岳偉　袁媛

摘 要：為提高區(qū)域冷鏈物流水平，對(duì)區(qū)域冷鏈物流需求量的合理預(yù)測(cè)成為進(jìn)行資源合理配置的前提條件。由于傳統(tǒng)的單一預(yù)測(cè)模型存在線性擬合程度較差和預(yù)測(cè)精度不高等缺點(diǎn)，為提高其預(yù)測(cè)結(jié)果的準(zhǔn)確性，本文提出了一種基于無(wú)偏GM（1，1）和BP神經(jīng)網(wǎng)絡(luò)的組合模型對(duì)山西省未來(lái)五年的冷鏈物流需求量進(jìn)行合理預(yù)測(cè)。首先根據(jù)灰色關(guān)聯(lián)分析選取出與山西省冷鏈物流需求量關(guān)聯(lián)度最大的十個(gè)經(jīng)濟(jì)指標(biāo)，并依據(jù)其建立BP神經(jīng)訓(xùn)練網(wǎng)絡(luò)；其次對(duì)傳統(tǒng)的GM（1，1）預(yù)測(cè)模型進(jìn)行無(wú)偏優(yōu)化，然后在原有數(shù)據(jù)經(jīng)過(guò)滑動(dòng)處理的基礎(chǔ)上，通過(guò)Shapley值法進(jìn)行邊際貢獻(xiàn)分析，構(gòu)建出無(wú)偏GM-BP組合預(yù)測(cè)模型；最后經(jīng)過(guò)對(duì)比分析得出結(jié)論，該組合模型在預(yù)測(cè)結(jié)果上具有更加明顯的預(yù)測(cè)優(yōu)勢(shì)。

關(guān)鍵詞：無(wú)偏GM（1，1）；BP神經(jīng)網(wǎng)絡(luò)；灰色關(guān)聯(lián)分析；組合模型；物流需求量

中圖分類號(hào)：N949；F326.6? 文獻(xiàn)標(biāo)識(shí)碼：A? 文章編號(hào)：1673-260X（2023）08-0027-07

我國(guó)是一個(gè)人口大國(guó)，由于人口基數(shù)大，使得我國(guó)對(duì)農(nóng)副產(chǎn)品的需求量一直居高不下。而冷鏈物流作為以生鮮產(chǎn)品為主要對(duì)象的運(yùn)輸形式，使其一直處于高速發(fā)展階段。由于我國(guó)對(duì)冷鏈物流的研究和應(yīng)用起步較晚，導(dǎo)致冷鏈物流設(shè)施相對(duì)落后、冷鏈流通速率也相對(duì)較低。為了保障冷鏈物流行業(yè)的穩(wěn)步進(jìn)行，在一定規(guī)模內(nèi)對(duì)區(qū)域冷鏈物流內(nèi)容進(jìn)行科學(xué)的布局可以使區(qū)域內(nèi)的冷鏈物流資源得到更加合理的分配。其中對(duì)區(qū)域內(nèi)冷鏈物流需求量的合理預(yù)測(cè)成為進(jìn)行冷鏈物流系統(tǒng)規(guī)劃的必要前提。在一定條件下，對(duì)區(qū)域內(nèi)的冷鏈物流需求量進(jìn)行合理預(yù)測(cè)，可以提前對(duì)物流資源進(jìn)行合理配置、優(yōu)化自身產(chǎn)業(yè)結(jié)構(gòu)、提高物流效率、促進(jìn)物流行業(yè)的進(jìn)步和社會(huì)經(jīng)濟(jì)的增長(zhǎng)。

