基于神经网络的跨境电子商务物流成本预测

童林林

摘 要：物流成本有很多影响因素，对于其赋值，如果只是进行猜测，则主观性较大，预测物流成本有一定难度。文章在进行分析时，结合实际情况，建立相应的BP神经网络模型，并用于物流成本预测实验；结果发现，该模型精确度相当高。神经网络在跨境电子商务中具有成本预测功能，其能够有效提高电子商务物流预测效率。神经网络成本预测对整体系统的运行具有重要作用，传统物流成本计算方法虽然通过展示成本的大小表明物流管理自身的重要性，这在物流管理意识中起到重要作用，但是成本预测数据在物流管理中发挥的作用较为有限，很多企业已经掌握物流管理成本，这表明按照传统计算方法得到的数据成本能够促进物流管理水平提高。

关键词：神经网络；物流成本；物流预测

中图分类号：F259.27文献标志码：ADOI：10.13714/j.cnki.1002-3100.2023.04.014

Abstract： There are many factors influencing logistics costs. For its assignment， if it is only a guess， it will be more subjective and it will be difficult to predict the logistics cost. This paper analyzes the actual situation， establishes the corresponding BP neural network model， and applies it to the logistics cost prediction experiment. The result shows that the accuracy of the model is quite high. Neural network has cost forecasting function in cross-border e-commerce， which can effectively improve the efficiency of e-commerce logistics forecasting. Neural network cost prediction plays an important role in the operation of the whole system. Although the traditional logistics cost calculation method shows the importance of logistics management itself by showing the size of the cost， which plays an important role in logistics management awareness. The cost prediction data plays a relatively limited role in logistics management， although many enterprises have mastered the logistics management cost. It shows that the data cost obtained by the traditional calculation method can promote the improvement of logistics management level.

Key words： neural network; logistics cost; logistics forecast

0    引    言

随着经济社会的迅速发展，企业观念也在不断更新，希望通过降低物流成本获取更高利润。但就我国社会当前发展来看，尤其川渝地区物流成本相当高，许多企业很难接受。在构建双城经济圈的背景下，多语种跨境电商基地建设和人才培养则必须考虑该要素。要想降低物流成本，就要做好物流成本预测工作，有效分析物流要素之间的效益关系，并从实际出发采取合理有效的成本控制措施，才能扩大物流的经济效益。一直以来，企业对物流管理十分重视，但由于管理方法不当，只有少部分企业能把握住物流成本，但是企业对成本数据并不能进行灵活运用，许多与物流管理相关的问题都很难得到有效解决，导致物流管理水平一直得不到提升。使用BP神经网络进行相关模型预测之后，可以将非线性问题进行有效解决。国内学者提出了以下几种观点：冯彦乔（2020）提出，在船舶物流运输中，神经网络对物流成本起到一定预测作用，能够提高物流运输质量[1]；刘柏阳（2015）提出，物流成本预测能够提高物流运输中的质量管理，起到质量管控作用[2]；孙祖妮（2012）提出，基于成本动因的BP神经网络在铁路物流货运中起到成本预测作用[3]；兰柏超（2011）提出，在物流企业运营成本中，神经网络可以对成本进行预测[4]；石永奎等（2010）提出，基于PSO-BP网络的煤炭企业物流成本可以通过神经网络预测[5]；张凤荣等（2005）提出，基于改进的灰色BP神经网络可以对区域内物流成本进行预测[6]； 陈果（2022）提出，在全球化背景下，跨境电商物流模式需要不断适應国际间供应链协调关系的发展[7]。

1    物流成本预测方法述评

1.1    传统预测方法

传统预测方法有多种，比如移动平均法、指数平滑法等都是使用线性定量预测方法，通过建立数学模型进行成本预算，而且在物流发展过程中，通过使用移动平均模型可以有效预测发展规模；通过使用指数平滑法可以直接预测物流需求，并结合实际情况，进行组合预测。运输物流、区域物流等一般使用线性回归预测模型。如果是预测货流量，则使用灰色模型较多。研究分析发现，传统预测方法对历史数据精确度有较高要求，物流业是我国一大新兴产业，在数据统计方面没有经验，精确性也非常低；并且物流业对系统结构要求也十分严格，要求具有较强的稳定性，但是物流系统较为复杂，而且具有非线性特点，很难构建高稳定性的定量模型。而使用神经网络方法则对数据没有较高要求，很容易就能建模，模糊推理能力也非常强，对于一些物流预测问题可以进行有效解决。当前，有学者已经将美国一家物流公司作为研究对象，使用BP神经网络预测物流成本，物流成本得到一定控制，但是如果站在宏观物流成本控制角度思考，其起到的辅助决策作用并不是很大。

