物流園區(qū)空間布局方法論

徐照

摘要：物流園區(qū)作為物流業(yè)發(fā)展到一定階段時(shí)所產(chǎn)生的新興物流集疏方式。物流園區(qū)空間布局優(yōu)化可以提高物流效率，提高物流園區(qū)效益，達(dá)到集聚效應(yīng)，優(yōu)化社會(huì)資源的配置，促進(jìn)區(qū)位之間的協(xié)調(diào)發(fā)展，有利于解決物流企業(yè)之間的競(jìng)爭(zhēng)博弈問(wèn)題。筆者通過(guò)對(duì)物流園區(qū)空間布局方法論的介紹，以讓讀者對(duì)其有一定的了解和認(rèn)識(shí)。

關(guān)鍵詞：物流園區(qū);空間布局;方法論

一、區(qū)位產(chǎn)業(yè)集聚分析方法論

產(chǎn)業(yè)集聚度是對(duì)區(qū)位產(chǎn)業(yè)集聚程度的量化指標(biāo)，主要通過(guò)某一指標(biāo)來(lái)判斷目標(biāo)區(qū)域是否存在產(chǎn)業(yè)集聚，以及分析產(chǎn)業(yè)集聚的聚合程度。目前學(xué)術(shù)界常用的測(cè)度產(chǎn)業(yè)集聚度的指標(biāo)為：區(qū)位熵系數(shù)LQ與空間基尼系數(shù)GN。區(qū)位熵系數(shù)LQ主要用來(lái)判別產(chǎn)業(yè)集聚的是否存在的可能性;空間基尼系數(shù)GN主要用來(lái)測(cè)度產(chǎn)業(yè)集群集聚度，判斷該產(chǎn)業(yè)在空間分布均衡程度。

1、區(qū)位熵系數(shù)LQ

區(qū)位熵系數(shù)LQ，由P.Haggett首先提出和運(yùn)用于區(qū)位集聚度分析中，用以衡量目標(biāo)區(qū)域的產(chǎn)業(yè)結(jié)構(gòu)，分析區(qū)域產(chǎn)業(yè)的狀況，反映該產(chǎn)業(yè)的集聚化程度[28]。其計(jì)算公式為：

式中， 為目標(biāo)區(qū)域的區(qū)位熵系數(shù); 指目標(biāo)區(qū)域 產(chǎn)業(yè)相關(guān)指標(biāo); 指目標(biāo)區(qū)域 相關(guān)指標(biāo); 指上層次區(qū)域 產(chǎn)業(yè) 相關(guān)指標(biāo); 指上層次區(qū)域 相關(guān)指標(biāo)。

區(qū)位熵系數(shù)LQ能夠反映區(qū)域?qū)I(yè)化水平，通過(guò)測(cè)算各行業(yè)的區(qū)位熵系數(shù)值，可以判斷區(qū)域的某產(chǎn)業(yè)是否存在產(chǎn)業(yè)集聚。區(qū)位熵大于1，可以認(rèn)為該產(chǎn)業(yè)是區(qū)域的專業(yè)化集聚產(chǎn)業(yè)，區(qū)位熵越大，產(chǎn)業(yè)集聚水平越高;區(qū)位熵小于1，則反映該產(chǎn)業(yè)在區(qū)域內(nèi)的集聚效應(yīng)差，不是優(yōu)勢(shì)主導(dǎo)產(chǎn)業(yè)。由此來(lái)判斷，該地區(qū)是否為該產(chǎn)業(yè)的集聚區(qū)。

2、空間基尼系數(shù)GN

空間基尼系數(shù)由克魯格曼提出并首次運(yùn)用于測(cè)算美國(guó)制造業(yè)的集聚程度，其計(jì)算公式為：

式中， 為空間基尼系數(shù); 為目標(biāo)區(qū)域 的某產(chǎn)業(yè)相關(guān)指標(biāo)占上層次區(qū)域該產(chǎn)業(yè)的比重; 為目標(biāo)區(qū)域 的相關(guān)指標(biāo)占全國(guó)的比重; 為全國(guó)地區(qū)的數(shù)量。

的值在0和1之間，若 的值越是接近0，那么該地區(qū)的產(chǎn)業(yè)分布越均衡，若 的值越接近1，則該地區(qū)的產(chǎn)業(yè)集聚程度越強(qiáng)?？臻g基尼系數(shù)通常用于省級(jí)、國(guó)家級(jí)等層面的分析，較少用于市域、縣域的分析。

二、物流量預(yù)測(cè)方法論

物流園區(qū)的規(guī)劃過(guò)程中，最重要的數(shù)據(jù)指標(biāo)就是區(qū)域物流量。對(duì)物流量的預(yù)測(cè)方法模型較多，比較常用的用于貨運(yùn)量預(yù)測(cè)的定量預(yù)測(cè)方法有：多元回歸預(yù)測(cè)法、曲線回歸預(yù)測(cè)法、灰色系統(tǒng)預(yù)測(cè)法、組合預(yù)測(cè)法。

