环境规制_对外开放与自主创新_基于省际动态面板数据的实证研究_朱华友
作者简介：朱华友（1967－），男，安徽枞阳人，浙江师范大学经济与管理学院教授，博士，主要研究方向：区域经济演化；
王文鹏（1986－），男，河南安阳人，浙江师范大学经济与管理学院研究生，研究方向：区域经济。
*基金项目：国家自然科学基金项目“我国沿海外贸加工集群的去地方化问题研究”（41171106），项目负责人：朱华友；国家自然科学基金项目“企业再地方化与我国中西部地区转型发展：机理与路径”（41571112），项目负责人：朱华友。
①原始数据来自于《2014年中国统计年鉴》
，作者计算得出。②来源：第一财经网站。
《经济问题探索》2015年第12期
环境规制、对外开放与自主创新
*
———基于省际动态面板数据的实证研究
朱华友，王文鹏
（浙江师范大学，浙江金华321004）
摘要：能否充分利用环境保护与开放性资源迅速提升我国的自主创新能力已成为一个迫在眉捷的问题。
本文基于我国2003—2013年省际面板数据，利用SYS －GMM 动态面板数据模型，考察了环境规制、对外开放对自主创新的影响机制，研究结果表明：环境规制与我国不同层次自主创新均存在“U ”形关系，但现阶段我国环境规制强度平均水平位于拐点左侧，适当的提高环境规制强度能够加快我国自主创新能力的提升；贸易开放对我国高层次自主创新有促进作用，而外资开放对我国自主创新存在负面竞争效应；环境规制与研发投入交叉项对我国自主创新具有正向作用，说明环境规制政策实施能够激励企业加大研发投入，有利于我国自主创新水平的提升；外资开放与研发投入交叉项对我国自主创新也具有正向作用，即外资开放正向效果的发挥有赖于研发投入的加强和吸收能力的增强。
关键词：环境规制；对外开放；自主创新；动态面板一、引言
伴随着改革开放进程的推进，中国在经济取得大发展的同时，对外开放水平也逐步提高。过去的30多年间，中国对外贸易总额飞速增长，从1978年的355亿元增长到2013年的258168.9亿元，年均增长率20.71%。贸易开放度从1978年的9.74%提高到2013年的45.38%①。外商投资也呈现迅速增长，2015年1月30日，联合国贸易和发展会议（UNCTAD ）对外发布数据显示，2014年中国成为全
球外商直接投资（FDI ）第一大目的地国②
。随着上
海、广东、天津、福建四个自贸区的挂牌成立，我国的对外开放驶入了快车道，对外开放水平将得到极大的提升。然而，在对外贸易和来华直接投资带动中国经济快速发展的同时，我国自主创新水平的提升速度却偏慢，经济增长长期依赖于资本、劳动和资源等要素的大量投入，这种粗放型的经济增长模式引致大量
的资源能源消耗和生态环境的日益恶化。发达国家上百年工业化过程中分阶段出现的环境问题在我国已经集中出现
［1］
。
据英国丁铎尔气候变化研究中心（Tyndall Cen-ter ）和埃克赛特大学（University of Exeter ）数理科学学院联合发表的一篇报告，2013年中国CO2排放量超过欧盟和美国的总和，达到100亿吨，占世界
CO2排放量27.7%，中国人均CO2排放量高达7.2吨，并首次超过欧盟人均排放量6.8吨。此外，由美国耶鲁大学环境法律与政策中心、哥伦比亚大学国际地球科学信息网络联合世界经济论坛发布的《2014年全球环境绩效指数（EPI ）报告》显示，在全世界178个参加排名的国家和地区中，中国以43.00分的得分位居第118位。这不仅反映了我国环境污染的严重程度，也反映了相对较弱的环境规制强度。加强环境规制已成为社会各界的普遍共识
［2］
。然而，我国还
有大量的贫困人口有待解决，社会福利水平较低，同时城市化和工业化目标尚未实现［3］。这就意味着要实现经济的可持续发展，转变经济增长方式，走新型工业化道路就成为我国的必然选择。党的“十八大”提出要全面提高开放型经济水平，全面促进资源节约，加大环境保护力度，实施创新驱动发展战略，推进经济结构战略型调整，加快转变经济发展方式。经济增长方式转型就是要从根本上改变过于依靠要素投入的粗放型经济增长方式，使创新成为经济增长的引擎。通过合理的环境规制政策来推进自主创新的提升，是实现我国经济结构调整和增长方式转型的必由之路。毫无疑问，对外开放对推动我国经济增长方式转型有着重要影响和作用，因此，探讨如何在环境规制、扩大对外开放中提升我国自主创新水平，实现经济增长方式转型，具有重要的理论意义和现实意义。
关于环境规制对创新的影响，国内外学者基于不同的前提假设、研究方法和样本得到的结论并不一致，大致可以归纳为三种观点：一是基于静态视角，在技术、资源配置以及消费需者求不变的假设下，认为环境规制政策只会增加厂商的生产成本，削弱其创新能力与竞争力（Gray，1987；Conrad＆Wastl，1995；Wagner，2007）［4－6］。比如：Wagner（2007）应用负二项回归，以德国制造业企业数据为样本，研究发现环境管理体制实施水平对企业总体专利申请量水平存在负效应。二是基于动态视角。Porter＆Linde （1995）认为，设计合理的环境规制能够激励企业进行创新，产生“创新补偿”效应，部分甚至全部抵消其“遵循成本”，同时还能提高生产率和国际竞争力，这就是著名的“波特假说”［7］。自“波特假说”提出后，国内外学者们对其进行了理论分析和实证检验，许多研究都支持环境规制对技术创新有促进作用（Jaffe＆Palmer，1997；Hamamoto，2006；Yang et al.，2012；张中元和赵国庆，2012；廖进球和刘伟明，2013）［8－12］。比如：Hamamoto（2006）利用日本快速工业化时期的制造业数据，实证研究发现环境规制（污染控制支出）与研发支出之间存在显著性正相关，较严格的环境规制能鼓励技术创新从而带来环境收益与生产率提高。Yang et al.（2012）基于台湾1997—2003年制造业面板数据，实证研究也表明，环境规制与研发支出存在显著性正相关，严格的环境保护会引致更多的研发创新活动，从而可以提高企业竞争力，环境规制与企业竞争力之间存在“双赢”的情况。也有学者认为，环境规制对创新的影响存在拐点，拐点前环境规制具有负效应，拐点后具有正效应，环境规制与创新之间呈“U”型（蒋伏心等，2013；景维民和张璐，2014）［2、13］，比如：蒋伏心等（2013）基于江苏省2004—2011年28个制造业行业面板数据，实证分析了环境规制对创新的影响，环境规制与企业创新之间呈现先下降后上升的“U”型动态特征。三是环境规制对创新影响不显著，环境保护政策并不会显著促进创新（Arduini＆Cesaroni，2001；Aiken et al.，2009；江珂，卢现祥，2011）［14－16］。比如：Arduini＆Cesaroni（2001）对欧洲化学工业研究得出的结论表明，严格的环境规制与创新之间没有显著的相关性。
FDI与东道国创新能力的关系研究一直是学术界广泛关注的热点问题之一。目前，关于FDI是否有利于东道国创新能力的提升仍存在较大争议。依据国内外学者们的研究结论，大致也可归纳为三类：一类学者认为，FDI能够促进东道国创新能力的提升（Bar-rell＆Pain，1999；Cheung＆Lin，2004；王红领等，2006；范如国和蔡海霞，2012）［17－20］。比如：范如国和蔡海霞（2012）以我国2004—2008年30个省市自治区数据为样本，运用CES生产函数考察了FDI与我国企业创新能力的关系，研究结果表明FDI对我国企业创新产出产生正向影响，FDI每提高1%，专利申请授权数会增加0.18%。另一类学者认为，FDI对东道国创新无显著影响或有负影响（Aitken＆Harri-son，1999；Hu＆Jefferson，2002；邢斐和张建华，2009；郑展鹏，2014）［21－24］。比如：Hu＆Jefferson （2002）利用中国1995—1999年电子产业和纺织产业大中型企业的数据，研究发现FDI对中国电子产业的企业存在显著的负影响，而对纺织企业无影响。邢斐和张建华（2009）利用动态博弈模型探讨了FDI对东道国企业自主创新的影响，通过对我国1999—2004年36个工业行业的数据进行系统GMM，实证发现FDI在短期内对我国企业的创新研发表现出显著负影响，但FDI的长期影响并不显著。第三类学者认为，FDI对东道国创新的影响存在“门槛效应”（Girma，2005；鲁钊阳和廖杉杉，2012；罗军和陈建国，2014）［25－27］。比如：罗军和陈建国（2014）基于我国2002—2012年省际面板数据，利用门槛模型实证考察了FDI对我国创新能力的影响，研究表明FDI 对我国创新能力存在明显的研发资金和研发劳动投入的双门槛效应。
在国际贸易与创新方面，继Coe＆Helpman
（1995）首次研究证实了贸易开放存在Ｒ＆D溢出效应后，国内外学者们从理论和实证上研究了国际贸易与创新的关系。部分学者认为国际贸易能够促进创新（Edwards，1998；王华等，2010；刘重力和黄平川，2011）［28－30］。比如：Edwards（1998）利用93个国家1980—1990年的数据，实证考察了贸易开放与创新的关系，研究结论表明一个国家提高贸易开放水平能够显著促进该国创新水平的提升。王华等（2010）基于我国1998—2000年1548家企业数据，通过构建Probit随机效应模型，实证分析了开放经济条件下我国本土企业自主创新的内生决定机制，研究发现国际贸易对我国企业自主创新能力的培育有着稳健的促进作用。反之，部分学者认为国际贸易并没有促进创新（Woerter＆Ｒoper，2010；阚大学，2013）［31－32］。比如：阚大学（2013）基于我国1997—2009年省级大中型工业企业面板数据，运用系统广义矩估计方法实证研究就发现，进口贸易对我国企业技术创新的正向效应不显著，出口对技术创新产生了负面影响。
以上文献为本文的研究提供了诸多有益的启发，不过现有相关文献也存在一些问题。首先，大部分学者依次讨论了环境规制与创新、FDI与创新或进出口贸易与创新的关系，而将环境规制、对外开放与创新纳入到同一框架体系内进行分析的文献相对缺乏。其次，国内学者对自主创新问题的研究，绝大多数实证研究文献在衡量Ｒ＆D投入时往往以当期Ｒ＆D流量支出或其滞后值来表示，忽视了自主创新能力的提升是长期积累的结果，而本文将通过永续盘存法估算Ｒ＆D存量予以体现。最后，在计量方法的选取上，现有的相关研究文献多数都基于静态面板数据或者时间序列数据进行分析，没有充分地重视各经济变量的内生性问题，在研究方法上有待进一步改善。
为了弥补先前研究的不足，本文将采用中国30个省市自治区2003—2013年面板数据，通过构建动态面板数据模型，采用一步SYS－GMM方法来考察环境规制、对外开放对自主创新的影响机制。本文以下部分的结构安排为：第二部分建立计量模型，并对变量的计算指标选取和数据来源做出说明；第三部分给出实证结果并对结果予以分析，同时，对计量估计结果进行稳健性检验；第四部分为本文的研究结论与政策启示。
二、计量模型、变量与数据
（一）计量模型设定
为了考察环境规制、对外开放与自主创新之间的影响机制，本文基于Griliches－Jaffe知识生产函数并借鉴Jaffe＆Palmer（1997）、Hamamoto（2006）、景维民和张璐（2014）等人的实证计量模型，构建的计量模型设定如下：
lnY
it
=β
+β
1
EＲ
it
+β
2
OPEN
it
+β
3
lnＲD
it
+μ
i
+
ε
it
（1）
其中，下标i表示各省市，t表示年份；Y
it
表示i
省市t年的自主创新水平；EＲ
it
表示i省市t年的环境
规制强度；OPEN
it
表示i省市t年的对外开放程度；
ＲD
it
表示i省市t年的研发投入；μ
i
代表不可观测的个
体固定效应。ε
it
为随机误差项。为消除异方差，本文对相关变量采取自然对数形式。
