动态面板GMM估计（共4篇）
动态面板GMM估计 篇1
一、引言
自1979年欧盟对中国糖精纳发起第一例反倾销案起,随着中国出口数量和竞争力的增长,国外对华反倾销指控案件也在迅速增加,涉案的产品种类也越来越广。根据WTO的统计,1995-2009年全球共发起反倾销指控3 675起,其中以中国为指控对象国的案件达761起,占总案件数的20.7%,中国已连续15年成为全球最大的反倾销指控对象国;相对于被控总数以264件而居第二位的韩国,中国遭受的反倾销案件竟是其3倍之多。按照HS编码的22类商品,涉案的产品已涉及到其中的17类,几乎涵盖了中国所有的重要出口行业。此外,国外对华反倾销还呈现出立案数持续增加、诉讼国队伍不断扩大、倾销裁决随意性、征税结案率高等特点。
作为全球反倾销的最大受害对象,如何看待中国频频被诉的反倾销呢?Prusa(2001)利用美国1980-1994年间总计700多件反倾销案,发现无论是反倾销调查、征收反倾销税、协商解决,还是倾销被否定,都对涉案产品进口造成显著的负面影响;Brenton(2001)对1989-1994年间欧盟涉及到的98个反倾销案和47种产品进行分析,也证实了贸易破坏效应的存在;Durling和Prusa(2006)分析了1996-2001年期间全球热转轧钢板的反倾销案件,发现进口国反倾销调查导致了产品进口金额下降了近90%。国内学者杨海艳、杨仕辉(2006)证实了欧盟对中国焦炭反倾销的贸易破坏效应;冯宗宪、向洪金(2010)分析了欧美对中国6种纺织品的反倾销案件,发现贸易破坏效应明显。这也表明无论是何种发起国、结案方式、涉案产品的反倾销都会产生贸易破坏效应,即涉案产品对反倾销申诉国的出口出现下降。
虽然反倾销涉案产品可以通过贸易转向效应,即向第三国增加出口以减少反倾销的影响,然而Bown和Crowley(2010)针对欧盟和美国在1992年至2001年期间对中国发起的反倾销案例进行了分析,发现中国涉案123种产品对欧美出口明显下降,但却没有发现中国对其它38出口伙伴国出口的增加。
也有学者认为受外国反倾销影响的中国出口额仅占中国总出口的很小一部分,受欧美反倾销影响的出口仅占同期对欧美出口的3-5%。但这种观点仅只考虑了反倾销对中国涉案产品的贸易破坏效应等直接效应,Blonigen(2006)通过统计美国1980-1990年代的反倾销案件发现,企业过去的反倾销经验能够降低其再次发起反倾销诉讼的成本,反倾销的经验效应将增加企业对同种产品重复发起反倾销的可能性,提高企业未来反倾销发起的概率和获胜的概率。Blonigen(2002)实证显示日本企业在遭受反倾销措施之后,会通过向第三国对外直接投资来规避反倾销,此时日本的出口可能被FDI所替代了;杜凯、周勤(2010)研究首次证实了反倾销是刺激中国企业对外投资的重要因素。这也说明反倾销也可通过声誉效应、投资效应等间接影响其它非涉案产品的出口。
基于对反倾销各种经济贸易效应的研究基础上,Vandenbussche 和Zanardi(2010)提出了反倾销的寒蝉效应,即反倾销对一国的总进口或总出口会产生一定的影响。他们利用1980-2000年全球反倾销案件,通过经典引力模型来分析反倾销对贸易流量的影响,结果显示反倾销调查并未对贸易流量有显著影响,但反倾销措施对一国的总进口有显著的负面影响,特别是一些反新兴反倾销的密集使用国家,反倾销措施使其总进口下降了8.9%左右。Egger和Neslon(2007)采用加权的引力模型对1960-2000年的全球反倾销调查的案件进行了分析,结果显示反倾销调查对双边贸易量造成了负面冲击,但影响量仅为0.1% 左右。杨仕辉、刘秋平(2011)分析了中国反倾销申诉的寒蝉效应,然而结果却发现无论是反倾销调查还是反倾销措施对中国总进口有正面的影响。杨仕辉、邵骏(2011)分析了美国申诉反倾销对其自由化的冲击,研究证实反倾销调查会引起美国年均进口额下降7.12%,反倾销措施则造成美国年均进口额减少5.89%,美国反倾销造成总进口额平均下降近1 757亿美元,因此美国的反倾销确实有很强寒蝉效应。
综上所述,有关反倾销寒蝉效应的研究不仅成果较少,而且结论相差较大,因此关于反倾销寒蝉效应的研究还需进一步丰富。而现有关国外对华反倾销影响的研究,大都是仅仅涉及到对涉案产品的分析,鲜有分析反倾销对中国总出口的影响。本文基于1988-2008年国外对华反倾销案件,实证分析国外对华反倾的寒蝉效,测量国外反倾销对中国总出口的整体影响。
二、计量模型与数据
(一)计量模型
引力模型经过了几十年的发展,实践证明它不仅能在统计上较好的解释国家之间的贸易,而且也常常被用来解释一些制度变量(如入世、自由贸易协定等)对贸易的影响,因此本文采用引力模型来分析反倾销措施对总出口的影响。由于引力模型的相关研究、介绍已非常之多,本文在此将不再对其进行赘述。本文的引力模型是在Vandenbussche 和Zanardi(2010)模型的基础上构建,拟采用以下回归方程:
ln Xit=c+β1 ln Xit-1+β2 ln CGDPt+β3 ln GDPit+β4 ln cpoput+β5 ln popuit+β6 ln reit+β7 ln opennesit+β8WTOit+β9 ln ADinitialit-1+β10 ln ADmeasureit+β11 ln ADmeasureit-1+εit
模型将中国在t期对i国的出口Xit的自然对数作为模型的被解释变量,关于解释变量的含义、系数预期符号及所表示的具体经济含义见表1。但需要特别说明的:(1)为考虑历史因素的影响,模型中采用了出口的滞后一期Xit-1作为控制变量,当然这种动态面板数据回归模型可能会使其它变量的系数估计值变得更小。(2)模型中的反倾销变量是描述各个进口国在某期对华反倾销案件的总数,变量包括反倾销调查案件总数和反倾销措施案件总数Vandenbussche和Zanardi(2010)模型的主要不同之处。(3)贸易开放指数的计算方法有很多种,本文采用对外贸易依存度指标,即该国进出口总额与该国GDP的比例。(4)固定效应和一阶差分GMM检验中无法估计不随时间变化的变量,因此本文不再考虑距离等变量。
(二)数据来源
