基于神经网络的农产品物流需求预测研究

  本文关键词：基于神经网络的农产品物流需求预测研究，由笔耕文化传播整理发布。

农业技术经济２０１０年第２期

基于神经网络的农产品物流需求预测研究‘
王新利赵琨
（黑龙江八一农垦大学经济管理学院大庆１６３３ １９）

内容提要农产品物流不仅具有一般性物流的共同特点，而且具有独特性和复杂性，这
导致利用一般方法进行农产品物流需求预测不仅难度大，而且精度差。为克服单项物流需 求预测的局限性及

农产品物流数据的不完整性，本文利用神经网络理论，建立基于ＢＰ神经 网络的农产品物流预测模型，并利用ＢＰ神经网络在学习过程中具有工作信号正向传播和 误差信号反向传播的特点，通过权值的不断修正，使网络的实际输出向量更加接近期望的输 出值，从而极大程度提高了物流预测的准确性。经农产品物流预测实例分析，验证了基于 ＢＰ神经网络模型建立的物流需求预测模型的准确性与科学性。从而印证了人工神经网络 在物流领域中的应用具有更加广泛的发展潜力。 关键词ＢＰ神经网络农产品物流量预测

一、弓Ｉ

言

农产品物流对于国民经济的发展及公民生活水平的提高至关重要，准确把握、预测农产品物流需 求有助于制定合理的农产品物流规划、促进国民经济可持续发展、提高公民生活水平。近年来，国内

外很多学者在物流需求预测上，提出了很多有创新性和实践意义的方法。归纳起来，主要有代表性和
实用价值的有五类：时间序列非线性需求模型（ａ
ｇｒｅｓｓｉｏｎ Ａｎａｌｙｔｉｃ Ｃｈａｏｓ ａｎｄ Ｎｏｎｌｉｎｅａｒｉｔｙ

Ｉｎｖｅｓｔｉｇａｔｉｏｎ）、回归分析（Ｒｅ．

Ａｎａｌｙｓｉｓ）、时间序列模型（Ｔｉｍｅ Ｓｅｒｉｅｓ）、灰色理论（Ｇｒｅｙ Ｔｈｅｏｒｙ）、马尔可夫分析法（Ｍａｒｋｏｖ Ａｐｐｒｏａｃｈ）。由于这些模型及分析方法各有其不同的前提条件、适用范围和侧重点，加之相

关农产品物流统计数据的影响，在实际应用时各有利弊。其表现为，预测的结果与实际需求值误差较 大。如何提高预测的精度，就成为学者研究的热点问题。为此，利用神经网络理论，通过建立基于ＢＰ 神经网络的预测模型，，将经济数据与时间序列相结合，以期达到精确预测农产品物流需求的目的。

二、农产品物流需求的界定
（一）农产品物流需求的概念

关于农产品物流需求的定义，许多专家和学者们从现代物流、经济学等方面对其进行了阐述，但
至今仍然没有一个令各方满意的结论。从农产品物流需求的主体角度看，农产品物流需求可定义为， 一定时期内由社会经济活动引起的，对生产、流通、消费等领域的农产品配置而产生的对农产品在空 间、时间和费用等方面的要求。为此，农产品物流需求涉及包括运输、存储、包装、装卸搬运、流通加

