人工智能技術對物流業效率的影響及差異性分析

韓海軒

（河套學院經濟管理系 內蒙古巴彥淖爾 015000）

引言與文獻綜述

人工智能（Artificial Intelligence，簡稱AI），是一項試圖研究開發實際用于模擬、延伸和擴展人的智能的一種新的理論方法、技術和應用系統的科學。該技術希望通過了解智能產生的本質，基于機器學習的方法推出一種能夠做出類似人工智能向匹配的反應機制。自誕生以來，人工智能技術開始逐漸應用到多個行業，為多個行業的創新發展提供了新的契機。

作為未來引領科學技術發展的重要戰略技術，我國高度重視人工智能技術的發展及其應用。在2017年國務院發布的《新一代人工智能發展規劃》中，國家對人工智能產業進行了專門細致的戰略規劃，此后在歷年的政府工作報告中，國務院均明確指出要加快新興產業發展，加快新技術的產業融合。預計2025年中國人工智能技術將處于世界先進水平，其中核心產業規模將超過萬億元。物流業是傳統的勞動密集型行業，隨著人工智能技術的不斷發展，各大物流企業紛紛布局人工智能領域。一系列無人化技術的應用逐漸從貨物分揀、物流配送、倉儲攬貨、分發配送等環節脫穎而出，標志著物流業從傳統人工操作時代逐步向智能化、數字化方向發展。

雖然人工智能技術已經應用于物流業實務界，但是國內學者的研究卻較少涉及，已有的部分研究集中在對相關概念界定、模式評價及新技術應用上（李佳，2019）。雖然人工智能對物流業效率提升已經得到了實務界與理論界的認同，例如胡月陽和李艷（2019）認為人工智能技術的應用會改善物流供應鏈的整體效率。但由于缺乏相關數據，現有研究缺乏定量分析，難以形成有效的政策指導建議（劉曉娜，2019）。與傳統研究人工智能與物流業效率提升的成果所不同的是，本次研究試圖基于計量模型，實證檢驗人工智能技術對物流業效率的影響及其差異，具體思路是首先基于文本分析方法，定量評價出我國各地區人工智能技術發展水平，并通過三階段DEA模型測算我國各地區物流業效率，并基于計量模型實證檢驗二者之間的關系，這也是本文的創新所在。

人工智能對物流業效率提升的影響路徑

隨著人工智能技術的成熟，全自動化以及信息化程度更高的物流體系逐漸替代原有的人工物流系統，帶來了更大的效能提升。整體來說，人工智能從前端選址、中端物流管理及后端供應鏈三個領域支撐物流業的發展，在物流體系各個階段的影響機制具體見圖1所示。

交通方式選擇與倉儲地點選址更為科學。人工智能的應用能夠充分挖掘上游供應商、物流運輸及下游客戶的相關信息，通過相關算法的應用，能夠為物流企業提供最優的交通倉儲地點選址方案，多式聯運以及路徑優化提高了產品運輸效率。此外，通過機器學習，交通方式選擇與倉儲地點的選址避免了人為估計誤差，同時還能夠精準預測未來變化趨勢，使得選址結果更為客觀。

智能設備的應用提高了物流管理能力。傳統的物流業對人力依賴較為苛刻，無論是貨物分揀、產品運輸、商品配送還是信息搜集整理，都需要不同類型的員工進行操作。人工智能技術的應用改變了傳統物流體系，在物流倉儲、運輸、包裝、分揀、配送等環節，大量無人機、智能倉儲柜、無人倉庫等智能設備的應用使得物流管理質量得到較大程度改善，同時物流信息能夠通過智能設備終端傳輸到云平臺，并實時完成相關數據的分析。

人工智能信息處理能力提升了供應鏈效能。人工智能的應用，能夠充分利用現有信息對產品市場供需情況進行預測分析，大大提高了供應鏈的彈性。人工智能技術支持下的智能物流通過構建實時信息云平臺，整個供應鏈的物流信息都能實時被物流企業所掌握，物流企業也能夠對海量的物流數據進行分層次、分流程、分階段的統計與分析，并為客戶提供全方位的實時信息共享服務，提高了物流企業對整個供應鏈的管理效能。

正如前文所言，基礎設施、生產工具與勞動力是構成現代物流業的三大基本要素。傳統的物流行業對勞動力的需求較為迫切，屬于典型的勞動密集型產業。后來隨著城市化的不斷發展，人口的高頻率流動以及經濟活動的頻繁，對物流行業的市場需求更加旺盛。傳統物流業不能滿足市場需求的變化，開始逐漸轉型。在這一過程中，行業龍頭競爭效應開始凸顯，一些物流企業龍頭如順豐、圓通等逐漸成為我國物流行業的支柱力量。而隨著以人工智能為代表的數字技術的發展，中國物流業逐漸向智慧物流發展，其對生產工具和生產方式的智能化要求更高。在智能物流系統下，物流的前端系統開發與方案設計、中端產品配送與物流信息管理、末端消費者服務與供應鏈管理都將基于人工智能技術得到較好地歸集處理。總的來看，隨著人工智能技術的不斷普及，該技術的產業互動在物流行業將會更加明顯，對物流業高效率的運轉提供了重要的工具支撐。

