基础设施投资效率与经济增长间的关系研究——以东南亚国家为例

李俊江 卢洪波 王丽峰

关键字：基础设施投资；经济增长；SSBM模型；决策建议

1 引 言

基础设施建设水平是国家能力和建设情况的基本判断标准，其也直接影响国家的经济发展质量和居民的生活水平（潘雅茹和罗良文，2020[1]）。从供需的角度来讲，作为国家固定投资的重要组成部分，基础设施投资能够实现原始资本的积累和产出的稳步提升，帮助国家实现规模经济建设，并有效地控制生产成本（徐炜锋等，2020[2]）。从这个方面来讲，发展中国家有必要通过基础设施投资带动国家经济发展（Horrillo等，2022[3]）。

基础设施可从经济性和社会性两个方面进行分类。经济性基础设施可涵盖能源、通讯、交通、水利等多个领域，而社会性基础设施则主要关注教育、社会服务、文化、医疗卫生等领域（Dmitriev等，2019[4]）。

目前，从国内外研究成果来看，数据包络分析法比较广泛地应用到了基础设施投资评价应用中，但是在评价内容和评价指标方面差异较大。国外的专家学者在上世纪70年代开始对基础设施投资效率评价方法进行研究。Charnes等（1978）[5]在对经济学事务相关评估过程中提出了规模报酬不变 DEA 模型，并在后续推出不同类型的DEA 模型效率评估方法，且每种方法的适用性和应用场景不同，但是均有效地应用在了投资效率测算过程中。Gupta（2001）[6]和Revelli（2007）[7]以非洲发展中国家和挪威为研究对象，对其基础设施投资情况和效率进行调研和评估。我国属于发展中国家，国内学者也展开了对基础设施投资的相关调查研究，伍文中（2011）[8]采用DEA数据包络方法对中国近十年的基础设施投资效率进行分析和评估，评估结果显示，基础设施投资效率越高，该地区的城市化进程越显著，且地区间的合作密集度越高。任喜萍（2017）[9]通过研究发现，我国的基础设置投资呈现两极化，京津沪琼地区和西北地区的基础设施投资配置相关较高，且投资效率良好，其他地市的基础设施投资偏低。程敏（2017）[10]对我国不同地区的城市基础设施投资效率进行了评估调研，结果表明大部分的城市基础设施投资效率处于中等水平，且不同地区的投资效率差异明显。

关于基础设施投资效率与经济增长间关系方面的研究，需要结合不同地区的经济数据和基础设施投资数据进行定量研究和分析，从目前的研究成果来看，主要包括以下两类: 第一类以基础设施投资产生的生产效应为对象，Fernald （1999）[11]、Roller 和 Waverman（2001）[12]以及 Duggal 等（1999）[13]通过对多个国家的基础设施投资情况进行调研后发展，交通和通讯设施的建设能够较大程度地提升该地区的经济增长。国内学者王任飞等（2007）[14]基于VAR数据分析方法研究基础设施与经济增长间的相关性，数据分析结果显示基础设施促进经济增长居于主导地位。刘生龙等 （2010）[15]以交通基础设施为主要研究对象，发现其对中国经济增长有着显著的正向促进作用。结合以上调查结果可知，目前的基础设施投资与经济增长间的关系调查具有一定的地域性，且主要针对硬件类基础设施的投资内容进行研究，具有一定的片面性。

发展中国家的经济水平较弱，且各类基础设施建设程度不高。近年来，中国积极对发展中国家进行基础设施投资。进入新世纪后，中国对非洲、东南亚等国的铁路设施、电力设施、房屋建筑等基础设施进行投资和援助，并开展实施“一带一路”倡议，获得较好收益和评价。基础设施是经济发展的前置条件，基础设施投资效率的高低能够反映被投资城市的发展潜力。

本文的研究意义在于，东南亚作为我国地理和经济发展战略相近的区域，也是我国基础设施投资的战略发展区域。本文将研究东南亚不同国家和地区的基础设施投资与经济增长之间的关系，并对东南亚地区基础设施投资的经济增长效应进行定量分析，并分析东南亚各个国家间的经济发展关系和空间协同发展趋势，为中国政府在东南亚地区进行基础设施投资并促进经济增长提供建议。

