方啟穩(wěn) 朱安定 傅培華

[摘要]提出了一種基于數(shù)據(jù)驅(qū)動(dòng)的公路貨運(yùn)合同物流的投標(biāo)報(bào)價(jià)模型，該模型綜合了國(guó)內(nèi)生產(chǎn)總值、燃油價(jià)格、市場(chǎng)需求、貨物重量、運(yùn)輸距離、承運(yùn)商、貨車長(zhǎng)度匕個(gè)兇素，從而提高了第三方物流企業(yè)的投標(biāo)預(yù)測(cè)水平。針對(duì)運(yùn)輸成本的非線性特征，利用BP神經(jīng)網(wǎng)絡(luò)模型，通過(guò)案例分析獲得的實(shí)證數(shù)據(jù)進(jìn)行訓(xùn)練，對(duì)短期報(bào)價(jià)進(jìn)行預(yù)測(cè)。另外，利用遺傳算法提高搜索性能。通過(guò)與多元線性回歸算法和BP算法進(jìn)行比較，提出的混合GA-BP算法具有較佳的準(zhǔn)確度和性能。該研究為第三方物流公司帶來(lái)的啟示在于，歷史數(shù)據(jù)在公路貨運(yùn)合同物流的招標(biāo)報(bào)價(jià)決策中是有價(jià)值和有效的。

[關(guān)鍵詞]公路貨運(yùn)；合同物流；投標(biāo)報(bào)價(jià)模型；數(shù)據(jù)驅(qū)動(dòng)

[中圖分類號(hào)]F252； F542 [文獻(xiàn)標(biāo)識(shí)碼]A [文章編號(hào)]1005-152X（2018）02-0046-07

1 前言

公路貨運(yùn)（Road Freight Transportation）是現(xiàn)代運(yùn)輸?shù)闹饕绞街?。?jù)交通部統(tǒng)計(jì)數(shù)據(jù)顯示：2016年我國(guó)營(yíng)業(yè)性公路運(yùn)輸完成貨運(yùn)量334.13億t，同比增長(zhǎng)6.1%，貨物周轉(zhuǎn)量61 080.10億t·km，同比增長(zhǎng)5.4%，公路貨運(yùn)量占我國(guó)全社會(huì)貨運(yùn)量的77.46%。合同物流（Contract Logistics）是公路貨運(yùn)第三方物流（Third-Party Logistics，3PL）的一種主要形式，制造型企業(yè)把物流服務(wù)外包給第三方物流公司降低成本。第三方物流公司通過(guò)降低運(yùn)輸和倉(cāng)儲(chǔ)的成本，減少與物流有關(guān)的固定資產(chǎn)投入，提高信息準(zhǔn)確性和訂單履行率等方式，為制造型企業(yè)帶來(lái)好處。為了控制物流成本和提高服務(wù)質(zhì)量，大多數(shù)規(guī)模以上制造型企業(yè)都采取公開(kāi)拍賣方式采購(gòu)物流服務(wù)。對(duì)第三方物流公司來(lái)說(shuō)，優(yōu)化投標(biāo)策略是非常重要的，而公路貨物運(yùn)輸成本的估算和預(yù)測(cè)是其中最重要的內(nèi)容。

然而，第三方物流有多種模式可供選擇，如：專線物流、干線物流、社會(huì)物流等，通過(guò)組合這些物流模式最終優(yōu)化物流成本。從供應(yīng)鏈管理視角看，第三方物流供應(yīng)商的選擇標(biāo)準(zhǔn)和績(jī)效評(píng)估中也同樣包含運(yùn)輸成本這個(gè)指標(biāo)。為了與客戶建立長(zhǎng)期有效的供應(yīng)鏈協(xié)作關(guān)系，第三方物流供應(yīng)商需要知道如何在“硬”的條款方面和“軟”的關(guān)系方面進(jìn)行權(quán)衡。除此之外，第三方物流公司還提供第三方購(gòu)買服務(wù)（Third-Party Buying），以增加收入。因此，在招標(biāo)中很難估計(jì)運(yùn)輸成本和投標(biāo)價(jià)格。

近年來(lái)，隨著第三方物流公司逐步完善基于業(yè)務(wù)交易的企業(yè)信息系統(tǒng)，積累了大量數(shù)據(jù)，本文在實(shí)證數(shù)據(jù)分析的基礎(chǔ)上，結(jié)合反向傳播神經(jīng)網(wǎng)絡(luò)算法和遺傳算法的優(yōu)點(diǎn)，提出了一種數(shù)據(jù)驅(qū)動(dòng)的投標(biāo)報(bào)價(jià)模型來(lái)預(yù)測(cè)短期投標(biāo)價(jià)格。

