正向權(quán)重組合預(yù)測機制下的農(nóng)產(chǎn)品冷鏈物流需求量預(yù)測

原靜

摘要：對農(nóng)產(chǎn)品冷鏈物流進行需求預(yù)測能夠避免冷鏈物流供應(yīng)過剩或不足，并導向投資人員的投資方向。首先研究正向權(quán)重組合預(yù)測方法的最優(yōu)權(quán)值和精確度結(jié)果，進而給出組合預(yù)測的實證探究，對采用延伸趨向、指數(shù)平滑、神經(jīng)網(wǎng)絡(luò)算法、回歸方法和灰色預(yù)測方式進行的農(nóng)產(chǎn)品冷鏈物流單向預(yù)測與正向權(quán)重組合預(yù)測的結(jié)果進行對比分析。結(jié)果表明，正向權(quán)重組合預(yù)測方法更接近真實值?；诖耍o出結(jié)論和推動農(nóng)產(chǎn)品冷鏈物流發(fā)展的建議。

關(guān)鍵詞：農(nóng)產(chǎn)品；組合預(yù)測；正向權(quán)重；冷鏈物流；神經(jīng)網(wǎng)絡(luò)

中圖分類號： F252 文獻標志碼： A 文章編號：1002-1302（2017）19-0341-05

收稿日期：2017-05-02

基金項目：昆明理工大學津橋?qū)W院校級質(zhì)量工程建設(shè)項目（編號：TDGJ1432）。

作者簡介：原 靜（1979—），女，山東萊州人，碩士，副教授，主要從事經(jīng)濟與管理的研究。E-mail：yuanjing1979@21cn.com。 國民經(jīng)濟的不斷發(fā)展及大眾消費水平和需求模式的不斷轉(zhuǎn)變，使得國內(nèi)終端消費市場日益活躍。大眾消費需要新鮮、清潔的農(nóng)副食品，因而對生鮮農(nóng)產(chǎn)品的需要量不斷增加。農(nóng)產(chǎn)品冷鏈物流是一種新的食品運輸技術(shù)手段，和普通消費者的飲食安全密切關(guān)聯(lián)。需要采用冷鏈物流的農(nóng)產(chǎn)品主要包括肉類、蛋類、水果、蔬菜、水產(chǎn)和奶類等。農(nóng)產(chǎn)品冷鏈物流即在冷凍技藝與制冷策略的基準下，保障冷鏈商品在保存、包裝、運輸和銷售到消費者的過程中處于低溫狀態(tài)以保持食品質(zhì)量。對農(nóng)產(chǎn)品冷鏈物流進行需求預(yù)測能夠?qū)崿F(xiàn)科學配置資源，減少資源浪費，并找到其增長空間達到冷鏈物流需求。此外，農(nóng)產(chǎn)品冷鏈物流的需求和區(qū)域經(jīng)濟發(fā)展息息相關(guān)，民眾的生活質(zhì)量、收益水準、可支配收益狀況和農(nóng)產(chǎn)品冷鏈物流息息相關(guān)。

傳統(tǒng)的預(yù)測方案基于現(xiàn)有的不同數(shù)據(jù)，其估測精準度、側(cè)重部分也存在差別，若僅單獨選擇某種預(yù)測方式或棄選某些預(yù)測偏差較大的方案則會丟失很多有用數(shù)據(jù)，造成資源的無端浪費。國外研究者Dorfman選取貝葉斯模型完成價值的預(yù)測[1]；Jaheen則選取Compertz模型實現(xiàn)新型技術(shù)探究，并且整體創(chuàng)新模式需要和農(nóng)產(chǎn)品冷鏈物流需求結(jié)合[2]；Enders等則采用組合預(yù)測方式完成線性預(yù)測，實現(xiàn)農(nóng)產(chǎn)品冷鏈物流預(yù)測[3]。國內(nèi)科研者紀愛兵等采用模糊組合[4]完成農(nóng)產(chǎn)品冷鏈物流測算[5]；張卓倫等則采用協(xié)整單項測算模型并引入神經(jīng)網(wǎng)絡(luò)算法[6]實現(xiàn)農(nóng)產(chǎn)品冷鏈物流預(yù)測[7]。本研究通過分析實際農(nóng)產(chǎn)品物流過程的數(shù)據(jù)，結(jié)合各種預(yù)測方案和參量完成農(nóng)產(chǎn)品冷鏈物流預(yù)測，結(jié)果表明，本研究方法能夠有效預(yù)測農(nóng)產(chǎn)品冷鏈物流狀態(tài)。

