中國物流業(yè)發(fā)展評估與經(jīng)濟貢獻率研究＊

馬皓月，范芷汀，吳金卓

（東北林業(yè)大學工程技術(shù)學院，黑龍江 哈爾濱150040）

1 引言

近年來，物流業(yè)在資源合理配置以及產(chǎn)業(yè)結(jié)構(gòu)調(diào)整等方面發(fā)揮著越來越重要的作用。六類物流樞紐的確定為“一帶一路”建設(shè)、京津冀協(xié)同發(fā)展、長江經(jīng)濟帶發(fā)展、粵港澳大灣區(qū)建設(shè)、長三角區(qū)域一體化發(fā)展、西部陸海新通道等重大戰(zhàn)略實施和促進形成強大國內(nèi)市場提供有力支撐[1]。在此背景下，探索中國物流業(yè)的發(fā)展情況及其對經(jīng)濟發(fā)展的貢獻率對于進一步發(fā)揮物流業(yè)對社會經(jīng)濟發(fā)展的推動作用非常必要。

國內(nèi)外學者在物流業(yè)發(fā)展評價方面展開了大量研究。在評價指標體系方面，OLGAI等[2]提出要將技術(shù)水平、物流業(yè)服務(wù)水平、物流設(shè)備現(xiàn)代化水平以及貿(mào)易便利程度等引入物流業(yè)能力體系中。弓憲文[3]建立了涵蓋物流業(yè)績效、物流業(yè)環(huán)境和物流業(yè)能力三方面的物流業(yè)發(fā)展評價指標體系。高小惠等[4]選取經(jīng)濟社會發(fā)展、物流規(guī)模、物流基礎(chǔ)設(shè)施、信息發(fā)展水平及物流需求狀況5個方面指標，運用灰色聚類模型對2015年30個省的物流業(yè)發(fā)展質(zhì)量進行聚類分析。在評價指標權(quán)重方面，一些研究采用德爾菲法、層次分析法等主觀賦權(quán)法，但是這些方法在權(quán)重確定上具有一定的主觀性[5]。此外，還有灰色關(guān)聯(lián)分析、熵值法以及神經(jīng)網(wǎng)絡(luò)等客觀賦權(quán)法，這類方法可以有效地避免主觀性，但有時存在權(quán)重設(shè)定與實際相悖的情況[6-8]。在此基礎(chǔ)上出現(xiàn)了組合賦權(quán)法，結(jié)合主觀賦權(quán)法和客觀賦權(quán)法來確定權(quán)重，以使結(jié)果更加合理[9]。在評價模型方面，目前使用較多的有多元統(tǒng)計模型和模糊綜合評價等，前者對樣本數(shù)據(jù)要求較高，后者對樣本要求相對寬泛而應(yīng)用更加廣泛[10]。國內(nèi)外學者對物流業(yè)與經(jīng)濟的互動關(guān)系以及物流業(yè)的經(jīng)濟貢獻率也進行了大量研究。例如，ACAR等[11]在考慮物流業(yè)對商業(yè)活動中的促進作用及其與經(jīng)濟競爭力的關(guān)系的前提下，對土耳其物流業(yè)績效指標進行了分析，并對全球競爭力指數(shù)進行了定性比較。LEAN等[12]的研究表明，改進現(xiàn)代物流基礎(chǔ)設(shè)施，加大物流產(chǎn)業(yè)投入以及增強供應(yīng)鏈協(xié)作能力對區(qū)域經(jīng)濟發(fā)展具有顯著影響。國內(nèi)在該領(lǐng)域的研究多著眼于物流業(yè)的宏觀層面或單一層次，選取貨運量、貨運周轉(zhuǎn)量、物流業(yè)增加值或凈出口貿(mào)易值中的一個或幾個代表物流業(yè)的發(fā)展情況，并基于此探究物流業(yè)的經(jīng)濟貢獻[13]。例如，楊躍輝[14]采用空間計量模型對特定區(qū)域物流業(yè)集聚度與經(jīng)濟發(fā)展水平間的依賴共生程度進行測度。李軍[15]選取物流業(yè)的發(fā)展?jié)摿Α⒒A(chǔ)設(shè)施及總體規(guī)模三個維度的指標，運用系統(tǒng)協(xié)調(diào)發(fā)展度模型對中國2006—2015年的數(shù)據(jù)進行分析。金芳芳[16]采用相關(guān)性分析并建立經(jīng)濟增長模型，以物流業(yè)增加值為物流指標，通過1995—2009年中國總體數(shù)據(jù)和滬粵浙三個省市數(shù)據(jù)的實證分析，肯定了物流業(yè)對經(jīng)濟增長的帶動作用。

