快遞量影響規律分析及預測

李燕 蘇剛

摘 ?要：文章根據全國范圍內的統計數據研究了快遞量的影響指標及變化規律。研究發現，GDP、網頁數等眾多統計指標與快遞量的變化規律具有相同的形式：在線上支付技術普及后呈現線性趨勢。另外，還發現進出口貿易總額跟快遞量沒有單調關系，因此不能作為快遞量的影響指標，這表明現有文獻的結論還有待商榷。最后，利用得到的線性趨勢，發現上網人數可以很好地預測快遞量。該預測方法與BP神經網絡相比，只需要一個自變量，并且計算方便，因此具有更廣的應用前景。

關鍵詞：快遞量;統計數據;影響規律;BP神經網絡

?中圖分類號：F618 ? ?文獻標識碼：A

Abstract： This paper investigates the variation trend of express delivery volume and then uses this trend to predict the volume. According to the data from national statistics office， we find that many statistical indexes， like GDP and the number of web pages， have the same influence on the variation trend of express delivery volume： a linear trend is presented after the popularization of online payment technology. Furthermore， we also find that the total volume of import and export trade does not change with the express delivery volume monotonously， and thus cannot be used as an influence index， which rebuts the conclusions of the current literatures. Finally， with the resulting linear trend， the express delivery volume is predicted by the number of internet users in a high precision. Compared with BP neural network， this prediction method only needs one independent variable and thus has a wider application.

Key words： express delivery volume; statistical data; variation trend; BP neural network

0 ?前 ?言

?國家郵政管理局數據表明，中國快遞行業在協同電商寄遞、服務于制造業和零售業、助力鄉村振興等方面發揮著越來越重要作用，已吸引大量研究者的關注。

?韋凌翔等[1]基于BP神經網絡（Back Propagation Network）研究預測了城市貨運生成量;韓正超等[2]基于BP神經網絡對濟南市物流需求進行了研究;汪洪帆[3]基于BP神經網絡對杭州城市圈物流需求進行了預測。以上學者證明了神經網絡對快遞量的預測能力，但尚未研究各統計指標與快遞量之間的內在規律。同時，BP神經網絡需要多個統計指標作為輸入量，因此無法應用于部分統計指標缺失的年份或地區，具有較大的局限性。

對于目前研究的不足，本文擬根據全國范圍內的年均數據，選取顯著影響快遞量的統計指標，并探討二者之間的變化規律，隨后利用得到的變化規律對快遞量進行預測，并與BP神經網絡預測進行對比。

1 ?統計指標與快遞量的變化規律

快遞量影響指標已經有大量研究者關注，BASTIDA等[4]認為貨運生成量跟商品分類、行業分類和就業人數有關;季彤[5]運用SCP范式理論和產業關聯度理論分析了快遞業市場，歸納出了影響快遞業發展的微觀因素（如人力資源）和宏觀因素（如批發零售業）。

本文首先考察GDP、居民消費水平、網頁數、上網人數、第一產業增加值、第二產業增加值、第三產業增加值、進出口總額、固定資產投入及裝卸搬運和其他運輸服務業就業人員10個指標與快遞量的相關性，具體數據來自國家統計局，如表1所示。

GDP、網頁數等指標與快遞量的變化規律如圖1所示，其中2007～2012年的數據用三角形表示，2013～2019年的數據用正方形表示。

圖1表明，GDP、網頁數、上網人數等統計指標與快遞量的變化規律非常相似，都是在2007～2012年內幾乎無關，而在2013年以后存在顯著線性關系。本文認為，變化規律在2013年發生轉折的原因是信息技術革新。具體來說，2013年4G網絡的誕生和余額寶的上線，使得傳統的面對面生產資料轉移（沒有快遞量產生）逐漸轉化為新潮的在線支付轉移（有快遞量產生）。

?2007～2019年進出口貿易總額與快遞量的變化情況，如圖2所示。

圖2表明，進出口總額與快遞量之間沒有單調關系，因此不能作為快遞量需求預測的影響指標，這與李晗等[6]認為外貿總額是影響指標的結論不符。

2 ?快遞量預測

2.1 ?神經網絡概述

?BP神經網絡是一種利用誤差反向傳播的算法（Error Back Propagation Training）來訓練多層前饋網絡。BP神經網絡反饋原理是通過傳遞函數

tan-sigmoid使輸入數據逆向傳播到隱含層，經過傳遞函數log-sigmoid把隱含層節點的輸出數據傳遞到輸出節點，得到結果[7]。BP神經網絡有很強的非線性映射能力，BP神經網絡廣泛應用于識別、逼近、預測等領域。

