APP下载

中国啤酒酿造业的空间相关性及空间误差模型分析
——基于31个省(区、市)的截面数据

2022-09-19夏东保罗时龙

湖南工业职业技术学院学报 2022年2期
关键词:莫兰啤酒显著性

夏东保,戴 澍,罗时龙

(1.江苏今世缘酒业股份有限公司,江苏 涟水,320826;2.炎黄职业技术学院经济管理系,江苏 涟水,320826)

一、引言

我国的啤酒酿造业起源于19世纪末,至今已逾百年。百年来,啤酒工业浮浮沉沉,终在21世纪初迎来了加速发展的新局面,并在2013年达到顶峰,但彼时存在较严重的产能过剩现象。随着供给侧改革的实施,国内啤酒产量回落。经过几年的发展,当前啤酒酿造业发展状况如何,空间布局如何,成为备受关注的问题。

有关啤酒酿造业的相关研究较为丰富,研究年限主要集中在2015年之前。王宇[1](2006)认为相对于城市,农村啤酒市场是啤酒行业发展的方向。程燕[2](2014)依托2000—2011年数据判断国内啤酒消费存在极大的增长空间,但这种增长并未呈现均匀分布。宗刚[3](2013)指出中国高啤酒产量和低人均消费水平不匹配,消费水平亦未被充分开发,据此判断啤酒行业仍有发展空间。本文认为程燕和宗刚等人的观点稍有局限,长期来看,高消费潜力和产量确会带来行业的高速发展,但短期内由于受产业黏性等因素影响,可能存在产能过剩现象。相较而言有关啤酒业空间布局的研究几乎没有,本文通过比较国内啤酒产量的空间相关性,并建立空间误差模型,考察啤酒产业布局情况。

二、理论基础

(一)莫兰指数

莫兰指数是空间自相关分析常用的统计方法,其通过考察某区域观察值与地理相邻区域观测值的相关性,明确区域间的相关关系。莫兰指数分全局莫兰指数和局部莫兰指数。公式见式(1)、式(2)。值域为[-1,1],若取值∈[-1,0)说明区域间存在空间负相关;取值∈(0,1]说明存在空间正相关;取值为0,表明不存在空间相关性。[4]

式(1)、式(2)中,yi和yj为不同区域的观察值为观察均值,n为区域个数,Wij为权重矩阵。本文的权重矩阵定义为:

式(3)中dij为目标区域与观测区域的实际空间距离,d为固定值,一般采用系统默认值。

(二)空间滞后模型与空间误差模型

若经过莫兰指数测算,系统内存在空间相关性。不宜采用经典模式进行回归分析,而应考虑使用空间计量模型。空间模型分空间滞后模型和空间误差模型。空间滞后模型的表达式为式(4),空间误差模型的表达式为式(5)。

式(4)中A为被解释变量,B为解释变量,W为空间权重矩阵,α为常数项,β是解释变量系数,ρ是空间自回归系数,ε表示随机误差。

式(5)中,λ为空间自相关系数,μ为误差项,其余参数解释同式(4)。

关于空间滞后模型和空间误差模型的选择,一般认为应从经典回归模型开始,用经典回归后的残差进行拉格朗日乘子检验,即进行LM(lag)检验和LM(error)检验。若LM(lag)检验显著,LM(error)检验不显著应选择空间滞后模型,反之选择空间误差模型;两个检验都不显著则应选择经典回归模型;两个检验都显著,则比较Robust LM(lag)和Robust LM(error)的显著性,lag显著选择空间滞后模型,反之选择空间误差模型。[5]

三、实证分析

(一)数据说明

本文以2019年中国31个省(区、市)的啤酒产量、人口数、工业产值和生产效率的截面数据作为研究的对象。其中生产效率用各省(区、市)的GDP与就业人数的比值表示。所有数据均来自《2020年中国统计年鉴》。实证分析借助Geoda空间计量软件实现。

(二)啤酒产量分布情况

2019年中国31个省(区、市)累计生产啤酒376.529亿升,同比下降0.94%,其中山东省产量最大为48.435亿升,占全国总产量12.86%。青海省产量最低为0.203亿升。从空间分布的角度来看,山东省、广东省、河南省、四川省、浙江省、辽宁省、黑龙江省、江苏省属于啤酒产量较高区域,这些省份除四川、河南、黑龙江外都集中在东部沿海地区;河北省、福建省、湖北省、广西壮族自治区、贵州省、北京市、吉林省、云南省属于第二梯队即啤酒产量偏高区域;第三梯队即啤酒产量偏低区域大多集中在中部地区,主要涉及安徽省、江西省、陕西省、重庆市、内蒙古自治区、湖南省、新疆维吾尔自治区等省(区、市);而啤酒产量最低的省(区、市)包括上海市、甘肃省、天津市、宁夏回族自治区、山西省、西藏自治区、海南省和青海省,这些省(区、市)除上海和海南外,主要集中在青藏高原和秦岭以北的部分区域。整体来看,中国31个省(区、市)啤酒产量呈现明显的东强西弱的特征。

