广东省水产预制菜冷链物流需求分析及预测

徐超毅 胡望敏

摘要：为预测广东省水产预制菜冷链物流的市场需求，从区域经济发展水平、市场供需水平、交通运输水平、冷链技术水平4个方面构建水产预制菜冷链物流需求评价指标，采用灰色关联分析法研究影响水产预制菜冷链物流需求变化的主要因素，分别采用灰色模型（grey model，GM）中的一阶一元微分方程GM（1，1）与长短时记忆（long short-term memory，LSTM）神经网络对比分析2015—2021年广东省水产预制菜冷链物流需求。结果表明：影响广东省水产预制菜冷链物流需求发展的主要影响因素为货物周转量和冷链冷藏水平；GM（1，1）、LSTM神经网络预测结果的平均相对误差分别为2.68%、0.22%，后者的预测准确度明显优于前者；采用LSTM神经网络预测2022—2024年广东省水产预制菜冷链物流需求，广东省水产预制菜需求呈上升趋势，预计2024年将达到509.09 万t。广东省应立足冷链基础设施建设，确保贮藏、运输过程中水产预制菜温度稳定，加强水产预制菜食品监督，保证食品质量安全，不断促进水产预制菜冷链产业的发展。

关键词：水产预制菜；冷链物流需求；GM（1，1）；LSTM神经网络；灰色关联分析

中图分类号：U16;F326.4文献标志码：A文章编号：1672-0032（2024）02-0082-07

引用格式：徐超毅，胡望敏.广东省水产预制菜冷链物流需求分析及预测［J］.山东交通学院学报，2024，32（2）：82-88.

XU Chaoyi， HU Wangmin. Analysis and forecast of cold chain logistics demand for aquatic pre-made dishes in Guangdong Province［J］.Journal of Shandong Jiaotong University，2024，32（2）：82-88.

0 引言

预制菜是指采用现代标准化流水作业，对菜品原料进行前期加工，经卫生、科学的封装后售卖的半成品菜，消费者只需通过简单加热或蒸炒等方式可直接食用[1]。预制菜的主要原材料之一是水产品[2]。广东省是全国水产养殖大省，海产品产量和水产品产量位居全国前列，广东省制定了一系列保障预制菜产业高质量发展的措施，积极推动预制菜市场发展[3]。消费者比较关注水产预制菜的新鲜度、口感及营养成分保留，但在运输过程中需保鲜、防止腐变、管理技术密集等特点阻碍水产预制菜跨地域流通发展。因此，研究广东省水产预制菜冷链物流需求及影响因素有重要的现实意义。

近年来，学者采用多种模型预测物流需求。朱梦琳[4]采用灰色模型（grey model，GM）中的一阶一元微分方程GM（1，1）预测内江市物流需求，预测结果的平滑性较好，可有效反映内江市物流需求的整体变化趋势；卢尔赛等[5]将GM（1，1）和自回归移动平均（autoregressive integrated moving average，ARIMA）模型组合，预测浙江省砂石骨料的物流需求，预测结果表明组合预测模型的预测精度比单一GM（1，1）高；Xu等[6]采用有双层结构的新型灰色预测模型分析2021—2025年我国冷链物流需求的变化趋势；Zeng等[7]采用有弱化缓冲算子的GM（1，1）预测广东省农村物流需求，匹配性和预测精度较好；黄永福[8]采用GM（1，N）预测广东省货运量，通过残差检验及后验差检验表明模型的预测精度为I级（优）；陈一村等[9]提出基于灰色关联理论、遗传算法和反向传播神经网络（grey relational analysis-genetic algorithm-back propagation，GRT-GA-BP）算法的货运需求预测模型，识别影响城市地下物流系统货运需求的关键因素，以北京市某新区为例进行仿真计算，为城市地下物流系统的规划设计提供数据基础；Ya[10]设计并应用基于系统序参量的多元回归和自适应权重反向传播神经网络（adaptive weight-back propagation，AW-BP）预测方法，最大限度地减少数据缺失对预测结果的负面影响；Liu等[11]建立二次指数平滑模型预测京津冀区域一体化下鲜活农产品冷链物流需求；Ren等[12]分析冷链需求潜在因素与区域农产品冷链物流需求的内在关联性，建立分数阶累加GM（1，N），预测京津冀农产品冷链物流需求，预测精度较高；李隽波等[13]采用多元线性回归分析法预测我国水产品冷链物流需求；李敏杰等[14]采用径向基函数（radial basis function，RBF）神经网络、反向传播（back propagation，BP）神经网络、多元线性回归模型和GM（1，1）预测我国水产品冷链物流需求，结果表明RBF神经网络对水产品冷链物流需求的预测精度显著优于其他预测方法；王晓平等[15]通过遗传BP神经网络预测北京城镇农产品冷链物流需求；李义华等[16]以冷链流通量作为度量指标，构建滑动无偏灰色预测模型预测相关经济区域的冷链物流需求。已有研究多采用GM（1，1）预测农产品或水产品的冷链物流需求，对目前冷链物流市场新兴且需求量较大的预制菜需求预测较少。长短时记忆（long short-term memory，LSTM）神经网络是一种改进的循环神经网络（recurrent neural network，RNN），通过门控机制丢弃或增加信息，实现遗忘或记忆功能，能有效解决RNN的梯度爆炸和梯度消失问题，多用于计算机、工业信息等领域，在冷链物流需求预测中使用较少。

