關(guān)鍵詞：組合模型權(quán)重分配；生鮮農(nóng)產(chǎn)品；冷鏈物流需求預(yù)測(cè)

中圖分類(lèi)號(hào)：F272 文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：2096-7934（2025）04-0085-12

一、引言

在現(xiàn)代農(nóng)業(yè)供應(yīng)鏈中，冷鏈物流作為確保生鮮產(chǎn)品質(zhì)量和安全的重要環(huán)節(jié)，正日益受到關(guān)注。冷鏈物流不僅涉及溫控運(yùn)輸，還包括存儲(chǔ)、分銷(xiāo)等多個(gè)環(huán)節(jié)，其核心在于通過(guò)低溫環(huán)境有效延長(zhǎng)產(chǎn)品的貨架期，從而最大限度地保持農(nóng)產(chǎn)品的營(yíng)養(yǎng)價(jià)值和感官品質(zhì)。研究表明，從農(nóng)產(chǎn)品收獲、屠宰或捕撈到市場(chǎng)，適當(dāng)且不間斷的溫度控制可以保持食品的感官特性，確保其安全性，減少食物浪費(fèi)，并盡可能降低食源性疾病的發(fā)生風(fēng)險(xiǎn)。冷鏈物流的有效運(yùn)作對(duì)市場(chǎng)供給的穩(wěn)定性具有重要影響［1］。

在對(duì)冷鏈物流當(dāng)前發(fā)展?fàn)顩r的研究中，蔡寧［2］認(rèn)為我國(guó)冷鏈物流產(chǎn)業(yè)的發(fā)展明顯落后于發(fā)達(dá)國(guó)家，尤其在產(chǎn)業(yè)分工、標(biāo)準(zhǔn)體系、信息服務(wù)、基礎(chǔ)設(shè)施建設(shè)及人才培養(yǎng)等方面有待提升。文先明等［3］認(rèn)為盡管我國(guó)的冷鏈需求強(qiáng)勁且產(chǎn)業(yè)前景廣闊，但物流專(zhuān)業(yè)化水平仍較低，亟待完善標(biāo)準(zhǔn)化體系，以及提升企業(yè)的全國(guó)服務(wù)能力及盈利水平。在單個(gè)預(yù)測(cè)模型方面，周慧等［4］利用 GM（1，1）模型對(duì)九江市的蔬菜、肉類(lèi)、水產(chǎn)品等生鮮農(nóng)產(chǎn)品的產(chǎn)量進(jìn)行預(yù)測(cè)。彭虹［5］借助GM（1，1）模型預(yù)測(cè)中國(guó)食用菌未來(lái)的出口趨勢(shì)。李芫夢(mèng)等［6］利用ARIMA模型對(duì)中歐班列鐵路運(yùn)輸份額的變化進(jìn)行預(yù)測(cè)分析。孫楊等［7］通過(guò)建立GM（1，1）模型對(duì)寧夏居民健康素養(yǎng)水平進(jìn)行預(yù)測(cè)，并對(duì)其變化趨勢(shì)進(jìn)行分析。原云霄等［8］利用ARIMA模型對(duì)我國(guó)公路運(yùn)價(jià)指數(shù)的月度變化數(shù)據(jù)進(jìn)行預(yù)測(cè)研究與分析。張巨峰［9］運(yùn)用ARIMA模型預(yù)測(cè)甘肅省碳排放量、碳排放強(qiáng)度及人均碳排放量的變化。蔡承智等［10］采用ARIMA模型對(duì)2021年之前全球大豆的收獲面積、平均產(chǎn)量和總產(chǎn)量三個(gè)方面進(jìn)行了預(yù)測(cè)與分析。王麗麗等［11］利用BP神經(jīng)網(wǎng)絡(luò)構(gòu)建冬小麥生育期不同土層土壤水分預(yù)測(cè)模型，并采用遺傳算法對(duì)模型進(jìn)行優(yōu)化提升。夏才初等［12］采用BP神經(jīng)網(wǎng)絡(luò)建立公路雪深預(yù)測(cè)模型，模型經(jīng)多組數(shù)據(jù)訓(xùn)練和數(shù)據(jù)驗(yàn)證后，發(fā)現(xiàn)具有很強(qiáng)的泛化能力和較高的精度，敏感性分析表明降雪量對(duì)雪深影響最為顯著。趙慧等［13］基于BP神經(jīng)網(wǎng)絡(luò)構(gòu)建預(yù)測(cè)模型，并與傳統(tǒng)數(shù)值計(jì)算模型進(jìn)行比較，發(fā)現(xiàn)通過(guò)BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練得到的預(yù)測(cè)值與實(shí)際值的最大誤差明顯小于傳統(tǒng)數(shù)值模型模擬結(jié)果與實(shí)際值的最大誤差。在組合預(yù)測(cè)模型方面，曾慶揚(yáng)等［14］通過(guò)主成分分析提取關(guān)鍵變量，并將其作為輸入數(shù)據(jù)，與BP神經(jīng)網(wǎng)絡(luò)結(jié)合構(gòu)建改進(jìn)模型，用于預(yù)測(cè)4個(gè)地區(qū)油茶籽單位面積年產(chǎn)量。黃（Huang）等［15］利用GM（1，1）模型和BP神經(jīng)網(wǎng)絡(luò)模型對(duì)廣東省物流需求進(jìn)行了建模與預(yù)測(cè)分析。李思聰?shù)龋?6］利用灰色回歸模型對(duì)我國(guó)冷鏈物流市場(chǎng)需求進(jìn)行預(yù)測(cè)。王秀梅［17］采用偏最小二乘法、ARIMA和二次指數(shù)平滑法組合預(yù)測(cè)我國(guó)生鮮農(nóng)產(chǎn)品冷鏈需求。

