齐宇轩 太秋月

摘 要：自20世纪中后期，我国引进冷链技术攻克农副产品极端化的供需失衡，我国居民便开始追求保质保量的农产品。新冠疫情下生鲜电商的食品安全是当前百姓关心的热点问题之一，可以说“冷链”一词吸引了所有人的目光。为了准确把握我国冷链物流需求，本研究围绕生鲜农产品分别建立基于GM（1，N）、BP神经网络和灰色神经网络的预测模型，并采用灰色神经网络预测我国未来三年的冷链物流需求。研究结果表明疫情所引发的生鲜食品安全问题、失业人口暴增难题以及物流堵塞困境只会导致短期需求下降，组合模型在生鲜农产品冷链物流需求预测上性能更佳。

关键词：生鲜农产品;冷链物流需求;灰色神经网络模型;预测精度

我国冷链物流的概念萌芽于20世纪末，历经十年建设方才进入起步阶段，可以说在2018年迎来了快速发展的新时期。当前我国冷链运输率为45.4%，而发达国家已高达90%;我国生鲜产品的年损耗率为11%，而发达国家低至5%，其中美国仅有1%-2%。究其原因是因为我国生鲜农产品生产端标准化程度低，运输端冷藏设施建造不规范、功能单一、利用率低。

伴随国内进口冷冻生鲜多次出现外包装新冠病毒检测为阳性事件，造成了国民对冷链物流的恐慌心理，降低了百姓对冷链食品的购买力。随着互联网正式迈入人工智能新时代，冷链研究的预测方法正逐步由传统的统计学预测向现代人工智能预测过渡。因此本研究首先希望了解生鲜农产品冷链物流需求的影响因素;其次构建灰色神经网络模型提高实验预测精度;然后比较单一模型与组合模型在预测精度上的差异;最后预测与其发展相匹配的我国未来冷链物流需求。

一、理论综述

1.灰色系统理论

在控制论中，灰色意指未知与已知之间，代指研究信息部分或不完全清楚，常伴有一定的不确定性现象。本研究运用的GM（1，N）模型是指含有N个变量的多维灰色模型，主要是针对“小样本”、“贫信息”和“不确定性”系统，以对各种灰色系统发展的预测和控制为核心目的，旨在解决特殊领域中存在未知因素的问题，具体工作原理如图1所示。

2.BP神经网络

BP神经网络是从信息处理角度对人脑神经元网络进行抽象函数逼近，依据连接方式、权重和激励函数的不同，网络输出也不同。通常该模型是指含有输入层（input layer）、隐藏层（hide layer）和输出层（output layer）的三层前馈网（感知器），主要针对的是“大样本”、“复杂信息”和“非线性”动力系统。模型中每一层的神经元只会与相邻层的神经元完全连接，同一层神经元之间没有连接，并且每一层神经元之间没有反馈，从而能够形成一个具有层次结构的前馈网神经系统，具体工作原理如图2所示。

3.指标选取与模型建立

（1）构建冷链物流需求预测指标体系

面对冷链数据统计不完全的困境，从需求推动供给和需求产生消费两个角度出发，考虑到城镇居民日常消费是我国在一定时期内生鲜农产品冷链物流面向的主要对象，而冷链物流的适用范围主要集中在生鲜农产品市场，所以生鲜农产品的消费量就是冷链物流需求很好的参照指标。

本研究在国家统计局数据库的年度数据中，选取2000年到2019年猪肉、牛羊肉、禽蛋、水产品、鲜奶、鲜菜以及鲜瓜果在内的七类产品的城镇居民人均消费量，相加后得到城镇居民生鲜农产品人均消费总量，将其与我国城镇人口总量相乘，最终得出生鲜农产品消费总量，以此作为预测我国生鲜农产品冷链物流需求规模的因变量。

与此同时，将标准化处理后的17个自变量数据输入到灰色系统理论建模软件的灰色关联度分析模块，以此来分析冷链物流需求量与它们之间的相关性，每个自变量分别得到了绝对关联度、相对关联度以及综合关联度三个关联度值。由于综合关联度是前两者的整合，既考虑了序列折线的相似程度，又体现了变化速率的接近程度。因此根据综合关联度的大小进行排序，若它们的综合关联度值大于0.6，则考虑接受其作为最终的预测指标，且选出对因变量影响最大的前5个自变量组成最终的预测指标体系。最终体系由5个维度17个指标降至3个维度5个指标，具体指标体系如表1所示。

相关数据来源于国家统计局数据库和《2018年中国冷链物流发展报告》，通过直接引用或间接计算整理出实验原始数据。对于存在缺失值的指标，采用GM（1，1）模型对其缺失数据进行了预测，保证了数据完整性。在实验原始数据中，x1表示冷链物流需求量（万吨），x2表示生鲜农产品总产量（万吨）、x3表示城镇就业人员（万人）、x4表示第三产业就业人员（万人）、x5表示交通运输就业人员（万人）、x6表示公路营运载货汽车拥有量（万辆），具体数据如表2所示。

（2）建立灰色神經网络组合模型

为打破冷链物流需求预测僵局，首先将历史数据样本代入GM（1，N）模型得到灰色预测值及残差，同时代入到BP神经网络模型进行训练，然后将灰色预测残差以一个新增输入列的形式添加到历史数据样本列表中，紧接着把新生成的数据列表再次代入到训练后的BP模型，继而得到组合模型的预测值，检验有效后可以利用该模型对我国未来冷链物流需求量进行预测，具体组合模型如图3所示。

