徐曼，陸芬

摘? 要：物流行業(yè)作為第三產(chǎn)業(yè)，有著非常好的發(fā)展前景。提前預(yù)測(cè)某地區(qū)的物流需求水平對(duì)該地區(qū)物流行業(yè)的發(fā)展起著非常重要的作用。以陜西省為例，將灰色預(yù)測(cè)模型、二次指數(shù)平滑預(yù)測(cè)模型及線性回歸預(yù)測(cè)模型組合起來(lái)，利用組合預(yù)測(cè)模型理論，根據(jù)陜西省2002—2021年實(shí)際數(shù)據(jù)建立模型，預(yù)測(cè)出陜西省未來(lái)十年的物流需求量，發(fā)現(xiàn)需求量呈現(xiàn)逐漸增長(zhǎng)趨勢(shì)，最高可達(dá)19.38億噸。最后依據(jù)預(yù)測(cè)的結(jié)果及“十四五”規(guī)劃，對(duì)陜西省物流發(fā)展提供一些建議。

關(guān)鍵詞：物流需求；貨運(yùn)量；灰色預(yù)測(cè)模型；線性回歸模型；組合預(yù)測(cè)模型

中圖分類號(hào)：F259.27? ? 文獻(xiàn)標(biāo)志碼：A

DOI：10.13714/j.cnki.1002-3100.2023.11.007

Abstract： As a tertiary industry， the logistics industry has a bright future. Predicting the logistics demand level of a region in advance plays a very important role in the development of the logistics industry in that region. Taking Shaanxi Province as an example， the grey model， quadratic exponential smoothing model and linear regression model are combined by the combined forecasting model theory. The model is established according to the actual data of Shaanxi Province from 2002 to 2021， and the logistics demand of Shaanxi Province in the next ten years is predicted. It is found that the demand shows a gradual growth trend， up to 19.38 billion tons. Finally， according to the forecast results and the "14th five-year" plan of Shaanxi Province， some suggestions are given.

Key words： logistics demand; freight volume; grey forecasting model; linear regression model; combination forecasting model

0? 引? 言

陜西省地處中國(guó)的中部地區(qū)，橫跨黃河和長(zhǎng)江兩大流域，是連接中國(guó)東、中部地區(qū)和西北、西南的重要樞紐；其次，陜西省作為“一帶一路”的必經(jīng)之地，處于重要的經(jīng)濟(jì)戰(zhàn)略地位。因此，研究陜西省的經(jīng)濟(jì)發(fā)展，特別是物流發(fā)展，可以為研究中國(guó)經(jīng)濟(jì)發(fā)展提供一些參考。一般來(lái)說(shuō)，研究某地的物流水平，需要對(duì)該地進(jìn)行物流需求預(yù)測(cè)分析。對(duì)物流需求量進(jìn)行預(yù)測(cè)，是政府進(jìn)行區(qū)域規(guī)劃的基礎(chǔ)和前提。通過(guò)預(yù)測(cè)物流需求量，政府可以提前對(duì)省市進(jìn)行物流規(guī)劃，做到合理優(yōu)化資源配置，并且可以提前設(shè)置好合適的物流供給系統(tǒng)，優(yōu)化供應(yīng)鏈；同時(shí)還可以為相關(guān)企業(yè)及行業(yè)提供理論依據(jù)，從而更好地促進(jìn)物流行業(yè)的發(fā)展，物流系統(tǒng)的穩(wěn)健。

