（武漢理工大學(xué) 物流工程學(xué)院，湖北 武漢 430063）

1 引言

在政府領(lǐng)導(dǎo)以及相關(guān)政策支持下，近幾年海南省經(jīng)濟(jì)穩(wěn)步前進(jìn)。據(jù)統(tǒng)計(jì)，2016年全年海南省全省地區(qū)生產(chǎn)總值(GDP)達(dá)4 044.51億元，同比增長(zhǎng)9.2%。其中，第一、二、三次產(chǎn)業(yè)增加值分別為93.63億元、26.86億元、221.26億元。分別比上年增長(zhǎng)10.9%、3.1%、11.2%。三次產(chǎn)業(yè)增加值占地區(qū)生產(chǎn)總值的比重分別為23.45、22.32、54.23。近幾年，海南省經(jīng)濟(jì)水平獲得了較快的發(fā)展，人民生活水平不斷提高，社會(huì)發(fā)展和人民生活對(duì)物流業(yè)也提出了更高的要求和期望。但目前海南省物流業(yè)發(fā)展仍存在一定的問(wèn)題，大宗貨運(yùn)成本較高，瓜果速遞速度待提高，南菜北運(yùn)損耗較高，網(wǎng)購(gòu)商品快遞速度有待提高。歸根到底一句話：海南需要一個(gè)“快速、高效、專(zhuān)業(yè)、服務(wù)一流”的現(xiàn)代物流業(yè)服務(wù)生產(chǎn)、生活。雖然海南省物流業(yè)起步較晚，基礎(chǔ)較差，發(fā)展水平不高，但是隨著近些年海南省國(guó)際旅游島的建設(shè)，海南省的物流業(yè)也開(kāi)始快速成長(zhǎng)，獲得了較快發(fā)展。海南省的物流業(yè)已經(jīng)成為支撐國(guó)際旅游島建設(shè)和推動(dòng)社會(huì)經(jīng)濟(jì)發(fā)展的重要力量。對(duì)海南省的物流需求規(guī)模進(jìn)行合理預(yù)測(cè)，并分析相關(guān)預(yù)測(cè)數(shù)據(jù)的合理性和有效性，可以為海南省未來(lái)一定時(shí)期內(nèi)的物流系統(tǒng)規(guī)劃提供理論依據(jù)。

2 BP神經(jīng)網(wǎng)絡(luò)用于區(qū)域物流需求預(yù)測(cè)的思路分析

區(qū)別于其他一些簡(jiǎn)單的線性系統(tǒng)，物流系統(tǒng)是一個(gè)非常復(fù)雜的非線性系統(tǒng)[1]。其中包含眾多因素，而且各因素之間的關(guān)聯(lián)性很難通過(guò)簡(jiǎn)單的線性規(guī)劃來(lái)求解，也很難用一個(gè)準(zhǔn)確的數(shù)學(xué)解析式來(lái)表達(dá)，用傳統(tǒng)的預(yù)測(cè)模型方法難以有效涵蓋物流系統(tǒng)的各個(gè)方面，難以建立預(yù)測(cè)模型的具體函數(shù)形式，即使建立了模型，也難以找到一個(gè)恰當(dāng)?shù)膮?shù)估計(jì)方法來(lái)確定參數(shù)。神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)的精確度非常高，因?yàn)橥ㄟ^(guò)學(xué)習(xí)，神經(jīng)網(wǎng)絡(luò)可以以任意的精確度逼近任意非線性映射，這是傳統(tǒng)的預(yù)測(cè)方法無(wú)法達(dá)到的。此外，神經(jīng)網(wǎng)絡(luò)無(wú)需確定參數(shù)，無(wú)需假定f（x1,x2,…,xn）的數(shù)學(xué)結(jié)構(gòu)，也不需要建立具體的函數(shù)形式，它是通過(guò)映射來(lái)反映函數(shù)的，可以通過(guò)建立輸入與輸出模型來(lái)預(yù)測(cè)結(jié)果。因此，運(yùn)用神經(jīng)網(wǎng)絡(luò)模型進(jìn)行物流需求預(yù)測(cè)可以避免建模問(wèn)題的困難，同時(shí)還可以有效提高預(yù)測(cè)的準(zhǔn)確度。理論上已經(jīng)證明，具有三層結(jié)構(gòu)和一定數(shù)量神經(jīng)元的神經(jīng)網(wǎng)絡(luò)能以任意精度逼近任一函數(shù)f（x1,x2,…,xn）[2]。BP神經(jīng)網(wǎng)絡(luò)的建模思路如下：

