本文是一篇计算机论文，本研究通过引入时变参数特性，构建TVP-VAR-SV模型，利用不同滞后期脉冲响应函数、不同时点脉冲响应函数分别从大蒜价格内部影响因素、供给因素、需求因素和网络舆情四个方面分析影响因素对大蒜价格所产生的时变影响。
1 引言
1.1 研究背景及意义
大蒜兼具调味品、药材及农产品加工原料等多重属性，在全球农产品市场中占据重要地位。我国大蒜种植面积与产量均位居世界首位，是世界上最大的大蒜生产国和出口国（杨宾宾等，2019；柳平增，2021）。大蒜价格不仅是我国在国际农产品中定价权的关键变量（关付新等，2022），还关系着我国“菜篮子”工程的稳定性。近年来大蒜市场价格波动频繁，如2024年3月大蒜价格的上涨，引发公众对“蒜你狠”现象重现的担忧，不仅影响到农民的经济收益，也对大蒜产业链的健康发展造成了冲击。随着互联网技术的飞速发展和信息传播方式的深刻变革，以网络舆情为代表的新兴影响因素对大蒜价格波动产生的影响力逐步增加，使得大蒜价格影响因素愈发呈现出多维度、复杂化的特征。因此传统的价格影响因素分析框架已难以适应新形势。
在此背景下，开展对大蒜价格影响因素的深入研究，是推动农产品价格预测模型科学化的关键环节，对实现供需平衡、政策优化与市场稳定具有重要意义。从理论层面来看，通过对影响因素量化分析，可以深入理解价格波动的内在逻辑和外在驱动因素，准确把握价格变动的趋势和方向，为构建科学合理的价格预测模型提供坚实依据，进而提升价格预测的准确性。从政府层面来看，能够更科学地制定政策，稳定市场，保障农民利益。从相关从业者方面来看，有助于引导其做出明智的投资决策，减少损失。
1.2 国内外研究现状
1.2.1 农产品价格波动特征分析
农产品价格波动规律研究是影响因素分析基础，其核心在于解析价格波动的多维度特征，进而探究背后的影响因素。现有研究主要从两个层面展开系统性探索：
（1）价格时序结构特征
现有研究主要遵循以下技术路径：首先对原始价格序列进行季节调整以消除季节性影响，随后采用滤波分析方法分解趋势和周期成分。马宏阳等运用CensusX-13季节调整法分析大蒜月度批发价格，发现其呈现上升趋势和趋近三年的周期性特征（马宏阳，2021）；徐雪高通过H-P滤波将农产品价格波动划分为六个周期，识别出国际价格传导和生产成本的驱动作用（徐雪高，2008）；杜颖等则采用非对称CF滤波分解粮食价格，有效提取了季节性和周期性特征（杜颖等，2019）。然而传统方法存在明显局限：HP滤波作为固定参数的高通滤波器存在端点信息损失问题，而X-12和X-13季节调整需预设固定周期且对异常值敏感。相较而言，STL分解方法通过自适应季节性周期和外循环迭代重加权机制，在处理农产品价格序列时展现出独特优势，如Yin等成功运用该方法对包括大蒜在内的五种农产品价格进行趋势、季节性和剩余项的有效分离（Yin et al.，2020）。
（2）动态特性及风险收益研究
在农产品价格波动研究中，仅通过对大蒜价格波动的时序特征分析，难以全面揭示价格波动的动态变化及其潜在的风险因素。近年来，学者们借鉴金融资产价格分析中的波动率建模框架，将其引入农产品市场的研究中（王岩，2023），特别是条件异方差模型（如GARCH系列模型）。这些模型能够揭示价格波动的动态变动特征和市场的风险溢价，尤其是在面对突发事件或市场干扰时，能够精确捕捉到价格波动的瞬时变化与异方差性。Dinku等利用EGARCH和TGARCH分析谷物、豆类、油籽、物种和块根作物价格回报的时变波动性，发现其价格的波动存在杠杆效应，表明价格波动存在非对称性特征，即负面冲击对价格波动的影响往往大于正面冲击。
2 大蒜价格波动特征分析
2.1 数据来源
在数据获取后，对原始数据进行预处理。为统一日期格式，并确保时间序列分析的正确性，使用pandas的pd.to_datetime（）函数将日期字段转换为“YYYY-MM-DD”格式。针对价格数据中存在的缺失值，采用基于周均值的插补方法填补空缺，即以同一周内其他有效日期的平均值作为缺失值的替代。使用pandas的resample（）方法对数据进行按周重采样，将日数据转化为周数据。然后使用fillna（）方法，以每周的均值填补该周内的缺失数据，确保数据的连续性和稳定性保证数据的连续性和稳定性。预处理后的价格数据变化如图2所示。
2.2 大蒜价格时序结构特征
2.2.1 周期性特征
在价格周期识别研究中，人工判断波峰波谷位置（即波峰波谷法）是常用方法，但由于其主观性强，不同分析者往往得出差异较大的周期划分结果。且此方法仅能捕捉单一的主导周期，难以同时捕捉不同时间尺度的嵌套周期。相比之下，小波分析具有时频多分辨功能（Cohen，2019）。它不仅可以精准识别时序数据中隐含的多尺度周期性波动特征，从而揭示时间序列中的变化周期，反映不同时间尺度的趋势，而且能够动态追踪时变周期特性，并估计未来发展方向。其主要原理是基于多尺度分析和信号的局部化表示，通过选择不同尺度的小波基函数来逼近信号，实现信号在不同频率范围内的分解，同时利用小波函数的时域局部化特性精确捕捉信号的局部特征，将信号表示为一系列反映不同时间和尺度局部特征的小波系数的线性组合，以实现对信号时频结构的描述。
