人工神經網絡模型的江西省物流需求預測

張誠，馮亞萍

（華東交通大學經濟管理學院，江西南昌330013）

人工神經網絡模型的江西省物流需求預測

張誠，馮亞萍

（華東交通大學經濟管理學院，江西南昌330013）

區域物流與區域經濟息息相關。為了準確預測區域物流需求規模，運用灰色關聯對決定區域物流需求的經濟因素以及他們之間的相關性進行分析，建立區域物流需求預測指標體系和BP神經網絡區域物流預測模型。通過實證分析，驗證了預測模型的有效性，并對江西未來5年的物流需求做出了預測。

區域物流；區域經濟；人工神經網絡

在中部崛起和江西建設上升到國家戰略的大背景下，為推進科學發展、加快綠色崛起，建設富裕和秀美江西，加快物流業的調整和振興，頒發了《江西省現代物流業“十二五”發展規劃》。區域物流是區域經濟的主要構成要素，而區域經濟又促進區域物流的發展。實現物流資源的優化配置，對區域物流需求預測具有十分重要的意義。

大量文獻資料顯示，國內外學者對基于灰色關聯的物流影響因素，基于人工神經網絡的物流區域需求等方面進行了研究。李青峻（2009）［1］運用灰色關聯法對物流產業資源和需求兩內部可量化的因素指標進行分析，得出各影響因素對重慶物流產業發展的影響程度大小，并對一些非可量化因素進行了定性分析，得出結論并給出了相應的建議措施。田剛（2010）［2］等，運用灰色關聯分析了5種主要運輸方式下的貨運量與江蘇省GDP的關聯度，得出靈活的公路運輸和GDP的關聯度最大。張佳紅（2012）［3］等，以河北省為例，用港口吞吐量的數據與GDP數據做灰色關聯分析，通過實證得出港口物流對區域經濟飛發展起促進作用。王晶瓊（2011）［4］首先將貨運量與貨運周轉量與地區生產總值進行相關性分析，得出貨運量與經濟的關聯性更大，然后深入分析各經濟影響因素與貨運量的關系，根據各指標的影響程度提出建議對策。宿夢思（2009）［5］等，將影響區域物流的因素分為經濟影響因素（主要包括區域經濟規模、產業結構差異和區域經濟空間布局）和非經濟影響因素（主要有經濟政策、技術進步、物流服務水平和突發因素），并用BP神經網絡對后一年的物流需求量做預測。何霞（2009）［6］指出BP神經網絡具有結構簡單，可操作性強，能模擬任意的非線性輸入輸出關系，彌補灰色預測不適合逼近復雜的非線性函數的缺點。故將兩者結合，對區域物流需求量進行預測。金橋（2008）［7］港口物流需求與腹地區域經濟發展相輔相成，并采用非線性映射功能較好的神經網絡預測工具進一步揭示了二者之間的緊密聯系，并取得了很好的預測效果。陳治亞（2008）［8］等，揭示了物流需求與經濟的關系，建立了物流需求規模預測指標體系，在BP人工神經網絡中引入適應度函數對物流需求規模進行預測。以上研究對我國的物流需求研究具有重要的借鑒和參考價值，為以后的研究提供了廣泛的視角，但其所使用的預測方法并沒有針對物流需求預測的特點進行可行性分析，對其影響因素、貨運量和周轉量的分析上大多使用定性化的論述，缺乏數量化的有力證據。以江西省近16年的經濟指標與物流需求指標數據進行相關性分析，在論證該需求預測的理論和實踐操作的可行性基礎上構建人工神經網絡模型。選取近兩年的數據作為網絡測試樣本，檢驗該模型的準確性，用學習好的網絡樣本對江西省未來5年的物流需求做預測。

2 模型方法介紹

2.1 灰色關聯分析方法簡介

灰色關聯分析方法是衡量因素之間發展趨勢的相似或相異程度的一種方法。若兩因素變化的趨勢具有一致性，即同步變化程度高，兩者關聯程度高，反之，則較低。

進行灰色關聯分析的步驟如下：

1）確定反應系統行為特征的參考數列Yi=（Yi（1），Yi（2），…Yi（k））和影響系統行為的比較數列Xi=（Xi（1），Xi（2），…Xi（k）），其中，i=1，2，3…n為因素序號。

2）為了便于計算和比較分析，將原始序列進行無量鋼化處理以消除數量級大小不同的影響，一般采用初值化或均值化加以處理。使用初值化，即

5）求關聯度。因為關聯系數是比較數列與參考數列在各個時刻（即曲線中的各點）的關聯程度值，所以它的數不止一個，而信息過于分散不便于進行整體性比較。因此有必要將各個時刻（即曲線中的各點）的關聯系數集中為一個值，即求其平均值，作為比較數列與參考數列間關聯程度的數量表示，公式為

