论FDI对我国经济增长的动态效应

论FDI对我国经济增长的动态效应
内容摘要:本文以我国各省市作为横截面单元,利用1985-2005年的样本组成面板数据,进而建立动态面板数据模型来考察FDI对我国不同地区经济增长的影响,并分别运用GMM和SYS-GMM估计方法进行估计,得到的结果表明FDI对不同地区的经济增长效应是不同的。

关键词:FDI 经济增长系统广义矩估计方法动态面板数据
在中国改革开放的进程中,外商直接投资规模不断扩大,特别是中国入世后,中国的对外开放进入了一个新阶段,在吸引外资上呈现出前所未有的新态势。

与此同时,伴随着中国利用外贸的迅速增加,中国经济也在快速增长。

经济增长需要国内经济资源的配套供应,同时,作为生产要素的FDI迅速增长也是推动中国经济高速增长的一个重要因素。

因此,有必要研究FDI和中国经济增长之间的关系。

本文建立动态面板数据模型进行分析,并分别用GMM和SYS-GMM估计方法进行研究,以期得到准确结论。

文献回顾
近年来有众多的学者研究FDI与一国经济增长之间的关系,主要是运用时间序列分析和格兰杰因果检验法来验证各国的外商直接投资是否是经济增长的原因和动力,如Karikari(1992)、de mello(1996)、Kasikhatla and Sawhrey(1996)等,较具代表意义的是Jordan Shan,Gurry Fian and Fiona Sun运用中国1988—1996年的季度时间序列数据所作的因果检验,其在模型设计上不仅考虑了FDI对经济增长的推动作用,也考察了FDI与经济增长的相互关系,认为FDI与中国经济增长存在明显的双向作用,即稳定的经济增长也是吸引FDI大量流入的重要因素。

而在Chen et al.(1995)、Zhang(1995)、Chen(1996)、Plumer&Monees(1995)等学者关于FDI与中国经济增长的因果检验中都仅仅考虑了前者对后者的单向作用。

同时,众多国内学者通过建立各种多元回归模型、协整检验和误差修正模型来考察FDI对中国经济增长产生的效应。

李静萍(2001)、沈坤荣和耿强(2001)、箫政和沈艳(2002)、魏后凯(2002)、崔校宁、李智(2003)等通过实证分析认为外商直接投资对经济增长有积极的贡献。

但是也有一部分学者认为FDI可能会挤出或挤入国内投资,从而对东道国经济增长的促进作用难以确定,甚至可能会阻碍东道国经济增长。

MiaoWang(2004)、Manuel R. Agosin等(2000)、薄文广(2005)、王志鹏和李子奈(2004)等对此进行了实证分析,得出结论,认为FDI对中国国内投资的挤出和挤入效应是不明显的。

但是以上研究存在以下三个问题:上一期的GDP增长可能会对当期的GDP 增长产生影响,而以前的研究并未考虑到这一点,而且GDP的增长并不代表经济的可持续增长,只有整体经济中各区域协调发展才能说FDI确实是促进了我国经济的持续增长;模型大多忽略了FDI对经济增长作用的时滞问题;已有模型大多数只侧重从总量分析FDI的经济效应,这使得模型检验结果往往过于笼统,而且这样也无法反映出FDI在我国分布的异质性。

模型设定
(一)数据选择
本文以我国各省、市和自治区为单位,并将其归并入东部、中部和西部三个横截面即三个地区,利用各横截面单元1985-2005年的样本组成面板数据,进而建立动态面板数据模型,以考察FDI对我国不同地区经济增长的动态效应,其中东部地区包括北京、天津、河北、辽宁、山东、江苏、上海、浙江、福建、广东和海南11个省市。

