论文导读::通过预测农村固定资产投资与第一产业生产总值。故不进入分析)的面板数据(PanelData)。
论文关键词:经济增长,固定资产投资,外国直接投资流入,面板数据
一、引言
一般来说,经济学家认为,外国直接投资流入(FDI)的导致提高经济增长率Blonigen(2005)。一个外商直接投资主要增长的特点是先进的技术,往往伴随着外国资本投资。此外,国内投资者也可以采用这一先进技术。换言之,外国直接投资通过技术外溢产生积极的外部条件。同时,增加外国资本可以帮助缩小储蓄缺口(即国内储蓄之间的比例和投资比例,获得期望水平的差距)。总之工商管理毕业论文,要发挥外国直接投资在发展中国家,特别是从低生产率和资本存量不足蒙受经济增长的积极影响,约翰逊(2006)。De Mello(1999)发现,外国直接投资是否促进了经济增长取决于主要东道国的特点,特别是熟练劳动力数量。Borensztein等(1998)也证实,尽管外国直接投资对GDP有积极影响,但这种影响的程度取决于人力资本水平。同时使用截面和面板数据分析,Johnson(2006)表明,外国直接投资流入推动发展中国家的经济增长,但不是在先进国家。 Alfaro(2003)进行的一项跨国家的分析,发现外国直接投资总额对东道国的经济增长产生了模棱两可的影响;把初级部门的外国直接投资流入量趋于对经济增长产生负面影响。Olofsodotter(1998)用标准的OLS的方法为50个发展中国家和发达国家在1980年至1990年期间的截面数据进行分析。他发现,由于技术溢出效应,外商直接投资存量已经对经济增长速度产生积极影响。De Mello(1999)采用使用32个发达国家和发展中国家的数据面板固定效应估计法来确定关系杂志网。他证实,外国直接投资可以带来更好的技术,并在东道国加强管理。然而,一些相当薄弱的外国直接投资是否真的会造成经济增长。Johnson(2006)采用了90个国家的面板和假设表明外国直接投资应该对作为一个技术溢出和有形资本的流入导致经济增长能产生积极影响。通过面板和截面分析,他发现工商管理毕业论文,外国直接投资流入量提高发展中国家的经济增长,但在发达经济体并非如此。此外,Johnson(2006)还提供了对现有的外国直接投资与经济增长,宏观经济数据的实证文献引用优良审查。最后,Alfaro(2003)用于1981年至1999年期间跨国家的数据和研究外国直接投资对第一、制造业和服务业经济增长的影响。他认为,外国直接投资的利益在不同行业之间差别很大。因此,在第一产业的外国直接投资往往会对经济增长产生负面影响,这种关系在制造业是正面的和在服务业是模棱两可的。
本文的目的是促进对中国各地区经济增长与外国直接投资流入之间关系的实证文献。我们研究的理论基础在于著名的内生增长模型Romer(1990)。根据内生增长模型,输出是对人力资本的生产加上标准因素的作用。我们把资本、FDI和人力资本作为要素投入变量。本文的主要焦点是外国直接投资流入量在经济增长中的作用。从本质上讲,我们研究外国直接投资是否在提高经济效率和各地区经济增长的实际国内生产总值。
二、数据来源和模型构建
本文利用联合国统计部门提供的数据库数据及中国国家统计局统计数据、中国商务部统计数据库数据,从理论与实证角度分析对外国直接投资与各省市国内生产总值增长速度的关系进行估计。外国直接投资流入对各地区经济增长产生的影响,借此提出具体的对策措施。试图弥补现有研究文献的某些不足。我们的数据面板涵盖在1998年至2008年期间的中国31个省市。现我们构建模型如下:
(1)
在式(1)中, 表示我国各省份序号,为年份编号;α为一组待估计的参数;GDPit表示第 省份、第 年的产出变量。我们用各省市的支出法GDP(亿元)来表示。FDI(亿元)为外商直接投资实际利用额(按当年平均汇率折算成人民币);LC(个人)表示人力资本(各省市当年的大中专毕业生人数); K(亿元)用各省市年固定资产投资额来表示。t为时间趋势变量(1998-2008年) , Uit是误差项。
在我们估计的模型,两个重要的因素需要加以考虑。首先,它可以说工商管理毕业论文,国内生产总值和外国直接投资之间的关系遵循双向因果关系的同时性问题导致的估计。为了解决这个问题,我们进行的外国直接投资和实际GDP的一个Granger因果检验。通过Granger因果关系检验表1所示为因变量证实了我们的国内生产总值的选择适宜的结果,因为有强烈的单向因果关系是实际国内生产总值对外国直接投资。因此,在我们的研究中同时性不是一个严重的问题杂志网。
表1 格兰杰因果关系检验结果
零假设
|
F -统计
|
Prob.
|
GDP没有因果FDI
|
1.38
|
0.35
|
FDI没有因果GDP
|
2.33
|
0.2
|
注:滞后2用于测试。
第二,它是在实证研究经验做法,以测试标准在该模型中的变量的平稳性,才在估计和使用推论。因此,我们进行了Im, Pesaran, and Shin面板单位根测试评估变量的平稳性能。该测试允许个别单位根进程进行评估。我们的测试结果表明,所有变量包含在各级单位根,这意味着他们的非平稳。结果列于表2。然而,我们选择不使用差分数据,因为Johansen测试表明,至少有一个变量之间的协整关系。另一个层次的数据利用的优点是比较差的数据,一级数据保持长期运行性能完好。
表2 IM,PESARAN和Shin单位根检验结果
Variable
|
Statistic
|
Prob.**
|
GDP?
|
47.40
|
1.000
|
K?
|
19.33
|
1.000
|
FC?
|
13.85
|
1.000
|
FDI?
|
5.20
|
1.000
|
**为Fisher检验概率计算使用渐近卡方分布。假设所有其他测试渐近常态。
零假设的各种测试在生产前沿的参数功能和使用效率低下模型进行广义似然比检验统计量定义为:
(2)
其中L(Ho))和L(H1)指根据空(Ho)(何似然函数的值)和替代性(H1) 分别假设。如果无效假设为真,测试统计大约有一卡方或混合卡方与自由等于参数之间的差异和替代假说空参与度分布。如果没有效率的影响是从模型中,由指定的零假设。Ho: λ=δ0=δ1=δ2=...δ11=O工商管理毕业论文,则λ大约是13个自由度根据混合卡方的分布。
