齊宇軒 太秋月

摘 要：自20世紀(jì)中后期，我國引進(jìn)冷鏈技術(shù)攻克農(nóng)副產(chǎn)品極端化的供需失衡，我國居民便開始追求保質(zhì)保量的農(nóng)產(chǎn)品。新冠疫情下生鮮電商的食品安全是當(dāng)前百姓關(guān)心的熱點(diǎn)問題之一，可以說“冷鏈”一詞吸引了所有人的目光。為了準(zhǔn)確把握我國冷鏈物流需求，本研究圍繞生鮮農(nóng)產(chǎn)品分別建立基于GM（1，N）、BP神經(jīng)網(wǎng)絡(luò)和灰色神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)模型，并采用灰色神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)我國未來三年的冷鏈物流需求。研究結(jié)果表明疫情所引發(fā)的生鮮食品安全問題、失業(yè)人口暴增難題以及物流堵塞困境只會(huì)導(dǎo)致短期需求下降，組合模型在生鮮農(nóng)產(chǎn)品冷鏈物流需求預(yù)測(cè)上性能更佳。

關(guān)鍵詞：生鮮農(nóng)產(chǎn)品;冷鏈物流需求;灰色神經(jīng)網(wǎng)絡(luò)模型;預(yù)測(cè)精度

我國冷鏈物流的概念萌芽于20世紀(jì)末，歷經(jīng)十年建設(shè)方才進(jìn)入起步階段，可以說在2018年迎來了快速發(fā)展的新時(shí)期。當(dāng)前我國冷鏈運(yùn)輸率為45.4%，而發(fā)達(dá)國家已高達(dá)90%;我國生鮮產(chǎn)品的年損耗率為11%，而發(fā)達(dá)國家低至5%，其中美國僅有1%-2%。究其原因是因?yàn)槲覈r農(nóng)產(chǎn)品生產(chǎn)端標(biāo)準(zhǔn)化程度低，運(yùn)輸端冷藏設(shè)施建造不規(guī)范、功能單一、利用率低。

伴隨國內(nèi)進(jìn)口冷凍生鮮多次出現(xiàn)外包裝新冠病毒檢測(cè)為陽性事件，造成了國民對(duì)冷鏈物流的恐慌心理，降低了百姓對(duì)冷鏈?zhǔn)称返馁徺I力。隨著互聯(lián)網(wǎng)正式邁入人工智能新時(shí)代，冷鏈研究的預(yù)測(cè)方法正逐步由傳統(tǒng)的統(tǒng)計(jì)學(xué)預(yù)測(cè)向現(xiàn)代人工智能預(yù)測(cè)過渡。因此本研究首先希望了解生鮮農(nóng)產(chǎn)品冷鏈物流需求的影響因素;其次構(gòu)建灰色神經(jīng)網(wǎng)絡(luò)模型提高實(shí)驗(yàn)預(yù)測(cè)精度;然后比較單一模型與組合模型在預(yù)測(cè)精度上的差異;最后預(yù)測(cè)與其發(fā)展相匹配的我國未來冷鏈物流需求。

一、理論綜述

1.灰色系統(tǒng)理論

在控制論中，灰色意指未知與已知之間，代指研究信息部分或不完全清楚，常伴有一定的不確定性現(xiàn)象。本研究運(yùn)用的GM（1，N）模型是指含有N個(gè)變量的多維灰色模型，主要是針對(duì)“小樣本”、“貧信息”和“不確定性”系統(tǒng)，以對(duì)各種灰色系統(tǒng)發(fā)展的預(yù)測(cè)和控制為核心目的，旨在解決特殊領(lǐng)域中存在未知因素的問題，具體工作原理如圖1所示。

2.BP神經(jīng)網(wǎng)絡(luò)

BP神經(jīng)網(wǎng)絡(luò)是從信息處理角度對(duì)人腦神經(jīng)元網(wǎng)絡(luò)進(jìn)行抽象函數(shù)逼近，依據(jù)連接方式、權(quán)重和激勵(lì)函數(shù)的不同，網(wǎng)絡(luò)輸出也不同。通常該模型是指含有輸入層（input layer）、隱藏層（hide layer）和輸出層（output layer）的三層前饋網(wǎng)（感知器），主要針對(duì)的是“大樣本”、“復(fù)雜信息”和“非線性”動(dòng)力系統(tǒng)。模型中每一層的神經(jīng)元只會(huì)與相鄰層的神經(jīng)元完全連接，同一層神經(jīng)元之間沒有連接，并且每一層神經(jīng)元之間沒有反饋，從而能夠形成一個(gè)具有層次結(jié)構(gòu)的前饋網(wǎng)神經(jīng)系統(tǒng)，具體工作原理如圖2所示。

