基于GRNN神经网络的社会物流成本预测研究

冯社苗

(长安大学经济与管理学院 西安 710064)

0 引 言

物流活动由商品的运输、仓储、包装、搬运装卸、流通加工以及相关的物流信息等环节构成.物流成本是物流活动中所消耗的物化劳动和活劳动的货币表现,按照核算范围的不同可分为企业物流成本和社会物流成本.对社会物流成本可以按照不同的标准来分析其构成,常见的方法是将其分解为运输成本、库存成本和物流管理成本.运输成本指花费在货物位移方面及其附带的装卸搬运的费用;库存成本是指花费在保存货物的费用,除了包括仓储、残损、人力费用及保险外,还包括库存占用资金的利息;物流管理成本是指在物流活动中用于协调物流活动而发生的各种非生产费用支出.正确地和精确地预测社会物流成本,对于了解一个国家或地区物流经济运行效率、物流活动的规模、结构和发展水平具有非常重要的意义;同时,科学评价社会物流成本状况和正确预测社会物流成本发展趋势是政府部门制定物流发展规划和物流发展政策、加强宏观经济调控的依据.目前对社会物流成本预测的文献不多,笔者在中国期刊网以“成本预测”为检索词,检索2003～2009年的文献,发现有173篇文章与成本预测有关,而其中仅有3篇文献是预测物流成本的.造成这种状况的原因,一是目前我国统一的物流统计体系不健全,因此宏观的社会物流成本只能采取估算的方法;二是社会物流成本的核算范围很难把握,很多学者期望根据物流冰山理论,把隐藏在水面之下的隐形物流费用全部核算出来,但由于物流成本理论与现行会计制度的错位,很难搜集到所需的数据;三是作为宏观物流成本,社会物流成本受大量随机和不确定因素的制约,很难做出较为精确的预测.

1 社会物流成本的预测方法

从理论上讲,社会物流成本的传统预测方法有3种:一是判断分析法,即主要依靠专家和管理人员的过去经验和综合分析来预测未来社会物流成本,该方法属于定性分析法,主观性较强,一般作为辅助预测方法;二是趋势外推法,该方法不考虑物流成本的影响因素,而是利用过去的资料所形成的趋势来预测未来的社会物流成本,因此该方法对短期预测较为合适;三是因果分析法,即依据所掌握的历史资料,找出所要预测的变量和其相关变量之间的因果关系,从而预测未来状态的方法,该方法容易建立预测模型,但是在应用线性回归预测方法进行预测建模的时候需要大样本量且要求物流成本样本具有典型的分布规律,对于非典型概率分布,非平稳过程的问题则无法取得满意的预测效果.近年来有学者应用灰色理论预测物流成本[1],但效果并不理想;也有学者应用人工BP神经网络预测物流成本[2-3].人工神经网络作为一种并行的计算模型,具有传统建模方法所不具备的很多优点,有很好的非线性影射、自组织、自学习等能力.本文引入广义回归神经网络(GRNN)对我国社会物流成本做出预测.

2 GRNN神经网络模型的原理

人工神经网络是一种并行的计算模型,具有通过学习逼近任意非线性映射能力,一般不必事先知道有关建模对象的结构、参数以及动态特性,只需给出对象的输入和输出数据,通过网络本身的学习功能就可以得到输入与输出的映射关系.广义回归神经网络(generalized regression neural network,GRNN)是RBF神经网络模型[4-5]的变形之一,有关理论研究表明,GRNN在逼近能力、分类能力和学习速度上较BP神经网络和RBF神经网络有着较强的优势,网络最后收敛于样本量集聚较多的优化回归面,并且在样本数据缺乏时,预测效果也比较好.此外,该网络还可以处理不稳定的数据[6].

