动态GMM（共5篇）
动态GMM 篇1
引 言
一般而言, 外商直接投资的进入都会给东道国带来较多的就业机会, 对于缓解东道国就业压力特别是发展中国家的就业矛盾有着相当重要的意义。外商直接投资对东道国就业的影响不仅只有投资拉动就业的创造效应, 还要考虑外商直接投资与国内投资之间可能存在的挤入或挤出关系以及由此引起的间接就业效应。由于东部地区吸引了中国大部分的FDI, 因此我们关心的问题是, 东部地区快速增长的FDI对东部地区的就业会产生什么样的影响?是积极的就业创造效应还是消极的就业替代效应?以往的研究大都没有考虑到FDI的动态效应, 即前期的就业情况对当期和后续各期的就业可能产生影响, 以及各期FDI对当期就业所产生的不同影响。因此本文将基于动态面板数据模型研究这个问题。
1 文献综述
Magnus Blomstrom (1997) 以美国和瑞典为例分析了对外直接投资对于国内就业的影响, 认为美国跨国公司到海外, 特别是到发展中国家投资设厂会对国内劳动密集型产业的就业造成负面影响, 而瑞典的对外直接投资对母国的就业有正面影响。Desai et al. (2005) 和Hanson et al. (2003) 采用1982～1999年美国制造业的数据进行分析, 结果发现, 美国制造业的海外投资活动会对国内就业增长产生积极显著的影响。然而Brainard, Riker (1997) 采用1983～1992年美国制造业的数据进行分析时, 得到的结论也正好与上面的分析相反。他们认为美国跨国公司海外分公司和母国国内就业之间存在替代关系, 虽然这种替代关系并不是很显著。Hatzius (1998) 选取瑞典相似的数据进行实证分析, 结果表明, 瑞典跨国公司母国的就业水平和瑞典海外劳动成本正相关, 即瑞典跨国公司在劳动力成本较低的发展中国家投资对于国内就业具有促进作用。Braconier, Ekholm (2000) 的研究表明, 瑞典跨国公司在高收入国家的投资对国内就业会产生替代效应, 在低收入国家的投资一般则不会产生替代效应。Ahn et al. (2005) 建立计量模型测量外商直接投资和进口对于韩国国内就业增长的影响。结果显示:韩国国内就业变化和外商直接投资的关系更加紧密。一般而言, 产业层面的外商直接投资对于国内就业增长具有显著促进作用, 但是唯一例外的是在中国的投资。韩国在中国的直接投资对于国内就业增长具有显著负面效应。
国内许多学者也对此进行了研究。桑百川 (1999) 认为在外商直接投资资本有机构成较低且相对稳定的条件下, 外商直接投资对于中国的就业具有创造效应, 外商直接投资会通过投资乘数和加速原理创造间接就业机会;但是当资本有机构成不断提高时, 外商直接投资对于国内就业的创造效应会下降, 替代效应会增加。黄华民 (2000) 认为外商直接投资对第一、第二产业的就业起到负面作用, 而对第三产业则起到促进作用, 但是从统计意义上来说效果不显著。总的来说, 外商直接投资目前不会大量增加我国的就业。
陈 (2001) 提出了外商直接投资的动态就业能力, 认为外商直接投资正是通过对我国经济增长的促进作用, 从而创造更多就业机会, 最终促进中国就业的增长。蔡、王德文 (2004) 认为, 虽然外商直接投资就业在整个就业中的比重还不高, 但由于其在城乡增长速度都异常快, 使得外商直接投资就业在城乡就业增长中贡献份额很大。袁志刚 (2002) 考察和估计了1978年以来外商直接投资对中国就业的直接影响及外商直接投资通过前后向联系和乘数效应增加间接就业的情况。同时也证实了外商直接投资与之相关联的一揽子资源投入对我国的就业扩大的“溢出效应”、综合置换效应与刺激效应。王振中 (2000) 等人从净增量变化角度考察了外商直接投资对就业数量的效应, 论证了外商直接投资对就业量的正面影响。