需求預(yù)測(cè)研究主要采用定性和定量?jī)煞N方法。定性預(yù)測(cè)依托專(zhuān)家經(jīng)驗(yàn)和知識(shí)，通過(guò)訪談法、德?tīng)柗品ǖ燃夹g(shù)整合主觀判斷，適用于數(shù)據(jù)不足或難以量化的場(chǎng)景。然而，這種方法容易受到個(gè)人偏見(jiàn)的影響，難以確保結(jié)果的客觀性和穩(wěn)定性。定量預(yù)測(cè)則基于數(shù)學(xué)模型和統(tǒng)計(jì)分析，常用方法包括多元線性回歸、灰色預(yù)測(cè)模型、BP神經(jīng)網(wǎng)絡(luò)和ARIMA模型等。通過(guò)對(duì)歷史數(shù)據(jù)的建模分析，定量預(yù)測(cè)能夠提供精確、系統(tǒng)且可驗(yàn)證的結(jié)果，在數(shù)據(jù)充足的條件下表現(xiàn)出明顯優(yōu)勢(shì)。與單一模型預(yù)測(cè)相比，模型組合能夠有效降低誤差并排除干擾因素，從而提高預(yù)測(cè)的準(zhǔn)確性和穩(wěn)定性。有研究證明，綜合運(yùn)用多種預(yù)測(cè)方法可以有效減少誤差并顯著提高預(yù)測(cè)的準(zhǔn)確性。

在區(qū)域性研究方面，盡管已有學(xué)者關(guān)注了我國(guó)部分地區(qū)的冷鏈物流需求預(yù)測(cè)，但對(duì)于寧夏等特定區(qū)域尚缺乏足夠的研究。寧夏畜牧業(yè)發(fā)達(dá)，是中國(guó)西北地區(qū)的重要農(nóng)業(yè)生產(chǎn)基地，以牛羊肉、乳制品和果蔬的優(yōu)質(zhì)產(chǎn)出而聞名。隨著這些生鮮農(nóng)產(chǎn)品的生產(chǎn)規(guī)模不斷擴(kuò)大，對(duì)冷鏈物流的需求也呈逐年增長(zhǎng)趨勢(shì)。本研究以寧夏的生鮮農(nóng)產(chǎn)品為例，結(jié)合ARIMA模型、GM（1，1）模型和BP神經(jīng)網(wǎng)絡(luò)模型，對(duì)預(yù)測(cè)結(jié)果進(jìn)行融合與優(yōu)化，旨在提高預(yù)測(cè)精度。這種方法能夠更精準(zhǔn)地刻畫(huà)需求變化，為優(yōu)化物流資源配置和促進(jìn)供需平衡提供了重要依據(jù)。

二、模型構(gòu)建

（一） ARIMA模型構(gòu)建

ARIMA（Autoregressive Integrated Moving Average，差分自回歸移動(dòng)平均）模型由自回歸（AR）、差分（I）和移動(dòng)平均（MA）三部分組成。通過(guò)差分操作，ARIMA 將非平穩(wěn)時(shí)間序列轉(zhuǎn)化為平穩(wěn)序列，從而揭示數(shù)據(jù)中的長(zhǎng)期趨勢(shì)。其主要優(yōu)點(diǎn)在于靈活性，能夠通過(guò)自回歸項(xiàng)、差分階數(shù)和移動(dòng)平均項(xiàng)進(jìn)行參數(shù)調(diào)整，確保模型能夠適應(yīng)數(shù)據(jù)的特征，實(shí)現(xiàn)最優(yōu)擬合。在ARIMA（p， d， q）模型中，p表示自回歸項(xiàng)的數(shù)量，d為使序列平穩(wěn)所需的差分階數(shù)，q為移動(dòng)平均項(xiàng)的數(shù)量。模型的表達(dá)式如下：

其中，Yt為時(shí)間t的觀測(cè)值，c為常數(shù)，θi為自回歸系數(shù)，Yt-i為時(shí)間t-i的觀測(cè)值，θi為滑動(dòng)平均系數(shù)，εt-i為誤差項(xiàng)。

預(yù)測(cè)模型的構(gòu)建過(guò)程包括以下步驟。

（1）數(shù)據(jù)預(yù)處理：對(duì)原始數(shù)據(jù)進(jìn)行整理，去除趨勢(shì)、季節(jié)性等因素，確保時(shí)間序列的平穩(wěn)性。對(duì)于非平穩(wěn)序列，常通過(guò)差分等方法進(jìn)行轉(zhuǎn)換，此外，異常值和缺失值的處理也至關(guān)重要，以確保數(shù)據(jù)的可靠性。

（2）平穩(wěn)性檢驗(yàn)：在差分處理后，使用如ADF檢驗(yàn)或KPSS檢驗(yàn)等方法對(duì)時(shí)間序列的平穩(wěn)性進(jìn)行檢驗(yàn)，確保其符合建模的前提條件。

（3）自相關(guān)與偏自相關(guān)分析：通過(guò)計(jì)算自相關(guān)函數(shù)（ACF）和偏自相關(guān)函數(shù)（PACF）來(lái)分析時(shí)間序列的依賴(lài)結(jié)構(gòu)。ACF圖幫助識(shí)別移動(dòng)平均項(xiàng)q，PACF圖則用于確定自回歸項(xiàng)p，以便為模型構(gòu)建提供依據(jù)。

（4）參數(shù)選擇：結(jié)合ACF和PACF分析結(jié)果，選擇自回歸項(xiàng)p和移動(dòng)平均項(xiàng)q，構(gòu)建合適的ARIMA模型。

（5）模型估計(jì)與預(yù)測(cè)：根據(jù)選擇的參數(shù)，使用最大似然估計(jì)或最小二乘法等方法進(jìn)行模型估計(jì)，并進(jìn)行未來(lái)的需求預(yù)測(cè)。

