供給側(cè)改革下物流需求組合預(yù)測(cè)技術(shù)研究*

吳必善， 李士杰

(廊坊師范學(xué)院 管理學(xué)院， 河北 廊坊 065000)

?

供給側(cè)改革下物流需求組合預(yù)測(cè)技術(shù)研究*

吳必善， 李士杰

(廊坊師范學(xué)院 管理學(xué)院， 河北 廊坊 065000)

通過(guò)分析供給側(cè)結(jié)構(gòu)改革下現(xiàn)代物流市場(chǎng)需求對(duì)經(jīng)濟(jì)活動(dòng)的意義，找到單一需求預(yù)測(cè)技術(shù)的偏差，指出指數(shù)平滑法和神經(jīng)網(wǎng)絡(luò)法于實(shí)際預(yù)測(cè)應(yīng)用中的不足，提出精確度較高的物流市場(chǎng)需求預(yù)測(cè)新思路，構(gòu)建新的組合預(yù)測(cè)模型。通過(guò)實(shí)例仿真驗(yàn)證基于神經(jīng)網(wǎng)絡(luò)法的組合預(yù)測(cè)技術(shù)在物流市場(chǎng)需求預(yù)測(cè)中的實(shí)際價(jià)值。

供給側(cè)； 組合預(yù)測(cè)法； 神經(jīng)網(wǎng)絡(luò)； 激活函數(shù)； 物流需求； 預(yù)測(cè)模型

在供給側(cè)結(jié)構(gòu)改革下，需求管理已經(jīng)成為企業(yè)持續(xù)成功的必要條件，好的需求預(yù)測(cè)技術(shù)使企業(yè)擁有抗風(fēng)險(xiǎn)性的優(yōu)勢(shì)比較明顯，尤其是擁有先進(jìn)的物流需求預(yù)測(cè)技術(shù)，對(duì)提升整條供應(yīng)鏈競(jìng)爭(zhēng)力具有現(xiàn)實(shí)的經(jīng)濟(jì)價(jià)值[1-3]。

當(dāng)前，供給側(cè)改革的目標(biāo)是對(duì)商流、資金流、信息流、人流等社會(huì)經(jīng)濟(jì)要素資源進(jìn)行科學(xué)有效的配置。其中，物流服務(wù)是連接供給和需求不可或缺的市場(chǎng)體系要素；同時(shí)，物流業(yè)作為戰(zhàn)略性、基礎(chǔ)性產(chǎn)業(yè)，也是供給側(cè)結(jié)構(gòu)性改革的重要內(nèi)容和對(duì)象。隨著我國(guó)經(jīng)濟(jì)結(jié)構(gòu)性調(diào)整及“十三五”戰(zhàn)略規(guī)劃的推進(jìn)，產(chǎn)品供應(yīng)鏈中的生產(chǎn)、物流、銷售、回收等環(huán)節(jié)管理越來(lái)越強(qiáng)調(diào)協(xié)同發(fā)展，通過(guò)供給側(cè)改革解決行業(yè)內(nèi)部結(jié)構(gòu)性的矛盾和資源浪費(fèi)問(wèn)題。如要達(dá)到此目的，就需要高端的社會(huì)物流在生產(chǎn)者與下游消費(fèi)者之間，創(chuàng)建社會(huì)資源供給與需求的無(wú)縫銜接，以實(shí)現(xiàn)降低全社會(huì)資源供給端庫(kù)存積壓成本的目標(biāo)。因此，供給側(cè)改革下社會(huì)物流服務(wù)需求及輸出能力是平衡供應(yīng)鏈管理成本的關(guān)鍵環(huán)節(jié)之一。但這也對(duì)供應(yīng)鏈管理提出更高要求，能否準(zhǔn)確預(yù)測(cè)社會(huì)物流需求量及能力，是關(guān)系到其他行業(yè)在供給側(cè)結(jié)構(gòu)調(diào)整中經(jīng)濟(jì)效益的問(wèn)題[4-8]。

在大量社會(huì)實(shí)際調(diào)研的基礎(chǔ)上，本文研究發(fā)現(xiàn)國(guó)內(nèi)外許多大中型物流企業(yè)對(duì)市場(chǎng)物流需求和物流服務(wù)能力供給的預(yù)測(cè)精度要求越來(lái)越高，對(duì)預(yù)測(cè)技術(shù)和手段的要求也在不斷提高。實(shí)踐證明，傳統(tǒng)的簡(jiǎn)單預(yù)測(cè)方法或手段已經(jīng)不能滿足數(shù)字化、智能化、快捷化的物流服務(wù)需求。為了提高現(xiàn)代社會(huì)物流預(yù)測(cè)精度和服務(wù)質(zhì)量，市場(chǎng)經(jīng)濟(jì)需要精確度更高的組合預(yù)測(cè)方法。本文采用指數(shù)平滑法(Exponential Smoothing Method，ESM)和神經(jīng)網(wǎng)絡(luò)法(Neural Network Method，NNM)組合預(yù)測(cè)技術(shù)，將其運(yùn)用到物流市場(chǎng)需求管理中。