邱晓明 (2004) 把外商直接投资的就业效应分为两个时期:1986～1995年和1996～2000年。认为在第一个阶段外商直接投资创造就业的数量效应十分显著。但是在第二个阶段, 由于外商直接投资技术含量和资本含量的提高, 创造就业的直接效应不断弱化。另外, 作者还认为在第二个阶段, 由于跨国公司和当地企业之间的前后向联系更加紧密, 使得外商直接投资的间接就业效应比第一个阶段要强。王剑 (2005) 选取1983—2002年的数据为样本, 建立联立方程模型, 并运用似然不相关 (SUR) 估计方法进行估计。得到的结果显示:外商直接投资对中国就业不仅存在着积极的直接拉动效应, 而且还通过挤出国内投资和提升生产率水平对国内就业产生负面的间接抑制效应。外商直接投资每增长1个百分点将会直接引起就业增长0.052个百分点, 同时间接降低0.044个百分点的就业机会, 从而带动实际就业增长0.008个百分点。
牟俊霖 (2007) 选取1984～2005年的数据为样本, 建立分布滞后模型进行实证分析。结果显示:1993年之前, 由于中国吸收的外商直接投资主要以中小型的港澳台投资为主, 技术水平不高, 属于劳动密集型的投资, 因此外商投资流量的直接就业效应比较显著。但是这段时期的外商投资对中国产业结构的升级没有明显的带动作用。而且国内企业的竞争能力和适应能力比较差, 在与外商投资企业的竞争中处于劣势地位, 外商投资企业对国内企业的挤出效应比较显著, 因此, 外商投资存量的负的间接就业效应比较显著。1993年以后, 中国吸收的外商直接投资的技术水平明显提高, 对劳动力数量的需求下降, 因此外商投资流量的直接就业效应显著下降。但是外商直接投资的间接创造就业的能力增强, 一定程度上减少了负的就业效应。
祖强、张丁榕 (2008) 选取1997～2003年的数据为样本, 利用柯布道格拉斯生产函数建立计量模型进行实证研究。作者把外商直接投资对我国就业影响的研究现状从产业层面推进到行业层面, 将外资对不同行业就业的直接效应和间接效应纳入到一个理论模型中予以测算, 进而得出外资在不同行业对就业的总效应。结果显示:外商直接投资对不同行业的就业效应存在差异, 其对制造业、建筑业、房地产业等7个行业的就业影响表现为促进就业增长, 而对农林牧渔业、采掘业、社会服务业等行业的就业影响表现为抑制就业增长。
2 动态面板数据模型的估计方法
2.1 GMM估计方法
许多经济关系实际上都是动态的, 例如Holtz-Eakin (1988) 对于动态工资方程的研究, Blundell et al, (1992) 对于公司投资的动态模型研究, Islam对于经济增长收敛动态模型的研究, 等等。一般来说, 动态意味着因变量Y出现在方程的右边。
考虑一个不带回归元的自回归模型:
其中μi～ⅡD (0, σ
首先我们对方程 (1) 进行差分, 得到
为了得到δ的一致估计量, 我们对方程 (2) 做一阶差分以消除个体效应
因此, 估计这个动态面板模型的工具变量就是Yi, 1, Yi, 2, …, Yi, T-2)
这个工具变量的产生过程并不能解释方程 (3) 中的υit-υi, t-1, 因此我们得到:
其中Δυ′i= (υi3-υi, 2, …, -υiT-υi, T-1)
把这些工具变量堆砌起来并定义为W
因此, 工具变量矩阵就是
矩条件就是
因此, 最优的GMM估计量可以用下式来表示
如果在方程 (1) 中加入严格外生变量xit即:
因此, (x′i1, x′i2, …, x′iT) 应该加入到 (5) 式矩阵Wi的每一个对角线中去, 也就是:
(ρ, β′) 的one-step和two-step估计量可以由下式得到:
2.2 SYS-GMM估计方法
前面我们所讨论的动态面板数据模型的GMM估计方法是一阶差分GMM (DIF-GMM) , 它虽然能解决动态面板数据模型估计量的非一致性问题, 但是就偏误和估计准确性而言, 一阶差分GMM估计方法仍存在着一些缺陷, 在大多数情况下变量的滞后值并不是一阶差分方程的理想工具变量, 而且一阶差分GMM还存在着严重的有限样本偏误, 也就是说, 一阶差分GMM只有在大样本条件下才是渐进有效的。