?项目来源：国家自然基金项目（编号：７０６７２１１７）：大宗农产品供应链写作定价继承机制理论与模型研究

６２

万方数据

王新利等：基于神经网络的农产品物流需求预测研究

工、价值增值、物流信息等方面。 （二）农产品物流需求的特点 由于农产品物流是物流体系中的一个部分，因此农产品物流需求具有一般性物流需求的共同特 点，即派生性、复杂性、时间性、空间性（廖伟，２００５）。此外，农产品物流与工业品物流相比又有其独 特性。 １．农产品物流需求范围广、规模大。由于农业不仅包括种植业，而且还包括林业、养殖业（畜牧 业、渔业）及副业等。因此，农产品包括谷物、油料作物、蔬菜、林产品、畜产品、水产品等。在现实生 活中大量的农产品，不仅可直接转化成消费品、原材料（种子、饲料），而且部分农产品需要先行转换 为轻工业的原材料，而后再转换成消费品。这使得农产品物流需求不仅涉及农业部门，而且涉及工业 部门、流通部门、消费者。可见，农产品物流需求涉及的范围广、规模大。 ２．农产品物流需求复杂。农产品物流不仅范围广、涉及部门多，而且农产品种类繁多。农产品 物流需求不仅涉及农产品生产者自身，而且涉及工业品生产者和消费者。所以，农产品物流需求十分 复杂。 ３．农产品物流需求相对独立。农产品生产具有特殊性，包括自然再生产与謇十会再生产。它不仅 受人为因素影响，还受自然因素影响。农产品生产的特殊性决定了农产品生产在基础设施、仓储、运 输等多方面具有相对独立性。 （三）农产品物流需求预测尚存的阻碍 农产品物流需求预测的准确性，不仅受到农产品物流特殊性的制约，而且还受到一些客观性条件 制约。例如：（１）物流统计制度和体系不健全。当前我国还没有建立系统完整的物流统计制度，更不 用说农产品物流领域的统计制度；（２）物流统计不能涵盖物流活动全部过程；（３）物流统计指标过于 单一。到目前为止，我国只有基本的货物运输量和货运周转量统计，其他与物流产业相关的指标均没 有公开的统计资料，也没有权威的统计方法和基础数据（杨浩，２００５）。因此，致使在进行物流需求预 测时不能通过直接指标来衡量需求规模的大小。 与此相对应在建立农产品物流需求预测模型时也遇到了较多的阻碍，包括：干扰因素与系统影响 因素较多；构建的预测模型复杂；影响因素与需求量之间呈非线性关系；影响农产品物流需求的各因 素之间存在着较明显相关性，运用传统的统计方法很难剔除影响明显的因素，这就造成了一些常用的 预测方法出现退化（孙崎峰等，２００８）。

三、基于ＢＰ神经网络的农产品物流需求预测模型的建立
神经网络具有非线性、曲线拟合能力、学习能力和抗干扰能力，是一种通用的非线性函数逼近工

具。通过对ＢＰ神经网络的训练，特别适用于构造非线性预测函数，而且精度可以达到预定的要求。
农产品物流需求具有的自身特点，正好适应了神经网络的性能。所以从理论上讲，对农产品物流 需求进行预测时，神经网络是一个比较优越的模型分析方法。 （一）模型中数据指标的确定 由于在实际工作中搜集农产品物流需求数据十分困难，在模型中采用间接指标法。即利用与农 产品物流需求以外的相关经济指标，建立农产品物流需求的经济指标体系，通过数学方式进行归纳与 推导，从而确定农产品物流需求模型。 由于农产品物流需求是一种派生需求，因此农产品物流需求的大小与其本身需求有着密切的关 系。从宏观层面上考虑主要包括内外两部分因素：农产品自身产能情况、外部经济环境及调控影响。 从根本上说，农产品自身产能是农产品物流需求的关键因素。农产品产值和产量越高，农产品物流需
６３

万方数据

农业技术经济２０１０年第２期

求增长随之增快；如果农产品产值和产量减少，将导致农产品物流需求不足和下降。因此，本文选取 农林牧渔业产值、粮食产量作为预测农产品物流需求的指标。其次，影响农产品物流需求的另一个关 键因素来源于外部经济环境和国家政策导向。产品消费零售总额、农村居民人均收入和国家政府用 于农业的支出影响农产品物流的需求功能和物流需求规模，经济环境的不断变好与国家对农业的支 持力度的加大也很大程度上影响农产品物流需求规模的大小。因此，在模型中可将这些相关经济指 标作为农产品需求物流规模的影响因素，即输入层神经元的５个指标。 假设ｘ。“’、ｘ：¨）、ｘ，¨’、ｘ。“）、Ｘ“’分别表示不同时期的相关经济指标体系，Ｙ¨’表示相关经济指 标影响决定下的农产品物流需求规模，则用方程可表示为： （１）

，，（￡）＝／ｔ茗：¨，菇；¨，菇：¨，戈：¨，石：”）
式中，Ｙ（ｔ）为ＢＰ神经网络的输出向量；ｆ为神经网络连接权和阈值的决定函数。 （二）ｌｉＰ神经网络结构设计

根据农产品物流需求的特点，在应用神经网络对农产品物流需求预测时，需要构建基于农产品物
流量预测的三层（输入层、隐含层、输出层）ＢＰ神经网络预测模型（见图１）。
输入层隐含层 输出层

