中国城镇化的经济增长与收敛双重效应
——基于2000与2010年中国1968个县份空间数据检验
2019-02-22张莅黎赵果庆吴雪萍
张莅黎,赵果庆,吴雪萍
(云南财经大学 统计与数学学院,云南 昆明 650221)
一、引言
改革开放后,我国推行一部分地区,一部分人先富起来的发展战略。我国东部率先开放发展,推动中国经济持续增长。随之而来的是收入差距的扩大,给中国经济发展和社会稳定带来了严峻挑战。在收入差距中重要问题之一就是相比东部地区而言,中部和西部地区人均收入增速较慢,还相对比较落后,我国区域经济发展差距扩大。在由区域(空间)、城乡、行业和个人形成的多层次收入差距体系中,地区差距是影响国家收入分配的基础。解决不均等问题可以通过缩小或消除城乡差异,也可以同时或先后缩小地区差异来实现[1]。
为了缩小区域之间的发展差距,我国已在1999年、2004年、2007年先后启动实施了西部大开发、促进中部崛起以及振兴东北老工业基地等全域性发展战略体系。西部大开发战略取得相应效果,促使中国区域经济从趋异转向收敛[2]。一些研究也表明,不同空间尺度的空间单元有人均GDP差距开始收窄:从地区尺度,中国地区人均GDP发展出现了收敛[3];从县域尺度,我国县域人均GDP存在稳健的条件收敛[4]。这是否意味着随着增长的继续,空间差距随之缩小?进一步的问题是什么因素或方法能同时实现空间增长与收敛?这是十九大报告提出实施区域协调发展战略中依靠城市化与城市群发展,建立更加有效的区域协调发展新机制的一个关键问题。
解决地区收入差距扩大和促进增长是中国面临的重要挑战。人们已把同时解决两大挑战的希望寄托在城市化上。改革开放40年来,中国城市化有力地支撑了中国经济增长的奇迹[5]。城镇化对经济增长有促进作用[6],这已是一个共识。甚至于,城市化成为未来中国经济继续保持较高增长率的主要动力[7]。对于收入差距,城镇化是中国解决贫富差距和消除贫困的唯一出路[8-9]。中国发展一方面居民收入不可能没有差距,也不可能同步富裕;另一方面也不能差距过大,更不能贫富悬殊,而只能是通过沿海地区先发展带动中西部发展,既鼓励促进效率又注重公平,既充分调节增长效率又不出现两极分化。这方面,万广华和蔡昉等(2012)[1]认为城市化可以兼得增长与收入差距缩小,以此推论,城市化不仅可以促进增长,而且可以减小城乡收入差距,进一步缩小地区收入差距,最后是缩小个人收入差距。
诺贝尔经济学奖得主斯蒂格利茨(Joseph E. Stiglitz,2001)曾提出,21世纪影响世界的两件大事,一是中国的城镇化,二是美国的高科技,并认为城市化将使中国成为世界领袖。中国城市化如能有力地支撑中国经济增长,同时也实现空间收入差距的缩小,这将演绎波澜壮阔的城市化史诗,更是人类历史上的奇迹。中央政府已提出两横三纵的城镇化空间战略,以优化城镇化布局和形态。在《国家新型城镇化规划(2014-2020年)》明确指出,城镇化可以促进保持经济持续健康增长,城镇化以缩小地区差距,推动区域协调发展。李克强(2015)也指出,实现可持续发展,逐步缩小城乡和区域差距,首要的关键之措是推进新型城镇化,新型城镇化的过程就是中国逐步缩小城乡和区域差别的过程[10]。
显然,无论是学者的研究,还是政府的预期,城市化可以促进地区增长与差距缩小还只是一种假设,尚未得到检验。本文将从城镇化推进地区增长及收敛的角度,对这个经验命题进行检验。其原因之一,如果城镇化能推进经济增长,那么城镇化就具有增长效应;反之,如果城镇化阻碍经济增长,那么城镇化就不具有增长效应。另一方面,以人均GDP为指标,如果城镇化能促进经济增长收敛,那么说明低收入地区的经济增长率将会高于高收入地区,收入差距缩小,实现空间公平。这也就是要检验城镇化是否是一种公平增长的城镇化。
中国地域辽阔,地区资源禀赋差距很大,存在许多具有特定经济增长特征的区域。为了揭示大范围空间经济增长的收敛特征,本文从县域层面出发,对城镇化的经济增长收敛性进行全域性研究,这也有助于更加深入地了解中国复杂的区域经济收敛情况与城镇化效应。基于此,本文主要回答下述问题:中国县域城镇化是否促进了经济增长,同时促进增长收敛,实现双赢?双赢出现在哪些区域,空间结构如何?这对我国实施积极的城镇化策略,对空间经济既公平又有效率的发展具有十分重要的意义,对一带一路中城镇化的经济地理重构也不失价值。
县域经济在中国占有极其重要的地位,是国民经济的区域基础和基本构成单元。鉴于此,本文把城镇化分为城镇化水平与城镇化进程两个方面,全面分析城镇化的静态与动态效应,以2000年与2010年中国县域1968个样本在收敛方程中分别用普通最小二乘(OLS)回归从“全域”上实证城镇化的区域经济增长与收敛双重效应存在性,并用地理加权回归模型(GWR)从“个体”上测度城镇化双重效应的空间异质性,通过空间可视化更为清晰地展示城镇化的双重效应空间结构。本文的结构如下:第二部分是基于文献,提出中国城镇化的地区增长与收敛双重效应经验假设;第三部分是中国城镇化与空间增长的关系与特征事实;第四部分是设定估计城镇化双重效应的计量模型;第五部分是模型参数估计;第六部分是城镇化空间增长收敛效应与增长效应分析及可视化;第七部分是结论与含义。
二、中国城镇化的地区增长与收敛双重效应:文献与假设
(一)城镇化促进增长
世界主要国家的发展历程表明,一国的城市化与经济增长密切关联。一般认为,城市化对经济增长通常表现出正向的驱动作用,这是因为在城市化进程之中,随城市数量增加和规模扩大,非农产业和非农业人口持续集聚,推动了经济增长。从经济学角度来看,城市化是在空间体系下的一种经济转换过程,人口和经济之所以在城市集中是空间集聚效应和规模经济作用的结果。城市规模效应非常重要,规模有利于市场成长,也有利于提高劳动生产率,促进经济增长。
