政府規模、城市化水平與產業結構升級關系研究

■ 樂小兵（梧州學院 廣西梧州 543002）

現代經濟發展不僅體現在經濟總量的擴張和速度的增長上，同時還體現在經濟結構的調整和優化上，尤其是產業結構。產業結構指的是一個國家或地區的勞動力、資金、各種自然資源與物質資料在國民經濟各部門的配置及其相互制約的一種方式，它反映著一國經濟發展水平、發達程度、內在活力以及增長潛力。隨著一國經濟發展，產業結構也在不斷地從低層次結構向高層次結構進行演化，即在不斷地進行調整和升級。加快產業結構調整和優化進程，是經濟發展到一定階段的客觀要求，也是實踐科學發展觀的必然選擇。經濟發展的核心內容是產業結構向更高級的進化，從根本上說，經濟不斷發展的過程，也就是產業結構逐步優化升級的過程。

自改革開放以來，中國經濟發生巨大變化，尤其是1996 年以后，中國經濟更以年均9%以上的速度增長。1978 年以后，中國實行了很多政策，如科技是第一生產力、可持續發展觀、科學發展觀和轉變經濟發展方式等，實質上就是通過調整中國產業結構以適應當前經濟發展階段和資源、環境雙重約束條件下的可持續發展。伴隨著經濟的迅速發展，中國產業結構也隨之發生變動。由新中國成立初期的“一、三、二”結構轉變到2010 年的“二、一、三”結構，而且正向“三、二、一”的結構發生轉變。在經濟發展過程中，產業結構升級受到許多因素的影響和制約。因此，研究產業結構升級的影響因素以及這些因素在產業結構升級過程中的不同作用，對于制定合理的產業結構調整政策，促進產業結構調整，形成與當地經濟發展水平相適應的產業結構具有一定的指導意義。同時世界各國經濟發展的事實表明，產業結構升級是促進經濟發展的一個關鍵因素，產業結構升級對于一國經濟結構優化以及實現一國經濟穩定協調發展，也具有極為重要的意義。因此，本文利用1990-2010年我國省際面板數據，對產業結構升級與政府規模、城市化水平之間的關系進行實證研究。

文獻回顧

近年來，針對產業結構升級相關方面的研究較多。從產業結構升級影響因素方面有：姜澤華、白艷（2006）認為社會需求、科技進步、制度安排和資源供給都會對產業結構升級產生影響。其中社會需求包括消費需求、投資需求和出口需求，資源供給是自然資源的供給、人力資源的供給和資金資源的供給；曹秋靜（2012）從要素驅動、創新驅動、制度保障三個視角分析深圳產業結構升級的動力因素。定性分析得出要素積累是深圳產業結構升級的物質基礎，技術創新是深圳產業結構升級的核心動力，制度保障是深圳產業結構升級的體制保障；杜傳忠、郭樹龍（2011）從供給因素、技術水平、需求因素、政府因素、對外開放以及外部沖擊等因素進行了理論分析和實證檢驗。結果表明，資本投入、需求和外商直接投資等因素對我國產業結構的升級具有正向作用，而勞動力數量、技術水平、開放水平中的進出口貿易對我國產業結構的升級作用并不顯著；李曉紅、沈毅（2008）從需求變化、生產率上升差異、技術進步、產業政策、資源供給的角度對產業結構升級的影響進行分析。

表1 29個省份各變量面板數據的描述性統計

表2 面板數據的單位根檢驗

從政府規模與產業結構升級關系有：閆海洲（2010）利用長三角江、浙、滬三地的產業結構層次系數，對三地產業結構高級化變動進行了分析，發現產業結構高級化存在區域差異和趨勢趨同特征，同時使用1990-2008年面板數據，對影響產業結構高級化的因素進行實證檢驗，結果發現科技創新和政府規模對于產業結構高級化有正向作用，進出口貿易產生負向作用，FDI和社會投資作用則不太明顯。

從城市化水平與產業結構升級關系有：鐘陳（2012）運用1997-2009年西部11個省市區的相關數據，采用面板回歸模型對西部的城市化水平和產業結構進行了實證分析。結果表明，對于西部地區而言，工業化和第三產業化都可以推動城市化進程，但第三產業化更為顯著；郝俊卿、曹明明（2012）以關中地區為例，利用1949-2009 年間關中地區產業結構演進與城市化的時序關系、相關關系和協調關系進行實證分析，結果發現關中地區產業結構演進與城市化進程具有明顯的時序關系。在不同發展階段，各產業與城市化的相關關系不同，并且產業結構演進與城市化發展的不協調程度在加劇。

