南京农业大学公共管理学院,南京 210095
The convergence characteristics of industrial land use efficiency in China
YANSiqi, PENGJianchao, WUQun通讯作者:
收稿日期:2017-09-6
修回日期:2018-03-19
网络出版日期:2018-06-25
版权声明:2018《资源科学》编辑部《资源科学》编辑部
基金资助:
作者简介:
-->
展开
摘要
关键词:
Abstract
Keywords:
-->0
PDF (5108KB)元数据多维度评价相关文章收藏文章
本文引用格式导出EndNoteRisBibtex收藏本文-->
1 引言
中国目前正处于工业化快速发展阶段,2000—2015年间工业总产值的复合年均增长率达到17.5%[1]。在工业经济快速增长的同时,也存在着资源利用方式粗放、利用效率低的问题,并且这一问题在工业用地利用方面表现得尤为突出。2015年中国城市工业用地面积为10 298.65km2,占城市建设用地面积的19.9%[2],而在许多重点城市工业用地面积的占比则更高,例如,2015年上海、苏州和宁波的工业用地面积占比分别为25.1%、28.4%和36.6%。与此形成对比的是,发达工业化国家主要城市的工业用地面积占比大多在15%以内[3,4],且容积率、产出强度等指标远高于中国城市的水平。在工业转型升级的背景下,促进工业用地利用效率提升对于推动工业经济由规模速度型向质量效益型转变具有重要意义。中国幅员辽阔,不同地区要素禀赋、工业结构和发展水平差异很大,势必导致工业用地利用效率存在着显著的地区间差距。这种差距是否随着时间的推移而缩小,呈现出收敛特征?是否存在落后地区对先进地区的“追赶效应”?如果存在收敛,收敛速度如何,影响稳态形成的因素有哪些?不同区域组之间的收敛速度是否存在着差异?回答上述问题对于推动区域均衡发展、促进全域性的工业用地利用效率提升具有重要意义。收敛分析是一种应用广泛的考察经济变量地区间差距动态演进规律的分析工具。该方法源自于新古典增长模型中对经济增长收敛性的考察[5,6],其后被应用于金融发展[7]、创新效率[8]、资源利用效率[9]等诸多领域,具体分析方法包括β收敛分析、σ收敛分析和俱乐部收敛分析等[10,11]。近年来,已有****尝试对中国工业用地利用效率的收敛特征进行分析。例如,罗能生等通过测度工业用地利用效率的变异系数,分析了全国和东、中、西部地区内部工业用地利用效率差距的变动趋势[12];谢花林等基于SBM型数据包络分析模型和Malmquist指数分析了中国6个主要经济区工业用地利用效率的空间差异,并通过构建和估计计量模型进行了β收敛分析[13];陈伟等基于数据包络分析模型测度了中国各省级行政区的工业用地利用效率,并分析了工业用地利用效率地区间差距的变动趋势[14]。
虽然既有研究取得了一定进展,但仍存在着如下几方面的缺陷。一是工业用地利用效率测度的科学性、准确性方面存在着不足。部分****采用简单的地均产出指标表征工业用地利用效率[12],忽略了工业生产中的其他投入要素。其他一些****虽然在全要素框架下进行分析,却并未分解出土地投入在产出增长中的单独效率贡献[13],实质上测度出的是“考虑工业用地投入的工业生产效率”,而非真正意义上的工业用地利用效率。二是在进行β收敛分析时往往忽视了工业用地利用效率可能存在的空间相关性,从而可能产生计量模型估计偏误,进而影响分析结果的准确性。三是在进行俱乐部收敛分析时通常采用主观性较强的外生区域分组方法,存在着人为预设指标缺乏科学性、地理区划分组与经济特征分组不一致等缺陷。
有鉴于此,本文在科学界定工业用地利用效率内涵的基础上,基于随机前沿分析框架测度中国大陆各省级行政区的工业用地利用效率,采用空间计量方法进行β收敛分析和俱乐部收敛分析,考察影响工业用地利用效率提升和稳态形成的因素,并根据实证分析结果提出缩小地区间工业用地利用效率差距、促进落后地区向先进地区收敛的政策建议。
2 研究方法与数据来源
2.1 研究方法
2.1.1 工业用地利用效率的测度既有研究主要采用二种方法测度工业用地利用效率:一是基于数据包络分析(Data Employment Analysis,DEA)的非参数方法,二是基于随机前沿分析(Stochastic Frontier Analysis, SFA)的参数方法。非参数方法的问题在于,许多研究只是在传统的全要素框架下加入了土地投入,而并未分解出土地投入在产出增长中的单独效率贡献。例如,基于CCR、BCC、DF、DDF等类型的DEA模型计算效率时,通常将工业用地存量作为一种投入变量加入到模型中,进而测度生产单元利用多要素实现产出最大化的能力和程度。在这种情况下测度出的效率值实质上是“考虑工业用地投入的工业生产效率”,而非真正意义上的工业用地利用效率。张少华等指出,通过对Russell型和SBM型DEA模型进行扩展,构建基于投入冗余的全要素生产率指数,可以将单个投入要素的利用效率从全要素框架下分离出来[15,16],但目前这种方法的应用相对较少。参数方法的优点在于,通过对随机前沿生产函数的推导和估计,便于度量具有明确经济含义的单要素利用效率。此外,随机前沿分析在构造生产前沿面时可以有效分离随机因素的影响,进而减少由测量误差及其他随机性误差造成的估计偏误[16]。