綜上可知，物流業(yè)與經(jīng)濟發(fā)展之間的定量研究已經(jīng)取得了不少成果，但仍然存在以下一些不足：物流業(yè)的經(jīng)濟貢獻研究中物流指標選取相對較為單一，物流業(yè)綜合性的多指標在中國不同省市經(jīng)濟貢獻率的對比分析的研究還不全面。本文利用基于云模型的模糊綜合評價方法從多方位、多層次評估2004—2018年間中國物流業(yè)綜合發(fā)展情況，并建立向量自回歸模型分析在一段時間內(nèi)物流業(yè)推動經(jīng)濟發(fā)展的動態(tài)關(guān)系，同時，建立含有時間和截面兩個維度的面板數(shù)據(jù)模型探究物流業(yè)發(fā)展質(zhì)量及其對經(jīng)濟發(fā)展的貢獻率，為了解中國區(qū)域間的物流發(fā)展差異、區(qū)域借鑒物流業(yè)運營模式，精準制定物流業(yè)發(fā)展政策提供參考。

2 研究方法

2.1 物流業(yè)發(fā)展質(zhì)量評價

模糊綜合評價方法是一種通過模糊數(shù)學和隸屬度實現(xiàn)從定性到定量轉(zhuǎn)化的綜合評價方法，而云模型可以有效地避免數(shù)據(jù)由定性向定量轉(zhuǎn)化的不確定性。因此，本文采用基于云模型的模糊綜合評價方法對中國的物流業(yè)綜合發(fā)展質(zhì)量進行評價。

2.1.1 評價指標選擇

本文采用聚類—熵權(quán)法進行評價指標的選取，具體步驟如下：以物流業(yè)發(fā)展質(zhì)量綜合評價為目標確定評價體系的準則層；初選各準則層的詳細指標，對所選指標進行標準化處理，正向指標用公式（1），負向指標用公式（2）；分別對各個準則層的指標進行聚類分組，分組后，利用公式（3）～（6）計算每組中各個指標的權(quán)重，選取每組中權(quán)重最大的那個指標代替該組數(shù)據(jù)。

式（1）（2）中：為第i個評價對象第j項評價指標標準化后的值；xij為第i個評價對象第j項評價指標的初始值；maxj為第j項評價指標中最大值；minj為第j項評價指標最小值。

式（3）（4）中：s為第s個評價對象；k=1/ln（h），h為指標的總數(shù)；t為評價對象的個數(shù)。

式（6）中：n為第i準則層的指標個數(shù)。

2.1.2 基于云模型的模糊綜合評價模型

確定篩選后的準則層和指標權(quán)重。首先對樣本數(shù)據(jù)進行標準化處理。接著，利用式（3）～（6）分別求出各個指標下每個待評對象占相應(yīng)指標的比例Psj、各個指標的熵值ej、各個指標的效用值dj以及各個指標的權(quán)重qj。準則層權(quán)重記為Qi，第i準則層的各指標權(quán)重記為qi。

確定等級個數(shù)，將物流發(fā)展水平劃分為不同等級，并且確定各個指標下各等級的界限，形如（xa，xb）。

確定評價指標的云數(shù)字特征，通過正態(tài)云模型的期望值Ex、熵值En、超熵值He來表征各個等級。利用式（7）～（8）分別計算期望值Ex、熵值En，超熵值He則需要通過多次試驗得來。

