基于MIV-GA-BP 模型的農(nóng)產(chǎn)品冷鏈物流需求預(yù)測

穩(wěn)步推進冷鏈物流發(fā)展是鄉(xiāng)村振興戰(zhàn)略的重要基石，能夠促進農(nóng)民增收，農(nóng)產(chǎn)品高質(zhì)量流通，改善城鄉(xiāng)居民的生活質(zhì)量。2021 年國務(wù)院辦公廳印發(fā)《“十四五”冷鏈物流發(fā)展規(guī)劃》，支持冷鏈物流企業(yè)發(fā)展，推進相關(guān)科技創(chuàng)新，提高服務(wù)質(zhì)量，夯實物流基礎(chǔ)。在冷鏈物流發(fā)展備受關(guān)注的環(huán)境下，研究需求預(yù)測能夠有效保障冷鏈物流行業(yè)健康發(fā)展、合理資源配置、提升行業(yè)運行效率、適應(yīng)經(jīng)濟社會發(fā)展的需要，又能為冷鏈物流發(fā)展政策的制定提供依據(jù)。

1 研究現(xiàn)狀

灰色預(yù)測模型[1-2]、支持向量機[3-4]、BP 神經(jīng)網(wǎng)絡(luò)[5-6]、多元線性回歸[7-8]等，這些是國內(nèi)外學(xué)者在需求預(yù)測研究中常使用的方法，也是目前預(yù)測農(nóng)產(chǎn)品冷鏈物流需求常見的方式。李小玲[9]使用灰色關(guān)聯(lián)度分析篩選影響因素作為預(yù)測指標(biāo)，采用GM (1,1)模型，對廣東省生鮮農(nóng)產(chǎn)品冷鏈物流需求進行預(yù)測；潘珠[10]在海南省的需求預(yù)測中，采用BP 神經(jīng)網(wǎng)絡(luò)；王曉平等[11]將支持向量機引入預(yù)測農(nóng)產(chǎn)品冷鏈物流的研究中，預(yù)測了北京城鎮(zhèn)的需求量；梁艷等[12]采用多元線性回歸模型對天津市農(nóng)產(chǎn)品冷鏈物流需求進行預(yù)測；李思聰?shù)萚13]采用灰色回歸模型對全國冷鏈物流需求進行預(yù)測；還有不同組合預(yù)測模型[14-15]對各類冷鏈物流需求量的預(yù)測，研究結(jié)果表明了預(yù)測的可行性。

綜上所述，研究農(nóng)產(chǎn)品冷鏈物流需求預(yù)測獲得了豐富的成果，但現(xiàn)有的研究還存在一定的不足，主要表現(xiàn)在：（1）需求系統(tǒng)非線性的特點導(dǎo)致一些模型預(yù)測精度不高，且影響因素眾多增加了農(nóng)產(chǎn)品冷鏈物流需求預(yù)測的復(fù)雜性。（2）冷鏈物流從20 世紀(jì)90 年代才得到快速的發(fā)展，產(chǎn)業(yè)基礎(chǔ)設(shè)施相對落后，統(tǒng)計數(shù)據(jù)很不完善，預(yù)測研究多選取社會經(jīng)濟或物流業(yè)發(fā)展相關(guān)統(tǒng)計數(shù)據(jù)。（3）研究更多針對省市范圍或某一生鮮產(chǎn)品的需求預(yù)測，全國范圍的農(nóng)產(chǎn)品冷鏈物流需求預(yù)測研究還較少，面對雙循環(huán)的新發(fā)展格局，全國范圍的冷鏈物流需求預(yù)測需加快開展。針對上述不足之處，系統(tǒng)歸納總結(jié)了22 個農(nóng)產(chǎn)品冷鏈物流需求影響因素，使用MIV 算法篩選對冷鏈物流需求預(yù)測有較大影響的因素，將其數(shù)據(jù)整理后作為網(wǎng)絡(luò)輸入從而提高模型的精度。GA-BP 模型能夠在保留BP 神經(jīng)網(wǎng)絡(luò)優(yōu)勢的基礎(chǔ)上，進一步增加預(yù)測結(jié)果的準(zhǔn)確性，避免預(yù)測陷入局部最優(yōu)的狀況，實現(xiàn)提升BP 神經(jīng)網(wǎng)絡(luò)預(yù)測精度的目的。

2 數(shù)據(jù)來源與處理

2.1 農(nóng)產(chǎn)品冷鏈物流需求影響因素

影響農(nóng)產(chǎn)品冷鏈物流需求的因素很多，結(jié)合農(nóng)產(chǎn)品冷鏈物流領(lǐng)域已有的研究成果，并充分考慮各因素之間的相互關(guān)系，選取經(jīng)濟發(fā)展水平、供需水平、交通運輸發(fā)展水平、冷鏈支撐條件、物流可持續(xù)發(fā)展水平等5 個一級指標(biāo)，系統(tǒng)歸納篩選出22個二級指標(biāo)，如表1 所示：

