王健行，岳 帥，蘭洪杰，戴梓軒，夏夢(mèng)圓

（1.北京交通大學(xué) 經(jīng)濟(jì)管理學(xué)院，北京 100044；2.中國(guó)科學(xué)技術(shù)大學(xué) 自動(dòng)化系，安徽 合肥 230026）

1 引言

隨著現(xiàn)代體育精神的發(fā)展以及社會(huì)經(jīng)濟(jì)水平的提高，奧運(yùn)會(huì)作為高水平體育賽事越來(lái)越受到各國(guó)的重視。奧運(yùn)食品冷鏈物流是奧運(yùn)物流的重要組成部分，兼具食品物流和冷鏈物流的特征[1]，是保障奧運(yùn)食品安全的重要環(huán)節(jié)。冬奧會(huì)食品冷鏈物流需求在實(shí)際運(yùn)作中存在不確定性特征，為減輕其不確定性對(duì)冬奧食品冷鏈物流系統(tǒng)的影響，有必要對(duì)其需求進(jìn)行預(yù)測(cè)，并結(jié)合北京市、延慶市以及張家口市的食品冷鏈物流發(fā)展現(xiàn)狀，對(duì)2022年冬奧會(huì)冷鏈物流基礎(chǔ)設(shè)施進(jìn)行規(guī)劃，在一定程度上為當(dāng)?shù)卣拖嚓P(guān)部門(mén)制定冬奧會(huì)食品冷鏈物流相關(guān)戰(zhàn)略提供有效的數(shù)據(jù)支持。

近些年，區(qū)域經(jīng)濟(jì)的快速發(fā)展以及產(chǎn)業(yè)結(jié)構(gòu)的改善使得物流產(chǎn)業(yè)越發(fā)受到重視，物流需求預(yù)測(cè)研究也獲得了進(jìn)一步發(fā)展。其中，具有代表性的一類為利用灰色系統(tǒng)理論對(duì)需求進(jìn)行預(yù)測(cè)，但是在實(shí)際運(yùn)作中，物流需求量往往與多種因素相關(guān)，并且這些因素之間又保持著錯(cuò)綜復(fù)雜的非線性關(guān)系，因此，這種方法建立的模型不能全面、科學(xué)地反映物流需求系統(tǒng)的復(fù)雜性，導(dǎo)致出現(xiàn)預(yù)測(cè)精度低等問(wèn)題[2]。

由于神經(jīng)網(wǎng)絡(luò)具有以高精度擬合非線性問(wèn)題的優(yōu)越性，可以充分彌補(bǔ)灰色預(yù)測(cè)方法的弊端，因而灰色神經(jīng)網(wǎng)絡(luò)組合模型被國(guó)內(nèi)外學(xué)者廣泛應(yīng)用于社會(huì)各領(lǐng)域的預(yù)測(cè)中[3-6]。俞達(dá)，綦方中[7]、曹萍,陳福集[8]、李代紅[9]等學(xué)者建立了灰色神經(jīng)網(wǎng)絡(luò)組合模型，利用較少的歷史數(shù)據(jù)對(duì)非線性物流需求進(jìn)行了預(yù)測(cè)，并通過(guò)實(shí)證以及對(duì)比分析證明了預(yù)測(cè)結(jié)果具有較好的應(yīng)用性。在智能優(yōu)化算法的影響下，Braldi P,Bonfanti G,Zjo E等[10]、Monammadi A,Asadi H,Mohamed S等[11]將優(yōu)化算法與灰色神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型進(jìn)行融合，進(jìn)一步解決了由于灰色神經(jīng)網(wǎng)絡(luò)權(quán)值與閾值隨機(jī)生成導(dǎo)致的預(yù)測(cè)結(jié)果不精確，以及可能出現(xiàn)的局部過(guò)快收斂無(wú)法達(dá)到全局最優(yōu)的問(wèn)題。

