詹 蕓，馬佳玉，張 陵

（1. 西安汽車職業(yè)大學(xué)，陜西 臨潼 710038；2. 西安交通大學(xué)，陜西 西安 710048）

0 引 言

“一帶一路”戰(zhàn)略使陜西成為中國向西開放的中心區(qū)域和重要節(jié)點，陜西省物流樞紐地位重要性日益凸顯，物流需求預(yù)測在物流發(fā)展規(guī)劃、物流資源整合等方面發(fā)揮著重要作用。物流與各影響因素之間表現(xiàn)為隱含的、錯綜復(fù)雜的非線性數(shù)學(xué)映射關(guān)系，物流需求的預(yù)測涉及數(shù)據(jù)統(tǒng)計技術(shù)、計算機技術(shù)等，因此建立可靠、高效及精準的陜西省物流需求預(yù)測模型面臨巨大的挑戰(zhàn)。

目前，研究學(xué)者構(gòu)建物流需求預(yù)測模型的方法主要分為傳統(tǒng)預(yù)測方法和現(xiàn)代預(yù)測方法。傳統(tǒng)預(yù)測方法主要包括增長率法、指數(shù)平滑法、差分自回歸移動平均法等，其中增長率法、指數(shù)平滑法默認物流發(fā)展為穩(wěn)定的增長態(tài)勢，無法準確預(yù)測發(fā)展趨勢多變的短期物流需求，差分自回歸移動平均法僅可以建立物流與各影響因素之間的線性關(guān)系，預(yù)測效果存在偏差。現(xiàn)代預(yù)測方法主要包括灰色預(yù)測模型、神經(jīng)網(wǎng)絡(luò)、支持向量機（SVM）等方法，可以建立物流需求與各影響因素之間的非映射關(guān)系，預(yù)測效果更為準確。相較于SVM 模型，灰色預(yù)測模型、神經(jīng)網(wǎng)絡(luò)方法本身理論架構(gòu)存在不足，模型在初始階段狀態(tài)產(chǎn)生誤差。SVM 模型以結(jié)構(gòu)風(fēng)險最小作為算法準則，在小樣本、非線性的物流需求預(yù)測中表現(xiàn)出良好的適應(yīng)性。然而傳統(tǒng)的SVM 模型在處理高重疊、高緯度的樣本數(shù)據(jù)時，計算速度與效果都會受到影響，整合樣本數(shù)據(jù)、降低數(shù)據(jù)維度是提高SVM 模型預(yù)測效率與準確性的重要步驟。

1 相關(guān)理論

1.1 因子分析模型（FA）。因子分析是當前較為常用的多變量統(tǒng)計方法，研究變量間的相互依賴關(guān)系，把錯綜復(fù)雜及緊密聯(lián)系的變量綜合成少數(shù)公因子的統(tǒng)計方法。基于降維的理念，確保指標信息不丟失的前提下，用較少的公因子指標取代諸多原始指標，使原始的指標體系結(jié)構(gòu)更加簡潔易操作，有利于后期指標體系綜合評價分析。

因子分析的原理就是把每個研究變量分解成兩部分因素，一部分由為代表全部變量共同特征的少數(shù)幾個公因子F 組成，另一部分是每個變量獨自具有的特征，即特殊因子ε。因子分析模型如式（1）。

通過定義核函數(shù)K (xx)=φ (x)·φ (x)（φ (x)為非線性函數(shù)），將樣本數(shù)據(jù)變換到高維空間進行線性回歸，在實際應(yīng)用過程中，將非線性回歸函數(shù)轉(zhuǎn)化為其對偶問題進行求解。

