涂建（江西服装学院商学院）于2025年在《物流科技》第21期发表了题为《基于Shapley组合模型的农产品冷链物流需求预测》的研究论文。该研究聚焦冷链物流（Cold Chain Logistics）领域，针对当前农产品冷链需求预测中单一模型精度不足的问题，提出了一种基于Shapley值赋权的组合预测方法。

学术背景
随着我国居民对农产品新鲜度与安全性要求的提升，冷链物流成为保障农产品品质的关键环节。现有研究多采用灰色预测法（Grey Model）、指数平滑法（Exponential Smoothing）等单一模型，但存在数据适应性差、误差波动大等局限性。本文以南昌市为研究对象，旨在通过组合多元线性回归（MLR）、灰色GM(1,1)和ARIMA三种模型，构建更高精度的预测体系。

研究流程与方法
1. 数据准备
- 研究对象：选取南昌市2013–2022年农产品冷链物流需求量（定义为常住人口与人均生鲜农产品消费量的乘积）作为预测目标（Y），并筛选农产品总产量（X₁）、人均消费支出（X₂）、货运量（X₃）、第一产业生产总值（X₄）、人均GDP（X₅）作为初始影响因素。
- 数据来源：《南昌市统计年鉴》《江西省冷链物流报告》等官方资料。
- 预处理：通过逐步回归消除多重共线性，最终保留X₁与X₂构建多元线性回归模型（公式：Y=−8.423+0.100×X₁+2.898×X₂，R²=0.987）。

1. 单一模型构建

   • 灰色GM(1,1)模型：通过级比检验确认数据适用性后，建立预测方程X⁽⁰⁾(k+1)=20.237e⁰·⁰¹⁸⁷ᵏ，后验差比C值0.1443，误差概率P=1.000，显示高精度。
     
   • ARIMA模型：对非平稳序列进行一阶差分（ADF检验p=0.011），确定最优参数ARIMA(3,1,3)，R²=0.917。

2. Shapley组合模型

   • 权重分配：计算各模型Shapley值（ARIMA:0.569，MLR:0.178，GM(1,1):0.253），形成组合预测方程Y=0.569Y₁+0.178Y₂+0.253Y₃。
     
   • 误差分析：组合模型的平均绝对百分比误差（MAPE）为0.325%，显著低于单一模型（MLR:3.253%，GM(1,1):1.868%，ARIMA:1.586%）。

主要结果
1. 模型性能对比：组合模型的MAE（0.071）、RMSE（0.090）均为最低（表7），验证其优越性。
2. 需求预测：仿真结果显示（图2），南昌市农产品冷链需求量2030年预计达28.6万吨，年均增速2.5%，呈稳定增长趋势。
3. 关键影响因素：农产品总产量（X₁）和人均消费支出（X₂）对需求量的正向影响最为显著（p<0.01）。

结论与建议
研究证实Shapley组合模型能有效整合不同算法的优势，提升预测精度。针对预测结果，提出以下建议：
1. 基础设施：扩大冷库与冷藏车规模，建设冷链物流园区；
2. 技术应用：引入物联网（IoT）与区块链技术，实现全程温控追溯；
3. 政策支持：制定冷链标准，提供税收优惠以激励企业投资。

研究亮点
1. 方法论创新：首次将Shapley值理论应用于冷链需求预测，解决了传统组合模型中权重分配的主观性问题。
2. 实践价值：为地方政府规划冷链基建提供了量化依据，例如2030年增速预测可直接用于产能规划。
3. 跨学科融合：结合博弈论（Shapley值）与时间序列分析（ARIMA），拓展了预测模型的理论边界。

补充价值
研究存在两个潜在局限性：一是未考虑突发公共卫生事件（如疫情）对需求的影响；二是未引入非线性模型（如LSTM）作为对比。未来可进一步探索动态权重调整机制。