劉柏陽(江西理工大學，江西 贛州 341000)

一、引言

近年來，雖然隨著我國潛在經(jīng)濟增長率逐步的降低，物流運行速度也隨之趨緩，但在國家一系列利好政策的促進下，我國物流業(yè)也保持了平穩(wěn)的增長。2013年我國物流成本為10.2萬億元，占GDP的比重為17.8%，自2007年以來，該比重僅從18.4%降至17.8%，不僅高于美、日、德等經(jīng)濟發(fā)達國家，也高于南美和亞太國家的平均值，與經(jīng)濟發(fā)展水平基本相當?shù)慕鸫u國家相比也偏高，其中印度13.0%，巴西11.6%。物流成本提高會導致產(chǎn)品價格上漲，不僅削弱我國的競爭力，而且日用消費品價格上漲，也導致我國人民生活成本的提高。［1］物流成本預測，指的是有計劃地分析物流成本相關的歷史數(shù)據(jù)資料，運用一定科學技術的預測方法，對未來某段時期國家、區(qū)域或企業(yè)的物流成本發(fā)展水平及其趨勢變化所做出的定量估計，定性描述和邏輯推斷，從而得出合理的假設和判斷。［2］因此，通過選擇更加合理的物流成本預測方法來對社會或企業(yè)的物流成本進行準確預測，有助于相關政府部門或企業(yè)的管理人員掌握其基本情況，為后期物流成本的控制及決策提供準確科學的數(shù)據(jù)支撐和理論依據(jù)，從而對降低物流成本、提高物流運行效率以及提高社會經(jīng)濟效益具有一定的現(xiàn)實意義。

二、物流成本的傳統(tǒng)預測方法

物流成本的傳統(tǒng)預測方法主要有兩大類:一類是定量法，以統(tǒng)計資料為基礎來分析計算的預測法，主要包括外推法和因果法，是利用相關歷史數(shù)據(jù)資料和找出所要預測的物流成本變量與其相關的變量之間的關系，從而預測物流成本未來趨勢的方法;另一類是定性法，以調查為基礎的經(jīng)驗判斷法，一般指判斷分析法，是個人或集體根據(jù)已有經(jīng)驗結合綜合分析、判斷能力等較為主觀的思維來預測物流成本未來趨勢的方法。但在實際預測物流成本過程中，最好將定量和定性兩種方法結合起來使用，這樣可以獲得更加客觀、準確的預測結果。［3］

(一)時間序列預測法

定量分析法中的外推法，一般指時間序列預測法，即把時間序列作為隨機變量序列的一個樣本，使用應用概率統(tǒng)計方法來減少其他偶然因素的影響，在統(tǒng)計意義上能對物流成本進行較好的預測。其中，在物流成本預測中時間序列預測法一般使用的具體方法為:趨勢平均法和指數(shù)平滑法。

1.趨勢平均法

該方法建立在物流成本的歷史趨勢及其規(guī)律性保持原有狀態(tài)這種假定上。其計算公式為:

某一期的物流成本預測值=最后一期的移動平均數(shù)+推后的期數(shù)最后一期的趨勢移動平均數(shù)

在用趨勢平均法來計算多個時期的趨勢平均時，前后各時期使用同一個權數(shù)，從而所使用的數(shù)據(jù)對未來物流成本的預測值具有相同的影響。因此，該方法預測物流成本的結果與實際情況會有較大差異。為彌補該缺陷，則需使用以下方法進行預測。

2.指數(shù)平滑法

式中:Fn—下期預測值;Fn-1—本期實際值;Dn-1—本期預測值;a—平滑系數(shù)(其取值范圍為0＜a＜1)，則計算公式為:

Fn=Fn-1+a(Dn-1-Fn-1)=aDn-1+(1-a)Fn-1

將上式類推下去，可得展開式為:

Fn=aDn-1+a(1-a)Dn-2+a(1-a)2Dn-3+…+a(1-a)t-1Dn-t+(1-a)tFn-t

該預測方法建立在移動平均法之上并配合一定時間序列模型，用平滑系數(shù)對過去各期的實際數(shù)進行了加權，且近期權數(shù)更大，遠期權數(shù)更小，考慮到了歷史數(shù)據(jù)。雖然這種方法更符合客觀實際，但確定平滑系數(shù)時有較大的主觀因素。［4］

