【毕业学位论文】（Word原稿）我国的网络购物交易规模的发展趋势预测-统计教育学

1 我国的网络购物交易规模的发展趋势预测 北京物资学院 目录 一 . 绪论 . 2 （一） . 选题的意义 . 2 （二） . 论文的结构 . 3 二 . 模型构建前的准备 . 4 （一） . 数据的收集与整理 . 4 1. 数据 . 4 2. 数据折线图及趋势线 . 6 （二） . 观察趋势线找寻适合的模型 . 7 （三） . 因素的选取，分析因素的可靠性 . 8 三 . 建立模型及检验 . 9 （一） . 检验概念明确 ： . 9 1. T 检验： . 9 2. F 检验； . 10 3. 验 . 10 4. 回归标准差检验 . 11 5. 预测精度检验 . 11 （二） . 模型建立 . 12 1. 四次多项式模型建立 . 12 2. 多重线性回归模型 . 14 四 . 拟合图，及模型评价 . 16 五 . 结论与创新 . 17 2 【摘要】 该文主要是为了研究我国网上购物的情况，以便对我国网购情况提供可行的预测模型， 对 我国的网购人数 进行了研究 得出影响网上购物交易规模的因素主要有三方面：一是互联网的普及，二是主要针对消 费者的需求，三是关于商品的供给。并 进行了 实证分析 调查 ，运用了四次多项式曲线以及多重回归分析对我国网上购物的交易规模情况进行分析，并且建立可行的模型进行预测。该文无论是四次多项式曲线还是多重回归分析，都能够 进行预测，并且能够通过各种统计检验，包括： T 检验、 F 检验、 验、精度检验等。 将四次多项式曲线和多重回归分析的比较， 最终 精确的预测得到我国 网上购物交易规模 情况的预测区间， 为我国 网络购物的交易规模 提供了预测模型 关键词 ：网上购物 交易规模 ；统计模型； 多重回归分析；多项式回归模型； 一 . 绪论 （一） . 选题 的意义 随着 得我国的网上购物市场处于快速成长阶段（ 2003 。在该阶段，大量资金和企业迅速涌入网上购物市场，竞争快速升级。竞争的结果也实现了优胜劣汰，资源得到优化配置。与此同时，外部条件得到较大的改善，其中最重要的改善条件是网民参与网上交易的程度加深；同时，电子商务的各项外部支撑条件，包括物流、支付和信用，网络安全等都在逐渐完善； 此外，国家对于该市场的管理趋于规范，并初见成效。综合以上因素中国网上购物市场展现出蓬勃、稳定的发展势头，并逐渐走向成熟。 3 网络购物 市场的发展吸引了越来越多的消费者和商家，中国网络购物市场供求两旺，一方面网络购物的用户规模快速增长，现实庞大的市场需求，于 2011年 1月 19日，中国互联网络信息中心（ 京发布了第二十七次中国互联网发展状况统计报告，数据显示，截至 2010年 12月底 ， 我国网民规模达到 2009年底增加 7330万人；最引人注目的是，网络购物用户年增长 据统计资料显示 10年得中国网络购物市场交易规模继续高速上涨网络购物使用率继续上升，达到 4755亿元，较 09年增长 目前达到 是用户增长 最快的应用，预示着更多的经济活动步入互联网时代。 另一方面，传统品牌商、渠道商进入网络购物市场，自主销售式购物网站数量激增，市场供给日渐丰富。 当前，中小企业纷纷试水 “网络营销 ”。报告显示，中小企业互联网接入比例达 规模较大的企业互联网接入比例更是接近 100%。 43%的中国企业拥有独立网站或在电子商务平台建立网店； 企业利用互联网与客户沟通，为客户提供咨询服务；中小企业电子商务 /网络营销应用水平为 其中电子邮件以 比例成为 “最普遍的互联网营销方式 ”。 网上购物是指借 助网络实现商品或服务从商家 /卖家转移到个人用户（消费者）的过程，在整个过程中的资金流、物流和信息流，其中任何一个环节有网络的参与，都称之为网络购物。