3.指標(biāo)選取與模型建立

（1）構(gòu)建冷鏈物流需求預(yù)測(cè)指標(biāo)體系

面對(duì)冷鏈數(shù)據(jù)統(tǒng)計(jì)不完全的困境，從需求推動(dòng)供給和需求產(chǎn)生消費(fèi)兩個(gè)角度出發(fā)，考慮到城鎮(zhèn)居民日常消費(fèi)是我國在一定時(shí)期內(nèi)生鮮農(nóng)產(chǎn)品冷鏈物流面向的主要對(duì)象，而冷鏈物流的適用范圍主要集中在生鮮農(nóng)產(chǎn)品市場(chǎng)，所以生鮮農(nóng)產(chǎn)品的消費(fèi)量就是冷鏈物流需求很好的參照指標(biāo)。

本研究在國家統(tǒng)計(jì)局?jǐn)?shù)據(jù)庫的年度數(shù)據(jù)中，選取2000年到2019年豬肉、牛羊肉、禽蛋、水產(chǎn)品、鮮奶、鮮菜以及鮮瓜果在內(nèi)的七類產(chǎn)品的城鎮(zhèn)居民人均消費(fèi)量，相加后得到城鎮(zhèn)居民生鮮農(nóng)產(chǎn)品人均消費(fèi)總量，將其與我國城鎮(zhèn)人口總量相乘，最終得出生鮮農(nóng)產(chǎn)品消費(fèi)總量，以此作為預(yù)測(cè)我國生鮮農(nóng)產(chǎn)品冷鏈物流需求規(guī)模的因變量。

與此同時(shí)，將標(biāo)準(zhǔn)化處理后的17個(gè)自變量數(shù)據(jù)輸入到灰色系統(tǒng)理論建模軟件的灰色關(guān)聯(lián)度分析模塊，以此來分析冷鏈物流需求量與它們之間的相關(guān)性，每個(gè)自變量分別得到了絕對(duì)關(guān)聯(lián)度、相對(duì)關(guān)聯(lián)度以及綜合關(guān)聯(lián)度三個(gè)關(guān)聯(lián)度值。由于綜合關(guān)聯(lián)度是前兩者的整合，既考慮了序列折線的相似程度，又體現(xiàn)了變化速率的接近程度。因此根據(jù)綜合關(guān)聯(lián)度的大小進(jìn)行排序，若它們的綜合關(guān)聯(lián)度值大于0.6，則考慮接受其作為最終的預(yù)測(cè)指標(biāo)，且選出對(duì)因變量影響最大的前5個(gè)自變量組成最終的預(yù)測(cè)指標(biāo)體系。最終體系由5個(gè)維度17個(gè)指標(biāo)降至3個(gè)維度5個(gè)指標(biāo)，具體指標(biāo)體系如表1所示。

相關(guān)數(shù)據(jù)來源于國家統(tǒng)計(jì)局?jǐn)?shù)據(jù)庫和《2018年中國冷鏈物流發(fā)展報(bào)告》，通過直接引用或間接計(jì)算整理出實(shí)驗(yàn)原始數(shù)據(jù)。對(duì)于存在缺失值的指標(biāo)，采用GM（1，1）模型對(duì)其缺失數(shù)據(jù)進(jìn)行了預(yù)測(cè)，保證了數(shù)據(jù)完整性。在實(shí)驗(yàn)原始數(shù)據(jù)中，x1表示冷鏈物流需求量（萬噸），x2表示生鮮農(nóng)產(chǎn)品總產(chǎn)量（萬噸）、x3表示城鎮(zhèn)就業(yè)人員（萬人）、x4表示第三產(chǎn)業(yè)就業(yè)人員（萬人）、x5表示交通運(yùn)輸就業(yè)人員（萬人）、x6表示公路營運(yùn)載貨汽車擁有量（萬輛），具體數(shù)據(jù)如表2所示。

（2）建立灰色神經(jīng)網(wǎng)絡(luò)組合模型

為打破冷鏈物流需求預(yù)測(cè)僵局，首先將歷史數(shù)據(jù)樣本代入GM（1，N）模型得到灰色預(yù)測(cè)值及殘差，同時(shí)代入到BP神經(jīng)網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練，然后將灰色預(yù)測(cè)殘差以一個(gè)新增輸入列的形式添加到歷史數(shù)據(jù)樣本列表中，緊接著把新生成的數(shù)據(jù)列表再次代入到訓(xùn)練后的BP模型，繼而得到組合模型的預(yù)測(cè)值，檢驗(yàn)有效后可以利用該模型對(duì)我國未來冷鏈物流需求量進(jìn)行預(yù)測(cè)，具體組合模型如圖3所示。

4.實(shí)證分析

（1）GM（1，N）模型預(yù)測(cè)

