需求重回扩张区间——5月份我国物流业相关数据分析

基于 Keynes 的有效需求理论，物流需求作为派生需求，其景气指数变动直接反映实体经济中投资与消费需求的边际变化。本文提出三个可检验假说：H1——物流业景气指数每回升 1 个百分点，下一季度 GDP 增速提升 0.15-0.3 个百分点，该乘数效应通过库存周转加速与新增订单传导实现；H2——物流固定资产投资完成额指数的乘数效应大于业务总量指数，因物流基础设施投资兼具短期需求拉动与长期供给改善双重效应；H3——在经济下行期（LPI<50%），物流投资的边际乘数显著高于上行期，呈现非线性特征，符合 Keynes 关于衰退期财政乘数更大的理论预测。

本文面临的核心内生性挑战在于物流景气指数与总需求之间存在双向因果关系。识别策略采用三重方法：其一，利用物流业"派生需求"特性——制造业物流需求源于生产决策的外生冲击（如新能源汽车产业链政策），以制造业 PMI 新订单指数作为工具变量进行两阶段最小二乘估计；其二，构建结构 VAR 模型，依据 Cholesky 分解设定变量排序（制造业订单→物流景气→GDP），假定当期物流景气不对当期制造业订单产生反向影响；其三，利用 2020 年疫情冲击作为准自然实验，以各省首次确诊病例日期作为外生冲击，通过双重差分法识别物流中断对总需求的因果效应。

基准模型设定为包含 4 个内生变量的 SVAR(p) 系统：Y_t = [LPI_order_t, LPI_invest_t, LPI_total_t, GDP_growth_t]'，其中 LPI_order 为新订单指数，LPI_invest 为固定资产投资指数，LPI_total 为综合景气指数。模型形式为 AY_t = B₁Y_{t-1} + ... + B_pY_{t-p} + ε_t，A 矩阵刻画同期因果关系，ε_t 为结构冲击向量。进一步构建局部投影模型（Local Projections, Jordà, 2005）：y_{t+h} − y_{t−1} = α_h + β_h shock_t + γ_h'X_t + ε_{t+h}，其中 shock_t 为物流投资冲击，h = 0,...,12 为预测期数，X_t 包含滞后控制变量，β_h 直接给出各期脉冲响应。

核心被解释变量为季度实际 GDP 同比增速（国家统计局）。核心解释变量包括：物流新订单指数冲击（LPI 新订单分项与 ARIMA 预测值之差）、物流投资冲击（固定资产投资分项环比变动）、综合景气冲击（LPI 综合指数环比变动）。控制变量集合包括：M2 同比增速（中国人民银行）、制造业 PMI（国家统计局）、工业用电量（国家能源局）、季度 CPI（国家统计局）。样本期为 2013 年 3 月（LPI 首发）至 2026 年 6 月，共 159 个月度观测值，在转换至季度频率时取季内均值。所有变量均经 ADF 检验确认平稳性。

进行至少三种稳健性检验：第一，替换被解释变量——以社会消费品零售总额增速和工业增加值增速分别替代 GDP 增速，检验物流乘数效应的需求侧与供给侧分解；第二，改变模型设定——以 Bayesian VAR 替代传统 VAR，通过 Minnesota 先验解决过度参数化问题，并比较不同滞后阶数（p = 1, 2, 3）下的结果稳健性；第三，子样本分析——将样本分为 2013-2019 年（疫情前）与 2020-2026 年（疫情后）两个子期间，检验物流乘数效应的结构性变化；此外，采用 Diebold-Yilmaz 溢出指数方法衡量各变量间的方向性关联度，补充验证乘数效应的来源。

---

Williamson 的交易成本经济学指出，企业的最优治理结构取决于资产专用性、交易频率与不确定性三个维度。本文提出：H1——小型物流企业因资产专用性低（以轻资产、灵活运力调配为主），在燃料与用工成本冲击下具有更高的治理结构适应性，表现为利润指数的逆势回升；H2——大中型物流企业因专用性资产占比高（自建仓储、定制化信息平台、长期合同车队），面临更高的转换成本与退出壁垒，成本冲击下利润弹性较低；H3——制度环境（市场化程度、政企关系、融资便利性）对交易成本的调节效应在小微企业中更强，在市场化程度高的地区，小微企业应对成本冲击的边际优势更为显著。

