物流需求和服務(wù)業(yè)發(fā)展

摘?要：?使用1952年至2019年的時(shí)間序列數(shù)據(jù)來構(gòu)建VAR模型，研究我國(guó)物流需求和服務(wù)業(yè)發(fā)展程度之間的關(guān)系問題。實(shí)證分析可以看出，我國(guó)物流需求量和服務(wù)業(yè)發(fā)展程度之間存在著長(zhǎng)期均衡的協(xié)整關(guān)系，物流需求量和服務(wù)業(yè)發(fā)展程度之間存在相互促進(jìn)的作用，即服務(wù)業(yè)的發(fā)展催生了物流行業(yè)的進(jìn)步，同時(shí)物流行業(yè)的迅速成長(zhǎng)也為服務(wù)業(yè)的發(fā)展帶來了強(qiáng)勁的推動(dòng)力。

關(guān)鍵詞：?物流需求?服務(wù)業(yè)發(fā)展?VAR模型?協(xié)整關(guān)系?

一、引言??

現(xiàn)代物流是物品從供應(yīng)地向接收地的實(shí)體流動(dòng)過程，也是我國(guó)現(xiàn)代化高質(zhì)量發(fā)展的重要驅(qū)因素。改革開放40多年以來，我國(guó)在快速的經(jīng)濟(jì)發(fā)展中逐步成為了全球最大的物流市場(chǎng)和全球極具影響力的物流大國(guó)。物流業(yè)已經(jīng)成為當(dāng)今中國(guó)國(guó)民經(jīng)濟(jì)的支柱產(chǎn)業(yè)和重要的現(xiàn)代服務(wù)業(yè)，也是我國(guó)打通國(guó)內(nèi)國(guó)際雙循環(huán)的重要節(jié)拍器。在新冠疫情的背景下，未來十年我國(guó)將迎來物流業(yè)發(fā)展的重大戰(zhàn)略機(jī)遇期。但是中國(guó)的物流行業(yè)仍然存在許多問題，物流信息化和智能化與發(fā)達(dá)國(guó)家相比較滯后。利用統(tǒng)計(jì)學(xué)模型對(duì)物流需求進(jìn)行預(yù)測(cè)分析，對(duì)中國(guó)物流業(yè)發(fā)展與規(guī)劃有著重要作用。

大多數(shù)文獻(xiàn)如何國(guó)華（2008）和陳丹、朱萍（2019）使用了灰色預(yù)測(cè)GM模型對(duì)物流需求進(jìn)行預(yù)測(cè)[1][2]。而黃建華等人（2019）則使用了ARIMA—PCR模型預(yù)測(cè)了福建省的物流需求，胡鵬基（2019）使用ARIMA—BP模型對(duì)物流需求進(jìn)行了預(yù)測(cè)[3][4]。然而，他們都沒有考慮到物流需求影響因素的交叉重疊的問題。因此本文為了更精確地對(duì)中國(guó)的物流需求進(jìn)行預(yù)測(cè)，選取了公路貨運(yùn)量代表物流需求，第三產(chǎn)業(yè)產(chǎn)值作為服務(wù)業(yè)發(fā)展程度的度量，使用多元回歸分析進(jìn)行建模。由于所選取的兩個(gè)變量都是時(shí)間序列，具有不平穩(wěn)的特征，不能用經(jīng)典回歸，因此我們對(duì)變量進(jìn)行了協(xié)整分析，最終建立了解釋變量與被解釋變量之間的VAR（3）模型，并對(duì)物流需求進(jìn)行了預(yù)測(cè)。

本文將按如下順序展開：第二部分介紹數(shù)據(jù)來源和模型設(shè)定。第三部分建立實(shí)證模型并進(jìn)行簡(jiǎn)單分析。第四部分通過協(xié)整檢驗(yàn)來支撐本文實(shí)證結(jié)果。最后一部分總結(jié)全文，給出研究結(jié)論并提供政策性建議。

二、數(shù)據(jù)來源和模型設(shè)定??

（一）模型設(shè)定??