(二)回歸分析法

定量分析中的因果法，一般指的是回歸分析法，即在統(tǒng)計分析大量數(shù)據(jù)的基礎上來確定變量之間所存在的線性或非線性關系的預測方法。也就是通過因果關系建立函數(shù)表達式來表述變量之間的依存關系，即因變量與自變量的關系。因此，通過因變量和自變量之間所客觀存在的因果關系，可更加準確的預測物流成本的變化趨勢。

1.一元線性回歸預測法

一元線性回歸預測法是研究具有線性關系的兩個變量之間的關系，在確定自變量x與因變量y之間是否線性相關之后判斷其相關程度，線性相關的判斷方法有:A.散布圖法。即將有關的數(shù)據(jù)繪制成散布圖，然后直接觀察其分布情況即確定兩個變量之間是否有線性關系。B.相關系數(shù)法。通過計算相關系數(shù)r確定兩個變量之間的關系。

其中，相關系數(shù)r的基本計算公式為:

判斷標準如下表所示:

相關系數(shù)的絕對值＞0.70.3～0.7＜0.30因變量與自變量的關系 強相關 顯著相關 弱相關 不相關

在確認因變量與自變量之間存在線性關系之后，便可建立回歸直線方程:

y=a+bx

式中:y—因變量;x—自變量;a、b—回歸系數(shù)。

依據(jù)最小二乘法原理，可得:

然后，即可根據(jù)該方程進行物流成本預測了。但在物流成本預測時，導致物流成本變化的影響因素往往不止一個，也就是可能存在一個因變量和多個自變量有依存關系的情況。且可能幾個影響因素的主次難以區(qū)分，或者有的因素雖然次要，但其作用也不能忽略。在實際預測時，采用一元線性回歸法則不可取，這時需要采用多元線性回歸法。［5］

2.多元線性回歸預測法

當自變量有兩個及兩個以上時，則須采用多元線性回歸模型進行物流成本預測。其中，二元線性回歸預測法如下:

式中:y—因變量;x—自變量;a、b、c—回歸系數(shù)。則標準方程為:

y=a+bx1+cx2

然后用總和∑的形式表達標準方程式中的每一項得:

∑y=na+b∑x1+c∑x2

用x1乘以上式，得:

∑x1y=a∑x1+b∑x21+c∑x1x2

用x2同乘以上式，得:

∑x2y=a∑x2+b∑x1x2+c∑x22

三、物流成本的新預測方法

(一)基于時間序列的多元線性回歸預測法

時間序列(Time series)指的是與時間先后次序有關的統(tǒng)計數(shù)列，其自變量為時間，因變量為與各時間對應的變量等式。因為物流成本會隨著時間并產(chǎn)生時間序列，在物流成本預測過程中，須根據(jù)過去的數(shù)據(jù)來預測未來，這時就可利用時間序列技術。由于影響物流成本的不確定因素比較多，須對物流成本的影響因素的相關歷史數(shù)據(jù)信息剔除，通過歸結元數(shù)據(jù)來形成具有時序性的時間數(shù)據(jù)序列，使其將屬于同一時序間隔中的相關數(shù)據(jù)統(tǒng)一按照時序規(guī)律的數(shù)據(jù)結構排列。并根據(jù)該數(shù)據(jù)結構來選取作為物流成本預測模型中解釋變量的影響因素，量化自變量的系數(shù)，建立物流成本預測模型，根據(jù)回歸分析檢驗自變量之間的多重共線性和自相關性，將數(shù)據(jù)的時序性和變量之間的因果關系結合起來預測物流成本。［6］在實際建立預測模型過程中，應選取具有時間序列的自變量數(shù)據(jù)來預測物流成本數(shù)據(jù)。

建立預測模型的步驟:第一，建模前準備。在對物流成本歷史數(shù)據(jù)適當進行整理和預處理后，確定物流成本的影響因素即模型中的自變量，并對各影響因素的數(shù)據(jù)資料進行相關性分析，以保證該模型具有優(yōu)良的解釋能力和預測效果，其中，理論上應滿足條件線性、獨立性、互斥性、完整性、正態(tài)性和方差齊性。第二，建立預測模型并計算。使用SPSS和SAS專業(yè)的統(tǒng)計軟件建立預測模型，然后將經(jīng)過分析整理后的各個自變量的時間序列數(shù)據(jù)輸入該模型，即可得到需要預測的物流成本數(shù)據(jù)。第三，檢驗預測模型。在應用數(shù)學模型預測物流成本后還需要檢驗回歸方程的擬合度和顯著性，以此檢驗研究模型是否有使用價值。其中包括擬合優(yōu)度檢驗、多元回歸方程整體的顯著性檢驗與偏回歸系數(shù)的假設檢驗。