此前的研究主要以在时间维度上的投资效率评价为主，并没有将空间关系纳入其中，本文的创新之处主要包括以下两点：

（1）在基础设施投资效率评价方面，以东南亚国家为样本，结合SSBM模型测算分析各国基础设施投资效率和趋势，以交通基础设施建设、邮电通讯基础设施建设、供水系统基础设施建设、公共环境卫生基础设施建设、城市能源基础设施建设等投入指标和人均 GDP为核心的产出指标为评价标准，分析不同时间维度下东南亚各过的投资效率和经济发展趋势。同时，利用ESDA模型对空间耦合协调度进行分析，实现时间和空间的基础设施投资效率演化分析，比较全面的了解东南亚国家的基础设施投资效率及其对经济发展的潜在影响。

（2）在基础设施投资效率与经济增长间的关系实证方面，结合东南亚各国多年基础设施投资数据和经济发展数据，设计被解释变量、解释变量和控制变量，基于普通最小二乘法模型 OLS和空间杜宾模型 SDM对计算实证结果进行对比分析。

2 基础设施投资效率评价模型及数据分析

2.1 Super-SBM 模型构建

Super-SBM 模型（Super Slacks-based Model）是基于传统数据包络分析模型改进的效率评估模型，本文选择其对基础设施投资效率进行评估和计算。数据包络分析模型成为DEA 模型，最初在上世纪七十年代由Charnes, Cooper 和 Rhodes 联合提出，主要用于衡量投入和产出的效率应用以及对有效性的评估应用，DEA模型在计算过程中主要基于线性规划理念，通过距离函数衡量效率结果的有效性。从实际的的应用效果来看，传统的DEA 模型存在某些应用的不足，导致其决策排序功能的准确性欠佳，数据分析的全面性也会受到影响。针对DEA模型存在的问题，Andersen 等专家对传统的DEA模型进行优化，提出了超效率 DEA 模型（Super-efficient DEA）的模型概念，该模型能够保证最优解无量纲，且能够确保所有有效决策的单元效率值满足大于1的条件（Azad等，2021[16]；Tibi等，2020[17]）。因此本文采用了非径向的超效率 DEA 模型，公式如（1）所示。

公式（1）中，使用变量对第个决策单元的效率值进行表示；使用变量对第个投入变量进行续保表示，使用变量对投入变量个数进行表示；使用变量对第个产出变量进行表示，使用变量对产出变量个数进行表示；使用变量对投入的松弛变量进行表示；使用变量对产出的松弛性进行评估；约束条件则使用进行表示。

2.2 基础设施投资效率评价指标设计及测算

以世界发展报告《为发展提供基础设施》的相关内容为依据，并结合东南亚国家的发展需求，对基础设施投入以及产出的评价指标体系进行设计，具体如图表1所示。其中，投入指标包括五个类型，分别是交通基础设施建设、邮电通讯基础设施建设、供水系统基础设施建设、公共环境卫生基础设施建设、城市能源基础设施建设，分别用使用铁路、公路及航空客运量，基站及营业网点数量，供水总量，环卫车辆平均覆盖率，城市燃气覆盖率等指标进行量化，产出指标选取了人均（GDP），即地区生产总值，对发展中国家的基础设施投资效果和效率进行评价。

结合世界银行数据库的数据，本文最终选取越南、老挝、柬埔寨、菲律宾、印度尼西亚、文莱等六个发展中国家及其核心城市进行基础设施投资效率分析。面板数据的时间选取自 2010年至 2021年，具体投入产出指标见表1。

表1 基础设施建设投入产出评价指标体系

本文基于软件 DEAP2. 1 和Matlab软件测算出东南亚六个东南亚国家和地区的基础设施投资综合效率，效率评估结果在[0, 1]区间范围内，且数值约接近于1，表示该国家的基础设施投资效率越好，对经济的拉动效果也越优。如果某国家的综合效率为1，则表示该国家具有极其领先的基础设施投资能力，且当前的投资状态是最优的。东南亚六个发展中国家2010-2021年期间基础设施投资效率测算结果如表2所示。