有關(guān)提升冷鏈物流水平的需求預(yù)測(cè)方面，國(guó)內(nèi)外學(xué)者都做了許多相關(guān)研究。為了提高預(yù)測(cè)的全面性和準(zhǔn)確性，在方法和主體上選擇不同的模型進(jìn)行研究。呂靖，陳宇姝采用改進(jìn)背景值的組合預(yù)測(cè)方式對(duì)特定區(qū)域的冷鏈物流需求進(jìn)行了仿真預(yù)測(cè)[1]。李義華，王沖等用滑動(dòng)無(wú)偏灰色模型對(duì)湖南省農(nóng)產(chǎn)品冷鏈物流需求進(jìn)行預(yù)測(cè)[2]。王曉平等分別建立了多種類型的預(yù)測(cè)模型來(lái)對(duì)市場(chǎng)的農(nóng)產(chǎn)品物流需求進(jìn)行預(yù)測(cè)工作，并通過(guò)進(jìn)行分析比較，從結(jié)果上得到遺傳神經(jīng)網(wǎng)絡(luò)用于冷鏈物流需求分析有更強(qiáng)的優(yōu)越性[3]。戎陸慶等則采用傳統(tǒng)的GM（1，1）模型對(duì)當(dāng)?shù)剞r(nóng)副產(chǎn)品的市場(chǎng)需求變化進(jìn)行探究和預(yù)測(cè)[4]。李攜波等以我國(guó)海鮮市場(chǎng)的冷鏈物流需求作為參考標(biāo)準(zhǔn)，運(yùn)用應(yīng)用多元線性回歸分析法對(duì)冷鏈物流建立特有的需求闡述模型[5]。陸芳等通過(guò)建立基于一元回歸預(yù)測(cè)模型、趨勢(shì)外預(yù)測(cè)模型等方式，預(yù)測(cè)本省的農(nóng)產(chǎn)品所附帶的物流需求[6]。張喜才和李海玲采用灰色-馬爾可夫鏈組合模型的方法來(lái)預(yù)測(cè)京津冀地區(qū)市場(chǎng)的冷鏈物流需求[7]。Qi Fang，Dazho Tig通過(guò)多維灰色模型對(duì)道路運(yùn)輸體系進(jìn)行了貨運(yùn)量以及車(chē)流量的預(yù)測(cè)[8]。Joseph Berechunan利用人工神經(jīng)網(wǎng)絡(luò)模型對(duì)物流需求進(jìn)行預(yù)測(cè)[9]。Terry Moore運(yùn)用基于定量分析的量子粒子群優(yōu)化（QPSOCM）算法對(duì)區(qū)域物流進(jìn)行預(yù)測(cè)[10]。Ludvik Bogataj研究了時(shí)效產(chǎn)品在冷鏈物流運(yùn)輸中所具有的不確定性，為之后研究具有時(shí)效性等農(nóng)產(chǎn)品的物流量需求給出了合理的方式[11]。

上述國(guó)內(nèi)外學(xué)者的研究?jī)?nèi)容多為某特定模型在精度以及技術(shù)手段上的不斷探討。但是在面對(duì)特定區(qū)域，例如以山西省的冷鏈物流需求量為主體時(shí)，考慮到山西省地理環(huán)境錯(cuò)綜復(fù)雜且冷鏈物流受干擾因素種類繁多，因此不能選擇某特定模型進(jìn)行預(yù)測(cè)。此時(shí)就需要尋找合適的方法來(lái)解決此類問(wèn)題。

1 需求影響因素的選取與分析

1.1 影響因素選取

冷鏈物流需求系統(tǒng)是一個(gè)由多種因素所構(gòu)成的繁冗系統(tǒng)，其中包括了特定區(qū)域的多種相關(guān)條件。本文充分考慮了因素的特性和相互作用關(guān)系之后，結(jié)合山西省的實(shí)際情況，總結(jié)出了五個(gè)方面對(duì)特定區(qū)域的冷鏈物流需求進(jìn)行影響因素的分析，即產(chǎn)品供給水平影響因素、區(qū)域經(jīng)濟(jì)環(huán)境影響因素、冷鏈物流發(fā)展水平影響因素、社會(huì)人文影響因素以及物流需求影響因素。在這五個(gè)因素中，根據(jù)區(qū)域特性，選取區(qū)域經(jīng)濟(jì)環(huán)境、產(chǎn)品供給水平和冷鏈物流發(fā)展水平三個(gè)主要影響因素對(duì)山西省生鮮產(chǎn)品冷鏈物流需求進(jìn)行分析。

