流量分析与统计

流量分析与统计（精选4篇）

流量分析与统计 第1篇

在一些重要地段、出入口、车站、码头以及商场, 对实时的“客流量统计”越发显得重要, 首先, 客流量达到该地段 (地域) 的饱和值时, 如不加以限制和采取分流, 极易产生安全事故, 这种例子在媒体中不乏报道;其次, 客流量的精确统计十分有助于了解和掌握商业信息。虽然, 对这种信息的统计很早就有人开始做了, 但由于社会飞速发展, 以前使用的手段已经不适用或不够准确、快速, 因而逐步被新手段、新方法所替代。

近年来, 随着计算机信息网络技术的飞速发展, 计算机图像处理、识别技术日益成熟, 视频分析技术作为客流量统计手段开始崭露头角, 因其优越的性能、精确的统计结果、简单的安装实现方式以及低廉的成本等特性, 正逐步替代传统的统计手段。

2 硬件基础描述

本系统在原有视频监控系统基础上, 通过在人流出入口正上方安装向下俯视的摄像头和在后台增加智能视频分析服务器, 以实现出入口的客流量统计功能。本系统在传统的视频监控系统的基础上融入智能分析技术, 不更改原有系统的结构, 支持多种前端设备。统计结果保存在数据库中, 方便其他系统的集成, 也可按需求提供查询接口。

3 系统设计

3.1 系统结构 (系统结构示意图如图1所示) 。

3.2 软件功能

系统采用集中式分析的方法, 前端摄像头只负责视频采集, 采集到的图像数据通过网络传输到后台视频分析服务器中进行统一分析, 分析结果保存在数据库服务器中。用户可灵活设置每次统计数据的时间跨度。管理平台可对系统做各项参数配置, 同时对分析结果做分析统计, 形成相应报表, 给用户提供直观的决策依据。

3.3 摄像机安装方式

出入口类型可分为出入通道口和楼梯 (扶梯) 通道口两种;门口类型的, 可在门口内测或外侧正上方安装1~2个摄像机;而楼梯类型的, 由于每个楼梯两旁还有向上和向下的自动扶梯, 故需要安装3个摄像头, 中间楼梯中部正上方安装1个, 两个自动扶梯上部或下部的位置正上方各安装1个。

3.4 硬件选型依据

1) 摄像机

本系统只需对客流量进行统计, 不需要识别更多人物特征信息, 因此对摄像头的清晰度和分辨率并没有特别苛刻的要求;高分辨率的图像数据反而会对后台分析服务器造成更大的压力。选择普通的720p摄像头即可。

2) 视频分析服务器

视频分析服务器负责对前端摄像机采集传输过来的视频数据进行解码并做智能分析。这是一项非常占用CPU资源的操作, 因此对CPU的要求较高, 应尽可能选择市面流行的高档次CPU。CPU的能力决定了每台分析服务器可以同时分析视频信号的路数, 若想降低硬件成本, 减少分析服务器的数量, 就需要选择性能更强的服务器。

3) 数据库服务器

数据库服务器主要保存系统的配置参数和视频分析服务器的分析结果, 单单就本系统而言, 并发访问数量不大, 一般配置即可;如果还需要为其他平台提供访问, 可根据访问量提高配置。

