“一帶一路”背景下陜西省冷鏈物流需求預(yù)測

楊航 許江雯

摘? 要：“一帶一路”戰(zhàn)略的深入實(shí)施使冷鏈物流的發(fā)展越來越廣泛，現(xiàn)如今已經(jīng)逐步發(fā)展成為現(xiàn)代物流業(yè)的重要組成部分。特別是2019年新冠疫情的爆發(fā)，更進(jìn)一步刺激了我國冷鏈物流行業(yè)的生存與發(fā)展，因此準(zhǔn)確預(yù)測冷鏈物流需求對物流決策以及促進(jìn)區(qū)域經(jīng)濟(jì)的提高都至關(guān)重要。文章以陜西省冷鏈物流需求量為研究對象，在灰色GM1，1模型預(yù)測的基礎(chǔ)上，采用馬爾科夫優(yōu)化該預(yù)測模型的方法，更加合理地預(yù)測出陜西省未來5年的冷鏈物流需求量，最后根據(jù)預(yù)測結(jié)果對冷鏈物流行業(yè)之后的發(fā)展提出建議。

關(guān)鍵詞：一帶一路;冷鏈物流;灰色預(yù)測;馬爾科夫

中圖分類號：F252.8? ? 文獻(xiàn)標(biāo)識碼：A

Abstract： The in-depth implementation of the“one belt one road”strategy has made the development of cold chain logistics more and more extensive， and now it has gradually developed into an important part of the modern logistics industry. In particular， the outbreak of the new crown epidemic in 2019 has further stimulated the survival and development of my country's cold chain logistics industry. Therefore， accurate prediction of cold chain logistics demand is essential for logistics decision-making and promoting regional economic improvement. This paper takes the demand for cold chain logistics in Shaanxi province as the research object. Based on the gray GM1，1 model forecast， Markov optimizes the forecasting model to more reasonably predict the future 5 years of Shaanxi province. The demand for cold chain logistics， and finally put forward suggestions for the future development of the cold chain logistics industry based on the forecast results.

Key words： one belt one road; cold chain logistics; grey forecast; Markov

0? 引? 言

近年來，隨著“一帶一路”倡議的不斷推進(jìn)，我國市場經(jīng)濟(jì)發(fā)展迅猛，居民消費(fèi)升級也日益明顯，人們逐漸從追求溫飽向追求品質(zhì)質(zhì)量的方向轉(zhuǎn)變，傳統(tǒng)的物流方式已不能滿足人民日益增長的物質(zhì)需求，此時(shí)一個(gè)特殊的物流行業(yè)——冷鏈物流便有了新的發(fā)展機(jī)遇。冷鏈物流，指的是冷藏冷凍類物品從生產(chǎn)、貯存、傳輸、發(fā)售再到消費(fèi)前的各個(gè)環(huán)節(jié)一直處在規(guī)定的環(huán)境條件下，來保證性能和質(zhì)量的一個(gè)低溫物流過程[1]。冷鏈物流的出現(xiàn)在一定條件下保證了食品的新鮮度，并且減少了食物在運(yùn)輸途中的浪費(fèi)。在國家政策以及消費(fèi)升級驅(qū)動(dòng)等因素的影響下，冷鏈物流業(yè)的發(fā)展規(guī)模持續(xù)擴(kuò)張，已成為現(xiàn)代物流業(yè)的重要組成部分。2019年，突如其來的新冠疫情使人們越發(fā)關(guān)注生鮮電商和冷鏈物流，冷鏈物流為人們在保證安全的距離下提供了新鮮食材，方便了人們生活，但是又由于冷鏈物流傳輸?shù)臈l件及方式，人們發(fā)現(xiàn)低溫對病毒生存十分有利，冷鏈運(yùn)輸很可能成為新冠病毒傳播的潛在風(fēng)險(xiǎn)，那么如何確保安全需要重點(diǎn)關(guān)注。因此，研究冷鏈物流需求預(yù)測對疫情期間以及疫情后的冷鏈物流行業(yè)發(fā)展和建設(shè)可以提供一定的參考價(jià)值。

