论文部分内容阅读
摘 要：目前AGV是广东省物流仓储系统正常运作，并实现柔性化作业必不可少的运输装置。AGV作为一种仓储系统运作日用品，其数量在时空范围内如若不能根据时间等不可控因素做相应变动，则必然影响物流企业的正常运作。此次研究在获取了2010—2020年广东省627家已购置AGV的物流公司所在地位置、经济实力、人流量及公司本身业务量等数据进行冷热点分析、地理加权回归分析。分析上述四种因素对物流企业AGV数量设置的空间影响。最后使用神经网络算法模型进行未来1个月内的AGV数量预测。最终发现AGV的设置与企业所处地理位置呈正相关，并且在日后1个月内AGV的数量呈上升趋势，本次研究对广东省各物流企业AGV空间设置情况及数量预测具有重要的应用价值。
关键词：广东省;AGV;地理加权回归;神经网络算法
本文索引：陈春妮，付可.<变量 2>[J].中国商论，2021（15）：-129.
中图分类号：F259.27 文献标识码：A 文章编号：2096-0298（2021）08（a）--04
AGV（automatic guided vehicle）是指装有电磁或光学自动导向装置，能沿规定的导向路径行驶，并具有安全保护和各种负载转移功能的运输车辆。张辰贝西等（2010）认为：AGV具备灵活性与智能化的显著特点，在生产过程中可以方便地对系统进行重组，实现柔性运输。与传统的手动或半手动物料输送方式相比，AGV系统减轻了劳动强度，降低了风险，提高了生产效率，在各行各业中发挥着重要的作用[1]。蒲宝山等（2020）指出，随着AGV的发展，AGV被广泛地应用，解决了物流仓储行业生产过程中会产生的劳动力不足、效率低、不够精准等问题[2]。朱世平（2005）指出，物流的现代化和社会化程度相对高，但信息技术在物流领域的社会化应用程度较低，大多数物流企业都是国有储运企业、仓储设备等，许多物流企业中，小企业能够适应现代物流发展的需要[3]。袁永娟（2010）指出：广东物流业是国民经济发展的“瓶颈”，是流通现代化的主要障碍之一。国家有关部门重视现代物流，物流体系发展系统基础设施条件良好，现代综合运输体系比较完善，供应基础充足[4]。郭笛等（2020）指出：利用机器人来“货到人”提货越来越受到重视，在机器人作业过程中，机器人数量过多导致作业成本增加，等待时间长，拣选效率低，这是智能仓库发展的重要因素之一[5]。魏辉（2019）指出，神经网络算法在理论和性能上已经成熟，其优点是具有较强的非线性映射能力，网络结构灵活，中间层数和每层神经元数可根据实际情况任意设置。港口物流需求预测在一定程度上取决于港口城市的发展和后方经济的发展。它们之间有很强的相关性，但不一定是线性相关。可以使用神经网络算法解决这些复杂问题。在分析神经网络算法模型的基础上，建立了科学可行的物流需求预测模型[6]。地理加权回归模型扩展了传统的回归框架，允许局部而非全局的参数估计。假设回归系数是线性回归模型中观测点的位置函数，将数据的空间特征整合到模型中，为回归关系的空间特征分析创造条件[7]。因此本文利用神经网络算法、地理加权回归分析模型、冷暖点分析等方式对广东省AGV购置情况进行空间分析与数量预测。
1 数据来源与研究范围
1.1 数据来源
共计获取了629家广东省已购置AGV的物流企业包括著名的民办物流园区及仓储型物流公司等节点数据及其对应的货运量。并且在《2019年广东省统计年鉴》上获得了广东省54个市辖区在2018年的人均收入水平数据进行与物流企业所处地的GDP匹配。除此之外，还获取了第六次人口普查的广东省各区域人口数据进行相应的数据匹配。
1.2 研究范围
所涉及的區域包括广州市白云区、从化区、番禺区、海珠区、花都区、黄埔区、荔湾区、南沙区、天河区、越秀区、增城区。东莞市常平镇、大朗镇、大岭山、东坑镇、东英街等22个区域及乡镇。佛山市禅城区、南海区、三水区、顺德区4个区域。深圳市宝安区、禅城区、福田区、龙岗区、龙华区、罗湖区、南海区、南山区、坪山区、三水区、顺德区、盐田区。所属市级区域范围包括潮州、河源、惠州、江门、揭阳、茂名、梅州、清远、汕头、汕尾、韶关、阳江、云浮、湛江、肇庆、中山、珠海。
