| 以上文献概况了国内外关于FDI与东道国创新能力关系的研究状况，其中的实证研究在进行分析的时候往往忽略了各变量平稳性的平稳性建议，很容易造成虚假回归的情形。本文将在全国省际面板数据的基础上论文网，运用多重共线性检验、面板单位根检验、面板协整检验，对各省市FDI引进和技术创新状况进行定量分析，试图找出两者之间长期内在均衡关系。
3计量模型设定及说明
技术进步也是一种社会产出，同样依赖资本、人力等各种经济资源的投入，本模型的设定采用类似Cobb-Dauglas生产函数的对数生产函数形式，即：
其中，Y被视作技术进步的程度，A被视为外国直接投资在中国的影响程度，K和L被视为在科技研发中投入的资金和劳动。在这一基本函数形式的基础上稍加变形，得出本文的计量实证模型：
 （1）
之所以采取对各变量采取对数形式，一方面是为了有效地消除异方差对模型的影响，另一方面可以使变量的趋势线性化，直观地看到因变量对各个自变量变动的弹性。
其中，cxit是i省（市）第t年的专利申请授予量，以此作为中国各个省市技术进步的度量。wzit是i省（市）第t年的外国直接投资存量，本文采取每年年底各省市所有外商投资企业中的外方资本登记数量作为衡量指标，在这一指标基础上按照当年年末公布的人民币汇率换算为人民币数额，进而通过每年公布的固定资产投资价格指数进行平减，换算成2000年的价格水平。这是因为外国直接投资对中国各个地区的示范效应和竞争效应是长期和持久的论文网，只用当年进入的外国直接投资流量来衡量其在中国的影响显然是不恰当的。更为关键的是2005、2006、2008年的中国各省市引进FDI的面板数据也没有披露，因此使用FDI流量作为自变量在技术上也行不通。Cait是i省（市）第t年的全社会固定资产存量，这是进行科技研发活动的物质基础。在这里采用“永续盘存法”对其进行估计，公式为：Kit=Kit-1(1-δ)+Iit/Pit。其中I为当年价格的固定资产投资额，P为固定资产投资价格指数，δ是固定资产折旧率，最终以2000年为不变价格计算出2000―2008各年各省的物质资本存量。Huit是i省（市）第t年的人力资本存量，本文采取教育程度作为人力资本高低的标准，具体而言就是将i省（市）第t年所有人口的受教育年限求和作为人力资本存量多寡的指标。
本文的数据区间为2000年至2008年，范围是中国的除西藏外的30个省市，这是因为关于西藏的统计数据存在缺失严重。在本面板数据模型中，每个变量都需要270个数据，所有数据均来自国家统计局官方网站（http://www.stats.gov.cn/）中的国家统计数据库，没有数据缺失。经过F检验和H检验的对比，决定采用固定效应模型对模型（1）进行估计，估计结果如下：
log(cxit)=-9.607+c(i)-0.1049log(wzit)+0.9436log(cait)+1.0643log(huit)
(-1.516) (11.346***)(4.1870***) R2=0.9812
括号中的数值为该系数估计值的t统计量，*表示在10%的显著性水平下显著，**表示在5%的显著性水平下显著，***表示在1%的显著性水平下显著论文网，以下相同。模型(1)中自变量log(wzit)的系数估计值不显著，而R2却非常高，考虑到在同一个时期同一个地区实物资本、人力资本与FDI存量往往有着相同的变化趋势，因此怀疑模型(1)中存在多重共线性。基于固定效应模型，用log(wzit)分别对log(cait)和log(huit)进行回归，结果如下：
log(wzit)=-3.808767+c(i)+0.896764log(cait)
(-11.07548***) (22.96232***)R2=0.983830
log(wzit)=-24.88986+c(i)+3.051244log(huit)
(-11.21036***) (13.04924***)R2=0.968167
c(i)表示各省市的个体固定效应，在这两个回归模型中，变量log(cait)和log(huit)的系数估计值高度显著，而且R2非常高，都在95%以上，可见log(wzit)和这两个变量之间存在高度地线性相关，若采取模型（1），则会导致一系列不良后果，如参数估计量不存在、OLS参数估计量的方差变大、参数估计量经济含义不合理、变量的显著性检验和模型的预测功能失去意义等。为了克服多重共线性，现在模型中排除log(cait)和log(huit)。因此模型（1）变成了：
 （2）
4计量模型检验及结果
4.1模型的平稳性检验
