姜金德，周?；?/p>

(南京曉莊學(xué)院 商學(xué)院，江蘇 南京 211171)

一、引言

區(qū)域經(jīng)濟是由某一區(qū)域范圍內(nèi)的各種經(jīng)濟活動的總和構(gòu)成，其發(fā)展離不開區(qū)域內(nèi)社會物質(zhì)生產(chǎn)、再生產(chǎn)及各種生產(chǎn)要素和各種社會資源的配置，物流就是其中最重要的一項資源。一直以來，經(jīng)濟與物流的關(guān)系問題得到了研究者們的重點關(guān)注，現(xiàn)有研究可以被劃分為3個方向：一是經(jīng)濟帶動論。即有些學(xué)者認(rèn)為基礎(chǔ)設(shè)施投資、區(qū)位優(yōu)勢、產(chǎn)業(yè)結(jié)構(gòu)等因素會對物流發(fā)展起促進作用展開研究。如余泳澤等認(rèn)為經(jīng)濟發(fā)展水平、區(qū)位優(yōu)勢、地區(qū)制度變遷等對地區(qū)物流效率有顯著影響(1)余泳澤等：《我國物流產(chǎn)業(yè)效率及其影響因素的實證研究——基于中國省際數(shù)據(jù)的隨機前沿生產(chǎn)函數(shù)分析》，《產(chǎn)業(yè)經(jīng)濟研究》，2010年第1期。；徐茜等認(rèn)為區(qū)域經(jīng)濟發(fā)展對區(qū)域物流的結(jié)構(gòu)和發(fā)展規(guī)模具有決定性作用(2)徐茜等：《區(qū)域物流與區(qū)域經(jīng)濟發(fā)展互動關(guān)系研究——以浙江省為例》，《統(tǒng)計與決策》，2011年第9期。；二是物流驅(qū)動論，即物流能夠驅(qū)動經(jīng)濟發(fā)展。如Kisperska-Moron在1994年就研究了波蘭經(jīng)濟過渡期的物流發(fā)展問題，認(rèn)為庫存情況能夠一定程度的反映地區(qū)的經(jīng)濟發(fā)展變化(3)Kisperka-Moron D，“Logistics Change During the Transition Period in the Polish Economy” ，in International Journal of Production Economics，Vol.35(June 1994),pp.23-28.；李忠民等實證分析了新絲綢之路經(jīng)濟帶，從貨物周轉(zhuǎn)量的角度發(fā)現(xiàn)物流促進了經(jīng)濟帶的經(jīng)濟增長(4)李忠民等：《物流促進經(jīng)濟增長的空間異質(zhì)性研究——以“新絲綢之路”經(jīng)濟帶為例》，《經(jīng)濟問題》， 2014年第6期。；梁紅艷探討了物流業(yè)的服務(wù)功能和調(diào)節(jié)功能促進制造業(yè)效率提升的內(nèi)部機理(5)梁紅艷：《物流業(yè)發(fā)展對制造業(yè)效率影響機制研究》，《東南學(xué)術(shù)》，2015年第1期。。三是相互影響論，即從經(jīng)濟與物流互動發(fā)展的角度研究二者的相互作用。如張林等運用聚類分析法研究了全國性節(jié)點城市的區(qū)域經(jīng)濟與物流業(yè)發(fā)展的關(guān)聯(lián)性(6)張林等：《節(jié)點城市物流產(chǎn)業(yè)與區(qū)域經(jīng)濟的協(xié)同發(fā)展研究——基于全國性物流節(jié)點城市面板數(shù)據(jù)》，《華東經(jīng)濟管理》，2015年第2期。；岳云康等構(gòu)建灰色關(guān)聯(lián)模型，實證分析了山西省物流效率、區(qū)域物流資源利用與經(jīng)濟增長之間的相關(guān)性(7)岳云康等：《山西物流與經(jīng)濟灰色關(guān)聯(lián)分析》，《經(jīng)濟問題》，2017年第7期。；宋琪等基于VAR 模型建立協(xié)整方程，研究發(fā)現(xiàn)倉儲、貿(mào)易、交通運輸三大領(lǐng)域物流業(yè)的發(fā)展與經(jīng)濟的增長之間存在長期的協(xié)整關(guān)系(8)宋琪等：《基于VAR模型的物流業(yè)增加值與經(jīng)濟增長的實證分析》，《統(tǒng)計與決策》，2016年第1期。。由此可見，區(qū)域物流在為需求方提供服務(wù)的過程中，既提高了自身的服務(wù)水平，又促進了區(qū)域經(jīng)濟的發(fā)展，為區(qū)域經(jīng)濟發(fā)展提供了支撐，區(qū)域經(jīng)濟為區(qū)域物流的發(fā)展創(chuàng)造了基礎(chǔ)條件，二者相互依存、相互促進。而從決策者制定發(fā)展戰(zhàn)略視角考慮，對區(qū)域物流和區(qū)域經(jīng)濟的有關(guān)指標(biāo)進行定量預(yù)測無疑具有重要意義，在選擇指標(biāo)時，區(qū)域物流需求、與區(qū)域物流需求存在較強相關(guān)性的區(qū)域經(jīng)濟指標(biāo)納入了研究對象。

