聶聞聰，向 楠，楚龍娟，劉永權(quán)

（1.中建地下空間有限公司，四川 成都 610200；2.四川交投物流有限公司，四川 成都 610200）

1 城市配送需求預測存在的問題

國內(nèi)針對物流需求預測的研究先后經(jīng)歷了從區(qū)域物流、城市物流、第三方物流等宏觀層面，到冷鏈物流、港口物流、農(nóng)產(chǎn)品物流等針對某一細分領(lǐng)域的研究轉(zhuǎn)變，已經(jīng)由宏觀的體系化研究，轉(zhuǎn)變聚焦到更加貼合生活、工作的類似社區(qū)團購、外賣送餐、貨拉拉等專業(yè)化城市配送物流研究上。近年來，我國大型城市發(fā)展也逐步形成不同的人口聚集區(qū)域，住宅區(qū)域、辦公區(qū)域和商業(yè)區(qū)域的功能存在明顯的差異，從時效、品類等方面也形成了不同的物流需求特征。

需要特別指出的是，物流需求不能等同于物流需求量，只有被滿足的物流需求才能叫做物流需求量。因此，物流需求與物流需求量是有區(qū)別的，本文是基于物流需求分析，暫未考慮逆向物流，其目的是為城市規(guī)劃、企業(yè)運營提供預測方法及數(shù)據(jù)參考。

現(xiàn)有的物流需求預測研究強調(diào)特定方法在實際生產(chǎn)生活中的具體應(yīng)用，側(cè)重解決我國城市經(jīng)濟發(fā)展的實際問題，這也使得城市配送需求研究一直是目前國內(nèi)學者不斷探討的熱門主題。在物流需求預測方法方面，國內(nèi)外學者也主要集中于采用經(jīng)典的時間序列模型、模糊理論、回歸分析、指數(shù)平滑、灰色模型，求解方法從啟發(fā)式算法，再到人工智能、復雜網(wǎng)絡(luò)等，相關(guān)模型的應(yīng)用多樣，但基于城市配送基礎(chǔ)數(shù)據(jù)的統(tǒng)計分析、數(shù)據(jù)規(guī)律模型研究相對較少。

在實際應(yīng)用中，通常是以統(tǒng)計數(shù)據(jù)中貨運量或貨物周轉(zhuǎn)量進行近似替代，或是根據(jù)經(jīng)驗值進行折算，將其中部分作為城市配送需求預測的基礎(chǔ)數(shù)據(jù)，僅能得到趨勢性預測結(jié)論。雖然從貨物周轉(zhuǎn)量的角度，城市物流需求可以通過物流各個環(huán)節(jié)（如運輸、倉儲、配送、流通加工等）的支撐能力進行研究，但目前我國物流統(tǒng)計指標比較單一、粗放，各項預測基本只有依靠貨物運輸量和貨物運輸周轉(zhuǎn)量來進行比較籠統(tǒng)的換算，缺乏實際有效的數(shù)據(jù)支撐。因此在預測城市配送物流需求時存在較大偏差，主要原因如下：

（1）官方對貨運量的粗放統(tǒng)計，與實際有效物流量需求存在結(jié)構(gòu)性差異。其中，官方貨運量統(tǒng)計同時包含了第一、二、三產(chǎn)業(yè)的物流量。由于城市分工和產(chǎn)業(yè)聚集，每一個城市所生產(chǎn)的農(nóng)產(chǎn)品以及大部分工業(yè)產(chǎn)品并不一定在本城市進行消費，導致官方粗放統(tǒng)計形成的數(shù)據(jù)基數(shù)往往偏大，同時，各產(chǎn)業(yè)的占比結(jié)構(gòu)不同，以常規(guī)產(chǎn)業(yè)占比作產(chǎn)業(yè)物流量的區(qū)分，將會影響預測數(shù)據(jù)的準確性。

