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)在一定時期內(nèi)通過物流活動為社會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)對國內(nèi)生產(chǎn)總值的貢獻(xiàn)。物流產(chǎn)業(yè)增加值的預(yù)測能夠為物流產(chǎn)業(yè)布局和國民經(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[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)模型對物流產(chǎn)業(yè)增加值和殘差修正序列進(jìn)行二次預(yù)報，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)報問題。該方法較其他灰色預(yù)測模型具有計算簡單，使用參數(shù)少，精度較好的特點(diǎn)，預(yù)測物流產(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(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值minε，即可得到一個非負(fù)的新序列，然后，重復(fù)上述計算過程可以獲得新殘差序列的預(yù)測值(0)()

nk

= - ，進(jìn)而可以計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)測序列。為了提高 G(1,1)的預(yù)測精度，對殘差進(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)測實(shí)例

2.1 預(yù)測模型構(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2011,2012,2013年物流產(chǎn)業(yè)增加值。利用上述G(1,1)模型對歷年物流產(chǎn)業(yè)增加值進(jìn)行擬合，擬合結(jié)果見表 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 模型擬合值與絕對殘差、相對誤差修正前后對比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

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

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

根據(jù)表2檢驗預(yù)測精度，從殘差檢驗來看，平均相對誤差為0.011<0.05，精確等級為二級，從后驗差檢驗看，均方差比值為0.045<0.35，小殘差概率為1，精度等級為一級，從而判斷預(yù)測模型具有較高的準(zhǔn)確性，可以用來預(yù)測我國物流產(chǎn)業(yè)增加值，預(yù)測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)測精度等級參照表Tab.2 Model accuracy test grade reference table

3 結(jié)束語

文章結(jié)合我國 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，并進(jìn)行了精度檢驗，結(jié)果表明該模型的預(yù)測精度較高，能夠反映物流業(yè)發(fā)展的實(shí)際趨勢，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[J]. 鐵道學(xué)報，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)測方法[J]. 起重運(yùn)輸機(jī)械，2005，(5)：30-32.

[3] NELLO. C, JOHN S. T. 著，李國正，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)測模型在物流需求預(yù)測中的應(yīng)用[J]. 大連海事大學(xué)學(xué)報，2004，30(4)：43-46.

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