農(nóng)場電商生鮮農(nóng)產(chǎn)品需求預(yù)測體系及應(yīng)用

馬佳玉，孫宗軍MA Jiayu, SUN Zongjun

（1. 西安汽車職業(yè)大學，陜西 臨潼 710038；2. 山東科技大學，山東 青島 266590）

0 引 言

隨著信息化的不斷發(fā)展，電子商務(wù)已經(jīng)成為驅(qū)動中國經(jīng)濟發(fā)展的重要動力，“互聯(lián)網(wǎng)+”的新興物流體系也有效激發(fā)了物流行業(yè)的創(chuàng)造力。就農(nóng)產(chǎn)品電商銷售而言，相較于傳統(tǒng)的線下銷售，其產(chǎn)品豐富、交易快捷、流程簡單等優(yōu)勢突出，線上銷售在農(nóng)產(chǎn)品的供銷體系中發(fā)揮著重要作用。

為有效把握電商銷售下的生鮮農(nóng)產(chǎn)品需求量的發(fā)展方向與變化趨勢，選擇合理的需求預(yù)測模型并進行有效的需求預(yù)測至關(guān)重要，而建立合理的需求預(yù)測體系是可靠預(yù)測的前提。黃凱等選擇社會零售品消費總額、人均GDP 等15 個指標構(gòu)建了生鮮農(nóng)產(chǎn)品需求預(yù)測體系，并采用GM、BP 神經(jīng)網(wǎng)絡(luò)和RBF 神經(jīng)網(wǎng)絡(luò)預(yù)測模型預(yù)測了2018～2022 年中國生鮮農(nóng)產(chǎn)品冷鏈物流需求量；張繼良等提出了包括經(jīng)濟發(fā)展程度、產(chǎn)業(yè)結(jié)構(gòu)等因素在內(nèi)預(yù)測體系，并采用多變量灰色預(yù)測模型預(yù)測了2020～2024 年的山東省生鮮農(nóng)產(chǎn)品需求量；楊航等選擇蔬菜產(chǎn)量、水果產(chǎn)量等因素作為預(yù)測體系的自變量，并預(yù)測了陜西省五年內(nèi)的冷鏈需求量。

然而，目前農(nóng)產(chǎn)品的需求量預(yù)測研究主體多為省市地區(qū)的預(yù)測，主體為電商環(huán)境下農(nóng)場經(jīng)營單位的農(nóng)產(chǎn)品需求預(yù)測研究相對缺乏?；谏鲜鰡栴}，本文選擇青島市西海岸某農(nóng)場為研究對象，對其生鮮農(nóng)產(chǎn)品需求量進行了預(yù)測。文中給出了農(nóng)場電商生鮮農(nóng)產(chǎn)品需求量預(yù)測體系的建立原則與過程，同時對某農(nóng)場生鮮農(nóng)產(chǎn)品需求預(yù)測的應(yīng)用實例也證明了需求預(yù)測體系與預(yù)測模型的有效性與適用性。

1 農(nóng)場電商生鮮農(nóng)產(chǎn)品需求量預(yù)測指標體系構(gòu)建

物流需求是派生性需求，影響及制約物流需求量的因素眾多。進行可靠物流需求預(yù)測的基礎(chǔ)是構(gòu)建合理的需求預(yù)測體系，在選擇預(yù)測指標時應(yīng)遵循可得性、相關(guān)性以及獨立性原則。

1.1 指標選取

本文參考文獻[8]的研究成果，結(jié)合農(nóng)場電商生鮮產(chǎn)品的特點，分別從電商生鮮農(nóng)產(chǎn)品供給影響因素（X）、社會經(jīng)濟環(huán)境（X）、人文因素（X）、載運情況（X）以及線上影響因素（X）5 個維度選取了影響因素。

（1） 生鮮農(nóng)產(chǎn)品供給影響因素主要包括生鮮農(nóng)產(chǎn)品總產(chǎn)值。這一部分的指標選取來源于自農(nóng)場開始運用線上銷售模式開始統(tǒng)計的各年度各季度的訂單情況，包括生鮮農(nóng)產(chǎn)品的需求量、總產(chǎn)值。該指標直接影響到農(nóng)場的定價、種植計劃等多個方面，需要對其影響進行研究分析。

