近年来,随着经济的快速发展,私人汽车拥有量同样得到了飞速的增长。然而,车辆增长在给人们生活工作带来了许多便利的同时,也产生了一些日益严重的负外部性问题,如交通拥堵、空气污染、高度的能源依赖等问题。实际上,中国各省私人汽车拥有量呈现的发展情况是不同。只有在明白了各省私人汽车拥有量的发展特征,政府及相关部门才有更有针对性地解决因汽车增长所引发的问题。本文旨在基于实证的角度厘清各省私人汽车拥有量的差异化发展,以适用未来汽车的发展,并向政府及相关部门提供解决汽车增长的问题的政策性建议,以便更好的应对因这种增长所引发的负外部性。本文基于中国2000-2013年31个省份的面板数据,运用静态面板模型和动态面板模型对私人汽车拥有量差异化发展从四个方面进行分析,包括经济环境、基础设施建设、人口特征和监管环境。结论为,城市化水平高的省份的,人均GDP的增长的速度比私人汽车拥有量增长的速度快,而城市化水平低的省份,人均GDP弹性会向城市化水平高的省份的弹性趋近；城市化水平高的省份不太会盲目增加私人汽车的拥有量；相对于其他省份,城市化水平高的省份的人们对于时间成本和汽车使用成本相对敏感,在同等的情况下,他们更可能不选择以私家车的形式出行；城市化水平高的省份,会更倾向于采用汽车限购限用的政策。目前国内外针对汽车拥有量的相关研究分析文献不少,而这些研究分析大体可归类为两类基本模型,即集合模型和非集合模型。在集合模型中,通常在国家,地区或是城市的层次上对汽车需求的进行收入弹性的分析,而这种模型通常使用普通最小二乘法模型来预测汽车拥有量。而非集合模型,倾向于使用家庭数据从决策层级上更为详尽的分析的购买汽车的行为。过去的研究中,集合模型又可以分为有OLS模型和增长模型两种形式。对于OLS模型,最常用到的是对数线性模型。对数线性模型是将汽车拥有率(一定单位的人拥有汽车的数量)的对数看成因变量,构造诸如人口、人均GDP等一些潜在决定因子对数的线性方程。如黄晓燕(2012)采用双对数模型,选取中国235个地级以上城市为样本,研究了1990-2009年中国城市私人汽车拥有量演变的时空特征,并选取了9个解释变量,使用1995-2009年的面板数据,建立面板数据模型量化各影响因素的贡献率,分析各因素对城市私人汽车拥有量的作用机制。而常用增长模型主要有：Logistic模型和Gompertz模型。而这类模型往往体现为,汽车拥有量随着人均收入的增加而开始慢慢增加,然后急剧上升,最后达到-个饱和水平。在集合模型中,除了人均GDP,还可以把燃料价格、人口密度、道路密度,铁路密度以及时间趋势作为解释变量。Tanner(1958)首次建立的趋势预测集合模型,在汽车保有率、边际增长率和饱和水平的基础上构建了Logistic模型,并于1978年对该模型进行修正,将预测基准年的人均GDP和实际驾驶成本纳入了趋势预测集合模型。Dargay et al(1999)采用26个国家从1960-1992年的横截面时间序列数据建立了Gompertz模型,成功的预测了直至2015年汽车保有率的发展趋势。而非集合模型是在家庭层面上研究家庭汽车拥有量与家庭特征之间的关系。基于横截面数据,将一个家庭拥有特定数量的汽车的概率作为家庭特征的函数,而这常会采用离散选择进行分析。而最基本的静态汽车模型旨在预测在一个给定的时间一个家庭拥有的汽车数量,同时可以揭示有关家庭的特点,如家庭中成年人工作的人数,以及家庭的位置属性,比如距离市中心的距离。在此之前的相关的研究,几乎没有人重点考虑私人汽车拥有量差异化发展,大部分研究更倾向去预测一个国家或是地区的汽车拥有量。