6月份中国物流业景气指数加快扩张

基于理性预期理论（Muth, 1961），经济主体根据可得信息形成对未来经济变量的最优预测，而物流业景气指数作为反映实体货物流转活跃度的综合指标，蕴含了产业链上下游供需匹配的实时信息。根据 Stock & Watson（1989）的领先指标理论，物流活动天然先于最终产品的生产和销售决策——原材料采购、中间品运输和产成品配送均领先于增加值的核算时点。同时，由于物流业涵盖铁路运输、航空运输、邮政快递等多个子行业，不同子行业的信息含量可能存在异质性。据此提出以下假说：

• **H1**：物流业景气指数对制造业增加值增速具有正向先行预测效应，最优预测窗口为1—3个月，预测系数在1%水平上显著。
• **H2**：新订单分项指数的预测能力强于从业人员分项，因为新订单直接反映下游制造业的原材料采购需求。
• **H3**：物流业景气指数在经济下行阶段（指数低于50%）的预测能力强于扩张阶段，存在非对称预测效应。

本文采用混频VAR模型（MF-VAR, Schorfheide & Song, 2015）解决物流业景气指数（月度频率）与GDP增速（季度频率）之间的混频问题。核心识别逻辑为：在控制工业增加值、M2增速等宏观变量后，若物流业景气指数的滞后项在制造业增加值方程中联合显著，且通过Granger因果检验，则说明物流业景气指数包含独立于传统宏观变量的增量预测信息。关键识别假定包括：（1）VAR系统包含的变量集足以刻画经济动态的共性运动，残差近似为白噪声过程；（2）物流业景气指数的月度波动主要由实体经济活动驱动，而非统计噪声。通过AIC/BIC信息准则确定最优滞后阶数，避免过度参数化。

基准混频VAR(p)模型设定为：

Y_t = c + Σ_{i=1}^{p} A_i Y_{t-i} + ε_t

其中 Y_t = [LPI_t, MVA_t, PMI_t, M2_t]′ 为内生变量向量。LPI_t 为月度物流业景气指数，MVA_t 为制造业增加值同比增速（月度），PMI_t 为制造业PMI，M2_t 为广义货币供应量同比增速。A_i 为4×4系数矩阵，ε_t ∼ N(0, Σ)。对于GDP季度数据，采用状态空间模型将其嵌入月度VAR框架。脉冲响应函数 IRF(h) = ∂Y_{t+h}/∂ε_t 追踪物流业景气指数一个标准差冲击对各变量的动态传导路径；方差分解量化物流业景气指数对制造业增加值预测误差方差的贡献比例。

• 被解释变量：制造业增加值同比增速（国家统计局月度数据），经X-13-ARIMA季节调整
• 核心解释变量：物流业景气指数及4个分项指数——业务总量、新订单、固定资产投资完成额、从业人员（中国物流与采购联合会），均为环比可比的扩散指数
• 控制变量：制造业PMI（国家统计局）、M2同比增速（人民银行）、社会融资规模存量同比增速（人民银行）
• 样本区间：2013年1月—2026年6月，月度频率，共162个观测值

• **替换被解释变量**：以全社会货运量同比增速替代制造业增加值增速重新估计VAR，检验物流业景气指数的预测能力是否对产出测度方式敏感。
• **滚动窗口估计**：以48个月为窗口进行滚动VAR估计，绘制预测系数的时间路径图，观察预测关系的时变特征，排除特定时间段（如疫情期间）驱动结论的可能。
• **非线性门限检验**：使用门限VAR（TVAR）以50%荣枯线为门槛，检验物流业景气指数在经济收缩期与扩张期的非对称预测效应，验证H3。
• **样本外预测评估**：以2013M1—2024M12为训练集、2025M1—2026M6为测试集，计算含/不含物流业景气指数模型的均方根误差（RMSE）和Diebold-Mariano检验统计量，避免样本内过拟合。

根据凯恩斯乘数理论（Keynes, 1936），物流基础设施投资作为政府主导的资本形成，通过直接创造建筑安装就业、拉动水泥钢材等上游产业需求、改善物流效率降低企业运营成本三条渠道产生乘数效应。新凯恩斯主义框架（Christiano et al., 2005）进一步指出，在名义粘性和产能闲置条件下，公共投资的乘数效应显著大于充分就业情形。Aschauer（1989）强调公共资本（含交通基础设施）具有正的生产性外部性，降低私人部门的物流成本从而提高全要素生产率。结合中国区域经济梯度发展格局，中西部地区的物流瓶颈更为突出，投资的边际回报可能更高。据此提出以下假说：

