物流成本預(yù)測(cè)方法研究

劉柏陽(yáng)(江西理工大學(xué)，江西 贛州 341000)

一、引言

近年來，雖然隨著我國(guó)潛在經(jīng)濟(jì)增長(zhǎng)率逐步的降低，物流運(yùn)行速度也隨之趨緩，但在國(guó)家一系列利好政策的促進(jìn)下，我國(guó)物流業(yè)也保持了平穩(wěn)的增長(zhǎng)。2013年我國(guó)物流成本為10.2萬億元，占GDP的比重為17.8%，自2007年以來，該比重僅從18.4%降至17.8%，不僅高于美、日、德等經(jīng)濟(jì)發(fā)達(dá)國(guó)家，也高于南美和亞太國(guó)家的平均值，與經(jīng)濟(jì)發(fā)展水平基本相當(dāng)?shù)慕鸫u國(guó)家相比也偏高，其中印度13.0%，巴西11.6%。物流成本提高會(huì)導(dǎo)致產(chǎn)品價(jià)格上漲，不僅削弱我國(guó)的競(jìng)爭(zhēng)力，而且日用消費(fèi)品價(jià)格上漲，也導(dǎo)致我國(guó)人民生活成本的提高。［1］物流成本預(yù)測(cè)，指的是有計(jì)劃地分析物流成本相關(guān)的歷史數(shù)據(jù)資料，運(yùn)用一定科學(xué)技術(shù)的預(yù)測(cè)方法，對(duì)未來某段時(shí)期國(guó)家、區(qū)域或企業(yè)的物流成本發(fā)展水平及其趨勢(shì)變化所做出的定量估計(jì)，定性描述和邏輯推斷，從而得出合理的假設(shè)和判斷。［2］因此，通過選擇更加合理的物流成本預(yù)測(cè)方法來對(duì)社會(huì)或企業(yè)的物流成本進(jìn)行準(zhǔn)確預(yù)測(cè)，有助于相關(guān)政府部門或企業(yè)的管理人員掌握其基本情況，為后期物流成本的控制及決策提供準(zhǔn)確科學(xué)的數(shù)據(jù)支撐和理論依據(jù)，從而對(duì)降低物流成本、提高物流運(yùn)行效率以及提高社會(huì)經(jīng)濟(jì)效益具有一定的現(xiàn)實(shí)意義。

二、物流成本的傳統(tǒng)預(yù)測(cè)方法

物流成本的傳統(tǒng)預(yù)測(cè)方法主要有兩大類:一類是定量法，以統(tǒng)計(jì)資料為基礎(chǔ)來分析計(jì)算的預(yù)測(cè)法，主要包括外推法和因果法，是利用相關(guān)歷史數(shù)據(jù)資料和找出所要預(yù)測(cè)的物流成本變量與其相關(guān)的變量之間的關(guān)系，從而預(yù)測(cè)物流成本未來趨勢(shì)的方法;另一類是定性法，以調(diào)查為基礎(chǔ)的經(jīng)驗(yàn)判斷法，一般指判斷分析法，是個(gè)人或集體根據(jù)已有經(jīng)驗(yàn)結(jié)合綜合分析、判斷能力等較為主觀的思維來預(yù)測(cè)物流成本未來趨勢(shì)的方法。但在實(shí)際預(yù)測(cè)物流成本過程中，最好將定量和定性兩種方法結(jié)合起來使用，這樣可以獲得更加客觀、準(zhǔn)確的預(yù)測(cè)結(jié)果。［3］

(一)時(shí)間序列預(yù)測(cè)法

定量分析法中的外推法，一般指時(shí)間序列預(yù)測(cè)法，即把時(shí)間序列作為隨機(jī)變量序列的一個(gè)樣本，使用應(yīng)用概率統(tǒng)計(jì)方法來減少其他偶然因素的影響，在統(tǒng)計(jì)意義上能對(duì)物流成本進(jìn)行較好的預(yù)測(cè)。其中，在物流成本預(yù)測(cè)中時(shí)間序列預(yù)測(cè)法一般使用的具體方法為:趨勢(shì)平均法和指數(shù)平滑法。

