黃 凱，王 健

(福州大學(xué) 經(jīng)濟(jì)與管理學(xué)院，福建 福州 350108)

我國(guó)擁有豐富的農(nóng)業(yè)資源，對(duì)生鮮農(nóng)產(chǎn)品的生產(chǎn)、消費(fèi)和貿(mào)易具有諸多優(yōu)勢(shì)。在消費(fèi)升級(jí)和消費(fèi)需求激增的背景下，消費(fèi)者更多地追求生鮮農(nóng)產(chǎn)品的高品質(zhì)和實(shí)效性。據(jù)統(tǒng)計(jì)，我國(guó)生鮮農(nóng)產(chǎn)品產(chǎn)量中肉類、水產(chǎn)品、水果、奶類及蛋禽類總產(chǎn)量由2007年的34 065.9萬(wàn)t增加到2018年的47 075.8萬(wàn)t，蔬菜產(chǎn)量由2007年的15 615千hm2增加到2018年的20 439千hm2。根據(jù)中物聯(lián)冷鏈委統(tǒng)計(jì)數(shù)據(jù)，2017年中國(guó)冷鏈物流市場(chǎng)規(guī)模達(dá)到2 386億元，2018年中國(guó)冷鏈物流市場(chǎng)規(guī)模達(dá)到2 987億元，同比增長(zhǎng)25.19%。目前,我國(guó)冷鏈物流市場(chǎng)規(guī)模將近3 000億元，生鮮農(nóng)產(chǎn)品的市場(chǎng)呈現(xiàn)日益擴(kuò)大的趨勢(shì)，勢(shì)必會(huì)對(duì)農(nóng)產(chǎn)品冷鏈物流的發(fā)展提出新的更高的要求，發(fā)展生鮮農(nóng)產(chǎn)品冷鏈物流存在較大空間。

為有效把握事物的發(fā)展方向和增長(zhǎng)趨勢(shì)，選取合理有效的預(yù)測(cè)模型顯得尤為關(guān)鍵?，F(xiàn)有研究主要運(yùn)用偏最小二乘回歸[1]、ARIMA模型[2]、灰色預(yù)測(cè)模型[3]等預(yù)測(cè)模型，根據(jù)單一時(shí)間序列數(shù)據(jù)進(jìn)行預(yù)測(cè)。此外，考慮到影響需求變化的因素較多，已有研究運(yùn)用BP神經(jīng)網(wǎng)絡(luò)[4]、RBF神經(jīng)網(wǎng)絡(luò)[5]、支持向量回歸[6-7]、機(jī)器學(xué)習(xí)[8-9]、最優(yōu)組合預(yù)測(cè)模型[10-11]等方法預(yù)測(cè)不同領(lǐng)域的事物發(fā)展變化規(guī)律，并呈現(xiàn)出較好的預(yù)測(cè)結(jié)果。預(yù)測(cè)不僅能呈現(xiàn)預(yù)測(cè)數(shù)值的增減趨勢(shì)，還能實(shí)現(xiàn)信息共享[12]，同時(shí)也有助于提出相關(guān)產(chǎn)業(yè)或行業(yè)進(jìn)一步優(yōu)化發(fā)展的措施和策略[13]。在物流需求預(yù)測(cè)方面，物流需求的變化是由多方面影響因素共同作用的結(jié)果。魯渤等[14]基于引力模型對(duì)區(qū)域物流需求進(jìn)行有效預(yù)測(cè)，并指出科學(xué)預(yù)測(cè)物流需求量對(duì)物流園區(qū)的建設(shè)規(guī)劃具有重要意義。李瑞等[15]分別運(yùn)用RBF神經(jīng)網(wǎng)絡(luò)方法、GM(1，1)預(yù)測(cè)模型和BP神經(jīng)網(wǎng)絡(luò)方法，對(duì)物流業(yè)能源需求進(jìn)行預(yù)測(cè)，發(fā)現(xiàn)相較于其他兩種方法，RBF神經(jīng)網(wǎng)絡(luò)方法預(yù)測(cè)精度更高。韓慧健等[16]提出一種基于模糊認(rèn)知圖的社會(huì)物流需求預(yù)測(cè)方法，研究表明該模型預(yù)測(cè)精度較高，具備對(duì)社會(huì)物流總額的短期預(yù)測(cè)能力。YAN等[17]分析青島市物流需求的影響因素，并利用優(yōu)化后的支持向量機(jī)模型對(duì)物流需求進(jìn)行預(yù)測(cè)。蔡婉貞等[18]采用BP神經(jīng)網(wǎng)絡(luò)和RBF神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)港口物流需求量，并根據(jù)兩個(gè)單一預(yù)測(cè)模型預(yù)測(cè)結(jié)果設(shè)置不同權(quán)重，構(gòu)建組合預(yù)測(cè)模型。在生鮮農(nóng)產(chǎn)品冷鏈物流方面，有的研究從理論層面出發(fā)，探討生鮮農(nóng)產(chǎn)品冷鏈物流發(fā)展模式、發(fā)展對(duì)策[19]，還有研究從技術(shù)層面出發(fā)，對(duì)生鮮農(nóng)產(chǎn)品冷鏈物流網(wǎng)絡(luò)節(jié)點(diǎn)和配送路徑的優(yōu)化[20]等展開(kāi)探討，但鮮有研究涉及生鮮農(nóng)產(chǎn)品冷鏈物流需求預(yù)測(cè)方面。

