删除或更新信息，请邮件至freekaoyan#163.com(#换成@)

基于RBF神经网络的物流业能源需求预测

本站小编 Free考研考试/2021-12-29
李瑞, 张悟移
昆明理工大学管理与经济学院,昆明 650093

Energy demand forecast in the logistics sector based on RBF neural networks

LIRui, ZHANGWuyi
Faculty of Management and Economics,Kunming University of Science and Technology,Kunming 650093,China
通讯作者:张悟移,E-mail:zhang20091018@qq.com
收稿日期:2015-09-8
修回日期:2015-11-23
网络出版日期:2016-03-25
版权声明:2016《资源科学》编辑部《资源科学》编辑部
基金资助:国家自然科学基金项目(71562023)
作者简介:
-->作者简介:李瑞,男,四川荣县人,硕士,研究方向为物流与供应链管理.E-mail:li09rui@163.com



展开

摘要
随着中国经济的快速发展,物流业需求快速增长,规模不断扩大,也带来了能源消耗的增长.研究中国物流业能源消费水平以及能源需求,有利于物流业节能工作的开展,缓解能源压力.本文选取了影响物流业能源需求的11个主要因素,基于径向基神经网络对2001-2012年间中国物流业能源需求相关数据进行模拟与仿真,在此基础上对2016年和2020年物流业能源需求量进行了预测,并分析了11个影响因素的重要性和测算了物流业的能源效率.研究结果表明:①2001-2012年间中国物流业能源消耗总量在不断增加,随着物流业的进一步发展,到2020年物流业能源消费总量将达到51261.92万t标准煤;②在解决物流业能源需求预测问题时,RBF神经网络比GM(1,1)预测模型,BP神经网络方法有更高的预测精度;③通过RBF神经网络变量重要性分析发现固定资产投资对物流业能源消费量的影响程度最大;④目前物流业能源效率明显低于全国能源效率,为节约能源,提高能源利用效率,物流业需要转变能源利用方式和发展模式.

关键词：物流业;能源需求预测;能源消费;能源效率;径向基神经网络
Abstract
As economy of China grows rapidly,the logistics sector,by the tremendous needs of the market,is developing quickly and the scale and energy consumption are exploding. Studying energy consumption and demand in the logistics sector is significant in the implementation of energy conservation and ease energy pressure. We screened 11 main factors affecting energy demand in the logistics sector,and then established a model of prediction and simulation of energy demand from 2001 to 2012 on the basis of the radial basis function (RBF)neural network whereby energy demand in the logistics sector from 2016 and 2020 is predicted. We propose some recommendations to improve energy consumption efficiency based on the independent variable important analysis and measure energy efficiency in the logistics sector. We found that total energy consumption of the logistics sector increased continuously from 2001 to 2012. With further development of China's logistics sector,energy demand will keep increasing for years to come and energy consumption will arrive at 51 261.92 million tons in 2020. Compared with a GM (1,1)model and back propagation (BP)neural network,the RBF neural network is better than both in terms of forecast accuracy for the logistics sector. The variable of investment in fixed assets has a deeper impact on energy consumption in the logistics sector than other variables. The energy intensity of the logistics sector is significantly higher than China's GDP,to save energy and improve energy consumption efficiency the logistics sector needs to change energy utilization and development modes.

Keywords：logistics sector;energy demand prediction;energy consumption;energy efficiency;radial basis function (RBF)neural network

-->0
PDF (883KB)元数据多维度评价相关文章收藏文章
本文引用格式导出EndNoteRisBibtex收藏本文-->
李瑞, 张悟移. 基于RBF神经网络的物流业能源需求预测[J]. , 2016, 38(3): 450-460 https://doi.org/10.18402/resci.2016.03.08
LI Rui, ZHANG Wuyi. Energy demand forecast in the logistics sector based on RBF neural networks[J]. 资源科学, 2016, 38(3): 450-460 https://doi.org/10.18402/resci.2016.03.08

1 引言

物流业作为新兴的生产性服务业,它连接着社会经济的各个产业部门,既是支撑国民经济发展的基础性产业,又是国民经济的新增长点.现代物流业的发展不仅可以降低社会物流成本,而且在中国经济发展步入"新常态"下,有利于促进产业结构调整,转变经济发展方式,增强国民经济竞争力.
物流业是中国能源消费的重要行业领域之一,特别是近年来物流业的快速发展,带动其能源消费量不断增加.在工业,农业,建筑业,商业和物流业五大行业中,物流业的能源消费量比重从1995年的6%上升至2007年的14%[1];据历年《中国能源统计年鉴》[2]测算,物流业能源消费量占全国能源消费总量的比重由2001年的7.24%上升至2012年的8.71%.因此,在能源安全,能源价格等问题不断突出和发展低碳经济背景下,对中国物流业的能源需求量进行预测,测算物流业的能源效率,既对中国物流业乃至全国的能源节约,提高能源效率,减少碳排放具有重要意义,又能对中国能源合理规划及政策制定提供有效地依据[3].
目前,国内外在物流业能源消费与需求预测,能源效率,能源节约方面的研究还较为少见.现有文献主要包括以下3方面:
(1)研究物流业能源需求预测问题.Anable等基于技术效率,生活方式,社会文化三个维度构建了运输能源需求预测模型[4].Forouzanfar等则使用两阶段遗传算法从人口,GDP,交通运输设备拥有量三方面构建了运输能源需求预测模型[5].张诚等利用灰色预测模型预测了物流业能源需求量[6].
(2)评估物流业能源效率问题.Halldorsson等指出当前物流和供应链绩效评价指标体系严重忽略能源消耗,能源效率指标问题[7],Zajac从能源输送,能源回收,能源损耗三个方面构建了物流仓储系统的能源消费指标评价体系[8].刘勇以及张立国等均利用DEA模型研究了中国物流业全要素能源效率问题[9,10].
(3)从可持续发展的视角出发探讨物流业的节能问题.Wu等和Halldorsson等从协调经济效益和环境效益视角出发,研究了供应链管理中的节能问题[11,12].Pudleiner等以及Lioyd等均以对温度有特殊要求的药品----疫苗为例,从零能耗的理念出发研究了疫苗仓库设施建设和运输过程中能源消费及节能问题[13,14].
由此可知,目前物流业能源消费,需求预测领域取得了研究成果,但仍存在一些不足:①现有文献尚未系统归纳和筛选物流业能源消费和需求的影响因素;②使用灰色预测模型对物流业能源需求量进行预测时仅考虑消费量单一因素,没有考虑其他影响因素.因此,针对中国物流业能源需求系统具有非线性且其受到多种因素的影响和制约等特征,本文采用Matlab软件的径向基(RBF)神经网络模型对中国物流业能源消费及需求进行模拟与仿真,对影响因素进行重要性分析以及测算物流业能源效率,以期增加中国物流业能源消费与需求,能源效率方面的研究成果,为能源管理者提供科学的决策支持.

