數(shù)據(jù)驅(qū)動的公路貨運合同物流投標報價模型

方啟穩(wěn) 朱安定 傅培華

[摘要]提出了一種基于數(shù)據(jù)驅(qū)動的公路貨運合同物流的投標報價模型，該模型綜合了國內(nèi)生產(chǎn)總值、燃油價格、市場需求、貨物重量、運輸距離、承運商、貨車長度匕個兇素，從而提高了第三方物流企業(yè)的投標預測水平。針對運輸成本的非線性特征，利用BP神經(jīng)網(wǎng)絡模型，通過案例分析獲得的實證數(shù)據(jù)進行訓練，對短期報價進行預測。另外，利用遺傳算法提高搜索性能。通過與多元線性回歸算法和BP算法進行比較，提出的混合GA-BP算法具有較佳的準確度和性能。該研究為第三方物流公司帶來的啟示在于，歷史數(shù)據(jù)在公路貨運合同物流的招標報價決策中是有價值和有效的。

[關鍵詞]公路貨運；合同物流；投標報價模型；數(shù)據(jù)驅(qū)動

[中圖分類號]F252； F542 [文獻標識碼]A [文章編號]1005-152X（2018）02-0046-07

1 前言

公路貨運（Road Freight Transportation）是現(xiàn)代運輸?shù)闹饕绞街弧?jù)交通部統(tǒng)計數(shù)據(jù)顯示：2016年我國營業(yè)性公路運輸完成貨運量334.13億t，同比增長6.1%，貨物周轉(zhuǎn)量61 080.10億t·km，同比增長5.4%，公路貨運量占我國全社會貨運量的77.46%。合同物流（Contract Logistics）是公路貨運第三方物流（Third-Party Logistics，3PL）的一種主要形式，制造型企業(yè)把物流服務外包給第三方物流公司降低成本。第三方物流公司通過降低運輸和倉儲的成本，減少與物流有關的固定資產(chǎn)投入，提高信息準確性和訂單履行率等方式，為制造型企業(yè)帶來好處。為了控制物流成本和提高服務質(zhì)量，大多數(shù)規(guī)模以上制造型企業(yè)都采取公開拍賣方式采購物流服務。對第三方物流公司來說，優(yōu)化投標策略是非常重要的，而公路貨物運輸成本的估算和預測是其中最重要的內(nèi)容。

然而，第三方物流有多種模式可供選擇，如：專線物流、干線物流、社會物流等，通過組合這些物流模式最終優(yōu)化物流成本。從供應鏈管理視角看，第三方物流供應商的選擇標準和績效評估中也同樣包含運輸成本這個指標。為了與客戶建立長期有效的供應鏈協(xié)作關系，第三方物流供應商需要知道如何在“硬”的條款方面和“軟”的關系方面進行權衡。除此之外，第三方物流公司還提供第三方購買服務（Third-Party Buying），以增加收入。因此，在招標中很難估計運輸成本和投標價格。

近年來，隨著第三方物流公司逐步完善基于業(yè)務交易的企業(yè)信息系統(tǒng)，積累了大量數(shù)據(jù)，本文在實證數(shù)據(jù)分析的基礎上，結合反向傳播神經(jīng)網(wǎng)絡算法和遺傳算法的優(yōu)點，提出了一種數(shù)據(jù)驅(qū)動的投標報價模型來預測短期投標價格。

2 相關工作

公路貨運定價受多種因素的影響。燃油價格是基本影響因素，Havenga提出了基于貨運流量的運輸成本模型，發(fā)現(xiàn)對石油價格的負面預測將推高運費價格；車輛路徑是另一個因素，F(xiàn)igliozzi研究了在競爭環(huán)境中，提前估算新增需求的成本增量可以幫助承運公司找到最優(yōu)解；Topal發(fā)現(xiàn)根據(jù)先前零擔物流公司的價格規(guī)劃和零售商的訂貨行為，可以增強承運公司的定價決策；此外，因碳排放而增加的空氣污染費、政府補貼，以及區(qū)域性定價決策等因素也會影響公路貨運定價。