計算隸屬度，X條件云發(fā)生器的隸屬度函數(shù)如式（9），輸入指標數(shù)值和特征值，確定隸屬度。重復多次并取平均值作為最終的隸屬度矩陣R。其中，x0為云滴，E′x為正太云隨機數(shù)，Ex′～N（En，He）。

得出綜合評價C：C=Q*R。根據(jù)最大隸屬度原則確定所屬等級。

2.2 物流業(yè)的經(jīng)濟貢獻研究

2.2.1 向量自回歸模型

向量自回歸模型（Vector autoregression model，簡稱“VAR模型”）由CHRISTOPHER提出。由于該模型將系統(tǒng)中的每一個內(nèi)生變量作為內(nèi)生變量的滯后值進行建模，因而可以很好地解釋在一段時期內(nèi)，內(nèi)生變量之間動態(tài)的變化關(guān)系[17]。基于此，采用向量自回歸模型分析物流業(yè)不同指標對經(jīng)濟貢獻率的時序差異。含有k個時間序列變量的VAR模型表達式如下：

式（10）中：Y為k維內(nèi)生矢量；A為相應(yīng)系數(shù)矩陣；p為內(nèi)生變量的滯后階數(shù)。

在建立VAR模型時，首先要對研究變量進行平穩(wěn)性檢驗，使得變量滿足同階單整后才可以確定滯后期的數(shù)值。進一步進行協(xié)整檢驗之后，對內(nèi)生性變量做Grange因果檢驗，然后做穩(wěn)定性檢驗，最后在模型滿足穩(wěn)定性的前提下，方可對解釋變量做脈沖響應(yīng)和方差分解分析[18]。

2.2.2 面板數(shù)據(jù)模型

面板數(shù)據(jù)模型涵蓋時間和截面兩個維度的數(shù)據(jù)在分析一定時期不同省市的物流業(yè)對經(jīng)濟的貢獻率時具有信息涵蓋更全面的優(yōu)勢，該模型如式（11）所示，其通常有三種形式：混合估計模型、固定效應(yīng)模型和隨機效應(yīng)模型。混合估計模型中截距項和斜率項上是一樣的。隨機效應(yīng)模型和固定效應(yīng)模型的斜率項都是相同的，都是截距項不同，區(qū)別在于截距項和自變量是否相關(guān)，在固定效應(yīng)模型二者相關(guān)；在隨機效應(yīng)模型中二者不相關(guān)，同時，模型的隨機干擾項與解釋變量無關(guān)。

式（11）中：Yit為第i個體在第t時間點的數(shù)據(jù)；αi為截距項；βi為回歸系數(shù)；μit為隨機干擾項；N為面板數(shù)據(jù)個體個數(shù)；T為時間序列的最大長度。

在面板數(shù)據(jù)模型形式的選擇上，通過F檢驗決定選用混合模型還是固定效應(yīng)模型，然后用Hausman檢驗確定應(yīng)該建立隨機效應(yīng)模型還是固定效應(yīng)模型。F檢驗用于確定模型是否存在個體效應(yīng)。根據(jù)式（12）得到F的值，與查表所得F（N-1，NT-N-K）的值比較，其中，K為解釋變量數(shù)，SSER為混合估計模型的殘差平方和，SSEF為固定效應(yīng)模型殘差平方和。若F值小則選擇混合估計模型；反之，選擇固定效應(yīng)模型。Hausman檢驗確定模型的個體效應(yīng)與解釋變量是否相關(guān)。該檢驗原假設(shè)是個體效應(yīng)與解釋變量不相關(guān)。通過P值來確定是否接受原假設(shè)，若拒絕原假設(shè)則選擇固定效應(yīng)模型；反之，選擇隨機效應(yīng)模型。

3 實證分析

3.1 構(gòu)建物流業(yè)發(fā)展評價指標體系

根據(jù)以往學者的經(jīng)驗，確定物流業(yè)運行成效、基礎(chǔ)設(shè)施、創(chuàng)新投入和發(fā)展需求四個準則層并建立物流業(yè)發(fā)展評價體系，如表1所示。