圖1 人工智能支持下的物流業系統

實證研究方案設計

（一）關鍵變量的度量

人工智能發展水平。本次研究充分結合文本分析法，借鑒近年來與人工智能相關的會議及報告上關于人工智能的描述，遴選出人工智能、機器學習、神經網絡、深度學習、模式識別、專家系統、創造力、智能體、自動駕駛、生物識別、影像識別與語言識別共12個關鍵詞。將這些關鍵詞與我國省份相匹配，在百度新聞檢索中分年份搜索區域+關鍵詞的模式，如“上海市+人工智能”，能夠檢索出2011-2019年既包含“上海”又包含“人工智能”的網頁鏈接。然后基于網絡爬蟲技術進行遴選，得到各地區每年度有關人工智能的網頁搜索頻率，用來衡量區域人工智能發展水平，這與李春濤等（2020）的研究方法類似。由于不同地區歷年搜索頻率存在較大差異，因此本文對搜索量數據進行了對數化處理。

物流業效率。有關物流效率的學術研究較多，層次分析法、DEA模型以及熵權法被廣泛應用在評價物流效率的研究中（于麗英等，2018；劉巖和田強，2019）。本文借鑒王博等（2019）的做法，基于三階段DEA模型定量評價我國各省份2011-2019年的物流效率。

其它控制變量。本文借鑒劉巖和田強（2019）的做法，分別控制對外開放程度、消費比重、經濟發展水平、城市化率、教育水平、產業結構、固定資產投資及公路里程數等指標。本文所涉及的變量及其表示具體見表1所示。從人工智能變量來看，我國不同區域存在較大的差異性，這嚴重影響了人工智能的應用。物流效率也由于先天因素，呈現出明顯的區域差異性，因此對人工智能與物流業效率進行差異性分析就顯得尤為必要。

（二）模型的設計

本文構建如下回歸模型，考察人工智能的發展水平對物流業效率的影響，其模型如下：

式（1）為基本固定效應模型，式（2）為動態固定效應模型。β1表示人工智能發展水平與物流業效率之間的關聯性，若該值顯著為正，則意味著人工智能技術有利于增強物流業發展效率；若該值顯著為負或不顯著，則說明人工智能技術在現階段并未對物流業效能提升發揮作用；μ為個體固定效應；λ為時間固定效應；α表示截距項；ε為誤差項。

對于這種差異，本文認為是我國物流產業發展的時代背景和人工智能技術的自身特征決定的。首先，人工智能在我國物流產業的應用始于2015年，在這之前我國物流產業的發展仍然處在一個從傳統的勞動力密集型向規模化、集約化的工業化方向轉變的過程。同時部分地區由于城市化進程較快，經濟發展水平相對較高，已經基本完成了工業化進程，物流產業規模化發展的趨勢已經形成。一些中西部地區物流產業規模化發展并不明顯，仍然處在物流活動規模化的發展階段。然而，我國人工智能在物流產業的應用主要集中在東部沿海發達地區，這些地區物流產業規模化發展已經形成，更加強調產業發展的技術創新。此時，以人工智能技術為代表的新的生產工具的應用更多是體現在動能優化、結構創新上，對整體行業的規模效率影響較為有限。其次，我國物流產業活動中低效率現象仍然較為普遍，物流活動的技術加成覆蓋面較窄，導致我國物流產業發展的技術效率相對較低。從人工智能技術的發展本身來看，其發展的目的是為了革新現有物流產業發展模式，通過新技術的應用提高物流活動的經濟效率，提高物流活動的準確性和合理性，其主要目的并不是為了促進物流活動的規模化發展。

表1 變量的定義、表示及描述性統計

表2 我國各地區歷年人工智能發展水平與物流業效率評價

表3 基準回歸結果

表4 時空差異性檢驗

（三）數據來源

本文使用的省級層面人工智能發展水平指數是以各地區關鍵詞年度搜索頻率合成得到，其源數據來源于百度新聞檢索平臺。物流業效率基于各省市區物流業投入產出數據計算得到，投入產出數據來源于各省份統計年鑒。其余控制變量數據來源于歷年各省市區統計年鑒及Wind數據庫。最終形成了2011-2019年共計9年30個省市區的強面板數據。