區(qū)域物流需求預(yù)測是指根據(jù)過去和現(xiàn)在的物流需求狀況，考慮影響物流需求變化因素之間的關(guān)系，運用科學(xué)的方法、手段，對物流需求未來的發(fā)展變化趨勢做出科學(xué)的估計和描述。近年來，一些學(xué)者對物流需求預(yù)測方法的研究取得了一些的成果。Donald等認(rèn)為，定性法、時間序列分析法和因果分析法是進行物流需求預(yù)測的主要方法(9)Donald,J Bowersox，Supply Chain Logistics Management(2nd Edition)，China Machine Press, 2007.。Cang和Yu指出，國內(nèi)外大多數(shù)學(xué)者對物流需求的預(yù)測都是利用歷史數(shù)據(jù)、以線性回歸為主導(dǎo)工具建立預(yù)測模型(10)Cang S.,“Combination Selection Algorithm on Forecasting”，in European Journal of Operational Research,Vol.234 (April 2014)，pp.127-139.。國外方面，Nuzzolo認(rèn)為準(zhǔn)確地預(yù)測一個地域的物流需求能夠更好地解決城市內(nèi)和城市間的交通運輸問題(11)Nuzzolo A,“Urban freight demand forecasting:A mixed quantity/delivery/vehicle-based mode”，in Transportation Research Part E:Logistics and Transportation Review, Vol.65 (May 2014)，pp.84-98.；JT Fite等將各種經(jīng)濟指標(biāo)與貨運量聯(lián)系起來，運用多元線性回歸模型對卡車運輸行業(yè)未來的貨運量進行了預(yù)測，其結(jié)果對廣泛的運輸和物流運作有很大的幫助(12)Fite, J.T.,“Forecasting freight demand using economic indices”，in International Journal of Physical Distribution &Logistics Management, Vol.32 (May 2002)，pp.299-308.；Nuzzolo運用一元非線性回歸模型進行了物流需求量的預(yù)測(13)Nuzzolo A,“City Logistics Planning:Demand Modelling Requirements for Direct Effect Forecasting” ，in Procedia-Social and Behavioral Sciences, Vol.125 (March 2014)，pp.239-250.。國內(nèi)方面，邱慧等用灰色關(guān)聯(lián)分析，選取貨運周轉(zhuǎn)量為特征因素、人均生產(chǎn)總值為其相關(guān)因素，利用GM(1，2)灰色預(yù)測模型對山西省未來3年的物流需求進行預(yù)測，結(jié)果表明，模型具有較高的預(yù)測精度(14)邱慧等：《基于灰色系統(tǒng)模型的山西省物流需求預(yù)測分析》，《數(shù)學(xué)的實踐與認(rèn)識》，2016年第13期。；魯渤等借鑒引力模型思想，結(jié)合空間經(jīng)濟學(xué)、產(chǎn)業(yè)經(jīng)濟學(xué)等理論，構(gòu)建區(qū)域物流引力模型，對內(nèi)蒙古鄂爾多斯的物流需求進行預(yù)測(15)魯渤：《基于引力模型的區(qū)域物流需求預(yù)測研究》，《管理評論》，2017年第2期。；胡小建等研究了我國社會物流總額與各種指標(biāo)的關(guān)系并構(gòu)建了多元非線性組合回歸模型，為估算社會物流需求量提供了理論參考(16)胡小建：《物流需求預(yù)測模型構(gòu)建》，《統(tǒng)計與決策》,2017年第19期。。對于一些學(xué)者建立的單一時間序列和因果關(guān)系預(yù)測模型，尚存在著一些不足：一是以自變量為單一時間的時間序列預(yù)測模型，忽視了區(qū)域物流與區(qū)域經(jīng)濟各影響因素之間的內(nèi)在聯(lián)系；二是簡單的一元線性回歸預(yù)測模型解釋力度比較單薄；三是考慮了區(qū)域經(jīng)濟因素對區(qū)域物流需求的影響而建立的多元回歸模型，各自變量之間往往存在著多重共線性，造成重復(fù)解釋。凌立文研究了單項模型篩選策略和組合權(quán)重的確定方法，用以提高組合模型預(yù)測精度(17)凌立文：《組合預(yù)測模型構(gòu)建方法及其應(yīng)用研究綜述》，《統(tǒng)計與決策》,2019年第1期。；吳培、李哲敏用組合模型預(yù)測，結(jié)果顯示組合模型較單一模型預(yù)測精度高、相對誤差小(18)吳培：《中國豬肉價格預(yù)測研究——基于ARIMA-GM-RBF組合模型的分析》，《價格理論與實踐》,2019年第1期。。但總體來說，采用組合預(yù)測的研究與單項預(yù)測相比仍占少數(shù)，且受權(quán)重系數(shù)選取的影響較大，組合預(yù)測究竟是否能有效提高精度，尚無公論(19)王秀梅：《基于權(quán)重分配組合法的農(nóng)產(chǎn)品冷鏈物流需求趨勢預(yù)測》，《統(tǒng)計與決策》，2018年第9期。。

