陳疇鏞，高明鏡

(杭州電子科技大學(xué) 管理學(xué)院，浙江 杭州 310018)

電子商務(wù)崛起以來，憑借其龐大的用戶規(guī)模和產(chǎn)業(yè)關(guān)聯(lián)能力，帶動(dòng)了快遞需求的快速增長。電子商務(wù)交易以網(wǎng)絡(luò)為載體，交易時(shí)間自由、交易量龐大且退換貨較多；加之網(wǎng)絡(luò)貿(mào)易本身存在的淡旺季以及促銷活動(dòng)的影響，特別是農(nóng)村電商、跨境電商、社交電商等新業(yè)態(tài)的快速發(fā)展，使得快遞需求的季節(jié)性差異不斷增大，旺季爆倉、淡季資源過剩的不平衡問題愈發(fā)突出。對(duì)快遞需求做出較為準(zhǔn)確的預(yù)測(cè)，可為政府和企業(yè)在快遞業(yè)資源的合理布局，提升快遞服務(wù)質(zhì)量、安全性和響應(yīng)能力等方面提供決策依據(jù)。

一、相關(guān)概念與文獻(xiàn)研究

快遞需求是指在一定時(shí)間范圍和行業(yè)發(fā)展水平下，快遞業(yè)對(duì)快件(信函、商業(yè)文件或包裹)從攬收、包裝到送達(dá)消費(fèi)者手中的各個(gè)環(huán)節(jié)中起到的資源配置功能，包括時(shí)間效用、安全效用和信息查詢等附加服務(wù)的實(shí)現(xiàn)。目前我國的快遞需求分為現(xiàn)實(shí)快遞需求和潛在快遞需求?，F(xiàn)實(shí)快遞需求通常用“快遞業(yè)務(wù)量”衡量，即一定時(shí)期內(nèi)社會(huì)活動(dòng)中企業(yè)和個(gè)人所需要的總的快遞服務(wù),是快遞作業(yè)過程中有形物資數(shù)量的總計(jì)。近年來快遞業(yè)務(wù)量的八成以上均來自于電子商務(wù)快遞[1]。潛在快遞需求指消費(fèi)者對(duì)快遞服務(wù)產(chǎn)生的尚未滿足的確定意愿。一旦條件許可，潛在的快遞需求就可以形成現(xiàn)實(shí)的快遞活動(dòng)。目前我國快遞業(yè)的寄遞設(shè)施和網(wǎng)絡(luò)布局還未完善，快遞服務(wù)能力較弱，而隨著快遞業(yè)的進(jìn)步，末端配送網(wǎng)絡(luò)規(guī)?；I(yè)化程度的提高，潛在的快遞需求將會(huì)隨之轉(zhuǎn)變。

在快遞需求的季節(jié)性特征方面，康閱春[2]認(rèn)為該季節(jié)性表現(xiàn)在快遞業(yè)務(wù)量在春節(jié)、五一、國慶等節(jié)假日會(huì)顯著增長，而在節(jié)假日過后會(huì)回落；湯炎非和黃靜[3]則認(rèn)為快遞業(yè)淡季較常出現(xiàn)在春節(jié)至3月期間，旺季則在9月至春節(jié)期間；魏邦艷[4]注意到快遞業(yè)務(wù)量在春節(jié)時(shí)期的錯(cuò)峰效應(yīng)，電商企業(yè)的節(jié)日促銷使得春節(jié)的快遞業(yè)務(wù)量暴漲，通常2月份后業(yè)務(wù)量開始出現(xiàn)回落；鄧欣偉和劉麗娜[5]認(rèn)為天氣會(huì)影響人們的社會(huì)活動(dòng)范圍及顧客的購物心理，而由于人們的購物傳統(tǒng)、商家的促銷活動(dòng)等因素，節(jié)假日是人們產(chǎn)生購物需求的高峰期；李貞貞[6]采用ARIMA季節(jié)模型對(duì)河南省快遞業(yè)業(yè)務(wù)量進(jìn)行預(yù)測(cè)，該模型能夠較好擬合業(yè)務(wù)量變化趨勢(shì)且精度較高。

