高愛霞，滿廣富，姚興華

（1.山東財(cái)經(jīng)大學(xué)東方學(xué)院,山東 泰安 271000；2.山東農(nóng)業(yè)大學(xué)，山東 泰安 271018）

《2017-2022年中國物流市場研究及投資前景預(yù)測報(bào)告》表明，我國物流業(yè)發(fā)展盡管起步晚，但發(fā)展迅猛，表現(xiàn)為速度快、規(guī)模大、第三方物流和第四方物流蓬勃發(fā)展，涌現(xiàn)出一批具有較強(qiáng)競爭力和成長能力的物流公司[1]。物流業(yè)作為國民經(jīng)濟(jì)的動(dòng)脈系統(tǒng)和基礎(chǔ)性產(chǎn)業(yè)，其發(fā)展程度已成為衡量一個(gè)國家或地區(qū)現(xiàn)代化程度的重要標(biāo)志之一。據(jù)中國市場報(bào)告網(wǎng)發(fā)布的《2015-2020年中國物流行業(yè)現(xiàn)狀調(diào)研分析及發(fā)展趨勢研究報(bào)告》顯示，2020年我國物流行業(yè)市場規(guī)模將接近360萬億元[2]。構(gòu)建區(qū)域物流發(fā)展預(yù)測模型對區(qū)域物流業(yè)發(fā)展具有十分重要的意義，通過模型預(yù)測未來年份物流發(fā)展?fàn)顩r，為政府及相關(guān)部門制定物流發(fā)展政策、科學(xué)進(jìn)行物流業(yè)管理提供決策依據(jù)，為物流企業(yè)把握物流市場狀況和變化、發(fā)展物流業(yè)務(wù)提供決策參考。

一、相關(guān)文獻(xiàn)研究

物流發(fā)展預(yù)測方法眾多，主要有定性和定量兩類。定性分析主要對物流業(yè)發(fā)展趨勢以及物流業(yè)發(fā)展轉(zhuǎn)折點(diǎn)進(jìn)行預(yù)測，定量分析則是根據(jù)必要的統(tǒng)計(jì)資料，對物流業(yè)發(fā)展的未來狀態(tài)進(jìn)行定量測算。近年來物流業(yè)發(fā)展預(yù)測定量研究方法發(fā)展快速，國內(nèi)外專家采用多種定量研究方法對物流業(yè)發(fā)展進(jìn)行預(yù)測。

