基于組合預測模型的惠安縣快遞業務量需求預測分析

王鳳英 （福建船政交通職業學院，福建 福州 350007）

0 引言

近幾年，電子商務迅速發展，對快遞物流的需求進一步提升。但部分地區物流設施和技術落后，物流末端配送發展滯后，物流服務體驗差，物流企業各自為營，企業進行農村物流配送成本高，因此為了提升快遞物流的服務水平，必須對未來的快遞業務量有個合理的預測，進而配備相匹配的設施及技術。需求的定量預測模型主要有回歸分析預測法、時間序列預測法、神經網絡預測法、灰色預測法等多種方法，但單一的預測模型的假設條件及使用范圍總存在著一定的局限性，因此本文最后采用組合預測模型克服單一模型的局限性，提高模型預測的精度和穩定性。

1 惠安縣快遞業務的發展現狀分析

惠安縣，是閩南著名僑鄉和臺灣漢族同胞主要祖籍地之一。素有“海濱鄒魯”、“雕藝之鄉”、“建筑之鄉”、“漁業強縣”、“食品工業強縣”之美譽。2017年全縣實現生產總值688.76億元、增長8%，完成一般公共預算收入35.13億元、增長3.1%，全體居民人均可支配收入2.99萬元、增長7.5%，縣域經濟居全國中小城市綜合實力“百強縣”第35位。

在電子商務迅速發展的大背景下，隨著GDP的逐年穩步提高，人民的消費水平大幅提高，惠安縣的快遞服務需求總量也隨之持續增長，具體見圖1。

2 預測模型的選擇與構建

快遞業是隨著電子商務發展起來的新興行業，近10年發展迅速，并與區域經濟發展密切相關。因此快遞業務量受到區域經濟發展多種因素的影響，如區域經濟的經濟水平和規模、居民人均消費水平、社會固定資產投資總額，常住人口、社會消費品零售額的影響。同時也會受到國家相關政策、信息處理技術及交通因素等非經濟因素的影響。因此在構建預測模型時選取了

4 種預測模型進行預測。

2.1 多元回歸關系模型的構建。由于快遞業務量的影響因素是多方面的，因此在預測時首先考慮了多元回歸關系模型。多元回歸關系模型中的解釋變量有多個，一般形式為：

其中，y是被解釋變量（因變量、相依變量、內生變量），x是解釋變量（自變量、獨立變量、外生變量），ε是隨機誤差項，βi,i=1,2,…,k是回歸參數。

利用初始變量值進行回歸并檢驗，若模型未通過檢驗，則重新建立模型，若模型通過檢驗，且滿足模型的假設，則可利用此模型進行實際預測。

圖1 惠安縣歷年快遞業務量增長趨勢圖

2.2 基于時間序列的多項式回歸模型構建。快遞業務量是一個時間序列，通過上述現狀分析圖1可以看出近幾年惠安縣快遞業務量沒有跳躍式增長，屬于漸進變化，同時快遞業是一個迅速發展的行業，因此可選用二次多項式趨勢回歸預測模型構建。多項式趨勢回歸預測模型建立如下：

本文采用二次多項式趨勢回歸對快遞業務量進行預測。

2.3 GM（ 1,1）灰色預測模型構建。灰色預測模型是應用模糊數學原理對既含有已知信息又含有不確定信息的系統進行預測的模型，是對隨機的原始時間序列數據進行累加生成處理，然后建立微分方程來模擬該生成序列，恢復原時間序列的預測值。GM（1,1）模型是最常用的一種灰色預測模型。具體預測模型如下：

建立微分方程和構造矩陣。

構造矩陣B：

矩陣計算：

求出預測模型：

將參數代入時間函數得一次累加生成序列的預測模型：

最后通過一系列檢驗來檢驗模型的精度和可信度。

2.4 Shapley組合預測模型。上述3種預測方法各有優缺點，因此為了提升預測精度，對上述3種預測方法賦予不同的權重進行最后預測結果的運算。目前最常用的就是Shapley組合預測模型。其計算公式為：

Shapley值誤差分配公式為：

Shapley值法給出了一個n人合作對策問題的分配向量，u（s）-u（ si）表示組合S的邊際貢獻值，考慮了組合成員加入后和加入前對組合產生不同的影響。）可看作一個權重，表示組合成員i在組合中所需要承擔的邊際貢獻，也是組合預測的加權因子。Shapley值綜合了組織中各成員的影響，因此可認為其分配向量是公平合理的。

由上可得權重計算公式：

3 惠安縣快遞業務量預測分析

3.1 多元回歸關系模型預測。在對快遞業務量的影響因素分析基礎上本文選用了GDP、常住人口、居民人均消費水平、社會消費品零售額、固定資產投資總額作為快遞業務量的解釋變量。具體數據見表1。選用spss19.0對表1的數據進行多元回歸分析。首先進行了相關性分析，快遞業務量與這幾個解釋變量的相關性均在0.9以上，故顯著相關，然后選用向后回歸進行分析，具體結果見表2。

表1 2011～2017年惠安縣快遞業務量相關指標數據

表2 系數a

a.因變量：快遞業務量

根據上述分析結果可以看出社會消費品零售額被移除了，但調整后的R方仍可以達到0.994。根據系數表，多元回歸方程為：

快遞業務量=210 621.490+0.003*GDP-3 290.158*常住人口+1.402*居民人均消費水平-0.001*固定資產投資總額

代入上述回歸方程計算出2011～2017年的快遞業務量的預測值，見表3。

根據表3可以計算出多元線性回歸模型的平均絕對誤差比為5.58%。

利用二項式曲線回歸模型對2019～2022年影響快遞業務量的各指標進行預測，然后代入上述多元線性回歸模型計算出快遞業務量，結果見表4。

表3 多元線性回歸模型預測值

表4 2019～2025年惠安市快遞業務量相關指標數據

3.2 二次多項式趨勢回歸模型。本文選用spss19.0軟件對軟件快遞業務量的影響因素進行二次多項式回歸。運行結果見表5。

表5 模型匯總和參數估計值

由表5可知R方為1.00，說明擬合程度很高，能較好地反應快遞業務量的變化，模型擬合值見表6，平均絕對誤差比為2.31%，效果很好。

表6 二次多項式回歸模型擬合值

利用二項式趨勢回歸法對2019～2025年進行預測得到結果如表7。

3.3 灰色預測方法。采用灰色預測分析軟件，對原始數據進行模型GM（ 1,1 ）分析，殘差=145 262.37，平均相對誤差=6.26%，系數=757.93。模型誤差分析見表8。

利用灰色預測方法對2019～2025年進行預測結果見表9。

3.4 Shapley組合預測模型。由Shapley組合預測模型中計算各預測方法權重ωi的公式可以得到ω1=0.26，ω2=0.55，ω3=0.19。說明趨勢回歸法在組合模型中權重最大，多元線性回歸模型最小。

表7 2019～2025年二項式趨勢回歸預測值

表8 GM（ 1,1）模型預測誤差分析

表9 灰色預測方法的預測值

表10 2019～2022年組合預測結果

利用公式（8）可以得到惠安縣快遞需求量組合預測結果見表10。

4 結束語

在快遞業務量的需求預測中，單個預測方法存在一定的局限性，因為本文在選擇了多元線性回歸、多項式趨勢回歸、灰色預測方法的基礎上，對惠安縣快遞業務量利用組合預測方法進行預測，預測精度得以提升，從而對惠安縣的物流網絡規劃提供了一定的指導意義，提升物流網絡設施設備的合理布置，更好地提升服務效率，與電子商務及經濟發展相匹配。