动物营养学报  2015, Vol. 27 Issue (5): 1450-1460   PDF (1172 KB)    
引用本文
潘晓花, 杨亮, 庞之洪, 王建芬, 熊本海. 猪饲料有效能值预测模型的构建[J]. 动物营养学报, 2015, 27(5): 1450-1460.  
PAN Xiaohua, YANG Liang, PANG Zhihong, WANG Jianfen, XIONG Benhai. Construction of Prediction Models of Feedstuffs Effective Energy Values for Swine[J]. Chinese Journal of Animal Nutrition, 2015, 27(5): 1450-1460.  
猪饲料有效能值预测模型的构建
潘晓花1, 杨亮1, 庞之洪1, 王建芬2, 熊本海1     
1. 中国农业科学院北京畜牧兽医研究所, 动物营养学国家重点实验室, 北京 100193;
2. 延庆县动物卫生监督管理局, 北京 102100
收稿日期：2014-11-12
基金项目：基本业务费课题(2013ywf-zd-3);动物科学与动物医学数据共享平台课题;国家科技支撑计划课题(2014BAD08B05)
作者简介：潘晓花(1988—),女,河南商丘人,博士研究生,从事反刍动物营养研究。E-mail:panxiaohuacaas@163.com
通讯作者：熊本海,研究员,博士生导师,E-mail:xiongbenhai@caas.cn
摘要：为探索饲料常规成分及碳水化合物组分与饲料有效能值之间的关系方程,本研究以NRC第11版《猪营养需要量》中发布的122套饲料营养成分表为基础,将饲料中11种基础成分[6项常规成分:干物质、粗蛋白质(CP)、粗纤维(CF)、粗脂肪(EE)、酸性醚提取物、粗灰分(ash);5项碳水化合物组分:淀粉(ST)、中性洗涤纤维(NDF)、酸性洗涤纤维(ADF)、半纤维素、酸性洗涤木质素]作为自变量,将饲料中的消化能(DE)、代谢能(ME)及净能(NE)作为因变量,采用SAS软件中的REG过程,分别建立不同性质饲料、自变量的不同组合与DE、ME及NE之间的回归关系方程,并以相关系数(R2)及变异系数(CV)作为评价回归模型的优劣。研究表明,有效能值与CP、ST及纤维类指标显著或极显著相关(P<0.05或P<0.01)。将所有饲料作为研究对象时,饲料的DE、ME及NE与上述11种基础成分之间建立的普适性回归模型预测效果较差。当将14种玉米及其加工产品形成子集时,建立饲料基础营养成分与DE、ME及NE的关系方程分别为7、6和7套(P<0.05),且3组回归模型R2分别为0.632 8~0.772 3、0.646 9~0.684 9和0.670 5~0.822 1,CV分别为6.61%~8.40%、6.58%~7.34%和6.21%~8.27%;当将13种大豆及其加工产品形成子集时,共建立饲料基础成分与DE、ME关系方程分别有3和4套,回归模型R2分别为0.907 1~0.926 9、0.890 7~0.922 3,CV分别为5.40%~6.09%、5.79%~6.78%,NE与基础营养成分指标之间无法建立具有营养学意义的有效回归方程。对于同类饲料中具有相同自变量组合的DE及ME预测模型而言,两者之间的差异主要是自变量CP的系数上,且CP部分对ME的正效应低于DE,这保证模型预测的ME低于DE。同时选用本研究构建的适宜模型,补充了NRC第11版成分表中第97(去皮大豆粕,低寡糖,浸提)、101(全脂大豆,高蛋白质)及102号(全脂大豆,低寡糖)饲料的DE值分别为15.99、17.35、17.27 MJ/kg,ME值分别为14.53、16.15和16.14 MJ/kg。综上,以NRC(2012)饲料营养成分表为基础,建立的普适性有效能值回归模型预测效果较差。按照玉米类和大豆类进行分类,可建立DE、ME和NE与饲料化学成分之间的多元回归方程,其中最优的预测因子为CP、EE、ST、ash、NDF、ADF。具有相同自变量的同类饲料DE和ME预测模型之间的差异是CP系数,CP影响DE转化为ME的效率。
关键词： NRC饲料成分表     消化能     代谢能     净能     预测模型    
Construction of Prediction Models of Feedstuffs Effective Energy Values for Swine
PAN Xiaohua1, YANG Liang1, PANG Zhihong1, WANG Jianfen2, XIONG Benhai1     
1. Institute of Animal Science, Chinese Academy of Agricultural Sciences, State Key Laboratory of Animal Nutrition, Beijing 100193, China;
2. Yanqing Animal Health Supervision and Administration, Beijing 102100, China
Abstract: This study was conducted to establish the relation equations between feedstuffs' chemical compositions, carbohydrate fractions and effective energy value. Based on intensively analysis of the indexes changed in the NRC 11th ed. swine feedstuff composition table, and the table was selected as data source to predict DE, ME and NE indirectly by basic chemical compositions and their different combinations, which were 6 kinds proximate nutrients [dry metter (DM), crude protein (CP), crude fiber (CF), ether extract (EE), acid hydrolysis ether extract (AEE), ash] and 5 kinds of carbohydrate (CHO) composition [starch (ST), neutral