正向權重組合預測機制下的農產品冷鏈物流需求量預測

原靜

摘要：對農產品冷鏈物流進行需求預測能夠避免冷鏈物流供應過剩或不足，并導向投資人員的投資方向。首先研究正向權重組合預測方法的最優權值和精確度結果，進而給出組合預測的實證探究，對采用延伸趨向、指數平滑、神經網絡算法、回歸方法和灰色預測方式進行的農產品冷鏈物流單向預測與正向權重組合預測的結果進行對比分析。結果表明，正向權重組合預測方法更接近真實值。基于此，給出結論和推動農產品冷鏈物流發展的建議。

關鍵詞：農產品；組合預測；正向權重；冷鏈物流；神經網絡

中圖分類號： F252 文獻標志碼： A 文章編號：1002-1302（2017）19-0341-05

收稿日期：2017-05-02

基金項目：昆明理工大學津橋學院校級質量工程建設項目（編號：TDGJ1432）。

作者簡介：原 靜（1979—），女，山東萊州人，碩士，副教授，主要從事經濟與管理的研究。E-mail：yuanjing1979@21cn.com。 國民經濟的不斷發展及大眾消費水平和需求模式的不斷轉變，使得國內終端消費市場日益活躍。大眾消費需要新鮮、清潔的農副食品，因而對生鮮農產品的需要量不斷增加。農產品冷鏈物流是一種新的食品運輸技術手段，和普通消費者的飲食安全密切關聯。需要采用冷鏈物流的農產品主要包括肉類、蛋類、水果、蔬菜、水產和奶類等。農產品冷鏈物流即在冷凍技藝與制冷策略的基準下，保障冷鏈商品在保存、包裝、運輸和銷售到消費者的過程中處于低溫狀態以保持食品質量。對農產品冷鏈物流進行需求預測能夠實現科學配置資源，減少資源浪費，并找到其增長空間達到冷鏈物流需求。此外，農產品冷鏈物流的需求和區域經濟發展息息相關，民眾的生活質量、收益水準、可支配收益狀況和農產品冷鏈物流息息相關。

傳統的預測方案基于現有的不同數據，其估測精準度、側重部分也存在差別，若僅單獨選擇某種預測方式或棄選某些預測偏差較大的方案則會丟失很多有用數據，造成資源的無端浪費。國外研究者Dorfman選取貝葉斯模型完成價值的預測[1]；Jaheen則選取Compertz模型實現新型技術探究，并且整體創新模式需要和農產品冷鏈物流需求結合[2]；Enders等則采用組合預測方式完成線性預測，實現農產品冷鏈物流預測[3]。國內科研者紀愛兵等采用模糊組合[4]完成農產品冷鏈物流測算[5]；張卓倫等則采用協整單項測算模型并引入神經網絡算法[6]實現農產品冷鏈物流預測[7]。本研究通過分析實際農產品物流過程的數據，結合各種預測方案和參量完成農產品冷鏈物流預測，結果表明，本研究方法能夠有效預測農產品冷鏈物流狀態。

本研究采用正向權重組合預測機制對農產品冷鏈物流需求量進行預測，并對農產品冷鏈物流市場的容量進行估測，結果可為供應商提供借鑒和考量，對農產品冷鏈物流發展具有重要的意義。

1 傳統的組合預測模型

1.1 組合預測實質

組合預測理念[8]為結合幾種預測方式并且增加不同權值，構建綜合化的組合預測方式，即在給定標準下求得最終結果。通過組合預測方式能夠得到幾個存在差別的預測值，并且針對具有獨立數據的預測值加權擬合，獲得最優利用數據的協調值，提升測算方法的精準程度[9]以及可靠性。

1.2 傳統組合預測建模

設置觀測序列{mt}，t=1，2，…，N，t為觀測參量，針對序列設置J個預測方式，則針對觀測序列的預測結果或者擬合結果為git（i=1，2，…，J），設定第i種預測算法的加權參量是qi，i=1，2，…，J，且權重值能夠達到歸一化約束標準，則：

q1+q2+…+qi=1。（1）

在現實狀況處理中，常存在非負約束準則。從式（1）可知，組合預測的重點在于給定各部分預測模塊的權值，而根據各種權重規則能夠得到差別化的預測模型，權值的賦予方式[8]也存在差異，并且能夠將預測精準程度設定為度量預測模型狀況的標準。選取組合預測的重點在于給定單項預測算法的加權參量。設定針對同一狀況存在不少于2種的預測方式，設置如下標定：由式（1）轉化為式（2），rt是當前觀測結果，git為第i種預測方法下觀測量t的結果，gt為組合權重下i種預測方法的累計值：

