趙雪琴, 張 軍

( 重慶工商大學(xué) 智能制造服務(wù)國際科技合作基地，重慶400067)

2017年，天貓“雙十一”全天產(chǎn)生的交易額為1 682億元，包裹量高達(dá)8.12億個(gè)，物流配送業(yè)務(wù)量也隨之呈“爆發(fā)式”增長(zhǎng)。天貓平臺(tái)的第三方物流企業(yè)現(xiàn)有的物流資源在非節(jié)假日期間的優(yōu)化配置已經(jīng)達(dá)到了較高的水平，但面對(duì)節(jié)假日促銷導(dǎo)致的“爆發(fā)式”增長(zhǎng)卻難以維持，發(fā)貨時(shí)間延遲，物流配送中心爆倉，物流運(yùn)輸及物流信息反饋不及時(shí)等問題層出不窮。為了使這種現(xiàn)象得以緩解，天貓平臺(tái)采用了預(yù)售商品等辦法并取得了一定的成效，但“雙十一”的物流配送瓶頸依然存在。對(duì)天貓“雙十一”物流需求量進(jìn)行準(zhǔn)確預(yù)測(cè)，能夠?yàn)槠淦脚_(tái)的第三方物流企業(yè)對(duì)物流資源進(jìn)行合理、有效的調(diào)配提供決策支持，保障“雙十一”物流配送的效率和質(zhì)量，同時(shí)也為解決節(jié)假日電商物流配送問題提供了一種新思路。

近年來，電商物流研究中，文獻(xiàn)[1]以自建物流為例，通過將客戶分為時(shí)間響應(yīng)型顧客和時(shí)間延遲型顧客，構(gòu)建應(yīng)對(duì)電商促銷井噴需求狀態(tài)的兩階段商品配送模型——時(shí)間響應(yīng)型商品配送模型和時(shí)間延遲型商品配送模型，分別進(jìn)行求解，找到滿意配送路徑；文獻(xiàn)[2]在深入研究國內(nèi)外電子商務(wù)“最后一公里”配送方案的基礎(chǔ)上，對(duì)現(xiàn)有成功配送方案的成功原因和適用范圍進(jìn)行了定性分析；文獻(xiàn)[3]以滿足客戶對(duì)交貨時(shí)間的要求為目標(biāo)，建立了一個(gè)電子商務(wù)多目標(biāo)動(dòng)態(tài)物流指派決策模型；文獻(xiàn)[4]分析了電子商務(wù)第三方物流供應(yīng)商的特點(diǎn)，提出電子商務(wù)第三方物流選擇評(píng)估指標(biāo)系統(tǒng)；文獻(xiàn)[5]從顧客價(jià)值的角度建立電子商務(wù)物流能力的評(píng)價(jià)體系，并以此為基礎(chǔ)構(gòu)建模型，分析電子商務(wù)物流能力對(duì)顧客價(jià)值的影響關(guān)系，同時(shí)將物流模式作為調(diào)節(jié)變量觀察不同物流模式對(duì)其影響作用的差異性；文獻(xiàn)[6]針對(duì)電商企業(yè)、快遞企業(yè)和便利店合作的新型物流模式，在價(jià)格和物流服務(wù)水平共同影響市場(chǎng)需求的前提下，運(yùn)用Stackelberg模型分別求解、計(jì)算了集中決策、分散決策以及3種半集中決策情形的變量取值和利潤水平，并設(shè)計(jì)了一種收益共享加成本共擔(dān)契約來協(xié)調(diào)系統(tǒng)的訂貨量和服務(wù)水平?jīng)Q策；文獻(xiàn)[7]從網(wǎng)絡(luò)零售商臨時(shí)性超額訂單的物流解決方案入手，提出電商企業(yè)設(shè)置物流服務(wù)限價(jià)和物流企業(yè)自主報(bào)價(jià)兩種物流伙伴選擇模式；文獻(xiàn)[8]構(gòu)建第三方物流服務(wù)質(zhì)量對(duì)顧客忠誠影響的理論模型(LSQ-CL模型)，使用結(jié)構(gòu)方程模型對(duì)459個(gè)第三方物流使用者數(shù)據(jù)進(jìn)行驗(yàn)證性因子分析，研究表明運(yùn)作質(zhì)量、關(guān)系質(zhì)量和成本質(zhì)量均對(duì)顧客滿意度有顯著正向影響，其中運(yùn)作質(zhì)量影響最大，其次是關(guān)系質(zhì)量，成本質(zhì)量影響很小。從近幾年的研究成果可以看出，對(duì)電商物流的研究集中于物流配送、物流服務(wù)評(píng)價(jià)方面，對(duì)節(jié)假日“井噴式”電商物流方面的研究較少；對(duì)“井噴式”電商物流的研究定性為主，定量研究很少。因此，本文將對(duì)節(jié)假日引發(fā)的“井噴式”電商物流需求進(jìn)行定量預(yù)測(cè)。