研究區(qū)域經(jīng)濟和區(qū)域物流的預(yù)測，選則合適的研究對象十分重要，江蘇省作為全國的經(jīng)濟大省、長三角經(jīng)濟圈的重要組成部分，是國家“一帶一路”、長江經(jīng)濟帶、國家自貿(mào)區(qū)等重大戰(zhàn)略的交匯地， 也是現(xiàn)代物流和電商的起點，研究江蘇省的物流需求與區(qū)域產(chǎn)業(yè)、區(qū)域貿(mào)易以及區(qū)域消費等區(qū)域經(jīng)濟的發(fā)展趨勢在全國有一定的代表性，具有重要的戰(zhàn)略意義。有學(xué)者在研究江蘇省區(qū)域物流發(fā)展與區(qū)域經(jīng)濟的關(guān)系時，確定了推動江蘇省區(qū)域物流發(fā)展的區(qū)域經(jīng)濟因素(20)何萍：《江蘇省區(qū)域物流發(fā)展與區(qū)域經(jīng)濟的關(guān)系》，《工業(yè)工程》,2011年第5期。，但是沒有進一步給出定量模型；還有學(xué)者在對江蘇省區(qū)域物流需求預(yù)測的研究中，用有偏估計方法通過逐步回歸剔除了具有多重共線性的指標(biāo)，但是縮減了影響因素的范圍。本文汲取前人優(yōu)秀研究成果，在對自變量和因變量指標(biāo)進行充分分析的基礎(chǔ)上，以江蘇省為例，運用主成分回歸 (PCR) 法建立基于區(qū)域經(jīng)濟指標(biāo)的區(qū)域物流需求的預(yù)測模型，規(guī)避了各自變量之間多重共線性對因變量的重復(fù)解釋，對模型進行檢驗，可決系數(shù)值表明模型的擬合優(yōu)度非常好；應(yīng)用模型時，對各區(qū)域經(jīng)濟指標(biāo)進行趨勢外推法(TE)預(yù)測，通過對各自變量選擇R方值最高的趨勢線進行擬合得到精度高的自變量回歸模型，將自變量的預(yù)測值代入PCR預(yù)測模型即可得到對應(yīng)區(qū)域物流需求預(yù)測值。構(gòu)建的上述自變量與因變量的預(yù)測模型，所選指標(biāo)的數(shù)據(jù)均來自江蘇省統(tǒng)計年鑒，具有較好的數(shù)據(jù)易于獲取性，兼顧了模型的精度和穩(wěn)定性。該模型屬于中短期預(yù)測法，應(yīng)用模型預(yù)測未來5年江蘇省貨運量預(yù)測值，可供江蘇省制定區(qū)域物流和區(qū)域經(jīng)濟的規(guī)劃及發(fā)展戰(zhàn)略起到支持作用，構(gòu)建模型的方法也可供其它類似區(qū)域參考、借鑒。

