我国快递市场需求影响因素识别及作用机理研究

Identification and Mechanism of Influencing Factors of Express Market Demand in China

摘要

我国快递业务量连续10年全球第一，市场规模约占全球2/3，近几年我国快递市场需求出现波动，对快递产业布局产生直接影响，急需研究影响我国快递市场需求变化的影响因素及内在作用机理。基于国民经济发展评价体系，构建了由6个一级指标和14个二级指标组成的快递市场需求影响因素指标体系；运用回归分析理论，构建了快递业务量与影响因素之间的作用机理分析模型；选择我国快递业务量排名前50的城市作为研究对象，收集各城市对应14个影响因素的数据，结果显示：第一产业对快递业务量呈现出负拉动作用，第二产业与第三产业对快递业务量呈现正拉动作用，且第二产业的影响力要大于第三产业，这一结果揭示在快递物流设施规划时，应重点围绕工业型和消费型城市布局。

Abstract

China's express delivery volume has ranked first in the world for 10 consecutive years, with the market size accounting for about 2/3 of the world. In recent years, China's express market demand has fluctuated, which has a direct impact on the layout of the express industry. Therefore, it is urgent to study the key factors affecting the demand change in China's express delivery market and the internal mechanism. Based on the evaluation system of national economic development, an index system of influencing factors for express market demand was established, which was composed of 6 first-level indexes and 14 second-level ones. The theory of regression analysis was applied to construct the mechanism analysis model between express delivery volume and influencing factors. Cities in China with the top 50 express delivery volume were selected as the research object and their corresponding data of 14 influencing factors were collected. The results show that: ① The primary industry has a negative driving effect on the express delivery business volume. ② The secondary industry and the tertiary industry have a positive driving effect on the express delivery business volume. ③ The influence of the secondary industry is greater than that of the tertiary industry. It reveals that the layout of express logistics facilities should focus on industrial and consumption-oriented cities.

Graphical abstract

关键词

快递行业 / 需求测算 / 回归分析 / 作用机理 / 实例研究

Key words

Express Industry / Demand Measurement / Regression Analysis / Action Mechanism / Case Study

0　引言

随着电子商务和互联网经济的快速发展，我国快递行业经过30年的发展，逐渐成为支撑我国经济发展的重要力量。在此背景下，各大快递企业强化设施布局，例如顺丰速运公司在湖北鄂州投产建设货运机场，京东物流和圆通速运分别在安徽芜湖、浙江嘉兴建设全球航空物流枢纽，广州、成都、重庆等地方政府也在积极谋划建设高铁快运基地。因此急需掌握全国快递市场的需求变化规律，以及本地区快递市场增长趋势。研究快递市场需求影响因素，探究各影响因素对快递市场需求的作用机理，对谋划布局区域快递产业意义重大。

目前围绕快递市场需求研究文献较多，主要分布在3个方面：①运用快递业务量历史数据预测快递市场需求规模，孙丽^[1]运用灰色模型预测我国快递行业市场需求；李小俊^[2]综合运用灰色预测模型、趋势外推模型、多元线性回归模型，基于四川省快递业务数据进行需求预测；许可等^[3]构建基于标准差法组合预测模型的区域快递需求量预测方法，并以大连市为例进行实证研究。②研究快递市场各种运输方式分担比例，丁小东^[4]运用三阶段法，研究高铁快运分担系数并预测市场规模；雷渝^[5]运用Lotka-Volterra模型，研究航空与高速铁路的竞合关系；孙宗胜等^[6]运用Logit模型构建了包含经济性、时效性、稳定性、安全性、便捷性、绿色性等服务属性的市场分担率模型，并实证研究得到各种运输方式的优势运距。③研究快递市场结构特点，商丽景等^[7]运用结构-行为-绩效模型(Structure Conduct Performance，SCP)分析我国快递业的市场结构、市场行为和市场绩效，提出我国快递业市场结构调整的对策建议；钟俊娟等^[8]采用绝对集中度方法，测算我国快递产业集中度，从规模经济、进入壁垒、产品差异化和政策法规4个方面分析影响快递产业市场集中度的因素，提出提升快递产业集中度相关建议。

