基于權重分配組合法的農產品冷鏈物流需求趨勢預測

王秀梅

（中山大學南方學院 商學院，廣州 510970）

0 引言

在農產品物流需求預測方面，神經網絡法、灰色預測法、時間序列法、回歸分析法等方法不斷得到應用，而且也被證實了這些方法在預測上的可行性。王新利，趙琨（2010）[1]采用BP神經網絡法預測了我國農產品的物流需求；楊箏，曹志強，黎嘉慧（2017）[2]采用灰色GM（1，1）模型預測了廣西省農產品冷鏈物流的需求，而且經檢驗都顯示了這些方法具有較高的預測精度。隨著預測理論方法不斷改進，一些學者嘗試采用多種單項預測的組合方法進行預測分析[3-6]。但總體來說，采用組合預測的研究與單項預測相比仍占少數，而且組合預測究竟是否能有效提高精度，也沒有公論。在農產品冷鏈物流預測方面，也大多僅預測整體面上的需求量，而鮮有對農產品細分領域冷鏈物流需求的預測。為了在這些問題方面有所突破，本文設計了一種新的組合預測方法，預測我國農產品細分領域的冷鏈物流需求。

1 研究方法及樣本選擇

1.1 單項預測方法選擇

（1）偏最小二乘法（PLS）

偏最小二乘法（PLS）綜合了傳統的回歸分析、相關性分析和因子分析等統計方法，在預測上充分考慮了變量的多重共線性問題。偏最小二乘法的原理及模型步驟如下：

①設定一組自變量{x1，x2，…，xp}和因變量{y1，y2，…，yq}，觀測樣本序列為n，得到兩個矩陣X={x1，x2，…，xp}n×p，Y={y1，y2，…，yq}n×q。

②分別對X和Y按行進行標準化處理，然后分別提取X和Y的第一個主成分u1、v1。

③針對Y和X，對t1進行回歸，如果回歸結果的擬合優度達到預期，則結束，反之則進入下一步。

④分別提取X和Y的第二個主成分u2、v2，再針對Y和X，對t2進行回歸。

⑤重復步驟③和步驟④，直到模型擬合優度達到預測水平。

⑥假定X最后共提取m個主成分t1，t2，…，tm，將Y的每一列yk對t1，t2，…，tm做回歸，然后通過變換，得到yk關于{x1，x2，…，xp}的回歸方程：

（2）時間序列ARIMA法

時間序列ARIMA法主要通過時間序列的數據延續性，預測未來時間序列的變化趨勢。ARIMA（p，d，q）的基本模型如下：

其中，p為自回歸階數，q為移動平均階數，d為差分階數。

時間序列ARIMA法的基本步驟如下：

①通過單位根檢驗，檢查時間序列是否平穩。若平穩則進入下一步，若非平穩，則通過反復差分，直至得到平穩序列為止，差分階數為d。

②根據識別規則，通過自相關系數和偏相關系數的拖尾或截尾特點，確定p和q的值。于是根據式（2）估計參數。

③按照AIC和SC準則，確定p和q的最優值，根據式（2）估計參數。

④對殘差序列進行診斷，看是否平穩。若平穩則接受估計結果。

（3）二次指數平滑法

考慮到時間序列可能存在曲線型變化，引入二次指數平滑法進行單項預測。模型的基本原理和步驟如下：

①根據給定數據序列，計算一次平滑值：

其中，Sn(1)為一次平滑值，α為平滑常數，S0(1)取yt前三項的平均值。

②計算二次平滑值：

其中，Sn(2)為二次平滑值，S0(2)取St(1)前三項的平均值。

③計算兩個參數值：

④根據如下模型，計算自n年后第T年的預測值：

1.2 權重分配組合預測方法設計

為了使預測結果更加精確，需對以上三種單項預測方法謹慎地賦予權重值[7]。設第i種預測方法的權重為wi，向量xt的組合預測序列對應的誤差序列為et，誤差平方和為J，那么有：

通過對J進行目標優化，得到預測方法的權重：

1.3 樣本數據選擇

上世紀90年代以來農產品冷鏈物流在我國的發展基本上呈現了先緩后增再趨穩的態勢。考慮到時間序列的預測要注重就近原則，因此如果樣本時間序列的區間選得過大反而可能引起預測精度降低。綜合考慮，本文選取2007—2016年共十年的時間序列作為樣本。考慮到預測區間長短的適度性，選擇6年進行預測，即2017—2022年。

在我國農產品冷鏈物流需求量的指標選取方面，以往學者一般都直接采用農產品冷鏈物流量來分析。這樣的選取方法較為直觀，但直接采用實際冷鏈物流量來反映冷鏈物流需求，或許低估了我國農產品冷鏈物流需求的潛在空間[8]。原因有：第一，由于我國農村流通設施較為薄弱，在農產品冷鏈物流平臺、工具和人才方面供給不充分，這樣就限制了農產品冷鏈物流的供給水平，因而有一部分農產品無法順利通過冷鏈物流渠道進行流通貿易；第二，由于統計口徑約束，農產品冷鏈物流量的統計數據一般僅局限于開票的物流企業，以及農業或農產品加工業內部開票的物流活動，但事實上有一部分農產品冷鏈物流可能并沒有開票，因而這部分物流量未納入統計范圍，導致冷鏈物流量被低估。例如，2014年我國水產品的銷量約35億噸，但是冷鏈物流量僅不足5億噸，兩者差距較大。