基于時間序列的多元線性回歸預測的不足:該預測法對于歷史數(shù)據(jù)的數(shù)量和準確性要求比較高，而我國物流成本統(tǒng)計數(shù)據(jù)僅推算至1991年，且2009年我國才發(fā)布《社會物流統(tǒng)計指標體系》。因此，缺少準確的相關歷史統(tǒng)計數(shù)據(jù)，滿足不了其基本要求。同時，物流業(yè)屬于生產(chǎn)性服務型行業(yè)，建立模型需要穩(wěn)定的系統(tǒng)結構，但物流系統(tǒng)大多非常復雜，且非線性的不確定影響因素較多，由于此模型主要適用于研究線性問題，構建出精確而且穩(wěn)定的定量模型具有一定難度。［7］

(二)神經(jīng)網(wǎng)絡預測法

神經(jīng)網(wǎng)絡全稱為人工神經(jīng)網(wǎng)絡(Artificial Neural Networks，ANN)，是對人腦若干基本特性的抽象，由大量神經(jīng)元通過豐富的連接構成了多層網(wǎng)絡，用以模擬人腦功能。實際上，神經(jīng)網(wǎng)絡可以實現(xiàn)任意的函數(shù)關系，是一種不依賴于模型的自適應函數(shù)估計器。由于定量和定性信息都可貯存于網(wǎng)絡內的各神經(jīng)元中，因此可同時處理定量和定性的數(shù)據(jù)信息，可用于回歸和分類，具有較強的穩(wěn)定性和容錯性。其具有的泛化能力能夠立刻預測物流成本，即掌握已有數(shù)據(jù)的內在規(guī)律后，對新的變化做出預測。［8］預測模型的建立是通過已有的樣本，給出輸入與輸出之間的函數(shù)計算關系，以便據(jù)此用輸入來確定、估計或預測輸出。如下圖，研究由一些可被觀測的變量描述的系統(tǒng)，其中x為輸入變量，y為輸出變量。G為示例發(fā)生器，它以某一未知且固定的的概率分布函數(shù)P(x)，獨立分布產(chǎn)生變量X，f是X和Y之間存在的映射關系，函數(shù)表達式為Y=f(x)。但實際操作中，可能觀測不到某些影響Y的因素，即Y中可能含有噪聲。LM為能夠學習樣本規(guī)律的某種模型，即神經(jīng)網(wǎng)絡。［9］

建立預測模型的步驟:第一，建模前準備。首先根據(jù)根據(jù)頂測指標選取的可測性、可比1性和代表性原則選取合理的指標，確定輸入項和輸出項，建立指標體系，還要對所收集的數(shù)據(jù)進行預處理以便為之后的建模數(shù)據(jù)更加容易訓練和學習。第二，建立預測模型?？梢越柚鶰ATLAB軟件實行網(wǎng)絡模型設計，建立預測模型，對預處理后的的數(shù)據(jù)進行大量的樣本測試、設置網(wǎng)絡參數(shù)和訓練直至該模型的誤差值小于le-5，將需要的神經(jīng)網(wǎng)絡預測模型進行擬合，確定最終模型。［10］第三，分析誤差，驗證模型并進行預測。取部分數(shù)據(jù)使用Tramnmx函數(shù)來驗證誤差值，假如在誤差范圍內則通過誤差檢驗，可以進行物流成本預測。

神經(jīng)網(wǎng)絡預測的不足:雖然模型相比其他模型更易于擬合物流成本的數(shù)據(jù)，更具穩(wěn)定性、操作性和精確性，在處理非線性問題時具有明顯優(yōu)勢，［11］但神經(jīng)網(wǎng)絡比較容易陷入局部最小點，所以易出現(xiàn)過度擬合而使得泛化能力變差，其網(wǎng)絡訓練很繁瑣且難以解釋其結果。