采用小波分析算法，对大蒜价格数据进行时频分析，大蒜价格的变化存在跨时间尺度的周期组合嵌套现象，如图3所示。在特定的时间段内，大蒜价格不仅表现出周期性变化，而且周期性变化本身也具有一定的规律性。
3 大蒜价格影响因素体系构建 .......................... 20
3.1 基于价格形成理论的影响因素分析 .......................... 20
3.1.1 劳动价值论视角的影响因素分析 ............................... 20
3.1.2 均衡价格理论视角的影响因素分析 ........................... 23
4 大蒜价格影响因素实证分析 ........................... 42
4.1 模型构建 ..................... 42
4.1.1 TVP-SV-VAR模型 .............................. 42
4.1.2 马尔科夫链蒙特卡罗模型估计方法 ................. 43
5 基于价格预测的影响因素实验验证 ........................... 53
5.1 数据选取与预处理 ................................... 53
5.1.1 数据选取 ..................................... 53
5.1.2 数据标准化处理 ...................... 53
6 大蒜产业大数据平台设计与实现
6.1 平台需求分析
6.1.1 平台用户需求
（1）普通用户
普通用户群体主要包括大蒜种植户、经销商、加工企业及零售商等产业链参与者，其核心需求为市场信息的实时获取与决策支持功能的实现。此类用户需要通过平台快速查询大蒜价格信息，包括传统的影响因素及新兴的舆情影响因素在内的大蒜相关影响因素历史数据信息，以及相关影响因素分析结果。同时，用户通过可视化图表直观了解历史价格走势，预测短期价格波动以及相关的产业报告，从而优化种植、采购或销售策略。
（2）专家用户
专家用户主要包括大蒜行业研究员、数据分析师、农业经济学专家等，其需求侧重于多源数据整合与深度分析。专家用户不仅可以与普通用户同样查看产业数据，还可以通过登录平台，根据相关产业数据及价格数据，发布和修改包含影响因素以及价格波动等内容的大蒜产业分析报告。
（3）系统管理员
系统管理员负责保障平台安全稳定运行与数据质量，包括用户权限管理（创建、修改、删除账号及分配角色权限）、数据审核与清理、功能升级、数据备份恢复及日志审计等，确保合规性并提升用户体验。
7 总结与展望
7.1 总结
近年来，伴随着极端天气频发、网络舆情影响力增强以及贸易摩擦加剧等问题，使大蒜价格影响因素愈发复杂。以2005至2024年大蒜价格数据为研究对象，在梳理总结大蒜价格波动规律、影响因素分析及量化方法研究的相关理论、方法和技术的基础上，研究了大蒜价格的波动规律，分析了大蒜价格波动的综合影响因素，构建了较为系统全面的多维度价格影响因素体系，并基于情感分析构建了大蒜价格网络舆情指标。通过实证分析，研究各影响因素对大蒜价格的影响效应，进一步通过价格预测模型验证了所构建影响因素体系的有效性。主要研究结论如下：
（1）分析了大蒜价格的波动特征。采用小波分析和SL分解，对大蒜价格波动的时序特征进行分析，发现大蒜价格波动很大程度上受经济环境、供需关系和不确定性因素的影响；通过ARCH族模型，分析了大蒜价格波动的动态特征，发现大蒜价格的波动具有明显的聚集性、非对称性且不具有“高风险高回报特征”，动态波动特征揭示了历史价格数据蕴含的市场记忆效应，反映了相关从业者的行为模式以及潜在风险特征。
（2）针对复杂多变的价格影响因素，网络舆情能够包涵并反映多方面的影响因素信息，研究系统分析了传统影响因素与新兴的网络舆情因素，并针对新兴的网络舆情因素难以量化分析的问题，构建BERT-BiLSTM-CNN情感分析模型，结合舆情传播力度，构建了网络舆情情感指数。融合劳动价值论、均衡价格理论，并引入行为金融理论，从不同视角揭示了市场心理预期、价格内部形成因素、供需关系等要素的非线性交互作用机制。基于此，构建了一个多维度的大蒜价格影响因素体系，为理解价格波动提供了全新的视角，提升了对价格波动的解释力。
参考文献（略）