生鲜农产品需求预测方法综述

魏 锋，郭校飞 WEI Feng, GUO Xiaofei

（广西科技大学 经济与管理学院，广西 柳州 545006）

0 引 言

随着消费水平的不断提高，人民对生鲜农产品的需求也在不断提升，希望在满足量的基础上也满足质的要求。但生鲜农产品作为一种需求量大的易腐产品难以兼顾质量和成本，有效供给不足或过剩供给损耗不仅带来经济损失，更是会造成民众信任度缺失。如何能够使得生鲜农产品供需均衡就成为学界热点问题，许多学者对此研究后发现，不确定性导致了供给不均衡，而需求预测可以有效减少不确定性。

需求预测是利用历史数据，采用恰当的科学分析方法，得出需求期望水平。企业可以通过预测结论指导生产、经营等活动。粗放型经济市场背景下，供给方占据主导地位，扩大产能才是研究的主流，而且数据分析方法的制约，导致很长时间采用基于统计学方法的需求预测。而随着买方市场到来，其环境的复杂化和需求的多样化给生鲜农产品市场带来巨大的库存压力，常规的需求预测难以把握市场先机。因此，寻求数据处理更快、预测进度更高、泛化能力更强的预测模型成为当务之急。

1 生鲜农产品需求的预测方法

1.1 定性预测方法

定性预测法是指预测者依靠拥有丰富行业经验及综合分析能力的人员和专家，运用个人经验和分析能力，考虑不可量化因素的影响，对数据进行收集、分析、讨论和总结，进而综合各方意见得到预测结果。目前较为常用的定性预测法有德尔菲法、评判意见法、主观概率法等。

定性预测法依赖专家的直观判断，有如下优点：首先，预测结果是基于充分的信息分析判断得出，能够很好兼顾不可量化因素。其次，预测方法的制定者往往也是使用者，在预测过程中能够找到关键问题。最后，偏向于事物发展在性质方面的预测，具有较强灵活性，在历史数据较少的情况下，也能实现快速预测。相应的是定性预测法最大的缺点，即易受主观因素影响，数量预测精准度不尽人意。生鲜农产品作为需求量大且易腐的商品，数量预测误差背后是巨大的成本，因此在生鲜农产品预测中鲜有单独使用定性预测法，而是将其作为定量预测法的辅助工具。

1.2 定量预测方法

定量需求预测是通过数学模型、统计方法或机器学习算法等手段来预测未来某个时间段内的需求量，其核心是通过历史数据来预测未来的需求量。现常根据建模理念的不同，将定量预测区分为基于统计学的预测方法和基于机器学习的预测方法。基于统计学的预测方法倾向于找出变量间关系或从数据得出推论，而基于机器学习的预测方法则更倾向于数据预测的精准度。

1.2.1 基于统计学的预测方法

传统的生鲜需求预测研究主要是基于统计学进行建模。研究通过数据分析变量间关系，建立合适的数学模型，进而探究其中的规律和趋势。在数据分析阶段，研究对象的不同导致使用统计学方法的不同，预测方法也基于此分为时间序列分析和因果分析两类。

基于统计学的预测方法通过数据分析变量间关系，建立合适的数学模型，进而探究其中的规律和趋势。在数据分析阶段，研究的对象不同导致采用的统计学方法不同，因此预测方法也基于此分为时间序列分析和因果分析两类。

（1） 时间序列分析

时间序列分析是基于数据分析，将数据分解为趋势、周期、时期和不稳定性因素，研究其背后现象的变化规律，常用的时间序列方法包括ARIMA、指数平滑法、时间序列分解等。生鲜需求具有周期性等特点，同时历史数据易得，因此时间序列模型常被用作生鲜的需求预测。杨浩雄、胡静[1]为解决供需不平衡的问题，通过建立ARIMA 模型对生鲜需求进行预测，得到较好的短期预测结果。

时间序列方法使用数据少，且预测较依赖于近期数据，因此适合解决中短期的周期趋势问题。但预测方法不考虑因果关系，预测结果仅为历史数据的延伸，外界因素变动会导致预测出现较大误差。

（2） 因果分析

因果分析作为对传统的需求预测中因果关系的补充，可以清晰看出自变量对于需求的影响大小，方便调控变量以影响需求。丁松[2]分析生鲜农产品需求特点，决定以新鲜度和单位价格作为自变量，提出更加符合实际和有效的需求预测模型。李俊瑜[3]通过SWOT 法探析福建省生鲜物流现状，以多元线性回归构建物流需求模型，验证正向影响生鲜物流需求的因素。

