鄒 欣，汲昌霖

ZOU Xin1, JI Chang-lin2

（1.成都理工大學管理科學學院，四川成都610059；2.山東大學經濟研究院，山東濟南250100）

(1.School of Management Sciences, Chengdu University of Technology, Chengdu 610059, Sichuan, China； 2.Economic Research Institute, Shandong University, Ji’nan 250100, Shandong, China)

區(qū)域物流園區(qū)建設規(guī)模預測分析

鄒 欣1，汲昌霖2

ZOU Xin1, JI Chang-lin2

（1.成都理工大學管理科學學院，四川成都610059；2.山東大學經濟研究院，山東濟南250100）

(1.School of Management Sciences, Chengdu University of Technology, Chengdu 610059, Sichuan, China； 2.Economic Research Institute, Shandong University, Ji’nan 250100, Shandong, China)

在闡述四川省物流產業(yè)發(fā)展概況的基礎上，通過選取四川省2000—2013年貨物運輸量數據，根據貨運總量的實際值、線性擬合值及二次曲線擬合值，采用三次指數平滑法預測四川省2020年的物流總量，采用改進參數法對四川省2020年的物流園區(qū)建設規(guī)模進行預測，為四川省區(qū)域物流園區(qū)規(guī)劃和建設工作提供數據支持。

物流園區(qū)；規(guī)模預測；指數平滑法；改進參數法

物流園區(qū)是指物流節(jié)點作業(yè)活動的空間集結地,通常由政府規(guī)劃和支持,為實現規(guī)模經濟和集聚效應、促進物流業(yè)的可持續(xù)發(fā)展,集中布局各類物流設施和多家物流企業(yè),是發(fā)揮整體優(yōu)勢和互補優(yōu)勢的場所[1]。物流園區(qū)通過提高物流組織化水平與集約化程度、整合物流資源等方面,推動著地區(qū)現代物流業(yè)與區(qū)域經濟的發(fā)展,在改善地方經濟運行環(huán)境、調整產業(yè)結構等方面發(fā)揮著非常重要的作用。因此,加快物流園區(qū)建設已經成為近些年各地政府的重要決策之一。根據 2015 年 7 月發(fā)布的《第四次全國物流園區(qū)(基地)調查報告》[2]顯示,我國物流園區(qū)的數量由 2006 年的 207 家增加至 2015 年的 1 210 家,增長率高達 484%。但是,物流園區(qū)的規(guī)劃應充分體現超前性,對地區(qū)經濟發(fā)展水平和物流需求應有正確的評估,如果其規(guī)劃規(guī)模與需求規(guī)模不相匹配,將不利于區(qū)域物流業(yè)及區(qū)域經濟的持續(xù)發(fā)展,并且可能造成土地閑置、資源浪費等諸多問題。因此,科學而系統(tǒng)地對物流園區(qū)的建設規(guī)模進行規(guī)劃,不僅能夠更加充分地利用土地資源,發(fā)展區(qū)域物流經濟,還能避免不必要的浪費,實現利益最大化。以四川省為例,通過運用指數平滑法及改進參數法建立預測模型,對四川省物流園區(qū)建設規(guī)模進行預測,為四川省現代物流發(fā)展規(guī)劃提供決策依據。

1　四川省物流產業(yè)發(fā)展概況

近年來,隨著四川省物流業(yè)規(guī)模的不斷擴大,據《2014 年四川省物流運行情況的通報》[3]顯示, 2014 年四川省社會物流總額和物流業(yè)增加值分別為 54 804.7 億元、1 586.79 億元,同比分別增長7.9%、8.3%。2005 年四川省物流業(yè)增加值占全省服務業(yè)增加值比例為 7.7%,而到 2014 年該比例已經上升至 15.1%。為進一步促進和規(guī)范四川省物流園區(qū)發(fā)展,四川省政府在 2014 年 9 月出臺《四川省物流園區(qū)發(fā)展規(guī)劃 (2014—2020 年)》,2020 年將建設國家級和省級示范物流園區(qū) 20 個以上,并且提出“一核、四帶、多點”的物流園區(qū)規(guī)劃布局。其中,“一核”是指以成都為核心,“四帶”分別是成綿廣巴北向帶、成遂南廣達東向帶、成自瀘宜東南向帶和成樂雅攀南向帶,“多點”是指與“一核、四帶”物流園區(qū)配套的專業(yè)性物流園區(qū)或配送中心,四川省物流園區(qū)空間布局如圖1 所示。

