(河北工程大学 管理科学与工程 阮俊虎）
物流需求是指一定时期内社会经济活动对生产、流通、消费领域的原材料、半成品和成品、商品以及废旧物品、废旧材料等的配置作用而产生的对物在空间、时间和费用方面的要求，涉及运输、库存、包装、装卸搬运、流通加工以及与之相关的信息需求等物流活动的诸方面[1]。物流需求的度量可以采用价值量和实物量两种度量体系。实物量意义上的物流需求主要表现为不同环节和功能的具体作业量，如货运量、库存量、加工量、配送量等；价值量意义上的物流需求是所有物流环节全部服务价值构成的综合反映，如物流成本、物流收入、供应链增值等
[2]。
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，利用一定的判断、技术方法和模型，对物流需求的变化及发展趋势进行预测。国内外许多专家和学者都对物流需求的预测进行了研究，提出不同的预测方法和手段。物流预测方法可以分为定性预测方法（如德尔菲法和业务人员评估法等）和定量预测方法，但多数是定量预测方法，因此，本文主要是对国内物流需求定量预测方法进行综述，归为时间序列预测方法、因果关系预测方法、组合预测方法等三类。
1． 时间序列预测方法综述
时间序列预测方法是依据从历史数据组成的时间序列中找出预测对象的发展变化规律，以此作为预测依据。常用的时间序列预测模型有增长率法、移动平均法、指数平滑法、随机时间序列模型、灰色模型、以及在经济领域已经被广泛应用的混沌与分形等。
增长率法指根据预测对象在过去的统计期内的平均增长率，类推未来某期预测值的一种简便算法。该预测方法一般用于增长率变化不大，或预计过去的增长
[3]趋势在预测期内仍将继续的场合。刘劲等（2002）在利用增长率系数法对百色
地区港口货运量进行了逐一分析。
移动平均法是用一组最近的实际数据值来预测未来一期或几期内产品的需求量的一种常用方法。当产品需求既不快速增长也不快速下降，且不存在季节性因素时，移动平均法能有效地消除预测中的随机波动。根据预测时使用的各元素的权重不同，移动平均法可以分为：简单移动平均和加权移动平均。杨荣英等[4]（2001）在讨论移动平均值的基础上，提出了移动平均线方法，并介绍了运用移动平均线进行物流预测的方法。李海建等[5]（2003）利用二次移动平均线模型对芜湖市物流业发展的规模进行了预测。
指数平滑法是在移动平均法基础上发展起来的一种时间序列分析预测法，它是通过计算指数平滑值，配合一定的时间序列预测模型对现象的未来进行预测。其原理是任一期的指数平滑值都是本期实际观察值与前一期指数平滑值的加权平均。移动平均法则不考虑较远期的数据，并在加权移动平均法中给予近期资料更大的权重；而指数平滑法则兼容了全期平均和移动平均所长，不舍弃过去的数据，但是仅给予逐渐减弱的影响程度，即随着数据的远离，赋予逐渐收敛为零的权数。韦司滢等[6]（1999）将指数平滑法等其他多种方法应用在三峡移民工程建材配送决策支持系统中。黄荣富等[7]（2003）、张云康等[8]（2008）在进行指数平滑法预测的基础上进行了物流需求多种方法组合预测。
随机时间序列模型就是指在所研究对象的一组实测时间序列的基础上，通过各种数学的分析处理手段，寻找序列变化特征、发展趋势与规律，进而对未来某时刻研究对象的状态做出估计。常用模型有：自回归(AR)模型、移动平均(MA)
模型、自回归移动平均(ARMA)模型、求和自回归移动平均(ARIMA)模型等。黄丽[9]（2004）利用随机时间序列模型对物流需求预测进行了专题研究。
灰色模型(Grey Model，简称GM)是一种以对时间序列进行研究分析，并建立方程，将无规律的原始数列经过转换，使之成为较有规律的生成数列后再建模用于预测的预测方法。赖一飞等[10]（2000）建立灰色系统预测模型，并对金沙江货类的流量流向及过坝货运量进行分析预测。张存禄等[11]（2000）利用GM（1，
1）模型对武汉地区的物流发展水平进行了灰色预测。张鹏等[12]（2001）将灰色模型应用到公路物流预测中。林桦等[13]（2001）、刘芳等[14]（2005）、黄智星等[15]（2007）、柴大胜等[16]（2007）以物流园区为研究对象，利用灰色模型对其货流量等进行了预测。林小平等[17]（2003）利用灰色系统理论，建立了成都双流机场货、邮吞吐量的预测模型。并通过实际数据与预测结果的比较，证明灰色模型对于双流机场货、邮吞吐量的预测具有较高的精度。何国华[18]（2008）利用灰色预测模型对区域物流需求进行了研究。潘英英[19]（2008）运用灰色系统模型，对广西物流中心货运需求量进行了动态预测。另外，还有学者针对灰色预测模型的不足，对其进行了改进，并将其应用到物流需求预测中。如：周茵[20]（2007）针对GM（1,1）模型对离散度大的数据预测精度差的缺陷，将残差灰色预测模型应用到物流货运量预测中；吴振宁等[21]（2004）、王冠奎等[22]（2007）、
[23]胡云超等（2007）利用马尔可夫链对灰色模型进行了改进，并将其应用到物
流需求预测中。
混沌是决定论系统所表现的随机行为的总称，根源在系统内的非线性交叉耦合作用，是一种回复性非周期运动。分形论是以复杂事物为研究对象的，包括线性分形和非线性分形。混沌与分形经常被用于复杂系统中，国内学者也有将其应用到物流需求的预测中。如：毛良伟[24]（2003）将混沌动力学应用到宏观物流预测中；杨瑞等[25]（2005）比较了现代常用的公路货运量预测方法的优缺点，研究了混沌理论对公路货运量的预测基本原理，构思短中长期货运量预测方法的可行性，并提出了研究方法和途径；李红启[26]（2003）论证了分形理论用于铁路货运量分析的可行性；聂伟[27]（2007）在已有研究的基础上，提出了一种新的分形预测模型—等长度递补变维分形模型，并将其应用到我国货运量及其构成预测中。
2． 因果关系预测方法综述
因果关系预测方法是依据历史资料找出预测对象的变量与其相关事物的变量关系，建立相应的因果预测模型，利用事物发展的因果关系来推断事物发展趋势的预测方法。物流需求属于派生需求，它是由经济发展本身带来的，与经济的发展密切相关，随着经济总量、产业结构、资源分布等改变，物流需求量、需求结构和层次也随着发生变化[28]，因此，许多学者利用有关经济的各项指标来预测物流需求，常用的模型有弹性系数法、重力模型法、线性回归模型、神经网络模型、支持向量机模型等。
弹性系数法是在对一个因素发展变化预测的基础上，通过弹性系数对另一个因素的发展变化作出预测的一种间接预测方法[29]。乔向明等[30]（2004）以十年时间序列数据为依据，采用弹性系数法，对我国公路客货运量进行中期预测研究。李慧等[31]（2006）选取交通区汽车保有量、客货运输量、通道交通量统计资料与国内生产总值作为弹性系数指标，进行回归确定弹性系数，对资泸路(省道207 线)威远段改造工程工可交通量进行了预测。于龙年[32]（2008）给出了物流量预
测的两种方法德尔菲法和弹性系数法。曹晓飞等[33]（2008）结合北京经济发展趋势，运用弹性系数法对机动车保有量进行了预测。
重力模型法认为区与区之间的交通分布受到地区间距离、运行时间、费用等所有交通阻抗的影响，即区与区之间的出行分布同各区对出行的吸引成正比，而同区之间的交通阻抗成反比（该模型与牛顿万有引力公式相类似，并因此而得名）。蒋仁才[34]（1987）利用重力模型对铁路货流分布进行了预测。詹燕等[35]（2000）介绍了重力模型法的原理及其在交通分布预测中的应用前景，并通过实例比较了 Furness法和重力模型改进法的运用差别。蔡若松等[36]（2002）、杨天宝等[37]（2006）、肖文刚等[38]（2007）在交通预测的实际应用中对重力模型进行了改进。另外，还有学者提出逆向重力模型[39]、模糊重力模型[40]等，并将其利用到交通预测中。
