劉春月

摘 要：物流企業(yè)最優(yōu)資源配置受物流需求量的影響，建立精確的物流需求預(yù)測(cè)模型是關(guān)鍵。針對(duì)單一物流需求量預(yù)測(cè)方法預(yù)測(cè)精度不高的問(wèn)題，提出了馬爾科夫鏈—灰色預(yù)測(cè)模型，鑒于運(yùn)輸在物流系統(tǒng)中的重要地位及數(shù)據(jù)的可得性，將貨運(yùn)量作為代表物流需求的指標(biāo)。以淮安1996～2014年貨運(yùn)量作為基礎(chǔ)數(shù)據(jù)，對(duì)淮安物流需求量進(jìn)行定量預(yù)測(cè)。結(jié)果顯示，馬爾科夫鏈—灰色預(yù)測(cè)模型預(yù)測(cè)精度比單一預(yù)測(cè)模型的預(yù)測(cè)精度有很大提高，驗(yàn)證了該模型的有效性。

關(guān)鍵詞：灰色；馬爾科夫；貨運(yùn)量

中圖分類號(hào)：F250 文獻(xiàn)標(biāo)識(shí)碼：A

Abstract： The best enterprise resource allocation of logistics is affected by logistics demand. The key problem is building the forecasting model of logistics demand. Grey-Markov chain is put forward according to the problem of low prediction accuracy based on single forecasting model. In view of the importance of transportation in logistics system and the availability of data， this paper forecast the logistics demand of Huaian quantitatively with freight volume as the index and the historical data of the period form 1996 to 2014 as the sample. The results showed that the model based on Grey-Markov chain forecasting accuracy is higher than single forecasting model prediction accuracy. The validity of the model is verified.

Key words： grey； Markov chain； freight volume

0 引 言

實(shí)現(xiàn)物流企業(yè)資源最優(yōu)配置的前提是準(zhǔn)確預(yù)測(cè)分析物流需求。物流需求指一定時(shí)期內(nèi)的社會(huì)經(jīng)濟(jì)活動(dòng)對(duì)生產(chǎn)領(lǐng)域的原材料、半成品，流通、消費(fèi)領(lǐng)域的成品、商品以及廢舊物品等的配置作用而產(chǎn)生的對(duì)物品在時(shí)間、費(fèi)用和空間方面的要求。是社會(huì)活動(dòng)在運(yùn)輸、倉(cāng)儲(chǔ)、包裝、裝卸搬運(yùn)等各物流環(huán)節(jié)中所提出的有支付能力的需要。

部分學(xué)者對(duì)物流需求的有效預(yù)測(cè)進(jìn)行了研究。符瑛、王立新[1]采用統(tǒng)計(jì)學(xué)的方法通過(guò)對(duì)長(zhǎng)株潭區(qū)域物流需求的實(shí)際數(shù)據(jù)進(jìn)行挖掘和分析，確定了影響物流需求的主要影響因素；可見(jiàn)，在建立商品需求情報(bào)分析預(yù)測(cè)模型上，應(yīng)該綜合考慮多因素的影響，建立更為精確的預(yù)測(cè)模型。湯兆平[2]等分析了鐵路局管內(nèi)物流需求的特征和影響因素，采用統(tǒng)計(jì)學(xué)中的ARIMA模型建立了鐵路物流需求預(yù)測(cè)模型，實(shí)證分析，ARIMA物流需求預(yù)測(cè)模型能在鐵路管內(nèi)物流需求預(yù)測(cè)上具有較好的預(yù)測(cè)效果。何國(guó)華[3]分析了影響區(qū)域物流需求的主要指標(biāo)，指出物流需求應(yīng)該預(yù)測(cè)的內(nèi)容，從而建立了基于灰色預(yù)測(cè)的區(qū)域物流需求預(yù)測(cè)模型。鄧琪、余利娥[4]從國(guó)民產(chǎn)業(yè)經(jīng)濟(jì)相關(guān)性入手，根據(jù)投入產(chǎn)出的消耗系數(shù)來(lái)構(gòu)建了一套安徽物流需求預(yù)測(cè)模型，采用產(chǎn)業(yè)關(guān)聯(lián)法對(duì)物流的需求進(jìn)行預(yù)測(cè)。黃毅、夏國(guó)恩[5]針對(duì)物流需求預(yù)測(cè)中存在的影響因素眾多，且各因素之間出現(xiàn)的非線性關(guān)系，建立了基于支持向量機(jī)的預(yù)測(cè)模型，并用于對(duì)廣西物流需求的預(yù)測(cè)，實(shí)證分析，基于向量機(jī)的物流預(yù)測(cè)模型在對(duì)物流需求量的預(yù)測(cè)上精度較高。孫志剛[6]針對(duì)采用支持向量機(jī)進(jìn)行物流需求預(yù)測(cè)模式，在求解上存在一定的難度，甚至出現(xiàn)所求解限于局部最優(yōu)的情況，提出了基于蟻群算法的支持向量機(jī)物流需求預(yù)測(cè)模型，有效提升了預(yù)測(cè)模型建模時(shí)間。曹萍、陳福集[7]構(gòu)建了基于灰色神經(jīng)網(wǎng)絡(luò)的物流需求預(yù)測(cè)模型，并采用遺傳算法對(duì)模型進(jìn)行求解。

