大数据时代陕西区域物流需求量的预测研究

夏彩云

（西安铁路职业技术学院，西安 710064）

引言

随着“互联网+”的兴起，西部物流业的发展呈现出前所未有的高速增长态势，陕西省作为西部大开发的龙头，近几年物流基础设施建设发展迅速，加上国际港务区的高效运营，商业配送、多式联运、社会化储运服务等多种形式的物流服务模式集聚出现，各种专业物流企业群应运而生，物流产业成为陕西区域经济发展的重要经济增长点。而对区域物流的需求能否实现合理的预测是决定能否有效实现资源配置、提升物流效率的关键。物流需求的预测基础在于大数据时代下数据分析的信息技术，充分发挥大数据给物流企业带来的发展优势。鉴于此，本文提出一种有效的预测方法对陕西区域物流需求量进行合理预测，为经济发展决策提供重要的参考。

一、物流需求量预测的思路

区域物流需求是由当地经济发展派生而来，区域经济的发展水平是产生区域物流需求的内在决定性因素[1]。从经济发展的角度，寻求利用区域经济指标，来预测物流需求具有较强的可行性。因此，根据经济发展和物流发展的相关关系，可以选择和建立影响物流需求的经济指标体系。由于经济发展与物流需求之间的转换关系不是一一对应，而是错综复杂，本质上可以理解为是一种多元非线性关系，利用简单的函数模型和传统的预测方法进行二者之间的转换非常难以实现。加上物流需求的发展具有跳跃性，物流需求支撑的历史数据短缺，因此预测方法的选择直接决定了物流需求量预测的准确性，也直接影响决策的正确性。BP神经网络是1943年创立的，是具有动物神经网络功能特性的数学模型，可以进行信息处理，并具有自学习和自适应性，主要通过调节系统内部节点之间复杂的连接关系，实现处理信息的目的。同时，该模型具有良好的曲线拟合能力、抗干扰和学习能力，因此选用BP进行预测是一种有效的方法。

BP神经网络算法是根据实际输出值与期望输出值之间的误差，对网络进行由后向前逐步修正的一种误差逆传播算法。BP神经网络结构包含输入层、一个或多个隐含层和输出层，其传播活动包含正向的信息传播，即输入层神经元将接收到的外界信息传递到中间层神经元，中间层神经元进行信息的处理与变换，通过隐含层将信息传递到输出层，完成正向信息传播处理过程，外界得到信息处理结果。另一个活动过程是逆向的误差传播，即当网络系统的实际输出与期望输出存在较大误差时，进入反向传播阶段，误差通过输出层，按误差梯度下降的方式修正各层权值，向隐含层、输入层逐层反向传递，以此反复循环不断修正各层权值，最终实现可接受的误差[2]。

二、基于BP网络的区域物流需求预测模型构建

1.指标的分析与选取。影响区域物流需求的因素多而泛，但经济发展是物流需求产生的直接原因，因此，本文主要通过经济指标来对物流需求做出预测。结合陕西省的经济发展情况，经济指标与物流需求之间的关系为：（1）区域经济发展规模对物流需求有着明显的影响。当经济发展水平较高时，物流需求水平也相对较高，当经济发展水平较低时，物流需求水平也较低。（2）产业结构对物流需求的影响较大。研究表明，随着产业结构从第一产业向第三产业转变，物流需求开始向专业化、综合化的需求方向转变，对运输、仓储、包装、流通加工等物流服务需求也大大增加。（3）区域经济的发展离不开对固定资产的投入，而加大对陕西省固定资产的投资力度，必定会增加对交通基础设施等的投资，从而推动物流产业的快速发展，增加对物流的需求量。（4）城市的对外贸易会对区域经济发展影响重大。对外贸易的增长要求城市加大对交通基础设施的建设，这样就会促进商品的快速流通，优化资源配置，增加对区域物流的需求。（5）区域社会消费品零售总额直接反映了城市圈居民对消费商品的需求规模，也间接反映了区域物流需求的规模。高涨的社会消费品零售总额带动了各类交通运输的发展，反映了城市圈中物质资料配送量的多少，所以社会消费品零售总额也是影响区域经济物流需求的因素之一[3]。

通过以上分析，本文选择以上5个指标作为陕西省区域物流需求规模预测的经济指标。而对于物流需求指标，因为物流环节较多、比较分散，因此目前没有统一的使用定论。但在各个物流运作环节中，运输贯穿物流活动的始终，是物流过程中实现位移的必备环节。本着可操作性的原则，因此本文认为货运量可以近似反映出物流需求的规模[4]。

2.BP预测模型的构建。本文预测模型采用经典的三层BP结构，即输入层、一个隐含层及输出层组成。输入层的节点数等于预测物流需求量的经济变量的数目7，输出层节点数为预测的物流需求量的变量个数1，隐含层神经元根据k-means算法确定为5个，建立7-5-1BP神经网络模型[5]。

三、模型应用及算例分析

本文选取陕西省1999—2016年经济发展的基本数据，对该区域的物流需求做预测。数据来源于《陕西省统计年鉴（2000—2016年）》和2016年陕西省国民经济和社会发展统计公报。各变量原始数据（如表1所示）。

表1 陕西省2000—2016年基本经济数据统计表

结合模型特征，首先进行数据的标准化处理。由于数据存在不同的量纲，为方便计算，对表格中数据利用premnmx函数进行归一化处理，取值范围在0—1。模型实现过程中，BP隐含层选取的神经元数目是根据k-means算法确定，以2000—2011年的经济指标数据作为模型输入，对应的货运量作为模型输出形成训练样本，2012—2016年数值作为预测样本检验数据，学习速度设为0.05，1 000轮回显示一次结果，最大训练轮回为50 000次，均方误差MSE等于0.065×10-2。采用梯度下降法进行训练，迭代521次达到最优，训练结束。其他参数参照MATLAB神经网络工具箱，从而达到模型实现，训练结果（如下图所示）。经过反复的逆向误差的传播修正，得出表2的预测样本数据。

BP网络模型训练结果图

表2 2012—2016年货运量预测样本数值与实际值的误差对比

从运算结果来看，BP神经预测值与实际值大体接近，平均相对误差为5.86%，最大相对误差为9.36%，可以定量反映陕西区域物流需求量的变化趋势。

结语

实例表明，从训练、检测、预测各个流程来看，BP神经网络作为分析预测的一种工具，为大数据时代物流需求的预测提供了一种有效、精确的方法，在物流规划和物流战略研究中有着重要的意义。从以上预测来看，陕西区域物流总需求量将呈现良好的增长势头，陕西应该把握当前物流发展的良好势头，积极投入物流领域的基础设施建设，满足市场对物流发展的需求，通过物流业的有序发展带动一方经济的发展。但由于物流的发展具有跳跃性，获取的信息数据相对有限，预测结果可能会与未来的实际结果发生一定的偏离。因此，物流预测和决策应该是动态性的。

参考文献：

[1]耿勇，鞠颂东，陈娅娜.基于BP神经网络的物流需求分析与预测[J].分析与决策，2007，(7).

[2]郑培，黎建强.基于BP神经网络的供应链绩效评价方法[J].运筹与管理，2010，(4)．

[3]高婷.城市圈物流需求的BP神经网络预测模型[D].武汉：武汉理工大学，2009.

[4]文培娜.张志勇.基于BP神经网络的北京物流需求预测及分析[J].物流技术，2009，(6).

[5]周开利，康耀红.神经网络模型及其MATLAB仿真程序设计[M].北京：清华大学出版社，2005.