（二）GM（1，1）模型構(gòu)建

這個(gè)表達(dá)式可以幫助我們計(jì)算出在任何一個(gè)時(shí)間點(diǎn)t的累加數(shù)據(jù)值，其中x1（1）是初始的累加數(shù)據(jù)值，t=1，2，…，n代表不同的時(shí)間點(diǎn)。該公式可以預(yù)測(cè)未來(lái)數(shù)據(jù)的趨勢(shì)。

（三）BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)

BP神經(jīng)網(wǎng)絡(luò)是一種典型的前饋神經(jīng)網(wǎng)絡(luò)，通過(guò)前向傳播和反向傳播兩個(gè)過(guò)程實(shí)現(xiàn)學(xué)習(xí)和權(quán)重調(diào)整，廣泛應(yīng)用于模式識(shí)別、分類(lèi)、回歸等多個(gè)領(lǐng)域。該網(wǎng)絡(luò)由三個(gè)主要層次組成：輸入層、隱藏層和輸出層，各層通過(guò)神經(jīng)元的加權(quán)連接實(shí)現(xiàn)信息的逐層傳遞和處理。每個(gè)神經(jīng)元在接收上層節(jié)點(diǎn)加權(quán)輸入的基礎(chǔ)上，利用非線性激活函數(shù)完成特征提取與變換，從而增強(qiáng)模型對(duì)復(fù)雜非線性關(guān)系的表征能力。在前向傳播階段，輸入數(shù)據(jù)經(jīng)由線性加權(quán)和非線性激活處理后逐層傳遞，最終在輸出層生成預(yù)測(cè)結(jié)果。為了優(yōu)化預(yù)測(cè)值與目標(biāo)值之間的誤差，網(wǎng)絡(luò)采用以最小化誤差平方和為目標(biāo)的優(yōu)化策略，通過(guò)反向傳播算法調(diào)整網(wǎng)絡(luò)的權(quán)重和偏置。反向傳播以輸出層的誤差為起點(diǎn)，通過(guò)梯度下降法沿負(fù)梯度方向傳播至隱藏層和輸入層，逐步更新各連接權(quán)重以減小誤差。在多次迭代中，BP神經(jīng)網(wǎng)絡(luò)通過(guò)前向傳播生成預(yù)測(cè)值，并通過(guò)反向傳播逐步調(diào)整權(quán)重和偏置參數(shù)，不斷優(yōu)化網(wǎng)絡(luò)結(jié)構(gòu)以降低預(yù)測(cè)誤差，直至滿(mǎn)足收斂條件或達(dá)到預(yù)設(shè)精度目標(biāo)。這一過(guò)程充分利用了網(wǎng)絡(luò)的非線性映射能力，使其能夠捕捉輸入特征與目標(biāo)輸出之間的復(fù)雜關(guān)系，從而有效擬合多維非線性數(shù)據(jù)分布，顯著提高了模型的預(yù)測(cè)精度和穩(wěn)定性。

（四）組合權(quán)重系數(shù)

三、實(shí)證分析

（一）數(shù)據(jù)來(lái)源

生鮮農(nóng)產(chǎn)品涵蓋了肉類(lèi)、禽蛋、水產(chǎn)品、蔬菜、水果和奶制品六大類(lèi)別。根據(jù)《寧夏統(tǒng)計(jì)年鑒》和國(guó)家統(tǒng)計(jì)局發(fā)布的統(tǒng)計(jì)數(shù)據(jù)，本文整理并收集了相關(guān)的產(chǎn)量信息。其中，水產(chǎn)品包括海水類(lèi)和淡水類(lèi)，而肉類(lèi)包括豬肉、牛肉和羊肉。生鮮農(nóng)產(chǎn)品因其易腐爛特性及對(duì)溫度變化的敏感性，容易在運(yùn)輸和存儲(chǔ)過(guò)程中發(fā)生質(zhì)量退化及營(yíng)養(yǎng)成分流失。故將生鮮農(nóng)產(chǎn)品的年產(chǎn)量（六大類(lèi)產(chǎn)品的產(chǎn)量總和）歸類(lèi)為對(duì)冷鏈物流有需求的產(chǎn)品［18］。本文整理了2013年至2022年的相關(guān)指標(biāo)數(shù)據(jù)，具體數(shù)據(jù)如表1所示。

表1 2013—2022年寧夏生鮮農(nóng)產(chǎn)品冷鏈物流需求量原始數(shù)據(jù)（單位：萬(wàn)噸）

（二）單項(xiàng)預(yù)測(cè)模型預(yù)測(cè)結(jié)果

1.ARIMA模型預(yù)測(cè)結(jié)果

本研究采用ARIMA模型預(yù)測(cè)寧夏生鮮農(nóng)產(chǎn)品冷鏈物流需求量的變化。首先，對(duì)數(shù)據(jù)進(jìn)行平穩(wěn)性檢驗(yàn)，若數(shù)據(jù)平穩(wěn)則可直接使用；若數(shù)據(jù)不平穩(wěn)，則進(jìn)行差分處理，直至?xí)r間序列變?yōu)槠椒€(wěn)。檢驗(yàn)結(jié)果如表2所示。

表2 寧夏冷鏈物流需求量ADF檢驗(yàn)結(jié)果

（1）為確保模型擬合度，首先，通過(guò)單位根檢驗(yàn)（ADF檢驗(yàn)）對(duì)時(shí)間序列的平穩(wěn)性進(jìn)行檢驗(yàn)。初步結(jié)果顯示，t統(tǒng)計(jì)量為4.480，p值為1.000，遠(yuǎn)大于常用的顯著性水平，無(wú)法拒絕原假設(shè)，表明該序列為非平穩(wěn)序列，可能存在趨勢(shì)性或季節(jié)性成分。為了消除這種非平穩(wěn)性，對(duì)原序列進(jìn)行了差分處理。差分后的序列再次進(jìn)行ADF檢驗(yàn)，結(jié)果顯示p值為0.000，顯著低于0.01，表明差分后的序列已達(dá)到平穩(wěn)狀態(tài)，并且可以高于99%的置信度拒絕原假設(shè)。因此，ARIMA模型中的差分階數(shù)d被確定為1。