表3 面板數據的協整檢驗

表4 固定效應模型檢驗

表6 隨機效應模型檢驗

表7 GLS回歸結果

表8 誤差修正模型回歸結果

變量和數據選取

（一）變量與模型設計

本文以產業結構升級作為被解釋變量，政府規模和城市化水平作為解釋變量。

1.政府規模（Gov）。此指標反映政府規模和對市場的干預程度，本文用地方財政支出占GDP的比重來衡量。在一定時期內，政府主要是以稅收、國債等各種方式從各種經濟主體獲取財政收入，又通過其支出總規模與支出結構體系的變化，影響社會生產要素在不同產業部門形成積累與重新分配，從而影響不同產業的發展及其產業結構之間的相互替代與變遷。

2.城市化水平（Urba）。該指標是衡量一個地區城市化進程的重要因素，在城市化水平的指標選擇上，有些研究將非農業人口數占總人數的比率作為城市化指標，有些研究將城鎮人口占總人口數的比率作為城市化指標，有些研究則將非農業人口數的增長比率作為城市化指標。本文根據數據的完整性將非農業人口占總人口的比重作為城市化水平，以Urba表示。

3.產業結構升級（IR）。該指標是衡量一個地區產業結構調整的重要指標，本文以第三產業值占GDP的比重來衡量，以IR表示。

由于本文認為政府規模和城市化水平都能夠促進產業結構升級，都存在正相關關系，因此本文假定的模型為：

其中，IR表示產業結構升級，Gov、Urba分別表示政府規模和城市化水平，i表示省份，t表示年份，β0為截距項，表示其他因素對因變量的影響，β1、β2分別表示政府規模和城市化水平的影響系數，εit表示隨機誤差項。

（二）數據來源說明

本文所用研究數據來源于各省2011年統計年鑒及《2011年中國統計年鑒》，由于天津、重慶數據不完整，因此研究范圍包括山西、安徽、湖北、河南、湖南、江西、遼寧、福建、山東、上海、北京、浙江、廣東、海南、河北、黑龍江、吉林、江蘇、四川、貴州、甘肅、新疆、云南、廣西、西藏、內蒙古、青海、陜西、寧夏等29個省市。29個省份各變量面板數據的描述性統計，如表1所示。

實證分析

（一）面板單位根檢驗

為了避免偽回歸，確保估計結果的有效性，必須對各面板序列的平穩性進行檢驗。而檢驗數據平穩性最常用的辦法就是單位根檢驗。在非平穩的面板數據單位根檢驗的漸進過程中，Levin and Lin（1993）很早就發現這些估計量的極限分布是高斯分布，這些結果也被應用在有異方差的面板數據中，并建立了對面板單位根進行檢驗的早期版本。后來經過Levin et al.（2002）的改進，提出了檢驗面板單位根的LLC法，Levin et al.指出，該方法允許不同截距和時間趨勢，異方差和高階序列相關，適合于中等維度（時間序列介于25-250之間，截面數介于10-250之間）的面板單位根檢驗。Im et al.（1997）取消同質性假定，提出了檢驗面板單位根的IPS 檢驗法，但Breitung（1999）發現IPS 法對限定性趨勢的設定極為敏感，并提出了面板單位根檢驗的Breitung法。Maddala and Wu（1999）又提出了ADF-Fisher和PP-Fisher面板單位根檢驗方法。Harris和Tzavalis（1999）基于截面不相關和樣本時間長度固定的假定，提出了可用于同質面板數據的Harris Tzavalis（HT）檢驗，該檢驗尤其適用于時間跨度較小而截面單元個數較大的情形。

本文主要采用LLC、IPS、Breitung、ADF-Fisher和PP-Fisher五種方法進行面板單位根檢驗，檢驗結果如表2所示。

從表2可知，Gov、Urba和IR的一階差分統計量的P值均小于0.05，即在5%的顯著水平下，拒絕存在單位根的原假設，從而說明變量Gov、Urba和IR的一階差分均為平穩序列，且都為一階單整I（1）。

