交易成本与中国粮食安全

市场的整合或分割是反映市场化程度和市场效率的重要指标，粮食市场的整合与否对粮食安全影响深远，分析粮食市场的整合情况可以评估、设计和推荐有效的市场干预政策。那么，如何判断和解释市场整合情况呢？根据定义，市场整合通过空间分隔市场的价格传导表现出来，考察空间分隔市场价格序列之间的相互关系，就可以对市场整合情况进行衡量。接下来我们将对市场整合研究中基于价格传导的分析工具进行介绍。

（一）相关系数方法

早期的价格传导和市场整合研究以Lele（1967）等为代表，他们通常采用二元回归和相关系数的方法，通过计算不同地区市场价格序列的相关系数的符号和大小来衡量市场间的整合关系。从直觉上看，由于一体化的市场之间的价格应该具有共同的运动趋势，因此价格序列间的相关系数高会被认为市场是整合的。

这种早期静态模型由于存在较多的缺点受到广泛的批评（Ravallion，1986）。一方面，市场价格之间的相关性可能只是影响两地价格的共同因素导致的，例如政府干预、通货膨胀、人口增长或气候变化等。在这种情况下，市场价格之间可能具有较高的相关性，但并非经济意义上的市场整合。另一方面，相关系数较低的市场之间又有可能是整合的。

（二）Ravallion模型

鉴于相关分析法的这些缺点，Ravallion（1986）开发了一个空间市场结构的动态模型，这个模型假设存在一个中心市场和一组地方市场，地方市场的价格形成取决于其与中心市场的贸易。通过该模型可以分析市场区隔以及短期与长期的市场整合关系。当即时的和完全的价格调整占主导时，我们就可以说市场是整合的。

虽然克服了相关分析法在统计推断上的不足，但是Ravallion模型仍然忽视了时间序列数据的趋向性（trending）和不平稳性（nonstationarity）。另外，Ravallion模型假设了中心向地方辐射的市场结构，而现实中的粮食市场往往不存在这样的特征。

（三）协整与误差修正模型

从Ardeni（1989）开始，相关研究广泛了采用协整（cointegration）和误差修正模型（Error-Correction Model，ECM）的技术。这一方法不要求研究对象具有平稳性的价格序列和辐射型的市场结构，使得在动态模型中对反映市场效率的长期与短期响应进行检验成为可能，从而有力推动了价格传导和市场整合的研究。

虽然协整方法在市场整合的研究中非常流行，但因其忽视了交易成本的因素，这种方法仍存在一定的局限。保证市场整合的主要机制在于跨空间的贸易和套利，交易成本的存在使得价格序列中会形成一个中间区域（neutral band），只有冲击使价格变化超过了中间区域时才会触发空间套利活动（Goodwin ＆ Piggott，2001）。McNew ＆ Fackler（1997）等研究还指出协整关系的存在既不是市场整合的必要条件，也不是其充分条件：当运输费用和风险溢价等交易成本较高或非平稳时，即使在一个良好整合的、有效的市场中价格序列也不一定是协整的，如果不考虑交易成本，空间分隔市场中套利活动的存在也不足以成为价格序列协整的必要条件；此外，价格协整关系的数量也不是一个市场整合程度的良好度量。

（四）等值边界模型

随着对交易成本在空间分隔市场分析中的重要性的认识加深，一些考虑了交易成本的新的研究方法被提了出来。这些方法主要朝两种不同的方向发展：第一类模型直接将交易成本信息纳入研究范围，如等值边界模型（Parity Bounds Model，PBM）等；第二类模型则在之前的基于价格的研究方法的基础上考虑了对长期均衡的非线性调整，如门限自回归模型（Threshold Autoregressive，TAR）和马尔可夫转换模型（Markov-Switching Model）等。