因此，筆者提出基于GM(1,1)模型、BP神經(jīng)網(wǎng)絡(luò)和RBF神經(jīng)網(wǎng)絡(luò)的生鮮農(nóng)產(chǎn)品冷鏈物流需求組合預(yù)測(cè)模型，并選取2007—2017年我國(guó)生鮮農(nóng)產(chǎn)品冷鏈物流需求量及影響因素?cái)?shù)據(jù)，對(duì)我國(guó)生鮮農(nóng)產(chǎn)品冷鏈物流需求量進(jìn)行預(yù)測(cè)分析。本研究的創(chuàng)新點(diǎn)在于：①不同于現(xiàn)有研究對(duì)生鮮農(nóng)產(chǎn)品物流預(yù)測(cè)采取單一預(yù)測(cè)模型的研究方法，筆者采取組合預(yù)測(cè)模型對(duì)生鮮農(nóng)產(chǎn)品冷鏈物流需求進(jìn)行預(yù)測(cè)，以尋求高精度的預(yù)測(cè)模型；②不同于已有研究單純預(yù)測(cè)生鮮農(nóng)產(chǎn)品物流的需求量，筆者在綜合考慮多方面影響因素的基礎(chǔ)上，對(duì)生鮮農(nóng)產(chǎn)品冷鏈物流需求預(yù)測(cè)進(jìn)行研究。

1 預(yù)測(cè)方法

1.1 GM(1,1)預(yù)測(cè)模型

GM(1,1)預(yù)測(cè)模型是先將原始序列進(jìn)行累加，然后構(gòu)建一階線性微分方程，得到擬合函數(shù)后再對(duì)系統(tǒng)進(jìn)行預(yù)測(cè)。

(1)

式中：k為時(shí)間；a為發(fā)展灰數(shù)；b為內(nèi)生控制灰數(shù)；x(0)(1)為原始序列；x(1)(k)為原始序列數(shù)據(jù)的一次累加值。

1.2 BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型

BP神經(jīng)網(wǎng)絡(luò)模型是一種監(jiān)督性網(wǎng)絡(luò)類型，由輸入層、隱含層和輸出層組成。輸入信號(hào)先向前傳播到隱含層，經(jīng)過(guò)作用函數(shù)后將隱含層的輸出信息傳播到輸出層，最后給出輸出結(jié)果。此方法可以彌補(bǔ)傳統(tǒng)預(yù)測(cè)方法的缺陷，能夠真實(shí)地映射各個(gè)影響因素之間的非線性關(guān)系。

