物流成本预测方法研究

刘柏阳(江西理工大学，江西 赣州 341000)

一、引言

近年来，虽然随着我国潜在经济增长率逐步的降低，物流运行速度也随之趋缓，但在国家一系列利好政策的促进下，我国物流业也保持了平稳的增长。2013年我国物流成本为10.2万亿元，占GDP的比重为17.8%，自2007年以来，该比重仅从18.4%降至17.8%，不仅高于美、日、德等经济发达国家，也高于南美和亚太国家的平均值，与经济发展水平基本相当的金砖国家相比也偏高，其中印度13.0%，巴西11.6%。物流成本提高会导致产品价格上涨，不仅削弱我国的竞争力，而且日用消费品价格上涨，也导致我国人民生活成本的提高。［1］物流成本预测，指的是有计划地分析物流成本相关的历史数据资料，运用一定科学技术的预测方法，对未来某段时期国家、区域或企业的物流成本发展水平及其趋势变化所做出的定量估计，定性描述和逻辑推断，从而得出合理的假设和判断。［2］因此，通过选择更加合理的物流成本预测方法来对社会或企业的物流成本进行准确预测，有助于相关政府部门或企业的管理人员掌握其基本情况，为后期物流成本的控制及决策提供准确科学的数据支撑和理论依据，从而对降低物流成本、提高物流运行效率以及提高社会经济效益具有一定的现实意义。

二、物流成本的传统预测方法

物流成本的传统预测方法主要有两大类:一类是定量法，以统计资料为基础来分析计算的预测法，主要包括外推法和因果法，是利用相关历史数据资料和找出所要预测的物流成本变量与其相关的变量之间的关系，从而预测物流成本未来趋势的方法;另一类是定性法，以调查为基础的经验判断法，一般指判断分析法，是个人或集体根据已有经验结合综合分析、判断能力等较为主观的思维来预测物流成本未来趋势的方法。但在实际预测物流成本过程中，最好将定量和定性两种方法结合起来使用，这样可以获得更加客观、准确的预测结果。［3］

(一)时间序列预测法

定量分析法中的外推法，一般指时间序列预测法，即把时间序列作为随机变量序列的一个样本，使用应用概率统计方法来减少其他偶然因素的影响，在统计意义上能对物流成本进行较好的预测。其中，在物流成本预测中时间序列预测法一般使用的具体方法为:趋势平均法和指数平滑法。

1.趋势平均法

该方法建立在物流成本的历史趋势及其规律性保持原有状态这种假定上。其计算公式为:

某一期的物流成本预测值=最后一期的移动平均数+推后的期数最后一期的趋势移动平均数

在用趋势平均法来计算多个时期的趋势平均时，前后各时期使用同一个权数，从而所使用的数据对未来物流成本的预测值具有相同的影响。因此，该方法预测物流成本的结果与实际情况会有较大差异。为弥补该缺陷，则需使用以下方法进行预测。

2.指数平滑法

式中:Fn—下期预测值;Fn-1—本期实际值;Dn-1—本期预测值;a—平滑系数(其取值范围为0＜a＜1)，则计算公式为:

Fn=Fn-1+a(Dn-1-Fn-1)=aDn-1+(1-a)Fn-1

将上式类推下去，可得展开式为:

Fn=aDn-1+a(1-a)Dn-2+a(1-a)2Dn-3+…+a(1-a)t-1Dn-t+(1-a)tFn-t

该预测方法建立在移动平均法之上并配合一定时间序列模型，用平滑系数对过去各期的实际数进行了加权，且近期权数更大，远期权数更小，考虑到了历史数据。虽然这种方法更符合客观实际，但确定平滑系数时有较大的主观因素。［4］

(二)回归分析法

定量分析中的因果法，一般指的是回归分析法，即在统计分析大量数据的基础上来确定变量之间所存在的线性或非线性关系的预测方法。也就是通过因果关系建立函数表达式来表述变量之间的依存关系，即因变量与自变量的关系。因此，通过因变量和自变量之间所客观存在的因果关系，可更加准确的预测物流成本的变化趋势。

1.一元线性回归预测法

一元线性回归预测法是研究具有线性关系的两个变量之间的关系，在确定自变量x与因变量y之间是否线性相关之后判断其相关程度，线性相关的判断方法有:A.散布图法。即将有关的数据绘制成散布图，然后直接观察其分布情况即确定两个变量之间是否有线性关系。B.相关系数法。通过计算相关系数r确定两个变量之间的关系。

其中，相关系数r的基本计算公式为:

判断标准如下表所示:

相关系数的绝对值＞0.70.3～0.7＜0.30因变量与自变量的关系 强相关 显著相关 弱相关 不相关

在确认因变量与自变量之间存在线性关系之后，便可建立回归直线方程:

y=a+bx

式中:y—因变量;x—自变量;a、b—回归系数。

依据最小二乘法原理，可得:

然后，即可根据该方程进行物流成本预测了。但在物流成本预测时，导致物流成本变化的影响因素往往不止一个，也就是可能存在一个因变量和多个自变量有依存关系的情况。且可能几个影响因素的主次难以区分，或者有的因素虽然次要，但其作用也不能忽略。在实际预测时，采用一元线性回归法则不可取，这时需要采用多元线性回归法。［5］

2.多元线性回归预测法

当自变量有两个及两个以上时，则须采用多元线性回归模型进行物流成本预测。其中，二元线性回归预测法如下:

式中:y—因变量;x—自变量;a、b、c—回归系数。则标准方程为:

y=a+bx1+cx2

然后用总和∑的形式表达标准方程式中的每一项得:

∑y=na+b∑x1+c∑x2

用x1乘以上式，得:

∑x1y=a∑x1+b∑x21+c∑x1x2

用x2同乘以上式，得:

∑x2y=a∑x2+b∑x1x2+c∑x22

三、物流成本的新预测方法

(一)基于时间序列的多元线性回归预测法

时间序列(Time series)指的是与时间先后次序有关的统计数列，其自变量为时间，因变量为与各时间对应的变量等式。因为物流成本会随着时间并产生时间序列，在物流成本预测过程中，须根据过去的数据来预测未来，这时就可利用时间序列技术。由于影响物流成本的不确定因素比较多，须对物流成本的影响因素的相关历史数据信息剔除，通过归结元数据来形成具有时序性的时间数据序列，使其将属于同一时序间隔中的相关数据统一按照时序规律的数据结构排列。并根据该数据结构来选取作为物流成本预测模型中解释变量的影响因素，量化自变量的系数，建立物流成本预测模型，根据回归分析检验自变量之间的多重共线性和自相关性，将数据的时序性和变量之间的因果关系结合起来预测物流成本。［6］在实际建立预测模型过程中，应选取具有时间序列的自变量数据来预测物流成本数据。

建立预测模型的步骤:第一，建模前准备。在对物流成本历史数据适当进行整理和预处理后，确定物流成本的影响因素即模型中的自变量，并对各影响因素的数据资料进行相关性分析，以保证该模型具有优良的解释能力和预测效果，其中，理论上应满足条件线性、独立性、互斥性、完整性、正态性和方差齐性。第二，建立预测模型并计算。使用SPSS和SAS专业的统计软件建立预测模型，然后将经过分析整理后的各个自变量的时间序列数据输入该模型，即可得到需要预测的物流成本数据。第三，检验预测模型。在应用数学模型预测物流成本后还需要检验回归方程的拟合度和显著性，以此检验研究模型是否有使用价值。其中包括拟合优度检验、多元回归方程整体的显著性检验与偏回归系数的假设检验。

基于时间序列的多元线性回归预测的不足:该预测法对于历史数据的数量和准确性要求比较高，而我国物流成本统计数据仅推算至1991年，且2009年我国才发布《社会物流统计指标体系》。因此，缺少准确的相关历史统计数据，满足不了其基本要求。同时，物流业属于生产性服务型行业，建立模型需要稳定的系统结构，但物流系统大多非常复杂，且非线性的不确定影响因素较多，由于此模型主要适用于研究线性问题，构建出精确而且稳定的定量模型具有一定难度。［7］

(二)神经网络预测法

神经网络全称为人工神经网络(Artificial Neural Networks，ANN)，是对人脑若干基本特性的抽象，由大量神经元通过丰富的连接构成了多层网络，用以模拟人脑功能。实际上，神经网络可以实现任意的函数关系，是一种不依赖于模型的自适应函数估计器。由于定量和定性信息都可贮存于网络内的各神经元中，因此可同时处理定量和定性的数据信息，可用于回归和分类，具有较强的稳定性和容错性。其具有的泛化能力能够立刻预测物流成本，即掌握已有数据的内在规律后，对新的变化做出预测。［8］预测模型的建立是通过已有的样本，给出输入与输出之间的函数计算关系，以便据此用输入来确定、估计或预测输出。如下图，研究由一些可被观测的变量描述的系统，其中x为输入变量，y为输出变量。G为示例发生器，它以某一未知且固定的的概率分布函数P(x)，独立分布产生变量X，f是X和Y之间存在的映射关系，函数表达式为Y=f(x)。但实际操作中，可能观测不到某些影响Y的因素，即Y中可能含有噪声。LM为能够学习样本规律的某种模型，即神经网络。［9］