本文構(gòu)建了基于混合優(yōu)化算法改進(jìn)的灰色神經(jīng)網(wǎng)絡(luò)模型，從當(dāng)前多種優(yōu)化算法中選擇具有明顯互補(bǔ)性的遺傳優(yōu)化算法和粒子群優(yōu)化算法，綜合兩種智能優(yōu)化算法的優(yōu)劣性，優(yōu)化灰色神經(jīng)網(wǎng)絡(luò)模型，并在遺傳算法中個(gè)體交換和變異概率方面進(jìn)行改進(jìn)，引入了自適應(yīng)交換、變異概率。結(jié)合2022年冬奧會(huì)食品冷鏈物流需求影響因素，對(duì)其需求做出了預(yù)測(cè)，彌補(bǔ)了當(dāng)前對(duì)于2022年冬奧會(huì)食品冷鏈物流需求預(yù)測(cè)領(lǐng)域的不足。

2 預(yù)測(cè)對(duì)象及預(yù)測(cè)思路

在冬奧會(huì)食品冷鏈物流的需求主體中，本文選取參賽隊(duì)員、代表團(tuán)陪同人員以及現(xiàn)場(chǎng)觀眾三個(gè)主要物流增量進(jìn)行預(yù)測(cè)。在需求客體方面，考慮到乳制品作為冷鏈?zhǔn)称肪哂斜Ｙ|(zhì)期短、質(zhì)量要求高等特性，同時(shí)國(guó)內(nèi)豬肉的產(chǎn)出量與消耗量均較高，因此選取了乳制品與豬肉作為代表性的需求客體進(jìn)行研究。

本文預(yù)測(cè)思路如圖1所示。首先界定影響冬奧會(huì)食品冷鏈物流需求主體的影響因素，通過(guò)改進(jìn)的灰色神經(jīng)網(wǎng)絡(luò)模型對(duì)需求主體數(shù)量進(jìn)行預(yù)測(cè)，然后在對(duì)需求主體人數(shù)預(yù)測(cè)的基礎(chǔ)上，結(jié)合人均乳制品和豬肉食品消耗量，預(yù)測(cè)冬奧會(huì)期間冷凍冷藏食品的需求總量，最后根據(jù)北京市及張家口市的冷藏設(shè)備的承載能力預(yù)測(cè)冬奧會(huì)食品冷鏈物流需求量。

圖1 預(yù)測(cè)思路

3 改進(jìn)灰色神經(jīng)網(wǎng)絡(luò)模型設(shè)計(jì)

3.1 灰色神經(jīng)網(wǎng)絡(luò)建立

在灰色系統(tǒng)中建立的模型稱為灰色模型（GM），其中最為常用的是GM(1,1)模型，由只包含一個(gè)變量的一階方程構(gòu)成。首先對(duì)原始數(shù)據(jù)序列做一次疊加，使累加后的數(shù)據(jù)呈現(xiàn)出一定的規(guī)律，再用典型曲線進(jìn)行擬合，從而預(yù)測(cè)系統(tǒng)輸出。

對(duì) X(1)建立微分方程，見(jiàn)式（1）。

在確定參數(shù)a和u后，即可得到X(1)的預(yù)測(cè)序列，對(duì)預(yù)測(cè)序列進(jìn)行一次累減，即可還原得到X(0)的預(yù)測(cè)序列?；疑A(yù)測(cè)能夠挖掘數(shù)據(jù)變化的規(guī)律，可以很好地融入其他方法模型的建模過(guò)程中，從而提升預(yù)測(cè)精度。

將原始數(shù)列X(0)定義為x(t)，將一次累加后的數(shù)列X(1)定義為y(t)，將系統(tǒng)的預(yù)測(cè)結(jié)果定義為z(t)，則式（1）可化為：

其中，y1(t)，y2(t)，…，yn(t)是系統(tǒng)輸入?yún)?shù)，a，b1，b2，…，bn-1是微分方程系數(shù)。

則方程的解為：

將式（4）映射到一個(gè)擴(kuò)展的BP神經(jīng)網(wǎng)絡(luò)中，得到一個(gè)具有n個(gè)輸入，1個(gè)輸出的灰色神經(jīng)網(wǎng)絡(luò)。