Cullinane KPB等[3]采用BOX-JENKINS模型也稱為自回歸積分滑動(dòng)平均模型，來預(yù)測海貨運(yùn)指數(shù)。M.Hakan Satman等[4]采用BP神經(jīng)網(wǎng)絡(luò)與灰色模型來對物流量進(jìn)行預(yù)測。賈海成等[5]運(yùn)用多元回歸分析和灰色預(yù)測相結(jié)合的方法對江蘇省物流業(yè)發(fā)展進(jìn)行了預(yù)測研究。田麗等[6]采用基于支持向量機(jī)和神經(jīng)網(wǎng)絡(luò)（SVM-BP）相結(jié)合的組合模型，以我國1990-2001年的樣本數(shù)據(jù)作為測試集，構(gòu)建預(yù)測模型進(jìn)行研究。楊蕾等[7]采用隨機(jī)時(shí)間序列模型對我國2004-2010年的全社會(huì)貨運(yùn)總量月度數(shù)據(jù)進(jìn)行建模，進(jìn)而對物流發(fā)展?fàn)顩r進(jìn)行了預(yù)測。王小麗[8]采用灰色GM(1,1)模型和多元線性回歸模型的多因素灰色預(yù)測模型，對河南省2002-2011年物流業(yè)發(fā)展相關(guān)數(shù)據(jù)進(jìn)行預(yù)測研究。楊晶晶等[9]運(yùn)用灰色關(guān)聯(lián)度和灰色系統(tǒng)模型，對江蘇省2000-2010年的物流業(yè)相關(guān)指標(biāo)數(shù)據(jù)進(jìn)行分析，對江蘇省物流發(fā)展進(jìn)行了動(dòng)態(tài)預(yù)測。郭旭文[10]采用計(jì)量經(jīng)濟(jì)分析方法對1995-2011年的中國物流業(yè)發(fā)展進(jìn)行了預(yù)測和實(shí)證研究。劉力軍等[11]采用GDP的物流量預(yù)測與灰色關(guān)聯(lián)分析相結(jié)合的方法，對石家莊市物流產(chǎn)業(yè)2004-2012年的數(shù)據(jù)進(jìn)行建模分析和預(yù)測研究，進(jìn)而提出了石家莊市物流業(yè)發(fā)展的措施。耿立艷等[12]將LSSVM與動(dòng)態(tài)加速系數(shù)優(yōu)化(DACPSO)算法相結(jié)合，提出LSSVM-DACPSO的物流預(yù)測模型，并以我國1991-2011年物流業(yè)發(fā)展相關(guān)數(shù)據(jù)為樣本，進(jìn)行了實(shí)例分析。萬玉龍等[13]分別采用線性、對數(shù)和乘冪等多種回歸模型，以2005-2015年數(shù)據(jù)為依據(jù)，對淮安市清江浦區(qū)域的物流業(yè)發(fā)展進(jìn)行預(yù)測研究。汪洪帆[14]采用BP神經(jīng)網(wǎng)絡(luò)，以杭州市2000-2015年物流業(yè)相關(guān)數(shù)據(jù)，對杭州城市圈物流需求量進(jìn)行了預(yù)測分析。孫遜[15]構(gòu)建 GA－SVM 物流需求預(yù)測模型,以成都市物流業(yè)1996-2010年的相關(guān)數(shù)據(jù)作為樣本數(shù)據(jù)，對成都市物流業(yè)發(fā)展進(jìn)行了預(yù)測分析。以上研究大多采用優(yōu)異的方法模型對物流業(yè)發(fā)展預(yù)測方面進(jìn)行了深入的研究。本文將采用主成分和回歸分析相結(jié)合的方法，構(gòu)建區(qū)域物流發(fā)展預(yù)測模型，并以泰安市物流業(yè)發(fā)展為實(shí)例進(jìn)行分析，為區(qū)域物流業(yè)的發(fā)展和預(yù)測提供決策借鑒。

二、主成分回歸預(yù)測模型分析法思想

主成分分析法（PCA）是利用降維的思想，在損失很少信息的前提下把多個(gè)指標(biāo)轉(zhuǎn)化為幾個(gè)綜合指標(biāo)，進(jìn)而提取出有用的信息，去除了冗余的信息，從而達(dá)到降維的目的[16]。該方法在面對變量較多的復(fù)雜問題時(shí)，能夠在保證原始信息不丟失的前提下，簡化模型的結(jié)構(gòu)，避免因原始變量之間信息的重疊而降低模型的精度。主成分回歸的原理則是用主成分分析提取的主成分與因變量回歸建模，由于主成分間具有不相關(guān)性，并且能較好地反映原來眾多相關(guān)性指標(biāo)的綜合信息，因此，用主成分作為新的自變量進(jìn)行回歸分析，使得回歸方程及參數(shù)估計(jì)更加可靠。其步驟為：①原始數(shù)據(jù)歸一標(biāo)準(zhǔn)化；②計(jì)算出標(biāo)準(zhǔn)化后數(shù)據(jù)矩陣的協(xié)方差矩陣；③根據(jù)協(xié)方差矩陣計(jì)算出對應(yīng)的特征值以及其對應(yīng)的特征向量，并得到主成分貢獻(xiàn)率和累計(jì)方差貢獻(xiàn)率，選取前m個(gè)主成分；④采用普通最小二乘法，做前m個(gè)主成分F1,F2,…，F(xiàn)P對因變量Y的多元線性回歸，得到回歸模型。⑤由于每個(gè)主成分F1,F2,w,Fm均是自變量X1,X2,…Xp的線性組合，因此，經(jīng)轉(zhuǎn)化可得最終多元線性回歸模型。