本研究借鉴Reinhard等提出的单要素利用效率定义及随机前沿分析框架下的测算方法[17],来界定工业用地利用效率的内涵并分析其测度方法。工业用地利用效率最高的生产者具有这样的特征,即在维持产出水平和其他要素投入量不变的情况下,工业用地投入量最小。因而,工业用地利用效率可以定义为,在给定的产出水平和其他要素投入水平下,生产单元可能达到的最小工业用地投入量(也称为目标工业用地投入量)与实际工业用地投入量的比值:
式中LE表示工业用地利用效率;TLI和ALI分别表示目标工业用地投入量和实际工业用地投入量。由于ALI总是大于或者等于TLI,因而LE的取值在0和1之间。实际工业用地投入量与目标工业用地投入量越接近,工业用地利用效率越高。
在随机前沿分析框架下测度工业用地利用效率,首先需要确定随机前沿生产函数的函数形式。本研究采用超越对数生产函数,其原因主要包括两个方面:①与Cobb-Douglas生产函数和常替代弹性(Constant Elasticity of Substitution, CES)生产函数相比,超越对数函数能够更好地反映投入要素之间、投入要素与技术进步之间的相互作用关系[18];②若选用Cobb-Douglas生产函数,由于所有投入要素的产出弹性都是不变的,因而测算出的工业用地利用效率排名将与工业生产效率排名完全一致,仍然无法将工业用地利用效率从全要素框架下分离出来。采用投入要素产出弹性可变的超越对数函数,则可克服这一缺陷。超越对数随机前沿生产函数的具体形式为:
式中下标i和t分别表示省份和年份;Yit表示工业产出水平;X表示除土地外的其他要素投入量,下标j和k是要素标志(j=1,2; k=1,2; βjk=βkj),Xit1和Xit2分别表示劳动力投入和资本投入;Lit表示工业用地面积;Vit为随机误差项,表示生产中不可控因素(如突发事件、自然灾害等)和测量误差的影响,Vit服从
保持公式(2)中产出水平和其他要素的投入水平不变,当不存在技术非效率(Ui=0)时,工业用地投入量达到不存在冗余的最优水平:
式中
通过将公式(2)和公式(3)联立,进一步推导可以得出工业用地利用效率的参数表达式:
其中,ηit表示工业用地的边际产出,其表达式为:
2.1.2 工业用地利用效率的收敛
由于经济活动存在着广泛的空间联系,采用空间计量方法进行收敛分析已经成为一种趋势[7,8,10,11]。其基本做法是:首先检验空间自相关性,若存在空间自相关,则可通过构建和估计空间计量模型进行收敛检验。本部分主要分析介绍各类收敛定义及空间计量框架下的实证检验方法。
(1)β收敛。β收敛指的是落后地区比先进地区具有更高的增长率,即某一经济变量的增长率和该变量的初始水平之间存在着负相关关系[10,19]。研究者大多通过构建和估计计量模型进行β收敛分析。由于最终的稳态1)(1) 当达到稳态时,各地区的发展水平和增长率均会趋于一致。)往往受到经济体结构特征的影响,因而通常在模型中加入相关控制变量进行条件β收敛检验[8,9,20]。基于年度数据,条件β收敛模型可以表示为:
式中LEit和LEi,t-1分别表示i地区第t年和第t-1年的工业用地利用效率;X表示一组影响稳态的控制变量,γ表示控制变量的影响系数;ci和ηt分别表示不随时间变化的地区效应和不随地区变化的时间效应;εit表示误差项。若β的估计值为负且在统计上显著,则表明工业用地利用效率的增长率与其初始水平之间存在着负相关关系,即存在条件β收敛,而收敛速度为b=-ln(1+Tβ)/T(T为时间跨度,使用年度数据时取1),收敛的半衰期(与稳态的差距缩小一半所需经历的时间)为
值得注意的是,由于技术和知识的扩散、区域间的要素流动[21],以及相邻地区政府在土地利用政策制定方面的策略互动行为,工业用地利用效率可能存在着显著的空间相关性。如若忽视这种空间效应,可能导致估计偏误,进而影响β收敛分析的准确性。因而在回归分析前,应首先检验工业用地利用效率是否存在空间自相关性,而Moran's I 指数是一种应用广泛的检验方法。若Moran's I 指数的测算结果表明工业用地利用效率存在着显著的空间自相关性,则应采用空间计量方法进行β收敛检验,实证分析中通常考虑如下2种空间计量模型[7,8,21]:
① 空间滞后模型:
式中ρ为空间自回归系数,用来衡量地区间工业用地利用效率增长的相互影响。
② 空间误差模型:
式中λ为空间误差系数,用来衡量误差项的空间相关程度。Elhorst分析了基于拉格朗日乘数(Lagrange Multiplier,LM)检验的空间面板计量模型选择策略:若空间滞后效应LM检验统计量(或空间滞后效应稳健LM检验统计量)较之空间误差效应LM检验统计量(或空间误差效应稳健LM检验统计量)更加显著,则应选择空间滞后模型;反之,则应选择空间误差模型[22]。
(2)σ收敛。σ收敛指的是某一经济变量的地区间差距随着时间的推移而缩小[19]。β收敛和σ收敛存在着紧密的联系。Sala-i-Martin及Young等证明,β收敛是σ收敛的必要条件,因为只有在增长率存在差异的情况下,落后地区才有可能追赶上先进地区;但β收敛并非σ收敛的充分条件,因为地区间差距是否缩小还会受到随机冲击(random shocks)的影响[6,23]。研究者通常通过测度经济变量的变异系数进行σ收敛分析[19,24,25]:
式中CVt表示第t年工业用地利用效率的变异系数;
(3)俱乐部收敛。俱乐部收敛侧重于考察不同区域组之间收敛特征的差异性,认为初始条件和结构特征相似且空间上相邻的一组区域可能形成收敛俱乐部[26],而各收敛俱乐部具有不同的收敛速度。俱乐部收敛分析的第一步是进行区域分组。相较于外生区域分组方法,内生区域分组方法能够有效克服人为预设指标存在主观性、地理区域划分与经济特征分组不一致等缺陷,具有更强的科学性。内生区域分组方法又包括探索性空间数据分析(Exploratory Spatial Data Analysis,ESDA)、分类回归树分析(Classification and Regression Tree Analysis,CARTA)、聚类分析(Cluster Analysis,CA)等多种类型[11,27],其中只有基于Moran散点图的探索性空间数据分析法充分考虑了空间效应[11],而该方法在实证研究中也得到了广泛的应用。Moran散点图的横坐标和纵坐标分别表示观测值与其空间滞后,图中的4个象限分别对应于4种不同的局域空间相关模式:位于第Ⅰ象限的HH组表示高值地区被其他高值地区围绕;位于第Ⅱ象限的LH组表示低值地区被其他高值地区围绕;位于第Ⅲ象限的LL组表示低值地区被其他低值地区围绕;位于第Ⅳ象限的HL组表示高值地区被其他低值地区围绕。Moran散点图回归线的斜率即为Moran's I指数。在利用Moran散点图进行区域分组后,可以采用前述的方法考察各收敛俱乐部内部的收敛特征。
2.2 变量选择和数据来源
2.2.1 工业投入产出指标选择和数据来源本文以2000—2015年为研究期,以中国大陆的30个省级行政区作为数据观测单元。需要说明的是,由于数据获取困难,本次研究不包括香港、台湾、澳门和西藏。与前人的研究相比,本文在投入要素的选取上既考虑了土地投入,也考虑了劳动力和资本投入,并借助随机前沿生产函数的推导将工业用地利用效率从全要素框架下分离出来。采用工业总产值度量工业产出水平,分别利用工业行业城镇单位从业人员数和工业用地面积衡量劳动力投入水平和土地投入水平。参考张海洋和姚志毅等的方法,采用工业部门固定资产净值度量资本投入水平(即工业行业资本存量)[28,29]。分别采用分地区工业生产者出厂价格指数和固定资产投资价格指数将工业总产值和工业部门固定资产净值折算为2000年不变价。工业总产值、工业行业城镇单位从业人员数和工业部门固定资产净值数据来源于历年的《中国城市统计年鉴》[1],工业用地面积数据来源于历年的《中国城市建设统计年鉴》[2],分地区工业生产者出厂价格指数和固定资产投资价格指数来源于历年的《中国统计年鉴》[30]。
2.2.2 条件β收敛检验的控制变量选择和数据来源
实证研究中通常选取研究对象的相关影响因素作为条件β收敛检验中关涉稳态的控制变量[8,20,24]。通过对既有研究的梳理[14,31],影响工业用地利用效率的因素主要包括如下几个方面:
(1)地区经济发展水平。地区经济发展水平越高,各类生产要素的利用效率通常也越高。
(2)高技术产业占比。高技术企业具有产品附加值高、单位面积土地产出高的特征,因而高技术产业占比的提升有助于提高区域整体的工业用地利用效率。
(3)研发投入水平。研发投入的增加有助于促进企业的技术创新、提升行业的技术水平,进而推动工业用地利用效率的提高。
(4)外资(含港澳台资)企业产值占比。外资企业通常具有较高的技术和管理水平,其工业用地利用效率往往也较高。
(5)土地市场规范程度。土地市场规范程度越高、市场秩序越好,越有利于通过市场机制提高土地资源的配置和利用效率。
地区经济发展水平用人均地区生产总值(pcgdp)来度量,高技术产业占比(htratio)用高技术产业主营业务收入占地区工业企业主营业务收入的比重来表示。研发投入水平(rad)用R&D经费占主营业务收入的比重来衡量,外资企业产值占比(fratio)用外资企业工业总产值占地区工业总产值的比重来表示。参考赵爱栋等的研究,采用土地违法案件涉及土地面积占行政辖区面积的比重来逆向反映土地市场规范程度(llegal)[31]。该数值越小,表明目标地区土地违法现象越少,土地市场规范程度越高。相关数据来源于历年的《中国统计年鉴》[30]《中国城市统计年鉴》[1]《中国高技术产业统计年鉴》[32]《中国科技统计年鉴》[33]和《中国国土资源统计年鉴》[34]。
3 结果及分析
3.1 工业用地利用效率的测算结果与演进趋势
本文采用Stata14.0软件估计随机前沿生产函数,估计结果如表1所示。γ表示技术非效率的方差占总方差的比例(Table 1
表1
表1随机前沿生产函数参数估计结果
Table 1The parameter estimation results of stochastic frontier production function
待估参数 | 估计值 | 标准误 | 待估参数 | 估计值 | 标准误 |
---|---|---|---|---|---|
β1 | 0.210 | 0.620 | βll | -0.021 | 0.043 |
β2 | 2.482*** | 0.681 | β12 | 0.028 | 0.099 |
