魏乐琴

（1.福州大学 经济与管理学院，福建 福州 350116；2.武夷学院 商学院，福建 武夷山 354300）

区域物流需求预测研究综述

魏乐琴

（1.福州大学 经济与管理学院，福建 福州 350116；2.武夷学院 商学院，福建 武夷山 354300）

区域经济与区域物流需求之间存在着极强的关联性,区域经济发展与区域物流需求增长存在着内在的逻辑关系,这种关系决定了区域物流需求可以用区域经济水平来进行预测。区域物流需求预测为寻找区域经济与区域物流之间的内在关系并为区域物流规划了提供必要的决策数据和依据。

区域经济；区域物流需求；预测

一、区域物流需求预测研究的意义

研究区域物流需求有利于促进区域物流与区域经济协调发展；探索和研究区域物流需求预测的相关理论，为政府制定区域物流战略规划提供了科学的理论依据；研究区域物流需求预测方法，为物流需求预测的研究模型和研究技术提供了新的思路，有利于克服物流需求预测长期存在的定性规划、经验预测等方法的不足。

区域物流需求预测，有助于政府采取科学、合理的政策和措施协调区域经济与物流发展之间的关系，以相互促进，协调发展；区域物流需求的准确、合理预测将为区域物流发展规划的制定提供科学、可靠的依据；区域物流需求的准确、合理预测将有助于政府整合区域物流资源,建立节约、高效的区域物流体系。

二、国内外区域经济与区域物流关系的研究现状

国内外学者关于区域经济与区域物流关系的研究主要集中在区域经济与区域物流的互动关系、区域经济与区域物流的协调发展等方面。

（一）区域经济与区域物流的互动关系

Danuta Kisperska-Moron对波兰在经济过度时期的物流变化情况进行了研究，研究结果表明，在经济过度时期，经济发展中的关键是物流。不同经济时期的库存变化情况反映了物流的变化。[1]美国学者Bloton认为，区域经济和区域交通运输状况是相辅相成的，经济发达地区的物流运输就相对繁茂；而交通运输发达的地区区域经济就相对发达。[2]华蕊认为，区域物流需求是由区域经济发展引起的，是区域经济发展的伴生需求。[3]徐茜、黄祖庆认为，区域经济是区域物流发展的基础，区域物流为区域经济发展提供保障，二者相互促进，共同发展。[4]廖迎，阮陆宁选取了1978～2006年30个省、直辖市、自治区的面板数据，运用面板单位根和面板协整方法，证明区域物流增长与区域经济增长存在长期均衡正相关关系。[5]张诚，周敏采用定量分析的方法对中部地区的区域物流与区域经济的互动关系和发展趋势进行初步的研究，指出区域物流与区域经济如果发展不平衡，就会产生消极效应，经济到发展而物流则会受到抑制，反之亦然。[6]

（二）区域经济与区域物流的协调发展

宋卓宁，李军运用系统动力学的反馈分析方法，建立了广西区域物流与经济协调发展的系统动力学模型，实验结果表明，刺激需求、合理投资以及大力培育人才等政策，能够有效推动广西物流业和社会经济的协调发展。[7]张梅青等分别构建了在物流产业与区域经济发展协调和发展不协调两种情况下的互惠共生模型，并依据实验结果提出从本质上优化共生单元与界面，从形式上优化共生环境的区域经济与区域物流协调发展策略。[8]王伟等构建了区域物流——经济复合系统协调度评价模型和协调性评价指标体系，并指出只有综合运用这些指标体系，才能对区域物流与区域经济的协调性做出全面的评价。[9]

三、国内外区域物流需求的研究现状

（一）区域物流需求的内涵

何萍研究认为，区域物流需求是指在一定时间范围内，在一个经济发展尽可能完整的地区，社会经济活动对生产、流通、消费领域的物料配置作用而产生的对物在空间、时间和效率方面的要求，这其中包括了物流环节各种活动以及与之相关的信息需求等方面。[10]梅汉宁认为，区域物流需求是社会通过市场交换的方式所消费的物流服务的数量，它既反映了该区域范围物流市场的容量，又体现了整个经济产业结构的变化趋势。[11]张燕燕等认为，区域物流需求包括需求量和需求结构两个方面。区域物流需求量是区域物流在各个环节上需求量的总和。区域物流需求结构，可以用物流时间、物流费用、物流效率等要素衡量。[12]秦璐等将区域物流需求分为农产品物流需求、工业品物流需求和消费品物流需求。[13]

（二）影响区域物流需求的因素

黄虎认为，区域物流需求的影响因素主要有经济因素、物流行业因素、环境因素等，其中主要包括区域经济发展水平和规模、区域经济产业结构、经济空间布局、物流设施和服务、物流费用的变动等。[14]杨光华等以湖南省为例研究产业结构对区域物流需求的影响，指出近几年湖南省物流业年增长达到15%～20%，这与湖南省一、二、三产业结构由1980年的42.3∶40.2∶17.5转为2010年的14.7∶46.0∶39.3相适应。[15]

