張 璐，木 仁

（內(nèi)蒙古工業(yè)大學(xué)，內(nèi)蒙古 呼和浩特 010010）

ZHANG Lu,MU Ren

(Inner Mongolia University of Technology,Hohhot 010010,China)

1 國(guó)內(nèi)外研究現(xiàn)狀

1.1 國(guó)內(nèi)外研究現(xiàn)狀

Donald J.Bowersox 和David J.Closs 在《物流管理—供應(yīng)鏈過程一體化》中提出，物流需求有三大技術(shù)類別：時(shí)間序列、定性和因果關(guān)系的，時(shí)間序列技術(shù)集中于在歷史模式和歷史模式的變化上進(jìn)行預(yù)測(cè)[1]。

2003年，由于有法律法規(guī)等相關(guān)政策做支撐，Kevin 等人對(duì)所建立補(bǔ)償預(yù)測(cè)模型的基本要素、空軍庫(kù)存管理的功能進(jìn)行了分析，并比較了該模型與原材料需求計(jì)劃模型的相同點(diǎn)和不同之處[2]。

2001年，根據(jù)20 世紀(jì)60年代印度的貨物需求數(shù)據(jù)，Mudit Kulshreshtha 等人用時(shí)間序列模型推導(dǎo)出貨物需求量之間的關(guān)系，并進(jìn)行動(dòng)態(tài)計(jì)量經(jīng)濟(jì)時(shí)間序列建模，通過VAR 模型對(duì)建模數(shù)據(jù)進(jìn)行預(yù)測(cè)，結(jié)果證明高彈性的GDP 和低彈性的價(jià)格，包括實(shí)際運(yùn)價(jià)，都會(huì)對(duì)經(jīng)濟(jì)產(chǎn)生重大影響[3]。

1.2 國(guó)內(nèi)研究現(xiàn)狀

趙啟蘭、王稼瓊、劉宏志在《物流規(guī)劃中的需求與潛在需求分析》中對(duì)物流需求分析是區(qū)域物流規(guī)劃中的一個(gè)關(guān)鍵問題，體現(xiàn)出物流服務(wù)的多樣性、物流需求主體的廣泛性和物流需求的潛在性[4]。

潘育新在《零售業(yè)連鎖店配送中心的物流研究》中分析了配送中心物流規(guī)劃的基本內(nèi)容，通過對(duì)連鎖店配送中心物流流程的設(shè)計(jì)，歸納出實(shí)際運(yùn)作中的典型運(yùn)行程序和物流作業(yè)流程，在此基礎(chǔ)上對(duì)物流流程中的采購(gòu)、存儲(chǔ)、流通加工、配送和信息處理這五個(gè)重要的物流環(huán)節(jié)進(jìn)行深入分析[5]。

王曉原、李軍討論了灰色預(yù)測(cè)模型以及灰色預(yù)測(cè)模型在物流規(guī)模預(yù)測(cè)中的應(yīng)用，建立了基于灰色預(yù)測(cè)理論的GM（1,1）模型，敘述了運(yùn)用GM（1,1）模型進(jìn)行預(yù)測(cè)的詳細(xì)步驟，并以山東省的物流規(guī)模預(yù)測(cè)為例進(jìn)行了實(shí)際應(yīng)用，最后用殘差檢驗(yàn)和后驗(yàn)差檢驗(yàn)的方法對(duì)預(yù)測(cè)結(jié)果進(jìn)行了檢驗(yàn)，證明了預(yù)測(cè)結(jié)果的可信性[6]。

耿勇、鞠頌東、陳婭娜基于對(duì)經(jīng)濟(jì)與物流之間內(nèi)在關(guān)系的研究提出的“經(jīng)濟(jì)一物流需求”轉(zhuǎn)換BP 神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型。該模型在一定程度上反映了經(jīng)濟(jì)與物流需求之間的復(fù)雜映射關(guān)系，它不同于簡(jiǎn)單的物流需求線性回歸或時(shí)間序列預(yù)測(cè)模型，該模型采用經(jīng)濟(jì)指標(biāo)來對(duì)區(qū)域物流需求進(jìn)行預(yù)測(cè)，為從經(jīng)濟(jì)與物流一體化的角度研究物流需求提供了新的思路[7]。