一、傳統(tǒng)單一物流預(yù)測(cè)法的不足

在經(jīng)濟(jì)新常態(tài)下實(shí)現(xiàn)行業(yè)發(fā)展目標(biāo)，區(qū)域性物流服務(wù)業(yè)不僅顯示出在實(shí)現(xiàn)資源優(yōu)化配置中的社會(huì)經(jīng)濟(jì)價(jià)值，同時(shí)還需要加大產(chǎn)業(yè)自身結(jié)構(gòu)調(diào)整，提高區(qū)域經(jīng)濟(jì)競(jìng)爭(zhēng)力。尤其是隨著居民消費(fèi)升級(jí)、新型城鎮(zhèn)化發(fā)展，物流需求在不斷遞增，對(duì)物流行業(yè)的服務(wù)水平、管理水平提出了更高的要求。從單個(gè)企業(yè)物流合理化走向區(qū)域物流合理化，是“十三五”期間社會(huì)經(jīng)濟(jì)發(fā)展的要求。因此，區(qū)域物流需求預(yù)測(cè)研究是其中重要的環(huán)節(jié)，而傳統(tǒng)的物流需求預(yù)測(cè)管理往往僅僅采用單一預(yù)測(cè)方法，對(duì)一些不確定性因素?zé)o法處理，造成區(qū)域物流量和影響因素的預(yù)測(cè)結(jié)果產(chǎn)生較大偏差。

在傳統(tǒng)的物流需求預(yù)測(cè)管理方法中，不少企業(yè)偏好于采用以時(shí)間序列為主的線性預(yù)測(cè)技術(shù)，例如單一指數(shù)平滑法采用的計(jì)量模型為

`αXi+α(1-α)Xi-1+α(1-α)Xi-2+…=

αXi+α(1-α)Fi-1

(1)

式中：Fi為預(yù)測(cè)值；Xi為歷史數(shù)據(jù)；α為平滑系數(shù)，α∈(0，1)。顯然當(dāng)i=1時(shí)，歷史數(shù)據(jù)最接近，權(quán)重為α，當(dāng)i逐漸增大時(shí)，歷史數(shù)據(jù)逐漸遠(yuǎn)離，這時(shí)權(quán)重為α(1-α)i，按指數(shù)規(guī)律逐漸縮小。直接應(yīng)用式(1)，預(yù)測(cè)結(jié)果誤差較大。

傳統(tǒng)單一的物流預(yù)測(cè)方法有可能為無(wú)縫銜接的物流服務(wù)帶來(lái)更高的、不可預(yù)測(cè)的管理成本，因?yàn)楝F(xiàn)實(shí)中許多物流服務(wù)項(xiàng)目不是按照時(shí)間序列排序的，大量物流需求也不是遵循線性變化規(guī)律的。所以，單純依靠這種預(yù)測(cè)技術(shù)很難為現(xiàn)代化物流服務(wù)供給準(zhǔn)確把脈，這就需要運(yùn)用多種預(yù)測(cè)方法組合預(yù)測(cè)，提高預(yù)測(cè)結(jié)果的精確度，如添加神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)法。

二、物流市場(chǎng)需求組合預(yù)測(cè)模型

1. 神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)法的改進(jìn)模型

對(duì)于受不規(guī)則因素干擾的情況，即隨機(jī)的或無(wú)法預(yù)測(cè)的因素影響預(yù)測(cè)結(jié)果，需要在展開一項(xiàng)預(yù)測(cè)的過(guò)程中通過(guò)跟蹤和預(yù)計(jì)其他因素，使隨機(jī)因素的影響程度降低到最小?，F(xiàn)實(shí)中大量物流貨源在眾多物流節(jié)點(diǎn)或物流中心，經(jīng)過(guò)倉(cāng)儲(chǔ)、加工、運(yùn)輸、配送和回收等環(huán)節(jié)，而這些恰恰是其他行業(yè)供給側(cè)結(jié)構(gòu)調(diào)整步伐中比較重要的環(huán)節(jié)，其管理中存在諸多未知因素，即物流服務(wù)過(guò)程中具有較強(qiáng)的隨機(jī)性，物流量也存在不確定性，從而造成現(xiàn)代物流服務(wù)需求呈現(xiàn)非線性變化特征。也正是因?yàn)樾枨笮畔㈩A(yù)測(cè)的不準(zhǔn)確性或滯后性，就需要具備較強(qiáng)的容錯(cuò)性、魯棒性的預(yù)測(cè)法，研究神經(jīng)網(wǎng)絡(luò)等預(yù)測(cè)法，不斷提高現(xiàn)代物流需求信息的準(zhǔn)確度。

