水运系统干散货运价指数与中国经济相关性研究

1、交通运输系统分析课程论文水运系统干散货运价指数与中国经济相关性研究 摘要：交通运输系统是一个庞大的体系，涵盖了铁路、航空、公路、水运管道这五个大方向，每一个大方向又由各自的子系统组成。本文主要从水路系统入手，研究水路运输系统中干散货运价指数(BDI指数)的波动情况。因为干散货运价指数对大宗商品贸易市场有良好的预测性，建立VAR向量自回归模型，运用Eviews软件分析其与国内经济的相关性，可以为宏观经济调控提供一定的技术支撑。关键字：BDI指数、VAR模型、Eviews相关性分析；进入21世纪之后，水运系统中资源类产品和基础原材料为主体的大宗商品价格大幅波动，不仅影响国内大宗商品价格，而且通过产

2、业链进一步向下传导，促使其下游相关行业生产成本变化。其首先推动生产价格指数（PPI）异常波动，并随之可能推动居民消费价格指数（CPI）波动，进而影响整个中国宏观经济。因此，全面认识和识别BDI指数影响性，并有针对地研究国际大宗商品价格与中国宏观经济增长的相关关系成为中国进行宏观经济调控的重要议题。1现状描述1.1 干散货运价指数变化描述水路系统中的运价指数，最具代表性的就是干散货运价指数。一般我们采用是波罗的海干散货综合运价指数（BDI），是散装船航运运价指标，其同时也是大宗商品市场投资者历来最为看重的投资指标之一。散装船以运输钢材、纸浆、谷物、煤、矿砂、磷矿石、铝矾土等民生物资及工业原料为主

3、。由于散装航运业营运状况与全球经济景气荣枯、原物料行情高低息息相关。近些年，经济界已经把BDI指数作为判断经济走势的一个重要的先导性指标: 如果该指数出现显著的上扬，说明各国经济情况良好，国际间的贸易火热。一般认为，它更是初级商品市场价格指数CRB的风向标。因此，本报告将BDI的变化反映国际大宗商品价格的变化。BDI（Baltic Dry Index，BDI）是波罗的海干散货运价指数的简称，主要用于反映国际干散货运输市场的运价水平，揭示干散货市场的供需态势。BDI的前身BFI创建于1985年,它是随着波罗的海交易所的设立而出现的1。BFI指数是1985年开始发布的，起初为1000点，由13条航

4、线构成，每船货种小到1.4万吨化肥大到12万吨煤炭，没有期租航线,作为新推出的波罗地海国际运价期货合同交易的解决工具。直到1999年，波罗的海交易所将原来反映巴拿马型船和好望角型船的BFI指数分解成BCI（波罗的海海衅型船运价指数）和BPI（波罗的海巴拿马型船运价指数）两个指数，这样与已设立的灵便型船运价指数BHI共同组成三大船型运价指数，构成的航线达到24条。1999年11月1日，在BCI、BPI、BHI基础上产生的BDI取代BFI，并成为代表国际干散货运输市场走势的晴雨表。近年来，BDI指数的构成成分不断调整。现在的BDI是海岬型、巴拿马型及轻便型各占权重三分之一的综合指数，由几条主要航线

5、的即期运费加权计算而成，反映的是即期市场的行情，运费价格的高低直接影响指数的涨跌2。BDI指数衡量的是铁矿石、水泥、谷物、煤炭和化肥等资源的运输费用，由于干散货航运主要体现的是全球初级产品的需求，BDI被视为经济的领先指标。BDI指数历来左右国际大宗商品价格走势，其变化幅度在很大程度上可以反应国际大宗商品的价格变化趋向。数据来源：Baltic Exchange图1. 2000年至2015年BDI季度变化图从图1中可以看出，自2000年第一季度开始BDI虽有小幅波动，但从其趋势可看出指数稳中有升。但从2006年第二季度起始，尤其是2007年第二季度以来，在铁矿石和煤炭需求激增、租家大量成交期租合

