于凱麗

為了提高區(qū)域物流需求預測的精確度，本文利用蟻群優(yōu)化訓練參數(shù)的支持向量機算法（SVM），得到優(yōu)化后的支持向量機預測模型對區(qū)域物流需求進行預測。以青島市物流需求預測為例，實驗結果表明，蟻群優(yōu)化的支持向量機模型預測結果精度更高、穩(wěn)定性更強、誤差率更小，為青島物流需求預測提供了保障。

區(qū)域物流需求預測有利于現(xiàn)代物流體系的優(yōu)化和改進，實現(xiàn)降低成本、提高物流效率的目標。新形勢下，科學預測區(qū)域物流需求，對提高經濟競爭力，促進可持續(xù)發(fā)展具有重要的指導意義，是合理制定物流發(fā)展政策、完善物流基礎設施建設和物流服務體系建設的重要依據(jù)。因此，準確預測區(qū)域物流需求顯得尤為重要，其準確性將決定區(qū)域物流規(guī)劃是否合理。及時掌握有效物流需求發(fā)展趨勢的信息，有利于城市現(xiàn)代物流體系的優(yōu)化和改進，實現(xiàn)降低成本、提高物流效率的目標，對提高城市經濟競爭力，促進可持續(xù)發(fā)展具有重要的指導意義。

一、物流需求指標選擇

區(qū)域物流需求預測指標的準確選擇是預測成功實施的關鍵。為了保證物流需求的預測結果更接近實際結果，本文分析了影響區(qū)域物流需求復雜多樣的因素。本文在查閱相關文獻和實際情況的基礎上，分別從經濟影響和非經濟影響兩個角度分析了區(qū)域物流需求的影響因素。

經濟影響因素：

1、經濟發(fā)展的規(guī)模?！笆奈濉币詠?，隨著城市經濟的發(fā)展，物流需求增速加快，城市經濟的發(fā)展速度與物流業(yè)的發(fā)展密切相關。

2、工業(yè)結構。產業(yè)結構調整將對物流需求規(guī)模和結構產生重大影響。城市通常與當?shù)鼐哂邢嗤墓I(yè)結構。要穩(wěn)定城市產業(yè)，城市必須確保服務業(yè)能夠實現(xiàn)穩(wěn)定、積極、長期的發(fā)展。

3、商業(yè)貿易。商業(yè)貿易對城市的物流需求有重大影響，商業(yè)貿易的發(fā)展也需要高標準的城市物流支持。

4、當?shù)鼐用竦南M水平。隨著城市化的發(fā)展，隨著當?shù)厝嗣裣M和購買力的增加，電子商務分銷服務取得了進展。

5、資本投資。資金投入在很大程度上影響物流需求，需要優(yōu)化資源配置和政策指導，優(yōu)化資本投資環(huán)境，提高物流服務水平。

6、消費者市場。消費者市場的大小受到人口密度的限制。在人口密度高的地區(qū)，商業(yè)流通的增加導致了物流活動的發(fā)生。

由于非經濟因素、宏觀經濟政策和外部環(huán)境等影響物流需求的因素，短期內對物流需求的影響較小，因此，本文僅重點關注經濟指標與物流需求之間的關系，并利用貨運量來衡量區(qū)域物流需求的規(guī)模，構建表1所示的影響因素指標體系。

二、區(qū)域物流需求預測模型構建

（一）目標函數(shù)的建立

支持向量機（SVM）是一種基于統(tǒng)計學習理論，利用結構風險最小化的原則，避免局部最小值，有效地解決過度學習問題。它可以獲得有意義的法律信息，保證人們獲得泛化能力，并具有較好的預測準確度。

假設在給定的K個樣本數(shù)據(jù)集中，{（xi，yi），i= 1，2，…，n}，n表示樣本數(shù)目，根據(jù)支持向量機原理，為每個樣本點引入一個松弛變量來標記。

對于凸二次優(yōu)化問題，通過引入拉格朗日乘子，將目標函數(shù)和約束條件集成到拉格朗日函數(shù)中，方便求解為每個不等式約束引入拉格朗日乘子a的最大或最小值，得到拉格朗日函數(shù)。

