中国生产性服务业集聚的空间效应研究——基于空间面板数据模型

周明生 陈文翔

中国生产性服务业集聚的空间效应研究
——基于空间面板数据模型

周明生 陈文翔

通过选择中国31个省、自治区和直辖市的生产性服务业的数据，通过估算莫兰指数I，进而构建空间面板数据模型，研究生产性服务业在省域空间内的集聚度和生产性服务业内各行业对经济增长的贡献。研究结果显示，生产性服务业各项变量存在着明显的空间集聚效应，在空间方面显示出了一定的经济资源竞争关系。在对经济增长的贡献方面，批发零售、交通运输、仓储与邮政业对经济增长的拉动作用最为明显，而金融业受危机影响作用略为减弱，房地产业则作用最小。

生产性服务业 空间集聚 空间面板数据模型

一、引言及文献综述

20世纪50年代，生产性服务业在世界产业链中占有日益重要地位，1970年以后，发达国家的产业变迁出现了服务业快速发展、制造业地位不断下降的趋势。在这一过程中，服务业内部也渐趋分化，传统服务业比重下降，现代服务业成为新的增长极，并带动传统产业发展。其中生产性服务业是目前全球第三产业体系中对宏观经济拉动作用最为明显的部分。2002年以来，中国的生产性服务业实现了年均14%的增长速度。因此，对中国生产性服务业集聚的空间效应研究以及在考虑空间因素基础上，计量生产性服务业各产业对经济增长的贡献度尤为必要，对这两个问题的研究可以更为直观、有效地考察中国生产性服务业空间布局的集聚模式，并在空间层面基础上分析生产性服务业内部各个产业对经济增长的贡献度，为生产性服务业在全国范围内的布局，以及推进生产性服务业发展的路径选择提供决策依据与政策建议。

目前，在对生产性服务业空间集聚的研究方面，主要有盛龙、陆根尧在新经济地理理论基础上，研究中国生产性服务业集聚的动因以及发展趋势［1］。刘丽萍利用生产函数以及空间计量模型实证计量了生产性服务业发展与经济增长的关系，认为知识创新是生产性服务业发展的内在动力之一［2］。王雪瑞、葛斌华基于中国生产性服务业空间发展的动因及其影响因素，在相关计量检验分析的基础上，认为考量了空间因素的空间误差模型（SEM）具有更优的拟合估计效果［3］。陈志明则以珠三角地区为研究对象，构建了影响生产性服务业集聚因素的理论框架，运用空间计量方法，对珠三角区域空间的面板数据进行实证研究［4］。上述研究得出了一些有益的结论，但是考察的范围基本局限于某个区域。

马丁和奥塔维亚诺（Martin＆Ottaviano）的研究表明城市先进的基础设施为生产者和消费者带来便利，促进了产业集聚和市场规模的扩大，他们将内生增长理论与空间经济学模型相结合，解释了集聚能够促进经济增长［5］。

在生产性服务业的发展与经济增长的关系研究上，刘纯彬、李筱乐考察了生产性服务业的发展与经济增长之间非线性关系［6］。夏杰长通过分析中国近几年服务业内部各行业的发展，认为生产性服务业的发展可以起到促进服务业升级和推动新型工业化的作用［7］。谷宇、刘平洋选取湖北省1990～2009年生产性服务业的相关数据，使用乔纳森检验的方法对生产性服务业对经济增长的关系做了研究，研究结果显示金融服务业和房地产业贡献比重最大［8］。谷永芬和洪娟以长三角25个城市为研究对象，对城市生产性服务业集聚与经济增长的关系进行了研究，研究结果显示生产性服务业集聚度与经济增长负向效应较为明显［9］。韩峰、王琢卓和阳立高从新经济地理的理论框架出发，运用2003～2011年城市面板数据研究生产性服务业空间技术溢出效应与经济增长的关系，结果显示生产性服务业对经济增长的影响程度由东向西逐渐递减［10］。盛丰则利用2003～2011年全国230个城市的数据，研究生产性服务业对制造业升级的影响以及空间溢出效应［11］。这些分析都定量地研究了生产性服务业与经济增长的关系，但是都只考虑了变量的时间属性，而大部分忽略了其空间属性，因此模型可能存在空间上的计量误差。

