【基于组合预测法下H省农产品物流需求预测实证探究（论文）18000字】

摘要农产品物流的发展水平影响着农业生产，而农产品物流需求量是制定农产品物流发展规划的重要参考。本文用定量分析和定性分析相结合的方式，对河南省农产品物流需求进行分析，为河南省农产品物流研究提供数据参考，推动河南省农产品物流的发展。本文首先对农产品物流、农产品物流预测的相关理论做了介绍，随后阐述了本文使用的预测方法及相关原理。在定性分析方面，本文分析了河南省农产品物流需求的特点、影响因素、需求主体和需求趋势。在定量分析方面，本文选取与农产品物流量有关的指标，通过在国家统计年鉴和相关国家部门网站搜集相关数据，利用主成分回归预测模型和gm（1，1）灰色预测模型对河南省2020年-2024年农产品物流量进行预测，利用Shapley值法构建组合预测模型，减小单一预测模型的预测误差值波动。最后，在以上研究的基础上，分析河南省农产品物流发展存在的问题，并针对研究过程中发现的问题提出相应的对策和建议。关键词农产品物流；物流需求预测；Shapley值；组合预测目录TOC\o"1-2"\u1绪论 [30]等人对农产品物流需求预测的研究，区域农产品物流量与农产品产量和农村居民农产品消耗量相关，所以可以通过河南农产品产量和农村居民农产品消耗量来计算农产品物流量。具体公式如式（37）： （37）本文通过河南省统计年鉴，找出近年来河南省主要农产品产量、农村居民人均农产品消耗量和农村人口数量的数据，再通过式（37）计算河南农产品物流需求量。表4-1为河南主要农产品产量，表4-2为2015年-2019年河南农村居民农产品消耗占农产品产量的百分比。表格4-1河南主要农产品产量（万吨）农产品年份粮食油料糖类蔬菜瓜果肉类蛋类奶类水产品类合计20085365.4505.320.76394.31415.5537.3363.8201.850.514854.920095389.0532.928.36370.31279.3591.6370.7203.553.714819.720105437.1540.726.16624.21598.0608.9372.2207.057.815472.320115542.5532.326.66709.71580.5604.2370.1214.865.415646.520125898.3569.526.87011.61664.6632.8379.0220.871.716475.420136023.8542.128.37112.51711.3648.9380.5219.085.016751.720146133.6531.120.76848.11468.7662.0370.8227.291.716354.220156470.2538.917.86970.91519.9647.2372.3233.6102.316873.520166498.0549.816.67238.11613.9625.9379.5223.394.717240.120176524.2586.916.27530.21670.4655.8401.1212.894.617692.620186648.9631.015.37260.61585.3669.4413.6208.998.317531.620196695.3645.411.97368.71638.9560.0442.4208.599.017670.5数据来源：河南统计年鉴2009-2020表4-2河南农村居民农产品消耗率年份农村人口（万人）农村居民人均农产品消耗量（千克）农产品产量（万顿）农村居民农产品消耗量（万吨）农产品消耗率20155699387.6816873.572209.413.09%20165556405.0017240.172250.213.05%20175409406.2717692.682197.512.42%20185267390.5617531.672057.111.73%20195124439.1417670.512250.212.73%数据来源：河南统计年鉴2016-2020由于数据获取的局限性，本文用2015至2019年河南农村居民农产品消耗率的平均值代表2008至2019年河南农村居民农产品的消耗率。根据表4-2计算农产品消耗率平均值过程如式（38）： （38）根据式（37）和表4-1主要农产品的产量，根据式（38）的计算结果，计算出河南农产品物流需求量如表4-3。表4-3河南农产品物流需求量（万吨）年份农产品产量农产品消耗率农产品物流量200814854.9812.6%12983.25200914819.7712.6%12952.48201015472.3612.6%13522.84201115646.5612.6%13675.09201216475.4712.6%14399.56201316751.7512.6%14641.03201416354.2212.6%14293.59201516873.5712.6%14747.50201617240.1712.6%15067.91201717692.6812.6%15463.40201817531.6712.6%15322.68201917670.5112.6%15444.034.2基于主成分回归农产品物流需求预测根据前人的研究结果，结合本文对河南农产品物流需求因素的分析，坚持全面性、客观性、可获取性等指标选取的等原则，本文选取主成分回归分析的指标数据如表4-4。表4-4主成分回归分析的指标数据变量年份YX1X2X3X4X5X6X7X8X9200812983.317735.92561.16354357313231.14454.24989.293895772.9200912952.519181.02833.36209375814371.64807.05033.097276689.1201013522.822655.03540.86385405215930.35523.75081.0101967922.7201113675.126318.73599.96234425518194.86604.05150.0105169337.2201214399.628961.93959.06070447320442.67524.95026.91087310767.7201314641.031632.54202.35958464322398.08475.35088.51115012243.5201414293.634574.84399.25843481924391.59966.15101.01147713777.4201514747.537084.14503.75699502325575.610852.95333.91171015475.8201615067.940249.34459.35556523227232.911696.75360.3985917274.5201715463.444824.94552.75409544429557.912719.25389.81003819289.1201815322.749935.94826.05267563931874.213830.75408.31020421268.0201915444.054259.25408.65124582834201.015163.75452.91035723476.1数据来源:河南统计年鉴2009-2020Y：为农产品物流需求量（万吨）；X1：河南生产总值（亿元）；X2：农业生产总值（亿元）；X3：农村人口数量（万人）；X4:城镇人口数量（万人）；X5：城镇居民可支配收入（元）；X6：农村居民可支配收入（元）；X7：农田灌溉面积（千公顷）；X8：农业机械总动力（万千瓦）；X9：社会零售总额（亿元）；对搜集到的指标数据利用SPSS软件进行主成分分析，分析输出结果如表4-5至表4-7和图4-1。