2 研究方法与数据来源

2.1 研究方法

2.1.1 灰色关联分析
灰色关联分析能够根据系统因素的发展变化态势,衡量系统因素间的关联程度,有效避免回归分析该功能的缺陷[15],其计算步骤为[16]:
设若干年的物流业能源消费总量为原始数据,经过无量纲处理后生成一个参考数据列,记为公式(1):
X0=[X0(1),X0(2,?,X0(n)](1)
物流业能源需求量各影响因素指标数据,经过无量纲处理后生成比较数列集,记为公式(2):
Xi=[Xi1,Xi2,?,Xi(n)](i=1,2,?,m)(2)
则实数:
ξi(K)=miniminKX0(K)-Xi(K)+ρmaximaxKX0(K)-Xi(K)X0(K)-Xi(K)+ρmaximaxKX0(K)-Xi(K)(3)
称为 Xi对于 X0在第K点的关联系数.公式(3)中, ρ∈[0,1],通常取 ρ为0.5.
则物流业能源需求量各影响因素与能源消费总量间的关联度为公式(4):
γi=1n∑K=1nξi(K)(4)
式中 γi的值越大,则表示比较数列与参考数列间的关联程度就越大.
2.1.2 GM(1,1)预测模型简介
灰色预测模型GM(1,1)建立在灰色系统理论基础上,应用微分拟合法将系统中的各因素作为灰色数据进行处理,从而建立起预测模型,其表达公式为[17]:
X^1(t)=X0(1-uae-a(t-1)+ua(5)
式中 X01为物流业能源需求系统中各因素的原始数据; X^1(t)为物流业能源需求系统中各因素的原始数据的一次累加值;t为时间;a为发展灰数;u为内生控制灰数.
2.1.3 BP神经网络简介
误差反向传播(Back Propagation,BP)神经网络通过设计输入向量和输出向量,并预先给定网络中的连接权值和阀值来训练网络,最终得出预测模型,其计算步骤如下[18]:
(1)初始化网络中的连接权值,阀值;
(2)给定输入向量 X=(X1,X2,?,XN)和输出向量 Y=(y1,y2,?,yl);
(3)计算输入层,隐含层及输出层的输出;
(4)计算输入层至隐含层的修正权数 ΔWk,隐含层至输出层的修正权数 ΔWij,输出层各神经元的误差E;
(5)返回步骤(3),重复计算,直到输出层各神经元的误差E为最小为止.
2.1.4 RBF神经网络简介
径向基(Radial Basis Function,RBF)神经网络是一种性能良好的前向网络,具有学习速度快,非线性映射功能强的特点,并且它还具有极强的自适应性和泛化能力,不仅能够有效地处理输入样本自身之间的联系,而且还能处理与输入样本数据相似的数据,因此它可以通过学习历史数据,找到物流业能源消费各影响因素与能源需求量间的非线性映射关系.

2.2 物流业能源需求预测模型的建立

由于RBF神经网络能够找到物流业能源需求影响因素与需求量之间非线性关系,故本次研究使用RBF神经网络来构建物流业能源需求预测模型.具体步骤如下:
将产业增加值,固定资产投资,能源效率,R&D经费,授权专利数,交通运输设备拥有量,货运量,货物周转量,汽油,柴油,煤油,电力消费比例,从业人员数,社会消费品零售总额等11个主要影响因素的数据作为输入,分别用X1,X2,, et al.,X11表示;将能源消费总量作为输出,用Y表示,由此构造一个多输入,单输出的RBF神经网络物流业能源需求预测模型(见图1).
显示原图|下载原图ZIP|生成PPT
图1RBF神经网络基本结构
-->Figure 1The fundamental structure of the RBF neural network
-->

利用RBF神经网络进行预测的基本思想[19],将输入的各影响因素 XN,通过一个径向基激活函数 f(x)：R1→R1,映射到一个高维空间,并通过学习算法确定网络权向量 W=(W1,W2,?,WN)T∈Rn和阀值 θ∈R1,网络的输出模型可用线性方程表示,如公式(6)所示:
Yj=f(WXN-θ)=f∑n=1NWnXn-θ(6)
式中 Yj为输出层中第j个输出年份的输出值.
而RBF神经网络,通常选择高斯函数作为径向基激活函数,其表达式为:
f(x)=exp-xn-ci22σ2(7)
由此可得,RBF神经网络的输出,即物流业能源需求预测模型为:
Yj=∑i=1mωiexp-xn-ci22σ2(8)
式中 Yj为第j年的能源消费量; ωi为网络权值; ?为欧氏范数; σ为高斯函数的方差; xn为第n个训练年份的数据; ci为网络中隐含层节点的中心.

