基于GRNN神經網絡的社會物流成本預測研究

馮社苗

(長安大學經濟與管理學院 西安 710064)

0 引 言

物流活動由商品的運輸、倉儲、包裝、搬運裝卸、流通加工以及相關的物流信息等環(huán)節(jié)構成.物流成本是物流活動中所消耗的物化勞動和活勞動的貨幣表現(xiàn),按照核算范圍的不同可分為企業(yè)物流成本和社會物流成本.對社會物流成本可以按照不同的標準來分析其構成,常見的方法是將其分解為運輸成本、庫存成本和物流管理成本.運輸成本指花費在貨物位移方面及其附帶的裝卸搬運的費用;庫存成本是指花費在保存貨物的費用,除了包括倉儲、殘損、人力費用及保險外,還包括庫存占用資金的利息;物流管理成本是指在物流活動中用于協(xié)調物流活動而發(fā)生的各種非生產費用支出.正確地和精確地預測社會物流成本,對于了解一個國家或地區(qū)物流經濟運行效率、物流活動的規(guī)模、結構和發(fā)展水平具有非常重要的意義;同時,科學評價社會物流成本狀況和正確預測社會物流成本發(fā)展趨勢是政府部門制定物流發(fā)展規(guī)劃和物流發(fā)展政策、加強宏觀經濟調控的依據(jù).目前對社會物流成本預測的文獻不多,筆者在中國期刊網以“成本預測”為檢索詞,檢索2003～2009年的文獻,發(fā)現(xiàn)有173篇文章與成本預測有關,而其中僅有3篇文獻是預測物流成本的.造成這種狀況的原因,一是目前我國統(tǒng)一的物流統(tǒng)計體系不健全,因此宏觀的社會物流成本只能采取估算的方法;二是社會物流成本的核算范圍很難把握,很多學者期望根據(jù)物流冰山理論,把隱藏在水面之下的隱形物流費用全部核算出來,但由于物流成本理論與現(xiàn)行會計制度的錯位,很難搜集到所需的數(shù)據(jù);三是作為宏觀物流成本,社會物流成本受大量隨機和不確定因素的制約,很難做出較為精確的預測.

1 社會物流成本的預測方法

從理論上講,社會物流成本的傳統(tǒng)預測方法有3種:一是判斷分析法,即主要依靠專家和管理人員的過去經驗和綜合分析來預測未來社會物流成本,該方法屬于定性分析法,主觀性較強,一般作為輔助預測方法;二是趨勢外推法,該方法不考慮物流成本的影響因素,而是利用過去的資料所形成的趨勢來預測未來的社會物流成本,因此該方法對短期預測較為合適;三是因果分析法,即依據(jù)所掌握的歷史資料,找出所要預測的變量和其相關變量之間的因果關系,從而預測未來狀態(tài)的方法,該方法容易建立預測模型,但是在應用線性回歸預測方法進行預測建模的時候需要大樣本量且要求物流成本樣本具有典型的分布規(guī)律,對于非典型概率分布,非平穩(wěn)過程的問題則無法取得滿意的預測效果.近年來有學者應用灰色理論預測物流成本[1],但效果并不理想;也有學者應用人工BP神經網絡預測物流成本[2-3].人工神經網絡作為一種并行的計算模型,具有傳統(tǒng)建模方法所不具備的很多優(yōu)點,有很好的非線性影射、自組織、自學習等能力.本文引入廣義回歸神經網絡(GRNN)對我國社會物流成本做出預測.

2 GRNN神經網絡模型的原理

人工神經網絡是一種并行的計算模型,具有通過學習逼近任意非線性映射能力,一般不必事先知道有關建模對象的結構、參數(shù)以及動態(tài)特性,只需給出對象的輸入和輸出數(shù)據(jù),通過網絡本身的學習功能就可以得到輸入與輸出的映射關系.廣義回歸神經網絡(generalized regression neural network,GRNN)是RBF神經網絡模型[4-5]的變形之一,有關理論研究表明,GRNN在逼近能力、分類能力和學習速度上較BP神經網絡和RBF神經網絡有著較強的優(yōu)勢,網絡最后收斂于樣本量集聚較多的優(yōu)化回歸面,并且在樣本數(shù)據(jù)缺乏時,預測效果也比較好.此外,該網絡還可以處理不穩(wěn)定的數(shù)據(jù)[6].