2　四川省貨運總量預測

2.1預測模型的選取

合理預測貨運量對于制定交通運輸發(fā)展政策、規(guī)劃交通基礎設施布局和現代物流決策具有重要意義。許多專家和學者通過對貨運量預測進行研究,提出了不同的預測方法與手段。李維國等[4]分別利用 GM (1,1) 和新陳代謝模型對深圳市貨運量進行預測,并且對這 2 種模型的預測結果進行比較分析；溫愛華等[5]基于廣義回歸神經網絡 (GRNN) 構建預測模型,對鐵路貨運量進行預測,并且將預測結果與 BP 模型進行比較分析；耿立艷等[6]建立灰色自適應粒子群最小二乘支持向量機 (GM-APSOLSSVM) 預測模型,并輔以實例進行分析和驗證；趙建有等[7]構建一個模糊線性回歸模型,并采用該模型預測延安市公路貨運量,再通過與指數平滑法、灰色模型和彈性系數法預測結果的比較,證明該方法具有較高精度；戚銘堯等[8]對當前已有的貨運預測模型進行歸納,提出可計算一般均衡 (CGE) 的貨運量預測模型,最后進行實例驗證分析；周程等[9]提出一種基于趨勢分解和小波變換的多重“分解—集成”預測模型,并對湖北省貨運量進行預測。其中,在數據的需求和處理量方面,只要有上期的實際數據及預測值,就可以通過指數平滑法得到下期預測值,而且較易通過Excel 計算實現；同時,在眾多的應用中,由于最靠近現在時間點的資料比過去的歷史資料更能代表未來值,而指數平滑法作為簡單并且兼具邏輯性的方法,處理時間性資料的預測精度較高。通過選取四川省 2000—2013 年貨物運輸量數據,采用指數平滑法對四川省 2020 年貨運總量進行預測。四川省 2000—2013 年貨物運輸量如表1 所示。

根據實際貨運總量變化數據,選取合適的平滑次數,當數據呈現水平趨勢時,選用一次指數平滑值作為預測值；當呈線性趨勢時,采用二次指數平滑值；如果具有二次曲線趨勢時,則應使用三次指數平滑值[10]。應用 SPSS 20.0 統(tǒng)計分析軟件對四川省 2000—2010 年貨運總量數據進行曲線估計,四川省 2000—2010 年貨運總量數據擬合圖如圖2 所示,可知貨運總量數據呈現二次曲線趨勢的擬合程度較高。因此,通過建立三次指數平滑模型,可以比較準確地反映貨運總量數據的變化趨勢。