（1）區(qū)域經(jīng)濟(jì)環(huán)境

一個(gè)區(qū)域的經(jīng)濟(jì)環(huán)境主要分為兩個(gè)方面：區(qū)域經(jīng)濟(jì)規(guī)模和產(chǎn)業(yè)結(jié)構(gòu)。其中，區(qū)域經(jīng)濟(jì)的水平及其發(fā)展規(guī)模決定了該區(qū)域的物流發(fā)展水平，這與該區(qū)域的物流需求有著直接的聯(lián)系。而區(qū)域內(nèi)產(chǎn)業(yè)的布局結(jié)構(gòu)，對(duì)區(qū)域經(jīng)濟(jì)實(shí)現(xiàn)穩(wěn)步發(fā)展有著正向的促進(jìn)作用。在影響區(qū)域經(jīng)濟(jì)環(huán)境的因素中，選取地區(qū)生產(chǎn)總值、第一產(chǎn)業(yè)增值、第三產(chǎn)業(yè)增值、社會(huì)固定資產(chǎn)投入增速、社會(huì)消費(fèi)品零售總額和產(chǎn)品進(jìn)出口貿(mào)易總額作為影響山西省冷鏈物流需求的經(jīng)濟(jì)因素。

（2）產(chǎn)品供給水平

消費(fèi)者的需求保障要通過(guò)產(chǎn)品的供給來(lái)實(shí)現(xiàn)，而產(chǎn)品的供求則是由產(chǎn)品的產(chǎn)量所決定的。依托于各種物流活動(dòng)形式實(shí)現(xiàn)產(chǎn)品的供給，是影響生鮮產(chǎn)品冷鏈物流需求量的一個(gè)重要因素。因此，選取農(nóng)林牧漁業(yè)總產(chǎn)值以及貨運(yùn)周轉(zhuǎn)量作為影響山西省冷鏈物流需求的產(chǎn)品供給因素。

（3）冷鏈物流發(fā)展水平

冷鏈物流的發(fā)展水平包含冷鏈物流的服務(wù)質(zhì)量水平和冷鏈運(yùn)輸設(shè)施設(shè)備等眾多因素。在這些因素中冷鏈流通速率和冷鏈物流損失率最直接地影響生鮮產(chǎn)品的冷鏈物流需求量。所以，以生鮮產(chǎn)品的冷鏈流通速率和冷鏈物流損失率作為影響區(qū)域冷鏈物流需求量的物流發(fā)展水平因素。

1.2 灰色關(guān)聯(lián)度分析

根據(jù)這十個(gè)影響因素近五年的數(shù)據(jù)變化，運(yùn)用Matlab計(jì)算這些因素與山西省生鮮產(chǎn)品冷鏈物流需求量的灰色關(guān)聯(lián)度值，并按照大小進(jìn)行排序，得到表1。

根據(jù)表中數(shù)據(jù)來(lái)看，各項(xiàng)關(guān)聯(lián)度均大于0.6，表明所選取的影響因素指標(biāo)對(duì)山西省冷鏈物流需求量的影響都非常顯著。按照排名順序來(lái)看，生鮮產(chǎn)品的冷鏈物流流通速率和物流損失率排名第一和第二，說(shuō)明區(qū)域的冷鏈物流發(fā)展水平對(duì)冷鏈物流需求量的影響最大。代表著區(qū)域經(jīng)濟(jì)環(huán)境因素的六個(gè)指標(biāo)中，進(jìn)出口貿(mào)易總額、地區(qū)生產(chǎn)總值、社會(huì)商品零售總額及社會(huì)消費(fèi)品零售總額這四個(gè)指標(biāo)排名都相對(duì)靠前，這表明了提供穩(wěn)步增長(zhǎng)的區(qū)域經(jīng)濟(jì)環(huán)境是冷鏈物流需求量逐步增加的重要保障。而在產(chǎn)品的供給水平方面，農(nóng)林牧漁產(chǎn)業(yè)的發(fā)展以及區(qū)域內(nèi)產(chǎn)業(yè)結(jié)構(gòu)相對(duì)單調(diào)、物流成本高導(dǎo)致貨運(yùn)周轉(zhuǎn)率低等因素，影響了冷鏈物流需求量的增長(zhǎng)。

