我国产业集聚与省域经济发展的空间关系的计量分析

《我国产业集聚与省域经济发展的空间关系的计量分析》由会员上传分享，免费在线阅读，更多相关内容在应用文档-天天文库。

1、我国产业集聚与省域经济发展的空间关系的计量分析　　一、引言　　　　产业集聚是指同一产业在某个特定地理区域内高度集中，产业资本要素在空间范围内不断汇聚的一个过程。产业集聚问题的研究产生于l9世纪末，马歇尔在1890年就开始关注产业集聚这一经济现象，并提出了两个重要的概念即内部经济和外部经济.马歇尔之后，产业集聚理论有了较大的发展，出现了许多流派，比较有影响的有：韦伯的区位集聚论、熊彼特的创新产业集聚论、EM胡佛的产业集聚最佳规模论、波特的企业竞争优势与钻石模型等。以产业园或一定区域范围为研究对象的产业集聚发展及其对经济增长影响的研究不胜枚举。　　Martin指出集聚与经济增长是内生的

2、相互促进的过程，集聚降低创新成本从而促进区域经济增长，同时，经济增长的进一步成长也会反向促进新的集聚;Brulhart认为集聚在早期会促进经济增长，但发展到一定阶段拥挤效应会造成发展瓶颈，反向调节集聚的水平.国内的韩宝龙也从邻近性理论角度指出，产业集聚发展对区域经济发展的影响是周期性的自反馈调节作用，存在地理邻近的负效应;同时，徐盈之等也通过集聚对增长具有非线性效应证实了威廉姆森假说.　　但是，现有关于产业集聚与区域经济增长关系的探讨中都把区域当作独立的封闭空间，忽视经济系统的开放性和多区域空间之间经济集聚特征的相互作用。近年来兴起的空间计量经济学方法可以填补这一空白，已有学者利用

3、空间计量分析方法研究我国县域经济发展的空间差异特征,以及利用空间滞后模型和空间误差模型，研究发现人力资本对区域创新有显着促进作用.但尚无研究将空间计量分析方法应用到我国产业集聚空间特征与区域经济增长特征的相关性分析当中，更无基于面板数据的产业集聚与区域经济增长关系计量分析。因此，本文试图使用面板数据对我国的产业集聚特征进行时间和空间的双重分析，并讨论区域经济发展与产业集聚之间的时空关系。　　二、我国产业集聚及省域经济发展的空间特征　　　　（一）产业集聚的空间分布特征　　产业集聚的Theil指数是通过核算区域的产业就业水平来考察区域的产业集聚情况,即：【1】其中r代表各区域序数，Er

4、代表r区域的就业水平，Ar代表r区域的面积。　　本文使用地级以上城市的就业数据，计算1985~2011年各地级市产业集聚Theil指数，并依据各城市的行政所属省域计算该省的平均Theil指数，进而利用GeoDa软件绘制出省级Theil指数的空间分布的四分位图。发现各省区（不含台湾地区）产业集聚存在比较明显的区域差异：广东、福建、北京、天津、上海为集聚度最高的第一梯度；陕西、甘肃、内蒙古、贵州、湖北、黑龙江、江西、宁夏、四川、河北、辽宁、云南、山西、安徽、吉林、广西、江苏、浙江、重庆等省市属于集聚度中等的第二梯度；河南、湖南、山东属于集聚度较低的第三梯度；其余为产业集聚度低区域。【图

5、1】　　　　以1985年不变价格测算1985~2011年各省区人均GDP增长率，并绘制出其空间分布的四分位图（见图1）。从中可以看出，我国区域经济增长呈现出明显的空间分布特征：北京、天津、上海、江苏、浙江、福建经济增长率最高在第一梯度；内蒙古和广东在第二梯度；东北地区和中部地区各省多处在第三梯度；西部地区各省多处在第四梯度。通过对比产业集聚和区域经济增长的空间分布图，发现产业集聚度和区域经济增长都大致有从东南沿海向西北内陆降低的趋势。产业集聚与区域经济增长空间分布具有一致性，可见产业集聚对区域经济增长具有正向促进作用。　　（二）全域与局部空间自相关　　由于省域经济系统是一个开放的系

6、统，省域内的经济发展水平是与其周边省域发展水平戚戚相关，绝非孤立存在，这种空间上的相关性特征，称之为空间自相关性.对空间自相关性的考察又分为全域空间自相关分析（考察大空间范畴内的各子空间自相关性总体特征）和局部空间自相关分析（考察子空间所处区域的局部空间自相关特征）。　　Maron指数是全域空间自相关分析方法中的常用指数，其计算方法为：【2】　　　　式（2）中，xi代表区域i的值，xj代表邻近区域j的值，s2代表x值与其均值珚x的方差。u;i表示个体固定效应，εit为正态分布的随机误差向量，ωij为空间权值矩阵）认为，空间自相关的信息存在于通常被认为是噪

7、声的误差项中，用来测度邻近地区误差项的冲击对于本地区观测值的影响，一般形式为：【5】　　　　其中ψit代表空间误差自相关，ρ为用来测度空间自相关影响方向和强度的空间自相关系数。　　对于在实际模型设定时是选择空间滞后模型还是空间误差模型，常用的统计检验包括Moran'sI检验、LM检验、稳健的LM检验等。　　Anselin等认为，若在检验中发现LM-Lag较之LM-Error在统计上更加显着，且RLM-Lag显着，RLM-Error不显着，则可以