区域物流需求量预测实证研究

环渤海经济区科技发达，资源丰富。近年来，随着经济的快速发展，物流业也呈现迅猛发展的势头。河北省地处环渤海经济区的核心地带，与该地区整体经济情况一样，该省近年来物流需求量发展迅速。货运量作为物流需求量的重要体现，2008年货运量达到11.1亿吨，同比增长率为7%；2009年货运量更是达到13.68亿吨，同比增长率为22.8%。河北省作为环渤海经济区的重要组成部分，其物流系统的规划和建设对整个环渤海经济区乃至整个华北、东北地区的经济发展都有至关重要的影响。物流需求量的预测是物流系统规划、物流资源合理配置的重要环节，同时也为政府制定物流产业发展政策、物流基础设施建设提供必要的决策依据。为了更好的实现优化河北省的物流发展环境、培育物流龙头企业、加快物流项目建设、加快行业物流发展、加快物流改革开放、编制物流规划、做好基础工作等目标，对河北省的物流需求量进行准确预测显得尤为重要。

最常用的物流需求预测方法有指数平滑法、移动平均法和回归分析法等，杨培华（2009）和李海建，曹卫东等（2003）运用移动平均模型对物流发展的规模进行了预测；张云康，张晓宇（2008）和濮帅（2009）直接用指数平滑法对物流需求进行预测，并在此基础上进行了物流需求多种方法组合预测；李慧（2004）和陈德良等（2009）运用线性回归预测模型，对运输物流以及区域物流进行相关预测；王隆基，张仲鹏，孙晓霞（2005）和肖丹，倪梅，李伊松（2003）利用灰色模型对物流园区的货流量等进行了预测。传统方法在进行物流预测前都需要建立函数模型，这就无形中增加了预测的难度；更重要的是，传统方法主要是基于线性的决策思想，而物流影响因素和物流需求之间存在的是高度的非线性映射关系，这些非常符合BP神经网络所解决问题的特点，即它不需要建立模型和进行参数估计就可以比较精确的描述因素之间的非线性映射关系。因此，本文采用BP神经网络对河北省物流需求量进行预测，文中给出了预测的网络模型、算法原理及实施方案，实际应用证明了方法的有效性和适用性。

物流需求量的影响因素

表征物流需求量的指标非常多，本文选用“货运量”来表征物流需求量。因为区域物流所研究对象是区域内的所有物流活动，牵涉时间长、范围广，虽然货运量只是物流需求量中的一个部分，但运输贯穿物流活动的始终，是联系其他物流服务功能的纽带，据统计，区域每年的运输费用占物流总成本的二分之一以上，从这个角度来说，货运量y（万吨）在一定程度上能够反映物流需求规模的变化规律。

根据预测指标选取的可测性、可比性、代表性和数据可得性原则，选取地区生产总值x1（亿元）、第一产业产值x2（亿元）、第二产业产值x3（亿元）、第三产业产值x4（亿元）、地区零售总额x5（亿元）、地区进出口贸易总额x6（万美元）、居民消费水平x7（汕头到绍兴物流元）作为河北省物流需求量预测的经济影响因素。其中地区生产总值和经济结构都对物流需求有影响，贸易和商务流通是区域物流需求的重要组成部分。

区域经济规模是首要因素，因为区域经济发展的整体水平和规模是区域物流需求的根本决定性因素，区域经济总量水平越高，对原料、半成品、产成品的流通要求也就越高；区域经济增长速度越快、区域经济越活跃，其区域物流需求增长也越快，如果区域经济停滞或倒退将导致区域物流需求不足和下降，即物流产业与国民经济发展之间存在着较强的相关关系。其次，是产业结构对区域物流需求的影响。随着产业结构从第一产业向第三产业调整，物流需求表现为从低附加值产品的物流需求向专业化和综合化的需求转变，不仅对运输和仓储继续保持较强的需求，对包装、流通加工等增值服务需求也大大增加。再次是区域商贸流通、区域外贸总额和居民消费水平对物流需求的影响。区域商贸流通和区域外贸活动越活跃，居民消费水平越高越能促进商业连锁和各种超市、大卖场以及网购的蓬勃发展，进而推动以需求为导向的物流配送服务的发展。

