1、居民消费率与城市化率动态关系实证研究内容摘要：本文采用 2000-2011 年我国 29 个省、自治区、直辖市的相关数据，建立面板向量自回归模型（PVAR）对我国城市化率与居民消费率间的动态关系进行了实证研究。结果表明：我国居民消费率的增长显著地促进了城市化水平的提高，但城市化率的升高却会导致居民消费率的下降。本文依据实证结论对居民消费和城市化水平之间的非对称关系进行了探讨，并针对如何提高居民消费率和城市化率提出了建议。 关键词：居民消费 城市化 PVAR 模型 脉冲响应分析 引言 投资、消费和净出口是拉动一国经济增长的三驾马车，我国依靠大规模的投资和强劲的出口一直保持着 GDP 高增长的发展
2、态势。但是近年来，因国际金融危机、人民币升值等种种因素，出口对 GDP 的贡献率逐年减少，而且高强度投资对经济拉动的效用边际递减，当前依靠高投资高出口的发展模式已不再适用于我国的经济发展。从世界各国的发展来看，消费是影响并决定投资需求和经济增长的源动力。但是我国最终消费率一直低迷，从 1978 年的 62.1%一路下滑至 2010 年的 47.4%，远远低于国际平均水平，同时居民消费率更是从 1978 年的 49.2%下降至 2010 年的 33.8%。如何提高居民消费率从而促进经济增长，这个问题便成为我国经济发展模式转型中的当务之急。 居民消费受到了多方面因素的影响，我国近 30 年来的大规
3、模人口流动无疑是其中一个重要的方面。目前，我国城市化进程开始加速，我国城市化率在 1978 年仅仅为 17.92%，而去年已经达到了 51.27%。不断提高的城市化率也影响了我国城乡居民的消费行为。因此，研究城市化水平与我国居民消费之间的动态关系不仅对促进我国经济发展模式的转变具有重大意义，同时对我国进一步改善城乡二元结构也有巨大的价值。 目前，已有不少学者从理论和实证两个方面来研究城市化与消费之间的关系，但大部分都集中于城市化对消费增长的分析上，忽视了居民消费对城市化的反向作用。鉴于此，本文采用面板向量自回归模型（Panel Vector Autoregressive，简称 PVAR）和脉冲
4、响应函数对 2000-2011 年我国 29 个省、自治区、直辖市的城市化率及居民消费率进行定量研究，从而得出两者之间的动态关系和相互影响情况，并提出相关政策建议。 面板向量自回归模型（PVAR）及相关理论 Chamberlain（1983）讨论了基于混合数据（PooledData）情形的回归方法，这实际上是面板数据向量自回归模型的雏形；接着，Holtz-Eakin、Newey 和 Rosen（1988）采用 2SLS 方法估计了单内生变量的时变系数的面板数据向量自回归模型。但二者都不是严格意义上的面板向量自回归模型。 严格意义上的面板向量自回归模型主要有两类，第一类是宏观面板数据即横截面个数
5、较少，但是时间长度充分大的情况；另一类是微观面板数据，即横截面个数较多，但是时间长度较短的情况。对于宏观面板数据，Pesaran，Smith（1995）给出了一种一致估计的方法，即通过对面板数据向量自回归模型中，每个变量的个体平均时间序列数据，建立时间序列向量自回归模型的方法，来估计模型参数。而对于微观面板数据，Binder，Hsiao，Pesaran（2003）对个体固定效应面板数据分别进行了 QML 估计、GMM 估计和最小距离估计（Minimum Distance Estimation） ，并且发现这些估计都是具有渐近正态分布的一致估计。 PVAR 沿袭了 VAR 的优点，不再需要区分内
