基于Shapley組合模型的冷鏈物流需求預測研究

岳偉　袁媛

摘 要：為提高區域冷鏈物流水平，對區域冷鏈物流需求量的合理預測成為進行資源合理配置的前提條件。由于傳統的單一預測模型存在線性擬合程度較差和預測精度不高等缺點，為提高其預測結果的準確性，本文提出了一種基于無偏GM（1，1）和BP神經網絡的組合模型對山西省未來五年的冷鏈物流需求量進行合理預測。首先根據灰色關聯分析選取出與山西省冷鏈物流需求量關聯度最大的十個經濟指標，并依據其建立BP神經訓練網絡；其次對傳統的GM（1，1）預測模型進行無偏優化，然后在原有數據經過滑動處理的基礎上，通過Shapley值法進行邊際貢獻分析，構建出無偏GM-BP組合預測模型；最后經過對比分析得出結論，該組合模型在預測結果上具有更加明顯的預測優勢。

關鍵詞：無偏GM（1，1）；BP神經網絡；灰色關聯分析；組合模型；物流需求量

中圖分類號：N949；F326.6? 文獻標識碼：A? 文章編號：1673-260X（2023）08-0027-07

我國是一個人口大國，由于人口基數大，使得我國對農副產品的需求量一直居高不下。而冷鏈物流作為以生鮮產品為主要對象的運輸形式，使其一直處于高速發展階段。由于我國對冷鏈物流的研究和應用起步較晚，導致冷鏈物流設施相對落后、冷鏈流通速率也相對較低。為了保障冷鏈物流行業的穩步進行，在一定規模內對區域冷鏈物流內容進行科學的布局可以使區域內的冷鏈物流資源得到更加合理的分配。其中對區域內冷鏈物流需求量的合理預測成為進行冷鏈物流系統規劃的必要前提。在一定條件下，對區域內的冷鏈物流需求量進行合理預測，可以提前對物流資源進行合理配置、優化自身產業結構、提高物流效率、促進物流行業的進步和社會經濟的增長。

有關提升冷鏈物流水平的需求預測方面，國內外學者都做了許多相關研究。為了提高預測的全面性和準確性，在方法和主體上選擇不同的模型進行研究。呂靖，陳宇姝采用改進背景值的組合預測方式對特定區域的冷鏈物流需求進行了仿真預測[1]。李義華，王沖等用滑動無偏灰色模型對湖南省農產品冷鏈物流需求進行預測[2]。王曉平等分別建立了多種類型的預測模型來對市場的農產品物流需求進行預測工作，并通過進行分析比較，從結果上得到遺傳神經網絡用于冷鏈物流需求分析有更強的優越性[3]。戎陸慶等則采用傳統的GM（1，1）模型對當地農副產品的市場需求變化進行探究和預測[4]。李攜波等以我國海鮮市場的冷鏈物流需求作為參考標準，運用應用多元線性回歸分析法對冷鏈物流建立特有的需求闡述模型[5]。陸芳等通過建立基于一元回歸預測模型、趨勢外預測模型等方式，預測本省的農產品所附帶的物流需求[6]。張喜才和李海玲采用灰色-馬爾可夫鏈組合模型的方法來預測京津冀地區市場的冷鏈物流需求[7]。Qi Fang，Dazho Tig通過多維灰色模型對道路運輸體系進行了貨運量以及車流量的預測[8]。Joseph Berechunan利用人工神經網絡模型對物流需求進行預測[9]。Terry Moore運用基于定量分析的量子粒子群優化（QPSOCM）算法對區域物流進行預測[10]。Ludvik Bogataj研究了時效產品在冷鏈物流運輸中所具有的不確定性，為之后研究具有時效性等農產品的物流量需求給出了合理的方式[11]。

上述國內外學者的研究內容多為某特定模型在精度以及技術手段上的不斷探討。但是在面對特定區域，例如以山西省的冷鏈物流需求量為主體時，考慮到山西省地理環境錯綜復雜且冷鏈物流受干擾因素種類繁多，因此不能選擇某特定模型進行預測。此時就需要尋找合適的方法來解決此類問題。

1 需求影響因素的選取與分析

1.1 影響因素選取

冷鏈物流需求系統是一個由多種因素所構成的繁冗系統，其中包括了特定區域的多種相關條件。本文充分考慮了因素的特性和相互作用關系之后，結合山西省的實際情況，總結出了五個方面對特定區域的冷鏈物流需求進行影響因素的分析，即產品供給水平影響因素、區域經濟環境影響因素、冷鏈物流發展水平影響因素、社會人文影響因素以及物流需求影響因素。在這五個因素中，根據區域特性，選取區域經濟環境、產品供給水平和冷鏈物流發展水平三個主要影響因素對山西省生鮮產品冷鏈物流需求進行分析。