謝實(shí)海在《區(qū)域物流中心布局規(guī)劃研究》一文中首先分析區(qū)域物流中心的含義、主要功能和建設(shè)意義，以及貨物集散系統(tǒng)、物流信息系統(tǒng)、物流控制系統(tǒng)等區(qū)域物流中心三大系統(tǒng)的相互關(guān)系。論文認(rèn)為物流需求量是區(qū)域物流中心功能設(shè)計(jì)和規(guī)模確定的依據(jù)[8]。

林連、林樺基于改進(jìn)的BP 神經(jīng)網(wǎng)絡(luò)在港口物流量預(yù)測(cè)中的應(yīng)用中提出針對(duì)傳統(tǒng)BP 神經(jīng)網(wǎng)絡(luò)模型收斂速度慢的缺陷，對(duì)其進(jìn)行改進(jìn)，以提高收斂速度。經(jīng)運(yùn)用廈門港物流出口量的歷史數(shù)據(jù)進(jìn)行檢驗(yàn)分析，給出BP 神經(jīng)網(wǎng)絡(luò)仿真計(jì)算方法，其仿真結(jié)果與實(shí)際結(jié)果進(jìn)行了比較[9]。

張鵬在《基于神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)方法及其在物流系統(tǒng)中的應(yīng)用研究》一文中研究了基于神經(jīng)網(wǎng)絡(luò)的物流預(yù)測(cè)理論和方法。文章指出了預(yù)測(cè)理論在解決實(shí)際問題所遇到的困難和不足，提出了一個(gè)改進(jìn)的三層神經(jīng)網(wǎng)絡(luò)BP 算法，初步建立了多種精度評(píng)價(jià)指標(biāo)、符合現(xiàn)代物流預(yù)測(cè)需要的神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型，并給出了詳細(xì)的理論方法和設(shè)計(jì)步驟。并且對(duì)基于神經(jīng)網(wǎng)絡(luò)的組合預(yù)測(cè)方法進(jìn)行了研究，提出了一個(gè)神經(jīng)網(wǎng)絡(luò)和指數(shù)平滑模型組合運(yùn)用的預(yù)測(cè)算法[10]。

張華勤在《我國(guó)港口集裝箱運(yùn)輸發(fā)展預(yù)測(cè)研究》一文中，針對(duì)我國(guó)港口集裝箱運(yùn)輸發(fā)展的現(xiàn)狀和需求，分析了我國(guó)港口集裝箱運(yùn)輸快速發(fā)展及其發(fā)展動(dòng)力，對(duì)未來我國(guó)港口集裝箱吞吐量和集中化趨勢(shì)進(jìn)行了預(yù)測(cè)，對(duì)國(guó)家如何加快我國(guó)樞紐港形成、企業(yè)制定適合自身發(fā)展的戰(zhàn)略提出了建議[11]。

黃麗在《隨機(jī)時(shí)間序列模型在物流需求預(yù)測(cè)中的應(yīng)用》一文中分析研究物流定義在中美的發(fā)展演變，以及物流管理與物流管理系統(tǒng)，并建立了三種線性隨機(jī)模型對(duì)物流需求進(jìn)行預(yù)測(cè)，并對(duì)預(yù)測(cè)的結(jié)果進(jìn)行相應(yīng)的分析和檢驗(yàn)。

王麗華在《區(qū)域物流規(guī)劃中的物流需求預(yù)測(cè)研究》一文中以山西省為例，研究了如何對(duì)區(qū)域物流規(guī)劃的物流需求量進(jìn)行預(yù)測(cè)，指出了影響預(yù)測(cè)的因素，建立了預(yù)測(cè)的指標(biāo)體系，并列舉了常用的預(yù)測(cè)方法和預(yù)測(cè)的步驟。

