貨運(yùn)量影響因素分析

郭楊莉

摘 要：以福建省物流需求為研究對(duì)象，選取福建省1996—2015年貨物吞吐量、全社會(huì)固定資產(chǎn)投資總額、農(nóng)林牧漁總產(chǎn)值、進(jìn)出口商品總額、居民消費(fèi)水平、地區(qū)生產(chǎn)總值等統(tǒng)計(jì)數(shù)據(jù)，基于多元線性回歸思路，診斷多重共線性。采用逐步回歸法，以SPSS軟件為工具， 建立貨物吞吐量與全社會(huì)固定資產(chǎn)投資總額以及進(jìn)出口商品總額的二元線性回歸模型。通過統(tǒng)計(jì)分析檢驗(yàn)?zāi)Ｐ偷挠行?，運(yùn)用貨物吞吐量觀測(cè)值與預(yù)測(cè)值的殘差及相對(duì)誤差檢驗(yàn)?zāi)Ｐ偷膶?shí)踐性。

關(guān)鍵詞：多元線性回歸 物流需求預(yù)測(cè) 逐步回歸 多重共線性 異方差

一、緒論

（一）研究背景及意義

區(qū)域物流是經(jīng)濟(jì)活動(dòng)的動(dòng)脈，是聯(lián)系生產(chǎn)和消費(fèi)的紐帶，是社會(huì)發(fā)展和人民生活水平提高的基礎(chǔ)條件，也是衡量一個(gè)國家現(xiàn)代化程度的重要標(biāo)準(zhǔn)之一。

早在2009年國務(wù)院就宣布了我國的十大產(chǎn)業(yè)振興規(guī)劃，其中就有物流產(chǎn)業(yè)。2011年3月，我國“十二五”規(guī)劃綱要中仍然將發(fā)展現(xiàn)代物流納入其中。可見，我國非常關(guān)注物流業(yè)。隨著地方政府紛紛采取促進(jìn)物流發(fā)展的相關(guān)措施，物流業(yè)得到了飛速發(fā)展。發(fā)展物流業(yè)是優(yōu)化產(chǎn)業(yè)結(jié)構(gòu)和轉(zhuǎn)變發(fā)展方式的必要條件?？梢蕴嵘?jīng)濟(jì)水平，壯大現(xiàn)代服務(wù)業(yè)的規(guī)模;可以降低企業(yè)成本，改善企業(yè)組織方式。由此可見，研究區(qū)域物流有著重大意義。

（二）貨運(yùn)量預(yù)測(cè)的國內(nèi)外研究現(xiàn)狀

在貨運(yùn)量預(yù)測(cè)方面，目前國內(nèi)外應(yīng)用的各種定性以及定量的方法已達(dá)上百種。主要的基本模型集中在時(shí)間序列法、回歸分析法、指數(shù)平滑法、神經(jīng)網(wǎng)絡(luò)法、灰色模型法、ARIMA法等方法上。

國外對(duì)貨運(yùn)預(yù)測(cè)方面的研究開展較早，所以國外關(guān)于貨運(yùn)量預(yù)測(cè)模型方面的研究比較多，其理論及實(shí)際經(jīng)驗(yàn)要遠(yuǎn)比國內(nèi)成熟.Gregory A.Godfrey和Warren B.Powell（2000）以指數(shù)平滑法為基礎(chǔ)，提出了一系列預(yù)測(cè)方法，與ARIMA方法相比，這一系列的預(yù)測(cè)方法操作更為簡(jiǎn)單、易行，并且在預(yù)測(cè)方面有著更高的精確度。

國內(nèi)學(xué)者在貨運(yùn)量預(yù)測(cè)方面的研究相對(duì)較晚，但國內(nèi)關(guān)于貨運(yùn)量預(yù)測(cè)的研究成果也不少，如：郭玉華等人（2010）對(duì)經(jīng)濟(jì)周期階段參數(shù)的內(nèi)涵進(jìn)行闡述，并將經(jīng)濟(jì)周期進(jìn)行量化，作為一個(gè)輸入因素，建立基于經(jīng)濟(jì)周期的Elman神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型，以我國1992-2008年鐵路貨運(yùn)量為實(shí)例，對(duì)預(yù)測(cè)模型進(jìn)行檢驗(yàn)。