（1）區域經濟環境

一個區域的經濟環境主要分為兩個方面：區域經濟規模和產業結構。其中，區域經濟的水平及其發展規模決定了該區域的物流發展水平，這與該區域的物流需求有著直接的聯系。而區域內產業的布局結構，對區域經濟實現穩步發展有著正向的促進作用。在影響區域經濟環境的因素中，選取地區生產總值、第一產業增值、第三產業增值、社會固定資產投入增速、社會消費品零售總額和產品進出口貿易總額作為影響山西省冷鏈物流需求的經濟因素。

（2）產品供給水平

消費者的需求保障要通過產品的供給來實現，而產品的供求則是由產品的產量所決定的。依托于各種物流活動形式實現產品的供給，是影響生鮮產品冷鏈物流需求量的一個重要因素。因此，選取農林牧漁業總產值以及貨運周轉量作為影響山西省冷鏈物流需求的產品供給因素。

（3）冷鏈物流發展水平

冷鏈物流的發展水平包含冷鏈物流的服務質量水平和冷鏈運輸設施設備等眾多因素。在這些因素中冷鏈流通速率和冷鏈物流損失率最直接地影響生鮮產品的冷鏈物流需求量。所以，以生鮮產品的冷鏈流通速率和冷鏈物流損失率作為影響區域冷鏈物流需求量的物流發展水平因素。

1.2 灰色關聯度分析

根據這十個影響因素近五年的數據變化，運用Matlab計算這些因素與山西省生鮮產品冷鏈物流需求量的灰色關聯度值，并按照大小進行排序，得到表1。

根據表中數據來看，各項關聯度均大于0.6，表明所選取的影響因素指標對山西省冷鏈物流需求量的影響都非常顯著。按照排名順序來看，生鮮產品的冷鏈物流流通速率和物流損失率排名第一和第二，說明區域的冷鏈物流發展水平對冷鏈物流需求量的影響最大。代表著區域經濟環境因素的六個指標中，進出口貿易總額、地區生產總值、社會商品零售總額及社會消費品零售總額這四個指標排名都相對靠前，這表明了提供穩步增長的區域經濟環境是冷鏈物流需求量逐步增加的重要保障。而在產品的供給水平方面，農林牧漁產業的發展以及區域內產業結構相對單調、物流成本高導致貨運周轉率低等因素，影響了冷鏈物流需求量的增長。

2 需求預測模型構建

2.1 滑動無偏GM（1，1）模型構建

2.1.1 傳統灰色GM（1，1）模型

灰色預測法可以對系統中的不確定因素進行篩查，并通過灰色預測系統中不同因素之間的發展趨勢來進行預測判斷。依據原始數據所反映的整體變化形式，得到具有一定規律性且能夠反應此種變化的特定數據序列，最后以此建立一元一階的微分方程，對預測系統的發展趨勢進行合理判別。

2.1.2 無偏灰色GM（1，1）模型

2.1.3 數據的滑動處理

為保證預測結果的精確與可靠性，滑動無偏GM（1，1）模型將先對原始數據進行滑動處理，并將經過滑動處理后的結果作為模型的基礎數據進行預測，滑動處理過程如下。

2.2 模型擬合程度及精度檢驗

2.3 BP神經網絡模型

BP神經網絡模型屬于人工神經網絡中最為經典的算法模型。BP神經網絡是一種進行單向傳播的多層前饋神經網絡，其中每一層都由若干個神經元構成，上下層的神經元之間實現全連接。數據按照標準的上下層構成，由輸入層輸入，隱含層進行配比和重新預算，最后到輸出層輸出結果，給出最終預測值，如圖1。BP神經網絡的基本原理是通過學習已有的數據樣本，利用網絡的實際輸出和期望輸出之間的誤差最小值，按照誤差進行逆向的傳播算法訓練，以達到層與層之間連接的權值和閾值由后向前進行不斷修正的目的，從而使得神經網絡對輸入模式響應的正確率也不斷提高。

2.4 利用Shapley值法構造無偏GM-BP組合模型

由于冷鏈物流的需求量預測既包含線性時間序列分量，又包含非線性的影響因素和非線性時間序列分量，因此傳統的模型預測模型無法對區域內的冷鏈物流需求量進行有效的預測。使用滑動無偏GM-BP組合模型對需求量進行合理分析，可以使各部分預測優勢充分發揮，盡量減小各自預測模型缺點對預測結果的影響，提高預測準確度。灰色無偏預測模型構成結構并不復雜，但其擁有較高的預測精度。而BP神經網絡模型具有并處理性、魯棒性、非線性和自適應性等一系列優點，非常適合非線性函數的預測工作，一定程度上彌補了灰色預測模型的不足。