2 FA-SVM 的區(qū)域物流需求預(yù)測模型構(gòu)建

在進行物流需求預(yù)測時，影響預(yù)測效率及準確性的因素眾多，影響多為非線性、隨機性的，同時樣本數(shù)據(jù)維度過高，單一預(yù)測模型預(yù)測效率低、結(jié)果穩(wěn)定性差。由于FA 模型可以對物流的樣本數(shù)據(jù)進行整合、降低樣本維度，SVM 預(yù)測模型又可以表征物流需求的非線性、隨機性；故此，為了解決物流需求預(yù)測模型中的難題，本文提出了FA-SVM 模型，首先構(gòu)建多影響因素下陜西省物流需求指標體系，并采用因子分析方法（FA） 對數(shù)據(jù)樣本進行降維處理，選取累計貢獻度較高的指標，用于反映需求量變化情況；其次采用SVM 模型對2010～2017 年的陜西省物流數(shù)據(jù)進行訓(xùn)練，確定核函數(shù)，用2008～2009 年數(shù)據(jù)進行模型修正，2018 年數(shù)據(jù)進行過模型驗證；最后對2019～2020 年的陜西省物流需求情況進行預(yù)測，具體過程如圖1 所示。

圖1 FA-SVM 的物流需求預(yù)測流程

3 陜西省物流需求的預(yù)測研究

從陜西省的經(jīng)濟水平、貿(mào)易水平、服務(wù)供給水平3 個角度選取影響因素。對選取影響指標進行收集整理，得到物流需求量指標體系如表1 所示。

表1 物流需求量指標體系圖

3.1 區(qū)域物流需求指標體系構(gòu)建。本文中涉及到的數(shù)據(jù)主要來源于陜西省2008～2018 年相關(guān)部門統(tǒng)計年鑒以及國家統(tǒng)計局公布數(shù)據(jù)，如圖2 所示。

圖2 2008～2018 年物流需求量指標變化圖

使用SPSS 軟件對區(qū)域物流需求量指標體系進行因子分析，得到KMO 和巴特利特檢驗結(jié)果、初始值為1 的X～X指標累計貢獻率，如表2、表3 所示。

表2 KMO 和巴特利特檢驗

表3 累計貢獻率

由表2 可知，KMO=0.63＞0.5，說明所選指標關(guān)聯(lián)性強，且巴特利特球形度檢驗Sig.＜0.01，證明各指標相關(guān)系數(shù)矩陣不為單位矩陣，各指標間存在關(guān)聯(lián)性。由表3 可知，X～X均與Y、Y有密切相關(guān)性，其中X、X、X、X、X、X、X對研究對象的累計貢獻率達到94%，X、X的累計貢獻達到70%，證明所選取的指標可靠有效，數(shù)據(jù)質(zhì)量較好，構(gòu)建區(qū)域物流需求指標體系，可用于反映需求量變化情況。

3.2 SVM 模型參數(shù)及適用性評價。將陜西省各物流需求影響因素作為模型的輸入量，分別以客流量、貨流量作為輸出，在訓(xùn)練和預(yù)測過程中，確定本次SVM 模型的約束函數(shù)及核函數(shù)，以2010～2017 年預(yù)測結(jié)果的誤差（均方根誤差、平均絕對誤差）作為評價預(yù)測效果的標準。

通過多次訓(xùn)練驗證，確定核函數(shù)為徑向基核函數(shù)（RBF Kernel），相關(guān)參數(shù)表4。其中Kernel Scale 為SVM 模型參數(shù)Sigma，即“內(nèi)核寬度”，該參數(shù)為徑向基核函數(shù)的主要表征參數(shù)，表明模型核函數(shù)選取準確；R均大于98%，表明模型擬合效果較好。

表4 SVM 模型核函數(shù)參數(shù)表

經(jīng)過SVM 模型處理后，得到2010～2017 年貨運量及客運量的預(yù)測結(jié)果，如圖3、圖4 所示。

圖3 客運量預(yù)測結(jié)果擬合圖

圖4 貨運量預(yù)測結(jié)果擬合圖

從客運量、貨運量預(yù)測圖來看，預(yù)測模型擬合程度高，變化趨勢表征明顯，證明本文研究對象的影響因素指標選取得當，能夠很好地反映客、貨運量的變化趨勢。在后續(xù)對本地區(qū)物流發(fā)展情況進行研究時，可根據(jù)不同領(lǐng)域影響因素指標的重要程度著手調(diào)節(jié)管控，從而提高區(qū)域物流水平。

