吳必善， 李士杰

(廊坊師范學院 管理學院， 河北 廊坊 065000)

?

供給側(cè)改革下物流需求組合預測技術(shù)研究*

吳必善， 李士杰

(廊坊師范學院 管理學院， 河北 廊坊 065000)

通過分析供給側(cè)結(jié)構(gòu)改革下現(xiàn)代物流市場需求對經(jīng)濟活動的意義，找到單一需求預測技術(shù)的偏差，指出指數(shù)平滑法和神經(jīng)網(wǎng)絡法于實際預測應用中的不足，提出精確度較高的物流市場需求預測新思路，構(gòu)建新的組合預測模型。通過實例仿真驗證基于神經(jīng)網(wǎng)絡法的組合預測技術(shù)在物流市場需求預測中的實際價值。

供給側(cè)； 組合預測法； 神經(jīng)網(wǎng)絡； 激活函數(shù)； 物流需求； 預測模型

在供給側(cè)結(jié)構(gòu)改革下，需求管理已經(jīng)成為企業(yè)持續(xù)成功的必要條件，好的需求預測技術(shù)使企業(yè)擁有抗風險性的優(yōu)勢比較明顯，尤其是擁有先進的物流需求預測技術(shù)，對提升整條供應鏈競爭力具有現(xiàn)實的經(jīng)濟價值[1-3]。

當前，供給側(cè)改革的目標是對商流、資金流、信息流、人流等社會經(jīng)濟要素資源進行科學有效的配置。其中，物流服務是連接供給和需求不可或缺的市場體系要素；同時，物流業(yè)作為戰(zhàn)略性、基礎(chǔ)性產(chǎn)業(yè)，也是供給側(cè)結(jié)構(gòu)性改革的重要內(nèi)容和對象。隨著我國經(jīng)濟結(jié)構(gòu)性調(diào)整及“十三五”戰(zhàn)略規(guī)劃的推進，產(chǎn)品供應鏈中的生產(chǎn)、物流、銷售、回收等環(huán)節(jié)管理越來越強調(diào)協(xié)同發(fā)展，通過供給側(cè)改革解決行業(yè)內(nèi)部結(jié)構(gòu)性的矛盾和資源浪費問題。如要達到此目的，就需要高端的社會物流在生產(chǎn)者與下游消費者之間，創(chuàng)建社會資源供給與需求的無縫銜接，以實現(xiàn)降低全社會資源供給端庫存積壓成本的目標。因此，供給側(cè)改革下社會物流服務需求及輸出能力是平衡供應鏈管理成本的關(guān)鍵環(huán)節(jié)之一。但這也對供應鏈管理提出更高要求，能否準確預測社會物流需求量及能力，是關(guān)系到其他行業(yè)在供給側(cè)結(jié)構(gòu)調(diào)整中經(jīng)濟效益的問題[4-8]。

在大量社會實際調(diào)研的基礎(chǔ)上，本文研究發(fā)現(xiàn)國內(nèi)外許多大中型物流企業(yè)對市場物流需求和物流服務能力供給的預測精度要求越來越高，對預測技術(shù)和手段的要求也在不斷提高。實踐證明，傳統(tǒng)的簡單預測方法或手段已經(jīng)不能滿足數(shù)字化、智能化、快捷化的物流服務需求。為了提高現(xiàn)代社會物流預測精度和服務質(zhì)量，市場經(jīng)濟需要精確度更高的組合預測方法。本文采用指數(shù)平滑法(Exponential Smoothing Method，ESM)和神經(jīng)網(wǎng)絡法(Neural Network Method，NNM)組合預測技術(shù)，將其運用到物流市場需求管理中。

一、傳統(tǒng)單一物流預測法的不足

在經(jīng)濟新常態(tài)下實現(xiàn)行業(yè)發(fā)展目標，區(qū)域性物流服務業(yè)不僅顯示出在實現(xiàn)資源優(yōu)化配置中的社會經(jīng)濟價值，同時還需要加大產(chǎn)業(yè)自身結(jié)構(gòu)調(diào)整，提高區(qū)域經(jīng)濟競爭力。尤其是隨著居民消費升級、新型城鎮(zhèn)化發(fā)展，物流需求在不斷遞增，對物流行業(yè)的服務水平、管理水平提出了更高的要求。從單個企業(yè)物流合理化走向區(qū)域物流合理化，是“十三五”期間社會經(jīng)濟發(fā)展的要求。因此，區(qū)域物流需求預測研究是其中重要的環(huán)節(jié)，而傳統(tǒng)的物流需求預測管理往往僅僅采用單一預測方法，對一些不確定性因素無法處理，造成區(qū)域物流量和影響因素的預測結(jié)果產(chǎn)生較大偏差。