圖1　四川省物流園區(qū)空間布局

表1　四川省 2000—2013 年貨物運輸量 萬 t

2.2三次指數平滑預測模型

三次指數平滑法預測的數學模型計算公式為

at，bt，ct的計算公式為

式中：S 為指數平滑值,第 t 年的一次、二次和三次指數平滑值分別記為各指數平滑值計算公式為

圖2　四川省 2000—2010 年貨運總量數據擬合圖

式中：yt為第 t 年的實際貨運總量；α 為平滑系數, 0＜α＜1。

指數平滑值是預測時點上一期的實際值和上一期預測值的加權平均,而平滑系數 α 的大小則決定此次預測反映先前預測的誤差程度。0.2～0.5 為常用的平滑常數取值范圍,表示目前的預測應根據先前的預測誤差調整 20%～50%。較大的常數值可能產生較快的回應速度,但也可能產生反常的情況；而較小的常數值則可能產生預測值嚴重落后的結果。因此,選擇平滑系數 α 對預測結果至關重要。關于平滑系數 α 的選擇,Ballou[11]認為 α 越大,表示實際值的權重越高,此預測模式可以快速預測模式的改變,但過高的 α 值會使模式過于敏感,只追蹤到隨機變異而無法察覺出基本的變化；反之,如果 α 值越小,則對歷史數據的需求越高,需要經過較長的時間周期來反映時間序列的變化,從而預測結果更加平穩(wěn),因而 Ballou 建議 α 值在 0.01～0.3 之間。Sullivan 與 Claycombe[12]認為資料形態(tài)為隨機變動而且水平平緩時,較小的 α 值會有較好的預測結果；而當資料形態(tài)經常變動 (上下跳動) 時則需要較大的 α 值；此外資料為線性形態(tài)時,較大的 α 值會有較好的預測結果。Bails 與 Peppers[13]認為資料形態(tài)較穩(wěn)定的時候,適合于采用較小的 α 值；當資料形態(tài)快速變動時,則建議采用較大的 α 值,其值設定在 0.1～0.4 之間。針對如何尋找最佳 α 值, Bails 與 Peppers 提出 2 種方法：一種是利用歷史資料的模擬找出最佳 α 值,另一種方法則是根據歷史資料的形態(tài)來加以判斷。

2.3初始值和平滑系數 α 值的確定

以信噪比S/N為10和3，分別測定定量限和檢測限，計算出阿多尼弗林堿的定量限和檢測限分別為 0.2 ng·mL-1和 0.05 ng·mL-1。

對表1 中 2000—2002 年的貨運總量數據采用 ⑴式進行擬合,當 t = 0 時,將 T = 1,2,3 分別代入 ⑴式中,并且用貨運總量實際值代替預測值,計算公式為 y1= a0+ b0+ c0= 54 943,y2= a0+ 2b0+ 4c0= 54 141,y3= a0+ 3b0+ 9c0= 57 297。

從而計算得到 a0= 59 703,b0= -6 739,c0= 1 979。再根據 ⑵ 式計算得到

從圖2 可知,四川省貨運總量變化的趨勢較大,因而在 0.4～0.6 的范圍內選取平滑系數 α 的值。通過采用試探的方法分別對 α 取值 0.40, 0.45,0.50,0.55,0.60 并進行預測,5 種平滑系數 α 取值預測結果比較如表2 所示。結果表明,當平滑系數 α取 0.5 時,2011,2012 及 2013 年預測值與實際值的相對誤差分別為 -1.696 7%、-2.607% 和 0.26%,預測誤差最小。因此,最終選取 α = 0.5 進行 2020 年四川省貨運總量的預測。

將 α = 0.5 代入 ⑷ 式,得到以下初始值。

2.4計算指數平滑值及預測參數

將初始值代入 ⑶ 式,利用 Excel 軟件計算出所對應的一次、二次和三次指數平滑值,指數平滑值如表3 所示。

表2　5 種平滑系數α 取值預測結果比較

表3　指數平滑值 萬t

取 t = 11,將表3 中的相關數據代入 ⑵ 式,計算得到 3 個預測參數。

3　物流園區(qū)建設規(guī)?？偭康念A測

3.1建設總規(guī)模的預測方法

根據現有的物流園區(qū)建設規(guī)模預測方法[14-17],同時考慮到數據的可得性,采用孫焰等[18]提出的改進參數法進行四川省物流園區(qū)建設規(guī)?？偭款A測,其計算公式為

式中：S 為區(qū)域物流園區(qū)建設總面積,萬m2；ω為其他用地面積的配比系數,ω 一般取值范圍為25%～35%；θ 為預留用地系數,θ 一般取值范圍為3%～5%；L 為預測規(guī)劃目標年份的全社會物流總量,萬 t；i1為規(guī)劃目標年份第三方物流 (TPL) 市場占全社會物流市場的比例,根據我國目前的發(fā)展情況可以取 20% 左右；i2為規(guī)劃目標年份 TPL通過物流園發(fā)生的作業(yè)量占 TPL 全部物流作業(yè)量的比例,可以稱為適站系數,i2的一般取值范圍為60%～80%；α 為單位生產能力用地參數,m2/t, α 的一般取值范圍為30～50 m2/t；全社會物流總量 L 可以通過預測得到,但目前在各類統(tǒng)計資料中沒有關于物流量方面的數據,因而在宏觀推算園區(qū)規(guī)模時,通常采用貨運總量代替物流量。