既有研究聚焦快递市场规模的增长规律和各种运输方式的分配机理^[9-10]，对影响快递市场变化的内在影响因素和作用机理研究较少。结合国民经济发展评价体系，探究国民经济主要指标与快递业务量之间的作用关系，选择全国快递业务量排名前50的城市作为研究对象，通过实例研究识别影响快递业务量的关键指标，运用回归分析模型测算主要影响指标对快递业务量的影响系数，该研究对建设区域快递物流园和开展全国性快递物流设施规划提供经验借鉴。

1　我国快递市场发展现状

1.1　问题表现形式

2023年全球快递业务总量突破2 000亿件^[11]，其中我国快递业务量为1 321亿件，占全球市场份额的66%。与GDP增速相比，我国快递市场呈现较高的增长速度，近15年、10年、5年我国快递业务量年复合增长率分别为32%，25%，16%。快递作为新兴产业，已经深度融入到人民生产生活中，但快递市场变化受多因素影响，变化规律预测难度大。从快递业务年增幅来看，2010年以前我国快递业务量每年增长量小于10亿件，2021年快递业务量年增幅近250亿件，2022年开始年增幅又出现了回落，总体来看我国快递业务量增幅尚未达到稳定状态；从增速来看，2013年以前快递业务量年增速逐年增加，到2013年增速达到历史最高峰62%，之后增速开始下降，到2022年增速下降至2%，2023年增速又回升到19%，2024年1—6月，增速进一步提高到23%。总体来看，近15年我国快递业务的增增幅和增速分别出现了8个和4个拐点，这极大增加了市场需求分析的难度，我国快递业务量增幅和增速变化趋势如图1所示。

1.2　我国快递市场需求分析特点

传统的需求预测一般基于历史数据，采用时间推演法，典型的有移动平均法、加权平均法、指数平滑法等，传统预测方法适合内部结构趋于稳定的对象，如我国人口规模、GDP增速等，而快递市场随着互联网经济、电子商务等新业态发展，其内部影响因素结构尚不稳定，例如互联网购物在消费结构中的比例不断增加，导致基于历史数据的预测方法失效。快递业主要包括同城快递、异地快递和国际快递，随着闪送、外卖、同城寄送等业务发展带来同城快递的快速增长，以及国家生产力调整布局、产业转移等因素，带来异地快递业务量增长出现了巨大变化，如广东电子产品制造大规模迁往成都、重庆等地，大数据产业迁往贵州等地，导致各地区异地快递件增速参差不齐。当今全球贸易格局发生深刻的变化，国际进出口升降反复，国际快递业务量变化不定，在这些因素的综合影响下，我国快递业务量的增幅和增速呈现出升降反复、多拐点等特点。

2　研究方法

2.1　模型构建思路

快递作为现代物流的重要分支，属于现代服务业的范畴，影响现代服务业的核心因素有产业结构、社会消费水平和进出口贸易额。因此，我国快递业务量变化也需要考虑主导产业、人口规模、消费水平、进出口贸易额等因素，而上述因素在不同发展时期存在显著差异，导致快递业务量增长出现波动。研究的总体思路为社会经济活动影响居民生产消费，居民生产消费进一步影响快递市场需求，因此既要研究第一、第二、第三产业等影响社会经济活动的因素，同时还要研究人口数量、消费水平等影响居民生产消费的因素，通过构建影响因素指标体系和作用机理分析模型，探析影响快递业务量的关键因素。