2.2 BP網絡預測模型

BP網絡采用“誤差逆傳播算法”，通過正向輸入，反向傳播誤差不斷迭代的學習過程，直到誤差減小到可接收的程度。一般的，包括輸入層、隱含層和輸出層的單隱層網絡就能以任意精度表示并揭示任何連續函數所蘊含的非線性關系。神經網絡結構圖如圖1所示。

圖1 BP神經網絡結構圖Fig.1 The BP neural network structure

2.2.1 隱含層數目的確定

隱含層神經元數目的確定是一個十分復雜的問題，通用的經驗公式有

式中：k為樣本數；n1為隱單元數；n為輸入單元數。

式中：m為輸入神經元數；n為輸入單元數；a∈［1，10］。

式中：n為輸入單元數。

Kolmogorov定理：n1=2n+1，n為輸入單元數

2.2.2 傳遞函數及訓練算法的選擇

神經網絡工具箱提供了3種傳遞函數，線性函數和非線性函數S函數或S型曲線（Log-sigmoid函數和Tan-sigmoid函數）。實踐證明，中間層神經元傳遞函數選用S型正切函數，輸出層神經元傳遞函數選用S型對數函數具有比較好的擬合效果。同時，工具箱中還包含了4種訓練函數，分別是梯度下降的BP算法、梯度下降動量BP算法、梯度下降的動量及自適應算法和Levenberg-Marquardt算法，選擇哪種訓練函數則要根據處理問題的不同而議。

2.2.3 數據的預處理和后處理

為保證數據同一量綱，需要將數據歸一化為區域［0，1］之間的數據。而對于S型曲線來說，在接近0或1的時候訓練效果會明顯下降，因此，為了避免數據落入飽和區域，保持數據的原有特征，根據經驗，將數據規范到［0.15，0.85］來進行修正。故可通過來處理輸入數據。同理，采用反歸一化處理輸出數據。

3 實證分析

3.1 預測指標的建立

對江西省物流需求進行預測，考慮到統計數據的可獲得性以及指標間的相關性，選取貨運量Y1（萬噸）或貨運周轉量Y2（億噸·公里）作為物流需求規模衡量指標。本著可操作的原則，選取用物流規模預測的經濟指標為：代表經濟規模對區域物流需求規模影響的地區生產總值X1（億元），代表區域經濟結構對物流需求規模影響的第一產業產值X2（億元）、第二產業產值X3（億元）、第三產業產值X4（億元）以及區域物流的重要組成部分區域零售總額X5（億元）、區域外貿總額X6（億元）、居民消費水平X7（億元）。

3.2 數據來源

本文選取的數據資料來源于江西省歷年的統計年鑒，如表1所示。根據樣本數據選取原則，將1996至2009年的數據作為網絡訓練樣本，將2010和2011年的數據作為網絡測試樣本，最后用訓練好的網絡預測2012到2017年的物流需求規模。

表1 江西省歷年貨運量、貨運周轉量與經濟指標數據Tab.1 Freight，freight turnover data and economic indicators over the years in Jiangxi

由于BP網絡預測方法在進行下一年度的預測時需知道下一年各影響指標的值。按照各影響因素從1996年到2011年的年均增長率來設定未來5年的經濟指標數據，如表2所示。

表2 江西省2012至2016年預測經濟指標數據Tab.2 Economic indicator prediction from 2012 to 2016 in Jiangxi億元

3.3 指標體系的相關性分析

選取X1、X2、X3、X4、X5、X6、X7作為江西省物流需求預測BP網絡模型的輸入，Y1、Y2為BP網絡模型的輸出。根據經驗公式，其中，m為輸入神經元數，n為輸入單元數，a∈［1，10］，將各可能的隱含層神經元個數代入matlab訓練，根據結果對比，當隱含層神經元個數為9時，網絡收斂速度最快，預測精度高，因此，將中間層神經元個數確定為9個。

通過1996至2011年的數據來計算關聯度，可得

以貨運周轉量Y2為系統特征值，計算與Xi之間的灰色關聯度。

由以上關聯系數結果可知，Y1、Y2與Xi之間的關聯系數都大于0.8，說明他們之間都具有強關聯性，故選取Xi（i=1，2，…7）為網絡的輸入，Y1、Y2為網絡的輸出是非常可行的。江西省的貨運量與經濟的關聯性強弱排名為ry12＞ry17＞ry15＞ry11＞ry14＞ry13＞ry16，同時，江西省周轉量與經濟的關聯性強弱排名為ry22＞ry27＞ry25＞ry24＞ry21＞ry23＞ry26，各不同影響因素對江西省貨運量與周轉量的關聯性影響一致。

