基于PCA-RBF神經(jīng)網(wǎng)絡(luò)模型的果蔬冷鏈物流需求預(yù)測(cè)

郭明德,李 紅

(新疆農(nóng)業(yè)大學(xué) 經(jīng)濟(jì)與貿(mào)易學(xué)院,新疆 烏魯木齊 830052)

2017年,我國(guó)年人均GDP已達(dá)到8800多美元,根據(jù)美、日、歐盟等發(fā)達(dá)國(guó)家的冷鏈物流發(fā)展經(jīng)驗(yàn),當(dāng)人均GDP達(dá)4000美元以后,居民對(duì)冷凍、冷藏食品的消費(fèi)會(huì)逐步升級(jí),在食品消費(fèi)數(shù)量增加的同時(shí),人們將更加關(guān)注食品安全與消費(fèi)的多元化,如新鮮蔬菜、水果等消費(fèi)增加。在此背景下,將會(huì)有更多的水果和蔬菜通過(guò)冷鏈物流系統(tǒng)配送到人們的餐桌,并推動(dòng)冷鏈物流產(chǎn)業(yè)的發(fā)展。果蔬冷鏈物流需求信息是政府冷鏈物流規(guī)劃的重要參考指標(biāo)之一,同時(shí)也是相關(guān)冷鏈物流企業(yè)進(jìn)行物流戰(zhàn)略決策和市場(chǎng)需求分析的參考依據(jù)。因此,準(zhǔn)確地進(jìn)行果蔬冷鏈物流需求信息預(yù)測(cè)顯得尤為重要。

關(guān)于物流需求信息預(yù)測(cè)的研究,Flsieh等(2011)對(duì)區(qū)域生鮮農(nóng)產(chǎn)品的冷鏈物流需求進(jìn)行了回歸預(yù)測(cè)[1]。Eksoz(2014)應(yīng)用灰色模型、神經(jīng)網(wǎng)絡(luò)模型及其組合模型,結(jié)合需求影響因素,預(yù)測(cè)了某地區(qū)鐵路冷鏈物流的短期需求[2]。胡小建等(2017)采用MATLAB軟件進(jìn)行編程模擬,構(gòu)建了物流需求多元非線性組合回歸預(yù)測(cè)模型,研究顯示:多元非線性組合回歸預(yù)測(cè)模型的預(yù)測(cè)效果明顯優(yōu)于多元線性回歸、指數(shù)平滑法、多項(xiàng)式擬合及非線性預(yù)測(cè)法[3]。魯渤等(2017)借鑒引力模型思想,結(jié)合經(jīng)濟(jì)學(xué)等理論,構(gòu)建了區(qū)域物流引力模型,并對(duì)內(nèi)蒙古鄂爾多斯的物流需求進(jìn)行了預(yù)測(cè)[4]。李曉利(2015)通過(guò)改進(jìn)灰色系統(tǒng)與神經(jīng)網(wǎng)絡(luò)組合模型,構(gòu)建了煤炭物流需求預(yù)測(cè)系統(tǒng),其具有較高的預(yù)測(cè)精度,能滿足煤炭物流需求預(yù)測(cè)的要求[5]。王帆(2015)構(gòu)建了離差平方和最小的物流需求組合預(yù)測(cè)模型,并對(duì)物流需求預(yù)測(cè)中最主要的組合權(quán)重給出了統(tǒng)一的計(jì)算公式,最后對(duì)某電商企業(yè)的物流配送需求進(jìn)行了計(jì)算[6]。戎陸慶(2017)應(yīng)用灰色GM(1,1)模型,并用灰色關(guān)聯(lián)法對(duì)廣西果蔬冷鏈物流需求進(jìn)行了預(yù)測(cè)[7]。

上述物流需求信息研究取得了較好的研究成果,為政府和物流企業(yè)提供了相關(guān)決策依據(jù)。但是冷鏈物流需求信息預(yù)測(cè)研究存在以下幾個(gè)問(wèn)題:一是關(guān)于果蔬冷鏈物流需求情報(bào)預(yù)測(cè)的文獻(xiàn)較少;二是果蔬冷鏈物流需求信息的影響因素較多,如果采用多元線性回歸、指數(shù)平滑法進(jìn)行預(yù)測(cè),則計(jì)算量大,較難進(jìn)行準(zhǔn)確預(yù)測(cè);三是在對(duì)果蔬冷鏈物流需求信息進(jìn)行預(yù)測(cè)時(shí),仍然借用物流需求信息的影響因素,沒(méi)有考量果蔬冷鏈物流需求信息與物流需求信息存在較大的差異。鑒于此,我們選取新的果蔬冷鏈物流需求信息影響因素,并采用PCA-RBF神經(jīng)網(wǎng)絡(luò)模型,對(duì)江西省的果蔬冷鏈物流需求信息進(jìn)行了預(yù)測(cè)研究。