2.2　影响因素指标体系

在社会经济发展评价方面，目前较为全面的为国家统计局印发的《中华人民共和国2023年国民经济和社会发展统计公报》^[12]，该公报重点对综合、农业、工业和建筑业、服务业、国内贸易、固定资产投资、对外经济、财政金融、居民收入消费和社会保障、科学技术和教育、文旅和卫体，以及资源、环境和应急管理12个方面进行全面评价。考虑到固定资产投资、财政金融、社会保障、科学技术和教育、文旅和卫体，以及资源、环境和应急管理与快递业务发展关系不紧密，重点从GDP、人口、农业、工业和建筑业、国内贸易、对外经济6个方面，构建快递市场需求影响因素指标体系，我国快递市场需求主要影响因素如图2所示。

2.3　作用机理分析模型

相较传统的时间序列预测法，本研究采用因果分析预测法，研究的目标是理清我国社会经济发展的相关指标对快递市场需求的影响机理。在因果分析预测法中，选择回归模型^[13]，主要原因是回归模型可以通过回归系数直观反映各因素的影响系数。

2.3.1　单因素作用机理模型

设城市i的快递业务量为Y_i，影响该城市快递业务量的因素为X_i，{\beta }_{\mathrm{0}}和{\beta }_{\mathrm{1}}为回归系数，{\beta }_{\mathrm{0}}为常数项，{\beta }_{\mathrm{1}}为该因素对快递业务量的影响力度，{\epsilon }_{\mathrm{0}}为误差项。为了探究某单一因素与快递业务量之间的影响关系，构建如公式⑴所示的单因素回归模型。其中，X_i为图2所示的第一产业增加值、第二产业增加值等14个影响因素。

Y_i={\beta }_{\mathrm{0}}+{\beta }_{\mathrm{1}}{X}_i+{\epsilon }_{\mathrm{0}}⑴

{\beta }_{\mathrm{0}}和{\beta }_{\mathrm{1}}可通过最小二乘法完成，计算原理为基于观测数据或统计样本，通过最小化每个样本数据点到线的垂直偏差平方和来计算最佳拟合线。具体计算方法如公式⑵所示。

{\beta }_{\mathrm{1}}=\frac{\sum XY-\overline{X}\overline{Y}}{\sum X-n{\overline{X}}^{\mathrm{2}}}⑵

式中：X，Y为样本；\overline{x}，\overline{y}为样本均值；n为样本数量。

2.3.2　多因素作用机理模型

多元回归模型在研究物流产业影响因素中比较常见，王迪^[14]以上海为研究对象，分析货运量与全社会固定资产投资额、进出口总额、三大产业产值、常住人口、社会消费品零售总额和居民人均可支配收入之间的影响关系。为了探究多个因素同时对快递业务量的影响关系，构建如公式⑶所示的多因素回归模型。

Y_i={\beta }_{\mathrm{0}}+{\beta }_{\mathrm{1}}{X}_{\mathrm{1}i}+{\beta }_{\mathrm{2}}{X}_{\mathrm{2}i}+\cdots +{\beta }_k{X}_{ki}+{\epsilon }_{\mathrm{0}}⑶

式中：X_{ki}为影响因素；{\beta }_k为偏回归系数，{\beta }_k可用公式⑷所示的非随机表达式求解；k为自变量数量(k=14)。

E\left(Y|X_{\mathrm{1}i}，X_{\mathrm{2}i}，\cdots ，X_{ki}\right)={\beta }_{\mathrm{0}}+{\beta }_{\mathrm{1}}{X}_{\mathrm{1}i}+{\beta }_{\mathrm{2}}{X}_{\mathrm{2}i}+\cdots +{\beta }_k{X}_{ki}{}_{}⑷

3　实证研究

3.1　数据来源

3.1.1　研究样本选择

研究选择我国快递业量排名前50的城市作为研究对象，使用国家邮政管理局公布的2022年统计数据^[15]。50个城市2022年快递业务量合计879亿件，占全国快递业务总量的67%，表明选择样本具有较强的代表性。从统计数据来看，快递业务量最大的为金华118亿件，其次是广州101亿件、深圳58亿件，排名第50的潍坊业务量为4.87亿件。为了便于研究，找出规律，对50个城市按照快递业务量从大到小排序，业务量超过20亿件的为第一梯队城市，业务量低于10亿件的为第三梯队城市，其他为第二梯队城市，样本分类如表1所示。