（2）在ARIMA（p， d， q）模型中，確認(rèn)時(shí)間序列平穩(wěn)后，需計(jì)算自相關(guān)系數(shù)（ACF）和偏自相關(guān)系數(shù)（PACF）。通過(guò)分析自相關(guān)圖和偏自相關(guān)圖，可以確定自回歸階數(shù)p和移動(dòng)平均階數(shù)q的最佳值。利用SPSS軟件進(jìn)行計(jì)算，結(jié)果表明自回歸階數(shù)p為1，移動(dòng)平均階數(shù)q為0，從而確定ARIMA模型的形式為ARIMA（1， 1， 0）。根據(jù)式（1），得到該模型的具體表達(dá)式：

Yt=62.389-0.526y（t-1）（7）

（3）在確定ARIMA（1， 1， 0）模型后，需要對(duì)其殘差進(jìn)行檢驗(yàn)，以確保殘差為白噪聲序列，滿(mǎn)足這一條件后，則可以通過(guò)該模型進(jìn)行預(yù)測(cè)。通過(guò)對(duì)ARIMA（1， 1， 0）模型的殘差分析，Q6（Ljung-Box Q檢驗(yàn)中用于檢驗(yàn)?zāi)Ｐ蜌埐钚蛄星?階自相關(guān)系數(shù)的一個(gè)統(tǒng)計(jì)量）的p值為0.590，遠(yuǎn)高于0.1。因此，在0.1的顯著性水平下，無(wú)法拒絕原假設(shè)，說(shuō)明模型的殘差為白噪聲序列，符合模型建立的假設(shè)要求。擬合結(jié)果呈現(xiàn)在表3中。

表3 單項(xiàng)模型擬合結(jié)果

利用灰色預(yù)測(cè)GM （1，1）模型得到對(duì)應(yīng)數(shù)據(jù)預(yù)測(cè)值，級(jí)比值介于區(qū)間［0.982， 1.0098］時(shí)說(shuō)明原始數(shù)據(jù)適合構(gòu)建模型。在模型精度的檢驗(yàn)中，后驗(yàn)差比C值0.037≤0.35，小誤差概率p值為1.0，小于1.0，意味著模型精度等級(jí)非常好。最終預(yù)測(cè)結(jié)果平均誤差為1.70%。擬合結(jié)果如表3所示。

3."BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)結(jié)果

基于誤差反向傳播的多層前饋神經(jīng)網(wǎng)絡(luò)（BP神經(jīng)網(wǎng)絡(luò)）是神經(jīng)網(wǎng)絡(luò)模型中應(yīng)用最廣泛的類(lèi)型之一。其核心結(jié)構(gòu)特征在于隱含層的節(jié)點(diǎn)數(shù)量。本文采用了“0.618法”來(lái)確定這一關(guān)鍵參數(shù)。其計(jì)算公式如下：

其中，Nhid表示隱含節(jié)點(diǎn)數(shù)，Nin表示輸入層節(jié)點(diǎn)數(shù)，Nout表示輸出層節(jié)點(diǎn)數(shù)。本文首先對(duì)數(shù)據(jù)根據(jù)極大極小值歸一化至［0，1］，因?yàn)楸緮?shù)據(jù)只將年份作為輸入特征，根據(jù)式（9）可得隱含層節(jié)點(diǎn)數(shù)為1。擬合結(jié)果如表3所示。

4.組合模型預(yù)測(cè)結(jié)果

在對(duì)比ARIMA模型、GM（1，1）模型和BP神經(jīng)網(wǎng)絡(luò)模型對(duì)寧夏生鮮農(nóng)產(chǎn)品冷鏈需求的預(yù)測(cè)結(jié)果時(shí)，我們發(fā)現(xiàn)這些模型在預(yù)測(cè)精度上存在顯著差異。某些模型的預(yù)測(cè)值可能會(huì)高于實(shí)際值，而另一些則可能低于實(shí)際值。三個(gè)模型在特定應(yīng)用場(chǎng)景下的適用性各有不同。在確定模型權(quán)重時(shí)，通常會(huì)為誤差較小的模型分配較高的權(quán)重，而為誤差較大的模型分配較低的權(quán)重。然而，通過(guò)對(duì)三種模型的平均擬合誤差和預(yù)測(cè)誤差的分析可知，僅依據(jù)擬合誤差分配固定權(quán)重的組合預(yù)測(cè)模型，可能無(wú)法充分體現(xiàn)某些模型在特定樣本點(diǎn)上較低的預(yù)測(cè)誤差。為此，本文采用了一種動(dòng)態(tài)權(quán)重分配策略，以更便靈活地反映模型在不同場(chǎng)景下的表現(xiàn)，從而優(yōu)化預(yù)測(cè)效果?；诜讲畹箶?shù)法的式（7），計(jì)算了各年份中每個(gè)單一預(yù)測(cè)模型的權(quán)重，權(quán)重計(jì)算結(jié)果如表4所示。

表4 各單一預(yù)測(cè)模型的權(quán)重計(jì)算結(jié)果

根據(jù)組合預(yù)測(cè)模型的式（6），計(jì)算得出組合預(yù)測(cè)結(jié)果。對(duì)2013年至2022年的冷鏈需求量進(jìn)行擬合，組合預(yù)測(cè)模型擬合值與真實(shí)值對(duì)比曲線如圖1所示，相關(guān)的相對(duì)誤差結(jié)果如表5所示。