多元線性回歸模型的一般形式為：

它的非隨機(jī)表達(dá)式為：

βj也被稱為偏回歸系數(shù)。

多元線性回歸模型計(jì)算式為：

多元性回歸模型的參數(shù)估計(jì)，同一元線性回歸方程一樣，也是在要求誤差平方和為最小的前提下，用最小二乘法或最大似然估計(jì)法求解參數(shù)。

可得最大似然估計(jì)值：

該式即為P元線性回歸方程。

三、基于多元回歸法的物流發(fā)展預(yù)測模型構(gòu)建分析——以泰安市為例

（一）指標(biāo)選取

物流業(yè)的發(fā)展受很多因素的影響，包括經(jīng)濟(jì)因素和非經(jīng)濟(jì)因素。其中經(jīng)濟(jì)因素是影響物流發(fā)展的主要因素，包括區(qū)域經(jīng)濟(jì)發(fā)展規(guī)模、區(qū)域產(chǎn)業(yè)結(jié)構(gòu)、商業(yè)活躍程度、進(jìn)出口貿(mào)易、區(qū)域交通運(yùn)輸狀況、固定資產(chǎn)投資、電子商務(wù)的發(fā)展等；非經(jīng)濟(jì)因素包括宏觀經(jīng)濟(jì)政策和管理體制、物流服務(wù)水平、物流信息化水平、交通樞紐和節(jié)點(diǎn)城市多式聯(lián)運(yùn)設(shè)施建設(shè)不斷完善，以及物流園區(qū)服務(wù)功能的不斷提升等。通過閱讀大量文獻(xiàn)，借鑒國內(nèi)外學(xué)者的文獻(xiàn)，并深入訪談?wù)块T、專家學(xué)者、物流行業(yè)協(xié)會(huì)及物流企業(yè)管理者，根據(jù)影響物流業(yè)發(fā)展的因素，按照科學(xué)性、全面性、相關(guān)性、可操作性、數(shù)據(jù)的可獲得性的原則，選取與物流發(fā)展規(guī)模相關(guān)性較高的指標(biāo)如下：

1.貨運(yùn)周轉(zhuǎn)量和貨運(yùn)量。在大量的文獻(xiàn)分析基礎(chǔ)上發(fā)現(xiàn)，大部分學(xué)者對區(qū)域物流發(fā)展進(jìn)行研究時(shí)，都采用貨運(yùn)量作為物流發(fā)展?fàn)顩r的衡量指標(biāo)。貨運(yùn)量和貨運(yùn)周轉(zhuǎn)量這兩個(gè)指標(biāo)只能反映出物流作業(yè)量的一部分，因?yàn)槲锪鞑粌H包括貨物運(yùn)輸，還包括裝卸、流通加工、存儲(chǔ)、包裝、配送、信息處理等多個(gè)環(huán)節(jié)，但是由于運(yùn)輸貫穿整個(gè)物流活動(dòng)的始終，而貨物周轉(zhuǎn)量指標(biāo)相對于貨運(yùn)量指標(biāo)，它不僅包括了運(yùn)輸對象的數(shù)量，還包括了運(yùn)輸距離的因素，因而能夠全面地反映運(yùn)輸生產(chǎn)成果。所以本研究選取貨運(yùn)周轉(zhuǎn)量作為物流發(fā)展規(guī)模的量化指標(biāo)。

2.區(qū)域經(jīng)濟(jì)發(fā)展規(guī)模。物流業(yè)是經(jīng)濟(jì)發(fā)展必不可少的支撐行業(yè)，而地區(qū)的經(jīng)濟(jì)發(fā)展規(guī)模大小又決定著物流需求規(guī)模的大小。有研究表明，經(jīng)濟(jì)規(guī)模與物流需求具有很強(qiáng)的相關(guān)性。如葉柏青等（2016年）研究提出，經(jīng)濟(jì)發(fā)展水平與物流業(yè)的發(fā)展?fàn)顩r之間有密切的關(guān)系；姜維軍等（2016年）研究發(fā)現(xiàn)，物流產(chǎn)業(yè)的發(fā)展同經(jīng)濟(jì)發(fā)展水平的提升之間存在著較強(qiáng)的相關(guān)性；李紅梅等（2016年）研究發(fā)現(xiàn)，區(qū)域物流與區(qū)域經(jīng)濟(jì)有明顯的動(dòng)態(tài)協(xié)同關(guān)系。區(qū)域經(jīng)濟(jì)發(fā)展規(guī)模一般用 GDP和人均 GDP 來表示。

