guimow 快递业的饱和式竞争，为企业盈利提出了挑战。如何降本增效，获取到利润最大化、股东权益最大化，是企业亟待解决的问题。在这一快递背景之上，企业盈利指标的预测，对于盈利能力分析、企业盈利决策调整起到了正向辅助的作用。预测模型选择方面，灰色模型应用广泛、适用财务数据这种小样本。本文通过灰色EGM模型的优化，构建了多个灰色组合预测模型，根据相对误差最小原则择优选取。以民营快递企业——顺丰作为案例研究对象，计算处理企业各年度的财务数据，展开模型的赋值求解工作，由预测结果和已知数据，得到盈利数据和指标RPCE、CR的趋势。核心利润和利润总额未见明显提升，成本费用涨幅较大，RPCE呈下降趋势，CR同上期有所回落。最后给出顺丰盈利发展建议和意见。1.1研究背景
快递物流是改革开放的新兴产物，1979年通过引进的形式步入我国市场。40多年来，快速发展的经济水平和物流技术，大大助力了我国快递行业爆发式增长，越来越多的企业涉足寄递服务，并逐渐形成以民营快递为主、国有快递和外资企业为辅的三大快递主体。邮政局最新统计数据显示，2019年我国快递业务量和快递业务收入超出预期，分别较上一年增长25.26%、24.17%，达到635.2亿件、7497.8亿元。但是实际快递业务量增长率、单件收入、快递与包裹服务集中度CR8的变化并不乐观。2016-2019年我国快递业务量增长率呈逐年递减趋势。快递单件收入，较上一年下降了0.11元，为11.80元。CR8指数在2016-2019年攀升至82.5，且该指数上升的可能性极高。
综上表明，快递企业间竞争日趋激烈，为抢占市场而引发的“价格战”变得常态化。对于中小型快递企业，极大可能面临艰巨的并购危机；对于通达系、顺丰系等一线快递企业，如何平衡快递业绩、稳定市场份额，实现长期可持续盈利的目标，是企业亟待探讨的问题。为积极应对快递业洗牌期的考验，一味下调单票价格来吸引更多市场份额的行为是暂时的，企业需要做出经营方式的改进，包括调整企业资本结构、严格转运中心直营化管理、同电商加强合作机制等，向系统集成化、网络信息化、标准统一化、绿色生态化发展。但是管控力度的不到位，也必然会增加大量人力、物力、财力等成本的开支，对企业整体可能产生一定风险，尤其是盈利能力方面。
1.2研究意义
快递行业逐渐向头部企业靠拢，市场资源加速整合，规模经济效应更为凸显。处在这样一个变化多端的快递业环境，盈利数据的预测，不论是企业内外部，还是研究、实用角度，都是具有正向积极作用的。从企业内部层面，盈利预测体现了经营决策的正确与否，为管理者提供调整决策的依据。从外部使用者层面，盈利预测能够帮助债权人或投资者评价该企业的盈利能力，规避投资风险带来的损失。就研究角度出发，盈利预测利用原始数据的收集，使其产生相对价值，通过数据分析和预测来判断企业盈利能力。就实用角度出发，盈利预测借助数据，帮助企业更快、更早适应快递业的瞬息变化，以新的视角进行经营决策的部署。预测指标反映了在未来年度企业的盈利状况，包括营业收入、营业成本、成本费用、净利润等。因此，评价快递企业盈利能力、预测该企业未来年度的盈利趋势，成为了本文研究的焦点。
本文选择民营快递之一，顺丰速运作为研究对象，盈利预测的相关数据均源于企业公布的财务报表。考虑到财务数据样本数较少，本文利用灰色模型进行预测。根据传统的EGM模型，分别在背景值和残差上做优化改进，减少预测误差。最后，计算、分析盈利预测结果，提出有关盈利发展建议。
1.3国内外研究现状
1.3.1盈利能力研究
盈利能力作为财务分析之一，用于考核企业获取利润的能力，同企业价值、股东回报成正比。盈利体现了企业经营的出发点，也是其他目标实现程度的缩影。
王乐晨[2]将盈利能力视为一个企业立足和发展的根本，通过盈利能力的研究有助于该企业在行业竞争中脱颖而出。陈荣福[12]表示，盈利能力反映企业获取经营效益的多少，应从内外影响因素来提升盈利水平。其分支形式包括企业的营销能力、成本控制能力以及风险防范能力。樊卫雄[13]认为，经营活动最终得到的资源在超出成本和劳动总支出时，即为盈利。通过与市场的精准对接，提升成本费用的利用效率。
归纳樊卫雄[13]、陈华[14]关于影响盈利指标的因素，通常考虑生产技术、市场需求、营销能力、成本费用的控制、资产管理能力、负债权益比例等。王乐晨[2]整理了多个维度的盈利指标，经过因子分析法，得出企业的盈利能力与资产负债率的关系。在盈利分析层面，史继红《杜邦分析法在企业盈利模式分析中的应用研究》[15]指出，杜邦分析对于盈利能力评价分析起到关键作用，是企业经营状况和财务成果的体现。黄璐[16]基于财务报表提炼出盈利指标（销售净利率、权益乘数、总资产周转率、净资产收益率），探讨杜邦分析在中小企业运营决策、投融资决策的具体应用。Marioara Ilea，Lucica Armanca[19]在探究农业控股公司盈利时，结合杜邦系统和因子分析研究了企业收益率情况。
在盈利提升策略上，包括有盈亏临界点测算、注意市场开拓与销售收入的提升、强化成本管理、加强现金流管理、控制资产结构；有效利用财务杠杆，充分合理发挥财务杠杆的积极作用；摆脱了粗犷的发展模式，结合技术创新、组织创新，精准对接市场变化。
1.3.2预测模型研究
预测方法主要有定性和定量组成。定性预测法集中在专家判断，利用专家个人或集体的知识、经验和推理判断能力，对某一研究对象的未来做出直觉性预测的一种方法。尽管专家判断法预测成本低，专家责任的估计权数不易确定。定量预测法包括传统预测法和现代预测法，实际应用相对普遍。
回归分析法反映预测对象自变量和因变量的相互关系，在销售预测中得到广泛的运用。[4]构建模型需要的样本数据较多，通过逐步回归，对数据展开预测分析，且预测值较保守。
时间序列法是回归分析的一个分支，以企业持续经营为条件，顺应事物发展的延续性，将时间定义为预测对象变化的自变量，动态推测企业未来发展趋势。张强、董雪[9]运用时间序列模型，对若干年度的武汉市财政收入与各个类别收入数据进行了拟合，预测出了未来财政收入的项目。时间序列所需历史数据较少，计算处理便捷，由于不考虑外界因素影响，时间序列法准确性较差、一般只适用于短期的预测。
人工神经网络以生物神经系统为参照，依靠生物神经网络架构的工作方式和支配管理机制，在信息数据领域进行人工模拟。人工神经网络分为反向传播网络、循环BP网络、自组织映射网络等，处理单元数量多，能够得到统一或精细化管理。
灰色预测方法具有小样本的优势，不同于神经网络，能够对小样本数据进行预测分析。预测方向涵盖了宏观经济指数[1]、电商规模预测[8]、经济指标预测[10]、企业利润预测[11]等，可采用智能算法、残差修正、组合模型等改进。
综上所述，回归分析、时间序列属于传统预测，人工神经网络、灰色预测属于现代预测方法。
1.4研究内容及论文结构
1.4.1研究内容
本文针对灰色系统理论和GM模型展开介绍，在传统EGM的建立基础上，利用粒子群算法优化背景值Z、傅里叶公式对残差进行修正，构建多种灰色组合模型。结合民营快递企业——顺丰速运，收集整理12期财务数据（营业收入、利润总额、成本费用、核心利润），借助MATLAB赋值求解。选择最合适的灰色组合模型分别对四组数据进行未来4期的数据预测，综合财务数据、分析计算盈利指标RPCE和CR趋势变化，提出顺丰盈利发展建议。
1.4.2论文结构
第一章绪论，交代快递物流业寡头竞争情况、介绍企业盈利分析和数据预测模型的研究进展和学术应用，尤其是适用于小样本的灰色预测及模型的可选优化方法。
第二章灰色系统相关理论模型，分别是灰色系统理论、GM模型理论、数据检验及EGM建模、灰色预测模型优化选择。对应灰色系统概念及发展、灰色序列算子生成的概述、GM模型概念和分类、传统EGM建模，并对本文优化方法的理论展开概述。
第三章灰色组合模型建模，属于全文的主体部分，构建PSO_EGM、Fourier_EGM、PSO+Fourier_EGM组合模型，展开MATLAB赋值求解。在传统EGM模型的基础上，针对预测误差，利用粒子群背景值的重构、傅里叶残差修正改进EGM，实现误差的最小化。