本文在上述分析的基础上，对中国31省区2007～2012年的相关面板数据进行空间计量分析，特色在于对中国大陆各省区的生产性服务业集聚及空间相关模式进行了探索，不同于以往研究中仅限于某一省区和某一地区的情况；在定量分析生产性服务业对经济增长的贡献的研究中引入了空间因素，优化了在一般模型中只涉及时间序列分析的弊端，实证结果更加符合经济实际。

二、生产性服务业集聚的内在机制分析

企业自身内生需求推动了分工深化，外部需求扩张进一步要求专业化服务，生产性服务业的集聚通过专业化效率的提高、外部经济性和技术溢出效应促进了经济增长。

（一）市场需求是生产性服务业集聚的内生机制

从制造经济到服务经济使生产服务环节从制造企业生产中不断分离出来，技术分工变成了社会分工，推动了制造企业生产效率的提高。由于专业化分工日益精细，不同生产环节之间由协作关系转向不同产权主体的交易关系，市场交易活动频繁化、复杂化。催生了生产性服务业的集聚和集中，形成了社会化服务网络。专业化会带来生产效率的提高而节约生产成本，但生产性服务业的独立也会带来新的成本——交易成本，包括信息搜寻、谈判和交易双方交易不确定性风险。为了降低运输成本和交易费用等，企业倾向于布局在对其产品和服务需求量较大的地区，在规模报酬递增的作用下，企业会越来越多，集聚的规模越来越大，形成不同的产业集群，这样，可以提供更加符合市场需求的产品，推动企业的技术进步，为企业带来日益增多的经济利益，该地也就成为具有显著集聚优势的中心城市，构成“中心—外围”模式。

随着制造业的集聚，导致土地、能源等生产要素紧缺，空间资源配置不合理，交通通信技术的发展加剧了这一趋势，管理和研发集聚在优势区位，这必然会形成以现代服务业，尤其是生产性服务业的集中，一些中心城市形成服务业对制造业的替代，并使得一般制造业向周边扩散，这有助于打破第二产业内部自循环机制，实现第二、第三产业联动，优化产业结构，实现空间资源的优化配置，解决中心城市面临的诸多矛盾和问题，带来城市经济的转型和经济增长，促进超大城市的经济转型和产业结构优化升级，提升城市服务功能和区域辐射力，形成了对中心城市功能的重新定位，带动经济发展。

（二）创新需求是生产性服务业集聚的内在推动力

产业集群内相关企业之间通过各种正式与非正式的业务交流、信息共享构成一种集体学习，形成知识外溢效应，提高生产效率，其实现的机制主要包括通过社会关系网络获取新的知识，通过集聚区内相关企业的内部合作促进集体学习，通过集聚区内劳动力的流动和交流促进知识和技术的流动。技术的进步使得生产活动专业化程度提高，对专业化服务需求的增强，一些专业化服务部门应运而生。

竞争和创新的外在要求迫使企业从外部寻求更加高质量的技术和知识资本，使得具有该特点的生产性服务业获得了发展的推动力。

（三）生产性服务业对经济增长驱动的机制

生产性服务业对经济增长的作用首先体现在促进生产企业在空间维度上的集中，从而得到因集中带来的外部规模经济，促进自身的发展。外部经济所具有的产业组织效率能使更多的企业集中起来，促进生产性服务业集聚发展，从而促进经济增长。

任何企业都会根据空间成本最小化来选择自己的区位，实现空间产出利润的最大化，当生产制造环节迁往中心城市的外围时，利润率高的环节必然留在中心城区，享受较好的基础设施和服务水平，产业组织也发生改变，推动企业创新机制的形成。可见，生产性服务业的集聚实现了稀缺资源在空间上的高效配置，并提高了全要素生产率，促进经济增长。