二、實(shí)證分析

（一）模型指標(biāo)的選取

物流需求是指一定物流需求是指一定時(shí)期內(nèi)社會(huì)經(jīng)濟(jì)活動(dòng)對(duì)生產(chǎn)、流通、消費(fèi)領(lǐng)域的原材料、成品和半成品、商品以及廢舊物品、廢舊材料等的配置作用而產(chǎn)生的對(duì)物流在空間、時(shí)間和費(fèi)用方面的要求，涉及運(yùn)輸、庫存、包裝、裝卸搬運(yùn)、流通加工以及與之相關(guān)的信息需求等[16]。考慮到運(yùn)輸是現(xiàn)代物流體系的中心環(huán)節(jié)， 以及獲取數(shù)據(jù)的完整性、一致性和時(shí)效性等方面因素，本文選取1996-2016年福建省統(tǒng)計(jì)年鑒上的數(shù)據(jù)作為樣本數(shù)據(jù)，選取物流貨運(yùn)量（萬噸）為物流需求指標(biāo)Y，選取全社會(huì)固定資產(chǎn)投資總額X1（億元）、農(nóng)林牧漁總產(chǎn)值X2（億元）、進(jìn)出口商品總額X3（千萬美元）、居民消費(fèi)水平X4（元/人）、地區(qū)生產(chǎn)總值（億元）X5等5個(gè)因素為物流需求預(yù)測(cè)的經(jīng)濟(jì)指標(biāo)[17]。

（二）多重共線性診斷

多重共線性是指線性回歸模型中的解釋變量之間由于存在精確相關(guān)關(guān)系或高度相關(guān)關(guān)系而使模型估計(jì)失真或難以估計(jì)準(zhǔn)確。一般來說，由于數(shù)據(jù)的限制使得模型設(shè)計(jì)不當(dāng)，導(dǎo)致設(shè)計(jì)矩陣中解釋變量間存在普遍的相關(guān)關(guān)系。完全共線性的情況并不多見，一般出現(xiàn)的是在一定程度上的共線性，即近似共線性。

在多元線性回歸模型中，自變量之間可能存在線性相關(guān)的關(guān)系，會(huì)使得系數(shù)估計(jì)的標(biāo)準(zhǔn)誤差增大，從而使得模型的預(yù)測(cè)精度大大降低。使用SPSS軟件全回歸法對(duì)所選取的指標(biāo)建立模型，結(jié)果顯示如下：

S=（7950.893） （0.878）（12.823）（0.736）（1.936）（2.945）

t=（2.051） （3.873）（0.597）（2.778）（1.342）（-1.186）

p=（0.058） （0.002） （0.560）（0.014）（0.200）（0.254）

F=（814.603） P=（0.000）

R2=0.996

n=21 （df=15）

結(jié)果發(fā)現(xiàn)模型整體是顯著的，但是對(duì)模型系數(shù)的檢驗(yàn)表明很多變量對(duì)“貨運(yùn)量”的影響并不顯著。由以上結(jié)果可知，t統(tǒng)計(jì)量與Sig值均不顯著。自變量之間很可能存在共線性的問題。計(jì)算各解釋變量的相關(guān)關(guān)系并進(jìn)行共線性診斷，從下表可以看出VIF遠(yuǎn)大于10，各解釋變量間存在嚴(yán)重的多重共線性，因此考慮改用多元逐步回歸法對(duì)物流需求與各經(jīng)濟(jì)指標(biāo)建立模型， 減少多重共線性對(duì)模型參數(shù)估計(jì)、模型誤差以及穩(wěn)定性等的影響。