2 相關(guān)工作

公路貨運(yùn)定價(jià)受多種因素的影響。燃油價(jià)格是基本影響因素，Havenga提出了基于貨運(yùn)流量的運(yùn)輸成本模型，發(fā)現(xiàn)對(duì)石油價(jià)格的負(fù)面預(yù)測(cè)將推高運(yùn)費(fèi)價(jià)格；車輛路徑是另一個(gè)因素，F(xiàn)igliozzi研究了在競(jìng)爭(zhēng)環(huán)境中，提前估算新增需求的成本增量可以幫助承運(yùn)公司找到最優(yōu)解；Topal發(fā)現(xiàn)根據(jù)先前零擔(dān)物流公司的價(jià)格規(guī)劃和零售商的訂貨行為，可以增強(qiáng)承運(yùn)公司的定價(jià)決策；此外，因碳排放而增加的空氣污染費(fèi)、政府補(bǔ)貼，以及區(qū)域性定價(jià)決策等因素也會(huì)影響公路貨運(yùn)定價(jià)。

拍賣競(jìng)價(jià)屬于競(jìng)爭(zhēng)性定價(jià)機(jī)制。Kuyzu提出了一個(gè)在獨(dú)立同步單拍賣中，以承運(yùn)公司期望利潤(rùn)最大化為優(yōu)化目標(biāo)的隨機(jī)投標(biāo)報(bào)價(jià)模型；Triki綜合出價(jià)生成、定價(jià)、車隊(duì)路由優(yōu)化的隨機(jī)優(yōu)化模型；Song研究了以出價(jià)估計(jì)和出價(jià)構(gòu)造為目標(biāo)的可計(jì)算優(yōu)化策略方法；Hou認(rèn)為在線拍賣受參與投標(biāo)人數(shù)的影響，由此間接影響了最終成交價(jià)格。

然而，從這些研究中得出的模型并不一定滿足具體第三方物流公司的實(shí)際需求。本文運(yùn)用第三方物流公司的實(shí)證數(shù)據(jù)，提出了一個(gè)實(shí)用的非線性投標(biāo)決策模型。

3 案例分析與實(shí)證數(shù)據(jù)

M公司是一家成立于1989年的第三方物流公司，最初專注于啤酒運(yùn)輸，1992年以來(lái)逐步成為專業(yè)的貨運(yùn)經(jīng)紀(jì)人。依托白建的供需匹配平臺(tái)，M公司在為卡車提供及時(shí)的回程需求的同時(shí)，也為公司帶來(lái)了較好的經(jīng)濟(jì)收益。M公司涵蓋第三方物流的綜合服務(wù)，如物流系統(tǒng)設(shè)計(jì)、運(yùn)輸、倉(cāng)儲(chǔ)、調(diào)撥、包裝等。其客戶覆蓋華東地區(qū)的電器、食品，紡織、電纜等制造型行業(yè)。

由于大多數(shù)客戶以合同物流的形式外包物流業(yè)務(wù)，M公司需要對(duì)年度合同進(jìn)行競(jìng)爭(zhēng)性投標(biāo)。投標(biāo)價(jià)格決策是一個(gè)難題。然而，M公司在自身信息系統(tǒng)中積累了大量的業(yè)務(wù)數(shù)據(jù)。本文結(jié)合公司自身的數(shù)據(jù)和公共經(jīng)濟(jì)數(shù)據(jù)，對(duì)M公司的投標(biāo)報(bào)價(jià)進(jìn)行預(yù)測(cè)，優(yōu)化投標(biāo)策略。

基于M公司提供的2012-2015年的業(yè)務(wù)數(shù)據(jù)，我們選取了電纜和家用電器兩個(gè)典型制造型行業(yè)作為目標(biāo)行業(yè)。從四年歷史數(shù)據(jù)中隨機(jī)抽取200個(gè)樣本，前190個(gè)樣本作為訓(xùn)練數(shù)據(jù)集，后10個(gè)樣本作為測(cè)試數(shù)據(jù)集。使用相對(duì)誤差（ Relative Error，RE）作為預(yù)測(cè)標(biāo)準(zhǔn)：