其中，w11，w2i，w3i為各層神經(jīng)元權(quán)值，θ為輸出節(jié)點(diǎn)的閾值。

3.2 遺傳粒子群優(yōu)化算法設(shè)計(jì)

由于神經(jīng)網(wǎng)絡(luò)的初始權(quán)值和閾值都是隨機(jī)確定的，容易使預(yù)測(cè)陷入局部最優(yōu)解，所以需要優(yōu)化。本文在采用遺傳粒子群混合優(yōu)化算法來(lái)確定神經(jīng)網(wǎng)絡(luò)初始權(quán)值與閾值的基礎(chǔ)上，引入了對(duì)粒子交叉及變異概率的改進(jìn)。

3.2.1 粒子群優(yōu)化算法。在可行解空間中初始化一群粒子，每個(gè)粒子含有速度、位置和適應(yīng)度三個(gè)參數(shù)，適應(yīng)度由適應(yīng)度函數(shù)計(jì)算而得，將適應(yīng)度函數(shù)F定義為預(yù)測(cè)輸出與訓(xùn)練數(shù)據(jù)輸出之間的誤差絕對(duì)值和，即：

根據(jù)標(biāo)準(zhǔn)粒子群算法定義以及章杰寬[12]文章中的算法，每進(jìn)行一次迭代粒子即根據(jù)個(gè)體極值和全局極值按照如下公式更新一次自身的速度和位置：

其中，ω是慣性權(quán)重，d=1,2,...,D，i=1,2,...,n，c1，c2是非負(fù)常數(shù)，稱為加速系數(shù)，k是當(dāng)前迭代次數(shù)，之間的隨機(jī)數(shù)。將速度和位置的范圍分別限定在

粒子群優(yōu)化算法相較其他算法具有收斂快、通用性好等特點(diǎn)，但同時(shí)也存在著容易“早熟”收斂，全局搜索能力差等缺點(diǎn)，對(duì)于這一問(wèn)題，本文對(duì)粒子群算法引入遺傳變異算子進(jìn)行改進(jìn)，鑒于此，本文采用遺傳算法來(lái)增強(qiáng)粒子群算法的變異能力。

3.2.2 遺傳算法與改進(jìn)。遺傳算法的核心操作可歸結(jié)為選擇、交叉與變異。

（1）選擇操作。選擇操作基于每個(gè)個(gè)體的適應(yīng)度而定，適應(yīng)度函數(shù)在前文中已給出，本文采用最為常用的輪盤(pán)賭法，即由正比選擇策略計(jì)算選擇概率，設(shè)種群規(guī)模為NP，種群中個(gè)體i的適應(yīng)度值為Fi每個(gè)個(gè)體的選擇概率為Pi，則：

得到選擇概率后，令PP0=0，共轉(zhuǎn)輪 NP次，每次轉(zhuǎn)輪時(shí)隨機(jī)產(chǎn)生 εk∈U(0,1)，當(dāng)PPi-1≤εk≤PPi時(shí)，選擇個(gè)體 i。

（2）交叉操作。傳統(tǒng)遺傳算法中，個(gè)體間交叉概率事先給定，而實(shí)際上最優(yōu)交叉概率并不好確定，因此本文引入自適應(yīng)交叉概率，使適應(yīng)度高的個(gè)體擁有較小的交換率，適應(yīng)度低的個(gè)體具有較高的交換率。公式如下：

其中，Pc1是交換概率的最大值，Pc2是群體中適應(yīng)度最高的個(gè)體的交叉率，fmax是群體中的最大適應(yīng)度，favg是群體的平均適應(yīng)度，f′是要交叉的兩個(gè)個(gè)體中較大的適應(yīng)度值。

