博文
国内物流需求预测方法文献综述
||||
(河北工程大学 管理科学与工程 阮俊虎）
物流需求是指一定时期内社会经济活动对生产、流通、消费领域的原材料、半成品和成品、商品以及废旧物品、废旧材料等的配置作用而产生的对物在空间、时间和费用方面的要求，涉及运输、库存、包装、装卸搬运、流通加工以及与之相关的信息需求等物流活动的诸方面[1]。物流需求的度量可以采用价值量和实物量两种度量体系。实物量意义上的物流需求主要表现为不同环节和功能的具体作业量，如货运量、库存量、加工量、配送量等；价值量意义上的物流需求是所有物流环节全部服务价值构成的综合反映，如物流成本、物流收入、供应链增值等[2]。
物流需求预测是根据物流市场过去和现在的需求状况，以及影响物流市场需求变化的因素之间的关系，利用一定的判断、技术方法和模型，对物流需求的变化及发展趋势进行预测。国内外许多专家和学者都对物流需求的预测进行了研究，提出不同的预测方法和手段。物流预测方法可以分为定性预测方法（如德尔菲法和业务人员评估法等）和定量预测方法，但多数是定量预测方法，因此，本文主要是对国内物流需求定量预测方法进行综述，归为时间序列预测方法、因果关系预测方法、组合预测方法等三类。
1． 时间序列预测方法综述
时间序列预测方法是依据从历史数据组成的时间序列中找出预测对象的发展变化规律，以此作为预测依据。常用的时间序列预测模型有增长率法、移动平均法、指数平滑法、随机时间序列模型、灰色模型、以及在经济领域已经被广泛应用的混沌与分形等。
增长率法指根据预测对象在过去的统计期内的平均增长率，类推未来某期预测值的一种简便算法。该预测方法一般用于增长率变化不大，或预计过去的增长趋势在预测期内仍将继续的场合。刘劲等[3]（2002）在利用增长率系数法对百色地区港口货运量进行了逐一分析。
移动平均法是用一组最近的实际数据值来预测未来一期或几期内产品的需求量的一种常用方法。当产品需求既不快速增长也不快速下降，且不存在季节性因素时，移动平均法能有效地消除预测中的随机波动。根据预测时使用的各元素的权重不同，移动平均法可以分为：简单移动平均和加权移动平均。杨荣英等[4]（2001）在讨论移动平均值的基础上，提出了移动平均线方法，并介绍了运用移动平均线进行物流预测的方法。李海建等[5]（2003）利用二次移动平均线模型对芜湖市物流业发展的规模进行了预测。
指数平滑法是在移动平均法基础上发展起来的一种时间序列分析预测法，它是通过计算指数平滑值，配合一定的时间序列预测模型对现象的未来进行预测。其原理是任一期的指数平滑值都是本期实际观察值与前一期指数平滑值的加权平均。移动平均法则不考虑较远期的数据，并在加权移动平均法中给予近期资料更大的权重；而指数平滑法则兼容了全期平均和移动平均所长，不舍弃过去的数据，但是仅给予逐渐减弱的影响程度，即随着数据的远离，赋予逐渐收敛为零的权数。韦司滢等[6]（1999）将指数平滑法等其他多种方法应用在三峡移民工程建材配送决策支持系统中。黄荣富等[7]（2003）、张云康等[8]（2008）在进行指数平滑法预测的基础上进行了物流需求多种方法组合预测。
随机时间序列模型就是指在所研究对象的一组实测时间序列的基础上，通过各种数学的分析处理手段，寻找序列变化特征、发展趋势与规律，进而对未来某时刻研究对象的状态做出估计。常用模型有：自回归(AR)模型、移动平均(MA)模型、自回归移动平均(ARMA)模型、求和自回归移动平均(ARIMA)模型等。黄丽[9]（2004）利用随机时间序列模型对物流需求预测进行了专题研究。