拍賣競價屬于競爭性定價機制。Kuyzu提出了一個在獨立同步單拍賣中，以承運公司期望利潤最大化為優(yōu)化目標的隨機投標報價模型；Triki綜合出價生成、定價、車隊路由優(yōu)化的隨機優(yōu)化模型；Song研究了以出價估計和出價構造為目標的可計算優(yōu)化策略方法；Hou認為在線拍賣受參與投標人數(shù)的影響，由此間接影響了最終成交價格。

然而，從這些研究中得出的模型并不一定滿足具體第三方物流公司的實際需求。本文運用第三方物流公司的實證數(shù)據(jù)，提出了一個實用的非線性投標決策模型。

3 案例分析與實證數(shù)據(jù)

M公司是一家成立于1989年的第三方物流公司，最初專注于啤酒運輸，1992年以來逐步成為專業(yè)的貨運經(jīng)紀人。依托白建的供需匹配平臺，M公司在為卡車提供及時的回程需求的同時，也為公司帶來了較好的經(jīng)濟收益。M公司涵蓋第三方物流的綜合服務，如物流系統(tǒng)設計、運輸、倉儲、調(diào)撥、包裝等。其客戶覆蓋華東地區(qū)的電器、食品，紡織、電纜等制造型行業(yè)。

由于大多數(shù)客戶以合同物流的形式外包物流業(yè)務，M公司需要對年度合同進行競爭性投標。投標價格決策是一個難題。然而，M公司在自身信息系統(tǒng)中積累了大量的業(yè)務數(shù)據(jù)。本文結合公司自身的數(shù)據(jù)和公共經(jīng)濟數(shù)據(jù)，對M公司的投標報價進行預測，優(yōu)化投標策略。

基于M公司提供的2012-2015年的業(yè)務數(shù)據(jù)，我們選取了電纜和家用電器兩個典型制造型行業(yè)作為目標行業(yè)。從四年歷史數(shù)據(jù)中隨機抽取200個樣本，前190個樣本作為訓練數(shù)據(jù)集，后10個樣本作為測試數(shù)據(jù)集。使用相對誤差（ Relative Error，RE）作為預測標準：

其中x是預測值，μ是測試值。我們的模型也采用其他的公共經(jīng)濟數(shù)據(jù)。

4 主要因素分析

4.1 三類主要因素

影響公路貨運成本的因素主要有三類，即：宏觀經(jīng)濟因素、市場因素和經(jīng)營相關因素。

宏觀經(jīng)濟因素包括：國民經(jīng)濟狀況和燃油價格。公路貨運需求與國家經(jīng)濟發(fā)展水平有著密切的關系。生產(chǎn)和消費的增長促進了公路貨運的需求和價格。一般地，國內(nèi)生產(chǎn)總值（GDP）用來反映國民經(jīng)濟狀況；另一方面，燃油價格則受國際原油價格波動的影響。

市場因素主要為市場需求，受季節(jié)性、周期性波動，以及其他集中性促銷活動的影響，如：阿里巴巴的“雙11”網(wǎng)購節(jié)和京東6月18日購物節(jié)。

經(jīng)營相關因素包括：貨物規(guī)格、貨車規(guī)格、路徑和承運商。貨物規(guī)格如重量、體積、包裝、裝卸要求、運輸要求和其他具體限制條件，是成本估算的主要方面，實踐上，我國貨運市場通常按重量計價；貨車規(guī)格如長度、車廂結構，實踐上，貨車長度是衡量油耗、過路費、車損的重要指標；路徑包括起提貨城市和卸貨城市、路況，以及運輸路程，實踐上，我國貨運市場統(tǒng)一按運輸路程計價；最后，承運商本身直接影響成本，承運商規(guī)模越大，服務成本越低，服務質(zhì)量越高。

總之，我們選擇了7個影響因素：國內(nèi)生產(chǎn)總值（Gross Domestic Product.GDP），燃油價格（FuelPrice，F(xiàn)P），市場需求（Market Requirement，MR），貨物重量（Cargo Weight，CW），運輸距離（TransportationDistance.TD），承運商（Carrier，CR），以及貨車長度（Truck Specification，TS）.

