World Bank Document

Table 2: Examples of studies analyzing the relationship between physical infrastructure and economic variables 
Dependent 
variable 
Study 
Level of 
aggregation 
Period Specification 
Infrastructure 
variable 
Method 
Findings 
Limitations in the 
methodology used 
A
G
D
P/
In
co
me
 
Garcia-Mila and 
McGuire (1992) 
US States 
1970 
to 
1983 
Cobb-
Douglas; Log 
levels 
Highway 
OLS 
Two publicly provided inputs – highways and education 
have significant and positive effects on output. Estimated 
effect of highway is 0.045*** 
Endogeneity; Reverse 
causality; Common 
trends 
Rives and 
Heaney (1995) 
US 
Community 
1990 
Levels 
Index of sewer 
capacity, water 
plant capacity, and 
highways 
OLS 
A composite measure of the level economic development 
(index as a function of population, employment, property 
values, and income) is affected positively by physical 
infrastructure (0.205**) 
Endogeneity; Reverse 
causality 
Lewis (1998) 
Kenyan 
municipalities 
1994 
Levels 
Roads and water 
OLS 
Impact of public infrastructure in the roads and water 
sectors on municipal incomes is significant using OLS 
estimator (0.009*), but becomes insignificant employing 
2SLS (0.026) 
Endogeneity 
2SLS 
Lall 1999 
Indian States 
NA 
Cobb-
Douglas; Log 
levels 
Public investments 
in physical 
infrastructure 
OLS 
OLS estimate indicates that an increase in economic 
infrastructure investment has positive effect on regional 
output. However, FE, SUR and 2SLS models indicate 
negative relationship. Results are robust across lagging, 
intermediate and leading states 
Measurement error; 
Reverse causality 
FE 
SUR 
2SLS 
Estache, 
Speciale, and 
Veredas (2005) 
Sub-Saharan 
African 
Countries 
1976 
to 
2001 
Cobb-
Douglas; Log 
levels 
Telecoms, roads, 
electricity, and 
water 
GLS 
All infrastructure sub-sectors, are shown to be statistically 
significant engines of growth (0.19*** to 0.57***) 
Relying on assumptions; 
Aligned with the 
weaknesses of Solow 
model 
Zou et al. (2008) 
Chinese 
Provinces 
1994 
to 
2002 
Cobb-
Douglas; Y-
Log levels; 
X-Levels 
Road density 
FE 
Higher growth level in East and Central China comes 
from better transport infrastructure. Estimated coefficient 
for road is 4.224*** 
Reverse causality 
Banerjee et al. 
(2012) 
Chinese 
Counties 
1986 
to 
2003 
Log levels 
Distance of 
transportation lines 
FE 
Proximity to transportation networks have a moderate 
positive causal effect on per capita GDP levels across 
sectors. Elasticity between the distance to the line and per 
capita GDP is -0.0672*** 
Endogeneity 
Sahoo and Dash 
(2009,2010,2012) 
Indian 
National 
1970 
to 
2006 
Cobb-
Douglas; Log 
levels 
Index of 
infrastructure 
stocks 
OLS 
Physical and social infrastructures have a significant 
positive impact on output (0.18* to 0.46**). Further, 
infrastructure development contributes significantly to 
output growth 
NA 
2SLS 
DOLS 
South Asian 
Countries 
1980 
to 
2005 
OLS 
South Asian 
Countries 
FMOLS 
Sahoo, Dash, and 
Nataraj (2012) 
Chinese 
National 
1975 
to 
2007 
ARDL 
Chinese 
National 
GMM 

---

20 
Mostert and Van 
Heerden (2015) 
South African 
Provinces 
NA 
Levels 
Railway 
CGE 
In the long run the building of the railway line will lead 
to a 4.46 % increase in GDP, while aggregate 
employment in will increase by 1.97 % 
Hard to capture the 
dynamic structure