第一產業產值排名第一，說明江西省是個農業大省，全省農村人口3 200萬人，約占總人口的77%，并正在向著農業強省跨越。江西省全面落實農機具購置補貼政策，穩步推進經濟作物和養殖業的機械化，改革創新以市場經濟的理念構建現代農業發展新機制，培育和發展農業社會化服務體系。隨著社會的發展，江西省的經濟結構在繼續發揚農業絕地領先優勢的同時逐漸由第一產業向第二產業、第三產業位移調整。居民消費水平指標排名第二，區域零售總額排名第三，說明江西省物流服務在消費和流通領域的社會化程度比較高，居民的社會消費品零售總額增長，消費能力增強。電子商務的發展，網絡平臺的構建，消費渠道的增多以及人民持續消費觀念意識的強化都極大的促進了居民消費水平的增長。而居民消費的增長會刺激拉動物流需求的增加，帶動整個物流業的發展。地區生產總值排名第四，而作為地區生產總值一部分的第一產業產占地區生產總值的絕大部分，第一產業的影響力遠大于第二、三產業，說明江西經濟發展方式單一化，發展水平還比較落后。第三產業排名第五，服務業等第三產業的發展促進了城市化硬件設施的完善，物流、商流、資金流、信息流的發展以及人民生活水平的提高。我們要充分挖掘江西省第三產業的巨大潛力，協調各服務行業的健康發展，有重點的發展江西特色旅游服務業。第二產業排名第六，說明我省第二產業的發展還有巨大的上升空間。第二產業的發展將是城市化進程加速的主動力，支柱產業和主導產業的形成能帶來穩定的物流需求。排在最后一位的是區域外貿總額，說明外貿對江西物流需求的影響很少，從深層次揭示了江西省的出口外貿水平還比較低。江西省應充分利用沿江通海的區位優勢和低成本優勢，大力發展有區域特色和競爭優勢的產品出口，將外貿增長方式由粗放型向集約型轉變，招商引資，加大吸引外資的力度，大力發展國際服務業務。

3.4 網絡訓練與預測

以traindm作為訓練函數，在訓練次數為15 000次，目標誤差為0.000 01的情況下，經過14 994次訓練后，網絡達到目標要求，預測誤差曲線如圖1所示。

圖1 所有樣本的訓練誤差曲線Fig.1 Training error curve of all samples

表3 BP網絡檢驗樣本預測值與實際值比較Tab.3 Comparison between the actual and estimated value of BP network test samples

由圖1可以得出結論，該網絡能夠很快收斂，并且很好的擬合了輸入因素與輸出因素的線性關系。表3的結果顯示，檢驗樣本的預測值與實際值之間的平均絕對誤差為0.311 3%?？芍?，神經網絡的學習誤差基本上在很小的范圍內，將2010年和2011年貨運量與周轉量的預測值和實際值進行檢驗，預測精度較高，達到滿意的效果。故可用上面訓練好的神經網絡來預測2012—2016年的貨運量和周轉量。

全部數據輸入網絡的訓練結果如圖2所示，預測誤差曲線如圖3所示。

圖2 所有樣本的訓練誤差曲線Fig.2 Training error curve of all samples

由圖2可知，在訓練次數為1 500次，目標誤差為0.000 01的情況下，經過11 798次訓練后能達到滿意的效果。由圖3可知，預測值與實際值大體接近，最大誤差小于2%，預測能力很強。

預測的結果為

圖3 貨運量、貨運周轉量的預測誤差曲線Fig.3 Forecast error curve of freight and freight turnover

對預測結果數據進行反歸一化，得到輸出結果

圖4 貨運量、貨運周轉量的變化趨勢Fig.4 Change trend of freight，freight turnover

通過上面對江西省貨運量以及貨運周轉量的預測結果分析可知，江西省物流需求在未來5年內將有較快的增長，表現為貨運量將從2012年的63 312.48億噸增長到2016年的66 735.86億噸，增長5.41%，貨運周轉量也將從2012年的1 445.36億噸。公里上升到2016年的1 656.33億噸。公里，增長14.60%。