detergent fiber (NDF), acid detergent fiber (ADF), hemicellulose (HC), acid detergent lignin (ADL)] were considered as independent variables, while digestible energy (DE), metabolizable energy (ME) and net energy (NE) were treated as dependent variables, using REG process of SAS to set up these relationship equations for different feedstuff groups and different independent variable combinations. The correlation coefficient (R2) and coefficient of variation (CV) were used to evaluate the fitness of models. The results showed as follows: when considering all feedstuff as a group, universally applicable prediction models couldn't be established between DE, ME, NE and feedstuffs' chemical compositions. Further research found that when considering corn and it's by-products as a subset, 7, 6 and 7 models were built for DE, ME and NE, respectively, and their R2 were 0.632 8 to 0.772 3 (CV was 6.61% to 8.40%), 0.646 9 to 0.684 9 (CV was 6.91% to 7.34%) and 0.670 5 to 0.822 1 (CV was 6.22% to 8.28%). Three and four models were built for DE and ME respectively when considering soybean and it's by-products as a subset, and their R2 were 0.907 1 to 0.926 9 (CV was 5.40% to 6.09%), 0.890 7 to 0.922 3 (CV was 5.79% to 6.78%), no linear regression existed between NE and basic chemical composition. The R2 and CV values above indicated that soybean group's DE and ME prediction models have higher goodness of fit than corn subsets, and for the same kind feedstuffs, the difference between DE and ME models with the same independent variables was mainly the coefficient of CP, and CP shows a greater impact on DE than ME, which guarantee ME predicted value is lower than DE. NE models showed that the main factor influenced NE values were starch. Also we complement the DE and ME values of No. 97 (soybean meal, low oligosaccharide, dehulled, solvent extracted), No. 101 (soybeans, high protein, full fat) and No. 102 (soybeans, low oligosaccharide, full fat) feedstuffs in 11th version of NRC by applying the appropriate models in this study, and their DE and ME value were 15.99, 17.35, 17.27 MJ/kg and 14.53, 16.15, 16.14 MJ/kg, respectively. In conclusion, universally applicable prediction models for effective energy values cann't obtain based on feedstuffs' ingredients composition in NRC (2012), but DE, ME and NE prediction models for corn and soybeans are established by appropriate classification of feedstuffs and different independent variables combinations. The most important factors in predicting effective energy are CP, EE, ST, ash, NDF and ADF. For the same feedstuff, the differences between DE and ME model are the coefficients of CP, and CP played an important role in the conversion of DE to ME.
Key words: NRC feedstuff composition table     digestible energy     metabolizable energy     net energy     prediction model    

