羅玲桃，張相斌

(南京郵電大學(xué) 管理學(xué)院，南京 210023)

0 引言

物流業(yè)是融合運(yùn)輸業(yè)、倉儲業(yè)、和信息業(yè)等行業(yè)的復(fù)合型服務(wù)產(chǎn)業(yè)，被廣泛認(rèn)為是繼生產(chǎn)和營銷之后的“第三利潤源泉”。作為國民經(jīng)濟(jì)的重要組成部分，物流業(yè)正在全球范圍內(nèi)迅速發(fā)展，其發(fā)展水平已成為衡量一個國家綜合競爭力的重要標(biāo)志[1,2]。分析和預(yù)測我國現(xiàn)代物流業(yè)發(fā)展前景，有利于全面把握我國物流業(yè)發(fā)展動態(tài)，從而制定正確的物流業(yè)發(fā)展政策，科學(xué)規(guī)劃物流系統(tǒng)，合理配置物流資源，達(dá)到進(jìn)一步促進(jìn)經(jīng)濟(jì)持續(xù)高效發(fā)展的效果。回歸分析作為一種簡單實(shí)用的預(yù)測工具，被廣泛應(yīng)用于各個領(lǐng)域的研究中[3～6]。目前，線性回歸模型也是物流預(yù)測研究中運(yùn)用較多的一種方法[5,6]。我們在利用回歸模型進(jìn)行預(yù)測時，一般是將單一的自變量預(yù)測值帶入回歸模型來預(yù)測因變量的未來水平，這種預(yù)測往往只反映出自變量單一的可能性。然而，隨著人們對未來宏觀環(huán)境的預(yù)期水平不同，自變量的預(yù)測值將呈現(xiàn)出多種可能性，僅僅依靠回歸分析顯然不足以描述自變量的這種波動水平。為了充分考慮自變量未來變化的不確定性和波動性，將自變量所有可能的預(yù)測值都納入考慮范疇，本文在建立概率排序型預(yù)測模型的基礎(chǔ)上，對中國物流業(yè)發(fā)展趨勢進(jìn)行預(yù)測。此前已有學(xué)者對概率排序型決策方法進(jìn)行了一些研究[7～9]，但概率排序法在預(yù)測方面的研究較少，本文提出的概率排序型預(yù)測方法具有一定的創(chuàng)新性。概率排序型預(yù)測研究的是預(yù)測者對自然狀態(tài)出現(xiàn)概率有所了解，但又不足以單值地計算出準(zhǔn)確數(shù)值來的一類問題，概率排序型預(yù)測有效地彌補(bǔ)了研究中主觀概率值缺失的缺陷。在概率排序型預(yù)測中，各自然狀態(tài)的概率值未知，因而無法準(zhǔn)確計算各期望值，但能夠設(shè)法確定出期望值可能的最大值和最小值，預(yù)測結(jié)果以區(qū)間的形式描述，更加符合實(shí)際。

1 中國物流業(yè)發(fā)展趨勢預(yù)測分析

1.1 指標(biāo)的選取

物流業(yè)的發(fā)展水平受到需求和供給兩方面的影響。物流需求拉動物流業(yè)蓬勃發(fā)展的同時，如果物流能力供給不能滿足這種需求，物流能力供給將對物流發(fā)展產(chǎn)生抑制作用，將其限制在一定的發(fā)展水平；反之，當(dāng)物流能力的供給水平很高，而物流需求不足以滿足這種供給時，不可避免地會造成供給的浪費(fèi)，物流業(yè)的發(fā)展水平受到需求的制約。因此，物流需求水平和供給水平共同決定了物流業(yè)的發(fā)展水平。物流是供需平衡的產(chǎn)物，這是物流最基本的特征。我們可從供需兩方面入手確定影響物流業(yè)發(fā)展水平的關(guān)鍵影響因素及相應(yīng)地指標(biāo)。