本文基于向量自回歸（Vector?Autoregressive，文中簡(jiǎn)寫為VAR）模型來研究我國(guó)物流需求和服務(wù)業(yè)發(fā)展水平的關(guān)系問題，其中用于構(gòu)造階數(shù)為p的VAR模型的一般表達(dá)式如下：

其中zt為多元時(shí)間序列向量，0是一個(gè)k維常數(shù)項(xiàng)量，并且對(duì)于i>0，i是k×k維矩陣，p≠0，at是獨(dú)立同分布隨機(jī)向量序列，其均值為0，協(xié)方差矩陣Σa為正定矩陣。

之所以選取VAR是因?yàn)樵撃Ｐ蛯儆诜墙Y(jié)構(gòu)化模型，無須較強(qiáng)的經(jīng)濟(jì)理論作為建模的基礎(chǔ)，而且該模型可以同時(shí)考察變量之間的短期波動(dòng)關(guān)系和長(zhǎng)期均衡關(guān)系，相較于其他模型而言該模型更適合本文所要研究的問題，同時(shí)文中還使用了VARMA模型和ECM—VAR模型用于比較和穩(wěn)健性檢驗(yàn)。

（二）數(shù)據(jù)來源和變量解釋??

為了分析物流需求和服務(wù)業(yè)發(fā)展的關(guān)系問題，本文分別選取了公路貨運(yùn)量（trans）和第三產(chǎn)業(yè)產(chǎn)值（tert）作為解釋變量和被解釋變量。樣本選取了1952—2019年的年度數(shù)據(jù)，數(shù)據(jù)均來源于CSMAR（China?Stock?Market?&?Accounting?Research?Database）數(shù)據(jù)庫。

表1中給出了這些數(shù)據(jù)的一些基本的描述性統(tǒng)計(jì)，圖1中將這些數(shù)據(jù)繪制成時(shí)序圖，從圖中可以很明顯的看出兩個(gè)時(shí)間序列存在著一個(gè)共同向上的趨勢(shì)，它們并不是平穩(wěn)序列，因此需要對(duì)其進(jìn)行對(duì)數(shù)差分處理，對(duì)數(shù)差分后的時(shí)序圖如圖2所示。

三、模型建立及分析??

（一）向量自回歸模型??

首先，本文采用VAR模型來分析。根據(jù)Tsay（2014）給出的定階方法來選擇AR階數(shù)，從輸出結(jié)果來看，采用AIC、BIC和HQ準(zhǔn)則選擇的階數(shù)分別為13、1和3，我們根據(jù)BIC和HQ準(zhǔn)則分別選擇了VAR（1）和VAR（3）來進(jìn)行建模[5]。

對(duì)于VAR（1）模型，剔除不顯著的AR參數(shù)之后，擬合模型為：

殘差協(xié)方差矩陣為：.

圖4給出了式中VAR（3）模型的多元Ljung—Box統(tǒng)計(jì)量的p值圖。從圖中可以看出這個(gè)模型較好地處理了低階動(dòng)態(tài)相依性和高階的交叉相關(guān)性。相對(duì)于VAR（1）模型而言，VAR（3）模型能夠更好的擬合公路物流需求和服務(wù)業(yè)發(fā)展之間的動(dòng)態(tài)關(guān)系。從該模型中我們可以看出，物流需求量的提升能夠促進(jìn)服務(wù)業(yè)的發(fā)展，但是并沒有顯著的證據(jù)表明服務(wù)業(yè)的發(fā)展能夠帶動(dòng)物流需求量的提升。

進(jìn)一步，本文通過VAR（3）模型的擬合，預(yù)測(cè)了未來五年我國(guó)的物流需求量和服務(wù)業(yè)發(fā)展水平。在未來的五年里，我國(guó)的第三產(chǎn)業(yè)產(chǎn)值將達(dá)到609138.3億元、687250.3億元、773522.8億元、872526.7億元、984496.0億元，公路貨運(yùn)量將達(dá)到4202733萬噸、4436176萬噸、4546590萬噸、5074159萬噸、5385156萬噸。雖然受到新冠疫情的影響物流需求和服務(wù)業(yè)發(fā)展水平都會(huì)受到不同程度的限制，但是預(yù)計(jì)總體向上的趨勢(shì)仍然不會(huì)改變。

（二）向量自回歸移動(dòng)平均模型??

