基于組合預測的蘇州市物流需求預測分析

呂婉琪，陸芬

摘? 要：隨著科技與國民經濟的發展，物流早已作為人類生活的必需品貫穿于日常的各個層面。發展壯大物流業有利于提升國家經濟運行效率，完善資源分配，推進企業的融資以及促進整個社會經濟運行結構的調整。中國物流業發展迅速的背后是經濟的支持，而產業結構的升級和經濟的提質增效也離不開物流業的成長，經濟發展與物流發展相輔相成。因此，為了更好地制定物流計劃并推動經濟發展，物流需求預測就顯得十分重要。文章選取蘇州市作為研究對象，通過運用蘇州市的綜合貨運量與GDP等重要經濟指標，分別在二次指數平滑法和回歸分析預測法下進行綜合貨運量的預測，對比兩種方法的相對誤差，確定未來三年蘇州市綜合貨運量的預測值，并對蘇州市物流提出管理建議，以期為蘇州市的經濟發展提供借鑒。

關鍵詞：物流需求預測；二次指數平滑法；回歸分析預測法

中圖分類號：F259.27? ? 文獻標志碼：A

DOI：10.13714/j.cnki.1002-3100.2023.11.009

Abstract： With the development of science and technology and national economy， logistics has long been a necessity of human life throughout every level of daily life. The development and expansion of the logistics industry is conducive to enhancing the efficiency of national economic operation， improving resource allocation， promoting enterprise financing， and advancing the adjustment of the entire socio-economic operation structure. The rapid development of China logistics industry is supported by the economic， and the upgrading of industrial structure and the improvement of economic quality and efficiency can not be separated from the growth of the logistics industry. The development of economic and logistics complement each other. Therefore， in order to better formulate logistics plans and promote economic development， logistics demand forecasting is very important. Suzhou City is selected as the research object. By using the comprehensive freight volume， GDP and other important economic data of Suzhou， the comprehensive freight volume is predicted under the second exponential smoothing method and regression analysis prediction method. The relative errors of the two methods are compared to determine the predictive value of the comprehensive freight volume of Suzhou in the next three years， and the management suggestions for Suzhou logistics are put forward to provide reference for the economic development of Suzhou.

Key words： logistics demand forecast; second exponential smoothing method; regression analysis prediction method

0? 引? 言

隨著科技的進步和時代的更迭，物流業發展迅速。古有驛站傳信，今有高科技自動機器人智能分揀快遞，物流的技術可謂是日新月異。如今，為了促進銷售、帶動消費者的內需，商家經常舉辦促銷活動。電商平臺和快遞行業的興起，更是促進了消費者購買商品的熱情。根據國家郵政局統計，2021年“雙11”期間（11月1日至16日），郵政、中通等快遞企業共攬收快遞包裹68億件，同比增長18.2%。“雙11”當天，天貓總交易額為5 403億元。由此可見，快遞給人們生活帶來的便利促進了物流行業的迅速發展，同時物流業的發展折射出了中國經濟旺盛的內需、加速轉型的步伐與廣闊的發展潛力。

物流需求預測主要是為了引導和協調人們的物流管理活動，從而幫助人們采取適當的策略和手段來謀求最大的利益[1]。這意味著，精確的需求預測不僅可以促進物流信息系統和生產設施能力的計劃和協調，還可以確定產品向配送中心、倉庫或零售商進行分配的原則[2]。由于物流產業與經濟不可分割的關系，因此對一個地區的物流需求進行分析與預測可以直觀地看出該地區的經濟發展情況：隨著區域經濟結構、資源配置、市場等多種經濟因素的變化，區域的物流需求量、物流需求結構和物流需求層次也會發生相應的變化[3]。鑒于此，研究物流需求預測對于了解經濟發展情況十分重要。