NRC在2012年发布了《猪营养需要量》的第11修订版[1]。与NRC第10版《猪营养需要量》[2]比较，第11版猪用饲料成分表的更新主要包括以下几个方面：1)饲料营养成分表的原料种类从79种增加到122种，饲料编号部分保留了上版已有饲料原料，并新增了一些饲料编号及无编号的饲料原料；2)部分饲料原料新增了一些基础营养成分评价指标，即糖类、纤维物质类、脂肪酸类等指标；3)大部分饲料养分数据得以修正，饲料原料的有效能值数据变动较大，如玉米消化能(DE)由14.75 MJ/kg下降至14.44 MJ/kg，而净能(NE)由10.02 MJ/kg上升至11.18 MJ/kg，同时玉米干酒糟及其可溶物(DDGS)代谢能(ME)(8.64 vs. 9.80 MJ/kg)，大豆粕ME(8.45 vs. 8.73 MJ/kg)及大部分未列出原料的NE也有所提高。

饲料能值是影响饲粮成本及饲喂效果的重要因素，NRC(2012)对饲料原料能值的修订也进一步说明了能值在动物饲粮配制中的重要性。但是，开展饲料有效能值的评价费时费力，为此，国内外在饲料有效能值的间接估测(算)方面进行了大量的研究。例如，Evan[3]、Noblet等[4]提出通过饲料中的总能(GE)、部分常规成分及可溶性碳水化合物(SCHO)指标预测饲料中的DE，且给出的模型不分饲料类型。NRC(1998)也提供了一系列饲料GE、DE、ME及NE的预测模型。近年来，Sauvant等[5]在法国饲料成分表中提供不分饲料类型的DE计算模型，Kim等[6]、Wan等[7]、Huang等[8, 9]通过大量试验数据构建了基于一种或一类饲料的有效能值预测方程。随着饲料有效能值评定方法的改进，样本数的增加，饲料原料有效能值的准确性也逐渐提高。但是，NRC(2012)虽修订了大量的能值数据，但以饲料营养成分为自变量的有效能值预测模型为旧版中Noblet等[4]提出的模型，未融合最新的营养成分数据库，因而需要更新能值预测模型。另一方面，我国的饲料资料种类多样，受饲料原料种类，加工工艺及环境因素的影响，我国饲料原料的基础成分(概略养分及碳水化合物)与NRC发布的成分表不完全一致，因而不能直接采用NRC(2012)饲料原料的有效能值。为此，本研究基于NRC第11版发布的饲料能值数据，采用数据挖掘与深度分析的技术，通过饲料营养成分指标的不同组合，建立有效能值的预测模型，用于估测我国饲料原料的有效能值以指导动物饲粮配制。

1 材料与方法 1.1 饲料能值数据准备

选用NRC(2012)《猪营养需要量》中发布的猪饲料成分及营养价值表。涉及的饲料原料种类122种，其中参与回归计算的原料种类须具备干物质含量及相应的能值数据，否则予以剔除，以保证预测模型的有效性。

1.2 回归模型构建的变量定义

本研究定义的自变量如下：粗蛋白质(CP,%)、粗纤维(CF,%)、粗脂肪(EE，%)、酸性醚提取物(acid hydrolysis ether extract,AEE，%)、粗灰分(ash,%)、淀粉(starch,ST,%)、中性洗涤纤维(neutral detergent fiber,NDF,%)、酸性洗涤纤维(acid detergent fiber,ADF,%)、半纤维素(hemicellulose,HC,%)、酸性洗涤木质素(acid detergent lignin,ADL,%)。其中HC和ADL数据量较少，未参与模型回归。因变量的定义为DE(kJ/kg)、ME(kJ/kg)及NE(kJ/kg)。

1.3 统计分析及模型的建立

采用SPSS 16.0[10]分析有效能值与营养成分之间的相关性，采用SAS 8.01[11]的REG过程，获得自变量不同组合下回归模型参数。回归模型拟合效果的评判指标包括均方根误差(RMSE)、变异系数(CV)、相关系数(R2)及P值，其中RMSE和CV反映模型预测值与真实值的离散程度，R2反映模型对因变量的预测效果，并以P<0.05作为模型显著有效的标准。同时，从营养学理论上讲，CP、EE、ST及AEE对饲料有效能值具有正效应，ash、NDF、ADF、CF、HC和ADL对饲料有效能值具有负效应，本研究以此为基准判定模型是否具有营养学意义。

