基于神經(jīng)網(wǎng)絡分析的北京城鎮(zhèn)農產品冷鏈物流需求預測

王曉平，閆 飛

（北京物資學院物流學院，北京 101149）

冷鏈農產品一般是初級農產品。近年來，以國內外市場需求為背景，從中央到地方都非常重視冷鏈物流體系建設，并提出一系列保障冷鏈物流健康、可持續(xù)發(fā)展的政策。2010年，國家發(fā)展改革委頒布《農產品冷鏈物流發(fā)展規(guī)劃》，指出2010—2015年我國農產品冷鏈物流發(fā)展的主要任務和重點工程。2015年，國家物流標準化技術委員會編制的《物流企業(yè)冷鏈服務要求與能力評估指標》《水產品冷鏈物流服務規(guī)范》《低溫倉儲作業(yè)規(guī)范》為農產品供應鏈的冷鏈物流提供了標準規(guī)范，對規(guī)范物流企業(yè)冷鏈服務水平具有重要的指導作用。2016年，李克強總理指出要突破冷鏈運輸滯后的“硬瓶頸”，建設農產品流通全程冷鏈系統(tǒng)，再次引起市場對冷鏈農產品的關注。此外，各省市也針對自身特點，提出相關解決冷鏈物流問題的措施。國外關于冷鏈物流的研究內容主要包括安全監(jiān)測、績效評價、信息化建設、供應鏈管理、影響因素研究[1-3]，但很少涉及農產品冷鏈物流需求預測的研究。國內的冷鏈物流業(yè)起步晚，相關研究主要集中在冷鏈物流產業(yè)的經(jīng)濟效益、基礎設施建設以及冷鏈產業(yè)規(guī)劃上，目前只有個別學者研究農產品冷鏈物流需求的預測方法。為此，我們基于前人對此的研究，并借鑒其他行業(yè)需求預測方法，從冷鏈物流的內涵、預測方法以及現(xiàn)有的農產品冷鏈物流預測3個方面進行相關研究，以期為提高冷鏈效率、保證食品安全，以及對農產品冷鏈物流合理規(guī)劃和政策制定提供依據(jù)。本研究指定冷鏈農產品的研究范圍包括水果、蔬菜、水產品、肉、蛋、奶。

1 相關研究概述

針對農產品冷鏈物流需求的內涵，王之泰[4]認為農產品冷鏈物流需求是指消費者對生鮮農產品的需求而產生的對具有冷藏環(huán)境的前端生產制造環(huán)節(jié)、后端消費運用環(huán)節(jié)和中間商流環(huán)節(jié)的需求。蘭洪杰等[5]認為，冷鏈物流需求是人們對冷凍冷藏食品需求而產生的對冷凍冷藏食品運輸、倉儲、裝卸搬運、流通加工、配送以及相關信息處理等物流活動的需要。朱坤萍等[6]認為，農產品冷鏈物流需求是消費者對水果、蔬菜、水產品、肉、禽、蛋等生鮮農產品的需求，從而產生對生鮮農產品在低溫控制下從產地到貯藏、運輸、分銷、加工、等環(huán)節(jié)的需求。

在需求預測研究中，F(xiàn)ang等[7]運用多維灰色模型進行道路運輸體系預測。Berechunan[8]利用人工神經(jīng)網(wǎng)絡模型對物流需求進行預測。Moore[9]運用基于定量分析的量子粒子群優(yōu)化（QPSOCM）算法對區(qū)域物流進行預測。國內進行需求預測以定量方法為主，主要包括馬爾科夫鏈[10]、支持向量機[11]、人工神經(jīng)網(wǎng)絡[12]、線性回歸[13]、GM（1，1）模型[14]等單一預測模型及其相關的組合預測模型。

在對農產品冷鏈物流需求進行預測的方法研究中，國外Bogata等[15]研究了易腐產品在冷鏈物流中的穩(wěn)定性，為更好地研究農產品物流需求奠定了基礎。Aggarwal[16]建立了一個確定最佳數(shù)量和最優(yōu)價格的決策模型，解決了冷鏈食品的運輸成本和需求關系問題。Flsieh等[17]借助農產品的供應量和需求量的相關指標，對農產品冷鏈物流需求進行了預測。國內對農產品冷鏈物流需求預測的模型主要包括BP人工神經(jīng)網(wǎng)絡[18]、灰色預測[19]、系統(tǒng)動力模型[20]。

