城市物流规划中的物流需求预测.doc

《城市物流规划中的物流需求预测.doc》由会员上传分享，免费在线阅读，更多相关内容在行业资料-天天文库。

1、城市物流规划中的物流需求预测1、近几年在我国区域经济发展比较迅速的地区，政府部门已经认识到发展现代物流对于优化经济结构、改善投资环境和提高地区经济整体竞争力的战略意义，并已着手研究和制定有关物流规划与政策。在大力发展物流业的同时，各地政府应关注新经济条件下区域经济发展模式的雷同和重复建设问题。据有关资料统计，全国有近60%的物流园区处于闲置。所以实践的发展需要新的理论指导，如何在区域经济一体化的条件下发展现代物流业，如何依据区域经济发展预测物流服务需求，使物流规划和基础设施的建设符合城市经济发展的需求，是当前急待研究的问题。2.城市物流规划应以物流需求预测为前提从社会再生产流

2、通角度看，全部转化为商品的工农业产品，都需要通过物流来实现资源配置。其中全社会固定资产投资额、外贸进出口总额、工业总产值、居民消费等是完成国民收入循环流程时对物流需求强度大的循环路径，也是对物流需求影响大的经济量。物流作为一种服务，必须考虑服务对象的需求，要考虑作为服务对象的各个产业发展规划对物流服务的需求内容和规模。物流的内涵必须要与服务对象的生产力水平相配合，依托于当地经济的发展，超量超水平的供给是不正确的做法。城市物流市场需求预测是从城市经济发展及区域周边地区的合作角度，分析经济发展特点、影响物流需求的主要因子，物流特点，并结合货运、仓储现状与规模，采用定性分析与定量分

3、析相结合的方法，预测物流市场未来需求。这是制订物流规划的基础条件之一，是制订交通基础设施规划和物流中心总体布局规划的重要依据。3.城市物流需求预测的特点、步骤3.1城市物流需求预测的特点城市物流规划中物流需求预测有如下特点：（1）历史数据的局限性历史数据所描述的发展趋势不能完全代表未来的发展趋势：现代物流的发展使传统物流业的运作模式发生了变化；全球经济一体化及我国加入WTO，使许多涉及国际物流的物流企业的物流量发展趋势与过去的物流量的发展趋势有差别。（2）统计数据自身的缺点统计数据是描述宏观经济的运行情况。由于统计调查方法、数据收集能力、调查范围等的限制以及我国现行统计制度不

4、完善，导致统计数据不完备、不准确、透明度不够，与实际有一定出入。（3）物流量等各变量间发展关系的不确定性各项经济指标与物流需求规模间的关系目前还没有建立确定的数学模型；由于社会经济是开放系统，受各种复杂因素影响，关系的不确定性，使得确定性模型难以建立；由于统计数据本身存在的缺陷（如不准确、不全面，存在估计性等），数据的灰性较大，不适合建立确定性模型；另外各种指标的相互关系复杂，一般又包含许多随机性的相互作用，许多过程具有后效性；预测的时限较长（长期预测），各项关系会随之改变。所以建立预测模型的过程复杂，不适合采用确定性预测方法预测物流需求。（4）各因素之间关系具有双向或多向性

5、预测目标主要是对物流系统的规模、运作模式及其服务水平相关的指标。不同的运作模式和服务水平吸引不同的客户群，影响直接物流需求量的大小；物流量的增加或减少又直接影响企业的运作模式和服务水平。（5）定性预测与定量预测有机结合物流系统是开放系统，影响物流需求的因素众多，很多因素不能量化处理，预测模型也不可能包括所有因子变量。因此就需要将定量与定性方法结合运用，对定量预测的结果进行分析和修正。3.2物流需求预测的步骤通过对物流预测项目的实践研究和综合总结，笔者认为物流需求预测步骤应包括如下工作：（1）明确预测目的（2）分析物流市场需求的主要影响因素、可控因素和不可控因素（3）进行市场调

6、研、整理、分析资料充分详实的市场调研是提高预测精度的一个重要手段。通过市场调研不仅可以获得所需预测数据和资料，而且还能对前面考虑不周的地方、还未意识到的影响因素进行修正和补充。对调研的资料进行分类、统计，同时通过资料的分析、统计了解资料是否完整。然后，分析资料、数据的特性并对样本数据进行修正。样本数据的修正包含奇异数据的修正和空缺数据的补充。（4）选择预测方法统计数据的特性是选择预测方法的基础，在适用的预测方法中又要选择精度高、易于实现的方法。由于预测方法有多种，且各有利弊，而物流系统的随机性和开放性，其预测的准确性更难把握。因此往往采用组合预测方法进行预测，即采用多种预测方

7、法进行有机的结合，获得理想的预测效果。（5）建立预测的数学模型在物流需求的预测中，采用定量预测方法是实现客观预测、科学预测的必要手段。预测模型的建立不仅与历史数据有关，而且物流系统各因素的非线性特性又增加了建立数学模型工作的难度，拟合曲线的确定比较困难，需要对预测理论和预测模型有充分的了解。（6）误差分析及预测值的修正系统预测的误差总是存在的，误差引起的原因有多方面，有的是模型本身所引起的，有的是为了对模型进行简化，而在模型中忽略了一些次要的影响因素，而带来的误差；有的误差是由于外部环境的变化所引起的，