Blundell和Bond (1998) 的仿真实验结果表明, 一阶差分GMM估计量可能会有一个向下的较大偏误, 特别是当T较小的时候。为解决这样的问题, 他们提出在原有的一阶差分矩条件的基础上, 加入水平矩条件 (Level Moment Conditions) , 从而提高了估计量的有限样本表现, 这一方法称之为系统广义矩估计法。
为说明动态面板数据模型的系统广义矩估计法的基本思想, 我们考虑一个一阶自回归面板数据模型:
对于以上模型, 我们设定:E (ui) =0;E (vit) =0;E (vit vjs) =0, t≠s;E (vit uj) =0, 对于所有的i, t, j。
把上面的假设条件结合在一起考虑, 根据我们前面对一阶差分方程的分析法, 可以得出下面的矩条件:
其中, Yi, t-2= (yi1, yi2, …, yi, t-2) ′, Δεit=εit-εi, t-1
定义:
则以上矩条件 (6) 可以表示为:
那么δ的一阶差分GMM估计量就可以由下式给出:
其中,
ΔY-1是ΔY的滞后形式, Zd= (Z′d1, Z′d2, …, Z′dN) ′, WN是决定GMM估计量有效性的权重矩阵。
由于一阶差分GMM只有在大样本下才是渐进有效的, 而在小样本下, 则可能存在较大的偏误。因此, 为了得到一个具有较好有限样本性质的估计量, 考虑加入一个额外的假设:
如果 (8) 式能满足的话, 则下面的水平矩条件是正确的。
其中, ΔYi, t-1= (Δyi1, Δyi2, …, Δyi, t-1) ′
定义:
则矩条件 (9) 可表示为:
E[Zliεi]=0 (10)
那么δ的Level-GMM估计量就可以由下式给出:
其中,
Y-1是Y的滞后形式, Zl= (Z′l1, Z′l2, …, Z′lN) ′, WN是决定GMM估计量有效性的权重矩阵。
将一阶差分矩条件和水平矩条件合并起来, 剔除冗余的矩条件, 则全部的矩条件可以表示为:
其中,
根据这些矩条件得到的GMM估计量为:
其中,
是q的滞后形式, WN是决定GMM估计量有效性的权重矩阵。
我们称
从上面分析可以看出, 系统广义矩估计量就是把下面两个方程组结合在了一起, 即以合适的滞后水平值作为工具变量的标准一阶差分方程组和以合适的滞后一阶差分变量作为工具变量的水平方程组。
3 模型设定和估计结果
3.1 模型设定
由于我国的FDI分布呈现出显著的区域差异, 以及在时间上的波动等特点, 且FDI对我国就业的影响是一个动态而复杂的过程, 为了准确地考察FDI对我国东部地区就业的动态效应, 本文将东部地区就业和FDI的若干期滞后作为解释变量而形成动态面板数据模型, 基于此研究FDI对东部地区就业所产生的动态效应。
LNEMPi, t=α1LNEMPi, t-1+α2LNFDIi, t+α3LNFDIi, t-1+α4LNFDIi, t-2+α5LNFDIi, t-m+ηi+μi, t (12)
在模型 (12) 中:i=1, 2, 3, …, 分别代表东部不同的省、市、自治区, t=1, 2, 3, …T, 代表所考察的各个年度, μi, t为随机扰动项, ηi所度量的是各个横截面单元的个体即不同区域的差异。EMPi, t表示东部各省在各个年度的就业量, LNEMPi, t为东部各省就业量的对数;FDIi, t表示东部各省在各个年度的FDI, LNFDIi, t为东部各省FDI的对数;FDIi, t-1表示东部各省滞后1期的FDI, FDIi, t-2……FDIi, t-m分别表示滞后2期到滞后m期的FDI。α1度量了前期就业情况对当期就业的影响, α2度量了本期FDI对当期就业的影响, α3, α4, …, 分别度量了前若干期FDI对当期就业的影响。如果我们基于模型 (12) 估计得到的α2、α3等系数为正数, 则表明FDI促进了我国东部地区的就业, 即FDI对我国东部地区就业具有就业创造效应;反之, 则表明FDI对我国东部地区就业具有替代效应。在实际计算中发现, 当滞后期选为3时, t统计量就已经变得很不显著, 所以最终模型只选取二阶滞后期。
