陳春妮 付可

摘 要：目前AGV是廣東省物流倉(cāng)儲(chǔ)系統(tǒng)正常運(yùn)作，并實(shí)現(xiàn)柔性化作業(yè)必不可少的運(yùn)輸裝置。AGV作為一種倉(cāng)儲(chǔ)系統(tǒng)運(yùn)作日用品，其數(shù)量在時(shí)空范圍內(nèi)如若不能根據(jù)時(shí)間等不可控因素做相應(yīng)變動(dòng)，則必然影響物流企業(yè)的正常運(yùn)作。此次研究在獲取了2010—2020年廣東省627家已購(gòu)置AGV的物流公司所在地位置、經(jīng)濟(jì)實(shí)力、人流量及公司本身業(yè)務(wù)量等數(shù)據(jù)進(jìn)行冷熱點(diǎn)分析、地理加權(quán)回歸分析。分析上述四種因素對(duì)物流企業(yè)AGV數(shù)量設(shè)置的空間影響。最后使用神經(jīng)網(wǎng)絡(luò)算法模型進(jìn)行未來1個(gè)月內(nèi)的AGV數(shù)量預(yù)測(cè)。最終發(fā)現(xiàn)AGV的設(shè)置與企業(yè)所處地理位置呈正相關(guān)，并且在日后1個(gè)月內(nèi)AGV的數(shù)量呈上升趨勢(shì)，本次研究對(duì)廣東省各物流企業(yè)AGV空間設(shè)置情況及數(shù)量預(yù)測(cè)具有重要的應(yīng)用價(jià)值。

關(guān)鍵詞：廣東省;AGV;地理加權(quán)回歸;神經(jīng)網(wǎng)絡(luò)算法

本文索引：陳春妮，付可.<變量 2>[J].中國(guó)商論，2021（15）：-129.

中圖分類號(hào)：F259.27 文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：2096-0298（2021）08（a）--04

AGV（automatic guided vehicle）是指裝有電磁或光學(xué)自動(dòng)導(dǎo)向裝置，能沿規(guī)定的導(dǎo)向路徑行駛，并具有安全保護(hù)和各種負(fù)載轉(zhuǎn)移功能的運(yùn)輸車輛。張辰貝西等（2010）認(rèn)為：AGV具備靈活性與智能化的顯著特點(diǎn)，在生產(chǎn)過程中可以方便地對(duì)系統(tǒng)進(jìn)行重組，實(shí)現(xiàn)柔性運(yùn)輸。與傳統(tǒng)的手動(dòng)或半手動(dòng)物料輸送方式相比，AGV系統(tǒng)減輕了勞動(dòng)強(qiáng)度，降低了風(fēng)險(xiǎn)，提高了生產(chǎn)效率，在各行各業(yè)中發(fā)揮著重要的作用[1]。蒲寶山等（2020）指出，隨著AGV的發(fā)展，AGV被廣泛地應(yīng)用，解決了物流倉(cāng)儲(chǔ)行業(yè)生產(chǎn)過程中會(huì)產(chǎn)生的勞動(dòng)力不足、效率低、不夠精準(zhǔn)等問題[2]。朱世平（2005）指出，物流的現(xiàn)代化和社會(huì)化程度相對(duì)高，但信息技術(shù)在物流領(lǐng)域的社會(huì)化應(yīng)用程度較低，大多數(shù)物流企業(yè)都是國(guó)有儲(chǔ)運(yùn)企業(yè)、倉(cāng)儲(chǔ)設(shè)備等，許多物流企業(yè)中，小企業(yè)能夠適應(yīng)現(xiàn)代物流發(fā)展的需要[3]。袁永娟（2010）指出：廣東物流業(yè)是國(guó)民經(jīng)濟(jì)發(fā)展的“瓶頸”，是流通現(xiàn)代化的主要障礙之一。國(guó)家有關(guān)部門重視現(xiàn)代物流，物流體系發(fā)展系統(tǒng)基礎(chǔ)設(shè)施條件良好，現(xiàn)代綜合運(yùn)輸體系比較完善，供應(yīng)基礎(chǔ)充足[4]。郭笛等（2020）指出：利用機(jī)器人來“貨到人”提貨越來越受到重視，在機(jī)器人作業(yè)過程中，機(jī)器人數(shù)量過多導(dǎo)致作業(yè)成本增加，等待時(shí)間長(zhǎng)，揀選效率低，這是智能倉(cāng)庫(kù)發(fā)展的重要因素之一[5]。魏輝（2019）指出，神經(jīng)網(wǎng)絡(luò)算法在理論和性能上已經(jīng)成熟，其優(yōu)點(diǎn)是具有較強(qiáng)的非線性映射能力，網(wǎng)絡(luò)結(jié)構(gòu)靈活，中間層數(shù)和每層神經(jīng)元數(shù)可根據(jù)實(shí)際情況任意設(shè)置。港口物流需求預(yù)測(cè)在一定程度上取決于港口城市的發(fā)展和后方經(jīng)濟(jì)的發(fā)展。它們之間有很強(qiáng)的相關(guān)性，但不一定是線性相關(guān)?？梢允褂蒙窠?jīng)網(wǎng)絡(luò)算法解決這些復(fù)雜問題。在分析神經(jīng)網(wǎng)絡(luò)算法模型的基礎(chǔ)上，建立了科學(xué)可行的物流需求預(yù)測(cè)模型[6]。地理加權(quán)回歸模型擴(kuò)展了傳統(tǒng)的回歸框架，允許局部而非全局的參數(shù)估計(jì)。假設(shè)回歸系數(shù)是線性回歸模型中觀測(cè)點(diǎn)的位置函數(shù)，將數(shù)據(jù)的空間特征整合到模型中，為回歸關(guān)系的空間特征分析創(chuàng)造條件[7]。因此本文利用神經(jīng)網(wǎng)絡(luò)算法、地理加權(quán)回歸分析模型、冷暖點(diǎn)分析等方式對(duì)廣東省AGV購(gòu)置情況進(jìn)行空間分析與數(shù)量預(yù)測(cè)。