基于此，本文選取農產品的銷量作為農產品冷鏈物流需求量的代替變量。這樣，一方面可以體現農產品冷鏈物流的需求空間，另一方面也可以反映特殊的農產品未來物流運輸的標準化提高，需通過冷鏈的都要通過冷鏈進行流通。在需要冷鏈的農產品類型上，主要包括水產品、肉禽、蛋、奶、蔬菜和水果等。為了便于分析，將這些農產品分為三類，即水產品、肉禽蛋奶類產品、果蔬產品。

2 需求量預測及趨勢分析

2.1 三種單項預測方法的農產品冷鏈物流需求量預測結果

（1）偏最小二乘法預測結果

首先，根據前面的偏最小二乘法模型框架，構建反映農產品冷鏈物流需求的計量模型。為了更加顯現出農產品冷鏈物流需求的產業結構性特征，在使用偏最小二乘法進行回歸時，分別將水產品、肉禽蛋奶類產品、果蔬類產品三者作為因變量，分別設為y1、y2、y3。為了綜合反映影響農產品冷鏈物流需求的因素，本文參考郭健，劉金培，任賀松等（2017）[3]的變量選擇方法，選取對應農產品的產量（x1）、GDP（x2）、居民消費水平（x3）、社會消費品零售額（x4）、農產品生產價格指數（x5）、貨運量（x6）共6個指標。

采用SIMCA-P軟件進行偏最小二乘法回歸，結果如下：

根據6個自變量2007—2016年的數值，根據以上3個回歸模型結果，分別預測2007—2016年我國水產品、肉禽蛋奶類產品、果蔬類產品的冷鏈物流需求量，并與實際值進行比較，測算預測精度。結果如表1所示。

表1 偏最小二乘法對農產品冷鏈物流需求量預測結果及精度

從表1的結果可知，偏最小二乘法對2007—2016年我國水產品冷鏈物流需求量的預測精度平均值為3.86%，對肉禽蛋奶類產品冷鏈物流需求量的預測精度平均值為3.32%，對果蔬類產品冷鏈物流需求量的預測精度平均值為3.41%。可見，無論是水產品、肉禽蛋奶類產品還是果蔬類產品，偏最小二乘法對其冷鏈物流需求量均有較高的預測精度。

根據6個自變量2007—2016年的變化趨勢，分別對各個變量2017—2022年的數值進行預測。然后，根據以上3個回歸模型結果，分別預測2017—2022年我國水產品、肉禽蛋奶類產品、果蔬類產品的冷鏈物流需求量，結果如表2所示。

表2 偏最小二乘法對未來農產品冷鏈物流需求量預測結果

（2）時間序列ARIMA法預測結果

根據前面的時間序列ARIMA法的模型，分別對2007—2016年我國水產品、肉禽蛋奶類產品、果蔬類產品的冷鏈物流需求量進行預測，并與實際值進行比較，測算其預測精度。結果如表3所示。

表3 時間序列ARIMA法對農產品冷鏈物流需求量預測結果及精度

從表3預測結果可知，ARMA法對2007—2016年水產品冷鏈物流需求量的預測精度平均值為4.21%，對肉禽蛋奶類產品冷鏈物流需求量的預測精度平均值為3.51%，對果蔬類產品冷鏈物流需求量的預測精度平均值為2.15%。

與偏最小二乘法相比，ARIMA法對水產品、肉禽蛋奶類產品冷鏈物流需求的預測精度均相對較低，但對果蔬類產品的預測精度較高。總體而言，ARIMA法對農產品冷鏈物流需求的預測精度也是較為理想的。

繼續使用這種方法，對2017—2022年我國各類農產品的冷鏈物流需求量進行預測，結果如表4。

表4 時間序列ARIMA法對未來農產品冷鏈物流需求量預測結果

（3）二次指數平滑法預測結果

根據二次指數平滑法預測模型，分別對2007—2016年我國水產品、肉禽蛋奶類產品、果蔬類產品的冷鏈物流需求量進行預測。根據反復試驗，發現α值取0.3時結果最優。計算預測結果及預測精度，結果如下頁表5所示。

比較發現，二次指數平滑法的預測精度相對前面兩種預測方法均表現出更高的水平。繼續根據模型，以2016年為基期進行時序增加，依次得到2017-2022年各類農產品冷鏈物流需求量的預測結果，如下頁表6所示。

2.2 權重分配組合預測法的農產品冷鏈物流需求量預測結果

根據式（9），將以上三種單項預測方法的結果帶入權重分配組合預測方法模型，求解得到偏最小二乘法、時間序列ARIMA法和二次指數平滑法的預測權重分別為0.3568、0.2556和0.3876。于是，通過加權平均，得到2007—2016年各類農產品冷鏈物流需求量的最終預測結果及預測精度，如下頁表7所示。

