大數(shù)據(jù)時代陜西區(qū)域物流需求量的預測研究

夏彩云

（西安鐵路職業(yè)技術(shù)學院，西安 710064）

引言

隨著“互聯(lián)網(wǎng)+”的興起，西部物流業(yè)的發(fā)展呈現(xiàn)出前所未有的高速增長態(tài)勢，陜西省作為西部大開發(fā)的龍頭，近幾年物流基礎設施建設發(fā)展迅速，加上國際港務區(qū)的高效運營，商業(yè)配送、多式聯(lián)運、社會化儲運服務等多種形式的物流服務模式集聚出現(xiàn)，各種專業(yè)物流企業(yè)群應運而生，物流產(chǎn)業(yè)成為陜西區(qū)域經(jīng)濟發(fā)展的重要經(jīng)濟增長點。而對區(qū)域物流的需求能否實現(xiàn)合理的預測是決定能否有效實現(xiàn)資源配置、提升物流效率的關鍵。物流需求的預測基礎在于大數(shù)據(jù)時代下數(shù)據(jù)分析的信息技術(shù)，充分發(fā)揮大數(shù)據(jù)給物流企業(yè)帶來的發(fā)展優(yōu)勢。鑒于此，本文提出一種有效的預測方法對陜西區(qū)域物流需求量進行合理預測，為經(jīng)濟發(fā)展決策提供重要的參考。

一、物流需求量預測的思路

區(qū)域物流需求是由當?shù)亟?jīng)濟發(fā)展派生而來，區(qū)域經(jīng)濟的發(fā)展水平是產(chǎn)生區(qū)域物流需求的內(nèi)在決定性因素[1]。從經(jīng)濟發(fā)展的角度，尋求利用區(qū)域經(jīng)濟指標，來預測物流需求具有較強的可行性。因此，根據(jù)經(jīng)濟發(fā)展和物流發(fā)展的相關關系，可以選擇和建立影響物流需求的經(jīng)濟指標體系。由于經(jīng)濟發(fā)展與物流需求之間的轉(zhuǎn)換關系不是一一對應，而是錯綜復雜，本質(zhì)上可以理解為是一種多元非線性關系，利用簡單的函數(shù)模型和傳統(tǒng)的預測方法進行二者之間的轉(zhuǎn)換非常難以實現(xiàn)。加上物流需求的發(fā)展具有跳躍性，物流需求支撐的歷史數(shù)據(jù)短缺，因此預測方法的選擇直接決定了物流需求量預測的準確性，也直接影響決策的正確性。BP神經(jīng)網(wǎng)絡是1943年創(chuàng)立的，是具有動物神經(jīng)網(wǎng)絡功能特性的數(shù)學模型，可以進行信息處理，并具有自學習和自適應性，主要通過調(diào)節(jié)系統(tǒng)內(nèi)部節(jié)點之間復雜的連接關系，實現(xiàn)處理信息的目的。同時，該模型具有良好的曲線擬合能力、抗干擾和學習能力，因此選用BP進行預測是一種有效的方法。

BP神經(jīng)網(wǎng)絡算法是根據(jù)實際輸出值與期望輸出值之間的誤差，對網(wǎng)絡進行由后向前逐步修正的一種誤差逆?zhèn)鞑ニ惴āP神經(jīng)網(wǎng)絡結(jié)構(gòu)包含輸入層、一個或多個隱含層和輸出層，其傳播活動包含正向的信息傳播，即輸入層神經(jīng)元將接收到的外界信息傳遞到中間層神經(jīng)元，中間層神經(jīng)元進行信息的處理與變換，通過隱含層將信息傳遞到輸出層，完成正向信息傳播處理過程，外界得到信息處理結(jié)果。另一個活動過程是逆向的誤差傳播，即當網(wǎng)絡系統(tǒng)的實際輸出與期望輸出存在較大誤差時，進入反向傳播階段，誤差通過輸出層，按誤差梯度下降的方式修正各層權(quán)值，向隱含層、輸入層逐層反向傳遞，以此反復循環(huán)不斷修正各層權(quán)值，最終實現(xiàn)可接受的誤差[2]。

二、基于BP網(wǎng)絡的區(qū)域物流需求預測模型構(gòu)建

1.指標的分析與選取。影響區(qū)域物流需求的因素多而泛，但經(jīng)濟發(fā)展是物流需求產(chǎn)生的直接原因，因此，本文主要通過經(jīng)濟指標來對物流需求做出預測。結(jié)合陜西省的經(jīng)濟發(fā)展情況，經(jīng)濟指標與物流需求之間的關系為：（1）區(qū)域經(jīng)濟發(fā)展規(guī)模對物流需求有著明顯的影響。當經(jīng)濟發(fā)展水平較高時，物流需求水平也相對較高，當經(jīng)濟發(fā)展水平較低時，物流需求水平也較低。（2）產(chǎn)業(yè)結(jié)構(gòu)對物流需求的影響較大。研究表明，隨著產(chǎn)業(yè)結(jié)構(gòu)從第一產(chǎn)業(yè)向第三產(chǎn)業(yè)轉(zhuǎn)變，物流需求開始向?qū)I(yè)化、綜合化的需求方向轉(zhuǎn)變，對運輸、倉儲、包裝、流通加工等物流服務需求也大大增加。（3）區(qū)域經(jīng)濟的發(fā)展離不開對固定資產(chǎn)的投入，而加大對陜西省固定資產(chǎn)的投資力度，必定會增加對交通基礎設施等的投資，從而推動物流產(chǎn)業(yè)的快速發(fā)展，增加對物流的需求量。（4）城市的對外貿(mào)易會對區(qū)域經(jīng)濟發(fā)展影響重大。對外貿(mào)易的增長要求城市加大對交通基礎設施的建設，這樣就會促進商品的快速流通，優(yōu)化資源配置，增加對區(qū)域物流的需求。（5）區(qū)域社會消費品零售總額直接反映了城市圈居民對消費商品的需求規(guī)模，也間接反映了區(qū)域物流需求的規(guī)模。高漲的社會消費品零售總額帶動了各類交通運輸?shù)陌l(fā)展，反映了城市圈中物質(zhì)資料配送量的多少，所以社會消費品零售總額也是影響區(qū)域經(jīng)濟物流需求的因素之一[3]。

