动态外部性、产业异质性与中国区域产业的协同发展，本文主要内容关键词为：产业论文,中国论文,区域论文,异质论文,动态论文，此文献不代表本站观点，内容供学术参考，文章仅供参考阅读下载。
聚集经济与产业发展之间的相互关系是城市经济学、区域经济学理论与实证研究关注的热点。随着我国区域经济一体化程度的提高，区域之间产业分工与合作已成为链接城乡经济、区域经济发展的纽带。产业发展与区域经济协调发展的相互作用的关键环节在于发挥产业的聚集经济效应和它所带来的扩散效应。聚集经济效应的来源，依据马歇尔的解释可以划分为城市化经济效应与地方化经济效应，这是静态外部性的典型形式。聚集经济的动态化，即动态外部性，依据现有的理论与实证研究，可以划分为马歇尔的产业专业化效应、雅各布斯的产业多样化效应和波特的产业竞争效应。发达市场经济国家动态外部性的理论与实证研究表明，动态外部性能够显著地促进产业增长，这也成为我国通过产业集群，发挥产业聚集经济效应，促进产业结构转换和产业结构升级的理论依据。然而我国处于工业化的中后期，所面临的产业发展环境与西方的发达市场经济国家明显不同。产业异质性和省份经济发展的异质性，使得动态外部性的产业发展效应区域差异明显。自1999年以来随着我国一系列区域经济发展政策的出台，区域经济一体化程度逐渐提高，区域之间产业发展的空间联系越来越紧密，在这种制度背景下，动态外部性的产业发展效应是否和西方市场经济国家的效应一致，具有显著的空间溢出效应，促进了空间邻接省份的产业发展？还是有中国独有的特征？产业的发展是否能够进一步的促进产业聚集效应的提升？针对这些问题，我们构建了考虑区域之间产业空间联系的空间面板向量自回归模型(Spatial Panel Vector Autoregression)，利用最新的空间面板的格兰杰因果性检验，检验动态外部性与产业发展之间的动态相互关系。利用非参数的面板数据回归方法，在考虑产业的异质性的条件下，分析动态外部性与产业增长之间的非线性关系，并基于动态面板的分位数回归方法，深入分析了动态外部性的产业发展效应。 一、文献综述 动态外部性是聚集经济理论与实证研究的核心内容。关于聚集经济与经济增长的理论研究方面，新经济地理理论进行了较好的诠释。经济的空间聚集与经济增长是并行的过程。现有的城市聚集经济理论模型，例如Ciccone(2002)的研究，支持聚集经济提高了城市聚集区的劳动生产率。Duranton & Puga(2004)更多的是讨论聚集经济影响劳动生产率的机制。Baldwin & Martin(2004)则认为聚集经济与经济增长之间是并行的过程，认为区域层面的聚集经济引致了经济增长。Baldwin & Martin(2004)的分析将聚集经济与经济增长的相互作用机制，统一到了新经济地理的模型框架下，并将新增长理论和新经济地理模型有机地结合起来。向心力源于最终产品的需求多样化效应，离心力来源于要素空间聚集区域的要素价格上升和需求的分散，而这体现了动态外部性的产业发展效应。 动态外部性实证研究方面，通常采用工业或者城市聚集经济方面的特征性解释变量，例如就业密度、分产业的就业状况等，对于城市层面的经济效率方面的特征性变量进行回归。但这样的回归是存在内生性(Endogenous Variable)问题，因为从特定的城市角度而言，企业一般倾向于向较高的劳动生产率的区域聚集，从而获得城市聚集经济所带来的外部性。通常基于聚集经济的影响效应方程，构建相关的回归指数，并以此为基础来检验城市化经济、地方化经济对于城市产业增长的影响效应。Rosenthal & Strange(2004)的研究认为聚集经济与空间因素的影响效应之间紧密相连，聚集经济效应随地理距离的增加而递减。实证研究的方法论方面，往往基于产业层面的经济发展指标与反映产业动态外部性效应的特征性变量进行实证分析。概括而言，主要有两种不同的研究，一种方法是基于单位根检验与协整检验的方法，分析产业层面的动态外部性与产业发展变量之间的长期关系，如Dekle & Eaton(1999)、Zhen(2010)的研究；另外一种分析方法，是基于向量自回归模型与格兰杰因果性检验，分析动态外部性与产业发展的双向因果关系，例如Graham & Dender(2011)所利用的动态面板的向量自回归模型，实证检验了聚集经济与劳动生产率之间的相互的动态关系，他们所使用的聚集经济的特征性变量是城市中产业的就业密度。 