基于PCA-RBF神经网络模型的果蔬冷链物流需求预测

郭明德,李 红

(新疆农业大学 经济与贸易学院,新疆 乌鲁木齐 830052)

2017年,我国年人均GDP已达到8800多美元,根据美、日、欧盟等发达国家的冷链物流发展经验,当人均GDP达4000美元以后,居民对冷冻、冷藏食品的消费会逐步升级,在食品消费数量增加的同时,人们将更加关注食品安全与消费的多元化,如新鲜蔬菜、水果等消费增加。在此背景下,将会有更多的水果和蔬菜通过冷链物流系统配送到人们的餐桌,并推动冷链物流产业的发展。果蔬冷链物流需求信息是政府冷链物流规划的重要参考指标之一,同时也是相关冷链物流企业进行物流战略决策和市场需求分析的参考依据。因此,准确地进行果蔬冷链物流需求信息预测显得尤为重要。

关于物流需求信息预测的研究,Flsieh等(2011)对区域生鲜农产品的冷链物流需求进行了回归预测[1]。Eksoz(2014)应用灰色模型、神经网络模型及其组合模型,结合需求影响因素,预测了某地区铁路冷链物流的短期需求[2]。胡小建等(2017)采用MATLAB软件进行编程模拟,构建了物流需求多元非线性组合回归预测模型,研究显示:多元非线性组合回归预测模型的预测效果明显优于多元线性回归、指数平滑法、多项式拟合及非线性预测法[3]。鲁渤等(2017)借鉴引力模型思想,结合经济学等理论,构建了区域物流引力模型,并对内蒙古鄂尔多斯的物流需求进行了预测[4]。李晓利(2015)通过改进灰色系统与神经网络组合模型,构建了煤炭物流需求预测系统,其具有较高的预测精度,能满足煤炭物流需求预测的要求[5]。王帆(2015)构建了离差平方和最小的物流需求组合预测模型,并对物流需求预测中最主要的组合权重给出了统一的计算公式,最后对某电商企业的物流配送需求进行了计算[6]。戎陆庆(2017)应用灰色GM(1,1)模型,并用灰色关联法对广西果蔬冷链物流需求进行了预测[7]。

上述物流需求信息研究取得了较好的研究成果,为政府和物流企业提供了相关决策依据。但是冷链物流需求信息预测研究存在以下几个问题:一是关于果蔬冷链物流需求情报预测的文献较少;二是果蔬冷链物流需求信息的影响因素较多,如果采用多元线性回归、指数平滑法进行预测,则计算量大,较难进行准确预测;三是在对果蔬冷链物流需求信息进行预测时,仍然借用物流需求信息的影响因素,没有考量果蔬冷链物流需求信息与物流需求信息存在较大的差异。鉴于此,我们选取新的果蔬冷链物流需求信息影响因素,并采用PCA-RBF神经网络模型,对江西省的果蔬冷链物流需求信息进行了预测研究。

1 果蔬冷链物流需求信息预测

冷链物流需求信息预测模型有多种,应根据冷链物流需求预测的精度和时效要求来选择具体的预测模型。

1.1 用PCA确定果蔬冷链物流需求信息的主成分因子

PCA分析(主成分分析)是把一些具有复杂关系的因子变量归纳为少数几个因子变量的统计方法。PCA分析是对多维数据进行降维,即通过计算,将输入的m×n维数据矩阵,变换得到公式(1)的矩阵形式:

Y=(Y1,Y2,Y3,…,Yn)T=WTX

(1)

寻找一组新变量Y1,Y2,…,Yd(d≤n),使这组新变量彼此之间既相互独立又尽可能地表达原始变量X1,X2,…,Xn中包含的信息。

D(Yi)=D(WiTW)=WiTD(X)Wi=WiT∑Wi

(2)

COV(Yi,Yk)=COV(WiTX,WkTX)=WiTCOV(X,X)Wk=WiT∑Wk

(3)