2 需求預(yù)測(cè)模型構(gòu)建

2.1 滑動(dòng)無(wú)偏GM（1，1）模型構(gòu)建

2.1.1 傳統(tǒng)灰色GM（1，1）模型

灰色預(yù)測(cè)法可以對(duì)系統(tǒng)中的不確定因素進(jìn)行篩查，并通過(guò)灰色預(yù)測(cè)系統(tǒng)中不同因素之間的發(fā)展趨勢(shì)來(lái)進(jìn)行預(yù)測(cè)判斷。依據(jù)原始數(shù)據(jù)所反映的整體變化形式，得到具有一定規(guī)律性且能夠反應(yīng)此種變化的特定數(shù)據(jù)序列，最后以此建立一元一階的微分方程，對(duì)預(yù)測(cè)系統(tǒng)的發(fā)展趨勢(shì)進(jìn)行合理判別。

2.1.2 無(wú)偏灰色GM（1，1）模型

2.1.3 數(shù)據(jù)的滑動(dòng)處理

為保證預(yù)測(cè)結(jié)果的精確與可靠性，滑動(dòng)無(wú)偏GM（1，1）模型將先對(duì)原始數(shù)據(jù)進(jìn)行滑動(dòng)處理，并將經(jīng)過(guò)滑動(dòng)處理后的結(jié)果作為模型的基礎(chǔ)數(shù)據(jù)進(jìn)行預(yù)測(cè)，滑動(dòng)處理過(guò)程如下。

2.2 模型擬合程度及精度檢驗(yàn)

2.3 BP神經(jīng)網(wǎng)絡(luò)模型

BP神經(jīng)網(wǎng)絡(luò)模型屬于人工神經(jīng)網(wǎng)絡(luò)中最為經(jīng)典的算法模型。BP神經(jīng)網(wǎng)絡(luò)是一種進(jìn)行單向傳播的多層前饋神經(jīng)網(wǎng)絡(luò)，其中每一層都由若干個(gè)神經(jīng)元構(gòu)成，上下層的神經(jīng)元之間實(shí)現(xiàn)全連接。數(shù)據(jù)按照標(biāo)準(zhǔn)的上下層構(gòu)成，由輸入層輸入，隱含層進(jìn)行配比和重新預(yù)算，最后到輸出層輸出結(jié)果，給出最終預(yù)測(cè)值，如圖1。BP神經(jīng)網(wǎng)絡(luò)的基本原理是通過(guò)學(xué)習(xí)已有的數(shù)據(jù)樣本，利用網(wǎng)絡(luò)的實(shí)際輸出和期望輸出之間的誤差最小值，按照誤差進(jìn)行逆向的傳播算法訓(xùn)練，以達(dá)到層與層之間連接的權(quán)值和閾值由后向前進(jìn)行不斷修正的目的，從而使得神經(jīng)網(wǎng)絡(luò)對(duì)輸入模式響應(yīng)的正確率也不斷提高。

2.4 利用Shapley值法構(gòu)造無(wú)偏GM-BP組合模型

由于冷鏈物流的需求量預(yù)測(cè)既包含線性時(shí)間序列分量，又包含非線性的影響因素和非線性時(shí)間序列分量，因此傳統(tǒng)的模型預(yù)測(cè)模型無(wú)法對(duì)區(qū)域內(nèi)的冷鏈物流需求量進(jìn)行有效的預(yù)測(cè)。使用滑動(dòng)無(wú)偏GM-BP組合模型對(duì)需求量進(jìn)行合理分析，可以使各部分預(yù)測(cè)優(yōu)勢(shì)充分發(fā)揮，盡量減小各自預(yù)測(cè)模型缺點(diǎn)對(duì)預(yù)測(cè)結(jié)果的影響，提高預(yù)測(cè)準(zhǔn)確度?；疑珶o(wú)偏預(yù)測(cè)模型構(gòu)成結(jié)構(gòu)并不復(fù)雜，但其擁有較高的預(yù)測(cè)精度。而B(niǎo)P神經(jīng)網(wǎng)絡(luò)模型具有并處理性、魯棒性、非線性和自適應(yīng)性等一系列優(yōu)點(diǎn)，非常適合非線性函數(shù)的預(yù)測(cè)工作，一定程度上彌補(bǔ)了灰色預(yù)測(cè)模型的不足。