6、约、澳大利亚压港持续的推动下，BDI不断上涨并出现第一个波峰，即2007年第三季度10274点，仅用6个季度就达到了10000点以上的高位，季度平均增长率达到26.7%。由于全球经济衰退导致能源需求降低 铁矿石需求持续低迷及远期市场的抛单，BDI迅速降到历史上的最小波谷，从2008年第二季度的9792点至第四季度的1120点的骤降仅用了两个季度，其季度平均降幅接近60%。这几季度BDI 进行着“过山车式”的震荡。干散货运量的增加、船东的撤单以及拆船市场的火爆，使得2009年第一季度至2010年第二季度BDI触底反弹但由于全球经济还较疲软，各种市场因素导致 BDI 处在一个窄幅的波动之中。自此之

7、后，BDI指数虽有小幅上涨，但大部分时间里一直在1400点以下波动，萎靡不振并延续至今。1.2 中国宏观经济增长变化描述在衡量中国宏观经济增长指标方面本文选择中国政府每季度发布的国民生产总值（GDP）来分析整体宏观经济。GDP是指在一定时期内（一个季度或一年），一个国家或地区的经济中所生产出的全部最终产品和劳务的价值，通常被公认为衡量国家经济状况的最佳指标。一般来说，国内生产总值共有消费、私人投资、政府支出和净出口额等四个组成部分。用公式表示为：GDP=CA+I+CB+X其中：CA为消费、I 为私人投资、CB为政府支出、X 为净出口额。国内生产总值是指一个国家（国界范围内）所有常住单位在一定时

8、期内生产的所有最终产品和劳务的市场价值。GDP是国民经济核算的核心指标，也是衡量一个国家或地区总体宏观经济状况重要指标。反映了常住单位生产活动成果，常住单位严格规定了一个国家经济主体，从GDP可以看到一个国家经济是处于增长还是衰退时期。国内生产总值是一个数字，即一定时间范围内生产的商品与劳务的总数乘以“市价”。当用国内生产总值时，还必须通过GDP缩减指数进行调整。数据来源：国家统计局图2. 2000年至2015年GDP季度变化图20世纪末期，中国经济环境发生重大变化，在经历了亚洲金融危机和南方洪涝灾害后，中国宏观经济遭受到了严重威胁，出现了物价持续上升，投资环境恶化等经济问题。随着经济形势的不

9、断恶化，中国在新世纪陆续推出积极的财政政策和稳健的货币政策。之后中国经济开始增长，企业亏损情况有所好转，经过几年发展，全社会经济效益稳步提升，实现了经济的良好发展。在剔除各年季度变化影响后，可以从图2中发现2000年至2007年GDP增势平稳，年平均经济增长率保持在10%以上。由于担心经济增长由偏快转为过热，2008年国家决定实施稳健的财政政策和适度从紧的货币政策。由于宏观政策滞后效应的影响，又加上BDI大幅下跌和美国次贷危机，中国经济出现下滑的迹象。在2008年下半年开始政府实施积极的财政政策和宽松的货币政策，并出台4万亿投资的刺激经济计划。中国宏观经济开始恢复，08年全年GDP增长8.7%

10、，中国在09年下半年开始走出次贷危机和BDI大幅下降的阴影，经济基本面向好，并保持较高的经济增长率。1.3 两者关系的理论分析BDI对中国宏观经济的影响表现为价格传导机制，传导机制是指在整个价格系统中，某些商品和服务的价格变动所引致的其他相关商品和服务的价格也发生变动的过程。它可以分为两种形式，即成本推动型传导和需求拉动型传导。成本推动型传导是价格传导中的经典类型，指的是在产业链中，上游价格发生变动所引起的中游和下游价格发生变动的一种传统方式。国际大宗商品价格传导偏向于成本推动型，可以概括为从国际到国内、从上游到下游、从生产到生活。其具体的传导模式见图3，具体的传导路径也是形式多样的3。图3.

