多元线性回归分析在森林核算中的适用性研究

周林静

【摘 要】 随着我国森林资源的快速发展，当前森林资源资产评估出现数量多、规模大的趋势，单项评估的适用性减弱，故本文中引入批量评估模型来解决单项评估效率低成本高用时长的问题。文中使用多元回归分析方法对森林资源资产建立分龄组的批量评估模型，研究结果表明三个龄组的模型中拟合效果最好的是成、过熟林组的模型，中、近熟林的模型拟合效果次之，幼龄林模型的拟合效果最差，并且三个模型都通过了相应的模型检验，能够应用于实际评估。

【关键词】 森林资源资产 多元线性回归 批量评估

一、引言

森林对社会发展和人类生存的重要性日益显著，其不仅能为社会提供相关森林产品，还能对环境产生重要作用。随着对森林认识的扩展和对森林研究的深入，森林对于人类发展的重要性不言而喻。根据2018年的中国统计年鉴显示我国森林面积为2.0768亿公顷，森林覆盖率达21.63%，2018年林业总产值突破7.33万亿元，天然林和人工林总量快速增长，森林质量不断提高，我国的森林资源增长居世界前列，是林业发展最快的国家。

随着我国森林资源总量的快速增长和林木交易市场的迅速发展，森林资源资产的交易量日趋扩大，因此对林木资源资产进行便捷准确的定价是关键，故森林资源资产的评估工作尤为重要。由于林木资源具有经营周期长，实地勘查工作量大等特点，使得森林资源资产评估具有较大的复杂性。故本文以福建省永安市和龙岩市的林木资源资产评估数据为基础，运用多元回归分析方法探索森林资源资产批量评估核算模型的建立，为林木市场的交易估价提供便利。

二、文献综述

西方发达国家对于森林资源资产评估方面的研究起步较早，经过多年的探索已形成了较为深入的理论研究体系，发展完善了相应的技术规范方法。德国是最早进行森林资源资产评估的国家之一，当时主要运用的森林资源资产评估方法是林价算法。中欧经过长期研究与探索发展了森林资源资产的盈亏计算法、成本计算法等评估方法 [1]。美国在20世纪初从德国引进林木价格算法的基础上提出构建新的指标体系，除了對实物量进行核算外，要更加注重价值量的核算[2]。日本对于森林资源资产评估方法的研究源于19世纪，最开始使用的是由欧洲引进的古典林价算法，随着二战后日本经济的发展，西方经济学的内容被广泛应用到森林资源资产评估的研究中[3]。我国对于森林资源资产评估的研究工作始于20世纪80年代中期，真正起步于20世纪90年代中后期 [4]。90年代以来，我国的林业方面的专家学者对森林资源资产评估方法进行了大量探索，通过实证研究进行了大量分析，其中主要是陈平留、王永安等专家对于南方森林资源资产进行的评估研究和探索。陈平留出版了国内第一部关于森林资源资产评估的专著，全方位阐述了森林资源资产评估的理论研究，方法总论和实际应用[5]。

我国森林资源资产的批量评估应用仍处于起步阶段，批量评估方法在实践应用中发展较为缓慢，缺乏完善的体系，需要后续深入的研究，故本文基于前人研究的基础上，用永安市和龙岩市的林木资源评估数据，利用多元线性回归方法选取适合的自变量建立分龄组的森林资源资产的批量评估模型。

三、数据来源于处理

本文所用的数据来自于福建省永安林业集团股份有限公司拟抵押贷款所涉及的森林资源资产评估报告。对样本按龄组的差异把数据分为三组，其中幼龄林为一组，中、近熟林为一组，成、过熟林为一组。为方便对数据的处理，将各影响因素进行编码，各影响因素的编码处理如下表1所示。

由于本文样本所在地域的优势树种的影响，本文数据所包含的树种主要为松树和杉树，并且都属于人工林。本文用哑变量X1来表示树种，当X1=1时表示树种为松树，当X1=0时表示树种为杉树。

