基于逐步回歸分析的廈漳泉閩南區(qū)域物流量預測*

許正平

(漳州職業(yè)技術(shù)學院，福建 漳州 363000)

隨著經(jīng)濟的發(fā)展，物流對經(jīng)濟的加速器作用越來越明顯，對區(qū)域經(jīng)濟而言，由于沒有統(tǒng)一的行政區(qū)劃，在加強經(jīng)濟聯(lián)合、優(yōu)化資源配置、取長補短、優(yōu)勢互補等方面對區(qū)域物流支持的要求就更高了。對區(qū)域物流市場需求量的預測，不僅是物流產(chǎn)業(yè)良好發(fā)展的基礎，物流企業(yè)管理決策的依據(jù)，更是區(qū)域產(chǎn)業(yè)合理布局、區(qū)域物流規(guī)劃與設計的依據(jù)。因此對廈漳泉閩南區(qū)域物流量的預測，對加速區(qū)域產(chǎn)業(yè)集聚，提升區(qū)域綜合競爭力，進一步促進海峽西岸經(jīng)濟區(qū)健康加速發(fā)展具有重要實際意義。

一、 廈漳泉閩南區(qū)域物流發(fā)展現(xiàn)狀

閩南區(qū)域特指福建省東南部沿海地帶的廈門、漳州、泉州三個地區(qū)。由于這一帶海岸綿長、人口稠密、交通便利、經(jīng)濟發(fā)達，且自然環(huán)境優(yōu)良，有強大的地理區(qū)位綜合優(yōu)勢，自古以來被譽為“閩南金三角”，屬于典型的“半小時經(jīng)濟圈”，是福建省經(jīng)濟最發(fā)達的地區(qū)。受地理和歷史因素影響，閩南區(qū)域城市規(guī)模普遍較小，經(jīng)濟總量不大，首位度不高，集聚、輻射和帶動能力較弱。

“海峽西岸經(jīng)濟區(qū)”的規(guī)劃設立以及廈漳泉同城化和大都市區(qū)構(gòu)建的相關(guān)文件出臺后，閩南區(qū)域的發(fā)展一日千里。以城際快速綜合交通系統(tǒng)為依托，圍繞廈門、泉州、漳州中心城市，加快推進城市聯(lián)盟，構(gòu)筑廈漳泉城市同城化、一體化的網(wǎng)絡空間結(jié)構(gòu)，提升城市群整體規(guī)模效應。根據(jù)廈漳泉三市2012年《國民經(jīng)濟和社會發(fā)展統(tǒng)計公報》的數(shù)據(jù)統(tǒng)計，2012年廈漳泉閩南區(qū)域地區(qū)生產(chǎn)總值為9 566.3億元，物流貨運總量為36 922.29萬噸，固定資產(chǎn)投資總額為4 863.62億元，外貿(mào)進出口總額為1 093.31億美元，港口吞吐量為32 732.78萬噸。

物流業(yè)是海峽西岸經(jīng)濟區(qū)重點打造的產(chǎn)業(yè)之一。廈漳泉三地聯(lián)手，集聚優(yōu)勢資源打造物流高地，形成更為完善的供應鏈體系，將讓三地的經(jīng)濟發(fā)展集體受惠，并進一步鞏固在海西經(jīng)濟區(qū)發(fā)展的中心地位。

二、多元逐步回歸分析

(一)多元逐步回歸分析的原理

逐步回歸模型是以已知數(shù)據(jù)序列為基礎，根據(jù)多元回歸分析法和求解求逆緊湊變換法及雙檢驗法而建立的能夠反映要素之間變化關(guān)系的最優(yōu)回歸模型，其實質(zhì)是在多元線性回歸分析的基礎上派生出一種研究和建立最優(yōu)多元線性回歸方程的算法技巧[1]。

多元逐步回歸分析的基本思路是先確定各影響因素和因變量的變化趨勢是否為線性變化關(guān)系，如果是則可以構(gòu)建一個由所有影響因子組成的多元線性回歸方程，來說明因變量的變化是由多個自變量線性變化的綜合結(jié)果。在這個基礎上，由于各自變量對因變量的重要性或貢獻程度不一樣，可逐步選擇最重要或貢獻程度最大的變量進入新的回歸方程，同時不斷檢驗已經(jīng)建立的新的回歸方程中的變量是不是在所有變量中影響最顯著，如若不是則從方程中剔除。其中每一步變量引入的要求是在未引進變量中偏回歸平方和最大，而變量剔除的要求是引進的自變量中偏回歸平方和最小。如此不斷循環(huán)，直到再無變量被引進和剔除為止，就可得到多元逐步回歸算法的最優(yōu)回歸模型。

(二)預測模型的檢驗[2]

