基于組合預(yù)測(cè)模型的惠安縣快遞業(yè)務(wù)量需求預(yù)測(cè)分析

王鳳英 （福建船政交通職業(yè)學(xué)院，福建 福州 350007）

0 引言

近幾年，電子商務(wù)迅速發(fā)展，對(duì)快遞物流的需求進(jìn)一步提升。但部分地區(qū)物流設(shè)施和技術(shù)落后，物流末端配送發(fā)展滯后，物流服務(wù)體驗(yàn)差，物流企業(yè)各自為營(yíng)，企業(yè)進(jìn)行農(nóng)村物流配送成本高，因此為了提升快遞物流的服務(wù)水平，必須對(duì)未來的快遞業(yè)務(wù)量有個(gè)合理的預(yù)測(cè)，進(jìn)而配備相匹配的設(shè)施及技術(shù)。需求的定量預(yù)測(cè)模型主要有回歸分析預(yù)測(cè)法、時(shí)間序列預(yù)測(cè)法、神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)法、灰色預(yù)測(cè)法等多種方法，但單一的預(yù)測(cè)模型的假設(shè)條件及使用范圍總存在著一定的局限性，因此本文最后采用組合預(yù)測(cè)模型克服單一模型的局限性，提高模型預(yù)測(cè)的精度和穩(wěn)定性。

1 惠安縣快遞業(yè)務(wù)的發(fā)展現(xiàn)狀分析

惠安縣，是閩南著名僑鄉(xiāng)和臺(tái)灣漢族同胞主要祖籍地之一。素有“海濱鄒魯”、“雕藝之鄉(xiāng)”、“建筑之鄉(xiāng)”、“漁業(yè)強(qiáng)縣”、“食品工業(yè)強(qiáng)縣”之美譽(yù)。2017年全縣實(shí)現(xiàn)生產(chǎn)總值688.76億元、增長(zhǎng)8%，完成一般公共預(yù)算收入35.13億元、增長(zhǎng)3.1%，全體居民人均可支配收入2.99萬元、增長(zhǎng)7.5%，縣域經(jīng)濟(jì)居全國(guó)中小城市綜合實(shí)力“百?gòu)?qiáng)縣”第35位。

在電子商務(wù)迅速發(fā)展的大背景下，隨著GDP的逐年穩(wěn)步提高，人民的消費(fèi)水平大幅提高，惠安縣的快遞服務(wù)需求總量也隨之持續(xù)增長(zhǎng)，具體見圖1。

2 預(yù)測(cè)模型的選擇與構(gòu)建

快遞業(yè)是隨著電子商務(wù)發(fā)展起來的新興行業(yè)，近10年發(fā)展迅速，并與區(qū)域經(jīng)濟(jì)發(fā)展密切相關(guān)。因此快遞業(yè)務(wù)量受到區(qū)域經(jīng)濟(jì)發(fā)展多種因素的影響，如區(qū)域經(jīng)濟(jì)的經(jīng)濟(jì)水平和規(guī)模、居民人均消費(fèi)水平、社會(huì)固定資產(chǎn)投資總額，常住人口、社會(huì)消費(fèi)品零售額的影響。同時(shí)也會(huì)受到國(guó)家相關(guān)政策、信息處理技術(shù)及交通因素等非經(jīng)濟(jì)因素的影響。因此在構(gòu)建預(yù)測(cè)模型時(shí)選取了

4 種預(yù)測(cè)模型進(jìn)行預(yù)測(cè)。

2.1 多元回歸關(guān)系模型的構(gòu)建。由于快遞業(yè)務(wù)量的影響因素是多方面的，因此在預(yù)測(cè)時(shí)首先考慮了多元回歸關(guān)系模型。多元回歸關(guān)系模型中的解釋變量有多個(gè)，一般形式為：

其中，y是被解釋變量（因變量、相依變量、內(nèi)生變量），x是解釋變量（自變量、獨(dú)立變量、外生變量），ε是隨機(jī)誤差項(xiàng)，βi,i=1,2,…,k是回歸參數(shù)。

利用初始變量值進(jìn)行回歸并檢驗(yàn)，若模型未通過檢驗(yàn)，則重新建立模型，若模型通過檢驗(yàn)，且滿足模型的假設(shè)，則可利用此模型進(jìn)行實(shí)際預(yù)測(cè)。