1 數(shù)據(jù)來源與研究范圍

1.1 數(shù)據(jù)來源

共計(jì)獲取了629家廣東省已購(gòu)置AGV的物流企業(yè)包括著名的民辦物流園區(qū)及倉(cāng)儲(chǔ)型物流公司等節(jié)點(diǎn)數(shù)據(jù)及其對(duì)應(yīng)的貨運(yùn)量。并且在《2019年廣東省統(tǒng)計(jì)年鑒》上獲得了廣東省54個(gè)市轄區(qū)在2018年的人均收入水平數(shù)據(jù)進(jìn)行與物流企業(yè)所處地的GDP匹配。除此之外，還獲取了第六次人口普查的廣東省各區(qū)域人口數(shù)據(jù)進(jìn)行相應(yīng)的數(shù)據(jù)匹配。

1.2 研究范圍

所涉及的區(qū)域包括廣州市白云區(qū)、從化區(qū)、番禺區(qū)、海珠區(qū)、花都區(qū)、黃埔區(qū)、荔灣區(qū)、南沙區(qū)、天河區(qū)、越秀區(qū)、增城區(qū)。東莞市常平鎮(zhèn)、大朗鎮(zhèn)、大嶺山、東坑鎮(zhèn)、東英街等22個(gè)區(qū)域及鄉(xiāng)鎮(zhèn)。佛山市禪城區(qū)、南海區(qū)、三水區(qū)、順德區(qū)4個(gè)區(qū)域。深圳市寶安區(qū)、禪城區(qū)、福田區(qū)、龍崗區(qū)、龍華區(qū)、羅湖區(qū)、南海區(qū)、南山區(qū)、坪山區(qū)、三水區(qū)、順德區(qū)、鹽田區(qū)。所屬市級(jí)區(qū)域范圍包括潮州、河源、惠州、江門、揭陽(yáng)、茂名、梅州、清遠(yuǎn)、汕頭、汕尾、韶關(guān)、陽(yáng)江、云浮、湛江、肇慶、中山、珠海。