3.產(chǎn)業(yè)結(jié)構(gòu)。物流的需求規(guī)模、層次、結(jié)構(gòu)與區(qū)域產(chǎn)業(yè)結(jié)構(gòu)密切相關(guān)，隨著科技和信息水平的發(fā)展，我國的產(chǎn)業(yè)結(jié)構(gòu)逐漸由農(nóng)業(yè)主導(dǎo)向服務(wù)主導(dǎo)轉(zhuǎn)變。這里的產(chǎn)業(yè)結(jié)構(gòu)主要包括第一產(chǎn)業(yè)總值、第二產(chǎn)業(yè)總值、第三產(chǎn)業(yè)總值三個(gè)指標(biāo)。

4.社會(huì)消費(fèi)品零售總額。社會(huì)消費(fèi)品零售總額反映了商業(yè)活躍程度，商業(yè)是通過買賣方式，使貨物得以流通的一類經(jīng)濟(jì)活動(dòng)。一個(gè)地區(qū)的商業(yè)主要包括餐飲、超市、購物中心、各種商店等，一個(gè)地區(qū)商業(yè)活躍度必將影響該地區(qū)的物流需求，因此區(qū)域的商業(yè)活躍程度通常用社會(huì)消費(fèi)品零售總額來衡量。

5.進(jìn)出口貿(mào)易總值。進(jìn)出口貿(mào)易是指兩個(gè)不同的國家之間進(jìn)行的商品、技術(shù)和勞務(wù)的交換活動(dòng)。這種貿(mào)易由進(jìn)口和出口兩個(gè)部分組成。對于沿海城市，進(jìn)出口貿(mào)易對物流需求影響較大。因此，用地區(qū)進(jìn)出口貿(mào)易總額來衡量該地區(qū)的物流需求水平。

6.等級公路通車?yán)锍?。一個(gè)地區(qū)基礎(chǔ)設(shè)施發(fā)展情況對物流效率有直接影響。交通基礎(chǔ)設(shè)施包括：鐵路、公路、港口、機(jī)場等的建設(shè)情況，與物流有關(guān)的信息系統(tǒng)的建設(shè)情況等。我們可以用鐵路、公路的長度，港口、機(jī)場的數(shù)量以及各交通運(yùn)輸工具的營運(yùn)里程，來衡量該地區(qū)的物流發(fā)展?fàn)顩r。這里選用等級公路通車?yán)锍套鳛楹饬恐笜?biāo)。

7.固定資產(chǎn)投資。固定資產(chǎn)投資具有永久性，包括對物流產(chǎn)業(yè)的投資和其他產(chǎn)業(yè)的投資。其他產(chǎn)業(yè)的投資會(huì)對經(jīng)濟(jì)的發(fā)展具有后向效應(yīng)，即本年度增加固定資產(chǎn)投資額會(huì)影響以后年度經(jīng)濟(jì)的運(yùn)行情況，從而間接影響物流，對物流產(chǎn)業(yè)的投資會(huì)直接影響物流的發(fā)展，所以固定資產(chǎn)投資也是影響物流的重要影響指標(biāo)。

8.郵電業(yè)務(wù)總量。電子商務(wù)和互聯(lián)網(wǎng)的發(fā)展，加快了物流與電商的結(jié)合，互聯(lián)網(wǎng)時(shí)代，就是無線服務(wù)時(shí)代，線上是無線端的訂單，線下就是物流端的遞送。一方面是從電商向物流端，一方面是從物流向電商端，這種發(fā)展也正在快速地推進(jìn)。可以采用互聯(lián)網(wǎng)上網(wǎng)人數(shù)來衡量互聯(lián)網(wǎng)發(fā)展對物流需求的影響，所以郵電業(yè)務(wù)總量是反映和影響物流的重要影響指標(biāo)。