2 算法介绍
2.1 冷热点分析
冷热点分析法即在统计一组加权数据时进行冷点和热点的聚类分析。根据多重测试和空间依赖性进行结果的调整。Arcgis使用z得分、p值和置信区间（Gi_Bin）为输入要素类中的每个要素创建出一个新的输出要素类。如果要素的z得分高且p值小，则表示有一个高值的空间聚类。如果z得分低并为负数且p值小，则表示有一个低值的空间聚类。z得分越高（或越低），聚类程度就越大。如果z得分接近于零，则表示不存在明显的空间聚类。
2.2 地理加权回归分析
在地理空间分析中，n组观测数据通常是在n个不同地理位置上获取的样本数据，全局空间回归模型就是假定回归参数与样本数据的地理位置无关，或者说在整个空间研究区域内保持稳定一致，那么在n个不同地理位置上获取的样本数据，就等同于在同一地理位置上获取的n个样本数据，其回归模型与最小二乘法回归模型相同，采用最小二乘法估计得到的回归参数既是该点的最优无偏估计，也是研究区域内所有点上的最优无偏估计。
2.3 神经网络算法
神经网络算法是以多数的简单基本元件相互连接而成的自适应非线性动态系统。这给神经网络的各连接权值赋予在（0，1）区间内的随机性值，将“A”所对应的图像模式输入给神经网络，神经网络将输入模式加权求和、限制比较，再进行非线性运算，得到神经网络的输出。在此情况下，神经网络输出为“1”和“0”的概率各为50%，这是完全随机的。但如果输出为“1”，这为正确值，则使连接权值增大，这使得神经网络再次遇到“A”模式输入时，仍然能作出正确的判断。 如果输出为“0”，这是错误的结果，进而把神经网络连接权值朝着减小综合输入加权值的方向调整，其目的在于使神经网络下次再遇到“A”模式输入时，减少犯同样错误的可能性。如此操作调整，当给神经网络逐次输入若干个手写字母“A”“B”后，将这两个模式分布地记忆在神经网络的各个连接权值上。
3 广东省AGV购置情况空间分析
3.1 广东省AGV购置情况影响与关联
本次研究使用冷熱点分析（图1）探究广东省AGV购置情况影响与关联。经过研究发现，在广东省中部沿海地区（东莞市、顺德县、增城市、深圳市……）的电商物流中心的AGV购置数量较多（表1）。其原因为：中部沿海地区的东莞市、顺德县、增城市、深圳市等城市的人口较为密集，经济水平也居于广东省各地区的前列，国民生产总值较高，交通运输网络系统更为完善，其中，东莞市又位居最高，因东莞市生产企业居多，经过数据的整理和统计得出，东莞市的仓储用地面积及其生产厂房面积占据比例最大，因而会大量引进AGV协助各物流中心的日常运作，全面提高自动化效率、降低人工成本，降低人为操控作业的失误和风险。在各电商物流中心，合理规划AGV的数量与其运行的路线，全面完善智能物流体系，促进该地区的发展。进一步观察图1可知，在白色阶层中，包含广州市，清远市中的清新县，佛冈县，英德市等地区，这几个地区的AGV数量在整个广东省冷热点分析区块中位居第二。造成该现象有以下两个因素，关于广州市的AGV数量，广州市经济发展繁荣，可属于地少人多的地区，因此，在广州市内电商物流中心的数量较少，因而AGV的数量也随着电商物流中心的数量而变化，其中，广州市人口密度高，物流需求大，在该因素的驱动下，众多物流企业采用立体化仓库、云仓库等方式提高仓储用地的利用率，发挥最大化，同时形成了物流中心的数量规模小而少，可其用地利用率较高，这是AGV的数量在此地区具有较高比例的重要影响因素。关于广东省其他地区的电商物流中心AGV数量的分析，更多的影响因素显而易见，为地形、人口密度及经济发展水平。
3.2 广东省AGV购置情况空间结构特征
本次研究以广东省各省份为单位进行地理加权回归分析，经过分析可知，与冷热点分析的结果一样，在广东省的中部沿海地区的AGV购置情况较为良好。根据地理加权回归分析图表可知，其空间结构呈现以中部沿海地区为中心，向左右两旁扩散的趋势。并且在中部地区的城市呈现向沿海城市不断延伸的趋势。
4 广东省AGV购置数量时空预测
