内容摘要:我国区域经济发展差距日益引起重视。一般认为，基础设施在区域空间系统形成与演进中发挥出基础性作用。因为，在社会化大生产和专业化分工过程中，市场范围的扩大以良好的基础设施为前提。但是，必须辩证地认识到，基础设施在空间层面的区域非均衡性往往受制于区域经济和社会发展的诸多差异性因素，两者是双向多重的动态相关关系。本文主要采用因子分析和结构方程模型这两种方法来分析我国省际基础设施差异及其影响因素的问题。

　　关键词：基础设施;省际差距;实证分析

　　20世纪中期以后，西方发达国家的经济增长率大幅下降，许多经济学家都对此产生浓厚的兴趣。诸多实证研究指向一点，即基础设施投资部分显得不足，以至于造成经济增长的缓滞。于是，基础设施的省际差距也应当会造成省际增长率的差异，基于此，学术界在涉及研究我国不同省份之间经济发展水平的差异时，往往要将基础设施作为外生变量放入计量模型。然而，基础设施所涉及的变量很广，而大多数学者都采用了比较“变通”的方式进行研究。比如选用铁路和公路密度(许召元和李善同，2006;罗长远，2006)、各种与基础设施相关的财政支出(郭庆旺和贾俊雪，2006)、城市化比率(踪家峰和李静，2006)等指标来指代基础设施。但这样会带来一些新的问题，比如指代基础设施的数据往往过于片面，根据这些指标得出的基础设施对经济增长的贡献值也就显得多少有些“单薄”。而且，基础设施更多地表现为实物，一味地采用价值量来衡量基础设施往往由于地区差异而减损了其本有的统计特征。举例而言，同样一笔用于基础设施的支出，即使是在上海和安徽这两个并不遥远的地方，所能带来的基础设施产出及其效应都会大不一样(骆永民，2008)。

　　基于上述讨论，本文十分关心如何能采用更多的指标来更加全面地反应基础设施的省际差异问题，并且哪些指标能够对基础设施的省际差异差生巨大影响。

　　一、基本方法简介

　　由于本文试图采用更加广泛的基础设施内容来进行分析，故而需要采用十几个甚至几十个指标来综合反映各个省份的基础设施，为此我们需要设计一些“潜变量”(由其他指标聚合而成的变量)。常规的设计潜变量的方法有两种，一种是基于主成分分析的因子分析，另一种是基于结构方程模型的所谓探索性因子分析。本文需要一方面讨论基础设施的省际差异，一方面讨论省际差异的原因，故而我们综合使用了两种方法。

　　基础设施是一个涵义十分丰富的概念，要想找到一个合适的指标来指代基础设施的全部内容也是徒劳的，于是为了尽可能少地损失各种指标所给我们带来的信息，因子分析和结构方程模型无疑是我们最好的选择。本文曾经试图采用主成分得分和主成分回归法来讨论基础设施的省际差异以及基础设施对经济增长的促进作用，但在分析之后发现该种方法本身存在一定的问题，且为经济增长和公共物品提供人为地确定了一个因果顺序。所以在讨论省际差异时为了直接得到相关的因子得分并为结构方程模型提供聚合方式的选择提供建议，本文主要采用了因子分析作为分析方法，而讨论省际差异的形成因素时，则主要采用结构方程模型进行分析。下面我们对因子分析和结构方程模型做一简介。

　　1、因子分析简介

　　因子分析是从研究矩阵内部各变量之间的相关关系出发，找出控制所有变量的少数几个公因子，将每个指标变量表示成公因子的线性组合，以再现原始变量与因子之间的相关关系。假设有N个样本，P个指标，X=(x1，x2，…，xp)T为可以观测的随机向量，要寻找的公因子为F=(F1，F2，...，Fm)T，模型为：

　　X1 = a11F1 + a12F2 + ...... + a1mFm + ε1

　　X2 = a21F1 + a22F2 + ...... + a2mFm + ε2

　　、…… ……

　　Xp = ap1F1 + ap2F2 + ...... + apmFm + εp(1)

　　在进行相关系数检验后求出各因子的得分值并进行分析。因子得分模型为：

　　Fi= bi1X1+ bi2X2 + …+ binXn, ( i= 1, 2 ,…, m ) (2)