表1 冷鏈物流需求影響因素指標(biāo)體系

2.2 數(shù)據(jù)來源

相關(guān)數(shù)據(jù)來源于2006 年到2021 年間的《中國統(tǒng)計年鑒》、《中國冷鏈物流發(fā)展報告》、《中國物流年鑒》以及相關(guān)網(wǎng)站的統(tǒng)計數(shù)據(jù)中直接引用或間接計算整理獲取。一般以各類生鮮農(nóng)產(chǎn)品的流通率乘以生鮮產(chǎn)品的產(chǎn)量加總或以人均生鮮農(nóng)產(chǎn)品消費量乘以全國人口數(shù)量作為農(nóng)產(chǎn)品冷鏈物流需求指標(biāo)。由于冷鏈物流相關(guān)統(tǒng)計工作較為滯后，冷鏈流通率數(shù)據(jù)難以獲取，數(shù)據(jù)準(zhǔn)確性難以保證，因此研究采用主要生鮮農(nóng)產(chǎn)品人均消費量乘以人口數(shù)量作為農(nóng)產(chǎn)品冷鏈物流需求指標(biāo)Y1萬噸。部分指標(biāo)數(shù)據(jù)存在缺失值，為保證數(shù)據(jù)的可靠性和口徑一致性，對于樣本缺失值使用GM (1,1)灰色預(yù)測，確保數(shù)據(jù)的完整性。

2.3 數(shù)據(jù)預(yù)處理

2.3.1 數(shù)據(jù)歸一化處理

由于各個指標(biāo)數(shù)據(jù)會因為量綱問題而造成較大的網(wǎng)絡(luò)預(yù)測誤差，采用歸一化方法對初始數(shù)據(jù)進行無綱量化處理，取消各維數(shù)據(jù)間的數(shù)量級差別，提高訓(xùn)練速度和靈敏性。數(shù)據(jù)歸一化算法為：

式中：x 為各指標(biāo)原始數(shù)據(jù)，xmax與xmin為各指標(biāo)原始中的最大值和最小值，y 為歸一化處理后的數(shù)據(jù)。

2.3.2 基于MIV（平均影響值）的變量篩選

在使用各種神經(jīng)網(wǎng)絡(luò)對冷鏈物流需求進行預(yù)測的過程中，如何選擇影響較大的指標(biāo)作為自變量選入神經(jīng)網(wǎng)絡(luò)模型，是研究的關(guān)鍵之一。使用MIV 算法對神經(jīng)網(wǎng)絡(luò)變量進行篩選，跳出過往的研究中通過經(jīng)驗對自變量選擇的局限性，有效提高神經(jīng)網(wǎng)絡(luò)的預(yù)測精度，從而使建立的神經(jīng)網(wǎng)絡(luò)變量更少、效果更好。MIV 值的絕對值越大，指標(biāo)對輸出結(jié)果的影響越明顯，表明此指標(biāo)越重要。

具體計算過程如下：

（1）使用原始數(shù)據(jù)訓(xùn)練一個正確的神經(jīng)網(wǎng)絡(luò)。

（2）在訓(xùn)練完成后，對訓(xùn)練樣本X 進行變動，將X 中的各個指標(biāo)數(shù)據(jù)加和減10%，形成兩個新的樣本X1和X2。

（3）將X1和X2重新輸入到訓(xùn)練完成的神經(jīng)網(wǎng)絡(luò)中，得到變動后的兩種結(jié)果P1和P2。

（4）求P1和P2的差值，為變動該自變量后對輸出產(chǎn)生的影響變化值。

（5）將變化值按觀測例數(shù)平均得出該自量對于應(yīng)變量的MIV 值。

（6）根據(jù)上述計算過程，確定MIV 值絕對值大小，篩選出排名前十的影響因素指標(biāo)如表2 所示，相關(guān)指標(biāo)數(shù)據(jù)如表3 所示。

表2 MIV 值排名前十的指標(biāo)

3 建立預(yù)測模型

3.1 確定BP 神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)

BP 神經(jīng)網(wǎng)絡(luò)通過反向傳播進行誤差校正，是一種極為成熟的人工神經(jīng)網(wǎng)絡(luò)，在預(yù)測研究中發(fā)揮了很大的作用。根據(jù)研究數(shù)據(jù)集的復(fù)雜程度和已有研究結(jié)果表明一層隱含層就可滿足預(yù)測需求即構(gòu)建3 層神經(jīng)網(wǎng)絡(luò)模型。輸入層、輸出層由篩選出的預(yù)測影響因素指標(biāo)確定節(jié)點個數(shù)，根據(jù)上述可知數(shù)值分別為10 和1。隱含層節(jié)點數(shù)無法直接獲取，通常采用經(jīng)驗公式確定大概范圍，將其作為選擇參考，通過實驗來確定最佳取值。經(jīng)驗公式為：