表5 組合預(yù)測(cè)模型擬合結(jié)果

本文采用方差倒數(shù)法分別構(gòu)建了ARIMA模型、GM（1，1）模型和BP神經(jīng)網(wǎng)絡(luò)模型，并基于這些單一預(yù)測(cè)模型設(shè)計(jì)了固定權(quán)重（定權(quán)）和動(dòng)態(tài)權(quán)重（變權(quán)）兩種組合預(yù)測(cè)模型，以全面評(píng)估不同組合策略在預(yù)測(cè)精度上的表現(xiàn)。根據(jù)權(quán)重計(jì)算，ARIMA、GM（1，1）和BP神經(jīng)網(wǎng)絡(luò)模型的權(quán)重分別為0.2075、0.3843和0.4082。與定權(quán)組合模型相比，變權(quán)組合模型的平均誤差率為1.54%，低于定權(quán)組合模型的1.79%，誤差率降低了0.25%。在大多數(shù)年份中，變權(quán)組合模型的擬合效果優(yōu)于定權(quán)模型，說(shuō)明動(dòng)態(tài)調(diào)整權(quán)重可以更好地優(yōu)化模型，提高預(yù)測(cè)精度。通過(guò)組合預(yù)測(cè)方法，能夠克服單一模型的局限性，充分發(fā)揮各個(gè)模型的優(yōu)勢(shì)，使得預(yù)測(cè)結(jié)果更為準(zhǔn)確和可靠。組合預(yù)測(cè)模型擬合結(jié)果如表5所示，進(jìn)一步驗(yàn)證了動(dòng)態(tài)權(quán)重組合模型的有效性和實(shí)用性。

根據(jù)上文分析，變權(quán)組合預(yù)測(cè)模型在冷鏈物流需求趨勢(shì)預(yù)測(cè)中展現(xiàn)了較高的精度。為了預(yù)測(cè)2023—2027年寧夏地區(qū)的冷鏈物流需求，首先利用三個(gè)單一預(yù)測(cè)模型對(duì)需求量進(jìn)行測(cè)算，隨后計(jì)算并確定各模型的動(dòng)態(tài)權(quán)重系數(shù)，最終得到綜合預(yù)測(cè)結(jié)果。由于未來(lái)時(shí)點(diǎn)的實(shí)際數(shù)據(jù)無(wú)法提前獲得，傳統(tǒng)的方差倒數(shù)法無(wú)法直接用于權(quán)重系數(shù)的計(jì)算。為解決這一限制，本文引入誤差倒數(shù)加權(quán)法，通過(guò)動(dòng)態(tài)調(diào)整各模型的權(quán)重系數(shù)來(lái)實(shí)現(xiàn)，其具體計(jì)算公式為：

根據(jù)式（9）我們可以計(jì)算出未來(lái)2023年到2027年這五年三個(gè)模型的權(quán)重，再根據(jù)組合預(yù)測(cè)模型公式計(jì)算得到預(yù)測(cè)結(jié)果如表6所示。

表6 2023—2027年寧夏冷鏈物流需求量預(yù)測(cè)結(jié)果（單位：萬(wàn)噸）

根據(jù)組合預(yù)測(cè)結(jié)果，繪制2023—2027年寧夏冷鏈物流需求量變化趨勢(shì)（如圖2所示）。

5.模型比較與分析

本研究采用的基于方差倒數(shù)法構(gòu)建的變權(quán)組合預(yù)測(cè)模型，顯著提高了預(yù)測(cè)精度。具體而言，變權(quán)組合模型的平均擬合誤差率為1.54%，低于單項(xiàng)預(yù)測(cè)模型和定權(quán)組合預(yù)測(cè)模型的誤差率，表明該模型能夠通過(guò)動(dòng)態(tài)調(diào)整各單項(xiàng)模型的權(quán)重，充分整合其各自?xún)?yōu)勢(shì)，從而有效提升整體預(yù)測(cè)性能。相較之下，定權(quán)組合模型盡管在預(yù)測(cè)誤差上優(yōu)于單獨(dú)的ARIMA模型和BP神經(jīng)網(wǎng)絡(luò)模型，但其誤差率仍高于單項(xiàng)GM（1，1）模型，表明定權(quán)組合預(yù)測(cè)模型未能充分發(fā)揮各單項(xiàng)模型的潛力，導(dǎo)致其優(yōu)化效果受到限制。定權(quán)組合預(yù)測(cè)模型的不足在于未能靈活地根據(jù)各模型在不同情境下的表現(xiàn)調(diào)整其權(quán)重，因而未能在所有預(yù)測(cè)場(chǎng)景中都取得最優(yōu)的預(yù)測(cè)結(jié)果。

通過(guò)實(shí)證分析可以看出，基于方差倒數(shù)法構(gòu)建的變權(quán)組合預(yù)測(cè)模型在寧夏生鮮農(nóng)產(chǎn)品冷鏈物流需求預(yù)測(cè)中展現(xiàn)了顯著的優(yōu)勢(shì)，其預(yù)測(cè)精度遠(yuǎn)高于現(xiàn)有的單項(xiàng)預(yù)測(cè)模型。這一結(jié)果表明，變權(quán)組合預(yù)測(cè)模型具有較強(qiáng)的適應(yīng)性，能夠靈活調(diào)整權(quán)重，以應(yīng)對(duì)不同的預(yù)測(cè)需求和數(shù)據(jù)特性。具體到寧夏的冷鏈物流需求預(yù)測(cè)，變權(quán)組合預(yù)測(cè)模型的應(yīng)用為地方政府和相關(guān)部門(mén)提供了更為準(zhǔn)確的預(yù)測(cè)結(jié)果，進(jìn)而為寧夏未來(lái)冷鏈物流的規(guī)劃、資源配置及政策制定提供了重要參考。

