《表5 2SLS计量结果：产业集聚与企业出口国内附加值:GVC升级的本地化路径》

  提示：宽带有限、当前游客访问压缩模式

本系列图表出处文件名：随高清版一同展现

《产业集聚与企业出口国内附加值:GVC升级的本地化路径》

1. 获取 高清版本忘记账户？点击这里登录

1. 下载图表忘记账户？点击这里登录

注：Kleibergen-Paap统计量中{·}内的数值为Stock-Yogo检验10%水平上的临界值。限于篇幅未报告控制变量估计结果，可向作者索取。

一个合适的工具变量不仅要与内生变量相关，还必须满足与误差项不相关的排除性约束（exclusion constraint）或者说外生性条件（Angrist and Pischke，2009）。通常来说，为保证外生性条件，相对固定的人口、地理或历史等变量是较好的工具变量，因此，与Ciccone和Hall（1996）、Li和Lu (2009）、Combes等（2010）以历史人口数据作为产业集聚工具变量的做法一致，本文选取1993年县级层面人口数对数值 (15）为产业集聚的工具变量。表5中的模型（5.1）报告了相应的两阶段最小二乘法（2SLS）估计结果。从中可知，Kleibergen-Paap rk LM检验在1%水平上拒绝了工具变量识别不足的零假设，Kleibergen-Paap Wald rk F统计量大于Stock-Yogo检验10%水平上的临界值，拒绝了工具变量是弱识别的原假定，这表明工具变量与潜在的内生变量之间具有较强的相关性。进一步地，我们也对产业集聚的稳健性指标，即包括自身就业人数的产业集聚指标（agg1）进行了类似的内生性处理，模型（5.2）结果显示，此时仍通过了识别不足和弱识别检验。综上而言，本文选取的工具变量是较为合理的，表5中各个模型的估计结果是可取的。结果显示，即使考虑了可能存在的内生性问题，产业集聚对企业出口DVAR仍具有显著的促进作用，本文的核心结论依旧成立。