表5 最小二乘虛擬變量檢驗結果

（二）面板協整分析

由單位根檢驗可知變量均為一階單整，符合協整檢驗的條件。協整檢驗是考察變量間長期均衡關系的方法，其中協整是指若兩個或多個非平穩的變量序列，其某個線性組合后的序列呈平穩性。從理論上說，對面板模型回歸所得的面板殘差平穩，即意味著原始模型為面板協整。所以，基于殘差的面板協整實際上就是檢驗殘差的平穩性。Kao、Kao and Chiang（1999）利用推廣的DF和ADF檢驗提出了檢驗面板協整的方法，這種方法原假設是沒有協整關系，并且利用靜態面板回歸的殘差來構建統計量；Pedroni（1999）也基于截面不相關假定，考察了面板數據中虛回歸的特征，并提出了七種基于殘差的面板協整檢驗方法。和Kao的方法不同的是，Pedroni的檢驗方法允許異質面板的存在。

本文主要采用Pedroni 檢驗和Kao 檢驗來進行協整檢驗。Pedroni檢驗采用了7個統計量來檢驗面板數據的協整關系，且在T＜30 這類小樣本計量分析中，Panel ADF和Group ADF的檢驗效果較好，其它檢驗效果相對較差。如果在檢驗中拒絕原假設，則表明變量之間存在協整關系，檢驗結果如表3所示。

本文樣本數據為1990-2010年，即T=21，所以協整檢驗結果主要參考Panel ADF和Group ADF的檢驗指標。從表3可知，Panel ADF和Group ADF的Statistic統計量數值的相伴概率均小于0.01，也就是在1%的顯著水平下拒絕不存在協整關系的原假設。同時在面板協整的Kao檢驗下，統計量數值的概率為0.0001，在1%的顯著水平下也拒絕不存在協整關系的原假設。因此，原面板數據存在面板協整關系，即產業結構升級、政府規模和城市化水平存在長期均衡關系。

（三）面板數據回歸模型估計

1．面板回歸模型的選擇。陳強（2010）在其研究中對面板回歸模型的選擇有詳細介紹，他認為估計面板數據有兩個極端策略，一個是將其看成是橫截面數據進行混合回歸，即要求樣本中每個個體都擁有完全相同的回歸方程。另一個極端策略是為每個個體估計一個單獨的回歸方程。在這兩個極端策略中，前一個忽略了個體間不可觀測或被遺漏的異質性，而該異質性可能與解釋變量相關，從而導致估計不一致。后者忽略了個體間的共性，也可能沒有足夠大的樣本容量。因此，在實踐中常采用折中的估計策略，即假定個體的回歸方程擁有相同斜率，但可以有不同截距，以此來捕捉異質性，這種模型被稱為“個體效應模型”，即：

如果ui與某個解釋變量相關，則進一步稱之為“固定效應模型”。如果ui與所有解釋變量（xit，zj）均不相關，則進一步被稱之為“隨機效應模型”。在面板數據估計模型形式的選擇方法上，經常采用F檢驗決定選用混合模型還是個體效應模型，然后用Hausman檢驗確定應該建立隨機效應模型還是固定效應模型。

把IR作為因變量，Gov和Urba作為自變量，建立固定效應模型為：

式中，β1i表示截距，β2和β3表示自變量的系數，uit表示隨機誤差項。

隨機效應模型為：

式中，β1表示截距，β2和β3分別表示自變量的系數，εi表示特定個體誤差部分，uit表示時間序列和橫截面混合誤差部分。運行stata11檢驗結果如表4所示。

通過固定效應模型的F檢驗發現F統計量為25.89，相對應的概率為0.0000，在1%的顯著水平下強烈拒絕原假設，固定效應非常顯著，表明固定效應模型優于混合回歸模型。然而在檢驗中未使用聚類穩健標準差，所以這個F檢驗并不有效，因為普通標準差大約只有聚類穩健標準差的一半。為此，要進一步通過最小二乘虛擬變量（LSDV）模型來考察，首先建立LSDV模型如下：

上式中，αi（i=1，2，3，…，20）代表各個省份的截距，D2i，D3i，…，D29i表示虛擬變量，由于用的是29個省份，因此只需要28個虛擬變量。如果觀測值為D2i（假定D2i代表湖南省），則D2i=1，否則為0；如果觀測值為D3i（假定D3i代表江西省），則D3i=1，否則為0，其它虛擬變量類似。β2和β3分別為自變量的系數，uit表示隨機誤差項。運行stata11檢驗結果如表5所示。