我国学者对于聚集经济的产业增长效应也进行了实证研究。如薄文广(2007)借助于面板数据方法，分析了产业的多样化与产业的专业化的产业增长效应，发现产业的多样化的产业发展效应，具有非线性效应，并且在我国不同区域之间存在明显差异。张志强(2011)研究了城市层面的聚集经济与经济增长的相互关系，分析的结论认为，聚集经济能够有效地促进城市经济增长，并且具有显著的动态效应。吴建峰、符玉明(2013)提出了识别马歇尔动态外部性的方法，发现马歇尔外部性是引致中国产业空间聚集的首要原因，并且认为实行市场化改革是发挥聚集经济效应的积极力量。韩峰、柯善咨(2012)在马歇尔外部性和新经济地理的综合视角下构建了要素供给和市场需求的空间外部性指标，探讨了中国284个地级及以上城市制造业空间集聚机制，发现专业化劳动力、中间投入可得性、区际研发溢出与市场需求对制造业空间集聚具有显著的促进作用。 综观现有的研究，我们发现聚集经济作为实证分析的特征性测算变量具有显著的内生性(Endogenous)特征，它与产业全要素增长率①之间的相互因果关系的识别，对于区域层面上产业发展政策的制定，具有普遍的参考价值。因而，甄别不同类型产业的聚集经济的产业增长效应需要采用广义矩的估计方法，才能有效地解决内生性问题。国内外学者的研究，更多的关注于动态外部性对于产业经济增长的促进效应，然而由于不同区域、不同产业自身发展的特性不同，聚集经济对于产业发展所具有的效应也明显不同，这种异质性是现有的理论与实证研究所忽略的。虽然依据区域层面的资本密集程度、劳动密度程度等指标，对产业进行了划分，以体现聚集经济效应的区域产业发展差异，但是这种分类方法，具有明显的主观性特征，并不能够真实反映区域产业动态外部性的发展差异，而基于最新的动态面板的分位数(Dynamic Panel Data Quantile Regression)回归方法，量化不同区域的不同产业的动态外部性的产业发展效应差异，才能有效地识别聚集经济效应的区域异质性。正如Graham & Dender(2011)的研究所认为的，聚集经济所具有的产业增长效应具有明显的非线性特征，仅以线性关系来描述他们之间的关系，会明显的制约实证研究结果的稳健性。此外，区域之间产业发展具有内在的投入产出关联关系，而在以往的相关研究中，并没有体现区域产业发展的空间关联关系，而空间面板计量经济学方法，为我们提供了有效的工具选择。因此本文的贡献主要体现在如下三个方面：首先，系统的构建了空间面板向量自回归模型和空间格兰杰因果性检验的实证分析框架，检验了聚集经济的产业发展效应的因果性；其次，基于面板的半参数回归和动态面板的分位数回归的方法，分析了动态外部性的区域产业发展效应异质性、非线性与空间联系性特征；最后，通过构建空间混合效应的多维面板模型，深入分析了影响动态外部性的产业发展效应的内在原因。 二、动态外部性与产业发展的内在机理分析 动态外部性，即产业层面的聚集经济的动态化是聚集经济的典型特征。聚集经济依据其经典的城市经济学的定义，可以阐述为企业空间选址行为而产生的外部性。依据它作用的范围与内在的特征，划分为城市化经济与地方化经济。马歇尔将聚集经济形成的内在原因归因于投入的共享、劳动力的蓄水池效应和知识溢出。雅各布斯关于城市聚集经济的表述，则更多地侧重于城市内多样化产业的空间聚集，促进了产业的发展。波特则从城市内产业的聚集引致的产业之间的竞争的角度，阐述了聚集经济引致的动态外部性对于产业发展的影响。因此，我们以为聚集经济作用于产业发展的内在机理源于聚集经济从微观企业层面上产生的内在动因。最新的关于聚集经济的微观基础的理论研究，将聚集经济作用于产业发展的机理归因于共享(Sharing)、搜寻(Searching)和匹配(Matching)，即更将强调城市内聚集经济的微观主体企业、劳动者的空间布局决策而产生的外部性结果。因此微观企业、劳动者因动态外部性而获得了额外的福利增进效应。概括而言，它们的作用机理表现在如下几个方面： (一)专业化投入引致的产业发展效应 产业的发展过程都依托于产业链条上的微观企业，对于企业而言它们的空间布局，往往选择那些具有较高的聚集外部性的地区，其中内在的原因，可以概括为如下三点：首先，企业如果布局在与自身的投入产出关联密切的产业聚集的地区，那么企业就能够显著地降低自身的生产成本共享专业化的投入。