中部地区包括黑龙江、吉林、山西、河南、湖北、湖南、江西和安徽8个省。

西部地区包括四川、重庆、云南、广西、贵州、西藏、青海、宁夏、陕西、甘肃、内蒙古和新疆12个省、市和自治区。

由于缺乏西藏、青海数据,故本文在实际研究中将其剔除。

此外,因为1997年才有重庆数据,为了保持口径一致,把四川和重庆的数据进行了合并,所以西部地区最终只包含9省、市、自治区数据。

(二)研究模型
以往的研究主要是运用时间序列模型和静态面板数据来分析这个问题,模型大多忽略了GDP和FDI对经济增长作用的时滞问题;且已有模型大多数只侧重从总量分析FDI的经济效应,这使得模型检验结果往往过于笼统,而且这样也无法反映出FDI在我国分布的异质性。

基于此,本文建立以下动态面板数据模型:
LNGDPi,t=α1LNGDPi,t-1+α2LNFDIi,t+α3LNFDIi,t-1+α4LNFDIi,t-2+……+α5 LNFDIi,t-m +ηi+μi,t(1)
在模型(1)中:i=1,2,3,……,分别代表不同的省、市、自治区,t=1,2,3,……T,代表所考察的各个年度,μi,t为随机扰动项,ηi所度量的是各个横截面单元的个体即不同区域的差异。

GDPit表示各省在各个年度的国内生产总值,LNGDPit为各省GDP 的对数;FDIi,t表示各省在各个年度的FDI,LNFDIi,t为各省FDI的对数;FDIi,t-1表示各省滞后1期的FDI,FDIi,t-2……FDIi,t-m分别表示滞后2期到滞后m期的FDI。

α1度量了前期GDP对当期GDP的影响,α2度量了本期FDI对当期GDP 的影响,α3, α4,……,分别度量了前若干期FDI对当期GDP的影响。

进一步,如果我们基于模型(1)估计得到的α2、α3等系数为正数,则表明FDI 促进了我国的经济增长,即FDI对经济具有促进效应;反之,则表明FDI对我国经济具有阻碍作用。

在实际计算中发现,当滞后期选为3时,t统计量就已经变得很不显著,所以最终模型只选取二阶滞后期。

模型估计结果
从现存文献可知,动态面板数据模型最大的困难体现为估计的技术。

在动态面板数据模型(1)中,由于因变量的滞后项作为解释变量,从而导致解释变量与随机扰动项相关(即解释变量具有内生性),且模型(1)具有横截面相依性,因此如果应用标准的随机效应或者固定效应对动态面板数据模型进行估计,必将导致估计量非一致性,因而基于估计结果所产生的经济含义也必定是扭曲的。

为解决这一问题,Arellano 和Bond(1991),Arellano 和Bover(1995),Blundell和Bond(1998)提出了广义矩(GMM)估计方法。

但是GMM估计方法是一阶差分GMM(DIF-GMM),它虽然能解决动态面板数据模型估计量的非一致性问题,但是就偏误和估计准确性而言,一阶差分GMM 估计方法(DIF-GMM)仍存在着一些缺陷,在大多数情况下变量的滞后值并不是一阶差分方程的理想工具变量,尤其是当变量遵循随机游走过程的时候更是如此,而且一阶差分GMM还存在着严重的有限样本偏误(finite-sample biases),也就是说,一阶差分GMM(DIF-GMM)只有在大样本条件下才是渐进有效的。

因此在本文中将运用系统广义矩估计方法(SYS-GMM)进行再一次的分析。

SYS-GMM估计量就是把下面两个方程组结合在了一起:即以合适的滞后水平值作为工具变量的标准一阶差分方程组和以合适的滞后一阶差分变量作为工具变量的水平方程组。

Blundell 和Bond(1998)用蒙特卡洛仿真比较了一阶差分GMM(DIF-GMM)和系统GMM(SYS-GMM)的有限样本性质,对于AR(1)模型,在使用SYS-GMM去估计时,有限样本偏误显著降低,准确性得到提高。

本文分别以GMM估计方法和SYS-GMM估计方法分别对模型(1)进行估计,得到以下结果(见表1和表2)。