(三)莫兰指数测算

依托式(1),对31个省(区、市)的啤酒产量进行空间自相关分析。结果显示:全局莫兰指数为0.004,在0.1水平上通过显著性检验。这表明我国啤酒产量呈现显著的正向自相关关系,因此在后续进行回归分析时须考虑空间因素。但全局莫兰指数的值小于0.25,属于弱正相关范畴,空间性对系统的影响作用有限。进一步对各省(区、市)的局部莫兰指数进行测算。有7个省份的啤酒产量在0.05水平上通过局部莫兰指数的显著性检验,其中湖北省和浙江省属于高—高集聚区,表明本省和周边省份均有较高的啤酒产量,可能存在集聚效应或规模经济现象;四川省属于高—低集聚区,该省的啤酒产量对周边有溢出作用;安徽省、江西省和上海市属于低—高集聚区,上述省份啤酒产量不高,但周围可能存在较高啤酒产量的省份,受辐射作用影响,这些省份的啤酒生产存在一定潜力;西藏自治区属于低—低集聚区,自身和周边区域的啤酒产量均低,这可能和当地的生产水平、消费能力及消费习惯相关。

(四)回归分析

1.变量选择

以啤酒产量为被解释变量,消费能力、生产规模和生产效率为解释变量,进行分析。对各解释变量的说明见表1。

表1 解释变量说明

对各解释变量有几点说明。第一,通常消费能力的表示首选人均GDP或人均可支配收入。本文选择以人口数表示消费能力的原因在于:啤酒属于快消品,价格低廉,收入水平对啤酒消费的影响不大,人口规模的大小更能体现啤酒消费情况。第二,生产效率的预期参数符号不定。啤酒行业附加值低,行业可能存在转移趋势,如此则预期符号为负,但综合考虑各省(区、市)的经济状况和物流成本,这一现象并不一定发生。

2.模型回归

首先采用经典线性回归模型进行分析,发现LM(lag)和LM(error)均通过检验,因此再比较Robust LM(lag)和Robust LM(error)的值,Robust LM(error)的值略大,拟采用空间误差模型进行分析。回归结果如下。

表2 回归结果

本次回归的R2=0.73,拟合效果属可接受范畴。消费能力的系数为0.028,在0.01水平上通过显著性检验,与预期相符,表明各区域的消费能力能有效刺激啤酒生产;生产规模的系数为0.002,与预期相符,表明国内啤酒生产存在一定的规模经济,但此项并未通过显著性检验,结论仅供参考;生产效率的系数为-5.362,在0.1水平上通过显著性检验,如前文分析,高效率劳动力可能并不从事啤酒生产业,亦可理解为效率未成为促进啤酒生产的有效因素。

四、结论

本文考察中国31个省(区、市)啤酒产量的空间相关性,并进行空间误差模型分析,得到以下结论:

第一,东部沿海地区的啤酒产量相对较高,青藏高原和秦岭以北的部分区域啤酒产量较低。整体来看呈明显的东强西弱特征。

第二,各省(区、市)的啤酒产量存在显著的正向自相关关系,但空间性对系统的影响作用有限。湖北省和浙江省属高—高集聚区,四川省属高—低集聚区,安徽省、江西省和上海市属低—高集聚区,西藏自治区属低—低集聚区。

第三,消费能力能有效刺激啤酒生产;国内啤酒生产存在一定的规模经济,规模经济的形成降低了平均成本,使生产进入良性循环的状态;国内高效率劳动力可能并不从事啤酒生产业,效率并未成为促进啤酒生产的有效因素。

猜你喜欢

莫兰啤酒显著性
张卫《向莫兰迪致敬之5》
本刊对论文中有关统计学表达的要求
“新冠牌”啤酒真倒霉:60天赔了20个亿
基于显著性权重融合的图像拼接算法
基于视觉显著性的视频差错掩盖算法
《啤酒》
哼哼猪买啤酒
张卫作品
张卫作品
张卫作品