城市间快递业务量组合预测与分析

荣文竽,申晨

(1.大连交通大学 交通运输工程学院,辽宁 大连 116028;2.南京地铁运营有限责任公司,江苏 南京 211100)

从2014年起,我国快递业务量连续8年保持世界第一,快递企业承担着越来越大的运输压力,应提前预测快递市场的需求情况,保证未来各城市间的快递运输能力与快递业务量相匹配,以提供高质量的快递运输服务。Tang等[1]认为互联网的普及和电子商务的兴起是促使快递业务量快速增长的主要原因。在预测快递业务量时,陈畴镛等[2]将电子商务环境和季节性特征因素纳入建立的GM(1,N)ARIMA权重组合模型以提升预测精度;顾睿[3]建立了4个传统预测模型,与4个机器学习模型进行比较并预测2021—2024年山东省快递业发展需求;李燕等[4]根据各项统计数据,研究了快递量的影响指标,并通过BP神经网络和线性规律预测我国快递业务量。陈旭[5]考虑多项货运量影响因素,组合采用多种预测方法对区域间货运量、对外贸易货运量和分流沿江通道货运量3个方面进行预测。

以上研究主要集中于全国、某个省份或某个城市的快递业务量预测,但在城市间各运输方式的运能安排中,需要对城市间的快递业务量进行预测。为解决该问题,本文筛选出全国范围内快递业务能力较强的主要城市,结合多项与快递业务量相关的指标,构建组合预测模型,对未来城市间的快递业务量进行预测。首先使用三次指数平滑法预测得到各城市的快递业务总量;再使用主成分分析法确定城市的快递业务能力综合得分,并根据贸易引力模型计算城市间的快递吸引强度;最终通过构建城市间快递业务量组合预测模型,得到城市间的快递业务量。本文研究结果可为我国各城市的快递业发展规划、快递运输相关产业布局、全国快递运输网络结构优化提供数据支撑。

1 主要城市选取及数据来源

1.1 主要城市选取

预测城市间快递业务量,首先选取得到国家运输政策支持并且本身快递业务能力较强的城市作为本文的研究对象,具体标准如下:

标准1:我国“八纵八横”高铁网所覆盖的城市。

标准2:2010年交通运输部规划的全国性综合交通枢纽城市。

标准3:《中国城市物流竞争力报告(2020)》中城市物流竞争力排行榜的前25名。

标准4:每个省份中快递业务量最多的城市。

根据以上4个标准对全国范围内的城市进行组合筛选,选取北京、天津、哈尔滨、长春、沈阳、大连、石家庄、济南、青岛、太原、西安、郑州、上海、重庆、武汉、成都、南京、杭州、长沙、宁波、合肥、福州、广州、深圳、厦门、贵阳、昆明、兰州、南宁、南昌共30个城市作为本文的研究对象。

1.2 数据来源

从预测的角度来看,应收集尽可能多的数据以增加精确度,但由于快递业在我国的发展时间较短,部分城市2010年之前的快递业务量并没有统计,为保证数据时间的一致性,本文选取2011—2021年各城市快递业务量及2021年相关影响指标数据进行后续研究。快递业务量通过查阅邮政管理局官网获取,相关影响指标数据通过数位观察获取,各城市间距离通过Arcgis软件计算获取。

2 城市快递业务总量预测

2.1 建立三次指数平滑法预测模型

为预测未来各城市间的快递业务量,首先需要预测得到各城市的快递业务总量。指数平滑法对短期时间序列的预测在可操作性和可靠性等方面具有较强的优势,在实践中得到广泛的应用[6]。三次指数平滑法是指数平滑法的一种,适用于时间序列呈抛物线趋势的非线性数据,使用简单且便捷[7]。30个城市2011—2021年的快递业务量曲线均呈非线性增长,以快递业务量最大的城市广州为例,如图1。

图1 广州2011—2021年快递业务量增长曲线

使用三次指数平滑法对2025年30个城市的快递业务总量进行预测。

三次指数平滑模型为:

Yi=ait+bitT+citT2

(1)

