北京市食用菌冷链物流需求预测分析

摘要：由于人们对养生、健康饮食的注重，食用菌产量以及需求量日益增加。但是北京市的冷链物流企业在面对此类增长时并没有一个较为合理的计划对策，导致食用菌生产商的产品无法按时保量地送至需求方。北京市目前需要制定一套合理的食用菌冷链物流需求预测体系，以解决北京市食用菌目前面临的运输以及储存方面的问题，同样可以给食用菌的种植商以及冷链物流企业指明发展规划的方向，以提高北京市食用菌冷链物流的效率。

关键词：企业管理；冷链物流；需求预测

中图分类号：F274文献标识码：A文章编号：1005-6432（2024）19-0175-04

DOI：10.13939/j.cnki.zgsc.2024.19.043

1北京市食用菌冷链物流需求主要影响因素的选取

1.1主要影响因素选取过程及其结果

为了确保预测的结果更精确、真实可靠，文章根据现有的材料，得到的数据信息，并且融合北京市具体情况，对文章的指标体系中的一部分影响因素开展修订，最终确定了16个自变量以及食用菌冷链需求量中因变量的相关数据。笔者通过参考各自变量的原始数据，使用DPS数据处理软件，运用灰色关联分析对16个自变量对因变量的关联度进行计算，得到16个自变量对因变量的关联系数，见表1。

根据表1对所有时间的每个不同自变量的关联系数求平均值，得到其自变量的关联度。GDP、城镇居民可支配收入、第一产业增加值、第二产业增加值、第三产业增加值、食用菌年产量、食用菌培养园面积、货运量、货运周转量、运输线路里程、长途光缆线路长度、食用菌冷链流通率、营运载货汽车拥有量、食用菌零售价格指数、居民消费水平、社会消费品零售总额16个自变量对因变量的灰色关联度分别为0.82、0.86、0.83、0.84、0.79、0.80、0.85、0.78、0.83、0.86、0.71、0.85、0.86、0.85、0.78、0.77。

由于城镇居民可支配收入、食用菌培养园面积、运输线路里程、食用菌冷链流通率、营运载货汽车拥有量、食用菌零售价格指数的灰色关联度均大于等于0.85，所以选取此6个自变量作为关键影响因素。

1.2北京市食用菌冷链物流需求预测指标体系的建立

文章研究的北京市食用菌冷链物流需求预测，主要表现在数量分析上。因此，在构建预测指标体系时，不考虑定性指标。最终计算体系中的指标关联度，确定北京市食用菌冷链物流需求预测指标体系，如表2所示。

下文内容依据表2中的指标，对模型进行构建，并依据所构建的模型对预测值进行计算。

2北京市食用菌冷链物流需求预测分析

2.1多元线性回归模型的建立

文章使用X1、X2、X3、X4、X5、X6分别代表自变量城镇居民可支配收入、食用菌培养园面积、运输线路里程、食用菌冷链流通率、营运载货汽车拥有量、食用菌零售价格指数，以及使用Y代表因变量食用菌冷链需求量。笔者通过使用SPSS软件进行逐步回归，首先输入变量，其次根据输入的变量进行分析，结果如表3所示。

得到以上两个模型之后，对各个模型的结果进行分析比较。所有模型的因变量都是食用菌冷链需求量，自变量有所区别。模型1的预测变量：（常量），食用菌培养园面积。模型2的预测变量：（常量），食用菌培养园面积，营运载货汽车拥有量。结果如表4和表5所示。

由表4可知，模型2的R2为0.975，为最大，拟合优度最高，并且标准误差最小。表5分析了每个模型的方差、F值以及显著性。由分析结果可知，两个模型的显著性都很强，但是模型2的残差均方最小。之后得到各个模型的回归系数，并且比较各变量检验结果后，选出最优模型，如表6所示。