从文献看,城市化水平具有经济增长效应。城市化水平和人均产出呈现显著正相关,城市化水平的提高能够对经济增长起到一定的促进作用,我国城镇化进程与经济发展水平之间存在长期稳定的均衡关系[11]。我国城镇化率每提高一个百分点,可以维持7.1%的经济增长[12]。吴福象和刘志彪(2008)分析了城镇化对经济增长的促进作用[6]。Quigley(2010)认为城镇化是经济增长、生产率提高和收入增长的重要推动力[13]。
(二)城镇化促进收入差距缩小
从城乡收入差距看,根据国际经验,城市化最终能够实现城乡收入的趋同。首先,城市化意味着农村剩余劳动力转移到生产率更高的城市部门,使得边际劳动收益几乎为零的农民移民后能够获得可观的收入;其次,随着农村剩余劳动力的减少,农业规模经营和农业产业现代化就有了可能,留在农村的居民收入也会提高,这必然使城乡收入差距逐渐缩小。转变增长方式和缩小城乡差别最为根本而有效的途径是大力推进城市化[14]。杨志海等(2013)利用我国1523个县(市)2005-2010年的大样本面板数据研究发现:县域城镇化的推进能显著缩小城乡收入差距,而缩小城乡收入差距反过来也有利于提高城镇化水平,两者呈现出良性互动关系[15]。城市化对降低统计上的城乡收入差距有显著的作用[16]。
从地区差距看,城市化或多或少地维持着它的绝对贡献,但由于整个收入差距的增长趋势,城市化的相对贡献也在下降。从长期来看,改革和城市化对收入差距的影响都将减弱,因为改革相对较慢的地区迟早会赶超上来[17]。万广华等(2012)[1]的研究表明,各省城乡差距占全国地区差距的一半,因此,消除各省区的城乡差距可以把地区差距减少至一半。从个人收入差距看,国内学者一致为城市化可以降低个人收入差距, 城镇化是中国解决贫富差距和消除贫困的唯一出路,这是一贯的观点[8,18]。
值得一提的是,城市化影响城乡收入,城市化过程中的要素空间集聚将创造新的经济增长和就业机会,实现减贫效应,从而实现缩小贫富差距。Christiaensen和Todo(2014)利用1980-2004年发展中国家的跨国面板数据发现,二级城镇比大城市的集聚产生更具包容性的增长模式和更快的减贫,城市化模式在争取更快的减贫方面值得更多的关注[19]。Luc Christiaensen等(2013)利用1991-2010年期间一个相当独特的小组跟踪了来自坦桑尼亚卡盖拉农村家庭的3300多名个人,显示出大约每两个脱离贫困的个人或家庭中就有一个通过从农业过渡到农村非农业经济或二级城镇来摆脱贫困[20]。Christiaensen和Ravi Kanbur(2017)发现了公共投资从大城市转向二级城镇将提高减贫绩效的初步证据和论据[21]。单德朋和郑长德等(2015)研究表明,我国城市化对贫困减缓具有显著积极影响,但不同城市化模式对城乡减贫的影响存在异质效应[22]。城市化影响农村贫困的主要机制是通过集聚外部性所带来的生产效率提高实现减贫,因此核心城市对农村地区和西部地区的减贫效果更为显著,而二级城镇对东部地区,尤其是对东部城市地区充当了贫困人口的“就业避风港”,二级城镇的减贫影响更大。
(三)城镇化的双重效应
城镇化的双重效应是指城镇化同时具有促进地区增长效应和地区收入差距缩小效应。世界银行(2000)的世界发展报告也指出了城市以及城市化进程在推动增长和消除贫困中的重要性。曹裕等(2010)[23]分析表明,城市化缩小城乡收入差距的作用显著,城乡收入差距不利于经济增长,但这两种效应均具有显著的区域差异。沈凌和田国强(2009)研究贫富差别、城市化与经济增长的关系,认为推进城市化以减少农村人口比单纯增加农民收入更有利于经济的发展,也是解决三农问题的根本方法[24]。城市化对城乡收入差距、城市化对经济增长均呈正向影响关系[25]。罗知和万广华等(2018)构建了兼顾公平与效率的城镇化模型,并以中国数据进行实证表明, 发展中国家尤其是中国,应改变阻碍城镇化的观点和举措,以扭转效率和公平双输的结局[26]。
不难看出,目前文献集中在城乡收入差距和个人收入差距方面,而较少涉及区域差距。在收入差距体系中,地区收入差距是基础,城乡收入差距居于中间层次,没有地区差距的缩小,要缩小个人差距是不可能的。其实,收入分配差距涉及收入分配制度和收入分配制度改革的问题,城镇化是一个经济发展的必然趋势,两者有直接的关系。只不过是从总体上来说,城镇化的发展有利于提高人民生活水平,有利于促进经济增长,促进城乡一体化,缩小城乡居民收入差距。
(四)地区增长收敛
新古典增长理论认为地区间经济发展趋于收敛,采用回归模型来检验绝对收敛。在一个国家的空间(区域)增长过程中,以人均产出来衡量,贫穷空间单元比富裕空间单元的经济增长更快,贫富差距缩小,以致经过一定的时间,前者能赶上后者,即区域人均增长速度倾向于与其人均产出的初始水平成反向关系,Barro和Sala-i-Martin(1991,1992)[27-28]等称它为β型收敛,提出绝对β收敛回归模型。然而,Quah(1996)对增长及收敛动力学给出了一种解释,把趋同与收入分配的动态联系起来,研究表明:通常的经验分析-横截面(条件)收敛回归、时间序列建模、面板数据分析可能会对理解收敛性产生误导;一些证据支持“趋同俱乐部”概念,一些证据表明穷人越来越穷,富人越来越富有,中产阶级消失了[29]。Quah(1996)对经济增长的收敛性做出了实证研究,他们的研究结果均表明经济增长表现为不同形态的收敛特征,利用Markov概率分布对105个国家相对收入研究的结果表明世界收入分布正从类似正态分布向“双峰收敛”的分布格局演化,在“双峰模式”中,每个“峰”仅代表了某类趋同俱乐部,而不能反映出该类趋同俱乐部的个体数量信息;如果不能通过制度改进和技术创新来支持进一步的增长,也就无法达到“双峰”假说所限定的生产要素和制度因素条件[30]。显然,区域经济增长在地理空间上存在异质性,并不是随机分布的或者是平稳的,存在空间的集聚性。