Baulch（1997）提出的PBM模型运用价格和交易成本的信息来估计空间套利的效率。他将两个空间分隔市场间的价格差异分成三个区制（regime）：区制一在等值边界上，即空间价格差异等于运输成本；区制二在等值边界内，即空间价格差异小于运输成本；区制三在等值边界外，即空间价格差异大于运输成本。其中，区制三发生的概率越高就表明市场整合程度越低。Barrett ＆ Li（2002）进一步扩展了该模型，除价格和交易成本之外还加入了实际贸易量的数据，从而将市场整合与竞争市场均衡区分开来。

PBM模型的劣势在于模型所需要的交易成本数据较难获得。除了运输成本之外，保险、仓储、滞留费用和信息成本等也构成了商品贸易的交易成本中很大一部分，因此交易成本的统计非常困难（McNew ＆ Fackler，1997）。即使只考虑运输成本，但如周章跃和万广华（1999）所指出的，诸如为取得运输能力为目的的贿赂等非正常运输成本几乎是无法获取的。

（五）马尔可夫转换模型和门限自回归模型

由于PBM模型存在的缺陷，基于价格的马尔可夫转换模型和门限自回归模型在价格传导和市场整合的文献中较为流行。这两种模型都由随数据所在区制取值的参数构成，这些参数在一个区制内不变，而在不同区制之间则可能不同。当一个或多个变量超越门限（threshold）的时候，区制转移被触发。这一类模型有助于我们从动态的视角研究市场之间不断变化的价格信号，并增强对市场互动的理解和认识。

非线性门限时间序列模型最早由Tong（1978）提出，Tsay（1989）发展了检验自回归模型的门限效应以及对门限自回归过程建模的技术，Balke ＆ Fomby（1997）指出了误差修正模型和自回归模型之间的关系，并把门限模型整合进一个协整分析框架。利用门限模型对粮食市场整合进行研究的文献包括Goodwin ＆ Piggott（2001），Balcombe et al.（2007）和Van Campenhout（2007）等。马尔可夫转换模型由Hamilton（1989）提出，适用于研究包含不同动态行为的区制的时间序列，Brümmer et al.（2009）将马尔可夫转换模型引入市场整合的研究中。

尽管马尔可夫转换模型和门限自回归模型比较相似，但Ihle ＆ von Cramon-Taubadel（2008）指出，两种模型的区制转换机制中所蕴含的统计基础并不相同。门限自回归模型以内生转换为特征，引致区制转换的变量被假定为完全由价格所决定；而马尔可夫转换模型则以外生转换为特征，转换的决定因素可以独立于所研究的价格序列。因此，如果所要研究的价格数据不是由政策、经济或自然因素等外部影响决定，而是由市场和贸易过程占主导因素，那么门限模型将更加合适。

前期采用Ravallion模型和协整方法的研究最大的缺陷在于没有将交易成本纳入研究范畴，而中国粮食市场的交易费用远高于发达国家，交易速度也比发达国家慢得多销售区的流通费用占粮食终端销售价格的30%左右，比发达国家高出1倍多；而该地区的粮食运往南方销区一般需要20～30天，为发达国家同等距离所需时间的2倍以上（韩馨仪和罗晶，2008）。" class="calibre11">^[6]，因此忽略交易成本的分析工具可能导致严重的估计偏误。

由于时间序列分析方法对数据质量的要求较高，既有研究中所使用的数据资料的一些缺陷可能也造成了估计结果存在疑问。①市场中价格传导每天或每周都在发生，用月度或更低频率的数据将无法有效捕捉传导过程（Meyer ＆ von Cramon-Taubadel，2004）；②部分文献使用市级甚至省级层面的加总数据，而市场价格中的信息可能在加总过程中被抹去；③同一粮食存在多个品种^[7]，不同品种的市场不能混同（周章跃和万广华，1999）。例如，Rozelle et al.（1997）以及喻闻和黄季焜（1998）得到市场整合程度较高的结论，可能是因为其采用省级层面加总价格以及未区分稻米品种等缘故（周章跃和万广华，1999）。