圖1 惠安縣歷年快遞業(yè)務(wù)量增長(zhǎng)趨勢(shì)圖

2.2 基于時(shí)間序列的多項(xiàng)式回歸模型構(gòu)建?？爝f業(yè)務(wù)量是一個(gè)時(shí)間序列，通過上述現(xiàn)狀分析圖1可以看出近幾年惠安縣快遞業(yè)務(wù)量沒有跳躍式增長(zhǎng)，屬于漸進(jìn)變化，同時(shí)快遞業(yè)是一個(gè)迅速發(fā)展的行業(yè)，因此可選用二次多項(xiàng)式趨勢(shì)回歸預(yù)測(cè)模型構(gòu)建。多項(xiàng)式趨勢(shì)回歸預(yù)測(cè)模型建立如下：

本文采用二次多項(xiàng)式趨勢(shì)回歸對(duì)快遞業(yè)務(wù)量進(jìn)行預(yù)測(cè)。

2.3 GM（ 1,1）灰色預(yù)測(cè)模型構(gòu)建?；疑A(yù)測(cè)模型是應(yīng)用模糊數(shù)學(xué)原理對(duì)既含有已知信息又含有不確定信息的系統(tǒng)進(jìn)行預(yù)測(cè)的模型，是對(duì)隨機(jī)的原始時(shí)間序列數(shù)據(jù)進(jìn)行累加生成處理，然后建立微分方程來模擬該生成序列，恢復(fù)原時(shí)間序列的預(yù)測(cè)值。GM（1,1）模型是最常用的一種灰色預(yù)測(cè)模型。具體預(yù)測(cè)模型如下：

建立微分方程和構(gòu)造矩陣。

構(gòu)造矩陣B：

矩陣計(jì)算：

求出預(yù)測(cè)模型：

將參數(shù)代入時(shí)間函數(shù)得一次累加生成序列的預(yù)測(cè)模型：

最后通過一系列檢驗(yàn)來檢驗(yàn)?zāi)Ｐ偷木群涂尚哦取?/p>

2.4 Shapley組合預(yù)測(cè)模型。上述3種預(yù)測(cè)方法各有優(yōu)缺點(diǎn)，因此為了提升預(yù)測(cè)精度，對(duì)上述3種預(yù)測(cè)方法賦予不同的權(quán)重進(jìn)行最后預(yù)測(cè)結(jié)果的運(yùn)算。目前最常用的就是Shapley組合預(yù)測(cè)模型。其計(jì)算公式為：

Shapley值誤差分配公式為：

Shapley值法給出了一個(gè)n人合作對(duì)策問題的分配向量，u（s）-u（ si）表示組合S的邊際貢獻(xiàn)值，考慮了組合成員加入后和加入前對(duì)組合產(chǎn)生不同的影響。）可看作一個(gè)權(quán)重，表示組合成員i在組合中所需要承擔(dān)的邊際貢獻(xiàn)，也是組合預(yù)測(cè)的加權(quán)因子。Shapley值綜合了組織中各成員的影響，因此可認(rèn)為其分配向量是公平合理的。

由上可得權(quán)重計(jì)算公式：

3 惠安縣快遞業(yè)務(wù)量預(yù)測(cè)分析

3.1 多元回歸關(guān)系模型預(yù)測(cè)。在對(duì)快遞業(yè)務(wù)量的影響因素分析基礎(chǔ)上本文選用了GDP、常住人口、居民人均消費(fèi)水平、社會(huì)消費(fèi)品零售額、固定資產(chǎn)投資總額作為快遞業(yè)務(wù)量的解釋變量。具體數(shù)據(jù)見表1。選用spss19.0對(duì)表1的數(shù)據(jù)進(jìn)行多元回歸分析。首先進(jìn)行了相關(guān)性分析，快遞業(yè)務(wù)量與這幾個(gè)解釋變量的相關(guān)性均在0.9以上，故顯著相關(guān)，然后選用向后回歸進(jìn)行分析，具體結(jié)果見表2。

表1 2011～2017年惠安縣快遞業(yè)務(wù)量相關(guān)指標(biāo)數(shù)據(jù)

