齊興敏，徐海，段晨，樊銳

（1.湖北物資流通技術(shù)研究所，湖北 襄陽(yáng) 441002；2.襄陽(yáng)市交通物流發(fā)展服務(wù)中心，湖北 襄陽(yáng) 441099）

0 引言

現(xiàn)代物流業(yè)是支撐國(guó)民經(jīng)濟(jì)發(fā)展的基礎(chǔ)性、戰(zhàn)略性、先導(dǎo)性產(chǎn)業(yè)。襄陽(yáng)市作為湖北省的第二大城市和省域副中心城市，近年來(lái)現(xiàn)代物流業(yè)得到了快速發(fā)展，物流業(yè)增加值和社會(huì)物流總額不斷增長(zhǎng)，物流總費(fèi)用占GDP比重逐年下降，物流產(chǎn)業(yè)降本增效效果顯著。近幾年襄陽(yáng)市又先后被確定為國(guó)家流通領(lǐng)域現(xiàn)代供應(yīng)鏈體系建設(shè)試點(diǎn)城市、綠色貨運(yùn)配送示范城市和生產(chǎn)服務(wù)型國(guó)家物流樞紐承載城市，物流業(yè)在推動(dòng)襄陽(yáng)市經(jīng)濟(jì)、社會(huì)全面發(fā)展方面的作用越發(fā)突出。

襄陽(yáng)市物流貨運(yùn)量穩(wěn)步提升，據(jù)不完全統(tǒng)計(jì)，襄陽(yáng)市2010-2019年十年間貨運(yùn)量增長(zhǎng)近3倍。據(jù)襄陽(yáng)市社會(huì)物流統(tǒng)計(jì)分析發(fā)現(xiàn)，貨運(yùn)量不僅受地方經(jīng)濟(jì)發(fā)展指標(biāo)GDP的影響較大，而且還與其他經(jīng)濟(jì)指標(biāo)密切相關(guān)。為此，本文做兩個(gè)方面的研究：第一，利用灰色關(guān)聯(lián)分析法，找出與貨運(yùn)量變化關(guān)聯(lián)度比較大的經(jīng)濟(jì)指標(biāo)；第二，采用遺傳BP神經(jīng)網(wǎng)絡(luò)，將這些指標(biāo)作為神經(jīng)網(wǎng)絡(luò)的輸入值，建立襄陽(yáng)市物流貨運(yùn)量的預(yù)測(cè)模型。期望通過(guò)模型預(yù)測(cè)襄陽(yáng)市未來(lái)的貨運(yùn)量，為襄陽(yáng)市交通基礎(chǔ)設(shè)施建設(shè)、襄陽(yáng)市中長(zhǎng)期物流發(fā)展規(guī)劃等提供決策依據(jù)。

1 貨運(yùn)量的灰色關(guān)聯(lián)因子分析

灰色關(guān)聯(lián)分析法是根據(jù)各因素之間發(fā)展趨勢(shì)的相似或相異程度（即灰色關(guān)聯(lián)度）來(lái)衡量因素之間關(guān)聯(lián)程度的一種方法，適合數(shù)據(jù)動(dòng)態(tài)歷程的量化分析。而物流貨運(yùn)量及其相關(guān)影響因素的研究剛好是對(duì)動(dòng)態(tài)數(shù)據(jù)的變化歷程進(jìn)行量化研究與分析，并找出這些動(dòng)態(tài)數(shù)據(jù)變化之間的關(guān)聯(lián)性，所以本文選取灰色關(guān)聯(lián)分析法分析襄陽(yáng)市物流貨運(yùn)量變化的影響因素?；疑P(guān)聯(lián)分析步驟如下：

1.1 基準(zhǔn)序列和比較序列的選擇

選取襄陽(yáng)市物流貨運(yùn)量（萬(wàn)t）作為基準(zhǔn)序列X0，選取經(jīng)濟(jì)指標(biāo)地區(qū)生產(chǎn)總值GDP（億元）（x1）、第一產(chǎn)業(yè)產(chǎn)值（億元）（x2）、第二產(chǎn)業(yè)產(chǎn)值（億元）（x3）、第三產(chǎn)業(yè)產(chǎn)值（億元）（x4）、全社會(huì)交通運(yùn)輸行業(yè)固定資產(chǎn)投資（x5）、公路線路里程（km）（x6）、進(jìn)出口總值（萬(wàn)美元）（x7）、社會(huì)消費(fèi)品零售總額（億元）（x8）、人均GDP（元）（x9）共九個(gè)因素作為比較因素序列。樣本數(shù)據(jù)見(jiàn)表1。