∑ni=1qi=1；（2）

gt=∑ni=1qigit。（3）

本研究的目標為最終獲得組合預測方案的預測結果，ut=rt-gt是組合預測方案的預測偏差[9]結果，則

ut=rt-gt=∑ni=1qigit。（4）

其中，i=1，2，…，n；t=1，2，…，N。

則組合預測方案的預測偏差平方值為

J=∑Ni=1u2t。（5）

將組合預測方案的加權參量設定為Qn=[q1，q2，…，qn]T，第i類偏差預測參量是Ui=[ui1，ui2，…，uin]T，偏差預測陣列是u=[U1，U2，…，Un]，式（5）轉換為

J=uTu=QTnU（n）Qn。（6）

式中的U（n）陣列如下：

U（n）=U11U12…U1n

U21U22…U2n

Un1Un2…Unn。（7）

在U（n）矩陣中，Uij=Uji，U11，U22…Unn為預測算法的測算偏差結果的平方和，U（n）表示各種預測方式所給出的預測偏差數據，又稱預測偏差數陣列。取單位矩陣Hn=[1，1，…，1]Tn，權重參量的約束∑ni=1qi=1轉換為HTnQn=1，因而組合預測能夠轉換為非線性規劃形式，即

minJ=QTnU（n）Qn；s.t.HTnQn=1

Qn>0。（8）

傳統的組合預測方法僅是基于幾種預測方式值間的凸型組合，以2種預測方法的預測結果為例，預測目標的實際結果g（x）和2預測結果g1（x）、g2（x）之間的關聯如圖1所示。endprint

傳統的組合預測方法存在圖1所示的偏差，為突破其局限性，本研究提出結合指數平滑方案、神經網絡算法[10]、回歸方案、灰色預測方式下的正向權重組合模式的市場營銷預測。

2 正向權重組合預測方法

2.1 正向權重組合預測方法的最優權值確定

本研究設置I為目標函數，擬合偏差ut是組合預測方案的預測偏差結果，因而組合預測的規劃建模為

minII=∑Nt=1u2t

s.t.∑Nn=1qn=1。（9）

為了獲得權重系數qn的結果，U′i為第i類偏差預測陣列Ui統計偏差，u′為各參量數值偏差陣列，u′ij為U（n）陣列各參量的相對偏差，則：

U′i=[ui1（n），ui2（n），…，uin（n）]T；（10）

u′=（u1，u2，…，un）T，n=1，2，…，N。（11）

n×n矩陣U（n）為對稱正定陣列，即為數據陣列，如下式：

u′ij=∑Ni=1q（i）Uj=（uj1，uj2，…，ujn）TQ。（12）

因而式（9）可轉換為

minII=QTnU（n）Qn

s.t.uTQ=1。（13）

帶入拉格朗日算子，得到I值最小結果的必要標準為

ddn[QTUQ-2λ（UTQ-1）]=0。（14）

采用拉格朗日算法獲得算子λ，如下式：

λ=（QTU-1Q）-1。（15）

進而獲得最優權值結果，q0以及最小I值結果I0見式（16）。

q0=（QTU-1Q）E-1Q

I0=（QTU-1Q）-1。（16）

2.2 正向權重組合算法預測建模

正向權重組合算法可實現多種情況下的系統結果預測，假定選取該方案所預測的將來真實情況為“1”，且預測值也是“1”，本研究用X11表示；若真實狀況為“1”，所預測結果為“0”，則用X10表示；此外，X00和X01的意義同理。通過對之前多次預測值的統計，本研究將獲取的P00、P01、P10、P11分別作為X00、X01、X10、X11發生的概率，前面討論了正向權重組合預測方法的數學模型，在此將其視為數據變換裝置，給出真實情況和預測結果之間的數據關聯（圖2）。

設定D信號和D′信號的組合為（D，D′），則

D：“0”“1”

X00+X01X10+X11；（17）

D′：“0”“1”

