1952—2002年中国物流增量和GDP增量的协整分析，本文主要内容关键词为：增量论文,年中论文,物流论文,GDP论文，此文献不代表本站观点，内容供学术参考，文章仅供参考阅读下载。
一、引言
物流在国民经济发展中扮演着越来越重要的角色。快速发展的中国经济是物流发展的坚实后盾，在“首届中国物流高层论坛”上，北大教授萧灼基指出，经济与物流发展密切相关[1]。北京物资学院的王之泰教授也认为，中国物流正在从起步期进入发展期[1]。的确，物流作为国民经济发展的重要一环，时时为经济发展的变化所牵动，同时，物流又对经济发展有着一定的制约和能动作用。这需要我们对两者及时做出调整，以适应新的形势，求得新的发展。物流与当前保持着快速增长的中国宏观经济是如何协调发展，其中的矛盾和微妙关系等课题急需我们进行研究。
二、研究数据的选取和处理
（一）代表性指标的选取
这项研究最大的一个难点就是代表性指标的选取。第一个指标是物流指标。我国对物流产业的界定尚不完全清晰，要找到一个完全精确度量物流发展规模的指标是不可能的。我们经过仔细的选择后决定把货运周转量作为物流水平或物流规模表征的指标。我们知道，物流一般包含了运输、库存、装卸、搬运、包装、配送等多个环节。一个被称为物流的过程可以不经过仓储、分包、配送，但不可以不经过运输。因此，全社会的运输量在总体上可以近似代表社会物流的规模，即物流总量的大小。另一方面，运输量对仓储量、包装量等在一定的社会条件下存在着密切的相关关系。例如说某一地区每年产煤一千万吨，那么根据该地区所拥有船舶数量、大小，以及需求量的大小，就很容易确定此地区港口堆场及仓库的需求量。所以抓住运输量，就基本上可以确定物流其它环节的需求量。同时，考虑到与运输量有关的指标主要有货运周转量和货运量。而一个运输量可能由于存在二程、三程运输，从而产生几份运输量，因此如果用货运量（亿吨）来代表运输量有可能会夸大对运输各个环节的需求量。改用货运周转量（亿吨公里）来做指标则基本上反映了社会对运输的需求，也间接地反映了对其它物流需求的近似规模。因此，本文选择相对较为全面的全社会货运周转量（亿吨公里）指标作为物流规模的代表。
第二个指标是反映全社会经济发展水平的宏观经济指标，我们选取国民生产总值（GDP）来表征。
（二）对数据的处理
本研究的原始数据取自《中国统计年鉴2003》[2]和《新中国五十年》[3]。GDP时间序列和货运周转量时间序列样本区间为1952—2002年，共51个样本值。对原始数据加工后形成本文研究所需的时间序列的样本值为50个。其中GDP时间序列数据经过真实价格指数（1978年为100）修正，以消除通货膨胀的影响（大多数的研究认为在上个世纪80年代以前，我们的物价受严格的管制，当时的官方零售价格指数不能反映真实的物价水平[4—6]（注：关于价格水平，广泛应用的是零售价格指数，然而众所周知相当长的时间内中国的物价受官方严格控制，难以根据商品和市场供给自由调整，因而官方公布的价格指数势必低估了通胀水平。研究者（Li & Leung,1994;Hasan,1999）认为有必要构建“真实的”价格指数。我们这里选取的价格指数有两个来源：其一是Feltenstein & Ha（1991）重新度量了1979—1989年间的价格指数；其二是Li＆Leung（1994）基于相同的方法度量了1952—1989年间的价格指数。进入20世纪90年代以后绝大多数商品价格已经放开，我们假定这时官方指数的变化率便能够代表真实价格指数的变化率，据此来衔接上1990—2002年的真实价格指数。）。
数据处理过程如下：
对第一个数据（物流的增量）的处理办法：首先选取1952—2002年的货运周转量，用下一年的货运周转量减去上一年货运周转量，我们就这样依次得到了物流的历年净增加值，用此来表征物流的规模增量，以下简称为物流的增量（简记为ΔLV。LV指logistics volume）。
第t年的物流增量Δ[，t]LV＝第t年的货运周转量—第（t－1）年的货运周转量 （1）