4) 录像存储

尽量利用已有的存储系统, 如果它没留有余量, 再考虑增加存储设备。

5) 管理平台

用普通PC机安装管理软件, 通过局域网与服务器进行网络连接, 即可完成各种管理操作, 管理平台通过调用服务器中的数据, 可以实时显示出各个通道的客流量情况。

4 图像识别及统计方法

计算机图像识别, 是指利用计算机对图像进行处理、分析和理解, 以识别各种不同模式的目标和对像的技术。计算机图像识别是人工智能的一个重要领域, 其识别过程就是一个“模板匹配过程”。要识别某个“图像”, 须有“模板”, 把图像与计算机中存储的众多模版进行比对, 并找出与图像最接近的那个模版, 这就完成了识别过程。例如, 在人数统计中, 摄像头在人头顶上方摄取图像, 一帧视频图像中会出现人员头部、行李物件以及周边环境, 计算机通过对比预先存储“模版”, 找出人员头部图像并进行统计, 得出一幅图像中人员头部的数量。这就是计算机视频图像统计客流量的基本原理。为了提高统计正确率, 计算机还要对视频图像进行预处理, 包括图像去干扰、图像帧分割、图像背景分离、图像画面分割、虚假对象过滤以及运动物体 (人) 识别等工作。由于视频是活动的图像, 需要按帧截取视频图像。帧图像之间可能有重叠部分, 需要分析裁剪, 再从中统计帧人数, 每秒截图帧中总人数即为当时的客流量数。

在地段 (通道) 采集到的人流图像中, 一般会有以下3种情况:人员按照一个方向流动;人员流动方向为两个;流动方向无规律。对第一种情况的客流量统计, 上面大致已经分析过, 是比较容易识别和统计的, 得出的数据也相对准确。第二种情况, 稍微复杂一些, 在首先判断人员流动方向属双向流动后, 取得一帧图像, 标记图像中人头特征, 再取得后一帧图像, 同样标记图像中人头特征数据, 进行两帧图像比对, 得出图像中人员“进出”两个方向的流动数据;第二幅图像选取范围需要比第一幅图像面积稍大, 目的是不让人员因流动而遗失人头特征数据, 也许第二幅图像中会出现新的特征人头数据, 这需要在完成第二幅数据采集后, 对第二幅图像进行“删除旧特征数据”处理得到“第二幅次图像” (此图像需要保留且和后面第二轮图像采集的数据对比) 。至此完成第一轮客流量的数据采集, 随后进行第二轮数据采集。这里值得注意的是:第二轮数据采集需要增加“第二幅次图像”与第二轮第一幅图像对比数据, 以保证客流量数据的准确性。第三种情况下, 说明人员流动处于无序状态, 不进行客流量统计, 如果这种情况发生在出入口, 需要进行“报警”告知相关管理人员。

通过以上分析, 客流量统计是否准确, 关键在于人头识别率是否准确。影响准确率的因素有:图像传输质量是否良好, 帧图像清晰程度, 图像分割是否适宜, 与人头外形相似物体是否可识别, 人员流动方向是否一致, 图像识别软件算法是否科学等。为了更加准确地得到流量数据, 还可以采取如下方法:一通道中, 变角度、多摄像头同时采集图像, 同时统计出数据, 然后取平均数。这样得到的数据比一摄像头采集到的数据更为准确。但这种“多机并行”的方法会增加系统硬件成本。

5 某火车站应用实例

表1以部署1台分析服务器分析12路为例子, 列出系统的软硬件清单。

以扶梯类型的出入口为例, 每个出入口需安装3个摄像头, 1个分析服务器就可以负责4个出入口的人流量统计, 平均每个出入口大概投入2万元左右。如果以门口类型的出入口为例, 由于所需安装的摄像头数量更少, 平均每个出入口投入不到1万元。

6 结束语

本文给出的方案适用于车站、码头、大型公共场所出入口等地方, 方便这些重要地段管理者实时掌握人员客流量及异常情况, 以便对可能发生的人群拥挤、踩踏意外事件做好预防工作, 同时也可以在某些方面提高管理效率和服务质量。

参考文献

[1]杨淑莹.图像模式识别[M].北京:清华大学出版社, 2005.

流量分析与统计 第2篇

一、问题描述：

最近某网页广告收入突增又突降（如下图，中间有个小高峰），从广告联盟后台数据看到，收入变化主要是PV变化导致，每千次PV的收入（CPM）并无明显增加。所以，我试图通过百度统计来定位PV增加的原因。