公式(2)、(3)中,i、k∈[1,n]。求出相互独立的新变量Y1,Y2,…,Yd中的Wi,将提取出的几个主成分(指标)作为RBF神经网络的输入节点。

1.2 基于RBF的果蔬冷链物流需求信息预测模型

果蔬冷链物流需求信息的影响因素之间多为非线性关系,而RBF神经网络模型是由大量处理单元组成的非线性大规模自适应动力系统,由输入层、隐含层和输出层构成的RBF神经网络模型如图1所示[8]。RBF神经网络的基本思想是:逐步地将集中的影响因子XN输入到RBF函数f(x)中,根据输出结果和理想输出之间的差θ来调整网络中的Wi权值矩阵。基于RBF的果蔬冷链物流需求预测模型构建流程如下:将主成分分析(PCA)提取的果蔬冷链物流影响因子(X1,X2,…,X9)作为输入层；用Y表示果蔬冷链物流需求信息输出(图1)。

RBF神经网络模型向量表示为:

(4)

(5)

公式(4)、(5)中：Yj为第j年的果蔬冷链物流需求信息量;Wi为网络权值;θ为高斯函数的方差;Xn为第n个训练年份的数据；r2为样本数据与基函数中心的距离。

1.3 基于PCA-RBF模型的果蔬冷链物流需求信息预测思路

PCA-RBF神经网络模型(如图2)的原理是,将PCA和RBF神经网络模型的优势相结合,首先应用PCA模型对需求信息预测的原始数据进行主成分分析,提取影响因子的主变量,将主变量因子输入到RBF神经网络模型进行计算。PCA-RBF神经网络模型的优点是改变了RBF神经网络模型的输入节点数,由多个输入节点变为少数几个主因子输入节点。

2 果蔬冷链物流需求信息影响因素的分析与选取

果蔬产品具有易腐性与易损性,采后寿命较短,在流通过程中很容易发生衰老或者品质变化。随着消费者对果蔬品质要求的提升,果蔬冷链物流在整个果蔬流通体系中的重要性逐步提升,因此,果蔬冷链物流需求影响因素应考虑上述特征。从已有的研究物流需求信息文献来看,果蔬冷链物流需求信息的影响因素众多,由于研究者关注的视角不同,选取的影响因素也不同。综合已有研究文献，考虑果蔬冷链物流需求信息影响因素的重要性、相关性及数据的可得性等,同时考虑反映农产品冷链物流数据的客观性和可操作性及果蔬冷链物流最新发展动态,我们构建了新的果蔬冷链物流需求信息影响变量,选取宏观经济发展水平、物流交通、信息技术条件、物流可持续发展条件等3个方面的因素,作为果蔬冷链物流需求信息的主要影响因素变量,如表1所示。

图2 PCA-RBF神经网络模型

环境因素变量代号宏观经济发展水平GDP增长率/%X1第一产业增加值/亿元X2蔬菜种植总面积/万hm2X3居民食品消费价格指数X4交通、信息技术条件公路总里程/kmX5移动电话/万户X6载货汽车数/辆X7可持续发展条件年货运总量/万tX8交通基础设施投资额/亿元X9

2.1 果蔬冷链物流宏观经济发展水平

果蔬冷链物流宏观经济发展水平反映了区域果蔬冷链物流发展的宏观环境,对果蔬冷链物流的发展起着决定性的作用,包括国民生产总值(GDP)增长率(X1)、第一产业增加值(X2)、蔬菜种植总面积(X3)、居民食品消费价格指数(X4)这4个影响因子。

GDP增长率(X1)是衡量区域经济发展水平的指标之一,GDP增长率高低直接影响区域对果蔬冷链物流的需求。一般地,GDP增长率越高、区域经济增长越快,果蔬冷链物流服务需求就越大。第一产业增加值(X2)指农业部门在一定时期内的增加值。第一产业增加值包括果蔬产出供应量,进而对果蔬冷链物流需求产生影响,因此选取第一产业增加值作为果蔬冷链物流的影响因子。蔬菜种植总面积(X3)指全社会蔬菜有效种植面积,蔬菜种植面积越大,则蔬菜总产量越高，对冷链物流的需求就增加。居民食品消费价格指数(X4)决定了社会商品的流通,食品消费需求的增长会拉动对交通运输、仓储等物流服务的需求增加，同样也会引起果蔬冷链物流需求的增加。