按照交叉概率選定交叉?zhèn)€體后，隨機(jī)選擇交叉位置，對(duì)父代粒子相應(yīng)元素進(jìn)行交換，每?jī)蓚€(gè)父代產(chǎn)生兩個(gè)子代，設(shè)s代表子代，f代表父粒子，m代表母粒子，則：

其中，φi是（0,1）之間均勻分布的隨機(jī)數(shù)。子代的速度向量由父代速度向量之和歸一化得到：

（3）變異操作。傳統(tǒng)遺傳算法中，個(gè)體變異的概率也是事先給定的，而實(shí)際應(yīng)用中最優(yōu)的概率值并不好確定。

因此，與前文類似，本文引入了自適應(yīng)變異概率，使適應(yīng)度低的個(gè)體擁有較大的變異概率，而適應(yīng)度高的個(gè)體擁有較小的變異概率，從而盡量保存?zhèn)鹘o下一代。公式如下：

其中Pm1是變異概率的最大值，Pm2是群體中適應(yīng)度最高的個(gè)體的變異率；f是要變異的個(gè)體的適應(yīng)度值；其余參數(shù)與前文定義一致，不再贅述。

確定變異概率后，在個(gè)體位置中隨機(jī)確定變異點(diǎn)進(jìn)行變異。

本文改進(jìn)灰色神經(jīng)網(wǎng)絡(luò)計(jì)算流程如圖2所示。

4 2022年冬奧會(huì)食品冷鏈物流需求預(yù)測(cè)

為驗(yàn)證上述預(yù)測(cè)方法的準(zhǔn)確性，對(duì)2022年冬奧會(huì)食品冷鏈物流需求進(jìn)行預(yù)測(cè)分析。

圖2 計(jì)算流程圖

4.1 影響因素確定

冬奧會(huì)食品冷鏈物流系統(tǒng)作為一個(gè)開(kāi)放性、復(fù)雜性的系統(tǒng)，其需求影響因素很多，方便起見(jiàn)，本文僅考慮體育賽事中運(yùn)動(dòng)員到場(chǎng)人數(shù)的影響因素，并對(duì)其進(jìn)行量化處理。在體育賽事觀眾人數(shù)影響因素方面，Moreno F C,PradogascV,Crespo H J[13]、Kim J W,James J D,Yu K K[14]以及Brown G,Smith A,Assaker G[15]等學(xué)者均進(jìn)行了深入研究，研究認(rèn)為主要影響因素包括服務(wù)質(zhì)量、感知價(jià)值、未來(lái)意向、舉辦規(guī)模、情緒、價(jià)格、收入、季節(jié)性等。在此基礎(chǔ)上，本文結(jié)合歷屆冬奧會(huì)舉辦經(jīng)驗(yàn)，選取參賽國(guó)家數(shù)目、舉辦規(guī)模兩個(gè)因素作為主要影響因素，預(yù)測(cè)2022年冬奧會(huì)北京、張家口賽區(qū)參賽運(yùn)動(dòng)員人數(shù)。

4.2 模型應(yīng)用

根據(jù)式（8），由輸入輸出數(shù)據(jù)維數(shù)確定灰色神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)。算例研究中輸入數(shù)據(jù)為3維，輸出數(shù)據(jù)為1維，由此確定灰色神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)為3-3-1。本文選擇1924年第1屆冬奧會(huì)到2010年第21屆冬奧會(huì)歷屆與會(huì)的運(yùn)動(dòng)員人數(shù)作為訓(xùn)練樣本，用2014年第22屆冬奧會(huì)的數(shù)據(jù)對(duì)該模型的預(yù)測(cè)性能進(jìn)行評(píng)價(jià)，歷屆參賽運(yùn)動(dòng)員數(shù)量如圖3所示。歷屆冬奧會(huì)運(yùn)動(dòng)員數(shù)量、參賽國(guó)家數(shù)量以及比賽項(xiàng)目數(shù)據(jù)均來(lái)源于世界奧委會(huì)官網(wǎng)（https://www.olympic.org/）。