二、分析过程：

1、 先看整体PV是怎么变化的

查看趋势分析—最近30天报告；发现：12月25日-30日，PV有个小高峰，约是正常水平的2倍（16,000 vs. 8,000）

2、 再看是哪种来路的PV突变了

选择“来源”依次为“直达”，“搜索引擎”，“其他网站”；发现：主要是“搜索引擎”下的“百度”的PV突增

3、 最后看是百度哪个词的PV突变了

选择来源分析—搜索词报告，搜索引擎选择“百度”，与其他时间段对比选择“-12-25~2009-12-30与2009-12-18~2009-12-23”；发现：主要是“百度”带来的“维基百科”这个词的PV突增，6天突增46,000，日均突增8000左右。

点击看“维基百科”的PV趋势；发现中间有个小高峰，和整体PV以及广告收入变动完全吻合，

4、为什么“维基百科”这个词带来的PV会突增？

1) 可能原因1：近期网民搜索“维基百科”的次数突增了？

点击；发现最近“维基百科”的用户关注度没有突增。根据历史经验，网民搜索行为突变可能性确实较小（除非发生大事，比如CCTV专题报道“维基百科”之类的）。

2) 可能原因2：网民搜索“维基百科”的次数没有突增，但是这个网页在百度自然结果中的排名提升了，所以点击率变高导致得到的点击变多？

单击链接，会打开百度搜“维基百科”的结果（如果默认选择了其他搜索引擎，会打开其他搜索引擎的搜索结果）；发现果真是这个网站在百度自然结果中的排名从以前的第3名提升到了第2名，而第1条结果是全英文结果，所以网民搜“维基百科”时第2条结果的点击率大幅提升，导致百度搜索“维基百科”给这个网站带来的PV突增。

至此，该网站流量突变的原因就一清二楚了。

三、案例小结：

该案例分析网站流量变化时主要用到了百度统计的以下功能：

1、趋势分析—最近30天报告，并用了筛选1个子功能

2、来源分析—搜索词报告，并用了筛选，，搜索结果链接，指数，趋势5个子功能

流量趋势，对比分析等功能在目前常见的CNZZ，51啦，Google Analytics 等流量统计产品中也都能找到，不过百度统计把用户需要的一些小功能点（如百度指数，搜索结果链接等）打包到了相关报告中，还是比较人性化的。

流量分析与统计 第3篇

伴随着视频监控技术的发展和普及,目前我国的主要公路上都已经部署了大量视频监控摄像头。除了利用这些监控摄像头实时监控道路状况外,越来越多的公路管理部门希望能够利用这些视频实现机动车辆的流量统计,以取代传统的基于感应线圈的流量统计方法[1]。

常见的车流量统计方法一般由两个部分组成,一个是目标车辆提取模块,另一个是车辆计数模块。目标车辆提取模块主要用于提取和分割视频中的目标车辆,因为无论采用何种方法进行车流量统计,在统计前都要用到从视频中提取的目标车辆。目前车辆提取常用的方法为背景差分法[2],该方法首先动态生成一幅背景图像[3,4]和一个事先设定的阈值,然后背景图像和当前帧对应位置的像素做算术减法操作。如果相减结果大于给定的阈值那么可认为存在一个待验证的目标车辆,然后再对相减后的图像进行二值化、形态学和图像分割等处理,最后提取出目标车辆。获取目标车辆后即可执行车辆计数模块来统计车流量。目前基于视频的车流量统计方法主要有基于虚拟检测带(区域)的方法[5,6,7]和基于运动跟踪的方法[8,9],其中又以虚拟检测带法应用较为广泛。虚拟检测带法的主要思想是在车道上设置一条虚拟检测带,当车辆通过该虚拟带时,虚拟检测带上像素的灰度值将会发生显著的变化,通过统计虚拟检测带上的像素变化的次数来统计道路上的车流量。虚拟检测带方法简单高效,但其也有明显的不足,因为除了车辆通过检测带会引起像素灰度值的变化外,如树荫的移动、灯光的变化等都会导致误检。尤其是在夜晚光照环境复杂的情况下,该方法基本失去了检测能力。运动目标跟踪是另一种常用的车流量统计方法,该方法追踪运动的车辆目标,利用运动目标轨迹数量来统计车流量。相较于检测带方法,该方法在进行车辆计数时不依赖特定区域的像素值的变化,因此具有一定的鲁棒性。但由于实际的道路状况非常复杂,在道路上的运动目标并不全都是运动的车辆,因此在全天候的道路环境下该方法的准确率也不是很高。例如在夜晚光照复杂的环境下,由于车辆开启了远光灯,所以在车辆前方的位置会形成移动的光团,光团移动过检测带时,检测带会误认为有车辆通过造成误检。同时光团本身也是运动的目标,所以采用跟踪法也会造成误检。