11、 BDI波动影响中国宏观经济的传导途径改革开放以来，尤其是进入21世纪以来中国的宏观经济发展不断为世界经济繁荣注入新的活力，不论是国内生产力还是在进出口贸易方面，中国市场都显示出了源源不断的需求和强大的竞争力。因此，BDI指数作为全球贸易的重要指标，收到“中国因素”的影响越来越大。从我国特有的经济结构来看，国有企业总是控制关系到国计民生的行业和产品，垄断性很高，对市场价格的控制力也极强，它们的价格行为会直接影响到行业或市场价格，也会影响整体的物价水平。在大宗商品价格波动传导过程中,市场机构也会发化变动。从对外开放的程度来看,我国净出口规模巨大，对外依赖程度很高，尤其是对基础原材料等大宗商品的依

12、赖性极高，无论是从绝对量还从相对量来看，这种外向型经济使得国际价格的一点点波动就会影响到国内企业的相关生产和贸易义行为，进而波及到国内价格，造成国内价格的震荡和不稳定。从全球产业链的角度来看，我国处于全球产业链的低端，对大宗商品拥有巨大的需求，按照供求基本面的理论来分析，中国对大宗商品的巨大需求应该拥有对大宗商品定价的主动权和话语权,但事实却正好相反。尤其是在铁矿石市场上,在价格博弃中中国始终处于被动和不利的地位，呈现出“贸易大国”和“定价小国”的尴尬和无奈。这不仅会加重对国际市场的依赖，而且更会严重影响中国的经济安全，引致中国经济不正常的波动。自2000年起始，中国及其他新兴国家经济体经济迅

13、猛发展带动了BDI指数的一路走高，并突破10000点。但是2008年美国爆发金融危机后，国际贸易大幅萎缩，国际航运市场剧烈变动，BDI指数从10000多点跳水至不到1000点。随后，在中国“四万亿”投资计划刺激下，2009年国际大宗商品需求量激增，BDI指数也由此反弹到4000点以上的水平。然而，这也给了航运界“市场复苏”的错觉,并带动大批新船在2010年下水，从而再次压垮了干散货海运市场。近些年来，中国的宏观经济结构调整抑制了铁矿石、煤炭的边际需求增长，导致对国际大宗商品的需求量下降。自2011年开始BDI指数一直低位徘徊，“中国因素”同样扮演着举足轻重的角色。2国际大宗商品价格与中国宏观经

14、济走势相关性的实证分析通过以上对BDI指数和中国宏观经济增长的研究和了解，认为BDI指数与GDP数据之间可能存在着相关关系，但是究竟是否相关，是何种相关，相关程度如何，都需要科学的验证和分析。下面我们将构建相关性分析所用的模型，分析两者的相关性。BDI指数为每个工作日发布，本报告根据2000年至2015年9月每日的BDI指数整理出季度数据。而在选取经济增长率数据方面，采纳了国家统计局发布的2000年第一季度至2015年第三季度的季度GDP增长数据。通过研究BDI指数与GDP增长率之间的相关关系来找出国际大宗商品价格与中国宏观经济增长之间的相关性。图4.2000年至2008年二季度BDI与GDP

15、走势图从图4可以看出，在2000年至2008年二季度当GDP增长时，BDI指数也会随之增大，两者呈现出正相关关系，但并不属于一种简单的直线线性关系。通过Eviews软件计算其相关系数为0.86，可视为高度相关。但从图5可以看出自2008年三季度起，BDI走势与GDP走势出现严重背离。 图5.2000年至2015年三季度BDI与GDP走势图由图4、图5发现BDI指数和GDP数据的走势一致性偏弱，尤其是进入2008年以后，二者的走势大相径庭。运用Eviews软件得到2000年至2015年三季度BDI指数与GDP数据的散点图:图6.2000年至2015年BDI指数与GDP数据的散点图如图6所示，图中

16、小部分的散点比较集中，大部分的散点比较分散。总体而言，BDI指数与GDP数据并没有呈现出一定的正相关关系。为进一步分析GDP与BDI两者的关系，本报告选用VAR模型对GDP与BDI之间的关系进行实证分析。2.1 VAR模型向量自回归(VAR)模型是基于数据的统计性质建立模型，是分析多变量时间序列的有力工具。由于 VAR 将每一个系统内的内生变量表示成所有内生变量滞后值的函数形式，从而回避了具体的建模问题。应用样本可以确定一个多变量 VAR 系统的参数，从而得到变量间的相互关系。本文选择 VAR 模型，因为 VAR 模型具有以下几个特点5：不严格的以经济理论为依据；VAR模型对参数不施加零约束；