（二）數(shù)據(jù)搜集

通過查找山東省統(tǒng)計(jì)年鑒和泰安市統(tǒng)計(jì)信息網(wǎng)[17-18]，搜集2005-2015年物流業(yè)發(fā)展數(shù)據(jù)，見表1所示。這里要說明的是，交通運(yùn)輸部2014年修訂了公路、水運(yùn)運(yùn)輸量統(tǒng)計(jì)試行方案，統(tǒng)計(jì)口徑發(fā)生變化。2013年泰安市貨運(yùn)量為12068萬噸，貨運(yùn)周轉(zhuǎn)量為17214百萬噸公里。由于2014年統(tǒng)計(jì)口徑發(fā)生變化，2014年泰安市貨運(yùn)量為6253萬噸，貨運(yùn)周轉(zhuǎn)量為13969百萬噸公里；2015年泰安市貨運(yùn)量為6150萬噸，貨運(yùn)周轉(zhuǎn)量為14064百萬噸公里。為便于分析，本研究根據(jù)最新統(tǒng)計(jì)口徑以及每年的貨運(yùn)量及貨運(yùn)周轉(zhuǎn)量的增長率重新進(jìn)行推算，以排除統(tǒng)計(jì)口徑變化對數(shù)據(jù)的影響。

表1 2005-2015年物流業(yè)發(fā)展相關(guān)影響因素的歷史數(shù)據(jù)

（三）泰安市物流發(fā)展預(yù)測的主成分回歸模型構(gòu)建分析

1.指標(biāo)的標(biāo)準(zhǔn)化處理

為便于研究，選取貨物周轉(zhuǎn)量為因變量，記為y，選取影響貨物周轉(zhuǎn)量的10個(gè)重要因素為自變量，分別用x1-x10表示，其中x1代表貨運(yùn)量，x2代表地區(qū)生產(chǎn)總值，x3代表第一產(chǎn)業(yè)總值，x4代表第二產(chǎn)業(yè)總值，x5代表第三產(chǎn)業(yè)總值，x6代表社會(huì)消費(fèi)品零售總額，x7代表等級公路通車?yán)锍蹋瑇8代表進(jìn)出口貿(mào)易總值,x9代表郵電業(yè)務(wù)總量，x10代表固定資產(chǎn)投資。

在做主成分分析之前，為了消除各個(gè)變量之間量綱的影響，首先對變量進(jìn)行標(biāo)準(zhǔn)化處理，即每一變量值與其平均值之差除以該變量的標(biāo)準(zhǔn)差，歸一化處理后數(shù)據(jù)見表2。

表2 2005-2015年物流業(yè)發(fā)展相關(guān)影響因素的歸一化處理數(shù)據(jù)

2.普通線性回歸分析

首先用SPSS軟件做因變量y與自變量x1-x10的普通線性回歸，輸出相關(guān)結(jié)果見表3所示。

表3 模型匯總

由表3可知，回歸模型擬合優(yōu)度達(dá)到99.4%，說明99.4%的預(yù)測可以用這個(gè)模型來預(yù)測。由表4方差分析顯示，線性回歸方程整體顯著性稍差（F=43.642，Sig.=0.023）。經(jīng)多重共線性診斷表明自變量存在共線性，所以，不能直接采用多元線性回歸，采用主成分分析做多重共線性處理。由于主成分間具有不相關(guān)性，并且能較好地反映原來眾多相關(guān)性指標(biāo)的綜合信息，因此，用主成分作為新的自變量進(jìn)行回歸分析，使得回歸方程及參數(shù)估計(jì)更加可靠。

表4 Anova

3.主成分分析

利用統(tǒng)計(jì)軟件SPSS對表2數(shù)據(jù)進(jìn)行主成分分析，在SPSS 軟件中，我們通過因子分析方法來進(jìn)行主成分分析，統(tǒng)計(jì)顯示，KMO值為0.75，大于0.6，說明適合進(jìn)行主成分分析。輸出相關(guān)結(jié)果見表5、表6所示。

從表5可看出，變量相關(guān)陣中有一個(gè)較大的特征值為9.112，這個(gè)特征值對總方差的貢獻(xiàn)率達(dá)到了91.119%。這說明從原始數(shù)據(jù)中提取了一個(gè)主成分，這一個(gè)主成分就解釋了原始數(shù)據(jù)大部分信息。