在電子商務(wù)對(duì)快遞業(yè)的影響方面，Tang和Deng[7]認(rèn)為經(jīng)濟(jì)的快速增長、互聯(lián)網(wǎng)的普及和網(wǎng)上購物的興起是促使快遞業(yè)務(wù)快速增長的主要原因；Han等[8]研究得出宏觀經(jīng)濟(jì)、電子商務(wù)發(fā)展和運(yùn)輸水平三方面因素影響了快遞業(yè)發(fā)展；Lv和Weng[9]采用電子商務(wù)企業(yè)營業(yè)收入和快遞組合兩個(gè)關(guān)鍵指標(biāo)，對(duì)電子商務(wù)與快遞業(yè)協(xié)調(diào)程度進(jìn)行協(xié)整檢驗(yàn);張文法[10]使用灰色關(guān)聯(lián)分析法對(duì)山東省電子商務(wù)的發(fā)展對(duì)物流業(yè)的影響做出研究，結(jié)果顯示兩行業(yè)總體業(yè)態(tài)關(guān)聯(lián)度較高，電子商務(wù)從業(yè)人數(shù)對(duì)物流業(yè)發(fā)展有較強(qiáng)影響；石詠梅[11]采用協(xié)整模型分析影響快遞業(yè)務(wù)量的因素，研究表明網(wǎng)上購物和互聯(lián)網(wǎng)發(fā)展對(duì)快遞業(yè)發(fā)展起到了促進(jìn)作用。

在快遞需求預(yù)測(cè)模型方面，Yu等[12]將蟻群算法引入到建模過程中,建立改進(jìn)的ACO-SVM預(yù)測(cè)模型對(duì)青島市的物流需求進(jìn)行預(yù)測(cè)；Huang等[13]為緩解電子商務(wù)與物流需求增長匹配度較低的問題，從電子商務(wù)的角度構(gòu)建廣東省物流需求預(yù)測(cè)指標(biāo)體系,并采用GM(1,1)模型和BP神經(jīng)網(wǎng)絡(luò)模型預(yù)測(cè)物流需求；許榮斌等[14]研究物流公司日均快遞業(yè)務(wù)量的預(yù)測(cè)問題，并對(duì)粒子群優(yōu)化算法進(jìn)行慣性權(quán)重改進(jìn)，結(jié)合反向傳播神經(jīng)網(wǎng)絡(luò)模型的組合模型進(jìn)行快遞業(yè)務(wù)量預(yù)測(cè)；周楊等[15]基于某快遞企業(yè)的日度業(yè)務(wù)量數(shù)據(jù)，使用優(yōu)化后的SARIMA模型與滑動(dòng)窗口模型共同預(yù)測(cè)該企業(yè)的快遞業(yè)務(wù)量；許闖來等[16]研究不確定需求下快遞配送網(wǎng)絡(luò)魯棒優(yōu)化問題，使用改進(jìn)的蟻群算法在滿足時(shí)間窗的基礎(chǔ)上對(duì)每條路徑的使用時(shí)間進(jìn)行精確計(jì)算；薛蓉娜等[17]根據(jù)GRU深度學(xué)習(xí)算法在不同日期的有效性對(duì)我國日均快遞業(yè)務(wù)量進(jìn)行預(yù)測(cè)，該算法的抗干擾性與預(yù)測(cè)準(zhǔn)確率均較優(yōu)。

上述學(xué)者的研究成果豐富了快遞需求的研究內(nèi)容，但仍存在一些問題，如對(duì)電子商務(wù)影響的定量研究和季節(jié)性特征的研究不足，數(shù)據(jù)往往為快遞業(yè)務(wù)量單一數(shù)據(jù)且預(yù)測(cè)周期較長，預(yù)測(cè)精度也不夠理想。因此本文從擴(kuò)充數(shù)據(jù)多樣性及提升模型預(yù)測(cè)精度出發(fā)，探討電子商務(wù)及季節(jié)性差異影響下的快遞需求預(yù)測(cè)問題，并使用GM(1,N)模型與ARIMA模型進(jìn)行組合預(yù)測(cè)。

