基于主成分-支持向量回归机的社区物流需求预测—以北京市通州区为例

（北京物资学院 物流学院，北京 101149）

1 前言

随着电子商务的快速发展，网购已经逐渐受到居民的青睐，进而带动了社区物流需求量逐年上升，社区由此出现了多种不同的物流服务模式，但由于服务主体多元、分散，社区物流服务无法形成规模化和集约化，存在着服务范围交叉重叠、物流资源浪费、快递配送网点重复建设等问题，占路、扰民现象时有发生。因此，准确预测社区物流需求量和未来发展趋势，不仅能够为社区物流服务主体在物流服务过程中物流资源和设施的投入提供依据，而且在一定程度上可以实现社会物流资源的优化配置，促进物流服务模式的创新。

目前，理论界对社区物流的定义还没有统一的规定，本文中社区物流是指“以城市的社区为服务范围，以城市的社区商业和居民为服务对象，将快递及餐饮、生鲜商品、日用品等从上游电商或快递企业直接配送到社区，或社区的商店将居民在网上下单的商品配送到其指定目的地的物流形式。”

2 社区的主要物流需求类型

（1）邮政快递类。快递是指承运方在托运方指定的时间范围内，将物品配送到指定的地点或客户手中的过程。随着电子商务的快速发展，带动了快递业务的迅猛增长，快递包括消费者在网上购买的服装、图书、电子产品以及商务函件等。据中研网发布的数据显示，2016年全国人均快递量约为22.6件/年，年均增长3.68件。

目前，社区末端的快递企业主要是先把各类快递在社区上游的共同配送中心进行集中，然后根据产品类型和流向进行分类，对于同一流向的产品由社区末端服务网点进行集中配送。

（2）一般日用消费品。一般日用消费品是保障人们正常生活的必需品，按照其用途可以分为厨卫用品类、洗化用品类、生活日用类、纺织用品类、时尚家饰类、保健康体类、家居用品类等。社区居民对一般日用消费品的物流配送需求，主要由开通线上销售渠道的连锁超市、便利店、小饭店等社区商户提供服务，而由于社区物流服务半径内社区居民及商户的数量在一定时间内趋于稳定，所以社区居民对一般日用消费品的需求也相对稳定。

（3）生鲜果蔬类产品。生鲜果蔬类产品配送成本及配送难度较大，目前社区这类产品的物流配送尚处于发展阶段。生鲜果蔬类产品主要包括新鲜水果、蔬菜、花卉、肉、蛋、奶等，生鲜果蔬类产品具有保存周期短、温度灵敏性高的特点，因此物流配送活动中对外界环境和时间都有着严格高要求，必须使用特定的配送工具或保温等装置，以保证配送产品的外形、品质等完好无损。此外，消费者在网上购买此类产品时，需要额外缴纳较高的配送费，因此居民对这类产品的网上购物需求较少，进而这类产品的社区物流需求也较低。

3 社区物流需求特征分析

（1）社区物流需求主体较分散。从社区居民需求地域来看，需求地点分散，不集中，而周边商业设施也紧密围绕社区需求点布局，这种布局造成了社区物流服务商在一定程度上的分散，主要采取各自为营的服务模式，最终给集约化物流配送造成一定程度的困难。

（2）对社区物流服务水平的要求较高。社区商家为了提升客户的购物体验，一般可以为顾客少量单批次配送服务，这就会使得商户对合作的第三方外卖平台的物流效率有较高需求。此外，对于以自营模式为居民提供社区物流服务的商户来说，居民对社区物流的配送时效同样要求较高，尤其对冷鲜、冷冻类食品的配送要求必须要达到及时、可靠、准确的服务水平。对于社区的快递业务，居民越来越倾向于选择“送货上门”的服务模式，但是由于单次快递包裹配送量较大且需求点较分散性等原因，将每件快递“送货上门”对快递员来说逐渐成为一种挑战，通过统计调查问卷，居民对社区物流评价的服务满意度较低，平均分不足70分。

