基于Panel,Data的信息化与物流产业关系研究

材料流和信息流，信息技术的功能和信息的共享对物流的整合有重大的影响.P.H.Ketikidis和S.C.L.Kohc等（2008）[3]采用了文献综述的混合方法和问卷调查，探讨了物流信息系统的使用现状及未来发展方向.关于信息系统在物流中如何作用方面，Lin PG和Zhao XJ（2008）[4]提出了GIS在物流系统中的架构，指出GIS的应用加强了对物品流动过程的管理与控制.James H.bookbinder和David Dilts（2016）[5]分析了在及时制下的物流活动，提出了JIT LIS（logistics information system）的模型，以此来满足顾客的各种需求.Angappa Gunasekaran和Nachiappan Subramanian等（2017）[6]指出，在物流和供应链管理中，信息化水平提高了企业的竞争优势.还有学者研究了影响信息流的因素，Barbara Dinter和RalphJosef Andris（2013）[7]用实证研究的方法，研究了在物流信息策略成功中的关键因素，确定了信息流中的综合性、灵活性、支持、沟通、IT战略定位、合作伙伴关系和项目合作是主要影响因素，这些因素提高了物流组织的绩效水平.

从以往的文獻看，对信息化与物流的研究还主要停留在定性的分析，进行定量分析的文献不多.从计量经济学的角度出发，采用中国31个省份，2005—2015年的数据，利用面板数据模型定量的研究了信息化与物流产业的关系.

文章其余部分内容如下：第二部分是研究方法与数据，第三部分是实证处理与结果，第四部分是结论.

2研究方法与数据

2.1方法

柯布（ G .W .Cobb） 和道格拉斯（Douglas）研究产出与投入的关系，于20世纪30年代提出著名的生产函数.

式（1）中，Y为经济产出，K为资本投入量，L为劳动投入量，A 为全要素生产率，α为资本弹性系数，β为劳动力弹性系数.考虑到影响物流产出的因素包括，资金的投入，劳动力投入，现有的物流基础设施，以及主要研究的信息化水平，进而构造出信息化对物流产出的关系模型：

式（2）中，Y代表物流产出，主要是指物流业产值，K代表对物流产业的资金投入，L代表劳动力投入，E代表现有的物流基础设施，I代表信息化水平，α、β、γ、δ为弹性系数，c为常数，c=log（A）.其中，物流产业投入的资金，物流从业人员，物流基础设施为控制变量，信息化水平是解释变量，且均为生产函数的自变量.为了减少异方差，增强结果的解释性，对所有变量取对数处理.

2.2面板数据模型

面板数据也称混合面板数据或者时间序列横截面数据.面板数据包含时间和横截面两部分，且能够同时反映变量在时间和截面上的变化规律和特征，具有纯时间序列数据和纯截面数据所不具备的优点，面板数据模型是Mundlak首创，由于保证了足够多的数据，因此可以一定程度上降低多重共线性的影响，从而提高了估计效率.

根据对截距项和解释变量的不同假设，面板数据回归模型可分为3类，分别是：混合回归模型、变截距回归模型和变系数回归模型，具体模型形式如下.

其中，混合回归模型是假设截距项和解释变量系数对所有截面个体成员都是一样的，也就是说在个体成员上既没有结构变化，也没有个体效应.变截距回归模型，是假设在截面个体成员上截距项不一样，而模型的解释变量系数一样.变系数回归模型是假设在截面个体成员上截距项和模型的解释变量系数都不一样.同样面板数据的个体效应和时间效应又分为固定效应和随机效应两种.

2.3面板向量自回归模型

面板向量自回归模型（ Panel Vector Auto Regression，PVAR） 由Holtz-Eakin [8]首次提出，经过Helmut Lütkepohl [9]等学者对该模型的发展.该模型根据经济系统的互动性与动态性，将研究的重点转向了具有互动关系的变量，即通过脉冲响应函数与方差分解的方法，进行经济预测和变量之间互动关系的研究.