劉靜在《關(guān)于物流需求的研究》一文中，使用了情景分析法對(duì)某一地區(qū)的物流需求量進(jìn)行預(yù)測(cè)分析，并指出了物流需求分析的目的和相關(guān)的原則[12]。

2 物流需求預(yù)測(cè)含義

物流需求預(yù)測(cè)就是根據(jù)物流市場(chǎng)過去和現(xiàn)在的需求資料以及影響物流市場(chǎng)需求變化的因素之間的關(guān)系，利用合適的經(jīng)驗(yàn)判斷、技術(shù)方法和預(yù)測(cè)模型，對(duì)有關(guān)反映市場(chǎng)需求發(fā)展趨勢(shì)的指標(biāo)進(jìn)行預(yù)測(cè)。

物流需求源于社會(huì)各組成部分之間的生產(chǎn)生活，同時(shí)也受到物流供應(yīng)系統(tǒng)的影響，因而它是社會(huì)活動(dòng)的派生需求，與社會(huì)生產(chǎn)生活之間有著緊密的聯(lián)系。社會(huì)的各種生產(chǎn)生活因素的變化都會(huì)對(duì)物流需求產(chǎn)生重要的影響，隨之使實(shí)際物流量產(chǎn)生有規(guī)律而又隨機(jī)的變化。季節(jié)性變化、生產(chǎn)力的分布及經(jīng)濟(jì)建設(shè)與發(fā)展的不同階段等因素都使得物流需求呈現(xiàn)出不同的特性。因此進(jìn)行物流需求的預(yù)測(cè)十分復(fù)雜，對(duì)預(yù)測(cè)的內(nèi)容和方法都提出了很高的要求，給物流需求預(yù)測(cè)帶來了很大困難。

3 物流需求預(yù)測(cè)方法綜述

當(dāng)前物流需求預(yù)測(cè)模型主要分為兩大類：定性預(yù)測(cè)和定量預(yù)測(cè)。其中定性預(yù)測(cè)方法常用的有市場(chǎng)調(diào)查法、頭腦風(fēng)暴法、德爾菲法等。定量預(yù)測(cè)又可以分為傳統(tǒng)線性模型和現(xiàn)代非線性模型及組合預(yù)測(cè)模型。傳統(tǒng)線性模型主要有回歸分析法、時(shí)間序列法、灰色預(yù)測(cè)模型等，非線性模型主要有隱馬爾可夫模型（Hidden Markov Models，HMM）、人工神經(jīng)網(wǎng)絡(luò)（Artificial Neural Network，ANN）、最小二乘支持向量機(jī)（Least Squares Support Vector Machine，LSSVM）、交通斷面物流量預(yù)測(cè)等。

3.1 定性預(yù)測(cè)

定性預(yù)測(cè)在現(xiàn)實(shí)社會(huì)活動(dòng)中應(yīng)用最為廣泛，在科學(xué)技術(shù)不發(fā)達(dá)的時(shí)代，人們就是靠著定性預(yù)測(cè)的方法來預(yù)測(cè)事務(wù)的未來，從而指導(dǎo)人們的生產(chǎn)活動(dòng)。所謂定性預(yù)測(cè)就是人們根據(jù)自己掌握的實(shí)際情況、實(shí)踐經(jīng)驗(yàn)、專業(yè)水平，利用判斷、直覺、調(diào)查或比較分析等方法，對(duì)經(jīng)濟(jì)發(fā)展前景的性質(zhì)、方向和程度做出的判斷，有時(shí)在對(duì)事務(wù)分析的基礎(chǔ)上也可以給出數(shù)量估計(jì)。

