基于多元线性回归分析的冷链物流需求预测
李隽波，孙丽娜
（桂林理工大学管理学院，广西桂林541004）
摘要冷链物流是一个巨大而复杂的体系，涉及到从产品出产、包装、运输、贮藏直到消费终端整个链条的全方面、全流程的温度控制。
满足市场需求必须以需求预测为前提，鉴于影响冷链物流需求的因素有很多，以我国水产品冷链物流的需求为例，应用多元线性回归分析法建立冷链物流需求量的预测方程，
运用Eviews 软件进行检验，求证其科学性，最终得出精确、实用的预测体系。关键词冷链物流；多元线性回归；需求预测；Eviews 中图分类号S37文献标识码A 文章编号0517－6611（2011）11－06519－02Demand Forecast of the Cold Chain Logistics Bad on the Multiple Linear Regression Analysis LI Jun-bo et al （Management School ，Guilin University of Technology ，Guilin ，Guangxi 541004）
Abstract Cold chain logistics is a huge and complex system ，involving the whole process of temperature control of the entire chain from the packaging ，transport ，storage and consumption of
the products．The meeting of the market demand must be bad on the forecast ，in view of the lots of factors involved in cold chain logistics ，with the cold chain logistics needs of our aquatic products fpr example ，a demand forecast e-quation of cold chain logistics is established by multiple linear regression analysis ，and then verified by using Eviews software so as to confirm its scientific nature and work out accurate and practical forecasting system．
Key words Cold chain logistics ；Multiple linear regression analysis ；Demand forecast ；Eviews
作者简介
李隽波（1967－），男，湖南株洲人，副教授，博士，从事物流
管理方面的研究
。收稿日期2011-01-19准确预测未来冷链物流需求，对于国民经济的发展具有重要的现实意义。但是，目前国内食品和药品等易腐、易变质产品的装卸作业大多在露天而非在冷库和保温场所操作，运输工具80% 90%使用的都是普通卡车，棉被成为最好的保温材料，
运输质量毫无保障。我国食品每年在运输、流通过程中造成的损失达到上千亿元，造成这种窘境的直接原因是目前中国冷链设施和冷链装备严重不足、
原有设施设备陈旧、
发展和分布不均衡，无法为易腐食品流通系统地提供低温保障。众所周知，设施、设备必须按照需求来投入，而我国冷链物流的需求量却无法确定。为此，笔者以水产品的冷链物流需求为例，建立冷链物流需求的多元线性回归预测模型。通过模型，
可以预测未来冷链物流的需求数量和需求趋势，从而为冷链物流设施、设备的建设投入提供依据。1
基于多元线性回归的冷链物流需求预测模型的建立冷链物流需求预测，是利用历史资料和市场信息，运用适当的方法和技巧，对未来的冷链物流需求状况进行科学的分析、
估算和推断。用于物流需求预测的方法有很多，有一元线性回归法、指数平滑法、弹性系数法和灰色预测法等。但是由于冷链物流需求受国民经济发展速度、居民消费水平等多种因素的影响，
上述方法在准确性和有效性上都存在很大的缺陷（表1），尤其是一元线性回归预测方法，其考虑的只是单因素。在多元线性回归模型中，全面考虑到影响冷链物流需求量的因素，并根据回归分析，消除了存在自相关和多重共线性的因素。1．1
多元线性回归分析原理
多元回归分析预测法，是指
通过对2个或2个以上的自变量与1个因变量的相关分析，建立预测模型进行预测的方法。
在市场的经济活动中，当某一经济现象的发展和变化取决于几个因素，而且有时几个影响因素主次难以区分，或者有的因素虽属次要，但也不能略去其作用。此时，就可以依照变量之间的关系建立多元线性回归方程，根
据因变量和各个自变量之间的相关性系数确定因变量的多个影响因素的主次，只留下影响力较大的因素。然后，输入未来时间的各个自变量得到因变量的估计值