βl | -1.819*** | 0.646 | β1l | 0.031 | 0.064 |
β11 | -0.055 | 0.086 | β2l | 0.119*** | 0.048 |
β22 | -0.160*** | 0.056 | 0.021*** | 0.001 | |
γ | 0.900*** | 0.040 | 0.188** | 0.083 |
新窗口打开
Table 2
表2
表22000—2015年典型年份中国大陆各省级行政区的工业用地利用效率
Table 2Industrial land use efficiency in various provincial-level administrative divisions in mainland China in selected years from 2000 to 2015
2000年 | 2005年 | 2010年 | 2015年 | |
---|---|---|---|---|
北京 | 0.853 | 0.856 | 0.864 | 0.866 |
天津 | 0.982 | 0.982 | 0.983 | 0.984 |
河北 | 0.705 | 0.716 | 0.732 | 0.740 |
山西 | 0.514 | 0.526 | 0.547 | 0.562 |
内蒙古 | 0.652 | 0.673 | 0.698 | 0.709 |
辽宁 | 0.760 | 0.765 | 0.776 | 0.776 |
吉林 | 0.794 | 0.797 | 0.808 | 0.816 |
黑龙江 | 0.570 | 0.580 | 0.596 | 0.600 |
上海 | 0.893 | 0.893 | 0.896 | 0.897 |
江苏 | 0.922 | 0.925 | 0.930 | 0.933 |
浙江 | 0.952 | 0.956 | 0.958 | 0.960 |
安徽 | 0.707 | 0.719 | 0.742 | 0.753 |
福建 | 0.885 | 0.889 | 0.897 | 0.899 |
江西 | 0.691 | 0.694 | 0.721 | 0.737 |
山东 | 0.863 | 0.868 | 0.876 | 0.879 |
河南 | 0.665 | 0.670 | 0.688 | 0.702 |
湖北 | 0.723 | 0.739 | 0.749 | 0.753 |
湖南 | 0.760 | 0.762 | 0.782 | 0.788 |
广东 | 0.969 | 0.970 | 0.972 | 0.973 |
广西 | 0.708 | 0.719 | 0.743 | 0.753 |
海南 | 0.639 | 0.648 | 0.661 | 0.682 |
重庆 | 0.804 | 0.803 | 0.823 | 0.837 |
四川 | 0.776 | 0.777 | 0.793 | 0.798 |
贵州 | 0.577 | 0.578 | 0.588 | 0.601 |
云南 | 0.763 | 0.762 | 0.774 | 0.789 |
陕西 | 0.652 | 0.649 | 0.669 | 0.694 |
甘肃 | 0.595 | 0.611 | 0.631 | 0.651 |
青海 | 0.429 | 0.416 | 0.466 | 0.510 |
宁夏 | 0.472 | 0.497 | 0.531 | 0.540 |
新疆 | 0.556 | 0.596 | 0.621 | 0.631 |
全国平均 | 0.728 | 0.734 | 0.750 | 0.760 |
新窗口打开
进一步采用核密度分布图对工业用地利用效率的演进趋势进行描述,结果如图1所示。在样本期内核密度分布曲线的中心逐渐向右移动,表明工业用地利用效率的总体水平不断提高。分布曲线的波峰逐渐变得陡峭,变化区间逐步缩小,说明工业用地利用效率的地区间差距存在着减小的趋势,有必要对此进行更加规范的收敛分析。
显示原图|下载原图ZIP|生成PPT
图12000—2015年间中国大陆工业用地利用效率核密度分布
-->Figure 1The kernel density estimation for the industrial land use efficiency in mainland China from 2000 to 2015
-->
3.2 工业用地利用效率的收敛分析
3.2.1 β收敛分析在进行β收敛分析前,使用Geoda软件,通过计算Moran's I指数检验工业用地利用效率是否存在空间自相关性。本文基于Queen邻接标准原则,构建基于地理邻近的二进制空间权重矩阵。如果区域i与区域j有共同的边界,则wij=1;反之,则wij=0(wij为空间权重矩阵W的(i, j)元素)。Moran's I指数的测算结果(参见表3)表明,工业用地利用效率存在着显著的正的空间自相关性,因而各地区并不是相互独立发展的封闭经济体,应采用空间计量方法进行β收敛分析。
Table 3
表3
表32000—2015年间中国大陆工业用地利用效率空间自相关性检验结果
