面板数据协整模型（共7篇）
面板数据协整模型 篇1
能源是人类赖以生存繁衍、社会得以繁荣进步、国民经济能够发展以及人民生活水平可以提高的重要物质基础,随着经济的快速发展,能源所起的作用也越来越重要。19世纪欧洲工业化的地理格局与地下煤的分布几乎是吻合的,而且工业产值的高低与煤炭产量的高低也呈现正相关的关系。作为世界上最大的发展中国家,中国是一个能源生产和消费大国。能源生产量仅次于美国和俄罗斯居世界第三位,基本能源消费占世界总消费量的1/10,仅次于美国,居世界第二位,而中国是煤炭第一生产大国和第一消费大国[1]。
山西是我国的重要能源基地,其中尤以煤炭闻名全国,有“乌金之乡” 的美誉。山西煤炭储量大,分布广,品种全,质量优。全省有大同、宁武、西山、沁水、霍西、河东等六大煤田及浑源、五台、垣曲、平陆、繁峙、广灵、灵邱等煤产地,煤炭资源遍布全省91个县(市、区),含煤面积6.48万平方千米,约占全省总面积的40%。截止至2003年底,山西省大同、宁武、西山、河东、沁水、霍西六大煤田及若干小型煤产地查明及预测的2 000米以浅的煤炭资源总量为6 552.02亿吨(其中1 200米以浅的为3 945.29亿吨),占全国查明及预测煤炭资源总量55 731.60亿吨的11.8%,仅次于新疆和内蒙,全省保有查明煤炭资源储量2 652.84亿吨,占全国保有查明资源储量10 210.56亿吨的26%,居全国之首[2]。从1949年到2008年间,山西共生产煤炭近105.24亿吨,占全国生产总量的1/4以上。
本文以1989年—2008年的煤炭产量及全省GDP的数据为依托,运用协整分析的理论方法研究两者之间的内在关系。
1 相关理论介绍
协整理论(co-integration) 是20世纪80年代中后期以来数量经济学领域应用较为广泛的一种建模理论。它从分析时间序列的非平稳性着手,探求非平稳经济变量间蕴含的长期均衡关系,对传统的数量经济模型,尤其是动态模型,进行了较为清晰的描述,澄清了传统的数量经济学统计推断中一些较为模糊的概念。[3]
经典计量经济学所隐含的重要假设之一就是数据的平稳性,以保证普通最小二乘法得到的估计量是一致的。然而现实中许多数据都不具有平稳性的特征,由此得到的统计量对模型估计结果进行的推断往往是不正确的,回归可能是无意义的“伪回归”。 常用的解决办法是对非平稳序列进行差分,然后用差分后的序列建模,但是这样往往会丢失数据中包含的长期调整信息。协整理论把时间序列分析中的短期动态模型与长期均衡模型的优点结合起来,为非平稳时间序列的建模提供了有力的理论和很好的解决方法。
1.1 单位根检验
协整分析之前必须检验序列的平稳性和单整阶数,因为存在协整关系的前提是两者必须是同阶单整的。
如果一个随机过程的均值、方差和自协方差在时间过程上都是常数,并且在任何两时期的协方差值仅依赖于该两时期间的距离或滞后,而不依赖于计算这个协方差的实际时间,就称这个序列为平稳的[4]。
单整(Integration)的定义:一个具有非确定性分量的时间序列{Xt},如果在差分d次后具有平稳的、可逆的(ARMA)表达式,而在差分d-1后仍是非平稳的,则称该时间序列具有d阶单整性,记为Xt~I(d)。显然,平稳序列一般可以表示为I(0)。[5]
单位根检验的方法有很多,其中用的比较广泛的是DF检验方法与ADF检验方法。但由于DF检验有一定的局限性:①数据生成过程未知,有可能包含滑动平均部分;②可能包含不止一个滞后项,如果实际数据生成过程是AR(p)模型,估计出的ρ及其标准差是错误的;③DF检验方法只考虑了一个单位根,不可以考虑多于一个单位根的情况[6]。因此,本文使用ADF检验方法,其一般形式为[7]:
undefined
其中,Yt是待检验的时间序列,α是常数项,t是时间趋势,P是滞后值,ξt是随机误差项。ADF值根据回归方程的标准误差计算,如果ADF值小于临界值,则时间序列是平稳的;如果ADF值大于临界值,则时间序列是非平稳的。
1.2 协整关系检验
Engle和Granger给出的协整定义为:对于m维向量时间序列{Xt},如果①{Xt}的分量序列为I(d)序列;②存在一个向量α≠0,使得αTXt~I(d-b),b>0,则称{Xt}的分量序列存在(d,b)阶协整关系,记为Xt~CI(d,b),而α称作协整向量。协整关系描述了经济系统的长期均衡关系。具体来说,他描述了两个或多个非平稳时间序列的均衡关系,虽然每个时间序列的矩,如均值、方差或协方差等随时间变化,但这些序列的某种线性组合(均衡关系)的矩具有时不变的特征。[5]
对时间变量进行非平稳性的单位根检验,一旦确定了它们的单整阶数是相同的,那么接下来就对它们的协整关系进行检验。检验序列之间是否存在协整关系的方法主要有两种:一种是Engle-Granger二阶段检验法,另一种是Johansen与Juselius的极大似然检验法。EG两步法只能适合于单方程的协整检验,而JJ法不仅能检验变量之间是否有协整关系,而且还可以确定协整向量个数。由于本文只涉及两个变量,所以选择EG两步检验法进行协整关系的检验,即首先,利用OLS对回归方程Yt=α+βXt+εt进行估计;然后,检验残差是否是平稳的。如果时间序列之间不存在协整关系,那么这些残差中一定存在单位根;如果时间序列之间存在协整关系,那么残差将是平稳的。
1.3 误差修正模型
根据格兰杰表示定理,具有协整关系的一组变量都可以建立误差修正模型(ECM),ECM的基本形式是由Davidson、Hendry、Srba和Yeo在1978年提出来的,称为DHSY模型。误差修正项包含了长期均衡关系,其系数则反映了对偏离长期均衡的调整力度。ECM模型的优点在于它揭示了变量之间长期关系和短期关系的途径,为进行时间序列分析提供了统一的框架。
1.4 Granger因果关系分析
常用的序列之间因果关系的检验方法是格兰杰(Granger)因果检验。Granger和Sim提出的因果关系检验法的基本思想是:如果变量X对预测变量Y有帮助,即根据变量Y的过去值对Y进行自回归时,如果再加上变量X的过去值,能显著增强回归的解释能力,则称变量X是变量Y的格兰杰原因;否则,称为非格兰杰原因。
首先对下面两个模型进行估计,检验“X不是引起y变化的原因”的原假设
无假设条件回归:undefined(2)
有假设条件回归:undefined(3)
通过两个方程的残差平方和,我们可以计算出F统计量,检验第一个方程中β1,β2,……,βm是否同时显著不为零,若同时显著不为零,拒绝原假设。同样的检验“Y不是引起X变化的原因”的原假设,检验Y的滞后项是否显著不为零。[8]
2 实证分析
2.1 数据的选择
本文对山西煤炭产量与经济增长的实证分析所采用的数据是从《山西经济年鉴2008》与中华人民共和国国家统计局2009年的《中国统计年鉴》中按当年价格计算得出的GDP绝对数,以及从《中国煤炭工业年鉴2008(增刊)》中得到的原煤产量数据。为了消除时间序列数据的异方差性影响,对其变量取自然对数,记为LGDP和LCP。
资料来源:《山西经济年鉴2008》及中华人民共和国国家统计局2009年的《中国统计年鉴》和《中国煤炭工业年鉴2008(增刊)》
2.2 山西省国民生产总值与煤炭产量序列的单位根检验
在对数据进行协整检验前,需要对所有的时间序列做单位根检验以检验其是否是平稳的。本文采用ADF检验方法来检验时间序列的平稳性,对序列的原序列及取对数后的序列和其一阶差分序列进行检验。
运用Eviews3.1对GDP、CP、LGDP、LCP分别做ADF检验,根据AIC与SC准则来确定滞后阶数,检验结果如表2所示:
从上表中可以看出,原序列GDP、CP、LGDP和LCP的ADF统计值均大于各个水平下的临界值,所以,它们都是非平稳序列;其一阶差分序列D(LGDP)和D(LCP)分别在10%与5%临界水平下的临界值大于其ADF统计值,所以两者有90%与95%的可能性是平稳的,由此可认为,序列LGDP和LCP是一阶单整序列,可进行协整分析。
2.3 协整性检验
对山西国内生产总值和煤炭产量序列取自然对数后的新变量LGDP和LCP做协整检验。首先,以LCP为被解释变量,LGDP为解释变量,用OLS回归方法估计回归模型,结果如下:
LGDP=-15.720 83+2.199 874LCP+ξt (4)
t值 (-3.711 615) (5.452 361)
R2=0.622865 Adjusted R2=0.601913
然后,对残差εt序列进行单位根检验。利用软件Eviews3.1,根据AIC与SC准则确定滞后阶数为1,得到的结果如表3:
由于残差εt的ADF统计值小于5%临界水平下的临界值,从而表明残差序列不存在单位根,是平稳序列,说明国内生产总值(GDP)和煤炭产量(CP)之间存在协整关系,表明两者之间有长期均衡关系。
2.4 误差修正模型
对于(1,1)阶自回归分布的滞后模型:
Yt=β0+β1Xt +β2Yt-1+β3Xt-1+ξt (5)
差分整理后即得到误差修正模型:
Yt =β0+β1△Xt+(β2-1)Yt-1+(β1+β3)Xt-1 +ξt (6)