网上购物的交易模式主要包括 业对消费者）、 费者对消费者）；网上购物的交易主体已经囊括了纯网络零售商、传统制造商、传统品牌商、传统渠道商、个人卖家等各种零售终端，已经完全的超过了传统购物模式，是引领时尚和潮流的发展趋势迅猛的新型商业模式。 基于如上的发现，我们把 本文的研究放在了网络购物方面，主要通过研究我国网络购物的用户规模，并预测我国的网络购物的未来发展趋势，希望我们的研究能为网上购物这种新型的购物模式的良好发展起到一定的促进作用，该消费者和商家带来一定促进作用，使他们清楚地认识到未来网上购物的发展前景，提前做好准备。 （二） . 论文的结构 根据交易对象的不同，电子商务可划分为三种不同的典型模式： 企业对企业） , 企业对消费者）和 费者对消费者）模式。而网上购物 （ 包含 2C 电子商务模式， 即消费者通过网络 （购物网站）向供应商购买商品或享受服务。消费者可浏览网上商品目录，比较、选择满意的4 商品或服务，通过网络下订单，进行网上付款或离线付款；而供应商处理订单、网上送货或离线送货，从而完成整个网上购物过程。 本文主要研究的是网上购物的发展趋势，而本文的主要研究焦点是通过对网上购物的用户的发展模式来预测我们的论题。 结构上，本文从两个方向： 首先从简单的线性规划模型入手，分析出了 网上购物的交易规模发展趋势，但是近几年的数据有限且对模型的影响较大，为了保证预测的准确性我们又加入了多重回归分析。对于简单的线性规划模型的研究，我们选择了近十年的数据做了预测， 虽然前几年的数据对预测有点影响，但是近六年的数据充分反应了网上交易规模的发展趋势，增加了此方法的准确性。在 多重回归分析中， 采用相关分析，找到了 剔除掉因素之间有相关关系的因素，充分考虑模型的正确性。通过回归分析，我们将能够得到暂时的模型，本文将严格对模型进行 准差、精度以及 其中之一未通过，我们将不能 采用这个模型，应重新建立模型。如此反复，直至最终得到我们理想的模型。事实上，本文最终得到的模型都是适用的，但是从更加严谨的方向考虑，我们选取两个模型的值得区间作为本次预测模型的最终结果。 二 . 模型构建前的准备 （一） . 数据的收集与整理 1. 数据 对比网络购物市场发达国家，中国网络购物市场无论是在交易规模还是用户规模以及盈利模式上都相对比较落后，所以数据资源有限，我们只找到了 2001年至今的相关数据，但随着中国网民数量的增加和网络购物市场的成熟，网络购物市场展现出巨大的发展潜力，因此我们对未来网络购物交易规模的发展趋势进行预 测 表 1 我国网上购物交易规模和用户规模表 年份 交易规模（亿元） 2001 7 5 2002 13 2003 18 2004 51 2005 157 2006 258 2007 561 2008 009 2630 数据来源：艾瑞网 中国网络购物市场发展数据报告数据 表 2 多重线性回归模型数据 年份 交易规模（亿元） 用户规模（万人） 互联网普及率（ %） 居民工资总额（亿元） 居民消费价格指数(居民消费支出 商品零售价格指数 社会消费品零售总额（亿元） 2001 7 375 002 13 843 003 18 1520 004 51 2240 9501 2005 157 3251 006 258 4310 01 76410 2007 561 5337 16 9210 2008 000 009 2630 10900 据来源：艾瑞网和国家统计局报告数据 注 ：其中， 2007 年用户规模，根据 2004 年、 2005 年、 2006 年的数据估算出来的，同时 2001 年得互联网普及率，由 2002 年、 2003 年、 2004 年数据估算而来，并不会影响本文模型适用性的分析。 6 2. 数据折线图及趋势线 图 1 指数多项式趋势线和数据分布 = 图 2 三次多项式趋势线和数据分布 7 图 3 四次多项式趋势线和数据分布 （二） . 