在多元逐步回歸算法每一步引入或剔除變量的過程中，該變量還必須能夠通過F檢驗。而最終得到的最優(yōu)回歸模型是否能夠被實際應用進行預測，還要通過以下幾個方面的檢驗：

(1)擬合優(yōu)度檢驗：R2的值越接近1，說明預測值和實際值的擬合程度越好。一般情況下R2的值大于0.8則可認為擬合優(yōu)度較高；

(2)F檢驗：回歸方程的顯著性檢驗；

(3)t檢驗：回歸系數(shù)的顯著性檢驗；

(4)D-W檢驗：回歸余項檢驗。其數(shù)值一般為[0，4]之間，且D-W檢驗值越接近0或4，則說明變量之間的自相關(guān)性越強；D-W檢驗值越接近2，則說明變量之間的自相關(guān)性越弱或不存在；

(5)回歸標準差檢驗：其值越接近于0，說明模型對樣本數(shù)據(jù)的偏差越小，預測的可靠性越高。

三、 廈漳泉閩南區(qū)域物流量預測

(一)研究指標選取

物流需求是經(jīng)濟發(fā)展的一種派生需求，所以區(qū)域經(jīng)濟的發(fā)展水平與區(qū)域物流需求的大小有極大的相關(guān)性。影響區(qū)域物流的經(jīng)濟因素可歸納為以下四類[3]：區(qū)域經(jīng)濟發(fā)展水平、區(qū)域產(chǎn)業(yè)結(jié)構(gòu)、區(qū)域居民消費水平和對外貿(mào)易發(fā)展、物流產(chǎn)業(yè)投資及發(fā)展規(guī)模。因此在遵循預測指標選擇的指標的強相關(guān)性、指標間相互獨立性及科學性、實用性和可獲得性原則的基礎上，本文在區(qū)域物流量預測研究方面，確立如下指標：地區(qū)生產(chǎn)總值x1(億元)、人均生產(chǎn)總值x2(萬元)、工業(yè)總產(chǎn)值x3(億元)、第一產(chǎn)業(yè)產(chǎn)值x4(億元)、第二產(chǎn)業(yè)產(chǎn)值x5(億元)、第三產(chǎn)業(yè)產(chǎn)值x6億元)、社會消費品零售總額x7(億元)、外貿(mào)進出口總額x8(億美元)、全社會固定資產(chǎn)投資總額x9(億元)、港口貨物吞吐量x10(萬噸)、郵電業(yè)務總量x11(億元)、交通運輸、倉儲及郵政業(yè)從業(yè)人員數(shù)x12(萬人)。鑒于物流行業(yè)的發(fā)展和統(tǒng)計現(xiàn)狀，本文選取區(qū)域貨運總量y(萬噸)作為區(qū)域物流需求的綜合變量。研究中自變量x1至x12的指標為物流需求的影響因子，y為物流需求的代表指標，為因變量。

以上指標數(shù)據(jù)來源為中國城市統(tǒng)計年鑒(2003-2012年)，廈門市、漳州市、泉州市國民經(jīng)濟和社會發(fā)展統(tǒng)計公報(2002-2012年)。由于還沒有專門針對閩南區(qū)域的信息統(tǒng)計，所以本次預測分析所依據(jù)的原始數(shù)據(jù)(2002-2012年三市13個指標共計429個數(shù)據(jù))是對廈門、漳州和泉州三個地區(qū)分別進行數(shù)據(jù)收集后，經(jīng)歸納、整理得到閩南區(qū)域相關(guān)指標總值。因數(shù)據(jù)樣本規(guī)模較大，本文略去原始數(shù)據(jù)列舉。

(二)區(qū)域物流量預測模型構(gòu)建

對原始數(shù)據(jù)描點，通過分析因變量對各自變量的散點圖(略)可大致判斷，隨著12個自變量的值的變化，因變量(閩南區(qū)域貨運總量)的值有較明顯的線性變化趨勢。這個結(jié)論說明每一個自變量xi與因變量y之間均可建立一元線性回歸的關(guān)系，其關(guān)系可用y=α0+α1xi+λ來擬合，其中α0和α1為回歸系數(shù)，λ為回歸余項。由此可知，因變量的變化可能是由于多個自變量變化所帶來的，我們可將所有的自變量一次性引入方程，建立一個可綜合解釋因變量變化的多元回歸模型：y=α0+α1x1+α2x2+…+α12x12+λ。這樣的模型在對因變量的變化解釋方面雖較全面，但不能重點突出，找到對因變量變化影響最顯著的因子，且計算量較大。因此可通過逐步回歸分析，引入重要變量而剔除不重要的變量，建立最優(yōu)回歸模型。

