面板数据模型的定义和操作方法？
(第3组 宏现经济增长与发展，6686个字符)
中国能源、环境与经济增长基于面板数据的计量分析
王洲洋
（河北经贸大学数统学院，石家庄，050061）
摘 要
本文运用面板数据的分析方法对我国各地区的能源消费、环境污染与经济增长进行了实证研究。研究表明：能源消费、环境污染与经济增长变量均为不平稳变量，但它们之间存在着长期的协整关系。如果能源供应每增加1%，GDP就会增加0.269%；环境污染每减少1%，GDP就能增加0.043%。
关键词 经济增长 面板协整检验 Hausman检验
Abstract
This paper assesses the relationship among the energy consumption, environment pollution and economic growth in all the regions of China by the method of Panel Data. Research results indicate that the energy consumption, environment pollution and economic growth are not balanced variables，but they have the Co-integration relations in a long run.If the energy supply increases 1%,the economic growth will increase 0.269%;And if the environment pollution decreases 1%,the economic growth will increase 0.043%.
Key words : economical growth Panel data Co-integration Test Hausman-test
一、引言
自从进入工业化时期以来，世界上许多国家为了追求经济的快速增长和物质产品的极大丰富，对能源进行了大规模的开发和利用，而能源的逐渐枯竭及能源带来的生态环境问题，都将严重阻碍经济的发展。环境作为经济、社会发展的物质条件，作为经济发展的基础，既可以直接地促进经济的发展，也可能成为经济的发展的阻力，环境污染已成为危害人们健康、制约经济和社会发展的重要因素之一。如今能源与环境问题已成为制约一个国家经济增长的瓶颈，而这种现象在我国尤为突出。不断开发新能源，开发可再生能源，提高能源利用效率，保护环境将对我国经济发展起到重要作用。党的十七大报告再次强调要加强能源资源节约和生态环境保护，并指出，加强能源资源节约和环境环境保护，增强可持续发展能力，坚持节约资源和保护环境的基本国策，关系人民群众切身利益和中华民族生存发展。因此，对于我国能源消费、环境保护和经济发展的关系研究具有十分重要的理论价值和现实意义。
近年来我国的能源、环境问题已成为被关注的热点，许多学者从不同的角度进行了大量的分析，得出了许多有用的启示。如林伯强[1]（2003）通过协整分析考察了我国能源需求与经济增长的关系；王逢宝[2]等（2006）运用线性回归的方法对区域能源、环境与经济增长进行了研究。冯秀[3]（2006）则探讨了我国能源利用现状及能源、环境与经济增之长的关系。林师模等[4]（2006）研究了能源技术创新对我国经济，环境与能源之间的关系。目前大多的文献是用时间序列的数据，或是从总量的角度来分析全国或某个地区的能源消费、环境污染与经济增长之间的关系，但由于我国幅员辽阔，各地区间的经济、能源消费与环境方面都存在着巨大的差异，因而不能把各个地区的经济、能源消费与环境污染视为一个同质的整体，且运用时间序列数据往往很难解释它们间的内在联系。
本文使用我国省级的面板数据，运用面板数据的分析方法对我国各地区的能源消费、环境污染与经济增长进行实证分析，从而来揭示我国能源消费、环境污染与经济增长之间的内在联系。
二、研究方法
面板数据分析方法是最近几十年来发展起来的新的统计方法，面板数据可以克服时间序列分析受多重共线性的困扰,能够提供更多的信息、更多的变化、更少共线性、更多的自由度和更高的估计效率，而面板数据的单位根检验和协整分析是当前最前沿的领域之一。在本文的研究中，我们首先运用面板数据的单位根检验与协整检验来考察能源消费、环境污染与经济增长之间的长期关系，然后建立计量模型来量化它们之间的内在联系。
