气候变化和内河航道运输
莱茵河低水位的福利效应
摘 要
作者利用2003年1月至2005年7月期间巴格曼报告的详细调查数据，得出了莱茵河低水位对年度福利效应的影响。他们发现，水位对每吨货运价格和载货率有相当大的影响，但对每趟行程价格的影响接近于零。利用近20年来的水位信息，估计每年因低水位造成的平均福利损失约为2800万欧元。在水位极低的年份，如在2003年，亏损总额约为9100万欧元，约占莱茵河市场成交额的13%。
1.0 引 言
考虑到气温重建的不确定性，2003年夏天的欧洲可能是自15世纪以来最热的（Luterbacher et al., 2004; Beniston, 2004）。在温室气体排放未缓和的情况下，像2003年那样的夏季在欧洲可能会更频繁地经历(Stott et al., 2004)。在温室气体排放趋于稳定后，预计地表气温将在一个世纪或更长时间内继续上升(IPCC, 2001)。
很少有人注意到自然环境的变化对运输费用的影响，然而，这种注意是相关的，因为它可能有助于制定政策以适应这些变化(如, de Groot et al., 2006).。关于气候变化对交通影响的少量文献的例子可以在Suarez等人(2005) 和Nankervis(1999)的文章中找到。此外，也有一些关于天气对道路交通安全影响的文献(例如，Edwards，1999;Brodsky和Hakkert, 1988)。
本研究主要关注气候变化对内河运输社会福利的影响。我们专注于欧洲内河运输市场的一部分，莱茵河市场。莱茵河是欧洲最重要的水道之一。约占所有内河运输的70%，欧盟15个成员国通过莱茵河运输。
莱茵河是一条雨雪汇聚的河流。由于气候变化，预计莱茵河未来降雨量将增加。更具体地说，预计冬季降水将增加，气温升高将导致阿尔卑斯山以雪的形式储存的降水比例减小。因此，在冬季，更多的降水将直接进入河流，平均水位将更高，低水位的天数将减少。在夏季，除了减少融水的贡献外，由于温度升高，降水减少，蒸发增加，因此，莱茵河上的内河船只将遭遇更低的水位，并且夏季和秋季低水位天数的增加(Middelkoop et al., 2000; 2001)。本文观察到低水位比高水位发生的频率更高，影响也更严重，所以本文只关注低水位对经济的影响。
我们利用内河运输现货市场的数据，估计了某一特定地点的低水位造成的福利损失的规模。低水位意味着内河船舶的载重量系数受到限制，因此，每吨的成本，也就是每吨运输的价格，将会上升。更具体地说，我们确定当水位下降到某一阈值以下时，每吨粮食的价格会上涨到什么程度，这意味着在低水位时期经济运输成本会增加，注意，由于水位较低，这里忽略了其他一些福利效应。例如，托运人可能会因为交货不可靠而遭受水位低的困扰。
我们关注莱茵河沿岸德国考布这一特定位置的水位。虽然通过考布的一些船只的最大负荷系数可能由莱茵河支流的水位决定，但对于大部分通过考布的船只，考布的水深是瓶颈。因此，福利损失的估计数额涉及在低水位期间通过考布岛运输的货物。图1显示了考布的位置。
图1 考布的位置
在德国，莱茵河的通航能力是用“Pegelstand”或“Pegel”（水位）来衡量的。水位与实际水深有关，沿莱茵河有好几个测水位的位置。每一个水位都有自己的零点。因此，用水位点考布只能确定考布周围的导航深度。对于其他地方，其他的水位也是有效的。考布的水深比考布的水位深约100厘米。所以，在考布水位为90厘米处，实际上土壤与水面之间水深190厘米。为了方便起见，我们将在本文中使用水深，并将水深和水位视为同义词。
福利损失的估计是根据自2003年至2005年7月开始期间所观察到的水位对每吨运费的影响，此外，我们还评估了水位对每次行程的负荷系数和价格的影响。利用后一种效应，我们可以证明内河运输市场可以被认为是一个具有完全弹性供给的竞争市场，我们估计1986年至2004年期间每年的福利损失。我们特别注意2003年，因为就低水位而言，今年是极端的一年，预示着将来可能会发生更多类似的情况。
本文的目的是为在了解气候变化对经济的影响方面做出贡献，考虑到低水位带来的福利损失，有人能够检验，投资于旨在使内河运输更能适应低水位的项目，在经济上是否合理。
