基于神经网络分析的北京城镇农产品冷链物流需求预测

王晓平，闫 飞

（北京物资学院物流学院，北京 101149）

冷链农产品一般是初级农产品。近年来，以国内外市场需求为背景，从中央到地方都非常重视冷链物流体系建设，并提出一系列保障冷链物流健康、可持续发展的政策。2010年，国家发展改革委颁布《农产品冷链物流发展规划》，指出2010—2015年我国农产品冷链物流发展的主要任务和重点工程。2015年，国家物流标准化技术委员会编制的《物流企业冷链服务要求与能力评估指标》《水产品冷链物流服务规范》《低温仓储作业规范》为农产品供应链的冷链物流提供了标准规范，对规范物流企业冷链服务水平具有重要的指导作用。2016年，李克强总理指出要突破冷链运输滞后的“硬瓶颈”，建设农产品流通全程冷链系统，再次引起市场对冷链农产品的关注。此外，各省市也针对自身特点，提出相关解决冷链物流问题的措施。国外关于冷链物流的研究内容主要包括安全监测、绩效评价、信息化建设、供应链管理、影响因素研究[1-3]，但很少涉及农产品冷链物流需求预测的研究。国内的冷链物流业起步晚，相关研究主要集中在冷链物流产业的经济效益、基础设施建设以及冷链产业规划上，目前只有个别学者研究农产品冷链物流需求的预测方法。为此，我们基于前人对此的研究，并借鉴其他行业需求预测方法，从冷链物流的内涵、预测方法以及现有的农产品冷链物流预测3个方面进行相关研究，以期为提高冷链效率、保证食品安全，以及对农产品冷链物流合理规划和政策制定提供依据。本研究指定冷链农产品的研究范围包括水果、蔬菜、水产品、肉、蛋、奶。

1 相关研究概述

针对农产品冷链物流需求的内涵，王之泰[4]认为农产品冷链物流需求是指消费者对生鲜农产品的需求而产生的对具有冷藏环境的前端生产制造环节、后端消费运用环节和中间商流环节的需求。兰洪杰等[5]认为，冷链物流需求是人们对冷冻冷藏食品需求而产生的对冷冻冷藏食品运输、仓储、装卸搬运、流通加工、配送以及相关信息处理等物流活动的需要。朱坤萍等[6]认为，农产品冷链物流需求是消费者对水果、蔬菜、水产品、肉、禽、蛋等生鲜农产品的需求，从而产生对生鲜农产品在低温控制下从产地到贮藏、运输、分销、加工、等环节的需求。

在需求预测研究中，Fang等[7]运用多维灰色模型进行道路运输体系预测。Berechunan[8]利用人工神经网络模型对物流需求进行预测。Moore[9]运用基于定量分析的量子粒子群优化（QPSOCM）算法对区域物流进行预测。国内进行需求预测以定量方法为主，主要包括马尔科夫链[10]、支持向量机[11]、人工神经网络[12]、线性回归[13]、GM（1，1）模型[14]等单一预测模型及其相关的组合预测模型。

在对农产品冷链物流需求进行预测的方法研究中，国外Bogata等[15]研究了易腐产品在冷链物流中的稳定性，为更好地研究农产品物流需求奠定了基础。Aggarwal[16]建立了一个确定最佳数量和最优价格的决策模型，解决了冷链食品的运输成本和需求关系问题。Flsieh等[17]借助农产品的供应量和需求量的相关指标，对农产品冷链物流需求进行了预测。国内对农产品冷链物流需求预测的模型主要包括BP人工神经网络[18]、灰色预测[19]、系统动力模型[20]。

上述研究为我们预测农产品冷链物流需求奠定了良好基础，虽然目前需求预测模型的研究相对比较成熟，但是对农产品冷链物流需求进行的研究还缺乏一定科学性和准确性，存在的不足主要表现为：（1）由于农产品冷链物流发展起步较晚，相关的冷链需求统计数据很不完善，尤其是区域农产品冷链物流的统计数据，因此现有文章还没有系统归纳和筛选农产品冷链物流需求的影响因素；（2）已有文献没有对农产品冷链物流需求的众多复杂影响因素进行处理，导致影响指标之间存在共线性，且指标多而繁杂，影响预测精度；（3）传统线性预测方法对样本数据没有学习过程，难以准确刻画农产品冷链物流系统中的非线性关系，导致预测精度低。针对农产品冷链物流需求系统的特征，如具有非线性且受到多种因素的影响和制约等，本研究系统归纳筛选了农产品冷链物流发展的影响因素，并运用曲线估计方法对多个指标进行预测，后用主成分对指标进行降维分析，将主成分分析值作为神经网络的输入值，最后采用Matlab软件的BP神经网络和RBF神经网络模型工具箱分别对北京城镇居民农产品冷链物流需求量进行模拟和仿真，得出最小的需求预测误差，并对各个影响因素进行重要性分析，为冷链物流管理者提供科学的决策支持。