在傳統(tǒng)的物流需求預測管理方法中，不少企業(yè)偏好于采用以時間序列為主的線性預測技術(shù)，例如單一指數(shù)平滑法采用的計量模型為

`αXi+α(1-α)Xi-1+α(1-α)Xi-2+…=

αXi+α(1-α)Fi-1

(1)

式中：Fi為預測值；Xi為歷史數(shù)據(jù)；α為平滑系數(shù)，α∈(0，1)。顯然當i=1時，歷史數(shù)據(jù)最接近，權(quán)重為α，當i逐漸增大時，歷史數(shù)據(jù)逐漸遠離，這時權(quán)重為α(1-α)i，按指數(shù)規(guī)律逐漸縮小。直接應用式(1)，預測結(jié)果誤差較大。

傳統(tǒng)單一的物流預測方法有可能為無縫銜接的物流服務帶來更高的、不可預測的管理成本，因為現(xiàn)實中許多物流服務項目不是按照時間序列排序的，大量物流需求也不是遵循線性變化規(guī)律的。所以，單純依靠這種預測技術(shù)很難為現(xiàn)代化物流服務供給準確把脈，這就需要運用多種預測方法組合預測，提高預測結(jié)果的精確度，如添加神經(jīng)網(wǎng)絡預測法。

二、物流市場需求組合預測模型

1. 神經(jīng)網(wǎng)絡預測法的改進模型

對于受不規(guī)則因素干擾的情況，即隨機的或無法預測的因素影響預測結(jié)果，需要在展開一項預測的過程中通過跟蹤和預計其他因素，使隨機因素的影響程度降低到最小?，F(xiàn)實中大量物流貨源在眾多物流節(jié)點或物流中心，經(jīng)過倉儲、加工、運輸、配送和回收等環(huán)節(jié)，而這些恰恰是其他行業(yè)供給側(cè)結(jié)構(gòu)調(diào)整步伐中比較重要的環(huán)節(jié)，其管理中存在諸多未知因素，即物流服務過程中具有較強的隨機性，物流量也存在不確定性，從而造成現(xiàn)代物流服務需求呈現(xiàn)非線性變化特征。也正是因為需求信息預測的不準確性或滯后性，就需要具備較強的容錯性、魯棒性的預測法，研究神經(jīng)網(wǎng)絡等預測法，不斷提高現(xiàn)代物流需求信息的準確度。

其中，神經(jīng)網(wǎng)絡預測法[9]在限制隨機干擾因素、提高預測精度方面尤具優(yōu)勢。輸入信息從輸入層傳輸?shù)街虚g神經(jīng)元處理單元，被激活的神經(jīng)元對信息進行處理；通過激活函數(shù)處理后的信息再被輸送到下一環(huán)節(jié)，即被處理后的信息進入輸出層等待輸出；當輸出層的信息不能滿足期望要求時，該預測值或誤差值將沿原鏈接運輸通道反向轉(zhuǎn)入系統(tǒng)中，再通過修改對應神經(jīng)元的處理參數(shù)重復修正預測值，直到輸出誤差較小的信號，如圖1所示。

圖1 神經(jīng)網(wǎng)絡預測法機理

圖1中，Xi為神經(jīng)元輸入信息；ωi為神經(jīng)元輸入層與中間層之間的權(quán)重值；ωi+1為神經(jīng)元中間層與輸出層之間的誤差修正值。其中相關(guān)函數(shù)表示為

(2)

Δωi=-γ(?θi/?ωi)

(3)

Δωi+1=vδXi+αΔωi

(4)

式中：v為神經(jīng)元信息改進速率；β為神經(jīng)元的閾值；δ為單位誤差率；γ為隨機誤差值；θi為預測誤差值。

由于神經(jīng)網(wǎng)絡預測函數(shù)滿足離散動態(tài)非線性預測特征，其數(shù)學模型可以表達為

φi=f(yi+1，Δωi)=f(y1，y2，…，yi，γ)+Δωi

(5)

yi+1=Δωi+1f(ωi，gi)

(6)

gi=(yi，yi-1，yi-2，…)

(7)

神經(jīng)元i的輸入值為Xi，其對應的輸出值為φi。Xi經(jīng)過神經(jīng)元激活函數(shù)處理后，φi的計算公式可以表達為

(8)