1 果蔬冷鏈物流需求信息預(yù)測(cè)

冷鏈物流需求信息預(yù)測(cè)模型有多種,應(yīng)根據(jù)冷鏈物流需求預(yù)測(cè)的精度和時(shí)效要求來(lái)選擇具體的預(yù)測(cè)模型。

1.1 用PCA確定果蔬冷鏈物流需求信息的主成分因子

PCA分析(主成分分析)是把一些具有復(fù)雜關(guān)系的因子變量歸納為少數(shù)幾個(gè)因子變量的統(tǒng)計(jì)方法。PCA分析是對(duì)多維數(shù)據(jù)進(jìn)行降維,即通過(guò)計(jì)算,將輸入的m×n維數(shù)據(jù)矩陣,變換得到公式(1)的矩陣形式:

Y=(Y1,Y2,Y3,…,Yn)T=WTX

(1)

尋找一組新變量Y1,Y2,…,Yd(d≤n),使這組新變量彼此之間既相互獨(dú)立又盡可能地表達(dá)原始變量X1,X2,…,Xn中包含的信息。

D(Yi)=D(WiTW)=WiTD(X)Wi=WiT∑Wi

(2)

COV(Yi,Yk)=COV(WiTX,WkTX)=WiTCOV(X,X)Wk=WiT∑Wk

(3)

公式(2)、(3)中,i、k∈[1,n]。求出相互獨(dú)立的新變量Y1,Y2,…,Yd中的Wi,將提取出的幾個(gè)主成分(指標(biāo))作為RBF神經(jīng)網(wǎng)絡(luò)的輸入節(jié)點(diǎn)。

1.2 基于RBF的果蔬冷鏈物流需求信息預(yù)測(cè)模型

果蔬冷鏈物流需求信息的影響因素之間多為非線性關(guān)系,而RBF神經(jīng)網(wǎng)絡(luò)模型是由大量處理單元組成的非線性大規(guī)模自適應(yīng)動(dòng)力系統(tǒng),由輸入層、隱含層和輸出層構(gòu)成的RBF神經(jīng)網(wǎng)絡(luò)模型如圖1所示[8]。RBF神經(jīng)網(wǎng)絡(luò)的基本思想是:逐步地將集中的影響因子X(jué)N輸入到RBF函數(shù)f(x)中,根據(jù)輸出結(jié)果和理想輸出之間的差θ來(lái)調(diào)整網(wǎng)絡(luò)中的Wi權(quán)值矩陣?；赗BF的果蔬冷鏈物流需求預(yù)測(cè)模型構(gòu)建流程如下:將主成分分析(PCA)提取的果蔬冷鏈物流影響因子(X1,X2,…,X9)作為輸入層；用Y表示果蔬冷鏈物流需求信息輸出(圖1)。

RBF神經(jīng)網(wǎng)絡(luò)模型向量表示為:

(4)

(5)

公式(4)、(5)中：Yj為第j年的果蔬冷鏈物流需求信息量;Wi為網(wǎng)絡(luò)權(quán)值;θ為高斯函數(shù)的方差;Xn為第n個(gè)訓(xùn)練年份的數(shù)據(jù)；r2為樣本數(shù)據(jù)與基函數(shù)中心的距離。

1.3 基于PCA-RBF模型的果蔬冷鏈物流需求信息預(yù)測(cè)思路

PCA-RBF神經(jīng)網(wǎng)絡(luò)模型(如圖2)的原理是,將PCA和RBF神經(jīng)網(wǎng)絡(luò)模型的優(yōu)勢(shì)相結(jié)合,首先應(yīng)用PCA模型對(duì)需求信息預(yù)測(cè)的原始數(shù)據(jù)進(jìn)行主成分分析,提取影響因子的主變量,將主變量因子輸入到RBF神經(jīng)網(wǎng)絡(luò)模型進(jìn)行計(jì)算。PCA-RBF神經(jīng)網(wǎng)絡(luò)模型的優(yōu)點(diǎn)是改變了RBF神經(jīng)網(wǎng)絡(luò)模型的輸入節(jié)點(diǎn)數(shù),由多個(gè)輸入節(jié)點(diǎn)變?yōu)樯贁?shù)幾個(gè)主因子輸入節(jié)點(diǎn)。