構(gòu)建BP神經(jīng)網(wǎng)絡(luò)模型的步驟：首先,確定各層節(jié)點(diǎn)的個(gè)數(shù)，將各個(gè)權(quán)值和閾值賦予[-1,1]之間的隨機(jī)值,接著輸入樣本數(shù)據(jù)和相應(yīng)的期望輸出，對(duì)每一個(gè)樣本進(jìn)行學(xué)習(xí)，根據(jù)輸入樣本計(jì)算出實(shí)際的輸出及隱含層節(jié)點(diǎn)的輸出；其次,計(jì)算實(shí)際輸出與期望輸出之間的差值，然后計(jì)算輸出層與隱含層的誤差，根據(jù)這一誤差來(lái)更新輸入層-隱含層節(jié)點(diǎn)之間、隱含層-輸出層節(jié)點(diǎn)之間的連接權(quán)值；最后，求得輸出節(jié)點(diǎn)誤差E，判斷E是否收斂到給定的學(xué)習(xí)精度內(nèi)，若滿足，則停止學(xué)習(xí)，否則繼續(xù)學(xué)習(xí)，重復(fù)上述步驟。

(2)

式中：zl為隱含層節(jié)點(diǎn)輸出；xi為輸入節(jié)點(diǎn)；wli為輸入節(jié)點(diǎn)與隱含層節(jié)點(diǎn)間的網(wǎng)絡(luò)權(quán)值；θl為隱含層的閾值；f1為隱含層的激活函數(shù)。

(3)

式中：yj為輸出層節(jié)點(diǎn)輸出；zl為隱含層節(jié)點(diǎn)；vjl為隱含層節(jié)點(diǎn)與輸出節(jié)點(diǎn)間的網(wǎng)絡(luò)權(quán)值；θj為輸出層的閾值；f2為輸出層的激活函數(shù)。

(4)

式中：tj為輸出節(jié)點(diǎn)的期望值；E為輸出節(jié)點(diǎn)誤差。

1.3 RBF神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型

RBF神經(jīng)網(wǎng)絡(luò)具有較強(qiáng)的學(xué)習(xí)速度和自適應(yīng)能力，不僅能處理輸入的樣本數(shù)據(jù)，還能處理與輸入樣本數(shù)據(jù)相似的數(shù)據(jù)。因此，通過(guò)學(xué)習(xí)歷史數(shù)據(jù)，可以找到生鮮農(nóng)產(chǎn)品冷鏈物流發(fā)展各影響因素與冷鏈物流需求之間的非線性映射關(guān)系。

RBF神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)過(guò)程主要包括監(jiān)督學(xué)習(xí)階段和非監(jiān)督學(xué)習(xí)階段。非監(jiān)督學(xué)習(xí)階段采用K-means聚類法對(duì)訓(xùn)練樣本的輸入量進(jìn)行聚類找到Cl，然后進(jìn)行監(jiān)督學(xué)習(xí)，監(jiān)督學(xué)習(xí)階段采用最小二乘法求解輸出權(quán)重w。隱含層由一組徑向基函數(shù)構(gòu)成，其可將低維度的輸入變量映射到高維空間，實(shí)現(xiàn)線性可分；輸出層則對(duì)隱含層的輸出進(jìn)行線性加權(quán)求和得到網(wǎng)絡(luò)的最終輸出。

(6)

式中：y′為最終實(shí)際輸出；X∈RN為輸入變量，l為隱含層節(jié)點(diǎn)數(shù)；w為權(quán)系數(shù)；Cl為基函數(shù)中心；‖X-Cl‖為歐氏距離；σ為方差。

1.4 最優(yōu)組合預(yù)測(cè)模型

考慮到單獨(dú)一個(gè)子模型在預(yù)測(cè)過(guò)程中結(jié)果并不穩(wěn)定，筆者將分別計(jì)算出3種子模型的均方誤差，然后求出組合模型的權(quán)系數(shù)，運(yùn)用預(yù)測(cè)誤差平方和達(dá)到最小的加權(quán)平均組合預(yù)測(cè)模型。具體預(yù)測(cè)運(yùn)算過(guò)程如下：

