中国现代交通运输业效率波动性和影响因素研究——基于交叉效率DEA和VAR模型的分析

吴继贵，叶阿忠

（福州大学 经济与管理学院，福州350108）

中国现代交通运输业效率波动性和影响因素研究
——基于交叉效率DEA和VAR模型的分析

吴继贵，叶阿忠*

（福州大学 经济与管理学院，福州350108）

选取1978-2012年的数据，应用交叉效率数据包络分析法(Cross-efficiency DEA)和向量自回归模型(Vector Autoregression,VAR)对中国现代交通运输业的效率波动情况及其影响因素进行分析.研究结果表明，交通运输业的投入和产出要素之间，均存在单向格兰杰(Granger)因果关系；交通运输业的效率波动可以划分为效率上升、高效运行和效率下降三个阶段，总体上呈现出“先升后降”的趋势；交通运输业对人均消费、政府支出、能源消耗和固定资产投资的冲击均表现出正向为主的响应，对劳动的冲击表现出负向响应，而对信息的冲击则表出响应“滞后”.

综合交通运输；效率波动性；交叉效率DEA；现代交通运输业；影响因素；VAR模型；脉冲响应；动态分析

1 引 言

改革开放以来，中国的交通运输业开始真正意义上步入现代化和高速化发展阶段.根据《中国统计年鉴》，我国在交通运输领域的投入可谓大手笔.具体而言，1978-2012年间，电气化铁路、高速公路、国际航线等航运里程，分别以平均11.76%、37%和11.26%的速度增长；交通运输业的就业人数则以平均9.72%的速度增长；固定资产投资则以平均23.18%的速度增长；能源消耗则以平均7.64%的速度增长.然而，在如此大规模的人力、物力和财力的投入下，中国交通运输业的产出效果并不明显.改革开放至今，我国交通运输业的货物运输量却以平均4.75%的速度增长.其增长速度滞后于铁路建设的59.61%，就业人数的51.13%，固定资产投资的79.5%和能源消耗的37.82%.交通运输业滞后的增速与我国交通运输业人力、财力和物力的投入强度存在一定的出入.这不得不让人对中国交通运输的经营效率做出思考.尤其是在国家积极推进“促减排，稳增长”的大背景下，更有必要弄清交通运输业的效率及其波动情况.并且，在此基础之上，对我国交通运输业的影响因素进行分析.

从学界的研究情况看，虽然有不少学者对我国的交通运输业的效率进行了研究，但是依然存在以下几个方面的不足.

(1)虽有学者对我国交通运输业的交叉效率进行评价，但是以静态为主，缺乏动态方面的研究，无法反映我国交通运输业的整体发展情况.如鲍星星等选取2006年的数据对我国交通运输业的效率进行评估[1].

(2)对影响因素的分析仍然以静态分析为主，缺乏动态过程的分析.如蒋迪娜采用Probit和Logistic回归模型，对我国交通运输业的效率的影响因素进行分析[2].

(3)在DEA模型的应用上，较多地采用曼奎斯特DEA模型，较少采用交叉效率DEA模型对我国交通运输业的效率进行评估.如余思勤等和郭明伟均采用曼奎斯特DEA模型对我国交通运输业的效率进行评估[3,4].

此外，上述研究均未能对各变量间是否存在投入产出的因果关系进行论证.

综合上述研究情况，在现有研究基础之上开展以下几个方面的工作：

(1)采用格兰杰因果检验，论证我国交通运输业投入和产出变量间的因果关系；

(2)应用交叉效率DEA模型，测算1978-2012年我国交通运输业的效率，并探讨效率波动情况；

(3)估算向量自回归模型，并应用脉冲函数模拟交通运输业对其影响因素冲击的动态响应过程.

2 变量选取和模型构建

2.1 变量选取说明

目前，国内外学者从不同的角度，选择不同的变量对我国的交通运输业的效率进行评估.如鲍星星等将土地资源、员工数量、投资额和能源消耗作为投入变量，将货物周转量和货运总量作为产出变量[1]；杨喜瑞等将交通运输业产值、从业人员比例、财政投资比例作为投入变量，将GDP和投资率作为产出变量[5]；许乃星等考虑了基础设施、运输服务、管理水平和信息化服务、发展环境和可持续性等指标[6]；王瑞军等考虑了货物周转量、运输结构和能源消耗等指标[7].上述的研究表明，现有的研究大致从人、财、物三个角度进行设定投入—产出变量.然而，随着市场经济的日趋完善和信息经济的兴起，还应当将市场要素和信息要素纳入到投入产出模型中[8].因此，在格兰杰因果检验的基础上，本文将货运量 (ctt)作为产出量，将就业人数(hc)、人均消费(cc)、政府支出(gc)、能源消耗量(ec)、固定资产投资(kc)和交换机数量(imf)作为投入变量，如图1所示.其中，人均消费和政府支出水平用于衡量市场水平，交换机数量用于衡量信息水平.上述变量所涉及的数据分别来源于《中国统计年鉴》、《中国能源统计年鉴》和《中国劳动统计年鉴》.