1.趨勢(shì)平均法

該方法建立在物流成本的歷史趨勢(shì)及其規(guī)律性保持原有狀態(tài)這種假定上。其計(jì)算公式為:

某一期的物流成本預(yù)測(cè)值=最后一期的移動(dòng)平均數(shù)+推后的期數(shù)最后一期的趨勢(shì)移動(dòng)平均數(shù)

在用趨勢(shì)平均法來計(jì)算多個(gè)時(shí)期的趨勢(shì)平均時(shí)，前后各時(shí)期使用同一個(gè)權(quán)數(shù)，從而所使用的數(shù)據(jù)對(duì)未來物流成本的預(yù)測(cè)值具有相同的影響。因此，該方法預(yù)測(cè)物流成本的結(jié)果與實(shí)際情況會(huì)有較大差異。為彌補(bǔ)該缺陷，則需使用以下方法進(jìn)行預(yù)測(cè)。

2.指數(shù)平滑法

式中:Fn—下期預(yù)測(cè)值;Fn-1—本期實(shí)際值;Dn-1—本期預(yù)測(cè)值;a—平滑系數(shù)(其取值范圍為0＜a＜1)，則計(jì)算公式為:

Fn=Fn-1+a(Dn-1-Fn-1)=aDn-1+(1-a)Fn-1

將上式類推下去，可得展開式為:

Fn=aDn-1+a(1-a)Dn-2+a(1-a)2Dn-3+…+a(1-a)t-1Dn-t+(1-a)tFn-t

該預(yù)測(cè)方法建立在移動(dòng)平均法之上并配合一定時(shí)間序列模型，用平滑系數(shù)對(duì)過去各期的實(shí)際數(shù)進(jìn)行了加權(quán)，且近期權(quán)數(shù)更大，遠(yuǎn)期權(quán)數(shù)更小，考慮到了歷史數(shù)據(jù)。雖然這種方法更符合客觀實(shí)際，但確定平滑系數(shù)時(shí)有較大的主觀因素。［4］

(二)回歸分析法

定量分析中的因果法，一般指的是回歸分析法，即在統(tǒng)計(jì)分析大量數(shù)據(jù)的基礎(chǔ)上來確定變量之間所存在的線性或非線性關(guān)系的預(yù)測(cè)方法。也就是通過因果關(guān)系建立函數(shù)表達(dá)式來表述變量之間的依存關(guān)系，即因變量與自變量的關(guān)系。因此，通過因變量和自變量之間所客觀存在的因果關(guān)系，可更加準(zhǔn)確的預(yù)測(cè)物流成本的變化趨勢(shì)。

1.一元線性回歸預(yù)測(cè)法

一元線性回歸預(yù)測(cè)法是研究具有線性關(guān)系的兩個(gè)變量之間的關(guān)系，在確定自變量x與因變量y之間是否線性相關(guān)之后判斷其相關(guān)程度，線性相關(guān)的判斷方法有:A.散布圖法。即將有關(guān)的數(shù)據(jù)繪制成散布圖，然后直接觀察其分布情況即確定兩個(gè)變量之間是否有線性關(guān)系。B.相關(guān)系數(shù)法。通過計(jì)算相關(guān)系數(shù)r確定兩個(gè)變量之間的關(guān)系。

其中，相關(guān)系數(shù)r的基本計(jì)算公式為:

判斷標(biāo)準(zhǔn)如下表所示:

相關(guān)系數(shù)的絕對(duì)值＞0.70.3～0.7＜0.30因變量與自變量的關(guān)系 強(qiáng)相關(guān) 顯著相關(guān) 弱相關(guān) 不相關(guān)

在確認(rèn)因變量與自變量之間存在線性關(guān)系之后，便可建立回歸直線方程:

y=a+bx

式中:y—因變量;x—自變量;a、b—回歸系數(shù)。

依據(jù)最小二乘法原理，可得:

然后，即可根據(jù)該方程進(jìn)行物流成本預(yù)測(cè)了。但在物流成本預(yù)測(cè)時(shí)，導(dǎo)致物流成本變化的影響因素往往不止一個(gè)，也就是可能存在一個(gè)因變量和多個(gè)自變量有依存關(guān)系的情況。且可能幾個(gè)影響因素的主次難以區(qū)分，或者有的因素雖然次要，但其作用也不能忽略。在實(shí)際預(yù)測(cè)時(shí)，采用一元線性回歸法則不可取，這時(shí)需要采用多元線性回歸法。［5］

2.多元線性回歸預(yù)測(cè)法

當(dāng)自變量有兩個(gè)及兩個(gè)以上時(shí)，則須采用多元線性回歸模型進(jìn)行物流成本預(yù)測(cè)。其中，二元線性回歸預(yù)測(cè)法如下:

式中:y—因變量;x—自變量;a、b、c—回歸系數(shù)。則標(biāo)準(zhǔn)方程為:

y=a+bx1+cx2

然后用總和∑的形式表達(dá)標(biāo)準(zhǔn)方程式中的每一項(xiàng)得:

∑y=na+b∑x1+c∑x2

用x1乘以上式，得:

∑x1y=a∑x1+b∑x21+c∑x1x2

用x2同乘以上式，得:

∑x2y=a∑x2+b∑x1x2+c∑x22

三、物流成本的新預(yù)測(cè)方法

(一)基于時(shí)間序列的多元線性回歸預(yù)測(cè)法

時(shí)間序列(Time series)指的是與時(shí)間先后次序有關(guān)的統(tǒng)計(jì)數(shù)列，其自變量為時(shí)間，因變量為與各時(shí)間對(duì)應(yīng)的變量等式。因?yàn)槲锪鞒杀緯?huì)隨著時(shí)間并產(chǎn)生時(shí)間序列，在物流成本預(yù)測(cè)過程中，須根據(jù)過去的數(shù)據(jù)來預(yù)測(cè)未來，這時(shí)就可利用時(shí)間序列技術(shù)。由于影響物流成本的不確定因素比較多，須對(duì)物流成本的影響因素的相關(guān)歷史數(shù)據(jù)信息剔除，通過歸結(jié)元數(shù)據(jù)來形成具有時(shí)序性的時(shí)間數(shù)據(jù)序列，使其將屬于同一時(shí)序間隔中的相關(guān)數(shù)據(jù)統(tǒng)一按照時(shí)序規(guī)律的數(shù)據(jù)結(jié)構(gòu)排列。并根據(jù)該數(shù)據(jù)結(jié)構(gòu)來選取作為物流成本預(yù)測(cè)模型中解釋變量的影響因素，量化自變量的系數(shù)，建立物流成本預(yù)測(cè)模型，根據(jù)回歸分析檢驗(yàn)自變量之間的多重共線性和自相關(guān)性，將數(shù)據(jù)的時(shí)序性和變量之間的因果關(guān)系結(jié)合起來預(yù)測(cè)物流成本。［6］在實(shí)際建立預(yù)測(cè)模型過程中，應(yīng)選取具有時(shí)間序列的自變量數(shù)據(jù)來預(yù)測(cè)物流成本數(shù)據(jù)。

建立預(yù)測(cè)模型的步驟:第一，建模前準(zhǔn)備。在對(duì)物流成本歷史數(shù)據(jù)適當(dāng)進(jìn)行整理和預(yù)處理后，確定物流成本的影響因素即模型中的自變量，并對(duì)各影響因素的數(shù)據(jù)資料進(jìn)行相關(guān)性分析，以保證該模型具有優(yōu)良的解釋能力和預(yù)測(cè)效果，其中，理論上應(yīng)滿足條件線性、獨(dú)立性、互斥性、完整性、正態(tài)性和方差齊性。第二，建立預(yù)測(cè)模型并計(jì)算。使用SPSS和SAS專業(yè)的統(tǒng)計(jì)軟件建立預(yù)測(cè)模型，然后將經(jīng)過分析整理后的各個(gè)自變量的時(shí)間序列數(shù)據(jù)輸入該模型，即可得到需要預(yù)測(cè)的物流成本數(shù)據(jù)。第三，檢驗(yàn)預(yù)測(cè)模型。在應(yīng)用數(shù)學(xué)模型預(yù)測(cè)物流成本后還需要檢驗(yàn)回歸方程的擬合度和顯著性，以此檢驗(yàn)研究模型是否有使用價(jià)值。其中包括擬合優(yōu)度檢驗(yàn)、多元回歸方程整體的顯著性檢驗(yàn)與偏回歸系數(shù)的假設(shè)檢驗(yàn)。