建立预测模型的步骤:第一，建模前准备。首先根据根据顶测指标选取的可测性、可比1性和代表性原则选取合理的指标，确定输入项和输出项，建立指标体系，还要对所收集的数据进行预处理以便为之后的建模数据更加容易训练和学习。第二，建立预测模型。可以借助MATLAB软件实行网络模型设计，建立预测模型，对预处理后的的数据进行大量的样本测试、设置网络参数和训练直至该模型的误差值小于le-5，将需要的神经网络预测模型进行拟合，确定最终模型。［10］第三，分析误差，验证模型并进行预测。取部分数据使用Tramnmx函数来验证误差值，假如在误差范围内则通过误差检验，可以进行物流成本预测。

神经网络预测的不足:虽然模型相比其他模型更易于拟合物流成本的数据，更具稳定性、操作性和精确性，在处理非线性问题时具有明显优势，［11］但神经网络比较容易陷入局部最小点，所以易出现过度拟合而使得泛化能力变差，其网络训练很繁琐且难以解释其结果。

(三)灰色预测法

灰色预测法是在一种描述系统动态变化特征基础上的预测模型，它不仅指系统中含有灰元、灰数、灰关系的预测，而且还从灰色系统理论的建模、关联分析及残差辨识出发，获得有关预测的概念、观点和方法。灰色预测法是在灰色模块的基础上，认为所有随机量都在一定时段上及一定范围内变化的灰色量。对于灰色量的处理不是寻求其概率分布和统计规律，通过一定的方法处理无规律的原始数据信息，将其变成更加有规律的时间序列数据。［12］即以数找数的规律，再建立动态模型，其具有的序列性、少数据性、全信息性和时间传递性等特点适合预测物流成本。在实际预测物流成本时一般采用GM(1，1)模型预测。

建立预测模型的步骤:第一，建模前准备。整理历史数据，选取预测指标。第二，建立模型及检验。运用MATLAB软件或EXCEL软件建立GM(1，1)预测模型。与其他模型相比，还需经过残差检验、关联度检验和后验差检验，如果经过检验误差较大，则需对原模型经行残差修正，提高预测模型精度。第三，进行预测。用已收集的数据进行物流成本预测。

灰色预测的不足:灰色预测模型在短期的物流成本预测时准确度更高，但随着预测时期的增长，可能出现的未来扰动或其他不定因素将会对预测系统产生较大影响。为了预测物流成本更长时期的系统变化情况，则需用等维灰数递补模型进行弥补来提高预测的准确度。［13］

四、结语

为了更加准确地预测区域物流成本，除了使用更多历史数据资料和考虑更多且有效的影响因素，例如现代物流业发展中出现的新影响因素，以及其他一些定性影响因素，还要选取合理的预测方法，本文通过总结归纳传统的物流预测方法以及针对物流系统的复杂性和特殊性，对上述三种新的预测模型进行了较为详细的介绍。虽然三种新模型为我们提供了更为精确的物流成本的预测方法，但在实际预测过程中，单一模型多少都存在不足之处，因此可以尝试使用组合预测方法，在不同的情况下，选取更为科学合理的物流成本预测方法，使其成为组合预测模型的一部分，与单一的预测模型相比，可进一步提高预测物流成本的精准度。

［1］中国物流与采购联合会，香港冯氏集团.中国采购发展报告(2014)［R］.中国财富出版社.2014(11)http://www.56lem.com/news/show-457.html.

［2］丁雪慧.回归分析法在物流成本预测中的应用［J］.财会通讯.2009(4):120-121.

［3］董永茂.现代物流成本管理探析［J］.物流技术.2010(5):49-51.

［4］李伊松，易华.物流成本管理［M］.北京:机械工业出版社，2005:271-273.

［5］王法中.基于神经网络的煤炭企业物流成本预测［D］.山东科技大学.2007.

［6］孙淑生，罗宝花.多元线性回归模型在物流成本预测中的应用［J］.商业时代.2014(18):19-21.

［7］荀烨，安迪等.基于BP神经网络的军事物流成本预测［J］.军事交通学院学报.2012(11):64-67.

［8］数据挖掘(六):预测 http://blog.csdn.net/kingzone_2008/article/details/8977837.

［9］施彦，韩力群，廉小亲.神经网络设计方法与实例分析［M］.北京:北京邮电大学出版社.2009:1-2.

［10］胡心专，张亚明，张文文.BP神经网络在社会物流成本预测中的应用［J］.企业经济.2010(10):93-95.

［11］冻芳，金瓯，贺建飚.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):175-176.

［12］谈贵军.区域物流成本统计与预测方法研究［D］.中南大学.2009.

［13］温丽华.灰色系统理论及其应用［D］.哈尔滨工程大学.2003.

江西省研究生创新专项资金项目(编号:3104100028)