三、研究方法与模型设定

本文采用空间计量方法展开研究，空间计量经济学是以空间经济理论和地理空间数据为基础，以建立、检验和运用空间经济计量模型为核心，运用数学、统计学方法与计算机技术对经济活动的空间相互作用（空间自相关）和空间结构（空间不匀称性）问题进行定量分析。

（一）空间自相关性

探寻空间数据在整个系统内表现的分布特征，通常将这种整体分布特征称为全局空间相关性，一般用莫兰指数I进行测度。

莫兰指数I是最早应用于全局聚类检验的方法［12］。它检验整个研究区域中邻近地区间是相似、相异（空间正相关、负相关），还是相互独立的。莫兰指数I的计算公式如下：

莫兰指数I可以看作是观测值与它的空间滞后之间（spatial lag）的相关系数。变量xi的空间滞后是xi在相邻区域j的平均值，定义为：

因此，莫兰指数I的取值一般在－1～1，大于0表示正相关，指数值接近1时表明具有相似的属性集聚在一起（高值集聚、低值集聚）；小于0表示负相关，指数值接近－1时表明具有相异的属性集聚在一起（高低值相邻，低高值相邻）。如果莫兰指数I接近于0，则表示属性是随机分布的，或者不存在空间自相关性。

（二）空间面板模型

早期的空间计量模型主要针对截面数据，安瑟兰（Anselin）给出了空间计量经济分析中空间线性模型的通用形式［13］。其中，空间自回归模型（Spatial Autoregressive Model，SAR）和空间误差模型（Spatial Error Model，SEM）是应用最为广泛的两个空间计量模型，这两类模型的基本设定如下：

Y为因变量，X为自变量构成的矩阵。β为自变量对Y的影响系数所构成的向量。WNT为NT阶方阵，且WNT＝IT⊗WN，即T阶单位矩阵与N阶空间权重矩阵的克罗内克（Kronecker）乘积，T和N分别为面板数据的时间跨度与个体数量。ε与γ则为随机误差向量。λ为空间自回归系数，代表了邻近省区的Y对本省区Y的影响方向与程度，ρ则为空间误差系数，反映了相邻省区Y的扰动误差对本省区Y的冲击程度，两个系数的不同意义体现了经济变量空间相关模式的差异。以上两种空间面板模型按照不同的假设条件都存在固定效应与随机效应两种模式，其中固定效应又可分为空间、时间、时空三种固定形式。

（三）模型设定

根据理论假设和空间计量模型的设定形式，本文选取中国31个省区2007～2012年的数据，将生产性服务业空间集聚及对经济增长贡献的面板数据设定为以下形式：

其中，被解释变量GDP为各省份的非农生产总值，2008年，程大中在相关文献中关于中国生产性服务业的投入结构研究显示，第二和第三产业共获得92．6%的投入量［14］，而其他有关中国生产性服务业产业关联的研究，主要着眼于生产性服务业与第二和第三产业的关联。为了进行符合特定经济现象的实证研究，本文采用各省份非农GDP作为被解释变量，同时，为了考量金融危机之后中国生产性服务业的发展状况和数据的新颖性，选取2007～2012年的相关数据，由于各行业数据的可获得性不同，为了便于分析与比较，本文选取以下几个行业作为分析的重点，包括：交通运输、仓储和邮政业增加值（trans）、金融业增加值（fin）、批发和零售业增加值（pf）和房地产业增加值（fdc）。由于口径不同难于比较，以上变量均取对数，C为常数项，βi，i＝1，…，5依次为各解释变量对城镇化率的弹性系数，数据来源为《中国统计年鉴》各年度的相关数据。