2 结 果 2.1 饲料有效能值及营养成分相关性分析

玉米类饲料和大豆类饲料有效能值与营养成分之间的相关性分别见表1和表2。由表可知，饲料DE、ME和NE三者显著或极显著相关(P<0.05或P<0.01)，而有效能值与营养成分之间的相关性在玉米类饲料与大豆类饲料之间存在差异。玉米类饲料DE与CP和NDF显著或极显著相关(P<0.05或P<0.01)，NE与ST、NDF、ADF和CF存在显著或极显著相关关系(P<0.05或P<0.01)；而大豆类饲料DE和ME均与CP、ST、NDF、ADF和CF存在显著或极显著相关关系(P<0.05或P<0.01)，而NE主要受EE、ST、NDF、ADF和CF的显著或极显著影响(P<0.05或P<0.01)，因此，不同饲料原料有效能值与饲料营养成分的关系存在 差异，需分类建立相应的有效能值预测模型。另外，ST、CP、NDF、ADF和CF之间存在较强的相关性(P<0.05)，这决定了自变量的不同组合会影响饲料有效能值的预测效果。

表1 “玉米及其加工产品类”饲料有效能值与营养成分相关性分析 Table 1 Correlation analysis between effective energy and nutrition composition for corn and its by-products

表2 “大豆及其加工产品类饲料”有效能值与营养成分相关性分析 Table 2 Correlation analysis between effective energy and nutrition composition for soybean and its by-products
2.2 饲料中DE的回归效果 2.2.1 不分饲料类型的DE回归

对1.2中所有变量，无论怎样组合，获得的回归模型R2均低于0.300 0，CV均超过20%，表明，构建饲料的常规养分(DM、CP、CF、EE、AEE和ash)及碳水化合物指标(ST、NDF、ADF、HC和ADL)与所有类型饲料的DE普适性回归模型预测效果较差，因此需要分饲料类型进行构建。

2.2.2 “玉米及其加工产品类”DE回归模型构建

鉴于2.2.1的结果，本研究按饲料类型构建模型。以NRC(2012)饲料成分表的第20~33号饲料共14种玉米及其加工类饲料为子集，建立玉米类饲料DE预测模型7套，见表3。当以CP、EE、ash、ST和NDF、ADF、CF为参数预测DE时，各模型R2变化范围为0.632 8~0.772 3，预测值CV变化范围为6.61%~8.40%，且P<0.05，说明上述模型能够有效的预测玉米类饲料的DE，其中公式(7)和(9)的R2最大，RMSE和CV最小，预测效果最好。当以AEE代替各个模型中的EE，分别得公式(2)、(4)、(6)、(8)、(10)和(12)，除公式(12)外，各模型均P>0.05，说明以AEE为自变量无法建立有效的DE预测模型，另外，公式(4)、(6)、(8)和(10)中NDF、ADF或CF参数系数为正，不具有营养学意义。

表3 “玉米及其加工产品类”饲料营养成分与DE之间的回归关系方程 Table 3 The regression relationship equations between nutrition composition and DE for corn and its products
2.2.3 “大豆及其加工产品类”DE回归模型构建

NRC(2012)饲料成分表的第89~104号饲料共16种饲料，均为大豆及大豆加工后的产品，将这些作为子集进行处理。由于第97号(去皮大豆粕，低寡糖，浸提)、101号(全脂大豆，高蛋白质)及102号(全脂大豆，低寡糖)3种饲料未提供饲料的DE而舍弃，则由余下13种饲料原料参与回归，获得的预测大豆类饲料DE的有效模型3套列在表4中。

表4 “大豆及其加工产品类”饲料中的基础化学成分与饲料DE之间的回归关系方程 Table 4 the regression relationship equations between main basic feedstuff composition and DE for soybean and its products

公式(14)至(17)模型的R2变化范围为0.907 1~0.926 9，RMSE为0.84~0.95，预测值CV变化范围为5.40%~6.09%，且P<0.05，说明上述回归模型对大豆类饲料DE的预测效果均较好，且明显优于表3中玉米类饲料的DE预测效果，表明大豆类饲料的基础营养成分与DE的相关关系较强。因此，可以利用获得的回归模型预测第97号(去皮大豆粕，低寡糖，浸提)、101号(全脂大豆，高蛋白质)及102号(全脂大豆，低寡糖)饲料的DE值。以表2中公式(14)和(16)为例，计算得到上述3种饲料原料的DE分别为15.99、17.35、17.27 MJ/kg和16.44、17.69、17.61 MJ/kg，2个模型的预测值差别不大，均可用于补充NRC(2012)缺省的上述3种原料DE值。因此，饲料的基础成分指标较完善，则可选择变量较多的回归模型，其对DE的预测效果将优于简单的回归模型。而在饲料营养成分不全的情况下，上述自变量较少的预测模型也可用于粗略地估测饲料DE。