=β0+β1△Xt+(β2-1)[Yt-1-(β1+β3/1-β2)Xt-1]+ξt
若令ecmt=Yt-(β1+β3/1-β2)Xt,α=β2-1,则模型变为
Yt =β0+β1△Xt +αecmt-1 +ξt (7)
式中:△Yt代表被解释变量的短期波动,△Xt为解释变量的短期波动,ecmt-1代表的则是两个变量之间关系对长期均衡的偏离,即上一期变量偏离均衡水平的误差,称为误差修正项。α称为修正系数,反映Y对均衡偏离的修正速度。因此被解释变量的短期波动可以分解成两个部分:一部分为解释变量的短期波动影响,另一部分为长期均衡的调节效应。模型中β2通常小于1,所以ecmt-1的系数α通常小于0。这意味着前一期X对Y解释不足,有正的误差时,会减少Y的正向波动或增加其负向波动,反之则反是。这说明,该模型有一种对前期误差的自动修正作用,因此被称为“误差修正模型”。误差修正模型的自动调整机制类似于适应性预期模型。若误差修正项的系数α在统计上是显著的,它将告诉我们Y在一个时期里的失衡有多大一个比例部分可在下一期得到纠正,或者更应该说“失衡”对下一期Y水平变化的影响的大小。[9]
由于LGDP与LCP存在协整关系,所以可建立如下的误差修正模型:
LGDPt=0.611680△LCPt-0.051473ECMt-1
T值 (27.44937) (-1.820751)
-0.085951△LGDPt-1 (8)
(-2,463924)
R2=0.997730 Adjusted R2=0.997463
ECMt-1= LGDPt-1-2.199874LCPt-1+15.72083 (9)
这里,误差修正项的系数为-0.051 473,显著小于零,符号反向修正机制,表明煤炭产量与国内生产总值之间存在长期均衡关系。ECMt-1的系数表明5.15%左右的偏离均衡部分会在一年内得以调整,调整的幅度相对较小。
2.5 格兰杰因果关系检验
运用Granger因果关系检验来研究山西国内生产总值(GDP)与煤炭产量(CP)之间关系的基本思路是:假定有两个经济变量,一个是山西国内生产总值GDP,另一个是山西煤炭产量CP;若这两个经济变量在同时包含过去GDP和CP信息的条件下,对GDP的预测效果比单独由GDP的过去信息对GDP的预测效果更好的话,即变量CP有利于变量GDP预测精度的改善,那么我们认为CP对GDP存在Granger因果关系。利用Eviews3.1得到格兰杰因果关系检验的结果为:
由检验结果可以看出,GDP与CP之间存在双向的格兰杰因果关系,即二者是相互影响的。GDP是CP的格兰杰因果关系,其概率为68.405%(1-0.31595),且CP也是GDP的格兰杰因果关系,其概率为93.85%(1-0.0615)。
3 结论与建议
首先,山西国内生产总值(GDP)与煤炭产量(CP)之间存在协整关系:CP每增加1%,GDP就增加219.99%。因此,可以考虑从增加煤炭产量方面来提高GDP。
其次,误差修正模型表明表明山西省煤炭产量与国内生产总值之间存在长期均衡关系且ECMt-1的系数表明5.15%左右的偏离均衡部分会在一年内得以调整,调整的幅度相对较小。
最后,格兰杰因果检验结果表明GDP是CP的因果关系,即经济增长是煤炭产量提高的原因;同时,CP也是GDP的因果关系,即增加煤炭产量可以促进经济增长,二者是相互影响的,而且,从其概率来看,煤炭产量对经济增长的促进作用(概率为93.85%)要比经济增长提高煤炭产量的作用(概率为68.405%)大。
山西是一个煤炭大省,煤炭资源无疑是其经济增长的支柱产业,对经济增长有很高的贡献率,但煤炭是不可再生资源,无论多丰裕的煤炭储量,总会有枯竭的一天;而且煤炭的开采与使用还会带来一系列的负面效应,这些都要求我们要合理开采与使用煤炭资源。首先,要提高煤炭开采的回采率并降低百万吨死亡率,减少资源浪费与人力损失;其次,要提高煤炭的利用效率,推进地方小煤矿采煤方法的改革,减少生态破坏与环境污染,实现资源与环境的可持续发展;再次,大力推进山西转型发展,实现煤炭大省向新型能源和煤化工大省的跨越。
参考文献
[1]孙祥斌.山东省煤炭资源与经济发展的关系研究[D].青岛:山东科技大学,2006.
[2]中国煤炭工业年鉴2008(增刊)[M].北京:《中国煤炭工业年鉴》编辑部出版,2010:273.
[3]刘璐,杨宝臣,刘建秋.协整建模及应用[J].哈尔滨理工大学学报,2001,6(3):83-85.
[4]茹海燕.煤炭消费与经济增长的关系研究[D].西安:西北大学,2001.
[5]张世英,樊智.协整理论与波动模型[M].北京:清华大学出版社,2009:18,68.
[6]刘洋.基于MCMC的协整分析研究及应用[D].武汉:武汉理工大学,2008.
[7]李艳红.ECM模型对经济增长与电力能源消费的协整关系分析[J].管理观察,2009(14).
[8]易丹辉.数据分析与Eviews应用[M].北京:中国人民出版社,2008.
[9]张利亚.基于协整与误差修正模型的预测[D].武汉:武汉科技大学,2006.
面板数据协整模型 篇2
通信业的发展改变了人类的生产和生活方式,作为社会基础设施和经济发展的基本要素,通信业日益成为世界发达国家和地区经济发展的重要推动力。按照罗默(1986)和卢卡斯(1989)的“新经济增长理论”,经济增长并非外部力量推动的结果,而是经济体系内部力量如内生技术进步推动的结果,内生经济增长的源泉是知识积累与技术进步。信息通信业对经济增长的促进作用表现在两个方面:一方面信息通信业的发展成为经济增长的直接动力;另一方面,信息化促进了内生技术进步, 是经济增长的源泉。“新经济增长理论”同时认为,内生的技术进步与一个经济体自身的制度、经济环境、文化传统、文化背景等密切相关,因而内生技术进步不是靠简单地把先进技术照抄照搬就能够实现的。
我国工业和信息化部公布的统计数据显示, 2009年信息通信业(包括通信运营和电子制造业)对我国GDP直接贡献度为7个百分点,其中电信业贡献3个百分点。2009 年我国电子信息产业产值占全部工业的比重在10%左右,而同期我国通信业产值占信息产业比重高达30%以上。但同时我们看到,我国地域广阔,东、中、西部省份经济发展和信息通信业发展水平差异巨大。本文统计数据显示,东部发达省份电信业务总量占全国接近60%的份额,而西部十个省份占比不足五分之一。东部发达省份凭借优越的地理位置、良好的经济基础以及对信息化发展高度重视,信息通信业广泛应用于电子政务、电子商务等领域。近年来,随着传统电信业务比重及电信综合价格水平的持续下降,电信企业积极拓宽业务领域,推动业务转型,同时凭借良好的产业环境和政府的大力支持,积极向传统产业渗透,走信息通信业与工业融合的道路,而西部地区经济发展起点低,在信息资源开发与利用能力、信息化人才与人口素质、地区对信息产业发展的支持状况等方面都与东部地区存在很大差距。近年来在西部大开发战略推动下,信息产业在西部地区逐渐受到重视,信息产业增加值占GDP比重及通信业增长率均高于全国平均水平(参图1)。
一种新技术在不同地区经济发展中的应用,受区域经济发展状况和产业环境的影响制约,研究通信业对我国区域经济发展影响差异,进而通过区域政策扶持为信息通信业提供经济持续增长的动力至关重要。
我国有关通信产业作用方面的研究取得了一些成果。杨培芳(2009)对现代通信业对社会、经济的作用进行了归纳研究,指出通信业具有极强的网络外部经济性,能够促进农业的集约化发展和实现无人化柔性生产;同时指出通信技术的运用降低了企业运营成本及能源消耗,对我国“两化”融合与通信业发展中的问题进行了分析[1]。计量和实证研究文献方面,王悦(2007)通过相关性分析和格兰杰因果检验分析等,发现我国信息产业增加值与GDP总量之间有极强的相关性,信息产业增加值增长率是GDP增长率的格兰杰成因;[2]耕实(2001)构建了信息化指数测度模型,运用计量经济学的方法,研究了信息化指数与GDP指数之间的相关关系,分析了信息化因素对经济增长的影响;[3]俞立平(2009) 基于向量自回归模型对工业化与信息化的关系进行了分析,结果表明信息化是工业化的格兰杰原因,但工业化不是信息化的格兰杰原因,信息化的发展能够带动工业化的发展[4]。目前关于通信业与经济发展的计量实证研究文献方面,李艳燕(2006)将国内部门分为通信产业部门和非通信产业部门,并以这两部门的生产函数为基础进行计量分析,结果表明通信业对经济增长的综合边际产出贡献度高[5]。
总体来讲,目前有关我国通信业与经济增长关系的研究,大多是根据全国数据进行简单回归,没有充分考虑我国不同省份间的差异性,无法衡量出通信业对不同经济发展水平地区的影响差异。本文基于我国东、中、西部省份通信业与经济发展的面板数据进行实证分析,比较通信业在我国不同区域的影响程度,力图为区域信息产业政策的科学决策提供参考。
2 数据选取与计量模型
2.1 数据和变量选择