第四章顺丰盈利能力预测。选择四组财务数据对应的最优组合模型，预测未来4期变化，同时计算分析核心利润率CR和成本费用率RPCE的趋势，由指标的变化以及灰色关联，给出盈利发展建议。建议集中在降本增效方面，包括营业收入的提高、成本费用的控制。
第五章结论与展望。通篇进行概括，总结文章尚且存在的不足，为后续工作的开展指明研究方向。
论文结构框架整理如下：
图1.1论文结构框架图
2灰色系统相关理论模型
2.1灰色系统理论
2.1.1灰色系统概念及发展
事物信息的特征并不是非黑即白，还包括了灰色不确定性的存在。灰色系统理论作为一门新兴的横断学科，重点用于解决“部分信息已知，部分信息未知”的小样本问题，通过灰色生成，增强已知数据的规律性，由研究对象的发展趋势，实现对未知信息的预测和模拟。
不同于其他预测方法，灰色系统理论是一种结合时间序列分析建立的灰色预测模型。需要的数据样本较少，结构较明确。加之模糊数学创始人扎德教授的互克性原理，灰色模型的拟合效果和误差值是比较理想和适用的。
灰色系统理论由1982年中国学者邓聚龙教授创立，得到了国内外学者的充分肯定和支持，在经济、生态、医学等领域均得到了广泛的应用。据不完全统计，国内学者在国际权威期刊发表的、和灰色系统理论相关的文章高达30000余篇，出版不同语种的灰色系统学术著作累计100余种。本文的核心思想就是建立灰色组合预测模型，预测财务数据、盈利指标的增减变化，分析企业的盈利趋势。
2.1.2灰色序列算子生成
原始数据可以接受多次序列算子的调整，得到K阶序列算子。序列算子的生成，有利于原始数据规律性的强化，尽可能规避冲击扰动项引起的数据失真。一般情况下，序列算子的处理可以分为级比生成、均值生成、累加生成和累减生成四种。
（1）、级比生成算子
原始序列，计算的级比
（21）
若该序列首尾数据未知，可以通过级比生成的方法来填补数据空缺。另外，级比生成也能够参与数据可行性检验。
（2）、均值生成算子
均值生成算子通常被用于空缺数据的填补，也称为无偏算子（首尾数据的补缺工作一般通过级比生成），当缺失数据处在非紧邻值和之间，那么
称之的内点，在难以衡量新老数据的比重时，取0.5
（22）
同理，当缺失数据处在紧邻值和之间，紧邻均值生成算子为
（23）
（3）、累加生成算子
（24）
该生成序列算子被称之为一次累加生成算子，记1-AGO，新序列的第K个数据是由上一序列对应的前K个数据相加。
同理，经过r次累加生成算子，r-AGO可以表示为
其中，新序列的各项数据满足
（25）
原始数据的累加生成，能够一定程度弱化本身的随机性，使数据更具规律性。在灰色预测模型建模过程中，习惯于对一阶累加生成序列加以紧邻均值生成。
（4）、累减生成算子
累减生成算子作为累加生成算子的逆算子，原始数据相减生成一组新的序列，即一次累减生成算子（1-IAGO）。同理经r次累减，可得算子
（26）
在本文灰色预测模型中，由累加生成的算子经过累减，得到累减生成算子，再同原始数据列展开关联和比对工作。
2.2 GM模型理论
2.2.1 GM模型概念
基于灰色系统理论，建立灰色模型（Grey Model）。其建模思想是利用少量、不完全系统行为数据序列进行加工，通过生成变换后的序列建立起的一种中长期、差分微分方程模型。得到的数据序列必须经过逆处理程序，最终确定模型的预测结果，实现系统内灰色因素由不明确转向明确的状态。常见的GM（0,N）、GM（1,N）、GM（2,1）以及灰色Verhulst模型等都属于灰色模型范畴。其中，GM（1,1）模型最为基础、且应用最广泛，是本文进行盈利预测研究所依托的基本模型形式。
2.2.2 GM（1,1）模型
GM（1,1）模型的基本形式主要是均值GM（1,1）、原始差分GM（1,1）、均值差分GM（1,1）、离散GM（1,1）四种，适用范围见表2.1所示。
表2.1 GM（1,1）模型分类
模型分类齐次指数
序列建模非指数增长/振荡序列建模近似齐次指数的非指数增长序列/振荡序列建模
均值GM（1,1）EGM可选择优先选择可选择
原始差分
GM（1,1）ODGM优先选择可选择优先选择
均值差分GM（1,1）EDGM优先选择可选择优先选择
离散
GM（1,1）DGM优先选择误差稍大优先选择
对比上述四种GM（1,1）模型的基本形式得出，ODGM、EDGM、DGM适用齐次指数、近似齐次指数的精确模拟，而对于小样本的不确定性系统建模倾向于使用EGM，即均值GM（1,1）模型。实际数据往往是非指数增长序列或者振荡序列，故选用EGM模型更为合适。
2.3数据检验及EGM建模
2.3.1可行性检验和数据预处理
考虑到原始数据的随机性，建模前期需通过级比、光滑比的检验，分析模型可行性，必要时增加平滑处理，降低数据波动对预测结果的影响。
（1）、数据可行性检验
关于级比，原始序列，生成1-AGO序列，级比计算公式为
（27）
当时，满足级比GM建模条件。否则，原始序列需要进行数据预处理，使级比落入该区间。
关于光滑比，原始序列，生成1-AGO序列，光滑比计算公式为
（28）
当时，满足光滑比GM建模条件。否则，原始序列需要进行数据预处理，使光滑比落入该区间。
（2）、平滑法数据预处理
关于首尾数据项的处理，给定计算公式
（29）
（210）
关于中间数据项的处理，给定计算公式
（211）
平滑法生成新数据序列，代替参加灰色模型预测。
2.3.2 EGM模型构建
原始序列，由式（2-4）得到1-AGO序列；
定义GM（1,1）模型的原始形式为，设表示为1-AGO的均值生成序列
（212）
定义GM（1,1）模型的均值形式，即灰色微分方程模型，式中，为灰导数，为白色背景值
灰微分方程模型作简单的移项，即
代入k=2,3,…,n，灰微分方程模型的矩阵形式为
（213）
令，，，代入（2-13）得到，转化为的最小二乘法求解
（214）
式中，为待定参数，为待辨识参数向量，为发展系数，为灰色作用量
根据GM（1,1）灰微分方程，对应导数，对应，得到
白化微分方程
（215）
求解方程，EGM模型的时间响应式为
（216）
上式累减还原原始序列的模拟值为
（217）
总结（2-16）、（2-17），对应的时间响应式为
（218）
2.3.3发展系数分析
研究发现，发展系数决定EGM模型的适用范围，不同的发展系数对应不同时期的预测。取为-0.3、-0.5、-0.8、-1，当，EGM模型适合中长期预测；，EGM模型适合短期预测；，EGM模型的预测结果需要进行残差修正；，EGM模型预测误差大，参考价值较低。
2.3.4误差产生及计算
盈利数据的预测结果受多方面因素影响，致使预测值和实际值无法达到100%的准确度。通常，预测误差产生于模型选用不当，即模型是否适用于该组数据，数据是否通过了可行性检验；预测方法不当，即数据的样本数是否符合模型，是否能够套入模型进行预测，一般而言，灰色模型要求的样本数较少，而神经网络需要大量的原始数据作为支撑；偶然性事件发生，即外界因素的不可抗力，使得数据受到影响，或是建模过程计算错误、判断错误，出现不同程度误差等。为提高预测精度，我们需要选择合适的数据样本、改进传统的灰色模型，缓和原始数据较大的波动对预测结果的影响。
误差评价指标包括绝对误差、相对误差、平均绝对误差、标准误差、后验差等，以相对误差检验指标最为常见，相对误差的计算公式和等级参照表如下。
（219）
表2.2相对误差精度等级
相对误差0.01 0.05 0.10 0.20
精度等级一级二级三级四级
2.4灰色预测模型优化选择
考虑到背景值Z参数取值和缓解数据波动的影响，本文选取粒子群算法改进灰色模型的背景值参数、利用傅里叶级数公式修正预测值，有效提高数据预测精度。下面就传统粒子群算法和傅里叶的理论及公式进行概述。
2.4.1粒子群算法理论