鉴于现有的文献对于中国粮食市场整合情况的评价有着较大的差异，所使用的估计方法和数据资料也存在着有待改进的地方，因此有必要对这一问题进行重新评估。本研究的贡献主要体现在三个方面：①2004年之后粮食购销市场全面放开，粮食价格的市场形成机制初步形成，在这一新的时间背景下为中国粮食市场整合寻找新的证据具有重要的现实意义；②本研究首次利用门限自回归模型分析中国粮食市场整合，可以对空间分隔市场的交易成本和调整速度进行估计；③本研究在数据的频率、加总程度和同质性上都进行了改进，加强了研究结果的可靠性。

（一）数据与方法

我们选取稻米、玉米和小麦三种中国主要的粮食品种的每日交易数据作为研究对象。对于稻米，我们考察位于主产区长江中下游的武汉、长沙、南昌、芜湖和位于主销区华东沿海的上海五地粮食市场的标一早籼米价格，各市场之间主要通过铁路、公路干线和长江航线连接；对于玉米，我们考察主产区东北的大连和主销区华南、华东的广州、宁波、上海、厦门五地粮食市场的普通中等玉米价格，各市场之间主要通过铁路和海运航线连接；对于小麦，我们观察主产区华北的郑州、济南、运城和主销区华南的福州、广州五地粮食市场的中等小麦价格，各市场之间主要通过铁路和公路干线连接。各市场的价格数据序列根据中华粮网谷物市场每日快讯整理得到，包含了2009年5月4日到2010年12月31日的414个连续交易日，缺失数据根据前后交易日的平均值补全。

由于研究所使用数据的频率较高，总的时间跨度不大，并且期间没有较大的政策变动，我们认为这些价格序列主要是由市场因素主导，所以选用门限自回归模型进行研究。

假设一对空间分隔市场的价格分别为y₁和y₂，两个价格之间的长期关系可以被表示为：

两个价格之间的协整关系取决于均衡离差μ_t（当α=0，β=1时，即价格差）的自回归过程性质。在标准协整关系模型中，μ_t具有零均值且服从一阶线性自回归过程（AR1）：

其中，ε_t为白噪声，γ为调整参数。当调整参数γ=1时，均衡离差是非平稳的，即价格序列之间不协整。如果价格序列是协整的，根据格兰杰（Granger）表述定理，我们也可以用误差修正形式来表示这一关系：

这里调整参数λ表示对μ_t-1的修正程度，也是计算半衰期^[8]的基础。在标准模型中，调整是线性的，即调整参数为常数。在每一时期，无论离差的大小和符号怎样变化，长期均衡的离差以这一固定的比例被修正。由于交易成本的存在，价格序列之间往往显示出非线性特征，而这一模型无法将这种非线性行为考虑进来。

为了将交易成本纳入研究范围，Balke ＆ Fomby（1997）对上述框架进行了扩展，即μ_t服从门限自回归过程（TAR）。一个k区制（从而有k-1个门限c_j）的TAR模型的一般形式为：

其中，d为门限滞后阶数，ν_t为白噪声，上标（j）表示参数是区制依赖的。公式（5.4）可以写成等价的误差修正形式：

为了刻画价格序列在中间区域内外不同的特征，市场整合研究通常采用三区制的模型：

在这一模型中调整参数λ是可变的。当μ_t-1在门限c定义的对称区域之内（即|μ_t-1|≤c）时，我们设调整参数为λ_in；当其在门限c定义的对称区域之外（即|μ_t-1|＞c）时，我们设调整参数为λ_out。

Van Campenhout（2007）指出，理论上当两个市场之间的价格差小于交易成本即价格位于中间区制时，调整是不会发生的。这时，对价格差在下一时期最好的估计就是现期的价格差，因此可以假设在中间区制内为单位根过程，即λ_in=0：

