安徽省物流需求预测分析

邓琪，尚嫒莉

（宿州学院经济管理学院，安徽宿州234000）

安徽省物流需求预测分析

邓琪，尚嫒莉

（宿州学院经济管理学院，安徽宿州234000）

本文首先对于影响安徽省货运总量的不同因素进行相关性分析，通过分析揭示安徽省物流需求的构成和主要影响变量.其次通过多元回归时间序列模型对于未来三年的货运总量进行预测，为安徽省下一步更好地调整物流网络布局和推进现代物流业发展提供必要的数据帮助.

物流需求；时间序列分析；预测

物流需求预测的方法有很多，包括时间序列法、灰色预测模型、投入产出法以及组合预测等，但是由于预测本身的特性以及预测方法的局限性，在实际的预测中，预测结果往往不能够让人满意.因此，如何能够综合考虑各种影响因素并站在宏观条件的背景下，实现定量预测和定性预测的较好结合，仍然是一个难题.

安徽省物流业处于发展的关键时期，近年来在承接东部产业转移和中部发展战略崛起的背景下，作为推动经济发展重要动力的物流业也面临新的发展机遇和发展难题.结合区位特点的物流网络布局、符合区域经济特色的物流业发展战略等问题都是安徽省各地区物流行业发展的新课题，这些问题的解决均需要依赖于物流需求结构和物流需求量的确定，因此探索行之有效的方法对物流需求进行预测，保证预测的准确性，对安徽物流业发展具有重要的意义.

1 安徽省物流需求与其他因素的相关性分析

1.1 描述性统计分析和数据预处理

物流业是连接社会再生产过程中生产与消费之间的桥梁,其发展与整个国民经济的发展有着十分密切而又复杂的联系.为了揭示安徽物流业与经济发展的相互关系,本文采用多元回归的方法，共选取了8个自变量，分别为安徽省的GDP（x1）、第一产业生产总值（x2）、第二产业生产总值（x3）、第三产业生产总值（x4）、铁路货运量（x5）、公路货运量（x6）、水路货运量（x7）、民航货运量（x8）和因变量总货运量（y）共九个变量，研究其它变量对总货运量的影响.按照对物流业的一般理解,还应包括仓储业、各大配送中心等方面的生产经营成果,但目前难以收集到这些方面的数据,只得舍弃.根据2012年的《安徽省统计年鉴》,得到2000～2011年安徽省以上九个变量的统计数据(见表1、表2).

表1 安徽生产总值

图1 研究变量的折线图

由于数据在量纲和大小方面存在很大差异，这非常不利于估计各解释变量对被解释变量的影响，因此本文对变量做标准化处理，即各变量的均值为零，标准差为1.

表2 各变量之间的相关系数

1.2 参数的相关性分析

通过eviews6.0进行变量之间的相关性分析，结果如表3所示.通过分析各解释变量除x8之外，均与被解释变量存在很高的相关系数，都在0.75以上.

表3 多元回归结果

1.3 模型选择与检验

本文使用逐步回归法选择变量进而选择模型，最终选择了铁路货运量、公路货运量和水路货运量三个变量进入了该模型.参数估计结果如表4所示.

表4 white异方差检验结果

1.3.1 自相关和异方差检验

对该模型做DW自相关检验，发现自相关系数为2.342，查表发现该值对应的P值大于0.05的显著性水平，说明模型不存在自相关.

表4为white异方差检验表，表中统计量的P值远远大于0.05，说明模型不存在异方差.

1.3.2 多重共线性检验

表5为多重共线性检验，表中，x6和x7的VIF值远远大于阈值10，TOL指标远远小于阈值0.1，说明x6和x7之间的替代性过于严重，所以本文选择只分析x5和x6两个变量.对这种情况下的模型重新估计，并再次检验多重共线性，结果如表所示.

表5 多重共线性检验结果

表6中方差膨胀因子小于10，容忍度大于0.1，多重共线性消失.

表6 模型修正后的参数估计结果和多重共线性指标

1.3.3 拟合优度

该模型的拟合优度指标如表7所示，该表中，F统计量的P值小于0.05，说明了模型的整体有效性，R2达到了0.99以上，拟合度非常好.

表7 拟合优度指标

1.3.4 模型的参数解释

根据表7可以写出回归函数的形式，如式（1）所示.

式（1）说明，铁路货运量变化1单位，会导致总货运量变动0.027个单位，公路货运量变化1单位会导致总货运量变化0.979个单位，公路货运量对总货运量的影响是铁路货运量的三倍多，二者对总货运量都是正向影响.这与我们的预期是相符的.

