快递量影响规律分析及预测

李燕 苏刚

摘  要：文章根据全国范围内的统计数据研究了快递量的影响指标及变化规律。研究发现，GDP、网页数等众多统计指标与快递量的变化规律具有相同的形式：在线上支付技术普及后呈现线性趋势。另外，还发现进出口贸易总额跟快递量没有单调关系，因此不能作为快递量的影响指标，这表明现有文献的结论还有待商榷。最后，利用得到的线性趋势，发现上网人数可以很好地预测快递量。该预测方法与BP神经网络相比，只需要一个自变量，并且计算方便，因此具有更广的应用前景。

关键词：快递量;统计数据;影响规律;BP神经网络

 中图分类号：F618    文献标识码：A

Abstract： This paper investigates the variation trend of express delivery volume and then uses this trend to predict the volume. According to the data from national statistics office， we find that many statistical indexes， like GDP and the number of web pages， have the same influence on the variation trend of express delivery volume： a linear trend is presented after the popularization of online payment technology. Furthermore， we also find that the total volume of import and export trade does not change with the express delivery volume monotonously， and thus cannot be used as an influence index， which rebuts the conclusions of the current literatures. Finally， with the resulting linear trend， the express delivery volume is predicted by the number of internet users in a high precision. Compared with BP neural network， this prediction method only needs one independent variable and thus has a wider application.

Key words： express delivery volume; statistical data; variation trend; BP neural network

0  前  言

 國家邮政管理局数据表明，中国快递行业在协同电商寄递、服务于制造业和零售业、助力乡村振兴等方面发挥着越来越重要作用，已吸引大量研究者的关注。

 韦凌翔等[1]基于BP神经网络（Back Propagation Network）研究预测了城市货运生成量;韩正超等[2]基于BP神经网络对济南市物流需求进行了研究;汪洪帆[3]基于BP神经网络对杭州城市圈物流需求进行了预测。以上学者证明了神经网络对快递量的预测能力，但尚未研究各统计指标与快递量之间的内在规律。同时，BP神经网络需要多个统计指标作为输入量，因此无法应用于部分统计指标缺失的年份或地区，具有较大的局限性。

对于目前研究的不足，本文拟根据全国范围内的年均数据，选取显著影响快递量的统计指标，并探讨二者之间的变化规律，随后利用得到的变化规律对快递量进行预测，并与BP神经网络预测进行对比。

1  统计指标与快递量的变化规律

快递量影响指标已经有大量研究者关注，BASTIDA等[4]认为货运生成量跟商品分类、行业分类和就业人数有关;季彤[5]运用SCP范式理论和产业关联度理论分析了快递业市场，归纳出了影响快递业发展的微观因素（如人力资源）和宏观因素（如批发零售业）。

本文首先考察GDP、居民消费水平、网页数、上网人数、第一产业增加值、第二产业增加值、第三产业增加值、进出口总额、固定资产投入及装卸搬运和其他运输服务业就业人员10个指标与快递量的相关性，具体数据来自国家统计局，如表1所示。

GDP、网页数等指标与快递量的变化规律如图1所示，其中2007～2012年的数据用三角形表示，2013～2019年的数据用正方形表示。

图1表明，GDP、网页数、上网人数等统计指标与快递量的变化规律非常相似，都是在2007～2012年内几乎无关，而在2013年以后存在显著线性关系。本文认为，变化规律在2013年发生转折的原因是信息技术革新。具体来说，2013年4G网络的诞生和余额宝的上线，使得传统的面对面生产资料转移（没有快递量产生）逐渐转化为新潮的在线支付转移（有快递量产生）。

 2007～2019年进出口贸易总额与快递量的变化情况，如图2所示。

图2表明，进出口总额与快递量之间没有单调关系，因此不能作为快递量需求预测的影响指标，这与李晗等[6]认为外贸总额是影响指标的结论不符。

2  快递量预测

2.1  神经网络概述

 BP神经网络是一种利用误差反向传播的算法（Error Back Propagation Training）来训练多层前馈网络。BP神经网络反馈原理是通过传递函数

tan-sigmoid使输入数据逆向传播到隐含层，经过传递函数log-sigmoid把隐含层节点的输出数据传递到输出节点，得到结果[7]。BP神经网络有很强的非线性映射能力，BP神经网络广泛应用于识别、逼近、预测等领域。

