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

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。