除了向量自回歸模型之外，我們還考慮了向量自回歸移動(dòng)平均模型。本文使用擴(kuò)展的交叉相關(guān)矩陣來確定階，從表2的p值中可以看出，這兩個(gè)序列模型為VARMA（1，1）。其他可能選擇的模型包括VARMA（1，2）、VARMA（1，3）和VARMA（2，0）。本文使用VARMA（1，1）進(jìn)行簡(jiǎn)要說明，其他幾個(gè)模型的估計(jì)結(jié)果相對(duì)較差。

圖5給出了式中VARMA（1，1）模型的多元Ljung—Box統(tǒng)計(jì)量的p值圖。在圖中，大部分點(diǎn)都不能拒絕原假設(shè)，即殘差中不存在交叉相關(guān)性，但是其中有個(gè)別點(diǎn)在5%的顯著性水平下顯著。暫且認(rèn)為該模型成功地刻畫了數(shù)據(jù)的動(dòng)態(tài)相依性，但是根據(jù)模型擬合出的數(shù)值來看，并不能很好的吻合經(jīng)濟(jì)學(xué)理論，因?yàn)閆t-1前的稀疏矩陣中的第2、3項(xiàng)都為負(fù)值，這意味著物流需求和服務(wù)業(yè)發(fā)展存在著負(fù)向的影響，而實(shí)際上這兩者應(yīng)當(dāng)是單方面或是相互促進(jìn)的作用。

（三）脈沖響應(yīng)分析??

脈沖響應(yīng)函數(shù)是對(duì)于某一內(nèi)生變量對(duì)于殘差沖擊的反應(yīng)，它能夠揭示出沖擊在模型中如何影響其他變量并作用于自身的動(dòng)態(tài)變化過程。具體而言，該分析方法描述的是在隨機(jī)誤差項(xiàng)上施加一個(gè)標(biāo)準(zhǔn)差大小的沖擊后對(duì)內(nèi)生變量的當(dāng)期值和未來值所產(chǎn)生的影響。在圖6和圖7中分別給出了VAR（3）模型的脈沖響應(yīng)函數(shù)圖和累計(jì)函數(shù)圖，

通過脈沖響應(yīng)函數(shù)圖和累計(jì)響應(yīng)函數(shù)圖我們可以看出，物流需求量的提升對(duì)其自身以及服務(wù)業(yè)的發(fā)展都有著正向沖擊，但是服務(wù)業(yè)的發(fā)展只對(duì)其自身有著正向沖擊而不能影響物流需求量，這為我們VAR（3）模型中的初步結(jié)果提供了進(jìn)一步的證據(jù)。

三、協(xié)整檢驗(yàn)??

經(jīng)典的回歸模型是建立在平穩(wěn)數(shù)據(jù)變量的基礎(chǔ)上，而不適用于非平穩(wěn)變量，否則會(huì)出現(xiàn)虛假回歸等問題?，F(xiàn)實(shí)生活中，有些序列本身變化雖然是非平穩(wěn)的，但是序列與序列之間卻存在非常密切的長(zhǎng)期均衡關(guān)系，為此，Engle和Granger提出了協(xié)整概念，這一概念的提出有非常重要的意義，非平穩(wěn)序列容易產(chǎn)生偽回歸問題，而偽回歸之所以會(huì)發(fā)生，是因?yàn)闅埐钚蛄胁黄椒€(wěn)，如果非平穩(wěn)序列之間具有協(xié)整關(guān)系，就說明殘差序列平穩(wěn)，那就不會(huì)產(chǎn)生虛假回歸問題。

首先，本文使用了增廣Dickey—Fuller檢驗(yàn)，對(duì)物流需求和服務(wù)業(yè)發(fā)展的時(shí)間序列進(jìn)行了一元單位根檢驗(yàn)，證實(shí)了上述時(shí)間序列均為單位根非平穩(wěn)序列?；谇拔倪x擇的VAR（3）模型，在協(xié)整檢驗(yàn)中使用VAR（2）模型，而在估計(jì)中使用VAR（3）的設(shè)定。

令滯后階數(shù)K=2和ct=c0表示協(xié)整中常數(shù)項(xiàng)，協(xié)整檢驗(yàn)顯示特征值分別為0.3513、0.0667。

從表3中可以看出，不能拒絕r=1的原假設(shè)。協(xié)整向量為g=（1，-2.1628）′。該向量是經(jīng)過標(biāo)準(zhǔn)化之后得出的，因此第一個(gè)元素為1。進(jìn)一步對(duì)上述時(shí)間序列進(jìn)行ECM—VAR（3）模型的估計(jì)，該模型也實(shí)現(xiàn)了較好的擬合。圖8給出了ECM模型殘差的Ljung—Box檢驗(yàn)統(tǒng)計(jì)量的p值。

四、結(jié)論與建議??