二、組合模型的構(gòu)建

(一)快遞需求預(yù)測(cè)指標(biāo)體系

在相關(guān)文獻(xiàn)研究的基礎(chǔ)上，將影響快遞需求的指標(biāo)分為宏觀指標(biāo)和電子商務(wù)指標(biāo)，構(gòu)建快遞需求預(yù)測(cè)指標(biāo)體系(表1)，指標(biāo)說明如下。

表1 快遞需求預(yù)測(cè)指標(biāo)體系

1.宏觀指標(biāo)

地區(qū)生產(chǎn)總值。經(jīng)濟(jì)發(fā)展程度較高的地區(qū)往往具有人口密集、產(chǎn)業(yè)集群、基礎(chǔ)設(shè)施完善等特征，這些地區(qū)的服務(wù)業(yè)發(fā)展水平通常也較高，快遞服務(wù)作為服務(wù)業(yè)中的基礎(chǔ)產(chǎn)業(yè)在該地區(qū)具有一定的發(fā)展優(yōu)勢(shì)。故區(qū)域經(jīng)濟(jì)的發(fā)展水平可以很好地反映該區(qū)域快遞服務(wù)水平。

進(jìn)出口總額。國內(nèi)貿(mào)易在快遞業(yè)發(fā)展初期產(chǎn)生了大量的快遞需求，使我國快遞業(yè)在短時(shí)期內(nèi)得以實(shí)現(xiàn)規(guī)模性的增長。而隨著我國國際貿(mào)易的蓬勃發(fā)展，跨境電商產(chǎn)業(yè)也如雨后春筍般茁壯成長，近年來跨境電商產(chǎn)業(yè)進(jìn)出口總額高速增長，隨之產(chǎn)生的進(jìn)出口業(yè)務(wù)快遞需求同樣不容忽視。故選用進(jìn)出口總額衡量國際貿(mào)易和國際快遞需求的發(fā)展?jié)摿Α?/p>

第三產(chǎn)業(yè)增加值。快遞業(yè)是為消費(fèi)者提供運(yùn)輸服務(wù)及相關(guān)信息服務(wù)的基礎(chǔ)服務(wù)業(yè)，從屬于第三產(chǎn)業(yè)?？爝f需求的增長會(huì)直接推動(dòng)第三產(chǎn)業(yè)的發(fā)展，第三產(chǎn)業(yè)發(fā)展水平的提高也會(huì)帶動(dòng)快遞業(yè)的轉(zhuǎn)型升級(jí)，兩者具有相互促進(jìn)的正相關(guān)關(guān)系。故本文選用第三產(chǎn)業(yè)增加值來反映包括快遞業(yè)在內(nèi)的第三產(chǎn)業(yè)發(fā)展水平。

社會(huì)消費(fèi)品零售總額。近年來網(wǎng)絡(luò)購物和快遞送貨的新型消費(fèi)方式逐漸成為居民消費(fèi)的主要途徑。在實(shí)體購物中，人們也往往選擇將體積較大或難以搬運(yùn)的商品通過快遞等方式送貨上門，人們的消費(fèi)行為越來越多地與快遞需求產(chǎn)生聯(lián)系。故本文選用社會(huì)消費(fèi)品零售總額反映快遞需求的潛在增長。

