摘" 要：現(xiàn)代物流產(chǎn)業(yè)作為我國(guó)經(jīng)濟(jì)發(fā)展的支柱產(chǎn)業(yè)之一，物流產(chǎn)業(yè)發(fā)展可以提高勞動(dòng)的生產(chǎn)效率降低資源消耗，是經(jīng)濟(jì)高速發(fā)展的基礎(chǔ)。為了科學(xué)合理制定物流產(chǎn)業(yè)發(fā)展規(guī)劃，需要準(zhǔn)確預(yù)測(cè)市場(chǎng)對(duì)物流的需求量，根據(jù)物流需求情況來(lái)制定物流發(fā)展目標(biāo)，才能更好滿(mǎn)足經(jīng)濟(jì)發(fā)展的需求。文章對(duì)江蘇省1990—2021年經(jīng)濟(jì)發(fā)展數(shù)據(jù)進(jìn)行研究分析，借助于機(jī)器學(xué)習(xí)方法，構(gòu)建了經(jīng)濟(jì)指標(biāo)與物流需求之間關(guān)系的支持向量回歸（SVR）黑箱模型。針對(duì)SVR核函數(shù)參數(shù)難以確定的問(wèn)題，采用遺傳算法對(duì)其尋優(yōu)，并與DE-SVR、GS-SVR和LS等方法對(duì)比貨運(yùn)量回測(cè)結(jié)果，基于遺傳算法優(yōu)化的SVR黑箱模型（GA-SVR）具有精度高、訓(xùn)練速度快的優(yōu)點(diǎn)，更適用于當(dāng)前物流需求數(shù)據(jù)集。通過(guò)GA-SVR建立了貨運(yùn)量時(shí)間序列的預(yù)測(cè)模型，對(duì)2019—2021年貨運(yùn)量進(jìn)行預(yù)測(cè)，預(yù)測(cè)結(jié)果與真實(shí)值之間最大誤差僅為3.45%，證明了所訓(xùn)練時(shí)間序列模型的有效性和泛化性能，并采用預(yù)測(cè)模型預(yù)測(cè)了江蘇省未來(lái)三年貨運(yùn)量。

關(guān)鍵詞：物流需求；數(shù)學(xué)模型；指標(biāo)體系；預(yù)測(cè)對(duì)比

" 中圖分類(lèi)號(hào)：F259.27" " 文獻(xiàn)標(biāo)志碼：A" " DOI：10.13714/j.cnki.1002-3100.2025.05.026

Abstract： The modern logistics industry is one of the pillar industries in China's economic development. The development of the logistics industry can improve labor productivity and reduce resource consumption， serving as the foundation for the rapid economic development. To formulate a scientific and reasonable logistics industry development plan， it is necessary to accurately predict the market demand for logistics and set logistics development goals based on the logistics demand situation， so as to better meet the requirements of economic development. By conducting research and analysis on the economic development data of Jiangsu Province from 1990 to 2021 and with the aid of machine learning methods， a support vector regression（SVR）black-box model of the relationship between economic indicators and logistics demand was constructed. In view of the difficulty in determining the parameters of the SVR kernel function， the genetic algorithm was adopted to optimize them. And by comparing the backtesting results of freight volume with methods such as DE-SVR， GS-SVR and LS， the SVR black-box model optimized by the genetic algorithm（GA-SVR）has the advantages of high precision and fast training speed， and is more suitable for the current logistics demand data set. Through GA-SVR， a prediction model for the time series of freight volume was established to predict the freight volume from 2019 to 2021. The maximum error between the predicted results and the actual values was only 3.45%， which proved the effectiveness and generalization performance of the trained time series model. Moreover， the prediction model was used to predict the freight volume of Jiangsu Province in the next three years.