2.3 影响因素的分析与选取

物流业能源需求系统是个非线性复杂系统,分析中国物流业能源需求影响因素,必须根据其消费行为,综合考虑与之相关的经济,社会,技术等多种因素的影响,并充分考虑这些因素间存在的相互联系或相互制约的影响关系.结合物流业能源消费,需求领域的研究成果,并在分析2001-2012年间实际数据的基础上,遵循综合性,可比性,可获性原则,对中国物流业能源需求的主要影响因素进行了归纳和筛选:
(1)物流业增加值.由于经济发展水平制约着能源工业的发展水平,因此经济增长影响着能源消费.对于物流业的能源消费量而言,它直接受制于物流业的发展水平.本次研究使用物流业增加值来反映物流业的发展水平.根据表1可知,随着中国物流业的快速发展,2001-2012年间物流业增加值从6 870.3亿元增长到24 959.8亿元,年均增长率为11.35%.相应地,2001-2012年间物流业能源消费总量从10 363.00万t标准煤增长到31 524.71万t标准煤,年均增长率为9.71%.物流业能源消费量随着其产值的增加而增加,说明二者间存在正向影响关系.
Table 1
表1
表12001-2012年物流业能源影响因素及能源消费观察值
Table 1Influence factors and consumed number of energy in logistics sector from 2001 to 2012
年份产业
增加值
/亿元		固定资产投资
/亿元		能源效率
/(t标准煤/万元)		R&D
经费
/万元		授权
专利数
/件		交通运输
设备拥
有量/辆		货运量

/万t		货物
周转量
/亿tkm		汽油,柴油,煤油,电力
消费比例		从业
人员数
/万人		社会消费品零售总额
/亿元		消费总量
/万t
标准煤
20016 870.305 642.870.66399 4537 8298 433 4591 401 78647 7100.693 4593.7743 055.4010 363.00
20027 492.905 297.850.67120 5957 5378 885 9041 483 44750 6860.703 2576.9448 135.9011 171.00
20037 913.206 289.400.6179 3269 3869 363 5951 564 49253 8590.719 2573.0752 516.3012 818.80
20049 304.407 646.200.61615 1209 3099 777 5491 706 41269 4450.744 8565.0059 501.0015 104.00
200510 666.209 614.000.58011 4809 69810 406 3421 862 06680 2580.766 1443.3467 176.6018 391.01
200612 813.0012 138.100.63220 03011 84510 684 7492 037 06088 8400.760 0555.3176 410.0020 284.23
200714 601.0014 154.000.66531 48015 98611 374 6792 275 822101 4190.757 3560.6489 210.0021 959.18
200816 362.5017 024.400.71439 87317 84212 095 6642 585 937110 3000.790 8560.26114 830.1022 917.25
200916 727.1024 974.700.70646 05122 91414 463 5012 825 222122 1330.777 9609.46132 678.4023 691.84
201019 132.2030 074.500.73458 16234 19516 783 0963 241 807141 8370.782 0650.68156 998.4026 068.47
201122 432.8028 291.700.78634 30242 17218 707 1103 696 961159 3240.779 7637.88183 918.6028 535.50
201224 959.8031 444.900.79253 59559 54819 796 5134 099 400173 7710.790 1667.52210 307.0031 524.71

