企业采购预测模型应用研究——以马铃薯采购为例

□李 坤

（宁夏工商职业技术学院 宁夏 银川 750001）

1 模型建立的必要性

马铃薯是世界各国人民餐桌上的主要食材之一。在400 多年前，我国开始种植马铃薯。马铃薯适应性极强，是一种具有良好发展前景的高经济作物，在世界各地广泛种植。2015 年，继稻米、小麦、玉米后，马铃薯被我国官方认定为第4 种国家战略安全主粮。马铃薯抗寒冷、耐干旱，在相对贫瘠的土壤里也能生存，比较容易种植。

从储存条件来说，和绿叶类蔬菜相比，马铃薯更加耐于存放，保质期更长[1-3]。马铃薯对于储存条件也有一定的要求，尤其对温度和湿度的要求比较高，适宜在温度较低、干燥密闭的环境下储存。如果马铃薯保存不当，致使产生幼芽，会增加毒性，不宜食用。在运输的过程中，马铃薯比较怕颠簸。如果在储存运输的相关环节处置不当，会造成外观欠佳、口感不佳等问题，使马铃薯的商品性降低。如果农产品电商平台在仓储配送等方面做得好，可以降低马铃薯物流损耗，提高运营效率，降低成本。

国内生鲜电商从2012 年开始发展速度较快[4-5]。通过对中国知网《中国期刊全文数据库》查询可知，从2013 年起研究生鲜电商的论文数量开始大幅上涨。与此同时，在中国知网检索栏里输入Ecommerce of agricultural products（生鲜电商）等英文关键词，所能查询到的英文文献数目为0。

2021 年艾瑞咨询公司对我国生鲜电商行业进行调研分析发现，我国生鲜电商市场呈现一片欣欣向荣之势，是最近几年资本追逐的热点，未来发展可期。由于政策环境、经济环境等因素的影响，我国电商业务发展还很不充分。据不完全统计，我国生鲜电商企业有4 000 多家，能够盈利的仅1%，略微亏损的企业约88%，巨额亏损的企业约7%。

具体到宁夏马铃薯电商平台销售情况，根据宁夏商务厅相关统计数据，2018 年在宁夏各城市中，银川市、固原市的网络销量最好。在地区排名中，2018 年宁夏马铃薯线上销售排名前5 的地区均来自银川市和固原市，分别是兴庆区、隆德县、原州区、贺兰县和西吉县。究其原因，银川市作为首府城市，消费购买力比其他城市强；而固原市是马铃薯产量大户，具有一定的品牌效应，因此银川市和固原市线上采购量比其他地区更有优势。

产品的新鲜程度是消费者在线购买最为关心的问题[6-9]。马铃薯作为2018 年宁夏农产品网络零售额前10 的产品，“新鲜”“自种”“现挖”等关键词最受消费者青睐。产品的新鲜程度正成为品质生活和绿色健康的主要标签。

从2018 年线上销售渠道分析，宁夏本地电商平台的销售份额只占市场的11.72%，其余88.28%来自外地生鲜电商平台。作为马铃薯特色产业种植大省，宁夏本地马铃薯电商销售平台的发展水平相对滞后。究其原因，冷链物流仓储配送成本过高是“致命伤”。如何在保证生鲜商品的保鲜程度的同时降低成本，提高生鲜产品送达客户的时效性，是生鲜电商企业急需解决的问题。

解决这个问题的关键在于电商企业农产品订购量是否科学合理[10-12]。国内外生鲜电商业务大多是最近5～10 年开始起步，而且现有研究多偏向于定性、理论性研究，定量、实证性、技术性研究相对不足。

就研究现状来看，国内鲜有针对生鲜电商行业产品订购量波动进行分析研究。而生鲜产品订购量预测效果的好坏，可以较大程度影响生鲜电商冷链库存、仓储、配送、运输等物流环节的效率和服务成本。尤其对于马铃薯等根茎类产品，若订购量过多，生鲜农产品不能及时销售出去，会造成腐坏，产生不必要的成本。若订购量不足，会造成库存紧张，供应不及时，影响生鲜电商的时效性，从而导致消费者满意度降低和企业口碑下滑。

