中国资源型产业集聚对全要素生产率的影响研究

孙慧　朱俏俏

摘要本文基于2005-2014年中国31个省市自治区的面板数据，以全要素生产率增长对经济发展效率予以度量，运用多种计量分析和检验方法，在通过两阶段SYSGMM方法有效控制解释变量内生性问题的条件下，实证考察了资源型产业集聚对全要素生产率增长的非线性影响。结果表明，资源型产业集聚与全要素生产率增长呈显著的倒“U”型曲线关系，并表现出强稳定性，资源型产业最优集聚规模为0.891，当资源型产业集聚度小于倒“U”型曲线的拐点0.891时，资源型产业集聚对全要素生产率增长具有显著的促进作用，一旦资源型产业集聚度超过这一拐点时，产业的过度集聚就会阻碍全要素生产率的增长；将资源型产业全要素生产率分解为技术进步和技术效率，由于资源型产业以水平型集聚为主，使得资源型产业技术效率的提高对全要素生产率增长的贡献大于技术进步，当集聚类型由水平型向垂直型转化时，技术进步对全要素生产率的有利影响将会凸显出来；资源型产业集聚与全要素生产率之间倒“U”型曲线的拐点值对于不同传导机制因素的敏感程度不同，科技创新投入、人力资本水平、市场化程度、基础设施建设四个因素推延了资源型产业最佳集聚规模阈值，降低了由于集聚规模扩大而对全要素生产率增长产生 “拥塞效应”的风险；中国48.39%的省份处于资源型产业集聚“规模效应”阶段，集聚规模的扩大会继续促进全要素生产率的增长，51.61%的省份大多属于资源富集省份，处于产业集聚 “拥塞效应”凸显阶段，若继续扩大集聚规模，过度集聚将进一步阻碍全要素生产率的增长。

关键词资源型产业集聚；全要素生产率；集聚效应；拥塞效应；两阶段系统GMM

中图分类号F061.5 文献标识码A文章编号1002-2104（2016）01-0121-10doi：10.3969/j.issn.1002-2104.2016.01.017

资源型产业是以开发利用能源资源和矿产资源为主要基础原料和依托的产业。资源型产业是资源丰裕地区经济社会发展的重要源泉，由于资源型产业更依赖本地丰富的自然资源，因此显现出更强的空间集聚效应，由自然资源的开采、利用、加工而形成的资源型产业集聚是区域经济发展的增长极，对提高地区资源型产业生产效率、促进区域经济发展的作用显得尤为重要。

1研究综述

产业集聚是自19世纪末以来备受学术界关注的一种经济现象。无论是Marshall的外部规模经济理论， J.B.Boudeville的产业区位理论，还是以Paul R. Krugman为代表的新经济地理学理论，都认为产业在一定规模内集聚有利于人力资本流动、知识信息外溢、基础设施共享以及技术服务专业化，从而通过集聚产生的正向规模效应降低生产成本、促进经济发展、改善生产效率，不断提高集聚的边际效益；而当产业过度集聚时，则会引起管理效率降低、资源供给不足、交通拥挤严重以及生活成本上升等负向的拥塞效应，集聚边际效益下降，最终导致集聚的规模经济逐渐被规模不经济取代，经济发展在数量和质量双维度的经济效应就会降低，甚至转为负值。从理论研究可看出，产业集聚对经济发展效率的影响并非只是起单向线性的促进或阻碍作用，二者之间更可能存在某种其他形式的非线性关系。然而，目前大多数学者仍在线性关联的分析范式下探讨产业集聚与经济发展效率的关系，很少有实证研究对二者的非线性关联进行识别验证。例如， Sveikauskas[1]、Segal[2]、Moomaw[3]、Beeson[4]、Ciccone[5]、谢波[6]应用线性模型实证考察了集聚与经济发展效率之间的正相关关系，强调了集聚规模效应对企业生产效率的影响；Carlino[7]、Combes[8]、Sbergami[9]、Bautista[10]、Brulhart and Sbergami[11]运用线性检验模型，得出相反的结论，认为集聚与经济发展效率之间并没有显著联系，甚至集聚会阻碍经济的增长和生产率的提高。

孙慧等：中国资源型产业集聚对全要素生产率的影响研究中国人口·资源与环境2016年第1期也有少数学者对集聚的非线性经济效应进行了实证检验，Henderson[12]通过构建城市规模模型证明了拥塞效应的存在，其研究结论证明规模经济是有限的，其外部性随着规模的扩大而减弱，拥塞效应与集聚水平成负相关关系；Futagami和Ohkusa[13]从产品多样性角度发现市场规模与经济发展效率之间存在倒“U”型曲线关系，无论是偏小还是偏大的市场规模均不利于经济的快速发展，只有市场规模处于中等适度水平，经济的发展才最有效率，因此证明了集聚的规模经济效应呈非线性特征；Lin等[14]采用EllisonGlaeser指数测量了中国纺织业集聚度，证明集聚与劳动生产率二者呈倒“U”型关系；王燕、徐妍[15]以中国制造业为例，证明了产业空间集聚对全要素生产率的影响存在门槛效应，其影响力随产业集聚水平的提高而逐步减弱，集聚存在最优规模；王晶晶等[16]采用两阶段系统广义矩估计方法实证研究了服务业与劳动生产率之间的关系，指出服务业集聚的“拥塞效应”和“集聚效应”会在不同时期达到不同均衡。以上文献验证了集聚与经济效率之间存在非线性关系，但并没有给出令集聚效应发生结构性转变的拐点，即在多大的集聚水平下集聚经济会由“规模效应”转变为“拥塞效应”，亦或反之。因而，本文的研究将填补资源型产业在确定最优集聚规模方面的空白，为后续进一步研究奠定基础。