目前检验区域增长过程中是否存在β型收敛的方法是采用回归模型来检验绝对收敛,并通过引入诸如城市化、产业结构等控制变量来检验条件收敛,分析出现收敛现象的原因。Berthelemy,Varoudakis(1992)把货币供应量占GDP比重,进出口占GDP比重,政府消费占GDP比重和哑变量(OPEC国家为1,产油国和其它国家为0)引入绝对收敛模型,估计了β收敛及对系数进行正态分布检验[31]。Ling Yin,George Zestos and Leo Michelis(2004)[32]在实证欧盟采取共同的政策促进经济发展“和谐和平衡的扩张”效应时,也把投资占GDP比重、通货膨胀率、政府消费占GDP比重、内阁的变化、识字率和地区哑变量引入新古典增长模型,检验了不同时期的绝对β收敛性和条件β收敛性。Somesh K. Mathur(2005)也用人均GDP的条件β收敛方程,采用1961年到2001年东亚和南亚地区的数据检验了“条件收敛假说”[33]。在实际中,若一个国家或地区的经济距离自己的稳定状态越远,经济增长越快时,则存在条件β收敛。
地区间收入增长趋于收敛或发散是地区差距变化的一种重要测度。也就是说,地区间收入增长趋于收敛,那地区间的收入差距在缩小。近年来关于中国地区差距是否扩大的争论又使得这一问题成为研究热点。特别是伴随着空间计量经济学的应用,将空间依赖性及空间异质性的影响纳入中国地区间收入增长收敛问题的研究中,对绝对收敛、条件收敛、俱乐部收敛进行度量。蔡昉和都阳(2000)的研究发现,改革开放以来,中国地区经济不存在全域性的收敛现象,但存在俱乐部收敛[34]。周亚虹等(2009)[35]的研究也表明,中国经济还处于加速增长的发散状态,富裕地区的经济增长向收敛状态过渡,相对于富裕地区,相对落后地区的经济增长存在发散现象。覃成林等(2012)研究也表明,中国长江三角洲区域经济增长过程的空间俱乐部趋同客观存在[36]。潘文卿(2010)发现从1990年前后两个时期看,中国地区经济增长表现出不同的收敛特征,出现了东、中、西三大收敛“俱乐部”[37]。
值得一提的是在县域尺度上,国内也有研究县域增长收敛的文献出现。陈芳和龙志和(2011)基于我国2000-2007年1994个县的非平衡面板数据实证的结果表明,我国县域经济存在条件β收敛,县域经济间的发展差距缩小[38]。许洪范(2011)基于反映中国县域发展的经济结构因素把县域分成三类,使用Panel Data模型对1989-2004年中国县域经济发展差异的收敛性进行计量检验,结果表明,中国县域经济增长差异存在α趋异,另外在绝对β检验过程中发现中国县域经济整体存在发散的趋势,不同类县域经济差异存在α趋异,有的类存在明显的俱乐部收敛[39]。显然,县域增长是否收敛并没有一致性结论。
(五)城镇化的地区增长与收敛效应假设
从文献看出,城市化具有推进地区经济增长与收敛的“双重”效应。实际上,城市化推进经济增长具有空间差异性。城市化促进地区经济增长的作用具有空间差异性,在沿海地区的作用显著大于内陆地区[40]。然而,城市化进程在空间上也存在差异性,东部地区城市化水平明显高于西部地区,但实证研究的结果表明,地区城市化水平存在着绝对β收敛,在考虑了空间效应之后,收敛的速度有所加快[41]。也就是说,城市化水平低的地区城市化进程较快,较高城市化水平提升促进了经济增长,较高经济增长进一步促进人均收入水平的增加,较高人均收入水平的增加自然缩小了地区的人均收入差距,形成一种趋于各自均衡态的循环机制。因此,城市化成为积极寻求地区增长与人均收入差距缩小之间的重要通道和结合点。
如果城镇化同时具有发展推动地区经济增长和缩小地区增长差距的作用,那么国家就应该采取优先推进城镇化战略,着眼于城镇化与经济增长、地区收入协调发展的调控。城镇化推进经济增长的动因在于扩大内需,也是我国经济发展的根本动力。目前我国常住人口城镇化率不仅远低于发达国家,也低于人均收入与我国相近的发展中国家,还有较大的发展空间。城镇化水平持续提高,会使更多农民通过转移就业提高收入,通过转为市民享受更好的公共服务,从而使城镇消费群体不断扩大,消费结构不断升级,消费潜力不断释放,也会带来城镇基础设施、公共服务设施和住宅建设等巨大投资需求,这将为经济增长提供持续的动力。另一方面,改革开放以来,我国东部沿海地区率先开放发展,形成了京津冀、长江三角洲、珠江三角洲等一批城市群,有力推动了东部地区快速增长,成为国民经济重要的增长极。但与此同时,中西部地区发展相对滞后,一个重要原因就是城镇化发展很不平衡,中西部城市发展明显不足。随着西部大开发和中部崛起战略的深入推进,东部沿海地区产业转移加快,在中西部资源环境承载能力较强地区,加快城镇化进程,培育形成新的增长极,有利于促进经济增长和市场空间由东向西、由南向北梯度拓展,推动人口经济布局更加合理、区域发展更加协调。因此,城镇化的过程,既是中国经济增长的过程,同时又是逐步缩小城乡和区域差距的过程。
城镇化可以推动经济增长,这是因为城镇化带来的要素集聚,可以产生集聚效应,如知识外溢、规模效应、范围经济等[14]。根据《2009年世界发展报告:重塑世界经济地理》框架结构,城市化是经济地理重塑的关键变量[42]。一方面,城市化是移民、集聚、专业化的结果,是经济地理重塑的驱动力;另一方面,城市化通过移民、集聚、专业化,缩小密度,缩短距离和减少分割,提高了经济的空间集聚效率和专业水平,从而促进了经济增长,同时由于城市化减少了分割,实现增长的一体化。城市化的经济地理重塑核心在于要素集聚形成或改善空间生产函数,促进经济增长,同时形成增长极中心区,带动外围区域以较快的速度增长,缩小空间差距,实现中心—外围结构的一体化,促进区域协调发展。