2.2 果蔬冷链物流需求的交通、信息技术条件

果蔬冷链物流需求的交通、信息技术条件是指果蔬冷链物流的基础设施条件，主要包括公路通车总里程(X5)、移动电话用户数(X6)和载货汽车数(X7)这3个因子。

公路通车总里程X5,指用于能运输货物的道路(不含农村公路)的长度。道路越长,则表明物流的交通条件越发达。移动电话用户数(X6),该指标是衡量信息化程度的重要指标,移动电话数越多,表明该地区信息化程度越高。载货汽车数(X7),指能用于运输货物的车辆总数，车辆数越多,表明投入越多,运输能力越强。

2.3 果蔬冷链物流的可持续发展条件

果蔬冷链物流的可持续发展条件是指未来果蔬冷链需求的潜力条件，包括年货运总量(X8)和交通基础设施投资总额(X9)这2个因子。

年货运总量(X8)指各类运输企业在1年时间内实际运送的货物总量,是代表该地区物流业发达程度的重要指标之一。交通基础设施投资总额(X9)指用于交通基础设施(如高速公路、公路等)建设的资金,投资额度越大,交通条件越好,将越会促进冷链物流的发展。

3 果蔬冷链物流需求信息预测实证分析

本文选用了江西省2007～2017年的统计数据,数据来源于江西统计年鉴、中国统计年鉴、江西国民经济和社会发展公报。应用上述PCA和PCA-RBF神经网络模型进行实证运算,运算流程和结果如下。

3.1 基于PCA的果蔬冷链物流需求信息的影响因子分析

3.1.1 原始数据及数据预处理 原始需求信息预测数据见表2。为了消除不同量纲对计算造成的影响,采用SPSS 22.0软件,运用“标准化方法(ZScores’)”对原始需求预测信息数据进行标准化处理。

3.1.2 KMO和Bartlett 检验分析 将表2原始需求信息数据输入SPSS 22.0软件进行计算,计算结果如表3。若KMO值小于0.5,则表示各变量间的相关性程度低,各变量不适合做进一步分析;若KMO值在0.5～0.6之间,则表明各变量不太适合做进一步分析,计算效果较差;若KMO值在0.6～0.7之间,则各变量适合做进一步分析,计算效果可以；若KMO值大于0.7,则各变量适合做进一步分析,计算效果较好。表3中得到的KMO检验统计量值为0.743,大于0.7,表明果蔬冷链物流需求信息影响因子非常适合做进一步分析,效果极佳。此外，表2中Bartlett球形度检验统计量相应的伴随概率为0.000,小于显著性水平0.005。因此,认为果蔬冷链各影响因子之间存在显著相关性,说明计算结果有效。

表2 江西省果蔬冷链物流需求信息预测原始数据

注：数据来源于江西统计年鉴、中国统计年鉴、江西国民经济和社会发展公报(2007～2017年)。

表3 KMO和Bartlett检验结果

3.1.3 总方差分析 如表4所示，在初始时,提取的第一个主成分的特征值是7.714,方差贡献率是85.716%,说明第一个主成分反映了样本数据85.716%的有用信息；第二主成分至第四主成分的特征值分别为0.751、0.253和0.127,方差贡献率分别为8.340%、2.816%和1.415%,这4个主成分的累计方差贡献率为98.287%,说明前4个主成分表达了样本数据中98.287%的有效信息,其值大于95%,因此，可以选取前4个主成分，将GDP增长率(X1)、第一产业增加值(X2)、蔬菜种植面积(X3)、食品消费价格指数(X4)输入RBF神经网络模型进行果蔬冷链物流需求信息的预测。