表5 解釋的總方差

成分矩陣如表6。由此可看出，主成分對10個(gè)變量的解釋分別為97.9%, 99.8%, 99.5%, 99.4%,

99.0%,98.5%，72.8%，93.0%，93.5%，97.5%。表6中顯示出了這個(gè)主成分與原始變量的關(guān)系，由表6（初始因子載荷陣）和表5特征向量，得出主因子線性組合表達(dá)式為:

表6 成份矩陣

表7 因子得分及主成分得分

其中X1*-X10*表示為標(biāo)準(zhǔn)化變量，這是因?yàn)樵谶M(jìn)行主成分分析時(shí)是以標(biāo)準(zhǔn)化變量進(jìn)行分析的，是從相關(guān)陣出發(fā)分析的。

由于主成分互不相關(guān)，可以用提取的主成分代替自變量進(jìn)行回歸分析，因此需要計(jì)算主成分得分來代替自變量X1*-X10*。在SPSS中，由因子分析提取時(shí)是用主成分法提取的，根據(jù)初始因子與主成分的關(guān)系，未旋轉(zhuǎn)的初始因子等于主成分除以特征根的平方根，因此主成分得分等于因子得分乘以特征根的平方根，因此可以由因子得分計(jì)算主成分得分。根據(jù)F1等于第一因子得分乘以第一特征根的平方根，計(jì)算主成分得分，見表7。

4.主成分回歸模型構(gòu)建

用標(biāo)準(zhǔn)化的因變量與主成分得分做回歸，對因變量y做標(biāo)準(zhǔn)化，然后對因變量y和主成分得分F1進(jìn)行回歸分析，相關(guān)輸出結(jié)果見表8、表9和表10。

表8 模型匯總

表9 Anova

表10 系數(shù)

表8顯示，R=0.987，回歸模型擬合優(yōu)度達(dá)到98.7%，說明98.7%的預(yù)測可以用這個(gè)模型來預(yù)測。由表9方差分析顯示，線性回歸方程非常顯著可信（F=339.11，Sig.=0.000 〈0.005），通過顯著性檢驗(yàn)，也沒有多重共線性，回歸系數(shù)合理。由表10得y*=0.327F1，將（8式）帶入，可得標(biāo)準(zhǔn)化y*關(guān)于標(biāo)準(zhǔn)化自變量的回歸方程：

還原為原始變量：

整理得最終回歸模型結(jié)果：

四、結(jié)論

隨著經(jīng)濟(jì)的快速發(fā)展，泰安市物流業(yè)呈現(xiàn)出快速增長態(tài)勢。本文選取貨物周轉(zhuǎn)量為因變量，影響貨物周轉(zhuǎn)量等10個(gè)重要因素為自變量，建立了衡量物流業(yè)發(fā)展的指標(biāo)體系。采用主成分回歸方法，首先消除量綱影響，對數(shù)據(jù)進(jìn)行了歸一化標(biāo)準(zhǔn)處理，初步回歸發(fā)現(xiàn)，指標(biāo)之間存在一定的線性關(guān)系。為此對標(biāo)準(zhǔn)化數(shù)據(jù)進(jìn)行主成分分析，提取了一個(gè)主成分，解釋了原始數(shù)據(jù)91.119%的信息，該主成分對10個(gè)變量的解釋分別為97.9%, 99.8%, 99.5%, 99.4%, 99.0%,98.5%，72.8%，93.0%，93.5%，97.5%。接著對因變量y做標(biāo)準(zhǔn)化，然后對因變量y和主成分得分F1進(jìn)行回歸分析，得出回歸模型擬合優(yōu)度達(dá)到98.7%，方差分析顯示，線性回歸方程非常顯著可信（F=339.11，Sig.=0.000〈0.005），通過顯著性檢驗(yàn)，也沒有多重共線性，回歸系數(shù)合理。通過主成分回歸的分析方法構(gòu)建了主成分回歸模型，明確了影響物流發(fā)展的主要經(jīng)濟(jì)因素包括貨運(yùn)量、區(qū)域經(jīng)濟(jì)發(fā)展規(guī)模、產(chǎn)業(yè)結(jié)構(gòu)、社會(huì)消費(fèi)品零售總額、等級公路通車?yán)锍?、進(jìn)出口貿(mào)易總值、郵電業(yè)務(wù)總量、固定資產(chǎn)投資等及其對物流發(fā)展規(guī)模的影響程度，可以為物流發(fā)展規(guī)模預(yù)測提供借鑒意義，同時(shí)也能為物流發(fā)展政策及決策的制定和實(shí)施提供一定的參考。