影響物流業(yè)發(fā)展的關(guān)鍵影響因素是：社會經(jīng)濟(jì)水平、運(yùn)輸能力和倉儲能力。其中，社會經(jīng)濟(jì)水平用GDP指標(biāo)描述；運(yùn)輸能力不僅表現(xiàn)在運(yùn)送的噸數(shù)上，還表現(xiàn)在貨物被運(yùn)送的距離上，所以采用全社會貨物周轉(zhuǎn)量表征；從統(tǒng)計上[10]看，儲存主要存在于倉庫和站場港口中，倉儲業(yè)固定資產(chǎn)投資額從一定程度上反映了儲存所需固定資產(chǎn)的建設(shè)情況，可以從側(cè)面刻畫倉儲水平。

關(guān)于物流業(yè)發(fā)展水平，用于描述的指標(biāo)有很多，如：社會物流需求系數(shù)、社會物流總額、物流總費(fèi)用、物流業(yè)增加值、物流業(yè)增加值占同期GDP的比重等，其中，社會物流總額是業(yè)內(nèi)常用的物流統(tǒng)計指標(biāo)之一，本文用社會物流總額來衡量物流業(yè)發(fā)展水平。

1.2 物流業(yè)發(fā)展水平回歸預(yù)測模型及局限

根據(jù)1991～2013年的相關(guān)統(tǒng)計數(shù)據(jù)（表1），采用回歸分析法建立社會物流總額與GDP、全社會貨物周轉(zhuǎn)量和倉儲業(yè)固定資產(chǎn)投資額之間的回歸預(yù)測模型。

由于上文中關(guān)鍵影響因素主要是參照現(xiàn)有文獻(xiàn)并加入自己的思考后總結(jié)而來，具有一定的主觀性，為了加強(qiáng)本文的科學(xué)性和嚴(yán)謹(jǐn)性，在得到相關(guān)統(tǒng)計數(shù)據(jù)后，可繪制相關(guān)圖來檢驗關(guān)鍵影響因素的選取是否合理。

圖1 社會物流總額與GDP散點(diǎn)圖

圖2 社會物流總額與貨物周轉(zhuǎn)量散點(diǎn)圖

圖3 社會物流總額與倉儲業(yè)投資額散點(diǎn)圖

觀察圖1～3可知，社會物流總額與GDP、貨物周轉(zhuǎn)量和倉儲業(yè)投資額之間存在線性關(guān)系，關(guān)鍵影響因素選取合理?；谝陨戏治?，假設(shè)社會物流總額關(guān)于GDP、全社會貨物周轉(zhuǎn)量和倉儲業(yè)固定資產(chǎn)投資額呈多元線性回歸。則社會物流總額模型為：

其中：y表示社會物流總額（萬億元）；x1表示GDP（萬億元）；x2表示貨物周轉(zhuǎn)量（萬億噸公里）；x3表示倉儲業(yè)投資額（十億元）；β0，β1，β2，β3表示參數(shù)；ε表示隨機(jī)誤差。

表1 1991～2013年各項統(tǒng)計數(shù)據(jù)

根據(jù)1991～2013年的統(tǒng)計數(shù)據(jù)，用SPSS軟件進(jìn)行回歸分析，結(jié)果為：β0=-16.901，β1=0.899，β2=5.925，β3=0.116，相關(guān)系數(shù) R=0.999，檢驗 F=3538.014，通過數(shù)學(xué)檢驗?；貧w方程如下：

