基于多元回归模型的物流需求影响因素的分析

(江苏大学 江苏 镇江 212013)

一、背景

我国物流业在不断地快速发展，在我国国民经济中所占地位日益重要。我国是一个物流大国，物流产业的发展涉及到社会经济发展的方方面面。[1]

2017 年，我国社会物流总额为 250 多万亿元，为我国 GDP 总值超过 80 万亿元提供一定支撑；全国货运量 472 亿吨，货物周转量 19万亿吨公里；社会物流总费用与 GDP 的比率下降为 14.6%。物流业加速发展为我国成长为世界第二大经济体和第一大贸易国提供了有力支撑，在促进产业结构调整、促进经济水平的提高和改善人民生活等方面有着重要作用。[2]

物流业作为国民经济发展的加速器,越来越受到国家相关部门的重视。研究物流需求的影响因素对企业和国家进行物流决策具有重大意义，正确的物流决策可以促进我国整体经济实力的提升和产业结构的调整优化。

二、研究理论与方法

本文研究的是物流需求的影响因素，由于其影响因素较多，建立多元回归模型分析。多元回归分析是指一个因变量对两个或者两个以上的自变量与的依赖关系。[3]运用计量经济学的理论，建立多元线性回归模型，并根据线性回归分析需要满足正态性、独立性、同方差性和无多重共线性性等一些假设条件进行检验。本文利用统计软件R对物流需求的影响因素建立多元回归模型，并进行结果分析。

三、实证分析

(一)指标的选取

表示物流需求的指标很多，本文在相关研究成果的基础上，遵循科学性、可操作性、数据可得性等原则，选取货物周转量来表示物流需求，选取可能影响物流需求的7个具体指标：GDP、社会消费品零售总额、第一产业增加值、第二产业增加值、第三产业增加值、进出口总额、全社会固定资产投资。

物流需求和经济发展联系密切；社会消费品零售总额反映了商品需求、社会商品购买力等方面不同的情况；产业结构的不同会对物流产业的物流品种、物流总量等方面造成影响；进出口总额可以反映出进出口贸易的需求量，对于港口城市和对外贸易开展得较好的城市和地区物流产业影响很大；全社会固定资产投资可以刺激消费，拉动内需，加快物流基础设施建设。[4]

(二)模型的建立

本文通过国家数据网，收集了2008-2017年历年的各项经济指标，以货物周转量Y作为因变量，以GDP X1、社会消费品零售总额X2、第一产业增加值X3、第二产业增加值X4、第三产业增加值X5、进出口总额X6、全社会固定资产投资X7为自变量，创建多元回归模型：

Y=β0+β1X1+β2X2+β3X3+β4X4+β5X5+β6X6+β7X7+ε

其中，ε为随机误差项，ε～N(0，σ2)。

1.相关分析

根据表1所示，其中Y和X1、X2、X3、X4、X5、X6、X7之间显著相关，且均为正相关，相关系数都在0.9以上。另外，自变量之间的相关性也均成正相关，表明这些自变量之间很可能存在多重共线性。

表1 变量相关系数表

2.回归分析

根据各变量间的散点图，如下图1所示，每个变量都有一定程度的偏斜。货物周转量随着GDP、社会消费品零售总额、第一产业增加值、第二产业增加值、第三产业增加值、进出口总额、全社会固定资产投资的增加而增加。

图1 变量间的散点图

本文利用R软件，通过分析模型的各项参数，得到回归分析结果，如表2所示：

表2 回归计算结果表

根据表2中的结果显示，可得到初步的估计模型：

Y=20312.3073+6882.2731X1+3.3492X2-6879.9443X3-6881.6810X4-6884.6940X5-0.2830X6-0.4492X7

3.模型检验

(1)拟合优度检验

越大代表方程的合程度越好。从表 2 的数据中可以看出R2=0.9974，修正后的可决定系数为0.9882，表明7个自变量可以对货物周转量变异的98.82%作出解释，回归模型的拟合非常好。