固定資產(chǎn)投資總額。我國主要的快遞業(yè)基礎(chǔ)設(shè)施包括道路、港口、機(jī)場(chǎng)、快遞網(wǎng)點(diǎn)、網(wǎng)絡(luò)及通信設(shè)備等，基礎(chǔ)設(shè)施的完善對(duì)于快遞業(yè)的發(fā)展起到關(guān)鍵作用。對(duì)其建設(shè)的投資力度越大，快遞業(yè)的發(fā)展規(guī)模和潛力就越大，進(jìn)而促進(jìn)潛在快遞需求的增加。由于目前缺少針對(duì)快遞業(yè)的固定資產(chǎn)投資額統(tǒng)計(jì)指標(biāo)，故采用固定資產(chǎn)投資總額這一宏觀指標(biāo)進(jìn)行替代。

公路和水路貨運(yùn)量。運(yùn)輸作為快遞業(yè)的核心環(huán)節(jié)，任何快件都必須經(jīng)過運(yùn)輸過程送達(dá)消費(fèi)者手中，快遞需求的升高與貨運(yùn)量的增加有著直接聯(lián)系。目前我國快遞的運(yùn)輸方式主要有水路、公路、鐵路、空運(yùn)四種，其中公路和水路是快遞運(yùn)輸?shù)念l率最高的方式。由于目前缺少針對(duì)快遞業(yè)的貨運(yùn)量統(tǒng)計(jì)指標(biāo)，故采用公路和水路貨運(yùn)量這一宏觀指標(biāo)進(jìn)行替代。

2.電子商務(wù)指標(biāo)

網(wǎng)絡(luò)零售額。電子商務(wù)的發(fā)展直接推動(dòng)了網(wǎng)絡(luò)購物行為的普及，已成為人們購物的主要方式之一。網(wǎng)購商品設(shè)置快遞和自取兩種取貨方式，其中絕大多數(shù)商品均為快遞送貨，網(wǎng)絡(luò)購物群體也逐漸成為了使用快遞服務(wù)的主力軍。網(wǎng)絡(luò)零售額的增加往往意味著相應(yīng)的快遞服務(wù)的增加，即快遞需求上升。

跨境網(wǎng)絡(luò)零售出口額。跨境出口電商打開了國外消費(fèi)市場(chǎng)，目前主要的跨境電商物流模式有郵政小包、國際快遞、國內(nèi)快遞、專線物流、海外倉儲(chǔ)等。跨境網(wǎng)絡(luò)零售出口額反映了跨境電商國際貿(mào)易的規(guī)模，也影響了國內(nèi)外快遞服務(wù)的變化。

電子商務(wù)產(chǎn)業(yè)增加值。電子商務(wù)產(chǎn)業(yè)增加值是電子商務(wù)產(chǎn)業(yè)發(fā)展規(guī)模的數(shù)據(jù)表現(xiàn)，國內(nèi)外學(xué)者對(duì)快遞業(yè)與電子商務(wù)產(chǎn)業(yè)的協(xié)同情況已做出了較多的研究。電子商務(wù)產(chǎn)業(yè)規(guī)模的增大，一方面會(huì)帶動(dòng)快遞業(yè)產(chǎn)業(yè)規(guī)模擴(kuò)大，另一方面會(huì)促進(jìn)快遞業(yè)經(jīng)營模式的更新和快遞服務(wù)的轉(zhuǎn)型升級(jí)，均對(duì)快遞需求產(chǎn)生積極影響。

居民人均可支配收入和居民網(wǎng)絡(luò)消費(fèi)額。居民消費(fèi)能力的提升與潛在快遞需求的提升有著直接關(guān)系，居民人均可支配收入作為潛在快遞需求的主要來源，是反映居民消費(fèi)能力的重要指標(biāo)；而居民網(wǎng)絡(luò)消費(fèi)額是指居民在網(wǎng)絡(luò)購物過程中實(shí)現(xiàn)的商品零售總額，是居民消費(fèi)的數(shù)據(jù)表現(xiàn)，直接反映了居民網(wǎng)絡(luò)購物的規(guī)模。