四、实证分析

（一）生产性服务业集聚的实证分析

为了研究生产性服务业的发展是否具有空间集聚效应，根据前述理论模型，计算得出2012年非农GDP和各解释变量的莫兰指数I，具体结果见表1。

由表1可知，莫兰指数I的正态统计值基本大于正态分布在0．05水平上的临界值，同时各数据的莫兰指数I均为正，除了非农GDP和房地产业以外均大于0．2，表明生产性服务业在省域之间存在显著的正的空间相关关系，进一步分析可知，交通运输、仓储和邮政业的指数明显高于其他行业，结合金融危机以来政府出台的相关促进经济增长的政策，中西部地区承接产业转移，以及4万亿投资等，对中国交通运输业产生显著的影响，同时自金融危机以来中国采取了积极的财政政策，对金融业的发展也产生了极强的推动力，因此，交通运输与金融服务业在空间上产生了比较强的集聚效应。

为了对生产性服务业空间集聚的空间效应有更直观的了解，本文绘制了2012年相关变量的散点图。

在图1中，横坐标代表变量的数值，纵坐标代表相应的空间滞后变量，实线为各散点的拟合直线，而菱形点则代表相应省份有着较强的空间溢出能力。从图1可知，有7个省市落在了第一象限，表示非农GDP高产值区域与同为高产值区域相邻的正空间自相关集群，其中，江苏（10）、山东（15）和福建（13）三省的非农GDP对周围省份具有较强的空间溢出能力，落在第二象限的有4个身份，是非农GDP低产值区域被高产值区域包围的负空间自相关集群，其中，海南省具有较强的空间溢出能力；落在第三象限同为非农GDP低产值相邻的省市，代表具有空间正相关关系的省份集群，有14个代表省区；落在第四象限的是非农GDP高产值区域被低产值区域包围的负空间自相关集群，有6个省区落在这一区域，其中具有代表性的是广东省，对周边地区具有较强的空间辐射能力。在图1中，落在第一、第三象限的省份共有21个省份，占到全国比例的67．7%，说明中国非农GDP具有很强的集聚效应，对其他产业的解读同样如此。

综合图1～图5可知，江苏、福建和山东三省大部分时间落在第一象限，而广东则在大部分情况下落在第三象限，说明中国东部沿海省份在经济发展在各个领域处在全国的领先地位。大部分省市都落在第三象限，说明中国低值被低值环绕的省份数量最多，且其中大部分为中西部省份，说明这些地方显示了极强的空间集聚性，并且具有很强的发展潜力，其余省份落在了相应变量所表示的“盆地”与“高地”，这10个省份大多位于前两种模式的交界处，由于自身的地缘因素，充当了高值被高值环绕与低值被低值环绕两种模式的缓冲地带。

（二）生产性服务业集聚与经济增长的实证分析

1．模型模式的选择

本文采用增广的空间权重矩阵WNT代替原矩阵将检验推广到面板数据模型，使用R得到检验结果，见表2。空间自回归模型（SAR）和空间误差模型（SEM）哪个更适用于实证分析，一般可通过包括莫兰I检验、两个拉格朗日乘数（Lagrange Multiplier）形式LMerr，LMlag和稳健（Robust）的RLMerr、RLMlag等来实现。

安瑟兰（Anselin）提出了如下判别准则：如果在空间依赖性的检验中发现，LMlag较之LMerr在统计上更加显著，且RLMlag显著而RLMerr不显著，则可以断定适合的模型是空间滞后模型；相反，如果LMerr比LMlag在统计上更加显著，且RLMEerr显著而RLMlag不显著，则可以断定空间误差模型是恰当的模型［15］。

由表2可知，针对回归残差的莫兰检验达到了0．39，这再次说明了中国生产性服务业具有空间正相关性，从检验统计量上看，LMerr要远大于LMlag，同时RLMerr也远大于RLMlag，而且LMlag和RLMlag都不具有空间显著性，因此本文适合采用空间误差模型进行回归分析。