国际贸易和外商直接投资都是表征一国或地区对外经济开放的重要组成部分［33］。在此，本文从贸易开放和外资开放两个方面，来进一步考察对外开放（OPEN）对我国自主创新的影响。为简化分析，我们采用外贸依存度和外资依存度来表征贸易开放和外资开放，亦即：
OPEN=IMEXOP+FDIOP（2）
将式（2）代入到式（1）中，可得式（3）：
lnY
it
=β
+β
1
EＲ
it
+β
2
IMEXOP
it
+β
3
FDIOP
it
+
β
4
lnＲD
it
+μ
i
+ε
it
（3）
式中，IMEXOP
it
、FDIOP
it
分别表示i省市t年的贸易开放程度和外资开程度。
考虑到创新过程对基础研究的依赖性和创新累积性特征，创新产出的当前水平可能会依赖其前期的创新成果，对此，本文通过在式（3）中引入因变量的滞后一期项而将其扩展为动态面板数据模型，以此刻画创新过程中可能存在的动态特征，且因变量的滞后项也能作为其他遗漏变量的代理变量。动态模型的好处还在于当模型中某些解释变量存在内生性时，可运用动态面板数据的计量方法消除模型的内生性偏误，从而得到这些解释变量的一致性估计量，得式（4）：
lnY
it
=β
+ρlnY
it－1
+β
1
EＲ
it
+β
2
IMEXOP
it
+β
3
FDIOP
it
+β
4
lnＲD
it
+μ
i
+ε
it
（4）在式（4）的基础上，引入环境规制变量的平方项EＲ2，以考察环境规制与自主创新之间可能存在的“U”型关系，并可初步估算环境规制对自主创新发生转变的临界值。同时，为得到更为准确的估计结果，根据现有相关研究文献，我们还在式（4）中加入一些控制变量，包括所有制结构变量（SYZ）、人力资本水平（GDH）和地区规模（ＲK）等，则可得到本文的基准计量模型：
lnY
it =β
+ρlnY
it－1
+β
1
EＲ
it
+β
2
EＲ2
it
+β
3
IMEXOP
it +β
4
FDIOP
it
+β
5
lnＲD
it
+β
6
SYZ
it
+β
7
GDH
it
+β
8lnＲK
it
+μ
i
+ε
it
（5）此外，为了考察环境规制、对外开放与研发投入
对我国自主创新能力的共同影响效应，本文在式（5）基础上拟分别引入环境规制、贸易开放、外资开放与研发投入的交叉项，亦可得式（6）—（8）：
lnY
it =β
+ρlnY
it－1
+β
1
EＲ
it
+β
2
EＲ2
it
+β
3
IMEXOP
it +β
4
FDIOP
it
+β
5
lnＲD
it
+β
6
SYZ
it
+β
7
GDH
it
+β
8lnＲK
it
+φEＲ
it
?lnＲD
it
+μ
i
+ε
it
（6）
lnY
it
=β
+ρlnY
it－1
+β
1
EＲ
it
+β
2
EＲ2
it
+β
3
IMEXOP
it +β
4
FDIOP
it
+β
5
lnＲD
it
+β
6
SYZ
it
+β
7
GDH
it
+β
8lnＲK
it
+φIMEXOP
it
?lnＲD
it
+μ
i
+ε
it
（7）
lnY
it
=β
+ρlnY
it－1
+β
1
EＲ
it
+β
2
EＲ2
it
+β
3
IMEXOP
it +β
4
FDIOP
it
+β
5
lnＲD
it
+β
6
SYZ
it
+β
7
GDH
it
+β
8lnＲK
it
+φFDIOP
it
?lnＲD
it
+μ
i
+ε
it
（8）（二）变量说明
1.被解释变量。专利是衡量创新产出和创新能
力最为常见和广泛被认可的指标。国内外学者广泛使用专利来反映自主创新水平。在此，本文选择专利授权量来表征自主创新。
在我国，专利包括发明、实用新型和外观设计三种形式。其中，发明专利的技术含量和创新程度最高，实用新型和外观设计专利则较低。对此，本文将自主创新进一步划分为高层次自主创新（用ADIN表示）和中低层次自主创新（用MLIN表示）。用发明专利授权量来度量高层次自主创新（ADIN），用实用新型和外观设计专利来度量中低层次自主创新（MLIN）。这样可以考察环境规制、贸易开放和外资开放对我国不同层次自主创新影响的差异性。
2.核心解释变量。
（1）环境规制。由于我国的环境规制措施尚未形成固定的模式，也不存在独立的规制工具。目前统计资料中，关于环境规制措施的直接数据较难获取。基于本文研究目的和数据完善性，为了更好地反映一个地区实际环境管制强度的大小，我们在这里采用各省市工业污染治理完成投资占工业增加值的比重来衡量各省市的环境规制强度。
（2）贸易开放。关于贸易开放程度的测量，国内外学者一般采用两种方法，即指标体系法和模型构建法。鉴于本文构造的是省际面板数据，我们以各省市按境内目的地和货源地分货物进出口总额占该地区GDP的比重来衡量各省市的贸易开放水平。进出口总额均采用各年度人民币对美元年平均汇价（中间价）进行折算。
（3）外资开放。外资开放也是衡量对外开放度
的一个重要组成部分。考虑到数据的可得性和遵从文献上的一致性，本文在此选择各省市外商直接投资（实际利用外商直接投资金额）与该地区GDP的比重来衡量外资开放程度，各年度实际利用外商直接投资额采用各年度人民币对美元年平均汇价（中间价）进行折算。
3.其他控制变量。研发投入，由于创新产出不仅依赖于当期的Ｒ＆D投入，而且还取决于过去时期中的Ｒ＆D投入状况，如果仅采用当期Ｒ＆D投入来测度创新将会存在较大的偏差。对此，我们通过永续盘存法（Perpetual Inventory Method，PIM）估算出研发资本存量来表征研发投入，具体计算方法如下：ＲD
it
=（1－δ）ＲD
it－1
+E
it－1
（9）
式（9）中，ＲD
it
为i省市t年的研发存量，ＲD
it－1为i省市t－1年研发存量，δ为折旧率，与刘思明等（2015）［34］一样，本文也将研发存量折旧率设定为
15%。E
it－1
为i省市t－1年实际研发经费支出流量。对于研发支出价格指数构建，本文参考朱平芳和徐伟民（2003）［35］的做法，将研发支出价格指数设定为居民消费价格指数和固定资产投资价格指数的加权平均值，其中居民消费价格指数的权重为0.55，固定资产投资价格指数的权重为0.45，利用该价格指数将研发经费支出调整为2003年不变价的实际值。
在估算基期研发存量时，假设研发资本存量的折旧率等于研发经费的增长率，则基期研发存量的估算
方法为：ＲD
i2003
=E
i2003
/（δ+g
i
），其中，δ为折旧率，
g
i
为i省市在样本期内研发经费支出的年均增长率。据此，可计算出各省市基期的研发存量。
所有制结构变量。本文用国有及国有控股工业资产合计占规模以上工业企业资产合计的比重来表示。关于国有企业对创新的贡献，现有文献多数认为国有及国有控股企业资金实力雄厚，但缺乏创新动力，创新效率低下。
人力资本水平。地区人力资本水平越高越有利于知识传播、创新思想交流和获得。本文采用普通高等院校在校生人数与各省市年底总人口的比值来衡量各地区人力资本水平。
地区规模。本文借鉴彭向和蒋传海（2011）的做法，采用各省市地区人口数来表征。一般而言，地区人口规模越大对创新需求的拉动也越大，进而推动
地区增加创新投入，提升创新能力。
（三）数据说明与统计描述
鉴于西藏自治区的数据缺失较多，本文采用除西藏外的中国大陆30个省（市、自治区）的2003—2013年面板数据为实证研究样本。其中，衡量环境规制的原始数据来源《中国环境统计年鉴》（2004—2014）；实际利用外商直接投资额（FDI），从《新中国六十年统计资料汇编》中摘取2003—2008年数据，由于《中国统计年鉴》2004年之后不再统计实际利用外商直接投资额（FDI）这一指标，为保持数据口径统一，2009—2013年数据来自各省市相关年份的统计年鉴；计算研发存量的原始数据来源《中国科技统计年鉴》（2004—2014），其余数据均来自国家统计局网站的“分省年度数据”。另外，衡量中低层次自主创新（MLIN）的专利数据为实用新型和外观设计专利之和。同时，为了提高估计的准确性和可信度，对于可能存在的价格波动影响，本文利用GDP 指数、固定资产投资价格指数、研发支出价格指数进行价格平减以剔除物价因素的影响，基期为2003年。各变量的描述性统计分析如表1。
表1各变量的描述性统计
变量含义均值标准差最小值最大值lnADIN高层次自主创新的对数 6.5212 1.5182 2.833210.0057 lnMLIN中低层次自主创新的对数8.4369 1.5922 3.891812.4439 EＲ环境规制强度 4.3330 3.33510.359026.9202 IMEXOP贸易开放 3.3221 3.81980.249716.6816 FDIOP外资开放 2.5898 2.00720.068310.5116 lnＲD研发存量的对数14.3348 1.335811.084716.7320 SYZ所有制结构0.55570.18290.14000.8897 GDH人力资本水平 1.52810.65810.3860 3.5650 lnＲK地区规模8.15170.7575 6.28049.2728
三、计量结果、分析及稳健性检验
（一）计量方法说明
本文的实证计量模型中，由于在自变量中引入了被解释变量的滞后一期项，该项和随机误差项存在相关性，同时贸易开放、外资开放以及研发投入等变量也可能存在内生性问题。如果这里使用最小二乘法（OLS）或固定效应法（FE）进行回归，将会导致参数的估计结果出现偏差。对此，本文利用面板GMM 进行估计。Arellano and Bond（1991）、Blundell and Bond（1998）分别提出了差分广义矩估计（DIF－GMM）和系统广义矩估计（SYS－GMM）。与差分广义矩估计相比，系统广义矩估计通过对差分方程和水平方程同时进行估计，能够利用更多的样本信息，并且工具变量的有效性更强，得到的估计结果也更为有效。系统广义矩估计可分为一步估计和两步估计，由于在有限样本的条件下，两步SYS－GMM估计的标准差会产生向下偏倚，且存在估计量的近似渐近分布不可靠。因此，本文最终选用更加可靠的一步SYS－GMM估计方法来对模型参数进行估计。
一步SYS－GMM估计中，还需要进行以下检验，以对GMM估计结果的合理性进行判断。第一，对工具变量进行过度识别检验。由于Hansen检验不要求满足同方差，本文采用Hansen检验来检验工具变量的有效性。第二，采用Arellano－Bond检验来检验模型的误差项是否存在二阶自相关。第三，在含有滞后因变量的动态面板数据模型中，非观测个体固定效应的存在使得因变量滞后项系数的混合OLS估计量（POOLED）会产生向上偏误；而固定效应估计（FE）则会使得因变量滞后项系数的估计产生向下偏误。Bond（2002）提出了一个经验法则，即如果滞后因变量的GMM估计值介于固定效应估计值和混合OLS估计值之间，则证明GMM估计结果是可靠有效的［36］。
（二）计量结果分析
本文用发明专利、实用新型和外观设计专利分别来度量高层次自主创新（ADIN）和中低层次自主创新（MLIN），以考察环境规制、贸易开放和外资开放对我国不同层次自主创新的影响。表2和表3为样本的一步SYS－GMM估计结果。表2和表3报告结果显示，所有一步SYS－GMM模型的Hansen检验均接受原假设，表明工具变量的设定是有效的。Arella-no－Bond检验p值在AＲ（1）处拒绝原假设，AＲ
（2）处接受原假设，表明随机误差项均不存在二阶序列相关。从表2中可以看出，因变量无论为高层次自主创新还是中低层次自主创新，其滞后一期项的系数估计值均介于混合OLS估计值和固定效应估计值之间③。以上检验表明本文的一步SYS－GMM的估计结果是有效的。
（1）各层次自主创新影响因素的估计结果与讨论。在表2中，模型3和模型6分别报告了高层次自主创新和中低层次自主创新的一步SYS－GMM估计结果，同时，为了便于分析比较，模型1和模型4分别报告了高、中低层次自主创新的混合最小二乘法（POOLED）估计结果，模型2和模型5也分别报告了高、中低层次自主创新的固定效应（FE）估计结果。由于最小二乘法（OLS）和固定效应法（FE）的估计结果是非一致的，下面我们将基于模型3和模型6的估计结果进行分析。