GRNN是一種基于非線性回歸理論的前饋式神經網絡模型.它通過激活神經元來逼近函數(shù),如圖1所示.GRNN由一個徑向基網絡層和一個線性網絡層組成.ai1為第一層輸出ai的第i個元素,Wi1為第一層權值矩陣W1的第i行元素.P為輸入向量;R為網絡輸入的維數(shù);S為每層網絡中的神經元個數(shù),同時還表示訓練樣本的個數(shù);bi為隱含層閥值.符號?為‖dist‖的輸出與閥值bi的元素與元素之間的乘積關系.隱含層的傳遞函數(shù)為徑向基函數(shù),一般用高斯函數(shù) Ri=作為網絡的傳遞函數(shù),式中:σi為光滑因子.網絡的第 2層為線性輸出層,其權函數(shù)為規(guī)范化點積函數(shù)(用npord表示),傳遞函數(shù)a2=purelin(n2),計算網絡輸出.

GRNN連接權值的學習修正仍然使用BP算法,由于網絡隱含層節(jié)點中的作用函數(shù)(基函數(shù))采用高斯函數(shù),高斯函數(shù)為一種局部分布對中心徑向對稱衰減的非負非線性函數(shù),對輸入信號將在局部產生響應,即當輸入信號靠近基函數(shù)的中央范圍時,隱含層節(jié)點將產生較大的輸出,由此看出這種網絡具有局部逼近能力,這也是該網絡學習速度更快的原因.此外,GRNN人為調節(jié)的參數(shù)少,只有一個閥值,網絡的學習全部依賴數(shù)據(jù)樣本.這個特點決定了網絡得以最大限度地避免人為主觀設置參數(shù)對預測結果的影響.

圖1 GRNN網絡結構

3 影響社會物流成本的因素分析

社會物流系統(tǒng)的復雜性造成影響社會物流成本的因素是多方面的,而且這些因素之間的相互作用關系是復雜的.根據(jù)經濟學有關理論,社會物流成本的影響因素可以歸納如下.

1)經濟總量 經濟總量是影響一個區(qū)域社會物流活動的基礎性因素,該指標越大,說明該區(qū)域的經濟越活躍,物流需求量大,則相應地對社會物流成本影響也越大.

2)產業(yè)結構 根據(jù)經典的產業(yè)結構劃分理論,一個經濟體最初的增長在于第一產業(yè)的興旺,然后經歷第二產業(yè)即工業(yè)為主導產業(yè)的階段,最終演化為第三產業(yè)為主導產業(yè)的階段.伴隨產業(yè)結構演化的是生產要素結構和產品價值結構的變化:主導的生產要素依次經歷勞動密集型→資本密集型→技術知識密集型,產品價值結構從低附加值→高附加值轉變.這是因為第一、二產業(yè)所運作的對象主要是農副產品、工業(yè)制成品、原材料等物資,第三產業(yè)的發(fā)展以金融、通訊、服務業(yè)和高科技為主,第一、二產業(yè)的產品決定了其運輸和倉儲的成本占運作對象價格的比重要高于第三產業(yè)的產品,因此一個國家或地區(qū)第一、二產業(yè)占主導地位時,該地區(qū)單位GDP產生的貨運量、倉儲量較大,相應的社會物流成本也高;第三產業(yè)占主導地位時,單位GDP產生的貨運量和倉儲量則會明顯降低,相應的社會物流成本也低,因此區(qū)域產業(yè)結構是影響區(qū)域社會物流成本的重要因素.

3)物流運作效率 物流運作效率反映一個區(qū)域的物流管理和技術水平,物流運作效率越高,則在相同的經濟總量和產業(yè)結構水平下,單位物流設施和能力所服務的經濟總量也越高,對應的社會物流成本也越低.

4)產業(yè)集群程度 產業(yè)集群是指產業(yè)鏈上的相關企業(yè)在某一特定區(qū)域通過集聚成群而不斷提升企業(yè)及產業(yè)整體競爭力的現(xiàn)象及其過程.產業(yè)集群作為經濟要素在空間結構上形成的一種組織形態(tài),從分工角度考察,可以認為產業(yè)集群是專業(yè)化分工的產物,是人們?yōu)榻档蛯I(yè)化分工產生的交易費用和獲取由分工產生的報酬遞增的一種空間表現(xiàn)形式.基于交易費用這個角度分析,至少可以看到四項產業(yè)集群對物流成本的影響:第一,地理上的集中意味著集群內企業(yè)之間的空間距離拉近,運輸成本降低,可以用更少的資源創(chuàng)造更多的空間價值;第二,地理上的集中意味著集群內的企業(yè)可以迅速得到上游企業(yè)供給的原材料或零配件,同時可以迅速把自己的產品傳遞給下游企業(yè),可以降低庫存成本;第三,產業(yè)集群利于信息共享,有利于物流信息的收集和傳遞,降低物流信息成本;第四,集群內企業(yè)可以發(fā)展共同配送、共同采購、共同運輸?shù)然顒?最終促使第三方物流的產生,降低整個區(qū)域的物流成本.