四、結(jié)論及啟示

由于不同單項(xiàng)預(yù)測(cè)模型在建模過(guò)程中采用的算法和方法各異，本文沒(méi)有全面捕捉數(shù)據(jù)中的所有信息，進(jìn)而影響預(yù)測(cè)精度。為了克服單一預(yù)測(cè)模型的局限性，本文通過(guò)計(jì)算組合權(quán)重系數(shù)，對(duì)GM（1，1）預(yù)測(cè)模型、ARIMA預(yù)測(cè)模型以及BP神經(jīng)網(wǎng)絡(luò)模型的預(yù)測(cè)結(jié)果進(jìn)行加權(quán)融合，這種變權(quán)組合方法綜合了各個(gè)模型的優(yōu)勢(shì)，彌補(bǔ)其各自的不足，從而提高整體預(yù)測(cè)效果的可靠性，顯著提高了預(yù)測(cè)精度。實(shí)驗(yàn)結(jié)果表明，變權(quán)組合預(yù)測(cè)模型較單一預(yù)測(cè)模型和定權(quán)組合預(yù)測(cè)模型在多項(xiàng)指標(biāo)上都表現(xiàn)出更好的預(yù)測(cè)性能，進(jìn)一步驗(yàn)證了多元組合方法在復(fù)雜系統(tǒng)中的有效性和優(yōu)勢(shì)。

本研究根據(jù)寧夏冷鏈物流存在的不足，提出以下幾點(diǎn)啟示。

（1）加強(qiáng)冷鏈物流基礎(chǔ)設(shè)施建設(shè)。寧夏冷鏈物流設(shè)施相對(duì)落后，整體水平較為簡(jiǎn)陋，大部分仍需改造和升級(jí)。目前，僅少數(shù)區(qū)域配備了現(xiàn)代化冷庫(kù)和物流倉(cāng)儲(chǔ)基地。加強(qiáng)基礎(chǔ)設(shè)施建設(shè)需要政府主導(dǎo)、企業(yè)協(xié)同推進(jìn)。政府應(yīng)加大財(cái)政支持力度，優(yōu)化冷庫(kù)、預(yù)冷站等關(guān)鍵基礎(chǔ)設(shè)施的布局，特別是在生鮮農(nóng)產(chǎn)品主產(chǎn)區(qū)建立區(qū)域性冷鏈物流中心，彌補(bǔ)產(chǎn)地“最先一公里”冷鏈設(shè)施短板，以有效保障農(nóng)產(chǎn)品的品質(zhì)和流通效率。企業(yè)應(yīng)積極響應(yīng)國(guó)家出臺(tái)的政策，參與冷鏈物流設(shè)施的建設(shè)和運(yùn)營(yíng)，形成多元化的投資格局。與發(fā)達(dá)國(guó)家相比，我國(guó)農(nóng)產(chǎn)品冷鏈物流運(yùn)輸率仍存在較大差距。例如，發(fā)達(dá)國(guó)家果蔬冷鏈運(yùn)輸率高達(dá)90%，而我國(guó)僅為15%；肉類(lèi)冷鏈運(yùn)輸率為80%，我國(guó)為57%；水產(chǎn)品冷鏈運(yùn)輸率為98%，而我國(guó)僅為69%。在整個(gè)生鮮農(nóng)產(chǎn)品供應(yīng)鏈中，蔬菜的損耗率是最大的，約為15%。以1噸寧夏菜心為例，市場(chǎng)價(jià)格約為10元/千克，每噸的菜心從生產(chǎn)到最后售賣(mài)給消費(fèi)者損失約為1500元。而隨著消費(fèi)者對(duì)生鮮農(nóng)產(chǎn)品需求的不斷增長(zhǎng)，加強(qiáng)冷鏈物流基礎(chǔ)設(shè)施建設(shè)能夠有效降低生鮮農(nóng)產(chǎn)品的損耗率，從而顯著提升其利潤(rùn)水平。

（2）推動(dòng)冷鏈物流技術(shù)革新與發(fā)展。寧夏冷鏈物流企業(yè)信息化水平和冷鏈物流技術(shù)水平較低，尚未構(gòu)建完善的信息互聯(lián)互通平臺(tái)，難以實(shí)現(xiàn)物流信息的實(shí)時(shí)跟蹤與監(jiān)控。因此需要提升冷鏈物流的數(shù)智化水平，這關(guān)鍵在于技術(shù)革新與智能化應(yīng)用。應(yīng)充分利用冷鏈物流公共信息服務(wù)平臺(tái)，鼓勵(lì)企業(yè)接入平臺(tái)，以實(shí)現(xiàn)物流信息的實(shí)時(shí)監(jiān)控。推動(dòng)冷鏈運(yùn)輸公司采用車(chē)載定位、視頻監(jiān)控和地理信息系統(tǒng)（GIS），提升運(yùn)輸過(guò)程中的監(jiān)控與調(diào)度管理能力。鼓勵(lì)冷鏈倉(cāng)儲(chǔ)企業(yè)引進(jìn)先進(jìn)的倉(cāng)儲(chǔ)管理系統(tǒng)，建設(shè)智能云倉(cāng)，并推動(dòng)自動(dòng)化分揀與搬運(yùn)系統(tǒng)的發(fā)展，通過(guò)智能感知和大數(shù)據(jù)分析，進(jìn)一步提升庫(kù)存管理的精度與效率。在設(shè)備方面，冷鏈智能化升級(jí)至關(guān)重要，通過(guò)物聯(lián)網(wǎng)技術(shù)實(shí)時(shí)監(jiān)控運(yùn)輸中的溫度、濕度等關(guān)鍵參數(shù)，保障生鮮農(nóng)產(chǎn)品的質(zhì)量，智能溫控系統(tǒng)可自動(dòng)調(diào)節(jié)異常溫度，并通過(guò)數(shù)據(jù)分析預(yù)測(cè)潛在風(fēng)險(xiǎn)，提前采取應(yīng)對(duì)措施。在冷鏈物流中應(yīng)用區(qū)塊鏈技術(shù)可以提高信息透明度，增強(qiáng)消費(fèi)者對(duì)農(nóng)產(chǎn)品質(zhì)量的信任。結(jié)合人工智能和大數(shù)據(jù)，冷鏈物流優(yōu)化方案通過(guò)數(shù)據(jù)分析與機(jī)器學(xué)習(xí)，精準(zhǔn)預(yù)測(cè)需求并優(yōu)化資源調(diào)度，提升系統(tǒng)效率，推動(dòng)冷鏈物流在提升運(yùn)輸效率和降低成本方面實(shí)現(xiàn)突破。