新古典经济增长理论认为，一个经济体如果能长期保持快速增长，其必定伴随有全要素生产率的较快提高[17]。已有文献对集聚与经济发展效率二者关系的研究，更多地聚焦于集聚溢出效应对经济增长总量的影响，而从经济增长效率视角，即集聚效应如何对劳动生产率及全要素生产率产生影响，影响程度如何等方面的研究还比较匮乏。此外，对产业层面的考察主要集中于制造业、服务业部门，而专门针对资源型产业集聚效应的研究较少，对资源型产业集聚与全要素生产率关系的研究更是少见。资源型产业全要素生产率是衡量地区资源型产业经济发展质量的重要指标，资源型产业全要素生产率的增长有助于资源型产业经济的持续发展。因此，本文选择将全要素生产率作为研究变量，为考察资源型产业集聚对全要素生产率的影响。本文选取2005-2014年中国省级层面的资源型产业集聚规模为横轴，以各省市自治区的全要素生产率年均增长率为纵轴，绘制出如图1所示散点拟合图。从图1中可看出，二者在一定程度上呈倒“U”型曲线关系。在曲线的拐点两侧，资源型产业集聚与全要素生产率增长分别呈现出正相关性和负相关性。从以上分析及文献研究中得到启示，大胆提出假设：资源型产业在集聚过程中的规模经济并不是一直存在的，可能存在拐点，拐点之前规模效应起主导作用，拐点之后拥塞效应的约束作用被凸显，即资源型产业集聚与全要素生产率之间存在倒“U”型曲线关系（见图2）。本文接下来就资源型产业集聚对全要素生产率的非线性影响展开实证研究。

2模型设定、数据来源与方法介绍

2.1模型设定

根据本文研究目的以及第一部分提出的假说，主要考察资源型产业集聚如何影响全要素生产率的增长，二者之间是否存在某种非线性关系，因此，引入资源型产业集聚的二次方项，构建如（1）式所示的基本静态面板回归模型：

生产率增长的散点拟合图（2005-2014年）

Fig.1Scatter fitting chart of the agglomeration of

resourcebased industry and the growth of TFP

on Chinese provincial level （2005-2014）

倒“U”型曲线关系假说

Fig.2Inverted “U” curve hypothesis of the

relationship between the agglomeration of

resourcebased industry and TFP

TFPGit=α0+α1RAGGit+α2RAGGit2+α3Xit+εit （1）

其中，被解释变量TFPG表示资源型产业全要素生产率增长；RAGG表示资源型产业集聚，RAGG2是其二次方项；X表示模型中影响全要素生产率增长的其他控制变量组成的向量集，本文主要包括滞后一期的全要素生产率增长（TFPGt-1）、技术进步（TECHG）、技术效率（EFFG）三个基本控制变量以及资源产业依赖（RD）、科技创新投入（TECHI）、人力资本水平（HC）、外商直接投资（FDI）、基础设施建设（INF）、市场化程度（MAR）、政府干预程度（GOV）等七个其他控制变量；i代表各省级截面单位；t代表时间序列的年份；α0-α3为待估参数；ε为随机扰动项。各变量的具体解释说明如下：

（1）被解释变量：资源型产业全要素生产率增长（TFPG）。本文采用DEAMalmquist指数法，对中国31个省市自治区各年的资源型产业全要素生产率进行了测算，并在回归过程中将其进行减1处理，变换为以百分比为单位的相对于上一年的增长率形式从而得到该项指标数据。测算所需的两个投入变量劳动和资本分别采用资源型产业从业人员年平均人数和固定资产净值予以度量。

（2）主要解释变量：资源型产业集聚（RAGG）及其二次方项（RAGG2）。本文选择区位熵指数作为衡量省级资源型产业集聚程度的指标[18]，采用地区资源型产业总产值来计算资源型产业集聚程度。

（3）基本控制变量：A.滞后一期的资源型产业全要素生产率增长（TFPGt-1）。现实反映出当期的全要素生产率通常可能受到上一期生产效率的影响，为了捕捉这一“惯性”特征，本文加入资源型产业全要素生产率增长的一阶滞后项作为基本控制变量。B.技术进步（TECHG）、技术效率（EFFG）。普遍认为，有两种情况可促使全要素生产率得以提高，一是在技术水平不变的情况下提高技术效率，使产出水平逐渐接近现有技术条件下的最大生产可能临界值；二是源自最大生产可能临界值的提高，即技术进步[19]。因此，本文将技术进步和技术效率引入模型以便考察技术效率的改善和技术进步的提高对全要素生产率增长的贡献。