由表2中模型3和模型6可以看出，无论是高层次自主创新还是中低层次自主创新，环境规制强度变量（EＲ）的一次项和二次项系数符号都分别为负号和正号，并且在统计上显著，表明环境规制强度对我国各层次自主创新的影响存在“门槛”效应④，当环境规制强度低于门槛值时，环境规制对自主创新存在抑制作用，当环境规制强度超过门槛值时，环境规制会对自主创新产生促进作用，也就是说环境规制强度与各层次自主创新之间存在“U”形关系，计算得知这个门槛值分别约为11.5619和9.5833，而2013年我国环境规制强度的平均值仅为4.4365，说明现阶段我国环境规制强度仍非常低，处于“U”形曲线的左端，环境规制会对我国各层次自主创新均产生一定的递减效应，但当环境规制强度提高到拐点水平以后，将会显著的提升我国自主创新能力。其原因可能在于：当环境管制强度较弱时，企业为达到政府环保政策的规定要求，往往会采取购置治污设备或技术、增加投入成本的措施，“挤出”了企业的创新研发投入，进而对创新水平产生负面影响。当环境规制强度提高至拐点水平以后，为满足政府较高的环境规制要求，企业需要投入更多的成本，这将激励企业增加创新研发的投入力度，进而促进创新水平的提升。这一结果与张成等（2011）、景维民和张璐（2014）等学者所得结论一致。
在对外开放方面，现有文献多数认为贸易开放能够促进创新，而有关FDI的进入对东道国创新能力的影响却存在较大的争议。表2的模型3和模型6显示，贸易开放（IMEXOP）显著促进了我国高层次自主创新，而对中低层次自主创新的促进效应不太明显，同时，贸易开放的提升对我国高层次自主创新的边际促进效应也更大，贸易开放每变动一个百分点，将会引致我国高层次自主创新约0.0223%的同向变动。贸易开放对一国创新水平的影响，一是通过直接引进国外先进技术或进口有一定技术含量的中间品，通过学习、模仿和改造来提升本国自主创新水平；二是出口贸易，不仅可以提高本国企业的规模收益，还可以使企业通过“出口中学习”获得国外的先进技术和管理经验，促进本国自主创新水平的提升；三是通过竞争效应来促进本国自主创新能力的提高。从外资开放（FDIOP）来看，其对我国各层次自主创新的影响均在5%水平上显著为负，并且对中低层次自主创新的负效应要大于高层次自主创新，这表明外资的进入在一定程度上阻碍了我国自主创新能力的提高，这与彭向和蒋传海（2011）、张中元和赵国庆（2012）等人的研究结论相一致。通常认为，FDI溢出效应的渠道包括示范效应、跨国公司人员培训和流动、竞争效应和产业关联效应等，但是外资的负面竞争效应可能会抵消其正向的技术溢出效应（Castellani ＆Zanfei，2003）［37］。随着FDI的流入，高效率的外资企业进入东道国会进一步加剧当地的产品市场竞争，外资利用其品牌、技术、营销和管理等方面的优势以及较低的边际成本侵占原来国内企业的市场份额，导致内资企业市场份额减少、平均成本上升，进而抑制了内资企业的创新，表现为对东道国自主创新具有负面影响。
从其他解释变量来看，本期高层次和中低层次自主创新与前一期的高层次和中低层次自主创新都存在显著性正相关，这反映了自主创新的累积性特征，上一年的创新数量会影响到本年的自主创新水平，同时也说明了建立动态面板数据模型的必要性。就全国水平而言，单独的Ｒ＆D存量对各层次自主创新的影响系数都不显著，这意味着在样本研究期内，研发投入对我国各层次自主创新既不存在促进效应也不存在阻碍作用，这一结果与李斌等（2011）［38］学者所得结论
③④限于篇幅，表3不再展示OLS和FE的估计结果，有兴趣的读者可向作者索取。
对于一个二次函数，参照Woodridge（2002），可以将门槛值定义为函数的转折点或者函数取得最大值（最小值）时的变量值。
相一致。所有制结构变量（SYZ）对中低层次自主创新在5%水平上显著为负，正如吴延兵（2014）研究结果所揭示的那样，一方面，国有组织机构僵化，经理人缺位，委托代理和预算软约束问题严重，并且缺乏有效的监督和激励机制等，严重制约了国有企业创新能力的提升；另一方面，我国私营企业规模较小、实力较弱，缺乏发明创造所需的雄厚资金和高素质人才，并且私营企业主要从事于劳动密集型产业，其技术创新往往集中在技术含量和附加值较低的实用新型和外观设计上［39］。所以，我们看到，所有制结构变量（SYZ）对中低层次自主创新表现出显著的负效应。人力资本水平（GDH）对各层次自主创新都具有显著的促进作用，说明较高的人力资本水平有利于提高自主创新能力。地区规模（lnＲK）对各层次自主创新也表现出显著的正向影响，扩大地区人口规模有利于带动自主创新水平的提升。
表2高层次自主创新和中低层次自主创新影响因素回归结果
模型1模型2模型3模型4模型5模型6
（lnADIN）POOLED （lnADIN）
FE
（lnADIN）
SYS－GMM
（lnMLIN）
POOLED
（lnMLIN）
FE
（lnMLIN）
SYS－GMM
L.lnADIN0.902＊＊＊0.668＊＊＊0.796＊＊＊
（0.0202）（0.0483）（0.0272）
L.lnMLIN0.959＊＊＊0.659＊＊＊0.823＊＊＊
（0.0258）（0.0908）（0.0487）EＲ－0.0244＊＊＊－0.0405＊＊＊－0.114＊＊＊－0.00475－0.0108－0.0414＊＊＊（0.0053）（0.0094）（0.0264）（0.0087）（0.0112）（0.0120）EＲ20.000682＊＊0.00161＊＊＊0.00493＊＊＊0.0003630.000920＊＊0.00216＊＊＊（0.0003）（0.0003）（0.0018）（0.0004）（0.0004）（0.0006）IMEXOP0.00941＊＊－0.004770.0223＊＊－0.00191－0.002790.0170*（0.0037）（0.0182）（0.0109）（0.0035）（0.0167）（0.0089）FDIOP－0.0212＊＊－0.0267－0.0591＊＊－0.0212＊＊－0.0133－0.0666＊＊（0.0086）（0.0263）（0.0263）（0.0097）（0.0226）（0.0286）lnＲD0.0299 1.906＊＊＊0.00331－0.0102 2.175＊＊－0.0453（0.0229）（0.4149）（0.0481）（0.0320）（0.8029）（0.0687）SYZ－0.184＊＊0.0527－0.112－0.290＊＊0.305－0.551＊＊（0.0881）（0.3397）（0.2319）（0.1268）（0.3520）（0.2594）GDH0.120＊＊＊0.1590.343＊＊＊0.137＊＊＊0.262＊＊0.465＊＊＊（0.0357）（0.1035）（0.0550）（0.0340）（0.1208）（0.0770）lnＲK0.0695＊＊0.08730.206＊＊＊0.0814＊＊0.6630.283＊＊＊（0.0273）（0.5335）（0.0643）（0.0395）（0.4620）（0.0776）常数项－0.110－25.77＊＊＊－0.2390.0341－34.10＊＊＊－0.196（0.1687）（5.9152）（0.3697）（0.1757）（10.6279）（0.5286）AＲ（1）［0.0038］［0.0139］AＲ（2）［0.228］［0.571］Hansen［0.958］［0.987］样本量300300300300300300注：①（）内数值为异方差稳健标准误，［］内数值为相应检验统计量的p值；②＊＊＊、＊＊和*分别表示能够通过显著水平为1%、5%和10%的统计检验；③AＲ（1）、AＲ（2）代表Arellano－Bond的检验统计量，用于检验一次差分残差序列是否存在一阶、二阶自相关，其原假设为不存在自相关；④Hansen检验的原假设为所有工具变量是有效的；下表同。
表3环境规制、对外开放与研发投入交叉项的回归结果
模型1模型2模型3模型4模型5模型6
（lnADIN）SYS－GMM
（lnMLIN）
SYS－GMM
（lnADIN）
SYS－GMM
（lnMLIN）
SYS－GMM
（lnADIN）
SYS－GMM
（lnMLIN）
SYS－GMM
L.lnADIN0.826＊＊＊0.798＊＊＊0.833＊＊＊
（0.0283）（0.0310）（0.0278）
L.lnMLIN0.803＊＊＊0.781＊＊＊0.844＊＊＊
（0.0535）（0.0446）（0.0399）EＲ－0.0862＊＊＊－0.0599＊＊＊－0.0990＊＊＊－0.0640＊＊＊－0.0803＊＊＊－0.0384＊＊＊（0.0229）（0.0138）（0.0284）（0.0186）（0.0232）（0.0144）EＲ20.00374＊＊＊0.00307＊＊＊0.00422＊＊0.00309＊＊＊0.00345＊＊0.00201＊＊＊（0.0014）（0.0007）（0.0017）（0.0010）（0.0014）（0.0007）IMEXOP0.0142＊＊0.01750.0156*0.02060.009100.0139（0.0065）（0.0113）（0.0080）（0.0133）（0.0061）（0.0106）FDIOP－0.0389＊＊－0.0694＊＊－0.0440＊＊－0.0766＊＊＊－0.0335*－0.0671＊＊＊（0.0197）（0.0277）（0.0175）（0.0260）（0.0200）（0.0260）lnＲD0.0326－0.03510.0203－0.05030.0464－0.0330（0.0391）（0.0883）（0.0397）（0.0909）（0.0375）（0.0714）SYZ－0.127－0.571＊＊－0.130－0.620＊＊－0.186－0.608＊＊（0.2110）（0.2680）（0.2412）（0.2638）（0.2145）（0.2395）GDH0.280＊＊＊0.480＊＊＊0.335＊＊＊0.520＊＊＊0.263＊＊＊0.409＊＊＊（0.0599）（0.0746）（0.0677）（0.0872）（0.0584）（0.0708）lnＲK0.156＊＊＊0.303＊＊＊0.198＊＊＊0.338＊＊＊0.119＊＊0.223＊＊＊（0.0559）（0.0845）（0.0736）（0.1061）（0.0520）（0.0808）EＲ?0.0289*0.0376＊＊
lnＲD（0.0164）（0.0184）
IMEX?－0.0422*－0.0270
lnＲD（0.0230）（0.0233）
FDI?0.0303＊＊0.0521＊＊lnＲD（0.0137）（0.0213）常数项－0.443－0.277－0.487－0.195－0.3350.0751（0.3399）（0.5215）（0.3425）（0.5506）（0.3159）（0.4294）AＲ（1）［0.0100］［0.0103］［0.0067］［0.0209］［0.0076］［0.0149］AＲ（2）［0.104］［0.530］［0.170］［0.550］［0.189］［0.607］Hansen［1.000］［0.879］［0.997］［0.835］［0.997］［0.810］样本量300300300300300300
（2）环境规制、对外开放与研发投入交叉项的回归结果与分析。通常，原始变量和交叉项同时引入会引起多重共线性问题，为解决这一棘手问题，本文拟对交叉项进行标准化处理，即将环境规制（EＲ）、贸易开放（IMEXOP）、外资开放（FDIOP）和研发投入（lnＲD）分别以其均值为中心进行标准化处理。表3旨在考察环境规制、贸易开放、外资开放与研发投入的交叉项对我国各层次自主创新水平的影响。由于表3中各解释变量系数的方向及显著性与表2中的模型3和模型6基本相同，因此我们将重点关注各个
