環(huán)渤海外資集聚實(shí)證分析

李會坦

（曲阜師范大學(xué)翻譯學(xué)院，山東 日照 276826）

一、引言

以往很多有關(guān)外資集聚的文獻(xiàn)將僅外商投資作為一個(gè)地理空間上彼此獨(dú)立的變量加入模型，而忽略掉了不同城市外商投資在空間地理上的相互影響與聯(lián)系，然而這種經(jīng)濟(jì)上的聯(lián)系是實(shí)際存在的，本文在對環(huán)渤海經(jīng)濟(jì)增長的研究中就克服了以上問題，將空間滯后 ( Spacial Lag )因素納入對影響FDI集聚的考察。另外，F(xiàn)DI的區(qū)位選擇常同集聚經(jīng)濟(jì)，市場規(guī)模以及工資等其他變量聯(lián)系起來，但是FDI自身也具有自我強(qiáng)化的特點(diǎn) (Self-Reinforcing)，忽略這一點(diǎn)雖然也能得到比較顯著的估計(jì)結(jié)果，但是得出的結(jié)果并不能真正反映變量之間的真正關(guān)系，所以文章同時(shí)還將FDI的滯后項(xiàng)考慮在內(nèi)。

二、外資集聚實(shí)證模型

考慮到影響FDI集聚的空間滯后因素以及外商投資滯后項(xiàng)，本文參考了Yanjing Chen， (2009)文中的變量定義，但由于統(tǒng)計(jì)資料不足或指標(biāo)難以量化，本文中省略掉了包括政策，公路密度，交易成本等解釋變量。得到如下模型：

方程中下標(biāo)i指的是環(huán)渤海某城市，n則是被定義為城市i的周邊鄰近城市，t則代表2000-2008年的樣本年份，回歸的數(shù)據(jù)來自環(huán)渤海9個(gè)城市，具體包括：北京，天津，濟(jì)南，威海，青島，以及大連，沈陽，唐山，石家莊。

FDIi,t是因變量，代表該年城市的FDI流入量。

UEi,t代表城市化經(jīng)濟(jì)。文章用i城市人口Pic占該城市總?cè)丝趇P的比值來代表該城市的城市化水平即其中ciP代表的是i的城市人口，這里用非農(nóng)業(yè)人口表示，iP指的是i城市的非農(nóng)業(yè)與農(nóng)業(yè)人口總和。則分別代表了這個(gè)城市鄰近周邊城市的外商投資集聚即空間滯后項(xiàng) (Spatial Lag)，其中的W代表的是城市之間空間距離加權(quán)矩陣。這里的鄰近周邊城市是指在300公里的范圍以內(nèi)的周邊城市地區(qū)所具有的集聚經(jīng)濟(jì)對該城市的FDI集聚產(chǎn)生的影響。加權(quán)矩陣W具體展開表達(dá)為：

其中矩陣對角線上的w11，w22，...wnn值為0下標(biāo)11即代表城市自身，在非對角線上wij，i≠j，代表的是第i個(gè)和第j個(gè)城市之間的空間關(guān)系。通常情況下一般用共同的邊界來界定周邊的城市，但是本文中的城市大多數(shù)都沒有共同的邊界。因此，一個(gè)給定的距離在這里用來定義某城市在空間上周邊城市的范圍。如果第i個(gè)城市和第j個(gè)城市在空間上的距離在此給定的距離 (本文設(shè)為300公里)之內(nèi)，那么在該矩陣中wij=1，如果在此距離之外則wij=0。

本文中利用矩陣加權(quán)的變量包括：ciP，iP。其中ciP代表的是i城市市區(qū)人口，這里用非農(nóng)業(yè)人口表示，iP指的是i城市的非農(nóng)業(yè)與農(nóng)業(yè)人口總和，第i個(gè)城市鄰近周邊城市的城市人口表示為W的第i行即與ciP的乘積，其中ciP表示的是向量即9個(gè)城市市區(qū)人口數(shù)組成的矩陣。同樣的道理利用矩陣可以求得第i個(gè)城市鄰近周邊城市的城市總?cè)丝谄渲写淼氖?個(gè)城市總?cè)丝诮M成的矩陣，基于此我們就可以計(jì)算i城市周邊城市的城市化經(jīng)濟(jì)指標(biāo)：

基于此方法，我們就可以計(jì)算該城市鄰近地區(qū)的外商集聚指標(biāo)：

三、實(shí)證檢驗(yàn)結(jié)果

文章實(shí)證部分采用廣義距估計(jì)即GMM估計(jì)方法，由于普通GMM對數(shù)據(jù)進(jìn)行處理時(shí)對樣本的要求較高，本文中使用的數(shù)據(jù)為小樣本，在時(shí)間跨度以及個(gè)體數(shù)量上都難以滿足要求，所以這里采用系統(tǒng)廣義矩(System GMM)對數(shù)據(jù)進(jìn)行分析。

表1是通過Stata程序xtabond2 所得系統(tǒng)GMM回歸結(jié)果，但是由于這里GMM估計(jì)的有效性會受到小樣本的影響，因此在列出GMM估計(jì)結(jié)果的同時(shí)還列出了固定效應(yīng)模型 (Fixed Effect Model)和混合OLS (Pooled OLS)模型的估計(jì)結(jié)果以供參考：