其中，神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)法[9]在限制隨機(jī)干擾因素、提高預(yù)測(cè)精度方面尤具優(yōu)勢(shì)。輸入信息從輸入層傳輸?shù)街虚g神經(jīng)元處理單元，被激活的神經(jīng)元對(duì)信息進(jìn)行處理；通過(guò)激活函數(shù)處理后的信息再被輸送到下一環(huán)節(jié)，即被處理后的信息進(jìn)入輸出層等待輸出；當(dāng)輸出層的信息不能滿足期望要求時(shí)，該預(yù)測(cè)值或誤差值將沿原鏈接運(yùn)輸通道反向轉(zhuǎn)入系統(tǒng)中，再通過(guò)修改對(duì)應(yīng)神經(jīng)元的處理參數(shù)重復(fù)修正預(yù)測(cè)值，直到輸出誤差較小的信號(hào)，如圖1所示。

圖1 神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)法機(jī)理

圖1中，Xi為神經(jīng)元輸入信息；ωi為神經(jīng)元輸入層與中間層之間的權(quán)重值；ωi+1為神經(jīng)元中間層與輸出層之間的誤差修正值。其中相關(guān)函數(shù)表示為

(2)

Δωi=-γ(?θi/?ωi)

(3)

Δωi+1=vδXi+αΔωi

(4)

式中：v為神經(jīng)元信息改進(jìn)速率；β為神經(jīng)元的閾值；δ為單位誤差率；γ為隨機(jī)誤差值；θi為預(yù)測(cè)誤差值。

由于神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)函數(shù)滿足離散動(dòng)態(tài)非線性預(yù)測(cè)特征，其數(shù)學(xué)模型可以表達(dá)為

φi=f(yi+1，Δωi)=f(y1，y2，…，yi，γ)+Δωi

(5)

yi+1=Δωi+1f(ωi，gi)

(6)

gi=(yi，yi-1，yi-2，…)

(7)

神經(jīng)元i的輸入值為Xi，其對(duì)應(yīng)的輸出值為φi。Xi經(jīng)過(guò)神經(jīng)元激活函數(shù)處理后，φi的計(jì)算公式可以表達(dá)為

(8)

由于每個(gè)神經(jīng)元的輸出值與其對(duì)應(yīng)的神經(jīng)元輸入值之間存在對(duì)應(yīng)的鏈接關(guān)系，因而神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)誤差值θi可以表達(dá)為

θi= ?θi/?Xi=

?θi/(?ωiφi)=

(?θi/?φi)f(Xi，ωi)

(9)

又因

f(Xi，ωi)[1-f(Xi，ωi)]=

(10)

可以得到

θi= (?θi/?φi)f(Xi，ωi)=

(11)

當(dāng)i不是輸出層的神經(jīng)元時(shí)，可得

(12)

神經(jīng)元i上下層的誤差修正值為

Δωi= -γ(?θi/?ωi)=-γθi=

(13)

2. 基于神經(jīng)網(wǎng)絡(luò)的組合預(yù)測(cè)模型

為了提高預(yù)測(cè)精度，本文采用指數(shù)平滑法(ESM)和神經(jīng)網(wǎng)絡(luò)法(NNM)組合預(yù)測(cè)技術(shù)。組合預(yù)測(cè)值模型可以表達(dá)為

Yi=Fi+φi+Δωi=

(14)

式中：Fi為滿足時(shí)間序列的指數(shù)平滑預(yù)測(cè)函數(shù)，也是Yi的確定性趨勢(shì)函數(shù)；φi為Fi滿足時(shí)間序列的神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)函數(shù)，也是Yi的隨機(jī)變化趨勢(shì)函數(shù)；Δωi為Yi的誤差修正值。