表1 樣本數(shù)據(jù)

1.2 原始數(shù)據(jù)的無(wú)量綱化處理

選取常用的標(biāo)準(zhǔn)化處理方法、最大最小差值化處理方法、最大值處理方法、最小值處理方法、平均值處理方法、初值化處理方法六種無(wú)量綱化處理方法對(duì)步驟一中數(shù)據(jù)進(jìn)行處理，以保證關(guān)聯(lián)度的可靠性。

（1）標(biāo)準(zhǔn)化處理方法

其中，i=0，1，2，...，n,j=1，2，...,m。n為比較序列中因素?cái)?shù)目，本文中n=9；m為樣本數(shù)，本文中取襄陽(yáng)市2006-2019年的樣本數(shù)據(jù)進(jìn)行研究，所以m=9，下同。為樣本數(shù)據(jù)的平均值，σi為樣本數(shù)據(jù)的均方差。

（2）最大最小差值化處理方法

其中M和m分別為樣本值的最大值和最小值，下同。

（3）最大值處理方法

（4）最小值處理方法

（5）平均值處理方法

（6）初值化處理方法

由于篇幅有限，本文只給出了最小值無(wú)量綱化處理方法處理表1樣本數(shù)據(jù)后的結(jié)果，見(jiàn)表2。

表2 原始數(shù)據(jù)采用最小值無(wú)量綱化處理方法得到的結(jié)果

1.3 關(guān)聯(lián)度計(jì)算

計(jì)算物流貨運(yùn)量和地區(qū)生產(chǎn)總值GDP、第一產(chǎn)業(yè)產(chǎn)值、第二產(chǎn)業(yè)產(chǎn)值、第三產(chǎn)業(yè)產(chǎn)值、全社會(huì)交通運(yùn)輸行業(yè)固定資產(chǎn)投資、公路線路里程、進(jìn)出口總值、社會(huì)消費(fèi)品零售總額和人均GDP九個(gè)關(guān)聯(lián)因素之間的關(guān)聯(lián)系數(shù)和關(guān)聯(lián)度。

關(guān)聯(lián)系數(shù)計(jì)算公式[1]如下：

其中ρ為分辨率，范圍在（0，1]，本文取0.5[2]。

關(guān)聯(lián)度的計(jì)算公式如下：

利用關(guān)聯(lián)度計(jì)算公式計(jì)算出采用每一種無(wú)量綱化處理方法下得到的物流貨運(yùn)量和九個(gè)關(guān)聯(lián)因素之間的關(guān)聯(lián)度，見(jiàn)表3。表中R1-R9依次表示物流貨運(yùn)量與地區(qū)生產(chǎn)總值GDP、第一產(chǎn)業(yè)產(chǎn)值、第二產(chǎn)業(yè)產(chǎn)值、第三產(chǎn)業(yè)產(chǎn)值、全社會(huì)交通運(yùn)輸行業(yè)固定資產(chǎn)投資、公路線路里程、進(jìn)出口總值、社會(huì)消費(fèi)品零售總額和人均GDP九個(gè)關(guān)聯(lián)因素之間的關(guān)聯(lián)度。表中的數(shù)值分別表示某一個(gè)影響因素采用某種無(wú)量綱化處理方法得到的與物流貨運(yùn)量的關(guān)聯(lián)度，如第一個(gè)數(shù)字0.847 3，表示采用標(biāo)準(zhǔn)化無(wú)量綱化處理方法得到的貨運(yùn)量與關(guān)聯(lián)因素地區(qū)生產(chǎn)總值的關(guān)聯(lián)度為0.847 3，依此類(lèi)推。

將表3中各種無(wú)量綱化處理方法計(jì)算得到的關(guān)聯(lián)度進(jìn)行排序，排序結(jié)果見(jiàn)表4。

表3 采用六種無(wú)量綱化處理方法計(jì)算得到的關(guān)聯(lián)度[3]

從表4可以看出，采用不同的數(shù)據(jù)無(wú)量綱化方法會(huì)導(dǎo)致關(guān)聯(lián)序的排序各不一樣。所以要找出一個(gè)最優(yōu)關(guān)聯(lián)序。

表4 六種無(wú)量綱化處理方法計(jì)算得到的關(guān)聯(lián)序

1.4 確定最佳關(guān)聯(lián)序的確定

六種無(wú)量綱化處理方法的Δk和σk見(jiàn)表5。

依據(jù)滿足Δk和σk同時(shí)最大的原則，從表5可知最小值處理方法得到的關(guān)聯(lián)序滿足Δk和σk同時(shí)最大，故為最佳關(guān)聯(lián)序。至此得到襄陽(yáng)市物流貨運(yùn)量的最佳影響因素關(guān)聯(lián)序?yàn)椋篟8>R1>R9>R4>R7>R3>R5>R2>R6，具體關(guān)聯(lián)度值見(jiàn)表6。

