齊宇軒 太秋月

摘 要：自20世紀中后期，我國引進冷鏈技術攻克農(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前百姓關心的熱點問題之一，可以說“冷鏈”一詞吸引了所有人的目光。為了準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)絡和灰色神經(jīng)網(wǎng)絡的預測模型，并采用灰色神經(jīng)網(wǎng)絡預測我國未來三年的冷鏈物流需求。研究結果表明疫情所引發(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導致短期需求下降，組合模型在生鮮農(nóng)產(chǎn)品冷鏈物流需求預測上性能更佳。

關鍵詞：生鮮農(nóng)產(chǎn)品;冷鏈物流需求;灰色神經(jīng)網(wǎng)絡模型;預測精度

我國冷鏈物流的概念萌芽于20世紀末，歷經(jīng)十年建設方才進入起步階段，可以說在2018年迎來了快速發(fā)展的新時期。當前我國冷鏈運輸率為45.4%，而發(fā)達國家已高達90%;我國生鮮產(chǎn)品的年損耗率為11%，而發(fā)達國家低至5%，其中美國僅有1%-2%。究其原因是因為我國生鮮農(nóng)產(chǎn)品生產(chǎn)端標準化程度低，運輸端冷藏設施建造不規(guī)范、功能單一、利用率低。

伴隨國內(nèi)進口冷凍生鮮多次出現(xiàn)外包裝新冠病毒檢測為陽性事件，造成了國民對冷鏈物流的恐慌心理，降低了百姓對冷鏈食品的購買力。隨著互聯(lián)網(wǎng)正式邁入人工智能新時代，冷鏈研究的預測方法正逐步由傳統(tǒng)的統(tǒng)計學預測向現(xiàn)代人工智能預測過渡。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;其次構建灰色神經(jīng)網(wǎng)絡模型提高實驗預測精度;然后比較單一模型與組合模型在預測精度上的差異;最后預測與其發(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。本研究運用的GM（1，N）模型是指含有N個變量的多維灰色模型，主要是針對“小樣本”、“貧信息”和“不確定性”系統(tǒng)，以對各種灰色系統(tǒng)發(fā)展的預測和控制為核心目的，旨在解決特殊領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

BP神經(jīng)網(wǎng)絡是從信息處理角度對人腦神經(jīng)元網(wǎng)絡進行抽象函數(shù)逼近，依據(jù)連接方式、權重和激勵函數(shù)的不同，網(wǎng)絡輸出也不同。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），主要針對的是“大樣本”、“復雜信息”和“非線性”動力系統(tǒng)。模型中每一層的神經(jīng)元只會與相鄰層的神經(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，從而能夠形成一個具有層次結構的前饋網(wǎng)神經(jīng)系統(tǒng)，具體工作原理如圖2所示。

3.指標選取與模型建立

（1）構建冷鏈物流需求預測指標體系

面對冷鏈數(shù)據(jù)統(tǒng)計不完全的困境，從需求推動供給和需求產(chǎn)生消費兩個角度出發(fā)，考慮到城鎮(zhèn)居民日常消費是我國在一定時期內(nèi)生鮮農(nóng)產(chǎn)品冷鏈物流面向的主要對象，而冷鏈物流的適用范圍主要集中在生鮮農(nóng)產(chǎn)品市場，所以生鮮農(nóng)產(chǎn)品的消費量就是冷鏈物流需求很好的參照指標。

本研究在國家統(tǒng)計局數(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)居民人均消費量，相加后得到城鎮(zhèn)居民生鮮農(nóng)產(chǎn)品人均消費總量，將其與我國城鎮(zhèn)人口總量相乘，最終得出生鮮農(nóng)產(chǎn)品消費總量，以此作為預測我國生鮮農(nóng)產(chǎn)品冷鏈物流需求規(guī)模的因變量。

與此同時，將標準化處理后的17個自變量數(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性，每個自變量分別得到了絕對關聯(lián)度、相對關聯(lián)度以及綜合關聯(lián)度三個關聯(lián)度值。由于綜合關聯(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)綜合關聯(lián)度的大小進行排序，若它們的綜合關聯(lián)度值大于0.6，則考慮接受其作為最終的預測指標，且選出對因變量影響最大的前5個自變量組成最終的預測指標體系。最終體系由5個維度17個指標降至3個維度5個指標，具體指標體系如表1所示。

相關數(shù)據(jù)來源于國家統(tǒng)計局數(shù)據(jù)庫和《2018年中國冷鏈物流發(fā)展報告》，通過直接引用或間接計算整理出實驗原始數(shù)據(jù)。對于存在缺失值的指標，采用GM（1，1）模型對其缺失數(shù)據(jù)進行了預測，保證了數(shù)據(jù)完整性。在實驗原始數(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表示交通運輸就業(yè)人員（萬人）、x6表示公路營運載貨汽車擁有量（萬輛），具體數(shù)據(jù)如表2所示。

（2）建立灰色神經(jīng)網(wǎng)絡組合模型

為打破冷鏈物流需求預測僵局，首先將歷史數(shù)據(jù)樣本代入GM（1，N）模型得到灰色預測值及殘差，同時代入到BP神經(jīng)網(wǎng)絡模型進行訓練，然后將灰色預測殘差以一個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)列表再次代入到訓練后的BP模型，繼而得到組合模型的預測值，檢驗有效后可以利用該模型對我國未來冷鏈物流需求量進行預測，具體組合模型如圖3所示。