　　本文将采用主成分分析法来选择公共因子，并结合SPSS统计软件进行分析。具体的分析步骤如下：

　　第一，进行信度分析，看这些指标是否内在一致。目前国外最常用的信度指标是Cronbach的α信度系数。Cronbach认为，α小于0.35为低信度，在0.35和0.7之间为中信度，在0.7以上为高信度。

　　第二，在进行因子分析之前，还必须进行KMO抽样适当性参数(Kaiser-Meyer-Olkin Measure of Sampling Adequacy)检验和Bartlett球形检验(Bartlett’s Test of Sphericity)。前者衡量的是这些变量之间的偏相关性。通常认为，该值在0.7以上效果较好，0.6时效果很差，0.5以下不适合进行因子分析。后者衡量的是这些相关阵是否是单位阵，若拒绝该假设则说明这些变量之间的确存在相关关系。这两个参数检验皆通过，则说明这些变量间存在共同因素，适合进行因子分析。

　　第三，对选入的指标进行因子分析，按照相应的计量要求提取公共因子，并以公共因子的大小指代相应基础设施的提供情况。

　　2、结构方程模型简介

　　因子分析可以得到反映基础设施省际水平的因子得分，但这一得分却并不十分适宜进行影响因素回归分析。因为影响因素很可能和基础设施是双向因果关系，比如GDP差距既是基础设施差距的原因，同时也是基础设施差距形成的结果。这样常规的回归分析显得十分无力，而我们采用的又是截面数据，不可能采用双向因果的VAR模型或者其他相关模型进行内生化模型研究。为此，能同时处理双向因果关系或者相关关系的结构方程模型就显得十分可取。下面我们介绍一下结构方程模型的基本用法。

　　结构方程模型( Structural Equation Modeling,简称SEM)是一种非常通用的综合性统计分析技术和模型方法，主要利用联立方程求解。而这种分析方法又显然不同于计量经济学中的联立方程模型，计量经济学中的联立方程模型只能处理可测量的变量间的复杂关系，而结构方程模型不仅可以处理可测变量间的相互因果联系，更能利用因子分析的方式构建多个“潜变量”，并讨论潜变量之间或者潜变量和可测变量之间的复杂关系。显然，结构方程模型为高度抽象并难以测量的变量提供了进行计量的可能。正是因为结构方程模型的这种显著优越性，才使其成为近年来心理学、社会学和经济学研究中极其重要的实证方法，其具体的估计方式可用如下方程式表达：

　　测量方程：x =Λxξ+δ，y =Λyη +ε (3)

　　结构方程：η =Bη +Γξ+ζ (4)

　　方程中各变量含义如下：x为外生观测变量(在因子分析中用来生成外生潜变量的那些变量)，ξ为外生潜变量，Λx为外生观测变量在外生潜变量上的因子载荷矩阵，δ为外生观测变量的误差项。y为内生观测变量(在因子分析中用来生成内生潜变量的那些变量)，η为内生潜变量，Λy为内生观测变量在内生潜变量上的因子载荷矩阵，ε为内生变量的误差项。B 和Γ都是路径系数，B 表示内生潜变量之间的关系，Γ则表示外生潜变量对于内生潜变量值的影响，ζ为结构方程的误差项。

　　既然SEM模型可用来考虑潜变量之间的相互关系的复杂模型，则本文“潜变量”问题、多重共线性、双向因果关系等系列问题都得以很好地解决。

　　二、 数据选取

　　1、指标选择

　　这里我们采用中国大陆31个省份2008年的截面数据进行了因子分析。数据均来源于《中国统计年鉴2009》。通过对指标的相关系数、依存度等指标的考察，本文从40多个指标中筛选出17个指标来指代基础设施的省际水平，表达如下：

　　1.反映城市基础设施的指标：年末城市实有道路面积(X01，万平方米)、年末城市实有道路长度(X02，公里)、城市排水管道长度(X03，公里)、城市污水日处理能力(X04，万立方米)、城市道路照明灯数量(X05，千盏)。上述指标为能够进行省份间的可比性，采用城市城区面积进行密度化处理。

　　2.反映环保基础设施状况指标：废水治理设施数(X06，套)、工业废水排放达标量(X07，万吨)。采用各省面积进行密度化处理。

　　3.反映邮政和通讯基础设施的指标：长途自动交换机容量(X8，路端)、本地电话局用交换机容量(X9，万门)、移动电话交换机容量(X10，万户)、互联网宽带接入端口(X11，万个)。采用各省面积进行密度化处理。

