你好

对《多元线性回归模型在物流成本预测中的

应用》的解读

一. 内容简介

本文以国家宏观物流成本数据为研究对象，应用多元回归分析理论，对影响物流成本的相关指标进行分析，建立了线性回归模型，通过物流成本的统计分析，使企业可以从全局的角度了解自身的物流运作现状，明确目前关键的瓶颈问题以及突破口，提出解决的方法，以提高企业整体的运作绩效。

二．研究过程

（一）变量选择

全国宏观物流成本总额(Y)由运输成本（X1）、保管成本（X2）、包装及货损成本（X3）、信息及管理成本（X4）组成，根据1996—2012年统计数据（见表1）进行多元线性回归分析。

表1 1996-2012年我国宏观物流成本

T

1996

1997 1998 1999 2000 2001 2002 2003 2004 2005 2006 2007 2008

X1

3320.27 3479.92 3835.47 4484.62 4814.34 5332.08 6284.41 6181.03 5909.08 6726.75 7293.9 7719.87 8125.48

X2

831.81 1073.15 1080.25 1180.79 1484.35 2093.07 2506.5 2699.6 2593.62 2150.53 1828.34 1934.32 1886.16

X3

863.98 923.43 1084.51 1324.6 1599.78 2341.16 2815.15 2908.68 3372.54 3361.87 4083.1 4500.9 5119.06

X4

755.21 800.078 920.77 1046.4 1169.6 1657 2065.8 2191.8 2676.86 2631.39 2839.07 3010.14 3419.12

Y

3775.27 4279.578 4923 6037.41 7068.07 9422.31 11669.86 11978.11 12548.1 12865.54 14038.41 15158.23 16541.82

你好

2009 2010 2011 2012 8759.88 10165.86 10879.82 11955.27 2088.96 2316.25 2510.53 2667.64 6340.67 7794.66 8776.16 9684.27 2921.88 3208.16 3379.23 3864.29 18102.39 20474.92 22847.54 24231.14

（二）数据分析

输入数据到EViews，进行回归分析，回归分析结果（见表2）。

表2 Y-X1、X2、X3、X4最小二乘法回归结果

Dependent Variable: Y Method: Least Squares Sample: 1996 2012 Included observations: 17

Variable C X1 X2 X3 X4

R-squared Adjusted R-squared S.E. of regression Sum squared resid Log likelihood F-statistic Prob(F-statistic)

Coefficient -1757.210 0.928433 0.927605 0.767229 1.477041

Std. Error 768.0691 0.285424 0.206280 0.221608 0.239765

t-Statistic -2.287828 3.252827 4.496834 3.462104 6.160366

Prob. 0.0411 0.0069 0.0007 0.0047 0.0000 12703.63 6362.436 14.55498 14.80005 14.57934 2.156717

Mean dependent var 0.998212

S.D. dependent var 0.997616

310.6257 Akaike info criterion 1157860. Schwarz criterion -118.7174 Hannan-Quinn criter. Durbin-Watson stat 1675.155 0.000000

R2?0.998 F?1675.155 DW..?2.156717

由运行结果看出，可决系数R2与R2均接近于1，综合度量回归模型对样本观测值拟合优较好；取?=0.05，F检验值为1675.155，P值约等于0，说明结果显著；再通过自变量X1、X2、X3、X4的pro(t-Statistic)值看它们的拟合效果，分别是0.0411、0.0069、0.0007、0.0047和0.0000，，其pro(t-Statistic)值均小于?，结果显著，拒绝原假设，说明它们与Y显著相关，通过t检验。

回归方程为：

你好

Y ? ?1757.21042656 ? 0.9284334868*X1 ? 0.927605379971*X2 ? 0.767228510887*X3 ? 1.47704071679*X4 (1)

（三）统计检验

1.异方差性检验

对上述模型（1）利用怀特（White）检验方法：首先，利用OLS估计模型（1）获得残差

ei2；其次，作残差平方ei2对所有原始变量、变量平方、变量交叉乘积的

回归分析，得到辅助方程；最后，检验的零假设是:不存在异方差，对辅助方程的R2作?2检验。

回归模型（1）的残差平方ei2与X1、X2、X3、X4及其平方项与交叉项作辅助回归，得表3：

Dependent Variable: E2 Method: Least Squares Sample: 1996 2012 Included observations: 17

Variable C X1 X2 X3 X4 X1^2 X2^2 X3^2 X4^2 X1*X2 X1*X3 X1*X4 X2*X3 X2*X4 X3*X4

R-squared Adjusted R-squared

Coefficient 2236829. -2075.663 568.8256 2479.778 73.03167 0.362248 -0.162650 0.630742 -1.769893 -0.103007 -1.277665 0.744850 -0.128733 0.478599 0.778490

Std. Error 2269530. 1820.925 908.4419 2007.109 1326.322 0.326036 0.191098 0.372518 0.320301 0.326672 0.661778 0.351265 0.362658 0.416110 0.214071

t-Statistic 0.985591 -1.139895 0.626155 1.235497 0.055063 1.111066 -0.851134 1.693184 -5.525715 -0.315322 -1.930654 2.120475 -0.354970 1.150173 3.636594

Prob. 0.4282 0.3724 0.5951 0.3421 0.9611 0.3822 0.4843 0.2325 0.0312 0.7824 0.1933 0.1681 0.7565 0.3690 0.0680 68109.41 152879.0

0.993744 Mean dependent var 0.949948 S.D. dependent var

S.E. of regression Sum squared resid Log likelihood F-statistic Prob(F-statistic)

你好

34202.52 Akaike info criterion 2.34E+09 Schwarz criterion -183.4123 Hannan-Quinn criter. 22.69058 Durbin-Watson stat 0.042982

23.34263 24.07781 23.41571 2.335532

由此，可以得到：

e2?2236828.51084?2075.66289125*X1?568.825578278*X2?2479.77814849*X3?73.0316721908*X4?0.36224765939*X12?0.162649583518*X22?0.630742305614*X32?1.76989327541*X42?0.103006871448*X1*X2?1.27766492815*X1*X3?0.744849572006*X1*X4?0.128732802655*X2*X3?0.478598946928*X2*X4?0.778490064165*X3*X4R2?0.993，怀特统计量nR2?16.8936,在5%的显著性水平下，自由度为14的

2?2分布的相应临界值?0.05?23.7> 16.8936，因此接受原假设，即不存在异方差。

(2)

2.序列自相关性检验

对模型（1）采用D.W.检验法检验序列的自相关性，在上述的表1结果中已

dU?1.67，经显示：当n=17，k=4（不包含常数项），查表得dL?1.03 ，DW..?2.1567，

由于dU??DW..?2.1567??4?dU，得该模型无自相关性。 3.比较预测结果与真实值

表4 模型预测结果与真实值比较

1996 1997 1998 1999 2000 2001 2002

Y

3775.270 4279.578 4923.000 6037.410 7068.070 9422.310 11669.86

Y2 3875.377 4359.353 4997.896 6063.614 7044.419 9378.475 11613.62