王鳳英 (福建船政交通職業(yè)學(xué)院,福建 福州 350007)
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。
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。
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
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:
3.1 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。
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。