濟(jì)南航空物流業(yè)發(fā)展分析與預(yù)測

徐帥 王劍輝 王博

摘 要：航空物流業(yè)是濟(jì)南市發(fā)展的產(chǎn)業(yè)之一，采用VAR模型探討航空物流與影響因素之間的關(guān)系，通過脈沖響應(yīng)和方差分解分析，得出進(jìn)出口總額沖擊較大并且貢獻(xiàn)率較高，而城鎮(zhèn)人均可支配收入和社會消費零售總額帶來的沖擊不明顯且貢獻(xiàn)率較低，向量自回歸模型較好的表現(xiàn)了影響因素與航空物流的關(guān)系，并根據(jù)ARIMA模型預(yù)測之后到2022年濟(jì)南機(jī)場的航空物流吞吐量，具有一定的實踐意義。

關(guān)鍵詞：VAR模型 影響因素 航空物流業(yè) 預(yù)測

一、引言

作為實施“十三五”規(guī)劃的重點和供給側(cè)改革關(guān)鍵時期，濟(jì)南機(jī)場經(jīng)濟(jì)區(qū)航空物流業(yè)也迎來了發(fā)展的黃金機(jī)遇。濟(jì)南遙墻國際機(jī)場2018年完成了12.7萬次起降航班和11.4萬噸貨物吞吐量，比2017年分別增長9.8%和19.4%。航空網(wǎng)絡(luò)的連通性和結(jié)構(gòu)得到了顯著改善，包括條件優(yōu)越的位置，便利的航線，經(jīng)濟(jì)水平，還有更多的政府扶植和政策優(yōu)勢。

為了更合理準(zhǔn)確的優(yōu)化濟(jì)南臨空經(jīng)濟(jì)區(qū)航空物流業(yè)的發(fā)展路徑，本文將會通過客觀的數(shù)據(jù)進(jìn)行研究，得出影響航空物流業(yè)發(fā)展的關(guān)鍵指標(biāo)因素。在研究物流影響因素時，薛鳳旋、鄭艷婷（2007）重點論述了國際航空貨運樞紐港的概念及設(shè)計特征;徐君紅（2007）提出航空公司在航空物流發(fā)展過程中，應(yīng)當(dāng)抓住各個關(guān)鍵要素，對市場進(jìn)行準(zhǔn)確定位;賈曉寧（2017）從人才、交通和物流資源方面對鄭州航空物流發(fā)展中存在的問題進(jìn)行了歸納，并且針對這些問題給出了相應(yīng)的措施[1];魯永峰（2014）分析研究了航空物流的發(fā)展趨勢，通過與其他的非航空的運輸方式進(jìn)行對比，研究出影響貨運定價的因素。大部分學(xué)者都會運用系統(tǒng)結(jié)構(gòu)分析法、多元線性回歸等方法進(jìn)行研究，這些方法都是運用專家打分作為考察標(biāo)準(zhǔn)進(jìn)行定量分析，這樣會導(dǎo)致結(jié)果客觀性變?nèi)鮗2]。本文將會采用向量自回歸模型? 以濟(jì)南遙墻國際機(jī)場為例對沖擊航空物流的影響因素進(jìn)行分析。

二、模型與方法

向量自回歸模型描述在同一樣本期間內(nèi)的多個變量（內(nèi)生變量）可以作為它們的過去值的函數(shù)，是處理多個經(jīng)濟(jì)指標(biāo)分析與預(yù)測的模型之一，不帶有任何事先約束條件，用來估計聯(lián)合內(nèi)生變量的動態(tài)關(guān)系。

①式①中，yt是k維的內(nèi)生變量向量，p是滯后階數(shù)，T是樣本個數(shù)，Bxt作為外生變量向量。Ai是n*n矩陣，et是n*1誤差向量。其中誤差項的均值為0，并且不存在自相關(guān)。

在已經(jīng)獲得的數(shù)據(jù)的客觀性和可容易獲得影響因素數(shù)據(jù)基礎(chǔ)上，并在相關(guān)學(xué)者的研究的條件上，本文采用濟(jì)南遙墻國際機(jī)場的2004-2018年的貨郵吞吐量來表示當(dāng)?shù)啬壳拔锪鞯陌l(fā)展情況，并選取了社會消費品零售總額、濟(jì)南城鎮(zhèn)居民人均可支配收入、起降架次和進(jìn)出口總額為內(nèi)生變量，把常數(shù)項作為外生變量?？紤]到各個時間序列數(shù)據(jù)的單位不同，以此對各個時間序列數(shù)據(jù)采取對數(shù)化處理，并給出了數(shù)據(jù)來源與選擇理由（表1）。