由表6分析可知，模型2的各变量显著性均小于0.05，为最优模型，根据模型2建立回归方程。

y=－49.318+1.19x2+1.349x5

根据模型2可知，食用菌培养园面积、营运载货汽车拥有量对食用菌冷链物流需求量影响最大。食用菌培养园面积每年都会有一定比例的调整，会淘汰产量不高或者品质不强的，除此之外还会大力发展更加优良的新品种。食用菌培养园面积的变化也在某些方面反映了食用菌结构的调整。食用菌结构的变化势必会影响消费，从而影响冷链物流的需求。食用菌主要通过汽车进行运输，营运载货汽车拥有量与食用菌冷链物流需求的关系很紧密。

2.2基于趋势外推法对自变量的预测

文章采用趋势外推法，根据上文得到的回归方程筛选出自变量——食用菌培养园面积、营运载货汽车拥有量，对时间t的发展趋势进行曲线拟合，以建立函数模型，求出自变量未来的预测值。自变量数据均以2005年为基准年。

2.2.1食用菌培养园面积的预测

文章采用2005—2020年城镇居民可支配收入的历史数据，以时间t为自变量，食用菌培养园面积X2为因变量，建立一元回归模型，对2021—2026年的食用菌培养园面积进行汇总和预测。自变量的数据均以2005年为基准年，将2005—2020年设为1～16来计算。

首先，使用趋势外推法思维，把食用菌培养园面积的历史数据输入SPSS软件中，对其进行曲线拟合。从线性、二次项、复合、增长、对数、三次项模型以及指数模型中根据R2和显著性的大小，选取拟合程度最高的，分析结果如表7所示。通过比较后发现，三次项模型的拟合度最高，判定系数最接近1，标准误差也最小。

因此，将三次项模型（x2=40.696+4.523t－0.117t2+0.005t3）作为食用菌培养园面积的预测模型，以对北京市2021—2026年的食用菌培养园面积进行汇总和预测，结果如表8所示。

2.2.2营运载货汽车拥有量的预测

将2005—2020年的营运载货汽车拥有量的历史数据输入SPSS软件之中，运用趋势外推法进行拟合，发现三次项模型拟合程度最好，故选择此模型。模型为：x5=12.741－3.196t+0.578t2－0.017t3。

随后，运用该模型对2021—2026年营运载货汽车拥有量进行预测，结果如表9所示。

2.3多元线性回归模型预测及结果分析

本节用上文中的2021—2026年食用菌培养园面积、营运载货汽车拥有量的汇总和预测数值代入回归方程中进行计算。

模型的显著性P值为0，该值远小于0.05；F值为261.362，此模型非常显著。判定系数R2为0.985，接近1，由此检验结果可知该模型的拟合优度很好。用此模型对2016—2020年的数据进行模拟，相对误差都小于5%，模型达到理想要求。模拟值以及误差如表10所示。

根据上表的计算结果，对北京市食用菌冷库以及冷藏设施进行缺口分析，如此根据需求改进冷链系统，对于提高北京市食用菌的整体竞争水平和冷链物流行业的发展有重大的价值。现根据预测结果给出三点建议：其一，加强冷链基础设施建设；其二，合理增加各培养园从业人员；其三，合理安排冷链运输车辆路线及运输量。希望可以给北京市食用菌冷链物流建设带来参考。

3结语

在食用菌的各产地，每年至少增加2～3个冷库，以保证基础设施对食用菌冷链需求的保障。对于年产量大于1万吨的培养园，可增加10人左右的从业人员，以保证培养园的正常运行，小于1万吨的培养园依据自身情况，可每年增加2～3人以适应发展。

当地的合作冷链物流企业也应使用运筹管理等方法，对冷链运输车辆的运输量以及路线做出优化。例如，对于就近企业优先安排运输，对于较集中分布的培养园同时安排集中运输等。因此，希望可以给北京市食用菌以及冷链物流的未来建设发展指出较为明确的方向，同时也希望给其他同行企业带来一定的参考意义。

参考文献：

［1］李思聪，叶静.基于灰色回归模型的农产品冷链物流需求分析及预测［J］.公路交通科技，2022，39（5）：166-174.

［2］梁艳，杨慧慧，苏辉辉.基于多元线性回归的天津市农产品冷链物流需求预测分析［J］.南方农机，2018，49（18）：230-231.

［3］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）：6519-6520，6523.