（2）同城內(nèi)部的配送暫未納入貨運量官方統(tǒng)計，導致同城配送量的數(shù)據(jù)統(tǒng)計缺失。隨著物流的社會化發(fā)展，社區(qū)團購等新業(yè)態(tài)下，部分日用品和生鮮產(chǎn)品的銷售渠道轉(zhuǎn)移到了線上，即出現(xiàn)了以同城即時配送為代表的物流需求，包括送餐服務(wù)、社區(qū)團購、生鮮倉配等模式，這一部分物流量不適用基于貨運量的物流需求預測方法。

（3）統(tǒng)計數(shù)據(jù)與實際值有一定的差距。官方統(tǒng)計數(shù)據(jù)僅能描述宏觀經(jīng)濟的運行情況，由于統(tǒng)計調(diào)查方法、數(shù)據(jù)收集能力、調(diào)查范圍等限制以及我國現(xiàn)行統(tǒng)計制度不完善，導致統(tǒng)計數(shù)據(jù)不完備，與實際有一定出入。

（4）城市配送系統(tǒng)是開放系統(tǒng)，影響物流需求的因素眾多，量化處理難度大，且數(shù)據(jù)灰性大，一般又包含許多隨機性因素之間的相互作用，很多過程具有后效性，關(guān)系不確定性較強，因此，目前對于各項經(jīng)濟因子與物流需求規(guī)模間的關(guān)系還沒有建立確定的數(shù)學模型。

然而，城市配送需求的準確性是影響城市規(guī)劃及新業(yè)態(tài)下城市物流基礎(chǔ)設(shè)施建設(shè)的關(guān)鍵，也是物流企業(yè)運營最為關(guān)注的核心因素。其主要原因在于城市配送服務(wù)能力不可儲存，具有易逝性，一旦配送車輛駛出配送中心，在配送車輛還有額外裝載能力和行駛里程的情況下，這些未被利用的配送能力就會浪費，無法像實體產(chǎn)品那樣利用庫存等措施進行存儲。這也就導致當城市的物流基礎(chǔ)設(shè)施或企業(yè)的配送規(guī)劃出現(xiàn)偏差時，很難通過低成本策略進行改善。

2 城市配送需求分析

通過分析物流行業(yè)統(tǒng)計指標結(jié)構(gòu)以及7個大城市物流需求規(guī)律可知，城市化進程的加速以及電子商務(wù)活動的快速發(fā)展，部分商貿(mào)流通的物流需求轉(zhuǎn)化為網(wǎng)上購物形成的包裹快遞物流需求，特別是隨著城市快速發(fā)展，產(chǎn)生各類新需求新業(yè)態(tài)的同時，必然會有企業(yè)為滿足這種需求，調(diào)動必要的資源，進行新業(yè)務(wù)開發(fā)、運營和銷售。隨著消費趨勢和消費結(jié)構(gòu)的持續(xù)演變，城市配送需求規(guī)模也將受到一定影響。

由于城市配送需求的預測復雜程度高，存在較多的影響因素，導致針對其進行估計的數(shù)據(jù)準確性不高。因此，要分析城市配送需求，首先需要對城市物流配送的層級結(jié)構(gòu)、居民支出結(jié)構(gòu)、物流設(shè)施以及主要的需求區(qū)域進行分析。

考慮到統(tǒng)計數(shù)據(jù)獲取的難度以及時間和成本的限制，無法對所有城市進行抽樣調(diào)查，需構(gòu)建一個基于統(tǒng)計數(shù)據(jù)的城市配送需求預測方法，初步分析城市配送的物流量以及主要品類。

城市配送需求品類可分為三種：城市農(nóng)副食品配送需求、城市內(nèi)部產(chǎn)生的即時配送物流需求以及城市工業(yè)品配送需求，如圖1所示。

圖1 城市配送需求分析框架

2.1 城市農(nóng)副食品配送需求

不同城市所處的地理位置不同，經(jīng)濟發(fā)展水平不同，因此食品消費習慣也存在差異。城市配送需求主要以服務(wù)消費者為目的，因此農(nóng)副食品物流需求預測與人口數(shù)量相關(guān)，在一定時間內(nèi)人均農(nóng)副食品消費不會出現(xiàn)大幅的波動，城市農(nóng)副食品配送需求可通過國家統(tǒng)計局《統(tǒng)計年鑒》中不同地區(qū)的主要農(nóng)副食品消費量以及城市人口進行估算。