定性預(yù)測(cè)方法很多，常用的幾種定性預(yù)測(cè)方法有：

（1）頭腦風(fēng)暴法

頭腦風(fēng)暴法又叫智暴發(fā)（Brain Storming Method），是由Osborn 在1957年提出，便很快得到了廣泛的應(yīng)用。其應(yīng)用基本原理是通過一組專家共同開會(huì)討論，進(jìn)行信息交流和互相啟發(fā)，從而誘發(fā)專家們發(fā)揮其創(chuàng)造性思維，促進(jìn)他們產(chǎn)生“思維共振”，已達(dá)到互相補(bǔ)充，并產(chǎn)生“組合效應(yīng)”的預(yù)測(cè)方法。它既可以獲取所要預(yù)測(cè)事件的未來信息，也可以弄清問題，形成方案，搞清影響，特別是一些交叉事件的相互影響。

（2）德爾菲法

德爾菲法（Delphi Method）又稱專家調(diào)查法，是由美國(guó)蘭德公司的達(dá)爾基（N.Dalkey）和赫爾默（O.Helmer）于1964年正式提出的。在正式提出后，很快就在世界上盛行起來。在初始階段，大多數(shù)預(yù)測(cè)案例都是科技預(yù)測(cè)的內(nèi)容，因而許多人誤解為只是科技預(yù)測(cè)的一種方法，實(shí)際上并非如此?，F(xiàn)在，此法的應(yīng)用遍及社會(huì)、經(jīng)濟(jì)、科技等各個(gè)領(lǐng)域，應(yīng)用頻率較高。

（3）市場(chǎng)調(diào)查法

市場(chǎng)調(diào)查法也稱為直接歸納法或經(jīng)濟(jì)調(diào)查法。市場(chǎng)調(diào)查法是通過各種不同的方法收集數(shù)據(jù)，并加以歸納匯總，在考慮其他因素的影響后，做出預(yù)測(cè)。

定性預(yù)測(cè)法的優(yōu)勢(shì)在于需要的數(shù)據(jù)較少，能考慮無法定量的因素且簡(jiǎn)便容易，在缺少足夠統(tǒng)計(jì)數(shù)據(jù)和原始資料的情況下，可以根據(jù)經(jīng)驗(yàn)做出一些定性估計(jì)和得到從資料上不能直接得到的信息，這種預(yù)測(cè)方法很大程度上取決于政策和專家的努力，而不是技術(shù)基礎(chǔ)，因此，它是一種不可缺少的靈活的經(jīng)濟(jì)預(yù)測(cè)方法，但其劣勢(shì)就在于人的主觀因素影響較大，方法難標(biāo)準(zhǔn)化，準(zhǔn)確性較難把握。在掌握數(shù)據(jù)不多、不夠準(zhǔn)確或是主要因素難以量化的、主觀的，可采用定性預(yù)測(cè)方法。

當(dāng)經(jīng)濟(jì)環(huán)境、系統(tǒng)結(jié)構(gòu)發(fā)生大的變化，或建立新的系統(tǒng)時(shí)，如：新產(chǎn)品需求預(yù)測(cè)、新技術(shù)的影響等，這是無法用定量預(yù)測(cè)方法進(jìn)行預(yù)測(cè)的，而這時(shí)定性預(yù)測(cè)卻是一種行之有效的方法。系統(tǒng)中一些無法定量的因素，只能通過判斷，進(jìn)行定性分析及預(yù)測(cè)。如：黨和國(guó)家方針政策的變化，消費(fèi)者心理的變化對(duì)市場(chǎng)供需變化影響等。另外，在進(jìn)行定量預(yù)測(cè)時(shí)也需要進(jìn)行定性分析及定性預(yù)測(cè)。如：確定預(yù)測(cè)問題的影響因素、對(duì)預(yù)測(cè)值的修正、對(duì)突變因素影響的預(yù)測(cè)等。由于物流量預(yù)測(cè)本身的特點(diǎn)，在物流量預(yù)測(cè)中定性預(yù)測(cè)更是在整個(gè)預(yù)測(cè)工作中是不可缺少的預(yù)測(cè)方法。

3.2 定量預(yù)測(cè)