二、預(yù)測模型及方法

1.主成分回歸(PCR)數(shù)學(xué)模型

在進行多變量分析時，選擇降維能夠留住變量中的重要信息、減少變量的個數(shù)，并且去掉了指標(biāo)中存在的信息重復(fù)、提高了精準(zhǔn)率，主成分分析法(PCA)就是能夠完成這種降維的方法，降維后的綜合指標(biāo)即為主成分。當(dāng)然，要進行主成分分析，指標(biāo)數(shù)據(jù)還要滿足KMO值檢測和巴特萊特球形檢測的要求。

而主成分回歸(PCR)則是用降維所得到的一個或幾個主成分與因變量之間進行回歸分析，由于主成分之間不存在多重共線性、且保留了原有變量的重要信息，所以建立它們之間的回歸分析，能夠提高方程和參數(shù)估計的準(zhǔn)確度。PCR主要包括以下幾個步驟：

(1)對原始數(shù)據(jù)進行標(biāo)準(zhǔn)化處理。標(biāo)準(zhǔn)化處理的公式為：

(1)

(2)對標(biāo)準(zhǔn)化處理的數(shù)據(jù)進行KMO值檢測和巴特萊特球形檢測，以判定是否適合主成分分析；

(3)確定主成分。當(dāng)所有p個變量中前面m個主分量 Z1，Z2，…，Zm(m

(4)做主成分與因變量Zy的線性回歸分析，得出回歸方程：

Zy=a′+b1′·Z1+b2′·Z2+…+bm′·Zm

(2)

式中： a′為常量；b1′，b2′，…，bm′為系數(shù)。

(5)將回歸方程進行逆標(biāo)準(zhǔn)化處理。將式(1)帶入式(2)進行逆標(biāo)準(zhǔn)化，并求得最終回歸模型：

Y=a+b1·X1+b2·X2+…+bp·Xp

(3)

式中：a為常量；b1，b2，…，bp為系數(shù)。

(6)模型檢驗。常用的方法是利用多重決定系數(shù)R2檢驗擬合優(yōu)度。

(4)

(5)

式中：n為樣本容量；k為模型中回歸系數(shù)的數(shù)量。

2.趨勢外推(TE)法

趨勢外推法又稱為趨勢延伸法，簡稱TE法，它是在全面分析研究對象的過去和現(xiàn)在的發(fā)展之后，利用模型描述參數(shù)的變化規(guī)律，然后用這個規(guī)律推斷未來趨勢的方法。為了擬合數(shù)據(jù)點，現(xiàn)實中最常用的函數(shù)模型，如：線性模型、指數(shù)曲線、生長曲線和包絡(luò)曲線等。當(dāng)研究對象隨時間的變化呈現(xiàn)漸進式的某種上升或下降趨勢，不是跳躍式的變化、沒有明顯的季節(jié)波動，且能找到一個合適的函數(shù)曲線來反映這種預(yù)測對象的變化趨勢，依據(jù)這種規(guī)律就可以預(yù)測出它未來的趨勢和狀態(tài)，這就符合使用趨勢外推法進行預(yù)測的情況。然后可以建立以時間t為自變量、時間序列值y為因變量的趨勢外推模型：y = f( t)。利用延長的自變量作為已知條件，根據(jù)擬合的模型曲線可以得到預(yù)測值，TE法主要包括以下6個步驟：(1)選擇預(yù)測參數(shù)；(2)收集必要的數(shù)據(jù)；(3)擬合曲線；(4)趨勢外推；(5)預(yù)測說明；(6)研究預(yù)測結(jié)果在制訂規(guī)劃和決策中的應(yīng)用。

