物流需求多样性下的区域物流需求预测研究

陈 思，甘 蜜，闫 英

（1.西南交通大学交通运输系，四川峨眉山 614202；2.西南交通大学交通运输与物流学院，四川成都 610031；3.西南科技大学经济管理学院，四川绵阳 621000）

随着区域产业结构的不断深化，区域物流的需求逐渐呈现出多样化发展的趋势，这样的多样化发展不仅体现在需求数量的变化上，同时也体现在物流需求服务模式、物流供给方式以及多产业物流需求模式等方面。因此对于区域物流需求量的预测也受到物流需求多样性的影响，其影响预测的因素也随着不同产业的特征而变化，因此有针对性地建立不同产业结构下的预测模型是目前区域物流研究的必要发展方向。

1 物流需求多样性

物流需求的多样性是物流需求主要的特征之一，不同的产业、不同的产品对于生产和销售有着不同的影响，同时，不同的需求方式、不同的物流服务供应商、不同的技术力量与物流设施配备对于物流服务的供应策略以及方式都将影响物流需求多样性的内涵［1］。

由于物流需求是社会经济活动的派生需求，这才使得物流需求不但具有了许多经济特性，还使得物流需求必将随着经济活动的变化而呈现出多样化的特性。在社会经济活动中社会经济的产业结构的不同直接导致物流需求的主体与客体的改变，也使得物流需求的方式和对象不断改变。主客体的改变是物流需求多样性产生的引导因素，而这样的变化正是适应了产业结构的深化而产生的。也就是说第一产业、第二产业以及第三产业在经济大环境中的比例直接导致了物流需求多样性的产生与发展。因此对着产业结构的不断转变，物流需求的特性也在不断发生着变化［2－3］。

产业结构与物流需求多样性之间有着紧密的因果联系，同时物流需求多样性也是促进产业结构进一步深化和改革的重要因素之一。产业结构是社会经济对于社会资源的调节与控制的手段，是对于生产资料以及生活资料的有效配置。作为社会经济活动的衍生物，物流活动势必要顺应社会经济活动的发展趋势，因而物流需求的多样性也必然会顺应产业结构的改变，社会经济的发展也逐步将重心从农业和工业生产转向为第三产业［4－5］。同时由于高新科技产业不仅具备一般工业产业的物流需求特征，同时还具有高附加值、生产相对集中、销售全球化等特征，本文对于产业的分类也在传统产业分类的基础上增添了高新科技产业。而目前，产业结构一般被定义为由各产业的生产总值在全地区生产总值的组成比例。

区域物流需求是以产业结构为先导，以物流需求中各种产品的数量、物流的流向以及各种附加物流服务的种类和要求等为目标，形成了区域物流活动分析的关键，并且也成为了区域物流需求预测的基础依据。根据不同的产业对于物流需求的不同，其影响结构层次如图1所示。

图1 物流需求多样性层次结构Fig.1 Diversity hierarchy logistics demand

2 SVR原理与算法

2.1 SVR 原 理

本文将采用支持向量机的原理和方法，建立基于区域内不同产业结构的物流需求预测模型，分别对于4种不同的区域产业类型进行建模，从而提高了区域物流需求预测的准确性，也体现区域内不同产业结构的不同发展趋势下的物流需求发展情况。

支持向量机（support vector machine，SVM）是一种结构风险最小化的机器学习方法，同时支持向量机也是基于统计学与概率学的一种实际应用的方法［6－7］，是由VAPNIK 等于1995年提出的用于研究小样本情况下的机器学习的基础理论。而所谓结构风险最小就是在保证精度的同时，降低学习机器的VC维，可以使学习机器在整个样本集上的期望风险得到控制。对于SVM 来说其最大的特点就是泛化能力比较强。支持向量机主要分为分类机（support vector classification，SVC）与回归机（support vector regression，SVR），两种支持向量机的原理基本相同，对于回归机仅需要引入损失函数即可，基于本文的需求这里仅对基于支持向量机的回归机进行介绍［8］。