图1 货运量(ctt)、就业人数(hc)和消费水平(cc)等变量的曲线图Fig.1 Graph of ctt,hc,cc and other variables

2.2 模型的构建

2.2.1 交叉效率模型的构建交叉效率DEA不仅能够对有效单元进行排序，同时在考虑决策单元对自身评价的情况下，还能够考虑其他决策单元的评价[9]，克服了CCR和BCC模型无法有效分配评价权重和对有效单元进行排序的缺陷[10].其计算过程大致可以分为两个部分：决策单元的自我评价(式(1))；其它决策单元给出的评价(式(2)).

将ctt作为产出变量代入yj和yk，将hc、cc、gc、ec、kc和imf为投入变量代入xj，构建出具有35个决策单元的交叉效率DEA模型.

2.2.2 向量自回归模型的构建

为了尽量避免序列相关性和异方差性，此处对各变量进行对数化处理.同时，根据ADF检验[11]，在未差分的情况下，ctt、hc、cc、gc、kc、ec和imf均存在单位根，即变量不具平稳性.但是，在一阶差分的情况下，各变量均平稳，即存在同阶单整I(1).此外，根据似然比、最终预测误差和HQ信息准则的检验，可以建立二阶滞后的向量自回归模型(式(3)).

式中 ci为常数项;γij和ηij为一阶滞后和二阶滞后项的回归系数;ui为误差项；ci、γij和ηij均为待估计参数.

3 实证分析

3.1 货物运输业效率波动性分析

3.1.1 格兰杰检验

为了进一步确定其它变量和ctt是否存在因果关系，本文采用格兰杰因果关系检验法，对变量间的因果关系进行识别[12]，结果如表1所示.各变量均在5%的显著性水平范围内拒绝了原假设.该结果表明hc、cc、gc、kc、ec、imf与ctt均存在单向格兰杰因果关系.因此，将kc、ec、hc、imf、cc和gc作为投入变量，将ctt作为产出变量具有较强的合理性.

表1 格兰杰因果检验结果Table1 The test results of Granger causality

3.1.2 交叉效率DEA评价

根据CCR和交叉效率DEA的计算结果，我国现代交通运输业的效率总体上呈现出“先升后降”(图2)的趋势.根据其时间分布，大致可将波动划分成三大阶段.

(1)效率上升阶段(1978-2000).

该阶段，我国处于一个物资文明相对匮乏的时期.根据生产边际效应递减规律，该阶段增加对交通运输业的相关要素的投入能够显著增加其产出.实际上，1978-2000年间，我国初步建立了市场经济体制，优化了市场资源的配置效率，交通运输业的资本市场开始变得活跃.同时，随着信息人才和交通运输技术人才的培养，以及现代企业管理制度的引入，使我国交通运输业的效率得到了较为显著的提高.

(2)高效运转阶段(2001-2007).

根据图2，交通运输业的效率在2001年较2000有“跳跃性”的爬升，且在2002年达到最高点.实际上，从2001年开始，中国正式成为了世界贸易组织(WTO)中的一员.这期间，中国经济的引擎真正地开始“轰鸣”.在对外开放过程中，中国凭借着低廉的劳动力成本、优惠的投资条件和巨大的市场优势，不断吸引外资在中国开设工厂和开展贸易，并由此带动我国交通运输产业效率的提高.

(3)效率下降阶段(2008-2012).

该阶段交通运输业的下降与现实的经济背景有着密切的关系.首先，2007年美国次贷危机所引发的世界性金融危机，使得我国以外贸型的经济发展模式受到较为严重的冲击；同时，在2011年，中央为了保持经济的持续增长，斥资4万亿，重点投资基础设施建设.虽然，中央财政的4万亿投资为克服经济“下行”压力和维持国内经济持续增长做出了巨大的贡献.但是，在国内外经济均不景气和国内需求“疲软”的大背景下，过度的投资和过剩的劳动力直接造成了我国交通运输业效率的持续下降.

图2 1978-2012年中国现代交通运输业的效率波动情况Fig.2 Efficiency volatility of Chinese modern transportation industry from 1978 to 2012

3.2 影响因素分析

虽然，交叉效率DEA模型能够分析出各个决策单元的效率情况，但却无法计算出每个要素对交通运输业的影响情况.因此，有必要应用回归分析的方法对各个变量的影响程度进行测算.