（2） 社會經(jīng)濟環(huán)境主要包括城鎮(zhèn)居民食品消費價格指數(shù)、地區(qū)生產(chǎn)總值、第一產(chǎn)業(yè)增加值、第三產(chǎn)業(yè)增加值、進出口總額。居民食品消費價格指數(shù)可以表征日常消費產(chǎn)品價格對居民生活成本的貢獻度，生鮮農(nóng)產(chǎn)品是居民生活的日?；A(chǔ)需求之一，在居民生活成本中占有重要地位，居民食品消費價格指數(shù)可以反映地區(qū)居民對生鮮農(nóng)產(chǎn)品的需求狀況；地區(qū)生產(chǎn)總值與地區(qū)居民的購買力整體上表現(xiàn)為正相關(guān)關(guān)系，電商農(nóng)產(chǎn)品生產(chǎn)上表現(xiàn)為第一產(chǎn)業(yè)、銷售渠道上表現(xiàn)為第三產(chǎn)業(yè)，電商生鮮農(nóng)產(chǎn)品與第一產(chǎn)業(yè)、第三產(chǎn)業(yè)相互促進、共同發(fā)展；進出口總額與地區(qū)生鮮農(nóng)產(chǎn)品的進出口狀況聯(lián)系密切，山東省作為農(nóng)業(yè)大省、“一帶一路”主要港口城市，其產(chǎn)出的農(nóng)產(chǎn)品主要滿足本地區(qū)居民的日常需求及對外出口需求。

（3） 人文因素主要包括城鎮(zhèn)居民人均消費支出、本地區(qū)人口數(shù)量、第三產(chǎn)業(yè)從業(yè)人數(shù)。人口數(shù)量與生鮮農(nóng)產(chǎn)品的消費力緊密相關(guān)，生鮮農(nóng)產(chǎn)品支出是城鎮(zhèn)居民人均消費支出的重要組成部分，第三產(chǎn)業(yè)從業(yè)人數(shù)可以反映地區(qū)居民的收入消費水平。

（4） 載運情況主要包括貨運量、載貨汽車量。生鮮農(nóng)產(chǎn)品配送是物流產(chǎn)業(yè)的重要組成部分，貨運量以及載貨汽車量可以直接反映地區(qū)的物流市場以及載運能力。

（5） 線上影響因素主要包括電子商務(wù)營業(yè)額、移動電話用戶數(shù)、移動互聯(lián)網(wǎng)用戶使用數(shù)。我國的B2B、C2B、B2B2C、C2C、O2O 等網(wǎng)絡(luò)銷售模式，一方面極大地拓展了生鮮農(nóng)產(chǎn)品的銷售渠道，另一方面也提高了居民的農(nóng)產(chǎn)品消費需求。電子商務(wù)營業(yè)額、移動電話用戶數(shù)、移動互聯(lián)網(wǎng)用戶使用數(shù)能夠很好地反映電商環(huán)境對生鮮農(nóng)產(chǎn)品需求量產(chǎn)生的影響。

1.2 相關(guān)性分析與數(shù)據(jù)集構(gòu)建

以山東省2015～2019 年指標數(shù)據(jù)資料為基礎(chǔ)，采用一次指數(shù)平滑法補充山東省西海岸新區(qū)生鮮農(nóng)產(chǎn)品需求量及相關(guān)數(shù)據(jù)，構(gòu)建完整的數(shù)據(jù)集，同時運用SPSS 數(shù)據(jù)分析軟件分析各因素公因子方差，各指標累計貢獻率如表1 所示，生鮮農(nóng)產(chǎn)品需求量指標體系如表2 所示。X～X均與Y 有密切相關(guān)性，本次選取的各個指標對需求量累計貢獻率全部高于85%，其中X人口數(shù)量（萬人）、X第三產(chǎn)業(yè)從業(yè)人數(shù)（萬人）、X載貨汽車量（輛）、X電子商務(wù)營業(yè)額（萬億） 在數(shù)據(jù)集中對需求量（Y ）的影響最大。

表1 各指標累計貢獻率 單位：%

表2 生鮮農(nóng)產(chǎn)品需求量指標體系

2 基于ARIMA 的生鮮農(nóng)產(chǎn)品需求量模型構(gòu)建與分析

2.1 ARIMA 模型建立

將所建立的數(shù)據(jù)集選擇16 組數(shù)據(jù)作為訓練集、3 組數(shù)據(jù)作為測試集，其中訓練集用于MATLAB 軟件的ARIMA 建模，測試集用來檢驗ARIMA 模型的可靠性?；贏RIMA （p,d,q ）生鮮農(nóng)產(chǎn)品需求量模型的建模過程如下：

（1） 數(shù)據(jù)集的平穩(wěn)性檢驗。ARIMA 模型預(yù)測時使用的時間序列必須是平穩(wěn)的非白噪聲序列，若構(gòu)建的數(shù)據(jù)集不平穩(wěn)，需要進行d 階差分處理，將數(shù)據(jù)集轉(zhuǎn)化為平穩(wěn)序列，差數(shù)階數(shù)d 通常小于3。

