中图分类号:F 253;TP 39 文献标志码:A 文章编号:1005-2542(2018)06-1157-09 汽车零部件第三方仓储物流企业在运营中面临的一个重要问题是:在经营环境存在众多不确定性影响因素、汽车零部件的需求变得越来越多样化的条件下,如何分配合理的仓储存储能力来提高服务质量、降低运营成本[1]。为此,建立准确有效的存储需求量预测模型具有重要的现实意义。 汽车零部件第三方仓储需求量预测问题属于需求量预测模型的范畴,该类模型的构建方法可分为定性预测和定量预测两大类。定性预测主要包括市场调查、菲尔德法、头脑风暴法、类推法和意见汇总法等[2];定量预测是最常用的方法,如指数平滑法、ARIMA模型、马尔科夫法、SVM和RBF等[2-5]。定量预测方法中,除BRF外的方法均是基于需求量历史数据本身趋势的预测。实践表明,对于处于显著动态变化环境的汽车零部件需求预测而言,只用历史数据来预测经常会失败,因为这种预测假设过去的需求模式会发生在将来,而这种假设有时并不成立[6]。为此,需要获取更多的信息才能从动态变化的环境中找到与需求量相关的影响因素及其影响模式,从而提高预测精度[7]。 RBF神经网络是一种非线性统计性数据建模工具,常用来对输入和输出间复杂的关系进行建模,或用来探索数据的模式。当需求受到众多因素影响且影响程度难以确定时,可以采用其进行预测。神经元个数的多少直接影响RBF神经网络的预测效果,神经元个数过少时的预测效果会很差,而过多时则会造成过度拟合的情况。选择神经元个数的研究大多依赖样本数据的选择和数据数量,需通过不断地尝试和确定[8]。汽车零部件的历史数据有限,同时汽车零部件的种类可多达几千件,甚至上万件,众多影响因素的变化对这些零件需求的影响程度很可能是不同的。通过确定每一种零部件最优的神经元个数,从而建立神经网络进行预测是不现实的。 近年来,研究表明,组合预测模型正在成为预测模型的发展趋势,它通过对不同的定量模型、定性模型或对定量模型、定性模型进行综合集成来提高预测的精度[9]。汪寿阳等[10]基于TEI@I方法论的汇率预测模型采用经济计量模型、人工神经网络和文本挖掘进行预测,最后利用支持向量回归技术对上述各部分进行非线性集成;沈国江等[11]提出利用模糊逻辑方法综合卡尔曼滤波模型和人工神经网络模型的智能组合模型来预测短时交通流量;徐兰等[12]基于神经网络集成的质量预测模型。 综上所述,对于具有众多不确定动态外部环境的汽车零部件第三方仓储需求预测而言,构建基于组合模型的预测模型对于其提高预测精度十分必要,但目前的相关研究还很少。因此,本文利用RBF神经网络优异的非线性特性,并结合其他预测方法构建汽车零部件第三方仓储物流需求量预测的集成化预测模型。此模型并不过分追求神经网络的神经元选择的最优性,而是通过与其他预测模型的组合来弥补可能造成的预测精度的降低,从而提高模型的综合预测精度、运行效率和行业适用性。 1 影响要素分析及建模思路 1.1 影响因素分析 汽车零部件第三方仓储企业一般面向汽车整车或零部件生产企业提供产前物料供应服务,或面向区域零部件服务中心及4S店进行成品汽车的零部件备品供应服务。不论何种情况,仓储需求量预测问题都十分复杂,主要是由于外部环境、供应方和生产方的各种不确定,以及时滞性的变化影响了零部件的需求量变化,由此造成需求量的短、中、长期预测变得十分困难,故在构造集成化预测模型之前,有必要首先了解需求量的影响因素。 调研表明,汽车零部件需求量具有一定的季节性周期性变化趋势[13],但受到各种内、外部因素的影响。其中,内部影响因素主要有供货提前期、库存周期、存储和装卸成本、物流需求量、缺货量和产品价值[14-17];外部影响因素主要有季节因素、距离因素、政治因素、经济因素、区域竞争和行业因素,可将其具体分为汽车销售淡/旺季、仓库与供货商的距离、国家宏观政策、车辆限行政策、经济危机、油价的涨跌、第三方物流企业的增加、仓储作业技术革新、仓储成本降低、汽车生产技术革新和汽车制造企业增加11种因素。 在内部影响因素中,供货提前期、存储和装卸成本以及产品价值对不同零部件的需求量具有决定性作用,但是这些影响因素在长时间内是保持不变的,所以就单一零部件而言,从其需求量波动变化的角度,库存周期、缺货量和物流需求量对仓储需求量的影响较大。但需求量与这些内部影响因素之间的关系比较复杂,很难用线性函数来定量分析。 同时,外部影响因素对需求量的影响具有较强的不确定性。有时外部因素的突然变化甚至会使需求量产生非常大的波动,但外部影响因素的特点是往往很难进行量化,故难以进行定量分析。因此,将定量预测和定性预测相结合可以更好地解决汽车零部件第三方仓储需求量预测问题。 1.2 建模思路 RBF神经网络模型可以考虑不确定因素的影响方式和程度,建立其复杂的非线性因果关系,以此预测由于内部影响因素引起的非线性波动趋势[5]。