田博 歐光軍 汪奎

內(nèi)容摘要：商品流通企業(yè)的物流成本預(yù)測是物流成本管理中極為重要的環(huán)節(jié)。本文通過將主成分分析與多元回歸分析相結(jié)合的思路，構(gòu)建出商品流通企業(yè)的物流成本預(yù)測模型。該模型克服了商品流通企業(yè)物流成本變量體系之間的多重共線問題，提升了多元回歸模型預(yù)測的準確度。為驗證模型的合理性，以一家商品流通企業(yè)——H公司為例進行實證研究。以H公司15組季度物流成本數(shù)據(jù)為研究對象，結(jié)果表明模型擬合效果較好，預(yù)測最大誤差為5.82%，最小誤差僅為1.14%。分析結(jié)果與該公司的實際物流成本相當接近，驗證了該模型的合理性和準確性。

關(guān)鍵詞：商品流通企業(yè) 物流成本預(yù)測 主成分分析 多元回歸分析

引言

那些開展商品銷售和產(chǎn)品經(jīng)營并具有經(jīng)營獨立權(quán)和自主權(quán)的經(jīng)濟主體，通常被稱為商品流通企業(yè)，它與傳統(tǒng)的生產(chǎn)企業(yè)存在較大區(qū)別，主要開展商品流通業(yè)務(wù)和提供相關(guān)服務(wù)，是一種全新的獨立性極強的經(jīng)濟組織。國家實施改革開放政策以后，國內(nèi)經(jīng)濟發(fā)展水平不斷提升，第三產(chǎn)業(yè)在國民經(jīng)濟構(gòu)成中所占比重不斷上升，并對經(jīng)濟發(fā)展產(chǎn)生了極大的推動作用。流通產(chǎn)業(yè)是第三產(chǎn)業(yè)的核心構(gòu)成單元，其對經(jīng)濟發(fā)展的貢獻水平不斷提升。在我國經(jīng)濟迅猛發(fā)展和國家頒布的一系列政策法規(guī)支持下，我國商品流通企業(yè)得到飛速發(fā)展，如圖1所示。對于商品流通企業(yè)而言，流通環(huán)節(jié)的成本占比將近90%，其它工作過程的成本占比還不足10%。因此，對商品流通企業(yè)的物流成本進行合理預(yù)測，從而達到控制和降低物流成本的目的，是商品流通企業(yè)面臨的重大難題。

物流成本預(yù)測方法研究綜述

（一）定性分析

定性分析指以現(xiàn)有的信息和資料為基礎(chǔ)，在相關(guān)專家學(xué)者引導(dǎo)下，憑借豐富的分析經(jīng)驗和極強的專業(yè)能力，從主觀角度上對物流工作過程中的能源和成本消耗情況進行評判，然后對相關(guān)評價結(jié)果進行歸納總結(jié)，以此來為物流成本推斷和預(yù)估提供參考。最具有代表性的定性預(yù)測方法有：特爾菲法和主觀概率預(yù)測法等。鑒于定性分析受到主觀因素影響程度較深，對人的思想、能力和價值觀等依賴性較強，如果個人的綜合素質(zhì)水平不高，就會對物流成本預(yù)估造成嚴重的不良影響，無法推算出精準有效的結(jié)果。因此，在對物流成本預(yù)測的研究領(lǐng)域和實踐運用中，很少單獨使用這類方法。