显然这样的产业聚集地，既可以是与自身产业特性类似的同一产业，又可以是有多样化的投入产出关联效应的企业，因而此时的动态外部性可以看做是企业对于较远的原材料供给厂商的替代。其次，专业化投入的空间聚集产生的动态外部性，使得企业能够合理地应对外部的产业需求波动，及时的提升企业的经营绩效，这在产业面临更为严峻的发展环境的时候显得尤为重要。最后，动态外部性的存在为企业提供了直接形成协作关系的纽带，这也成为产业内、产业间企业之间分工与合作的微观基础，因而这促进了产业内的企业分工，延长了空间聚集区域的产业链条，进而促进了产业规模的扩张与产业竞争力的提升。 (二)人力资本聚集引致的产业发展效应 人力资本的空间聚集而引致的劳动力“蓄水池”效应是被城市经济学理论与实证研究广泛证实的动态外部性形成的根本原因之一。通常而言，城市是人力资本高度聚集的典型空间载体。在这里不同产业所需求的专业化的劳动力汇集会显著地提高劳动力市场的匹配程度，提升人力资本的空间配置效应。对于微观的企业而言，多样化的人力资本的聚集，可以提高企业的组织柔性和管理效率，合理的应对外部的需求波动，进而提高了产业应对外部需求环境变化的能力。此外，多样化的人力资本的空间聚集，使得那些具有相同的技能、人力资本构成的劳动者之间共享专业化的、前沿的产业发展所需的技术，进而不断地促进了产业的技术升级和地区产业的竞争力。因此，不同产业所需的人力资本的城市内聚集，会显著地提升城市内产业的潜力，提高产业应对外部性需求波动的能力和产业发展的竞争力。 (三)知识溢出引致的产业发展效应 知识溢出效应是外部性存在的典型形式。产业层面的知识溢出，可以表现为显性的知识溢出和隐性的知识溢出。这主要是指在产业层面上不断发生的技术升级、转化。新的、全球化的产业技术升级，提升了城市内产业发展的技术前沿。而隐性的知识溢出，则只发生在有限的空间范围以内。在城市产业层面上，由于技术创新、产业创新的活动，仅发生在动态外部性高度显著的地区，那么处于这些区域的产业，就能够共享创新所带来的外部性，这些企业所在的产业的生产率就会显著地高于其他地区的同一产业，由于空间临近性，它们更易于获得前沿技术、管理经验。那些处于技术前沿的企业，会由于行业内、产业间的竞争压力，不断地用创新来应对复杂多变的产业竞争环境，而这一过程正是产业技术进步的过程。显然，这些产业的空间聚集会明显的提升产业的劳动生产率和全要素生产率，内在的原因是由于这些隐性的知识溢出效应的存在。 动态外部性作用于产业发展的内在机理源于上述三种机制，而它们在宏观产业层面上的动态表现就是马歇尔外部性、雅各布斯外部性和波特竞争外部性。因此，这里我们基于空间面板VAR模型，构建整合实证研究框架，探究动态外部性的产业增长特征。 三、基于空间面板VAR模型的实证研究框架 (一)全要素增长率与动态外部性的空间VAR模型 关于聚集经济与产业增长之间相互关系的研究，都遵循了聚集经济促进产业增长的逻辑分析框架。然而对于特定的产业与区域而言，较高的产业增长率与产业聚集水平，也成为吸引众多的企业和就业活动空间聚集的重要原因，因此聚集经济与产业增长之间存在双向因果关系，若直接进行回归分析，由于内生解释变量的问题(Endogenous Variables)，我们得到的回归参数的有效性与一致性值得商榷，据此得出的动态外部性能够促进产业增长的结论也并不准确。 这里我们借鉴了时间序列与面板计量经济学中应用的格兰杰因果性检验方法，分析聚集经济与产业增长之间的双向因果关系。为了检验聚集经济三种不同形式，即马歇尔外部性、雅各布斯(Jacbos)外部性与波特(Porter)外部性与产业层面的TFP增长率之间的相互关系，我们建立了如(1)～(3)式的面板VAR模型：
其中
代表除去s产业以外的i省份的所有其他产业产值占全部工业总产值的比重的平方。因此，赫芬达尔指数越低，那么产业的多样化程度也越高。 反映不同产业的行业竞争程度的重要参数波特外部性，其计算方法如(6)式所示：
不同省份之间，由于地理位置和产业之间的相互紧密关联，产业层面的空间溢出效应，成为影响产业全要素增长率的重要因素，因此这里我们借助于空间面板计量经济学方法，引入空间加权矩阵W反映不同省份之间经济的相互联系程度。空间加权矩阵的选择是体现跨省份的产业相互影响效应的关键，这里我们采用两种不同的加权矩阵，一种是基于地理距离和交通线路距离的空间加权矩阵，另外的一种是基于经济权重的空间加权矩阵，即基于不同省份之间产业的关联效应，我们依据区域间投入产出表，构建了省份之间的投入产出矩阵。②引入空间邻接省份的动态外部性的影响效应以后，相应的实证计量模型如(7)式所示：