输入层：输入层的神经元由农产品消费零售总额、农林牧渔
业产值、粮食产量、农村居民人均收入、国家政府用于农业的支 出为基准，共有５个。 隐含层：本文隐含层的确定是利用有训练的线性基本函数
Ｙ

的三层神经网络的经验方程。其中：ｓ表示隐含层节点个数；ｍ、ｎ 分别表示输入节点和输出节点的个数，公式（高大启，１９９７）为： ｓ＝ｍ（凡＋１）＋１

“…………………………’ 图１三层ＢＰ神经网络的预测模型

通过方程可以暂确定隐含层的个数为１６，在此区间上增减 若干隐含层节点，最终确定隐含层单元区间为ｌＯ—１９，根据调整 训练后的误差分析进行调整。

输出层：输出层神经元仅是对单一变量进行预测，由此得到的神经网络预测模型的输出层节点也 应为１（ＹＨ Ｚｗｅｉｆｉ，２００６）。因此，对于本文的预测结果也由于仅对农产品物流需求量进行预测，因此 输出层只有ｌ层。

通过利用输入层传递函数ｔａｎ—ｓｉｇｍｏｉｄ将输入向量（ｘ｛”，ｘ；”，ｘ；”，ｘ∥，ｘ∥）向前传播到隐含层。
经隐含层传递函数ｌｏｇ—ｓｉｇｍｏｉｄ作用后，把隐含层节点的输Ｈ｛向量传递到输出节点，得到结果（Ｙａｈｙａ ＨＺ，２００５）。ＢＰ神经网络在学习过程中有工作信号正向传播和误差信号反向传播的特点。如果网络 的实际输出与期望输出（即设定的输出向量）之间存在误差，并且误差不在允许的范围之内，则转入 反向传播，将误差信号沿原来的传播路线逐层返回，网络权值由误差反馈进行调节。通过权值的不断 修正，使网络的实际输出向量更加接近期望的输出。 （三）ＢＰ神经网络训练函数的选取 ＢＰ神经网络的训练函数有众多种，基于神经网络的农产品物流需求量预测模型使用的训练函数 为ＢＦＧＳ准牛顿ＢＰ算法函数，此函数可以训练任意形式的神经网络，只要它的传递函数对于权值和 输入存在导数即可。为此，可使用的传递函数分别为ｔａｎｓｉｇ和ｌｏｇｓｉｇ，满足ｔｒａｉｎｂｆｇ的训练前提。 将已经确定好的宏观经济指标作为农产品物流需求量模型的输入样本，运用输入样本训练函数 ｔｒａｉｎｂｆｇ，使用不同的输入向量得到相对应的输出向量，从而建立预测模型。经过不断的测试，达到较 小的误差之后，即可将此网络用于农产品物流需求量预测并得到最终的预测结果（鹿应荣等，２００８）。

万方数据

王新利等：基于神经网络的农产品物流需求预测研究

四、数据来源及模型运用
（一）样本选择

根据上述模型建立的要求，选择１９９１－－２００４年与农产品需求相关的经济指标（见表１）。
表１农产品物流相关经济指标

资源来源：相关年份中国统计年鉴、中国物流年鉴

（二）数据样本集的归一化处理 将表ｌ数据（输入变量样本集）矩阵表示为：
４８８５．８０ ５５２３．４０ ５２３７．２０ ６６０３．５０ ８２４３．３０ ９８２２．９０ １０６４８．５０ Ｐ
２

８１５７．００ ９０８４．７０ １０９９５．５０ １５７５０．５０ ２０３４０．９０ ２２３５３．７０

４３５２９．３０ ４４２６５．８０ ４５６４８．８０ ４４５１０．１０ ４６６６１．８０ ５０４５３．５０ ４９４１７．１０ ５１２２９．５０ ５０８３８．６０ ４６２１７．５０ ４５２６３．７０ ４５７０５．８０ ４３０６９．５０ ４６９４６．９０ ４８４０２．２０

７０８．６０ ７８４．００ ９２１．６０ １２２１．００ １５７７．７０ １９２６．１０ ２０９０．１０ ２１６２．００ ２２１０．３０ ２２５３．４０

３４７．５７ ３７６．０２ ４４０．４５ ５３２．９８ ５７４．９３ ７００．４３ ７６６．３９ １１５４．７６ １０８５．７６ １２３１．５４ １４５６．７３ １５８０．７６ １７５４．４５ ２３３７．６３ ２４５０．３１