回归分析研究因变量对一个或多个自变量的依赖关系，其用意在于通过后者的已知值，去估计或预测前者的总体均值（古扎拉蒂，1995）。物流需求属于派生需求，它是由经济发展本身带来的，与经济的发展密切相关，文献[28]根据上海市经济指标数据得出了物流需求指标与其他指标的相关性系数矩阵，证明其间有极强的线性相关性。因此，许多学者将线性回归模型应用到物流需求预测中，如：王桂霞等[41]（2001）应用多元线性回归预测模型等对内蒙古交通运输货运量及货运周转量进行了预测；刘劲等[3]（2002）在右江那吉航运枢纽工程货运量预测中应用到多元回归模型；林洪 [42]（2002）、李慧[43]（2004）、王小萃[44]（2007）、陈智刚等[45]（2007）、杨琳等[46]（2007）、杨帅[47]（2007）、赵卫艳等[48]（2007）都将线性回归模型应用到物流需求预测中。
人工神经网络作为一种并行的计算模型，具有传统建模方法所不具备的很多优点，有很好的非线性映射能力。对被建模对象的先验知识要求不多，一般不必事先知道有关被建模对象的结构、参数、动态特性等方面的知识，只需给出对象的输入、输出数据，通过网络本身的学习功能就可以达到输入与输出的完全符合
[49-50]。针对物流需求预测中存在着非线性性，国内许多学者将神经网络模型应用到物流需求预测中。张拥军等[51]（1999）从交通运输需求的角度描绘了交通运输需求与国民经济的一些主要经济变量的相关关系，基于这些相关关系建立了交通运输需求预测的神经网络模型，利用误差反向传播算法实现了由这些因素到运输系统需求的复杂映射，并进行了实例验证分析。王隆基等[52]（2004）、牛忠远[53]（2006）、缪桂根[54]（2007）、耿勇等[55]（2007）、郭红霞等[56]（2007）针对传统物流预测方法的局限，研究了基于BP模型神经网络的物流预测方法，即依据历史数据建立BP神经网络然后进行训练形成物流预测模型。白晨明等[57]（2004）依据已有的内、外回归神经网络预测模型及其算法，利用它们的良好特性，提出了对角回归神经网络滚动预测模型及其机场物流预测系统。赵闯等[58]（2004）、后锐等[59]（2005）将广义神经网络应用到物流需求预测中。
支持向量机（SVM）的基本思想是通过用内积函数定义的非线性变换将输入空间变换到一个高维空间，在这个高维空间中寻找输入变量和输出变量之间的一种非线性关系。支持向量机有严格的理论基础，是基于结构风险最小化原则的方法，明显优于传统的基于经验风险最小化原则的常规神经网络方法。其算法是一个凸二次优化问题，保证找到的解是全局最优解，能较好的解决小样本、非线性、高维数等实际问题。问题的复杂度不取决于特征的维数，且具有良好的推广能力，正在成为继神经网络研究之后的研究热点。针对我国现阶段物流系统样本量少的具体状况以及神经网络模型的局限性，越来越多的学者将支持向量机应用
到物流需求预测中。唐伟鸿等[60]（2005）采用基于时间序列的支持向量机进行了物流量预测。庞明宝等[61, 62]（2007，2008）分别用非线性支持向量机和基于偏最小二乘支持向量机回归模型对区域物流量进行了预测研究。胡燕祝等[63]（2008）从物流与经济的关系着手分析，建立了基于支持向量回归机的物流需求预测模型。
3． 组合预测方法综述
不同预测方法的精度和侧重点存在差异，因此可将几种预测方法按一定的比例结构进行组合预测。自从Bates和Granger在20世纪60年代首次提出组合预测理论以来，对组合预测方法的研究和应用发展很快，采用组合预测模型可以克服单一模型的局限性，尽可能提高预测的精度。吴守荣[64]（1999）利用灰色预测模型和回归模型组合模型对山东省公路机动车货运量及运力进行了预测。黄荣
[7]富等（2003）以某港口近15a的货物吞吐量作为原始数据，在采用回归分析法和3次指数平滑法预测今后10a港口吞吐量的基础上，以“误差绝对值之加权和最小”作为最优准则，建立组合预测模型，并将其应用到某港口货物吞吐量预测中。初良勇等[65]（2004）建立了回归分析、灰色系统及神经网络方法的物流需求单项预测模型，并以误差绝对值加权和最小为最优化准则建立了物流需求组合预测模型，并辅以实例进行分析和验证。赵刚等[66]（2005）利用一元线性回归和GM（1,1）组合模型对港口吞吐量进行了预测。武骁等[67]（2005）、姚智胜等[68]（2007）分别提出一种基于支持向量机的物流预测模型，并进行了实证研究。张云康等[8]（2008）根据宁波港集装箱吞吐量的历史数据，建立了时间序列的三次指数平滑模型、灰色系统预测模型等单项预测模型，并采用线性规划的方法确定其最优组合的权重，并对宁波港集装箱吞吐量加以预测和分析。郁小锋等
[69]（2008）建立了三次指数平滑、趋势外推和灰色系统等单项预测模型，并提出了以误差绝对值加权和最小为最优化准则的组合预测模型，运用主成分分析的
[70]思想来确定组合的权系数。刘婷婷等（2008）提出模糊神经网络非线性组合
预测模型，应用三次指数预测模型、灰色理论预测模型、多元回归预测模型的预测值作为模糊神经网络的测试样本数据库，输出样本为铁路货运量，并采用全局优化的粒子群算法优化模糊神经网络的参数。李斌等[71]（2008）采用历史平均模型、RBF神经网络、灰色预测法分别建立了天津市某路口交通流量的单项预测模型，然后利用支持向量机模型对多个单项预测模型结果进行了组合预测，以作为其最终的预测值。
除了以上物流需求预测方法以外，还有其他预测方法，例如时交叉影响模型、投入产出模型[72]、联机分析处理法[73]、价值量法[2]和集对聚类预测模型[74]等。
［摘 要］ 本文运用灰色GM(1,1) 预测模型理论，根据统计数据建立了物流需求量模型并对广西未来几年物流需求规模进行了预测，在一定程度上能够为广西物流业发展提供定量依据。预测结果表明广西物流需求呈稳定增长的态势。
［关键词］ GM(1,1)模型；物流需求；预测
1引言
现代物流作为一种对产品从生产到消费进行高效率的组织和管理的方式，被广泛认为是继生产和营销之后的“第三利润源泉”。物流产业作为许多国家国民经济的重要组成部分和工业化进程中最为经济的服务模式，正在全球范围内迅速发展，成为一个具有巨大发展潜力
的新兴产业。
广西发展现代物流具有优越的条件。一是得天独厚的港口条件。广西北部湾港口资源丰富，防城港、钦州港、北海港和铁山港构成广西沿海地区的天然深水港口群，具有建设３亿吨综合性大港口的自然条件。二是区位优势。广西地处中国—东盟自由贸易区，是中国面向东盟的桥头堡和对外开放的重要窗口，是泛珠三角经济圈和大西南经济圈的中心结合部，是西南地区重要的运输枢纽、出海通道。三是政治和政策优势。随着内地与香港更紧密经贸关系安排（ＣＥＰＡ）的签署、中国—东盟自由贸易区（ＣＡＦＩＡ）的实质性启动、泛珠三角地区经济合作（ＰＥＣＯ）的出台，广西迎来了千载难逢的发展现代物流的战略性机会。另外，广西是我国唯一可以享受东部沿海开放地区、西部大开发以及民族自治三方面优惠政策的省份，这为广西现代物流的发展创造了其他省份所没有的良好的政策环境。
在现代物流规划过程中，物流需求分析是很重要的的环节。通过物流分析，可以保证物流服务的供给与需求之间的相对平衡，使社会物流活动保持较高的效率与效益。广西政府已下定决心将北部湾经济区建设成为中国—东盟物流基地、商贸基地、加工制造基地和信息交流中心。建成的北部湾经济区将成为带动广西经济发展的新的增长极。将北部湾经济区打造成“中国—东盟物流基地”，必须要考虑其所依托的整个广西的物流承载能力，科学合理地建设物流园区，使物流产业能适应广西经济发展的需要。
2物流需求指标及数据的选取
物流需求是伴随着经济的发展而产生和发展起来的，是经济社会中的工商企业、经济社会的各个部门以及经济活动中的个人为了满足其生产经营、事业开展以及生活的需要，在物流服务的运输、仓储、配送、流通加工等各个环节所产生的有支付能力的需求。物流需求量分析是物流需求分析的重要组成部分，其度量指标体系有实物量体系和价值量体系。实物量体系指标表现为不同环节和功能的具体作业量，如货运量、货运周转量、库存量、加工量等。价值量体系指标是所有物流环节上全部服务价值的综合反映，包括物流成本、物流收入、供应链增值等。由于实物量体系指标容易衡量，并且容易获得相关的统计数据，因此，一般采用实物量体系指标对物流需求进行量化研究。从实物量指标来讲，虽然运输需求只是物流需求中的一个部分，但运输是物流过程中的最基本的活动，贯穿整个物流过程，是联系其他物流服务功能的纽带，运量的多少必然决定着仓储、配送、装卸、包装等环节需求量的多少，并且，运输费用占物流总成本的很大比重。因此，用货运量表示物流需求是可以反映物流需求的变化规律的。本文选取货运量表征物流需求。
