趙文德，黃麗娟，胡子瑜

（1.廣州番禺職業(yè)技術(shù)學(xué)院 管理學(xué)院，廣東 廣州 511483；2.廣州大學(xué) 工商管理學(xué)院，廣東 廣州 510006）

1 引言

物流業(yè)作為支撐國民經(jīng)濟發(fā)展的基礎(chǔ)性、戰(zhàn)略性、先導(dǎo)性行業(yè)，在促進區(qū)域間經(jīng)濟發(fā)展、物資流通、產(chǎn)業(yè)結(jié)構(gòu)升級、人民生活提升等方面發(fā)揮重要作用。目前，我國物流需求規(guī)模呈現(xiàn)出穩(wěn)步上升的發(fā)展趨勢，2018年全社會物流需求總規(guī)模達到283.1萬億，同比增長6.4%；根據(jù)數(shù)據(jù)，2013-2018年我國社會物流需求規(guī)模年平均增長率達到7.06%。與此同時，物流業(yè)的發(fā)展所帶來的經(jīng)濟增長也是顯著的，2018年物流行業(yè)所帶來的總收入達到10.1 萬億元，同比增長14.5%；2014-2018年，我國物流行業(yè)產(chǎn)出的總收入年平均增長率達到8.56%。物流行業(yè)已經(jīng)成為推動經(jīng)濟發(fā)展和技術(shù)創(chuàng)新的重要驅(qū)動力量，但是物流行業(yè)的發(fā)展仍然受到物流體系不健全、設(shè)施配套不完善、物流成本較高、物流機制不成熟等瓶頸的制約，為了更有效地保障物流行業(yè)高質(zhì)量有序發(fā)展，實現(xiàn)區(qū)域物流資源供需平衡，促進區(qū)域經(jīng)濟健康發(fā)展，對物流需求能力的精準預(yù)測成為關(guān)鍵。

2 文獻回顧

目前關(guān)于區(qū)域物流發(fā)展的研究主要集中在區(qū)域物流發(fā)展影響因素[1-2]、區(qū)域物流競爭力[3-5]、區(qū)域物流業(yè)與經(jīng)濟發(fā)展的協(xié)調(diào)度評價[6-9]等方面。

針對特定區(qū)域的物流需求能力預(yù)測研究相對較少，對現(xiàn)有的文獻進行梳理，主要包括以下兩個方面：（1）關(guān)于區(qū)域物流需求能力預(yù)測的指標體系構(gòu)建方面，李瑞，等[10]從經(jīng)濟、社會、技術(shù)等維度構(gòu)建了與物流業(yè)能源需求相關(guān)的11 個因素指標體系。李捷，等[11]根據(jù)物流需求的影響因素分析，從經(jīng)濟、社會、貿(mào)易、生活等維度構(gòu)建了預(yù)測指標體系。王曉平，等[12]根據(jù)農(nóng)產(chǎn)品冷鏈物流的需求特性，從農(nóng)產(chǎn)品供給、社會經(jīng)濟、冷鏈發(fā)展、人文、物流需求規(guī)模等維度構(gòu)建了預(yù)測指標體系。Hongmei He，等[13]在城市物流的關(guān)聯(lián)度研究中發(fā)現(xiàn)信息水平、網(wǎng)絡(luò)設(shè)施、物流節(jié)點等影響因素是關(guān)鍵。Nuzzolo A，等[14]通過對歷年羅馬城市物流政策的實施效果進行研究，發(fā)現(xiàn)物流政策對城市網(wǎng)絡(luò)、城市配送等方面具有顯著作用。（2）關(guān)于區(qū)域物流需求能力預(yù)測的方法選取方面，韓慧健，等[15]根據(jù)經(jīng)濟、貿(mào)易等要素與物流之間的關(guān)聯(lián)度，提出了模糊認知圖的預(yù)測模型。曹志強，等[16]構(gòu)建GA-SVR組合模型對廣西貨運量進行預(yù)測。魯渤，等[17]構(gòu)建引力模型對內(nèi)蒙古鄂爾多斯區(qū)域物流能力進行了預(yù)測。Chiri H，等[18]基于數(shù)據(jù)挖掘技術(shù)、統(tǒng)計模式建模和概率拉格朗日模擬的組合，提出了溢油軌跡的中長期（1-6個月）概率預(yù)測方法。Lopez，等[19]提出基于時間序列定量和定性信息的分解模型QMMP+，將其應(yīng)用于巴塞羅那供水網(wǎng)絡(luò)的需求預(yù)測中。