通过这一模型，我们就可以对空间价格传导中的交易成本c和调整速度λ进行估计。

（二）实证检验与估计结果

门限协整具有全局行为和局部行为两个维度的时间序列性质，依据Balke ＆ Fomby（1997）对门限协整进行实证检验的思想，我们的实证部分将分为两个主要步骤：第一，通过协整和因果关系检验来判断序列的全局性质；第二，通过非线性的门限估计来判断序列的局部性质。

1.全局性质分析：单位根、协整与因果关系检验

我们首先将对数变换后的价格及其一阶差分进行标准单位根检验。根据检验的结果，接受各序列都有一个单位根的假设，从而可以对各个市场组合的价格对做协整检验。Balke ＆ Fomby（1997）等研究指出，标准协整检验程序也能够侦查门限协整行为，因此我们对所有市场组合的价格对进行了Johan-sen最大特征值和特征根迹检验，表5.2列出了各市场组合的检验结果。

表5.2　标准协整检验

注：（1）*和* *分别表示在10%和5%水平上显著，—表示在10%水平上不显著；（2）其中大连-厦门最大特征值检验不显著，特征根迹检验在5%水平上显著。

从检验结果中可以发现，稻米市场和玉米市场中大部分市场组合存在协整关系，小麦主产区的济南、运城、郑州三个市场之间也存在着协整关系，说明这些市场价格之间存在着长期稳定均衡。其中，武汉、上海的稻米市场与其他四个市场都存在协整关系，可能与两地交通条件较好有关。玉米市场中宁波港、厦门港与其他四个市场都存在协整关系，这可能是由于这两地为北粮南运的重要集散地。

我们还发现，对稻米市场的检验不支持南昌—长沙、南昌—芜湖价格对的协整关系，在玉米市场中上海与大连、广州之间价格对的协整关系不被支持，在小麦市场中位于华南地区的福州—广州组合以及两地与华北主产区市场之间的价格对不协整。这些市场组合不能拒绝不存在协整的假设，其原因可能在于这些市场组合间存在贸易壁垒和市场分割，不能及时有效地将价格的变化传递到另一个市场，而使市场间的价格不存在共同或相互决定的趋势。在我们的研究中，对稻米市场的检验不支持南昌—长沙价格对的协整关系，这可能是因为长沙、南昌所在的湖南、江西两省为全国最大的两个早籼稻调出省，其中前者主要销往华南、西南等地，后者更侧重于向东南地区流动，而这两个主产区之间的贸易往来可能并不占主导^[9]。在玉米市场中，地理距离最远的大连与广州之间存在着整合，但这两个市场却都与地理距离更近的上海之间缺乏整合。这可能是由于上海的数据为铁路运输到站价，而其他四个市场使用的是海运成交价的缘故，反映了不同运输方式间的转运可能会影响市场间的整合关系。从小麦市场来看，位于华南地区的福州、广州与华北主产区三个市场之间的价格不协整，南北之间公路铁路运力紧张可能是市场间不整合的重要原因。

我们还对各个市场组合价格进行了格兰杰因果关系检验（表5.3）。在稻米市场上，武汉的价格变化由其他地区格兰杰引起，南昌的价格变化格兰杰引起其他地区价格变化。在玉米市场上，其他地区的价格信息分别向宁波、厦门两港传递，广州的价格信息领先于其他地区。在小麦市场上，济南的价格信息受到另外四个市场的影响，运城的价格则领先于其他四个市场。总之，在中国粮食市场上既有可能是主产区引起主销区（或集散地）价格变化，也有可能是主销区（或集散地）引起主产区价格变化，还有可能是主产区或主销区内部的价格变化相互影响。依据武拉平（1999）的方法，综合考虑协整检验和格兰杰因果关系检验的结果以及实际市场情况（例如宁波是中国大陆第二大海港），我们将武汉、宁波和济南分别视为稻米、玉米和小麦三个品种的中心市场，表5.4给出了中心市场与其他市场的地理距离。