三、指標(biāo)的確定原則

影響物流需求的經(jīng)濟因素有很多，例如GDP、固定資產(chǎn)投資總額、城鎮(zhèn)居民生活消費支出等等。其中：由于區(qū)域物流系統(tǒng)與區(qū)域內(nèi)外部經(jīng)濟狀況息息相關(guān)，區(qū)域經(jīng)濟發(fā)展的水平、規(guī)模成為了區(qū)域物流需求的決定性影響因素；資源和區(qū)域經(jīng)濟在空間上的分布不均，是產(chǎn)生物流需求的最直接原因；不同的產(chǎn)業(yè)結(jié)構(gòu)對物流需求層次、結(jié)構(gòu)和功能等方面影響較大，也是影響區(qū)域物流需求量的一個重要因素。

1.物流需求指標(biāo)的建立

度量區(qū)域物流需求指標(biāo)時一般主要考慮數(shù)量形態(tài)體系和質(zhì)量形態(tài)體系，但物流效率、物流成本等質(zhì)量形態(tài)體系目前在我國還沒有完整的統(tǒng)計數(shù)據(jù)，而依靠專家經(jīng)驗預(yù)測的數(shù)據(jù)會存在著很大的不確定性，為了對物流需求的規(guī)模進行量化研究，本文擬將數(shù)量形態(tài)中的貨運量、貨運周轉(zhuǎn)量兩個指標(biāo)與GDP進行相關(guān)性比較，選擇與GDP相關(guān)系數(shù)大的作為區(qū)域物流需求規(guī)模的指標(biāo)。

2.區(qū)域經(jīng)濟指標(biāo)的確定

選取區(qū)域經(jīng)濟指標(biāo)時，根據(jù)強相關(guān)性、全面性和實用性等原則，應(yīng)使所選擇的指標(biāo)與區(qū)域物流之間存在較強的相關(guān)性、全面反映區(qū)域經(jīng)濟發(fā)展水平，且數(shù)據(jù)易于獲取、準(zhǔn)確。本文選擇的區(qū)域經(jīng)濟指標(biāo)體系及其與區(qū)域物流需求的關(guān)系：第一、第二、第三產(chǎn)業(yè)產(chǎn)值充分表征了區(qū)域產(chǎn)業(yè)結(jié)構(gòu)和經(jīng)濟規(guī)模對物流需求規(guī)模的影響；固定資產(chǎn)投資總額、進(出)口總額、社會消費品零售總額等4個區(qū)域貿(mào)易指標(biāo)以及城鎮(zhèn)居民生活消費支出、一般公共預(yù)算支出等2個區(qū)域消費指標(biāo)對物流需求規(guī)模有重要影響。而由于GDP主要是由第一、第二、第三產(chǎn)業(yè)構(gòu)成的，為了避免在解釋區(qū)域經(jīng)濟上的信息重疊，故舍棄了區(qū)域GDP指標(biāo)。

四、江蘇省物流需求的PCR預(yù)測模型

1．指標(biāo)的確定及指標(biāo)數(shù)據(jù)

選取了2005年—2019年江蘇省貨運量、貨運周轉(zhuǎn)量與GDP的統(tǒng)計數(shù)據(jù)，通過SPSS軟件計算貨運量、貨運周轉(zhuǎn)量與GDP的相關(guān)系數(shù)分別為0.87和0.927，根據(jù)第三部分1中的分析，最終選擇貨運量(Y)作為因變量指標(biāo)，用以衡量物流需求規(guī)模。

