西部地区分类城市基础设施与城市化率的关系研究—以南充市为例.doc

西部地区分类城市基础设施与城市化率的关系研究 —以南充市为例 摘 要：西部大开发政策已经实施十几年，我国西部地区政治、经济、社会取得了长足的发展，基础设施建设得到了突飞猛进的发展，城市化进程也取得了不菲的成果。然而西部地区当前城市化进程也存在不足。本文通过使用Eviews软件来研究西部地区分类城市基础设施与城市化率的关系，以期获得西部地区分类城市基础设施是否能够促进城市化进程。本文使用交通运输业产值、科技产值、水利环境产值和教育文化体育产值四个基础设施相关的产业产值来研究南充市城市化率，发现交通运输业产值和科技产值对城市化率水平关系大，得到西部地区应该重点加强科技事业和交通基础设施建设以便加快城市化进程。 关键词：分类基础设施；西部地区；城市化率；关系研究 １　引言 西部大开发政策已经实施十几年，我国西部地区政治、经济、社会取得了长足的发展，基础设施建设得到了突飞猛进的发展，城市化进程也取得了不菲的成果。与此同时，国内学者对城市化与基础设施的关系进行了一些研究。官卫华根据西部地区城市化进程的特点，指出以城市化为先导促进西部经济发展[1]；刘伦武通过建立误差修正模型定量分析中国及其东、中、西部地区基础设施对经济增长推动作用[2]；骆许蓓通过模拟分析基础设施投资分布与区域经济均衡增长的关系,提出优先发展中部交通枢纽省份运输网络以促进地区均衡发展的政策建议[3]；范九利等应用生产函数法来估计基础设施对经济增长的产出弹性得到不同地域，基础设施对经济增长的影响存在显著性差异[4]；余志祥等揭示了西部地区人口城市化水平与工业化相关因子关系密切[5]；李嘉荣等研究了西部地区城市化与基础设施投资效率的关系[6]；陈瑾玖通过实证分析来研究地区经济差异与城市化水平关系[7]；王科研究了基础设施与西部新农村建设的关系[8]；刘学华等研究交通基础设施对西部地区经济发展与增长效应[9]；赵晶晶等应用面板数据的计量分析方法, 选取我国 29个省市 1986年至 2008年的统计数据, 对城市化进程和交通基础设施进行研究, 试图探究二者之间的关系[10]；骆永民综合采用因素分析和空间面板计量模型的方法实证分析中国城乡基础设施差距的经济效应[11]。蒋时节等从分类基础设施投资与城市化进程之间的相关性分析出发,研究各类基础设施投资对城市化进程的影响程度[12]；武力超等利用主成分分析和面板数据回归分析等方法反映基础设施发展水平与我国城市化进程的关系[13]。但是鲜有对基础设施与西部地区城市化的关系研究。本文将研究分类基础设施的产值对西部地区城市化率的影响。从基础数据出发，研究分类基础设施产值与西部地区城市化率的关系模型，从而为西部地区城市化提出建设性的意见和措施。 １　城市基础设施的内涵及本文选取的指标说明 “城市基础设施( urban infrastructure) 是城市物质形式主要的组成部分，是城市建设的物质载体，是城市维持经济与社会活动的前提条件，是城市存在和发展的基础保证，也是城市现代化的重要体现。”[14]随着城市化进程的推进, 城市基础设施状况已经成为衡量城市或地区发展水平的重要依据,可以说城市化进程直接受城市基础设施承载能力的制约。根据以往的研究，一般认为城市基础设施包含以下范畴：能源设施、供排水设施、交通设施、邮电通信设施、环保设施和防灾设施。也有城市基础设施概念的侠义和广义之分，本文采用广义概念的城市基础设施，即是包括排水、能源、交通、邮电、通信、环境保护、防灾等工程性基础设施，也包括住宅、文化、教育、科技、卫生、体育等城市社会设施。本文将采用交通运输业产值、科技产值、水利环境产值和教育文化体育产值四个基础设施相关的产业产值来研究西部地区城市化率与基础设施的关系。 2、Eviews软件简介 Eviews是Econometric Views的缩写，直译为计量经济学软件包。EViews软件处理的主要对象是时间序列，每一个序列都有一个名称，只要提出程序的名称就可以对序列中所有的数据进行操作[15]。Eviews也是美国QMS公司研制的在Windows下专门从事数据分析、回归分析和预测的工具。使用Eviews可以迅速地从数据中寻找出统计关系，并用得到的关系去预测数据的未来值。Eviews的应用范围包括：科学实验数据分析与评估、金融分析、宏观经济预测、仿真、销售预测和成本分析等。 3、实证研究 本文通过统计四川省南充市1993-2009年第三产业的产值，选取指标数据，数据如表1所示。 表1 四川省南充市1993-2009年城市化率与第三产业部分产业产值 年份 城市化率 交通运 输业产值 科技 业产值 水利 环境产值 教育文 化体育产值 % 万元 万元 万元 万元 Y X1 X2 X3 X4 1993 10.7 13850 1954 2035 30633 1994 11.2 18680 2676 2689 41282 1995 11.8 28813 3017 3438 50485 1996 12.4 37441 3424 3518 55603 1997 13.2 45240 4066 3974 65865 1998 14.1 49402 4275 4180 71344 1999 15.1 51131 4717 4406 73942 2000 16.3 58195 5001 4989 80438 2001 17.6 67939 5775 5899 98575 2002 19.3 78422 6432 6890 115893 2003 21.4 89025 7474 7984 134210 2004 25.6 102500 8800 9401 153503 2005 28.2 113775 10006 10492 175023 2006 30.1 141081 11559 12045 198331 2007 32.0 154656 14303 14839 228310 2008 34.0 185082 16442 19652 239825 2009 35.8 203757 18023 22118 266848 3.1 数据自相关检验 利用Eviews软件对表1中的数据进行相关性分析[16-17]，分析结果如表2所示。 