陜西省作為絲綢之路上的一個(gè)重要地區(qū)，“一帶一路”戰(zhàn)略的深入實(shí)施必然會給其帶來巨大的挑戰(zhàn)和時(shí)機(jī)，在此背景下發(fā)展冷鏈物流業(yè)會進(jìn)一步為加快陜西省推動(dòng)產(chǎn)業(yè)化和市場營銷工作提供依據(jù)，不可否認(rèn)的是，陜西省冷鏈物流行業(yè)已經(jīng)進(jìn)入快速發(fā)展的新時(shí)期[2]。因此，合理預(yù)測陜西省冷鏈物流需求有利于繼續(xù)推動(dòng)冷鏈物流行業(yè)的高效穩(wěn)定發(fā)展，為陜西省政府關(guān)于冷鏈物流行業(yè)的規(guī)劃建設(shè)工作提供參考。

關(guān)于冷鏈物流需求預(yù)測的研究，我國專家學(xué)者針對不同領(lǐng)域的冷鏈物流情況，得出了大量的研究成果，如蘭洪杰和汝宜紅對奧運(yùn)食品冷鏈物流需求預(yù)測，采用BP神經(jīng)網(wǎng)絡(luò)技術(shù)對其進(jìn)行了深入研究和分析，進(jìn)而為奧運(yùn)食品冷鏈物流的實(shí)際經(jīng)營提出了對策建議[3]。李雋波和孫麗娜運(yùn)用多元線性回歸分析的方法對我國水產(chǎn)品冷鏈物流需求進(jìn)行了預(yù)測，并對得出的預(yù)測結(jié)果與一元線性回歸分析法預(yù)測的結(jié)果進(jìn)行比較，結(jié)果顯示多元線性回歸分析法在預(yù)測結(jié)果的精度和有效性上均明顯優(yōu)于一元線性回歸分析法[4]。楊箏等學(xué)者以廣西為例，通過構(gòu)建灰色GM1，1預(yù)測模型對廣西農(nóng)產(chǎn)品冷鏈物流需求量進(jìn)行了預(yù)測，并通過平均絕對百分比誤差和后驗(yàn)差檢驗(yàn)的方法進(jìn)行了模型精度檢驗(yàn)[5]。另外，周倩倩等學(xué)者通過建立灰色狀態(tài)馬爾科夫組合預(yù)測模型對江蘇省的居民冷鏈物流需求量進(jìn)行了預(yù)測分析，并且通過分析結(jié)果為未來江蘇省冷鏈物流的發(fā)展提供理論參考[6]?；谇叭说难芯砍晒?，本文為了更準(zhǔn)確的預(yù)測“一帶一路”背景下陜西省冷鏈物流需求發(fā)展?fàn)顩r，及考慮到物流需求數(shù)據(jù)的“不完全性”和“不確定性”，采用灰色GM1，1預(yù)測模型和馬爾科夫模型組合的方法分析預(yù)測[6-9]，并借助Matlab軟件進(jìn)行分析處理，最后通過平均相對誤差、后驗(yàn)差以及小概率誤差檢驗(yàn)的方法進(jìn)行模型精度的檢驗(yàn)。通過分析預(yù)測結(jié)果，我們可以有根據(jù)地對陜西省疫情后冷鏈物流業(yè)的變革以及未來冷鏈物流業(yè)的發(fā)展提供參考，此外冷鏈物流需求的準(zhǔn)確預(yù)測對地方及國家經(jīng)濟(jì)水平的提高都具有十分重要的現(xiàn)實(shí)意義。

1? 研究方法

1.1? 灰色GM1，1預(yù)測

灰色預(yù)測是一種對某些含有不確定性信息的系統(tǒng)進(jìn)行預(yù)測的方法，GM1，1模型是目前比較常用的灰色預(yù)測模型之一，其基本思想是：對原始序列的數(shù)據(jù)先進(jìn)行有規(guī)律的變換處理，然后建立微分方程找出其中變化規(guī)律，再通過逆變換而達(dá)到預(yù)測的目的。它的一般建模步驟如下[9]：