2.2 即時配送需求

城市內(nèi)部的即時配送主要集中在送餐業(yè)務(wù)、社區(qū)團購等同城短距離配送，由于該類物流需求具有非常強的互聯(lián)網(wǎng)粘性，目前已形成了以美團、阿里餓了么等為龍頭的寡頭市場。在市場競爭趨于平穩(wěn)時期，其每單成本差異不大，因此在預測該類需求時，可以參考以上兩家公司公開發(fā)布的年報進行測算：以2019年為例，美團外賣傭金為496.64億元，交易筆數(shù)25.05億單；餓了么外賣傭金為180.58億元，可粗略推算出，同城即時配送需求量為36.07億單。由于此類需求對城市配送需求的影響集中在特定時間段和短距離區(qū)域，其需求相對較為獨立，因此，本文僅對數(shù)據(jù)測算進行說明，不作深入探討。

2.3 城市工業(yè)品配送需求

城市工業(yè)品配送涉及耐用品、日用品這兩部分，對應(yīng)《統(tǒng)計年鑒》中的限額以上批發(fā)和零售業(yè)商品分類銷售額，其中包括了27大類（見表1）。

3 物流量估計方法

由于統(tǒng)計年鑒中的相關(guān)統(tǒng)計數(shù)據(jù)僅提供了銷售額數(shù)據(jù)，沒有重量數(shù)據(jù)。因此需采用網(wǎng)絡(luò)大規(guī)模調(diào)研的方式，取得對應(yīng)的平均重量，從而換算出較為準確的物流需求量。

單位價格重量調(diào)研針對兩類物資，一類為批發(fā)物資，可以考慮以專業(yè)市場的定價為標準，通過批發(fā)市場價格表獲?。涣硪活悶榱闶垲愇镔Y，可以采用抽樣調(diào)查的方式獲取。以上兩種物資的調(diào)研，均存在樣本獲取難度大、花費時間長、成本高等問題，直接調(diào)研實施難度大，目前電子商務(wù)數(shù)據(jù)比較全面，數(shù)據(jù)真實有效，因此通過收集電商平臺數(shù)據(jù)進行調(diào)研，獲取該品類貨品的價格、重量數(shù)據(jù)，通過聚類的方式得到相對準確的單位價格重量，通過以農(nóng)產(chǎn)品對標的誤差分析，將誤差彈性系數(shù)引入模型，從而將統(tǒng)計數(shù)據(jù)當中的金額轉(zhuǎn)化為物流需求重量。

在完成對城市配送物流量的測算之后，可以根據(jù)不同年份的價格指數(shù)，對單位價格重量均值進行年份還原，進而使用時間序列數(shù)據(jù)對城市物流配送量進行預測。

城市內(nèi)部產(chǎn)生的同城配送物流需求量主要集中在幾個大型即時配送公司，可以通過其公布的年報測算出相應(yīng)的物流訂單數(shù)量，此部分物流需求預測可單獨進行。整體預測思路如圖2所示。

圖2 預測城市配送物流需求思路

3.1 預測步驟

第一步：確定預測范圍。

第二步：根據(jù)預測范圍及考查的物流需求細分類收集年鑒數(shù)據(jù)，包括：GDP、第一產(chǎn)業(yè)值、第二產(chǎn)業(yè)值、第三產(chǎn)業(yè)值、人口規(guī)模、居民可支配收入、居民消費水平、地區(qū)消費品零售總額；批發(fā)和零售業(yè)商品分類銷售額；商品零售價格指數(shù)；人均消費農(nóng)產(chǎn)品數(shù)量。

第三步：進行網(wǎng)絡(luò)調(diào)研，獲取分類單一產(chǎn)品銷售量、單價、毛重（注意獲取數(shù)據(jù)盡可能全面，網(wǎng)絡(luò)調(diào)研取數(shù)時間點與相應(yīng)年鑒年份一致）。

第四步：對數(shù)據(jù)進行分析，進行數(shù)據(jù)清洗，確保數(shù)據(jù)的有效性，由于長尾效應(yīng)，取前80%權(quán)重的數(shù)據(jù)集作為有效數(shù)據(jù)（注意異常數(shù)據(jù)、空值、虛假數(shù)值）。