（二）定量分析

定量分析指在已有信息和資料的基礎(chǔ)之上，結(jié)合當前的業(yè)務(wù)發(fā)展狀況，通過數(shù)學(xué)計算，對所掌握的資料進行處理，確定影響預(yù)測目標的相關(guān)因子，順應(yīng)事物的發(fā)展趨勢，最終得出推斷結(jié)果。借用定量分析來推斷物流成本離不開時間排序、網(wǎng)絡(luò)評估、灰色評判和回歸分析等方法的輔助。在對逆向物流成本進行推斷的時候，學(xué)者郭少儒（2009）運用了時間排序方式，以推斷逆向物流成本為目標，以時間為依據(jù)，進行相關(guān)模型的構(gòu)建，通過對企業(yè)的逆向物流發(fā)展實例進行分析，來對相關(guān)推斷結(jié)果進行計算和驗證。由于時間序列模型對歷史數(shù)據(jù)的數(shù)量和準確性要求比較高，如果對企業(yè)物流成本數(shù)據(jù)的引用不夠充分，將導(dǎo)致最終推斷結(jié)果與企業(yè)發(fā)展實際存在較大偏差。在推斷吉林省物流成本時，張鳳榮（2005）構(gòu)建了更加先進的灰色神經(jīng)網(wǎng)絡(luò)模型，通過一系列案例的分析，以此來推斷出科學(xué)、合理的數(shù)據(jù)。但是，此種推斷方式局限性較強，由于整合度過高，導(dǎo)致了相關(guān)結(jié)果的指向性和普遍性不強，整個推斷過程比較復(fù)雜，相關(guān)結(jié)果不能被有效解析。在對企業(yè)物流進行成本推斷時，李英（2014）借用了灰色評估方式，通過對企業(yè)物流成本的構(gòu)成進行分解，闡述了灰色預(yù)測法應(yīng)用于企業(yè)物流成本預(yù)測的具體步驟。鑒于此種方式下的案例分析主要側(cè)重于倉儲成本，而沒有對企業(yè)的全部物流成本進行實證分析，因此該方法只在短期內(nèi)準確性高，隨著周期加長，準確性會逐步降低，對于該方法的操作性還需要進一步研究深化。丁雪慧（2009）闡述了回歸分析法的相關(guān)概念，建立了一元線性回歸分析計算模型，將《統(tǒng)計年鑒》里面的相關(guān)數(shù)據(jù)引用到回歸模型中進行實證分析，結(jié)果證實實際數(shù)據(jù)與回歸方程擬合結(jié)果基本一致，回歸分析法能夠很好的對物流成本進行預(yù)測。但是，企業(yè)物流系統(tǒng)大多較為復(fù)雜，非線性不確定影響因素較多，所以想要構(gòu)建出穩(wěn)定并且精確的模型具有一定難度。

綜上所述，運用單一預(yù)測方法對企業(yè)物流成本進行預(yù)測，或多或少會存在一些不足。在實際預(yù)測過程中，可以通過將不同的預(yù)測方法組合在一起，將定量預(yù)測法和定性預(yù)測法結(jié)合起來使用。

商品流通企業(yè)物流成本預(yù)測模型構(gòu)建

商品流通企業(yè)物流成本由于涉及到流通領(lǐng)域，因此影響因子較多。在具體的成本預(yù)估工作中，不可避免的會存在信息重疊問題。即預(yù)估物流成本工作過程中，會受到很多參數(shù)數(shù)據(jù)的影響，它們之間也會相互作用、相互影響。假若在對物流企業(yè)成本進行預(yù)估時，相關(guān)數(shù)據(jù)信息具有很強的重復(fù)性和復(fù)雜性，以此為基礎(chǔ)構(gòu)建起來的模型在成本預(yù)估過程中，其結(jié)果的科學(xué)性和可靠性將較差。但是，主成分研究能夠?qū)⒅饕兞窟M行簡化和細化，處理后的變量信息重復(fù)問題能被徹底解決，并且能夠?qū)崿F(xiàn)對初始變量信息的全面客觀反映。為了使得最終的預(yù)測結(jié)果更具有客觀性和準確性，本文將主成分分析法和多元線性回歸分析法相結(jié)合，以商品流通企業(yè)的物流成本預(yù)估為主要內(nèi)容，進行回歸分析模型的構(gòu)建。在此模型支撐下，能夠有效避免多元回歸模型中的自變量沖突問題，同時也能最大程度的精簡該模型架構(gòu)。