2.2 ?BP神經網絡預測

?BP神經網絡一般采用3層（輸入層、隱含層及輸出層），有效隱含層中節點個數由學習誤差及樣本個數共同決定[8-9]。

在上述模型中，本文將2007～2017年數據作為訓練集，2018～2019年數據作為測試集。訓練后BP神經網絡的預測值與實際值吻合良好（如表2所示）。這表明，前文選取GDP、網頁數等統計指標作為快遞量的自變量是合理的，同時也證明BP神經網絡可以很好的預測快遞量。

2.3 ?線性規律預測

2020年缺失了部分統計數據，因此無法使用BP神經網絡預測其快遞量。對此，本小節擬利用圖1中的擬合直線關系進行預測。例如，圖1中，快遞量與GDP的擬合關系為y=13.62x1-7.251×106，結合2020年的GDP=1 015 986.20，可以計算得到快遞量為6 586 732.04，與實際值8 336 000的相對誤差為20.98%。以相同的方式，其他統計數據的預測結果如表3所示。

可以看到，眾多統計指標中，上網人數預測值的精度最高。這是因為快遞量主要由網上購物產生，而網上購物的總數由上網人數決定。

3 ?總 ?結

本文根據全國范圍內2007～2019的統計數據，分析了快遞量的影響指標及變化規律。研究結果表明，在生產資料以面對面方式交付時，GDP、居民消費水平等統計指標對快遞量的增長貢獻不大，而在當前以線上交付為主時，這些指標與快遞量之間存在線性關系。此外，分析還發現進出口貿易總額跟快遞量沒有單調關系，因此不能作為快遞量的影響指標，這與當前文獻結論相反。最后，基于影響指標與快遞量之間的線性關系，本文發現上網人數可以很好的預測快遞量。該預測方法與BP神經網絡相比，只需要一個自變量，并且計算方便，因此具有更廣泛的應用前景。

參考文獻：

[1] 韋凌翔，董建軍，陳志龍，等. 基于BP神經網絡的城市貨運生成預測模型[J]. 上海海事大學學報，2020，41（4）：50-54，86.

[2] 韓正超，張有云，黃文霞. 基于BP神經網絡的濟南市物流需求預測[J]. 軟件，2020，41（3）：149-152，241.

[3] 汪洪帆. 基于BP神經網絡的杭州城市圈物流需求預測[J]. 現代商貿工業，2017（29）：46-47.

[4] ?BASTIDA C， HOLGUIN-VERAS J. Freight generation models： comparative analysis of regression models and multiple classification analysis[J]. Transportation Research Record， 2009，2097（1）：51-61.

[5] 季彤. 快遞業發展影響因素分析[D]. 南京：南京郵電大學（碩士學位論文），2012.

[6] 李晗，吳珍珍，張雪雪. 基于BP神經網絡與GM1，1組合的北京市物流需求預測模型[J]. 物流技術，2021，40（1）：50-55.

[7] ?YaHya H Z， Lakmal D S， Kaspar A. Stability analysis of a there-tern back propagation algorithm[J]. Neural Networks， 2005，18（10）：1341-1347.

[8] ?Ensafi A A， Khayamian T， Tabaraki R. Simultaneous kinetic determination of thiocyanate and sulfide using eigenvalue ranking and correlation ranking in principal component-wavelet neural network[J]. Talanta， 2007，71（5）：2021-2028.

[9] ?A Gutés， F Céspedes， Cartas R， et al. Multivariate calibration model from overlapping voltammetric signals employing wavelet neural networks[J]. Chemometrics & Intelligent Laboratory Systems， 2006，83（2）：169-179.

[10] ?Zweiri Y H. Optimization of a three-term backpropagation algorithm used for neural network learning[J]. Neurocomputing， 2008，50（1）：305-318.

收稿日期：2021-05-31

作者簡介：李 ?燕（1995-），女，重慶人，新疆農業大學交通與物流工程學院碩士研究生，研究方向：交通運輸規劃與管理;

蘇 ?剛（1975-），本文通訊作者，男，新疆伊犁人，新疆農業大學交通與物流工程學院，副教授，碩士，碩士生導師，研究方向：交通運輸規劃與管理、國際物流。