城市化、城区人口密度与经济增长——以长三角城市群为例

朱静文,方大春

(安徽工业大学 商学院,安徽 马鞍山 243032)

经济管理研究

城市化、城区人口密度与经济增长
——以长三角城市群为例

朱静文,方大春

(安徽工业大学 商学院,安徽 马鞍山 243032)

构建经济增长动态面板数据模型,考察了2006～2013年城市化、城区人口密度对经济增长影响。实证结果表明:城市化对经济增长的影响机制存在着“倒U”型关系,如果长三角城市通过本地区农村人口向城市集中,提高本地区城市化水平,可能会阻碍经济增长;城区人口密度与经济增长存在“正U”型关系,长三角城市群内大部分城市基础设施有所改善,城市经济集聚效应开始显现;如果吸引城市外人口按照比例在城区和乡镇定居,就能够共同促进了区域经济增长。

城市化;人口密度;经济增长;GMM

一、引言

城市化一般认为人类生产和生活由乡村向城市转移带来的城市用地面积不断扩展的过程。城市化作为社会经济结构转变、人类文明进步的重要标志,也是一个国家工业化、现代化的重要标志。在城市化的发展过程中,城市化与经济增长的关系备受经济学家。美国城市学家地理学家诺瑟姆(R.M.Northam,1975)提过的城市化与经济增长的“S”型曲线,在不同时期,城市化对经济增长具有不同程度的影响[1]。国内外已有研究表明,城市化与经济增长之间呈现显著的正相关关系,经济发展水平越高,城市化水平也越高。在城市化的发展过程中,最主要的特征是农村人口向城市的聚集,城市人口密度这一要素有着举足轻重的作用。城市化使得城区人口密度上升,城市人口快速膨胀一方面可以给企业带来丰富的人力资本,也可以扩大城市内分工范围,进而促进经济增长;另一方面如果城区人口数量超过了市区的基础设施承载力,就有可能带来诸如住房紧张、交通拥挤、环境污染等问题,可能对经济增长带来阻碍的作用。

蔡昉、王美艳、都阳(2001)提出并不是任何条件下人口密度与经济发展都相互促进并成正比例关系;在一定条件下,人口密度过大会对经济发展产生阻碍作用[2]。李少林(2014)基于2001～2012 年中国省会城市的面板数据研究表明城市人口密度对城镇化质量的影响[3]。李坤、严伟(2009)认为科学确定城市的人口密度是确保我国城市土地资源能够满足实现城市化的需要[4]。苏红键、魏后凯(2013)利用中国地级及以上城市2006～2010年面板数据考察了中国城市密度效应及最优城市人口密度,认为土地城镇化和人口城镇化应当在最优城市人口密度标准下协调推进[5]。谢里等(2012)认为只有当人口集聚水平保持在最优人口规模时,才能最大程度上促进地区经济增长,一个国家或地区的经济增长都存在一个最优的人口集聚度[6]。杜旻、刘长全(2014)使用 2000～2011年 261 座城市的面板数据实证分析城市人口密度与城市增长率之间存在的倒“U”型曲线关系,在统计上不显著[7]。胡琪、樊佳佳(2013)对长三角地区人口密度与经济增长关系进行研究,得出人口密度和经济密度相关系数较高[8]。上述研究往往单独人口城市化或者城区人口密度(规模)提升对城市经济增长影响,没有考察两者共同作用对经济影响。实际上,城市化过程外在表现为人口城市化和空间城市化,如果人口向城市集中过程中城市空间向外拓展,不一定能够提升城区人口密度,对于发达地区可能性较大,往往通过开发区建设,拓展城市空间。另外,对于发达地区来说,城市化、城区人口密度提升也可以通过吸引市域外人口向城市集聚[9]。因此,需要考察发达地区城市化和城区人口密度提升共同推进时对城市经济增长有什么影响?

长三角作为我国经济发展最富有活力、城市密度最高的经济区域,其城市化对经济增长具有多大的影响?随着人口流动的加剧,人口集聚的发生,当前长三角城市人口规模是否为最优?城区人口密度的上升对经济发展产生何种影响?这些问题研究,有助于推动长三角建设成为长三角世界级城市群。

二、计量模型、变量选取与数据说明

(一)计量模型与变量选择

借用柯布——道格拉斯生产函数,结合本文研究目的,构建如下计量模型:

lngdpi,t=c+α1lnurbi,t+α2lncqpi,t+βXi,t+ξi,t+εi,t.

