物流成本的影响因素「物流服务水平与成本的关系图」

今天给大家普及一下物流成本的影响因素「物流服务水平与成本的关系图」相关知识，最近很多在问物流成本的影响因素「物流服务水平与成本的关系图」，希望能帮助到您。

樊东方 靳志宏 罗凯大连海事大学交通运输工程学院 交通运输部科学研究院

摘 要：目前，社会物流成本明显增长，对社会物流成本质量进行研究引起业界专家的关注。交通运输是物流发展的基础，因此，研究航空、铁路、公路、水运多种运输方式对社会物流成本质量的影响是有必要的。除此之外，还需考虑农业、工业、服务业以及经济发展水平对社会物流成本质量的影响。从费用占总支出额比重的角度，选取社会物流总费用占社会物流总额的比重代表社会物流成本质量。基于多元回归模型，采用计量经济学中的ADF检验和协整检验分析多种运输方式，农业、工业、服务业以及经济发展水平与社会物流成本质量之间的关系。结果表明：工业产值占GDP比重以及水运货物周转量对社会物流成本质量的影响最大，公路货物周转量和铁路货物周转量对社会物流成本质量的影响次之。农业产值占GDP比重、服务业产值占GDP比重、民用航空货物周转量以及人均GDP对社会物流成本质量的影响最小。

关键词：物流业;物流成本;影响因素;多元回归;计量经济学;

收稿日期：2022-01-01

基金：国家自然科学基金面上项目，项目编号71572023;欧盟H2020社会物流成本质量影响因素分析项目，项目编号MSCA-RISE-777742-56;大连市领军人才项目，项目编号2018-573;中央高校基本科研业务费专项资金资助项目，项目编号3132020301;

Received： 2022-01-01

物流作为我国的“第三利润源泉”,为其他产业提供基础服务，是支撑其他产业蓬勃发展的综合性服务产业。现代物流的运作将各个领域联合起来，对物品从供应地到接收地之间的运输进行合理规划，将各个环节实现有机结合，进而形成一个卓越、协调的系统。随着社会经济的发展，商品的流通需求旺盛，但我国物流业的发展水平呈现出落后于经济发展的现状。物流发展水平的滞后影响各产业的流通效率，从而影响各产业的发展。

随着信息化、机械化、自动化以及智能化的时代进步，我国物流相关产业从粗放式发展到集约式，再发展到智能物流，产生了质的飞跃。与此同时，我国物流行业的成熟度和管理水平与发达国家(地区)依然存在差距。因此，采取什么措施降低社会物流成本，有效控制物流花费引起了各界人士的广泛关注。在此基础上，本文采用文献综述法选取影响因素，利用计量经济学的多元线性回归深入探究所选取的影响因素对社会物流成本质量的影响。由此得到更加科学、客观、可靠的结果，为物流业低成本发展的决策提供科学依据。

1 研究现状

从微观层面的角度出发，李守林等[1]从制造业、物流公司以及医药企业3个方面出发，采用网络分析法(ANP)研究物流成本的影响因素。选取的影响因素为物流功能成本、存货相关成本、储存成本和库存持有成本。高晓宁等[2]采用系统动力学研究定额管理文化、定额指标体系、定额管理机制、设备管理、定额管理信息化系统、定额管理教育培训、人力资源管理以及企业岗位对烟草商业企业物流成本的影响。Yujuan Mei[3]采用成本控制方法理论研究市场管理体系、市场运行机制以及企业决策机制对危险化学品运输行业的物流成本的影响。Yunkai Zhai等[4]通过ISM模型从医疗配送中心的位置、医疗信息管理系统、人才、库存成本、国家政策、医疗物流企业规模以及运输成本研究对医疗物流成本的影响。王可山等[5]采用层次分析法、作业成本法以及实地调研研究生鲜电商配送成本，得出流通范围、物流功能成本、存货相关成本、站内物流成本以及委托物流成本对生鲜配送有影响。刘爱秋等[6]从农村地区粮食出发，研究农民本身、国家政策、运输距离、载运量、道路设施、车辆选择、营运费用、人工费用、运输者以及其他费用对物流运输成本的影响。Ashutosh Kar等[7]采用系统动力学分析价格弹性、需求、物流成本、物流弹性指数、价格以及总收入研究对企业物流成本变化的影响。由上可知，从微观的角度研究与分析物流成本，采用的影响因素主要根据国家政策、物流功能、物流信息以及物流管理进行选取。