（二）參數(shù)優(yōu)化

初始化確定蟻群算法的基本參數(shù)，蟻群為m個，每個螞蟻k定義了一個具有n個元素的一維數(shù)組路徑。k個螞蟻通過的n個節(jié)點的坐標按順序存儲在路徑中，可用于表示k個螞蟻的爬行路徑，其中n是優(yōu)化參數(shù)的總有效位。螞蟻k在t時刻在路徑（i，j）上節(jié)點i的信息素濃度為τij（t），得到從城市i選擇城市j這條路線的概率轉換規(guī)則。

每只螞蟻t在時刻選擇下一個城市，并在t+1時刻到達那里。得到路徑（i，j）的信息素更新規(guī)則。當完成最大迭代次數(shù)后，取所有螞蟻所走路徑中的最短路徑作為最終路徑來進行優(yōu)化。

（三）預測模型的構建步驟

本文選用Libsvm-3.22工具箱，應用Matlab軟件進行了預測和分析。Libsvm-3.22工具箱是一個用于支持向量機預測模型的訓練、學習、數(shù)據(jù)分析和參數(shù)優(yōu)化的多功能軟件包，該工具箱簡單、實用、快速、有效。

步驟1：根據(jù)給出的指標體系重建數(shù)據(jù)，對原始數(shù)據(jù)進行歸一化。

步驟2：數(shù)據(jù)集分為訓練數(shù)據(jù)和測試數(shù)據(jù)，訓練數(shù)據(jù)集用于建模，測試數(shù)據(jù)集用于驗證開發(fā)的模型。本文中2002年至2017年青島市的各數(shù)據(jù)作為訓練集，2018年至2020年青島市的各數(shù)據(jù)作為測試集。

步驟3：優(yōu)化參數(shù)和訓練模型。使用ACO算法確定SVM中的懲罰系數(shù)和內核寬度的RBF作為核函數(shù)。訓練SVM模型，如果不滿足停止條件，新參數(shù)將用于重建ACO-SVM模型。計算適合度值，直到滿足停止條件。

步驟4：模型預測。訓練后，使用最優(yōu)參數(shù)組合建立預測模型。將測試樣本輸入到建立的模型以獲得預測值。

步驟5：將預測數(shù)據(jù)重新歸一化以獲得實際的物流需求預測數(shù)據(jù)。

三、實證研究

（一）預測模型的MATLAB實現(xiàn)

本文對青島市物流需求現(xiàn)狀及特點進行了總結，從經濟總量、社會居民消費情況、當?shù)鼐用竦目側藬?shù)和對外貿易情況等幾個方面構建了一個適合于本文的預測指標體系，選取貨物貨運量指標來量度青島市物流需求規(guī)模，如表2所示。

由于各指標數(shù)量級和單位不同，本文將樣本數(shù)據(jù)縮至[-1，1]之間，對統(tǒng)計數(shù)據(jù)進行規(guī)范化處理。設置模型參數(shù)c，g范圍為[0.1，1000]，交叉驗證t為6，對模型訓練的最終結果如圖1所示。

從運行過程可以得出，參數(shù)C=271.8591，g=3.5748，擬合優(yōu)度R2=0.9747，R2值越接近1，說明模型的實際值與觀測值的擬合程度越好，平均百分比誤差為MAPE=0.0343，模型參數(shù)經過訓練優(yōu)化，預測結果比較準確?？梢钥闯?，該預測模型表現(xiàn)出良好的預測效果。

科學的區(qū)域物流需求預測為現(xiàn)代物流系統(tǒng)規(guī)劃提供發(fā)展依據(jù)，為區(qū)域宏觀產業(yè)經濟政策提供理論基礎。如果需求沒有得到充分的估計，物流企業(yè)將失去很多盈利機會。準確預測區(qū)域物流需求是物流規(guī)劃的重要依據(jù)，是區(qū)域物流綜合規(guī)劃的前提和基礎。

〔本文系青島濱海學院人文社會科學研究項目（項目編號：2021RY05）研究成果〕

（作者單位：青島濱海學院商學院）