(三)預測模型算法實現(xiàn)及分析

鑒于已有成熟的軟件可進行多元逐步回歸計算，本文數(shù)據(jù)分析將使用專業(yè)統(tǒng)計軟件spss17.0來實現(xiàn)。

將原始數(shù)據(jù)建立數(shù)據(jù)文件，在spss軟件中進行逐步回歸分析，以下表1-表5為軟件輸出結(jié)果。

表1是逐步回歸每一步進入或剔除回歸模型中變量的情況。本預測模型最終只引入了一個變量x5。

表1 Variables Entered/Removedα

a.Dependent Variable:y

表2 Model Summaryb

a.Predictors:(Constant)，x5

b.Dependent Variable:y

表2是逐步回歸每一步的回歸模型統(tǒng)計量。本模型相關(guān)系數(shù)R為0.996，判定系數(shù)R Square為0.992，說明線性回歸的擬合程度很高。D-W檢驗值為1.573，說明變量x5與因變量之間自相關(guān)性很弱或基本不存在自相關(guān)性。

表3 ANOVAb

a.Predictors:(Constant)，x5

b.Dependent Variable:y

表3是逐步回歸每一步的回歸模型方差分析。本模型的F值為1051.616，統(tǒng)計顯著性概率是0.000，表明回歸非常顯著。

表4 Coefficientsa

a.Dependent Variable:y

表4是逐步回歸每一步的回歸方程系數(shù)表。通過對回歸系數(shù)的t值及統(tǒng)計顯著性概率判斷，本預測模型的回歸系數(shù)能通過t檢驗，而且顯著性極高。

表5 Excluded Variablesb

a.Predictors in the Model:(Constant)，x5

b.Dependent Variable:y

表5是逐步回歸分析后被排除的變量列表。由于因素間共線性較強和對因變量影響不夠顯著，未能通過t檢驗，本次分析除變量x5外，其余11個變量均被排除。

(四)最優(yōu)回歸模型及預測檢驗

在多元回歸模型y=α0+α1x1+α2x2+…+α12x12+λ的基礎上，通過逐步回歸算法的計算和檢驗，從表1看出，分析過程運行了一步，12個變量只引入了1個變量x5。

把表4中非標準化回歸系數(shù)代入多元回歸模型便形成逐步回歸分析的最優(yōu)回歸模型：

回歸方程的顯著性檢驗：

根據(jù)表3可知，F(xiàn)統(tǒng)計量為1 051.616，系統(tǒng)自動檢驗的統(tǒng)計顯著性概率是0.000(非常小)，F(xiàn)檢驗臨界值F0.05(1，9)=5.12，統(tǒng)計量值遠遠大于臨界值，因此回歸方程非常顯著。

由回歸方程看出，廈漳泉閩南區(qū)域物流量(y)與第二產(chǎn)業(yè)產(chǎn)值(x5)呈顯著正相關(guān)，說明第二產(chǎn)業(yè)產(chǎn)值是影響閩南區(qū)域物流量最顯著的因素。

將分析預測值與歷年實際值通過軟件輸出它們的對比圖，如圖1所示。

年 份

從圖1中可以看出，2008、2009年預測值與實際值的離差較大，其原因是由于金融危機使當年經(jīng)濟出現(xiàn)了非平穩(wěn)增長；總體上回歸預測值與實際值的擬合趨勢大體相同。2012年預測結(jié)果為35 526.82，而實際值為36 922.29，誤差為1 395.47，誤差率3.78%，在5%以內(nèi)。以上實際驗證結(jié)果表明，雖有一定誤差，但逐步回歸預測模型具有較高預測精度和可信度，對閩南區(qū)域物流需求的預測數(shù)據(jù)可以為區(qū)域物流發(fā)展規(guī)劃和投資作依據(jù)。

四、結(jié)論

通過預測分析可知對廈漳泉閩南區(qū)域物流量有顯著影響的因素是第二產(chǎn)業(yè)產(chǎn)值，且閩南區(qū)域物流總量將仍然保持高速增長態(tài)勢。因此，未來幾年閩南區(qū)域物流發(fā)展應把握廈漳泉同城化、大都市區(qū)構(gòu)建的契機，明確三市發(fā)展定位，規(guī)劃和調(diào)整產(chǎn)業(yè)結(jié)構(gòu)，大力推動第二產(chǎn)業(yè)各行業(yè)發(fā)展，實現(xiàn)區(qū)域高速、和諧、健康、有序發(fā)展。

參考文獻：

[1]郭科，龔瀕.多元統(tǒng)計方法及其應用[M].成都:電子科技大學出版社，2003.

[2]郭會利.多元回歸分析的逐步回歸預測模型[J].考試周刊，2009，(26):92～93.

[3]符瑛，王立新.長株潭區(qū)域物流需求預測影響因素分析[J].中南林業(yè)科技大學學報，2012，(4)：62～64.