本文研究1988-2008年国外反倾销对中国总出口的影响,建立横截面单元为中国59个贸易伙伴的面板数据(详见表2),这些贸易伙伴在2000年、2008年占中国出口的总份额都在95%以上,因此这些样本量足可以代表中国的总出口目的地。而且,这些国家的反倾销案件也几乎占据了中国同期遭受的所有的反倾销案件数量,仅遗漏3起案件(其中牙买加1起,特立尼达和多巴哥2起)。各国GDP、人口、汇率数据均来自联合国统计署网站,其中汇率是通过单位美元的人民币价格/单位美元的i国货币价格计算而得;贸易开放指数中各国进出口总额数据来自世界银行数据库;各国加入WTO的年份数据来自WTO网站;各国对华发起的反倾销变量数据来自Bown Chad P.的Global Antidumping Database,其中欧盟成员国的反倾销案件数据使用欧盟的反倾销案件数据来代替。
注:括号内数字A / B分别表示样本期间对华的反倾销措施数量/反倾销调查数量,其中波兰在加入欧盟之前对华反倾销的措施、调查数量各二起。
三、计量结果及分析
由于动态面板数量模型中解释变量中引了被解释变量的滞后一期值,可能会造成解释变量与随机误差项的相关性(即序列相关性),出现了解释变量的内生性问题,最终造成OLS估计结果发生偏误。因此,本文采用Anderson和Hiao(1981)建议采用的一阶差分广义矩估方法(Difference GMM)来估计动态面板模型,即作完一阶差分之后,使用Xit-2作为ΔXit-1的工具变量。但需要特别说明的:(1)使用Anderson-Hiao估计量,Xit-2被证实是有效的工具变量,且是恰好识别,故无需通过Sargan检验工具变量的有效性。(2)为检验扰动项εit无自相关,差分GMM方法要求扰动项不存在二阶自相关,需要采用Arellano-bond检验。
为检验估计结果的稳健性,通过逐步剔除不显著的控制变量而进行多次回归,同时也采用固定效应模型、系统GMM进行估计对模型进行估计。本文使用STATA11.0软件进行计量分析,回归结果见表3。
注:***、**、*分别表示在1%、5%、10%水平上显著,括号内为稳健标准差。
由表3显示可知,OLS估计的F值、GMM估计的Wald值、各估计的P值都很理想,说明各方程的整体拟合得很好。同时,Arellano-bond检验均接受了序列不存在二阶自相关的原假设,因此,该动态面板数据模型是一个较合理的模型。
本文考察的重点是反倾销变量,从6种回归结果中ln ADinitialit-1、ln ADmeasureit、ln ADmeasureit-1这三个变量的系数大都具有较高的显著性,其它变量结果略有些差异,计量结果分析如下:
1.历史出口变量ln Xit-1系数在各方程中达0.7左右,这说明中国出口中有70%左右是受历史因素决定的,这也可以根据中国主要出口市场(美欧日港)的稳定性来看出。综合来看中国出口的具有很的惯性,决定中国当期出口的最主要的是历史出口因素,这也实证了模型设定的正确性。
2.ln ADinitialit-1的系数为正,这说明反倾销的调查并没对中国出口起到扰骚效应,反而促进了中国出口在第二年的增加。Brenton(2001)发现反倾销调查会导致欧盟涉案产品的进口增加。原因可能是,当企业遭受反倾销调查后,预期被裁决倾销可能性较大时,或出口厂商之间存在反倾销应诉的搭便车行为等因素,相关企业可能会利用裁决前的这一段时间扩大其对反倾销发起国的出口。根据作者对反倾销案件的统计,样本期间,平均每年每个样本国家对中国发起1.816起反倾销调查,根据方程2结果ln ADinitialit-1的系数为0.114,可知反倾销调查使得中国第二年出口增加12.509%Vandenbussche 和Zanardi(2010)结论一致。第二,反倾销措施的实施对中国出口存在着负面影响,其影响可持续到第二年,根据本文统计结果,反倾销措施导致中国出口在二年时间下降了10.406%,反倾销措施对中国出口具有明显的抑制效应。第三,综合反倾销的调查和措施的影响,反倾销并未导致中国出口的总体下降,表明反倾销对中国总出口不具有的寒蝉效应。可能的解释是反倾销让中国企业学会了出口市场的游戏规则,学会去开拓新市场(贸易转向)、升级产品等。
上述结论有助于我们全面、科学认识和正确、积极地对待国外对华反倾销。首先,反倾销是中国出口规模增大必然经历的一个过程。虽然作为全球最大的反倾销指控国,但中国出口总体上并未由此而受到明显冲击。其次,出口行业应积极应诉反倾销,尽量争取有利的裁决。我们也要充分重视反倾销终裁之后的措施对中国总出口产生的负面影响,更重要的是反倾销案例的裁定比例决定了反倾销对中国总出口的影响。因此,出口企业遭遇反倾销立案后,有关部门应鼓励企业积极进行应诉,以争取得到有利的裁决,降低损失。最后,对待国外反倾销的愈演愈烈之势应提高警惕。从1988-2008年期间的反倾销案件来看,国外对华反倾销的涉案金额是越来越大,由最初的几百万美元上升到上亿美元。近年来,特别2008年金融危机以来,国外对华反倾销的部分案件涉案金额甚至高达十亿美元,如美国对华的油井管反倾销案、木制卧室家具反倾销案等。
摘要：基于1988-2008年国外对华反倾销面板数据案件数据,本文通过构造以中国主要出口伙伴为横截面单元的动态面板数据模型,应用一阶差分GMM模型分析了国外对华反倾销对中国总出口的影响。实证结果表明国外对华反倾销调查促使了中国出口在第二年增加,国外对华反倾销措施导致中国总出口在当年及次年均下降,反倾销并未对中国整体出口产生负面影响,并没有生产寒蝉效应。
关键词：反倾销,寒蝉效应,GMM,引力模型
参考文献
[1]冯宗宪,向洪金.欧美对华反倾销措施的贸易效应:理论与经验研究[J].世界经济,2010(3):31-55.
[2]杨海艳,杨仕辉.欧盟反倾销对我国产业的影响:以焦炭为例[J].科技和产业,2006(11):4-8.
[3]杨仕辉,刘秋平.中国反倾销申诉寒蝉效应的实证分析[J].产经评论,2011(1):121-128.
[4]Blonigen,B.A,Tariff-jumping antidumping duties[J].Journal of International Economics,2002(1):31-49.
[5]Blonigen,B.A,Working the System:Firm Learning and the Antidumping Process[J].Eu-ropean Journal of Political Economy,2006(3):715-731.
[6]Bown C.P.and Crowley M.A.,China’s Export Growth and the China Safeguard:Threats to the World Trading System?[J].Canadian Journal of Economics,2010,43(4):1353-1388.