Key words： logistics demand; mathematical model; index system; forecast comparison

0" 引" 言

物流行業(yè)作為國(guó)民經(jīng)濟(jì)發(fā)展的基礎(chǔ)行業(yè)，近年來(lái)物流行業(yè)的快速發(fā)展，對(duì)經(jīng)濟(jì)促進(jìn)、物資供應(yīng)和產(chǎn)業(yè)調(diào)整等方面起到了積極的促進(jìn)作用。物流發(fā)展預(yù)測(cè)對(duì)物流行業(yè)有著重要意義，因此國(guó)內(nèi)外學(xué)者對(duì)影響物流的因素從不同的角度進(jìn)行了系列研究，并采用機(jī)器學(xué)習(xí)方法預(yù)測(cè)未來(lái)物流發(fā)展趨勢(shì)。賈海成等[1]運(yùn)用多元回歸分析和灰色預(yù)測(cè)法對(duì)1995—2009年江蘇物流需求量進(jìn)行預(yù)測(cè)，同時(shí)結(jié)合Shapley值法進(jìn)行組合預(yù)測(cè)了2010—2015年期間物流需求的變化情況，預(yù)測(cè)出具體增長(zhǎng)值。曹志強(qiáng)等[2]采用支持向量回歸機(jī)結(jié)合遺傳算法（GA），優(yōu)化了系列預(yù)測(cè)參數(shù)，對(duì)1990—2015年廣西貨運(yùn)量進(jìn)行了評(píng)價(jià)預(yù)測(cè)，通過(guò)對(duì)比驗(yàn)證了構(gòu)建模型的準(zhǔn)確性。曾煜等[3]考慮了各類(lèi)影響因素下的物流影響，運(yùn)用RBF神經(jīng)網(wǎng)絡(luò)進(jìn)行系統(tǒng)預(yù)測(cè)，并驗(yàn)證了所構(gòu)建預(yù)測(cè)模型的精確度，通過(guò)對(duì)比發(fā)現(xiàn)平均絕對(duì)誤差僅為2.41%。趙文德等[4]考慮諸多影響指標(biāo)后，建立了ARIMA模型和BP神經(jīng)網(wǎng)絡(luò)模型對(duì)廣東省物流需求進(jìn)行了預(yù)測(cè)和對(duì)比分析。吳玉國(guó)等[5]以南京市2010—2019年公路貨運(yùn)周轉(zhuǎn)量為研究對(duì)象，通過(guò)構(gòu)建灰色馬爾科夫組合預(yù)測(cè)模型對(duì)物流需求進(jìn)行了系統(tǒng)的預(yù)測(cè)分析。尹宗明等[6]以滄州市2012—2018年的物流數(shù)據(jù)為基礎(chǔ)構(gòu)建了灰色GM1，N模型，通過(guò)對(duì)比分析驗(yàn)證了預(yù)測(cè)模型的精確度。左雷等[7]在考慮經(jīng)濟(jì)因素和非經(jīng)濟(jì)因素的基礎(chǔ)上，以湖北省孝感市的物流需求為研究對(duì)象，建立了DGM1，1模型進(jìn)行了系統(tǒng)預(yù)測(cè)。諸多研究表明區(qū)域物流需求預(yù)測(cè)是指根據(jù)過(guò)去和現(xiàn)在的物流需求狀況，考慮影響物流需求變化因素之間的關(guān)系，運(yùn)用科學(xué)的方法、手段，對(duì)物流需求未來(lái)的發(fā)展變化趨勢(shì)做出科學(xué)的估計(jì)和描述。