假设 训 练 集 为S＝（（x1，y1），（x2，y2），…，（xi，yi）），其中i＝1，2，…，l并且xi∈Rd，yi∈R，同时要寻找最优函数f（x）＝〈w·x〉＋b且其中w，xi∈Rd，b∈R使得泛函数最小：

式中：‖w‖2是结构风险；C为惩罚因子；Lε（xi，yi，f）为ε的不敏感损失函数，ε为不敏感系数。

对函数f（x）＝〈w·x〉＋b进行拟合，ε是误差精度，来寻找最小w的问题可以表示为

2.2 支持向量回归机算法

根据支持向量机原理的分析可以将支持向量回归机的算法初步表示为以下几步。

1）对于已经整理出来的数据分为训练集与测试集，一般情况下训练集数目应大于测试集数目。

2）选用适当的核函数K（xi，xj），并通过合适的方式对参数进行估计。

4）利用上一步中获得的¯α的最优解构造函数f（x），并最终利用进行预测分析。

3 基于物流需求多样性预测模型

根据区域物流需求的特性，可以将传统国民经济中的第一产业、第二产业和第三产业具体划分为农业产业、工业产业、商业以及高新科技产业来进行分析和研究。首先，这4个产业是构成国民经济的主要产业；其次，对于区域的物流需求来说这4个产业在物流需求特性上表现差异较大，只有分别将这4个产业进行分析才能更好地体现出区域内物流需求的多样性；最后，由于高新技术产业产生时间相对较晚，因此一般的区域都对高新技术产业有着相对较为集中的配置与安排，其所面临的交通条件、物流基础设施相较于其他产业都更为完备。但由于高新技术产业的输出对象主要在世界范围内，因此对于其物流需求也不单单是对于物流网络的疏通，对于区域内物流节点的配置，更多的是对于进出口相关的物流服务。因此应对高新技术产业的物流需求，区域的物流需求也有着自身的特性。

3.1 农业产业模型

农业产业结构下区域内具有众多的影响因素，将各种影响因素划分为3类进行分析和讨论：第1类为经济影响因素；第2类为物流环境影响因素；第3类为农业产业环境影响因素。

农业产业是社会经济发展和继续的基础，同时经济发展也是农业产业得以持续健康发展的前提。在经济影响因素中最为常见的是区域国内生产总值，其次是以农业产业为主体的第一产业的生产总值，该影响因素是农业产业本身由于产业结构、政策倾向以及发展条件等导致的产业发展趋势的总体表现。对于农业产业的物流需求量必然会受到该区域物流环境的影响，因此区域内总的物流量、区域物流基础设施的建设、区域物流人才的数量和层次以及物流市场的程度都将对农业产业的发展以及农业产业物流需求量产生影响。农业产业物流需求量的产生、发展都是农业产业发展的衍生物，因此区域内农业产业的发展趋势与情况是农业产业物流发展的基础。因此，区域内农产品的数量、类型、发展趋势、农业产业管理技术、农产品加工程度以及农村居民的农业收入情况都将或多或少的对于农业产业物流需求产生影响。农业产品的产品结构、销售地将影响农业产业物流的难易程度以及物流活动范围等等［9］。

因此给予农业产业结构下的物流需求模型是以区域内农业产业物流需求量为因变量，其他影响因素为自变量，从而对于该区域农业产业物流需求量进行预测分析。这里选取6种影响因素作为农业产业物流需求的影响因素：

式中：W1为区域农业产业物流需求量；xi11表示第i年区域国内生产总值；xi12表示第i年区域农业生产总值；xi13表示第i年区域人口总量；xi14表示第i年农业产业物流总额；xi15表示第i年区域人均消费水平；xi16表示第i年区域社会物流总额。令Xi1＝xi11，xi12，xi13，xi14，xi15，xi16，则形成了（Xi1，Qi1）的向量，该向量与支持向量机中的训练样本S＝（（x1，y1），（x2，y2），…，（xi，yi））相对应，并基于ε－SVR回归函数进行回归预测。

