李燕 蘇剛

摘 ?要：文章根據(jù)全國范圍內(nèi)的統(tǒng)計數(shù)據(jù)研究了快遞量的影響指標(biāo)及變化規(guī)律。研究發(fā)現(xiàn)，GDP、網(wǎng)頁數(shù)等眾多統(tǒng)計指標(biāo)與快遞量的變化規(guī)律具有相同的形式：在線上支付技術(shù)普及后呈現(xiàn)線性趨勢。另外，還發(fā)現(xiàn)進(jìn)出口貿(mào)易總額跟快遞量沒有單調(diào)關(guān)系，因此不能作為快遞量的影響指標(biāo)，這表明現(xiàn)有文獻(xiàn)的結(jié)論還有待商榷。最后，利用得到的線性趨勢，發(fā)現(xiàn)上網(wǎng)人數(shù)可以很好地預(yù)測快遞量。該預(yù)測方法與BP神經(jīng)網(wǎng)絡(luò)相比，只需要一個自變量，并且計算方便，因此具有更廣的應(yīng)用前景。

關(guān)鍵詞：快遞量;統(tǒng)計數(shù)據(jù);影響規(guī)律;BP神經(jīng)網(wǎng)絡(luò)

?中圖分類號：F618 ? ?文獻(xiàn)標(biāo)識碼：A

Abstract： This paper investigates the variation trend of express delivery volume and then uses this trend to predict the volume. According to the data from national statistics office， we find that many statistical indexes， like GDP and the number of web pages， have the same influence on the variation trend of express delivery volume： a linear trend is presented after the popularization of online payment technology. Furthermore， we also find that the total volume of import and export trade does not change with the express delivery volume monotonously， and thus cannot be used as an influence index， which rebuts the conclusions of the current literatures. Finally， with the resulting linear trend， the express delivery volume is predicted by the number of internet users in a high precision. Compared with BP neural network， this prediction method only needs one independent variable and thus has a wider application.

Key words： express delivery volume; statistical data; variation trend; BP neural network

0 ?前 ?言

?國家郵政管理局?jǐn)?shù)據(jù)表明，中國快遞行業(yè)在協(xié)同電商寄遞、服務(wù)于制造業(yè)和零售業(yè)、助力鄉(xiāng)村振興等方面發(fā)揮著越來越重要作用，已吸引大量研究者的關(guān)注。

?韋凌翔等[1]基于BP神經(jīng)網(wǎng)絡(luò)（Back Propagation Network）研究預(yù)測了城市貨運生成量;韓正超等[2]基于BP神經(jīng)網(wǎng)絡(luò)對濟(jì)南市物流需求進(jìn)行了研究;汪洪帆[3]基于BP神經(jīng)網(wǎng)絡(luò)對杭州城市圈物流需求進(jìn)行了預(yù)測。以上學(xué)者證明了神經(jīng)網(wǎng)絡(luò)對快遞量的預(yù)測能力，但尚未研究各統(tǒng)計指標(biāo)與快遞量之間的內(nèi)在規(guī)律。同時，BP神經(jīng)網(wǎng)絡(luò)需要多個統(tǒng)計指標(biāo)作為輸入量，因此無法應(yīng)用于部分統(tǒng)計指標(biāo)缺失的年份或地區(qū)，具有較大的局限性。

對于目前研究的不足，本文擬根據(jù)全國范圍內(nèi)的年均數(shù)據(jù)，選取顯著影響快遞量的統(tǒng)計指標(biāo)，并探討二者之間的變化規(guī)律，隨后利用得到的變化規(guī)律對快遞量進(jìn)行預(yù)測，并與BP神經(jīng)網(wǎng)絡(luò)預(yù)測進(jìn)行對比。

1 ?統(tǒng)計指標(biāo)與快遞量的變化規(guī)律

快遞量影響指標(biāo)已經(jīng)有大量研究者關(guān)注，BASTIDA等[4]認(rèn)為貨運生成量跟商品分類、行業(yè)分類和就業(yè)人數(shù)有關(guān);季彤[5]運用SCP范式理論和產(chǎn)業(yè)關(guān)聯(lián)度理論分析了快遞業(yè)市場，歸納出了影響快遞業(yè)發(fā)展的微觀因素（如人力資源）和宏觀因素（如批發(fā)零售業(yè)）。