2 安徽省物流需求量预测

2.1 确定预测方法

在现有研究中，货物运输量常作为衡量区域物流需求的关键指标，根据上文中货运量的相关性分析，可以看出安徽省物流货运量的构成中公路运输量和铁路运输量占据比重明显，通过自变量与因变量的回归分析已不能满足安徽省货运总量的预测特点，因此在关于预测方法上选择时间序列回归分析较为合适.

2.2 时间序列自回归分析

经济系统的惯性作用使得时间序列数据往往存在着时间上的前后依存关系，自回归模型（AutoregressiveModel,AR模型）是刻画这种经济现象使用最广的模型，它的一般函数形式如式（2）所示.

βi为回归参数，衡量了经济变量的滞后期对当期值的影响程度.这样的过程成为p阶自回归过程，或者简称为AR（p）过程.残差序列满足白噪声的要求，即零均值、同方差.p=1和p=2时，即一阶和二阶自回归模型，它们在实际应用中是非常重要的.

2.3 实证分析

2.3.1 样本范围选取

样本范围为安徽省1995到2011年货运总量，共计17年数据.

表8 安徽省货运量

2.3.2 自相关性判断

图2给出了货运量的自相关图，该图表明货运量的自回归模型滞后阶数宜选择1阶.Q统计量的P值均小于0.05的显著性水平，说明货运量序列是非随机序列.

2.3.3 参数估计

AR模型的参数估计结果如表9.根据该表可以写出模型的公式，如式（3）所示.

式（3）说明货运量滞后1期值的1单位（本文为万吨）变化，会使得当期值变化1.18个单位.

表10说明，在0.05的显著性水平下，一阶滞后项通过了显著性检验，并且拟合优度R2和调整的拟合优度R2都达到了0.91.拟合效果非常好，DW值位于2左右，说明模型提取的自相关程度比较彻底，剩余残差已不再存在自相关性.

表9 货运量AR模型的参数估计结果

2.3.4 模型预测

为了减少模型的预测误差，对于1996到2012年的预测值采用静态预测，2013年到2015年采用动态预测，预测结果如表11.2012年到2015年的预测值分别为316743、374836、442327和521971.

表10 安徽省2013—2015年货运量预测值

3 结论

物流需求预测的意义在于指导和调节人们的物流管理活动，以便采取适当的策略和措施，谋求最大的利益.物流产业是一种复合型产业，它融合了运输业、仓储业、货代业和信息业等行业，涵盖了第一、第二、第三产业几乎所有的领域和部门，是国民经济的重要组成部分.整个社会的产品物资流通和资源的合理配置都需要通过物流来实现.在物流的整体活动中，运输是重要的组成部分，与其他环节的联系也最为紧密，因此，货物运输量是反应物流需求的重要指标，运输量的多少可以体现出物流活动的频繁程度，运输量的变化也在一定程度上反应了物流需求的变化.对货运量进行预测能够为物流需求的预测提供更为精确而可靠的依据.通过时间序列回归分析方法预测货运总量虽然不能完全反映安徽省物流需求的准确数量，但通过相关分析可以帮助把握安徽省物流运输方式的重点，明确未来货运量的增加趋势，为应对快速发展的物流需求做好准备.

〔1〕王文博.计量经济学[M].西安：西安交通大学出版社，2004.90-96.

〔2〕郝香芝，李少颖．湖北省GDP总量的时间序列的模型的比较与分析[J]．统计与决策，2009(4)：27-30.

〔3〕中国统计年鉴（2012）[M].北京：中国统计出版社，2012.

〔4〕周岚亚.四川省物流需求预测分析——利用优化时间序列模型[J].现代商贸工业，2012（1）：27-28.

〔5〕陈皓，朱洪兴.基于因子分析法的安徽物流能力的研究分析[J].商业经济,2011(9)：28-42.

〔6〕安徽省政府.安徽省现代物流业发展规划（皖政〔2009〕89号）[Z].2009.

〔7〕吴万敏，倪良新.承接产业转移中安徽物流业发展战略的思考[J].华东经济管理，2010（8）：16-18.

〔8〕邓琪.产业转移视角下安徽物流网络空间系统构建的研究[J].物流工程与管理，2010（10）：55-57.

〔9〕邓琪.皖江承接产业转移示范区物流产业竞争力分析[J].物流技术，2011（3）：78-80.

F252.21

A

1673-260X（2013）06-0089-04

安徽省教育厅自然科学产学研项目（KJ2012B190）