本文选取2003—2009年各省份的通信业务总量ywzl和经济增长gdp的相关指标,对通信产业和经济增长关系进行分析。通信业务总量的计算使用不变单价计算以剔除历年价格变动的影响,该指标适合用于对通信业(或企业)产值进行纵向变动比较。近年来由于电信企业竞争的加剧导致电信价格变动剧烈,电信业务总量数据与主营收入数据离异趋势加大,因而本文选用通信业务总量指标来衡量通信业的发展状况;同时,为了消除异方差以及更方便考察二变量增长率变化的线性关系,取二者的自然对数作为分析变量,分别以lngdp和lnywzl表示。
为进一步分析通信业对于区域经济发展的差异性影响,本文根据国家发改委的划分标准将29个省市自治区分为东部、中部和西部三个区域。其中,东部地区包括11个省级行政区,分别是:北京,天津,河北,辽宁,上海,江苏,浙江,福建,山东,广东,海南;中部地区包括8个省级行政区,分别是:黑龙江,吉林,山西,安徽,江西,河南,湖北,湖南;西部地区包括10个省级行政区,分别是:四川,贵州,云南,陕西,甘肃,青海,宁夏,新疆,广西,内蒙古,西藏。相关数据取自《中国统计年鉴》、《中国通信年鉴》及各省的统计年鉴等。文中实证分析使用Eviews6.0软件。
2.2 数据的统计描述及模型设定
我国中、东、西部地区近年通信业务总量均保持较快增长,尤其西部地区增长迅速。本文统计数据显示2003—2009年以业务总量衡量的我国通信产业增长速度保持在15%至40%之间,东部地区平均年增长率达到24.1%,西部地区为29.4%。近年东部地区通信增长趋势有所减缓,而西部地区2009年的业务总量仍保持了22.5%的快速增长(见图1)。
相关系数是用以反映变量之间相关关系密切程度的统计指标。按照卡尔·皮尔逊设计的相关系数统计指标,可以获得ywzl与gdp的相关系数矩阵(见表1)。从中可以看出,二变量的相关系数达到0.997,说明我国通信产业的发展与经济发展是高度相关的。
进一步从ywzl与gdp的散点图(见图2)中也可以直观地看出,通信产业的业务总量与经济增长关系密切,两个指标基本具有相同的变化和增长趋势,可能有协整关系存在,需要进一步运用面板数据分析对二者关系进行计量研究,揭示其内在联系。
根据上述描述和分析,设定回归模型如下:
lngdpj,it=aj+βjlnywzlj,it+uj,it
其中,j=1,2,3分别代表东部、中部和西部;i=1,2,…Nj;Nj分别代表东中西部包含地区个数,N1=11,N2=8,N3=10;t表示时间期间;βj反映不同地区通信业对经济影响的差异。
3 实证研究
3.1 变量单位根和协整检验
一些非平稳的经济时间序列往往表现出共同的变化趋势,而这些序列间本身不一定有直接的关联,这种情况被称为虚假回归或伪回归(spurious regression)[6]。为了避免伪回归,必须首先对各面板序列的平稳性进行检验,即常用的单位根检验。如果单位根检验发现变量间是同阶单整的,则接受变量之间可能有协整关系和存在长期均衡。协整的要求或前提是同阶单整。
面板数据的单位根检验方法通常分为相同根单位根检验和不同根单位根检验两类。本文采用相同根单位根检验LLC(Levin-Lin-Chu)检验和不同根单位根检验的Fisher-ADF检验及Fisher-PP检验。上述三个检验原假设均为存在有效的单位根过程,如果在检验中拒绝存在单位根的原假设,则我们说此序列是平稳的,反之则不平稳。对各变量分别进行检验,结果发现各变量的原值是不稳定的。具体来看,Fisher-ADF和 Fisher-PP检验表明所有变量原值均为不稳定,LLC检验表明除了东部和西部的lngdp变量在10%的显著性水平下稳定外,其余变量均为不稳定,因而总体可以得到结论:所有变量的原值均不稳定,而一阶差分值的检验显示所有变量均至少在5%的显著性水平下稳定,说明所有变量的一阶差分值均是稳定的(见表2)。
注:6-8列为一阶差分值,***、**、*分别为表示估计系数在1%、5%和10%置信度水平显著。检验过程中变量使用有截距项的单位根检验。
上述面板单位根检验的结果表明,各地区的变量均为一阶单整过程I(1),变量间可能存在协整关系,需要进一步对其进行协整检验。协整检验方法可以分为两类:一类是建立在Engle-Granger 二步法检验基础上的面板协整检验,具体方法主要有Pedroni检验和Kao检验;另一类是建立在Johansen协整检验基础上的面板协整检验。Pedroni(1999)以协整方程的回归残差为基础构造了7个趋于正态分布的统计量来检验面板变量的协整关系[7]。Kao(1999)、Kao 和Chiang(2000)利用推广的DF和ADF检验提出了检验面板协整的方法,Kao检验与Pedroni检验遵循相同的基本方法,但Kao检验在第一阶段将回归方程设定为每一个截面个体有不同的截距项和相同的系数[8]。本文采用Pedroni和Kao提出的方法对变量的协整关系进行检验,检验的原假设均为面板变量间不存在协整关系。Pedroni指出在小样本条件下其中的Panel ADF和Group ADF统计量较其他统计量有着更好的性质,考虑到本文数据的小样本性质,在Pedroni检验中只使用Panel ADF和Group ADF统计量。根据检验结果(见表3),在有截距项条件下所有Kao检验与Pedroni检验的Panel ADF和Group ADF统计量均至少在1%的显著水平上拒绝不存在协整关系的假设,因而可以直接进行回归分析,不存在伪回归。
注:(***)括号内为P值。Pedroni检验为有截距项无时间趋势项下结果。
注:其中(***)括号内为t统计量。
3.2 面板模型的选择与回归
在面板数据模型的选择方法上,首先构造F统计量检验决定选用混合模型还是固定效应模型,进而应用Hausman检验确定应该建立随机效应模型还是固定效应模型。依据F统计量检验及Hausman检验结果,显示本文方程适合使用固定效应模型进行回归[9],结果如表4所示。
4 结论与启示
实证分析结果显示,我国东、中、西部地区城市的通信业与经济发展增长率之间存在协整关系,通信业发展与经济发展在三个区域均为显著正相关,但存在差异。东部省份通信业对区域经济发展的促进作用最大,增长率相关系数高达71.02%,西部省份次之,而中部地区促进作用最小,比东部低约六个百分点。
东部地区在经历了先前快速增长后,近年来凭借良好的产业环境和政策环境,大力发展现代产业体系,推进信息化与工业化融合的进程,使信息化逐渐渗透到社会化工业生产环节,通信行业自身也在三网融合的大背景下积极创新产业形态,因而东部地区通信业对经济仍保持了较高的提升水平,这也得到了实证研究结果的验证。中部地区经济发展起点高于西部地区,然而近年来由于受到区域经济发展水平、信息化环境、人才素质、政策支持等因素的制约,信息化进程遇到发展瓶颈。西部地区由于经济发展起点低,目前仍极大受益于信息通信业投资建设提供的基本服务,通信业为传统产业带来劳动生产率和资源利用率的提高。
对于东部发达省份,除了自身的网络技术、体系结构和经营方式的变革外,未来的通信信息业应更密切关注传统产业的发展和转型,通过向传统产业的渗透,使传统产业出现从供应链、企业组织到消费结构的结构性变化,进而带动经济增长。未来,随着社会经济水平的不断提高和通信技术更普遍应用,中、西部地区通信业提供的基本服务会逐渐失去提升企业竞争力的作用,通信业的发展也会面临业务转型和产业形态创新,中、西部电信业应有忧患意识,借鉴东部地区成功经验,在人才培养、信息化环境方面加大政策扶持力度,走信息通信业和工业化结合的道路。这也是我国未来通信业发展的方向,是我国未来经济持续增长的重要保障。
参考文献
[1]杨培芳.“两化”融合与我国通信业[J].北京:电信软科学研究,2009(5):27-38
[2]王悦.我国信息产业对经济增长促进作用的计量分析[J].统计与决策,2007(12):71-74
[3]耕实,陈国伟,赵秀恒.信息化对经济增长影响的量化分析[J].高校社科信息,2001(5):22-26
[4]俞立平,潘云涛,武夷山.工业化与信息化互动关系的实证研究[J].中国软科学,2009(1):34-40
[5]李艳燕.通信业对国民经济增长贡献的计量分析[J].西安邮电学院学报,2007(2):28-30
[6]李子奈,叶阿忠.高等计量经济学[M].北京:清华大学出版社,2000
[7]PEDRONI P.Critical values for cointegration tests in heterogeneouspanels with multiple regressors[J].Oxford Bulletin of Economicsand Statistics,1999(61):653-670
[8]KAO C.Spurious regression&residual-based tests for cointegrationin panel atas[J].Journal of Econometrics,1999(9):1-44
面板数据协整模型 篇3