1.2     BP神经网络原理

BP神经网络应用建立在梯度搜索理论的基础之上，很大程度上能够将网络实际输出和期望输出之间的差距拉小。正向传播、反向传播是BP神经网络的两大学习部分，在确定好网络输入模型之后，从输入层开始逐步计算，直到最后输出层，所有计算结束后就会有输出模式产生，整个过程呈逐层状态，因此也称之为正向传播。在计算中，如果实际输出模式、期望输出模式产生误差，那么需要沿着连接通路将误差信号层层传送，从输出层开始，一直到输入层，而且要结合实际情况，合理修改连接权值，尽可能将误差缩小，以便能够满足条件，整个过程称为反向传播。如果所有的要求训练模式都能够很好满足，则表明BP神经网络取得较好的学习效果。特别有一点需要指出，在学习取得效果之后，运用BP神经网络只要选择正向传播就可以，反向传播则可以忽略不计。BP神经网络层级较多，如输入层、隐含层等，借助网络作用将隐含层节个数、权值加以合理有效调节，这样收敛速度会不断加快，期望输出值也很快能够达到。较为典型的BP神经网络结构属于三层网络，整个物流成本分析过程中，利用的都是BP神经网络相关原理。如果使用的是作业成本法，在进行核算对象设置时具有灵活多变性，这也是一个重点和较为复杂的问题，一般使用传统方法将其解决很困难。因此，在经过一番模拟之后，根据实际需要，将神经网络模型建立起来，后期在各种案例分析过程中，网络输入原始费用有10 项，白酒、牛奶物流成本都被记入网络输出成本中。

2    物流成本预测模型

2.1    物流成本的影响因素

物流成本会受到很多因素的影响，而且物流成本有很多种，比如库存费用、运输成本等。之前在计算物流成本时，一般都是按照包装费、装卸费等进行计算。进行仓库货物保存的费用被称为库存费用，包括人力费用、库存占压资金利息等。公路运输、货主费用等则记入运输成本，城市内运输、区域间卡车运输等都属于公路运输，而铁路运输、管道运输等则属于其他运输方式。货主费用主要指的是运输部门运作、货物装卸过程中的各种费用，同时也有部分物流管理费用需要结合实际情况设定固定比例，根据专门公式进行计算之后得出总和。进行物流成本预测时可以将仓储成本、库存成本、搬运成本等相关要素作为预测依据。

物流行业通常会通过制订预测方案，并从预测方案中选择最合适的方案来进行运行。应用神经网络技术预测物流状况时通常会有以下两种较为常用的方案：第一种方案是以过去一段时间的信息内容作为预测基础，通过对物流预测得出相关方案。历史信息需要在规定时间内，近期的具体环境不会发生较大变化，该方案才能实施。第二种方案是以物流预测的相关数据为基础进行的预测。这种方案的优势在于更多地考虑了相关变量的细节分析。但由于目前科学技术的发展有限，对相关变量的研究也较为有限，为了获得更精确的预测结果，通常情况会选择第一种方案进行物流成本预测。

2.2    物流成本预测模型的建立

用人工BP神经网络进行物流成本预测模型的建立。

2.2.1    BP神经网络预测模型的建立

BP神经网络属于典型的神经网络模型，只有邻层神经元之间会有连接。BP神经网络的输入节点和输出节点都有，而且每层还有一些隐形节点，由两大部分组成，分别是正向传播和反向传播。进行正向传播时，以输入信号为出发点，不断递层向前，一直传到输出层，每层都会有神经元节点状态，但是只有下一层的神经元状态会受到影响。要想在输出层有期望输出还是比较困难的，由于在计算时，输出值和期望输出值之间存在较大误差，需要沿着之前的连接通路将其进行反传，等到各层神经元的连接权系数都根据实际需要进行修改时，误差就会不断缩小，能够达到规定要求。通过神经元变换函数，输入层到输出层任意非线性映射能够很好地实现，需要根据实际情况，包括动量系数、迭代次数等进行合理选择，训练数据组、检验数据组都要提前准备。而且模型运行过程中，网络训练也十分关键，需要对MATLAB工具进行合理选择，并根据实际需要进行合理调节，并选好参数。图1为BP神经网络训练流程图。