注:①产业增加值为每一年度中物流业的总产值扣除中间投入后的余额,如2001-2002年度物流业的产业增加值为2001年的物流业总产值扣除中间投入后的余额;②由于汽油,柴油,煤油,电力的统计单位存在差异性,因此该项统计结果是对这四类能源按照《中国能源统计年鉴》中各种能源折标准煤参考系数进行折算后得到的数据.
新窗口打开
(2)固定资产投资.根据表1可知,近年来,物流业固定资产投资总量快速增长,2001-2012年间物流业固定资产投资年均增长率为15.39%.特别是2009年物流业成为十大调整振兴产业中唯一的服务性产业后,中国开始注重物流园区,仓储等基础设施的建设,物流业固定资产投资总量快速增长,2009-2012年间年均增长5.93%.相应地,由于物流业基础设施的建设需要消费水泥,钢铁等高耗能材料,2009-2012年间物流业能源消费量年均增长率为7.40%.由此可知,物流业固定资产投资在拉动物流业发展的同时,还刺激着物流业能源消费的快速增长.
(3)能源效率.在既要保持经济增长,又要减少能源消费的发展目标下,能否有效提高能源效率就成为了影响能源消费水平的重要因素之一[20].就物流业而言,其能源效率受到多种因素的影响,如能源消费结构,运输设备量,技术进步等.在查阅相关文献的基础上认为,通过测算单位能源所创造的物流增加值可以反映出物流业的能源效率[6,21].
(4)技术进步((R&D)经费内部支出和授权专利数).技术进步有利于新能源,节能技术的开发和利用,从而影响能源消费需求的变化.近年来在物流业中开始应用许多新技术,如利用物联网,云计算等现代信息技术优化运输,配送路径,有效地减少了无效运输,进而减少了能源消费.由于技术进步水平难以量化,因此使用物流业研究与开发机构研究与试验发展(R&D)经费内部支出和授权专利数两项指标来反映技术进步.
(5)交通运输设备,货运量和货物周转量.根据表1可知,2001-2012年间,成品油的消费比例持续增长,其原因主要是物流业货物运输方式以公路运输为主,且中国从事物流运输的公路运输工具的动力来源几乎完全依赖于成品油.另一方面,中国物流车辆的空载率高达40%,车辆利用率低,导致能源无效消费过多[10].结合Forouzanfar等的研究[5],本文认为交通运输设备拥有量,货运量和货物周转量是影响物流运输能源消费量的重要因素.
(6)汽油,柴油,煤油,电力消费比例.近年来,中国物流业的快速发展不断增加着对能源的消费需求,根据2005年和2013年《中国能源统计年鉴》[2]的资料测算显示,2001-2012年间中国物流业对汽油,柴油,煤油,电力消费比例由2001年的69.34%增加到79.01%;2012年物流业汽油,柴油,煤油,电力消费量占物流业能源消费总量的比例分别为17.52%,49.58%,8.34%,3.57%,而清洁能源的消费比例却非常地低,如天然气仅占物流业能源消费总量的0.65%.由此可知,物流业的能源消费结构是不合理的,成品油在未来一段时间内仍将在物流业能源消费结构中占据主导地位.
(7)从业人员数.从研究产业技术效率方面的文献来看,Maudos等研究指出人力资本对产业技术效率有着积极的影响[22];从分析能源效率方面的文献来看,Chang等和Apergis等均指出劳动力对能源效率有较大的影响[23,24],特别地Chang等研究发现劳动力所掌握技能越高越有利于提升能源效率[23];从分析中国物流业能源效率方面的文献来看,刘勇和张立国等在测算物流业能源效率时,均将从业人员数作为投入变量[9,10].结合以上研究成果,本文选取物流业从业人员为影响因素之一.
(8)社会消费品零售总额.市场经济环境下,社会消费决定了社会物品的流通,中国消费需求的快速增长不断增加着对交通运输,仓储等物流服务的需求.这些物流服务活动的增加,势必会引起物流业能源消耗的变化,因此选取社会消费品零售总额为影响因素.
当然,除上述8个主要影响因素以外,还有其他因素,如国家宏观政策,能源价格等.由于以下原因未将其考虑在内:①难以将国家宏观政策对能源需求的影响进行量化,导致没有相关统计数据;②中国能源价格实行政府定价政策,波动性不大,并未能真正反映能源市场的供求关系,存在价格扭曲现象.

2.4 数据来源

目前,中国统计数据中还没有将物流业列为独立的统计类别,而根据《国民经济行业分类》(GB/T4754-2011)[25]中产业划分类别名称及说明可知,物流业的统计数据应包括"交通运输,仓储和邮政业"以及"批发和零售业"两部分.然而在历年的《中国能源统计年鉴》[2]里将"批发,零售业和住宿,餐饮业"列为了一个统计类别,因此从该统计年鉴中不能直接统计出物流业的能源消费量.
从能源消费份额来看,根据《中国能源统计年鉴》[2]的统计数据分析,2001-2012年"交通运输,仓储和邮政业"的能源消费在"交通运输,仓储和邮政业"与"批发和零售业和住宿,餐饮业"两部分能源消费的份额均占75%以上.从产业份额来看,根据《中国第三产业统计年鉴》[26]的统计数据分析,"交通运输,仓储和邮政业"在物流业中的份额达83%以上[10].从现有物流业领域的研究文献来看,几乎都是采用"交通运输,仓储和邮政业"的统计数据来替代物流业的统计数据.因此,本文也选取《中国能源统计年鉴》[2]中"交通运输,仓储和邮政业"能源消费数据作为中国物流业能源消费,需求预测的数据来源.
产业增加值,固定资产投资,货运量,货物周转量,从业人员数据均来源于历年《中国统计年鉴》[27]中"交通运输,仓储和邮政业"的统计数据.社会消费品零售总额的数据来源于《中国统计年鉴》[27].交通运输设备拥有量的数据来源于历年《中国统计年鉴》[27]中"铁路货车,载货汽车,民航飞机合计,民用运输船舶合计,私人运输船舶"的总量.R&D经费的数据来源于历年《中国科技统计年鉴》[28]中"交通运输,仓储和邮政业"的统计数据.授权专利数的数据来源于历年《中国科技统计年鉴》[28]国家知识产权局IPC主分类号为"B60:一般车辆,B61:铁路,B62:无轨陆用车辆,B63:船舶,船只,有关的设备,B65:输送;包装;贮存;搬运"的授权专利数总量.综上,得到物流业能源消费各影响因素及能源消费观察值,如表1所示.

3 结果及分析

3.1 数据预处理

由于已确定的各影响因素的量纲及其指标数据在数量上均存在差异,为得到更为准确的预测结果需要对各影响因素的原始数据进行无量纲化处理,即将所有指标数据转化到[0,1]之间.对各指标数据进行无量纲化处理:
指标属性值越大越优:
x=[xij-min(xj)]/[max(xj)-min(xj)](9)
指标属性值越小越优:
x=[max(xj)-xxj)]/[max(xj)-min(xj)](10)
式中x为某一指标数据 (xij)无量纲化处理后的结果; xij为第i个影响因素指标在第j年的实际值; max(xj)为第i个影响因素中值最大的是第j年的实际值; min(xj)为第i个影响因素中值最小的是第j年的实际值.