数据太多会把过时的信息带入，影响模型的质量，还会增加计算量，而数据太少又会造成有效信息的不足。由于中国—东盟博览会于２００４年落户南宁，为广西实现经济振兴发展带来难得的历史机遇，广西政府把发展物流业作为经济发展的切入点，物流产业得到快速发展。因此，本文选取广西２００４-２００８年的货运量数据为基础来建模预测，其数据见表１。
3灰色预测模型的构建及物流需求预测因为物流需求的变化所受影响因素具有不确定性和复杂性的特点，因此，我们选取灰色预测模型来对广西物流需求进行预测。利用灰色预测模型（ＧＭ模型）可以对所研究系统的发展变化进行全局观察、分析和长期预测，最常用的是一阶一元微分方程预测模型ＧＭ（１，１），该模型具有要求数据少、原理简单、计算量适中、结果精度高等诸多优点。 1模型的选择 1.1 灰序列的生成
把广西２００４～２００８年的货运量作为原始数列，将它记为：
Ｘ（０）＝（ｘ（０）（１），ｘ（０）（２），ｘ（０）（３），x（０）（４），ｘ（０）（５））＝（３７ １１８，４１ ０２５，
４５ ４５４，５０ １５２，５８ ０６８）
对原始序列作１－ＡＧＯ得：
Ｘ（１）＝（ｘ（１）（１），ｘ（１）（２），ｘ（１）（３），ｘ（１）（４），ｘ（１）（５））＝（３７ １１８，７８ １４３，
１２３ ５９７，１７３ ７４９，２３１ ８１７） 1.2对原始数列作准光滑性检验 1.3 检验Ｘ（１）是否具有准指数规律
4结论
运用灰色预测模型对广西物流需求进行动态预测的结果表明，广西在“十二五”期间，物流需求呈稳定的上升趋势，为广西在“十二五”期间对物流产业进行规划和布局提供了定量依据。广西政府应出台相关的物流产业政策，采取相应措施，保证物流业的健康发展。
物流需求预测的一般步骤和技术
已有 34 次阅读2011-7-31 12:21
物流需求预测是为了制定物流管理计划，而对需求时间、地点、库存单位、装运流量等所进行的预示或估计。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。
一、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。
3、确定预测内容，收集资料进行初步分析
预测内容即影响物流需求的因素，一般包括：某时期的基本需求水平、季节因素、趋势值、周期因素、促销因素以及不规则因素六个方面。预测者必须认识到不同因素对物流需求所具有的潜在影响，并能适当的予以处理，对于特定项目具有重大意义的成分必须予以识别、分析并与适当的预测技术相结合。某时期的基本需求水平是以整个展延时间内的平均值表示的，是对没有季节因素、周期因素和促销因素等成分的项目的适当预测。季节因素通常建立在年度基础上，对消费零售层而言，在某几个季度，某物品的需求量较大，而在另几个季度，需求量较小的规律运动。而对批发层次而言，这种季节因素先于消费需求大约一个季度。趋势值是指在一个展延的时期内，定期销售的长期一般运动。它可以为正、为负或不确定方向，人口或消费类型的变化决定趋势值的增减，销售量随时间而增加是正的趋势值，反之，则为负的趋势值。而通常情况下，由于人们消费习惯的变化，趋势方向会改变许多次。周期因素如商业周期，一般来说，每隔3——5 年就有一次经济从衰退到扩张的波动，许多大宗商品需求就与商业周期联系紧密。促销因素，在某些行业，厂商的市场营销活动会引发需求波动，对销售量具有很大影响。促销期间销售量增加，此后随着利用促销逐渐售出库存后销售量下降。从预测的角度，有规则的促销因素类似季节因素，而不规则的促销因素则必须对它进行跟踪并结合时期进行分析。不规则因素，是随机的或无法预测的因素。在展开一项预测的过程中，其目标是要通过跟踪和预计其他因素，使随机因素降低到最小程度。在了解预测内容的基础上，根据预测目标收集资料进行初步分析，观察资料结构及其性质，并以此作为选择适当预测方法的依据。
4、选择预测方法
在需求预测中有两种方法，即经验判断和数学模型法。经验判断法由预测者根据所掌握的资料进行数据分析，凭借其专业知识和经验进行预测，这种方法多在掌握资料不够全面，预测准确度要求不搞时使用，在更多情况下，使用的是建立数学模型的方法，般包括时间序列建模和相关性建模两种方法。这种预测相对经验判断法更准确一些。对于这些方法将在下一节中进行具体介绍。
5、计算并做出预测
以预测目标为导向，根据选定的预测方法，利用掌握的资料，就可以具体研究，进行定性或定量分析，预测物流的需求状况。
6、分析预测误差
根据现实的资料对未来进行预测，其中产生误差是难免的。误差的大小反映预测的准确程度，如果预测误差过大,其预测结果就会偏离实际太远，从而失去参考
价值。因此对预测可能出现的误差进行分析是十分必要的，一方面要分析误差产生的原因，另一方面要检查预测方法的合理性。总之要使预测误差降到最小。
二、预测技术
在预测过程中，预测技术的选择对于预测准确度的提高有重要影响。一般所采用的预测技术有两种，即定性预测和定量预测。
（一）定性预测技术 定性预测通过调查、座谈和协商会议来展开，主要依赖专家意见或判断预测。这种方法只能对未来的发展变化提供一个大致趋势，而无法准确量化。在具体的物流预测实践中，有几种常见的方法，现简单介绍如下：
1、特尔菲法
主要采用函询的方式，依靠专家背靠背的判断，使专家的不同意见能够充分发表，经过客观分析和多次征询反馈，使各种不同意见逐步趋向一致，从而得出较为符合事物发展规律的预测结果。它的主要过程包括：首先，根据预测的目标和要求，拟定意见征询表。其次，选择那些从事与预测题目相关的专业工作、精通专业并具有预见性和分析能力的专家作为征询对象。再次，多次反复征询专家意见。最后，做出预测结论。这种方法优点是集思广益，有助于预测的全面和可靠，并且采取的匿名反馈有助于预测人员独立思考，减少心理因素的干扰。但缺点是主要依靠主观判断，缺乏客观标准。 2、业务人员评估法 预测时，召集所属物流各环节，如计划、采购、仓储和运输等的业务人员对未来某种物流需求做出估计，然后把大家的推断数据综合处理，形成对未来的预测。这种方法的优点是业务人员最了解物流需求情况和市场动态，所提供的情况和预测的数值比较接近实际。缺点是某些业务人员的自身素质较低，思想狭隘，所作的预测长忽略整个经济形势和市场需求变化趋势，并且业务人员出于自己的业务考虑做出估计一般比较保守。 （二）定量预测技术 这是一种比较准确的预测方法，包括两种：一是时间序列技术，二是回归分析技术。前者通过分析历史模式和模式的变化来预测，后者使用明确并且特定的有关变量的信息来开展预测。 1、时间序列技术 时间序列技术是利用过去一段时间的销售量数据或其他一组数据，运用一定的数学方法，通过现有的需求数据预测未来的发展变化趋势及需求量，这种技术首先要分析确定历史数据的类型和动态，其次选定具体的预测方法，并进行计算，最后结合判断与量化的数据确定未来的预测值。时间序列技术包括三种：（1）移动平均法，（2）指数修正法，（3）外延平滑技术。（1）移动平均法 根据历史统计数据的变化规律，使用最近时期数据的平均数，利用上一个或几个时期的数据产生下一期的预测。移动平均数很容易计算，用数学公式表达为：Xt=ΣXt-i/n Xt — 第t时期的预测值Xt-I — 第t-i时期的实际值 n — 总时期次数
例如，1,2,3 月份的销售量为：220，210，260，则4 月份的移动平均值为：X4=(220+210+260)/3=230这种方法很容易计算，但n 值的选取是预测准确度的关键所在，如果n 值取得大，则不仅需要大量的历史数据来计算预测，而且对这许多数据起伏变化的敏感性差，容易产生“滞后现象”；如果n 值取得很小，则对变化灵敏度高，对某些因随机因素造成的变化难以判断，一旦数据资料大起
