论文发表

关于汽车的论文：多元线性回归分析在汽车制造企业供应商评价指标选择方面的应用

摘要：为了使汽车制造企业构建的供应商评价体系更加有效。把供应商的净资产收益率作为评价综合指标(因变量)，供应商的其它评价指标作为自变量，本篇关于汽车的论文采用多元线性回归分析法从这组评价指标(自变量)中提取出影响净资产收益率的重要因素，作为汽车制造企业构建供应商评价体系的指标。结合20家汽车零部件供应商近5年的实际数据使用SPSS软件进行实例计算。验证多元线性回归分析法在汽车制造企业供应商指标选择方面的可行性与有效性。

关键词：供应商选择;多元线性回归分析;评价指标

1. 引言

根据汽车制造企业实践经验，在汽车制造中购买原材料、零部件和服务的价值约占汽车产品总成本的50%-80%左右。同时，汽车制造中30%的质量问题和80%的交货期问题都是由供应商引起的(Wiilis,1990)。因此，供应商的选择和评价是影响汽车制造企业的重要因素。

在现有文献中，多采用模糊聚类分析法、层次分析法、数据包络分析法以及模糊层次法等方法构建供应商评价体系。构建评价体系在指标选取方面常常带有较大的主观性。要么选取的指标不够全面，由此构建的评价体系在进行供应商选择和评价时指导性不强;要么选取的评价指标过多且指标间信息相互重叠，导致单个指标的权重减少，指标结构出现失真现象，由此构建出的评价体系必然会使评价结果的客观性和有效性受到损伤。

而多元线性回归法能够从一组供应商评价指标中提取出对综合评价结果产生重要影响的指标，利用这些筛选出的指标去构建供应商评价体系会使评价结果更有效。鉴于此，下文搜集了20家同种零部件企业的评价指标数据，以净资产收益率为评价企业优劣的综合指标，应用多元线性回归法从供应商的其他指标中找出影响净资产收益率的指标，把这些指标作为构建供应商选择和评价模型的指标。

2. 多元线性回归分析原理

多元线性回归分析是研究在线性关系条件下，两个或者两个以上自变量对一个因变量的关系，多元线性回归模型是用来表达这一数量关系的数学公式。回归分析能从大量的原始数据中把有价值的信息提取出来，通过这些有价值的信息来反映数据群体的主要特征，进而通过数学表达式把变量间存在的相关关系表达出来，最后，运用统计方法对相关关系进行分析，判别模型是否有效。

3.实例应用

某汽车制造企业某种零部件有20家供应商：A1，A2，…A20，经过查阅资料并吸收汽车企业相关人员经验，选取技术水平、发展潜力、价格水平、企业信誉、生产能力、零部件合格率、准时交货率、交货提前期、维修服务、质量管理水平等指标构建评价体系。具体的指标度量：技术水平、企业信誉和维修服务采用打分法计量;质量管理水平通过邀请汽车企业专家进行打分法获得;零部件合格率、生产能力、价格水平、交货提前期通过实际数据衡量，如果能够完全满足汽车制造企业的需要量则数据定义为1，经过专家打分与数据衡量，得到附表

由表2可知，回归模型对净资产收益率的预测效果比较理想。多重相关系数R=0.990和多重测定系数R2=0.980的值都接近于1，多重测定系数的结果证明大约有98%的净资产收益率指标可以使用模型进行解释。因此，模型拟合度比较好。

3.2回归模型的方差分析

结果见表3

通过表3能够发现F=44.013，SIG=0.000，低于0.05，说明因变量和每个自变量之间都存在线性关系，使用所有自变量进行测度净资产收益率的多重回归模型和数据的拟合效果较理想，显著性验证通过。

3.3检验结果

通过对回归系数进行T检验的结果可以发现。在10个预测变量中，只有价格水平、交货提前期、质量管理水平的SIG值小于0.05.而技术水平、发展潜力、企业信誉、生产能力、零部件合格率、准时交货率和维修服务等指标SIG值大于0.05，检验结果不显著，也就意味着这7个指标对回归模型的作用有限。从与共线性有关的指标列中可以发现，所有变量的容忍度都在0-1之间，预测变量的方差膨胀因子都大于1。综合分析，这些自变量间存在多重共线性。