X00+X10X01+X11；（18）

（D，D′）：P00P11P10P11

X00X01X10X11。（19）

2.3 正向權重組合預測算法的精確度分析

設定q0和I0與最優化模型參量對應，Q和I與隨機模型參量對應，Q（J）和I（J）則和J個綜合參量模式對應，式中的目標解析式I能夠保障模型的精準程度，I0為I的最小結果。此外，Q（J）=（0，…，0，1，0，…，0）T，則從最優結果的唯一特點可知，若不存在Q（J）=Q0，則必然有I>I0，因此，采用正向權重組合獲得的偏差平方和結果最優，其精準程度遠大于任意一個單獨模型。

設定δmax、δmin分別為最大、最小的特征結果，則最優綜合模型的偏差平方和結果I0滿足式（20）。

δmin/F≤I0≤δmax/F。（20）

式中：F為組合的數學模型數目，整個數學模型說明F值越大，則I0變化區間越小，I0值不小于δmin/F，也不大于δmax/F。

3 正向權重組合預測模型下的農產品冷鏈物流需求量組合預測實證探究 針對農產品冷鏈物流[11]的需求量而言，可選取多個單一預測方式分別預測，但每種方式僅是在某個方向而言達到最佳，任意一種預測方案對農產品市場價格預測所參照的變量有限，則其分析的數據也有限。單個模型均存在假定基礎，但僅選用單一預測方式很難全面實現農產品市場狀態的預測[12]。各項預測方式均包含一些獨有的數據，若舍棄該類數據則資源不能夠被充分應用，而組合預測方法能夠結合單個預測方法的優點。

3.1 農產品冷鏈物流的單向預測方案選擇根據

農產品冷鏈物流單向預測方案需要依據實際信息完成測算，通過農產品冷鏈物流獲得農產品冷鏈變化模型，由圖3可知，水果與奶類呈持續增長趨勢，而肉類、蛋類和水產類的作用因子較多，肉類農產品在2006—2008年間產量不斷減少，而2008年之后不斷增加；蛋類在2006—2011年間銷量波動，2011年后穩定上漲；水產類在2009年前呈下降趨勢，2009—2012年間上升速度較快，2012年后產量發展穩定。但整體而言，和冷鏈關聯的商品銷量逐步增長。

對農產品冷鏈物流的作用因子[13]很多，但從國內經濟發展狀態而言，隨著經濟增長速率穩定提高，可選用延伸趨向策

略進行預測；從國內城鎮化的變化模式而言，其前期具有明顯的增長速率，因而本研究選用指數平滑方案完成預測；而神經網絡方案適合物流基礎設施的銷售預測。此外，農產品冷鏈物流和許多經濟標準存在關聯，本研究選用回歸預測[14]方案實現農產品冷鏈物流的線性關聯解析，并且得到未來的農產品冷鏈物流預測。在整個銷售模型中，存在很多不穩定因子，很難掌握全部信息，因而本研究采用灰色預測方式完成未知因子的測算。

3.2 農產品冷鏈物流預測方案具體分析

3.2.1 延伸趨向策略預測經濟增長速率下的農產品冷鏈物流 農產品冷鏈物流整體趨向隨時間變換而變化，因而需要搭建曲線預測模型，但僅采用單獨曲線數學模型不能夠展現農產品冷鏈物流狀態，本研究選用多曲線模型建模獲得農產品冷鏈物流最小偏差，表1為多曲線數學模型下的預測結果。endprint

由表1可知，采用二次擬合圖線能夠完成信息的最佳擬合，本研究獲得SPSS的二次曲線數學模型如表2所示。由于2017年數據在本研究時尚未統計出，因此僅給出預測數據。

3.2.2 指數平滑方案農產品冷鏈物流預測 本研究設定的初始結果采用SPSS給定，農產品冷鏈物流組合預測結果如表

3所示。在農產品冷鏈物流殘差值DFE=6的基礎下，若S0=502，St=ct-ct-1，St為二次平滑值，St-1為一次平滑值，ct為一次參量，ct-1為二次參量，Ft+m為各年度預測值，則各種農產品的預測結果如表3、表4所示。

3.2.3 神經網絡算法預測農產品冷鏈物流 國內農產品冷鏈物流和經濟發展水平有緊密的關聯，本研究選用神經網絡構建兩者中間的函數關聯，采用神經網絡的學習效率為efficiency=0.02，偏差值為direction=1×e-5，采用的測算獲得網絡構造為1-30-1，即給定節點值為1，隱含層次為30，給出節點結果為1，最后獲得農產品冷鏈物流預測值（表5）。