（1）用一神經(jīng)網(wǎng)絡(luò)模擬目標(biāo)函數(shù)式y(tǒng)=f（x1,x2,…,xn）中的f（x1,x2,…,xn）。

（2）用神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)代替函數(shù)預(yù)測(cè)。①建立具體的神經(jīng)網(wǎng)絡(luò)模型，包括輸入層、隱含層、輸出層，而且每層神經(jīng)元要符合理論要求。②神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)參數(shù)通過(guò)學(xué)習(xí)訓(xùn)練的方法來(lái)確定，其要滿足:當(dāng)輸入x1,x2,…,xn神經(jīng)網(wǎng)絡(luò)的輸出值接近目標(biāo)函數(shù)Y。③用以上已經(jīng)學(xué)習(xí)好的神經(jīng)網(wǎng)絡(luò)來(lái)進(jìn)行預(yù)測(cè)，即給出輸入值x1,x2,…,xn的一組值，通過(guò)訓(xùn)練好的神經(jīng)網(wǎng)絡(luò)得到預(yù)測(cè)目標(biāo)Y的輸出值。

3 實(shí)證分析

3.1 預(yù)測(cè)指標(biāo)的選取

本文采取的BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)方法，以經(jīng)濟(jì)指標(biāo)為輸入指標(biāo)，來(lái)預(yù)測(cè)海南省未來(lái)的物流需求規(guī)模。建立BP神經(jīng)網(wǎng)絡(luò)前需選取合適的經(jīng)濟(jì)指標(biāo)和物流指標(biāo)。

貨運(yùn)量和貨運(yùn)周轉(zhuǎn)量在一定程度上可以反映物流需求的變化規(guī)律，所以本文選擇貨運(yùn)量和貨運(yùn)周轉(zhuǎn)量作為物流指標(biāo)，即BP神經(jīng)網(wǎng)絡(luò)模型的輸出指標(biāo)?；跀?shù)據(jù)的可獲得性及經(jīng)濟(jì)指標(biāo)與物流指標(biāo)之間的相關(guān)性，選取2003-2016年海南省地區(qū)生產(chǎn)總值(GDP)、三次產(chǎn)業(yè)產(chǎn)值、區(qū)域零售總額、城鎮(zhèn)常住居民人均可支配收入、居民消費(fèi)水平作為海南省物流需求預(yù)測(cè)的輸入指標(biāo)[3-4]，運(yùn)用BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)海南省2017-2022年的貨運(yùn)量和貨運(yùn)周轉(zhuǎn)量。

3.2 數(shù)據(jù)來(lái)源

本文所選取的數(shù)據(jù)資料源于海南省歷年統(tǒng)計(jì)年鑒，見(jiàn)表1。將2003至2014年的數(shù)據(jù)作為網(wǎng)絡(luò)訓(xùn)練樣本，2015和2016年的數(shù)據(jù)作為網(wǎng)絡(luò)測(cè)試樣本，用訓(xùn)練好的神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)2017至2022年的貨運(yùn)量和貨運(yùn)周轉(zhuǎn)量。

表1 海南省歷年物流指標(biāo)與經(jīng)濟(jì)指標(biāo)數(shù)據(jù)

由于BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)方法是以對(duì)本年的輸出指標(biāo)有很大影響的輸入指標(biāo)來(lái)預(yù)測(cè)本年要預(yù)測(cè)指標(biāo)的變化，所以在進(jìn)行下一年的預(yù)測(cè)時(shí)須知道下一年各影響輸出指標(biāo)的值。下面將根據(jù)歷年數(shù)據(jù)設(shè)定海南省物流需求影響因素的變化趨勢(shì)。

最近幾年，海南省經(jīng)濟(jì)呈現(xiàn)較快發(fā)展之勢(shì)，GDP從2003年到2016年年均增長(zhǎng)率為14.39%。三次產(chǎn)業(yè)也不斷發(fā)展，其中第一產(chǎn)業(yè)年均增長(zhǎng)率為11.13%，第二產(chǎn)業(yè)年均增長(zhǎng)率為13.83%，第三產(chǎn)業(yè)年均增長(zhǎng)率為16.85%，假設(shè)以后幾年的GDP和三次產(chǎn)業(yè)呈此種增長(zhǎng)趨勢(shì)。

隨著經(jīng)濟(jì)的發(fā)展，人民生活水平的提高，消費(fèi)品零售總額從2003年到2016年年均增長(zhǎng)率為16.98%，城鎮(zhèn)居民人均可支配收入年均增長(zhǎng)率為11.16%，居民消費(fèi)水平年均增長(zhǎng)率為14.94%，同樣假設(shè)以后幾年的消費(fèi)品零售總額、城鎮(zhèn)居民人均可支配收入和居民消費(fèi)呈此種增長(zhǎng)趨勢(shì)。

