安徽省物流需求預測分析

鄧琪，尚嬡莉

（宿州學院經濟管理學院，安徽宿州234000）

安徽省物流需求預測分析

鄧琪，尚嬡莉

（宿州學院經濟管理學院，安徽宿州234000）

本文首先對于影響安徽省貨運總量的不同因素進行相關性分析，通過分析揭示安徽省物流需求的構成和主要影響變量.其次通過多元回歸時間序列模型對于未來三年的貨運總量進行預測，為安徽省下一步更好地調整物流網絡布局和推進現代物流業發展提供必要的數據幫助.

物流需求；時間序列分析；預測

物流需求預測的方法有很多，包括時間序列法、灰色預測模型、投入產出法以及組合預測等，但是由于預測本身的特性以及預測方法的局限性，在實際的預測中，預測結果往往不能夠讓人滿意.因此，如何能夠綜合考慮各種影響因素并站在宏觀條件的背景下，實現定量預測和定性預測的較好結合，仍然是一個難題.

安徽省物流業處于發展的關鍵時期，近年來在承接東部產業轉移和中部發展戰略崛起的背景下，作為推動經濟發展重要動力的物流業也面臨新的發展機遇和發展難題.結合區位特點的物流網絡布局、符合區域經濟特色的物流業發展戰略等問題都是安徽省各地區物流行業發展的新課題，這些問題的解決均需要依賴于物流需求結構和物流需求量的確定，因此探索行之有效的方法對物流需求進行預測，保證預測的準確性，對安徽物流業發展具有重要的意義.

1 安徽省物流需求與其他因素的相關性分析

1.1 描述性統計分析和數據預處理

物流業是連接社會再生產過程中生產與消費之間的橋梁,其發展與整個國民經濟的發展有著十分密切而又復雜的聯系.為了揭示安徽物流業與經濟發展的相互關系,本文采用多元回歸的方法，共選取了8個自變量，分別為安徽省的GDP（x1）、第一產業生產總值（x2）、第二產業生產總值（x3）、第三產業生產總值（x4）、鐵路貨運量（x5）、公路貨運量（x6）、水路貨運量（x7）、民航貨運量（x8）和因變量總貨運量（y）共九個變量，研究其它變量對總貨運量的影響.按照對物流業的一般理解,還應包括倉儲業、各大配送中心等方面的生產經營成果,但目前難以收集到這些方面的數據,只得舍棄.根據2012年的《安徽省統計年鑒》,得到2000～2011年安徽省以上九個變量的統計數據(見表1、表2).

表1 安徽生產總值

圖1 研究變量的折線圖

由于數據在量綱和大小方面存在很大差異，這非常不利于估計各解釋變量對被解釋變量的影響，因此本文對變量做標準化處理，即各變量的均值為零，標準差為1.

表2 各變量之間的相關系數

1.2 參數的相關性分析

通過eviews6.0進行變量之間的相關性分析，結果如表3所示.通過分析各解釋變量除x8之外，均與被解釋變量存在很高的相關系數，都在0.75以上.

表3 多元回歸結果

1.3 模型選擇與檢驗

本文使用逐步回歸法選擇變量進而選擇模型，最終選擇了鐵路貨運量、公路貨運量和水路貨運量三個變量進入了該模型.參數估計結果如表4所示.

表4 white異方差檢驗結果

1.3.1 自相關和異方差檢驗

對該模型做DW自相關檢驗，發現自相關系數為2.342，查表發現該值對應的P值大于0.05的顯著性水平，說明模型不存在自相關.

表4為white異方差檢驗表，表中統計量的P值遠遠大于0.05，說明模型不存在異方差.

1.3.2 多重共線性檢驗

表5為多重共線性檢驗，表中，x6和x7的VIF值遠遠大于閾值10，TOL指標遠遠小于閾值0.1，說明x6和x7之間的替代性過于嚴重，所以本文選擇只分析x5和x6兩個變量.對這種情況下的模型重新估計，并再次檢驗多重共線性，結果如表所示.

表5 多重共線性檢驗結果

表6中方差膨脹因子小于10，容忍度大于0.1，多重共線性消失.

表6 模型修正后的參數估計結果和多重共線性指標

1.3.3 擬合優度

該模型的擬合優度指標如表7所示，該表中，F統計量的P值小于0.05，說明了模型的整體有效性，R2達到了0.99以上，擬合度非常好.

表7 擬合優度指標

1.3.4 模型的參數解釋

根據表7可以寫出回歸函數的形式，如式（1）所示.

式（1）說明，鐵路貨運量變化1單位，會導致總貨運量變動0.027個單位，公路貨運量變化1單位會導致總貨運量變化0.979個單位，公路貨運量對總貨運量的影響是鐵路貨運量的三倍多，二者對總貨運量都是正向影響.這與我們的預期是相符的.