（三） 多元逐步回歸

多元逐步回歸的基本思想是：對(duì)全部因子根據(jù)其對(duì)因變量Y影響程度的大?。雌貧w平方和R2值的大小），從大到小逐個(gè)地引入回歸方程，同時(shí)對(duì)回歸方程當(dāng)時(shí)所含的全部變量進(jìn)行統(tǒng)計(jì)檢驗(yàn)，觀察其是否仍然顯著，如果不顯著就將其移出模型，直到回歸方程中所有的變量對(duì)因變量Y的作用都是顯著的，再考慮引入新的變量。再在剩余的未選因子中，選出對(duì)因變量Y的作用最大者，檢驗(yàn)其顯著性，若顯著則引入方程，若不顯著則不引入，直到最后再也沒有可以引入的顯著因子，也沒有不顯著的變量需要移除為止。 多元逐步回歸分析本質(zhì)上沒有新的理論，只是在多元線性回歸內(nèi)部運(yùn)用一些計(jì)算技巧獲得最優(yōu)的多元線性回歸方程，是實(shí)用且被廣泛應(yīng)用的統(tǒng)計(jì)分析方法。

在逐步回歸中，變量X5、X1、X3被逐個(gè)引入，在第三個(gè)模型中X5被移除，最終得到模型4。模型4解釋變量為X1、X3，模型整體顯著（R2=0.996，F(xiàn)=2085.824，Sig=0.000），模型系數(shù)檢驗(yàn)顯著。t1=15.973，Sig1=0.000;t2=7.324，Sig2=0.000，比較理想，同DW=1.976，模型不存在自相關(guān)性問題。解釋變量X1、X3的方差膨脹因子VIF=7.909，多重共線性問題已經(jīng)消除。

（四）物流需求預(yù)測(cè)模型

由表3中的模型4可得物流需求預(yù)測(cè)回歸模型為：

Y=24544.827+2.951x1+1.650x3

其中X1為社會(huì)固定資產(chǎn)投資總額，X3為進(jìn)出口商品總額（千萬美元）。模型整體檢驗(yàn)顯著、模型系數(shù)檢驗(yàn)顯著，具有一定的分析價(jià)值。由該模型計(jì)算得出1996-2016年物流貨運(yùn)量預(yù)測(cè)值，由表4可知少數(shù)年份殘差較大。標(biāo)準(zhǔn)化殘差正態(tài)曲線直方圖如圖1所示， 標(biāo)準(zhǔn)化殘差概率圖如圖2所示?？梢钥闯鰳?biāo)準(zhǔn)化殘差呈正態(tài)分布，散點(diǎn)在直線上或下靠近直線，回歸方程滿足線性以及方差齊次的檢驗(yàn)，物流需求預(yù)測(cè)模型通過了實(shí)踐檢驗(yàn)。

三、結(jié)論

基于1996-2016年福建省貨運(yùn)量及相關(guān)統(tǒng)計(jì)數(shù)據(jù)建立的多元線性回歸模型， 表明福建省貨運(yùn)量與全社會(huì)固定資產(chǎn)投資總額、進(jìn)出口商品總額表現(xiàn)出高度的相關(guān)性。農(nóng)林牧副漁總產(chǎn)值、居民消費(fèi)水平、地區(qū)生產(chǎn)總值等經(jīng)濟(jì)指標(biāo)與貨運(yùn)量也存在很強(qiáng)的相關(guān)關(guān)系， 但由于各變量間存在較強(qiáng)的多重共線性，在逐步回歸中被剔除。由偏邊際經(jīng)濟(jì)理論可知，在進(jìn)出口商品總額不變的情況下，全社會(huì)固定資產(chǎn)投資總額每增加1個(gè)單位，物流需求平均增長(zhǎng)2.95個(gè)單位;社會(huì)固定資產(chǎn)投資總額不變的情況下，進(jìn)出口商品總額每增加1個(gè)單位，物流需求平均增長(zhǎng)1.650個(gè)單位。從模型可以看出，全社會(huì)固定資產(chǎn)資對(duì)物流需求的影響較大。

參考文獻(xiàn)

[1].Gregory A. Godfrey， Warren B. Powell. Adaptive estimation of daily demands with complex calendar effects for freight transportation[J]. Transportation Research Part B， 2000， 34（6）：451-469.

[2].郭玉華， 陳治亞， 馮芬玲，等. 基于經(jīng)濟(jì)周期的鐵路貨運(yùn)量神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)研究[J]. 鐵道學(xué)報(bào)， 2010， 32（5）：1-6.

[3]王治. 基于遺傳算法-支持向量機(jī)的鐵路貨運(yùn)量預(yù)測(cè)[J]. 計(jì)算機(jī)仿真， 2010，