基于多因素分析的区域物流需求径向基函数网络预测

基于多因素分析的区域物流需求径向基函数网络预测 基于多因素分析的区域物流需求径向基函数网络预测 区域物流需求预测是进行区域物流系统规划和设计的依据。对区域物流需求进行有效地预测，有利于政府掌握社会经济活动对物流的需求强度，正确制定物流产业发展政策，科学规划区域物流系统，合理配置区域物流资源，协调物流需求和供给之间的关系，从而促进区域经济的快速发展与良性循环。 目前，常用的区域物流需求的预测方法有:时间序列方法(移动平滑法、指数平滑法、随机时间序列方法)、相关(回归)分析法以及灰色预测方法等[1-4]。这些方法多采用物流需求量本身的历史数据来进行预测，所建立的模型不能全面、科学和本质地反映所预测对象的内在结构和复杂特性。神经网络具有的高度非线性函数映射能力，它有着传统建模方法所不具备的很多优点，因此近年来部分学者采用BP神经网络来对物流需求进行预测[5,6]。但BP网络在用于函数逼近时，存在收敛速度慢和局部极小等缺点，在解决样本量少且噪声较多的问题时效果并不理想。此外，这些模型只考虑了经济因素对物流需求的影响，并未综合考虑其他相关因素的作用，如宏观经济政策、物流服务水平、消费水平、价格水平、人口数量等，预测结果难以令人满意。 笔者认为，区域物流需求是一种典型的派生需求，其大小及其变化归根结底是由区域内各种社会、经济、政策、资源等多种因素及其相互关系决定的。因此，对物流需求进行预测研究，应综合考虑这些因素的作用。基于此，本文较全面地分析了影响区域物流需求的多种因素，然后采用径向基函数神经网络构建了一个基于多种因素的区域物流需求量预测模型，以 求实现少样本条件下区域物流需求的准确预测。 一、区域物流需求的多因素分析 区域物流需求的多因素数学模型可表示为: (一)GDP与产业结构 物流活动贯穿于整个经济活动的生产、流通、消费过程之中，是经济活动的重要组成部分，因而物流需求与经济发展有着密切的相关性，即经济发展是影响物流需求的主要因素。在未来的一段时间里，我国的产业结构将实现较快升级，呈现“软化”趋势，以知识密集型为主的第三产业比重在产业结构中会不断提高。第三产业比重的快速增长将会带动批发零售贸易和交通运输仓储业等流通业的发展，为物流发展提供了良好的产业基础。因此，未来的产业结构变化必然会影响物流需求。经济发展快，将对物流需求起刺激作用，经济发展慢，将对物流需求起抑制作用。 (二)宏观经济政策和管理体制 宏观经济政策对物流需求有重大影响。国家和地区经济政策的倾向性，会强烈地影响区域经济的发展速度，进而影响其物流需求。国家宏观经济政策的支持，会使该区域经济发展加快，物流需求也会相应增加;反之亦然。 管理体制也会对物流需求产生刺激或抑制作用，这一点在我国表现得很明显。目前，我国的铁路、公路和水路交通的基础设施由不同的部门投资经营，管理体制各不相同。不同的体制，必会使投资于铁路、公路和水路的资金力度不一，进而将直接影响它们的建设及技术改造程度，刺激或抑制着区域的物流需求。 (三)市场环境 市场环境变化将影响物流需求，这包括国际、国内贸易方式的改变和生产企业、流通企业的经营理念的变化及经营方式的改变等。物流服务于生产和市场销售，物流的具体对象更离不开企业和社会所需要的各种物质资料，因而市场环境的改变将影响物流的物质流向、服务方式、服务数量和质量等。 (四)消费水平 消费水平直接影响着企业经营决策和生产、销售行为，进而影响物流的规模、流动方向和作用对象，使得物流需求随着消费水平而变化。消费水平提高，就会产生新的消费需求，促使企业生产和销售新产品来满足这种需求，这样就会增加对物流的需求;反之，消费水平下降，会抑制对物流的需求。 (五)技术进步 技术进步，特别是信息技术的发展，提升了物流服务的质量和范围，从而对物流需求的量、质和服务范围均产生重大影响。正是由于现代技术的发展，才使中国在国际分工中世界加工中心的地位得到加强，从而使中国在国际上的原料输入和产品输出规模急剧扩大，进而增大不同区域的物流 需求。 (六)物流服务水平 物流服务水平也将刺激或抑制物流需求。例如货物及时准确的配送情况、货损率的高低、缺货的多少等，都将影响需求主体对物流服务的需求变化。当物流服务水平提高时，将刺激物流需求;服务水平降低时，抑制物流需求。 (七)价格水平 价格的变动将影响物流供给和商品流通，从而影响物流需求的变化。价格提高会抑制物流需求;价格降低，会刺激物流需求。 (八)人口数量 人口越多，消费需求便越多，因而带来的人们对物流的需求量也就会增大，反之亦然。 