3.2 工业产业模型

在区域内工业产业结构下有许多因素都会对工业产业物流需求造成影响，这里将这些影响因素主要分为4大类：第1类为经济类影响因素；第2类为物流环境类影响因素；第3类为工业产业结构类影响因素；第4类为地区环境类影响因素。

工业产业是社会经济发展到一定程度的产物，是人类社会文明发展的体现。而同时社会经济的发展是工业产业发展的源动力，历史证明高速发展的经济必然引导工业产业的飞速发展与变革，而低迷的经济将会抑制工业产业的发展。因此作为经济发展的主要指标国民生产总值的浮动必然会影响工业产业的发展，并使得工业产业物流需求量发生变动。与此同时物流基础设施的建立、物流管理水平的程度、物流技术水平以及物流企业的数量以及规模都会对工业产业的物流需求起到基础支持性的作用。而在不同的区域，不同地理环境、自然环境以及政策环境必然影响到该区域产业结构的不同，轻工业与重工业不同的比例，不同行业所占的比例不同以及其所针对的消费群以及消费地区不同也将引起区域工业产业物流需求量的变化。同时，工业产业所处的地区不同，必然面临着不同的工业需求、不同的自然条件以及不同原材料产出或者不同的交通地理环境。因此不同的地区有着不同的情况，其工业产业的结构、数量以及类型都会发生改变。同时地区所处的经济、社会、政治环境也是影响工业产业物流需求的重要因素之一［10］。

这里除去一些与工业产业物流需求发展关系不是那么紧密的影响因素，同时将需要的影响因素与可获得的数据进行对比从而选择6种指标作为影响工业产业物流需求的影响因素进行分析和研究。其所代表的数学表达式为

式中：W2表示在工业产业结构下的物流需求量；xi21表示第i年区域国内生产总值；xi22表示第i年区域工业产业生产总值；xi23表示第i年工业物流总额；xi24表示第i年工业产业从业人数；xi25表示第i年区域社会物流总额；xi26表示第i年工业增加值。令Xi2＝xi21，xi22，xi23，xi24，xi25，xi26，则与支持向量机中的训练样本对应，从而可以根据（Xi2，Qi2）进行回归预测分析。

3.3 商业模型

由于商业物流需求除了与经济以及本身结构密切相关以外，还受到区域内消费群体选择的影响，其中不仅包含了文化的因素同时也包含了自然的因素，因此这里将这两类因素分开进行讨论。

对于商业来说其物流需求量不仅受到区域生产总值这样宏观的经济影响，同时也对于微观经济的波动最为敏感。区域内部某种类型产品的热销、某种类产品出现市场的不信任状况都影响着区域内商业，并影响其物流需求量的大小与发展。由于商业除了面对企事业单位这样的消费者还面对着以人为对象的最终消费者，因此个人的收入情况以及区域内人均消费性的指出都对商业物流需求量的波动产生影响。因此，经济环境对于商业而言即在宏观方向主宰发展同时也在微观方面调控波动。商业的结构复杂层次多样，因此对于物流的需求也是多种多样，规模数量大小不一，并且商业的物流量与农业产业以及工业产业的物流量在其先接触有一定的重叠。对于商业来说物流环境影响因素是商业实现物流转移的关键保证。商业对于物流的依赖性不仅表现在商品的运输需要通过物流产业，还表现在部分商品还需要物流产业进行基于客户的流通加工从而增加其附加值。商业的发展还受到区域文化环境的影响，对于不同的区域环境对于商业的要求，交易的习惯模式以及消费习惯都有所不同，这也在另一方面影响到商业需求量的变化。商业的商品不仅部分来源于工业产业也有部分来自于农业产业，不论是来源于哪个产业，其商品都带有该区域的自然环境的元素。在商业整个物流运作过程中，不同的物流活动都可能受到该区域自然环境的影响。

