物流需求預測方法概述

張 璐，木 仁

（內蒙古工業大學，內蒙古 呼和浩特 010010）

ZHANG Lu,MU Ren

(Inner Mongolia University of Technology,Hohhot 010010,China)

1 國內外研究現狀

1.1 國內外研究現狀

Donald J.Bowersox 和David J.Closs 在《物流管理—供應鏈過程一體化》中提出，物流需求有三大技術類別：時間序列、定性和因果關系的，時間序列技術集中于在歷史模式和歷史模式的變化上進行預測[1]。

2003年，由于有法律法規等相關政策做支撐，Kevin 等人對所建立補償預測模型的基本要素、空軍庫存管理的功能進行了分析，并比較了該模型與原材料需求計劃模型的相同點和不同之處[2]。

2001年，根據20 世紀60年代印度的貨物需求數據，Mudit Kulshreshtha 等人用時間序列模型推導出貨物需求量之間的關系，并進行動態計量經濟時間序列建模，通過VAR 模型對建模數據進行預測，結果證明高彈性的GDP 和低彈性的價格，包括實際運價，都會對經濟產生重大影響[3]。

1.2 國內研究現狀

趙啟蘭、王稼瓊、劉宏志在《物流規劃中的需求與潛在需求分析》中對物流需求分析是區域物流規劃中的一個關鍵問題，體現出物流服務的多樣性、物流需求主體的廣泛性和物流需求的潛在性[4]。

潘育新在《零售業連鎖店配送中心的物流研究》中分析了配送中心物流規劃的基本內容，通過對連鎖店配送中心物流流程的設計，歸納出實際運作中的典型運行程序和物流作業流程，在此基礎上對物流流程中的采購、存儲、流通加工、配送和信息處理這五個重要的物流環節進行深入分析[5]。

王曉原、李軍討論了灰色預測模型以及灰色預測模型在物流規模預測中的應用，建立了基于灰色預測理論的GM（1,1）模型，敘述了運用GM（1,1）模型進行預測的詳細步驟，并以山東省的物流規模預測為例進行了實際應用，最后用殘差檢驗和后驗差檢驗的方法對預測結果進行了檢驗，證明了預測結果的可信性[6]。

耿勇、鞠頌東、陳婭娜基于對經濟與物流之間內在關系的研究提出的“經濟一物流需求”轉換BP 神經網絡預測模型。該模型在一定程度上反映了經濟與物流需求之間的復雜映射關系，它不同于簡單的物流需求線性回歸或時間序列預測模型，該模型采用經濟指標來對區域物流需求進行預測，為從經濟與物流一體化的角度研究物流需求提供了新的思路[7]。

謝實海在《區域物流中心布局規劃研究》一文中首先分析區域物流中心的含義、主要功能和建設意義，以及貨物集散系統、物流信息系統、物流控制系統等區域物流中心三大系統的相互關系。論文認為物流需求量是區域物流中心功能設計和規模確定的依據[8]。

林連、林樺基于改進的BP 神經網絡在港口物流量預測中的應用中提出針對傳統BP 神經網絡模型收斂速度慢的缺陷，對其進行改進，以提高收斂速度。經運用廈門港物流出口量的歷史數據進行檢驗分析，給出BP 神經網絡仿真計算方法，其仿真結果與實際結果進行了比較[9]。

張鵬在《基于神經網絡的預測方法及其在物流系統中的應用研究》一文中研究了基于神經網絡的物流預測理論和方法。文章指出了預測理論在解決實際問題所遇到的困難和不足，提出了一個改進的三層神經網絡BP 算法，初步建立了多種精度評價指標、符合現代物流預測需要的神經網絡預測模型，并給出了詳細的理論方法和設計步驟。并且對基于神經網絡的組合預測方法進行了研究，提出了一個神經網絡和指數平滑模型組合運用的預測算法[10]。

張華勤在《我國港口集裝箱運輸發展預測研究》一文中，針對我國港口集裝箱運輸發展的現狀和需求，分析了我國港口集裝箱運輸快速發展及其發展動力，對未來我國港口集裝箱吞吐量和集中化趨勢進行了預測，對國家如何加快我國樞紐港形成、企業制定適合自身發展的戰略提出了建議[11]。

黃麗在《隨機時間序列模型在物流需求預測中的應用》一文中分析研究物流定義在中美的發展演變，以及物流管理與物流管理系統，并建立了三種線性隨機模型對物流需求進行預測，并對預測的結果進行相應的分析和檢驗。

王麗華在《區域物流規劃中的物流需求預測研究》一文中以山西省為例，研究了如何對區域物流規劃的物流需求量進行預測，指出了影響預測的因素，建立了預測的指標體系，并列舉了常用的預測方法和預測的步驟。