粒子群（Particle Swarm Optimization，简称PSO），在1995年学者Kennedy和Eberhart提出了该群体智能优化算法。PSO算法的特点有参数少、算法简单、全局寻优强，不需要求解问题的梯度信息等，多用于解决最优化搜索问题，包括数据预测、TSP问题、动态寻优。PSO起源于鸟群，即在一定区域、一块食物的前提下，鸟群根据同伴提供的位置信息和自身位置的调整，判断食物的距离并协同逼近目标值，帮助鸟群更快效率、更高质量地展开觅食和障碍规避行为，通过团队协作和信息共享，达到“1+1>2”的效果，顺利找到食物位置。图2.1所示为粒子群迭代寻优的基本实现步骤。
图2.1粒子群寻优步骤
2.4.2傅里叶修正理论
傅里叶级数是一种周期性变化的函数，可以用于随机噪声的消除。针对样本数据离散较大形成的预测误差，本文计划通过傅里叶变换公式，计算随机误差来优化GM模型，修正值和GM预测值求和得到最终的预测数据，实现预测精度的进一步提升，图2.2所示为傅里叶修正步骤。
图2.2傅里叶修正步骤
3灰色组合模型建模
近年来快递业持续“大鱼吃小鱼，小鱼吃虾米”的竞争格局。顺丰速运，国内快递标杆企业之一，于1993年正式成立，主营国内、国际快递及相关服务，早在1999年顺丰便完成了直营模式的转变。文章选择顺丰数据，在灰色预测模型展开赋值求解，分析盈利数据、指标的趋势、及时调整企业盈利方案。一系列求解分析的工作，对帮助顺丰在通达系、京东系等快递中寻找获利新渠道具有实际意义。
3.1财务数据采集与整理
建模前期数据收集，考虑顺丰上市前后的数据波动较大，不利于数据的分析和预测，故本文数据选取的时间范围是2017-2019年，拆分成12期的小样本进行灰色预测。首先，提取2017-2019年度利润表列示的会计科目，即营业收入、营业成本、营业税金及附加、费用支出（销售费用+管理费用+财务费用）、资产减值损失和利润总额。再者，由本季数据减去本年度上一季数据，预处理得到当期实际发生的各项收支，整理出12期财务数据，各期、各科目对应的原始数据序列见表3.1所示。
表3.1顺丰12期财务数据整理
单位：亿元
期数营业
收入营业
成本营业
税金及附加销售
费用管理
费用财务
费用资产
减值损失利润
总额
1 154.7095 123.6071 0.4108 3.1758 16.5532 1.1110-0.0145 10.3275
2 166.8999 129.8677 0.4394 3.1803 17.5529 0.5308 0.1001 15.5352
3 176.6501 142.5874 0.5118 3.4905 18.2805 0.2264 0.0550 22.9941
4 212.6836 172.1690 0.6298 3.7260 21.1126-0.3140 0.4970 16.1635
5 205.6995 169.4203 0.5519 4.3347 19.7271-0.1762 0.0069 13.3157
6 219.3365 175.2518 0.5415 5.2610 18.4281 0.2795 0.1301 16.6879
7 228.6420 188.6877 0.5241 4.8628 20.4149 0.8805 0.2188 10.5333
8 255.7489 213.0620 0.6055 3.7997 25.5714 1.8837 0.6796 18.1386
9 240.2796 197.0410 0.6205 4.2456 22.4913 1.7660 0.0000 15.6007
10 260.4674 204.4795 0.5896 4.5999 25.9453 1.5501 0.5411 23.6584
11 286.9539 234.0712 0.7271 5.4348 24.3776 2.0378-0.5411 16.9219
12 334.2330 290.9045 0.8591 5.6885 24.1785 1.4760 0.0000 18.0821
3.2 EGM模型赋值求解
（1）、原始数据导入
根据盈利指标RPCE、CR的计算公式，模型代入的原始数据需要计算处理为营业收入、利润总额、成本费用以及核心利润。其中，
1）核心利润计算公式：核心利润=营业收入-营业成本-营业税金及附加-销售费用-管理费用-财务费用
2）成本费用计算公式：成本费用总额=营业成本+营业税金及附加+销售费用+管理费用+财务费用+资产减值损失
（2）、数据可行性检验
命令读取表格文件，导入原始数据。
根据式（2-7）、（2-8），MATLAB计算得到四组数据的级比和光滑比，检验结果见表3.2-3.5列示。当且仅当条件满足且，四组原始数据才能建模预测。
表3.2营业收入可行性检验结果
检验项目（一）
营业收入级比光滑比
合理区间<2<0.5
K=3 1.4269 0.4269
K=4 1.2893 0.2893
K=5 1.2393 0.2393
K=6 1.2013 0.2013
K=7 1.1874 0.1874
K=8 1.1483 0.1483
K=9 1.1400 0.1400
K=10 1.1353 0.1353
K=11 1.1388 0.1388
检验结果通过通过
表3.3利润总额可行性检验结果
检验项目（二）
利润总额级比光滑比
合理区间<2<0.5
K=3 1.3308 0.3308
K=4 1.2048 0.2048
K=5 1.2130 0.2130
K=6 1.1108 0.1108
K=7 1.1718 0.1718
K=8 1.1261 0.1261
K=9 1.1698 0.1698
K=10 1.1038 0.1038
K=11 1.1005 0.1005
检验结果通过通过
表3.4成本费用可行性检验结果
检验项目（三）
成本费用级比光滑比
合理区间<2<0.5
K=3 1.4285 0.4285
K=4 1.2940 0.2940
K=5 1.2342 0.2342
K=6 1.2047 0.2047
K=7 1.1936 0.1936
K=8 1.1493 0.1493
K=9 1.1366 0.1366
K=10 1.1345 0.1345
K=11 1.1440 0.1440
检验结果通过通过
表3.5核心利润可行性检验结果
检验项目（四）
核心利润级比光滑比
合理区间<2<0.5
K=3 1.4181 0.4181
K=4 1.2273 0.2273
K=5 1.3062 0.3062
K=6 1.1589 0.1589
K=7 1.1119 0.1119
K=8 1.1312 0.1312
K=9 1.1914 0.1914
K=10 1.1400 0.1400
K=11 1.0673 0.0673
检验结果通过通过
结果显示，营业收入、利润总额、成本费用、核心利润这四组数据列，均通过了光滑比和级比可行性检验，不需要数据平滑处理，即可进入下一步的EGM模型预测。
（3）、传统EGM模型求解
以营业收入预测为例，在可行性检验模块得到1-AGO序列，即
绘制并观察营业收入的1-AGO序列，曲线趋势如图3.1所示。
图3.1营业收入的一次累加序列
按照第二章给出的传统EGM建模步骤，式（2-12）计算得到背景值Z、组合原始数据矩阵Y、矩阵B，
，，
定义空向量U，放置参数a、b。通过式（2-14）计算营业收入的发展系数a为-0.0600，灰色作用量b为156.5880。系数a属于区间，由2.3.3节判断出该数据列适用于中长期预测。
EGM模型的时间响应式（2-16）得到
式（2-17）累减还原得到1-12期营业收入的预测值为
步骤同上，利用MATLAB分别计算参数a、b，整理出四组预测数据的发展系数、灰色作用量，见表3.6所示。同时，表3.7-3.10分别计算出了EGM模型预测值及误差指标（残差、相对误差、平均相对误差、平均绝对误差）。
表3.6各财务数据的发展系数及灰色作用量
营业收入利润总额成本费用核心利润
