生鮮農產品需求預測方法綜述

魏 鋒，郭校飛 WEI Feng, GUO Xiaofei

（廣西科技大學 經濟與管理學院，廣西 柳州 545006）

0 引 言

隨著消費水平的不斷提高，人民對生鮮農產品的需求也在不斷提升，希望在滿足量的基礎上也滿足質的要求。但生鮮農產品作為一種需求量大的易腐產品難以兼顧質量和成本，有效供給不足或過剩供給損耗不僅帶來經濟損失，更是會造成民眾信任度缺失。如何能夠使得生鮮農產品供需均衡就成為學界熱點問題，許多學者對此研究后發現，不確定性導致了供給不均衡，而需求預測可以有效減少不確定性。

需求預測是利用歷史數據，采用恰當的科學分析方法，得出需求期望水平。企業可以通過預測結論指導生產、經營等活動。粗放型經濟市場背景下，供給方占據主導地位，擴大產能才是研究的主流，而且數據分析方法的制約，導致很長時間采用基于統計學方法的需求預測。而隨著買方市場到來，其環境的復雜化和需求的多樣化給生鮮農產品市場帶來巨大的庫存壓力，常規的需求預測難以把握市場先機。因此，尋求數據處理更快、預測進度更高、泛化能力更強的預測模型成為當務之急。

1 生鮮農產品需求的預測方法

1.1 定性預測方法

定性預測法是指預測者依靠擁有豐富行業經驗及綜合分析能力的人員和專家，運用個人經驗和分析能力，考慮不可量化因素的影響，對數據進行收集、分析、討論和總結，進而綜合各方意見得到預測結果。目前較為常用的定性預測法有德爾菲法、評判意見法、主觀概率法等。

定性預測法依賴專家的直觀判斷，有如下優點：首先，預測結果是基于充分的信息分析判斷得出，能夠很好兼顧不可量化因素。其次，預測方法的制定者往往也是使用者，在預測過程中能夠找到關鍵問題。最后，偏向于事物發展在性質方面的預測，具有較強靈活性，在歷史數據較少的情況下，也能實現快速預測。相應的是定性預測法最大的缺點，即易受主觀因素影響，數量預測精準度不盡人意。生鮮農產品作為需求量大且易腐的商品，數量預測誤差背后是巨大的成本，因此在生鮮農產品預測中鮮有單獨使用定性預測法，而是將其作為定量預測法的輔助工具。

1.2 定量預測方法

定量需求預測是通過數學模型、統計方法或機器學習算法等手段來預測未來某個時間段內的需求量，其核心是通過歷史數據來預測未來的需求量。現常根據建模理念的不同，將定量預測區分為基于統計學的預測方法和基于機器學習的預測方法。基于統計學的預測方法傾向于找出變量間關系或從數據得出推論，而基于機器學習的預測方法則更傾向于數據預測的精準度。

1.2.1 基于統計學的預測方法

傳統的生鮮需求預測研究主要是基于統計學進行建模。研究通過數據分析變量間關系，建立合適的數學模型，進而探究其中的規律和趨勢。在數據分析階段，研究對象的不同導致使用統計學方法的不同，預測方法也基于此分為時間序列分析和因果分析兩類。

基于統計學的預測方法通過數據分析變量間關系，建立合適的數學模型，進而探究其中的規律和趨勢。在數據分析階段，研究的對象不同導致采用的統計學方法不同，因此預測方法也基于此分為時間序列分析和因果分析兩類。

（1） 時間序列分析

時間序列分析是基于數據分析，將數據分解為趨勢、周期、時期和不穩定性因素，研究其背后現象的變化規律，常用的時間序列方法包括ARIMA、指數平滑法、時間序列分解等。生鮮需求具有周期性等特點，同時歷史數據易得，因此時間序列模型常被用作生鮮的需求預測。楊浩雄、胡靜[1]為解決供需不平衡的問題，通過建立ARIMA 模型對生鮮需求進行預測，得到較好的短期預測結果。

時間序列方法使用數據少，且預測較依賴于近期數據，因此適合解決中短期的周期趨勢問題。但預測方法不考慮因果關系，預測結果僅為歷史數據的延伸，外界因素變動會導致預測出現較大誤差。

（2） 因果分析

因果分析作為對傳統的需求預測中因果關系的補充，可以清晰看出自變量對于需求的影響大小，方便調控變量以影響需求。丁松[2]分析生鮮農產品需求特點，決定以新鮮度和單位價格作為自變量，提出更加符合實際和有效的需求預測模型。李俊瑜[3]通過SWOT 法探析福建省生鮮物流現狀，以多元線性回歸構建物流需求模型，驗證正向影響生鮮物流需求的因素。