表1 物流業(yè)發(fā)展質(zhì)量指標

3.2 中國經(jīng)濟與物流業(yè)發(fā)展質(zhì)量評價

3.2.1 中國經(jīng)濟發(fā)展質(zhì)量評價

根據(jù)2004—2018年《中國統(tǒng)計年鑒》中的國內(nèi)生產(chǎn)總值數(shù)據(jù)可以發(fā)現(xiàn)2004—2007年國內(nèi)生產(chǎn)總值增長率保持大幅提高，為中國各項事業(yè)的發(fā)展提供了堅實的經(jīng)濟支撐；2008年受國際金融危機的影響，增長速率下降后迅速回升，說明中國經(jīng)濟具有良好的自我調(diào)節(jié)能力；2012年以來，中國國內(nèi)生產(chǎn)總值增長率維持在10%左右，第三產(chǎn)業(yè)比例持續(xù)增加且超過第二產(chǎn)業(yè)，經(jīng)濟發(fā)展由以往的高速發(fā)展向高質(zhì)量發(fā)展轉(zhuǎn)變，產(chǎn)業(yè)結(jié)構(gòu)得到改善。

表2 物流指標特征值

3.2.2 中國物流業(yè)發(fā)展質(zhì)量評價

基于2004—2018年《中國統(tǒng)計年鑒》以及各省市統(tǒng)計年鑒的數(shù)據(jù)分析中國物流業(yè)的發(fā)展質(zhì)量。首先，根據(jù)式（3）～（6）計算出研究區(qū)間內(nèi)物流業(yè)樣本數(shù)據(jù)的權(quán)重、熵值、信息熵冗余度等值，結(jié)果如表2所示。

將各個指標劃分5個等級：“I等級”為優(yōu)秀，“II等級”為良好，“III等級”為中等，“IV等級”為較差，“V等級”為差。根據(jù)式（7）、式（8）計算云模型特征值。一般的，He的值取En值的1/10。在獲取正態(tài)云模型的特征值之后，用式（9）計算隸屬度。由于計算數(shù)據(jù)較多，僅列出第一準則層第一個指標2004—2018年的隸屬度，如表3所示。

表3 第一準則層第一指標隸屬度

確定2004—2018年間各指標下的等級排名。通過公式C=Q×R實現(xiàn)2004—2018年間各指標權(quán)重與隸屬度模糊轉(zhuǎn)換，根據(jù)最大確定度原則確定排名，結(jié)果如表4所示。物流業(yè)綜合指數(shù)在2016年步入第I等級。其中，基礎(chǔ)設(shè)施于2013年最先步入第I等級，發(fā)展需求和創(chuàng)新投入于2016年步入第I等級，運行成效最晚，于2017年步入第I等級；前期發(fā)展需求準則層的等級變化快于基礎(chǔ)設(shè)施等價變化，隨著基礎(chǔ)設(shè)施水平的提升，基礎(chǔ)設(shè)施準則層快于發(fā)展需求，二者相互促進；創(chuàng)新投入的等級變化起步最晚但速度最快。

表4 各準則及綜合評價等級

3.3 中國物流業(yè)的經(jīng)濟貢獻率分析

3.3.1 基于向量自回歸模型實證分析

為了提高向量自回歸模型的精度，消除異方差的影響，本文對2004—2018年中國物流業(yè)發(fā)展水平的14個指標進行取對數(shù)處理。接下來對各準則層的指標進行相關(guān)性檢驗和主成分分析。4個準則層相關(guān)性檢驗中KMO值分別為0.719、0.726、0.765和0.698，均大于0.6；巴德利特球形度檢驗值均小于0.001，因此每一準則層各提取一個主成分。4個準則層提取的主成分線性表達式如下：