灰色模型(Grey Model，简称GM)是一种以对时间序列进行研究分析，并建立方程，将无规律的原始数列经过转换，使之成为较有规律的生成数列后再建模用于预测的预测方法。赖一飞等[10]（2000）建立灰色系统预测模型，并对金沙江货类的流量流向及过坝货运量进行分析预测。张存禄等[11]（2000）利用GM（1，1）模型对武汉地区的物流发展水平进行了灰色预测。张鹏等[12]（2001）将灰色模型应用到公路物流预测中。林桦等[13]（2001）、刘芳等[14]（2005）、黄智星等[15]（2007）、柴大胜等[16]（2007）以物流园区为研究对象，利用灰色模型对其货流量等进行了预测。林小平等[17]（2003）利用灰色系统理论，建立了成都双流机场货、邮吞吐量的预测模型。并通过实际数据与预测结果的比较，证明灰色模型对于双流机场货、邮吞吐量的预测具有较高的精度。何国华[18]（2008）利用灰色预测模型对区域物流需求进行了研究。潘英英[19]（2008）运用灰色系统模型，对广西物流中心货运需求量进行了动态预测。另外，还有学者针对灰色预测模型的不足，对其进行了改进，并将其应用到物流需求预测中。如：周茵[20]（2007）针对GM（1,1）模型对离散度大的数据预测精度差的缺陷，将残差灰色预测模型应用到物流货运量预测中；吴振宁等[21]（2004）、王冠奎等[22]（2007）、胡云超等[23]（2007）利用马尔可夫链对灰色模型进行了改进，并将其应用到物流需求预测中。
混沌是决定论系统所表现的随机行为的总称，根源在系统内的非线性交叉耦合作用，是一种回复性非周期运动。分形论是以复杂事物为研究对象的，包括线性分形和非线性分形。混沌与分形经常被用于复杂系统中，国内学者也有将其应用到物流需求的预测中。如：毛良伟[24]（2003）将混沌动力学应用到宏观物流预测中；杨瑞等[25]（2005）比较了现代常用的公路货运量预测方法的优缺点，研究了混沌理论对公路货运量的预测基本原理，构思短中长期货运量预测方法的可行性，并提出了研究方法和途径；李红启[26]（2003）论证了分形理论用于铁路货运量分析的可行性；聂伟[27]（2007）在已有研究的基础上，提出了一种新的分形预测模型—等长度递补变维分形模型，并将其应用到我国货运量及其构成预测中。
2． 因果关系预测方法综述
因果关系预测方法是依据历史资料找出预测对象的变量与其相关事物的变量关系，建立相应的因果预测模型，利用事物发展的因果关系来推断事物发展趋势的预测方法。物流需求属于派生需求，它是由经济发展本身带来的，与经济的发展密切相关，随着经济总量、产业结构、资源分布等改变，物流需求量、需求结构和层次也随着发生变化[28]，因此，许多学者利用有关经济的各项指标来预测物流需求，常用的模型有弹性系数法、重力模型法、线性回归模型、神经网络模型、支持向量机模型等。
弹性系数法是在对一个因素发展变化预测的基础上，通过弹性系数对另一个因素的发展变化作出预测的一种间接预测方法[29]。乔向明等[30]（2004）以十年时间序列数据为依据，采用弹性系数法，对我国公路客货运量进行中期预测研究。李慧等[31]（2006）选取交通区汽车保有量、客货运输量、通道交通量统计资料与国内生产总值作为弹性系数指标，进行回归确定弹性系数，对资泸路(省道207 线)威远段改造工程工可交通量进行了预测。于龙年[32]（2008）给出了物流量预测的两种方法德尔菲法和弹性系数法。曹晓飞等[33]（2008）结合北京经济发展趋势，运用弹性系数法对机动车保有量进行了预测。
重力模型法认为区与区之间的交通分布受到地区间距离、运行时间、费用等所有交通阻抗的影响，即区与区之间的出行分布同各区对出行的吸引成正比，而同区之间的交通阻抗成反比（该模型与牛顿万有引力公式相类似，并因此而得名）。蒋仁才[34]（1987）利用重力模型对铁路货流分布进行了预测。詹燕等[35]（2000）介绍了重力模型法的原理及其在交通分布预测中的应用前景，并通过实例比较了 Furness法和重力模型改进法的运用差别。蔡若松等[36]（2002）、杨天宝等[37]（2006）、肖文刚等[38]（2007）在交通预测的实际应用中对重力模型进行了改进。另外，还有学者提出逆向重力模型[39]、模糊重力模型[40]等，并将其利用到交通预测中。