本文以广东省水产预制菜冷链物流需求为研究对象，构建水产预制菜冷链物流需求评价指标，通过灰色关联度分析影响水产预制菜冷链物流需求的主要因素，分别采用GM（1，1）和LSTM神经网络预测广东省水产预制菜冷链物流需求，为广东省水产预制菜冷链物流发展提供数据支持。

1 水产预制菜冷链物流需求影响因素

1.1 评价指标选取

冷链物流需求受产品供给水平、区域经济环境、冷链物流发展水平、社会人文环境等多种因素影响[17]。考虑评价指标的系统性、可操作性和重要性，选取区域经济发展水平、市场供需水平、交通运输水平、冷链技术水平4个一级指标，在一级指标下细分14个二级指标建立广东省水产预制菜冷链物流需求的评价指标[18]。水产预制菜冷链物流需求评价指标如图1所示。

1.2 灰色关联分析

根据系统中各要素间发展趋势的类似程度，采用灰色关联分析衡量各要素间的关联度[19]。通过比较参考序列和比较序列的变化趋势判定二者间的关系，二者变化形状越相似，关联度越大。

1）确定分析数列。反映系统行为特征的数据序列为参考数列

Y={y（k）|k=1，2，…，n}，

式中：y（k）为第k个参考数据，n为参考数据序列长度。

影响系统行为的因素数据序列为比较数列，第i个比较数列

Xi={xi（k）|k=1，2，…，n}，i=1，2，…，m，

式中：xi（k）为第i个评价指标序列中第k个比较数据，m为评价指标数。

2）数据无量纲化处理。系统中各因素的物理意义不同，数据的量纲不同，为方便进行分析和比较，需对原始数据进行无量纲化处理，xik无量纲化值

x′i（k）=［xi（k）－min xi（k）］/［max xi（k）－min xi（k）］。

3）计算关联系数。计算比较数列与参考数列对应元素的关联系数

ξi（k）=miniminky′（k）－x′i（k）+ρmaximaxky′（k）－x′i（k）y′（k）－x′i（k）+ρmaximaxky′（k）－x′i（k），

式中：y′（k）为y（k）的无量纲化值；ρ为分辨系数，一般ρ=0～1，本文取ρ=0.5。

4）计算关联度。计算比较序列与参考序列的关联度

ri=1n∑nk=1ξi（k）。

5）关联度排序。根据关联度，对比较序列进行排序，关联度越大，说明比较序列与参考序列的关联程度越高。

本文通过文献[20]获取2015—2021年14个二级指标的原始数据，将水产预制菜冷链物流需求设为参考数列，14个二级指标为比较数列。对二级指标原始数据进行无量纲化处理后，计算其灰色关联度，结果如表1所示。二级指标的灰色关联度越接近于1，与水产预制菜冷链物流需求的相关性越大。

由表1可知：C10和C12的灰色关联度均大于0.800，二者对水产预制菜冷链物流需求的影响最大；C4、C2、C1、C8、C3、C9、C7等评价指标的灰色关联度均大于0.700，表明区域经济发展水平及区域物流能力是冷链物流发展的重要影响因素；C13、C6、C5、C11、C14的灰色关联度较小，对水产预制菜冷链物流需求的影响较小。

2 预测模型构建

2.1 GM（1，1）预测模型

采用GM（1，1）对原始时间序列进行累加得到新的时间序列规律，并据此预测未来一段时间事物的发展趋势。原始时间序列有明显指数规律时，GM（1，1）的预测较准确[21-22]。