在下一节中，关于低水位和竞争性市场对福利的影响的理论将简要讨论，因为这已经形成了标准。第3节处理我们用于研究的数据，第4节将给出结果。第五部分是福利分析，第六部分是结束语。
2.0 理论
我们对福利损失的估计基于两个假设:长期完全竞争和完全弹性供给。内河运输市场，特别是莱茵河市场，可以被描述为一个竞争激烈的市场：内河运输企业提供的产品几乎同质(散货运输的不同类型)，有很多供应商，托运人可以容易地从一个内河运输企业切换到另一个内河运输企业，并且从其他邻近的地理市场进入莱茵河市场相对简单。同样Bongaerts和van Schaik(1984)也将内河运输市场描述为一个竞争激烈的市场，内河运输企业在短期内可能产生正利润，但这只是短期的。
完全弹性供应的假设似乎是合理的，因为进入是不受限制的，即使在短期内，由于内河船只在不同的地理市场之间移动，此外，企业之间是相当平等的，随着产量的增加，燃料等投入价格可能保持不变。
注意，有人可能会争辩说，实际上内河船只的大小并不相等(另见表1)，大型船舶享有船舶规模经济，并在市场上经营大型船舶(即2,500吨以上)，然而，由于小型船舶是在小件运输的细分市场上运营的，大型船舶无法对小型船舶定价过低，由于对货物大小的需求具有异质性，不同的市场同时存在，因此，在每个区间内，假定水平供给曲线是合理的。
因为内河运输市场可以说是一个完全竞争、完全弹性供给的市场，经济盈余等于消费盈余，低水位造成的福利损失等于消费盈余的减少。完全弹性供给假设对于正确估计福利损失具有重要意义，如果供给是非弹性的，福利损失的规模将大于这里所做的研究结果。
尽管内河运输部门并不直接服务于消费市场，“无市场不完善”假设意味着内河运输市场经济剩余的变化等于运输货物市场消费剩余的变化(Lakshmanan et al., 2001)。
福利效应将根据每吨的观察价格p确定，每吨的价格包括利息、劳动力、燃料成本、装卸成本等成本。运输数量用q表示。注意，在完全竞争的假设下，每吨的价格等于每吨的成本( p =c)，每次运输的价格等于每次运输的成本(P= C).。荷载因子表示为（），现在我们将区分正常水位的情况（情况0）和低水位的情况（情况1）。
当水位超过某一阈值水位时，船舶的载重量系数为，当水位下降到阈值以下时，内河船舶必须将载重量系数从降低到，才能安全航行。所以 lt; 。由于装运的成本每吨低水位。所以每吨的运输成本是一个比值，在低水位时较高。因此，内河航运企业每吨运价较高，经济盈余减少。低水位造成的福利损失可近似为:
(1)
其中是需求的价格弹性。
(2)
在实例分析中，年度福利损失将基于(1), 在这种情况下，在这种情况下，是低水位的天数乘以正常水位期间的平均日运输量是低水位的天数乘以正常水位期间的平均日运输量。我们后面将描述，正常水位下的每趟行程的价格等于低水位下的每趟行程的价格, 这意味着。所以每次运输的交通费用并不取决于水位，这一发现与我们的假设一致，即供给是完全弹性的，此外，这也是内河运输市场存在完全竞争的有力标志。
3.0 数据和方法
3.1 数据
我们使用一个唯一的数据集，其中载有西欧内河运输企业行程的详细资料。企业通过互联网报告其运输的信息比如每吨的价格，装货地点和日期、卸货地点和日期、船舶容积、载重量、货物种类等。尽管数据集包含一些企业的重复信息，数据不能被认为是运输小组的数据，企业只有在不小心的情况下才会有相同的行程，所以我们的样本可以被看作是重复的截面数据。数据集包含了在现货市场上经营的内河运输企业的信息，在现货市场上，每吨的价格和每趟运输的吨数是协商好的，内河运输企业长期经营(按合同经营)，全年每吨固定价格不包括在数据集中。
该数据库包括2003年初至2005年7月期间报告的8946次运输记录，我们排除所有不通过考布的运输 (6059次观测)，这意味着我们还有2889次剩余航程，因为通过考布的船只在载重量系数方面受到特别限制，然后我们排除了相对较少的集装箱运输行程(25次观测)，因为集装箱运输的测量单位是体积，而其他产品的测量单位是吨，所以我们还有2864次适合分析的运输记录。
表1显示了考布数据集中船只大小的分布。考布市场由1000吨至2000吨之间的船舶主导。在考布数据集中舰队的平均运输能力是1776吨。