目前，針對(duì)物流需求預(yù)測(cè)的研究方法，學(xué)者們主要集中在采用定量預(yù)測(cè)方法，即根據(jù)前期的歷史數(shù)據(jù)，運(yùn)用統(tǒng)計(jì)方法構(gòu)建數(shù)學(xué)模型，對(duì)預(yù)測(cè)對(duì)象未來(lái)的發(fā)展規(guī)模等進(jìn)行估算，包括指數(shù)平滑法、趨勢(shì)外推法、博克斯-詹金斯方法、線性回歸法、灰色預(yù)測(cè)法等。部分學(xué)者采用單一預(yù)測(cè)方法，楊箏等[1]和張九萍[2]利用灰色預(yù)測(cè)法分別對(duì)廣西、山東的農(nóng)產(chǎn)品冷鏈物流需求量進(jìn)行了預(yù)測(cè)；羅永華等[3]也利用灰色預(yù)測(cè)法預(yù)測(cè)了茂名市未來(lái)4年物流需求量；林昊[4]通過(guò)建立BP神經(jīng)網(wǎng)絡(luò)模型，對(duì)福州市物流需求進(jìn)行了預(yù)測(cè)；陳敏利用BP神經(jīng)網(wǎng)絡(luò)模型預(yù)測(cè)了成都市未來(lái)5年的物流需求量；武進(jìn)靜等[5]根據(jù)江蘇省歷年經(jīng)濟(jì)發(fā)展數(shù)據(jù)，采用多元回歸法對(duì)該省物流需求量進(jìn)行了預(yù)測(cè)；王根基等[6]利用季節(jié)性指數(shù)平滑法對(duì)2018年烏魯木齊主城區(qū)蘇寧物流前3個(gè)月的配送需求進(jìn)行了預(yù)測(cè)。然而單一預(yù)測(cè)法會(huì)對(duì)預(yù)測(cè)結(jié)果的精確度產(chǎn)生一定影響，因此，本文采用組合預(yù)測(cè)法。學(xué)者們對(duì)組合預(yù)測(cè)法進(jìn)行了大量研究，王燕等[7]研究了組合模型在物流量預(yù)測(cè)中的應(yīng)用；李磊等[8]將灰色預(yù)測(cè)模型、多元回歸預(yù)測(cè)模型等組合起來(lái)，并運(yùn)用拉開(kāi)檔次法對(duì)江蘇省物流需求進(jìn)行了預(yù)測(cè)；武亞鵬等[9]采用有效度法對(duì)線性回歸、ARIMA模型以及灰色預(yù)測(cè)模型進(jìn)行線性組合，預(yù)測(cè)了未來(lái)武漢市的物流需求量。

本文將在參考以上學(xué)者研究的基礎(chǔ)上，將灰色預(yù)測(cè)模型、二次指數(shù)平滑預(yù)測(cè)模型、線性回歸預(yù)測(cè)模型組合起來(lái)，運(yùn)用方差倒數(shù)加權(quán)法對(duì)陜西省未來(lái)十年（即2023—2032年）物流需求量進(jìn)行預(yù)測(cè)，為該省物流規(guī)劃提供參考。

1? 單一預(yù)測(cè)模型分析

1.1? 數(shù)據(jù)選取及統(tǒng)計(jì)。根據(jù)陜西省的實(shí)際發(fā)展情況，本文選取貨運(yùn)量作為該省物流需求預(yù)測(cè)指標(biāo)，并統(tǒng)計(jì)了2002—2021年陜西省全年貨物運(yùn)輸總量作為基礎(chǔ)數(shù)據(jù)，地區(qū)生產(chǎn)總值作為輔助數(shù)據(jù)，具體如表1所示。

1.2? 灰色預(yù)測(cè)模型分析。GM1，1是目前比較常用的一種灰色模型（Grey Model），是進(jìn)行灰色預(yù)測(cè)的基礎(chǔ)，該模型最初由鄧聚龍教授提出，后經(jīng)廣大學(xué)者的研究推廣，現(xiàn)已廣泛應(yīng)用于國(guó)民經(jīng)濟(jì)的各個(gè)領(lǐng)域[3]。由于該模型僅適用于小樣本的時(shí)間序列預(yù)測(cè)，因此本文選擇陜西省2012—2021年貨運(yùn)總量作為預(yù)測(cè)變量，模型建立步驟如下：