发展系数a-0.0600-0.0096-0.0627-0.0199
灰色作用量b 156.5880 16.0756 143.6848 13.3494
模型适用范围中长期预测中长期预测中长期预测中长期预测
表3.7 EGM模型的营业收入预测
项目（一）
营业收入原值（亿元）预测值（亿元）残差相对误差
第1期154.7095 154.7095 0.0000 0.0000
第2期166.8999 170.9600-4.0602 0.0243
第3期176.6501 181.5407-4.8906 0.0277
第4期212.6836 192.7762 19.9074 0.0936
第5期205.6995 204.7070 0.9925 0.0048
第6期219.3365 217.3762 1.9603 0.0089
第7期228.6420 230.8296-2.1875 0.0096
第8期255.7489 245.1155 10.6334 0.0416
第9期240.2796 260.2856-20.0060 0.0833
第10期260.4674 276.3946-15.9272 0.0611
第11期286.9539 293.5006-6.5467 0.0228
第12期334.2330 311.6652 22.5678 0.0675
平均误差//9.1400 0.0371
表3.8 EGM模型的利润总额预测
项目（二）
利润总额原值（亿元）预测值（亿元）残差相对误差
第1期10.3275 10.3275 0.0000 0.0000
第2期15.5352 16.2521-0.7169 0.0461
第3期22.9941 16.4084 6.5857 0.2864
第4期16.1635 16.5661-0.4026 0.0249
第5期13.3157 16.7254-3.4097 0.2561
第6期16.6879 16.8862-0.1983 0.0119
第7期10.5333 17.0485-6.5153 0.6185
第8期18.1386 17.2125 0.9262 0.0511
第9期15.6007 17.3779-1.7773 0.1139
第10期23.6584 17.5450 6.1134 0.2584
第11期16.9219 17.7137-0.7918 0.0468
第12期18.0821 17.8840 0.1981 0.0110
平均误差//2.3029 0.1438
表3.9 EGM模型的成本费用预测
项目（三）
成本费用原值（亿元）预测值（亿元）残差相对误差
第1期144.8434 144.8434 0.0000 0.0000
第2期151.6713 157.7635-6.0923 0.0402
第3期165.1516 167.9809-2.8293 0.0171
第4期197.8204 178.8599 18.9604 0.0958
第5期193.8648 190.4435 3.4213 0.0176
第6期199.8920 202.7774-2.8854 0.0144
第7期215.5888 215.9100-0.3211 0.0015
第8期245.6018 229.8931 15.7088 0.0640
第9期226.1643 244.7818-18.6175 0.0823
第10期237.7056 260.6347-22.9292 0.0965
第11期266.1074 277.5144-11.4070 0.0429
第12期323.1066 295.4872 27.6194 0.0855
平均误差//10.8993 0.0465
表3.10 EGM模型的核心利润预测
项目（四）
核心利润原值（亿元）预测值（亿元）残差相对误差
第1期9.8515 9.8515 0.0000 0.0000
第2期15.3287 13.6818 1.6470 0.1074
第3期11.5535 13.9574-2.4039 0.2081
第4期15.3602 14.2385 1.1217 0.0730
第5期11.8416 14.5253-2.6837 0.2266
第6期19.5747 14.8179 4.7568 0.2430
第7期13.2720 15.1164-1.8444 0.1390
第8期10.8266 15.4208-4.5942 0.4243
第9期14.1153 15.7315-1.6161 0.1145
第10期23.3030 16.0483 7.2547 0.3113
第11期20.3054 16.3716 3.9339 0.1937
第12期11.1264 16.7013-5.5750 0.5011
平均误差//3.1193 0.2118
对比相对误差的精度等级参照表2.1，判断营业收入预测、利润总额预测等级均处在一级水平、成本费用预测等级为二级、核心利润预测等级为四级。就EGM模型误差，本文决定利用粒子群算法和傅里叶变换分别进行模型的改进。
3.3基于粒子群优化背景参数
3.3.1 PSO建模前准备
调整式（2-12）背景值计算，加入背景参数m，即
（31）
根据式（2-16）（2-17）得到数据的预测值G，残差为
（32）
将拟合预测序列的平均绝对误差作为计算标准，定义PSO的平均绝对误差函数function Y，即
（33）
自适应函数定义完成后，进入PSO遍历寻优环节，找到背景参数m以减小预测误差。首先，PSO基本参数的初始化。
popsize：粒子数，通常取值在20-40，本文确定群体个数为40；
generation：粒子循环的最大次数，合适的迭代次数决定了最优解的质量，迭代次数越高，耗时越长、求解精度越高，本文确定迭代次数为100；
w：惯性权重，通常取值在0.60-0.75，关系到粒子的历史速度对当前速度的影响，权重的偏大或偏小，对于全局搜索和局部搜索都是不利的；
c1、c2：加速常数（又称学习因子），类似惯性权重，影响粒子的收敛性；
、：粒子最快、最慢移动速度，本文确定=-0.25、=0.25；
、：粒子最大、最小移动范围，即背景参数取值范围，本文确定=0、=1；
为更好、更快的找到最优解，加入线性微分递减权值优化惯性权重、收缩因子改进传统的粒子群算法，提高粒子的搜索能力。设定最大惯性权重=0.9，最小惯性权重=0.5；学习因子c1=c2=2.1。
3.3.2 PSO_EGM模型建立
1-40个粒子进行位置和速度的初始化，每个粒子的初始位置、初始速度依次表示为
（34）
（35）
其中，rand产生一个0-1区间的随机数。
1-40个粒子和粒子群体极值的初始化，由适应度函数Y计算，分别赋值给初始个体最优解、个体最优位置、全局最优解、全局最优位置。
线性微分递减权值优化惯性权重，得到w计算公式
（36）
收缩因子优化收敛效果，得到计算公式
（37）
将式（3-6）、（3-7）代入，更新粒子速度，加以速度取值的约束，综合考虑记忆项、自身认知项、群体认知项，得到优化的速度更新公式
（38）
同理，位置取值约束，得到粒子位置更新公式
（39）
1-100的每一次迭代中，每个粒子和群体极值需要更新寻优。由适应度函数Y分别得到个体最优解、个体最优位置、全局最优解、全局最优位置，循环结束。
3.3.3 PSO_EGM赋值求解
利用PSO_EGM模型，计算背景参数m，代入式（3-1）重构背景值Z，进一步预测1-12期财务数据。以营业收入为例，导入原始数据及上述模型参数。
其中，根据式（3-7），得到收缩因子
模型在1-100次迭代、1-40个粒子中，当且仅当粒子位置在0.6190，即背景参数m最优取为0.6190，得到最优函数值，可以缩小传统EGM的预测误差。绘制粒子群迭代曲线如下图3.2所示。
图3.2营业收入粒子迭代曲线
将参数m代入EGM模型求解，整理得到四组数据的预测值和误差，见下表表3.11-3.14所示。
表3.11 PSO_EGM与EGM的营业收入预测对比
