企業采購預測模型應用研究
——以馬鈴薯采購為例

□李 坤

（寧夏工商職業技術學院 寧夏 銀川 750001）

1 模型建立的必要性

馬鈴薯是世界各國人民餐桌上的主要食材之一。在400 多年前，我國開始種植馬鈴薯。馬鈴薯適應性極強，是一種具有良好發展前景的高經濟作物，在世界各地廣泛種植。2015 年，繼稻米、小麥、玉米后，馬鈴薯被我國官方認定為第4 種國家戰略安全主糧。馬鈴薯抗寒冷、耐干旱，在相對貧瘠的土壤里也能生存，比較容易種植。

從儲存條件來說，和綠葉類蔬菜相比，馬鈴薯更加耐于存放，保質期更長[1-3]。馬鈴薯對于儲存條件也有一定的要求，尤其對溫度和濕度的要求比較高，適宜在溫度較低、干燥密閉的環境下儲存。如果馬鈴薯保存不當，致使產生幼芽，會增加毒性，不宜食用。在運輸的過程中，馬鈴薯比較怕顛簸。如果在儲存運輸的相關環節處置不當，會造成外觀欠佳、口感不佳等問題，使馬鈴薯的商品性降低。如果農產品電商平臺在倉儲配送等方面做得好，可以降低馬鈴薯物流損耗，提高運營效率，降低成本。

國內生鮮電商從2012 年開始發展速度較快[4-5]。通過對中國知網《中國期刊全文數據庫》查詢可知，從2013 年起研究生鮮電商的論文數量開始大幅上漲。與此同時，在中國知網檢索欄里輸入Ecommerce of agricultural products（生鮮電商）等英文關鍵詞，所能查詢到的英文文獻數目為0。

2021 年艾瑞咨詢公司對我國生鮮電商行業進行調研分析發現，我國生鮮電商市場呈現一片欣欣向榮之勢，是最近幾年資本追逐的熱點，未來發展可期。由于政策環境、經濟環境等因素的影響，我國電商業務發展還很不充分。據不完全統計，我國生鮮電商企業有4 000 多家，能夠盈利的僅1%，略微虧損的企業約88%，巨額虧損的企業約7%。

具體到寧夏馬鈴薯電商平臺銷售情況，根據寧夏商務廳相關統計數據，2018 年在寧夏各城市中，銀川市、固原市的網絡銷量最好。在地區排名中，2018 年寧夏馬鈴薯線上銷售排名前5 的地區均來自銀川市和固原市，分別是興慶區、隆德縣、原州區、賀蘭縣和西吉縣。究其原因，銀川市作為首府城市，消費購買力比其他城市強；而固原市是馬鈴薯產量大戶，具有一定的品牌效應，因此銀川市和固原市線上采購量比其他地區更有優勢。

產品的新鮮程度是消費者在線購買最為關心的問題[6-9]。馬鈴薯作為2018 年寧夏農產品網絡零售額前10 的產品，“新鮮”“自種”“現挖”等關鍵詞最受消費者青睞。產品的新鮮程度正成為品質生活和綠色健康的主要標簽。

從2018 年線上銷售渠道分析，寧夏本地電商平臺的銷售份額只占市場的11.72%，其余88.28%來自外地生鮮電商平臺。作為馬鈴薯特色產業種植大省，寧夏本地馬鈴薯電商銷售平臺的發展水平相對滯后。究其原因，冷鏈物流倉儲配送成本過高是“致命傷”。如何在保證生鮮商品的保鮮程度的同時降低成本，提高生鮮產品送達客戶的時效性，是生鮮電商企業急需解決的問題。

解決這個問題的關鍵在于電商企業農產品訂購量是否科學合理[10-12]。國內外生鮮電商業務大多是最近5～10 年開始起步，而且現有研究多偏向于定性、理論性研究，定量、實證性、技術性研究相對不足。

就研究現狀來看，國內鮮有針對生鮮電商行業產品訂購量波動進行分析研究。而生鮮產品訂購量預測效果的好壞，可以較大程度影響生鮮電商冷鏈庫存、倉儲、配送、運輸等物流環節的效率和服務成本。尤其對于馬鈴薯等根莖類產品，若訂購量過多，生鮮農產品不能及時銷售出去，會造成腐壞，產生不必要的成本。若訂購量不足，會造成庫存緊張，供應不及時，影響生鮮電商的時效性，從而導致消費者滿意度降低和企業口碑下滑。