对第二个时间序列数据（宏观经济规模增量）的处理办法：首先选取1952—2002年的国民生产总值（GDP），考虑到GDP的值受通货膨胀的影响较大，在这么长的时间跨度下必须消除这种影响。然后用GDP除以真实的价格指数，我们称此时的GDP为消除通胀后的GDP（简记为GDPz）。最后依次用下一年的GDPz减去上一年的GDPz，就得到了反映宏观经济水平增量的GDP净增加值的时间序列。
第t年的GDP净增加值Δ[，t]GDP＝第t年的GDPz－第（t－1）年的GDPz （2）
（三）时间序列的定性分析观察
GDP的变化与物流量的变化息息相关。1958年到1960年的三年“大跃进”期间使我国的重工业增长了2.3倍，轻工业和农业增长较慢，导致国民经济比例的严重失调，引发了1959、1960、1961三年的货运周转量发展过快，出现一个向上的凸点[7]，而与此相对应1960年时的GDP也超乎寻常的高。从1961年开始国民经济调整，压缩基本建设规模，控制重工业发展，调整失调的产业结构，使货运周转量又恢复了应有的水平。经过几年的调整，经济得以恢复，与1960年相比，1965年农业产值增长42.2％，轻工业产值增长27.5％，重工业产值下降37.2％。这种经济状况累积引起1966年的货运周转量达到了一个凸点[7]。与此相对应，1969年和1970年的GDP也都达到了一个较高的水平。从1997年起，全国开始关闭乡镇小煤矿，引起了1998年煤炭运量下降；同时，由于1997年东南亚金融危机对我国1998年的进出口贸易的影响，1998年全国货运周转量呈现负增长[8]，1998年的GDP增量也比此前有所减缓。
我们通过图1可以看出，两个序列的发展趋势基本相同。凭直观感觉，我们初步分析认为GDP增量与物流的增量之间应该具有某种相关的发展关系。
图1 物流增量和GDP增量时间序列折线图
三、对数据的计量经济学分析
传统的经济计量方法学在进行回归分析时，要求时间序列必须是平稳的，否则会产生“伪回归”。我们这里的两个时间序列似乎都很难满足平稳性的要求。近十年来，发展起来一种处理非平稳数据的方法——协整理论和误差修正模型。本文尝试运用协整理论来进行分析。
（一）时间序列的稳定性及检验
宏观经济序列如果被看作是线性随机过程，常常在它们的自回归过程中，含有一个（或至少一个）单位根。大量实证研究表明，宏观经济序列常常表现为1（1）过程，即含有一个单位根[9]。这表明，某些外在的振荡对经济有永恒的影响。
一般认为，稳定性检验法（ADF）技术是目前最有效的序列稳定性检验工具。Fuller（1976年）、Dickey和Fuller（1979年）[10]提出了检验数据稳定性的方法。经修订的Dickey—Fuller稳定性检验法的回归方程是：
式（3）中，Y[，t]是待检验的时间序列，α是常数项，T为时间趋势，p是滞后值，ε[，t]是随机误差项。ADF检验统计值是所谓的t统计值，Fuller（1976年）描述了ADF检验t统计值的分布[11]。如果在序列无差分情况下，t统计值小于临界值，则序列无单位根，是稳定的1（0）序列；如果在序列无差分情况下不能拒绝检验，但在第一次差分情况下拒绝检验，则序列是含有一个单位根的不稳定的1（1）序列；如果在序列无差分情况下和在第一差分情况下均不能拒绝检验，但在第二次差分情况下拒绝检验，则序列是含有2个单位根的不稳定的1（2）序列。
（二）协整概念与经济意义
假如变量X和Y是I（1）序列，它们的线性结合就有可能是协整（co-integrated）的，即它们的线性结合是稳定的1（0）过程。Granger在1981、1983年提出了协整的概念，Engle和Granger于1987年作了进一步分析[12]：向量X[，t]的元素协整于CI（d，b），记作X[，t]～CI（d，b），假如：（i）X[，t]是I（d）；（ii）有一不等于零的向量a，使得a[T]X[，t]～I（d，b），d≥b＞0。向量a称为协整向量。