表4-5KMO和Bartlett检定KMO和Bartlett检定Kaiser-Meyer-Olkin0.705Bartlett271.629df36显著性0表4-6解释的总方差成分起始特征值提取平方和载入合计方差的%累积%合计方差的%累积%17.77286.35886.3587.77286.35886.35821.06011.78098.1381.06011.78098.13830.1091.21099.34840.0450.50599.85350.0060.06499.91860.0050.05499.92770.0020.02699.99780.0000.00299.99990.0000.001100图4-1碎石图表4-7成分得分系数矩阵指标成分12X10.128-0.045X20.1240.213X3-0.1260.122X40.1280.019X50.1280.005X60.128-0.023X70.120-0.204X80.0300.913X90.128-0.067表4-5中KMO为0.705>0.5，说明此次主成分分析各变量间是存在关系的。从表4-6和图4-1可以看出，利用SPSS软件对影响河南农产品物流需求的自变量的数据经行主成分分析提取两个主成分时，其累积方差贡献率为98.138%，大于95%，意味着提取的主成分可以包含原自变量95%以上的有效信息，因此，此次主成分的提取是合理且有效的。结合表4-7中各自变量与主成分之间的函数关系，用Z1、Z2分别表示提取的主成分1和2，则由成分得分矩阵可以得出： （39） （40）利用SPSS软件对河南农产品物流量Y与主成分Z1、Z2进行回归分析，分析结果如表4-8至4-10。表4-8模型汇总表模型RR2调整R方标准估计误差10.9600.9210.904219.314表4-9方差分析表模型平方和df均方FSig1回归46390639.49022318019.74552.6020.000残差396601.514944066.835统计5032641.00411表4-10模型系数表模型非标准化系数标准系数tSigB标准误差BetaZ1647.24363.2940.95710.2260Z250.34363.2940.0740.7950.447对模型的输出进行分析，相关系数R=0.960，决定系数R2=0.914，调整可决系数=0.904，说明回归效果较好，因变量与各自变量具有相关性。F检验值F=52.602>F0.05(2,10)=4.103,说明在95%的置信水平上拒绝原假设，回归模型整体显著。由表4-10可得出主成分回归方程： （41）将提取的主成分与自变量的函数关系代入得 （42）还原原始变量为： （43）利用一元回归方程预测2020到2024年自变量的值，结果如表4-11：表4-112020到2024年自变量的值变量年份X1X2X3X4X5X6X7X8X9202055103.45490.25081.96050.735529.715808.95488.210762.324081.8202158357.65708.64964.96254.237439.416810.15532.310809.125693.2202261611.85927.04848.06457.639349.117811.25576.510855.927304.6202364866.06145.54731.06661.141258.718812.35620.610902.728916.0202468120.26363.94614.06864.643168.419813.55664.710949.530527.3将自变量的预测结果代入主成分回归方程中，得到2020至2024年河南省农产品物流需求量的预测值如表4-12。表4-12主成分回归预测值年份20202021202220232024物流量/万吨15940.216181.216422.216663.216904.14.3基于灰色gm（1，1）模型农产品物流需求预测由表4-3得知2008至2019年河南省农产品物流需求量，本文采用GM（1，1）模型对河南省农产品物流需求进行预测，并进行精度检测。使用软件MATLAB7.0，得到结果如下：图4-2MATLAB输出结果图4-3MATLAB输出结果从MATLAB运行程序后输出的结果可知，相对残差Q=0.0133，方差比C=0.2724<0.35，P=1>0.95，说明本次预测结果精度较高。2020年至2024年河南农产品物流需求预测结果如表4-13。表4-13灰色预测模型预测值年份20202021202220232024物流量/万吨15984.016248.816518.016791.717069.94.4基于组合模型农产品物流需求预测根据主成分回归预测模型和gm（1，1）灰色预测模型对河南农产品物流量的预测数据，将预测数据与实际数据进行比较，并计算他们的误差，结果如表4-14：表4-14预测值误差年份农产品物流量实际值主成分回归预测值灰色GM(1,1)预测值预测误差主成分回归灰色GM（1，1）200912952.513236.113340.9-283.6-388.4201013522.813528.913561.9-6.1-39.0201113675.113808.913786.6-133.8-111.5201214399.614028.114015.0371.4384.6201314641.014295.214247.2345.8393.8201414293.614557.914483.3-264.3-189.7201514747.514890.114723.2-142.624.3201615067.914851.514967.2216.4100.7201715463.415117.615215.1345.9248.3201815322.715406.015467.2-83.3-144.5201915444.015755.815723.5-311.8-279.5平均值227.7209.5由表可知，在单独使用主成分回归预测模型和gm（1，1）灰色预测模型对河南农产品物流量进行预测时，各模型的平均预测误差都不相同，这是由于各种模型在预测过程中受到各种因素的影响。