　　4. 反映交通基础设施的指标：铁路营业里程(X12，公里)、公路营业里程(X13，公里)。采用各省面积进行密度化处理。

　　5.反映公共医疗卫生基础设施的指标：每千人口拥有的卫生技术人员数量(X14，人)、每千人口拥有的注册执业医师(X15，人)、每千人口拥有的注册执业护士(X16，人)、每千人口拥有的医疗机构床位数(X17，张)。

　　本文使用上述17个指标进行了因子分析，根据特征值大于1的原则选定几个公共因子并使用回归法计算出因子得分，根据因子得分讨论了各省在特定基础设施方面的差别。随后采用结构方程模型，使用指代经济发展水平的人均GDP、消费水平、人口密度、二三产业比重、财政分权度、城市化水平、劳动力数量等指标来检验各省基础设施提供状况和经济发展水平的相关性。现对指标进行一个简介：

　　1.人均GDP(元/人)，写为pgdp，用以反映该省的经济发展水平。

　　2.消费水平(亿元)，写为pc，用以反映该省的市场经济状况。

　　3.人口密度(人/平方公里)，pd，用以反映该省基础设施的外部性作用范围，人口密度越大，基础设施的效能越高，外部性越大。

　　4.二三产业从业人口比重(%)，写为tti，用以反映人均变量情况下的人力资本结构并从一定程度反映平均人力资本质量。

　　5.财政分权度(%)，写为Fd，计算公式为：省级人均财政支出/(省级人均财政支出+中央人均财政支出)，方法来自乔宝云(2005)、温娇秀(2006)等文献，用以反映该省财政权力的集中程度。

　　6.城市化水平(%)，写为cityl，使用城市人口占总人口的比重作为代理变量。

　　7.劳动力数量(万人)，写为worker，用以代表当地人力资本状况。

　　2、描述性统计

　　为了方便行分析，这里给出上述24个变量的描述性统计，具体情况见表1：

　　表1. 文中涉及变量的描述性统计 变量 最小值 最大值 均值 标准差 变量 最小值 最大值 均值 标准差 X01 0.439 3.961 1.717 0.878 X13 0.960 4.790 0.734 6.952 X02 0.734 6.952 3.032 1.552 X14 0.680 4.500 0.531 6.016 X03 0.531 6.016 2.052 1.145 X15 2.060 7.000 3.357 0.136 X04 0.000 0.136 0.070 0.037 X16 15.721 673.138 0.024 0.346 X05 0.024 0.346 0.111 0.071 X17 448.820 19420.61 0.114 3023.649 X06 0.114 3023.65 294.734 552.457 Pgdp 8824.000 73124.00 2.397 69871.622 X07 2.397 69871.622 7826.979 13104.926 Pc 3504.000 27343.00 514.33 1109606.42 X08 514.331 1109606.42 81691.318 201507.322 Pd 2.510 3189.966 1.100 2368.581 X09 1.100 2368.58 223.138 442.760 Tti 37.353 94.488 1.106 5692.568 X10 1.106 5692.57 502.080 1042.049 Fd 0.630 0.930 0.101 1032.625 X11 0.101 1032.63 67.210 186.950 Cityl 22.610 88.600 2.210 12.210 X12 2.210 12.210 0.439 3.961 Worker 160.400 5835.5 2353.28 1644.167

　　三、基础设施省际差异的实证分析：基于因子分析方法

　　按照前文介绍的因子分析方法，下面我们来看一下基础设施省际差异的具体情况。采用X01～X17指标，信度分析和适当性检验结果如表2：

　　表2. 信度检验和适当性检验结果 信度检验 适当性检验 Cronbach’α系数 Bartlett检验 KMO检验 0. 710 卡方值：1376.27;P值：0.000 0.753 这里的Cronbach’α系数为0.710，属于高信度区域所以可以认为这些指标存在内部一致性。从Bartlett检验得到的P值可知，该检验已经通过。KMO系数为0.753，大于0.7，说明变量间相关性较高。选用主成分分析法提取公共因子，进行因子分析后的结果如表3：