17、VAR 模型的解释变量中不包含任何当期变量；VAR 模型有相当多的参数需要估计；无约束 VAR 模型的应用之一是预测。优点是不必对解释变量在预测期内的取值做任何预测；用 VAR 模型做样本外近期预测非常准确；VAR 模型中每一个变量都必须具有平稳性。如果是非平稳的，则必须具有协整关系；VAR 模型中所有的变量都是内生变量。VAR模型把系统中每一个内生变量作为系统中所有内生变量的滞后值的函数来构造模型，从而避免了结构化模型的建立。由于VAR模型中的所有变量都是内生变量，不区分内外变量，可以有效的避免在构建模型中容易出现的在区分内外生变量时的制定错误。均值方程VAR(m)的模型表达式为：式（1）（

18、2）中，m为VAR模型最佳滞后期数，分别代表BDI指数以及GDP指数的时间序列，表示条件期望，(k=1,2)为待估计的系数，为2个均值方差的集合。对于均值效应检验结果分析：在式（1）所构成的均值方程中，若(i=1,m)均为0或者不显著，说明BDI受自身前期的影响不显著，反之表示显著，若(i=1,m) 均为0或者不显著，说明BDI受中国GDP的影响不显著，对式（2）原理相同。2.2时间序列的平稳性分析时间序列的平稳性分析是时间序列有效进行计量分析的基础，如果用非平稳的时间序列进行建模分析很有可能导致伪回归的出现，对分析结果有很大的影响。时间序列为季度数据，季度数据往往会有循环波动，季度性变动会掩

19、盖经济发展的客观规律，因此需要进行季节调整。季节调整方法主要是用来剔除掉时间序列中的季节影响因素，一般的时间序列都有季节影响因素，季节波动影响时间序列的客观规律，通过消除季节波动，可以显现出序列的潜在循环分量，趋势循环分量可以反映出经济时间序列运动的客观规律。目前常用的调整方法有季节调整、移动平均比率法和Tramo/Seats法。其中，季节调整法目前已经发展演变为一套相对完整的经典程序。该法的优势在于，除可以契合各种经济指标的性质外，还能根据不同的季节调整目的，按照数据特征选择不同的计算方式；尤其当不选择计算方式时，该算法也能依照当前经济指标的自身特征自动选择合理的计算方式。不过，法限制了观测

20、值的个数范围。该法要求不多于20年的月度或30年的季度数据，并且不少于4个整年的月度或季度数据，才能达到理想的调整效果。Census X12法在保留X11所有功能的基础上进行了一系列改进：该法增强了对交易日和节假日影响的调节，增加了各要素分解模型的选择功能；另外还新增了对季节调整结果的稳定性诊断功能，以及ARIMAX模型的构建和选择功能。Tramo/Seats相互结合也可以用于季节调整。其中Tramo可以用于预测和修正序列数据中或有的缺失值，Seats则基于模型思想来估计经济时间序列中的不可观测成分。这几种调整方法的思路类似，而操作细节上略有差异，对应的调整结果也略有不同。因此，对国际干散货运

21、价指数BDI和中国GDP数据的相关性进行计量分析，首要是要判断选取变量数据的稳定性。单位根检验对于检查时间序列的平稳性非常重要，是时间序列计量分析有效性的基础。检验单位根的方法为ADF法，基本原理要用到下面三个公式6。原假设；备择假设：。检验统计量为T统计量。服从均值为0的正态分布。模型(1)用于检验无明显的截距项和趋势向的时间序列，模型(2)用于检验有截距项而无趋势项的时间序列，模型(3)用于检验既有截距项又有趋势项的时间序列。 模型（1） 模型（2） 模型（3）本报告通过ADF检验分别对BDI和GDP序列和以及各自一阶差分序列进行平稳性检验，检验结果显示BDI指数和GDP数据均为一阶差分平