对于商业的影响因素很多，同时由于商业物流需求的复杂性和广泛性等众多因素，使得商业的物流需求区别于农业产业和工业产业的物流需求。其数学表达式为

式中：W3为区域商业物流需求量；xi31表示第i年区域国内生产总值；xi32表示第i年区域商业生产总值；xi33表示第i年区域商业物流总额；xi34表示第i年区域社会物流总额；xi35表示第i年区域人均消费性支出；xi36表示第i年区域零售总额。令Xi3＝xi31，xi32，xi33，xi34，xi35，xi36，则形成了（Xi3，Qi3）的向量，该向量与支持向量机中的训练样本S＝（（x1，y1），（x2，y2），…，（xi，yi））相对应，并基于ε－SVR回归函数进行回归预测。

3.4 高新技术产业模型

对于高新技术产业的物流需求的影响因素有很多，本文将从经济影响因素、物流影响因素、科学技术影响因素、地域环境因素以及其他因素5个方面对其进行分析。

高新技术产业与农业产业、工业产业不同，不是属于人类生活的必需品，也不是基础建设的必要环节，它是经济发展到一定高度，人们对于物质与精神的追求不再是简单满足吃穿住行时产生的，高新技术产业是对于其他产业的提升。高新技术产业的产品是面向世界范围且由于产品的价值较高，因此其对于物流服务的质量也有着较高的要求。所以区域内物流技术、管理方法还有各种物流基础设施的建立是保障高新技术产业产品顺利销往世界各地的保障，缺乏这样的保障必然会影响高新技术产业的物流需求量。每个区域中的高新区内的产业结构都有所不同，这不但是由于各地不同的开发商引资政策引起的也是由于各地所处的地理位置、自然环境、资源优势所决定的［11］。不同的区域农业产业、工业产业以及商业的发展程度各有不同，这为不同的高新技术产业提供了不同的选择，对于资源敏感的偏向于资源集中的区域，对于时效性敏感的会偏向于交通地理环境较为优越的区域，而对于附加值敏感的则会倾向于选择给予税费优惠的区域。

从众多的影响因素中对高新技术产业物流需求进行进一步分析时发现，这些影响因素中有些不能用数学方式进行表达，例如政策因素，有些对高新产业物流需求的影响不是十分巨大（如文化因素），还有一些影响因素也难以通过数学计算实现。它所代表的数学表达式为

式中：W4为区域高新技术产业物流需求量；xi41表示第i年区域生产总值；xi42表示第i年高新技术产业生产总值；xi43表示第i年高新技术产业物流总额；xi44表示第i年区域社会物流总额；xi45表示第i年区域人均消费性支出。令Xi4＝xi41，xi42，xi43，xi44，xi45，则形成了（Xi4，Qi4）的向量，该向量与支持向量机中的训练样本S＝（（x1，y1），（x2，y2），…，（xi，yi））相对应，并基于ε－SVR 回归函数进行回归预测。

4 算例研究

4.1 数据来源

以四川省物流预测需求量作为最终的目标值，期间以四川省货运周转量作为因变量，利用实际四川省相关数据基于SVR 进行预测，并结合实际可以获取的数据将区域的物流量分为3部分：第1部分为农业产业；第2 部分为工业产业；第3 部分为商业。同时由于四川省物流量中除了各个产业的物流量外还包括居民生活基本物流量，但由于该物流量所占比例很少（一般占物流总额的0.6%左右［12］），因此研究中暂时忽略不计。由于中国物流统计年鉴是从2002年开始发布，因此与之相关的数据样本很少，本文所采用的数据样本为2000年至2010年11组数据。四川省物流相关数据参见参考文献［13］，四川省运输量及经济统计数据见参考文献［14］。

4.2 数据处理

为了减少计算的复杂程度，对于每个指标进行归一化处理，即将各个数据除以该指标中的最大值，并且为了能获得很好的收敛性将最大值取为0.999。因此获得数据如表1、表2以及表3所示。