3.2 模型估计结果
从现存文献可知, 动态面板数据模型最大的困难体现在估计的技术。在动态面板数据模型 (12) 中, 由于因变量的滞后项作为解释变量, 从而导致解释变量与随机扰动项相关 (即解释变量具有内生性) , 且模型 (12) 具有横截面相依性, 因此如果应用标准的随机效应或者固定效应对动态面板数据模型进行估计, 必将导致估计量非一致性, 因而基于估计结果所产生的经济含义也必定是扭曲的。为解决这一问题, Arellano 和 Bond (1991) , Arellano 和 Bover (1995) , Blundell 和 Bond (1998) 提出了广义矩 (GMM) 估计方法。我们分别用GMM和SYS-GMM估计方法对模型 (12) 进行估计得到以下结果:
注:①第一个括号内为系数估计量的t检验统计量, 第二个括号内为系数估计量的标准差。②表示前期就业对当期就业的影响, 表示当期FDI对当期就业的影响, 表示滞后1期FDI对当期就业的影响, 表示滞后2期FDI对当期就业的影响
注:①第一个括号内为系数估计量的t检验统计量, 第二个括号内为系数估计量的标准差。②表示前期就业对当期就业的影响, 表示当期FDI对当期就业的影响, 表示滞后1期FDI对当期就业的影响, 表示滞后2期FDI对当期就业的影响
表1和表2中,
4 结 论
本文通过设定和估计动态面板数据模型以揭示FDI对我国东部地区就业可能产生的创造效应和替代效应。基于估计和检验所产生的结论如下: (1) 当期FDI和滞后1期FDI对于我国就业的创造效应并不明显; (2) 滞后2期FDI对于东部地区的就业具有明显的替代效应。对于上面的结论, 可能有的解释:
(1) 吸收的外商直接投资越多, 就业效应就越明显。东部地区吸收了80%—90%的外商直接投资, 因此外商直接投资在东部地区的就业效应较中西部地区要明显。
(2) 由于进入中国的外商直接投资主要是以绿地投资为主, 从设备进口、厂房建立到投产销售有一段时间, 而我们的结果显示是滞后2期, 这个结果和大多数学者的研究结果是一致的。进入中国的外商直接投资在投资初期会购买较高比例的劳动力, 这样就可以吸收更多的劳动力, 就业人数就会随着外商直接投资的增加而增长, 外商直接投资的创造效应就比较大。这就是当期外商直接投资对中国就业具有促进作用的原因。
(3) 随着外商直接投资在中国投资的不断深入, 外商直接投资对于中国就业的效应表现出了一定的复杂性。一方面, 外商直接投资通过新建企业购买劳动力促进中国就业的增长, 同时也随着外商投资企业与中国上下游企业之间联系的加强, 产生间接就业创造效应。另一方面, 外商直接投资的有机构成不断提高, 对于非熟练劳动力的需求开始下降, 更多的投资用于购买先进技术和设备, 造成就业人数下降。与此同时, 外商投资企业的经营目标会发生转变, 当外商投资企业把占领国内市场作为目标时, 就不可避免的与国内资本发生竞争, 结果对国内资本产生挤出效应, 从而减少投资, 导致失业增加。这个时候外商直接投资对中国的就业更多的是替代效应。
参考文献
[1].Magnus Blomstrom.Foreign Direct Investment and Em-ployment:Home Country Experience In The United States andSweden.NBER working paper, 1997:5～10