由式（35）计算组合预测模型的总误差为： （44）则由式（36）计算出主成分回归预测模型和gm（1，1）灰色预测模型各自的权重为： （45） （46）根据式（24）和式（25）中计算得到主成分回归预测和gm（1，1）灰色预测权重，得到组合预测模型为： （47）组合预测模型与单一预测模型误差比较如图4-3。图4-3预测误差比较将单一预测模型对河南省农产品物流量2020年-2024年的预测结果代入式（47）中，得到组合预测模型得预测结果如表4-15。表4-15组合预测模型预测值（万吨）年份20202021202220232024物流量/万吨15984.016216.416472.116730.116990.54.5本章小结本章通过对河南农产品物流需求影响因素的指标数据进行搜集，采用定量分析的方法，先使用主成分回归和灰色预测两种预测模型，再基于Shapley值建立组合预测模型，对河南农产品物流未来几年的需求趋势进行预测。5河南农产品物流发展建议5.1河南农产品物流需求分析结论基于本文对河南农产品物流需求的分析可以看出，河南农产品物流需求受到多方面的影。从需求主体、需求趋势的分析来看，河南农产品物流的需求量将持续增长，需求主体和结构不断变化，目前河南农产品冷链物流、绿色物流、第三方物流和配送物流的发展水平与河南农产品物流的需求不符。而河南农产品需求预测的结果表明，河南农产品物流需求保持平稳增长的趋势。而就目前而言，随着河南省人民政府对农产品物流的逐渐重视，河南农产品物流行业正在快速发展。但与国外农产品物流发展较好的国家相比，河南农产品物流发展呈现诸多问题。一方面，由于缺乏统一完善的农产品物流信息平台，导致河南农产品物流的信息化水平较低，在农产品物流信息共享、流通过程跟踪等方面受到较大的制约，阻碍了河南农产品物流的发展。另一方面，农产品物流技术水平和冷链物流设备的数量尚不能满足目前农产品物流的需求，与人们对农产品对农产品质量的要求不符。最后，在物流企业方面，河南大多数服务农产品的物流企业受技术和资金的限制，存在着“小、散、乱”的特点，不利于河南农产品物流服务水平的提高。纵观河南农产品物流的发展现状，农产品物流的技术水平与物流结构尚不能满足河南农产品物流的需求。针对河南农产品物流发展存在的问题，结合本文的研究，对河南农产品物流发展提出以下几点建议。5.2河南农产品物流发展建议(1)建立完善的农产品物流信息平台加大对农产品物流信息平台建设的投入，引进先进的物流信息技术，完善农产品物流信息平台，逐步形成全省统一的农产品物流信息交流平台，提升河南农产品物流整体的信息化水平。促进农产品物流信息资源共享，提高农产品多式联运的衔接水平，实现对农产品物流全过程有效控制和管理，进而降低农产品物流成本，促进河南农产品物流业的发展。(2)加大对农产品冷链物流的支持政府应发挥政府职能，出台扶持农产品冷链物流发展的政策，促进冷链物流整体发展。鼓励相关企业发展农产品冷链物流，由于农产品冷链物流设施设备的建造和运行成本较高，所以在用地、资金等方面给予相关企业一定的支持。同时，加大对农产品冷链物流模式的推广力度，鼓励农产品销售企业运输生鲜农产品时使用冷链物流模式；深化学校和企业的合作，培养农产品冷链物流方面的相关人才，促进农产品冷链物流管理水平和技术水平的发展；加强对农产品冷链物流行业的标准的研究，建设完善的农产品冷链物流标准体系。(3)推动农产品物流绿色发展推动河南农产品物流绿色发展，政府、农产品物流相关企业和消费者要提升绿色物流意识。政府做好宣传导向，建立相关法律法规和行业标准，引导农产品物流绿色发展；相关企业树立农产品绿色物流的理念，一方面，在包装、运输和加工等方面实现绿色化，如使用可降解包装材料、使用循环包装设备等。另一方面在农产品加工、运输和仓储过程中，确保农产品的质量安全；消费者树立正确的农产品绿色物流观念，不追求农产品过度包装，节约资源、保护环境。(4)推动农产品第三方物流与农产品相关企业合作河南农产品物流的发展应多借鉴发达地区企业和第三方物流合作的经验，通过农产品物流需求主体与第三方物流合作的方式，推动河南农产品物流的发展。农产品物流需求主体树立与第三方物流企业的合作观念，通过将物流外包或与第三方物流共同管理的模式，提高其整体的物流水平。第三方物流企业提升物流技术和管理水平，为客户提供较高水平的服务。（5）发展农产品配送物流在农产品电商市场规模发展迅速的环境下，河南农产品销售末端配送是农产品电商销售的重要环节。政府和企业应加强农产品配送产业链管理，注重农产品配送质量安全问题，从整体上优化农产品配送体系，提升配送效率和服务质量。6结束语本文在前人对农产品物流需求预测的研究基础上，通过对比单一预测模型的优点和局限性，选择基于Shapley值的组合预测模型对河南农产品物流需求进行预测。确定预测模型之后，对所使用模型的相关理论进行研究，为构建河南农产品物流需求预测模型做好充分的准备。在对河南农产品物流需求的预测前，对河南农产品物流需求的特点、需求主体、影响因素和需求趋势进行了分析。在对河南农产品物流需求预测中，第四章主成分回归分析选取的指标，是以第三章对河南农产品物流需求影响因素的分析作为依据，选取的指标较为合理和科学。而借助SPSS软件对选取的指标数据进行主成分分析后，再进行多元回归分析，解决了选取指标数据存在共线性的问题。在建立灰色预测模型时，借助了MATLAB软件，并输出检验模型精度的指标数值，通过分析输出结果，灰色预测模型精度达到较高水平。最后，根据主成分回归预测模型和灰色预测模型的误差，计算其Shapley值，建立组合预测模型。组合预测模型与单一预测模型相比，误差值的波动明显减小。在研究过程中，本文存在着一些不足。由于数据的可获取性，在对河南农产品物流需求预测时，一些数据指标用近年来数据作为代替。同时忽略了省外农产品购进的问题，因此河南农产品物流需求可能大于预测值。通过对河南农产品物流需求的分析和预测，得出河南农产品物流需求的趋势，并根据河南农产品物流发展，结合研究的结论提出相应的建议，为相关政府部门和企业制定农产品物流发展规划提供参考，以促进河南农产品物流的发展。参考文献王春燕,东莎莎,魏晓霞,赵长盛.我国农产品冷链物流的发展现状及对策分析[J].中国果菜,2020,40(11):8-11.TheManagementofBusinessLogistics:ASupplyChainPerspective(7thEdition)(Book).[J].JournalofSupplyChainManagement,2003.Mark,