BP神经网络原理

（一）BP神经网络原理

BP神经网络（即误差反向传播网络）是一种多层前馈网络，运用梯度搜索理论，使得网络实际输出与期望输出的均方差达到最小，BP网络的学习过程包括正向传播和反向传播两部分。当给定网络一个输入模式时，它由输入层至隐含层并进行计算，并向下一层传递，这样逐层传递和计算，最后到输出层，产生一个输出模式，这是一个逐层状态更新的过程，称为正（前）向传播。如果实际输出模式与期望输出模式有误差，那么就将误差信号沿原来的连接通路从输出层至输入层逐层传送，并修改各层的连接权值，使误差减小，直至满足条件为止，这个过程称为反向传播。当所有训练模式都满足要求时，本文认为BP网络已经学习好。需要指出的是，一旦BP网络学习好了，运用时就只需要正向传播，不再进行反向传播。

BP神经网络由输入层、一个或多个隐含层和输出层组成。网络通过实际的输入和既定的输出来调节隐含层节个数和权值，从而使BP神经网络快速收敛达到期望的输出。本文选用典型的三层BP网络结构，其拓扑结构如图1所示。

（二）BP神经网络算法思想

根据BP神经网络的基本思想，其算法过程可以描述如下：

指标体系的建立；对评价目标值进行归一化处理；当输入向量的各分量量纲不同时，应对不同的分量在其取值范围内分别进行变换；当各分量物理意义相同且为同一量纲时，应在整个数据范围内确定最大值和最小值，然后进行同一的变换处理，以使输入的评价目标值在区间[-1，1]中。用随机数（一般是0-1之间的数）初始化网络节点的权值（wij）和阈值θj；为了尽可能避免由于权值和阈值的迭代收敛造成的网络饱和，并考虑到网络的收敛速度以及样本数据的复杂性，权的初始值域取（-0.05，0.05）比较好，因为较小的初始值域更利于权值均匀地随机初始化。隐含层数目的确定；输入标准化的样本X＝（x1，x2…x佛山到南阳物流n）以及对应期望输出Y＝（y1，y2…ym）；正向传播，计算各层节点的输出；计算各层节点的误差dik；修正权系数wij和阀值θj；根据计算误差，按给定指标判别是否满足要求。如果满足要求，则算法结束；如果未满足要求，则返回第六步执行。训练后的网络就可以用于正式的预测。建立模型的流程如图2所示。

河北省物流需求量预测

BP神经网络通过若干已知物流需求量指标值对神经网络进行学习训练，使其获得物流需求量各项指标值间的关系，以及对预测指标倾向性认识，这些指标值之间的关系最终以确定的权值和阈值表现出。当需要对新的样本模式进行预测时，人工神经网络通过权值和阈值的应用，再现训练所得的经验、知识和直觉思维，将待预测样本的各项指标值输入神经网络，网络便可输出物流需求量的预测值，这样就完成了预测。

货运量y作为输出，x1…x7作为输入，也即三层拓扑结构中的n的值为7，m的值为1。如何确定隐含层节点的数目，目前还没有明确而又广泛适用的结论，但也有学者对此给出了一些经验公式如隐含层节点数H与输入节点数N的关系为：H=log2N、 H=2N+1、汕头到东莞物流H=+a（其中N为输入层节点数；H为隐含层节点数；a为1~10之间的一个常数）等。本文经过多次试验采用公式H=2N+1，得到H的值为15。