[2].Nigel Driffield, Karl Taylor..FDI and the LabourMarket:a Reviewof the Evidence and Policy Implications, Ox-ford Reviewof Economics Policy, 2000, (16) 3:90～103
[3].Edward M.Graham, Erika Wada.Foreign Direct In-vestment in China:Effect on Growthand Economic Performance, Experience of Transitional Economies in East Asia, Peter Drys-dale, editor, Oxford University Press, 2001
[4].Tain-Jy Chen, Yin-Hua Ku.The Effect of OverseasInvestment on Domestic Employment.NBER working paper, 2003:14～22
[5].李海舰.利用外商直接投资成效分析 (上) [J].中国外资, 2000, (3)
[6].黄为民.外商直接投资对我国宏观经济影响的实证分析[J].经济评论, 2000, (6)
[7].牛勇平.国际直接投资与我国就业量之间的关系[J].经济学动态, 2001, (11)
[8].张建勤.外商直接投资对我国就业的影响——一个综合分析框架[J].经济与管理研究, 2005, (5)
[9].丁明智.外商直接投资的就业效应剖析[J].软科学, 2005, (3)
[10].王剑.外国直接投资对中国就业效应的测算[J].统计研究, 2005, (3)
[11].高铁梅.计量经济分析方法与建模—Eviews应用及实例[M].清华大学出版社, 2006
动态GMM 篇2
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GMM 篇3
基于人工智能的诊断方法已成为液压系统故障诊断的重要方法之一[1]。GMM是一种非监督学习方法[2],其目标是发现输入数据的族或分组,进行聚类,并以概率的形式表现出来。在用GMM方法建立挖掘机液压系统故障检测模型前,为了完整地获得挖掘机液压系统的运行状态,通常采用多测点、多传感器的采集方式,这就需要采用多元统计分析的方法来对多维测量数据进行分析处理,提取状态特征[3]。PCA是多元统计分析中常用的多维数据分析方法,可以将高维数据投影到能够准确表征原数据的低维空间中,在数据压缩中有着广泛的应用。传统的PCA方法首先假定数据时序无关, 而挖掘机的运行过程数据一般在时间上序列相关,这样就使得传统PCA方法所得到的主元不能真实地反应数据的动态特性。为解决该问题,Ku[4]等学者提出了DPCA,用时滞数据增广阵进行主元分析以获取数据的动态联系信息。
本文将动态PCA及GMM相结合,首先用动态PCA方法将多维数据压缩至一维,分别建立训练样本集和检验样本集,然后运用GMM方法建立挖掘机液压系统的故障检测模型。经过实验检验,该方法对挖掘机液压系统故障检测是有效的。
1 故障检测策略、方法及步骤
1.1 挖掘机液压系统模块化与基本回路分析(图1)
挖掘机液压系统由斗杆液压回路、动臂液压回路、铲斗液压回路、回转液压回路、行走液压回路等多个子系统回路构成。这些子系统回路可以按液压元件分解成为液压泵模块、多路阀模块、执行机构模块。将子系统回路分解成为液压元件模块,其结构具有相似性。贺湘宇[5]提出可以将挖掘机液压系统故障检测转化为研究一个基本的液压回路的故障检测,然后推广到各个子系统回路当中。本文亦采取这种策略,以斗杆液压基本回路为研究对象进行故障检测研究。挖掘机液压系统基本回路结构图如图1所示。
1.2 故障检测方法及步骤
首先运用动态PCA方法将挖掘机液压系统第i次运行时采集的多维数据降至一维数据x(i),进行m次实验,获得训练样本集{x(1),x(2),…,x(m)},同时用同样的方法建立检验样本集;其次运用GMM方法对训练样本集进行分析处理,建立挖掘机液压系统故障检测模型,用检验样本集对模型进行检验,并对误差进行分析,调整模型直到误差控制在合理范围内。