6、生变量和外生变量，而是把所有变量均视作内生.可以真实反映出各变量之间的互动关系；正交化脉冲一响应函数能够分离出一个内生变量的冲击给其他内生变量所带来的影响。因此可以用来分析一个变量对其他变量的影响程度。并且，与VAR 不同的是，面板数据的个体效应允许了不可观察的个体差异，时间效应则捕捉到个体在横截面上可能受到的共同冲击，得到的结果更符合事实。 模型的基本形式为： Yi，t=a0+bi1Yi，j-1+bi2Yi，j-2+bimYi，j-m+ci1 Xi，j-1 +ci2 Xi，j-2+cim Xj-m+ai+uit Yi，t 是个体 i 在时点 t 的 s 个可观测随机变量的 s1 向量，Xi，
7、t 是个体 i 在时点 t 的 s 个可观测其它内生变量的 s1 向量，ai 是个体 i 的 s 个不可观测的个体固定效应的 s1 向量，bit 和 cit 分别 l是期滞后变量 Yi，t-1 和 Xi，t-1 的 ss 系数矩阵。 PVAR 模型有三条假设： 假设 1：对于任意的 N 和 Tp+3，Yi1，Yi2，YiT 是可观测的。 假设 2：对于 i=1，2，N；t=1，2，T，uit ： i.i.d（0，）即 uit 是具有零期望、协方差矩阵 的独立同分布的随机变量。 假设 3：s1，变量 Yit 和 Xit 的之后变量 Yi，t-1 和 Xi，t-1 是模型的工具变量。 在估计面板数
8、据时通常需要先消除样本中的固定效应，这里我们使用“向前均值差分” ，即“Helmert 过程” （Arellano 等，1995） 。这一方法通过消除每个个体向前的均值，即每一时期未来观测值的均值，保证了滞后变量与转换后的变量正交，进而与误差无关，因而可以使用滞后变量作为其工具变量，采用 GMM 的方法进行估计。 实证分析 （一）变量选取及数据来源 本文选取除香港、澳门、台湾以外的我国 29 个省、自治区、直辖市2000-2011 年的城市化水平及居民消费数据进行实证分析，数据来源于2000-2012 年的中国统计年鉴及各地区统计年鉴。本文使用stata.11 和世界银行金融研究部 Iness
9、a Love（2006）博士提供的 Pvar程序，进行软件分析。 城市化水平用城市化率（CSH）来操作，具体定义为各地区非农人口数占各地区总人口数的比重。居民消费率（JMXF）则直接引用了统计年鉴中各地区的居民消费率。为减弱数据异方差性及使其线性化，对以上数据进行对数处理，得 LNCHS 和 LNJMXF。 （二）数据的描述统计 具体如表 1 所示。 （三）平稳性检验 建立 PVAR 模型需要变量平稳或变量间存在协整关系，以避免虚假回归，造成回归结果的不可信。故对 31 个省、市、自治区的数据使用LLC、IPS 和 PP-Fisher 等三种面板单位根检验方法进行平稳性检验。根据表 2 可知，
10、lncsh 和 lnjmxf 的 LLC、IPS 和 PP-Fisher 的 p 值均小于0.01，在 1%的显著性水平下都拒绝了存在单位根的原假设，为平稳的面板数据，可以建立 PVAR 模型并进行协脉冲分析及方差检验。 （四）建立模型 进行 PVAR 模型首先应该确定滞后阶数（ K） 。一般来说，要求滞后阶数足够大，以便能完整反映所构造模型的动态特征；但另一方面，过大的滞后阶数将会导致自由度的减少，直接影响模型参数估计量的有效性，所以选择合适的滞后阶数非常重要。 在用“向前均值差分” （helmert）方法消除个体固定效应之后，采用 GMM 方法得到了模型参数的估计值。为了确定模型的滞后阶数
11、，笔者分别对数据做了一到三阶滞后的 PVAR 模型估计，蒙特卡洛模拟 500 次。根据 AIC 和 BIC 准则，PVAR（1）的信息量取值最小，确定最优滞后阶数为一阶。 根据以上滞后期检验，最终确定建立 PVAR（1）模型。PVAR（1）模型的 GMM 估计结果如表 3 所示。 可以看到，两个变量间的关系并不是对称的。对于居民消费率来说，它与其自身的滞后 1 期正相关，而与滞后 1 期的城市化率负相关，且两者分别在 10%和 5%的水平下显著。而对于城市化率，它与居民消费率和其自身的滞后 1 期均有着显著的正相关关系，都在 1%的水平下通过显著性检验。 （五）脉冲分析 PVAR 模型的正交脉