三、实证分析
利用1998年到2008年期间覆盖中国31个省市的面板数据,进行统计分析如下:
|
GDP?
|
K?
|
FC?
|
FDI?
|
Mean
|
5377.028
|
2020.651
|
158278.3
|
79.58463
|
Median
|
3806.540
|
602.6000
|
111468.0
|
25.11000
|
Maximum
|
35696.46
|
16737.10
|
807928.0
|
1404.150
|
Minimum
|
98.10000
|
5.120000
|
2493.000
|
0.000000
|
Std. Dev.
|
5565.921
|
2841.930
|
149685.3
|
171.4433
|
Skewness
|
2.394415
|
2.283684
|
1.679752
|
4.518294
|
Kurtosis
|
10.29354
|
8.762285
|
5.786930
|
26.63249
|
|
|
|
|
|
Jarque-Bera
|
1081.660
|
768.1704
|
270.7149
|
9095.528
|
Probability
|
0.000000
|
0.000000
|
0.000000
|
0.000000
|
|
|
|
|
|
Sum
|
1833567.
|
689042.0
|
53972904
|
27138.36
|
Sum Sq. Dev.
|
1.05E+10
|
2.75E+09
|
7.62E+12
|
9993551.
|
|
|
|
|
|
Observations
|
341
|
341
|
341
|
341
|
Cross sections
|
31
|
31
|
31
|
31
|
同时对1998年到2008年期间覆盖31个省市的面板数据的341个观测值,进行最小二乘法检验,检验结果如下:
|
|
|
|
|
|
|
|
|
|
Variable
|
Coefficient
|
Std. Error
|
t-Statistic
|
Prob.
|
|
|
|
|
|
|
|
|
|
|
K?
|
0.522414
|
0.111219
|
4.697174
|
0.0000
|
FC?
|
0.016543
|
0.001343
|
12.31760
|
0.0000
|
FDI?
|
13.84617
|
1.184091
|
11.69351
|
0.0000
|
|
|
|
|
|
|
|
|
|
|
R-squared
|
0.840939
|
Mean dependent var
|
5377.028
|
Adjusted R-squared
|
0.839998
|
S.D. dependent var
|
5565.921
|
S.E. of regression
|
2226.382
|
Akaike info criterion
|
18.26290
|
Sum squared resid
|
1.68E+09
|
Schwarz criterion
|
18.29661
|
Log likelihood
|
-3110.825
|
F-statistic
|
893.4870
|
Durbin-Watson stat
|
0.433661
|
Prob(F-statistic)
|
0.000000
|
|
|
|
|
|
|
|
|
|
|
从检验结果看,我们发现各项指标非常显著,符合最初假设。
但是,我们需要对面板数据进行检验。使用时间序列、截面数据模型数据结构信息,有很多种方法进行方程估计。可以估计固定截距模型,随机截距模型,或者模型变量对各截面成员的系数不同,以及估计单独的AR项系数。也可以为各个截面成员分别估计一个方程。下面用固定截距模型进行检验。
利用EViews计算固定影响是包含总体均值截距项的变截距模型,结果如下:
|
|
|
|
|
|
|
|
|
|
Variable
|
Coefficient
|
Std. Error
|
t-Statistic
|
Prob.
|
|
|
|
|
|
|
|
|
|
|
C
|
3084.081
|
350.8438
|
8.790468
|
0.0000
|
K?
|
1.544846
|
0.277227
|
5.572493
|
0.0000
|
FC?
|
-0.005673
|
0.004106
|
-1.381539
|
0.1681
|
FDI?
|
0.870167
|
1.848208
|
0.470816
|
0.6381
|
Fixed Effects (Cross)
|
|
|
|
|
BEJ--C
|
-1096.921
|
|
|
|
TIJ--C
|
-1536.529
|
|
|
|
…
NIX—C
|
-2908.958
|
|
|
|
XIJ—C
|
-2028.270
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
Effects Specification
|
|
|
|
|
|
|
|
|
|
|
|
|
Cross-section fixed (dummy variables)
|
|
|
|
|
|
|
|
|
|
|
|
R-squared
|
0.970808
|
Mean dependent var
|
5377.028
|
Adjusted R-squared
|
0.967670
|
S.D. dependent var
|
5565.921
|
S.E. of regression
|
1000.787
|
Akaike info criterion
|
16.74934
|
Sum squared resid
|
3.07E+08
|
Schwarz criterion
|
17.13140
|
Log likelihood
|
-2821.762
|
F-statistic
|
309.3777
|
Durbin-Watson stat
|
0.850627
|
Prob(F-statistic)
|
0.000000
|
|
|
|
|
|
|
|
|
|
|
|

