步陳雨， 陳 荔

(上海理工大學(xué) 管理學(xué)院， 上海 200093)

近年來隨著國家政策、交通工具、運輸條件，物流環(huán)境的變化，生鮮農(nóng)產(chǎn)品冷鏈物流取得飛速的發(fā)展。大部分生鮮農(nóng)產(chǎn)品需要進(jìn)行運輸、儲藏、加工等方式才能滿足城鎮(zhèn)居民的需要，然而在這些過程中不可避免地會造成生鮮農(nóng)產(chǎn)品的損失。以發(fā)達(dá)國家為例美國、加拿大、日本冷鏈物流體系較為成熟，蔬菜、肉類、水果等生鮮農(nóng)產(chǎn)品的損失率不足5%，而我國農(nóng)產(chǎn)品的損失率在30%左右。江蘇省作為長三角一體化的重要發(fā)展區(qū)域，以江蘇省作為研究對象不僅有助于對江蘇省物流運作設(shè)施進(jìn)行合理的規(guī)劃，對城市供給需求進(jìn)行改進(jìn)，減少物流成本的浪費，提升物流運作效率，更能在全國起到率先示范的作用。

在研究農(nóng)產(chǎn)品冷鏈物流需求研究方面，吳英[1]基于六合市城鎮(zhèn)居民的人口數(shù)，運用灰色GM(1，1)模型對農(nóng)產(chǎn)品冷鏈物流進(jìn)行預(yù)測。朱賀[2]基于多元回歸分析，將公路貨運量鐵路貨運量等因素作為預(yù)測相關(guān)性指標(biāo)。王曉平[3]在對農(nóng)產(chǎn)品冷鏈物流預(yù)測方面，對農(nóng)產(chǎn)品冷鏈物流的影響因子采用主成分分析法去除相關(guān)性，通過GA-BP神經(jīng)網(wǎng)絡(luò)的模型對北京市2016—2020年農(nóng)產(chǎn)品冷鏈物流進(jìn)行預(yù)測分析，誤差結(jié)果控制在1%以內(nèi)。王秀梅[4]運用權(quán)重組合分配法，結(jié)合偏最小二乘法，對預(yù)測誤差進(jìn)行估算，其相對誤差均值為1.4%。

在江蘇省農(nóng)產(chǎn)品冷鏈物流研究方面，陳禰[5]著重分析了物聯(lián)網(wǎng)技術(shù)在加工、包裝、運輸?shù)拳h(huán)節(jié)的應(yīng)用，研究表明運用物聯(lián)網(wǎng)技術(shù)可以有效地提升農(nóng)產(chǎn)品冷鏈物流的運輸效率，促進(jìn)農(nóng)產(chǎn)品冷鏈物流運輸?shù)姆€(wěn)定高效的發(fā)展。

在對農(nóng)產(chǎn)品冷鏈物流的研究過程中由于數(shù)據(jù)增長或減少的不規(guī)律性，一些傳統(tǒng)的預(yù)測方法如線性回歸法，主成分分析法不能對農(nóng)產(chǎn)品冷鏈物流需求量的精度進(jìn)行準(zhǔn)確反映[6]，通過查閱資料，江蘇省冷鏈物流數(shù)據(jù)較少，而一些模型如時間序列預(yù)測模型和BP神經(jīng)網(wǎng)絡(luò)需要大量的數(shù)據(jù)支撐[7]，因此還需要選擇合適的模型對江蘇省城鎮(zhèn)居民冷鏈物流總量進(jìn)行預(yù)測。

廖普明[8]運用馬爾科夫狀態(tài)轉(zhuǎn)移對商品市場進(jìn)行了狀態(tài)預(yù)測，結(jié)果表明狀態(tài)轉(zhuǎn)移可以縮小預(yù)測的范圍提高預(yù)測的精度，可用于對數(shù)值模型進(jìn)行優(yōu)化。索瑞霞[9]采用無偏差的動態(tài)方法，將誤差的概率進(jìn)一步提升。以上學(xué)者的研究表明灰色GM(1，1)模型和馬爾科夫鏈所需的數(shù)據(jù)量較少，可以通過尋找最優(yōu)化的方法提升預(yù)測的精度和范圍。