表2 东南亚国家2010-2021年期间基础设施投资效率测算结果

续表

基于表2的结果，对东南亚地区国家投资效率及趋势进行分析。从六个国家的基础设施投资效率值结果来看，可将投资效率划分为不同的等级：投资效率高（Crste大于0. 9）、效率较高 （Crste在0.7至0.9区间）、中等水平（Crste在0.5至0.7区间）和较低水平（Crste低于0. 5）。从表中可以看出，东南亚六国的基础设施投资效率差距不大，主要由于其所处的气候环境基本相同，经济发展则主要以旅游业、水果出口和制造业为主，而且整体的投资效率处于上升趋势，在2020年受新型冠状病毒影响出现短期的下滑。

（1）从时间的维度来看，东南亚国家的整体基础设施投资水平逐年上升，但仍未全部到达较高水平，大部分处于中等水平。大部分样本国家的基础设施投资效率在2010年至2021年间增长了0.3以上，符合基础设施的投资建设周期性较长的特点，但是依然具有提升的空间。

（2）从样本国家的投资效率趋势来看，以旅游业为支撑的东南亚各国受疫情影响严重，如越南、柬埔寨和菲律宾。文莱由于其历史背景和先天优势，受到的影响程度最低，其整体投资效率也是最高的。

2.3 探索性空间数据分析（ESDA）建模及分析

结合2010年和2020 年的基础设施投资测算结果，从地理空间的角度出发，对东南亚地区国家的空间耦合协调度进行分析，了解其时空属性。

探索性空间数据分析能够从时间和空间两个维度对不同指标数据的相关关系进行分析，并形成空间化和可视化格局展示，分析不同指标数据在时空环境下的变化趋势。本文通过Global Moran’s I指数和Local Moran’s I指数对东南亚第三世界国家基础设施投资效率的空间相关性进行测量和分析。

Global Moran’s I 指数是用于衡量区域总体空间关联和空间差异程度的指标。其公式为：

使用Yi、Yj分别表示第个和第个空间单元（即不同国家）上的观测值；表示空间单元（整个东南亚区域）的个数。ωij表示邻接空间权重矩阵，其使用二进制表示，如果空间相邻，则取值为1，否则取值为0。

Moran’sI指数的取值范围为[-1，1]。如果Moran’sI显著为正，则表示在基础设施投资方面的空间相关性呈现显著相关关系，经济发展态势保持一致的国家在空间和时空上保持集聚态势；如果Moran’sI显著为负，则表示在基础设施投资方面的空间相关性呈现负相关关系，即存在离散的发展聚集态势；若Moran’sI等于零，则表示各个国家在空间相关关系方面相互独立，并没有相互影响。时空相关度越高，则Moran’sI的取值越接近于1；相反，时空相关度越低，则Moran’sI的取值越接近于-1。本文采用值对Moran’sI的统计结果对空间相关性进行检验。

本文使用OpenGeoDa软件对东南亚六个国家的基础设施投资效率的全局自相关 Moran’sI指数进行计算，结果见表 3，时间跨度为2010年至2020年。

表3 东南亚第三世界国家2010-2020年期间基础设施投资效率Moran’s I 指数分布

从结果来看，在2010年至2020年之间，东南亚国家的基础设施投资效率的 Moran’s I 指数均大于0，且从P值可以看出其满足5%的显著性检验条件，说明东南亚各国在地理空间内呈现靠拢趋势，符合协同发展的基本理念，也表示其基础设施投资建设的效率趋势基本差异性不大。虽然全局Moran’s I指数略有波动，但是整体程序上升趋势，由 2010年的 0.1682 增加到 2020年的 0.1843，表示东南亚国家集聚态势明显，符合“一带一路”倡议和“东南亚发展联盟”的思想理念，也是东南亚发展中国家协同发展的需要。

3 基础设施投资效率与经济增长间的关系实证

3.1 变量及数据说明

本文选取为东南亚六国在2010年至2020年的面板数据作为数据源进行基础设施投资效率与经济增长间的关系实证研究。同时，基于普通最小二乘法模型 OLS和空间杜宾模型 SDM 对计算实证结果进行对比分析。具体变量的选择和量化过程如下所示：