城鎮(zhèn)和農(nóng)村居民電腦擁有量。電腦作為電子商務(wù)實(shí)現(xiàn)的基礎(chǔ)設(shè)施，是人們?cè)诨ヂ?lián)網(wǎng)進(jìn)行娛樂、消費(fèi)等的主要工具，居民電腦擁有量能較好地衡量人們的網(wǎng)絡(luò)消費(fèi)基礎(chǔ)。但應(yīng)說明，在尋找相關(guān)網(wǎng)絡(luò)基礎(chǔ)設(shè)施統(tǒng)計(jì)指標(biāo)(如互聯(lián)網(wǎng)普及率)時(shí)，發(fā)現(xiàn)其他較普遍的指標(biāo)往往為年度數(shù)據(jù)，不符合所需的數(shù)據(jù)要求，暫不納入考慮范圍。

(二)基于灰色關(guān)聯(lián)分析的指標(biāo)關(guān)聯(lián)度排序

1.設(shè)置參考序列和比較序列

設(shè)參考序列為X0={X0(t)|t=1,2,…,n};比較序列為：Xi={Xi(t)|t=1,2,…,n}，其中i=1,2,…,m。

2.數(shù)據(jù)的無量綱化處理

(1)

其中t為時(shí)間，i為其他指標(biāo)序列中的一行。

3.計(jì)算灰色關(guān)聯(lián)系數(shù)

ξi(t)為其他指標(biāo)序列對(duì)業(yè)務(wù)量序列在第t時(shí)刻的關(guān)聯(lián)系數(shù)：

(2)

4.計(jì)算灰色關(guān)聯(lián)度

ri為其他指標(biāo)序列對(duì)快遞業(yè)務(wù)量序列在第t時(shí)刻的灰色關(guān)聯(lián)度：

(3)

ri值越接近1，說明相關(guān)性越好。

5.關(guān)聯(lián)度排序

將各關(guān)聯(lián)度按照大小順序排列，從而更直觀地判斷其他因素序列對(duì)快遞業(yè)務(wù)量序列的影響程度。

(三)GM(1,N)預(yù)測(cè)模型及其應(yīng)用

1.模型構(gòu)建

(4)

(5)

得到快遞需求GM(1,N)預(yù)測(cè)模型的白化方程如下：

(6)

2.模型求解

由最小二乘參數(shù)估計(jì)法，求得GM(1,N)預(yù)測(cè)模型的參數(shù)為：

(7)

其中，以下指標(biāo)的解為：

GM(1,N)預(yù)測(cè)模型白化方程的解為：

(8)

此時(shí)GM(1,N)模型的時(shí)間響應(yīng)函數(shù)為：

(9)

(10)

(四)時(shí)間序列ARIMA預(yù)測(cè)模型及其應(yīng)用

考慮到灰色GM(1,N)預(yù)測(cè)模型具有線性擬合的特征，模糊了快遞需求的季節(jié)變化趨勢(shì)，因此使用ARIMA模型對(duì)快遞需求的季節(jié)性特征做進(jìn)一步預(yù)測(cè)。模型表達(dá)式為：

(11)

ARIMA模型預(yù)測(cè)步驟如下：

1.對(duì)輸入數(shù)據(jù)進(jìn)行預(yù)處理。輸入數(shù)據(jù)為所預(yù)測(cè)區(qū)域的歷史快遞業(yè)務(wù)量數(shù)據(jù)。

2.識(shí)別序列平穩(wěn)性。使用ARIMA模型需滿足數(shù)據(jù)序列為平穩(wěn)序列，因此對(duì)歷史快遞業(yè)務(wù)量輸入數(shù)據(jù)進(jìn)行平穩(wěn)性檢驗(yàn)。通常同時(shí)使用時(shí)序圖檢驗(yàn)法、自相關(guān)圖(ACF)與偏自相關(guān)圖(PACF)檢驗(yàn)法和單位根檢驗(yàn)法。

3.序列平穩(wěn)化。若檢驗(yàn)得出快遞業(yè)務(wù)量原始數(shù)據(jù)為非平穩(wěn)數(shù)列，一般使用差分法使之平穩(wěn)化。