圖3 歷屆冬奧會(huì)參賽運(yùn)動(dòng)員人數(shù)

對(duì)參賽國(guó)家數(shù)量以及比賽項(xiàng)目?jī)蓚€(gè)影響因素進(jìn)行歸一化處理，進(jìn)行累加后作為輸入數(shù)據(jù)，運(yùn)動(dòng)員預(yù)測(cè)數(shù)量作為輸出數(shù)據(jù)。

根據(jù)圖2的計(jì)算流程，用訓(xùn)練好的灰色神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)2022年冬奧會(huì)運(yùn)動(dòng)員數(shù)量，進(jìn)行交叉和變異概率計(jì)算時(shí)用到的Pc1=0.9，Pc2=0.6，Pm1=0.1，Pm2=0.01，粒子群算法中慣性權(quán)重為1，兩個(gè)速度更新參數(shù)均設(shè)為2，種群規(guī)模是21，迭代次數(shù)為200。

4.3 預(yù)測(cè)精度對(duì)比

為了體現(xiàn)改進(jìn)與優(yōu)化的精確性，本文分別對(duì)同一組數(shù)據(jù)采用單一灰色神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)GNN、粒子群優(yōu)化的灰色神經(jīng)網(wǎng)絡(luò)PSO-GNN以及遺傳粒子群優(yōu)化的灰色神經(jīng)網(wǎng)絡(luò)GP-GNN三種方法進(jìn)行預(yù)測(cè)，比較預(yù)測(cè)結(jié)果。在不同的算法情形下，訓(xùn)練誤差隨迭代次數(shù)變化的曲線如圖4所示，最優(yōu)個(gè)體適應(yīng)度值隨進(jìn)化次數(shù)的變化如圖5所示，誤差率對(duì)比見(jiàn)表1。

由表1可知，GP-GNN算法相較另外兩種算法具有更小的誤差，即遺傳粒子群灰色神經(jīng)網(wǎng)絡(luò)算法具有更高的預(yù)測(cè)精度。由圖4、圖5可以發(fā)現(xiàn)，在引入粒子群、遺傳粒子群算法對(duì)網(wǎng)絡(luò)初始權(quán)值和閾值進(jìn)行優(yōu)化后，進(jìn)化速度有所提高，系統(tǒng)可以更快地收斂。

表1 三種算法預(yù)測(cè)誤差比較

4.4 冬奧會(huì)食品冷鏈物流需求主體預(yù)測(cè)

4.4.1 運(yùn)動(dòng)員數(shù)量預(yù)測(cè)。本文以1924-2014年的22屆冬奧會(huì)數(shù)據(jù)作為輸入數(shù)據(jù)，外推出2018年冬奧會(huì)運(yùn)動(dòng)員人數(shù)為3 029人，2022年冬奧會(huì)運(yùn)動(dòng)員人數(shù)為3 334人。

圖4 三種算法訓(xùn)練誤差對(duì)比

圖5PSO-GNN、GP-GNN收斂速度對(duì)比

4.4.2 代表團(tuán)成員數(shù)量預(yù)測(cè)。根據(jù)歷屆冬奧會(huì)及夏奧會(huì)的經(jīng)驗(yàn)，各國(guó)代表團(tuán)人數(shù)和各國(guó)參賽運(yùn)動(dòng)員人數(shù)之間存在一定的相關(guān)性?？死锓颉じ裉m杰曾研究得出：在奧運(yùn)會(huì)上，每1 000個(gè)運(yùn)動(dòng)員將另外配有500名隨行的官員、教練團(tuán)隊(duì)、廚師團(tuán)隊(duì)和安保團(tuán)隊(duì)等。因此，結(jié)合參賽運(yùn)動(dòng)員的預(yù)測(cè)數(shù)量，本文預(yù)測(cè)出參加2022年冬奧會(huì)的代表團(tuán)成員數(shù)量為1 667人。

