物流需求和服務業發展

摘?要：?使用1952年至2019年的時間序列數據來構建VAR模型，研究我國物流需求和服務業發展程度之間的關系問題。實證分析可以看出，我國物流需求量和服務業發展程度之間存在著長期均衡的協整關系，物流需求量和服務業發展程度之間存在相互促進的作用，即服務業的發展催生了物流行業的進步，同時物流行業的迅速成長也為服務業的發展帶來了強勁的推動力。

關鍵詞：?物流需求?服務業發展?VAR模型?協整關系?

一、引言??

現代物流是物品從供應地向接收地的實體流動過程，也是我國現代化高質量發展的重要驅因素。改革開放40多年以來，我國在快速的經濟發展中逐步成為了全球最大的物流市場和全球極具影響力的物流大國。物流業已經成為當今中國國民經濟的支柱產業和重要的現代服務業，也是我國打通國內國際雙循環的重要節拍器。在新冠疫情的背景下，未來十年我國將迎來物流業發展的重大戰略機遇期。但是中國的物流行業仍然存在許多問題，物流信息化和智能化與發達國家相比較滯后。利用統計學模型對物流需求進行預測分析，對中國物流業發展與規劃有著重要作用。

大多數文獻如何國華（2008）和陳丹、朱萍（2019）使用了灰色預測GM模型對物流需求進行預測[1][2]。而黃建華等人（2019）則使用了ARIMA—PCR模型預測了福建省的物流需求，胡鵬基（2019）使用ARIMA—BP模型對物流需求進行了預測[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中國的物流需求進行預測，選取了公路貨運量代表物流需求，第三產業產值作為服務業發展程度的度量，使用多元回歸分析進行建模。由于所選取的兩個變量都是時間序列，具有不平穩的特征，不能用經典回歸，因此我們對變量進行了協整分析，最終建立了解釋變量與被解釋變量之間的VAR（3）模型，并對物流需求進行了預測。

本文將按如下順序展開：第二部分介紹數據來源和模型設定。第三部分建立實證模型并進行簡單分析。第四部分通過協整檢驗來支撐本文實證結果。最后一部分總結全文，給出研究結論并提供政策性建議。

二、數據來源和模型設定??

（一）模型設定??

本文基于向量自回歸（Vector?Autoregressive，文中簡寫為VAR）模型來研究我國物流需求和服務業發展水平的關系問題，其中用于構造階數為p的VAR模型的一般表達式如下：

其中zt為多元時間序列向量，0是一個k維常數項量，并且對于i>0，i是k×k維矩陣，p≠0，at是獨立同分布隨機向量序列，其均值為0，協方差矩陣Σa為正定矩陣。

之所以選取VAR是因為該模型屬于非結構化模型，無須較強的經濟理論作為建模的基礎，而且該模型可以同時考察變量之間的短期波動關系和長期均衡關系，相較于其他模型而言該模型更適合本文所要研究的問題，同時文中還使用了VARMA模型和ECM—VAR模型用于比較和穩健性檢驗。

（二）數據來源和變量解釋??

為了分析物流需求和服務業發展的關系問題，本文分別選取了公路貨運量（trans）和第三產業產值（tert）作為解釋變量和被解釋變量。樣本選取了1952—2019年的年度數據，數據均來源于CSMAR（China?Stock?Market?&?Accounting?Research?Database）數據庫。

表1中給出了這些數據的一些基本的描述性統計，圖1中將這些數據繪制成時序圖，從圖中可以很明顯的看出兩個時間序列存在著一個共同向上的趨勢，它們并不是平穩序列，因此需要對其進行對數差分處理，對數差分后的時序圖如圖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Tsay（2014）給出的定階方法來選擇AR階數，從輸出結果來看，采用AIC、BIC和HQ準則選擇的階數分別為13、1和3，我們根據BIC和HQ準則分別選擇了VAR（1）和VAR（3）來進行建模[5]。

對于VAR（1）模型，剔除不顯著的AR參數之后，擬合模型為：

殘差協方差矩陣為：.

圖4給出了式中VAR（3）模型的多元Ljung—Box統計量的p值圖。從圖中可以看出這個模型較好地處理了低階動態相依性和高階的交叉相關性。相對于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業發展之間的動態關系。從該模型中我們可以看出，物流需求量的提升能夠促進服務業的發展，但是并沒有顯著的證據表明服務業的發展能夠帶動物流需求量的提升。

進一步，本文通過VAR（3）模型的擬合，預測了未來五年我國的物流需求量和服務業發展水平。在未來的五年里，我國的第三產業產值將達到609138.3億元、687250.3億元、773522.8億元、872526.7億元、984496.0億元，公路貨運量將達到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業發展水平都會受到不同程度的限制，但是預計總體向上的趨勢仍然不會改變。

（二）向量自回歸移動平均模型??