2.3 饲料中ME回归模型的研究 2.3.1 不分饲料类型的ME模型

同(2.2.1)一样，无论怎样组合上述(1.2)中11个自变量，获得的回归模型，相关系数均未超过0.30，变异系数高达20%以上，表明以饲料的常规营养成分指标为自变量时，难以建立适用于所有类型饲料的ME预测模型，因此需要分饲料类型进行构建。

2.3.2 “玉米及其加工产品类”ME回归模型构建

同(2.2.2)一样，将第20号~第33号饲料共13种玉米类饲料构成子集，获得的预测饲料ME的有效模型6套(表5)。

表5 “玉米及其加工产品类”饲料中的基础化学成分与饲料ME之间的回归关系方程 Table 5 The regression relationship equations between main basic feedstuff composition and ME for corn and its products

当以CP、EE、Ash、ST和NDF/ADF/CF为参数预测ME时，公式(19)和(20)R2分别为0.492 1和0.609 5，低于其他模型，且2个模型的P>0.05，说明公式(19)和(20)模型对玉米类饲料ME的预测效果较差。公式(17)、(23)、(25)、(27)R2变化范围为0.646 9~0.684 9，RMSE变化范围为0.90~1.00，预测值CV变化范围为6.58%~7.34%，且P<0.05，表明上述模型能够有效地预测玉米类饲料的DE，且预测效果相近。当以AEE代替各个模型中的EE，分别得公式(18)、(20)、(22)、(24)、(26)、(28)，除公式(18)外，各模型P>0.05，说明以AEE为参数时无法建立有效的ME预测模型，且公式(20)、(24)和(26)中NDF，ADF或CF参数系数为正，不具有营养学意义。

2.3.3 “大豆及其加工产品类”的ME回归模型构建

同上述2.2.3，NRC猪饲料成分表的第89~104号饲料共16种大豆类饲料构成子集。由于第97、101及102号3种饲料未提供饲料的ME而不能参与回归计算，则由余下13种饲料原料的数据参与回归，获得的预测饲料ME的有效模型4套(表6)。

表6 “大豆及其加工产品类”饲料中的基础化学成分与饲料ME之间的回归关系方程 Table 6 The regression relationship equations between main basic feedstuff composition and ME for corn and its products

公式(29)至(32)模型的R2变化范围为0.890 7~0.922 3，RMSE为0.82~0.96，预测值CV变化范围为5.79%~6.78%，且P<0.05，说明上述回归模型对大豆类饲料ME的预测效果均较好，且拟和效果优于表5中玉米类饲料的ME预测模型。因此，利用表6中公式(29)至(32)预测第97号(去皮大豆粕，低寡糖，浸提)、101号(全脂大豆，高蛋白质)及102号(全脂大豆，低寡糖)饲料的ME，得到上述3种饲料原料的DE分别为12.82、14.45和14.37 MJ/kg[公式(29)]；14.53、16.15和16.14 MJ/kg[公式(30)]；14.77、16.35和16.28 MJ/kg[公式(31)]；14.64、16.14和16.15 MJ/kg[公式(32)]。上述结果均符合代谢能低于消化能的基本规律，上述数值可用于补充NRC(2012)缺省的3种原料代谢能值。但公式(29)与公式(30)至(32) 3个模型的预测值差别较大，原因是3种原料的ST含量均缺省，造成预测结果偏低。因此，需根据自变量数值完整情况，选择合适的预测模型。