本研究采用正向權(quán)重組合預(yù)測機制對農(nóng)產(chǎn)品冷鏈物流需求量進行預(yù)測，并對農(nóng)產(chǎn)品冷鏈物流市場的容量進行估測，結(jié)果可為供應(yīng)商提供借鑒和考量，對農(nóng)產(chǎn)品冷鏈物流發(fā)展具有重要的意義。

1 傳統(tǒng)的組合預(yù)測模型

1.1 組合預(yù)測實質(zhì)

組合預(yù)測理念[8]為結(jié)合幾種預(yù)測方式并且增加不同權(quán)值，構(gòu)建綜合化的組合預(yù)測方式，即在給定標準下求得最終結(jié)果。通過組合預(yù)測方式能夠得到幾個存在差別的預(yù)測值，并且針對具有獨立數(shù)據(jù)的預(yù)測值加權(quán)擬合，獲得最優(yōu)利用數(shù)據(jù)的協(xié)調(diào)值，提升測算方法的精準程度[9]以及可靠性。

1.2 傳統(tǒng)組合預(yù)測建模

設(shè)置觀測序列{mt}，t=1，2，…，N，t為觀測參量，針對序列設(shè)置J個預(yù)測方式，則針對觀測序列的預(yù)測結(jié)果或者擬合結(jié)果為git（i=1，2，…，J），設(shè)定第i種預(yù)測算法的加權(quán)參量是qi，i=1，2，…，J，且權(quán)重值能夠達到歸一化約束標準，則：

q1+q2+…+qi=1。（1）

在現(xiàn)實狀況處理中，常存在非負約束準則。從式（1）可知，組合預(yù)測的重點在于給定各部分預(yù)測模塊的權(quán)值，而根據(jù)各種權(quán)重規(guī)則能夠得到差別化的預(yù)測模型，權(quán)值的賦予方式[8]也存在差異，并且能夠?qū)㈩A(yù)測精準程度設(shè)定為度量預(yù)測模型狀況的標準。選取組合預(yù)測的重點在于給定單項預(yù)測算法的加權(quán)參量。設(shè)定針對同一狀況存在不少于2種的預(yù)測方式，設(shè)置如下標定：由式（1）轉(zhuǎn)化為式（2），rt是當前觀測結(jié)果，git為第i種預(yù)測方法下觀測量t的結(jié)果，gt為組合權(quán)重下i種預(yù)測方法的累計值：

∑ni=1qi=1；（2）

gt=∑ni=1qigit。（3）

本研究的目標為最終獲得組合預(yù)測方案的預(yù)測結(jié)果，ut=rt-gt是組合預(yù)測方案的預(yù)測偏差[9]結(jié)果，則

ut=rt-gt=∑ni=1qigit。（4）

其中，i=1，2，…，n；t=1，2，…，N。

則組合預(yù)測方案的預(yù)測偏差平方值為

J=∑Ni=1u2t。（5）

將組合預(yù)測方案的加權(quán)參量設(shè)定為Qn=[q1，q2，…，qn]T，第i類偏差預(yù)測參量是Ui=[ui1，ui2，…，uin]T，偏差預(yù)測陣列是u=[U1，U2，…，Un]，式（5）轉(zhuǎn)換為

J=uTu=QTnU（n）Qn。（6）

式中的U（n）陣列如下：

U（n）=U11U12…U1n

U21U22…U2n

Un1Un2…Unn。（7）

在U（n）矩陣中，Uij=Uji，U11，U22…Unn為預(yù)測算法的測算偏差結(jié)果的平方和，U（n）表示各種預(yù)測方式所給出的預(yù)測偏差數(shù)據(jù)，又稱預(yù)測偏差數(shù)陣列。取單位矩陣Hn=[1，1，…，1]Tn，權(quán)重參量的約束∑ni=1qi=1轉(zhuǎn)換為HTnQn=1，因而組合預(yù)測能夠轉(zhuǎn)換為非線性規(guī)劃形式，即

minJ=QTnU（n）Qn；s.t.HTnQn=1

Qn>0。（8）

傳統(tǒng)的組合預(yù)測方法僅是基于幾種預(yù)測方式值間的凸型組合，以2種預(yù)測方法的預(yù)測結(jié)果為例，預(yù)測目標的實際結(jié)果g（x）和2預(yù)測結(jié)果g1（x）、g2（x）之間的關(guān)聯(lián)如圖1所示。endprint