因此，建立基于时间序列理论的生鲜产品波动订购量预测显得十分必要[13-14]。对生鲜电商平台的市场需求进行研究分析，在此基础上建立一个相对贴合实际需求的预测模型，依据模型推演电商企业的市场订购量，以此为参考，制定更加合理的物流配送方案，必然会大幅降低物流成本，提升客户满意度，为企业赢得口碑和市场[15]。

2 预测模型的选取

对时间序列理论的相关文献进行收集分析发现，目前经典理论主要有5 种。

第一，指数平滑法（ES）。指数平滑法是一种被经常使用的预测方法，应用很广泛，通常针对经济发展中的中短期经济指标进行预测。指数平滑法是在加权移动平均法的基础上进行算法改善，通过对时间序列数据集上的不同随机变量赋予不同的权重，凸显对近期随机变量的重视程度，从而可以使预测值能够更加快捷地反映市场实际变化，而且在权重赋值上的灵活性也比较高。

第二，移动平均法（MA）。移动平均法适合短期预测。当没有季节性因素干扰时，移动平均法的应用非常有效。应用该方法对时间序列数据集合的要求是不能在短期内发生数据快速上升或者下降的波动。

第三，回归预测模型（AR）。该模型按照时间序列数据集的变化情况可以分为线性回归模型和非线性回归模型。该算法主要通过分析原始数据集合中的观测值，研究数据间的相关关系，从而设定相对贴切的预测模型对研究对象的未来情况进行预测分析，适合中期预测。

第四，自回归滑动平均模型（ARMA）。该方法适用变化较平稳的短期预测，能较好处理非平稳数据的随机干扰因素。

第五，差分自回归移动平均模型（ARIMA）。模型原理是随时间推移，将预测对象形成的数据序列看作一个随机序列，用数学模型来近似描述这个序列。这个模型一旦被识别后，就可以从时间序列的过去值及现在值来预测未来值。

分析以上5 种方法可以发现，基于传统统计学的预测模型相对更适用于线性平稳预测，对需求波动大、影响因素复杂的情况无法进行有效预测[16-17]。

3 预测模型的建立过程

采用宁夏宁谷物配管理有限公司2015 年6 月至2018 年11 月的马铃薯采购量数据，并以此为原始数据集，建立预测模型。模型建立过程如下。

第一步，在R 软件中导入原始数据，绘制出时间序列图（图1）。通过对时间序列图的观察，可以看出马铃薯采购量的时间序列并不平稳。对马铃薯订购量绘制自相关函数图（图2），可以看到该图的数据自相关性相对较强。由此可以判断，马铃薯的采购量根据时间具有一定的前后相关性。随后对原始数据做一阶差分，从其时间序列图（图3）可以看出，差分后数据的波动性明显降低。然后对一阶差分后的数据进行自相关分析（图4）。

第二步，模型定阶。应选取阶数较小的模型。在初步选取之后，筛选出的模型有AR（1）、MA（1）、随机游走模型、ARIMA（0，1，1）、ARIMA（0，1，2）、ARIMA（0，1，3）、ARIMA（1，1，3）。

第三步，模型性能检验判断。对于初步筛选出的模型，以残差序列的方式判断模型的优劣。一个相对较好的订购量预测模型，需要满足3 个条件。第一，残差是白噪声；第二，残差的样本自相关函数在很小的范围内；第三，标准化残差序列的Ljung-Box 统计量的p值充分大。如果出现多个模型都符合残差检验的条件，还需要通过赤池信息量（AIC）进行选取，选择AIC 最小的模型；或者可以通过测试集预测数值的误差进行比较，选取误差最小的模型[18-20]。

ARIMA 用于马铃薯订购量的预测会更为贴合。通过相应的检验比较[21]，最终选取ARIMA（0，1，1）模型。选取此模型后，用作后5 个月的价格预测。

4 结束语

宁夏宁谷物配管理有限公司地处银川市，客户群体数量巨大，所获得的数据具有极强的地域针对性。研究成果对企业进行生鲜产品市场需求波动分析具有直接的理论和实践意义。