石 川

（成都工業(yè)學(xué)院 信息與計(jì)算科學(xué)系，四川 成都 611730）

1 引言

經(jīng)濟(jì)全球化和電子商務(wù)的飛速發(fā)展，對(duì)現(xiàn)代物流提出了更高的要求，物流行業(yè)的發(fā)展也成為我國(guó)經(jīng)濟(jì)結(jié)構(gòu)轉(zhuǎn)型過(guò)程中一個(gè)新的經(jīng)濟(jì)增長(zhǎng)點(diǎn)。在物流行業(yè)飛速發(fā)展過(guò)程中，供需矛盾尤為突出，主要表現(xiàn)在：區(qū)域物流發(fā)展不均衡導(dǎo)致各地供需不平衡；物流發(fā)展的周期性導(dǎo)致供需時(shí)間點(diǎn)錯(cuò)位；過(guò)度投資物流布局造成社會(huì)資源浪費(fèi)。究其原因，在當(dāng)今國(guó)家大力提倡“大數(shù)據(jù)”、“人工智能”的背景下，物流公司雖然在數(shù)量上不斷壯大，但是物流行業(yè)對(duì)數(shù)據(jù)采集和分析的能力不足，導(dǎo)致物流公司的質(zhì)量提升有限。

需求決定供給，根據(jù)相關(guān)數(shù)據(jù)對(duì)物流需求做出準(zhǔn)確的預(yù)測(cè)能對(duì)物流供給提供更合理的指導(dǎo)。目前常用的對(duì)物流需求預(yù)測(cè)的方法有：回歸分析、聚類分析、灰色預(yù)測(cè)、時(shí)間序列等。不過(guò)，我國(guó)現(xiàn)在對(duì)物流需求預(yù)測(cè)更偏向理論方法的研究，很少應(yīng)用于實(shí)際。本文以四川省內(nèi)一個(gè)大型連鎖超市企業(yè)為背景，計(jì)劃對(duì)其區(qū)域物流需求進(jìn)行預(yù)測(cè)，并對(duì)其下一年的物流配置計(jì)劃給出合理的建議。該企業(yè)在四川省內(nèi)11個(gè)市（州）、32個(gè)縣（市、區(qū)）擁有近30家大型連鎖超市和20余家便利店，同時(shí)在成都建立了近30 000m2的物流配送中心。

由于現(xiàn)在大多數(shù)企業(yè)都不太重視物流數(shù)據(jù)和信息，一些大型企業(yè)即使建有自己的物流鏈，他們對(duì)與物流直接相關(guān)的數(shù)據(jù)記錄都不詳細(xì)和完整。所以要從物流數(shù)據(jù)去對(duì)物流需求進(jìn)行預(yù)測(cè)不太現(xiàn)實(shí)，即使預(yù)測(cè)出來(lái)也會(huì)有比較大的偏差?？紤]到該企業(yè)屬于零售業(yè)，超市各個(gè)門店的銷量就決定了他們的需求量，這樣可以嘗試用銷售數(shù)據(jù)代替物流數(shù)據(jù)去對(duì)各個(gè)門店的物流需求進(jìn)行預(yù)測(cè)。

2 數(shù)據(jù)的收集和整理

首先收集了該企業(yè)所有超市門店的相關(guān)信息（包括代碼、位置、性質(zhì)等）以及2010-2017年每個(gè)門店的月銷售額數(shù)據(jù)。由于相同位置區(qū)域的門店物流線路大致相同，將各個(gè)門店按照地理位置劃歸五個(gè)區(qū)域，見表1。

表1 企業(yè)門店分區(qū)表

對(duì)原始銷售數(shù)據(jù)中明顯錯(cuò)誤的、缺失的數(shù)據(jù)用三次樣條插值法將其補(bǔ)齊后對(duì)該企業(yè)按月、年度的總銷售額及每個(gè)門店的月、年度銷售額分區(qū)域統(tǒng)計(jì)匯總。

從基礎(chǔ)數(shù)據(jù)的分析可以看出該企業(yè)區(qū)域物流的一些基本特征：該企業(yè)區(qū)域物流以成都為物流中轉(zhuǎn)中心向成都及其他地區(qū)配送商品；成都及川東地區(qū)門店數(shù)量及銷售額超過(guò)該企業(yè)總銷售額的70%，而川東地區(qū)地處山區(qū)且物流配送距離遠(yuǎn)，是物流資源配置的重心；川南和川西地區(qū)是這幾年銷量增長(zhǎng)最快的區(qū)域，需做好物流資源需求暴增的預(yù)警。

3 預(yù)測(cè)模型的建立

由于采集的數(shù)據(jù)類型比較單一，不太適用回歸分析和因素分析來(lái)進(jìn)行預(yù)測(cè)，且采集到的數(shù)據(jù)剛好是標(biāo)準(zhǔn)的時(shí)間序列數(shù)據(jù)，所以考慮采用時(shí)間序列分析來(lái)建立預(yù)測(cè)模型。ARIMA（k,d,q）模型是在時(shí)間序列分析中最常用的模型。自回歸模型（AR）、移動(dòng)平均模型（MA）和混合模型是ARIMA的三種基本形式，k是自回歸項(xiàng)數(shù)，q是移動(dòng)平均項(xiàng)數(shù)，d是差分次數(shù)。

