基于MIV-GA-BP 模型的农产品冷链物流需求预测

稳步推进冷链物流发展是乡村振兴战略的重要基石，能够促进农民增收，农产品高质量流通，改善城乡居民的生活质量。2021 年国务院办公厅印发《“十四五”冷链物流发展规划》，支持冷链物流企业发展，推进相关科技创新，提高服务质量，夯实物流基础。在冷链物流发展备受关注的环境下，研究需求预测能够有效保障冷链物流行业健康发展、合理资源配置、提升行业运行效率、适应经济社会发展的需要，又能为冷链物流发展政策的制定提供依据。

1 研究现状

灰色预测模型[1-2]、支持向量机[3-4]、BP 神经网络[5-6]、多元线性回归[7-8]等，这些是国内外学者在需求预测研究中常使用的方法，也是目前预测农产品冷链物流需求常见的方式。李小玲[9]使用灰色关联度分析筛选影响因素作为预测指标，采用GM (1,1)模型，对广东省生鲜农产品冷链物流需求进行预测；潘珠[10]在海南省的需求预测中，采用BP 神经网络；王晓平等[11]将支持向量机引入预测农产品冷链物流的研究中，预测了北京城镇的需求量；梁艳等[12]采用多元线性回归模型对天津市农产品冷链物流需求进行预测；李思聪等[13]采用灰色回归模型对全国冷链物流需求进行预测；还有不同组合预测模型[14-15]对各类冷链物流需求量的预测，研究结果表明了预测的可行性。

综上所述，研究农产品冷链物流需求预测获得了丰富的成果，但现有的研究还存在一定的不足，主要表现在：（1）需求系统非线性的特点导致一些模型预测精度不高，且影响因素众多增加了农产品冷链物流需求预测的复杂性。（2）冷链物流从20 世纪90 年代才得到快速的发展，产业基础设施相对落后，统计数据很不完善，预测研究多选取社会经济或物流业发展相关统计数据。（3）研究更多针对省市范围或某一生鲜产品的需求预测，全国范围的农产品冷链物流需求预测研究还较少，面对双循环的新发展格局，全国范围的冷链物流需求预测需加快开展。针对上述不足之处，系统归纳总结了22 个农产品冷链物流需求影响因素，使用MIV 算法筛选对冷链物流需求预测有较大影响的因素，将其数据整理后作为网络输入从而提高模型的精度。GA-BP 模型能够在保留BP 神经网络优势的基础上，进一步增加预测结果的准确性，避免预测陷入局部最优的状况，实现提升BP 神经网络预测精度的目的。

2 数据来源与处理

2.1 农产品冷链物流需求影响因素

影响农产品冷链物流需求的因素很多，结合农产品冷链物流领域已有的研究成果，并充分考虑各因素之间的相互关系，选取经济发展水平、供需水平、交通运输发展水平、冷链支撑条件、物流可持续发展水平等5 个一级指标，系统归纳筛选出22个二级指标，如表1 所示：

表1 冷链物流需求影响因素指标体系

2.2 数据来源

相关数据来源于2006 年到2021 年间的《中国统计年鉴》、《中国冷链物流发展报告》、《中国物流年鉴》以及相关网站的统计数据中直接引用或间接计算整理获取。一般以各类生鲜农产品的流通率乘以生鲜产品的产量加总或以人均生鲜农产品消费量乘以全国人口数量作为农产品冷链物流需求指标。由于冷链物流相关统计工作较为滞后，冷链流通率数据难以获取，数据准确性难以保证，因此研究采用主要生鲜农产品人均消费量乘以人口数量作为农产品冷链物流需求指标Y1万吨。部分指标数据存在缺失值，为保证数据的可靠性和口径一致性，对于样本缺失值使用GM (1,1)灰色预测，确保数据的完整性。

2.3 数据预处理

2.3.1 数据归一化处理

由于各个指标数据会因为量纲问题而造成较大的网络预测误差，采用归一化方法对初始数据进行无纲量化处理，取消各维数据间的数量级差别，提高训练速度和灵敏性。数据归一化算法为：

式中：x 为各指标原始数据，xmax与xmin为各指标原始中的最大值和最小值，y 为归一化处理后的数据。

2.3.2 基于MIV（平均影响值）的变量筛选

在使用各种神经网络对冷链物流需求进行预测的过程中，如何选择影响较大的指标作为自变量选入神经网络模型，是研究的关键之一。使用MIV 算法对神经网络变量进行筛选，跳出过往的研究中通过经验对自变量选择的局限性，有效提高神经网络的预测精度，从而使建立的神经网络变量更少、效果更好。MIV 值的绝对值越大，指标对输出结果的影响越明显，表明此指标越重要。