[7]Brenton P.,Antidumping policies in the EU and trade diversion[J].European Journal of Po-litical Economy,2001,17(3):593-607.
[8]Durling J.P.and Prusa T.J.,The trade effects associated with an antidumping epidemic:The hot-rolled steel market,1996-2001[J].Eu-ropean Journal of Political Economy,2006,22(3):675-695.
[9]Egger P.and Nelsony D.How Bad is Anti-dumping?:Evidence from Panel Data.working paper,2007.
[10]Prusa T.J.,On the Spread and Impact of Anti-dumping[J].Canadian Journal of Economics,2001,34(3):591-611.
[11]Vandenbussche H.and Zanardi M.,The chill-ing trade effects of antidumping proliferation[J].European economic review,2010,54(6):760-777.
动态面板GMM估计 篇2
促进农业科技进步最根本的问题是资金,农业技术要充分发挥其农业经济增长的内生动力作用,前提是要有资金的充足投入。农村金融发展制约农业科技成果的转化与推广应用、制约农业科技自主创新能力的提升、制约农村资金需求主体科技应用能力的提高,从而影响着农业科技的进步。要想破解“三农”问题,必须以农村金融的发展作为着手点,目前农村金融机构推广的精准扶贫、双基联动正是基于这一观点。因此,有必要对我国农村金融发展对农业科技进步的影响现状进行深入研究。
1 文献综述
近年来,农村金融发展研究一直是学术界的热点问题,但农村金融发展与农业科技进步的实证研究并不算多。曹冰玉、雷颖[1]基于1985—2005年的时间序列数据的实证分析,认为我国农业技术进步对农村金融发展有着推动作用,而反向作用不明显,因此,我国农村金融深化改革应该以促进农业科技进步为导向,实现农村金融资源的优化配置。宋春光、那娜[2]认为,合作性金融对中国农业技术效率的提高有着明显的促进作用,而政策性金融支持对农业技术效率的作用不明显。刘玉春、修长柏[3]运用1981—2011年的时间序列数据进行格兰杰因果检验,发现农村金融效率对农业科技进步贡献率有显著的影响,而农村金融的规模和结构与农业科技进步相互影响则有很强的滞后效应。肖干、徐鲲[4]认为农村金融与农业科技进步关系紧密,表现在农村金融结构、农村金融规模与农村金融效率与农业科技进步贡献率存在显著的正向关系。姚耀军[5]分析了农村金融发展与全要素生产率的增长关系,但其研究是针对全国所有行业范围的考察,未能就农业全要素生产率方面的农村金融贡献以及地区差异进行分析。尹雷、沈毅[6]基于1991—2009年的面板数据研究表明,农村金融发展对农业全要素生产率具有正向促进作用,并存在着区域差异。完善农村金融发展的落脚点是促进农村金融趋于平衡发展。张乐柱、李锦宇等[7]基于1982—2010年广东省统计数据表明,广东省农村金融发展与农业技术进步存在长期均衡协整关系,但两者仅具有单向格兰杰因果联系,即农业技术进步是农村金融发展效率的granger原因,而农村金融发展规模和效率均不是农业技术进步的granger原因。陈治国,辛冲冲等[8]认为新疆农业技术进步与农村金融发展规模和发展效率存在着长期的正相关关系,且农村金融规模与发展效率是农业科技进步的格兰杰原因,而农业科技进步却不是农村金融发展规模与发展效率的格兰杰原因。
2 样本选择与指标测算
2.1 样本选择与数据来源
以我国大陆各省、直辖市、自治区为截面单位,2001—2014年14个时序样本点为研究期间构造面板数据。其中地区划分按1986年“七五”计划公布的东中西部划分方法,东部包括:北京、天津、河北、辽宁、福建、山东、广东、海南、上海、江苏、浙江;中部包括:山西、吉林、黑龙江、安徽、江西、河南、湖北、湖南;西部包括:甘肃、广西、贵州、内蒙古、宁夏、青海、陕西、四川、新疆、云南、重庆(由于西藏地区数据缺乏,故未将这一地区的数据纳入分析范围)。
农村金融指标的原始数据来自《中国金融年鉴》、Wind数据库、中经网统计数据库、《中国保险年鉴》、《中国统计年鉴》;农业科技进步、农村固定资产投入水平的原始数据均来自国家统计局国家数据网站;农村人力资本水平的原始数据来自《中国农村统计年鉴》;对外开放程度、农村居民家庭收入水平及工业化程度数据来自《中国统计年鉴》。
2.2 农村金融发展指标选择与水平测度
2.2.1 农村金融发展指标选择
通过整理有关农村金融发展的文献可知,农村金融发展水平的测度主要从规模、结构和效率三个维度入手。在农村金融结构与效率测度上,文献之间并没有很大的差别,而在农村金融规模的测度方法上,学者们各抒己见。因此,为了确定农村金融规模的测量方法,选取14篇均使用了农村金融规模指标的代表性著作,如表1所示。
同时,进行了专家访谈工作,通过访谈了解到并不存在农村存贷款这一口径,结合已有文献与专家意见,得到以下量化方式:
农村金融规模rfsit=农村金融机构存贷款总额/农村GDP。农村金融机构主要包括中国农业发展银行、农村信用合作社、村镇银行、农村商业银行、农村合作银行的数据。同时,以“第一产业GDP+乡镇企业增加值”来近似代替农村GDP数据。
农村金融结构rfcit=农业类保费收入/农村金融总资产。反映金融市场非银行业金融机构的发展水平与竞争程度。
农村金融效率rfeit=农村金融机构贷款/农村金融机构存款。它反映金融中介将存款转化为贷款的效率,属于金融中介效率。
2.2.2 农村金融发展水平的测度
从表2看出,东部农村金融发展规模(rfs)远远高于中西部地区。西部地区农村金融结构(rfc)均值最大,东部地区均值最小,说明农业保险在东部的发展最弱。而中部地区发展效率均值最大,东部地区最小。综上所述,东部地区仅农村金融发展规模高于中西部地区,而在农村金融结构与农村金融发展效率方面,相比于其他两个地区,都处于弱势地位。