因果分析對變量篩選處理有很高的要求，如變量對需求的因果關系不清、變量間高度相關。這些都限制了因果分析在生鮮預測方面的應用，因此相關研究集中在需要調控變量的庫存決策中。

綜上，基于統計學的需求預測方法更傾向解釋變量關系，并不適用于周期短、波動大的生鮮預測研究，因此研究者提出預測精度更好的方法。

1.2.2 基于機器學習的預測方法

信息化時代給我們帶來海量信息，傳統的統計學方法無法準確區別其中噪聲和信息，且難以運算處理這些數據。而隨著算力和算法的突破，機器學習通過大量數據自主訓練模型，可以較好地提取特征，而且預測的精度更高，因此被廣泛應用到生鮮需求預測中。

常用的機器學習算法有神經網絡和支持向量機。徐曉燕等[4]構建多種神經網絡對山東省生鮮農產品需求進行預測，得出LSTM 模型準確率和性能更優的結論。張姣姣[5]去除自變量間的共線性，然后將提取的因子作為BP 神經網絡的輸入，發現改進后的模型收斂速度有顯著提升。王曉平、閏飛[6]將遺傳算法同BP 神經網絡結合，對北京生鮮農產品需求進行預測。呂旺[7]使用模糊信息粒化方法對生鮮銷量數據進行子序列劃分，改進后的支持向量機同ARIMA、BP 神經網絡和LSTM 對比，模型誤差更小。

就生鮮而言，單一預測方法中應用最為廣泛的是ARIMA 法和神經網絡法。兩者在處理短期預測方面都有著良好表現。但由于單一預測方法處理信息的局限性，長期預測結果和魯棒性并不理想。

1.3 組合預測

組合預測根據預測目標，對多種預測方法進行組合或改進，可以實現優勢的結合，提高模型預測的效果。因此現在生鮮需求預測研究多采用組合預測，王少然[8]以三個單項預測模型的預測作為輸入，建立支持向量回歸模型，對天津市生鮮農產品冷鏈物流發展進行研究。張繼良[9]通過Shapley 法對三種預測模型組合研究山東生鮮發展趨勢。張炎亮、代沛沛[10]對生鮮電商平臺評論提取感知影響因素，構建多變量支持向量回歸需求模型，結果更貼合實際需求。李宵香[11]通過Lasso 篩選影響較小的變量，構建Lasso-BP 神經網絡預測模型，針對新冠疫情常態化下的生鮮物流發展提出對策和建議。

2 生鮮需求預測發展趨勢

需求預測對我國生鮮行業發展起到了關鍵作用，但不可否認的是，短期內需求預測體系很難出現實質性的變革。現階段，研究更多考慮的是復雜環境下，如何處理模型中的不確定性和動態性因素。

（1） 組合預測方法是生鮮需求預測發展的主要方向。大量研究表明在面對復雜環境，組合預測模型一般比單一預測模型表現更優異。組合預測根據預測目標，對模型過程進行拆分，取每個環節的最優處理，然后再結合成整體，這樣在保證較高模型效果同時，還能有效降低系統風險。同時單一模型求最優解能力和對其他模型的修正能力逐漸被發現，有效提高了組合預測模型的精準度，極大地豐富了組合預測研究。

（2） 建立與經營管理相結合的預測模型。現有的需求預測模型評價是建立在檢驗集的擬合效果上的，短期都有著較高的精準度。但現實的需求有時間、成本、可得性等諸多限制因素，預測者難以篩選出關鍵影響因素，往往會導致模型脫離實際。管理者作為經營管理的決策者，有著豐富的經驗和分析能力，使得管理者參與模型建立，不僅可以準確把握影響因素，而且基于這些因素建立的模型通過指導管理者的決策，反饋到實際生產運營。

（3） 跨學科專業知識會對需求預測提供新的研究思路。隨著市場環境日趨復雜，被動的需求預測已經難以應對占據市場主導地位的消費者。因此通過跨學科知識，深入挖掘數據后的信息，建立以消費者需求為導向的需求預測的研究逐漸增多。比如學者們通過前景理論等組織行為學方法分析人的行為和心理，考慮非理性因素的影響，使得需求預測更貼合實際。

3 結束語

不確定性是影響需求的重要因素，而且銷售模式、商品特性等因素都為生鮮需求預測提出新的要求，通過精準需求預測降低成本仍是研究熱點。因此，本文對文獻進行整理，以期為后續研究發展提供新思路。