中国城市化与经济增长的计量分析.docx
- 文档编号:10904545
- 上传时间:2023-02-23
- 格式:DOCX
- 页数:16
- 大小:62.85KB
中国城市化与经济增长的计量分析.docx
《中国城市化与经济增长的计量分析.docx》由会员分享,可在线阅读,更多相关《中国城市化与经济增长的计量分析.docx(16页珍藏版)》请在冰豆网上搜索。
中国城市化与经济增长的计量分析
中国城市化与经济增长的计量分析
问题的提出:
伴随着经济增长,社会经济结构也会出现一系列的转变,其中有两个基本的结构转变最为引人注目:
一是工业化,即从以农业为基础的经济向以工业和服务业为基础的经济转变;二是城市化,即人口持续不断地从农村地区向城市迁移。
关于工业化与经济增长问题,经济学已经有了大量文献研究。
那么在城市化与经济增长之间,又究竟存在什么样的关系呢?
城市化又是通过什么样的一个作用渠道对经济增长产生影响的呢?
城市化对经济增长的影响程度取决于城市化对经济增长的影响机制,如果这一机制能够顺利发挥作用,就能够起到较好的促进作用。
文献综述:
城市化与经济增长的命题起源于两类文献的发展,一类是发展经济学中的城乡人口迁移模型;另一类是内生经济增长模型。
他们不能解释为什么会有人口和经济活动不断地向城市聚集的动态过程,以及经济增长的可持续性问题。
而人口城市化与经济增长相互影响关系的相关理论主要有下面三种:
(1)钱纳里的人口城市化与人均GDP关系理论
人口城市化与经济发展水平,最常被引用的就是钱纳里在20世纪70年代中期对城市化与经济发展水平问题的研究成果。
钱纳里在1975年出版的《发展的模型:
1950-1970》一书中,通过模型回归,提出了城市化率与人均GDP的一般对应关系。
事实上,钱纳里的研究并不仅仅针对城市化率与人均GDP这一对变量的对应关系,而是针对与发展密切相关的27个变量与人均GDP之间关系的一项研究,城市化率仅是这27个
量中的一个。
钱纳里的模型描述如下:
X=α+β1LnY+β1(LnY)2+ν1LnN+ν2(LnN)2+Σδ1Tj(式1)
X=α+β1LnY+β1(LnY)2+ν1LnN+ν2(LnN)2+Σδ1Tj+eF(式2)
其中,X=因变量;
Y=以美元(1964年价)计算的人均国民生产总值;
N=人口(百万);
F=作为国内生产总值一部分的净资源流入(进口减去商品和非要素
劳务出口);
Tj=时期(j=1,2,3,4。
以5年为单位表示所有国家的结构关系共同随时间的转变,则1950~1970年被分为四个阶段。
则δ1的变化反映了所有国家都存在的结构关系随时间的转变,是由于技术革新、世界财富增加等因素而产生的不受GDP变化影响的转变。
)
在这两个基本模型中,主要的两个自变量是人均GDP和国家人口规模;时间趋势(T)是一个虚变量;在(式2)中考虑到外部资源流入的单独影响。
钱纳里书中的城市化率与人均GDP的关系图与表格都是通过(式1)得到的。
由于(式1)采用双变量的型式,在判断一个因变量与人均GDP的关系时不得不先明确另一个变量—国家人口规模N的值。
在全书中列出的“一般发展形式”—各结构变量与国民生产总值增长变化形式的表格与图标均是在N=10的情况下,即国家为1000万的中等规模国家的数值得到的。
据这一般发展形式,当N=10时,即国家人口=1000万人时,城市化水平在不同收入水平上的标准值如表1所示:
——人均收入超过500美元(1964年美元)时,作为一种典型情况,城市人口在总人口中占主导地位;
——超过700美元时,作为一种典型情况工业中雇用的劳动力超过初级生产部门;
——当收入水平超过2000美元时,这些过渡过程才告结束。
表1人口城市化水平在不同收入水平上的标准值
人均GDP(美元)
城市化率%
<100
12.8
100
22.0
200
36.2
300
43.9
400
49.0
500
52.7
800
60.1
1000
63.4