• **H1**：交通运输物流基础设施投资的长期乘数大于短期乘数，5年累计乘数显著大于1。
• **H2**：中西部地区的物流基建投资乘数大于东部地区，反映边际基础设施存量较低带来的更高边际回报。
• **H3**：经济下行期（产能利用率低于75%）的物流基建投资乘数大于扩张期，符合新凯恩斯主义关于闲置资源条件下乘数放大的预测。

本文采用局部投影法（Jordà, 2005）估计物流基建投资的动态乘数，该方法相比传统VAR对模型误设具有更好的鲁棒性。核心识别挑战在于分离外生的投资冲击与内生的投资响应——地方政府倾向于在经济下行时加大基建投资（逆周期调节），导致OLS估计偏误。为此，本文借鉴 Ramey & Zubairy（2018）的叙事法思路，以中央"五年规划"中交通基建投资目标与省级实际执行之间的差异作为外生投资冲击的工具变量。关键识别假定：（1）中央规划目标在省级层面的执行偏差不受当期省级经济冲击的直接影响；（2）规划目标差异主要通过实际投资渠道影响产出，而非通过预期渠道。

局部投影法的核心方程为：

Y_{i,t+h} - Y_{i,t-1} = α_i^h + α_t^h + β^h · ΔI_{i,t} + γ^h · X_{i,t-1} + ε_{i,t}^h

其中 Y_{i,t+h} 为省份 i 在 t+h 期的实际GDP对数值，ΔI_{i,t} 为物流基建投资的实际增长率（经GDP平减指数调整），X_{i,t-1} 为滞后控制变量向量（含省级财政支出增速、信贷增速、人口增长率等）。α_i^h 和 α_t^h 分别为省份固定效应和时间固定效应。β^h 直接给出h期后的累计乘数。为检验非线性，引入 β^h · D_{slack}（经济松弛虚拟变量）交互项。

• 被解释变量：省级实际GDP（以GDP平减指数折算为2015年不变价，取对数），省级城镇就业人数（取对数）
• 核心解释变量：交通运输、仓储和邮政业固定资产投资实际增速（Wind数据库），细分铁路、公路、航空、管道四类
• 控制变量：省级一般公共预算支出增速、金融机构贷款余额增速、常住人口增长率、城镇化率（国家统计局各省统计年鉴）
• 经济松弛指标：省级产能利用率（国家统计局季度数据年度化），以低于75%为 slack 状态
• 样本区间：2005—2025年，31个省份（不含港澳台），年度面板

• **替换工具变量**：以中央财政交通专项转移支付的省级分配额替代叙事法工具变量，使用IV-2SLS重新估计乘数，检验结论对识别策略的敏感性。
• **排除同期政策干扰**：在控制变量中加入同期"四万亿"刺激计划虚拟变量（2009—2010年）和"一带一路"重点省份虚拟变量，排除大规模政策冲击对乘数估计的干扰。
• **动态效应的事件研究法**：绘制投资冲击后0—7年的脉冲响应路径图，检验乘数是否在经济松弛期系统性高于紧缩期，并验证长期乘数收敛于稳定值。
• **子样本稳定性检验**：分别剔除直辖市样本、剔除2020—2022年疫情冲击年份，检验乘数估计的样本稳定性。

根据劳动力需求理论（Hamermesh, 1993），行业产出扩张直接拉动劳动力需求——物流业景气指数上升意味着业务量增加，企业需增雇快递员、仓储管理员、货运司机等岗位。然而，Acemoglu（2002）的技能偏向型技术变革理论指出，伴随物流自动化和数字化（如智能分拣、无人仓储），扩张可能更倾向于吸纳高技能劳动者而替代低技能岗位。Moretti（2010）的产业关联就业溢出效应进一步表明，物流业每增加1个直接岗位，可通过上下游关联间接创造约1.5—2个制造业和服务业岗位。据此提出以下假说：