（1）假設(shè)原始序列為：

x=x1，x2，…，xn? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ?（1）

（2）為減弱序列的不確定性，對原始序列x進(jìn)行累加處理，生成新序列：

x=x1，x2，…，xk，…，xn? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? （2）

其中：xk=xi， k=0，1，2，…，n。

（3）建立灰色GM1，1模型的微分方程：

+ax=u? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ?（3）

其中：a、u為未知參數(shù)，通常由最小二乘法可求得：

==BBByn? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? （4）

（4）累加矩陣B和常數(shù)向量y的構(gòu)建：

B=， y=? ? ? ? ? ? ? ? ? ? ? ? ? ? ? （5）

（5）求解灰色GM1，1微分方程（3），得到：

k+1=x1-e+? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ?（6）

（6）還原得到原始序列預(yù)測值：

， k=1，2，…，n? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? （7）

1.2? 馬爾科夫優(yōu)化

因?yàn)閷Σ▌?dòng)性較大的數(shù)據(jù)進(jìn)行預(yù)測時(shí)，單一模型的預(yù)測可能會出現(xiàn)比較大的偏差，因此本文利用馬爾科夫模型對之前的灰色GM1，1模型預(yù)測的數(shù)據(jù)進(jìn)行優(yōu)化，彌補(bǔ)了單一預(yù)測模型存在的局限性。馬爾科夫就是一類特殊的隨機(jī)過程，具有“無記憶”的性質(zhì)，即將來狀態(tài)的發(fā)展只能由現(xiàn)在狀態(tài)決定而與過往無關(guān)。馬爾科夫模型對灰色GM1，1模型的優(yōu)化步驟如下：

（1）劃分狀態(tài)區(qū)間。根據(jù)樣本數(shù)量和相對誤差范圍，將灰色預(yù)測的相對誤差分為n個(gè)狀態(tài)區(qū)間，每個(gè)狀態(tài)區(qū)間都可以表示成E=e，e， i=1，2，…，n。這里，e表示區(qū)間的最小值，e表示區(qū)間的最大值。

（2）計(jì)算狀態(tài)轉(zhuǎn)移概率矩陣。設(shè)f為狀態(tài)E經(jīng)過k步轉(zhuǎn)移到狀態(tài)E的頻數(shù)，f為狀態(tài)E出現(xiàn)的總頻數(shù)，則狀態(tài)轉(zhuǎn)移概率矩陣P=，從而得到：

P=? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? （8）

（3）計(jì)算狀態(tài)轉(zhuǎn)移概率向量。假設(shè)初始時(shí)刻的狀態(tài)轉(zhuǎn)移概率向量為A0，那么狀態(tài)轉(zhuǎn)移概率向量Ak為：

Ak=A0P? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? （9）

將狀態(tài)轉(zhuǎn)移概率向量中概率最大的值作為狀態(tài)的未來轉(zhuǎn)向。

（4）預(yù)測值的修正。已知所屬狀態(tài)E的狀態(tài)區(qū)間，結(jié)合灰色預(yù)測值k，有灰色—馬爾科夫模型預(yù)測表達(dá)式[10]：

=? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? （10）

其中：若灰色預(yù)測值>實(shí)際值，則式（10）分母中符號取+;若灰色預(yù)測值<實(shí)際值，則取-;若相等則不對其進(jìn)行優(yōu)化修正。

1.3? 模型精度檢驗(yàn)

