灰色预测模型在煤矿物流需求预测上的应用

郭健

摘要：这几年来，物流管理作为国民经济增长的基础性支撑，已经得到了很大的发展。而物流的需求与预测作为物流发展的一个重要的课题，合理的物流需求预测会为企业减少不必要的费用，提高经济效益。先阐述了物流以及物流需求预测在国内外研究现状及部分成果，简单地介绍了物流及物流需求预测和灰色模型的相关的理论。随后，通过对2012-2015年某能源基地煤矿需求量进行系统分析，最后运用灰色预测模型和方法对未来的需求量进行了一定量的预测。

关键词：物流；需求预测；灰色预测方法

中图分类号：F25文献标识码：Adoi：10.19311/j.cnki.16723198.2017.35.011

1选题背景和意义

现代物流是一个先进的组织模式和管理技巧，是以高效率的从生产到消费过程中对产品的计划、管理和配送。现代物流已经被广泛地认为是减少物料成本和提高生产劳动率的主要源泉。因此，它被称为是企业和社会的“第三利润源泉”。

物流需求预测，它是将物流市场的具体信息，无论是过去的还是现在的，找出影响需求变化的因素，并且将这些因素联系到一起，通过使用一些经验谈判、技术方法和相应的模型，再利用合理的科学方法对相应的反映市场需求指标的变化以及将后的趋势来进行预测分析。

物流需求预测分析有助于企业物流系统的合理建设和物流设施的合理配置。任何企业要是想长期且稳定良好的发展，就必须要建立合理的物流系统和设施。其次，企业要定制一系列的战略计划、商品、销售计划，尤其是物流管理计划，都需要需求预测，它是重要依据。因为一切物流活动都必须从对于信息的了解分析和预测入手，因此，需求预测是企业物流管理活动中最重要的环节。

2物流需求预测

2.1需求预测

所谓预测，就是根据过去的数据和信息，通过相应的方法进行未来情况的模拟与预测。我们都知道，未来的状况并不是稳定的，它们是随机变化的，因此预测并不能做到绝对的准确。

当企业作出需求预测的同时，他们就获得了他们相应的产品在今后一段时间内的需求期望水平，并且还可以通过结果来调节和协调企业的计划和控制。需求预测会极大的影响着企业正常生产决策，这是由于企业运营生产主要是为了向社会输出相应的服务。

通常来讲，需求的可预测性分为：（1）有可寻出规律的，且能有很大概率找出其中的规律进行预测；（2）无可寻出规律的，但是相对而言较为稳定的，有着持续性；（3）无规律需求，且不可预估。

一般的预测的简单步骤可以概括为：

（1）确立预测的目标和用法；（2）要依据所从事行业不同的产品以及特性进行分类；（3）要确立影响各种商品需求的要素及其关键性；（4）要搜集一切可以使用的过去和现在的数据材料，进行系统性分析；（5）确定一套较为符合产品需求规律的选择模型和方法；（6）通过所选择的方法和模型进行初步的演算和模拟；（7）要全方面的考察和找寻无法进行模拟的内外因素；（8）结果前2步，对之前的数据进行全面考虑，分析、判断并得出结果，之后模拟出各类商品的模拟需求；（9）根据所获得的结果，运用到实际的工作计划当中；（10）依据现实的产生的需求对模拟值进行评估与修改。

从大的方面，我们可以将预测分成定性预测与定量预测。在实际的工程环境当中，定性预测是极其普遍的，它可谓是到处可见。由于手上的资料不够充分，导致我们对实际的情况无法完全掌握，或因为诸多因素，使得实际情况中的关联非常复杂，很难利用数字公式表达，此时就应该使用定性预测。定性预测需要重点关注的地方，就是实际情况的发展走向以及所遇到的實际实行过程中所存在的各种突发情况和影响原因。定性预测能够充分运用到实际操作专家的经验性理论知识，能够十分灵活的将他们的主观能动性和实践情况相结合，而且更加能够运用于现实情，能得到好的结果。

而相对的，定量预测是利用一些原始数据或者关键因素，通过特定的方法来进行模型建立。与定性预测不同，定量预测需要我们能够掌握完整的数据，能够对现有的情况十分了解，再利用一些科学的方法进行实际分析模拟，这样来可以展现出所研究目标的某些特殊规律，然后使用这些来分析今后的走势。该方法的重要特征，便是数据的收集和统计以及相应的建模。但是这种方法并不是叫我们不考虑各种主观的影响因素，很多时候主观因素会在实际情况中产生着巨大的作用，只是定量分析中所表现出来的作用较小。