面板数据的单位根检验的方法主要有 Levin,Lin and CHU(2002)提出的LLC检验方法[5]。Im,Pesearn,Shin(2003)提出的IPS检验[6] , Maddala和Wu(1999)，Choi（2001）提出的ADF和PP检验[7]等。面板数据的协整检验的方法主要有Pedroni[8] (1999，2004)和Kao[9](1999)提出的检验方法，这两种检验方法的原假设均为不存在协整关系，从面板数据中得到残差统计量进行检验。Luciano(2003)中运用Monte Carlo模拟[10]对协整检验的几种方法进行比较，说明在T较小（大）时，Kao检验比Pedroni检验更高（低）的功效。具体面板数据单位根检验和协整检验的方法见参考文献[5-10]。
三、实证分析
1.指标选取和数据来源
经济增长：本文使用地区生产总值 ，以1999年为基期，根据各地区生产总值指数折算成实际 ，单位：亿元。
能源消费：考虑到近年来我国能源消费总量中，煤炭和石油供需存在着明显低估，而电力消费数据相当准确。因此使用电力消费更能准确反映能源消费与经济增长之间的内在联系（林伯强，2003）。所以本文使用各地区电力消费量 作为能源消费量，单位：亿千瓦小时。
环境污染：污染物以气休、液体、固体形态存在，本文选取工业废水排放量 作为环境污染的量化指标，单位：万吨。
本文采用1999-2006年全国30个省（直辖市，自治区）的地区生产总值 、电力消费量 和工业废水排放量 的数据构建面板数据集。30个省（直辖市，自治区）包括北京、天津、河北、辽宁、上海、江苏、浙江、福建、山东、广东、山西、内蒙古、吉林、黑龙江、安徽、江西、河南、湖北、湖南、海南、广西、重庆、四川、贵州、云南、陕西、西藏、甘肃、青海、宁夏、新疆，由于西藏数据不全故不包括在内。数据来源于《中国统计年鉴2000-2007》。为了消除变量间可能存在的异方差，本文先对 、 和 进行自然对数变换。
记 , , .
2．面板数据的单位根检验
为了避免单一方法可能存在的缺陷，本文使用LLC检验、IPS检验、Fisher-ADF检验和Fisher-PP检验四种方法来进行面板数据的单位根检验。利用Eviews 6.0软件(下同)，检验结果见表1。
表1 ， ， 的面板单位根检验
变 量 LLC p值 IPS p值 Fisher-ADF p值 Fisher-PP p值
4.21 1.00 5.78 1.00 16.95 1.00 7.67 1.00
6.35 1.00 10.24 1.00 5.37 1.00 9.45 1.00
-2.91 0.0018 1.26 0.89 56.97 0.058 90,56 0.0066
-14.89 0.00 -3.17 0.0008 103.88 0.0004 86.42 0.0144
-21.99 0.00 -5.80 0.00 143.77 0.00 146.44 0.00
-12.21 0.00 -4.52 0.00 135.51 0.00 184.48 0.00
从表1可以看出， ， 在5%水平不平稳，经一阶差分后 ， 均在5%水平拒绝原假设， 的LLC检验在5%水平不显著，但其它三种检验方法均显著， 的四种检验方法均在5%水平下拒绝原假，所以我们认为 ， ， 均为一阶差分平稳变量。
3．面板数据的协整检验
对 ， ， 的协整关系进行Pedroni协整检验和Kao协整检验。其检验结果见表2和表3。
表2 Pedroni协整检验
统计量 p值
Panel v统计量 -1.145 0.0056
Panel rho统计量 2.588 0.0277
Panel PP统计量 -1.543 0.0013
Panel ADF统计量 -3.811 0.0000
Group rho统计量 5.088 0.0000
Group PP统计量 -2.559 0.0151
Group ADF统计量 -6.985 0.0000
表3 Kao协整检验
t统计量 p值
ADF -5.873 0.0000
由表2和表3的面板协整检验结果可知： Pedroni协整检验的七个统计量与Kao协整检验的ADF统计量均在5%显著性水平下拒绝原假设，表明 ， ， 之间存在显著的协整关系。
4.模型检验
(1) 固定效应模型显著性检验
固定效应模型显著性检验是检验模型中固定效应系数 是否有差异，即原假设为 。其检验结果如表4所示：
表4 固定效应模型的显著性检验
固定效应显著性检验 统计量 自由度 p值
Cross-section F 374.484 (29,208) 0.0000
Cross-section Chi-square 953.827 29 0.0000
由表4固定效应模型的显著性检验结果可知，p值小于5%，因此拒绝固定效应系数 相同的原假设，所以我们选取固定效应模型比较合适。
(2)Hausman检验
Hausman检验的原假设是随机效应模型的系数与固定效应模型的系数没有差别，如果接受原假设，表明应选择随机效应模型，否则就应该选择固定效应模型。检验结果在表4和表5中列出。