计量经济学在经济学科中的地位日益提高, 成为了一种实证研究或经验研究中不可缺少的工具。随着现代数据采集技术的提高, 出现了越来越多的用于经济科学研究的数据库。一方面, 这为计量经济学的发展提供了现实基础, 另一方面, 数据结构复杂程度的提高也要求计量经济学方法论的新发展, 能够对复杂的大数据集提供合适的建模和估计方法。面板数据模型就是针对于时间序列与横截面混合数据进行建模和估计的一种计量经济学方法, 面板数据模型克服了横截面模型和时间序列模型的一些缺陷, 是现在计量经济学理论与应用研究的一个重要研究方向, 其中交互效应面板数据模型又是近年来面板数据模型的一个重要的发展, 属于计量经济学的前沿研究领域。
二、面板数据模型的不足之处
面板数据模型尽管与时间序列或横截面模型相比具有巨大的优势, 但面板数据模型本身也还是存在一些不足之处, 其中经典面板数据模型中个体效应与时间效应的引入方式就存在可以改进的地方。经典的面板数据模型分为静态面板数据模型与动态面板数据模型。静态面板数据模型就是在解释变量中没有包含被解释变量的滞后项, 这是面板数据模型的早期模型设定形式。以前因为面板数据集的数据采集时间比较短, 面板数据集的数据结构只能以短面板的形式存在。所以由于样本的限制, 很难观测变量的动态调整过程。静态面板数据模型中又分为固定效应模型与随机效应模型。固定效应模型简单来说就是将观测个体的异质性以虚拟变量的形式引入进模型, 将隐形的个体差异显性化从而消除解释变量的内生性, 经典的估计方法包括组内离差估计法与LSDV估计 (虚拟变量最小二乘估计) , 在数学上可以证明组内离差估计与LSDV估计实际上是等价的, 只是LSDV估计结果包含的信息更丰富一些, 能够估计出各个观测个体的个体差异。随机效应模型就是假定了个体效应与时间效应跟解释变量没有内在的联系, 个体差异与时间上的差异是随机出现的。在这样的假定下, 随机效应模型的解释变量没有内生性的问题, OLS (最小二乘估计) 仍然是一致的, 但却不是最有效的, 这是因为随机效应模型的随机扰动项由两部分构成:随机误差扰动项与个体效应或时间效应扰动项, 显然模型的扰动项的方差会更大一些。针对这种情况, 要想得到更有效的估计量, 就只能用FGLS (可行广义最小二乘法) , 即先对模型做一个广义差分变换, 然后再用OLS进行估计。动态面板模型是后来出现的一种模型设定形式, 因为面板数据采集的时间跨度越来越长, 出现了大量长面板的面板数据集, 这样就可以观测变量的持续性和平稳性。平稳性问题要求对面板数据进行面板单位根检验, 持续性的问题要求构建动态面板数据模型。动态面板模型的设定就是往解释变量中引入被解释变量的滞后项, 这样通过滞后项的估计系数就可以测度被解释变量的动态变化性质。例如, 在通货膨胀的动态面板模型中, 滞后项一般可以解释成为通胀的适应性预期, 而滞后项的估计系数可以解释为人们的通胀预期如何影响当期的通胀水平, 这样的建模思路也与经济理论是一致的, 因为根据修正的菲利普斯曲线, 预期对通胀有显著的影响。尽管经典的面板数据模型从模型的设定与参数的估计都有了比较成熟的理论, 但无论是静态面板数据模型还是动态面板数据模型, 个体效应与时间效应的引入方式都是加法效应的引入形式;这种引入形式尽管比较简单, 给模型的参数估计带来了方便, 但却是与现实情况不相吻合的。具体来说, 可以将时间效应看做一个不随个体变化的时间序列数据, 从这样的角度来看, 时间效应就是各个个体面临的一个共同冲击, 但加法形式的引入形式就是默认了每个个体对于这个共同冲击做出了相同的反应, 这显然是与经济常识相违背的。例如, 在分析我国的通货膨胀时, 如果采用的数据是省级面板数据, 则时间效应可以看作是影响各个省通货膨胀的一个共同冲击。比如利率就是一个这样的共同冲击, 利率是由央行调节的, 每个省只能被动的接受给定的利率水平, 因此利率对于各个省份的通货膨胀而言就是一个共同冲击, 显然从经济常识来看, 各个省份的通胀对于利率变化的冲击反应应该是不一样的, 有的省份通胀可能对于利率冲击反应敏感, 有的省份可能反应相对迟钝。但是如果用加法形式的面板数据模型来建模, 也就默认了各个省份通胀对于共同因子冲击的反应是一样的, 因此通常在实证研究中被广泛采用的面板数据模型实际上是存在设定偏误的, 这样的模型设定偏误一个方面是可能造成参数估计的非一致性, 另一个方面是可能会遗漏掉一些重要的信息。
三、交互效应面板数据模型的优势与估计方法
针对于上面提到的面板数据模型存在的不足之处, Bai (2009) 提出了交互效应静态面板数据模型, 简单来说就是将时间效应与个体效应以乘法的形式引入。时间效应仍然可以视为各个个体面临的共同冲击, 而个体效应可以看作每个观测个体对于共同冲击的不同反应。这样对于前面的省级通胀的研究例案例来说, 利率仍然还是各省面临的共同因子冲击, 但交互效应面板数据模型能够估计出每个省对于利率冲击的不同反应。这样的模型设定一方面与现实更加吻合, 减少模型设定偏误;另一方面, 交互效应面板数据模型的估计结果包含更多的信息, 研究结论也更具针对性。例如, 如能估计出利率对于各省通胀的不同影响, 则通胀的调控就更具有针对性, 能够根据各个省的具体情况区别对待。
Bai (2010) 在静态面板数据的基础上进一步提出了交互效应的动态面板数据模型。尽管交互效应动态面板数据模型与交互效应静态面板数据模型只有一字之差, 但交互效应动态面板数据模型的参数估计却变得非常困难。在动态面板数据模型中, 无论个体效应是固定效应还是随机效应, 固定效应的LSDV和随机效应的GLS估计都是有偏的并且非一致的。其原因在于, 动态面板数据模型存在固有的内生性问题。传统的动态面板数据模型的参数估计方法分为三种:差分GMM、水平GMM以及系统GMM。Anderson和Hsiao (1981) 提出了差分GMM, 估计思想是首先将动态面板模型做一阶差分, 然后用被解释变量的高阶水平滞后项作为被解释变量差分滞后项的工具变量进行估计, 差分GMM克服了动态面板模型的内生性问题, 得到了一致估计量。Arellano和Bover (1995) 提出了水平GMM, 其估计思路正好与差分GMM是相反的, 是用被解释变量的差分滞后项作为水平滞后项的工具变量进行估计, 从而消除解释变量的内生性问题。Blundell和Bond (1998) 将差分GMM与水平GMM结合在一起, 将差分方程与水平方程作为一个方程系统进行估计, 称为系统GMM。系统GMM的优势是一个方面提高了估计的效率, 另一方面是可以估计不随时间变化的变量系数。但这三种估计方法都要求随机扰动项具有序列无关的假定。这样的假定在交互效应动态面板模型变得很难成立, 因为Bai (2009、2010) 的估计思路是通过对模型的一个正交投影变换消除掉共同因子, 然后再对不含共同因子的模型做参数估计。这在交互效应静态面板数据模型中是可行的, 但在交互效应动态面板模型中, 这样的估计方法是很难保证估计的一致性。因为在对模型进行正交投影变换时, 实际上也对随机扰动项进行了正交投影变换, 那么经过变换后的扰动项一般会产生序列相关, 这样就会导致传统的动态面板估计方法全都失效。目前对于这个估计难题, 有的采用非线性工具变量估计、有的采用基于仿真的极大似然估计方法进行估计, 这些估计方法都属于计量经济学方法论的前沿研究领域, 是当前的热点研究问题。
四、结论
交互效应面板数据模型是计量经济学领域近年来流行起来的一个新的研究方向, 尽管其理论较为复杂, 但该方法是对传统面板数据模型的一次比较大的拓展, 有其重要的理论价值和广泛的应用前景。特别是针对于我国经济学的研究现状, 绝大部分计量经济学研究都停留在实证分析的研究层面, 而在实证研究中, 越来越多的学者采用面板数据模型作为研究工具。因此, 引入这样与现实情况更为吻合的模型具有重要的意义。
摘要：本文从计量经济学的发展演化历程介绍了计量经济学的一个新的发展方向:交互效应面板数据模型。并且从经典面板数据研究方法的不足之处出发, 指出了这种交互效应面板数据模型在理论与应用研究中的重要性。
关键词：计量经济学,面板数据模型,交互效应
参考文献
[1]Bai.J.Panel data models with interactive fixed effects[J].E-conometrica, 2009 (77) .
[2]Bai.J.Likelihood approach to small T dynamic panel models with interactive effects[J].working paper, 2010,
[3]Anderson, T, C.Hsiao.Estimation of Dynamic Models with Error component[J].Journal of the American Statistical Associa-tion, 1981 (76) .
[4]Arellano, M.and O.Bover.Another Look at Instrumental Variable Estimation of Error Components Models[J].Journal of Econometrics, 1995 (68) .