根據(jù)表5 SVM 模型得出的預(yù)測結(jié)果與真實值的誤差分析可得，Y貨運量、Y客運量的MAPE 分別為2.23%、1.21%，表明預(yù)測值與真實值之間誤差極小，模型選取合適。

表5 預(yù)測結(jié)果誤差表

3.3 FA-SVM 模型在陜西省物流預(yù)測中的應(yīng)用。依據(jù)FA-SVM 的區(qū)域物流需求預(yù)測模型，對2018～2020 年陜西省貨運量Y及客運量Y進行預(yù)測，預(yù)測結(jié)果與實際值如表6 所示。2018 年Y、Y預(yù)測值與實際值的誤差分別為3.85%、2.83%，2019 年Y、Y預(yù)測值與實際值的誤差分別為6.39%、5.46%，預(yù)測效果整體較為準確；2020 年Y、Y實際值較模型預(yù)測發(fā)展趨勢差異較大，主要原因為新冠疫情嚴重降低了國內(nèi)人員及貨物的流動性、國際航運和進出口冷鏈產(chǎn)品的貨運量。

表6 區(qū)域物流預(yù)測結(jié)果與實際值對比

隨著疫情防控形勢的好轉(zhuǎn)，疫情所帶來的影響會逐漸削弱，陜西省的貨運量及客運量仍將保持增長趨勢，建立穩(wěn)定高效的應(yīng)急物流服務(wù)體系將為物流業(yè)的發(fā)展提供可靠保障。

4 結(jié) 論

本文提出了一種“FA-SVM”新模型，并對陜西省近年物流需求展開了預(yù)測、分析和研究，主要得出以下結(jié)論：（1） 構(gòu)建了經(jīng)濟水平、貿(mào)易水平、服務(wù)供給水平三方面的陜西省區(qū)域物流需求量指標體系，通過因子分析發(fā)現(xiàn)地區(qū)生產(chǎn)總值(X)、物流業(yè)增加值(X)、物流業(yè)固定資產(chǎn)投資額(X)、區(qū)域消費零售總額(X)、區(qū)域進出口總額(X)、區(qū)域貨運周轉(zhuǎn)量(X)、區(qū)域旅客周轉(zhuǎn)量(X)等指標對陜西省物流需求的累計貢獻率高于94%，區(qū)域郵電業(yè)務(wù)量(X)、物流從業(yè)人數(shù)(X)等指標對陜西省物流需求的累計貢獻率高于71%，指標選取恰當，能夠反映區(qū)域物流變化趨勢特點。（2） 獲取整理了陜西省區(qū)域物流量數(shù)據(jù)集，將其應(yīng)用于FA-SVM 模型的訓(xùn)練、修正、驗證及使用，確定支持向量機模型的核函數(shù)為RBF Kernel，得到關(guān)于客運量(Y)、貨運量(Y)的R和MAPE 分別為0.9879 和0.9924、2.23%和1.21%，擬合效果優(yōu)秀，模型選取恰當。（3） 運用FA-SVM 模型對2018～2019 年區(qū)域物流需求進行預(yù)測分析，得到2018 年客運量(Y)、貨運量(Y)預(yù)測值與實際值的誤差分別為3.85%、2.83%，2019年客運量(Y)、貨運量(Y)預(yù)測值與實際值的誤差分別為6.39%、5.46%。（4） FA-SVM 的區(qū)域物流需求預(yù)測模型有效改善了預(yù)測效率及精度，其對陜西省物流需求的預(yù)測結(jié)果良好，也為其他省市的物流需求預(yù)測提供了一種行之有效的途徑。