２３７８８．４０
２４５４１．９０ ２４５１９．１０ ２４９１５．８０ ２６１７９。６０ ２７３９０．６０ ２９６９１．８０ ３６２３９．００ ３９４５０．９０

１１３２７．３０ １２０４３．１０ １３０４２．３０ １４０５１．８０ １５０４１．００ １６０６５．００ １９８０５．００ ２２０８２．００

２３６６．４０
２４７５．６０ ２６２２．２０

２９３６．４０
３２５４．９０

万方数据

农业技术经济２０１０年第２期

（三）样本集数据标准化处理 样本集数据标准化处理也称为归一化处理，其目的是为了方便计算减少误差。针对ＢＰ网络本 身的特点，对样本数据进行标准化处理时可采用如下公式：

，，＝警
利用ＭＡＴＬＡＢ软件，对输入向量Ｐ矩阵进行归一化处理。 Ｐ（ｉ√）＝ｌｎｌＯ（ｐ（ｉＪ））／１０； Ｔ为输出向量，即预测的农产品物流总额。

（２）

ｒ＝Ｉ

３２５２

３３３５

４２８１

６１０４

７９５１

１０２９１ １１２６１ 输 １． １９７０ 将 １２７４８ ２ ８ ９６３４ ３１ ９Ｔ１０９８６ 量出

８６１；８９：）６

９１６０

１……………’一。
矩阵进行归一化处理。
０．２５４１０ ０．２５７５２ Ｏ．２６４３９ ０．２７２６７ ０．２７５９６ ０．２８４５４ ０．２８８４４ ０．３０６２５ ０．３０３５７ ０．３０９０４ Ｏ．３１６３４ ０．３１９８９ Ｏ．３２４４１ ０．３３６８８ ０．３３８９２ ０．３５１２ ０．３５２３ ０．３６３２ ０．３７８６ Ｏ．３９００ ０．３９３５ ０．３９５４ ０．３９６２ ０．３９６１ ０．３９８４ ０．４０１２ ０．４０４１ ０．４０５２ ０．４０７８ ０．４１０５

ｔ（ｉ）＝ｌｎｌＯ（ｆ（ｉ））／１０； 通过归一化处理，能够得到结果：
０．３６８８９ ０．３７４２２ ０．３７１９ｌ Ｏ．３８１９８ Ｏ．３９１６１ ０．３９９２２ ０．４０２７３ ｐ
＝

０．３９１１５ ０．３９５８３ Ｏ．４０４１２ ０．４１９７３ ０．４３０８４ ０．４３４９３ ０．４３７６４

０．４６３８８ ０．４６４６１ ０．４６５９４ ０．４６４８５ ０．４６６９０ ０．４７０２９ ０．４６９３９ ０．４７０９５ ０．４７０６２

０．２８５０４ ０．２８９４３ ０．２９６４５ ０．３０８６７ Ｏ．３１９８０ ０．３２８４７ ０．３３２０２ ０．３３３４９ ０．３３４４５ ０．３３５２８ ０．３３７４１ ０．３３９３７ ?０．３４１８７ ０．３４６７８ ０．３５１２５

０．４０５４１ ０．４０８０７ ０．４１１５４ ０．４１４７７ ０．４１７７３ ０．４２０５９ ０．４２９６８ ０．４３４４０

０．４３８９９
０．４３８９５ ０．４３９６５ ０．４４１８０ Ｏ．４４３７６ ０．４４７２６ ０．４５５９２ ０．４５９６１

０．４６６４８
０．４６５５８ ０．４６６００ ０．４６３４２ ０．４６７１６ ０．４６８４９

（四）网络训练 在对农产品物流需求量的预测时采用单隐含层。ＢＰ网络中间层的神经元传递函数采用Ｓ型的 正切函数ｔａｎｓｉｇ，输出层神经元传递函数采用Ｓ型对数函数ｌｎｓｉｇ。由于前面归一化处理的函数输出 均位于［Ｏ，１］，满足了ＢＰ神经网络的输出需要，并运用ｔｒａｉｎｂｆｇ函数进行训练。为使农产品物流需求 模型预测更为科学和准确，预测模型拟设训练结束满足条件是训练达到５０００次或者达到误差１０～。