鑒于以上的理論本文選取灰色馬爾科夫模型對數(shù)值進(jìn)行優(yōu)化，對比前人的成果本文給出的模型步驟較為清晰[10]，優(yōu)先得出2017年的優(yōu)化值，再通過公式對2019-2026年的數(shù)值給出預(yù)測結(jié)果。

1 研究方法與數(shù)據(jù)來源

文中首先通過對江蘇省城鎮(zhèn)居民人均農(nóng)產(chǎn)品冷鏈物流消耗量，計算出出冷鏈物流的需求總量。運用灰色GM(1,1)模型進(jìn)行數(shù)值預(yù)測，通過馬爾科夫模型對江蘇城鎮(zhèn)居民農(nóng)產(chǎn)品冷鏈物流需求總量進(jìn)行優(yōu)化[11]，馬爾科夫鏈彌補了灰色GM(1,1)模型數(shù)據(jù)預(yù)測精度的不足。

以往學(xué)者主要只對單數(shù)據(jù)類別進(jìn)行預(yù)測，查閱江蘇統(tǒng)計年鑒等相關(guān)資料，本文將生鮮農(nóng)產(chǎn)品定義為鮮菜、豬肉、水產(chǎn)品、鮮蛋、鮮奶以及鮮瓜果等日常居民生活必需品，將多個因子考慮其中，提高預(yù)測的精度。

2 灰色GM(1，1)模型

灰色理論模型是對未確定的相關(guān)數(shù)據(jù)進(jìn)行預(yù)測，顯示與時間變化有關(guān)的預(yù)測模型。[12]灰色模型通常記為GM(n,h)模型，灰色GM(1,1)模型是GM(n,h)模型的一階微分方程(n為微分方程個數(shù)，h為變量個數(shù))。通過對比傳統(tǒng)的線性回歸預(yù)測模型，灰色GM(1，1)模型具有需求數(shù)據(jù)少，模型精度高等特征。

運用灰色模型對數(shù)據(jù)進(jìn)行預(yù)測時首先需要進(jìn)行準(zhǔn)光滑度檢驗[13]，判斷數(shù)據(jù)是否滿足光滑度檢測條件，其檢驗公式如下：

(1)

數(shù)滿足光滑度檢條。

2)p(k)∈[0,θ],k=3，…，n

3)θ<0.5

灰色模型建立步驟如下所示：

1)設(shè)x(0)≥0，其對應(yīng)于時間序列的原數(shù)列：

X(0)(k)={x(0)(1)，x(0)(2)，…，x(0)(n)}x(0)(k)≥0，k=1，2…；n

(2)

2)弱化數(shù)據(jù)的隨機性，同時進(jìn)行累加處理生成數(shù)列：

(3)

X(1)={x(1)(1)，x(1)(2)，…；x(1)(n)}

3)x(1)對作均值處理：

(4)

其緊鄰均值Z(1){z(1)(2)，z(1)(3)…，z(1)(n)}；z(1)(k)為白化背景值。

4)對其建立微分方程：

(5)

由最小二乘法計算可得：

5)求出響應(yīng)方程：

6)由累減還原：

當(dāng)k=1時

當(dāng)k≠1時

2≤k≤n

(6)

通過對GM(1,1)模型精度檢驗，比較其后驗差值比和小誤差概率，可以將模型精度控制在一定范圍。

1)x(0)均方差的平方：

(7)

2)殘方差的平方：

(8)

3)后驗差值比：

(9)

4)小誤差的概率：

(10)

5)相對誤差：

(11)

將計算所得后驗差值比和小誤差概率的數(shù)值對照表1，可計算出模型的精度范圍。

表1 GM(1，1)模型精度對照標(biāo)準(zhǔn)