回归分析研究因变量对一个或多个自变量的依赖关系，其用意在于通过后者的已知值，去估计或预测前者的总体均值（古扎拉蒂，1995）。物流需求属于派生需求，它是由经济发展本身带来的，与经济的发展密切相关，文献[28]根据上海市经济指标数据得出了物流需求指标与其他指标的相关性系数矩阵，证明其间有极强的线性相关性。因此，许多学者将线性回归模型应用到物流需求预测中，如：王桂霞等[41]（2001）应用多元线性回归预测模型等对内蒙古交通运输货运量及货运周转量进行了预测；刘劲等[3]（2002）在右江那吉航运枢纽工程货运量预测中应用到多元回归模型；林洪 [42]（2002）、李慧[43]（2004）、王小萃[44]（2007）、陈智刚等[45]（2007）、杨琳等[46]（2007）、杨帅[47]（2007）、赵卫艳等[48]（2007）都将线性回归模型应用到物流需求预测中。
人工神经网络作为一种并行的计算模型，具有传统建模方法所不具备的很多优点，有很好的非线性映射能力。对被建模对象的先验知识要求不多，一般不必事先知道有关被建模对象的结构、参数、动态特性等方面的知识，只需给出对象的输入、输出数据，通过网络本身的学习功能就可以达到输入与输出的完全符合[49-50]。针对物流需求预测中存在着非线性性，国内许多学者将神经网络模型应用到物流需求预测中。张拥军等[51]（1999）从交通运输需求的角度描绘了交通运输需求与国民经济的一些主要经济变量的相关关系，基于这些相关关系建立了交通运输需求预测的神经网络模型，利用误差反向传播算法实现了由这些因素到运输系统需求的复杂映射，并进行了实例验证分析。王隆基等[52]（2004）、牛忠远[53]（2006）、缪桂根[54]（2007）、耿勇等[55]（2007）、郭红霞等[56]（2007）针对传统物流预测方法的局限，研究了基于BP模型神经网络的物流预测方法，即依据历史数据建立BP神经网络然后进行训练形成物流预测模型。白晨明等[57]（2004）依据已有的内、外回归神经网络预测模型及其算法，利用它们的良好特性，提出了对角回归神经网络滚动预测模型及其机场物流预测系统。赵闯等[58]（2004）、后锐等[59]（2005）将广义神经网络应用到物流需求预测中。
支持向量机（SVM）的基本思想是通过用内积函数定义的非线性变换将输入空间变换到一个高维空间，在这个高维空间中寻找输入变量和输出变量之间的一种非线性关系。支持向量机有严格的理论基础，是基于结构风险最小化原则的方法，明显优于传统的基于经验风险最小化原则的常规神经网络方法。其算法是一个凸二次优化问题，保证找到的解是全局最优解，能较好的解决小样本、非线性、高维数等实际问题。问题的复杂度不取决于特征的维数，且具有良好的推广能力，正在成为继神经网络研究之后的研究热点。针对我国现阶段物流系统样本量少的具体状况以及神经网络模型的局限性，越来越多的学者将支持向量机应用到物流需求预测中。唐伟鸿等[60]（2005）采用基于时间序列的支持向量机进行了物流量预测。庞明宝等[61, 62]（2007，2008）分别用非线性支持向量机和基于偏最小二乘支持向量机回归模型对区域物流量进行了预测研究。胡燕祝等[63]（2008）从物流与经济的关系着手分析，建立了基于支持向量回归机的物流需求预测模型。
3． 组合预测方法综述
不同预测方法的精度和侧重点存在差异，因此可将几种预测方法按一定的比例结构进行组合预测。自从Bates和Granger在20世纪60年代首次提出组合预测理论以来，对组合预测方法的研究和应用发展很快，采用组合预测模型可以克服单一模型的局限性，尽可能提高预测的精度。吴守荣[64]（1999）利用灰色预测模型和回归模型组合模型对山东省公路机动车货运量及运力进行了预测。黄荣富等[7]（2003）以某港口近