除了向量自回歸模型之外，我們還考慮了向量自回歸移動平均模型。本文使用擴展的交叉相關矩陣來確定階，從表2的p值中可以看出，這兩個序列模型為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）進行簡要說明，其他幾個模型的估計結果相對較差。

圖5給出了式中VARMA（1，1）模型的多元Ljung—Box統計量的p值圖。在圖中，大部分點都不能拒絕原假設，即殘差中不存在交叉相關性，但是其中有個別點在5%的顯著性水平下顯著。暫且認為該模型成功地刻畫了數據的動態相依性，但是根據模型擬合出的數值來看，并不能很好的吻合經濟學理論，因為Zt-1前的稀疏矩陣中的第2、3項都為負值，這意味著物流需求和服務業發展存在著負向的影響，而實際上這兩者應當是單方面或是相互促進的作用。

（三）脈沖響應分析??

脈沖響應函數是對于某一內生變量對于殘差沖擊的反應，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態變化過程。具體而言，該分析方法描述的是在隨機誤差項上施加一個標準差大小的沖擊后對內生變量的當期值和未來值所產生的影響。在圖6和圖7中分別給出了VAR（3）模型的脈沖響應函數圖和累計函數圖，

通過脈沖響應函數圖和累計響應函數圖我們可以看出，物流需求量的提升對其自身以及服務業的發展都有著正向沖擊，但是服務業的發展只對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）模型中的初步結果提供了進一步的證據。

三、協整檢驗??

經典的回歸模型是建立在平穩數據變量的基礎上，而不適用于非平穩變量，否則會出現虛假回歸等問題。現實生活中，有些序列本身變化雖然是非平穩的，但是序列與序列之間卻存在非常密切的長期均衡關系，為此，Engle和Granger提出了協整概念，這一概念的提出有非常重要的意義，非平穩序列容易產生偽回歸問題，而偽回歸之所以會發生，是因為殘差序列不平穩，如果非平穩序列之間具有協整關系，就說明殘差序列平穩，那就不會產生虛假回歸問題。

首先，本文使用了增廣Dickey—Fuller檢驗，對物流需求和服務業發展的時間序列進行了一元單位根檢驗，證實了上述時間序列均為單位根非平穩序列。基于前文選擇的VAR（3）模型，在協整檢驗中使用VAR（2）模型，而在估計中使用VAR（3）的設定。

令滯后階數K=2和ct=c0表示協整中常數項，協整檢驗顯示特征值分別為0.3513、0.0667。

從表3中可以看出，不能拒絕r=1的原假設。協整向量為g=（1，-2.1628）′。該向量是經過標準化之后得出的，因此第一個元素為1。進一步對上述時間序列進行ECM—VAR（3）模型的估計，該模型也實現了較好的擬合。圖8給出了ECM模型殘差的Ljung—Box檢驗統計量的p值。

四、結論與建議??

本文基于向量自回歸模型，對物流需求和服務業發展水平進行了建模與分析，通過VAR（3）模型較好地擬合了物流需求和服務業發展水平之間的互動關系，并進一步使用脈沖響應函數加以證明。此外，本文還對兩個非平穩時間序列進行了協整檢驗，檢驗結果表明我們研究的時間序列之間具有協整關系。根據協整檢驗的結果我們還進一步擬合了ECM—VAR（3）模型。

本文基于VAR（3）模型進行了預測，預計在2024年我國的公路貨運量將超過500億噸，第三產業產值將接近100萬億元。雖然受到新冠疫情的影響物流需求和服務業發展水平都會受到不同程度的限制，但是預計總體向上的趨勢仍然不會改變。

綜上所述，我國的物流需求和服務業發展之間存在著一定的良性互動關系，物流需求量的提升能夠促進服務業的良好運??[LL]轉。因此，我國各省市政府應科學規劃物流系統，增加對物流節點、物流運輸等基礎設施的投資，根據當地的地理特征，合理選取物流園區的地址，適當降低稅收，保重在未來物流需求持續增長時物流運輸的供給不拖后腿，實現物流供需平衡。同時也要注重發展服務貿易，提升服務業發展質量，培養優秀物流人才，增強核心競爭力，推動物流系統合理布局，促進物流系統的高效運轉，進一步擴大物流業的發展，為經濟發展作出更大的貢獻。

參考文獻：

[1]何國華.區域物流需求預測及灰色預測模型的應用[J].北京交通大學學報（社會科學版），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測分析[J].物流科技，2019，42（10）：131—133.

[3]黃建華，陳嚴鐺，盧簫揚.基于ARIMA—PCR模型的福建省物流需求預測[J].武漢理工大學學報（信息與管理工程版），2019，41（06）.

[4]胡鵬基.基于Arima—BP的城市物流需求預測及發展對策研究[D].天津理工大學，2019.

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

（饒熠，上海對外經貿大學統計與信息學院）