协整的经济意义在于，尽管很多因素使X[，t]的单个元素产生了永久性的变化，仍然存在一些长期的均衡关系，把这些单个元素联系在一起，其线性结合可用a[，T]X[，t]表示。另外，X[，t]的元素（变量）可能会在短期内游离开均衡状态，但在某些经济力量的作用下它们会不断回复到均衡状态。换句话说，这些变量在短期内可能处于非均衡状态，但从长期来看，它们倾向于一起均衡变动。因此，如果两个经济变量的时间序列间存在协整关系，那么我们说这两个经济变量间具有长期均衡增长关系。
如果有两个不稳定的I（1）序列变量X和Y，但二者间又同时存在协整关系，那么，根据Engle和Granger（1987）的“Granger表达式定理”[12]，必须用误差较正模型（ECM）表达它们的线性关系。该模型是将误差较正项（EC）嵌入第一次差分滞后向量自回归模型（VAR）中而得的：
方程式（4）中的Z[，t-1]＝（Y[，t-1]＋ω[，0]＋ω[，1]X[，t－1]）就是协整向量，表示变量X和Y之间的长期均衡关系，它调整了短期内序列变量X和Y间的非均衡状态（偏离长期共同增长趋势），使它们回到长期均衡状态，因此φZ[，t－1]叫误差校正项（EC）。p是滞后值，t是时间，μ[，t]是误差扰动项。注意方程式（4）中的所有项均为稳定的I（0）过程。
（三）Granger因果关系检验技术
经济学中的一个常见的问题是要确定一个变量的变化是否为另一个变量变化的原因。例如，是物流增量的变化引起GDP增量的变化，还是GDP增量与物流增量都是由内因决定的？回答这类问题的一种方法是Granger和Sims的因果关系检验法。
Granger和Sims的因果关系检验法的基本想法很简单：如果X的变化引起Y的变化，则X的变化应当发生在Y的变化之前。特别地，说“X是引起Y变化的原因”，则必须满足两个条件：第一，X应该有助于预测Y，即在Y关于Y的过去值的回归中，添加X的过去值作为独立变量应当显著地增加回归的解释能力。第二，Y不应当有助于预测X，其原因是如果X有助于预测Y，Y也有助于预测X，则很可能存在一个或几个其他的变量，它们既是引起X变化的原因，也是引起Y变化的原因。
要检验这两个条件是否成立，我们需要检验一个变量对预测另一个变量没有帮助的原假设。例如，要想检验“X不是引起Y变化的原因”的原假设，我们把Y对Y的滞后值及X的滞后值进行回归（“无限制条件”模型），再将Y只对Y的滞后值（“有限制条件”模型）进行回归。然后就能用一个简单的F检验来确定X的滞后值是否对第一个回归的解释能力有显著的贡献。如果贡献显著，我们就能拒绝原假设，认为数据与“X”是引起Y变化的原因”相一致。“Y不是引起X变化的原因”的原假设也可用同样的方法检验。
四、GDP增量与物流增量的协整性研究
（一）国内生产总值（GDP）增量时间序列的单位根检验
国内生产总值增量的单位根检验采用ADF方法，检验结果如下：
表1 GDP增量时间序列的单位根检验表
检验类型 ADF检验值 显著水平临界值 检验结果
GDP增量时间序列 -1.338620
1％
-3.5713 不平稳
5％
-2.9228 不平稳
10％ -2.5990 不平稳
DW值:2.004166
GDP增量时间序列 -6.463390
1％
-3.5745 平稳
一阶差分 5％
-2.9241 平稳
10％
-2.5997 平稳
DW值:2.019355
从表1可以看出：GDP增量时间序列在显著水平1％下存在单位根，为不平稳序列，经一阶差分后检验在1％显著水平下无单位根，为平稳序列。故GDP增量序列为1（1）序列。
（二）物流增量时间序列的单位根检验
货运周转量增量的单位根检验采用ADF方法，检验结果如下：
表2 货运周转量增量时间序列的单位根检验
检验类型ADF检验值 显著水平临界值 检验结果
物流增量-2.0509431％ -3.5713 不平稳
时间序列 5％ -2.9228 不平稳
10％ -2.5990 不平稳
DW值:2.010040
物流增量-6.5549191％ -3.5745
平稳
时间序列 5％ -2.9241
平稳
一阶差分 10％ -2.5997
平稳