本文基于向量自回歸模型，對(duì)物流需求和服務(wù)業(yè)發(fā)展水平進(jìn)行了建模與分析，通過VAR（3）模型較好地?cái)M合了物流需求和服務(wù)業(yè)發(fā)展水平之間的互動(dòng)關(guān)系，并進(jìn)一步使用脈沖響應(yīng)函數(shù)加以證明。此外，本文還對(duì)兩個(gè)非平穩(wěn)時(shí)間序列進(jìn)行了協(xié)整檢驗(yàn)，檢驗(yàn)結(jié)果表明我們研究的時(shí)間序列之間具有協(xié)整關(guān)系。根據(jù)協(xié)整檢驗(yàn)的結(jié)果我們還進(jìn)一步擬合了ECM—VAR（3）模型。

本文基于VAR（3）模型進(jìn)行了預(yù)測(cè)，預(yù)計(jì)在2024年我國(guó)的公路貨運(yùn)量將超過500億噸，第三產(chǎn)業(yè)產(chǎn)值將接近100萬億元。雖然受到新冠疫情的影響物流需求和服務(wù)業(yè)發(fā)展水平都會(huì)受到不同程度的限制，但是預(yù)計(jì)總體向上的趨勢(shì)仍然不會(huì)改變。

綜上所述，我國(guó)的物流需求和服務(wù)業(yè)發(fā)展之間存在著一定的良性互動(dòng)關(guān)系，物流需求量的提升能夠促進(jìn)服務(wù)業(yè)的良好運(yùn)??[LL]轉(zhuǎn)。因此，我國(guó)各省市政府應(yīng)科學(xué)規(guī)劃物流系統(tǒng)，增加對(duì)物流節(jié)點(diǎn)、物流運(yùn)輸?shù)然A(chǔ)設(shè)施的投資，根據(jù)當(dāng)?shù)氐牡乩硖卣?，合理選取物流園區(qū)的地址，適當(dāng)降低稅收，保重在未來物流需求持續(xù)增長(zhǎng)時(shí)物流運(yùn)輸?shù)墓┙o不拖后腿，實(shí)現(xiàn)物流供需平衡。同時(shí)也要注重發(fā)展服務(wù)貿(mào)易，提升服務(wù)業(yè)發(fā)展質(zhì)量，培養(yǎng)優(yōu)秀物流人才，增強(qiáng)核心競(jìng)爭(zhēng)力，推動(dòng)物流系統(tǒng)合理布局，促進(jìn)物流系統(tǒng)的高效運(yùn)轉(zhuǎn)，進(jìn)一步擴(kuò)大物流業(yè)的發(fā)展，為經(jīng)濟(jì)發(fā)展作出更大的貢獻(xiàn)。

參考文獻(xiàn)：

[1]何國(guó)華.區(qū)域物流需求預(yù)測(cè)及灰色預(yù)測(cè)模型的應(yīng)用[J].北京交通大學(xué)學(xué)報(bào)（社會(huì)科學(xué)版），2008（1）：33—37.

[2]陳丹，朱萍.基于GM（1，1）模型的成都市物流需求預(yù)測(cè)分析[J].物流科技，2019，42（10）：131—133.

[3]黃建華，陳嚴(yán)鐺，盧簫揚(yáng).基于ARIMA—PCR模型的福建省物流需求預(yù)測(cè)[J].武漢理工大學(xué)學(xué)報(bào)（信息與管理工程版），2019，41（06）.

[4]胡鵬基.基于Arima—BP的城市物流需求預(yù)測(cè)及發(fā)展對(duì)策研究[D].天津理工大學(xué)，2019.

[5]Ruey?S.?Tsay，?2014.?Multivariate?Time?Series?Analysis?With?R?and?Financial?Applications?[M].John?Wiley?&?Sons，Inc.

（饒熠，上海對(duì)外經(jīng)貿(mào)大學(xué)統(tǒng)計(jì)與信息學(xué)院）