摘要隨著重慶市經(jīng)濟增長和人民生活水平、消費水平的提高。消費者、企業(yè)以及重慶市對于重慶區(qū)域物流發(fā)展的要求越來越高。本文研究基于重慶市貨運量及快遞業(yè)務量近十年的數(shù)據(jù)，以ARCH模型的組合模型進行預測，對預測方法進行綜述，進行數(shù)據(jù)分析并構建理論模型以便數(shù)據(jù)預測。結果分析得出重慶《現(xiàn)代物流業(yè)發(fā)展的十四五規(guī)劃》規(guī)定中，“2025年貨運量達16億噸，快遞業(yè)務量達11.7億件”在本文預測模型中能夠被實現(xiàn)。憑借組合模型預測出的數(shù)據(jù)，建議重慶市關注貨運量的發(fā)展變化，適當刺激市民消費欲望，出臺相應的物流業(yè)發(fā)展幫扶政策，建議物流企業(yè)加大對人才的引進和專業(yè)知識。預測出的數(shù)據(jù)既豐富了重慶市區(qū)域物流需求預測的研究方法，也對重慶市相關物流發(fā)展和研究有一定借鑒意義。關鍵詞：貨運量；組合預測模型；需求預測；影響因素；AbstractWiththeeconomicgrowthofChongqingandtheimprovementofpeople'slivingstandardsandconsumptionlevels.Consumers,enterprises,andChongqingcityhaveincreasinglyhighdemandsforthedevelopmentofregionallogisticsinChongqing.ThisstudyisbasedonthepastdecadefreightvolumeandexpressdeliverybusinessvolumeinChongqingcity.Theseincludesfourmodels:greypredictionmodel,exponentialsmoothingmethod,linearregressionmodel,andARCHmodel.Usingthecombinationmodelsforprediction,summarizingpredictionmethods,conductingdataanalysis,andconstructingtheoreticalmodelsfordataprediction.Theresultanalysisshowsthatthe"14thFiveYearPlanfortheDevelopmentofModernLogisticsIndustryinChongqing"stipulatesthat"thefreightvolumewillreach1.6billiontonsandtheexpressdeliverybusinessvolumewillreach1.17billionitemsin2025",whichcanbeachievedinthepredictionmodelofthisarticle.Basedonthedatapredictedbythecombinationmodel,itisrecommendedthatChongqingpayattentiontothedevelopmentandchangesoffreightvolume,appropriatelystimulatetheconsumptiondesireofcitizens,andintroducecorrespondinglogisticsindustrydevelopmentassistancepolicies.Itisalsorecommendedthatlogisticsenterprisesincreasetheintroductionoftalentandprofessionalknowledge.ThepredicteddatanotonlyenrichestheresearchmethodsforpredictingregionallogisticsdemandinChongqing,butalsohascertainreferencesignificanceforthedevelopmentandresearchofrelatedlogisticsinChongqing.KeyWords：Freightvolume;Combinationpredictionmodel;Demandforecasting;Influencingfactors