上述研究為我們預測農產品冷鏈物流需求奠定了良好基礎，雖然目前需求預測模型的研究相對比較成熟，但是對農產品冷鏈物流需求進行的研究還缺乏一定科學性和準確性，存在的不足主要表現(xiàn)為：（1）由于農產品冷鏈物流發(fā)展起步較晚，相關的冷鏈需求統(tǒng)計數(shù)據(jù)很不完善，尤其是區(qū)域農產品冷鏈物流的統(tǒng)計數(shù)據(jù)，因此現(xiàn)有文章還沒有系統(tǒng)歸納和篩選農產品冷鏈物流需求的影響因素；（2）已有文獻沒有對農產品冷鏈物流需求的眾多復雜影響因素進行處理，導致影響指標之間存在共線性，且指標多而繁雜，影響預測精度；（3）傳統(tǒng)線性預測方法對樣本數(shù)據(jù)沒有學習過程，難以準確刻畫農產品冷鏈物流系統(tǒng)中的非線性關系，導致預測精度低。針對農產品冷鏈物流需求系統(tǒng)的特征，如具有非線性且受到多種因素的影響和制約等，本研究系統(tǒng)歸納篩選了農產品冷鏈物流發(fā)展的影響因素，并運用曲線估計方法對多個指標進行預測，后用主成分對指標進行降維分析，將主成分分析值作為神經(jīng)網(wǎng)絡的輸入值，最后采用Matlab軟件的BP神經(jīng)網(wǎng)絡和RBF神經(jīng)網(wǎng)絡模型工具箱分別對北京城鎮(zhèn)居民農產品冷鏈物流需求量進行模擬和仿真，得出最小的需求預測誤差，并對各個影響因素進行重要性分析，為冷鏈物流管理者提供科學的決策支持。

2 模型構建

2.1 灰色關聯(lián)分析

灰色關聯(lián)分析可以根據(jù)系統(tǒng)因素的變化態(tài)勢計算出各因素間的關聯(lián)度，計算步驟[21]如下：

設若干年前的農產品冷鏈物流需求量為原始數(shù)據(jù)，經(jīng)處理后生成參考數(shù)列：X0=[X0(1)，X0(2)，…X0(n)]；各影響因素指標數(shù)據(jù)生成的比較數(shù)列集：Xi=[Xi(1)，Xi(2)，…Xi(n)]（i=1，2，…m）。

ξ( K ) 為Xi對于X0在點K的關聯(lián)系數(shù)，ρ∈[0，1]。

各影響因素與需求間的關聯(lián)公式為：

γi值越大，表示比較數(shù)列和參考數(shù)列之間的關聯(lián)度越大。

2.2 BP神經(jīng)網(wǎng)絡簡介

BP神經(jīng)網(wǎng)絡是一類多層前饋神經(jīng)網(wǎng)絡，按照誤差的逆向傳播對網(wǎng)絡進行訓練，利用輸出后的誤差來估計輸出層前導層的誤差，并根據(jù)這個誤差計算上一層誤差，依次推算，得到各層的誤差估計[22]。BP神經(jīng)元所用的激活函數(shù)通常是Sigmoid函數(shù)。

BP神經(jīng)網(wǎng)絡以梯度下降法為基礎，通過在訓練學習過程中不斷調整權值和閾值，使得實際輸出值和真實值之間的誤差達到最小。其具體計算過程如下：

輸入：net=x1w1+x2w2+…xnwn

式中，xi為輸入值，wi為連接權值。

輸出：y=f（net）=1/（1+e-net）

輸出的導數(shù)：f ′（net=1/（1+e-net）-1/（1+e-net）2=y（1-y）

誤差函數(shù)：△y=|（y-y′）/y|

2.3 RBF神經(jīng)網(wǎng)絡簡介

RBF神經(jīng)網(wǎng)絡是前向型網(wǎng)絡，可以任意精度逼近任何函數(shù)，它由3層構成，包括輸入層、隱含層和輸出層，通常隱含層節(jié)點由像高斯函數(shù)的輻射狀作用函數(shù)構成，輸出層節(jié)點由簡單的線性函數(shù)構成[22]。