區(qū)域物流需求能力的影響因素繁多且相互關(guān)聯(lián)和滲透[12]，加上該預(yù)測系統(tǒng)是一個非線性的關(guān)系[10]，這些都增加了物流需求能力預(yù)測的不可控性，因此目前關(guān)于區(qū)域物流需求能力預(yù)測的文獻相對較少，現(xiàn)有文獻存在的不足主要有：（1）現(xiàn)有的物流需求能力預(yù)測文獻對指標體系的構(gòu)建缺乏層次性和嚴謹性，特別是對于指標之間的共線性問題，少有文章進行討論；（2）現(xiàn)有的物流需求能力預(yù)測文獻在方法的選取方面存在一定的局限性，鮮有文章對多種預(yù)測方法進行比較研究。本文結(jié)合現(xiàn)有文獻的成果，采用因子分析法對預(yù)測指標體系進行共線性消除，根據(jù)區(qū)域物流需求的特征構(gòu)建基于多因素耦合下的需求能力預(yù)測組合模型，通過對不同預(yù)測模型的比較研究，找到更具適應(yīng)性的預(yù)測模型，以期為各級別政府制定科學(xué)的區(qū)域物流協(xié)調(diào)發(fā)展政策提供建議和支撐。

3 區(qū)域物流需求能力的影響因素

區(qū)域物流的發(fā)展能夠促進區(qū)域經(jīng)濟的發(fā)展，與此同時，區(qū)域經(jīng)濟的增長也能夠反哺推動物流的進步[20]。區(qū)域物流的發(fā)展除了受到經(jīng)濟因素的影響外，還會受到區(qū)域消費水平、基礎(chǔ)水平、信息水平等綜合因素的影響，因此，區(qū)域物流需求系統(tǒng)是一個復(fù)雜的、動態(tài)的系統(tǒng)。其影響因素體系的構(gòu)建應(yīng)當盡量全面、客觀地反映區(qū)域物流的發(fā)展能力水平，同時也應(yīng)當綜合考慮因素數(shù)據(jù)的權(quán)威性和獲取便利性[21]。本文系統(tǒng)梳理了文獻[22]-[29]等國內(nèi)外代表性文獻中涉及物流需求能力影響因素的高頻指標，并對初始指標體系進行關(guān)聯(lián)度分析，剔除關(guān)聯(lián)度小于0.7的指標，最終構(gòu)建了以區(qū)域物流發(fā)展能力、物流消費能力、物流基礎(chǔ)能力、物流信息能力為一級指標，以物流發(fā)展現(xiàn)狀、消費基礎(chǔ)等10個指標為二級指標，以物流需求能力、人均可支配收入等10 個指標為三級變量的綜合指標體系。

區(qū)域物流發(fā)展能力指標體系包含了物流需求能力，也是衡量區(qū)域一定時間內(nèi)物流需求能力的核心指標，具體見表1。

表1 區(qū)域物流發(fā)展能力指標體系

區(qū)域物流消費能力指標體系包含了人均可支配收入、地區(qū)生產(chǎn)總值、社會消費品零售總額3個指標，主要用來衡量區(qū)域的物流消費能力，具體見表2。

表2 區(qū)域物流消費能力指標體系

區(qū)域物流基礎(chǔ)能力指標體系包含了物流運輸里程、物流營運車輛、物流從業(yè)人數(shù)3個指標，主要用來衡量區(qū)域的物流基礎(chǔ)能力，具體見表3。

表3 區(qū)域物流基礎(chǔ)能力指標體系

區(qū)域物流基礎(chǔ)能力指標體系包含了物流信息傳輸與服務(wù)、物流運輸與郵政業(yè)投資、信息基礎(chǔ)產(chǎn)業(yè)投資3 個指標，主要用來衡量區(qū)域的物流信息能力，具體見表4。

