□ 冯志鹏，张远扬，葛凤仪

(大连交通大学，辽宁 大连 116028)

1 引言

按照现今的发展形势，农业对于中国来说仍然是一个很大的产业。农产品物流的发展是促进现代化农业发展的重要手段，其中，生鲜蔬菜的运输对供应链中的各个环节有着更高的要求。山东省寿光市是中国蔬菜之乡，在蔬菜产量以及销售量方面可以说是首屈一指。近些年来，蔬菜消费在不断变化，蔬菜物流需求也在不断变化，因此，准确地预测蔬菜物流需求有助于政府和企业合理规划运输资源，对于保障蔬菜品质安全、高效供应蔬菜、节约农产品物流资源具有现实意义。

近年来，国内外学者关于物流需求预测的研究成果较多，具有一定的借鉴意义。如Ma Hongjiang等基于改进的神经网络算法，结合Logistic回归算法，构建了新的物流需求预测模型，使模型更适合物流需求预测[1]；Lijuan Huang等从电子商务的角度对广东物流需求进行预测[2]；姚冠新等运用灰色预测模型对兴化市农产品物流需求量进行预测[3]；黄凯和王健分别采用BP神经网络、RBF神经网络和GM(1,1)预测方法建立预测模型，然后根据每种模型产生的不同的预测结果设置不同的权重，建立了一种最优组合方法的生鲜农产品冷链物流需求预测模型[4]；孙旭等通过灰色优势分析方法，选择物流总额作为表征目标变量并构建了河南省物流需求预测模型，最后，根据求出的物流需求GM(1,1)模型的函数表达式求出了河南省2019-2023年的物流总额[5]。

针对物流需求进行预测的方法有很多，然而既有文献中并无针对寿光自产蔬菜物流需求进行预测的。本文选择灰色预测GM(1,1)模型对寿光市自产蔬菜物流需求量进行预测，判断蔬菜物流需求的发展趋势，为政府和企业提供数据和理论支持，进而更好地规划农产品物流资源。

2 预测方法介绍及模型构建

2.1 预测方法介绍

蔬菜物流需求预测往往建立在原始蔬菜物流量的基础上，结合现代的科学计算方法对蔬菜物流需求的变化和发展趋势进行预测，经常使用的方法如下[6]。

①一元线性回归。

具有变量少、数据收集简单、运算简单的优点，但是也存在着只考虑单一变量、预测准确度低等不足之处，只适用于短期预测。

②多元线性回归。

具有综合考虑多种因素、预测准确度较高的优点，但是也存在着数据整理较难、运算相对复杂等不足之处，适用于长期预测。

③指数平滑法。

此方法需要的数据量相对较少、运算简单，但是缺点为平滑系数难以确定、预测准确度低，适用于中短期预测。

④灰色预测法。

此方法的优点在于需要的数据量相对较少、运算简单、预测准确度较高，不过这一方法对于影响因素的考虑不够充分，但是适用于各种期限内的预测。

2.2 GM(1,1)模型的优势

用于物流需求预测的模型比较多，但仅针对蔬菜物流需求预测这一领域，蔬菜的物流需求可能存在某些无法预知的影响因素，譬如无法控制的自然因素，进一步来说，即便知道了影响蔬菜物流需求预测的某些因素，也很有可能因为这些因素的相关数据不可得而使研究无法进行下去；另外，即便假定获得了这些数据但也有可能会因为内部关系不明确再次使得研究无法进行。因此，在得知了蔬菜物流需求预测的特点和困难程度以后，不难看出，使用灰色预测GM(1,1)模型能够大大提高预测结果的准确性。从灰色预测法的特点来看，一是此方法能够把系统中一些不确定是否存在的各种因素之间的相关性以及关联程度进行相应的较为准确的识别和判断，从而为发现原始数据中可能有的相关规律提供重要的条件，根据发现的规律可得出一组新的数据，这些新的数据有它们相应变动的规律。二是此方法无需较多的数据，无需明了可能影响结果的其他因素，可以根据已有的信息来发现数据内部的变化规律。此外，它的运算方法并不复杂，预测的精确度也比较高。综上所述，灰色预测GM(1,1)模型非常符合本文所研究的蔬菜物流需求预测。

2.3 灰色预测GM(1,1)模型的构建

在分析了灰色预测法的优点之后，此方法被应用在本文中的理由也就一目了然了。对于那些数据较少、分析时间短的系统来说，灰色预测模型是再适合不过了，灰色预测模型中被用得最多最广泛的模型就是GM(1,1)模型。

GM(1,1)模型的建立有以下几个部分:

①确定原始数据序列。

x(0)(k)={x(0)(1),x(0)(2),…x(0)(m)}，k=1,2,…m

将原始数据序列累加生成数据序列:

x(1)(k)={x(1)(1),x(1)(2),…x(1)(m)}，k=1,2,…m

②构造累加矩阵B和常数项Yn:

④求解模型。

首先求解系数a、b，再将系数a、b带入下面式子中，然后求解此微分方程，得到GM(1,1)预测模型的白化形式方程，进而得到GM(1,1)预测模型:

⑥检验模型。

检验GM(1,1)模型的方法有残差检验和后验差检验两种方法，残差检验中有绝对误差和相对误差两种，都可以用来判断误差变化状态。

绝对误差：

相对误差：

平均相对误差：

①计算原始序列的均值和均方差:

②计算绝对误差序列Δ(0)的均差和均方差:

③计算均方差比C:

④计算小误差概率P:

后验差检验的上述计算过程中，有C和P两个指标，其中，前者越小越好，后者越大越好。表1为后验差检验的精度等级参照表。

表1 模型精度检验等级参照表

3 寿光市蔬菜物流需求预测分析

3.1 获取数据

通过潍坊市统计年鉴(2015-2020)可得到寿光市2014至2019年的蔬菜生产总量、居民人均蔬菜消耗量、寿光市常住人口数量，当前对于蔬菜物流需求没有专门的统计数据可查询，但是蔬菜物流需求量和蔬菜产出总产量有着密切的联系。

农产品物流需求是指在某一时段内由社会经济活动引起的，对生产、流通、消费等领域的农产品配置而产生的对农产品在空间、时间和费用等方面的要求[7]。据此，寿光市常驻居民对蔬菜消费过后，剩余蔬菜量需要外销，这些蔬菜在空间位移等方面产生的需求，即为寿光市蔬菜物流需求。因此，本文采用寿光市蔬菜产出总产量减去常驻居民蔬菜消耗量的值作为寿光市蔬菜物流需求量进行预测，表2为寿光市2014-2019年蔬菜物流需求量统计情况。

表2 寿光市2014-2019年蔬菜物流需求量统计

3.2 预测值求解及精度检验

根据表2的数据，通过MATLAB 2016a软件运用灰色预测GM(1,1)模型，对寿光蔬菜物流需求量进行预测和精度检验，精度检验结果如表3所示，其中C=0.1115，P=1，平均误差率为0.0141，参照表1可知，该模型的预测精度为一级。因此，该模型可以用来预测寿光市未来三年的蔬菜物流需求量，预测结果如表4所示，预测曲线如图1所示。

表3 2014-2019年寿光市蔬菜物流需求量预测值及误差率

表4 寿光市2020-2022年蔬菜物流需求量预测结果

图1 寿光市2020-2022年蔬菜物流需求量预测曲线

3.3 预测结果分析

从预测结果可以看出，寿光市蔬菜物流需求总量在短时间内呈下降趋势，平均减少率为4.2%左右，但是寿光市如今已经形成“买全国，卖全国”的趋势，全国大部分地区的经销商均在此完成交易和运输。由于数据不易获得和统计，因此本文只分析了寿光市自产蔬菜的物流需求，不考虑经销商相互之间购买、运输的情况，所以寿光市实际整体的蔬菜物流需求量应该比预测值更高。以上预测情况比较符合寿光市农业发展和政府规划的特点，寿光市从1999年开始，市内市场不仅出售寿光自产蔬菜，更是转型为全国蔬菜的集散中心，然而随着全国蔬菜种植水平的提高，蔬菜的供需也日渐平衡。在这样的背景下，2001年寿光市提出“工业立市”，一部分农地被征作工业用地，持续多年增加的蔬菜总种植面积，从2003年开始缓慢下降，但是常驻居民蔬菜消费总量却没有太大的波动。作为我国主要的南菜北调和北菜南运的枢纽城市，加之居民对新鲜蔬菜质量的要求不断提高，寿光市对于物流服务的要求也不断提高。为了切实保障居民对蔬菜品质的要求，保障农民的生产利益，寿光市未来几年需要将提高物流服务水平作为突破口，制定合理的农产品物流整体规划，努力实现全民富裕。

4 小结

蔬菜物流需求预测是合理规划农产品物流资源的前提和基础，极大程度上决定了当地蔬菜物流的发展。寿光市是我国重要的蔬菜生产基地和蔬菜集散中心，蔬菜产值比重非常高，所以寿光市要想实现各村镇经济的均衡发展，实现共同富裕，离不开蔬菜产业的发展，而蔬菜物流需求的有效预测也为这一发展提供了理论支持。本文针对寿光市蔬菜产业的发展现状，比较了多种预测方法，最终选择了适合寿光市蔬菜产业数据的灰色预测GM(1,1)模型并对模型进行精度检验，而后验差比值的结果可以证明模型预测结果的精确度以及可信度还是比较好的。此次预测有效地反应了寿光市蔬菜物流需求的发展趋势，对于寿光蔬菜产业的发展和蔬菜物流资源的合理规划具有现实意义。但是，本研究仅就蔬菜产量对其需求量进行了短期的预测，对于其他影响因素并未加以考虑，下一步应将其他影响因素考虑进来，并对蔬菜物流需求做出长期预测。