表5 六種無(wú)量綱化處理方法的Δk和σk

從表6可以看出，地區(qū)生產(chǎn)總值、第三產(chǎn)業(yè)產(chǎn)值、進(jìn)出口總額、社會(huì)消費(fèi)品零售總額、人均GDP的關(guān)聯(lián)度均大于0.8，與物流貨運(yùn)量的關(guān)聯(lián)度很好；第二產(chǎn)業(yè)產(chǎn)值和全社會(huì)交通運(yùn)輸行業(yè)固定資產(chǎn)投資的關(guān)聯(lián)度在0.7-0.8之間，與物流貨運(yùn)量的關(guān)聯(lián)度較好；第一產(chǎn)業(yè)產(chǎn)值和公路線路里程兩個(gè)因素與物流貨運(yùn)量的關(guān)聯(lián)度<0.7，與物流貨運(yùn)量的關(guān)聯(lián)度相對(duì)較差。所以去除第一產(chǎn)業(yè)產(chǎn)值和公路線路里程兩個(gè)關(guān)聯(lián)度較差的影響因素，將剩下的七個(gè)影響因素選做遺傳神經(jīng)網(wǎng)絡(luò)模型的輸入神經(jīng)元。

表6 襄陽(yáng)市物流貨運(yùn)量影響因素最佳關(guān)聯(lián)度

2 遺傳神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型的建立

2.1 BP神經(jīng)網(wǎng)絡(luò)及遺傳算法[5]

考慮到貨運(yùn)量的影響因素復(fù)雜多樣，且具有不確定和非線性的特點(diǎn)，單一的BP神經(jīng)網(wǎng)絡(luò)模型預(yù)測(cè)精度不高，所以本文選取BP神經(jīng)網(wǎng)絡(luò)和遺傳算法兩種組合模型進(jìn)行建模。BP神經(jīng)網(wǎng)絡(luò)的一次學(xué)習(xí)過(guò)程由正向傳播和反向傳播兩個(gè)子過(guò)程組成。正向傳播時(shí)由輸入單元輸入學(xué)習(xí)樣本，經(jīng)隱層單元處理、輸出單元處理后得到樣本的輸出值；誤差反向傳播時(shí)將樣本的輸出值與期望輸出值做比較，若輸出值達(dá)到期望的結(jié)果，則學(xué)習(xí)過(guò)程結(jié)束；否則進(jìn)入反向傳播過(guò)程，把輸出值與期望輸出值的誤差由輸出單元向輸入單元反向傳播，在傳播過(guò)程中修改各層神經(jīng)元的連接權(quán)值。

遺傳算法（GA）是模擬達(dá)爾文的遺傳選擇和自然淘汰的生物進(jìn)化過(guò)程的計(jì)算模型。其思想源于生物遺傳學(xué)和適者生存的自然規(guī)律，是具有“生存+檢測(cè)”的迭代過(guò)程的搜索算法。遺傳算法首先對(duì)數(shù)據(jù)進(jìn)行編碼，將它們轉(zhuǎn)換成遺傳的基因型表示，然后隨機(jī)挑選一組編碼作為進(jìn)化的第一代群體，經(jīng)過(guò)選擇、交叉和變異操作生成新一代種群，最后通過(guò)新老個(gè)體產(chǎn)生下一代群體，算法不斷重復(fù)，直到滿足結(jié)束條件后終止。相對(duì)BP算法而言，遺傳算法具有全局優(yōu)化搜索功能，能夠克服BP算法容易陷入局部最優(yōu)的缺點(diǎn)，所以兩算法結(jié)合，各取所長(zhǎng)，在很多領(lǐng)域中廣泛應(yīng)用。

2.2 遺傳神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型的建立

遺傳神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型采用GA算法對(duì)BP神經(jīng)網(wǎng)絡(luò)的初始化權(quán)值和閾值進(jìn)行快速優(yōu)化，定出一個(gè)較好的解空間，然后將此空間作為神經(jīng)網(wǎng)絡(luò)初始化權(quán)值和閾值，再利用BP神經(jīng)網(wǎng)絡(luò)局部搜索能力強(qiáng)的優(yōu)點(diǎn)進(jìn)行精確尋優(yōu)，找出神經(jīng)網(wǎng)絡(luò)權(quán)值和閾值的最優(yōu)解。