表4 區(qū)域物流信息能力指標體系

物流需求能力用來反映區(qū)域物流發(fā)展總體情況，根據(jù)指標的可獲得性和權(quán)威性，本文所構(gòu)建的綜合指標體系的數(shù)據(jù)均能夠在《廣東省統(tǒng)計年鑒（2010-2019）》中獲取。由于指標體系中各影響因素的量綱及其指標數(shù)據(jù)在數(shù)量上均存在差異，為得到更為準確的預(yù)測結(jié)果，需要對各影響因素的原始數(shù)據(jù)進行無量綱化處理，即將所有指標數(shù)據(jù)轉(zhuǎn)化到[0，1]之間，公式為由此得到各影響因素及物流需求能力觀察值，見表5。

表5 2010-2019年區(qū)域物流需求能力影響因素觀察值

將上述數(shù)據(jù)導(dǎo)入SPSS進行因子分析，得到KMO均值大于0.6，Bartlett 球度檢驗的顯著性為0.000，表明適合因子分析；通過降維得出物流消費能力、物流基礎(chǔ)能力、物流信息能力（分別用變量F1、F2、F3表示）所提取的因子累計貢獻率平均超過90%，能夠比較全面的反映所有的信息。

根據(jù)式（1）和式（2）可以計算出F1、F2、F3的因子得分情況，公式如下所示：

通過曲線擬合對物流需求規(guī)模與F1、F2、F3的耦合關(guān)系進行分析，可以發(fā)現(xiàn)物流需求規(guī)模與這三個主成分呈現(xiàn)顯著的非線性正相關(guān)關(guān)系，曲線擬合的R2都通過了顯著性檢驗，且都大于0.90，效果較好，曲線的走勢也更加穩(wěn)定，其曲線擬合的公式如下：

其中物流消費能力、物流基礎(chǔ)能力、物流信息能力的擬合變量分別為y1、y2、y3，對應(yīng)的擬合優(yōu)度R2分別為0.995 4、0.995 3和0.933 8。

根據(jù)上述的分析可以發(fā)現(xiàn)：（1）區(qū)域物流需求能力系統(tǒng)是一個非線性的復(fù)雜系統(tǒng)，需綜合考慮與其相關(guān)的消費、基礎(chǔ)、信息等多種能力因素的影響；（2）區(qū)域物流需求能力與消費、基礎(chǔ)、信息等能力因素之間呈現(xiàn)非線性的強正向相關(guān)關(guān)系。物流需求能力與因素體系耦合關(guān)聯(lián)度大小見表6，可以發(fā)現(xiàn)物流需求能力與消費能力、基礎(chǔ)能力、信息能力之間具有極強的關(guān)聯(lián)度。

表6 物流需求能力與因素體系耦合關(guān)聯(lián)度

4 數(shù)據(jù)預(yù)測與結(jié)果

4.1 多項式回歸預(yù)測

根據(jù)多項式回歸曲線擬合的方程進行物流需求能力預(yù)測，首先構(gòu)建預(yù)測的系統(tǒng)特征序列數(shù)據(jù)矩陣：

然后構(gòu)建預(yù)測的相關(guān)因素序列矩陣：

通過多項式回歸模型得到2010——2019年廣東省物流需求能力預(yù)測情況見表7，得到的預(yù)測模型為：

式中，Sn為多項式回歸方程的系數(shù)矩陣，Ei為相關(guān)因素序列矩陣。

將物流需求能力實際值與多項式回歸模型預(yù)測值進行圖像繪制，可以看到預(yù)測值與實際值的誤差相對較大，預(yù)測值與實際值的偏離程度較大，具體如圖1所示。

表7 多項式回歸模型預(yù)測結(jié)果

圖1 多項式回歸模型預(yù)測結(jié)果對比

4.2 ARIMA模型預(yù)測

時間序列預(yù)測（ARIMA）模型是根據(jù)因素自身的歷史數(shù)據(jù)進行預(yù)測的方法，具有操作簡單、穩(wěn)定性好的特點[31]。將2010-2019 年度數(shù)據(jù)導(dǎo)入SPSS 進行時間序列分析，得到具體的預(yù)測值、殘差以及誤差率見表8。