劉靜在《關于物流需求的研究》一文中，使用了情景分析法對某一地區的物流需求量進行預測分析，并指出了物流需求分析的目的和相關的原則[12]。

2 物流需求預測含義

物流需求預測就是根據物流市場過去和現在的需求資料以及影響物流市場需求變化的因素之間的關系，利用合適的經驗判斷、技術方法和預測模型，對有關反映市場需求發展趨勢的指標進行預測。

物流需求源于社會各組成部分之間的生產生活，同時也受到物流供應系統的影響，因而它是社會活動的派生需求，與社會生產生活之間有著緊密的聯系。社會的各種生產生活因素的變化都會對物流需求產生重要的影響，隨之使實際物流量產生有規律而又隨機的變化。季節性變化、生產力的分布及經濟建設與發展的不同階段等因素都使得物流需求呈現出不同的特性。因此進行物流需求的預測十分復雜，對預測的內容和方法都提出了很高的要求，給物流需求預測帶來了很大困難。

3 物流需求預測方法綜述

當前物流需求預測模型主要分為兩大類：定性預測和定量預測。其中定性預測方法常用的有市場調查法、頭腦風暴法、德爾菲法等。定量預測又可以分為傳統線性模型和現代非線性模型及組合預測模型。傳統線性模型主要有回歸分析法、時間序列法、灰色預測模型等，非線性模型主要有隱馬爾可夫模型（Hidden Markov Models，HMM）、人工神經網絡（Artificial Neural Network，ANN）、最小二乘支持向量機（Least Squares Support Vector Machine，LSSVM）、交通斷面物流量預測等。

3.1 定性預測

定性預測在現實社會活動中應用最為廣泛，在科學技術不發達的時代，人們就是靠著定性預測的方法來預測事務的未來，從而指導人們的生產活動。所謂定性預測就是人們根據自己掌握的實際情況、實踐經驗、專業水平，利用判斷、直覺、調查或比較分析等方法，對經濟發展前景的性質、方向和程度做出的判斷，有時在對事務分析的基礎上也可以給出數量估計。

定性預測方法很多，常用的幾種定性預測方法有：

（1）頭腦風暴法

頭腦風暴法又叫智暴發（Brain Storming Method），是由Osborn 在1957年提出，便很快得到了廣泛的應用。其應用基本原理是通過一組專家共同開會討論，進行信息交流和互相啟發，從而誘發專家們發揮其創造性思維，促進他們產生“思維共振”，已達到互相補充，并產生“組合效應”的預測方法。它既可以獲取所要預測事件的未來信息，也可以弄清問題，形成方案，搞清影響，特別是一些交叉事件的相互影響。

（2）德爾菲法

德爾菲法（Delphi Method）又稱專家調查法，是由美國蘭德公司的達爾基（N.Dalkey）和赫爾默（O.Helmer）于1964年正式提出的。在正式提出后，很快就在世界上盛行起來。在初始階段，大多數預測案例都是科技預測的內容，因而許多人誤解為只是科技預測的一種方法，實際上并非如此。現在，此法的應用遍及社會、經濟、科技等各個領域，應用頻率較高。

（3）市場調查法

市場調查法也稱為直接歸納法或經濟調查法。市場調查法是通過各種不同的方法收集數據，并加以歸納匯總，在考慮其他因素的影響后，做出預測。

定性預測法的優勢在于需要的數據較少，能考慮無法定量的因素且簡便容易，在缺少足夠統計數據和原始資料的情況下，可以根據經驗做出一些定性估計和得到從資料上不能直接得到的信息，這種預測方法很大程度上取決于政策和專家的努力，而不是技術基礎，因此，它是一種不可缺少的靈活的經濟預測方法，但其劣勢就在于人的主觀因素影響較大，方法難標準化，準確性較難把握。在掌握數據不多、不夠準確或是主要因素難以量化的、主觀的，可采用定性預測方法。

當經濟環境、系統結構發生大的變化，或建立新的系統時，如：新產品需求預測、新技術的影響等，這是無法用定量預測方法進行預測的，而這時定性預測卻是一種行之有效的方法。系統中一些無法定量的因素，只能通過判斷，進行定性分析及預測。如：黨和國家方針政策的變化，消費者心理的變化對市場供需變化影響等。另外，在進行定量預測時也需要進行定性分析及定性預測。如：確定預測問題的影響因素、對預測值的修正、對突變因素影響的預測等。由于物流量預測本身的特點，在物流量預測中定性預測更是在整個預測工作中是不可缺少的預測方法。

