農場電商生鮮農產品需求預測體系及應用

馬佳玉，孫宗軍MA Jiayu, SUN Zongjun

（1. 西安汽車職業大學，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展，電子商務已經成為驅動中國經濟發展的重要動力，“互聯網+”的新興物流體系也有效激發了物流行業的創造力。就農產品電商銷售而言，相較于傳統的線下銷售，其產品豐富、交易快捷、流程簡單等優勢突出，線上銷售在農產品的供銷體系中發揮著重要作用。

為有效把握電商銷售下的生鮮農產品需求量的發展方向與變化趨勢，選擇合理的需求預測模型并進行有效的需求預測至關重要，而建立合理的需求預測體系是可靠預測的前提。黃凱等選擇社會零售品消費總額、人均GDP 等15 個指標構建了生鮮農產品需求預測體系，并采用GM、BP 神經網絡和RBF 神經網絡預測模型預測了2018～2022 年中國生鮮農產品冷鏈物流需求量；張繼良等提出了包括經濟發展程度、產業結構等因素在內預測體系，并采用多變量灰色預測模型預測了2020～2024 年的山東省生鮮農產品需求量；楊航等選擇蔬菜產量、水果產量等因素作為預測體系的自變量，并預測了陜西省五年內的冷鏈需求量。

然而，目前農產品的需求量預測研究主體多為省市地區的預測，主體為電商環境下農場經營單位的農產品需求預測研究相對缺乏。基于上述問題，本文選擇青島市西海岸某農場為研究對象，對其生鮮農產品需求量進行了預測。文中給出了農場電商生鮮農產品需求量預測體系的建立原則與過程，同時對某農場生鮮農產品需求預測的應用實例也證明了需求預測體系與預測模型的有效性與適用性。

1 農場電商生鮮農產品需求量預測指標體系構建

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測的基礎是構建合理的需求預測體系，在選擇預測指標時應遵循可得性、相關性以及獨立性原則。

1.1 指標選取

本文參考文獻[8]的研究成果，結合農場電商生鮮產品的特點，分別從電商生鮮農產品供給影響因素（X）、社會經濟環境（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） 生鮮農產品供給影響因素主要包括生鮮農產品總產值。這一部分的指標選取來源于自農場開始運用線上銷售模式開始統計的各年度各季度的訂單情況，包括生鮮農產品的需求量、總產值。該指標直接影響到農場的定價、種植計劃等多個方面，需要對其影響進行研究分析。

（2） 社會經濟環境主要包括城鎮居民食品消費價格指數、地區生產總值、第一產業增加值、第三產業增加值、進出口總額。居民食品消費價格指數可以表征日常消費產品價格對居民生活成本的貢獻度，生鮮農產品是居民生活的日常基礎需求之一，在居民生活成本中占有重要地位，居民食品消費價格指數可以反映地區居民對生鮮農產品的需求狀況；地區生產總值與地區居民的購買力整體上表現為正相關關系，電商農產品生產上表現為第一產業、銷售渠道上表現為第三產業，電商生鮮農產品與第一產業、第三產業相互促進、共同發展；進出口總額與地區生鮮農產品的進出口狀況聯系密切，山東省作為農業大省、“一帶一路”主要港口城市，其產出的農產品主要滿足本地區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居民人均消費支出、本地區人口數量、第三產業從業人數。人口數量與生鮮農產品的消費力緊密相關，生鮮農產品支出是城鎮居民人均消費支出的重要組成部分，第三產業從業人數可以反映地區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。生鮮農產品配送是物流產業的重要組成部分，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營業額、移動電話用戶數、移動互聯網用戶使用數。我國的B2B、C2B、B2B2C、C2C、O2O 等網絡銷售模式，一方面極大地拓展了生鮮農產品的銷售渠道，另一方面也提高了居民的農產品消費需求。電子商務營業額、移動電話用戶數、移動互聯網用戶使用數能夠很好地反映電商環境對生鮮農產品需求量產生的影響。

1.2 相關性分析與數據集構建

以山東省2015～2019 年指標數據資料為基礎，采用一次指數平滑法補充山東省西海岸新區生鮮農產品需求量及相關數據，構建完整的數據集，同時運用SPSS 數據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，生鮮農產品需求量指標體系如表2 所示。X～X均與Y 有密切相關性，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人口數量（萬人）、X第三產業從業人數（萬人）、X載貨汽車量（輛）、X電子商務營業額（萬億） 在數據集中對需求量（Y ）的影響最大。

表1 各指標累計貢獻率 單位：%

表2 生鮮農產品需求量指標體系

2 基于ARIMA 的生鮮農產品需求量模型構建與分析

2.1 ARIMA 模型建立

將所建立的數據集選擇16 組數據作為訓練集、3 組數據作為測試集，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 ）生鮮農產品需求量模型的建模過程如下：

（1） 數據集的平穩性檢驗。ARIMA 模型預測時使用的時間序列必須是平穩的非白噪聲序列，若構建的數據集不平穩，需要進行d 階差分處理，將數據集轉化為平穩序列，差數階數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 ）對處理后的平穩且非白噪聲序列進行擬合、分析、預測，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多項式，Φ（B ）=1-φB-…-φB為ARMA （p,q ）模型中的自回歸系數多項式。

2.2 生鮮農產品需求量預測分析

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

圖1 生鮮農產品需求量原始時序圖

圖2 ARIMA 模型自相關系數垂線圖

為保障數據的真實性與可靠性，采用低階差分方式處理數據集，可以有效避免過度差分造成的系列信息丟失、數據精度欠佳的現象，本文采用一階差分方式處理數據集，結果如圖3 所示。差分自相關系數在（-0.5～）1 波動，且多數差分自相關系數在0 附近，經一階差分處理后的數據集滿足平穩時間序列。為建立擬合精度與參數配置的綜合最優預測模型，避免過度擬合現象，采用AIC 最小值的模型確定為最優模型，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，差分處理后的數據集可以用于ARIMA 模型進行需求預測分析。

圖3 ARIMA 模型差分序列自相關系數垂線圖

將數據集劃分為16 組訓練數據，3 組測試數據，運用MATLAB 軟件進行ARIMA 建模，得到關于生鮮農產品需求量的預測結果，模型擬合結果如表3 所示。預測結果顯示R平均值為0.992，且RMSE、MAPE 誤差較小，表明模型可靠、預測精度較高。

表3 ARMIA 模型預測誤差

ARIMA 模型預測結果如表4 所示，2019 年第一季度、第二季度、第三季度的預測值分別為236.44、242.96、249.69 噸，其誤差分別為0.09%、0.01%、0.05%，表明ARIMA 預測模型可以用于農場電商生鮮農產品的需求預測。

表4 ARMIA 模型預測結果

3 結 論

本文基于可得性、相關性以及獨立性原則，選取影響電商農場生鮮農產品需求量的影響指標，同時就預測指標的合理性進行相關性分析，構建了包括生鮮農產品供給影響、社會經濟環境、人文因素、載運情況以及線上影響因素的農場電商生鮮農產品需求預測體系，并以青島市某農場進行了ARIMA 模型預測的實例驗證。結果表明，該農場2019 年第一季度、第二季度、第三季度的農產品需求預測誤差分別為0.09%、0.01%、0.05%，農場電商生鮮農產品需求量預測指標體系與ARIMA 預測模型的應用狀況良好，可以為該農場的區域物流系統規劃與設計提供科學指導。