表1 农业产业物流需求影响因素归一化结果Tab.1 Normalized results factors influencing the demand of agricultural logistics

表2 工业产业物流需求影响因素归一化结果Tab.2 Normalized results of factors affecting the industrial logistics demand

表3 商业物流需求影响因素归一化结果Tab.3 Normalized results factor of business logistics demand

4.3 分析及结果

针对SVR 预测模型选择2000年至2008年9组数据为训练样本，并选择2009年至2012年4组数据为测试样本，并且在MATLAB2010a环境下进行运行测试仿真［15］。在SVR 的核函数选择上，主要是采用众多学者的研究结果［16］。对于一般的回归预测选用径向基（radial basis function，RBF），核函数可以获得很好的预测分析结果，对于参数的寻优选择，可以采用Grid search 的方法进行优化选择。

农业产业物流需求的核函数为K（xi，xj）＝exp（－γ‖xi－xj‖2），γ＞0，参 数C＝3.1，g＝0.32。测试样本的结果如表4所示。

表4 农业产业运输量预测结果Tab.4 Prediction results of agricultural transport volume

工业产业物流需求的核函数为K（xi，xj）＝exp（－γ‖xi－xj‖2），γ＞0，参 数C＝2.5，g＝0.25。测试样本的结果如表5所示。

表5 工业产业运输量预测结果Tab.5 Prediction results of industrial transport volume

商业物流需求的核函数为K（xi，xj）＝exp（－γ‖xi－xj‖2），γ＞0，参数C＝1.6，g＝0.14。测试样本的结果如表6所示。区域各产业运输量预测结果如表7所示。

表6 商业运输量预测结果Tab.6 Prediction results of commercial traffic

表7 区域各产业运输量预测总和Tab.7 Traffic prediction sum of regional industries

从上述数据可以发现，大部分的预测都比较准确，误差率不超过7%，区域物流总量的预测也在2%左右，具有很好的收敛性。同时由于数据样本较少，不能充分说明该预测方法的有效性。本节将采用不区分产业类型的数据以及同样的方法进行比较分析。这里同样选取区域运输周转量作为因变量，将不涉及区域内不同产业的物流因素除去，选取的影响因素为区域国内生产总值、区域农业生产总值、区域人口总量、区域人均消费性支出、工业产业生产总值、商业生产总值以及区域零售总额。具体数据可以全部从《四川统计年鉴》［14］中获得。这里选取1985年至2012年28组数据，选取前21组为训练数据，选择后7组为测试数据。采用相同的方法进行归一化处理。区域物流需求的核函数为K（xi，xj）＝exp（－γ‖xi－xj‖2），γ＞0，C＝32，g＝0.58。测试样本的结果如表8所示。

表8 无产业差别下的区域物流需求量预测结果Tab.8 Prediction results of regional logistics demand with no industry difference

5 结 语

基于物流需求多样性下的预测模型结果，大部分的预测都比较准确，误差率不超过7%，区域物流总量的预测也在2%左右，具有很好的收敛性。同时由于数据样本较少不能充分说明该预测方法的有效性。本文采用不区分产业类型的数据以及同样的方法进行比较分析。虽然文中的研究受到数据样本的限制，但是从各个预测的结果不难发现，分别按照区域内不同产业的影响因素进行的预测比之不分产业的预测，其总的误差率更小，更能体现出不同产业对于区域物流量变化的影响。

／References：

［1］ 王文斌，马祖军，何振业.现代物流业与区域经济发展［J］.经济体制改革，2002（1）：122－125.WANG Wenbin，MA Zujun，HE Zhenye.Modern logistics industry and regional economic development［J］.Reform of Economic System，2002（1）：122－125.

［2］ 刘秉镰.基于价值量的物流需求分析与预测方法研究［J］.中国软科学，2004（5）：66－73.LIU Binglian.A value－based research method for loglstics demand analysis and forecast［J］.China Soft Science，2004（5）：66－73.