（4）其他控制变量：除引入以上3个基本控制变量外，根据经济学相关理论并参考大量文献，结合数据的可得性选取了以下7个影响资源型产业全要素生产率增长的重要因素作为其他控制变量引入模型，用以考察以下因素是否能够影响资源型产业集聚的溢出效应。

A.资源产业依赖（RD）。资源产业依赖是地区经济对于资源的依赖程度，即资源型产业在地区经济中具有的地位高低和作用大小[19]。因此，资源产业依赖对全要素生产率的影响可能是正向的，也可能是负向的。本文选择资源型产业从业人数占从业总人数的比重作为资源产业依赖指标，反映出一个地区就业结构向资源型产业的倾斜程度，从而从就业角度对资源产业依赖程度予以度量[19]。

B.科技创新投入（TECHI）。内生经济增长理论认为增加研究与开发（R&D）投入所带来的技术创新有利于促进技术进步和生产效率的提高。本文用科技活动经费支出占行业工业总产值比重这一指标反映资源型产业科技创新投入水平，预期其系数符号为正。

C.人力资本水平（HC）。众多学者从理论层面和实证角度均验证了人力资本对全要素生产率增长具有积极作用[20-21]。第一，人力资本投入通过提高劳动者受教育程度、熟练掌握职业技能等途径直接提高全要素生产率水平；第二，人力资本决定着地区或产业的技术创新能力，从而通过提高研发水平和增强技术吸收能力间接影响全要素生产率的提高。本文采用普通高等学校在校学生数占总人口比重来对人力资本水平进行度量，预期其系数符号为正。

D.外商直接投资（FDI）。外商直接投资可带来技术外溢与扩散效应、竞争效应、示范效应，本文引入该指标用以考察区域的对外开放程度能否影响资源型产业集聚的溢出效应。本文采用实际利用外商直接投资占GDP的比重来反映外资利用水平，预期其系数符号为正。

E.基础设施建设（INF）。资源型企业生产运作涉及到大量的原材料供应和产品外销，因此运输条件的便利性、通达性是影响资源型产业发展的重要因素。本文用铁路营业里程与公路里程数之和与地区面积的比值表示基础设施建设水平，预期其系数符号为正。

F.市场化程度（MAR）。市场化进程是资源型产业技术进步和全要素生产率增长的主要力量源泉，市场化程度反映了资源型产业的要素配置效率。本文用非国有企业工业总产值与地区工业总产值的比重表示市场化程度，且预期其系数符号为正。

G.政府干预程度（GOV）。政府在适当合理的程度内对经济进行干预将有助于优化资源配置、克服市场失灵、弥补市场机制的缺陷与不足，从而促进生产率的提高，但若干预过度或缺乏效率，那么在市场失灵的同时还会出现政府失灵，也会导致资源配置无效，对生产率的提高产生负面影响。本文用政府财政支出占GDP的比重表示政府干预程度，将其作为控制变量引入模型。

综上，本文最终所构建的回归模型如下：

TFPGit=β0+β1RAGGit+β2RAGGit2+β3TFPGit-1

+β4TECHGit+β5EFFGit+β6RDit+β7TECHIit

+β8HCit+β9FDIit+β10INFit+β11MARit

+β12GOVit +δit （2）

其中，β0-β12为待估参数，δ为随机扰动项。

2.2数据来源

本文以2005-2014年全国31个省市自治区为研究对象，重点考察资源型产业集聚如何影响全要素生产率增长。按照中国国民经济统计口径，根据《国民经济行业分类》（GB/T 4754—2011）二位码分类标准，本文将资源型产业界定为包括采矿业，电力、热力、燃气及水生产和供应业以及资源型制造业等13个细分行业，具体为煤炭开采和洗选业、石油和天然气开采业、黑色金属矿采选业、有色金属矿采选业、非金属矿采选业、石油加工炼焦及核燃料加工业、非金属矿物制造业、黑色金属冶炼及压延加工业、有色金属冶炼及压延加工业、金属制品业、电力热力的生产和供应业、燃气生产和供应业、水的生产和供应业。数据主要来源于《中国统计年鉴》、《中国工业经济统计年鉴》、《中国经济普查年鉴（2004）》，其中少数缺失的数据利用各省份统计年鉴、万德数据库及灰色预测法予以补齐。

2.3计量方法

对面板数据进行参数估计最常用的方法是固定效应和随机效应模型。但本文的动态面板数据模型可能存在因引入的被解释变量滞后项与随机扰动项相关而产生的内生性问题，解决动态面板模型的内生性问题，保证所得估计结果的无偏一致性，这两种传统方法并非有效。此时，两阶段系统广义矩估计（SYSGMM）方法则是更好的选择。