项目（一）
营业收入预测值（亿元）残差PSO_EGM
相对误差EGM
相对误差
第1期154.7095 0.0000 0.0000 0.0000
第2期169.6714-2.7716 0.0166 0.0243
第3期180.1018-3.4517 0.0195 0.0277
第4期191.1733 21.5102 0.1011 0.0936
第5期202.9255 2.7740 0.0135 0.0048
第6期215.4001 3.9364 0.0179 0.0089
第7期228.6416 0.0004 0.0000 0.0096
第8期242.6971 13.0518 0.0510 0.0416
第9期257.6166-17.3370 0.0722 0.0833
第10期273.4533-12.9859 0.0499 0.0611
第11期290.2636-3.3096 0.0115 0.0228
第12期308.1072 26.1258 0.0782 0.0675
平均误差/8.9379 0.0360 0.0371
背景参数0.6190///
表3.12 PSO_EGM与EGM的利润总额预测对比
项目（二）
利润总额预测值（亿元）残差PSO_EGM
相对误差EGM
相对误差
第1期10.3275 0.0000 0.0000 0.0000
第2期15.9612-0.4260 0.0274 0.0461
第3期16.1508 6.8433 0.2976 0.2864
第4期16.3426-0.1791 0.0111 0.0249
第5期16.5367-3.2210 0.2419 0.2561
第6期16.7331-0.0452 0.0027 0.0119
第7期16.9319-6.3986 0.6075 0.6185
第8期17.1330 1.0056 0.0554 0.0511
第9期17.3365-1.7358 0.1113 0.1139
第10期17.5424 6.1160 0.2585 0.2584
第11期17.7508-0.8288 0.0490 0.0468
第12期17.9616 0.1205 0.0067 0.0110
平均误差/2.2433 0.1391 0.1438
背景参数1.0000///
表3.13 PSO_EGM与EGM的成本费用预测对比
项目（三）
成本费用预测值（亿元）残差PSO_EGM
相对误差EGM
相对误差
第1期144.8434 0.0000 0.0000 0.0000
第2期155.8968-4.2255 0.0279 0.0402
第3期165.8925-0.7409 0.0045 0.0171
第4期176.5290 21.2913 0.1076 0.0958
第5期187.8476 6.0172 0.0310 0.0176
第6期199.8919 0.0001 0.0000 0.0144
第7期212.7084 2.8804 0.0134 0.0015
第8期226.3467 19.2552 0.0784 0.0640
第9期240.8594-14.6952 0.0650 0.0823
第10期256.3027-18.5971 0.0782 0.0965
第11期272.7361-6.6287 0.0249 0.0429
第12期290.2232 32.8834 0.1018 0.0855
平均误差/10.6013 0.0444 0.0465
背景参数0.6669///
表3.14 PSO_EGM与EGM的核心利润预测对比
项目（四）
核心利润预测值（亿元）残差PSO_EGM
相对误差EGM
相对误差
第1期9.8515 0.0000 0.0000 0.0000
第2期13.2871 2.0416 0.1332 0.1074
第3期13.5948-2.0414 0.1767 0.2081
第4期13.9097 1.4505 0.0944 0.0730
第5期14.2318-2.3901 0.2018 0.2266
第6期14.5613 5.0133 0.2561 0.2430
第7期14.8985-1.6266 0.1226 0.1390
第8期15.2436-4.4169 0.4080 0.4243
第9期15.5966-1.4812 0.1049 0.1145
第10期15.9577 7.3453 0.3152 0.3113
第11期16.3273 3.9781 0.1959 0.1937
第12期16.7054-5.5790 0.5014 0.5011
平均误差/3.1137 0.2092 0.2118
背景参数1.0000///
综上，对比传统EGM模型的相对误差，可以发现，营业收入、利润总额、成本费用以及核心利润在PSO背景值重构优化传统模型之后，都对预测误差产生了一定程度的缩小效果。其中，利润总额数据优化效果最明显。基本证明，通过PSO算法优化背景值这一方法有效，可以用来减小EGM模型的预测误差，向更高的预测精度提升。
3.4基于傅里叶变换修正残差
3.4.1 Fourier_EGM模型建立
根据傅里叶级数，残差序列变换为
（310）
其中，，为常数
（311）
（312）
由EGM模型得到残差序列
（313）
结合式（3-10），代入k和i后，残差序列
（314）
令残差序列=E，傅里叶系数向量=C，
=P，
最小二乘法求解系数向量C，各系数重新代入到式（3-10），得到随机误差，用于调整原先的预测值。傅里叶残差修正后的最终预测值即
（315）
3.4.2 Fourier_EGM赋值求解
以营业收入为例进行傅里叶残差修正，式（3-12）求得N的值为4，已知营业收入关于EGM的残差序列为
利用傅里叶级数公式（3-10），得到系数矩阵P
计算傅里叶系数C，即
返回式（3-10），将a0、a1、a2、a3、a4、b1、b2、b3、b4系数代入，得到修正残差E1
补充修正残差E1，首项为0
E2的值用于修正预测值G，得到新的预测值，
步骤同上，MATLAB计算Fourier残差修正，最后整理出四组预测项目的预测值和误差，结果见下表3.15-3.18所示。
表3.15 Fourier_EGM与EGM的营业收入预测对比
项目（一）
营业收入预测值（亿元）残差Fourier_EGM
相对误差EGM
相对误差
第1期154.7095 0.0000 0.0000 0.0000
第2期167.0583-0.1584 0.0234 0.0243
第3期183.2597-6.6096 0.0097 0.0277
第4期208.7712 3.9123 0.0752 0.0936
第5期204.0717 1.6278 0.0031 0.0048
第6期215.6182 3.7183 0.0080 0.0089
第7期238.9996-10.3576 0.0357 0.0096
第8期234.8001 20.9488 0.0403 0.0416
第9期236.9298 3.3498 0.0972 0.0833
第10期277.4853-17.0178 0.0042 0.0611
第11期308.7133-21.7593 0.0530 0.0228
第12期307.7635 26.4695 0.0117 0.0675
平均误差/9.6608 0.0301 0.0371
表3.16 Fourier_EGM与EGM的利润总额预测对比
项目（二）
利润总额预测值（亿元）残差Fourier_EGM
相对误差EGM
相对误差
第1期10.3275 0.0000 0.0000 0.0000
第2期19.3639-3.8287 0.2003 0.0461
第3期20.7006 2.2935 0.1867 0.2864
第4期14.1654 1.9981 0.1485 0.0249
第5期15.3637-2.0480 0.1023 0.2561
