三、工业景气度对服务业景气度的滞后传导

下面将利用2002—2013年省级面板数据来进行检验，之所以选择这一样本期，主要是考虑到我国自加入世贸组织后，资源配置机制及范围与之前有了较大变化，产业结构和就业生成机制的演进轨迹可能出现新的特征。采用面板数据主要是为了增加样本容量并缓解遗漏变量可能带来的问题。鉴于青海、西藏的特殊性，将其从样本中剔除，因此，共有29个截面单元。

（一）工业景气度对服务业的滞后影响

为检验工业增速与服务业增速之间的关系，我们设置如下的计量模型。

式（4—1）中，下标i、t分别代表截面单元（省、自治区、直辖市）和时间样本。被解释变量gs为服务业GDP增长率，其中增加值为按不变价格计算的可比水平。解释变量gi为工业GDP增长率，同样，其增加值也是不变价下的可比水平。

需注意的是，模型（4—1）中引入了滞后一期被解释变量gs_i,t－1，之所以这样做，主要是考虑到影响某期服务业增长率的因素有很多，其中，有一些是系统性因素，它们会连续地对每一期增长率产生影响，但可能并没有囊括在解释变量中，通过引入滞后被解释变量，既可以反映这种系统性影响也可以缓解遗漏变量的问题，因此模型（4—1）是一个动态面板数据模型。类似地，为考察工业增长率对服务业增长率所可能产生的滞后影响，我们也引入了解释变量的滞后变量gi_i,t－j，参照业界的通行做法，同时为了兼顾模型自由度，我们共引入滞后四期解释变量。u_i为截面效应，ε_i,t为满足白噪声条件的随机扰动项。

鉴于内生性可能，模型（4—1）不宜用常规方法估计，而应采用广义矩估计方法进行估计，它又包括差分GMM估计和系统GMM估计两种方法，二者的区别在于对滞后被解释变量工具变量的选择（Arellano & Bond，1991；Blundell & Bond，1998）。与时间序列数据相类似，为了避免伪回归问题，在回归前还需要对各变量进行单位根检验，具体的检验结果如表4—1所示。

表4—1 各变量的单位根检验结果

注：（1）pecadf为考虑到截面相关性的第二代单位根检验方法。（2）差分GMM残差和系统GMM残差分别为差分GMM估计和系统GMM估计方程拟合残差的单位根检验指标值。（3）***、**、*分别代表通过1%、5%、10%的显著性检验，下同。

从表4—1可以看出，除少数一两种检验方法外，其他检验方法下gs和gi均能通过显著性检验。鉴于各类方法的检验原理和指标构建存在较大差异，个别检验方法下未能通过显著性检验也算正常，因此，可以近似地认为，上述各指标均能满足平稳性要求，这为模型（4—1）的分析创造了条件，其结果如表4—2所示。

表4—2 工业增长率对服务业增长率的影响方程（被解释变量：gs_i,t）

注：（1）AR（2）检验的原假设为回归方程残差项无二阶序列相关；（2）Hansen检验的原假设为过度识别检验有效。下同。

从表4—2可以看出，差分GMM估计和系统GMM估计的结果均能通过AR（2）和Hansen过度识别检验，说明两模型设置是合理的。在差分GMM估计方法下，gs_i,t－1的系数显著为正，为0.297，这说明服务业增速的波动确实具有一定的惯性。gi_i,t的系数不显著，说明工业增长率不会对当期的服务业增长率产生明显影响。进一步，gi_i,t－1、gi_i,t－2的系数也不显著，说明至少在其后两年时间内工业增长率仍不会对服务业增长率产生影响。gi_i,t－3显著为正，为0.153，则说明从第三年起，工业增长率开始对服务业增长率产生正向影响。gi_i,t－4也显著为正，且达到0.386，说明工业增长率的滞后影响至少会延续到第四年，且强度进一步加大。在系统GMM估计方法下，虽然有一定变化，但幅度不大，且方向没有发生根本变化，这说明两种GMM方法的估计结果是趋于一致的，也是稳健可信的。

（二）工业景气度滞后影响的原因检验

对于上述滞后效应，依前述推测，产生的原因可能在于，工业景气度虽然会影响居民收入，但源于家庭财富等因素的平滑作用，居民收入对生活服务业的消费需求产生影响还有一个滞后期。下面我们将分两个步骤来检验上述推测。

第一步，首先检验工业景气度对居民收入的影响。类似于模型（4—1），先构建一个计量方程，被解释变量换成城镇居民人均年收入增长率gw，解释变量仍为工业GDP的增长率。之所以采用城镇居民人均年收入，主要是因为相对于农村居民来说，城镇居民的服务消费需求更大，理应成为研究焦点。年收入数据均按物价指数折算为可比水平。与模型（4—1）一样，我们引入被解释变量的滞后变量以及滞后四期的解释变量。表4—1第四列显示，gw也能通过平稳性检验。

表4—3显示，差分GMM估计和系统GMM估计结果均能通过AR（2）和Hansen过度识别检验，说明模型设置是合理的，而且两种估算方法的结果比较接近。下面就以差分GMM估计的结果为例，gw_i,t－1的系数显著为正，达到0.183，说明城镇居民人均收入增长率有一定的惯性。gi_i,t的系数均显著为正，且高达0.535，说明工业增长率每提高一个百分点，城镇居民人均收入就会增加0.535个百分点。在滞后解释变量中，除gi_i,t－3显著外，其余几期的滞后变量均不显著，而gi_i,t－3的数值很小，只有0.013，其影响几乎可以忽略不计。上述结果说明，工业景气度对城镇居民收入的影响不仅明显，而且传导快，主要是在当期实现的。

表4—3 工业增长率对城镇居民收入增长率的影响方程

（被解释变量：gw_i,t）

第二步，我们来检验城镇居民收入对服务业景气度的影响，计量方程的设置类似于模型（4—1），只不过被解释变量换为服务业GDP增长率，解释变量为城镇居民人均收入增长率及其滞后四期变量，同时引入滞后被解释变量。

从表4—4可以看出，差分GMM估计和系统GMM估计均能通过AR（2）和Hansen过度识别检验。差分GMM估计结果显示，gs_i,t－1的系数并不显著，说明服务业增长率自身没有明显的惯性，换言之，随机性比较大。这从近年来我国服务业PMI波动较大的事实中可以得到一定程度的验证。gw_i,t的系数并不显著，说明城镇居民人均收入状况并不会对当期服务业景气度产生明显影响。类似地，滞后两期的gw变量也不显著，说明这一状况会至少延续两年，但是自第三年起，滞后变量gw_i,t－3、gw_i,t－4的系数开始变得显著，且为正，分别达到0.203和0.170，说明城镇居民人均收入增长率每提高一个百分点，就会使三年后的服务业增长率提高0.203个百分点，并使四年后的服务业增长率提高0.170个百分点，可见，它并不是对服务业景气度没有影响，只不过是影响被推后了三四年而已。从表4—4还可以看出，系统GMM估计与差分GMM估计结果相差不大，不再赘述。

表4—4 城镇居民收入增长率对服务业景气度的影响方程（被解释变量：gs_i,t）