關于物流預測的研究中，牛娜通過分析區域物流發展與地方農業經濟發展之間的關系，研究了區域物流合理化預測對地方農業經濟發展的影響[3]。陳長英將傳統的灰色預測模型和馬爾可夫鏈相結合，通過建立改進的預測模型對廣西物流需求進行了預測[4]。梁永年等通過相關系數發現惠州市GDP與綜合貨運量之間密切相關，分別運用線性回歸法和彈性系數法對惠州市物流需求量進行預測[5]。黃凱和王健圍繞生鮮農產品冷鏈物流需求分別采用GM1，1、BP神經網絡和RBF神經網絡方法來進行預測[6]。王佳穎等發現BP神經網絡模型較強的泛化能力，在預測青島港口物流需求時有良好的表現[7]。樊東方等為了應對現有中長期宏觀物流量預測模型的局限性和對我國宏觀物流量進行預測分析，提出基于pccsAMOPSO算法的多目標變權組合預測模型[8]。雷蕾等運用貴州省貨運周轉量數據在灰色GM1，1模型下進行了物流需求量預測[9]。冉茂亮等將集成經驗模態分解（EEMD）、局部均值分解（LMD）、長短期記憶網絡（LSTM）和局部誤差校正（LEC）代入模型，在EEMD-LMD-LSTM-LEC模型下進行了物流預測[10]。

本文選取蘇州市作為研究對象，基于GDP等重要經濟指標，采用二次指數平滑法和回歸分析預測法對蘇州市綜合貨運量進行分析，將綜合貨運量的實際值和兩種方法得到的預測值進行比較。通過對比兩種方法的相對誤差，選擇相對誤差較小的方法對未來三年蘇州市綜合貨運量進行預測，以期為蘇州市物流發展提供數據借鑒。

1? 蘇州市物流現狀

蘇州地處中國華東地區、江蘇東南部、長三角中部，是揚子江城市群重要組成部分，東臨上海、南接嘉興、西抱太湖、北依長江。鑒于其優越的地理位置，蘇州市一直是我國重要的物流轉運中心城市之一。蘇州是Adidas、黛珂、無印良品等大型企業倉儲和快遞轉運的中心。雙十一等大促期間蘇州倉儲經常出現的爆倉情況給許多快遞企業、商家和消費者帶來了困擾。因此，對蘇州市物流貨運量進行預測，可以幫助蘇州市更好地制定相應的物流管理計劃，更快速地應對突發的情況。

根據蘇州市統計局2013年至2020年的統計年鑒和2021年蘇州市統計公報，蘇州市綜合貨運量的具體數據如表1所示，其中綜合貨運量由鐵路貨運量、公路貨運量和水路貨運量三部分組成。

由于物流需求量通常用綜合貨運量進行衡量，且經濟發展與物流發展之間存在著一定關系，因此表2收集整理了綜合貨運量、GDP、第一產業、第二產業和第三產業的數據作為預測所需的基礎數據。

為更加直觀地了解蘇州市經濟運行情況與綜合貨運量的關系，通過Excel表格軟件的數據分析得到蘇州市綜合貨運量與經濟指標之間的關系[5]，如表3所示。

根據表3，與蘇州市綜合貨運量密切相關的經濟指標為GDP（0.929 5）、第二產業（0.918 3）和第三產業（0.928 3）。這說明GDP、第二產業和第三產業與綜合貨運量之間存在比較強的正相關關系，這些指標均可用于蘇州市綜合貨運量的預測。由于GDP與綜合貨運量的相關性最強，因此采用GDP來預測蘇州市的綜合貨運量。

2? 蘇州市物流需求預測建模

2.1? 二次指數平滑法

指數平滑法是依托于移動平均法發展起來的，其實質上是一種特殊的加權移動平均法[11]。指數平滑法包括一次指數平滑法和二次指數平滑法等。由于一次指數平滑法不能進行有明顯趨勢波動的數據預測，且一次指數平滑法存在只能預測未來一期數據的缺陷，因此本文選擇二次指數平滑法進行預測。

