區(qū)域物流園區(qū)建設(shè)規(guī)模預(yù)測分析

鄒 欣，汲昌霖

ZOU Xin1, JI Chang-lin2

（1.成都理工大學(xué)管理科學(xué)學(xué)院，四川成都610059；2.山東大學(xué)經(jīng)濟(jì)研究院，山東濟(jì)南250100）

(1.School of Management Sciences, Chengdu University of Technology, Chengdu 610059, Sichuan, China； 2.Economic Research Institute, Shandong University, Ji’nan 250100, Shandong, China)

區(qū)域物流園區(qū)建設(shè)規(guī)模預(yù)測分析

鄒 欣1，汲昌霖2

ZOU Xin1, JI Chang-lin2

（1.成都理工大學(xué)管理科學(xué)學(xué)院，四川成都610059；2.山東大學(xué)經(jīng)濟(jì)研究院，山東濟(jì)南250100）

(1.School of Management Sciences, Chengdu University of Technology, Chengdu 610059, Sichuan, China； 2.Economic Research Institute, Shandong University, Ji’nan 250100, Shandong, China)

在闡述四川省物流產(chǎn)業(yè)發(fā)展概況的基礎(chǔ)上，通過選取四川省2000—2013年貨物運輸量數(shù)據(jù)，根據(jù)貨運總量的實際值、線性擬合值及二次曲線擬合值，采用三次指數(shù)平滑法預(yù)測四川省2020年的物流總量，采用改進(jìn)參數(shù)法對四川省2020年的物流園區(qū)建設(shè)規(guī)模進(jìn)行預(yù)測，為四川省區(qū)域物流園區(qū)規(guī)劃和建設(shè)工作提供數(shù)據(jù)支持。

物流園區(qū)；規(guī)模預(yù)測；指數(shù)平滑法；改進(jìn)參數(shù)法

物流園區(qū)是指物流節(jié)點作業(yè)活動的空間集結(jié)地,通常由政府規(guī)劃和支持,為實現(xiàn)規(guī)模經(jīng)濟(jì)和集聚效應(yīng)、促進(jìn)物流業(yè)的可持續(xù)發(fā)展,集中布局各類物流設(shè)施和多家物流企業(yè),是發(fā)揮整體優(yōu)勢和互補優(yōu)勢的場所[1]。物流園區(qū)通過提高物流組織化水平與集約化程度、整合物流資源等方面,推動著地區(qū)現(xiàn)代物流業(yè)與區(qū)域經(jīng)濟(jì)的發(fā)展,在改善地方經(jīng)濟(jì)運行環(huán)境、調(diào)整產(chǎn)業(yè)結(jié)構(gòu)等方面發(fā)揮著非常重要的作用。因此,加快物流園區(qū)建設(shè)已經(jīng)成為近些年各地政府的重要決策之一。根據(jù) 2015 年 7 月發(fā)布的《第四次全國物流園區(qū)(基地)調(diào)查報告》[2]顯示,我國物流園區(qū)的數(shù)量由 2006 年的 207 家增加至 2015 年的 1 210 家,增長率高達(dá) 484%。但是,物流園區(qū)的規(guī)劃應(yīng)充分體現(xiàn)超前性,對地區(qū)經(jīng)濟(jì)發(fā)展水平和物流需求應(yīng)有正確的評估,如果其規(guī)劃規(guī)模與需求規(guī)模不相匹配,將不利于區(qū)域物流業(yè)及區(qū)域經(jīng)濟(jì)的持續(xù)發(fā)展,并且可能造成土地閑置、資源浪費等諸多問題。因此,科學(xué)而系統(tǒng)地對物流園區(qū)的建設(shè)規(guī)模進(jìn)行規(guī)劃,不僅能夠更加充分地利用土地資源,發(fā)展區(qū)域物流經(jīng)濟(jì),還能避免不必要的浪費,實現(xiàn)利益最大化。以四川省為例,通過運用指數(shù)平滑法及改進(jìn)參數(shù)法建立預(yù)測模型,對四川省物流園區(qū)建設(shè)規(guī)模進(jìn)行預(yù)測,為四川省現(xiàn)代物流發(fā)展規(guī)劃提供決策依據(jù)。