交叉项的系数。从模型1和模型2可知，环境规制一次项的回归系数均为负，环境规制和研发投入交叉项（EＲ?lnＲD）的回归系数均为正，二者方向相反，这意味着环境规制对创新的作用在一定程度上取决于研发投入的情况，也就是说，加强环境规制能够有效激励企业加大研发资本投入，提高自我创新能力，进而对我国自主创新水平的提升产生促进作用。同时，进一步观察可以发现，EＲ?lnＲD对中低层次自主创新在5%显著水平上为正，而对高层次自主创新影响的估计参数显著性较低，这表明我们还需要进一步挖掘环境规制对我国高层次自主创新能力提升的潜力。另外，模型3和模型4显示，贸易开放与研发投入交叉项（IMEXOP?lnＲD）的系数都为负值，但总体上不显著，这意味着贸易开放并没有通过Ｒ＆D途径来促进我国各层次自主创新能力的提升，甚至在一定程度上，贸易开放与Ｒ＆D吸收能力结合所带来的溢出效应对高层次自主创新产生了负向影响，这一结论也与傅晓霞和吴利学（2012）［40］等学者的研究结论互为支撑，即我国创新能力基础薄弱，自主研发实力有限，Ｒ＆D吸收能力较低，并且Ｒ＆D资本投入结构不合理，研发效率也较低，这对国外先进技术的引进、消化、吸收甚至再创新构成了一定障碍。最后，模型5和模型6显示，外资开放和研发投入交叉项（FDIOP?lnＲD）的系数为正，并在5%显著水平上显著，说明国内研发积累的提升、研发吸收能力的增强将有助于提高对FDI的有效利用，改善对FDI的技术吸收能力，进而实现FDI正向技术溢出效应。现有文献中，许多研究也都发现东道国的吸收能力对于FDI的正向技术溢出效应起着重要作用（Keller and Yeaple，2009）［41］，本文的这一结果也与此相一致。此外，从模型5和模型6的回归系数上来看，FDIOP ?lnＲD对我国中低层次自主创新的贡献要大于对高层次自主创新的贡献。
表4稳健性检验
模型1模型2模型3模型4模型5模型6模型7模型8
（lnADIN）（lnMLIN）（lnADIN）（lnMLIN）（lnADIN）（lnMLIN）（lnADIN）（lnMLIN）L.lnAD0.856＊＊＊0.828＊＊＊0.818＊＊＊0.842＊＊＊
IN（0.0248）（0.0265）（0.0305）（0.0255）
L.lnML0.827＊＊＊0.821＊＊＊0.807＊＊＊0.822＊＊＊IN（0.0587）（0.0571）（0.0530）（0.0550）EＲ－0.0621＊＊＊－0.0379＊＊＊－0.0861＊＊＊－0.0522＊＊＊－0.0815＊＊＊－0.0486＊＊＊－0.0702＊＊＊－0.0411＊＊＊（0.0146）（0.0137）（0.0239）（0.0163）（0.0235）（0.0136）（0.0202）（0.0132）EＲ20.0024＊＊＊0.0018＊＊＊0.0035＊＊＊0.0026＊＊＊0.0032＊＊＊0.0024＊＊＊0.0028＊＊0.0021＊＊＊（0.0008）（0.0006）（0.0014）（0.0007）（0.0012）（0.0006）（0.0011）（0.0005）IMEXOP0.0149＊＊0.01050.0202＊＊0.01480.0206＊＊0.01230.009890.00770（0.0068）（0.0099）（0.0099）（0.0124）（0.0097）（0.0131）（0.0114）（0.0148）FDIOP－0.0409＊＊－0.0674＊＊－0.0661＊＊＊－0.0521*－0.0611＊＊＊－0.0528＊＊－0.0444*－0.0513*（0.0170）（0.0264）（0.0226）（0.0311）（0.0212）（0.0265）（0.0253）（0.0303）lnＲD0.01450.01760.0319－0.01740.00382－0.01010.04480.0212（0.0314）（0.0832）（0.0452）（0.0859）（0.0388）（0.0948）（0.0435）（0.0972）SYZ－0.181－0.686＊＊－0.208－0.553*－0.216－0.635*－0.289＊＊－0.713＊＊（0.1358）（0.3141）（0.1969）（0.3058）（0.1621）（0.3260）（0.1388）（0.3284）GDH0.235＊＊＊0.339＊＊＊0.251＊＊＊0.420＊＊＊0.287＊＊＊0.446＊＊＊0.236＊＊＊0.412＊＊＊（0.0631）（0.0623）（0.0656）（0.0762）（0.0642）（0.0845）（0.0589）（0.0726）lnＲK0.129＊＊＊0.182＊＊0.138＊＊0.251＊＊＊0.177＊＊＊0.251＊＊＊0.0940＊＊0.174＊＊（0.0341）（0.0806）（0.0562）（0.0684）（0.0516）（0.0902）（0.0408）（0.0869）EＲ?0.0329*0.0320
lnＲD（0.0183）（0.0231）
IMEX?－0.0380*－0.0172
lnＲD（0.0207）（0.0203）
FDI?0.0320＊＊0.0578＊＊lnＲD（0.0157）（0.0244）常数项－0.127－0.0269－0.152－0.241－0.112－0.234－0.0714－0.0741（0.2168）（0.3660）（0.3906）（0.5285）（0.3096）（0.5327）（0.3184）（0.5014）AＲ（1）［0.0130］［0.0133］［0.0143］［0.0152］［0.0115］［0.0232］［0.0115］［0.0212］AＲ（2）［0.924］［0.488］［0.480］［0.467］［0.695］［0.483］［0.816］［0.516］Hansen［1.000］［1.000］［0.992］［0.999］［0.998］［1.000］［0.998］［0.997］样本量260260260260260260260260
（三）稳健性检验
为了确保本文分析结论的可靠性，我们将采取剔除异常样本点的方法对本文的实证结论进行稳健性检验。
我国幅员辽阔，以及特殊的地理位置和历史原因，不同地区在经济社会发展水平、外资开放程度等方面存在较大的差异。在外资开放程度方面，天津、辽宁、江苏和上海等东部沿海地区的外资开放程度很高，而像甘肃、新疆、贵州等内陆地区的外资开放程度却很低，在2003—2013年期间，天津的平均外资开放度为7.2428，而甘肃的平均外资开放度却仅为0.1752，前者大约是后者41.3402倍。因此，我们担心本文计量估计结果可能会受这些样本的影响。为了检验本文的主要分析结论是否受异常样本点的影响，我们按照以下方法剔除异常样本：首先分别计算出在样本期内各省市外资开放程度的均值，然后按照这个均值大小进行排序，把排名前两个和最后两个的省市予以剔除⑤，最终得到26个省市样本⑥。对剔除异常点后的样本进行一步SYS－GMM估计，具体的回归结果报告在表4中，其中，Hansen检验的p值均大于0.1，说明工具变量的选取是有效的；AＲ（2）检验的p值均在10%以上，因而不能拒绝模型中残差无自相关的假设。另外，表4中所有模型的因变量滞后一期项在一步SYS－GMM方法中的估计值均介于OLS和FE估计方法之间⑦。我们发现，虽然模型1（高层次自主创新）和模型2（中低层次自主创新）的各个变量的估计系数值略有变化，但所有系数符号均未发生改变，显著性水平也与基准模型一步SYS－GMM估计结果基本相同，例如：环境规制变量与高层次、中低层次自主创新之间的“U”形关系与表2分析的结论完全相一致。在模型3、5、7（高层次自主创新）和模型4、5、8（中低层次自主创新）中，除环境规制与研发投入交叉项回归系数估计值的显著性略微有变化外，其它系数符号和显著性水平与表3的回归结果基本相同，因此，本文的结论并没受到异常样本点的影响，回归结果是稳健的。
四、研究结论与政策启示
本文基于我国2003—2013年省际面板数据，运用SYS－GMM估计方法，考察了环境规制、对外开放对我国不同层次自主创新的影响机制，本文研究的基本结论：（1）环境规制强度与我国各层次自主创新之间均呈现先下降后上升的“U”形动态特征，即存在“门槛”效应，当环境规制强度跨过“门槛”值9.5833，环境规制对中低层次自主创新的影响将产生由负向到正向的转变，环境规制强度跨过“门槛”值11.5619后，对高层次自主创新的影响也将产生促进作用。（2）在对外开放方面，贸易开放对我国各层次自主创新的贡献度总体上为正，其中，对高层次自主创新的促进作用尤为明显。而外资开放对我国各层次自主创新都存在显著为负的竞争效应。（3）环境规制与研发投入交叉项对我国中低层次自主创新具有显著的正向作用，说明环境规制政策的实施有助于激励企业加大研发投入，提升自我创新能力，进而有利于我国自主创新水平的提升。外资开放与研发投入交叉项对我国各层次自主创新的影响系数都显著为
⑤⑥⑦之所以剔除前两个和后两个，是因为我们发现这四个省市的数值与其它省市有较大的差异。被剔除掉的异常样本点包括：天津、辽宁、甘肃和新疆4个省份。
限于篇幅，表4不再展示OLS和FE的估计结果，有兴趣的读者可向作者索取。
正，表明研发能力的增强，吸收能力的提高，有利于我国对外资的有效利用，进而对我国自主创新水平产生积极影响。（4）总体的研发投入我国各层次自主创新的影响都不显著。所有制结构变量对我国自主创新具有负面影响，表明国有产权比重的提升不利于我国自主创新能力的提高。人力资本水平和地区规模则对我国自主创新都表现出显著的促进作用。
上述结论有以下政策启示：第一，进一步提升环境规制强度，充分发挥环境规制对创新的激励效应，但政府不能盲目提高环境规制强度，应注意，环境规制强度的提升必须限定在企业可承受的范围内。同时，政府需要因地制宜，灵活采取多种规制形式，增强环境规制工具的有效性；第二，进一步加大贸易开放力度和深度，由上文的实证分析可知，对外贸易能够显著促进我国高层次自主创新。扩大贸易开放，不仅要加大出口力度，更应该扩大进口，尤其是扩大对国外高技术含量商品的进口，同时，应注重对国外先进技术的吸收、消化与再创新，以最大程度发挥贸易开放对我国自主创新的积极作用；第三，积极鼓励外资企业研发活动的本土化，完善外资企业在国内设立研发机构的配套环境，为外资企业在国内设立研发机构提供政策支持，同时，应加大国内研发投入力度、优化研发资源配置效率，由上文的实证分析可知，增加研发投入，增强研发的吸收能力，能够最大限度利用FDI技术溢出效应来提高我国各层次自主创新能力；第四，提高人力资本水平，由上文的实证分析可知，人力资本显著促进了我国各层次自主创新能力的提升，因此，要充分发挥人力资本对我国自主创新水平提升的作用，就需要进一步加大对高等教育的投入力度，进一步加大对科技人员的培养力度，同时，还要充分发挥市场机制对人力资源配置的基础性作用，建立科学高效的科技人才配置机制。
参考文献：
［1］张红凤，周峰，杨慧，郭庆．环境保护与经济发展双赢的规制绩效实证分析［J］．经济研究，2009，（3）：14－26．
［2］蒋伏心，王竹君，白俊红．环境规制对技术创新影响的双重效应———基于江苏制造业动态面板数据的实证研究［J］．中国工业经济，2013，（7）：44－55．［3］张成，陆旸，郭路，于同申．环境规制强度和生产技术进步［J］．经济研究，2011，（2）：113－124．［4］Gray W．B．The Cost ofＲegulation：OSHA，EPA and the Productivity Slowdown［J］．American Eco-nomicＲeview，1987，77（5）：998－1006．