4.2 數(shù)據(jù)采集

國內(nèi)生產(chǎn)總值（GDP）數(shù)據(jù)參見國家統(tǒng)計局官方網(wǎng)站，2012-2015年我國季度GDP數(shù)據(jù)見表1。

表1 2012-2015年我國季度CJDP

同樣，燃油價格（FP）數(shù)據(jù)也可以從國家統(tǒng)計局官方網(wǎng)站獲取，圖1所示為#0號柴油的價格波動圖。

市場需求（MR）數(shù)據(jù)采用交通部官方網(wǎng)站上的每月公路貨運量，見表2。

運輸距離（TD）數(shù)據(jù)可以從百度地圖獲得，提貨城市與卸貨城市對應的第一個百度推薦路徑的距離用于計算TD值。圖2顯示了從貴陽市到安慶市的貨運路徑，第一條推薦路線總計1 354.8km。最后，貨物重量（CW）、承運商（CR）和貨車長度（TS）數(shù)據(jù)與具體的訂單業(yè)務數(shù)據(jù)相關。

4.3 因素的相關性

七個因素中某些因素和運價呈線性相關，而另一些因素則呈非線性相關；而且有些因素也并非相互獨立。我們采用灰色關聯(lián)分析法（Gray Correla-tion Analvsis，GCA）區(qū)分這些因素的顯著程度和相關性。

令Xi={xi（1），xi（2），…，xi（n），i=l，2…，m）為第i個因素的樣本向量，x0-{x0（1），x0（2），...，x0（n））為輸出的運價樣本向量。定義Υ（X0，Xi）為因素Xi相輸出X0之間的灰色關聯(lián)度（Gray Correlation Degree，GCD），并采用式（2）進行計算：

其中，而ζ∈（0，1）為分辨系數(shù)。

表3列出了七個因素的灰色關聯(lián)度，可見TD和CW是兩個最高的相關因素，F(xiàn)P和MR是其次兩個因素。其余的三個因素GDP、rIlS，以及CR與投標價格關系不大。

5 基于混合GA-BP算法的數(shù)據(jù)驅(qū)動合同物流投標報價決策模型

5.1 多元線性回歸算法

多無線性回歸（ Multilinear Regression，MLR）是常見的基于歷史數(shù)據(jù)的預測算法。根據(jù)表3的分析，我們選取了GDP、FP、MR、CW，以及TD五個較為顯著的因素為MLR的自變量，分別記為X1，X2，X3，X4，X5，在表3中，這五個因素的灰色相關度幾乎都大于0.7。同時，記Y為觀察到的合同價格。MLR模型如式（4）所示：其中，β0是常數(shù)項，β1，β2，...，β5是回歸系數(shù)。將n組觀察數(shù)據(jù)輸入式（5）：

采用采用式（6）計算最小二乘法（Least SquareMethod）估計β值：式（7）計算擬合值Y：最后，采用式（8）計算誤差函數(shù)（Error Function）：

5.2 BP神經(jīng)網(wǎng)絡算法

由于合同物流的投標定價是一個復雜的問題，各因素之問存在相瓦作用，BP（Back Propagation）神經(jīng)網(wǎng)絡算法是典型的非線性回歸算法，具有自學習、聯(lián)想存儲和高效求解三大優(yōu)點。

由于各因素的尺度不同，我們先用式（9）對這些因素進行歸一化處理：

我們采用7個輸入神經(jīng)元、15個隱藏神經(jīng)元和1個輸出神經(jīng)元的三層結構（如圖3所示）的BP神經(jīng)網(wǎng)絡，并選擇Levenberg Marquardt（LM）算法作為訓練方法。

BP神經(jīng)網(wǎng)絡訓練過程如下：

步驟1：初始化最大訓練次數(shù)和停止誤差條件。

步驟2：輸入訓練數(shù)據(jù)集（{xi}q，{yi}q），q=1，2，…，Q，其中Q是數(shù)據(jù)集大小，{xi}表示輸入向量，{yi}表示真實價格的向量，采用式（10）-（12）計算每一個神經(jīng)元輸出值：

