参考中国报告网发布《2017-2022年中国现代物流市场发展现状及发展策略分析报告》
1 引言
随着物流业的兴起，各省市纷纷出台自己的物流发展战略，城市物流规划被提上了城市规划的战略高度，城市规划者希望通过大力发展物流业来带动城市经济的发展，改善城市的投资环境、增加对外资的吸引、解决城市就业压力等，但过快的增长容易造成物流实际供给能力与物流需求的不平衡。[1]因此，对物流需求进行精确预测是城市规划者的首要目标。但由于我国城市物流发展起步较晚，缺乏对现代物流发展理念与运作模式的正确认识，对于预测所需要的历史数据的统计也还很不完整，很不科学，各种物流发展政策的制定、各类物流基础设施的可行性研究等均缺乏物流需求的定量依据。因此，找到一种合适的对物流需求预测行之有效的方法，提高物流量预测的精度，就显得尤为重要。
目前对物流需求的预测计算方法有很多，其中使用最多的有计量经济学模型、回归分析法、灰色系统模型、神经网络模型以及组合预测模型。前两种精确度较高，但是需要了解预测对象与影响因素之间的变化关系以及对影响因素的未来发展趋势，难以实现。灰色系统模型适合短期预测且预测精确较低。人工神经网络是基于模仿大脑神经网络结构和功能而建立的一种信息处理系统，有很强的学习和泛化功能，预测精确度高。[2]
因此，本文以北京市为实例，尝试建立城市物流需求的BP神经网络预测模型。
2 城市物流需求度量指标及影响因素分析
2.1 度量指标分析
在现有文献中，对物流需求的度量可采用价值量和实物量两种度量体系。价值量的物流需求是指所有物流环节上全部服务价值构成的综合反映；实物量物流需求为不同环节和功能的具体作业量，如货运量、库存量等。由于城市物流是为满足城市的经济活动和居民生活，研究对象是城市内的所有物流活动，牵涉时间长、范围广，其价值量难以有效衡量，国家统计也缺乏这方面的数据。此外，城市物流活动的核心内容是货物运输和仓储，其中运输费用占物流总成本的二分之一以上，从此角度来说，货运量Y1的规模可以近似反映物流规模。[3]
2.2 影响因素分析
影响城市物流需求的因素十分广泛且复杂，本文主要从货运量的角度进行分析。一般来讲，影响一个城市的货运量的因素主要有地区生产总值X1、第一产业产值X2、第二产业产值X3、第三产业产值X4、区域零售总额X5、区域外贸总额X6、居民消费水平X7。[4]
2.3 关联度分析
通过灰色关联分析可论证物流需求度量指标货运量与影响因素之间存在强相关性。[5]
3 BP神经网络简述
BP神经网络是目前应用最广泛的人工神经网络，它是一种包含有一个输入层、多个隐含层和一个输出层的单向传播的多层前馈网络。
4 城市物流需求预测模型的建立
4.1 数据来源及预处理
本文选取的数据资料来源是《北京统计年鉴(2008)》。根据样本数据选取原则，选取1991—2002年的数据作为网络训练样本，选取2003—2007年的数据为网络测试样本。
由于数据存在不同的量纲，需对其进行归一化处理，将数据处理为区间[0，1]之间的数据。归一化公式为：[6]
本文利用Matlab实现归一化过程。
4.2 BP网络结构设计
4.2.1 输入输出、隐层数及隐含节点数
据上面对影响因素的分析，确定生产总值等7个因子为输入节点，货运总量为输出节点。
由于单隐层BP网络的非线性映射能力非常强，这里采用单隐层的神经网络，而中间层的神经元个数需要通过试验来确定。由于输入神经元有7个，根据Kolmogorov定理，先设定网络的隐含层神经元个数为15。之后，分别取10和20，进行预测性能比较，确定最佳中间层神经元数目。通过预测误差对比曲线可知当中间层神经元数目为15时，预测误差最小。
4.2.2 传递函数及训练算法
实践证明中间层的神经元传递函数选用S型正切函数tansig，输出层神经传递函数选用S型对数函数logsig具有非常好的结果。由于函数trainlm收敛速度快，网络的训练误差也比较小，故本文训练时选用LM算法，训练次数为1000次，训练目标为0.0001，学习速率为0.1，其他参数参照MATLAB神经网络工具箱。
4.3 试验结果
训练时间大约0.49秒，训练了11次后，网络的目标误差达到要求，均方误差MSE为0.000955637/0.001，结果如图1、图2以及表2。由于训练的初始条件不同，每次训练的结果都不相同，可以经过多次的训练，使预测数据更加接近原始数据。
