国内油料作物市场整合关系研究 ——以油菜籽、花生和芝麻为例

　　摘要：市场整合是衡量市场机制效率的重要指标，研究国内油料作物空间市场整合关系有利于宏观把握市场的运行情况，对优化地区分工和提高资源配置效率具有重要意义。本文以油菜籽、花生和芝麻为例，依次使用 Jo⁃ hansen协整分析、向量误差修正模型和格兰杰因果检验，系统分析了国内油料作物的空间市场整合关系。研究表明：从长期来看，油菜籽、花生和芝麻的市场价格之间关联较为密切，国内油料作物市场存在长期整合关系;从短期来看，国内油料作物市场的短期整合程度较高，根据调整速度，从高到低依次是花生、油菜籽和芝麻;从因果关系来看，70%的油菜籽、57.14%的花生和30%的芝麻市场价格之间存在双向因果关系，说明市场价格信息并非完全对称传递。为提高国内油料作物市场整合程度，本文分别提出了改善市场环境、完善信息平台建设和加强构建现代物流体系的建议。

　　关键词：油料作物;市场整合;协整检验;向量误差修正模型;格兰杰因果检验

　　刘福星; 汪可欣; 张璐; 冯中朝 中国油料作物学报 2021-12-22

　　市场分割会扭曲经济运行机制，降低资源配置效率，减少社会福利水平[1~3] 。2021年 3月，《中华人民共和国国民经济和社会发展第十四个五年规划和2035年远景目标纲要》明确提出加快构建国内统一大市场，有效破除地方保护和市场分割[4] 。打破贸易壁垒，推动国内市场整合有助于优化地区分工和资源配置，是利用规模效应促进经济增长的有效途径[5~7] 。食用植物油是人们日常生活的必需品。随着生活水平的提升，我国居民食用植物油的消费不断增 加 。 据 统 计 ，2000 年 全 国 植 物 油 消 费 量 为 12351. 4 万吨，2018 年达到了 27684. 6 万吨，增加了 2. 24倍[8] 。食用植物油的稳定供给关系每个人的日常生活，是保障国家食物安全的重要组成部分[9] 。油料作物是获取食用植物油的主要来源，作为产业链的上游，油料作物的市场整合程度直接对食用植物油市场产生影响。为了优化资源配置效率，提高油料作物生产能力，保障食用植物油供给水平，国家不断推进市场化改革。例如，2015年取消了油菜籽临时收储政策，价格完全由市场决定[10] 。

　　那么，在市场化改革不断深入的背景下，我国油料作物市场整合程度如何?更确切地说，我国油料作物市场是否存在长期和短期整合关系?如果存在，不同地区的市场价格信息是如何传递的?对于上述问题至今仍缺乏全面有效的解答。为此，本文将结合所收集的高频时间序列数据进行实证分析，力求能够系统考察国内油料作物的市场整合关系。一般来讲，市场分割会带来市场信息不对称，影响市场交易者的决策，造成资源错配。而市场整合程度越高，要素资源流动性越强，就越容易实现要素的最优配置，提高市场的运行效率。因此，对于国内油料作物市场整合的研究，不仅有助于宏观把握国内油料作物市场的运作效率，也有利于以国内大循环为主体的时代背景下油料作物统一大市场的构建，更是优化地区分工，提高资源配置效率，从而提高社会总福利水平的现实体现。

　　1 文献综述

　　空间市场整合一直是研究热点。1951年，Enke 发表了一篇重要的论文，提出了空间价格均衡理论[11] 。自此，学者们在此基础上不断探索和发展，其中，空间市场整合是学者们关注的一个重要方面。空间市场整合是指某一特定市场商品价格传递到另一个市场的程度，即存在于不同市场的价格运动关系[12,13] 。空间市场整合程度越高，越有利于市场价格信息传递[14] 。完全空间市场整合意味着在自由贸易条件下实现了“强一价定律”，而完全分割的市场表明在没有贸易条件下的自给自足[15] 。