从宏观角度出发，李红霞等[8]采用解释结构模型(ISM)以及层次分析法(AHP)分析信息化程度、物流技术、物流活动、物流业管理水平、国家政策法规、物流人才、物流设施设备、物流业环保意识、国家经济状况、物流企业选址、物流成本管理意识以及物流成本核算方式对物流成本的影响。王艳[9]提出采用数据分析研究了物流总费用/GDP与产业结构、单位GDP货运量、平均运距和物流费用之间的关系。龚雪[10]通过文献研究法介绍降低物流成本的研究。他得出影响物流成本的影响因素分为物流制度成本、物流管制成本、物流内部因素以及物流以外的因素。Alfonso A.Guijarro-Rodríguez等[11]采用模糊逻辑分析供应链管理中的运输物流成本，主要从服务、商品状态以及交货时间3个方面进行研究。汪文生等[12]采用计量经济学研究了物流总费用占 GDP 比重与产业结构、物流基础设施投资、经济发展水平以及物流行业就业人数之间的关系。综上所述，从宏观层面研究物流成本时，主要采取的影响因素是物流政策、物流管理水平以及产业结构。

在上述的研究中，主要从物流政策，产业结构以及物流组成要素出发选取影响因素进行研究。在物流中，运输是首要因素之一，它能够实现物品在物流中的空间转移。谈贵军等[13]从货物运输层面论证以铁路、公路和水路运输业衡量中国物流业发展水平的科学性。在物流中，运输作为物流活动中的重要组成部分，运输货物的周转量体现了物流周转能力，更能直观地体现物流成本的波动。显然，作为宏观物流成本中重要组成部分，研究社会物流成本质量的影响因素时，需考虑公路货物周转量、铁路货物周转量、水运货物周转量以及民用航空货物周转量。

2 变量设计与模型构建2.1解释变量设计2.1.1产业结构变量设计

为了体现产业结构指标的全面性和层次性，本文所选取的解释变量为：农业产值占GDP的比重x1,工业产值占GDP的比重x2,服务业产值占GDP的比重x3。

农业会产生大量的运输、管理以及库存，从而增加了物流成本。因此农业的发展会带动社会物流成本的增加。经研究统计，工业物流需求已经占据了城市物流需求的主体地位。工业物流需求越大，物流成本也就越高。对于服务业，服务业发展程度越好的地区，物流产业投入越少，回报越高。因此，基于上述的分析，提出如下假设。

(1)假设1:农业产值占GDP比重与社会物流成本质量正相关。

(2)假设2:工业产值占GDP比重与社会物流成本质量正相关。

(3)假设3:服务业产值占GDP比重与社会物流成本质量负相关。

2.1.2要素层面变量设计

考虑到各种运输方式对物流周转的贡献率以及数据的可获得性，选取的指标为公路货物周转量x4(亿t·km)、铁路货物周转量x5(亿t·km)、水运货物周转量x6(亿t·km)、民用航空货物周转量x7(亿t·km)。

根据《2020中国物流年鉴》可知，公路货运降幅明显，货运量和货物周转量增速同比分别下降13.2%和16.3%。水路货运呈现持续增长的趋势，货运量同比增长6.3%,货物周转量同比增长5.0%。民用航空货运量小幅增长，货物周转量基本保持平稳发展态势。由此提出如下假设。

(1)假设4:公路货物周转量与社会物流成本质量正相关。

(2)假设5:铁路货物周转量与社会物流成本质量负相关。

(3)假设6:水运货物周转量与社会物流成本质量负相关。

(4)假设7:民用航空货物周转量与社会物流成本质量负相关。

2.1.3经济发展水平的变量设计

社会物流发展水平与当地国民经济发展水平密切相关。人均GDP在一般的模型中视为经济发展水平的指标。因此，选取人均GDP(x8)作为经济发展水平的指标，并提出如下假设。