2 模型构建

2.1 灰色关联分析

灰色关联分析可以根据系统因素的变化态势计算出各因素间的关联度，计算步骤[21]如下：

设若干年前的农产品冷链物流需求量为原始数据，经处理后生成参考数列：X0=[X0(1)，X0(2)，…X0(n)]；各影响因素指标数据生成的比较数列集：Xi=[Xi(1)，Xi(2)，…Xi(n)]（i=1，2，…m）。

ξ( K ) 为Xi对于X0在点K的关联系数，ρ∈[0，1]。

各影响因素与需求间的关联公式为：

γi值越大，表示比较数列和参考数列之间的关联度越大。

2.2 BP神经网络简介

BP神经网络是一类多层前馈神经网络，按照误差的逆向传播对网络进行训练，利用输出后的误差来估计输出层前导层的误差，并根据这个误差计算上一层误差，依次推算，得到各层的误差估计[22]。BP神经元所用的激活函数通常是Sigmoid函数。

BP神经网络以梯度下降法为基础，通过在训练学习过程中不断调整权值和阈值，使得实际输出值和真实值之间的误差达到最小。其具体计算过程如下：

输入：net=x1w1+x2w2+…xnwn

式中，xi为输入值，wi为连接权值。

输出：y=f（net）=1/（1+e-net）

输出的导数：f ′（net=1/（1+e-net）-1/（1+e-net）2=y（1-y）

误差函数：△y=|（y-y′）/y|

2.3 RBF神经网络简介

RBF神经网络是前向型网络，可以任意精度逼近任何函数，它由3层构成，包括输入层、隐含层和输出层，通常隐含层节点由像高斯函数的辐射状作用函数构成，输出层节点由简单的线性函数构成[22]。

RBF神经网络学习算法需要求解3个参数：基函数的中心、方差和隐含层到输出层的权值。本研究采取Sigmoid为激活函数：

权重系数调整公式为：

式中，Wj′为调整后的权重，ε为学习速率。

式中，Yhi为隐含层的第i个神经元输出值，Wji为隐含层第i个神经元到输出层第j个神经元的权重。

2.4 预测精度评价

采用平均绝对误差（MAE）、误差均方根（RMSE）、平均绝对百分误差（MAPE）3项指标评价模型预测的精度，计算公式如下：

3 实证分析

3.1 数据来源

本研究涉及到的数据是根据2000—2016年的《北京统计年鉴》《北京市冷链物流报告》《中国冷链物流发展报告》《中国统计年鉴》及相关网站中的数据直接引用或者间接计算得出，基于篇幅有限，省去数据处理过程。同时由于冷链的相关数据统计工作开始较晚，部分数据不可获得，因此本研究根据数据的可获得性、已有文献的总结以及实践中有可能影响北京农产品冷链物流的因素来整理查找影响指标，并统计相关数据。由于没有相关部门统计北京农产品冷链物流需求量的实际数据，考虑到使用农产品冷链物流的需求者一般为城镇顾客，故本研究使用北京城镇常住人口数量和城镇人均生鲜农产品消费量的积作为北京农产品冷链物流的需求量。

3.2 影响因素分析与选取

农产品冷链物流需求系统是一个非线性的复杂系统，需综合考虑相关的经济、社会、人文、物流等多种影响因素，并充分考虑这些因素之间存在的联系和制约关系。结合农产品冷链物流消费及需求领域的已有研究成果，在分析2000—2016年实际数据的基础上，按照综合性、可比性及可获得性原则，对北京农产品冷链物流需求的主要影响因素进行归纳和筛选，包括以下5个方面：

策略：判断通电螺线管中的电流方向或N极、S极，应根据“安培定则”和“异名磁极相互吸引”的特点，用右手握住螺线管，使四指弯曲与电流方向一致，那么大拇指所指的那一端是通电螺线管的N极。

3.2.1 农产品供给 农产品的有效供给能够保障供应商有足够的商品来满足消费者的需求，同时保证农产品的价格在合理的层面，达到供需平衡、刺激消费，从而影响农产品冷链物流需求量。本研究在相关文献的基础上查找能够影响农产品供给的影响指标，根据数据的可获得性和对需求影响的相关程度，选取的农产品供给影响指标有北京市冷链食品的批发市场成交量、北京市农产品生产价格指数、北京市生鲜农产品年产量。