3.2 影响因素间关联度分析

对表1中的数据进行无量纲化处理后,将物流业能源消费总量与11个影响因素进行灰色关联分析,分析结果如表2所示.结果显示这11个影响因素与物流业能源消费总量间的关联度排序为X7?X8?X1?X6?X11?X9?X10?X2?X5?X3?X4.由于这11个关联度值均大于0.7,达到三级精度水平,因此本次研究中归纳和筛选的这11个因素与物流业能源需求量之间有很强的关联度,适用于物流业能源需求量预测.

3.3 RBF神经网络精度检验及误差分析

根据RBF神经网络模型的工作原理,应用Matlab2009b软件中的newrb工具箱,以产业增加值,固定资产投资等11个物流业能源需求影响因素作为输入样本,以能源消费总量作为输出样本.再根据数据的可获性,本文以2001-2010年间物流业能源消费数据(训练样本)进行模拟与仿真,经过反复试验,最终确定当隐含层中节点数,即公式(8)中 ci为8时,得到模型最佳训练误差值为2.472 86e-8,该误差几乎为0,说明网络的输出能很好地逼近非线性函数 Yj,即该RBF神经网络模型具有极好的拟合能力.为验证其有效性,选取2011年和2012年的物流业能源消费相关数据进行预测,其预测结果和仿真效果如表3,图2a所示.
为了进一步验证RBF神经网络预测方法的可行性和有效性,再运用GM(1,1)预测模型和BP神经网络两种方法进行仿真,并与RBF神经网络的仿真结果进行比较.GM(1,1)预测模型和BP神经网络仿真结果如表3,图2b,图2c所示.若模型得到的模拟值和实际值越相近,则模拟值曲线和实际值曲线的重合度就越高,由图2可知,RBF神经网络的仿真,预测效果最佳.
Table 2
表2
表2能源消费量与各影响因素的灰色关联度
Table 2Grey correlation degree of the energy consumption and influence factors
指标名称X1X2X3X4X5X6X7X8X9X10X11
关联度0.924 50.823 50.792 70.790 40.794 90.921 90.939 50.937 50.863 10.837 10.873 5


新窗口打开
Table 3
表3
表3不同方法物流业能源需求预测(万t标准煤)
Table 3Energy demand prediction of different forecasting model
实际值RBF神经网络预测值GM(1,1)
预测值		BP神经网络预测值
2011年28 535.5029 108.2530 979.8426 079.87
2012年31 524.7131 785.6534 238.0229 868.41


新窗口打开
显示原图|下载原图ZIP|生成PPT
图2三种预测方法仿真结果
-->Figure 2Simulation of three forecast methods
-->

采用平均绝对误差(MAE),误差均方根(RMSE)和平均绝对百分误差(MAPE)三项误差测算方法对三种预测方法的预测精度进行评价,它们的表达式为:
MAE=1t∑j=1tYj-Y^j(11)
RMSE=1t∑j=1t(Yj-Y^j)2(12)
MAPE=1t∑j=1tYj-Y^jYj×100%(13)
式中 Y^j为物流业实际能源消耗值; Yj为模拟值;t为训练样本与检测样本的总数.
经计算,三种预测方法的预测精度评价结果如表4所示.在三种预测方法中,RBF神经网络方法的平均绝对误差,误差均方根以及平均绝对百分误差值都是最小的,说明所建立的RBF神经网络模型比其他两种预测方法预测精度高,具有更强的推广能力价值.
Table 4
表4
表4不同预测方法的统计误差
Table 4Statistical error of different forecasting model
预测方法平均绝对误差(MAE)误差均方根(RMSE)平均绝对百分误差(MAPE)
RBF神经网络138.70480.470.85%
GM(1,1)1 257.644 356.585.83%
BP神经网络1 550.665 371.638.77%


新窗口打开
由于物流业乃至全国的能源需求基础很大,预测结果将直接影响能源产能的规划.若规划的能源过多,将出现供过于求的现象,造成能源资源没有充分利用;若规划的能源不足,将出现供不应求的现象,特别是,目前中国物流业的运输方式以公路运输为主,运输工具以货车,卡车等公路运输工具为主的情况下,能源的供应不足,将严重影响物流业的运转,造成国民经济的损失.结合图2和表3和表4可知,与GM(1,1)预测模型和BP神经网络相比,RBF神经网络预测精度更高,更加适合于物流业能源需求预测.因此,使用RBF神经网络来预测物流业能源需求量,具有更为直接的经济和社会意义.

3.4 RBF神经网络能源需求预测

应用已建立的RBF神经网络预测模型,对中国2016年和2020年物流业能源需求量进行预测,其预测结果分别为39 245.81万t标准煤和51 174.30万t标准煤.2012-2020年间,物流业能源消费总量年均增长率为5.53%,而到2020年中国能源需求总量约为418 320.00万t标准煤,其年均增长率仅为2.39%[29].未来几年内中国物流业能源需求量增速明显快于全国能源总需求量的增速,必将给中国能源供给系统造成巨大的压力.因此,为达到中国节能减排的目标,物流业将面临严峻的挑战.