假设8:人均GDP与社会物流成本质量正相关。

2.2被解释变量设计

王艳[9]在文中提出相比于采用物流总费用/GDP研究物流成本的变化，物流总费用/物流总额更能体现物流水平的波动。谈贵军等[13]得出社会物流总费用与社会物流总额的比例更科学地反映物流业的发展水平。因此，本文选取的被解释变量为社会物流总费用占社会物流总额的比重Y。

综上所述，本文的变量列表见表1。

表1 变量列表 导出到EXCEL

项目

变量符号

含义

预测方向

解释变量

Y

社会物流总费用占社会物流总额的比重

被解释变量

x1

农业产值占GDP的比重

x2

工业产值占GDP的比重

x3

服务业值占GDP的比重

-

x4

公路货物周转量

x5

铁路货物周转量

-

x6

水运货物周转量

-

x7

民用航空货物周转量

-

x8

人均国内生产总值

3 宏观物流成本的实证分析

本文使用的是年度性数据，年度跨度为22年，样本区间为1998年～2019年，数据来源于国家统计局编制的《中国统计年鉴》、国泰安数据库、中国统计局网站以及中国物流采购与联合会网站等网络统计资料，各项指标的原始数据见表2和表3。

表2 数据列表(一) 导出到EXCEL

年份/年

农业/亿元

工业/亿元

服务业/亿元

人均GDP/元

社会物流总额/元

社会物流总费用/亿元

1998

14 618.7

39 017.5

31 559.3

6 860

129 388

17 021

1999

14 549.0

41 079.9

34 935.5

7 229

139 717

17 814

2000

14 717.4

45 663.7

39 899.1

7 942

171 427

19 230

2001

15 502.5

49 659.4

45 701.2

8 717

195 442

20 619

2002

16 190.2

54 104.1

51 432.1

9 506

233 597

22 741

2003

16 970.2

62 695.8

57 756.0

10 666

296 595

25 695

2004

20 904.3

74 285.0

66 650.9

12 487

383 829

30 002

2005

21 806.7

88 082.2

77 430.0

14 368

481 983

33 860

2006

23 317.0

104 359.2

91 762.2

16 738

595 976

38 414

2007

27 674.1

126 630.5

115 787.7

20 494

752 283

45 406

2008

32 464.1

149 952.9

136 827.5

24 100

898 953

54 542

2009

33 358.4

160 168.8

154 765.1

26 180

966 538

60 826

2010

38 430.8

191 626.5

182 061.9

30 808

1 254 130

70 984

2011

44 781.5

227 035.1

216 123.6

36 277

1 583 542

84 102

2012

49 084.6

244 639.1

244 856.2

39 771

1 773 156

93 702

2013

53 028.1

261 951.6

277 983.5

43 497

1 977 639

102 396

2014

55 626.3

277 282.8

310 654.0

46 912

2 134 534

105 944

2015

57 774.6

281 338.9

349 744.7

49 922

2 192 499

108 096

2016

60 139.2

295 427.8

390 828.1

53 783

2 297 486

110 627

2017

62 099.5

331 580.5

438 355.9

59 592

2 527 537

120 766

2018

64 745.2

364 835.2

489 700.8

65 534

2 830 726

132 980

2019

70 466.7

386 165.3

534 233.1

70 328

2 980 000

145 657

表3 数据列表(二) 导出到EXCEL

年份年年份年

公路货物周转量亿t⋅km周转量亿t⋅km

铁路货物周转量亿t⋅km周转量亿t⋅km

水运货物周转量亿t⋅km周转量亿t⋅km

民用航空货物周转量亿t⋅km货物周转量亿t⋅km

1998

5 483.38

12 560.10

19 405.80

33.45

1999

5 724.30

12 910.30

21 262.80

42.34

2000

6 129.40

13 770.49

23 734.20

50.27

2001

6 330.40

14 694.10

25 988.90

43.72

2002

6 782.50

15 658.40

27 510.60

51.55

2003

7 099.48

17 246.70

28 715.80

57.90

2004

7 840.90

19 288.80

41 428.70

71.80

2005

8 693.20

20 726.00

49 672.30

78.90

2006

9 754.25

21 954.41