每年“雙十一”的包裹量都會(huì)在前一年包裹量的基礎(chǔ)上有所增長(zhǎng)，其增長(zhǎng)趨勢(shì)呈現(xiàn)出飽和“S”形且連續(xù)變化的特征，如圖1所示。每年“雙十一”包裹量的時(shí)點(diǎn)數(shù)據(jù)只能反映當(dāng)天記錄時(shí)間點(diǎn)為止所發(fā)生的包裹數(shù)量，用歷年時(shí)點(diǎn)數(shù)據(jù)進(jìn)行預(yù)測(cè)會(huì)忽略連續(xù)變化這一趨勢(shì)，導(dǎo)致預(yù)測(cè)結(jié)果的精確度不高。而將天貓“雙十一”包裹量的統(tǒng)計(jì)數(shù)據(jù)看作是一個(gè)連續(xù)變化的區(qū)間，則可以更加真實(shí)、準(zhǔn)確地反映實(shí)際趨勢(shì)，因此選擇用連續(xù)區(qū)間灰數(shù)進(jìn)行預(yù)測(cè)。由于用區(qū)間灰數(shù)直接建?？赡軐?dǎo)致丟失一些已知的有效信息，甚至對(duì)實(shí)際情況的解釋存在偏差，所以選擇用信息分解的方法對(duì)區(qū)間灰數(shù)進(jìn)行白化?；疑x散 Verhulst 模型是對(duì)灰色Verhulst模型的優(yōu)化，不僅依然適用于近似飽和“S”型數(shù)據(jù)序列，還能消除由微分方程跳到差分方程時(shí)產(chǎn)生的誤差，使模擬預(yù)測(cè)精度更高。因此本文運(yùn)用基于信息分解的連續(xù)區(qū)間灰數(shù)離散Verhulst模型對(duì)天貓“雙十一”的物流需求量進(jìn)行預(yù)測(cè)。

圖1 2011—2017天貓“雙十一”包裹量Fig.1 2011—2017 Tmall double 11 parcels

1 基于信息分解的連續(xù)區(qū)間灰色離散Verhulst模型構(gòu)建

1.1 灰部序列預(yù)測(cè)模型

設(shè)灰部原始序列為X(0)(t)=(x(0)(1)，x(0)(2)，…，x(0)(n))，對(duì)其建立灰色離散Verhulst模型，得時(shí)間響應(yīng)式為

(1)

1.2 白部序列預(yù)測(cè)模型

設(shè)白部原始序列為R(0)=(r(0)(1)，r(0)(2)，…，r(0)(t))，同理，對(duì)其建立灰色離散Verhulst模型，得時(shí)間響應(yīng)式為

(2)

1.3 連續(xù)區(qū)間灰數(shù)上下界序列預(yù)測(cè)模型

(3)

聯(lián)立式(1)(2)(3)，解方程組可得區(qū)間灰數(shù)的上界及下界的預(yù)測(cè)模型:

(4)

1.4 誤差檢驗(yàn)

在使用區(qū)間灰數(shù)預(yù)測(cè)模型進(jìn)行數(shù)據(jù)預(yù)測(cè)之前，首先需要對(duì)該模型的誤差進(jìn)行檢驗(yàn)。區(qū)間灰數(shù)預(yù)測(cè)模型不同于實(shí)數(shù)序列預(yù)測(cè)模型，其檢驗(yàn)誤差的指標(biāo)比傳統(tǒng)的實(shí)數(shù)序列預(yù)測(cè)模型更加復(fù)雜、更加多元化。張軍等[11]從區(qū)間灰數(shù)模擬序列上下界平均相對(duì)模擬誤差、建模序列與模擬序列上下界的灰色面積關(guān)聯(lián)度、均方差及小誤差概率4個(gè)方面對(duì)區(qū)間灰數(shù)預(yù)測(cè)模型的誤差檢驗(yàn)方法進(jìn)行了定義與系統(tǒng)研究。在所有區(qū)間灰數(shù)誤差檢驗(yàn)指標(biāo)中一般最常用的是綜合平均相對(duì)誤差。

設(shè)原始區(qū)間灰數(shù)序列為

X(?)=([a1，b1])，([a2，b2])，…，([an，bn])

相應(yīng)的區(qū)間灰數(shù)模擬序列為

上界及下界原始序列為

A=(a1，a2，…，an) ，B=(b1，b2，…，bn)

上界及下界模擬序列為

上界及下界殘差為

ea=(ea(1)，ea(2)，…，ea(n))=

(eb(1)，eb(2)，…，eb(n))=

上界相對(duì)誤差為

Δa=(Δa(1)，Δa(2)，…，Δa(n))=

下界相對(duì)誤差為

Δb=(Δb(1)，Δb(2)，…，Δb(n))=

通過計(jì)算上下界每個(gè)點(diǎn)的殘差及相對(duì)誤差，可以計(jì)算出上下界的平均模擬相對(duì)誤差，進(jìn)一步計(jì)算出模型的綜合平均模擬相對(duì)誤差，然后查閱區(qū)間序列誤差檢驗(yàn)表(表1)來判斷預(yù)測(cè)模型的精度等級(jí)，精度等級(jí)越低說明模擬效果越好。