從表5可知，除少數幾個省份（江西、河北、西藏、青海、寧夏）外，大部分省份虛擬變量都很顯著（P<0.05），即在5%的顯著水平下拒絕“所有個體虛擬變量均為0的原假設”，個體效應顯著，不應使用混合回歸。

以上檢驗結果基本上確定了個體效應的存在，但個體效應仍可能以隨機效應的形式存在。下面檢驗隨機效應模型是否也優于混合回歸模型，Breusch and Pagan提供了一個檢驗個體效應的LM檢驗，其原假設為“H0:σ2u=0”，備擇假設為“H1: σ2u≠0”，如果拒絕原假設，則說明應該有一個反映個體特性的隨機擾動項ui，而不應該使用混合回歸。運行stata11檢驗結果如表6所示。

從表6可知，wald chi的值為176.98，相對應的P值為0.0000，在1%的顯著水平下LM檢驗強烈拒絕“不存在個體效應”的原假設，表明在“隨機效應”與“混合回歸”二者之間，應該選擇“隨機效應”。

從以上分析可知存在個體效應，至于固定效應模型和隨機效應模型的選擇，則要使用Hausman檢驗進行判斷。Hausman檢驗的基本思想是：在固定效應和其他解釋變量不相關的原假設下，用OLS估計的固定效應模型和用GLS估計的隨機效應模型的參數估計都是一致的。反之，OLS是一致的，但GLS則不是。因此，在原假設下，二者的參數估計應該不會有系統差異，可以基于二者參數估計的差異構造統計檢驗量。如果拒絕了原假設，就認為選擇固定效應模型是比較合適的。運行stata11檢驗結果得到的P值為0.5120，接受原假設，所以應該選擇隨機效應模型。

2.面板回歸模型的估計。由上文分析可知，面板回歸模型的估計選擇隨機效應模型，為了消除不同面板數據之間可能存在的異方差，采用截面數據殘差進行加權，并運用廣義最小二乘法（GLS）對模型（1）進行回歸，回歸結果如表7所示。

從表7可知，政府規模和城市化水平的系數均為正，這表明政府規模和城市化水平對產業結構升級均有正向影響，而且統計量非常顯著（P值都為0）。從正向影響關系來看，政府規模每提升一個百分點，產業結構升級就提升0.24823個百分點；而城市化水平每提升一個百分點，產業結構升級提升0.21742個百分點。實證結果說明，相對于城市化水平，政府支出更能推動產業結構升級。

3.誤差修正模型與短期波動分析。面板數據協整檢驗結果說明，政府規模、城市化水平與產業結構升級三個變量間的協整關系成立，即存在長期均衡。但由于時間跨度較短，不能確定其在長期是否穩定，需要進一步通過建立短期動態模型來反映短期波動偏離長期均衡的修正機制，同時如果變量之間有協整關系，那么這些變量至少存在一個方向的Granger因果關系。因此，在協整關系的基礎上建立誤差修正模型（ECM），利用變量系數的顯著性來檢驗它們之間的長短期因果關系。在上述研究基礎上，根據模型（1）的回歸結果，可得到殘差序列，并將其作為誤差修正項（ecmit）。令：

因此可建立以下面板誤差修正模型：

式中，△表示一階差分，ξit為隨機誤差，式（7）表明產業結構升級的短期波動不僅取決于政府規模、城市化水平等各因素的短期變化，而且還受產業結構升級偏離均衡趨勢程度ecmi,t-1的影響。

利用全國29個省份1990-2010年的面板數據，采用E-G兩步法，對式（7）進行估計，回歸結果如表8 所示。

從表8 可以看出，ecmi,t-1（P值為0.008）項系數在l%顯著性水平上顯著為負，這說明反向誤差修正機制成立，這進一步在理論上驗證了政府規模、城市化水平與產業結構升級之間存著長期均衡關系，政府規模、城市化水平是產業結構升級的長期格蘭杰原因。△IRi,t-1系數為0.176463，在l%顯著性水平上非常顯著（P值為0.001），這表明產業結構升級滯后一期對其本身具有重要的正向影響；△Govit的系數是0.0526705，在l%顯著性水平上也是顯著的（P值為0.002），這表明政府規模是產業結構升級的短期格蘭杰原因；△Urbait（P值為0.389）的回歸系數并不顯著，表明城市化水平不是產業結構升級的短期格蘭杰原因。