基于組合模型的重慶物流貨運量需求預測一、緒論（一）研究背景與意義1、背景物流是指物體從供應地向接受地運輸傳遞的過程。而物的流通是促進經(jīng)濟增長的重要因素。在2013年和2017年，習近平主席先后提出了“一帶一路”“人類命運共同體”的理念。重慶為響應“一帶一路”“人類命運共同體”的號召，積極推動與世界各國的交往，加速區(qū)域經(jīng)濟發(fā)展。2020年至2022年是一段非常艱難的時期，盡管如此，居民健康和經(jīng)濟增長也雙管齊下。而針對重慶物流業(yè)發(fā)展面臨的嚴峻挑戰(zhàn)，《國民經(jīng)濟和社會發(fā)展第十四個五年規(guī)劃和2035年遠景目標綱要》以及《綜合運輸服務“十四五”發(fā)展規(guī)劃》這兩個重大文件，提出了加速推進物流業(yè)發(fā)展的建議。對國家整體、區(qū)域物流及運輸發(fā)展做出了重要要求和目標規(guī)劃，以國家這份重要文件，2022年，重慶市人民政府對于冷鏈物流做出規(guī)劃——《重慶市冷鏈物流高質量發(fā)展“十四五”規(guī)劃》；重慶市公安局對于促進交通運輸也做出了相關通知——《重慶市公安局促進汽車消費暢通物流運輸10條措施》；重慶市對此提出了自省的物流行業(yè)發(fā)展目標——《重慶市現(xiàn)代物流業(yè)發(fā)展“十四五”》：貨運量達16億噸，快遞業(yè)務量達11.7億件。在國家及地方（重慶市）發(fā)布的相關文件、政策的支持以及對物流做出的發(fā)展規(guī)劃要求下，重慶的物流行業(yè)勢必是未來迅速發(fā)展行業(yè)之一，也是未來重慶區(qū)域經(jīng)濟增長的重要支撐，本文就以重慶近十年的物流數(shù)據(jù)對重慶物流行業(yè)未來的發(fā)展進行預測。2、意義經(jīng)濟的發(fā)展離不開物的移動，物的移動能帶來更好的經(jīng)濟，更好的經(jīng)濟能提升物的流動能力。而在社會對經(jīng)濟發(fā)展發(fā)出更高要求的情況下，得到提升的物流能更好地服務經(jīng)濟，兩者互相促進,相輔相成，密不可分。同時，愈發(fā)完善的物流體系能為區(qū)域的GDP發(fā)展提供重要支持和保障,持續(xù)穩(wěn)定的GDP增長會反哺物流產(chǎn)業(yè)成長，進而使得物流走向成熟、高效的發(fā)展階段。要讓物流業(yè)持續(xù)推動重慶經(jīng)濟增長，就需要完善并精準現(xiàn)代化物流服務體系，并且對物流需求量的趨勢和增長水平有所把握。所以，本文基于重慶物流需求量的預測研究對于重慶和重慶物流業(yè)是重要的，對重慶物流貨運量的發(fā)展預測和重慶區(qū)域經(jīng)濟發(fā)展具有重要意義?；?022年12月7日，國家發(fā)布全國解封通告，宣布新冠疫情全面解封，以及重慶物流行業(yè)迎來更加開放的、充滿機會和機遇的新時期，重慶物流行業(yè)未來發(fā)展會出現(xiàn)怎樣的面貌？本文采用GM（1,1）、指數(shù)平滑法、線性回歸預測與ARCH模型相結合的研究方法（后面統(tǒng)一稱“組合模型”），并選取區(qū)域統(tǒng)計局的統(tǒng)計年鑒中近10年的數(shù)據(jù)進行科學化的分析。得出未來5年的物流預測數(shù)據(jù)，并對物流行業(yè)發(fā)展提出在數(shù)據(jù)基礎上的、有參考意義的建議。此次研究，不僅做出重慶物流業(yè)整體發(fā)展的方向預測，觀察預測的結果，還能判斷重慶未來GDP發(fā)展趨勢，以便重慶市做出對于物流業(yè)傾向性的政策，以及相關規(guī)劃的方向調整。并且，對重慶市“十四五規(guī)劃”的目標實現(xiàn)做出更科學的可能性判斷。（二）研究內容、思路與方法1、研究思路本文對重慶市物流的影響因素進行研究，查閱和學習了許多文獻資料以及相關論文。并采取重慶市的貨運量作為重慶物流需求量的指標，年份與重慶快遞業(yè)務量分別作為貨運量的解釋變量。采用線性回歸預測法對年份與快遞業(yè)務量、快遞業(yè)務量與貨運量兩者之間未來五年的回歸預測，而GM（1,1）模型和指數(shù)平滑法直接對重慶市物流貨運量進行未來五年的數(shù)據(jù)預測，并通過三者貨運量觀測值與預測值之間的殘差做自回歸條件異方差預測研究。依據(jù)ARCH模型的預測數(shù)據(jù)得出做出建議、結論、和展望。主要的研究思路，以下所示：（1）對收集到的重慶近10年的物流相關數(shù)據(jù)（快遞業(yè)務量、貨運量）進行標準化和描述統(tǒng)計。（2）運用線性回歸分析方法，建立了快遞量和貨運量的回歸模型，并利用灰色預測模型和指數(shù)平滑方法對貨運量進行預測。求出模型預測數(shù)值。（3）整理出這三個模型分別對于貨運量的預測值，通過Excel對三者模型進行殘差計算，以及下述關于ARCH模型公式中的相關數(shù)據(jù)計算。計算出的值作為貨運量ARCH模型預測的已知量。將已知量輸入SPSSAU的模型中的得出參數(shù)系數(shù)結果。后續(xù)，進一步帶入公式（2.22）中，計算得出ARCH的貨運量預測值。此次研究的思路，如下圖1.1所示：圖1.1技術路線圖2、研究內容本文以物流、運輸?shù)南嚓P政策和措施方面對重慶市物流現(xiàn)狀進行分析，基于對重慶物流貨運量的發(fā)展探索，構建預測重慶物流的組合模型。