基于主成分-支持向量回歸機的社區物流需求預測—以北京市通州區為例

（北京物資學院 物流學院，北京 101149）

1 前言

隨著電子商務的快速發展，網購已經逐漸受到居民的青睞，進而帶動了社區物流需求量逐年上升，社區由此出現了多種不同的物流服務模式，但由于服務主體多元、分散，社區物流服務無法形成規模化和集約化，存在著服務范圍交叉重疊、物流資源浪費、快遞配送網點重復建設等問題，占路、擾民現象時有發生。因此，準確預測社區物流需求量和未來發展趨勢，不僅能夠為社區物流服務主體在物流服務過程中物流資源和設施的投入提供依據，而且在一定程度上可以實現社會物流資源的優化配置，促進物流服務模式的創新。

目前，理論界對社區物流的定義還沒有統一的規定，本文中社區物流是指“以城市的社區為服務范圍，以城市的社區商業和居民為服務對象，將快遞及餐飲、生鮮商品、日用品等從上游電商或快遞企業直接配送到社區，或社區的商店將居民在網上下單的商品配送到其指定目的地的物流形式?！?/p>

2 社區的主要物流需求類型

（1）郵政快遞類。快遞是指承運方在托運方指定的時間范圍內，將物品配送到指定的地點或客戶手中的過程。隨著電子商務的快速發展，帶動了快遞業務的迅猛增長，快遞包括消費者在網上購買的服裝、圖書、電子產品以及商務函件等。據中研網發布的數據顯示，2016年全國人均快遞量約為22.6件/年，年均增長3.68件。

目前，社區末端的快遞企業主要是先把各類快遞在社區上游的共同配送中心進行集中，然后根據產品類型和流向進行分類，對于同一流向的產品由社區末端服務網點進行集中配送。

（2）一般日用消費品。一般日用消費品是保障人們正常生活的必需品，按照其用途可以分為廚衛用品類、洗化用品類、生活日用類、紡織用品類、時尚家飾類、保健康體類、家居用品類等。社區居民對一般日用消費品的物流配送需求，主要由開通線上銷售渠道的連鎖超市、便利店、小飯店等社區商戶提供服務，而由于社區物流服務半徑內社區居民及商戶的數量在一定時間內趨于穩定，所以社區居民對一般日用消費品的需求也相對穩定。

（3）生鮮果蔬類產品。生鮮果蔬類產品配送成本及配送難度較大，目前社區這類產品的物流配送尚處于發展階段。生鮮果蔬類產品主要包括新鮮水果、蔬菜、花卉、肉、蛋、奶等，生鮮果蔬類產品具有保存周期短、溫度靈敏性高的特點，因此物流配送活動中對外界環境和時間都有著嚴格高要求，必須使用特定的配送工具或保溫等裝置，以保證配送產品的外形、品質等完好無損。此外，消費者在網上購買此類產品時，需要額外繳納較高的配送費，因此居民對這類產品的網上購物需求較少，進而這類產品的社區物流需求也較低。

3 社區物流需求特征分析

（1）社區物流需求主體較分散。從社區居民需求地域來看，需求地點分散，不集中，而周邊商業設施也緊密圍繞社區需求點布局，這種布局造成了社區物流服務商在一定程度上的分散，主要采取各自為營的服務模式，最終給集約化物流配送造成一定程度的困難。

（2）對社區物流服務水平的要求較高。社區商家為了提升客戶的購物體驗，一般可以為顧客少量單批次配送服務，這就會使得商戶對合作的第三方外賣平臺的物流效率有較高需求。此外，對于以自營模式為居民提供社區物流服務的商戶來說，居民對社區物流的配送時效同樣要求較高，尤其對冷鮮、冷凍類食品的配送要求必須要達到及時、可靠、準確的服務水平。對于社區的快遞業務，居民越來越傾向于選擇“送貨上門”的服務模式，但是由于單次快遞包裹配送量較大且需求點較分散性等原因，將每件快遞“送貨上門”對快遞員來說逐漸成為一種挑戰，通過統計調查問卷，居民對社區物流評價的服務滿意度較低，平均分不足70分。