四、国内外区域物流需求预测的研究现状

国外学者关于区域物流需求预测的研究始于20世纪90年代。在国内，学者们于本世纪初开始研究区域物流需求预测方法。总体来看，国内外的研究主要集中在预测的内容及预测的方法两个方面。

（一）区域物流需求预测的内容

叶艺勇认为，依据区域物流的服务特点和作业环节，预测内容可以包括总体需求规模、物流流量分布、主要影响因素的变化等。[16]何国华指出区域物流需求预测的内容包括预测物料流动的作业量、来源、流向、构成比例等，并在整理、分析历史和现实数据的基础上进行预测；预测内容主要包括影响因素的变化和物流需求规模。[17]

（二）区域物流需求预测的方法

根据预测方法的发展历程和精确化程度的高低，区域物流需求预测方法的发展大致可以划分为三个阶段：

1.第一阶段的预测方法以传统统计学为基础，主要有投入产出模型、回归分析法、弹性系数法、聚类法、灰色理论模型、马尔可夫链等方法。[18]

Donald,J.Bowersox在Supply Chain Logistics Management一书中提到，物流需求预测主要有：定性法，时间序列法，因果分析法。定性法适用于历史资料数据不充足的情况，若可搜集到往年的数据则可使用时间序列法，而因果分析法则主要用于进行回归预测。[19]

Garrido，Mahmassani提出时空多项概率模型并将其运用到货物需求预测中，取得了较好的效果。[20]

何国华认为，灰色预测模型对数据要求限制少、中短期预测精准，因此特别适合应用于区域物流需求预测。[16]

王晓原、李军讨论了灰色预测模型在物流规模预测中的应用，建立了GM（1，1）模型，并以山东省的物流规模预测为例进行了实证研究，并对结果进行了检验，证明了预测结果的可信性。[21]

王小军在“区域经济发展与公路客货运量预测”中，分别分析了区域交通现状和经济现状以及相关影响因素，指出了区域交通及经济在发展中所面临的主要问题，并利用主成分分析法、回归分析法对区域客货运量进行了的预测。[22]

黄敏珍等尝试了组合预测的方法，即将灰色系统理论与马尔可夫链相结合，建立了GM（1，1）灰色模型，预测值以概率和区间形式表现。[23]

2.第二阶段主要采用以神经网络的学习和泛化能力为代表的人工智能预测方法，主要特点为改善预测模型的性能和提高预测准确率。[18]

曹萍以货运量作为物流需求的内容，选取福建省1997～2009年的经济数据，采用灰色神经网络模型对福建省区域物流进行了预测。[24]

邱波提出了基于PCA-RBF神经网络的区域物流需求预测，实例证明模型具有很好的预测效果；与传统的RBF神经网络相比较，该模型减少了输入维数，降低了输入数据之间的相关性，优化了网络结构；相比于GA-SVM模型，具有更高的精度和更快的收敛速度。[25]

3.第三阶段的预测方法以提高预测模型的精度和稳定性为主要特点，该类方法主要有支持向量机。[18]

黄毅等认为SVR自适应性强，收敛速度快、准确性高；以SVR方法为基础建立了时间序列SVR预测模型，应用于广西物流需求预测研究；实验结果证明，在参数适当的情况下，SVR预测结果具有很高的精度，能满足预测要求，预测结果可信。[26]

胡燕祝在研究经济发展与物流需求关系的基础上，构建了基于支持向量回归机的物流需求预测模型, 研究中详细介绍了构建模型的具体分析步骤，并验证了预测结果的可行性和有效性。[27]

何周林提出了基于支持向量回归（SVR）的区域物流需求预测模型，揭示了区域物流需求与区域经济发展之间的非线性映射关系。[28]

同时，也有越来越多的学者开始关注组合预测，并认为组合预测模型较单一预测模型具有更好的预测效果。

初良勇等在研究影响物流需求因素的基础上，建立了物流需求组合预测模型，以规避单项预测模型的局限性，对国际海运物流需求量进行了预测。[29]

曾艳以年货运量为基础建立了区域物流需求组合预测模型，并将预测结果分别与回归预测、指数平滑预测的结果进行了比较；比较结果证明，相对于单一的预测方法，组合预测的精度最高。[30]

俞少君以方差最小化为准则，构建了区域物流需求预测组合模型；指出该模型能克服单项预测模型精度不高、假设条件及适用范围有限等方面的不足，并结合安徽省物流需求预测的实例，验证了组合预测模型的有效性。[31]

五、结语

国内外学者对于区域物流需求预测的研究已日益丰富，但目前有关区域物流需求预测的研究仍然还存在以下不足之处：（1）对区域物流与区域经济相互关系的理论研究稍显不足。研究区域经济与区域物流之间的相互影响和作用，对于构建科学的区域物流发展战略，促进区域经济的发展非常重要；（2）在预测指标的选取方面基本停留在货运量和货运周转量的分析预测上，对于其它物流活动如仓储、包装、流通加工、信息服务等指标则很少有研究，而且对货运量和周转量的分析上也只是定性的论述，缺乏定量研究。

[1]Danuta Kisperska一Moron.Logistics Change during the Transition Period in the Polishe Economy[J].International Journal of Production Economies，1994，（35）：1-3.