2.4数据来源

数据均来自于2005—2015年中国统计年鉴.选用了学者比较认可的货物周转量指标表示物流产出；用对交通运输，仓储，邮电的固定投资表示物流的资金投入[10]；物流从业人员用交通运输，仓储，邮电行业的从业人员数表示；对于信息化变量有指标体系和替代变量两种方法，文中采用替代变量法，选取邮电业务量作为信息化的替代变量；公路和铁路的长度总和用来表示现有的物流基础设施[11].数据的描述统计量如表1所示.

3.2模型确定

首先根据以往的经验，先采用随机效应模型进行估计，随后再进行Hauseman检验[13]，检验值为27.35，相伴概率为0.000，说明应该采用固定效应模型进行研究.

利用F检验，进一步判别模型是混合回归模型、变截距模型以及变系数模型中的哪一种.

提出两种假设

判断规则：①接受H2，则为混合回归模型；②拒绝H2，则检验假设H1，若接受则为变截距模型，拒绝为变系数模型 [14].

计算F统计量：

其中，变系数模型，变截距模型，混合模型的残差平方和分别为S1=11.176 ；S2=28.138，S3=158.50，N表示截面个数，T为时间跨度，K为变量的个数，得到两个F的统计量分别为，F1=1.799 ；F2=11.458，利用@qfdist（d，k1，k2）函数得到F分布的临界值，d是临界点，k1，k2是自由度，在给定5%的显著水平下，得到相应的临界值，F1=1.305，F2=1.324，由于F2大于临界值，在检验水平上拒绝原假设H2，统计量F1也大于临界值，也拒绝H1，因此选择变系数模型.

最后选定的模型是固定效应变系数模型，对其进行回归，其回归结果见表3.除常数和物流从业人员，其他变量均通过了检验.模型的拟合度较高，R2的值为0.942.总的来说，资金的投入，信息化水平，物流设施对于物流产业有显著的影响，其弹性系数分别为0.291，0.198，0.359.因为物流简单来讲就是物流，信息流，资金流在整条供应链中的流动.资金投入这一变量的回归系数为0.291，表明资金投入水平每提高1%，物流产出提高0.291%；信息化水平变量的回归系数0.198，表明信息化水平每提高1%，物流产出提高0.198%.

3.3PVAR模型估计

由于物流从业人员对物流产业的影响没有通过统计检验，因此舍弃该变量，选取资金、信息化、设施，3个具有互动关系的变量建立面板向量自回归模型.先进行协整检验，利用Johansen协整检验，结果表明在1%的检验水平下通过了检验.因面板数据是在经过一阶差分后所有变量是平稳的，故要建立误差修正模型.经检验，模型的所有特征根都位于单位圆内，可以得出结论，模型是稳定的.

PVAR 模型是一种非理论性模型，系数难以详细说明，故在分析时，常常采用脉冲响应函数和方差分解进行研究，如图1中的（a），（b），（c），（d）.除了物流产出自身外，来自信息化一个标准差的正向冲击，如（c）所示，对其影响最大，当期为0，随后缓慢提高，其影响一直为正值，随着时间的推移对物流产出的影响呈现上升趋势，并且作用周期较长.投入资金一个标准差的正向冲击对物流产出的影响，如（b）所示，当期为0，第二期达到极大值，随后衰减后平稳，说明资金与物流产出呈现出一定的互补关系，使其发挥更大作用.比较而言，物流设施的正向冲击，如（d）所示，对物流产出的影响波动幅度不大，变动幅度几乎呈一条直线.

前面利用脉冲响应函数，分析了资金投入、信息化水平、物流设施对物流产出扰动冲击的影响，接下来用方差分解的方法对物流产出进行具体分析.从表4中可以看到，标准误差较小，反映样本平均数对总体平均数的变异程度小，结果精密度较高.物流产业的产出方差占最多份额的是其本身，到第10期时仍高达总量的77.77%.而资金投入、信息化水平和物流设施这三种变量的方差所占份额随着时间的推移逐步上升.截止到第10期，所占份额分别为0.65%、21.48% 和0.10%.结合脉冲响应函数和方差分解的结果，可以看出，信息化对物流产出的影响趋势比较大，随着预测期的推移，除物流产出本身，其他变量扰动所引起的部分的百分比缓慢增加，并且预测在第10期左右保持稳定.