Table 3The results of the test for spatial autocorrelation in industrial land use efficiency in mainland China from 2000 to 2015
年份 | Moran's I | Z值 | P值 | 年份 | Moran's I | Z值 | P值 |
---|---|---|---|---|---|---|---|
2000 | 0.214 | 2.178 | 0.027 | 2008 | 0.268 | 2.593 | 0.012 |
2001 | 0.216 | 2.313 | 0.022 | 2009 | 0.297 | 2.846 | 0.010 |
2002 | 0.217 | 2.236 | 0.031 | 2010 | 0.303 | 3.048 | 0.007 |
2003 | 0.218 | 2.335 | 0.024 | 2011 | 0.291 | 2.748 | 0.013 |
2004 | 0.212 | 2.178 | 0.025 | 2012 | 0.305 | 2.841 | 0.010 |
2005 | 0.243 | 2.394 | 0.023 | 2013 | 0.299 | 3.035 | 0.009 |
2006 | 0.257 | 2.432 | 0.021 | 2014 | 0.288 | 2.781 | 0.013 |
2007 | 0.262 | 2.558 | 0.021 | 2015 | 0.308 | 3.088 | 0.006 |
新窗口打开
本文采用MATLAB(R2010b)软件进行空间计量分析,空间面板计量模型选择的相关检验结果如表4所示。从表中可以看出,空间滞后效应LM检验统计量和空间误差效应LM检验统计量均显著,但空间滞后效应稳健LM检验统计量显著而空间误差效应稳健LM检验统计量不显著,因而应选择空间滞后模型进行β收敛分析。根据Hausman检验的结果(检验值为10.072,自由度为3,P值为0.018),应采用固定效应模型。回归结果(参见表5)显示,在不同时空效应下,β系数均为负且在1%的统计水平上显著,表明样本期内中国大陆工业用地利用效率存在着β收敛。根据时空固定效应下的估计结果,收敛速度为0.143。空间自回归系数ρ在大多数模型中具有统计显著性,表明地区间工业用地利用效率增长存在着显著的相互影响。控制变量中,人均地区生产总值变量的系数为正且在10%的统计水平上显著,表明经济发展水平的提高促进了工业用地利用效率的提升,相应地地区间经济发展差距的缩小会促进工业用地利用效率的收敛。自21世纪初以来,国家相继实施了西部大开发、振兴东北地区等老工业基地、促进中部地区崛起等一系列区域协调发展战略,逐步形成地区间相互促进、共同发展的新格局。近年来,许多中西部省份的GDP增速超过了东部省份,在拉近经济发展差距的同时为工业用地利用效率的收敛创造了基础。R&D经费占比变量和外资企业产值占比变量的系数为正且在1%或5%的统计水平上显著,表明研发投入水平和对外开放水平的提高对工业用地利用效率的提升产生了正向影响,这些方面地区间差距的缩小相应也会促进工业用地利用效率的收敛。随着经济发展方式的转变和创新驱动发展战略的实施,技术进步对经济增长的促进作用日益凸显,无论是东部地区还是中西部地区均加大了R&D经费投入、财政科技支出的力度,成为工业用地利用效率收敛的重要原因。对外开放方面,在坚持全方位对外开放思想的指导下,中国逐渐形成了东中西部齐头并进、沿海与内陆兼顾的开放格局(多个自由贸易试验区、国家级新区落户中西部地区),促进了工业用地利用效率的收敛。
Table 4
表4
表4空间面板计量模型选择相关检验结果(全样本)
Table 4The results of the test for the selection of spatial panel data models (full sample)
检验 | 统计量 | P值 |
---|---|---|
空间滞后效应LM检验 | 16.857 | 0.000 |
空间滞后效应稳健LM检验 | 5.268 | 0.022 |
空间误差效应LM检验 | 12.909 | 0.000 |
空间误差效应稳健LM检验 | 1.319 | 0.251 |
新窗口打开
Table 5
表5
表5条件 β 收敛检验的空间计量模型估计结果
Table 5The estimation results of spatial econometric models of the test for conditional β convergence
回归系数 | 时间固定效应 | 空间固定效应 | 时空固定效应 | 时空固定效应(纠偏) |
---|---|---|---|---|
α | -1.215 (-0.905) | -2.179* (-1.601) | -2.410 (-1.598) | -2.407 (-1.595) |
β | -0.060*** (-7.395) | -0.105*** (-4.722) | -0.133*** (-5.492) | -0.133*** (-5.493) |