按照以上設(shè)定的增長(zhǎng)速度，2017年到2022年海南省的經(jīng)濟(jì)指標(biāo)見(jiàn)表2。

表2 海南省2017-2022年預(yù)測(cè)經(jīng)濟(jì)指標(biāo)數(shù)據(jù)

由于在對(duì)BP神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練時(shí)，過(guò)大或者過(guò)小的數(shù)值都不利于神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，為了保證所提供的樣本數(shù)據(jù)為同一個(gè)數(shù)量級(jí)，需要對(duì)所選取的初始數(shù)據(jù)進(jìn)行一定的預(yù)處理，利用歸一化公式：

對(duì)數(shù)據(jù)進(jìn)行預(yù)處理，使數(shù)據(jù)歸一到[0.15,0.85]之間。本文利用MATLAB實(shí)現(xiàn)歸一化過(guò)程，歸一化后的數(shù)據(jù)見(jiàn)表3。

表3 歸一化后的樣本數(shù)據(jù)

3.3 網(wǎng)絡(luò)訓(xùn)練

實(shí)踐已經(jīng)證明，具有一個(gè)隱含層的BP網(wǎng)絡(luò)結(jié)構(gòu)足以模擬任意輸出與輸入之間復(fù)雜的非線性映射關(guān)系，而且網(wǎng)絡(luò)學(xué)習(xí)收斂快[5]。因此，本文海南省BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型采用三層的網(wǎng)絡(luò)結(jié)構(gòu)。

前面所述輸入層、輸出層神經(jīng)元的個(gè)數(shù)已經(jīng)由所求的問(wèn)題本身確定，而確定中間層神經(jīng)元的個(gè)數(shù)比較困難，迄今為止還沒(méi)有找到一個(gè)合適的函數(shù)解析式，基本上是根據(jù)前人所得的經(jīng)驗(yàn)和自己的試驗(yàn)來(lái)確定的。由于隱含層神經(jīng)元數(shù)還與所求解問(wèn)題的要求、輸入與輸出單元數(shù)存在著直接關(guān)系，故本文在綜合各方面因素的基礎(chǔ)上先通過(guò)前人所總結(jié)的經(jīng)驗(yàn)公式來(lái)初步確定神經(jīng)元個(gè)數(shù)，然后再對(duì)不同神經(jīng)元數(shù)下的網(wǎng)絡(luò)訓(xùn)練結(jié)果進(jìn)行對(duì)比，最終根據(jù)訓(xùn)練結(jié)果選擇合適的神經(jīng)元數(shù)。根據(jù)Kolmogorov定理[6]，當(dāng)輸入層的神經(jīng)元為7個(gè)時(shí)，可將網(wǎng)絡(luò)中間層的神經(jīng)元初步確定為15個(gè)，之后，再分別取10和20，將它們的訓(xùn)練結(jié)果進(jìn)行比較，結(jié)果顯示網(wǎng)絡(luò)中間層的神經(jīng)元為15時(shí)最佳，訓(xùn)練結(jié)果如圖1所示。

圖1 BP網(wǎng)絡(luò)訓(xùn)練結(jié)果（隱單元數(shù)：15）

從圖1所示的訓(xùn)練結(jié)果中可以看出，將BP網(wǎng)絡(luò)的訓(xùn)練誤差設(shè)定在0.000 1時(shí)，網(wǎng)絡(luò)在訓(xùn)練了19 190次時(shí)達(dá)到了設(shè)定的目標(biāo)，誤差為9.998 61 e-005，訓(xùn)練效果比較令人滿意，符合研究需要。結(jié)合以上分析，海南省的物流需求預(yù)測(cè)BP網(wǎng)絡(luò)模型結(jié)構(gòu)如圖2所示。

3.4 誤差分析

將BP神經(jīng)網(wǎng)絡(luò)模型的測(cè)試樣本（2003-2016年）的預(yù)測(cè)值與貨運(yùn)量和貨運(yùn)周轉(zhuǎn)量的實(shí)際值進(jìn)行誤差比較，結(jié)果如圖3所示。

由圖3可以看出，神經(jīng)網(wǎng)絡(luò)的訓(xùn)練誤差基本上可以控制在很小的范圍內(nèi)，有很強(qiáng)的預(yù)測(cè)能力，能夠達(dá)到理想的效果，故可以用以上訓(xùn)練好的神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)海南省2017-2022年的物流需求。