GRNN是一种基于非线性回归理论的前馈式神经网络模型.它通过激活神经元来逼近函数,如图1所示.GRNN由一个径向基网络层和一个线性网络层组成.ai1为第一层输出ai的第i个元素,Wi1为第一层权值矩阵W1的第i行元素.P为输入向量;R为网络输入的维数;S为每层网络中的神经元个数,同时还表示训练样本的个数;bi为隐含层阀值.符号⊗为‖dist‖的输出与阀值bi的元素与元素之间的乘积关系.隐含层的传递函数为径向基函数,一般用高斯函数 Ri=作为网络的传递函数,式中:σi为光滑因子.网络的第 2层为线性输出层,其权函数为规范化点积函数(用npord表示),传递函数a2=purelin(n2),计算网络输出.

GRNN连接权值的学习修正仍然使用BP算法,由于网络隐含层节点中的作用函数(基函数)采用高斯函数,高斯函数为一种局部分布对中心径向对称衰减的非负非线性函数,对输入信号将在局部产生响应,即当输入信号靠近基函数的中央范围时,隐含层节点将产生较大的输出,由此看出这种网络具有局部逼近能力,这也是该网络学习速度更快的原因.此外,GRNN人为调节的参数少,只有一个阀值,网络的学习全部依赖数据样本.这个特点决定了网络得以最大限度地避免人为主观设置参数对预测结果的影响.

图1 GRNN网络结构

3 影响社会物流成本的因素分析

社会物流系统的复杂性造成影响社会物流成本的因素是多方面的,而且这些因素之间的相互作用关系是复杂的.根据经济学有关理论,社会物流成本的影响因素可以归纳如下.

1)经济总量 经济总量是影响一个区域社会物流活动的基础性因素,该指标越大,说明该区域的经济越活跃,物流需求量大,则相应地对社会物流成本影响也越大.

2)产业结构 根据经典的产业结构划分理论,一个经济体最初的增长在于第一产业的兴旺,然后经历第二产业即工业为主导产业的阶段,最终演化为第三产业为主导产业的阶段.伴随产业结构演化的是生产要素结构和产品价值结构的变化:主导的生产要素依次经历劳动密集型→资本密集型→技术知识密集型,产品价值结构从低附加值→高附加值转变.这是因为第一、二产业所运作的对象主要是农副产品、工业制成品、原材料等物资,第三产业的发展以金融、通讯、服务业和高科技为主,第一、二产业的产品决定了其运输和仓储的成本占运作对象价格的比重要高于第三产业的产品,因此一个国家或地区第一、二产业占主导地位时,该地区单位GDP产生的货运量、仓储量较大,相应的社会物流成本也高;第三产业占主导地位时,单位GDP产生的货运量和仓储量则会明显降低,相应的社会物流成本也低,因此区域产业结构是影响区域社会物流成本的重要因素.

3)物流运作效率 物流运作效率反映一个区域的物流管理和技术水平,物流运作效率越高,则在相同的经济总量和产业结构水平下,单位物流设施和能力所服务的经济总量也越高,对应的社会物流成本也越低.

4)产业集群程度 产业集群是指产业链上的相关企业在某一特定区域通过集聚成群而不断提升企业及产业整体竞争力的现象及其过程.产业集群作为经济要素在空间结构上形成的一种组织形态,从分工角度考察,可以认为产业集群是专业化分工的产物,是人们为降低专业化分工产生的交易费用和获取由分工产生的报酬递增的一种空间表现形式.基于交易费用这个角度分析,至少可以看到四项产业集群对物流成本的影响:第一,地理上的集中意味着集群内企业之间的空间距离拉近,运输成本降低,可以用更少的资源创造更多的空间价值;第二,地理上的集中意味着集群内的企业可以迅速得到上游企业供给的原材料或零配件,同时可以迅速把自己的产品传递给下游企业,可以降低库存成本;第三,产业集群利于信息共享,有利于物流信息的收集和传递,降低物流信息成本;第四,集群内企业可以发展共同配送、共同采购、共同运输等活动,最终促使第三方物流的产生,降低整个区域的物流成本.