（1）首先設(shè)定陜西省貨運(yùn)量的數(shù)列：

X■=X■1，X■2，X■3，…，X■n=13.67，15.27，13.59，…，16.07

其中：X■為原始數(shù)據(jù)數(shù)列，X■n為第n個(gè)原始數(shù)據(jù)，n≥1。

（2）作一次累加得到累加數(shù)列：

X■=X■1，X■2，X■3，…，X■n=13.67，28.94，42.53，…，153.24

其中：X■為一次累加序列，X■n=X■n+X■n-1， n≥2，X■1=X■1。

（3）構(gòu)造矩陣B和向量Y■：

B=■=■

Y■=X■2，X■3，…，X■n■=15.27，13.59，…，16.07

（4）用最小二乘法求出系數(shù)a和u：

P■=■=■

其中：-a為發(fā)展系數(shù)，u為灰色作用量。

（5）建立陜西省物流需求GM1，1模型：

■■i+1=■■1-■e■+■=13.67+763.53e■-763.53

■■i+1=■■i+1-■■i

其中：■■i+1為預(yù)測(cè)值，i=1，2，…，n-1。

上述結(jié)果均由Excel做出，如表2所示。

（6）計(jì)算出該模型原始序列的均值和方差及殘差均值和殘值方差，然后計(jì)算出均方差比值C和小誤差概率P■。經(jīng)計(jì)算可得到該模型均方差比值C為0.06<0.35，小誤差概率P■為1>0.95，根據(jù)精度等級(jí)參照表，該模型為優(yōu)，具有高精準(zhǔn)度。

（7）對(duì)GM1，1模型進(jìn)行適用性檢驗(yàn)。該模型中-a=0.018 35<0.3，該模型可用于中長(zhǎng)期預(yù)測(cè)。

（8）由以上步驟可得出陜西省GM1，1模型，可用于中長(zhǎng)期預(yù)測(cè)且精度較高，因此對(duì)陜西省2023—2032年物流需求（貨運(yùn)量）進(jìn)行預(yù)測(cè)。

1.3? 二次指數(shù)平滑預(yù)測(cè)模型分析。二次指數(shù)平滑預(yù)測(cè)法是指在一次指數(shù)平滑法的基礎(chǔ)上再作一次指數(shù)平滑的方法。與一次指數(shù)平滑法相比，該方法能對(duì)未來(lái)進(jìn)行多期預(yù)測(cè)，結(jié)果也更為穩(wěn)定。陜西省貨運(yùn)量在2002—2020年呈現(xiàn)持續(xù)增長(zhǎng)趨勢(shì)，在2021年出現(xiàn)下降趨勢(shì)。由于樣本末期變化對(duì)二次指數(shù)平滑預(yù)測(cè)法的影響較大，因此，本文選擇陜西省2002—2020年貨運(yùn)總量作為預(yù)測(cè)變量，同時(shí)取指數(shù)平滑系數(shù)α值為0.7，模型建立步驟如下：

（1）首先，確定初始值。本文初始值取時(shí)間序列中前5個(gè)數(shù)據(jù)的平均數(shù)為初始值，即：

S■■=S■■=■=3.85

其中：S■■=S■■為初始值。

（2）按S■■=αx■+1-αS■■計(jì)算一次指數(shù)平滑值：

■

其中：S■■為第t期的一次指數(shù)平滑值，x■為第t期的原始數(shù)據(jù)。

（3）按S■■=αx■■+1-αS■■計(jì)算二次指數(shù)平滑值：

■

其中：S■■為第t期的二次指數(shù)平滑值。

（4）計(jì)算a■、b■的值。根據(jù)公式a■=2S■■-S■■依次計(jì)算，可得a■=16.245；根據(jù)公式b■=■S■■-S■■依次計(jì)算，可得b■=0.198。

（5）建立陜西省物流需求的二次指數(shù)平滑模型：

Y■=Y■=a■+b■T=16.425+0.198T

其中：Y■為第t+T期預(yù)測(cè)值，T為由t期向后推移期數(shù)。

上述結(jié)果均由Excel做出，如表3所示。

1.4? 線性回歸預(yù)測(cè)模型分析。線性回歸預(yù)測(cè)法是根據(jù)預(yù)測(cè)對(duì)象與影響預(yù)測(cè)對(duì)象的因素之間的關(guān)系來(lái)建立回歸模型并進(jìn)行預(yù)測(cè)。本文選取2002—2021年陜西省地區(qū)生產(chǎn)總值作為自變量、貨運(yùn)量作為因變量來(lái)建立線性回歸模型。經(jīng)Excel計(jì)算得出，該模型回歸系數(shù)k■、k■分別為2.992 14、0.000 56。對(duì)該模型進(jìn)行相關(guān)性檢驗(yàn)，得到樣本相關(guān)系數(shù)r為0.95，表示兩個(gè)變量之間呈現(xiàn)高度線性相關(guān)，因此，陜西省物流需求線性回歸方程為：

