王琰琰,任俊玲

(北京信息科技大學 信息管理學院,北京 100192)

0 引言

2022年我國全年零售額約44萬億元,同比下降0.2%;但是線上消費品零售表現突出,實物網上零售額近12萬億元,同比增長6.2%。城鎮(zhèn)化速度的加快、居民可支配收入的提升促進了消費能力和消費意愿的不斷增強,推動日用消費品的物流需求增長。雖然我國物流產業(yè)發(fā)展迅速,但是依然無法滿足極速增長的物流需求。特別是日用消費品領域,極速增長的物流需求不斷引發(fā)物流企業(yè)運力不足、運送時效不準、物流爆倉等難題。如何精準預測日用消費品物流需求,成為各物流企業(yè)在市場競爭中及時調整布局、占據競爭優(yōu)勢所面臨的問題。

Yu[1]設計了改進的自適應遺傳算法和反向傳播神經網絡(improved adaptive genetic algorithm and back propagation neural network,IAGA-BP)模型預測重慶市物流需求,該模型在區(qū)域物流需求預測中具有較高的預測精度。Zeng等[2]構建的基于弱化緩沖算子的灰色預測模型能較為精準地預測廣東省農村物流需求。Yang[3]利用BP神經網絡模型對沿海港口物流需求進行預測,該模型具有較高的預測精度。Zhou等[4]提出的一種基于模擬退火粒子群優(yōu)化-反向傳播神經網絡(simulated annealing particle swarm optimization-back propagation neural network,SAPSO-BP)的組合預測模型在對貨運量的預測中具有較好的收斂性能和穩(wěn)定性。Gao等[5]提出了一種在一定范圍內搜索二維空間(目標、擴散)最優(yōu)解的參數尋優(yōu)方法,建立了基于徑向基函數(radial basis function,RBF)神經網絡的組合預測模型對物流需求進行預測。王曉平等[6]構造了遺傳算法優(yōu)化BP神經網絡模型,對北京市城鎮(zhèn)農產品冷鏈物流需求進行預測。蔡婉貞等[7]提出基于BP-RBF的組合預測模型預測港口物流需求,該組合模型的預測結果較為穩(wěn)定可靠。李敏杰等[8]采用RBF神經網絡模型對水產品冷鏈物流需求進行預測,該模型能較為準確地預測水產品冷鏈物流需求。王曉平等[9]考慮到農產品冷鏈物流需求系統(tǒng)具有復雜特征,采用支持向量機模型對北京城鎮(zhèn)農產品冷鏈物流需求預測,該模型能夠很好地擬合冷鏈物流需求。張國玲等[10]提出一種基于差分自回歸移動平均反向傳播神經網絡(auto regressive integrated moving average back propagation neural network,ARIMA-BPNN)的物流需求量預測模型,相較于其他預測模型有較高的預測精度。

相較于簡單的線性系統(tǒng),物流系統(tǒng)屬于龐大且復雜的非線性系統(tǒng)[11]。日用消費品物流需求的影響因素多且復雜,影響因素之間存在多重共線性。以線性回歸法為代表的部分傳統(tǒng)預測方法不能準確地刻劃日用消費品物流需求中的非線性關系,導致預測精度不夠[12]。另外,日用消費品物流可采用的歷史數據較少,部分預測方法不能夠充分訓練而導致預測精度較低。因此,在選擇預測方法時要考慮這些因素,選出更為準確、有效的預測方法。

考慮到日用品物流需求的數據樣本較少,本文選取BP神經網絡模型對日用消費品物流需求進行預測,并引入遺傳算法(genetic algorithm,GA)和蟻群優(yōu)化(ant colony optimization,ACO)算法對其進行優(yōu)化,避免模型陷入局部最優(yōu),提高預測精度,得到更為精準的預測結果,以幫助企業(yè)規(guī)劃物流需求,給予消費者更好的物流體驗。

1 日用消費品物流需求預測思路

日用消費品與日常生活息息相關,在互聯網的支持下,電商及新零售產業(yè)發(fā)展迅速,線上購買日用消費品的便捷、速度和實惠不斷促進日用消費品物流需求的增長,而需求的增長卻在不斷向物流的供給施加壓力。本文通過預測日用消費品物流需求幫助企業(yè)規(guī)劃物流供給,以達到市場的供需平衡。具體預測思路如圖1所示。