（3）加強(qiáng)冷鏈物流人才培養(yǎng)與行業(yè)合作。強(qiáng)化地方院校的專(zhuān)業(yè)化發(fā)展，地方院?？梢愿鶕?jù)地方經(jīng)濟(jì)和產(chǎn)業(yè)特點(diǎn)，設(shè)立冷鏈物流專(zhuān)業(yè)或相關(guān)課程，培養(yǎng)高素質(zhì)的專(zhuān)業(yè)人才。同時(shí)，學(xué)校應(yīng)與當(dāng)?shù)乩滏溛锪髌髽I(yè)合作，建立校外實(shí)踐教學(xué)基地，推動(dòng)校企實(shí)習(xí)合作和企業(yè)導(dǎo)師制等形式，形成符合當(dāng)?shù)乩滏溛锪魈厣漠a(chǎn)學(xué)研一體化培養(yǎng)體系。地方政府和院校應(yīng)聯(lián)合出臺(tái)吸引冷鏈物流領(lǐng)域優(yōu)秀人才的優(yōu)惠政策，吸引更多具備豐富經(jīng)驗(yàn)和行業(yè)背景的高端人才參與到冷鏈物流行業(yè)建設(shè)中來(lái)。

（4）建立全品類(lèi)冷鏈物流服務(wù)體系，構(gòu)建覆蓋多領(lǐng)域、多環(huán)節(jié)的高效冷鏈網(wǎng)絡(luò)。寧夏生鮮農(nóng)產(chǎn)品產(chǎn)量豐富，品質(zhì)優(yōu)良，在全國(guó)范圍內(nèi)享有良好的口碑，深受消費(fèi)者喜愛(ài)。因此在肉類(lèi)冷鏈物流方面，應(yīng)建設(shè)集中加工區(qū)，鼓勵(lì)骨干養(yǎng)殖企業(yè)投資低溫加工車(chē)間，推動(dòng)分散養(yǎng)殖戶(hù)向冷鏈加工中心聚集，提升整柜冷鏈運(yùn)輸能力，并建設(shè)銷(xiāo)地前置冷庫(kù)，實(shí)現(xiàn)屠宰、冷鏈流通和冷鮮上市一體化的完整供應(yīng)鏈，加強(qiáng)對(duì)運(yùn)輸過(guò)程中的溫控管理，確保產(chǎn)品質(zhì)量。在果蔬冷鏈物流方面，應(yīng)在果蔬產(chǎn)地建設(shè)冷鏈集配中心，采用可循環(huán)的果蔬周轉(zhuǎn)箱，以減少流通過(guò)程中的損耗。建立跨區(qū)域、跨季節(jié)的供應(yīng)鏈體系，優(yōu)化物流路線和儲(chǔ)存條件，確保果蔬的新鮮度和穩(wěn)定供應(yīng)。在水產(chǎn)品冷鏈物流方面，應(yīng)引進(jìn)速凍與低溫保鮮技術(shù)，提升保鮮效果和供應(yīng)能力；支持農(nóng)批市場(chǎng)和冷鏈園區(qū)建設(shè)水產(chǎn)品儲(chǔ)存與加工相關(guān)設(shè)施，推動(dòng)冰鮮儲(chǔ)存與冷鏈加工發(fā)展，并加強(qiáng)運(yùn)輸追溯系統(tǒng)的建設(shè)，確保安全可控。在乳制品冷鏈物流方面，應(yīng)支持在奶牛集中養(yǎng)殖區(qū)建設(shè)冷藏設(shè)施，優(yōu)化鮮奶的短途運(yùn)輸路線，加強(qiáng)乳制品的全程溫控，確保產(chǎn)品質(zhì)量的安全。同時(shí)，推動(dòng)乳制品物流標(biāo)準(zhǔn)化發(fā)展，建立全流程質(zhì)量追溯機(jī)制，為乳制品行業(yè)提供穩(wěn)定的冷鏈保障。

本研究?jī)H選擇了三個(gè)經(jīng)典的單項(xiàng)預(yù)測(cè)模型，未能引入更多的預(yù)測(cè)模型。隨著數(shù)據(jù)特性和應(yīng)用場(chǎng)景的不斷變化，未來(lái)的研究可以進(jìn)一步拓展模型種類(lèi)，結(jié)合更多具有不同優(yōu)勢(shì)的預(yù)測(cè)方法。組合模型中的權(quán)重選擇方法亦可進(jìn)一步優(yōu)化，可以探索自適應(yīng)權(quán)重調(diào)整機(jī)制，以適應(yīng)不同時(shí)間段和環(huán)境下的數(shù)據(jù)波動(dòng)，從而提高預(yù)測(cè)精度和穩(wěn)定性?？傊?，基于多元組合預(yù)測(cè)方法的優(yōu)化仍然是一個(gè)值得深入研究的方向，為復(fù)雜系統(tǒng)的預(yù)測(cè)提供更為準(zhǔn)確、可靠的工具。

基金項(xiàng)目：西安財(cái)經(jīng)大學(xué)研究生創(chuàng)新基金項(xiàng)目“能源安全背景下化石能源供應(yīng)鏈的風(fēng)險(xiǎn)識(shí)別與測(cè)度研究”（24YCZ04）

參考文獻(xiàn)：

［1］HAN J W， ZUO M， ZHU W Y， et al."A comprehensive review of cold chain logistics for fresh agricultural products： current status， challenges， and future trends［J］. Trends in food science amp; technology，2021，109：536-551.