从上图得知，与回归(SPSS)模型相比，BP神经网络预测模型具有非常高的预测精度，预测数据和原始数据相对误差为0.1992%～2.2395%(剔除2007年的数据)。2007年出现大的误差是由于2008年北京奥运会对车辆的限行、工厂企业的停产以及其他的一些国家政策所引起的，另外2007年的货运量统计数据只包括营业性运量。因此，利用此BP神经网络模型对北京市物流需求进行预测计算是非常准确的。
5 结论
本文以北京市为实例，利用BP神经网络建立了具有时间序列的城市物流需求预测模型并采用Matlab软件对模型进行了仿真。由建模过程以及仿真的预测结果表明：
(1)本模型的预测精度高，最大误差仅为2.2395.07%，平均误差为1.23%。如果考虑一些特殊因素，预测数据将更加精确。
(2)当数据出现误差和不连续时，模型能够根据前后的数据识别相关性，以及自我学习功能，做出精确的预测。
(3)模型计算简单，无须建立复杂的数学方程和编程，易于实现。
(4)模型预测规律受样本性质影响，只要样本选择得当，预测精度就由网络结构确定。
(5)该模型是依照以往历史数据进行预测，易受原始数据影响，而忽视未来发展趋势。
人工神经网络的强大功能已使其被用于社会的各个领域，并取得了令人鼓舞的成果。这给社会以及整个人类的生存发展带来了福音。
参考文献：
[1]张利学.城市物流需求预测方法研究[D].南京：东南大学，2006.
[2]韩力群.人工神经网络理论、设计及应用[M].北京：化学工业出版社，2007.
[3]蔡定萍.物流市场需求预测研究[D].南昌：江西财经大学，2006.
[4]文培娜，张志勇，罗斌.基于BP神经网络的北京物流需求预测及分析[J].物流技术，2009(6).
[5]文培娜，张志勇，冯怡.区域物流需求与区域经济的关联性分析[J].物流技术，2009(12).
[6]周开利，康耀红.神经网络模型及其MATLAB仿真程序设计[M].北京：清华大学出版社，2005.
1 引言
随着物流业的兴起，各省市纷纷出台自己的物流发展战略，城市物流规划被提上了城市规划的战略高度，城市规划者希望通过大力发展物流业来带动城市经济的发展，改善城市的投资环境、增加对外资的吸引、解决城市就业压力等，但过快的增长容易造成物流实际供给能力与物流需求的不平衡。[1]因此，对物流需求进行精确预测是城市规划者的首要目标。但由于我国城市物流发展起步较晚，缺乏对现代物流发展理念与运作模式的正确认识，对于预测所需要的历史数据的统计也还很不完整，很不科学，各种物流发展政策的制定、各类物流基础设施的可行性研究等均缺乏物流需求的定量依据。因此，找到一种合适的对物流需求预测行之有效的方法，提高物流量预测的精度，就显得尤为重要。
目前对物流需求的预测计算方法有很多，其中使用最多的有计量经济学模型、回归分析法、灰色系统模型、神经网络模型以及组合预测模型。前两种精确度较高，但是需要了解预测对象与影响因素之间的变化关系以及对影响因素的未来发展趋势，难以实现。灰色系统模型适合短期预测且预测精确较低。人工神经网络是基于模仿大脑神经网络结构和功能而建立的一种信息处理系统，有很强的学习和泛化功能，预测精确度高。[2]
因此，本文以北京市为实例，尝试建立城市物流需求的BP神经网络预测模型。
2 城市物流需求度量指标及影响因素分析
2.1 度量指标分析
在现有文献中，对物流需求的度量可采用价值量和实物量两种度量体系。价值量的物流需求是指所有物流环节上全部服务价值构成的综合反映；实物量物流需求为不同环节和功能的具体作业量，如货运量、库存量等。由于城市物流是为满足城市的经济活动和居民生活，研究对象是城市内的所有物流活动，牵涉时间长、范围广，其价值量难以有效衡量，国家统计也缺乏这方面的数据。此外，城市物流活动的核心内容是货物运输和仓储，其中运输费用占物流总成本的二分之一以上，从此角度来说，货运量Y1的规模可以近似反映物流规模。[3]
2.2 影响因素分析
影响城市物流需求的因素十分广泛且复杂，本文主要从货运量的角度进行分析。一般来讲，影响一个城市的货运量的因素主要有地区生产总值X1、第一产业产值X2、第二产业产值X3、第三产业产值X4、区域零售总额X5、区域外贸总额X6、居民消费水平X7。[4]