[2]Bolton,D.Ross.Industrial Structure and Economic Performance [M].New York:Houghton Mifflin Company，1993.

[3]华蕊.区域物流与区域经济的关系[J].物流科技，2004，（9）：78-79.

[4]徐茜,黄祖庆.区域物流与区域经济发展互动关系研究——以浙江省为例[J].统计与政策，2011，（9）：116-119.

[5]廖迎,阮陆宁.区域物流与区域经济增长的实证研究——基于面板单位根与面板协整分析[J].南昌大学学报，2008，（3）：64-69.

[6]张诚，周敏.中部区域物流与区域经济协同发展研究[J].物流工程与理，2010，（10）：76-78.

[7]宋卓宁，李军.基于系统动力学的广西区域物流与经济协调发展研究[J].物流科技，2011，（4）：34-37.

[8]张梅青，周叶，周长龙.基于共生理论的物流产业与区域经济协调发展研究[J].北京交通大学学报，2012，（1）：27-34.

[9]王伟，陈伟成，黄莉，封学军.基于协同学理论的区域物流与区域经济协调度度量研究[J].中国市场，2010，（15）：6-8.

[10]何萍.区域经济发展对区域物流需求的影响研究[D].江苏科技大学硕士学位论文，2011:20.

[11]梅汉宁.区域物流需求影响因素的关联性分析——以广东省为例[J].中国商贸，2012，（12）：146-151.

[12]张燕燕，陈博.区域物流需求的投入产出分析——以北京市为例[J].物流技术，2010，（Z2）：1-3.

[13]秦璐,刘凯.基于产业结构的区域物流需求分析 [J].物流技术, 2006，（7）：4-6，16.

[14]黄虎.区域物流需求预测模型研究[J].统计与决策，2008，（17）：62-64.

[15]杨光华，邹敏.产业结构与区域物流需求关系分析[J].物流技术，2012，（5）：146-148.

[16]叶艺勇.区域物流需求预测研究 [D].五邑大学硕士学位论文，2008.

[17]何国华.区域物流需求预测及灰色预测模型的应用[J].北京交通大学学报，2008，（1）：33-37.

[18]夏国恩.区域物流需求预测现状和发展研究[J].中国物流与采购，2010，（4）：68-69.

[19]Donald,J.Bowersox.Supply Chain Logistics Management（2nd Edition）[M].Beijing:China Machine Press，2007.

[20]Rodrigo A.Garrido,Hani S.Mahmassani.Forecasting Freight Transportation Demand with the Space-time Multinomial Pro Ait Model[J].Transportation Research Part A，2000.403-418.

[21]王晓原，李军.灰色GM（1，1）模型在区域物流规模预测中的应用[J].武汉理工大学学报，2005，（3）：415-417.

[22]王小军.区域经济发展与公路客货运量预测[D].长安大学硕士学位论文，2003.

[23]黄敏珍,冯永冰.基于灰色－马尔可夫链的区域物流需求预测[J].统计与决策，2009，（16）：166-168.

[24]曹萍，陈福集.GA-灰色神经网络的区域物流需求预测[J].北京理工大学学报，2012，（1）：66-70.

[25]邱波.基于PCA-RBF神经网络的区域物流需求预测研究[J].管理工程师，2012，（2）：30-33.

[26]黄毅，夏国恩.基于支持向量回归机的广西物流需求预测[J].科技管理研究，2011，（2）：142-144，150.

[27]胡燕祝，吕宏义.基于支持向量回归机的物流需求预测模型研究[J].物流技术，2008，（5）：66-68.

[28]何周林，肖健华.基于SVR的区域物流需求短期智能预测模型研究[J].五邑大学学报，2007，（2）：70-75.

[29]初良勇，田质广，谢新连.组合预测模型在物流需求预测中的应用[J].大连海事大学学报，2004，（4）.

[30]曾艳.基于变异系数的区域物流需求组合预测方法[J].统计与决策，2012，（21）：93-95.

[31]俞少君.基于灰色组合模型的区域物流需求预测研究[J].物流技术，2012，（21）：323-325，329.