中国绿色食品销售能力的有效性及预测分析

中国绿色食品销售能力的有效性及预测分析

周云峰

（哈尔滨商业大学黑龙江哈尔滨， 150028）

摘要：为了观测中国绿色食品销售运行状况，需要对绿色食品销售能力作综合评价。本研究在总结以往分析方法的基础上提出数据包络分析（DEA）方法，该方法是一种用来评估多项投入与多项产出相对效率的方法，该方法无论对经济效益指标还是对社会效益指标都可进行。评价将各期的绿色食品企业个数、绿色食品产品总数、产地监测面积、实物总量、人均可支配收入和出口额作为输入指标；再选取各年绿色食品销售额为输出指标，对1996—2007年中国绿色食品发展水平的时间序列数据进行有效性分析，得出我国绿色食品销售能力大部分年份是处于有效状态。然后通过人工神经网络模型对绿色食品销售能力进行了模拟和预测，其误差结果大部分在5%以内，这样可以根据已知的输入变量对下一年未知的销售额进行预测，有利于我们提前作出相关对策。

关键词：绿色食品产业；数据包络分析（DEA）；人工神经网络（Elam）；模拟与预测

一、引言

从1990年我国启动绿色食品基础建设阶段到目前，绿色食品取得了快速发展，总量规模稳步扩大。截止2007年末，新认证绿色食品企业2371家，产品6263个，分别比去年同期增长14.9%和10.3%；全国有效使用绿色食品标志企业总数达到5740家，产品总数达到15238个，分别增长24.4%和18.4%。实物总量超过8300万吨，产品年销售额近2000亿元，出口额达到21.4亿美元，产地环境监测面积2.3亿亩。

绿色食品产品年度例行抽检合格率达到97.5%。在农产品专项整治中，由农业部组织的认证农产品质量安全监督抽检，绿色食品、有机食品产品合格率均达到100%。抽检结果表明，绿色食品、有机食品产品质量稳定可靠。品牌影响也在不断扩大。据调查，在国内部分大中城市，绿色食品品牌的消费认知度以超过80%，成为大型主流商业连锁经营企业市场准入的重要条件。绿色食品销售价格比普通产品平均高出20%-30%，部分绿色食品、有机食品比普通产品销售价格高出1倍左右，优质优价的市场机制逐步形成。

由于世界范围内绿色食品发展的趋势，国内外对绿色食品的研究层出不穷。在2001年出版的《生态和农业》（Ecology and Farming）和《全球有机农业》（Organic Agriculture Worldwide）中，着重对比了发展中国家与发达国家发展有机农业的认证过程差异、有机食品标准和保障体系的国际化、贸易中的社会责任等。1994年Root Frankin在《Entry Strategies for international Markets》中，提出进入国际市场的战略过程为制定战略目标、选择目标市场和产品，选择进入模式，实施调控系统[7]。黄惠萍（2001）等一些学者研究了国际农产品贸易中绿色壁垒不断加强的趋势，以及对我国农产品出口造成的巨大阻碍，并为了应对绿色壁垒而提出了相关建议；杨肖丽（2005）等一些学者通过调查问卷着重研究了绿色食品消费的认知、态度和相关因素分析；宋德军（2007）则是基于DEA方法对中国绿色食品的进出口能力进行了实证研究。

从对以上文献可以看出,目前对我国绿色食品问题的研究尽管不少,但对绿色食品销售能力的研究较少，所以本文旨在通过运用定量分析数学模型和人工神经网络模型，采用较长时间序列数据分析中国绿色食品销售能力，以及对销售额进行模拟与预测。

二、绿色食品销售能力的实证分析

(一) DEA 方法

数据包络分析（DEA ）是使用数学规划模型，评价具有若干输入和若干输出的决策单元（DMU ）间的相对有效性的一种非参数方法。DEA 方法对具有相同类型的DMU 进行评价，其评价的依据是决策单元的“输入”数据和“输出”数据，并且DEA 方法对数据的处理无需考虑量纲的同一化。

DEA 方法最大的特点是无须对系统的输入输出之间进行任何形式的生产函数假定，仅仅依靠每个单元的实际观测数据，利用线性规划技术将有效的单元线性组合起来，构造出 “悬浮”在整个观测样本点上的分段超平面即生产前沿面，并由此评估每个单元的相对效率。由于DEA 方法不需要预先估计参数，在避免主观因素和简化运算、减少误差等方面有着不可低估的优越性。

(二) 评价模型的建立

评价我国绿色食品产业各个时期年销售额有效的DEA 模型(R C 2

)可表示如下：

θ=m ax

∑=n

j j

ij x 1

λ

+-

i s = 0ij x （m i ,,1 =）

s.t.