22、稳在，Eview8.0的运行结果如下表1.变量的单位根检验结果表变量差分次数(C,T,K)DW值ADF值5%临界值1%临界值结论BDI0(0，0，0)1.94-1.41-1.95-2.6不平稳GDP0(0，0，3)1.655.41-1.95-2.6不平稳DBDI1(0，0，1)1.98-5.92-1.95-2.6(1)*DGDP1(0，0，1)2.39-9.17-1.95-2.6(1)*说明：（C，T，K）表示ADF检验式是否包含常数项，时间趋势项以及滞后期数；*表示差分后在1%的显著水平上通过ADF平稳性验。单位根是描述时间序列是否平稳的标准，当时间序列非平稳时，就说这个时间序列存在单位根，

23、即如果一个时间序列存在单位根，那么这个时间序列不平稳。时间序列的平稳性对于计量经济模型的建立具有重要的意义，平稳的含义是时间序列的统计规律不会随着时间位移而发生变化。对于非平稳的时间序列进行回归也可能出现拟合优度较高的情况，这样的回归没有经济意义，通常称为伪回归，也就是说，在对时间序列进行单位根检验之前就做回归模型可能会得出虚假回归的结论。通过ADF根检验表明：数据BDI和GDP时间序列的ADF检验值在5%及1%的显著水平下均大于其临界值，是非平稳时间序列，两组数据均不能拒绝时间序列存在单位根的原假设，所以需要对两组数据进行一阶差分回归，一阶差分序列在5%及1%的显著水平下均拒绝了存在单位根的

24、原假设，综上BDI和GDP序列至少存在一个单位根，经过一阶差分之后变为平稳时间序列，所以BDI和GDP序列均为一阶单整，符合建立VAR模型的条件。2.3 VAR模型最佳的确定VAR模型中内生变量的滞后阶数的确定有两种常用的方法，一个是AIC（Akaike Information Criterion）信息准则，另一个是SC(Schwarz Criterion)信息准则，根据AIC,SC,HQ等信息准则来确定最佳滞后期数，结果如下：图7. 滞后阶数相关数据图利用Eviews8.0，滞后长度诊断结果如下，理论上选择滞后阶数的标准是AIC和SC的值越小越好，AIC和SC的值不同，结合LR值对滞后阶数进

25、行选择，经过图7可以看到模型的最佳滞后期数为2，也就是VAR(m)模型中的m=2。2.4协整检验协整检验用来检验两个变量是否有长期的稳定关系，且只有同阶单整的序列才能进行协整检验7。我们处理数据得到GDP和BDI数据均是一阶单整，因此可以进行协整检验，其检验结果如下：图8. 协整检验结果图通过图8中的结果可以看出原假设成立，两个数据间不存在协整关系，即是两组数据不存在长期稳定的关系。2.5模型稳定性分析在做VAR模型之前需要对所要构建的模型稳定性进行分析。检查VAR模型所有根模的倒数是否小于1，即检查所有根模的倒数是否位于单位圆内，若是则说明模型稳定，VAR模型合理，若不是则不合理。经过检验，

26、发现所构建的模型的根模的倒数均位于单位圆内，因此，所估计的VAR模型是稳定的。VAR模型的稳定性可以支持脉冲响应函数标准误差的有效性。图9.AR根的图标因此，本报告得到VAR的模型是稳定的，VAR（2）模型结果如下：图10.VAR模型的结果显示图通过图10可以得出BDI与GDP的VAR模型的表达式：图9中GDP本期序列值受到自身滞后1-2期的显著影响，BDI本期序列值收到自身滞后1期的显著影响，而BDI与GDP之间条件期望系数接近于0，非常不显著，可以推断反应大宗商品价格指数的BDI与中国GDP之间不存在均值溢出效应。由VAR(2)模型我们可以得到，BDI指数，中国国内GDP数据波动主要还是受