3.1 數(shù)據(jù)的平穩(wěn)性分析

根據(jù)企業(yè)月份總銷量圖可以初步判斷其為平穩(wěn)序列。將數(shù)據(jù)進(jìn)行一階差分處理后平穩(wěn)性更好，如圖1所示。

圖1 企業(yè)月銷量一階差分時(shí)序圖

為了對(duì)數(shù)據(jù)平穩(wěn)性進(jìn)行進(jìn)一步驗(yàn)證，檢驗(yàn)企業(yè)月銷量一階差分序列的自相關(guān)性和偏自相關(guān)性，如圖2所示。

3.2 建立預(yù)測(cè)模型

自相關(guān)系數(shù)和偏自相關(guān)系數(shù)在第一、二項(xiàng)之后快速趨近于零，則考慮把k和q在0～2之間取值來(lái)擬合相關(guān)模型參數(shù)。而且自相關(guān)系數(shù)與偏自相關(guān)系數(shù)都拖尾，決定建立ARIMA模型來(lái)對(duì)數(shù)據(jù)進(jìn)行預(yù)測(cè)。

4 區(qū)域物流需求預(yù)測(cè)

4.1 預(yù)測(cè)模型的求解

我們考慮用2010-2015年的數(shù)據(jù)來(lái)擬合模型參數(shù)，用2016-2017年的數(shù)據(jù)來(lái)對(duì)模型進(jìn)行檢驗(yàn)。同時(shí)因?yàn)槟甓葦?shù)據(jù)太少，如果用年度數(shù)據(jù)來(lái)求解預(yù)測(cè)模型可能會(huì)有較大誤差，所以決定用月銷量來(lái)求解模型。用SPSS對(duì)k，q，d在0～2之間的不同取值求解。下面給出效果最好的ARIMA（0,0,0）（1,1,1）的一些分析結(jié)果。R方的值達(dá)到0.954，擬合優(yōu)度很好。AR的系數(shù)為-0.468，MA的系數(shù)為0.969，顯著性水平均低于0.02，模型的系數(shù)顯著不為零。

圖2 企業(yè)月銷量一階差分序列自相關(guān)性與偏自相關(guān)性圖

殘差A(yù)CF圖和殘差PACF圖（如圖3所示）很穩(wěn)定。由此建立該企業(yè)月份總銷量的ARIMA預(yù)測(cè)模型為：

4.2 銷量預(yù)測(cè)

利用預(yù)測(cè)模型預(yù)測(cè)出2016和2017年的各月銷售量見表2、圖4。

圖3 企業(yè)月銷量殘差圖

表2 企業(yè)銷售總量預(yù)測(cè)表（單位：元）

圖4 企業(yè)銷售總量預(yù)測(cè)圖

預(yù)測(cè)效果還是比較好的。接下來(lái)利用模型對(duì)省內(nèi)不同區(qū)域的銷量做出預(yù)測(cè)，并繪制出不同區(qū)域銷量預(yù)測(cè)圖，如圖5所示。

5 模型的分析與檢驗(yàn)

在確定了模型的參數(shù)估計(jì)值之后，可以繼續(xù)對(duì)模型的合理性進(jìn)行檢驗(yàn)。對(duì)建立的ARIMA模型進(jìn)行白噪聲檢驗(yàn)。由圖3可知，殘差序列是純隨機(jī)序列，可以用該模型進(jìn)行預(yù)測(cè)。同樣分區(qū)域的總量預(yù)測(cè)的殘差自相關(guān)系數(shù)和偏自相關(guān)系數(shù)也都滿足條件。還可以對(duì)企業(yè)2016-2017年的相關(guān)數(shù)據(jù)匯總，并與模型在這些年份的預(yù)測(cè)值進(jìn)行比較，見表3。

以2016年為例，可以看出預(yù)測(cè)模型對(duì)企業(yè)在該年份銷售額的預(yù)測(cè)效果是很好的，月預(yù)測(cè)數(shù)據(jù)與實(shí)際的相對(duì)誤差都低于8%，而2016年總銷售量的預(yù)測(cè)相對(duì)誤差僅為1.93%。預(yù)測(cè)效果讓人比較滿意，說(shuō)明該模型在預(yù)測(cè)上具有一定的實(shí)用價(jià)值。同樣分析出不同區(qū)域預(yù)測(cè)值與實(shí)際值也相差不大，有著比較好的預(yù)測(cè)效果。