　　表3. 因子分析结果：对应公共因子的特征根以及方差贡献率 初始特征值及方差贡献率 未旋转提取因子的载荷平方和 旋转后提取因子的载荷平方和 特征值 贡献率 累计 特征值 贡献率 累计 特征值 贡献率 累计 1 9.277 54.569 54.569 9.277 54.569 54.569 6.051 35.593 35.593 2 3.838 22.574 77.142 3.838 22.574 77.142 4.994 29.379 64.972 3 1.913 11.251 88.394 1.913 11.251 88.394 3.982 23.421 88.394 4 0.931 5.479 93.872 5 0.353 2.078 95.950 6 0.309 1.820 97.771 7 0.130 0.763 98.533 8 0.104 0.612 99.145 9 0.061 0.358 99.503 10 0.040 0.235 99.739 11 0.019 0.110 99.849 12 0.010 0.061 99.910 13 0.008 0.046 99.956 14 0.003 0.019 99.975 15 0.002 0.013 99.988 16 0.002 0.009 99.997 17 0.000 0.003 100.000 从分析的结果看，根据特征值大于1的原则，选入三个公共因子，名之为F1、F2、F3，这三个公共因子的累计方差贡献率为88.39%，同时由于这三个公共因子在原始变量上的载荷值不好解释，于是进行了方差最大化正交旋转，经过五次旋转后，得到的载荷矩阵如表4：

　　表4. 旋转后各指标在三个公共因子上的载荷量 变量 因子F1 因子F2 因子F3 变量 因子F1 因子F2 因子F3 X01 -0.164 -0.081 0.949 X10 0.866 0.472 -0.075 x02 -0.115 -0.155 0.962 X11 0.860 0.443 -0.087 X03 0.070 -0.004 0.836 X12 0.264 0.950 -0.120 X04 0.284 -0.108 0.813 X13 0.235 0.949 -0.178 X05 -0.207 -0.084 0.841 X14 0.325 0.921 -0.102 X06 0.935 0.283 -0.019 X15 0.330 0.913 -0.046 X07 0.956 0.204 -0.009 X16 0.840 0.596 -0.053 X08 0.867 0.435 -0.086 X17 0.762 0.061 0.042 X09 0.860 0.489 -0.073 从表4可以看出，主因子F1主要表示交通、通讯、环保这三类基础设施的情况，主因子F2主要表示医疗基础设施的情况，主因子F3主要表示城市基础设施的情况。我们发现，交通、通讯和环保这三类基础设施主要反映了省份的经济性基础设施情况，为此我们命名F1为主要反映省份经济性基础设施状况的主因子。有了上述分析，下面我们可以给出各省份的三个主因子得分，并且同时给出综合的因子得分，具体结果见表5。综合因子得分的计算方式如下：

　　F=(35.593×F1+29.379×F2+23.421×F3)/88.394

　　表5. 各省份的综合得分及相关经济发展水平数据 各个省份 F1 F2 F3 F 各个省份 F1 F2 F3 F 北京 -0.705 4.069 -1.047 0.791 河南 0.518 -0.696 1.563 0.392 天津 0.261 1.552 1.401 0.992 湖北 0.004 -0.445 -0.554 -0.293 河北 -0.010 -0.350 -0.097 -0.146 湖南 0.095 -0.544 0.580 0.011 山西 -0.472 0.333 -0.266 -0.15 广东 0.542 -0.254 -0.237 0.071 内蒙古 -0.838 0.091 -1.581 -0.726 广西 0.101 -0.861 -0.528 -0.385 辽宁 -0.591 0.731 -0.563 -0.144 海南 -0.334 -0.146 0.109 -0.154 吉林 -0.728 0.368 -1.155 -0.477 重庆 0.411 -1.082 -1.170 -0.504 黑龙江 -0.721 0.327 0.942 0.068 四川 -0.254 -0.570 -0.162 -0.335 上海 4.621 1.381 -0.416 2.21 贵州 -0.032 -1.047 -0.609 -0.522 江苏 1.060 -0.527 0.845 0.476 云南 -0.319 -0.471 0.406 -0.177 浙江 0.495 0.017 -0.182 0.157 西藏 -0.735 -0.360 -1.078 -0.701 安徽 0.262 -0.883 -0.236 -0.251 陕西 -0.439 0.132 2.200 0.45 福建 0.404 -0.835 -0.252 -0.182 甘肃 -0.402 -0.409 0.433 -0.183 江西 -0.037 -0.452 1.484 0.228 青海 -0.832 0.098 -0.498 -0.435 山东 0.299 -0.271 -0.413 -0.079 宁夏 -0.563 0.040 -1.194 -0.53 新疆 -1.065 1.065 2.276 0.528 从得分值来看，经济性基础设施较好的省份是天津、上海、江苏、浙江、安徽、河南、广东、重庆等省份，其中河南和安徽之所以经济性基础设施较好，主要原因在于其优越的地理位置造就了很好的铁路和公路密度所致。而北京的经济性基础设施之所以较差，主要由于环保基础设施不够优越。医疗基础设施最好的省份是北京、天津、上海和新疆，新疆的医疗条件之所以能够排到前列主要是因为其地广人稀且从医人员较多所致。城市基础设施较好的省份主要有天津、黑龙江、江苏、江西、河南、陕西和新疆，之所以出现这么多中西部省份城市基础设施良好的情况，是因为中西部城市的基础设施是从无到有建设起来的，一方面政府的支持力度较大，另一方面也在于低廉的建设成本，地广人稀的人口状况也为其指标值的提高做出较大贡献。从综合得分看，上海的得分最高，京津地区次之，而后是新疆、江苏、陕西和河南。故而从区域层面看，东部地区长三角的基础设施最好，中部地区是河南，西部地区是陕西和新疆。为直观，本文画出了各省依照因子得分的分布图。