對選擇模型的可行性進(jìn)行驗(yàn)證，常用方法有：平均相對誤差檢驗(yàn)、后驗(yàn)差檢驗(yàn)和小概率誤差檢驗(yàn)[9]。

（1）平均相對誤差檢驗(yàn)：

=Δk=? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? （11）

（2）后驗(yàn)差檢驗(yàn)：

C=? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? （12）

（3）小概率誤差：

P=εk-<0.6745S? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? （13）

式中：εk=xk-k，S=，S=。模型精度等級劃分表見表1。

2? 實(shí)證分析

2.1? 指標(biāo)選取與數(shù)據(jù)來源

影響冷鏈物流需求有很多因素，為了數(shù)據(jù)的可獲得性以及數(shù)據(jù)的完整性，本文將蔬菜、水果、肉禽蛋奶以及水產(chǎn)品這幾類需要冷鏈運(yùn)輸?shù)漠a(chǎn)品的總產(chǎn)量作為原始指標(biāo)數(shù)據(jù)，用來代表冷鏈物流需求量，選取陜西省2009～2018年數(shù)據(jù)為樣本數(shù)據(jù)。數(shù)據(jù)來源于國家統(tǒng)計(jì)局官方網(wǎng)站以及《陜西省統(tǒng)計(jì)年鑒》，具體數(shù)據(jù)見表2。

2.2? 灰色—馬爾科夫優(yōu)化預(yù)測

2.2.1? 灰色GM1，1預(yù)測。由表2的原始數(shù)據(jù)，可得到原始序列x=x1，x2，…，xn，進(jìn)行灰色GM1，1預(yù)測，根據(jù)建模步驟，利用Matlab軟件進(jìn)行處理，得到GM1，1預(yù)測模型的方程式為：

k+1=2 828.8100--85 230.7529e-85 230.7529

得到陜西省2009～2018年的冷鏈物流需求灰色預(yù)測結(jié)果以及模型精度檢驗(yàn)結(jié)果見表3。

通過表3可得，灰色GM1，1模型的平均相對誤差為0.0127、后驗(yàn)差比值C為0.1438、小概率誤差P為1。查模型精度檢驗(yàn)表1可得出灰色GM1，1模型精度等級為Ⅱ級（良好），適用于預(yù)測陜西省冷鏈物流需求量，但是還有發(fā)展的空間，進(jìn)而用馬爾科夫優(yōu)化該灰色模型。

2.2.2? 馬爾科夫優(yōu)化。由表3灰色模型預(yù)測結(jié)果可得相對誤差區(qū)間為-0.0276，0.0147，本文借鑒魏慶征等學(xué)者的研究成果[11]，以相對誤差的集中度劃分狀態(tài)區(qū)間，可得到狀態(tài)區(qū)間為[-0.0276，-0.017），[-0.017，-0.0064），[-0.0064，0.0042），[0.0042，0.0148），劃分狀態(tài)結(jié)果見表4。

根據(jù)公式（8）可得到狀態(tài)轉(zhuǎn)移概率矩陣為：

P=

對陜西省2009～2018年的灰色預(yù)測值進(jìn)行馬爾科夫優(yōu)化，如2010年?duì)顟B(tài)為E，且2010年陜西省冷鏈物流需求灰色預(yù)測值高于實(shí)際值，那么根據(jù)預(yù)測值公式（10）計(jì)算出陜西省2010年冷鏈物流需求的灰色—馬爾科夫預(yù)測值為

==3 014.6525（萬噸），同理可得其余各年份冷鏈物流需求的灰色—馬爾科夫預(yù)測值，預(yù)測結(jié)果以及模型精度檢驗(yàn)結(jié)果見表5。

對比表3，從表5中可知用馬爾科夫優(yōu)化后的模型平均誤差減少到0.0047、后驗(yàn)差比值減小到0.0611，小概率誤差仍為1，對照模型精度等級表可知模型精度由Ⅱ級（良好）優(yōu)化為Ⅰ級（優(yōu)秀）。因此經(jīng)過馬爾科夫優(yōu)化后的灰色預(yù)測更適合反映實(shí)際情況。