4.實證分析

（1）GM（1，N）模型預測

由GM（1，N）模型預測得到，隨著年份的增大，相對誤差呈現(xiàn)出波動性減小的趨勢，進而說明該模型更適合于冷鏈物流需求的短期預測。GM（1，6）模型的平均相對誤差為2.70%，小于GM（1，18）模型的4.05%，印證了剔除指標能夠顯著提高實驗模型的預測精度。

（2）BP神經(jīng)網(wǎng)絡模型預測

由BP神經(jīng)網(wǎng)絡模型預測得到，訓練樣本集的平均相對誤差為0.99%，驗證樣本集的平均相對誤差為1.23%，測試樣本集的平均相對誤差為2.36%，總體的平均相對誤差為1.23%，進而可以得到該模型的預測精度為98.77%，說明該模型具有較強的預測能力。即使在小樣本前提下，選取最優(yōu)架構、試驗不同樣本劃分情況以及進行大量迭代學習，其歷年變化曲線的擬合度還是很高的，并且其預測結果要優(yōu)于GM（1，N）模型。

（3）灰色神經(jīng)網(wǎng)絡模型預測

由灰色神經(jīng)網(wǎng)絡模型預測得到，無論是訓練集、測試集還是驗證集，其平均相對誤差都保持在1%左右，說明本研究所構建的組合模型是穩(wěn)定且有效的。添加灰色預測殘差作為新的輸入序列，使得神經(jīng)網(wǎng)絡的預處理有了更加明確的分類依據(jù)?？傮w的平均相對誤差為0.93%，可以得到該模型的預測精度為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)絡組合模型的預測性能遠高于其他兩種單一預測模型。

（4）模型間對比研究

為了更加清楚地驗證灰色神經(jīng)網(wǎng)絡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)模預測研究中的優(yōu)越性，現(xiàn)將以上三種預測模型的總體擬合結果進行對比分析，具體擬合結果如表3所示。

為了更加直觀地反映以上三種模型對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測結果的對比圖，具體預測結果如圖4所示。

從圖4可知，曲線在2013年出現(xiàn)拐點，這是由于我國統(tǒng)計局正式于此開始實行新老口徑過渡，故相關統(tǒng)計方法發(fā)生改變進而導致明顯的數(shù)據(jù)波動。此外，灰色神經(jīng)網(wǎng)絡組合模型實際上是綜合了兩個單一模型的優(yōu)點，同時具備小樣本建模和非線性處理復雜數(shù)據(jù)的能力，相比單獨使用一種模型，組合模型的算法更穩(wěn)健，預測性能更佳。因此本研究選用灰色神經(jīng)網(wǎng)絡模型用來預測我國未來冷鏈物流需求量的演變趨勢。

（5）未來冷鏈物流需求預測

通過灰色神經(jīng)網(wǎng)絡模型的構建原理可知，灰色模型對短期數(shù)據(jù)的預測更具適用性，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驗研究所需的未來任一時間點的預測數(shù)據(jù)，依舊無法確保遠距離年份預測結果的可靠性。細數(shù)我國未來幾年的大事議程，2022年北京冬奧會有可能成為近幾年影響我國國民經(jīng)濟、社會地位及冷鏈物流發(fā)展的又一重要轉折點。對此，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因素數(shù)據(jù)，其中x7表示灰色預測殘差（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)絡模型，相關參數(shù)保持一致，以此來預測我國2020年至2022年的冷鏈物流需求量，具體預測結果如表5所示。

由表5可知，2020年我國冷鏈物流需求量的預測值為20612.89萬噸，與2019年的實際值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)健地出臺冷鏈相關政策及治理措施，在現(xiàn)實生活中，這些危機問題都已經(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。這一點我們也可以透過2021年和2022年的冷鏈物流需求量的預測值看出，這兩年需求量的預測值與2020年相比都有所增長。

二、結論

結合研究過程和分析結果，可以得出以下五點結論：（1）生鮮農(nóng)產(chǎn)品消費總量可以作為冷鏈物流需求量的替代指標;（2）選取較少的預測指標，達到預期實驗結果的同時能夠顯著提高實驗模型的預測精度;（3）模型間預測能力對比結果的排序為：灰色神經(jīng)網(wǎng)絡模型>BP神經(jīng)網(wǎng)絡模型>GM（1，N）模型;（4）組合預測模型比單一預測模型的預測精度更高;（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：

[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測模型研究[J].福建農(nóng)業(yè)學報，2018，33（8）：870-878.

[2]黃凱，王健.我國生鮮農(nóng)產(chǎn)品冷鏈物流需求預測分析：基于最優(yōu)組合模型[J].武漢理工大學學報，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)品消費促進——兼論新冠肺炎疫情對生鮮電商發(fā)展的影響[J].經(jīng)濟與管理研究，2020，41（4）：21-31.

[4]王圣昌.基于灰色神經(jīng)網(wǎng)絡的物流需求預測系統(tǒng)及應用研究[D].北京工業(yè)大學碩士論文，2017.

[5]鄒相林.基于改進灰色神經(jīng)網(wǎng)絡的河南省物流需求預測[D].河南農(nóng)業(yè)大學碩士論文，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.