3 馬爾科夫模型

馬爾可夫模型是由俄國數(shù)學(xué)家Markov于1906年提出來的，其定義如下：設(shè){Xn，n=1，2，…}是由一個隨機序列構(gòu)成，狀態(tài)的空間S為有限個，并對于任意的正整數(shù)m，n，若i，j，ik∈S(k=1，2，…n-1)有P{Xn+m=j|Xn=i，Xn-1=in-1，…，X1=i1}=P{Xn+m=j|Xn=i}，則稱{εn，n=1，2，…}為一個馬爾可夫鏈(簡稱馬氏鏈)。

由定義可知馬爾科夫轉(zhuǎn)移過程只與相連接前一次的數(shù)據(jù)有關(guān)，而與過去的其它數(shù)據(jù)無關(guān)。馬爾科夫模型是通過灰色GM(1,1)模型預(yù)測的數(shù)據(jù)進(jìn)行，依據(jù)計算的相對值劃分狀態(tài)轉(zhuǎn)移矩陣，從狀態(tài)轉(zhuǎn)移矩陣經(jīng)過步中找出最優(yōu)狀態(tài)，從而對未來變化趨勢做出估算。

3.1 狀態(tài)劃分

利用原始數(shù)據(jù)和灰色預(yù)測數(shù)據(jù)計算出相對值，根據(jù)相對值劃分為m個區(qū)間[14]，每個區(qū)間代表當(dāng)前狀態(tài)。由于區(qū)間劃分過多會引起數(shù)據(jù)的復(fù)雜，劃分較少則無法進(jìn)行精確的數(shù)據(jù)預(yù)測，所以區(qū)間一般劃分為3-4個，用Si∈[li,bi]表示，i=1，2，3，…n，其中l(wèi)i,bi為區(qū)間的上下限[15]。

狀態(tài)轉(zhuǎn)移概率pij的計算：

3.2 構(gòu)造狀態(tài)轉(zhuǎn)移矩陣

由轉(zhuǎn)移概率Pij經(jīng)過轉(zhuǎn)移組成的狀態(tài)矩陣為

狀態(tài)轉(zhuǎn)移過程中需滿足以兩個條件：

(1)對一切i，j，∈E，0≤pij≤1；

(2)對一切i∈E，∑j∈Epij(m)=1

本文研究的為k=1的狀況，即經(jīng)過一步轉(zhuǎn)移狀態(tài)矩陣為

3.3 確定馬爾科夫鏈優(yōu)化值

矩陣E(k)對應(yīng)的行向量組成的狀態(tài)列表中列向量和的最大值即為最佳轉(zhuǎn)移狀態(tài)[12]，結(jié)合狀態(tài)劃分，所以最終優(yōu)化預(yù)測值為

(12)

4 實證分析

由于原始數(shù)據(jù)的可獲得性，對可獲得的數(shù)據(jù)進(jìn)行篩選，選取了2011—2019年《江蘇統(tǒng)計年鑒》中城鎮(zhèn)居民家庭人均冷鏈產(chǎn)品的消耗總量和各年份對應(yīng)的城鎮(zhèn)人口總數(shù)，并將它們相乘得出城鎮(zhèn)人口冷鏈產(chǎn)品消費總量如表2、表3所示。

表3 江蘇省城鎮(zhèn)居民冷鏈產(chǎn)品消費總量

4.1 灰色GM(1，1)預(yù)測模型的建立

由公式(2)可知：

X(0)={1027872.12，1169785.69，1128610.97，1123319.16，1171211.30，1097845.74，1133855.87，1182996.36，1227859.28}

由公式(3)進(jìn)行累加處理生成序列：

X(1)={1027872.12，2197657.81，3326268.78，4449587，5620799.28，6718644.98，7852500.85，9035497.21，10263356.50}

通過公式(4)可得緊臨均值：

Z(1)={1612764.96，2761963.29，3887928.36，5035193.58，6169722.10，7285572.91，8443999.025，9649426.85}

累加矩陣和常數(shù)向量分別為

x(1)(k+1)=1028038.8e0.0067k-166.69

(14)