（3）社区的物流需求频数多、单次需求量较少、需求种类较多。社区的物流需求特征主要表现在频数多，单次需求量较少，需求种类较多等，且快递包裹占需求量的绝大部分，果蔬、生鲜、日用消费品等单次需求量较少，鉴于社区商业和社区居民数量也相对稳定，从而使得快消品的需求总量相对稳定。从需求频率来看，居民对快递及快消品的需求频率较高，且需求时间灵活，据统计，快递的需求量约每人每天1-2件。

4 北京市通州区社区物流需求量预测

4.1 主成分-支持向量回归机组合预测模型原理及优势

本文采取主成分-支持向量回归机组合预测模型，在不影响各个指标贡献度的情况下，借助主成分分析法处理数据的优势，有效避免了运用支持向量回归预测模型进行预测时由于数据复杂造成的时间长、过学习等缺点，提高了预测结果的准确度。

主成分分析法把研究对象的若干指标变量重新组合成一组新的、线性无关的几个综合指标来代替原来的指标变量，同时根据实际需要，按照设定的累计贡献率的临界值，选取少数几个综合指标，实现对研究对象的简化与综合评价。其数学模型如下：

公式中Yi为所求得的第i个综合指标；n为原始数据的指标个数，系数a1i,a2i,…,ani为因子Yi的载荷量，满足。

支持向量机[1]简称SVM（Support Vector Machine），是建立在统计学习理论上的机器学习方法，其核心内容是在经验风险最小化的原则下对历史数据进行统计学习并对其进行训练预测。

式中：目标函数用来控制泛化能力；约束条件用来减少经验风险；C为惩罚函数，用来控制样本误差和机器泛化能力之间的平衡。

4.2 社区物流需求预测指标选取

通过查阅通州区统计年鉴发现，通州区以发展第三产业为主，重点推动区内消费升级；此外，通过实地调研该区域的商业需求及物流产业结构发现，该区域中80%的公路货物运输量主要流向城市社区。故本文用通州区80%的公路货物运输量代替社区物流需求量进行预测，以“万t”为计量单位，通过专家意见法列举了8个量化指标，建立了通州区社区物流需求预测指标体系，见表1。

4.3 预测过程分析

4.3.1 主成分分析法处理原始指标数据。由于选取的各个指标具有不同的量纲，为了避免指标单位不统一而造成预测结果的偏差，需要对不同的指标进行去量纲处理。经检验，原始数据的KMO值为0.822，比较接近于1，根据相关的原理说明本样本数据可以进行主成分分析，故本文采用SPSS软件的主成分分析功能对数据进行去量纲处理，见表2。

表1 通州区社区物流需求预测指标（单位：万t）

表2 原始数据的KMO和Bartlett的检验

利用主成分分析法对指标的相关性进行分析，从相关性分析结果可以看出，8个物流需求量化指标因素中，只有道路长度X8这一因素与其他指标之间的相关系数较低，最小的相关性仅为0.378，可以认为相关性较弱，所以综合考虑决定剔除“道路长度”这一因素，见表3。

对剔除X8后的指标数据进行主成分分析进而缩小数据的样本量，见表4。从表4可以看出，前三个主成分的累积贡献率已经达到99.821%，很好的保留所有指标数据对货物运输量的影响。所以，本文只需保留前三个主成分就能代表所有指标的数据量。

表3 量化指标间的相关性分析矩阵

表4 主成分统计信息

表5 成份因子得分系数矩阵

由表4和表5可以看出，主成分Z2、Z3的贡献率分别为5.455%和0.417%，贡献率较小，可以忽略；当主成分Z1的贡献率为93.685%时，邮政业务总量X7的系数最大，为0.719，与Z1成正相关，这说明邮政业务总量是影响公路货运量的主要因素。同时，根据北京市邮政管理局发布的《2016年邮政业发展统计公报》显示，邮政业务总量包括邮政普遍服务（函件业务、包裹业务、报纸业务、杂志业务）及快递业务，其中快递业务占比约70%，这说明快递业务量占邮政业务总量的比重较大，进一步说明快递业务量是促进通州区公路货物运输量增长的主要因素。