四、森林资源资产批量评估模型的建立

4.1幼龄组森林资源资产批量评估模型

影响幼龄林评估值的主要因素为：年龄X2、平均树高X4、亩株数X6、树种X1。其中树种根据量化后的结果，其为离散型变量，因此在模型预测是作为哑变量处理。首先对年龄X2、平均树高X4、亩株数X6和评估值Y做正态性检验，结果表明样本数据通过了建模前的正态性检验，可用于模型的估计。在进行参数估计时采用逐步回归的方法，其软件操作的最终结果如下表2所示。

由表3可知，采用逐步回归估计法最终得到的幼龄林的批量评估模型为：

由批量评估模型可知，解释变量平均树高、亩株数、树种的哑变量X1的系数估计值与预测的估计值符号相同，大小相似，相互关系合理，模型的拟合效果较好。解释变量平均树高X4、亩株数X6和树种哑变量X1单独和组合起来对被解释变量单位评估值Y有显著影响。

4.2中、近熟龄组森林资源资产批量评估模型

影响中龄林、近熟龄林评估值的主要因素为：年龄X2、平均树高X4、平均胸径X5、亩蓄积X7、树种X1。其中树种根据量化后的结果，其为离散型变量，因此在模型预测是作为哑变量处理。首先对年龄X2、平均树高X4、平均胸径X5、亩蓄积X7和评估值Y做正态性检验，结果表明，样本数据通过了建模前的正态性检验，可用于模型的估计。在进行参数估计时采用逐步回归的方法，其软件操作的最终结果如下表3所示。

由表5可知，采用逐步回归估计法最终得到的中、近熟林的批量评估模型为：

由批量评估模型可知，解释变量年龄、平均树高、亩蓄积、树种的哑变量X1的系数估计值与预测的估计值符号相同，大小相似，相互关系合理，符合经济学原理。模型拟合效果较好。解释变量年龄X2、平均树高X4、亩蓄积X6和树种哑变量X1单独和组合在一起对被解释变量单位评估值Y有显著影响。

4.3成、过熟龄组森林资源资产批量评估模型

影响成、过熟林评估值的主要因素为：年龄X2、平均树高X4、平均胸径X5、亩蓄积X7、树种X1。其中树种根据量化后的结果，其为离散型变量，因此在模型预测是作为哑变量处理。首先对年龄X2、平均树高X4、平均胸径X5、亩蓄积X7和评估值Y做正态性检验。结果表明，样本数据通过了建模前的正态性检验，可用于模型的估计。在进行参数估计时采用逐步回归的方法，其软件操作的最终结果如下表4所示。

由表7可知，采用逐步回归估计法最终得到的成、过熟龄林的批量评估模型为：

由批量评估模型可知，解释变量平均胸径、亩蓄积、树种的哑变量X1的系数估计值与预测的估计值符号相同，大小相似，相互关系合理，符合经济学原理，模型的拟合效果较好。解释变量平均胸径X5、亩株数X7和树种哑变量X1单独和组合起来对被解释变量单位评估值Y有显著影响。

六、结论

通过对数据进行模型的拟合，本文建立了三个龄组的批量评估模型，并对模型进行相应的检验。将三个模型进行对比发现，成、过熟林模型拟合效果最好，其拟合优度为0.847，其次为中、近熟林模型，幼龄林模型的拟合效果最差，但其调整的拟合优度也超过0.5，故认为三个模型对数据的拟合程度较好。在将模型用于预测的过程中，从相对误差角度分析，效果最好的还是幼龄组模型，其次是成、过熟林模型，最后是中、近龄组模型，但各模型的平均相对误差均小于10%，故认为模型的适用性较好。

【参考文献】

[1] 鲁滨逊·戈雷格里.森林资源经济学[M].北京：中国林业出版社，1985：210-217.

[2] John Scrivani. State Forest Resource Assessment and Strategies[J]. Virginia Forests，2009，（1）：13-14.

[3] 景谦平.森林资产评估的组织与管理研究[D].北京：中国林业科学研究院，2008.

[4] 孙鸿烈.中国资源科学百科全书[M].北京：石油大学出版社，2000.

[5] 陈平留.森林资产评估[M].成都：电子科技大学出版社，1996.