按照區(qū)域經(jīng)濟指標(biāo)的確定原則，選取第一產(chǎn)業(yè)總產(chǎn)值(X1)、第二產(chǎn)業(yè)總產(chǎn)值(X2)、第三產(chǎn)業(yè)總產(chǎn)值(X3)、固定資產(chǎn)投資總額(X4)、進口總額(X5)、出口總額(X6)、社會消費品零售總額(X7)、城鎮(zhèn)居民生活消費支出(X8)、一般公共預(yù)算支出(X9)等9個區(qū)域經(jīng)濟指標(biāo)作為自變量。具體數(shù)據(jù)如表1所示。

表1 2005年—2019年江蘇省貨運量及相關(guān)經(jīng)濟指標(biāo)數(shù)據(jù)

2．主成分回歸(PCR)模型的建立

(1)數(shù)據(jù)的標(biāo)準(zhǔn)化

為了避免這些經(jīng)濟指標(biāo)之間因為數(shù)量級不同或者量綱不同對后續(xù)產(chǎn)生影響，在進行主成分回歸之前，首先對表1的9個指標(biāo)按照式(1)進行標(biāo)準(zhǔn)化，得表2。

表2 各經(jīng)濟指標(biāo)標(biāo)準(zhǔn)化后的值

(2)求PCA表達式

將表2中的數(shù)據(jù)錄入SPSS統(tǒng)計軟件中，進行KMO和Bartlett的檢驗：KMO值為0.783，大于0.5；Bartlett 的球形的檢驗概率為0.000，小于0.05，表明可以進行主成分分析，得解釋的總方差如表3所示。

表3 解釋的總方差

由表3知，初始特征根大于1的公因子只有1個、且其方差累積貢獻率達到了96.164%，故得到1個主成分、并令其為F。

提取成分矩陣如表4所示。

表4 成份矩陣

由成分矩陣各個指標(biāo)的成分，得主成分表達式：

F=0.987ZX1+0.998ZX2+0.986ZX3+0.991ZX4+0.912ZX5+0.97ZX6+0.99ZX7+0.992ZX8+0.997ZX9

(6)

(3)PCR模型的還原

將表2中的數(shù)據(jù)代入公式(6)得主成分F的值，并與各年份的貨運量共同列表如表5所示。

表5 2005—2019年貨運量與計算得出的F值

對主成分F與江蘇省貨運量Y進行一元回歸分析，R方為0.901，說明線性方程擬合優(yōu)度較好，得一元回歸方程如式(7)所示。

Y=0.483F+19.411

(7)

將式(6)代入式(7)中，得出標(biāo)準(zhǔn)化后的自變量ZXi與因變量Y的方程如式(8)所示：

Y=0.477ZX1+0.482ZX2+0.476ZX3+0.479ZX4+0.44ZX5+0.469ZX6+0.478ZX7+0.479ZX8+0.482ZX9+19.411

(8)

根據(jù)式(1)對式(8)進行逆標(biāo)準(zhǔn)化處理，得多元線性方程如式(9)：

Y=0.00047X1+0.00005X2+0.00003X3+0.00003X4+0.00093X5+0.00054X6

0.00005X7+0.6216X8+0.00013X9+8.667

(9)

(4)PCR模型的檢驗

將表1中的X1～ X9的數(shù)據(jù)代入式(9)得江蘇省2005至2019年貨運量預(yù)測值，并與實際值共同列于表6進行比較。

表6 貨運量實際值與預(yù)測值的比較

五、基于區(qū)域經(jīng)濟的PE預(yù)測的區(qū)域物流需求PCR預(yù)測模型的應(yīng)用

(1)區(qū)域經(jīng)濟的PE預(yù)測模型

為了應(yīng)用PCR模型對未來江蘇省物流需求進行預(yù)測，基于2005～2019年江蘇省區(qū)域經(jīng)濟數(shù)據(jù)，運用趨勢外推法建立自變量的預(yù)測模型，即：把這些自變量指標(biāo)輸入SPSS軟件，在線性、二次、三次、冪、指數(shù)等方程模型中通過比較R方大小，選擇R方最大值的方程為最優(yōu)模型。