4.模型識(shí)別。參數(shù)p、q分別代表模型的自回歸項(xiàng)數(shù)和滑動(dòng)平均項(xiàng)數(shù)。對(duì)差分后的快遞業(yè)務(wù)量序列畫出自相關(guān)與偏自相關(guān)圖，確定p、q值。

5.模型定階。確定參數(shù)p、q時(shí)往往會(huì)產(chǎn)生多個(gè)符合條件的模型組合，為選出精確度最高的預(yù)測(cè)模型，可使用AIC、BIC、HQ最小準(zhǔn)則進(jìn)行模型比較。

AIC=2k-2ln(L)

(12)

BIC=kln(n)-2ln(L)

(13)

(14)

其中L為最大似然函數(shù)，n為數(shù)據(jù)數(shù)量，k為變量個(gè)數(shù)。

6.殘差檢驗(yàn)。對(duì)該模型的有效性進(jìn)行檢驗(yàn)，即檢驗(yàn)該模型是否充足而有效地將數(shù)據(jù)中所包含的信息提取完全。

7.得到預(yù)測(cè)值。ARIMA模型具有靜態(tài)或動(dòng)態(tài)兩種預(yù)測(cè)方法。靜態(tài)預(yù)測(cè)即滾動(dòng)地進(jìn)行向前一步預(yù)測(cè)，需手動(dòng)調(diào)節(jié)預(yù)測(cè)數(shù)據(jù)范圍，精確度高；動(dòng)態(tài)預(yù)測(cè)步驟簡(jiǎn)單，但精確度較低。本文選用靜態(tài)方法進(jìn)行預(yù)測(cè)。

(五)GM(1,N)-ARIMA組合預(yù)測(cè)模型

為克服單一模型局限、綜合利用兩模型優(yōu)勢(shì)，建立GM(1,N)-ARIMA組合預(yù)測(cè)模型。選用方差倒數(shù)加權(quán)法進(jìn)行權(quán)重分配，利用誤差與權(quán)系數(shù)成反比關(guān)系原理，對(duì)于誤差和較大的預(yù)測(cè)方法賦予較小的權(quán)數(shù)，反之賦予較大的權(quán)數(shù)。設(shè)可確定第i種單項(xiàng)預(yù)測(cè)模型的權(quán)重為wi，該模型可表示為：

(15)

其中，權(quán)重系數(shù)的計(jì)算公式為：

(16)

式中：Yt為t時(shí)間段內(nèi)的組合預(yù)測(cè)值；yti為t時(shí)間段內(nèi)GM(1,N)模型與ARIMA模型預(yù)測(cè)值；wi為GM(1,N)模型與ARIMA模型權(quán)重系數(shù)；Si為GM(1,N)模型與ARIMA模型得到的擬合值序列方差。

為選出最具適用性的快遞需求預(yù)測(cè)模型，使用模型評(píng)估指標(biāo)MAE、RMSE、MAPE對(duì)比預(yù)測(cè)結(jié)果。指標(biāo)計(jì)算公式如下：

(17)

(18)

(19)

三、杭州市快遞需求預(yù)測(cè)的實(shí)證分析

(一)數(shù)據(jù)來源

杭州市作為“電子商務(wù)之都”，是阿里、網(wǎng)易等電子商務(wù)平臺(tái)和眾多電商創(chuàng)業(yè)者崛起的發(fā)源地，多年來快遞業(yè)務(wù)量排在全國前五之列，對(duì)其進(jìn)行實(shí)證分析具有較強(qiáng)的借鑒意義。數(shù)據(jù)來源為《杭州市國民經(jīng)濟(jì)和社會(huì)發(fā)展統(tǒng)計(jì)公報(bào)》《杭州市郵政行業(yè)發(fā)展統(tǒng)計(jì)公報(bào)》。

