基于灰色―马尔柯夫模型逆向物流量预测.docVIP

基于灰色―马尔柯夫模型逆向物流量预测 　　摘要：针对逆向物流量不稳定、波动性较大的特点，对不满足惯性要求的原始数据进行数据变换处理后，综合灰色GM（1,1）模型和马尔柯夫模型各自的优势，建立相应的逆向物流量预测模型，对某一汽车零部件企业的逆向物流量进行预测。结果表明该模型预测精度较高，具有一定应用价值。 　　关键词：GM（1,1）模型；灰色马尔柯夫；逆向物流量；预测 　　中图分类号：F270.7文献标识码：A文章编号：1002-3100(2008)10-0019-04 　　 　　Abstract: In view of characteristics of reverse logistics quantity―unstable and fluctuating property, first data transformation is tacked on the primary data which can not meet inertia requirement. Second, the corresponding reverse logistics quantity prediction model is established based on the respective advantages of grey GM（1,1） model and the Markov model. At last the paper forecasts and analyzes the reverse logistics quantity of one automobile spare part enterprise in 2005. The result indicates that the forecasting precision of this model is very high and the result has great value in practices. 　　Key words: GM（1,1） model; grey markov; reverse logistics quantity; forecasting 　　 　　1问题的提出 　　 　　随着经济全球化、网络经济和电子商务的迅速发展，逆向物流已逐渐成为企业竞争的最前沿。为了获得竞争优势以及满足可持续发展的要求，企业必须将逆向物流纳入企业战略管理的高度上，提高企业的声誉和利润。 　　然而相对于正向物流，逆向物流在数量、时间和质量等方面存在着高度的复杂性和不确定性[1]。这些不确定性的存在，对逆向物流的预测难度以及预测精确性提出了严峻的挑战。 　　在灰色系统领域，GM（1,1）模型被广泛应用于不确定问题的预测，并且预测效果很好。在一些特定问题中，GM（1,1）仍然是决策者乐于选择的预测模型。传统的GM（1,1）模型主要是用于时间短、数据少、波动小、具有长期趋势的预测对象，对随机性波动较大的序列进行预测，其预测精度不理想，拟合度较差[2]。马尔柯夫预测是通过反映各种随机因素的影响程度以及各状态之间的转移的内在规律性来预测系统的未来发展方向[3]。适用于随机波动性较大的序列的预测，正好弥补了GM（1,1）模型预测的缺陷。 　　综上所述，对逆向物流量的预测采取灰色预测和马尔柯夫预测两种方法结合，取长补短，用灰色预测模型来揭示长期发展的某种总趋势，而用马尔柯夫模型来确定状态之间的转移关系，建立灰色―马尔柯夫预测模型对逆向物流量进行预测具有重要的理论与现实意义。 　　 　　2模型的建立 　　 　　2.1灰色预测模型建立 　　（2）级比检验、可行性分析 　　对逆向物流而言，是基于反应的，它通常不是公司计划或决策的结果，而是对消费者行为或下游成员行为的反应，所以逆向物流量主要随时间而变化，呈现波浪式变化曲线，具有非稳定、波动大的特点[4]。这些波动性的存在，在运用GM（1,1）时可能产生病态性。所以必须根据原始序列的分布特点，通过级比检验，判定是否适合GM（1,1）建模。 　　（3）数据变换 　　对不符合惯性要求序列寻求合适的数据变换，保证处理后能够进行GM（1,1）建模。常用的数据变化有平移变化（xid 　　2.2马尔柯夫预测模型建立 　　马尔柯夫预测是根据初始的状态概率向量和状态概率矩阵来推测某一变量未来某一定时期所处状态的一种方法，其理论基础是马尔柯夫过程，其描述的是一个随机时间序列的动态变化过程。 　　（1）状态划分 　　（3）计算预测值 　　2.3灰色―马尔柯夫预测模型的建立及求解步骤 　　（1）灰色预测模型建立及求解 　　式中 A――落入预测曲线以上的实测值与预测值相对值的均值 　　 B――落入预测曲