X1的三次方程的R方最大，為0.991，得X1=135.319n+24.862n2-1.83n3+1235.63；

X2的線性、二次、三次方程的R方同時最大，為0.995，本例取三次方程，得X2=2873.911n-76.847n2+3.202n3+7176.8；

X3的三次方程的R方最大，為1，得X3=686.265n+237.755n2-5.416n3+5682.587；

X4的三次方程的R方最大，為1，得X4=-295.133n+579.039n2-22.468n3+8515.682；

X5的冪函數(shù)的R方最大，為0.867，得X5=n0.325+1016.744；

X6的冪函數(shù)的R方最大，為0.949，得X6=n0.439+1216.099；

X7的三次方程的R方最大，為1，得X7=271.664n+234.789n2-7.922n3+5301.967；

X8的三次方程的R方最大，為0.996，得X8=0.005n+0.023n2-0.001n3+0.85；

X9的三次方程的R方最大，為0.996，得X9=380.603n+61.851n2-2.48n3+1053.198。

式中，n是自2005年到預(yù)測年份的樣本數(shù)量，根據(jù)自變量趨勢外推模型得近5年(2020—2024年)江蘇省區(qū)域經(jīng)濟指標(biāo)的預(yù)測值如表7所示。

表7 2020年—2025年江蘇省區(qū)域經(jīng)濟指標(biāo)的預(yù)測值

(2)區(qū)域物流需求PCR預(yù)測模型的應(yīng)用

將表7中的數(shù)據(jù)代入式(9)，得2020年—2024年江蘇省物流預(yù)測值如表8所示。

表8 2020年—2025年江蘇省貨運量預(yù)測值(單位：億噸)

由表8中的數(shù)據(jù)，2020年貨運量預(yù)測值比上年增長0.98%，同理可得，2021—2024年貨運量預(yù)測值的年增長率分別為1.73%、1.19%、0.63%、0.02%。

五、結(jié)語

本文以江蘇省物流指標(biāo)與經(jīng)濟指標(biāo)的面板數(shù)據(jù)為例，運用主成分回歸(PCR)方法構(gòu)建了江蘇省物流需求的預(yù)測模型，為應(yīng)用構(gòu)建的PCR模型，運用趨勢外推(PE)法構(gòu)建了江蘇省區(qū)域經(jīng)濟各指標(biāo)的預(yù)測模型，經(jīng)檢驗，模型精度均較高。由PE法構(gòu)建的預(yù)測模型進行自變量預(yù)測，反映了2020-2024年江蘇省區(qū)域經(jīng)濟各指標(biāo)的預(yù)測值及其增減變化情況，將該預(yù)測數(shù)據(jù)作為自變量代入?yún)^(qū)域物流需求的PCR預(yù)測模型，得到對應(yīng)年份江蘇省貨運量的預(yù)測數(shù)據(jù)，可知近5年江蘇省貨運量每年將呈增長的趨勢，到2024年將達27億噸。有助于江蘇省在制定區(qū)域經(jīng)濟與物流發(fā)展規(guī)劃、進行宏觀運行管理和調(diào)控決策時把握物流需求規(guī)模與區(qū)域產(chǎn)業(yè)、區(qū)域貿(mào)易以及區(qū)域消費等區(qū)域經(jīng)濟發(fā)展之間的矛盾。

由于模型中選取的經(jīng)濟指標(biāo)較多，不穩(wěn)定因素的發(fā)生容易影響遠(yuǎn)期預(yù)測的可靠性，因此，本模型比較適宜中短期區(qū)域物流的預(yù)測。另外，該模型的指標(biāo)數(shù)據(jù)均來自江蘇省統(tǒng)計年鑒，對研究省份的變化具有較好的遷移性，但是如果研究范圍擴大到省外或者國家地理分區(qū)層面，會由于指標(biāo)之間的關(guān)聯(lián)度的不同而給預(yù)測帶來困難，這也是有待進一步深入研究的問題。