" 當(dāng)前，我國(guó)物流需求在社會(huì)發(fā)展的促進(jìn)下穩(wěn)步提升，根據(jù)相關(guān)研究顯示2015—2022年中國(guó)快遞、物流服務(wù)行業(yè)業(yè)務(wù)量保持穩(wěn)定上升的趨勢(shì)。2021年由于疫情的反復(fù)，中國(guó)快遞服務(wù)企業(yè)業(yè)務(wù)量以29.9%的增速增長(zhǎng)至1 083.1億件。截至2022年6月30日，全國(guó)快遞業(yè)務(wù)量已突破512.2億件，同比增長(zhǎng)率為3.7%。中國(guó)快遞業(yè)務(wù)累計(jì)收入達(dá)到4 982.2億元，同比增長(zhǎng)2.9%[8]。研究區(qū)域經(jīng)濟(jì)和區(qū)域物流的預(yù)測(cè)，選取合適的研究對(duì)象十分重要，江蘇省作為全國(guó)的經(jīng)濟(jì)大省、長(zhǎng)三角經(jīng)濟(jì)圈的重要組成部分，是國(guó)家“一帶一路”、長(zhǎng)江經(jīng)濟(jì)帶、國(guó)家自貿(mào)區(qū)等重大戰(zhàn)略的交匯地，地區(qū)區(qū)域經(jīng)濟(jì)也與物流發(fā)展水平高度相關(guān)，基于此，本文結(jié)合江蘇省物流發(fā)展現(xiàn)狀，基于江蘇省1990—2021年數(shù)據(jù)為研究基礎(chǔ)上，采用了GA-SVR構(gòu)建回歸模型，對(duì)貨運(yùn)量與經(jīng)濟(jì)發(fā)展指標(biāo)建立映射關(guān)系，并進(jìn)行對(duì)比驗(yàn)證。同時(shí)，預(yù)測(cè)疫情后時(shí)代的未來(lái)三年江蘇省物流數(shù)據(jù)，預(yù)測(cè)數(shù)據(jù)可以為政府部門(mén)、行業(yè)和企業(yè)等提供相應(yīng)決策依據(jù)。

1" 支持向量回歸及其參數(shù)尋優(yōu)

1.1" 支持向量回歸原理

1.2" 遺傳算法與參數(shù)尋優(yōu)

遺傳算法（Genetic Algorithm，GA）是一種典型的仿生學(xué)智能優(yōu)化算法。自20世紀(jì)60年代被提出之后，GA一直受到國(guó)內(nèi)外學(xué)者的廣泛關(guān)注，并逐漸發(fā)展成為兼顧解決單目標(biāo)和多目標(biāo)優(yōu)化問(wèn)題的“進(jìn)化算法”。在使用SVR等一系列機(jī)器學(xué)習(xí)算法訓(xùn)練黑箱模型時(shí)，若使用傳統(tǒng)的網(wǎng)格搜索法（Grid Search，GS）對(duì)模型參數(shù)或訓(xùn)練超參數(shù)尋優(yōu)，其網(wǎng)格劃分間隔會(huì)影響優(yōu)化精度，過(guò)細(xì)的網(wǎng)格也會(huì)大大耗費(fèi)計(jì)算時(shí)間。將GA引入到SVR參數(shù)尋優(yōu)中，可以在保證模型精度的前提下加快訓(xùn)練速度。

" 遺傳算法的優(yōu)化流程分為編碼、適應(yīng)度計(jì)算、選擇、交叉等步驟。SVR需要尋優(yōu)的參數(shù)為核函數(shù)尺度參數(shù)γ和容錯(cuò)誤差ε，則基于遺傳算法的SVR參數(shù)優(yōu)化過(guò)程如圖1所示。對(duì)于該迭代過(guò)程，使用K折交叉驗(yàn)證對(duì)當(dāng)前SVR模型進(jìn)行評(píng)估，將交叉驗(yàn)證誤差最小的模型所對(duì)應(yīng)的核函數(shù)參數(shù)選擇成為優(yōu)勢(shì)個(gè)體。

2" 模型構(gòu)建與預(yù)測(cè)

" 將1990—2021年江蘇省區(qū)域經(jīng)濟(jì)發(fā)展指標(biāo)的32組數(shù)據(jù)劃分訓(xùn)練集和測(cè)試集。從2021年開(kāi)始，倒序采用等間距抽樣，選取測(cè)試集數(shù)目占總數(shù)據(jù)集的20%，即1996、2001、2006、2011、2016、2021這六年的樣本，用剩下80%樣本進(jìn)行訓(xùn)練；基于遺傳算法對(duì)γ，ε參數(shù)組合尋優(yōu)，編碼形式為二進(jìn)制，種群數(shù)目為50，令γ