圖1 預測思路Fig.1 Prediction idea

首先,對日用消費品物流需求的相關影響因素進行分析總結。然后,將歷史數據代入灰色關聯度分析模型,對日用消費品物流需求影響因素進行篩選,得出與日用消費品物流需求關聯度較高的預測指標。最后,構建基于GA-ACO-BP神經網絡的預測模型。將篩選過后的預測指標的歷史數據代入模型進行訓練和測試。根據訓練結果對模型參數進行調整,達到較高的預測精度后,使用該模型對未來的日用消費品物流需求進行預測。

2 構建預測指標體系

2.1 日用消費品物流需求影響因素分析

居民作為日用消費品的直接消費端,其規(guī)模程度、經濟水平和生活水平對日用消費品的消耗量有直接影響。而物流業(yè)作為經濟發(fā)展的派生需求,其市場需求與經濟發(fā)展形成了相輔相成、相互促進的關系。本文結合現有的文獻研究,從日用消費品物流供需的角度出發(fā),將影響日用消費品物流需求的影響因素分為以下6類:

1)宏觀經濟發(fā)展水平。經濟發(fā)展程度決定了居民生活水平的高度以及物流業(yè)的發(fā)展速度。經濟越發(fā)達,人們的生活水平越高,對產品質量和時間消耗的要求就越高,對物流服務的需求更大也更嚴苛。

2)相關產業(yè)水平。產業(yè)結構的不同決定了物流需求結構的不同。日用消費品物流連接消費品市場的上下游,相關產業(yè)的發(fā)展水平與日用消費品物流的發(fā)展相輔相成。

3)消費能力。居民作為日用消費品的最終用戶,其收支水平和人口規(guī)模對于日用消費品市場有直接的影響。

4)物流供應能力。物流供應能力可以反映交通運輸水平,物流能力會影響物流服務和物流效率,進而影響需求。

5)互聯網發(fā)展水平。伴隨互聯網的發(fā)展,電商行業(yè)發(fā)展迅速。電商平臺作為居民線上購買日用消費品的渠道,對于日用消費品的物流需求有著決定性的影響作用。

6)貿易水平。國內貿易在物流行業(yè)的發(fā)展初期產生了大量需求,而國際貿易的不斷發(fā)展、居民消費能力的提升、對消費品的高要求都在推動跨境電商行業(yè)的發(fā)展,隨之產生的進出口日用消費品物流需求不容忽視,因此選取進出口總額指標衡量貿易水平和進出口的日用消費品物流需求的發(fā)展?jié)摿Α?/p>

本文遵循指標選取的可獲得性、實際性和全面性原則,選取宏觀經濟發(fā)展水平、相關產業(yè)水平、居民消費能力、物流供應能力、互聯網發(fā)展水平、貿易水平共6個一級指標,在此基礎上分析總結了13個影響因素作為二級指標,如表1所示。

表1 全國日用消費品物流需求影響因素Table 1 Factors affecting the logistics demand for daily consumer goods in China

2.2 基于灰色關聯度分析的預測指標篩選

2個系統(tǒng)之間的因素,隨時間或不同對象而變化的關聯性大小的量度,稱為關聯度。2個因素變化即同步變化程度越高,二者關聯程度越高;反之,則越低。因此,灰色關聯分析方法,根據因素之間發(fā)展趨勢的相似相異程度,為衡量因素間關聯程度提供了量化的度量[13]。灰色關聯度適用于“小樣本、貧信息”,根據序列曲線幾何形狀的相似程度來判斷其聯系是否緊密,不受主觀因素影響,是一種客觀的指標篩選方法。

反映系統(tǒng)行為特征的參考序列記為Y=y(k)(k=1,2,…,n),影響系統(tǒng)行為特征的比較序列記為Xi=xi(k)(i=1,2,…,m),δi(k)為xi(k)與y(k)之間的關聯系數,定義為

δi(k)=

(1)

式中:ρ為分辨系數,取值范圍為(0,1),通常取0.5。

ri為Y與Xi之間的關聯度,定義為

(2)

關聯度越大,相關性越高。

本文通過查找國家統(tǒng)計局、中華人民共和國商務部和中國互聯網信息中心的相關數據及資料,整理出全國日用消費品物流需求量及其13個影響因素從2010年到2022年共13年每年的相關統(tǒng)計數據。以全國日用消費品物流需求量為參考序列Y=y(k)(k=1,2,…,13),13個影響因素為Xi=xi(k)(i=1,2,…,13),計算得出全國日用消費品物流需求量(Y)與其影響因素之間的灰色關聯度,如表2所示。