實證結果分析

（一）我國人工智能與物流業發展效率評價

表2報告了我國各地區歷年人工智能發展水平與物流業效率。從縱向時間對比來看，隨著物流網、區塊鏈等移動互聯技術的成熟，人工智能發展水平在研究期內得到了飛速發展。2011年，人工智能檢索量還相對較低，此后便呈現指數型增長。相比之下，物流業效率雖然在研究期內也不斷增長，但增速相比于人工智能稍顯滯后。從不同地區的橫向對比數據來看，東部地區人工智能發展水平顯著高于中西部地區，其中又以西部地區最為滯后，同時物流業效率也呈現出同樣的特征，因此，可以推測人工智能發展水平與物流業效率之間可能存在一定的相關性。

（二）人工智能對物流業效率影響的實證檢驗

表3是本文的基準回歸結果，僅加入人工智能水平變量，可以發現，AI的回歸系數為2.329，這說明人工智能技術的提高有利于物流業效率的改善。在表3的第（2）（3）（4）列分別報告了隨機效應、固定效應以及動態固定效應回歸結果，結果顯示，AI的估計系數仍然顯著為正。因此，本文認為，人工智能技術的不斷成熟，會加快其應用于物流業，這種新技術革命則帶來了物流效率的改善。

從其它控制變量來看，對外開放水平的提高會促進物流效率的改善，本文認為外商投資規模的擴大會加強國內與國外的經貿聯系，對物流的需求規模會更大，由此帶來了規模經濟效應。消費與非農產業結構的提高會增加物流業效率。這是因為產業結構的優化意味著生產效率與規模的擴大，而消費規模的增加則從需求端為物流業的發展提供了更多應用場景。

三階段DEA模型中將物流業效率細分為技術效率與規模效率。本文以各地區物流業技術效率與規模效率作為被解釋變量，檢驗人工智能對物流業技術與規模效率的影響，結果見表3第（5）（6）列所示。從技術效率來看，AI變量的估計參數為3.159，這說明人工智能技術的成熟有利于提高物流業技術效率，人工智能對物流業技術加成效果明顯。從規模效率來看，雖然AI變量的估計參數為0.346，但并未通過顯著性檢驗，這說明AI技術的應用對物流業規模效率的提升并無顯著作用。

（三）穩健性檢驗

此外，本文進行時空差異性分析，以檢驗在不同區域下、不同人工智能發展水平對物流業效率的影響是否存在不同，結果見表4所示。從空間差異性來看，東部地區AI變量的估計系數為2.983，中部地區AI變量的估計系數為0.847，西部地區AI變量的估計系數為0.201但并未通過顯著性檢驗，這說明人工智能發展水平越高的地區，其對物流業的提升效率更為明顯。從時間差異性來看，2011-2015年AI變量的回歸系數為0.304，但并未通過顯著性檢驗；2016-2019年AI變量的回歸系數為2.837，且通過了1%水平上的顯著性檢驗。一個可能的原因是，2015年以前，我國人工智能技術尚在探索期，并未應用于物流業，隨著人工智能技術的不斷成熟，其在物流業中的應用場景更為豐富，由此提升了區域物流效率。綜合來看，人工智能技術對物流業效率的提升具有顯著空間差異性，在技術不成熟階段，并不會對物流業效能提升產生影響，隨著人工智能技術在物流業應用場景的增加，其能夠明顯改善物流業效率。

結論與建議

以人工智能技術為代表的新科技為物流業的發展提供了新的方向。本文基于百度搜索平臺，通過搜索與“人工智能”相關的關鍵詞，構建人工智能發展指數，并基于2011-2019年省級面板數據，實證檢驗人工智能對物流業效率的影響及其差異性。研究結果表明：我國人工智能發展水平具有明顯的空間差異性，東部地區發展水平要高于中西部地區；人工智能技術的應用有利于提高物流業效率，但現階段僅對物流業技術效率有正向影響；人工智能發展早期由于較少實務應用，并不會提升物流業效率，因此僅在人工智能發展水平較高的地區，人工智能技術才可能會促進物流業效率的提升。

本次研究所得到的政策建議如下：首先，要進一步推動人工智能技術的發展。在政策上需要出臺專門的規劃指導人工智能技術的發展與應用，并設置專項資金支持企業人工智能領域的研發。在基礎設施上，進一步完善相關的數據平臺、大數據中心、物聯網等網絡基礎設施。在人才資源上，鼓勵相關高等院校及研究所設立相關的專業，開展人工智能領域的研究。其次，要加快人工智能技術與物流業的深度融合。這就要求物流企業要及早布局人工智能，擴寬以物聯網、云計算、大數據為特征的人工智能技術在物流業整個階段的應用深度與廣度，以提高物流業效率。同時，政府相關部門也需要充分認識人工智能技術的變革性作用，引導物流行業對人工智能技術的應用。最后，要減少區域人工智能發展的差異。目前我國人工智能區域發展差異較大，導致中西部物流業難以享受到人工智能的技術紅利。因此，需要進一步提高中西部地區人工智能基礎設施建設，鼓勵重點城市如貴陽市人工智能技術的發展，構建新的人工智能技術高地，以輻射帶動周邊區域物流業發展。