Wardman.

Interurban

rail

demand,

elasticities

and

competition

in

Great

Britain:

Evidence

from

direct

demand

models[J].

Transportation

Research

Part

E:

Logistics

and

Transportation

Review,

1997.Adrangi,

Bahram,

Chatrath,

et

al.

The

demand

for

US

air

transport

service:

a

chaos

and

nonlinearity

investigation.[J].

Transportation

Research

Part

E,

2001.张锦.L-OD预测理论与现代物流规划方法研究[D].西南交通大学,2004.后锐,张毕西.基于MLP神经网络的区域物流需求预测方法及其应用[J].系统工程理论与实践,2005(12):43-47.王新利.计量经济模型在物流需求预测中的应用[J].物流科技,2006(04):50-52.杨琳,刘忠波.一元线性回归模型在预测物流需求的应用[J].商业文化(学术版),2007(10):173-175.阮俊虎.基于GA-SVM的区域物流需求预测研究[D].河北工程大学,2010.惠春梅,李严锋,曹杰,蔡媛媛,朱大鹏.组合预测法下的云南特色农产品物流需求预测及分析[J].物流技术,2011,30(03):79-81.刘丽艳,张启波.基于支持向量机回归的农产品物流需求预测[J].科技创新导报,2011(25):148-149.冯永岩.北京市农产