为了保证选择样本具有代表性，选取2019—2023年数据进行校验分析，分别验证其他年份与2022年数据之间的差异和一致性。通过SPSS信度分析，结果显示2019年至2023年5年数据内部一致性系数Alpha=0.986，表明2022年样本数据可信度极高。同时，对2022年数据与其他4个样本年份数据进行配对分析，结果显示其他4个年份数据与2022年样本数据之间相关性均超过了0.95，尤其2023年数据与2022年数据之间相关性达0.998，表明选择的研究对象和样本数可信度极高，样本配对分析如表2所示。2022年与其他年份快递业务量散点图如图3所示。

3.1.2　研究数据来源

依据图2所示的我国快递市场需求主要影响因素，结合50个城市2022年国民经济和社会发展统计公报，收集到50个城市14个影响因素数据，共计700个数据，我国快递市场需求主要影响因素数据统计如表3所示。考虑到14个二级指标单位不一致，在后续计算过程中，对指标数据进行无量纲化处理。

3.2　快递市场影响因素识别

为了研究主要影响因素与某地区快递业务量之间的影响关系，对比研究第一梯队与第三梯队城市各影响因素之间的关系和差异，分析各因素对快递业务量影响的作用机理。

（1）典型城市快递市场影响因素。在第一梯队中选择广州市作为研究对象，结果显示广州服务业较为发达，在所有影响因素中第三产业增加值取值最高，其次是社会消费品零售总额、商品进口总值；在第三梯队中选择哈尔滨为研究对象，结果显示哈尔滨农业较为发达，在所有影响因素中粮食产量取值最高。研究发现，第三产业增加值、社会消费品零售总额、商品进口总值对快递业务量起正向拉动作用，第一产业对快递业务量起负拉动作用。

（2）城市群快递市场影响因素。选择第一梯队和第三梯队为研究对象，以两个梯队每项指标的均值作为研究样本。以第一产业增加值为例，分别计算金华、广州、深圳等10个第一梯队城市和无锡、绍兴、南京等23个第三梯队城市的均值，不同类型城市快递业务量影响因素对比分析如图5所示。结果显示，快递业务量较大城市第二产业和第三产业较为发达，例如进出口贸易、社会消费品零售总额、规模以上工业企业实现利税总额等指标取值较大；快递业务量较低城市第一产业较为发达，尤其粮食、肉类、水果、蔬菜、水产品等指标取值较高。可见第二产业、第三产业以及人口对快递产业正向拉动较为明显。

3.3　快递市场影响因素作用机理

（1）单因素作用机理。为了系统研究各因素对快递业务影响作用力，分别选择第一产业增加值、第二产业增加值、第三产业增加值3个行业经济指标，以及粮食产量、规模以上工业实现利税总额、社会消费品零售总额3个产业指标，绘制了快递业务量与各因素之间的散点图，主要因素对快递业务量的影响机理如图6所示。图6中纵坐标为因素影响力，具体计算方法为：因素影响力=因素样本值/该类样本总和×100；横坐标为城市编号，按照该城市快递业务量排序，具体排序规则为快递业务量越大城市标号越小。通过多项式拟合趋势分析，当快递业务量按照由大到小顺序排列时，第一产业增加值、粮食产量呈递增分布趋势，第二产业增加值、规模以上工业实现利税总额、第三产业增加值、社会消费品零售总额呈递减分布趋势，表明第一产业相关指标与快递业务量呈反向影响关系，第二产业、第三产业及相关指标与快递业务量呈正拉动关系。