將物流需求能力實際值與多項式回歸模型預(yù)測值進行圖像繪制，可以看到預(yù)測值與實際值的誤差相對降低，但仍然存在有些年份的誤差突增，預(yù)測值與實際值的偏離仍然存在，具體如圖2所示。

4.3 BP神經(jīng)網(wǎng)絡(luò)預(yù)測

本文基于3 層BP 神經(jīng)網(wǎng)絡(luò)進行建模和預(yù)測，確定BP 網(wǎng)絡(luò)的輸入為3 個，即上文計算選取的3 主成分得分，以廣東省物流需求能力作為網(wǎng)絡(luò)的輸出，根據(jù)kolmogorov定理可以知道，隱含層神經(jīng)元數(shù)量與輸入層和輸出層神經(jīng)元數(shù)量有如下的函數(shù)關(guān)系[32]：

表8 ARIMA模型預(yù)測結(jié)果

圖2 ARIMA模型預(yù)測結(jié)果對比

式中，n、m 分別為輸入和輸出神經(jīng)元數(shù)量，a 為常量，在1-10 之間取值。本文根據(jù)經(jīng)驗公式和反復(fù)的訓(xùn)練檢驗，最終確定當隱含層神經(jīng)元數(shù)量為9 時，預(yù)測效果最佳。先構(gòu)建輸入層矩陣B 和輸出層矩陣P，將矩陣數(shù)據(jù)進行神經(jīng)網(wǎng)絡(luò)訓(xùn)練可以得到訓(xùn)練結(jié)果。

用Matlab 工具進行BP 神經(jīng)網(wǎng)絡(luò)訓(xùn)練之后，可以發(fā)現(xiàn)網(wǎng)絡(luò)訓(xùn)練的均方誤差在第13次時開始收斂達到最優(yōu)，訓(xùn)練狀態(tài)平穩(wěn)，無異常值出現(xiàn)，BP 神經(jīng)網(wǎng)絡(luò)的回歸擬合優(yōu)度較高，表明此次BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練效果較好，具體如圖3、圖4所示。

圖3 均方誤差訓(xùn)練結(jié)果

圖4 BP神經(jīng)網(wǎng)絡(luò)預(yù)測訓(xùn)練狀態(tài)

利用訓(xùn)練好的網(wǎng)絡(luò)對各組數(shù)據(jù)進行預(yù)測，實際值、預(yù)測值、殘差及誤差率見表9。

將物流需求能力實際值與BP 神經(jīng)網(wǎng)絡(luò)模型預(yù)測值進行圖像繪制，可以看到預(yù)測值與實際值的誤差較小，有很好的預(yù)測精度，如圖5所示。

為了進一步驗證BP 神經(jīng)網(wǎng)絡(luò)預(yù)測方法的可行性和有效性，采用平均絕對誤差（MAE）、誤差均方根（RMSE）和平均絕對百分誤差（MAPE）三項誤差測算方法對兩種預(yù)測方法的預(yù)測精度進行評價，它們的表達式為：

表9 BP神經(jīng)網(wǎng)絡(luò)模型預(yù)測結(jié)果

圖5 BP神經(jīng)網(wǎng)絡(luò)預(yù)測結(jié)果對比

表10 多項式回歸、ARIMA模型和BP神經(jīng)網(wǎng)絡(luò)模型預(yù)測誤差對比

在三種預(yù)測方法中，BP 神經(jīng)網(wǎng)絡(luò)方法的平均絕對誤差、誤差均方根以及平均絕對百分誤差值都是最小的，預(yù)測誤差大都小于0.02%，平均絕對百分誤差為0.006%，說明所建立的BP神經(jīng)網(wǎng)絡(luò)模型比多項式回歸、ARIMA模型預(yù)測方法預(yù)測精度高，具有更強的推廣能力價值。