2.2影响需求预测的因素

各大因素不是单一影响需求的，而是他们相互影响，相互作用，影响着企业商品或者服务的实际市场上的需求。其中，企业自身的努力可以影响部分因素，但是企业对另一部分因素却是无法控制的。在这些因素相互作用下，通常来讲，企业所占有的市场份额以及某产品或服务的市场占有量影响着该产品或者服务的实际需求。图1中就给出了这些影响因素。

3灰色预测模型

3.1灰色系统理论

灰色系统理论的内容有很多，但是谈到最具有代表性之一的，我们一般都会想到的是灰色预测模型。跟现有的大部分需求预测的方法不同，灰色预测模型它研究的对象是信息贫乏的，可以说是一个全新的理论模型。在实际的生活情况中，往往都有着相当多的不确定性因素，这就导致了很多时候，我们都对以后的趋势无法进行评估预测，无法掌握，其他经典的预测方法也不能够满足人们这一需要，灰色预测模型正是由于这样的背景而诞生了。灰色预测模型可以有效地解决这一难题，通过利用小样本元素、最合适的数据，使用序列累加法，体现预测对象的今后的走势。

至今为止，关于经典的GM（1，1）模型的研究主要集中在以下六个方面：

（1）对GM（1，1）模型的性质进行研究。

（2）重点讨论经典GM（1，1）模型的初始值选取问题。

（3）重点研究经典GM（1，1）模型背景值的选取。endprint

（4）运用缓冲算子提高模型模拟精度。

（5）通过提高原始序列光滑度的方法提高经典GM（1，1）模型的模拟、预测精度。

（6）研究与传统GM（1，1）模型对应的新模型。

3.2基本GM（1，1）模型

3.2.1GM（1，1）模型的建立

记X（0）为原始数据，X（0）=x（0）（1），x（0）（2），…，x（0）（n），生成数为X（1）=x（1）（1） ，x（1）（2），…，x（1）（n），两者满足以下关系：

X（k）=∑ki=1X0（i）；k=1，2，…，n

设X（0）=x（0）（1），x（0）（2），…，x（0）（n），X（1）=x（1）（1），x（1）（2），…，x（1）（n），Z（1）=z（1）（1），z（1）（2），…，z（1）（n），其中z（1）（k）=05x（1）（k）+x（1）（k-1），则称

x（0）（k）+az（1）（k）=b

为GM（1，1）模型的基本形式。其中-a为发展系数；b为灰色作用量。

GM（1，1）模型的时间响应式为

（1）（k+1）=（x（0）（1）-ba）e-ak+ba，k=1，2，…，n

还原值

（0）（k+1）=（1）（k+1）-（1）（k）=（1-ea）（x（0）（1）-ba）e-akk=1，2，…，n

设=a，bT为参数列，且

Y=x（0）（2）x（0）（3）…x（0）（n），B= -z（1）（2）-z（1）（3）…-z（1）（n） 11…1

设为待估参数向量，=aμ，可利用最小二乘法求解。解得：

=（BTB）-1BTYn

称dx（1）（t）dt+ax（1）（t）=b为x（0）（k）+az（1）（k）=b的白化方程，也叫影子方程。

a体现了（0）和x（1）的增长趋势。大部分的案例中，可以利用演算，计算出系统作用量，或者在案例中是已知条件。而所谓的单序列建模，它指的是仅仅使用了所研究的案例对象中所已知的行为序列，而这种行为序列有时也可以叫作输出序列或者背景值，这种建模方式是不会使用或者存在着外作用序列即输入序列或者驱动值。而且我们都知道，b作为GM（1，1）模型中利用背景值所演算出来的灰色作用量，它能够表现出案例中数据间的变化规律，它是灰色内容的主要部分之一。

3.2.2GM（1，1）模型检验

灰色预测检验一般有关联度检验、残差检验和后验差检验。

（1） 关联度检验。

①關联系数。

设（0）（k）=（0）（1），（0）（2），…，（0）（n），X（0）=x（0）（1），x（0）（2），…，x（0）（n），则关联系数定义为：

η（k）=minmin（0）（k）-x（0）（k）+ρmaxmax（0）（k）-x（0）（k）（0）（k）-x（0）（k）+ρmaxmax（0）（k）-x（0）（k）