3.2 基于PCA-RBF神经模型的果蔬冷链物流需求信息预测

应用PCA模型提取得到的2007～2017年的果蔬冷链物流影响因子作为样本集,2007～2013年作为训练集,2014～2017年作为检验集。应用SPSS 22.0中RBF神经网络作需求信息预测。预测结果如表5所示。

从表5可以看出,PCA-RBF和RBF神经网络模型都具有较好的果蔬冷链物流需求信息预测能力。但RBF神经网络模型的需求信息预测值最大误差达5.74%,且在测试样本区间内误差波动范围较大,而PCA-RBF神经网络模型的需求信息预测值的最大误差仅为0.49%,且在测试样本区间内需求信息值波动范围极小。对于各个测试样本点,PCA-RBF神经网络模型的信息预测精度明显高于单一RBF神经网络模型的,这说明所建立的PCA-RBF神经网络模型在需求信息预测能力上比RBF神经网络模型更具有优势。另外,在计算中发现,PCA-RBF神经网络模型的收敛速度快于RBF神经网络模型。这是因为PCA-RBF神经网络模型的拓扑结构更为简单,PCA-RBF神经网络的输入变量少于RBF神经网络模型,这也最终决定了PCA-RBF神经网络模型具有更快的收敛速度,以及较精确的需求信息预测能力。

表4 PCA解释的总方差

注：提取方法为主成分分析法。

4 结论与建议

4.1 结论与讨论

本研究结果表明：在影响果蔬冷链物流需求信息的9个主要因素中,GDP增长率X1、第一产业增加值X2、蔬菜种植面积X3和食品消费价格指数X4与果蔬冷链物流需求的关联度较强。针对区域果蔬冷链物流需求情报为非线性的特点,利用PCA模型和RBF神经网络模型的优点,构建了基于PCA-RBF的果蔬冷链物流需求信息预测模型,并通过对江西省2007～2017年果蔬冷链物流需求信息数据进行计算分析,验证了PCA-RBF神经网络信息预测模型的有效性。

表5 果蔬冷链物流原值与需求情报预测值比较

应用PCA模型对果蔬冷链物流需求的影响因子进行降维处理,不仅可以消除因子数据的重复信息,而且可以大幅度减少PCA-RBF神经网络模型的输入因子数量,简化网络拓扑结构,使PCA-RBF网络收敛速度加快。PCA与RBF神经网络模型结合提高了果蔬冷链物流需求信息预测的精度,为果蔬冷链物流需求信息预测提供了一个新的思路。该模型的不足之处是对输入的果蔬冷链物流需求信息数据的数量与质量要求较高。

4.2 政策建议

4.2.1 以市场需求为导向,规划果蔬冷链物流基础设施网络 加强对果蔬冷链物流基础设施建设的统筹与规划,逐步构建覆盖果蔬主要产地与消费地的冷链物流基础设施网络。加大对交通基础设施的投入力度,对冷链物流企业所购冷库、冷藏车进行相关补贴。

4.2.2 依托冷链物流技术，优化冷链物流作业流程，不断提高冷链物流的作业效率 以冷链物流技术进步为载体,积极研发和推广新技术(例如大数据技术、数据挖掘技术、区块链技术、物联网技术、冷库节能技术等)在果蔬冷链物流中应用；优化冷链物流与果蔬供应链中不合理的环节和流程,从而为提高冷链物流的管理水平、提高冷链物流的效率、降低冷链物流的成本、加快冷链物流速度提供必要的技术支撑。

4.2.3 提升冷链物流的信息化水平 信息化可以有效地提高冷链物流的管理水平，降低冷链物流的运营成本。冷链物流企业要应用先进的物流情报管理系统,这样不仅能实现对企业的商品信息进行有效的管理与跟踪,还能实现对用户需求信息的有效收集与挖掘,从而更好地对冷链物流需求信息进行预测,促进冷链物流的快速发展。