研究面临的核心识别问题是如何将"规模效应"与"制度效应"分离。识别策略分为三步：首先，以企业资产规模与员工人数作为规模连续变量，而非简单的大/中/小/微分组，利用 RDD 思路在工信部划型标准门槛附近进行局部线性回归，识别纯规模效应；其次，以各省市场化指数（樊纲指数）作为制度质量的代理变量，构建交互项模型识别制度对规模-利润关系的调节作用；最后，采用企业固定效应面板模型控制不随时间变化的企业异质性（如企业文化、管理层能力），仅利用企业规模变动（跨越门槛）的组内变异进行识别。

基准模型设定为：Profit_{it} = α + β₁Size_{it} + β₂Cost_{it} + β₃Size_{it}×Cost_{it} + γ'X_{it} + δ'Z_{jt} + μ_i + λ_t + ε_{it}。其中 Profit_{it} 为企业 i 在 t 期的主营业务利润指数，Size_{it} 为规模分类变量（以工信部标准划分为大型、中型、小型、微型），Cost_{it} 为企业主营业务成本指数，交互项系数 β₃ 捕捉不同规模企业在成本冲击下的利润弹性差异。X_{it} 为企业层面控制变量（设备利用率、资金周转率指数），Z_{jt} 为省份 j 的制度变量（市场化指数、物流基础设施密度、高速公路里程密度），μ_i 为企业固定效应，λ_t 为时间固定效应。

核心被解释变量为主营业务利润指数（中国物流与采购联合会月度企业调查，按资产规模和营业收入综合划分为大/中/小/微四类）。核心解释变量：主营业务成本指数（分燃料成本、用工成本）、企业资产专用性代理变量（固定资产占总资产比重、运输设备租赁比例）。制度变量：各省市场化指数（国民经济研究所，最新可获至 2024 年），数字物流发展指数（中国物流与采购联合会，2020-2026 年）。控制变量：企业年龄、所有制类型（国有/民营/外资）、所在省份 GDP 增速。样本覆盖 2018-2026 年间的月度非平衡面板，预计包含约 5000 家企业。

第一，替换规模分类标准——以连续型资产规模对数替代离散分类变量，检验规模-利润关系的函数形式敏感性；第二，替换制度变量——以世界银行《营商环境报告》中的"合同执行效率"和"物流绩效指数"替代市场化指数，检验制度测度的稳健性；第三，安慰剂检验——以餐饮业、零售业等其他服务业企业调查数据重复分析，检验"小企业韧性"是否为物流业特有现象；此外，采用分位数回归考察成本冲击在不同利润分位上的异质性效应，补充 OLS 均值回归可能遗漏的分布信息。

---

新经济地理学理论指出，运输成本是决定产业集聚与区域差距的关键变量。本文提出：H1——中国物流业发展存在显著的绝对 β 收敛，即初始物流发展水平较低的省份具有更快的物流景气指数增速，收敛速度约为每年 2-3%；H2——物流基础设施投资具有显著的空间溢出效应，某省物流固定投资每增加 1%，相邻省份的物流景气指数提升 0.1-0.2 个百分点，这种溢出效应在高铁和高速公路连通地区更为显著；H3——物流区域收敛通过降低中间品贸易成本促进制造业从东部沿海向中西部转移，表现为中西部地区制造业物流需求增速系统性高于东部。

识别区域收敛面临 Galton 谬误（均值回归）与空间自相关导致的标准误偏误双重挑战。本文采用动态面板系统 GMM 估计（Blundell & Bond, 1998），以滞后水平变量作为差分方程的工具变量，同时以滞后差分变量作为水平方程的工具变量，有效解决被解释变量滞后项的内生性问题。空间依赖性识别采用 Moran's I 检验与 LM 检验，在确认空间自相关存在的前提下，通过空间杜宾模型（SDM）同时估计直接效应与间接效应（空间溢出），并以省份是否处于同一经济区（如长江经济带、京津冀）作为空间权重矩阵的替代方案进行交叉验证。

收敛模型设定为：ΔLPI_{it} = α + β LPI_{i,t−1} + γ'X_{it} + μ_i + λ_t + ε_{it}，其中 ΔLPI_{it} 为省份 i 物流景气指数的月度环比变动，β < 0 意味着收敛。进一步的空间杜宾模型设定为：LPI_{it} = ρ Σw_{ij} LPI_{jt} + β₁Invest_{it} + β₂ Σw_{ij} Invest_{jt} + γ'X_{it} + μ_i + λ_t + ε_{it}，其中 w_{ij} 为空间权重矩阵元素（地理邻接或经济距离），ρ 为空间自回归系数，β₂ 捕捉投资的空间溢出效应。σ 收敛检验通过计算各省 LPI 的横截面标准差或变异系数的时间趋势来评估。