2.3 權重分配組合預測法的精度評判

比較表1、表3、表5和表7的預測精度可以發現，總體上券種分類組合法預測得到的農產品冷鏈物流需求量的預測精度要優于其余三種單項預測方法。

首先，無論是水產品、肉禽蛋奶類產品還是果蔬類產品，權重分配組合法對其冷鏈物流需求量的預測精度均要明顯高于偏最小二乘法和時間序列ARIMA法。由此可見，與這兩種單項預測方法相比，本文設計的權重分配組合法存在精度上的絕對優勢。

其次，與二次指數平滑法相比，權重分配組合法在肉禽蛋奶類產品冷鏈物流需求量的預測精度上要稍微偏弱，但是在水產品和果蔬類產品冷鏈物流需求量的預測精度上均要高于二次指數平滑法。因此，可以認為權重分類組合法相對更優。

2.4 未來趨勢分析

按照權重分配組合法的思路，綜合預測2017—2022年各類農產品冷鏈物流需求量，繪制得到未來變化趨勢，如圖1所示。

圖1 我國農產品冷鏈物流需求量的未來趨勢

由圖1可進一步看出，2007—2016年各類農產品冷鏈物流需求量的預測值與實際值保持了較高的貼合度，因此更加顯示了本文設計的預測方法具有較高的科學性和嚴謹性。

未來六年，我國農產品冷鏈物流需求量的變化趨勢具體如下：第一，總體上2017—2022年三類農產品冷鏈物流需求量均將保持持續增長的態勢，且增長趨勢基本都保持線性，說明我國未來農產品冷鏈物流的需求還有一定擴大空間。第二，從農產品結構來看，不同農產品冷鏈物流需求的增長速度存在一定差異。其中，肉禽蛋奶類產品增長相對最快，六年年均增長3.03%，2022年該產品冷鏈物流需求總量預計在20.7887億噸左右；果蔬類產品冷鏈物流需求增速次于肉禽蛋奶類產品，六年年均增長2.01%，2022年該產品冷鏈物流需求總量預計在13.7615億噸左右；水產類產品冷鏈物流需求增長最慢，六年年均增幅僅為1.63%，2022年該產品冷鏈物流需求總量預計在7.6103億噸左右。

表5 二次指數平滑法對農產品冷鏈物流需求量預測結果及精度

表6 二次指數平滑法對未來農產品冷鏈物流需求量預測結果

表7 權重分配組合預測法對農產品冷鏈物流需求量預測結果及精度

3 結論

未來幾年是我國農產品冷鏈物流發展的關鍵時期。本文通過一種基于目標優化的權重分配組合方法，集成了偏最小二乘法、時間序列ARIMA法和二次指數平滑法三種單項預測方法，通過這種組合預測法分別預測了我國水產品、肉禽蛋奶類產品和果蔬產品這三大類農產品的冷鏈物流需求趨勢。通過預測可以發現，權重分配組合法的預測精度要優于三種單項預測方法，這體現了本文設計的組合預測方法具有較好的應用前景。從預測趨勢來看，未來農產品冷鏈物流的需求還有一定提升空間，且基本保持線性增長趨勢。但即便增長趨勢存在，增長的幅度卻非常緩慢。對此，本文提出以下建議：第一，培育冷鏈物流企業，改善冷鏈物流設施，提高對冷鏈物流的承載能力；第二，鼓勵冷鏈物流創新，加快推進冷鏈物流的信息化、智能化，提高物流效率；第三，鼓勵發展現代農業，培育一批特色農產品，為冷鏈物流創造更大的實際需求。

參考文獻：

[1] 王新利,趙琨.基于神經網絡的農產品物流需求預測研究[J].農業技術經濟,2010,(2).

[2] 楊箏,曹志強,黎嘉慧.基于灰色預測法的廣西農產品冷鏈物流需求預測[J].物流工程與管理,2017,(9).

[3] 郭健,金培,任賀松等.我國農產品物流需求量組合預測分析——基于PLS、BP神經網絡和ARIMA模型的實證[J].佳木斯大學學報：自然科學版，2017,(5).

[4] 馮永巖.北京市農產品冷鏈物流需求預測研究[D].北京：華北電力大學碩士論文,2016.

[5] 劉麗艷,張啟波.基于支持向量機回歸的農產品物流需求預測[J].科技創新導報,2011,(25).

[6] 林明,楊林楠,彭琳,武爾維.基于BFGS-NARX神經網絡的農產品價格預測方法[J].統計與決策,2013,(16).

[7] Pournader M,T Akhavan A A,Baloh P.A Three-Step Design Science Approach to Develop a Novel Humanresource-Planning Framework in Projects:the Cases of Construction Projects in USA，Europe，and Iran[J].International Journalof Project Management,2015,(33).

[8] 毛敏,劉建,薄琳.物流需求的廣義集成預測法[J].統計與決策,2016,(24).