根據(jù)前述灰色關(guān)聯(lián)度計(jì)算結(jié)果，選取貨運(yùn)量關(guān)聯(lián)度比較大的七個(gè)影響因素地區(qū)生產(chǎn)總值（GDP）、第二產(chǎn)業(yè)產(chǎn)值、第三產(chǎn)業(yè)產(chǎn)值、全社會(huì)交通運(yùn)輸行業(yè)固定資產(chǎn)投資、進(jìn)出口總值、社會(huì)消費(fèi)品零售總額和人均GDP作為神經(jīng)網(wǎng)絡(luò)的輸入層，輸出層為貨運(yùn)量。

2.2.1 模型初始化參數(shù)的設(shè)定。本文基于MATLAB2014建立神經(jīng)網(wǎng)絡(luò)。根據(jù)前面灰色關(guān)聯(lián)度的分析結(jié)果，選取關(guān)聯(lián)度較大的貨運(yùn)量影響因素作為BP神經(jīng)網(wǎng)絡(luò)的輸入層神經(jīng)元，輸出層為貨運(yùn)量。神經(jīng)網(wǎng)絡(luò)的輸入層神經(jīng)元個(gè)數(shù)為7，隱含層神經(jīng)元個(gè)數(shù)通過(guò)試算法確定，最大為9個(gè)，輸出層神經(jīng)元的個(gè)數(shù)為1。神經(jīng)網(wǎng)絡(luò)訓(xùn)練模型設(shè)置的最大迭代次數(shù)為5 000次，學(xué)習(xí)率為0.01，訓(xùn)練精度為0.000 01。

2.2.2 遺傳神經(jīng)網(wǎng)絡(luò)的實(shí)現(xiàn)步驟

（1）編碼與初始化種群的建立。編碼串由控制基因串和參數(shù)基因串兩部分組成。控制基因串由0和1組成，0表示無(wú)連接，1表示有連接。參數(shù)基因串表示神經(jīng)網(wǎng)絡(luò)的權(quán)值和閾值。設(shè)置迭代次數(shù)為100次，種群規(guī)模為50，編碼規(guī)則為：s=in*hide+hide*0ut+hide+0ut，in為輸入層節(jié)點(diǎn)數(shù)，hide為隱含層節(jié)點(diǎn)數(shù)，0ut為輸出層節(jié)點(diǎn)數(shù)。

輸入層到隱含層的權(quán)值矩陣為：

-0.510 2 1.163 3-1.693 6-0.147 1-1.343 4-1.714 9-0.302 2 0.846 3-1.572 4 1.320 0 0.916 4 0.713 5-1.284 7-0.115 4-1.432 5 1.799 6 0.549 0 1.837 2 1.234 5-0.399 3-0.143 4-1.473 4-0.655 4 0.772 5-0.723 9 0.266 2-0.034 7 1.605 7-0.391 6 1.269 3 0.361 6 1.809 7-0.628 6-1.157 5-0.665 2 1.730 4 1.582 3-1.225 5-0.355 1-1.649 4-0.045 6 1.027 1-0.865 2-1.254 5-1.779 7-1.038 5-0.560 5-1.312 6 0.941 1-0.299 2-0.617 0 0.422 9 1.416 0 1.180 0

隱含層神經(jīng)元閾值為：

?

隱含層到輸出層權(quán)值矩陣為：

?

輸出層神經(jīng)元閾值：-0.403 8。

（3）選擇復(fù)制。保留適應(yīng)度最高的個(gè)體復(fù)制下一代，其他個(gè)體采取輪盤(pán)賭選擇法進(jìn)行選擇，參與交叉和變異。

（4）交叉和變異操作。交叉操作是產(chǎn)生新個(gè)體的主要操作過(guò)程，變異操作是對(duì)個(gè)體的基因值按某一較小的概率進(jìn)行改變，從而產(chǎn)生新個(gè)體。

具體交叉過(guò)程是隨機(jī)選擇配對(duì)個(gè)體xi，xj，i,j=1,2,...,N。

其中x'i，x'j分別為xi，xj交叉生成的后代，β為[0,1]內(nèi)的隨機(jī)交叉參數(shù)。

變異是在[0,1]區(qū)間內(nèi)產(chǎn)生N個(gè)隨機(jī)數(shù)，若任一隨機(jī)數(shù)n<變異概率p，則對(duì)應(yīng)的個(gè)體進(jìn)行變異，構(gòu)成新群體。本文選取交叉概率0.7，變異概率0.01。