三、物流市場(chǎng)需求組合預(yù)測(cè)技術(shù)的應(yīng)用

當(dāng)前物流服務(wù)業(yè)所面臨的主要矛盾是行業(yè)內(nèi)部供給側(cè)主體結(jié)構(gòu)性矛盾的體現(xiàn)。例如鐵路貨運(yùn)服務(wù)所面臨的供給側(cè)結(jié)構(gòu)矛盾在于：一方面，地區(qū)性鐵路運(yùn)輸服務(wù)潛力巨大，而傳統(tǒng)上鐵路貨運(yùn)量占比較大的大宗商品需求卻在不斷萎縮，造成與之配套的地方性鐵路運(yùn)力過(guò)剩；另一方面，由于地方性鐵路服務(wù)市場(chǎng)化不足，開放度不夠，仍不適應(yīng)現(xiàn)代物流發(fā)展需求，尤其是鐵路兩端的短駁費(fèi)用較高，造成另一極端現(xiàn)象是貨主尋找不到合適的鐵路運(yùn)輸服務(wù)項(xiàng)目。從供給側(cè)結(jié)構(gòu)改革角度考慮，鐵路運(yùn)輸供應(yīng)方必須科學(xué)預(yù)測(cè)運(yùn)輸市場(chǎng)的貨運(yùn)量，達(dá)到有效優(yōu)化配置物流資源供給的目的[10-15]。

假定2016年1月至7月份，A地區(qū)鐵路貨運(yùn)量如表1所示。利用上文基于神經(jīng)網(wǎng)絡(luò)的物流市場(chǎng)需求組合預(yù)測(cè)技術(shù)，本文對(duì)A地區(qū)2016年8—12月的鐵路貨運(yùn)量進(jìn)行仿真預(yù)測(cè)。

ESM預(yù)測(cè)模型仿真時(shí)所采用的響應(yīng)函數(shù)及相關(guān)參數(shù)如表2所示。

基于ESM和NNM組合預(yù)測(cè)技術(shù)，本文對(duì)A地區(qū)2016年8—12月的鐵路貨運(yùn)量進(jìn)行仿真預(yù)測(cè)的結(jié)果如表3所示。

表1 2016年1—7月A地區(qū)鐵路貨運(yùn)量

數(shù)據(jù)來(lái)源：河北省統(tǒng)計(jì)局官方網(wǎng)站。

表2 ESM預(yù)測(cè)模型的響應(yīng)函數(shù)及相關(guān)參數(shù)

表3 仿真預(yù)測(cè)的結(jié)果 104 t

通過(guò)以上預(yù)測(cè)仿真實(shí)例可以看出，單一的指數(shù)預(yù)測(cè)方法所產(chǎn)生的偏差較大，而基于神經(jīng)網(wǎng)絡(luò)的組合方法所預(yù)測(cè)的結(jié)果相對(duì)更加精確與可行。

四、結(jié)論與建議

本文分析了如何通過(guò)供給側(cè)結(jié)構(gòu)性改革有針對(duì)性地解決當(dāng)前制約物流業(yè)發(fā)展的主要問(wèn)題，明確物流需求管理對(duì)地區(qū)經(jīng)濟(jì)發(fā)展的重要性，并且說(shuō)明了精確預(yù)測(cè)技術(shù)對(duì)供給側(cè)結(jié)構(gòu)性改革下物流市場(chǎng)需求管理的意義。在經(jīng)濟(jì)活動(dòng)中，實(shí)際的案例反映單一的預(yù)測(cè)方法會(huì)導(dǎo)致預(yù)測(cè)結(jié)果產(chǎn)生部分偏差。因此，對(duì)供給側(cè)改革下物流行業(yè)發(fā)展提出以下建議：

(1) 提高物流市場(chǎng)預(yù)測(cè)的準(zhǔn)確性。運(yùn)用本文的組合預(yù)測(cè)技術(shù)，可以彌補(bǔ)單一預(yù)測(cè)法的不足。本文研究基于神經(jīng)網(wǎng)絡(luò)的組合預(yù)測(cè)技術(shù)，即采用指數(shù)平滑預(yù)測(cè)法和神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)法構(gòu)建新的組合預(yù)測(cè)模型，并通過(guò)實(shí)例仿真證明這種新的組合預(yù)測(cè)模型的實(shí)用價(jià)值。

(2) 利用準(zhǔn)確預(yù)測(cè)技術(shù)，促進(jìn)區(qū)域物流資源合理整合與優(yōu)化管理。本文研究了供給側(cè)改革大背景下的物流市場(chǎng)預(yù)測(cè)技術(shù)，為區(qū)域物流發(fā)展提供新的思路和管理方案。應(yīng)根據(jù)精確預(yù)測(cè)結(jié)果，不斷完善區(qū)域物流的集聚功能，促使本地區(qū)物流資源整合與優(yōu)化過(guò)程更加具體化、合理化。本研究為地方物流行業(yè)供給側(cè)發(fā)展提供了有力的理論支撐。

[1]Aussen A，Murtagh F.Combining neural network forecasts on wavelet transformed time series [J].Connection Science，2015(9)：113-121.

