本研究构建了连接气候变化、重大扰动、渔业产量与鱼价的综合分析框架,结合STL季节分解、Spearman滞后相关、分段中断时间序列回归、SARIMAX预测与热点识别,系统评估斯里兰卡2019—2025年海洋及内陆渔业的韧性差异。结果显示,海洋渔业季节性较弱且受高温滞后抑制,内陆渔业季节性更强并表现出温度滞后促进效应;SARIMAX相较季节性朴素模型显著降低预测误差,价格预测可服务于采购、储存和基础设施规划,但不宜直接作为市场交易信号。
报告标题:《Monsoon Mayhem to Market Waves: Forecasting Fisheries Resilience in Sri Lanka》(可译为《从季风混乱到市场波动:斯里兰卡渔业韧性预测》)。
作者:Ruzaini Ahmed、Yohan Jayasinghe、Tharumini Gamage、Ifaz Ikram、Hasini Lawanya、Nirasha Munasinghe、Patalee Narasinghe、Nisansa de Silva、Sandareka Wickramanayake。
机构:斯里兰卡莫拉图瓦大学计算机科学与工程系。
主题:研究2019—2025年间气候变化、重大冲击事件、渔业产量和鱼价之间的关系,并利用时间序列模型预测产量与价格。报告并非传统意义上的证券研究报告,因此没有股票评级、目标价或企业估值,而是面向政策制定者、贸易商和供应链管理者的渔业数据分析与预测研究。
报告的核心论点是:斯里兰卡海洋渔业与内陆渔业具有不同的季节性、气候响应机制和冲击恢复路径,因此不能使用同一套政策或预测模型;SARIMAX模型较季节性朴素模型在产量和价格预测上均有明显改善,但价格预测应被视为决策支持工具,而非可以直接驱动买卖的市场信号。
研究试图将五类工作整合到一个分析框架中:季节分解、气候滞后相关分析、Interrupted Time Series(ITS,中断时间序列)冲击估计、SARIMAX预测以及价格或产量异常热点识别。 这一框架的实际政策含义包括:在高波动地区改善基础设施、强化冷链和冷藏能力、部署异常事件预警系统,并根据不同生产部门的恢复轨迹制定差异化措施。
报告将斯里兰卡渔业划分为海洋和内陆两大体系,其中海洋部分包括远洋或深海多日船队、近岸小规模捕捞,内陆部分包括内陆捕捞、水产养殖和虾类养殖。 渔业同时承担农村就业和食品供给功能,因此产量下降不仅影响渔民收入,还可能通过供应减少、运输中断和市场预期变化传导至零售及批发价格。
2019—2025年间,行业受到多重冲击叠加影响,包括2019年复活节袭击事件、COVID-19疫情、2022年燃料与外汇危机以及2024年洪水。 报告强调,过去研究通常只讨论单一气候因素或总体产量,较少在类别层面同时分析气候滞后、事件冲击和价格预测,因此难以识别海洋与内陆系统之间是否存在替代关系。
报告的主要创新不在于提出全新的单一算法,而在于将多种方法串联起来:
这些方法组合能够分别回答“是否存在季节性”“气候影响是否存在滞后”“冲击后是否发生水平或趋势变化”“未来数值能否预测”以及“异常状态能否提前识别”等问题。
生产数据覆盖2008—2025年,来自斯里兰卡渔业和水产资源部门的累计终端CSV报告;价格数据覆盖2019—2025年,共344周、30个鱼类品种,并分别记录批发和零售价格。 零售价格数据完整率为91%,批发价格完整率为85%,说明价格分析存在一定缺失值问题。
气候变量来自NASA POWER农业气候数据库,使用六项月度变量:2米气温、最高气温、校正降水量、2米相对湿度、2米风速和10米风速。 由于斯里兰卡气象部门地面观测数据获取困难,研究采用卫星和再分析数据,这扩大了时间覆盖范围,但也可能牺牲部分本地微观气候精度。
研究建立了80个空间网格点,其中40个用于海洋区域,覆盖沿海岸线、主要泻湖、登陆点及近海大陆架;另外40个用于内陆区域,覆盖水库群、河流流域和水产养殖集群。 这种空间划分体现了作者试图区分海洋风场、上升流与内陆水库补水、环境温度等不同机制。
数据清理包括重新计算分项合计、去除非字母数字字符、解决重复文件冲突、统一地方鱼名、合并不同规格记录以及缺失值插补。 值得注意的是,复活节袭击和COVID-19期间的部分价格缺失被视为真实的市场不可得,而不是普通随机缺失,这一处理有助于保留危机期间市场中断信息,但也会使模型面临非随机缺失偏差。