2 动态PCA方法
2.1PCA方法
PCA方法可以将高维数据投影到能够准确表征原数据的低维空间中,可以分析大量测量数据的相关性,并能提取重要的系统特征,使获得的低维数据很好的反映原变量所提供的信息,通过对新变量的分析即可达到解决问题的目的。
从几何角度上看,PCA是一种投影方法,目的是找到一个从原n维输入空间到新的k(k
y(i)=UTx(i)
原先的数据投影到U上之后被广泛的散布,使得样本点之间的差别变得明显,具有最大方差。向量预先进行过标准化处理,消除由于量纲不同带来的影响。y(i)称为得分向量,U称为的负荷矩阵。负荷矩阵U由协方差矩阵A的前k个特征向量组成,这前k个特征向量称为数据的主元,协方差矩阵A如下式所示:
A=XTX
其中:X={x(1),x(2),…,x(m)}是一个由n个过程变量m个采样点组成的数据矩阵。
2.2 动态PCA方法
PCA方法能够有效分析变量间的相关性问题,但是对于时序相关性却无能为力,这就需要对观测向量进行扩展。动态PCA方法在分析数据中引入了时滞数据增广矩阵。对于动态系统,变量的当前值与过去值相关,因此采用时滞数据增广矩阵X(s)进行分析,如下式所示:
X(s)=[X(t),X(t-1),…,X(t-s)]
其中s为时滞长度,X(t-s)为t-s时刻的n维变量矢量。传统PCA方法是对矩阵X进行特征值分解,动态PCA则是对时滞增广矩阵X(s)进行特征值分解。
时滞长度的确定方法有两种,1) 结合平行分析和得分的自相关互相关检验来确定时滞长度[4],2) 按照动态系统辨识中的定阶方法如AIC及BIC准侧来确定系统阶次[6]。
3GMM方法及EM算法
3.1 高斯混合模型
高斯混合模型(Gaussian mixture models,GMM)是一种“软分配聚类”方法,它假设数据集是由一个潜在的混合概率分布产生的,而每个高斯分量表示一个不同的聚类。
对于包含k个高斯成分的GMM模型,观测向量x的概率密度可以表示为下式[7]:
undefined
其中:g(x|θi)是第i个混合分量,θi是它的参数,ωi表示第i个混合分量的系数,满足undefined。
对于高斯混合分布,第i个分量g(x|θi)的多元高斯密度函数可由下式表示:
undefined
为第i个分量的参数集,即均值向量μi 和协方差矩阵∑i。
3.2EM算法
EM算法就是根据已知的样本序列(训练样本),估计出模型的混合权值、各个单高斯分布的均值矢量及协方差矩阵等参数,使GMM能最佳地表示样本的分布概率。这一过程叫模型的训练,用EM算法来完成。
对数似然函数定义如下式所示:
undefined
EM算法通过不断重复E-step和M-step直到对数似然函数收敛到一定阀值。给定初始值undefined和M-step如下式所示:
E-step;
undefined
M-step;
undefined
undefined
undefined
4 实验方案设计
4.1 挖掘机实验平台及实验信号测量仪器
本文中的实验平台是湖南山河智能机械股份有限公司生产的SWE17E-ED型挖掘机,如图2所示,工作装置部分主要由大臂、斗杆、铲斗、大臂油缸、斗杆油缸、铲斗油缸以及连杆机构组成。
信号测量仪器为高性能压力传感器,测量范围为0-600Bar,输出为4-20mA的模拟电流信号,外形如图3所示。
4.2 信号变量的选择、信号的采集及数据预处理
对于挖掘机液压系统,压力和流量信号中往往包含着丰富的故障信息,但考虑到实验条件、以及以斗杆回路为检测对象的策略,选取液压泵出口压力P1及斗杆回路进出口压力P2,P3为信号变量。
通过CAN总线和压力传感器采集正常、活塞磨损、阀芯卡滞、阀芯泄漏等条件下的压力信号作为原始数据。为了消除由于量纲不同带来的影响,在使用动态PCA前一个公共的过程就是对原始数据进行预处理,使得每个维都有0均值和单位方差,过程如下所示:
1) 使undefined;
2) 用x(i)-f替换x(i);
3) 使undefined;
4) 用xj(i)/σj替换xj(i)。
4.3 实验对象及条件设定
根据故障检测策略,选择斗杆液压基本回路为研究对象。由于斗杆在伸出和缩回时的状况不同,因此选择斗杆液压缸缩回这一过程为研究对象,采集这一过程的信号变量。为了减少外部因素对实验结果的可能干扰,需要将一些外部输入变量值设定为常量[5],如下所示:
1) 发动机的转速设定为2200r/min。
2) 动臂液压缸及铲斗液压缸均伸出到极限位置,固定不变。
4.4 训练样本及检验样本
本文采取交叉验证(cross validation)的方法,训练样本约占整个样本的70%,检验样本约占整个样本的30%,训练样本用于训练建立模型,检验样本用于检验模型的正确性。训练样本及检验样本的数目如表1所示:
5 建模
5.1 时滞长度及高斯成分数目的选择
按照平行分析法,比较各个时滞条件下所反映的静、动态关系的数目,选取时滞长度为2。
其对应的增广矩阵为:
X(s)=[X(t),X(t-1),X(t-2)]
本文的目的是建立挖掘机液压系统故障检测模型用以判断挖掘机液压系统是否处于正常状态,而不对故障进行隔离,结果只有两种,即正常与不正常,因此选取高斯成分数目为2。
5.2 结果
在运用EM算法进行计算时,初始值{ωundefined,μi(0),∑i}构成的矩阵W(0),U(0),∑(0)不同,结果也不同,但基本都能够很好的进行聚类。本文取W(0)=[0.6 0.2],U(0)为118×2的随机矩阵,∑(0)为118×118×2的随机矩阵。
如表1所示,取不同数目的训练样本和检验样本时,所建故障检测模型对训练样本及检验样本的错误识别率如图4所示。随着训练样本的增加,故障检测模型对训练样本的错误识别率增加,而对检验样本的错误识别率随之减小。当训练样本达到800以上时,所建故障检测模型对训练样本和检验样本的错误识别率趋于不变,约为5%,对样本的正确识别率达到95%以上。
6 结语
在合理选择训练样本数目的前提下,本文采用的基于动态PCA和GMM的方法对样本的正确识别率达到95%以上,可以有效的用于挖掘机液压系统故障检测。
参考文献
[1]金毅,项昌乐,马越.车辆液压系统遗传神经网络诊断技术研究[J].流体传动与控制,2009(7):1-4.
[2]Ethem Alpaydin著,机器学习导论[M].范明,昝红英,牛常勇,译.北京:机械工业出版社,2009.6.
[3]何清波.多元统计分析在设备状态监测诊断中的应用研究[D].杭州:浙江大学,2007.
[4]Wenfu Ku,RobertH.Storer,Christos Georgakis.Disturbancedetection and isolation by dynamic principalcomponent analysis[J].Chemometrics and Intelligent Laboratory Systems,1995,30(1):179-196.
[5]贺湘宇.挖掘机液压系统故障诊断方法研究[D].长沙:中南大学,2008.
[6]Li W H,Oin S J.Consistent Dynamic PCA Based on Errors-in-variables Subspace Identification[J].Journal of Process Control,2001,(11):661—678.
动态GMM 篇4
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GMM 篇5
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.