其中，N、M、L分別是輸入層、隱含層、輸出層神經(jīng)元的個數(shù)。 {gpj}、{hpk）、{ypl}分別是輸入層、隱含層、輸出層的輸出向量。{wji}、{wkj}、{wlk}分別是連接輸入層、隱含層、輸出層的權重矩陣。

步驟3：計算每一層的反向誤差，返同步驟（2），直到完成訓練數(shù)據(jù)集中的全部數(shù)據(jù)的訓練。

步驟4：按照式（13）-（15）調(diào)整權重：

其中，θ是學習率參數(shù)。

步驟5：迭代執(zhí)行步驟（2）-（5），直到每一個訓練向量滿足式（16）條件：

其中p=1，2…，a，l=1，2…，Q。{t1}表示每一層的輸出向量，ε是給定的誤差閾值。

最后，將測試數(shù)據(jù)集輸入訓練好的BP神經(jīng)網(wǎng)絡，得到預測值。但是BP神經(jīng)網(wǎng)絡算法仍然存在四個缺點：容易陷入局部最優(yōu)解、收斂速度慢、需要經(jīng)驗設置參數(shù)，以及受初始權重設置的影響。遺傳算法（Genetic Algorithm，GA）可以避免BP算法的缺點，它采用隨機游動的全局搜索策略，在全體數(shù)據(jù)中并行搜索解空間，借助遺傳算法，可以對個體進行濾波，而且遺傳算法不受函數(shù)可微性和連續(xù)性的限制。

5.3 混合GA-BP算法

為此，我們結合BP神經(jīng)網(wǎng)絡算法和遺傳算法的優(yōu)點，設計了混合GA-BP算法，流程如圖4所示。

6 實驗與結論

我們在M公司兩類產(chǎn)品電纜和家用電器的實證訂單數(shù)據(jù)基礎上，應用和比較MLR、BP和GA-BP算法，用訓練數(shù)據(jù)集對BP神經(jīng)網(wǎng)絡進行訓練，并利用測試數(shù)據(jù)集驗證輸出的正確性。

6.1 MLR算法

使用訓練數(shù)據(jù)集，我們得到了兩組β參數(shù)的估計值（見表4），MLR算法得到的電纜產(chǎn)品和家用電器產(chǎn)品的運價預測曲線和實際報價曲線的比較圖如圖5、圖6所示。ε= 0.01.θ=0.1。BP神經(jīng)網(wǎng)絡算法得到的電纜產(chǎn)品和家用電器產(chǎn)品的運價預測曲線和實際報價曲線的比較圖如圖7、圖8所示。

6.3混合GA-BP算法

如圖9所示，僅僅經(jīng)過50代，混合GA-BP算法的結果開始收斂。

混合GA-BP算法得到的電纜產(chǎn)品和家用電器產(chǎn)品的運價預測曲線和實際報價曲線的比較圖如圖10、圖11所示。

為了檢驗混合GA-BP算法的性能，我們選擇家用電器行業(yè)的結果進行比較，比較BP神經(jīng)網(wǎng)絡算法和混合GA-BP算法的迭代次數(shù)。設置誤差目標為0.01，圖12給出了BP神經(jīng)網(wǎng)絡算法迭代300次的曲線，圖13給出了混合GA-BP算法迭代300次的曲線，通過比較兩條曲線，我們發(fā)現(xiàn)混合GA-BP算法收斂速度明顯比BP算法快，且最終誤差更小。因此，可以得出結論，GA-BP算法對于預測公路貨運投標價格具有更好的性能。

6.4 三種模型算法的比較

最后，表5、表6列出了三種模型算法對于電纜產(chǎn)品和家用電器的預測值與實際值的比較結果。從表中可見，對于三種模型算法應用的測試數(shù)據(jù)集，混合GA-BP算法的平均誤差小于BP算法和MLR算法。因此，本文提出的混合GA-BP算法是一個更好的公路貨運合同物流投標報價模型。本文利用數(shù)據(jù)驅(qū)動構建報價決策模型為第三方物流公司帶來的啟示在于，歷史數(shù)據(jù)在公路貨運合同物流的招標報價決策中是有價值和有效的。