>1000
68.5
(2)人口城市化与经济增长相互促进规律
人口城市化与经济发展之间存在着错综复杂的关系。
第一,从城市化水平与人均国民生产总值来看,国内外学者研究表明,城市化水平与人均国民生产总值呈正相关关系。
城市化水平与人均GDP之间强烈的正相关关系,说明了城市化发展的总趋势和某些不以人们的意志为转移的客观必然性。
第二,城市化水平与国民生活水平之间亦呈正相关关系。
即一个国家愈穷,其城市化水平可能愈低;反之,一个国家的城市化水平越低,国家也可能越穷。
对此,加拿大J·U·马歇尔在《城市体系的结构》一书中做出了精辟的分析,并得出生活水平与城市化水平之间的正相关关系非常强的结论。
第三,从城市化水平与工业化水平来看,人均国民生产总值越高、工业化水平越高,城市化水平也越高。
这是美国著名的发展经济学家马尔科姆·吉利斯和著名经济学家利斯·钱纳里和M·寒尔奎因通过研究后得出的结论。
第四,从城市化水平与国民经济结构来看,城市化水平与第一产业呈负相关关系,与第二、三产业呈正相关关系。
(3)人口城市化对于经济增长的促进作用的理论
从经济角度看,人口城市化是在空间体系下的一种经济转换过程。
人口和经济之所以向城市集中是集聚经济和规模经济作用的结果。
经济增长必然带来城市化水平的提高,而城市化水平的提高无疑又加速经济增长。
美国经济学家兰帕德(E·E·Lampard)在《经济发展和文化变迁》第三卷中发表了一篇名为《经济发达地区城市发展历史》的文章,指出近百年来,美国城市发展与经济增长之间呈现一种非常显著的正相关,经济发展程度与城市化阶段之间有很大的一致性。
1965年,美国地理学家贝里选用了95个国家的43个变量进行主成分分析,以解释城市化水平与这些因素之间的关系,最后导出经济、技术、人口和教育等因子。
他的工作也证明了经济增长与城市化之间的关系。
诺瑟姆曾认为城市化水平与经济发展水平之间是一种粗略的线性关系,即经济发展水平越高城市化水平也越高。
周一星教授以1977年世界157国家和地区的资料进行了统计分析,发现二者是一种十分明显的对数关系。
比较准确的说法是城市化与经济增长存在着一种互相促进、互为因果的关系,而且二者关系侧重点前后有所不同。
在前期主要表现为工业化的进展要求并促进人口向城市的集聚,在后期主要表现为较高的城市化水平所直接带来的生产集约化、生活集约化、管理科学化和文教科技的进步等一系列结果促进了包括工业化在内整个社会经济的发展。
国内外学者都对城市化的作用及其与经济增长的关系给予了高度的关注,并进行深入的理论和实证分析,得出了一些非常有益的结论。
但是,专门对“影响机制”问题作出完整、系统解释的文献很少。
此外,很少有人利用中国的数据对该问题作出实证分析,但是大多数实证分析直接做城市化与国内生产总值的回归,我们认为城市化并不是一种生产要素,直接做回归缺乏理论依据。
理论分析及模型设定:
美国数学家柯布(Charles.W.Cobb)和经济学家道格拉斯(Paul.H.douglas)研究了1899-1922年美国资本和劳动投入对生产的影响,认为在技术不变的条件下,生产函数可以表示为:
其中,
代表生产函数,
分别代表资本和劳动投入,
和分别代表资本和劳动的产出弹性,
为常数,代表生产的效率系数。
按照萨缪尔森(P.A.Samuelson)的观点,生产函数表示在一定时期内,生产中所使用的各种生产要素的数量与所能生产的最大产量之间的关系。
因此,可以更宽泛的定义生产函数,把土地、技术、人力资本和制度等纳入到生产要素中,
。
其中,
代表技术,
代表土地,
代表人力资本,
代表制度。
而城市化不是一种生产要素,并不能直接作用于总产出,但是城市化推进了直接影响产出的各要素,即在生产过程中各要素之间相互作用、相互影响的过程。
这些要素之间的关系构成了城市化驱动经济增长的机制。
城市化过程能够促进劳动力,从而促进经济增长:
(1)城市化的过程也是劳动力聚集的过程,这有利于劳动力的运转.