(二)灰色關(guān)聯(lián)分析

使用MATLAB2018a對(duì)數(shù)據(jù)序列進(jìn)行處理得到各指標(biāo)的灰色關(guān)聯(lián)度結(jié)果(圖1、表2)。從整體來看，14個(gè)指標(biāo)序列與快遞業(yè)務(wù)量序列灰色關(guān)聯(lián)度均大于0.55，表明所選指標(biāo)與快遞需求存在較強(qiáng)的相關(guān)性，可有效預(yù)測(cè)杭州市需求，但各指標(biāo)的關(guān)聯(lián)性并不均衡，波動(dòng)幅度較大。電子商務(wù)因素指標(biāo)中的四個(gè)指標(biāo)與快遞需求均有較強(qiáng)的相關(guān)性，有力證明了電子商務(wù)因素是快遞業(yè)良性發(fā)展、快遞業(yè)務(wù)量快速增長的有力支撐。

圖1 各指標(biāo)結(jié)果與關(guān)聯(lián)趨勢(shì)圖

表2 各指標(biāo)灰色關(guān)聯(lián)度結(jié)果

(三)GM(1,N)預(yù)測(cè)模型應(yīng)用分析

選取關(guān)聯(lián)度大于0.70的指標(biāo)作為因素行序列，建立基于GM(1,6)的快遞業(yè)務(wù)量預(yù)測(cè)模型，使用MATLAB2018a進(jìn)行計(jì)算。使用2015年1季度至2020年4季度數(shù)據(jù)作為模型訓(xùn)練數(shù)據(jù)以驗(yàn)證模型準(zhǔn)確性，結(jié)果表明該訓(xùn)練結(jié)果的總體相對(duì)誤差為-0.38%(表3)。

表3 GM(1,6)模型模擬預(yù)測(cè)值

對(duì)2015年1季度至2021年3季度的模型擬合值、殘差值、平均相對(duì)誤差值進(jìn)行計(jì)算并作圖(圖2)。結(jié)果表明，GM(1,6)模型平均相對(duì)誤差為5.52%，但該模型擬合值存在明顯的線性趨勢(shì)，消除了快遞需求的季節(jié)性特征，需對(duì)快遞需求的季節(jié)性特征做進(jìn)一步預(yù)測(cè)。

圖2 GM(1,6)模型預(yù)測(cè)值與真實(shí)值對(duì)比

(四)ARIMA預(yù)測(cè)模型應(yīng)用分析

圖序列自相關(guān)與偏自相關(guān)系數(shù)圖

使用Eviews11.0軟件建立ARIMA預(yù)測(cè)模型，原序列的ADF檢驗(yàn)結(jié)果為0.980 1，大于檢驗(yàn)臨界值(10%顯著性水平)，證明該序列為非平穩(wěn)序列。一階差分后序列的ADF檢驗(yàn)統(tǒng)計(jì)量為0.025 3，小于檢驗(yàn)臨界值(5%顯著性水平)，且消除了大部分的季節(jié)性趨勢(shì)，證明一階差分序列平穩(wěn)。畫出一階差分序列的自相關(guān)與偏自相關(guān)圖(圖3)，圖中自相關(guān)系數(shù)拖尾，偏自相關(guān)系數(shù)截尾，且在1階、4階較顯著，因此可以嘗試q=1，4。反復(fù)比較不同參數(shù)組合后所產(chǎn)生的模型效果，最終確定ARIMA(2,1,1)、ARIMA(1,1,4)、ARIMA(4,1,3)、ARIMA(4,1,4)符合模型要求，采用AIC、SIC、HQ最小準(zhǔn)則和殘差的純隨機(jī)性檢驗(yàn)確定最優(yōu)模型(表4)。

表序列各模型的檢驗(yàn)參數(shù)值對(duì)比

最后對(duì)ARIMA(4,1,3)與ARIMA(4,1,4)模型進(jìn)行殘差檢驗(yàn)。結(jié)果顯示，ARIMA(4,1,4)模型的殘差序列為非白噪聲序列，排除此模型。選用ARIMA(4,1,3)模型進(jìn)行杭州市快遞需求預(yù)測(cè)，模型的平均相對(duì)誤差為-3.87%(圖4)，季節(jié)性趨勢(shì)的擬合效果較好。