因此，建立基于時間序列理論的生鮮產品波動訂購量預測顯得十分必要[13-14]。對生鮮電商平臺的市場需求進行研究分析，在此基礎上建立一個相對貼合實際需求的預測模型，依據模型推演電商企業的市場訂購量，以此為參考，制定更加合理的物流配送方案，必然會大幅降低物流成本，提升客戶滿意度，為企業贏得口碑和市場[15]。

2 預測模型的選取

對時間序列理論的相關文獻進行收集分析發現，目前經典理論主要有5 種。

第一，指數平滑法（ES）。指數平滑法是一種被經常使用的預測方法，應用很廣泛，通常針對經濟發展中的中短期經濟指標進行預測。指數平滑法是在加權移動平均法的基礎上進行算法改善，通過對時間序列數據集上的不同隨機變量賦予不同的權重，凸顯對近期隨機變量的重視程度，從而可以使預測值能夠更加快捷地反映市場實際變化，而且在權重賦值上的靈活性也比較高。

第二，移動平均法（MA）。移動平均法適合短期預測。當沒有季節性因素干擾時，移動平均法的應用非常有效。應用該方法對時間序列數據集合的要求是不能在短期內發生數據快速上升或者下降的波動。

第三，回歸預測模型（AR）。該模型按照時間序列數據集的變化情況可以分為線性回歸模型和非線性回歸模型。該算法主要通過分析原始數據集合中的觀測值，研究數據間的相關關系，從而設定相對貼切的預測模型對研究對象的未來情況進行預測分析，適合中期預測。

第四，自回歸滑動平均模型（ARMA）。該方法適用變化較平穩的短期預測，能較好處理非平穩數據的隨機干擾因素。

第五，差分自回歸移動平均模型（ARIMA）。模型原理是隨時間推移，將預測對象形成的數據序列看作一個隨機序列，用數學模型來近似描述這個序列。這個模型一旦被識別后，就可以從時間序列的過去值及現在值來預測未來值。

分析以上5 種方法可以發現，基于傳統統計學的預測模型相對更適用于線性平穩預測，對需求波動大、影響因素復雜的情況無法進行有效預測[16-17]。

3 預測模型的建立過程

采用寧夏寧谷物配管理有限公司2015 年6 月至2018 年11 月的馬鈴薯采購量數據，并以此為原始數據集，建立預測模型。模型建立過程如下。

第一步，在R 軟件中導入原始數據，繪制出時間序列圖（圖1）。通過對時間序列圖的觀察，可以看出馬鈴薯采購量的時間序列并不平穩。對馬鈴薯訂購量繪制自相關函數圖（圖2），可以看到該圖的數據自相關性相對較強。由此可以判斷，馬鈴薯的采購量根據時間具有一定的前后相關性。隨后對原始數據做一階差分，從其時間序列圖（圖3）可以看出，差分后數據的波動性明顯降低。然后對一階差分后的數據進行自相關分析（圖4）。

第二步，模型定階。應選取階數較小的模型。在初步選取之后，篩選出的模型有AR（1）、MA（1）、隨機游走模型、ARIMA（0，1，1）、ARIMA（0，1，2）、ARIMA（0，1，3）、ARIMA（1，1，3）。

第三步，模型性能檢驗判斷。對于初步篩選出的模型，以殘差序列的方式判斷模型的優劣。一個相對較好的訂購量預測模型，需要滿足3 個條件。第一，殘差是白噪聲；第二，殘差的樣本自相關函數在很小的范圍內；第三，標準化殘差序列的Ljung-Box 統計量的p值充分大。如果出現多個模型都符合殘差檢驗的條件，還需要通過赤池信息量（AIC）進行選取，選擇AIC 最小的模型；或者可以通過測試集預測數值的誤差進行比較，選取誤差最小的模型[18-20]。

ARIMA 用于馬鈴薯訂購量的預測會更為貼合。通過相應的檢驗比較[21]，最終選取ARIMA（0，1，1）模型。選取此模型后，用作后5 個月的價格預測。

4 結束語

寧夏寧谷物配管理有限公司地處銀川市，客戶群體數量巨大，所獲得的數據具有極強的地域針對性。研究成果對企業進行生鮮產品市場需求波動分析具有直接的理論和實踐意義。