Shapley值法多用于解決分析擁有多方主體的合作模式下出現(xiàn)的權(quán)益再分配及重新組合等問(wèn)題。Shapley值法能夠有效地結(jié)合各部分主體對(duì)整體所造成的邊際貢獻(xiàn)率大小，并因此進(jìn)行權(quán)益的重新分配及提取。

3 實(shí)證分析

3.1 數(shù)據(jù)來(lái)源及確定

應(yīng)用以上方法對(duì)山西省未來(lái)五年生鮮產(chǎn)品冷鏈物流需求量進(jìn)行分析預(yù)測(cè)，本文所選取數(shù)據(jù)來(lái)源自《山西省統(tǒng)計(jì)年鑒》《山西省國(guó)民經(jīng)濟(jì)和社會(huì)發(fā)展統(tǒng)計(jì)公報(bào)》以及相關(guān)網(wǎng)站數(shù)據(jù)直接或間接得出。

經(jīng)調(diào)查分析發(fā)現(xiàn)，影響區(qū)域內(nèi)生鮮產(chǎn)品需求量的因素有很多。為更加直觀地獲得特定區(qū)域內(nèi)的冷鏈物流需求總量，本文將特定區(qū)域內(nèi)需要進(jìn)行低溫冷藏的主要生鮮產(chǎn)品的產(chǎn)出總量作為影響區(qū)域內(nèi)冷鏈物流需求總量的因素，將其應(yīng)用于預(yù)測(cè)模型中。注重因素的可操作性，考慮到數(shù)據(jù)的可得性原則，選取了2013-2020年山西省各主要生鮮產(chǎn)品的總產(chǎn)量作為原始數(shù)據(jù)，對(duì)未來(lái)5年的山西省冷鏈物流需求量進(jìn)行預(yù)測(cè)，詳情見(jiàn)表3。

3.2 滑動(dòng)無(wú)偏灰色GM（1，1）模型預(yù)測(cè)分析

為保證模型預(yù)測(cè)結(jié)果的精確性以及減少隨機(jī)誤差對(duì)預(yù)測(cè)結(jié)果所產(chǎn)生的負(fù)面影響，因此選擇先將表3中各類生鮮產(chǎn)品的總量原始數(shù)據(jù)進(jìn)行滑動(dòng)處理，通過(guò)公式（9）～（11）進(jìn)行兩次加權(quán)平均計(jì)算，將滑動(dòng)處理后的數(shù)據(jù)作為無(wú)偏灰色GM（1，1）模型的基礎(chǔ)數(shù)據(jù)進(jìn)行預(yù)測(cè)工作，得到的數(shù)據(jù)如表4。通過(guò)對(duì)原始數(shù)據(jù)進(jìn)行滑動(dòng)處理，并不會(huì)改變其原始數(shù)據(jù)所擁有的發(fā)展趨勢(shì)，反而有利于進(jìn)行后續(xù)的預(yù)測(cè)工作。

為便于進(jìn)行研究和預(yù)測(cè)，本文在以山西省為主體的特定區(qū)域內(nèi)以生鮮產(chǎn)品總產(chǎn)量為冷鏈物流需求量的主要影響因素，并以滑動(dòng)處理后的2013-2020年山西省主要生鮮產(chǎn)品總量為預(yù)測(cè)數(shù)據(jù)的基礎(chǔ)，使用Matlab對(duì)生鮮產(chǎn)品總量采用無(wú)偏灰色GM（1，1）模型進(jìn)行預(yù)測(cè)，最后分析得到的預(yù)測(cè)值和與實(shí)際需求量的殘差值如表5。