假設(shè)m個(gè)子預(yù)測(cè)模型預(yù)測(cè)同一個(gè)序列，那么由m個(gè)子預(yù)測(cè)模型構(gòu)成的最優(yōu)組合預(yù)測(cè)模型為：

(7)

2 影響因素選取及數(shù)據(jù)來(lái)源

筆者選取蔬菜、水果、肉類、禽蛋產(chǎn)品、乳制品、水產(chǎn)品作為生鮮農(nóng)產(chǎn)品的主要研究對(duì)象，將這6類農(nóng)產(chǎn)品的全國(guó)居民人均主要食品消費(fèi)量作為生鮮農(nóng)產(chǎn)品冷鏈物流需求量的輸出數(shù)據(jù)。

以往研究大多考慮單一指標(biāo)進(jìn)行預(yù)測(cè)，筆者從多角度影響因素出發(fā)，且基于數(shù)據(jù)的可得性，從生鮮農(nóng)產(chǎn)品供給、社會(huì)經(jīng)濟(jì)發(fā)展、冷鏈物流發(fā)展、可持續(xù)發(fā)展條件、交通信息技術(shù)條件選取主要影響指標(biāo)，具體為：社會(huì)消費(fèi)品零售總額X1，人均GDPX2，生鮮農(nóng)產(chǎn)品產(chǎn)量X3，蔬菜播種面積X4，互聯(lián)網(wǎng)寬帶接入端口X5，食品制造業(yè)資產(chǎn)總額X6，農(nóng)林牧漁固定資產(chǎn)投資X7，交通運(yùn)輸、倉(cāng)儲(chǔ)和郵政業(yè)固定資產(chǎn)投資X8，信息傳輸、軟件和信息技術(shù)服務(wù)業(yè)固定資產(chǎn)投資X9，全國(guó)總?cè)丝跀?shù)X10，冷庫(kù)容量X11，冷藏車保有量X12，城鎮(zhèn)居民消費(fèi)水平X13，公路總里程X14，普通本?？飘厴I(yè)生人數(shù)X15，并將這15個(gè)主要影響因素的數(shù)據(jù)作為輸入數(shù)據(jù)。以上數(shù)據(jù)均從2008—2018年《中國(guó)物流年鑒》《中國(guó)冷鏈物流報(bào)告》《中國(guó)統(tǒng)計(jì)年鑒》中獲取，其中生鮮農(nóng)產(chǎn)品產(chǎn)量是由《中國(guó)統(tǒng)計(jì)年鑒》中每年水果產(chǎn)量、肉類產(chǎn)量、奶類產(chǎn)量、禽蛋產(chǎn)量和水產(chǎn)品產(chǎn)量進(jìn)行加總求和得到，又由于蔬菜播種面積的單位是千hm2，未能統(tǒng)一單位，故單獨(dú)列出。

3 實(shí)證結(jié)果及分析

3.1 影響因素關(guān)聯(lián)度分析

首先，對(duì)數(shù)據(jù)進(jìn)行標(biāo)準(zhǔn)化處理，將數(shù)據(jù)轉(zhuǎn)化到[0，1]之間。其次，對(duì)影響因素與因變量的相關(guān)性進(jìn)行分析，結(jié)果顯示城鎮(zhèn)居民消費(fèi)水平X13、公路總里程X14、普通本?？飘厴I(yè)生人數(shù)X15這3個(gè)因素與因變量的相關(guān)系數(shù)均低于0.80，故舍去；其他12個(gè)因素與因變量的相關(guān)系數(shù)均大于0.85，各因素的關(guān)聯(lián)度排序?yàn)椋篨3>X10>X2>X8>X1>X4>X11>X9>X12>X7>X5>X6，說(shuō)明選取的影響因素均具有較強(qiáng)的解釋能力和代表性，能夠用于生鮮農(nóng)產(chǎn)品物流需求預(yù)測(cè)。最后，選取12個(gè)影響因素與因變量進(jìn)行預(yù)測(cè)分析，原始數(shù)據(jù)如表1所示。