（3）社區的物流需求頻數多、單次需求量較少、需求種類較多。社區的物流需求特征主要表現在頻數多，單次需求量較少，需求種類較多等，且快遞包裹占需求量的絕大部分，果蔬、生鮮、日用消費品等單次需求量較少，鑒于社區商業和社區居民數量也相對穩定，從而使得快消品的需求總量相對穩定。從需求頻率來看，居民對快遞及快消品的需求頻率較高，且需求時間靈活，據統計，快遞的需求量約每人每天1-2件。

4 北京市通州區社區物流需求量預測

4.1 主成分-支持向量回歸機組合預測模型原理及優勢

本文采取主成分-支持向量回歸機組合預測模型，在不影響各個指標貢獻度的情況下，借助主成分分析法處理數據的優勢，有效避免了運用支持向量回歸預測模型進行預測時由于數據復雜造成的時間長、過學習等缺點，提高了預測結果的準確度。

主成分分析法把研究對象的若干指標變量重新組合成一組新的、線性無關的幾個綜合指標來代替原來的指標變量，同時根據實際需要，按照設定的累計貢獻率的臨界值，選取少數幾個綜合指標，實現對研究對象的簡化與綜合評價。其數學模型如下：

公式中Yi為所求得的第i個綜合指標；n為原始數據的指標個數，系數a1i,a2i,…,ani為因子Yi的載荷量，滿足。

支持向量機[1]簡稱SVM（Support Vector Machine），是建立在統計學習理論上的機器學習方法，其核心內容是在經驗風險最小化的原則下對歷史數據進行統計學習并對其進行訓練預測。

式中：目標函數用來控制泛化能力；約束條件用來減少經驗風險；C為懲罰函數，用來控制樣本誤差和機器泛化能力之間的平衡。

4.2 社區物流需求預測指標選取

通過查閱通州區統計年鑒發現，通州區以發展第三產業為主，重點推動區內消費升級；此外，通過實地調研該區域的商業需求及物流產業結構發現，該區域中80%的公路貨物運輸量主要流向城市社區。故本文用通州區80%的公路貨物運輸量代替社區物流需求量進行預測，以“萬t”為計量單位，通過專家意見法列舉了8個量化指標，建立了通州區社區物流需求預測指標體系，見表1。

4.3 預測過程分析

4.3.1 主成分分析法處理原始指標數據。由于選取的各個指標具有不同的量綱，為了避免指標單位不統一而造成預測結果的偏差，需要對不同的指標進行去量綱處理。經檢驗，原始數據的KMO值為0.822，比較接近于1，根據相關的原理說明本樣本數據可以進行主成分分析，故本文采用SPSS軟件的主成分分析功能對數據進行去量綱處理，見表2。

表1 通州區社區物流需求預測指標（單位：萬t）

表2 原始數據的KMO和Bartlett的檢驗

利用主成分分析法對指標的相關性進行分析，從相關性分析結果可以看出，8個物流需求量化指標因素中，只有道路長度X8這一因素與其他指標之間的相關系數較低，最小的相關性僅為0.378，可以認為相關性較弱，所以綜合考慮決定剔除“道路長度”這一因素，見表3。

對剔除X8后的指標數據進行主成分分析進而縮小數據的樣本量，見表4。從表4可以看出，前三個主成分的累積貢獻率已經達到99.821%，很好的保留所有指標數據對貨物運輸量的影響。所以，本文只需保留前三個主成分就能代表所有指標的數據量。

表3 量化指標間的相關性分析矩陣

表4 主成分統計信息

表5 成份因子得分系數矩陣

由表4和表5可以看出，主成分Z2、Z3的貢獻率分別為5.455%和0.417%，貢獻率較小，可以忽略；當主成分Z1的貢獻率為93.685%時，郵政業務總量X7的系數最大，為0.719，與Z1成正相關，這說明郵政業務總量是影響公路貨運量的主要因素。同時，根據北京市郵政管理局發布的《2016年郵政業發展統計公報》顯示，郵政業務總量包括郵政普遍服務（函件業務、包裹業務、報紙業務、雜志業務）及快遞業務，其中快遞業務占比約70%，這說明快遞業務量占郵政業務總量的比重較大，進一步說明快遞業務量是促進通州區公路貨物運輸量增長的主要因素。