（1） 被解释变量与解释变量

被解释变量需要对经济增长水平进行衡量，本文东南亚各国的生产总值（GDP）对经济增长情况进行解释。

解释变量主要包括各类投入变量，包括国内劳动力投入（使用Labor表示）、国外资本投入（使用Foreignin表示）和软、硬性等基础设施资本投入 （分别使用Insoft和Inhard表示）。劳动力投入指标可通过东南亚各国在基础设施建设领域的年末从业人员数量。硬性和软性基础设施资本的划分依据世界发展报告《为发展提供基础设施》，软硬件基础设施资本的区分主要以其涉及的行业和具体的应用进行区分。软性基础设施资本投入（Insoft）主要侧重于服务类、保障类和文化类的相关应用投入，硬性基础设施资本投入（Inhard）则主要面向基础设施硬件建设、交通、环境、水利、公共设施等方面的建设。考虑到数据的可获得性，本文以2010年为时间起点，以当前国家基础资源现状折旧后的固定资产投资额对各类资本投入进行表示。综上，本文的解释变量主要包括软性、硬性基础设施资本投入。

（2）控制变量

本文的控制变量包括四个，可对被解释变量和解释变量进行调节，分别是国家贸易开放程度（使用trade表示）、政府参与基础设施建设的程度（使用gov表示）、国家公共交通运输能力 （使用trans表示）以及通讯设施运行能力（使用inf表示）。在控制变量过程中，本文用各个国家进出口总额对贸易开放度进行衡量，政府参与基础设施建设的程度则使用基础设施投资中政府投资或者补贴的比重，单位为%。国家公共交通运输能力则使用每年的承运能力，单位为万次。通讯设施运行能力则使用基站覆盖率表示，单位为%。

3.2 实证结果分析

本文使用STATA14.0 软件对基础设施投资效率与经济增长间的关系进行实证分析，普通最小二乘法模型（OLS）和空间杜宾模型（SDM）2个模型的实证结果如表4所示。

表4 东南亚国家面板数据空间杜宾模型回归结果

表4中的OLS 模型和SDM 模型的回归数据显示，所有变量均与经济增长显著性检验，但是显著性不同。其中，硬性基础设施资本投入、国外资本投入以及国家贸易开放度的显著性较强。

由此可以得出结论，东南亚国家软、硬性基础设施资本投入能够有效地推动经济发展，GDP可直接反应其影响程度，与此前理论分析结果基本保持一致。其中，硬性基础设施资本投入对经济增长的 影响程度最大，约为0.4754，即表示硬件基础设施资本投入每增加1%，东南亚国家的GDP增加0.47548 %。软件基础设施投资对经济增长的影响力相对较弱，仅为0.3421%。硬性基础设施建设侧重于国家发展的刚需，如铁路、现代化设备升级等，而软性基础设施则更倾向于公共服务类的建设，具有一定的隐藏性。

同时，国内劳动力投入虽然同样可以促进经济增长，但是其影响力只有0.0380%，主要原因包括两个方面，其一是目前经济发展依托的是人才的质量，而不是传统的从业人数规模；其二是由于模型中引入其他新经济增长控制变量，对劳动力的影响力进行了稀释。

最后，为了保证实证结果的准确性，对基础设施投资效率与经济增长间关系的内生性进行检验。经济增长可能作为政府开展基础设施投资的重要判断依据，从而影响各类投入变量，包括国内劳动力投入、国外资本投入和软、硬性等基础设施资本投入等解释变量，导致内生性问题，最终造成两者关系分析结果的偏差。因此，为了解决内生性问题，需要对最初的模型进行修正，本文应用的是两阶段最小二乘法（2SLS）方法。第一阶段回归分析时，将样本数据的平均值作为工具变量。结果显示，国内劳动力投入、国外资本投入和软、硬性等基础设施资本投入等解释变量等数据回归系数均没有明显降低，降幅控制在2%以内，显著性检验统计量F值均保持在40以上，意味着校验过程中选择的工具变量并不属于弱工具变量。在第一阶段回归分析的基础上进行第二阶段回归分析，结果显示国内劳动力投入、国外资本投入和软、硬性等基础设施资本投入等解释变量均对被解释变量产生了同样的正向影响，进一步验证了基础设施投资效率与经济增长间的关系，与前文的结论一致。