　　针对农产品空间市场整合的研究，国内外学者主要从两方面展开。一方面是研究不同国家农产品的市场整合关系。Alexander 等使用 E-G 两步法研究了印度尼西亚大米市场价格与国际市场价格的长期整合关系[16] 。Dercon对E-G两步法进行了改进，使用误差修正模型分析了市场的短期整合关系[17] 。Beak使用Johansen协整检验和VEC模型研究了北美方材市场的整合关系，并认为美国占据市场定价的领导地位[18] 。Bakucs等研究了德国和匈牙利小麦市场的整合关系[19] 。Goychuk 等则分析了俄罗斯、欧盟、美国和加拿等国家小麦市场间的整合程度[20] 。而国内文献主要集中在我国农产品市场价格与国际市场价格的整合关系。张巨勇等[21] 研究了我国小麦、玉米、大米和大麦等农产品价格和国际市场价格的整合关系，武拉平[22] 以小麦、玉米和大豆为例，分别研究我国南方市场和北方市场与国际市场的整合关系。丁守海以大米、小麦、玉米和大豆为例，使用 Johansen 检验和 VEC 模型进行了分析，结果显示国内市场和国际市场存在长期整合关系和短期调节机制[23] 。王永刚等[24] 、王孝松等[25] 和高群等[26] 也进行了类似研究。

　　另一方面是研究某一国家内部不同地区的农产品市场整合关系。Lele首次使用相关系数法分析了印度 7 个高粱市场的整合程度，并认为相关系数超过某一特定值就认为市场整合程度较高[27] 。Rav⁃ allion 提出一个空间价格差异模型(Ravallion 模型)分 析 了 孟 加 拉 国 大 米 市 场 的 整 合 程 度[28] 。 González-Rivera 等运用协整理论研究了巴西 19 个州的大米市场整合程度[29] 。然而，国内在这方面的研究起步较晚。万广华等搜集了 1998 年 2 月至 1995年5月35个大中城市粳米的月度数据，并用共聚合法进行了分析，研究结论表明我国大米市场的整合程度不高[30] 。与之相反，喻闻等基于 1988— 1995年每10天的省级大米数据，研究发现我国大米的市场整合逐步上升[31] 。近年来，有关国内农产品市场整合研究不断丰富，涉及了大豆、玉米、大米、小麦、生猪、蔬菜和中药材等[32~36] 。

　　综上所述，关于农产品市场整合的研究较为丰富，但仍存在以下两方面的局限。一方面，研究对象问题。现有文献的研究主要集中在粮食市场，对油料作物的空间市场整合关注较少，涉及的油料作物也较为单一。另一方面，数据类型问题。现有文献绝大部分使用的是年份跨度较小且低频的月度数据，样本量较小，代表性不足。针对已有文献的不足之处，本文主要从两部分改进。首先，将研究对象聚焦在国内油料作物市场，从长期和短期视角分析油料作物的市场整合关系，并分析了不同地区之间的价格传递关系，以期全面考察国内油料作物的市场整合程度，对已有文献研究进行补充。其次，本文结合所搜集的油菜籽的日度价格数据、花生和芝麻的周度价格数据进行实证分析，对以往文献中低频的月度数据类型进行改进，以期得到更加丰富的研究结果，为构建油料作物统一大市场提供经验证据支撑。

　　2 研究方法与模型

　　本文首先使用单位根(augmented dickey-fuller, ADF)检验法检验油菜籽、花生和芝麻价格数据是否平稳，其次使用 Johansen 协整检验方法分析不同市场价格之间是否存在长期整合关系，然后建立向量误差修正模型(VECM)分析不同市场价格之间的短期整合关系，最后使用Granger因果关系检验分析不同市场价格之间是如何相互影响的。