式中：（0）（k）-x（0）（k）为第k个点x（0）与（0）的绝对误差；

minmin（0）（k）-x（0）（k）为两级最小差；

maxmax（0）（k）-x（0）（k）为两级最大差；

ρ称为分辨率，0<ρ<1，一般取ρ=0.5。

②关联度。

r=1n∑nk=1η（k）称为X（0）（k）与（0）（k）的关联度。

（2） 后残差检验。

C=S2S1 P=pΔ0（i）-Δ-0<0.6475S1

其中S1为原始数列标准差，S2为绝对误差序列标准，Δ0（i）为绝对误差序列。

（3） 残差检验。

设原始序列x（0）（1），x（0）（2），…，x（0）（n），相应的预测模型模拟序列为（0）（k）=（0）（1），（0）（2），…，（0）（n），残差序列为：

ε（0）=ε（1），ε（2），…，ε（n）=

x（0）（1）-（0）（1），x（0）（2）-（0）（2），…，x（0）（n）-（0）（n）

相对误差序列为：

Δ=ε（1）x（0）（1），ε（2）x（0）（2），…，ε（2）x（0）（2）=Δkn1

则：①对于k≤n，称Δk=ε（k）x（0）（k）为k点的模拟相对误差，称=1n∑nk=1Δk为平均相对误差；

②称1-为平均相对精度，1-Δk为k点的模拟精度，k=1，2，…，n；

③给定a，当

而且，通过邓聚龙教授的分析，得出了下述结论：

①当-a≤0.3时，该方法模型可以进行时间跨度为中长期的预测；

②当0.3≤-a≤0.5时，该方法模型可以进行时间跨度为短期的预测，中长期慎用；

③当0.5≤-a≤0.8时，该方法模型进行时间跨度为短期的预测应该十分谨慎；

④当0.8<-a≤1时，应采用残差修正GM（1，1）模型；

⑤当-a>1时，不宜用GM（1，1）模型。

4灰色预测模型应用

通过前面2章的介绍我们已经大概了解了各项预测方法以及它们的简单应用。这一章将根据前面的内容，对某能源基地的煤矿需求进行灰色预测，根据已经掌握的资料，得到了某能源基地数据如表2。

（4）模型的检验与结果分析。

①残差检验。

通过上述的具体数据以及分析，能从数据中得到的结论是，平均相对误差仅仅为2.90%<0.05，Δ6=3.38%>0.05，平均相对精度为97.10%，因此，得到的模拟数值是基本准确的，根据上述的判定表可知，为二级合格。

②关联度检验。

由原数据跟演算的数据对比，我们可以知道，模拟序列原始序列的绝对关联度ε=0.97255581>0.90，由上述的判定表可知，模拟出来的数据的精确度较为优秀。

5结论

本文在国内外物流需求预测研究的基础上，运用灰色预测方法对某能源基地煤量进行需求预测分析。

上面的实例分析，我们可以知道了实际情况，该公司的煤炭需求GM（1，1）模型预测能得到较好的预测结果，较为准确的能为该地区的煤矿需求提供参考价值。

参考文献

[1]崔翠.国内外物流需求预测研究概况[J].物流工程与管理，2013，（4）：610.

[2]聂佳佳.需求信息预测队制造商回收再制造策略的价值[J].管理科学学报，2014，（1）：3536.

[3]高洪波，杨建强.基于多变量灰色模型算法的物流需求预测研究[J].物流技术，2013，（7）：220221.

[4]张丽萍，杨江龙.基于灰色模型的临沂市物流需求预测[J].物流技术，2013（3）：274275.

[5]王雷震，戈猛.物流管理概论[M].北京：机械工业出版社，2012：213，2728.

[6]Gardner， Everette S.， Jr.， McKenzie， Ed.Seasonal Exponential SmoothingWith Damped Trends[J].Management Science，1989，35（3） 372376.

[7]劉冲.物流需求预测研究分析[D].济南：山东交通学院，2008.

[8]陈荣秋，马士华.生产与运作管理[M].北京：高等教育出版社，2005：7191.

[9]倪冬梅，赵秋红，李海滨.需求预测综合模型及其与库存决策的集成研究[J].管理科学学报，2013，（9）：4546.

[10]Geng Yong， Ju Songdong， Chen Yana. Analysis and Forecast of Logistic Demand Based on BP Neural Network [J]. Logistic technology， 2007，（7）：3537，73.

[11]Chai Dasheng， Huang Zhixing and Shen Jinsheng. Application of Gray Forecast Method in Demand Forecast of Logistic Parks [J].Analysis and forecast， 2007，（7）： 7375.endprint