2 算法介紹

2.1 冷熱點(diǎn)分析

冷熱點(diǎn)分析法即在統(tǒng)計(jì)一組加權(quán)數(shù)據(jù)時(shí)進(jìn)行冷點(diǎn)和熱點(diǎn)的聚類分析。根據(jù)多重測(cè)試和空間依賴性進(jìn)行結(jié)果的調(diào)整。Arcgis使用z得分、p值和置信區(qū)間（Gi_Bin）為輸入要素類中的每個(gè)要素創(chuàng)建出一個(gè)新的輸出要素類。如果要素的z得分高且p值小，則表示有一個(gè)高值的空間聚類。如果z得分低并為負(fù)數(shù)且p值小，則表示有一個(gè)低值的空間聚類。z得分越高（或越低），聚類程度就越大。如果z得分接近于零，則表示不存在明顯的空間聚類。

2.2 地理加權(quán)回歸分析

在地理空間分析中，n組觀測(cè)數(shù)據(jù)通常是在n個(gè)不同地理位置上獲取的樣本數(shù)據(jù)，全局空間回歸模型就是假定回歸參數(shù)與樣本數(shù)據(jù)的地理位置無關(guān)，或者說在整個(gè)空間研究區(qū)域內(nèi)保持穩(wěn)定一致，那么在n個(gè)不同地理位置上獲取的樣本數(shù)據(jù)，就等同于在同一地理位置上獲取的n個(gè)樣本數(shù)據(jù)，其回歸模型與最小二乘法回歸模型相同，采用最小二乘法估計(jì)得到的回歸參數(shù)既是該點(diǎn)的最優(yōu)無偏估計(jì)，也是研究區(qū)域內(nèi)所有點(diǎn)上的最優(yōu)無偏估計(jì)。

2.3 神經(jīng)網(wǎng)絡(luò)算法

神經(jīng)網(wǎng)絡(luò)算法是以多數(shù)的簡(jiǎn)單基本元件相互連接而成的自適應(yīng)非線性動(dòng)態(tài)系統(tǒng)。這給神經(jīng)網(wǎng)絡(luò)的各連接權(quán)值賦予在（0，1）區(qū)間內(nèi)的隨機(jī)性值，將“A”所對(duì)應(yīng)的圖像模式輸入給神經(jīng)網(wǎng)絡(luò)，神經(jīng)網(wǎng)絡(luò)將輸入模式加權(quán)求和、限制比較，再進(jìn)行非線性運(yùn)算，得到神經(jīng)網(wǎng)絡(luò)的輸出。在此情況下，神經(jīng)網(wǎng)絡(luò)輸出為“1”和“0”的概率各為50%，這是完全隨機(jī)的。但如果輸出為“1”，這為正確值，則使連接權(quán)值增大，這使得神經(jīng)網(wǎng)絡(luò)再次遇到“A”模式輸入時(shí)，仍然能作出正確的判斷。

如果輸出為“0”，這是錯(cuò)誤的結(jié)果，進(jìn)而把神經(jīng)網(wǎng)絡(luò)連接權(quán)值朝著減小綜合輸入加權(quán)值的方向調(diào)整，其目的在于使神經(jīng)網(wǎng)絡(luò)下次再遇到“A”模式輸入時(shí)，減少犯同樣錯(cuò)誤的可能性。如此操作調(diào)整，當(dāng)給神經(jīng)網(wǎng)絡(luò)逐次輸入若干個(gè)手寫字母“A”“B”后，將這兩個(gè)模式分布地記憶在神經(jīng)網(wǎng)絡(luò)的各個(gè)連接權(quán)值上。

3 廣東省AGV購(gòu)置情況空間分析

3.1 廣東省AGV購(gòu)置情況影響與關(guān)聯(lián)