4 东南亚国家基础设施投资启示

通过对东南亚国家基础设施投资的效率评估结果和其与经济增长间关系的分析结果，结合中国等较为成功的发展中国家发展经验，对东南亚国家基础设施投资进行以下的启示和决策建议：

（1）注重区域间协同、协作及统筹发展。根据前文的分析结果可知，东南亚地区的第三世界国家整体虽然发展均衡，但是由于历史和地理环境的影响，导致样本国家中基础设施投资相关要素和指标数据存在较为明显的差异，譬如文莱和老挝。由此延伸到世界其他地区的第三世界国家，差异化将更为明显。因此，对于东南亚国家而言，需要加强国家间、不同行业、不同金融机构或者基础设施建设机构进行的合作和协同发展，提升基础设施投资的稳定性、可持续性、全局性，保证参与协作的各个国家均具有较为显著的基础设施投资效率。

充分发挥不同类型基础设施的先进性和基础性，结合城市和地区的发展需要，并利用区域化的“乘数效应”对不同地区和不同产业进行统筹发展，形成经济共同体，并加强区域发展和基础设施发展的联系，突出各个发展中国家的区域优势，形成稳健的基础设施体系和以旅游业为核心的周边产业。

针对不同国家的基本现状和发展需要，协同东南亚各国的道路资源、航运资源、市政资源，积极基础设施投资效率。宜农则农，宜旅游则旅游，宜生态则生态，对于东南亚国家，则可加强其旅游和交通等相关基础设施的建设，并根据其旅游业发展需要对环境方面的基础设施进行建设。通过行业协同政策，整合国内外的资金链条，实现项目的选准投向和有效性投资，提升东南亚各国基础设施体系的服务能力。

（2）对于东南亚样本国家中综合技术效率不变的国家，可通过创新项目的引进和创新性领域的技术发展带动国家的技术创新能力。在东南亚6个样本国家中，仅有印度尼西亚、文莱2个国家的综合技术效率不变，该数据显示以上两个国家的纯技术效率和规模效率基本保持持平的趋势，同时也表示在2010年至2020年期间样本国家的基础设施投资的配置效率成效显著。因此，东南亚各国需要首先保证现有基础设施配置效率始终处于有效的状态，同时增加基础设施的投资规模。同时提升基础设施投资的政治环境质量，充分利用亚洲其他国家的技术能力提升本国的技术创新能力和技术应用能力，最终提升本国基础设施的投资效率和投资效益。

（3）基础设施投资需要根据该国的发展规律和发展规划进行统筹计划。基础设施的投资和建设不是“短跑比赛”，而且其投资规模较大，收益周期较长，在实际的工作开展过程中，品质和合理性永远需要摆在首位。盲目的追求多数量的基础设施投资和建设，必然会导致设施重复建设和资源浪费。东南亚各国的经济基础较差，大多数情况需要引进外资进行设施建设。事实上，如果某个国家的纯技术效率不变，则表示该国的规模效益处于正在递增的阶段，亦表示该国的投资环境良好，如样本国家中的越南。相反，如果某个国家的纯技术效率不变，但是整体基础设施投资规模不断减弱，则表示目前其投资环境不佳，容易造成资源浪费，如样本国家中的柬埔寨。

5 结 论

发展中国家受地理和历史原因导致其经济发展情况处于劣势。基础设施建设是发展中国家发展的基础和原动力，且基础设施投资效率的高低关系到国家经济增长的态势。本文以东南亚国家为样本，结合SSBM模型测算分析各国基础设施投资效率和趋势，并利用ESDA模型对空间耦合协调度进行分析。同时，通过定义变量对进行基础设施投资效率与经济增长间的关系实证研究。从研究结果来看，东南亚国家在2010年至2020年间的基础设施投资效率在波动中提升，彼此间的差异性不大，且呈现聚拢趋势。软硬件基础设施投入对经济增长的影响和显著性最大，且两者对GDP的影响程度超过80%。