本文首先考察GDP、居民消費水平、網(wǎng)頁數(shù)、上網(wǎng)人數(shù)、第一產(chǎn)業(yè)增加值、第二產(chǎn)業(yè)增加值、第三產(chǎn)業(yè)增加值、進(jìn)出口總額、固定資產(chǎn)投入及裝卸搬運和其他運輸服務(wù)業(yè)就業(yè)人員10個指標(biāo)與快遞量的相關(guān)性，具體數(shù)據(jù)來自國家統(tǒng)計局，如表1所示。

GDP、網(wǎng)頁數(shù)等指標(biāo)與快遞量的變化規(guī)律如圖1所示，其中2007～2012年的數(shù)據(jù)用三角形表示，2013～2019年的數(shù)據(jù)用正方形表示。

圖1表明，GDP、網(wǎng)頁數(shù)、上網(wǎng)人數(shù)等統(tǒng)計指標(biāo)與快遞量的變化規(guī)律非常相似，都是在2007～2012年內(nèi)幾乎無關(guān)，而在2013年以后存在顯著線性關(guān)系。本文認(rèn)為，變化規(guī)律在2013年發(fā)生轉(zhuǎn)折的原因是信息技術(shù)革新。具體來說，2013年4G網(wǎng)絡(luò)的誕生和余額寶的上線，使得傳統(tǒng)的面對面生產(chǎn)資料轉(zhuǎn)移（沒有快遞量產(chǎn)生）逐漸轉(zhuǎn)化為新潮的在線支付轉(zhuǎn)移（有快遞量產(chǎn)生）。

?2007～2019年進(jìn)出口貿(mào)易總額與快遞量的變化情況，如圖2所示。

圖2表明，進(jìn)出口總額與快遞量之間沒有單調(diào)關(guān)系，因此不能作為快遞量需求預(yù)測的影響指標(biāo)，這與李晗等[6]認(rèn)為外貿(mào)總額是影響指標(biāo)的結(jié)論不符。

2 ?快遞量預(yù)測

2.1 ?神經(jīng)網(wǎng)絡(luò)概述

?BP神經(jīng)網(wǎng)絡(luò)是一種利用誤差反向傳播的算法（Error Back Propagation Training）來訓(xùn)練多層前饋網(wǎng)絡(luò)。BP神經(jīng)網(wǎng)絡(luò)反饋原理是通過傳遞函數(shù)

tan-sigmoid使輸入數(shù)據(jù)逆向傳播到隱含層，經(jīng)過傳遞函數(shù)log-sigmoid把隱含層節(jié)點的輸出數(shù)據(jù)傳遞到輸出節(jié)點，得到結(jié)果[7]。BP神經(jīng)網(wǎng)絡(luò)有很強的非線性映射能力，BP神經(jīng)網(wǎng)絡(luò)廣泛應(yīng)用于識別、逼近、預(yù)測等領(lǐng)域。

2.2 ?BP神經(jīng)網(wǎng)絡(luò)預(yù)測

?BP神經(jīng)網(wǎng)絡(luò)一般采用3層（輸入層、隱含層及輸出層），有效隱含層中節(jié)點個數(shù)由學(xué)習(xí)誤差及樣本個數(shù)共同決定[8-9]。

在上述模型中，本文將2007～2017年數(shù)據(jù)作為訓(xùn)練集，2018～2019年數(shù)據(jù)作為測試集。訓(xùn)練后BP神經(jīng)網(wǎng)絡(luò)的預(yù)測值與實際值吻合良好（如表2所示）。這表明，前文選取GDP、網(wǎng)頁數(shù)等統(tǒng)計指標(biāo)作為快遞量的自變量是合理的，同時也證明BP神經(jīng)網(wǎng)絡(luò)可以很好的預(yù)測快遞量。

2.3 ?線性規(guī)律預(yù)測

2020年缺失了部分統(tǒng)計數(shù)據(jù)，因此無法使用BP神經(jīng)網(wǎng)絡(luò)預(yù)測其快遞量。對此，本小節(jié)擬利用圖1中的擬合直線關(guān)系進(jìn)行預(yù)測。例如，圖1中，快遞量與GDP的擬合關(guān)系為y=13.62x1-7.251×106，結(jié)合2020年的GDP=1 015 986.20，可以計算得到快遞量為6 586 732.04，與實際值8 336 000的相對誤差為20.98%。以相同的方式，其他統(tǒng)計數(shù)據(jù)的預(yù)測結(jié)果如表3所示。