ρ | 0.152** (2.290) | 0.039 (0.593) | 0.160** (2.381) | 0.156** (2.320) |
pcgdp | 1.402 (1.177) | 2.002* (1.690) | 2.199* (1.649) | 2.196* (1.647) |
htratio | 0.067 (0.364) | 0.079 (0.423) | 0.010 (0.056) | 0.011 (0.061) |
rad fratio | 0.488*** (2.454) 0.816*** (6.392) | 0.520*** (3.413) 0.914*** (6.846) | 0.451** (2.312) 0.844*** (6.699) | 0.451** (2.313) 0.844*** (6.702) |
llegal | -0.039 (-1.720) | -0.046 (-2.003) | -0.050 (-2.251) | -0.050 (-2.250) |
收敛速度 | 0.062 | 0.111 | 0.143 | 0.143 |
corr-squared | 0.183 | 0.153 | 0.167 | 0.167 |
σ2 | 0.496 | 0.541 | 0.460 | 0.460 |
log-likelihood | -458.504 | -468.982 | -449.441 | -449.441 |
新窗口打开
3.2.2 σ收敛分析
图2显示了2000—2015年间中国大陆工业用地利用效率变异系数的变动情况。从图中可以看出,样本期内工业用地利用效率的变异系数总体呈现下降趋势,表明工业用地利用效率存在着σ收敛。经济发展、研发投入加大和对外开放水平提高等因素不但促使落后地区比先进地区具有更高的工业用地利用效率增长率,而且使得地区间的工业用地利用效率差距随着时间的推移而缩小。进一步观察可以看出,工业用地利用效率地区间差距的缩小速率在不同时期有所不同:2000—2004年间,工业用地利用效率的变异系数由1.748较缓慢地下降至1.703;2004—2009年间则出现了较为快速地下降,由1.703降至1.393;2009—2015年间,工业用地利用效率的变异系数又呈现出缓慢下降的趋势,由1.393降至1.217。
显示原图|下载原图ZIP|生成PPT
图22000—2015年间中国大陆工业用地利用效率变异系数的变动情况
-->Figure 2The change in coefficient of variation of industrial land use efficiency in mainland China from 2000 to 2015
-->
3.2.3 俱乐部收敛分析
图3和表6分别显示了典型年份中国大陆工业用地利用效率的Moran散点图和区域分组结果(图3中的a、b、c、d这4幅子图分别对应于2000年、2005年、2010年和2015年)。样本期内大多数省级行政区分布在HH组和LL组(分别位于Moran散点图的第Ⅰ、Ⅲ象限),且区域分组结果在时间上具有高度稳定性。将样本期内始终位于某一象限的省级行政区归入相应的区域组,并考虑地理空间上的临近性,确定出最终的俱乐部分组。其中,HH组包括山东、江苏、上海、浙江和福建;LL组包括辽宁、吉林、黑龙江、内蒙古、河南、山西、陕西、湖北、四川、贵州、云南、宁夏、甘肃、青海和新疆;LH组包括安徽、江西、湖南、广西。由于样本期内各年份均只有1~2个省级行政区位于Moran散点图的第Ⅳ象限,因而最终未考虑HL组。根据前述的空间面板计量模型选择策略及相关检验结果(参见表7,见第1171页),确定出适合分析各俱乐部内部收敛特征的空间计量模型:HH组和LH组适合采用空间误差模型,而LL组适合采用空间滞后模型。
显示原图|下载原图ZIP|生成PPT
图32000—2015年中国大陆各省典型年份工业用地利用效率的Moran散点图
注:Moran散点图中的横坐标值相对于标准差进行了标准化。
-->Figure 3The Moran scatter plots of industrial land use efficiency of provinces of China from 2000 to 2015 in selected years
-->
Table 6
表6
表62000—2015年中国大陆各省典型年份工业用地利用效率的区域分组结果
Table 6The results of regional classification of industrial land use efficiency of various provinces of China from 2000 to 2015 in selected years
区域分组结果 | 区域分组结果 | ||
---|---|---|---|
2000年 | HH组:北京、山东、江苏、上海、浙江、福建 | 2010年 | HH组:北京、天津、山东、江苏、上海、浙江、福建 |
LH组:河北、安徽、江西、湖南、广西 | LH组:河北、安徽、江西、湖南、广西 | ||
LL组:辽宁、吉林、黑龙江、内蒙古、河南、 山西、陕西、湖北、重庆、四川、贵州、 云南、宁夏、甘肃、青海、新疆 | LL组:辽宁、吉林、黑龙江、内蒙古、河南、 山西、陕西、湖北、重庆、四川、贵州、 云南、宁夏、甘肃、青海、新疆 | ||