假设原始时间序列内有n个原始值，原始序列

x（0）=x（0）（1），x（0）（2），…，x（0）（n），x（0）（k）≥0，k=1，2，…，n。

对x（0）进行一次累加求和生成一次累加数列

x（1）=x（1）（1），x（1）（2），…，x（1）（n），x（1）（k）=∑ki=1x（0）（i），k=1，2，…，n。

x（1）的紧邻均值序列

z（1）=z（1）（2），z（1）（3），…，z（1）（n），z（1）（k）=12［x（1）（k）+x（1）（k－1）］，k=2，3，…，n。

建立GM（1，1）预测模型为：

x（0）（k）+αz（1）（k）=μ，

式中：α为预测模型发展系数，μ为灰作用量。

建立白微分方程

dx（1）dt+αx（1）=μ，

式中t为单位时间。

令（α μ）T=A，采用最小二乘法对A进行估计求解，则

A=（BTB）－1BTY，

式中：B为设计矩阵，用于最小二乘法的参数估计，B=－12x（1）（2）+x（1）（1）1－12x（1）（3）+x（1）（2）1－12x（1）（n）+x（1）（n－1）1；Y为原始数据累加生成序列的向量形式，Y=（x（0）（2）x（0）（3）…x（0）（n））T。

将α、 μ代入微分方程，可得预测时间响应函数：

x^（1）（k+1）=x（0）（1）－μ/αexp（－αk）+μ/α，k=1，2，…，n。

经过累减还原后计算x（0）的预测值

x^（0）（k+1）=x^（1）（k+1）－x^（1）（k）=x（0）（1）－μ/α（1－exp α）exp（-αk）。

2.2 LSTM神经网络

LSTM神经网络与RNN相比，增加了用于记录前一时间步隐藏状态ht-1、当前时间步隐藏状态ht和下一时间步隐藏状态ht+1的状态通道，可解决长序列训练过程中的梯度消失和梯度爆炸问题，适用于捕捉时间序列数据中的非线性关系；LSTM增加了输入门、输出门和遗忘门3个门控机制，可在每个时间节点上更新信息，能适应不同的数据和任务[23]。

输入门主要控制是否将当前时间步的数据并入单元状态，输入门输出

it=σ（Wi（ht－1xt）+bi），

式中：σ为激活函数，通常是sigmoid函数；Wi和bi分别为输入门的权重和偏置；xt为当前时间步的输入。

同一信息在不同时刻的重要程度不同，部分信息可能会随时间流逝而“过时”，需遗忘门过滤这类信息，减少对结果的影响。遗忘门将前一时间步数据和当前时间步数据共同输入到sigmoid函数，输出为0～1，表示信息的记忆程度，越接近0表示越应该被忘记，越接近1表示越应该记住。遗忘门输出

ft=σ（Wf（ht－1xt）+bf），

式中Wf和bf分别为遗忘门的权重和偏置。

临时记忆单元更新后的有效信息

Ct=tanh（WC（ht－1xt）+bC），

式中WC和bC分别为临时记忆单元的权重和偏置。

输出门用来衡量隐藏状态应包含的当前单元状态的信息，输出门输出

Ot=σ（WO（ht－1xt）+bO），

式中WO和bO分别为输出门的权重和偏置。

当前时间步的单元状态Ct通过遗忘门和输入门的输出加权求和更新，即

Ct=ftCt－1+itCt，

式中Ct-1为前一时间步的单元状态。

当前时间步的隐藏状态

ht=Ottanh Ct 。

LSTM神经网络模型如图2所示。

注：xt－1、xt+1分别为前一时间步和下一时间步的输入。

3 实证分析

3.1 冷链物流需求

冷链物流流通率

R=（Tp+Tf）/（Qa+Qf），（1）

式中：Tp为水产品加工总量，Tf为冷冻水产品总量，Qa海水养殖产量，Qf为海洋捕捞产量。

水产预制菜冷链物流需求

D=QR，

式中Q为水产品产量。

通过文献[20，24]获取2015—2021年广东省的水产品加工总量、冷冻水产品总量、海水养殖量、海洋捕捞量，根据式（1）计算2015—2021年广东省水产冷链物流流通率，结合2015—2021年广东省水产品产量，计算2015—2021年广东省水产预制菜冷链物流需求，结果如表2所示。