3.2.2 社会经济 冷链农产品的需求量，直接受制于社会经济的发展水平。本研究使用的社会经济指标有北京市社会商品零售额、北京市社会固定资产投资、北京市地区生产总值、北京市第三产业占比、北京市第一产业增加值。通过这5项指标可以较为准确全面地反映北京市的社会经济发展。根据表1可知，随着社会经济的发展，北京市的社会商品零售额、社会固定资产投资、地区生产总值、第三产业占比、第一产业增加值逐年增加，年均增长率分别为14.19%、12.74%、14.22%、1.33%、4.00%。同时，2000—2016年间北京市农产品冷链物流需求量从314.27万t增长到574.32万t。农产品冷链物流需求量随着经济增加而增加，说明二者之间存在正向影响关系。

3.2.3 冷链发展 选取北京市农产品冷链物流损失率、北京市冷库容量、北京市冷链物流综合流通率来衡量冷链物流的发展水平。由表1可知，近年来，北京市冷链发展迅速，农产品冷链物流损失率逐年递减，由2000年冷链损失率为57.22%下降到2016年的23.80%，且至2016年，冷库容量已增至125.18万t，冷链物流流通率达到10.97%。冷链损失率的降低，冷库容量和冷链流通率的上升，在拉动冷链物流业发展的同时，还刺激着农产品冷链物流需求的快速增长。

3.2.4 人文发展 人文的发展直接影响消费者对农产品冷链物流的需求。目前已有文献都将人文资源作为影响需求预测的一个重要影响因素。本研究选取3个人文发展的影响指标，分别是北京市的城镇居民人均消费支出、城镇人口数量、第三产业从业人员。

3.2.5 物流需求规模 物流的发展水平反映了物流基础设施、物流技术水平、供应量管理水平等物流发展的综合能力。本研究选择物流需求规模作为影响农产品冷链物流需求的影响因素之一，选取4个物流需求规模的影响指标，包括北京市的货物运输量、社会物流总费用、货运周转量、公路营运汽车拥有量。

除上述5个方面18个主要影响因素外，还有其他影响因素，如国家宏观政策、冷藏设备和技术、冷链从业人员等，由于以下原因并未将这些影响因素考虑在内：（1）难以将国家的宏观政策对农产品冷链物流的影响进行量化，导致没有相关统计数据；（2）没有相关机构对北京市的冷藏车数量及相关指标进行准确统计，故没有相关数据；（3）冷链从业人员数会随着冷链技术的提高而减少，又会随着冷链产业规模的扩大而增加，因而并不能真正反映农产品冷链物流需求市场的供求关系。

3.3 因子预测

3.3.1 影响因素的关联度分析 对表1数据进

行无量纲化处理（X=Xi/X1），并将北京生鲜农产品年需求量与18个影响因素进行灰色关联度分析，结果（表2）显示，这18个影响因素与生鲜农产品年需求量的关联度排序为X13＞ X8＞X7＞X2＞ X18＞X11＞X3＞X15＞X14＞X17＞X9＞X10＞X12＞X1＞X5＞X4＞X6＞X16。在这 18 个指标中，有 17 个指标的关联值均大于0.75，说明本研究中归纳和筛选的17个指标与北京市农产品冷链物流需求量之间都有较强的关联度，适用于农产品冷链物流需求预测。其中社会物流总费用和生鲜农产品年需求量的关联度为0.6，关联值偏小，说明其对生鲜农产品年需求量影响较小，故将其舍去。

表1 2000—2016年北京市农产品冷链物流需求量及其影响因素统计

表2 北京市农产品冷链物流需求量与影响因素的灰色关联度

3.3.2 主成分分析 应用SPSS软件中的因子分析功能，从17个主要驱动因子中提取4个主成分（F1、F2、F3、F4），达到降维并去除因子共线性，累计贡献率为98.55%，得到各主成分得分系数。

3.3.3 主因子预测 应用SPSS软件中的曲线估计功能，构建17个主要驱动因子值与时序的最优拟合方程，选取误差最小的曲线拟合方程对主要因子值进行预测，然后结合成分得分系数反算出各个主成分得分预测值（表3）。

3.4 神经网络运算

由于模型的各输入数据（4个主成分得分预测值）量纲不同，导致输入的数据变动区间差别大，需对数据进行归一化处理，防止小数值信息淹没。归一化操作按照下式处理：

表3 主成分得分预测值

式中，x′为归一化后的数据，x为原始数据，xmin、xmax分别为原始数据中的最小值和最大值。

图1 神经网络结构

3.4.1 BP神经网络精度检验及误差分析 根据BP神经网络模型的原理，应用Matlab软件中的feedforwardnet工具箱创建BP神经网络，并在不断试验后选择trainlm函数作为训练函数，输入层的传递函数为tansig，隐含层的传递函数为purelin，最后使用sim函数对结果进行预测。

3.4.2 RBF神经网络精度检验及误差分析 根据RBF神经网络模型的原理，应用Matlab软件中的newrb工具箱创建RBF神经网络，经过模型的多次试验运行，设定网络的均方误差为0.04，径向基函数的扩展速度为6，最后使用sim函数对结果进行预测。