∈0.001，50，ε∈0.001，0.5，以10折交叉驗(yàn)證誤差最小作為適應(yīng)目標(biāo)，對(duì)所構(gòu)建SVR黑箱模型的精度進(jìn)行評(píng)估。選擇差分進(jìn)化算法（Differential Evolution，DE）和網(wǎng)格搜索法（Grid Search，GS）兩種優(yōu)化算法作為對(duì)比分析方法，其中差分進(jìn)化算法（DE）與遺傳算法（GA）尺度參數(shù)γ和容錯(cuò)誤差ε設(shè)置完全相同，網(wǎng)格搜索法（GS）由于效率較低而選取0.02為間隔進(jìn)行優(yōu)化，三種方法的尋優(yōu)結(jié)果及計(jì)算時(shí)間具體如表1所示。

由表1可知，GA算法對(duì)SVR參數(shù)尋優(yōu)性能較好，GA算法和DE算法的交叉驗(yàn)證誤差相近，都比GS算法精度高，GA算法比其他兩種算法的計(jì)算速度快。DE算法所得模型精度最高，但優(yōu)化耗時(shí)大，模型精度相對(duì)GA算法的提升極小?？偟膩?lái)講，GA算法兼容了計(jì)算精度和計(jì)算效率兩個(gè)方面優(yōu)點(diǎn)，在后續(xù)尋優(yōu)計(jì)算過(guò)程中，采用遺傳算法（GA）作為最優(yōu)參數(shù)選擇算法。

取GA得到最優(yōu)參數(shù)組合到訓(xùn)練模型SVR黑箱模型之中，其中參數(shù)松弛變量的懲罰項(xiàng)系數(shù)C對(duì)支持向量回歸結(jié)果幾無(wú)影響，取C=106表示回歸過(guò)程僅容許較小誤差。用GS-SVR和最小二乘法（Least Square Method，LS）所構(gòu)建的回歸模型作對(duì)比，如圖2所示；測(cè)試集中每個(gè)樣本的具體誤差對(duì)比如表2所示。可以看出，GA-SVR模型對(duì)測(cè)試集樣本的預(yù)測(cè)值更接近真實(shí)值，預(yù)測(cè)誤差更小。使用該模型對(duì)所有樣本進(jìn)行預(yù)測(cè)，預(yù)測(cè)結(jié)果見(jiàn)圖3。圖3中SVR預(yù)測(cè)貨運(yùn)量走勢(shì)與真實(shí)值較為接近，證明了所構(gòu)建地區(qū)經(jīng)濟(jì)指標(biāo)與貨運(yùn)量黑箱模型的有效性。

" 本文的主要目的不僅是為了建立江蘇省區(qū)域貨運(yùn)量與經(jīng)濟(jì)發(fā)展指標(biāo)的映射關(guān)系，還應(yīng)包括對(duì)未來(lái)貨運(yùn)量的預(yù)測(cè)。將各年貨運(yùn)量當(dāng)作一維時(shí)間序列，可以構(gòu)建貨運(yùn)量與時(shí)間的回歸關(guān)系，從而達(dá)到預(yù)測(cè)未來(lái)的作用。使用RBF核函數(shù)，用1990—2017年的貨運(yùn)量作為樣本輸入，1991—2018年的貨運(yùn)量作為樣本輸出，訓(xùn)練GA-SVR模型；以2018—2020年貨運(yùn)量作為測(cè)試輸入，則作為測(cè)試輸出可以得到2019—2021年貨運(yùn)量預(yù)測(cè)值（見(jiàn)圖4），表3是這3年貨運(yùn)量預(yù)測(cè)值與真實(shí)值的誤差。然后對(duì)構(gòu)建的模型輸入2021年的貨運(yùn)量，可得2022年貨運(yùn)量的預(yù)測(cè)值，將該預(yù)測(cè)值繼續(xù)輸入并依次迭代，可分別對(duì)2023年、2024年貨運(yùn)量進(jìn)行預(yù)測(cè)，模型預(yù)測(cè)結(jié)果如表4所示。

由圖4和表3可知，基于GA優(yōu)化的SVR黑箱模型對(duì)于江蘇省區(qū)域貨運(yùn)量時(shí)間序列具有良好的學(xué)習(xí)精度和泛化性。其中，使用1990—2018年數(shù)據(jù)對(duì)2019—2021年貨運(yùn)量預(yù)測(cè)時(shí)，最大預(yù)測(cè)誤差僅為3.45%?；贕A優(yōu)化的SVR黑箱模型對(duì)于未來(lái)三年江蘇省區(qū)域貨運(yùn)量具體見(jiàn)表4，為政府、企業(yè)等單位做決策提供了科學(xué)參考依據(jù)。