根據指數平滑系數α的選取原則，本文選取0.4作為α的值，將第一期的實際值（即2013年的綜合貨運量）作為第一次預測的初始值，根據二次指數平滑法的公式與計算步驟，將綜合貨運量的實際值、預測值和相對誤差分別列于表4。

當α=0.4時，MSE（均方誤差）為10 336 868.995。雖然表4中的相對誤差較小，但本文在選取指數平滑系數α時具有一定的主觀性。因此，為保證預測值的最優性，通過運用Excel表格軟件中的模擬運算表，將0.01至0.99（α的精確度為小數點后兩位）之間的所有數值分別作為指數平滑系數α進行模擬運算[12]，找到最優α值。通過計算發現當α=0.58時，其MSE最小，此時MSE*=8 563 586.2。鑒于此，運用最優指數平滑系數α=0.58再次進行預測，得到表5的數據。

將表4與表5中的相對誤差進行對比，繪制圖像如圖1所示。觀察該圖可以發現，α=0.58時的相對誤差大體上離軸更近，進一步驗證了上文的結論（α=0.58是最優指數平滑系數）。

2.2? 回歸分析預測法

回歸分析預測法依托于自變量與因變量之間的關系，是通過建立變量之間的回歸方程進行預測的。根據自變量與因變量的相關關系不同，回歸分析預測法可分為線性回歸預測和非線性回歸預測[2]。回歸分析預測法也是預測的一種重要方法，常常用于中短期數據的預測。具體步驟為：首先，根據預測目標，確定自變量與因變量；其次，建立回歸預測模型，進行相關分析；再次，檢驗回歸預測模型，計算出相對預測誤差；最后，確定預測值[13]。

觀察表2和表3，可以看出GDP與年份、綜合貨運量與GDP之間均存在正相關關系，因此本文將分別采取線性回歸預測進行分析。

首先，通過建立GDP與年份關系的回歸方程預測GDP的數值。將年份作為自變量x，GDP作為因變量y，通過SPSS進行線性回歸分析，得到如圖2所示的系數表格。根據圖2可以看出，GDP與年份的回歸方程為y=1 182.08x-2 367 155.08。

同時，繪制GDP與年份的散點圖及回歸方程，如圖3所示。

與上文相同，再將GDP作為自變量y，綜合貨運量作為因變量z，進行線性回歸分析，得到圖4所示的系數表格。根據圖4可以看出，綜合貨運量與GDP之間的回歸方程為z=1.85y-13 496.43。

同理，根據綜合貨運量與GDP的關系繪制散點圖和回歸方程，如圖5所示。

最后，在已知GDP與年份、綜合貨運量與GDP關系的回歸方程之后，首先通過GDP與年份的回歸方程y=1 182.08x-2 367 155.08計算GDP的預測值；再基于綜合貨運量與GDP之間的回歸方程z=1.85y-13 496.43，將預測的GDP數據代入自變量中，計算出綜合貨運量的預測值，進一步得到綜合貨運量實際值與預測值之間的相對誤差，如表6所示。

2.3? 對比與預測分析

為找出二次指數平滑法和回歸分析預測法二者中更優的預測方法，將表5與表6中的相對誤差進行比較，通過運用相對誤差較小的預測方法，確定2022年、2023年和2024年蘇州市綜合貨運量的預測值。兩種方法相對誤差的比較如圖6所示。

根據圖6可以看出：

（1）二次指數平滑法的相對誤差總體上比回歸分析預測法的相對誤差小。

（2）二次指數平滑法下預測值更接近于實際值。

因此，根據二次指數平滑法的公式Y■=a■+b■T進行2022年、2023年和2024年綜合貨運量預測，其中a■和b■為2021年預測過程中的計算結果，且a■=28 551.54，b■=2 751.21。具體預測值如表7所示。