4.4.3 到場(chǎng)觀眾人數(shù)預(yù)測(cè)。2022年冬奧會(huì)現(xiàn)場(chǎng)觀眾主要包括各項(xiàng)比賽以及冬奧會(huì)開(kāi)閉幕式的觀眾，由于冬奧會(huì)舉辦時(shí)間正值國(guó)內(nèi)春節(jié)期間，當(dāng)期各地旅游人數(shù)主要來(lái)源為探親尋訪，因此預(yù)計(jì)冬奧會(huì)觀眾人數(shù)占比較少，不宜選用當(dāng)期入境旅游人數(shù)預(yù)測(cè)觀眾人數(shù)。在此，本文選取比賽賽次、賽場(chǎng)容量以及上座率因素，預(yù)測(cè)2022年冬奧會(huì)期間觀眾人數(shù)，具體算法如下：

觀眾人數(shù)=各項(xiàng)比賽賽次×該項(xiàng)比賽賽場(chǎng)容量×上座率

2022年冬奧會(huì)已公布的賽場(chǎng)、賽場(chǎng)容量及比賽項(xiàng)目見(jiàn)表2，由于官方尚未公布各項(xiàng)比賽賽次，因此本文選取2018年平昌冬奧會(huì)各項(xiàng)比賽場(chǎng)次為例。冬奧會(huì)各比賽項(xiàng)目上座率往往與比賽項(xiàng)目本身的熱門(mén)程度相關(guān)，方便起見(jiàn)，本文選取比賽上座率約為60%-80%。

綜上所述，本文對(duì)2022年冬奧會(huì)冷鏈?zhǔn)称沸枨笾黧w預(yù)測(cè)結(jié)果為1 108 401-1 491 205人，其中包括參賽運(yùn)動(dòng)員3 334人，代表團(tuán)及其他人員1 667人，到場(chǎng)觀眾人數(shù)1 103 400-1 471 200人。

表2 2022年冬奧會(huì)賽事信息

根據(jù)冬奧會(huì)歷史經(jīng)驗(yàn)可得，現(xiàn)場(chǎng)觀眾主要包括國(guó)內(nèi)觀眾以及國(guó)外觀眾，其中國(guó)內(nèi)觀眾占比約70%，國(guó)外觀眾占比約30%，因此本文預(yù)測(cè)2022年冬奧會(huì)期間，國(guó)內(nèi)觀眾約為77萬(wàn)-103萬(wàn)人，國(guó)外觀眾約為33萬(wàn)-45萬(wàn)人。

5 冬奧會(huì)食品冷鏈物流需求客體預(yù)測(cè)

由于不同國(guó)家的飲食習(xí)慣不同，對(duì)食品的需求量也有所不同，因此，本文分別對(duì)國(guó)內(nèi)和國(guó)外觀眾及其他人員對(duì)乳制品和豬肉的需求進(jìn)行預(yù)測(cè)。

5.1 國(guó)內(nèi)觀眾對(duì)乳制品及豬肉的需求總量

本文假定2022年冬奧會(huì)期間，國(guó)內(nèi)觀眾對(duì)乳制品和豬肉的日需求水平與中國(guó)人均乳制品和豬肉的日消費(fèi)量相同。根據(jù)《中國(guó)統(tǒng)計(jì)年鑒2016》中的相關(guān)數(shù)據(jù)，見(jiàn)表3，對(duì)2022年冬奧會(huì)期間國(guó)內(nèi)觀眾對(duì)乳制品和豬肉的日需求量進(jìn)行預(yù)測(cè)。方便起見(jiàn)，本文選擇2013-2015年全部數(shù)據(jù)的平均值作為乳制品和豬肉人均日消耗量的估計(jì)值。由此得出冬奧會(huì)期間國(guó)內(nèi)觀眾對(duì)乳制品的日需求總量為25 667kg-34 333kg，對(duì)豬肉的日需求總量為46 457kg-62 143kg。