观察趋势线找寻适合的模型 观察已知的 10 年的数据作出的折线图，并画出其趋势线，如图所示，虽然四次多项式的使用率较 低，但是基于四次多项式的 2R 的值更接近于 1，并其2R 高于另外两个曲线，故本文将首先从四次多项式模型着手分析数据。四次多项式回归模型： 44332210 （ 1） （ 1）式中，我们将时间作为自变量 X，应变量即为每年网上购物的交易规模。但是在现实生活中 ，对于复杂多变的网络经济中网购交易规模的预测 ，往往不能只由一个 影响因素加以解释。根据 调查到数据 之间的相关关系，建立多个自变量的回归模型，当变量间的结构关系在未来无大的变动时，以自变量的预测值求得预测对象的未来值，即为多重回归分析法。 由于涉及多个自变量，因此也称为多元线性回归分析法。其原理与简单回归分析法基本相同，只是由于因素的增加，加大了计算工作量，且当个因素之间的关系复杂时，自变量的选择十分困难。于是我们加入了对相关数据的多重分析 ，通过与简单回归分析的比较来提高我们的预算准确度。 故本文 又采取 多重回归分析法 ，加入 对 用户规模、互联网普及率、居民工资总额、居民消费价格指 数、居民消费支出、商品零售价格指数、社会消费品零售总额这些相关因素的数据来加强对 我国 网上购物的交易规模进行预测 的准确度 。 Y 与 X 之间存在的线性关系，从理论上可以表述为： 0 1 1 2 2Y = b + b b X X e （ 2） 8 （ 2）式中， 在理论回归模型中，0j=1,2， ， k）虽未知但均为某一固定数值，称为回归系数； e 是除i=1,2， ， k）以外的，是可以忽略的随机因素即随机干扰项， 即随机干扰项；而 在实际回归模型的建立中，0j=1,2， ， k）是实际回归系数， e 为残差项（回归余项）。 （三） . 因素的选取，分析因素 的可靠性 在统计预测过程中，为预测对象选择适当的回归变量是预测成功的基础，要选择那些对预测对象确有较大 影响且能定量描述的因素作为自变量。 在预测模型中包含与预测对象关系不大的因素，或说对 预测对象影响不显著的因素，既增大计算工作量，又降低预测精度。若选择的自变量虽然对预测对象影响甚大，但彼此间高度线性相关，违背了回归分析的基本假设，会导致一系列的错误，则模型不能用于预测。 所以 对于自变量的选择，要 慎重再慎重，我们根据预测标准的 两条准则 来选择数据 ：一是选择的自变量应是那些与预测对象密切相关的因素；二是所选择的自变量之间不能有较强的线性关系。 影响网上购物交易规模的因素主要有三 方面：一是 互联网的 普及， 二是 主要针对消费者 的需求， 三是关于商品 的供给。互联网的普及取决于互联网的普及率，选择网上购物的消费 者人数，网站数量等上网条件和人数相关；消费者的需求取决于消费者的工资总额、顾客的消费支出，消费者的消费价格指数，消费者得年龄、性别、教育程度等消费者的自身情况相关；商品的供给取决于零售价格指数，社会消费品零售总额，商品种类和运输费用等商品方面的因素相关。显然，选择网上购物的消费者人数和顾客的消费支出可以作为网上交易规模的两个主要影响因素，而网站数量、顾客的 性别等作为直接的影响因素不大适合，还有就是商品种类、消费者得年龄、教育程度难以进行平均统计并且对网上交易规模的影响比较复杂，所以我们对数据进行了筛选和确定 ，如下： （ 1）本文选取的四次多项式模型中，以时间为自变量，网络购物交易规模为因变量。 （ 2）多重回归模型分析中，我们选取， 用户规模、互联网普及率、居民工资总额、居民消费价格指数、居民消费支出、商品零售价格指数、社会消费品零售总额这 作为相关 的 影响因素。 因素分析中选择的因素，是否能够作为自变量进入预测模型，还要通过定量分析。一种简单可行的办法是进行相关分析，即分别计算预测对象与各影响因素的简单相关关系，选择那些与预测对象相关程度高者作为自变量。一般相关系数小于 0,8 的因素视为相关程度不高，而被舍弃不纳入预测 模型。对某些拿不准是否应舍弃的因素，也可暂时保留，待模型检验后再做决定。 