表1 利用 Pooled OLS，F(xiàn)ixed Effect，One-Step GMMa的回歸結(jié)果b，其中因變量為FDIt

b.回歸結(jié)果中對 Pool， Fixed effect， One-Step GMM分別做了在不存在WFS， WUE空間滯后項(xiàng)時(shí)的結(jié)果以及存在WFS， WUE這兩個(gè)空間滯后項(xiàng)時(shí)的結(jié)果；在圖表中括號中列出的為變量的t統(tǒng)計(jì)量，***，**，*分別代表1%，5%，10%的水平上顯著；在圖表底部相關(guān)檢驗(yàn)中對Pool和Fixed Effect列出了衡量擬合優(yōu)度的R2值，對GMM回歸結(jié)果的檢驗(yàn)則列出了一次差分?jǐn)_動(dòng)項(xiàng)的一階自相關(guān)性項(xiàng)AR(1)，二階自相關(guān)性項(xiàng)AR(2)的P值， 以及Sargan檢驗(yàn)的P值；Sargan檢驗(yàn)的零假設(shè)(Null Hypothesis)是工具變量約束有效。

GMM檢驗(yàn)的結(jié)果中Arellano-Bond ( Arellano and Bond， 1991)的AR統(tǒng)計(jì)量檢驗(yàn)的是一階差分殘差序列的一階，二階自相關(guān)性，其零假設(shè)為殘差序列不存在自相關(guān)，從回歸結(jié)果中可以看到GMM的AR(1)分別在0.182和0.177的顯著性水平上接受零假設(shè)，即存在自相關(guān)可能性很大，而GMM的AR(2)項(xiàng)都可以分別在0.649和0.718的較高水平上接受殘差序列不存在自相關(guān)的零假設(shè)。 Sargan檢驗(yàn)是為了觀察GMM是否存在過度識別約束(Over Identifying Restrictions)，其零假設(shè)為工具變量約束有效，從而說明選取的工具變量是合適的。從結(jié)果中可以看到，Sargan檢驗(yàn)P值分別在0.354和0.261的水平上接受工具變量約束有效的零假設(shè)，這很大程度上說明GMM回歸中選擇的工具變量是合理的。

從GMM回歸的結(jié)果中我們可以看到，作為解釋變量的滯后一期的外商投資集聚指標(biāo)FDIt-1的顯著性很高，從而說明外資在城市的集聚可以促使外商在該地區(qū)更進(jìn)一步的投資和集聚。

回歸結(jié)果中另外一個(gè)重要的結(jié)論是UE城市化對于外商投資的區(qū)位選擇具有顯著影響。城市化水平所涉及的方面不只是城市化率UE即城市人口與城市總?cè)丝诘谋嚷剩鞘谢€包括良好的基礎(chǔ)設(shè)施，通訊交通便利程度等。

模型中另外兩個(gè)解釋變量即鄰近城市外資集聚水平WFS，鄰近城市城市化水平WUE對于i城市自身的外資集聚效應(yīng)不顯著，若將i城市視為外資集聚水平較低的一方，即便其鄰近周邊城市城市化率指標(biāo)WUE水平較高，在較長的一段時(shí)間內(nèi)外資不會在i城市集聚。

人均GDP對外資集聚有顯著影響，人均GDP高在一定程度上說明該城市具有較大的市場潛力，尤其是對于那些不以海外出口為導(dǎo)向的水平外資企業(yè) (Horizontal FDI)來講，首先，就近銷售能夠?qū)a(chǎn)品到當(dāng)?shù)乜梢怨?jié)省交通運(yùn)輸費(fèi)用，其次，從市場規(guī)模較大的城市生產(chǎn)，把產(chǎn)品銷售到周邊的地區(qū)對自身更有利。

WAGE工資就是一個(gè)由于集聚而導(dǎo)致的一個(gè)分散力，這就不難理解文章回歸結(jié)果中解釋變量工資指標(biāo)WAGE與被解釋變量FDI集聚之間的反方向作用。許多環(huán)渤海城市普遍生產(chǎn)附加值較低的初級產(chǎn)品，對于工資水平十分敏感，工資水平這決定了該類企業(yè)在市場上的去留。

四、結(jié)論

環(huán)渤海地區(qū)城市之間在外資集聚方面的相互影響不大，外商投資區(qū)位選擇主要是來自于對該城市自身因素的考慮。

環(huán)渤海城市外商投資差距主要來自于城市自身城市化水平以及市場規(guī)模的差異。對于那些城市化程度高，市場規(guī)模大的城市，他們可以在最初吸收大量的外資，增加FDI存量，從集聚經(jīng)濟(jì)中受益。為了在競爭中取得外資集聚優(yōu)勢，那些落后的城市應(yīng)該一方面從城市化水平入手，提高城市交通，通訊等基礎(chǔ)設(shè)施，服務(wù)設(shè)施，同時(shí)提高城市環(huán)境質(zhì)量，另一方面努力發(fā)展經(jīng)濟(jì)，提高本市市場規(guī)模。

[1]Elitza Mileva， 2007， Using Arellano–Bond Dynamic Panel GMM Estimators in Stata: Tutorial with Examples using Stata 9.0(xtabond and xtabond2)， Economics Department Fordham University.

[2]Madariaga， N. and S. Poncet， 2007， FDI in Chinese cities:spillovers and impact on growth， The World Economy.

[3]Roodman， D.， 2006， How to do xtabond2: An introduction to difference and system GMM in Stata， Center for Global Development working paper.

[4]Shanzi Ke， 2009， Agglomeration， productivity， and spatial spillovers across Chinese cities， Springer.

[5]Yanjing， C.， 2009， Agglomeration and location of foreign direct investment: The case of China， China Economic Review.

[6]樊歡歡.Eviews 統(tǒng)計(jì)分析與應(yīng)用[M].北京:機(jī)械工業(yè)出版社，2009.