2.2.2    物流成本预测BP神经网络模型的建立

在建立网络模型之前，必须确定网络拓扑结构，并根据实际情况设置好层数，也要确定好输入节点和输出节点。经过一番分析后发现，在充分学习三层BP神经网络之后，几乎能逼近任何函数。因此，计算物流成本之前需要构建三层BP神经网络。输入神经元节点实际上就是BP神经网络上的各相关因素，X1、X2分別代表的是运输费用和仓储费用，X3和X4则分别代表的是订单费用和管理费用，X5为整个库存搬运过程中所有的开销统计。正常情况下，输入单元至少有五个，而输出单元一般只有一个Y，也就是物流成本。在确定隐含节点数、选择神经元数时，经验法则非常重要，但是很难找到理论依据，不能保证每个都好用。多数情况会以Kolmogorov定理作为依据，假设输入层共有n层，那么确定隐含层节点数是2n+1个。

3    案例分析

并不是所有分析指标都能够定量计算，站在系统角度，为了保证各项指标具有较强可比性，针对定性指标一般都是采用定量处理方式，而如果是定量指标，由于衡量单位不统一，大级别、小级别都有，因此趋向也没有一致性。需要结合实际情况通过效应系数的充分、有效利用，才能做好规范化处理工作。下面是对相关效益系数进行的计算。

在上式中，Fj和xj分别代表的是目标值和效应系数，xjmin和xjmax则分别表示的是预先确定的第j个指标的最小值与最大值，评价指标数用j表示。在训练学习过程中，使用的数据样本是一家物流公司成本统计数据，通过MATLAB7.0仿真技术进行了归一化处理，表1是部分样本的运行结果。

BP神经网络学习逐渐进入尾期之后，网络结构也逐渐确定，在进行建模时采用了四组试样，表2列出的是相关测试结果。

通过BP神经网络学习之后发现，实际输出值和期望输出值的绝对误差并没有超过1，从物流成本预测角度来看，这是十分正常的，说明物流成本预测的精确度相当高。因此进行物流成本预测之前，结合实际情况，建立相应的预测模型具有一定的可行性。

4    总    结

随着高科技的发展，企业在进行物流成本预测时已经开始使用BP神经网络模型，而且具有较强可行性、精确度也非常高。因此，预测物流成本时可以将BP神经网络模型进行充分有效的利用，在整个物流管理过程中，所预测结果有重要的参考价值，有助于物流行业管理水平的提升。当然，由于资料数据不充分，训练样本也不是很充足，以至于预测值和实测值之间还存在一定误差，还有一定的上升空间。相信随着样本的不断增加，并经过严格训练之后，建立在BP神经网络基础之上的物流成本预测的精确度会越来越高。当然，由于物流成本较为复杂，在进行相关预测的过程中，有人曾使用灰色模型，也有人选择线性组合模型，本文通过使用BP神经网络经过研究发现该模型在物流成本预算方面的精确度较高，而且难度不大，这是本文的一大创新点，为服务川渝双城经济圈多语种跨境电商基地的建设提供应用基础，同时为专业课程改革在产教融合方面提供新思路。

参考文献：

[1] 冯彦乔．基于神经网络的船舶物流配送成本预测[J]．舰船科学技术，2020，42（8）：193-195.

[2] 刘柏阳．物流成本预测方法研究[J]．金融经济，2015（14）：192-194.

[3] 孙祖妮．基于成本动因BP神经网络的铁路物流货运成本预测[D]．北京：北京交通大学，2012.

[4] 兰柏超．物流企业运营成本的小波神经网络预测方法[J]．会计之友，2011（20）：57-59.

[5] 石永奎，邵剑生，李金皓．基于PSO-BP网络的煤炭企业物流成本预测[J]．辽宁工程技术大学学报（自然科学版），2010，        29（5）：945-948.

[6] 張凤荣，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（6）：155-158+166.

[7] 陈果．全球化背景下跨境电商物流模式分析及优化[J]．物流科技，2022，45（10）：16-20.