因此,何种因素引发的这种差异化发展及其具体的影响程度,是一个值得研究的重要课题。而我们的理论依据其相关假设,具体为：假设现实中只存在两类商品,私人交通工具(T)和所有其他产品(z)。假设商品都是可取的完全可分割的。基于传统的消费行为理论,我们可以得到市场对私人交通工具需求的函数。正如我们所知,最优消费束取决于两组信息：经济环境和消费者的个人偏好Φ。其中经济环境由消费者收入(X)以及两类商品的价格pT和pz,所决定。根据消费者行为的理论,我们可以得到个人对私人交通工具需求函数,其表示如下：T*=T(PT,Pz、X;φ)假设在一个省份中有N个消费者。那么一个省对私人汽车市场需求DT是个人对私人汽车需求的水平加,其表示如下：DT(pT,Pz,X1,...,XN;φ1,...,φN):∑T,(PT,Pz:,Xi;φi)如果我们假设对每一个消费者来说,每单位收入的增加带来相同的边际消费,那么收入分配不会影响市场需求。因此对于特定的j省私人交通工具市场需求可表示为：DjT=DjT(pjT,pjZ,Xaj;φaj)其中j=1,…….31,Xa表示总收入,PjT和pjz分别表示j省的的私人汽车价格和所有其他产品的价格,Xaj表示j省的总收入和Φa表示j省的总体偏好。对于前面所说的所有其他商品(z),在这里我们只考虑与私人汽车具体替代关系的公共交通工具。在进行更一步的分析之前,我们知道交通工具(私人交通工具和公共交通工具)所付出的代价(价格),包括直接付现的成本和非付现的时间成本。而这直接付现的成本包括汽车的购买价款,燃汽油费、过路费、维修费、牌照费等相关费用,而非付现的时间成本实质上是机会成本,其大小取决于出行所耗费的时间价值。另外,道路基础设施建设、城市的空间布局及规划也会对交通工具所付出的代价产生一定的影响,更何况中国现在正处在快速城市化进程当中,相关的道路基础设施投资金额也大。实际中,增加对道路基础设施的投资,往往会使得道路容量增加,这样的话每辆车的行驶的道路空间相比之间就更大了,因而也减少了交通拥堵,从而减少了出行所花费的时间,这样的话,时间的机会成本也相应的减少了。因此,对于某省份j来说,其私人交通工具需求可进一步表示为：DjT,t=DjT,j(cjT,t,Votj,t,cjz,t,Xaj,t,infjT,t,infjz,t,spdevj,t,Xbj,t)其中j=1,…,31,cjT,t表示在t时刻在私人交通工具上所付出的成本；voti,t表示在t时刻出行的时间成本；cjz,t表示在t时刻在公共交通工具上所付出的成本；Xaj,t表示在t时间的总收入；infjT,t表示在t时刻的私人交通的基础设施情况；infjz,t表示在t时刻的公共交通的基础设施的现状；spdevj,t表示在t时刻j省的城市的空间布局及规划；Xb j,t表示其他对私人交通工具有影响的变量,在这个变量中,j省的政府是否对汽车采取限购限用的政策对于私人交通工具的使用尤为重要。因为政府干预影响消费者的偏好。如果政府不鼓励人们更多的使用私家车出行时,那么它就很可能通过一个汽车限购或是限用的政策去限制消费者原本的偏好。实证分析的这些数据取自31个省从2000年到2013年的面板数据,来源于国家统计局以及EPS数据库。然而有些数据在某些省份或是某些年是缺失的。对于道路桥梁以及公共交通运输的投资在2013年的数据是缺失的。考虑到基础设施的投资受政策的影响较大,对于道路桥梁和公共交通的投资缺失数据不做处理。而对于交通工具类消费价格指数,西藏的就这一数据是缺失的。过去很多研究,基于历史或是政治的原因倾向于不把西藏纳入分析,本文中因考虑到西藏的大体的经济环境可能于新疆类似,因而使用了新疆的CPI作为西藏的CPI。