3.5 預(yù)測(cè)結(jié)果

根據(jù)以上所建立的BP神經(jīng)網(wǎng)絡(luò)模型，對(duì)海南省2017-2022年的物流需求規(guī)模進(jìn)行預(yù)測(cè)，輸入值為表2中2017-2022年歸一化后的各經(jīng)濟(jì)指標(biāo)數(shù)據(jù)，見(jiàn)表4。

圖2 海南省物流需求預(yù)測(cè)BP網(wǎng)絡(luò)結(jié)構(gòu)模型

圖3 貨運(yùn)量、貨運(yùn)周轉(zhuǎn)量的預(yù)測(cè)誤差曲線

表4 海南省2017-2022年預(yù)測(cè)經(jīng)濟(jì)指標(biāo)歸一化數(shù)據(jù)

將輸入值（2017-2022年各經(jīng)濟(jì)指標(biāo)）輸入以上訓(xùn)練好的BP神經(jīng)網(wǎng)絡(luò)得到輸出值即2017-2022年物流需求預(yù)測(cè)結(jié)果，預(yù)測(cè)結(jié)果呈矩陣顯示為：

對(duì)預(yù)測(cè)結(jié)果T_forc進(jìn)行反歸一化，可以得到海南省2017-2022年的物流需求規(guī)模預(yù)測(cè)值，結(jié)果見(jiàn)表5。

表5 海南省2017-2022年貨運(yùn)量、貨運(yùn)周轉(zhuǎn)量

根據(jù)預(yù)測(cè)結(jié)果可以看出，未來(lái)幾年海南省物流需求規(guī)模逐年增長(zhǎng)，物流業(yè)呈現(xiàn)平穩(wěn)發(fā)展態(tài)勢(shì)。通過(guò)所建立的BP神經(jīng)網(wǎng)絡(luò)模型預(yù)測(cè)到的結(jié)果，可以在一定程度上定量反映出海南省物流需求規(guī)模的變化。

4 結(jié)語(yǔ)

物流是社會(huì)生產(chǎn)和人民生活的重要組成部分，是推動(dòng)國(guó)民經(jīng)濟(jì)發(fā)展和社會(huì)進(jìn)步的重要力量。物流供給能力不足或者是物流供給能力過(guò)剩都不利于物流業(yè)的健康發(fā)展，通過(guò)對(duì)區(qū)域物流需求進(jìn)行分析與預(yù)測(cè)，可以揭示出區(qū)域經(jīng)濟(jì)與區(qū)域物流之間的內(nèi)在關(guān)系，并為區(qū)域物流規(guī)劃提供決策數(shù)據(jù)和依據(jù)。本文對(duì)海南省2017至2022年的物流需求規(guī)模進(jìn)行預(yù)測(cè)，預(yù)測(cè)結(jié)果顯示，海南省的物流需求將會(huì)有較快的增長(zhǎng)和長(zhǎng)足的發(fā)展。但是由于所掌握的數(shù)據(jù)與信息資料有限，海南省未來(lái)社會(huì)經(jīng)濟(jì)發(fā)展也是不確定的，預(yù)測(cè)結(jié)果可能與未來(lái)實(shí)際的物流需求規(guī)模存在一定差異，但通過(guò)此模型預(yù)測(cè)到的結(jié)果可以在一定程度上定量反映其發(fā)展變化的趨勢(shì)。

[1]燕春蓉.電子商務(wù)與物流[M].西安:西安電子科技大學(xué)出版社,2010.

[2]文培娜.基于人工神經(jīng)網(wǎng)絡(luò)的區(qū)域物流需求預(yù)測(cè)及實(shí)證研究[D].北京:北京物資學(xué)院,2010.

[3]徐優(yōu)麗.基于神經(jīng)網(wǎng)絡(luò)的物流需求預(yù)測(cè)—以浙江省長(zhǎng)興縣為例[J].浙江樹(shù)人大學(xué)學(xué)報(bào)(人文社會(huì)科學(xué)版),2008,(1):56-58.

[4]徐宇.湖南省物流需求影響因素分析[D].長(zhǎng)沙:湖南大學(xué),2008.

[5]曾斌,項(xiàng)偉.典型地質(zhì)環(huán)境問(wèn)題區(qū)域?yàn)?zāi)變智能預(yù)測(cè)研究:以湖北省恩施地區(qū)為例[M].武漢:中國(guó)地質(zhì)大學(xué)出版社,2013.

[6]譚延嗣.BP神經(jīng)網(wǎng)絡(luò)應(yīng)用于地質(zhì)災(zāi)害預(yù)測(cè)的研究[J].江西建材,2017,(24).