大落，预测失误就会增多。因此，应根据长期预测时间中的经验合理选取n 值。移动平均预测最大的缺陷是：产生的时滞现象和对历史时期数据的一视同仁，造成预测误差较大。而加权移动平均法中给每一时期数据赋以权重，使近期数据对移动平均数影响增大，从而可以增加预测值的准确度。数学表达式为：Xt=(a1Xt-1+a2Xt-2+?6?8anXt-n)/nXt — 第t时期的加权移动平均数an — 加权系数 (Σai=n)n — 总时期次数 如上例中，设a1=0.5,a2=1,a3=1.5,n=3,则Xt=(0.5*220+1*210+1.5*260)/3=337
（2）指数修正这种方法是根据以前时期的实际数值和预测值的加权平均数来估计未来的预测值。数学表达式为：X》t=Xt+α(Xt-Xt-1)Xt — 第t时期的预测值Xt-1 — 第t-1 时期的预测值Xt-1 — 第t-1 时期的实际值α— 平滑系数（0≤α≤1）即：下一时期的预测值等于本期预测值再加上一个修正值。修正值是平滑系数与本期预测值和实际值的误差之积。这种方法关键在α,当α=0 时，Xt等于Xt-1, 即几乎是一种简单的移动平均。当α=1 时，Xt=Xt-1,即用最近时期的数据作下一时期的预测值。合理选取平滑系数，当时间序列波动较大，不具备长期稳定趋势时，平滑系数可取得大一些；当时间序列变化缓慢，起伏波动不大时，平滑系数可取得小一些。（3）外延平滑技术 即考虑趋势值和季节波动对预测值的影响，这类技术分别被称为具有趋势值的指数平滑和具有季节因数的指数平滑。外延平滑的计算类似于基本平滑模型的计算，可以用最低限度的记录保存，迅速地计算新的预测。做出反应的技术能力取决于平滑常数值。较高的数值提供快速的反应，但会导致过度反应。外延技术的主要特点是，它们直接考虑趋势值和季节因数成分，但常常被认为过分敏感，因为它没有能力正确地细分每一预测成分。这种过分的敏感会导致预测的精度问题。 2、回归分析技术 这种预测技术建立在事物变化的因果关系基础上，研究两个以上变量之间的关系，所以又叫因果分析法。如果预测基于一个单一因素，只涉及两个变量，叫做一元回归分析；如果使用一个以上的因素，就称为多元回归分析。因果分析法的步骤如下：（1）通过对历史资料和现实调查资料的分析，找出变量之间的因果关系，确定预测目标以及因变量和自变量。因变量即预测的内容，自变量就是引起预测目标变化的各种影响因素。（2）根据变量之间的因果关系模型，选择数学模型，并建立预测模型。 （3）对预测模型进行检验，测定误差，确定预测值。一元回归分析法是处理两个变量之间线性相关关系的一种方法，它描述一个自变量x 与另一个因变量y 之间的相关关系。一元回归分析法的通式为：Yt=a+bX Yt — 因变量，即在时间段t的预测值X — 自变量，即引起因变量Yt变化的某种影响因素a,b—回归系数回归预测能够有效地考虑外部因素和事件，因此，因果分析技术更适合于长期预测或总量预测。例如，他们常被用来做出年度的或全国的销售预测。 三、预测误差控制 预测的精确度是指相应的预测与实际预测之间的差异。要提高预测的精确度，必须衡量和分析预测误差。首先，误差大小的衡量决定改善和控制预测的前提。虽然预测误差的一般定义是实际值与预测需求量之间的差异，但更精确的定义需要进行计算和比较，在误差绝对数或相对数基础上使用各种方法进行衡量。如按年份计算误差平均数，计算绝对误差及由此产生的平均绝对离差等方法，用不同的方法表现出的预测精度是不一样的。其次，分析误差产生的原因，为控制减小误差提供基础。预测误差的产生可能源于外部预测因素，如促销、罢市、价格变化、产品线变化、竞争性活动以及经济条件等的影响;也可能由于预测技术的选择不当所造
成。第三，建立预测反馈机制，根据误差衡量和误差原因分析的结果，通过识别主要的误差来源，开发技术，建立高效的信息传导机制，降低误差。如改善有关诸如价格变化、促销和包装变化等之类的营销活动的通信传输，有可能大大减小预测误差。
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
[1]测过程并对其过程实行有效监控。
[辑]
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。
3、确定预测内容，收集资料进行初步分析
预测内容即影响物流需求的因素，一般包括：某时期的基本需求水平、季节因素、趋势值、周期因素、促销因素以及不规则因素六个方面。预测者必须认识到不同因素对物流需求所具有的潜在影响，并能适当的予以处理，对于特定项目具有重大意义的成分必须予以识别、分析并与适当的预测技术相结合。
某时期的基本需求水平是以整个展延时间内的平均值表示的，是对没有季节因素、周期因素和促销因素等成分的项目的适当预测。
季节因素通常建立在年度基础上，对消费零售层而言，在某几个季度，某物品的需求量较大，而在另几个季度，需求量较小的规律运动。而对批发层次而言，这种季节因素先于消费需求大约一个季度。
趋势值是指在一个展延的时期内，定期销售的长期一般运动。它可以为正、为负或不确定方向，人口或消费类型的变化决定趋势值的增减，销售量随时间而增加是正的趋势值，反之，则为负的趋势值。而通常情况下，由于人们消费习惯的变化，趋势方向会改变许多次。 周期因素如商业周期，一般来说，每隔3—5年就有一次经济从衰退到扩张的波动，许多大宗商品需求就与商业周期联系紧密。
促销因素，在某些行业，厂商的市场营销活动会引发需求波动，对销售量具有很大影响。促销期间销售量增加，此后随着利用促销逐渐售出库存后销售量下降。从预测的角度，有规则的促销因素类似季节因素，而不规则的促销因素则必须对它进行跟踪并结合时期进行分析。 不规则因素，是随机的或无法预测的因素。在展开一项预测的过程中，其目标是要通过跟踪和预计其他因素，使随机因素降低到最小程度。 在了解预测内容的基础上，根据预测目标收集资料进行初步分析，观察资料结构及其性质，并以此作为选择适当预测方法的依据。
4、选择预测方法
在需求预测中有两种方法，即经验判断和数学模型法。经验判断法由预测者根据所掌握的资料进行数据分析，凭借其专业知识和经验进行预测，这种方法多在掌握资料不够全面，预测准确度要求不搞时使用，在更多情况下，使用的是建立数学模型的方法，一般包括时间序列建模和相关性建模两种方法。这种预测相对经验判断法更准确一些。对于这些方法将在下一节中进行具体介绍。
5、计算并做出预测
以预测目标为导向，根据选定的预测方法，利用掌握的资料，就可以具体研究，进行定性或定量分析，预测物流的需求状况。
6、分析预测误差
根据现实的资料对未来进行预测，其中产生误差是难免的。误差的大小反映预测的准确程度，如果预测误差过大,其预测结果就会偏离实际太远，从而失去参考价值。因此对预测可能出现的误差进行分析是十分必要的，一方面要分析误差产生的原因，另一方面要检查预测方法的合理性。总之要使预测误差降到最小
一。 1.【摘要】：从重庆市的物流需求现状出发,通过分析其物流需求的衡量指标和影响因素,建立物流需求规模预测指标体系,并根据实际数据建立BP神经网络预测模型,预测结果显示重庆市的物流需求呈增长之态,在一定程度上能够为重庆市物流规划提供定量依据。
2.摘要：区域物流需求预测是区域物流系统规划中的重要环节，为制定山东省物流发展政策、确定物流基础设施建设规模、分析物流市场态势提供必要的基础依据。然而，由于我国物流企业还处于起步阶段，区域物流需求预测理论研究在我国的发展还不够健全，很多区域出现重复建设基础设施的现象，造成人力、物力和财力的浪费。正是基于这样的原因，本文进行了山东省物流需求预测研究。
二。 1.物流需求预测内容：就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。
2.目的：及时准确的掌握市场物流需求情况的变化规律，结合本企业的实际情况，采取一定的分析方法提出切实可行的需求目标，在此基础上制定需求计划，指导诸如原材料或货物的购进、库存的控制、必要设施的配备等企业物流工作的开展。
三。 物流需求预测程序
1/搜集预测资料：整理、分析已有的相关数据资料；收集、调查尚未拥有的资料数据。分为历史资料和现实资料二类
2/分析判断
3/选定预测方法和技术并作出判断：对需求比较稳定的产品用简单移动平均法；属于趋势型产品用加权平均法指数平均法和回归分析法加以预测；对于随机性的情况采取定性分析与定量分析相结合的方法加以预测。
4/分析预测误差和最终完成预测报告
