基于灰色預測模型的壽光蔬菜物流需求預測

□ 馮志鵬，張遠揚，葛鳳儀

(大連交通大學，遼寧 大連 116028)

1 引言

按照現今的發展形勢，農業對于中國來說仍然是一個很大的產業。農產品物流的發展是促進現代化農業發展的重要手段，其中，生鮮蔬菜的運輸對供應鏈中的各個環節有著更高的要求。山東省壽光市是中國蔬菜之鄉，在蔬菜產量以及銷售量方面可以說是首屈一指。近些年來，蔬菜消費在不斷變化，蔬菜物流需求也在不斷變化，因此，準確地預測蔬菜物流需求有助于政府和企業合理規劃運輸資源，對于保障蔬菜品質安全、高效供應蔬菜、節約農產品物流資源具有現實意義。

近年來，國內外學者關于物流需求預測的研究成果較多，具有一定的借鑒意義。如Ma Hongjiang等基于改進的神經網絡算法，結合Logistic回歸算法，構建了新的物流需求預測模型，使模型更適合物流需求預測[1]；Lijuan Huang等從電子商務的角度對廣東物流需求進行預測[2]；姚冠新等運用灰色預測模型對興化市農產品物流需求量進行預測[3]；黃凱和王健分別采用BP神經網絡、RBF神經網絡和GM(1,1)預測方法建立預測模型，然后根據每種模型產生的不同的預測結果設置不同的權重，建立了一種最優組合方法的生鮮農產品冷鏈物流需求預測模型[4]；孫旭等通過灰色優勢分析方法，選擇物流總額作為表征目標變量并構建了河南省物流需求預測模型，最后，根據求出的物流需求GM(1,1)模型的函數表達式求出了河南省2019-2023年的物流總額[5]。

針對物流需求進行預測的方法有很多，然而既有文獻中并無針對壽光自產蔬菜物流需求進行預測的。本文選擇灰色預測GM(1,1)模型對壽光市自產蔬菜物流需求量進行預測，判斷蔬菜物流需求的發展趨勢，為政府和企業提供數據和理論支持，進而更好地規劃農產品物流資源。

2 預測方法介紹及模型構建

2.1 預測方法介紹

蔬菜物流需求預測往往建立在原始蔬菜物流量的基礎上，結合現代的科學計算方法對蔬菜物流需求的變化和發展趨勢進行預測，經常使用的方法如下[6]。

①一元線性回歸。

具有變量少、數據收集簡單、運算簡單的優點，但是也存在著只考慮單一變量、預測準確度低等不足之處，只適用于短期預測。

②多元線性回歸。

具有綜合考慮多種因素、預測準確度較高的優點，但是也存在著數據整理較難、運算相對復雜等不足之處，適用于長期預測。

③指數平滑法。

此方法需要的數據量相對較少、運算簡單，但是缺點為平滑系數難以確定、預測準確度低，適用于中短期預測。

④灰色預測法。

此方法的優點在于需要的數據量相對較少、運算簡單、預測準確度較高，不過這一方法對于影響因素的考慮不夠充分，但是適用于各種期限內的預測。

2.2 GM(1,1)模型的優勢

用于物流需求預測的模型比較多，但僅針對蔬菜物流需求預測這一領域，蔬菜的物流需求可能存在某些無法預知的影響因素，譬如無法控制的自然因素，進一步來說，即便知道了影響蔬菜物流需求預測的某些因素，也很有可能因為這些因素的相關數據不可得而使研究無法進行下去；另外，即便假定獲得了這些數據但也有可能會因為內部關系不明確再次使得研究無法進行。因此，在得知了蔬菜物流需求預測的特點和困難程度以后，不難看出，使用灰色預測GM(1,1)模型能夠大大提高預測結果的準確性。從灰色預測法的特點來看，一是此方法能夠把系統中一些不確定是否存在的各種因素之間的相關性以及關聯程度進行相應的較為準確的識別和判斷，從而為發現原始數據中可能有的相關規律提供重要的條件，根據發現的規律可得出一組新的數據，這些新的數據有它們相應變動的規律。二是此方法無需較多的數據，無需明了可能影響結果的其他因素，可以根據已有的信息來發現數據內部的變化規律。此外，它的運算方法并不復雜，預測的精確度也比較高。綜上所述，灰色預測GM(1,1)模型非常符合本文所研究的蔬菜物流需求預測。

2.3 灰色預測GM(1,1)模型的構建

在分析了灰色預測法的優點之后，此方法被應用在本文中的理由也就一目了然了。對于那些數據較少、分析時間短的系統來說，灰色預測模型是再適合不過了，灰色預測模型中被用得最多最廣泛的模型就是GM(1,1)模型。

GM(1,1)模型的建立有以下幾個部分:

①確定原始數據序列。

x(0)(k)={x(0)(1),x(0)(2),…x(0)(m)}，k=1,2,…m

將原始數據序列累加生成數據序列:

x(1)(k)={x(1)(1),x(1)(2),…x(1)(m)}，k=1,2,…m

②構造累加矩陣B和常數項Yn:

④求解模型。

首先求解系數a、b，再將系數a、b帶入下面式子中，然后求解此微分方程，得到GM(1,1)預測模型的白化形式方程，進而得到GM(1,1)預測模型:

⑥檢驗模型。

檢驗GM(1,1)模型的方法有殘差檢驗和后驗差檢驗兩種方法，殘差檢驗中有絕對誤差和相對誤差兩種，都可以用來判斷誤差變化狀態。

絕對誤差：

相對誤差：

平均相對誤差：

①計算原始序列的均值和均方差:

②計算絕對誤差序列Δ(0)的均差和均方差:

③計算均方差比C:

④計算小誤差概率P:

后驗差檢驗的上述計算過程中，有C和P兩個指標，其中，前者越小越好，后者越大越好。表1為后驗差檢驗的精度等級參照表。

表1 模型精度檢驗等級參照表

3 壽光市蔬菜物流需求預測分析

3.1 獲取數據

通過濰坊市統計年鑒(2015-2020)可得到壽光市2014至2019年的蔬菜生產總量、居民人均蔬菜消耗量、壽光市常住人口數量，當前對于蔬菜物流需求沒有專門的統計數據可查詢，但是蔬菜物流需求量和蔬菜產出總產量有著密切的聯系。

農產品物流需求是指在某一時段內由社會經濟活動引起的，對生產、流通、消費等領域的農產品配置而產生的對農產品在空間、時間和費用等方面的要求[7]。據此，壽光市常駐居民對蔬菜消費過后，剩余蔬菜量需要外銷，這些蔬菜在空間位移等方面產生的需求，即為壽光市蔬菜物流需求。因此，本文采用壽光市蔬菜產出總產量減去常駐居民蔬菜消耗量的值作為壽光市蔬菜物流需求量進行預測，表2為壽光市2014-2019年蔬菜物流需求量統計情況。

表2 壽光市2014-2019年蔬菜物流需求量統計

3.2 預測值求解及精度檢驗

根據表2的數據，通過MATLAB 2016a軟件運用灰色預測GM(1,1)模型，對壽光蔬菜物流需求量進行預測和精度檢驗，精度檢驗結果如表3所示，其中C=0.1115，P=1，平均誤差率為0.0141，參照表1可知，該模型的預測精度為一級。因此，該模型可以用來預測壽光市未來三年的蔬菜物流需求量，預測結果如表4所示，預測曲線如圖1所示。

表3 2014-2019年壽光市蔬菜物流需求量預測值及誤差率

表4 壽光市2020-2022年蔬菜物流需求量預測結果

圖1 壽光市2020-2022年蔬菜物流需求量預測曲線

3.3 預測結果分析

從預測結果可以看出，壽光市蔬菜物流需求總量在短時間內呈下降趨勢，平均減少率為4.2%左右，但是壽光市如今已經形成“買全國，賣全國”的趨勢，全國大部分地區的經銷商均在此完成交易和運輸。由于數據不易獲得和統計，因此本文只分析了壽光市自產蔬菜的物流需求，不考慮經銷商相互之間購買、運輸的情況，所以壽光市實際整體的蔬菜物流需求量應該比預測值更高。以上預測情況比較符合壽光市農業發展和政府規劃的特點，壽光市從1999年開始，市內市場不僅出售壽光自產蔬菜，更是轉型為全國蔬菜的集散中心，然而隨著全國蔬菜種植水平的提高，蔬菜的供需也日漸平衡。在這樣的背景下，2001年壽光市提出“工業立市”，一部分農地被征作工業用地，持續多年增加的蔬菜總種植面積，從2003年開始緩慢下降，但是常駐居民蔬菜消費總量卻沒有太大的波動。作為我國主要的南菜北調和北菜南運的樞紐城市，加之居民對新鮮蔬菜質量的要求不斷提高，壽光市對于物流服務的要求也不斷提高。為了切實保障居民對蔬菜品質的要求，保障農民的生產利益，壽光市未來幾年需要將提高物流服務水平作為突破口，制定合理的農產品物流整體規劃，努力實現全民富裕。

4 小結

蔬菜物流需求預測是合理規劃農產品物流資源的前提和基礎，極大程度上決定了當地蔬菜物流的發展。壽光市是我國重要的蔬菜生產基地和蔬菜集散中心，蔬菜產值比重非常高，所以壽光市要想實現各村鎮經濟的均衡發展，實現共同富裕，離不開蔬菜產業的發展，而蔬菜物流需求的有效預測也為這一發展提供了理論支持。本文針對壽光市蔬菜產業的發展現狀，比較了多種預測方法，最終選擇了適合壽光市蔬菜產業數據的灰色預測GM(1,1)模型并對模型進行精度檢驗，而后驗差比值的結果可以證明模型預測結果的精確度以及可信度還是比較好的。此次預測有效地反應了壽光市蔬菜物流需求的發展趨勢，對于壽光蔬菜產業的發展和蔬菜物流資源的合理規劃具有現實意義。但是，本研究僅就蔬菜產量對其需求量進行了短期的預測，對于其他影響因素并未加以考慮，下一步應將其他影響因素考慮進來，并對蔬菜物流需求做出長期預測。