面板数据协整模型 篇4
1.1 动态面板数据模型的基本形式
面板数据(panel data)也称时间序列截面数据或混合数据(pool data),是指在时间序列上取多个截面,在这些截面上同时选取样本观测值所构成的样本数据,也就是把截面数据和时间序列数据融合在一起的数据。最早是Mundlak,Balwstra和Nerlove把面板数据引入到计量经济学中,从此以后,大量关于面板数据的分析方法、研究文章出现在经济管理学、社会学、心理学等领域。和只能反映某个时期不同个体差异的截面数据相比较,面板数据有以下几个优点:首先是面板数据利用了更多数据的信息,提高了自由度和有效性,能得到更有效和更可靠的参数估计量,能估计更为精确复杂的行为方程。其次,面板数据能够更好地检测和度量单纯使用横截面数据或时间序列数据无法观测到的影响。最后,面板数据能更好的研究动态行为的复杂问题,动态面板数据模型就是一个很好的例子。
动态面板数据是研究现象动态行为的一种重要方式,在一个模型中添加动态因素,是对方程理解上的一个变化。在方程中添加滞后变量即右边变量的整个历史,所以所观测的任何影响都以这个历史为条件。假如在面板数据模型右端加入滞后因变量的话,则模型变为动态面板数据模型。其基本形式为
yit=δyi,t-1+X′itβ+μi+νit,
δ是一个常数,β是k×1向量,Xit和yit是解释变量和被解释变量,i=1,2,…,N,t=1,2,…,T。
μi~IID(0,σμ2)νit~IID(0,συ2)
uit=μi+νit。
动态面板数据模型的一个突出优点是通过控制固定效应较好地克服了变量遗漏(omitted variable)问题,而且还较好地克服了反向因果性(reverse causality)问题。和一般的面板数据模型一样,动态面板数据模型也有固定效应模型和随机效应模型。假如μi是待估的固定参数,则模型为固定效应模型,若μi是随机的,则模型是随机效应模型。无论在固定效应模型还是随机效应模型中,即使νit本身不存在自相关,滞后因变量与干扰项也会相关。这就使得νit尽管不存在序列相关,但OLS估计量却是有偏和不一致的估计量(Badi H.Baltagi)[1]。假如,把固定效应模型作为一个含有滞后因变量的普通回归模型来考虑,且把这种情形考虑为一个包含随机解释变量的回归,其中解释变量在不同观测之间彼此相关,则基于T次观测的估计量在有限样本中虽然是有偏误的,但却是一致的。区别在于:此处假定T很小或者不变,所以大样本结论要根据n而非T的不断变大而得到。同样的问题在随机效应模型中更加明显,在动态面板数据的随机效应模型中,滞后因变量与模型中的复合干扰相关,因为对于第i组中的每次观测方程中都会进入同样的μi。虽然上面这些结论都不能使得模型无法估计,但此时最小二乘虚拟变量模型(LSDV)和可行广义最小二乘法(FGLS)不是最有效的估计方法。
1.2 动态面板数据模型的估计
文献中分几个阶段提出了动态面板数据模型一般性的估计方法。一类是工具变量法(IV),如:安德森和萧政建议先采用一阶差分消除μi,然后用滞后两期的因变量的差分项或滞后两期的因变量作为滞后一期的因变量的工具变量来消除异质性。这些工具变量将不再和随机扰动项的差分项△νit相关(只要扰动项νit间不存在序列相关)。但Ahn和Schmidt认为这种工具变量虽然是一致的,但不一定是有效估计量,因为它没利用所有的矩条件,也没有利用残差扰动项的所有差分结构。Arellano认为,在动态面板数据模型中,若采用差分变量作为工具变量将得到方差更大的参数估计值,而采用水平工具变量(例如yi,t-2)得到的估计量具有更小的方差,因此推荐使用此法。
另一类方法是广义矩估计(GMM),代表性学者有:Arellano和Bond,Arellano和Bover,正如Arellano等人及Ahn和Schmidt所证明的,在GMM估计量的背景下,可将样本中更多的信息用于估计。但是,这种被称作差分广义矩估计的方法通常存在弱工具性的问题,在实际回归时,常出现Sargan检验显著拒绝的情形。Arellano和Bover,Blundell和Bond以及Windmeijer对此问题做了研究讨论,并给出了改进的办法,这种方法称为系统广义矩估计(system GMM)的方法,其实质是对初始模型中的前定和内生变量,选择它们的一阶差分的滞后项作为工具变量。一般地,通过调节后,检验工具变量合理性的Sargan检验的统计值得到部分改善。
GMM估计量基本上区别于剔除了个体效应且不随时间变化的模型,这个模型同时也剔除了内生变量,因为内生变量也许会导致回归方程右边的各个体效应间相关。并证明,通过使用更大的一组矩条件,可以使有效性得到改善。但随着有效性的增加,太多的矩条件将导致模型有偏,建议采用这些矩条件数的一个子集来获得权衡有偏的减少和有效性的损失过程中所带来的好处[1]。同时,可以通过利用Arellano和Bond的GMM程序计算出的两个结果来检验误差扰动项中的一阶和二阶序列相关,应该拒绝一阶序列相关存在的原假设,而不能拒绝二阶序列相关的存在。
1.3 动态面板数据模型估计中常遇到的问题
(1)在动态面板数据模型的参数估计中,当用短期面板数据时,采用标准的方法(如极大似然估计ML)进行估计,有偏性通常是不可忽略的;当自回归系数接近于1时,传统的GMM估计方法将遇到有偏和方差上的问题。Christian Gouriéroux,Peter C.B.Phillips,Jun Yu提出的减少有偏性的方法使用间接的推断来校正有偏函数,此时方差仅有小小的增大。同时,在没有偶然趋势项的线性动态面板数据模型中是高度有效的,经过小小的改动后这种方法可以广泛地应用于其他面板数据模型中[2]。
(2)动态面板数据GMM模型的一个特殊性质是:随着时间T的不断变化,矩条件数也不断增大。因此,可以利用Sargan检验法来检验过度识别约束(Badi H.Baltagi)[1]。在绝大多数情况下,模型会严重地过度识别(正交条件远比参数多得多),在GMM估计中,对于过度识别约束的检验照常可基于准则q而进行,在其最小值处,q的极限分布服从χ2分布,其自由度等于总的工具变量个数减去(1+K1+K2+L1+L2)(Bhargava and Sargan)。
(3)对于线性函数形式的动态经济结构关系,大量的学者应用线性动态面板数据模型从计量经济学角度进行了很好的证明(Baltagi,Wooldridge,Arellano,and Hsiao)。事实上,经济学理论上所解释的经济关系通常不是线性关系,而是非线性关系。估计带有不可观察效应的动态非线性面板数据模型,需要合理的设定不可观察效应外生变量的密度函数和因变量的初始观察值,然而,非线性动态面板数据模型的初始条件问题是一个相当困难的事Wooldridge。因此,关于线性或非线性参数动态面板数据模型都是建立在所有的回归系数都是常数的假设之上,具体的结果见Arellano,Hsiao,Baltagi[3,4,5]。Yoon-Jin Lee通过对动态面板数据模型的诊断估计的研究发现,考虑条件异方差来保证合理的有限样本容量是非常重要的,强调了在实践中使用那些对条件异方差和随时间变化的高阶矩条件是稳健的检验,这种检验对多种函数形式的误设定和非线性面板数据模型是具有综合性和有解释力的[6]。
(4)此外,参数化的动态面板数据模型很容易被错误识别。为了解决这些问题,参数化模型可用半参数或非参数的模型来代替,Li和Stengos扩展到半参数面板数据模型,Horowitz和Markatou,Li和Hsiao,Kniesner和Li等继续研究这种情况下的参数估计[7,8,9]。对于动态面板数据的半参数估计的方法,Byeong,Robin和Leopold中考虑了常系数的情况,Cai和Li,Cai和Xiong,Cai和Li中考虑了变系数动态面板数据的非参数估计[10,11,12]。武大勇、张伟、姜凌[19]研究了变系数动态面板数据模型的半参数估计,首先推导出模型所隐含的各种矩条件,然后利用广义矩估计方法得到了模型中未知参数的半参数广义矩估计,最后对于所得到的估计的渐进性和一致性进行证明。
2 动态面板数据模型应用研究的概述
2.1 国外应用研究综述
在国外的实证研究中,动态面板数据模型应用于分析生产函数、R&D问题、经济增长问题、动态外部性和工业结构和经济发展、商业周期、家庭收入、工业贸易、经济增长FDI和出口、区域经济增长、经常账户赤字、公司资本结构等问题上。
Blundell,Bond在研究C-D生产函数时,采用的面板数据横截面很大,时期很短。此时,标准的GMM估计量,虽然通过进行一阶差分消除了不可观察的公司特定效应,但通过他们的研究发现产生不满意的结果(Mairesse和Hall)。他们把这些归因于弱工具变量,滞后水平项和一阶差分序列之间是弱相关。正如Blundell和Bond研究所揭示的那样,使用标准一阶差分GMM估计量将导致有限样本有偏。他们的研究同时发现:通过对初始条件过程采取合理的平稳性限制,将显著的减少有偏性。这就产生了一个扩展的GMM估计量,滞后的一阶差分序列将被用作水平方程的工具变量。同时,Blundell和Bond使用面板数据研究美国制造业公司的R&D执行情况,研究发现在扩展的GMM估计量中增加工具变量是有效和能提供信息的,这种估计量将产生更合理的参数估计量,同时也强调了在生产率变化中允许加入一个自回归成分的重要性[13]。