[2]Aussen A，Campbell J，Murtagh F.Wavelet based feature extraction and decomposition，strategies for financial forecasting [J].Journal of Computational Intelligence in Finance，2015(1)：14-17.

[3]牛志闖，馬小剛.基于信息不對(duì)稱的采用延期支付機(jī)制的供應(yīng)鏈協(xié)調(diào) [J].沈陽(yáng)工業(yè)大學(xué)學(xué)報(bào)(社會(huì)科學(xué)版)，2016，9(5)：414-419.

[4]高峰.基于統(tǒng)計(jì)特征的中國(guó)航空物流實(shí)證研究 [J].中國(guó)民航學(xué)院學(xué)報(bào)，2015，7(2)：52-55.

[5]魏然.航空物流服務(wù)鏈的特征及現(xiàn)狀 [J].物流技術(shù)，2015(1)：23-24.

[6]吳必善.區(qū)域性煤炭運(yùn)輸節(jié)點(diǎn)的優(yōu)化 [J].西安科技大學(xué)學(xué)報(bào)，2014(3)：48-50.

[7]肖亮.鄭州航空港經(jīng)濟(jì)綜合實(shí)驗(yàn)區(qū)航空物流發(fā)展對(duì)策研究 [J].信陽(yáng)農(nóng)林學(xué)院學(xué)報(bào)，2015，25(1)：50-52.

[8]李丹，張超.新工業(yè)革命下我國(guó)制造業(yè)發(fā)展路徑分析 [J].沈陽(yáng)工業(yè)大學(xué)學(xué)報(bào)(社會(huì)科學(xué)版)，2016，9 (3)：198-201.

[9]Paulito P P，Yaiehi Ha，Shiro U.Mutatiobased gene-tic neural network [J].IEEE Transactions on Neural Networks，2014，16(3)：18-21.

[10]Ru H G，Ping H H.Analyzing water diversion demand for irrigation areas at lower reach of yellow river with BP neural network techniques [J].Journal of Irrigation & Drainage，2015，19(3)：20-23.

[11]Panchapakesan C，Palaniswami M，Ralph D，et al.Effects of moving the centers in an RBF network [J].IEEE Transactions on Neural Networks，2014，13(6)：1299-1307.

[12]Peng Z.A study of neural networks in forecasting of logistics system [D].Wuhan：Wuhan University of Technology，2016.

[13]Liu Y Y，Starzyk J A，Zhu Z.Optimized approximation algorithm in neural networks without over fitting [J].IEEE Transactions on Neural Networks，2014，19(6)：983-995.

[14]Sam P，Crem V.On the optimal control of single-stage hybrid manufacturing systems via novel and different vaiants of particle swarm optimization algorithm [J].Discrete Dynamics in Nature and Society，2015(3)：257-279.

[15]肖萌，徐偉，施慧斌.價(jià)值共創(chuàng)模式下服務(wù)型制造系統(tǒng)的構(gòu)建 [J].沈陽(yáng)工業(yè)大學(xué)學(xué)報(bào)(社會(huì)科學(xué)版)，2016，9(1)：53-59.

(責(zé)任編輯：張 璐)

Study on integrated forecasting technology in logistics demand under supply side reform

WU Bi-shan, Li Shi-jie

(School of Management, Langfang Teachers University, Langfang 065000, China)

Through the analysis of the significance of modern logistics market demand on economic activities under the supply side structure reform, the deviation of single demand forecasting technology is reflected. The lack of exponential smoothing method and neural network method in the actual forecast application is pointed out. A thread of logistics market demand forecasting with high precision is proposed. The new combination forecasting model is built. The actual value of the combined forecasting technology is verified by the example simulation based on neural network in the forecast of logistics market demand.

supply side; combined forecast; neural network; activation function; logistics demand; forecast model

2016-12-31

河北省教育廳人文社會(huì)科學(xué)重大攻關(guān)項(xiàng)目(ZD201604)； 全國(guó)高校、職業(yè)院校物流教改教研課題(JZW2017160)。

吳必善(1973-)，男，北京人，副教授，博士，主要從事物流與供應(yīng)鏈管理、能源經(jīng)濟(jì)和碳足跡等方面的研究。

10.7688/j.issn.1674-0823.2017.03.07

U 116

A

1674-0823(2017)03-0226-04

*本文已于2017-05-23 13∶29在中國(guó)知網(wǎng)優(yōu)先數(shù)字出版。 網(wǎng)絡(luò)出版地址： http：∥www.cnki.net/kcms/detail/21.1558.C.20170523.1329.016.html