(8.79) (5.57)(1.38)(0.47)

(8.79) (5.57)(1.38)(0.47)
…

(8.79) (5.57)(1.38) (0.47)
R2 =0.97,Adjusted R2 =0.97, DW=0.85
从结果看,广东、山东、江苏三省的固定资产、人力资源和对外直接投资等因素对国内生产总值影响最大。
但通过固定截距模型进行检验,我们发现FC?和FDI?这两个指标并不显著。因此,我们进一步用随机影响截距模型并加权进行检验。发现FC?指标不显著工商管理毕业论文,我们加以剔除,进行回归。发现各项指标都显著,模型很好。检验如下:
Variable
|
Coefficient
|
Std. Error
|
t-Statistic
|
Prob.
|
|
|
|
|
|
|
|
|
|
|
C
|
2518.456
|
465.3291
|
5.412204
|
0.0000
|
K?
|
1.226548
|
0.092346
|
13.28212
|
0.0000
|
FDI?
|
4.776642
|
1.235163
|
3.867215
|
0.0001
|
Random Effects (Cross)
|
|
|
|
|
BEJ—C
|
-616.4936
|
|
|
|
TIJ—C
|
-1195.006
|
|
|
|
…
NIX--C
|
-2054.588
|
|
|
|
XIJ--C
|
-1319.340
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
Effects Specification
|
|
|
|
|
|
|
|
|
|
|
|
|
Cross-section random S.D. / Rho
|
795.2596
|
0.3706
|
Idiosyncratic random S.D. / Rho
|
1036.359
|
0.6294
|
|
|
|
|
|
|
|
|
|
|
|
Weighted Statistics
|
|
|
|
|
|
|
|
|
|
|
|
|
R-squared
|
0.884733
|
Mean dependent var
|
1966.398
|
Adjusted R-squared
|
0.884051
|
S.D. dependent var
|
3796.010
|
S.E. of regression
|
1292.591
|
Sum squared resid
|
5.65E+08
|
F-statistic
|
1297.161
|
Durbin-Watson stat
|
0.550668
|
Prob(F-statistic)
|
0.000000
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
Unweighted Statistics
|
|
|
|
|
|
|
|
R-squared
|
0.814231
|
Mean dependent var
|
5377.028
|
Sum squared resid
|
1.96E+09
|
Durbin-Watson stat
|
0.158929
|
|
|
|
|
|
|
|
|
|
|
|
最后,得出回归模型:

(5.41) (13.28) (3.87)

1/2 1 2 下一页 尾页 |