（5）遺傳神經(jīng)網(wǎng)絡(luò)運(yùn)行流程如圖1所示。

圖1 遺傳神經(jīng)網(wǎng)絡(luò)運(yùn)行流程圖

2.3 實(shí)驗(yàn)結(jié)果分析

選取襄陽(yáng)市2006-2016年貨運(yùn)量及其影響因素的歷史數(shù)據(jù)作為模型的訓(xùn)練樣本對(duì)模型進(jìn)行訓(xùn)練，將2017-2019年的歷史數(shù)據(jù)作為模型的測(cè)試樣本，對(duì)模型進(jìn)行檢驗(yàn)。訓(xùn)練到18次時(shí)，模型的精度達(dá)到最小。當(dāng)訓(xùn)練到接近100次時(shí)，訓(xùn)練精度小于0.000 01，模型結(jié)構(gòu)穩(wěn)定，訓(xùn)練結(jié)束。此時(shí)模型的網(wǎng)絡(luò)結(jié)構(gòu)如圖2所示，輸入層7個(gè)神經(jīng)元，輸出層1個(gè)神經(jīng)元，隱含層兩個(gè)，神經(jīng)元個(gè)數(shù)分別是9和1。

圖2 基于灰色關(guān)聯(lián)分析與遺傳神經(jīng)網(wǎng)絡(luò)的模型網(wǎng)絡(luò)結(jié)構(gòu)

從表7可以看出，訓(xùn)練樣本的輸出值和實(shí)際值點(diǎn)位基本吻合，相關(guān)性非常好，反映輸出值與真實(shí)值之間的差異非常小，該模型的預(yù)測(cè)精度比較高。運(yùn)用模型預(yù)測(cè)2017-2019年的物流貨運(yùn)量，效果見(jiàn)表8。

表7 2006-2016年訓(xùn)練樣本輸出值和實(shí)際值的比較

表8 模型對(duì)2017-2019年樣本預(yù)測(cè)結(jié)果比較

從表8可以看出，預(yù)測(cè)模型的預(yù)測(cè)精度比較高，而且比較穩(wěn)定。

3 結(jié)語(yǔ)

本文利用襄陽(yáng)市2006-2019年的歷史數(shù)據(jù)，通過(guò)灰色關(guān)聯(lián)分析法針對(duì)地區(qū)生產(chǎn)總值GDP、第一產(chǎn)業(yè)產(chǎn)值、第二產(chǎn)業(yè)產(chǎn)值、第三產(chǎn)業(yè)產(chǎn)值、全社會(huì)交通運(yùn)輸行業(yè)固定資產(chǎn)投資、公路線路里程、進(jìn)出口總值、社會(huì)消費(fèi)品零售總額、人均GDP九個(gè)經(jīng)濟(jì)指標(biāo)與物流貨運(yùn)量進(jìn)行關(guān)聯(lián)度分析，得到影響物流貨運(yùn)量的最佳關(guān)聯(lián)度排序，最后確定選取地區(qū)生產(chǎn)總值（GDP）、第二產(chǎn)業(yè)產(chǎn)值、第三產(chǎn)業(yè)產(chǎn)值、全社會(huì)交通運(yùn)輸行業(yè)固定資產(chǎn)投資、進(jìn)出口總值、社會(huì)消費(fèi)品零售總額和人均GDP七個(gè)與物流貨運(yùn)量關(guān)聯(lián)度比較大的經(jīng)濟(jì)指標(biāo)作為遺傳神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)物流貨運(yùn)量的輸入值，輸出值為物流貨運(yùn)量。

通過(guò)實(shí)驗(yàn)發(fā)現(xiàn)，先利用灰色關(guān)聯(lián)分析優(yōu)化樣本結(jié)構(gòu)，提高樣本質(zhì)量，再利用遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的權(quán)值和閾值，最后用BP神經(jīng)網(wǎng)絡(luò)進(jìn)行問(wèn)題求解，克服了BP神經(jīng)網(wǎng)絡(luò)容易陷入局部極小值的缺點(diǎn)，提高了遺傳算法在尋找最優(yōu)權(quán)值和閾值的收斂速度和搜索精度。預(yù)測(cè)結(jié)果分析可以看出本文建立的基于灰色關(guān)聯(lián)分析與遺傳神經(jīng)網(wǎng)絡(luò)的物流貨運(yùn)量預(yù)測(cè)模型預(yù)測(cè)準(zhǔn)確度比較高，具有一定的實(shí)踐意義。由于數(shù)據(jù)收集有難度，本文未將此次模型應(yīng)用到其他城市貨運(yùn)量的預(yù)測(cè)中去檢驗(yàn)，這是本文有待完善的地方。