表2 系數(shù)a

a.因變量：快遞業(yè)務(wù)量

根據(jù)上述分析結(jié)果可以看出社會(huì)消費(fèi)品零售額被移除了，但調(diào)整后的R方仍可以達(dá)到0.994。根據(jù)系數(shù)表，多元回歸方程為：

快遞業(yè)務(wù)量=210 621.490+0.003*GDP-3 290.158*常住人口+1.402*居民人均消費(fèi)水平-0.001*固定資產(chǎn)投資總額

代入上述回歸方程計(jì)算出2011～2017年的快遞業(yè)務(wù)量的預(yù)測(cè)值，見表3。

根據(jù)表3可以計(jì)算出多元線性回歸模型的平均絕對(duì)誤差比為5.58%。

利用二項(xiàng)式曲線回歸模型對(duì)2019～2022年影響快遞業(yè)務(wù)量的各指標(biāo)進(jìn)行預(yù)測(cè)，然后代入上述多元線性回歸模型計(jì)算出快遞業(yè)務(wù)量，結(jié)果見表4。

表3 多元線性回歸模型預(yù)測(cè)值

表4 2019～2025年惠安市快遞業(yè)務(wù)量相關(guān)指標(biāo)數(shù)據(jù)

3.2 二次多項(xiàng)式趨勢(shì)回歸模型。本文選用spss19.0軟件對(duì)軟件快遞業(yè)務(wù)量的影響因素進(jìn)行二次多項(xiàng)式回歸。運(yùn)行結(jié)果見表5。

表5 模型匯總和參數(shù)估計(jì)值

由表5可知R方為1.00，說明擬合程度很高，能較好地反應(yīng)快遞業(yè)務(wù)量的變化，模型擬合值見表6，平均絕對(duì)誤差比為2.31%，效果很好。

表6 二次多項(xiàng)式回歸模型擬合值

利用二項(xiàng)式趨勢(shì)回歸法對(duì)2019～2025年進(jìn)行預(yù)測(cè)得到結(jié)果如表7。

3.3 灰色預(yù)測(cè)方法。采用灰色預(yù)測(cè)分析軟件，對(duì)原始數(shù)據(jù)進(jìn)行模型GM（ 1,1 ）分析，殘差=145 262.37，平均相對(duì)誤差=6.26%，系數(shù)=757.93。模型誤差分析見表8。

利用灰色預(yù)測(cè)方法對(duì)2019～2025年進(jìn)行預(yù)測(cè)結(jié)果見表9。

3.4 Shapley組合預(yù)測(cè)模型。由Shapley組合預(yù)測(cè)模型中計(jì)算各預(yù)測(cè)方法權(quán)重ωi的公式可以得到ω1=0.26，ω2=0.55，ω3=0.19。說明趨勢(shì)回歸法在組合模型中權(quán)重最大，多元線性回歸模型最小。

表7 2019～2025年二項(xiàng)式趨勢(shì)回歸預(yù)測(cè)值

表8 GM（ 1,1）模型預(yù)測(cè)誤差分析

表9 灰色預(yù)測(cè)方法的預(yù)測(cè)值

表10 2019～2022年組合預(yù)測(cè)結(jié)果

利用公式（8）可以得到惠安縣快遞需求量組合預(yù)測(cè)結(jié)果見表10。

4 結(jié)束語

在快遞業(yè)務(wù)量的需求預(yù)測(cè)中，單個(gè)預(yù)測(cè)方法存在一定的局限性，因?yàn)楸疚脑谶x擇了多元線性回歸、多項(xiàng)式趨勢(shì)回歸、灰色預(yù)測(cè)方法的基礎(chǔ)上，對(duì)惠安縣快遞業(yè)務(wù)量利用組合預(yù)測(cè)方法進(jìn)行預(yù)測(cè)，預(yù)測(cè)精度得以提升，從而對(duì)惠安縣的物流網(wǎng)絡(luò)規(guī)劃提供了一定的指導(dǎo)意義，提升物流網(wǎng)絡(luò)設(shè)施設(shè)備的合理布置，更好地提升服務(wù)效率，與電子商務(wù)及經(jīng)濟(jì)發(fā)展相匹配。