前面已经指出,一阶差分的GMM估计量是有偏的。Bond,Hoeffle,Temple,利用GMM对经济增长进行实证研究,针对一阶差分GMM估计的有偏性提出了两个解决办法:一个是采用Arellano、Bover,Blundell、Bond发展的系统GMM估计量。这个估计量采用滞后一阶差分变量作为水平方程的工具变量,再与通常的估计方法结合使用。另一个解决办法是通过使用模型中没有包括的变量来加强一阶差分方程中所采用的工具变量的作用,例如在估计基本的索罗模型中通过使用学校注册率作为工具变量。结果表明:经济增长的收敛比率较低,这个结论也说明了在测度趋同率方面,还有许多不确定性需要考虑,不应该排除人力资本的显著外部性。
Bond把动态面板数据的GMM法应用在单个方程中的估计中,选取截面很大、时间很短的微观面板数据来估计自回归滞后分布模型,研究发现:当利率模型中包括内生变量和前定解释变量的时候,这种方法很有用。在一个宽范围的微观经济应用中,GMM估计量可以用来获得一致的参数估计量。然而当可获得的工具变量是弱工具变量时,这种方法将受制于有限样本的有偏性,并且,当对高度一致的序列采用基本的一阶差分估计量时会产生一个问题。仔细观察单个时间序列,比较一致的GMM估计量和像OLS和组内估计这样的简单估计量,将在应用研究中检查和避免这些有偏性。因为在短时间的面板数据中,含有滞后因变量简单估计量的系数是有偏的[14]。Milton Barossi-Flilho实证研究了长期的索罗经济增长模型,利用动态面板数据模型固定效应的单位根检验为收入增长的随机过程提供了很严谨的理论框架,通过动态面板协整分析的方法得出收入增长里大约有1/3是资本贡献的经验证据[15]。Roberto Esposti研究了欧洲区域经济增长和农业政策,建立动态面板数据模型来研究1989—2000年欧洲的206个地区趋同性,采用了GMM估计来获得趋同参数β的一致估计量和条件变量的影响。把yi,t-1作为内生变量,利用工具变量估计量来生成方程的一致估计量。同时采用了GMM-DIFF(进行一阶差分后进行GMM估计)和GMM-SYS(通过增加水平的系统方程到一阶差分方程中的GMM估计)。和前面相似,对于GMM-DIFF和GMM-SYS方程,都采用Arellano和Bond提出的一步和两步估计量,虽然两步中都产生了一致估计量,但第二步中却得到了渐进有效的估计量。结果表明:经济增长的趋同率显著地随着可供选择的参数的变化而变化,此处,可靠的和一致的趋同率估计量在3%~11%间变化,然而从横截面研究中这个比率通常是2%~3%[16]。Maurice J.G.Bun利用包括个体效应和时间效应的动态面板数据研究摩洛哥的工业结构对当地经济发展的影响。因为所选样本时期较短,截面较大,所以利用广义矩估计(GMM)来估计一致估计量,模型的回归项中包括滞后的因变量,模型假定中的所有矩条件都被采用,他们利用Arellano和Bond所提出的办法,对水平方程进行一阶差分来消除个体特定影响,使用滞后的因变量作为矩条件,并采用了一步和两步GMM估计,第二步估计的系数被用偏差修正的渐近标准误差来补充。结果表明,工业结构的专业化和分散性对本地经济发展有显著的积极作用,而竞争效应却和本地经济发展显著负相关[17]。Ralf Dewenter等人利用动态面板数据的GMM估计法研究了澳大利亚的移动通信的需求弹性,包括短期和长期的价格需求弹性。他们认为:GMM估计量的一致性依赖于工具变量的有效性,因此可以利用关于过度识别的Sargan检验来进行估计。他们利用1998年1月—2002年3月的数据进行实证分析,结果发现:公司顾客比私人顾客具有更高的需求弹性;后期支付的顾客比前期支付的顾客具有更高的弹性;长期需求更具有弹性[18]。
2.2 国内研究综述
纵观国内学者的研究成果,动态面板数据模型大多集中用于研究对外贸易和外商直接投资(FDI)、股价波动与股市收益、研发与创新与R&D、公司治理等一系列问题上。
在有关FDI相关问题的研究上,无论是选择进出口贸易还是就业作为研究的解释变量,都得出FDI对我国东部地区有显著的替代效应,对中西部地区的替代效应则相对较弱。如:王少平、封福育[20]、郑月明、董登新[21]。上述学者在进行GMM估计时,先对基本的动态面板数据模型进行差分选取合适的工具变量和产生相应的矩条件方程;其次,还选取适当的加权阵,使得基于估计的假设检验具有稳健性,此处选用的加权矩阵是怀特逐期方差矩阵。这样所产生的估计和检验具有一致性和稳健性。结果表明,FDI对我国不同地区的(对外贸易/就业)影响有显著差异。对东部地区而言,FDI对(对外贸易/就业)有显著的替代效应,而对中、西部地区则效果不明显。此外,祝树金、付晓燕[22]在研究政策优惠、经济环境影响FDI的动态效应与区域差异时,在对模型的处理上也采取了上面王少平等人的具体做法。另外,肖文、周明海,王苍峰,姚远,郑月明、王伟,谭本艳等学者在研究FDI相关问题上,均采用了动态面板数据模型的GMM技术。
童勇[23]采用动态面板数据方法构建了资本结构的动态调整模型。文中指出,尽管可以采用GMM方法获得无偏估计值,但是LSDV估计值的方差比GMM估计值的方差要小得多。如果能够从LSDV估计值中去掉偏差,那么就可以得到一个即无偏又有效的估计值了。文中采用Kiviet给出的方法对LSDV估计值进行纠偏,从而得到无偏有效估计。周黎安、罗凯[24]研究企业规模与创新,采用GMM来解决内生性问题,其中引入的工具变量包括因变量滞后两期及以上项和严格外生的自变量的差分项,采用Sargan检验来检验约束条件受存在过度限制问题。研究表明企业规模与创新的关系要以一定的企业治理结构为条件,单纯的规模化和集团化并不一定能够保证企业的创新能力。彭建平、张建华[25]利用动态面板数据模型GMM估计研究我国R&D投入效果,也是先通过对模型进行一阶差分来选择合适的工具变量,产生相应的矩条件方程。在估计过程中,同样选用了怀特逐期方差矩阵为加权矩阵,所产生的估计和检验具有一致性和稳健性。研究结果表明R&D的产出弹性显著。刘华芳、党兴华研究中国城市最优化水平,采用了广义矩估法(GMM)进行了参数估计,为了消除动态面板数据存在的异方差以及序列相关,采用cross-section SUR加权方法。研究发现城市化水平对人均GDP具有显著的贡献,而中国目前的城市化水平远未达到最优水平[26]。
3 动态面板数据模型有待研究的问题
动态面板数据模型中,没有哪个单个估计量在所有的小样本条件是更好的。因此说明在小样本情况下,GMM估计量效果不是很好,不同的估计量之间不好区分孰优孰劣,估计量在很多时候是有偏的。
面板数据协整模型 篇5
近年来,对物流与经济的回归分析大都局限于时间序列或者截面序列,采用面板数据对其进行回归分析的文献很少。① 而对于物流与经济的关系研究大多局限于货物周转量( 代表物流) 与GDP ( 代表经济) 之间的相互关系研究。本文在前人研究的基础上,应用面板数据,采用Stata软件分析了云南物流发展的经济原因,并根据其特点,提出了发展云南现代物流的建议。
2模型构建
2. 1理论假设
物流需求可以看成是各经济要素的函数。我们假设云南省物流需求是受各州市经济等因素的影响而决定的,而经济特征不同的地区对于物流需求不同。函数式可表示为:
上式中向量集Xit表示各州市总的经济特征,可将Xit分解为分力Git、Dit、Jit、Rit等,其中Git表示i州市t年的GDP、Dit表示i州市t年的第二产业总值、Jit表示i州市t年就业人员、Rit表示i州市t年人均GDP、Qit表示i州市t年物流需求。
2. 2变量选择
本文主要从各州市物流规模、各地经济发展状况以及物流劳动力供给三个方面出发选取相关指标来研究物流与经济的关系。
( 1) 反映物流规模的指标
目前,相关研究普遍采用货运量与货物周转量来表征物流需求,但是,以上两种方法都存在较大的局限性,因为运输可能存在迂回运输、二次运输甚至三次运输、且运输对象有巨大差异性,因此用货运量或货物周转量来表征物流都会使其失真,对研究结果有偏歧。
国家统计局和国家标准局制定的国民经济行业分类标准: 物流业属于第三产业中交通运输、仓储和邮电业。综上所述,本文认为,在分析各州市物流需求与经济的关系时,采用运输仓储及邮政总额这个指标来反映物流的需求比较合理。
( 2) 反映各地经济发展状况的指标
本文选取各州市生产总值和第二产业总值来表示各地区的经济发展状况。
( 3) 反映物流劳动力供给方面的指标
根据数据的可得性以及前人研究成果,本文采用城镇单位交通运输仓储和邮政就业人员来反映物流劳动力供给方面的情况。
2. 3回归模型估计
面板数据模型最基本的形式———个体效应模型,如下所示:
根据变量截距 α 是否与解释变量x存在相关性将个体效应模型分为固定效应模型和随机效应模型。以下将应用Hausman检验来确定云南十六个州市的个体效应模型应当选用随机效应模型还是固定效应模型。Hausman检验的原假设与备择假设分别为:
原假设表示随机效应与解释变量不相关,备择假设表示随机效应与解释变量相关的假定下,GLS不再是一致的,而内部估计量仍是一致的。因此,在原假设下,βw与 βGLS之间的绝对值差距应该不大,而且应该随样本的增加而缩小,并渐进趋于0,而在备择假设下这一点不成立,Hausman利用这个统计特点建立了以下检验统计量:
H统计量渐进服从于卡方分布,其中:
M = K - 非时变量个数- 时变量总数
因此,H统计量可以直观地告诉我们如何在随机效应和固定效应中进行选取。当无法拒绝原假设时,选用随机效应,但如果原假设被拒绝,则选择固定效应。
首先,对本文中十六州市十五年五个指标的面板数据进行平衡性检验,通过Stata中xtdescribe命令,检验结果显示该面板数据满足平衡的条件。