RBF神經(jīng)網(wǎng)絡學習算法需要求解3個參數(shù)：基函數(shù)的中心、方差和隱含層到輸出層的權值。本研究采取Sigmoid為激活函數(shù)：

權重系數(shù)調整公式為：

式中，Wj′為調整后的權重，ε為學習速率。

式中，Yhi為隱含層的第i個神經(jīng)元輸出值，Wji為隱含層第i個神經(jīng)元到輸出層第j個神經(jīng)元的權重。

2.4 預測精度評價

采用平均絕對誤差（MAE）、誤差均方根（RMSE）、平均絕對百分誤差（MAPE）3項指標評價模型預測的精度，計算公式如下：

3 實證分析

3.1 數(shù)據(jù)來源

本研究涉及到的數(shù)據(jù)是根據(jù)2000—2016年的《北京統(tǒng)計年鑒》《北京市冷鏈物流報告》《中國冷鏈物流發(fā)展報告》《中國統(tǒng)計年鑒》及相關網(wǎng)站中的數(shù)據(jù)直接引用或者間接計算得出，基于篇幅有限，省去數(shù)據(jù)處理過程。同時由于冷鏈的相關數(shù)據(jù)統(tǒng)計工作開始較晚，部分數(shù)據(jù)不可獲得，因此本研究根據(jù)數(shù)據(jù)的可獲得性、已有文獻的總結以及實踐中有可能影響北京農產品冷鏈物流的因素來整理查找影響指標，并統(tǒng)計相關數(shù)據(jù)。由于沒有相關部門統(tǒng)計北京農產品冷鏈物流需求量的實際數(shù)據(jù)，考慮到使用農產品冷鏈物流的需求者一般為城鎮(zhèn)顧客，故本研究使用北京城鎮(zhèn)常住人口數(shù)量和城鎮(zhèn)人均生鮮農產品消費量的積作為北京農產品冷鏈物流的需求量。

3.2 影響因素分析與選取

農產品冷鏈物流需求系統(tǒng)是一個非線性的復雜系統(tǒng)，需綜合考慮相關的經(jīng)濟、社會、人文、物流等多種影響因素，并充分考慮這些因素之間存在的聯(lián)系和制約關系。結合農產品冷鏈物流消費及需求領域的已有研究成果，在分析2000—2016年實際數(shù)據(jù)的基礎上，按照綜合性、可比性及可獲得性原則，對北京農產品冷鏈物流需求的主要影響因素進行歸納和篩選，包括以下5個方面：

策略：判斷通電螺線管中的電流方向或N極、S極，應根據(jù)“安培定則”和“異名磁極相互吸引”的特點，用右手握住螺線管，使四指彎曲與電流方向一致，那么大拇指所指的那一端是通電螺線管的N極。

3.2.1 農產品供給 農產品的有效供給能夠保障供應商有足夠的商品來滿足消費者的需求，同時保證農產品的價格在合理的層面，達到供需平衡、刺激消費，從而影響農產品冷鏈物流需求量。本研究在相關文獻的基礎上查找能夠影響農產品供給的影響指標，根據(jù)數(shù)據(jù)的可獲得性和對需求影響的相關程度，選取的農產品供給影響指標有北京市冷鏈食品的批發(fā)市場成交量、北京市農產品生產價格指數(shù)、北京市生鮮農產品年產量。

3.2.2 社會經(jīng)濟 冷鏈農產品的需求量，直接受制于社會經(jīng)濟的發(fā)展水平。本研究使用的社會經(jīng)濟指標有北京市社會商品零售額、北京市社會固定資產投資、北京市地區(qū)生產總值、北京市第三產業(yè)占比、北京市第一產業(yè)增加值。通過這5項指標可以較為準確全面地反映北京市的社會經(jīng)濟發(fā)展。根據(jù)表1可知，隨著社會經(jīng)濟的發(fā)展，北京市的社會商品零售額、社會固定資產投資、地區(qū)生產總值、第三產業(yè)占比、第一產業(yè)增加值逐年增加，年均增長率分別為14.19%、12.74%、14.22%、1.33%、4.00%。同時，2000—2016年間北京市農產品冷鏈物流需求量從314.27萬t增長到574.32萬t。農產品冷鏈物流需求量隨著經(jīng)濟增加而增加，說明二者之間存在正向影響關系。

