经济水平与管道物流水平相互作用关系.docx

经济水平与管道物流水平相互作用关系.docx

《经济水平与管道物流水平相互作用关系.docx》由会员分享，可在线阅读，更多相关《经济水平与管道物流水平相互作用关系.docx（16页珍藏版）》请在冰豆网上搜索。

经济水平与管道物流水平相互作用关系

我国经济水平与管道物流水平之间的作用研究——基于向量误差修正模型的应用

摘要：

基于1990年到2014年国内生产总值、管道货运量、管道里程数的时间序列数据。

在通过平稳性检验和协整检验后建立向量误差修正模型，并进行格兰杰因果分析和脉冲响应分析，对我国经济增长和管道物流之间的关系进行实证研究。

通过协整检验可以得到，各变量之间确实存在着长期的均衡关系。

格兰杰因果检验分析表明：

在10%的显著性水平下，国内生产总值与管道货运量之间存在着单向格兰杰因果关系，管道货运量不是经济增长的格兰杰原因，其他变量之间在5%的显著性水平下都通过了格兰杰因果检验。

脉冲响应函数得出：

给GDP和管道里程数一个正向冲击，长期来看都会促进管道货运量的增长，而给管道货运量一个正向冲击，没有表现出拉动经济增长的效果，可以说明管道物流发展水平还处于初级阶段，有关部门应该调整管道货运政策，更好的发挥管道这一运输方式的作用。

关键字：

管道运输；格兰杰因果分析；误差修正模型；经济水平；脉冲响应分析

中图分类号：

F205文献标志码：

A

StudyontheInteractionBetweentheChina'sEconomicLevelandtheLevelofPipelineLogistics——BasedontheApplicationofVectorErrorCorrectionModel

Abstract:

BasedonthetimeseriesdataofGDP,pipelinefreight,pipelinemileagefrom1990to2014.Thispaperestablisherrorcorrectionmodelafterstationaritytestandcointegrationtest,tostudytherelationshipbetweeneconomicgrowthandthelogisticspipelineinChinathroughgrangercausalityanalysisandimpulseresponseanalysis. Throughthecointegrationtest,wecanknowthatthereisalong-termequilibriumrelationshipbetweenthevariables.Grangercausalityanalysisshowsthatthereisaone-waygrangercausalitybetweenthegrossdomesticproduct（GDP）andpipelinefreightvolumeunderthe10%levelofsignificance,andpipelinefreightvolumeisnotthecauseofgrangereconomicgrowth,amongothervariablesallthroughthegranger

causalitytestunderthe5%levelofsignificance.TheimpulseresponsefunctionshowsthatifgivingapositiveimpacttoGDPandpipelinemileage,itwillpromotethepipelinefreightvolumegrowthinalongtime,butgivingapositiveimpacttopipelinefreightvolume,withouttheeffectofstimulatingeconomicgrowth,itcanshowthatthepipelinelogisticsdevelopmentisstillintheinitialstage,therelevantdepartmentsshouldadjustthepipelinefreightpolicytoplaythepipeline

transportationbetter.

Keywords:

Pipelinetransportation；Grangercausalityanalysis；Errorcorrectionmodel；Economiclevel；Impulseresponseanalysis

0引言

随着“十三五”规划、“一带一路”战略等的提出，我国的物流业又迎来了新的机遇。

物流作为企业的第三利润源泉，一直很引人关注，很多学者都把关注度投向这一领域，主要集中在公路、铁路、水运、航空物流水平上，对管道物流相关的研究很少。

管道运输除了可以广泛的应用于石油、天然气的长距离运输以外，还可以用来运输煤炭、建材、化学品等原材料的运输，这一运输方式具有运输成本低、不易受气候环境等因素影响等多方面优势。

自上世纪90年代以来，我国GDP快速增长的同时，管道货运量也在逐年攀升，统计数据显示：

国内生产总值由1990年的18774.3亿元增加到2014年的636138.7亿元；以管道里程数为代表的基础设施也进一步完善，管道里程数由1.59万公里增加到10.57万公里；管道货运量从1990年的15750万吨增加到2014年73752万吨，平均年增长率为6.92%。