表5 系統(tǒng)1滯后階數(shù)檢驗

首先對數(shù)據(jù)進行單位根檢驗，結(jié)果表明所測序列為平穩(wěn)序列。樣本數(shù)據(jù)經(jīng)平穩(wěn)性檢驗后即可建立模型，在VAR模型中，若待估參數(shù)太多則會使得估計誤差增大，所以本文在分析時設(shè)置四個系統(tǒng)，分別建立地區(qū)生產(chǎn)總值與各準則層間的系統(tǒng)，下文用系統(tǒng)1、系統(tǒng)2、系統(tǒng)3和系統(tǒng)4表示，進而確定其滯后階數(shù)。系統(tǒng)1的滯后階數(shù)檢驗結(jié)果如表5所示。

由表5可知，1nY與1nX1回歸模型的最佳滯后階數(shù)為3，因此構(gòu)建VAR（3）。同理，1nY與1nX2，1nX3，1nX4分別構(gòu)建VAR（3）、VAR（3）和VAR（3），第一準則模型估計結(jié)果如公式（17）所示。

由格蘭杰因果關(guān)系檢驗結(jié)果可知，在5%的顯著性水平下，物流業(yè)運行成效、基礎(chǔ)設(shè)施、創(chuàng)新投入水平、物流業(yè)需求是地區(qū)生產(chǎn)總值的格蘭杰原因。進一步對4個VAR模型進行平穩(wěn)性檢驗，結(jié)果如圖1所示。由圖2可知，VAR模型所有根模的倒數(shù)均位于單位圓內(nèi)，即VAR模型是平穩(wěn)的，可以繼續(xù)進行脈沖檢驗。

圖1 Ln Y分別與ln X1、ln X2、ln X3、ln X4系統(tǒng)平穩(wěn)性檢驗

通過脈沖響應(yīng)進一步分析物流業(yè)與經(jīng)濟發(fā)展間的動態(tài)關(guān)系，結(jié)果如圖2所示。可以看出，物流業(yè)運行成效對地區(qū)生產(chǎn)總值的沖擊在前三期呈現(xiàn)正效應(yīng)，第四期開始沖擊影響開始呈現(xiàn)負效應(yīng)；基礎(chǔ)設(shè)施對地區(qū)生產(chǎn)總值的沖擊影響呈正效應(yīng)且逐漸趨緩；創(chuàng)新投入對地區(qū)生產(chǎn)總值的沖擊效應(yīng)在短期內(nèi)呈現(xiàn)負效應(yīng)，但從第六期開始創(chuàng)新投入的沖擊效應(yīng)呈現(xiàn)逐漸上升的正效應(yīng)；物流業(yè)需求對地區(qū)生產(chǎn)總值的沖擊始終呈正效應(yīng)。

圖2 Ln Y分別對ln X1、ln X2、ln X3、ln X4擾動的響應(yīng)

通過方差分解可以得到在一個系統(tǒng)中單一要素對系統(tǒng)的貢獻度。由表6可知，在時間的維度上，物流業(yè)的發(fā)展對經(jīng)濟發(fā)展起到了推動作用，但推動作用不夠顯著且存在一定的滯后性。其中，物流業(yè)需求對經(jīng)濟增長的貢獻較大，其次對經(jīng)濟影響較大的為創(chuàng)新投入，物流基礎(chǔ)設(shè)施的貢獻較為平緩而物流業(yè)運行成效對經(jīng)濟發(fā)展貢獻具有即時性。總體來說，中國物流業(yè)的發(fā)展對經(jīng)濟增長起到一定的促進作用，但整體強度不夠理想。

表6 方差分解結(jié)果

3.3.2 基于面板數(shù)據(jù)模型實證分析

首先選取合適的模型，對篩選出的4個準則層的14個指標下的樣本數(shù)據(jù)進行F檢驗和Hausman檢驗，結(jié)果均拒絕原假設(shè)，故選擇固定效應(yīng)模型。基于Eviews10軟件建立個體固定效應(yīng)模型，得到運行成效、基礎(chǔ)設(shè)施、創(chuàng)新投入、物流業(yè)需求的系數(shù)分別為0.155 4、0.057 0、0.074 93和0.086 4。

