基于VAR模型的物流需求預測

（江漢大學 商學院，湖北 武漢 430010）

基于VAR模型的物流需求預測

向濤

（江漢大學 商學院，湖北 武漢 430010）

本文立足于物流業發展現狀，基于2000年以來的物流業統計年鑒數據，建立向量自回歸(VAR)模型，并基于該模型的預測方法對物流需求進行預測，從而為物流業的發展和政府的相關政策提供依據。

物流業；需求預測；向量自回歸；Stata

一、引言

物流業是融合運輸、倉儲、貨代、信息等產業的復合型服務業，是支撐國民經濟發展的基礎性、戰略性產業。加快發展現代物流業，對于促進產業結構調整、轉變發展方式、提高國民經濟競爭力和建設生態文明具有重要意義。我國物流業起步比較晚，專業化、信息化、社會化程度均不高，物流供需失衡現象較為顯著。為了促進我國物流業的健康發展，提高物流業發展的規模、水平與質量，本文結合我國目前物流需求現狀，并建立向量自回歸模型對未來三年物流需求進行科學預測，以期為決策者提供參考依據。

二、變量的選擇與數據說明

當前對物流業需求研究大多在區域物流、物流效率評價等方面，物流需求指標尚沒有形成規范的體系，物流業統計指標中貨物周轉量能夠在一定程度上反映物流業的發展情況和物流需求的大小，所以本文選取我國物流貨物周轉量作為變量進行時間序列分析。

本文使用Stata2014統計軟件進行數據處理和統計建模分析。向量自回歸模型主要研究的是一些經濟系統的動態性特征，較長的時間序列數據包含的信息更加全面，會使樣本外預測得更加準確。首先，我們從國家統計局網站上獲取1978年至2016年我國年度貨物周轉量數據，并使用scatter命令描繪出散點圖：

圖1 1978至2016年我國物流業貨物周轉量散點圖

如圖所示，從1978年至2005年我國貨物周轉量逐年升高，并且增速很快，在2005年后任然呈現增長趨勢，但增速放慢。這緣于我國物流業起步晚，在前期發展緩慢，隨著經濟的發展和互聯網技術的進步，2005年后物流業發展速度迅速增長。本文力求對物流需求進行相對準確的預測，本文選擇的預測方法是基于時間序列數據，考慮到VAR模型的短期預測能力較強，同時鑒于物流業的發展現狀，我們選擇2005至2016年的月度物流貨物周轉量數據進行預測，以保證貼近物流業的發展情況，提高預測的準確性。

三、建立向量自回歸模型

向量自回歸(VAR)模型是Sims在1980年首次提出來的，主要被應用于宏觀經濟學中一些具有相互關聯的時間序列系統，當對模型施加一些隨機擾動時，我們可以借助于此模型來觀察時間變量系統受擾動影響的情況，而且觀察的是動態的影響變化。在VAR模型之前學者們經常使用結構方程來進行預測，而此方法存在的最大的問題是方程組中的“決策規則”參數產生的問題，即使在正確的規則的基礎上，如果經濟政策一旦發生改變，那么參數還是無法保持其穩定性。而VAR模型則是建立在微觀化的基礎上的，對大部分經濟變量之間存在的相互關系的要求也并不是特別高，所以VAR模型的預測結果往往精確度比較高。

1、確定VAR模型階數

判斷向量自回歸模型的最優階數是建立模型過程中的重要一步，為了全面反映模型的動態特征，就需要使滯后階數足夠大；但隨著滯后階數的增加，所估計的模型的參數也會隨之增加，這將導致模型的自由度的減少。所以如何確定具體的滯后階數非常關鍵。Stata提供了四種不同的信息準則，我們使用varsoc命令得到如下結果：

表1顯示本模型最多有4個滯后項，而且FPE、AIC、SBIC與HQIC四類信息準則所選擇出來的滯后階數完全一致。其中赤池信息量準則(簡稱AIC)即Akaike information criterion，是衡量統計模型擬合優良性的一種標準。AIC可以權衡所估計模型的復雜度和此模型擬合數據的優良性。AIC鼓勵數據擬合的優良性但是盡量避免出現過度擬合 (Over fitting)的情況。所以優先考慮的模型應是AIC值最小的那一個，赤池信息準則的方法是尋找可以最好地解釋數據但包含最少自由參數的模型。故本文選擇滯后階數為2。

表1 模型階數確定表

2、估計VAR模型

使用varbasic命令估計VAR模型，結果顯示因變量()的一階滯后項和常數項的回歸系十分顯著，統計量z對用的p值遠小于0．05，但是其二階滯后項的系數并不顯著，p值很高。因此我們不得不對方程做出調整，剔除二階滯后項，再次使用var對模型進行估計，得到的一階滯后項和常數項十分顯著，于是可以得到貨物周轉量的回歸結果：

當VAR模型建立完成，我們還需要對本模型進行一些列檢驗。

3、模型檢驗

方程及系數的顯著性檢驗。在Stata中使用varwle命令檢驗方程及系數的顯著性，結果顯示一階滯后系數的卡方統計量很大，其對應p值遠小于0．05，該方程及系數均高度顯著。

檢驗殘差是否存在自相關。在Stata中使用命令varl-mar進行殘差的自相關檢驗，檢驗結果顯示滯后項的卡方統計量較大，基本接受無自相關的假設，那么認為擾動項為白噪聲。

表2 2017-2019年物流周轉量(億噸公里)預測結果

檢驗VAR系統是否為平穩過程。在 Stata中使用varstable命令檢驗系統穩定性，結果顯示特征值均在單位元內，故此VAR系統是穩定的。

檢驗殘差是否服從正態分布。在Stata中使用varnorm命令進行檢驗，結果顯示Jarque-Bera檢驗非常顯著，偏度檢驗(skewness test)和峰度檢驗(kurtosis test)均顯著。

四、預測

以上我們完成了向量自回歸模型的建立和檢驗，現在運用該模型對我國未來三年的物流業貨物周轉量進行預測，并分析物流需求。在Stata中使用命令fcast，對未來三年36個月的貨物周轉量進行預測，其預測結果如表2。

五、結論

本研究運用時間序列分析方法通過建立向量自回歸模型對我國物流周轉量進行短期預測。通過選擇月度數據建立自回歸模型，運用最優模型對物流周轉量進行預測。從預測結果可以看出未來3年物流周轉量將繼續上升，這也預示著全社會的物流需求持續上升，預計未來短期內我國物流業將呈現平穩增長態勢。本文研究貨物周轉量未來短期內的發展趨勢，對我國物流需求的把握具有重要的指導意義，并為物流園區建設、物流產業發展、物流業資源整合以及物流業相關政策的制定等提供參考依據。

注釋

http://data．stats．gov．cn/index．htm．

[1]牛忠遠:我國物流需求預測的神經網絡模型和實證分析研究[J]．碩士,浙江大學, 2006．

[2]孫劍青:北京市物流需求預測研究[J]．碩士,北京交通大學,2016．

[3]百度百科:赤池信息準則．http://baike．baidu．com/item/AIC/10910647．

[4]陳強:高級計量經濟學及Stata應用[J]．高等教育出版社,2014．

（責任編輯：宋 杰）