1　四川省物流產(chǎn)業(yè)發(fā)展概況

近年來,隨著四川省物流業(yè)規(guī)模的不斷擴(kuò)大,據(jù)《2014 年四川省物流運行情況的通報》[3]顯示, 2014 年四川省社會物流總額和物流業(yè)增加值分別為 54 804.7 億元、1 586.79 億元,同比分別增長7.9%、8.3%。2005 年四川省物流業(yè)增加值占全省服務(wù)業(yè)增加值比例為 7.7%,而到 2014 年該比例已經(jīng)上升至 15.1%。為進(jìn)一步促進(jìn)和規(guī)范四川省物流園區(qū)發(fā)展,四川省政府在 2014 年 9 月出臺《四川省物流園區(qū)發(fā)展規(guī)劃 (2014—2020 年)》,2020 年將建設(shè)國家級和省級示范物流園區(qū) 20 個以上,并且提出“一核、四帶、多點”的物流園區(qū)規(guī)劃布局。其中,“一核”是指以成都為核心,“四帶”分別是成綿廣巴北向帶、成遂南廣達(dá)東向帶、成自瀘宜東南向帶和成樂雅攀南向帶,“多點”是指與“一核、四帶”物流園區(qū)配套的專業(yè)性物流園區(qū)或配送中心,四川省物流園區(qū)空間布局如圖1 所示。

2　四川省貨運總量預(yù)測

2.1預(yù)測模型的選取

合理預(yù)測貨運量對于制定交通運輸發(fā)展政策、規(guī)劃交通基礎(chǔ)設(shè)施布局和現(xiàn)代物流決策具有重要意義。許多專家和學(xué)者通過對貨運量預(yù)測進(jìn)行研究,提出了不同的預(yù)測方法與手段。李維國等[4]分別利用 GM (1,1) 和新陳代謝模型對深圳市貨運量進(jìn)行預(yù)測,并且對這 2 種模型的預(yù)測結(jié)果進(jìn)行比較分析；溫愛華等[5]基于廣義回歸神經(jīng)網(wǎng)絡(luò) (GRNN) 構(gòu)建預(yù)測模型,對鐵路貨運量進(jìn)行預(yù)測,并且將預(yù)測結(jié)果與 BP 模型進(jìn)行比較分析；耿立艷等[6]建立灰色自適應(yīng)粒子群最小二乘支持向量機(jī) (GM-APSOLSSVM) 預(yù)測模型,并輔以實例進(jìn)行分析和驗證；趙建有等[7]構(gòu)建一個模糊線性回歸模型,并采用該模型預(yù)測延安市公路貨運量,再通過與指數(shù)平滑法、灰色模型和彈性系數(shù)法預(yù)測結(jié)果的比較,證明該方法具有較高精度；戚銘堯等[8]對當(dāng)前已有的貨運預(yù)測模型進(jìn)行歸納,提出可計算一般均衡 (CGE) 的貨運量預(yù)測模型,最后進(jìn)行實例驗證分析；周程等[9]提出一種基于趨勢分解和小波變換的多重“分解—集成”預(yù)測模型,并對湖北省貨運量進(jìn)行預(yù)測。其中,在數(shù)據(jù)的需求和處理量方面,只要有上期的實際數(shù)據(jù)及預(yù)測值,就可以通過指數(shù)平滑法得到下期預(yù)測值,而且較易通過Excel 計算實現(xiàn)；同時,在眾多的應(yīng)用中,由于最靠近現(xiàn)在時間點的資料比過去的歷史資料更能代表未來值,而指數(shù)平滑法作為簡單并且兼具邏輯性的方法,處理時間性資料的預(yù)測精度較高。通過選取四川省 2000—2013 年貨物運輸量數(shù)據(jù),采用指數(shù)平滑法對四川省 2020 年貨運總量進(jìn)行預(yù)測。四川省 2000—2013 年貨物運輸量如表1 所示。