对应上文中确立的物流需求量预测指标，从《河北经济年鉴》中找得对河北省物流需求量进行预测的相关指标数据如表1所示。

本文BP神经网络是借助MATLAB来进行数据处理以及模型建立的，这使得预测模型的建立、训练以及应用过程大大简化。选取表1中1990-2003年这14年的各指标值（x1…x7）作为训练模型的样本输入，1991-2004年的货运量作为样本输出，以此来训练BP神经网络。由于不同分类的样本数据相差较大，这往往会使得训练过程复杂，经过归一化处理后的数据一方面可以方便处理，另一方面也可以保证程序运行时收敛加速。因此，本文在MATLAB中通过Premnmx函数来实现这一归一化过程，将样本集数据的均值和方差做标准化处理，使得样本数据位于[-1，1]的范围内，大大方便计算。归一化后的数据如表2所示。

（二）模型的设计及训练

函数Trainlm收敛速度快，网络的训练误差也比较小，因此本文训练是采用LM算法，结合物流活动的非线性特点，传递函数一般用Sigmoid（S型）函数，输入层到隐含层的函数设置为Tansig函数，隐含层到输出层的函数设置为Purelin函数。训练目标及训练的最小误差为1e-5，学习速率为0.05，允许的最大训练步数为50000，每间隔显示一次训练结果的步数为100。

该BP网络经过不到6个训练周期即达到了设定的均方误差，均方误差MSE为1.38873e-009/1e-005，训练效果较好。运行误差界面如图3所示，由于每次训练的初始权值是随机分布的，每次训练的结果都不相同，可以经过多次的训练，使预测数据更加接近真实数据。

（三）预测结果

选取表1中2004-2009年的5组数据作为验证样本，即将2004-2008年的各项指标值作为样本的输入，2005-2009年河北省货运量作为期望输出，以模型的实际输出结果与期望输出相比较来验证模型的确立是否成功。对于模型的验证过程，我们使用Tramnmx函数。

BP神经网络的预测结果与指数平滑法预测结果与真实值的比较如表3所示。从表3可以看出BP神经网络方法具有比指数平滑法更好的吻合度和更高的准确度，预测值与实际值基本接近，平均误差为2.82%，因此用BP神经网络作为河北省的货运量的预测是合适的。根据建立的BP神经网络预测河北省2010货运量（2011年河北经济年鉴未公布），输入P=[17026.6；2218.9；8874.9；5932.8；5764.9；2961131；7193]，预测结果为1.3644e+005万吨。

事实上，利用BP神经网络模型还可以对未来第r年的货运量进行预测且更有实际意义。这是因为现实经济社会中往往不能及时收集到所有数据，尤其是近期数据，这样使用前面介绍的滚动预测方法就会有很多不便，而采用跨越式的预测方法就可以使用时间较久的数据对未来进行预测。这时只需对网络的样本输入和样本输出进行如下设计：以第1―第n-r年的各指标值作为样本输入P，以第1+r―第n年的货运量作为样本输出T，对BP神经网络进行训练。训练完成后用第n年的各指标值作为输入，经过BP神经网络的模拟运算即可得到第n+r年的货运量预测值。例如r取2，预测出2011年的货运量为1.6210e+005万吨；制定产业规划一般以5年为一个周期，若r取5，即可预测未来第5年的河北省货运量进行预测，为国家、省经济甚至企业的5年规划提供决策依据。

结论

本文以1990-2008年的河北省货运量及其影响因素为基础建立BP神经网络，可以对未来1年或者第r年的货运量进行预测，经过验证和与指数平滑法比较可以看出取得较好的预测效果。从2009和2010年的预测结果可以看出河北省未来的物流需求将有较快的增长速度，物流业将有好的发展前景，河北省物流预测的成功同时也证明此区域物流预测模型的正确性。另由于掌握的信息有限，未来也是不确定的，故预测结果可能与未来实际发生的物流需求量存在一定的差距，但通过模型预测得到的结果可以定量反映其发展变化的趋势，在短期能够为区域物流决策的制定提供依据。