交通基础设施对全要素生产率的影响研究交通基础设施与中国全要素生产率增长基于省域数据的空间面板计量分析

交通基础设施对全要素生产率的影响研究交通基础设施与中国全要素生产率增长基于省域数据的空间面板计量分析

基础设施条件优越是中国经济快速发展的显著特征。它是中国经济快速发展的重要特征。它与经济快速发展的发展中国家形成了鲜明对比。很多学者在探讨“中国奇迹”产生的原因时,都将超前发展的基础设施作为一项重要的解释因素。依据新古典经济增长理论,一个经济体若能在长期中实现持续快速的增长,其必定伴随有全要素生产率(TFP)的较快提高。若基础设施确实成之为“中国奇迹”产生的重要原因之一,那么,其与中国经济的全要素生产率之间将很可能存在着紧密的联系。由于基础设施包罗广泛,不同种类的基础设施之间在促进经济发展的作用方式和程度等方面各有差异,难以尽皆详细考察,在此,本文将围绕基础设施的重要组成部分——交通基础设施——展开具体的研究。结合中国目前的经济发展看,随着人口红利的渐趋耗尽和资本边际收益的不断下降,推动经济增长向效率驱动方向转型的要求已日益迫切,本文的研究同时也希望能够对实践这一要求提供一些有益的经验。一、交通基础设施与全要素生产率:空间计量方法的视角20世纪70年代以来,基础设施对经济增长的重要促进作用受到了广泛的关注。进入80年代后,经济学者们开始纷纷尝试运用计量方法就基础设施与经济增长的关系展开实证性的研究,以资获得具体的经验证据和较为精确的结论。本文将从实证方法、考察角度和代理变量选择三个方面对现有文献展开综述,进而从中总结出适于本文研究的思路与方法。在实证方法上,既有研究大体可分为两类,一类为基于宏观经济模型或行为模型的具有一定理论基础的截面、面板数据计量方法,一类为基于数据自身外推机制的VAR模型等时间序列计量方法。比较而言,基于时间序列方法估计所得的基础设施对经济增长的贡献程度往往高于截面和面板数据计量方法,且部分结论超出了人们的常识性预期,如Aschauer(1989)、Hulten&Schwab(1991)、Merriman(1990)研究所得的基础设施产出弹性至少达0.39以上。而面板数据计量方法的利用,可以克服时间序列模型中常见的多重共线性问题,增加估计过程中的自由度,同时较之截面计量方法其能够更好地控制不可观测经济变量的影响,从而有利于提高模型估计的精度和有效性,因此,20世纪90年代中期以来,面板计量方法逐渐成为了研究基础设施与经济增长的主流实证方法。但进一步考虑到实际研究中可利用的数据均为地区层面数据,而“某个空间单元上的某种经济现象或某一属性值与邻近空间单元上的同一现象或属性值往往是相关的”(Anselin,1988)。这种空间相关性的存在使得运用传统计量方法所获得的结论在精确性和解释力诸多方面都受到了局限。为克服这一问题,空间计量经济方法应运而生。其在继承和发展传统计量方法的基础上,将地理位置与地理空间数据建立计量关系,用统计和计量方法识别和度量空间数据变动的规律,在实证分析中有着独到的优势。既有研究大部分是基于宏观经济生产函数模型展开,这其中包含了两个考察角度:一是将基础设施从总资本中析出,作为一种单独的资本形式予以考察,即估计其产出弹性,如Barro(1990)、Holtz-Eakin(1992)、Eberts(1997)等;二是将基础设施与全要素生产率相联系,考察其对经济的外溢效应,如Romer(1986)、Lucas(1988)、Anselin(2003)等。其中,后一个角度随着“新增长理论”逐渐晋升为主流经济学的核心内容,在20世纪90年代后期以来受到了更多的关注。就交通基础设施来讲,本文认为可在以下三个主要方面带动全要素生产率的提高。①交通基础设施的发展完善有利于促进和扩大人员、商品的区域间交流,从而带动知识、技术的传播。