　　2. 1 ADF单位根检验

　　ADF 单位根检验是检查时间序列平稳性的一种常用方法。不同于 DF 检验，ADF 检验方法通过在方程式右边加入因变量 yt的滞后项，来检验存在高阶滞后相关序列的平稳性。一般地，方程形式有三种：不包含常数项和时间项，包含常数项但不包含时间项与包含常数项和时间项，公式分别如下。 Δyt = ηyt - 1 +∑i = 1 p - 1 βiΔyt - i + ui (1) Δyt = ηyt - 1 +∑i = 1 p - 1 βiΔyt - i + ui + ∂ (2) Δyt = ηyt - 1 +∑i = 1 p - 1 βiΔyt - i + ui + ∂ + δt (3)

　　2. 2 Johansen协整检验

　　Johansen检验是一种基于回归系数的协整检验方法，其基本思想为：首先建立一个VAR模型。 yt = ϕ1 yt - 1 + ... + ϕp yt - p + Hxt + εt (4)式中yt 、yt - 1...yt - p表示非平稳的I (1)变量;xt为外生变量，表示常数项和趋势项等;εt 表示扰动项。其次，将等式两边同时减yt - 1可得： Δyt = Πyt - 1 +∑i = 1 p - 1 ΓiΔyt - i + Hxt + εt (5)通过等式变换式将yt协整检验转化为对矩阵Π 的分析问题，式中 yt - 1 的各分量之间是否具有协整关系关键看Πyt - 1是否为I (0)的向量。

　　2. 3 VECM模型

　　VEC 模型是包含协整约束的 VAR 模型，如果(4)式中 yt所包含的 k个 I (1) 序列存在协整关系，去掉式中外生变量，可改写为： Δyt = Πyt - 1 +∑i = 1 p - 1 ΓiΔyt - i + εt (6)可转化为误差修正模型： Δyt = αecmt - 1 +∑i = 1 p - 1 ΓiΔyt - i + εt (7)式中 Π = ∂β'，ecmt - 1 = β'yt - 1 是误差修正项向量，∂ 为短期偏离长期均衡时的调整速度。

　　2. 4 Granger因果关系检验

　　Granger 因果关系检验的实质是检验一个变量的滞后期能否加入其他变量方程中。根据以下时间序列模型： yt = γ +∑m = 1 p ∂m yt - m +∑m = 1 p βm xt - m + εt (8)检验原假设“H0 ∶ β1 = β2 = ... = βp = 0”，如果拒绝原假设，则说明 x 是 y 的格兰杰原因。将 x 和 y 的位置互换，可以检验y是否为x的格兰杰原因。

　　3 数据来源与样本处理 3. 1 数据来源

　　油料作物是指用来提取油脂供食用或者作为工业、医药原料等的一种作物。主要有大豆、花生、油菜、芝麻、蓖麻、向日葵、苏子、油莎豆等。由于我国油料作物的种类繁多，且种植的地区较为分散。综合考虑高频价格数据的可得性和油料作物的代表性，本文根据国内大宗油料作物的种植面积和产量，最终选取了油菜籽、花生和芝麻，并以其为例，来研究国内油料作物的市场整合情况。其中，油菜籽收集了江苏、安徽、湖北、湖南和四川五省的数据。根据国家统计局的数据资料显示，2019年全国油菜籽的总产量为1348. 47万吨，以上五省的总产量为766. 26万吨，占据全国油菜籽总产量的 56. 82%[37] 。花生的数据来自河北、江苏、安徽、山东、河南、湖北、广东和广西八省。根据国家统计局的数据资料显示，2019年全国花生的总产量为 1751. 96 万吨，以上八省的总产量为 1332. 71 万吨，占据全国花生总产量的76. 07%[37] 。芝麻搜集了天津、江西、山东、湖北和广西五省(市)的数据。根据国家统计局的数据资料显示，2019年全国芝麻的总产量为 46. 70 万吨，以上五省的产量为 17. 80 万吨，占据全国芝麻总产量的38. 12%[37] 。故样本具有一定的代表性。值得注意的是，本文并未将大豆纳入研究范围。主要原因有两点：一是，布瑞克农业数据库中有关大豆价格的日度高频数据只有黑龙江是国产豆报价，其余均为进口豆报价，与本文研究目的不符。二是，相较于其他油料作物，有关大豆的市场整合文献非常丰富，学者们基本达成共识。因此，本文将研究范围集中在国内的油菜籽、花生和芝麻市场。