其中x是預(yù)測(cè)值，μ是測(cè)試值。我們的模型也采用其他的公共經(jīng)濟(jì)數(shù)據(jù)。

4 主要因素分析

4.1 三類主要因素

影響公路貨運(yùn)成本的因素主要有三類，即：宏觀經(jīng)濟(jì)因素、市場(chǎng)因素和經(jīng)營(yíng)相關(guān)因素。

宏觀經(jīng)濟(jì)因素包括：國(guó)民經(jīng)濟(jì)狀況和燃油價(jià)格。公路貨運(yùn)需求與國(guó)家經(jīng)濟(jì)發(fā)展水平有著密切的關(guān)系。生產(chǎn)和消費(fèi)的增長(zhǎng)促進(jìn)了公路貨運(yùn)的需求和價(jià)格。一般地，國(guó)內(nèi)生產(chǎn)總值（GDP）用來(lái)反映國(guó)民經(jīng)濟(jì)狀況；另一方面，燃油價(jià)格則受國(guó)際原油價(jià)格波動(dòng)的影響。

市場(chǎng)因素主要為市場(chǎng)需求，受季節(jié)性、周期性波動(dòng)，以及其他集中性促銷活動(dòng)的影響，如：阿里巴巴的“雙11”網(wǎng)購(gòu)節(jié)和京東6月18日購(gòu)物節(jié)。

經(jīng)營(yíng)相關(guān)因素包括：貨物規(guī)格、貨車規(guī)格、路徑和承運(yùn)商。貨物規(guī)格如重量、體積、包裝、裝卸要求、運(yùn)輸要求和其他具體限制條件，是成本估算的主要方面，實(shí)踐上，我國(guó)貨運(yùn)市場(chǎng)通常按重量計(jì)價(jià)；貨車規(guī)格如長(zhǎng)度、車廂結(jié)構(gòu)，實(shí)踐上，貨車長(zhǎng)度是衡量油耗、過(guò)路費(fèi)、車損的重要指標(biāo)；路徑包括起提貨城市和卸貨城市、路況，以及運(yùn)輸路程，實(shí)踐上，我國(guó)貨運(yùn)市場(chǎng)統(tǒng)一按運(yùn)輸路程計(jì)價(jià)；最后，承運(yùn)商本身直接影響成本，承運(yùn)商規(guī)模越大，服務(wù)成本越低，服務(wù)質(zhì)量越高。

總之，我們選擇了7個(gè)影響因素：國(guó)內(nèi)生產(chǎn)總值（Gross Domestic Product.GDP），燃油價(jià)格（FuelPrice，F(xiàn)P），市場(chǎng)需求（Market Requirement，MR），貨物重量（Cargo Weight，CW），運(yùn)輸距離（TransportationDistance.TD），承運(yùn)商（Carrier，CR），以及貨車長(zhǎng)度（Truck Specification，TS）.

4.2 數(shù)據(jù)采集

國(guó)內(nèi)生產(chǎn)總值（GDP）數(shù)據(jù)參見(jiàn)國(guó)家統(tǒng)計(jì)局官方網(wǎng)站，2012-2015年我國(guó)季度GDP數(shù)據(jù)見(jiàn)表1。

表1 2012-2015年我國(guó)季度CJDP

同樣，燃油價(jià)格（FP）數(shù)據(jù)也可以從國(guó)家統(tǒng)計(jì)局官方網(wǎng)站獲取，圖1所示為#0號(hào)柴油的價(jià)格波動(dòng)圖。

市場(chǎng)需求（MR）數(shù)據(jù)采用交通部官方網(wǎng)站上的每月公路貨運(yùn)量，見(jiàn)表2。

運(yùn)輸距離（TD）數(shù)據(jù)可以從百度地圖獲得，提貨城市與卸貨城市對(duì)應(yīng)的第一個(gè)百度推薦路徑的距離用于計(jì)算TD值。圖2顯示了從貴陽(yáng)市到安慶市的貨運(yùn)路徑，第一條推薦路線總計(jì)1 354.8km。最后，貨物重量（CW）、承運(yùn)商（CR）和貨車長(zhǎng)度（TS）數(shù)據(jù)與具體的訂單業(yè)務(wù)數(shù)據(jù)相關(guān)。

4.3 因素的相關(guān)性

七個(gè)因素中某些因素和運(yùn)價(jià)呈線性相關(guān)，而另一些因素則呈非線性相關(guān)；而且有些因素也并非相互獨(dú)立。我們采用灰色關(guān)聯(lián)分析法（Gray Correla-tion Analvsis，GCA）區(qū)分這些因素的顯著程度和相關(guān)性。