［1－2］
。
表1
常用预测方法对比
Table 1
Comparison of common forecasting methods
常用预测模型
Common forecasting model
优点
Strong points
缺陷Flaws
一元线性回归模型Unary linear regression model 涉及的变量少，数据收集以及计算整理工作相对简单
只考虑到某一个因素对现象的影响，这在现实生活中是不可能的
多元线性回归模型Multiple linear regression model 考虑到多种因素的影响，预测结果更加精确，更具科学性
数据的收集、
整理及计算工作复杂
指数平滑法Ex-ponential smoot-hing
计算过程比较简单，预测时所需观测值不多适宜的平滑系数难以确定弹性系数法E-lastic coefficient 将经济学原理应用于预测中，预测过程简单、易
操作
只适宜于2个变量之间关系的分析
灰色预测法Gray prediction 计算量小、
糖葱薄饼计算方便和预测精度高
对数据的光滑性要求高，系统行为容易导致数据序列空缺
1．2多元线性回归模型的建立从经济增长的规律来看，
物流需求规模的变化与一个国家或地区GDP 经济总量及经济增长速度有密切的关系，GDP 总量越大，经济发展水平越高，对货物运输、仓储、配送和物流信息处理等物流服务的需求就越大
［3］
。因此，该研究选取GDP 作为第1解释变量。
相应地，物流属于第三产业，是国民经济（三大产业）中的重要组成部分，产业结构比例的发展态势将直接影响到物流行业的发展水平，所以产业结构比例也会对物流需求造成影响。该研究将水产品的冷链需求作为研究对象，众所周知，需求与供给之间会相互影响，那么水产品的年产量的大小、水产品价格的高低将直接影响到水产品运输量；而且水产品作为高度易腐品，其产品质量的保证是产品流通过程中所要承担的主要责任，损失率越低的物流方式将更加受到社会的青睐
［4］
。所以，水产品年产量、价格指数和损失率也是研究
冷链物流需求必不可少的要素。但是，冷链物流作为物流的一个小的部分，只研究产量和价格是不够的，还要研究整个
安徽农业科学，Journal of Anhui Agri．Sci．2011，39（11）：6519－6520，6523责任编辑姜丽责任校对马君叶
物流行业这个大背景的总体状况———水产品物流流通率［5］。鉴于此，该研究将GDP、产业结构比例、人口数量、水产品年产量、水产品价格指数和水产品冷链腐败变质损失率作为主要研究要素，
在建立模型时，取这些因素作为自变量。设冷链物流量y与影响因素x1，…，x7之间存在相关关系，随机变量与一般变量x1，x2，…，x7的线性回归模型为：Y=β0+β1x1
+β
2x
2
+…+β
7
x
7
+ε，其中，β
i
（i=0，1，2，…，7）是未知参数，
称为回归系数，y为被解释变量（因变量），ε N（0，σ2）是随机误差。
初中化学题2基于多元线性回归分析的需求预测的实例分析
2．1数据收集水产品作为一种高度易腐、易变质产品，对冷链物流的需求是非常迫切的，其产品性质要求从捕捞后一直到产品加工、贮藏、运输、分销和零售等环节必须始终处于适宜的低温控制环境下。但是在此方面，中国还处于起步状态，在很多方面都存在很大的缺陷，以致造成每年有数百亿
元的浪费。所以，如何改变水产品冷链物流的应用现状就成为一个很严重的问题。因此就以此为例，来说明模型的应用。
1998 2008年，各个变量即GDP（x
1
）、产业结构比例
（x
2
）
、人口数量（x
3
）、水产品年产量（x
4
）、物流流通率（x
工会申请书5
）、价格指数（x6）和冷链腐败变质损失率（x7）的相关数据来自《中国统计年鉴》（2009）和《中国渔业年鉴》（2009）、《冷链物流发展规划》（2010）等众多年鉴资料。将收集的数据输入统计工具Eviews进行估计，分析模型是否具有线性相关性、7个指标对于冷链物流需求的解释程度、预测的误差精度和各个指标存在的必要性，并据此对多元线性回归方程进行进一步改进。
2．2预测结果由预测结果得出预测模型：
y^=－41．353690+0．000613x
1－337．721100x
2
－0．004631x
3
+0．174898x
4
+3306．083000x
5
－21．610990x
6
+
157．128600x
7
s．=（373．676100）（0．000104）（145．813800）（0．002816）（0．045675）（135．173000）（16．682960）（274．160100）
t=（－0．110667）（5．914918）（－2．316113）（－1．644522）（3．829151）（24．45817）（－1．295393）（0．573240）
2．3回归方程的显著性检验回归方程的标准误差S．E
=2．051612，说明回归方程各个观测点（或估计值）的平均