多項式回歸、ARIMA模型和BP神經(jīng)網(wǎng)絡(luò)模型預(yù)測的絕對誤差對比情況如圖6 所示。從預(yù)測的絕對誤差大小來看，不同年份的誤差會有所區(qū)別，例如2016 年，ARIMA 模型預(yù)測的絕對誤差比其他兩個模型預(yù)測的大很多。其中BP 神經(jīng)網(wǎng)絡(luò)模型預(yù)測的絕對誤差是三個模型中最小的。從預(yù)測的絕對誤差波動來看，多項式回歸、ARIMA 模型的預(yù)測波動都較大，只有BP神經(jīng)網(wǎng)絡(luò)模型預(yù)測的絕對誤差波動是三個模型中最小的，表明了BP神經(jīng)網(wǎng)絡(luò)模型的預(yù)測更接近真實值，預(yù)測精度更高。

圖6 2010-2019年不同預(yù)測方法的絕對誤差對比

4.4 結(jié)果分析

應(yīng)用已建立的BP 神經(jīng)網(wǎng)絡(luò)預(yù)測模型，對廣東省2020 年物流需求能力進行預(yù)測，其預(yù)測結(jié)果為467 553.931萬t；2010-2020年間，廣東省物流需求規(guī)模從205 034萬t增長到467 553.931萬t，年均增長率為8.71%，隨著未來國際市場和農(nóng)村物流市場的進一步開發(fā)，區(qū)域物流需求能力也會隨之增長，反過來將進一步推動廣東省綜合經(jīng)濟能力的增強。

物流業(yè)作為支撐經(jīng)濟發(fā)展的重要基礎(chǔ)性行業(yè)，明確各變量的重要性程度有利于找到區(qū)域物流發(fā)展的關(guān)鍵因素，從而為區(qū)域物流政策的制定提供借鑒。將旋轉(zhuǎn)后的主成分矩陣進行整理，剔除小于0.70的數(shù)據(jù)，得到主成分變量的重要性程度，見表11。

表11 主成分變量的重要性程度

在得到的三個主成分物流消費能力、物流基礎(chǔ)能力、物流信息能力（分別用F1、F2、F3表示）中，對區(qū)域物流能力發(fā)展的重要性排序為F2＞F1＞F3。其中物流消費能力因素中，地區(qū)生產(chǎn)總值、人均可支配收入、社會消費品零售總額成為影響物流需求能力最重要的影響因素；在物流基礎(chǔ)能力因素中，物流從業(yè)人數(shù)、物流運輸里程、物流營運車輛三者的重要程度相差不大；在物流信息能力因素中，物流運輸與郵政業(yè)投資、信息基礎(chǔ)產(chǎn)業(yè)投資成為影響物流需求能力最重要的因素。

5 結(jié)論分析

本文以區(qū)域物流需求能力發(fā)展為研究對象，構(gòu)建了以物流消費能力、物流基礎(chǔ)能力、物流信息能力為一級指標的綜合指標體系，以多項式回歸、因子分析、ARIMA模型和BP神經(jīng)網(wǎng)絡(luò)為研究方法對廣東省2010-2020 年物流需求能力進行預(yù)測比較以及影響因素的重要程度研究?；谝陨?，提出如下理論和實踐啟示。

5.1 理論啟示

（1）本文構(gòu)建了基于廣東區(qū)域物流需求能力歷史數(shù)據(jù)的預(yù)測指標體系。結(jié)合廣東區(qū)域物流需求能力的歷史發(fā)展情況，借鑒國內(nèi)外權(quán)威文獻，構(gòu)建了基于物流消費能力、物流基礎(chǔ)能力、物流信息能力的綜合指標體系，將該體系中的影響因素進行關(guān)聯(lián)度分析，剔除精度水平較低的影響因素，最后選出9 個高關(guān)聯(lián)度的影響因素，其中，物流從業(yè)人數(shù)、社會消費品零售總額、物流運輸里程與物流需求能力的關(guān)聯(lián)度最強，分別為0.982、0.981、0.978。

