□ 鄧 熠

(福州職業(yè)技術學院 商務系，福建 福州 350108)

1 引言

隨著市場經濟的發(fā)展，現代物流業(yè)已逐漸從末端行業(yè)上升成為支撐實體經濟發(fā)展的基礎性、先導性行業(yè)。我國“十四五”規(guī)劃明確指出，要建設現代物流體系與現代化都市圈，通過輻射帶動效應推動區(qū)域經濟高質量發(fā)展。因此，推動核心城市群的現代物流體系建設具有重要意義。

2021年6月，國家發(fā)改委復函同意《福州都市圈發(fā)展規(guī)劃》，其規(guī)劃范圍包括福州、莆田、寧德、南平等市，目標為打造海峽西岸核心區(qū)和沿海地區(qū)重要經濟增長極。福州都市圈臨海近港，地理位置的優(yōu)越性更突顯其發(fā)展物流產業(yè)的重要性，而物流需求的精準預測則是實現區(qū)域物流資源供需平衡、區(qū)域經濟健康發(fā)展的關鍵[1]。本文應用BP神經網絡方法對福州都市圈未來物流需求進行預測分析，為福州都市圈物流產業(yè)發(fā)展規(guī)劃提供決策參考依據，助推福州都市圈物流產業(yè)高質量有序發(fā)展。

2 BP神經網絡概述

BP神經網絡(Back Propagation Neural Network)是一種按照誤差反向傳播的多層前饋網絡，由多層神經網絡構成，包括輸入層、輸出層和隱含層，每層神經網絡由多個神經元組成。每一個神經元作為信息的處理器和傳感器，對輸入層傳來的信息進行數學運算并通過傳遞函數將結果傳遞給其他神經元。

BP神經網絡根據每一次訓練的誤差自動調整各神經元權值，從而減小誤差不斷逼近目標值，具有一定自我學習與調整的能力，能夠較好地處理預測對象與影響因素之間的復雜關系，因此適用于區(qū)域物流需求的預測[2]。

3 實證分析

3.1 預測指標的選取

區(qū)域經濟的發(fā)展促進了區(qū)域物流的需求，同時區(qū)域物流的需求又推動了區(qū)域經濟的發(fā)展，兩者相輔相成、相互促進[3]。本文基于福州都市圈現狀，從經濟角度出發(fā)，分析得出以下五點影響因素作為預測指標。

①經濟發(fā)展水平。經濟的發(fā)展必然帶動大量的物資流動，也必然促進區(qū)域物流運輸量的相應增長。因此，選取地區(qū)生產總值代表區(qū)域經濟發(fā)展水平作為預測指標。

②產業(yè)結構。當下社會產業(yè)結構的重心逐漸向第三產業(yè)偏移，這種變化趨勢帶動了物流產業(yè)的升級轉型，直接影響著區(qū)域物流的需求量[4]。因此，選擇第一、第二、第三產業(yè)值作為預測指標。

③消費基礎能力。消費基礎能力往往與物流運輸量成正相關，居民消費能力越強，則采購各類商品的頻次、數量越大，潛在地推動了物流的運輸活動。因此，選擇人均可支配收入作為衡量消費基礎能力的指標[5]。

④商貿流通發(fā)展水平。區(qū)域內商貿往來越頻繁，經濟聯(lián)系越強，商品、半成品的高頻交換催生了社會物流需求的增長。消費品零售總額能夠較好地體現當地商貿流通情況，故選擇其作為預測指標。

⑤對外貿易水平。福州都市圈作為21世紀海上絲綢之路的重要支點，在政策環(huán)境、地理位置等方面都具有發(fā)展對外經濟的優(yōu)勢，擁有江陰、羅源灣等專業(yè)化港口群，外貿物流已成為福州都市圈物流的重要組成部分[6]。因此，選擇進出口總額作為預測指標以體現福州都市圈的外貿物流水平。

在輸出指標方面，物流需求量主要表現為物流環(huán)節(jié)中的實際作業(yè)量，包括貨運量、倉儲量等,故選擇福州都市圈全年貨運量作為輸出指標[7]。

3.2 數據收集與整理

本文選取2010-2020年福州、莆田、寧德、南平各市的貨運數據作為原始數據，將不同城市的各項指標數據進行匯總與整理后得到福州都市圈物流需求預測指標數據，如表1所示。