3.2.3 冷鏈發(fā)展 選取北京市農產品冷鏈物流損失率、北京市冷庫容量、北京市冷鏈物流綜合流通率來衡量冷鏈物流的發(fā)展水平。由表1可知，近年來，北京市冷鏈發(fā)展迅速，農產品冷鏈物流損失率逐年遞減，由2000年冷鏈損失率為57.22%下降到2016年的23.80%，且至2016年，冷庫容量已增至125.18萬t，冷鏈物流流通率達到10.97%。冷鏈損失率的降低，冷庫容量和冷鏈流通率的上升，在拉動冷鏈物流業(yè)發(fā)展的同時，還刺激著農產品冷鏈物流需求的快速增長。

3.2.4 人文發(fā)展 人文的發(fā)展直接影響消費者對農產品冷鏈物流的需求。目前已有文獻都將人文資源作為影響需求預測的一個重要影響因素。本研究選取3個人文發(fā)展的影響指標，分別是北京市的城鎮(zhèn)居民人均消費支出、城鎮(zhèn)人口數(shù)量、第三產業(yè)從業(yè)人員。

3.2.5 物流需求規(guī)模 物流的發(fā)展水平反映了物流基礎設施、物流技術水平、供應量管理水平等物流發(fā)展的綜合能力。本研究選擇物流需求規(guī)模作為影響農產品冷鏈物流需求的影響因素之一，選取4個物流需求規(guī)模的影響指標，包括北京市的貨物運輸量、社會物流總費用、貨運周轉量、公路營運汽車擁有量。

除上述5個方面18個主要影響因素外，還有其他影響因素，如國家宏觀政策、冷藏設備和技術、冷鏈從業(yè)人員等，由于以下原因并未將這些影響因素考慮在內：（1）難以將國家的宏觀政策對農產品冷鏈物流的影響進行量化，導致沒有相關統(tǒng)計數(shù)據(jù)；（2）沒有相關機構對北京市的冷藏車數(shù)量及相關指標進行準確統(tǒng)計，故沒有相關數(shù)據(jù)；（3）冷鏈從業(yè)人員數(shù)會隨著冷鏈技術的提高而減少，又會隨著冷鏈產業(yè)規(guī)模的擴大而增加，因而并不能真正反映農產品冷鏈物流需求市場的供求關系。

3.3 因子預測

3.3.1 影響因素的關聯(lián)度分析 對表1數(shù)據(jù)進

行無量綱化處理（X=Xi/X1），并將北京生鮮農產品年需求量與18個影響因素進行灰色關聯(lián)度分析，結果（表2）顯示，這18個影響因素與生鮮農產品年需求量的關聯(lián)度排序為X13＞ X8＞X7＞X2＞ X18＞X11＞X3＞X15＞X14＞X17＞X9＞X10＞X12＞X1＞X5＞X4＞X6＞X16。在這 18 個指標中，有 17 個指標的關聯(lián)值均大于0.75，說明本研究中歸納和篩選的17個指標與北京市農產品冷鏈物流需求量之間都有較強的關聯(lián)度，適用于農產品冷鏈物流需求預測。其中社會物流總費用和生鮮農產品年需求量的關聯(lián)度為0.6，關聯(lián)值偏小，說明其對生鮮農產品年需求量影響較小，故將其舍去。

表1 2000—2016年北京市農產品冷鏈物流需求量及其影響因素統(tǒng)計

表2 北京市農產品冷鏈物流需求量與影響因素的灰色關聯(lián)度

3.3.2 主成分分析 應用SPSS軟件中的因子分析功能，從17個主要驅動因子中提取4個主成分（F1、F2、F3、F4），達到降維并去除因子共線性，累計貢獻率為98.55%，得到各主成分得分系數(shù)。