本团队在matlab软件的辅助下，使用BP神经网络算法制作了AGV购置数量在时间范围内的预测分析。以2020年9月获取的广东省电商物流中心AGV设置数量为基础，进行2021年1月AGV设置数量预测，具体结果如表3所示。
根据表3可以得出，在广州市东莞市设置的数量比其他广东省内地区要高出许多，数量预测达到1000以上，再次为佛山市，数量预测为718台，这是结合了各地区的人口数量、货运量，以及选取了2020年9月已配置的AGV数量进行BP神经网络算法分析得出的结果，具有一定的说服性。
5 结语
本团队通过搜集整理了2010—2020年内广东省627家已购置AGV的物流公司所在地位置、经济实力、人流量及公司本身业务量数据，结合AGV的购买数量及其空间特征进行冷热点分析、地理加权回归分析，得出了东莞市、深圳市等地区的电商物流中心数量较多，与其AGV的现今拥有量最多等结论。再进一步分析上述四种因素，对物流企业AGV数量设置的空间影响分析，最后使用神经网络算法模型进行未来1个月内的AGV数量预测。发现AGV的设置与企业所处地理位置、人口密度、货运量等因素呈正相关，并且预测出在日后1个月AGV的数量呈上升趋势，其中广州市和东莞市的AGV数量上升最为明显，其次为佛山市。本次研究对广东省各物流企业AGV空间设置情况及数量预测具有重要的应用价值。
参考文献
张辰贝西，黄志球.自动导航车（AGV）发展综述[J].中国制造业信息化，2010，39（01）：53-59.
蒲宝山，陈永快，王涛，等.自动导航车技术发展状况及在农业领域的应用及前景展望[J].江苏农业科学，2020，48（01）：61-65.
朱世平.中国物流业发展特征分析[J].财贸经济，2005（02）：82-84.
袁永娟.广东物流业的现状、存在的问题与发展对策[J].中国城市经济，2010（05）：235-236.
郭笛，谢旦岚，纪媛.多重约束下智慧仓储机器人配置仿真优化研究[J/OL].系统仿真学报：1-7[2020-10-03].
魏辉.基于BP神经网络的港口物流需求预测[J].决策探索（中），2019（09）：86-88.
陈文新，刘冬，孙善祥.我国区域物流发展时空差异及收敛性研究——基于地理加权空间计量模型的实证分析[J].工业技术经济，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
关键词：广东省;AGV;地理加权回归;神经网络算法
本文索引：陈春妮，付可.<变量 2>[J].中国商论，2021（15）：-129.
中图分类号：F259.27 文献标识码：A 文章编号：2096-0298（2021）08（a）--04
AGV（automatic guided vehicle）是指装有电磁或光学自动导向装置，能沿规定的导向路径行驶，并具有安全保护和各种负载转移功能的运输车辆。张辰贝西等（2010）认为：AGV具备灵活性与智能化的显著特点，在生产过程中可以方便地对系统进行重组，实现柔性运输。与传统的手动或半手动物料输送方式相比，AGV系统减轻了劳动强度，降低了风险，提高了生产效率，在各行各业中发挥着重要的作用[1]。蒲宝山等（2020）指出，随着AGV的发展，AGV被广泛地应用，解决了物流仓储行业生产过程中会产生的劳动力不足、效率低、不够精准等问题[2]。朱世平（2005）指出，物流的现代化和社会化程度相对高，但信息技术在物流领域的社会化应用程度较低，大多数物流企业都是国有储运企业、仓储设备等，许多物流企业中，小企业能够适应现代物流发展的需要[3]。袁永娟（2010）指出：广东物流业是国民经济发展的“瓶颈”，是流通现代化的主要障碍之一。国家有关部门重视现代物流，物流体系发展系统基础设施条件良好，现代综合运输体系比较完善，供应基础充足[4]。郭笛等（2020）指出：利用机器人来“货到人”提货越来越受到重视，在机器人作业过程中，机器人数量过多导致作业成本增加，等待时间长，拣选效率低，这是智能仓库发展的重要因素之一[5]。