4.实证分析

（1）GM（1，N）模型预测

由GM（1，N）模型预测得到，随着年份的增大，相对误差呈现出波动性减小的趋势，进而说明该模型更适合于冷链物流需求的短期预测。GM（1，6）模型的平均相对误差为2.70%，小于GM（1，18）模型的4.05%，印证了剔除指标能够显著提高实验模型的预测精度。

（2）BP神经网络模型预测

由BP神经网络模型预测得到，训练样本集的平均相对误差为0.99%，验证样本集的平均相对误差为1.23%，测试样本集的平均相对误差为2.36%，总体的平均相对误差为1.23%，进而可以得到该模型的预测精度为98.77%，说明该模型具有较强的预测能力。即使在小样本前提下，选取最优架构、试验不同样本划分情况以及进行大量迭代学习，其历年变化曲线的拟合度还是很高的，并且其预测结果要优于GM（1，N）模型。

（3）灰色神经网络模型预测

由灰色神经网络模型预测得到，无论是训练集、测试集还是验证集，其平均相对误差都保持在1%左右，说明本研究所构建的组合模型是稳定且有效的。添加灰色预测残差作为新的输入序列，使得神经网络的预处理有了更加明确的分类依据。总体的平均相对误差为0.93%，可以得到该模型的预测精度为99.07%，有效提高了历年变化曲线的拟合度，并且灰色神经网络组合模型的预测性能远高于其他两种单一预测模型。

（4）模型间对比研究

为了更加清楚地验证灰色神经网络组合算法相较于单一算法在我国生鲜农产品冷链物流需求规模预测研究中的优越性，现将以上三种预测模型的总体拟合结果进行对比分析，具体拟合结果如表3所示。

为了更加直观地反映以上三种模型对我国历年冷链物流需求量的拟合度，本研究用Excel工具画出了三种模型预测结果的对比图，具体预测结果如图4所示。

从图4可知，曲线在2013年出现拐点，这是由于我国统计局正式于此开始实行新老口径过渡，故相关统计方法发生改变进而导致明显的数据波动。此外，灰色神经网络组合模型实际上是综合了两个单一模型的优点，同时具备小样本建模和非线性处理复杂数据的能力，相比单独使用一种模型，组合模型的算法更稳健，预测性能更佳。因此本研究选用灰色神经网络模型用来预测我国未来冷链物流需求量的演变趋势。

（5）未来冷链物流需求预测

通过灰色神经网络模型的构建原理可知，灰色模型对短期数据的预测更具适用性，所以即使通过灰色系统理论建模软件和Alyuda Neurolntelligence软件可以直接得出实验研究所需的未来任一时间点的预测数据，依旧无法确保远距离年份预测结果的可靠性。细数我国未来几年的大事议程，2022年北京冬奥会有可能成为近几年影响我国国民经济、社会地位及冷链物流发展的又一重要转折点。对此，本研究采用GM（1，1）和GM（1，6）模型求得未来3年我国冷链物流需求量的相关因素数据，其中x7表示灰色预测残差（万吨），具体数据如表4所示。

将表4的数据输入灰色神经网络模型，相关参数保持一致，以此来预测我国2020年至2022年的冷链物流需求量，具体预测结果如表5所示。

由表5可知，2020年我国冷链物流需求量的预测值为20612.89万吨，与2019年的实际值20642.30万吨相比有所下滑。究其原因可能是由于新冠疫情激发出短期需求下降。不过随着我国有序稳健地出台冷链相关政策及治理措施，在现实生活中，这些危机问题都已经或陆续地被成功解除，因此我国冷链物流的需求前景还是比较明朗的。这一点我们也可以透过2021年和2022年的冷链物流需求量的预测值看出，这两年需求量的预测值与2020年相比都有所增长。

二、结论

结合研究过程和分析结果，可以得出以下五点结论：（1）生鲜农产品消费总量可以作为冷链物流需求量的替代指标;（2）选取较少的预测指标，达到预期实验结果的同时能够显著提高实验模型的预测精度;（3）模型间预测能力对比结果的排序为：灰色神经网络模型>BP神经网络模型>GM（1，N）模型;（4）组合预测模型比单一预测模型的预测精度更高;（5）若冷链物流系统不受突发外力作用，冷链物流需求将持续增长。

参考文献：

[1]王晓平，闫飞.京津冀农产品冷链物流需求影响因素及预测模型研究[J].福建农业学报，2018，33（8）：870-878.

[2]黄凯，王健.我国生鲜农产品冷链物流需求预测分析：基于最优组合模型[J].武汉理工大学学报，2020，42（6）：524-529.

[3]王可山，郝裕.农业高质量发展、交易制度变迁与网购农产品消费促进——兼论新冠肺炎疫情对生鲜电商发展的影响[J].经济与管理研究，2020，41（4）：21-31.

[4]王圣昌.基于灰色神经网络的物流需求预测系统及应用研究[D].北京工业大学硕士论文，2017.

[5]邹相林.基于改进灰色神经网络的河南省物流需求预测[D].河南农业大学硕士论文，2019.

[6]中物联冷链委：2019農产品产地冷链研究报告[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.