3.2 定量預測

3.2.1 傳統線性模型

傳統線性模型主要有回歸分析法、時間序列法、灰色預測模型等。回歸分析方法就是在大量實驗觀測數據的基礎上，找出這些變量之間的內部規律性，從而定量地建立一個變量和另外多個變量之間的統計關系的數學表達式。時間序列預測法是一種歷史資料延伸預測，也稱歷史引伸預測法。是以時間數列所能反映的社會經濟現象的發展過程和規律性，進行引伸外推，預測其發展趨勢的方法。灰色預測是通過鑒別系統因素之間發展趨勢的相異程度，即進行關聯分析，并對原始數據進行生成處理來尋找系統變動的規律，生成有較強規律性的數據序列，然后建立相應的微分方程模型，從而預測事物未來發展趨勢的狀況。灰色預測是一種對含有不確定因素的系統進行預測的方法。

3.2.2 非線性模型

非線性模型主要有隱馬爾可夫模型（Hidden Markov Models，HMM）、人工神經網絡（Artificial Neural Network，ANN）、支持向量機（Least Squares Support Vector Machine，LSSVM）等。

隱馬爾可夫模型馬爾可夫鏈，因安德烈·馬爾可夫（A.A.Markov，1856～1922）而得名，是數學中具有馬爾可夫性質的離散時間隨機過程。該過程中，在給定當前知識或信息的情況下，過去（即當期以前的歷史狀態）對于預測將來（即當期以后的未來狀態）是無關的。它是利用狀態之間轉移概率來預測事件接下來會發生的狀態或者發展變化趨勢[1]。

支持向量機（Support Vector Ma-chine，SVM）是建立在統計學習理論上的機器學習方法，已經在實際應用中得到很大的發展。近幾年更得到了迅速的發展，支持向量機理論具有強大的泛化能力，且建模簡單，但預測指標較少，無法將所有影響因素考慮在內，適用于簡單預測。

人工神經網絡是近幾年發展迅速、且比較準確的一種預測方法，人工神經網絡模型是為了模擬生物大腦神經系統的運作方式而建立的一種數學簡化模型。因此，神經網絡擁有與生物大腦神經系統相似的特點：

（1）具有高度的并行結構和信息處理能力

人工神經網絡的智能計算特性表現在層間神經元的同步計算。且由大量的神經元以串并聯的方式構成的系統，并行處理能力更強，因而具有高速信息處理能力。

（2）具有很強的自學習和信息記憶能力

人工神經網絡模型的有效信息存儲在整個系統中，并不是在某幾個神經元中。事實上，各神經元和神經元間的作用強度都表示部分信息。若想完整地存儲某個信息，必須是整個系統參與學習和記憶。

（3）具有很強的容錯能力

由于人工神經網絡模型的有效信息存儲在整個系統中，并不是在某幾個神經元中。因此部分神經元損壞或者暫停工作，并不會影響網絡性能的展示。換言之，數據部分屬性丟失不會影響系統的正常工作。

4 總結

本文對物流預測國內外研究現狀進行了分析，對現有預測方法進行了系統介紹，對物流預測方法的選擇具有現實意義。

[1]唐納德J.鮑爾索克斯.物流管理：供應鏈過程一體化[M].北京：機械工業出版社，1998.

[2]Kevin Gaudette,H.Kenneth Alcorn,Matthew Mangan.Reparability forecasting Model[J].Air Force of Logistics,2003(4):40-42.

[3]Mudit Kulshreshtha,Aarnali Nag,Mukul Kulshrestha.A Multivariate Cointegrating Vector Auto-regressive Model of Freight Transport Demand:Evidence from Indian Railways[J].Transportation Research,2001(3):29-45.

[4]趙啟蘭，王稼瓊，劉宏志.物流規劃中的需求與潛在需求分析[J].中國軟科學，2004(2):92-95.

[5]潘鑫俊.廣東省物流需求分析[D].廣州：廣東外語外貿大學（碩士學位論文），2007.

[6]王曉原，李軍.灰色GM（1,1）模型在區域物流規模預測中的應用[J].武漢理工大學學報，2005(3):415-417.

[7]耿勇，鞠頌東，陳婭娜.基于BP 神經網絡的物流需求分析與預測[J].物流技術，2007(7):35-38.

[8]謝實海.區域物流中心布局規劃研究[D].南京：東南大學（碩士學位論文），2001.

[9]林連，林樺.基于改進的BP 神經網絡在港口物流量預測中的應用[J].交通信息與安全，2009(5):161-165.

[10]張鵬.基于神經網絡的預測方法及其在物流系統中的應用研究[D].武漢：武漢理工大學（碩士學位論文），2002.

[11]張華勤.我國港口集裝箱運輸發展預測研究[D].武漢：武漢理工大學（碩士學位論文），2002.

[12]劉靜.關于物流需求的研究[D].大連：大連海事大學（碩士學位論文），2006.

[13]后銳，張畢西.基于MLP 神經網絡的區域物流需求預測方法及其應用[J].系統工程理論與實踐，2005(12):43-47.