第五步：根據(jù)不同年份的價格指數(shù)，對單位價格重量均值進行年份還原，得到預測數(shù)據(jù)集。

第六步：以GM（1,1）或回歸預測模型進行預測，也可選取合適的時序預測方法，根據(jù)需要預測出預測范圍內(nèi)對應(yīng)年限城市配送需求。

3.2 大品類分類

根據(jù)統(tǒng)計年鑒中定期報表數(shù)據(jù)，涉及物流的大品類分為27項，根據(jù)目前城市配送實際，需剔除工礦、原料、機電類，以及醫(yī)藥、汽車等有專門物流系統(tǒng)的品類，因此涉及到城市配送的有13項，見表1。

表1 城市配送品類

3.3 構(gòu)建預測模型

根據(jù)預測思路及調(diào)研數(shù)據(jù)，構(gòu)建數(shù)學模型如下：

Q：人均消費食品數(shù)量；

：預測范圍內(nèi)人口總數(shù)。

：第i個食品調(diào)查單品單公斤價格（元/kg）；

：第i個食品調(diào)查單品權(quán)重系數(shù)；

：食品調(diào)查單品總數(shù)；

：電商配送價格系數(shù)；

：第個食品調(diào)查單品銷售數(shù)量；

：調(diào)查產(chǎn)品配送價格（元）。

：根據(jù)調(diào)查估算的食品物流配送量；

：食品批發(fā)零售銷售總額。

：產(chǎn)品估算誤差系數(shù)，一般小于5%，若大于5%，則返回查看調(diào)研數(shù)據(jù)是否存在異常，關(guān)鍵詞是否準確。

w：第項品類根據(jù)調(diào)查估算的產(chǎn)品物流配送量（根據(jù)前述城市配送需求存在于13個大項中）；

C：第項品類批發(fā)零售銷售總額；

s：總城市配送物流需求下限；

s：總城市配送物流需求上限。

由于調(diào)查數(shù)據(jù)是一個時間點上的數(shù)據(jù)集，因此需要對歷史數(shù)據(jù)進行折算，得出整個預測數(shù)據(jù)序列，補全方法如下：

3.4 預測方法

目前對于灰色關(guān)聯(lián)分析的理論已有較為詳細的闡述，通過實例分析可知組合預測方法的誤差值更小。如果灰色預測的精度達不到要求,就應(yīng)試探性采用多項式擬合、回歸預測方法等。因此，本文針對不同品類，采用灰色預測或線性擬合的預測方法，以達到更好的預測精度。

（1）灰色預測。灰色GM（1,1）模型的研究對象是“部分信息已知，部分信息未知”的貧信息不確定系統(tǒng)。把預測數(shù)據(jù)序列看作隨時間序列數(shù)據(jù)序號變化的灰色量或灰色過程，適用于對單調(diào)非負光滑數(shù)據(jù)序列進行分析處理，此時的誤差較小，預測精度較高。

（2）線性或多項式擬合。在GM（1,1）預測后驗差較大，達不到預測精度時，采用線性擬合或多項式擬合，取得預測數(shù)據(jù)。根據(jù)不同數(shù)據(jù)集的趨勢情況確定合理的預測方法，最終獲取各項分類的預測量，求和得出城市配送需求預測值。

4 案例預測——以青島為例

4.1 數(shù)據(jù)分析

根據(jù)已獲取的電商數(shù)據(jù)集進行品類分析，共涉及1 373個品類、1 922萬條數(shù)據(jù)。

為了對數(shù)據(jù)的有效性進行驗證，選取農(nóng)副食品品類，通過人均農(nóng)副食品消耗量測算，與調(diào)研數(shù)據(jù)進行對比校驗。

對電商數(shù)據(jù)中的13萬條食品信息進行分析，經(jīng)過清洗處理，剔除重復、異常數(shù)據(jù)后，可得到農(nóng)副食品數(shù)據(jù)分布情況，如圖3所示，可以發(fā)現(xiàn)非常明顯的長尾效應(yīng)，即大部分有價值（銷量更大，即權(quán)重更大）的信息集中在頭部，因此取置信區(qū)間80%的數(shù)據(jù)集作為分析依據(jù)，舍棄尾部無價值信息。