用差異分析法比較近兩年的預(yù)測值與實(shí)際值，我們可以發(fā)現(xiàn)，該模型比較理想（表2）。

表2 比較預(yù)測值與實(shí)際值

目前，利用多元線性回歸進(jìn)行預(yù)測時，只要將確切的自變量預(yù)測值代入回歸模型就可以預(yù)測出因變量的未來水平。但預(yù)測是對未來的判斷，而未來宏觀環(huán)境的變化是不確定的，自變量的預(yù)測值也會隨著環(huán)境的這種不確定性變化而呈現(xiàn)出多個不同的水平，自變量未來的預(yù)測值并不是唯一的。而且，受到現(xiàn)有信息以及知識的限制，我們很難給出各預(yù)測值未來可能出現(xiàn)的概率，也無法通過計算期望值的方法得到確切的預(yù)測值。在這種情況下，試圖用回歸分析進(jìn)行預(yù)測顯然是行不通的。然而，根據(jù)客觀經(jīng)驗以及相關(guān)調(diào)研分析，我們可以很容易地給出各自變量所有可能的組合的概率大小順序，對于這類問題，可以考慮建立概率排序型預(yù)測模型來解決。

2 概率排序型預(yù)測方法建模

2.1 問題描述與假設(shè)

給出線性回歸模型如下：

式中：y為因變量，x1，x2，…，xn為 y的n個關(guān)鍵影響因素，β1，β2，…，βn為參數(shù)，ε是隨機(jī)誤差。

表3 不同概率下各種組合及其對應(yīng)的結(jié)果

由以上分析可知，在實(shí)際的預(yù)測分析中,決策者對未來各自然狀態(tài)出現(xiàn)概率的了解是處于既有所了解但又不足以單值地計算出準(zhǔn)確數(shù)值來。換言之，決策者只知道N個未來狀態(tài)的概率將呈現(xiàn)出由大到小的順序：p1≥p2≥…≥pN，而不知道 pi的具體數(shù)值。在這種情況下,擬用傳統(tǒng)預(yù)測模型顯然是不可行的，因而研究此類狀態(tài)下的預(yù)測方法實(shí)用性很大，概率排序型預(yù)測方法正是這樣一種方法。

2.2 模型的構(gòu)建

在概率排序型預(yù)測中，由于各自然狀態(tài)出現(xiàn)的概率大小無法準(zhǔn)確估計，所以也無法準(zhǔn)確計算其期望值，但是我們可以求得期望值的最大值和最小值，因此，以區(qū)間的形式來描述預(yù)測結(jié)果，不失為一個簡單而又有效的辦法。

因變量y的期望值E(y)的最大值和最小值為:

3 基于概率排序型預(yù)測模型的中國物流發(fā)展趨勢分析

3.1 影響因素指標(biāo)預(yù)測

任何事物的發(fā)展都受到宏觀環(huán)境的影響，宏觀環(huán)境的好壞決定了事物發(fā)展水平的高低。GDP、全社會貨物周轉(zhuǎn)量以及倉儲業(yè)固定資產(chǎn)投資額作為三個經(jīng)濟(jì)方面的指標(biāo)，其發(fā)展水平必然與我國經(jīng)濟(jì)發(fā)展情況這個大環(huán)境密切相關(guān)。由于未來經(jīng)濟(jì)發(fā)展具備不確定性，三個指標(biāo)的預(yù)測值也可能隨之出現(xiàn)不同水平的波動。為了充分考慮這種不確定性，將所有可能的情況考慮進(jìn)來，在對影響因素指標(biāo)進(jìn)行預(yù)測時，應(yīng)對未來經(jīng)濟(jì)形勢樂觀、正常和謹(jǐn)慎估計下三個指標(biāo)的表現(xiàn)都有所涉及。

中國發(fā)改委主任在2011年稱歐美賬務(wù)危機(jī)增加了全球經(jīng)濟(jì)發(fā)展的不確定性，中國經(jīng)濟(jì)今后將進(jìn)入“中速增長期”，即增長率會從前十年平均9%下降到7%左右，相比于9%的增長率，顯然7%的增長率是個較為謹(jǐn)慎的估計。安永（美國會計事務(wù)所）則表示，盡管最近幾年增長率有所下降，但中國經(jīng)濟(jì)發(fā)展的勢頭依然強(qiáng)勁，其樂觀地估計我國GDP仍能夠繼續(xù)保持接近8.2%的平均增速；然而，從客觀實(shí)際出發(fā)，更多的學(xué)者認(rèn)為我國經(jīng)濟(jì)既不會繼續(xù)高增長，也不會進(jìn)入所謂“中速”增長期，而是會延續(xù)近幾年的發(fā)展趨勢，繼續(xù)以7.5%左右的增速增長。