一方面,新知识、新技术的产生往往始于空间上的某一点,发达的交通基础设施有利于将其通过商品、技术专家和劳务人员等载体迅速传播至周围的广大区域;另一方面,空间距离所导致的运输成本是个别区域技术落后行业的天然保护性关税,①交通基础设施的发展完善有利于区域通达性的提高和运输成本的不断降低,从而起到削减这一保护税税率的作用,以淘汰落后,提高周边区域经济的技术效率。②交通基础设施的发展完善有利于优化资源配置,提高国民经济运行中的配置效率。新古典模型中,资源要素的流动往往表现为无摩擦的瞬间物理运动,然而,现实世界中这种流动显然是有成本的,交通运输成本便是其中的一个重要组成部分。交通基础设施的发展完善将有如润滑剂一般,对资源要素的流动起到降擦的作用,从而促使原有配置状态向最优配置的均衡点靠近。③交通基础设施的发展完善有利于经济集聚和市场扩张,从而为规模效率的提高提供空间。综上所述,交通基础设施将从技术水平、技术效率、配置效率和规模效率四个方面对全要素生产率的增长产生影响。通过实证研究具体地分析这一影响的作用程度与结构演变具有重要的现实意义。同时,考虑到知识、技术等全要素生产率的重要组成部分具有明显的空间溢出效应,运用空间计量技术进行模型估计以克服空间自相关的问题对于本文的研究也显得尤为必要。在基础设施的代理变量选择方面,大体分为两类路径:一是遵照新古典的资本概念,以货币形式的统一口径来表示,现有大部分相关文献采用的均是这一方法;二是对新古典的“技术关系”予以还原,以实物形态来表示,采用该方式的研究文献自20世纪90年代末期开始逐渐丰富,如SanchzRobles(1998)、Fernald(1999)、Canning&Pedroni(1999)、王任飞和王进杰(2007)等。本文认为,以原始的技术关系替代货币的技术关系对于交通基础设施的实证研究是十分必要的。①交通基础设施作为一种公共品,其投资决策并不完全遵循经济利益最大化原则,尤其就中国而言,启动投资的决策多由政府主导,而政府的效用集不仅包括经济收益,还包括社会收益、政治收益等内容。因此,即使排除了现实世界中的摩擦、角点解等现象的存在,交通基础设施的存量水平依然无法纳入瓦尔拉斯一般均衡分析框架,进而其也就无法由单一货币所示的比例关系来予以逻辑一致地衡量。②即使避开新古典资本概念的逻辑矛盾不谈,实际操作中我们也无法获得相应的交通基础设施投资价格指数以准确地计算其存量水平。③交通基础设施投资受自然条件等因素的影响,与其所能提供的服务水平之间并不存在对应的比例关系,如青藏铁路、南昆铁路的单位里程投资额显然要比东部平原地区的同等级铁路要高得多。鉴于上述原因,我们倾向于用实物形态的变量来对交通基础设施予以代理。具体地,考虑到1997—2007年间,铁路和公路交通基础设施所共同负担的全社会货运和客运量分别占到85.8%和86.7%以上①,且其在全国各个省份均有广泛地分布②,从而具有较强的整体代表性,本文的实证分析将以这两者为代表来研究交通基础设施对中国全要素生产率的影响。综上所述,本文将具体就交通基础设施与中国全要素生产率增长之间的关系展开研究。在实证方法上采用新近发展得到的空间面板数据模型(SpatialPanelDataModel,SPDM)③,并将交通基础设施以实物形态的变量来代理。下而,我们将首先通过计算获取中国分省全要素年产率情况。二、全因素生产率的计算1.中国统计根据本文的TFP测算采用的是1997—2007年的省级地区样本数据。产出变量由各地区的国内生产总值(GDP)来表示,投入变量包括物质资本和从业人员两项。其中,国内生产总值和从业人员数可直接从1998—2008年的《中国统计年鉴》中获取,物质资本采用张军(2004)提供的方法计算获得。国内生产总值和物质资本均已按2000年不变价做了缩胀处理。为与下文的计算样本保持一致,西藏在此未予考虑;由于重庆的相关数据在1997年后才有公布,不适于单独析出计算物质资本存量,我们将其与四川合并为一个样本。