　　图1. 各省依照因子得分分布图

　　四、基础设施省际差异的形成因素研究：基于结构方程模型

　　1、模型设计

　　本文的模型设计逻辑图见图2。结构方程模型的设计之初，我们要尽可能考虑所有可能的关系，故而除了依照因子分析进行探索性因子分析外，我们还加入了诸多回归关系。图中双向箭头就表示双向因果回归关系，单向箭头表示单方向因果回归关系。方框表示外生变量，椭圆表示内生潜变量。

　　图2. 结构方程模型设计

　　在进行完模型设计之后，笔者展开了实证分析，完全依照上述图形进行的实证分析表明，所有基础设施和外生解释变量之间的双向因果关系并不显著，故而我们放弃分析这种双向关系，转而专门分析本文的主题：是什么因素造成了基础设施的省际差距，这些影响的大小又是多少?于是图4.2中人均GDP等变量和基础设施之间的双向箭头，就变为由人均GDP等变量指向基础设施的单向箭头。需要特别指出的是，为了达到SEM模型的样本要求，我们将数据扩展为2000年到2008年这9年的数据共279个样本单元。

　　2、估计结果

　　在进行具体的实证分析之前，我们先给出模型的整体检验情况，本文使用的软件是AMOS7.0。检验估计结果见表6。

　　表6. 模型整体拟合情况的相关检验 统计量 卡方 自由度 P值 NFI RFI IFI TLI CFI CMIN/DF RMSEA 模型指标 20940 243 0.000 0.901 0.773 0.966 0.839 0.953 1.921 0.015 表6中的卡方拟合指数检验的原假设是模型协方差阵等于样本协方差阵。如果模型拟合数据的原假设是真实的，则会获得大的或较大卡方值，返回的概率小于0.001。本文的模型显然达到这一要求。对于其他指数的解释是这样的：NFI 是规范拟合指数，变化范围在0和1间，1 = 完全拟合，按照约定，NFI 小于0.90 表示需要重新设置模型。RFI 是相对拟合指数，它不保证其值的变化范围在0和1间，RFI 接近1表示拟合良好。IFI 是增值拟合指数，它不保证其值的变化范围在0和1间。IFI接近1表示拟合良好，大于0.90为可接受拟合。 TLI 是Tucker-Lewis 系数，也叫做Bentler-Bonett 非规范拟合指数(NNFI)。TLI不保证其值的变化范围在0和1间。TLI接近1表示拟合良好。CFI 是比较拟合指数，其值位于0和1之间。CFI 接近1表示拟合非常好，其值大于0.90表示模型可接受。CMIN/DF 是最小样本差异除以自由度。被称之为相对卡方或规范卡方。显然该值越小越好。当相对卡方大于2或3时，保守的使用就需要拒绝模型。RMSEA是近似误差均方根，按照惯例，如果 RMSEA 小于或等于0.05，模型拟合的好。如果 RMSEA 小于0.08，有适当的模型拟合。根据上述解释，本文的模型完全符合所有检验，是一个拟合较好的模型。为此，我们可以依据模型设定的路径进行分析。表7给出了所有需要估计的路径系数的参数值。其中为了方便估计，部分路径系数的值被设计成1, 这是结构方程模型估计中必须的，为了避免我们认为设定的路径系数1的影响，表格的最后一列给出了标准回归系数。