4 我國社會物流成本預測的GRNN模型

社會物流成本受多種因素影響,本文選擇和產業(yè)結構及經濟總量相關的第一產業(yè)GDP、第二產業(yè)GDP、第三產業(yè)GDP、農產品產量、貨物周轉量、社會商品零售額作為社會物流成本的影響因子;另外考慮到我國東部沿海地區(qū)產業(yè)集群有一定規(guī)模,且經濟外向度高,因此選擇與該區(qū)域對外經濟活動密切的沿海港口吞吐量和進出口額作為社會物流成本的影響因子;以社會運輸成本、社會倉儲成本、社會物流管理成本作社會物流成本的輸出因子,構建GRNN預測模型[7].以上指標中,農產品產量包括糧食作物產量、棉花產量、油料產量、糖料產量、茶葉產量、烤煙產量、水果產量、畜牧業(yè)肉產量和漁業(yè)產量,港口吞吐量指沿海主要港口貨物吞吐量.

按照上述網絡所確定的輸入/輸出參數(shù),以我國1998～2006年的歷史統(tǒng)計數(shù)據(jù)(見表1)作為網絡的全部學習樣本.選取1998～2004年的7個樣本進行擬合訓練,取2005和2006年的2個樣本進行外推預測檢驗.

表1中各變量的含義如下:X 1為第一產業(yè)GDP(單位:億元);X2為第二產業(yè)GDP(單位:億元);X 3為第三產業(yè)GDP(單位:億元);X 4為農產品產量(單位:萬t);X 5為貨物周轉量(單位:億t?km);X6為社會商品零售額(單位:億元);X 7為港口吞吐量(單位:萬t);X 8為進出口額(單位:億美元);Y1為社會運輸成本(單位:億元);Y2為社會倉儲成本(單位:億元);Y 3為社會物流管理成本(單位:億元).

表1 1998～2006年的樣本數(shù)據(jù)

由于網絡性能受光滑因子的影響,因此需通過多次嘗試確定最佳光滑因子的值.將光滑因子分別設置為0.1,0.2,0.3,0.4和0.5,經過對輸出結果的檢查發(fā)現(xiàn),光滑因子越小,網絡對樣本的逼近性能就越強;光滑因子越大,網絡對樣本數(shù)據(jù)的逼近過程就越平滑.網絡對訓練樣本的逼近誤差如圖2所示,網絡的預測誤差如圖3所示.由圖2和圖3看出,當光滑因子為0.1時,逼近性能和預測性能的誤差都較小,而隨著光滑因子的增加,誤差也在不斷增加,因此,這里的光滑因子取0.1比較合適.此時網絡的測試輸出經反歸一化處理后所得數(shù)據(jù)與實際數(shù)據(jù)相比,預測誤差小于5%,效果較好.

圖2 網絡的逼近誤差

圖3 網絡的預測誤差

5 結束語

神經網絡憑借其在處理非線性問題上的獨特優(yōu)勢,能較好的反映各因素對社會物流成本的影響.根據(jù)以上擬合訓練和外推預測的結果分析,可以發(fā)現(xiàn)GRNN網絡的擬合值和預測值與實際值很接近,網絡具有較好的推廣能力,誤差符合預測精度的要求,證明GRNN神經網絡可以用于社會物流成本的預測及其預測的有效性.與BP神經網絡相比,由于需要調整的參數(shù)比較少,只有一個光滑因子,因此可以更快地找到合適的預測網絡,具有較大的優(yōu)勢.但是該方法的優(yōu)點是以大量的訓練樣本為代價的,在缺乏訓練數(shù)據(jù)的情況下,本方法將無從實施.同時,GRNN神經網絡無法提供預測的置信區(qū)間和顯著性檢驗,這是該方法與傳統(tǒng)方法比較的劣勢,須進行進一步研究.

[1]孫飛波.灰色預測理論在物流成本中的應用[J].現(xiàn)代軟科學,2006(2):70-71.

[2]陳 芳,金 甌,賀建飚.基于BP神經網絡在預測物流成本中的應用[J].微計算機信息,2008,24(5-3):175-176.

[3]張鳳榮,金俊武,李延忠.基于改進的灰色BP神經網絡的區(qū)域物流成本預測[J].公路交通科技,2005,22(6):155-158.

[4]Sprecht D F.The general regression neural network rediscovered[J].Neural Networks,1993,(6):1 033-1034.

[5]Liu Guodong,Ding Jing.Several problems of application of back propagation neural network to hydrologic forecast[J].Water Supply Research,1999(1):12-17.

[6]飛思科技產品研發(fā)中心,神經網絡理論與MA TLAB實現(xiàn)[M].北京:電子工業(yè)出版社,2005.

[7]趙 闖,劉 凱,李電生.基于廣義回歸神經網絡的貨運量預測[J].鐵道學報,2004,26(1):12-15.