基于時(shí)間序列的多元線性回歸預(yù)測(cè)的不足:該預(yù)測(cè)法對(duì)于歷史數(shù)據(jù)的數(shù)量和準(zhǔn)確性要求比較高，而我國(guó)物流成本統(tǒng)計(jì)數(shù)據(jù)僅推算至1991年，且2009年我國(guó)才發(fā)布《社會(huì)物流統(tǒng)計(jì)指標(biāo)體系》。因此，缺少準(zhǔn)確的相關(guān)歷史統(tǒng)計(jì)數(shù)據(jù)，滿足不了其基本要求。同時(shí)，物流業(yè)屬于生產(chǎn)性服務(wù)型行業(yè)，建立模型需要穩(wěn)定的系統(tǒng)結(jié)構(gòu)，但物流系統(tǒng)大多非常復(fù)雜，且非線性的不確定影響因素較多，由于此模型主要適用于研究線性問題，構(gòu)建出精確而且穩(wěn)定的定量模型具有一定難度。［7］

(二)神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)法

神經(jīng)網(wǎng)絡(luò)全稱為人工神經(jīng)網(wǎng)絡(luò)(Artificial Neural Networks，ANN)，是對(duì)人腦若干基本特性的抽象，由大量神經(jīng)元通過豐富的連接構(gòu)成了多層網(wǎng)絡(luò)，用以模擬人腦功能。實(shí)際上，神經(jīng)網(wǎng)絡(luò)可以實(shí)現(xiàn)任意的函數(shù)關(guān)系，是一種不依賴于模型的自適應(yīng)函數(shù)估計(jì)器。由于定量和定性信息都可貯存于網(wǎng)絡(luò)內(nèi)的各神經(jīng)元中，因此可同時(shí)處理定量和定性的數(shù)據(jù)信息，可用于回歸和分類，具有較強(qiáng)的穩(wěn)定性和容錯(cuò)性。其具有的泛化能力能夠立刻預(yù)測(cè)物流成本，即掌握已有數(shù)據(jù)的內(nèi)在規(guī)律后，對(duì)新的變化做出預(yù)測(cè)。［8］預(yù)測(cè)模型的建立是通過已有的樣本，給出輸入與輸出之間的函數(shù)計(jì)算關(guān)系，以便據(jù)此用輸入來確定、估計(jì)或預(yù)測(cè)輸出。如下圖，研究由一些可被觀測(cè)的變量描述的系統(tǒng)，其中x為輸入變量，y為輸出變量。G為示例發(fā)生器，它以某一未知且固定的的概率分布函數(shù)P(x)，獨(dú)立分布產(chǎn)生變量X，f是X和Y之間存在的映射關(guān)系，函數(shù)表達(dá)式為Y=f(x)。但實(shí)際操作中，可能觀測(cè)不到某些影響Y的因素，即Y中可能含有噪聲。LM為能夠?qū)W習(xí)樣本規(guī)律的某種模型，即神經(jīng)網(wǎng)絡(luò)。［9］