(河北工程大学 管理科学与工程 阮俊虎）
物流需求是指一定时期内社会经济活动对生产、流通、消费领域的原材料、半成品和成品、商品以及废旧物品、废旧材料等的配置作用而产生的对物在空间、时间和费用方面的要求，涉及运输、库存、包装、装卸搬运、流通加工以及与之相关的信息需求等物流活动的诸方面[1]。物流需求的度量可以采用价值量和实物量两种度量体系。实物量意义上的物流需求主要表现为不同环节和功能的具体作业量，如货运量、库存量、加工量、配送量等；价值量意义上的物流需求是所有物流环节全部服务价值构成的综合反映，如物流成本、物流收入、供应链增值等
[2]。
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，利用一定的判断、技术方法和模型，对物流需求的变化及发展趋势进行预测。国内外许多专家和学者都对物流需求的预测进行了研究，提出不同的预测方法和手段。物流预测方法可以分为定性预测方法（如德尔菲法和业务人员评估法等）和定量预测方法，但多数是定量预测方法，因此，本文主要是对国内物流需求定量预测方法进行综述，归为时间序列预测方法、因果关系预测方法、组合预测方法等三类。
1． 时间序列预测方法综述
时间序列预测方法是依据从历史数据组成的时间序列中找出预测对象的发展变化规律，以此作为预测依据。常用的时间序列预测模型有增长率法、移动平均法、指数平滑法、随机时间序列模型、灰色模型、以及在经济领域已经被广泛应用的混沌与分形等。
增长率法指根据预测对象在过去的统计期内的平均增长率，类推未来某期预测值的一种简便算法。该预测方法一般用于增长率变化不大，或预计过去的增长
[3]趋势在预测期内仍将继续的场合。刘劲等（2002）在利用增长率系数法对百色
地区港口货运量进行了逐一分析。
移动平均法是用一组最近的实际数据值来预测未来一期或几期内产品的需求量的一种常用方法。当产品需求既不快速增长也不快速下降，且不存在季节性因素时，移动平均法能有效地消除预测中的随机波动。根据预测时使用的各元素的权重不同，移动平均法可以分为：简单移动平均和加权移动平均。杨荣英等[4]（2001）在讨论移动平均值的基础上，提出了移动平均线方法，并介绍了运用移动平均线进行物流预测的方法。李海建等[5]（2003）利用二次移动平均线模型对芜湖市物流业发展的规模进行了预测。
指数平滑法是在移动平均法基础上发展起来的一种时间序列分析预测法，它是通过计算指数平滑值，配合一定的时间序列预测模型对现象的未来进行预测。其原理是任一期的指数平滑值都是本期实际观察值与前一期指数平滑值的加权平均。移动平均法则不考虑较远期的数据，并在加权移动平均法中给予近期资料更大的权重；而指数平滑法则兼容了全期平均和移动平均所长，不舍弃过去的数据，但是仅给予逐渐减弱的影响程度，即随着数据的远离，赋予逐渐收敛为零的权数。韦司滢等[6]（1999）将指数平滑法等其他多种方法应用在三峡移民工程建材配送决策支持系统中。黄荣富等[7]（2003）、张云康等[8]（2008）在进行指数平滑法预测的基础上进行了物流需求多种方法组合预测。
随机时间序列模型就是指在所研究对象的一组实测时间序列的基础上，通过各种数学的分析处理手段，寻找序列变化特征、发展趋势与规律，进而对未来某时刻研究对象的状态做出估计。常用模型有：自回归(AR)模型、移动平均(MA)
模型、自回归移动平均(ARMA)模型、求和自回归移动平均(ARIMA)模型等。黄丽[9]（2004）利用随机时间序列模型对物流需求预测进行了专题研究。
灰色模型(Grey Model，简称GM)是一种以对时间序列进行研究分析，并建立方程，将无规律的原始数列经过转换，使之成为较有规律的生成数列后再建模用于预测的预测方法。赖一飞等[10]（2000）建立灰色系统预测模型，并对金沙江货类的流量流向及过坝货运量进行分析预测。张存禄等[11]（2000）利用GM（1，
1）模型对武汉地区的物流发展水平进行了灰色预测。张鹏等[12]（2001）将灰色模型应用到公路物流预测中。林桦等[13]（2001）、刘芳等[14]（2005）、黄智星等[15]（2007）、柴大胜等[16]（2007）以物流园区为研究对象，利用灰色模型对其货流量等进行了预测。林小平等[17]（2003）利用灰色系统理论，建立了成都双流机场货、邮吞吐量的预测模型。并通过实际数据与预测结果的比较，证明灰色模型对于双流机场货、邮吞吐量的预测具有较高的精度。何国华[18]（2008）利用灰色预测模型对区域物流需求进行了研究。潘英英[19]（2008）运用灰色系统模型，对广西物流中心货运需求量进行了动态预测。另外，还有学者针对灰色预测模型的不足，对其进行了改进，并将其应用到物流需求预测中。如：周茵[20]（2007）针对GM（1,1）模型对离散度大的数据预测精度差的缺陷，将残差灰色预测模型应用到物流货运量预测中；吴振宁等[21]（2004）、王冠奎等[22]（2007）、
[23]胡云超等（2007）利用马尔可夫链对灰色模型进行了改进，并将其应用到物
流需求预测中。
混沌是决定论系统所表现的随机行为的总称，根源在系统内的非线性交叉耦合作用，是一种回复性非周期运动。分形论是以复杂事物为研究对象的，包括线性分形和非线性分形。混沌与分形经常被用于复杂系统中，国内学者也有将其应用到物流需求的预测中。如：毛良伟[24]（2003）将混沌动力学应用到宏观物流预测中；杨瑞等[25]（2005）比较了现代常用的公路货运量预测方法的优缺点，研究了混沌理论对公路货运量的预测基本原理，构思短中长期货运量预测方法的可行性，并提出了研究方法和途径；李红启[26]（2003）论证了分形理论用于铁路货运量分析的可行性；聂伟[27]（2007）在已有研究的基础上，提出了一种新的分形预测模型—等长度递补变维分形模型，并将其应用到我国货运量及其构成预测中。
2． 因果关系预测方法综述
因果关系预测方法是依据历史资料找出预测对象的变量与其相关事物的变量关系，建立相应的因果预测模型，利用事物发展的因果关系来推断事物发展趋势的预测方法。物流需求属于派生需求，它是由经济发展本身带来的，与经济的发展密切相关，随着经济总量、产业结构、资源分布等改变，物流需求量、需求结构和层次也随着发生变化[28]，因此，许多学者利用有关经济的各项指标来预测物流需求，常用的模型有弹性系数法、重力模型法、线性回归模型、神经网络模型、支持向量机模型等。
弹性系数法是在对一个因素发展变化预测的基础上，通过弹性系数对另一个因素的发展变化作出预测的一种间接预测方法[29]。乔向明等[30]（2004）以十年时间序列数据为依据，采用弹性系数法，对我国公路客货运量进行中期预测研究。李慧等[31]（2006）选取交通区汽车保有量、客货运输量、通道交通量统计资料与国内生产总值作为弹性系数指标，进行回归确定弹性系数，对资泸路(省道207 线)威远段改造工程工可交通量进行了预测。于龙年[32]（2008）给出了物流量预
测的两种方法德尔菲法和弹性系数法。曹晓飞等[33]（2008）结合北京经济发展趋势，运用弹性系数法对机动车保有量进行了预测。
重力模型法认为区与区之间的交通分布受到地区间距离、运行时间、费用等所有交通阻抗的影响，即区与区之间的出行分布同各区对出行的吸引成正比，而同区之间的交通阻抗成反比（该模型与牛顿万有引力公式相类似，并因此而得名）。蒋仁才[34]（1987）利用重力模型对铁路货流分布进行了预测。詹燕等[35]（2000）介绍了重力模型法的原理及其在交通分布预测中的应用前景，并通过实例比较了 Furness法和重力模型改进法的运用差别。蔡若松等[36]（2002）、杨天宝等[37]（2006）、肖文刚等[38]（2007）在交通预测的实际应用中对重力模型进行了改进。另外，还有学者提出逆向重力模型[39]、模糊重力模型[40]等，并将其利用到交通预测中。