误差为2．051612。拟合优度检验R=0．999949，说明回归
方程即上述样本需求函数的解释能力为99．9%，即7个变量
对于冷链物流需求变动的99%作出解释。回归方程的拟合
优度非常好。
回归模型的总体显著性检验：从全部因素的总体影响
看，在5%的显著性水平上，F=27749．5＞F
α
（k，n－k－1）=
F
0．05
（7，3）=8．89，说明7个变量对于冷链物流需求的共同影
响是显著的，方程显著。
2．4回归系数的显著性检验从单个因素的影响上看，在
5%的显著性水平上，|t（β^
1）|=5．914918＞t
0．025
（3）=
3．1824；|t（β^
2）|=2．316113＞t
0．025
（3）=3．1824；|t（β^
3
）|=
1．644552＞t
0．025（3）=3．1824；|t（β^
4
）
|=3．829151＞t
0．025
（3）=3．1824；|t（β^
5）|=24．458170＞t
0．025
（3）=3．1824；|t
（β^
6）|=3．195393＞t
0．025
（3）=3．1824；|t（β^
7
）
|=5．073240
＞t
把乐带回家0．025（3）=3．1824。检验结果证明，x
1
（GDP）、x
4
（水产年产
量）、x5（水产品物流流通率）、x6（水产品价格指数）和x7（水产品冷链腐败变质损失率），这5个因素对于Y水产品冷链物流的需求的影响是显著的；x2（产业结构比例）和x3（人口数量）这2个因素对于Y的影响带有很大的偶然性，这从它们的P值分别为0．1035和0．1986，都远远大于0．005也可以看出，所以将这2个偶然性因素剔除。多元线性模型变为：和氏
y^=－913．689600+0．000852x
1+0．165702x
4
+
33．758560x
5－0．123324x
6
+6．284944x
7
2．5与一元线性回归模型的比较一元线性回归模型中，自变量只有1个，因变量为1个。自变量和因变量是一一对应的关系，因此其函数表达式为Y=A+BX；其中，Y为因变量，X为自变量，A和B为待定系数。
从分析中可以得知，物流流通率与需求量的相关系数最大，所以选定物流流通率为自变量X，其中，
B=（∑XY－
1
n
∑X∑Y）/［∑X2－
1
n
（∑X）2］A=
1
n
（∑Y－B∑X）
代入需求量与相关因素的相关系数的相关数值得到一元线性回归模型为：
Y=－344+5196X
由预测模型得到的预测结果见表2。
表2预测模型预测结果对比
Table2Forecasting results of the models
年份
Year
一元模型预测结果
Forecasting result
of unary linear
regression model
多元模型预测结果
至若春和景明
Forecasting result
of multiple linear
regression model
实际值
Actual
value
1999446477479 2000479487504 2001512560561 2002577643639 2003634726714 2004687898863 2005749955939 200680110641052 200785811471158 200891212241232
可见，多元线性回归模型在预测结果的精确度和有效性上明显要高于一元回归模型。综上所述，多元线性回归模型在物流需求预测中的效果最好。
3结论
冷链物流需求预测是物流科学规划和决策的前提，预测结果的准确与否在很大程度上决定着规划工作
的成败。该研究通过使用Eviews，介绍了多元线性回归在冷链物流需求预测中的应用，证实了研究中所设立的指标更加科学、更加全面，建立的模型具有线性相关性，指标和因变量之间的
（下转第6523页）
0256安徽农业科学2011年
艺条件为：微波前浸润1h ，540W 微波10min ，再按液固比为20ʒ1加水，100ħ提取1h ，提取2次。
表3
正交试验结果
Table 3
Orthogonal experimental result 试验号Experiment No．
A B C
多糖提取率∥%
Extracting ratio of polysaccharide 212212．406313312．198421312．386522213．013623112．325731312．106832112．609933212．511R
0．328
0．467
0．082
2．52种提取方法结果比较由表4可以看出，微波辅助提
取明显地缩短了提取时间，
并且提高了多糖的提取率，优于常规热水提取法。
表4
2种提取方法结果比较
Table 4Comparison of the results of two extraction methods
提取方法Extraction methods
浸润时间∥h
Infiltration time