该方法对模型中含有被解释变量滞后期、部分或全部解释变量内生、每个截面个体的随机扰动项可能存在不同的异方差和序列相关模型都是适用的。

SYSGMM估计结果一致与否取决于工具变量是否有效，因此，必须对工具变量的过度识别限制问题进行Hansen检验，以及使用ArellanoBond检验（以下简称AB检验）对工具变量选择的合理性进行判断。若Hansen检验结果接受了原假设，即工具变量有效（Hansen统计量的p值≥0.1），且AB检验结果显示随机误差项不存在二阶序列相关（即AR（1）统计量的p值<0.1且AR（2）统计量的p值>0.1），则说明工具变量有效，模型设定合理。本文主要采用两阶段SYSGMM方法对选取的工具变量是否有效进行统计检验，在此基础上对模型（3）进行参数估计。

另外，尽管前文提出了倒“U”型曲线假说，但资源型产业集聚与全要素生产率之间仍可能存在其他形式的非线性关系，如三次曲线形式的“N”型或倒“N”型，甚至更为复杂的其他形式的非线性关系。为确保假说检验结果的真实性、可靠性、稳健性，不仅需证明二者之间的倒“U”型曲线关系显著存在，还需要运用多种分析检验方法对其他曲线关系进行检验，考察其他类型曲线关系存在的可能性。因此，本文借鉴邵帅等[19]人的做法，除采用本文重点关注的能有效处理内生问题的两阶段SYSGMM方法外，还运用了其他非线性分析方法——门限面板回归（TPR）方法以及混合最小二乘法（POLS）、固定效应（FE）模型和随机效应（RE）模型作为辅助分析方法，力求从多角度对资源型产业集聚与全要素生产率之间的关系进行识别。其中门限面板回归方法最大的优点是不需给出非线性方程的具体形式，样本数据可内生决定门限个数及门限值。

由于本文主要考察的是不同水平的资源型产业集聚对全要素生产率的直接非线性影响，因此将门限变量设定为RAGG本身。资源型产业集聚与全要素生产率之间非线性关系的走势可以通过各门限区制对应的系数符号的正负性和显著性予以判断。

值得注意的是，考虑到内生性问题对模型回归结果是否存在偏误的重要影响，而以上分析检验方法中仅有SYSGMM能够对其进行有效控制，因而本文将对SYSGMM的回归结果作重点分析，而将运用其他方法得出的回归结果与之进行辅助对比分析，从而与SYSGMM的结果相互印证，增强结论的可靠性与稳健性。

3结果及讨论3.1整体分析结果及讨论

门限效应检验结果显示，资源型产业集聚对全要素生产率增长在1%的水平上存在显著的单一门限效应，而双重和三重门限效应均不显著（由于篇幅所限，文中省略了门限个数的显著性检验过程），由此推断，资源型产业集聚与全要素生产率增长之间可能存在着某种二次曲线关系。表1中的模型1为对应的门限面板估计结果，从估计出的参数结果来看，在0.959这一门限值前后的两个区制内，资源型产业集聚的系数分别为0.106和-0.064，且分别在1%和5%的水平上显著，说明资源型产业集聚和全要素生产率之间呈倒“U”型关系，以0.959为拐点，资源型产业集聚在拐点前后对全要素生产率增长分别表现出显著的正效应和负效应。但模型1只是静态模型，没有考虑到经济变量的动态滞后效应。因此，进一步采用能有效控制变量内生问题的两阶段SYSGMM方法，对引入资源型产业集聚三次方项的（2）式进行估计（模型2），参数估计结果显示，三次方项系数并不显著，而一次方和二次方项系数依然高度显著，且一次方系数为正，二次方系数为负。说明无论是采用基本的一般静态模型，还是采用考虑滞后表1全要素生产率增长模型整体分析结果对模型1而言，分别对应于其单一门限效应的低门限区制和高门限区制。效应与控制内生性的动态模型；无论是采用无需设定具体方程模型的TPR方法，还是采用三次方程形式的SYSGMM方法，均拒绝了资源型产业集聚与全要素生产率增长存在三次关系的设想，从而肯定了二者之间倒“U”型曲线关系的存在。因此，接下来将重点关注二者的倒“U”型曲线关系，从多种角度采用多种计量方法予以检验。

模型3是本文重点采用的SYSGMM方法对（2）式的估计结果。可看出，与模型2一样，模型3中的AB检验与Hansen检验均符合GMM的估计要求，倒“U”型曲线关系依然存在。需要说明的是，虽然GMM方法具有诸多优点，但其动态面板估计量易受到弱工具变量的影响而产生较大偏误。Bond（2002）提出了一个判断是否发生较大偏误的经验法则，即将GMM估计量分别与包含被解释变量滞后项的POLS和FE的估计量进行比较，若被解释变量滞后项的GMM估计量介于POLS和FE所对应的估计量之间，则GMM估计是有效的[22]。鉴于此，接下来分别采用加入了全要素生产率增长滞后一期作为解释变量的两种方法——动态POLS（模型4）和动态FE（模型5）进行参数回归估计，通过比较可看出，模型3的滞后一期全要素生产率增长率的系数-0.055确实介于模型4的系数-0.043和模型5的系数-0.075之间，说明模型3的SYSGMM估计结果并没有因为弱工具变量问题而产生明显偏误，倒“U”型曲线关系依然稳健。