由表4的相對誤差可知2018年冷鏈物流需求處在E狀態(tài)，則取初始狀態(tài)轉(zhuǎn)移概率向量A0=0 1 0 0，根據(jù)公式（9）計(jì)算出2019年的狀態(tài)轉(zhuǎn)移概率向量是A1=A0*P=0 0 0 1，同理可得其余各年份的狀態(tài)轉(zhuǎn)移概率向量分別為：A2=A0*P=0.1667 0 0 0.8333、A3=A0*P=0.1389 0.1667 0 0.6944、A4=A0*P=0.1157 0.1389 0 0.7475、A5=A0*P=0.1243 0.1157 0 0.7600，然后取狀態(tài)轉(zhuǎn)移概率向量中概率最大的值作為狀態(tài)的未來轉(zhuǎn)向，易知2019～2023年的冷鏈物流需求所屬狀態(tài)均為E。

接下來，根據(jù)預(yù)測值公式算出預(yù)測值，這里要用到陜西省2019～2023年灰色GM1，1預(yù)測值，采用上面灰色GM1，1預(yù)測方法預(yù)測陜西省2019～2023年冷鏈物流需求，得到預(yù)測結(jié)果見表6。

然后以2019年為例，由于狀態(tài)確定為E，把相關(guān)數(shù)值帶入到公式（10），得到經(jīng)馬爾科夫優(yōu)化后的預(yù)測值為

==4 204.2131（萬噸），同理可得2020～2023年的陜西省冷鏈物流需求灰色—馬爾科夫預(yù)測值，結(jié)果見表7。

通過表7得到的灰色—馬爾科夫預(yù)測值，我們可以明確看出陜西省冷鏈物流需求不斷增加，表明人們對生鮮食品的需求越來越大。

3? 結(jié)論與建議

首先，本文通過灰色GM1，1模型對陜西省2009～2018年冷鏈物流需求量的樣本數(shù)據(jù)進(jìn)行預(yù)測得到預(yù)測結(jié)果，然后考慮到數(shù)據(jù)的波動(dòng)性問題，用馬爾科夫模型與灰色GM1，1模型相結(jié)合的方法對預(yù)測結(jié)果進(jìn)行優(yōu)化，這種優(yōu)化預(yù)測方法能夠使兩種模型的優(yōu)勢充分發(fā)揮出來，通過對比灰色GM1，1模型預(yù)測的效果與灰色—馬爾科夫模型預(yù)測的效果，發(fā)現(xiàn)預(yù)測的模型精度由Ⅱ級（良好）提高到了Ⅰ級（優(yōu)秀），說明運(yùn)用這種方法預(yù)測陜西省冷鏈物流需求得出的預(yù)測結(jié)果更加具有參考價(jià)值。

其次，通過預(yù)測結(jié)果可得，未來陜西省的冷鏈物流需求量會繼續(xù)呈現(xiàn)不斷上升的趨勢，冷鏈物流需求與實(shí)際情況相符合。在這樣一個(gè)冷鏈物流發(fā)展迅速的大環(huán)境中，冷鏈物流發(fā)展質(zhì)量得不到充分的保障，發(fā)展過程中難免會出現(xiàn)一些問題，比如疫情中冷鏈物流運(yùn)輸?shù)陌踩珕栴}重視不夠，人們?nèi)狈ψ銐虻睦滏溡庾R等等。因此，為了保證冷鏈物流的健康發(fā)展，特提出以下建議：（1）建立良好的政策支持環(huán)境。冷鏈物流行業(yè)發(fā)展迅猛，需要足夠的資金來支持運(yùn)轉(zhuǎn)，政府可以適當(dāng)?shù)某雠_一些優(yōu)惠政策，或者投資冷鏈物流設(shè)施的基礎(chǔ)建設(shè)等，來降低企業(yè)壓力，促進(jìn)陜西省乃至其它區(qū)域冷鏈物流的快速發(fā)展。（2）加強(qiáng)冷鏈物流的實(shí)時(shí)監(jiān)控力度。冷鏈運(yùn)輸需要處在一定的溫度，并且要全面預(yù)防病毒的流入和傳播，在確保健康安全的基礎(chǔ)上，保障產(chǎn)業(yè)鏈穩(wěn)定。我們要對冷鏈物流全程做好實(shí)時(shí)監(jiān)控和防范，考慮多個(gè)因素影響，動(dòng)態(tài)跟蹤檢測，保證食品在冷鏈運(yùn)輸全過程的安全性。（3）推廣冷鏈物流相關(guān)知識，造就冷鏈專業(yè)性人才。目前，人們對冷鏈物流的認(rèn)知程度普遍較低，冷鏈相關(guān)的專業(yè)人員不足，要想冷鏈物流長期高效地發(fā)展，還需要認(rèn)真地向企業(yè)及大眾傳達(dá)相關(guān)知識，積極開發(fā)潛在客戶。另外，冷鏈物流比傳統(tǒng)的物流更注重技術(shù)的運(yùn)用，因此，我們不能忽視相關(guān)人才的專業(yè)培養(yǎng)，可以為人才的發(fā)展開設(shè)相應(yīng)的培訓(xùn)課程，或者引進(jìn)一些優(yōu)秀的冷鏈專業(yè)人員等。（4）推動(dòng)“一帶一路”冷鏈物流聯(lián)合項(xiàng)目。以陜西省為出發(fā)點(diǎn)，加強(qiáng)與“一帶一路”沿線上其它地區(qū)的互聯(lián)互通，積極、開放地發(fā)展冷鏈物流區(qū)域合作，促進(jìn)協(xié)調(diào)聯(lián)動(dòng)發(fā)展，更好地與其它地區(qū)實(shí)現(xiàn)優(yōu)勢互補(bǔ)，保證冷鏈物流在輸入與輸出上的安全性，推動(dòng)經(jīng)濟(jì)的可持續(xù)發(fā)展。