首先，根據(jù)學(xué)者的參考文獻和商品流通企業(yè)物流成本的構(gòu)成，構(gòu)建具體的指標體系如圖2所示。

其次，分析主成分的數(shù)學(xué)體系。樣本量共為M個，單個樣本的檢測項有P個：Y1，Y2，Y3，…，YP，由此得出初始矩陣架構(gòu)：

Y元素仍然以初始變量形式存在，構(gòu)建了Y1，Y2，Y3，…，YP的線性組合，可以得到主成分分析數(shù)學(xué)模型為：

其中，F(xiàn)=（F1，F(xiàn)2，…，F(xiàn)p）為主成分向量，Bij（i，j=1，2，…，P）為因子載荷系數(shù)。

最后，進行主成分回歸分析的基本思路。通常主成分數(shù)量的確定，依賴于其累計貢獻水平的核算，之后以初始變量觀測數(shù)據(jù)為依據(jù)，進行主成分線性關(guān)系的描述和構(gòu)建，進而可以得到一個新的觀測數(shù)矩陣。將這一觀測數(shù)矩陣結(jié)合因變量進行線性回歸分析，可以得到回歸方程為：y=β0+β0F1+β2F2+β3F3（此處被列出的主成分僅有3個）。在此基礎(chǔ)上，全新變量方程式可以倒回為初始變量方程式，即α0、α0F1、α2F2、α3F3之和等于Y，由此能夠推斷出相對合理的商品流通企業(yè)物流成本預(yù)測分析模型。

基于主成分分析的物流成本預(yù)測

（一）變量選取及樣本數(shù)據(jù)

本文以H公司的報表數(shù)據(jù)為基礎(chǔ)，分析了該公司的商品物流成本。以該公司2013年4月至2016年10月之間的季度數(shù)據(jù)進行分析。為了避免各項數(shù)據(jù)的單位不一致、數(shù)據(jù)差異造成的分析偏差，對于原始數(shù)據(jù)進行歸一化處理。如表1所示，將15組數(shù)據(jù)前面的12組作為訓(xùn)練樣本，后面3組數(shù)據(jù)用于訓(xùn)練成功后的預(yù)測檢驗樣本。

（二）物流成本預(yù)測的主成分回歸模型建立

采用SPSS19.0軟件對各個行業(yè)收入影響因素指標的主要因素展開具體分析，借助KMO和Bartlett球形檢驗工具分析數(shù)據(jù)，結(jié)果如表2所示。

KMO取值區(qū)間為[0，1]。當KMO約等于1時，顯示出各因素之間具有很強的相關(guān)性，初始變量在因子分析中具有很強的適用性；當關(guān)系數(shù)值約等于0時，說明不同變量之間的相關(guān)性不強，在因子分析工作中，變量的適用性不強。結(jié)合檢驗結(jié)果分析，KMO=0.705>0.7，顯示出不同變量的獨立性較強，即可以對各項指標變量進行因子分析。對上述物流成本的9個指標進行因子分析，得到方差分析表如表3所示。

從結(jié)果來看，通過主成分分析，大于1的特征值有兩個，分別是5.084和2.266，由此能夠在以上變量中抽取兩個不同的主因子。這兩個主要因子的特征值都不小于1，各自的方差占比為56.493%和25.172%。兩個主成分的累計貢獻率達到了81.666%，說明從9個變量中提取的這兩個主成分因子基本可以代表其他因子的變化，如圖3所示。

理想模式的碎石圖是陡峭的曲線，緊隨其后的是一段彎曲，然后是持平或水平線。平線開始在陡峭曲線趨勢之前第一點的組件或因素。圖3顯示，兩個主要因素之間的相關(guān)性較強，呈現(xiàn)出明顯的下降趨勢，在后續(xù)特征顯示中，這種變動趨勢被弱化，從而提取前兩個因素作為一個常見因素，進一步計算得到這兩個主成分的得分矩陣如表4所示。