y■=k■+k■x■=2.992 14+0.000 56x■

其中：y■為貨運(yùn)量（因變量），x■為地區(qū)生產(chǎn)總值（自變量），k■、k■為回歸系數(shù)。與文獻(xiàn)[9]類似，本文依據(jù)《陜西省國(guó)民經(jīng)濟(jì)和社會(huì)發(fā)展第十四個(gè)五年規(guī)劃和2035年遠(yuǎn)景目標(biāo)綱要》對(duì)陜西省經(jīng)濟(jì)增速進(jìn)行預(yù)測(cè)，得到2023—2032年陜西省地區(qū)生產(chǎn)總值預(yù)測(cè)值，從而對(duì)未來(lái)十年陜西省貨運(yùn)量進(jìn)行預(yù)測(cè)。2023—2032年陜西省地區(qū)生產(chǎn)總值預(yù)測(cè)值如表4所示。

1.5? 單一預(yù)測(cè)模型結(jié)果分析。通過(guò)對(duì)三種預(yù)測(cè)模型方法的分析，計(jì)算出陜西省2023—2032年貨運(yùn)量預(yù)測(cè)值，如表5所示。

觀察表5可發(fā)現(xiàn)，灰色預(yù)測(cè)法與二次指數(shù)平滑法預(yù)測(cè)的結(jié)果相差很大，尤其在2032年，灰色預(yù)測(cè)法下陜西省貨運(yùn)量為43.89億噸，而二次指數(shù)平滑法下預(yù)測(cè)值在18.80億噸，二者相差達(dá)25.09億噸。與二次指數(shù)平滑法相比，灰色預(yù)測(cè)法與線性回歸法的預(yù)測(cè)結(jié)果相對(duì)接近，但從2026年開(kāi)始，二者相差可達(dá)10億噸以上。二次指數(shù)平滑法與線性回歸法的預(yù)測(cè)結(jié)果最為接近，但差值依舊處于3～10億噸范圍內(nèi)。因此，為了減少誤差，提高預(yù)測(cè)值的精確度，本文采取組合模型法對(duì)陜西省2023

—2032年貨運(yùn)量進(jìn)行預(yù)測(cè)。

2? 組合預(yù)測(cè)模型分析

2.1? 組合預(yù)測(cè)模型建立。單一模型預(yù)測(cè)分析往往由于模型自身的局限性導(dǎo)致預(yù)測(cè)結(jié)果精準(zhǔn)度相對(duì)不高，因此可采用組合模型法進(jìn)行預(yù)測(cè)分析。組合模型法是通過(guò)賦予各個(gè)模型權(quán)重來(lái)計(jì)算預(yù)測(cè)值的方法，包括等權(quán)平均法、方差倒數(shù)加權(quán)法、方差最小化法等。本文采用方差倒數(shù)加權(quán)法對(duì)單一模型進(jìn)行組合，組合預(yù)測(cè)模型基本過(guò)程為：

（1）首先計(jì)算出每種預(yù)測(cè)方法的權(quán)重比例：

θ■=v■■■-l■■v■l■-l■■+v■■■-l■■+v■■■-l■■

其中：θ■為每種單一預(yù)測(cè)模型的權(quán)系數(shù)，η=α， β，γ?！觥觥?l■■為灰色預(yù)測(cè)模型下所有預(yù)測(cè)值的方差，■■■-l■■為二次指數(shù)平滑預(yù)測(cè)模型下所有預(yù)測(cè)值的方差，■■■-l■■為線性回歸預(yù)測(cè)模型下所有預(yù)測(cè)值的方差。