3.5 基于RBF神经网络的变量重要性分析

明确各变量对物流业能源消耗量的影响程度,有利于找到减少物流业能源消耗量和提高其能源效率的关键因素.基于此,根据2001-2012年的历史数据,利用Spss19.0软件提供的RBF神经网络变量重要性分析模块,考察本文归纳和筛选的11个变量对于物流业能源消耗量的影响程度,分析结果如表5所示.
Table 5
表5
表5变量的重要性分析
Table 5Independent variable important analysis
变量名重要性标准化的重要性/%
固定资产投资(X2)0.179100.0
交通运输设备拥有量(X6)0.17597.8
货运量(X7)0.16089.4
社会消费品零售总额(X11)0.15486.0
货物周转量(X8)0.12268.2
产业增加值(X1)0.11463.7
汽油,柴油,煤油,电力消费比例
(X9)		0.08346.4
能源效率(X3)0.02514.0
R&D经费(X4)0.0021.1
授权专利数(X5)0.0021.1
从业人员数(X10)0.0021.1


新窗口打开
由表5可知,在选取的11个变量中,对物流业能源消耗影响程度最大的是固定资产投资,影响程度最小的是技术进步类因素(R & D经费内部支出,授权专利数)和从业人员数.

3.6 效率分析

据2014年《中国统计年鉴》[27]中国内生产总值以及交通运输,仓储和邮政业增加值的数据和《中国能源统计年鉴》[2](2005年,2013年)能源消耗总量以及交通运输,仓储和邮政业能源消耗总量的数据,测算出2001-2012年间中国单位能源所带来的GDP和物流业单位能源所带来的增加值,测算结果如表6所示.
Table 6
表6
表62001-2012年中国物流业能源效率
Table 6Energy efficiency of logistics sector from 2001 to 2012
年份物流业增加值
/亿元		物流业能源效率
/(t标煤/万元)		全国能源效率
/(t标煤/万元)		年份物流业增加值
/亿元		物流业能源效率
/(t标煤/万元)		全国能源效率
/(t标煤/万元)
20016 870.30.6630.766200714 601.00.6650.948
20027 492.90.6710.793200816 362.50.7141.078
20037 913.20.6170.776200916 727.10.7061.112
20049 304.40.6160.787201019 132.20.7341.236
200510 666.20.5800.784201122 432.80.7861.359
200612 183.00.6320.836201224 660.00.7921.434


新窗口打开
结合表1和表6可知,2001-2012年间中国物流业能源消耗总量不断增加,其单位能源所带来的物流业增加值明显低于中国单位能源所带来的经济产值,这说明中国物流产业能源效率低.另一方面,根据表1 可进一步测算出,2001-2012年间,物流业平均能源消费弹性系数为0.855,数值也说明在经济运行中物流业能源效率偏低,经济效益欠佳.此外,曹翠珍等研究发现当物流业发展水平处于较高层次时,其能源效率也将明显提高[30],而2001-2012年间,中国物流业能源效率出现了先降低后提高的U型变化态势,由2001年的0.663(t标煤/万元)提高到2012年的0.792(t标煤/万元),仅提高了19.46%,这一比例与同期全国能源效率提高了87.2%相比,物流业能源效率的提升效果不太明显,说明中国物流业发展速度相对缓慢,发展水平仍处于较低层次.因此,在未来几年内中国物流业能源需求量仍将持续增长且增速快的背景下,为提高物流业发展水平和能源利用效率,物流业发展模式需要向专业化,节约化,集约化方向发展,能源利用方式需要向绿色,循环,低碳方向发展.

4 结论与建议

4.1 结论

本文以物流业能源需求量为研究对象,以关联度分析,RBF神经网络,GM(1,1)预测模型和BP神经网络为研究方法,得到了以下结论:
(1)将11个影响物流业能源消费量的主要因素与物流业能源消费量进行关联度分析,结果表明这11个因素与物流业能源消费量的关联程度达到三级精度要求,适用于物流业能源需求量预测,其中货运量,货物周转量,产业增加值与物流业能源消费量的关联度是最强的,关联度分别为0.939 5,0.937 5,0.924 5.
(2)分别运用RBF神经网络方法,GM(1,1)预测模型和BP神经网络方法,建立物流业能源需求预测模型,选取2001-2012年物流业能源消费相关数据进行分析,研究结果表明:所运用的RBF神经网络方法,预测精度高,有助于为决策者提供有价值的参考信息,增强未来能源需求规划的合理性,从而促进中国经济的持续,快速,健康发展.在此基础上,利用建立的RBF神经网络模型,预测出中国2016年和2020年的物流业能源需求量分别为39 245.81万t标准煤和51 174.30万t标准煤,年均增长率达5.53%,而同期全国能源需求量的增速仅为2.39%.未来几年内中国物流业能源需求量增速明显快于全国能源总需求量的增速,必将给中国能源供给系统造成巨大的压力.
(3)通过RBF神经网络变量重要性分析发现固定资产投资对物流业能源消费量的影响程度最大,说明在经济运行中需要注重优化物流业固定资产投资结构.
(4)2001-2012年中国物流业能源效率出现了先降低后提高的U型变化态势,其能源效率仅提高了19.46%,这一比例与同期全国能源效率提高了87.2%相比,物流业能源效率的提升效果不太明显,说明中国物流业发展速度相对缓慢,发展水平仍处于较低层次.