3.2.1 向量自回归估计结果

根据式(3)建立的内生系统，在确定单位根均位于单位圆内的情况下，本文采用广义矩估计，对各变量的回归系数进行了估算.同时，将对数化的变量分别用lctt、lhc、lcc、lgc、lkc、lec和limf表示.

在式(4)的第一个方程中，除了滞后1期和2期的信息要素和滞后2期的货运量的系数为负数(-0.003 31,-0.020 25和-0.164 16)外，其它系数均为正数.回归结果表明，其它变量对交通运输业的发展均有正向作用.

3.2.2 脉冲响应分析

为了获取各变量的动态影响过程，还必须在向量自回归的基础之上，应用脉冲响应函数模拟出交通运输业对其它变量冲击的响应情况.

根据图3，lctt对自身的冲击以正向响应为主，且在第3期达到最大值(0.023)后，便逐渐下降，同时趋于收敛.这表明货物运输对自身也会产生影响，尤其在短期内的正向影响较为明显；lctt对lcc的冲击响应仍然以正向为主，同样在第3期达到最大值(0.035)后，表现出下降趋势，并逐渐趋于收敛.该结果提示，消费对货运量的增加具有明显的拉动作用；lctt对lec正交化冲击始终保持正向的响应过程，并且在第8期达到最大(0.022)后，逐渐表现出收敛的趋势.该结果表明，能源消耗能够促进货运量的增加，进而促进交通运输业的发展.

根据图4，lctt对lhc的冲击表现出负向的响应.这种现象表明，交通运输业的人力投入对现有的交通运输量会产生负面作用.这似乎与经济理论相违背.但是，该现象却可以从当前的经济背景中找到合理的解释：首先，随着近年劳动成本的上升，交通运输业的“人口红利”也正在消失.这在一定程度上增加了交通运输业的营运压力；其次，与西方国家相比，我国交通运输业依然是劳动密集型的行业.虽然，大量的人力投入有利于做大交通运输业的规模，但是不利于我国交通运输业效率的提高；此外，部分部门依然存在人员投入过剩的现象，尤其是占据交通运输业市场“半壁江山”的大型国有企业，始终存在组织结构臃肿，效率低下的“病症”.lctt对lkc的冲击则表现出正向的响应，且在第3期达到最大值(0.012)后出现收敛的趋势.该结果提示，交通运输业的固定资产投资和建设能够带动交通运输业的发展.但是，固定资产投资对拉动交通运输的前期拉动作用明显，而后期作用不显著；lctt对lgc的冲击表现出正向响应，但弱于其对lcc的响应程度.该结果表明，地方政府财政支出，对交通运输业的发展具有拉动作用.但是，其作用不及居民人均消费水平明显.

图3 lctt对lctt、lcc和lec正交化冲击的响应Fig.3 Response of lctt to the orthogonalized shock from lctt, lcc and lec

图4 lctt对lhc、lkc和lgc正交化冲击的响应Fig.4 Response of lctt to the orthogonalized shock from lhc, lkc and lgc

图5 lctt对limf正交化冲击的响应Fig.5 Response of lctt to the orthogonalized shock from limf

根据图5，在前12期，lctt对limf的冲击的正向响应次数多于负向响应次数.同时，从响应的幅度看，正向响应的频率和幅度均大于负向响应.从第13期开始lctt对limf的冲击表现明显的正向响应，且持续时间较长.这表明，信息要素对我国交通运输业的发展具有“滞后效应”，即信息要素需要在相对较长的时间段内，才能够充分发挥其对交通运输业的拉动作用.

4 研究结论

本文应用兰杰因果检验、交叉效率DEA和向量自回归等模型，对中国现代交通运输业的效率波动性和影响因素进行了分析，并得出了以下几个主要结论.

(1)就业人数、固定资产投资、能源消耗、人均消费水平、政府支出、信息要素均和货运量构成解释我国交通运输业发展的原因.

(2)中国现代交通运输业的营运效率总体上呈现出了“先升后降”波动现象.根据波动的幅度，可以将波动划分为效率上升阶段、高效运行阶段和效率下降阶段.从波动的时间节点上看，中国交通运输业效率的波动与投资具有密切关系：一是在资本匮乏的情况下，通过对外开放和引入外商投资等手段，带动交通运输业的发展；二是在社会产能过剩的情况下，通过投资基础设施建设等方式拉动交通运输业的发展.

(3)人均消费水平和政府支出均能够拉动交通运输的发展，但政府支出不及人均消费水平的作用明显.该结论提示，政府可通过转移支付的方式带动消费能够对交通运输业产生更为显著地拉动效应.

(4)劳动要素对交通运输业的发展具有一定的制约作用.“人口红利”的消失正对交通运输业的健康发展产生影响.因此，仅仅通过劳动数量的投入，难以从根本上改善交通运输业的营运效率.相反，可以通过提高劳动力的素质和转变人才投入结构，改善交通运输业的产出效率.