表1 按吨位分类的船舶分布
3.2 描述性统计分析
在理论部分起主要作用的关键变量每吨价格、负荷因素、每程价格和水位的描述如表2和图2所示。在表2中，我们区分了旅行和白天的观察。
后者是通过取一天内几次运输的平均值得到的。我们有750个有效的日观测数据，每吨的平均价格约8.50欧元，平均负载系数为0.78。图2显示了2.5年期间的水位变化，特别是在2003年下半年，考布岛的水位低于260厘米，稍后将确定为低水位的阈值水位，这显然是一个季节性的模式 (例如，在夏末，水位很低)，请注意，在几个月内仍然有足够的变化来确定水位控制每月变化的单独效果。
该图显示每吨的价格与水位之间存在很强的负相关关系，例如，2003年9月的水位非常低，每吨的价格也非常高。此外，水位与荷载因子之间存在正相关关系，符合理论考虑:随着水位的下降，荷载因子也随之下降。最后，这个数字没有显示出每趟行程的水位和价格之间的明确关系。请注意，这一发现也符合市场竞争的假设。在下一节中，我们将使用多元技术来研究这些关系。
表2 关键变量的描述
图2 水位与每吨价格、载重量因子和每程价格的关系
4.0多重回归分析
采用回归分析的方法，研究了水位对每吨货运价格、载重量因子和每程价格的对数的影响，我们在每次回归中使用以下解释变量:时间趋势; 行程距离用对数表示(见McCann, 2001); 船舶规模(4个虚拟变量)，考虑到船舶规模的经济性;货物类型(41个虚拟变量)，由于每一种货物的体积重量不同; 导航方向，为了校正回程和因为，上游航行比下游航行需要更多的燃料，燃油价格并不是一个解释变量，因为它与时间趋势高度相关。
下面另外两个解释变量需要额外注意。水位变量是通过九个虚拟变量来测量的，以使该变量具有灵活的函数形式，每个虚拟变量代表10厘米的水位间隔，参照类是指水位超过260厘米的群体测量阈值水平，我们进行了敏感性分析，结果表明，当水位超过260厘米时，在考布水位的影响是不存在的。
我们为每个月纳入一个虚拟变量(29个虚拟变量)，以控制未观察到的月度供需因素变化，因此，估计的水位影响不太可能是假的，因为在诸如一个月这样的短期内，需求和供应因素的未观察到的变化可能很小，此外，短期内未观测到的变化不太可能与水位相关。注意，时间的变量(例如，周、月、季)的选择影响水位的估计效果。虚拟变量的时间越多，估计的效果是假的可能性就越小，然而，结果是，因变量中的一些变化可能不是由于水位的影响，因为它是由时间变量捕获的，因此，水位的影响可能被低估了。
人们可以从运输或天数的角度分析数据。两种分析都有各自的优势，利用日平均数据，我们可以使用带有滞后变量的回归模型对因变量(未观察到的成分)的序列相关性进行建模，然而，这种方法的缺点是，通过使用日平均值，可以忽略关于同一天内变量变化的信息，使用旅行数据，可以直接控制与特定运输相关的因素(例如距离)，运输数据的缺点是，对未观察到的因素之间和几天内的相关性进行建模不那么直接。目前还不清楚一种数据类型的分析是否优于另一种数据类型，然而，这两种数据类型的结果产生了非常相似的结果。表3和表4反映了运输和白天数据的估计结果。
为了检验我们的回归模型的有效性，我们进行了诊断测试，以检查序列相关性和方差，在此基础上，对因变量进行自然对数变换，以减小方差，散点图表明，经过这种变换后，残差的方差接近于常数。
利用日数据进行的三次检验表明，以负荷因子和每程价格为因变量的回归分析中，残差存在序列相关性，但在每吨价格因变量中不存在。我们采用Ljung-Box测试(或Q统计量)，即Durbin -Watson测试，由于缺失值只具有指示性(Gujarati, 2003) 并且我们测试(部分)相关性是否与零有显著差异，为了消除序列相关性，我们估计了几个具有相关被解释变量滞后值的回归模型，在信息准则(AIC和SIC)和最小二乘检验的基础上，选择模型，对这些标准在不同模型上的评估见附录A。
结果表明，最优模型为因变量每程价格模型有一个滞后值，因变量负荷因子模型有两个滞后值，滞后荷载因子的两个系数大小分别为
英语原文共 25 页
以上是毕业论文外文翻译，课题毕业论文、任务书、文献综述、开题报告、程序设计、图纸设计等资料可联系客服协助查找。