表3 中國(guó)人均乳制品和豬肉日消費(fèi)量 單位：kg

5.2 國(guó)外運(yùn)動(dòng)員和代表團(tuán)成員對(duì)乳制品及豬肉的需求總量

本文選取美國(guó)人均乳制品和豬肉日消耗量作為代表，預(yù)測(cè)冬奧會(huì)期間國(guó)外相關(guān)人員日消耗總量。根據(jù)美國(guó)農(nóng)業(yè)部發(fā)布的研究報(bào)告[14，18]，經(jīng)數(shù)據(jù)整理可得近10年間美國(guó)人均乳制品和豬肉日消耗量（參見(jiàn)表4和圖6）。如圖6所示，美國(guó)乳制品和豬肉人均日消耗量近10年來(lái)基本持平，因此本文選取近10年數(shù)據(jù)的平均值作為美國(guó)2022年乳制品和豬肉人均日消耗量的估計(jì)值，分別為0.211kg和0.077kg。運(yùn)動(dòng)員和代表團(tuán)成員共5 001人，國(guó)外觀眾人數(shù)33萬(wàn)-45萬(wàn)人，因此預(yù)測(cè)出冬奧會(huì)期間國(guó)外運(yùn)動(dòng)員和代表團(tuán)成員對(duì)對(duì)乳制品的日需求總量為70 685kg-96 005kg，對(duì)豬肉的日需求總量為25 795kg-35 035kg。

表4 美國(guó)人均乳制品和豬肉日消耗量 單位：kg

由以上分析可知，2022年冬奧會(huì)期間，每天需要乳制品96 352kg-130 338kg，豬肉72 252kg-87 938kg。

圖6 美國(guó)人均乳制品和豬肉日消耗量趨勢(shì)

6 冬奧會(huì)食品冷鏈物流需求預(yù)測(cè)

本文根據(jù)2022年冬奧會(huì)期間乳制品和豬肉的需求總量，結(jié)合現(xiàn)有冷藏車的運(yùn)載能力，以北京市為例，利用因果分析法對(duì)所需的冷藏車數(shù)量進(jìn)行預(yù)測(cè)?，F(xiàn)在國(guó)內(nèi)有載重為 1.25t、2.5t、3.5t、5t及以上噸數(shù)的冷藏車，但受北京市法規(guī)的限制，8t及以上載重的冷藏車白天不允許在五環(huán)主路行駛，因此本文僅考慮前三種載重量相對(duì)較小的冷藏車。根據(jù)冬奧會(huì)期間每日乳制品和豬肉的需求量，假設(shè)冷藏車的滿載率為75%，不考慮車輛的重復(fù)使用，得出每日所需冷藏車數(shù)量見(jiàn)表5。

表5 每日配送乳制品和豬肉所需冷藏車數(shù)量單位：輛

7 結(jié)論

本文選取冷凍冷藏食品中的乳制品和豬肉為代表對(duì)物流需求進(jìn)行了預(yù)測(cè)，在冬奧會(huì)期間，各類冷凍冷藏食品需求總量將是本文預(yù)測(cè)結(jié)果的數(shù)倍，而目前我國(guó)多數(shù)企業(yè)冷鏈物流設(shè)備數(shù)量較少，不足以滿足冬奧會(huì)對(duì)冷藏車的需求，且張家口市缺乏舉辦冬奧會(huì)經(jīng)驗(yàn)，在冬奧會(huì)食品冷鏈物流系統(tǒng)規(guī)劃上面臨著更大的挑戰(zhàn)。因此，北京市、張家口市政府以及相關(guān)制造企業(yè)需要在滿足冬奧會(huì)冷凍冷藏食品需求、保證冬奧會(huì)之后的長(zhǎng)久經(jīng)濟(jì)效益的基礎(chǔ)上，選擇購(gòu)買(mǎi)冷凍冷藏設(shè)備或者和第三方物流公司進(jìn)行合作。