（一）模型檢驗

模型檢驗是檢驗變量是否為平穩(wěn)序列，彼此是否有持續(xù)的動態(tài)關(guān)系和向量自回歸模型是否穩(wěn)定等進(jìn)行檢測，進(jìn)而保證向量自回歸模型的科學(xué)性和穩(wěn)定性[4]。

1.ADF檢驗，根據(jù)ADF檢驗原理，從表2中可以看出社會消費品零售總額和進(jìn)出口總額的p值拒絕原假設(shè)，因此是平穩(wěn)的，經(jīng)過一階差分后，除了起降架次序列不平穩(wěn)，其余時間序列均平穩(wěn)，可以進(jìn)行協(xié)整檢驗。

（二）滯后階數(shù)檢驗

表3中給出了0-2階VAR模型的5個評價統(tǒng)計指標(biāo)，得到除了LR指標(biāo)選擇的滯后階數(shù)為1階，其余四個指標(biāo)的滯后階數(shù)都為2階，根據(jù)多數(shù)原則確定VAR的滯后階數(shù)，所以得到向量自回歸模型的滯后階數(shù)為2階，協(xié)整檢驗的最優(yōu)滯后為向量自回歸模型滯后階數(shù)減一，所以最優(yōu)滯后階數(shù)為1階。

（三）協(xié)整檢驗

協(xié)整檢驗的原理是多個變量單整的階數(shù)相同才可能協(xié)整。通過ADF檢驗確認(rèn)了起降架次都是一階單整序列，并且協(xié)整檢驗通過的最優(yōu)滯后為1階，由表4可知，在p值小于5%社會消費品零售總額、濟(jì)南城鎮(zhèn)居民人均可支配收入和進(jìn)出口總額存在協(xié)整關(guān)系。

（四）模型平穩(wěn)性檢驗

數(shù)據(jù)變量的平穩(wěn)性是建立VAR模型的基本要求之一，在VAR模型中，將采用AR根的圖表來檢驗，如果所有根的模的倒數(shù)小于1，即全部落在圓內(nèi)（圖1），則證明模型是穩(wěn)定的。

脈沖響應(yīng)函數(shù)可作為系統(tǒng)特性的描述，在VAR中，主要用來顯示各類影響因素對模型進(jìn)行動態(tài)沖擊后來展現(xiàn)每個影響因素的影響過程。將沖擊響應(yīng)期設(shè)定為15期通過給選定的所有影響因素同時施加一個正標(biāo)準(zhǔn)差新息的沖擊，得到貨郵吞吐量對各影響因素沖擊的方差分解結(jié)果（表6）以及脈沖響應(yīng)曲圖（圖2）。

曲線LnJC為航空物流受進(jìn)出口總額的脈沖影響曲線，在1-2期過程中呈現(xiàn)持續(xù)下降的狀態(tài)，在2-4期呈持續(xù)上升的狀態(tài)并且在第四期達(dá)到峰值。在之后的過程中一直持續(xù)不斷起伏狀態(tài)，并逐漸趨于平穩(wěn)。整個過程中在橫軸上方的影響程度大于其他兩個影響因子，進(jìn)出口總額對于航空物流的發(fā)展具有促進(jìn)作用，進(jìn)出口總額對物流產(chǎn)業(yè)的沖擊主要體現(xiàn)在適合快捷安全的航空物流運輸?shù)漠a(chǎn)品和精密儀器上[5]。

曲線LnZP為航空物流業(yè)受濟(jì)南城鎮(zhèn)居民均可支配收入的脈沖影響曲線。在1-2期過程中同樣呈現(xiàn)持續(xù)下降的狀態(tài)，2-3期有所上升，3-4期下降，在第5期達(dá)到峰值，可見隨著居民可支配收入的增加，使得居民對于購物以及物流服務(wù)需求得到了有效提升。

曲線Lnls為航空物流業(yè)受社會消費品零售總額的脈沖影響曲線。整個過程只有在4-6期處于橫軸下方，其余均在橫軸上方，可以得出它對航空物流業(yè)的影響時期處于正向影響，居民的消費水平提高，需求的商品種類數(shù)量也在增加，使用的快遞方式也越來越多，對比公路物流的不斷進(jìn)步，居民更會選擇快捷省時的空運。