3.2.4 采用回歸方案實現農產品冷鏈物流預測 表6給出的農產品冷鏈物流預測的多元化回歸模型中，本研究將解釋參量融入回歸模型中，獲得和解釋參量關聯的因子，帶入解析式完成回歸解析值校驗。表7和表8則分別表示農產品冷鏈物流整體方差狀況和農產品冷鏈物流系數。

3.2.5 灰色預測方式完成農產品冷鏈物流測算 本研究通過2007—2016年的農產品冷鏈物流預測，搭建灰度預測體系，并選取Matlab程序完成測算，各個年度的預測結果和實際結果對比如表9所示。

3.3 正向權重組合預測法預測農產品冷鏈物流

根據“2”中給出的權重測算方法，給各個組合預測[15]中增加的系數參量分別是0.068、0.125、0.098、0.189、0.113、0.482，分別將正向權重組合預測法、延伸趨向策略、指數平滑方案、神經網絡算法預測、回歸方案和灰色預測方式表述為W、W1、W2、W3、W4、W5。W=0.068W1+0.125W2+0.098W3+0.189W4+0.113W5。（22）

由表10可知，通過正向權重組合預測所得的農產品冷鏈物流結果與實際結果接近。正向權重組合預測法綜合延伸趨向策略、指數平滑方案、神經網絡算法、回歸方案和灰色預測方式所得的預測結果和實際結果對照，偏差較小。

4 結論和推動農產品冷鏈物流發展的建議

4.1 結論

對農產品冷鏈物流的作用因子和需要考量的因素很多，本研究選用延伸趨向策略完成農產品冷鏈物流產量增長速率的預測；選用指數平滑方案并結合國內農產品冷鏈物流完成銷售預測；基于環境狀態結合神經網絡方案完成銷售預測。此外，由于農產品冷鏈物流和許多經濟標準存在關聯，本研究 表9 灰度預測算法估測農產品冷鏈物流億t 采用回歸預測方案實現農產品冷鏈物流的線性關聯解析。針對整個銷售模型中存在的很多不穩定因子，本研究采用灰色預測方式完成未知因子的測算。采用單項預測方案對農產品冷鏈物流的預測均存在一定偏差。本研究采用正向權重組合預測法綜合延伸趨向策略、指數平滑方案、神經網絡算法、回歸方案和灰色預測方式賦予權重，所得的預測結果和實際結果相比，偏差較小，所得的農產品冷鏈物流與實際結果對比更為接近。

4.2 推動農產品冷鏈物流發展的建議建議

4.2.1 把握農產品冷鏈物流的生命周期 發展冷鏈物流商品的品牌意識。商品生命周期主要包含商品從融入市場到商品退出市場的整體過程，傳統的商品銷售模式表現為S狀曲線，并且能夠劃分為4個時期，即帶入時期、生長時期、成熟時期以及衰落時期。針對農產品冷鏈物流的不同時期定制相應的營銷攻略，當某個品牌的冷鏈物流商品進入市場，即進入到帶入時期時，由于大眾對冷鏈物流商品缺乏了解，因而很少有顧客買入，處在該時期的生產行業應當增大商品宣傳力度，給消費者全新的認識；進入生長時期后，則應提升商品質量和新穎性，并且拓展冷鏈物流商品的覆蓋面，適當降低價格吸引客戶；在成熟、衰退時期時，則應當考量市場、商品以及銷售組合，推進商品售賣。

4.2.2 不斷優化冷鏈物流技術和基礎設施 農產品冷鏈物流是在供應和需求之間的不斷變動中發展的。在當前冷鏈物流技術尚未完善的狀態下，很多農產品的冷鏈作業較難實現，使得冷鏈農產品的保鮮不到位，并且帶來大量浪費。因此，下一步需要完善我國冷鏈物流技術和基礎設施。

4.2.3 充分應用農產品冷鏈物流品牌戰略 首先定位農產品冷鏈物流品牌的目標消費人群，例如針對老年人的秦巴山營養土雞蛋、針對孕婦的泰和烏雞、針對低端消費人群的常規冷鏈農產品、針對高品質生活人群的姜曲海綠色蔬菜；其次針對不同消費者進行農產品冷鏈物流定制，逐步將品牌深入到消費者心中，將品牌作為市場營銷的要點，不斷提升其競爭實力，并且轉變品牌以及商品在使用者心中的位置。

