳动力就地流转，尽快确立农业人口市民化待遇，实现社会公平；在数量方面，持续地减少至适度规模，应保持农业劳动力来源的开放性，确保并培养本地中年及新生代农业劳动力的骨干队伍，积极吸收外地劳动力及非农业人口和高校毕业生；在质量方面，提升农业劳动力的职业化素养，实现生产者素质的稳步提高，培养一支有文化、懂技术、会经营的新型职业农民队伍。

（上接第253页）

建立工匠乡贤讲习所，聘请新乡贤中的能工巧匠、非遗传承人、劳动模范等到学校、企业传授技能本领，为工匠技艺、工匠精神的传承和弘扬搭建平台。积极从优秀新乡贤中发展党员、培育后备力量、选拔村干部，为乡村全面振兴提供有力的组织和人才保障。

为新乡贤搭建展现时代风采的文化平台，探索建设乡贤文化馆、乡贤文化公园或乡贤文化广场等工作。2021年11月2日，河南省嵩县召开乡贤文化工作会议，回顾乡贤返乡创业工作成效，安排部署县级乡贤文化馆筹建工作。会议对乡贤概念和乡贤文化内涵进行了解读，就乡贤类别划分、乡贤文化馆建设整体规划和工作思路做了介绍。会议要求突出示范引领作用，提升乡贤文化凝聚力影响力，全县各乡镇按照“品行好、有情怀、能力强、能带富，热衷公益事业、热心家乡发展”的标准，以乡情打动乡贤，以好风气吸引乡贤，有效带动城市资本、技术、人脉、经验等要素回流乡村，提升乡贤文化凝聚力影响力。要求坚持高质量推进，增强乡贤文化实效性针对性，坚持以高起点、高标准、高水平实施建设，确保把乡贤文化馆建设成精品工程，为新乡贤参与乡村治理夯实基础。

乡贤参与乡村治理，是中华民族在漫长的社会发展和历史进程中形成的优良传统，一直以来是教化乡里、维系秩序、涵育乡风文明的一支重要的精神力量。弘扬和继承乡贤善治精神和做法，实现新乡贤参与乡村治理的机制创新，是乡村全面振兴的必由之路。各地要牢牢抓住新机，让新乡贤“回得来、留得住、干成事”，积极引导和支持新乡贤在助推农业农村经济社会发展，特别是在乡村振兴战略实施中发挥积极作用，不仅是为作为本土的故乡“旧貌换新颜”注入新的生机和活力，而且也是为实现全国层面乡村高质量发展及满足人民美好生活向往提供内生驱力。

参考文献

刘彦随. 中国新时代城乡融合与乡村振兴. 地理学报, 2018, 73(4): 637-650. [百度学术]

陈迪平. 中国二元经济结构问题研究 . 长沙: 湖南人民出版社, 2000. [百度学术]

贺小林.基于年龄移算法的多要素人口预测模型构建与运用. 统计与决策, 2018(21): 23-26. [百度学术]

崔红艳, 徐岚, 李睿.对2010年人口普查数据准确性的估计. 人口研究, 2013, 37(1): 10-21. [百度学术]

郭志刚.六普结果表明以往人口估计和预测严重失误. 中国人口科学, 2011(6): 2-13, 111. [百度学术]

曾毅.人口分析方法与应用 . 北京: 北京大学出版社, 2011. [百度学术]

Chen C T. Linear system theory and design . New York: Oxford University Press, 1999. [百度学术]

王洪礼, 张琪昌. 非线性动力学理论及应用 .天津: 天津科学技术出版社, 1999. [百度学术]

LindseyR L, Ruck D W, Rogers S K, et al. Function prediction using recurrent neural networks. Science of Artificial Neural Networks, 1992, 1710: 438-448. [百度学术]

程明洋, 李琳娜, 刘彦随, 等.黄淮海平原县域城镇化对乡村人—地—业的影响.经济地理, 2019, 39(5): 181-190. [百度学术]

张洁瑕, 郝晋珉, 胡吉敏.基于自适应ARMA模型的区域农业总产值构成研究与应用.农业工程学报, 2008(8): 84-88. [百度学术]

唐超, 罗明忠, 张苇锟.农地确权方式何以影响农业人口市民化意愿?. 农业经济与管理, 2020(3): 53-63. [百度学术]

刘范一. 城乡二元制背景下GDP与农业人口比重相关性分析.广东社会科学, 2007(2): 18-22. [百度学术]

卓贤. 重视农业人口转移放缓新动向.山东经济战略研究, 2019(10): 45-46. [百度学术]

姜国祥. 关注农业人口非农化和城镇化问题.党政论坛, 2002(11): 29-31. [百度学术]

朱艳艳, 唐衡.城市化进程中北京市农村劳动力转移与高质量就业问题探析.粮食科技与经济, 2020, 45(4) : 134-139. [百度学术]

吴晓明, 关蓬莱．多维自回归滑动平均模型研究与应用.辽宁大学学报(自然科学版), 2002, 29 (1): 22-27． [百度学术]

白南生. 中国农村劳动力的转移 . 杭州: 浙江人民出版社, 1998. [百度学术]

侯孟阳, 姚顺波. 中国农村劳动力转移对农业生态效率影响的空间溢出效应与门槛特征. 资源科学, 2018, 40 (12): 2475-2486. [百度学术]

齐明珠. 中国农村劳动力转移对经济增长贡献的量化研究.中国人口·资源与环境, 2014, 24(4): 127-135. [百度学术]

侯风云. 中国农村劳动力剩余规模估计及外流规模影响因素的实证分析.中国农村经济, 2004(3): 13-21. [百度学术]

孙铁山, 王兰兰, 李国平. 北京都市区人口—就业分布与空间结构演化.地理学报, 2012, 67(6): 829-840. [百度学术]

齐嘉楠, 刘鸿雁, 李伯华, 等.农业人口流出行为、意愿与新型城镇化路径研究.人口与社会, 2019, 35(4): 43-59. [百度学术]

李义伦.城镇化背景下的农村剩余劳动力就业途径研究.中国农业资源与区划, 2017, 38(2): 139-145, 151. [百度学术]

蒋洪昉, 冯建国, 薛正旗, 等.生态文明背景下的北京新型城镇化问题研究.中国农业资源与区划, 2014, 35(2): 1-5. [百度学术]

乡村振兴战略下区域农业人口预测研究

以黄淮海平原典型农业区为例

摘要

目的

方法

结果

结论

关键词

0 引言

1 数据和研究方法

1.1 研究区及数据来源

1.2 模型构建方法

1.3 模型精度检验方法

2 黄淮海平原典型农业区农业人口预测分析

2.1 曲周县传统农业区农业人口预测

2.2 北京市都市农业区农业人口预测

2.3 结果分析