物流需求和服务业发展

摘 要： 使用1952年至2019年的时间序列数据来构建VAR模型，研究我国物流需求和服务业发展程度之间的关系问题。实证分析可以看出，我国物流需求量和服务业发展程度之间存在着长期均衡的协整关系，物流需求量和服务业发展程度之间存在相互促进的作用，即服务业的发展催生了物流行业的进步，同时物流行业的迅速成长也为服务业的发展带来了强劲的推动力。

关键词： 物流需求 服务业发展 VAR模型 协整关系 

一、引言  

现代物流是物品从供应地向接收地的实体流动过程，也是我国现代化高质量发展的重要驱因素。改革开放40多年以来，我国在快速的经济发展中逐步成为了全球最大的物流市场和全球极具影响力的物流大国。物流业已经成为当今中国国民经济的支柱产业和重要的现代服务业，也是我国打通国内国际双循环的重要节拍器。在新冠疫情的背景下，未来十年我国将迎来物流业发展的重大战略机遇期。但是中国的物流行业仍然存在许多问题，物流信息化和智能化与发达国家相比较滞后。利用统计学模型对物流需求进行预测分析，对中国物流业发展与规划有着重要作用。

大多数文献如何国华（2008）和陈丹、朱萍（2019）使用了灰色预测GM模型对物流需求进行预测[1][2]。而黄建华等人（2019）则使用了ARIMA—PCR模型预测了福建省的物流需求，胡鹏基（2019）使用ARIMA—BP模型对物流需求进行了预测[3][4]。然而，他们都没有考虑到物流需求影响因素的交叉重叠的问题。因此本文为了更精确地对中国的物流需求进行预测，选取了公路货运量代表物流需求，第三产业产值作为服务业发展程度的度量，使用多元回归分析进行建模。由于所选取的两个变量都是时间序列，具有不平稳的特征，不能用经典回归，因此我们对变量进行了协整分析，最终建立了解释变量与被解释变量之间的VAR（3）模型，并对物流需求进行了预测。

本文将按如下顺序展开：第二部分介绍数据来源和模型设定。第三部分建立实证模型并进行简单分析。第四部分通过协整检验来支撑本文实证结果。最后一部分总结全文，给出研究结论并提供政策性建议。

二、数据来源和模型设定  

（一）模型设定  

本文基于向量自回归（Vector Autoregressive，文中简写为VAR）模型来研究我国物流需求和服务业发展水平的关系问题，其中用于构造阶数为p的VAR模型的一般表达式如下：

其中zt为多元时间序列向量，0是一个k维常数项量，并且对于i>0，i是k×k维矩阵，p≠0，at是独立同分布随机向量序列，其均值为0，协方差矩阵Σa为正定矩阵。

之所以选取VAR是因为该模型属于非结构化模型，无须较强的经济理论作为建模的基础，而且该模型可以同时考察变量之间的短期波动关系和长期均衡关系，相较于其他模型而言该模型更适合本文所要研究的问题，同时文中还使用了VARMA模型和ECM—VAR模型用于比较和稳健性检验。

（二）数据来源和变量解释  

为了分析物流需求和服务业发展的关系问题，本文分别选取了公路货运量（trans）和第三产业产值（tert）作为解释变量和被解释变量。样本选取了1952—2019年的年度数据，数据均来源于CSMAR（China Stock Market & Accounting Research Database）数据库。

表1中给出了这些数据的一些基本的描述性统计，图1中将这些数据绘制成时序图，从图中可以很明顯的看出两个时间序列存在着一个共同向上的趋势，它们并不是平稳序列，因此需要对其进行对数差分处理，对数差分后的时序图如图2所示。

三、模型建立及分析  

（一）向量自回归模型  

首先，本文采用VAR模型来分析。根据Tsay（2014）给出的定阶方法来选择AR阶数，从输出结果来看，采用AIC、BIC和HQ准则选择的阶数分别为13、1和3，我们根据BIC和HQ准则分别选择了VAR（1）和VAR（3）来进行建模[5]。

对于VAR（1）模型，剔除不显著的AR参数之后，拟合模型为：

残差协方差矩阵为：.

图4给出了式中VAR（3）模型的多元Ljung—Box统计量的p值图。从图中可以看出这个模型较好地处理了低阶动态相依性和高阶的交叉相关性。相对于VAR（1）模型而言，VAR（3）模型能够更好的拟合公路物流需求和服务业发展之间的动态关系。从该模型中我们可以看出，物流需求量的提升能够促进服务业的发展，但是并没有显著的证据表明服务业的发展能够带动物流需求量的提升。

进一步，本文通过VAR（3）模型的拟合，预测了未来五年我国的物流需求量和服务业发展水平。在未来的五年里，我国的第三产业产值将达到609138.3亿元、687250.3亿元、773522.8亿元、872526.7亿元、984496.0亿元，公路货运量将达到4202733万吨、4436176万吨、4546590万吨、5074159万吨、5385156万吨。虽然受到新冠疫情的影响物流需求和服务业发展水平都会受到不同程度的限制，但是预计总体向上的趋势仍然不会改变。