表2 全國日用消費品物流需求量與影響因素關聯度Table 2 Correlation between daily consumer goods logistics demand and influencing factors in China

從表中數據對影響因素對應的關聯度進行排序,可得出:X1>X3>X5>X12>X4>X8>X13>X6>X2>X11>X9>X7>X10。

根據文獻調研,通常關聯度結果大于0.7就表示具有較強的相關性,因此本文選取關聯度結果大于0.7的8個影響因素作為預測指標,分析各項預測指標對日用消費品物流需求的影響程度。分別是人均GDP(X′1);第三產業(yè)增加值(X′2);批發(fā)與零售業(yè)增加值(X′3);居民人均可支配收入(X′4);居民人均消費支出(X′5);交通運輸、倉儲及郵政業(yè)增加值(X′6);互聯網普及率(X′7);進出口總額(X′8)。整理后的各項數據如表3所示。

表3 2010—2022年全國日用消費品物流需求輸入和輸出指標數據Table 3 Input and output indicator data of logistics demand for daily consumer goods in China from 2010 to 2022

3 構建預測模型

為了更為準確地預測日用消費品物流需求,在構建模型時需要選擇適配其數據特征的模型。日用消費品物流需求的樣本量較少,且影響因素之間存在非線性,因此,需要構建一個能夠擬合非線性和小樣本的預測模型,才能提高預測精度。

3.1 BP神經網絡

BP神經網絡是一種高度自適應的非線性動力系統(tǒng)。BP神經網絡通過學習可以得到輸入與輸出之間的高度非線性映射[14],具有很強的非線性模擬、自組織及自學習能力,且對數據量要求不高,非常適合小樣本、非線性的物流需求預測。

3.2 構建GA-ACO-BP神經網絡預測模型

本文構建了GA-ACO-BP神經網絡模型,對日用消費品物流需求進行預測。其過程為:將BP神經網絡的權值和閾值作為蟻群算法中螞蟻種群的路徑坐標,計算蟻群算法中每只螞蟻的適應度值,對比適應度值的大小,將不滿足條件的螞蟻代入遺傳算法進行選擇、交叉和變異,將滿足條件的螞蟻代入蟻群算法的尋優(yōu)流程,計算最優(yōu)個體的狀態(tài)轉移概率和信息素濃度,再次對比適應度值大小,不滿足條件的螞蟻繼續(xù)循環(huán)迭代,將滿足條件的螞蟻坐標作為BP神經網絡的最優(yōu)權值和閾值,代入BP神經網絡進行訓練直至得出最優(yōu)結果。具體流程如圖2所示。

圖2 GA-ACO-BP預測模型流程圖Fig.2 Flowchart of GA-ACO-BP prediction model

基本步驟如下:

步驟1參數初始化。根據數據集的輸入和輸出確定BP神經網絡,根據輸入層的節(jié)點數(m)和輸出層的節(jié)點數(n),并根據經驗公式,計算隱含層的節(jié)點數(l),如式(3)所示。將產生初始的權值(wij,第i個神經元到第j個神經元的權值)和閾值(bij,第i個神經元到第j個神經元的閾值)組成的所有元素記為集合Iwi;設定誤差函數Ei,如式(4)所示。

(3)

(4)

式中:a為整數,通常取值[1,10];Oij為實際值;Dij為預測值。當誤差小于設定值時,參數達到最優(yōu),停止迭代,輸出最優(yōu)結果。

步驟2構造解空間,計算信息素濃度:

(5)

式中:τij為第i個神經元和第j個神經元之間的信息素濃度,信息素濃度越高,被選中的概率越高;Q為初始信息素濃度;Δwij為第i個神經元到第j個神經元的權值的變換量;Δbij為第i個神經元到第j個神經元的閾值的變換量。

步驟3選定適應度函數并計算適應度值。對不滿足條件的蟻群執(zhí)行遺傳算法的選擇、交叉、變異。對滿足條件的蟻群執(zhí)行步驟6。針對本文的應用場景,適應度函數為訓練樣本的實際輸出與期望輸出之間的誤差平方和,采用輪盤賭規(guī)則執(zhí)行遺傳算法的選擇操作,選擇算子計算方式如下:

(6)

式中:Pi為遺傳種群中個體配對選擇的概率;fi為適應度函數;N為種群中個體的總數。

步驟4交叉操作。將父代個體的基因進行權重隨機平均,得到子代的基因,具體過程如式(7)所示:

Z(i)=Pc×F1(i)+(1-Pc)×F2(i)