(2)更高的城市化水平能吸引更多的劳动力。
城市化过程能够促进资本的投资,从而促进经济增长:
(1)城市化过程中,伴随着人口的集中资本也集中到城市中,势必会增加资本的投入。
(2)城市化刺激城市的需求,使资本的周转率提高,提高了资本的利用率。
城市化过程能够有利于技术的积累,从而对经济增长起到促进的作用。
(1)人口的聚集更便于大多数人受教育,也提高了教育水平,有利于技术的普及。
(2)城市化有利于知识和科技的传承。
可见城市化直接对K,L,T起到促进作用,进而影响了经济的增长。
于是我们设定包括以下生产要素的生产函数:
式1
和城市化对各要素的影响函数:
其中:
K代表资本投入,L代表劳动投入,T代表技术,I代表人力资本,x代表城市化水平,
分别代表影响KLT的其他因素。
Griliches也扩展了柯布——道格拉斯生产函数:
其中Y是总产出,D是R&D资本存量,L是劳动投入,K是资本投入,t表示时间,A是常数,
代表了时间趋势。
本文在前面的理论分析中强调了人力资本的重要性,另外技术水平此时已不能看作外生变量,所以最后设定的生产函数需要将人力资本和技术也包括进去。
另外再把城市话引入模型,于是参照Griliches的生产函数,设定式1的具体形式
式2
对其取自然对数再加入随机扰动项得到计量模型:
式3
数据的收集:
Y即国内生产总值,从国家统计网获取。
即代表资本投入,这里选用固定资本投入总额来表示,数据可以从统计年鉴得到,再用其除以总人口得到人均资本投入k。
L代表劳动投入,选用年末从业总人口数得到,具体数据来自国家统计局。
T主要是R&D投入来表示影响技术的因素,可以有国家统计局得到数据。
对模型的检验及解释:
对式3进行参数估计:
DependentVariable:
LNY
Method:
LeastSquares
Date:
12/09/07Time:
19:
17
Sample:
19802005
Includedobservations:
26
Variable
Coefficient
Std.Error
t-Statistic
Prob.
C
-5.922356
3.430788
-1.726238
0.0983
LNK
0.634304
0.104488
6.070598
0.0000
LNL
0.880646
0.355789
2.475189
0.0215
LNT
0.160011
0.110756
1.444715
0.1626
R-squared
0.995177
Meandependentvar
10.32283
AdjustedR-squared
0.994519
S.D.dependentvar
1.218794
S.E.ofregression
0.090228
Akaikeinfocriterion
-1.832320
Sumsquaredresid
0.179103
Schwarzcriterion
-1.638767
Loglikelihood
27.82017
F-statistic
1513.209
Durbin-Watsonstat
0.706087
Prob(F-statistic)
0.000000
LNY=-5.92235622+0.6343040224*LNK+0.880646138*LNL+0.1600113911*LNT
可见存在严重的多重共线,且x通不过经济意义的检验,由于x并不是一种生产要素,不会直接作用到总产出中,所以不应该将x引入到生产函数的模型中。
对模型进行修正,剔除相关变量得到:
DependentVariable:
LNY
Method:
LeastSquares
Date:
12/09/07Time:
15:
28
Sample:
19802005
Includedobservations:
26
Variable
Coefficient
Std.Error
t-Statistic
Prob.