（2）本文構(gòu)建了基于多因素耦合下的區(qū)域物流需求能力預(yù)測組合模型。根據(jù)所建立的物流需求能力預(yù)測指標體系，選取廣東區(qū)域2010-2019年度的數(shù)據(jù)集，分別運用多項式回歸模型、ARIMA 模型和BP神經(jīng)網(wǎng)絡(luò)模型進行預(yù)測，研究結(jié)果表明BP神經(jīng)網(wǎng)絡(luò)模型預(yù)測精度最好，其次是多項式回歸模型，最后是ARIMA模型。因此，BP神經(jīng)網(wǎng)絡(luò)模型能夠很好地實現(xiàn)區(qū)域物流能力的預(yù)測，為各級別政府制定合理有效的區(qū)域物流發(fā)展政策提供借鑒。在此基礎(chǔ)上，運用BP 神經(jīng)網(wǎng)絡(luò)模型預(yù)測出2020 年區(qū)域物流需求能力為467 553.931萬t，年均增長率達到8.71%，物流業(yè)作為推動國民經(jīng)濟發(fā)展的重要支撐，越來越凸顯其重要性。

（3）本文進一步豐富了區(qū)域物流需求規(guī)模能力的文獻。在中國知網(wǎng)官網(wǎng)，以“區(qū)域物流預(yù)測”為關(guān)鍵詞進行文獻統(tǒng)計，目前關(guān)于該主題的文獻只有99篇，且近幾年相對較少。本文在吸收國內(nèi)外核心文獻的基礎(chǔ)上，結(jié)合廣東區(qū)域物流發(fā)展的實際情況，確定了符合區(qū)域特色的綜合因素體系，構(gòu)建了具有較高匹配度和預(yù)測精度的預(yù)測模型，歷史回測數(shù)據(jù)結(jié)果也得到了驗證。因此本文的研究結(jié)果，包括綜合因素指標的篩選與確定、組合模型的測試與比較，進一步豐富了“區(qū)域物流預(yù)測”這一主題的文獻。

5.2 實踐啟示

根據(jù)模型預(yù)測結(jié)果與指標體系的重要性分析，結(jié)合廣東省區(qū)域物流發(fā)展現(xiàn)狀，本文整理出以下建議：

（1）加強物流基礎(chǔ)能力建設(shè)和發(fā)展，特別是物流基礎(chǔ)設(shè)施的結(jié)構(gòu)優(yōu)化。物流基礎(chǔ)能力是區(qū)域物流發(fā)展的基礎(chǔ)性因素，是區(qū)域物流發(fā)展的根基。需要進一步優(yōu)化物流固定資產(chǎn)投資建設(shè)情況，加大對物流通車線路、物流服務(wù)基站、物流運輸車輛的投資結(jié)構(gòu)優(yōu)化，特別要重視物流新基建的規(guī)劃與建設(shè)。

（2）支持物流技術(shù)創(chuàng)新，推動物流發(fā)展方式變革?？萍紕?chuàng)新水平成為區(qū)域物流持續(xù)高速發(fā)展的關(guān)鍵因素，也越來越成為一個行業(yè)形成競爭優(yōu)勢的法寶[33]。當前諸多的新興技術(shù)，如5G 技術(shù)、區(qū)塊鏈技術(shù)、VR、AR、人工智能技術(shù)等，在物流各個環(huán)節(jié)中都得到應(yīng)用，眾包物流等新興發(fā)展方式也初見雛形，應(yīng)大力支持物流技術(shù)的創(chuàng)新發(fā)展和應(yīng)用落地，完善新興物流發(fā)展方式。

（3）平衡區(qū)域經(jīng)濟差異，出臺符合區(qū)域發(fā)展目標的物流政策。廣東省出臺的《廣東省現(xiàn)代物流業(yè)發(fā)展規(guī)劃（2016-2020 年）》提出物流降本增效、提質(zhì)增效的工作重點，完善區(qū)域物流節(jié)點布局，推動區(qū)域經(jīng)濟協(xié)調(diào)發(fā)展。廣東區(qū)域的經(jīng)濟發(fā)展水平存在差異，粵西、粵北相對落后，其物流發(fā)展水平存在一定的不足，需要加強發(fā)達區(qū)域與欠發(fā)達區(qū)域的協(xié)同，實現(xiàn)區(qū)域之間物流資源共享和流通。