27、到自身前期市场波动的影响比较大，对上述结果再进行脉冲响应分析。分析结果如下图11表示：图11.BDI对GDP的脉冲响应以及GDP对BDI的脉冲响应分析图图11中横轴表示滞后期间数（单位为季度）纵轴分别表示GDP，和BDI的季度数据，图中绿色的实线代表脉冲响应函数，左图显示对BDI指数波动一个正向的冲击，会对GDP有一定的正向反应，随后正向反应就逐渐减弱，在滞后4个季度后这种正向反应趋于0，右图显示对GDP指数波动一个正向冲击，随即会对BDI产生一定的正向反应，在滞后5个季度滞后这种正向反应变为0，并有微弱的负向影响。根据分析我们可以得到BDI指数对GDP的增速最初有微弱的影响，随着时间的增长对

28、GDP的影响趋近于0，而BDI最初对中国GDP增长有一定的正向作用，但这种作用随着时间的增长越来越小，最后也趋于0，表示其影响微乎其微。以上通过建立VAR模型以及进行脉冲响应分析我们可以得到，长期来看BDI和GDP相关性不大，相互间直接影响的可能性很小，往往通过影响各自相互之间关联的因素来波及到对方。2.6格兰杰因果检验格兰杰因果关系是由美国加州大学著名的计量经济学家格兰杰（C.W.J Granger）于 1969 年提出的一种检验因果关系的方法，后来又经Hendry，Richard等人完善。因果关系主要是针对两个变量之间来讲的，在经济变量的关系中，研究因果关系具有重要的现实意义，对观察经济现

29、象、揭示经济规律有着重要的指导意义。计量经济通常用的方法是Granger因果检验法。一般，因果检验的前提是时间序列为平稳序列，对非平稳序列用Granger方法后，再用OLS(最小二乘法)，尽管会得到拟合较为理想的回归模型，但因为是非平稳时间序列，会得到虚假回归的结果，这样的结果没有任何经济意义。双变量之间的因果关系检验是看一个变量的滞后期是否对另一个变量的当期值有影响，检验结果中P值越小因果关系就越明显。本报告再次运用格兰杰因果检验来检验两时间序列是否具有因果关系，从而可以更加明确结论，其检验结果如下：图12.格兰杰因果检验图BDI不是引起GDP变化的原因的接受概率是0.9964，在0.05的

30、显著水平上原假设成立，同理GDP不是引起BDI变化原因的接受概率为0.2745，在0.05的显著水平上接受原假设，格兰杰检验显示BDI不能够引起GDP的格兰杰原因，GDP也不是BDI的格兰杰原因，所有BDI和GDP不存在直接的因果关系。即，报告中选取的BDI和GDP数据之间不存在必然的相关关系。3总结本文通过实证研究发现，反映大宗货物价格的BDI指数的走势与中国国内生产总值GDP之间在整个时间序列上不存在直接的关系，相关性系数通过建立VAR模型，及后期的脉冲响应图的分析在2000年到2007年存在着相互的促进作用，但是自2008年以后两者的相互作用越来越不明显，最后趋于0，这说明BDI和GDP

31、之间并非真正存在直接相关性，这一点格兰杰检验也很好的说明了问题，因为BDI与中国GDP的相互关系远非单纯的相关性可以说明的，BDI与GDP数据的相互作用是通过多种因素来相互影响的，而这两个指数本身没有因果关系，相关性很微弱，某一时刻出现的拟合也只是暂时的，GDP将受到自身前期市场的影响比较大，BDI也具有类似的结果。近几年来，尤其是2008年以来，西方国家相继发生美国次贷危机，欧洲债务危机严重迟滞了西方经济体的经济发展，很大程度上削弱了对大宗商品的需求。虽然中国等新兴国家经济发展良好，但依然不能抵消西方经济所带来的不良状况。又加上，中国经济结构调整开始转变经济增长方式，从单纯依靠资源向依靠科技进步的方向转变，提高经济增长的质量。在这种背景下，中国对大宗商品需求开始逐渐减少。中国GDP的走势影响更多的原因是中国政府政策的宏观调控，而BDI的走势波动情况复杂，受到多重的因素影响，往往与海运成本、航运市场的供求关系、美国货币政策、欧洲债务危机、全球干散货运力等因素密切相关。参考文献：1Beenstock, M. and Vergottis, A.An Econometric Model of the World Shipping Market for Dry Cargo, Freight and Shipping.