提取时间∥h Extraction duration
多糖提取率∥%Extracting ratio of polysaccharide
常规热水提取法Conventional hot water extraction 微波辅助提取法1
1
13．271
Microwave-assisted
extraction
2．6酵母多糖清除自由基的测定酵母多糖浓度对羟基自
由基和超氧阴离子自由基的清除率的影响如图4、
5所示。由图4、5可以看出，酵母多糖对羟基自由基和超氧阴离子自由基都有清除作用。酵母多糖对以上2
种不同自由基的清除效果
图4
酵母多糖浓度对羟基自由基清除率的影响
Fig．4
Effect of the concentration of yeast polysaccharide on the scavenging rate of hydroxyl
radicals
图5酵母多糖浓度对超氧阴离子自由基清除率的影响
Fig．5
Effect of the concentration of yeast polysaccharide on the scavenging rate of superoxide anion radicals
差别不大。清除50%的羟基自由基和超氧阴离子自由基所需要的多糖浓度分别为0．32、
0．08mg /ml ，相差4倍。酵母多糖对自由基的清除作用随多糖浓度增大而增大，但当多糖浓度继续增大，分别为0．40、0．50、0．60mg /ml 时，对羟基自由基的清除效果趋于平缓。当多糖浓度为0．08、0．09、0．10mg /ml 时，对超氧阴离子自由基的清除效果趋于平缓。3
结论
通过微波辅助法采用单因素分析和正交试验确定了提取酵母多糖的最佳工艺参数，
即微波时间为10min ，微波功率为540W ，浸润时间为1h ，其中微波时间对多糖得率影响最大，其次是浸润时间和微波功率。试验还进行了对羟基自由基和对超氧阴离子自由基的清除率试验，
得到的结果为：清除50%的羟基自由基和超氧阴离子自由基所需酵母多糖浓度分别为0．32和0．08mg /ml ，清除羟基自由基的效果明显低于对超氧阴离子自由基的清除效果。以上结果说明酵母多糖具有明显的抗氧化活性，
可以有效地防止超氧阴离子自由基对人体造成的伤害，为确定酵母多糖的抗衰老保健作用提供理论指导。参考文献
［1］吴小刚，吴周和，吴传茂．啤酒酵母多糖提取工艺条件的研究
上学路上［J ］．饲料工业，
2006，27（9）：27－29．［2］SPENEER J F T ，GORIN P A J．Manno containing polysaeeharides of
yeasts ［J ］．Biotechnology and Bioengiering ，1973，15（1）：1－2．［3］陈昌福，姚娟，吴凡，等．免疫多糖（酵母细胞壁）对受免异育银鲫免疫
应答的调节作用
［J ］．淡水渔业，2004，34（4）：55－57．［4］陈昌福，姚鹃，陈萱，等．口服免疫多糖（酵母细胞壁）对南美白对虾抗
哈维弧菌感染的作用
［J ］．安徽农业大学学报，2004，31（4）：402－405．［5］边洪荣，朱延军，张庆波．超声提取酵母菌中多糖的实验方法研究
［J ］．中国煤炭工业医学杂志，
2008，11（8）：1252－1253．［6］张惟杰．复合多糖生化研究技术［M ］．上海：上海科学技术出版社，
1987．［7］颜军，郭晓强，邬晓勇，等．银耳多糖的提取及其清除自由基作用［
J ］．成都大学学报：自然科学版，
2006，25（1）：35－38．［8］颜军，徐光域，郭晓强，等．银耳粗多糖的纯化及抗氧化活性研究［
J ］．食品科学，
2005，26（9）：檪檪檪檪檪檪檪檪檪檪檪檪檪檪檪檪檪檪檪檪檪檪檪檪檪檪檪檪檪檪檪檪檪檪檪檪檪檪檪檪檪檪檪檪檪檪檪
169－172．（上接第6520页）
拟合度达到了99．9%，可以认为需求量的变化完全可以由该研究中最终确立的5个指标进行解释与预测。而且，在该研究中也可以看到，多元线性回归法得出的预测结果比一元线性回归法误差更小、更精确，说明多元线性回归模型在冷链物流需求预测中的应用具有现实意义。
参考文献
［1］乔亮亮．多元线性回归预测法在服装制造中的应用［J ］．长江大学学
报
，2010（1）：145－147，160．［2］陈德良，王文科．多元线性回归模型在物流需求预测中的应用［
J ］．中国物流与采购，
2009（20）：66－67．［3］邓淑红，王征兵．物流需求预测中宏观经济指标的选取［
J ］．陕西农业科技，
2009（1）：165－167，182．［4］吴稼乐，孔庆源，陈坚，等．水产品冷链物流中三项指标的构建［
彩虹族J ］．中国渔业经济，
2008（5）：66－71．［5］王惠文，孟浩．多元线性回归的预测建模方法［
J ］．北京航空航天大学学报，
2007（4）：500－504．3
25639卷11期张丽霞等微波辅助提取啤酒酵母多糖及其抗氧化作用研究