［5］Conrad K．，Wastl D．The Impact of Environ-mentalＲegulation on Productivity in German Industries ［J］．Empirical Economics，1995，20（4）：615－633．［6］Wagner M．On the relationship between environ-mental management，environmental innovation and paten-ting：Evidence from German manufacturing firms［J］．Ｒe-search Policy，2007，36（10）：1587－1602．
［7］Porter M．E．，Linde C．van der．Toward a New Conception of the Environment－CompetitivenessＲela-tionship［J］．The Journal of Economic Perspectives，1995，9（4）：97－118．
［8］Jaffe A．B．and Palmer K．EnvironmentalＲegu-lation and Innovation：A Panel Data Study［J］．Ｒeview of Economics and Statistics，1997，79（4）：610－619．［9］Hamamoto M．Environmental regulation and the productivity of Japanese manufacturing industries［J］．Ｒe-source and Energy Economics，2006，28（4）：299－312．［10］Yang C．H．，Tseng Y．H．，Chen C．P．Envi-ronmental regulations，inducedＲ＆D，and productivity：Evidence from Taiwan’s manufacturing industries［J］．Ｒe-source and Energy Economics，2012，34（4）：514－532．［11］张中元，赵国庆．FDI、环境规制与技术进步———基于中国省级数据的实证分析［J］．数量经济技术经济研究，2012，（4）：19－32．
［12］廖进球，刘伟明．波特假说、工具选择与地区技术进步［J］．经济问题探索，2013，（10）：50－57．［13］景维民，张璐．环境管制、对外开放与中国工业的绿色技术进步［J］．经济研究，2014，（9）：34－47．［14］ArduiniＲ．，Cesaroni F．Environmental Tech-nologies in the European Chemical Industry［Ｒ］．LEM Working Paper，2001．
［15］Aiken D．，F reＲ．，Grosskopf S．，Pasurka Jr，C．A．Pollution Abatement and Productivity Growth：Evidence from Germany，Japan，the Netherlands，and the United States［J］．Environmental andＲesource Econom-ics，2009，44（1）：11－28．
［16］江珂，卢现祥．环境规制与技术创新———基于中国1997—2007年省际面板数据分析［J］．科研管理，2011，32（7）：60－66．
［17］BarrellＲ．，Pain N．Domestic institutions，ag-glomerations and foreign direct investment in Europe［J］．
European EconomicＲeview，1999，43（6）：925－934．［18］Cheung K．Y．，Lin P．Spillover effects of FDI on innovation in China：Evidence from the provincial data ［J］．China EconomicＲeview，2004，（15）：25－44．［19］王红领，李稻葵，冯俊新．FDI与自主研发：基于行业数据的经验研究［J］．经济研究，2006，（2）：44－56．
［20］范如国，蔡海霞．FDI技术溢出与中国企业创新产出［J］．管理科学，2012，25（4）：13－21．
［21］Aitken B．J．，Harrison．A．E．Do Domestic Firms Benefit from Direct Foreign Investment？Evidence from Venezuela［J］．American EconomicＲeview，1999，89（3）：605－618．
［22］Hu A．G．Z．，Jefferson G．H．FDI Impact and Spillover：Evidence from China＇s Electronic and Textile Industries［J］．World Economy，2002，25（8）：1063－1076．
［23］邢斐，张建华．外商技术转移对我国自主研发的影响［J］．经济研究，2009，（6）：94－104．
［24］郑展鹏．国际技术溢出渠道对我国技术创新影响的比较研究———基于省际面板数据模型的分析［J］．科研管理，2014，35（4）：18－25．
［25］Girma S．Absorptive Capacity and Productivity Spillovers from FDI：A ThresholdＲegression Analysis ［J］．Oxford Bulletin of Economics＆Statistics，2005，67（3）：281－306．
［26］鲁钊阳，廖杉杉．FDI技术溢出与区域创新能力差异的双门槛效应［J］．数量经济技术经济研究，2012，（5）：75－88．
［27］罗军，陈建国．研发投入门槛、外商直接投资与中国创新能力———基于门槛效应的检验［J］．国际贸易问题，2014，（8）：135－146．
［28］Edwards S．Openness，Productivity and Growth：What Do WeＲeally Know？［J］．The Economic Journal，1998，108（447）：383－398．
［29］王华，赖明勇，柒江艺．国际技术转移、异质性与中国企业技术创新研究［J］．管理世界，2010，（12）：131－142．
［30］刘重力，黄平川．技术进口对我国企业技术创新能力的影响———基于中国省际数据的分位数回归［J］．南开经济研究，2011，（5）：132－141．
［31］Woerter M．，Ｒoper S．Openness and innova-tion—Home and export demand effects on manufacturing innovation：Panel data evidence for Ireland and Switzer-land［J］．Ｒesearch Policy，2010，39（1）：155－164．［32］阚大学．对外贸易、市场化进程与内资企业技术创新———基于省级大中型工业企业面板数据的实证研究［J］．中央财经大学学报，2013，（10）：57－62．［33］毛其淋和盛斌．对外经济开放、区域市场整合与全要素生产率［J］．经济学季刊，2011，11（1）：181－210．
［34］刘思明，侯鹏，赵彦云．知识产权保护与中国工业创新能力———来自省级大中型工业企业面板数据的实证研究［J］．数量经济技术经济研究，2015，（3）：40－57．
［35］朱平芳，徐伟民．政府的科技激励政策对大中型工业企业Ｒ＆D投入及其专利产出的影响———上海市的实证研究［J］．经济研究，2003，（6）：45－53．［36］Bond S．Dynamic panel data models：a guide to micro data methods and practice［J］．Portuguese Eco-nomic Journal，2002，1（2）：141－162．
［37］Castellani D．，Zanfei A．Technology Gaps，Absorptive Capacity and the Impact of Inward Investments on Productivity of European Firms［J］．Economics of In-novation and New Technology，2003，12（6）：555－576．［38］李斌，彭星，陈柱华．环境规制、FDI与中国治污技术创新———基于省际动态面板数据的分析［J］．财经研究，2011，37（10）：92－102．
［39］吴延兵．不同所有制企业技术创新能力考察［J］．产业经济研究，2014，（2）：53－64．
［40］傅晓霞和吴利学．技术差距、创新环境与企业自主研发强度［J］．世界经济，2012，（7）：101－122．［41］Keller W．，Yeaple S．Ｒ．Multinational Enter-prises，International Trade，and Productivity Growth：Firm－Level Evidence from the United States［J］．The Ｒeview of Economics and Statistics，2009，91（4）：821－831．
（编辑校对：崔文林）
eviews面板数据实例分析(包会)
1.已知1996—2002年中国东北、华北、华东15个省级地区的居民家庭人均消费（cp，不变价格）和人均收入（ip，不变价格）居民，利用数据（1）建立面板 数据（panel data）工作文件；（2）定义序列名并输入数据；（3）估计选择面板模型；（4）面板单位根检验。 年人均消费（consume）和人均收入（income）数据以及消费者价格指数（p）分别见表，和。 表1996—2002年中国东北、华北、华东15个省级地区的居民家庭人均消费（元）数据 人均消费1996 19971998199920002001 (2002) CONSUMEAH CONSUMEBJ - CONSUMEFJ \ CONSUMEHB 、CONSUMEHLJ ，CONSUMEJL CONSUMEJS 【 CONSUMEJX 》 CONSUMELN | CONSUMENMG * CONSUMESD5022 CONSUMESH > 10464 CONSUMESX [ CONSUMETJ . CONSUMEZJ ： 表1996—2002年中国东北、华北、华东15个省级地区的居民家庭人均收入（元）数据 人均收入199619971998199920002001 ·2002 INCOMEAH INCOMEBJ ）
INCOMEFJ （ INCOMEHB ，INCOMEHLJ ^ INCOMEJL4810 INCOMEJS ' INCOMEJX , INCOMELN ! INCOMENMG ? 6051 INCOMESD INCOMESH @ INCOMESX ' INCOMETJ … INCOMEZJ ~ 表1996—2002年中国东北、华北、华东15个省级地区的消费者物价指数 物价指数19961997199819992000 ￥20012002 PAH10099 ~ PBJ PFJ [ PHB ( 99 PHLJ 、PJL98 \ PJS PJX % 102101 PLN( 100
使用GMM方法分析动态面板数据.