3.2.1 傳統(tǒng)線性模型

傳統(tǒng)線性模型主要有回歸分析法、時(shí)間序列法、灰色預(yù)測(cè)模型等。回歸分析方法就是在大量實(shí)驗(yàn)觀測(cè)數(shù)據(jù)的基礎(chǔ)上，找出這些變量之間的內(nèi)部規(guī)律性，從而定量地建立一個(gè)變量和另外多個(gè)變量之間的統(tǒng)計(jì)關(guān)系的數(shù)學(xué)表達(dá)式。時(shí)間序列預(yù)測(cè)法是一種歷史資料延伸預(yù)測(cè)，也稱歷史引伸預(yù)測(cè)法。是以時(shí)間數(shù)列所能反映的社會(huì)經(jīng)濟(jì)現(xiàn)象的發(fā)展過程和規(guī)律性，進(jìn)行引伸外推，預(yù)測(cè)其發(fā)展趨勢(shì)的方法?；疑A(yù)測(cè)是通過鑒別系統(tǒng)因素之間發(fā)展趨勢(shì)的相異程度，即進(jìn)行關(guān)聯(lián)分析，并對(duì)原始數(shù)據(jù)進(jìn)行生成處理來尋找系統(tǒng)變動(dòng)的規(guī)律，生成有較強(qiáng)規(guī)律性的數(shù)據(jù)序列，然后建立相應(yīng)的微分方程模型，從而預(yù)測(cè)事物未來發(fā)展趨勢(shì)的狀況?；疑A(yù)測(cè)是一種對(duì)含有不確定因素的系統(tǒng)進(jìn)行預(yù)測(cè)的方法。

3.2.2 非線性模型

非線性模型主要有隱馬爾可夫模型（Hidden Markov Models，HMM）、人工神經(jīng)網(wǎng)絡(luò)（Artificial Neural Network，ANN）、支持向量機(jī)（Least Squares Support Vector Machine，LSSVM）等。

隱馬爾可夫模型馬爾可夫鏈，因安德烈·馬爾可夫（A.A.Markov，1856～1922）而得名，是數(shù)學(xué)中具有馬爾可夫性質(zhì)的離散時(shí)間隨機(jī)過程。該過程中，在給定當(dāng)前知識(shí)或信息的情況下，過去（即當(dāng)期以前的歷史狀態(tài)）對(duì)于預(yù)測(cè)將來（即當(dāng)期以后的未來狀態(tài)）是無關(guān)的。它是利用狀態(tài)之間轉(zhuǎn)移概率來預(yù)測(cè)事件接下來會(huì)發(fā)生的狀態(tài)或者發(fā)展變化趨勢(shì)[1]。

支持向量機(jī)（Support Vector Ma-chine，SVM）是建立在統(tǒng)計(jì)學(xué)習(xí)理論上的機(jī)器學(xué)習(xí)方法，已經(jīng)在實(shí)際應(yīng)用中得到很大的發(fā)展。近幾年更得到了迅速的發(fā)展，支持向量機(jī)理論具有強(qiáng)大的泛化能力，且建模簡(jiǎn)單，但預(yù)測(cè)指標(biāo)較少，無法將所有影響因素考慮在內(nèi)，適用于簡(jiǎn)單預(yù)測(cè)。

人工神經(jīng)網(wǎng)絡(luò)是近幾年發(fā)展迅速、且比較準(zhǔn)確的一種預(yù)測(cè)方法，人工神經(jīng)網(wǎng)絡(luò)模型是為了模擬生物大腦神經(jīng)系統(tǒng)的運(yùn)作方式而建立的一種數(shù)學(xué)簡(jiǎn)化模型。因此，神經(jīng)網(wǎng)絡(luò)擁有與生物大腦神經(jīng)系統(tǒng)相似的特點(diǎn)：

（1）具有高度的并行結(jié)構(gòu)和信息處理能力

人工神經(jīng)網(wǎng)絡(luò)的智能計(jì)算特性表現(xiàn)在層間神經(jīng)元的同步計(jì)算。且由大量的神經(jīng)元以串并聯(lián)的方式構(gòu)成的系統(tǒng)，并行處理能力更強(qiáng)，因而具有高速信息處理能力。