利用公式(14)計算預(yù)測值如表4所示：

表4 基于灰色GM(1，1)模型江蘇城鎮(zhèn)居民人均冷鏈需求量的預(yù)測

4.2 灰色馬爾科夫模型進(jìn)行優(yōu)化

依據(jù)表4舍去末尾年份2019年的數(shù)據(jù)，依據(jù)2011-2018年的相對值區(qū)間的范[0.947 9，1.037 4]，將狀態(tài)劃分為三個范圍[0.947 9，0.977 9]，[0.977 9，1.007 8]，[1.007 8，1.037 4]，落在各區(qū)間的年份記作，依次進(jìn)行狀態(tài)轉(zhuǎn)移。如表5所示：

表5 各年份所處的狀態(tài)列表

從表中可以看出通過灰色GM(1，1)模型預(yù)測其平均相對誤差為0.023 8，模型精度為97.62%，而通過馬爾科夫鏈進(jìn)行優(yōu)化后其平均誤差為0.013 9，模型精度為98.61%，馬爾科夫鏈進(jìn)行優(yōu)化后的結(jié)果明顯優(yōu)于灰色GM(1，1)模型的預(yù)測值，依照作出模型對比圖如圖1所示。

圖1 原始數(shù)據(jù)，灰色GM(1，1)模型預(yù)測數(shù)據(jù)，馬爾科夫模型預(yù)測數(shù)據(jù)折線圖

從圖1中可以看出，原始數(shù)據(jù)線性波動，呈現(xiàn)穩(wěn)態(tài)的增長的趨勢，采用MATLAB數(shù)據(jù)分析通過灰色GM(1，1)模型預(yù)測未來的數(shù)據(jù)也呈現(xiàn)這一趨勢。采用馬爾科夫鏈優(yōu)化后，2015年和2017年其誤差率僅為0.45%和0.98%，數(shù)據(jù)擬合值接近真實值。對2019年數(shù)據(jù)進(jìn)行優(yōu)化，由表5可得以下狀態(tài)轉(zhuǎn)移矩陣：

根據(jù)初始狀態(tài)找出各狀態(tài)轉(zhuǎn)移矩陣對應(yīng)的行向量，以此計算各轉(zhuǎn)移步數(shù)列向量之和，如表7所示：

表7 2019年數(shù)據(jù)狀態(tài)預(yù)測

經(jīng)過計算，由表7可以看出，狀態(tài)3的列向量之和為2.1375>1.7002>1.1682，所以可以預(yù)測出2019年江蘇省城鎮(zhèn)居民的冷鏈產(chǎn)品需求量處于狀態(tài)3，即位于區(qū)間[1.007 9，1.037 4]之間，由公式(13)可以計算出預(yù)測值y=0.5*(1.0374+1.0079)*1181676.1788=1208441.1442 kt，而此時相對誤差為0.015 8，由于灰色模型預(yù)測值的相對誤差為0.037 6，從列表中可以推算出未來的預(yù)測值逐步趨于狀態(tài)3，且逐步趨于穩(wěn)定增長狀態(tài)。同理運用馬爾代夫鏈優(yōu)化可以預(yù)測出2017-2024年的數(shù)據(jù)如表8所示：

表8 2017—2024年江蘇省城鎮(zhèn)居民冷鏈需求量的優(yōu)化預(yù)測

5 基于模型優(yōu)化對發(fā)展農(nóng)產(chǎn)品物流提出建議

5.1 完善農(nóng)產(chǎn)品物流基礎(chǔ)設(shè)施的建設(shè)