对外经济贸易大学金融学院张海洋 然而，该统计量有时候是不一致的，如果在命令中要求报告稳健的Sargan统计量，软件? ；再根会做两阶段GMM估计（先找任意合理的H，令 A=( Z'HZ ，估计出第一步参数，令，估计出第二部参数β ? ，计算出残差项的方差-协方差矩阵）据β 1 2 ， 1 根据第二步的参数结果，默默报告出Hansen统计量。整体上说，Hansen统计量好像更靠谱一点，所以报告的时候，更多关注Hansen统计量。（三）动态面板数据现在回到我们的动态面板数据，对数据和模型有如下假定： 1 2 3 4 动态。模型中包含了因变量的滞后项；有个体的固定效应；可以有一些自变量是内生的；除了固定效应之外的误差项可以异方差，可以序列相关； 5 不同个体之间的误差项和不会相关。 6 7 可以有前定的（Predetermined）但不是完全外生的变量。“大N，小T” ，即个体数量要足够多，但时间不用太长。如果时间足够长的话，动态面板误差不会太大，用固定效应即可。从上述要求可以看出，GMM方法特别适合宏观的面板数据分析，因为宏观变量中，很难找出绝对外生的变量，变量之间多少会互相影响。而GMM方法可以“有一些自变量是内生的” ，这可能也是GMM
方法在文献中这么常用的原因。此前已经说过，不能用传统的OLS方法或者固定效应模型进行动态面板数据的分析，那样会得到有偏的估计量。先要对数据进行一定的变换，然后根据不同的矩条件设定开展矩估计。其中数据变换有两种方法，矩条件的设定也有两种方法。 6 对外经济贸易大学金融学院张海洋 1、数据的变换方法：一阶差分还是垂直离差为了消除动态面板数据中的固定效应，通常用的有两种方法：一阶差分 (first difference和垂直离差(orthogonal deviations。一阶差分之前已经介绍过了，这种方法是difference GMM 中默认的方法。缺点是如果数据中有缺失值，那么最终的估计会缺失很多样本，原始数据缺一行往往会导致差分后的数据缺两行。一种替代的方案是用垂直离差（xtabond2 命令中用 orthogonal 选项实现），每个变量减去该变量未来所有观测值的平均值，即： 式子中，为调整权重变量， Tit 是从t 期开始以后观测值的数量。对于非平衡面板，和数据有缺失的面板，这种方法避免了因缺失数据带来的样本损失，因为调整的时候只是把未来的平均值减去，样本数不会因缺失未来个别观测值而受损。然而，对于平衡面板数据，一阶差分和垂直离差估计出来的结果会完全一样。 2、 Different GMM 还是 System GMM 令数据变换之后的回归方程变为（5）这种变换可以是一阶差分，也可以是垂直离差。Different GMM的逻辑是，如果是垂直离差变换，用作为的工具变量；如果是一阶差分变换，用 作为的工具变量，此时。 X it * 对应的工具变量也类似，如果是垂直离差，就用滞后一阶的，如果是差分就用滞后一阶的差分作为工具变量。在实现的时候，为了提高估计的有效性，通常还会加入更高阶的滞后项（滞后差分）作为工具变量。这些变量的加入利用了更多的信息，然而也会带来麻烦，让工具变量的数量随T平方成比例增加。为了控制工具变量的数量，一个选择就是采用collapse选项把这些工具变量变成一列。如果因变量的变化过程接近随机游走，那么Difference GMM的估计量会有较大偏差。 7
STATA面板数据模型操作命令要点
STATA 面板数据模型估计命令一览表 一、静态面板数据的STATA 处理命令 εαβit ++=x y it i it 固定效应模型 μβit +=x y it it ε αμit +=it it 随机效应模型 （一）数据处理 输入数据 ●tsset code year 该命令是将数据定义为“面板”形式 ●xtdes 该命令是了解面板数据结构 ●summarize sq cpi unem g se5 ln 各变量的描述性统计（统计分析） ●gen lag_y=L.y /////// 产生一个滞后一期的新变量
gen F_y=F.y /////// 产生一个超前项的新变量 gen D_y=D.y /////// 产生一个一阶差分的新变量 gen D2_y=D2.y /////// 产生一个二阶差分的新变量 （二）模型的筛选和检验 ●1、检验个体效应（混合效应还是固定效应）（原假设：使用OLS混合模型）●xtreg sq cpi unem g se5 ln,fe 对于固定效应模型而言，回归结果中最后一行汇报的F统计量便在于检验所有的个体效应整体上显著。在我们这个例子中发现F统计量的概率为0.0000，检验结果表明固定效应模型优于混合OLS模型。 ●2、检验时间效应（混合效应还是随机效应）（检验方法：LM统计量） （原假设：使用OLS混合模型） ●qui xtreg sq cpi unem g se5 ln,re (加上“qui”之后第一幅图将不会呈现) xttest0
可以看出，LM检验得到的P值为0.0000，表明随机效应非常显著。可见，随机效应模型也优于混合OLS模型。 ●3、检验固定效应模型or随机效应模型（检验方法：Hausman检验） 原假设：使用随机效应模型（个体效应与解释变量无关） 通过上面分析，可以发现当模型加入了个体效应的时候，将显著优于截距项为常数假设条件下的混合OLS模型。但是无法明确区分FE or RE的优劣，这需要进行接下来的检验，如下： Step1：估计固定效应模型，存储估计结果 Step2：估计随机效应模型，存储估计结果 Step3：进行Hausman检验 ●qui xtreg sq cpi unem g se5 ln,fe est store fe qui xtreg sq cpi unem g se5 ln,re est store re hausman fe (或者更优的是hausman fe,sigmamore/ sigmaless) 可以看出，hausman检验的P值为0.0000，拒绝了原假设，认为随机效应模型的基本假设得不到满足。此时，需要采用工具变量法和是使用固定效应模型。
eviews面板数据实例分析
1、已知1996—2002年中国东北、华北、华东15个省级地区的居民家庭人均消费(cp,不变价格)与人均收入(ip,不变价格)居民,利用数据(1)建立面板数据(panel data)工作文件;(2)定义序列名并输入数据;(3)估计选择面板模型;(4)面板单位根检验。 年人均消费(consume)与人均收入(income)数据以及消费者价格指数(p)分别见表9、1,9、2与9、3。 表9、1 1996—2002年中国东北、华北、华东15个省级地区的居民家庭人均消费(元)数据人均消费1996 1997 1998 1999 2000 2001 2002 CONSUMEAH 3607、43 3693、55 3777、41 3901、81 4232、98 4517、65 4736、52 CONSUMEBJ 5729、52 6531、81 6970、83 7498、48 8493、49 8922、72 10284、6 CONSUMEFJ 4248、47 4935、95 5181、45 5266、69 5638、74 6015、11 6631、68 CONSUMEHB 3424、35 4003、71 3834、43 4026、3 4348、47 4479、75 5069、28 CONSUMEHLJ 3110、92 3213、42 3303、15 3481、74 3824、44 4192、36 4462、08 CONSUMEJL 3037、32 3408、03 3449、74 3661、68 4020、87 4337、22 4973、88 CONSUMEJS 4057、5 4533、57 4889、43 5010、91 5323、18 5532、74 6042、6 CONSUMEJX 2942、11 3199、61 3266、81 3482、33 3623、56 3894、51 4549、32 CONSUMELN 3493、02 3719、91 3890、74 3989、93 4356、06 4654、42 5342、64 CONSUMENMG 2767、84 3032、3 3105、74 3468、99 3927、75 4195、62 4859、88 CONSUMESD 3770、99 4040、63 4143、96 4515、05 5022 5252、41 5596、32 CONSUMESH 6763、12 6819、94 6866、41 8247、69 8868、19 9336、1 10464 CONSUMESX 3035、59 3228、71 3267、7 3492、98 3941、87 4123、01 4710、96 CONSUMETJ 4679、61 5204、15 5471、01 5851、53 6121、04 6987、22 7191、96 CONSUMEZJ 5764、27 6170、14 6217、93 6521、54 7020、22 7952、39 8713、08 表9、2 1996—2002年中国东北、华北、华东15个省级地区的居民家庭人均收入(元)数据人均收入1996 1997 1998 1999 2000 2001 2002 INCOMEAH 4512、77 4599、27 4770、47 5064、6 5293、55 5668、8 6032、4 INCOMEBJ 7332、01 7813、16 8471、98 9182、76 10349、69 11577、78 12463、92 INCOMEFJ 5172、93 6143、64 6485、63 6859、81 7432、26 8313、08 9189、36 INCOMEHB 4442、81 4958、67 5084、64 5365、03 5661、16 5984、82 6679、68 INCOMEHLJ 3768、31 4090、72 4268、5 4595、14 4912、88 5425、87 6100、56 INCOMEJL 3805、53 4190、58 4206、64 4480、01 4810 5340、46 6260、16 INCOMEJS 5185、79 5765、2 6017、85 6538、2 6800、23 7375、1 8177、64 INCOMEJX 3780、2 4071、32 4251、42 4720、58 5103、58 5506、02 6335、64 INCOMELN 4207、23 4518、1 4617、24 4898、61 5357、79 5797、01 6524、52 INCOMENMG 3431、81 3944、67 4353、02 4770、53 5129、05 5535、89 6051 INCOMESD 4890、28 5190、79 5380、08 5808、96 6489、97 7101、08 7614、36 INCOMESH 8178、48 8438、89 8773、1 10931、64 11718、01 12883、46 13249、8 INCOMESX 3702、69 3989、92 4098、73 4342、61 4724、11 5391、05 6234、36 INCOMETJ 5967、71 6608、39 7110、54 7649、83 8140、5 8958、7 9337、56 INCOMEZJ 6955、79 7358、72 7836、76 8427、95 9279、16 10464、67 11715、6 表9、3 1996—2002年中国东北、华北、华东15个省级地区的消费者物价指数物价指数1996 1997 1998 1999 2000 2001 2002 PAH 109、9 101、3 100 97、8 100、7 100、5 99
误差修正模型实例(精)
一、误差修正模型的构造 对于yt的(1，1阶自回归分布滞后模型： 在模型两端同时减yt-1，在模型右端，得： 其中，，，。 记（5-5） 则（5-6） 称模型（5-6）为“误差修正模型”，简称ECM。 二、误差修正模型的含义 如果yt ~ I(1，x t ~ I(1，则模型（5-6）左端，右端，所以只有当yt和x t协整、即yt和x t之间存在长期均衡关系时，式（5-5）中的ecm~I(0，模型（5-6）两端的平稳性才会相同。 当yt和x t协整时，设协整回归方程为：
它反映了yt与x t的长期均衡关系，所以称式（5-5）中的ecm t-1是前一期的“非均衡误差”，称误差修正模型（5-6） 中的是误差修正项，是 修正系数，由于通常 ，这样；当ecm t-1 >0时（即出现正误差），误差修正项< 0，而ecm t-1 < 0时（即出现负误差）， > 0，两者的方向恰好相反，所以，误差修正是一个反向 调整过程（负反馈机制）。 误差修正模型有以下几个明确的含义： 1．均衡的偏差调整机制 2．协整与长期均衡的关系 3．经济变量的长期与短期变化模型 长期趋势模型： 短期波动模型： 三、误差修正模型的估计 建立ECM的具体步骤为： 1．检验被解释变量y与解释变量x（可以是多个变量）之间的协整性； 2．如果y与x存在协整关系，估计协整回归方程，计算残差序列e t：
3．将e t-1作为一个解释变量，估计误差修正模型： 说明： （1）第1步协整检验中，如果残差是确定趋势过程，可以在第2步的协整回归方程中加入趋势变量； （2）第2步可以估计动态自回归分布滞后模型： 此时，长期参数为： 协整回归方程和残差也相应取成： ， （3）第2步估计出ECM之后，可以检验模型的残差是否存在长期趋势和自相关性。如果存在长期趋势，则在ECM中加入趋势变量。如果存在自相关性，则在ECM的右端加入 误差修正项的滞后期一般也要作相应 调整。 如取成以下形式：
重要-动态面板数据模型