根據(jù)以上數(shù)據(jù)，可以計算出2011～2017年三種經(jīng)濟(jì)形勢下中國GDP的預(yù)測值見表4所示，其中2011～2013年的數(shù)據(jù)用于檢驗?zāi)Ｐ停?014～2017年的數(shù)據(jù)用于預(yù)測，全社會貨物周轉(zhuǎn)量以及倉儲業(yè)固定資產(chǎn)投資額的預(yù)測也如此。

表4 2011～2017年中國GDP預(yù)測 （單位：萬億元）

文獻(xiàn)[11]根據(jù)國民經(jīng)濟(jì)“三步走”的發(fā)展戰(zhàn)略，提供了三種方法預(yù)測未來中國貨物運(yùn)輸發(fā)展趨勢，顯然，貨物運(yùn)輸發(fā)展水平也受到經(jīng)濟(jì)發(fā)展形勢的影響。文獻(xiàn)中預(yù)測結(jié)果是基于較早期的數(shù)據(jù)計算而來，故并不直接引用其數(shù)據(jù)，而只是借鑒其預(yù)測方法，并根據(jù)表1中的歷史統(tǒng)計數(shù)據(jù)重新計算得來。對比三種模型的預(yù)測結(jié)果，灰色模型預(yù)測值最高，線性回歸次之，指數(shù)平滑最低，因此，我們可將灰色模型、線性回歸和指數(shù)平滑的預(yù)測結(jié)果分別認(rèn)為是經(jīng)濟(jì)形勢樂觀、正常和謹(jǐn)慎情況下的預(yù)測。

表5 2012～2017年全社會貨物周轉(zhuǎn)量預(yù)測 （單位：萬億噸公里）

現(xiàn)有資料中幾乎沒有涉及倉儲業(yè)固定資產(chǎn)投資額的預(yù)測數(shù)據(jù)或者大都需要高價購買，我們很難找到權(quán)威的預(yù)測數(shù)據(jù)?？紤]到我們已經(jīng)搜集到的大量歷史數(shù)據(jù)，可利用SPSS軟件進(jìn)行時間序列法預(yù)測，預(yù)測結(jié)果如表6所示。預(yù)測結(jié)果中給出了高、中、低三個水平的預(yù)測值，顯然，預(yù)測值與投資者對未來經(jīng)濟(jì)形勢的把握有密切關(guān)系，投資者認(rèn)為未來經(jīng)濟(jì)形勢樂觀，預(yù)測值就高，對未來經(jīng)濟(jì)形勢持謹(jǐn)慎的態(tài)度，預(yù)測值則低。

表6 2012～2017年倉儲業(yè)固定資產(chǎn)投資額預(yù)測 （單位：十億元）

3.2 概率排序

由上一節(jié)的分析可知，GDP、全社會貨物周轉(zhuǎn)量以及倉儲業(yè)固定資產(chǎn)投資額指標(biāo)各有三個不同水平的預(yù)測值，理論上三個指標(biāo)的組合應(yīng)該有3×3×3=27種。然而，三個指標(biāo)都受到同一個宏觀環(huán)境的影響，不同水平的預(yù)測值是基于對未來經(jīng)濟(jì)發(fā)展前景不同的預(yù)期而得來，因此，當(dāng)人們對經(jīng)濟(jì)形勢的發(fā)展前景持樂觀態(tài)度時，對三個指標(biāo)的預(yù)測都將是樂觀預(yù)測；當(dāng)人們對經(jīng)濟(jì)形勢的發(fā)展前景持謹(jǐn)慎態(tài)度時，對三個指標(biāo)的預(yù)測也都將是謹(jǐn)慎的；而不可能同時出現(xiàn)一個指標(biāo)樂觀，而另一個指標(biāo)謹(jǐn)慎。所以三個指標(biāo)的組合實(shí)際上只有N=3個，分別是：{謹(jǐn)慎，謹(jǐn)慎，謹(jǐn)慎}、{正常，正常，正常}、{樂觀、樂觀，樂觀}。