根據(jù)實際貨運總量變化數(shù)據(jù),選取合適的平滑次數(shù),當(dāng)數(shù)據(jù)呈現(xiàn)水平趨勢時,選用一次指數(shù)平滑值作為預(yù)測值；當(dāng)呈線性趨勢時,采用二次指數(shù)平滑值；如果具有二次曲線趨勢時,則應(yīng)使用三次指數(shù)平滑值[10]。應(yīng)用 SPSS 20.0 統(tǒng)計分析軟件對四川省 2000—2010 年貨運總量數(shù)據(jù)進(jìn)行曲線估計,四川省 2000—2010 年貨運總量數(shù)據(jù)擬合圖如圖2 所示,可知貨運總量數(shù)據(jù)呈現(xiàn)二次曲線趨勢的擬合程度較高。因此,通過建立三次指數(shù)平滑模型,可以比較準(zhǔn)確地反映貨運總量數(shù)據(jù)的變化趨勢。

圖1　四川省物流園區(qū)空間布局

表1　四川省 2000—2013 年貨物運輸量 萬 t

2.2三次指數(shù)平滑預(yù)測模型

三次指數(shù)平滑法預(yù)測的數(shù)學(xué)模型計算公式為

at，bt，ct的計算公式為

式中：S 為指數(shù)平滑值,第 t 年的一次、二次和三次指數(shù)平滑值分別記為各指數(shù)平滑值計算公式為

圖2　四川省 2000—2010 年貨運總量數(shù)據(jù)擬合圖

式中：yt為第 t 年的實際貨運總量；α 為平滑系數(shù), 0＜α＜1。

指數(shù)平滑值是預(yù)測時點上一期的實際值和上一期預(yù)測值的加權(quán)平均,而平滑系數(shù) α 的大小則決定此次預(yù)測反映先前預(yù)測的誤差程度。0.2～0.5 為常用的平滑常數(shù)取值范圍,表示目前的預(yù)測應(yīng)根據(jù)先前的預(yù)測誤差調(diào)整 20%～50%。較大的常數(shù)值可能產(chǎn)生較快的回應(yīng)速度,但也可能產(chǎn)生反常的情況；而較小的常數(shù)值則可能產(chǎn)生預(yù)測值嚴(yán)重落后的結(jié)果。因此,選擇平滑系數(shù) α 對預(yù)測結(jié)果至關(guān)重要。關(guān)于平滑系數(shù) α 的選擇,Ballou[11]認(rèn)為 α 越大,表示實際值的權(quán)重越高,此預(yù)測模式可以快速預(yù)測模式的改變,但過高的 α 值會使模式過于敏感,只追蹤到隨機(jī)變異而無法察覺出基本的變化；反之,如果 α 值越小,則對歷史數(shù)據(jù)的需求越高,需要經(jīng)過較長的時間周期來反映時間序列的變化,從而預(yù)測結(jié)果更加平穩(wěn),因而 Ballou 建議 α 值在 0.01～0.3 之間。Sullivan 與 Claycombe[12]認(rèn)為資料形態(tài)為隨機(jī)變動而且水平平緩時,較小的 α 值會有較好的預(yù)測結(jié)果；而當(dāng)資料形態(tài)經(jīng)常變動 (上下跳動) 時則需要較大的 α 值；此外資料為線性形態(tài)時,較大的 α 值會有較好的預(yù)測結(jié)果。Bails 與 Peppers[13]認(rèn)為資料形態(tài)較穩(wěn)定的時候,適合于采用較小的 α 值；當(dāng)資料形態(tài)快速變動時,則建議采用較大的 α 值,其值設(shè)定在 0.1～0.4 之間。針對如何尋找最佳 α 值, Bails 與 Peppers 提出 2 種方法：一種是利用歷史資料的模擬找出最佳 α 值,另一種方法則是根據(jù)歷史資料的形態(tài)來加以判斷。

2.3初始值和平滑系數(shù) α 值的確定

以信噪比S/N為10和3，分別測定定量限和檢測限，計算出阿多尼弗林堿的定量限和檢測限分別為 0.2 ng·mL-1和 0.05 ng·mL-1。

對表1 中 2000—2002 年的貨運總量數(shù)據(jù)采用 ⑴式進(jìn)行擬合,當(dāng) t = 0 時,將 T = 1,2,3 分別代入 ⑴式中,并且用貨運總量實際值代替預(yù)測值,計算公式為 y1= a0+ b0+ c0= 54 943,y2= a0+ 2b0+ 4c0= 54 141,y3= a0+ 3b0+ 9c0= 57 297。