城市化可以实现增长与收敛的“双重”效应,这是国家城镇化战略以及我国依靠新型城镇推进区域协调发展隐含的一个经验假设,也是我国推进城镇化要达到的理想境界。尽管,文献提到城镇化的双重效应,也用β收敛方程研究了我国地区增长的收敛性,但目前把城镇化引入β收敛方程的实证成果比较少,用β收敛方程检验城镇化增长效应和收敛效应的文献也较少见,对城镇化“双重”效应的空间异质性测度更是鲜见。虽然,目前的文献没有专门研究城市化对我国空间增长收敛的影响,但却为研究城市化对增长收敛的影响研究积累了方法。一些不易观察到的现象是空间效应引入收敛研究后发现的。Lesage(1999)实验结果表明,地理加权回归模型(GWR)的估计结果能够很好地解释区域经济增长的过程[43]。区域经济增长与城镇化在地理空间上并不是孤立的、随机分布的,而是与周边环境具有密切的联系,区域经济增长总是受到周围区域经济增长状况的影响[30]。中国县域经济差距十分明显,用GWR可以更精准地测度城镇化的县域增长与收敛“双重”效应,展示全域效应与集聚特征。
三、中国城镇化与空间经济增长:关系与特征事实
(一)数据来源
中国2000年人均GDP来自2001年《中国县(市)社会经济统计年鉴》的县市GDP及年末总人口数计算,并以8.2783元/美元汇率折算成美元,2010年人均GDP来自2011年《中国区域经济统计年鉴》,并以6.7695元/美元汇率折算成美元。中国2000年和2010年县域城镇化的数据分别来自《2000人口普查分县资料》和《中国2010年人口普查分县资料》。由于县市划分,两个年份空间样本数有所不同,根据同名对应调整,此外,31个省、市和自治区政府所在城市县级单元的城市化水平接近100,为研究城镇化的真实效应,没有把省会城市的县级单元纳入本文研究样本中,经过上述处理,得到本文的研究样本数为1968个,其中东部有530个,中部有597个,西部有841个[注]西部分别是四川、重庆、贵州、云南、西藏、陕西、甘肃、青海、宁夏、新疆、广西、内蒙古;中部地区分别是山西、吉林、黑龙江、安徽、江西、河南、湖北、湖南;东部地区包括北京、天津、河北、辽宁、上海、江苏、浙江、福建、山东、广东和海南。。
(二)空间分布特征事实
一个变量增长率:
ri=ln(yi, t+T-yi, t)/T=ln(yi, t+T/yi, t)/T
(1)
(1)式中,ri为T年平均增长率,yi, t为变量初值,yi, t+T为T年后的变量值。
以(1)式计算,人均GDP增长率高于平均值的样本数为860个(见图1),占样本总数的43.70%,东部、中部和西部分别为183个、266个和411个,分别占其样本数的34.53%、44.56%和48.87%。很明显,高于平均值的样本数比例西部最高,中部次之,东部最低。而人均GDP增长率低于平均值的样本数为1108个(见图2),占样本总数的56.30%,东部、中部和西部分别为346个、330个和432个,分别占其样本数的65.28%、55.28%和51.37%。显然,低于平均值的样本数比例东部最高,中部次之,西部最低。对比图1与图2看出,人均GDP增长率高于平均值的样本在西部分布较密集,广东、海南、福建、河北为主的东南海省份分布较少,相反人均GDP增长率低于平均值的样本在东部分布比较密集。这说明西部县域人均GDP增长高于东部县域。进一步统计结果,样本的平均增长率为16.55%,东部、中部和西部分别为15.16%、16.67%和17.83%,东部低于平均水平,西部的增长率最高。
2000年城镇化水平高于平均值的样本数为1010个(见图3),占样本总数的51.32%,东部、中部和西部分别为362个、309个和339个,分别占其样本数的68.30%、51.76%和40.317%。以此看,高于平均值的样本数比例最高的是东部,中部次之,西部最低。而城镇化水平低于平均值的样本数为958个(见图4),占样本总数的48.68%,东部、中部和西部分别为166个、288个和504个,分别占其样本数的31.32%、48.24%和59.93%。西部低于平均值的样本数比例最高,中部次之,东部最低。对比图3与图4看出,城镇化水平高于平均值的样本在东部分布较密集,广东、海南、福建、河北为主的东南海省份分布较多;相反,城镇化低于平均值的样本在是中部、西南地区分布比较密集。这说明中部和西南地区大部分县域城镇化水平低于东部地区县域。进一步统计结果,2000年全样本的平均城镇化率为20.29%,东部、中部和西部分别为26.15%、20.56%和15.53%,以东部县域样本最高,西部县域样本的城镇化率最低。
图1 PCGDP增长超过平均水平增长的样本分布
图2 PCGDP增长低于平均水平的样本分布
图3 2000年城镇化超过平均水平的样本分布
图4 2000年城镇化低于平均水平的样本分布
以(1)式计算,城镇化进程(增长率)高于平均水平的样本数为869个(见图5),占样本总数的44.16%,东部、中部和西部分别为210个、301个和358个,分别占其样本数的39.62%、50.42%和41.20%。很明显,中部高于平均值的样本数比例最高,西部次之,东部最低。而城镇化进程低于平均值的样本数为1099个(见图6),占样本总数的55.84%,东部、中部和西部分别为318个、296个和485个,分别占其样本数的60.00%、49.58%和57.67%。显然,低于平均值的样本数比例东部最高,西部次之,中部最低。对比图5与图6看出,城镇化进程高于平均值的样本在西部分布较密集,广东、海南、福建、河北为主的东南海省份分布较少。进一步统计,样本的城镇化平均增长率为5.09%,东部、中部和西部分别为4.58%、5.24%和5.46%。西部的城镇化程最快,中部次之,东部最低,中西部城镇化进程高于东部。
图5 我国城镇化进程超过平均水平的样本分布
图6 我国城镇化进程低于平均水平的样本分布
(三)人均GDP与城镇化空间演化
在收敛研究文献中,分析分布演进比较常用的方法是非参数核函数估计的方法。Kernel密度估计是一种重要的非参数方法,可以研究不平衡分布形态。该方法用连续的密度曲线描述随机变量的分布形态,对随机变量的概率密度进行估计。核密度估计方法是非参数密度的重要工具分布函数。假设一个数据集x1,x2,…,xn表示一个随机的从一个未知的概率密度函数样品的f(x),那么Kernel密度估计函数f(x)定义为:
(2)