運行成效、基礎(chǔ)設(shè)施、創(chuàng)新投入、物流業(yè)需求對經(jīng)濟增長均呈現(xiàn)推動作用。其中，運行成效對經(jīng)濟增長的推動作用最為明顯，貢獻率達15.54%，其次是物流業(yè)需求（8.64%），創(chuàng)新投入、物流基礎(chǔ)設(shè)施的貢獻率分別為7.5%和5.7%。

對面板數(shù)據(jù)模型中各省市的截距項進行等級劃分，共劃分六個等級，表征不同省市間自身原有發(fā)展環(huán)境的差異，結(jié)果如圖3所示。可以看出，東北地區(qū)的評價等級為四、五等級，雖有邊境口岸的對外貿(mào)易工作，但物流業(yè)仍處于依靠于勞動力增長的較為粗獷的發(fā)展模式。沿海地區(qū)省市的自身發(fā)展環(huán)境等級多為一、二等級，由于其優(yōu)越的地理位置和環(huán)境條件，物流業(yè)的發(fā)展相對成熟、發(fā)展水平也較高，但仍存在著較大差異。以京津冀地區(qū)為例，河北省對經(jīng)濟的推動作用相對較弱，縱觀其發(fā)展來看，長久以來，河北省的重工業(yè)比例較大，第三產(chǎn)業(yè)技術(shù)研發(fā)基礎(chǔ)薄弱，表明地區(qū)間輻射帶動能力不高。在黃河、長江中游地區(qū)的這些省市自身發(fā)展環(huán)境多為三、四等級，物流業(yè)的發(fā)展處于中等水平，便捷的交通網(wǎng)絡(luò)未得到良好利用。西北地區(qū)和西南地區(qū)由于地理位置等原因，物流業(yè)發(fā)展較為緩慢，對經(jīng)濟增長的帶動作用相對于其他地區(qū)而言較弱，且未能發(fā)揮突出優(yōu)勢，這就需要其他地區(qū)對該地區(qū)的資金與技術(shù)投資來推動其發(fā)展，同時，可以借力一帶一路的發(fā)展，將自身資源優(yōu)勢通過物流流通轉(zhuǎn)化為經(jīng)濟優(yōu)勢。

圖3 個體固定效應(yīng)模型截距項差異分布

4 結(jié)論

本文采用基于云模型的模糊綜合評價方法對中國各省物流業(yè)發(fā)展質(zhì)量進行多準則層綜合評價，然后利用包含時間、截面數(shù)據(jù)兩個維度的面板數(shù)據(jù)模型對中國物流業(yè)的經(jīng)濟貢獻進行研究，得出以下結(jié)論：中國經(jīng)濟發(fā)展逐漸轉(zhuǎn)向高質(zhì)量發(fā)展，國內(nèi)生產(chǎn)總值增長率呈現(xiàn)平緩發(fā)展趨勢。物流業(yè)中物流規(guī)模最先達到第I等級，為物流業(yè)發(fā)展提供了良好的發(fā)展環(huán)境。創(chuàng)新發(fā)展起步晚但是等級變化最快，發(fā)展最為迅速。物流業(yè)需求增加與物流業(yè)供給水平提升之間的相互促進作用使得物流業(yè)不斷向前發(fā)展。

各項物流要素對經(jīng)濟發(fā)展均起到了推動作用，物流業(yè)運行成效的作用較好且具有即時性；物流需求的貢獻率較大且效用更為長遠；創(chuàng)新投入后，經(jīng)前期短暫適應(yīng)后會起到較為明顯的推動作用；基礎(chǔ)設(shè)施是發(fā)展的前提，其具有投資回報期長的特點。中國物流業(yè)對經(jīng)濟推動作用的聚集效應(yīng)顯著，但擴散帶動效應(yīng)不夠明顯，需要加大對中西部物流業(yè)的扶持，幫助西部開發(fā)當?shù)刭Y源并通過物流業(yè)的聯(lián)通轉(zhuǎn)變?yōu)榻?jīng)濟資源，提升中部地區(qū)對交通網(wǎng)絡(luò)的利用率，發(fā)揮東部地區(qū)的輻射帶動效應(yīng)，為經(jīng)濟發(fā)展作出應(yīng)有的貢獻。