2 果蔬冷鏈物流需求信息影響因素的分析與選取

果蔬產(chǎn)品具有易腐性與易損性,采后壽命較短,在流通過(guò)程中很容易發(fā)生衰老或者品質(zhì)變化。隨著消費(fèi)者對(duì)果蔬品質(zhì)要求的提升,果蔬冷鏈物流在整個(gè)果蔬流通體系中的重要性逐步提升,因此,果蔬冷鏈物流需求影響因素應(yīng)考慮上述特征。從已有的研究物流需求信息文獻(xiàn)來(lái)看,果蔬冷鏈物流需求信息的影響因素眾多,由于研究者關(guān)注的視角不同,選取的影響因素也不同。綜合已有研究文獻(xiàn)，考慮果蔬冷鏈物流需求信息影響因素的重要性、相關(guān)性及數(shù)據(jù)的可得性等,同時(shí)考慮反映農(nóng)產(chǎn)品冷鏈物流數(shù)據(jù)的客觀性和可操作性及果蔬冷鏈物流最新發(fā)展動(dòng)態(tài),我們構(gòu)建了新的果蔬冷鏈物流需求信息影響變量,選取宏觀經(jīng)濟(jì)發(fā)展水平、物流交通、信息技術(shù)條件、物流可持續(xù)發(fā)展條件等3個(gè)方面的因素,作為果蔬冷鏈物流需求信息的主要影響因素變量,如表1所示。

圖2 PCA-RBF神經(jīng)網(wǎng)絡(luò)模型

環(huán)境因素變量代號(hào)宏觀經(jīng)濟(jì)發(fā)展水平GDP增長(zhǎng)率/%X1第一產(chǎn)業(yè)增加值/億元X2蔬菜種植總面積/萬(wàn)hm2X3居民食品消費(fèi)價(jià)格指數(shù)X4交通、信息技術(shù)條件公路總里程/kmX5移動(dòng)電話/萬(wàn)戶X6載貨汽車數(shù)/輛X7可持續(xù)發(fā)展條件年貨運(yùn)總量/萬(wàn)tX8交通基礎(chǔ)設(shè)施投資額/億元X9

2.1 果蔬冷鏈物流宏觀經(jīng)濟(jì)發(fā)展水平

果蔬冷鏈物流宏觀經(jīng)濟(jì)發(fā)展水平反映了區(qū)域果蔬冷鏈物流發(fā)展的宏觀環(huán)境,對(duì)果蔬冷鏈物流的發(fā)展起著決定性的作用,包括國(guó)民生產(chǎn)總值(GDP)增長(zhǎng)率(X1)、第一產(chǎn)業(yè)增加值(X2)、蔬菜種植總面積(X3)、居民食品消費(fèi)價(jià)格指數(shù)(X4)這4個(gè)影響因子。

GDP增長(zhǎng)率(X1)是衡量區(qū)域經(jīng)濟(jì)發(fā)展水平的指標(biāo)之一,GDP增長(zhǎng)率高低直接影響區(qū)域?qū)呃滏溛锪鞯男枨?。一般?GDP增長(zhǎng)率越高、區(qū)域經(jīng)濟(jì)增長(zhǎng)越快,果蔬冷鏈物流服務(wù)需求就越大。第一產(chǎn)業(yè)增加值(X2)指農(nóng)業(yè)部門在一定時(shí)期內(nèi)的增加值。第一產(chǎn)業(yè)增加值包括果蔬產(chǎn)出供應(yīng)量,進(jìn)而對(duì)果蔬冷鏈物流需求產(chǎn)生影響,因此選取第一產(chǎn)業(yè)增加值作為果蔬冷鏈物流的影響因子。蔬菜種植總面積(X3)指全社會(huì)蔬菜有效種植面積,蔬菜種植面積越大,則蔬菜總產(chǎn)量越高，對(duì)冷鏈物流的需求就增加。居民食品消費(fèi)價(jià)格指數(shù)(X4)決定了社會(huì)商品的流通,食品消費(fèi)需求的增長(zhǎng)會(huì)拉動(dòng)對(duì)交通運(yùn)輸、倉(cāng)儲(chǔ)等物流服務(wù)的需求增加，同樣也會(huì)引起果蔬冷鏈物流需求的增加。