因果分析对变量筛选处理有很高的要求，如变量对需求的因果关系不清、变量间高度相关。这些都限制了因果分析在生鲜预测方面的应用，因此相关研究集中在需要调控变量的库存决策中。

综上，基于统计学的需求预测方法更倾向解释变量关系，并不适用于周期短、波动大的生鲜预测研究，因此研究者提出预测精度更好的方法。

1.2.2 基于机器学习的预测方法

信息化时代给我们带来海量信息，传统的统计学方法无法准确区别其中噪声和信息，且难以运算处理这些数据。而随着算力和算法的突破，机器学习通过大量数据自主训练模型，可以较好地提取特征，而且预测的精度更高，因此被广泛应用到生鲜需求预测中。

常用的机器学习算法有神经网络和支持向量机。徐晓燕等[4]构建多种神经网络对山东省生鲜农产品需求进行预测，得出LSTM 模型准确率和性能更优的结论。张姣姣[5]去除自变量间的共线性，然后将提取的因子作为BP 神经网络的输入，发现改进后的模型收敛速度有显著提升。王晓平、闰飞[6]将遗传算法同BP 神经网络结合，对北京生鲜农产品需求进行预测。吕旺[7]使用模糊信息粒化方法对生鲜销量数据进行子序列划分，改进后的支持向量机同ARIMA、BP 神经网络和LSTM 对比，模型误差更小。

就生鲜而言，单一预测方法中应用最为广泛的是ARIMA 法和神经网络法。两者在处理短期预测方面都有着良好表现。但由于单一预测方法处理信息的局限性，长期预测结果和鲁棒性并不理想。

1.3 组合预测

组合预测根据预测目标，对多种预测方法进行组合或改进，可以实现优势的结合，提高模型预测的效果。因此现在生鲜需求预测研究多采用组合预测，王少然[8]以三个单项预测模型的预测作为输入，建立支持向量回归模型，对天津市生鲜农产品冷链物流发展进行研究。张继良[9]通过Shapley 法对三种预测模型组合研究山东生鲜发展趋势。张炎亮、代沛沛[10]对生鲜电商平台评论提取感知影响因素，构建多变量支持向量回归需求模型，结果更贴合实际需求。李宵香[11]通过Lasso 筛选影响较小的变量，构建Lasso-BP 神经网络预测模型，针对新冠疫情常态化下的生鲜物流发展提出对策和建议。

2 生鲜需求预测发展趋势

需求预测对我国生鲜行业发展起到了关键作用，但不可否认的是，短期内需求预测体系很难出现实质性的变革。现阶段，研究更多考虑的是复杂环境下，如何处理模型中的不确定性和动态性因素。

（1） 组合预测方法是生鲜需求预测发展的主要方向。大量研究表明在面对复杂环境，组合预测模型一般比单一预测模型表现更优异。组合预测根据预测目标，对模型过程进行拆分，取每个环节的最优处理，然后再结合成整体，这样在保证较高模型效果同时，还能有效降低系统风险。同时单一模型求最优解能力和对其他模型的修正能力逐渐被发现，有效提高了组合预测模型的精准度，极大地丰富了组合预测研究。

（2） 建立与经营管理相结合的预测模型。现有的需求预测模型评价是建立在检验集的拟合效果上的，短期都有着较高的精准度。但现实的需求有时间、成本、可得性等诸多限制因素，预测者难以筛选出关键影响因素，往往会导致模型脱离实际。管理者作为经营管理的决策者，有着丰富的经验和分析能力，使得管理者参与模型建立，不仅可以准确把握影响因素，而且基于这些因素建立的模型通过指导管理者的决策，反馈到实际生产运营。

（3） 跨学科专业知识会对需求预测提供新的研究思路。随着市场环境日趋复杂，被动的需求预测已经难以应对占据市场主导地位的消费者。因此通过跨学科知识，深入挖掘数据后的信息，建立以消费者需求为导向的需求预测的研究逐渐增多。比如学者们通过前景理论等组织行为学方法分析人的行为和心理，考虑非理性因素的影响，使得需求预测更贴合实际。

3 结束语

不确定性是影响需求的重要因素，而且销售模式、商品特性等因素都为生鲜需求预测提出新的要求，通过精准需求预测降低成本仍是研究热点。因此，本文对文献进行整理，以期为后续研究发展提供新思路。