建立預(yù)測(cè)模型的步驟:第一，建模前準(zhǔn)備。首先根據(jù)根據(jù)頂測(cè)指標(biāo)選取的可測(cè)性、可比1性和代表性原則選取合理的指標(biāo)，確定輸入項(xiàng)和輸出項(xiàng)，建立指標(biāo)體系，還要對(duì)所收集的數(shù)據(jù)進(jìn)行預(yù)處理以便為之后的建模數(shù)據(jù)更加容易訓(xùn)練和學(xué)習(xí)。第二，建立預(yù)測(cè)模型?？梢越柚鶰ATLAB軟件實(shí)行網(wǎng)絡(luò)模型設(shè)計(jì)，建立預(yù)測(cè)模型，對(duì)預(yù)處理后的的數(shù)據(jù)進(jìn)行大量的樣本測(cè)試、設(shè)置網(wǎng)絡(luò)參數(shù)和訓(xùn)練直至該模型的誤差值小于le-5，將需要的神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型進(jìn)行擬合，確定最終模型。［10］第三，分析誤差，驗(yàn)證模型并進(jìn)行預(yù)測(cè)。取部分?jǐn)?shù)據(jù)使用Tramnmx函數(shù)來驗(yàn)證誤差值，假如在誤差范圍內(nèi)則通過誤差檢驗(yàn)，可以進(jìn)行物流成本預(yù)測(cè)。

神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)的不足:雖然模型相比其他模型更易于擬合物流成本的數(shù)據(jù)，更具穩(wěn)定性、操作性和精確性，在處理非線性問題時(shí)具有明顯優(yōu)勢(shì)，［11］但神經(jīng)網(wǎng)絡(luò)比較容易陷入局部最小點(diǎn)，所以易出現(xiàn)過度擬合而使得泛化能力變差，其網(wǎng)絡(luò)訓(xùn)練很繁瑣且難以解釋其結(jié)果。

(三)灰色預(yù)測(cè)法

灰色預(yù)測(cè)法是在一種描述系統(tǒng)動(dòng)態(tài)變化特征基礎(chǔ)上的預(yù)測(cè)模型，它不僅指系統(tǒng)中含有灰元、灰數(shù)、灰關(guān)系的預(yù)測(cè)，而且還從灰色系統(tǒng)理論的建模、關(guān)聯(lián)分析及殘差辨識(shí)出發(fā)，獲得有關(guān)預(yù)測(cè)的概念、觀點(diǎn)和方法。灰色預(yù)測(cè)法是在灰色模塊的基礎(chǔ)上，認(rèn)為所有隨機(jī)量都在一定時(shí)段上及一定范圍內(nèi)變化的灰色量。對(duì)于灰色量的處理不是尋求其概率分布和統(tǒng)計(jì)規(guī)律，通過一定的方法處理無規(guī)律的原始數(shù)據(jù)信息，將其變成更加有規(guī)律的時(shí)間序列數(shù)據(jù)。［12］即以數(shù)找數(shù)的規(guī)律，再建立動(dòng)態(tài)模型，其具有的序列性、少數(shù)據(jù)性、全信息性和時(shí)間傳遞性等特點(diǎn)適合預(yù)測(cè)物流成本。在實(shí)際預(yù)測(cè)物流成本時(shí)一般采用GM(1，1)模型預(yù)測(cè)。

建立預(yù)測(cè)模型的步驟:第一，建模前準(zhǔn)備。整理歷史數(shù)據(jù)，選取預(yù)測(cè)指標(biāo)。第二，建立模型及檢驗(yàn)。運(yùn)用MATLAB軟件或EXCEL軟件建立GM(1，1)預(yù)測(cè)模型。與其他模型相比，還需經(jīng)過殘差檢驗(yàn)、關(guān)聯(lián)度檢驗(yàn)和后驗(yàn)差檢驗(yàn)，如果經(jīng)過檢驗(yàn)誤差較大，則需對(duì)原模型經(jīng)行殘差修正，提高預(yù)測(cè)模型精度。第三，進(jìn)行預(yù)測(cè)。用已收集的數(shù)據(jù)進(jìn)行物流成本預(yù)測(cè)。

灰色預(yù)測(cè)的不足:灰色預(yù)測(cè)模型在短期的物流成本預(yù)測(cè)時(shí)準(zhǔn)確度更高，但隨著預(yù)測(cè)時(shí)期的增長(zhǎng)，可能出現(xiàn)的未來擾動(dòng)或其他不定因素將會(huì)對(duì)預(yù)測(cè)系統(tǒng)產(chǎn)生較大影響。為了預(yù)測(cè)物流成本更長(zhǎng)時(shí)期的系統(tǒng)變化情況，則需用等維灰數(shù)遞補(bǔ)模型進(jìn)行彌補(bǔ)來提高預(yù)測(cè)的準(zhǔn)確度。［13］