由于未來經(jīng)濟(jì)發(fā)展具備不確定性，我們無法準(zhǔn)確地估計未來經(jīng)濟(jì)發(fā)展形勢樂觀、正常和悲觀三種情況可能出現(xiàn)的概率，但是根據(jù)相關(guān)資料，我們可以對三種情況可能出現(xiàn)的概率大小進(jìn)行排序。英國廣播公司國際部近期在全球25個國家所做的最新民意調(diào)查顯示，中國人對長期經(jīng)濟(jì)前景持樂觀態(tài)度的人占受訪者的比例高達(dá)62%，對經(jīng)濟(jì)前景感到悲觀的受訪者比例僅占11%，剩下近30%的人對經(jīng)濟(jì)前景樂觀或悲觀并無太大傾向性，由此可知，我國經(jīng)濟(jì)前景樂觀的概率最大，正常發(fā)展的可能性次之，發(fā)展前景悲觀的概率最小。按可能出現(xiàn)的概率大小對表7中的組合進(jìn)行排序，結(jié)果見表7所示。

表7 2011～2017年組合概率排序

表7中顯然有：p(X1)≥p(X2)≥p(X3)，這種情況可用概率排序法進(jìn)行計算。

3.3 預(yù)測

由式（2）可知：

y?f(x1，x2， x3)=0.899x1+5.925x2+0.116x3-16.901

每一個組合Xi(i=1，2，3)都唯一地確定一個y值。將每種組合的取值代入方程就得到相應(yīng)的y值，如表8所示。

表8 2011～2017年概率排序下對應(yīng)的預(yù)測y值

由第3部分的分析可知，求解y的最優(yōu)期望值，只要計算出所有N個局部平均數(shù)，并且直接判斷就可以找到最大期望值和最小期望值。最大的局部平均數(shù)就是期望值的最大值，最小的局部平均數(shù)就是期望最小值。根據(jù)此算法可求得2011～2017年社會物流總額的預(yù)測區(qū)間，預(yù)測結(jié)果見表9所示。對比2011～2013年的數(shù)據(jù)可知，實(shí)際數(shù)據(jù)均落在預(yù)測區(qū)間上，預(yù)測結(jié)果可靠。

表9 2011～2017年社會物流總額的預(yù)測（萬億元）

3.4 結(jié)論與分析

通過上述計算，預(yù)計2104年社會物流總額為（229.07，237.63）萬億元，2015年會攀升至（248.85，261.31）萬億元，2016年為（271.39，287.28）萬億元，到2017年，電子商務(wù)交易額將在297.28萬億元與321.66萬億元之間。

根據(jù)表1中1991～2013年社會物流總額的歷史數(shù)據(jù)以及表9中2014～2017年社會物流總額的預(yù)測數(shù)據(jù)（取最大值與最小值的均值進(jìn)行計算），可做出1991～2017年社會物流總額的增長圖如圖4所示。

圖4 1991～2017年社會物流總額及增長情況

由圖4可知，在未來的四年中，社會物流總額呈逐年遞增的趨勢，2014年開始突破200萬億元大關(guān)，到2017年，甚至有望超過300萬億元可見中國物流業(yè)發(fā)展前景仍然十分樂觀。