1、多元回歸預(yù)測(cè)法

多元回歸預(yù)測(cè)法主要研究一個(gè)因變量與兩個(gè)或兩個(gè)以上自變量的回歸，反映一種現(xiàn)象或事物隨多種現(xiàn)象或事物的變動(dòng)而相應(yīng)變動(dòng)的規(guī)律。通過(guò)建立多個(gè)變量之間線性或非線性數(shù)學(xué)模型的數(shù)量關(guān)系式，研究因變量與多個(gè)自變量之間的聯(lián)系。Matlab、Spss、SAS等軟件都是進(jìn)行多元線性回歸的常用軟件。

多元回歸預(yù)測(cè)法預(yù)測(cè)精度高，能夠考慮到各個(gè)自變量對(duì)因變量的影響，但計(jì)算復(fù)雜，數(shù)據(jù)量大，常用于中長(zhǎng)期預(yù)測(cè)。

2、曲線回歸預(yù)測(cè)法

曲線回歸預(yù)測(cè)法是通過(guò)Spss中的曲線擬合分析因變量與自變量的相關(guān)性變化。Spss曲線回歸擬合中，通過(guò) 值確定擬合程度最高、未來(lái)發(fā)展趨勢(shì)最符合的曲線擬合方程作為預(yù)測(cè)模型，進(jìn)而得到因變量未來(lái)預(yù)測(cè)值。

貨運(yùn)量的擬合預(yù)測(cè)一般都是選取GDP作為自變量，采用一元二次函數(shù)擬合，擬合度較高，曲線變化符合現(xiàn)實(shí)趨勢(shì)發(fā)展。

3、灰色系統(tǒng)預(yù)測(cè)法

灰色系統(tǒng)理論常用于既含有已知信息又含有未知信息的系統(tǒng)預(yù)測(cè)?；疑到y(tǒng)理論認(rèn)為過(guò)程中顯示的現(xiàn)象是隨機(jī)的、雜亂無(wú)章的，但數(shù)據(jù)畢竟存在有序性、有界性?；疑到y(tǒng)預(yù)測(cè)就是利用這種規(guī)律建立灰色預(yù)測(cè)模型對(duì)相關(guān)數(shù)據(jù)進(jìn)行預(yù)測(cè)。

4、組合預(yù)測(cè)法

組合預(yù)測(cè)法根據(jù)組合定理，利用各種預(yù)測(cè)模型，得出各類預(yù)測(cè)結(jié)果。預(yù)測(cè)過(guò)程中，即使某一預(yù)測(cè)模型結(jié)果不太理想，當(dāng)與另一個(gè)較好的預(yù)測(cè)模型進(jìn)行組合后，通過(guò)權(quán)重比例，對(duì)其結(jié)果可以進(jìn)行適當(dāng)?shù)男拚黾酉到y(tǒng)的預(yù)測(cè)性能。因此，組合預(yù)測(cè)法得到的預(yù)測(cè)數(shù)值更為準(zhǔn)確，比單一的預(yù)測(cè)模型更為科學(xué)、有效。

其中，各種預(yù)測(cè)方法的權(quán)重使用平均誤差倒數(shù)法，易于操作，且效果好，適用于本研究。對(duì)平均誤差較小的模型賦予高權(quán)重，平均誤差大的模型賦予較小權(quán)重。其公式為：

三、物流園區(qū)規(guī)模的確定方法論

在物流園區(qū)規(guī)模的確定方法上，普遍采用定量分析方法。主要的定量分析方法為德國(guó)提出的MSFLB規(guī)劃方法論中的REA經(jīng)驗(yàn)?zāi)Ｐ汀?guó)內(nèi)專家學(xué)者提出的時(shí)空消耗模型和比例匯總模型。

一、REA經(jīng)驗(yàn)?zāi)Ｐ?/p>

REA經(jīng)驗(yàn)?zāi)Ｐ陀傻聡?guó)弗勞恩霍夫物流研究院提出。REA經(jīng)驗(yàn)?zāi)Ｐ屠檬袌?chǎng)調(diào)查得到的區(qū)域物流量，通過(guò)建立不同的預(yù)測(cè)模型，如灰色預(yù)測(cè)GM（1，1）模型和曲線回歸分析法等，使用區(qū)域GDP往年增長(zhǎng)率的數(shù)據(jù)預(yù)測(cè)物流園區(qū)未來(lái)10-15年物流量數(shù)據(jù);估計(jì)該地區(qū)的貨運(yùn)量在物流園區(qū)的倉(cāng)儲(chǔ)比例，并根據(jù)調(diào)查和經(jīng)驗(yàn)數(shù)據(jù)得到每年每平米倉(cāng)儲(chǔ)面積的貨物存放量;最后根據(jù)以上數(shù)據(jù)，計(jì)算預(yù)測(cè)年份區(qū)域物流園區(qū)倉(cāng)儲(chǔ)需求面積，隨后根據(jù)倉(cāng)庫(kù)建筑密度反推預(yù)測(cè)年份物流園區(qū)需求占地面積。