此外，主成分Z1中电子商务网络零售交易额、城镇居民人均消费性支出的系数分别为-0.679、-0.066，与Z1成负相关，是导致贡献率未达到100%的重要原因。这可能说明，随着城镇居民消费水平的不断提高，城镇居民消费结构不断升级，反映出通州区城市居民正在逐步转向高端市场消费，对一般日用生活物品等中低端市场产品的需求量有所降低，这在一定程度上促使电子商务零售交易额增速降缓，而该区域社区物流需求又以邮政业务（快递业务）为主，所以最终会对社区物流需求量产生一定的影响。

4.3.2 支持向量回归机模型预测物流需求量

（1）查询最优训练参数。在构造模型进行预测之前，本文首先利用python和gnuplot软件进行模型参数寻优，经过训练惩罚函数c=1 024，RBF核函数中系数γ=1，损失函数ε=0.25，结果如图1所示。

图1 查询最优参数结果

（2）带入最优参数进行模型求解。将参数寻优得出的3个系数用来进行ε-SVR模型的训练，输入如下命令：

Svm-train-s3-t2-c1 024-g1-p0.25 data.txt后，会产生ε-SVR模型，如图2所示。

通过训练得出ε-SVR预测模型，将测试样本test.txt进行预测分析，输入的命令如图3所示，得出预测结果。

（3）拟合精度检验并预测未来值。预测结果分析见表6。

假定预测结果误差低于0.2在可以接受的范围内，由预测结果可以看出，使用支持向量回归机模型进行预测的误差均低于0.2，但是本文采取的组合预测法的预测精度相对较高，验证了该方法对提高模型预测精度的有效性。

最后，本文对未来5年内通州区社区物流需求量进行了预测，发现未来5年内通州区城市社区物流需求量保持较稳定增加，社区物流市场缺口较大，见表6。

图2 ε-SVR模型

图3 测试样本test.txt的预测分析

表5 预测结果分析表

表6 社区物流需求预测结果 单位：万t

4.4 预测结果分析

通过上述预测过程可以看出，随着电子商务的快速发展，目前通州区社区物流需求主要以邮政业务（快递业务）为主，新兴的电商业态以及居民高水平的消费潜力是推动社区物流需求量增加的重要因素。

通过预测社区物流需求量和未来发展趋势，不仅能够为社区物流服务主体在物流服务过程中物流资源和设施的投入提供依据，而且在一定程度上可以实现社会物流资源的优化配置，促进物流服务模式的创新。基于物流产业的现代服务业重构已经成为新的发展趋势，解决通州区巨量的、碎片化、多样化的社区末端物流服务需求需要全新的系统化视角。流通模式和物流服务属于双螺旋式的互相促进发展关系，物流模式创新将推动流通业发展，因此如何通过物流服务实现各类物流资源的优化配置成为社会资源整体配置的重要内容。

为了满足通州区巨量的、多样化的社区物流需求，京津冀协同发展对通州区尤其是城市副中心的社区物流服务功能提出了新的要求，未来充分利用现代技术发展的优势，突破理论研究中的关键问题，实现社会物流资源优化配置，丰富现代服务业形式，形成新的物流服务业态，创新发展模式，保障城市社区安全运行等将是社会管理的一项重要使命，对促进城市副中心“高起点、高标准、高水平”发展具有重大意义。

[参考文献]

[1]岳辉,吴波,单翠,等.基于支持向量回归机的物流量预测-以成都市为例[J].交通标准化,2014,(42)15:87-91.

[2]张大成,张一祯.社区物流终端配送服务模式创新研究[J].商业经济研究,2016,(1):114-116.

[3]王河涛.城市社区物流共同配送模式研究[D].长春:吉林大学,2016.

[4]张希.基于微社区物流服务体系的平台研究[D].苏州:苏州大学,2014.