回归分析研究因变量对一个或多个自变量的依赖关系，其用意在于通过后者的已知值，去估计或预测前者的总体均值（古扎拉蒂，1995）。物流需求属于派生需求，它是由经济发展本身带来的，与经济的发展密切相关，文献[28]根据上海市经济指标数据得出了物流需求指标与其他指标的相关性系数矩阵，证明其间有极强的线性相关性。因此，许多学者将线性回归模型应用到物流需求预测中，如：王桂霞等[41]（2001）应用多元线性回归预测模型等对内蒙古交通运输货运量及货运周转量进行了预测；刘劲等[3]（2002）在右江那吉航运枢纽工程货运量预测中应用到多元回归模型；林洪 [42]（2002）、李慧[43]（2004）、王小萃[44]（2007）、陈智刚等[45]（2007）、杨琳等[46]（2007）、杨帅[47]（2007）、赵卫艳等[48]（2007）都将线性回归模型应用到物流需求预测中。
人工神经网络作为一种并行的计算模型，具有传统建模方法所不具备的很多优点，有很好的非线性映射能力。对被建模对象的先验知识要求不多，一般不必事先知道有关被建模对象的结构、参数、动态特性等方面的知识，只需给出对象的输入、输出数据，通过网络本身的学习功能就可以达到输入与输出的完全符合
[49-50]。针对物流需求预测中存在着非线性性，国内许多学者将神经网络模型应用到物流需求预测中。张拥军等[51]（1999）从交通运输需求的角度描绘了交通运输需求与国民经济的一些主要经济变量的相关关系，基于这些相关关系建立了交通运输需求预测的神经网络模型，利用误差反向传播算法实现了由这些因素到运输系统需求的复杂映射，并进行了实例验证分析。王隆基等[52]（2004）、牛忠远[53]（2006）、缪桂根[54]（2007）、耿勇等[55]（2007）、郭红霞等[56]（2007）针对传统物流预测方法的局限，研究了基于BP模型神经网络的物流预测方法，即依据历史数据建立BP神经网络然后进行训练形成物流预测模型。白晨明等[57]（2004）依据已有的内、外回归神经网络预测模型及其算法，利用它们的良好特性，提出了对角回归神经网络滚动预测模型及其机场物流预测系统。赵闯等[58]（2004）、后锐等[59]（2005）将广义神经网络应用到物流需求预测中。
支持向量机（SVM）的基本思想是通过用内积函数定义的非线性变换将输入空间变换到一个高维空间，在这个高维空间中寻找输入变量和输出变量之间的一种非线性关系。支持向量机有严格的理论基础，是基于结构风险最小化原则的方法，明显优于传统的基于经验风险最小化原则的常规神经网络方法。其算法是一个凸二次优化问题，保证找到的解是全局最优解，能较好的解决小样本、非线性、高维数等实际问题。问题的复杂度不取决于特征的维数，且具有良好的推广能力，正在成为继神经网络研究之后的研究热点。针对我国现阶段物流系统样本量少的具体状况以及神经网络模型的局限性，越来越多的学者将支持向量机应用
到物流需求预测中。唐伟鸿等[60]（2005）采用基于时间序列的支持向量机进行了物流量预测。庞明宝等[61, 62]（2007，2008）分别用非线性支持向量机和基于偏最小二乘支持向量机回归模型对区域物流量进行了预测研究。胡燕祝等[63]（2008）从物流与经济的关系着手分析，建立了基于支持向量回归机的物流需求预测模型。
3． 组合预测方法综述
不同预测方法的精度和侧重点存在差异，因此可将几种预测方法按一定的比例结构进行组合预测。自从Bates和Granger在20世纪60年代首次提出组合预测理论以来，对组合预测方法的研究和应用发展很快，采用组合预测模型可以克服单一模型的局限性，尽可能提高预测的精度。吴守荣[64]（1999）利用灰色预测模型和回归模型组合模型对山东省公路机动车货运量及运力进行了预测。黄荣
[7]富等（2003）以某港口近15a的货物吞吐量作为原始数据，在采用回归分析法和3次指数平滑法预测今后10a港口吞吐量的基础上，以“误差绝对值之加权和最小”作为最优准则，建立组合预测模型，并将其应用到某港口货物吞吐量预测中。初良勇等[65]（2004）建立了回归分析、灰色系统及神经网络方法的物流需求单项预测模型，并以误差绝对值加权和最小为最优化准则建立了物流需求组合预测模型，并辅以实例进行分析和验证。赵刚等[66]（2005）利用一元线性回归和GM（1,1）组合模型对港口吞吐量进行了预测。武骁等[67]（2005）、姚智胜等[68]（2007）分别提出一种基于支持向量机的物流预测模型，并进行了实证研究。张云康等[8]（2008）根据宁波港集装箱吞吐量的历史数据，建立了时间序列的三次指数平滑模型、灰色系统预测模型等单项预测模型，并采用线性规划的方法确定其最优组合的权重，并对宁波港集装箱吞吐量加以预测和分析。郁小锋等
[69]（2008）建立了三次指数平滑、趋势外推和灰色系统等单项预测模型，并提出了以误差绝对值加权和最小为最优化准则的组合预测模型，运用主成分分析的
[70]思想来确定组合的权系数。刘婷婷等（2008）提出模糊神经网络非线性组合
预测模型，应用三次指数预测模型、灰色理论预测模型、多元回归预测模型的预测值作为模糊神经网络的测试样本数据库，输出样本为铁路货运量，并采用全局优化的粒子群算法优化模糊神经网络的参数。李斌等[71]（2008）采用历史平均模型、RBF神经网络、灰色预测法分别建立了天津市某路口交通流量的单项预测模型，然后利用支持向量机模型对多个单项预测模型结果进行了组合预测，以作为其最终的预测值。
除了以上物流需求预测方法以外，还有其他预测方法，例如时交叉影响模型、投入产出模型[72]、联机分析处理法[73]、价值量法[2]和集对聚类预测模型[74]等。
［摘 要］ 本文运用灰色GM(1,1) 预测模型理论，根据统计数据建立了物流需求量模型并对广西未来几年物流需求规模进行了预测，在一定程度上能够为广西物流业发展提供定量依据。预测结果表明广西物流需求呈稳定增长的态势。
［关键词］ GM(1,1)模型；物流需求；预测
1引言
现代物流作为一种对产品从生产到消费进行高效率的组织和管理的方式，被广泛认为是继生产和营销之后的“第三利润源泉”。物流产业作为许多国家国民经济的重要组成部分和工业化进程中最为经济的服务模式，正在全球范围内迅速发展，成为一个具有巨大发展潜力
的新兴产业。
广西发展现代物流具有优越的条件。一是得天独厚的港口条件。广西北部湾港口资源丰富，防城港、钦州港、北海港和铁山港构成广西沿海地区的天然深水港口群，具有建设３亿吨综合性大港口的自然条件。二是区位优势。广西地处中国—东盟自由贸易区，是中国面向东盟的桥头堡和对外开放的重要窗口，是泛珠三角经济圈和大西南经济圈的中心结合部，是西南地区重要的运输枢纽、出海通道。三是政治和政策优势。随着内地与香港更紧密经贸关系安排（ＣＥＰＡ）的签署、中国—东盟自由贸易区（ＣＡＦＩＡ）的实质性启动、泛珠三角地区经济合作（ＰＥＣＯ）的出台，广西迎来了千载难逢的发展现代物流的战略性机会。另外，广西是我国唯一可以享受东部沿海开放地区、西部大开发以及民族自治三方面优惠政策的省份，这为广西现代物流的发展创造了其他省份所没有的良好的政策环境。
在现代物流规划过程中，物流需求分析是很重要的的环节。通过物流分析，可以保证物流服务的供给与需求之间的相对平衡，使社会物流活动保持较高的效率与效益。广西政府已下定决心将北部湾经济区建设成为中国—东盟物流基地、商贸基地、加工制造基地和信息交流中心。建成的北部湾经济区将成为带动广西经济发展的新的增长极。将北部湾经济区打造成“中国—东盟物流基地”，必须要考虑其所依托的整个广西的物流承载能力，科学合理地建设物流园区，使物流产业能适应广西经济发展的需要。
2物流需求指标及数据的选取
物流需求是伴随着经济的发展而产生和发展起来的，是经济社会中的工商企业、经济社会的各个部门以及经济活动中的个人为了满足其生产经营、事业开展以及生活的需要，在物流服务的运输、仓储、配送、流通加工等各个环节所产生的有支付能力的需求。物流需求量分析是物流需求分析的重要组成部分，其度量指标体系有实物量体系和价值量体系。实物量体系指标表现为不同环节和功能的具体作业量，如货运量、货运周转量、库存量、加工量等。价值量体系指标是所有物流环节上全部服务价值的综合反映，包括物流成本、物流收入、供应链增值等。由于实物量体系指标容易衡量，并且容易获得相关的统计数据，因此，一般采用实物量体系指标对物流需求进行量化研究。从实物量指标来讲，虽然运输需求只是物流需求中的一个部分，但运输是物流过程中的最基本的活动，贯穿整个物流过程，是联系其他物流服务功能的纽带，运量的多少必然决定着仓储、配送、装卸、包装等环节需求量的多少，并且，运输费用占物流总成本的很大比重。因此，用货运量表示物流需求是可以反映物流需求的变化规律的。本文选取货运量表征物流需求。