結論

本文采用我國1990-2010年29個省份的面板數據，將產業結構升級作為因變量，政府規模和城市化水平作為自變量，建立回歸模型進行實證研究，得到如下結論：

第一，協整檢驗結果表明，政府規模、城市化水平與產業結構升級存在長期穩定的均衡關系。

第二，廣義最小二乘法（GLS）檢驗結果表明，政府規模、城市化水平與產業結構升級存在正向相關關系，且在統計意義上非常顯著。這說明我國在經濟轉型期，政府規模對于產業結構變動有著重要的影響，政府自身支出規模和方向的變化，對產業發展有一定影響作用。同時，城市化水平對產業結構升級也起到一定的推動作用，因此，應加快城市化進程，努力開拓服務業的市場，吸納更多勞動力。

第三，通過建立誤差修正模型結果發現，政府規模是產業結構升級的短期格蘭杰原因，而城市化水平不是產業結構升級的短期格蘭杰原因。這說明政府支出不管是長期還是短期，對產業結構優化都有正向影響，對產業結構升級具有顯著推動效應。而城市化水平對產業結構優化的影響更主要是體現在長期效應上。

因此，加大政府支出規模，加快城市化進程，是實現產業結構升級的重要途徑。為進一步推動產業結構升級，首先，政府財政支出應采取區域差異性扶持政策，加大向經濟不發達地區傾斜，推動新興產業發展和壯大，擴大就業需求量；其次，以實現更大范圍人員就業為目標，以自主創新為基礎，以產學研結合為紐帶，不斷創造就業機會，吸納更多人員就業，加快城市化進程，不斷推進產業結構的調整、優化和升級。

1.姜澤華，白艷.產業結構升級的內涵與影響因素分析[J].當代經濟研究，2010（6）

2.曹秋靜.淺析深圳產業結構升級的驅動因素及其啟示[J].China's Foreign Trade，2012（12）

3.杜傳忠，郭樹龍.中國產業結構升級的影響因素分析—兼論后金融危機時代中國產業結構升級的思路[J].廣東社會科學，2011（4）

4.李曉紅，沈毅.北京郊區產業結構升級影響因素分析[J].全國商情，2008（21）

5.閆海洲.長三角地區產業結構高級化及影響因素[J].財經科學，2010（12）

6.鐘陳.我國西部省域城市化與產業結構的實證研究[J].蘭州商學院學報，2012（4）

7.郝俊卿，曹明明.區域產業結構演進與城市化發展關系研究—以關中地區為例[J].西北大學學報（自然科學版），2012（1）

8.陳強.高級計量經濟學及stata應用[M].高等教育出版社，2010

9.Levin.A.，C.F.Lin.Unit Root Tests in Panel Data：Asymptotic and Finite Sample Properties[C].UC San Diego.Working Paper，1992

10.Levin A.，C.F.Lin and C.S.J.Chu.Unit Root Tests in Panel Data，asymptotic and Finitesample Properties[J].Journal of Econometrics，2002，Vol.108

11.Im K.S.，M.H.Pesaran and Y.Shin.Testing for Unit Roots in Heterogeneous Panels[J].Journal of Econometrics，2003，115

12.Breitung，L.The Local Power of Some Unit Root Tests for Panel Data，Discussion Paper [Z].Humboldt University Berlin，1999

13.Maddala G.S.，Wu Shaowen.Acomparative Study of Unit Root Tests with Panel Data and a New Simple Test[J].Oxford Bulletin of Economics and Statistics，1999

14.Harris， R. D.，F. Tzavalis，E.Inference for Unit Roots in Dynamic Panels Where the T ime Dimension is Fixed[J].Journa l of Econometrics，1999（91）

15.Kao，C，Spurious Regression and Residual-based Tests for Cointetration in Panel Data[J].Journal of Econometrics，1999，90

16.Pedroni，P.Critical Value for Cointegration Tests in Heterogeneous Panels with Multiple Regressors[J].Oxford Bulletin of Economics and Statistics，1999，61