基于主成分回归的企业物流成本多元线性预测模型研究
Abstract： In today's fierce competition， through the traditional methods to reduce enterprise operating costs has become increasingly difficult， and logistics costs known as "enterprise's third profit source" is still to be developed. By reducing the cost of logistics operation can improve the efficiency of enterprises， and enhance the competitiveness of enterprises， so it is necessary to forecast the logistics costs.Based on the principal component analysis， this paper takes a principal component extraction on the influence factors of logistics cost， a linear fitting， and reduces the multiple collinearity problems between the various cost factors， so as to make the multiple linear prediction model of logistics cost more accurate and reliable， and provide more scientific and accurate basis for the enterprise's logistics cost prediction.
Key word： logistics costs；principal component analysis；multiple linear regression；prediction
中图分类号：F224；U492.3 文献标识码：A 文章编号：1006-4311（2017）24-0028-03
0 引言
物流既是企业主要运营成本的产生点，又是降低成本的关键点，物流是成本降低的宝库。对物流成本进行管理能够降低资源消耗、提高劳动生产率、增进企业经营效果、降低企业总体费用，对企业的经营和发展具有非常重要的现实与长远意义。为此，许多企业都在谋求降低物流成本的途径，并致力于这方面的研究和实践。本文从微观的角度对企业物流成本进行科学预测，使企业对未来的物流成本水平及其变化趋势做到“心中有数”，为企业的物流成本决策提供有效依据，以减少物流成本决策过程中的主观性和盲目性。
物流成本涵盖了从生产企业内部原材料的采购、供应为开始，中间经过生产制造过程中的半成品、产成品的仓储、包装、装卸、搬运、运输以及最后在消费领域产生的验收、仓储、保管、分类、配送、废品回收等过程发生的所有成本。因此我们可以看到影响物流成本的因素众多，以这些因素为基础在对总成本进行预测时会涉及多个参数变量，而这些参数之间往往很可能存在较强的相关性关系，即存在信息干扰。利用具有信息干扰的样本数据建立模型进行预测时不但会增加模型的复杂程度，而且会降低模型的预测精度和可靠性。主成分分析能将多个原始变量通过降维技术转化为线性无关的（不存在信息干扰）且能反应原始变量绝大部分信息的少数几个解释变量，通过对这些解释变量重新进行线性拟合，调整出来的新的模型能够很好地解决上述问题。
1 主成分回归预测模型
通过大量的相关文献阅读和企业实地调查，我们发现影响企业物流总成本的因素包括：运输成本x1、采购成本x2、库存成本x3、流通包装率x4、管理和信息成本x5、产品破损率x6和产品废品率x7。其中运输成本、采购成本以及库存成本??成企业物流成本的主要部分，管理与信息成本、产品废品率和产品破损率也在相当程度上影响了总的物流成本。因此我们在进行物流成本的预测过程中必须将这些因素囊括进来，以确保预测的有效性。我们首先设置物流总成本为y，选取近28个月的企业物流成本数据进行线性拟合，利用多元线性回归的方法，拟合得出下面的线性模型：
2 基于主成分回归的物流成本预测模型的应用
文章选取某生产型企业2013年10月份到2016年2月份的28月的实际物流成本数据为样本数据。首先对数据进行标准化处理，选取处理后的前25组数据作为训练样本模型建立数据，后3组数据用于模型的预测精度检验。文章对标准化后的数据进行主成分提取，图1列出了各个变量的主成分特征值和累计贡献率。
对物流成本进行主成分分析，设置提取初始特征值累计贡献率达到80%，对图1我们可以观察到特征值（开方值）、特征值贡献率以及累计特征值贡献率，前面3个特征值较大，特征值贡献率分别为0.639、0.219、0.102，后面4个特征值均小于0.5，累计贡献率之和小于0.04。观察到前2个累计特征值贡献率达到85.8%，满足我们设置的特征值累计贡献率要求，已经可以反应绝大部分的样本信息，同时观察到前3个累计特征值贡献率达到了96.07%。为了保证模型的精确性，我们分别提取前2个主成分和前3个主成分进行线性拟合，并对拟合出来的模型进行检验对比。图2所示我们提取前2个主成分为自变量z1、z2进行多元线性拟合，拟合结果如图2。 我们对线性回归模型进行拟合优度的检验，即检验回归方程对自变量值的拟合程度。一般判定系数R在0.8-1 范围内，R2越接近1，回归平面拟合程度越高，可判定自变量与因变量具有较强的相关性，它表示的是样本数据与预测数据间的相关程度，该模型R=0.9523，R2相关系数接近1，说明模型拟合物流成本的实际值和预测值拟合度较强。接着我们提取前3个主成分进行线性拟合，发现z3的系数未能通过检验，分析原因在于选取z1、z2、z3进行拟合时，增大了这些主成分之间的相关性，影响了模型的拟合效果，因此我们依然选取前两个主成分。同时为了使模型的表示更加直观，我们把自变量还原为原始变量，得到最终的拟合模型：
y=297.67+0.53x1+0.39x2+2.4x3-1.37x4+2.27x5+0.91x6+22.63x7
分析拟合模型我们发现z4的系数为负值，考虑到z4所代表的流通加工费用的上升会带来产品破损率以及运输成本的降低，所以从实际意义上来看还是较为合理的。为了进一步判断模型的拟合效果，我们选取后3组数据来进行模型检验，得出预测值y，以及y的概率值取0.95的预测区间，如表1所示，分析发现预测值与实际值的差距较小，模型具有较好的拟合效果。
3 模型结论
多元线性回归分析对于物流成本的预测有着很好的效果，它能够有效地表示物流成本影响因素与物流总成本之间的关系。但是物流成本的影响因素较多，这些因素之间也会存在信息干扰和一定的相关性，即多重共线性。构建物流成本预测模型时忽略多重共线性的影响会很大程度地干扰到模型的拟合准确性。基于主成分回归的物流成本线性预测模型可以有效地去除共线性的影响，有着较好的拟合效果。在某种程度上可以说，基于这种方法得出的企业总物流成本未来变化趋势，能够帮助企业制定有效的措施控制物流成本，减少企业管理者在进行物流成本决策过程中的主观性和盲目性，具有很好的现实意义。