　　3. 2 样本区间选择

　　为了尽量搜集高频的价格数据，保证价格数据的连贯性，本文最终选取的样本区间为：2015年5月 11 日至 2021 年 3 月 3 日油菜籽的日度数据，一共获得 5 个省份 1430 个日度观测值;2013 年 1 月 5 日至 2021 年 2 月 25 日花生的周度数据，一共获得 8 个省份445个周度观测值;2015年1月9日至2021年2月 25 日芝麻的周度数据，一共获得 5 个省份 298 个周度观测值。以上油菜籽、花生和芝麻的价格数据均来源于布瑞克农业数据库，个别省份的少数缺失值用相邻数据的平均值进行补齐，详细描述性统计分析如表1所示。 3. 3 样本处理由于油菜籽、花生和芝麻的数据年份跨度较大，价格中包含了通货膨胀因素。因此，为有效剔除通货膨胀对市场价格的影响，本文利用国研网的居民消费价格指数(CPI)对搜集的价格数据进行折实处理[38] 。为了数据口径统一，本文分别搜集了 2013年1月至2021年3月河北、江苏、安徽、山东、河南、湖北、广东、广西、天津、江西、湖南和四川居民消费价格指数(CPI)的月度数据。主要处理过程如下：首先，借助 Eviews8. 0软件将国研网提供的月度居民消费价格指数(CPI)进行高频化处理，转化为周度数据，再将周度数据转化为日度数据。其次，将油菜籽的 CPI 数据以 2015 年 5 月 11 日为基期进行定基期处理，花生的 CPI 数据以 2013 年 1 月 5 日为基期进行定基处理，芝麻的 CPI 数据以 2015 年 1 月 9 日为基期进行定基处理。最后，借助 Stata15. 0 软件将搜集的价格数据和 CPI 数据进行一一匹配，然后折实处理，得到实际价格数据，并对折实处理后的价格数据取对数。

　　4 实证结果与分析 4. 1 单位根检验结果

　　时间序列模型的一个重要假设条件是平稳性假设，为了防止存在单位根导致伪回归的情况，本文采用ADF检验法对油菜籽、花生和芝麻的市场价格进行平稳性检验。在进行ADF检验时，原假设条件下 t 统计量渐进式分布依赖于检验形式的定义，需要选择合适的检验形式。由于搜集的数据是高频的日度和周度价格数据，具有线性趋势和时间趋势的特征。因此，本文选择包含常数项和线性时间趋势的检验形式，并根据 AIC 准则来确定模型合理的滞后阶数。如果原时间序列不平稳，则采用一阶差分的方法进行处理，检验结果如表 2 所示。油菜籽、花生和芝麻的市场价格均在 1% 的统计水平上显著，处理后的市场价格序列是平稳的，满足了时间序列建模的需要，可以进一步分析。

　　4. 2 长期整合关系检验结果

　　为了检验油菜籽、花生和芝麻市场之间是否存在长期整合关系，本文使用了Johansen协整检验，并通过迹统计量(trace)和最大特征值(λ - max)分别与临界值比较，从而判断市场之间的长期整合关系，结果如表3~表5所示。表3显示，将江苏、安徽、湖北、湖南和四川市场进行两两配对，在 10% 的显著性水平下，油菜籽的10对市场之间均存在显著的协整关系。这说明国内油菜籽市场价格之间有非常紧密的关联，存在长期整合关系。