本次研究使用冷熱點(diǎn)分析（圖1）探究廣東省AGV購(gòu)置情況影響與關(guān)聯(lián)。經(jīng)過研究發(fā)現(xiàn)，在廣東省中部沿海地區(qū)（東莞市、順德縣、增城市、深圳市……）的電商物流中心的AGV購(gòu)置數(shù)量較多（表1）。其原因?yàn)椋褐胁垦睾５貐^(qū)的東莞市、順德縣、增城市、深圳市等城市的人口較為密集，經(jīng)濟(jì)水平也居于廣東省各地區(qū)的前列，國(guó)民生產(chǎn)總值較高，交通運(yùn)輸網(wǎng)絡(luò)系統(tǒng)更為完善，其中，東莞市又位居最高，因東莞市生產(chǎn)企業(yè)居多，經(jīng)過數(shù)據(jù)的整理和統(tǒng)計(jì)得出，東莞市的倉(cāng)儲(chǔ)用地面積及其生產(chǎn)廠房面積占據(jù)比例最大，因而會(huì)大量引進(jìn)AGV協(xié)助各物流中心的日常運(yùn)作，全面提高自動(dòng)化效率、降低人工成本，降低人為操控作業(yè)的失誤和風(fēng)險(xiǎn)。在各電商物流中心，合理規(guī)劃AGV的數(shù)量與其運(yùn)行的路線，全面完善智能物流體系，促進(jìn)該地區(qū)的發(fā)展。進(jìn)一步觀察圖1可知，在白色階層中，包含廣州市，清遠(yuǎn)市中的清新縣，佛岡縣，英德市等地區(qū)，這幾個(gè)地區(qū)的AGV數(shù)量在整個(gè)廣東省冷熱點(diǎn)分析區(qū)塊中位居第二。造成該現(xiàn)象有以下兩個(gè)因素，關(guān)于廣州市的AGV數(shù)量，廣州市經(jīng)濟(jì)發(fā)展繁榮，可屬于地少人多的地區(qū)，因此，在廣州市內(nèi)電商物流中心的數(shù)量較少，因而AGV的數(shù)量也隨著電商物流中心的數(shù)量而變化，其中，廣州市人口密度高，物流需求大，在該因素的驅(qū)動(dòng)下，眾多物流企業(yè)采用立體化倉(cāng)庫(kù)、云倉(cāng)庫(kù)等方式提高倉(cāng)儲(chǔ)用地的利用率，發(fā)揮最大化，同時(shí)形成了物流中心的數(shù)量規(guī)模小而少，可其用地利用率較高，這是AGV的數(shù)量在此地區(qū)具有較高比例的重要影響因素。關(guān)于廣東省其他地區(qū)的電商物流中心AGV數(shù)量的分析，更多的影響因素顯而易見，為地形、人口密度及經(jīng)濟(jì)發(fā)展水平。

3.2 廣東省AGV購(gòu)置情況空間結(jié)構(gòu)特征

本次研究以廣東省各省份為單位進(jìn)行地理加權(quán)回歸分析，經(jīng)過分析可知，與冷熱點(diǎn)分析的結(jié)果一樣，在廣東省的中部沿海地區(qū)的AGV購(gòu)置情況較為良好。根據(jù)地理加權(quán)回歸分析圖表可知，其空間結(jié)構(gòu)呈現(xiàn)以中部沿海地區(qū)為中心，向左右兩旁擴(kuò)散的趨勢(shì)。并且在中部地區(qū)的城市呈現(xiàn)向沿海城市不斷延伸的趨勢(shì)。

4 廣東省AGV購(gòu)置數(shù)量時(shí)空預(yù)測(cè)

本團(tuán)隊(duì)在matlab軟件的輔助下，使用BP神經(jīng)網(wǎng)絡(luò)算法制作了AGV購(gòu)置數(shù)量在時(shí)間范圍內(nèi)的預(yù)測(cè)分析。以2020年9月獲取的廣東省電商物流中心AGV設(shè)置數(shù)量為基礎(chǔ)，進(jìn)行2021年1月AGV設(shè)置數(shù)量預(yù)測(cè)，具體結(jié)果如表3所示。

根據(jù)表3可以得出，在廣州市東莞市設(shè)置的數(shù)量比其他廣東省內(nèi)地區(qū)要高出許多，數(shù)量預(yù)測(cè)達(dá)到1000以上，再次為佛山市，數(shù)量預(yù)測(cè)為718臺(tái)，這是結(jié)合了各地區(qū)的人口數(shù)量、貨運(yùn)量，以及選取了2020年9月已配置的AGV數(shù)量進(jìn)行BP神經(jīng)網(wǎng)絡(luò)算法分析得出的結(jié)果，具有一定的說服性。

5 結(jié)語(yǔ)

