收稿日期：2012-10-18；修回日期：2013-01-04作者简介：叶昌友（1955—），男，安徽安庆人，南京财经大学马克思主义学院教授；王遐见（1959—
），男，江苏阜宁人，南京财
经大学马克思主义学院教授。
基金项目：江苏省教育厅重点课题
“基于社会责任的江苏国有企业价值链优化模式研究”（项目编号：2010ZDIXM010）部分成果。交通基础设施、交通运输业与区域经济增长
———基于省域数据的空间面板模型研究
叶昌友
王遐见
（南京财经大学马克思主义学院，江苏南京210003）
摘要：本文采用空间面板模型检验了交通业发展与区域经济增长的关系，研究结果表明：中国地
区间的经济增长在1997 2010年具有明显的空间相关性；铁路建设和公路建设对经济增长带动作用较为明显，公路建设中高速公路、一级公路、二级公路、三级公路和四级公路对区域经济增长的带动作用依次递减；铁路运输业比公路运输业对经济增长的作用更加明显；高速公路密度提高一个百分点可带动经济增长约0．034个百分点，铁路密度提高一个百分点可带动经济增长约0．002个百分点；2001 2010年间交通基础设施存量的增加年均带动经济增长0．78个百分点，约为经济增长率的8%。
关键词：交通基础设施；交通运输业；区域经济；空间相关性；经济增长贡献
中图分类号：F222．3
文献标识码：A
文章编号：1671-
9301（2013）02-0040-08改革开放至今，中国进入了第二个黄金发展期，
GDP 的年平均增长率超过了9%。在这一时期，中国交通也经历了跨越式发展。随着经济的快速发展，交通运输业固定资产投资也在快速增长，1985年以来，交通运输业固定资产投资占GDP 的比重基本保持在6%以上。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尤其是交通基础设施建设作为一项重要的解释因素。2008年金融危机以来，国家启动了4万亿经济刺激计划，其中很大一部分投资都集中在“铁公机”基建项目，对我国最早走出金融危机起到了重要作用。而2011年以来的欧债危机使得经济又一次陷入了困境，各地方又开始启动了交通基础设施建设这杆大旗，希望借此来拉动经济。交通基础设施投资似乎已经成为拉动经济走出困境的不二法宝。与此同时，我国交通基础设施建设出现了空间发展不平衡性，东部沿海地区明显领先于中西部地区。据统计，我国交通运输业基础设施54%分布在东部、
30%分布在中部、16%分布在西部，呈现明显梯级递减模式。交通基础设施“鸿沟”已经成为制约中西部经济快速发展的瓶颈。为此，我们有必要研究交通基础设施建设和交通运输业的发展到底对经济增
长起到了多大作用？是不是可以有效拉动经济走出困境？本文将围绕交通基础设施建设和交通运输业发展与区域经济增长的关系这一主题进行实证研究，希望为政策制定者提供一些有益的经验。
一、文献述评交通业是国民经济中的基础产业，它与国民经济其他产业相互依存、紧密相联。运输业的发展依赖于其他产业的发展，也促进其他产业的发展。计量经济学的发展为研究交通业与区域经济增长的关系提供了一套定量方法，并得出较为准确的结论。本文将从研究方法、研究对象和变量选择三个角
—
04
—（双月刊）2013年第2期（总第63期）
DOI:10.13269/https://www.doczj.com/doc/fe8852449.html,ki.ier.2013.02.001
INDUSTRIAL ECONOMICS RESEARCH
度对现有文献展开综述，进而总结出适于本文研究的思路与方法。
从现有研究方法来看，已有研究主要从两个角度展开，一种是基于时间序列的协整关系检验、误差修正模型分析以及Granger因果关系检验等［1-3］，这种方法可以判定交通业发展与区域经济增长是否存在长期稳定关系；另一种是基于截面和面板数据的计量方法［4-5］。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［2］、Hulten＆Schwab［6］、Merriman［7］研究所得的基础设施产出弹性至少达到0．39以上［8］。但是两类研究方法都存在一定的不足之处，基于时间序列的方法往往难以克服模型中的多重共线性问题，虽然面板数据计量方法能够更好地控制不可观测经济变量的影响，但由于面板数据多采用地区层面数据，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”［9］。张学良［10］的研究就表明中国的交通基础设施与经济增长表现出很强的空间聚集特征，经济增长与交通运输主要集中在东部沿海发达地区，并形成了由东往西逐步递减的梯度。空间相关性的存在使得面板数据得出的结论缺乏精确性，而空间计量学的发展为我们有效解决上述问题提供了一套较完善的计量模型，空间面板模型在继承和发展传统面板模型的基础上，将地理位置纳入模型之中，能够有效地克服空间自相关问题，从而使得出的结论更具可靠性。
从研究对象看，现有研究主要集中在交通基础设施与经济增长的关系上，这其中将基础设施投资作为资本形式和投资形成的交通基础设施密度作为考察对象的较多。如Aschauer［2］运用新古典经济增长模型，将基础设施投资的下降与随后生产率下降放在一起进行经济计量研究。Holtz-Eakin［11］将基础设施投资从总资本中分离出来，单独估计了基础设施资本对经济增长的影响。刘秉镰，武鹏等［8］采用公路、铁路的路网密度考察了交通基础设施与中国全要素生产率增长的关系。本文则认为交通业主要是从四个方面对经济增长产生影响。首先，通过交通基础设施投资直接创造经济增长。其次，通过间接引起相关产业发展的乘数效用带动经济增长。第三，交通业发展可以从空间聚集经济的角度对经济发展产生影响。第四，交通基础设施的发展和完善有利于降低物流成本进而产生经济效益。综上，我们认为除了交通基础设施外，交通运输业的发展也会对经济增长产生影响。
从代理变量选择来看，交通基础设施变量选择主要有两类路径：一种是在新古典理论分析框架下的资本概念，已有研究大部分采用这一方法；另一种是交通基础设施建设的实物形式。交通基础设施作为一种公共物品，其投资主要来源于各级政府，尤其是铁路建设的投资主要来源于国家，其投资决策并不完全遵循经济利益最大化原则，因此，采用货币衡量的交通基础设施投资额作为变量具有一定的偏差性，且无法获得确切地区数据，而采用实物形态的变量来对交通基础设施予以代理则更具有现实性。此外，本文在交通运输业的代理变量中选择公路和铁路的货运周转量。
综上，本文将就我国交通业与区域经济增长关系展开研究，采用新近发展得到的空间面板数据模型（SPDM），将交通业发展分为交通基础设施发展和交通运输业发展两部分分别研究其与区域经济发展的关系，并将交通基础设施以实物形态的变量来代理。
二、变量选取及处理
（一）交通业与区域经济发展变量选取
我国交通基础设施主要由铁路、公路、民航和水运等四大块构成，但我国交通运输主要由铁路和公路完成，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85．7%和86．9%以上，所以水运和民航运输对于我国现阶段经济发展的贡献较小，尤其是对于中西部不发达地区表现得更加突出。由于本文交通基础设施采用实物形式，考虑到区域面积的不同，我们采用铁路密度和公路密度表示各地区交通基础设施发展。其中，铁路密度采用“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于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；公路密度为“每平方公里的公路通行里程”，由于我
—
—
14
国公路统计中按路面质量、通行能力等综合条件细分为高速公路、一级公路、二级公路、三级公路、四级公路和等外公路6组数据，我们将公路密度去除等外公路分为5组数据，分别衡量各类公路对经济增长的不同影响。我国交通运输业测度指标为公路货运周转量和铁路货运周转量。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 2010年；公路密度数据的时序为1998 2010年。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》。铁路货运周转量的时序为1997 2010年；公路货运周转量的时序为1997 2010年。有关经济增长的测度指标较多，主要有GDP总量、GDP增长速度、人均GDP等等，在量度经济增长时，一般都采用实际经济增长率。但是GDP增长率测度的经济增长不能反映区域经济的历史差距，而公路和铁路密度则是在历史积累的基础上形成的。所以，本文选择人均GDP作为度量区域经济发展水平的指标。在交通运输数据中，我们采用公路货运周转量和铁路货运周转量增长率，而经济增长采用了人均GDP增长率，从而可以更好的消除自相关问题。
（二）控制变量选取
罗默在1986、1990年发表的两篇论文证明了人力资本因“干中学”效应而发生的自然增长克服了物质资本投入的报酬递减效应，带来人均收入正增长。紧接着Lucas从人均人力资本的投资及增长角度给出人均收入增长的另一机制，将人力资本增长也描写为人力资本投资的产出，并由此完成人均收入增长的机制说明。因此，在考虑经济增长时，我们将地区人力资本纳入到分析之中，作为本文的控制变量之一。此外，众多学者认为市场化将成为决定未来经济增长的动力，而中国的改革进程与未来经济的增长速度，在相当程度上取决于进一步的市场化。市场化进程在中国加入WTO之后加快了速度，其对中国经济增长做出的贡献明显上升。根据国民经济研究所中国各地区市场化指数表明，市场化在2002 2005年中，对经济增长的贡献提高了1．6个百分点，达到2．4%。因此，我们将各区域的市场化程度纳入到控制变量之中。其中，人力资本我们采用了陈钊等［12］的方法，具体采用了人均受教育年限进行测度，并按照这种办法将数据扩展到2010年。市场化程度指标测度较为复杂和困难，我们这里采用了樊纲和王小鲁等［13］测度的市场化指数予以代理。此外，中国的二元经济特征相当明显，我们采用非农化变量（non-agricultural）进行控制，具体采用了第二和第三产业产值占GDP 的比重来表示。