3.3.3 主因子預測 應用SPSS軟件中的曲線估計功能，構建17個主要驅動因子值與時序的最優(yōu)擬合方程，選取誤差最小的曲線擬合方程對主要因子值進行預測，然后結合成分得分系數(shù)反算出各個主成分得分預測值（表3）。

3.4 神經(jīng)網(wǎng)絡運算

由于模型的各輸入數(shù)據(jù)（4個主成分得分預測值）量綱不同，導致輸入的數(shù)據(jù)變動區(qū)間差別大，需對數(shù)據(jù)進行歸一化處理，防止小數(shù)值信息淹沒。歸一化操作按照下式處理：

表3 主成分得分預測值

式中，x′為歸一化后的數(shù)據(jù)，x為原始數(shù)據(jù)，xmin、xmax分別為原始數(shù)據(jù)中的最小值和最大值。

圖1 神經(jīng)網(wǎng)絡結構

3.4.1 BP神經(jīng)網(wǎng)絡精度檢驗及誤差分析 根據(jù)BP神經(jīng)網(wǎng)絡模型的原理，應用Matlab軟件中的feedforwardnet工具箱創(chuàng)建BP神經(jīng)網(wǎng)絡，并在不斷試驗后選擇trainlm函數(shù)作為訓練函數(shù)，輸入層的傳遞函數(shù)為tansig，隱含層的傳遞函數(shù)為purelin，最后使用sim函數(shù)對結果進行預測。

3.4.2 RBF神經(jīng)網(wǎng)絡精度檢驗及誤差分析 根據(jù)RBF神經(jīng)網(wǎng)絡模型的原理，應用Matlab軟件中的newrb工具箱創(chuàng)建RBF神經(jīng)網(wǎng)絡，經(jīng)過模型的多次試驗運行，設定網(wǎng)絡的均方誤差為0.04，徑向基函數(shù)的擴展速度為6，最后使用sim函數(shù)對結果進行預測。

由BP神經(jīng)網(wǎng)絡和RBF神經(jīng)網(wǎng)絡仿真結果（圖2）可知，這兩種神經(jīng)網(wǎng)絡的輸出都能夠很好地逼近北京城鎮(zhèn)居民農產品冷鏈物流需求量的真實值，即神經(jīng)網(wǎng)絡模型具有很好的擬合能力，兩種神經(jīng)網(wǎng)絡對2000—2015年的預測值見表4，2016—2020年的預測值與兩種預測方法的預測精度評價結果見表5。BP神經(jīng)網(wǎng)絡和RBF神經(jīng)網(wǎng)絡都有較好的預測精度，故選取兩者預測結果的平均值作為最終預測結果更加合理。

圖2 BP神經(jīng)網(wǎng)絡和RBF神經(jīng)網(wǎng)絡仿真結果

表4 神經(jīng)網(wǎng)絡預測農產品冷鏈物流需求量結果

表5 不同預測方法的預測值

由表5可知，2017—2020年北京城鎮(zhèn)居民農產品冷鏈物流需求預測為596.21萬～642.27萬t，需求持續(xù)增長，按照冷鏈這樣的發(fā)展規(guī)律，未來幾年內北京市農產品冷鏈物流需求的增加量必將給冷鏈物流系統(tǒng)造成巨大壓力，要使農產品冷鏈物流高質量、高效率運行，農產品冷鏈物流行業(yè)必將面臨嚴峻挑戰(zhàn)。

4 結論與建議

4.1 研究結論

本研究以北京市農產品冷鏈物流需求量為研究對象，以關聯(lián)度分析、BP神經(jīng)網(wǎng)絡、RBF神經(jīng)網(wǎng)絡以及預測精度評價模型為研究方法，得到了以下結論：

（1）將18個影響北京市農產品冷鏈物流需求的主要因素與北京市農產品冷鏈物流需求進行關聯(lián)度分析，結果表明，其中17個因素與北京市農產品冷鏈物流需求都有較高的關聯(lián)度，適用于北京市農產品冷鏈物流需求預測，其中北京市城鎮(zhèn)人口數(shù)量、第一產業(yè)增加值、第三產業(yè)占GDP比重與北京城鎮(zhèn)居民農產品冷鏈物流需求的關聯(lián)度最強，關聯(lián)度分別為0.987、0.982、0.965。