從而計算得到 a0= 59 703,b0= -6 739,c0= 1 979。再根據(jù) ⑵ 式計算得到

從圖2 可知,四川省貨運總量變化的趨勢較大,因而在 0.4～0.6 的范圍內(nèi)選取平滑系數(shù) α 的值。通過采用試探的方法分別對 α 取值 0.40, 0.45,0.50,0.55,0.60 并進(jìn)行預(yù)測,5 種平滑系數(shù) α 取值預(yù)測結(jié)果比較如表2 所示。結(jié)果表明,當(dāng)平滑系數(shù) α取 0.5 時,2011,2012 及 2013 年預(yù)測值與實際值的相對誤差分別為 -1.696 7%、-2.607% 和 0.26%,預(yù)測誤差最小。因此,最終選取 α = 0.5 進(jìn)行 2020 年四川省貨運總量的預(yù)測。

將 α = 0.5 代入 ⑷ 式,得到以下初始值。

2.4計算指數(shù)平滑值及預(yù)測參數(shù)

將初始值代入 ⑶ 式,利用 Excel 軟件計算出所對應(yīng)的一次、二次和三次指數(shù)平滑值,指數(shù)平滑值如表3 所示。

表2　5 種平滑系數(shù)α 取值預(yù)測結(jié)果比較

表3　指數(shù)平滑值 萬t

取 t = 11,將表3 中的相關(guān)數(shù)據(jù)代入 ⑵ 式,計算得到 3 個預(yù)測參數(shù)。

3　物流園區(qū)建設(shè)規(guī)?？偭康念A(yù)測

3.1建設(shè)總規(guī)模的預(yù)測方法

根據(jù)現(xiàn)有的物流園區(qū)建設(shè)規(guī)模預(yù)測方法[14-17],同時考慮到數(shù)據(jù)的可得性,采用孫焰等[18]提出的改進(jìn)參數(shù)法進(jìn)行四川省物流園區(qū)建設(shè)規(guī)?？偭款A(yù)測,其計算公式為

式中：S 為區(qū)域物流園區(qū)建設(shè)總面積,萬m2；ω為其他用地面積的配比系數(shù),ω 一般取值范圍為25%～35%；θ 為預(yù)留用地系數(shù),θ 一般取值范圍為3%～5%；L 為預(yù)測規(guī)劃目標(biāo)年份的全社會物流總量,萬 t；i1為規(guī)劃目標(biāo)年份第三方物流 (TPL) 市場占全社會物流市場的比例,根據(jù)我國目前的發(fā)展情況可以取 20% 左右；i2為規(guī)劃目標(biāo)年份 TPL通過物流園發(fā)生的作業(yè)量占 TPL 全部物流作業(yè)量的比例,可以稱為適站系數(shù),i2的一般取值范圍為60%～80%；α 為單位生產(chǎn)能力用地參數(shù),m2/t, α 的一般取值范圍為30～50 m2/t；全社會物流總量 L 可以通過預(yù)測得到,但目前在各類統(tǒng)計資料中沒有關(guān)于物流量方面的數(shù)據(jù),因而在宏觀推算園區(qū)規(guī)模時,通常采用貨運總量代替物流量。

3.2參數(shù)值的確定及建設(shè)總規(guī)模的計算

根據(jù)上述對各參數(shù)取值的敘述,結(jié)合四川省的經(jīng)濟(jì)發(fā)展水平、市場化程度、經(jīng)濟(jì)總量及區(qū)域內(nèi)外輸入輸出能力等因素,改進(jìn)參數(shù)法中各參數(shù)值選取情況如表4 所示。以三次指數(shù)平滑預(yù)測模型計算得到的四川省 2020 年貨運總量預(yù)測值為基礎(chǔ),預(yù)測2020 年四川省物流園區(qū)建設(shè)規(guī)?？偭?。

表4　改進(jìn)參數(shù)法中各參數(shù)值選取情況

將各參數(shù)代入 ⑹ 式,得到四川省 2020 年物流園區(qū)建設(shè)總規(guī)模為 S = (1 + 0.35) (1 + 0.04)×373 853× 0.2×0.65×40/365 = 7 477.88 萬 m2。由計算結(jié)果可知,四川省物流園區(qū)建設(shè)規(guī)模在 2020 年應(yīng)達(dá)到7 477.88 萬 m2左右,才可以滿足全社會物流需求,有利于區(qū)域經(jīng)濟(jì)的可持續(xù)發(fā)展。