(三)灰色預測法

灰色預測法是在一種描述系統(tǒng)動態(tài)變化特征基礎上的預測模型，它不僅指系統(tǒng)中含有灰元、灰數(shù)、灰關系的預測，而且還從灰色系統(tǒng)理論的建模、關聯(lián)分析及殘差辨識出發(fā)，獲得有關預測的概念、觀點和方法。灰色預測法是在灰色模塊的基礎上，認為所有隨機量都在一定時段上及一定范圍內變化的灰色量。對于灰色量的處理不是尋求其概率分布和統(tǒng)計規(guī)律，通過一定的方法處理無規(guī)律的原始數(shù)據(jù)信息，將其變成更加有規(guī)律的時間序列數(shù)據(jù)。［12］即以數(shù)找數(shù)的規(guī)律，再建立動態(tài)模型，其具有的序列性、少數(shù)據(jù)性、全信息性和時間傳遞性等特點適合預測物流成本。在實際預測物流成本時一般采用GM(1，1)模型預測。

建立預測模型的步驟:第一，建模前準備。整理歷史數(shù)據(jù)，選取預測指標。第二，建立模型及檢驗。運用MATLAB軟件或EXCEL軟件建立GM(1，1)預測模型。與其他模型相比，還需經(jīng)過殘差檢驗、關聯(lián)度檢驗和后驗差檢驗，如果經(jīng)過檢驗誤差較大，則需對原模型經(jīng)行殘差修正，提高預測模型精度。第三，進行預測。用已收集的數(shù)據(jù)進行物流成本預測。

灰色預測的不足:灰色預測模型在短期的物流成本預測時準確度更高，但隨著預測時期的增長，可能出現(xiàn)的未來擾動或其他不定因素將會對預測系統(tǒng)產(chǎn)生較大影響。為了預測物流成本更長時期的系統(tǒng)變化情況，則需用等維灰數(shù)遞補模型進行彌補來提高預測的準確度。［13］

四、結語

為了更加準確地預測區(qū)域物流成本，除了使用更多歷史數(shù)據(jù)資料和考慮更多且有效的影響因素，例如現(xiàn)代物流業(yè)發(fā)展中出現(xiàn)的新影響因素，以及其他一些定性影響因素，還要選取合理的預測方法，本文通過總結歸納傳統(tǒng)的物流預測方法以及針對物流系統(tǒng)的復雜性和特殊性，對上述三種新的預測模型進行了較為詳細的介紹。雖然三種新模型為我們提供了更為精確的物流成本的預測方法，但在實際預測過程中，單一模型多少都存在不足之處，因此可以嘗試使用組合預測方法，在不同的情況下，選取更為科學合理的物流成本預測方法，使其成為組合預測模型的一部分，與單一的預測模型相比，可進一步提高預測物流成本的精準度。

［1］中國物流與采購聯(lián)合會，香港馮氏集團.中國采購發(fā)展報告(2014)［R］.中國財富出版社.2014(11)http://www.56lem.com/news/show-457.html.

［2］丁雪慧.回歸分析法在物流成本預測中的應用［J］.財會通訊.2009(4):120-121.

［3］董永茂.現(xiàn)代物流成本管理探析［J］.物流技術.2010(5):49-51.

［4］李伊松，易華.物流成本管理［M］.北京:機械工業(yè)出版社，2005:271-273.

［5］王法中.基于神經(jīng)網(wǎng)絡的煤炭企業(yè)物流成本預測［D］.山東科技大學.2007.

［6］孫淑生，羅寶花.多元線性回歸模型在物流成本預測中的應用［J］.商業(yè)時代.2014(18):19-21.

［7］荀燁，安迪等.基于BP神經(jīng)網(wǎng)絡的軍事物流成本預測［J］.軍事交通學院學報.2012(11):64-67.

［8］數(shù)據(jù)挖掘(六):預測 http://blog.csdn.net/kingzone_2008/article/details/8977837.

［9］施彥，韓力群，廉小親.神經(jīng)網(wǎng)絡設計方法與實例分析［M］.北京:北京郵電大學出版社.2009:1-2.

［10］胡心專，張亞明，張文文.BP神經(jīng)網(wǎng)絡在社會物流成本預測中的應用［J］.企業(yè)經(jīng)濟.2010(10):93-95.

［11］凍芳，金甌，賀建飚.BP神經(jīng)網(wǎng)絡在預測物流成本中的應用［J］.微計算機信息.2008(24):175-176.

［12］談貴軍.區(qū)域物流成本統(tǒng)計與預測方法研究［D］.中南大學.2009.

［13］溫麗華.灰色系統(tǒng)理論及其應用［D］.哈爾濱工程大學.2003.

江西省研究生創(chuàng)新專項資金項目(編號:3104100028)