［2］蔡寧.我國(guó)冷鏈產(chǎn)業(yè)發(fā)展現(xiàn)狀及對(duì)策研究［J］.商業(yè)經(jīng)濟(jì)，2019（7）：30-32，62.

［3］文先明，肖錦.基于灰色GM（1，N）模型的湖南省農(nóng)產(chǎn)品冷鏈物流需求預(yù)測(cè)［J］.全國(guó)流通經(jīng)濟(jì)，2021（6）：15-19.

［4］周慧，曾一洲.數(shù)字化轉(zhuǎn)型背景下九江市生鮮農(nóng)產(chǎn)品冷鏈物流需求預(yù)測(cè)及發(fā)展建議［J］.物流科技，2023，46（15）：132-137.

［5］彭虹.中國(guó)食用菌出口影響因素主成分分析與變化趨勢(shì)預(yù)測(cè)［J］.中國(guó)農(nóng)機(jī)化學(xué)報(bào)，2020，41（10）：125-131.

［6］李芫夢(mèng)，王鐘秀，趙衛(wèi)星，等.“一帶一路”倡議中的中歐班列對(duì)碳減排貢獻(xiàn)的分析［J］.氣候與環(huán)境研究，2024，29（3）：353-364.

［7］孫楊，王維成，郎穎，等.基于灰色預(yù)測(cè)模型的寧夏居民健康素養(yǎng)水平發(fā)展趨勢(shì)分析［J］.中國(guó)健康教育，2023，39（4）：315-317，341.

［8］原云霄，王寶海.基于ARIMA模型對(duì)我國(guó)公路物流運(yùn)價(jià)指數(shù)的預(yù)測(cè)［J］.數(shù)學(xué)的實(shí)踐與認(rèn)識(shí)，2017，47（23）：52-57.

［9］張巨峰.基于ARIMA模型的甘肅省碳排放預(yù)測(cè)分析［J］.山西大同大學(xué)學(xué)報(bào)（自然科學(xué)版），2024，40（4）：31-36.

［10］蔡承智，黃軍結(jié)，梁穎.基于ARIMA模型的世界大豆總產(chǎn)預(yù)測(cè)分析［J］.大豆科學(xué)，2019，38（2）：298-303.

［11］王麗麗，王振龍，索梅芹，等.基于神經(jīng)網(wǎng)絡(luò)的冬小麥生育期日土壤水分預(yù)測(cè)模型研究［J］.節(jié)水灌溉，2020（11）：64-67.

［12］夏才初，周開(kāi)方，程怡，等.基于BP神經(jīng)網(wǎng)絡(luò)的公路風(fēng)吹雪雪深預(yù)測(cè)模型［J］.同濟(jì)大學(xué)學(xué)報(bào)（自然科學(xué)版），2017，45（5）：714-720.

［13］趙慧，王增輝，李健，等.基于BP神經(jīng)網(wǎng)絡(luò)的鮮食玉米速凍時(shí)間預(yù)測(cè)模型［J］.吉林農(nóng)業(yè)大學(xué)學(xué)報(bào)，2015，37（5）：622-626.

［14］曾慶揚(yáng)，丁楚衡，谷戰(zhàn)英，等.基于BP神經(jīng)網(wǎng)絡(luò)的油茶產(chǎn)量預(yù)測(cè)模型構(gòu)建［J］.經(jīng)濟(jì)林研究，2022，40（3）：87-95.

［15］HUANG L， XIE G， ZHAO W."Regional logistics demand forecasting： a BP neural network approach［J］. Complex amp; intelligent systems，2023， 9： 2297-2312.

［16］李思聰，葉靜.基于灰色回歸模型的農(nóng)產(chǎn)品冷鏈物流需求分析及預(yù)測(cè)［J］.公路交通科技，2022，39（5）：166-174.

［17］王秀梅.基于權(quán)重分配組合法的農(nóng)產(chǎn)品冷鏈物流需求趨勢(shì)預(yù)測(cè)［J］.統(tǒng)計(jì)與決策，2018，34（9）：55-58.

［18］徐超毅，胡望敏.高質(zhì)量背景下長(zhǎng)三角地區(qū)生鮮農(nóng)產(chǎn)品冷鏈物流需求預(yù)測(cè)［J］.棗莊學(xué)院學(xué)報(bào)，2024，41（5）：25-32.

Optimization of Fresh Agricultural Products Cold Chain Logistics

Forecasting Based on a Variable-weight Combined Prediction

Model： A Case Study of Ningxia Hui Autonomous Region

ZHOU Yan-chun， TAN Jia-xin

（School of Management， Xian University of Finance and Economics， Xian， Shaanxi 710100）

Abstract：As the importance of logistics demand forecasting in agricultural supply chains continues to grow， traditional single forecasting models often fail to fully capture the complex information within data， resulting in insufficient prediction accuracy."To address this， this study proposes a multivariate combined forecasting method based on the GM（1，1） gray prediction model， ARIMA time series model， and BP neural network model， aiming to leverage the strengths of each individual model."The weights of each model are calculated using the inverse-variance method and combined through weighted integration to optimize forecasting performance.Empirical analysis results demonstrate that the average fitting error rate of the variable-weight combined prediction model is 1.54%， significantly lower than those of single models （ARIMA： 2.60%， GM： 1.70%， BP： 1.92%） and the fixed-weight combined model （1.79%）. This indicates that the variable-weight combined model offers notable advantages in improving prediction accuracy and effectively integrates the strengths of individual models."Compared with traditional fixed-weight combination methods， the proposed model exhibits stronger predictive capabilities and enhances overall forecasting precision."Its forecasting results provide valuable insights for the planning and development of cold chain logistics in the Ningxia Hui Autonomous Region.

Keywords：combination model weight allocation; fresh agricultural products; cold chain logistics demand forecasting