第6期12.9494 3.7385 0.2359 0.0119
第7期14.4213-3.8880 0.2494 0.6185
第8期17.8882 0.2504 0.0373 0.0511
第9期20.0881-4.4874 0.1737 0.1139
第10期20.1002 3.5581 0.1080 0.2584
第11期14.7056 2.2164 0.1778 0.0468
第12期20.9958-2.9137 0.1721 0.0110
平均误差/2.6017 0.1493 0.1438
表3.17 Fourier_EGM与EGM的成本费用预测对比
项目（三）
成本费用预测值（亿元）残差Fourier_EGM
相对误差EGM
相对误差
第1期144.8434 0.0000 0.0000 0.0000
第2期154.3336-2.6623 0.0219 0.0402
第3期169.4907-4.3391 0.0098 0.0171
第4期196.2948 1.5255 0.0888 0.0958
第5期188.6695 5.1953 0.0084 0.0176
第6期198.3813 1.5106 0.0212 0.0144
第7期229.7103-14.1215 0.0648 0.0015
第8期222.3870 23.2149 0.0298 0.0640
第9期214.0677 12.0965 0.1349 0.0823
第10期258.9143-21.2088 0.0062 0.0965
第11期294.9859-28.8785 0.0666 0.0429
第12期291.8713 31.2353 0.0103 0.0855
平均误差/12.1657 0.0386 0.0465
表3.18 Fourier_EGM与EGM的核心利润预测对比
项目（四）
核心利润预测值（亿元）残差Fourier_EGM
相对误差EGM
相对误差
第1期9.8515 0.0000 0.0000 0.0000
第2期13.6818 1.6470 0.0605 0.1074
第3期13.9574-2.4039 0.0035 0.2081
第4期14.2385 1.1217 0.0828 0.0730
第5期14.5253-2.6837 0.0598 0.2266
第6期14.8179 4.7568 0.1456 0.2430
第7期15.1164-1.8444 0.4106 0.1390
第8期15.4208-4.5942 0.2479 0.4243
第9期15.7315-1.6161 0.5264 0.1145
第10期16.0483 7.2547 0.0871 0.3113
第11期16.3716 3.9339 0.1346 0.1937
第12期16.7013-5.5750 0.0833 0.5011
平均误差/3.6510 0.1535 0.2118
综上，与传统EGM模型的相对误差对比发现，营业收入、成本费用以及核心利润在经过傅里叶残差修正后，平均相对误差均显示出不同程度的减小，以成本费用效果最明显。说明该组合模型用于EGM残差修正有效，预测精度得到提升。
3.5粒子群和傅里叶组合建模
综合考虑PSO算法求解到的背景参数m、Fourier残差修正两种改进方法，将参数m代入EGM模型计算背景值Z，得到的预测值之后，加以残差修正。整理到财务数据预测结果见下表3.19-3.22。
表3.19 PSO+Fourier_EGM与EGM的营业收入预测对比
项目（一）
营业收入预测值（亿元）残差PSO+Fourier_EGM
相对误差EGM
相对误差
第1期154.7095 0.0000 0.0000 0.0000
第2期167.3385-0.4386 0.0140 0.0243
第3期183.1191-6.4690 0.0171 0.0277
第4期208.8552 3.8284 0.0831 0.0936
第5期204.3192 1.3802 0.0068 0.0048
第6期215.5113 3.8252 0.0005 0.0089
第7期239.3433-10.7012 0.0468 0.0096
第8期234.9795 20.7694 0.0302 0.0416
第9期236.9616 3.3180 0.0860 0.0833
第10期278.2302-17.7628 0.0183 0.0611
第11期308.3254-21.3714 0.0629 0.0228
第12期305.7743 28.4587 0.0070 0.0675
平均误差/9.8603 0.0311 0.0371
表3.20 PSO+Fourier_EGM与EGM的利润总额预测对比
项目（二）
利润总额预测值（亿元）残差PSO+Fourier_EGM
相对误差EGM
相对误差
第1期10.3275 0.0000 0.0000 0.0000
第2期19.3170-3.7818 0.2160 0.0461
第3期20.7207 2.2733 0.1987 0.2864
第4期14.1495 2.0141 0.1357 0.0249
第5期15.3211-2.0054 0.0913 0.2561
第6期12.9654 3.7225 0.2258 0.0119
第7期14.3653-3.8320 0.2437 0.6185
第8期17.8611 0.2775 0.0401 0.0511
第9期20.0874-4.4868 0.1763 0.1139
第10期19.9878 3.6705 0.1034 0.2584
第11期14.7807 2.1413 0.1755 0.0468
第12期21.3174-3.2353 0.1856 0.0110
平均误差/2.6200 0.1493 0.1438
表3.21 PSO+Fourier_EGM与EGM的成本费用预测对比
项目（三）
成本费用预测值（亿元）残差PSO+Fourier_EGM
相对误差EGM
相对误差
第1期144.8434 0.0000 0.0000 0.0000
第2期154.7297-3.0585 0.0077 0.0402
第3期169.2907-4.1391 0.0206 0.0171
第4期196.4128 1.4076 0.1005 0.0958
第5期189.0188 4.8460 0.0060 0.0176
第6期198.2294 1.6625 0.0083 0.0144
第7期230.1964-14.6076 0.0811 0.0015
第8期222.6414 22.9604 0.0151 0.0640
第9期214.1144 12.0498 0.1183 0.0823
第10期259.9719-22.2664 0.0154 0.0965
第11期294.4419-28.3346 0.0816 0.0429
第12期289.0562 34.0504 0.0036 0.0855
平均误差/12.4486 0.0382 0.0465
表3.22 PSO+Fourier_EGM与EGM的核心利润预测对比
项目（四）
核心利润预测值（亿元）残差PSO+Fourier_EGM
相对误差EGM
相对误差
第1期9.8515 0.0000 0.0000 0.0000
第2期13.2871 2.0416 0.0380 0.1074
第3期13.5948-2.0414 0.0369 0.2081
第4期13.9097 1.4505 0.0624 0.0730
第5期14.2318-2.3901 0.0808 0.2266
第6期14.5613 5.0133 0.1596 0.2430
第7期14.8985-1.6266 0.3988 0.1390
第8期15.2436-4.4169 0.2343 0.4243
第9期15.5966-1.4812 0.5358 0.1145