傳統(tǒng)的組合預(yù)測方法存在圖1所示的偏差，為突破其局限性，本研究提出結(jié)合指數(shù)平滑方案、神經(jīng)網(wǎng)絡(luò)算法[10]、回歸方案、灰色預(yù)測方式下的正向權(quán)重組合模式的市場營銷預(yù)測。

2 正向權(quán)重組合預(yù)測方法

2.1 正向權(quán)重組合預(yù)測方法的最優(yōu)權(quán)值確定

本研究設(shè)置I為目標函數(shù)，擬合偏差ut是組合預(yù)測方案的預(yù)測偏差結(jié)果，因而組合預(yù)測的規(guī)劃建模為

minII=∑Nt=1u2t

s.t.∑Nn=1qn=1。（9）

為了獲得權(quán)重系數(shù)qn的結(jié)果，U′i為第i類偏差預(yù)測陣列Ui統(tǒng)計偏差，u′為各參量數(shù)值偏差陣列，u′ij為U（n）陣列各參量的相對偏差，則：

U′i=[ui1（n），ui2（n），…，uin（n）]T；（10）

u′=（u1，u2，…，un）T，n=1，2，…，N。（11）

n×n矩陣U（n）為對稱正定陣列，即為數(shù)據(jù)陣列，如下式：

u′ij=∑Ni=1q（i）Uj=（uj1，uj2，…，ujn）TQ。（12）

因而式（9）可轉(zhuǎn)換為

minII=QTnU（n）Qn

s.t.uTQ=1。（13）

帶入拉格朗日算子，得到I值最小結(jié)果的必要標準為

ddn[QTUQ-2λ（UTQ-1）]=0。（14）

采用拉格朗日算法獲得算子λ，如下式：

λ=（QTU-1Q）-1。（15）

進而獲得最優(yōu)權(quán)值結(jié)果，q0以及最小I值結(jié)果I0見式（16）。

q0=（QTU-1Q）E-1Q

I0=（QTU-1Q）-1。（16）

2.2 正向權(quán)重組合算法預(yù)測建模

正向權(quán)重組合算法可實現(xiàn)多種情況下的系統(tǒng)結(jié)果預(yù)測，假定選取該方案所預(yù)測的將來真實情況為“1”，且預(yù)測值也是“1”，本研究用X11表示；若真實狀況為“1”，所預(yù)測結(jié)果為“0”，則用X10表示；此外，X00和X01的意義同理。通過對之前多次預(yù)測值的統(tǒng)計，本研究將獲取的P00、P01、P10、P11分別作為X00、X01、X10、X11發(fā)生的概率，前面討論了正向權(quán)重組合預(yù)測方法的數(shù)學模型，在此將其視為數(shù)據(jù)變換裝置，給出真實情況和預(yù)測結(jié)果之間的數(shù)據(jù)關(guān)聯(lián)（圖2）。

設(shè)定D信號和D′信號的組合為（D，D′），則

D：“0”“1”

X00+X01X10+X11；（17）

D′：“0”“1”

X00+X10X01+X11；（18）

（D，D′）：P00P11P10P11

X00X01X10X11。（19）

2.3 正向權(quán)重組合預(yù)測算法的精確度分析

設(shè)定q0和I0與最優(yōu)化模型參量對應(yīng)，Q和I與隨機模型參量對應(yīng)，Q（J）和I（J）則和J個綜合參量模式對應(yīng)，式中的目標解析式I能夠保障模型的精準程度，I0為I的最小結(jié)果。此外，Q（J）=（0，…，0，1，0，…，0）T，則從最優(yōu)結(jié)果的唯一特點可知，若不存在Q（J）=Q0，則必然有I>I0，因此，采用正向權(quán)重組合獲得的偏差平方和結(jié)果最優(yōu)，其精準程度遠大于任意一個單獨模型。

設(shè)定δmax、δmin分別為最大、最小的特征結(jié)果，則最優(yōu)綜合模型的偏差平方和結(jié)果I0滿足式（20）。

δmin/F≤I0≤δmax/F。（20）

式中：F為組合的數(shù)學模型數(shù)目，整個數(shù)學模型說明F值越大，則I0變化區(qū)間越小，I0值不小于δmin/F，也不大于δmax/F。