三、空间计量模型及空间相关性检验
（一）空间计量模型
线性回归模型是计量经济学中的经典模型，但是其面对当今复杂的经济之间的联系的时候，其实用性受到了诸多限制，尤其是在变量之间存在空间相关性和空间异质性的时候，经典的线性回归模型得出的结果就会出现严重的偏差，从而使研究结论的可靠性受到了质疑。而空间计量经济学的出现，能有效地解决变量之间存在的空间相关性的问题，它能够将经典统计和计量方法应用于与地理位置及空间交互作用相关的地理空间数据，通过使地理位置与统计变量建立联系，进而可以识别出空间变动的规律与空间模式的决定因素［14］。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（Spatial Error Model，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（Spatial Lag Model，SLM）［9］。
SEM模型可表示为：
Y it =α
+∑
n
j=1
αj X itj+εit，εit=λWεit+μit，μit N（0，σ2I）（1）
SLM模型可表示为：
Y it =α
+ρWY
it
+∑n
j=1
αj X itj+εit，εit N（0，σ2I）（2）
—
24
—
叶昌友王遐见交通基础设施、交通运输业与区域经济增长
式（1）和（2）中，脚标i 、
t 分别表示各个地区和样本的观察年度；Y 为因变量；X j 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。有关空间计量模型中，空间权重矩阵的设置方法显得尤为重要，通用的方法是采用邻接矩阵的方式，即将相邻的
区域赋予1，不相邻的区域赋予0［15］①。为了克服使用传统的OLS 方法来估计SEM 模型和SLM 模型
时产生的非有效性和不一致性，本文采用了Elhorst ［16］
发展的极大似然估计方法来判断模型适宜性，
极大似然估计方法主要针对空间面板模型，并采用对数似然函数值（Log-Likelihood ）的形式。空间面板模型下，变量X j 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X ij 对Y i 的影响还将来自于邻近地区的X j 。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：
αj
∑?
q =1
λq =
αj λ
1－λ（3）
变量X j 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：
αj
∑?
q =0
λq =
αj 1－λ
（4）
（二）空间相关性检验
在使用空间计量模型的时候，对于变量的空间相关性检验是必要的。通常判断变量间是否存在
空间相关性的一个重要方法就是Moran ［17］
提出的空间自相关指数Moran I ，具体Moran I 的计算方法如下：
Moran I =
∑n
i =1∑n
j =1
W 'ij （Y i －Y —）（Y j －Y —
）
S 2
∑n
i =1∑n
j =1
W 'ij （5）
其中，
S 2
=1
n
∑n
i =1
（Y j －Y —
），Y —
=1
n ∑n
i =1
Y i 。可以用式（1）检验是否存在空间自相关关系。
Z （d ）=
MoranI －E （I ）
VRA （I 槡）（6）
表1
中国各地区经济增长的Moran I 空间自相关检验结果（1997 2010）
为z 统计量。
Moran I 的取值范围为（－1，1）。系数为正代表变量之间存在空间正相关，系数越大空间相关性越强空间聚集度越高；系数为负代表变量之间存在空间负相关，系数越大负相关性越强，空间排斥性越高。
表1给出了Stata10．0软件计算得出的1997 2010年中国各区域经济增长的Moran I 检验结果。其
内容显示，
1997 2010各个年份中的Moran I 值均通过了1%水平下的显著性检验，
且各个Moran I 值均为正值，这表明我国省级地区的经济增长在空间上的确存在着明显的正自相关关系。由此我们可以判断，运用空间计量模型对我国交通业发展与经济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、实证结果及分析
在下文的实证分析中，我们将考察两个模型：在模型（1）中我们考虑交通基础设施建设与区域经
—
34—INDUSTRIAL ECONOMICS RESEARCH
叶昌友王遐见交通基础设施、交通运输业与区域经济增长
济增长的关系；在模型（2）中我们考虑交通运输业与区域经济增长的关系。为了便于比较，本文同时也对模型（1）和模型（2）进行了传统的面板数据计量估计。空间面板SEM模型和面板SLM模型的估计我们借助Matlab7．0软件来实现。在交通基础设施建设与区域经济增长模型中时点固定的面板SLM模型估计结果在Log似然值上要优于传统面板模型和其他空间面板模型。因此，本文将选择时点固定的面板SLM模型对我国交通基础设施建设与区域经济增长关系展开实证分析。在交通运输业发展与区域经济增长关系模型中，地区固定面板SEM模型估计结果在Log似然值上要优于传统面板模型和其他空间面板模型，而且调整的R2也较高。因此，本文将选择地区固定面板SEM模型对我国交通运输业与区域经济增长关系展开实证分析。
（一）模型实证结果
从交通基础设施建设与区域经济增长关系模型中，我们可以看出铁路基础设施建设对于经济增长带动作用就较为明显，系数达到了0．016，且通过了1%的显著性检验。从公路基础设施建设与经济发展的关系可以看出，在公路建设中，高速公路、一级公路、二级公路、三级公路和四级公路对区域经济增长的带动作用依次递减，其中高速公路的建设对经济增长的带动作用最强，系数达到了0．028，超过了铁路建设对经济增长的作用，对经济增长带动作用最小的为四级公路建设，系数不足0．001。这说明公路等级越高，对经济的发展作用也就越强。
从交通运输业与经济增长关系模型中，可以看出铁路货运周转量的增加对经济增长的影响系数为0．051，且通过了10%的显著性检验。公路货运周转量增加对经济增长的影响系数为0．001，且通过了1%的显著性检验。这说明由交通基础设施带动的交通运输业发展对于经济增长有较明显的作用。从控制变量可以看出，市场化程度和非农化水平高和人力资本丰富的地区经济增长较快。具体结果如表2所示。
（二）交通基础设施建设对经济增长的贡献率分解
为了具体分析交通基础设施对经济增长的促进作用，我们根据式（3）和式（4）计算了时点固定面板SLM模型（1）中系数显著的各类交通基础设施对经济增长的偏效应及构成，具体计算结果见表3。
从表3的结果可以看出，直接偏效应构成了交通基础设施对经济增长的总体偏效应的绝大部分，但是空间外部偏效应也占到了18．3%，这说明经济增长还是具有较强的空间外溢效应。在各类交通基础设施中，高速公路的总体偏效应最大，其密度提高一个百分点可带动经济增长约0．034个百分点，其次为铁路，其密度提高一个百分点可带动经济增长约0．020个百分点。最小的为三级公路，其密度每提高一个百分点只能带动经济增长约0．002个百分点。按照上述结果进行计算，2001 2010年间上述几类交通基础设施对中国经济增长的年均贡献率如表4所示。
从表4可看出，2001 2010年间交通基础设施存量的增加年均带动经济增长0．78%，对经济增长贡献率约为8%②。其中，高速公路对经济增长的贡献最大，其次是一级公路，最小为三、四级公路。
（三）实证结果的原因分析
从以上实证研究结果可看出，铁路和公路建设对经济的拉动作用较为明显，形成以上结果主要原因在于：第一，铁路和公路的巨大投资对区域经济增长具有直接的拉动作用。1998年以来，投资、消费、出口成为拉动国民经济增长的三驾马车，铁路和公路投资作为政府公共基础设施建设投资的重要组成部分，已经成为我国经济增长的主要动力之一。第二，铁路和公路的建设能够有效带动就业和其他产业发展，从而间接带动区域经济增长。根据铁道部的初步测算，2010年完成的6000亿元铁路基建投资，可以创造600万个就业岗位，需要钢材2000万吨，水泥1．2亿吨，对GDP拉动可以达到1．5个百分点。据测算，公路建设每投资1亿元，可以最终创造大约3亿元的国内生产总值，直接创造的公路建筑业就业岗位可达2000个。例如，2009年公路建设投资对西藏经济增长的贡献率就达到9．6%，拉动经济增长1．2个百分点。第三，铁路密度的增加可以有效解决我国客货运力不足的问题，
—
—
44
表2交通业与区域经济增长关系的实证结果
变量传统个体
固定效应
面板SEM模型面板SLM模型
地区固定时点固定双固定地区固定时点固定双固定
模型（1）（2001 2010）
铁路2．362*
（1．511）
0．004
（0．447）
0．018＊＊＊
（5．895）
0．017*
（1．463）
0．025
（0．209）
0．016＊＊＊
（6．750）
0．004
（0．352）
高速公路
－0．008
（－0．761）
0．028＊＊＊
（6．514）
0．050＊＊＊
（11．809）
0．032＊＊＊
（6．077）
0．031＊＊＊
（5．279）
0．028＊＊＊
（12．797）
0．025＊＊＊
（5．207）