由GM（1，N）模型預(yù)測(cè)得到，隨著年份的增大，相對(duì)誤差呈現(xiàn)出波動(dòng)性減小的趨勢(shì)，進(jìn)而說明該模型更適合于冷鏈物流需求的短期預(yù)測(cè)。GM（1，6）模型的平均相對(duì)誤差為2.70%，小于GM（1，18）模型的4.05%，印證了剔除指標(biāo)能夠顯著提高實(shí)驗(yàn)?zāi)Ｐ偷念A(yù)測(cè)精度。

（2）BP神經(jīng)網(wǎng)絡(luò)模型預(yù)測(cè)

由BP神經(jīng)網(wǎng)絡(luò)模型預(yù)測(cè)得到，訓(xùn)練樣本集的平均相對(duì)誤差為0.99%，驗(yàn)證樣本集的平均相對(duì)誤差為1.23%，測(cè)試樣本集的平均相對(duì)誤差為2.36%，總體的平均相對(duì)誤差為1.23%，進(jìn)而可以得到該模型的預(yù)測(cè)精度為98.77%，說明該模型具有較強(qiáng)的預(yù)測(cè)能力。即使在小樣本前提下，選取最優(yōu)架構(gòu)、試驗(yàn)不同樣本劃分情況以及進(jìn)行大量迭代學(xué)習(xí)，其歷年變化曲線的擬合度還是很高的，并且其預(yù)測(cè)結(jié)果要優(yōu)于GM（1，N）模型。

（3）灰色神經(jīng)網(wǎng)絡(luò)模型預(yù)測(cè)

由灰色神經(jīng)網(wǎng)絡(luò)模型預(yù)測(cè)得到，無論是訓(xùn)練集、測(cè)試集還是驗(yàn)證集，其平均相對(duì)誤差都保持在1%左右，說明本研究所構(gòu)建的組合模型是穩(wěn)定且有效的。添加灰色預(yù)測(cè)殘差作為新的輸入序列，使得神經(jīng)網(wǎng)絡(luò)的預(yù)處理有了更加明確的分類依據(jù)?？傮w的平均相對(duì)誤差為0.93%，可以得到該模型的預(yù)測(cè)精度為99.07%，有效提高了歷年變化曲線的擬合度，并且灰色神經(jīng)網(wǎng)絡(luò)組合模型的預(yù)測(cè)性能遠(yuǎn)高于其他兩種單一預(yù)測(cè)模型。

（4）模型間對(duì)比研究

為了更加清楚地驗(yàn)證灰色神經(jīng)網(wǎng)絡(luò)組合算法相較于單一算法在我國生鮮農(nóng)產(chǎn)品冷鏈物流需求規(guī)模預(yù)測(cè)研究中的優(yōu)越性，現(xiàn)將以上三種預(yù)測(cè)模型的總體擬合結(jié)果進(jìn)行對(duì)比分析，具體擬合結(jié)果如表3所示。

為了更加直觀地反映以上三種模型對(duì)我國歷年冷鏈物流需求量的擬合度，本研究用Excel工具畫出了三種模型預(yù)測(cè)結(jié)果的對(duì)比圖，具體預(yù)測(cè)結(jié)果如圖4所示。

從圖4可知，曲線在2013年出現(xiàn)拐點(diǎn)，這是由于我國統(tǒng)計(jì)局正式于此開始實(shí)行新老口徑過渡，故相關(guān)統(tǒng)計(jì)方法發(fā)生改變進(jìn)而導(dǎo)致明顯的數(shù)據(jù)波動(dòng)。此外，灰色神經(jīng)網(wǎng)絡(luò)組合模型實(shí)際上是綜合了兩個(gè)單一模型的優(yōu)點(diǎn)，同時(shí)具備小樣本建模和非線性處理復(fù)雜數(shù)據(jù)的能力，相比單獨(dú)使用一種模型，組合模型的算法更穩(wěn)健，預(yù)測(cè)性能更佳。因此本研究選用灰色神經(jīng)網(wǎng)絡(luò)模型用來預(yù)測(cè)我國未來冷鏈物流需求量的演變趨勢(shì)。

（5）未來冷鏈物流需求預(yù)測(cè)

通過灰色神經(jīng)網(wǎng)絡(luò)模型的構(gòu)建原理可知，灰色模型對(duì)短期數(shù)據(jù)的預(yù)測(cè)更具適用性，所以即使通過灰色系統(tǒng)理論建模軟件和Alyuda Neurolntelligence軟件可以直接得出實(shí)驗(yàn)研究所需的未來任一時(shí)間點(diǎn)的預(yù)測(cè)數(shù)據(jù)，依舊無法確保遠(yuǎn)距離年份預(yù)測(cè)結(jié)果的可靠性。細(xì)數(shù)我國未來幾年的大事議程，2022年北京冬奧會(huì)有可能成為近幾年影響我國國民經(jīng)濟(jì)、社會(huì)地位及冷鏈物流發(fā)展的又一重要轉(zhuǎn)折點(diǎn)。對(duì)此，本研究采用GM（1，1）和GM（1，6）模型求得未來3年我國冷鏈物流需求量的相關(guān)因素?cái)?shù)據(jù)，其中x7表示灰色預(yù)測(cè)殘差（萬噸），具體數(shù)據(jù)如表4所示。