對快遞業(yè)務量和貨運量進行的預測研究，在科學預測水平下提出適合重慶物流的發(fā)展建議，進一步為重慶物流和企業(yè)的發(fā)展提供數(shù)據(jù)指導。研究內容如下所述：第一章：緒論。主要內容包括研究對象的背景，國內外的研究狀況，以及研究過程。第二章：主要介紹了預測模型。第三章：對物流數(shù)據(jù)處理與建模方法的介紹。收集重慶地區(qū)歷年物流貨運量等指標數(shù)據(jù)并介紹，利用SPSS進行數(shù)據(jù)處理工作，構建模型為物流需求預測做準備。第四章：預測分析與建議。運用組合模型對重慶物流貨運量進行預測，依據(jù)預測數(shù)據(jù)并結合重慶省物流發(fā)展現(xiàn)狀和問題提出可供參考的建議。第五章：總結本研究的主要內容，做出本文研究過程的總結以及對于未來重慶物流的學術研究的展望。3、方法介紹（1）文獻調查法：查閱國內外有關物流貨運量預測的文獻、期刊、已存在的論文。包括灰色預測模型、指數(shù)平滑法、線性回歸模型、ARCH模型在物流或其他領域運用的文獻資料。進行分類整理，并得出他們各自的運用經(jīng)過研究和篩選，形成了本次論文的理論基礎。（2）歸納總結法：它是指在對眾多具體事物或信息進行分析后，將其歸納為一般規(guī)則或結論的一種方法。（3）定性分析法：根據(jù)預測者的分析能力，推測事物本質及發(fā)展趨勢的一種分析方法。（4）因素分析法：對貨運量的影響因素進行了分析，結合研究背景選取了適合本研究的因素。（5）案例研究法：又稱個案研究法，是一種科學化的研究方式。是對被試者進行長期的調查、研究，以掌握其行為變化的整個過程。（三）國內外研究現(xiàn)狀1、國內徐曼、陸芬在2023年以陜西省為例[1]，將灰色預測模型、二次指數(shù)平滑法及線性回歸模型組合起來，利用組合預測模型理論，根據(jù)陜西省2002—2021年實際數(shù)據(jù)建立模型，預測出陜西省未來十年的物流需求量，發(fā)現(xiàn)需求量呈現(xiàn)逐漸增長趨勢，最高可達19.38億噸。楊麒與張志清在2022年利用指數(shù)平滑法與灰色模型等多種方法對珠海的物流發(fā)展進行預測[2]，并得出珠海2022的貨運量的預測值為15635.706。陸芬與徐燁昕在2022年利用灰色模型和指數(shù)平滑法對鄭州物流需求預測[3]，以鄭州市貨運周轉量的潛力進行分析，提出了科學性、合理性、針對性的建議，以保證鄭州市更快更好地發(fā)展。王婧和周瑜、周雁翎在2023年三人將灰色系統(tǒng)理論與物流業(yè)相結合[4]，采用灰色系統(tǒng)模型，選取貨物周轉量作為衡量湖北省物流需求的關鍵指標，得出2021—2025年的預測值分別為8593.44億噸公里、9368.91億噸公里、10214.35億噸公里、11136.09億噸公里、12141.00億噸公里，并提出了對湖北省未來五年的發(fā)展規(guī)劃建議。步陳雨和陳荔在2021年將灰色GM(1,1)和馬爾科夫鏈分別進行預測并基于最優(yōu)結果對發(fā)展農(nóng)產(chǎn)品物流提出了重要建議[5]。王迪在2022年用線性回歸模型以貨運量作為物流需求水平的指標對上海物流發(fā)展進行預測[6]。2、國外國外學者Rajagopal在2016年運用灰色預測模型預測彈性績效的周期性指標，研究指出數(shù)據(jù)最優(yōu)擬合的關鍵是確保誤差度量，并得出灰色預測模型推廣的有效價值也在于提高模型預測精度和廣泛使用的預測能力[7]。SanCristobal等人在2015年運用以灰色系統(tǒng)理論為基礎的殘差灰色預測模型來預測工程的實際成本和竣工成本，依據(jù)預測效果，得出灰色系統(tǒng)理論非常適合于研究具有不完全信息或有限離散數(shù)據(jù)的結論[8]。Liimatainen等人在2014年選擇芬蘭公路貨運量作為物流需求指標、國內生產(chǎn)總值等七個經(jīng)濟發(fā)展指標作為物流需求的相關影響指標，利用德爾菲法分析芬蘭的相關經(jīng)濟發(fā)展指標對公路貨運量的影響，得出了不同經(jīng)濟發(fā)展會產(chǎn)生不同運輸需求的結論[9]。

二、模型介紹（一）預測模型介紹1、灰色預測模型20世紀初，鄧聚龍學者首先提出了灰色模型（灰色系統(tǒng)理論，GM模型），并對其進行了理論分析。它可以解決數(shù)據(jù)不足，不確定性等問題。鄧聚龍通過在分析少數(shù)據(jù)、少信息的表面特征，了解和探討數(shù)據(jù)的實際行為表現(xiàn)和潛在機制，并給出了灰色預測模型的多種擴展形式及其參數(shù)包的求解方法[10-12]，其中最經(jīng)典的就是本文研究所運用的灰色模型GM(1,1)。如今，灰色預測模型已經(jīng)在醫(yī)療、氣候、物流、危險事故等多個領域被廣泛使用。同樣對于本文研究，也可用灰色模型進行預測。其模型原理：（1）建立原始數(shù)列并進行一次序列累加。