环渤海外资集聚实证分析

李会坦

（曲阜师范大学翻译学院，山东 日照 276826）

一、引言

以往很多有关外资集聚的文献将仅外商投资作为一个地理空间上彼此独立的变量加入模型，而忽略掉了不同城市外商投资在空间地理上的相互影响与联系，然而这种经济上的联系是实际存在的，本文在对环渤海经济增长的研究中就克服了以上问题，将空间滞后 ( Spacial Lag )因素纳入对影响FDI集聚的考察。另外，FDI的区位选择常同集聚经济，市场规模以及工资等其他变量联系起来，但是FDI自身也具有自我强化的特点 (Self-Reinforcing)，忽略这一点虽然也能得到比较显著的估计结果，但是得出的结果并不能真正反映变量之间的真正关系，所以文章同时还将FDI的滞后项考虑在内。

二、外资集聚实证模型

考虑到影响FDI集聚的空间滞后因素以及外商投资滞后项，本文参考了Yanjing Chen， (2009)文中的变量定义，但由于统计资料不足或指标难以量化，本文中省略掉了包括政策，公路密度，交易成本等解释变量。得到如下模型：

方程中下标i指的是环渤海某城市，n则是被定义为城市i的周边邻近城市，t则代表2000-2008年的样本年份，回归的数据来自环渤海9个城市，具体包括：北京，天津，济南，威海，青岛，以及大连，沈阳，唐山，石家庄。

FDIi,t是因变量，代表该年城市的FDI流入量。

UEi,t代表城市化经济。文章用i城市人口Pic占该城市总人口iP的比值来代表该城市的城市化水平即其中ciP代表的是i的城市人口，这里用非农业人口表示，iP指的是i城市的非农业与农业人口总和。则分别代表了这个城市邻近周边城市的外商投资集聚即空间滞后项 (Spatial Lag)，其中的W代表的是城市之间空间距离加权矩阵。这里的邻近周边城市是指在300公里的范围以内的周边城市地区所具有的集聚经济对该城市的FDI集聚产生的影响。加权矩阵W具体展开表达为：

其中矩阵对角线上的w11，w22，...wnn值为0下标11即代表城市自身，在非对角线上wij，i≠j，代表的是第i个和第j个城市之间的空间关系。通常情况下一般用共同的边界来界定周边的城市，但是本文中的城市大多数都没有共同的边界。因此，一个给定的距离在这里用来定义某城市在空间上周边城市的范围。如果第i个城市和第j个城市在空间上的距离在此给定的距离 (本文设为300公里)之内，那么在该矩阵中wij=1，如果在此距离之外则wij=0。

本文中利用矩阵加权的变量包括：ciP，iP。其中ciP代表的是i城市市区人口，这里用非农业人口表示，iP指的是i城市的非农业与农业人口总和，第i个城市邻近周边城市的城市人口表示为W的第i行即与ciP的乘积，其中ciP表示的是向量即9个城市市区人口数组成的矩阵。同样的道理利用矩阵可以求得第i个城市邻近周边城市的城市总人口其中代表的是9个城市总人口组成的矩阵，基于此我们就可以计算i城市周边城市的城市化经济指标：

基于此方法，我们就可以计算该城市邻近地区的外商集聚指标：

三、实证检验结果

文章实证部分采用广义距估计即GMM估计方法，由于普通GMM对数据进行处理时对样本的要求较高，本文中使用的数据为小样本，在时间跨度以及个体数量上都难以满足要求，所以这里采用系统广义矩(System GMM)对数据进行分析。

表1是通过Stata程序xtabond2 所得系统GMM回归结果，但是由于这里GMM估计的有效性会受到小样本的影响，因此在列出GMM估计结果的同时还列出了固定效应模型 (Fixed Effect Model)和混合OLS (Pooled OLS)模型的估计结果以供参考：

表1 利用 Pooled OLS，Fixed Effect，One-Step GMMa的回归结果b，其中因变量为FDIt

b.回归结果中对 Pool， Fixed effect， One-Step GMM分别做了在不存在WFS， WUE空间滞后项时的结果以及存在WFS， WUE这两个空间滞后项时的结果；在图表中括号中列出的为变量的t统计量，***，**，*分别代表1%，5%，10%的水平上显著；在图表底部相关检验中对Pool和Fixed Effect列出了衡量拟合优度的R2值，对GMM回归结果的检验则列出了一次差分扰动项的一阶自相关性项AR(1)，二阶自相关性项AR(2)的P值， 以及Sargan检验的P值；Sargan检验的零假设(Null Hypothesis)是工具变量约束有效。

GMM检验的结果中Arellano-Bond ( Arellano and Bond， 1991)的AR统计量检验的是一阶差分残差序列的一阶，二阶自相关性，其零假设为残差序列不存在自相关，从回归结果中可以看到GMM的AR(1)分别在0.182和0.177的显著性水平上接受零假设，即存在自相关可能性很大，而GMM的AR(2)项都可以分别在0.649和0.718的较高水平上接受残差序列不存在自相关的零假设。 Sargan检验是为了观察GMM是否存在过度识别约束(Over Identifying Restrictions)，其零假设为工具变量约束有效，从而说明选取的工具变量是合适的。从结果中可以看到，Sargan检验P值分别在0.354和0.261的水平上接受工具变量约束有效的零假设，这很大程度上说明GMM回归中选择的工具变量是合理的。

从GMM回归的结果中我们可以看到，作为解释变量的滞后一期的外商投资集聚指标FDIt-1的显著性很高，从而说明外资在城市的集聚可以促使外商在该地区更进一步的投资和集聚。

回归结果中另外一个重要的结论是UE城市化对于外商投资的区位选择具有显著影响。城市化水平所涉及的方面不只是城市化率UE即城市人口与城市总人口的比率，城市化还包括良好的基础设施，通讯交通便利程度等。

模型中另外两个解释变量即邻近城市外资集聚水平WFS，邻近城市城市化水平WUE对于i城市自身的外资集聚效应不显著，若将i城市视为外资集聚水平较低的一方，即便其邻近周边城市城市化率指标WUE水平较高，在较长的一段时间内外资不会在i城市集聚。

人均GDP对外资集聚有显著影响，人均GDP高在一定程度上说明该城市具有较大的市场潜力，尤其是对于那些不以海外出口为导向的水平外资企业 (Horizontal FDI)来讲，首先，就近销售能够将产品到当地可以节省交通运输费用，其次，从市场规模较大的城市生产，把产品销售到周边的地区对自身更有利。

WAGE工资就是一个由于集聚而导致的一个分散力，这就不难理解文章回归结果中解释变量工资指标WAGE与被解释变量FDI集聚之间的反方向作用。许多环渤海城市普遍生产附加值较低的初级产品，对于工资水平十分敏感，工资水平这决定了该类企业在市场上的去留。

四、结论

环渤海地区城市之间在外资集聚方面的相互影响不大，外商投资区位选择主要是来自于对该城市自身因素的考虑。

环渤海城市外商投资差距主要来自于城市自身城市化水平以及市场规模的差异。对于那些城市化程度高，市场规模大的城市，他们可以在最初吸收大量的外资，增加FDI存量，从集聚经济中受益。为了在竞争中取得外资集聚优势，那些落后的城市应该一方面从城市化水平入手，提高城市交通，通讯等基础设施，服务设施，同时提高城市环境质量，另一方面努力发展经济，提高本市市场规模。

[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]樊欢欢.Eviews 统计分析与应用[M].北京:机械工业出版社，2009.