3 結論和建議

從江西省的經濟發展和物流需求現狀出發，通過灰色關聯分析，得出區域經濟發展與區域物流之間具有內在的邏輯性和強關聯系。這就決定了我們可以用區域經濟的發展狀況來預測區域物流的需求。通過對江西省2012年至2016年的物流需求規模和結構進行預測，結果顯示，江西省的物流需求將會有較快的增長和長足的發展，逐漸向現代大物流邁進。江西省物流需求與經濟的發展是息息相關的，經濟的飛速發展勢必會為物流需求的增長推波助瀾，而區域物流能力的增強也會對江西經濟的發展起促進作用。因此，政府在面對江西省未來巨大的物流需求及發展的形勢下，抓住“十二五”這一關鍵時機，緊跟經濟發展動態，科學的制定物流發展規劃和政策，保持區域物流的供需平衡，實現資源的優化配置和經濟效益的最大化，推動物流業的健康快速發展。

第一，增加地區外貿總額，大力發展對外經濟。江西應在中部崛起戰略的契機下，倚靠作為長三角縱深腹地，沿江通海，承接沿海地區資本外溢、產業轉移的地域優勢，轉變觀念積極發展對外貿易。依托現有的交通運輸設施，構建多式聯運與轉運設施工程。構建一個以南昌為中心的高效便捷、功能完備、貨暢其流、集散有序、布局合理的現代物流網絡，著力將南昌培育成為一個具有重要影響力的國際物流樞紐。

第二，完善物流基礎設施建設，提高物流的信息化水平，構建現代物流信息系統平臺以迎合未來物流貨運量和周轉量的大幅度增長。隨著江西省第二、三產業比重的加大和快速增長，對物流需求具有高附加值的發展趨勢。鼓勵自主創新，加強物流新技術的開發與應用，提高物流運作效率。加大物流人才的培養，讓更多民營企業進入物流市場，加快第三方物流企業的發展成了大勢所趨。

第三，在繼續保持農業優勢的前提下，積極促進二、三產業對物流的帶動效應。促進物流業與其他產業的聯動發展，提升相關產業價值，促進地區零售額的增長，推進各大產業體系平穩前行。加強網絡和節點的科學合理布局，為客戶提供一站式服務，利用信息化管理手段，提高物流裝備的專業化和現代化。運用供應鏈運作模式，引導企業對工作、物流、信息和資金等進行流程改造，實現物流產業與其他產業的共同發展。發揮科技支撐作用，促進經濟的健康快速發展。

[1]李青峻.基于灰色關聯分析的重慶市物流產業影響因素研究[D].重慶:重慶工商大學,2011.

[2]田剛,李南.江蘇省物流貨運量灰色預測及灰色關聯研究[J].價格月刊,2010(4):83-85.

[3]張佳紅,李亮亮.港口物流與區域經濟灰色關聯度——以河北省為例[J].物流科技.2012(7):6-10.

[4]王晶瓊,張鳳濟,劉俐.基于灰色關聯模型的蘇北物流經濟影響因素分析[J].物流工程與管理.2011(5):51-53.

[5]宿夢思,張志清.基于BP神經網絡和證據理論的區域物流需求預測[J].物流工程與管理.2009(10):21-22.

[6]何霞.基于灰色系統和神經網絡的省級區域物流需求預測[D].長沙:長沙理工大學.2009.

[7]金橋.基于人工神經網絡算法的港口物流需求預測研究及實證分析[D].北京:北京交通大學.2008.

[8]陳治亞,周艾飛,譚欽之,方曉平.基于改進的BP人工神經網絡的物流需求規模預測.鐵道科學與工程學報,2008(6):62-68.

[9]高曉月,封學軍,蔣柳鵬.南京港集裝箱生成量預測與發展措施建議[J].華東交通大學學報,2013,30(1):91-95.

Logistic Demand Forecasting in Jiangxi Province Based on Grey Correlation

Zhang Cheng,Feng Yaping
(School of Economics and Management,East China Jiaotong University,Nanchang 330013,China)

Regional logistics and regional economies are closely connected.In order to accurately predict the de?mand size of the regional logistics,this paper uses grey correlation to analyze economic factors thatmay determine the regional logistic demand.It establishes regional logistic demand forecasting index system and BP neural net?work of regional logistic forecastingmodel.The empirical analysis verifies the validity of the predictionmodel,and provides a prediction of logistic needs in Jiangxi for the following five years.

regional logistics;regional economy;artificial neural network

F259

A

2013-11-03

江西省軟科學研究計劃項目（20122BBA10104）；科技部國家軟科學研究計劃項目（2010GXS5D224）

張誠（1962—），教授，博士，研究方向為物流管理。

1005-0523（2014）04-0026-07