y其中x=x(j),j=1,2,3,……,n（2）進行累加序列的準指數(shù)規(guī)律檢驗：σ（滿足t>3、1<σ(t)<1.5時，符合模型預測條件，進行灰色模型預測。）（3）生成白化微分方程：dy其解為y（4）解參數(shù)序列a：a其中的B、CnB=C（5）計算x(x（6）計算預測值，其中i=1,2,…,ny2、指數(shù)平滑法預測模型指數(shù)平滑法是一種特殊的加權移動平均法，其平滑次數(shù)可分為一次指數(shù)平滑法、二次指數(shù)平滑法和三次指數(shù)平滑法。本文采用三次指數(shù)平滑法，其原理是對二次指數(shù)平滑法進行運算。三種指數(shù)平滑法的預測原理相同，都是通過對觀察數(shù)據(jù)進行加權，得出預測結果，越是接近目標，其權重就越大。指數(shù)平滑法主要用于中短期預測[13]。因指數(shù)平滑法運用時所需資料少、方便計算、更新預測模型，是市場預測中常用于觀察值有長期趨勢的預測方法，基于此，本文研究數(shù)據(jù)符合指數(shù)平滑法，并采用此法進行研究。其預測原理為：（1）一次平滑指數(shù)模型：y（2）二次指數(shù)平滑模型：abSy（3）三次指數(shù)平滑模型：abcy(T+t)3、線性回歸預測法預測模型由生物家兼統(tǒng)計學家的弗朗西斯高爾頓提出。線性回歸模型由于結構簡單，解釋性強，之后在工程領域得到了廣泛運用。第一個回歸分析是由高爾頓同他的學生卡爾皮爾遜進行的一項回歸分析。1855年第一次出現(xiàn)關于統(tǒng)計學科的回歸定義。它可以分為三大類：一元回歸線性模型、二元回歸線性模型、多元回歸線性模型。本文所用的一元簡單線性回歸模型其預測原理如下所示，其中a為誤差服從均值為0的正態(tài)分布[14]：b=a=yn-by=a+bx(2.21)4、自回歸條件異方差模型（ARCH）ARCH模型是2003年獲諾貝爾經(jīng)濟學獎的計量經(jīng)濟學成果之一[15]。Engle（1982）在論文中首次提出了自回歸條件異方差（ARCH）模型[16]，他提出了ARCH模型的分析方法，認為以ARCH代替?zhèn)鹘y(tǒng)的ARMA模型進行預測更具有有效性[17]。著名計量經(jīng)濟學家羅伯特·恩格爾在1982年研究英國通貨膨脹率的波動性時，發(fā)現(xiàn)此模型能解決時間序列的波動性問題，并在《計量經(jīng)濟學》雜志中首次提出了ARCH模型[18]。其成果不僅幫助中國建立了金融波動研究所。其中，ARCH模型也在經(jīng)濟、財務、統(tǒng)計等領域具有跨學界的貢獻。ARCH是一個預測金融市場風險的統(tǒng)計模型，能準確的模擬時間序列變量的波動變化。且，目前被認可為最集中反映了方差變化特點的模型。在波動率模型中，ARCH模型的理論研究和實證運用都具有獨特的特征和更精準的科學性。本文研究中基于指數(shù)平滑法、線性回歸預測法和灰色預測模型三種模型中的方差變化符合ARCH模型的預測條件。本文所用的ARCH模型其預測原理如下所示，其中，y1為真實值，y1為模型1的預測值,Y為ARCH模型的預測值，Ye?i?w?Y其中，YXX

三、數(shù)據(jù)處理與模型構建（一）數(shù)據(jù)來源本文數(shù)據(jù)源自國家統(tǒng)計局官網(wǎng)，部分參考了重慶統(tǒng)計年鑒及專業(yè)術語解釋。學習并查閱了相關資料文獻，得出許多因素影響物流需求的結論，其中，絕大多數(shù)對于區(qū)域物流需求的預測對象是貨運量。對于解釋變量有生產(chǎn)總值、貨運周轉量，以及人均收入、人均支出等。由于本文不僅需要預測重慶貨運量，以此來了解重慶物流未來發(fā)展趨勢和發(fā)展水平，還需要評估重慶的《物流業(yè)發(fā)展的十四五規(guī)劃》中重慶貨運量以及快遞業(yè)務量的目標實現(xiàn)的可能性。因此，貨運量作為本次研究重慶物流的響應變量?？爝f業(yè)務量作為解釋貨運量的一個指標。同時結合三種方法與ARCH的組合模型，對貨運量及快遞業(yè)務量進行科學預測，得出較好結果。具體數(shù)據(jù)如表3.1所示。表3.1響應變量與介紹變量年份Y：貨運量(億噸)X：快遞量（萬件）20138．724110614.8220149．737713886.31201510．383320525.41201610．796628382.53201711．553632874.90201812．849145795.00202011．297055322.43201912．169273105.40202114．459397935.99202213．5491109176.83貨運量：指在一定時期內，各種運輸工具實際運送的貨物數(shù)量。是反映運輸業(yè)為國民經(jīng)濟和人民生活服務的數(shù)量指標，也是制定和檢查運輸生產(chǎn)計劃，研究運輸發(fā)展規(guī)模和速度的重要指標。貨運按噸計算。貨物不論運輸距離長短或貨物類別，均按實際重量統(tǒng)計。