此外，主成分Z1中電子商務網絡零售交易額、城鎮居民人均消費性支出的系數分別為-0.679、-0.066，與Z1成負相關，是導致貢獻率未達到100%的重要原因。這可能說明，隨著城鎮居民消費水平的不斷提高，城鎮居民消費結構不斷升級，反映出通州區城市居民正在逐步轉向高端市場消費，對一般日用生活物品等中低端市場產品的需求量有所降低，這在一定程度上促使電子商務零售交易額增速降緩，而該區域社區物流需求又以郵政業務（快遞業務）為主，所以最終會對社區物流需求量產生一定的影響。

4.3.2 支持向量回歸機模型預測物流需求量

（1）查詢最優訓練參數。在構造模型進行預測之前，本文首先利用python和gnuplot軟件進行模型參數尋優，經過訓練懲罰函數c=1 024，RBF核函數中系數γ=1，損失函數ε=0.25，結果如圖1所示。

圖1 查詢最優參數結果

（2）帶入最優參數進行模型求解。將參數尋優得出的3個系數用來進行ε-SVR模型的訓練，輸入如下命令：

Svm-train-s3-t2-c1 024-g1-p0.25 data.txt后，會產生ε-SVR模型，如圖2所示。

通過訓練得出ε-SVR預測模型，將測試樣本test.txt進行預測分析，輸入的命令如圖3所示，得出預測結果。

（3）擬合精度檢驗并預測未來值。預測結果分析見表6。

假定預測結果誤差低于0.2在可以接受的范圍內，由預測結果可以看出，使用支持向量回歸機模型進行預測的誤差均低于0.2，但是本文采取的組合預測法的預測精度相對較高，驗證了該方法對提高模型預測精度的有效性。

最后，本文對未來5年內通州區社區物流需求量進行了預測，發現未來5年內通州區城市社區物流需求量保持較穩定增加，社區物流市場缺口較大，見表6。

圖2 ε-SVR模型

圖3 測試樣本test.txt的預測分析

表5 預測結果分析表

表6 社區物流需求預測結果 單位：萬t

4.4 預測結果分析

通過上述預測過程可以看出，隨著電子商務的快速發展，目前通州區社區物流需求主要以郵政業務（快遞業務）為主，新興的電商業態以及居民高水平的消費潛力是推動社區物流需求量增加的重要因素。

通過預測社區物流需求量和未來發展趨勢，不僅能夠為社區物流服務主體在物流服務過程中物流資源和設施的投入提供依據，而且在一定程度上可以實現社會物流資源的優化配置，促進物流服務模式的創新?；谖锪鳟a業的現代服務業重構已經成為新的發展趨勢，解決通州區巨量的、碎片化、多樣化的社區末端物流服務需求需要全新的系統化視角。流通模式和物流服務屬于雙螺旋式的互相促進發展關系，物流模式創新將推動流通業發展，因此如何通過物流服務實現各類物流資源的優化配置成為社會資源整體配置的重要內容。

為了滿足通州區巨量的、多樣化的社區物流需求，京津冀協同發展對通州區尤其是城市副中心的社區物流服務功能提出了新的要求，未來充分利用現代技術發展的優勢，突破理論研究中的關鍵問題，實現社會物流資源優化配置，豐富現代服務業形式，形成新的物流服務業態，創新發展模式，保障城市社區安全運行等將是社會管理的一項重要使命，對促進城市副中心“高起點、高標準、高水平”發展具有重大意義。

[參考文獻]

[1]岳輝,吳波,單翠,等.基于支持向量回歸機的物流量預測-以成都市為例[J].交通標準化,2014,(42)15:87-91.

[2]張大成,張一禎.社區物流終端配送服務模式創新研究[J].商業經濟研究,2016,(1):114-116.

[3]王河濤.城市社區物流共同配送模式研究[D].長春:吉林大學,2016.

[4]張希.基于微社區物流服務體系的平臺研究[D].蘇州:蘇州大學,2014.