方差分解通過分析每影響因素對貨郵吞吐量變化的貢獻(xiàn)度，進(jìn)一步評價不同影響因素?fù)舻闹匾浴Ｒ虼?，通過方差分解可以定量分析出在VAR模型中，航空物流發(fā)展過程中各個影響因素的相對重要性[6]。

依據(jù)表5的方差分解結(jié)果可見，貨郵吞吐量隨著時間的推移從原先的100%下降到了78.66%，受自身因素的影響較大，而其他的影響因素都有所提高。進(jìn)出口總額由0上升到了13.57%，濟(jì)南城鎮(zhèn)居民人均可支配收入由0上升到了6.61%，社會消費品零售總額由0上升到了1.15%，由此可見這些影響因素對推動航空物流業(yè)作出的貢獻(xiàn)。

三、貨郵吞吐量預(yù)測

ARIMA模型，是預(yù)測分析中經(jīng)常使用的平穩(wěn)時間序列模型，該模型最大的優(yōu)點是對一組時間數(shù)據(jù)繼續(xù)規(guī)律分析，是一種精度較高的預(yù)測方法。通過ADF檢驗得知貨郵吞吐量數(shù)據(jù)取對數(shù)后一階差分后平穩(wěn)，因此用一階差分后的數(shù)據(jù)進(jìn)行預(yù)測。

通過表6，比較AIC、HQ和SC的值，依據(jù)最小原則，選擇ARMA（2，1）擬合度為95.6%，擬合度較好。隨后對模型進(jìn)行檢驗，當(dāng)m<13時，AC的系數(shù)取正值后幾乎全部小于0.09，表明殘差序列隨機(jī)，檢驗通過。由于ARIMA模型是自回歸移動平均模型，一般而言預(yù)測期不宜過長，所以選擇預(yù)測至2022年，將樣本區(qū)間改為2004-2022年，在方程估計窗口? 選擇Forecast，選擇動態(tài)預(yù)測，得到貨郵運輸量對數(shù)預(yù)測值（圖3），進(jìn)而取指數(shù)，得到預(yù)測值（表7）.

四、結(jié)論

通過建立向量自回歸模型，采用方差分解的定性分析方法詳細(xì)的描述了影響濟(jì)南航空物流業(yè)發(fā)展的因素，并深刻探討了影響因素間的相互關(guān)系及其影響程度，運用ARIMA模型預(yù)測了至2022年的貨郵吞吐量數(shù)據(jù)，分析結(jié)果具有一定的意義。目前跨境電商行業(yè)正處于高速上升時期，要合理分配與調(diào)配各航空物流公司在航線、貨源方面的競爭。隨著互聯(lián)網(wǎng)、物聯(lián)網(wǎng)等技術(shù)在航空物流業(yè)的進(jìn)一步應(yīng)用，未來航空物流業(yè)的信息化集成化將進(jìn)一步完善，運行效率也會更高[7]。

參考文獻(xiàn)：

[1]丁磊，郭萬山.國際油價、匯率與通貨膨脹之間的動態(tài)分析—基于向量自回歸（VAR）的實證分析[J].價格月刊，2018（1）.

[2]馬愛麗.基于EViews軟件的區(qū)域金融綜合競爭力聚類分析[J].海峽科技與產(chǎn)業(yè)，2019（1）.

[3]趙曉敏，佟潔.基于VAR模型的中國物流業(yè)與經(jīng)濟(jì)發(fā)展互動關(guān)系研究[J].工業(yè)技術(shù)經(jīng)濟(jì)，2019，38（03）.

[4]高鐵梅.計量經(jīng)濟(jì)分析方法與建模：EViews應(yīng)用及實例[M].清華大學(xué)出版社，2006.

[5]胡毅，陳海強(qiáng)，齊鷹飛.大數(shù)據(jù)時代計量經(jīng)濟(jì)學(xué)的新發(fā)展與新應(yīng)用——第二屆中國計量經(jīng)濟(jì)學(xué)者論壇（2018）綜述[A].經(jīng)濟(jì)研究，2019（3）.

[6]陳海強(qiáng)，方穎，胡毅.經(jīng)濟(jì)系統(tǒng)計量建模的方法、理論與應(yīng)用專輯序言[J].系統(tǒng)工程理論與實踐，2019（4）.

[7]柳語，謝奉軍.基于VAR模型的南昌臨空經(jīng)濟(jì)區(qū)航空物流發(fā)展影響因素分析[J].物流科技，2016（10）.

〔徐帥（通訊作者）、王劍輝、王博，中國民航飛行學(xué)院空中交通管理學(xué)院〕