表5.3　格兰杰因果关系检验

（续表）

注：←表示该列格兰杰引起该行，→表示该行格兰杰引起该列，表示互为格兰杰原因。

表5.4　市场距离

2.局部性质分析：门限模型与区制转换估计

接下来的部分会对价格组合的局部性质进行分析。我们以武汉、宁波和济南为中心市场，对各市场组合的价格差应用AR1模型和TAR模型期货）所在地大连、郑州商品交易所（小麦期货）郑州为中心市场进行了计算，估计结果不影响实质结论。" class="calibre11">^[10]，并加以比较。表5.5给出了两种模型调整速度的估计值和以此计算的半衰期。TAR模型中具有最小残差平方和的门限值利用网格搜索法（grid search）确定，其结果也在表中给出。

表5.5　门限模型估计结果

注：（1）括号中数值为标准差；（2）*，* *和* * *分别表示在10%，5%和1%水平上显著。

从估计结果中可以发现，在几乎所有市场组合中，门限自回归模型估计的对均衡离差的调整速度都快于忽略了门限行为的标准模型。例如在上海—武汉稻米市场组合中，标准模型估计的半衰期高达91天，而在考虑了交易成本引起的非线性调整之后，门限模型估计的半衰期减少为39天，不到前者的1/2。

具体而言，在稻米市场的估计结果中，最长与最短的半衰期分别出现在上海—武汉、南昌—武汉两个市场组合之间。由于在稻米市场的四个组合之中，前者的地理距离最远而后者最近，这一结果不难理解。我们还发现，最小的门限值也出现在南昌与武汉之间，即价格差超过2%时就会触发更快的外区制价格调整。

从玉米市场来看，上海与其他四个市场所使用数据类型不同，因此在物理距离最短的上海与宁波之间并没有出现最短的半衰期，这说明不同运输方式的价格之间的调整速度较慢。最短的半衰期发生在厦门与宁波之间，这可能是因为厦门是除上海以外离宁波最近的样本市场。最慢的调整速度发生在大连与宁波之间，而大连是这组市场中唯一位于主产区的。

在小麦市场中，各个市场组合在两个模型中的估计结果并不完全一致，但仍有一定的规律性。我们可以看到，地理距离较近的主产区内部的市场组合有着相对较快的调整速度和较短的半衰期，其中郑州—济南组合的门限构成的中间区域最小。而地理距离较远的北方主产区与南方主销区之间的两个市场组合有着较慢的调整速度、较长的半衰期和较高的交易成本。

最后，我们对各市场组合的区制转移情况进行了分析。如前所述，我们所采用的门限模型包含三个区制，每个区制代表价格之间在特定时刻的关系，每个观察值根据其价格差的取值落入三个区制中的一个。图5.1展示了门限自回归模型的区制分布和转移的情况，图中的每一个点都对应着一个观察值所在的区制。观察值落在区制二说明价格差位于两个门限构成的中间区域之内。当观察值出现在区制一或区制三的时候，空间套利收益为正。如果套利收益持续为正，说明贸易没有发生或者存在贸易壁垒，从而阻碍了一价定律的恢复，即市场之间的空间整合不好；反之，一个良好整合的市场不会出现这种长期偏离均衡的情况（Goodwin ＆ Piggott，2001；Balcombe et al.，2007）。

从图5.1中可以看出，在几乎所有市场组合中都存在观察值持续位于中间区域外的情况，其中，稻米市场的芜湖—武汉组合、玉米市场的上海—宁波组合和小麦市场的郑州—济南组合尤为明显。我们的观察说明，在空间分隔市场上价格差距往往长期超过交易成本，市场通过空间套利活动缩小价格差距、稳定价格波动的机制并不通畅，或者说中国粮食市场仍然缺乏有效的空间套利活动。

图5.1　区制转换