對(duì)上述預(yù)測(cè)結(jié)果進(jìn)行檢驗(yàn)，對(duì)于小概率誤差p精度檢驗(yàn)結(jié)果為p=1，精度等級(jí)為一級(jí)，而對(duì)于經(jīng)過(guò)滑動(dòng)處理后的數(shù)據(jù)均方差比值C=0.42614≤0.5，可靠性等級(jí)在一級(jí)與二級(jí)之間。根據(jù)表2可知，該預(yù)測(cè)模型對(duì)與主體部分的預(yù)測(cè)具有較好的擬合效果，在預(yù)測(cè)結(jié)果上也具有較高的精度，其結(jié)果可以用來(lái)作為無(wú)偏GM-BP組合預(yù)測(cè)模型的線性主體部分，預(yù)測(cè)主體值如表6。

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

使用Matlab對(duì)樣本中的數(shù)據(jù)進(jìn)行BP神經(jīng)網(wǎng)絡(luò)模型預(yù)測(cè)分析。根據(jù)上述區(qū)域冷鏈物流需求量的灰色關(guān)聯(lián)度大小排序，選取對(duì)冷鏈物流需求影響明顯的十個(gè)因素，將其作為BP神經(jīng)網(wǎng)絡(luò)的輸入層神經(jīng)元，輸出層神經(jīng)元選取為冷鏈物流需求量，網(wǎng)絡(luò)激活函數(shù)選取S型函數(shù)（Sigmoid），然后通過(guò)神經(jīng)網(wǎng)絡(luò)經(jīng)驗(yàn)公式kolmogorov定理確定其隱含層神經(jīng)元個(gè)數(shù)。由公式（12）可知，其隱層神經(jīng)元應(yīng)在4～13之間，經(jīng)訓(xùn)練集訓(xùn)練檢驗(yàn)后，確定其隱含層神經(jīng)元數(shù)量為8時(shí)，其回歸預(yù)測(cè)結(jié)果最好。訓(xùn)練集數(shù)據(jù)為影響冷鏈物流需求量的十個(gè)因素在2013-2020年的數(shù)據(jù)，將其建模并通過(guò)測(cè)試集對(duì)模型的回歸預(yù)測(cè)性能進(jìn)行檢驗(yàn)，設(shè)置訓(xùn)練次數(shù)為3000次，最小誤差為0.000001。

經(jīng)過(guò)上述過(guò)程的BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練之后，得到其BP神經(jīng)網(wǎng)絡(luò)模型的訓(xùn)練結(jié)果。其中測(cè)試集的預(yù)測(cè)值與期望值對(duì)比結(jié)果如圖3，而B(niǎo)P神經(jīng)網(wǎng)絡(luò)模型預(yù)測(cè)結(jié)果的具體數(shù)據(jù)如表7。

從預(yù)測(cè)結(jié)果來(lái)看，BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)結(jié)果的平均百分比誤差為1.9506%，總體R=1，擁有較好的擬合程度。經(jīng)過(guò)絕對(duì)百分誤差對(duì)比發(fā)現(xiàn)，BP神經(jīng)網(wǎng)絡(luò)模型在其他年份的預(yù)測(cè)結(jié)果上相對(duì)無(wú)偏GM預(yù)測(cè)模型的預(yù)測(cè)結(jié)果更加精確。但在2020年的預(yù)測(cè)結(jié)果上存在著較大的誤差，其絕對(duì)百分誤差達(dá)到了4.65%。由于BP神經(jīng)網(wǎng)絡(luò)模型的預(yù)測(cè)特性，使其受數(shù)值突變反應(yīng)的靈敏性較差，但對(duì)穩(wěn)定數(shù)值的預(yù)測(cè)結(jié)果更加精確，所以使用BP神經(jīng)網(wǎng)絡(luò)模型對(duì)無(wú)偏GM（1，1）預(yù)測(cè)結(jié)果主體值的殘差部分在原有的訓(xùn)練集之上進(jìn)行預(yù)測(cè)，再將兩種預(yù)測(cè)結(jié)果進(jìn)行加和從而使最終預(yù)測(cè)結(jié)果更為精準(zhǔn)。