数据太多会把过时的信息带入，影响模型的质量，还会增加计算量，而数据太少又会造成有效信息的不足。由于中国—东盟博览会于２００４年落户南宁，为广西实现经济振兴发展带来难得的历史机遇，广西政府把发展物流业作为经济发展的切入点，物流产业得到快速发展。因此，本文选取广西２００４-２００８年的货运量数据为基础来建模预测，其数据见表１。
3灰色预测模型的构建及物流需求预测因为物流需求的变化所受影响因素具有不确定性和复杂性的特点，因此，我们选取灰色预测模型来对广西物流需求进行预测。利用灰色预测模型（ＧＭ模型）可以对所研究系统的发展变化进行全局观察、分析和长期预测，最常用的是一阶一元微分方程预测模型ＧＭ（１，１），该模型具有要求数据少、原理简单、计算量适中、结果精度高等诸多优点。 1模型的选择 1.1 灰序列的生成
把广西２００４～２００８年的货运量作为原始数列，将它记为：
Ｘ（０）＝（ｘ（０）（１），ｘ（０）（２），ｘ（０）（３），x（０）（４），ｘ（０）（５））＝（３７ １１８，４１ ０２５，
４５ ４５４，５０ １５２，５８ ０６８）
对原始序列作１－ＡＧＯ得：
Ｘ（１）＝（ｘ（１）（１），ｘ（１）（２），ｘ（１）（３），ｘ（１）（４），ｘ（１）（５））＝（３７ １１８，７８ １４３，
１２３ ５９７，１７３ ７４９，２３１ ８１７） 1.2对原始数列作准光滑性检验 1.3 检验Ｘ（１）是否具有准指数规律
4结论
运用灰色预测模型对广西物流需求进行动态预测的结果表明，广西在“十二五”期间，物流需求呈稳定的上升趋势，为广西在“十二五”期间对物流产业进行规划和布局提供了定量依据。广西政府应出台相关的物流产业政策，采取相应措施，保证物流业的健康发展。
物流需求预测的一般步骤和技术
已有 34 次阅读2011-7-31 12:21
物流需求预测是为了制定物流管理计划，而对需求时间、地点、库存单位、装运流量等所进行的预示或估计。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。
一、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。
3、确定预测内容，收集资料进行初步分析
预测内容即影响物流需求的因素，一般包括：某时期的基本需求水平、季节因素、趋势值、周期因素、促销因素以及不规则因素六个方面。预测者必须认识到不同因素对物流需求所具有的潜在影响，并能适当的予以处理，对于特定项目具有重大意义的成分必须予以识别、分析并与适当的预测技术相结合。某时期的基本需求水平是以整个展延时间内的平均值表示的，是对没有季节因素、周期因素和促销因素等成分的项目的适当预测。季节因素通常建立在年度基础上，对消费零售层而言，在某几个季度，某物品的需求量较大，而在另几个季度，需求量较小的规律运动。而对批发层次而言，这种季节因素先于消费需求大约一个季度。趋势值是指在一个展延的时期内，定期销售的长期一般运动。它可以为正、为负或不确定方向，人口或消费类型的变化决定趋势值的增减，销售量随时间而增加是正的趋势值，反之，则为负的趋势值。而通常情况下，由于人们消费习惯的变化，趋势方向会改变许多次。周期因素如商业周期，一般来说，每隔3——5 年就有一次经济从衰退到扩张的波动，许多大宗商品需求就与商业周期联系紧密。促销因素，在某些行业，厂商的市场营销活动会引发需求波动，对销售量具有很大影响。促销期间销售量增加，此后随着利用促销逐渐售出库存后销售量下降。从预测的角度，有规则的促销因素类似季节因素，而不规则的促销因素则必须对它进行跟踪并结合时期进行分析。不规则因素，是随机的或无法预测的因素。在展开一项预测的过程中，其目标是要通过跟踪和预计其他因素，使随机因素降低到最小程度。在了解预测内容的基础上，根据预测目标收集资料进行初步分析，观察资料结构及其性质，并以此作为选择适当预测方法的依据。
4、选择预测方法
在需求预测中有两种方法，即经验判断和数学模型法。经验判断法由预测者根据所掌握的资料进行数据分析，凭借其专业知识和经验进行预测，这种方法多在掌握资料不够全面，预测准确度要求不搞时使用，在更多情况下，使用的是建立数学模型的方法，般包括时间序列建模和相关性建模两种方法。这种预测相对经验判断法更准确一些。对于这些方法将在下一节中进行具体介绍。
5、计算并做出预测
以预测目标为导向，根据选定的预测方法，利用掌握的资料，就可以具体研究，进行定性或定量分析，预测物流的需求状况。
6、分析预测误差
根据现实的资料对未来进行预测，其中产生误差是难免的。误差的大小反映预测的准确程度，如果预测误差过大,其预测结果就会偏离实际太远，从而失去参考
价值。因此对预测可能出现的误差进行分析是十分必要的，一方面要分析误差产生的原因，另一方面要检查预测方法的合理性。总之要使预测误差降到最小。
二、预测技术
在预测过程中，预测技术的选择对于预测准确度的提高有重要影响。一般所采用的预测技术有两种，即定性预测和定量预测。
（一）定性预测技术 定性预测通过调查、座谈和协商会议来展开，主要依赖专家意见或判断预测。这种方法只能对未来的发展变化提供一个大致趋势，而无法准确量化。在具体的物流预测实践中，有几种常见的方法，现简单介绍如下：
1、特尔菲法
主要采用函询的方式，依靠专家背靠背的判断，使专家的不同意见能够充分发表，经过客观分析和多次征询反馈，使各种不同意见逐步趋向一致，从而得出较为符合事物发展规律的预测结果。它的主要过程包括：首先，根据预测的目标和要求，拟定意见征询表。其次，选择那些从事与预测题目相关的专业工作、精通专业并具有预见性和分析能力的专家作为征询对象。再次，多次反复征询专家意见。最后，做出预测结论。这种方法优点是集思广益，有助于预测的全面和可靠，并且采取的匿名反馈有助于预测人员独立思考，减少心理因素的干扰。但缺点是主要依靠主观判断，缺乏客观标准。 2、业务人员评估法 预测时，召集所属物流各环节，如计划、采购、仓储和运输等的业务人员对未来某种物流需求做出估计，然后把大家的推断数据综合处理，形成对未来的预测。这种方法的优点是业务人员最了解物流需求情况和市场动态，所提供的情况和预测的数值比较接近实际。缺点是某些业务人员的自身素质较低，思想狭隘，所作的预测长忽略整个经济形势和市场需求变化趋势，并且业务人员出于自己的业务考虑做出估计一般比较保守。 （二）定量预测技术 这是一种比较准确的预测方法，包括两种：一是时间序列技术，二是回归分析技术。前者通过分析历史模式和模式的变化来预测，后者使用明确并且特定的有关变量的信息来开展预测。 1、时间序列技术 时间序列技术是利用过去一段时间的销售量数据或其他一组数据，运用一定的数学方法，通过现有的需求数据预测未来的发展变化趋势及需求量，这种技术首先要分析确定历史数据的类型和动态，其次选定具体的预测方法，并进行计算，最后结合判断与量化的数据确定未来的预测值。时间序列技术包括三种：（1）移动平均法，（2）指数修正法，（3）外延平滑技术。（1）移动平均法 根据历史统计数据的变化规律，使用最近时期数据的平均数，利用上一个或几个时期的数据产生下一期的预测。移动平均数很容易计算，用数学公式表达为：Xt=ΣXt-i/n Xt — 第t时期的预测值Xt-I — 第t-i时期的实际值 n — 总时期次数
例如，1,2,3 月份的销售量为：220，210，260，则4 月份的移动平均值为：X4=(220+210+260)/3=230这种方法很容易计算，但n 值的选取是预测准确度的关键所在，如果n 值取得大，则不仅需要大量的历史数据来计算预测，而且对这许多数据起伏变化的敏感性差，容易产生“滞后现象”；如果n 值取得很小，则对变化灵敏度高，对某些因随机因素造成的变化难以判断，一旦数据资料大起