四、結(jié)語(yǔ)

為了更加準(zhǔn)確地預(yù)測(cè)區(qū)域物流成本，除了使用更多歷史數(shù)據(jù)資料和考慮更多且有效的影響因素，例如現(xiàn)代物流業(yè)發(fā)展中出現(xiàn)的新影響因素，以及其他一些定性影響因素，還要選取合理的預(yù)測(cè)方法，本文通過總結(jié)歸納傳統(tǒng)的物流預(yù)測(cè)方法以及針對(duì)物流系統(tǒng)的復(fù)雜性和特殊性，對(duì)上述三種新的預(yù)測(cè)模型進(jìn)行了較為詳細(xì)的介紹。雖然三種新模型為我們提供了更為精確的物流成本的預(yù)測(cè)方法，但在實(shí)際預(yù)測(cè)過程中，單一模型多少都存在不足之處，因此可以嘗試使用組合預(yù)測(cè)方法，在不同的情況下，選取更為科學(xué)合理的物流成本預(yù)測(cè)方法，使其成為組合預(yù)測(cè)模型的一部分，與單一的預(yù)測(cè)模型相比，可進(jìn)一步提高預(yù)測(cè)物流成本的精準(zhǔn)度。

［1］中國(guó)物流與采購(gòu)聯(lián)合會(huì)，香港馮氏集團(tuán).中國(guó)采購(gòu)發(fā)展報(bào)告(2014)［R］.中國(guó)財(cái)富出版社.2014(11)http://www.56lem.com/news/show-457.html.

［2］丁雪慧.回歸分析法在物流成本預(yù)測(cè)中的應(yīng)用［J］.財(cái)會(huì)通訊.2009(4):120-121.

［3］董永茂.現(xiàn)代物流成本管理探析［J］.物流技術(shù).2010(5):49-51.

［4］李伊松，易華.物流成本管理［M］.北京:機(jī)械工業(yè)出版社，2005:271-273.

［5］王法中.基于神經(jīng)網(wǎng)絡(luò)的煤炭企業(yè)物流成本預(yù)測(cè)［D］.山東科技大學(xué).2007.

［6］孫淑生，羅寶花.多元線性回歸模型在物流成本預(yù)測(cè)中的應(yīng)用［J］.商業(yè)時(shí)代.2014(18):19-21.

［7］荀燁，安迪等.基于BP神經(jīng)網(wǎng)絡(luò)的軍事物流成本預(yù)測(cè)［J］.軍事交通學(xué)院學(xué)報(bào).2012(11):64-67.

［8］數(shù)據(jù)挖掘(六):預(yù)測(cè) http://blog.csdn.net/kingzone_2008/article/details/8977837.

［9］施彥，韓力群，廉小親.神經(jīng)網(wǎng)絡(luò)設(shè)計(jì)方法與實(shí)例分析［M］.北京:北京郵電大學(xué)出版社.2009:1-2.

［10］胡心專，張亞明，張文文.BP神經(jīng)網(wǎng)絡(luò)在社會(huì)物流成本預(yù)測(cè)中的應(yīng)用［J］.企業(yè)經(jīng)濟(jì).2010(10):93-95.

［11］凍芳，金甌，賀建飚.BP神經(jīng)網(wǎng)絡(luò)在預(yù)測(cè)物流成本中的應(yīng)用［J］.微計(jì)算機(jī)信息.2008(24):175-176.

［12］談貴軍.區(qū)域物流成本統(tǒng)計(jì)與預(yù)測(cè)方法研究［D］.中南大學(xué).2009.

［13］溫麗華.灰色系統(tǒng)理論及其應(yīng)用［D］.哈爾濱工程大學(xué).2003.

江西省研究生創(chuàng)新專項(xiàng)資金項(xiàng)目(編號(hào):3104100028)