式中:Yi为i城市第t年周期为T年的预测值;ait、bit、cit分别为水平系数、线性系数、抛物线系数。

(2)

(3)

2.2 使用Matlab软件进行预测

在Matlab软件中输入2011—2018年30个城市快递业务量,预测2019—2021年的结果,其中α取值分别为0.1、0.2、…、0.8、0.9,对比预测结果与真实数据,平均误差见表1。当α=0.3时误差最小,误差为3.27%,预测结果具有较高的可靠性。

表1 快递业务总量预测误差分析 %

取α=0.3,输入2011—2021年30个城市的快递业务总量数据,预测得到的2025年结果见表2。

2025年30个城市快递业务总量为6 739 128.30万件,年增长率为13.8%。

表2 2025年30个城市快递业务总量预测值 万件

3 城市间快递吸引强度计算

在2025年30个城市的快递业务总量基础上,本文组合主成分分析法与贸易引力模型,计算各城市间的快递吸引强度,从而对城市间快递业务量进行科学合理地预测。

3.1 快递业务能力综合评分模型

影响城市快递业务能力的指标较多,计算较为复杂且各指标间存在相关性,使用主成分分析法可降低计算难度并消除评价指标之间的相关影响,其基本原理是降维操作,以损失少量信息为前提,将初始的互相关联的指标转化为少数几个互相独立的综合性指标,即主成分,其中每个主成分都是原始变量的线性组合[8]。使用主成分分析法对各城市的快递业务能力进行评价,步骤如下:

(1)原始数据统计

本文从两个角度进行指标选取。从城市发展角度选取,包括X1城市GDP、X2人均GDP、X3城市常住人口总数、X4行政区面积;从城市运输角度选取,包括X5城市快递业务量、X6货运运输量、X7邮政收入、X8零售总额。选取2021年数据统计结果见表3。

表3 30个城市快递业务综合评分评价指标

主成分分析法使用的前提是各指标之间必须具有相关性,本文使用SPSS软件进行验证,其KMO统计量为0.681(>0.5);Bartlett显著性概率为0.000(<0.005),均说明本组数据具有相关性,可以使用主成分分析法进行分析。

(2)提取主成分

使用SPSS软件提取主成分情况见表4。

表4 总方差解释

根据特征值大于1的原则,可提取出前两个成分为主成分,特征值分别为4.780和1.614,并且累计方差贡献率为79.922%,意味着它们已经包含各原始数据的大部分信息,也可以提取出前两个成分为主成分。得到成分得分系数见表5。

表5 成分得分系数

建立主成分得分表达式:

Fik=xiuk

(4)

式中:Fik为城市i第k个主成分的得分;xi为城市i各个成分对应的数据矩阵;uk为第k个主成分的得分系数矩阵。

可得两个主成分Fi1和Fi2的表达式:

(5)

(6)

(3)主成分指标线性回归组合

构造综合评价模型,利用式(5)和式(6)进行计算可得到各城市的主成分1和主成分2的得分,但此时得分存在负值,无法使用贸易引力模型计算城市间快递吸引强度,因此使用极值法对主成分1、2得分标准化,公式如下:

(7)

标准化后主成分1、2得分结果见表6。

表6 30个城市主成分1、2标准化得分

(4)快递业务能力综合得分

建立基于主成分分析法的综合评价模型:

(8)

式中:Fi为城市i的快递业务能力综合得分;ηk为主成分k的归一化后的方差贡献率。

根据式(8),可得各城市的快递业务能力综合得分,综合得分越高则证明该城市快递业务能力越强。结果见表7。

表7 30个城市快递业务能力综合得分

此时快递业务能力综合得分与城市GDP、人均GDP等因素密切相关。由表6可知,北京、上海、重庆等城市的快递业务能力相对较强,具有更大的发展潜力。

3.2 基于贸易引力模型的快递吸引强度计算

在贸易领域中最早运用的引力模型为:

Xij=aYiYj/dij

(9)

