区域物流需求预测现状和发展研究.docVIP

从宏观产业经济发展的角度看，各种区域物流发展政策、区域物流规划的制定等都离不开区域物流需求的定量分析，在规划中遇到的首要问题就是对宏观物流市场规模的预测。区域物流需求预测可为国家和地区物流经济主管部门制定未来物流发展的科学发展战略规划以及切实可行的市场开拓策略提供依据，近而为宏观产业经济政策的制定提供参考。另外，政府可以通过区域物流需求预测来评估物流行业对当地经济发展的总体贡献，从而制定物流行业发展政策，并引导物流市场资源的合理利用与优化配置。从微观角度看，物流企业需根据对物流需求预测合理地配置有限的资源，以期最大限度降低投资风险和获得最大收益。 国内外研究现状 区域物流需求预测研究开始于上世纪90年代。我国学者在本世纪初开始研究区域物流需求预测方法。经过近20年的发展，区域物流需求预测研究取得了很大进步。通过对目前区域物流需求预测方法研究发现，目前主要把区域物流需求预测看作回归问题。根据发展历程和智能化程度的高低，大致可以划分为以下三个阶段： 第一阶段主要采用基于传统统计学的预测方法，这是本世纪初区域物流需求预测主要采用的方法。该类主要方法包括：投入产出模型、回归分析法、货运强度法、弹性系数法、聚类法、灰色理论模型、马尔可夫链、时空多项概率模型和决策支持系统等。该类方法的主要特点可以对定序和线性的数据进行处理，且对于构造的模型有较强的解释性。随着区域物流需求预测研究的深入，大多数研究方法的不足就逐渐暴露出来，主要体现在以下三个方面：第一，真实的区域物流需求数据样本非常少且难以收集，这极大地影响了预测方法的验证效果。第二，在处理高维度、含有非线性关系、程非正态分布、有时间顺序的区域物流需求数据时，其效果不理想。第三，不能保证学习和泛化能力，缺乏灵活性，而且，整个处理过程按规定的步骤进行，对所有数据一视同仁地进行同样的处理而不管是否需要进行这些处理。 后面两个问题的产生促使了人们考虑在物流需求预测中引人人工智能技术，以改善预测模型的性能和提高预测准确率。目前学者采用的人工智能方法主要是人工神经网络(ANN)及其改进型。 人工智能预测方法的引入使传统预测方法中融人了人的智能因素，如神经网络的学习和泛化能力，专家系统的推理规则等，这样区域物流需求预测技术又向前迈进了一大步。但是，从前面的分析可以看出：第一，不能从理论上保证预测模型的泛化能力，这使得对于经过训练后的预测模型，对于新的物流需求量数据集没有稳定的预测效果。第二，在学习样本数量有限时，学习过程误差易收敛于局部极小点，学习精度难以保证；学习样本变量很多时，又陷入“维数灾难”。第三，主要依靠的是经验风险最小化原则，其重要的缺点为：利用经验风险代替期望风险来选择决策函数，并没有经过严格的证明与充分的论证，只是一种认为合理的方法；容易产生“过学习”问题，这是盲目追求小误差而导致泛化能力下降的必然结果。 因此，为了进一步地提高预测模型的精度和稳定性，近年来，研究人员开始探索基于结构风险最小化原则的预测方法，这使区域物流需求预测研究跨入到了第三阶段，即基于统计学习理论的预测方法。该类方法主要以支持向量机(Support Vector Machine,SVM)为代表。在引入基于统计学习理论的预测方法后，尽管区域物流需求研究者做了不少工作，取得了一些研究成果，但这些方法均存在这样或那样的不足，或者说在区域物流需求预测中还存在着一些迄待解决的问题，这些不足或问题主要集中在以下几个方面：第一，．在学习样本数量有限时，学习过程误差易收敛于局部极小点，学习精度难以保证；学习样本变量很多时，又陷入“维数灾难”。第二，主要依靠的是经验风险最小化原则。因此，不能从理论上保证预测模型的泛化能力，这使得对于经过训练后的预测模型，对于新的物流需求量数据集没有稳定的预测效果。第三，由于区域物流概念在我国刚引进不久，很多物流标准没统一，缺乏直接的统计数据，预测研究所采用的历史数据，只能采用相关的货运量来代替，这影响了预测方法的实证研究。特别是在国内，大多数文献只是对方法的综述，几乎没有利用实际的区域物流数据进行预测分析，这使得众多的研究缺乏实际意义。第四，预测所依靠的区域物流指标的选择方法，主要依靠行业研究者和从业者经验、主成分分析、因子分析等传统方法，缺乏新的方法研究。第五，这些方法中，人工智能方法和支持向量机方法虽然在预测精度方面具有一定优势，但是不能对模型进行有效的解释。 未来的研究方向 通过上述分析可以看出，今后研究的目标应该是在建立统一的区域物流需求预测模型结构框架基础上，利用新的回归方法增加预测模型的预测精度和增强预测模型的可解释性。 区域物流需求预测模型结构。我们认为，在区域物流需求预测模型中，支持向量机的决策函数中的可以描述输入空间数据的属性关系，其值大小能反映对区域物流需求预测效果影响程度。在前