• **H1**：物流业景气指数每上升1个百分点，物流及相关行业就业人数增长0.3—0.5个百分点，就业吸纳弹性显著为正。
• **H2**：物流业扩张对低技能劳动者（初中及以下学历）的吸纳效应大于高技能劳动者，因为物流业仍以劳动密集型岗位为主。
• **H3**：伴随物流数字化转型，近年来高技能劳动者的吸纳弹性呈上升趋势，就业结构出现技能升级特征。

核心识别挑战是物流业景气与就业的同时决定——经济繁荣同时推高物流需求和就业（联立性偏误），且物流业就业数据可能受统计口径变化影响。本文采用 Bartik shift-share 工具变量策略：以全国层面物流业景气指数的时间变化（shift）与各省物流业就业份额（share，基期2015年）的交互项作为省级物流业景气指数的工具变量。该策略的识别逻辑是：全国物流景气波动对单个省份而言是外生的，而基期就业份额反映了各省物流业的比较优势，二者的交互项满足相关性条件。关键识别假定：（1）排他性约束——全国物流景气冲击仅通过省级物流业景气渠道影响省级就业，不直接作用于特定省份的劳动力市场；（2）基期就业份额不受后续就业冲击的预期影响。同时使用Heckman两步法校正流动人口调查中的样本选择偏误（是否被调查到的选择性）。

基准面板固定效应模型：

ln(EMP_{i,t}) = α + β · LPI_{i,t} + γ · X_{i,t} + μ_i + λ_t + ε_{i,t}

其中 EMP_{i,t} 为省份 i 第 t 期物流及相关行业就业人数，LPI_{i,t} 为物流业景气指数，X_{i,t} 为控制变量向量（省级GDP增速、制造业增加值增速、最低工资标准、城镇化率）。μ_i 为省份固定效应，λ_t 为时间固定效应。β 的经济含义为物流业景气指数变动1个百分点对就业的半弹性。工具变量估计的第一阶段为 LPI_{i,t} = π_0 + π_1 · (ΔLPI_t^{national} × Share_{i,2015}) + 控制项 + u_{i,t}，以F统计量检验工具变量强度。为检验技能异质性，将 EMP 按教育水平分组估计。

• 被解释变量：省级物流及相关行业就业人数（交通运输、仓储和邮政业城镇单位就业人员数，中国劳动统计年鉴），按教育层次细分为初中及以下、高中/中专、大专及以上三组
• 核心解释变量：省级物流业景气指数（中国物流与采购联合会），工具变量为全国景气指数月度变化 × 各省2015年物流业就业份额
• 控制变量：省级GDP实际增速、制造业增加值增速、城镇最低工资标准（取对数）、城镇化率、互联网普及率（各省统计年鉴）
• 微观补充数据：流动人口动态监测调查（CMDS）中从事物流行业的个体样本，用于刻画就业者的年龄、教育、城乡来源特征
• 样本区间：2013—2025年，31个省份年度面板；CMDS微观数据覆盖2013—2018年（该调查2018年后停更）

• **替换就业测度**：以物流业从业人员劳动报酬总额替代就业人数作为被解释变量，检验物流扩张是否也带动工资增长（而非仅扩大就业数量），验证就业质量维度。
• **替换工具变量构造**：以相邻省份物流业景气指数的加权平均（空间滞后项）替代全国shift-share IV重新估计，检验结论对工具变量构造方式的敏感性。
• **Heckman vs. 面板FE比较**：分别使用Heckman两步法和面板固定效应处理样本选择，对比两种方法下的估计结果差异，评估选择偏误对结论的影响程度。
• **安慰剂检验**：将物流业景气指数替换为同期制造业PMI作为"虚假处理变量"，检验其对物流就业的伪效应是否统计不显著，排除一般性经济景气驱动的共线性问题。

根据 Williamson（1985）的交易成本经济学，不同运输方式的资产专用性、交易频率和不确定性存在本质差异——铁路运输具有极高的资产专用性和自然垄断特征，航空运输兼具资本密集和竞争性市场属性，管道运输为典型的自然垄断行业，邮政快递则呈现竞争性市场特征。这些制度属性的差异直接影响投资决策的激励相容程度。Kornai（1986）的预算软约束理论指出，国有企业主导的行业（如铁路）面临更弱的利润约束，投资决策可能偏离效率最优。Hart（1995）的产权理论进一步预测，民营化程度更高的行业（如快递业）投资效率应更高。据此提出以下假说：