［3］ 刘 刚，周 静，邹飞燕.湖北城乡区域物流与区域经济协调性研究［J］.商品储运与护养，2008，30（3）：10－14.LIU Gang，ZHOU Jing，ZOU Feiyan.The research of coordination in regional logistics and regional economy between rural and urban areas of Hubei Province［J］.Storage，Transportation＆Preservation of Commodities，2008，30（3）：10－14.

［4］ 方秋艳.浅析物流业与经济发展之间的互动机理［J］.物流科技，2006，29（7）：100－102.FANG Qiuyan.The analysis of the interactive mechanism between logistics industry and economic development［J］.Logistics Sci－Tech，2006，29（7）：100－102.

［5］ 陈 思，甘 蜜.工业城市物流经济发展对于城市交通网络的影响机制研究［J］.工业技术经济，2011（9）：90－94.CHEN Si，GAN Mi.Research on the relationship between logistics economy development and the urban transportation network in the industry city［J］.Journal of Industrial Technological Economics，2011（9）：90－94.

［6］ CRISTIANINI N，SHAWE－TAYLOR J.An Introduction to Support Vector Machines and Other Kernel－based Learning Methods［M］.Cambrideg：Cambridge University Press，2000.

［7］ VAPNIK V N.统计学理论［M］.许建华，张学工，译.北京：电子工业出版社，2004.VAPNIK V N.Statistical Theory［M］.Translated by XU Jianhua，ZHANG Xuegong.Beijing：Electronic Industry Press，2004.

［8］ 赵 勤.中国现代农业物流问题研究［D］.哈尔滨：东北林业大学，2006.ZHAO Qin.Research of the Problem of Modern Agricultural Logistics in China［D］.Harbin：Norhteast Forestry University，2006.

［9］ 周 翔.王耀球.工业物流的发展研究［J］.中国储运，2006（5）：87－89.ZHOU Xiang，WANG Yaoqiu.Development of the industrial logistics research［J］.China Storage ＆ Transport，2006（5）：87－89.

［10］ SMOLA A J，SCHOLKOPF B.A tutorial on support vector regression［J］.Statistics and Computing，2004，14：199－222.

［11］ 高雷虹，高天光.高新技术产业基地与区域物流发展的互动关系研究［J］.中国市场，2009（49）：22－23.GAO Leihong，GAO Tianguang.Research on the interaction between high－tech industrial base and regional logistics［J］.China Market，2009（49）：22－23.

［12］ 奉国和.SVM 分类核函数及参数选择比较［J］.计算机工程与应用，2011，47（3）：123－124.FENG Guohe.Parameter optimizing for Support Vector Machines classification［J］.Computer Engineering and Applications，2011，47（3）：123－124.

［13］ 中国物流与采购联合会.中国物流年鉴［M］.北京：中国财富出版社，2002－2013.China Federation of Logistics ＆Purchasing.China Logistics Yearbook［M］.Beijing：China Fortune Press，2002－2013.

［14］ 四川省统计局，国家统计局四川调查总队.四川统计年鉴［M］.北京：中国统计出版社，1985－2013.Sichuan Province Bureau of Statistics，NBS Survey Office in Sichuan Province.Sichuan Statistical Yearbook［M］.Beijing：China Statistics Press，1985－2013.

［15］ MATLAB 中 文 论 坛.MATLAB 神 经 网 络30 个 案 例 分 析［M］.北京：北京航空航天大学出版社，2010.MATLAB Chinese BBS.MATLAB Neural Network 30Case Analysis［M］.Beijing：Beihang University Press，2010.

［16］ 王 斌，唐国春.物流联盟伙伴选择模糊优化研究［J］.河北科技大学学报，2009，30（1）：69－74.WANG Bin，TANG Guochun.Research into fuzzy optimization of choosing logistics alliance fellow［J］.Journal of Hebei University of Science and Technology，2009，30（1）：69－74.