式中:Xij为两地间的贸易流量;a为常数项;Yi和Yj分别为两地的经济总量;dij为两地间的距离。

贸易引力模型原理简单易懂,数据获取容易,目前广泛应用于贸易区研究,但该模型选取的影响因素过于单一,缺少对其他因素的考虑。本文将经济总量替换为快递业务能力综合得分,可有效解决贸易引力模型影响因素单一的问题。设定常数项a=1,建立城市间快递吸引强度的引力模型:

qij=FiFj/dij

(10)

式中:qij为城市i与城市j之间的快递业务联系程度;Fi和Fj为城市i与城市j的快递业务能力综合得分;dij为城市i与城市j之间的直线距离。

城市i对城市j和城市j对城市i的快递吸引强度计算公式为:

(11)

式中:Qij和Qji分别为城市i至城市j和城市j至城市i的快递吸引强度,根据式(10)、式(11)计算可得30个城市间快递吸引强度。2025年快递业务总量前10名的城市间快递吸引强度见表8。

表8 2025年快递业务总量前10名的城市间的快递吸引强度 %

4 城市间快递业务量预测及分析

4.1 城市间快递业务量预测

通过预测,得到了2025年30个城市的快递业务总量和城市间快递吸引强度,同时根据我国2021年快递产业结构报告可知,异城快递业务量占比为85%[9],由此建立城市间快递业务量组合预测模型:

Mij=δYiQij、Mji=δYjQji

(12)

式中:Mij和Mji分别为城市i至城市j和城市j至城市i的快递业务量;δ为异城快递业务量占比。

根据式(12),可得到2025年30个城市间的快递业务量。2025年快递业务总量前10名的城市间快递业务量见表9。

表9 2025年快递业务量前10名的城市间的快递业务量 万件

本文共有30个城市,435个城市对。对城市间快递业务量排名前100的城市对进行分析,见图2。

图2 城市间快递业务量排名前100的城市对

从图2中可以看出,城市间快递业务量前100名的城市对中,华北地区的北京和天津、华中地区的武汉、西部地区的重庆、华东地区的上海和杭州、华南地区的广州和深圳出现的次数远多于其他城市,吸引了各城市大部分的快递业务量,具有一定的枢纽性质。在进行枢纽城市的选择时,可以以枢纽城市覆盖的总需求最大化和快递运输成本最小为依据[10],实现枢纽城市的最大价值。

30个城市间不同运输距离区间的快递业务量占比,见图3。由图3可以看出,在2 000 km运输距离内的快递业务量占比约为75%,占据了大部分的快递市场,因此应优先发展中、短途运输。

图3 30个城市间不同运输距离区间的快递业务量占比

4.2 预测结果分析

对2025年30个城市的快递业务总量及城市间快递业务量进行预测,并分析统计得出的相应数据发现:

(1)事物的发展普遍经过缓慢发生、快速发展、稳定成熟3个阶段,2025年30个城市快递业务预测总量为6 739 128.3万件,年增长率为13.8%,可以看出我国快递市场仍处于快速发展期,在未来仍有较大的发展潜力。

(2)30个城市中北京、上海、广州等城市快递业务量明显多于其他城市,并且由于短距离运输吸引的快递业务量较多,快递运输网络将呈现枢纽式分布,在快递市场布局时可优先发展北京等城市,投入更多的人力、物力,将其作为各自地区的快递枢纽城市进行建设,建立功能更强大的物流基地。

(3)根据城市不同运输距离区间的平均吸引强度及快递业务量占比可知,大部分的快递业务发生在运输距离小于2 000 km的城市间,目前新兴的高铁快运具有运量大、速度快、安全性高等特点,因此在规划时,可在运输距离适宜的城市间优先发展高铁快运,以提升快递综合服务质量。

5 结论

本文在综合考虑多种影响城市间快递业务量的因素基础上,基于三次指数平滑法、主成分分析法和贸易引力模型,构建了城市间快递业务量的组合预测模型,具有较好的适用性。本文预测的结果可为我国快递业发展、物流枢纽建设规划以及各种运输方式的运能安排提供数据基础。但随着航空货运与高铁快运在快递市场的占比提升,运输距离对城市间快递业务量的影响将会逐渐缩小,城市间的快递业务量变化趋势亦呈现差异。