本文通过对现有大量公路视频和已有车流量统计方法的研究和分析,提出一种可适用于全天候环境下的基于支持向量机学习的车流量统计方法。该方法包括轨迹分析和车辆识别两个部分。在轨迹分析部分,首先利用追踪算法获得运动目标的轨迹,并保存在链表集合中,然后把这些轨迹进行人工分类后供支持向量机学习,通过学习得到的分类器来判断某一轨迹是否是真实的车辆轨迹。在车辆识别部分,首先从真实轨迹中提取出运动目标,同样是利用人工对这些目标进行区分,然后供支持向量机学习,再利用获得的车辆分类器来判断轨迹中的运动目标是否是车辆或是其他物体。最后通过统计真实轨迹和真实轨迹中真实车辆的数量来实现车流量的统计。

1 目标车辆提取

车流量统计方法的准确率直接依赖于目标车辆提取的准确性,通过查询文献和实验比对,本文采用如图1所示步骤提取目标车辆。首先利用高斯模板和中值模板对待处理视频帧进行降噪处理,再利用高斯混合模型方法动态更新背景图像。然后执行背景差分操作,即图像算术减操作,对得到的结果进行二值化处理后,再执行形态学的膨胀和腐蚀操作来获得连通分量。最后利用行列扫描标记方法[5]来提取连通分量,每个连通分量即一个待提取的目标车辆。由于在实际的公路视频中会出现车辆阴影和车辆遮挡的情况,所以在获取了目标车辆后需要执行阴影处理和遮挡处理。在本文中采用基于HSV色差模型的阴影检测方法[10]来抑制车辆阴影,遮挡处理则是采用基于椭圆拟合的方法[11]。

2 基于轨迹分析和类型识别的流量统计方法

为了克服虚拟检测带法和跟踪法的不足,本节给出一种新的车流量统计方法。该方法首先提取出运动目标,然后执行多目标跟踪算法获取每个运动目标的运动轨迹,并提取每个轨迹的特征进行学习,最终获取真实车辆的运动轨迹。对获取的真实轨迹,再提取轨迹目标的若干特征,并对这些特征进行学习以区分哪些是真实的车辆,哪些是误检,最后统计真实轨迹中的真实车辆来实现车流量的统计。

使用支持向量机SVM[12]作为轨迹分析和类型识别的机器学习方法,利用SVM对轨迹特征和车辆特征进行提取并进行训练以获得分类器,再利用该分类器对车辆轨迹和车辆类型进行分类。支持向量机是建立在统计学习理论和结构风险最小理论基础上的一种高效的机器学习方法,它非常适用于小样本、非线性和高维度的分类应用中。SVM将特征向量映射到高维空间,然后在高维空间中构造决策超平面使不同类的数据间隔取得最大,从而获得最好的分类效果。同时SVM无需大量训练样本,分类效果仅取决于支持向量,所以在训练分类器时仅需要少量的具有代表性的轨迹和类型样本即可。

2.1 运动目标跟踪

考虑到相邻两帧的运动目标的位移非常小,且车辆运动的方向基本恒定,因此同一目标在相邻两帧中的空间位置大部分是重叠的。所以可对相邻两帧所有的运动目标两两进行位置匹配,重叠程度最大的两个目标即可看作是同一运动目标,从而实现运动目标的轨迹跟踪,并且把每条运动轨迹存放在一个单链表中,即每个单链表保存一条轨迹的所有信息。具体算法步骤如下:

步骤1假设fi代表视频的第i帧,并且提取出的运动目标为m个,令fij代表从视频的第i帧中提取的第j个目标,并且1≤j≤m,初始状态下i=0、j=1,并设置单链表集合L为ф。

步骤2比较fij与fi0+1,fi1+1,…,fin+1,其中n表示i+1帧中提取的运动目标数量。选取位置最大重叠的运动目标作为匹配的跟踪目标,然后在链表集合L中(即轨迹集合)找出对应的链表,把匹配的目标放入链表的后续节点中。如果没有匹配成功,说明该运动目标是一个新的目标,会产生一条新的轨迹。因此需要开辟一个新的链表放入链表集合L中。

步骤3令j=j+1,然后重复步骤2,直到j=m时转步骤4,即fi帧中的所有目标都和fi+1帧中目标匹配完毕。

步骤4令i=i+1,重复步骤2和步骤3,直到所有的视频帧被遍历完,最后输出链表集合L。

通过本节的运动跟踪算法,每一运动目标都将生成一条轨迹,每个轨迹都保存在一个链表中,链表中的每个节点保存的是对应一帧中跟踪成功的运动目标,在视频扫描结束后将产生一个包含所有运动目标轨迹(链表)的集合。

2.2 运动轨迹分析

在取得所有运动目标的轨迹后,下一步需要对这些轨迹进行分析,以判断哪些是真实的轨迹。采用机器学习的方法进行分析,具体是通过支持向量机来鉴别真实的车辆轨迹。首先从每条轨迹中抽取一个特征向量vtrack=(v1,v2,v3),然后人工对训练样本进行分类并供SVM学习从而得到分类器Ctrack。在抽取特征向量前先把运动轨迹平均等分为3个子轨迹,分别对应3个子特征向量

其中,(xistart,yistart)代表子轨迹i第一帧中运动目标外接矩形的中心坐标,对应地,(xilast,yilast)代表子轨迹i最后一帧中外接矩形的中心坐标。并且,filast和fistart分别代表子轨迹i最后一帧和第一帧的帧号。最后把轨迹集合中每个轨迹的特征向量归一化后输入Ctrack以剔除非车辆运动的轨迹。

2.3 车辆类型识别

利用轨迹分析可以去除非车辆运动轨迹,但在某些特殊环境下有些非车辆运动目标的运动轨迹和车辆轨迹非常相似,例如,夜晚由车辆远光灯照射生成的移动光团。对此类轨迹还需判断该运动目标是否是真实的车辆,因此选择在轨迹分析后再对轨迹中运动目标进行识别以最终确定通过的车流量。

在本节中利用车辆类型识别技术[13]来识别车辆,但相较于传统的车辆多类型分类识别,我们仅仅需要区分运动目标是否为车辆,因此本文训练了一个基于SVM的分类器来区分车辆和其他目标。具体方法是从轨迹链表中抽取中间一个节点中保存的目标,并人工对目标进行筛选得到若干正例和反例作为训练样本。然后对每个目标样本抽取9个特征构成一个9维的特征向量供SVM训练,得到一个车辆分类器Cvehicle。再利用Cvehicle对运动目标进行区分,以判断哪些是真实的车辆,最终输出的真实车辆的数量即为统计得到的准确的车流量。具体抽取的9个特征中指的是运动目标的面积,指的是目标外接矩形的长宽比,指的是目标区域的灰度均值和灰度方差。代表目标区域的Harris角点[14]数量,代表目标区域的Surf特征[15]数量,为目标区域利用Hough直线变换[16]得到的直线段的数量。代表的是目标区域的MSER特征[17]数量,为MSER区域面积和目标面积之比。

2.4 实验结果与分析

为验证和分析本文方法,从厦门市公路局提供的监控视频中选取了三段不同天气环境下具有代表性的视频。视频1为正常日光环境下的监控视频,其中包含301个真实车辆。视频2为阴雨天气环境下的视频,其中包含79个真实车辆。视频3代表的是夜晚复杂光照环境下的视频,其中包含96个真实车辆。在实验中把每个视频分为两部分,前一部分作为训练用视频,提取出运动目标后作为训练样本人工进行分类供SVM训练学习,后一部分作为待检视频。算法的计算环境为Core i5处理器,8 GB内存,Win 7操作系统,编程环境为VC++与Open CV 2.49。在实验中选择准确率(precision)作为实验结果的评价指标,它的定义如下:

其中hit代表检测正确的车辆数目,false代表检测错误和漏检的车辆数量。为比较本文方法效果,我们也对3段视频使用了基于虚拟检测带的方法和基于运动跟踪的方法进行比较。表1给出了两种检测方法的实验结果。

从表1中可以看出,本文方法在各种环境下的效果都要好于其他检测带法。尤其是在夜晚等光照环境较为复杂的情况下本文方法仍有较高的准确率。通过分析,我们发现正是由于轨迹分析和车辆识别的使用降低了误检车辆的数量,从而大大提高了车流量统计的准确率。图2展示了一个夜晚环境下的车辆计数的例子,其中(a)是一幅包含运动车辆的视频帧,(b)是提取到的二值化运动目标,(c)是经过边缘提取处理后的图像,(d)为在视频帧中标识出的运动目标。因为车辆远光灯的照射,所以在车辆前方的路面上形成了一个伴随车辆移动的光团。如果采用检测带法,那么当光团通过检测带时必然会引起检测带像素灰度的变化,从而造成误检。如果采用运动跟踪法,由于移动的光团也会形成一条类似于车辆的轨迹,所以也会造成误检。但本文方法由于运用了轨迹分析和车辆识别技术,所以可以排除那些非车辆的运动目标和轨迹。此外,在实际的道路流量监控中仅需统计机动车的流量,对于非机动车的运动(例如行人、自行车等)应不予以统计。图3展示了一个阴雨天非机动车的例子,由于自行车的移动也会引起检测带的像素变化,并形成一条类似于车辆的轨迹,所以检测带法和跟踪法都会进行计数,但本文方法通过识别车辆可以排除该运动目标。

3 结语

物流量统计量纲研究 第4篇

1 研究现状

随着物流业的不断发展, 物流管理的内涵逐渐深入, 物流量的定义也在不断发展变化, 因此物流量统计量纲的确定也是一个动态的过程。物流量采用什么量纲, 是重量单位还是货物周转量单位, 或是货币单位等?该问题一直没有统一标准。

目前对物流量纲的界定或研究的总体水平仍然不高, 即使在欧美发达国家也没有在物流量纲的界定等方面取得更适宜物流管理现实需要的成果。国际货币基金组织、欧盟、美国、英国、德国、日本、新加坡和中国香港等普遍采用货币单位为物流量量纲, 以物流成本占国内生产总值 (GDP) 的比例来表示物流市场的规模和物流总体水平。目前, 我国国内对物流量的分类界定研究不多, 只有少部分研究文献, 主要的研究者有肖丹[1]、董艳[2]、廖伟[3]等。出于数据的易收集和统计的原因, 一般常用货运量代替物流量来做统计, 物流量量纲采用重量单位。在此基础上, 国内外学者更多的研究是采取更好和更精确的预测方法来进行物流量的预测与分析[4,5,6,7,8,9,10,11,12,13,14,15,16,17,18,19,20,21,22]。在此基础上统计得到的物流量指代不明、缺少必要的物流结构分析和缺乏空间属性, 在规划物流时会造成决策困难, 对物流设施布局价值不大。长期以来, 对物流量量纲缺乏统一的、具有广泛说服力的标准, 造成物流量测算结论难以解释并运用于物流设施规划。因此, 急需要基于统一口径的、实现区间物流量具有可比性的、可度量的物流量单位。