一级公路0．031＊＊＊
（5．715）
0．034＊＊＊
（14．156）
0．009＊＊＊
（3．334）
0．036＊＊＊
（12．165）
0．003＊＊＊
（10．718）
0．009＊＊＊
（3．552）
0．029＊＊＊
（10．097）
二级公路0．038＊＊＊
（10．869）
0．004＊＊＊
（3．280）
0．006＊＊＊
（5．058）
0．003*
（1．893）
0．005
（2．203）
0．006＊＊＊
（6．155）
0．002*
（1．617）
三级公路0．005＊＊＊
（2．869）
－0．004＊＊＊
（－3．718）
0．002＊＊＊
（3．403）
－0．005＊＊＊
（－3．946）
0．001＊＊＊
（4．566）
0．002＊＊＊
（3．307）
0．006＊＊＊
（4．808）
四级公路－0．005＊＊＊
（－3．296）
0．000
（－0．784）
0．001＊＊＊
（4．661）
0．001＊＊＊
（3．952）
0．151＊＊＊
（0．554）
0．000＊＊
（2．018）
0．000＊＊＊
（2．957）
市场化
－0．001＊＊
（－2．643）
0．121＊＊＊
（8．801）
0．104＊＊＊
（6．586）
0．156＊＊＊
（10．934）
0．023＊＊＊
（11．344）
0．110＊＊＊
（7．803）
0．156＊＊＊
（12．600）
非农变量0．152＊＊＊
（3．426）
0．022＊＊＊
（3．144）
0．031＊＊＊
（7．373）
0．037＊＊＊
（5．294）
0．158＊＊＊
（3．413）
0．033＊＊＊
（8．578）
0．020＊＊＊
（3．124）
人力资本0．023*
（1．561）
0．074*
（1．533）
0．297＊＊＊
（8．325）
0．153＊＊＊
（3．002）
0．025
（0．209）
0．249＊＊＊
（7．868）
0．180＊＊＊
（3．787）
Wε
it 0．717＊＊＊
（19．185）
0．391＊＊＊
（6．523）
0．529＊＊＊
（10219）
WGDP 0．222＊＊＊
（4．866）
0．183＊＊＊
（5．470）
0．234＊＊
（9．230）
Adjust-R20．9120．9710．8800．9530．9630．8910．957 Log-Likelihood11．2865．24－149．959．8453．20－162．04－79．11
模型（2）（1998 2010）
铁路货物周转量0．073＊＊
（1．969）
0．051*
（1．626）
0．169＊＊＊
（4．127）
0．066*
（1．828）
0．074＊＊
（2．289）
0．176＊＊＊
（4．771）
0．078＊＊
（2．317）
公路货物周转量0．005*
（1．771）
0．001＊＊
（2．229）
0．023＊＊＊
（4．627）
－0．001
（－0．203）
－0．002
（－0．560）
0．017＊＊＊
（3．899）
－0．003
（－0．764）
市场化0．004*
（1．899）
0．005*
（1．845）
0．002
（0．673）
0．007＊＊
（2．398）
0．007＊＊＊
（2．749）
0．001
（0．448）
0．007＊＊＊
（2．645）
非农变量0．001＊＊
（2．144）
0．009＊＊＊
（5．865）
0．002＊＊
（2．826）
0．012＊＊＊
（7．352）
0．010＊＊＊
（6．677）
0．002＊＊＊
（3．255）
0．010＊＊＊
（6．978）
人力资本
0．002
（0．462）
0．020*
（1．869）
0．012＊＊
（2．357）
0．025＊＊
（2．397）
0．022＊＊
（2．141）
0．010＊＊
（2．114）
0．019＊＊
（1．937）
Wε
it 0．530＊＊＊
（10．028）
0．504＊＊＊
（9．442）
0．351＊＊＊
（5．662）
WGDP 0．141＊＊＊
（2．119）
0．266
（4．269）
0．178＊＊＊
（3．370）
Adjust-R20．2950．5810．11320．3510．5080．20210．396 Log-Likelihood418．31522．80394．36465．75508．94384．56463．33注：＊＊＊表示在1%的水平下通过了显著性检验，＊＊表示在5%的水平下通过了显著性检验，*表示在10%的水平下通过了显著性检验；括号内为t统计量。
—
54
—
INDUSTRIAL ECONOMICS RESEARCH
表3
各类交通基础设施对经济增长的偏效应
变量总体偏效应直接偏效应
空间外部偏效应
弹性占比（%）弹性占比（%）铁路0．0200．0160．004高速公路0．0340．0280．006一级公路0．0110．00981．7
0．00218．3
二级公路0．0070．0060．001三级公路
0．002
0．002
降低物流成本，从而对经济增长起到润滑剂的
作用。我国铁路总体上的运能不足是长期制约国民经济发展的瓶颈。几年来，铁路平均每年新增里程不到2%。在客货运方面，目前，铁路货运请车满足率不足35%，客运日均也有约100万坐席的缺口。因此，铁路基础设施
建设可以通过直接和间接效用带动区域经济增长。第四，交通业的发展可以从空间聚集经济的角度对经济发展产生影响，交通改善将改变区域离表4
交通基础设施对经济增长的贡献：2001 2010
（单位：%）交通基础设施
年均复合增长率
引致的经济增长
铁路1．50
0．03
高速公路17．330．59一级公路8．400．09二级公路7．410．06三级公路3．94
0．01合计
0．78
心力和向心力之间的平衡，交通基础设施对新企业的诞生、企业分布与产业布局具有很强的影响，进而可以通过产业的空间聚集带动规模经济的产生和市场扩张。铁路货运周转量增长对于区域经济的影响要大于公路货运周转量的影响，其主要原因在于：从交通运输业的发展历史可以看出，经济结构、产业结构和产品结构的变化，直接影响到运输体系的发展变化。在从第一产业向第二产业过渡的工业化初期，原材料工业急速增长，推动了
铁路和水运的发展。而新兴产业的发展则推动了公路交通和航空运输的迅速发展。从我国现阶段交通
运输结构可以看出，1998 2010年间我国铁路运输货运周转量是公路货运周转量的近2倍，但在近5年这一差距已缩小到不足1．5倍，
这说明我国已进入了工业化阶段中后期，公路运输对经济增长的作用将更加明显。
五、简单结论与政策启示
本文采用空间面板模型检验了交通业发展与区域经济增长的关系，研究结果表明，中国的交通基础设施建设和交通运输业发展对经济增长具有明显作用。具体结论如下：铁路建设对于经济增长带动作用较为明显，系数达到了0．016。公路建设中高速公路、一级公路、二级公路、三级公路和四级公路对区域经济增长的带动作用依次递减，公路建设等级越高，对经济的发展作用也越强。铁路运输业比公路运输业对经济增长的作用更加明显。高速公路密度提高一个百分点可带动经济增长约0．034个百分点，铁路密度提高一个百分点可带动经济增长约0．002个百分点。2001 2010年间交通基础设施存量的增加带动每年经济增长0．78个百分点，约为经济增长率的8%。其中，高速公路对经济增长的贡献最大，其次是一级公路。
从计量结果可以看出，中国长期致力于交通基础设施建设对于经济稳定快速增长的作用是显著的。2009年，我国政府为应对金融危机对我国经济增长的负面影响，出台了4万亿元人民币的巨额投资计划，
其中有一大部分用于交通基础设施建设。从现在看来，这一举措将能够有效地带动经济增长，有利于在短时间内摆脱金融危机对我国经济的影响。而从解决长期困扰我国经济发展过程中的区域差距角
度来看，通过大力支持中西部交通基础设施建设进而缩小东西部经济差距不失为一个明智之举。参考文献：
［1］Munnell ，A．H．，1990，“How Does Public Infrastructure Affect Regional Economic Performance ？”，New England Eco-nomic Review （10）：11—32．
［2］Aschauer ，D．A．，1989，“Is Public Expenditure Productive ？”，Journal of Monetary Economies ，2（23）：117—200．［3］王家庭，赵亮．我国交通运输与经济增长关系的实证研究：1978—2007［
J ］．四川大学学报（哲学社会科学版），2009（6）：75—81．
—
64—叶昌友王遐见交通基础设施、交通运输业与区域经济增长
INDUSTRIAL ECONOMICS RESEARCH
［4］Cazzavillan，G．，1993，“Public Spending，Endogenous Growth and Endogenous Fluctuations”，Working Paper，Universi-ty of Venice．
［5］刘生龙，胡鞍钢．交通基础设施与经济增长：中国区域差距的视角［J］．中国工业经济，2009（5）：14—19．
［6］Hulten，C．R．and Schwab R．M．，1991，“Regional Productivity Growth in US．Manufacturing”，American Economic Review，74（1）：25—36．
［7］Merriman D．，1990，“Public Capital and Regional Output：Another Look at Some Japanese and American Data”，Regio-na1Science and Urban Economics，（20）：437—441．