④这样,本文此处的计算共有29个地区样本,下文的实证研究中亦将与此样本保持一致性。2.模型估计结果本文对中国TFP的核算将采用随机前沿分析法(StochasticFrontierAnalysis,SFA)。基于卡尔多程式化事实,我们首先将中国的国民经济生产函数设定为柯布—道格拉斯形式的随机前沿模型,具体形如:式(1)中,K、L分别表示物质资本和劳动力数量;系数β1—β3为待估参数;脚标i为样本标示;为样本的观察期,T为样本的基期年度;νi为随机干扰项,服从标准正态分布;ui为技术无效率项,且服从零点截断的半正态分布;μ为非截断正态分布条件下的期望值;η为技术效率水平的时变参数。LR单边似然比检验表明,允许参数μ和η自由取值较之对其施加0约束更具适宜性,为此,我们在下面的计量过程中允许μ和η自由取值。利用Frontier4.1软件计算得出的上述模型具体估计结果如表1所示:表1显示,模型的拟合效果极佳,所有参数的估计结果均在1%的高显著性水平下通过了检验。同时,高达0.963的γ值显示出模型存在明显的复合结构,且技术无效率不存在的LR检验拒绝了原假设,这些均表明运用随机前沿模型要较之传统计量模型更为适合刻画中国的国民经济生产函数。基于上述估计结果,各省级地区的TFP可通过式(2)求得:式(2)中,exp(β0+β3t)为t时期的前沿面技术水平,TEit为i省份t时期的技术效率。按式(2)计算,1997—2007年期间,中国全要素生产率年均增幅为3.25%,相对于年均9.51%的经济增长速度而言,贡献水平达34.17%。限于篇幅,具体到各个省份的全要素生产率计算结果本文此处不再详细罗列。三、空间测量模型及其适用性测试1.传统的计量方法空间计量方法在研究中主要用到两类模型。当模型的误差项在空间上相关时,即为空间误差模型(SpatialErrorModel,SEM);当变量间的空间依赖性对模型显得非常关键而导致了空间相关时,即为空间滞后模型(SpatialLagModel,SLM)(Anselin,1988)。SEM模型可表示为:SLM模型可表示为:式(3)和(4)中,脚标i、t与前文一致,分别标示各个地区和样本的观察年度;Y为因变量;Xj为一系列自变量;εit和μit为服从正态分布的随机误差项;α0为截距,αj、ρ、λ为系数;W为空间权重矩阵。由于实际操作中的自由度限制,空间权重矩阵无法利用数据和模型生成。根据目前国际国内文献中通行的设定方法,本文这里使用距离的一阶相邻函数矩阵来表示,即将相邻的区域赋予1,不相邻的区域赋予0(Lesage,1999)(1)。由于空间自相关的存在,用传统的OLS方法来估计SEM模型虽然是无偏的,但是不具有有效性,而用其来估计SLM模型则不仅是有偏的,而且是不一致的。为克服这一问题,Elhorst(2003)发展了针对空间面板模型的极大似然估计方法,下面的计量分析所采用的即为该方法。在模型适宜性的比较取舍方面,我们将主要通过对数似然函数值(Log-Likelihood)来判断,对数似然函数值的绝对值越大的模型,其适宜性将越好,即越适合为实证分析所利用。空间模型下,变量Xj对Y的偏效应除了体现在系数αj上以外,还体现在空间外部性上,即i地区的Xij对Yi的影响还将来自于邻近地区的Xj。这种外部性会随着地区圈层的外扩而逐渐衰减,若设q表示以i地区为中心向外扩展的圈层序数,在SLM模型下,空间外部偏效应可表示为:变量Xj对Y的总体偏效应可表示为直接的偏效应和空间外部偏效应的加总形式:2.morani检验关于判断地区变量间是否存在空间相关性的检验,目前一般使用由Moran(1950)提出的空间自相关指数MoranI。MoranI的取值范围为(-1,1)。