2 目前常见的物流量统计量纲

物流量的量纲是统一测量的标准。当前我国对物流量的量纲研究主要有4种。

纯物流量口径:纯物流量 (W) =需要实施空间流动的原材料其及能源重量 (W1) +中间产品重量 (W2) +最后产品重量 (W3) +产品回收重量 (W4) 。在区域物流量测算过程中, 假设以港口为中心, 纯物流量测算需要具体到货物类别才可操作, 也才具有实际意义。如水产品物流, 杨惠文等预测了大连市水产品物流量及其物流业务收入, 从而得出大连市水产品市场的发展策略[23]。粮食物流, 冯社苗以我国中部位于长江中游的粮食作物主要以稻米为例, 测算了粮食物流流向、流量情况[24]等, 对专业商品物流具有一定的意义。但是, 此口径的测算没有考虑产品的属性、运输方式, 因此测算出的量值显然过于笼统。

货物发送量 (t) :这是区域物流规划经常使用的指标。基本原理是区域物流量 (W) =水运 (W1) +铁路 (W2) +公路 (W3) +航空 (W4) +管道发送货物 (W5) +其他 (W6) 。究其原因主要是资料易获得, 通过《统计年鉴》可得到数据, 指标在区域之间可相互比较, 测算相对容易。但是问题也显而易见:①没有区别物流品种的属性, “一吨煤炭、一吨笔记本电脑、一吨计算机CPU”对物流作业方式、运输方式、潜在物流盈利是不可比较的。不同的货物运输条件要求差异很大, 如一吨核燃料、一吨小麦、一吨冷鲜肉运输条件、技术难度、时间要求等差异巨大, 在物流量计算时这些差异应充分考虑到。②计算数据庞大, 尤其是存在多种运输方式转运和不合理的运输模式 (短途运输、长途运输、迂回运输、对流运输等[25]) 存在的前提下, 该数据在区域之间不可比。③对货物送达量考虑不足, 如港口考察需要吞吐量, 仅发送量不能代表物流总量的全部。

货物周转量 (周转量用t/km) 口径:物流周转量是指物流系统物质实体的实际转移量, 主要是指所转移物质实体的数量、储存时间和运输距离。货物周转量是交通运输量统计的基本标度, 各种统计年鉴均统计该数据, 但是用来作为物流量标度的仍不多。货物周转量=实际运送货物吨数×货物平均运距。

物流市场容量 (货币单位, 亿元) :物流市场容量通常由物流业总产值来综合反映, 通常指在社会经济的各种“总产值” (或者销售收入) 中现代物流业所占产值分量的比重。辽宁师范大学的韩增林、王利教授等把社会经济生活中与物流业密切相关的“总产值”分为:农业总产值、工业总产值、批发商业总额、社会商品零售额、城乡集贸成交额。物流业总产值则是占据这5个“总产值”的一部分。物流业总产值=工业总产值×X1%+农业总产值×X2%+批发商业总额×X3%+社会商品零售额×X4%+城乡集贸成交额×X5% (X1、X2、X3、X4、X5由不同行业、不同区域的调查样本统计给出) 。市场容量的研究比较薄弱, 但实际应用的数据却很多。如2009年《物流业调整和振兴规划》发布的2008年全国社会物流总额达89.9万亿元, 比2000年增长4.2倍, 年均增长23%;物流业实现增加值2.0万亿元, 比2000年增长1.9倍, 年均增长14%。2008年物流业增加值占全部服务业增加值的比重为16.5%, 占GDP的比重为6.6%[26]。这些数据的来源都很模糊, 得出的结果缺乏科学性。

3 物流标准当量的提出

顾名思义, 物流量是各类物流的总量。分析当前各学者对物流量的定义[1,2,3,27,28,29,30,31,32,33,34], 可得出几点物流量的基本共识:首先是“物”, 货物的实体流 (一般情况下人除外) , 不应当包括信息流、资金流和物流服务。其次是“流”, 分析计算针对发生了空间位置移动的货物, 包括原材料和能源、中间产品和制成品以及废品回收等基本内容。第三, 应当具有可测算的“量”, 有一个相对固定的总量, 可根据不同的结构标准划分, 合并之后的结果应当是相等的。第四, 衡量总量的量纲应当是统一的、区域之间是可以比较的, 类似于“标准煤”、“标准集装箱”。

