张 璐，木 仁

（内蒙古工业大学，内蒙古 呼和浩特 010010）

ZHANG Lu,MU Ren

(Inner Mongolia University of Technology,Hohhot 010010,China)

1 国内外研究现状

1.1 国内外研究现状

Donald J.Bowersox 和David J.Closs 在《物流管理—供应链过程一体化》中提出，物流需求有三大技术类别：时间序列、定性和因果关系的，时间序列技术集中于在历史模式和历史模式的变化上进行预测[1]。

2003年，由于有法律法规等相关政策做支撑，Kevin 等人对所建立补偿预测模型的基本要素、空军库存管理的功能进行了分析，并比较了该模型与原材料需求计划模型的相同点和不同之处[2]。

2001年，根据20 世纪60年代印度的货物需求数据，Mudit Kulshreshtha 等人用时间序列模型推导出货物需求量之间的关系，并进行动态计量经济时间序列建模，通过VAR 模型对建模数据进行预测，结果证明高弹性的GDP 和低弹性的价格，包括实际运价，都会对经济产生重大影响[3]。

1.2 国内研究现状

赵启兰、王稼琼、刘宏志在《物流规划中的需求与潜在需求分析》中对物流需求分析是区域物流规划中的一个关键问题，体现出物流服务的多样性、物流需求主体的广泛性和物流需求的潜在性[4]。

潘育新在《零售业连锁店配送中心的物流研究》中分析了配送中心物流规划的基本内容，通过对连锁店配送中心物流流程的设计，归纳出实际运作中的典型运行程序和物流作业流程，在此基础上对物流流程中的采购、存储、流通加工、配送和信息处理这五个重要的物流环节进行深入分析[5]。

王晓原、李军讨论了灰色预测模型以及灰色预测模型在物流规模预测中的应用，建立了基于灰色预测理论的GM（1,1）模型，叙述了运用GM（1,1）模型进行预测的详细步骤，并以山东省的物流规模预测为例进行了实际应用，最后用残差检验和后验差检验的方法对预测结果进行了检验，证明了预测结果的可信性[6]。

耿勇、鞠颂东、陈娅娜基于对经济与物流之间内在关系的研究提出的“经济一物流需求”转换BP 神经网络预测模型。该模型在一定程度上反映了经济与物流需求之间的复杂映射关系，它不同于简单的物流需求线性回归或时间序列预测模型，该模型采用经济指标来对区域物流需求进行预测，为从经济与物流一体化的角度研究物流需求提供了新的思路[7]。

谢实海在《区域物流中心布局规划研究》一文中首先分析区域物流中心的含义、主要功能和建设意义，以及货物集散系统、物流信息系统、物流控制系统等区域物流中心三大系统的相互关系。论文认为物流需求量是区域物流中心功能设计和规模确定的依据[8]。

林连、林桦基于改进的BP 神经网络在港口物流量预测中的应用中提出针对传统BP 神经网络模型收敛速度慢的缺陷，对其进行改进，以提高收敛速度。经运用厦门港物流出口量的历史数据进行检验分析，给出BP 神经网络仿真计算方法，其仿真结果与实际结果进行了比较[9]。

张鹏在《基于神经网络的预测方法及其在物流系统中的应用研究》一文中研究了基于神经网络的物流预测理论和方法。文章指出了预测理论在解决实际问题所遇到的困难和不足，提出了一个改进的三层神经网络BP 算法，初步建立了多种精度评价指标、符合现代物流预测需要的神经网络预测模型，并给出了详细的理论方法和设计步骤。并且对基于神经网络的组合预测方法进行了研究，提出了一个神经网络和指数平滑模型组合运用的预测算法[10]。

张华勤在《我国港口集装箱运输发展预测研究》一文中，针对我国港口集装箱运输发展的现状和需求，分析了我国港口集装箱运输快速发展及其发展动力，对未来我国港口集装箱吞吐量和集中化趋势进行了预测，对国家如何加快我国枢纽港形成、企业制定适合自身发展的战略提出了建议[11]。

黄丽在《随机时间序列模型在物流需求预测中的应用》一文中分析研究物流定义在中美的发展演变，以及物流管理与物流管理系统，并建立了三种线性随机模型对物流需求进行预测，并对预测的结果进行相应的分析和检验。

王丽华在《区域物流规划中的物流需求预测研究》一文中以山西省为例，研究了如何对区域物流规划的物流需求量进行预测，指出了影响预测的因素，建立了预测的指标体系，并列举了常用的预测方法和预测的步骤。

