第２９卷第６期（下） ２０１３年６月 赤峰学院学报（自然科学版） Ｊｏｕｒｎａｌ ｏｆ Ｃｈｉｆｅｎｇ Ｕｎｉｖｅｒｓｉｔｙ（Ｎａｔｕｒａｌ Ｓｃｉｅｎｃｅ Ｅｄｉｔｉｏｎ） Ｖｏ１．２９Ｎｏ．６ Ｊｕｎ．２０１３
安徽省物流需求预测分析
邓 琪。尚嫒莉
（宿州学院经济管理学院，安徽宿州 ２３４０００）
摘要：本文首先对于影响安徽省货运总量的不同因素进行相关性分析，通过分析揭示安徽省物流需 求的构成和主要影响变量．其次通过多元回归时间序列模型对于未来三年的货运总量进行预测，为安徽省 下一步更好地调整物流网络布局和推进现代物流业发展提供必要的数据帮助． 关键词：物流需求；时间序列分析；预测 中图分类号：Ｆ２５２．２１ 文献标识码：Ａ 文章编号：１６７３—２６０Ｘ（２０１３）０６—００８９—０４
物流需求预测的方法有很多，包括时间序列 法、灰色预测模型、投入产出法以及组合预测等，但
是由于预测本身的特性以及预测方法的局限ｌ生，在
实际的预测中，预测结果往往不能够让人满意．因 此，如何能够综合考虑各种影响因素并站在宏观条 件的背景下，实现定量预测和定性预测的较好结
合，仍然是一个难题．
安徽省物流业处于发展的关键时期，近年来在
承接东部产业转移和中部发展战略崛起的背景下， 作为推动经济发展重要动力的物流业也面临新的
发展机遇和发展难题．结合区位特点的物流网络布 局、符合区域经济特色的物流业发展战略等问题都
是安徽省各地区物流行业发展的新课题，这些问题
的解决均需要依赖于物流需求结构和物流需求量
的确定，因此探索行之有效的方法对物流需求进行 预测，保证预测的准确性，对安徽物流业发展具有
重要的意义．
１ 安徽省物流需求与其他因素的相关性分析 １．１描述ｌ生统计分析和数据预处理
物流业是连接社会再生产过程中生产与消费 之间的桥梁，其发展与整个国民经济的发展有着十
分密切而又复杂的联系．为了揭示安徽物流业与经
所碍宪考查一２０１０＋－￣５３期（总第２３２５塑）
广西物流需求预测米
广西财经学院黄毅
域物流需求预测是区域物流发展政策、物流规划的 增加，公路汽车拥有量等指标。但是内生变量对物流需 ｌ 定量依据和决策前提，它为国家和地区物流经济主 求量的影响重要程度不一，需求对内生变量进行关联分
管部门制定未来物流发展的科学发展战略规划以及切实 析，以寻找出影响广西区域物流需求的最重要内生变量，
可行的市场开拓策略提供依据，近而为宏观产业经济政 从而为广西区域物流规划，特别是空间布局提供决策 策的制定提供参考。政府可以通过区域物流需求预测来 数据。
评估物流行业对当地经济发展的总体贡献，从而制定物 １．灰色关联的基本原理。灰关联分析，即系统的因
流行业发展政策，并引导物流市场资源的合ｙ￥￣ｒＪ用与优 素分析，主要分析系统中各因素之间的关联程度大小，用 化配置。此外，物流企业需根据对物流需求预测合理地 关联度度量。灰关联度算法如下：
配置有限的资源，以期最大限度降低投资风险和获得最 假设Ｘｏ＝（ 。（１），‰（２），…，‰（ｋ）…， 。（ｎ）），表示 大效益。因此，预测精度直接影响到决策的准确性。物 物流需求的系统特征时间序列，即由１７，年的区域物流需
流需求是一个外生变量，它受到如地区国民生产总值、三 求量构成的向量。
大产业的比重、区域居民消费水平、区域人口总数、交通Ｘｉ＝（ （１）， 。（２），一．，Ｘｉ（｜ｊ｝）…， （ｎ）），ｉ＝１，２，３… 运输从业人员及公路里程等内在因素的影响。但是这些 ｍ，表示第ｉ个内生变量的时间序列，即ｎ年的第ｉ个内生
内在因素在不同时期对物流需求影响程度不一，物流发 变量信息构成的向量。 展数量经济模型具有明显的时效性，需要分析内外因素 （１）求各序列的初值像，即无纲化处理，用每一序列
之间的关联。同时，它们之间相互作用的随机性和不确 的第一个数据除其余各数据所得的新序列： 定性非常明显，物流需求是一个“少数据，不完全信息”， 因此内外因素间具有典型的灰色特征，可以采用灰色理 （ ：（ ）， ：（２），…， ：（，１）），其中 ＝０，
2017年2月刊第5期当代经济
一、引言物流业是融合运输、仓储、货代、信息等产业的复合型服务业，是支撑国民经济发展的基础性、战略性产业。加快发展现代物流业，对于促进产业结构调整、转变发展方式、提高国民经济竞争力和建设生态文明具有重要意义。我国物流业起步比较晚，专业化、信息化、社会化程度均不高，物流供需失衡现象较为显著。为了促进我国物流业的健康发展，提高物流业发展的规模、水平与质量，本文结合我国目前物流需求现状，并建立向量自回归模型对未来三年物流需求进行科学预测，以期为决策者提供参考依据。二、变量的选择与数据说明当前对物流业需求研究大多在区域物流、物流效率评价等方面，物流需求指标尚没有形成规范的体系，物流业统计指标中货物周转量能够在一定程度上反映物流业的发展情况和物流需求的大小，所以本文选取我国物流货物周转量作为变量进行时间序列分析。