表1 2007—2017年生鮮農(nóng)產(chǎn)品冷鏈物流需求量及其影響因素原始數(shù)據(jù)

3.2 實(shí)證分析

3.2.1 GM(1,1)模型構(gòu)建及仿真分析

構(gòu)建GM(1,1)模型并利用Matlab工具對(duì)數(shù)據(jù)進(jìn)行計(jì)算，可得參數(shù)a=-0.001 9，b=189.221 5。GM(1,1)模型的仿真結(jié)果如圖1所示，可看出GM(1,1)模型的預(yù)測(cè)值和實(shí)際值的擬合效果并不理想，預(yù)測(cè)值與真實(shí)值的誤差較大，有70%的時(shí)間節(jié)點(diǎn)的預(yù)測(cè)值高于實(shí)際值，且數(shù)值波動(dòng)較大。2014年真實(shí)值與預(yù)測(cè)值之間的誤差最大，相對(duì)誤差值達(dá)到4.5%，2016年相對(duì)誤差值逐漸降低到0.5%左右。

圖1 GM(1,1)模型的仿真結(jié)果

3.2.2 BP神經(jīng)網(wǎng)絡(luò)模型構(gòu)建及仿真分析

基于初始樣本歸一化后的數(shù)據(jù)，將2007—2014年數(shù)據(jù)作為BP神經(jīng)網(wǎng)絡(luò)的訓(xùn)練樣本，將2015—2017年的數(shù)據(jù)作為檢驗(yàn)樣本，用于檢驗(yàn)和證明模型應(yīng)用于本研究的可行性。通過(guò)對(duì)訓(xùn)練結(jié)果進(jìn)行比較，當(dāng)網(wǎng)絡(luò)隱含層的神經(jīng)元為10個(gè)時(shí)，網(wǎng)絡(luò)的訓(xùn)練結(jié)果最優(yōu)，平均絕對(duì)百分誤差最小。由于BP神經(jīng)網(wǎng)絡(luò)存在較大的波動(dòng)性，故需要進(jìn)行多次訓(xùn)練才能達(dá)到理想的預(yù)測(cè)結(jié)果。BP神經(jīng)網(wǎng)絡(luò)模型的仿真結(jié)果如圖2所示，可看出BP神經(jīng)網(wǎng)絡(luò)模型的預(yù)測(cè)值與真實(shí)值的增減趨勢(shì)較為一致，其中2011—2014年的預(yù)測(cè)值與真實(shí)值之間存在較大偏差，2012年真實(shí)值與預(yù)測(cè)值之間的誤差最大，相對(duì)誤差值達(dá)到3.57%。其余年份的預(yù)測(cè)值與真實(shí)值的相對(duì)誤差均在1%上下浮動(dòng)。

圖2 BP神經(jīng)網(wǎng)絡(luò)模型的仿真結(jié)果

3.2.3 RBF神經(jīng)網(wǎng)絡(luò)模型構(gòu)建及仿真分析

構(gòu)建一個(gè)多輸入、單輸出的RBF神經(jīng)網(wǎng)絡(luò)農(nóng)產(chǎn)品物流需求預(yù)測(cè)模型，選取12個(gè)影響因素作為輸入變量，將生鮮農(nóng)產(chǎn)品物流需求作為輸出變量，創(chuàng)建神經(jīng)網(wǎng)絡(luò)并選取2007—2017年樣本數(shù)據(jù)進(jìn)行模擬仿真。RBF神經(jīng)網(wǎng)絡(luò)模型的仿真結(jié)果如圖3所示，可看出RBF神經(jīng)網(wǎng)絡(luò)模型的預(yù)測(cè)值與真實(shí)值整體擬合程度較好，2011—2013年預(yù)測(cè)值存在較大波動(dòng)，2011年相對(duì)誤差為2.99%，2012年相對(duì)誤差為3.45%，2013年相對(duì)誤差為2.42%，其余年份的預(yù)測(cè)值與真實(shí)值的相對(duì)誤差均低于2%。

