选址专家模型的自变量.doc

选址专家模型的自变量 影响新店利润的因素——规模（店面面积）、员工人数、 15～24岁的人口数、25～34岁的人口数、35～44岁的人口数、45～54岁的人口数、55岁以上的人口数、总人口数（人口数均指以店址为中心，半径为3公里的范围）、 城镇或店址附近的平均收入、 竞争者数目（半径为1公里的范围内，包括快餐店、酒吧和提供午餐的小餐馆）、 间接竞争者数目（半径为1公里的范围内不与Croq Pain直接竞争的餐馆）、 非餐饮业的商业客户数目（半径为1公里的范围内）、 零售业的月租金（美元/平方米）、 生活费用指数、 资本投入（此变量不包含在模型中）。 Croq Pain的目标是得到税后16%的资本回报率（利用折现的现金流量法），也就是用营业收入除以资本投入的比率达到26%。公式如下： 绩效比率=（销售收入-变动成本）/资本投入=营业收入/资本投入 数据分析过程 （一）是否应该使用统计模型 Michel通过专家意见法得到了可能影响新店利润的各种变量，包括规模、员工人数、顾客人数、人均收入、竞争状况和当地经济状况的各种指标。他想通过建立一个多元回归模型来找出影响营业收入的显著因素，这种定量分析要比专家会议调查法和德尔菲法等定性分析优越。经过查找相关文献（如迎宾旅店集团案例，Selecting Markets for Corporate Expansion: A Case Study in Applied Demography, Demographics: A Casebook for Business and Government, P129-143,Westview Press），公司进行市场拓展（选址）时为得到影响营业收入的变量而使用多元回归模型是一种比较有效的方法。以模型为基础的选址方法是可行的。 （二）回归模型的运用 从相关系数矩阵来看，几个年龄阶段的人口数之间存在着很强的线性相关关系，15～24岁人口数与35～44岁人口数的相关系数为0.982，与45～54岁人口数的相关系数为0.981。正是由于变量之间的高度相关，造成了多重共线性，从而会使有些自变量无法通过单参数显著性检验。为克服多重共线性，并使回归结果相对简洁，采用逐步回归法。 采用逐步回归法得到的可决系数为0.848，拟合程度优良；D-W值为2.125；不存在自相关；整体参数显著性检验通过。 从表1可以看出，使用逐步回归法后，进入的变量是35～44岁人口数、规模、非餐饮业的商业客户数目、平均收入和月租金。 （三）模型的预测 利用60个样本得到的回归模型对专家列出的10个新店的营业收入做预测，得到以下结果。 根据表2所示，只有Toulouse和Montpellier的预测绩效比率超过了26%，按Croq’Pain预定的标准，这两处可作为新开店址的首选。同时，Dijon的指标达到23%，接近26%，考虑到模型的均方根误差比较大，Dijon也应在考虑之列。 （四）判别分析的运用 尽管回归模型的判断正确率较高，但预测精度稍差，在判断接近临界指标的样本时存在一定的困难。我们试图通过其它的数据分析方法来克服这个缺陷。在回归模型的验证部分，将总体分为高于26%和低于26%的两部分，得到了很好的验证结果，一定程度上意味着判别分析能够起作用。将60个样本中实际绩效比率高于26%的样本定义为高收益分店，将实际绩效比率低于26%的样本定义为低收益分店，生成了一个新的分类变量。通过判别分析，可以发现两类分店在预测变量方面是否有显著差异。在这个两组的判别分析中，总样本量为60份，随机抽取75%（45份）作为分析样本，产生判别函数，另外25%（15份）的样本作为验证样本。为克服变量之间的多重共线性和使判别能力强的变量进入判别函数，使用了逐步判别分析。假设“高收益分店”与“低收益分店”的先验概率由每组的样本量占总样本的比例给出，即选择compute from group sizes，采用的方法是Wilks Lambda，得到以下结果。由于BoxM统计量的显著性水平为0.234，大于0.05，所以不能拒绝各组案例协方差矩阵相等的假设，满足进行判别分析的基本假设。 从表3可以看出，采用逐步判别分析后对区分高收益分店和低收益分店有显著影响的预测变量是15～24岁人口数、非餐饮业的商业客户数目、月租金和平均收入，与回归分析的结果略有差别（与随机抽取的样本有一定关系）。可做如下解释：35-44岁人口数在逐步回归分析中对营业收入有显著影响，而15～24岁人口数由于变量之间的高度相关没有进入；在判别分析中，35～44岁人口数对区分两类分店无显著作用，而15～24岁人口数对区分两类变量有显著作用。两种分析的结果并不矛盾，因为15～24岁年龄段正是35～44岁年龄段的下一代，父辈的生活观念和消费观念直接影响到下一