2.3 农业科技进步水平测算
采用DEA-Malmquist指数方法测算农业科技进步水平,Malmquist指数方法是目前国内外用得最多的方法。本文对农业全要素生产率的测算是基于投入导向的Malmquist指数法,假设规模报酬可变(VRS),使用的软件是DEAP2.1。
注:由于难以获取农村GDP而选用第一产业增加值代替的文献,归结为以GDP计量。
数据来源:根据Stata12.0软件测算而得。
图1是2001—2014年中国东中西部地区农业全要素生产率的变动情况,从总体上来看,中国各地区农业全要素变化呈现东、西、中依次递减的趋势,东部地区农业全要素年均增长率为2.0%,高于中部地区的1.3%和西部地区的1.9%。各区域农业全要素增长率基本都是增长势头,极少的省份出现倒退状态,其中年均增长率超过3%以上的省份主要是:东部地区的北京4%、天津3.5%、海南4.6%及江苏3.8%;中部地区的吉林4.1%及黑龙江4.1%;西部地区的陕西5.9%。农业全要素生产率出现倒退的主要是:东部地区的河北-0.1%;中部地区的山西-0.2%及安徽-1.6%;西部地区的贵州-0.2%,这说明,中国农业全要素生产率的增长状态与区域经济背景密切相关,东部地区形成了事实上的农业全要素生产率高增长区。
数据来源:根据DEA-Malmquist指数测算而得。
3 农村金融发展对农业科技进步影响的回归分析
3.1 计量模型的设定
考察农村金融发展对农业科技进步的影响作用,即解释变量为农村金融规模(rfs)、农村金融结构(rfc)和农村金融效率(rfe),被解释变量为前文DEA-Malmquist指数测算的TFPCH。但由于农业科技进步受除农村金融发展之外的很多要素的影响,因此,为增强模型的拟合度及显著程度,引入农村人力资本水平(edu)、农村固定资产投入水平(cai)、对外开放程度(open)、农村居民家庭收入水平(inc)、工业化程度(ind)做为控制变量。
考虑到被解释变量滞后期对当期的影响,在模型中加入被解释变量的滞后一期为解释变量。同时,为减轻异方差带来的负面影响,对所有指标均取对数,综合后,选用的动态面板数据模型如下:
上式中,下标i和t分别表示第i个省份和第t年,用tfpit表示第i省第t年的农业科技进步水平,用rfsit、rfcit、rfeit分别代表第i省第t年的农村金融发展规模、发展结构、发展效率。ηi表示不随时间变化的第i个省级单位界面的个体差异;εit表示随机扰动项。
3.2 实证结果分析
从表3可以看出,Sargan检验结果说明工具变量有效;AR(2)检验说明一阶差分后的残值不存在二阶自相关。也就是说本文的模型设定是合理的,在确保模型设定合理的基础上,为了进一步评价GMM估计的可靠性和滞后阶的稳定性,本文采用前文介绍的IPS检验来验证面板残差是否平稳,进而确认面板回归不是伪回归的结果。从表4可以看出,所有面板残差的概率P值均小于1%,这说明各个面板残差均具有平稳性,GMM估计的结果真实可靠。
农村金融规模系数度量的是农村金融规模的扩张对农业科技进步的影响,东、中、西部地区系数分别为0.318 8、0.171 5及0.247 8,并且显著。东部地区对农业科技进步的促进效应大于中西部地区,原因应是东部地区金融规模水平相对较高,能为农业生产的发展提供更多的资金支持,以及东部地区的区域基础条件好于中西部地区,能为农业科技的进步提供良好的环境基础。而西部地区金融规模系数高于中部地区,可能是近些年西部大开发的成果。总之,中西部地区的农村金融发展规模相对于东部地区还是较为滞后。
注:***、**、*分别表示在显著性水平1%、5%、10%下显著;括号内为T统计概率值;AR(2)检验的零假设为回归方程扰动项不存在二阶序列相关;Sargan检验的零假设为工具变量是有效的。
注:括号内为W统计量的P值。
农村金融结构系数度量的是农村金融自由化以及金融竞争对农业科技进步的影响,东、中、西部地区系数分别为-0.009 8、-0.336 8及0.088 5,在计量上均不显著。前文已知农业保险在东部及中部地区的发展弱于西部地区,且三个区域的农业保险发展均处于初级阶段,非银行金融机构的势力相对较小。这说明在我国,农村金融结构还处于初级阶段,农村金融市场还不够成熟,银行类金融机构与非银行类金融机构互利互惠、相互竞争的局面还没有形成。
农村金融效率系数反映了农村金融资源配置的提升对农业科技进步的影响,在三个地区的影响都显著,且均为正值,东、中、西部的系数分别为0.2896、0.168 6及0.135 7,由前文可知,在农村金融效率发展方面,中部地区处于强势地位,而东部处于弱势地位,但对农业科技进步的影响系数东部大于中西部地区,可能是因为虽然中西部地区农村金融中介将存款转化为贷款的效率高,但缺乏“质”的提高,农村银行类金融机构并未按照效率优先的原则投入到资本回报率较高的行业,使得虽在“量”上处于领先地位,但在“质”上,却并没有提高,从而不利于农业科技进步。相反,东部地区虽然在“量”上处于弱势,但在“质”上却超越了中西部地区。
4 对策建议
虽然农村金融已经初步形成了政策性金融、商业性金融、合作性金融、新型农村金融机构等农村银行类金融机构以及非银行金融机构分工协作的金融服务体系,但是目前还存在很多问题,农村金融市场发展尚不成熟,并影响到了农村金融对农业科技进步甚至是农业发展的影响。因此,以促进农业科技进步为视角,为了更好地促进农村金融发展,还需在以下方面加强工作。
加强农村金融发展、完善农村金融体系,合理配置农村金融资源。由于风投公司不具有市场准入条件,目前仍由农村银行类金融机构发挥这一职能,因此,农村银行类金融机构要顺应时代,推行投贷联动,辅以政府财政资金支持,更好的扶持农村小微企业的发展。
关注农村保险业的发展,积极发挥农业保险的风险保障与分担作用。首先应当建立以提供经济补偿为宗旨,不以盈利为目的的政策性农业保险;其次,引导民间成立合作保险机构,由具有相似保险要求的主体组成组织,所有者利益共担;再次,商业保险应当更多的进入农业保险范围,提供更丰富的保险险种。从而形成多元化的保险体系。
动态面板GMM估计 篇3
一、文献回顾