表2 时间序列数据自相关检验 Dependent Variable: Y Method: Least Squares Sample: 1993 2009 Variable Coefficient Std. Error t-Statistic Prob.   C 6.095635 0.521027 11.69926 0.0000 X1 -1.82E-05 5.35E-05 -0.340834 0.7391 X2 -0.000383 0.000907 -0.422746 0.6800 X3 4.50E-05 0.000478 0.094210 0.9265 X4 0.000165 4.02E-05 4.118770 0.0014 R-squared 0.992905     Mean dependent var 20.51765 Adjusted R-squared 0.990540     S.D. dependent var 8.665970 S.E. of regression 0.842885     Akaike info criterion 2.735957 Sum squared resid 8.525465     Schwarz criterion 2.981019 Log likelihood -18.25563     Hannan-Quinn criter. 2.760316 F-statistic 419.8220     Durbin-Watson stat 1.787253 从表2，可以看到D-W=1.787253﹥R2=0.992905，所以时间序列数据不存在自相关。 3.2 模型建立 从自相关性检验中看到，回归方程系数t检验未通过。可能是因为数据数量级问题，因此对x1,x2,x3,x4进行对数化处理，并做拟合回归，结果如表3所示。 表3 对数化处理后模型结果 Dependent Variable: Y Method: Least Squares Date: 03/14/12 Time: 19:55 Sample: 1993 2009 Included observations: 17 Variable Coefficient Std. Error t-Statistic Prob.   C -94.58015 15.09398 -6.266084 0.0000 LNX1 -12.54290 2.942505 -4.262659 0.0011 LNX2 14.18044 8.437041 1.680736 0.1186 LNX3 6.534938 5.389641 1.212500 0.2487 LNX4 6.402468 5.753496 1.112796 0.2876 R-squared 0.985979     Mean dependent var 20.51765 Adjusted R-squared 0.981306     S.D. dependent var 8.665970 S.E. of regression 1.184870     Akaike info criterion 3.417071 Sum squared resid 16.84699     Schwarz criterion 3.662134 Log likelihood -24.04511     Hannan-Quinn criter. 3.441431 F-statistic 210.9702     Durbin-Watson stat 1.896335 Prob(F-statistic) 0.000000 3.2.1 模型分析 从表3可以看到，F=210.9702，显然符合条件，因此模型整体拟合较好。但是对系数进行t检验，仅有C ,LNX1能够通过检验，由此可以得知LNX1,LNX2,LNX3,LNX4四个解释变量存在共线性，因此利用赤池信息量准则（Akaike information criterion，AIC）和施瓦茨准则（Schwarz Criterion,SC）是衡量统计模型拟合优良性的一种标准，这两个准则均要求仅当所增加的解释变量能够减少AIC值或SC值时才在原模型中增加该解释变量。利用Eiews软件进行处理，本文只列出通过检验的表格结果，如表4-6所示。 表4 模型改进结果1 Dependent Variable: Y Method: Least Squares Sample: 1993 2009 Variable Coefficient Std. Error t-Statistic Prob.   C -78.63645 4.791798 -16.41063 0.0000 LNX1 -10.73227 2.474081 -4.337879 0.0008 LNX2 18.96735 7.324262 2.589660 0.0224 LNX3 6.010744 5.418004 1.109402 0.2874 R-squared 0.984533     Mean dependent var 20.51765 Adjusted R-squared 0.980963     S.D. dependent var 8.665970 S.E. of regression 1.195681     Akaike info criterion 3.397633 Sum squared resid 18.58549     Schwarz criterion 3.593683 Log likelihood -24.87988     Hannan-Quinn criter. 3.417121 F-statistic 275.8244     Durbin-Watson stat 1.703324 Prob(F-statistic) 0.000000 表5 模型改进结果2 Dependent Variable: Y Method: Least Squares Sample: 1993 2009 Variable Coefficient Std. Error t-Statistic Prob.   C -94.85090 15.36282 -6.174056 0.0000