4.2 建议

(1)优化物流业固定资产投资结构.①汽车行驶能耗与运输道路路况之间存在紧密的联系,良好的路况不仅可以节省汽车行驶能耗,而且还能延长汽车使用里程,因此应注重运输道路路况的改善,积极投资建设优质道路;②物流机械设备作为物流业的重要工具,为物流活动的顺利进行提供了支撑,应投入资金对物流机械设备进行更新换代,减少物流机械设备的能源消耗.
(2)依托技术创新,改进物流作业方法等措施不断提高能源利用效率.以科技进步为手段,积极研发和推广物流节能新技术,不断采用精益物流技术,绿色物流技术,变革物流与供应链管理中不合理的环节和流程,从而提高物流业的管理水平,为提高物流业能源效率提供必要的技术支撑.
(3)优化物流业能源消费结构,推广清洁能源.在物流业中要积极推广清洁能源,如充分开发和利用生物质能,风能,太阳能等可再生能源,逐步采用新能源运输工具,绿色仓储设施等物流设备,最大限度地提高物流业清洁能源消费比例,降低物流业对成品油等不可再生资源的消费需求.
(4)优化运输结构和交通运输工具,减少能源消耗.①运输方式决定了物流效率和能源消耗,因此需要合理配置各类运输方式,积极开展多式联运,提高铁路和水路运输比重,减少公路运输在物流运输中的比重,从而减少车辆燃油消耗;②在运输中应大力发展甩挂运输,共同配送等先进物流组织模式,减少返空,迂回运输,提高车辆能源利用效率;③加快淘汰高耗能车辆的步伐,鼓励发展新型,绿色环保车型,积极推广集装箱运输等现代化运输方式.以此最大限度地降低运输环节的能源消耗,提高能源利用效率.
(5)注重培养高素质的物流业从业人员.高素质的从业人员拥有更多的知识储备,能够更好和更快地掌握业务,新技术,有利于减少各操作环节的能源消耗.
(6)构建和创新低碳物流发展模式,争取从源头上节约能源消耗.中国现代物流走低碳化道路有利于促进物流业的发展,降低生产和流通成本,提升能源利用效率,有效减少碳排放量,为节能减排总目标的实现提供支持,促进社会经济的可持续发展.
The authors have declared that no competing interests exist.

参考文献 原文顺序
文献年度倒序
文中引用次数倒序
被引期刊影响因子

[1]陈诗一,严法善,吴若沉. 资本深化,生产率提高与中国二氧化碳排放变化-产业,区域,能源三维结构调整视角的因素分解分析
[J]. 财贸经济,2010,(12):111-119. [本文引用: 1]

[Chen S Y,Yan F S,Wu R C.Capital deepening,productivity promotion and CO2 emission in China
[J]. Finance & Trade Economics,2010,(12):111-119.] [本文引用: 1]
[2]国家统计局能源统计司. 中国能源统计年鉴(2001-2012)[M]. 北京:中国统计出版社,2002-2013. [本文引用: 6]

[Department of Energy Statistics,National Bureau of Statistics of the People's Republic of China. China Energy Statistical Yearbook (2001-2012)[M]. Beijing:China Statistics Press,2002-2013.] [本文引用: 6]
[3]王安建,王高尚,陈其慎,等. 能源与国家经济发展[M]. 北京:地质出版社,2008. [本文引用: 1]

[Wang A J,Wang G S,Chen Q S,et al.Energy and National Economic Development[M]. Beijing:Geological Publishing House,2008.] [本文引用: 1]
[4]Anable J,Brand C,Tran M,et al.Modelling transport energy demand:A socio-technical approach
[J]. Energy Policy,2012,41(4):125-138. [本文引用: 1]
[5]Forouzanfar M,Doustmohammadi A,Hasanzadeh S,et al.Transport energy demand forecast using multi-level genetic programming
[J]. Applied Energy,2012,91(1):496-503. [本文引用: 2]
[6]张诚,周安,张志坚. 基于灰色预测模型的物流低碳效应分析
[J]. 统计与决策,2014,(16):89-91. [本文引用: 2]

[Zhang C,Zhou A,Zhang Z J.Analysis of low carbon logistics effect based on the gray forecast model
[J]. Statistics and Decision,2014,(16):89-91.] [本文引用: 2]
[7]Halldorsson A,Kovacs G.The sustainable agenda and energy efficiency
[J]. International Journal of Physical Distribution & Logistics Management,2010,40(1-2):5-13. [本文引用: 1]
[8]Zajac P.The idea of the model of evaluation of logistics warehouse systems with taking their energy consumption under consideration
[J]. Archives of Civil and Mechanical Engineering,2011,11(2):479-492. [本文引用: 1]
[9]刘勇. 物流业全要素能源效率评价及其影响因素分析
[J]. 统计与决策,2014,(1):66-68. [本文引用: 2]

[Liu Y.Energy efficiency evaluation and its influencing factors in the logistics sector
[J]. Statistics and Decision,2014,(1):66-68.] [本文引用: 2]
[10]张立国,李东,龚爱清. 中国物流业全要素能源效率动态变动及区域差异分析
[J]. 资源科学,2015,37(4):754-763. [本文引用: 4]

[Zhang L G,Li D,Gong A Q.Dynamic changes in total factor energy efficiency and regional disparity in the logistics sector in China
[J]. Resources Science,2015,37(4):754-763.] [本文引用: 4]
[11]Wu Z,Pagell M.Balancing priorities:Decision-making in sustainable supply chain management
[J]. Journal of Operations Management,2011,29(6):577-590. [本文引用: 1]
[12]Halldorsson A,Svanberg M.Energy resources:Trajectories for supply chain management
[J]. Supply Management:An Inter-national Journal,2013,18(1):66-73. [本文引用: 1]
[13]Pudleiner D,Colton J.Using sensitivity analysis to improve the efficiency of a net-zero energy vaccine warehouse design
[J]. Building and Environment,2015,87:302-314. [本文引用: 1]
[14]Lioyd J,Mc Carney S,Ouhichi R,et al.Optimizing energy for a 'green' vaccine supply chain
[J]. Vaccine,2015,33(7):908-913. [本文引用: 1]
[15]邓聚龙. 社会经济灰色系统的理论与方法
[J]. 中国社会科学,1984,(6):47-60. [本文引用: 1]