如果直接对模型(2)进行回归，而不考虑变量log(cxit)和log(wzit)的平稳性，则很有可能导致虚假回归，所以必须对其进行平稳性检验。本文使用Eviews6.0对其进行了面板单位根检验，这一检验的困难在于必须考虑横截面的异质性。检验结果如表1：
表1：变量log(cxit)和log(wzit)的面板单位根检验结果
|
变量
|
LLC-t
|
Breitung-t
|
IPS-w
|
ADF-χ2
|
PP-χ2
|
|
log(cxit)
|
-5.83353***
|
4.68376
|
094798
|
53.5778
|
81.6066
|
|
D(log(cxit))
|
-15.3321***
|
-3.94651***
|
-1.22078
|
96.7439***
|
177.405***
|
|
log(wzit)
|
-6.49829***
|
3.67551
|
1.01957
|
59.9899
|
65.9758
|
|
D(log(wzit))
|
-15.4410***
|
-0.55056**
|
-0.92807
|
88.2021**
|
162.485***
|
上述检验以ADF检验为基础论文网，均采用了AR（1）过程，具体形式为：
加入Δyit的滞后项是为了克服自相关，其滞后的具体项数由SCHWARZ准则自行决定。上述五种检验中，LLC和Breitung检验属于同质单位根检验（common root test），IPS、ADF和PP检验属于异质单位根检验（individual root test）。由检验结果可以看出，5个统计量中有4个在5%的显著性水平下不能拒绝log(cxit)与log(wzit)存在单位根的原假设，而对这两个变量进行了一阶差分之后，5个统计量中有4个在5%的显著性水平下拒绝了存在单位根的原假设，考虑到本文采用的时间序列数据时间跨度比较短，因而可以认定log(cxit)与log(wzit)都是I（1）过程。所以log(cxit)与log(wzit)有可能建立协整关系。
4.2面板数据的协整检验和协整估计
通过面板协整检验，可以验证log(cxit)与log(wzit)这两个同阶非平稳序列是否存在长期均衡关系。这一检验方法类似E-G检验，基于回归模型的残差构造出的7个统计量判断变量之间是否存在协整关系，检验结果见表2。
表2：变量log(cxit)和log(wzit)的面板协整检验结果
|
Panel-v
|
Panel-rho
|
Panel-pp
|
Panel-adf
|
Group-rho
|
Group-pp
|
Group-adf
|
|
13.2715***
|
2.2534
|
-2.9465***
|
-3.1356***
|
4.438566
|
-6.6374***
|
-3.5879***
|
上述7个检验统计量中有5个在1%的显著性水平下拒绝了变量log(cxit)与log(wzit)不存在协整关系的原假设。根据Pedroni(1999)[25]：小样本中，panel adf-stat、group adf-stat检验效果最好，panel v-stat、group rho-stat检验效果最差，其他则处于中间。由于panel adf-stat、group adf-stat这两个指标在1%的显著性水平上依然显著，可以认定log(cxit)与log(wzit)存在协整关系，即长期均衡关系。用同样的思路，分别对东部、中部和西部的面板数据进行平稳性检验和协整检验论文网，可以得出完全相同的的结论。
用全国面板数据对变量log(cxit)与log(wzit)进行协整回归，有三种估计方式：混合模型、固定效应模型和随机效应模型。估计结果见表3：
表3：运用三种模型对变量log(cxit)与log(wzit)进行回归的结果
|
|
混合模型
|
固定效应模型
|
随机效应模型
|
|
log(wzit)系数
|
0.813750
|
0.887828
|
0.860969
|
|
t-Statistic
|
（30.21168***）
|
(16.47544***)
|
(19.64464***)
|
|
R2
|
0.778962
|
0.947679
|
0.598642
|
现通过F检验和Hausman检验对这三种模型进行取舍，检验结果见表4：
表4：F检验和Hausman检验结果
|
Cross-sectiong F-statistic
|
Hausman χ2-statistic
|
|
25.359377***
|
8.674033**
|
