田博 歐光軍 汪奎

內容摘要：商品流通企業(yè)的物流成本預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合的思路，構建出商品流通企業(yè)的物流成本預測模型。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組季度物流成本數據為研究對象，結果表明模型擬合效果較好，預測最大誤差為5.82%，最小誤差僅為1.14%。分析結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。

關鍵詞：商品流通企業(yè) 物流成本預測 主成分分析 多元回歸分析

引言

那些開展商品銷售和產品經營并具有經營獨立權和自主權的經濟主體，通常被稱為商品流通企業(yè)，它與傳統(tǒng)的生產企業(yè)存在較大區(qū)別，主要開展商品流通業(yè)務和提供相關服務，是一種全新的獨立性極強的經濟組織。國家實施改革開放政策以后，國內經濟發(fā)展水平不斷提升，第三產業(yè)在國民經濟構成中所占比重不斷上升，并對經濟發(fā)展產生了極大的推動作用。流通產業(yè)是第三產業(yè)的核心構成單元，其對經濟發(fā)展的貢獻水平不斷提升。在我國經濟迅猛發(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。

物流成本預測方法研究綜述

（一）定性分析

定性分析指以現有的信息和資料為基礎，在相關專家學者引導下，憑借豐富的分析經驗和極強的專業(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，然后對相關評價結果進行歸納總結，以此來為物流成本推斷和預估提供參考。最具有代表性的定性預測方法有：特爾菲法和主觀概率預測法等。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水平不高，就會對物流成本預估造成嚴重的不良影響，無法推算出精準有效的結果。因此，在對物流成本預測的研究領域和實踐運用中，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之上，結合當前的業(yè)務發(fā)展狀況，通過數學計算，對所掌握的資料進行處理，確定影響預測目標的相關因子，順應事物的發(fā)展趨勢，最終得出推斷結果。借用定量分析來推斷物流成本離不開時間排序、網絡評估、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，進行相關模型的構建，通過對企業(yè)的逆向物流發(fā)展實例進行分析，來對相關推斷結果進行計算和驗證。由于時間序列模型對歷史數據的數量和準確性要求比較高，如果對企業(yè)物流成本數據的引用不夠充分，將導致最終推斷結果與企業(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）構建了更加先進的灰色神經網絡模型，通過一系列案例的分析，以此來推斷出科學、合理的數據。但是，此種推斷方式局限性較強，由于整合度過高，導致了相關結果的指向性和普遍性不強，整個推斷過程比較復雜，相關結果不能被有效解析。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)物流成本的構成進行分解，闡述了灰色預測法應用于企業(yè)物流成本預測的具體步驟。鑒于此種方式下的案例分析主要側重于倉儲成本，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》里面的相關數據引用到回歸模型中進行實證分析，結果證實實際數據與回歸方程擬合結果基本一致，回歸分析法能夠很好的對物流成本進行預測。但是，企業(yè)物流系統(tǒng)大多較為復雜，非線性不確定影響因素較多，所以想要構建出穩(wěn)定并且精確的模型具有一定難度。

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

商品流通企業(yè)物流成本預測模型構建

商品流通企業(yè)物流成本由于涉及到流通領域，因此影響因子較多。在具體的成本預估工作中，不可避免的會存在信息重疊問題。即預估物流成本工作過程中，會受到很多參數數據的影響，它們之間也會相互作用、相互影響。假若在對物流企業(yè)成本進行預估時，相關數據信息具有很強的重復性和復雜性，以此為基礎構建起來的模型在成本預估過程中，其結果的科學性和可靠性將較差。但是，主成分研究能夠將主要變量進行簡化和細化，處理后的變量信息重復問題能被徹底解決，并且能夠實現對初始變量信息的全面客觀反映。為了使得最終的預測結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合，以商品流通企業(yè)的物流成本預估為主要內容，進行回歸分析模型的構建。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。

首先，根據學者的參考文獻和商品流通企業(yè)物流成本的構成，構建具體的指標體系如圖2所示。

其次，分析主成分的數學體系。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：

Y元素仍然以初始變量形式存在，構建了Y1，Y2，Y3，…，YP的線性組合，可以得到主成分分析數學模型為：

其中，F=（F1，F2，…，Fp）為主成分向量，Bij（i，j=1，2，…，P）為因子載荷系數。

最后，進行主成分回歸分析的基本思路。通常主成分數量的確定，依賴于其累計貢獻水平的核算，之后以初始變量觀測數據為依據，進行主成分線性關系的描述和構建，進而可以得到一個新的觀測數矩陣。將這一觀測數矩陣結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)物流成本預測分析模型。

基于主成分分析的物流成本預測

（一）變量選取及樣本數據

本文以H公司的報表數據為基礎，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月之間的季度數據進行分析。為了避免各項數據的單位不一致、數據差異造成的分析偏差，對于原始數據進行歸一化處理。如表1所示，將15組數據前面的12組作為訓練樣本，后面3組數據用于訓練成功后的預測檢驗樣本。

（二）物流成本預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據，結果如表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性，初始變量在因子分析中具有很強的適用性；當關系數值約等于0時，說明不同變量之間的相關性不強，在因子分析工作中，變量的適用性不強。結合檢驗結果分析，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性較強，呈現出明顯的下降趨勢，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，得出回歸分析結果如表5所示。從回歸結果來看，調整的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，并且該系數等于11.153，說明該影響因素對于成本呈現正向影響。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，并且該系數等于1.712，說明該影響因素對于物流成本Y呈現正向影響。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，初始數據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容，構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）

物流成本的預測結果擬合圖如圖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據的變化趨勢，并且擬合誤差較小。綜上所述，建立的模型較為合理。

（三）物流成本預測結果比對

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

從預測結果來看，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，模型預測誤差較小。從擬合結果圖5來看，模型整體擬合預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測物流成本的變化使用。

結論

本文通過將主成分分析與多元回歸分析方法相結合，構建了商品流通企業(yè)物流成本主成分回歸分析模型。通過實證分析的研究結果表明，基于主成分回歸分析的模型擬合與預測結果都很好，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，因此本文所構建的指標體系還存在一定局限性。如何使相關指標更加豐富，充分確保和提升該體系的完善性，更客觀全面的反應商品流通企業(yè)物流成本的構成，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，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測研究[J].當代經濟，2009（21）

4.張鳳榮，金俊武，李延忠.基于改進的灰色BP神經網絡的區(qū)域物流成本預測[J].公路交通科技，2005，22（6）

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

6.丁雪慧.回歸分析法在物流成本預測中的應用[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測[J].安全與環(huán)境學報，2014（5）

8.畢建武，賈進章.基于PCMRA神經網絡補償算法的瓦斯涌出量預測[J].自然災害學報，2014，23（5）