第10期15.9577 7.3453 0.0856 0.3113
第11期16.3273 3.9781 0.1286 0.1937
第12期16.7054-5.5790 0.0523 0.5011
平均误差/3.6886 0.1511 0.2118
综上，预测结果表明，粒子群和傅里叶同时作用于EGM模型，改进背景值和残差时，营业收入、成本费用、核心利润的误差相对减小，以核心利润误差减小幅度最为显著。证明该组合模型优化EGM有效。
4顺丰盈利能力预测
利用上述灰色组合预测模型，比较四个模型EGM、PSO _EGM、Fourier_EGM、PSO+Fourier_EGM求得的预测误差，选取顺丰速运各个财务数据最为适用的组合模型预测未来4期的数据。结合已知12期盈利情况，通过盈利指标成本费用利润率RPCE和核心利润率CR的计算公式，分析未来4期顺丰的盈利变化趋势，最后给出针对性的盈利发展建议。
4.1灰色预测模型误差对比
基于1-12期顺丰财务数据，整理出四个模型的预测误差进行两两比较，选择各个数据列误差最小的优化模型，预测后面4期的数据。营业收入、利润总额、成本费用、核心利润具体预测结果见表4.1-4.4。
表4.1营业收入的模型预测误差对比
项目（一）
营业收入EGM
相对误差PSO_EGM
相对误差Fourier_EGM
相对误差PSO+Fourier_EGM
相对误差
第1期0.0000 0.0000 0.0000 0.0000
第2期0.0243 0.0166 0.0234 0.0140
第3期0.0277 0.0195 0.0097 0.0171
第4期0.0936 0.1011 0.0752 0.0831
第5期0.0048 0.0135 0.0031 0.0068
第6期0.0089 0.0179 0.0080 0.0005
第7期0.0096 0.0000 0.0357 0.0468
第8期0.0416 0.0510 0.0403 0.0302
第9期0.0833 0.0722 0.0972 0.0860
第10期0.0611 0.0499 0.0042 0.0183
第11期0.0228 0.0115 0.0530 0.0629
第12期0.0675 0.0782 0.0117 0.0070
平均误差0.0371 0.0360 0.0301 0.0311
观察第一组营业收入数据，模型误差按从大到小排列依次是EGM>粒子群改进>粒子群和傅里叶组合优化>傅里叶残差修正，所以推荐使用傅里叶残差和EGM组合建模，预测未来4期的数据变化情况。
表4.2利润总额的模型预测误差对比
项目（二）
利润总额EGM
相对误差PSO_EGM
相对误差Fourier_EGM
相对误差PSO+Fourier_EGM
相对误差
第1期0.0000 0.0000 0.0000 0.0000
第2期0.0461 0.0274 0.2003 0.2160
第3期0.2864 0.2976 0.1867 0.1987
第4期0.0249 0.0111 0.1485 0.1357
第5期0.2561 0.2419 0.1023 0.0913
第6期0.0119 0.0027 0.2359 0.2258
第7期0.6185 0.6075 0.2494 0.2437
第8期0.0511 0.0554 0.0373 0.0401
第9期0.1139 0.1113 0.1737 0.1763
第10期0.2584 0.2585 0.1080 0.1034
第11期0.0468 0.0490 0.1778 0.1755
第12期0.0110 0.0067 0.1721 0.1856
平均误差0.1438 0.1391 0.1493 0.1493
观察第二组利润总额数据，模型误差按从大到小排列依次是粒子群和傅里叶组合优化=傅里叶残差修正>EGM>粒子群改进，所以推荐使用粒子群算法和EGM组合建模，预测未来4期的数据变化情况。
表4.3成本费用的模型预测误差对比
项目（三）
成本费用EGM
相对误差PSO_EGM
相对误差Fourier_EGM
相对误差PSO+Fourier_EGM
相对误差
第1期0.0000 0.0000 0.0000 0.0000
第2期0.0402 0.0279 0.0219 0.0077
第3期0.0171 0.0045 0.0098 0.0206
第4期0.0958 0.1076 0.0888 0.1005
第5期0.0176 0.0310 0.0084 0.0060
第6期0.0144 0.0000 0.0212 0.0083
第7期0.0015 0.0134 0.0648 0.0811
第8期0.0640 0.0784 0.0298 0.0151
第9期0.0823 0.0650 0.1349 0.1183
第10期0.0965 0.0782 0.0062 0.0154
第11期0.0429 0.0249 0.0666 0.0816
第12期0.0855 0.1018 0.0103 0.0036
平均误差0.0465 0.0444 0.0386 0.0382
观察第三组成本费用数据，模型误差按从大到小排列依次是EGM>粒子群改进>傅里叶残差修正>粒子群和傅里叶组合优化，所以推荐使用粒子群、傅里叶和EGM组合建模，预测未来4期的数据变化情况。
表4.4核心利润的模型预测误差对比
项目（四）
核心利润EGM
相对误差PSO_EGM
相对误差Fourier_EGM
相对误差PSO+Fourier_EGM
相对误差
第1期0.0000 0.0000 0.0000 0.0000
第2期0.1074 0.1332 0.0605 0.0380
第3期0.2081 0.1767 0.0035 0.0369
第4期0.0730 0.0944 0.0828 0.0624
第5期0.2266 0.2018 0.0598 0.0808
第6期0.2430 0.2561 0.1456 0.1596
第7期0.1390 0.1226 0.4106 0.3988
第8期0.4243 0.4080 0.2479 0.2343
第9期0.1145 0.1049 0.5264 0.5358
第10期0.3113 0.3152 0.0871 0.0856
第11期0.1937 0.1959 0.1346 0.1286
第12期0.5011 0.5014 0.0833 0.0523
平均误差0.2118 0.2092 0.1535 0.1511
观察第四组核心利润数据，模型误差按从大到小排列依次是EGM>粒子群改进>傅里叶残差修正>粒子群和傅里叶组合优化，所以推荐使用粒子群、傅里叶和EGM组合建模，预测未来4期的数据变化情况。
4.2顺丰财务数据预测
根据传统预测模型和组合优化模型的误差对比结论，分别选用各组数据最适合的预测模型，设时间响应式（2-16）中的，预测出顺丰未来4期的财务数据，见下表4.5所示。
表4.5财务数据4期预测结果
预测项目（亿元）营业收入利润总额成本费用核心利润
已知期数*12：
第1期154.7095 10.3275 144.8434 9.8515
第2期166.8999 15.5352 151.6713 15.3287
第3期176.6501 22.9941 165.1516 11.5535
第4期212.6836 16.1635 197.8204 15.3602
第5期205.6995 13.3157 193.8648 11.8416
第6期219.3365 16.6879 199.8920 19.5747
第7期228.6420 10.5333 215.5888 13.2720
第8期255.7489 18.1386 245.6018 10.8266
第9期240.2796 15.6007 226.1643 14.1153
第10期260.4674 23.6584 237.7056 23.3030
