基于灰关联的电子商务与物流关系实证分析

郑承志

( 黎明职业大学 商学院， 福建 泉州 362000 )

0 引言

随着我国电子商务的快速发展，其交易规模日益扩大.资料[1]显示,2018年我国电商总交易规模已达32.55万亿元，直接从业人员365万人，间接从业人员2 750万人，为我国经济增长做出了重要贡献.电子商务的快速发展离不开物流的支撑，同时它也促进了物流的快速发展.目前，已有很多学者对电子商务与物流的关系进行了研究，但大多是定性研究，实证分析较少.例如：温辉[2]采用向量自回归模型(VAR)考察了1997—2012年互联网上网人数与货物周转量的关系，其研究结果显示电子商务与物流之间具有格兰杰因果关系.汪军等[3]采用误差修正模型(ECM)考察了2003—2014年电子商务交易规模与快递业务量的关系，其研究显示两者之间存在长期均衡关系.陈宾[4]采用2005—2014年的电子商务和快递行业数据分别构建了电子商务综合发展指数和快递综合发展指数，并采用VAR模型考察了两者的关系，其研究结果显示电子商务与快递业务之间具有长期稳定的协整关系.张鸿等[5]采用VAR模型考察了2004—2015年我国各省及直辖市电商交易额和货物周转量的关系，其研究结果显示物流的发展水平与电子商务呈明显的双向正效应.冯居易等[6]采用ECM模型考察了2008—2017年我国网络零售交易规模与快递业务量、快递业务收入(季度数据)之间的关系，其研究结果显示电子商务与快递业务间存在长期均衡关系.韩静等[7]从基础设施、经营规模、可持续发展3个方面分别构建了电子商务和物流的评价指标体系，并采用灰关联分析计算了安徽省这两个产业间的灰关联系数，发现2014—2017年安徽电子商务与物流产业的协同度呈U型浮动状态.在上述文献研究中，文献[2-3]和[5-6]对电子商务及物流的测度指标单一，其分析结果所包含的信息量偏少，因此参考价值有限；文献[4]和[7]虽然分别构建了电子商务和物流(快递)的综合评价指标，但只对两个综合性指标之间的关系进行了分析，其参考价值同样有限.本文采用灰关联分析法对我国2008—2018年电商总交易规模及B2B、网络零售、跨境电商交易规模与物流总货物周转量、铁路货物周转量、公路货物周转量、水路货物周转量、民用航空货物周转量以及快递业务量之间的关联度进行实证分析，以期得出更全面、更具参考价值的研究结果，为政府相关部门制定电子商务政策提供参考.

1 灰关联分析法

目前，解决不确定性的研究方法主要有概率统计、模糊数学以及灰系统理论3种,其中灰系统理论主要用以解决小样本、贫信息不确定性问题.该方法的优点是可利用少量数据进行建模，能够弥补概率统计必须依据大量数据且样本必须服从某种典型分布才能有效计算的问题.灰关联分析(GRA，grey relational analysis)是灰理论的建模方法之一，其基本思想是依据序列数据的曲线几何形状相似度来判断序列数据的关联度，相似度越高关联度越大，反之越小[8].以各种电商交易额和各种货物周转量及快递业务量(年度数据)作为电子商务和物流行业的测度因素，对电子商务与物流的关联程度进行实证分析具有显著的小样本、贫信息特征，因此本文采用灰关联分析法计算各种货物周转量和快递业务量与各种电商交易额的灰关联系数，以此评判电子商务与物流的关联度.

假定有m个经规范化处理的数据序列，每个序列有n个数据点，则数据序列可表示为si={si(1),si(2),…,si(n)}， 1≤i≤m.假定参照数据序列为s0={s0(1),s0(2),…,s0(n)}, 则si(1≤i≤m)与s0在第k(1≤k≤n)个数据点的灰关联系数[9]129为

(1)

式中：γ∈[0,1]为分辨系数，典型值为0.5； 1≤i≤m； 1≤j≤m； 1≤k≤n； 1≤l≤n.n个数据点的灰关联系数的均值即为时间序列si(1≤i≤m)与s0的灰关联系数.

2 电子商务与物流关联系数的计算

2.1 数据与规范化

基于2008—2018年各种货物周转量与快递业务量、电商交易额、B2B交易额、网络零售交易额以及跨境电商交易额的年度数据计算电子商务与物流的关联系数.表1给出的是2008—2018年各电商交易额、物流货物周转量及快递业务量的原始数据，其中物流(包括快递)数据来源于国家统计局公布的年度数据，电子商务数据来源于网经社-电子商务研究中心的电子商务行业数据库[1].