　　见表7，首先看探索性因子分析部分，也即三类基础设施对各类基础设施指标(共17个)的聚合情况，其结果十分显著，说明前文所用因子分析很好地为这里的探索性因子分析提供了研究路线。下面我们重点分析一下各种外生变量对基础设施省际差异的影响。首先看财政分权度，财政分权对三类基础设施的影响都是显著的。从标准回归系数来看，财政分权度对经济性基础设施的正面影响最大，其次为城市基础设施。但财政分权度对医疗基础设施的改进毫无益处并且负面效果很强。这说明，中央政府向地方政府的财政权力下放，会导致地方政府更加注重地方经济性基础设施和城市基础设施建设，而忽略医疗基础设施的建设。从人均GDP的回归结果看，人均GDP对三类基础设施的作用均为正方向，这说明一个地区的经济发展水平对基础设施的优良状况具有决定性作用。从消费水平对基础设施的影响来看，其对城市基础设施和经济性基础设施的作用为正，但对医疗基础设施的作用为负，这说明消费水平越高的地区，医疗基础设施的差距反而越大，这说明如果一个区域的消费水平如果过高，则很可能影响人们在医疗上的花费，进而影响医疗基础设施的发展水平。劳动力的数量对城市基础设施和经济性基础设施的作用均为负，但对医疗基础设施的作用为正。这说明我国健康人力资本状况不良，劳动人口越多，医疗花费越高，医疗基础设施的水平也就越高。而如果劳动人口多，经济性基础设施和城市基础设施也会显得拥挤，从而产生负面影响。有意思的是，人口密度越高的区，三类基础设施均越好，这说明政府对基础设施的投入安排，或多或少地受到人口密度的影响，并认为人口密度更高的地区，能够更好地实现基础设施对经济增长的正外部性作用。二三产业人口比重对城市基础设施的作用为正，对医疗和经济性基础设施的作用为负，出现这一情况的原因在于，二三产业人口比重越大，城市的规模往往越大，这会导致医疗基础设施和经济性基础设施的拥挤并产生不良影响，但对城市基础设施的影响为正。

表7. 所有路径系数的估计结果 回归估计项目及方向 回归系数 标准差 临界值 P值 标准回 归系数 城市基础设施 <--- Fd 1 　 　 　 0.004 经济性基础设施 <--- Fd 283.334 139.797 2.027 0.043 0.045 医疗基础设施 <--- Fd -29109.4 141.261 -206.068 *** -0.143 医疗基础设施 <--- Pgdp 1 　 　 　 0.928 经济性基础设施 <--- Pgdp 0.004 0.001 5.414 *** 0.124 城市基础设施 <--- Pgdp 0.0039 0.001 0.355 0.023 0.096 医疗基础设施 <--- Pc 1 　 　 　 0.301 经济性基础设施 <--- Pc 0.038 0.003 12.333 *** 0.364 城市基础设施 <--- Pc 0 0 -5.482 *** -0.098 医疗基础设施 <--- Worker 1 　 　 　 0.099 经济性基础设施 <--- Worker -0.026 0.007 -3.66 *** -0.082 城市基础设施 <--- Worker -0.003 0 -10.583 *** -0.19 医疗基础设施 <--- Pd 1 　 　 　 0.035 经济性基础设施 <--- Pd 0.794 0.047 16.789 *** 0.892 城市基础设施 <--- Pd 0.004 0.001 6.078 *** 0.109 医疗基础设施 <--- Cityl -96.651 0.771 -125.326 *** -0.087 城市基础设施 <--- Cityl 1 　 　 　 0.029 经济性基础设施 <--- Cityl -1.059 0.027 -38.872 *** -0.713 医疗基础设施 <--- Tti -113.535 0.798 -142.235 *** -0.099 经济性基础设施 <--- Tti -6.539 0.862 -7.59 *** -0.183 城市基础设施 <--- Tti 1 　 　 　 0.651 X06 <--- 经济性基础设施 1 　 　 　 0.958 X07 <--- 经济性基础设施 22.686 2.162 10.494 *** 0.92 X08 <--- 经济性基础设施 374.721 22.416 16.717 *** 0.991 X09 <--- 经济性基础设施 0.824 0.049 16.776 *** 0.992 X10 <--- 经济性基础设施 1.951 0.109 17.945 *** 0.998 X11 <--- 经济性基础设施 0.348 0.02 16.999 *** 0.993 X16 <--- 经济性基础设施 5.528 1.367 4.044 *** 0.604 X17 <--- 经济性基础设施 0.197 0.044 4.486 *** 0.646 X12 <--- 医疗基础设施 0 0 13.764 *** 0.929 X13 <--- 医疗基础设施 0 0 12.626 *** 0.917 X14 <--- 医疗基础设施 1 　 　 　 1 X15 <--- 医疗基础设施 0 0 16.132 *** 1 X01 <--- 城市基础设施 1 　 　 　 1 X02 <--- 城市基础设施 9.315 0.041 228.898 *** 1 X03 <--- 城市基础设施 0.514 0.002 216.845 *** 1 X04 <--- 城市基础设施 0.335 0.002 221.825 *** 0.947 X05 <--- 城市基础设施 17.018 0.079 216.716 *** 1 注：***表示在1%的显著性水平下显著。单箭头指向的变量是被解释变量(或潜变量)，起始端是解释变量(或形成潜变量的观测变量)。