国内生产总值、管道货运量和管道里程数之间数字变动的背后是否隐含着一种内在联系[1]。

文章选取了1990年到2014年国内生产总值、管道货运量、管道里程数的时间序列数据，在通过平稳性检验后和协整检验后建立向量误差修正模型，进行格兰杰因果分析和脉冲响应分析，对我国经济增长和管道物流之间的关系进行实证研究。

文章使用Eviews8.0统计软件进行分析。

1文献回顾

经济水平与物流水平之间关系一直是一个热点问题，国内外众多学者都对经济与物流之间的关系进行研究。

国内方面，刘鹏（2012）运用基于自向量回归模型来研究区域物流与经济增长的关系，认为物流业是一种新型行业能拉动经济增长，经济增长会反向刺激物流业增长[2]。

路娟红（2016）运用协整模型得出区域物流产业与区域经济之间存在着长期的均衡关系[3]。

徐茜、黄祖庆（2011）以浙江省为例，对浙江省区域物流与区域经济进行研究得出，区域经济是区域物流发展的基础，区域物流是区域经济发展的支撑，两者相互依存、相互促进[4]。

刘雪妮、宁宣熙、张冬青（2007）对长三角地区近20年的经济与物流的时间序列数据进行实证研究，研究结果得出之间存在单向因果关系,经济增长对物流产业的发展有明显的促进作用，但是国内物流产业还处于发展阶段，对经济的促进作用不明显[5]。

熊浩，孙有望（2010）对我国货运量与各产业产值、各产业比例进行实证分析，协整结果说明货运量与第一产业产值、第二、三产业比例存在长期的均衡关系，货运生成量与国内生产总值和第一产业比例存在长期的均衡关系[6]。

范林榜（2012）对苏南、苏中、苏北三块典型区域进行物流发展与经济增长关系的实证研究，结果得出物流与经济的关系因经济发达程度不同而有所改变[7]。

林航飞、罗宇龙（2008）研究上海市公路货运量与经济增长关系，得出目前公路运输对国民经济增长促进作用没有充分发挥[8]。

刘荣利、王浩（2008）对河南省铁路运输与经济增长关系进行研究，两者确实存在长期稳定均衡，误差修正模型显示，铁路运输的发展使得经济系统以日渐加快的速度偏离既有长期均衡[9]。

国外方面：

SultanKuzu和EmrahOnder（2014）对土耳其物流发展与经济增长的长期关系进行研究，指出物流与经济之间存在协整关系，经济是物流的格兰杰原因，经济增长对物流的发展起着重要的作用[10]。

MarcialMarazzo，RafaelScherre和EltonFernandes（2010）对巴西近40年的航空运输量和经济增长的变化进行实证研究，得出两者之间存在长期的均衡关系，脉冲相应分析指出，GDP的变化影响着航空运输量[11]。

CarruthersR，BajpaiJN和HummelsD（2003）对香港和新加坡的实证研究得出，两国的富强依赖于它们过去对现代物流业的投资[12]。

NguyenH.O和JoseTongzont（2009）用自相量回归方法分析得到，中国经济的飞速发展，能够促进中澳之间的贸易往来，进而促进澳大利亚物流产业的发展[13]。

国内外文献主要还是集中在两个方面，一方面是区域物流与区域经济之间的相互作用关系；另一方面是以传统运输方式为代表的物流水平与经济增长之间的关系。

大多数实证研究都认为物流与经济之间存在着长期的均衡关系，经济的增长对拉动物流业的发展起到重要的推动作用，同时物流也反向促进经济的增长；部分文献在肯定经济对物流作用的同时，认为物流对经济增长的作用不明显。

管道物流一直都不是国内外学者关注的焦点，对于管道物流与经济增长关系的文献很少。

2模型建立及数据选取

2.1Johansen协整检验

Johansen协整检验是由Johansen在1988年与Juselius一起提出的一种以VAR模型为基础的检验回归系数的方法，是一种进行多变量协整关系检验的较好方法[14]。