快遞量：是指在我國郵政管理部門獲得快遞業(yè)務經(jīng)營許可的快遞企業(yè)收寄的各類快遞業(yè)務總數(shù)量，由受理用戶委托的在地快遞企業(yè)負責統(tǒng)計。包括國內同城快遞業(yè)務量、國內異地快遞業(yè)務量、港澳臺快遞業(yè)務量、國際快遞業(yè)務量[19]。（二）數(shù)據(jù)處理Z標準化得分是一個數(shù)與平均數(shù)的差再除以標準差的過程，通過對不同單位或量級的指標能夠進行比較和加權。使得Z標準化得分處理后的數(shù)據(jù)符合標準正態(tài)分布，其均值為零，標準差為一。將數(shù)據(jù)導入SPSS軟件中分析得出具體標準化數(shù)據(jù)，如下表3.2所示。表3.2標準化數(shù)據(jù)年份ZY:貨運量ZX:快遞業(yè)務量2013-1.60913-1.098722014-1.03235-1.00452015-0.66498-0.813282016-0.4298-0.5869720170.00097-0.4575820180.73816-0.085462019-0.145050.1889620200.351270.7011420211.654431.4163220221.136491.74008為進一步找尋數(shù)據(jù)、數(shù)據(jù)之間的相關性以及數(shù)據(jù)最大、最小值、均值、標準偏差值，運用SPSS的數(shù)據(jù)分析板塊中的描述統(tǒng)計功能，進行描述統(tǒng)計，得出如下表3.3所示，貨運量最小值8.7億噸，最大值為14.5億噸，其均值為11.5億噸，快遞量為1.06億噸，1.06億件，最大值為1.09億件。貨運量標準差為1.76，快遞量標準差為34719，快遞量的標準差較大，說明近年來快遞量的增長速度較快，波動變化波動較大。表3.3數(shù)據(jù)描述統(tǒng)計表N最小值最大值均值標準偏差貨運量(億噸)108.724114.459311.5519001.7573473快遞量（萬件）1010614.82109176.8348761.962034719.55146有效個案數(shù)（成列）10將數(shù)據(jù)輸入Excel中，運用Excel的數(shù)據(jù)分析功能，將數(shù)據(jù)選中，選擇折線圖分析得出如下圖3.1所示，可以直觀看出近十年來貨運量和快遞業(yè)務量隨年份增長而增長的趨勢圖，可以進一步看出，貨運量增長速度較為穩(wěn)定，而快遞業(yè)務量增長速度較快。圖3.1近十年物流數(shù)據(jù)趨勢圖依據(jù)上圖3.1所示，貨運量和快遞量分別與年份之間呈逐年增長的趨勢，本文以重慶貨運量作為重慶物流的響應量，快遞量作為預測貨運量的解釋變量，而年份與快遞量之間，快遞量作為響應變量，年份作為解釋快遞量的解釋變量，以此做回歸預測，而作回歸預測之前必不可少的前提，就是做兩者變量之間的相關性矩陣，運用SPSS得出年份和快遞量、貨運量和快遞量得出表3.4、表3.5所示的相關性信息。相關系數(shù)越高表明兩者之間的相關性越強，兩者之間的解釋力度就越強，相應的預測結果就越科學、越精準。表3.4、表3.5所示，快遞量與年份的相關性為0.968，大于0.8，說明兩者之間的相關性比較強，而貨運量與快遞量的相關性為0.897，同樣大于0.8，且接近一，說明兩者相關性也較強。由此可以做出兩個一元線性回歸方程，年份與快遞量的一元回歸方程，貨運量與快遞量的一元回歸方程，以此來更科學的預測出未來五年的貨運需求量。表3.4年份與快遞量之間的相關性矩陣year快遞量（萬件）相關性year1.0000.968快遞量（萬件）0.9681.000表3.5快遞量與貨運量之間的相關性矩陣貨運量（億噸）快遞量（萬件）相關性貨運量（億噸）10.897快遞量（萬件）0.8971雖然解釋變量與響應變量的相關性高、相關性強，但是對于模型的應用是否符合條件，還要進一步對所設置的模型進行檢查、和擬合度等分析。而模型摘要b、ANOVAa、系數(shù)是模型整體評價的重要指標，如下所述。（三）模型構建1、線性回歸模型依據(jù)SPSSAU通用方法板塊中的線性回歸分析法進行建模。模型摘要b中R表示擬合優(yōu)度，如下圖表3.6、表3.7，R值分別為0.968、0.897，它的數(shù)值近似于1，說明模型與實際值的擬合程度高，是一種較好的模型。R2與調整后的R2都反映了模型的復雜程度，因此可以對模型的擬合優(yōu)度進行比較。在本次研究中，調整后的R2分別為0.930、0.780，分別表示，年份可以解釋快遞量的93%的變化，快遞量可以解釋貨運量78%的變化。表3.6年份與快遞量之間的模型摘要b模型RR方調整后R方標準估算的錯誤1.968a0.9370.939206.94861a.預測變量：(常量),yearb.因變量：快遞量（萬件）表3.7貨運量與快遞量之間模型摘要b模型RR方調整后R方標準估算的錯誤10.897a0.8050.7800.8234154a.