物流需求量灰色—馬爾科夫鏈預測模型分析研究

劉春月

摘 要：物流企業最優資源配置受物流需求量的影響，建立精確的物流需求預測模型是關鍵。針對單一物流需求量預測方法預測精度不高的問題，提出了馬爾科夫鏈—灰色預測模型，鑒于運輸在物流系統中的重要地位及數據的可得性，將貨運量作為代表物流需求的指標。以淮安1996～2014年貨運量作為基礎數據，對淮安物流需求量進行定量預測。結果顯示，馬爾科夫鏈—灰色預測模型預測精度比單一預測模型的預測精度有很大提高，驗證了該模型的有效性。

關鍵詞：灰色；馬爾科夫；貨運量

中圖分類號：F250 文獻標識碼：A

Abstract： The best enterprise resource allocation of logistics is affected by logistics demand. The key problem is building the forecasting model of logistics demand. Grey-Markov chain is put forward according to the problem of low prediction accuracy based on single forecasting model. In view of the importance of transportation in logistics system and the availability of data， this paper forecast the logistics demand of Huaian quantitatively with freight volume as the index and the historical data of the period form 1996 to 2014 as the sample. The results showed that the model based on Grey-Markov chain forecasting accuracy is higher than single forecasting model prediction accuracy. The validity of the model is verified.

Key words： grey； Markov chain； freight volume

0 引 言

實現物流企業資源最優配置的前提是準確預測分析物流需求。物流需求指一定時期內的社會經濟活動對生產領域的原材料、半成品，流通、消費領域的成品、商品以及廢舊物品等的配置作用而產生的對物品在時間、費用和空間方面的要求。是社會活動在運輸、倉儲、包裝、裝卸搬運等各物流環節中所提出的有支付能力的需要。

部分學者對物流需求的有效預測進行了研究。符瑛、王立新[1]采用統計學的方法通過對長株潭區域物流需求的實際數據進行挖掘和分析，確定了影響物流需求的主要影響因素；可見，在建立商品需求情報分析預測模型上，應該綜合考慮多因素的影響，建立更為精確的預測模型。湯兆平[2]等分析了鐵路局管內物流需求的特征和影響因素，采用統計學中的ARIMA模型建立了鐵路物流需求預測模型，實證分析，ARIMA物流需求預測模型能在鐵路管內物流需求預測上具有較好的預測效果。何國華[3]分析了影響區域物流需求的主要指標，指出物流需求應該預測的內容，從而建立了基于灰色預測的區域物流需求預測模型。鄧琪、余利娥[4]從國民產業經濟相關性入手，根據投入產出的消耗系數來構建了一套安徽物流需求預測模型，采用產業關聯法對物流的需求進行預測。黃毅、夏國恩[5]針對物流需求預測中存在的影響因素眾多，且各因素之間出現的非線性關系，建立了基于支持向量機的預測模型，并用于對廣西物流需求的預測，實證分析，基于向量機的物流預測模型在對物流需求量的預測上精度較高。孫志剛[6]針對采用支持向量機進行物流需求預測模式，在求解上存在一定的難度，甚至出現所求解限于局部最優的情況，提出了基于蟻群算法的支持向量機物流需求預測模型，有效提升了預測模型建模時間。曹萍、陳福集[7]構建了基于灰色神經網絡的物流需求預測模型，并采用遺傳算法對模型進行求解。

從以上分析可看出，大部分學者都運用單一模型對物流需求進行預測，單一預測模型預測精度不高，而采用非線性的智能預測模型，計算復雜度較高。為了提升物流需求預測精度，降低復雜度，提出了組合預測模型，采用灰色—馬爾科夫鏈組合預測模型能夠有效提高預測精度。通過灰色處理將歷史數據處理平滑，滿足馬爾科夫鏈預測前提。同時馬爾科夫鏈能夠把數據分成不同的狀態并找出變化規律，能夠補償灰色對長期預測擬合性差的不足。

1 GM1，1建模

（3）結果分析。運用馬爾科夫鏈修正后的模型提高了預測精度。2013年，從運輸情況來看，貨運需求穩中偏弱。受需求減弱和大宗商品交易量下降等因素影響，貨運量和周轉量的增速均有較大回落。從統計數據來看，總貨運量沒有按照一般規律增加，而是出現了下降，因此修正后的預測結果比其他年份的準確程度略低，除2013年特殊情況外，馬爾科夫修正后的模型預測精度都比修正前有了很大的提高。

（4）結論。對淮安市貨物量的預測問題上，運用了灰色模型，在此基礎上運用馬爾科夫鏈進行修正，結果表明：①貨物運輸量的預測特點是隨機波動性和非線性，利用灰色GM1，1建模，在原始數據量較少的情況下，對運用灰色模型求得的預測值例分析表明，該模型的預測結果與實際值基本相符，相對殘差（絕對值）分別為9.3%、14.3%、20.3%、18.4%、7.9%和9.4%。②從預測分析的結果來看，單項預測模型具有一定的缺陷，采用馬爾科夫鏈修正灰色預測模型，既能反映系統中的內在規律性，又能預測出數據變化發展的總體趨勢，這樣對于隨機波動性較大的預測問題就能夠用該模型進行描述。利用單項灰色預測模型與基于馬爾科夫鏈修正的灰色預測模型，對淮安市2009～2014年的貨運量進行預測，其修正后的殘差（絕對值）分別為4.3%、0.64%、10.3%、12.8%、9.5%、7.0%和7.0%。由此，馬爾科夫鏈修正的灰色貨運量預測模型具有較強的實用性。可嘗試在其他領域使用馬爾科夫鏈理論修正組合預測模型，從而對組合模型的預測精度進行改進，提高模型的應用價值。

參考文獻：

[1] 符瑛，王立新. 長株潭區域物流需求預測影響因素分析[J]. 中南林業科技大學學報（社會科學版），2012（2）：62-64.

[2] 湯兆平，等. 基于ARIMA模型的N鐵路局管內物流需求預測研究[J]. 經濟問題探索，2014（7）：76-81.

[3] 何國華. 區域物流需求預測及灰色預測模型的應用[J]. 北京交通大學學報（社會科學版），2008（1）：33-37.

[4] 鄧琪，余利娥. 基于產業關聯的安徽省物流需求預測[J]. 統計與決策，2013（17）：109-111.

[5] 黃毅，夏國恩. 基于支持向量回歸機的廣西物流需求預測[J]. 科技管理研究，2011（2）：142-144.

[6] 孫志剛. 蟻群優化支持向量機的物流需求預測[J]. 計算機系統應用，2013（5）：107-110.

[7] 曹萍，陳福集. GA—灰色神經網絡的區域物流需求預測[J]. 北京理工大學學報（社會科學版），2012（1）：66-70.endprint