在VAR（p）模型，设变量

均是非平稳的一阶单整序列，即

是d维外生向量，代表趋势项、常数项等,

变量

的一阶单整

经过差分变为零阶单整过程

，如下式所示。

其中，

和

都是由

变量构成的向量，如果是

的向量，即

之间具有协整关系，则

是平稳的。

2.2向量误差修正模型（VEC）

向量误差修正（VEC）模型是带有协整约束的向量自回归（VAR）模型。

只有变量间存在协整关系时才能构建VEC模型[15]。

VEC模型的数学表达式为：

其中，每一个方程中的误差项都是平稳的。

上式可以表述为如下形式

这样得到的每一个方程都是误差修正模型，

是误差修正项，可以反映变量之间的长期均衡关系。

系数向量

可以反映变量间的均衡关系偏离长期均衡关系时，将其调整到均衡状态的调整力度。

误差修正模型等式右侧的变量差分项的系数反映各变量的短期波动对被解释变量的短期变化的影响。

2.3数据的选取

文章选取了1990—2014年的年度序列数据进行实证研究，所有数据来自2015年中国统计年鉴[16]。

管道货运量用HYL表示，国内生产总值用GDP表示，管道里程数用LCS表示。

数据描述统计量如表1所示。

表1数据描述统计量

Table1Datadescriptionstatistics

统计量HYL（万吨）GDP（亿元）LCS（万公里）

均值30711.20206100.504.28

极大值73752.00636138.7010.57

极小值14783.0018774.301.59

标准差18519.15189938.902.90

N25*3=75

3实证研究的结果及其分析

由于对时间序列数据进行自然对数变换能使数据趋势线性化并一定程度上消除时间序列中的异方差。

因此本文在实证分析时采用各变量的对数值，分别表示为LnHYL、LnGDP、LnLCS,取对数后数据趋势如图1所示。

对LnHYL、LnGDP、LnLCS取一阶差分，差分后的数据趋势如图2所示。

图1LnHYL、LnGDP、LnLCS时间序列图

Fig.1TimeSeriesDiagramofLnHYL,LnGDPandLnLCS

图2D（LnHYL）、D（LnGDP）、D（LnLCS）时间序列图

Fig.2TimeSeriesDiagramofD（LnHYL）,D（LnGDP）andD（LnLCS）

图1所示，数据呈上升趋势，为不平稳的时间序列数据。

图2所示，数据可能是一阶单整序列。

文章采用ADF检验，检验结果如表2所示。

表2单位根平稳性检验结果

Table2ResultofUnitRootStationarityTest

变量ADF值临界值5%检验类型P值结论

LnHYL-2.1612-3.6122CT00.4882不平稳

D（LnHYL）-4.5443-3.6220CT00.0076平稳

LnGDP-2.9870-3.6736CT50.1607不平稳

D（LnGDP）-4.3686-3.6584CT30.0129平稳

LnLCS-3.0775-3.6122CT00.1338不平稳

D（LnLCS）-3.9725-3.6220CT00.0250平稳

表2显示：

变量LnHYL、LnGDP、LnLCS在5%的显著性水平下都接受存在单位根的原假设，所以LnHYL、LnGDP、LnLCS序列数据不平稳。

而变量D（LnHYL）、D（LnGDP）、D（LnLCS）都在5%的显著性下拒绝有单位根的原假设，所以一阶差分变量均平稳。

因此变量LnHYL、LnGDP、LnLCS为I

（1）序列。

所以它们之间可能存在协整关系，本文采用Johansen协整检验来检验这三组变量之间是否确实存在协整关系。

表3Johansen协整检验——迹检验结果

Table3：

JohansenCo-integrationTest——ResultofTraceTest

协整个数特征值迹检验值5%临界值P值

None*0.671543.325129.79710.0008

Atmost1*0.536717.718015.49470.0228

Atmost20.00100.02233.84150.8813

表4Johansen协整检验——最大特征根检验

Table4JohansenCo-integrationTest——MaximumEigenvalueTest

协整个数特征值迹检验值5%临界值P值

None*0.671525.607121.13160.0109