2.2 果蔬冷鏈物流需求的交通、信息技術(shù)條件

果蔬冷鏈物流需求的交通、信息技術(shù)條件是指果蔬冷鏈物流的基礎(chǔ)設(shè)施條件，主要包括公路通車總里程(X5)、移動(dòng)電話用戶數(shù)(X6)和載貨汽車數(shù)(X7)這3個(gè)因子。

公路通車總里程X5,指用于能運(yùn)輸貨物的道路(不含農(nóng)村公路)的長(zhǎng)度。道路越長(zhǎng),則表明物流的交通條件越發(fā)達(dá)。移動(dòng)電話用戶數(shù)(X6),該指標(biāo)是衡量信息化程度的重要指標(biāo),移動(dòng)電話數(shù)越多,表明該地區(qū)信息化程度越高。載貨汽車數(shù)(X7),指能用于運(yùn)輸貨物的車輛總數(shù)，車輛數(shù)越多,表明投入越多,運(yùn)輸能力越強(qiáng)。

2.3 果蔬冷鏈物流的可持續(xù)發(fā)展條件

果蔬冷鏈物流的可持續(xù)發(fā)展條件是指未來(lái)果蔬冷鏈需求的潛力條件，包括年貨運(yùn)總量(X8)和交通基礎(chǔ)設(shè)施投資總額(X9)這2個(gè)因子。

年貨運(yùn)總量(X8)指各類運(yùn)輸企業(yè)在1年時(shí)間內(nèi)實(shí)際運(yùn)送的貨物總量,是代表該地區(qū)物流業(yè)發(fā)達(dá)程度的重要指標(biāo)之一。交通基礎(chǔ)設(shè)施投資總額(X9)指用于交通基礎(chǔ)設(shè)施(如高速公路、公路等)建設(shè)的資金,投資額度越大,交通條件越好,將越會(huì)促進(jìn)冷鏈物流的發(fā)展。

3 果蔬冷鏈物流需求信息預(yù)測(cè)實(shí)證分析

本文選用了江西省2007～2017年的統(tǒng)計(jì)數(shù)據(jù),數(shù)據(jù)來(lái)源于江西統(tǒng)計(jì)年鑒、中國(guó)統(tǒng)計(jì)年鑒、江西國(guó)民經(jīng)濟(jì)和社會(huì)發(fā)展公報(bào)。應(yīng)用上述PCA和PCA-RBF神經(jīng)網(wǎng)絡(luò)模型進(jìn)行實(shí)證運(yùn)算,運(yùn)算流程和結(jié)果如下。

3.1 基于PCA的果蔬冷鏈物流需求信息的影響因子分析

3.1.1 原始數(shù)據(jù)及數(shù)據(jù)預(yù)處理 原始需求信息預(yù)測(cè)數(shù)據(jù)見(jiàn)表2。為了消除不同量綱對(duì)計(jì)算造成的影響,采用SPSS 22.0軟件,運(yùn)用“標(biāo)準(zhǔn)化方法(ZScores’)”對(duì)原始需求預(yù)測(cè)信息數(shù)據(jù)進(jìn)行標(biāo)準(zhǔn)化處理。

3.1.2 KMO和Bartlett 檢驗(yàn)分析 將表2原始需求信息數(shù)據(jù)輸入SPSS 22.0軟件進(jìn)行計(jì)算,計(jì)算結(jié)果如表3。若KMO值小于0.5,則表示各變量間的相關(guān)性程度低,各變量不適合做進(jìn)一步分析;若KMO值在0.5～0.6之間,則表明各變量不太適合做進(jìn)一步分析,計(jì)算效果較差;若KMO值在0.6～0.7之間,則各變量適合做進(jìn)一步分析,計(jì)算效果可以；若KMO值大于0.7,則各變量適合做進(jìn)一步分析,計(jì)算效果較好。表3中得到的KMO檢驗(yàn)統(tǒng)計(jì)量值為0.743,大于0.7,表明果蔬冷鏈物流需求信息影響因子非常適合做進(jìn)一步分析,效果極佳。此外，表2中Bartlett球形度檢驗(yàn)統(tǒng)計(jì)量相應(yīng)的伴隨概率為0.000,小于顯著性水平0.005。因此,認(rèn)為果蔬冷鏈各影響因子之間存在顯著相關(guān)性,說(shuō)明計(jì)算結(jié)果有效。