55 485.75

94.28

2007

11 354.69

23 797.00

64 284.85

116.39

2008

32 868.19

25 106.28

50 262.70

119.60

2009

37 188.82

25 239.17

57 556.67

126.23

2010

43 389.67

27 644.13

68 427.53

178.90

2011

51 374.74

29 465.79

75 423.84

173.91

2012

59 534.86

29 187.09

81 707.58

163.89

2013

55 738.08

29 173.89

79 435.65

170.29

2014

56 846.90

27 530.19

92 774.56

187.77

2015

57 955.72

23 754.31

91 772.45

208.07

2016

61 080.10

23 792.26

97 338.80

222.45

2017

66 771.52

26 962.20

98 611.25

243.55

2018

71 249.21

28 820.99

99 052.82

262.50

2019

59 636.39

30 181.95

103 963.04

263.20

3.1模型设定与回归结果

平稳时间序列的均值，方差和协方差不会变化，在进行数据预测时没有局限性。对时间序列进行单位根检验一般采用ADF(Augmented Dickey-Fuller Test)检验法。

变量序列的对数形式可以消除数据序列的趋势和模型的异方差性[14]。lnY是Y取对数后的值，lnx1～lnx8是x1～x8取对数后的值。

检验过程由以下3种模型完成：

y=αyt-1 μt(无截距项和时间趋势) (1)

y=c αyt-1 μt(包含截距项) (2)

y=c yt αyt-1 μt(包含截距项和时间趋势) (3)

对所选取指标进行ADF 三种模型的检验。检验顺序：模型3,模型2,模型1。在检验过程中，通常选择使AIC、SC值最小的结果。由此得出最佳的ADF检验情形。

通过对ADF三种情形的检验，得出最佳的ADF检验情形。结果见表4。

表4 变量单位根检验结果 导出到EXCEL

变量

检验情形(c,t,k)

ADF检验值

5%临界值

P值

结论

lnY

(c,0,0)

-3.482 245

-3.012 363

0.019 2

平稳

lnx1

(0,0,0)

-5.709 365

-1.958 088

0.000 0

平稳

lnx2

(c,t,0)

-0.659 252

-3.644 963

0.963 3

非平稳

lnx3

(0,0,0)

4.508 023

-1.958 088

1.000 0

非平稳

lnx4

(0,0,0)

2.122 480

-1.958 088

0.989 1

非平稳

lnx5

(c,0,4)

-2.322 421

-3.052 169

0.176 6

非平稳

lnx6

(c,0,0)

-1.646 963

-3.012 363

0.442 2

非平稳

lnx7

(c,t,0)

-1.823 008

-3.644 963

0.657 1

非平稳

lnx8

(c,t,3)

-2.769 102

-3.690 814

0.224 5

非平稳

从结果可以得出，lnY,lnx1的P值分别为0.019 2、0.000 0,远小于0.05,因此均为平稳序列。同理可得，lnx2～lnx8均属于非平稳序列。

避免出现伪回归，使用公式(4)对lnx2～lnx8进行一阶差分单位根检验。差分能消除数据的波动性，使其趋于平稳。

△yx=y(x 1)−y(x)(x=1,2...)         (4)△yx=y(x 1)-y(x)(x=1,2...)         (4)

由表5可知，lnY,lnx1～lnx8的ADF检验值都低于5%临界值，都是一阶差分平稳序列。

表5 变量一阶差分单位根检验结果 导出到EXCEL

变量

检验情形(c,t,k)

ADF检验值

5%临界值

P值

结论

InY

(c, 0,0)

-4.939 774

-3.690 814

0.005 1

平稳

lnx1

(c, 0,0)

-4.415 528

-3.020 686

0.002 7

平稳

lnx2

(0,0,0)

-2.534 140

-1.959 071

0.014 2

平稳

lnx3

(c, 0,0)

-3.041 574

-3.020 686

0.048 0

平稳

lnx4

(c, 0,0)

-3.650 934

-3.020 686

0.013 9

平稳

lnx5

(c, t,3)

-3.808 216

-3.710 482

0.042 2

平稳

lnx6

(c, t,3)

-4.169 685

-3.710 482

0.022 3

平稳

lnx7

(c, t,1)

-4.592 001

-3.673 616

0.008 9

平稳

lnx8

(0,0,0)

-1.964 574

-1.959 071

0.045 8

平稳

针对原序列lnY,lnx1～lnx8设定如下所示的多元回归模型并进行OLS(ordinary least square, 普通最小二乘法)估计。

lnYt=C β1lnx1 β2lnx2 β3lnx3 β4lnx4 β5lnx5 β6lnx6 β7lnx7 β8lnx8 Ut (5)