2．回归结果

针对以上分析结果，我们对设定的模型分别在空间、时间、时空固定效应与随机效应四种情况下进行估计，同时采用普通的固定效应面板模型进行回归，以方便进行二者的比较分析，分析结果见表3。

综合回归结果的可决系数与调整的可决系数可知，空间面板回归的结果要明显优于普通面板回归的结果，而在空间面板误差模型中，时间固定、空间固定与随机效应的拟合结果是比较好的，这表现为较高的可决系数，大部分参数能通过显著性检验，而时空固定效应的结果相对较差，这说明中国各省区在生产性服务业的集聚方面存在较强的时间与空间效应，但时空固定效应较为不明显。

从表3可知，交通运输、仓储与邮政业在时间固定和空间固定效应下的系数值显著为正，在时间固定效应下达到了0．32，在空间固定效应下达到了0．39，说明在时间维度上，交通运输、仓储和邮政业增加值每增加1个百分点，会促进国内生产总值增加0．32个百分点，而在空间维度上，这种驱动水平更加显著，说明了基础设施建设和人力资源投入对区域非农经济的拉动效应十分显著，能够显著带动地区和相应周边省份的经济增长。

金融服务业的发展水平对经济增长的作用没有想像中那么大，在时间和空间维度上仅提供了最多0．19个百分点的经济推动作用，一种可能的原因是自2007年金融危机爆发以来，金融业在产业竞争力和产业竞争效率方面，较其他产业存在一定的差距。

批发零售业对经济增长的拉动作用在各个行业中最为显著，在时间维度上甚至达到了0．5个百分点，在随机效应模式下也达到了0．4，从总体上看，生产性服务业中的批发零售业，在后金融危机时代，对区域和全国经济的增长，对内需的拉动，具有明显的促进作用。

房地产业对经济增长的推动作用则要明显小于其他行业，并且在除了时间固定效应外的其他效应情况下系数的显著性都较差，说明了房地产业泡沫现象凸显，在高房价的背景之下，经济的泡沫越来越大，长期下去将不利于经济的发展，在后危机时代应该加强对房地产业的宏观调控。

从表3的空间误差项系数ρ在各个效应下都显著为负，并且在除随机效应以外都通过了5%的置信水平，这进一步证实了空间相关性的存在，而且表明相邻区域的解释变量误差冲击对该区域被解释变量存在负向影响，说明中国省域间存在较强的经济资源竞争关系。

五、结论与启示

通过空间计量方法对中国31个省区2007～2012年的数据进行分析后，可以得出两点结论：

（1）生产性服务业空间集聚现象显著存在，并且呈现出中西部地区低值集聚和东部地区高值集聚的现象，江苏、福建和山东三个省区的生产性服务业具有较强的空间溢出能力。

（2）交通运输、仓储与邮政业在时间和空间维度上对经济具有显著的推动作用，金融服务业则在金融危机之后，作用有所减弱，批发零售业在所选取的各个行业中对经济的拉动作用最为明显，而房地产业则在时间和空间维度上作用都不明显，且空间误差效应系数为负，说明中国各省份存在显著的经济资源竞争关系。

因此，本文认为，要促进生产性服务业的发展和集聚，应在三个方面加强工作：

（1）关注空间效应，对生产性服务业的发展进行宏观的统筹规划。在国家宏观层面上，建立长效机制，优化产业的空间布局，对西部低值集聚的地区，应重点加强技术、人才和资源的投入力度，打破东西部地区两极分化的格局。

（2）加强制度和创新水平的建设，促进生产性服务业溢出效应的扩大。生产性服务业是知识和技术密集型产业，相关企业应该加强知识技术的原创基础，促进创新激励机制的建设，促进科技成果转化为生产力，引导各类资本向生产性服务业投入，提高生产性服务业的溢出效应。