基于以上分析，采用单因素回归分析法，分别构建14个影响因素与快递业务量之间的回归模型，并使用SPSS数据分析软件测算回归系数，得到如下结果。①第一产业增加值和对应二级指标与快递业务量影响系数均为负值，即某个城市第一产业占比过大，将会导致快递业务量减少。②在14个影响因素中{\beta }_{\mathrm{1}}值排前三的分别为第二产业增加值(0.49)、社会消费品零售总额(0.46)、第三产业增加值(0.35)，即此三项指标对快递业务量正拉动较大；排后三的分别为第一产业增加值(-0.30)、粮食产量(-0.29)、水果蔬菜食用菌产量(-0.24)，即此类指标对快递业务量负拉动较大。③在所有回归模型中显著性指标较小的为商品出口总值(0.035)、第三产业增加值(0.038)、社会消费品零售总额(0.044)、粮食产量(0.045)、第二产业增加值(0.049)，即此类指标对快递业务的影响作用更为显著。单因素回归分析结果如表4所示。

（2）多因素作用机理。为了探究每个影响因素与快递业务量之间的影响关系，将各城市快递业务量定为因变量，14个影响因素定为自变量，运用公式⑶，并使用SPSS数据分析软件，测算得出如公式⑸所示的多元线性回归方方程。

Y=\mathrm{1.574}-\mathrm{0.854}\times X_{\mathrm{1}}+\mathrm{0.564}\times X_{\mathrm{2}}+\mathrm{0.579}\times X_{\mathrm{3}}⑸

式中：Y表示快递业务量，件；X_{\mathrm{1}}表示全社会建筑业增加值，元；X_{\mathrm{2}}表示第三产业增加值，元；X_{\mathrm{3}}表示\mathrm{商品}\mathrm{出口}\mathrm{总值}，元。

从计算结果来看，全社会建筑业增加值、第三产业增加值、商品出口总值被纳入回归方程，其他11个影响因素由于显著性指标大于0.05，故被移除。通过多元回归分析得出：①在95%置信区间下，只有全社会建筑业增加值、第三产业增加值、商品出口总值与快递业务量之间存在线性关系；②第三产业增加值、商品出口总值与快递业务量之间存在正拉动关系，全社会建筑业增加值主要需求为大宗物资，故与快递业务量之间存在负拉动关系。运用公式⑸，构建全社会建筑业增加值、第三产业增加值、商品出口总值与快递业务量仿真拟合模型，仿真拟合如图7所示。拟合曲线与样本曲线呈现出较高的相似性。

4　结论

基于社会经济发展评价体系，系统梳理了与快递业务量相关的14个影响因素，选择快递业务量排名前50的城市作为研究对象，通过构建线性回归方程，运用SPSS数据分析软件，研究主要影响因素与快递业务量之间的作用机理，得出以下结论。

（1）第一产业对快递业务量呈现出负拉动作用，尤其粮食、肉类、水果蔬菜、水产品等在流通环节主要使用大批量的冷藏车，而非小件快递包裹形式运输，例如铁路冷链专列、冷链运输班线，单趟运输的周转时间在一周左右，这就解释了在全国快递业务量前50城市中潍坊等蔬菜大市排名靠后的原因。第二产业与第三产业对快递业务量的影响为正拉动，且第二产业的影响力要大于第三产业。

（2）通过单因素分析，在仅考虑一个因素作用影响下，对快递业务量影响较大因素分别为第二产业增加值(0.49)、社会消费品零售总额(0.46)、第三产业增加值(0.35)、粮食产量(-0.29)、商品出口总值(0.22)。

（3）通过多因素分析，在14个影响因素中，全社会建筑业增加值、第三产业增加值、商品出口总值被纳入回归模型，其他因素对快递业务量的影响不够显著。

选择的研究对象为全国快递业务量排名前50的城市，累计业务量占全国快递业务总量的67%，虽然具有一定的代表性，但忽略了部分中小城市，可能会导致部分研究结论有偏差；在后续研究中，将考虑同城快递、高铁快运等细分市场，研究细分市场业务量影响因素及作用机理。

参考文献

[1] 孙　丽. 基于灰色预测模型的快递行业市场需求预测[J]. 铁道运营技术，2017，23(4)：5-8，35.