式中：Yt为第t年社会物流总费用占社会物流总额的比重；Ut为随机误差项。

根据表6得到式(6):

lnYt=23.843 32-0.033 164lnx1-2.470 379lnx2-

2.208 120lnx3-0.003 076lnx4 0.006 774lnx5-

0.375 721lnx6-0.007 511lnx7-0.002 794lnx8 (6)

表6 多元回归模型估计结果 导出到EXCEL

因变量： LNY

变量

系数

标准误差

t检验

Prob.

C

23.843 32

8.645 157

2.757 997

0.016 3

lnx1

-0.033 164

0.489 383

-0.067 767

0.947 0

lnx2

-2.470 379

0.901 219

-2.741 153

0.016 8

lnx3

-2.208 120

1.135 707

-1.944 269

0.073 8

lnx4

-0.003 076

0.047 747

-2.054 425

0.949 6

lnx5

0.006 774

0.201 062

2.043 693

0.973 6

lnx6

-0.375 721

0.134 929

-2.784 572

0.015 5

lnx7

-0.007 511

0.130 949

-0.057 355

0.955 1

lnx8

0.002 794

0.091 584

-0.030 509

0.976 1

R-平方

0.992 944

被解释变量的均值

1.900 882

调整R方

0.988 602

被解释变量的标准差

0.340 653

回归标准差

0.036 369

AIC值

-3.498 129

残差平方和

0.017 195

施瓦兹准则

-3.051 793

对数似然

47.479 42

汉南-奎因准则

-3.392 986

F检验

228.678 1

DW值

1.960 277

F检验的p值

0.000 000

t=(2.757997)(−0.067767)(−2.741153)(−1.944269)(−2.054425)(2.043693)(−2.784572)(−0.057355)(−0.030509)R2=0.992944,R¯¯¯2=0.988602,DW=1.960277,F=228.6781t=(2.757997)(-0.067767)(-2.741153)(-1.944269)(-2.054425)(2.043693)(-2.784572)(-0.057355)(-0.030509)R2=0.992944,R¯2=0.988602,DW=1.960277,F=228.6781

由表6可知，R2较大，所以社会物流总费用占社会物流总额比重的多元回归方程拟合效果较好。由表4可得lnY,lnx1～lnx8并不全是平稳序列。故该回归可能是虚假回归。因此，对lnY,lnx1～lnx8进行协整检验。由表5可得，各变量均满足协整检验的前提。因此，只对式(6)的残差序列进行平稳性检验，检验结果如表7所示。

由表7可知，P值为0.000 1,残差序列是平稳序列。lnY,lnx1～lnx8之间存在协整关系，即式(6)可以作为社会物流总费用占社会物流总额的比重Y与影响因素x1～x8之间的数量关系式。

表7 残差序列平稳性检验 导出到EXCEL

原假设：E存在一个单位根

外生变量：无

滞后期：选择SIC检验，自动生成最大滞后数目4

项目

t检验

P值*

ADF检验

-4.676 106

0.000 1

临界值

1%水平下

-2.679 735

5%水平下

-1.958 088

10%水平下

-1.607 830

伴随P值(F检验)

0.000 000

3.2模型的经济意义检验

由回归方程可知，各影响因素回归系数的估计值分别为βˆ1=−0.033164<0,βˆ2=−2.470379<0,βˆ3=−2.208120<0,βˆ4=−0.003076<0,βˆ5=0.006774>0,βˆ6=−0.375721<0,βˆ7=−0.007511<0,βˆ8=0.002794>0β^1=-0.033164<0,β^2=-2.470379<0,β^3=-2.208120<0,β^4=-0.003076<0,β^5=0.006774>0,β^6=-0.375721<0,β^7=-0.007511<0,β^8=0.002794>0。因此，其他条件不变时，x1,x2,x3,x4,x6和x7每增加一个百分点，我国的社会物流成本质量将依次减少0.033 164%,2.470 379%,2.208 120%,0.003 076%,0.375 721%,0.007 511%。其他条件不变时，x5以及x8每增加一个百分点，我国社会物流成本质量将依次增加0.006 774%,0.002 794%。综上所述，验证了假设3、假设6、假设7以及假设8,而假设1、假设2、假设4以及假设5的假设不成立。