除了以上物流需求预测方法以外，还有其他预测方法，例如时交叉影响模型、投入产出模型[72]、联机分析处理法[73]、价值量法[2]和集对聚类预测模型[74]等。
参考文献：
[1] 云俊．物流园区预测方法及应用研究[D]． 武汉理工大学硕士论文集，2003，09．
[2] 刘秉镰．基于价值量的物流需求分析与预测方法研究[J]． 中国软科学，2004（05）：66-73．
[3] 刘劲，谢涛．右江那吉航运枢纽工程货运量分析预测方法[J]． 广西交通科技，2002，27（4）：81-83．
[4] 杨荣英，张辉，苗张木． 物流预测技术中的移动平均线方法[J]． 武汉理工大学学报(交通科学与工程版)，2001，25（03）：353-355．
[5] 李海建，曹卫东，曹有挥． 芜湖市物流业发展的现状分析及规模预测[J]． 安徽师范大学学报(自然科学版)，2003，26（02）：186-190．
[6] 韦司滢，张金隆，鲍玉昆． 物资配送需求预测的分析[J]． 物流技术，1999（3）：19-20．
[7] 黄荣富，陈亚东，潘 健． 组合预测技术在港口吞吐量预测中的应用研究[J]． 水运工程，2003，352（5）：25-27．
[8] 张云康，张晓宇． 组合预测模型在宁波港集装箱吞吐量预测中的应用[J]． 中国水运，2008，08（01）：33-34．
[9] 黄丽． 随机时间序列模型在物流需求预测中的应用[D]． 武汉大学硕士论文集，2004，09．
[10] 赖一飞，郑清秀，章少强，纪昌明． 灰色预测模型在水运货运量预测中的应用[J]． 武汉水利电力大学学报，2000，31（01）：96-99．
[11] 张存禄，黄培清． 武汉地区物流发展水平灰色预测[J]． 工业技术经济，2001（05）：32-35．
[12] 张鹏，花恋． 灰色模型预测技术在公路物流预测中的应用[J]． 交通企业管理，2001（12）：25-27．
[13] 林桦． 物流园区的货流预测研究[J]． 武汉理工大学学报，2002，24（04）：97-100．
[14] 刘芳，高波，Golinova S．F． 灰色序列模型在物流园区货运量预测中的应用[J]． 成组技术与生产现代化，2005，22（4）：22-24．
[15] 黄智星． 灰色预测算法在物流园区需求预测中的应用与改进[D]． 北京交通大学硕士论文集，2007．
[16] 柴大胜，黄智星，申金升． 灰色预测算法在物流园区需求预测中的应用[J]． 物流技术，2007，26（8）：73-75，109．
[17] 林小平， 袁捷． 基于灰色模型的成都双流机场物流预测[J]． 武汉理工大学学报(交通科学与工程版)，2007（03）：457-459．
[18] 何国华． 区域物流需求预测及灰色预测模型的应用[J]． 北京交通大学学报(社会科学版)，2008（01）：33-37．
[19] 潘英英，宋国喜． 基于灰色系统理论的广西物流需求预测模型[J]． 广西财经学院学报，2008（01）：26-29．
[20] 周茵． 残差灰色预测模型在物流需求预测中的应用[J]． 2007（11）：59-61．
[21] 吴振宁，黎青松，梁涛，董文龙． 基于灰色Markov链配送中心物流量的预测[J]． 西华大学学报(自然科学版)，2004，23（S1）：123-125．
[22] 王冠奎，董艳． 基于灰色马尔可夫模型的物流园区物流量预测研究[J]． 物流科技，2007，02：1-4．
[23] 胡云超， 雷黎， 纪寿文． 基于Markov链的物流园区需求灰色预测模型改进[J]． 物流科技，2007（08）：1-3．
[24] 毛良伟． 混沌动力学在宏观物流预测中的运用[J]． 技术经济，2003（05）：32-35．
[25] 杨瑞，张那，陆怀民． 基于混沌理论对公路货运量预测方法的研究[J]． 黑龙江交通科技，2005（02）：92-93．