魏辉（2019）指出，神经网络算法在理论和性能上已经成熟，其优点是具有较强的非线性映射能力，网络结构灵活，中间层数和每层神经元数可根据实际情况任意设置。港口物流需求预测在一定程度上取决于港口城市的发展和后方经济的发展。它们之间有很强的相关性，但不一定是线性相关。可以使用神经网络算法解决这些复杂问题。在分析神经网络算法模型的基础上，建立了科学可行的物流需求预测模型[6]。地理加权回归模型扩展了传统的回归框架，允许局部而非全局的参数估计。假设回归系数是线性回归模型中观测点的位置函数，将数据的空间特征整合到模型中，为回归关系的空间特征分析创造条件[7]。因此本文利用神经网络算法、地理加权回归分析模型、冷暖点分析等方式对广东省AGV购置情况进行空间分析与数量预测。
1 数据来源与研究范围
1.1 数据来源
共计获取了629家广东省已购置AGV的物流企业包括著名的民办物流园区及仓储型物流公司等节点数据及其对应的货运量。并且在《2019年广东省统计年鉴》上获得了广东省54个市辖区在2018年的人均收入水平数据进行与物流企业所处地的GDP匹配。除此之外，还获取了第六次人口普查的广东省各区域人口数据进行相应的数据匹配。
1.2 研究范围
所涉及的區域包括广州市白云区、从化区、番禺区、海珠区、花都区、黄埔区、荔湾区、南沙区、天河区、越秀区、增城区。东莞市常平镇、大朗镇、大岭山、东坑镇、东英街等22个区域及乡镇。佛山市禅城区、南海区、三水区、顺德区4个区域。深圳市宝安区、禅城区、福田区、龙岗区、龙华区、罗湖区、南海区、南山区、坪山区、三水区、顺德区、盐田区。所属市级区域范围包括潮州、河源、惠州、江门、揭阳、茂名、梅州、清远、汕头、汕尾、韶关、阳江、云浮、湛江、肇庆、中山、珠海。
2 算法介绍
2.1 冷热点分析
冷热点分析法即在统计一组加权数据时进行冷点和热点的聚类分析。根据多重测试和空间依赖性进行结果的调整。Arcgis使用z得分、p值和置信区间（Gi_Bin）为输入要素类中的每个要素创建出一个新的输出要素类。如果要素的z得分高且p值小，则表示有一个高值的空间聚类。如果z得分低并为负数且p值小，则表示有一个低值的空间聚类。z得分越高（或越低），聚类程度就越大。如果z得分接近于零，则表示不存在明显的空间聚类。
2.2 地理加权回归分析
在地理空间分析中，n组观测数据通常是在n个不同地理位置上获取的样本数据，全局空间回归模型就是假定回归参数与样本数据的地理位置无关，或者说在整个空间研究区域内保持稳定一致，那么在n个不同地理位置上获取的样本数据，就等同于在同一地理位置上获取的n个样本数据，其回归模型与最小二乘法回归模型相同，采用最小二乘法估计得到的回归参数既是该点的最优无偏估计，也是研究区域内所有点上的最优无偏估计。
2.3 神经网络算法
神经网络算法是以多数的简单基本元件相互连接而成的自适应非线性动态系统。这给神经网络的各连接权值赋予在（0，1）区间内的随机性值，将“A”所对应的图像模式输入给神经网络，神经网络将输入模式加权求和、限制比较，再进行非线性运算，得到神经网络的输出。在此情况下，神经网络输出为“1”和“0”的概率各为50%，这是完全随机的。但如果输出为“1”，这为正确值，则使连接权值增大，这使得神经网络再次遇到“A”模式输入时，仍然能作出正确的判断。 如果输出为“0”，这是错误的结果，进而把神经网络连接权值朝着减小综合输入加权值的方向调整，其目的在于使神经网络下次再遇到“A”模式输入时，减少犯同样错误的可能性。如此操作调整，当给神经网络逐次输入若干个手写字母“A”“B”后，将这两个模式分布地记忆在神经网络的各个连接权值上。
3 广东省AGV购置情况空间分析
3.1 广东省AGV购置情况影响与关联