（3）促进经济的均衡发展，避免省份之间的恶性竞争和资源浪费。生产性服务业在中国的发展体现显著的省域间的竞争关系，这与中国不间断的重复建设和无序的恶性竞争有密切关系，政府应该建立跨区域的经济增长的协调机制，对欠发达的西部地区重点加强资源和技术投入，加强省域间的经济交流和合作，消除因行政区划产生的区域经济条块割据状况，使生产性服务业在省域间的负向经济溢出效应转化为正向经济溢出效应，发挥对国民经济的推动作用。

［1］盛龙，陆根尧．中国生产性服务业集聚及其影响因素研究——基于行业和地区层面的分析［J］．南开经济研究，2013（5）：115－129．

［2］刘丽萍．基于空间模型的生产性服务业集聚与经济增长关系研究［J］．审计与经济研究，2013（6）：91－99．

［3］王雪瑞，葛斌华．中国生产性服务业空间效应研究——基于SLM，SEM模型的实证［J］．中央财经大学学报，2012（4）：68－71，96．

［4］陈志明．基于空间计量经济学的生产性服务业集聚及其影响因素研究［D］．华南理工大学，2012．

［5］Martin，Ottaviano．Growth and Agglomeration［J］．International Economic Review．2001（42）．

［6］刘纯彬，李筱乐．生产性服务业发展与经济增长的非线性关系［J］．上海经济研究，2013（9）：60－67．

［7］夏杰长．中国服务业三十年：发展历程、经验总结与改革措施［J］．首都经济贸易大学学报，2008（6）：44－53．

［8］谷宇，刘平洋．湖北省生产性服务业对经济增长贡献的实证研究［J］．企业经济，2012（5）：106－109．

［9］谷永芬，洪娟．城市群服务业集聚与经济增长——以长三角为例［J］．江西社会科学，2013（4）：45－49．

［10］韩峰，王琢卓，阳立高．生产性服务业集聚、空间技术溢出效应与经济增长［J］．产业经济研究，2014（2）：1－10．

［11］盛丰．生产性服务业集聚与制造业升级：机制与经验——来自230个城市数据的空间计量分析［J］．产业经济研究，2014（2）：32－39，110．

［12］Cliff A D，J K Ord．Spatial Autocorrelation［Z］．London：Pion，1973．

［13］Anselin L．Spatial Econometrics：Methods and Models［M］．The Netherlands：Kluwer Academic，1988

［14］程大中．中国生产性服务业的水平、结构及影响——基于投入—产出法的国际比较研究［J］．经济研究，2008（1）：76－88．

［15］Anselin L．Advances in Spatial Econometrics：Methodology，Tools and Applications［M］．Berlin：Springer，2004．

A Study on Spatial Effect of Chinese Producer Services Agglomeration——Based on Spatial Panel Data Model

ZHOU Ming-sheng，CHEN Wen-xiang
（School of Economics，Capital University of Economics and Business，Beijing 100070）

The paper selected the producer services data of 31 provinces，building the spatial panel data model by calculating the Moran’s Index，then analyzed the spatial agglomeration of China’s producer services on province level and the contribution of each industry in producer services to the economic growth．It has been found that：all variables of producer services show significant spatial agglomeration features，even economic resource competition to some degree．In the aspect of the contribution to the economic growth，wholesale and retail industry，transportation industry and storage and postal industry have the most obvious effect on promoting economic growth，while the effect of financial industry is slightly weakened due to the financial crisis，and the realty industry has the least effect on economic growth．

Producer Services；Spatial Agglomeration；Spatial Panel Data Model

F264．1

A

1000－7636（2014）09－0069－08

责任编辑：董洪敏

2014－06－18

北京市哲学社会科学规划项目“CBD高端企业总部集聚效应研究”（11GB078）；创新团队建设提升计划“北京空间资源配置、产业升级与经济稳定发展研究”（IDHT20140511）

周明生 首都经济贸易大学经济学院教授、博士生导师，北京，100070；陈文翔 首都经济贸易大学经济学院硕士研究生。