FDI的区域失衡是区位选择的结果。新经济地理学认为企业区位选择是由市场潜力决定的, Harris (1954) [1]对此观点做了开创性研究, 他认为厂商倾向于选择拥有最大市场潜力的区位。Krugman (1991) [2]从理论上证明了企业区位选择受市场潜力与劳动力成本的影响。Head和Mayer (2010) [3]的实证结果表明, 市场潜力提高10%, 则被企业选为投资区位的概率将提高3%-11%。部分学者采用市场潜力模型对中国FDI的区位选择进行了研究。Chen (1996) [4]认为市场潜力对中国FDI区位选择起着显著为正的影响。Suminori和Jin (2011) [5]采用日本在中国的制造业数据, 研究市场潜力了对企业区位选择的影响, 得出了市场潜力是影响企业区位选择的重要因素的结论。
资源禀赋理论始于亚当·斯密的地区专业化思想, 各地区所特有资源禀赋将吸引不同类型的企业。企业在区位选择时将尽量靠近资源禀赋的地区。例如, 钢铁行业往往布局在铁矿或煤矿的旁边, 这样有利于节约生产成本。魏后凯 (2000) [6]认为中国的FDI, 其主要动机不是为了占领中国内地的市场, 而是为了利用中国大陆廉价的劳动力和自然资源, 将中国大陆作为其供给本国市场和第三国市场的生产基地和出口平台。也有学者如Julan Dua、Yi Lu、Zhigang Tao (2012) [7]认为资源禀赋、技术、劳动条件等是导致FDI空间分布失衡的因素, 提出资源禀赋能较大程度地吸引FDI, 从而导致资源稀缺的地区FDI数量较少。无论从理论上, 还是已有的实证研究均认为资源禀赋对FDI的区位选择影响为正, 即丰富的资源有利于吸引FDI。但是这很明显无法解释中国中西部地区资源丰富而FDI较少的现象。
数据来源:中国工业经济统计年鉴计算得到注:东部省份:北京市, 天津市, 河北省。辽宁省, 上海市, 江苏省, 浙江省, 福建省, 山东省, 广东省, 广西壮族自治区, 海南省, 中部省份:山西省, 内蒙古自治区, 吉林省, 黑龙江省, 安徽省, 江西省, 河南省, 湖北省, 湖南省西部省份:重庆市, 四川省, 贵州省, 云南省, 西藏自治区, 陕西省, 甘肃省, 青海省, 宁夏回族自治区, 新疆维吾尔自治区。
部分文献研究了劳动力成本对FDI区位选择的影响。有文献认为中国的FDI主要是因为中国的劳动力成本较低, 如刘荣添等 (2005) [8]认为低劳动力成本优势一直是中国各区域引资的起步阶段的主要因素。杨俊等 (2007) [9]证实了低廉的劳动力成本有利于吸引外资的进入。文东伟、冼国明 (2009) [10]构建了一个垂直FDI理论模型, 模型的推导及数值模拟结果表明中国大陆低廉的劳动力成本是吸引我国的香港、澳门、台湾地区及韩国、新加坡、日本等中国大陆周边国家或地区对中国大陆投资的重要原因。Laura和Iulia (2013) [11]认为由于中国的劳动力成本 (上升) 等因素的影响, 中国的FDI已经开始向其他国家转移。上述文献认为低的劳动力成本有助于吸引FDI, 较高的劳动力成本则会阻碍FDI, 导致FDI流出, 这与克鲁格曼的企业区位选择中劳动力成本起阻碍作用的观点相一致。但同样不能解释中国东部地区的劳动力成本明显比中部与西部的劳动力成本高的情况下FDI仍然选择东部地区的现象。从图1可以看出, 中国的FDI空间分布失衡的现象并没有因为劳动力成本的变化而改变。因此, 刘荣添、林峰 (2005) [8]提出了与上述结论相反的观点, 认为中国的FDI有向高工资地区集中的趋势。CHEN、GE (2011) [12]采用公司级数据证明了中国FDI会造成企业及区域的工资差距。René、Ryuhei等 (2012) [13]认为劳动力成本对FDI的区位选择的影响为正, 即在区位选择中, FDI会选择劳动力成本高的地区。因此, 黄肖琦、柴敏 (2006) [14]认为劳动力成本、优惠政策等传统FDI区位变量未能较好地解释在华外商直接投资的区位分布。
另外, 上述文献均采用省级数据, 采用城市数据的文献较为少见。由于中国的省市间人口、面积的差距均较大, 因此采用省级数据会导致估计结果的较大误差。
因此, 本文拟从以下两方面进行拓展。第一, 选取城市面板数据, 分析了市场潜力、资源禀赋、劳动力成本与劳动生产率对FDI企业区位选择的影响。第二, 在目前的文献中, 大多采用OLS回归方法, 不能避免变量中内生性及异方差的干扰;本文采用动态面板GMM回归方法来对变量进行估算, 可较好地处理变量中内生性及异方差的干扰。
二、研究模型的设立
(一) 理论模型的构建
企业区位选择理论认为, 企业在投资过程中的定位决策是典型的离散选择问题, 投资决策者在考察若干目标地点过程后, 结合投资备选地的区位特征和自身特征做出唯一的选择。本文将借鉴Head和Mayer (1997) [3]、Krugman (1999) [2]、Redding和Venables (2004) [15]的方法, 构建了具有空间特性的企业区位选择的模型。我们认为企业区位选择的动机主要是从市场需求与区域生产率来考虑的。理论和经验研究均认为企业的区位选择并不是随机游走的过程, 而是个体追求收益最大化的结果。区域选择的决定取决于在给定区位下企业的未来收益水平, 因此, 我们假设每个行业都具有相同的效用函数 (CES子效用函数) , 在给定支出及产品价格的约束条件下, 最大化效用函数可得到产品的需求曲线如下:
Ej为地区j企业投资行业的支出, Pij是目标地区j消费者对来自i地区产品的接受价格;最优问题获得的需求形式表达了企业的定价模式, 即每个企业都将设定最大化利润的价格。根据Dixit和Stiglitz的思路, 公司视替代弹性σ为需求的价格弹性。cj表示边际成本, 其在i市场的利润函数为:
假定厂商将产品从i地区运输到j地区存在“冰山”运输成本:φij=τ1ij-σ。则上式可写成πij= (pj-cj) τijqij。假设消费者效用由工业制成品的消费量决定, 并且对工业制成品的需求服从不变替代弹性函数 (CES) , 产品间的替代弹性为σ。在厂商利润最大化的条件下, , 得到:
将 (3) 式代入 (1) 式可以得到:
其中, Gj为各地区的物价指数 (Fujita, 1999) 。则位于地区i的企业在地区j实现的总利润为:。将总利润减去在j地区建立工厂所需要的固定成本Fj, 我们得到总的净利润:
其中, MPj就是克鲁格曼认为的市场潜力。总的净利润方程意味着企业的区位选择将会在低生产成本和高市场潜力之间的权衡;我们假定固定成本不存在跨区域差别。对总的净利润函数进行重新整理, 并取对数后获得新的利润函数为:
(6) 式说明了地区j厂商的利润随着市场潜力的提高而上升, 随着生产成本的提高而下降。接下来, 对成本项进行分析, 假定可变成本函数符合固定收益的Cobb–Douglas生产函数, 对于j地区的某个代表性企业, 假设其工人的名义工资为ωj, 其他投入成本为υr, 劳动力成本所占的份额为α, 集聚经济带来的对成本的影响为Aggloj, 则取对数后的边际成本为:lncj=αlnωj+ (1-α) lnυjln Aggloj, 将这些变量代入 (6) 式, 我们得到:
(二) 计量模型的设定
本文的计量模型设立在理论分析的基础上, 并采用赤池信息准则 (AIC) 及贝叶斯信息准则 (BIC) 来判断模型各变量是否存在滞后项。从而得出在模型中FDI的数量、产业集聚度、劳动力成本、国内市场潜力、劳动生产率存在的一阶滞后项且不存在二阶滞后项。所以计量模型应该采用动态面板模型。综上所述, 本文的计量模型如下:
其中, 下标r表示地级市, t表示年份。yrt是被解释变量, 表示FDI的数量。agglo、ωage、mpn、lp、mine、educ、open为解释变量, 分别表示产业集聚度、劳动力成本、国内市场潜力、劳动生产率、资源禀赋、教育支出、开放程度。
数据来源:2003-2012年218个地级城市数据。
三、数据来源及其统计描述
本文选取中国218个城市 (包括直辖市、省会城市和地级城市) 2003-2012年的面板数据来进行实证分析, 所用数据来源于《中国城市统计年鉴》、《中国区域经济统计年鉴》、《中国统计年鉴》、各省市年鉴及中国经济社会发展统计数据库。
FDI企业数目。衡量FDI企业区位选择的变量一般采用FDI的投资额或FDI的数量。由于本文主要考虑影响FDI企业区位选择的因素, 采用FDI的投资额会导致一定的偏差。所以采用各城市FDI工业企业的数目来衡量FDI的区位选择。
市场潜力。由于计算真实市场潜力较为困难, 本文使用Harris (1954) [1]介绍的方式计算, 即, 城市内部距离, si为城市面积;dij为采用卫星定位系统Google Earth测量的两城市中心距离, GDP为各城市的地区生产总值。
劳动生产率。劳动生产率的数据通过“劳动生产率=工业增计值/从业人数”公式计算获得。真实劳动生产率以2003年为基期, 以CPI为平减指数计算获得。
劳动力成本。劳动力成本包含工资、福利、社保等劳动支出费用, 该指标能更全面地衡量劳动者的收入水平, 用劳动者报酬总额除以从业人数来衡量。由于各城市劳动者报酬总额的数据无法获得, 所以本文采用工资来代替劳动力成本。实际工资用CPI平减指数进行平减后获得。
产业集聚度。本文采用区位商来衡量各城市FDI的集聚程度, 其计算公式如下:
LQij表示i产业j城市的区位商, xij表示i产业j城市的就业人数。
资源禀赋。方颖 (2011) [16]使用采掘业从业人员数占城市的工业企业就业人数的比重来衡量该城市的资源禀赋, 本文借鉴此方法。
教育支出比重。本文以教育支出占财政预算支出的比重来控制人力资本因素对FDI区位选择的影响。
开放程度。开放程度高的地区, 其基础设施、市场环境均较为完善, 对企业进入的门槛较低, 易于吸引企业在此区域投资, 因此, 开放程度对产业集聚也有一定程度的影响。本文采用进出口总额占地区生产总值的比重来衡量该城市的开放程度, 进出口总额按当年美元对人民币汇率进行折算 (李永友, 2009) [17]。
四、估计结果的检验与分析
如果不检验序列平稳性而直接回归, 很容易由于数据非平稳而导致虚假回归, 因此, 在进行回归之间有必要进行平稳性检验。目前, 面板单位根检验的方法主要有LLC检验、IPS检验、Choi检验、Hadri检验。本文采用LLC检验、IPS检验来检验序列是否平稳, 发现所选变量及其自然对数项均为平稳性序列。检验结果见表2。可以看出, 所有变量序列均为平稳序列, 可以构造回归模型。
根据所用数据与模型的特征, 本文将采用动态面板数据GMM估计方法、固定效应、随机效应及混合效应进行回归, 并比较四种回归方法的结果。由于GMM估计方法分为系统GMM与差分GMM二类, 其中系统GMM估计相对于差分GMM估计方程来说具有更好的有限样本特征, 且估计的结果更加有效, 因此本文主要使用系统GMM方法进行估计。动态面板系统GMM估计又可以分为一步系统GMM估计 (one-step GMM) 和两步系统GMM (two-step GMM) 估计。由于两步估计的标准差存在向下偏倚, 所以在经验应用中通常使用Bond (2002) [18]的一步系统GMM估计方法。根据上述分析, 我们在本文中仅选用GMM方法中的一步系统GMM估计方法来对变量进行估算。
(一) 估计结果分析及检验
表3给出了面板数据模型的回归结果。从Xttest0的检验结果与hausman检验的结果可以看出, 固定效应的估计结果优于随机效应和混合效应的估计结果。从Breusch-p检验的结果可以知道, 模型中存在内生性。说明采用固定效应、随机效应与混合效应对模型进行回归所得的结果都是有偏差的。AR (1) 检验拒绝原假设而AR (2) 检验接受了原假设, 说明随机干扰项不存在二阶序列相关。从Hansen检验结果可以得出工具变量的选择是可靠的。因此采用一步系统GMM回归方法所得的结果是有效的。从表3可以看出, 四种回归估计的结果中变量的符号与系数基本保持一致。其中随机效应与混合效应的系数大于一步系统GMM估计与固定效应的系数。所以从系数的符号与大小可以得出, 一步系统GMM估计方法的结果具有稳健性。所以采用一步系统GMM回归方法的结果比固定效应、随机效应与混合效应的回归结果更准确。因此, 以下均采用一步系统GMM的回归结果来进行分析。
说明:回归系数下方括号里的值为标准差;***、**、*分别表示在1%、5%、10%的统计水平上显著。R2为拟合优度, Hausman test、Hansen test、xttest0 test括号里的数分别是Prob>chi2的值, AR (1) 、AR (2) 括号里的数分别是Prob>z的值。