2.4 饲料NE回归模型的研究 2.4.1 对所有饲料原料的NE模型构建

同DE和ME一样，无论怎样组合自变量，都不能建立饲料的基础成分与所有类型饲料NE的普适性回归模型，同样需要对饲料分类建立NE预测模型。

2.4.2 “玉米及其加工产品”的NE回归模型构建

同样地将14种玉米类饲料作为子集，共建立7套玉米及其加工产品类的NE有效预测，见下表7。当以CP、EE、ash、ST和NDF、ADF、CF为参数预测ME时，公式(39)R2为0.597 5，低于其他模型，且2个模型的P>0.05，说明公式(39)模型对玉米类饲料NE的预测效果较差。公式(33)、(35)、(37)、(41)、(43)和(45)可有效地预测玉米类饲料NE(R2=0.670 5~0.822 1，P<0.05，CV=6.21%~8.27%，RMSE=0.61~0.81)。当以AEE代替各个模型中的EE，分别得公式(34)、(36)、(38)、(40)、(42)、(44)和(46)，除公式(34)和(46)外，各模型P>0.05，说明AEE与NE无显著线性关系。此外，本研究基于11版本中最新玉米类营养成分数据，以EE、ash、ST及ADF作为自变量构建NE的预测模型[公式(48)]，并与Noblet等[4]推荐的NE模型[公式(47)]相比较，结果发现两者虽具有相同的自变量，但拟合度差异较大(0.597 5 vs 0.90)，说明公式(45)的NE模型拟合效果不理想，Noblet等[4]的NE模型已经过时而应根据饲料营养成分的变化而更新。

表7 “玉米及其加工产品类”饲料中的基础化学成分与饲料NE之间的回归关系方程 Table 7 The regression relationship equations between nutrition composition and NE for corn and its products
2.4.3 “大豆及其加工产品类”的NE回归模型构建

同2.2.3一样，将NRC饲料成分表的第89~104号饲料共16种饲料作为子集。由于第97、101及102号3种饲料未提供NE而不能参与回归计算，则由余下13种饲料的数据参与回归。得到的各模型中自变量ST的参数均为负值，即与NE为负相关而不具有营养学意义(未列出)，但NE可由DE或ME、EE、ST、CP和ADF间接预测NE(表8)。

表8 “大豆及其加工产品类”饲料中的基础化学成分与饲料NE之间的回归关系方程 Table 8 The regression relationship equations between main basic feedstuff composition and NE for soybean and its products
3 讨 论 3.1 影响有效能值模型预测效果的因素

动物为能而食[12]。自Diggs等[13, 14]开始用猪直接测定原料的能值以来，饲料的能值预测及数据等相关方面的研究不断积累。除了NRC机构外，法国饲料数据库[15]、中国饲料数据库[16]等均积累了不少的原始数据及文献数据。法国饲料数据库在积累数据的基础上，开发了io-7可直接进行回归分析的工具，即通过选定饲料样本，确定自变量及因变量，便可获得可视化的模拟图形与模型，方便了饲料未知营养指标的预测。本研究构建的模型自变量均为饲料中化学成分，可按照国际通用的试验方法测定获得，这保证了预测模型的原始性与可靠性。但参与回归的数据样本量及自变量的不同组合会影响有效能值预测模型的回归效果。本研究中，玉米类饲料DE、ME和NE模型的建立是基于NRC(2012)饲料营养成分表中第20~33号饲料的营养成分数值(n=14)，而参与大豆类饲料DE、ME和NE模型建立的数据集是第89~104号饲料(第97、101及102号饲料因缺省有效能值而剔除)共13种饲料的饲料营养成分数值(n=13)，样本量相对偏少而影响模型的拟合效果，因此，饲料样本基础营养成分数据库仍需大量积累，并需结合猪的消化试验和代谢试验获得饲料原料有效能值的实测值，从而改善模型的预测效果。自变量的组合是影响模型拟合效果的另一重要因素。当将CP、EE、ST、ash、NDF和ADF全部作为自变量参与有效能值预测模型拟合时，无法建立合理有效的模型(结果中未列出)，原因可能是CP、EE、ST、NDF、ADF、CF之间存在显著或极显著的相关性，各营养成分之间相互影响而影响模型的拟合效果，故本研究建立的有效能值预测模型主要为二元方程、三元方程和四元方程。另外，NRC(2012)饲料营养成分表中新增了AEE指标，其中AEE是指利用酸水解法测定的脂类总量，与索氏萃取法测定的EE相比，AEE除脂肪外还包括脂溶性有机酸、脂溶性维生素、固醇类和色素等，故AEE更能反映饲料原料的脂肪水平[17]；本研究试图以AEE为自变量估测玉米类饲料的有效能值，发现无法建立AEE与有效能值的预测模型，可能是因为具有AEE数值的饲料样本量(n=8)不足。