刘静在《关于物流需求的研究》一文中，使用了情景分析法对某一地区的物流需求量进行预测分析，并指出了物流需求分析的目的和相关的原则[12]。

2 物流需求预测含义

物流需求预测就是根据物流市场过去和现在的需求资料以及影响物流市场需求变化的因素之间的关系，利用合适的经验判断、技术方法和预测模型，对有关反映市场需求发展趋势的指标进行预测。

物流需求源于社会各组成部分之间的生产生活，同时也受到物流供应系统的影响，因而它是社会活动的派生需求，与社会生产生活之间有着紧密的联系。社会的各种生产生活因素的变化都会对物流需求产生重要的影响，随之使实际物流量产生有规律而又随机的变化。季节性变化、生产力的分布及经济建设与发展的不同阶段等因素都使得物流需求呈现出不同的特性。因此进行物流需求的预测十分复杂，对预测的内容和方法都提出了很高的要求，给物流需求预测带来了很大困难。

3 物流需求预测方法综述

当前物流需求预测模型主要分为两大类：定性预测和定量预测。其中定性预测方法常用的有市场调查法、头脑风暴法、德尔菲法等。定量预测又可以分为传统线性模型和现代非线性模型及组合预测模型。传统线性模型主要有回归分析法、时间序列法、灰色预测模型等，非线性模型主要有隐马尔可夫模型（Hidden Markov Models，HMM）、人工神经网络（Artificial Neural Network，ANN）、最小二乘支持向量机（Least Squares Support Vector Machine，LSSVM）、交通断面物流量预测等。

3.1 定性预测

定性预测在现实社会活动中应用最为广泛，在科学技术不发达的时代，人们就是靠着定性预测的方法来预测事务的未来，从而指导人们的生产活动。所谓定性预测就是人们根据自己掌握的实际情况、实践经验、专业水平，利用判断、直觉、调查或比较分析等方法，对经济发展前景的性质、方向和程度做出的判断，有时在对事务分析的基础上也可以给出数量估计。

定性预测方法很多，常用的几种定性预测方法有：

（1）头脑风暴法

头脑风暴法又叫智暴发（Brain Storming Method），是由Osborn 在1957年提出，便很快得到了广泛的应用。其应用基本原理是通过一组专家共同开会讨论，进行信息交流和互相启发，从而诱发专家们发挥其创造性思维，促进他们产生“思维共振”，已达到互相补充，并产生“组合效应”的预测方法。它既可以获取所要预测事件的未来信息，也可以弄清问题，形成方案，搞清影响，特别是一些交叉事件的相互影响。

（2）德尔菲法

德尔菲法（Delphi Method）又称专家调查法，是由美国兰德公司的达尔基（N.Dalkey）和赫尔默（O.Helmer）于1964年正式提出的。在正式提出后，很快就在世界上盛行起来。在初始阶段，大多数预测案例都是科技预测的内容，因而许多人误解为只是科技预测的一种方法，实际上并非如此。现在，此法的应用遍及社会、经济、科技等各个领域，应用频率较高。

（3）市场调查法

市场调查法也称为直接归纳法或经济调查法。市场调查法是通过各种不同的方法收集数据，并加以归纳汇总，在考虑其他因素的影响后，做出预测。

定性预测法的优势在于需要的数据较少，能考虑无法定量的因素且简便容易，在缺少足够统计数据和原始资料的情况下，可以根据经验做出一些定性估计和得到从资料上不能直接得到的信息，这种预测方法很大程度上取决于政策和专家的努力，而不是技术基础，因此，它是一种不可缺少的灵活的经济预测方法，但其劣势就在于人的主观因素影响较大，方法难标准化，准确性较难把握。在掌握数据不多、不够准确或是主要因素难以量化的、主观的，可采用定性预测方法。

当经济环境、系统结构发生大的变化，或建立新的系统时，如：新产品需求预测、新技术的影响等，这是无法用定量预测方法进行预测的，而这时定性预测却是一种行之有效的方法。系统中一些无法定量的因素，只能通过判断，进行定性分析及预测。如：党和国家方针政策的变化，消费者心理的变化对市场供需变化影响等。另外，在进行定量预测时也需要进行定性分析及定性预测。如：确定预测问题的影响因素、对预测值的修正、对突变因素影响的预测等。由于物流量预测本身的特点，在物流量预测中定性预测更是在整个预测工作中是不可缺少的预测方法。