預測變量：(常量),快遞量（萬件）b.因變量：貨運量(億噸)ANOVAa表示的是方差的分析結果。F檢驗的原假設是所有的傾斜系數(shù)都為零，就是沒有一個變量顯著，而本次研究要求是拒絕這個原假設。所以，表3.8、表3.9中，兩個線性回歸方程中與F值相關的顯著性均在5%以下，說明至少有一個自變量對解釋變量有明顯的影響，此回歸方程是有效的，可以進行回歸分析表3.8快遞量與年份之間的ANOVAa模型平方和自由度均方F顯著性1回歸10170882062.059110170882062.059119.985.000b殘差678143222.368884767902.796總計10849025284.4279a.因變量：快遞量（萬件）b.預測變量：(常量),year表3.9貨運量與快遞量之間的ANOVAa模型平方和自由度均方F顯著性1回歸22.370122.37032.994.000b殘差5.42480.678總計27.7949a.因變量：貨運量(億噸)b.預測變量：(常量),快遞量（萬件）表3.10、表3.11所表示的重要信息為回歸系數(shù)t檢驗相應的P值均小于顯著水平，年份和快遞量作為變量分別是顯著的。對于變量解讀，分別是快遞量隨年份每增加一年而增長11103.307萬件、貨運量隨快遞量每增加一萬件而增加0.454億噸。表3.10快遞量與年份之間的回歸系數(shù)a模型未標準化系數(shù)標準化系數(shù)t顯著性B標準錯誤Beta1(常量)-22352159.2382045044.339-10.9300.000year11103.3071013.6520.96810.9540.000a.因變量：快遞量（萬件）表3.11貨運量與快遞量之間的回歸系數(shù)a模型未標準化系數(shù)標準化系數(shù)t顯著性B標準錯誤Beta1(常量)9.3380.46520.0730.000快遞量（萬件）4.541E-50.0000.8975.7440.000a.因變量：貨運量(億噸)2、灰色預測模型本文通過SPAAU里的綜合評價板塊實現(xiàn)模型構建，導入數(shù)據(jù)進行分析得表3.12、表3.13。由下面的表3.12可以看出，通過建立貨運量的GM（1,1）模型，并通過級比值檢驗來判定已建立模型的數(shù)據(jù)適應性。上一期數(shù)據(jù)除以當期數(shù)據(jù)，得出級比值。結果表明，級比值檢驗值都在標準范圍[0.034,1.199]之內，說明該數(shù)據(jù)符合GM（1,1）模型的建立。表3.12GM(1,1)模型級比值表格序號原始值級比值λ原始值平移轉換shift值(shift=0)轉換后的級比值λ18.724-8.72429.7380.8969.7380.896310.3830.93810.3830.938410.7970.96210.7970.962511.5540.93411.5540.934612.8490.89912.8490.899711.2971.13711.2971.137812.1690.92812.1690.928914.4590.84214.4590.8421013.5491.06713.5491.067表3.13模型構建結果發(fā)展系數(shù)a灰色作用量b后驗差比C值小誤差概率p值-0.04199.40090.14391．000在建立該模型的過程中，不僅要算出發(fā)展系數(shù)a，而且還要算出灰色作用量b、后驗差比值C、小誤差概率P?？梢詮纳厦娴谋?.13中看到。結果顯示，后驗差比值C為0.144，小于0.35。這說明，模型的精確度很高。此外，該模式的小誤差概率P=1.000<1.0，表明該模型具有較好的準確性。3、指數(shù)平滑法本文介紹了三種常用的平滑方法：一次指數(shù)平滑法、二次指數(shù)平滑法、三次指數(shù)平滑法。本次平滑模型的選擇與模型基本數(shù)值的設置，運用上述公式(2.10)—(2.18)，SPSSAU對貨運量進行指數(shù)平滑法模型構建。通過本次SPSSAU綜合評價板塊里的指數(shù)平滑分析方法，將平滑類型設置為自動，依據(jù)SPAAU里的指數(shù)平滑分析，對平滑類型以及模型數(shù)值設定進行擇優(yōu)。針對初始值S0，基于數(shù)據(jù)序列介于10~20個之間，SPSSAU自動設置前2期數(shù)據(jù)的平均值作為初始值；并以此參數(shù)進行模型構建從而得到數(shù)據(jù)預測值。均方根誤差值RMSE越小，表示擬合效果越好。依據(jù)表3.14陰影部分所示，指數(shù)平滑預測貨運量效果最好的模型，參數(shù)設置分別是S0為9.231、alpha值為0.200、為三次平滑類型，RMSE值最小為1.040。