HL组:天津、广东 | HL组:广东 | ||
2005年 | HH组:北京、山东、江苏、上海、浙江、福建 | 2015年 | HH组:北京、天津、山东、江苏、上海、浙江、福建 |
LH组:河北、安徽、江西、湖南、广西 | LH组:河北、安徽、江西、湖南、广西 | ||
LL组:辽宁、吉林、黑龙江、内蒙古、河南、 山西、陕西、湖北、重庆、四川、贵州、 云南、宁夏、甘肃、青海、新疆 | LL组:辽宁、吉林、黑龙江、内蒙古、河南、 山西、陕西、湖北、重庆、四川、贵州、 云南、宁夏、甘肃、青海、新疆 | ||
HL组: 天津、广东 | HL组:广东、重庆 |
新窗口打开
Table 7
表7
表7空间面板计量模型选择相关检验结果(子样本)
Table 7The results of the test for the selection of spatial panel data models (subsample)
区域组 | 检验 | 统计量 | P值 |
---|---|---|---|
HH组 | 空间滞后效应LM检验 | 3.043 | 0.081 |
空间滞后效应稳健LM检验 | 0.783 | 0.376 | |
空间误差效应LM检验 | 4.942 | 0.026 | |
空间误差效应稳健LM检验 | 2.683 | 0.101 | |
LL组 | 空间滞后效应LM检验 | 5.763 | 0.016 |
空间滞后效应稳健LM检验 | 6.813 | 0.009 | |
空间误差效应LM检验 | 2.815 | 0.093 | |
LH组 | 空间误差效应稳健LM检验 | 3.865 | 0.049 |
空间滞后效应LM检验 | 9.833 | 0.002 | |
空间滞后效应稳健LM检验 | 5.037 | 0.025 | |
空间误差效应LM检验 | 14.900 | 0.000 | |
空间误差效应稳健LM检验 | 10.105 | 0.001 |
新窗口打开
俱乐部收敛检验的回归结果(参见表8)显示,各区域组的β系数均为负且在统计上显著,表明工业用地利用效率在各区域组内均存在着俱乐部收敛,且各区域组的收敛速度均快于中国大陆整体的收敛速度(HH组、LL组和LH组的收敛速度分别为0.289、0.149和0.196)。产生上述结果的原因在于,虽然各区域组内的收敛速度较快,但不同区域组之间在要素禀赋及对技术、人才、资本的吸引力上仍存在着明显的差距、既有的发展格局并未被完全打破,导致落后区域组向先进区域组收敛的速度较慢,影响了中国大陆整体的收敛速度。为进一步推动工业用地利用效率的全域性提升,应注重促进落后区域组向先进区域组的收敛。此外,与全样本的回归结果基本一致,经济发展水平、工业结构(高技术产业占比)、研发投入水平和对外开放水平等因素对工业用地利用效率的提升和稳态的形成具有显著影响。
Table 8
表8
表8俱乐部收敛检验的空间计量模型估计结果
Table 8The estimation results of spatial econometric models of the test for club convergence
回归系数 | HH组 | LL组 | LH组 | |||||
---|---|---|---|---|---|---|---|---|
时空固定效应 | 时空固定效应(纠偏) | 时空固定效应 | 时空固定效应(纠偏) | 时空固定效应 | 时空固定效应(纠偏) | |||
α | -0.519*** (-2.770) | -0.519*** (-2.770) | -1.664 (-0.591) | -1.664 (-0.591) | -8.390*** (-2.746) | -8.390*** (-2.746) | ||
β | -0.251*** (-7.013) | -0.251*** (-7.013) | -0.138*** (-4.421) | -0.138*** (-4.421) | -0.178** (-2.290) | -0.178** (-2.290) | ||
ρ | - | - | -0.206*** (-2.453) | -0.206*** (-2.453) | - | - | ||
λ | -0.278*** (-2.547) | -0.277*** (-2.547) | - | - | -0.236** (-2.265) | -0.236** (-2.265) | ||
pcgdp htratio rad fratio llegal 收敛速度 | 0.155*** (3.276) 0.105* (1.876) 0.027 (0.785) 0.020 (0.255) 0.007 (1.318) 0.289 | 0.156*** (2.769) 0.105* (1.876) 0.027 (0.785) 0.020 (0.255) 0.007 (1.318) 0.289 | 1.455 (0.580) 0.028 (0.119) 0.636*** (2.447) 1.078*** (6.474) -0.053 (-1.732) 0.149 | 1.455 (0.580) 0.028 (0.119) 0.636*** (2.447) 1.078*** (6.474) -0.053 (-1.733) 0.149 | 5.042** (2.340) 1.618* (1.805) 0.677** (2.213) 0.088 (0.292) -0.022 (-0.343) 0.196 | 5.042** (2.340) 1.618* (1.805) 0.677** (2.213) 0.088 (0.292) -0.022 (-0.343) 0.196 | ||