表1 區(qū)間序列誤差檢驗(yàn)表Table 1 Interval sequence error checklist

判定區(qū)間灰數(shù)的精度等級(jí)必須是上界與下界同時(shí)滿足同一等級(jí)的精度要求，才能說其達(dá)到這一精度等級(jí)。因此，區(qū)間灰數(shù)序列的誤差檢驗(yàn)標(biāo)準(zhǔn)比實(shí)數(shù)序列的要求更加嚴(yán)格。

2 天貓“雙十一”物流需求量預(yù)測(cè)

本文利用基于信息分解的連續(xù)區(qū)間灰數(shù)離散Verhulst預(yù)測(cè)模型，對(duì)天貓“雙十一”包裹量進(jìn)行預(yù)測(cè)與檢驗(yàn)。選擇2011年到2017年天貓“雙十一”包裹量作為原始數(shù)據(jù)(數(shù)據(jù)由中國電子商務(wù)研究中心每年官方發(fā)布的“雙十一”數(shù)據(jù)整理而得)。原始數(shù)據(jù)為X(0)=[2 200，7 800，15 200，27 800，46 700，65 700，81 200]。

將原始數(shù)據(jù)劃分為6個(gè)連續(xù)區(qū)間，如表2所示：

表2 “雙十一”包裹量區(qū)間灰數(shù)Table 2 Interval grey number of double 11 parcels

連續(xù)區(qū)間灰數(shù)的白部序列為

R(0)=( 2 200，7 800，15 200，27 800，46 700，65 700)

建立白部序列的灰色離散Verhulst模型得模擬序列為

連續(xù)區(qū)間灰數(shù)的灰部序列為

H(0)=(5 600，7 400，12 600，18 900，19 000，15 500)

經(jīng)1—AGO后序列為

H(1)=(5 600，13 000，25 600，44 500，63 500，79 000)

對(duì)H(1)建立灰色離散Verhulst模型得模擬序列為

經(jīng)累減還原得灰部序列的模擬預(yù)測(cè)序列為

區(qū)間下界模擬序列為

a=(2 200.00，7 797.93，15 221.35，27 843.30，46 012.61 ，66 756.53 )

區(qū)間上界模擬序列為

b=(7 800.00，15 193.88，27 900.60，46 321.97，65 731.66，81 892.43 )

區(qū)間下界及上界的平均模擬相對(duì)誤差分別為0.68%，0.42%；區(qū)間綜合平均模擬相對(duì)誤差為0.55%，等級(jí)為1級(jí)。

具體模擬結(jié)果及誤差檢驗(yàn)見表3，區(qū)間模擬值見表4，曲線擬合見圖2。由計(jì)算結(jié)果可知: 用基于信息分解的連續(xù)區(qū)間灰色離散Verhulst構(gòu)建的天貓“雙十一”包裹量預(yù)測(cè)模型的精度高達(dá)99.45%，可以有效地對(duì)天貓“雙十一”包裹量進(jìn)行預(yù)測(cè)。

圖2 原始序列與模擬序列對(duì)比圖Fig.2 Comparison diagram of original and simulated sequence

表3 上下界序列誤差分析Table 3 Sequence error analysis of upper and lower bounds

表4 區(qū)間模擬值Table 4 Interval simulation value

以2011—2017年天貓“雙十一”包裹量數(shù)據(jù)為基礎(chǔ)，分別用典型的灰色Verhulst模型、離散后的灰色Verhulst模型來對(duì)其進(jìn)行預(yù)測(cè)，并將結(jié)果與本模型進(jìn)行對(duì)比，結(jié)果見表5。

從相關(guān)模型誤差對(duì)比圖可以看出，灰色Verhulst模型的相對(duì)誤差呈下降趨勢(shì)，但總體誤差水平在其他兩種模型之上；經(jīng)離散后的Verhulst模型的相對(duì)誤差明顯低于Verhulst模型的誤差，但其波動(dòng)幅度明顯大于基于信息分解的連續(xù)區(qū)間灰數(shù)離散Verhulst模型的上下界平均相對(duì)誤差；基于信息分解的連續(xù)區(qū)間灰數(shù)離散Verhulst模型的平均相對(duì)誤差無論是波動(dòng)幅度還是值的大小均低于其他兩種模型，如圖3所示。

圖3 相關(guān)模型相對(duì)誤差對(duì)比圖Fig.3 Relative error contrast diagram of correlation model

表5 相關(guān)模型與本模型誤差對(duì)比表Table 5 Correlation Model and error comparison table of this model

綜上所述，無論是與經(jīng)典灰色Verhulst模型的模擬預(yù)測(cè)結(jié)果相比還是與離散后的灰色Verhulst模型相比，基于信息分解的連續(xù)區(qū)間灰數(shù)離散Verhulst預(yù)測(cè)模型的平均模擬相對(duì)誤差都明顯較低，表現(xiàn)出了良好的預(yù)測(cè)效果。因此，用基于信息分解的連續(xù)區(qū)間灰色離散Verhulst模型來預(yù)測(cè)2018年天貓“雙十一”包裹量是可行的。