另外，觀察社會物流總額的增長曲線可知，在過去很長的一段時間中，我國物流業(yè)發(fā)展很不穩(wěn)定，增長速率波動較大，1994年增速達(dá)到了46%，而1998年的增速卻只有4%，但總體上增長速率呈下降的趨勢。隨著物流在我國發(fā)展的時間越來越長，社會物流總額的增長速率也越來越平穩(wěn)，近幾年物流總額增長速率的波動遠(yuǎn)小于剛開始一段時間的波動。隨著物流業(yè)的進(jìn)一步展，社會物流總額的增長速率將逐漸變得較為平緩。在未來的四年中，社會物流總額的增長速率只有很小幅度的波動，增長速率大概在10%左右，未來幾年中我國物流業(yè)或進(jìn)入“中速增長期”。

4 總結(jié)

本文構(gòu)建了物流業(yè)發(fā)展水平的回歸預(yù)測模型，并結(jié)合概率排序的方法對我國未來4年物流業(yè)發(fā)展趨勢進(jìn)行了預(yù)測。概率排序法是一種僅需要根據(jù)各自然狀態(tài)出現(xiàn)概率大小順序的信息來進(jìn)行預(yù)測的方法，而并不需要準(zhǔn)確估計主觀概率，選擇概率排序方法預(yù)測我國物流業(yè)發(fā)展水平有效地彌補(bǔ)了研究中主觀概率值缺失的缺陷，方法簡單，應(yīng)用方便。而且，在預(yù)測中概率排序法充分考慮了回歸模型中自變量未來可能的波動水平，預(yù)測結(jié)果以最大和最小期望值的區(qū)間形式很好地描述了由于自變量的不確定性導(dǎo)致的預(yù)測值的波動性，預(yù)測結(jié)果更貼近實(shí)際，具有很強(qiáng)的現(xiàn)實(shí)意義。而且，目前在物流領(lǐng)域，甚至是其他領(lǐng)域，對概率排序方法的研究都較少，用概率排序法來解決物流業(yè)發(fā)展趨勢的預(yù)測問題是一次新的嘗試。

[1]Navickas,Valentinas,Sujeta,et al.Logistics Systems as A Factor of Country’sCom-petitiveness[J].EconomicsandManagement,2011,(16).

[2]Warren H H,Hau L.Lee,Uma Subramanian.The Impact of Logistics Performance on Trade[J].Production and Operations Management,2013,22(2).

[3]Dewan M Z,Islam J,Fabian M,et al.Zunder,Giuseppe Pace.Logistics and Supply Chain Management[J].Research in Transportation Economics,2013,(41).

[4]Intan M M,Sabri A.Stepwise Mu-ltiple Regression Method to Forecast Fish Landing[J].Procedia Social and Behavioral Sciences,2010,(8).

[5]王文賀,劉莉.多元回歸分析法在城市用電量預(yù)測中的應(yīng)用[J].沈陽工程學(xué)院學(xué)報(自然科學(xué)版),2012,8(4).

[6]周曉娟,景志英.基于多元線性回歸模型的河北省物流需求預(yù)測實(shí)證分析[J].物流技術(shù),2013,32(5).

[7]付玲馨,李晶.長沙市物流業(yè)需求預(yù)測與發(fā)展對策研究[J].科技視界,2013,(35).

[8]董安明.概率排序型決策的方法[J].安慶師范學(xué)院學(xué)報(自然科學(xué)版),2000,6(3).

[9]陳剛,蔡遠(yuǎn)利,穆靜,楊衛(wèi)麗.海量信息異常檢測問題的異常概率排序算法[J].西安交通大學(xué)學(xué)報,2011,45(4).

[10]于百勝,黃文虎.不可能Hitting集的剔除與可能Hitting集的概率排序[J].振動工程學(xué)報,1997,10(3).

[11]龔樹生,劉開明.我國物流統(tǒng)計發(fā)展現(xiàn)狀分析[J].中國流通經(jīng)濟(jì),2003,17(1).

[12]嚴(yán)季,王煉.我國貨物運(yùn)輸發(fā)展趨勢分析[J].武漢理工大學(xué)學(xué)報(交通科學(xué)與工程版),2003,27(6).