［8］刘秉镰，武鹏，刘玉海．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［J］．中国工业经济，2010（7）：54—64．
［9］Anselin，L．，1988，Spatial Econometrics：Methods and Models，Dordrecht：Kluwer Academic．
［10］张学良．中国交通基础设施与经济增长的区域比较分析［J］．财经研究，2007（8）：51—61．
［11］Holtz-eakin，D．，A．E．，Schwartz．，1998，“Spatial Productivity Spillovers from Public Infrastructure：Evidence from State High-way”，International Tax and Public Finance，（2）：459—468．
［12］陈钊，陆铭，金煜．中国人力资本和教育发展的区域差异：对于面板数据的估算［J］．世界经济，2004（12）：25—31．［13］樊纲，王小鲁，等．中国市场化指数———中国各地区市场化相对进程报告［M］．经济科学出版社，2001—2010．［14］吴玉鸣．空间计量经济模型在省域研发与创新中的应用研究［J］．数量经济技术经济研究，2006（5）：24—29．［15］Lesage，J．P．，1999，The Theory and Practice of Spatial Econometrics，http：//www．spatial-econometrics．com．［16］Elhorst，J．P．，2003，“Specification and Estimation of Spatial Panel Data Models”，International Regional Science Re-view，26（3）：244—267．
［17］Moran，P．A．P．，1950，“Notes on Continuous Stochastic Phenomena”，Biometrika，37（17）：445—462．
注释：
①本文将边界毗邻的省份间设置为1，不接壤的省份间设置为0。对于无陆地接壤的海南省，考虑到空间距离的接近
和经济联系的紧密程度，我们将其与广东省和广西壮族自治区视为相邻地区。
②根据北京大学国家发展中心发展研究院计算结果，2009年交通投资对经济增长的贡献率为10．63%，本文计算结果
为8%，因为本文只计算了公路和铁路建设对经济的贡献，没有涵括其他交通基础设施建设对经济增长的贡献，因此，本文计算的结果略小。
（责任编辑：雨珊）
Transport Infrastructure and Economic Growth in China ———Based on Spatial Econometrics of Panel Data with Provincial Data
Ye Changyou，Wang Xiajian
（Nanjing University of Finance and Economics，Nanjing200046，China）
Abstract：This paper analyses the relationship between transportation infrastructure and economic growth in China by Spatial econometrics of panel data．The result of empirical study show：there was obvious spatial autocorrelation been in China's economic development during years1997 2010；The railway and road construction had obvious positive impact to e-conomy in China．Highway，secondary roads，tertiary roads，and four of the road on the role of regional economic growth is decreasing；Railway transport to economic growth is more obvious than road transport；A percentage Highway density improve about0．034%economic growth，and railway density is0．002%；The addition of the stock of transport infrastructure could promote0．78%economic growth from2001to2010，and contribute about8%to annual economic growth rate．Key words：transport infrastructure；economic growth；transportation；the contribution of economic growth；spatial panel data model；economic development
—
—
74
面板数据分析简要步骤与注意事项（面板单位根检验—面板协整—回归分析） 面板数据分析方法： 面板单位根检验—若为同阶—面板协整—回归分析 —若为不同阶—序列变化—同阶建模随机效应模型与固定效应模型的区别不体现为R2的大小，固定效应模型为误差项和解释变量是相关，而随机效应模型表现为误差项和解释变量不相关。先用hausman检验是fixed 还是random，面板数据R-squared值对于一般标准而言，超过0.3为非常优秀的模型。不是时间序列那种接近0.8为优秀。另外，建议回归前先做stationary。很想知道随机效应应该看哪个R方？很多资料说固定看within，随机看overall，我得出的overall非常小0.03，然后within是53%。fe和re输出差不多，不过hausman检验不能拒绝，所以只能是re。该如何选择呢？ 步骤一：分析数据的平稳性（单位根检验） 按照正规程序，面板数据模型在回归前需检验数据的平稳性。李子奈曾指出，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，此时，对这些数据进行回归，尽管有较高的R平方，但其结果是没有任何实际意义的。这种情况称为称为虚假回归或伪回归（spurious regression）。他认为平稳的真正含义是：一个时间序列剔除了不变的均值（可视为截距）和时间趋势以后，剩余的序列为零均值，同方差，即白噪声。因此单位根检验时有三种检验模式：既有趋势又有截距、只有截距、以上都无。 因此为了避免伪回归，确保估计结果的有效性，我们必须对各面板序列的平稳性进行检验。而检验数据平稳性最常用的办法就是单位根检验。首先，我们可以先对面板序列绘制时序图，以粗略观测时序图中由各个观测值描出代表变量的折线是否含有趋势项和（或）截距项，从而为进一步的单位根检验的检验模式做准备。单位根检验方法的文献综述：在非平稳的面板数据渐进过程中,Levin andLin(1993)很早就发现这些估计量的极限分布是高斯分布,这些结果也被应用在有异方差的面板数据中,并建立了对面板单位根进行检验的早期版本。后来经过Levin et al.(2002)的改进,提出了检验面板单位根的LLC法。Levin et al.(2002)指出,该方法允许不同截距和时间趋势,异方差和高阶序列相关,适合于中等维度(时间序列介于25～250之间,截面数介于10～250之间)的面板单位根检验。Im et al.(1997)还提出了检验面板单位根的IPS法,但Breitung(2000)发现IPS法对限定性趋势的设定极为敏感,并提出了面板单位根检验的Breitung法。Maddala and Wu(1999)又提出了ADF-Fisher和PP-Fisher面板单位根检验方法。 由上述综述可知，可以使用LLC、IPS、Breintung、ADF-Fisher和PP-Fisher5种方法进行面板单位根检验。 其中LLC-T、BR-T、IPS-W、ADF-FCS、PP-FCS、H-Z分别指Levin,Lin&Chu t*
MATLAB空间面板数据模型操作简介 MATLAB安装：在民主湖资源站上下载MA TLAB 2009a，或者2010a，按照其中的安装说明安装MATLAB。（MATLAB较大，占用内存较大，安装的话可能也要花费一定的时间） 一、数据布局： 首先我们说一下MA TLAB处理空间面板数据时，数据文件是怎么布局的，熟悉eviews的同学可能知道，eviews中面板数据布局是：一个省份所有年份的数据作为一个单元（纵截面：一个时间序列），然后再排放另一个省份所有年份的数据，依次将所有省份的数据排放完，如下图，红框中“1-94”“1-95”“1-96”“1-97”中，1是省份的代号，94,95,96,97表示年份，eviews是将每个省份的数据放在一起，再将所有省份堆放在一起。 与eviews不同，MATLAB处理空间面板数据时，面板数据的布局是（在excel中说明）：先排放一个横截面上的数据（即某年所有省份的数据），再将不同年份的横截面按时间顺序堆放在一起。如图：