4 我国社会物流成本预测的GRNN模型

社会物流成本受多种因素影响,本文选择和产业结构及经济总量相关的第一产业GDP、第二产业GDP、第三产业GDP、农产品产量、货物周转量、社会商品零售额作为社会物流成本的影响因子;另外考虑到我国东部沿海地区产业集群有一定规模,且经济外向度高,因此选择与该区域对外经济活动密切的沿海港口吞吐量和进出口额作为社会物流成本的影响因子;以社会运输成本、社会仓储成本、社会物流管理成本作社会物流成本的输出因子,构建GRNN预测模型[7].以上指标中,农产品产量包括粮食作物产量、棉花产量、油料产量、糖料产量、茶叶产量、烤烟产量、水果产量、畜牧业肉产量和渔业产量,港口吞吐量指沿海主要港口货物吞吐量.

按照上述网络所确定的输入/输出参数,以我国1998～2006年的历史统计数据(见表1)作为网络的全部学习样本.选取1998～2004年的7个样本进行拟合训练,取2005和2006年的2个样本进行外推预测检验.

表1中各变量的含义如下:X 1为第一产业GDP(单位:亿元);X2为第二产业GDP(单位:亿元);X 3为第三产业GDP(单位:亿元);X 4为农产品产量(单位:万t);X 5为货物周转量(单位:亿t◦km);X6为社会商品零售额(单位:亿元);X 7为港口吞吐量(单位:万t);X 8为进出口额(单位:亿美元);Y1为社会运输成本(单位:亿元);Y2为社会仓储成本(单位:亿元);Y 3为社会物流管理成本(单位:亿元).

表1 1998～2006年的样本数据

由于网络性能受光滑因子的影响,因此需通过多次尝试确定最佳光滑因子的值.将光滑因子分别设置为0.1,0.2,0.3,0.4和0.5,经过对输出结果的检查发现,光滑因子越小,网络对样本的逼近性能就越强;光滑因子越大,网络对样本数据的逼近过程就越平滑.网络对训练样本的逼近误差如图2所示,网络的预测误差如图3所示.由图2和图3看出,当光滑因子为0.1时,逼近性能和预测性能的误差都较小,而随着光滑因子的增加,误差也在不断增加,因此,这里的光滑因子取0.1比较合适.此时网络的测试输出经反归一化处理后所得数据与实际数据相比,预测误差小于5%,效果较好.

图2 网络的逼近误差

图3 网络的预测误差

5 结束语

神经网络凭借其在处理非线性问题上的独特优势,能较好的反映各因素对社会物流成本的影响.根据以上拟合训练和外推预测的结果分析,可以发现GRNN网络的拟合值和预测值与实际值很接近,网络具有较好的推广能力,误差符合预测精度的要求,证明GRNN神经网络可以用于社会物流成本的预测及其预测的有效性.与BP神经网络相比,由于需要调整的参数比较少,只有一个光滑因子,因此可以更快地找到合适的预测网络,具有较大的优势.但是该方法的优点是以大量的训练样本为代价的,在缺乏训练数据的情况下,本方法将无从实施.同时,GRNN神经网络无法提供预测的置信区间和显著性检验,这是该方法与传统方法比较的劣势,须进行进一步研究.

[1]孙飞波.灰色预测理论在物流成本中的应用[J].现代软科学,2006(2):70-71.

[2]陈 芳,金 瓯,贺建飚.基于BP神经网络在预测物流成本中的应用[J].微计算机信息,2008,24(5-3):175-176.

[3]张凤荣,金俊武,李延忠.基于改进的灰色BP神经网络的区域物流成本预测[J].公路交通科技,2005,22(6):155-158.

[4]Sprecht D F.The general regression neural network rediscovered[J].Neural Networks,1993,(6):1 033-1034.

[5]Liu Guodong,Ding Jing.Several problems of application of back propagation neural network to hydrologic forecast[J].Water Supply Research,1999(1):12-17.

[6]飞思科技产品研发中心,神经网络理论与MA TLAB实现[M].北京:电子工业出版社,2005.

[7]赵 闯,刘 凯,李电生.基于广义回归神经网络的货运量预测[J].铁道学报,2004,26(1):12-15.