2.3 关联度分析
通过灰色关联分析可论证物流需求度量指标货运量与影响因素之间存在强相关性。[5]
3 BP神经网络简述
BP神经网络是目前应用最广泛的人工神经网络，它是一种包含有一个输入层、多个隐含层和一个输出层的单向传播的多层前馈网络。
4 城市物流需求预测模型的建立
4.1 数据来源及预处理
本文选取的数据资料来源是《北京统计年鉴(2008)》。根据样本数据选取原则，选取1991—2002年的数据作为网络训练样本，选取2003—2007年的数据为网络测试样本。
4.2 BP网络结构设计
4.2.1 输入输出、隐层数及隐含节点数
据上面对影响因素的分析，确定生产总值等7个因子为输入节点，货运总量为输出节点。
由于单隐层BP网络的非线性映射能力非常强，这里采用单隐层的神经网络，而中间层的神经元个数需要通过试验来确定。由于输入神经元有7个，根据Kolmogorov定理，先设定网络的隐含层神经元个数为15。之后，分别取10和20，进行预测性能比较，确定最佳中间层神经元数目。通过预测误差对比曲线可知当中间层神经元数目为15时，预测误差最小。
4.2.2 传递函数及训练算法
实践证明中间层的神经元传递函数选用S型正切函数tansig，输出层神经传递函数选用S型对数函数logsig具有非常好的结果。由于函数trainlm收敛速度快，网络的训练误差也比较小，故本文训练时选用LM算法，训练次数为1000次，训练目标为0.0001，学习速率为0.1，其他参数参照MATLAB神经网络工具箱。
4.3 试验结果
训练时间大约0.49秒，训练了11次后，网络的目标误差达到要求，均方误差MSE为0.000955637/0.001，结果如图1、图2以及表2。由于训练的初始条件不同，每次训练的结果都不相同，可以经过多次的训练，使预测数据更加接近原始数据。
从上图得知，与回归(SPSS)模型相比，BP神经网络预测模型具有非常高的预测精度，预测数据和原始数据相对误差为0.1992%～2.2395%(剔除2007年的数据)。2007年出现大的误差是由于2008年北京奥运会对车辆的限行、工厂企业的停产以及其他的一些国家政策所引起的，另外2007年的货运量统计数据只包括营业性运量。因此，利用此BP神经网络模型对北京市物流需求进行预测计算是非常准确的。
5 结论
本文以北京市为实例，利用BP神经网络建立了具有时间序列的城市物流需求预测模型并采用Matlab软件对模型进行了仿真。由建模过程以及仿真的预测结果表明：
(1)本模型的预测精度高，最大误差仅为2.2395.07%，平均误差为1.23%。如果考虑一些特殊因素，预测数据将更加精确。
(2)当数据出现误差和不连续时，模型能够根据前后的数据识别相关性，以及自我学习功能，做出精确的预测。
(3)模型计算简单，无须建立复杂的数学方程和编程，易于实现。
(4)模型预测规律受样本性质影响，只要样本选择得当，预测精度就由网络结构确定。
(5)该模型是依照以往历史数据进行预测，易受原始数据影响，而忽视未来发展趋势。
人工神经网络的强大功能已使其被用于社会的各个领域，并取得了令人鼓舞的成果。这给社会以及整个人类的生存发展带来了福音。
参考文献：
[1]张利学.城市物流需求预测方法研究[D].南京：东南大学，2006.
[2]韩力群.人工神经网络理论、设计及应用[M].北京：化学工业出版社，2007.
[3]蔡定萍.物流市场需求预测研究[D].南昌：江西财经大学，2006.
[4]文培娜，张志勇，罗斌.基于BP神经网络的北京物流需求预测及分析[J].物流技术，2009(6).
[5]文培娜，张志勇，冯怡.区域物流需求与区域经济的关联性分析[J].物流技术，2009(12).
[6]周开利，康耀红.神经网络模型及其MATLAB仿真程序设计[M].北京：清华大学出版社，2005.
资料来源：公开资料，中国报告网整理，转载请注明出处（ww）
更多好文每日分享，欢迎关注公众号
【版权提示】观研报告网倡导尊重与保护知识产权。未经许可，任何人不得复制、转载、或以其他方式使用本网站的内容。如发现本站文章存在版权问题，烦请提供版权疑问、身份证明、版权证明、联系方式等发邮件至kf@chinabaogao.com，我们将及时沟通与处理。
