2013年-世界发展银行全球_Benchmarking_Container_Port_Technical_Efficiency_in_Latin_America_and_the_Caribbean___A_Stochastic_Frontier_Analysis_30页_1mb

总结：拉丁美洲和加勒比地区集装箱港口技术效率基准分析

核心内容

本研究采用随机前沿分析（Stochastic Frontier Analysis, SFA）方法，对拉丁美洲和加勒比地区（LAC）的67个集装箱港口进行了技术效率分析。研究基于1999年至2009年的10年面板数据，涵盖集装箱吞吐量、港口终端面积、码头长度和龙门吊数量等关键输入变量，以及港口的运营模式、所有权结构、腐败程度、人均收入和地理位置等潜在影响因素。

主要观点

• 技术效率提升：LAC地区的平均技术效率从1999年的36%提升至2009年的50%，其中2009年表现最好的港口达到了94%的技术效率。
• 港口类型差异：专用集装箱码头与技术效率存在较强正相关，而租赁型港口与技术效率的关联较弱，但仍有积极影响。
• 腐败与收入的影响：较低的腐败水平与较高的技术效率相关，人均收入水平也对技术效率有正向影响。
• 创新方法：本研究在现有文献基础上提出了三项创新：
  1. 将船舶龙门吊与移动龙门吊分开分析，以反映其对效率的不同影响；
  2. 引入二元变量以衡量使用船舶龙门吊对效率的贡献；
  3. 引入二元变量以反映港口是否为转运枢纽，从而评估其对效率的影响。
• 模型选择依据：SFA方法相比DEA方法具有优势，包括允许统计假设检验、考虑随机误差、更适用于大样本和时间序列数据，且能更好地处理测量误差问题。

关键信息

数据来源与范围

• 数据涵盖27个国家的67个港口，其中：
  • 中美洲及墨西哥：18个港口
  • 加勒比地区：14个港口
  • 南美洲：35个港口
• 数据主要来自《集装箱化国际年鉴》（Containerization International Yearbooks），时间跨度为1999年至2009年。
• 数据包括：
  • 集装箱吞吐量（以20英尺等效单位TEUs计）
  • 港口终端面积
  • 码头长度
  • 龙门吊数量（分为船舶龙门吊和移动龙门吊）
  • 其他影响因素：所有权、腐败程度、人均收入、地理位置

模型结构

• 模型基于生产函数，形式如下：
  $$
  y_{it} = \exp(\alpha + x'{it}\beta + v{it} + u_{it}), \quad \text{for } t \in \tau(i); i = 1, 2, \dots, T.
  $$
• 其中：
  • $y_{it}$：输出（集装箱吞吐量）
  • $x_{it}$：输入变量（终端面积、码头长度、龙门吊数量）
  • $\beta$：未知参数
  • $\alpha$：常数项
  • $v_{it}$：随机误差项，服从正态分布
  • $u_{it}$：技术无效率项，服从单边截断正态分布
• 技术效率变量计算公式为：
  $$
  TE_{it} = \exp(-z_{it}\delta - w_{it})
  $$
  其范围为0到1，数值越高表示效率越高。

潜在影响因素分析

• 所有权：租赁型港口（landlord ports）与技术效率呈弱正相关。
• 腐败水平：腐败程度越低，技术效率越高。
• 终端用途：专用集装箱终端与技术效率显著正相关。
• 人均收入：人均收入水平越高，技术效率越高。
• 地理位置：加勒比地区港口因战略位置而具有较高的集装箱流量，对效率有积极影响。

研究意义

• 本研究为LAC港口的技术效率提供了量化评估，有助于理解效率的驱动因素和区域差异。
• 为政策制定者和港口运营商提供了效率改进的依据，尤其是在面对日益增长的贸易流量和大型船舶时。
• 为后续研究提供了基准数据，有助于进一步探讨港口效率与区域经济发展之间的关系。

研究结构

1. 引言：介绍研究背景、动机和研究目标。
2. 方法论回顾：比较DEA与SFA方法，阐述SFA模型的结构和假设。
3. 数据描述：详细说明数据来源、样本构成和变量定义。
4. 模型应用：介绍模型在港口领域的应用及其创新点。
5. 结果分析：展示效率变化趋势、区域差异及影响因素分析。
6. 结论：总结研究发现，并提出政策建议。

附注

• 本研究是世界银行可持续发展部拉丁美洲和加勒比地区办公室的成果。
• 研究数据和模型可用于支持港口管理和政策制定，以提升区域贸易效率和竞争力。