第11期286.9539 16.9219 266.1074 20.3054
第12期334.2330 18.0821 323.1066 11.1264
预测期数*4：
第13期332.6731 18.1750 312.2298 17.5185
第14期367.4318 18.3908 348.5167 16.5295
第15期372.5517 18.6093 350.8752 18.8502
第16期394.5253 18.8303 370.4637 21.4325
4.3盈利指标计算分析
4.3.1盈利能力评价指标的选择
盈利能力是企业财务分析的一个分支模块，主要研究的是企业的获利性、盈利收现性、盈利持久性和盈利增长性。为综合评价顺丰盈利能力，本文从获利性和盈利持久性出发，利用模型预测未来年度的盈利数据变化，计算分析核心利润率CR和成本费用利润率RPCE的趋势。
其一，核心利润率大小是企业经营活动的业绩成效的表现，能够综合衡量企业竞争力。其二，成本费用利润率反映出企业每耗费1元的成本费用可以获得多少的利润额。两项指标与盈利能力的强弱均成正比关系，即指标越高，经济效益就越好，企业的盈利能力越强，企业综合竞争实力越高。下面，给出RPCE、CR的计算公式：
（41）
（42）
4.3.2 RPCE和CR指标计算分析
MATLAB导入已知和预测数据。计算1-16期顺丰的成本费用利润率和核心利润率这两项盈利指标，分别绘制出成本费用利润率RPCE变化趋势图、影响RPCE的成本费用和利润总额变化图、核心利润率CR变化趋势图、影响该项指标的核心利润和营业收入变化图如下。
图4.1 RPCE指标变化
已知，成本费用利润率表明每支付1元的成本费用所能赚取的利润多少。从图4.1可以看出，顺丰在1-16期存在周期性变动，但是总体呈现出下降的一个趋势。指标在第1期为0.0713，12期仅0.0560，增长率为-21.46%。观察13期的预测数据，有较小幅度的上升，但14-16期的变化形势不尽如人意。在第16期，该指标结果为0.0508，每付出的1元成本费用，仅实现了0.0508元的利润，同比下降4.16%。顺丰的经济效益需要进一步的改善，在降低不必要开支的同时，提高运营效率。
图4.2成本费用和利润总额变化情况
由图4.2可见成本费用利润率的影响因素，成本费用和利润总额的变化。利润总额在各个期间的波动趋于平稳，基本是在16.9978亿元上下。而成本费用的增长趋势非常明显，预计会直线攀升至第16期的370.4637亿元，是第1期数据的2.56倍，这也是导致成本费用利润率持续走低的关键。
图4.3 CR指标变化
核心利润率是考察盈利持久性的重要指标之一，反映企业经营资产的综合盈利能力。观察图4.3变化情况，同成本费用利润率波动相似，存在明显的周期性，一般是在每年度的中期出现一个峰值。对于13-16期的预测值，整体上低于前期的指标，盈利能力有所降低。
图4.4核心利润和营业收入变化情况
考量营业收入和核心利润两项因素，营业收入预计呈直线上升，但是受到营业成本各方面的影响，核心利润并不突出。在第14-15期，营业收入预计增长10.45%，成本费用预计增长11.62%，高于营业收入1.17个百分点。核心利润趋势和利润总额类似，在1-16期间的波动趋于平稳，基本是在15.6744亿元上下。
4.4顺丰速运发展建议
同质化物流竞争背景下，顺丰盈利空间不断被压缩。根据已有财务数据和预测值分析，尽管营业收入稳步上涨，但核心利润和利润总额未见明显提升，成本费用或将达到370.4637亿元，这也直接导致了成本费用利润率下跌趋势，核心利润率较上期回落。故在营业收入和成本费用两个方向亟待做出改善，使得顺丰在快递业的地位稳中有进。
其一，在如何提升顺丰营业收入考虑，主张内外兼修。国内领域，继续投扩农村、电商等下沉市场，平衡中低端和高端市场布局，同时在末端配送方面加速快递企业间共配模式的合作，实现双方共赢，提高客户满意度。利用好“天网+地网+信息网”的物流资源优势，在物流科技领域加大投入，发展新的业务增长点。国际领域，为满足国内外对进出口产品的需求，深入国际快递运输业务，开通国际新航线、增加新货机，强化国际速运能力。
其二，在控制成本费用支出问题上，本文选取占比最大的营业成本作为研究对象，进行灰色关联分析。营业成本=职工薪酬+外包成本+运输成本+办公及租赁费+物资及材料费用+折旧费及摊销费用+销售商品成本+关务成本+IT及信息平台费+理赔成本+交通差旅费+税费+其他成本，由灰色关联方法判断顺丰子成本支出对营业成本的影响程度，有针对性地提出成本控制建议。灰色关联实现步骤整理如下：
（1）、指标体系分析及确定
式子分别对应顺丰2016-2019年度报表的13项营业成本的子成本，单位为亿元，即单一指标个数为4、指标对象为13。
（2）、参考数据列选择
2016-2019年度的顺丰的营业成本为
（3）、指标数据无量纲化
鉴于子成本和营业成本的单位相同，均是亿元，所以这里不需要无量纲化处理。
（4）、计算被评价指标序列与参考序列的绝对差值
（43）
根据式（4-3），得到各项成本同营业成本的绝对差值为
（5）、确定
MATLAB求得的结果为
（6）、计算子成本的关联系数
一般情况下，取为0.5，代入、、
（44）
（7）、计算关联度
（45）
关于顺丰各项子成本的关联情况，见表4.6所示：
表4.6营业成本的子成本关联序
营业成本构成
（单位：亿元）2016年2017年2018年2019年关联序r
职工薪酬94.4313 100.7304 120.0753 116.9222 0.7131
外包成本208.5664 279.2098 395.6328 538.2753 0.9184
运输成本73.9693 82.3792 94.1144 103.9457 0.6989
办公及租赁费27.2959 33.8591 49.4795 64.5562 0.6685
物资及材料费用22.6761 29.8956 37.4621 39.0925 0.6626
折旧费及摊销费用21.2304 27.3505 29.6930 37.4099 0.6607
销售商品成本0.1865 0.7515 3.9869 4.8286 0.6452
关务成本3.7625 3.2456 3.0070 2.8453 0.6461
IT及信息平台费2.6138 2.4521 2.2185 3.3308 0.6457
理赔成本4.6168 5.8624 6.8346 8.4590 0.6477
交通差旅费0.3591 0.5328 0.6987 0.9040 0.5445
税费0.0703 0.1046 0.0558 0.0502 0.6442
其他1.8734 1.8574 3.1632 5.8765 0.6458
营业成本合计461.6517 568.2311 746.4218 926.4962/
RPCE 0.0961 0.0986 0.0686 0.0705/
关联结果可知，2016-2019年度顺丰外包成本、职工薪酬、运输成本与营业成本的关联度较为紧密。其中，外包成本在2018-2019年同比增长36.05%，较上一年度增速41.70%而言，下降了5.65个百分点，运输成本较上年增长了10.45%，较上一年度增速14.25%，下降了3.80个百分点。虽然顺丰在成本支出方面有所改善，但是就成本费用利润率指标来看，顺丰依旧不能松懈成本方面的控制，最大程度上降低不必要成本的开销，尤其是关联密切的外包成本、职工薪酬和运输成本。利用好企业直营优势，强化直营管理。积极引进物流技术人才、开发信息化技术，企业由劳动密集型向数字化、数智化升级转型。加快5G技术的推广应用，智能仓储分拣机器人、自动导引运输小车、堆垛机等无人技术引进，助力智慧物流，减少人力线下操作，从而降低高额的用工成本。在运输成本方面，持续优化运输线路、网点布局，加强物流设备标准化和自动化，整体提升物流运输效率。