由于每個神經(jīng)元的輸出值與其對應的神經(jīng)元輸入值之間存在對應的鏈接關(guān)系，因而神經(jīng)網(wǎng)絡預測誤差值θi可以表達為

θi= ?θi/?Xi=

?θi/(?ωiφi)=

(?θi/?φi)f(Xi，ωi)

(9)

又因

f(Xi，ωi)[1-f(Xi，ωi)]=

(10)

可以得到

θi= (?θi/?φi)f(Xi，ωi)=

(11)

當i不是輸出層的神經(jīng)元時，可得

(12)

神經(jīng)元i上下層的誤差修正值為

Δωi= -γ(?θi/?ωi)=-γθi=

(13)

2. 基于神經(jīng)網(wǎng)絡的組合預測模型

為了提高預測精度，本文采用指數(shù)平滑法(ESM)和神經(jīng)網(wǎng)絡法(NNM)組合預測技術(shù)。組合預測值模型可以表達為

Yi=Fi+φi+Δωi=

(14)

式中：Fi為滿足時間序列的指數(shù)平滑預測函數(shù)，也是Yi的確定性趨勢函數(shù)；φi為Fi滿足時間序列的神經(jīng)網(wǎng)絡預測函數(shù)，也是Yi的隨機變化趨勢函數(shù)；Δωi為Yi的誤差修正值。

三、物流市場需求組合預測技術(shù)的應用

當前物流服務業(yè)所面臨的主要矛盾是行業(yè)內(nèi)部供給側(cè)主體結(jié)構(gòu)性矛盾的體現(xiàn)。例如鐵路貨運服務所面臨的供給側(cè)結(jié)構(gòu)矛盾在于：一方面，地區(qū)性鐵路運輸服務潛力巨大，而傳統(tǒng)上鐵路貨運量占比較大的大宗商品需求卻在不斷萎縮，造成與之配套的地方性鐵路運力過剩；另一方面，由于地方性鐵路服務市場化不足，開放度不夠，仍不適應現(xiàn)代物流發(fā)展需求，尤其是鐵路兩端的短駁費用較高，造成另一極端現(xiàn)象是貨主尋找不到合適的鐵路運輸服務項目。從供給側(cè)結(jié)構(gòu)改革角度考慮，鐵路運輸供應方必須科學預測運輸市場的貨運量，達到有效優(yōu)化配置物流資源供給的目的[10-15]。

假定2016年1月至7月份，A地區(qū)鐵路貨運量如表1所示。利用上文基于神經(jīng)網(wǎng)絡的物流市場需求組合預測技術(shù)，本文對A地區(qū)2016年8—12月的鐵路貨運量進行仿真預測。

ESM預測模型仿真時所采用的響應函數(shù)及相關(guān)參數(shù)如表2所示。

基于ESM和NNM組合預測技術(shù)，本文對A地區(qū)2016年8—12月的鐵路貨運量進行仿真預測的結(jié)果如表3所示。

表1 2016年1—7月A地區(qū)鐵路貨運量

數(shù)據(jù)來源：河北省統(tǒng)計局官方網(wǎng)站。

表2 ESM預測模型的響應函數(shù)及相關(guān)參數(shù)

表3 仿真預測的結(jié)果 104 t

通過以上預測仿真實例可以看出，單一的指數(shù)預測方法所產(chǎn)生的偏差較大，而基于神經(jīng)網(wǎng)絡的組合方法所預測的結(jié)果相對更加精確與可行。

四、結(jié)論與建議

本文分析了如何通過供給側(cè)結(jié)構(gòu)性改革有針對性地解決當前制約物流業(yè)發(fā)展的主要問題，明確物流需求管理對地區(qū)經(jīng)濟發(fā)展的重要性，并且說明了精確預測技術(shù)對供給側(cè)結(jié)構(gòu)性改革下物流市場需求管理的意義。在經(jīng)濟活動中，實際的案例反映單一的預測方法會導致預測結(jié)果產(chǎn)生部分偏差。因此，對供給側(cè)改革下物流行業(yè)發(fā)展提出以下建議：

(1) 提高物流市場預測的準確性。運用本文的組合預測技術(shù)，可以彌補單一預測法的不足。本文研究基于神經(jīng)網(wǎng)絡的組合預測技術(shù)，即采用指數(shù)平滑預測法和神經(jīng)網(wǎng)絡預測法構(gòu)建新的組合預測模型，并通過實例仿真證明這種新的組合預測模型的實用價值。

(2) 利用準確預測技術(shù)，促進區(qū)域物流資源合理整合與優(yōu)化管理。本文研究了供給側(cè)改革大背景下的物流市場預測技術(shù)，為區(qū)域物流發(fā)展提供新的思路和管理方案。應根據(jù)精確預測結(jié)果，不斷完善區(qū)域物流的集聚功能，促使本地區(qū)物流資源整合與優(yōu)化過程更加具體化、合理化。本研究為地方物流行業(yè)供給側(cè)發(fā)展提供了有力的理論支撐。

[1]Aussen A，Murtagh F.Combining neural network forecasts on wavelet transformed time series [J].Connection Science，2015(9)：113-121.