3.4 消除多重共线性及对回归模型的修正

多元回归模型受到多重共线性的影响主要来自变量之间存在的高度相关性使回归系数和回归平方和失去独立性，其它变量的变化对它产生了影响。多重共线性本身却并不一定能影响方程总的拟合能力，存在高度相关性的变量被引进多元回归方程后常常会导致F检验值及决定系数值增大，使人产生方程拟合效果提升的表象。下文将使用逐步回归法消除多重共线性。

本篇关于汽车的论文基本思路就是要把系数显著性符合检验标准的变量逐个引进，且每当一个新变量引进后，还需要把原来引进的变量再次进行检验，把那些由于新变量引入后造成原来的系数发生转化为不显著的变量删除，到最后没有变量能够被引进而且引进的变量也不能被删除，得到的方程就是最优化回归方程。

使用逐步回归统计方法来对回归方程进行优化的步骤如下。

(1)选取剔除过程

表4反映了选取变量和剔除变量的过程。从表4中可以看到，分五步一共选取了5个变量，没有变量被剔除，选取和剔除的标准都是F检验若显著性≤0.05则被选入，若显著性≥0.1则被剔除。

(2)回归方程

经过逐步回归分析得到回归系数数值。选取最后一步作为最终结果，回归方程为： Y=-0.003X8+0.125X10 +0.006X3-0.051X6 + 0.035 X2

(3)回归方程检验

从方差表中能看到第5步最终结果显示的回归方程是有显著性意义。此外，逐步回归的F值为 361.873，高于多元回归的F值68.669。从表5模型摘要表中可以看到第5步最终结果显示复相关系数R=0.98，说明方程的总体相关性很高。

(4)回归系数检验

回归系数检验从前面的系数表读取，第5步最终结果显示的 t 值、根据 t 值算出的相应的P 与多元回归结果进行比较，如果以0.05为标准，可以看出逐步回归计算出的P值都小于0.05，可以认为这5个变量对Y有显著影响。逐步回归与多元回归比较，P值明显减少，F值明显增大，证明逐步回归能更准确地反映影响因变量的各个自变量及其影响关系。

(5)未被选入的变量分析

在逐步回归结果中，第五步未选入的5个变量 Sig.值都大于 0.05，因此无法被选入。

4. 结论

本篇关于汽车的论文指出：从最后的回归模型中能够发现，20家某种零部件的供应商净资产收益率指标与交货提前期、零部件合格率有负相关关系，与交货提前期、质量管理水平、价格水平、零部件合格率、发展潜力有密切关系。其中净资产利润率与质量管理水平、价格水平、发展潜力有正相关关系。交货提前期每平均增加一个单位，净资产收益率平均减少0.3%;零部件合格率平均增加一个单位，净资产收益率数平均减少5.1%，质量管理水平平均每提高一个单位，净资产收益率提高增加12.5%，价格水平每提高一个单位，净资产收益率提高0.6%，发展潜力每提高一个单位，净资产收益率提高3.5%。

对于汽车制造企业而言，净资产利润率较好的供应商一定是优质的供应商。上文通过搜集20家生产相同零部件企业的10个指标数据，采用多因素回归分析模型从10个指标数据中提取出影响净资产收益率的5个指标分别为：交货提前期，质量管理水平、价格水平、零部件合格率、发展潜力。那么，由这5个指标去构建的汽车制造企业供应商的评价体系，将更具有科学性和有效性。

参考文献：

[1]刘继斐 评价指标相关性的处理方法研究[J].管理科学文摘，2006(12)

[2] 杜利珍 余利琪 陶德馨 .汽车零部件供应商的评价与选择方法及软件实现[J].物流科技，2006(2)

[3] 胡俊山 杨玲.高校招生人数影响因素的多元线性回归分析[J].宝山学院学报，2010(2)