因为F和H统计量在5%的水平上都是显著地，因此应该选用固定效应模型进行协整回归。分别对东部、中部和西部的面板数据进行F检验和H检验也得出相同结论。全国、东部、中部、西部的面板数据基于固定效应模型的协整回归结果见表5：
表5：基于固定效应模型的全国、东部、中部、西部的面板数据协整回归结果
|
|
因变量
|
共同截距项
|
log(wzit)系数
|
R2
|
F
|
|
全国
|
log(cxit)
|
4.8252 （21.8338***）
|
0.8834 （16.4592***）
|
0.944
|
133.8
|
|
东部
|
log(cxit)
|
3.0196 （6.2202***）
|
1.1534 （13.2496***）
|
0.942
|
129.0
|
|
中部
|
log(cxit)
|
4.9764 （15.3561***）
|
0.8994 （10.6819***）
|
0.838
|
40.63
|
|
西部
|
log(cxit)
|
5.7709 （15.3561***）
|
0.6021 （10.6819***）
|
0.900
|
70.79
|
由此得到四组面板数据各自的非均衡误差(ECMi,t)，分别对其进行面板单位根的平稳性检验。以全国面板数据为例，检验结果见表6：
表6：全国面板数据非均衡误差的平稳性检验结果
|
变量
|
LLC-t
|
Breitung-t
|
IPS-w
|
ADF-χ2
|
PP-χ2
|
|
ECMi,t
|
-14.8552***
|
-2.39539***
|
-1.09893
|
93.1967***
|
172.094***
|
图1：全国面板数据协整回归非均衡误差分布示意图
从表6的五个指标可以看出，有四个指标在1%的显著性水平上拒绝了关于ECMi,t存在面板单位根的原假设，只有IPS-w不拒绝原假设。结合图1所示的非均衡误差分布（采用Stata10.0制作），可以认定ECMi,,t是平稳的，不存在单位根。用同样的方法，分别对东部、中部、西部的协整回归进行ECMi，t面板单位根检验，也可以得到相同的结论。在此基础上，各自建立误差修正模型(ECM)，结果见表七：
表7：全国、东部、西部、东部面板数据的ECM模型
|
|
因变量
|
d(log(wzit))系数
|
ECMi,t-1系数
|
|
全国
|
d(log(cxit))
|
0.059118 (1.1024)
|
-0.062291 (-1.9538*)
|
|
东部
|
d(log(cxit))
|
0.302029 (3.3291***)
|
-0.1553404 (-3.4764***)
|
|
中部
|
d(log(cxit))
|
0.036816 (0.4073)
|
-0.012266 (-0.1886)
|
|
西部
|
d(log(cxit))
|
-0.059700 (-0.6539)
|
-0.019699 (-0.3174)
|
4.3面板数据的滞后分析结果
由于专利申请从提出到最终授权需要比较长的周期，因此用各个省市每年的专利申请授权量作为各个省市创新能力的指标存在滞后性。以全国面板数据为例，基于固定效应模型用log(cxit)分别对log(wzit)的即期、滞后一期、滞后二期和滞后三期进行回归，回归结果见表八：
表8：log(cxit)分别对log(wzit)即期和滞后三期的回归结果
|
|
log(wzit)
|
log(wz(-1)it)
|
log(wz(-2)it)
|
log(wz(-3)it)
|
|
log(cxit)
|
0.883391 (16.4592***)
|
|
|
|
|
log(cxit)
|
0.441070
(3.537160***)
|
0.484450
(3.922988***)
|
|
|
|
log(cxit)
|
0.516891
(4.234248***)
|
-0.030153
(-0.188698)
|
0.530640
(4.378214***)
|
|
|
log(cxit)
|
0.267165
(2.129520**)
|
0.276783
(1.705211*)
|
0.149563
(0.966956)
|
0.399351
(3.217722***)
|
5结论与建议
从上述对全国、东部、中部、西部各省市log(cxit)与log(wzit)面板数据的分析中，可以发现各省市FDI存量与创新能力（专利申请授权量）之间的关系呈现如下特点：
2/3 首页 上一页 1 2 3 下一页 尾页 |