[26] 李红启，刘凯．基于分形理论的铁路货运量预测[J]．铁道学报，2003，25（3）：19-24．
[27] 聂伟，邵春福，杨励雅，牛学军．分形理论在货运量预测中的应用探讨[J]．物流技术，2007，(02)：104-106，109．
[28] 杨浩． 区域经济和区域物流需求的预测研究[D]． 对外经济贸易大学硕士论文集，2005，06．
[29] 胡坚． 经济预测讲座(八)-弹性系数法在需求预测中的应用[J]． 北京统计，1998（08）：45-46．
[30] 乔向明，董梅，张明香． 基于弹性系数法的全国公路客货运量预测研究[J]． 华东公路，2004（05）：87-90．
[31] 李慧，林荣娜． 弹性系数法在公路工可交通量预测中的应用[J]． 西华大学学报(自然科学版)，2006，25（05）：28-29，47．
[32] 于龙年． 关于铁路物流中心物流量预测的探讨[J]． 科技创新导报，2008（19）：190-191．
[33] 曹晓飞，邵春福． 运用弹性系数法预测北京机动车保有量[J]． 道路交通与安全，2008，08（04）：31-34．
[34] 蒋仁才，刘瑞林． 逐步回归方法和重力模型在货运量预测中的应用[J]． 中国铁道科学，1987，(01)．
[35] 詹燕，李硕． 重力模型在交通分布预测中的应用[J]． 湖南交通科技，2000，26（02）：65-66，71．
[36] 蔡若松，李默涵． 重力模型在未来交通分布预测中的应用[J]． 丹东纺专学报，2002，09（02）：23-24．
[37] 杨天宝，刘军． 应用改进重力模型法预测铁路行包OD运量的研究[J]． 铁道运输与经济，2006（03）：31-34．
[38] 肖文刚，陈金泉． 重力模型改进在交通分布预测中的应用[J]． 科技情报开发与经济，2007，17（12）：200-201．
[39] 刘晓明，夏洪山． 基于逆向重力模型的枢纽机场旅客吞吐量估计方法[J]． 交通运输工程学报，2008，08（02）：85-89．
[40] 朱顺应，管菊香，王红，李安勋，严新平． 交通分布预测模糊重力模型[J]． 东南大学学报(自然科学版)，2008，38（04）：727-731．
[41] 王桂霞，何满喜，米宇平． 内蒙古交通运输货运量及货运周转量的预测[J]． 内蒙古师大学报(自然科学汉文版)，2001，30（2）：114-118．
[42] 林洪． 广东物流业发展状况评价及趋势预测[J]． 番禺职业技术学院学报，2002，01（03）：34-37．
[43] 李慧． 线性回归预测与控制在物流作业成本法中的应用[J]． 重庆交通学院学报，2004，23（06）：115-117．
[44] 王小萃． 城市物流需求量的回归模型[J]． 中国水运，2007，05（07）：201-202．
[45] 陈智刚，朱鼎勋，何淼． 基于的昆明市第三方物流市场需求预测分析[J]． 昆明冶金高等专科学校学报，2007（06）：30-33．
[46] 杨琳，刘忠波． 一元线性回归模型在预测物流需求的应用[J]． 商业文化(学术版)，2007（10）：173-175．
[47] 杨帅． 武汉市物流需求预测[J]． 当代经济(下半月)，2007（10）：106-107．
[48] 赵卫艳，谷雪松． 线性回归模型在货运量预测中的应用[J]． 山西建筑，2007，33（09）：248-249．
[49] 邢文训，谢金星． 现代优化计算方法[M]． 北京：清华大学出版社，1999．
[50] 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，2002．
[51] 张拥军，叶怀珍，任民． 神经网络模型预测运输货运量[J]． 西南交通大学学报(自然科学版)，1999，34（05）：602-605．
