0 引言 物流作为生产性服务业的重要组成部分与宏观经济特别是实体经济息息相关，发达国家的发展经验表明，降低物流成本是经济转型升级的必经之路。我国经济发展进入新常态后，降低物流成本成为国家降本增效的重要途径之一。国家层面的物流成本称作社会物流总费用，社会物流总费用的高低与国家经济运行现状、产业结构等诸多宏观因素相关。社会物流总费用占GDP比重已成为衡量一个国家物流业发展水平、经济运行效率的重要指标之一，目前我国社会物流成本依然保持较高的增长速度。因此，有必要基于社会物流总费用的影响因素，对我国社会物流总费用及其占比进行科学研判、预测，从而更好地把握未来宏观经济运行态势，推进我国经济高质量发展。 社会物流成本的预测方法主要有回归分析法、ADL模型、灰色关联法、神经网络预测等方法[1]，上述方法在预测时，解释变量与被解释变量采用同频数据，样本量较小；同时对未来社会物流成本的预测需掌握同期解释变量的具体值。混频模型弥补了传统时间序列分析中不同频率数据不能在同一模型分析的不足。广义混频模型包括混频数据回归模型(MIDAS)及混频向量自回归模型(MF-VAR)。Ghysels等(2006)[2]提出的MIDAS模型是一种时间序列回归方法，其解释变量与被解释变量来自不同频率的样本数据，该方法对高频解释变量进行处理时，严控其系数参数化的数量，将高频变量的待估参数转化为高度简约的分布式滞后多项式来解决待估参数过多的问题，该方法最初主要用于金融市场分析与预测研究。此后MIDAS模型迅速扩展，应用领域也由金融市场的短期预测扩大到宏观经济分析中[3-7]。 MF-VAR由Zadrozny等(1988)[8]提出并改进，该方法将低频变量看作包含缺失值的高频变量，利用状态空间模型建立起高频变量生成过程与低频变量的联系，然后通过极大似然法对该状态空间模型进行估计。Schorfheide和Song(2015)[9]基于明尼苏达先验分布(Minnesota prior)的贝叶斯估计方法建立MF-BVAR，进一步改善了宏观数据的预测效果。 两种方法相比而言，MIDAS模型偏重直接预测，MF-VAR模型偏重迭代预测；对于现实经济问题的预测效果，Kuzina等(2011)[10]指出上述两种模型更类似于互补关系而非替代关系，MIDAS更适于短期预测，MF-VAR在长期预测方面表现更佳。由于本文偏重于社会物流总费用的短期预测，以及社会物流总费用与经济规模、产业结构等各种因素的关系，因此本文选择MIDAS混频模型进行研究。 1 社会物流成本影响因素 物流成本与实体经济发展紧密相连，宏观经济发展对物流成本的影响，主要表现在社会物流总费用随着GDP的提高而同步提升，两者保持较好的线性关系。因此，在对社会物流总费用分析预测时GDP是非常重要的影响因素。也应该注意到，GDP虽然代表全社会生产成果，但是主要是代表增加值，社会物流总费用所对应的是社会实物量总产出。根据社会物流总额来看，2018年社会物流总额中工业品占到93%以上，农产品、再生资源、进出口货物、居民与单位物品占比仅为7%左右。因此，对于社会物流总费用的预测，在考虑GDP的基础上，要引入能够高度反映工业运行状态、部分反映国民经济其他部门生产经营的指标，由于社会物流总额缺乏长期高频数据，因此本文引入全社会用电量作为预测社会物流成本的重要指标。全社会用电量中70%以上为工业用电量，其他行业与居民用电比例相对较低，与社会物流总额的构成比例相似。因此，社会物流总费用的预测，可以考虑与物流需求高度相关的GDP、全社会用电量指标。 社会物流总费用占GDP比例与一国的经济发展阶段、产业结构息息相关。第一、第二产业总产出以实物产品为主，流通环节中对物流的需求大，相应产生的物流费用也高，第三产业产出大部分都是无形服务，对物流依赖度相对较低，相应产生的物流费用较低。因此，对社会物流总费用占比的预测以第三产业增加值在GDP中占比为解释变量。此外，运输结构、物价水平、物流效率也会对社会物流总费用及占比产生影响。货物运输结构是公路、铁路、水运等各运输方式所占的市场份额。与铁路、水运相比，公路运输的单位物流成本较高，但前者往往因为多式联运发展滞后，“最后一公里”问题不能解决而发展缓慢。 2 社会物流成本的预测方法 2.1 理论模型 假设y[L][，t]为低频被解释变量，如年度社会物流总费用；x[H][，t]为高频解释变量，如季度GDP等，则MIDAS表达式为： y[L][，t+h]=a[，h]+b[，h]ω(L[1/m]；θ[，h])x[H][，t]+ε[L][，t+h] (1) 式中，m为不同频变量对应的频率倍差，年度与季度数据的频率倍差m=4；ω(L；θ)=
ω(i；θ)L[i-1/m]ω(i；θ)为权重函数，
ω(i；θ)=1，K-1为x[H][，t]最高滞后阶数，L为滞后算子，h表示被解释变量向前预测的期数，文中向前预测期数以年为单位，h=1表示向前预测1年。Ghysels等(2015)[5]将混频数据引入自回归分布滞后模型(ADL)中，使用ADL-MIDAS模型进行回归，其表达式为：