通過以上分析，本文選擇以上5個指標作為陜西省區(qū)域物流需求規(guī)模預測的經(jīng)濟指標。而對于物流需求指標，因為物流環(huán)節(jié)較多、比較分散，因此目前沒有統(tǒng)一的使用定論。但在各個物流運作環(huán)節(jié)中，運輸貫穿物流活動的始終，是物流過程中實現(xiàn)位移的必備環(huán)節(jié)。本著可操作性的原則，因此本文認為貨運量可以近似反映出物流需求的規(guī)模[4]。

2.BP預測模型的構(gòu)建。本文預測模型采用經(jīng)典的三層BP結(jié)構(gòu)，即輸入層、一個隱含層及輸出層組成。輸入層的節(jié)點數(shù)等于預測物流需求量的經(jīng)濟變量的數(shù)目7，輸出層節(jié)點數(shù)為預測的物流需求量的變量個數(shù)1，隱含層神經(jīng)元根據(jù)k-means算法確定為5個，建立7-5-1BP神經(jīng)網(wǎng)絡模型[5]。

三、模型應用及算例分析

本文選取陜西省1999—2016年經(jīng)濟發(fā)展的基本數(shù)據(jù)，對該區(qū)域的物流需求做預測。數(shù)據(jù)來源于《陜西省統(tǒng)計年鑒（2000—2016年）》和2016年陜西省國民經(jīng)濟和社會發(fā)展統(tǒng)計公報。各變量原始數(shù)據(jù)（如表1所示）。

表1 陜西省2000—2016年基本經(jīng)濟數(shù)據(jù)統(tǒng)計表

結(jié)合模型特征，首先進行數(shù)據(jù)的標準化處理。由于數(shù)據(jù)存在不同的量綱，為方便計算，對表格中數(shù)據(jù)利用premnmx函數(shù)進行歸一化處理，取值范圍在0—1。模型實現(xiàn)過程中，BP隱含層選取的神經(jīng)元數(shù)目是根據(jù)k-means算法確定，以2000—2011年的經(jīng)濟指標數(shù)據(jù)作為模型輸入，對應的貨運量作為模型輸出形成訓練樣本，2012—2016年數(shù)值作為預測樣本檢驗數(shù)據(jù)，學習速度設為0.05，1 000輪回顯示一次結(jié)果，最大訓練輪回為50 000次，均方誤差MSE等于0.065×10-2。采用梯度下降法進行訓練，迭代521次達到最優(yōu)，訓練結(jié)束。其他參數(shù)參照MATLAB神經(jīng)網(wǎng)絡工具箱，從而達到模型實現(xiàn)，訓練結(jié)果（如下圖所示）。經(jīng)過反復的逆向誤差的傳播修正，得出表2的預測樣本數(shù)據(jù)。

BP網(wǎng)絡模型訓練結(jié)果圖

表2 2012—2016年貨運量預測樣本數(shù)值與實際值的誤差對比

從運算結(jié)果來看，BP神經(jīng)預測值與實際值大體接近，平均相對誤差為5.86%，最大相對誤差為9.36%，可以定量反映陜西區(qū)域物流需求量的變化趨勢。

結(jié)語

實例表明，從訓練、檢測、預測各個流程來看，BP神經(jīng)網(wǎng)絡作為分析預測的一種工具，為大數(shù)據(jù)時代物流需求的預測提供了一種有效、精確的方法，在物流規(guī)劃和物流戰(zhàn)略研究中有著重要的意義。從以上預測來看，陜西區(qū)域物流總需求量將呈現(xiàn)良好的增長勢頭，陜西應該把握當前物流發(fā)展的良好勢頭，積極投入物流領域的基礎設施建設，滿足市場對物流發(fā)展的需求，通過物流業(yè)的有序發(fā)展帶動一方經(jīng)濟的發(fā)展。但由于物流的發(fā)展具有跳躍性，獲取的信息數(shù)據(jù)相對有限，預測結(jié)果可能會與未來的實際結(jié)果發(fā)生一定的偏離。因此，物流預測和決策應該是動態(tài)性的。

參考文獻：

[1]耿勇，鞠頌東，陳婭娜.基于BP神經(jīng)網(wǎng)絡的物流需求分析與預測[J].分析與決策，2007，(7).

[2]鄭培，黎建強.基于BP神經(jīng)網(wǎng)絡的供應鏈績效評價方法[J].運籌與管理，2010，(4)．

[3]高婷.城市圈物流需求的BP神經(jīng)網(wǎng)絡預測模型[D].武漢：武漢理工大學，2009.

[4]文培娜.張志勇.基于BP神經(jīng)網(wǎng)絡的北京物流需求預測及分析[J].物流技術(shù)，2009，(6).

[5]周開利，康耀紅.神經(jīng)網(wǎng)絡模型及其MATLAB仿真程序設計[M].北京：清華大學出版社，2005.