3.4 無(wú)偏GM-BP組合模型預(yù)測(cè)分析及對(duì)比

得到完善的BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練模型之后，再次對(duì)無(wú)偏灰色GM（1，1）模型預(yù)測(cè)結(jié)果中得到的殘差項(xiàng)進(jìn)行預(yù)測(cè)。將兩種預(yù)測(cè)方法根據(jù)Shapley值法按照貢獻(xiàn)率權(quán)重進(jìn)行結(jié)合，建立起無(wú)偏GM-BP組合模型，根據(jù)無(wú)偏灰色GM（1，1）模型預(yù)測(cè)出的主體部分，以及BP神經(jīng)網(wǎng)絡(luò)模型對(duì)其殘差項(xiàng)的預(yù)測(cè)結(jié)果進(jìn)行計(jì)算，以此方式得到山西省冷鏈物流需求量的最終預(yù)測(cè)結(jié)果。將四種預(yù)測(cè)方式分別得到的預(yù)測(cè)結(jié)果進(jìn)行對(duì)比，通過(guò)比較每種模型在所有年份預(yù)測(cè)結(jié)果的平均相對(duì)誤差，從而體現(xiàn)出無(wú)偏GM-BP組合模型對(duì)于預(yù)測(cè)結(jié)果的優(yōu)勢(shì)，對(duì)比結(jié)果以最近五年的需求量總和為例，如表8。

經(jīng)過(guò)對(duì)比分析后發(fā)現(xiàn)，無(wú)偏GM（1，1）模型預(yù)測(cè)結(jié)果的平均相對(duì)誤差為0.372%<0.564%，說(shuō)明對(duì)傳統(tǒng)GM模型進(jìn)行無(wú)偏優(yōu)化可以有效提高其預(yù)測(cè)精度，而B(niǎo)P神經(jīng)網(wǎng)絡(luò)模型的預(yù)測(cè)結(jié)果所得到的平均相對(duì)誤差為0.252%，僅高于組合模型的預(yù)測(cè)相對(duì)誤差，所以GM-BP組合模型的平均相對(duì)誤差最低且預(yù)測(cè)精度最高。其次從幾種模型的預(yù)測(cè)結(jié)果來(lái)看，對(duì)其他年份的預(yù)測(cè)結(jié)果也相對(duì)穩(wěn)定，而組合模型可以在一定程度上避免由特殊情況所產(chǎn)生的偶然性差異。因此將GM和BP模型進(jìn)行組合得到的預(yù)測(cè)結(jié)果可以有效提高預(yù)測(cè)精度，從而實(shí)現(xiàn)預(yù)測(cè)結(jié)果與實(shí)際情況的最佳吻合。最后使用無(wú)偏GM-BP模型對(duì)山西省未來(lái)五年的冷鏈物流需求量進(jìn)行組合預(yù)測(cè)，其結(jié)果如表9。

