基于GG((11,,11))模型的物流產(chǎn)業(yè)增加值預(yù)測(cè)研究

王明慧 張 橋

渝黔鐵路有限責(zé)任公司，重慶400014

0 引 言

物流產(chǎn)業(yè)增加值是指物流產(chǎn)業(yè)在一定時(shí)期內(nèi)通過(guò)物流活動(dòng)為社會(huì)提供的最終成果的貨幣表現(xiàn)。物流產(chǎn)業(yè)增加值等于物流產(chǎn)業(yè)的總產(chǎn)值扣除中間投入后的余額，反映了物流產(chǎn)業(yè)對(duì)國(guó)內(nèi)生產(chǎn)總值的貢獻(xiàn)。物流產(chǎn)業(yè)增加值的預(yù)測(cè)能夠?yàn)槲锪鳟a(chǎn)業(yè)布局和國(guó)民經(jīng)濟(jì)的發(fā)展提供參考依據(jù)，因而具有較強(qiáng)的實(shí)際和理論意義。目前常用的物流產(chǎn)業(yè)預(yù)測(cè)方法有Rough set理論[1]、神經(jīng)網(wǎng)絡(luò)理論[2]、支持向量機(jī)理論[3]、灰色模型預(yù)測(cè)[4]等。由于模型或方法和數(shù)據(jù)選擇的差異，效果各異。

本文以灰色系統(tǒng)理論為基礎(chǔ)，利用 G(1,1)模型對(duì)物流產(chǎn)業(yè)增加值和殘差修正序列進(jìn)行二次預(yù)報(bào)，解決了物流產(chǎn)業(yè)增加值數(shù)據(jù)序列小樣本、貧信息的預(yù)報(bào)問(wèn)題。該方法較其他灰色預(yù)測(cè)模型具有計(jì)算簡(jiǎn)單，使用參數(shù)少，精度較好的特點(diǎn)，預(yù)測(cè)物流產(chǎn)業(yè)增加值有效、可行。

1 G(1,1)模型

設(shè)物流產(chǎn)業(yè)增加值的原始數(shù)據(jù)序列為

令(1)?()x k b c= - ，U ac= ，則G(1,1)的白化型為

解得一次響應(yīng)函數(shù)為

對(duì)(1)?()x k進(jìn)行還原處理得到原始序列0X 的擬合值為

由上式可獲得殘差數(shù)列。為了保證序列數(shù)據(jù)的非負(fù)性，可以將殘差數(shù)列加上該序列的最小值的絕對(duì)值minε，即可得到一個(gè)非負(fù)的新序列，然后，重復(fù)上述計(jì)算過(guò)程可以獲得新殘差序列的預(yù)測(cè)值(0)()

nk

= - ，進(jìn)而可以計(jì)算出修正后的物流產(chǎn)業(yè)增加值。ε ，于是，可得ε ε ε

(0) (0)

() () min

k k

n+++…分別為擬合序列和預(yù)測(cè)序列。為了提高 G(1,1)的預(yù)測(cè)精度，對(duì)殘差進(jìn)行分析，并建立殘差修正模型，以修正原模型。殘差為：

{xxxn…、{}? ? ?(1),(2), ,()}xn xn xn t ? ? ?( 1),( 2), ,( )

2 物流產(chǎn)業(yè)增加值預(yù)測(cè)實(shí)例

2.1 預(yù)測(cè)模型構(gòu)建

本文選擇文獻(xiàn)[5]中的 2006~2010年的物流產(chǎn)業(yè)增加值為建模原始序列，預(yù)測(cè)2011,2012,2013年物流產(chǎn)業(yè)增加值。利用上述G(1,1)模型對(duì)歷年物流產(chǎn)業(yè)增加值進(jìn)行擬合，擬合結(jié)果見(jiàn)表 1。基于 MATLAB軟件建立物流產(chǎn)業(yè)增加值的G(1,1)模型如下：

式中，預(yù)測(cè)模型：a=0.213,b=55668.8。

殘差修正模型：a=-0.176,b=-6225.4。

比較表 1修正前后擬合值和殘差、誤差差異發(fā)現(xiàn)，修正后平均誤差為 1.11%，較修正前平均誤差2.80%減少1.69%。

表1 模型擬合值與絕對(duì)殘差、相對(duì)誤差修正前后對(duì)比Tab.1 Comparison between model fitted values and the absolute residuals and relative errors before and after revision

2.2 模型精度檢驗(yàn)

首先進(jìn)行殘差檢驗(yàn),殘差分為絕對(duì)殘差和相對(duì)殘差，通過(guò)檢驗(yàn)判斷殘差離散性。

再進(jìn)行后驗(yàn)差檢驗(yàn)。后驗(yàn)差檢驗(yàn)是驗(yàn)證殘差分別特征，主要是計(jì)算后驗(yàn)差比值C和小誤差概率P。

根據(jù)表2檢驗(yàn)預(yù)測(cè)精度，從殘差檢驗(yàn)來(lái)看，平均相對(duì)誤差為0.011<0.05，精確等級(jí)為二級(jí)，從后驗(yàn)差檢驗(yàn)看，均方差比值為0.045<0.35，小殘差概率為1，精度等級(jí)為一級(jí)，從而判斷預(yù)測(cè)模型具有較高的準(zhǔn)確性，可以用來(lái)預(yù)測(cè)我國(guó)物流產(chǎn)業(yè)增加值，預(yù)測(cè)2011、2012和 2013年物流產(chǎn)業(yè)增加值分別為 34 318.1、42 471.3和52 561.4億元。

表2 模型預(yù)測(cè)精度等級(jí)參照表Tab.2 Model accuracy test grade reference table

3 結(jié)束語(yǔ)

文章結(jié)合我國(guó) 2006~2010年物流產(chǎn)業(yè)增加值數(shù)據(jù)，應(yīng)用G(1,1)模型進(jìn)行了擬合和預(yù)測(cè)，并進(jìn)行了精度檢驗(yàn)，結(jié)果表明該模型的預(yù)測(cè)精度較高，能夠反映物流業(yè)發(fā)展的實(shí)際趨勢(shì)，為行業(yè)發(fā)展決策提供了依據(jù)，可以作為一種新的預(yù)測(cè)方法在物流行業(yè)推廣應(yīng)用。

[1] 李紅啟，劉 凱，李電生. 基于Rough Set理論的鐵路貨運(yùn)量預(yù)測(cè)[J]. 鐵道學(xué)報(bào)，2004，26(3)：1-7.

[2] 王隆基，張仲鵬，孫曉霞. 基于 BP神經(jīng)網(wǎng)絡(luò)的物流預(yù)測(cè)方法[J]. 起重運(yùn)輸機(jī)械，2005，(5)：30-32.

[3] NELLO. C, JOHN S. T. 著，李國(guó)正，王猛，曾華軍譯. 支持向量機(jī)導(dǎo)論[M]. 北京：電子工業(yè)出版社，2004.

[4] 李紅啟，劉 凱. 組合預(yù)測(cè)模型在物流需求預(yù)測(cè)中的應(yīng)用[J]. 大連海事大學(xué)學(xué)報(bào)，2004，30(4)：43-46.

[5] 歐陽(yáng)凱，袁松寶，劉 俐. 基于灰色模型的我國(guó)物流產(chǎn)業(yè)增加值預(yù)測(cè)[J]. 物流工程與管理，2011，33(11)：56-58.