最后，为了更深入地探寻内生性问题在资源型产业集聚对全要素生产率溢出效应研究中的重要性，在模型6-模型8中分别给出了被众多学者广泛采用的三种静态模型估计方法——静态POLS、静态FE和静态RE的估计结果，并与SYSGMM方法的估计结果相比较，从而判断内生性问题的影响程度，考察SYSGMM估计结果的稳健性。部分学者也采用类似的比较研究思路[15，19，23]。对比模型3可看出，在系数的显著水平上，POLS、FE、RE的参数估计效果明显欠于SYSGMM，资源型产业集聚的二次方项、人力资本水平、外商直接投资、基础设施建设、政府干预程度等变量的系数均不显著，甚至有些变量的系数符号与模型3的GMM估计结果相反，从而表明内生问题显著存在，有必要采用SYSGMM方法对其进行控制。需要注意的一点是，采用静态POLS的模型6和静态RE的模型8中的资源型产业集聚变量的二次项系数虽然为负，但没有通过显著性检验，而一次项系数显著为正，说明如果仅以没有控制个体效应和内生性问题的POLS和RE的估计结果作为判断依据，就很可能得出我国省级层面资源型产业集聚会促进全要素生产率增长的错误结论。

综上，无论采用何种方法均表明资源型产业集聚与全要素生产率增长之间存在显著的倒“U”型曲线关系，即资源型产业的集聚效应存在一个阈值，当一个地区资源型产业的集聚度小于这个阈值时，产业的集聚效应大于拥塞效应，产业集聚就会对全要素生产率的增长显现出积极影响，当一个地区的资源型产业过度集聚，超过这一阈值时，产业集聚的正效应就会消失，转而集聚的“拥塞效应”显现出来，不利于生产率的增长。从各模型的拐点值大小来看，波动幅度较小，大致处于0.8-2.0之间，重点关注模型3的拐点值为0.891，是所有模型中的最小值，说明内生性问题对于资源性产业集聚与全要素生产率之间倒“U”型曲线的拐点值存在向上的偏倚性影响。

3.2分步分析结果及讨论

验证了假说的合理性之后，本部分采用SYSGMM方法通过逐步依次添加控制变量的方法对资源型产业全要素生产率增长模型进行“独特性”分析，以考察各控制变量对倒“U”型曲线及其拐点动态变化情况的影响程度及传导路径。表2中8组模型（其中模型8与表1中的模型3等同）的实证检验结果显示，所有模型的残差均通过1%水平的显著性检验，存在一阶自相关，但不存在二阶自相关，且Hansen统计量均不显著，从而表明各模型设定合理、工具变量有效。此外，除模型5和模型7的资源型产业集聚二次方项、模型7的基础设施建设三个系数没有通过显著性检验以外，其余所有系数均至少通过10%水平的显著性检验，并且在逐步添加控制变量的过程中，各系数符号均保持不变，表明回归结果非常稳健，所选取的变量对全要素生产率的增长具有重要影响。

模型1是包含除资源型产业集聚以及集聚二次方项两个解释变量外，仅加入滞后一期全要素生产率增长、技术进步、技术效率三个基本控制变量的估计结果，与前文的研究结果一致，资源型产业集聚一次项和二次项的系数分别显著为正和显著为负，拐点值为1.387，在7个模型中最大。

模型2引入了资源产业依赖这一指标作为控制变量，其系数为负，且在1%的水平上通过显著性检验，说明地区发展对资源型产业的依赖阻碍了其全要素生产率的增长。由于资源型产业大多科技含量不高、技术水平偏低，缺乏通过提高生产效率来促进产业发展的动力，导致与之相关的科技研发、技术创新、人力资本等因素投入不足，从而使全要素生产率的提升缺乏必须的人力物力支持。模型2较模型1的拐点值有所降低，说明地区经济发展对资源型产业的依赖在一定程度上削弱了产业集聚过程中集聚效应对全要素生产率增长的积极影响，提前了资源型产业集聚拥塞效应的显现。

模型3和模型4依次引入了科技创新投入和人力资本水平两个变量，科技创新和人力资本的溢出效应有力地推动了全要素生产率的增长，其系数均为正值并显著，且表2全要素生产率增长模型分步分析结果

模型5将外商直接投资引入了模型，与预期相反，外商直接投资的系数为负且高度显著，说明外商直接投资没有表现出技术扩散或正向技术外溢效应，反而显著抑制了全要素生产率的增长。可能由于我国关系国家经济安全命脉的资源型产业的进入壁垒非常高，导致资源型产业吸引外资的能力较弱；其次，一个地区的资源型产业发展较快，集聚度较高，就容易挤出制造业发展，而制造业是吸引外资的重要部门，因此，制造业的萎缩又进一步降低了资源型产业的引资能力。