图7和图8是根据我国县域样本数据,采用非参数估计方法得到的2000年和2010年的人均GDP与城镇化水平演进Kernel密度函数图。从图7可以看出,2000年和2010年的人均GDP核密度分布较为相似,但核密度波峰位置右移且波峰高度略微变矮。这表明人均GDP的差距缩小,收敛现象发生。同样地,2000年和2010年的城镇化率的密度分布也较为相似(见图8),核密度波峰位置右移且波峰高度明显变矮,这也表明空间城镇化水平的差距缩小,发展明显收敛。总体上,我国县域人均GDP和城镇化水平分布演进的核概率密度估计都是单峰演进的状态,整体上没有呈现平行增长的特征,收敛特征明显。
图7 2000年与2010年县域人均GDP核密度
图8 2000年与2010年县域城镇化水平核密度估计
(四)城镇化进程与空间增长相关性
计算显示,城镇化水平、城镇化进程与人均GDP增长的相关关系数分别为0.0309与0.0386。当样本数为1866时,10%显著水平临界值为0.037,20%显著水平临界值为0.021。显然,城镇化进程与人均GDP增长的相关性在10%的水平上显著,城镇化水平与人均GDP增长的相关性在20%的水平上显著。显然,城镇化水平、城镇化进程均与人均GDP增长呈正相关关系。这意味着,城镇化包括城镇化水平与城镇化进程促进了人均GDP的增长。
四、空间异质下城镇化的经济增长与收敛双重效应检验模型设定
(一)增长收敛的基础模型
经济学认为经济体不仅初始禀赋不同,社会经济特征也存在差异,收敛后的稳态条件也不同,各个经济体会向各自的稳定状态收敛。新古典增长理论采用回归模型来检验绝对收敛,并通过引入诸如城市化、产业结构等控制变量来检验条件收敛,分析出现收敛现象的原因。目前检验区域增长过程中是否存在β型收敛的方法是利用计量经济模型判断区域增长过程中人均产出增长是否与其产出的初始水平成反向关系。对横截面数据,随着空间单元的经济增长(yi, t+T/yi, t)作为被解释量,初始经济水平(yi,t)作为解释变量,选择标准的无条件绝对收敛方程作为基础模型:
(3)
(3)式中,yi,t+T和yi, t为空间单元i在期末t+T和期初t的增长变量,T为样本时间长度,β为收敛系数,c为常数项。如果β<0存在绝对收敛,且统计上显著,则可以认为在这一时期的空间单元的经济增长过程中存在β型收敛趋势。其说明T年间空间单元的经济增长与其初始水平成反向关系。根据趋同系数β的估计值,可以计算趋同速度:
r=-ln(1+Tβ)/T
(4)
(二)空间异质性空间收敛模型
空间异质性或空间差异性是指地理空间上的区域缺乏均质性,存在不同的经济地理结构,从而导致经济增长存在较大的空间上的差异性。空间异质性反映了经济实践中的空间观测单元之间经济行为(如增长)关系的一种普遍存在的不稳定性。忽视空间异质效应只能在整体上或平均意义上探讨空间单元经济增长收敛性,导致空间收敛空间结构不能显示。
空间变系数的地理加权回归(GWR)模型是处理空间异质性的一种良好的估计方法。地理加权回归模型是一种空间变系数的回归估计技术,是对普通线性回归模型的扩展。为了实现正确的估计,在扩展的GWR模型中,特定区位的回归系数不再是利用全部信息获得的假定常数,而是利用邻近观测值的子样本数据信息进行局域(Local)回归估计而得的,随着空间上局域地理位置变化而变化的变数。把Tibshirani和Hastie(1987)[44]提出的通过利用加权最小二乘法(WLS)对邻近位置i的局域加权获得的GWR模型应用于收敛方程,GWR模型:
(5)
(5)式中,(ui,vi)是第i个样本点的经度和纬度,βi(ui,vi)为连续函数β(u,v)在i点的值。如果βi(ui,vi)在空间各样本点上保持不变,则模型(5)就退变成全域模型(3)。GWR可以对每个观测值估计出k个参数向量的估计值,ei为第i个空间单元的随机误差,满足零均值、同方差、相互独立等球形扰动假定。
局域求解法估计值是依据“接近位置i的观察数据比那些离位置远一些的数据对βi(ui,vi)的估计有更多的影响”的思想,利用加权最小二乘法来估计出参数,得:
βi(ui,vi)=(XTWi j(ui,vi)X)-1XTWi j(ui,vi)Y
(6)
(6)式中W是空间权值矩阵。可以看出,βi(ui,vi)的GWR估计值是随着空间权值矩阵Wij的变化而变化的。实际研究中常用的空间距离权值计算公式有多种[45],其一是高斯距离权值(Gaussian Distance),另一种是指数距离加权值(Exponential Distance),分别为(7)式和(8)式:
Wij=Φ(dij/σθ)
(7)
(8)
在(7)式、(8)式中,dij为第i个区域与第j个区域间的地理距离,Φ为标准正态分布密度函数,σ为距离向量的标准差,θ为衰减参数(窗宽)。
在空间权值矩阵中,d和θ非常关键。若θ趋于无穷大,任意两点的权重将趋于1,则被估计的参数变成一致时,GWR就等于以OLS估计的经典线性回归;反之,当带宽变得很小时,参数估计将更加依赖于邻近的观测值。计算适当的窗宽或衰减函数的原理方法很多,最小二乘法仍然是一般常用的方法,其原理是:
(9)
(三)空间异质性下城镇化水平的空间增长与收敛双重效应模型
条件β收敛是指空间单元的增长收敛不仅取决于其初始水平,还要受到其他因素的影响。换言之,附加的若干控制变量后,若初始收入水平的估计系数是负的,则称条件β收敛。为了较全面检验城镇化的增长效应及收敛效应,城镇化的增长效应包括城镇水平的增长效应和城镇化进程的增长效应,而城镇化的收敛效应,以收敛系数β的变化来进行测度。为此,在(5)式基础上引入城镇化水平及城镇化进程变量,同时还引入控制变量来判断城镇化效应的稳健性,模型为:
(10)
(10)式中,uri,t为第i个样本点的初期城镇化水平,uri,t+T第i个样本点的初末城镇化水平,ln(uri,t+T/uri,t)为第i个样本点的城镇化进程,Xi,t为控制变量,ln(piri , 2000)、第二产业比重ln(siri , 2000)和第三产业比重ln(tiri , 2000)。