3 正向權(quán)重組合預(yù)測模型下的農(nóng)產(chǎn)品冷鏈物流需求量組合預(yù)測實證探究 針對農(nóng)產(chǎn)品冷鏈物流[11]的需求量而言，可選取多個單一預(yù)測方式分別預(yù)測，但每種方式僅是在某個方向而言達到最佳，任意一種預(yù)測方案對農(nóng)產(chǎn)品市場價格預(yù)測所參照的變量有限，則其分析的數(shù)據(jù)也有限。單個模型均存在假定基礎(chǔ)，但僅選用單一預(yù)測方式很難全面實現(xiàn)農(nóng)產(chǎn)品市場狀態(tài)的預(yù)測[12]。各項預(yù)測方式均包含一些獨有的數(shù)據(jù)，若舍棄該類數(shù)據(jù)則資源不能夠被充分應(yīng)用，而組合預(yù)測方法能夠結(jié)合單個預(yù)測方法的優(yōu)點。

3.1 農(nóng)產(chǎn)品冷鏈物流的單向預(yù)測方案選擇根據(jù)

農(nóng)產(chǎn)品冷鏈物流單向預(yù)測方案需要依據(jù)實際信息完成測算，通過農(nóng)產(chǎn)品冷鏈物流獲得農(nóng)產(chǎn)品冷鏈變化模型，由圖3可知，水果與奶類呈持續(xù)增長趨勢，而肉類、蛋類和水產(chǎn)類的作用因子較多，肉類農(nóng)產(chǎn)品在2006—2008年間產(chǎn)量不斷減少，而2008年之后不斷增加；蛋類在2006—2011年間銷量波動，2011年后穩(wěn)定上漲；水產(chǎn)類在2009年前呈下降趨勢，2009—2012年間上升速度較快，2012年后產(chǎn)量發(fā)展穩(wěn)定。但整體而言，和冷鏈關(guān)聯(lián)的商品銷量逐步增長。

對農(nóng)產(chǎn)品冷鏈物流的作用因子[13]很多，但從國內(nèi)經(jīng)濟發(fā)展狀態(tài)而言，隨著經(jīng)濟增長速率穩(wěn)定提高，可選用延伸趨向策

略進行預(yù)測；從國內(nèi)城鎮(zhèn)化的變化模式而言，其前期具有明顯的增長速率，因而本研究選用指數(shù)平滑方案完成預(yù)測；而神經(jīng)網(wǎng)絡(luò)方案適合物流基礎(chǔ)設(shè)施的銷售預(yù)測。此外，農(nóng)產(chǎn)品冷鏈物流和許多經(jīng)濟標準存在關(guān)聯(lián)，本研究選用回歸預(yù)測[14]方案實現(xiàn)農(nóng)產(chǎn)品冷鏈物流的線性關(guān)聯(lián)解析，并且得到未來的農(nóng)產(chǎn)品冷鏈物流預(yù)測。在整個銷售模型中，存在很多不穩(wěn)定因子，很難掌握全部信息，因而本研究采用灰色預(yù)測方式完成未知因子的測算。

3.2 農(nóng)產(chǎn)品冷鏈物流預(yù)測方案具體分析

3.2.1 延伸趨向策略預(yù)測經(jīng)濟增長速率下的農(nóng)產(chǎn)品冷鏈物流 農(nóng)產(chǎn)品冷鏈物流整體趨向隨時間變換而變化，因而需要搭建曲線預(yù)測模型，但僅采用單獨曲線數(shù)學模型不能夠展現(xiàn)農(nóng)產(chǎn)品冷鏈物流狀態(tài)，本研究選用多曲線模型建模獲得農(nóng)產(chǎn)品冷鏈物流最小偏差，表1為多曲線數(shù)學模型下的預(yù)測結(jié)果。endprint

由表1可知，采用二次擬合圖線能夠完成信息的最佳擬合，本研究獲得SPSS的二次曲線數(shù)學模型如表2所示。由于2017年數(shù)據(jù)在本研究時尚未統(tǒng)計出，因此僅給出預(yù)測數(shù)據(jù)。

3.2.2 指數(shù)平滑方案農(nóng)產(chǎn)品冷鏈物流預(yù)測 本研究設(shè)定的初始結(jié)果采用SPSS給定，農(nóng)產(chǎn)品冷鏈物流組合預(yù)測結(jié)果如表