從以上分析可看出，大部分學(xué)者都運(yùn)用單一模型對(duì)物流需求進(jìn)行預(yù)測(cè)，單一預(yù)測(cè)模型預(yù)測(cè)精度不高，而采用非線性的智能預(yù)測(cè)模型，計(jì)算復(fù)雜度較高。為了提升物流需求預(yù)測(cè)精度，降低復(fù)雜度，提出了組合預(yù)測(cè)模型，采用灰色—馬爾科夫鏈組合預(yù)測(cè)模型能夠有效提高預(yù)測(cè)精度。通過(guò)灰色處理將歷史數(shù)據(jù)處理平滑，滿足馬爾科夫鏈預(yù)測(cè)前提。同時(shí)馬爾科夫鏈能夠把數(shù)據(jù)分成不同的狀態(tài)并找出變化規(guī)律，能夠補(bǔ)償灰色對(duì)長(zhǎng)期預(yù)測(cè)擬合性差的不足。

1 GM1，1建模

（3）結(jié)果分析。運(yùn)用馬爾科夫鏈修正后的模型提高了預(yù)測(cè)精度。2013年，從運(yùn)輸情況來(lái)看，貨運(yùn)需求穩(wěn)中偏弱。受需求減弱和大宗商品交易量下降等因素影響，貨運(yùn)量和周轉(zhuǎn)量的增速均有較大回落。從統(tǒng)計(jì)數(shù)據(jù)來(lái)看，總貨運(yùn)量沒(méi)有按照一般規(guī)律增加，而是出現(xiàn)了下降，因此修正后的預(yù)測(cè)結(jié)果比其他年份的準(zhǔn)確程度略低，除2013年特殊情況外，馬爾科夫修正后的模型預(yù)測(cè)精度都比修正前有了很大的提高。

（4）結(jié)論。對(duì)淮安市貨物量的預(yù)測(cè)問(wèn)題上，運(yùn)用了灰色模型，在此基礎(chǔ)上運(yùn)用馬爾科夫鏈進(jìn)行修正，結(jié)果表明：①貨物運(yùn)輸量的預(yù)測(cè)特點(diǎn)是隨機(jī)波動(dòng)性和非線性，利用灰色GM1，1建模，在原始數(shù)據(jù)量較少的情況下，對(duì)運(yùn)用灰色模型求得的預(yù)測(cè)值例分析表明，該模型的預(yù)測(cè)結(jié)果與實(shí)際值基本相符，相對(duì)殘差（絕對(duì)值）分別為9.3%、14.3%、20.3%、18.4%、7.9%和9.4%。②從預(yù)測(cè)分析的結(jié)果來(lái)看，單項(xiàng)預(yù)測(cè)模型具有一定的缺陷，采用馬爾科夫鏈修正灰色預(yù)測(cè)模型，既能反映系統(tǒng)中的內(nèi)在規(guī)律性，又能預(yù)測(cè)出數(shù)據(jù)變化發(fā)展的總體趨勢(shì)，這樣對(duì)于隨機(jī)波動(dòng)性較大的預(yù)測(cè)問(wèn)題就能夠用該模型進(jìn)行描述。利用單項(xiàng)灰色預(yù)測(cè)模型與基于馬爾科夫鏈修正的灰色預(yù)測(cè)模型，對(duì)淮安市2009～2014年的貨運(yùn)量進(jìn)行預(yù)測(cè)，其修正后的殘差（絕對(duì)值）分別為4.3%、0.64%、10.3%、12.8%、9.5%、7.0%和7.0%。由此，馬爾科夫鏈修正的灰色貨運(yùn)量預(yù)測(cè)模型具有較強(qiáng)的實(shí)用性?？蓢L試在其他領(lǐng)域使用馬爾科夫鏈理論修正組合預(yù)測(cè)模型，從而對(duì)組合模型的預(yù)測(cè)精度進(jìn)行改進(jìn)，提高模型的應(yīng)用價(jià)值。

參考文獻(xiàn)：

[1] 符瑛，王立新. 長(zhǎng)株潭區(qū)域物流需求預(yù)測(cè)影響因素分析[J]. 中南林業(yè)科技大學(xué)學(xué)報(bào)（社會(huì)科學(xué)版），2012（2）：62-64.

[2] 湯兆平，等. 基于ARIMA模型的N鐵路局管內(nèi)物流需求預(yù)測(cè)研究[J]. 經(jīng)濟(jì)問(wèn)題探索，2014（7）：76-81.

[3] 何國(guó)華. 區(qū)域物流需求預(yù)測(cè)及灰色預(yù)測(cè)模型的應(yīng)用[J]. 北京交通大學(xué)學(xué)報(bào)（社會(huì)科學(xué)版），2008（1）：33-37.

[4] 鄧琪，余利娥. 基于產(chǎn)業(yè)關(guān)聯(lián)的安徽省物流需求預(yù)測(cè)[J]. 統(tǒng)計(jì)與決策，2013（17）：109-111.

[5] 黃毅，夏國(guó)恩. 基于支持向量回歸機(jī)的廣西物流需求預(yù)測(cè)[J]. 科技管理研究，2011（2）：142-144.

[6] 孫志剛. 蟻群優(yōu)化支持向量機(jī)的物流需求預(yù)測(cè)[J]. 計(jì)算機(jī)系統(tǒng)應(yīng)用，2013（5）：107-110.

[7] 曹萍，陳福集. GA—灰色神經(jīng)網(wǎng)絡(luò)的區(qū)域物流需求預(yù)測(cè)[J]. 北京理工大學(xué)學(xué)報(bào)（社會(huì)科學(xué)版），2012（1）：66-70.endprint