第17章 动态面板数据模型 动态面板数据模型 前一章讨论具有固定效应和随机效应的线性静态面板数据模型，但由于经济个体行为的连续性、惯性和偏好等影响，经济行为是一个动态变化过程，这时需要用动态模型来研究经济关系。本章主要讨论动态面板数据模型的一般原理和估计方法，然后介绍了面板数据的单位根检验、协整分析和格朗杰因果检验的相关原理及操作。 17.1.1动态面板模型原理 考虑线性动态面板数据模型为 ' 1p it j it j it i it j Y Y X ρβδε-==+++∑ （17.1.1） 首先进行差分，消去个体效应得到方程为： '1p it j it j it it j Y Y X ρβε-=?=?+?+?∑ （17.1.2） 可以用GMM 对该方程进行估计。方程的有效的GMM 估计是为每个时期设定不同数目的工具，这些时期设定的工具相当于一个给定时期不同数目的滞后因变量和预先决定的变量。这样，除了任何严格外生的变量，可以使用相当于滞后因变量和其他预先决定的变量作为时期设定的工具。例如，方程（17.1.2）中使用因变量的滞后值作为工具变量，假如在原方程中这个变化是独立同分布的，然后在t=3时，第一个时期观察值可作为该设定分析，很显然1i Y 是很有效的工具，因为它与2i Y ?相关的，但与3i ε?不相关。类似地，在t=4时，2i Y 和1i Y 是潜在的工具变量。以此类推，对所以个体i 用因变量的滞后变量，我们可以形成预先的工具变量： 112 12 200000000 i i i i i i i iT Y Y Y W Y Y Y -????? ?=???????? L L L L L L L L L L L L L L L L L L （17.1.3） 每一个预先决定的变量的相似的工具变量便可以形成了。 假设it ε不存在自回归，不同设定的最优的GMM 加权矩阵为： 1 1'1M d i i i H M Z Z --=?? =Ξ ??? ∑ （17.1.4）
动态面板
********* 计量分析与STA TA应用********* * 主讲人：连玉君博士 * 单位：中山大学岭南学院金融系 * 电邮: arlionn@https://www.wendangku.net/doc/4618931208.html, * 主页: https://www.wendangku.net/doc/4618931208.html,/arlion * ::高级部分:: * 计量分析与Stata应用 第七讲面板数据模型 * ========================== * 7.8 动态面板模型 * Part I cd D:\stata10\ado\personal\Net_course\B7_Panel *------------------------------- * 动态面板模型 *------------------------------- * 7.8.1 简介 * 7.8.2 一阶差分IV估计量(Anderson and Hisao, 1982) * 7.8.3 一阶差分GMM估计量(Arellano and Bond, 1991) * 7.8.4 系统GMM估计量(AB,1995; BB,1998) * 7.8.5 纠偏LSDV估计 * 7.8.6 各种估计方法的对比分析——一个模拟 * == 简介== * * 模型：y[it] = a0*y[it-1] + a1*x[it] + a2*w[it] + u_i + e[it] * * 特征：解释变量中包含了被解释变量的一阶滞后项 * 可以是非平行面板，但要保证时间连续 * x[it] ——严格外生变量E[x_it,e_is] =0 for all t and s * 即，所有干扰项与x都不相关 * w[it] ——先决变量E[w_it,e_is]!=0 for s
第5章 动态回归与误差修正模型(案例)汇总
例：（file: break2）东北、华北、华东、华中21省市1993和1998年耕地面积（land ,百万公顷）和农业产值（Y , 百亿元）数据见图（已取对数）。用圆圈表示的观测点为1993年数据，用三角表示的观测点为1998年数据。大体看各省市1998年耕地面积比1993年耕地面积略有减少，产值却都有增加。以1993和1998年数据为两个子样本，以42个数据为总样本，求得残差平方和见下表 -10 12 3 -2 -1 1 2 3 LOG(LAND) LOG(Y93)LOG(Y98) -10 1 2 3 -2 -1 1 2 3 LOG(LAND) LOG(Y93)LOG(Y98) 样本容量 残差平方和 相应自由度 回归系数 1 T = 42 SSE T = 14.26 T - k = 40 2 n 1= 21 SSE 1 = 4.37 n 1 - k = 19 α1 3 n 2= 21 SSE 2 = 3.76 n 2 - k = 19 β1 注：三次回归的模型形式Lnout t = β0 +β1 Lnland t + u t 。 因为， F = ) 2/()(/)]([2121k T SSE SSE k SSE SSE SSE T -++-= 38 /)76.337.4(2 /)]76.337.4(26.14[++-= 14.33 > F (1, 40) = 7.31
所以两个年度21省市的农业生产发生了很大变化。
案例1：开滦煤矿利润影响因素的实证分析（1903-1940，动态分布滞后模型，file:LH1） （发表在《学术论坛》，2003.1, p. 88-90） 1000 2000300040005000600005 10 15 20 25 30 35 40 销煤量 x1 图 1 开滦煤矿销煤量变化曲线（x 1, 1903-1940） 2 4681012141605 10 15 20 25 30 35 40 吨煤售价 X2 图2 开滦煤矿吨煤售价变化曲线（x 2, 1903-1940）
eviews面板数据实例分析包会修订版
e v i e w s面板数据实例分 析包会修订版 IBMT standardization office【IBMT5AB-IBMT08-IBMT2C-ZZT18】
1.已知1996—2002年中国东北、华北、华东15个省级地区的居民家庭人均消费（cp，不变价格）和人均收入（ip，不变价格）居民，利用数据（1）建立面板数据（panel data）工作文件；（2）定义序列名并输入数据；（3）估计选择面板模型；（4）面板单位根检验。 年人均消费（consume）和人均收入（income）数据以及消费者价格指数（p）分别见表9.1，9.2和9.3。 表9.1 1996—2002年中国东北、华北、华东15个省级地区的居民家庭人均消费（元）数 据 199719981999200020012002人均消费1996 CONSUMEAH3607.433693.553777.413901.814232.984517.654736.52 CONSUMEBJ5729.526531.816970.837498.488493.498922.7210284.6 CONSUMEFJ4248.474935.955181.455266.695638.746015.116631.68 CONSUMEHB3424.354003.713834.434026.34348.474479.755069.28 CONSUMEHLJ3110.923213.423303.153481.743824.444192.364462.08 CONSUMEJL3037.323408.033449.743661.684020.874337.224973.88
ECM误差修正模型
协整与误差修正模型 在处理时间序列数据时，我们还得考虑序列的平稳性。如果一个时间序列的均值或自协方差函数随时间而改变，那么该序列就是非平稳的。对于非平稳的数据，采用传统的估计方法，可能会导致错误的推断，即伪回归。若非平稳序列经过一阶差分变为平稳序列，那么该序列就为一阶单整序列。对一组非平稳但具有同阶的序列而言，若它们的线性组合为平稳序列，则称该组合序列具有协整关系。对具有协整关系的序列，我们算出误差修正项，并将误差修正项的滞后一期看做一个解释变量，连同其他反映短期波动关系的变量一起。建立误差修正模型。 建立误差修正模型的步骤如下：首先，对单个序列进行单根检验，进行单根检验有两种：ADF （Augument Dickey-Fuller ）和DF(Dickey-Fuller)检验法。若序列都是同阶单整，我们就可以对其进行协整分析。在此我们只介绍单个方程的检验方法。对于多向量的检验参见Johensen 协整检验。我们可以先求出误差项，再建立误差修正模型，也可以先求出向量误差修正模型，然后算出误差修正项。补充一点的是，误差修正模型反映的是变量短期的相互关系，而误差修正项反映出变量长期的关系。下面我们给出案例分析。 案例分析 在此，我们考虑从1978年到2002年城镇居民的人均可支配收入income 与人均消费水平consume 的关系，数据来自于《中国统计年鉴》，如表8.1所示。根据相对收入假设理论，在一定时期，人们的当期的消费水平不仅与当期的可支配收入、而且受前期的消费水平的影响，具有一定的消费惯性，这就是消费的棘轮效应。从这个理论出发，我们可以建立如下（8.1）式的模型。同时根据生命周期假设理论，消费者的消费不仅与当期收入有关，同时也受过去各项的收入以及对将来预期收入的限制和影响。从我们下面的数据分析中，我们可以把相对收入假设理论与生命周期假设理论联系起来，推出如下的结果：当期的消费水平不仅与当期的可支配收入有关，而且还与前期的可支配收入、前两期的消费水平有关。在此先对人均可支配收入和人均消费水平取对数，同时给出如下的模型 t t t lincome lconsume lconsume 2110?+?+?=- t=1,2,…,n （8.1） 如果当期的人均消费水平与当期的人均可支配收入及前期的人均消费水平均为一阶单整序列，而它们的线性组合为平稳序列，那么我们可以求出误差修正序列，并建立误差修正模型，如下： t ecm lconsume lincome lconsume t t t t 4131210βββββ++?+?+=?-- t=1,2,…,n (8.2) t ecm = 12110--?-?-?-t t t lincome lconsume lconsume t=1,2,…,n (8.3) 从（8.2）式我们可以推出如下的方程： t lincome lincome lconsume lconsume lconsume t t t t t 4030123222131131)()()1(ββββββββββ+?-+?--+?--++=---（8.4） 在（8.2）中lconsume ?、 lincome ?分别为变量对数滞后一期的值，)1(-ecm 为误差修正项，如（8.3）式所示。（8.2）式为含有常数项和趋势项的形式，我们省略了只含趋
重要-动态面板数据模型(完全免费).(DOC)
第17章 动态面板数据模型 17.1 动态面板数据模型 前一章讨论具有固定效应和随机效应的线性静态面板数据模型，但由于经济个体行为的连续性、惯性和偏好等影响，经济行为是一个动态变化过程，这时需要用动态模型来研究经济关系。本章主要讨论动态面板数据模型的一般原理和估计方法，然后介绍了面板数据的单位根检验、协整分析和格朗杰因果检验的相关原理及操作。 17.1.1动态面板模型原理 考虑线性动态面板数据模型为 '1p it j it j it i it j Y Y X ρβδε-==+++∑ （17.1.1） 首先进行差分，消去个体效应得到方程为： '1p it j it j it it j Y Y X ρβε-=?=?+?+?∑ （17.1.2） 可以用GMM 对该方程进行估计。方程的有效的GMM 估计是为每个时期设定不同数目的工具，这些时期设定的工具相当于一个给定时期不同数目的滞后因变量和预先决定的变量。这样，除了任何严格外生的变量，可以使用相当于滞后因变量和其他预先决定的变量作为时期设定的工具。例如，方程（17.1.2）中使用因变量的滞后值作为工具变量，假如在原方程中这个变化是独立同分布的，然后在t=3时，第一个时期观察值可作为该设定分析，很显然1i Y 是很有效的工具，因为它与2i Y ?相关的，但与3i ε?不相关。类似地，在t=4时，2i Y 和1i Y 是潜在的工具变量。以此类推，对所以个体i 用因变量的滞后变量，我们可以形成预先的工具变量： 11212200000000i i i i i i i iT Y Y Y W Y Y Y -??????=???????? （17.1.3） 每一个预先决定的变量的相似的工具变量便可以形成了。 假设it ε不存在自回归，不同设定的最优的GMM 加权矩阵为： 1 1'1M d i i i H M Z Z --=??=Ξ ???∑ （17.1.4）
误差修正模型案例
大型作业报告 课程名称计量经济学 课程代码142102601 题目误差修正模型 专业经济学 班级2010271 成员陈晓燕
上海电力学院经济与管理学院
计量经济学大型作业评分表 备注： 课程设计报告的质量70%，分4个等级： 1、按要求格式书写，计算正确，方案合理，内容完整，绘图规范整洁，符合任务书的要求35－40 2、按要求格式书写，计算较正确，有少量错误，方案较合理，内容完整，绘图较规范整洁，基本符合任务书的要求26－34 3、基本按要求格式书写，计算较正确，有部分错误，方案较合理，内容基本完整，绘图不规范整洁，基本符合任务书的要求15－25 4、基本按要求格式书写，计算错误较多，方案不合理，内容不完整，绘图不规范整洁，不符合任务书的要求0－14 工作态度30%，分4个等级： 1、很好，积极参与，答疑及出勤情况很好16－20 2、良好，比较能积极参与，答疑情况良好但有少量缺勤记录，或答疑情况
一般但出勤情况良好11－15 3、一般，积极性不是很高，基本没有答疑记录，出勤情况较差6－10 4、欠佳，不认真投入，且缺勤很多，也没有任何答疑记录0－5 实验报告 一、实验目的与要求 1、掌握时间序列的ADF平稳性检验； 2、掌握双变量的Engel-Granger检验； 3、掌握双变量的误差修正模型； 4、熟练使用Eviews软件建立误差修正模型。 二、实验内容 依据1978-2010年我国人均消费和人均GDP的数据，完成以下内容。 1、对实验数据进行单位根检验； 2、利用E-G两步法对实验数据进行协整检验； 3、根据实验数据的关系，建立误差修正模型，估计并进行解释。 三、实验步骤 （1）收集数据
动态面板数据与Eviews操作
面板数据与Eviews操作指南 https://www.wendangku.net/doc/4618931208.html, 新浪微博：数说工作室 一、面板数据简介 二、静态面板数据及Eviews实现 (1) 静态面板数据简介 (2) EVIEWS操作 三、动态面板数据及Eviews实现 （1）动态面板数据简介 （2）Eviews操作