表5 Hausman检验
Chi-Sq. 统计量 Chi-Sq. Statistic自由度 p值
Cross-section random 117.766 2 0.000
表6 固定效应与随机效应检验比较
变量 固定效应 随机效应 两种效应方差之差 p值
0.269 0.279 0.000002 0.0000
-0.0434 -0.017 0.000007 0.0000
从表5中Hausman检验结果与表6中固定效应与随机效应检验比较可以看出，p值在5%水平下拒绝原假设，模型中被忽视的效应与模型中的两个解释变量相关，所以我们认为固定效应模型是更好的选择。
5．模型的估计
根据上面的分析我们采用固定效应模型对模型进行估计，模型估计结果如下式所示：
(1)
(44.647) (20.341) (-3.097)
[0.0000] [0.0000] [0.0022]
小括号中是t统计量，中括号中是相应的p值。
模型调整后的 为0.996，F值为2484.3，残差平方和为0.599，各个系数均通过t检验，模型拟合的相当不错。
固定效应系数 见表7所示：
表7各地区的固定效应系数
地区
地区
地区
北京 0.207 浙江 0.792 海南 -1.044
天津 -0.268 安徽 0.283 重庆 -0.222
河北 0.582 福建 0.425 四川 0.440
山西 -0.351 江西 -0.00158 贵州 -0.808
内蒙古 -0.454 山东 1.034 云南 -0.121
辽宁 0.473 河南 0.623 陕西 -0.228
吉林 -0.138 湖北 0.429 甘肃 -0.815
黑龙江 0.251 湖南 0.424 青海 -1.962
上海 0.555 广东 1.139 宁夏 -1.908
江苏 1.058 广西 -0.0147 新疆 -0.380
式(1)表明，GDP与能源消费、环境污染之间存在着显著的长期均衡关系，从全国的平均水平来看，能源消费的弹性系数是0.269,也就是能源供应每增加1%，GDP就会增加0.269%；环境污染的弹性系数是-0.043,即环境污染每减少1%，GDP就能增加0.043%，这说明GDP与环境污染存在着反向的关系，与我们普遍认为的保护环境能促进经济健康快速发展的观点相一致。
四、主要结论
本文通过采用比较前沿的面板单位根检验、面板协整检验等分析方法，对1999年到2006年我国能源消费、环境污染与经济增长的省级面板数据进行了实证研究。研究表明：我国能源消费、环境污染与经济增长均为不平稳过程，这主要是因为我国各地区由于政策、环境等多种原因，使得各地区间存在着很大的差异，所以不同的地区表现出非一致性，但不同地区的能源消费、环境污染与经济增长之间都存在着显著的协整关系。能源和环境作为经济持续增长的要素，对我国经济发展有着重大的影响作用。能源供应与经济增长存在着正向的关系，经济增长对能源有很强的信赖性，而环境污染与经济增长存在着反向的关系，环境污染程度的加剧将会严重阻碍经济的增长。从全国平均水平来看，能源供应每增加1%，GDP将增加0.269%；环境污染每减少1%，GDP将增加0.043%。因此坚持节约能源、提高能源使用效率和保护环境将对我国经济的持续、快速、健康发展具有极其重要的意义。
需要指出的是，由于数据方面的原因，本文使用的面板数据时间跨度并不长(1999-2006)，得到的长期关系有可能受到质疑 (DimitrisK.Christopoulos and Efthvmios G.Tsionas,2004) [11]。本文使用各地区电力消费量来代替能源消费总量，工业废水排放量来反映环境污染程度，但它们都只反映了能源消费、环境污染程度的一个方面，所以指标的选取并不全面，应该将煤、石油等能源的消费以及大气污染、固体废弃物污染等全部纳入指标体系，这样指标体系才更加全面、更加合理，这有待我们今后更加深入的研究。
参考文献:
[1]林伯强：《电力消费与中国经济增长:基于生产函数的研究》[J]，《管理世界》2003年第11期。
[2]王逢宝、张磊、秦贞兰：《能源、环境与区域经济增长的计量分析》[J]，《天津财贸管理干部学院学报》2006年第3期。
[3]冯秀、丁勇：《可持续发展下中国的能源、环境与经济》[J]，《北方经济》2006年第2期。
[4]林师模、苏汉邦、林幸桦：《能源技术创新对经济、能源及环境》的影响[J]《东莞理工学院学报》2006年第4期。
[5]Levin.A.,C.F.Lin Unit Root Tests in Panel Data:Asymptotic and Finite Sample Properties[C].UC San Diego.Working Paper,1992.92-93.