4　結(jié)束語

以四川省為例,在綜合考慮其經(jīng)濟(jì)發(fā)展水平、物流需求量、市場化程度等因素的基礎(chǔ)上,利用指數(shù)平滑法和改進(jìn)參數(shù)法對四川省 2020 年物流園區(qū)建設(shè)總規(guī)模進(jìn)行預(yù)測。由于物流園區(qū)的規(guī)劃是一項復(fù)雜的系統(tǒng)工程,具有區(qū)域性特征,需要綜合考慮區(qū)域經(jīng)濟(jì)、交通狀況、城市規(guī)劃、區(qū)域發(fā)展戰(zhàn)略等多項因素,同時在參數(shù)取值方面,還需要在實踐中進(jìn)一步改進(jìn)和完善,如用貨運總量替代物流量雖然便于計算,但是會造成預(yù)測的不準(zhǔn)確,還應(yīng)進(jìn)一步考慮將指數(shù)平滑法和改進(jìn)參數(shù)法分別與不同的預(yù)測方法進(jìn)行整合,并且設(shè)置多重指標(biāo),以更好地降低預(yù)測誤差,提高預(yù)測精度。

[1] 王宏新. 物流園區(qū)：規(guī)劃開發(fā)運營[M]. 北京：清華大學(xué)出版社,2014. WANG Hong-xin. Logistics Park：Planning,Development & Operation [M]. Beijing：Tsinghua University Press,2014.

[2] 中國物流與采購聯(lián)合會,中國物流學(xué)會. 第四次全國物流園區(qū) (基地) 調(diào)查報告[EB/OL]. (2015-08-10) [2015-08-15]. http://www.chinawuliu.com.cn/wlyq/201508/10/304052.shtml.

[3] 四川省發(fā)展和改革委員會. 2014年四川省物流運行情況的通報[EB/OL]. (2015-02-13)[2015-07-15]. http://www. scdrc.gov.cn/dir45/178663.htm.

[4] 李維國,王耀球,周凌云. 新陳代謝和 GM (1,1) 模型在深圳貨運量預(yù)測中的應(yīng)用研究[J]. 北京交通大學(xué)學(xué)報 (社會科學(xué)版),2010,9(2)：48-51. LI Wei-guo,WANG Yao-qiu,ZHOU Ling-yun. Metabolic Model and GM(1,1) Model Applied in Forecast of Shenzhen Freight Volume [J]. Journal of Beijing Jiaotong University：Social Sciences Edition, 2010,9(2)：48-51.

[5] 溫愛華,李 松. 基于廣義回歸神經(jīng)網(wǎng)絡(luò)的鐵路貨運量預(yù)測[J]. 鐵道運輸與經(jīng)濟(jì),2011,33(2)：88-91. WEN Ai-hua,LI Song. Forecast of Railway Freight Volumes Based on Generalized Regression Neural Network [J]. Railway Transport and Economy,2011,33(2)：88-91.

[6] 耿立艷,梁毅剛. 基于灰色自適應(yīng)粒子群LSSVM的鐵路貨運量預(yù)測[J]. 西南交通大學(xué)學(xué)報,2012,47(1)：144-150. GENG Li-yan,LIANG Yi-gang. Prediction of Railway Freight Volumes based on Grey Adaptive Particle Swarm Least Squares Support Vector Machine Model [J]. Journal of Southwest Jiaotong University,2012,47(1)：144-150.

[7] 趙建有,周孫鋒,崔曉娟,等. 基于模糊線性回歸模型的公路貨運量預(yù)測方法[J]. 交通運輸工程學(xué)報, 2012, 12(3)：80-85. ZHAO Jian-you,ZHOU Sun-feng,CUI Xiao-juan,et al. Predictive Method of Highway Freight Volume based on Fuzzy Linear Regression Model [J]. Journal of Traffic and Transportation Engineering,2012,12(3)：80-85.