表3 企業(yè)2016年月總銷量預(yù)測(cè)值與實(shí)際值對(duì)比表

圖5 企業(yè)分區(qū)域銷售總量預(yù)測(cè)圖

6 對(duì)企業(yè)下一年各月物流配置計(jì)劃的建議

從某種意義上來(lái)說(shuō)銷售量是物流量的決定性因素，對(duì)銷售量的準(zhǔn)確預(yù)測(cè)也能在一定程度上對(duì)物流需求做出準(zhǔn)確預(yù)判，下面根據(jù)預(yù)測(cè)的銷售量來(lái)對(duì)該企業(yè)下一年的物流配置計(jì)劃提出建議。

6.1 企業(yè)物流總量配置建議

從2016年全年銷售額預(yù)測(cè)總量來(lái)看，比前一年稍有降低，考慮到誤差的影響，全年物流配置計(jì)劃應(yīng)大致與去年物流總量相當(dāng)。而具體到每個(gè)月的銷售量預(yù)測(cè)值來(lái)看，一般會(huì)與實(shí)際值有8%以內(nèi)的誤差，為了保險(xiǎn)起見，在每月還應(yīng)做好與預(yù)測(cè)值誤差在10%以內(nèi)的額外物流預(yù)案。

6.2 各區(qū)域月物流量配置建議

不同區(qū)域的物流配置比重取決于該區(qū)域的銷售額和該區(qū)域與物流中心的距離。首先根據(jù)各區(qū)域月銷售額預(yù)測(cè)數(shù)據(jù)在企業(yè)月銷售總額中所占比重來(lái)初步計(jì)劃每月各區(qū)域物流配置比重。不同區(qū)域物流配置初始比重見表4。

表4 企業(yè)分區(qū)域2016年月物流配置初始比重表

考慮運(yùn)輸距離對(duì)物流成本的影響，由于該企業(yè)物流中心設(shè)在成都，設(shè)各個(gè)區(qū)域與成都地區(qū)之間距離對(duì)物流成本的影響因子為δi,i=1,2,...,5，其中δ1=1為成都對(duì)成都的影響因子，λ為單位商品基礎(chǔ)貨運(yùn)費(fèi)，Lj,j=1,2,...,12為該企業(yè)每月物流計(jì)劃總費(fèi)用，θij,i=1,2,...,5,j=1,2,...,12為不同區(qū)域每月物流配置初始比重。經(jīng)過(guò)調(diào)整之后物流配置比重計(jì)算公式如下：

由于影響δi（i=1,2,...,5）的因素眾多，又缺少相應(yīng)的物流數(shù)據(jù)，僅從距離和門店數(shù)量等因素出發(fā)初步測(cè)算取δ2=δ3=δ4=δ5=3，代入上式求得調(diào)整之后的物流配置比重，見表5。

表5 企業(yè)分區(qū)域2016年月物流配置比重調(diào)整表

表5只是各月物流配置比重的初步預(yù)估表，它需要隨著每月不同區(qū)域的實(shí)際銷售額與預(yù)測(cè)值之間的誤差進(jìn)行調(diào)整。

7 研究展望

利用時(shí)間序列建立的ARIMA模型簡(jiǎn)單易懂，易于推廣，只需了解簡(jiǎn)單的統(tǒng)計(jì)知識(shí)和相關(guān)統(tǒng)計(jì)軟件的基本操作就能在不同企業(yè)內(nèi)部對(duì)各項(xiàng)時(shí)間性質(zhì)的數(shù)據(jù)進(jìn)行分析。本文從銷售額的歷史數(shù)據(jù)出發(fā)，研究銷售額與時(shí)間之間的變化規(guī)律，并進(jìn)一步對(duì)和銷售額直接相關(guān)的物流需求進(jìn)行預(yù)測(cè)，這樣就省去了分析諸多影響物流需求因素的麻煩。在該模型的基礎(chǔ)之上，我們還可以做很多后續(xù)的研究工作。

（1）本文研究企業(yè)的物流業(yè)務(wù)僅針對(duì)企業(yè)內(nèi)部的商品貨物，而對(duì)于市場(chǎng)上大部分為不同企業(yè)居民服務(wù)的純物流公司也可以找到其他數(shù)據(jù)代替物流數(shù)據(jù)來(lái)進(jìn)行預(yù)測(cè)，如各區(qū)域派單數(shù)量等。

（2）如果能找到商品的相關(guān)信息等數(shù)據(jù)，可以將商品類別再細(xì)分，如將商品連同包裝的大小和價(jià)格換算成商品的平均密度，即單位體積商品的價(jià)格，這樣能對(duì)區(qū)域物流需求進(jìn)行更準(zhǔn)確的預(yù)測(cè)。

（3）條件允許的話可以在時(shí)間和空間上對(duì)物流需求進(jìn)一步細(xì)分。像文中這類僅在省內(nèi)小區(qū)域范圍內(nèi)進(jìn)行物流配送的企業(yè)，在物流配置計(jì)劃上可以制定周計(jì)劃甚至日計(jì)劃。也可以在大區(qū)域范圍再進(jìn)行更小區(qū)域的劃分去制定物流配置計(jì)劃，這樣能讓這類企業(yè)的物流工作更有效率。