以這兩個主成分變量為自變量，以物流成本為因變量，得出回歸分析結(jié)果如表5所示。從回歸結(jié)果來看，調(diào)整的R2等于0.977，說明因變量97%的變化可以由這些變量來解釋，擬合效果非常好。

從擬合系數(shù)來看，成分F1的sig值等于0，說明在1%概率水平下，該成分對于物流成本Y影響顯著，并且該系數(shù)等于11.153，說明該影響因素對于成本呈現(xiàn)正向影響。成分F2的sig值等于0.005，說明在1%概率水平下該成分F2對于物流成本Y影響顯著，并且該系數(shù)等于1.712，說明該影響因素對于物流成本Y呈現(xiàn)正向影響。同時，VIF及容差的值基本上趨近于1，表明不同變量之間多種共線的特征不怎么明顯，初始數(shù)據(jù)基本上不受任何干擾，如表6所示。此時，以物流成本為主要內(nèi)容，構(gòu)建主因子多元回歸模型如下：

Y=18.774+11.153*F1+1.712*F2

（39.170）（22.481）（3.451）

物流成本的預(yù)測結(jié)果擬合圖如圖4所示，從物流成本擬合效果來看，主成分以及回歸分析得到的模型可以較好的擬合出實際數(shù)據(jù)的變化趨勢，并且擬合誤差較小。綜上所述，建立的模型較為合理。

（三）物流成本預(yù)測結(jié)果比對

通過主成分分析和回歸分析，得到模型預(yù)測結(jié)果如表7所示，其通過了各項擬合檢驗，在此基礎(chǔ)上使用該模型對剩下的三組樣本進行預(yù)測。

從預(yù)測結(jié)果來看，模型絕對誤差的最大值為1.733154，最小誤差為0.281016，平均誤差0.79000；相對誤差最大值為5.82%，最小誤差為1.14%，平均誤差為2.56%。由此可見，模型預(yù)測誤差較小。從擬合結(jié)果圖5來看，模型整體擬合預(yù)測變化趨勢也和實際值保持一致，擬合效果較好，說明該模型可以用于預(yù)測物流成本的變化使用。

結(jié)論

本文通過將主成分分析與多元回歸分析方法相結(jié)合，構(gòu)建了商品流通企業(yè)物流成本主成分回歸分析模型。通過實證分析的研究結(jié)果表明，基于主成分回歸分析的模型擬合與預(yù)測結(jié)果都很好，準確驗證了本文所建立的模型適用性和精確性。由于商品流通企業(yè)物流成本所受影響因素不止本文列出的九個，因此本文所構(gòu)建的指標體系還存在一定局限性。如何使相關(guān)指標更加豐富，充分確保和提升該體系的完善性，更客觀全面的反應(yīng)商品流通企業(yè)物流成本的構(gòu)成，是接下來需要深入研究的方向。

參考文獻：

1.張春峰.淺議商品流通企業(yè)物流成本核算[J].財務(wù)與會計，2009（3）

2.聶曉.商品流通企業(yè)物流成本核算與控制研究[D].山東大學(xué)，2011

3.郭少儒.基于作業(yè)成本法和時間序列法的逆向物流成本預(yù)測研究[J].當代經(jīng)濟，2009（21）

4.張鳳榮，金俊武，李延忠.基于改進的灰色BP神經(jīng)網(wǎng)絡(luò)的區(qū)域物流成本預(yù)測[J].公路交通科技，2005，22（6）

5.李英.基于灰色預(yù)測法的企業(yè)物流成本管理[J].物流技術(shù)，2014（17）

6.丁雪慧.回歸分析法在物流成本預(yù)測中的應(yīng)用[J].財會通訊，2009（11）

7.畢建武，賈進章.基于SPSS的PCA-MRA回采工作面瓦斯涌出量預(yù)測[J].安全與環(huán)境學(xué)報，2014（5）

8.畢建武，賈進章.基于PCMRA神經(jīng)網(wǎng)絡(luò)補償算法的瓦斯涌出量預(yù)測[J].自然災(zāi)害學(xué)報，2014，23（5）