4 結(jié)論

本文首先將影響區(qū)域內(nèi)冷鏈物流需求量的因素進(jìn)行劃分和選取，再根據(jù)灰色關(guān)聯(lián)分析得到具體指標(biāo)并進(jìn)行重要性排序。其次在無(wú)偏GM（1，1）模型和BP神經(jīng)網(wǎng)絡(luò)模型的基礎(chǔ)上，提出將二者結(jié)合成為新的無(wú)偏GM-BP組合模型。通過(guò)對(duì)比分析各種預(yù)測(cè)方法的結(jié)果可知，該組合模型具有相對(duì)較高的預(yù)測(cè)精度，最后以此模型對(duì)山西省未來(lái)五年冷鏈物流需求量進(jìn)行合理預(yù)測(cè)。從預(yù)測(cè)結(jié)果來(lái)看，山西省未來(lái)五年冷鏈物流需求量呈現(xiàn)增長(zhǎng)態(tài)勢(shì)，這與山西省經(jīng)濟(jì)發(fā)展規(guī)模大致相同。但近些年來(lái)由于受到疫情的影響，使區(qū)域內(nèi)物流行業(yè)的發(fā)展速度放緩。對(duì)生鮮產(chǎn)品進(jìn)行生物活性檢測(cè)的必要性，也使冷鏈物流業(yè)受到極大沖擊。這無(wú)疑是當(dāng)前冷鏈物流行業(yè)面對(duì)的一次挑戰(zhàn)，同樣也是一種機(jī)遇。對(duì)此本文提出以下建議，建議政府出臺(tái)及完善相關(guān)制度和政策，加強(qiáng)冷鏈物流行業(yè)的基礎(chǔ)建設(shè)，確保生鮮類貨物能夠及時(shí)周轉(zhuǎn)并減少過(guò)程損失。鼓勵(lì)支持制冷及運(yùn)輸?shù)认嚓P(guān)技術(shù)領(lǐng)域的人才建設(shè)和科學(xué)研究，為冷鏈物流行業(yè)新發(fā)展提供有力保障。

參考文獻(xiàn)：

〔1〕呂靖，陳宇姝.大連水產(chǎn)品冷鏈物流需求影響因素分析及其預(yù)測(cè)[J].數(shù)學(xué)的實(shí)踐與認(rèn)識(shí)，2020，50（15）：72-80.

〔2〕李義華，王沖，文哲，等.基于滑動(dòng)無(wú)偏灰色模型的湖南省農(nóng)產(chǎn)品冷鏈物流需求預(yù)測(cè)[J].中南林業(yè)科技大學(xué)學(xué)報(bào)，2021，41（08）：161-168.

〔3〕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（08）：870-878.

〔4〕戎陸慶，黃佩華.基于灰色理論的廣西果蔬冷鏈物流需求及其影響因素預(yù)測(cè)研究[J].中國(guó)農(nóng)業(yè)資源與區(qū)劃，2017，38（12）：227-234.

〔5〕李雋波，孫麗娜.基于多元線性回歸分析的冷鏈物流需求預(yù)測(cè)[J].安徽農(nóng)業(yè)科學(xué)，2011，39（11）：6519-6520+6523.

〔6〕陸芳，由建勛.基于組合模型的陜西特色農(nóng)產(chǎn)品物流需求預(yù)測(cè)[J].農(nóng)業(yè)經(jīng)濟(jì)，2017，37（12）：140-141.

〔7〕張喜才，李海玲.基于灰色與馬爾科夫鏈模型的京津冀農(nóng)產(chǎn)品冷鏈需求預(yù)測(cè)[J].商業(yè)經(jīng)濟(jì)研究，2019，38（15）：109-111.

〔8〕Qi Fang， Dazho Tig. The model of highway logistic demand forecasting based on gray neural network[J]. Soft Science， 2010（11）：132-135.

〔9〕Joseph Berechunan. Cold chain development and challenges in the developing world[J].Acta Horticulturae， 2003（08）：127-134.

〔10〕Terry Moore. An Introduction to Supply Chain Management[M]. Palgrave Macmillan Ltd，2003，6（17）：153-165.

〔11〕Marija Bogate， Ludvik Bogataj， Robert Vodopivec. Stability of perishable goods in？cold logistic chains[J]. International Journal of Production Econnomics， 2005，2（01）：345-356.

〔12〕徐宏峰，張言彩，鄭艷民.冷鏈物流研究現(xiàn)狀及未來(lái)的發(fā)展趨勢(shì)[J].生態(tài)經(jīng)濟(jì)，2012，28（05）：141-143+150.

〔13〕吉培榮，黃巍松，胡翔勇.無(wú)偏灰色預(yù)測(cè)模型[J].系統(tǒng)工程與電子技術(shù)，2000，22（06）：6-7+80.

〔14〕ZENG B， LI C. Forecasting the natural gas demand in China using a self-adapting intelligent grey model[J]. Energy， 2016， 112（01）：810-825.