可以看到，眾多統(tǒng)計指標(biāo)中，上網(wǎng)人數(shù)預(yù)測值的精度最高。這是因為快遞量主要由網(wǎng)上購物產(chǎn)生，而網(wǎng)上購物的總數(shù)由上網(wǎng)人數(shù)決定。

3 ?總 ?結(jié)

本文根據(jù)全國范圍內(nèi)2007～2019的統(tǒng)計數(shù)據(jù)，分析了快遞量的影響指標(biāo)及變化規(guī)律。研究結(jié)果表明，在生產(chǎn)資料以面對面方式交付時，GDP、居民消費水平等統(tǒng)計指標(biāo)對快遞量的增長貢獻(xiàn)不大，而在當(dāng)前以線上交付為主時，這些指標(biāo)與快遞量之間存在線性關(guān)系。此外，分析還發(fā)現(xiàn)進(jìn)出口貿(mào)易總額跟快遞量沒有單調(diào)關(guān)系，因此不能作為快遞量的影響指標(biāo)，這與當(dāng)前文獻(xiàn)結(jié)論相反。最后，基于影響指標(biāo)與快遞量之間的線性關(guān)系，本文發(fā)現(xiàn)上網(wǎng)人數(shù)可以很好的預(yù)測快遞量。該預(yù)測方法與BP神經(jīng)網(wǎng)絡(luò)相比，只需要一個自變量，并且計算方便，因此具有更廣泛的應(yīng)用前景。

參考文獻(xiàn)：

[1] 韋凌翔，董建軍，陳志龍，等. 基于BP神經(jīng)網(wǎng)絡(luò)的城市貨運生成預(yù)測模型[J]. 上海海事大學(xué)學(xué)報，2020，41（4）：50-54，86.

[2] 韓正超，張有云，黃文霞. 基于BP神經(jīng)網(wǎng)絡(luò)的濟(jì)南市物流需求預(yù)測[J]. 軟件，2020，41（3）：149-152，241.

[3] 汪洪帆. 基于BP神經(jīng)網(wǎng)絡(luò)的杭州城市圈物流需求預(yù)測[J]. 現(xiàn)代商貿(mào)工業(yè)，2017（29）：46-47.

[4] ?BASTIDA C， HOLGUIN-VERAS J. Freight generation models： comparative analysis of regression models and multiple classification analysis[J]. Transportation Research Record， 2009，2097（1）：51-61.

[5] 季彤. 快遞業(yè)發(fā)展影響因素分析[D]. 南京：南京郵電大學(xué)（碩士學(xué)位論文），2012.

[6] 李晗，吳珍珍，張雪雪. 基于BP神經(jīng)網(wǎng)絡(luò)與GM1，1組合的北京市物流需求預(yù)測模型[J]. 物流技術(shù)，2021，40（1）：50-55.

[7] ?YaHya H Z， Lakmal D S， Kaspar A. Stability analysis of a there-tern back propagation algorithm[J]. Neural Networks， 2005，18（10）：1341-1347.

[8] ?Ensafi A A， Khayamian T， Tabaraki R. Simultaneous kinetic determination of thiocyanate and sulfide using eigenvalue ranking and correlation ranking in principal component-wavelet neural network[J]. Talanta， 2007，71（5）：2021-2028.

[9] ?A Gutés， F Céspedes， Cartas R， et al. Multivariate calibration model from overlapping voltammetric signals employing wavelet neural networks[J]. Chemometrics & Intelligent Laboratory Systems， 2006，83（2）：169-179.

[10] ?Zweiri Y H. Optimization of a three-term backpropagation algorithm used for neural network learning[J]. Neurocomputing， 2008，50（1）：305-318.

收稿日期：2021-05-31

作者簡介：李 ?燕（1995-），女，重慶人，新疆農(nóng)業(yè)大學(xué)交通與物流工程學(xué)院碩士研究生，研究方向：交通運輸規(guī)劃與管理;

蘇 ?剛（1975-），本文通訊作者，男，新疆伊犁人，新疆農(nóng)業(yè)大學(xué)交通與物流工程學(xué)院，副教授，碩士，碩士生導(dǎo)師，研究方向：交通運輸規(guī)劃與管理、國際物流。