在这里,需强调的是,在这里,我们将使用交通成本消费价格指数作为汽车使用成本的代理变量。而这个消费价格指数包括交通包括车用燃料,零配件,维修费等。同时,关于汽车的限购限用的政策,截止到2013年有六个城市采取了不同的汽车限购限用的政策,这六个城市包括北京,上海,广州,天津,石家庄,贵阳。之后2014年,又有深圳和杭州两个城市加入到这一政策名单中。为了便于分析限购限用对汽车拥有量的影响,我们假设如果一个省份中有一个城市采取这一政策,就认为整个省份采取了这政策。而因这一假设,估计的结果可能会放大该政策的效果。我们可以发现高城市化水平组往往有较高的人均私人汽车拥有量、人均GDP、道路桥梁投资以及公共交通投资。在高城市化组中,201 3年北京的人均GDP,24480元是各省份最高的,同时其人均私人汽车拥有量是0.2,,而在低城市化组中,人均GDP最低的省是贵州,才5248元,其人均私人汽车拥有量是0.047。另外,在高城市化组中,江苏在2012年是投资于道路桥梁和公共交通最多的和第二多的省份,其金额分别为4.3907亿,1.9亿。而低城市化组中,,投资道路和桥梁和公共交通最多的省份四川才分别是3.0408亿和5466万。而另一方面,这些高城市化组往往却又有较高的人均所占道路长度,,较高的人口密度和道路密度。2013年,上海的人口密度为3777.78人/平方公里,而西藏的则是2.51人/平方公里,上海的人口密度是西藏1506倍。与此同时,2013年上海的道路密度2公里/平方公里比低城市化组中道路密度最高的河南省,1.50公里/平方公里,高出一点。同时高城市化组中,私人汽车密度最低的福建省27.89辆/公里,依旧比低城市化组中汽车密度第二高河南省,23.24辆/公里,高出一些。另外,截止到2014年末,已经有7个城市采用了汽车限购和限用的政策,而这7个城市中有6个在高城市化组。基于对于私人交通工具的需求理论分析,以及基于不同模型的比较分析,我们最终选择关于私人汽车拥有量的对数的模型,其具体表示如下：lnYjt=β0+β’lnX’jt+β1t+β2policyjt+β3urbanjt+ηj+εjt (1)其中Yjt表示j省在t年的人均私人车辆拥有量,X’jt表示j省在t年的影响Yjt的一系列特征变量,包括汽车的价格price,道路基础设施的投资infral,公共交通运输的投资infra2,道路密度rdensity,人口密度pdensity,城市化水平urban,时间趋势变量t则是用于捕捉随时间变化而难以观察的变量,汽车限购限用政策policyjt是一个虚拟变量(0或1)表示j省在t年采用汽车限购限用的政策,η i表示难以观察到的反映各省差异的变量,如各省不同的地理特征,εit表示观察误差。方程(1)是本文基本的计量回归模型,在没有考虑内生性的情况下,对上述方程进行最小二乘法和固定效应模型估计,结果将是有偏的也是非一致的。在回归方程中可能会有关的变量,如各省区汽车燃料供应的禀赋差异等。在实际建模过程中无法将解释变量全部列出,在这样的情况下,遗漏的变量的影响就被纳入了误差项中,在该遗漏变量与其他解释变量相关的情况下,就引起了内生性问题。遗漏变量导致的偏误方向和遗漏的变量本身有关,即如果是遗漏了对因变量有正向影响的变量,则会造成估计结果的高估。本文将使用静态面板模型,并提出动态面板模型分析的可能性。在静态面板模型中使用工具变量法进行估计,我们主要是从两个方面着手寻找工具变量(IV)来控制和解决相关变量的内生性问题：第一种是许多文献通常采用的滞后期工具变量,另一种方法是寻找外部工具变量。