这里需要说明的是，MA TLAB中省份的序号需要与空间权重矩阵中省份一一对应，我们一般就采用《中国统计年鉴》分地区数据中省份的排列顺序。（二阶空间权重矩阵我会在附件中给出）。 二、数据的输入： MATLAB与excel链接：在excel中点击“工具→加载宏→浏览”，找到MA TLAB的安装目录，一般来说，如果安装时没有修改安装路径，此安装目录为：C:\Programfiles\MATLAB\R2009a\toolbox\exlink，点击excllink.xla即可完成excel与MATLAB的链接。这样的话excel中的数据就可以直接导入MATLAB中形成MATLAB的数据文件。操作完成后excel 的加载宏界面如图： 选中“Spreadsheet Link EX3.0.3 for use with MATLAB”即表示我们希望excel 与MATLAB实现链
1.excel与MATLAB链接： Excel： 选项——加载项——COM加载项——转到——没有勾选项 2. MATLAB安装目录中寻找toolbox——exlink——点击,启用宏 E:\MATLAB\toolbox\exlink 然后，Excel中就出现MATLAB工具 （注意Excel中的数据：） 3.启动matlab （1）点击start MATLAB （2）senddata to matlab ，并对变量矩阵变量进行命名（注意：选取变量为数值，不包括各变量） (data表中数据进行命名) （空间权重进行命名） （3）导入MATLAB中的两个矩阵变量就可以看见 4.将elhorst和jplv7两个程序文件夹复制到MATLAB安装目录 的toolbox文件夹
5.设置路径： 6.输入程序，得出结果 T=30; N=46; W=normw(W1); y=A(:,3); x=A(:,[4,6]); xconstant=ones(N*T,1); [nobs K]=size(x); results=ols(y,[xconstant x]); vnames=strvcat('logcit','intercept','logp','logy'); prt_reg(results,vnames,1); sige=results.sige*((nobs-K)/nobs); loglikols=-nobs/2*log(2*pi*sige)-1/(2*sige)*results.resid'*results.resid % The (robust)LM tests developed by Elhorst LMsarsem_panel(results,W,y,[xconstant x]); % (Robust) LM tests 解释
1.什么是面板数据？ 面板数据（panel data）也称时间序列截面数据（time series and cross section data）或混合数据（pool data）。面板数据是截面数据与时间序列综合起来的一种数据资源，是同时在时间和截面空间上取得的二维数据。 如：城市名：北京、上海、重庆、天津的GDP分别为10、11、9、8（单位亿元）。这就是截面数据，在一个时间点处切开，看各个城市的不同就是截面数据。如：2000、2001、2002、2003、2004各年的北京市GDP分别为8、9、10、11、12（单位亿元）。这就是时间序列，选一个城市，看各个样本时间点的不同就是时间序列。 如：2000、2001、2002、2003、2004各年中国所有直辖市的GDP分别为： 北京市分别为8、9、10、11、12； 上海市分别为9、10、11、12、13； 天津市分别为5、6、7、8、9； 重庆市分别为7、8、9、10、11（单位亿元）。 这就是面板数据。 2.面板数据的计量方法 利用面板数据建立模型的好处是：（1）由于观测值的增多，可以增加估计量的抽样精度。（2）对于固定效应模型能得到参数的一致估计量，甚至有效估计量。（3）面板数据建模比单截面数据建模可以获得更多的动态信息。例如1990-2000 年30 个省份的农业总产值数据。固定在某一年份上，它是由30 个农业总产值数字组成的截面数据；固定在某一省份上，它是由11 年农业总产值数据组成的一个时间序列。面板数据由30 个个体组成。共有330 个观测值。 面板数据模型的选择通常有三种形式：混合估计模型、固定效应模型和随机效应模型 第一种是混合估计模型（Pooled Regression Model）。如果从时间上看，不同个体之间不存在显著性差异；从截面上看，不同截面之间也不存在显著性差异，那么就可以直接把面板数据混合在一起用普通最小二乘法（OLS）估计参数。 第二种是固定效应模型（Fixed Effects Regression Model）。在面板数据散点图中，如果对于不同的截面或不同的时间序列，模型的截距是不同的，则可以采用在模型中加虚拟变量的方法估计回归参数，称此种模型为固定效应模型（fixed effects regression model）。 固定效应模型分为3种类型，即个体固定效应模型（entity fixed effects regression model）、时刻固定效应模型（time fixed effects regression model）和时刻个体固定效应模型（time and entity fixed effects regression model）。（1）个体固定效应模型。 个体固定效应模型就是对于不同的个体有不同截距的模型。如果对于不同的时间序列（个体）截距是不同的，但是对于不同的横截面，模型的截距没有显著性变化，那么就应该建立个体固定效应模型。注意：个体固定效应模型的EViwes输出结果中没有公共截距项。 （2）时刻固定效应模型。 时刻固定效应模型就是对于不同的截面（时刻点）有不同截距的模型。如果确知
MATLAB 空间面板数据模型操作简介 MATLAB 安装： 在民主湖资源站上下载 MA TLAB 2009a ，或者 2010a ，按照其中的安装说明 安装 MATLAB 。（ MATLAB 较大，占用内存较大，安装的话可能也要花费一定的时间） 一、数据布局 首先我们说一下 MA TLAB 处理空间面板数据时，数据文件是怎么布局的，熟悉 eviews 的同学 可能知道， eviews 中面板数据布局是：一个省份所有年份的数据作为一个单元（纵截面：一个时间 序列），然后再排放另一个省份所有年份的数据，依次将所有省份的数据排放完，如下图，红框中 “1-94”“1-95” “1-96” “ 1-97”中， 1是省份的代号， 94,95,96,97 表示年份， eviews 是将每个省 份的数据放在一起，再将所有省份堆放在一起。 与 eviews 不同， MATLAB 处理空间面板数据时，面板数据的布局是（在 excel 中说明）： 先排 放一个横截面上的数据（即某年所有省份的数据） ，再将不同年份的横截面按时间顺序堆放在一起。 如图：
这里需要说明的是， MA TLAB 中省份的序号需要与空间权重矩阵中省份一一对应，我们一般就采用《中国统计年鉴》分地区数据中省份的排列顺序。（二阶空间权重矩阵我会在附件中给出）。二、数据的输入： MATLAB 与 excel链接：在 excel中点击“工具→加载宏→浏览” ，找到 MA TLAB 的安装目录，一般来说，如果安装时没有修改安装路径，此安装目录为： C:\Programfiles\MATLAB\R2009a\toolbox\exlink ，点击 excllink.xla 即可完成 excel 与 MATLAB 的链接。这样的话 excel 中的数据就可以直接导入 MATLAB 中形成 MATLAB 的数据文件。操作完成后 excel 的加载宏界面如图： 选中“Spreadsheet Link EX3.0.3 for use with MATLAB ”即表示我们希望 excel 与
空间面板数据分析——R的splm包 （任建辉，暨南大学） The splm package provides methods for fitting spatial panel data by maximum likelihood and GM. 安装R软件及其编辑器Rstudio 网址：https://www.doczj.com/doc/fe8852449.html, https://www.doczj.com/doc/fe8852449.html,/ 下载好Rstudio以后，操作都可以Rstudio中完成了，包括命令的编写、命令运行、图形展示，最方便的要数查看数据了。 R界面 Rstudio界面，形如matlab
下面进入正题，了解splm包中的数据、命令及结果展示。所有命令都写在编辑窗口（studio 左上区域），可以单独的运行每行命令，也可选取一段一起执行，点run按钮。 1、首先，安装splm包并导入，命令如下: intall.packages(“splm”)，选择最近的下载点 library(splm) > library(splm) 载入需要的程辑包：MASS 载入需要的程辑包：nlme 载入需要的程辑包：spdep 载入需要的程辑包：sp 载入需要的程辑包：Matrix 载入需要的程辑包：plm 载入需要的程辑包：bdsmatrix 载入程辑包：‘bdsmatrix’ 下列对象被屏蔽了from ‘package:base’: backsolve 载入需要的程辑包：Formula 载入需要的程辑包：sandwich 载入需要的程辑包：zoo 载入程辑包：‘zoo’ 下列对象被屏蔽了from ‘package:base’: as.Date, as.Date.numeric 载入需要的程辑包：spam 载入需要的程辑包：grid Spam version 0.40-0 (2013-09-11) is loaded. Type 'help( Spam)' or 'demo( spam)' for a short introduction and overview of this package. Help for individual functions is also obtained by adding the suffix '.spam' to the function name, e.g. 'help( chol.spam)'. 载入程辑包：‘spam’ 下列对象被屏蔽了from ‘package:bdsmatrix’:
Eviews 面板数据之固定效应模型 在面板数据线性回归模型中，如果对于不同的截面或不同的时间序列，只是模型的截距项是不同的，而模型的斜率系数是相同的，则称此模型为固定效应模型。固定效应模型分为三类： 1.个体固定效应模型 个体固定效应模型是对于不同的纵剖面时间序列（个体）只有截距项不同的模型： 2 K it i k kit it k y x u λβ==++∑ (1) 从时间和个体上看，面板数据回归模型的解释变量对被解释变量的边际影响均是相同的，而且除模型的解释变量之外，影响被解释变量的其他所有（未包括在回归模型或不可观测的）确定性变量的效应只是随个体变化而不随时间变化时。 检验：采用无约束模型和有约束模型的回归残差平方和之比构造F 统计量，以检验设定个体固定效应模型的合理性。F 模型的零假设： 01231:0N H λλλλ-===???== () 1(1,(1)1)(1) RRSS URSS N F F N N T K URSS NT N K --= ---+--+: RRSS 是有约束模型（即混合数据回归模型）的残差平方和，URSS 是无约束模型ANCOV A 估计的残差平方和或者LSDV 估计的残差平方和。 实践： 一、数据：已知1996—2002年中国东北、华北、华东15个省级地区的居民家庭人均消费（cp ，不变价格）和人均收入（ip ，不变价格）居民，利用数据（1）建立面板数据（panel data ）工作文件；（2）定义序列名并输入数据；（3）估计选择面板模型；（4）面板单位根检验。年人均消费（consume ）和人均收入（income ）数据以及消费者价格指数（p ）分别见表1，2和3。 表1 1996—2002年中国东北、华北、华东15个省级地区的居民家庭人均消费（元）数据
面板数据的计量方法 1.什么是面板数据？ 面板数据（panel data）也称时间序列截面数据（time series and cross section data）或混合数据（pool data）。面板数据是截面数据与时间序列综合起来的一种数据资源，是同时在时间和截面空间上取得的二维数据。 如：城市名：北京、上海、重庆、天津的GDP分别为10、11、9、8（单位亿元）。这就是截面数据，在一个时间点处切开，看各个城市的不同就是截面数据。如：2000、2001、2002、2003、2004各年的北京市GDP分别为8、9、10、11、12（单位亿元）。这就是时间序列，选一个城市，看各个样本时间点的不同就是时间序列。 如：2000、2001、2002、2003、2004各年中国所有直辖市的GDP分别为： 北京市分别为8、9、10、11、12； 上海市分别为9、10、11、12、13； 天津市分别为5、6、7、8、9； 重庆市分别为7、8、9、10、11（单位亿元）。 这就是面板数据。 2.面板数据的计量方法 利用面板数据建立模型的好处是：（1）由于观测值的增多，可以增加估计量的抽样精度。（2）对于固定效应模型能得到参数的一致估计量，甚至有效估计量。（3）面板数据建模比单截面数据建模可以获得更多的动态信息。例如1990-2000 年30 个省份的农业总产值数据。固定在某一年份上，它是由30 个农业总产值数字组成的截面数据；固定在某一省份上，它是由11 年农业总产值数据组成的一个时间序列。面板数据由30 个个体组成。共有330 个观测值。 面板数据模型的选择通常有三种形式：混合估计模型、固定效应模型和随机效应模型 第一种是混合估计模型（Pooled Regression Model）。如果从时间上看，不同个体之间不存在显著性差异；从截面上看，不同截面之间也不存在显著性差异，那么就可以直接把面板数据混合在一起用普通最小二乘法（OLS）估计参数。 第二种是固定效应模型（Fixed Effects Regression Model）。在面板数据散点图中，如果对于不同的截面或不同的时间序列，模型的截距是不同的，则可以采用在模型中加虚拟变量的方法估计回归参数，称此种模型为固定效应模型（fixed effects regression model）。 固定效应模型分为3种类型，即个体固定效应模型（entity fixed effects regression model）、时刻固定效应模型（time fixed effects regression model）和时刻个体固定效应模型（time and entity fixed effects regression model）。（1）个体固定效应模型。 个体固定效应模型就是对于不同的个体有不同截距的模型。如果对于不同的时间序列（个体）截距是不同的，但是对于不同的横截面，模型的截距没有显著性变化，那么就应该建立个体固定效应模型。注意：个体固定效应模型的EViwes输
第二讲 面板数据线性回归模型估计、检验和应用 第一节 单因素误差面板数据线性回归模型 对于面板数据y i 和X i ，称 it it it y αε′=++X βit i it u εξ=+ 1,,; 1,,i N t T =="" 为单因素误差面板数据线性回归模型，其中，i ξ表示不可观测的个体特殊效应，it u 表示剩余的随机扰动。 案例：Grunfeld(1958)建立了下面的投资方程： 12it it it it I F C αββε=+++ 这里，I it 表示对第i 个企业在t 年的实际总投资，F it 表示企业的实际价值（即公开出售的股份），C it 表示资本存量的实际价值。案例中的数据是来源于10个大型的美国制造业公司1935-1954共20年的面板数据。 在EViews6中设定面板数据（GRUNFELD.wf1） Eviews6 中建立面板数据 EViews 中建立单因素固定效应模型
1.1 混合回归模型 1 面板数据混合回归模型 假设1 ε ~ N (0, σ2I NT ) 对于面板数据y i 和X i ，无约束的线性回归模型是 y i = Z i δi + εi i =1, 2, … , N (4.1) 其中' i y = ( y i 1, … , y iT )，Z i = [ ιT , X i ]并且X i 是T×K 的，' i δ是1×(K +1)的，εi 是T×1的。 注意：各个体的回归系数δi 是不同的。 如果面板数据可混合，则得到有约束模型 y = Z δ + ε (4.2) 其中Z ′ = (' 1Z ,' 2Z , … ,'N Z )，u ′ = ('1ε,'2ε, … ,' N ε)。 2 混合回归模型的估计 当满足可混合回归假设时， ()1''?Z Z Z Y ?=δ 在假设1下，对于Grunfeld 数据，基于EViews6建立的混合回归模型 3 面板数据的可混合性检验 假设检验原理：基于OLS/ML 估计，对约束条件的检验。 （1） 面板数据可混合的检验 推断面板数据可混合的零假设是： 1 H ：对于所有的i 都有δi = δ. 检验约束条件的统计量是Chow 检验的F 统计量
空间面板数据计量经济分析 空间面板数据计量经济分析 *以上分别介绍了区域创新过程中空间效应（依赖性和异质性）的空间计量检测，以及纳入空间效应的计量模型的估计方法——空间常系数回归模型（空间滞后模型，SLM 和空间误差模型，SEM ）和空间变系数回归模型（地理加权回归模型，GWR ）；同时还介绍和分析了面板数据（Panel Data ）计量经济学方法的估计和检验。 *可以看出，目前的空间计量经济学模型使用的数据集主要是截面数据，只考虑了空间单元之间的相关性，而忽略具有时空演变特征的时间尺度之间的相关性，这显然是一个美中不足。 *Anselin （1988）也认识到这一点。当然，大多学者通过将多个时期截面数据变量计算多年平均值的办法来综合消除时间波动的影响和干扰，但是这种做法仍然造成大量具有时间演变特征的创新行为信息的损失，从而无法科学和客观地认识和揭示具有时空二维特征的研发与创新过程的真实机制。*面板数据（Panel Data ）计量经济模型作为目前一种前沿的计量经济估计技术，由于其可以综合创新行为变量时间尺度的信息和截面（地域空间）单元的信息，同时集成考虑了时间相关性和空间（截面）相关性，因而能够科学而客观地反映受到时空交互相关性作用的创新行为的特征和规律，是定量揭示研发、知识溢出与区域创新相互作用关系的有效方法。但是，限于在所有时刻对所有个体（空间）均相等的假定（即不考虑空间效应），面板数据计量经济学理论也有其美中不足之处，具有很大的改进余地。 *鉴于空间计量经济学理论方法和面板数据计量经济学理论方法各有所长，把面板数据模型的优点和空间计量经济学模型的特点有机结合起来，构建一个综合考虑了变量时空二维特征和信息的空间面板数据计量经济模型，则是一种新颖的研究思路。以下根据空间计量经济模型和标准的面板数据模型[1]的建模思路，提出空间面板数据（Spatial Panel Data Model ，SPDM ）模型的建模思路和过程。 [1]与动态面板数据模型的建模思路类似，只要施加一些假定，引入因变量的滞后项，则为空间动态面板数据模型。 空间滞后面板数据计量分析 *考虑一个标准的面板数据模型： it it it it it y αx βμ=++*如果将变量的真实的区域空间自相关性（依赖性）（Anselin &Florax ，1995）考虑到创新行为中来，这种创新行为的空间自相关性可以视为区域创新过程中的一种外部溢出形式，这样则可以设定如下模型： it it it it it it y αWy x βμρ=+++*上式为空间滞后面板数据（Spatial Lag Panel Data Model ，SLPDM ）计量经济模型。其中，是创新的空间滞后变量，主要度量在地理空间上邻近地区的外部知识溢出，是一个区域在地理上邻近的区域在时期创新行为变量的加权求和。 空间误差面板数据计量分析 *如果在创新行为的空间依赖性存在误差扰动项中来测度邻近地区创新因变量的误差冲击对本地区创新行为的影响程度，则可以通过空间误差模型的空间依赖性原理可得： it it it it it y αx βμ=++it it it W μλμε=+*上式即为空间误差面板数据（Spatial Error Panel Data Model ，SEPDM ）计量经济模型。其中，参数衡量了样本观察值的误差项引进的一个区域间溢出成分。 *因为已经在面板数据模型中考虑了创新行为变量的空间依赖性，因此采用一般面板数据模型的估计技术如OLS 或GLS 等将具有良好的估计效果。如果能够综合考虑面板数据模型中的一些假定，如时间加权（Period Weights ）或截面加权（Cross-section Weights ），则可获得更加符合创新现实的估计结果。