3.2 模型预测

采用GM（1，1）进行预测时，首先对数据建模进行可行性分析，经检验2015—2021年广东省水产预制菜冷链物流需求序列的级比检验均在标准范围[0.779，1.284]内，模型发展系数|α|=0.012<0.300，模型适合中长期预测。建立广东省水产预制菜冷链物流需求的GM（1，1）预测模型，求解水产预制菜冷链物流需求预测时间响应函数为：

x^（1）（k+1）=37 240.136 31exp（0.012 360 792k）－36 822.206 31。

设定LSTM神经网络有10个输入层，32个隐藏层，1个模型输出，学习率为0.001，丢弃率为0.05。模型以概率1%将某些神经元（节点）置0，即临时关闭某些神经元连接，防止过拟合。通过0～200次迭代对比损失可知，0～40次迭代损失不断减小，40次后损失趋于稳定，波动变化小。

注：δ=（D^-D）/D×100%。

分别采用GM（1，1）和LSTM神经网络预测2016—2021年广东省水产预制菜冷链物流需求，模型预测结果及相对误差如表3所示。

由表3可知：GM（1，1）预测结果的平均相对误差为2.68%，2017、2019年模型预测冷链物流需求与原始冷链物流需求的相对误差较大；LSTM神经网络预测结果的平均相对误差为0.22%，原始冷链物流需求与预测冷链物流需求较吻合，预测结果准确性明显优于GM（1，1）。

采用LSTM神经网络预测2022—2024年广东省水产预制菜冷链物流需求量分别为498.15、505.65、509.09万t，呈上升趋势。水产预制菜需求不断扩大给广东省冷链物流带来一定挑战，广东省应立足冷链基础设施建设，包括冷库、运输设备和温度监测系统，确保水产预制菜温度稳定；加强水产预制菜食品监督，建立紧急响应机制应对突发事件，如天气灾害或供应链中断，减少运输中的食品损失，确保供应链的连续性。

4 结束语

基于区域经济发展水平、市场供需水平、交通运输水平、冷链技术水平建立水产预制菜冷链物流需求评价指标，通过计算评价指标的灰色关联度分析水产预制菜冷链物流需求的主要影响因素。分别采用GM（1，1）和LSTM神经网络预测2016—2021年广东省水产预制菜冷链物流需求，对比结果可知，LSTM神经网络预测结果的准确性明显优于GM（1，1）。采用LSTM神经网络预测2022—2024年广东省水产预制菜冷链物流需求，结果表明，广东省水产预制菜冷链物流需求呈上升趋势，预计2024年将达到509.09 万t。

LSTM神经网络能较好地预测广东省水产预制菜冷链物流需求，但存在一些不足：冷链物流需求的数据相对匮乏，通过水产品冷链物流流通率计算水产预制菜冷链物流需求与实际需求存在一定误差；冷链物流需求受多种复杂因素影响，单一模型难以准确预测，下一步可将LSTM神经网络与其他模型组合，克服模型本身的局限性，提升模型预测准确度。

参考文献：

[1] 看鉴社，周天翔.预制菜行业：布局起点，赢在终点[J].人力资源，2022（5）：32-35.

[2] 预制菜给水产行业带来的影响[J].农村新技术，2022（6）：50-51.

[3] 田丛.广东省发展水产品冷链物流的对策研究[D].湛江：广东海洋大学，2016.

[4] 朱梦琳.基于GM（1，1）模型的内江市区域物流需求预测[J].物流工程与管理，2022，44（12）：15-17.

[5] 卢尔赛，张改平，赵良，等.基于灰色ARIMA组合模型的砂石骨料物流需求预测：以浙江省为例[J].交通运输研究，2022，8（5）：84-90.

[6] XU N， WANG T Y， QIN Q H. Novel grey forecasting model with bilevel structure for application to logistic demand[J].Expert Systems With Applications，2024，235：121181.

[7] ZENG M L， LIU R M， GAO M， et al .Demand forecasting for rural e-commerce logistics：a gray prediction model based on weakening buffer operator[J].Mobile Information Systems，2022，2022：3395757.

[8] 黄永福.高质量发展视角下广东省“十四五”物流需求量预测研究：基于GM（1，N）灰色模型[J].经营与管理，2022（10）：174-179.

[9] 陈一村，郭东军，陶西贵，等.城市地下物流系统货运需求量预测分析[J].地下空间与工程学报，2021，17（6）：1687-1694.

[10] YA B. Study of food cold chain logistics demand forecast basedon multiple regression and AW-BP forecasting methodon system order parameters[J].Journal of Computational and Theoretical Nanoscience，2016，13：4019-4024.

[11] LIU T J， LI S M， WEI S B. Forecast and opportunity analysis of cold chain logistics demand of fresh agricultural products under the integration of Beijing， Tianjin and Hebei[J].Open Journal of Social Sciences，2017，5：63-73.