一、面板数据简介 信息技术的发展使得数据越来越膨胀，传统的截面数据和时间序列已经不能全面刻画经济的演变，在大数据背景下，同时分析比较横截面观察值和时间序列观察值的需求越来越大。面板数据就是指既含有截面又含有时间序列的数据，分析比较这种数据的模型就是面板数据模型。 相对于一般的回归模型，面板数据模型不仅能够更好的识别和度量单纯时间序列模型和单纯横截面数据模型所不能发现的影响因素,而且可以克服多重共线性的困扰，能够提供更多的信息、更多的变化、更高的自由度和更高的估计效率，减少共线性。因此，面板数据可以更准确地刻画更为复杂的经济行为，具有更好的理论价值和应用价值。 按照模型中是否含有滞后项，又分为静态面板数据和动态面板数据，本指南将分别简介原理和Eviews操作方法。 二、静态面板数据及Eviews实现 (1) 静态面板数据简介 一般的静态面板数据模型的一般形式如下： yy ii ii=CC+bbxx ii ii+vv ii ii,ii=11,…NN,ii=11,…,TT (1)其中C为截距，v it为误差项，i为截面下标，N表示截面的个数，t为时间下标，T表示时间序列的长度。面板数据由于同时含有了多个横截面数据，有时需要考虑不同横截面个体存在的特殊效应，其误差项被设定为： vv ii ii=ααii+ee ii ii（2）其中αi代表个体效应，反映了不同个体之间的差别。 当个体效应为固定常数时，式（1）为固定效应模型，此时每个个体截面都有不同的截距项α1、α2...αn，即其分布式与X it是有关的，反映了该个体的固定效应，因此固定效应模型又称为相关效应模型，严格说来，这个名字更加准确。固定效应模型的形式为： yy ii ii=CC+bbxx ii ii+ααii+vv ii ii,ii=11,…NN,ii=11,…,TT (3) 用矩阵表示为：
动态面板
动态面板数据编程的主要步骤： 首先导入处理模块 ssc install xtabond2 然后导入并定义面板数据 use “1.dta” xtset id t，yearly 现在进入xtabond2命令介绍： [by id]:xtabond2 y x [if] [in],[,options] 其中options可以包括： noconstant 方程中没有常数项 diffvars（varlist），已差分的外生变量 inst（varlist）其他工具变量 lags（#），滞后阶数，系统默认1，例如gmm（x y,laglimits(2 2)）即定义最大滞后为2阶。maxlags（#）,工具变量最大滞后阶数 maxldep(#)，工具变量的别解释变量的最大滞后阶数 twostep，两步估计 endogenous（varlist[...]），内生变量 vce, gmm robust,注：这两个可以同时使用，但是robust和by id（或t）不可以同时使用level(#)，显著水平，系统默认为95 artests，AR检验滞后阶数，默认为2，其实这个不必注明，gmm会检验 有时候分析必须有nomata 不然无法分析 还可以有 small 小样本t、F统计量 我常使用的编程： [by id]:xtabond2 y x L.y L.x L2.x,gmm（x y，laglimits（2 2））iv(varlist) nolevel small nomata 系统GMM是对差分GMM的扩展。差分GMM是对原方程作差分，使用变量滞后阶作为工具变量。差分GMM的缺陷有：差分时消除了非观测截面个体效应及不随时间变化的其他变量，且有时变量滞后阶并非理想工具变量。系统GMM相当于联立了差分方程和原水平方程，使用变量滞后阶作为差分方程的工具变量，同时使用差分变量的滞后项作为水平方程的工具变量。
面板数据案例
面板数据估计 例（file:panel02）：1996-2002年中国东北、华北、华东15个省级地区的居民家庭人均消费（不变价格）和人均收入数据见表1和表2。数据是7年的，每一年都有15个数据，共105组观测值。 人均消费和收入两个面板数据都是平衡面板数据，各有15个个体。人均消费和收入的面板数据从纵剖面观察分别见图2和图3。从横截面观察分别见图4和图5。横截面数据散点图的表现与观测值顺序有关。图4和图5中人均消费和收入观测值顺序是按地区名的汉语拼音字母顺序排序的。 图2 15个省级地区的人均消费序列（纵剖面） 图3 15个省级地区的人均收入序列（file:5panel02） 2000 4000600080001000012000140002 46 8 10 12 14 2000 4000600080001000012000140002 46 8 10 12 14 图4 7个人均消费横截面数据（含15个地区） 图5 7个人均收入横截面数据（含15个地区） (每条连线表示同一年度15个地区的消费值) (每条连线表示同一年度15个地区的收入值) 用CP 表示消费，IP 表示收入。AH, BJ, FJ, HB, HLJ, JL, JS, JX, LN, NMG, SD, SH, SX, TJ, ZJ 分别表示安徽省、北京市、福建省、河北省、黑龙江省、吉林省、江苏省、江西省、辽宁省、内蒙古自治区、山东省、上海市、山西省、天津市、浙江省。 15个地区7年人均消费对收入的面板数据散点图见图6和图7。图6中每一种符号代表一个省级地区的7个观测点组成的时间序列。相当于观察15个时间序列。图7中每一种符号代表一个年度的截面散点图（共7个截面）。相当于观察7个截面散点图的叠加。
动态面板数据分析步骤详解 ..
动态面板数据分析算法 1. 面板数据简介 面板数据(Panel Data, Longitudinal Data )，也称为时间序列截面数据、混合数据，是指同一截面单元数据集上以不同时间段的重复观测值，是同时具有时间和截面空间两个维度的数据集合，它可以被看作是横截面数据按时间维度堆积而成。自20世纪60年代以来，计量经济学家开始关注面板数据以来，特别是近20年，随着计量经济学理论，统计方法及计量分析软件的发展，面板数据计量经济分析已经成为计量经济学研究最重要的分支之一。 面板数据越来越多地被应用到计量模型的研究中，其在实证分析中的优点是明显的：相对于只具有一个时点的横截面数据模型，面板数据包含了更多时间维度的数据，从而可以利用更多的信息来分析所研究问题的动态关系;而时间序列模型，其数据往往是由个体数据加总产生的，在实际计量分析中，在研究其动态调整行为时，由于个体差异被忽略，其估计结果有可能是有偏的，而面板数据模型能够通过截距项，捕捉到数据的动态调整过程中的个体差异，有效地减少了由于数据加总所产生的偏误;同时，面板数据同时具有时间和截面空间的两个维度，从而分享了横截面数据和时间序列数据的优点，另外，由于具有更多的观察值，其推断的可靠性也有所增加。 2. 面板数据的建模与检验 设 3. 动态面板数据的建模与检验 所谓动态面板数据模型，是指通过在静态面板数据模型中引入滞后被解释变量以反映动态滞后效应的模型。这种模型的特殊性在于被解释变量的动态滞后项与随机误差组成部分中的个体效应相关，从而造成估计的内生性。 4、步骤详解 步骤一：分析数据的平稳性（单位根检验） 按照正规程序，面板数据模型在回归前需检验数据的平稳性。李子奈曾指出，一些非平稳的经济时间序列往往表现出共同的变化趋势，而这些序列间本身不一定有直接的关联，此时，对这些数据进行回归，尽管有较高的R平方，但其结果是没有任何实际意义的。这种情况称为称为虚假回归或伪回归（spurious regression）。他认为平稳的真正含义
面板数据分析案例
面板数据分析案例 一、打开数据 利用stata软件打开数据gurnfeld.dta，得到有关 第一步，声明截面变量和时间变量。命令为： tsset company year或xtset company year 显示： panel variable: company (strongly balanced) time variable: year, 1935 to 1954 delta: 1 year 第二步，进行样本的描述性统计。首先我们看看样本的大体分布情况，命令为：xtdes company: 1, 2, ..., 10 n = 10 year: 1935, 1936, ..., 1954 T = 20 Delta(year) = 1 year Span(year) = 20 periods (company*year uniquely identifies each observation) Distribution of T_i: min 5% 25% 50% 75% 95% max 20 20 20 20 20 20 20 Freq. Percent Cum. | Pattern ---------------------------+---------------------- 10 100.00 100.00 | 11111111111111111111 ---------------------------+---------------------- 10 100.00 | XXXXXXXXXXXXXXXXXXXX 接下来，我们列示出样本中主要变量的基本统计量，命令为：xtsum xtsum invest mvalue kstock 我们发现统计结果是按照"整体"、"组间"和"组内"三个层次进行的。当然，你也可以采用sum命令来得到基本统计量，而且在写论文时，所需列示的结果并不要求像上面那么详细，此时sum命令反而更实用。 第三歩，面板数据模型回归分析。 我们先做固定效应模型，命令为： xtreg mvalue invest kstock,fe（软件默认为随机效应） Fixed-effects (within) regression Number of obs = 200
eviews面板数据实例分析包会.docx
1.已知 1996—2002 年中国东北、华北、华东 15 个省级地区的居民家庭人均消费（ cp ，不变价格）和人均收入（ip ，不变价格）居民，利用数据（1）建立面板 数据（ panel data ）工作文件；（ 2）定义序列名并输入数据；（ 3）估计选择面 板模型；（4）面板单位根检验。 年人均消费（ consume）和人均收入（ income ）数据以及消费者价格指数（p）分别见表 9.1， 9.2 和 9.3。 表 9.1 1996— 2002 年中国东北、华北、华东15 个省级地区的居民家庭人均消费（元）数据人均消费1996199719981999200020012002 CONSUMEAH3607.433693.553777.413901.814232.984517.654736.52 CONSUMEBJ5729.526531.816970.837498.488493.498922.7210284.6 CONSUMEFJ4248.474935.955181.455266.695638.746015.116631.68 CONSUMEHB3424.354003.713834.434026.34348.474479.755069.28 CONSUMEHLJ3110.923213.423303.153481.743824.444192.364462.08 CONSUMEJL3037.323408.033449.743661.684020.874337.224973.88 CONSUMEJS4057.54533.574889.435010.915323.185532.746042.6 CONSUMEJX2942.113199.613266.813482.333623.563894.514549.32 CONSUMELN3493.023719.913890.743989.934356.064654.425342.64 CONSUMENMG2767.843032.33105.743468.993927.754195.624859.88 CONSUMESD3770.994040.634143.964515.0550225252.415596.32 CONSUMESH6763.126819.946866.418247.698868.199336.110464 CONSUMESX3035.593228.713267.73492.983941.874123.014710.96 CONSUMETJ4679.615204.155471.015851.536121.046987.227191.96 CONSUMEZJ5764.276170.146217.936521.547020.227952.398713.08表 9.2 1996— 2002 年中国东北、华北、华东15 个省级地区的居民家庭人均收入（元）数据人均收入1996199719981999200020012002 INCOMEAH4512.774599.274770.475064.65293.555668.86032.4 INCOMEBJ7332.017813.168471.989182.7610349.6911577.7812463.92 INCOMEFJ5172.936143.646485.636859.817432.268313.089189.36 INCOMEHB4442.814958.675084.645365.035661.165984.826679.68 INCOMEHLJ 3768.314090.724268.54595.144912.885425.876100.56 INCOMEJL3805.534190.584206.644480.0148105340.466260.16 INCOMEJS5185.795765.26017.856538.26800.237375.18177.64 INCOMEJX3780.24071.324251.424720.585103.585506.026335.64 INCOMELN4207.234518.14617.244898.615357.795797.016524.52 INCOMENMG3431.813944.674353.024770.535129.055535.896051 INCOMESD4890.285190.795380.085808.966489.977101.087614.36 INCOMESH8178.488438.898773.110931.6411718.0112883.4613249.8 INCOMESX3702.693989.924098.734342.614724.115391.056234.36 INCOMETJ5967.716608.397110.547649.838140.58958.79337.56 INCOMEZJ6955.797358.727836.768427.959279.1610464.6711715.6 表 9.3 1996— 2002 年中国东北、华北、华东15 个省级地区的消费者物价指数 物价指数1996199719981999200020012002 PAH109.9101.310097.8100.7100.599