二、時(shí)空消耗模型

時(shí)空消耗模型由北京工業(yè)大學(xué)程世東在2005年針對(duì)物流用地規(guī)模提出的物流園區(qū)規(guī)劃模型。其數(shù)學(xué)模型為：

式中： 為物流園區(qū)理想規(guī)模; 為物流園區(qū)面積與倉(cāng)儲(chǔ)面積的比值; 為貨物種類數(shù); 為單位貨物平均所占體積; 為貨物平均周轉(zhuǎn)時(shí)間; 為貨物年周轉(zhuǎn)量，即園區(qū)的年物流量; 為貨物 的時(shí)間相關(guān)系數(shù); 為每平方米倉(cāng)庫(kù)所能存儲(chǔ)貨物 的體積。

時(shí)空消耗理論基于時(shí)空消耗供需平衡的基礎(chǔ)而建立的，通過(guò)一定的方法計(jì)算物流園區(qū)所要提供的時(shí)空資源。時(shí)空消耗模型主要用于區(qū)域物流數(shù)據(jù)比較完善能夠通過(guò)各種方式獲取，且物流發(fā)展水平較高地區(qū)的物流園區(qū)規(guī)劃。

三、比例匯總模型

2004年6月，東南大學(xué)交通學(xué)院李玉民、李旭宏等提出區(qū)域物流比例匯總模型。比例匯總模型，在規(guī)劃目標(biāo)趨于物流節(jié)點(diǎn)總體規(guī)模確定的前提并且各不同物流節(jié)點(diǎn)隔離性強(qiáng)，物流交換少的時(shí)候使用。

在區(qū)域物流規(guī)劃中，若每年的作業(yè)天數(shù)按365計(jì)，物流園區(qū)的建設(shè)總規(guī)模為：

其中： 為預(yù)測(cè)目標(biāo)年份物流園區(qū)建設(shè)需求面積（ ）; 為預(yù)測(cè)目標(biāo)年份全社會(huì)物流量（ ）; 為預(yù)測(cè)目標(biāo)年份第三方物流（3PL）市場(chǎng)占全社會(huì)物流市場(chǎng)的比重; 為預(yù)測(cè)目標(biāo)年份通過(guò)物流園區(qū)發(fā)生的作業(yè)量占第三方物流（3PL）全部物流作業(yè)量的比例; 為單位生產(chǎn)能力用地參數(shù)（ ），即每單位貨物所占面積。

四、物流園區(qū)的區(qū)位選擇方法論

對(duì)物流園區(qū)的區(qū)位選擇方法很多，常用的選址方法為模糊綜合評(píng)價(jià)法，對(duì)物流園區(qū)的選址進(jìn)行評(píng)價(jià)。

模糊綜合評(píng)價(jià)法考慮對(duì)象的各種相關(guān)影響因素值并將進(jìn)行量化，通過(guò)行列式運(yùn)算對(duì)物流園區(qū)區(qū)位選擇方案進(jìn)行評(píng)價(jià)。其評(píng)價(jià)步驟如下：

一、評(píng)價(jià)對(duì)象因素集的建立

評(píng)價(jià)對(duì)象因素集是各影響因素的集合，通常表示為：

二、評(píng)價(jià)對(duì)象備選集的建立

評(píng)價(jià)對(duì)象因素集是各影響因素的評(píng)價(jià)結(jié)果可能對(duì)比值的集合，通常表示為：

三、模糊關(guān)系矩陣的建立

對(duì)評(píng)價(jià)對(duì)象中的某個(gè)因素，采取專家評(píng)審打分的方法確定其因素關(guān)系值，進(jìn)而建立模糊關(guān)系矩陣。

四、建立權(quán)重集。對(duì)各個(gè)因素 賦予一相應(yīng)的權(quán)重 所組成的集合：

五、模糊綜合評(píng)判

通過(guò)其歸一化后的評(píng)價(jià)集 對(duì)方案進(jìn)行評(píng)價(jià)，最后得出決策結(jié)論。

參考文獻(xiàn)

[1]葛金田，沈鵬飛，陳寧寧.基于區(qū)位熵法的濟(jì)南市物流產(chǎn)業(yè)集聚度分析[J].物流工程與管理，2012，01：92-94.

[2]彭耿，劉芳.產(chǎn)業(yè)集聚度測(cè)量研究綜述[J].技術(shù)與創(chuàng)新管理，2010，02：181-184+201.

[3]張婷婷.以物流需求為導(dǎo)向的物流園區(qū)用地規(guī)模研究——以陜西省為例[D].長(zhǎng)安大學(xué)碩士論文，2011.

[4]胡衛(wèi)群.基于貨運(yùn)強(qiáng)度變化規(guī)律的貨運(yùn)量預(yù)測(cè)方法[J].交通科技，2011，02：107-109.

[5]侯文英，李宣.包頭市城區(qū)農(nóng)產(chǎn)品物流園區(qū)規(guī)模預(yù)測(cè)[J].商場(chǎng)現(xiàn)代化，2008，01：82-83.