式中：k 為隱含層節(jié)點數(shù)；輸入層、輸出層節(jié)點數(shù)為m 和q；a 取0 到10 之間的常數(shù)。通過圖1 可以確定當(dāng)隱含層節(jié)點為11 時，對輸出結(jié)果影響較小。

圖1 預(yù)測均方誤差與隱含層節(jié)點數(shù)關(guān)系

3.2 GA-BP 神經(jīng)網(wǎng)絡(luò)預(yù)測模型

BP 神經(jīng)網(wǎng)絡(luò)在各種需求預(yù)測中使用極為廣泛，其結(jié)構(gòu)簡單，具備神經(jīng)網(wǎng)絡(luò)的普遍優(yōu)點，有高度自學(xué)習(xí)和自適應(yīng)能力，可操作性性能好。GA-BP 神經(jīng)網(wǎng)絡(luò)保留了BP 神經(jīng)網(wǎng)絡(luò)在預(yù)測研究中的優(yōu)勢，同時GA 算法有效彌補網(wǎng)絡(luò)的缺點，避免了初始值選取對神經(jīng)網(wǎng)絡(luò)的訓(xùn)練結(jié)果造成影響。GA-BP 算法流程圖如圖2 所示。

圖2 GA-BP 算法流程圖

3.3 預(yù)測結(jié)果分析

選取2006 年到2015 年數(shù)據(jù)作為訓(xùn)練集，訓(xùn)練神經(jīng)網(wǎng)絡(luò)，2016 年到2021 年數(shù)據(jù)作為測試集驗證神經(jīng)網(wǎng)絡(luò)的預(yù)測結(jié)果。將數(shù)據(jù)帶入未經(jīng)MIV 篩選的BP 神經(jīng)網(wǎng)絡(luò)、MIV-BP 神經(jīng)網(wǎng)絡(luò)和MIV-GA-BP 神經(jīng)網(wǎng)絡(luò)模型，3 種模型對農(nóng)產(chǎn)品冷鏈物流需求預(yù)測結(jié)果的平均相對誤差來衡量模型的預(yù)測性能。

由表4 可知，MIV-GA-BP 預(yù)測模型的預(yù)測誤差明顯更小，預(yù)測精度高達99.62%，結(jié)果表明該模型在生鮮農(nóng)產(chǎn)品冷鏈物流的需求預(yù)測中能夠達到想要的預(yù)測效果且與真實值保持較高的擬合度，具有較高的科學(xué)性和嚴謹性。為更直觀反應(yīng)3 種模型的擬合精度，預(yù)測結(jié)果對比圖如圖3 所示。

圖3 各模型冷鏈物流需求量預(yù)測結(jié)果對比圖

表4 各模型預(yù)測精度

根據(jù)構(gòu)建的MIV-GA-BP 模型，結(jié)合歷史數(shù)據(jù)及影響因素的預(yù)測結(jié)果，對2022 年到2026 年農(nóng)產(chǎn)品冷鏈物流需求總量預(yù)測，預(yù)測值如表5 所示。

表5 2022—2026 年我國農(nóng)產(chǎn)品冷鏈物流需求總量預(yù)測

4 結(jié)論

以農(nóng)產(chǎn)品冷鏈物流需求為研究對象，歸納總結(jié)了22 個影響因素指標(biāo)，對影響因素進行MIV 算法分析，篩選出對預(yù)測結(jié)果影響較大的10 個因素來進行需求預(yù)測。通過建立MIV-GA-BP 模型，利用我國農(nóng)產(chǎn)品冷鏈物流相關(guān)歷史數(shù)據(jù)進行分析，對比3種模型預(yù)測結(jié)果，得出MIV-GA-BP 模型的預(yù)測精度和穩(wěn)定性明顯更為優(yōu)越，說明了模型對我國農(nóng)產(chǎn)品冷鏈物流需求預(yù)測的有效性與可信度較高。該模型能夠為農(nóng)產(chǎn)品冷鏈物流需求預(yù)測提供一種較為精確的預(yù)測方法，為冷鏈物流研究提供預(yù)測參考。分析相關(guān)影響因素，結(jié)合未來5 年農(nóng)產(chǎn)品冷鏈物流需求量明顯的遞增趨勢，提出以下3 點建議：（1）強化冷鏈物流服務(wù)體系，建成符合我國國情和產(chǎn)業(yè)結(jié)構(gòu)特點、適應(yīng)經(jīng)濟社會發(fā)展需要的冷鏈物流體系。（2）提高農(nóng)產(chǎn)品產(chǎn)地低溫處理能力，擴大高品質(zhì)生鮮農(nóng)產(chǎn)品供給，支撐帶動冷鏈物流產(chǎn)業(yè)做大做強做優(yōu)。（3）加大冷鏈物流關(guān)鍵技術(shù)和先進裝備研發(fā)力度，推動建立冷鏈物流統(tǒng)計評價體系，完善冷鏈物流標(biāo)準(zhǔn)體系。加大冷鏈物流專業(yè)人才培養(yǎng)力度，擴大冷鏈物流人才隊伍。