在评定饲料有效能时,除了预测因子的数量和组合模型外,饲粮类型对模型预测效果的影响也很重要。大量研究证明了饲料分类建立模型的优势:Morgan等[18]、何英[19]和Wiseman等[20]均通过试验证明饲料分类建立模型能提高预测准确性，因同类饲料营养成分的同质性高、相关性强，因而其估测值更加可靠。本研究发现，将NRC(2012)所有饲料原料的营养成分表作为数据来源，建立的有效能值回归模型预测效果较差，若按照玉米类和大豆类2大类进行划分，则可建立有效的预测模型，提高了预测结果的准确性，但由于数据样本量有限无法更加细分，饲料类型对预测准确度的影响程度还有待进一步探讨。

3.2 DE、ME和NE预测模型的差异

对比上述表3和表5，表4和表6发现，同类饲料的DE与ME模型相比，ME与营养成分之间的拟合度较低， 间接地说明饲料原料的ME数值不能简单地按DE换算。可能原因是饲料的ME除与饲料本身的营养成分相关外，还受动物、环境及其他因素的影响，导致不同饲料的代谢率存在差异而引起化学成分与ME的回归效果略逊于DE。同时，同类饲料，具有相同自变量组合的DE与ME预测模型，两者之间的差异主要是变量CP的系数，而其他自变量系数及截距数值都非常接近，同时May等[21]、Noblet[22]、Noblet等[4]，中国农业科学院畜牧研究所等[16]研究构建了通过DE和CP预测ME的模型，上述结果均表明CP对DE转化为ME的利用率方面起重要的作用。本研究与上述研究相比，直接建立了ME与饲料的基础成分之间的关系模型，减少了通过DE间接计算ME而产生的累积误差，同时反映了CP对ME的贡献效果。而同类饲料具有相同自变量组合的NE与ME预测模型之间，常数项，自变量CP、EE、ST和NDF、ADF的系数均差异较大，同时，NRC(2012)中引用的Noblet等[23]NE预测模型除了DE或ME之外，还包括了EE、ST、CP和ADF参数，并增加了Blok[24]的NE模型[包括可消化酸水解粗脂肪(DEEh)、酶可降解淀粉(Starcham)、酶可降解糖类(Suge)及可发酵碳水化合物(FCH)指标]，说明ME转化为NE的效率受多个营养成分含量及其消化率的影响，从而引起不同饲料原料能量利用率的差异，进一步证明NE是评价饲料原料真实能值的最准确的指标[25]。但ST、糖类含量，CP和EE消化率等数值的不足是限制当前NE预测模型准确性的因素，目前NE的预测仍是以饲料营养成分结合DE或ME为主。

4 结 论

① 基于NRC(2012)最新饲料营养成分表，以饲料化学成分为自变量，建立适用于所有饲料的有效能值回归模型预测效果较差，但可按照饲料类型分类建立有效能值模型。

② 建立玉米类饲料与大豆类饲料原料有效能值的预测方程时，最优的预测因子为CP、EE、ST、ash、NDF、ADF。同类饲料具有相同自变量组合的DE和ME模型的主要差异是变量CP的系数，NE与ME预测模型之间各自变量的系数均不相同。