[Deng J L.Grey system theory and method of social economy
[J]. Social Sciences in China,1984,(6):47-60.] [本文引用: 1]
[16]邓聚龙. 本征性灰色系统的主要方法
[J]. 系统工程理论与实践,1986,(1):60-65. [本文引用: 1]

[Deng J L.The main method of intrinsic gray system
[J]. System Engineering-Theory & Practice,1986,(1):60-65.] [本文引用: 1]
[17]陈飞. 灰色预测模型及应用
[J]. 教育经济研究,1998,19(4):33-34. [本文引用: 1]

[Chen F.Gray forecast model and application
[J]. Educ-ational Economy Research,1998,19(4):33-34.] [本文引用: 1]
[18]崔强,武春友,匡海波. BP-DEMATEL在空港竞争力影响因素识别中的应用
[J]. 系统工程理论与实践,2013,33(6):1471-1478. [本文引用: 1]

[Cui Q,Wu C Y,Kuang H B.Influencing factors research of airports competitiveness based BP-DEMATEL model
[J]. System Engineering -Theory & Practice,2013,33(6):1471-1478.] [本文引用: 1]
[19]刘冰,郭海霞. Matlab神经网络超级学习手册[M]. 北京:人民邮电出版社,2014. [本文引用: 1]

[Liu B,Guo H X.Neural Network Super Learning Manual Based on MATLAB [M]. Beijing:Post & Telecom Press,2014.] [本文引用: 1]
[20]Birol F,Keppler J H.Prices,technology development and the rebound effect
[J]. Energy Policy,2000,28(1-2):457-469. [本文引用: 1]
[21]刘龙政,潘照安. 中国物流产业碳排放驱动因素研究
[J]. 商业研究,2012,(7):189-196. [本文引用: 1]

[Liu L Z,Pan Z A.A study on the influence factors of carbon emissions in China's logistics industry
[J]. Commercial Research,2012,(7):189-196.] [本文引用: 1]
[22]Maudos J,Pastor J M,Serrano L.Total factor productivity measurement and human capital in OECD countries
[J]. Economics Letters,1999,63(1):39-44. [本文引用: 1]
[23]Chang T,Hu J L.Total factor energy productivity growth,tech-nical progress,and efficiency change:An empirical study of China
[J]. Applied Energy,2010,87(10):3262-3270. [本文引用: 2]
[24]Apergis N,Aye G C,Barros C P,et al.Energy efficiency of selected OECD countries:A slacks based model with undesirable outputs
[J]. Energy Economics,2015,51(9):45-53. [本文引用: 1]
[25]中华人民共和国国家统计局. 国民经济行业分类(GB/T4754-2011)
[EB/OL].(2013-10-23)[2015-09-08]. .URL [本文引用: 1]

[National Bureau of Statistics of the People's Republic of China. Standard Industrial Classification of all Economic Activities(GB/T4754-2011)
[EB/OL].(2013-10-23)[2015-09-08]. .]URL [本文引用: 1]
[26]中华人民共和国国家统计局. 中国第三产业统计年鉴(2006-2012)[M]. 北京:中国统计出版社,2007-2013. [本文引用: 1]

[National Bureau of Statistics of the People's Republic of China. China Statistical Yearbook of the Tertiary Industry (2006-2012)[M]. Beijing:China Statistics Press,2007-2013.] [本文引用: 1]
[27]中华人民共和国国家统计局. 中国统计年鉴(2001-2012)[M]. 北京:中国统计出版社,2002-2013. [本文引用: 4]

[National Bureau of Statistics of the People's Republic of China. China Statistical Yearbook (2001-2012)[M]. Beijing:China Statistics Press,2002-2013.] [本文引用: 4]
[28]国家统计局,科学技术部. 中国科技统计年鉴(2001-2012)[M]. 北京:中国统计出版社,2002-2013. [本文引用: 2]

[National Bureau of Statistics,Ministry of Science and Technology of the People's Republic of China. China Statistical Yearbook on Science and Technology (2001-2012)[M]. Beijing:China Statistics Press,2002-2013.] [本文引用: 2]
[29]孙涵,杨普容,成金华. 基于Matlab支持向量回归机的能源需求预测模型
[J]. 系统工程理论与实践,2011,31(10):2001-2007. [本文引用: 1]

[Sun H,Yang P R,Cheng J H.Forecasting model of energy demand based on Matlab support vector regression
[J]. System Engineering -Theory & Practice,2011,31(10):2001-2007.] [本文引用: 1]
[30]曹翠珍,赵国浩. 区域物流发展,经济增长与能源消费-基于中国省际面板数据的实证研究分析
[J]. 财贸研究,2015,(2):44-52. [本文引用: 1]

[Cao C Z,Zhao G H.Regional logistics development,economic growth and energy consumption:Provincial panel data analysis in China
[J]. Finance and Trade Research,2015,(2):44-52.] [本文引用: 1]
相关话题/能源 数据 统计 物流 系统

Free考研考试FreeKaoYan.Com
欢迎来到Free考研考试，"为实现人生的Free而奋斗"

© 2020 FreeKaoYan! . All rights reserved.