corr-squared | 0.373 | 0.373 | 0.213 | 0.213 | 0.193 | 0.193 | ||
σ2 | 0.001 | 0.001 | 0.652 | 0.652 | 0.346 | 0.346 | ||
log-likelihood | 171.464 | 171.464 | -308.685 | -308.685 | -34.223 | -34.223 |
新窗口打开
4 结论与政策启示
4.1 结论
本文在科学界定工业用地利用效率内涵的基础上,基于随机前沿分析框架测度了中国大陆各省级行政区2000—2015年间的工业用地利用效率,采用空间计量方法进行了β收敛分析和俱乐部收敛分析,并考察了影响工业用地利用效率提升和稳态形成的因素。研究结果显示,工业用地利用效率的增长率与其初始水平呈显著负相关关系,表明工业用地利用效率存在着β 收敛,收敛速度为0.143,且地区间工业用地利用效率增长存在着显著的相互影响。经济发展水平、研发投入和对外开放水平、工业结构等因素对工业用地利用效率的提升和稳态的形成具有显著影响。样本期内工业用地利用效率的变异系数呈现下降趋势,表明工业用地利用效率亦存在着σ收敛。基于Moran散点图的探索性空间数据分析将各省级行政区划分为HH组、LL组和LH组这3个区域组,工业用地利用效率在各区域组内均存在着俱乐部收敛,收敛速度分别为0.289、0.149和0.196,均快于中国大陆整体的收敛速度。4.2 政策启示
根据实证分析的结论,本文提出如下政策建议:(1)由于实证分析表明研发投入水平是工业用地利用效率的重要影响因素,因而为提升相对落后地区的工业用地利用效率,应加大财政科技支出和研发投入力度。相对落后地区地方政府应进一步增加用于基础研究、应用研究、技术研发等方面的公共支出,并充分利用研发补贴、研发费用税前抵扣等财税激励政策促进企业开展研发活动。
(2)由于实证分析表明对外开放水平的提高对工业用地利用效率的提升具有正向影响,因而应采取多种措施提升相对落后地区的对外开放水平,促进工业用地利用效率收敛。相对落后地区应进一步改善外商投资环境,并注重培育本地配套企业并提高其技术吸收能力,以便充分发挥外资的技术溢出效应,促进工业用地利用效率的提升。
(3)由于实证分析表明高技术产业占比的提高有利于促进工业用地利用效率的提升,因而应积极推动相对落后地区的产业转型升级。相对落后地区地方政府应采取差别化的财税政策和供地政策,促进本地区产业结构优化,推动产业发展动力由要素驱动型向效率驱动型和创新驱动型转变。
(4)由于实证分析表明工业用地利用技术和行为存在着空间相关性,因而应强化先进地区与相对落后地区的科技合作,以提升相对落后地区的工业用地利用效率。应加强先进地区对相对落后地区的科技援助,依托地区间科技合作项目进一步深化双方在人才引进培养、科技项目联合攻关等方面的合作,并注重减少市场壁垒,促进人才和技术的流动。
The authors have declared that no competing interests exist.
参考文献 原文顺序
文献年度倒序
文中引用次数倒序
被引期刊影响因子
[1] | |
[2] | |
[3] | [J]. , [J]. , |
[4] | [J]. , [J]. , |
[5] | [J]. , |
[6] | [J]. , |
[7] | [J]. , [J]. , |
[8] | [J]. , [J]. , |
[9] | [J]. , [J]. , |
[10] | [J]. , [J]. , |
[11] | [J]. , [J]. , |
[12] | [J]. , [J]. , |
[13] | [J]. , [J]. , |
[14] | [J]. , [J]. , |
[15] | [J]. , [J]. , |
[16] | [J]. , [J]. , |
[17] | [J]. , |
[18] | [J]. , [J]. , |
[19] | [J]. , [J]. , |
[20] | [J]. , |
[21] | [J]. , |
[22] | [M]. , |
[23] | [J]. , |
[24] | [J]. , [J]. , |
[25] | [J]. , [J]. , |
[26] | [J]. , [J]. , |
[27] | [J]. , [J]. , |
[28] | [J]. , [J]. , |
[29] | [J]. , [J]. , |
[30] | |
[31] | [J]. , [J]. , |
[32] | |
[33] | |
[34] | |
[35] | [J]. , |