（2）具有很強(qiáng)的自學(xué)習(xí)和信息記憶能力

人工神經(jīng)網(wǎng)絡(luò)模型的有效信息存儲(chǔ)在整個(gè)系統(tǒng)中，并不是在某幾個(gè)神經(jīng)元中。事實(shí)上，各神經(jīng)元和神經(jīng)元間的作用強(qiáng)度都表示部分信息。若想完整地存儲(chǔ)某個(gè)信息，必須是整個(gè)系統(tǒng)參與學(xué)習(xí)和記憶。

（3）具有很強(qiáng)的容錯(cuò)能力

由于人工神經(jīng)網(wǎng)絡(luò)模型的有效信息存儲(chǔ)在整個(gè)系統(tǒng)中，并不是在某幾個(gè)神經(jīng)元中。因此部分神經(jīng)元損壞或者暫停工作，并不會(huì)影響網(wǎng)絡(luò)性能的展示。換言之，數(shù)據(jù)部分屬性丟失不會(huì)影響系統(tǒng)的正常工作。

4 總結(jié)

本文對(duì)物流預(yù)測(cè)國(guó)內(nèi)外研究現(xiàn)狀進(jìn)行了分析，對(duì)現(xiàn)有預(yù)測(cè)方法進(jìn)行了系統(tǒng)介紹，對(duì)物流預(yù)測(cè)方法的選擇具有現(xiàn)實(shí)意義。

[1]唐納德J.鮑爾索克斯.物流管理：供應(yīng)鏈過程一體化[M].北京：機(jī)械工業(yè)出版社，1998.

[2]Kevin Gaudette,H.Kenneth Alcorn,Matthew Mangan.Reparability forecasting Model[J].Air Force of Logistics,2003(4):40-42.

[3]Mudit Kulshreshtha,Aarnali Nag,Mukul Kulshrestha.A Multivariate Cointegrating Vector Auto-regressive Model of Freight Transport Demand:Evidence from Indian Railways[J].Transportation Research,2001(3):29-45.

[4]趙啟蘭，王稼瓊，劉宏志.物流規(guī)劃中的需求與潛在需求分析[J].中國(guó)軟科學(xué)，2004(2):92-95.

[5]潘鑫俊.廣東省物流需求分析[D].廣州：廣東外語外貿(mào)大學(xué)（碩士學(xué)位論文），2007.

[6]王曉原，李軍.灰色GM（1,1）模型在區(qū)域物流規(guī)模預(yù)測(cè)中的應(yīng)用[J].武漢理工大學(xué)學(xué)報(bào)，2005(3):415-417.

[7]耿勇，鞠頌東，陳婭娜.基于BP 神經(jīng)網(wǎng)絡(luò)的物流需求分析與預(yù)測(cè)[J].物流技術(shù)，2007(7):35-38.

[8]謝實(shí)海.區(qū)域物流中心布局規(guī)劃研究[D].南京：東南大學(xué)（碩士學(xué)位論文），2001.

[9]林連，林樺.基于改進(jìn)的BP 神經(jīng)網(wǎng)絡(luò)在港口物流量預(yù)測(cè)中的應(yīng)用[J].交通信息與安全，2009(5):161-165.

[10]張鵬.基于神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)方法及其在物流系統(tǒng)中的應(yīng)用研究[D].武漢：武漢理工大學(xué)（碩士學(xué)位論文），2002.

[11]張華勤.我國(guó)港口集裝箱運(yùn)輸發(fā)展預(yù)測(cè)研究[D].武漢：武漢理工大學(xué)（碩士學(xué)位論文），2002.

[12]劉靜.關(guān)于物流需求的研究[D].大連：大連海事大學(xué)（碩士學(xué)位論文），2006.

[13]后銳，張畢西.基于MLP 神經(jīng)網(wǎng)絡(luò)的區(qū)域物流需求預(yù)測(cè)方法及其應(yīng)用[J].系統(tǒng)工程理論與實(shí)踐，2005(12):43-47.