3.2 定量预测

3.2.1 传统线性模型

传统线性模型主要有回归分析法、时间序列法、灰色预测模型等。回归分析方法就是在大量实验观测数据的基础上，找出这些变量之间的内部规律性，从而定量地建立一个变量和另外多个变量之间的统计关系的数学表达式。时间序列预测法是一种历史资料延伸预测，也称历史引伸预测法。是以时间数列所能反映的社会经济现象的发展过程和规律性，进行引伸外推，预测其发展趋势的方法。灰色预测是通过鉴别系统因素之间发展趋势的相异程度，即进行关联分析，并对原始数据进行生成处理来寻找系统变动的规律，生成有较强规律性的数据序列，然后建立相应的微分方程模型，从而预测事物未来发展趋势的状况。灰色预测是一种对含有不确定因素的系统进行预测的方法。

3.2.2 非线性模型

非线性模型主要有隐马尔可夫模型（Hidden Markov Models，HMM）、人工神经网络（Artificial Neural Network，ANN）、支持向量机（Least Squares Support Vector Machine，LSSVM）等。

隐马尔可夫模型马尔可夫链，因安德烈·马尔可夫（A.A.Markov，1856～1922）而得名，是数学中具有马尔可夫性质的离散时间随机过程。该过程中，在给定当前知识或信息的情况下，过去（即当期以前的历史状态）对于预测将来（即当期以后的未来状态）是无关的。它是利用状态之间转移概率来预测事件接下来会发生的状态或者发展变化趋势[1]。

支持向量机（Support Vector Ma-chine，SVM）是建立在统计学习理论上的机器学习方法，已经在实际应用中得到很大的发展。近几年更得到了迅速的发展，支持向量机理论具有强大的泛化能力，且建模简单，但预测指标较少，无法将所有影响因素考虑在内，适用于简单预测。

人工神经网络是近几年发展迅速、且比较准确的一种预测方法，人工神经网络模型是为了模拟生物大脑神经系统的运作方式而建立的一种数学简化模型。因此，神经网络拥有与生物大脑神经系统相似的特点：

（1）具有高度的并行结构和信息处理能力

人工神经网络的智能计算特性表现在层间神经元的同步计算。且由大量的神经元以串并联的方式构成的系统，并行处理能力更强，因而具有高速信息处理能力。

（2）具有很强的自学习和信息记忆能力

人工神经网络模型的有效信息存储在整个系统中，并不是在某几个神经元中。事实上，各神经元和神经元间的作用强度都表示部分信息。若想完整地存储某个信息，必须是整个系统参与学习和记忆。

（3）具有很强的容错能力

由于人工神经网络模型的有效信息存储在整个系统中，并不是在某几个神经元中。因此部分神经元损坏或者暂停工作，并不会影响网络性能的展示。换言之，数据部分属性丢失不会影响系统的正常工作。

4 总结

本文对物流预测国内外研究现状进行了分析，对现有预测方法进行了系统介绍，对物流预测方法的选择具有现实意义。

[1]唐纳德J.鲍尔索克斯.物流管理：供应链过程一体化[M].北京：机械工业出版社，1998.

[2]Kevin Gaudette,H.Kenneth Alcorn,Matthew Mangan.Reparability forecasting Model[J].Air Force of Logistics,2003(4):40-42.

[3]Mudit Kulshreshtha,Aarnali Nag,Mukul Kulshrestha.A Multivariate Cointegrating Vector Auto-regressive Model of Freight Transport Demand:Evidence from Indian Railways[J].Transportation Research,2001(3):29-45.

[4]赵启兰，王稼琼，刘宏志.物流规划中的需求与潜在需求分析[J].中国软科学，2004(2):92-95.

[5]潘鑫俊.广东省物流需求分析[D].广州：广东外语外贸大学（硕士学位论文），2007.

[6]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.

[7]耿勇，鞠颂东，陈娅娜.基于BP 神经网络的物流需求分析与预测[J].物流技术，2007(7):35-38.

[8]谢实海.区域物流中心布局规划研究[D].南京：东南大学（硕士学位论文），2001.

[9]林连，林桦.基于改进的BP 神经网络在港口物流量预测中的应用[J].交通信息与安全，2009(5):161-165.

[10]张鹏.基于神经网络的预测方法及其在物流系统中的应用研究[D].武汉：武汉理工大学（硕士学位论文），2002.

[11]张华勤.我国港口集装箱运输发展预测研究[D].武汉：武汉理工大学（硕士学位论文），2002.

[12]刘静.关于物流需求的研究[D].大连：大连海事大学（硕士学位论文），2006.

[13]后锐，张毕西.基于MLP 神经网络的区域物流需求预测方法及其应用[J].系统工程理论与实践，2005(12):43-47.