(1)

其中，i代表长三角城市群某个城市,t代表年份;被解释变量gdp代表各个城市的地区生产总值;urb为城市化,采用常见计算方法为各市城区人口/各市总人口;cqp为城区人口密度;εi,t表示随机误差项;α1,α2,β代表待估计参数。Xit为控制变量向量,分别选择就业人数(lnemp)、全社会固定资产投资(lnv)。ξi表示个体效应,反映城市间持续存在的差异。

(二)数据说明

在2013年长三角城市经济协调会第十三次市长联席会议上,长三角再次扩容,目前长三角包括上海、南京、杭州、合肥、宁波、无锡、舟山、苏州、扬州、绍兴、南通、泰州、常州、湖州、嘉兴、镇江、台州、盐城、马鞍山、金华、淮安、衢州、芜湖、连云港、徐州、滁州、淮南、丽水、宿迁、温州,总共30个城市。选择2006～2013年长三角城市群30个城市地区生产总值、城市化率、城区人口密度、就业人数、全社会固定资产六个指标,这些指标数据来自于《中国城市建设统计年鉴》《中国城市统计年鉴》、各省《统计年鉴》、各市《统计年鉴》及各市的统计公报。

以2006年为基期,采用GDP平减指数把各地区不同年份地区生产总值、全社会固定资产投资换算成不变价格。下页表1给出各变量的统计性描述。

三、实证结果与分析

(一)估计方法选择

如果直接对方程(1)进行最小二乘法和固定效应模型估计,会产生参数估计的有偏性和非一致性实证结果。究其原因主要没有考虑模型模型内生性。内生性主要来自于联立性、遗漏变量和测量误差(李锴、齐绍洲[10],2011)。除了任何计量模型都无法将所有解释变量纳入模型中去和数据统计误差外,本文还表现为城市化与经济增长可能是相互影响,城市化水平和城区人口密度有相关性。解决内生性问题,通常借助于Arellano和Bond(1991)[11],Blundell和Bond(1998)[12]提出动态面板数据的GMM估计方法。实际上,经济增长有其自身的惯性,滞后一期的观测值会对当期产生一定的影响(杜利民[13],2010)。为全面准确的考察城市化、人口密度与经济增长之间的关系,将在模型中引入被解释变量的一阶滞后项,构建动态面板模型,具体模型为:

lngdpit=c+αolngdpit-1+α1lnurbit+α2lncqpit+βXit+ξi+εit.

表1 各变量的统计性描述

(2)

为了消除个体效应ξi影响以及选择合适工具变量,需要对模型(2)进行一阶差分得到:

Δlngdpit=α1Δlngdpit-1+α2Δlnurbit+α3Δlncqpit+βΔXit+Δεit.

(3)

动态差分模型主要好处在于能够部分地解决遗漏变量问题和能够消除反向因果关系。但是差分GMM可能导致弱工具变量和无法估计个体效应ξi问题。为此,Blundell & Bond(1998)提出将差分方程和水平方程作为一个系统进行广义矩估计,被称为“系统GMM”。一般情况系统GMM估计方法要优于差分GMM的估计方法,系统GMM法又可分为一步法和两步法估计。相对于一步法,二步法估计不容易受到异方差的干扰。鉴于此,本文试采取二步法进行估计。

(二)实证分析

首先分别采取差分GMM和系统GMM方法进行对比,观察哪种估计方法更适合我们这个模型。实证结果见下页表2。

对于工具变量是否有效,需要进行Sargan检验。原假设是模型的过度识别约束是有效的,可以看到模型(1)和模型(2)都通过了sargan检验,说明模型所选取的工具变量是有效的。还需要对随机误差项的一阶和二阶序列自相关进行检验。在研究的过程中发现,模型在滞后一期的情况下,存在高阶阶序列相关,为了使模型更加准确,调整了模型的滞后期数,使模型滞后两期,结果显示模型(1)和模型(2)的一阶差分的残差只存在一阶序列相关,而不存在高阶序列相关,差分GMM估计结果不能拒绝模型中“随机扰动项不存在自相关”的原假设,说明差分GMM的估计量是一致的,模型(1)和模型(2)都是合适的。