（二）向量自回归移动平均模型  

除了向量自回归模型之外，我们还考虑了向量自回归移动平均模型。本文使用扩展的交叉相关矩阵来确定阶，从表2的p值中可以看出，这两个序列模型为VARMA（1，1）。其他可能选择的模型包括VARMA（1，2）、VARMA（1，3）和VARMA（2，0）。本文使用VARMA（1，1）进行简要说明，其他几个模型的估计结果相对较差。

图5给出了式中VARMA（1，1）模型的多元Ljung—Box统计量的p值图。在图中，大部分点都不能拒绝原假设，即残差中不存在交叉相关性，但是其中有个别点在5%的显著性水平下显著。暂且认为该模型成功地刻画了数据的动态相依性，但是根据模型拟合出的数值来看，并不能很好的吻合经济学理论，因为Zt-1前的稀疏矩阵中的第2、3项都为负值，这意味着物流需求和服务业发展存在着负向的影响，而实际上这两者应当是单方面或是相互促进的作用。

（三）脉冲响应分析  

脉冲响应函数是对于某一内生变量对于残差冲击的反应，它能够揭示出冲击在模型中如何影响其他变量并作用于自身的动态变化过程。具体而言，该分析方法描述的是在随机误差项上施加一个标准差大小的冲击后对内生变量的当期值和未来值所产生的影响。在图6和图7中分别给出了VAR（3）模型的脉冲响应函数图和累计函数图，

通过脉冲响应函数图和累计响应函数图我们可以看出，物流需求量的提升对其自身以及服务业的发展都有着正向冲击，但是服务业的发展只对其自身有着正向冲击而不能影响物流需求量，这为我们VAR（3）模型中的初步结果提供了进一步的证据。

三、协整检验  

经典的回归模型是建立在平稳数据变量的基础上，而不适用于非平稳变量，否則会出现虚假回归等问题。现实生活中，有些序列本身变化虽然是非平稳的，但是序列与序列之间却存在非常密切的长期均衡关系，为此，Engle和Granger提出了协整概念，这一概念的提出有非常重要的意义，非平稳序列容易产生伪回归问题，而伪回归之所以会发生，是因为残差序列不平稳，如果非平稳序列之间具有协整关系，就说明残差序列平稳，那就不会产生虚假回归问题。

首先，本文使用了增广Dickey—Fuller检验，对物流需求和服务业发展的时间序列进行了一元单位根检验，证实了上述时间序列均为单位根非平稳序列。基于前文选择的VAR（3）模型，在协整检验中使用VAR（2）模型，而在估计中使用VAR（3）的设定。

令滞后阶数K=2和ct=c0表示协整中常数项，协整检验显示特征值分别为0.3513、0.0667。

从表3中可以看出，不能拒绝r=1的原假设。协整向量为g=（1，-2.1628）′。该向量是经过标准化之后得出的，因此第一个元素为1。进一步对上述时间序列进行ECM—VAR（3）模型的估计，该模型也实现了较好的拟合。图8给出了ECM模型残差的Ljung—Box检验统计量的p值。

四、结论与建议  

本文基于向量自回归模型，对物流需求和服务业发展水平进行了建模与分析，通过VAR（3）模型较好地拟合了物流需求和服务业发展水平之间的互动关系，并进一步使用脉冲响应函数加以证明。此外，本文还对两个非平稳时间序列进行了协整检验，检验结果表明我们研究的时间序列之间具有协整关系。根据协整检验的结果我们还进一步拟合了ECM—VAR（3）模型。

本文基于VAR（3）模型进行了预测，预计在2024年我国的公路货运量将超过500亿吨，第三产业产值将接近100万亿元。虽然受到新冠疫情的影响物流需求和服务业发展水平都会受到不同程度的限制，但是预计总体向上的趋势仍然不会改变。

综上所述，我国的物流需求和服务业发展之间存在着一定的良性互动关系，物流需求量的提升能够促进服务业的良好运  [LL]转。因此，我国各省市政府应科学规划物流系统，增加对物流节点、物流运输等基础设施的投资，根据当地的地理特征，合理选取物流园区的地址，适当降低税收，保重在未来物流需求持续增长时物流运输的供给不拖后腿，实现物流供需平衡。同时也要注重发展服务贸易，提升服务业发展质量，培养优秀物流人才，增强核心竞争力，推动物流系统合理布局，促进物流系统的高效运转，进一步扩大物流业的发展，为经济发展作出更大的贡献。

参考文献：

[1]何国华.区域物流需求预测及灰色预测模型的应用[J].北京交通大学学报（社会科学版），2008（1）：33—37.

[2]陈丹，朱萍.基于GM（1，1）模型的成都市物流需求预测分析[J].物流科技，2019，42（10）：131—133.

[3]黄建华，陈严铛，卢箫扬.基于ARIMA—PCR模型的福建省物流需求预测[J].武汉理工大学学报（信息与管理工程版），2019，41（06）.

[4]胡鹏基.基于Arima—BP的城市物流需求预测及发展对策研究[D].天津理工大学，2019.

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

（饶熠，上海对外经贸大学统计与信息学院）