12、冲反应函数可以反映来自随机扰动项的一个标准差冲击对内生变量当前值和未来值的影响，刻画内生变量对随机扰动的动态反应，显示任意变量的随机扰动（新息 Innovation）如何通过模型影响其他变量，并反馈到自身的动态过程。 图 1 显示了居民消费率和城市化率的脉冲响应结果。第一行是居民消费率对其自身和城市化率冲击所受到的影响。当本期给居民消费率一个单位正向标准差的冲击后，居民消费率立刻有了显著的正向反应，为0.024，并随着滞后期的增加而逐渐减弱，在第 4 期左右时转为负向响应，并有增强的趋势，但负向影响较小。当本期给城市化率一个单位正向标准差的冲击后，居民消费率便产生了一个负向的响应，并逐期增强，
13、在第 5 期时达到-0.0104，在之后随滞后期逐渐收敛。第二行显示的是城市化率分别受到两个变量冲击时的影响。当本期给居民消费率一个单位正向标准差的冲击后，城市化率出现了负向的响应，约为-0.009，但随着滞后期的增加而逐渐减弱，并在第 3 期时转为正向响应，并不断增强，在第六期时达到 0.01，可看出居民消费率对城市化率的正向效应大于一开始的负向冲击。而当本期给城市化率一个单位正向标准差的冲击后，城市化率立即有了一个较大的正向反应，为 0.0153，并在第 2、3 期逐渐增强，达到 0.0182，又在第 4 期开始减弱，并渐渐收敛。由此可见，当期居民消费率的增加不仅会带动之后几期居民消费率的
14、增加，这种正面效应在长期中会逐渐减弱；而且在短期内对城市化率增长并没有显著的促进作用，但在第 3 期后就会带来城市化率的持续提高。而城市化率的增加会导致之后几期居民消费率的减少，不利于居民消费率的增加，但会在长期中促进城市化率的进一步增长。 （六）方差分解 方差分解表示的是当系统的某个变量受到了一个单位的冲击以后，以变量的预测误差方差百分比的形式反映变量之间的交互作用程度。它的主要思想是把系统中每个内生变量的波动按其成因分解为与各方程信息相关联的几个组成部分，从而了解各信息对模型内生变量的相对重要性。本文利用方差分解技术分析文中两个变量分别对居民消费率和城市化率的贡献率。 表 4 显示了对两个
15、方程第 10 期的方差分解结果。从中可知，居民消费率和城市化率对居民消费率的影响程度很接近，分别为 57.2%和42.8%，居民消费率为更主要的影响因素。而对于城市化率来说，它的变动主要来源于自身，为 84.4%，同时居民消费率的变动也对其有一定的贡献率，为 15.6%。 结论 本文采用 2000-2011 年我国 29 个省、自治区、直辖市的数据，根据PVAR 模型分析居民消费率和城市化率之间的关系，得到以下结论： （一）居民消费率的提高会不断促进城市化水平的发展 首先，居民消费会通过乘数原理拉动整个经济的增长，投资也会同步增长，从而社会将有更多的资金用于城市的现代化建设，有利于城市的进一步
16、扩张。其次，居民消费的不断发展会带来消费品的升级，在需求导向下推动产业结构的升级，企业向着规模化和专业化发展，带来消费聚集效应，成为提升城市化的重要动力。最后，居民消费率的提高自然会带来公共消费和服务消费者的群体随之增加，这要求各地在经济发展之外还要加大公共消费品的建设，并且吸收更多人员来到服务业。这就吸引农村人口不断流向城市，城市化率进一步提高。 （二）城市化率的提高会导致居民消费率的下降 城市化水平与居民消费率负相关似乎有悖于常理，但仔细观察我国当前城市化的发展模式和户籍制度就会发现这并不奇怪。 首先，城市化带来的投资率高涨压低了居民消费率。我国处于城市化高速发展的阶段，城市规划、基础设施