(四)城镇化的增长收敛速度测算
根据(10)式与(5)式估计的收敛系数,按(4)式计算城镇化对增长收敛速度效应:
Δr=r″-r′
(11)
(11)式中,r′=-ln(1+Tβ′(ui,vi))/T,r″=-ln(1+Tβ″(ui,vi))/T。
绝对β收敛指随着时间推移,所有空间单元都将收敛于相同的人均收入水平,而条件β收敛意味着各个经济体各自收敛于自身的稳态。从长期来看,经济体系中各个空间单元体的人均收入差距仍然存在,富裕空间单元仍然富裕,而落后空间单元还依然还落后,只是落后空间单元在城镇化的作用下以较高的速度增长,逐步缩小与富裕空间单元的人均收入差距。
五、参数估计
(一)绝对收敛
先不考虑空间异质性因素,以(3)式作用普通最小二乘回归(OLSR)估计(1),后再以(6)式地理加权回归(GWR)进行估计,其中高斯距离权值(exponential)和指数距离权值(gaussian)分别以图9和图10所示,两种方法在平均水平上进行参数对比分析(表1)。表1中,与OLS估计的(1)相比,GWR的(2)与(3)的R2大幅上升,AIC值大幅较低,GWR的估计优于OLS估计。
图9 高斯距离权值(gaussian)的W结构
进一步,表1中(2)和(3)的参数是由gaussian和exponential距离权值估计的β′(图11)平均值。
图10 指数距离权值(exponential)的W结构
从表1看,(3)的R2比(2)的R2高,(3)的AIC值比(2)的AIC值低,(3)整体上优于(2),也就是指数距离权值的地理加权回归模型优于高斯距离权值的地理加权回归模型。对比表1的(3)和(1),(3)的β′值与(1)的β值相比降了-0.0053,以(4)式计算,速度从2.0579%上升到2.7312%。
表1中(3)估计的常数项值在0.1735~0.6278之间,t统计量值在3.6458~17.8953之间,在5%水平上都显著;β′值在-0.0793~-0.0012之间,t统计量值在-11.0309~-0.3842之间,在5%水平上有7个地区β′的t统计量不显著,它们分别为海南、新疆、甘肃、河南、宁夏、内蒙古和山东,以西部地区居多。
表1 绝对收敛的OLSR与GWR估计
图11 gaussiane与exponential估计的β′值
再从区域上看,表1中(3)估计东部、中部和西部的常数项值分别为0.3244、0.3117和0.3373,以西部最高,东部次之,中部最小;东部、中部和西部β′值分别为-0.0252、-0.0219和-0.0271,以西部最高,东部次之,中部最小;东部、中部和西部t统计量值分别为-5.5431、-3.0188和-4.1022,以东部最高,西部次之,中部最小。以β′值计算,西部、东部和中部的收敛速度分别为3.1618%、2.9100%和1.5140%。这说明,西部和东部的人均GDP增长快于中部,中部塌陷。
(二)城镇化的增长收敛参数估计
表2报告的是在(3)式中分别加入城镇化水平、城镇化进程以及控制变量后的OLSR与GWR估计结果。在表1的(1)中加入城镇化水平变量后的进行OLSR估计得(4)。与(1)相比,(4)的R2比(1)高,AIC值比(1)低,明显改进的(1)的性能。(5)为在表1的(1)中同时加入城镇化水平与城镇化进程变量后的OLSR估计结果。与(4)相比,(5)的R2比(1)高,AIC值比(1)低,明显改进的(1)的性能。从(5)可以看出,城镇化效应下,一方面由收敛系数(1)的-0.0186下降到(5)的-0.0347,增量为-0.0161,收敛速度从2.0579%上升到4.2618%,城镇化水平收敛效应为0.9761%,另一方面城镇化水平与城镇化进程变量的系数均为正值,且在t统计量值均为正值,城镇化对县域经济增长起显著的促进作用。(6)为在(5)中加入人口迁入率、第二产业比重和第三产业比重作控制变量后的OLSR估计结果。可以看出,人口迁入在5%水平上具有显著的正效应,而工业化影响不显著。在控制变量影响下,城镇化的收敛效应与增长效应方向与显著性水平没有发生变化,因此,从OLSR估计看,城镇化对县域经济增长与增长收敛具有稳健的双重效应。
表2 条件收敛的OLSR与GWR参数估计
在空间异质性作用下,对表2的(5)参数再用gaussian和exponential距离权值的GWR进行估计分别得到(7)和(8)。从表3看出,(8)的R2比(7)高,AIC值比(7)低,(8)是较佳的模型。同时,对于(8)的R2最高,AIC值最低,(8)为最佳模型。
图12-13分别为表3中(8)的异质性参数估计值。c″的值域为-0.2606~1.3018,有25个样本为负值。收敛系数β″的值域为-19.4392~5.8686,有22个样本为正值。城镇化水平的增长效应λ的值域为-0.2328~0.2382,有68个样本为负值,城镇化进程的增长效应γ的值域为-3.6946~2.5205,有24个样本为负值。
图12 (8)式估计的c″与β″值
(三)省市区尺度的城镇化的双重效应参数
图12-13分别展示了城镇化的增长收敛效应与增长效应,尽管是小概率事件,但系数正负值与理论预期与不一致的情况,也有不显著情况发生。表3是省市区尺度上对图12-13的统计结果。从表3看,系数正负值与理论预期一致,除吉林的λ的t统计量在5%水平上不显著外,其它变量的t统计量在5%水平上显著。从β″值看,前五位分别为西藏、宁夏、海南、青海和黑龙江,全部中西地区,后五位分别为内蒙古、安徽、山东、江西和河南,东部、西部各占一个,中部有三个。从λ值看,前五位分别为宁夏、江苏、上海、海南和陕西,东部有三个,西部有两个,后五位分别为福建、云南、辽宁、新疆和吉林,东部、西部各占两个,中部有三个。再γ值看,前五位分别为宁夏、上海、江苏、内蒙古和陕西,西部三个,东部两个,后五位分别为天津、辽宁、新疆、福建和云南,东部有三个,西部有两个。显然,在省区尺度上的统计结果中,已看出明显规律性。