參考文獻(xiàn)：

[1]2017-2022年中國物流市場研究及投資前景預(yù)測報(bào)告[M/CD].智研咨詢集團(tuán).2017-06.

[2]高愛霞,滿廣富.基于VRIO模型的中小物流企業(yè)競爭力評價(jià)研究及提升對策[J].山東財(cái)經(jīng)大學(xué)學(xué)報(bào)，2016（6）.

[3] Cullinane KPB, Mason KJ,Cape M.A Comparison of Models for Forecasting the Baltic Freight Index:Box-Jenkins Revisited[J].Maritime Economics&Logistics, 1999,1(2).

[4]M.Hakan Satman,Erkin Diyarbakirlioglu.Reducing errors—in—variables bias in linear regression using compact genetic algorithms[J].Journal of Statistical Computation and Simulation,2015,5(3).

[5]賈海成,秦菲菲.區(qū)域物流需求預(yù)測研究——以江蘇省為例[J].中國物流與采購，2012（3）.

[6]田麗，曹安照，王蒙，周明龍，王靜.基于SVM和神經(jīng)網(wǎng)絡(luò)組合預(yù)測模型物流需求預(yù)測[J].重慶工商大學(xué)學(xué)報(bào)(自然科學(xué)版)，2012（9）.

[7]楊蕾,張苗苗，時(shí)間序列模型在物流需求預(yù)測中的應(yīng)用[J].商業(yè)時(shí)代，2013年(13).

[8]王小麗.基于多因素灰色模型的物流需求量預(yù)測[J].統(tǒng)計(jì)與決策，2013（14）.

[9]楊晶晶，張兆同.基于灰色系統(tǒng)的江蘇省物流需求預(yù)測[J].物流工程與管理,2013（1）.

[10]郭旭文.基于滯后模型展開的物流發(fā)展預(yù)測[J].物流技術(shù)，2014，33（6）.

[11]劉力軍，侯維磊.基于物流量預(yù)測及產(chǎn)業(yè)關(guān)聯(lián)分析的石家莊物流業(yè)發(fā)展研究[J].物流技術(shù),2015，34（24).

[12]耿立艷，郭斌.基于 LSSVM-DACPSO 模型的物流需求預(yù)測[J].統(tǒng)計(jì)與決策，2015(14).

[13]萬玉龍，胡田田，章艷華.基于多種回歸模型的區(qū)域物流需求預(yù)測實(shí)證分析[J].物流科技,2017,(10).

[14]汪洪帆.基于BP神經(jīng)網(wǎng)絡(luò)的杭州城市圈物流需求預(yù)測[J].現(xiàn)代商貿(mào)工業(yè)，2017（29）.

[15]孫遜.基于 GA-SVM 的物流園區(qū)物流需求預(yù)測及分析[J].中國市場, 2017，（15）.

[16]李勇.多元回歸模型在物流需求分析中的應(yīng)用[J].湖南城市學(xué)院學(xué)報(bào)（自然科學(xué)版），2016(1).

[17]山東省統(tǒng)計(jì)局.山東省2006-2016年國民經(jīng)濟(jì)和社會(huì)發(fā)展統(tǒng)計(jì)公報(bào)[DB/OL].山東統(tǒng)計(jì)信息網(wǎng).http://www.stats-sd.gov.cn/.2016-02-08.

[18]泰安市統(tǒng)計(jì)局.泰安市2006-2016年國民經(jīng)濟(jì)和社會(huì)發(fā)展統(tǒng)計(jì)公報(bào)[DB/OL].泰安市統(tǒng)計(jì)信息網(wǎng).http://www.tatj.gov.cn.2016-03-30.