表2 江西省果蔬冷鏈物流需求信息預(yù)測(cè)原始數(shù)據(jù)

注：數(shù)據(jù)來(lái)源于江西統(tǒng)計(jì)年鑒、中國(guó)統(tǒng)計(jì)年鑒、江西國(guó)民經(jīng)濟(jì)和社會(huì)發(fā)展公報(bào)(2007～2017年)。

表3 KMO和Bartlett檢驗(yàn)結(jié)果

3.1.3 總方差分析 如表4所示，在初始時(shí),提取的第一個(gè)主成分的特征值是7.714,方差貢獻(xiàn)率是85.716%,說(shuō)明第一個(gè)主成分反映了樣本數(shù)據(jù)85.716%的有用信息；第二主成分至第四主成分的特征值分別為0.751、0.253和0.127,方差貢獻(xiàn)率分別為8.340%、2.816%和1.415%,這4個(gè)主成分的累計(jì)方差貢獻(xiàn)率為98.287%,說(shuō)明前4個(gè)主成分表達(dá)了樣本數(shù)據(jù)中98.287%的有效信息,其值大于95%,因此，可以選取前4個(gè)主成分，將GDP增長(zhǎng)率(X1)、第一產(chǎn)業(yè)增加值(X2)、蔬菜種植面積(X3)、食品消費(fèi)價(jià)格指數(shù)(X4)輸入RBF神經(jīng)網(wǎng)絡(luò)模型進(jìn)行果蔬冷鏈物流需求信息的預(yù)測(cè)。

3.2 基于PCA-RBF神經(jīng)模型的果蔬冷鏈物流需求信息預(yù)測(cè)

應(yīng)用PCA模型提取得到的2007～2017年的果蔬冷鏈物流影響因子作為樣本集,2007～2013年作為訓(xùn)練集,2014～2017年作為檢驗(yàn)集。應(yīng)用SPSS 22.0中RBF神經(jīng)網(wǎng)絡(luò)作需求信息預(yù)測(cè)。預(yù)測(cè)結(jié)果如表5所示。

從表5可以看出,PCA-RBF和RBF神經(jīng)網(wǎng)絡(luò)模型都具有較好的果蔬冷鏈物流需求信息預(yù)測(cè)能力。但RBF神經(jīng)網(wǎng)絡(luò)模型的需求信息預(yù)測(cè)值最大誤差達(dá)5.74%,且在測(cè)試樣本區(qū)間內(nèi)誤差波動(dòng)范圍較大,而PCA-RBF神經(jīng)網(wǎng)絡(luò)模型的需求信息預(yù)測(cè)值的最大誤差僅為0.49%,且在測(cè)試樣本區(qū)間內(nèi)需求信息值波動(dòng)范圍極小。對(duì)于各個(gè)測(cè)試樣本點(diǎn),PCA-RBF神經(jīng)網(wǎng)絡(luò)模型的信息預(yù)測(cè)精度明顯高于單一RBF神經(jīng)網(wǎng)絡(luò)模型的,這說(shuō)明所建立的PCA-RBF神經(jīng)網(wǎng)絡(luò)模型在需求信息預(yù)測(cè)能力上比RBF神經(jīng)網(wǎng)絡(luò)模型更具有優(yōu)勢(shì)。另外,在計(jì)算中發(fā)現(xiàn),PCA-RBF神經(jīng)網(wǎng)絡(luò)模型的收斂速度快于RBF神經(jīng)網(wǎng)絡(luò)模型。這是因?yàn)镻CA-RBF神經(jīng)網(wǎng)絡(luò)模型的拓?fù)浣Y(jié)構(gòu)更為簡(jiǎn)單,PCA-RBF神經(jīng)網(wǎng)絡(luò)的輸入變量少于RBF神經(jīng)網(wǎng)絡(luò)模型,這也最終決定了PCA-RBF神經(jīng)網(wǎng)絡(luò)模型具有更快的收斂速度,以及較精確的需求信息預(yù)測(cè)能力。