被解释变量为各省物流业景气指数的月度环比变动（ΔLPI，中国物流与采购联合会，2013-2026 年 31 个省份月度数据）。核心解释变量：滞后一期 LPI 水平值（LPI_{t−1}，检验收敛）、物流固定资产投资完成额指数（衡量投资力度）。空间权重矩阵采用三种构造方式：一阶 Queen 邻接矩阵（地理相邻）、反距离矩阵（省会间公路距离倒数）、经济距离矩阵（两省人均 GDP 差距的倒数）。控制变量：省份人均 GDP（国家统计局）、制造业增加值占比（产业结构）、省会城市是否为全国性物流枢纽（国家发改委名单）、高铁通车里程（交通运输部）。

第一，替换收敛检验方法——采用 Phillips & Sul（2007）的 log t 检验替代传统 β-σ 收敛框架，识别是否存在俱乐部收敛（club convergence），即东中西部各自内部收敛但跨区域发散的非线性收敛模式；第二，替换物流发展度量——以各省快递业务量增速和货运周转量增速作为物流景气指数的替代变量，验证结论不依赖于特定指标选择；第三，改变空间权重矩阵——分别使用地理邻接矩阵、经济距离矩阵和交通时间矩阵进行空间计量估计，检验空间溢出效应的矩阵敏感性；第四，排除异常时期——剔除 2020 年 1-3 月（疫情暴发期）和 2022 年 4-6 月（上海封控期）的观测值，检验收敛结论是否由极端事件驱动。

---

货币主义理论的核心命题是货币供给变动是通胀的最终原因，但货币到价格的传导需要通过实体经济的成本结构实现。本文提出：H1——物流成本指数每上升 1 个百分点，3-6 个月后的核心 CPI 上升 0.05-0.1 个百分点，物流成本是 PPI 向 CPI 传导的关键中介变量；H2——M2 增速对物流成本传导效应具有非对称调节作用：在货币宽松期（M2 增速 > 10%），物流成本上升更容易传导至终端价格，传导系数放大 30-50%；在货币紧缩期，传导被显著抑制；H3——燃料成本（成品油价格）的物流传导时滞（约 2-3 个月）显著短于用工成本（约 6-12 个月），因燃料价格变动直接且快速反映在运输费用中，而用工成本通过劳动合同刚性缓释。

识别物流成本对通胀的因果效应面临两个主要挑战：一是通胀预期可能同时驱动物流企业上调价格（反向因果），二是货币政策可能同时对两者产生影响（遗漏变量）。本文采用三重识别策略：第一，以国际原油价格（布伦特原油现货价，美元计价）作为国内物流燃料成本的工具变量，因国际油价对中国物流成本具有强解释力，但对国内货币政策反应不敏感（满足外生性）；第二，构建符号约束的 SVAR 模型，对货币冲击施加"提高 M2 不降低利率"的符号约束，对供给冲击施加"提高成本降低产出"的约束，通过历史分解分离不同冲击的贡献；第三，利用 2018 年和 2022 年两次国内成品油定价机制改革作为准自然实验，以改革前后燃料价格传导系数的变化识别政策效应。

基准 TVP-VAR 模型设定为：Y_t = X_t β_t + A_t^{−1} Σ_t ε_t，其中 Y_t = [Oil_t, LPI_cost_t, M2_t, CPI_t]' 包含国际油价、物流成本指数、M2 增速和 CPI。时变参数 β_t 服从随机游走过程：β_t = β_{t−1} + ν_t，允许模型捕捉不同经济周期阶段物流成本传导强度的结构性变化。进一步构建中介效应检验模型：CPI_t = α + β₁ LPI_cost_{t−k} + γ' X_t + ε_t（总效应），PPI_t = α + β₂ LPI_cost_{t−k} + γ' X_t + u_t（中介变量方程），CPI_t = α + β₃ LPI_cost_{t−k} + β₄ PPI_t + γ' X_t + v_t（直接效应），β₁ − β₃ 即为通过 PPI 的中介效应。

被解释变量为月度核心 CPI 环比增速（国家统计局，剔除食品和能源）。核心解释变量：物流成本压力指数（以 LPI 主营业务成本指数减去 LPI 物流服务价格指数构建成本-价格缺口，衡量成本传导的未完成部分）、物流燃料成本指数、物流用工成本指数。控制变量：M2 同比增速（中国人民银行）、美元兑人民币汇率（中国外汇交易中心）、国际原油价格（布伦特现货，EIA）、产出缺口（以 HP 滤波从工业增加值中提取）。样本期为 2013 年 3 月至 2026 年 6 月，共约 160 个月度观测值。所有变量经 X-12-ARIMA 季调处理。