模型6引入了基础设施建设这一控制变量，系数符号为正且显著，符合预期，对全要素生产率的增长表现出积极影响，使最佳集聚规模由模型5的0.902向后推移到模型6的0.928。

模型7将控制变量市场化程度引入模型，其系数为正，通过1%的显著性水平检验，对全要素生产率的增长起促进作用。说明市场化程度的提高有利于要素的自由流动，提高资源型产业的要素配置效率。

模型8是本文重点关注模型，加入了最后一个控制变量——政府干预程度，其系数符号显著为负，说明政府在不合理的范围干预经济发展，且政府的干预活动缺乏效率，导致资源配置失衡、市场活力不足、因此阻碍了全要素生产率的增长，缩小了资源型产业集聚的最佳规模阈值。

从模型1-模型8的估计结果来看，资源型产业集聚的一次项和二次项系数分别始终保持显著为正和显著为负，从而再次印证了资源型产业集聚与全要素生产率增长之间非常稳健的倒“U”型曲线关系。从拐点值的变动幅度来看，倒“U”型曲线的拐点值对于不同传导因素的敏感程度也有所差异。科技创新投入、人力资本水平、市场化程度、基础设施建设四个因素推延了资源型产业最佳集聚规模阈值。此外，表2的结果显示，技术进步、技术效率两变量的系数始终为正，且高度显著。技术效率变化对资源型产业全要素生产率变动的解释力大于技术进步，反映出相对于技术创新，资源型产业发展更重视对当前现有技术的改进和吸收，这可能与中国资源型产业的水平集聚类型有关。该集聚类型表现为处于同一生产阶段技术相似的同种类型企业在地域上的集中，这种集聚有利于企业间技术外溢和扩散，但减弱了企业进行技术创新的动力，转而依靠扩大企业规模、调整企业结构、改进管理方式等途径提高企业的生产效率。集聚的另一种形式为垂直型集聚，这种集聚使行业的上下游企业间形成紧密的产业链，链条企业发展目标的一致性有助于技术研发和外溢，进而促进整个行业的技术进步。目前，由于我国资源型产业结构单一、供应链短，集聚类型更多地表现为水平型，因此，技术效率的提高对产业全要素生产率增长的作用大于技术进步。另外，从表1和表2可看出，所有模型均显示滞后一期全要素生产率增长的系数为显著负值，这是由于如果上一年全要素生产率增长较快，必然缩小了下一年的提升空间，反之，如果上一年增速较慢，下一年的提升空间就会较大。

3.3按拐点分组的区域分析及讨论

根据模型设定最合理的表1中模型3的拐点值大小，可将中国31个省市自治区分为两组：①资源型产业集聚度小于0.891的区域，有北京、吉林、上海、浙江、安徽、福建、湖北、湖南、广东、广西、海南、重庆、四川、云南和西藏等15个省份，占全国的48.39%，资源型产业集聚对全要素生产率增长表现出积极的“规模效应”，这些省份的资源型产业集聚规模还有适度扩大的空间；②资源型产业集聚度大于0.891的区域，有天津、河北、山西、内蒙古、辽宁、黑龙江、江苏、江西、山东、河南、贵州、陕西、甘肃、青海、宁夏和新疆等16个省份，占全国的51.61%，这些省份大多属于资源富集省份，资源型产业集聚度已超过最优集聚规模，过度集聚将产生“拥塞效应”，阻碍全要素生产率的增长。

4简要结论与启示

本文在梳理总结相关文献的基础上，提出资源型产业集聚与全要素生产率之间呈倒“U”型曲线关系的假说，并利用2005-2014年中国31个省市自治区的面板数据，以全要素生产率增长对经济发展效率予以度量，在通过两阶段SYSGMM方法有效控制解释变量内生性问题的条件下，实证考察了资源型产业集聚对全要素生产率的非线性影响，进而得出以下主要结论：

（1）资源型产业集聚对于全要素生产率增长呈现出显著的倒“U”型曲线关系。在采用多种计量分析和检验方法并对多种影响因素进行控制后，这种倒“U”型曲线关系仍显著存在，表现出强稳健性。当资源型产业集聚度小于倒“U”型曲线的拐点时，资源型产业集聚对全要素生产率增长具有显著的促进作用；一旦资源型产业集聚度超过这一拐点时，产业的过度集聚就会阻碍全要素生产率的增长。

（2）将资源型产业全要素生产率分解为技术进步和技术效率，技术效率的提高对资源型产业全要素生产率增长的贡献大于技术进步，反映出资源型产业更注重改进吸收现有技术，对技术创新的努力不够，本文推测这可能与资源型产业水平型的集聚类型有关，当集聚类型由水平型向垂直型转化时，技术进步对全要素生产率的有利影响将会凸显出来。

（3）资源型产业集聚与全要素生产率之间倒“U”型曲线的拐点值对于不同传导机制因素的敏感程度有所差异。科技创新投入、人力资本水平、市场化程度、基础设施建设四个因素推延了资源型产业最佳集聚规模阈值，降低了由于集聚规模扩大而对全要素生产率增长产生 “拥塞效应”的风险。