表1 2008—2018年电商交易额、物流货物周转量和快递业务量的原始数据

表2 2008—2018年电商交易额、物流货物周转量和快递业务量的规范化数据

2.2 关联系数的计算

首先以电商总交易额序列作为参照，利用公式(1)计算总货物周转量、铁路货物周转量、公路货物周转量、水路货物周转量、民航货物周转量、快递业务量6个序列在各数据点与电商总交易额序列的关联系数，结果如表3所示.表3中最后一行给出的是2008—2018年各数据点关联系数的均值，此值即为各时间序列与电商总交易额序列的关联系数.

采用同样方法计算6个序列(总货物周转量、铁路货物周转量、公路货物周转量、水路货物周转量、民航货物周转量、快递业务量)与B2B交易额、跨境电商交易额、网络零售交易额序列的关联系数，分别得： 0.573 8、 0.548 0、 0.614 3、 0.560 0、 0.647 5、 0.756 6； 0.569 5、 0.545 6、 0.607 6、 0.555 8、 0.639 2、 0.798 7；0.536 5、 0.509 2、 0.565 7、 0.527 5、 0.589 6、 0.947 1.

表3 物流货物周转量和快递业务量与电商总交易额的关联系数

3 结果与讨论

3.1 结果与校验

根据2.2中的计算结果，各电商交易额与各货物周转量、快递业务量的关联系数如表4所示.由表4可以看出，快递业务量与各电商交易额的关联系数在0.75～0.95之间，各货物周转量与各电商交易额的关联系数在0.50～0.65之间，说明快递业务量与各电商交易额的关联性很高，而各货物周转量与各电商交易额的关联程度一般.

表4 电子商务与物流的关联系数

因灰关联分析缺少对结果正确性的校验方法，本文采用线性回归分析校验上述分析结果.以铁路、公路、水路、民航的货物周转量及快递业务量作为自变量(因总货物周转量包含铁路、公路、水路及民航的货物周转量，所以将其排除在自变量之外)，分别以电商总交易额、B2B交易额、跨境电商交易额以及网络零售额作为因变量进行线性回归.线性回归结果显示，R2值分别为0.993 4、 0.995 1、 0.989 9、 0.998 7，都非常接近1；显著性F值分别为1.93×10-5、 9.32×10-6、 9.80×10-6、 3.13×10-7，都远小于0.05.该结果说明，各回归分析中的自变量对因变量具有显著意义.4次回归的自变量P值如表5所示.表5中，以不同电商交易额作为因变量时，快递业务量的P值均远小于0.05，而其他自变量的P值则均大于0.05.这说明对于所有的电商交易额，快递业务量都是显著性因素，而铁路、公路、水路及民航的货物周转量则为非显著性因素.上述结果说明表4结果具有合理性.

表5 自变量p值

3.2 讨论

一般认为：两个变量之间的关联系数介于0～0.35之间时，关联程度较小，耦合作用不明显；介于0.35～0.65时，关联程度一般，耦合作用中等；介于0.65～0.85时，关联程度较高，耦合作用较明显；介于0.85～1时，关联程度非常高，耦合作用非常明显；等于1，则表示两个变量完全相关[10].由表4可知:快递业务量与网络零售额的关联系数接近1，说明二者几乎完全相关；快递业务量与电商总交易额、B2B交易额、跨境电商交易额的关联系数介于0.65～0.85之间，表明快递业务量与电商总交易额、B2B交易额、跨境电商交易额的关联程度较高，耦合作用较明显；民航、公路、水路、铁路的货物周转量与各电商交易额的关联系数介于0.35～0.65之间，说明民航、公路、水路、铁路的货物周转量与各电商交易额的关联程度一般，耦合作用中等.由表4还可知，铁路、公路、水路、民航的货物周转量和快递业务量与不同电子商务指标的关联系数大小的排序一致，从高到低分别为快递业务量、民航货物周转量、公路货物周转量、水路货物周转量以及铁路货物周转量.另外，由表1也可以看出，民航货物周转量比公路、水路、铁路的货物周转量虽然小了2个量级，但其与各电商交易额的关联度却均高于公路、水路和铁路的货物周转量，该结果说明对于电子商务而言，运输的速度因素比成本因素更为重要.