天津大学管理学院的罗宜美等人提出“当量”这个概念, 解决了由于货物性质差异而造成货物可运性统计不便的问题[35]。所谓当量物流量是指一定时间内通过两个物流节点间的物流数量作为物流量计算单位, 它是指在物流运动过程中一定时间内按规定标准修正、折算的搬运和运输量[36]。如一台汽车, 当其运输5t锻件的当量重量为5t, 而当其运输2t组合件时, 则2t组合件的当量重量为5t。当量物流量计算公式为:f=n×q。式中, f为当量物流量, q为一个流动单元的当量物流量, n为单位时间内流经某一区域或路径的单元数。

到目前为止, 由于当量物流量计算尚无统一标准, 如何确定当量物流量一般都是依据实际经验和搬运、运输的现场情况而定。比较典型的当量物流量是美国物料搬运协会的专家Richard Muth提出的玛格数法。他首先定义了一个玛格数表示一块经过粗加工的1立方英寸的木头 (其立方体的边长为5.08cm, 即2英寸) 。玛格数计算公式为:M=A+A (D+Z+Y+E+F) /4。式中, M为玛格数, A为基本值 (玛格) , D为密度, Z为形状, Y为损伤危险性, E为其他因素, F为价值因素。实际应用表明, 玛格数法在冶金、家电企业中应用尚可, 但在其它类型的企业中作为当量物流量的计算方法并不十分准确。玛格数并不适于复杂的、庞大的物流系统。

在此基础上, 本文提出采用物流标准当量 (Logistics standard equivalent) , 兼顾货物物流的货物重量、运输距离和技术难度参数。为了便于分析, 根据不同货物类别, 采取专家评定设定技术难度参数。计算公式为:LSE=W×L×K。式中, LSE为物流标准当量;W为货物重量, 单位为t;L为货物的运输距离 (km) 。难度系数K影响因素有密度K1、体积K2、形态K3、拆分运输K4、价值保值 (运输保险) K5、限期运输 (如果蔬等保鲜期限较短的物质运输) K6、特殊鲜活需求K7、危险品运输K8、对社会造成公害K9, …, Ki, 难度系数K的计算公式为:K=ΣKi, Ki∈ (0, 1) 。举例说明:某地在一段时期内, 有如表1状况所示的十几类货物物流, 标准难度系数K∶1个标准集装箱的搬运难度系数设为1作为参照 (1标准集装箱的内容积为5.69×2.13×2.18m, 配货毛重一般为17.5t, 体积为24—26m3的20尺柜) 。参照一标箱货物技术难度系数为1的标准, 按货物类别对一般货物设定的技术难度系数见表1。

假设各类物品的价值分别为Vi, i∈ (1, 14) , 此地该时期内该地的物流量为 (以物流标准当量为单位) :undefined;重量型物流量为:W=ΣWi=98, i∈ (1, 14) ;运输量型物流量为:WL=ΣWi×Li=530, i∈ (1, 14) ;价值型物流量为:V=ΣVi, i∈ (1, 14) 。

4 结论

物流标准当量的结果和纯粹的重量型、运输量型、价值型物流量不同, 物流标准当量与其他相比, 考虑到影响物流的因素更全面。在以重量、运输量型为单位测算物流量时, 没有考虑产品的属性、运输方式等因素。特别是对一些在流动过程中需要特殊处理的产品, 其运输条件、技术难度、时间要求等差异巨大。因此, 测算出的量值显然过于笼统, 潜在物流盈利是不可比较的。尤其是存在多种运输方式转运、不合理运输模式 (短途运输、长途运输、迂回运输、对流运输等) 的前提下, 该数据在区域之间不可比。它对货物送达量考虑不足, 无法科学地反应物流业的发展状况和水平, 所得出来的物流量不能合理地指导规划物流的布局。此外, 市场容量的研究较薄弱, 在社会经济生活中与物流业密切相关的“总产值”按什么比例折算成物流业总值, 不同的社会经济发展水平其比例不同。目前, 国内出现的物流业总值数据的来源很模糊, 得出的结果缺乏科学性。