价格被折算为2019年不变卢比,以便比较不同年份的实际价格变化。 不过报告也承认,CPI平减并未完全处理运输成本变化和2022年极端通胀对渔业供应链的特殊影响。
ITS模型包含线性时间趋势、正弦和余弦季节项、事件期间指标、事件后指标以及事件后趋势项,并使用HAC稳健标准误,以应对异方差和自相关问题。 ITS中的“事件后水平”衡量冲击后序列是否突然跳到更高或更低的位置,“事件后斜率”则衡量冲击后恢复或恶化速度是否改变。该方法能够估计时间上的结构变化,但报告明确指出,ITS只能说明统计关联,不能完全建立因果关系。
SARIMAX采用扩展窗口滚动预测,确保每一次预测只使用当时已经可获得的数据,从而避免未来信息泄露。 月度模型测试了12个月季节周期、对数变换、24或36个月训练窗口以及1、3、12个月滞后气候变量。 周度价格模型则属于“同周现在预测”,使用目标周内汇总的气温和降雨估计当周价格,因此它更接近实时估计,而非真正提前数周的远期预测。
图1展示燃料危机与经济崩溃、COVID-19第一波封锁、主权债务违约三个事件前后8周窗口中的海洋与内陆周产量。 海洋生产在燃料危机和COVID期间出现明显下滑,而内陆生产在部分时期上升或维持较高水平,视觉上形成海洋与内陆的反向变化。
这张图支持报告关于“内陆体系可能部分补偿海洋供给下降”的判断,但并不能证明真正发生了供给替代,因为进口鱼数据、需求变化和价格传导数据缺失。 图中以阶段均值和事件阴影区分前期、事件期和后期,适合直观展示冲击,但8周窗口较短,可能受到季节波动和单个异常周的影响。
图2显示海洋产量的季节强度为0.423,2019年约35,000吨的趋势水平下降至2022年约23,000吨,季节项大约围绕4,000吨波动,残差项则受到疫情和燃料危机等非季节冲击影响。 虽然年度季节形状高度稳定,年际相关系数达到0.982,但残差方差与季节方差之比为1.365,说明不规则冲击大于常规季节波动,因此总体季节强度被压低。
图3显示内陆生产季节强度为0.634,高于海洋生产,7—9月通常出现峰值,3—4月出现低谷。 作者将其与季风降雨、水库蓄水、洪水脉冲及养殖收获周期联系起来;其残差方差与季节方差之比仅为0.578,表明内陆和养殖生产相对更规则、更可控。 两图共同支持海洋和内陆必须分开建模的结论。
图4的核心发现是海洋与内陆系统对气候的响应方向不同。 海洋气温与海洋产量在当月相关系数约为-0.329,在滞后1个月时达到-0.418,说明较高海温可能在一个月后抑制海洋捕捞;滞后2个月仍为负相关,滞后3个月则接近于零。
内陆降雨在当月与产量呈正相关,ρ约为0.225,但之后迅速减弱;内陆气温则从滞后1个月的0.224逐步升至滞后3个月的0.368,可能反映水温、鱼类生长和养殖收获周期的延迟作用。 作者使用Spearman相关,是因为海洋和内陆降雨变量未通过Shapiro-Wilk正态性检验,因此采用非参数方法更稳健。 但相关性不能等同于因果关系,气温可能与季节、风场、水位或捕捞努力同时变化。
图5显示沿海和远洋类别在零售端具有明显的年中价格高点。沿海鱼零售价格从1月约986卢比/公斤升至6月约1,350卢比,远洋鱼从1月约1,536卢比升至7月约2,022卢比。 批发价格也呈类似但幅度较低的季节模式,例如远洋鱼批发价格在6月约1,266卢比,内陆鱼价格则总体明显低于海洋类别。
虾类价格在不同月份均处于较高水平,但季节峰值相对不如沿海和远洋鱼明显;内陆鱼在零售和批发端均相对便宜且稳定。 这些差异支持将季风期供给约束纳入价格模型,并说明不同类别的消费替代性和成本结构可能不同。
图6以年度变异系数(CV,标准差除以均值)比较价格波动。零售端所有类别的CV总体高于批发端,沿海和远洋零售价格波动尤其突出,2022年整体波动达到较高水平。 这意味着消费者端或零售市场承受了更强的价格不稳定,价格稳定政策可能需要优先关注零售渠道,而不能只监测批发价格。
图7将2019—2025年的海洋和内陆月度产量与13类冲击事件叠加展示。 海洋产量在疫情、燃料危机等重大事件期间频繁收缩,而内陆产量部分时期升高,尤其2022年海洋下降与内陆达到研究期高位同时出现。 这为后续ITS模型提供了事件窗口和分段趋势的直观依据,但事件窗口之间可能重叠,使单一事件的独立影响难以完全分离。
