Empirical Estimation on Effects of Infrastructure Spending in China with Chinese Provincial Data

Model in this paper is based on the formal model developed in Rauch (1994, 1995) and revised in Zhang (2007). The mechanism of growth is modeled very simply so that attention can be focused on the infrastructure spending decision-making determination.

This empirical estimations are based on panel data from 1995-2006 for 30 provincial units including four municipal cities directly under the central government. The dependent variable is the infrastructure growth rate per capital. The infrastructure is measured by the explanatory variables including the base infrastructure investment, the Foreign Direct Investment (FDI) per capital, the Gross Domestic Product (GDP) per capital, the local governments scale, the local governments’ budget revenue per capital and urban and rural saving per capital.

We fit our determination model to these provincial-level data as follows:

(1)

where i and t indicate province and year, respectively. y denotes the log value of infrastructure spending per capital, so the left side indicates the increase rate of infrastructure spending per capital. I put lagged operator  as an explanatory variable because the infrastructure spending has always lasted successively for more than one year, so the previous spending has effect on the spending of next year. represents log value of other explanatory variable except lagged y.  is the provincial differences and the error term.

Now, make the first differentiation of function (1) so that the provincial effects equal to zero. Then

(2)

To estimate this model, we have to control the endogenous problem. For example,  is endogenous because of the successive effects of infrastructure spending. Other independent variables, such as FDI per capital and GDP per capital, are also not strictly exogenous. The reasons were mentioned previously that FDI and GDP are the most obvious measurements in yardstick competitions of local governments in China, so they sat increase goals based on the performance of last year to push developments.

Regarding to variables’ properties, I choose to use General Method of Moments (GMM) to estimate this dynamic panel data. The GMM methods including difference GMM and system GMM were developed by Arellano-Bond (1991) and Arellano-Bover (1995)/Blundell-Bond(1998) . Both GMM methods are general estimators designed for situations with1) small T, large N, panels meaning few time periods and many individuals; 2) a linear functional relationship; 3) a single left-hand-side variable that is dynamic, depending on its own past realizations; 4) independent variables that are not strictly exogenous, meaning correlated with past and possibly current realizations of the error; 5) fixed individual effects; and 6) heteroskedasticity and autocorrelation within individuals, but not across them. Arellano-Bond estimation starts by transforming all repressors, usually by differencing, and uses the Generalized Method of Moments (Hansen1982), and so is called difference GMM. Then Arellano-Bover/Blundell-Bond estimator augments Arellano-Bond by making an additional assumption, that first differences of instrument variables are uncorrelated with the fixed effects. This allows the introduction of more instruments, and can dramatically improve efficiency. It builds a system of two equations the original equation as well as the transformed one and is known as system GMM.

In this estimation, I built a linear function and have 360 observations which only covering 12 years (see Appendix 1). Left-hand-side variable (infrastructure spending increase rate) is dynamic, depending on its own previous realization. Independent variables on right-hand side are not strictly exogenous.  The Hausman test statistic is 121.91 (p=0), based on which the null hypothesis that difference in coefficients is not systematic cannot be rejected. So I assume there are fixed effects among individuals. I also assume heteroskedasticity and autocorrelation within provinces, but not across them. I will add time dummies as exogenous repressors to make this assumption more likely to hold.

Infrastructure spending

The infrastructure spending in every province during 1995-2006 are multiplied by three indexes: spending in the production and supply of electricity, gas and water; spending in transportation, storage and post; spending in management of water conservancy, environment and public facilities. All the data are from Chinese Census Yearbook (1996-2007) and are deflated by provincial fixed investment price indexes which also provide by Chinese Census Yearbook (see Appendix 1).

FDI per capital

Abundant FDI inflows have been proved to play a great role of the economy take-off in China, because these investments can bring capital and technology to it. So FDI is one of the vital measurements to value a governor’s achievements during his tenure. This paper uses the registered foreign capital by region at the year-end which is counted by US dollar. And I use the American GDP deflator as the dollar price index to adjust the amount of FDI every year. The good infrastructure is basically required by foreign investors. The data show positive coefficient between FDI amount and infrastructure spending.

Zhang and Chen (2007) examine the impact of intergovernmental fiscal competition on local public expenditure in China under current performance assessment system in which GDP is a critical factor. Also, they regress the share of FDI on different components of provincial public expenditure, and find that the share of FDI is correlated positively with infrastructure development.

Government scale

The bureaucratic professionalization can have positive effect on the increase of infrastructure spending (Rauch 1995). This paper uses the administrative fees per capital in provinces to weigh the scale of local governments. The expanding government scale reflects the bureaucratic professionalization in China and also indicted strengthen of governments’ functions in economy.

GDP per capital

Although the GDP rate of whole China has kept high speed in last twenty years, the different provinces showed distinct performance. For example, the poorest provinces, which have the lowest average GDP per capita, are mostly in the interior. On the contrary, the prosperous provinces with high GDP per capita are in the coastal region, such as Guangdong Province. The increase ratio of GDP per capital is another most important measurement to judge the governors’ performance. This variable is expected to estimate whether there are income effects in infrastructure investment, meaning central government would enlarge transfer to poorer provinces as infrastructure funding.

Budget Revenue per capital

Generally, the amount of revenue and needs of expenditure determine the very expenditure scale in specific projects through budgetary system. However, the budgetary revenue and budgetary expenditure only tell part story of real government revenue and expenditure. The off-budget revenue, such as land leasing revenue, amounts to about a large number of total local government revenue. Although some scholars (Ping, 2006) had tried to estimate the amount of off-budgetary revenue, there was not exact number which was popularly accepted yet. Hence, this variable is just anticipated to estimate the coefficient between budgetary revenue and infrastructure spending.

Saving per capital

Since Chinese local governments are not allowed to issue municipal bond, many infrastructure projects are done through unofficial borrowing from private investment companies or commercial banks. The capital of these private investment companies also come from related banks. Several national banks, such as National Development Bank (CDB), are encouraged to make long-term infrastructure loans to local governments.  As of the end of 2003, for example, CDB's outstanding balance of loans for urban infrastructure construction projects stood at RMB226.9 billion ($US27.4 billion). Since the infrastructure loans are mostly in charge of local branches of these banks, this variable is expected to estimate the effects of provincial financial resource in infrastructures spending.

In addition, three time dummies are included in regression (Dummy1995, Dummy1999, and Dummy2002). Dummy1995 and Dummy1999 equal to 1 at same year, otherwise equal to 0. Dummy1995 controls the lagged effects of infrastructure overinvested in 1993-1994. Dummy1999 controls the lagged effects of East Asian financial crisis in 1998 on China’s economy. Dummy2002 equals to 1 before 2002, and equals to 0 after 2002. The motivation of introducing this instrument variable to model is expected to control the Olympic effects on infrastructure spending because many Olympic facilities, like stadiums, began to build since 2002. These Olympic infrastructures concentrated in several cities, especially Beijing.

 

Yang He, PhD in economics

Associate Professor

School of Taxation, Central University of China