目前，比起蘇南地區(qū)，蘇北城鎮(zhèn)化覆蓋率較低，城鎮(zhèn)居民江蘇省農(nóng)產(chǎn)品冷鏈物流技術(shù)相對落后。蔬菜物流的耗損更為嚴(yán)重，處于“裸冷鏈”模式。為此，必須加大對制冷系統(tǒng)的開發(fā)建設(shè)，投資冷庫，對冷凝設(shè)備進(jìn)行革新。在互聯(lián)網(wǎng)時代下，隨著電子商務(wù)的發(fā)展，農(nóng)產(chǎn)品冷鏈物流的時效性得到增強，但是由于農(nóng)產(chǎn)的信息網(wǎng)絡(luò)普及率較低，在供應(yīng)鏈環(huán)節(jié)無法做到與城鎮(zhèn)信息進(jìn)行有效對接。從而導(dǎo)致信息的滯后和失真，出現(xiàn)供給過多的現(xiàn)象，造成農(nóng)產(chǎn)品的腐損嚴(yán)重。對農(nóng)產(chǎn)品物流平臺進(jìn)行及時的信息建設(shè)，協(xié)調(diào)各供應(yīng)鏈環(huán)節(jié)節(jié)點，為減少農(nóng)產(chǎn)品腐損率，實現(xiàn)農(nóng)產(chǎn)品供需平衡具有重要意義。

5.2 創(chuàng)新農(nóng)產(chǎn)品物流企業(yè)的發(fā)展

提升農(nóng)產(chǎn)品冷鏈物流的運輸效率，需要企業(yè)改善供給能力，提升主體決策。農(nóng)產(chǎn)品冷鏈物流的發(fā)展和企業(yè)息息相關(guān)，不僅僅涉及到運輸環(huán)節(jié)，同時還包括生產(chǎn)、采購、配送等環(huán)節(jié)?？梢酝ㄟ^構(gòu)建物流園區(qū)拓展新型物流服務(wù)模式。不僅僅是運輸、配送，同時還包括創(chuàng)新農(nóng)產(chǎn)品現(xiàn)代化的交易、融資等有效服務(wù)手段，從環(huán)境方面改善物流業(yè)的發(fā)展。從目前來看到2019年底，江蘇共有49個物流園，其中蘇北有16個，蘇北地區(qū)物流園現(xiàn)代化程度較低。有效的擴大物流園的建設(shè)規(guī)模，創(chuàng)新物流的運輸發(fā)展模式，增加物流園的供貨和補給能力。

5.3 政府加強宏觀調(diào)控

由于農(nóng)產(chǎn)品冷鏈物流模式具有后發(fā)性，受到政府政策的影響較大。政府應(yīng)該采取經(jīng)濟(jì)和法律手段，提供必要的資金補給和專門的法律援助渠道。需要引進(jìn)專業(yè)的物流技術(shù)人才，將云計算，物聯(lián)網(wǎng)等技術(shù)滲透到農(nóng)產(chǎn)品冷鏈物流中加強操作應(yīng)用。對于物流主體企業(yè)可以政府可以適當(dāng)?shù)姆艑挾愂照撸訌娯斦a貼，把握農(nóng)產(chǎn)品冷鏈物流的發(fā)展趨勢，向體系化產(chǎn)業(yè)化發(fā)展。政府需要發(fā)揮好監(jiān)督規(guī)范的作用，彌補宏觀調(diào)控過程中出現(xiàn)的信息滯后性，從而讓企業(yè)更好的發(fā)揮自身優(yōu)勢，使農(nóng)產(chǎn)品冷鏈物流保持足夠的供需平衡。

6 結(jié)論

本文通過GM(1，1)模型對未來五年江蘇省農(nóng)產(chǎn)品冷鏈物流的需求狀況進(jìn)行了預(yù)測，體現(xiàn)了最優(yōu)化的思想，并運用馬爾科夫鏈對灰色GM(1，1)模型的預(yù)測值進(jìn)行了優(yōu)化，將兩者相結(jié)合，預(yù)測結(jié)果表現(xiàn)出優(yōu)勢，并通過數(shù)據(jù)預(yù)測的波動情況，對促進(jìn)農(nóng)產(chǎn)品冷鏈物流的發(fā)展提出了三條建議。由于數(shù)2020年的原始數(shù)據(jù)的缺失，且數(shù)據(jù)量的運算較大，采用馬爾科夫鏈進(jìn)行數(shù)據(jù)優(yōu)化仍存在一定數(shù)據(jù)偏差，在進(jìn)行馬爾科夫優(yōu)化過程中對數(shù)據(jù)個數(shù)的選取也無法準(zhǔn)確的控制。