[12] REN X Y， TAN J ， QIAO Q M， et al. Demand forecast and influential factors of cold chain logistics based on a grey model[J].Mathematical Biosciences and Engineering，2022，19（8）：7669-7686.

[13] 李隽波，孙丽娜.基于多元线性回归分析的冷链物流需求预测[J].安徽农业科学，2011，39（11）：6519-6520.

[14] 李敏杰，王健.基于RBF神经网络的水产品冷链物流需求预测研究[J].中国农业资源与区划，2020，41（6）：100-109.

[15] 王晓平，闫飞.基于GA-BP模型的北京城镇农产品冷链物流需求预测[J].数学的实践与认识，2019，49（21）：17-27.

[16] 李义华，王冲，文哲，等.基于滑动无偏灰色模型的湖南省农产品冷链物流需求预测[J].中南林业科技大学学报，2021，41（8）：161-168.

[17] 岳伟，袁媛.基于Shapley组合模型的冷链物流需求预测研究[J].赤峰学院学报（自然科学版），2023，39（8）：27-33.

[18] 袁学国，邹平，朱军，等.我国冷链物流业发展态势、问题与对策[J].中国农业科技导报，2015，17（1）：7-14.

[19] 戎陆庆，黄佩华.基于灰色理论的广西果蔬冷链物流需求及其影响因素预测研究[J].中国农业资源与区划，2017，38（12）：227-234.

[20] 广东省统计局，国家统计局广东调查总队.广东统计年鉴（2016-2022）[M].北京：中国统计出版社，2016-2022.

[21] 张宇超.基于GM（1，1）模型的内蒙古自治区区域物流需求预测[J].内蒙古统计，2023（3）：32-35.

[22] 高华昆，陶月赞，杨杰.基于改进GM（1，1）模型的生活用水量预测[J].合肥工业大学学报（自然科学版），2024，47（3）：387-391.

[23] 王冬霞，张伟，于玲，等.基于BLSTM神经网络的回声和噪声抑制算法[J].信号处理，2020，36（6）：991-1000.

[24] 农业农村部渔业渔政管理局，全国水产技术推广总站，中国水产学会.中国渔业统计年鉴（2016-2022）[M].北京：中国农业出版社， 2016-2022.

Analysis and forecast of cold chain logistics demand for

aquatic pre-made dishes in Guangdong Province

XU Chaoyi， HU Wangmin

School of Economics and Management， Anhui University of Science and Technology， Anhui 232001，China

Abstract：In order to predict the market demand for aquatic pre-made dishes in Guangdong Province， an evaluation index of cold chain logistics demand for aquatic pre-made dishes is constructed from four aspects： regional economic development level， market supply and demand level， transportation level， and cold chain technology level. The main factors affecting the change of cold chain logistics demand for aquatic pre-made dishes are studied by gray correlation analysis method. The first-order unitary differential equation GM（1，1） in the gray model （GM） and long short-term memory （LSTM） neural network are used to compare and analyze the cold chain logistics demand for aquatic pre-made dishes in Guangdong Province from 2015 to 2021. The results showed that the main influencing factors affecting the development of cold chain logistics demand for aquatic pre-made dishes in Guangdong Province are cargo turnover and cold chain refrigeration level. The average relative errors of GM（1，1） and LSTM neural network are 2.68% and 0.22%， respectively， and the prediction accuracy of the latter is significantly better than that of the former. Using LSTM neural network to predict the cold chain logistics demand forcargo in Guangdong Province from 2022 to 2024， the demand for cargo in Guangdong Province is on the rise， and it is expected to reach 509.09 million tons in 2024. Guangdong Province should focus on cold chain infrastructure building， ensure stable temperature of aquatic pre-made dishes during storage and transportation， strengthen food supervision of aquatic pre-made dishes， ensure food quality and safety， and continuously promote the development of the aquatic pre-made dishes cold chain industry.

Keywords：aquatic pre-made dish; cold chain logistics demand; GM （1，1）; LSTM neural network; grey relational analysis

（责任编辑：赵玉真）

收稿日期：2023-10-17

基金项目：国家自然科学基金项目（71973001）；安徽理工大学研究生创新基金项目（2023CX2171）

第一作者简介：徐超毅（1980—），男，河南驻马店人，副教授，管理学博士，主要研究方向为绿色物流、能源与环境评价，E-mail：3910379@qq.com。

DOI：10.3969/j.issn.1672-0032.2024.02.012