本次研究使用冷熱点分析（图1）探究广东省AGV购置情况影响与关联。经过研究发现，在广东省中部沿海地区（东莞市、顺德县、增城市、深圳市……）的电商物流中心的AGV购置数量较多（表1）。其原因为：中部沿海地区的东莞市、顺德县、增城市、深圳市等城市的人口较为密集，经济水平也居于广东省各地区的前列，国民生产总值较高，交通运输网络系统更为完善，其中，东莞市又位居最高，因东莞市生产企业居多，经过数据的整理和统计得出，东莞市的仓储用地面积及其生产厂房面积占据比例最大，因而会大量引进AGV协助各物流中心的日常运作，全面提高自动化效率、降低人工成本，降低人为操控作业的失误和风险。在各电商物流中心，合理规划AGV的数量与其运行的路线，全面完善智能物流体系，促进该地区的发展。进一步观察图1可知，在白色阶层中，包含广州市，清远市中的清新县，佛冈县，英德市等地区，这几个地区的AGV数量在整个广东省冷热点分析区块中位居第二。造成该现象有以下两个因素，关于广州市的AGV数量，广州市经济发展繁荣，可属于地少人多的地区，因此，在广州市内电商物流中心的数量较少，因而AGV的数量也随着电商物流中心的数量而变化，其中，广州市人口密度高，物流需求大，在该因素的驱动下，众多物流企业采用立体化仓库、云仓库等方式提高仓储用地的利用率，发挥最大化，同时形成了物流中心的数量规模小而少，可其用地利用率较高，这是AGV的数量在此地区具有较高比例的重要影响因素。关于广东省其他地区的电商物流中心AGV数量的分析，更多的影响因素显而易见，为地形、人口密度及经济发展水平。
3.2 广东省AGV购置情况空间结构特征
本次研究以广东省各省份为单位进行地理加权回归分析，经过分析可知，与冷热点分析的结果一样，在广东省的中部沿海地区的AGV购置情况较为良好。根据地理加权回归分析图表可知，其空间结构呈现以中部沿海地区为中心，向左右两旁扩散的趋势。并且在中部地区的城市呈现向沿海城市不断延伸的趋势。
4 广东省AGV购置数量时空预测
本团队在matlab软件的辅助下，使用BP神经网络算法制作了AGV购置数量在时间范围内的预测分析。以2020年9月获取的广东省电商物流中心AGV设置数量为基础，进行2021年1月AGV设置数量预测，具体结果如表3所示。
根据表3可以得出，在广州市东莞市设置的数量比其他广东省内地区要高出许多，数量预测达到1000以上，再次为佛山市，数量预测为718台，这是结合了各地区的人口数量、货运量，以及选取了2020年9月已配置的AGV数量进行BP神经网络算法分析得出的结果，具有一定的说服性。
5 结语
本团队通过搜集整理了2010—2020年内广东省627家已购置AGV的物流公司所在地位置、经济实力、人流量及公司本身业务量数据，结合AGV的购买数量及其空间特征进行冷热点分析、地理加权回归分析，得出了东莞市、深圳市等地区的电商物流中心数量较多，与其AGV的现今拥有量最多等结论。再进一步分析上述四种因素，对物流企业AGV数量设置的空间影响分析，最后使用神经网络算法模型进行未来1个月内的AGV数量预测。发现AGV的设置与企业所处地理位置、人口密度、货运量等因素呈正相关，并且预测出在日后1个月AGV的数量呈上升趋势，其中广州市和东莞市的AGV数量上升最为明显，其次为佛山市。本次研究对广东省各物流企业AGV空间设置情况及数量预测具有重要的应用价值。
参考文献
张辰贝西，黄志球.自动导航车（AGV）发展综述[J].中国制造业信息化，2010，39（01）：53-59.
蒲宝山，陈永快，王涛，等.自动导航车技术发展状况及在农业领域的应用及前景展望[J].江苏农业科学，2020，48（01）：61-65.
朱世平.中国物流业发展特征分析[J].财贸经济，2005（02）：82-84.
袁永娟.广东物流业的现状、存在的问题与发展对策[J].中国城市经济，2010（05）：235-236.
郭笛，谢旦岚，纪媛.多重约束下智慧仓储机器人配置仿真优化研究[J/OL].系统仿真学报：1-7[2020-10-03].
魏辉.基于BP神经网络的港口物流需求预测[J].决策探索（中），2019（09）：86-88.
陈文新，刘冬，孙善祥.我国区域物流发展时空差异及收敛性研究——基于地理加权空间计量模型的实证分析[J].工业技术经济，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