將表4的數(shù)據(jù)輸入灰色神經(jīng)網(wǎng)絡(luò)模型，相關(guān)參數(shù)保持一致，以此來預(yù)測(cè)我國2020年至2022年的冷鏈物流需求量，具體預(yù)測(cè)結(jié)果如表5所示。

由表5可知，2020年我國冷鏈物流需求量的預(yù)測(cè)值為20612.89萬噸，與2019年的實(shí)際值20642.30萬噸相比有所下滑。究其原因可能是由于新冠疫情激發(fā)出短期需求下降。不過隨著我國有序穩(wěn)健地出臺(tái)冷鏈相關(guān)政策及治理措施，在現(xiàn)實(shí)生活中，這些危機(jī)問題都已經(jīng)或陸續(xù)地被成功解除，因此我國冷鏈物流的需求前景還是比較明朗的。這一點(diǎn)我們也可以透過2021年和2022年的冷鏈物流需求量的預(yù)測(cè)值看出，這兩年需求量的預(yù)測(cè)值與2020年相比都有所增長。

二、結(jié)論

結(jié)合研究過程和分析結(jié)果，可以得出以下五點(diǎn)結(jié)論：（1）生鮮農(nóng)產(chǎn)品消費(fèi)總量可以作為冷鏈物流需求量的替代指標(biāo);（2）選取較少的預(yù)測(cè)指標(biāo)，達(dá)到預(yù)期實(shí)驗(yàn)結(jié)果的同時(shí)能夠顯著提高實(shí)驗(yàn)?zāi)Ｐ偷念A(yù)測(cè)精度;（3）模型間預(yù)測(cè)能力對(duì)比結(jié)果的排序?yàn)椋夯疑窠?jīng)網(wǎng)絡(luò)模型>BP神經(jīng)網(wǎng)絡(luò)模型>GM（1，N）模型;（4）組合預(yù)測(cè)模型比單一預(yù)測(cè)模型的預(yù)測(cè)精度更高;（5）若冷鏈物流系統(tǒng)不受突發(fā)外力作用，冷鏈物流需求將持續(xù)增長。

參考文獻(xiàn)：

[1]王曉平，閆飛.京津冀農(nóng)產(chǎn)品冷鏈物流需求影響因素及預(yù)測(cè)模型研究[J].福建農(nóng)業(yè)學(xué)報(bào)，2018，33（8）：870-878.

[2]黃凱，王健.我國生鮮農(nóng)產(chǎn)品冷鏈物流需求預(yù)測(cè)分析：基于最優(yōu)組合模型[J].武漢理工大學(xué)學(xué)報(bào)，2020，42（6）：524-529.

[3]王可山，郝裕.農(nóng)業(yè)高質(zhì)量發(fā)展、交易制度變遷與網(wǎng)購農(nóng)產(chǎn)品消費(fèi)促進(jìn)——兼論新冠肺炎疫情對(duì)生鮮電商發(fā)展的影響[J].經(jīng)濟(jì)與管理研究，2020，41（4）：21-31.

[4]王圣昌.基于灰色神經(jīng)網(wǎng)絡(luò)的物流需求預(yù)測(cè)系統(tǒng)及應(yīng)用研究[D].北京工業(yè)大學(xué)碩士論文，2017.

[5]鄒相林.基于改進(jìn)灰色神經(jīng)網(wǎng)絡(luò)的河南省物流需求預(yù)測(cè)[D].河南農(nóng)業(yè)大學(xué)碩士論文，2019.

[6]中物聯(lián)冷鏈委：2019農(nóng)產(chǎn)品產(chǎn)地冷鏈研究報(bào)告[R].2019.

[7]Robert L.Winkler，Spyros Makridakis.The Combination of Forecasts[J].Journal of the Royal Statistical Society，1983，146（2）：150-157.

[8]Chu Ye-Ping，Bi Ya，Tao Jun-Cheng.Prediction research on food cold-chain logistics demand based on grey and AW-BP[J].BTAIJ，2014，10（18）：10444-10450.

[9]Bi Ya.Study of Food Cold Chain Logistics Demand Forecast Based on Multiple Regression and AW-BP Forecasting Method on System Order Parameters[J].Journal of Computational and Theoretical Nanoscience，2016，13：4019-4024.