參考文獻(xiàn)：

[1] 毋慶剛. 我國冷鏈物流發(fā)展現(xiàn)狀與對策研究[J]. 中國流通經(jīng)濟(jì)，2011，25（2）：24-28.

[2] 成志平. 低碳經(jīng)濟(jì)發(fā)展環(huán)境下陜西農(nóng)產(chǎn)品冷鏈物流優(yōu)化策略分析[J]. 經(jīng)濟(jì)研究導(dǎo)刊，2017（22）：24-25.

[3] 蘭洪杰，汝宜紅. 2008北京奧運(yùn)食品冷鏈物流需求預(yù)測分析[J]. 中國流通經(jīng)濟(jì)，2008（2）：19-22.

[4] 李雋波，孫麗娜. 基于多元線性回歸分析的冷鏈物流需求預(yù)測[J]. 安徽農(nóng)業(yè)科學(xué)，2011，39（11）：6519-6520，6523.

[5] 楊箏，曹志強(qiáng)，黎嘉慧. 基于灰色預(yù)測法的廣西農(nóng)產(chǎn)品冷鏈物流需求預(yù)測[J]. 物流工程與管理，2017，39（9）：86-88，83.

[6] 周倩倩，彭本紅，谷曉芬. 基于灰色馬爾科夫鏈的江蘇城鎮(zhèn)居民冷鏈物流需求量預(yù)測[J]. 物流科技，2015，38（6）：21-25.

[7] 吳家麒，何梅，謝鳳. 四川省十三五農(nóng)產(chǎn)品冷鏈物流需求預(yù)測——基于灰色—馬爾可夫鏈模型[J]. 物流工程與管理，2018，40（2）：38-41.

[8] 宋志蘭，孔民警，黃益，等. 基于灰色—馬爾科夫鏈的冷鏈物流需求量預(yù)測——以昆明市鮮切花為例[J]. 物流工程與管理，2019，41（2）：17-21.

[9] 崔毅，徐偉，張松濤. 基于灰色馬爾科夫模型的青島冷鏈物流需求預(yù)測[J]. 物流科技，2019，42（10）：78-82，87.

[10] 湯天辰，李林. 基于灰色馬爾科夫模型的上海港集裝箱吞吐量預(yù)測[J]. 物流科技，2020，43（3）：105-108，114.

[11] 魏慶征，楊云，李凌燕，等. 基于灰色馬爾科夫的外匯預(yù)測模型[J]. 計(jì)算機(jī)與現(xiàn)代化，2020（2）：12-15.