再从区域尺度上看,东部、中部和西部的β″值分别为-0.0385、-0.0314和-0.0449,收敛速度分别为4.8587%、3.7618%和5.9565%,以西部最高,东部次之,中部最低。从λ值看,东部、中部和西部分别为0.0480、0.0424、0.0473,以东部最高,西部次之,中部最低。再从γ值看,东部、中部和西部分别为0.4915、0.5278、0.4514,以中部最高,东部次之,西部最低。城镇化效应在东部、中部和西部表现也有所不同,但也有倾向性,城镇化对西部的效应较强。
进一步按(11)式计算,在省区尺度上,除浙江、吉林和西藏Δr为负值外,其它28个地区的Δr为正值。前5个Δr省区分别是宁夏、甘肃、广西、北京和河北,其Δr依次为10.6025%、4.4669%、4.3986%、3.2106%和2.9246%,而后5个Δr省区分别是湖南、江苏、浙江、吉林和西藏,Δr依次为0.2732%、0.0622%、-0.2282%、-0.4211%和-3.5231%。很明显,城镇化的收敛效应的差别较大,收敛和发散在省区尺度上同时存在。在更大的区域尺度上看,东部、中部和西部的Δr值分别为1.7691%、1.2551%和2.7135%,以西部最高,东部次之,中部最低。这说明城镇化在缩小区域差距,主要是东部与西部的差距。
表3 指数GWR相对收敛参数估计省区统计
六、中国城镇化双重效应的空间结构
(一)城镇化的增长收敛效应
以图12的β″值和图11中β′值,按(11)式计算后得图14。Δr的值域为-24.6081~28.6975,平均值为1.9390。Δr为负值的样本数为271个,占样本总数的13.77%,[-40,-20)区间有1个样本,为西藏的加查县,[-20,0)样本数数为270个,平均值为-1.9806。Δr在[0,20)区间的样本数为1692个,平均值为2.5154;[20,40)的样本数为5个,平均值为23.8367,它们为宁夏的平罗县、贺兰县、永宁县和灵武市,内蒙古的阿拉善左旗。总体上,城镇化的县城增长的收敛效应的空间异质性较为明显。
图14 城镇化的收敛速度效应
对图14中城镇化的增长收敛速度效应在空间展开后的空间分布特征(图15)。从图15明显看出,城镇化对增长收敛速度的正效应区域明显大于负效应的区域。从Δr负值的样本分布在18个地区,分散于新疆、西藏、云南等地区,集聚在广东、福建、浙江和东北的辽宁、吉林和黑龙江等地。统计显示,青海和山东分别只有1个县,安徽和四川各有3个县,贵州3个县,新疆和浙江各9个县,河南10个县,广西15个占样本数的20.27%,内蒙古16个占20.25%,西藏和云南各17个分别占26.98%和14.17%,湖北有19个占31.67%,辽宁22个占51.16%,黑龙江24个占37.50%,吉林20个占70%,广东有34个占50.75%,福建省39个占67.24%。辽宁、吉林、广东和福建的负效应样本超过其样本的半数以上。
从Δr趋势面看,城镇化的增长收敛速度效应大面积的是0~2%之间,其中内蒙古中部有一个超过15%的强效应中心区,内蒙古中北部、青海北部、甘肃东南部为外围,形成了城镇化的增长收敛速度效应超过5%的一个集聚区,同时在西藏中部、新疆与青海的交界处也形成了一个超过5%的集聚区,在新疆、西藏、云南南部、黑龙江东部有超过5%散点分布。在新疆与西藏的西部交界处,青海、西藏与云南交界处、西藏西南部、黑龙江西北部与内蒙东部交界处有超过-15%效应区,新疆北部有两个,青海中部,云南西部,广西与广东交界处,广东与福建南部,河南与湖北交界处,内蒙东北部,黑龙江北部,辽宁、吉林与内蒙交界处有-5%~-15%效应区分布(图16)。
图15 Δr正负值的空间分布
图16 城镇化的收敛速度Δr趋势面
(二)城镇化水平的增长效应
在省区尺度上,城镇化水平的增长效应均为正效应,前五个地区依次是宁夏、江苏、上海、海南和陕西,后五位依次是福建、云南、辽宁、新疆和吉林,宁夏是吉林的10.33倍(表3)。再从区域上看,东部、中部和西部的λ值分别为0.0480、0.0424和0.0473,以东部最高,西部次之,中部最低。虽然,东部、中部和西部的城镇化增长效应有所差异,但差异较小。
以图17为图13中λ值的空间展开。明显看出,城镇化的增长正效应区域较为广阔,负效应样本只分布在新疆、西藏、内蒙、甘肃、辽宁、吉林和黑龙江等地。统计显示,负效应样本分布为黑龙江有1个,甘肃4个,西藏5个,吉林6个,辽宁和内蒙古8个,福建9个,新疆10,广东17个。
λ趋势面分布呈大面积的弱强度区,较大中强度区,高强度和负效应集聚区分散格局(图18)。有一个在超高强度区,分布在甘肃、内蒙古、宁夏的交界处。有两个高强度效应小区,分布在青海、江苏。具体地,有8个中强度区,以四川东北部、陕西、宁夏、内蒙中部、山西北部、河北北部形成大范围中强效应区;纵贯西藏、青海,向内蒙古延伸的中强效应集聚区,浙江东南部、安徽东南部、上海、江苏和山东中部形成的长三角为主体的中强效应区;湖南、湖北和江西交界的中强效应区,新疆和黑龙江分别有两个中强效应区小区;海南单独形成中强效应区。对于负效应区,主要是甘肃、内蒙古、新疆交界处为强效应核,以新疆北部与东部、甘肃与内蒙古西北部、青海西北部为外围的集聚区;内蒙古东北部与黑龙江北部交界区、西藏西南部、广东与福建交界处、辽宁与吉林交界处,共4个区。
图17 城镇化水平的经济增长效应空间分布
图18 城镇化水平的增长效应趋势面
(三)城镇化进程的增长效应
在省区尺度上,城镇化水平的增长效应均为正效应,前五个地区依次是宁夏、上海、江苏、内蒙古和陕西,后五位依次是天津、辽宁、新疆、福建和云南,宁夏是吉林的8.92倍(表3)。从区域上看,东部、中部和西部的λ值分别为0.4514、0.5278和0.49153,以中部最高,西部次之,东部最低。显然,中部和西部的城镇化增长效应高于东部地区,但差异较小。
