基于时间序列模型预测批发市场生鲜农产品采后废弃率的研究及其对可持续食物价值链的启示

本研究针对批发市场生鲜农产品采后废弃量预测难题，创新性地应用ARIMA和ETS时间序列模型对南非大型批发市场的果蔬废弃数据进行多品类分析。研究发现ARIMA模型在柑橘类（MAPE=29.61%）和叶菜类（MAPE=17.62%）预测中表现优异，而ETS模型在总体蔬菜预测中更具优势（MAPE=52.58%）。该研究为食品供应链废弃物管理提供了数据驱动的预测工具，对实现联合国可持续发展目标具有重要意义。

　　

在全球食物安全面临严峻挑战的当下，每年约有25-50%的果蔬在供应链中损失，这个触目惊心的数字背后隐藏着资源浪费、环境压力和营养缺失的多重危机。特别是批发市场作为果蔬储运的关键节点，其废弃物管理直接影响着整个食品价值链的效率。面对2050年全球97亿人口的喂养压力，如何通过科技手段精准预测和减少采后废弃已成为农业食品领域的重要课题。

在这项发表于《Agriculture》的创新研究中，南非研究团队首次系统性地将时间序列预测模型应用于批发层面的果蔬废弃物管理。研究人员采用Autoregressive Integrated Moving Average (ARIMA)和Error, Trend, and Seasonality (ETS)两种经典时间序列模型，对南非最大农产品批发市场2021-2023年的废弃数据进行了深度分析。该市场日均服务14,000客户，占据全国45%市场份额，其数据代表性为研究提供了坚实基础。

研究团队采用多阶段数据处理方法：首先从市场销售处理系统中提取原始废弃记录，保留采集日期、商品类型和废弃质量（kg）等关键字段；随后基于植物学特性将果蔬分为13个亚类（6类水果、7类蔬菜）；最后通过时间序列转换和特征工程，为模型训练提供标准化数据。采用时间序列交叉验证（tsCV）和扩展窗口法确保模型验证的可靠性，以RMSE（均方根误差）、MAE（平均绝对误差）和MAPE（平均绝对百分比误差）作为主要评估指标。

研究结果呈现出明显的品类特异性特征：

水果废弃物预测结果显示，ARIMA模型在柑橘类表现最佳，其MAPE值仅为29.61%，显著优于ETS模型的43.30%。特别值得注意的是，不同水果品类适合的模型存在明显差异：浆果类、"仁果、核果及其他"亚类和热带水果更适合ETS模型，而瓜类和核果类则更适合ARIMA模型。这种差异可能源于不同水果品类的生理特性和腐败模式的差异。

蔬菜废弃物预测展现出更有趣的规律：虽然蔬菜的RMSE绝对值普遍高于水果，但其MAPE值却显著更低，说明模型对蔬菜废弃趋势的捕捉相对更准确。叶菜类的预测精度尤为突出，ARIMA模型达到17.62%的MAPE值。茄科类蔬菜也表现出较好的预测性能（MAPE=25.20%）。相比之下，葫芦科、十字花科和根茎类蔬菜的预测误差较大，反映了这些品类废弃模式的高度可变性。

模型比较分析发现，ETS模型在整体蔬菜预测中表现更优（总体MAPE=52.58%），而ARIMA模型在特定品类中更具优势。值得注意的是，ETS模型能够提供更窄的置信区间，表明其预测结果具有更高的精确度。这种性能差异可能与两类模型的处理机制有关：ARIMA通过差分处理非平稳数据，而ETS直接通过误差、趋势和季节性成分的分解进行建模。

讨论部分深入分析了模型性能背后的影响因素。研究人员指出，预测误差较高的可能原因包括数据集的相对有限性（仅36个月数据点）、外部因素（如天气异常、供需波动）的干扰，以及不同果蔬品类特有的易腐性差异。特别是对于那些具有不规则季节模式或高度易变性的品类（如瓜类和核果类水果），传统时间序列模型可能不足以捕捉其复杂变化规律。

从应用视角来看，尽管某些品类的预测误差较高（MAPE>50%），但这些模型在趋势预测方面仍具有重要价值。正如研究者所指出的，在批发市场运营中，识别废弃物产生趋势往往比精确预测具体数量更为重要。例如，当市场代理商预期某类果蔬需求将增长时，即使当前销售数据较低，也可基于趋势预测提前调整库存策略。

研究结论强调，时间序列模型为果蔬采后废弃物管理提供了有价值的预测工具。ETS模型在具有平滑季节性模式的品类中表现优异，而ARIMA模型更适合处理波动较大的数据。这种品类特异性的性能差异提示在实际应用中需要根据目标品类的特性选择适当的预测模型。

该研究的创新之处在于首次系统地将时间序列预测应用于批发层面的果蔬废弃物管理，并提供了品类级别的精度分析。这不仅为减少食物浪费提供了科学工具，也为实现可持续食物系统提供了数据支持。未来研究可通过扩大数据集、整合气象和市场变量、开发混合机器学习模型等途径进一步提升预测精度，为全球食物安全挑战提供更有效的解决方案。