• **H1**：邮政快递业（竞争性、民营主导）的固定资产投资效率最高，铁路运输业（垄断性、国企主导）最低，ICOR差异在统计上显著。
• **H2**：行业国有经济占比每上升10个百分点，投资效率（技术效率得分）下降3—5个百分点，预算软约束效应显著。
• **H3**：行业准入管制放松（以牌照发放数量衡量）后，新进入企业的投资效率高于在位国企，市场竞争改善整体投资效率。

本文采用两阶段估计策略。第一阶段使用随机前沿分析（SFA）估计各子行业的投资效率前沿面，得到每个省份-子行业-年份的技术效率得分（0—1之间）。第二阶段将效率得分作为被解释变量，以制度变量（国有经济占比、行业市场化指数、准入管制强度）为核心解释变量进行Tobit回归。核心识别假定：（1）投资效率前沿面的形状主要由技术因素决定，制度变量不影响前沿面本身但影响实际效率与前沿面的偏离程度；（2）制度变量（如国企占比）在短期内对外生投资冲击而言具有足够的惰性（inertia），可视为准外生。为缓解内生性，制度变量取一期滞后值。

第一阶段SFA模型：

ln(Q_{ijt}) = β_0 + β_1 ln(K_{ijt}) + β_2 ln(L_{ijt}) + v_{ijt} - u_{ijt}

其中 Q_{ijt} 为行业 j 省份 i 第 t 期的产出（运输量或行业增加值），K_{ijt} 为固定资产投资存量（永续盘存法，折旧率5%），L_{ijt} 为从业人员数。v_{ijt} ∼ N(0, σ_v²) 为随机误差，u_{ijt} ≥ 0 为技术无效率项，服从截断正态分布。技术效率 TE_{ijt} = exp(-u_{ijt})。

第二阶段Tobit模型：

TE_{ijt} = α + δ_1 · SOE_{j,t-1} + δ_2 · ENTRY_{j,t-1} + δ_3 · MKT_{i,t-1} + γ · Z_{ijt} + ε_{ijt}

其中 SOE 为国有经济固定资产投资占比，ENTRY 为行业准入企业数量（对数），MKT 为省份市场化指数（樊纲指数），Z 为控制变量向量。

• 被解释变量（第一阶段）：行业产出，以运输周转量（铁路、公路）、旅客吞吐量（航空）、管道输气量、快递业务量分别度量各子行业产出
• 核心解释变量（第一阶段）：固定资产投资存量（永续盘存法，以固定资产投资价格指数折算为实际值，基期2010年，折旧率5%）；从业人员数
• 制度变量（第二阶段）：国有经济固定资产投资占比（各子行业国企投资额/行业总投资额）、行业准入企业数量（民航局/铁路局/邮政局公布的持证企业数）、省份市场化总指数（樊纲中国市场化指数）
• 控制变量：省份GDP增速、城镇化率、人口密度、地理区位虚拟变量（东/中/西部）
• 样本区间：2010—2025年，31个省份 × 4个子行业，年度面板

• **替换前沿面函数形式**：以Translog生产函数替代Cobb-Douglas函数重新估计SFA，检验效率得分对函数形式假定的敏感性，并似然比检验选择最优函数形式。
• **替换投资存量测度**：以不同折旧率（3%和7%）重新计算固定资产投资存量，检验投资效率排名的稳健性。
• **排除规模效应干扰**：在第二阶段Tobit模型中加入行业投资规模（对数）作为控制变量，排除"规模大导致效率低"的伪相关，分离制度因素对效率的净效应。
• **替代制度变量**：以行业CR4集中度替代国企占比、以行业利润率替代市场化指数，检验制度变量对效率影响的结论是否对具体指标选择稳健。

根据 Hirschman（1958）的产业关联理论，物流业是典型的"社会先行资本"部门，其发展通过前向关联（为制造业提供低成本运输服务）和后向关联（拉动交通运输设备制造业需求）促进产业升级。Krugman（1991）的新经济地理学指出，物流成本下降扩大市场范围，促使制造业向规模经济和高技术方向演化。Gereffi（2005）的全球价值链理论强调，高效物流体系是制造业嵌入高端价值链的必要条件。新闻报道中电子机械、通信设备等高技术制造业物流需求回升，暗示物流效率改善与制造业高端化存在正向反馈。据此提出以下假说：