(2)F检验

P值为0.009164，显然P<α，所以通过了显著性检验，表明回归方程显著，即GDPX1、社会消费品零售总额X2、第一产业增加值X3、第二产业增加值X4、第三产业增加值X5、进出口总额X6、全社会固定资产投资X7几个经济指标因素联合起来对货物周转量Y有显著影响。

(3)t检验

从单个因素的影响上看，自变量的P值均大于α，未通过显著性检验，说明这些变量对因变量影响不显著。一般地，如果模型的R2很大，F检验通过，但存在有些系数不能通过参数t检验的情况，模型的自变量之间的相关系数也很高，相关系数表示是正相关，而回归系数的符号表示负相关，则很可能存在严重的多重共线性。[5]

(4)线性回归分析需要满足的一些假设条件

1)正态性检验

如下图2所示，所有的点都在直线附近，并都落在置信区间内，这表明正态性假设符合得很完美。

图2 正态性检验图

2)D-W检验

结果如下表3所示，给定显著性水平0.05，P=0.442>0.05，接受原假设，未通过显著性检验，表明变量之间无自相关性，互相独立。

表3 D-W检验结果表

3)线性检验

如下图3所示，成分残差图证实了线性假设，说明线性模型对该数据集是比较合适的。

图3 成分残差图

4)同方差性检验

结果如下表4所示，给定显著性水平0.05，P=0.59642>0.05不显著，说明误差方差恒定。

表4 同方差检验结果

5)多重共线性检验

运用R软件求出的自变量的方差膨胀因子(VIF)的值均远远大于 10，结果显示 GDP、社会消费品零售总额、第一产业增加值、第二产业增加值、第三产业增加值、进出口总额、全社会固定资产投资7个自变量所对应的方差膨胀因子(VIF)的值均远远大于 10，表明这7个变量作为自变量，之间会有严重的多重共线性。在多元线性回归模型中，如果自变量之间存在严重的多重共线性，回归模型就会不稳定，回归系数也会不准确。

表5 方差膨胀因子结果

4.模型的修正

岭回归是针对多元回归模型自变量之间出现共线关系时有效的消除方法，岭回归分析是一种专门用于共线性数据分析的有偏估计方法，它实际上是一种改良的最小二乘法，是以放弃最小二乘的无偏性，放弃部分精确度为代价来寻求效果稍差但更符合实际的回归过程。[6]本文采用岭回归的方法解决多重共线性的问题，利用R软件做岭回归进行数据分析。结果如下表6所示：

表6 修正回归结果表

由此可以得到新的多元线性回归模型：

t值对应的P值小于显著性水平，拒接原假设，通过了回归系数的显著性检验。F值对应的P值也小于显著性水平，通过了回归方程的显著性检验。该模型回归效果较理想。即该模型表示在其他变量不变时，GDP每增加1亿元，货物周转量就增加284.7亿吨公里。

五、结论

结果表明，GDP、社会消费品零售总额、第一产业增加值、第二产业增加值、第三产业增加值、进出口总额、全社会固定资产投资对物流需求量增长起着关键性的作用。从对2008-2017年的经济指标统计数据的定量分析可知，GDP增加1亿元、社会消费品零售总额增加1亿元、第一产业增加值减少1亿元、第二产业增加值减少1亿元、第三产业增加值减少1亿元、进出口总额减少1亿元、全社会固定资产投资减少1亿元，物流需求量将分别增加284.7亿吨公里、3.347亿吨公里，减少282.5亿吨公里、284.1亿吨公里、287.1亿吨公里、0.288亿吨公里和0.432亿吨公里。由此可见，要想获得物流需求持续性的增长就必须不断发展和提升国内生产总值和社会消费品零售总额。

物流需求和经济发展联系密切。经济越发达地区对物流的需求规模越大，物流服务质量要求也越高，经济增长对物流需求有很大促进作用。社会消费品零售总额对物流产业的影响特别是商贸发达地区的物流产业的影响巨大。我国政府应该采取各种有效措施，继续加大对物流业发展的扶持力度，为物流业的健康发展创造良好的外部环境，充分发挥物流产业对国民经济增长的放大效应。