令Xi={xi（1），xi（2），…，xi（n），i=l，2…，m）為第i個(gè)因素的樣本向量，x0-{x0（1），x0（2），...，x0（n））為輸出的運(yùn)價(jià)樣本向量。定義Υ（X0，Xi）為因素Xi相輸出X0之間的灰色關(guān)聯(lián)度（Gray Correlation Degree，GCD），并采用式（2）進(jìn)行計(jì)算：

其中，而ζ∈（0，1）為分辨系數(shù)。

表3列出了七個(gè)因素的灰色關(guān)聯(lián)度，可見(jiàn)TD和CW是兩個(gè)最高的相關(guān)因素，F(xiàn)P和MR是其次兩個(gè)因素。其余的三個(gè)因素GDP、rIlS，以及CR與投標(biāo)價(jià)格關(guān)系不大。

5 基于混合GA-BP算法的數(shù)據(jù)驅(qū)動(dòng)合同物流投標(biāo)報(bào)價(jià)決策模型

5.1 多元線性回歸算法

多無(wú)線性回歸（ Multilinear Regression，MLR）是常見(jiàn)的基于歷史數(shù)據(jù)的預(yù)測(cè)算法。根據(jù)表3的分析，我們選取了GDP、FP、MR、CW，以及TD五個(gè)較為顯著的因素為MLR的自變量，分別記為X1，X2，X3，X4，X5，在表3中，這五個(gè)因素的灰色相關(guān)度幾乎都大于0.7。同時(shí)，記Y為觀察到的合同價(jià)格。MLR模型如式（4）所示：其中，β0是常數(shù)項(xiàng)，β1，β2，...，β5是回歸系數(shù)。將n組觀察數(shù)據(jù)輸入式（5）：

采用采用式（6）計(jì)算最小二乘法（Least SquareMethod）估計(jì)β值：式（7）計(jì)算擬合值Y：最后，采用式（8）計(jì)算誤差函數(shù)（Error Function）：

5.2 BP神經(jīng)網(wǎng)絡(luò)算法

由于合同物流的投標(biāo)定價(jià)是一個(gè)復(fù)雜的問(wèn)題，各因素之問(wèn)存在相瓦作用，BP（Back Propagation）神經(jīng)網(wǎng)絡(luò)算法是典型的非線性回歸算法，具有自學(xué)習(xí)、聯(lián)想存儲(chǔ)和高效求解三大優(yōu)點(diǎn)。

由于各因素的尺度不同，我們先用式（9）對(duì)這些因素進(jìn)行歸一化處理：

我們采用7個(gè)輸入神經(jīng)元、15個(gè)隱藏神經(jīng)元和1個(gè)輸出神經(jīng)元的三層結(jié)構(gòu)（如圖3所示）的BP神經(jīng)網(wǎng)絡(luò)，并選擇Levenberg Marquardt（LM）算法作為訓(xùn)練方法。

BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練過(guò)程如下：

步驟1：初始化最大訓(xùn)練次數(shù)和停止誤差條件。

步驟2：輸入訓(xùn)練數(shù)據(jù)集（{xi}q，{yi}q），q=1，2，…，Q，其中Q是數(shù)據(jù)集大小，{xi}表示輸入向量，{yi}表示真實(shí)價(jià)格的向量，采用式（10）-（12）計(jì)算每一個(gè)神經(jīng)元輸出值：

其中，N、M、L分別是輸入層、隱含層、輸出層神經(jīng)元的個(gè)數(shù)。 {gpj}、{hpk）、{ypl}分別是輸入層、隱含層、輸出層的輸出向量。{wji}、{wkj}、{wlk}分別是連接輸入層、隱含層、輸出層的權(quán)重矩陣。