[2] 李小俊. 快递需求量组合预测模型构建及实证研究[D]. 成都：西南交通大学，2017.

[3] 许　可，王孝坤. 基于标准差法组合预测模型的区域快递需求量预测研究：以大连市为例[J]. 数学的实践与认识，2022，52(9)：18-27.

[4] XU Ke， WANG Xiaokun. Regional Express Delivery Based on Standard Deviation Combined Forecasting Model Demand Forecasting Research：Taking Dalian City as an Example[J]. Mathematics in Practice and Theory，2022，52(9)：18-27.

[5] 丁小东. 我国快递网络“三阶段法”流量分析模型研究[J]. 铁道运输与经济，2019，41(3)：53-57.

[6] DING Xiaodong. A Research on "Three-Stage Method"Traffic Analysis Model of Express Network in China[J]. Railway Transport and Economy，2019，41(3)：53-57.

[7] 雷　渝. 高铁与航空快递运输竞合关系研究[D]. 成都：西南交通大学，2022.

[8] 孙宗胜，帅　斌，许旻昊. 低碳背景下快捷货物各运输方式间临界运距研究[J]. 交通运输系统工程与信息，2023，23(6)：11-21.

[9] SUN Zongsheng， SHUAI Bin， XU Minhao. Critical Transportation Distance Analysis for Express Goods Transportation Modes Considering Low Carbon Emissions[J]. Journal of Transportation Systems Engineering and Information Technology，2023，23(6)：11-21.

[10] 商丽景，贾瑞峰. 基于SCP分析的我国快递业市场结构调整研究[J]. 铁道运输与经济，2013，35(4)：69-73.

[11] SHANG Lijing， JIA Ruifeng. Study on Structure Adjustment of Chinese Express Industry Market Based on SCP Analysis[J]. Railway Transport and Economy，2013，35(4)：69-73.

[12] ZHONG J J， WANG J. Chinese Express Industry Concentration Degree Measure and Analysis[C]//2010 International Conference on Future Information Technology and Management Engineering. October 9-10，2010. Changzhou，China：IEEE，2010：4.

[13] 陈畴镛，高明镜. 基于组合预测模型的快递需求预测研究[J]. 杭州电子科技大学学报(社会科学版)，2022，18(1)：1-9.

[14] CHEN Chouyong， GAO Mingjing. A Research on Express Demand Forecast Based on Combination Forecasting Model[J]. Journal of Hangzhou Dianzi University (Social Sciences)，2022，18(1)：1-9.

[15] 许荣斌，王业国，王福田，等. 基于改进PSO-BP算法的快递业务量预测[J]. 计算机集成制造系统，2018，24(7)：1871-1879.

[16] XU Rongbin， WANG Yeguo， WANG Futian，et al. Prediction of Package Volume Based on Improved PSO-BP[J]. Computer Integrated Manufacturing Systems，2018，24(7)：1871-1879.

[17] 新京报. 2023年全球快递包裹业务量预计突破2000亿件[EB/OL]. (2023-01-11 8)[2023-11-22].

[18] 国家统计局. 中华人民共和国2023年国民经济和社会发展统计公报[EB/OL]. (2023-01-18)[2024-02-29].

[19] 戴金辉，袁　靖. 单因素方差分析与多元线性回归分析检验方法的比较[J]. 统计与决策，2016(9)：23-26.

[20] 王　迪. 基于多元线性回归模型的物流需求影响因素实证分析：以上海市为例[J]. 投资与创业，2022，33(14)：58-60.

[21] 国家邮政局. 国家邮政局公布2022年邮政行业运行情况[EB/OL]. (2023-01-18)[2024-03-14].

基金资助

中国国家铁路集团有限公司科技研究开发计划课题(P2023X014)

中国铁道科学研究院集团有限公司科研项目(2022YJ355)