9 根据表 3 提供的数字，计算简单相关系数列入表 4。 民消费价格指数和商品零售价格指数与网上购物交易规模 的简单相关系数较低，其余变量 交易规模、互联网普及率、用户规模、居民工资总额、居民消费支出、社会消费品零售总额 与 网上购物交易规模 的简单相关系数均大于 此，将变量居民消费价格指数（ 掉，其余暂时保留。 表 3 相关矩阵 年份交易规模（亿元）居民消费支出用户规模（万人）社会消费品零售总额（亿元）互联网普及率（% ）居民工资总额（亿元）商品零售价格指数居民消费价格指数(001 7 75 3 43 8 520 1 240 59501 57 251 58 310 76410 01 61 337 89210 16 000 630 0900 . 建立模型及检验 （一） . 检验概念明确 ： 以下检验，将成为我们判断模型可行性的有力证据，故首先我们需要明确以下 5 个概念： 1. T 检验 ： 即回归系数的显著性检验，用于判断变量 之间的线性假设是否合理。此检验由于主要由于要用参数 t 值，所以称之为 t 检验。 检验假设：0H： b=0。 . 2( ( ) ) /b x x S （ 3） 22 ( ) / Y n该值 ( ) ( ) aP t n t n a服从 t 分布，可以通过 t 分布表查得显著性水平为 决定是接受还是否定0 10 若可以拒绝0H。它表明回归系数显著不为 0，参数的 t 检验通过。回归系数显著，说明 之间的线性假设合理，这意味着，所选择的自变量能比较有效的解释预测对象的变化。 若则不能拒绝0H，它表明回归系数为 0 的可能性较大，参数的 归系数不显著，说明对于变量 之间的线性假设不合理，意味着模型中的自变量无法较好的解释预测对象的变化，应重新考虑。 2. F 检验； T 检验考察的是自变量 X 与因变量 Y 之间线性假设的合理性。回归方程的显著性检验 ，是利用方差分析所提供的 F 统计量，检验预测模型的总体线性关系的显著性。 检验假设：0H： b=0 22( ) /( ) / 1Y Y n k （ 4） 统计量 F 服从 F 分布，即 ( , 1 )F F k n k。在 F 分布表中，查找显著性为a，自由度为12 1n n k 的 F 值 ( , 1)aF k n k， k 为自变量的个数。将 , 1)aF k n k比较，能够判断接受原假设0 , 1 ) k n k 拒绝0H，回归方程较好地反映了自变量 X 与 Y 之间的线性关系，回归效果显著，方程的 F 检验通过。这意味着，预测模型从整体上看适用。 若 ( , 1 ) k n k 不能拒绝0H，回归方程不能很好地反映了自变量 X 与 归效果不显著，方程的 F 检验未通过。这意味着，预测模型不能被采用。 3. 验 上面的两个检验，能够对线性假设的合理性加以识别。对回归余项正态分布的假设，要求并不十分严格。因为 虽然迄今尚无有效的统计检验，但由于它来自大量的、对因变量 Y 影响很小的不重要因素，因而当样本数据个数较多，其它假设得到满足时，可以认为回归余项服从正态分布。回归余项线性独立的假设是严格的。如果回归余项存在自相关，即回归余项之间不是相互独立，而是有明显的相关关系，那么应用最小二乘法就会产生很多问题，如回归系数的估计值虽然是11 无偏的，但不具有最小方差性质， t 检验， F 检验不能严格应用等。为保证预测模型使用，需要对回归余项的线性对立假设进行检验。通常采用 验，即序列的自相关检验。 设回归余项序列的自相关系数为 b， 假设检验：0H： b=0 计算回归余项的 验值即统计量 d 21221() （ 5） 根据给定的显著性水平 a，样本数据的个数 n 和自变量的个数 k 查找由立的 ，得到下限值计算的 d 与Ld、以判定接受或否定0H。 若 4d d ，不能拒绝0H，回归余项无序列相关。 若 0，拒绝0H，回归余项有正序列相关。 