吴必善， 李士杰
(廊坊师范学院 管理学院， 河北 廊坊 065000)
摘 要：通过分析供给侧结构改革下现代物流市场需求对经济活动的意义，找到单一需求预测技术的偏差，指出指数平滑法和神经网络法于实际预测应用中的不足，提出精确度较高的物流市场需求预测新思路，构建新的组合预测模型。通过实例仿真验证基于神经网络法的组合预测技术在物流市场需求预测中的实际价值。
关 键 词：供给侧； 组合预测法； 神经网络； 激活函数； 物流需求； 预测模型
在供给侧结构改革下，需求管理已经成为企业持续成功的必要条件，好的需求预测技术使企业拥有抗风险性的优势比较明显，尤其是拥有先进的物流需求预测技术，对提升整条供应链竞争力具有现实的经济价值[1-3]。
当前，供给侧改革的目标是对商流、资金流、信息流、人流等社会经济要素资源进行科学有效的配置。其中，物流服务是连接供给和需求不可或缺的市场体系要素；同时，物流业作为战略性、基础性产业，也是供给侧结构性改革的重要内容和对象。随着我国经济结构性调整及“十三五”战略规划的推进，产品供应链中的生产、物流、销售、回收等环节管理越来越强调协同发展，通过供给侧改革解决行业内部结构性的矛盾和资源浪费问题。如要达到此目的，就需要高端的社会物流在生产者与下游消费者之间，创建社会资源供给与需求的无缝衔接，以实现降低全社会资源供给端库存积压成本的目标。因此，供给侧改革下社会物流服务需求及输出能力是平衡供应链管理成本的关键环节之一。但这也对供应链管理提出更高要求，能否准确预测社会物流需求量及能力，是关系到其他行业在供给侧结构调整中经济效益的问题[4-8]。
在大量社会实际调研的基础上，本文研究发现国内外许多大中型物流企业对市场物流需求和物流服务能力供给的预测精度要求越来越高，对预测技术和手段的要求也在不断提高。实践证明，传统的简单预测方法或手段已经不能满足数字化、智能化、快捷化的物流服务需求。为了提高现代社会物流预测精度和服务质量，市场经济需要精确度更高的组合预测方法。本文采用指数平滑法(Exponential Smoothing Method，ESM)和神经网络法(Neural Network Method，NNM)组合预测技术，将其运用到物流市场需求管理中。
在经济新常态下实现行业发展目标，区域性物流服务业不仅显示出在实现资源优化配置中的社会经济价值，同时还需要加大产业自身结构调整，提高区域经济竞争力。尤其是随着居民消费升级、新型城镇化发展，物流需求在不断递增，对物流行业的服务水平、管理水平提出了更高的要求。从单个企业物流合理化走向区域物流合理化，是“十三五”期间社会经济发展的要求。因此，区域物流需求预测研究是其中重要的环节，而传统的物流需求预测管理往往仅仅采用单一预测方法，对一些不确定性因素无法处理，造成区域物流量和影响因素的预测结果产生较大偏差。
在传统的物流需求预测管理方法中，不少企业偏好于采用以时间序列为主的线性预测技术，例如单一指数平滑法采用的计量模型为
` αXi+α(1-α)Xi-1+α(1-α)Xi-2+…=
αXi+α(1-α)Fi-1
(1)
式中：Fi为预测值；Xi为历史数据；α为平滑系数，α∈(0，1)。显然当i=1时，历史数据最接近，权重为α，当i逐渐增大时，历史数据逐渐远离，这时权重为α(1-α)i，按指数规律逐渐缩小。直接应用式(1)，预测结果误差较大。
传统单一的物流预测方法有可能为无缝衔接的物流服务带来更高的、不可预测的管理成本，因为现实中许多物流服务项目不是按照时间序列排序的，大量物流需求也不是遵循线性变化规律的。所以，单纯依靠这种预测技术很难为现代化物流服务供给准确把脉，这就需要运用多种预测方法组合预测，提高预测结果的精确度，如添加神经网络预测法。
1. 神经网络预测法的改进模型
对于受不规则因素干扰的情况，即随机的或无法预测的因素影响预测结果，需要在展开一项预测的过程中通过跟踪和预计其他因素，使随机因素的影响程度降低到最小。现实中大量物流货源在众多物流节点或物流中心，经过仓储、加工、运输、配送和回收等环节，而这些恰恰是其他行业供给侧结构调整步伐中比较重要的环节，其管理中存在诸多未知因素，即物流服务过程中具有较强的随机性，物流量也存在不确定性，从而造成现代物流服务需求呈现非线性变化特征。也正是因为需求信息预测的不准确性或滞后性，就需要具备较强的容错性、鲁棒性的预测法，研究神经网络等预测法，不断提高现代物流需求信息的准确度。
其中，神经网络预测法[9]在限制随机干扰因素、提高预测精度方面尤具优势。输入信息从输入层传输到中间神经元处理单元，被激活的神经元对信息进行处理；通过激活函数处理后的信息再被输送到下一环节，即被处理后的信息进入输出层等待输出；当输出层的信息不能满足期望要求时，该预测值或误差值将沿原链接运输通道反向转入系统中，再通过修改对应神经元的处理参数重复修正预测值，直到输出误差较小的信号，如图1所示。