　　五、 结论

　　本文主要采用因子分析和结构方程模型这两种方法来分析中国省际基础设施差异及其影响因素的问题。

　　通过因子分析发现，经济性基础设施较好的省份是天津、上海、江苏、浙江、安徽、河南、广东、重庆等省份。医疗基础设施最好的省份是北京、天津、上海和新疆。城市基础设施较好的省份主要有天津、黑龙江、江苏、江西、河南、陕西和新疆。从综合得分看，上海的得分最高，京津地区次之，而后是新疆、江苏、陕西和河南。故而从区域层面看，东部地区长三角的基础设施最好，中部地区是河南，西部地区是陕西和新疆。

　　通过结构方程模型的分析发现，文中所列各类外生变量均对基础设施的省际差异产生显著影响。其中财政分权度对经济性基础设施的正面影响最大，其次为城市基础设施，但对医疗基础设施的改进毫无益处并且负面效果很强。人均GDP对三类基础设施的作用均为正方向。消费水平对城市基础设施和经济性基础设施的作用为正，但对医疗基础设施的作用为负。劳动力的数量对城市基础设施和经济性基础设施的作用均为负，但对医疗基础设施的作用为正。人口密度越高的区，三类基础设施均越好。二三产业人口比重对城市基础设施的作用为正，对医疗和经济性基础设施的作用为负，这和城市化水平对基础设施的影响方向是一致的。

　　参考文献：. Anselin, L.Spatial Econometrics : Methods and Models[M]. Dordrecht: Kluwer Academic, 1988. Arrow,K.J.andKurz,M. Public Investment, the Rate of Return, and Optimal Fiscal Policy[M].John Hopking Press,1970. Davoodi, H., Zou, H. Fiscal Decentralization and Economic Growth: A Cross—countryStudy[J]. Journal of Urban Economics, 1998, (43): 244 -257. Demurger, S.地理位置与优惠政策对中国地区经济发展的相关贡献[J].经济研究,2002,(9). Duffy – Deno, K.T., Eberts, R.W. Public Infrastructure and Regional Economic Development: A Simultaneous Equations Approach [J]. Journal of Urban Economics ,1991, 30 (3):329-43. Munnell,A.H. Infrastructure investment and economic growth [J ]. Journal of economic perspectives, 1992, 6 (4) :189-198. Wen, M. Infrastructure and Evolution in Division of Labor[J].Review of Development Economics, 1997 (1):191-206 伍文中.财政支出竞争与省际基础设施建设趋同性研究[J].经济经纬，2010(1). 高铁梅.计量分析方法与建模[M].北京：清华大学出版社，2006. 郭庆旺，贾俊雪.基础设施投资的经济增长效应[J].经济理论与经济管理, 2006(3). 刘伦武. 基础设施投资对经济增长推动作用研究[D].江西财经大学, 2003. 罗长远.FDI、国内资本与经济增长：1987 -2001年中国省际面板数据的证据[J].世界经济文汇, 2006(3). 许召元，李善同.近年来中国地区差距的变化趋势[J].经济研究, 2006(7). 张学良.中国交通基础设施与经济增长的区域比较分析[J].财经研究，2007(8). 骆永民.城乡基础设施均等化供给研究[M] ,北京:经济科学出版社,2009 踪家峰，李静.中国的基础设施发展与经济增长的实证分析[J].统计研究，2006(7).