通过Hausman检验来确定究竟选择固定效应模型还是随机效应模型,结果如图1所示。检验结果表明,卡方统计量值为23. 07,自由度为4,在95% 的显著性水平下接受原假设的概率为0. 0001,故应拒绝原假设选用固定效应模型及相应的估计方法。从本文的研究来看,由于是利用云南省十六州市的数据来考察云南各州市物流的发展与区域经济之间的关系,各州市之间有很大的个体差异, 因此,采用固定效应模型更为合理。
3研究结论及建议
按照以上理论假设,对四类州市①进行回归分析。得出四类州市的回归结果,并在此基础上提出了针对性的物流发展建议。
3. 1借力滇中城市群助推区域经济一体化发展
由于第一类州市就昆明一个市,因此进行一般逐步回归分析,结果如图2所示。
从图2可以看出,对于第一区域即昆明来说,通过逐步回归可知在95%的显著性水平下,对昆明来说,GDP是物流发展的最大推动因素。在其他变量不变的情况下,每增加一个单位的GDP会带给物流1. 9764个单位的增量。
昆明应借力滇中城市群经济一体化的发展,充分发挥昆明在滇中城市群的增长极作用,分阶段推进滇中城市群经济一体化,从而促进昆明物流的快速发展。在一体化发展初期主要强化昆明的极核作用,不断完善交通基础设施建设; 中期应注重阶段性推进一体化进程; 远期要努力提高昆明的国际影响力,不断增强辐射能力和综合服务能力,并逐步由单一增长极即昆明向四极即昆明、曲靖、玉溪、楚雄四大城市增长极转变。最终实现滇中四州市经济要素无障碍流动,推动昆明国民经济的发展,从而推动物流现代化的发展。
3. 2大力发展烟草产业集群
如图3所示,对于第二区域来说,第二产业的发展对物流影响最显著。在其他变量保持不变的情况下,每增加一个单位第二产业值,会给物流带来1.2707个增量。因此可优先发展第二产业,通过第二产业的发展带动物流的发展。
第二类州市为曲靖、玉溪、红河、大理、楚雄,这五个州市在卷烟及其配套工业、钢铁、化工、有色金属、煤炭、化工、电力和冶金方面对第二产业做出了巨大的贡献,云南的第二产业的发展主要依靠这类州市。此类州市应从已有的优势产业烟草及其配套产业入手,大力发展烟草产业集群,把产业物流做强做大。
3. 3完善物流基础设施建设
如图4所示,对于第三区域来说,方程整体显著性检验F值对应的P值为0. 00,说明整个方程是显著的。但GDP、人均GDP、第二产业、物流相关就业人员均不显著,因此对于这一区域来说,他们均不是推动物流发展的因素。第三类为昭通、文山、普洱、临沧,它们距昆明的空间距离较远,经济状况较差,无支柱产业,处于 “尴尬”境地,发展物流较难。鉴于此,本文提出首先完善此类州市的交通基础设施,之后可考虑将此类州市的物流外包给其他三类州市,从而集中精力探寻自己的优势,当条件适合时,再发展自己的物流。
3. 4加强与东盟的外贸往来
如图5所示,对于第四类州市来说,在其他变量保持不变的情况下,每增加一个单位人均GDP会带给物流3. 1968个单位的增量。故对于第四类州市来说,提高人均GDP,改善经济质量是最有效的提高其物流发展的途径。
面板数据协整模型 篇6
“十二五”期间, 消费跻身为拉动经济增长的 “三驾马车”之首, 是经济持续增长的最终牵引力。 然而, 国内经济增长过度依靠投资和出口, 消费需求不足已经严重制约国民经济的可持续发展。 数据显示, 2000年投资对经济增长贡献率仅为24.8%, 到2011年这一贡献率已经达到54.2%。 消费对GDP增长贡献率则呈逐步下降态势, 从2000年51.6%下降到2009年的35%左右, 居民私人消费比重也从1992年的48.3%下降到2009年的37.4%。 按照全球平均消费率61.5%的标准衡量, 中国居民消费率明显偏低。
因此, 本文对我国31个地区城乡居民消费结构进行分析, 建立面板数据模型, 以便制定合理的消费政策。
二、模型构建及分析
本文以我国31个地区城镇和农村居民的消费结构为研究对象, 建立面板数据模型。 在模型中, 解释变量为可支配收入或者纯收入, 由于消费惯性的存在, 前期消费对本期消费存在滞后效应, 因此, 本文另一个解释变量为前期消费量。 被解释变量有居民食品消费支出等, 分别标记为y0, y1…y7。 {Y|Y=y0, …y7}表示各类消费支出, 如Y=y1时, ybeijing2009就表示2009年北京居民食品消费支出。
分别建立上述3种类型的面板数据模型, 并对它们进行Hausman和似然比检验, 再综合分析各种模型的拟合优度, 参数以及模型显著性。 可发现, 个体、时点双固定模型优于其他模型, 更重要的是该模型认为时间因子反映的是回归模型随时间变化而呈现出的固定差异, 即时间因子则刻画了消费结构在时间上的变化趋势。下面对Eviews软件得出的回归结果进行分析。
总体上看, 我国居民前期消费支出的系数都为正, 表明本期消费与前期消费正相关。
1、我国城镇居民消费结构升级趋势分析
时间因子意味着消费结构随时间变化的趋势, 由表1可见我国消费结构变化的趋势。
(1) 人均消费支出的时间因子呈现波动上升趋势, 而家庭设备用品及服务消费的时间因子呈现出正负交替并且十分稳定的现象, 说明在消费支出不断增加的同时, 城镇居民家庭设备用品及服务的消费基本达到了饱和。
注:*、**、未标注分别为在显著性水平为0.05、0.01下显著以及在0.05下不显著。
(2) 衣着、居住和医疗保健三类消费的时间因子呈缓慢波动上升态势, 且均在2007年转为正值, 意味着城镇居民渐渐对衣着、居住、医疗保健等加大了重视程度。
(3) 食品消费时间因子以较大的增长幅度波动上升, 与2007年相比, 2008年大幅度增长。 自2008年爆发的三聚氰胺事件之后, 食品安全问题不断被曝光, 不仅影响着人民的生活消费, 严重威胁着人民的身体健康, 而且影响社会的稳定。 导致了城镇居民极其重视食品的安全性与营养结构。
(4) 交通和通讯、教育文化娱乐的时间因子一路下降并从2006、2007年开始转为负值, 并保持下降趋势, 可能由于我国31个省东部、中部、西部的经济发展区域差异较大, 消费结构差异显著, 以至于这两类消费呈现出不受到重视的现象。 总的来说城市居民的消费结构比较合理, 近年来由于食品安全的威胁, 对食品的重视大大增加, 但对交通和通讯、教育文化娱乐服务的重视程度有所减低, 有可能是衣着、居住等的加大。
2、我国农村居民消费结构升级趋势分析
由表1也可看出我国农村消费结构变化的趋势。
(1) 交通和通讯经历了 “ 负值徘徊—保持正值—回归负值”的过程, 表现了居民“不重视—重视—不重视”的循环。
(2) 人均消费支出、食品和居住这三类总体呈现出快速上升趋势。 人均消费支出大幅上升, 并在2005年转为正值继续保持上升趋势, 说明了农村居民消费需求在进一步扩大。 食品和居住需求作为基本的生理需求已基本得到满足, 农村居民在改善饮食结构和居住条件上表现出了较大的愿望。 而其他几类消费大体稳定, 变化幅度在[-50，50]区间内。
(3) 特别需要关注的是居住消费。 居住支出的时间因子2006年转为正值并不断增加, 直到2010年有所回落, 说明人们越来越重视居住的消费。 在2006年和2009年人均消费支出下降, 食品消费也大幅下降至负值的同时, 居住消费却持续有力地维持上升趋势, 更说明农村居民对良好的居住条件有很大期望, 也可能是过高的房产价格和偏低的收入压抑了居民的其他需求。
(4) 家庭设备用品及服务、医疗保健一直保持缓慢增大的趋势并在2005年变成正值, 表明居民逐渐重视这两类消费, 随着大众家电的普及, 人们开始追求消费档次的提升, 居民在消费中更加注重生活品质的提高和消费的合理性。
(5) 衣着消费自2005年由负转正, 并基本保持正值, 农村居民在满足了基本的生存资料后, 开始追求衣着的品质以及数量;教育文化娱乐服务消费经过21世纪初在0附近的徘徊期, 在2007年开始缓慢上升, 近几年也逐渐受到重视。 总的来说, 这几类消费比重的提高, 意味着我国农村居民的消费结构已有所升级, 但还未进入持续高速增长的轨道。 交通和通讯的消费仍然不足, 尤其目前正处于信息化时代, 对交通与通讯重视程度关乎居民能否掌握外界信息促进自身发展及农村经济增长。
三、结论及讨论
运用面板数据模型从时间上对我国31个地区城乡居民分别进行量化比较, 可以直观地看出我国城乡消费结构随时间变化的趋势。 从边际消费倾向分析, 可以看出食品的边际消费倾向是最大的。 从面板数据模型分析得出结论, 消费结构的变化呈现逐渐优化的趋势。 城市居民在消费支出不断增加的同时, 家庭设备用品及服务的消费基本达到了饱和, 并加大了食品、居住、医疗保健三类消费, 但交通和通讯、教育文化娱乐呈下降趋势;农村居民则在家庭设备等消费比重上有所提高。 在一定程度上均优化了消费结构。
摘要：根据1999—2010年我国31个地区城乡消费结构数据, 运用面板数据模型, 建立个体、时点双固定模型来研究城乡消费结构在时间上的差异, 模型中的时间因子反映了时间差异, 即消费结构升级趋势。得出结论:城市居民加大了食品、居住、医疗保健三类消费;农村居民则在家庭休闲、医保、衣着等消费上比重有所提高, 在一定程度上均优化了消费结构, 但仍有优化空间。
关键词：消费结构,空间差异,面板数据,固定效应模型
参考文献
[1]林白鹏.中国消费结构学[M].北京:经济科学出版社, 1987:500-564.
[2]尹世杰.中国消费结构研究[M].上海:上海人民出版社, 1988:498-512.
[3]王选选, 杭斌.文化程度差异对居民消费结构的影响分析[J].统计研究, 1999, 16 (s) :230-232.
[4]孙凤, 易丹辉.中国城镇居民收入差距对消费结构的影响分析[J].统计研究, 2000, 17 (5) :9-15.