（2） ARIMA （p,d,q ）建立。運用自回歸模型AR（p ）、滑動平均模型MA（q ）對處理后的平穩(wěn)且非白噪聲序列進行擬合、分析、預(yù)測，求和自回歸移動平均模型可表示為ARIMA （p,d,q ），如式（1） 所示。

式中：Δd= （1- B）為d 階差分，Θ（B ）=1-θB-…-θB為ARMA （p,q ）模型中的移動平滑系數(shù)多項式，Φ（B ）=1-φB-…-φB為ARMA （p,q ）模型中的自回歸系數(shù)多項式。

2.2 生鮮農(nóng)產(chǎn)品需求量預(yù)測分析

依據(jù)前文構(gòu)建的數(shù)據(jù)集，構(gòu)建了如圖1 所示的2015～2019 年前三季度農(nóng)場生鮮農(nóng)產(chǎn)品需求量原始時序圖，運用MATLAB對數(shù)據(jù)進行平穩(wěn)性檢驗處理，ARIMA 模型自相關(guān)系數(shù)如圖2 所示。試均值常數(shù)E （X）=μ=0.02632，且生鮮農(nóng)產(chǎn)品需求量并未圍繞某一特定值上下波動，因此構(gòu)建的數(shù)據(jù)集為非平穩(wěn)時間序列。同時，單位根檢驗H=adftest （DX ）=1，表明自變量（X～X）與因變量（Y ）存在欺騙關(guān)系。

圖1 生鮮農(nóng)產(chǎn)品需求量原始時序圖

圖2 ARIMA 模型自相關(guān)系數(shù)垂線圖

為保障數(shù)據(jù)的真實性與可靠性，采用低階差分方式處理數(shù)據(jù)集，可以有效避免過度差分造成的系列信息丟失、數(shù)據(jù)精度欠佳的現(xiàn)象，本文采用一階差分方式處理數(shù)據(jù)集，結(jié)果如圖3 所示。差分自相關(guān)系數(shù)在（-0.5～）1 波動，且多數(shù)差分自相關(guān)系數(shù)在0 附近，經(jīng)一階差分處理后的數(shù)據(jù)集滿足平穩(wěn)時間序列。為建立擬合精度與參數(shù)配置的綜合最優(yōu)預(yù)測模型，避免過度擬合現(xiàn)象，采用AIC 最小值的模型確定為最優(yōu)模型，選取了16 組訓練，3 組測試；19 組訓練，16 組測試的組合模式，求得最小的AIC=5.7374。因此，差分處理后的數(shù)據(jù)集可以用于ARIMA 模型進行需求預(yù)測分析。

圖3 ARIMA 模型差分序列自相關(guān)系數(shù)垂線圖

將數(shù)據(jù)集劃分為16 組訓練數(shù)據(jù)，3 組測試數(shù)據(jù)，運用MATLAB 軟件進行ARIMA 建模，得到關(guān)于生鮮農(nóng)產(chǎn)品需求量的預(yù)測結(jié)果，模型擬合結(jié)果如表3 所示。預(yù)測結(jié)果顯示R平均值為0.992，且RMSE、MAPE 誤差較小，表明模型可靠、預(yù)測精度較高。

表3 ARMIA 模型預(yù)測誤差

ARIMA 模型預(yù)測結(jié)果如表4 所示，2019 年第一季度、第二季度、第三季度的預(yù)測值分別為236.44、242.96、249.69 噸，其誤差分別為0.09%、0.01%、0.05%，表明ARIMA 預(yù)測模型可以用于農(nóng)場電商生鮮農(nóng)產(chǎn)品的需求預(yù)測。

表4 ARMIA 模型預(yù)測結(jié)果

3 結(jié) 論

本文基于可得性、相關(guān)性以及獨立性原則，選取影響電商農(nóng)場生鮮農(nóng)產(chǎn)品需求量的影響指標，同時就預(yù)測指標的合理性進行相關(guān)性分析，構(gòu)建了包括生鮮農(nóng)產(chǎn)品供給影響、社會經(jīng)濟環(huán)境、人文因素、載運情況以及線上影響因素的農(nóng)場電商生鮮農(nóng)產(chǎn)品需求預(yù)測體系，并以青島市某農(nóng)場進行了ARIMA 模型預(yù)測的實例驗證。結(jié)果表明，該農(nóng)場2019 年第一季度、第二季度、第三季度的農(nóng)產(chǎn)品需求預(yù)測誤差分別為0.09%、0.01%、0.05%，農(nóng)場電商生鮮農(nóng)產(chǎn)品需求量預(yù)測指標體系與ARIMA 預(yù)測模型的應(yīng)用狀況良好，可以為該農(nóng)場的區(qū)域物流系統(tǒng)規(guī)劃與設(shè)計提供科學指導。