模型(3)和模型(4)是系统GMM法的估计结果,两个模型都通过了sargan检验和扰动项无二阶序列相关检验。在系数估计方面,与差分GMM估计法相比,不论是显著性水平还是符号,两者差别不是很大。但系统GMM法的Sargan检验值要高于差分GMM法,说明系统GMM 的估计方法更有效率。鉴于此,后文全部采用系统GMM估计法进行估计。

为了进一步探讨城市化及人口密度对经济增长是否存在非线性关系,需要加入城市化与人口密度的二次项、城市化与人口密度的交互项。估计结果见第89页表3。

从表3中可以看出,模型3和模型4分别为不加入控制变量和加入控制变量的系统GMM回归结果,模型5和模型6为分别加入解释变量的二次项的回归结果,模型7为加入城市化与人口密度交互项的回归结果。5个模型的随机扰动项的差分存在一阶自相关AR(1)的p值都小于0.05,但不存在二阶自相关AR(2)的p值都大于0.05,统计值均不显著,说明这些模型没有发现水平方程误差项存在序列相关问题,而判断工具变量过度识别Sargan检验的p值都大于0.05,说明模型所选择的工具变量都是有效的。

在模型中,生产总值滞后一期,即lngdp(-1)的系数均比较大,验证了经济增长确实存在着惯性,滞后一起的经济对当期的经济增长有着重要影响。生产总值滞后一期这一变量里面包含了经济增长模型中许多忽视的因素,这些因素都对经济增长有着不可忽视的作用。模型5中,城市化的二次项的回归系数为负数,说明两者之间也存在“倒U”型关系,拐点值为lnurb=3.891 0。从表1可知,目前城市化水平的平均值已经超过拐点,说明在未来仅仅通过本地区农村人口向城市集中,提高本地区城市化水平,可能会阻碍经济增长。从模型6可以看出,城区人口密度二次项的回归系数为正数,说明城区人口密度对经济增长的影响存在“正U”作用机制,拐点值为lncqp=9.023 9。从表1可知,目前长三角地区大多数城市超过拐点,长三角城市群内大部分城市基础设施有所改善,城市经济集聚效应开始显现。然而,对于城市基础设施承载能力较差城市来说,城区人口增加带来丰富的劳动力资源和人力资本的同时,可能也会造成城市交通拥挤、住房紧张等一系列社会问题,城区人口的增加对经济增长有一定的阻碍作用。模型7加入了城市化与城区人口密度的交互项,回归系数符号为正,说明单方面提升城市化水平和城区人口密度阻碍经济增长,如果协调好,能够共同促进了区域经济增长。两者协调路径主要是提高城市基础设施支持能力,吸引城市外人口按照比例在城区和乡镇定居。对于控制变量,就业人数对经济有促进作用,固定资产投资对经济增长存在阻碍作用,可能长三角城市群固定资本相对过剩。但两者都没有通过统计检验、显著性不强,可能与长三角城市群内部每个城市的经济发展水平不同、自身特征不同相关。

表2 差分GMM和系统GMM估计结果对比分析

注:方括号里数字为系数估计值的z统计量,其中① 、② 、③ 分别表示1%、5%、10%的显著性水平。

表3 系统GMM估计结果

四、结论与建议

本文对长三角城市群城市化、人口密度与经济增长的关系进行研究,构建经济增长动态面板数据模型,考察了2006～2013年城市化、人口密度要素对经济增长的作用机制。实证结果为:(1)城市化对经济增长的影响机制存在着“倒U”型关系,如果长三角地区城市仅仅通过本地区农村人口向城市集中,提高本地区城市化水平,可能会阻碍经济增长。(2)城区人口密度与经济增长存在“正U”型关系。目前长三角地区大多数城市超过拐点,长三角城市群内大部分城市基础设施有所改善,城市经济集聚效应开始显现。(3)单方面提升城市化水平和城区人口密度阻碍经济增长,不能走一方面人口向城市集聚;另一方面城市空间向外随意拓展,降低城区人口密度,在城市化过程中,适度提升城区人口密度,增加城市发展内生动力。(4)就业人数对经济有一定促进作用,固定资产投资对经济增长存在一定阻碍作用,可能与城市自身特征有关。根据实证分析结果,提出如下政策建议。