从一步系统GMM方法的回归结果可以看出, 滞后一期的FDI企业的数量对后期有显著为正的影响, 说明FDI在进行区位选择时会考虑城市已有FDI企业的数量。FDI企业的数量越多的城市, 则越容易吸引新的FDI企业。集聚度对FDI企业的区位影响为正, 说明FDI企业在区位选择中倾向于FDI企业集聚程度高的城市, 这与Coughlin (1991) [19]、潘镇 (2005) [20]、Linda Fung-Yee Ng (2006) [21]、余珮与孙永平 (2011) [22]等学者的研究结论相同。劳动力成本对FDI企业区位选择的影响显著为负。这与刘荣添与林峰 (2005) [8]、Laura与Iulia (2013) [11]等学者的研究一致。说明劳动力成本过高会阻碍FDI的进入。但是, 这与中国目前中西部地区劳动力成本低而FDI企业的数量较少, 而中部地区劳动力成本高而FDI企业的数量较多的现状不相符。同时也说明劳动力成本虽然对FDI企业的区位选择影响为负, 但是从其系数大小可以看出, 其对FDI区位选择的影响并不大。也就是说, 劳动力成本在一定程度内的变化对FDI的区位选择并不起重要作用。市场潜力是企业区位选择模型中重要的空间变量, 在表3中, 市场潜力的系数为0.4104, 且在1%的统计水平上显著为正, 说明市场潜力是FDI企业区位选择的重要影响因素, FDI企业在区位选择中首要考虑的因素是市场潜力。劳动生产率对FDI企业的区位选择起着显著为正的影响。劳动生产率提高1%, FDI的数量增加12.25%。说明劳动生产率也是FDI区位选择的重要影响因素。资源禀赋的回归系数在1%的水平上显著为负。这与理论预期相反, 理论认为, FDI的区位选择是以成本最小化为基础的, 因此会选择距离资源较近的地区, 但我们的实证结果却恰恰相反, 对此, Angris、Kugler (2008) [23]认为是“资源诅咒”的原因。Coughlin (1991) [19]认为是资源禀赋会阻碍区域的FDI、科技创新能力、地区开放程度的发展及导致企业家活动的减少。同时, 由于中国的资源主要集中在中西部地区, 且资源丰富的地区开放程度低, 产业单一, 资源主要控制在国有或国内企业的手中, 不利于FDI企业的生存与发展。因此, 丰富的资源并未成为西部FDI区位选择的助力, 反而导致了西部地区FDI数量的减少。开放程度变量的系数显著为正, 说明开放程度越高的城市越有利于吸引FDI企业。这是因为开放程度高的城市, 其市场机制、基础设施等较为完善, 有利于FDI企业的发展。教育支出比重的系数为正, 但不显著, 说明各城市的教育投入对吸引FDI企业并没有显著的作用。这是因为在中国各城市的人才流动程度提高, 教育投入高的城市并不一定能吸引FDI企业。
(二) FDI企业的区域分析
在采用动态面板一步系统GMM回归方法对218个城市影响FDI企业区域选择的因素进行估计与分析后, 为解释各区域FDI企业数量的差别, 接下来仍将采用动态面板一步系统GMM方法对各区域城市的变量进行回归估计。估计结果见表4。
说明:回归系数下方括号里的值为标准差;***、**、*分别表示在1%、5%、10%的统计水平上显著。
从表4可以看出产业集聚程度对东部城市的FDI企业数量的影响显著为正, 对中部与西部的影响为正但不显著。从数值大小来看, 东部城市>中部城市>西部城市。说明产业集聚程度对东部城市的FDI企业数量的影响较大, 对西部城市影响较小。劳动力成本对东部与中部城市的FDI区位选择的影响均显著为负, 对西部地区的影响为负, 但不显著。说明劳动力成本增加会阻碍东部与中部城市FDI企业的进入, 但对西部城市吸引FDI企业的影响不显著。市场潜力对对东部城市的FDI企业数量的影响显著为正, 对中部与西部城市的影响为正但不显著。说明在东部城市, FDI企业的区位选择受市场潜力的影响很大。劳动生产率对东部城市与西部城市的影响为正但不显著, 对中部的影响显著为正。说明在中部城市, 如果提高劳动生产率将有利于吸引FDI企业。资源禀赋对东部、中部与西部城市的FDI区位选择影响均为负, 且显著。说明在FDI区位选择方面, 中国的确存在“资源诅咒”的影响。这也合理的解释了为什么资源丰富的中西部地区FDI反而较少的现象。综上所述, 可以得出, 东部城市的FDI企业区位选择主要由产业集聚程度、劳动力成本、市场潜力、资源禀赋决定。其他影响因素作用不显著。且从系数的大小可以看出, 市场潜力的促进作用大于劳动力成本的阻碍作用。虽然劳动力成本上升, 但由于市场潜力也在提高, 所以东部城市并未出现产业转移的现象。中部城市的FDI企业的区位选择主要由劳动力成本、劳动生产率、资源禀赋决定, 其他影响因素作用不显著。说明中部城市劳动生产率与劳动力成本均在提高, 劳动生产率的促进作用与劳动力成本及资源禀赋的阻碍作用决定了中部城市FDI企业的数量, 导致中部城市的FDI企业的数量并未取得较大的突破。西部城市除了资源禀赋对FDI企业的区位选择起阻碍作用以外, 其他因素均不显著。所以尽管劳动力成本较低, 但对FDI企业的影响并未起到决定性的作用。
五、结论
本文选取218个地级城市2003-2012年的数据, 采用动态面板GMM估计方法, 对影响中国FDI的区位选择的因素, 以及中国FDI的区位失衡现象进行了探究, 并得到如下结论:
在影响中国FDI区位选择的因素中, 市场潜力、劳动生产率都是显著为正的影响, 其中市场潜力对FDI的区位选择影响最大, 其次是劳动生产率。劳动力成本与资源禀赋对FDI的区位选择为显著为负的影响。开放程度、教育支出比重、产业集聚度对FDI的影响不显著, 说明中国的FDI在区位选择主要考虑市场潜力、劳动生产率、劳动力成本等因素。
在分区域的回归结果中, 东部城市FDI企业的区位选择主要由产业集聚程度、劳动力成本、市场潜力、资源禀赋决定。中部城市FDI企业的区位选择主要由劳动力成本、劳动生产率、资源禀赋决定。西部城市除资源禀赋外, 其他影响因素均不显著。
中国的FDI企业区位选择过程中, 的确存在“资源诅咒”的影响。所以在中西部城市, 资源禀赋反而阻碍了FDI企业数量的增加。
从本文的实证结果可以看出, 各区域FDI的区位选择的影响因素并不相同, 东部城市应该重点增强市场潜力, 提高产业集聚度来吸引FDI企业。中西部城市虽然有丰富的资源, 但由于“资源诅咒”的影响, 导致FDI企业的数量很少。因此, 应该通过提高中部与西部地区的劳动生产率, 加大中部与西部地区的市场潜力的培育, 促进市场潜力的增长, 吸引FDI的数量来减少中国FDI空间分布失衡的程度。
摘要：在构建的企业区位选择模型基础上, 本文采用动态面板GMM回归方法, 对影响外商直接投资 (FDI) 的区位选择因素进行分析, 探索中国FDI区域失衡的原因。研究结果表明中国的FDI的确存在“资源诅咒”的现象, 即资源禀赋对FDI的区位选择有着显著负影响;中国FDI在空间分布的失衡主要是由于“资源诅咒”、市场潜力与劳动生产率对企业区位选择共同的影响。