Shapley值法多用于解決分析擁有多方主體的合作模式下出現的權益再分配及重新組合等問題。Shapley值法能夠有效地結合各部分主體對整體所造成的邊際貢獻率大小，并因此進行權益的重新分配及提取。

3 實證分析

3.1 數據來源及確定

應用以上方法對山西省未來五年生鮮產品冷鏈物流需求量進行分析預測，本文所選取數據來源自《山西省統計年鑒》《山西省國民經濟和社會發展統計公報》以及相關網站數據直接或間接得出。

經調查分析發現，影響區域內生鮮產品需求量的因素有很多。為更加直觀地獲得特定區域內的冷鏈物流需求總量，本文將特定區域內需要進行低溫冷藏的主要生鮮產品的產出總量作為影響區域內冷鏈物流需求總量的因素，將其應用于預測模型中。注重因素的可操作性，考慮到數據的可得性原則，選取了2013-2020年山西省各主要生鮮產品的總產量作為原始數據，對未來5年的山西省冷鏈物流需求量進行預測，詳情見表3。

3.2 滑動無偏灰色GM（1，1）模型預測分析

為保證模型預測結果的精確性以及減少隨機誤差對預測結果所產生的負面影響，因此選擇先將表3中各類生鮮產品的總量原始數據進行滑動處理，通過公式（9）～（11）進行兩次加權平均計算，將滑動處理后的數據作為無偏灰色GM（1，1）模型的基礎數據進行預測工作，得到的數據如表4。通過對原始數據進行滑動處理，并不會改變其原始數據所擁有的發展趨勢，反而有利于進行后續的預測工作。

為便于進行研究和預測，本文在以山西省為主體的特定區域內以生鮮產品總產量為冷鏈物流需求量的主要影響因素，并以滑動處理后的2013-2020年山西省主要生鮮產品總量為預測數據的基礎，使用Matlab對生鮮產品總量采用無偏灰色GM（1，1）模型進行預測，最后分析得到的預測值和與實際需求量的殘差值如表5。

對上述預測結果進行檢驗，對于小概率誤差p精度檢驗結果為p=1，精度等級為一級，而對于經過滑動處理后的數據均方差比值C=0.42614≤0.5，可靠性等級在一級與二級之間。根據表2可知，該預測模型對與主體部分的預測具有較好的擬合效果，在預測結果上也具有較高的精度，其結果可以用來作為無偏GM-BP組合預測模型的線性主體部分，預測主體值如表6。

3.3 BP神經網絡模型預測分析

使用Matlab對樣本中的數據進行BP神經網絡模型預測分析。根據上述區域冷鏈物流需求量的灰色關聯度大小排序，選取對冷鏈物流需求影響明顯的十個因素，將其作為BP神經網絡的輸入層神經元，輸出層神經元選取為冷鏈物流需求量，網絡激活函數選取S型函數（Sigmoid），然后通過神經網絡經驗公式kolmogorov定理確定其隱含層神經元個數。由公式（12）可知，其隱層神經元應在4～13之間，經訓練集訓練檢驗后，確定其隱含層神經元數量為8時，其回歸預測結果最好。訓練集數據為影響冷鏈物流需求量的十個因素在2013-2020年的數據，將其建模并通過測試集對模型的回歸預測性能進行檢驗，設置訓練次數為3000次，最小誤差為0.000001。

經過上述過程的BP神經網絡訓練之后，得到其BP神經網絡模型的訓練結果。其中測試集的預測值與期望值對比結果如圖3，而BP神經網絡模型預測結果的具體數據如表7。

從預測結果來看，BP神經網絡預測結果的平均百分比誤差為1.9506%，總體R=1，擁有較好的擬合程度。經過絕對百分誤差對比發現，BP神經網絡模型在其他年份的預測結果上相對無偏GM預測模型的預測結果更加精確。但在2020年的預測結果上存在著較大的誤差，其絕對百分誤差達到了4.65%。由于BP神經網絡模型的預測特性，使其受數值突變反應的靈敏性較差，但對穩定數值的預測結果更加精確，所以使用BP神經網絡模型對無偏GM（1，1）預測結果主體值的殘差部分在原有的訓練集之上進行預測，再將兩種預測結果進行加和從而使最終預測結果更為精準。

3.4 無偏GM-BP組合模型預測分析及對比

得到完善的BP神經網絡訓練模型之后，再次對無偏灰色GM（1，1）模型預測結果中得到的殘差項進行預測。將兩種預測方法根據Shapley值法按照貢獻率權重進行結合，建立起無偏GM-BP組合模型，根據無偏灰色GM（1，1）模型預測出的主體部分，以及BP神經網絡模型對其殘差項的預測結果進行計算，以此方式得到山西省冷鏈物流需求量的最終預測結果。將四種預測方式分別得到的預測結果進行對比，通過比較每種模型在所有年份預測結果的平均相對誤差，從而體現出無偏GM-BP組合模型對于預測結果的優勢，對比結果以最近五年的需求量總和為例，如表8。