（2）分別運用主成分分析和RBF神經(jīng)網(wǎng)絡組合方法、主成分分析和BP神經(jīng)網(wǎng)絡組合方法，建立北京市農產品冷鏈物流需求預測模型，選取2000—2016年北京市農產品冷鏈物流需求相關數(shù)據(jù)進行分析，研究結果表明，神經(jīng)網(wǎng)絡模型根據(jù)已有數(shù)據(jù)的特征，反復修正參數(shù)、傳遞函數(shù)、隱含層數(shù)等，BP神經(jīng)網(wǎng)絡和RBF神經(jīng)網(wǎng)絡都得到較好的預測效果。根據(jù)預測精度評價與仿真結果發(fā)現(xiàn)，選取兩者的均值作為最終的預測結果較為科學。

（3）最終預測得到2017—2020年的北京市農產品冷鏈物流需求量分別為596.21萬t、611.81 萬 t、625.07 萬 t、642.27 萬 t。

主成分分析與神經(jīng)網(wǎng)絡結合的預測模型是在技術方法層面上對農產品冷鏈物流需求預測的一種新嘗試。但從實際結果也可以看出，由于農產品冷鏈物流需求同時受到政策、冷鏈技術等不可定量因素的影響，因此在實際使用中應在模型預測的基礎上根據(jù)實際情況進一步對模型進行參數(shù)調整，使預測的數(shù)據(jù)更符合實際需求。

4.2 農產品冷鏈物流發(fā)展的對策建議

（1）完善農產品物流基礎設施建設。基礎設施的完善可以提高農產品流通效率，進而增加農產品物流供給量。首先，需要冷鏈運輸?shù)霓r產品非常容易腐爛變質，在農產品流通中損耗率較高，然而目前北京市農產品冷鏈物流的覆蓋率低，要想降低農產品物流損耗，提高農產品物流供給，投資冷庫、冷凝機等冷鏈設備是促進冷鏈物流發(fā)展的關鍵。其次，農產品流通信息的及時更新將提升農產品流通速度和質量，提高農產品物流效率。建設北京市農產品物流信息平臺有助于解決農產品流通中信息不對稱的問題，實現(xiàn)各個節(jié)點之間的溝通和協(xié)調，增加農產品物流的有效供給。

（2）大力支持農產品物流企業(yè)的發(fā)展。農產品物流企業(yè)是農產品物流的執(zhí)行主體，是提高農產品供給能力的重點。農產品物流企業(yè)通過構建現(xiàn)代化農產品物流園區(qū)延伸其服務模式，除了提供倉儲、運輸、裝卸、配送等基礎服務，還具有網(wǎng)上交易、融資等傳統(tǒng)農產品物流企業(yè)不具備的增值服務，為農產品物流的發(fā)展創(chuàng)造了良好的環(huán)境。目前，北京市的傳統(tǒng)農產品批發(fā)市場較多，農產品物流園數(shù)量較少并且現(xiàn)代化程度較低，擴大農產品物流企業(yè)的規(guī)模，建設現(xiàn)代化綜合農產品物流園，創(chuàng)新農產品物流園的服務模式，能夠有效增加農產品物流供給量。

（3）加強政府宏觀調控。解決農產品流通中的問題有助于增加農產品物流供給，政府在提高農產品物流供給能力中扮演著同樣重要的角色。首先，農產品物流的發(fā)展需要資金的支持，成立農產品物流發(fā)展專項基金是可行的辦法之一。其次，政府可以培養(yǎng)相關農產品物流專業(yè)人才，通過提高專業(yè)人才的職業(yè)素質，增強云物流、物聯(lián)網(wǎng)等現(xiàn)代化技術在農業(yè)發(fā)展中的滲透。再次，政府可以對農產品流通中的相關主體給予適當補貼或者是稅收優(yōu)惠，支持農產品物流的發(fā)展。最后，政府可以制定合理的農產品物流產業(yè)法律法規(guī)，建立完善的農產品物流調控體系，從整體上把握農產品物流的發(fā)展方向，發(fā)揮監(jiān)督和規(guī)范的作用。