由BP神经网络和RBF神经网络仿真结果（图2）可知，这两种神经网络的输出都能够很好地逼近北京城镇居民农产品冷链物流需求量的真实值，即神经网络模型具有很好的拟合能力，两种神经网络对2000—2015年的预测值见表4，2016—2020年的预测值与两种预测方法的预测精度评价结果见表5。BP神经网络和RBF神经网络都有较好的预测精度，故选取两者预测结果的平均值作为最终预测结果更加合理。

图2 BP神经网络和RBF神经网络仿真结果

表4 神经网络预测农产品冷链物流需求量结果

表5 不同预测方法的预测值

由表5可知，2017—2020年北京城镇居民农产品冷链物流需求预测为596.21万～642.27万t，需求持续增长，按照冷链这样的发展规律，未来几年内北京市农产品冷链物流需求的增加量必将给冷链物流系统造成巨大压力，要使农产品冷链物流高质量、高效率运行，农产品冷链物流行业必将面临严峻挑战。

4 结论与建议

4.1 研究结论

本研究以北京市农产品冷链物流需求量为研究对象，以关联度分析、BP神经网络、RBF神经网络以及预测精度评价模型为研究方法，得到了以下结论：

（1）将18个影响北京市农产品冷链物流需求的主要因素与北京市农产品冷链物流需求进行关联度分析，结果表明，其中17个因素与北京市农产品冷链物流需求都有较高的关联度，适用于北京市农产品冷链物流需求预测，其中北京市城镇人口数量、第一产业增加值、第三产业占GDP比重与北京城镇居民农产品冷链物流需求的关联度最强，关联度分别为0.987、0.982、0.965。

（2）分别运用主成分分析和RBF神经网络组合方法、主成分分析和BP神经网络组合方法，建立北京市农产品冷链物流需求预测模型，选取2000—2016年北京市农产品冷链物流需求相关数据进行分析，研究结果表明，神经网络模型根据已有数据的特征，反复修正参数、传递函数、隐含层数等，BP神经网络和RBF神经网络都得到较好的预测效果。根据预测精度评价与仿真结果发现，选取两者的均值作为最终的预测结果较为科学。

（3）最终预测得到2017—2020年的北京市农产品冷链物流需求量分别为596.21万t、611.81 万 t、625.07 万 t、642.27 万 t。

主成分分析与神经网络结合的预测模型是在技术方法层面上对农产品冷链物流需求预测的一种新尝试。但从实际结果也可以看出，由于农产品冷链物流需求同时受到政策、冷链技术等不可定量因素的影响，因此在实际使用中应在模型预测的基础上根据实际情况进一步对模型进行参数调整，使预测的数据更符合实际需求。

4.2 农产品冷链物流发展的对策建议

（1）完善农产品物流基础设施建设。基础设施的完善可以提高农产品流通效率，进而增加农产品物流供给量。首先，需要冷链运输的农产品非常容易腐烂变质，在农产品流通中损耗率较高，然而目前北京市农产品冷链物流的覆盖率低，要想降低农产品物流损耗，提高农产品物流供给，投资冷库、冷凝机等冷链设备是促进冷链物流发展的关键。其次，农产品流通信息的及时更新将提升农产品流通速度和质量，提高农产品物流效率。建设北京市农产品物流信息平台有助于解决农产品流通中信息不对称的问题，实现各个节点之间的沟通和协调，增加农产品物流的有效供给。

（2）大力支持农产品物流企业的发展。农产品物流企业是农产品物流的执行主体，是提高农产品供给能力的重点。农产品物流企业通过构建现代化农产品物流园区延伸其服务模式，除了提供仓储、运输、装卸、配送等基础服务，还具有网上交易、融资等传统农产品物流企业不具备的增值服务，为农产品物流的发展创造了良好的环境。目前，北京市的传统农产品批发市场较多，农产品物流园数量较少并且现代化程度较低，扩大农产品物流企业的规模，建设现代化综合农产品物流园，创新农产品物流园的服务模式，能够有效增加农产品物流供给量。

（3）加强政府宏观调控。解决农产品流通中的问题有助于增加农产品物流供给，政府在提高农产品物流供给能力中扮演着同样重要的角色。首先，农产品物流的发展需要资金的支持，成立农产品物流发展专项基金是可行的办法之一。其次，政府可以培养相关农产品物流专业人才，通过提高专业人才的职业素质，增强云物流、物联网等现代化技术在农业发展中的渗透。再次，政府可以对农产品流通中的相关主体给予适当补贴或者是税收优惠，支持农产品物流的发展。最后，政府可以制定合理的农产品物流产业法律法规，建立完善的农产品物流调控体系，从整体上把握农产品物流的发展方向，发挥监督和规范的作用。