[8] 戚銘堯,楊坤河,繆立新. 基于可計算一般均衡的貨運量預(yù)測模型[J]. 工業(yè)技術(shù)經(jīng)濟(jì),2013(3)：3-10. QI Ming-yao,YANG Kun-he,MIAO Li-xin. A Freight Forecasting Model based on Computable General Equilibrium [J]. Journal of Industrial Technological Economics,2013 (3)：3-10.

[9] 周 程,李 松. 基于多重“分解-集成”策略的物流貨運量預(yù)測[J]. 交通運輸系統(tǒng)工程與信息,2015, 15(1)：150-158. ZHOU Cheng,LI Song. Logistics Freight Volume Forecasting based on Multilevel Decompose-ensemble Method [J]. Journal of Transportation Systems Engineering and Information Technology,2015,15(1)：150-158.

[10] 芮海田,吳群琪,袁華智,等. 基于指數(shù)平滑法和馬爾科夫模型的公路客運量預(yù)測方法[J]. 交通運輸工程學(xué)報,2013,13(4)：87-93. RUI Hai-tian,WU Qun-qi,YUAN Hua-zhi,et al. Prediction Method of Highway Passenger Transportation Volume based on Exponential Smoothing Method and Markov Model[J]. Journal of Traffic and Transportation Engineering,2013,13(4)：87-93.

[11] Ballou R. Business Logistics Management [M]. Upper Saddle River：Prentice Hall,1998.

[12] Sullivan W,Claycombe W. Fundamentals of Forecasting [M]. Reston：Reston Publishing,1977.

[13] Bails D,Peppers L. Business Fluctuations：Forecasting Techniques and Applications [M]. Upper Saddle River：Prentice Hall,1992.

[14] 姚志剛,劉志凱,張三省. 物流園區(qū)規(guī)模確定方法探討[J].綜合運輸,2003(3)：20-21.YAO Zhi-gang,LIU Zhi-kai,ZHANG San-sheng. Discussion on the Method of Scale Determination of Logistics Parks [J]. China Transportation Review,2003(3)：20-21.

[15] 李玉民,李旭宏,毛海軍,等. 物流園區(qū)規(guī)劃建設(shè)規(guī)模確定方法[J]. 交通運輸工程學(xué)報,2004,4(2)：76-79. LI Yu-min,LI Xu-hong,MAO Hai-jun,et al. Planning Method of Construction Scale of Logistics Park [J]. Journal of Traffic and Transportation Engineering,2004,4(2)：76-79.

[16] 程世東,劉小明. 時空消耗法求解物流園區(qū)規(guī)模[J]. 公路交通科技,2005,22(8)：142-144. CHENG Shi-dong,LIU Xiao-ming. Calculating the Size of a Distribution Park by the Space-time Consumption Method [J]. Journal of Highway and Transportation Research and Development,2005,22(8)：142-144.

[17] 何國華. 城市總體規(guī)劃中物流園的用地規(guī)模問題[J]. 規(guī)劃師,2008,24(3)：63-66. HE Guo-hua. A Probe on Logistics Park Land Scale in Urban Master Plan [J]. Planners,2008,24(3)：63-66.

[18] 孫 焰,魏 威,鄭文家. 物流園區(qū)用地規(guī)模計算方法研究[J]. 物流科技,2014,37(6)：72-76. SUN Yan,WEI Wei,ZHENG Wen-jia. Research on Calculation Method of Logistics Park Construction Scale [J]. Logistics Sci-Tech,2014,37(6)：72-76.

責(zé)任編輯：吳文娟

Analysis on Forecast of Construction Scale of Regional Logistic Park Area

Based on expounding development status of logistic industry in Sichuan, through selecting the data of freight transport volume in 2000—2013 in Sichuan, according to the actual values, linear fitted values and conic fitted values of freight transport total volume, this paper forecasts the logistic total volume in Sichuan in 2020 by using third exponential smoothing method, and based on it, the paper makes forecast on the construction scale of logistic park area in 2020 in Sichuan by using improved parametric method, which provide data support for the planning and construction works of regional logistic park in Sichuan.

Logistic Park Area; Scale Forecast; Exponential Smoothing Method; Improved Parametric Method

1003-1421(2015)10-0011-06

F259.22

B

10.16668/j.cnki.issn.1003-1421.2015.10.03

2015-09-06

國家社會科學(xué)重點項目 (12AJL010)