圖3 RBF神經(jīng)網(wǎng)絡(luò)模型的仿真結(jié)果

3.2.4 組合預(yù)測(cè)模型構(gòu)建及仿真分析

根據(jù)上述3種單一預(yù)測(cè)模型的預(yù)測(cè)結(jié)果，按照式(7)建立方程組，計(jì)算出GM(1,1)模型、BP神經(jīng)網(wǎng)絡(luò)模型和RBF網(wǎng)絡(luò)模型的加權(quán)系數(shù)分別為0.243 3、0.374 9、0.381 8。按照以上加權(quán)系數(shù)構(gòu)建組合模型，仿真結(jié)果如圖4所示，可看出相較于3種單一預(yù)測(cè)模型的預(yù)測(cè)結(jié)果，組合預(yù)測(cè)模型的預(yù)測(cè)結(jié)果更加接近真實(shí)值，數(shù)據(jù)增長(zhǎng)趨勢(shì)保持較高的一致性，擬合程度最佳，預(yù)測(cè)值與實(shí)際值的相對(duì)誤差均低于3%。

圖4 組合預(yù)測(cè)模型的仿真結(jié)果

3.2.5 模型精度分析

對(duì)3種單一預(yù)測(cè)模型和最優(yōu)組合模型關(guān)于農(nóng)產(chǎn)品生鮮冷鏈物流需求預(yù)測(cè)結(jié)果的殘差平均值(MAE)、相對(duì)誤差平均值(MAPE)和誤差均方根(RMSE)進(jìn)行對(duì)比分析，結(jié)果如表2所示。由表2可知，在3種單一預(yù)測(cè)模型中，RBF神經(jīng)網(wǎng)絡(luò)模型的預(yù)測(cè)精度相對(duì)最高，殘差平均值為2.689，相對(duì)誤差平均值為1.08%，誤差均方根為2.991；BP神經(jīng)網(wǎng)絡(luò)模型的預(yù)測(cè)精度稍微弱于RBF神經(jīng)網(wǎng)絡(luò)模型，二者總體差別并不突出；由于GM(1,1)模型只具有短期的預(yù)測(cè)精度，故其預(yù)測(cè)精度最小，殘差平均值為4.905，相對(duì)誤差平均值為1.49%，誤差均方根為5.500；最優(yōu)組合預(yù)測(cè)模型的殘差平均值、相對(duì)誤差平均值和誤差均方根均小于RBF神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型，證明該組合預(yù)測(cè)模型能夠達(dá)到最優(yōu)預(yù)測(cè)精度，能夠有效預(yù)測(cè)我國(guó)生鮮農(nóng)產(chǎn)品冷鏈物流需求。

3.2.6 未來(lái)5年冷鏈物流需求預(yù)測(cè)分析

運(yùn)用組合預(yù)測(cè)模型對(duì)2018—2022年未來(lái)5年我國(guó)生鮮農(nóng)產(chǎn)品冷鏈物流需求量進(jìn)行預(yù)測(cè)，結(jié)果如圖5所示，可看出我國(guó)2018—2022年的生鮮農(nóng)產(chǎn)品冷鏈物流需求量將逐年遞增，每年保持1%的增幅，到2022年將達(dá)到人均229.962 kg。