3.3模型的显著性检验

从整体出发，在5%的显著水平下，F=228.678 1>F0.05(8,22)=2.40,说明x1～x8对Y的共同影响是显著的。

从单个因素出发，在5%的显著水平下，有|t(βˆ2)|=2.741>t0.025(23)=2.069,|t(βˆ6)|=2.784>t0.025(23)=2.069|t(β^2)|=2.741>t0.025(23)=2.069,|t(β^6)|=2.784>t0.025(23)=2.069,说明x2和x6对Y的影响显著。|t(βˆ4)|=2.05|t(β^4)|=2.05和|t(βˆ5)|=2.04|t(β^5)|=2.04均接近于t0.025(23)=2.069,说明x4、x5对Y的影响仅次于x2和x6。|t(βˆ1)|=0.07,|t(βˆ3)|=1.94,|t(βˆ7)|=0.05|t(β^1)|=0.07,|t(β^3)|=1.94,|t(β^7)|=0.05以及|t(βˆ8)|=0.03|t(β^8)|=0.03均小于t0.025(23)=2.069,所以x1、x3、x7以及x8对Y的影响不显著。

4 结语

基于多元回归模型，采用ADF检验和协整检验分析9个解释变量和被解释变量的平稳性。通过实证分析得出：(1)工业占GDP比重能作用于社会物流成本质量，二者呈负相关关系；(2)水运货物周转量对社会物流成本质量的影响显著，二者呈负相关关系；(3)公路货物周转量和铁路货物周转量对社会物流成本质量的影响仅次于工业占GDP比重和水运货物周转量；(4)人均GDP对社会物流成本质量没有显著影响。因此通过推动工业的发展以及推动水运运输和公路运输的发展有利于物流业的发展，可以实现降本增效的目标。

参考文献

[1] 李守林，赵瑞，陈丽华.基于ANP的物流成本影响因素研究分析[J].工业技术经济，2018,37(6):106-116.

[2] 高晓宁，蒋中民，高树华.烟草商业物流费用定额管理影响因素系统动力学仿真分析[J].烟草科技，2014,(6):33-37.

[3] Mei Yujuan.Logistics Transportation Cost Control of Hazardous Chemicals Based on Cost Control Method[J].Chemical Engineering Transactions(CET Journal),2018,71.

[4] Yunkai Zhai,Yingchao Li.The Research on Influencing Factors of Medical Logistics Cost Based on ISM Model[J].MATEC Web of Conferences,2017,100.

[5] 王可山，张丽彤，刘彦奇.生鲜电商配送成本影响因素及控制优化研究[J].经济问题，2019,(1):108-115.

[6] 刘爱秋，杨春河.基于ISM的粮食物流运输成本影响因素分析[J].物流技术，2013,32(21):177-179 237.

[7] Kar Ashutosh,Datta Pratyay Ranjan.Logistics Cost Dynamics in International Business:A Causal Approach[J].Foreign Trade Review,2020,55(4).

[8] 李红霞，陈磊.基于ISM和AHP法的物流业低成本发展影响因素研究[J].数学的实践与认识，2019,49(11):32-40.

[9] 王艳.物流成本指数及其影响因素比较研究[J].价格理论与实践，2020,(4):84-87.

[10] 龚雪.降低物流成本的理论与政策研究：文献综述与研究展望[J].河北经贸大学学报，2018,39,(1):91-95.

[11] Alfonso A GuijarroRodríguez,Cevallostorres L J,Edison R.ValenciaNuňez,et al.Analysis of Transport Logistics Costs in Supply Chain Management by Applying Fuzzy Logic[C]// International Conference on Technology Trends.Springer,Cham,2017.

[12] 汪文生，张娟.降低社会物流总费用占GDP比重的对策研究——基于多元回归模型的实证分析[J].工业技术经济，2016,35(7):121-129.

[13] 谈贵军，史峰，秦进.宏观物流成本评价指标分析[J].系统工程，2008,(9):38-42.

[14] 赵志坚.我国科技投入对GDP拉动效应的实证分析[J].经济数学，2008,(1):58-63.