具体计算过程如下：

（1）使用原始数据训练一个正确的神经网络。

（2）在训练完成后，对训练样本X 进行变动，将X 中的各个指标数据加和减10%，形成两个新的样本X1和X2。

（3）将X1和X2重新输入到训练完成的神经网络中，得到变动后的两种结果P1和P2。

（4）求P1和P2的差值，为变动该自变量后对输出产生的影响变化值。

（5）将变化值按观测例数平均得出该自量对于应变量的MIV 值。

（6）根据上述计算过程，确定MIV 值绝对值大小，筛选出排名前十的影响因素指标如表2 所示，相关指标数据如表3 所示。

表2 MIV 值排名前十的指标

3 建立预测模型

3.1 确定BP 神经网络结构

BP 神经网络通过反向传播进行误差校正，是一种极为成熟的人工神经网络，在预测研究中发挥了很大的作用。根据研究数据集的复杂程度和已有研究结果表明一层隐含层就可满足预测需求即构建3 层神经网络模型。输入层、输出层由筛选出的预测影响因素指标确定节点个数，根据上述可知数值分别为10 和1。隐含层节点数无法直接获取，通常采用经验公式确定大概范围，将其作为选择参考，通过实验来确定最佳取值。经验公式为：

式中：k 为隐含层节点数；输入层、输出层节点数为m 和q；a 取0 到10 之间的常数。通过图1 可以确定当隐含层节点为11 时，对输出结果影响较小。

图1 预测均方误差与隐含层节点数关系

3.2 GA-BP 神经网络预测模型

BP 神经网络在各种需求预测中使用极为广泛，其结构简单，具备神经网络的普遍优点，有高度自学习和自适应能力，可操作性性能好。GA-BP 神经网络保留了BP 神经网络在预测研究中的优势，同时GA 算法有效弥补网络的缺点，避免了初始值选取对神经网络的训练结果造成影响。GA-BP 算法流程图如图2 所示。

图2 GA-BP 算法流程图

3.3 预测结果分析

选取2006 年到2015 年数据作为训练集，训练神经网络，2016 年到2021 年数据作为测试集验证神经网络的预测结果。将数据带入未经MIV 筛选的BP 神经网络、MIV-BP 神经网络和MIV-GA-BP 神经网络模型，3 种模型对农产品冷链物流需求预测结果的平均相对误差来衡量模型的预测性能。

由表4 可知，MIV-GA-BP 预测模型的预测误差明显更小，预测精度高达99.62%，结果表明该模型在生鲜农产品冷链物流的需求预测中能够达到想要的预测效果且与真实值保持较高的拟合度，具有较高的科学性和严谨性。为更直观反应3 种模型的拟合精度，预测结果对比图如图3 所示。

图3 各模型冷链物流需求量预测结果对比图

表4 各模型预测精度

根据构建的MIV-GA-BP 模型，结合历史数据及影响因素的预测结果，对2022 年到2026 年农产品冷链物流需求总量预测，预测值如表5 所示。

表5 2022—2026 年我国农产品冷链物流需求总量预测

4 结论

以农产品冷链物流需求为研究对象，归纳总结了22 个影响因素指标，对影响因素进行MIV 算法分析，筛选出对预测结果影响较大的10 个因素来进行需求预测。通过建立MIV-GA-BP 模型，利用我国农产品冷链物流相关历史数据进行分析，对比3种模型预测结果，得出MIV-GA-BP 模型的预测精度和稳定性明显更为优越，说明了模型对我国农产品冷链物流需求预测的有效性与可信度较高。该模型能够为农产品冷链物流需求预测提供一种较为精确的预测方法，为冷链物流研究提供预测参考。分析相关影响因素，结合未来5 年农产品冷链物流需求量明显的递增趋势，提出以下3 点建议：（1）强化冷链物流服务体系，建成符合我国国情和产业结构特点、适应经济社会发展需要的冷链物流体系。（2）提高农产品产地低温处理能力，扩大高品质生鲜农产品供给，支撑带动冷链物流产业做大做强做优。（3）加大冷链物流关键技术和先进装备研发力度，推动建立冷链物流统计评价体系，完善冷链物流标准体系。加大冷链物流专业人才培养力度，扩大冷链物流人才队伍。