基于多因素分析的区域物流需求径向基函数网络预测

      区域物流需求预测是进行区域物流系统规划和设计的依据。对区域物流需求进行有效地预测，有利于政府掌握社会经济活动对物流的需求强度，正确制定物流产业发展政策，科学规划区域物流系统，合理配置区域物流资源，协调物流需求和供给之间的关系，从而促进区域经济的快速发展与良性循环。

      目前，常用的区域物流需求的预测方法有：时间序列方法（移动平滑法、指数平滑法、随机时间序列方法）、相关（回归）分析法以及灰色预测方法等[1-4]。这些方法多采用物流需求量本身的历史数据来进行预测，所建立的模型不能全面、科学和本质地反映所预测对象的内在结构和复杂特性。神经网络具有的高度非线性函数映射能力，它有着传统建模方法所不具备的很多优点，因此近年来部分学者采用BP神经网络来对物流需求进行预测[5,6]。但BP网络在用于函数逼近时，存在收敛速度慢和局部极小等缺点，在解决样本量少且噪声较多的问题时效果并不理想。此外，这些模型只考虑了经济因素对物流需求的影响，并未综合考虑其他相关因素的作用，如宏观经济政策、物流服务水平、消费水平、价格水平、人口数量等，预测结果难以令人满意。

      笔者认为，区域物流需求是一种典型的派生需求，其大小及其变化归根结底是由区域内各种社会、经济、政策、资源等多种因素及其相互关系决定的。因此，对物流需求进行预测研究，应综合考虑这些因素的作用。基于此，本文较全面地分析了影响区域物流需求的多种因素，然后采用径向基函数神经网络构建了一个基于多种因素的区域物流需求量预测模型，以求实现少样本条件下区域物流需求的准确预测。

      一、区域物流需求的多因素分析

      区域物流需求的多因素数学模型可表示为：

      

      （一）GDP与产业结构

      物流活动贯穿于整个经济活动的生产、流通、消费过程之中，是经济活动的重要组成部分，因而物流需求与经济发展有着密切的相关性，即经济发展是影响物流需求的主要因素。在未来的一段时间里，我国的产业结构将实现较快升级，呈现“软化”趋势，以知识密集型为主的第三产业比重在产业结构中会不断提高。第三产业比重的快速增长将会带动批发零售贸易和交通运输仓储业等流通业的发展，为物流发展提供了良好的产业基础。因此，未来的产业结构变化必然会影响物流需求。经济发展快，将对物流需求起刺激作用，经济发展慢，将对物流需求起抑制作用。

      （二）宏观经济政策和管理体制

      宏观经济政策对物流需求有重大影响。国家和地区经济政策的倾向性，会强烈地影响区域经济的发展速度，进而影响其物流需求。国家宏观经济政策的支持，会使该区域经济发展加快，物流需求也会相应增加；反之亦然。

      管理体制也会对物流需求产生刺激或抑制作用，这一点在我国表现得很明显。目前，我国的铁路、公路和水路交通的基础设施由不同的部门投资经营，管理体制各不相同。不同的体制，必会使投资于铁路、公路和水路的资金力度不一，进而将直接影响它们的建设及技术改造程度，刺激或抑制着区域的物流需求。

      （三）市场环境

      市场环境变化将影响物流需求，这包括国际、国内贸易方式的改变和生产企业、流通企业的经营理念的变化及经营方式的改变等。物流服务于生产和市场销售，物流的具体对象更离不开企业和社会所需要的各种物质资料，因而市场环境的改变将影响物流的物质流向、服务方式、服务数量和质量等。

      （四）消费水平

      消费水平直接影响着企业经营决策和生产、销售行为，进而影响物流的规模、流动方向和作用对象，使得物流需求随着消费水平而变化。消费水平提高，就会产生新的消费需求，促使企业生产和销售新产品来满足这种需求，这样就会增加对物流的需求；反之，消费水平下降，会抑制对物流的需求。

      （五）技术进步

      技术进步，特别是信息技术的发展，提升了物流服务的质量和范围，从而对物流需求的量、质和服务范围均产生重大影响。正是由于现代技术的发展，才使中国在国际分工中世界加工中心的地位得到加强，从而使中国在国际上的原料输入和产品输出规模急剧扩大，进而增大不同区域的物流需求。

      （六）物流服务水平

      物流服务水平也将刺激或抑制物流需求。例如货物及时准确的配送情况、货损率的高低、缺货的多少等，都将影响需求主体对物流服务的需求变化。当物流服务水平提高时，将刺激物流需求；服务水平降低时，抑制物流需求。

      （七）价格水平

      价格的变动将影响物流供给和商品流通，从而影响物流需求的变化。价格提高会抑制物流需求；价格降低，会刺激物流需求。

      （八）人口数量

      人口越多，消费需求便越多，因而带来的人们对物流的需求量也就会增大，反之亦然。

      二、RBF网络及算法

      径向基函数(Radial Basis Function,RBF)神经网络是由Broomhead和Lowe于20世纪80年代末提出的新的神经网络方法，在逼近能力、泛化能力和学习速度等方面均优于BP神经网络。此外，RBF网络所需的训练样本量较少，训练结果唯一，特别适合于本文样本数据少的特点。