（2）根據(jù)每種單一預(yù)測(cè)模型的權(quán)重比例計(jì)算出組合預(yù)測(cè)模型的預(yù)測(cè)值：

E■v=θ■E■v+θ■E■v+θ■E■v

其中：E■v為第v期組合模型貨運(yùn)量預(yù)測(cè)結(jié)果，v取值為1，2，3，…，v；E■v為第v期灰色模型預(yù)測(cè)結(jié)果，E■v為第v期二次指數(shù)平滑模型預(yù)測(cè)結(jié)果，E■v為第v期線性回歸模型預(yù)測(cè)結(jié)果。

2.2? 組合預(yù)測(cè)模型結(jié)果分析。以陜西省2012—2021年實(shí)際貨運(yùn)量作為分析對(duì)象，對(duì)灰色預(yù)測(cè)模型、二次指數(shù)預(yù)測(cè)模型、線性回歸模型及組合預(yù)測(cè)模型這四種模型下的預(yù)測(cè)值進(jìn)行相對(duì)誤差分析，如表6所示。

觀察表6可發(fā)現(xiàn)，灰色預(yù)測(cè)模型的最大誤差率為9%，二次指數(shù)平滑預(yù)測(cè)模型的最大誤差率為25%，線性回歸預(yù)測(cè)模型的最大誤差率為23%，組合預(yù)測(cè)模型的最大誤差率為11%。雖然最大誤差率在組合預(yù)測(cè)模型下高于灰色預(yù)測(cè)模型，但是組合預(yù)測(cè)模型的平均誤差率比灰色預(yù)測(cè)模型低0.33%，且與單一預(yù)測(cè)模型相比，組合預(yù)測(cè)模型的平均誤差率最低?？梢?jiàn)，組合預(yù)測(cè)模型的預(yù)測(cè)結(jié)果更為精準(zhǔn)。

根據(jù)上述公式，可得到組合預(yù)測(cè)模型下陜西省2023—2032年貨運(yùn)量預(yù)測(cè)值，如表7所示。

從表7可以得到，在組合預(yù)測(cè)模型下陜西省2023—2032年貨運(yùn)量預(yù)測(cè)值處于增長(zhǎng)趨勢(shì)，尤其在2032年陜西省貨運(yùn)量達(dá)到19.38億噸。此外，通過(guò)比較2023

—2032年陜西省貨運(yùn)量單一模型與組合模型預(yù)測(cè)值結(jié)果，分析組合模型下預(yù)測(cè)值的穩(wěn)健性，如圖1所示。

觀察圖1，可以發(fā)現(xiàn)陜西省2023

—2032年貨運(yùn)量預(yù)測(cè)值在單一模型及組合模型下均呈現(xiàn)上升趨勢(shì)。但是灰色預(yù)測(cè)模型下，貨運(yùn)量預(yù)測(cè)值增長(zhǎng)較快；線性回歸模型下，貨運(yùn)量預(yù)測(cè)值增長(zhǎng)趨勢(shì)居中；預(yù)測(cè)值增長(zhǎng)趨勢(shì)在組合預(yù)測(cè)模型與二次指數(shù)平滑預(yù)測(cè)模型下較為接近，增長(zhǎng)相對(duì)緩慢。不過(guò)，與二次指數(shù)平滑預(yù)測(cè)模型相比，組合預(yù)測(cè)模型下貨運(yùn)量預(yù)測(cè)值增長(zhǎng)趨勢(shì)更為陡峭?？梢?jiàn)組合模型下貨運(yùn)量預(yù)測(cè)值融合了三種單一預(yù)測(cè)模型的優(yōu)點(diǎn)，因此，本文認(rèn)為該結(jié)果符合實(shí)際。

3? 結(jié)束語(yǔ)

本文通過(guò)組合預(yù)測(cè)模型對(duì)陜西省2023—2032年貨運(yùn)量進(jìn)行了預(yù)測(cè)，發(fā)現(xiàn)隨著經(jīng)濟(jì)的發(fā)展，貨運(yùn)量逐年提升。一方面由于陜西省市場(chǎng)經(jīng)濟(jì)的內(nèi)需拉動(dòng)，及“十四五”規(guī)劃中政府的引導(dǎo)作用，使該省經(jīng)濟(jì)保持良好態(tài)勢(shì)；另一方面由于陜西省地處中國(guó)中部，連接著中國(guó)東西、南北部的經(jīng)濟(jì)命脈，同時(shí)它屬于“一帶一路”中的較為重要的環(huán)節(jié)[10]，因此該省貨運(yùn)量的逐年增加是符合實(shí)際的。