[52] 王隆基，张仲鹏，孙晓霞． 基于BP神经网络的物流预测方法[J]． 机械，2004，31（03）：4-5，9．
[53] 牛忠远． 我国物流需求预测的神经网络模型和实证分析研究[D]． 浙江大学硕士论文集，2006．07．
[54] 缪桂根． 基于 BP 神经网络技术的区域物流需求量预测[J]． 中国水运(理论版)，2007（05）：131-132．
[55] 耿勇，鞠颂东，陈娅娜． 基于BP神经网络的物流需求分析与预测[J]． 物流技术，2007，26（7）：35-37，73．
[56] 郭红霞． 基于BP神经网络的物流需求量预测框架设计[J]． 铁道运输与经济，2007，29（11）：68-70．
[57] 白晨明，孟建军，周晓丽，蒋兆远． 神经网络在机场物流预测中的应用研究[J]． 兰州交通大学学报，2004，23（03）：39-43．
[58] 赵闯，刘凯，李电生． 基于广义回归神经网络的货运量预测[J]． 铁道学报，2004，26（1）：12-15．
[59] 后锐，张毕西． 基于MLP神经网络的区域物流需求预测方法及其应用[J]． 系统工程理论与实践，2005，12：43-47．
[60] 唐伟鸿，李文锋． 基于时间序列的支持向量机在物流预测中的应用[J]． 物流科技，2005，28（113）：8-11．
[61] 庞明宝，常振华，刘娟． 基于非线性支持向量机区域物流量预测[J]． 物流科技，2007，09：20-23．
[62] 庞明宝，谢玲 郝然，马宁． 基于偏最小二乘支持向量机回归区域物流量预测[J]． 河北工业大学学报，2008（02）：91-96．
[63] 胡燕祝，吕宏义． 基于支持向量回归机的物流需求预测模型研究[J]． 物流技术，2008，27（5）：66-68．
[64] 吴守荣． 山东省公路机动车货运量及运力组合预测[J]． 山东科技大学学报(自然科学版)，1999，18（04）：107-110．
[65] 初良勇，田质广，谢新连． 组合预测模型在物流需求预测中的应用[J]． 大连海事大学学报，2004，30（4）：43-46．
[66] 赵刚，朱超，封学军． 组合预测在港口吞吐量预测中的应用研究[J]． 水运工程，2005，374（3）：34-36，52．
[67] 武骁，宗蓓华． 基于支持向量机回归的港口吞吐量非线性组合预测[J]． 河海大学学报(自然科学版)，2005，33（4）：482-484．
[68] 姚智胜，邵春福，熊志华． 基于小波包和最小二乘支持向量机的短时交通流组合预测方法研究[J]． 中国管理科学，2007，15（1）：119-123．
[69] 郁小锋，余 静． 组合预测模型在港口物流量预测中的应用[J]． 中国水运，2008，8（6）：72-74．
[70] 刘婷婷，邓克涛，马昌喜． 模糊神经网络非线性组合预测在铁路货运量预测中的应用[J]． 铁道运输与经济，2008，30（9）：91-94．
[71] 李斌，郗 涛，史明华． 基于支持向量机的交通流组合预测模型[J]． 天津工业大学学报，2008，22（4）：73-76．
[72] 云俊，王少梅． 物流系统的多目标预测[J]． 武汉理工大学学报(社会科学版)，2001，14（03）：243-245．
[73] 潘文军，胡文斌，王少梅． 物流预测OLAP系统的设计研究[J]． 物流科技，2003，26（98）：10-12．
[74] 王晓原，张敬磊． 区域物流需求分析集对聚类预测模型研究[J]． 软科学，2004，18（5）：11-13，17．
https://m.sciencenet.cn/blog-225559-219278.html
下一篇：非常规突发事件应急管理(转载于学者马剑 http://www.sciencenet.cn/u/majian/)