第一，替换通胀度量——以 GDP 平减指数（季度频率，通过 Denton 方法插值至月度）和 PPI 生产资料分项分别替代 CPI，检验物流成本对不同价格指数的影响差异；第二，替换物流成本度量——以全国道路货运价格指数（交通运输部）和柴油零售均价替代 LPI 成本指数，检验测度方法对结论的影响；第三，改变模型设定——以 Bayesian VAR 替代 TVP-VAR，通过不同的先验设定检验时变特征的稳健性；第四，反事实模拟——基于估计的 TVP-VAR 进行反事实分析，模拟"如果物流成本指数未上升"情景下的 CPI 路径，与实际情况比较以量化物流渠道的通胀贡献。

---

Tversky 与 Kahneman 的锚定调整启发式理论指出，个体在不确定情境下的判断会受到初始锚定值的影响且调整不充分。本文提出：H1——物流企业业务活动预期指数存在显著的锚定效应，企业上期预期指数和上期实际景气指数均对当期预期具有过度影响，预期对基本面新信息的调整系数小于 1（约为 0.6-0.7）；H2——在景气指数连续上升后，企业预期呈现"过度乐观偏差"——预期指数的上升幅度系统性大于实际景气指数的改善幅度，符合诊断性预期理论中"代表性启发式"的预测；H3——小型和微型企业的预期形成更依赖锚定与经验法则（因信息收集成本高），预期偏差显著大于具备专业研究团队的大型企业，表现为小微企业的预期-实际缺口标准差更大。

识别锚定效应的核心挑战在于区分"理性信息粘性"（如 Mankiw & Reis 的信息粘性模型，企业基于成本-收益优化选择性地更新信息）与"行为偏差"（企业因认知局限而系统性地锚定于历史信息）。本文采用双重识别策略：第一，构建理性预期基准——基于 ARIMA 模型和包含全部公开信息的 VAR 预测作为"理性预期"基准，将企业实际预期与理性预期的偏差定义为行为偏差成分；第二，利用细分行业层面的异质性冲击作为信息实验——当某细分行业（如冷链物流）受到外生政策冲击（如国家对冷链基础设施的补贴政策出台）时，比较该行业企业与其他行业企业预期的调整速度与幅度差异，若调整不足且存在行业间传染（非直接受冲击行业的预期也跟随上调），则支持锚定效应假说而非理性信息粘性。

基准锚定效应检验模型设定为：Expect_{it} = α + β₁Expect_{i,t−1} + β₂Actual_{i,t−1} + β₃ ΔActual_{i,t} + γ'X_{it} + μ_i + ε_{it}。其中 Expect_{it} 为企业 i 在 t 期的业务活动预期指数，Actual_{i,t−1} 为上期实际景气指数。β₁ 为锚定于自身历史预期的系数，β₂ 为锚定于历史基本面的系数。若 β₁ + β₂ 接近 1 而 β₃（对新信息的反应系数）显著小于 1，则支持锚定效应。进一步构建过度乐观检验：Overopt_{it} = Expect_{it} − Actual_{it}，对其建立回归模型，检验近期景气变动方向（上升/下降）对过度乐观的非对称影响。

核心被解释变量：预期偏差（Expect − Actual，中国物流与采购联合会月度企业调查）。核心解释变量：滞后预期指数、滞后实际景气指数、近期景气变动方向虚拟变量（连续上升 2 个月及以上 = 1）、信息冲击强度（媒体报道中"物流"词频的环比变化，以百度指数和慧科新闻数据库构建）。分组变量：企业规模（大/中/小/微）、细分行业（道路运输/铁路运输/邮政快递/多式联运/仓储）。参照点变量：依照前景理论，以 LPI = 50%（荣枯线）和行业历史均值作为双重参照点，构建不同参照框架下的预期偏差度量。样本期为 2018-2026 年月度数据。

第一，替换预期度量——以企业设备利用率指数和资金周转率指数作为企业对未来经营预期的"行动化代理变量"（Revealed Preference 逻辑），因企业若真正乐观会增加设备采购和资金投入，检验基于行动数据的预期度量是否同样支持锚定效应结论；第二，跨行业对照——以制造业 PMI 预期指数（国家统计局）进行平行分析，检验物流行业的高预期波动是否属于独特的行为现象，还是所有周期性行业的共性特征；第三，实验室实验补充——设计一个在线行为实验（通过 Credamo 或见数平台招募物流企业中层管理者），以受控的实验情境直接测量锚定效应参数（锚定值在低/中/高条件下的不同设定），为田野数据的计量发现提供因果证据的内部有效性支持。

---