17、建设是其中必不可少的一部分。目前，我国投资中约 30%是基础设施投资，大部分是公共消费品，再加上约 20%是住房投资，这些投资是城市化时期必需的，是未来消费增长的基础。但体现在当前的数据上，过高的投资量占 GDP 的比重就必然导致了居民消费率的相对降低。 其次，我国城市化还是低水平的城市化。长期以来，我国的城市化主要是依靠空间扩张和人口流入，但在制度建设、管理方式和社会保障上并未跟上。近年来，天价房、天价药的报道屡见不鲜，保障房价格高、质量差也在多地出现。这些养老、教育、医疗、住房等方面保障的不健全使居民只能提高自身的预防性储蓄，从而压低了日常的正常消费。 最后，是城市化水平和我国户籍制度之间
18、的矛盾。一般我们都参照城市化率来评价一国的城市化水平，即城市人口数或从事非农业人口数占总人口的比重。但按照我国户籍制度，只要在城镇连续居住超过 6 个月之后，便被统计为城镇人口，但并未得到城市户籍。这就造成了大量进城务工的农民工在享受不到城市公共服务与社会保障体系的情况下成为了统计意义上的城市人口，造成了我国城市化率的虚高。据调查，这部分流动人口已经占总人口的 12%以上，他们的思想观念、生活方式和消费行为都无法与城市的常住人口相比，储蓄率也因传统思想、收入较低和保障的缺乏而远高于常住人口，这就进一步导致了这一部分居民消费率的低迷。 相关建议 针对上述问题，为推进我国城市化的不断发展和有效提振
19、居民消费率，从而实现我国经济的良性发展，提出以下政策建议： 协调投资与消费的比例关系，促进投资与消费良性互动。在国民收入总量一定的前提下，确定适度的投资规模，优化投资方式，找准投资与消费的结合点，确保积极稳妥地推进城市化进程；同时，制定有效的政策刺激消费，使消费水平提升，促进国民经济的发展。 改善城市化方式，科学规划，确保城市化速度与质量同步发展。将对城市化的关注点从速度和经济效益上转向对质量的重视，通过相关制度建设和改革，提高城市管理水平，从单纯的空间城市化转向人口、人才城市化，从而从根本上改善居民的生活、消费水平。 加大政府财政投入，拓宽融资渠道，健全社会保障体系，消除居民在养老、医疗、教
20、育、住房方面的后顾之忧，减轻居民负担，同时提高中低收入者的收入，改善他们的消费预期。 改革现有的户籍制度，使当前仅有城市人口之名而无城市居民身份之实的大量农民工能真正地享受到与城市居民同等的各种权力，融入城市，成为城市的建设者又合理分享城市化的收益，实现农民市民化。这不仅能提高他们的消费倾向，促进居民消费，更能够进一步推动城市化的发展。 参考文献： 1.G.Chamberlain.Chapter 22：Panel data.Handbook of EconometricsM.1984 2.D.Holtz-Eakin，W.Newey， H.S. Rosen.Estimating Vector A
21、utoregressions with Panel Data. Econometrica J.1988，56（6） 3.M.H.Pesaran， R.P.Smith.Estimating long-run relationships from dynamic heterogeneous panels.Journal of EconometricsJ.1995，68 4.M.Binder， C.Hsiao， M.H. Pesaran. Estimation and Inference in Short Panel Vector Autoregression with Unit Roots and Cointegration.Econometic TheoryJ.2005，21 5.M.Arellano，O.Bover. Another look at the instrumental variable estimation of error-components models. Journal of Econometrics J.1995，68（1） 6.I.Love， L.Ziccino. The Quarterly Review of Economics and Finance J.2006，46