經過對比分析后發現，無偏GM（1，1）模型預測結果的平均相對誤差為0.372%<0.564%，說明對傳統GM模型進行無偏優化可以有效提高其預測精度，而BP神經網絡模型的預測結果所得到的平均相對誤差為0.252%，僅高于組合模型的預測相對誤差，所以GM-BP組合模型的平均相對誤差最低且預測精度最高。其次從幾種模型的預測結果來看，對其他年份的預測結果也相對穩定，而組合模型可以在一定程度上避免由特殊情況所產生的偶然性差異。因此將GM和BP模型進行組合得到的預測結果可以有效提高預測精度，從而實現預測結果與實際情況的最佳吻合。最后使用無偏GM-BP模型對山西省未來五年的冷鏈物流需求量進行組合預測，其結果如表9。

4 結論

本文首先將影響區域內冷鏈物流需求量的因素進行劃分和選取，再根據灰色關聯分析得到具體指標并進行重要性排序。其次在無偏GM（1，1）模型和BP神經網絡模型的基礎上，提出將二者結合成為新的無偏GM-BP組合模型。通過對比分析各種預測方法的結果可知，該組合模型具有相對較高的預測精度，最后以此模型對山西省未來五年冷鏈物流需求量進行合理預測。從預測結果來看，山西省未來五年冷鏈物流需求量呈現增長態勢，這與山西省經濟發展規模大致相同。但近些年來由于受到疫情的影響，使區域內物流行業的發展速度放緩。對生鮮產品進行生物活性檢測的必要性，也使冷鏈物流業受到極大沖擊。這無疑是當前冷鏈物流行業面對的一次挑戰，同樣也是一種機遇。對此本文提出以下建議，建議政府出臺及完善相關制度和政策，加強冷鏈物流行業的基礎建設，確保生鮮類貨物能夠及時周轉并減少過程損失。鼓勵支持制冷及運輸等相關技術領域的人才建設和科學研究，為冷鏈物流行業新發展提供有力保障。

參考文獻：

〔1〕呂靖，陳宇姝.大連水產品冷鏈物流需求影響因素分析及其預測[J].數學的實踐與認識，2020，50（15）：72-80.

〔2〕李義華，王沖，文哲，等.基于滑動無偏灰色模型的湖南省農產品冷鏈物流需求預測[J].中南林業科技大學學報，2021，41（08）：161-168.

〔3〕王曉平，閆飛.京津冀農產品冷鏈物流需求影響因素及預測模型研究[J].福建農業學報，2018，33（08）：870-878.

〔4〕戎陸慶，黃佩華.基于灰色理論的廣西果蔬冷鏈物流需求及其影響因素預測研究[J].中國農業資源與區劃，2017，38（12）：227-234.

〔5〕李雋波，孫麗娜.基于多元線性回歸分析的冷鏈物流需求預測[J].安徽農業科學，2011，39（11）：6519-6520+6523.

〔6〕陸芳，由建勛.基于組合模型的陜西特色農產品物流需求預測[J].農業經濟，2017，37（12）：140-141.

〔7〕張喜才，李海玲.基于灰色與馬爾科夫鏈模型的京津冀農產品冷鏈需求預測[J].商業經濟研究，2019，38（15）：109-111.

〔8〕Qi Fang， Dazho Tig. The model of highway logistic demand forecasting based on gray neural network[J]. Soft Science， 2010（11）：132-135.

〔9〕Joseph Berechunan. Cold chain development and challenges in the developing world[J].Acta Horticulturae， 2003（08）：127-134.

〔10〕Terry Moore. An Introduction to Supply Chain Management[M]. Palgrave Macmillan Ltd，2003，6（17）：153-165.

〔11〕Marija Bogate， Ludvik Bogataj， Robert Vodopivec. Stability of perishable goods in？cold logistic chains[J]. International Journal of Production Econnomics， 2005，2（01）：345-356.

〔12〕徐宏峰，張言彩，鄭艷民.冷鏈物流研究現狀及未來的發展趨勢[J].生態經濟，2012，28（05）：141-143+150.

〔13〕吉培榮，黃巍松，胡翔勇.無偏灰色預測模型[J].系統工程與電子技術，2000，22（06）：6-7+80.

〔14〕ZENG B， LI C. Forecasting the natural gas demand in China using a self-adapting intelligent grey model[J]. Energy， 2016， 112（01）：810-825.