（4）在中国31个省市自治区中，有48.39%的省份处于资源型产业集聚“规模效应”阶段，集聚规模的扩大会继续促进全要素生产率的增长；另51.61%的省份大多属于资源富集省份，处于产业集聚 “拥塞效应”凸显阶段，若继续扩大集聚规模，过度集聚将进一步阻碍全要素生产率的增长。

本文的研究结论与产业集聚最佳规模论观点相符，即资源型产业集聚与全要素生产率之间的关系并不是简单的线性关系，集聚规模并不是越大越好，而是存在一个最优规模，集聚企业太少不能发挥集聚经济的正向影响，集聚企业太多则可能导致规模不经济的负向效应，降低生产效率。根据本文的研究结论，我国资源型产业集聚度在0.891水平上最有利于全要素生产率的提高。此外，要想提高资源型产业全要素生产率，除应当探寻适度的集聚规模外，还应促使产业集聚形式由水平型向垂直型转化升级，避免陷入“资源陷阱”，更重要的是，要加大科技创新投入力度、加强人力资本积累、提高市场化程度、完善基础设施建设，以通过技术进步、提高技术效率、合理配置资源等途径来激发或凸显资源型产业集聚的“规模效应”，避免或减弱“拥塞效应”，促使资源型产业集聚与全要素生产率的倒“U”型曲线拐点向后推移，降低由于集聚规模扩大产生 “拥塞效应”的风险。

（编辑：田红）

参考文献（References）

[1]Sveikauskas L.The Productivity of Cities[J].Quarterly Journal of Economics，1975，89（3）：393-413.

[2]Segal D.Are There Returns to Scale in City Size？ [J]. The Review of Economics and Statistics， 1976，58（3）：339-350.

[3]Moomaw R L. Productivity and City Size：A Critique of the Evidence[J].The Quarterly Journal of Economics，1981， 96（4）：675-688.

[4]Beeson P.Total Factor Productivity Growth and Agglomeration Economies in Manufacturing：1959-1973[J]. Journal of Regional Science，1987， 27（2）：183-199.

[5]Ciccone A. Agglomeration Effects in Europe[J].European Economic Review， 2002， 46（2）：213-227.

[6]谢波.资源产业集聚、技术创新能力与区域经济增长：基于省际面板的实证分析[J].科技进步与对策，2013， （7）：31-36. [Xie Bo. Resources Industrial Agglomeration， Technology Innovation and Regional Economic Growth： Based on the Empirical Analysis of Provincial Panel [J]. Science & Technology Progress and Policy， 2013， （7）：31-36.]

[7]Carlino G A.Increasing Returns to Scale in Metropolitan Manufacturing [J]. Journal of Regional Science，1979，19：363-373.

[8]Combes P P.Economic Structure and Local Growth：France，1984-1993[J].Journal of Urban Economics，2002，47（3）：329-355.

[9]Sbergami F.Agglomeration and Economic Growth：Some Puzzles[R].HEI Working Paper No：02/2002，2002.

[10]Bautista A D. Agglomeration Economics， Economic Growth and the New Economic Geography in Mexico，Working Paper，Econ WPA，http：//129.3.20.41/ep2/urb/papers/0508.

[11]Brulhart M，Sbergami F.Agglomeration and Growth：Crosscountry Evidence[J]. Journal of Urban Economics，2009，65（1）：48-63.

[12]Henderson J V.Efficiency of Resource Usage and City Size[J]. Journal of Urban Economics，1986，19（1）：47-70.

[13]Futagami K，Ohkusa Y.The Quality Ladder and Product Variety：Larger Economies May Not Grow Faster [J].Japanese Economic Review，2003，54（3）：336-351.

[14]Lin H L，Li H Y，Yang C H. Agglomeration and Productivity：Firmlevel Evidence from Chinas Textile Industry[J].China Economic Review，2011，22（3）：313-329.

[15]王燕，徐妍.中国制造业空间集聚对全要素生产率的影响机理研究：基于双门限回归模型的实证分析[J].财经研究， 2012，38（3）：135-144. [Wang Yan， Xu Yan. On the Effects of Manufacturing Spatial Concentration on Total Factor Productivity in China： Empirical Study Based on Doublethreshold Regression Model [J]. Journal of Finance and Economics， 2012， 38（3）：135-144.]

[16]王晶晶，黄繁华，于诚.服务业集聚的动态溢出效应研究：来自中国261各地级及以上城市的经验证据[J].经济理论与经济管理， 2014， （3）：48-58. [Wang Jingjing， Huang Fanhua， Yu Cheng. The Analysis on Dynamic Effect of Service Agglomeration on Productivity：Evidence from 261 Cities in China [J]. Economic Theory and Business Management， 2014， （3）：48-58.]