面板数据协整模型 篇7
自周小川提出金融生态的概念以来,越来越多的学者对金融生态内涵以及金融生态环境与经济增长的关系进行研究和分析。从现有的国内外文献看,经济学家对金融生态系统与经济增长的研究主要有以下三种结论:一类是认为金融生态系统在某种程度上极大地促进了经济增长;一类是金融中性论者;还有一类则认为金融生态系统对经济增长的促进作用不明显。更多的经济学家倾向于第一类结论,并用大量的实证研究证明了这一点。温智[1]以江西省为例,对区域金融生态环境与经济增长效率进行了实证研究,于平,逯进[2]等以我国省级面板数据为例,研究了金融生态与经济增长的关系,上述研究结果表明金融生态于经济增长之间存在双向格兰杰因果关系,金融生态对经济增长的影响存在较大差异;周琼[3]对江苏省金融生态系统与经济发展的关系进行了实证分析,结果表明江苏省金融生态环境是不断完善的,但二者之间有不完全的双向因果关系存在;张爱菊[4]等基于面板数据从生态足迹这一新的视角,通过对经济增长的分析来衡量中部六省经济的可持续发展能力,结论表明,每个省都应该依据各个省份的实际生态环境情况去制定相应的经济发展战略,不能盲目跟风。
作为中国的经济大省,江苏省的沿海城市与全国其他沿海城市经济差距很大,甚至与许多省内非沿海城市也存在较大差距。一个共同的经济体内部的经济发展应该是大致相同的,也就是一个统一的经济体内部的各个地区,他们的市场和赖以发展的经济环境不应该存在很明显的金融生态系统的差异。因此,及时地了解江苏沿海地区金融生态环境与经济增长之间的关系有助于找出以上问题的原因。
二、模型介绍
面板数据模型同时利用时间和截面两个维度的信息,反映出比单独使用截面数据或时间数序列数据更为真实的变量变化过程,能够更好地刻画出个体效应,避免因为信息遗漏造成的偏差,使估计结果更加真实。面板数据模型主要有以下三种类型:
第一:固定效应模型
该模型是将个体效应反映在模型截距项的差异上,模型回归形式如下:yit=xitβ+αi+εit,αi表示不同的截面个体截距是不同的,因此一种解决的方法就是引入个体虚拟变量,可以将其变成一般线性回归的形式,这样就可以运用普通最小二乘法估计参数了。
第二,随机效应模型
随机效应模型假定观察不到的个体效应存在,并与解释变量不相关。其形式可以表示如下:yit=xitβ+α+ui+εit,该随机效应模型设定为ui为一个随机元素。随机效应模型可以看成是一个拥有随机常数项的模型。
第三,变系数模型
变截距模型反映了解释变量外的其他因素对解释变量的影响,该影响对所有的截面可以是无差异的,也可以在时点或者截面个体上是有差异的。当存在差异影响时,变截距模型是无法反应的,此时,需要考虑用变系数模型。变系数模型的基本形式是:yit=xitβ+αi+εit,根据截距项与解释变量的相互关系,固定影响变异系数模型与随机影响变异系数模型也是变系数模型的一种。
三、实证研究
(一)指标的选择和数据说明
结合江苏省沿海三市的经济与金融发展情况,主要选取金融主体、经济基础、政策环境、社会保障和文化五个一级因子对金融生态环境影响进行研究。基于数据的可得性和指标的相关性,在一级因子下拓展几个相对比较有代表性的二级因子和三级因子,具体见表1。
反映经济增长的指标主要是选取人均GDP,人均GDP常作为发展经济学中衡量经济发展状况的指标,是了解一个地区宏观经济状况的有效工具。
本文原始数据来自江苏省统计局以及各地方性的统计信息网、统计年鉴和WIND数据库,使用的统计软件是Eviews6.0。考虑到数据的可获得性和数据的代表性,同时也为了消除指标间的量纲差异,将原始数据进行标准化处理。本文所选取的时间区间为2005—2015年。
(二)金融生态指数的测度
金融生态指数的测度主要分两步进行,一是对一级因子采用AHP方法来确定各项的指标权重,二是对二三级因子运用算数均值的方法进行加权求和。通过阅读大量的相关文献进行主观矩阵的判断,然后通过层析分析法确定的一级因子各项权重的计算方法如下:
构造主观判断矩阵:通过阅读大量的相关文献和综合分析,不难看出,金融主体、经济基础、政策环境、社会保障和文化对金融生态指标都有不同程度的影响,但是有主有次,结合二三级因子的数据可以初步建立起感觉判断矩阵如下:
计算客观判断矩阵。结合建立的感觉判断矩阵,可以得出此矩阵的5个特征值,选取最大的特征值λ=5.3841,从而可以得出其特征向量为x=(0.8514,0.4503,0.2306,0.1285,0.0509)。
计算归一化权重。由特征向量我们可以得到金融生态环境指标一级因子的权重值是:wx=(0.4974,0.2631,0.1347,0.0751,0.0297)。将标准化之后的数据与其权重进行逐级的加权求和,得到金融生态环境综合指数(X)与经济增长综合指数(Y)。
(三)Granger因果检验
为了进一步证明金融生态环境与经济增长是相互影响、相互作用的。通过Eviews6.0来判定两者的格兰杰因果关系,检验结果如下。
在5%的显著水平下,金融生态综合指标是经济增长综合指标的格兰杰原因,相反,经济增长综合指标也是金融生态综合指标的格兰杰原因。也就是说,金融生态和经济增长是相互影响、相互作用的。那么可以建立面板数据模型进一步去研究金融生态对经济增长的影响。
(四)面板数据模型的构建
首先为了确定面板模型的影响形式,对面板数据进行Hausman检验,从而选择是采用固定效应模型还是随机效应模型。
根据金融生态与经济增长综合指标的相关数据进行Hausman检验,检验的结果如表3:
从表3中的Hausman检验结果可以看出,P值小于0.05,所以应该拒绝原假设(随机效应模型),因此选择固定效应模型。
在确定选择固定效应模型后,通过F检验来确定面板模型形式;
H01成立时的自由度为NT-1-k,所对应的回归模型的残差平方和为S1;
H02成立时的自由度为NT-N-k,所对应的回归模型的残差平方和为S2;
变系数模型的自由度为NT-N(k+1),所对应的回归模型的残差平方和为S3。
H01对应的统计量
H02对应的统计量
若接受H01,则采用混合回归模型;若拒绝H01接受H02,那么则采用常系数回归模型;否则,采用变系数模型。
计算F1=32.5487,F2=16.7547,其中N=4,k=3,T=10,查F0.05(12,24)=2.18,F0.05(9,24)=2.30,因此在5%的显著性水平上应该同时拒绝假设H01和H02,所以应选择变系数模型。
(五)实证结果分析
以经济增长指数Y为因变量,以金融生态环境指数为自变量,为了更好地了解金融生态环境各指标对经济增长指数的影响,将金融生态环境分成金融主体x1,经济基础x2和社会环境x3(包含了政策环境、社会保障和文化)三部分,构建变系数模型,结果见表4。从模型中可以看出,R-squared=0.9885,值为0—1之间,而且比较接近于1,拟合度非常好。另外,D-W stat=1.6221。从SUR模型整体上来看是比较显著的,也就是说自变量在一定程度上可以解释因变量的波动。
由表4可以分析金融生态环境对经济增长的具体影响有以下几点:
1. 从模型估计结果可以看出,金融主体在整个金融生态综合指数中的影响是最大的,其次是经济基础和社会环境(政策环境、社会保障、文化)。从截距项来看,江苏沿海三市的取值都大于0,说明江苏省沿海金融生态对经济增长的效应是比较强的,其中影响最为突出的是南通,高达12.238965,是盐城的1.5倍,是连云港的1.7倍。而影响经济发展的几个要素都可以归类到金融生态环境的各影响因子中,所以优化金融生态环境对促进江苏省沿海经济快速增长是非常可行的。
2.从金融主体Lnx1来看,江苏沿海三市的取值都是正数,说明这三市金融主体的变化对经济增长影响显著,与经济增长都是正相关,值越大,对经济增长的贡献也就越大。金融主体主要从银行业、保险业、证券业的相关指标进行分析。金融主体所代表的金融生态指数对连云港的影响最大,金融生态指数每增加1%,对应的GDP会增加13.49%。
3.从经济基础Lnx2来看,和金融主体一样,指标都为正数。这说明一个城市的开放程度、产业结构、集约化程度在一定程度上都对经济增长产生正相关影响。
4.从社会环境Lnx3上看,无论是政策环境、社会保障还是文化程度都对江苏省沿海三市经济增长有一定的影响,特别是对盐城的影响最大。
四、结论与建议
从实证分析结论可以看出,江苏省沿海的金融生态环境与经济增长呈正相关关系,并且二者相互影响、相互作用。从金融生态综合指标来看,金融主体对经济增长的影响最大,即在国内生产总值一定的基础上,如果金融体系越发达,那么金融资产价值也就越大,从而金融相关系数也会越高。这也很好地体现了金融机构对经济增长的资金支持力度。也正是因为金融机构对地区发展的不懈支持,江苏沿海三市经济才能持续稳定发展,也从侧面说明了除了银行外,保险业和证券业对经济的促进作用,也应该大力扶持这两个行业。
参考文献
[1]温智良.区域金融生态环境与经济增长效率实证研究:以江西为例[J].武汉金融,2008(8).
[2]于平,逯进,陈希兰,卢佳瑛.金融生态和经济增长的关系——基于我国省域面板数据的实证研究[J].青岛大学学报,2013(11).
[3]周琼.江苏金融生态与经济增长的关系研究[D].南京航空航天大学,2009.
[4]张爱菊,张白汝,杨贻琦.基于面板数据模型的生态足迹与经济增长的关系研究——以中部六省为例[J].统计与信息论坛,2013(7).