从训练结果图中（见图２）可以看到，在将输入矩阵Ｅ：（ｉ＝１：１０，ｊ＝１：５，ｋ＝１９９１：２０００）与输出矩 阵磷（ｉ＝３：１２，ｊ＝６，ｋ＝１９９３：２００２）赋予此模型后，其中：ｉ、ｊ分别表示Ｐ’矩阵的行列向量，ｋ表示
相对应的年份，训练达到１０９次后达到了误差１０。的要求。训练通过反复迭代，得到网络权值和 阈值。

万方数据

王新利等：基于神经网络的农产品物流需求预测研究

Ｐｅｒｆｏｒｍａｎｃｅ ｉｓ ９．８２５５７ ｅ－－００６，Ｃｏａｌ ｉｓ ｌｅ－００５

】Ｉｏ日一∞●１ｗｏ。∞ｊ—筒●瞳皇！ｔＩ憎—，Ｉ‘－

１０９ Ｅｐｏｃｈｓ

图２训练结果
—０．３２４７ —０．５０１ｌ 一０．４２１１ 一Ｏ．８３１４ ３．１５０６ —２．８１９４ —２．４１４５ —３．６１８７
Ｗ１＝

—４，０１７５ —０．８２７４ １．９９７１ ３．８８５０ ３．３０１６ ２．００２２ 一１．６５６０ ０．８７７８ ２．４４３３ —３．９２４８ ２．６４４８ ０．５８２８ Ｏ．８９１０ —１．７７０１ ０．４３４８ ３．７５６３ 一１．５３９０ ０．１３３７

１．２７１８ 一１．２４８６ １．０１２３ ２．００８９ —０．８２０９ —０．４６２４ ２．０７９９ ２．１４６３ —０．９７０３ —１．３２４７ ０．８０２３ ０．６３３７ １．４６６９ ０．０７４５ ２．４９０４ —０．０９５２ —２．９１９７

１．６４１５ ４．６０７８ ２．４３０８ ２．６４４９ —０．１２９５ —２．１９９６ １．９４５ｌ 一１．１５４３ —３．４８３ｌ ０．８２８０ ２．１５０７ １．７４１０ ３．４０２７ ３．０７８９ —３．９８０９ 一１．２１８３ ０．４４２９

一１．９５４０ ０．９２７ｌ 一３．６３６６ １．２３０３ １．５６４８ ２．６７７３ ２．８２７５ １．８４６７ —０．６１４９ １．８２６４ １．９０６３ —４．５６５６ ３．０３７６ ２．７７５５ ０．９１４７ —２．１４７８ ３．４５５５

２．０９１５ １．８８７７ ３．０６８２ ０．４００１ —０．６８８９ —２．００７３ １．１２４０ ２．０３０１ —１．１６０３

ｔｈｅｔａｌ＝［４．１４３８

１．０５７９－２．４５７４－４．８７４２

１．４４４６］２

（五）测试数据和预测 根据此网络训练的结果和设计好的网络对２００４年和２００５年进行仿真测试，以验证训练结果的 可应用性。农产品物流需求量预测模型以归一化处理的Ｐ’矩阵为依据，提取２００２年和２００３年输入

矩阵Ｅ：（ｉ＝１１：１２，ｊ＝１：５，ｋ＝２００２：２００３），利用２００２年和２００３年的相关经济指标仿真训练得到

需要预测的２００４年和２００５年的农产品物流总额标准化值矩阵Ｆ：（ｉ＝１３：１４，ｊ＝６，ｋ＝２００４：
６７

万方数据

农业技术经济２０１０年第２期

２００５），即ａ２００４＝Ｏ．４０８８、ａ．加０５＝０．４１０１，再通过公式ｂｉ＝１０‘１“?’进行标准化的反转化，得到实际预测值 ｂ２００４＝１２２４６．００、ｂ２００５＝１２６１８．００。而２００４年和２００５年农产品物流总额的实际值为１１９７０．００和 １２７４８．００，预测值与实际值比较，可知误差分别为２．３１％和１．０２％。 一般来说，对于经济指标的预测，误差能够控制到４％就算比较准确的。因此，基于其他经济数 据来建立ＢＰ神经网络模型预测农产品物流需求有一定的实用价值。