当其大于0时,表明各地区间某经济变量为空间正相关,即存在空间集聚现象;当其小于0时,表明各地区间某经济变量为空间负相关,即存在空间排斥现象;当其等于0时,表明各地区间某经济变量与区位的分布相互独立。MoranI的绝对值越大,表明所检验的经济变量的空间相关性越强。表2给出了Stata10.0软件计算得出的1997—2007年中国各省级地区全要素生产率的MoranI检验结果。其内容显示,1997—2007年各个年份中的MoranI值均通过了1%水平下的显著性检验,且各个MoranI值均为正值,这表明我国省级地区的全要素生产率在空间上的确存在着明显的正自相关关系,即存在空间集聚现象。此外我们还可发现,MoranI值及其显著性随着时间推移呈逐年提高的态势,这表明随着市场经济体制改革的不断深入推进,地区间的行政壁垒(主要表现为地方保护主义)在不断得以清除,经济交流与联系日益紧密,从而推动了全要素生产率空间相关性的不断上升,使区域间的技术外溢处于一种持续强化的态势之中。综上所述,我们可以判断,运用空间计量模型对我国交通基础设施水平与全要素生产率增长之间的关系进行研究要较之传统计量方法更为适宜。四、示范分析1.变量与数据说明作为因变量的全要素生产率数据已由上文计算得出。在自变量数据中,本文所考察的交通基础设施包括铁路密度和公路密度两项。其中,铁路密度(Railway)采用“每平方公里的营运铁路里程”指标,这主要是考虑到营运里程这一统计口径反映了实际投入经济活动的铁路设施资源量,其较之“铁路线路长度”的统计口径剔除了铁路设施的闲置部分,更适于服务本文的研究目的;公路密度为“每平方公里的公路通行里程”,除了总的公路密度(Road)外,还可按路面质量、通行能力等综合条件细分为高速公路(Freeway)、一级公路(First-class)、二级公路(Second-class)、三级公路(Thirdclass)、四级公路(Fourth-class)和等外公路(Substandard)6组数据。(1)上述各组变量数据均来源于相关历年的《中国交通统计年鉴》。其中,分省的铁路营运里程自2001年才开始统计,因此,铁路密度数据的时序为2001—2007年;公路密度数据的时序为1997—2007年。在控制变量方面,考虑到中国典型的二元经济特征,我们纳入了非农化变量(Non-agricultural),具体由第二和第三产业占国内生产总值的比重来表示;人力资本对全要素生产率具有非常重要的影响,这已成为共识,为此本文亦将其纳入控制变量,并采用人口平均受教育年限指标予以代理,具体计算中采用了陈钊等(2004)提供的方法。以上两组控制变量数据分别来源于相关历年的《中国统计年鉴》和《中国人口统计年鉴》。表3给出了本文实证中所用主要变量的描述性统计信息。在下文的实证分析中,我们将分别考察两个模型:在模型(1)中我们将着重考察铁路密度(Rail)和总的公路密度(Road)两个变量与全要素生产率的关系;在模型(2)中我们将公路密度按等级质量细分为6组后,再对其与全要素生产率的关系进行细致考察,以期在两个模型相互应证的同时,进一步得到更为具体的结论。考虑到现实经济活动中的边际递减规律,模型中的TFP被解释变量和基础设施解释变量均取了对数形式。此外,由于二元经济控制变量为一比例数据、人力资本控制变量的数据自身及变异系数均较小,我们在模型中仍采用了线性形式。(2)2.tfp的空间差异我们在模型(1)和模型(2)的基础上对2001—2007年间我国交通基础设施水平与全要素生产率增长之间的关系进行了估计。为了便于比较,本文同时对模型(1)和模型(2)进行了传统的面板数据计量估计。面板SEM模型和面板SLM模型的估计我们借助Matlab7.0软件来实现。从表4给出的具体估计结果看,地区时点双固定的面板SLM模型估计结果在Log似然值上要明显优于传统面板模型和其他各种空间面板模型,这在模型(2)的估计结果中表现得尤为明显。