图8比较SARIMAX与季节性朴素模型的平均绝对误差(MAE)和均方根误差(RMSE)。SARIMAX的MAE约为360、RMSE约为470,而季节性朴素模型的MAE约为720、RMSE约为960,前者明显低于后者。 这说明SARIMAX不仅平均误差较小,而且对大误差的控制也更好,因为RMSE会对较大的预测错误进行更高权重惩罚。
月度预测中,SARIMAX使内陆产量RMSE较季节性朴素基准下降49.6%,海洋产量下降48.6%,多数零售价格类别的改善超过50%;所有序列的MAPE约为4.71%—11.31%。 这一结果表明加入自回归结构、季节性和部分气候变量后,模型在短期规划中具有实用价值,但不能据此推断其在未来结构性危机中的表现同样稳定。
OLS模型的解释力属于中等水平:海洋生产R²为0.367、调整后R²为0.217,内陆生产R²为0.409、调整后R²为0.269。 内陆冲击指标系数为0.1859,p值为0.0035,95%置信区间为[0.061, 0.311];由于因变量经过对数变换,该结果大致对应冲击期约20%的产量增加。 海洋冲击指标不显著,p值为0.379,说明聚合层面的海洋冲击效应可能被不同事件方向相反、季节因素或事件重叠所抵消。
ITS则显示出更强的事件异质性。COVID-19第一波之后,海洋产量的事件后水平效应为15,474吨,p=0.006,事件后斜率为每期增加约517.97吨,p=0.033,意味着冲击后存在显著恢复趋势。 2021年西南季风洪水对海洋产量的事件后水平效应为正22,023吨,但事件后斜率为负660.9吨,显示初期水平可能上升,随后趋势恶化。
同一场2021年洪水对内陆生产的事件后水平效应为负8,034吨,但事件后斜率为正221.1吨,体现先受损、后恢复的路径。 2024年1月洪水则造成内陆产量短期增加13,279吨,随后伴随每期约501.85吨的显著下降,说明洪水可能先带来补水或捕捞机会,之后因基础设施、养殖设施或生态环境受损而产生负面后果。
零售类别的热点识别效果非常强,沿海、内陆和远洋类别的ROC-AUC与PR-AUC均达到1.00,虾类ROC-AUC为0.90但F1仅为0.571。 这说明零售价格异常具有较清晰的季节阈值和聚类结构,但虾类异常的精确识别仍有改善空间。
批发类别表现中等,沿海和远洋ROC-AUC约为0.90、F1为0.667,虾类F1为0.625。 海洋产量热点识别具有一定可用性,ROC-AUC为0.889、F1为0.50;内陆产量F1为0,主要原因是类别不平衡,说明该模型目前不适合直接用于内陆生产预警。
报告自身明确承认多项局限:
报告最需要谨慎解读的地方是“内陆生产对海洋下降形成部分替代”的解释。OLS和图表确实显示内陆产量在冲击期上升,但作者也明确承认这只是可能解释,进口鱼、需求变化和价格信号可能产生同样结果。 此外,月度样本期相对有限,且2019—2025年内含多个重叠危机,SARIMAX的高预测准确率部分可能来自稳定季节结构,而不一定代表模型能够处理下一次完全不同的极端冲击。
总体而言,这项研究建立了一个较完整的斯里兰卡渔业韧性分析框架。最重要的经验发现包括:海洋产量季节性较弱但受非季节性冲击影响更大;内陆产量季节性更强且与季风、水库补水和养殖收获周期密切相关;海洋高温通常在约一个月后抑制产量,而内陆高温可能在一至三个月后促进生产。
价格方面,沿海和远洋鱼类具有明显年中价格高峰,零售价格波动普遍高于批发价格,2022年为高波动年份,因此冷链、库存和零售端稳定措施具有较高优先级。 预测方面,SARIMAX相较季节性朴素模型在产量和价格上实现约49%至超过50%的RMSE改善,具有采购安排、库存管理和销售时点判断的应用价值。 但热点识别并非所有类别都成熟,尤其内陆生产由于类别不平衡仍需更长历史数据或重新设定阈值。
作者最终主张将预测结果作为生产者“卖出还是储存”、供应链采购和政策干预的辅助信息,而不是自动化交易或直接市场信号。 这一立场与报告的数据缺口、因果识别限制和事件冲击复杂性相一致,整体结论较为审慎:模型可以改善准备和规划,但不能替代对进口、需求、运输、基础设施和突发事件的综合判断。
2608.04023.pdf