[2]Aussen A，Campbell J，Murtagh F.Wavelet based feature extraction and decomposition，strategies for financial forecasting [J].Journal of Computational Intelligence in Finance，2015(1)：14-17.

[3]牛志闖，馬小剛.基于信息不對稱的采用延期支付機制的供應鏈協(xié)調(diào) [J].沈陽工業(yè)大學學報(社會科學版)，2016，9(5)：414-419.

[4]高峰.基于統(tǒng)計特征的中國航空物流實證研究 [J].中國民航學院學報，2015，7(2)：52-55.

[5]魏然.航空物流服務鏈的特征及現(xiàn)狀 [J].物流技術(shù)，2015(1)：23-24.

[6]吳必善.區(qū)域性煤炭運輸節(jié)點的優(yōu)化 [J].西安科技大學學報，2014(3)：48-50.

[7]肖亮.鄭州航空港經(jīng)濟綜合實驗區(qū)航空物流發(fā)展對策研究 [J].信陽農(nóng)林學院學報，2015，25(1)：50-52.

[8]李丹，張超.新工業(yè)革命下我國制造業(yè)發(fā)展路徑分析 [J].沈陽工業(yè)大學學報(社會科學版)，2016，9 (3)：198-201.

[9]Paulito P P，Yaiehi Ha，Shiro U.Mutatiobased gene-tic neural network [J].IEEE Transactions on Neural Networks，2014，16(3)：18-21.

[10]Ru H G，Ping H H.Analyzing water diversion demand for irrigation areas at lower reach of yellow river with BP neural network techniques [J].Journal of Irrigation & Drainage，2015，19(3)：20-23.

[11]Panchapakesan C，Palaniswami M，Ralph D，et al.Effects of moving the centers in an RBF network [J].IEEE Transactions on Neural Networks，2014，13(6)：1299-1307.

[12]Peng Z.A study of neural networks in forecasting of logistics system [D].Wuhan：Wuhan University of Technology，2016.

[13]Liu Y Y，Starzyk J A，Zhu Z.Optimized approximation algorithm in neural networks without over fitting [J].IEEE Transactions on Neural Networks，2014，19(6)：983-995.

[14]Sam P，Crem V.On the optimal control of single-stage hybrid manufacturing systems via novel and different vaiants of particle swarm optimization algorithm [J].Discrete Dynamics in Nature and Society，2015(3)：257-279.

[15]肖萌，徐偉，施慧斌.價值共創(chuàng)模式下服務型制造系統(tǒng)的構(gòu)建 [J].沈陽工業(yè)大學學報(社會科學版)，2016，9(1)：53-59.

(責任編輯：張 璐)

Study on integrated forecasting technology in logistics demand under supply side reform

WU Bi-shan, Li Shi-jie

(School of Management, Langfang Teachers University, Langfang 065000, China)

Through the analysis of the significance of modern logistics market demand on economic activities under the supply side structure reform, the deviation of single demand forecasting technology is reflected. The lack of exponential smoothing method and neural network method in the actual forecast application is pointed out. A thread of logistics market demand forecasting with high precision is proposed. The new combination forecasting model is built. The actual value of the combined forecasting technology is verified by the example simulation based on neural network in the forecast of logistics market demand.

supply side; combined forecast; neural network; activation function; logistics demand; forecast model

2016-12-31

河北省教育廳人文社會科學重大攻關(guān)項目(ZD201604)； 全國高校、職業(yè)院校物流教改教研課題(JZW2017160)。

吳必善(1973-)，男，北京人，副教授，博士，主要從事物流與供應鏈管理、能源經(jīng)濟和碳足跡等方面的研究。

10.7688/j.issn.1674-0823.2017.03.07

U 116

A

1674-0823(2017)03-0226-04

*本文已于2017-05-23 13∶29在中國知網(wǎng)優(yōu)先數(shù)字出版。 網(wǎng)絡出版地址： http：∥www.cnki.net/kcms/detail/21.1558.C.20170523.1329.016.html