3所示。在農(nóng)產(chǎn)品冷鏈物流殘差值DFE=6的基礎(chǔ)下，若S0=502，St=ct-ct-1，St為二次平滑值，St-1為一次平滑值，ct為一次參量，ct-1為二次參量，F(xiàn)t+m為各年度預(yù)測值，則各種農(nóng)產(chǎn)品的預(yù)測結(jié)果如表3、表4所示。

3.2.3 神經(jīng)網(wǎng)絡(luò)算法預(yù)測農(nóng)產(chǎn)品冷鏈物流 國內(nèi)農(nóng)產(chǎn)品冷鏈物流和經(jīng)濟發(fā)展水平有緊密的關(guān)聯(lián)，本研究選用神經(jīng)網(wǎng)絡(luò)構(gòu)建兩者中間的函數(shù)關(guān)聯(lián)，采用神經(jīng)網(wǎng)絡(luò)的學習效率為efficiency=0.02，偏差值為direction=1×e-5，采用的測算獲得網(wǎng)絡(luò)構(gòu)造為1-30-1，即給定節(jié)點值為1，隱含層次為30，給出節(jié)點結(jié)果為1，最后獲得農(nóng)產(chǎn)品冷鏈物流預(yù)測值（表5）。

3.2.4 采用回歸方案實現(xiàn)農(nóng)產(chǎn)品冷鏈物流預(yù)測 表6給出的農(nóng)產(chǎn)品冷鏈物流預(yù)測的多元化回歸模型中，本研究將解釋參量融入回歸模型中，獲得和解釋參量關(guān)聯(lián)的因子，帶入解析式完成回歸解析值校驗。表7和表8則分別表示農(nóng)產(chǎn)品冷鏈物流整體方差狀況和農(nóng)產(chǎn)品冷鏈物流系數(shù)。

3.2.5 灰色預(yù)測方式完成農(nóng)產(chǎn)品冷鏈物流測算 本研究通過2007—2016年的農(nóng)產(chǎn)品冷鏈物流預(yù)測，搭建灰度預(yù)測體系，并選取Matlab程序完成測算，各個年度的預(yù)測結(jié)果和實際結(jié)果對比如表9所示。

3.3 正向權(quán)重組合預(yù)測法預(yù)測農(nóng)產(chǎn)品冷鏈物流

根據(jù)“2”中給出的權(quán)重測算方法，給各個組合預(yù)測[15]中增加的系數(shù)參量分別是0.068、0.125、0.098、0.189、0.113、0.482，分別將正向權(quán)重組合預(yù)測法、延伸趨向策略、指數(shù)平滑方案、神經(jīng)網(wǎng)絡(luò)算法預(yù)測、回歸方案和灰色預(yù)測方式表述為W、W1、W2、W3、W4、W5。W=0.068W1+0.125W2+0.098W3+0.189W4+0.113W5。（22）

由表10可知，通過正向權(quán)重組合預(yù)測所得的農(nóng)產(chǎn)品冷鏈物流結(jié)果與實際結(jié)果接近。正向權(quán)重組合預(yù)測法綜合延伸趨向策略、指數(shù)平滑方案、神經(jīng)網(wǎng)絡(luò)算法、回歸方案和灰色預(yù)測方式所得的預(yù)測結(jié)果和實際結(jié)果對照，偏差較小。

4 結(jié)論和推動農(nóng)產(chǎn)品冷鏈物流發(fā)展的建議

4.1 結(jié)論

對農(nóng)產(chǎn)品冷鏈物流的作用因子和需要考量的因素很多，本研究選用延伸趨向策略完成農(nóng)產(chǎn)品冷鏈物流產(chǎn)量增長速率的預(yù)測；選用指數(shù)平滑方案并結(jié)合國內(nèi)農(nóng)產(chǎn)品冷鏈物流完成銷售預(yù)測；基于環(huán)境狀態(tài)結(jié)合神經(jīng)網(wǎng)絡(luò)方案完成銷售預(yù)測。此外，由于農(nóng)產(chǎn)品冷鏈物流和許多經(jīng)濟標準存在關(guān)聯(lián)，本研究 表9 灰度預(yù)測算法估測農(nóng)產(chǎn)品冷鏈物流億t 采用回歸預(yù)測方案實現(xiàn)農(nóng)產(chǎn)品冷鏈物流的線性關(guān)聯(lián)解析。針對整個銷售模型中存在的很多不穩(wěn)定因子，本研究采用灰色預(yù)測方式完成未知因子的測算。采用單項預(yù)測方案對農(nóng)產(chǎn)品冷鏈物流的預(yù)測均存在一定偏差。本研究采用正向權(quán)重組合預(yù)測法綜合延伸趨向策略、指數(shù)平滑方案、神經(jīng)網(wǎng)絡(luò)算法、回歸方案和灰色預(yù)測方式賦予權(quán)重，所得的預(yù)測結(jié)果和實際結(jié)果相比，偏差較小，所得的農(nóng)產(chǎn)品冷鏈物流與實際結(jié)果對比更為接近。