大落，预测失误就会增多。因此，应根据长期预测时间中的经验合理选取n 值。移动平均预测最大的缺陷是：产生的时滞现象和对历史时期数据的一视同仁，造成预测误差较大。而加权移动平均法中给每一时期数据赋以权重，使近期数据对移动平均数影响增大，从而可以增加预测值的准确度。数学表达式为：Xt=(a1Xt-1+a2Xt-2+?6?8anXt-n)/nXt — 第t时期的加权移动平均数an — 加权系数 (Σai=n)n — 总时期次数 如上例中，设a1=0.5,a2=1,a3=1.5,n=3,则Xt=(0.5*220+1*210+1.5*260)/3=337
（2）指数修正这种方法是根据以前时期的实际数值和预测值的加权平均数来估计未来的预测值。数学表达式为：X》t=Xt+α(Xt-Xt-1)Xt — 第t时期的预测值Xt-1 — 第t-1 时期的预测值Xt-1 — 第t-1 时期的实际值α— 平滑系数（0≤α≤1）即：下一时期的预测值等于本期预测值再加上一个修正值。修正值是平滑系数与本期预测值和实际值的误差之积。这种方法关键在α,当α=0 时，Xt等于Xt-1, 即几乎是一种简单的移动平均。当α=1 时，Xt=Xt-1,即用最近时期的数据作下一时期的预测值。合理选取平滑系数，当时间序列波动较大，不具备长期稳定趋势时，平滑系数可取得大一些；当时间序列变化缓慢，起伏波动不大时，平滑系数可取得小一些。（3）外延平滑技术 即考虑趋势值和季节波动对预测值的影响，这类技术分别被称为具有趋势值的指数平滑和具有季节因数的指数平滑。外延平滑的计算类似于基本平滑模型的计算，可以用最低限度的记录保存，迅速地计算新的预测。做出反应的技术能力取决于平滑常数值。较高的数值提供快速的反应，但会导致过度反应。外延技术的主要特点是，它们直接考虑趋势值和季节因数成分，但常常被认为过分敏感，因为它没有能力正确地细分每一预测成分。这种过分的敏感会导致预测的精度问题。 2、回归分析技术 这种预测技术建立在事物变化的因果关系基础上，研究两个以上变量之间的关系，所以又叫因果分析法。如果预测基于一个单一因素，只涉及两个变量，叫做一元回归分析；如果使用一个以上的因素，就称为多元回归分析。因果分析法的步骤如下：（1）通过对历史资料和现实调查资料的分析，找出变量之间的因果关系，确定预测目标以及因变量和自变量。因变量即预测的内容，自变量就是引起预测目标变化的各种影响因素。（2）根据变量之间的因果关系模型，选择数学模型，并建立预测模型。 （3）对预测模型进行检验，测定误差，确定预测值。一元回归分析法是处理两个变量之间线性相关关系的一种方法，它描述一个自变量x 与另一个因变量y 之间的相关关系。一元回归分析法的通式为：Yt=a+bX Yt — 因变量，即在时间段t的预测值X — 自变量，即引起因变量Yt变化的某种影响因素a,b—回归系数回归预测能够有效地考虑外部因素和事件，因此，因果分析技术更适合于长期预测或总量预测。例如，他们常被用来做出年度的或全国的销售预测。 三、预测误差控制 预测的精确度是指相应的预测与实际预测之间的差异。要提高预测的精确度，必须衡量和分析预测误差。首先，误差大小的衡量决定改善和控制预测的前提。虽然预测误差的一般定义是实际值与预测需求量之间的差异，但更精确的定义需要进行计算和比较，在误差绝对数或相对数基础上使用各种方法进行衡量。如按年份计算误差平均数，计算绝对误差及由此产生的平均绝对离差等方法，用不同的方法表现出的预测精度是不一样的。其次，分析误差产生的原因，为控制减小误差提供基础。预测误差的产生可能源于外部预测因素，如促销、罢市、价格变化、产品线变化、竞争性活动以及经济条件等的影响;也可能由于预测技术的选择不当所造
成。第三，建立预测反馈机制，根据误差衡量和误差原因分析的结果，通过识别主要的误差来源，开发技术，建立高效的信息传导机制，降低误差。如改善有关诸如价格变化、促销和包装变化等之类的营销活动的通信传输，有可能大大减小预测误差。
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
[1]测过程并对其过程实行有效监控。
[辑]
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。
3、确定预测内容，收集资料进行初步分析
预测内容即影响物流需求的因素，一般包括：某时期的基本需求水平、季节因素、趋势值、周期因素、促销因素以及不规则因素六个方面。预测者必须认识到不同因素对物流需求所具有的潜在影响，并能适当的予以处理，对于特定项目具有重大意义的成分必须予以识别、分析并与适当的预测技术相结合。
某时期的基本需求水平是以整个展延时间内的平均值表示的，是对没有季节因素、周期因素和促销因素等成分的项目的适当预测。
季节因素通常建立在年度基础上，对消费零售层而言，在某几个季度，某物品的需求量较大，而在另几个季度，需求量较小的规律运动。而对批发层次而言，这种季节因素先于消费需求大约一个季度。
趋势值是指在一个展延的时期内，定期销售的长期一般运动。它可以为正、为负或不确定方向，人口或消费类型的变化决定趋势值的增减，销售量随时间而增加是正的趋势值，反之，则为负的趋势值。而通常情况下，由于人们消费习惯的变化，趋势方向会改变许多次。 周期因素如商业周期，一般来说，每隔3—5年就有一次经济从衰退到扩张的波动，许多大宗商品需求就与商业周期联系紧密。
促销因素，在某些行业，厂商的市场营销活动会引发需求波动，对销售量具有很大影响。促销期间销售量增加，此后随着利用促销逐渐售出库存后销售量下降。从预测的角度，有规则的促销因素类似季节因素，而不规则的促销因素则必须对它进行跟踪并结合时期进行分析。 不规则因素，是随机的或无法预测的因素。在展开一项预测的过程中，其目标是要通过跟踪和预计其他因素，使随机因素降低到最小程度。 在了解预测内容的基础上，根据预测目标收集资料进行初步分析，观察资料结构及其性质，并以此作为选择适当预测方法的依据。
4、选择预测方法
在需求预测中有两种方法，即经验判断和数学模型法。经验判断法由预测者根据所掌握的资料进行数据分析，凭借其专业知识和经验进行预测，这种方法多在掌握资料不够全面，预测准确度要求不搞时使用，在更多情况下，使用的是建立数学模型的方法，一般包括时间序列建模和相关性建模两种方法。这种预测相对经验判断法更准确一些。对于这些方法将在下一节中进行具体介绍。
5、计算并做出预测
以预测目标为导向，根据选定的预测方法，利用掌握的资料，就可以具体研究，进行定性或定量分析，预测物流的需求状况。
6、分析预测误差
根据现实的资料对未来进行预测，其中产生误差是难免的。误差的大小反映预测的准确程度，如果预测误差过大,其预测结果就会偏离实际太远，从而失去参考价值。因此对预测可能出现的误差进行分析是十分必要的，一方面要分析误差产生的原因，另一方面要检查预测方法的合理性。总之要使预测误差降到最小
一。 1.【摘要】：从重庆市的物流需求现状出发,通过分析其物流需求的衡量指标和影响因素,建立物流需求规模预测指标体系,并根据实际数据建立BP神经网络预测模型,预测结果显示重庆市的物流需求呈增长之态,在一定程度上能够为重庆市物流规划提供定量依据。
2.摘要：区域物流需求预测是区域物流系统规划中的重要环节，为制定山东省物流发展政策、确定物流基础设施建设规模、分析物流市场态势提供必要的基础依据。然而，由于我国物流企业还处于起步阶段，区域物流需求预测理论研究在我国的发展还不够健全，很多区域出现重复建设基础设施的现象，造成人力、物力和财力的浪费。正是基于这样的原因，本文进行了山东省物流需求预测研究。
二。 1.物流需求预测内容：就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。
2.目的：及时准确的掌握市场物流需求情况的变化规律，结合本企业的实际情况，采取一定的分析方法提出切实可行的需求目标，在此基础上制定需求计划，指导诸如原材料或货物的购进、库存的控制、必要设施的配备等企业物流工作的开展。
三。 物流需求预测程序
1/搜集预测资料：整理、分析已有的相关数据资料；收集、调查尚未拥有的资料数据。分为历史资料和现实资料二类
2/分析判断
3/选定预测方法和技术并作出判断：对需求比较稳定的产品用简单移动平均法；属于趋势型产品用加权平均法指数平均法和回归分析法加以预测；对于随机性的情况采取定性分析与定量分析相结合的方法加以预测。
4/分析预测误差和最终完成预测报告