若 44 ，拒绝0H，回归余项有负序列相关。 d d， 44d d 检验没有结论，即回归余项有无序列相关无法判定。 只有当回归余项无序列相关时， 验通过，模型才可以用于预测。其它情况不能认为 验通过，应分析查找原因，重新建立模型，直到 验通过，方可用于预测。 4. 回归标准差检验 回归标准差， 2( ) / Y n （ 6） 接近于 0，说明模型对样本数据的偏差越小，预测的可靠程度越高； 数值越大，模型偏差样本数据越大，用于预测的可靠程度越差。因此，对于预测模型，总是力求有一个极小的 但在实际问题中， 往较大，要求其趋于 0，极为困难。为评价预测模型的优劣，通常采用指数 当 15% 时，可以认为预测模型为优。 5. 预测精度检验 任何预测对象的实际观察值都可以由某种模型加某种随机影响确定，即 12 观察值 =模型 +随机项 事实上，任何社会经济现象始终存在着不确定性，故随机项总是存在。无论预测方法的使用如何得当，预测模型对历史数据的拟合程度怎样高，观察值与预测值之间仍然存在偏差。 误差值： e =Yi i 尽量使误差减少到最低限度，即尽可能提高预测精度，是研究预测方法，实际设计预测方案的一项重要任务。 （二） . 模型建立 1. 四 次多项式模型建立 四 次多项式回归模型，所需变量值，及预测值如下表 2 所示： 表 4 四次多项式预测我国网上购物的交易规模 年份 实际值 x x2 x3 x4 预测实际值 2001 7 1 1 1 1 002 13 2 4 8 16 003 18 3 9 27 81 004 51 4 16 64 256 005 157 5 25 125 625 006 258 6 36 216 1296 007 561 7 49 343 2401 008 64 512 4096 009 2630 9 81 729 6561 1） 初次用 回归分析得到四次多项式预测有： 13 得其四次多项式模型为： 4)6 2 7 00 )9 8 9 05 )9 2 1 07 0 4 67 在 95%的显著性水平下， R 检验通过。 在 95%的置信区间里， 83 ()9( 8331.1 在 95%的显著性水平下， F ， F 检验值为 同时根 据公式可以求出，在 95%的显著性水平下，此时本模型的 两个模型的拟合优度都非常的不错在 99%以上。由图 4、图 5 易看出，的 四次多项式模型的 总体 拟合优度较多重回归分析模型 的拟合优度更高一些。 两个模型都能够很好的通过回归系数的显著性检验（ T 检验）、回归方程的显著性检验（ F 检验）、自相关检验（ 验）、回归标准差检验以及预测精度检验。 其中回归标准差用于预测模型的优劣，两个模型即四 次多项式模型、多重回归分析模型都是优等的模型。 四次多项式的精度 多重回归分析的精度 比较而言调整后的四 次多项式的精度要高于多重回归分析的精度。 最终我们得到 2011 年、 2012 年、 2013 年预测值分别为： 四 次多项式的 网上购物交易规模 预测值： 元 、 元、元 。 多重回归分析的 网上购物交易规模 预测值： 元 、 元 、 元 。 图 4 四次多项式拟合优度 图 5 多重回归分析拟合优度 五 . 结论 与建议 通过以上分析，从模型历史数据看，考虑到四次多项 式模型的精度略高于多重回归分析模型，并且四次多项式的拟合优度却高于多重回归分析的模型，理论上考虑用四次多项式的模型作为本文对我国网上购物的交易规模预测的模型。但18 考虑到模型存在的误差，我们结合四次多项式模型及多重回归分析模型对本文研究内容作预测，最终得到以下结果： 四次多项式模型为： 4)6 2 7 00 )9 8 9 05 )9 2 1 07 0 4 67 多重回归分析模型为： 4) 预测得我国 2009 年、 2010 年、 2011 年外国人入境旅游人数分别为： 2011 年 元 2012 年 元 2013