　　表 4 显示，将湖北、江苏、安徽、山东、河南、河北、广东和广西进行两两配对，在1%的显著性水平下，花生的 28 对市场之间均存在显著的协整关系，这说明国内花生市场价格之间关联程度极高，存在长期整合关系。表5显示，将天津、江西、山东、湖北和广西进行两两配对，在5%的显著性水平下，芝麻的10对市场中有 9 对市场存在显著的协整关系，长期整合关系比例为 90%，这说明国内芝麻市场价格存在一定的关联，市场长期整合程度较高。其中，湖北和山东芝麻市场的价格不存在长期整合关系。原因可能是，一方面，山东地区的主要油料作物是花生，而芝麻的种植面积和产量相对较少，以自产自销为主。根据布瑞克农业数据库的资料显示，2019年山东芝麻的总产量为 0. 1 万吨，而花生的产量为 284. 8 万吨，芝麻的产量仅占花生产量的 0. 04%。另一方面，山东和湖北的地理距离较远，芝麻的交易成本较高，贸易商的套利空间较小，两地之间芝麻市场的交易少，所以两地芝麻市场不存在长期整合关系。综上，不同地区油料作物市场价格关联较为密切，国内油料作物市场存在长期整合。且根据显著性水平，长期整合程度从高到低依次是花生、油菜籽和芝麻。

　　4. 3 短期整合关系检验结果

　　协整关系检验反映了两个市场的长期整合关系，但并不能反映出短期整合关系。VECM 能够反映短期系统偏离均衡的调整状态，其误差修正系数衡量了一个变量发生变化后重新回到均衡的速度。误差修正项系数的绝对值越大，说明短期调整的速度越快。当误差修正项系数的绝对值趋近于 0 时，说明重新回到均衡状态的速度很慢。因此，本文使用VECM检验存在长期整合的油料作物市场是否存在短期整合关系。为了保证模型的合理性，在实证过程中，首先根据 LR、FPE、AIC、HQIC 和 SBIC 五种判断标准确定滞后阶数，然后使用 Johansen 的 MLE 方法估计模型。其次，检验模型的残差项是否存在自相关，如果存在自相关，则增加滞后阶数，直至不存在自相关。最后，画出VECM系统稳定性判别图，依据伴随矩阵的单位根是否落在单位圆内，检验模型系统的稳定性，结果如表 6~表 8 所示。以表 6 中江苏市场和安徽市场为例，江苏表示以江苏油菜籽市场价格为因变量，安徽表示以安徽油菜籽市场价格为自变量的模型估计结果。误差修正项系数的绝对值为 0. 007，在 1% 的水平上显著。意味着，在短期当江苏油菜籽市场价格过高时，安徽油菜籽市场价格以 0. 007 的速度向江苏油菜籽市场价格调整。花生和芝麻市场以此类推。从表 6 可以看出，在油菜籽市场，误差修正项系数均在 5% 的水平下显著，这说明油菜籽市场存在显著的短期协整关系。可以发现，误差修正项系数的绝对值介于 0. 007和0. 0864之间，且绝对值区间分布较为平均，意 味 着 国 内 油 菜 籽 市 场 存 在 较 高 的 短 期 整 合关系。

　　从表7中可以看出，在花生市场，误差修正项系数均在 1% 的水平下显著，说明花生市场存在显著的短期协整关系。可以发现，误差修正项系数的绝对值介于 0. 0103 和 2. 8771 之间，但绝对值区间分布较为集中，意味着国内花生市场存在非常高的短期整合关系。从表8中可以看出，在芝麻市场，除山东和湖北外，其他9对市场误差修正项系数均在1%的水平上显著，且绝对值介于 0. 0724 与 1. 212 之间，说明国内芝麻市场存在一定的短期整合关系。综上所述，国内油料作物市场短期整合程度较高，且根据调整速度，短期整合程度从高到低依次是花生、油菜籽和芝麻。