Atmost1*0.536717.695714.26460.0138

Atmost20.00100.02233.84150.8813

表3、表4的结果可以看出，说明这三组数据确实有协整关系，并且存在两个协整向量，根据这样的结果，可以对这三组数据做VEC模型进一步分析。

3.1格兰杰因果关系检验

协整检验结果表明管道货运量与国内生产总值、管道里程数之间的存在着长期稳定的均衡关系，这种均衡关系是否构成因果关系需要进一步验证。

本文根据Granger因果关系检验原理，选择滞后期为2，对LnHYL、LnGDP、LnLCS进行Granger因果关系检验，检验结果如表5所示。

表5格兰杰因果关系检验结果

Table5ResultofGrangerCausalityTest

原假设F值P值结论

LnGDP不是引起LnHYL的Granger原因3.13740.0678接受

LnHYL不是引起LnGDP的Granger原因2.49060.1109接受

LnLCS不是引起LnHYL的Granger原因8.19600.0029拒绝

LnHYL不是引起LnLCS的Granger原因3.59030.0486拒绝

LnLCS不是引起LnGDP的Granger原因7.75300.0037拒绝

LnGDP不是引起LnLCS的Granger原因3.90390.0391拒绝

GDP与管道货运量相互影响方面。

在10%的置信水平下，能够认为GDP是管道货运量的格兰杰原因，则可认为，GDP的增加会引起对石油、天然气、煤浆等能源的消耗，进而拉动管道货运量的上升。

但是管道货运量不是GDP的格兰杰原因，由于管道货运量占到货运总量的比重还不足2%，对推动经济增长的作用不明显。

管道里程数与管道货运量方面。

在5%的显著性水平下均拒绝原假设，也就是说均为对方的格兰杰原因，管道里程数作为一种基础设施，基础设施的完善是拉动货运量提升的前提条件，货运量的提升也反过来促进基础设施的完善。

这一结论是符合常理的。

GDP与管道里程数影响方面。

在5%的置信水平下，GDP是管道里程数的格兰杰原因，同时管道里程数也是GDP的格兰杰原因。

GDP的增长会促进管道里程数的完善，基础设施的建设本身作为一种投资也将拉动经济增长。

3.2VEC模型的建立

协整检验结果得到，变量之间存在协整关系，根据协整关系的特征，对其建立向量误差修正模型。

滞后阶数选择2，建立含2个协整向量的3变量VEC（3）模型。

其中的

是一组3为列向量，表示所研究的3组数据，即

式中包含了货运量、GDP、里程数的增量，均为对数值。

3.3VEC模型的参数估计与有效性检验

表6模型的参数估计结果

Table6ParameterEstimationResultoftheVECModel

ErrorCorrectionD（LnHYL）D（LNGDP）D（LNLCS）

CointEq1-0.7423-0.2172-0.5657

[-2.2551][-1.1819][-2.6633]

CointEq2-0.0538-0.2634-0.0160

[-0.5334][-4.6762][0.2464]

D（LNHYL（-1））-0.2162-0.0665-0.0789

[-0.7317][-0.4032][-0.4137]

D（LNHYL（-2））0.24070.17330.2820

[1.0881][1.4033][1.9752]

D（LNGDP（-1））0.47270.6576-0.0240

[1.4011][3.4920][-0.1102]

D（LNGDP（-2））0.0385-0.02730.4199

[0.1006][-0.1280][1.7005]

D（LNLCS（-1））0.40600.2009-0.2154

[0.8245][0.7310][-0.6778]

D（LOGLCS（-2））0.1271-0.0397-0.0639

[0.3219][-0.1803][-0.2509]

C0.04790.02950.0361

[-0.8617][0.9500][1.0050]

ADJ.R244.40%80.82%46.40%

表6是VEC模型的参数估计结果，表中一共3列，代表了由3个估计方程组成的VEC系统，各估计值下方括号里的数为其t值。

根据参数估计的结果，虽然部分估计值并不显著，但从整体来看，估计效果较为满意，3个方程的拟合度分别是44.40%、80.82%、46.40%，各方程的拟合优度可接受。