3.2參數值的確定及建設總規(guī)模的計算

根據上述對各參數取值的敘述,結合四川省的經濟發(fā)展水平、市場化程度、經濟總量及區(qū)域內外輸入輸出能力等因素,改進參數法中各參數值選取情況如表4 所示。以三次指數平滑預測模型計算得到的四川省 2020 年貨運總量預測值為基礎,預測2020 年四川省物流園區(qū)建設規(guī)模總量。

表4　改進參數法中各參數值選取情況

將各參數代入 ⑹ 式,得到四川省 2020 年物流園區(qū)建設總規(guī)模為 S = (1 + 0.35) (1 + 0.04)×373 853× 0.2×0.65×40/365 = 7 477.88 萬 m2。由計算結果可知,四川省物流園區(qū)建設規(guī)模在 2020 年應達到7 477.88 萬 m2左右,才可以滿足全社會物流需求,有利于區(qū)域經濟的可持續(xù)發(fā)展。

4　結束語

以四川省為例,在綜合考慮其經濟發(fā)展水平、物流需求量、市場化程度等因素的基礎上,利用指數平滑法和改進參數法對四川省 2020 年物流園區(qū)建設總規(guī)模進行預測。由于物流園區(qū)的規(guī)劃是一項復雜的系統(tǒng)工程,具有區(qū)域性特征,需要綜合考慮區(qū)域經濟、交通狀況、城市規(guī)劃、區(qū)域發(fā)展戰(zhàn)略等多項因素,同時在參數取值方面,還需要在實踐中進一步改進和完善,如用貨運總量替代物流量雖然便于計算,但是會造成預測的不準確,還應進一步考慮將指數平滑法和改進參數法分別與不同的預測方法進行整合,并且設置多重指標,以更好地降低預測誤差,提高預測精度。

[1] 王宏新. 物流園區(qū)：規(guī)劃開發(fā)運營[M]. 北京：清華大學出版社,2014. WANG Hong-xin. Logistics Park：Planning,Development & Operation [M]. Beijing：Tsinghua University Press,2014.

[2] 中國物流與采購聯(lián)合會,中國物流學會. 第四次全國物流園區(qū) (基地) 調查報告[EB/OL]. (2015-08-10) [2015-08-15]. http://www.chinawuliu.com.cn/wlyq/201508/10/304052.shtml.

[3] 四川省發(fā)展和改革委員會. 2014年四川省物流運行情況的通報[EB/OL]. (2015-02-13)[2015-07-15]. http://www. scdrc.gov.cn/dir45/178663.htm.

[4] 李維國,王耀球,周凌云. 新陳代謝和 GM (1,1) 模型在深圳貨運量預測中的應用研究[J]. 北京交通大學學報 (社會科學版),2010,9(2)：48-51. LI Wei-guo,WANG Yao-qiu,ZHOU Ling-yun. Metabolic Model and GM(1,1) Model Applied in Forecast of Shenzhen Freight Volume [J]. Journal of Beijing Jiaotong University：Social Sciences Edition, 2010,9(2)：48-51.

[5] 溫愛華,李 松. 基于廣義回歸神經網絡的鐵路貨運量預測[J]. 鐵道運輸與經濟,2011,33(2)：88-91. WEN Ai-hua,LI Song. Forecast of Railway Freight Volumes Based on Generalized Regression Neural Network [J]. Railway Transport and Economy,2011,33(2)：88-91.

[6] 耿立艷,梁毅剛. 基于灰色自適應粒子群LSSVM的鐵路貨運量預測[J]. 西南交通大學學報,2012,47(1)：144-150. GENG Li-yan,LIANG Yi-gang. Prediction of Railway Freight Volumes based on Grey Adaptive Particle Swarm Least Squares Support Vector Machine Model [J]. Journal of Southwest Jiaotong University,2012,47(1)：144-150.

[7] 趙建有,周孫鋒,崔曉娟,等. 基于模糊線性回歸模型的公路貨運量預測方法[J]. 交通運輸工程學報, 2012, 12(3)：80-85. ZHAO Jian-you,ZHOU Sun-feng,CUI Xiao-juan,et al. Predictive Method of Highway Freight Volume based on Fuzzy Linear Regression Model [J]. Journal of Traffic and Transportation Engineering,2012,12(3)：80-85.