4.2 推動農(nóng)產(chǎn)品冷鏈物流發(fā)展的建議建議

4.2.1 把握農(nóng)產(chǎn)品冷鏈物流的生命周期 發(fā)展冷鏈物流商品的品牌意識。商品生命周期主要包含商品從融入市場到商品退出市場的整體過程，傳統(tǒng)的商品銷售模式表現(xiàn)為S狀曲線，并且能夠劃分為4個時期，即帶入時期、生長時期、成熟時期以及衰落時期。針對農(nóng)產(chǎn)品冷鏈物流的不同時期定制相應(yīng)的營銷攻略，當某個品牌的冷鏈物流商品進入市場，即進入到帶入時期時，由于大眾對冷鏈物流商品缺乏了解，因而很少有顧客買入，處在該時期的生產(chǎn)行業(yè)應(yīng)當增大商品宣傳力度，給消費者全新的認識；進入生長時期后，則應(yīng)提升商品質(zhì)量和新穎性，并且拓展冷鏈物流商品的覆蓋面，適當降低價格吸引客戶；在成熟、衰退時期時，則應(yīng)當考量市場、商品以及銷售組合，推進商品售賣。

4.2.2 不斷優(yōu)化冷鏈物流技術(shù)和基礎(chǔ)設(shè)施 農(nóng)產(chǎn)品冷鏈物流是在供應(yīng)和需求之間的不斷變動中發(fā)展的。在當前冷鏈物流技術(shù)尚未完善的狀態(tài)下，很多農(nóng)產(chǎn)品的冷鏈作業(yè)較難實現(xiàn)，使得冷鏈農(nóng)產(chǎn)品的保鮮不到位，并且?guī)泶罅坷速M。因此，下一步需要完善我國冷鏈物流技術(shù)和基礎(chǔ)設(shè)施。

4.2.3 充分應(yīng)用農(nóng)產(chǎn)品冷鏈物流品牌戰(zhàn)略 首先定位農(nóng)產(chǎn)品冷鏈物流品牌的目標消費人群，例如針對老年人的秦巴山營養(yǎng)土雞蛋、針對孕婦的泰和烏雞、針對低端消費人群的常規(guī)冷鏈農(nóng)產(chǎn)品、針對高品質(zhì)生活人群的姜曲海綠色蔬菜；其次針對不同消費者進行農(nóng)產(chǎn)品冷鏈物流定制，逐步將品牌深入到消費者心中，將品牌作為市場營銷的要點，不斷提升其競爭實力，并且轉(zhuǎn)變品牌以及商品在使用者心中的位置。

4.2.4 培育專業(yè)化的營銷團隊 嚴格把握招聘銷售團隊的關(guān)口，并且不斷增強對于市場營銷人員的職業(yè)化培訓，對銷售群體的出差報表、每日工作總結(jié)需要模式化和制度化，增強整個團隊的凝聚力，充分發(fā)揮個體的營銷特色。組織營銷團隊培訓，激發(fā)每個銷售人員的銷售熱情。此外，銷售經(jīng)理應(yīng)當成為企業(yè)中各個銷售團隊的核心，帶動整個團隊完成銷售業(yè)績。

4.2.5 搭建恒定的農(nóng)產(chǎn)品冷鏈物流供需鏈 恒定的供需鏈對農(nóng)產(chǎn)品冷鏈物流銷售非常重要，和廠家建立密切的合作關(guān)系，并且采用聯(lián)合銷售、個性化商品、數(shù)據(jù)分享以及訓練等方式構(gòu)建銷售渠道同盟。通過與營銷商的合作共同推出增值業(yè)務(wù)、銷售服務(wù)、數(shù)據(jù)分享，實現(xiàn)與經(jīng)銷商之間的互動。