圖4 ARIMA(4,1,3)模型月度預(yù)測(cè)擬合值與實(shí)際值對(duì)比

(五)GM(1,N)-ARIMA組合預(yù)測(cè)模型應(yīng)用及比較分析

根據(jù)式(15)、式(16)計(jì)算得出各預(yù)測(cè)模型權(quán)重系數(shù)為：w1=0.564 3，w2=0.435 7，則組合模型預(yù)測(cè)值為：Yt=0.564 3*yt1+0.435 7*yt2。各模型預(yù)測(cè)值見表5。

表5 杭州市2021Q4—2022Q4快遞業(yè)務(wù)量預(yù)測(cè)值

各模型誤差對(duì)比見表6。由于疫情影響，2020Q1的預(yù)測(cè)誤差值顯著偏高，剔除該特殊值影響后，61.5%的預(yù)測(cè)誤差值在10%以內(nèi)，其余在20%左右浮動(dòng)，認(rèn)為該模型精度在可接受范圍內(nèi)。采用評(píng)價(jià)指標(biāo)綜合比較各模型預(yù)測(cè)結(jié)果，GM(1,N)-ARIMA組合模型平均誤差(1.30%)顯著優(yōu)于GM(1,6)模型(5.54%)和ARIMA(4,1,3)模型(-3.87%)；平均絕對(duì)誤差(3 557)、均方根誤差(22 596)與平均誤差率(7%)也小于兩種單一模型，組合模型顯著提高了預(yù)測(cè)精度。

表6 三種模型誤差對(duì)比

四、結(jié)論

1.快遞需求受多種因素影響。電子商務(wù)因素中網(wǎng)絡(luò)零售額、跨境網(wǎng)絡(luò)零售出口額、電子商務(wù)產(chǎn)業(yè)增加值、居民網(wǎng)絡(luò)消費(fèi)額的灰色關(guān)聯(lián)度均大于0.70，說明快遞業(yè)與電子商務(wù)的協(xié)同發(fā)展?fàn)顩r良好；宏觀因素中固定資產(chǎn)投資總額的灰色關(guān)聯(lián)度大于0.70，說明基礎(chǔ)設(shè)施的完善對(duì)潛在快遞需求的影響較大。

2.杭州市快遞需求產(chǎn)生新特征?？爝f業(yè)務(wù)量將保持高速增長，2022年全年快遞業(yè)務(wù)總量將達(dá)389 293.44萬件，同比增長6%，并在第4季度達(dá)到861.89萬件/天的高峰，迎來繼疫情危機(jī)后一波新的業(yè)務(wù)量增長。季節(jié)性差異出現(xiàn)新特征，業(yè)務(wù)量次高值與最高值分別出現(xiàn)在2022年第2季度和第4季度；第1、2季度的業(yè)務(wù)量增速顯著升高，同比增速分別為9.71%、9.87%。

3.GM(1,N)-ARIMA組合模型具有優(yōu)越性。該組合模型集合了GM(1,N)模型和ARIMA模型的優(yōu)勢(shì)，同時(shí)考慮到電子商務(wù)環(huán)境和季節(jié)性特征兩個(gè)重要因素，且預(yù)測(cè)精度最高，是研究快遞需求預(yù)測(cè)較理想的方法。

本文的研究不足之處是，在進(jìn)行預(yù)測(cè)時(shí)，由于數(shù)據(jù)獲得的難度，預(yù)測(cè)指標(biāo)的選擇不夠全面、精準(zhǔn)；并且由于部分?jǐn)?shù)據(jù)統(tǒng)計(jì)的缺失，對(duì)快遞需求影響因素的歸納不夠完善，也使得預(yù)測(cè)精度受到影響。