4 結(jié)論與建議

4.1 研究結(jié)論

筆者分別借助GM(1,1)模型、BP神經(jīng)網(wǎng)絡(luò)模型、RBF神經(jīng)網(wǎng)絡(luò)模型和最優(yōu)組合預(yù)測(cè)模型，對(duì)生鮮農(nóng)產(chǎn)品冷鏈物流需求展開(kāi)預(yù)測(cè)和分析，得到如下主要結(jié)論：①對(duì)于單一預(yù)測(cè)模型而言，BP神經(jīng)網(wǎng)絡(luò)模型和RBF神經(jīng)網(wǎng)絡(luò)模型的預(yù)測(cè)結(jié)果相似，RBF神經(jīng)網(wǎng)絡(luò)模型預(yù)測(cè)精度相對(duì)較高。②基于GM(1,1)模型、BP神經(jīng)網(wǎng)絡(luò)模型和RBF神經(jīng)網(wǎng)絡(luò)模型構(gòu)建最優(yōu)組合預(yù)測(cè)模型，預(yù)測(cè)的平均誤差均小于以上3個(gè)單一預(yù)測(cè)模型，說(shuō)明該組合模型可有效預(yù)測(cè)我國(guó)生鮮農(nóng)產(chǎn)品冷鏈物流需求，為生鮮農(nóng)產(chǎn)品冷鏈物流需求預(yù)測(cè)提供一種新的途徑和方法，豐富了生鮮農(nóng)產(chǎn)品冷鏈物流需求預(yù)測(cè)方法。

雖然筆者借助最優(yōu)組合模型對(duì)我國(guó)生鮮農(nóng)產(chǎn)品冷鏈物流需求進(jìn)行了有效預(yù)測(cè)，但仍存在一定的不足之處。首先，我國(guó)冷鏈物流發(fā)展相關(guān)指標(biāo)統(tǒng)計(jì)不夠完善，今后在指標(biāo)體系構(gòu)建方面有待進(jìn)一步改善。其次，最優(yōu)組合模型如何在長(zhǎng)期時(shí)間序列中更好地保持預(yù)測(cè)精度這一問(wèn)題也有待進(jìn)一步改進(jìn)。

4.2 政策建議

近年來(lái)，我國(guó)生鮮農(nóng)產(chǎn)品行業(yè)規(guī)模增長(zhǎng)穩(wěn)健，生鮮交易規(guī)模從2011年的1.12萬(wàn)億元增長(zhǎng)至2018年的1.91萬(wàn)億元，并保持每年6%以上的增長(zhǎng)趨勢(shì)，未來(lái)市場(chǎng)空間將持續(xù)上升。由影響因素關(guān)聯(lián)度分析結(jié)果可以看出，交通運(yùn)輸、倉(cāng)儲(chǔ)和郵政業(yè)固定資產(chǎn)投資，信息傳輸、軟件和信息技術(shù)服務(wù)業(yè)固定資產(chǎn)投資，食品制造業(yè)資產(chǎn)總額等因素都與冷鏈物流需求量的發(fā)展存在密切關(guān)系，結(jié)合我國(guó)生鮮農(nóng)產(chǎn)品冷鏈物流需求量預(yù)測(cè)趨勢(shì)，提出如下建議：

(1)加強(qiáng)城鄉(xiāng)冷鏈物流設(shè)施建設(shè)。2019年7月末，中央政治局召開(kāi)會(huì)議，明確城鄉(xiāng)冷鏈物流設(shè)施建設(shè)是三大補(bǔ)短板工程之一。從物流需求的角度出發(fā)，政府需要探索產(chǎn)業(yè)內(nèi)需潛力，擴(kuò)大最終需求，有效啟動(dòng)農(nóng)村市場(chǎng)，促進(jìn)鮮活農(nóng)產(chǎn)品發(fā)展。

(2)激勵(lì)企業(yè)創(chuàng)新，創(chuàng)建出新的冷鏈物流運(yùn)營(yíng)體系，開(kāi)展多元化經(jīng)營(yíng)和“產(chǎn)銷雙向合作”。開(kāi)辟第三方平臺(tái)，監(jiān)視冷鏈物流的全過(guò)程，加強(qiáng)全程溫濕度監(jiān)控，降低“斷鏈”風(fēng)險(xiǎn)，確保鮮活農(nóng)產(chǎn)品質(zhì)量和消費(fèi)安全。