(5)固定资产投资的短期效应明显，而信息要素长期效应显著.该结论暗示，在交通运输业发展的初期可以通过增加固定资产的投资获得交通运输业的发展，而在中后期则可以增加信息要素的投入，促进交通运输持续增长和效率的提高.

[1] 鲍星星,陈森发.基于DEA的交叉效率模型在交通运输评价中的应用[J].东南大学学报(哲学社会科学版),2009,S2:23-25.[BAO X X，CHEN S F. Application of model based on overlapping efficiency for transportation system appraisal[J].Southeast University (Philosophy and Social Science),2009,S2:23-25.]

[2] 蒋迪娜.我国交通运输业全要素生产率变动及其影响因素研究[D].上海：上海海运学院,2002.[JIANG D N.The changes of the transportation TFP and its influencing factors[D].Shanghai:Shanghai Maritime University,2002.]

[3] 余思勤,蒋迪娜,卢剑超.我国交通运输业全要素生产率变动分析[J].同济大学学报(自然科学版),2004, 06:827-831.[YU S Q,JIANG D N,LU J C.Productivity analysis of transportation in China[J].Tong Ji University (Natural Science),2004,06:827-831.]

[4] 郭明伟.我国交通运输业要素投入和生产率问题研究[D].大连：东北财经大学,2010.[GUO M W. Research on factor input and productivity of transportation industry of China[D].Dalian:Dongbei University of Finance and Economics,2010.]

[5] 杨喜瑞,郑平,彭磊.基于DEA模型的珠海交通运输系统配置效率评价[J].北京师范大学学报(自然科学版),2012,02:201-204.[YANG P R,ZHENG P, PENG L.Evaluation on transportation system allocation efficiency of Zhuhai city based on DEA[J].Beijing Normal University(Natural Science),2012,02:201-204.]

[6] 许乃星,蒲之艳,张静晶,等.公路交通与经济发展适应性评价研究[J].交通运输工程与信息学报, 2011,03:79-86.[XU N X,PU Z Y,ZHANG J J,et al. Adaptability evaluation for highway transportation and economic development[J].Transportation Engineering and Information,2011,03:79-86.]

[7] 王瑞军,武旭,胡思继.货物运输能源消耗影响因素[J].公路交通科技,2013,02:153-158.[WANG R J, WU X,HU J S.Influencing factors of freight transport energy consumption[J].Highway and Transportation Research and Development,2013,02:153-158.]

[8] 刘澜,马亚峰,尹俊淞,等.交通运输信息融合功能模型[J].交通运输工程与信息学报,2012,03:1-7. [LIU L,MA Y F,YI J S,et al.Transportation information fusion function model[J].Transportation Engineering and Information,2012,03:1-7.]

[9] Wu J,Liang L,Chen Y.DEA game cross-efficiency approach to Olympic rankings[J].Omega,2009,37(4): 909-918.

[10] Doyle J,Green R.Efficiency and Cross-efficiency in DEA:Derivations,meanings and uses[J].Journal of theoperational research society,1994:567-578.

[11] Dickey D A,W A Fuller.The likelihood ratio statistics for autoregressive time series with a unit root[J]. Econometirca,1981,49:1057-1072.

[12] GrangerC W J.Investigatingcasualrelations by econometric models and cross-spectralmethods[J]. Econometrical,1969,37:424-438.

Efficiency Volatility and Influence Factors of Chinese Modern Transportation Industry Based on the Model of Cross-efficiency DEA and VAR

WU Ji-gui,YEA-zhong
(School of Economics and Management,Fuzhou University,Fuzhou 350108,China)

In order to explore the efficiency volatility and influence factors of Chinese modern transportation industry based on the data from 1978 to 2012,the Cross-efficiency DEA and VAR model are adopted.The result proves that,one-way Granger casualty relationship exists,respectively,between the input variables and output variables;the efficiency volatility of modern transportation can be divided into three stages:efficiency improvement,high efficiency operation and efficiency loss,which shows the trend of“rising first,then falling”in general;the response of transportation industry to the shock of per capita consumption,government spending,energy consumption and fixed-asset investment are positive,while to the shock of labor factor is negative,what’s more,“lag effect”exists in the response of transportation industry to the shock of information element.

integrated transportation;efficiency volatility;cross-efficiency DEA;modern transportation industry;influence factors;VAR model;impulse response;dynamic analysis

2014-06-20

2014-08-07录用日期：2014-09-15

国家自然科学基金(71171057)；教育部高等学校博士点基金(20103514110009)；教育部人文社科基金(10YJA790227，12CJY011).

吴继贵（1985-），男，福建寿宁人，博士生. *

ye2004@fzu.edu.cn

1009-6744（2014）06-0008-07

U491

A