4.2.6 順應(yīng)農(nóng)產(chǎn)品冷鏈物流的價格變化 價格的動態(tài)變化引發(fā)需求的變動，能夠反映需求對價格的敏感度，因而在商品定價時需要從不同季節(jié)和供需角度出發(fā)，從彈性的方向制定價值。農(nóng)產(chǎn)品冷鏈物流的需求價值變動和農(nóng)產(chǎn)品冷鏈需求之間成反比，和農(nóng)產(chǎn)品冷鏈物流的替代作用成正比。對供不應(yīng)求的農(nóng)產(chǎn)品冷鏈物流，價格在一定區(qū)間內(nèi)上漲，對其需求變化endprint

作用較小，但價值上漲到一定程度后，則對需求產(chǎn)生很強烈的抑制影響；對于供應(yīng)大于需求的農(nóng)產(chǎn)品冷鏈物流，價位降低能夠吸引低端消費者，從而不斷增加銷售額度，而要吸引高端消費者則需要不斷從農(nóng)產(chǎn)品冷鏈物流各個方向進行創(chuàng)新。

參考文獻：

[1]Dorfman J H. Bayesian composite qualitative forecasting：hog prices again[J]. American Journal of Agricultural Economixs，1998，80（3）：543-551.

[2]Jaheen Z F. Bayesian prediction under a mixture of two-component Gompertz lifetime model[J]. Test，2003，12（2）：413-426.

[3]Enders W，Granger C W J. Unit-root tests and asymmetric adjustment with an example using the term structure of interest rates[J]. Journal of Business and Economic Statistics，1998，16（3）：304-311.

[4]安毅生，周 潔，楊臨澗，等. 基于時延賦色Petri網(wǎng)的交叉口群車輛旅行時間模糊預(yù)測[J]. 中國公路學報，2016，29（6）：243-252.

[5]紀愛兵，邱紅潔，谷銀山. 基于模糊訓練數(shù)據(jù)的支持向量機與模糊線性回歸[J]. 河北大學學報（自然科學版），2008，28（3）：240-243.

[6]肖進勝，劉恩雨，朱 力，等. 改進的基于卷積神經(jīng)網(wǎng)絡(luò)的圖像超分辨率算法[J]. 光學學報，2017，37（3）：031801-9.

[7]張卓倫，宋福根. 基于預(yù)測包容的組合預(yù)測單項模型遴選算法[J]. 統(tǒng)計與決策，2009（18）：22-23.

[8]張寶琳，劉麗萍，魏 麗. 基于組合預(yù)測的供應(yīng)鏈系統(tǒng)建模及其魯棒狀態(tài)反饋鎮(zhèn)定[J]. 控制與決策，2017，32（4）：695-702.

[9]徐 寧，殷海兵，郭龍盛. R-Q模型宏塊級精準度分析[J]. 電視技術(shù)，2012，36（15）：21-24.

[10]王 賀，胡志堅，陳 珍，等. 基于集合經(jīng)驗?zāi)B(tài)分解和小波神經(jīng)網(wǎng)絡(luò)的短期風功率組合預(yù)測[J]. 電工技術(shù)學報，2013，28（9）：137-144.

[11]符勇強，夏紹模，李昌健. 國內(nèi)冷鏈物流學術(shù)研究的知識圖譜分析[J]. 鐵道運輸與經(jīng)濟，2017，39（3）：68-73.

[12]朱 婧，范亞東，徐 勇. 基于改進GM（1，1）模型的中國大豆價格預(yù)測[J]. 大豆科學，2016，35（2）：315-319.

[13]鄒熾導，呂恩利，陸華忠，等. 基于ISM的荔枝冷鏈物流發(fā)展影響因素分析[J]. 保鮮與加工，2017，17（2）：114-119，125.

[14]李炳軍，李秋芳，盧秀霞. 灰色線性回歸組合模型在河南省糧食產(chǎn)量預(yù)測中的應(yīng)用[J]. 河南農(nóng)業(yè)科學，2009（10）：44-47.

[15]姚冠新，顧 晴. 基于經(jīng)驗?zāi)B(tài)分解和支持向量機的農(nóng)產(chǎn)品價格短期預(yù)測[J]. 江蘇農(nóng)業(yè)科學，2014，42（9）：402-405. 唐春根，胡永盛. 江蘇省農(nóng)業(yè)物聯(lián)網(wǎng)技術(shù)推廣成效[J]. 江蘇農(nóng)業(yè)科學，2017，45（19）：346-349.endprint