(7)

式中:Z(i)為通過交叉計算父代個體的基因而產生的新的子代基因;Pc為交叉概率,取值在[0,1]之間;F1(i)為父代F1的第i個基因;F2(i)為父代F2的第i個基因。

步驟5變異操作。高斯變異可以增加種群多樣性、提高搜索效率和避免陷入局部最優(yōu)解,采用高斯變異算子進行變異操作:

(8)

式中:σ為高斯分布的標準差;randn()為隨機高斯分布函數,均值為0,標準差為1。

步驟6計算螞蟻的轉移狀態(tài)概率。

(9)

步驟7更新信息素濃度。

(10)

步驟8將尋優(yōu)結果代入BP神經網絡訓練,計算訓練誤差,當誤差達到目標要求時,輸出結果,否則繼續(xù)進行步驟2～7。

3.3 實證分析

為了消除樣本數據間的量綱影響,按式(11)對全部樣本數據進行歸一化處理:

(11)

式中:x*為歸一化后的數據;x為歸一化前的數據;xmin為數據的最小值;xmax為數據的最大值。

將表3中的X′1～X′8作為模型的輸入,表3中的Y作為輸出,得出GA-ACO-BP神經網絡預測模型的輸入層節(jié)點為8,輸出層節(jié)點為1。根據式(3)計算該模型的隱含層節(jié)點范圍為[4,13],通過代入隱含層節(jié)點數進行網絡訓練計算訓練集的均方誤差,可以看出當隱含層節(jié)點數為8時,訓練集的均方誤差最小,如圖3所示,故確定該網絡的拓撲結構為8-8-1。

圖3 隱含層節(jié)點數網絡訓練結果Fig.3 Network training results for the number of hidden layer nodes

為了進一步驗證GA-ACO對BP神經網絡的優(yōu)化效果,選取表3中2010—2019年的數據作為樣本數據,按照7∶3的比例劃分前7年的數據為訓練集,后3年的數據為測試集,并對其進行歸一化處理后,代入GA-ACO-BP預測模型。經過不斷優(yōu)化后模型參數設置如表4所示。并與BP神經網絡預測模型和GA-BP預測模型的預測結果進行對比。選用平均絕對誤差(mean absolute error,MAE)、均方根誤差(root mean square error,RMSE)以及平均絕對百分比誤差(mean absolute percentage error,MAPE)這3種評價指標對3種模型進行性能評估,3種指標的值越小說明模型的精度越高。

表4 GA-ACO-BP預測模型參數設置Table 4 GA-ACO-BP prediction model parameter settings

模型訓練后的測試結果如表5所示。GA-ACO-BP預測模型的3種誤差明顯更小,預測精度比GA-BP和BP神經網絡預測模型更高,表明GA-ACO對BP神經網絡模型有較好的優(yōu)化效果,提高了預測精度。

表5 各模型預測精度Table 5 Prediction accuracy of each model

3.4 預測結果

利用構建好的GA-ACO-BP預測模型對2020—2022年的日用消費品物流需求進行預測?？紤]在實際預測中數據量級較大,對比實際值與預測值之間的差異不夠直觀,而相對誤差能夠很直觀地幫助比較預測值的精度,本文選擇計算并比較3種模型預測結果與實際值之間的相對誤差,并通過計算預測結果的平均相對誤差以對比3種模型的綜合預測效果。輸入數據見表3中2020—2022年的數據,模型預測結果如表6所示。由表6可知,3種預測模型的平均相對誤差分別為19.17%、11.16%、2.03%,GA-ACO-BP預測模型的預測誤差明顯更小。該模型在日用消費品物流需求預測中能夠達到更好的預測效果,且與真實值保持著較高的擬合度,對于日用消費品物流需求的預測研究具有一定可參考價值。

表6 不同模型測試結果對比Table 6 Comparison of test results for different models

4 結束語

本文從日用消費品的需求端考慮物流需求,以全國網上實物零售總額作為日用消費品物流需求量,分析了供需兩端的影響因素,采用灰色關聯度分析對影響因素進行篩選,并通過GA-ACO優(yōu)化BP神經網絡模型,對日用消費品物流需求進行預測,并對比了傳統(tǒng)BP神經網絡模型和GA-BP預測模型的預測效果及精度,實證得出GA-ACO-BP預測模型對日用消費品物流需求預測的有效性,為日用消費品物流需求預測提供了一種較為精確的預測方法,也為其他領域的需求預測研究提供參考。