步驟3：計(jì)算每一層的反向誤差，返同步驟（2），直到完成訓(xùn)練數(shù)據(jù)集中的全部數(shù)據(jù)的訓(xùn)練。

步驟4：按照式（13）-（15）調(diào)整權(quán)重：

其中，θ是學(xué)習(xí)率參數(shù)。

步驟5：迭代執(zhí)行步驟（2）-（5），直到每一個(gè)訓(xùn)練向量滿足式（16）條件：

其中p=1，2…，a，l=1，2…，Q。{t1}表示每一層的輸出向量，ε是給定的誤差閾值。

最后，將測(cè)試數(shù)據(jù)集輸入訓(xùn)練好的BP神經(jīng)網(wǎng)絡(luò)，得到預(yù)測(cè)值。但是BP神經(jīng)網(wǎng)絡(luò)算法仍然存在四個(gè)缺點(diǎn)：容易陷入局部最優(yōu)解、收斂速度慢、需要經(jīng)驗(yàn)設(shè)置參數(shù)，以及受初始權(quán)重設(shè)置的影響。遺傳算法（Genetic Algorithm，GA）可以避免BP算法的缺點(diǎn)，它采用隨機(jī)游動(dòng)的全局搜索策略，在全體數(shù)據(jù)中并行搜索解空間，借助遺傳算法，可以對(duì)個(gè)體進(jìn)行濾波，而且遺傳算法不受函數(shù)可微性和連續(xù)性的限制。

5.3 混合GA-BP算法

為此，我們結(jié)合BP神經(jīng)網(wǎng)絡(luò)算法和遺傳算法的優(yōu)點(diǎn)，設(shè)計(jì)了混合GA-BP算法，流程如圖4所示。

6 實(shí)驗(yàn)與結(jié)論

我們?cè)贛公司兩類產(chǎn)品電纜和家用電器的實(shí)證訂單數(shù)據(jù)基礎(chǔ)上，應(yīng)用和比較MLR、BP和GA-BP算法，用訓(xùn)練數(shù)據(jù)集對(duì)BP神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，并利用測(cè)試數(shù)據(jù)集驗(yàn)證輸出的正確性。

6.1 MLR算法

使用訓(xùn)練數(shù)據(jù)集，我們得到了兩組β參數(shù)的估計(jì)值（見(jiàn)表4），MLR算法得到的電纜產(chǎn)品和家用電器產(chǎn)品的運(yùn)價(jià)預(yù)測(cè)曲線和實(shí)際報(bào)價(jià)曲線的比較圖如圖5、圖6所示。ε= 0.01.θ=0.1。BP神經(jīng)網(wǎng)絡(luò)算法得到的電纜產(chǎn)品和家用電器產(chǎn)品的運(yùn)價(jià)預(yù)測(cè)曲線和實(shí)際報(bào)價(jià)曲線的比較圖如圖7、圖8所示。

6.3混合GA-BP算法

如圖9所示，僅僅經(jīng)過(guò)50代，混合GA-BP算法的結(jié)果開(kāi)始收斂。

混合GA-BP算法得到的電纜產(chǎn)品和家用電器產(chǎn)品的運(yùn)價(jià)預(yù)測(cè)曲線和實(shí)際報(bào)價(jià)曲線的比較圖如圖10、圖11所示。

為了檢驗(yàn)混合GA-BP算法的性能，我們選擇家用電器行業(yè)的結(jié)果進(jìn)行比較，比較BP神經(jīng)網(wǎng)絡(luò)算法和混合GA-BP算法的迭代次數(shù)。設(shè)置誤差目標(biāo)為0.01，圖12給出了BP神經(jīng)網(wǎng)絡(luò)算法迭代300次的曲線，圖13給出了混合GA-BP算法迭代300次的曲線，通過(guò)比較兩條曲線，我們發(fā)現(xiàn)混合GA-BP算法收斂速度明顯比BP算法快，且最終誤差更小。因此，可以得出結(jié)論，GA-BP算法對(duì)于預(yù)測(cè)公路貨運(yùn)投標(biāo)價(jià)格具有更好的性能。

6.4 三種模型算法的比較

最后，表5、表6列出了三種模型算法對(duì)于電纜產(chǎn)品和家用電器的預(yù)測(cè)值與實(shí)際值的比較結(jié)果。從表中可見(jiàn)，對(duì)于三種模型算法應(yīng)用的測(cè)試數(shù)據(jù)集，混合GA-BP算法的平均誤差小于BP算法和MLR算法。因此，本文提出的混合GA-BP算法是一個(gè)更好的公路貨運(yùn)合同物流投標(biāo)報(bào)價(jià)模型。本文利用數(shù)據(jù)驅(qū)動(dòng)構(gòu)建報(bào)價(jià)決策模型為第三方物流公司帶來(lái)的啟示在于，歷史數(shù)據(jù)在公路貨運(yùn)合同物流的招標(biāo)報(bào)價(jià)決策中是有價(jià)值和有效的。