C
-4.149660
3.278710
-1.265638
0.2183
LNK
0.770951
0.045441
16.96613
0.0000
LNL
0.674212
0.333448
2.021942
0.0550
R-squared
0.994720
Meandependentvar
10.32283
AdjustedR-squared
0.994260
S.D.dependentvar
1.218794
S.E.ofregression
0.092336
Akaikeinfocriterion
-1.818605
Sumsquaredresid
0.196095
Schwarzcriterion
-1.673440
Loglikelihood
26.64187
F-statistic
2166.367
Durbin-Watsonstat
0.750262
Prob(F-statistic)
0.000000
用剔除变量法对模型的多重共线进行修正,最终得到生产函数的模型:
式4
其估计值
LNY=-4.149659792+0.7709505336*LNK+0.6742119233*LNL
对其进行异方差的检验:
WhiteHeteroskedasticityTest:
F-statistic
1.097547
Probability
0.392457
Obs*R-squared
5.598031
Probability
0.347316
TestEquation:
DependentVariable:
RESID^2
Method:
LeastSquares
Date:
12/09/07Time:
21:
13
Sample:
19802005
Includedobservations:
26
Variable
Coefficient
Std.Error
t-Statistic
Prob.
C
124.5578
97.28245
1.280372
0.2151
LNL
-24.30131
19.26027
-1.261733
0.2216
LNL^2
1.181133
0.951579
1.241234
0.2289
LNL*LNK
-0.203330
0.200370
-1.014772
0.3223
LNK
2.180799
2.058509
1.059407
0.3020
LNK^2
0.004320
0.009439
0.457640
0.6521
R-squared
0.215309
Meandependentvar
0.007542
AdjustedR-squared
0.019136
S.D.dependentvar
0.007830
S.E.ofregression
0.007754
Akaikeinfocriterion
-6.681946
Sumsquaredresid
0.001203
Schwarzcriterion
-6.391616
Loglikelihood
92.86529
F-statistic
1.097547
Durbin-Watsonstat
1.975852
Prob(F-statistic)
0.392457
Obs*R-squared=5.598031,显著水平在0.05的情况下临界值为11.0705,
可见不存在异方差
再对其进行自相关的修正:
可以看出模型还存在自相关,于是作自相关的修正。
e=0.58002e(-1),再对LNY-0.582002*LNY(-1),C,LNK-0.582002*LNK(-1),LNL-0.582002*LNL(-1)进行回归
回归结果为
DependentVariable:
LNY-0.582002*LNY(-1)
Method:
LeastSquares
Date:
12/09/07Time:
21:
15
Sample(adjusted):
19812005
Includedobservations:
25afteradjustingendpoints
Variable
Coefficient
Std.Error
t-Statistic
Prob.
C
-4.172148
1.056957
-3.947321
0.0007
LNK-0.582002*LNK(-1)
0.711339
0.036869
19.29379
0.0000
LNL-0.582002*LNL(-1)
1.250673
0.252366
4.955798
0.0001
R-squared
0.984620
Meandependentvar
4.432743
AdjustedR-squared
0.983222
S.D.dependentvar
0.496598
S.E.ofregression
0.064324
Akaikeinfocriterion
-2.537593
Sumsquaredresid
0.091027
Schwarzcriterion
-2.391327
Loglikelihood
34.71991
F-statistic
704.2233
Durbin-Watsonstat
1.679541
Prob(F-statistic)
0.000000
分别为1.206和1.550,可见不存在自相关,计算出常数项,得到修正的模型:
LNY=-9.9812630+0.711339*LNK+1.250673*LNL
各个变量检验均显著,且拟合优度达到0.98以上,说明对人均产出产生重大影响的因素基本上被考虑进来了,用我国的数据的出的结果表明,对GDP作用最显著的生产要素为资本和劳动力。
计量检验的结果表明:
相比资本要素,劳动力要素仍是我国经济增长的主要力量,可见我国对资本的利用率还不高,发展劳动密集型产业仍是促进经济增长的主要途径。
将城市化引入生产要素的模型:
前面已经提到,城市化是通过对生产要素的作用来影响总产出的,下文就对这些影响机制的作用是否存在作一计量检验。
现在的生产函数中只有K和L两个变量,于是将
引入模型。
又因为我们只讨论城市化对K和L的影响,于是进一步将其简化为:
。
此时LNK和LNL也可以表示为城市化x的函数:
。
由于影响
、
的因素有很多,本文只考虑了城市化率x的影响,必然会导致模型设定偏差,这种设定偏差不会影响城市化和人均产出的传导途径,但却会影响分析结果的可靠性,会导致残差项出现自相关。
忽略自相关会导致方差的低估,降低估计结果的可靠性,并可能得到一个较大的t统计值,进而有可能把不显著的变量误认为非常显著。
但是由于知识水平的局限,我们对此不能做出相关的修正,只好暂时忽略他们的影响。
对
的估计:
DependentVariable:
LNK
Method:
LeastSquares
Date:
12/09/07Time:
20:
54
Sample:
19802005
Includedobservations:
26
Variable
Coefficient
Std.Error
t-Statistic
Prob.
C
3.361010
0.362222
9.278868
0.0000
X
19.60232
1.198153
16.36045
0.0000
R-squared
0.917714
Meandependentvar
9.136239
AdjustedR-squared
0.914285
S.D.dependentvar
1.414507
S.E.ofregression
0.414127
Akaikeinfocriterion
1.148515
Sumsquaredresid
4.116028
Schwarzcriterion
1.245292
Loglikelihood
-12.93070
F-statistic
267.6643
Durbin-Watsonstat
0.132158
Prob(F-statistic)
0.000000
LNK=3.361010027+19.60231522*X
模型也能通过white检验,不存在严重的异方差,拟合优度较高,说明城市化对资本的解释力度还是比较强,DW值太低,说明存在自相关,这也与预期的结果一致。
计量结果说明:
城市化每增加一个百分点,资本投入的自然对数就增加0.196
对
的估计
DependentVariable:
LNL
Method:
LeastSquares
Date:
12/09/07Time:
21:
09
Sample:
19802005
Includedobservations:
26
Variable
Coefficient
Std.Error
t-Statistic
Prob.
C
10.29176
0.080192
128.3385
0.0000
X
2.467186
0.265259
9.301051
0.0000
R-squared
0.782824
Meandependentvar
11.01864
AdjustedR-squared
0.773775
S.D.dependentvar
0.192762
S.E.ofregression
0.091684
Akaikeinfocriterion
-1.867145
Sumsquaredresid
0.201741
Schwarzcriterion
-1.770368
Loglikelihood
26.27288
F-statistic
86.50954
Durbin-Watsonstat
0.403893
Prob(F-statistic)
0.000000
LNL=10.29175956+2.467186005*X
对模型进行white检验,能够显著通过,F检验和t检验也显著通过,但拟合优度和DW值较低,说明模型欠拟合,缺少相关变量和存在自相关,即模型的解释力度较差。
计量结果表明:
城市化每增加一个百分点,劳动力投入的自然对数就增加0.0247.这也说明了城市化对劳动力要素投入的影响力度要小。
此外,由于计量模型中只考虑了对经济增长有重要影响的因素,一些忽略的因素是否和城市化存在某种关系呢?
做残差项与城市化的回归得:
DependentVariabl
- 配套讲稿:
如PPT文件的首页显示word图标,表示该PPT已包含配套word讲稿。双击word图标可打开word文档。
- 特殊限制:
部分文档作品中含有的国旗、国徽等图片,仅作为作品整体效果示例展示,禁止商用。设计者仅对作品中独创性部分享有著作权。
- 关 键 词:
- 中国 城市化 经济 增长 计量 分析
![提示](https://static.bdocx.com/images/bang_tan.gif)