表1 福州都市圈物流需求預測指標數據

數據來源：福州、莆田、寧德、南平統(tǒng)計年鑒(2010-2021)

其中，X1表示地區(qū)生產總值(億元)，X2表示第一產業(yè)產值(億元)，X3表示第二產業(yè)產值(億元)，X4表示第三產業(yè)產值(億元)，X5表示人均可支配收入(元)，X6表示消費品零售總額(億元)，X7表示進出口總額(億美元)，Y表示貨運量(萬噸)。

3.3 模型構建與分析

3.3.1 神經網絡結構與參數的確認

根據上述對福州都市圈物流需求影響因素的分析，本文將地區(qū)生產總值、人均可支配收入、消費品零售總額等7個預測指標作為BP神經網絡的輸入節(jié)點，貨運總量則作為輸出節(jié)點，即輸入層神經元數量為7，輸出層神經元數量為1。根據經驗公式與反復訓練，最終確定當隱含層神經元數量為5時，預測效果最佳。

除神經網絡結構外，其他網絡參數的設定也會對預測結果產生影響。根據參數設定原則與誤差比較，最終確定傳遞函數為tansig與purelin，訓練函數為trainlm，學習效率為0.1，誤差精度為1e-5，最大迭代次數為1000。

3.3.2 模型檢驗與誤差分析

本文使用matlab軟件進行BP神經網絡的訓練與檢驗，以2010-2018年數據作為訓練樣本，并打亂樣本順序以增加神經網絡的擬合能力，最后使用訓練過的模型對2010-2020年福州都市圈貨運量進行預測，并與真實數據進行比較，檢驗模型預測準確率。

將2010-2020年福州都市圈物流需求預測指標數據導入matlab軟件進行BP神經網絡訓練，在經過10次迭代后均方誤差逐漸收斂達到最優(yōu)，此時模型的預測結果如圖1所示。

圖1 BP神經網絡預測結果

將模型預測結果與真實數據相比較，如表2所示。由于輸入樣本數量較少，導致所構建的神經網絡模型存在一定不足，故2011年與2013年的預測結果誤差稍大，同時受新冠疫情的影響，2020年的預測值與真實值存在較大差距。但總體來看，該BP神經網絡模型預測的平均相對誤差為2.11%，預測模型精度良好。

表2 模型預測結果

3.4 福州都市圈物流需求預測

由于BP神經網絡預測方法是以本期的輸入指標預測本期的輸出指標，因此在預測福州都市圈未來物流需求量時需要輸入該年的影響因素指標。本文根據2010-2020年福州都市圈物流需求預測指標數據，應用VAR模型對2021-2025年各項數據進行預測，結果如表3所示。

表3 2021-2025年各影響因素指標數據

將表3中的各項數據輸入到訓練好的BP神經網絡中，其輸出值即為2021-2025年福州都市圈的物流需求預測量，結果如表4所示。

表4 2021-2025年福州都市圈物流需求預測量(萬噸)

4 結論

本文收集2010-2020年福州都市圈主要城市的貨運相關數據，基于BP神經網絡建立福州都市圈物流需求預測模型，對2021-2025年福州都市圈的物流需求量進行預測，得出未來5年福州都市圈物流需求量呈穩(wěn)步上升趨勢。根據模型預測結果與預測指標分析，結合福州都市圈發(fā)展規(guī)劃，整理出以下幾點建議：

①構建區(qū)域協(xié)同發(fā)展新格局。未來5年福州都市圈物流產業(yè)呈平穩(wěn)發(fā)展態(tài)勢，但仍存在都市圈內各城市物流發(fā)展不均衡的現象。城市間物流活動應合作互補、以強帶弱，以福州為中心輻射帶動其他城市，實現區(qū)域物流資源共享與流通。

②加強物流基礎設施建設。物流基礎設施是區(qū)域物流發(fā)展的基本要素，應進一步完善都市圈高速公路、橋梁等交通基礎設施建設，打造功能互補的物流節(jié)點網絡，促進區(qū)域物流通道互聯(lián)互通。

③推動現代物流技術創(chuàng)新?？萍紕?chuàng)新水平已逐漸成為行業(yè)競爭優(yōu)勢的關鍵，智慧物流將作為物流產業(yè)發(fā)展的重要方向引領新一輪產業(yè)變革，應大力支持5G、大數據、人工智能等技術的創(chuàng)新與應用，助推現代物流與數字都市圈的融合互通與協(xié)同發(fā)展。