在本文中第一种方法,我们采用的基础设施投资的滞后期作为其工具变量,而在第二种方法中,我们将道路路灯数作为基础设施投资的外部工具变量。道路桥梁基础设施的投资很有可能是路灯数量的函数,在本文中我们把人口密度作为其工具变量,同时我们还发现,道路两边的路灯的数量与道路桥梁投资有很大的相关性,同时它与汽车拥有量的直接的相关性表现的似乎又是不明显。基于以上的原因,我们将路灯数量作为道路桥梁基础设施投资的外生的工具变量。而且经过测试,这两个工具变量的适当的,不存在过度识别,识别不足以及弱工具变量的问题。而对于动态面板模型,任何经济因素变化本身均具有一定的惯性,前一期结果往往对后一期有一定影响。中国各省私人汽车拥有量很可能存在滞后效应,引入动态模型滞后项可以较好地控制滞后因素。对动态面板模型的估计可以使用差分GMM和系统GMM。LnYjt=γLnYjt-1+β0+β’1LnX1’jt+β2policy’jt+β3urbanjt+β3t+ηj+εjt (2)△LnYit=γ△LnYit-1++β’1△LnX1’it+β2△policy’it+β3△urbanit+△εjt (3)Arellano and Bond(1991)假设残差项的一阶差分△εjt与解释变量的水平项(滞后2期及以上)都不相关,即可以得到一阶差分的矩条件,并且该假设条件的满足需要差分方程(3)式的残差项不存在二阶序列相关。我们也将在实证中给出该检验。Blundell and Bond(1998)提供的差分GMM和系统GMM估计量进行了估计,而GMM估计量的一致性有一个重要的前提,即一次差分以后的扰动项不存在二阶序列相关,但是一阶序列相关是允许的。对此我们使用David Roodman(2006)提供的xtabond2程序进行估计,检验结果表明,差分GMM和系统GMM估计都不能拒绝模型没有二阶序列相关的原假设,因此差分GMM和系统GMM估计量是一致的。同时,我们通过Hansen测试检验考察了工具变量的有效性,Hansen测试检验的原假设为所选工具变量是有效的,检验结果显示,Hansen检验不能拒绝原假设。因此,差分GMM和系统GMM估计是有效的’动态差分模型的好处在于：第一,在模型回归方程中可能遗漏的变量大多和私人汽车拥有量相关,如某省的汽车消费习惯等,而这些因素一般随时间变化是比较小的。取差分后能够消除掉这些不随时间变化的变量和个体非观测效应,从而能够部分地解决遗漏变量问题。对于时变而且对各省区都造成类似影响的事件,如汽车性能及技术的升级等,可以通过加入时间虚拟变量来控制。第二,差分能够消除反向因果关系。系统GMM估计的好处有：第一,对于存在非时变的遗漏变量问题,该估计将不再是有偏的。第二,在估计模型的右边存在内生变量时,工具变量的使用会使得系数的估计是一致的。因此,本文也将使用动态面板中的差分GMM和系统GMM进行估计。静态面板中的固定效应模型是除去组内均值的回归,动态面板模型不论是差分还是系统广义矩估计都包含有对一阶差分模型的估计,因此,这些估计方法都可以消除个体非观测效应。随时间变化的因素所发生的影响,这些时间非观测效应对各省区的影响是类似的,作用大小会略有差别,可以通过加入时间虚拟变量捕捉这种变化的影响。但就本文而言,不管是固定效应模型,还是GMM模型,本文采用相关研究中常用的方法,加入时间趋势变量(t),以控制政策和相关汽车技术改良等对所有省私人汽车拥有量的共同影响’为了进一步分析各省私人汽车拥有量的差异化发展,我们根据2013年的各省的城市化水平,将31个省份分成高城市化水平组(0.6以上),中等城市化水平组(0.5-0.6)以及低城市化水平组(0.5以下)三组。