表3.14構建模型的RMSE編號初始值S0alpha值平滑類型RMSE值1923090.05一次平滑24965.082923090.05二次平滑21777.563923090.05三次平滑19006.594923090.1一次平滑22038.495923090.1二次平滑17046.456923090.1三次平滑13543.67923090.2一次平滑17789.038923090.2二次平滑12069.229923090.2三次平滑10402.610923090.3一次平滑15084.1411923090.3二次平滑10633.6112923090.3三次平滑11035.4513923090.4一次平滑13399.9214923090.4二次平滑10695.9315923090.4三次平滑12430.6116923090.5一次平滑12382.1517923090.5二次平滑11342.218923090.5三次平滑14213.8119923090.6一次平滑11799.7820923090.6二次平滑12270.2221923090.6三次平滑16337.2622923090.7一次平滑11505.8623923090.7二次平滑13376.3924923090.7三次平滑18727.3925923090.8一次平滑11406.8526923090.8二次平滑14600.1227923090.8三次平滑21260.0828923090.9一次平滑11440.4729923090.9二次平滑15879.0130923090.9三次平滑23822.3531923090.95一次平滑11492.3732923090.95二次平滑16518.3133923090.95三次平滑25112.68表3.15參數(shù)設置表項類型模型具體值初始值S0自動9.231alpha值自動0.2平滑類型自動三次平滑4自回歸條件異方差模型將前期上述公式（2.23）、（2.24）、（2.29）、（2.30）、（2.31）當中的相關數(shù)值運用Excel進行計算。對于公式（2.28）的計算，運用SPSSAU做二元一次線性回歸分析將w1、w2計算出來后，然后通過公式（2.26）計算將這三個參數(shù)系數(shù)的值代入到公式（2.22）中，將上面提到的三種模型（線性回歸模型、灰色預測模型和指數(shù)平滑法）所預測的各種預測值都輸入到公式（2.22）中，通過Excel進行公式（2.22）數(shù)據(jù)計算，得出ARCH模型的預測值。對于公式（2.28），構建的線性回歸模型，如下所述的3個表所示：調節(jié)后R2是1，這表明X1、X2可以100%地解釋Y1的變動量。與F值相關的線性回歸方程P值在5%以下，說明可以做回歸分析，且至少有一個變量對解釋變量有顯著影響。從回歸系數(shù)表中可以看到，這兩個自變量的顯著性均不超過5%。綜合分析表示，二元一次回歸模型可以做本次預測研究。表3.16模型匯總RR2調整R2模型誤差RMSEDW值AIC值BIC值11101.53-259.603-259.011表3.17ANOVAa表格平方和df均方Fp值回歸3.7E+1621.85E+161.3801819956573748e300殘差060總計3.7E+168表3.18回歸系數(shù)(n=9)非標準化系數(shù)標準化系數(shù)tp95%CIVIFB標準誤Beta常數(shù)00-0.2770.791-0.000~0.000-X10.33300.821.22E+150.000**0.333~0.3331.246X20.33300.3144.67E+140.000**0.333~0.3331.246

四、預測分析與建議運用SPSSAU對研究數(shù)據(jù)進行前期三種模型的預測，運用Excel對預測數(shù)據(jù)與真實值之間進行殘差相關計算。結合ARCH模型的相關公式運用SPSSAU對數(shù)據(jù)進行計算，計算出組合模型的貨運量預測值。對預測數(shù)值特征給予相應建議（一）模型預測貨運量的結果由于貨運量單位為億噸的計算中，線性回歸方程的解釋變量系數(shù)過小，以至于系統(tǒng)用0.000*表示，所以，以下對于貨運量的各模型預測中將貨運量單位換為萬噸進行運算。1、灰色模型預測貨運量建模過程利用SPSSAU系統(tǒng)中已有的灰色模型來實現(xiàn)。將貨運量數(shù)據(jù)輸入，運用上述公式(2.1)—(2.9),預測結果如下圖4.1所示，GM(1,1)模型預測未來五年的貨運量發(fā)展趨勢是正向逐漸增長的。符合重慶市對于貨運量的增長期望，和重慶貨運量一直以來的發(fā)展趨勢。圖4.1灰色模型預測貨運量圖表2、指數(shù)平滑法預測貨運量建模過程利用SPSSAU系統(tǒng)中已有的指數(shù)平滑法來實現(xiàn)。運用上述模型設置對貨運量進行預測分析，將預測結果運用Excel分析，得圖4.2，其趨勢是向上增長的，預測結果符合圖3.2的事實現(xiàn)象。圖4.2指數(shù)平滑法的圖表3、線性回歸模型預測貨運量運用上述(2.19)—(2.21)的公式，建模過程利用SPSSAU系統(tǒng)中建好的線性回歸模型來實現(xiàn)。