表4 PCA解釋的總方差

注：提取方法為主成分分析法。

4 結(jié)論與建議

4.1 結(jié)論與討論

本研究結(jié)果表明：在影響果蔬冷鏈物流需求信息的9個(gè)主要因素中,GDP增長(zhǎng)率X1、第一產(chǎn)業(yè)增加值X2、蔬菜種植面積X3和食品消費(fèi)價(jià)格指數(shù)X4與果蔬冷鏈物流需求的關(guān)聯(lián)度較強(qiáng)。針對(duì)區(qū)域果蔬冷鏈物流需求情報(bào)為非線性的特點(diǎn),利用PCA模型和RBF神經(jīng)網(wǎng)絡(luò)模型的優(yōu)點(diǎn),構(gòu)建了基于PCA-RBF的果蔬冷鏈物流需求信息預(yù)測(cè)模型,并通過(guò)對(duì)江西省2007～2017年果蔬冷鏈物流需求信息數(shù)據(jù)進(jìn)行計(jì)算分析,驗(yàn)證了PCA-RBF神經(jīng)網(wǎng)絡(luò)信息預(yù)測(cè)模型的有效性。

表5 果蔬冷鏈物流原值與需求情報(bào)預(yù)測(cè)值比較

應(yīng)用PCA模型對(duì)果蔬冷鏈物流需求的影響因子進(jìn)行降維處理,不僅可以消除因子數(shù)據(jù)的重復(fù)信息,而且可以大幅度減少PCA-RBF神經(jīng)網(wǎng)絡(luò)模型的輸入因子數(shù)量,簡(jiǎn)化網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu),使PCA-RBF網(wǎng)絡(luò)收斂速度加快。PCA與RBF神經(jīng)網(wǎng)絡(luò)模型結(jié)合提高了果蔬冷鏈物流需求信息預(yù)測(cè)的精度,為果蔬冷鏈物流需求信息預(yù)測(cè)提供了一個(gè)新的思路。該模型的不足之處是對(duì)輸入的果蔬冷鏈物流需求信息數(shù)據(jù)的數(shù)量與質(zhì)量要求較高。

4.2 政策建議

4.2.1 以市場(chǎng)需求為導(dǎo)向,規(guī)劃果蔬冷鏈物流基礎(chǔ)設(shè)施網(wǎng)絡(luò) 加強(qiáng)對(duì)果蔬冷鏈物流基礎(chǔ)設(shè)施建設(shè)的統(tǒng)籌與規(guī)劃,逐步構(gòu)建覆蓋果蔬主要產(chǎn)地與消費(fèi)地的冷鏈物流基礎(chǔ)設(shè)施網(wǎng)絡(luò)。加大對(duì)交通基礎(chǔ)設(shè)施的投入力度,對(duì)冷鏈物流企業(yè)所購(gòu)冷庫(kù)、冷藏車進(jìn)行相關(guān)補(bǔ)貼。

4.2.2 依托冷鏈物流技術(shù)，優(yōu)化冷鏈物流作業(yè)流程，不斷提高冷鏈物流的作業(yè)效率 以冷鏈物流技術(shù)進(jìn)步為載體,積極研發(fā)和推廣新技術(shù)(例如大數(shù)據(jù)技術(shù)、數(shù)據(jù)挖掘技術(shù)、區(qū)塊鏈技術(shù)、物聯(lián)網(wǎng)技術(shù)、冷庫(kù)節(jié)能技術(shù)等)在果蔬冷鏈物流中應(yīng)用；優(yōu)化冷鏈物流與果蔬供應(yīng)鏈中不合理的環(huán)節(jié)和流程,從而為提高冷鏈物流的管理水平、提高冷鏈物流的效率、降低冷鏈物流的成本、加快冷鏈物流速度提供必要的技術(shù)支撐。

4.2.3 提升冷鏈物流的信息化水平 信息化可以有效地提高冷鏈物流的管理水平，降低冷鏈物流的運(yùn)營(yíng)成本。冷鏈物流企業(yè)要應(yīng)用先進(jìn)的物流情報(bào)管理系統(tǒng),這樣不僅能實(shí)現(xiàn)對(duì)企業(yè)的商品信息進(jìn)行有效的管理與跟蹤,還能實(shí)現(xiàn)對(duì)用戶需求信息的有效收集與挖掘,從而更好地對(duì)冷鏈物流需求信息進(jìn)行預(yù)測(cè),促進(jìn)冷鏈物流的快速發(fā)展。