动态面板GMM估计 篇4
20世纪90年代以来,国际直接投资出现了新的变化,越来越多的发达国家跨国公司开始了基于价值链的全球布局,旨在将不同国家和地区的区位优势转化为价值链特定环节的竞争优势。在发达国家主导的全球价值链分工体系中,发展中国家凭借着廉价生产要素形成的比较优势承担着标准化的生产制造环节,但由于缺乏核心技术和品牌,其面临着价值链地位低端锁定的风险,产业的进一步发展和升级受到一定限制和阻碍(刘明宇等,2012;刘志彪,2014)。在新一轮高水平对外开放和大规模“走出去”战略推动下,中国成为全球第三大投资国,由此对中国OFDI价值链升级效应的研究具有重要的现实和理论意义。
国内外学者对OFDI产业效应的研究主要集中于技术溢出效应,Lichtenberg等(2001)基于13个OECD国家的研究证实投资研发密集型国家能够促进母国技术水平的提高。Vahter和Masso(2007)对爱沙尼亚制造业和服务业、Herzer(2011)对33个发展中国家OFDI的研究也得出了OFDI显著促进TFP增长的结论。尹忠明(2014)运用动态矩估计检验得出我国OFDI能够直接促进省际全要素生产率的提高;杜金涛(2015)、霍忻等(2016)在L-P模型的基础上证实我国OFDI通过逆向技术溢出产生明显的技术进步效应。此外,也有少部分实证研究得出相反的结论,指出OFDI并不能提升生产效率,甚至会产生“产业空心化”的不利影响,如Bitzer(2009)对17个OECD国家制造业以及Liu等(2015)对台湾制造业的研究。吴立广(2014)、朱严林(2015)、尹东东等(2016)的实证研究也发现,OFDI对技术进步的促进效应尚不明显。
综上,学术界关于OFDI的母国产业效应已取得较为丰富的研究成果,但不同样本研究得出的结论并不一致,需要结合具体实践作进一步分析。在全球价值链分工体系下,母国产业升级应更多关注附加值的提高和价值链环节的提升,而现有的基于我国经验数据的实证研究仍缺少从行业内部和产品内分工层面的实证检验。针对上述不足,本研究试图进行如下改进:基于动态面板模型进行系统GMM估计,构建工艺流程升级指标,深入考察我国OFDI对各制造业行业价值链内升级的影响。
2计量模型的建立与变量的说明
2.1动态面板模型
本文基于动态面板模型运用系统GMM估计方法分别考察对外直接投资对我国制造业工艺流程升级的影响,构建如下回归模型:
其中,表示对外投资增长率情况,D为行业虚拟变量,j=1,2…14,εt为随机扰动项,R&D资本存量、实际利用外资和进出口额等作为控制变量。
2.2变量说明
本文采用Malmquist生产率指数模型,运用DEAP2.1软件,对1995-2013年间14个制造业行业的全要素生产率、技术进步及技术效率指数进行测算。其中,资本为行业资本存量,劳动采用全部从业人员年平均数,产出选择工业增加值,来源均于《中国工业经济统计年鉴》。控制变量R&D资本存量参照Raut(1995)的方法测算,来源于《中国科技统计年鉴》,进出口贸易额(IM、EX)、利用外资(FDI)分别来源于《中国海关统计年鉴》、《中国外商投资报告》。以上数据统计口径均为规模以上工业企业。
3实证结果与分析
表1报告了所有行业、劳动密集型及资本技术密集型行业以TFPCH及其分解为被解释变量,OFDI、R&D、IM、EX、FDI为解释变量的回归结果。
从所有行业样本的回归结果可以得出,OFDI对生产率变化具有正向促进作用,尤其是对技术进步指数有显著性正相关影响(0.126***),对EFFCH呈现负相关影响(-0.103***),总体上对TFPCH仍具有正向促进作用。对比不同要素密集行业样本的回归结果得出,资本技术密集型行业OFDI对技术进步的促进作用显著大于劳动密集型行业OFDI(0.285**),表明这类OFDI通过逆向技术溢出效应实现产业的跨越式发展。对于技术效率变化,资本技术密集型产业OFDI对其呈现显著消极作用(-0.119*),可能是由于我国目前劳动力技能水平与技术投入的不匹配降低了整体效率。而劳动密集型产业OFDI一定程度上能够促进生产水平的提高,其对产业的影响暂时尚未显现出来。
4结论与对策建议
本文利用我国1995-2013年制造业14个行业的面板数据研究了OFDI的价值链内升级效应,深入考察我国OFDI对各制造业行业工艺流程升级的影响,结果表明:第一,OFDI对行业生产率变化具有正向促进作用,尤其是对技术进步有显著的积极影响;第二,OFDI对我国制造业工艺流程升级的积极影响表现出行业异质性,即资本技术密集型行业OFDI对技术进步的促进作用显著大于劳动密集型行业,说明在较高研发投入和技术水平基础之上的对外投资能够更加有效地促进价值链攀升;第三,OFDI对技术效率的影响受到市场开放程度、金融发展水平等因素制约,资本技术密集型产业OFDI对其呈现显著消极作用。
本文研究结论对中国及其他发展中国家企业如何通过OFDI促进价值链内升级进而实现价值链地位攀升具有一定的启示意义:第一,继续引导企业“走出去”,扩大对外直接投资规模,尤其是对发达国家或地区的直接投资,通过“学习效应”和“竞争效应”提高企业竞争力,提升我国企业在全球价值链上的分工地位;第二,通过对外直接投资的“逆向技术溢出效应”促进行业技术进步,提高生产率和产品技术复杂度,逐步由模仿创新向自主创新转变,加快推进工艺流程升级;第三,重点发展资本技术密集型制造业,通过对外直接投资,在选取合作伙伴、构建战略联盟的过程中,不断提高自身的技术水平,并相对主动地嵌人到高增加值环节,提高在价值链分工中的获利能力。第四,继续发挥中国的比较优势,构建基于本土市场的国家价值链。通过建立更为广泛的对外直接投资机构,提高供应链中的协调性和资源整合能力,努力培育本国的跨国公司,最终实现向价值链高端环节的攀升。
参考文献
[1]Liu W H,Tsai P L,Tsay C L.Domestic impacts of outward FDI in Taiwan:Evidence from panel data of manufacturing firms[J].International Review of Economics&Finance,2015,39:469-484.
[2]吴立广,尹灵秀.中国对外直接投资逆向技术溢出效应研究——基于Malmquist指数和我国行业面板数据的实证研究[J].工业技术经济,2014,08:154-160.