[8] 戚銘堯,楊坤河,繆立新. 基于可計算一般均衡的貨運量預測模型[J]. 工業(yè)技術經濟,2013(3)：3-10. QI Ming-yao,YANG Kun-he,MIAO Li-xin. A Freight Forecasting Model based on Computable General Equilibrium [J]. Journal of Industrial Technological Economics,2013 (3)：3-10.

[9] 周 程,李 松. 基于多重“分解-集成”策略的物流貨運量預測[J]. 交通運輸系統(tǒng)工程與信息,2015, 15(1)：150-158. ZHOU Cheng,LI Song. Logistics Freight Volume Forecasting based on Multilevel Decompose-ensemble Method [J]. Journal of Transportation Systems Engineering and Information Technology,2015,15(1)：150-158.

[10] 芮海田,吳群琪,袁華智,等. 基于指數平滑法和馬爾科夫模型的公路客運量預測方法[J]. 交通運輸工程學報,2013,13(4)：87-93. RUI Hai-tian,WU Qun-qi,YUAN Hua-zhi,et al. Prediction Method of Highway Passenger Transportation Volume based on Exponential Smoothing Method and Markov Model[J]. Journal of Traffic and Transportation Engineering,2013,13(4)：87-93.

[11] Ballou R. Business Logistics Management [M]. Upper Saddle River：Prentice Hall,1998.

[12] Sullivan W,Claycombe W. Fundamentals of Forecasting [M]. Reston：Reston Publishing,1977.

[13] Bails D,Peppers L. Business Fluctuations：Forecasting Techniques and Applications [M]. Upper Saddle River：Prentice Hall,1992.

[14] 姚志剛,劉志凱,張三省. 物流園區(qū)規(guī)模確定方法探討[J].綜合運輸,2003(3)：20-21.YAO Zhi-gang,LIU Zhi-kai,ZHANG San-sheng. Discussion on the Method of Scale Determination of Logistics Parks [J]. China Transportation Review,2003(3)：20-21.

[15] 李玉民,李旭宏,毛海軍,等. 物流園區(qū)規(guī)劃建設規(guī)模確定方法[J]. 交通運輸工程學報,2004,4(2)：76-79. LI Yu-min,LI Xu-hong,MAO Hai-jun,et al. Planning Method of Construction Scale of Logistics Park [J]. Journal of Traffic and Transportation Engineering,2004,4(2)：76-79.

[16] 程世東,劉小明. 時空消耗法求解物流園區(qū)規(guī)模[J]. 公路交通科技,2005,22(8)：142-144. CHENG Shi-dong,LIU Xiao-ming. Calculating the Size of a Distribution Park by the Space-time Consumption Method [J]. Journal of Highway and Transportation Research and Development,2005,22(8)：142-144.

[17] 何國華. 城市總體規(guī)劃中物流園的用地規(guī)模問題[J]. 規(guī)劃師,2008,24(3)：63-66. HE Guo-hua. A Probe on Logistics Park Land Scale in Urban Master Plan [J]. Planners,2008,24(3)：63-66.

[18] 孫 焰,魏 威,鄭文家. 物流園區(qū)用地規(guī)模計算方法研究[J]. 物流科技,2014,37(6)：72-76. SUN Yan,WEI Wei,ZHENG Wen-jia. Research on Calculation Method of Logistics Park Construction Scale [J]. Logistics Sci-Tech,2014,37(6)：72-76.

責任編輯：吳文娟

Analysis on Forecast of Construction Scale of Regional Logistic Park Area

Based on expounding development status of logistic industry in Sichuan, through selecting the data of freight transport volume in 2000—2013 in Sichuan, according to the actual values, linear fitted values and conic fitted values of freight transport total volume, this paper forecasts the logistic total volume in Sichuan in 2020 by using third exponential smoothing method, and based on it, the paper makes forecast on the construction scale of logistic park area in 2020 in Sichuan by using improved parametric method, which provide data support for the planning and construction works of regional logistic park in Sichuan.

Logistic Park Area; Scale Forecast; Exponential Smoothing Method; Improved Parametric Method

1003-1421(2015)10-0011-06

F259.22

B

10.16668/j.cnki.issn.1003-1421.2015.10.03

2015-09-06

國家社會科學重點項目 (12AJL010)