图1 神经网络预测法机理
图1中，Xi为神经元输入信息；ωi为神经元输入层与中间层之间的权重值；ωi+1为神经元中间层与输出层之间的误差修正值。其中相关函数表示为
(2)
Δωi=-γ(∂θi/∂ωi)
(3)
Δωi+1=vδXi+αΔωi
(4)
式中：v为神经元信息改进速率；β为神经元的阈值；δ为单位误差率；γ为随机误差值；θi为预测误差值。
由于神经网络预测函数满足离散动态非线性预测特征，其数学模型可以表达为
φi=f(yi+1，Δωi)=f(y1，y2，…，yi，γ)+Δωi
(5)
yi+1=Δωi+1f(ωi，gi)
(6)
gi=(yi，yi-1，yi-2，…)
(7)
神经元i的输入值为Xi，其对应的输出值为φi。Xi经过神经元激活函数处理后，φi的计算公式可以表达为
(8)
由于每个神经元的输出值与其对应的神经元输入值之间存在对应的链接关系，因而神经网络预测误差值θi可以表达为
θi= ∂θi/∂Xi=
∂θi/(∂ωiφi)=
(∂θi/∂φi)f(Xi，ωi)
(9)
又因
f(Xi，ωi)[1-f(Xi，ωi)]=
(10)
可以得到
θi= (∂θi/∂φi)f(Xi，ωi)=
(11)
当i不是输出层的神经元时，可得
(12)
神经元i上下层的误差修正值为
Δωi= -γ(∂θi/∂ωi)=-γθi=
(13)
2. 基于神经网络的组合预测模型
为了提高预测精度，本文采用指数平滑法(ESM)和神经网络法(NNM)组合预测技术。组合预测值模型可以表达为
Yi= Fi+φi+Δωi=
(14)
式中：Fi为满足时间序列的指数平滑预测函数，也是Yi的确定性趋势函数；φi为Fi满足时间序列的神经网络预测函数，也是Yi的随机变化趋势函数；Δωi为Yi的误差修正值。
当前物流服务业所面临的主要矛盾是行业内部供给侧主体结构性矛盾的体现。例如铁路货运服务所面临的供给侧结构矛盾在于：一方面，地区性铁路运输服务潜力巨大，而传统上铁路货运量占比较大的大宗商品需求却在不断萎缩，造成与之配套的地方性铁路运力过剩；另一方面，由于地方性铁路服务市场化不足，开放度不够，仍不适应现代物流发展需求，尤其是铁路两端的短驳费用较高，造成另一极端现象是货主寻找不到合适的铁路运输服务项目。从供给侧结构改革角度考虑，铁路运输供应方必须科学预测运输市场的货运量，达到有效优化配置物流资源供给的目的[10-15]。
假定2016年1月至7月份，A地区铁路货运量如表1所示。利用上文基于神经网络的物流市场需求组合预测技术，本文对A地区2016年8—12月的铁路货运量进行仿真预测。
ESM预测模型仿真时所采用的响应函数及相关参数如表2所示。
基于ESM和NNM组合预测技术，本文对A地区2016年8—12月的铁路货运量进行仿真预测的结果如表3所示。
表1 2016年1—7月A地区铁路货运量
数据来源：河北省统计局官方网站。
表2 ESM预测模型的响应函数及相关参数
表3 仿真预测的结果 104 t
通过以上预测仿真实例可以看出，单一的指数预测方法所产生的偏差较大，而基于神经网络的组合方法所预测的结果相对更加精确与可行。
本文分析了如何通过供给侧结构性改革有针对性地解决当前制约物流业发展的主要问题，明确物流需求管理对地区经济发展的重要性，并且说明了精确预测技术对供给侧结构性改革下物流市场需求管理的意义。在经济活动中，实际的案例反映单一的预测方法会导致预测结果产生部分偏差。因此，对供给侧改革下物流行业发展提出以下建议：
(1) 提高物流市场预测的准确性。运用本文的组合预测技术，可以弥补单一预测法的不足。本文研究基于神经网络的组合预测技术，即采用指数平滑预测法和神经网络预测法构建新的组合预测模型，并通过实例仿真证明这种新的组合预测模型的实用价值。
(2) 利用准确预测技术，促进区域物流资源合理整合与优化管理。本文研究了供给侧改革大背景下的物流市场预测技术，为区域物流发展提供新的思路和管理方案。应根据精确预测结果，不断完善区域物流的集聚功能，促使本地区物流资源整合与优化过程更加具体化、合理化。本研究为地方物流行业供给侧发展提供了有力的理论支撑。
参考文献：
[1]Aussen A，Murtagh F.Combining neural network forecasts on wavelet transformed time series [J].Connection Science，2015(9)：113-121.