3" 結(jié)" 論

本文以江蘇省區(qū)域經(jīng)濟(jì)發(fā)展指標(biāo)數(shù)據(jù)為研究基礎(chǔ)，分析了1990—2021年的數(shù)據(jù)，結(jié)合諸多指標(biāo)：地區(qū)生產(chǎn)總值、居民消費(fèi)水平、第一產(chǎn)業(yè)產(chǎn)值、第二產(chǎn)業(yè)產(chǎn)值和第三產(chǎn)業(yè)產(chǎn)值等，建立了反映經(jīng)濟(jì)指標(biāo)與物流需求之間關(guān)系的SVR黑箱模型。其中，針對(duì)SVR核函數(shù)參數(shù)難以確定的問(wèn)題，采用遺傳算法（GA）對(duì)其尋優(yōu)。與DE-SVR、GS-SVR和LS等方法對(duì)比貨運(yùn)量回測(cè)結(jié)果，基于遺傳算法優(yōu)化的SVR黑箱模型（GA-SVR）具有模型精度高，訓(xùn)練速度快的優(yōu)點(diǎn)，更適用于當(dāng)前物流需求的數(shù)據(jù)集。

" 將1990—2018年間貨運(yùn)量數(shù)據(jù)視為一維時(shí)間序列，使用GA-SVR建立了貨運(yùn)量時(shí)間序列的預(yù)測(cè)模型，并回測(cè)了模型對(duì)2019—2021年的預(yù)測(cè)結(jié)果，最大預(yù)測(cè)誤差僅為3.45%，證明了所訓(xùn)練時(shí)間序列模型的有效性和泛化性能，并給出了對(duì)未來(lái)三年（2022—2024年）江蘇省年貨運(yùn)量的預(yù)測(cè)結(jié)果。

參考文獻(xiàn)：

[1] 賈海成，秦菲菲. 區(qū)域物流需求預(yù)測(cè)研究——以江蘇省為例[J]. 中國(guó)物流與采購(gòu)，2012（3）：68-69.

[2] 曹志強(qiáng)，楊箏，劉放. 基于遺傳算法優(yōu)化支持向量回歸機(jī)的區(qū)域物流需求預(yù)測(cè)[J]. 系統(tǒng)科學(xué)學(xué)報(bào)，2018，26（4）：79-82，90.

[3] 曾煜，朱志浩. 基于RBF神經(jīng)網(wǎng)絡(luò)的區(qū)域物流需求預(yù)測(cè)[J]. 綜合運(yùn)輸，2020，42（6）：90-93.

[4] 趙文德，黃麗娟，胡子瑜. 基于BP神經(jīng)網(wǎng)絡(luò)組合模型的廣東省區(qū)域物流需求能力預(yù)測(cè)[J]. 物流技術(shù)，2020，39（12）：49-56，66.

[5] 吳玉國(guó)，李曉迪. 基于灰色-馬爾科夫鏈的區(qū)域物流需求預(yù)測(cè)[J]. 南陽(yáng)理工學(xué)院學(xué)報(bào)，2020，12（6）：1-5.

[6] 尹宗明，杜學(xué)敏. 基于灰色GM1，N模型的區(qū)域物流需求預(yù)測(cè)研究[J]. 物流科技，2021，44（3）：104-105，117.

[7] 左雷，徐柏安. 區(qū)域物流需求影響因素實(shí)證分析及總量預(yù)測(cè)——以湖北省孝感市為例[J]. 物流技術(shù)，2020，39（12）：39-44.

[8] 艾媒咨詢(xún). 2022—2023年中國(guó)快遞物流行業(yè)發(fā)展現(xiàn)狀及典型案例研究報(bào)告[R]. 廣東：艾媒研究院，2022.

[9] 周志華. 機(jī)器學(xué)習(xí)[M]. 北京：清華大學(xué)出版社，2018.