分別將年份與快遞業(yè)務量、快遞業(yè)務量與貨運量的真實值選擇到SPSSAU的線性回歸模型分析框中。結果得出關于兩個線性回歸方程，分別是快遞量萬件=?22352159.24+11103.307×年份圖4.3年份與快遞業(yè)務量的預測圖圖4.4快遞業(yè)務量與貨運量的預測圖三種模型對于貨運量未來五年的預測值，如下表4.13所示：表4.1模型對比年份GM(1,1)指數(shù)平滑模型線性回歸模型2023145471144898.3149581.092024151700.3151219.6158014.312025158196.4157849.6167119.862026164970.7164788.5176951.342027172035172036.1187566.624、ARCH模型預測貨運量在軟件Excel中建立上述數(shù)據(jù)計算公式(2.23)、（2.24）、(2.25)、(2.28)、(2.30)、(2.31)，將三個模型的近十年預測值與真實值輸入進去，做殘差的相關數(shù)據(jù)計算，如下圖表所示。其中e1、e2、e3分別表示指數(shù)平滑法、灰色模型法、線性回歸法的預測值殘差，?e1、?e2、?e3分別表示為指數(shù)平滑法、灰色模型法表4.2各模型殘差表eee-5068.000.00-10955.818108.80-2366.74-2305.3610307.68-181.951135.907931.70-503.051701.079157.102422.117231.1413973.6010533.3814319.26-13844.80-10038.80-5528.03-2649.60-6584.23-4881.0817313.6010823.756744.63-6630.70-4006.48-7461.71表4.3各模型殘差變動表???13176.8-2366.748650.4531472198.882184.7943441.259283-2375.98-321.105565.1700851225.42925.1645530.0652574816.58111.2677088.127751-27818.4-20572.18-19847.29891911195.23454.57646.95312119963.217407.9811625.708061-23944.3-14830.23-14206.339149表4.4ARCH模型預測Y1X1X29856279.0698797718.59-69228881.42-4692044.28-7007192.20-7068940.631703184.985325863.74-216308.80-17035017.97-29080016.59-22025037.32-3830595.14-27042882.7615551097.33136415806.58379948104.1829299315.5745476486.75124913954.7011515505.54143750982.03263372266.32167880679.76129875026.77371509430.4718115649.84將上述數(shù)據(jù)上傳到SPSSAU系統(tǒng)中，運用其已經(jīng)完善的線性回歸模型對ARCH模型做部分分析，進一步得出關于上述表4.4三者的回歸方程：Y1=0.333?X1+表4.5ARCH模型預測值年份預測值2023146503.47992024153491.09192025160894.23142026168734.60982027119747.3395（二）建議依據(jù)上文，線性回歸模型對于快遞業(yè)務量的預測結果顯示出是大于11.7億件，且，組合模型對于貨運量的預測趨勢和線性回歸模型對于快遞業(yè)務量的預測趨勢都是上升的，觀測其近十年的數(shù)據(jù)變化，不難發(fā)現(xiàn)，隨著經(jīng)濟改革、開發(fā)，以及貿易出口等多種因素，貨運量和快遞業(yè)務量在重慶市正常發(fā)展的情況下逐年增長是正常的，而本文研究結果是符合實際的。據(jù)組合模型預測的貨運量，所得的預測結果顯示2025年的貨運量為16.08億噸，基本達到了對于重慶市指定的《物流規(guī)劃》關于貨運量16萬噸目標。此次更科學、更精準的組合模型的預測數(shù)據(jù)有可能是真實貨運量的發(fā)展水平，但是，現(xiàn)有模型的預測結果都有一定誤差，與真實數(shù)據(jù)存在一定差距，在不能明確知道真實數(shù)據(jù)的情況下，本文組合模型的預測結果只能表示《物流規(guī)劃》被實現(xiàn)的可能性比較大，但并不能一定表示《物流規(guī)劃》最終被否實現(xiàn)。對于重慶市的物流發(fā)展，重慶市仍需一面警惕經(jīng)濟萎縮，一面鼓勵經(jīng)濟發(fā)展。防止經(jīng)濟下降、萎縮，適當放開經(jīng)濟，出臺相應的物流幫扶政策，提高人民消費水平，刺激人們消費需求、欲望。以此，