　　4. 4 格兰杰因果关系检验

　　整合关系反映了油料作物市场价格之间的关联度，但对于价格间是如何作用的缺乏有力解释。为了分析油料作物市场价格间是如何相互影响的，本文使用格兰杰因果关系检验进一步分析，检验结果如表 9~表 11 所示。表 9 中，江苏和安徽市场中 “←”表示江苏油菜籽市场价格波动是安徽油菜籽市场价格波动的格兰杰原因。安徽和湖北市场中 “→”表示湖北油菜籽市场价格波动是安徽油菜籽市场波动的格兰杰原因。江苏和湖北市场中“← →”表示两地市场价格波动互为格兰杰原因，其他市场结果以此类推。

　　结果显示，在 5%的显著性水平上，油菜籽市场互为因果的有7对，占比70%，其他均为单向因果关系，占比 30%。花生市场互为因果的有 16 对，占比 57. 14%，不存在因果关系的有 1对，占比 3. 57%，其他均为单向因果关系，占比 39. 29%。芝麻市场互为因果的有 3 对，占比 30%，单向因果关系的有 5 对，占比50%，其余为不存在因果关系，占比20%。进一步分析三种油料作物存在单向因果关系的市场，可以发现，在油菜籽3对单向因果关系市场中，有 2 对属于高产量省份是低产量省份的格兰杰原因，占比66. 67%。在芝麻5对单向因果关系市场中，有 3 对属于高产量省份是低产量省份的格兰杰原因，占比60%。然而在花生11对单向因果关系市场中，仅有 4 对属于高产量省份是低产量省份的格兰杰原因，占比 36. 36%。这说明国内油菜籽和芝麻市场价格的变动主要受产量大省影响。例如，湖北省 2019 年油菜籽产量为 211. 35 万吨，占全国总产量的 15. 67%，是安徽省的 2. 42 倍。所以安徽油菜籽的市场价格会单向受湖北的影响。2019 年江西省的芝麻产量为 3. 61 万吨，在全国排第三位，是山东省的34. 12倍。所以江西芝麻价格变动会影响山东的市场价格。就花生市场而言，价格变动并不一定受产量大省的影响。例如，2019年山东省的花生产量为 284. 76万吨，是江苏省 42. 71万吨的 6. 67 倍，但检验结果显示，山东市场价格变动不是江苏的格兰杰原因。作为花生产量第二大省，山东并不总是价格变动的成因。可能的解释是，山东花生的产量大于需求，花生多外销，因而价格受到江苏消费市场价格的影响。

　　5 结论与建议

　　本文以油菜籽、花生和芝麻为例，通过收集高频 的 时 间 序 列 数 据 ，运 用 Johansen 协 整 检 验 和 VECM 模型，分析了国内油料作物市场的长期和短期整合关系。并使用格兰杰因果关系检验，分析了不同地区市场价格信息是如何互相传递的。研究结果表明：从长期来看，油菜籽、花生和芝麻的市场价格之间关联较为密切，说明国内油料作物市场存在长期整合关系;从短期来看，国内油料作物市场价格的短期整合程度较高，根据调整速度，从高到低依次是花生、油菜籽和芝麻。从因果关系来看， 70% 的油菜籽市场、57. 14% 的花生市场和 30% 的芝麻市场价格之间存在双向因果关系，说明油料作物市场价格信息并非完全对称且有效的传递。根据以上研究结论，提出如下政策建议。首先，对于油菜籽来说，市场整合程度较高，不同地区价格信息传递相对有效，建议进一步改善市场环境，减少政策干预，从而进一步激发市场的活力，有效调节供需水平。其次，对于花生来说，市场整合程度较高，但不同地区价格信息传递效果相对较差，建议完善价格信息平台建设，增强信息发布的权威性、及时性和有效性，从而减少信息不对称情况，提高市场的透明度。最后，对于芝麻来说，存在长期市场整合关系，但短期市场整合程度较差，且不同地区信息传递不够完善，建议加强构建现代物流体系，建设现代化仓储中心、交易平台和配送系统，从而提高产销双方的对接效率。同时加强芝麻的价格信息收集，推动建设包含生产、流通和消费环节的大数据库，为产销双方提供及时的市场行情。