∑=-n

j j

ij y 1

λ

+r s = 0j i y θ (s r ,,1 =) （1）

θ，j λ，-i s ，+r s 0≥

n 表示同类决策单元(Decision Making Units ， DMU)数量；m 和s 分别表示输入和输出指标的个数；0ij x 和0rj y 分别表示其中第0j 个DMU 的第i 项输入和第r 项输出；-i s 和+

r s 分别为松弛变量，其中，θ为我国绿色食品产业各期出口发展能力指数。

上述模型即为面对输出的R C 2

模型，它的含义是找n 个DMU 的某种线性组合，使其在投入不变的条件下，产出尽可能的大。该模型是从投入不变，产出增多的角度构造的，称为产出的效率评价模型。它主要用于评价DMU 同时为规模有效和技术有效，有下列结论：

(1)若0

θ=1，0-i s =0，0

+r s =0，则0j DMU 为DEA 有效； (2)若0θ

<1，或0

-i s ≠0，0

+r s ≠0，则0j DMU 为非DEA 有效。

在R C 2模型的约束条件和生产可能集T 中同时加入条件

11

=∑=n

j j

λ

，则可以得到DEA

评价的2

2

GS C 模型，对于R C 2

模型中0

θ<1，即非规模和技术有效，可以再通过2

2

GS C 模

型判断其是否为技术有效，若评价模型2

2GS C 中的最优解0

θ=1，则可判断0j DMU 是技术

有效而非规模有效，若0

θ

<1，则说明决策单元0j DMU 既非技术有效，也非规模有效。对

非有效DMU ，可通过调整投入产出以使其达到规模与技术有效。

(三) 指标的选取及数据的来源

为了保证DEA 模型检验结果的有效性，先将各期的绿色食品企业个数（X1）、绿色食品产品个数（X2）、产地监测面积（X3）、实物总量（X4）、年出口额（X5）、人均可支配收入（X6）作为输入指标；再选取各年绿色食品销售额（Y ）为输出指标；采用按时间序列纵向分析的

方法，划分若干个时间区段，研究各个时区的产品销售是否达到了最大；决策单元选用时间1996-2007各年份时间段。本研究的数据主要来源于《中国统计年鉴》、《中国绿色食品统计年报》。

(四) 销售能力评价

对1996年—2007年12个决策单元的销售能力进行评价，分别采用R C 2模型和2

2GS C 模型计算，其结果如下：

表1

（1）表1显示销售能力评价指数θ=1的年份（即DEA 有效）。从表中可以看出1999年的数值最低，R C 2相对效率值为1.0157， 2

2

GS C 相对效率值为1.0124，这说明1999年的销售规模和技术都处于无效状态。进一步从∑λ=0.9547发现，1999年非DEA 有效的原因是在投入量一定的条件下，产出量还没有达到最大。

（2）2004年的R C 2和2

2

GS C 的相对效率值分别为1.0196、1.0191，这同样表明销售额在技术和规模方面是无效的。但和1999年不同的是∑λ为1.0483，说明2004年非DEA 有效的原因是产出已经达到了最大值，而投入过多造成资源浪费所引起的。这可以解释为，由于2004年的技术水平没有跟上绿色食品产业的发展，即使投入充足也不能对产出产生效应，反而过多的投入使得资源浪费。

（3）除了1999和2004年以外，其他年份销售能力评价指数都属于DEA 有效。这说明我国绿色食品销售能力大部分年份都是处于有效状态，输入变量（绿色食品企业个数、绿色食品产品个数、产地监测面积、实物总量、出口额）与输出变量（绿色食品销售额）已经发展的相互协调。尤其是近几年随着我国人均可支配收入的不断提高，人们消费观念的改变，使得绿色食品的销售额每年以平均25.2%的速度增长，这也表明人们对绿色食品的消费认知程度有所提高。

三、销售额的模拟与预测

(一) Elam 神经网络结构

Elam 型神经网络是一种反馈型神经网络，它是一种反馈动力学系统，比前向神经网络具有更强的计算能力。在此网络中，稳定性与其联想记忆的能力密切相关，因此，稳定性是一个重要的研究方向。Elam 型回归神经网络一般分为四层：输入层、中间层（隐含层）、承接层和输出层，其输入层、隐含层和输出层的连接类似于前馈网络，输入层的单元仅起信号传输作用，输出层单元起线性加权作用。隐含层单元的传递函数可采用线性或非线性函数，承接层又称为上下文层或状态层，它用来记忆隐含层单元某一时刻的输出值，可以认为是一个延时算子。