圖3 農(nóng)副食品數(shù)據(jù)長尾分布情況

對于置信區(qū)間內(nèi)的數(shù)據(jù)分布進行進一步分析，縱坐標為價格（元），橫坐標為毛重（kg），氣泡大小為采購量（kg），如圖4所示，可以看出置信區(qū)間內(nèi)的數(shù)據(jù)相對比較集中，可以聚集出一個有效單位重量價格，以便換算出物流量。

圖4 調(diào)查農(nóng)副食品價格重量分布

4.2 物流量估計驗證

以青島市數(shù)據(jù)進行測算，關(guān)鍵指標測算見表2，與調(diào)研數(shù)據(jù)對比，通過人口數(shù)據(jù)進行測算的人均農(nóng)副食品消耗量誤差在3.60%，說明根據(jù)通過調(diào)研獲取的數(shù)據(jù)能夠作出有效預測。

表2 根據(jù)模型測算出的關(guān)鍵指標

按照模型測算剩余13項品類數(shù)據(jù)，結(jié)果見表3。

表3 模型測算13項城配品類結(jié)果

通過對歷年單位價格重量測算，采用GM（1,1）和線性擬合方式，對各項分量進行外推預測，預測至2025年，城市配送需求低值為1 947.75萬t，高值為2 087.54萬t，見表4、表5。

表4 各品類2025年低線預測值及選取模型

表5 各品類2025年高線預測值及選取模型

預測至2025年，青島市城市配送需求在1 947萬t至2 087萬t之間。

5 預測結(jié)果分析

通過對需求模型的細化分類，可根據(jù)數(shù)據(jù)的特性選擇更優(yōu)的預測模型，將多個單一方法的預測結(jié)果進行有效組合，在一定條件下可以克服單一預測方法的局限性，提高物流需求的預測精度。如GM(1,1)模型在預測過程中會將不規(guī)則變動視為干擾，對波動變化明顯的序列而言，預測誤差相對較大，因此采用線性擬合模型進行預測，確保各分量模型精度均達到優(yōu)（C＜0.35）。

從預測結(jié)果可以看出，考慮經(jīng)銷商相互之間購買、配送的情況，青島市城市配送需求總量呈快速上升趨勢，其中糧油食品類、家用電器類為增長量最大的兩類。

本文研究對于在政府主導下進行物流配送基建工作具有指導意義，結(jié)合當前市場供應(yīng)商的飽和度以及現(xiàn)存的配送物流業(yè)態(tài)，可從規(guī)劃的角度避免區(qū)域內(nèi)同質(zhì)化競爭和不必要的浪費。

6 結(jié)論與展望

城市配送需求實際是一個隨著人口聚集區(qū)域的要素稟賦、需求結(jié)構(gòu)、技術(shù)進步而變化的供需優(yōu)化配置的過程。供需匹配程度越高，其資源配置效率就越高。本文從大數(shù)據(jù)調(diào)研的角度分類處理城市配送物流量，推導出相對準確的城市配送需求估計及預測方式。通過該方法可對城市配送需求進行細分類別預測，從而在規(guī)劃及資源配置時，考慮不同的類型和應(yīng)用場景。如通過某類城市配送量的預測，為該類城市配送企業(yè)網(wǎng)絡(luò)規(guī)劃提供參考，匹配相應(yīng)的分撥中心、城內(nèi)中轉(zhuǎn)物流節(jié)點、客戶收取點。在物流資源供給規(guī)劃方面，也可以為大型賣場、專業(yè)市場、綜合商業(yè)體等的規(guī)劃提供分類預測數(shù)據(jù)。

然而模型仍然存在一些待解決的問題，一是調(diào)研取樣不夠全面，缺乏實地調(diào)研數(shù)據(jù)進行修正；二是當統(tǒng)計分類調(diào)整時，會造成相應(yīng)數(shù)據(jù)無法進行歷史數(shù)據(jù)還原。