③ 本研究建立推荐的有效能值预测模型如下：

DE玉米类=9.16+0.13×CP+0.17×EE+0.047×ST-0.009×NDF(R2=0.772 3,P=0.005 7)；

ME玉米类=9.14+0.10×CP+0.17×EE+0.048×ST-0.008×NDF(R2=0.684 9,P=0.022 6)；

NE玉米类=6.69+0.044×CP+0.18×EE+0.051×ST-0.019×NDF(R2=0.822 5,P=0.002 0)；

DE大豆类=14.99+0.031×CP+0.13×EE-0.12×NDF(R2=0.926 9,P=0.000 2)；

ME大豆类=12.81+0.041×CP+0.15×EE-0.091×NDF(R2=0.920 5,P=0.001 1)。

参考文献
[1]NRC.Nutrient requirements of swine[M]. 11th ed.Washington,D.C.:National Academy Press,2012. (1)
[2]NRC.Nutrient requirements of swine[M]. 10th ed.Washington,D.C.:National Academy Press,1998. (1)
[3]EWAN R C.Predicting the energy utilization of diets and feed ingredients by pigs[C]//VAN DER HONING Y,CLOSE W H.Energy Metabolism of Farm Animals[P]. Pudoc,Wageningen,the Netherlands: EAAP Publication,1989,43:215-218. (1)
[4]NOBLET J,PEREZ J M.Prediction of digestibility of nutrients and energy values of pig diets from chemical analysis [J]. Journal of Animal Science,1993,71(12):3389-3398. (5)
[5]SAUVANT D,PEREZ J -M,TRAN G.Tables of Composition and nutritional value of feed materials[M]. 2nd ed.Wageninge:Wageningen Academic Publishers,2004. (1)
[6]KIM J C,SIMMINS P H,MULLAN B P,et al.The digestible energy value of wheat for pigs,with special reference to the post-weaned animal [J]. Animal Feed Science and Technology,2005,122(3/4):257-287. (1)
[7]WAN H F,CHEN W,QI Z L,et al.Prediction of true metabolizable energy from chemical composition of wheat milling by-products for ducks[J]. Poultry Science,2009,88(1):92-97. (1)
[8]HUANG Q,PIAO X S,REN P,et al.Prediction of digestible and metabolizable energy content and standardized ileal amino acid digestibility in wheat shorts and red dog for growing pigs [J]. Asian-Australasian Journal of Animal Sciences,2012,25(12):1748-1758. (1)
[9]HUANG Q,SHI C X,SU Y B,et al.Prediction of the digestible and metabolizable energy content of wheat milling by-products for growing pigs from chemical composition[J]. Animal Feed Science and Technology,2014,196:107-116. (1)
[10]NORUSIS M.SPSS 16.0 Statistical Procedures Companion [M]. Prentice Hall Press,2008. (1)
[11]SAS Institute.The SAS System for Windows,Software,Release 8.01[Z]. Cary,NC:SAS Inst.Inc.,2000. (1)
[12]许振英.生长肥育猪的营养[J]. 养猪,1991(4):37-43. (1)
[13]DIGGS B G,BEEKER D E,TERRILL S W,et al.The energy value of various feedstuffs for the young pig [J]. Journal of Animal Science,1959,18:1482-1486. (1)
[14]DIGGS B G,BEEKER D E,JENSEN A H,et al.Energy value of various feeds for the young pig [J]. Journal of Animal Science,1965,24(2):555-558. (1)
[15]AFZ,CEREOPA.Economic and technical feed data[DB/OL][2013-11-04]. http://www.feedbase.com/index.php?Lang=E. (1)
[16]中国农业科学院北京畜牧兽医研究所,中国饲料数据库情报网中心.饲料数据库[DB/OL][2014-09-07]. http://www.chinafeeddata.org.cn/. (2)
[17]林建云,宋春生.膨化饲料中粗脂肪总量的测定[J]. 台湾海峡,2009(增刊):159-163. (1)
[18]MORGAN D J,COLE D J A,LEWI S D.Energy values in pig nutrition.Ⅱ the prediction of energy values from dietary chemical analysis [J]. The Journal of Agricultural Science,1975,84(1):19-27. (1)
[19]何英.糠麸糟渣、饼粕类饲料猪有效能预测模型的研究[D]. 硕士学位论文.雅安:四川农业大学,2004. (1)
[20]WISEMAN I,COLE D J A.Predicting the energy content of pig feeds[M]//HARESIGN W.Recent Advances in Animal Nutrition-1983.London,1983:59-70. (1)
[21]MAY R M,BELL J M.Digestible and metabolizable energy values of some feeds for the growing pig[J]. Canadian Journal of Animal Science,1971,51(2):271-278. (1)
[22]NOBLET J,FORTUNE H,DUBOIS S,et al.Nouvelles bases d'estimations des teneurs energie digestible,métabolisable et nette des aliments pour le porc[M]. Paris:Institut National de La Recherche Agrimonigue,1989. (1)
[23]NOBLET J,FORTUNE H,SHI X S,et al.Prediction of net energy values for growing pigs [J]. Journal of Animal Science,1994,72(2):344-354. (1)
[24]BLOK M C.Development of a new NE formula by CVB using the database by INRA[C]//Presystems Workshop,Net Energy Systems for Growing and Fattening Pigs.Vejle,Denmark,2006. (1)
[25]孙献忠,熊本海.用饲料化学成分预测猪饲料能值的研究进展[J]. 中国畜牧兽医,2006,33(11):19-23. (1)