4结论

采用2005-2015年全国31个省市的面板数据，对物流产出与信息化水平的关系进行了分析，研究结果表明：第一，信息化对物流产出具有显著影响.信息化水平每提高1%，物流产出提高0.198%；第二，利用脉冲响应函数和方差分解方法分析，发现信息化对物流产出影响最大，且有明显的上升趋势，对物流资金总体呈现下降趋势，对设施的影响，总体比较平稳.采用了比较传统的方法，研究信息化对物流产业的影响，方法创新上还存在着不足，在以后的研究中可以考虑利用模拟仿真的方法解决此类问题.

虽然说，推进信息化对物流产出的提高具有明显的积极意义，但现在我国大量物流企业的信息化水平还停留在单点应用的阶段，大约占物流企业的75%，且大多数的中小物流企业还没有具备运用信息技术处理信息的能力.企业应积极的投入到物流信息技术的研究开发中，增强核心竞争力，将规模做大做强，发挥自身主观能动性，以社会需求为导向，以各个行业为依托，用发展的眼光促进物流信息化的发展.政府也应加强对物流信息化建设的投入，做好物流公共信息平台的工作，加快物流基础设施的建设，可直接建设一些物流基础信息平台和示范工程，同时也要重视物流专业人才的培养.相信在企业、政府双方的共同努力下，我国物流信息化的发展将进入一个崭新的阶段，更好的带动物流产业发展.

参考文献

[1]Safwan Al Salaimeh.A new model for information logistics system architecture[J].Journal of Theoretical and Applied Information Technology，2011，28（1）：39-47.

[2]DanielPrajogo，Jan Olhager.Supply chain integration and performance：The effects of longterm relationships，information technology and sharing and logistics integration [J].Int.J.Production Economics，2012，135（1）：514-522.

[3]P.H.Ketikidis，S.C.L.Kohc，N.Dimitriadis.The use of information systems for logistics and supply chain management in South East Europe：Current status and future direction[J].OmegaInternational journal of management science，2008，36（4）：592-599.

[4]Lin PG（Lin，Peiguang），Zhao XJ（Zhao，Xiaojun）.A framework of logistic information system based on Web GIS [C]，International Conference on Informational Technology and Environmental System Science，2008（4）：171-175.

[5]JamesH.bookbinder，David Dilts.Logistics Information Systems in a JustinTime Environment [J].Journal of Business Logistics，2016，10（1）：50-67.

[6]Angappa Gunasekarana，Nachiappan Subramanian，Thanos Papadopoulos.Information technology for competitive advantage within logistics and supply chains：A review[J].Transportation Research Part E，2017（99）：14-33.

[7]Barbara Dinter，RalphJosef Andris.A Literature Survey on Information Logistics[C].International Conference on Business Information Systems，2013（157）：138-150.

[8]Holtz Eakin D，Neweyw ，Rosenh.Estimating vector autoregressions with panel data[J].Econometrica，1988，56（6）：1371-1395.

[9]HelmutLutkepohl.New introduction to multiple time series Analysis[M].Berlin：Springer.

[10]田剛，李南.中国物流业技术进步与技术效率研究[J].数量经济技术经济研究，2009，26（2）：76-87.

[11]何玉华，俞立平.基于面板数据变系数模型的信息化与物流关系研究[J].情报杂志，2012，31（4）：107-111.

[12]王志刚.面板数据模型及其在经济分析中的应用[M].北京：经济科学出版社，2008：95-98.

[13]曹虹剑，李康.中国高技术产业自主创新能力的影响因素[J].经济数学，2016，33（3）：77-82.

[14]樊欢欢，刘荣等.Eviews 统计分析与应用[M].北京：机械工业出版社，2014：277-287.