本團(tuán)隊(duì)通過搜集整理了2010—2020年內(nèi)廣東省627家已購(gòu)置AGV的物流公司所在地位置、經(jīng)濟(jì)實(shí)力、人流量及公司本身業(yè)務(wù)量數(shù)據(jù)，結(jié)合AGV的購(gòu)買數(shù)量及其空間特征進(jìn)行冷熱點(diǎn)分析、地理加權(quán)回歸分析，得出了東莞市、深圳市等地區(qū)的電商物流中心數(shù)量較多，與其AGV的現(xiàn)今擁有量最多等結(jié)論。再進(jìn)一步分析上述四種因素，對(duì)物流企業(yè)AGV數(shù)量設(shè)置的空間影響分析，最后使用神經(jīng)網(wǎng)絡(luò)算法模型進(jìn)行未來1個(gè)月內(nèi)的AGV數(shù)量預(yù)測(cè)。發(fā)現(xiàn)AGV的設(shè)置與企業(yè)所處地理位置、人口密度、貨運(yùn)量等因素呈正相關(guān)，并且預(yù)測(cè)出在日后1個(gè)月AGV的數(shù)量呈上升趨勢(shì)，其中廣州市和東莞市的AGV數(shù)量上升最為明顯，其次為佛山市。本次研究對(duì)廣東省各物流企業(yè)AGV空間設(shè)置情況及數(shù)量預(yù)測(cè)具有重要的應(yīng)用價(jià)值。

參考文獻(xiàn)

張辰貝西，黃志球.自動(dòng)導(dǎo)航車（AGV）發(fā)展綜述[J].中國(guó)制造業(yè)信息化，2010，39（01）：53-59.

蒲寶山，陳永快，王濤，等.自動(dòng)導(dǎo)航車技術(shù)發(fā)展?fàn)顩r及在農(nóng)業(yè)領(lǐng)域的應(yīng)用及前景展望[J].江蘇農(nóng)業(yè)科學(xué)，2020，48（01）：61-65.

朱世平.中國(guó)物流業(yè)發(fā)展特征分析[J].財(cái)貿(mào)經(jīng)濟(jì)，2005（02）：82-84.

袁永娟.廣東物流業(yè)的現(xiàn)狀、存在的問題與發(fā)展對(duì)策[J].中國(guó)城市經(jīng)濟(jì)，2010（05）：235-236.

郭笛，謝旦嵐，紀(jì)媛.多重約束下智慧倉(cāng)儲(chǔ)機(jī)器人配置仿真優(yōu)化研究[J/OL].系統(tǒng)仿真學(xué)報(bào)：1-7[2020-10-03].

魏輝.基于BP神經(jīng)網(wǎng)絡(luò)的港口物流需求預(yù)測(cè)[J].決策探索（中），2019（09）：86-88.

陳文新，劉冬，孫善祥.我國(guó)區(qū)域物流發(fā)展時(shí)空差異及收斂性研究——基于地理加權(quán)空間計(jì)量模型的實(shí)證分析[J].工業(yè)技術(shù)經(jīng)濟(jì)，2016（35）：144-149.

Spatial Analysis and Quantity Forecast of AGV Purchase in Guangdong Province

School of Economics and Management， Guangxi University of Science and Technology

CHEN Chunni? FU Ke

Abstract： At present， AGV is an indispensable transportation device for the normal operation of the logistics warehousing system in Guangdong Province and the realization of flexible operations. As a necessity for the operation of the storage system， if the quantity of AGV can not be changed according to time and other uncontrollable factors， it will inevitably affect the normal operation of logistics enterprises. Based on the data of the location， economic strength， flow of people， and business volume of 627 logistics companies that have purchased AGVs in Guangdong Province from 2010 to 2020， this research conducted cold and hot spot analysis and geographic weighted regression analysis. Second， analyze the spatial impact of the above four factors on the number of AGVs in logistics companies. Finally， the neural network algorithm model is used to predict the number of AGVs in the next month. It was found that the setting of AGV was positively correlated with the geographic location of the company， and the number of AGVs showed an upward trend within one month. This research has important application value for the space setting and quantity forecast of AGV of logistics enterprises in Guangdong Province.

Keywords： Guangdong Province; AGV; geographically weighted regression; neural network algorithm