以图19为来自图13中γ值的空间展开。明显看出,城镇化进程对增长正效应样本较为广阔,负效应样本只分布在新疆、西藏、内蒙、四川等地,全为西部地区。其中,青海分布有1个,四川和内蒙古各2个,甘肃7个,新疆12个。
γ效应趋势面的绝大多数地区的弱强度区,高强度、中强度和负效应区分布分散(图20)。有两个在高强度区,一个分布内蒙古、宁夏的交界处,另一个在内蒙古东北部。有三个中强度效应小区,分布在青海、新疆东南部、黑龙江与吉林交界处。
图19 城镇化进程的经济增长效应空间分布
图20 城镇化进程的经济增长效应趋势面
对于负效应区,主要是甘肃、内蒙古、新疆交界处为强效应区,其次是横穿甘肃,两头向内蒙古和青海延伸的区域。另外,在新疆南部,西藏西南部,青海、西藏和四川交界处有三个小区域。
(四)城镇化双重效应
以图14和图13数据计算,Δr与λ、γ相关系数分别为0.4626和0.2515,λ与γ相关系数为0.8016,三者具有高度的正相关性。当剔除负效应样本后还有1667个样本同时获得了城镇化的收敛效应与增长效应(见图21)。图21看出,广西沿海、广东、福建的一带样本分布大幅下降,河南和湖北等中部地区样本分布也大幅下降,西部、东北地区等其它地区样本分布有不同幅度下降。统计显示,东部、中部和西部三重效应样本数分别为424、512和731个,分别占样本数的80.00%、85.76%和86.92%。样本下降比例西部最小,中部次之,东部下降比例幅度最大。这充分说明,西部是城镇化双重效应最强的地区,中部次之,东部城镇化效应最弱。进一步计算,Δr与λ、γ相关系数分别为0.5681和0.3691,λ与γ相关系数为0.8430,三者具有高度的正相关性有不同程度上升。这说明,城镇化的收敛效应和增长效应具有高度的空间协同性。从图22看出,三者关系中有5、10、20三个分界线,此外,样本分布偏向城镇化进程效应,大部分在5分界线的左侧;越偏离5分界线的右侧,城镇化水平的增长效应与城镇化进程的效应越强,城镇化的增长收敛效应越强。
图21 城镇化双重效应的空间分布
图22 城镇化双重效应的关系图
总体上,对县域空间而言,城镇化水平与城镇化进程都具有直接的增长效应,城镇化通过促进西部低收入县份的较快增长,以缩小与东部高收入县份的收入差距,形成良性循环。这是城镇化具有空间增长与收敛效应统一的内在机制。可以看出,城镇化水平及城镇化进程的增长效应越强,收敛效应也就越强。基于县域人均GDP增长收敛速度的估算结果显示,中国三大区域经济发展正处于收敛过程,城镇化还能维持加速增长的态势。随着城镇化推进与人均GDP的进一步提高,中国空间经济增长最终可以实现均衡增长的目标。当然,省份间收敛速度的比较表明,不同省份收敛速度存在很大差距。相对于较为富裕省份,低收入省份的经济增长的收敛速度更高,这也意味着呈现出经济落后区域追赶富裕区域的趋势。但即使落后区域的经济增长率高于富裕区域,但城镇化可能使得低收入区域与高收入区域还存在一定的差异,实现空间的差异协调发展。
七、结论与含义
本文利用中国县域2000年和2010年的空间数据,对城镇化的经济增长与收敛双重效应假设进行了计量检验。主要方法是采用普通最小二乘回归,在扩展的收敛模型中考察了我国县域城镇化的经济增长及其收敛效应,以加权地理回归测度城镇化包括城镇化水平与进程的经济增长与收敛效应的空间异质性。结果表明:我国县域城镇化对人均GDP增长及收敛性具有稳健的双重效应。研究还进一步发现,县域城镇化包括城镇化水平及城镇化进程可以同时促进增长与增长收敛,三种效应具有协同性,促进了中西部尤其是西部地区的较快增长,缩小了东西差距,推进了区域协调发展,实现城镇化的双重使命。需要强调的是,县域经济增长收敛既具有绝对收敛性,又具有条件收敛性,即使在考虑了人口迁入情况下,城镇化对县域经济增长收敛系数和增长系数的正负性及显著性水平没有发生变化。从统计上看,城镇化双重效应的稳健性支持了城镇化具有经济增长与收敛效应假设。
本文结论具有明显的政策含义。首先,我国的县域经济增长存在城镇化条件下收敛。这说明我国中西部落后地区与东部地区的差距主要来自初始水平和城镇化进程的不同。因此,要想缩小我国中西部地区与东部地区的差距,在“双重效应城镇化”的发展道路上有必要加快中西部地区城镇化,为中西部地区县域城镇化增长创造条件。其二,中国城镇化既推动经济增长,又缩小空间差距,体现空间收敛性,城镇化成为空间经济协调发展的决定因素。难能可贵的是,我国县域经济增长实现增长的同时,并不是以县域差距的急剧扩大为代价。其三,城镇化具有经济增长及增长差距缩小效应,这给城镇化政策带来较大的空间。地区差距的缩小是一个长期任务。因此,中央政府必须采取有效措施推进“三纵两横”城镇化战略,尤其是在第三纵(昆明—重庆—西安—银川)与两横西端上加大投入,促进西部城市群包括成渝、关中、滇中等城市群建设,提升城市化水平与集聚效应。同时,在“一带一路”中加大西南各省与西北五省的城市化基础建设,完善基础设施网络,依托陆桥通道上的城市群和节点城市,建设“丝绸之路城市带或城市群”,共同形成强大增长极,这将会极大有利于我国经济增长,同时缩小地区差距,促进区域经济公平、协调发展,同时推动形成与中亚乃至整个欧亚大陆的区域大合作。最后,强有力的推进城镇化战略,为城镇化突破“胡焕庸线”提供了理论与经验支持,促进“胡焕庸线”两侧人口经济的协调发展。
当然,我国县域经济增长收敛也非完全取决于城镇化因素。但是,广大西部劣势区域的城镇仍难集群发展,我国县域经济增长仍难超越城镇化因素的决定作用。从检验结果看,城镇化在东部、中部与西部三大地带县域中具有不同增长效应与收敛效应,而在城镇化进程中,县域经济可以实现在增长中走向收敛。当然,在我国东西差距缩小仍面临严峻挑战。城镇化的确是我国建立区域协调发展的核心机制以及“如何突破胡焕庸线”难题的金钥匙,坚定不移地推行城镇化无疑是决定中国紧迫与长远发展最为重要的决策。