[17]刘秉镰，武鹏，刘玉海.交通基础设施与中国全要素生产率增长：基于省域数据的空间面板计量分析[J].中国工业经济， 2010， （3）：54-64. [Liu Binglian， Wu Peng， Liu Yuhai. Transportation Infrastructure and the Increase in TFP in China：Spatial Econometric Analysis on Provincial Panel Data [J]. China Industrial Ecomomics， 2010， （3）： 54-64.]

[18]孙浦阳，韩帅，靳舒晶.产业集聚对外商直接投资的影响分析：基于服务业与制造业的比较研究[J].数量经济技术经济研究，2012， （9）：40-57. [Sun Puyang， Han Shuai， Jin Shujing. The Impact of Agglomeration on FDI in China：Based on Comparative Study Between Services Industry and Manufacturing Industry [J]. Journal of Quantitative & Technical Economics， 2012， （9）：40-57.]

[19]邵帅，范美婷，杨莉莉.资源产业依赖如何影响经济发展效率？有条件资源诅咒假说的检验及解释[J].管理世界，2013， （2）：32-63. [Shao Shuai， Fan Meiting， Yang Lili. How the dependence of Resourcebased Industry influenced the Efficiency of Economic Development？ Test and Explanation of Conditional Resource Curse Hypothesis [J]. Management World， 2013， （2）：32-63.]

[20]魏下海.贸易开放、人力资本与中国全要素生产率：基于分位数回归方法的经验研究[J].数量经济技术经济研究，2009， （7）：61-72. [Wei Xiahai. Trade Openness， Human Capital and Total Factor Productivity： A Quantile Regression Approach [J]. Journal of Quantitative & Technical Economics， 2009， （7）：61-72.]

[21]夏良科.人力资本与R&D如何影响全要素生产率：基于中国大中型工业企业的经验分析[J].数量经济技术经济研究，2010，（4）：78-94. [Xia Liangke. How Human Capital and R&D Investments Influence TFP：Empirical Analysis Based on Chinas Large and Mediumsized Industrial Enterprises [J]. Journal of Quantitative & Technical Economics， 2010， （4）：78-94.]

[22]Bond S.Dynamic Panel Data Models： A Guide to Micro Data Methods and Practice[R].CEMMAP Working Paper No：CWP09P02，2002.

[23]谢子远，鞠芳辉.同质集聚、异质集聚与产业国际竞争力[J].国际贸易问题，2014， （2）：13-23. [Xie Ziyuan， Ju Fanghui. Homogeneous Agglomeration， Heterogeneous Agglomeration and International Competitiveness of Industries [J]. Journal of International Trade， 2014， （2）：13-23.]

The Research on the Effection of Chinese Resources Industry Agglomeration

on Total Factor Productivity Growth

SUN Hui1，2ZHU Qiaoqiao1，2

（1.Center for Innovation Management Research of Xinjiang，Xinjiang University， Urumqi Xinjiang 830046，China；

2.School of Economics and Management，Xinjiang University， Urumqi Xinjiang 830046，China）

AbstractThis article empirically researches the nonlinear effect of resources industry agglomeration on total factor productivity growth， and measures the efficiency of economic development combining the total factor productivity growth，using a variety of econometric analysis and testing methods， under the condition of effective control of endogenous problems with twostage SYSGMM method， on the basis of panel data of 31 provinces in China during 2005-2014. The results show that the relationship shows a significantly inverted ‘U type curve between resourcebased industry agglomeration and total factor productivity growth， which also presents strong stability， and the optimal agglomeration size of resources industry is 0.899. It also shows that resourcebased industry agglomeration will significantly promote the growth of total factor productivity when the resourcebased industry agglomeration degree is lower than the inflection point of the inverted ‘U type curve， which is 0.891， and excessive industry agglomeration will hinder the growth of total factor productivity when the resourcebased industry agglomeration degree is beyond the inflection point. Total factor productivity of resourcebased industry is resolved to technology progress and technology efficiency； because of resourcebased industry mainly include horizontal agglomeration， the enhance of resourcebased industry technology efficiency makes greater contribution on the growth of total factor productivity than the technology progress does and technology progress will high light its positive effect on the total factor productivity when the type of agglomeration converts from horizontal type to vertical type. The inflection point value on the inverted ‘U type curve between resourcebased industry agglomeration and total factor productivity has different sensitive degrees to different transmission mechanism factors，and four factors， including science and technology innovation investment， human capital level， the degree of marketization， and the infrastructure construction， extend the threshold of resourcebased industry best agglomeration size and reduce the risk of produing ‘congestion effect because of agglomeration scale extending. 48.39% of Chinas provinces are in the stage of ‘scale effect of resourcebased industry， in which agglomeration scale extending will continuously promote the growth of total factor productivity， and 51.61% of Chinas provinces that almost belong to rich resource provinces are being in the highlight stage of industrial agglomeration ‘congestion effect， and excessive agglomeration will further hinder the growth of total factor productivity if the scale of agglomeration continues to expand.

Key wordsresourcebased industry agglomeration； total factor productivity growth； agglomeration effect； congestion effect； twostep SYS