对于VEC模型而言，重要的是建立系统对其进行脉冲响应分析。

3.4脉冲响应分析

脉冲响应函数分析方法可以用来描述一个内生变量对由误差项所带来的冲击的反应，即在随机误差项上施加一个标准差大小的冲击后，对内生变量的当期值和未来值所产生的影响程度。

下图1、2、3给出了部分正交脉冲响应函数的图像。

图3GDP对管道货运量的脉冲影响图4管道里程数对管道货运量的脉冲影响图5管道货运量对GDP的脉冲影响

Fig.3ImpulsiveEffectofGDPon

PipelineLogistics

Fig.4ImpulsiveEffectofInfrastructureonPipelineLogistics

Fig.5ImpulsiveEffectofPipeline

LogisticsonGDP

图3为GDP对管道货运量的脉冲响应图可以看出，给GDP一个单位的正向冲击，首先会加速管道货运量水平的效用，但是只会保持2期左右时间，随之产生有一段时间的负向影响，最后呈上升趋势逐步趋于平稳，保持在0.02左右。

可以得出，GDP增长短期内会拉动管道货运量的提升。

但是随着我国经济的高速发展，管道物流业会遭遇瓶颈，管道物流设备等技术条件的落后，影响了管道货运量的提升，最终随着技术进步、最终回到正向影响的水平下。

图4为管道里程数对管道货运量的影响，图中可以看出，从第1期开始就加速管道货运量水平的作用，从第5期开始有一段时间的下降，最终稳定在0.03附近。

整个过程都保持在0的上方。

说明加大基础设施的建设将推动管道物流业的发展，与我们的预期相符。

图5显示，给管道货运量一个正向冲击，会有降低GDP的效用，整个过程都说明管道货运量对GDP有负向影响。

与理论预期有些差距，但是目前我国管道物流水平还处于初级阶段，管道货运量在总货运量中的比重几乎很小，对拉动经济的增长效应不显著。

4结论

本文首先进行了平稳性检验，三组数据均为I

（1）,进一步考察协整情况，得到它们之间存在2个协整向量的结论后建立误差修正模型。

通过格兰杰因果检验得出，在10%的显著性水平下，GDP是管道货运量的格兰杰原因，表明GDP对管道货运量的影响确实有，但是管道货运量对GDP影响不大。

其他变量之间都存在着格兰杰原因。

脉冲响应函数可以看出GDP、管道里程数会促进管道货运量的提升，管道货运量对经济增长的作用不明显，目前管道运输在我国物流行业中处于初级阶段，管道货运量的比重相较于公路、铁路还很小，但不可否认的是，管道运输仍然是影响经济增长的重要原因。

在“十三五”规划、“一带一路”等战略的提出之后，我国有关部门应该出台相应的货运政策，同时加强对管道基础设施的建设力度，促进五大运输方式的协调发展。

参考文献

[1]钟晓君.外商直接投资与我国进出口贸易关系研究—基于VAR模型的脉冲响应函数和方差分解方法分析[J].统计教育,2009（6）:

14-20.

[2]刘鹏.基于VAR模型的区域物流与经济增长的关系研究[J].物流技术,2012,31（13）:

218-220.

[3]路娟红.物流产业与区域经济的互动关系研究—以常州为例[J].物流技术,2016,35

（1）:

87-90.

[4]徐茜,黄祖庆.区域物流与区域经济发展互动关系研究—以浙江省为例[J].统计与决策,2011（09）:

116-119.

[5]刘雪妮,宁宣熙，张冬青.长三角经济增长与物流产业发展关系的实证研究[J].企业经济,2007（03）:

97-99.

[6]熊浩,孙有望.我国货运量与经济增长关系的协整分析[J].系统工程，2010（09）:

46-50.

[7]范林榜.物流发展与的关系——以苏北、苏中、苏南典型地区为例[J].中国流通经济,2012,26（07）:

32-37.

[8]林航飞,罗宇龙.上海市公路货运量与经济增长关系的协整分析[J].同济大学学报,2008,36（10）:

1378-1383.

[9]刘荣利,王浩.铁路运输与经济发展水平的协整分析[J].铁道运输与经济,2008,30（11）:

1-5.

[10]SultanKuzu,EmrahOnder.Rese