2022年既是機(jī)遇，也是挑戰(zhàn)。機(jī)遇在于經(jīng)濟(jì)發(fā)展正好處于“十四五”規(guī)劃期間，給陜西省經(jīng)濟(jì)發(fā)展創(chuàng)造了很多空間，同時(shí)陜西省也出臺(tái)了許多推動(dòng)物流發(fā)展的政策；挑戰(zhàn)在于近兩年全國(guó)遭遇新冠疫情，經(jīng)濟(jì)低迷，對(duì)物流的業(yè)務(wù)量與周轉(zhuǎn)量沖擊很大，尤其在2021年，陜西省貨運(yùn)量較2020年降低了2.8%。因此，陜西省想要保持物流高質(zhì)量發(fā)展，應(yīng)做好以下三點(diǎn)：（1）政府應(yīng)利用職能促進(jìn)省內(nèi)消費(fèi)，擴(kuò)大內(nèi)需，從而提高貨運(yùn)量，如定期發(fā)放消費(fèi)券等；（2）政府在保證全年貨運(yùn)量提升的同時(shí)應(yīng)做好相關(guān)的基礎(chǔ)設(shè)施建設(shè)，利用互聯(lián)網(wǎng)技術(shù)及GPS技術(shù)等提高物流質(zhì)量與效率；（3）政府要認(rèn)真監(jiān)管運(yùn)輸貨物質(zhì)量，減少無(wú)效運(yùn)輸，避免資源浪費(fèi)，提高物流運(yùn)輸產(chǎn)品的質(zhì)量，從而提高物流的效率性。

參考文獻(xiàn)：

[1] 楊箏，曹志強(qiáng)，黎嘉慧. 基于灰色預(yù)測(cè)法的廣西農(nóng)產(chǎn)品冷鏈物流需求預(yù)測(cè)[J]. 物流工程與管理，2017，39（9）：86-88，83.

[2] 張九萍. 基于灰色預(yù)測(cè)法的山東農(nóng)產(chǎn)品冷鏈物流需求預(yù)測(cè)[J]. 中國(guó)儲(chǔ)運(yùn)，2021（8）：98-99.

[3] 羅永華，何忠偉. 基于灰色系統(tǒng)理論的茂名市物流需求預(yù)測(cè)分析[J]. 物流科技，2010，33（7）：19-21.

[4] 林昊. 基于BP神經(jīng)網(wǎng)絡(luò)的福州市物流需求預(yù)測(cè)[J]. 物流工程與管理，2018，40（5）：39-41.

[5] 武進(jìn)靜，韓興勇. 基于多元線性回歸模型對(duì)江蘇省物流需求的預(yù)測(cè)分析[J]. 上海農(nóng)業(yè)學(xué)報(bào)，2015，31（4）：62-68.

[6] 王根基，李莉. 電商物流企業(yè)配送需求預(yù)測(cè)研究[J]. 物流科技，2019，42（6）：79-81.

[7] 王燕，郭金燕. 組合模型在物流量預(yù)測(cè)中的應(yīng)用[J]. 信陽(yáng)農(nóng)業(yè)高等?？茖W(xué)校學(xué)報(bào)，2013，23（4）：29-31.

[8] 李磊，易瓊堅(jiān)，單丹. 基于拉開(kāi)檔次法組合模型在物流需求預(yù)測(cè)中的應(yīng)用——以江蘇省為例[J]. 江南大學(xué)學(xué)報(bào)（人文社會(huì)科學(xué)版），2015，14（1）：87-91.

[9] 武亞鵬，李慧穎，李婷，等. 基于多模型組合的物流需求預(yù)測(cè)分析——以武漢市為例[J]. 物流技術(shù)，2022，41（6）：60-63.

[10] 喬立. “一帶一路”背景下陜西省社會(huì)物流成本預(yù)測(cè)研究[D]. 西安：西安科技大學(xué)，2019.