2.2  BP神经网络预测

 BP神经网络一般采用3层（输入层、隐含层及输出层），有效隐含层中节点个数由学习误差及样本个数共同决定[8-9]。

在上述模型中，本文将2007～2017年数据作为训练集，2018～2019年数据作为测试集。训练后BP神经网络的预测值与实际值吻合良好（如表2所示）。这表明，前文选取GDP、网页数等统计指标作为快递量的自变量是合理的，同时也证明BP神经网络可以很好的预测快递量。

2.3  线性规律预测

2020年缺失了部分统计数据，因此无法使用BP神经网络预测其快递量。对此，本小节拟利用图1中的拟合直线关系进行预测。例如，图1中，快递量与GDP的拟合关系为y=13.62x1-7.251×106，结合2020年的GDP=1 015 986.20，可以计算得到快递量为6 586 732.04，与实际值8 336 000的相对误差为20.98%。以相同的方式，其他统计数据的预测结果如表3所示。

可以看到，众多统计指标中，上网人数预测值的精度最高。这是因为快递量主要由网上购物产生，而网上购物的总数由上网人数决定。

3  总  结

本文根据全国范围内2007～2019的統计数据，分析了快递量的影响指标及变化规律。研究结果表明，在生产资料以面对面方式交付时，GDP、居民消费水平等统计指标对快递量的增长贡献不大，而在当前以线上交付为主时，这些指标与快递量之间存在线性关系。此外，分析还发现进出口贸易总额跟快递量没有单调关系，因此不能作为快递量的影响指标，这与当前文献结论相反。最后，基于影响指标与快递量之间的线性关系，本文发现上网人数可以很好的预测快递量。该预测方法与BP神经网络相比，只需要一个自变量，并且计算方便，因此具有更广泛的应用前景。

参考文献：

[1] 韦凌翔，董建军，陈志龙，等. 基于BP神经网络的城市货运生成预测模型[J]. 上海海事大学学报，2020，41（4）：50-54，86.

[2] 韩正超，张有云，黄文霞. 基于BP神经网络的济南市物流需求预测[J]. 软件，2020，41（3）：149-152，241.

[3] 汪洪帆. 基于BP神经网络的杭州城市圈物流需求预测[J]. 现代商贸工业，2017（29）：46-47.

[4]  BASTIDA C， HOLGUIN-VERAS J. Freight generation models： comparative analysis of regression models and multiple classification analysis[J]. Transportation Research Record， 2009，2097（1）：51-61.

[5] 季彤. 快递业发展影响因素分析[D]. 南京：南京邮电大学（硕士学位论文），2012.

[6] 李晗，吴珍珍，张雪雪. 基于BP神经网络与GM1，1组合的北京市物流需求预测模型[J]. 物流技术，2021，40（1）：50-55.

[7]  YaHya H Z， Lakmal D S， Kaspar A. Stability analysis of a there-tern back propagation algorithm[J]. Neural Networks， 2005，18（10）：1341-1347.

[8]  Ensafi A A， Khayamian T， Tabaraki R. Simultaneous kinetic determination of thiocyanate and sulfide using eigenvalue ranking and correlation ranking in principal component-wavelet neural network[J]. Talanta， 2007，71（5）：2021-2028.

[9]  A Gutés， F Céspedes， Cartas R， et al. Multivariate calibration model from overlapping voltammetric signals employing wavelet neural networks[J]. Chemometrics & Intelligent Laboratory Systems， 2006，83（2）：169-179.

[10]  Zweiri Y H. Optimization of a three-term backpropagation algorithm used for neural network learning[J]. Neurocomputing， 2008，50（1）：305-318.

收稿日期：2021-05-31

作者简介：李  燕（1995-），女，重庆人，新疆农业大学交通与物流工程学院硕士研究生，研究方向：交通运输规划与管理;

苏  刚（1975-），本文通讯作者，男，新疆伊犁人，新疆农业大学交通与物流工程学院，副教授，硕士，硕士生导师，研究方向：交通运输规划与管理、国际物流。