Elam 型回归神经网络的特点是隐含层的输出通过承接层的延迟与存储，自联到隐含层的输入，这种自联方式使其对历史状态的数据具有敏感性，内部反馈网络的加入增加了网络

本身处理动态信息的能力，从而达到了动态建模的目的

(二) 数据的处理

人工神经网络要求各输入因子相互独立，因此，选用不相关的绿色食品产品个数（X1）、产地监测面积（X2）、实物总量（X3）、人均可支配收入（X4）指标作为输入变量；将后一年的年销售额（X5）作为输出变量。由于这些样本数据值大小相差很大，处于不同量纲，所以对原始数据进行预处理，使用处理后的数据训练人工神经网络，可以避免网络输入数据过大造成网络麻痹，更容易更快速的找出变量之间的内在关联。对数据采用归一化方法：

min

max min

x x x x x --=

（2）

(三) 隐节点和激活函数的选取

隐节点的作用是从样本中提取并存储其内在规律，每个隐节点有若干权值，而每个权值都是增强网络映射能力的一个参数。因此，采用一个隐含层的神经网络，隐层节点数的选择对网络的性能影响很大。如何选取到最佳的隐节点数目前在理论上还没一个可靠的理论指导，许多学者都提出各自的方法，本文采用如下公式进行选取隐节点。

n k 2log = （3）

其中，n 为输入单元数，k 为隐节点数。

根据Elam 算法反传规则的推导，要求激励函数的导数存在，所以输出神经元的传递函数采用隐含层的线性组合purelin(线性函数)，隐含层的传递函数采用正切的S 函数(tansig)。其表达式分别如下：

x

e x

f x

x g -+=

=11)()( （4）

(四) 仿真试验

根据输入指标和公式（2），对1996-2007的数据进行归一化，隐节点个数由公式（3）选为2，然后对数据用Matlab7.0进行模拟，其结果如下： 图1 共轭梯度法训练过程

50100

150

200250

10

-4

10

-3

10

-2

10

-1

10

279 Epochs

T r a i n i n g -B l u e G o a l -B l a c k

Performance is 0.000994837, Goal is 0.001

上图为共轭梯度法的训练过程，取目标误差为0.001，目标步数为1000，但由于网络构造的比较好能够较好的拟合输入数据，所以经过279次的迭代，网络训练精度就达到了，训

练停止。得到1997-2006年的模拟值和2007年的预测值，其表如下：

为了更形象的比较模拟趋势与真实趋势，用MATLAT 将其绘制成图如下

图2 模拟结果与真实结果比较

024681012

0.2

0.4

0.6

0.8

1

其中，“+”表示1997-2006年销售额的实际值，“○”表示1997-2006年销售额的模拟值，“◇”2007年销售额的真实值，“*”表示2007年销售额的预测值。

从表2中我们可以发现，相对误差大多不超过5%，这样我们可以根据已知的输入变量对下一年未知的销售额进行预测，可以有利于我们提前作出相关对策。

四、模型的评价

（一）DEA 模型是一种客观的评价方法，在避免主观因素、简化算法、处理不完全权重等方面有明显优势，所以它的评判结果还是值得可信的。从评判结果发现，近几年我国绿色食品销售能力一直处于有效状态，即使2004年无效也是因为资源投入过多造成的，而非销售出了问题，所以说在销售这方面我国还是处于良好状态。

（二）在构建人工神经网络模型时，对于输入变量的选择要根据所研究问题的特点进

行，对于动态规律的把握，选取有代表性的变量。人工神经网络作为一种新型的预测方法有着广泛的应用前景，能够比较准确的进行短期预测。

（三）由于数据资料的有限性，该模型并不能完全反映现实所看到的现象。影响绿色食品销售额的因素比较复杂，除上述指标外，可能还存在其他主要因素，但基于知识的有限而无法对其进行量化，所以需要更多的数据来开发出更为精确的数学模型。

[参考文献]

[1]王德章.中国绿色食品产业发展与出口战略研究[M].中国财政经济出版社.2005

[2]黄惠萍.有机食品：我国绿色食品国际化发展的方向[J].武汉理工大学学报.2001.(2)

[3]宋德军.基于DEA方法的中国绿色食品国际化战略研究[J]. 浙江工商大学学报.2008(1).

[4]杨肖丽张道昱.绿色食品消费的认知、态度和相关因素的分析[J]. 市场与贸易.2006(12)

[5]赵文波韩枫陈玉兰.黑龙江省绿色食品发展战略论[M].黑龙江:黑龙江人民出版社.2004

[6]魏权龄.数据包络分析[M].北京:科学出版社，2004.

[7]Root Franklin R .Entry Strategies for international Markets. Lexington Books, New York, 1994.

[8]飞思科技产品研发中心编著.神经网络与MATLAB7实现[M].北京:电子工业出版社.2005