五、结论
依据人工神经网络理论建立农产品物流需求预测模型，通过ＢＰ神经网络的自学习特征，运用 ｔｒａｉｎｂｆｇ函数进行训练，在训练的过程中通过对权值的不断修正，使网络的实际输出向量逐渐地接近 期望的输出值。最后对仿真预测结果与真实物流量进行初步比较分析，结果证明使用神经网络模型 预测精度较高。因此，我们可以得出以下结论：用ＢＰ神经网络建立的模型，能够比较准确地将有关 的宏观经济数据与农产品物流需求量结合，从而可得到较为精确的农产品物流需求预测值。为此可 以推断，人工神经网络将在物流领域中的应用具有更加广泛的发展潜力。
参考文献
１．Ｂａｈｒａｉｎ

Ａｄ“ｇｉ。Ａｒｊｕｎ

ＣｈａｔｒａｔＥ Ｋａｍｂｉｚ

Ｒａｆｆｉｅｅ。Ｔｈｅ

ｄｅｍａｎｄ

ｆｏｒ ＵＳ

ａｉｒ ｔｒａｎｓｐｏｒｔ

ｓｅｒｖｉｃｅ：ａｃｈａｏｓ ａｎｄ ｎｏｎｌｉｎｅａｒｉｔｙ

ｉｎｖｅａｔｉｇｏ－

ｔｉｏｍ Ｔｒａｎｓｐｏｒｔａｔｉｏｎ

Ｒｅｓｅａｒｃｈ．２００１．Ｐａｎ Ｅ Ｖ０１．３７：３３７—３５３

２．张存禄，黄培清．武汉地区物流发展水平灰色预测．工业技术经济。２００１，（５）：５８～６０ ３．韦司滢，张金隆，鲍毛昆．物资配送需求预测的分析．物流技术，１９９９，（３）：１９—２０

４．廖伟．物流需求分析与物流量研究．西安交通大学硕十研究生论文，２００５
５．杨浩．区域经济和区域物流需求的预测研究．对外经济贸易大学Ｔ商管理硕士学位论文，２００５ ６．孙崎峰，周栩，孙晓峰．基于改进ＢＰ神经网络的公路旅游客流预测．山东理工大学学报（自然科学版），２００８（６）：７５—７９ ７．高大启．有教师的线性基本函数前向三层神经嘲络结构研究．电路与系统学报。１９９７（３）：３ｌ一３７
８．ＹＨ Ｚｗｅｉｒｌ．Ｏｐｔｉｍｉｚａｔｉｏｎ ｏｆ
ａ

Ｔｈｒｅｅ—Ｔｅｒｍ Ｂａｃｋ
３

ｐｒｏｐａｇａｔｉｏｎ ４
ａ

Ａｌｇｏｒｉｔｈｍ Ｕｓｅｄ ｆｏｒ Ｎｅｕｒａｌ Ｎｅｔｗｏｒｋ Ｌｅａｒｎｉｎｇ．Ｉｎｔｅｒｎａｔｉｏｎａｌ Ｊｏｕｒｎａｌ ｏｆ Ｃｏｍ－

ｐｕｔａｔｉｏｎａｌ Ｉｎｔｅｌｌｉｇｅｎｃｅ．２００６．Ｖｄｕｍｅ

Ｎｕｍｂｅｒ

９．Ｙａｈｙａ Ｈｚ，［ａｋｍａｌ Ｄ Ｓ，Ｋａｓｐａｒ九Ｓｔａｂｉｌｉｔｙ １３４ｌ—１３４７

ａｎａｌｙｓｉｓ ｏｆ

ｔｈｒｅｅ—ｔｅｒｍ ｂａｃｋｐｒｏｐａｇａｔｉｏｎ ａｌｇｏｒｉｔｈｍ．Ｎｅｕｒａｌ

Ｎｅｔｗｏｒｋｓ，２００５，１８（１０）：

ｌＯ．鹿应荣，杨印生。刘洪霞．基于ＢＰ神经网络的非线性组合预测模型在粮食物流需求预测中的应用．吉林大学学报（工学 版），２００８（２）：６ｌ一６４

责任编辑段艳

万方数据



  本文关键词：基于神经网络的农产品物流需求预测研究，由笔耕文化传播整理发布。