本文使用Stata2014统计软件进行数据处理和统计建模分析。向量自回归模型主要研究的是一些经济系统的动态性特征，较长的时间序列数据包含的信息更加全面，会使样本外预测得更加准确。首先，我们从国家统计局网站上获取1978年至2016年我国年度货物周转量数据，并使用scatter命令描绘出散点图：如图所示，从1978年至2005年我国货物周转量逐年升高，并且增速很快，在2005年后任然呈现增长趋势，但增速放慢。这缘于我国物流业起步晚，在前期发展缓慢，随着经济的发展和互联网技术的进步，2005年后物流业发展速度迅速增长。本文力求对物流需求进行相对准确的预测，本文选择的预测方法是基于时间序列数据，考虑到VAR模型的短期预测能力较强，同时鉴于物流业的发展现状，我们选择2005至2016年的月度物流货物周转量数据进行预测，以保证贴近物流业的发展情况，提高预测的准确性。三、建立向量自回归模型向量自回归(VAR)模型是Sims在1980年首次提出来的，主要被应用于宏观经济学中一些具有相互关联的时间序列系统，当对模型施加一些随机扰动时，我们可以借助于此模型来观察时间变量系统受扰动影响的情况，而且观察的是动态的影响变化。在VAR模型之前学者们经常使用结构方程来进行预测，而此方法存在的最大的问题是方程组中的“决策规则”参数产生的问题，即使在正确的规则的基础上，如果经济政策一旦发生改变，那么参数还是无法保持其稳定性。而VAR模型则是建立在微观化的基础上的，对大部分经济变量之间存在的相互关系的要求也并不是特别高，所以VAR模型的预测结果往往精确度比较高。1、确定VAR模型阶数判断向量自回归模型的最优阶数是建立模型过程中的重要一步，为了全面反映模型的动态特征，就需要使滞后阶数足够大；但随着滞后阶数的增加，所估计的模型的参数也会随之增加，这将导致模型的自由度的减少。所以如何确定具体的滞后阶数非常关键。Stata提供了四种不同的信息准则，我们使用varsoc命令得到如下结果：表1显示本模型最多有4个滞后项，而且FPE、AIC、SBIC与HQIC四类信息准则所选择出来的滞后阶数完全一致。其中赤池信息量准则(简称AIC)即Akaikeinforma-tioncriterion，是衡量统计模型拟合优良性的一种标准。AIC可以权衡所估计模型的复杂度和此模型拟合数据的优良性。AIC鼓励数据拟合的优良性但是尽量避免出现过基于VAR模型的物流需求预测向涛（江汉大学商学院，湖北武汉430010）摘要：本文立足于物流业发展现状，基于2000年以来的物流业统计年鉴数据，建立向量自回归(VAR)模型，并基于该模型的预测方法对物流需求进行预测，从而为物流业的发展和政府的相关政策提供依据。关键词：物流业；需求预测；向量自回归；Stata
格式为Word版，下载可任意编辑
第 1 页 共 2 页 什么是物流需求预测
物流需求预测是根据物流市场过去和现在的需求状况以及影响物流市场需求变化的因素之间的关系，利用一定的经验判断、技术方法和预测模型，应用合适的科学方法对有关反映市场需求指标的变化以及发展的趋势进行预测。
精确的需求预测可以促进物流信息系统和生产设施能力的计划和协调。并且通过物流需求预测可以确定产品是如何向配送中心和仓库或者零售商进行分配的。为明确责任，衡量需求预测的效果，开展物流需求预测需要建立一套包括组织、程序、动机以及人事等方面的完善的预测的行政管理体制，以支持预测活动的顺利开展，在此基础上选择预测技术，实施预测过程并对其过程实行有效监控。[1]
物流需求预测的内容
1、对市场总潜力进行预测。
2、对企业经营地区市场潜力进行预测。
3、企业经营地区范围内社会购买力的发展趋势预测。
4、企业所生产和经营产品的需求趋势预测。
5、产品生命周期及新产品投入市场的成功率预测。
6、产品市场占有情况预测。
物流需求预测的一般步骤
1、确定需求性质 经预测的需求可以分为从属需求和独立需求。从属需求具有垂直顺序特征，如采购和制造情况，零部件的采购为了装配成制成品，此时零部件的需求取决于制成品的装配计划。水平从属需求是一种特别情况，需求的项目并非完成制造过程所需要，而有可能是完成营销过程所需要，如在每个装运项目中包括了附属物、促销项目或经营者手册等，那么对附属物的需求预测就取决于装运项目的计划。因此，对如零部件等的从属需求的预测可直接通过基本项目的需求估计来确定而无需分别进行预测。
独立需求预测则是两个项目的需求毫无关系，如对洗衣机的需求有可能对洗衣粉的需求无关，洗衣粉的预测对改善洗衣机预测将不起任何作用。这类项目主要包括大多数最终消费品和工业物资，必须单独预测。
2、确定预测目标
明确预测的目标是进行有效预测的前提。有了明确具体的预测目标，才能有的放矢的收集资料，否则就无法确定调查什么，向谁调查，更谈不上怎样进行预测。并且预测目标的确定应尽量明细化、数量化，以利于预测工作的顺利开展。