4.2.4 培育專業化的營銷團隊 嚴格把握招聘銷售團隊的關口，并且不斷增強對于市場營銷人員的職業化培訓，對銷售群體的出差報表、每日工作總結需要模式化和制度化，增強整個團隊的凝聚力，充分發揮個體的營銷特色。組織營銷團隊培訓，激發每個銷售人員的銷售熱情。此外，銷售經理應當成為企業中各個銷售團隊的核心，帶動整個團隊完成銷售業績。

4.2.5 搭建恒定的農產品冷鏈物流供需鏈 恒定的供需鏈對農產品冷鏈物流銷售非常重要，和廠家建立密切的合作關系，并且采用聯合銷售、個性化商品、數據分享以及訓練等方式構建銷售渠道同盟。通過與營銷商的合作共同推出增值業務、銷售服務、數據分享，實現與經銷商之間的互動。

4.2.6 順應農產品冷鏈物流的價格變化 價格的動態變化引發需求的變動，能夠反映需求對價格的敏感度，因而在商品定價時需要從不同季節和供需角度出發，從彈性的方向制定價值。農產品冷鏈物流的需求價值變動和農產品冷鏈需求之間成反比，和農產品冷鏈物流的替代作用成正比。對供不應求的農產品冷鏈物流，價格在一定區間內上漲，對其需求變化endprint

作用較小，但價值上漲到一定程度后，則對需求產生很強烈的抑制影響；對于供應大于需求的農產品冷鏈物流，價位降低能夠吸引低端消費者，從而不斷增加銷售額度，而要吸引高端消費者則需要不斷從農產品冷鏈物流各個方向進行創新。

參考文獻：

[1]Dorfman J H. Bayesian composite qualitative forecasting：hog prices again[J]. American Journal of Agricultural Economixs，1998，80（3）：543-551.

[2]Jaheen Z F. Bayesian prediction under a mixture of two-component Gompertz lifetime model[J]. Test，2003，12（2）：413-426.

[3]Enders W，Granger C W J. Unit-root tests and asymmetric adjustment with an example using the term structure of interest rates[J]. Journal of Business and Economic Statistics，1998，16（3）：304-311.

[4]安毅生，周 潔，楊臨澗，等. 基于時延賦色Petri網的交叉口群車輛旅行時間模糊預測[J]. 中國公路學報，2016，29（6）：243-252.

[5]紀愛兵，邱紅潔，谷銀山. 基于模糊訓練數據的支持向量機與模糊線性回歸[J]. 河北大學學報（自然科學版），2008，28（3）：240-243.

[6]肖進勝，劉恩雨，朱 力，等. 改進的基于卷積神經網絡的圖像超分辨率算法[J]. 光學學報，2017，37（3）：031801-9.

[7]張卓倫，宋福根. 基于預測包容的組合預測單項模型遴選算法[J]. 統計與決策，2009（18）：22-23.

[8]張寶琳，劉麗萍，魏 麗. 基于組合預測的供應鏈系統建模及其魯棒狀態反饋鎮定[J]. 控制與決策，2017，32（4）：695-702.

[9]徐 寧，殷海兵，郭龍盛. R-Q模型宏塊級精準度分析[J]. 電視技術，2012，36（15）：21-24.

[10]王 賀，胡志堅，陳 珍，等. 基于集合經驗模態分解和小波神經網絡的短期風功率組合預測[J]. 電工技術學報，2013，28（9）：137-144.

[11]符勇強，夏紹模，李昌健. 國內冷鏈物流學術研究的知識圖譜分析[J]. 鐵道運輸與經濟，2017，39（3）：68-73.

[12]朱 婧，范亞東，徐 勇. 基于改進GM（1，1）模型的中國大豆價格預測[J]. 大豆科學，2016，35（2）：315-319.

[13]鄒熾導，呂恩利，陸華忠，等. 基于ISM的荔枝冷鏈物流發展影響因素分析[J]. 保鮮與加工，2017，17（2）：114-119，125.

[14]李炳軍，李秋芳，盧秀霞. 灰色線性回歸組合模型在河南省糧食產量預測中的應用[J]. 河南農業科學，2009（10）：44-47.

[15]姚冠新，顧 晴. 基于經驗模態分解和支持向量機的農產品價格短期預測[J]. 江蘇農業科學，2014，42（9）：402-405. 唐春根，胡永盛. 江蘇省農業物聯網技術推廣成效[J]. 江蘇農業科學，2017，45（19）：346-349.endprint