高城市化水平组的省份包括北京、上海、天津、广东、浙江、江苏、辽宁、福建,而中等城市化水平组包括吉林、山东、山西、内蒙古、重庆、黑龙江、湖北、海南、陕西、宁夏,而低城市化水平组包括江西、青海、湖南、西藏、新疆、河北、安徽、四川、广西、河南、云南、甘肃、贵州。我们可以发现不同组的一些特征。高城市化水平组有较高的人均私人汽车拥有量、人均GDP、道路桥梁投资以及公共交通投资。而另一方面,这些高城市化水平组却又有较高的人均所占道路长度,,较高的人口密度和道路密度。另外,截止到2014年末,已经有7个城市采用了汽车限购和限用的政策,而这7个城市中有6个在高城市化水平组。总而言之,以上这些特征从经济环境、基础设施、人口特征以及监管环境四个方面反映了各省份的人均私人汽车拥有量的不同发展趋势。为了分析私人汽车拥有量的可能发展趋势,以及如何维持其理性的增长,在此我们将整个31个省份组与高城市化组进行了比较分析。对比两组比较结果,我们发现城市化水平高的省份,人均GDP的增长的速度比私人汽车拥有量增长的速度快,而低城市化水平的省份,人均GDP弹性会向城市化水平高省份的弹性趋近。城市化水平高的省份公路网往往着更高的效率,它能够容纳更多的车辆。同时,道路和桥梁和投资与私人车辆拥有量之间呈现的是正相关。另外,城市化水平提高确实能使得人均私人汽车拥有量增加,但是这种增加并非盲目的。同时,相对于其他省份,在高城市化省份的人们对于时间成本和汽车使用成本相对敏感,在同等的情况下,他们更可能选择不以私家车的形式出行。还有在大城市里,基础设施建设及投资能刺激并带动私人汽车的消费,但是同时也能推动公共交通的发展。伴随着公共交通系统不断优化,私人汽车的增长趋势将得到相应的抑制。另外,当前一些欠发达省份的公共交通服务质量依旧无法与私家车所带来的方便相抗衡。对于那些城市化水平高的省份,车辆使用成本,如停车费、牌照费、燃油费、车的保险和维修以及为找停车场的浪费的时间成本在汽车拥有量增长的过程中扮演着越来越重要的角色。对于汽车限用限购的政策,目前有7个城市采取这一政策,尽管各不完全相同,其中有6个城市在高城市化省份。表明,城市化水平的省份,会更倾向于使用这一政策,同时在保持其他因素不变的情况下,一个省份采取了这政策会使得人均私人汽车拥有量大约降低0.407个百分点。基于实证结果的分析,向政府及相关部门提供解决私人汽车拥有量快速增长的问题的政策性建议,以便更好的应对因这种增长所引发的负外部性。具体为如下所示：首先,针对一些省份或城市对于汽车使用的成本的不敏感,当地政府可逐步引入汽车拥堵定价收费的机制,以有效控制汽车的增长,并相应减少交通拥堵。其次,加大对于公共交通的投资及建设,提升其服务质量,为旅客带来更为便利舒适的服务,以吸引更多的旅客选择选择以公共交通工具出行。这可能与目前我国公共交通公共设施不完善有关。政府管理部门应着眼于全局和长远,一方面科学规划加快交通基础设施的建设步伐,另一方面加大补贴力度提高服务质量鼓励居民选择公共交通的出行方式。最后,如果将行政手段与经济手段结合在一起,汽车限用限购的政策对于汽车拥有量的增长效果会更好。行政手段目前主要表现为单号双号牌照的政策性限行。而经济手段则是通过对汽车牌照数量定量发行,竞价拍卖。同时国家是否要对私人汽车的购买和使用进行干预,要视不同地区而定,且要保持适度。国家在实行限购限用政策时,结合固定资产投资方向的调整,更加有利于政策目标的实现总而言之,近年来,频繁颁布的针对新能源汽车的优惠政策以及不断有新的城市加入到汽车限购限用的名单中,都表明了中国政府强大决心去解决私人汽车拥有量快速增长的问题及其增长所引发的负外部性问题。