与MATLAB链接： Excel： 选项——加载项——COM加载项——转到——没有勾选项 2. MATLAB安装目录中寻找toolbox——exlink——点击,启用宏 E:\MATLAB\toolbox\exlink 然后，Excel中就出现MATLAB工具
（注意Excel中的数据：） 3.启动matlab （1）点击start MATLAB （2）senddata to matlab ，并对变量矩阵变量进行命名（注意：选取变量为数值，不包括各变量）
(data表中数据进行命名) （空间权重进行命名） （3）导入MATLAB中的两个矩阵变量就可以看见
4.将elhorst和jplv7两个程序文件夹复制到MATLAB安装目录的toolbox文件夹 5.设置路径：
6.输入程序，得出结果 T=30; N=46; W=normw(W1); y=A(:,3);
x=A(:,[4,6]); xconstant=ones(N*T,1); [nobs K]=size(x); results=ols(y,[xconstant x]); vnames=strvcat('logcit','intercept','logp','logy'); prt_reg(results,vnames,1); sige=*((nobs-K)/nobs); loglikols=-nobs/2*log(2*pi*sige)-1/(2*sige)*'* % The (robust)LM tests developed by Elhorst LMsarsem_panel(results,W,y,[xconstant x]); % (Robust) LM tests 解释 每一行分别表示：
空间面板数据分析——R的s p l m包 （任建辉，暨南大学） The splm package provides methods for fitting spatial panel data by maximum likelihood and GM. 安装R软件及其编辑器Rstudio 网址：https://www.doczj.com/doc/fe8852449.html, 下载好Rstudio以后，操作都可以Rstudio中完成了，包括命令的编写、命令运行、图形展示，最方便的要数查看数据了。 R界面 Rstudio界面，形如matlab 下面进入正题，了解splm包中的数据、命令及结果展示。所有命令都写在编辑窗口（studio左上区域），可以单独的运行每行命令，也可选取一段一起执行，点run按钮。 1、首先，安装splm包并导入，命令如下: intall.packages(“splm”)，选择最近的下载点 library(splm) > library(splm) 载入需要的程辑包：MASS 载入需要的程辑包：nlme 载入需要的程辑包：spdep 载入需要的程辑包：sp 载入需要的程辑包：Matrix 载入需要的程辑包：plm 载入需要的程辑包：bdsmatrix 载入程辑包：‘bdsmatrix’ 下列对象被屏蔽了from ‘package:base’: backsolve
载入需要的程辑包：Formula 载入需要的程辑包：sandwich 载入需要的程辑包：zoo 载入程辑包：‘zoo’ 下列对象被屏蔽了from ‘package:base’: 载入需要的程辑包：spam 载入需要的程辑包：grid Spam version 0.40-0 (2013-09-11) is loaded. Type 'help( Spam)' or 'demo( spam)' for a short introduction and overview of this package. Help for individual functions is also obtained by adding the suffix '.spam' to the function name, e.g. 'help( chol.spam)'. 载入程辑包：‘spam’ 下列对象被屏蔽了from ‘package:bdsmatrix’: backsolve 下列对象被屏蔽了from ‘package:base’: backsolve, forwardsolve 载入需要的程辑包：ibdreg 载入需要的程辑包：car 载入需要的程辑包：lmtest 载入需要的程辑包：Ecdat 载入程辑包：‘Ecdat’ 下列对象被屏蔽了from ‘package:car’: Mroz 下列对象被屏蔽了from ‘package:nlme’: Gasoline 下列对象被屏蔽了from ‘package:MASS’: SP500 下列对象被屏蔽了from ‘package:datasets’: Orange 载入需要的程辑包：maxLik 载入需要的程辑包：miscTools Please cite the 'maxLik' package as: Henningsen, Arne and Toomet, Ott (2011). maxLik: A package for maximum likelihood es timation in R. Computational Statistics 26(3), 443-458. DOI 10.1007/s00180-010-0217 -1. If you have questions, suggestions, or comments regarding the 'maxLik' package, plea se use a forum or 'tracker' at maxLik's R-Forge site: Warning message: 程辑包‘Matrix’是用R版本3.0.3 来建造的 注意：在导入splm时，如果发现还有其他配套的包没有安装，需要先安装。 2、接着，查看数据及结构，命令如下：
第三讲 面板数据线性回归模型估计、检验和应用 单因素误差面板数据线性回归模型 对于面板数据y i 和X i ，称 it it it y u α′=++X βit i it u v μ=+ 1,,;1,,i N t T =="" 为单因素误差面板数据线性回归模型，其中，i μ表示不可观测的个体特殊效应，it v 表示剩余的随机扰动。 案例：Grunfeld(1958)建立了下面的投资方程： 12it it it it I F C u αββ=+++ 这里，I it 表示对第i 个企业在t 年的实际总投资，F it 表示企业的实际价值（即公开出售的股份），C it 表示资本存量的实际价值。案例中的数据是来源于10个大型的美国制造业公司1935-1954共20年的面板数据。 在Stata 中设定面板数据（GRUNFELD.dta ） . xtset FN YR panel variable: FN (strongly balanced) time variable: YR, 1935 to 1954 delta: 1 unit 混合回归模型 假设1 u ~ N (0, σ2I NT ) 对于面板数据y i 和X i ，无约束的线性回归模型是 y i = Z i δi + u i i =1, 2, … , N (4.1) 其中'i y = ( y i 1, … , y iT )，Z i = [ ιT , X i ]并且X i 是T×K 的，'i δ是1×(K +1)的，u i 是T×1的。 注意：各个体的回归系数δi 是不同的。 如果面板数据可混合，则得到有约束模型 y = Z δ + u (4.2) 其中Z ′ = ('1Z ,'2Z , … ,'N Z )，u ′ = ('1u ,'2u , … ,' N u )。 在假设1下，对于Grunfeld 数据，建立的混合回归模型 Stata 命令：. regress I F C