二、RBF网络及算法 径向基函数(Radial Basis Function, RBF)神经网络是由Broomhead和Lowe于20世纪80年代末提出的新的神经网络方法，在逼近能力、泛化能力和学习速度等方面均优于BP神经网络。此外，RBF网络所需的训练样本量较少，训练结果唯一，特别适合于本文样本数据少的特点。 RBF网络是一种3层前向网络:首先用径向基函数作为隐含层节点的“基”构成隐含层空间，对输入向量进行一次变换，将低维的模式输入数据映射到高维空间内，然后通过对隐含层节点输出数据的加权求和得到输出，即通过线性函数将隐含层节点输出数据映射到输出层节点空间[7]。这就是RBF网络的基本思想。 。 RBF网络的学习过程分为两个阶段。第一阶段，提取典型训练样本，结合使用递推K—均值聚类算法和递推最小二乘法来确定隐含层节点中心、RBF的宽度、隐含层节点个数以及隐含层到输出层连接权值;第二阶段，在确定好隐含层的参数后，根据样本校正隐含层和输出层的参数，以进一步提高网络的精度。 三、区域物流需求预测模型构建 (一)区域物流需求量指标选取 反应物流需求量的指标较多，主要包括不同环节、不同功能的具体物流作业量，如货运量、库存量、装卸搬运量、流通加工量、配送量等。但到目前为止，我国只有货物运输量和货物周转量统计数据，其他物流业的相关指标均没有公开的统计资料，也没有权威的统计方法和基础数据，故在建模时只选取了区域的货物运输量和货物周转量作为物流需求量指标，即区域物流需求量向量Y只包含2个分量:货物 周转量(亿吨公里)。 (二)影响区域物流需求的多因素指标选取 鉴于统计数据可获得性的限制，以及2节中对区域物流需求的多因素分析结果，本文选取如下的指标来构成因素向量X的分量，并分别记为: 这些指标中，区域国内生产总值、区域人均国内生产总值、第一产业产值、第二产业产值、第三产业产值不仅反应了区域经济总量，而且反应了产业结构对物流需求量的影响;区域全社会固定资产投资体现区域宏观经济政策的实施情况;区域进出口总额、区域社会消费品零售总额体现了区域商品市场的规模和环境变化;区域居民人均消费水平反应了区域的消费水平;科技经费支出总额则从侧面反应了区域科技水平的进步;由于服务业劳动者人数的多少直接决定着服务产品的总量，进而决定着服务的质量，因此采用区域物流行业就业人数来反应物流服务业的服务水平;商品零售价格总指数则体现了区域的价格水平变化;区域总人口数反应不同时期区域人口数量的大小。 (三)RBF网络设计 本文中，RBF网络的输入维数为13，等于因素向量X的分量个数;输出层神经元个数为2，等于要预测的物流需求量向量Y的分量个数。隐含层基函数选取的是高斯函数，隐含层到输出层采用纯线性函数。 在实际预测中，采用上一年的因素向量X的分量指标数据，对应下一年的区域物流需求量向量Y的分量指标数据来构成训练样本对，对神经网络进行训练。为取得较好的预测效果，在训练网络之前需将原始数据作预处理，本文采用将所有输入、输出训练数据都转换到[0,1]区间的归一化处理。网络训练完毕后，将验证数据也作归一化处理后，输入到训练完成的网络，就可得到网络的预测输出。 四、实例分析 (一)样本数据的确定 由《四川省统计年鉴》，得到四川省1996-2006年共11年的相应指标数据，如表1所示。 由于是采用上一年的因素指标数据来预测下一年的区域物流需求量，因此由表1中的数据，可得到10对样本。将前8对数据作为训练样本集，后2对数据作为测试样本集，即采用前8对数据训练得到的网络，来预测2005-2006年的区域物流需求量，并和实际值进行比较，以检验预测效果。 (二)结果分析 预测模型的样本拟合值及相对误差如表2所示，货物运输量和货物周转量的最大相对误差绝对值均为0，实现了精确拟合;其样本的预测值及相对误差如表3所示，货物运输量的最大相对误差绝对值为4.9216%，相对误差绝对平均值为2.634%;货物周转量最大相对误差绝对值为2.8777%，相对误差绝对平均值为2.3887%。 根据上面的拟合和预测结果，可以看到模型具有高度的拟合能力，并且外推样本的预测值和实际值也十分接近，所有相对误差的绝对值均小于5%，结果令人满意。这表明该模型在少样本的条件下，仍有较高的预测精度和良好的泛化能力，可用于区域物流需求的预测。 五、结束语 本文在对影响区域物流需求的多种因素进行充分分析的基础上，利用径向基函数网络具有的高度非线性映射功能，构建了基于多因素的区域物流需求神经网络预测模型，在少样本条件下实现较高精度的预测。为进一步提高预测精度，还需要使用更多的样本数据来进行训练，此外如何去除原始数据噪声对网络预测精度的影响等问题还有待进一步研究。