同时双固定面板SLM模型的调整后R2也很高,在模型(1)与模型(2)中分别达0.9974和0.9995。因此,本文将选择地区时点双固定的面板SLM模型对我国交通基础设施水平与全要素生产率增长之间的关系展开实证分析。表4中双固定面板SLM模型(1)的估计结果显示,所有解释变量的系数估计值均在高达1%的水平下通过了显著性检验,且铁路密度与公路总体密度的估计系数均为正值,与前文的理论分析预期一致,即交通基础设施对TFP增长有着正向的影响。但是我们发现,公路总体密度的估计系数非常小。双固定面板SLM模型(2)的估计结果显示,除了四级公路密度和等外公路密度的估计系数不明显外,其余各解释变量的估计系数均至少在10%的显著性水平下通过了检验,且估计值均为正。这一结果说明,铁路和较高等级的公路基础设施对TFP增长存在着明显的促进作用。但由表3中的变量均值部分可以看到,四级公路和等外公路的里程合计构成了公路总体密度的60%以上,也就是说,占据公路里程大部分的低等级公路对我国TFP的增长几乎没有起到作用,这也就令我们容易理解模型(1)中公路总体密度的估计系数为什么很小了。为了具体地分析交通基础设施对TFP增长的促进作用,我们根据式(5)和式(6)计算了双固定面板SLM模型(2)中系数显著的各类交通基础设施的偏效应及其构成,具体计算结果可见表5。从表5看出,空间外部偏效应构成了交通基础设施对TFP的总体偏效应的较大部分(约3/4),这直接导致TFP的高度空间滞后相关,或者说是TFP的高度空间外溢效应的存在。在各类交通基础设施中,二级公路的总体偏效应最大,其每提高1个百分点将带动TFP提高0.0868个百分点;铁路和三级公路的总体偏效应大小居中,其每提高1个百分点将分别带动TFP提高0.0506个百分点和0.0424个百分点;高速公路和一级公路的总体偏效应最小,其每提高1个百分点将只能分别带动TFP提高0.0233个百分点和0.0121个百分点。但是,考虑到各类交通基础设施的存量水平差异,我们还不能仅以弹性的大小来判断其对TFP增长的最终贡献程度。从表3可以看出,弹性较大的几类交通基础设施往往有着较高的存量水平,较之弹性较低的交通基础设施而言,要将其密度提高同样的比例所需修造的里程将更长,这正体现了边际递减规律的作用。通过具体计算,2001—2007年间上述几类交通基础设施对中国TFP增长的贡献如表6所示。(1)表6内容显示,2001—2007年间交通基础设施存量的增加共带动中国TFP增长了11.075个百分点,占TFP整体增幅的59.100%。结合前文TFP测算部分的数据结果计算可知,交通基础设施的外部效应给予中国经济增长的贡献达20.200%。就贡献的构成来看,可以得出以下四点具体认识:①考察期间内,铁路基础设施总量增长缓慢,在上述各类基础设施中增幅最低,由此直接导致其对我国TFP增长的贡献度很低;②高速公路和二级公路对我国TFP增长的贡献最为突出,前者主要是源于总量增长迅速,后者主要是源于其对TFP弹性较大;③一级公路基础设施的增幅虽然较大,但由于其对TFP的弹性较小,并未对TFP的增长形成有力的推动;④在各类公路基础设施中,三级公路对TFP增长的贡献最低,这主要是源于其增幅很低。为了考察交通基础设施对TFP影响的时间变化,我们分1997—2000、2001—2004和2005—2007年三个时段对模型(1)和模型(2)进行了估计,经对比仍选用面板SLM模型。其中,由于缺乏相应的分省数据,1997—2000年未纳入铁路密度变量。表7的估计结果显示,铁路密度在每种模型、每个时段中对TFP均具有非常显著的正向影响。模型(1)中公路总体密度在1997—2000年和2001—2004年两个时段中对TFP具有显著的正向影响,其后的2005—2007年则变得不再显著。模型(2)的结果显示,高速公路密度在所有三个时间段内对TFP的影响一直都是高度显著的,