DW值:2.059754
从表2可以看出：物流增量时间序列在显著水平1％下存在单位根，为不平稳序列，经一阶差分后检验在1％显著水平下无单位根，为平稳序列。故物流增量序列亦为1（1）序列。
（三）GDP增量时间序列和货运周转量增量时间序列的协整检验
表3 货运周转量与GDP葛兰杰因果关系检验结果
零假设自由度F值 P值
物流增量不能葛兰杰引起GDP 484.82724
0.01284
GDP增量不能葛兰杰引起物流
0.05342
0.94804
在显著水平α＝5％时，其F[，0.05]（2，48）＝3.19。由此可知，可以认为GDP增量不能葛兰杰引起物流增量的零假设被接受，而物流增量不能葛兰杰引起GDP增量的零假设被拒绝。可以认为，物流增量与GDP增量间存在着单向的葛兰杰因果关系。
通过运算，得到GDP增量和物流增量间的估计方程为（我们用ΔLV表示物流增量；用ΔGDP表示GDP增量；ΔGDP（－1）表示GDP增量的一年滞后）：
ΔGDP＝0.2577ΔLV＋0.502ΔGDP（－1）（5）
（t＝4.74 t＝4.798）
（se＝0.054se＝0.104）
R[2]＝0.5308，调整后R[2]＝0.5207
同时，又对方程的估计残差进行单位根检验，结果如表4。
表4 估计方程残差的单位根检验
ADF检验值自由度 显著水平临界值 检验结果
-5.618149 46
1％ -3.5778 平稳
5％ -2.9256 平稳
10％ -2.6005 平稳
DW值:2.00
从检验结果看，估计方程的残差1％显著水平下无单位根，为平稳的1（0）序列。说明GDP增量时间序列和物流增量时间序列是一阶协整关系，具有长期稳定的均衡联动关系。可以建立下一阶段的误差修正模型。
（四）建立误差修正模型
在协整的基础上，采用从一般到特殊的模型选择方法，首先对模型选择较多的变量及多位的滞后项，然后再对模型中的参数进行检验，去掉无关或相关性差的变量和滞后项，得到符合要求的模型（我们用Z表示由式（5）得到的协整向量；用ΔGDP表示t年的GDP增量；ΔGDP（－1）表示t年GDP增量的一年滞后；u表示随机误差；T表示时间年序列）。
最后得到：
ΔGDP＝－0.3429ΔGDP（－1）
＋0.7383Z＋0.7172u－0.0517T
（t＝－5.42 t＝8.22 t＝9.13 t＝－7.32）
（se＝0.06 se＝0.089 se＝0.079 se＝0.007）
（6）
协整向量Z＝0.2577ΔLV＋0.502ΔGDP（－1），R[2]＝0.8699。可见，拟合优度高，并且各种检验均通过。残差u的ADF检验值为－5.297803，小于－3.5850（1％显著水平下的临界值），DW值为1.92。表明残差为平稳、不自相关的1（0）序列。
五、模型分析
从GDP增量的长期协整方程来看，本期的物流增量、以及上一期的GDP增量都对GDP增量存在着正相关性，随着物流增量的增加，GDP的增量也在增加。
而从短期来看，上一期的GDP增量与本期的GDP增量存在着负相关性，表明在一定的外界约束条件下，若某一时期的GDP增长过快，则会影响下一期GDP的增长速度。这从另一个角度说明了保持国民经济持续稳定增长的必要性，不能追求一时的GDP过快增长。
在误差校正模型中，误差校正项的系数为0.7172。这表明在一定时期内，若GDP增量出现偏离长期均衡方程的情况，则短期动态回归到长期均衡的速度还是较快的。在短期内，物流增量对GDP增量无明显的影响，但是从长期来看，GDP增量对协整向量的弹性系数为0.7383，表明这种长期的均衡关系对GDP增量的内在影响还是很明显的。这也定量地验证了我们前边定性分析时说明的国民经济的发展需要有相应的物流发展水平。时间年序列T的系数为－0.0517，这验证了GDP的年增量也会逐渐呈现出一种边际递减规律。
标签：时间序列论文; 协整检验论文; 经济模型论文; 协整关系论文; 增量模型论文; 协变量论文; 计量经济学论文; 市场均衡论文; 经济学论文; 经济论文;