Stata命令大全面板数据计量分析与软件实现 说明：以下do文件相当一部分内容来自于中山大学连玉君STATA教程，感谢他的贡献。本人做了一定的修改与筛选。 *----------面板数据模型 * 1.静态面板模型：FE 和RE * 2.模型选择：FE vs POLS, RE vs POLS, FE vs RE （pols混合最小二乘估计） * 3.异方差、序列相关和截面相关检验 * 4.动态面板模型（DID-GMM,SYS-GMM） * 5.面板随机前沿模型 * 6.面板协整分析（FMOLS,DOLS） *** 说明：1-5均用STATA软件实现， 6用GAUSS软件实现。 * 生产效率分析（尤其指TFP）：数据包络分析（DEA）与随机前沿分析（SFA） *** 说明：DEA由DEAP2.1软件实现，SFA由Frontier4.1实现，尤其后者，侧重于比较C-D与Translog生产函数，一步法与两步法的区别。常应用于地区经济差异、FDI 溢出效应（Spillovers Effect）、工业行业效率状况等。 * 空间计量分析：SLM模型与SEM模型 *说明：STATA与Matlab结合使用。常应用于空间溢出效应（R&D）、财政分权、地方政府公共行为等。 * --------------------------------- * --------一、常用的数据处理与作图----------- * --------------------------------- * 指定面板格式 xtset id year （id为截面名称，year为时间名称） xtdes /*数据特征*/ xtsum logy h /*数据统计特征*/ sum logy h /*数据统计特征*/ *添加标签或更改变量名 label var h "人力资本"
第16章静态面板数据模型时间序列数据或截面数据都是一维数据。例如时间序列数据是变量按时间得到的数据；截面数据是变量在截面空间上的数据。 面板数据（panel data）也称时间序列截面数据（time series and cross section data）或混合数据（pool data）。面板数据是同时在时间和截面空间上取得的二维数据。面板数据从横截面（cross section）上看，是由若干个体（entity, unit, individual）在某一时刻构成的截面观测值，从纵剖面（longitudinal section）上看是一个时间序列。 对于面板数据y it（i=1,2,…，N，t=1,2,…，T）来说，如果从横截面上看，每个变量都有观测值，从纵剖面上看，每一期都有观测值，则称此面板数据为平衡面板数据（balanced panel data）。若在面板数据中丢失若干个观测值，则称此面板数据为非平衡面板数据（unbalanced panel data）。 本章主要讨论静态面板数据模型的相关理论及软件操作，首先从模型的检验开始到介绍变截距模型中的固定影响变截距模型和随机影响变截距模型，然后到变系数模型。本章的流程图如下：
16.1面板数据模型建模的基本原理 在应用多元回归分析建立的计量经济模型时，如果所建的模型中缺失了某些不可观测的重要解释变量，使得回归模型随机误差项常常存在自相关。于是回归参数的最小二乘法OLS 估计量不再是无偏估计或有效估计。但是，运用面板数据建立的计量经济模型时，对于一些忽略的解释变量可以不需要其实际观察值，而通过控制该变量对被解释变量的影响的方法获得模型参数的无偏估计。 由此可见，面板数据不仅可以同时利用截面数据和时间序列数据建立计量经济模型，而且能更好地识别和度量单纯的时间序列模型和单纯截面数据模型所不能发现的影响因素，它能够构造和检验更复杂的行为模型。例如：在宏观领域，它被广泛用于劳动经济学、国际金融、经济增长、产业结构、技术创新、税收政策等领域。 16.1.1面板数据模型基本框架 面板数据能更好地识别和度量时间序列或截面数据不可发觉的效应，有助于建立和检验更复杂的行为模型，其基本模型是如下形式的一般回归模型： 1,2,,,1,2,,it it it i t it y x i N t T αβδγε=++++==L L （16.1.1） 其中：it y 是个体i 在时间t 时期的观测值，α表示模型的常数项，i δ代表固定或者随机的截面效应，t γ代表固定或者随机的时期效应，it x 表示k 阶解释变量观测值向量。β表示解释变量的系数向量，并且在根据其条件的限制分为三种值，一是对所有截面和时期都是相同的常数，二是在不同的截面是不同的系数，三是在不同的时期是不同的。it ε是独立同分布的误差项，即()0it E ε=。 在公式（16.1.1）中，如果考虑k 个解释变量，自由度NT 远小于参数个数，对于截面成员方程，待估计参数的个数为((1))NT k N ++，对于时间截面方程，待估计参数的个数为((1))NT k T ++，这使得该模型无法估计。为了对模型进行估计，则可以建立以下的两类模型：从个体成员角度考虑，建立含有N 个个体成员方程的面板数据模型；在时间点上截面，建立含有T 个时间点截面方程的面板数据模型。 1）含有N 个个体成员方程的面板数据模型 模型形式如下： i T i it i T T i y l x l I αβδγε=++++ （16.1.2） 其中：i y 是个体i 的观观测值的时间序列。系数向量β取值受不同个体的影响，i x 表示个体i 解释变量观测值时间序列。T l 是T 阶的单位行向量，T I 是T 阶的单位列向量。 '12()T γγγγ=L ，，，，包括所有的时点效应。该式含有N 个截面方程。
由传递函数转换成状态空间模型——方法多!!! SISO 线性定常系统 高阶微分方程化为状态空间表达式 SISO ()()()()()()m n u b u b u b y a y a y a y m m m n n n n ≥+++=++++--- 1102211ΛΛ )(2 211110n n n n m m m a s a s a s b s b s b s G +++++++=---ΛΛ 假设1+=m n 外部描述 ←—实现问题：有了内部结构—→模拟系统 内部描述 SISO ???+=+=du cx y bu Ax x & 实现问题解决有多种方法，方法不同时结果不同。 一、 直接分解法 因为 1 0111 11()()()() ()()()() 1m m m m n n n n Y s Z s Z s Y s U s Z s U s Z s b s b s b s b s a s a s a ----?=? =?++++++++L L ???++++=++++=----) ()()() ()()(11 11110s Z a s a s a s s U s Z b s b s b s b s Y n n n n m m m m ΛΛ 对上式取拉氏反变换，则 ???++++=++++=----z a z a z a z u z b z b z b z b y n n n n m m m m &Λ&Λ1) 1(1)(1)1(1)(0 按下列规律选择状态变量，即设)1(21,,,-===n n z x z x z x Λ&，于是有 ?????? ?+----===-u x a x a x a x x x x x n n n n 12113 22 1Λ&M &&
第二组数量经济与理论方法（二）（数理经济学等），全文11932字。 我国教育投资与经济增长的关系研究 ——基于面板数据和空间计量模型的研究 朱璐璐肖腊珍① （中南财经政法大学统计与数学学院） 【摘要】教育投资是人力资本形成的重要途径。在对教育投资等内涵的理解基础上，从教育投资规模、教育投资质量和教育投资公平度三个方面选取反映教育投资状况的指标，运用教育基尼系数量化了我国1997-2007年30个省份的教育投资公平程度。运用单位根检验、协整检验、格兰杰因果检验研究我国教育资和经济增长之间的互动因果关系，建立合适的Panel Data和空间计量模型进行实证研究。研究结果表明教育投资规模对经济增长的促进作用非常明显，但是当基础教育提高到一定水平后，对经济增长的促进作用开始逐步递减；各区域的高等学历人才并不多，对经济增长的贡献率非常低；目前东、中部地区的教育投资的公平状况明显好于西部地区，公平的教育资源分配可以较好促进经济的发展。并提出要继续加大各地区教育投入，同时注重高等人才的培养，继续解决好教育投资公平问题。 关键词：教育投资规模教育投资质量教育投资公平教育基尼系数 引言 中国是世界上最大的发展中国家，经济增长是实现人民生活达到小康水平以及赶上中等发达国家经济发展水平目标的主要途径，因而经济增长理所当然地成为了中国经济理论研究的重点。中国幅员辽阔、自然资源丰富，人口众多，劳动力资源充足，但是人口质量不高，人力资本存量不多，人力资本结构与经济发展的需求严重失衡。人力资本低质量，低存量造成的人力资本缺乏使其外在效应的产出受到严重限制，人力资本收益递增的规律难以发挥。 自改革开放以来，我国各区域发展差距不断扩大，东部地区发展形势较好，西部地区经济发展较差。除了政策以及地域、气候因素外，劳动者的素质有着非常大的影响作用。地区差异的拉大使得高素质的劳动力继续往东部流动，尤其集中在北京、上海、江苏、浙江和广东等地，促使这些地区的经济发展更快，而东西部的差异继续增大。因此本文希望通过实证分析找出我国各省、市教育投资与经济发展程度的关系，也分析经济增长对教育投资在各不同区域所带来的反作用，同时寻找我国目前教育投资状况不足的原因，给出相关建议。 一、文献综述 最早正视教育投资问题的英国古典经济学创始人威廉·配第（William Petty,1676）指出劳动创造价值、复杂劳动比简单劳动创造更多的价值。1776年，英国古典政治经济学奠基人亚当·斯密（Adam Smith,1776）最早明确提出并重视教育投资问题，他认为资本的累积、就业人口的增加及技术进步构成经济理论发展基础的三要素。进入19世纪，德国历史学派的 ①作者简介：朱璐璐，1985.4出生,女，中南财经政法大学统计与数学学院，统计学研究生； 肖腊珍，1964.1出生，女，中南财经政法大学统计与数学学院，硕士，副教授。中国数量经 济学会会员。