第一,合理确定城市发展边界,提升城市发展内生动力。城市规划要由扩张性规划逐步转向限定城市边界、优化空间结构的规划。一些地方却错误理解了城市化的内涵,将城市化单纯看成是城区面积的扩大和城市人口的增加,在推进的过程中过于急躁,盲目上大项目,一味地“摊大饼”,追求速度和规模,而不注重城市发展的质量。在推进城市新区建设中,坚持“产城融合、宜居宜业”,适度控制开发强度[14]。避免出现缺乏产业支撑和要素支撑的 “鬼城”出现。

第二,破解人口跨区域迁移难题,引导人口有序向长三角城市集聚。与世界发达国家及自身经济发展水平相比,长三角城市群仍然存在人口集聚水平相对较低。相关研究表明,长三角地区已经进入高素质人口集聚相对快于总人口集聚的良性阶段。建议对长三角地区率先开展跨区域流动人口规模与用地指标、人均教育经费、生态补偿、转移支付等政策相挂钩政策试点。消除长三角地区吸纳外来人口落户的财政负担,进一步提升长三角城市群对全国人口集聚能力。

第三,加快城市基础设施建设,夯实城市人口承载能力。城市基础设施是城市正常运行和健康发展的物质基础。在推动城市化发展的同时,又要积极将城市的配套设施尽力完善,鼓励各级政府将公共资源倾斜用于城市基础设施建设、公共服务体系构建方面,以增强城市承载和集聚人口的能力,让城市化成为促进经济增长的持久动力。

[1]Northam R M.Urban Geography[M]. New York:John Wiely&Sons,1975.

[2]蔡昉,王美艳,都阳.人口密度与地区经济发展[J].浙江社会科学,2001,(6):12-16.

[3]李少林.人口密度、产业结构与城镇化质量[J].商业研究,2014,(12):61-67.

[4]李坤,严伟.探寻“空间城镇化”和“人口城镇化”的有效路径[J].改革,2009,(4):158-160.

[5]苏红键,魏后凯.密度效应、最优城市人口密度与集约型城镇化[J].中国工业经济,2013,(10):5-17.

[6]谢里,朱国姝,陈钦.人口聚集与经济增长:基于跨国数据的经验研究[J].系统工程,2012,30(8):113-117.

[7]杜旻,刘长全.集聚效应、人口流动与城市增长[J].人口与经济,2014,(6):44-56.

[8]胡琪,樊佳佳.长三角地区人口集聚与经济增长关系浅析[J].统计科学与实践,2013,(2):31-33.

[9]李刚.中国城市土地利用效率:测度、演变机理与影响因素[J].财经理论研究,2015,(3):33-38.

[10]李锴,齐绍洲.贸易开放、经济增长与中国二氧化碳排放[J].经济研究,2011,(11):60-72.

[11]ARELLANO BOND. Some Teste of Specification for Panel Data: Monte Carlo Evidence and an Application to Employment Equations[J].Review of Economic Studies,1991,58(2):277-297.

[12]RBLUNDELL, BOND. Intial Conditions and Moment Restrictions in Dynamic Panal Data Models[J].Journal of Econometrics,1998,87(3):115-143.

[13]杜利民.我国二氧化碳排放的影响因素:基于省级面板数据的研究[J].南方经济,2010,(11):20-33.

[14]李刚.“城市病”的形成机理及其经济阻滞效应测度:以北京市为例[J].财经理论研究,2016,(1):1-9.

[责任编辑:刘 炜]

10.3969/j.issn.1672-5956.2017.01.012

2016-09-27

国家社会科学基金项目“包容性增长实现路径研究”(11CJL001);安徽工业大学研究生创新研究基金项目“人口、经济、空间城镇化互动研究”(2015124).

朱静文,1992年生,女,安徽淮南人,安徽工业大学硕士生,研究方向为区域经济学,(电子信箱)174- 9894428@qq.com。方大春,1973年生,男,安徽和县人,安徽工业大学教授,硕士生导师,研究方向为 区域发展与产业转型升级。

F061.2;C924.24

A

1672-5956(2017)01-0085-06