2 安徽省物流需求量預測

2.1 確定預測方法

在現有研究中，貨物運輸量常作為衡量區域物流需求的關鍵指標，根據上文中貨運量的相關性分析，可以看出安徽省物流貨運量的構成中公路運輸量和鐵路運輸量占據比重明顯，通過自變量與因變量的回歸分析已不能滿足安徽省貨運總量的預測特點，因此在關于預測方法上選擇時間序列回歸分析較為合適.

2.2 時間序列自回歸分析

經濟系統的慣性作用使得時間序列數據往往存在著時間上的前后依存關系，自回歸模型（AutoregressiveModel,AR模型）是刻畫這種經濟現象使用最廣的模型，它的一般函數形式如式（2）所示.

βi為回歸參數，衡量了經濟變量的滯后期對當期值的影響程度.這樣的過程成為p階自回歸過程，或者簡稱為AR（p）過程.殘差序列滿足白噪聲的要求，即零均值、同方差.p=1和p=2時，即一階和二階自回歸模型，它們在實際應用中是非常重要的.

2.3 實證分析

2.3.1 樣本范圍選取

樣本范圍為安徽省1995到2011年貨運總量，共計17年數據.

表8 安徽省貨運量

2.3.2 自相關性判斷

圖2給出了貨運量的自相關圖，該圖表明貨運量的自回歸模型滯后階數宜選擇1階.Q統計量的P值均小于0.05的顯著性水平，說明貨運量序列是非隨機序列.

2.3.3 參數估計

AR模型的參數估計結果如表9.根據該表可以寫出模型的公式，如式（3）所示.

式（3）說明貨運量滯后1期值的1單位（本文為萬噸）變化，會使得當期值變化1.18個單位.

表10說明，在0.05的顯著性水平下，一階滯后項通過了顯著性檢驗，并且擬合優度R2和調整的擬合優度R2都達到了0.91.擬合效果非常好，DW值位于2左右，說明模型提取的自相關程度比較徹底，剩余殘差已不再存在自相關性.

表9 貨運量AR模型的參數估計結果

2.3.4 模型預測

為了減少模型的預測誤差，對于1996到2012年的預測值采用靜態預測，2013年到2015年采用動態預測，預測結果如表11.2012年到2015年的預測值分別為316743、374836、442327和521971.

表10 安徽省2013—2015年貨運量預測值

3 結論

物流需求預測的意義在于指導和調節人們的物流管理活動，以便采取適當的策略和措施，謀求最大的利益.物流產業是一種復合型產業，它融合了運輸業、倉儲業、貨代業和信息業等行業，涵蓋了第一、第二、第三產業幾乎所有的領域和部門，是國民經濟的重要組成部分.整個社會的產品物資流通和資源的合理配置都需要通過物流來實現.在物流的整體活動中，運輸是重要的組成部分，與其他環節的聯系也最為緊密，因此，貨物運輸量是反應物流需求的重要指標，運輸量的多少可以體現出物流活動的頻繁程度，運輸量的變化也在一定程度上反應了物流需求的變化.對貨運量進行預測能夠為物流需求的預測提供更為精確而可靠的依據.通過時間序列回歸分析方法預測貨運總量雖然不能完全反映安徽省物流需求的準確數量，但通過相關分析可以幫助把握安徽省物流運輸方式的重點，明確未來貨運量的增加趨勢，為應對快速發展的物流需求做好準備.

〔1〕王文博.計量經濟學[M].西安：西安交通大學出版社，2004.90-96.

〔2〕郝香芝，李少穎．湖北省GDP總量的時間序列的模型的比較與分析[J]．統計與決策，2009(4)：27-30.

〔3〕中國統計年鑒（2012）[M].北京：中國統計出版社，2012.

〔4〕周嵐亞.四川省物流需求預測分析——利用優化時間序列模型[J].現代商貿工業，2012（1）：27-28.

〔5〕陳皓，朱洪興.基于因子分析法的安徽物流能力的研究分析[J].商業經濟,2011(9)：28-42.

〔6〕安徽省政府.安徽省現代物流業發展規劃（皖政〔2009〕89號）[Z].2009.

〔7〕吳萬敏，倪良新.承接產業轉移中安徽物流業發展戰略的思考[J].華東經濟管理，2010（8）：16-18.

〔8〕鄧琪.產業轉移視角下安徽物流網絡空間系統構建的研究[J].物流工程與管理，2010（10）：55-57.

〔9〕鄧琪.皖江承接產業轉移示范區物流產業競爭力分析[J].物流技術，2011（3）：78-80.

F252.21

A

1673-260X（2013）06-0089-04

安徽省教育廳自然科學產學研項目（KJ2012B190）