基于VAR模型的物流需求预测

（江汉大学 商学院，湖北 武汉 430010）

基于VAR模型的物流需求预测

向涛

（江汉大学 商学院，湖北 武汉 430010）

本文立足于物流业发展现状，基于2000年以来的物流业统计年鉴数据，建立向量自回归(VAR)模型，并基于该模型的预测方法对物流需求进行预测，从而为物流业的发展和政府的相关政策提供依据。

物流业；需求预测；向量自回归；Stata

一、引言

物流业是融合运输、仓储、货代、信息等产业的复合型服务业，是支撑国民经济发展的基础性、战略性产业。加快发展现代物流业，对于促进产业结构调整、转变发展方式、提高国民经济竞争力和建设生态文明具有重要意义。我国物流业起步比较晚，专业化、信息化、社会化程度均不高，物流供需失衡现象较为显著。为了促进我国物流业的健康发展，提高物流业发展的规模、水平与质量，本文结合我国目前物流需求现状，并建立向量自回归模型对未来三年物流需求进行科学预测，以期为决策者提供参考依据。

二、变量的选择与数据说明

当前对物流业需求研究大多在区域物流、物流效率评价等方面，物流需求指标尚没有形成规范的体系，物流业统计指标中货物周转量能够在一定程度上反映物流业的发展情况和物流需求的大小，所以本文选取我国物流货物周转量作为变量进行时间序列分析。

本文使用Stata2014统计软件进行数据处理和统计建模分析。向量自回归模型主要研究的是一些经济系统的动态性特征，较长的时间序列数据包含的信息更加全面，会使样本外预测得更加准确。首先，我们从国家统计局网站上获取1978年至2016年我国年度货物周转量数据，并使用scatter命令描绘出散点图：

图1 1978至2016年我国物流业货物周转量散点图

如图所示，从1978年至2005年我国货物周转量逐年升高，并且增速很快，在2005年后任然呈现增长趋势，但增速放慢。这缘于我国物流业起步晚，在前期发展缓慢，随着经济的发展和互联网技术的进步，2005年后物流业发展速度迅速增长。本文力求对物流需求进行相对准确的预测，本文选择的预测方法是基于时间序列数据，考虑到VAR模型的短期预测能力较强，同时鉴于物流业的发展现状，我们选择2005至2016年的月度物流货物周转量数据进行预测，以保证贴近物流业的发展情况，提高预测的准确性。

三、建立向量自回归模型

向量自回归(VAR)模型是Sims在1980年首次提出来的，主要被应用于宏观经济学中一些具有相互关联的时间序列系统，当对模型施加一些随机扰动时，我们可以借助于此模型来观察时间变量系统受扰动影响的情况，而且观察的是动态的影响变化。在VAR模型之前学者们经常使用结构方程来进行预测，而此方法存在的最大的问题是方程组中的“决策规则”参数产生的问题，即使在正确的规则的基础上，如果经济政策一旦发生改变，那么参数还是无法保持其稳定性。而VAR模型则是建立在微观化的基础上的，对大部分经济变量之间存在的相互关系的要求也并不是特别高，所以VAR模型的预测结果往往精确度比较高。

1、确定VAR模型阶数

判断向量自回归模型的最优阶数是建立模型过程中的重要一步，为了全面反映模型的动态特征，就需要使滞后阶数足够大；但随着滞后阶数的增加，所估计的模型的参数也会随之增加，这将导致模型的自由度的减少。所以如何确定具体的滞后阶数非常关键。Stata提供了四种不同的信息准则，我们使用varsoc命令得到如下结果：

表1显示本模型最多有4个滞后项，而且FPE、AIC、SBIC与HQIC四类信息准则所选择出来的滞后阶数完全一致。其中赤池信息量准则(简称AIC)即Akaike information criterion，是衡量统计模型拟合优良性的一种标准。AIC可以权衡所估计模型的复杂度和此模型拟合数据的优良性。AIC鼓励数据拟合的优良性但是尽量避免出现过度拟合 (Over fitting)的情况。所以优先考虑的模型应是AIC值最小的那一个，赤池信息准则的方法是寻找可以最好地解释数据但包含最少自由参数的模型。故本文选择滞后阶数为2。

表1 模型阶数确定表

2、估计VAR模型

使用varbasic命令估计VAR模型，结果显示因变量()的一阶滞后项和常数项的回归系十分显著，统计量z对用的p值远小于0．05，但是其二阶滞后项的系数并不显著，p值很高。因此我们不得不对方程做出调整，剔除二阶滞后项，再次使用var对模型进行估计，得到的一阶滞后项和常数项十分显著，于是可以得到货物周转量的回归结果：

当VAR模型建立完成，我们还需要对本模型进行一些列检验。

3、模型检验

方程及系数的显著性检验。在Stata中使用varwle命令检验方程及系数的显著性，结果显示一阶滞后系数的卡方统计量很大，其对应p值远小于0．05，该方程及系数均高度显著。

检验残差是否存在自相关。在Stata中使用命令varl-mar进行残差的自相关检验，检验结果显示滞后项的卡方统计量较大，基本接受无自相关的假设，那么认为扰动项为白噪声。

表2 2017-2019年物流周转量(亿吨公里)预测结果

检验VAR系统是否为平稳过程。在 Stata中使用varstable命令检验系统稳定性，结果显示特征值均在单位元内，故此VAR系统是稳定的。

检验残差是否服从正态分布。在Stata中使用varnorm命令进行检验，结果显示Jarque-Bera检验非常显著，偏度检验(skewness test)和峰度检验(kurtosis test)均显著。

四、预测

以上我们完成了向量自回归模型的建立和检验，现在运用该模型对我国未来三年的物流业货物周转量进行预测，并分析物流需求。在Stata中使用命令fcast，对未来三年36个月的货物周转量进行预测，其预测结果如表2。

五、结论

本研究运用时间序列分析方法通过建立向量自回归模型对我国物流周转量进行短期预测。通过选择月度数据建立自回归模型，运用最优模型对物流周转量进行预测。从预测结果可以看出未来3年物流周转量将继续上升，这也预示着全社会的物流需求持续上升，预计未来短期内我国物流业将呈现平稳增长态势。本文研究货物周转量未来短期内的发展趋势，对我国物流需求的把握具有重要的指导意义，并为物流园区建设、物流产业发展、物流业资源整合以及物流业相关政策的制定等提供参考依据。

注释

http://data．stats．gov．cn/index．htm．

[1]牛忠远:我国物流需求预测的神经网络模型和实证分析研究[J]．硕士,浙江大学, 2006．

[2]孙剑青:北京市物流需求预测研究[J]．硕士,北京交通大学,2016．

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

[4]陈强:高级计量经济学及Stata应用[J]．高等教育出版社,2014．

（责任编辑：宋 杰）