3? 蘇州市物流業發展建議

雖然蘇州市物流管理已經有一套相對完備的系統，但其仍可以從以下兩個方面進行改進：

（1）完善物流運輸流程。由于大部分物流運輸業務均通過公路運輸完成，因此蘇州市可以在大促期間簡化物流運輸流程，開設快遞專用高速通道。這種舉措不僅可以提高快遞運輸效率，還可以在一定程度上增加單位貨運量，吸引更多的電商在此建立倉庫，從而加快蘇州市經濟發展的步伐。

（2）合理規劃物流路線，建立物流園區。根據預測，蘇州市未來三年的綜合貨運量呈逐年遞增的趨勢。通過對物流路徑的優化既可以節省運輸時間，又可以緩解城市交通擁擠的問題。對物流運輸車輛的時間限制也可以起到相同的作用。同時，蘇州市還可以將較小的臨近物流園區重新規劃，組建成一個較大的綜合物流園。這樣做既推動了城市的進一步規劃，又在一定程度上滿足了物流企業周轉的需求。

4? 結? 論

物流與經濟之間不可分割的關系表明物流發展可以帶動經濟發展。物流需求作為衡量物流發展水平的主要指標，對了解經濟發展情況也有重要的參考作用。物流需求的預測可以幫助企業和政府提前制定相應的對策以應對突發情況。本文考慮重要經濟指標，通過運用二次指數平滑法和回歸分析預測法對蘇州市的綜合貨運量進行分析，發現二次指數平滑法下的綜合貨運量預測值更接近于真實值，在二次指數平滑法下通過預測發現2022年、2023年和2024年的綜合貨運量預測值分別為31 302.76萬噸、34 053.97萬噸和36 805.18萬噸。基于上述分析，蘇州市可以通過進一步完善物流運輸流程、優化物流路徑和建立綜合物流園區的方法更好地發展蘇州市的物流業。

參考文獻：

[1] 孫明貴. 物流管理學[M]. 北京：北京大學出版社，2002.

[2] 王長瓊. 物流系統工程[M]. 北京：高等教育出版社，2007.

[3] 牛娜. 區域物流需求合理化預測與我國農業經濟發展格局關系研究[J]. 農業經濟，2019（3）：139-141.

[4] 陳長英. 基于改進的灰色-馬爾可夫鏈模型的廣西物流需求預測研究[J]. 西部交通科技，2019（10）：152-155.

[5] 梁永年，姚鎮城，蔣文博，等. 惠州物流需求預測研究——兼論惠州市綜合運輸體系建設[J]. 物流工程與管理，2020，42（7）：36-39.

[6] 黃凱，王健. 我國生鮮農產品冷鏈物流需求預測分析：基于最優組合模型[J]. 武漢理工大學學報（信息與管理工程版），2020，42（6）：524-529.

[7] 王佳穎，頊玉卿，李媛. 基于神經網絡的青島港口物流需求量預測研究[J]. 青島職業技術學院學報，2021，34（6）：70-76.

[8] 樊東方，羅凱，靳志宏. 基于pccsAMOPSO的宏觀物流量多目標變權組合預測模型[J]. 大連海事大學學報，2021，47（4）：19-29.

[9] 雷蕾，吳潔，陳嘉星. 基于灰色GM1，1的貴州物流需求“十四五”預測分析[J]. 棗莊學院學報，2022，39（5）：78-84.

[10] 冉茂亮，陳彥如，楊新彪. 基于EEMD-LMD-LSTM-LEC深度學習模型的短時物流需求預測[J]. 控制與決策，2022，37（10）：2513-2523.

[11] 張雪琴. 關于“指數平滑法”的研究[J]. 內蒙古農業大學學報（自然科學版），2006，27（4）：153-156.

[12] 蔣昌軍. Excel環境下指數平滑預測法最優平滑系數的確定[J]. 中國管理信息化，2012，15（2）：13-15.

[13] 方威，肖衡，任湘郴. 基于線性回歸模型的物流需求預測分析[J]. 生產力研究，2009（12）：94-95，110.