• **H1**：物流业与制造业的产业关联强度每增加10%，高技术制造业增加值占比提升1—2个百分点，物流需求增长显著促进制造业结构升级。
• **H2**：物流-制造业协同升级效应存在显著的空间溢出，本省物流业发展对邻近省份（300公里以内）制造业结构升级具有正向溢出效应。
• **H3**：供应链复杂度更高的行业（如电子机械、通信设备），物流需求增长的产业升级效应更强，因为这些行业对物流时效性和可靠性的依赖更高。

核心识别挑战是物流需求与制造业结构升级的双向因果——产业升级也创造更多物流需求。本文采用双重识别策略：（1）利用投入产出表构建Bartik-style工具变量，以全国层面各行业物流需求增长率（shift）与各省基期（2012年）投入产出表中的物流-制造业直接消耗系数（share）的交互项作为省级物流需求冲击的IV，利用产业结构的外生变异识别因果效应；（2）使用系统GMM估计动态面板模型，以物流需求变量的滞后项作为内部工具变量，处理动态面板中的Nickell偏误。关键识别假定：（1）全国层面各行业物流需求增长对单个省份而言是外生的，不直接受某省制造业结构变化的影响；（2）基期投入产出关联结构在短期内相对稳定。

空间杜宾模型（SDM）：

SU_{i,t} = ρ · W · SU_{i,t} + β_1 · LD_{i,t} + β_2 · W · LD_{i,t} + γ · X_{i,t} + θ · W · X_{i,t} + μ_i + λ_t + ε_{i,t}

其中 SU_{i,t} 为省份 i 第 t 期制造业结构升级指数（高技术制造业增加值/制造业总增加值），LD_{i,t} 为物流需求强度（物流业景气指数或货物周转量对数），W 为空间权重矩阵（基于省份间地理距离倒数构造，300公里以外截断）。ρ 为空间自回归系数，β_2 捕捉物流需求的空间溢出效应。系统GMM模型为：

SU_{i,t} = α · SU_{i,t-1} + β · LD_{i,t} + γ · X_{i,t} + μ_i + λ_t + ε_{i,t}

使用差分GMM和系统GMM两步法估计，Sargan/Hansen过度识别检验验证工具变量有效性。

• 被解释变量：制造业结构升级指数 = 高技术制造业增加值 / 制造业总增加值（国家统计局工业统计年鉴），替代指标为技术密集型行业就业占比
• 核心解释变量：物流需求强度，以物流业景气指数（中国物流与采购联合会）度量，替代指标为货物周转量对数（各省统计年鉴）
• 产业关联强度指标：利用2012/2017/2022年投入产出表中的物流业对制造业各行业的直接消耗系数和完全消耗系数构造Bartik IV
• 控制变量：省级R&D经费投入强度（R&D/GDP）、人力资本水平（人均受教育年限）、FDI实际利用额（对数）、互联网普及率、城镇化率
• 空间权重矩阵：基于省会城市间球面距离倒数构造，以300公里为截断半径；替代矩阵为经济距离矩阵（人均GDP差异倒数）
• 样本区间：2012—2025年，30个省份（西藏因数据缺失剔除）年度面板

• **替换空间权重矩阵**：以经济距离矩阵（人均GDP差异的倒数）和邻接矩阵替代地理距离矩阵，检验空间溢出效应对权重矩阵定义的敏感性，并报告不同矩阵下溢出效应的直接效应/间接效应分解。
• **替换产业升级指标**：以制造业出口技术复杂度（EXPY指标）和全要素生产率（OP法估计）替代高技术产业占比，检验结论是否对产业升级测度方式敏感。
• **排除同期产业政策干扰**：在控制变量中加入"中国制造2025"试点城市虚拟变量和国家高新区设立年份虚拟变量，排除产业政策对制造业升级的独立影响，分离物流需求的净效应。
• **样本期分割检验**：以2017年（新一轮供给侧改革深化年）为分界点，分两个子样本估计，检验物流-制造业协同升级效应在供给侧改革前后是否发生结构性变化。