[6]Im K.S.,M.H.Pesaran and Y.Shin.Testing for Unit Roots in Heterogeneous Panels[J].Journal of Econometrics 2003,115:53-74.
[7]Maddala G.S.,Wu Shaowen,1999.Acomparative Study of Unit Root Tests with Panel Data and a New Simple Test [J].Oxford Bulletin of Economics and Statistics,1999,61:631-652.
[8]Luciano,G..On the Power of Panel Cointegration Tests:A Monte Carlo Comparison[J].Economics Letters,2003,80:105-111.
[9]Pedroni,P.Critical Value for Cointegration Tests in Heterogeneous Panels with Multiple Regressors[J].Oxford Bulletin of Economics and Statistics,1999,61:653-678.
[10]Kao,C,Spurious Regression and Residual-based Tests for Cointetration in Panel Data[J].Journal of Econometrics,1999,90:1-44.
[11]Dimitris K. Christopoulos,Efthymios G.Tsionas,2004,Financial development and economic growth: evidence from panel.
使用面板数据进行分析有哪些优点
统计表是统计图的基础.要做统计图,一般会先做统计表.统计表中的数据很详细,但是不利于直观地分析问题.所以,如果要针对某一问题进行研究,就要在统计表的基础上做相应的统计图,其中,条形统计图能够直观地反映各变量数量的差异,折线图能直观反映各变量的变化趋势.总之,统计表的优点是详细,便于分析研究各类问题.条形统计图的优点是能够直观反映变量的数量差异,便于比较数量差异,研究数量差异问题.
以下为详细解释两者定义及作用.
条形统计图 :
用一个单位长度(如1厘米)表示一定的数量,根据数量的多少,画成长短相应成比例的直条,并按一定顺序排列起来,这样的统计图,称为条形统计图.条形统计图可以清楚地表明各种数量的多少.条形图是统计图资料分析中最常用的图形.按照排列方式的不同,可分为纵式条形图和横式条形图;按照分析作用的不同,可分为条形比较图和条形结构图.
特点:(1)能够使人们一眼看出各个数据的大小.(2)易于比较数据之间的差别.
统计表:
数据经整理后使之进一步表格化,便形成统计表（statistical table）
统计表是由纵横交叉线条所绘制的表格来表现统计资料的一种形式.
统计表是用原始数据制成的一种表格.它的作用是：①用数量说明研究对象之间的相互关系.②用数量把研究对象之间的变化规律显著地表示出来.③用数量把研究对象之间的差别显著地表示出来.这样便于人们用来分析问题和研究问题.
统计表的形式繁简不一,通常按项目的多少,分为单式统计表和复式统计表两种.只对某一个项目的数据进行统计的表格,叫做单式统计表,也叫做简单统计表.统计项目在两个或两个以上的统计表格,叫做复式统计表.
统计表的内容一般都包括总标题、横标题、纵标题、数字资料、单位、制表日期.总标题是指表的名称,它要能简单扼要地反映出表的主要内容,横标题是指每一横行内数据的意义；纵标题是指每一纵栏内数据的意义；数字资料是指各空格内按要求填写的数字；单位是指表格里数据的计量单位.在数据单位相同时,一般把单位放在表格的左上角.如果各项目的数据单位不同时,可放在表格里注明.制表日期放在表的右上角,表明制表的时间.各种统计表都应有“备考”或“附注”栏,以便必要时填入不属于表内各项的事实或说明.