[2]Aussen A，Campbell J，Murtagh F.Wavelet based feature extraction and decomposition，strategies for financial forecasting [J].Journal of Computational Intelligence in Finance，2015(1)：14-17.
[3]牛志闯，马小刚.基于信息不对称的采用延期支付机制的供应链协调 [J].沈阳工业大学学报(社会科学版)，2016，9(5)：414-419.
[4]高峰.基于统计特征的中国航空物流实证研究 [J].中国民航学院学报，2015，7(2)：52-55.
[5]魏然.航空物流服务链的特征及现状 [J].物流技术，2015(1)：23-24.
[6]吴必善.区域性煤炭运输节点的优化 [J].西安科技大学学报，2014(3)：48-50.
[7]肖亮.郑州航空港经济综合实验区航空物流发展对策研究 [J].信阳农林学院学报，2015，25(1)：50-52.
[8]李丹，张超.新工业革命下我国制造业发展路径分析 [J].沈阳工业大学学报(社会科学版)，2016，9 (3)：198-201.
[9]Paulito P P，Yaiehi Ha，Shiro U.Mutatiobased gene-tic neural network [J].IEEE Transactions on Neural Networks，2014，16(3)：18-21.
[10]Ru H G，Ping H H.Analyzing water diversion demand for irrigation areas at lower reach of yellow river with BP neural network techniques [J].Journal of Irrigation & Drainage，2015，19(3)：20-23.
[11]Panchapakesan C，Palaniswami M，Ralph D，et al.Effects of moving the centers in an RBF network [J].IEEE Transactions on Neural Networks，2014，13(6)：1299-1307.
[12]Peng Z.A study of neural networks in forecasting of logistics system [D].Wuhan：Wuhan University of Technology，2016.
[13]Liu Y Y，Starzyk J A，Zhu Z.Optimized approximation algorithm in neural networks without over fitting [J].IEEE Transactions on Neural Networks，2014，19(6)：983-995.
[14]Sam P，Crem V.On the optimal control of single-stage hybrid manufacturing systems via novel and different vaiants of particle swarm optimization algorithm [J].Discrete Dynamics in Nature and Society，2015(3)：257-279.
[15]肖萌，徐伟，施慧斌.价值共创模式下服务型制造系统的构建 [J].沈阳工业大学学报(社会科学版)，2016，9(1)：53-59.
(责任编辑：张 璐)
WU Bi-shan, Li Shi-jie
(School of Management, Langfang Teachers University, Langfang 065000, China)
Abstract：Through the analysis of the significance of modern logistics market demand on economic activities under the supply side structure reform, the deviation of single demand forecasting technology is reflected. The lack of exponential smoothing method and neural network method in the actual forecast application is pointed out. A thread of logistics market demand forecasting with high precision is proposed. The new combination forecasting model is built. The actual value of the combined forecasting technology is verified by the example simulation based on neural network in the forecast of logistics market demand.
Key words：supply side; combined forecast; neural network; activation function; logistics demand; forecast model
收稿日期：2016-12-31
基金项目：河北省教育厅人文社会科学重大攻关项目(ZD201604)； 全国高校、职业院校物流教改教研课题(JZW2017160)。
作者简介：吴必善(1973-)，男，北京人，副教授，博士，主要从事物流与供应链管理、能源经济和碳足迹等方面的研究。
doi：10.7688/j.issn.1674-0823.2017.03.07
中图分类号：U 116
文献标志码：A
文章编号：1674-0823(2017)03-0226-04
*本文已于2017-05-23 13∶29在中国知网优先数字出版。 网络出版地址： http：∥www.cnki.net/kcms/detail/21.1558.C.20170523.1329.016.html