以空间面板的VAR模型为基础，基于格兰杰因果性检验，我们能够分析产业层面的动态外部性对全要素增长率的双端的因果性检验。该检验等价于通过Wald检验形如模型(7)中的多个回归系数的显著性水平。如果马歇尔外部性是引致产业层面全要素生产率增长的原因，那么则拒绝
的原假设，同样的如果邻接省份的马歇尔外部性是引致产业层面全要素增长率的原因，则拒绝
的原假设。这种逻辑分析框架同样也适用于全要素生产率增长与雅各布斯和波特外部性之间的格兰杰因果检验。格兰杰因果检验能够揭示出，当前的全要素增长率的动态变化与聚集经济效应之间的相互关系。单个滞后变量中存在的VAR系数不能够反映所研究系数的长期动态变化关系，格兰杰因果检验应该基于动态的长期关系系数，如马歇尔外部性的长期增长率系数取决于
，我们的实证检验都是基于这些变量的长期关系系数展开的。 在空间效应存在的横截面数据模型条件下，可以通过似然比检验，检验变量之间格兰杰因果性。检验的统计量服从于卡方分布：
其中k代表参数的零约束个数，
分别代表格兰杰因果性检验的备择假设与原假设。然而，由于不同省份之间产业发展存在显著的空间投入产出关联效应，这等价于我们所分析的(7)式中存在横截面数据的相关性，并且分析的特征性变量之间存在时间维度的动态关系，因此传统的格兰杰因果性检验无法有效识别变量之间的因果性。这里我们定义基于横截面平均的格兰杰因果性检验，如(9)式所示：
其中
代表基于模型(7)的横截面个体的格兰杰因果性检验的Wald检验值，它的原假设是我们所分析的马歇尔外部性不是产业层面的全要素增长的原因。
检验对应的Wald检验等价于
=0，i=1，2，…，p，R代表(K，2K+1)的矩阵R=［0：
］，
代表单位矩阵，K代表待估计参数个数。检验的原假设是
代表相应参数的估计值和标准差的估计值。
代表估计协方差矩阵。在极限分布的条件下
服从与标准正态分布，我们对于动态外部性与产业全要素增长之间因果关系的检验，都是围绕这一特征性统计量展开的。 (二)空间VAR模型的估计与识别 形如公式(7)的空间面板VAR模型，包含有解释变量与被解释变量的滞后项，这与非时变的个体固定效应相关，存在明显的内生解释变量(Endogenous)问题。为了解决聚集经济所引致的外部性问题，通常而言学者们采用的是使用工具变量的方法，如Fingleton(2003)使用空间滞后变量作为工具变量分析聚集经济的生产率促进效应。Mion(2004)的实证研究结果表明，基于差分的GMM与非线性工具变量法相比，能够显著的解决内生解释变量的问题。同时在内生性解释变量存在的前提下，采用工具估计方法，通常面临合理选择工具变量的问题，在模型的估计过程中，会存在弱工具变量的问题，而动态面板数据模型的系统广义距(SYS－GMM)估计则提供了一种有效的参数估计方法。Blundell & Bond(1998)所提出的广义距的动态面板估计方法，证明系统广义矩(SYS－GMM)能够提供更为稳健的参数估计量。GMM参数估计的一致性要求回归残差中不存在一阶自相关(水平方程)，同时一阶差分序列的残差方程也不存在自相关。GMM估计的工具变量有效性，可以通过Sargan过度识别约束和差分的Sargan检验进行检验。在模型(7)的面板VAR模型中，滞后阶数P的选择，显得尤为重要，滞后阶数的选择方面，这里我们采用的是赤池(AIC)，贝叶斯(BIC)信息准则选择面板VAR模型中的滞后阶数。这里我们基于面板的向量自回归模型将得到的估计结果进行格兰杰因果检验，分析聚集经济与产业的全要素增长率之间的关系。 空间面板的VAR模型(7)与其他面板VAR模型的本质区别在于引入了空间效应，空间效应的存在使得一般的动态面板的数据的估计方法转化为动态空间面板的估计。空间滞后变量的存在使得0LS参数估计不一致。形如模型(7)的面板数据模型是空间动态面板模型的典型形态。空间动态面板的模型估计，依据Elhorst的研究，估计方法可以划分为两种不同的类型：一种是基于极大似然估计，另外一种是基于GMM的估计方法。空间动态面板的GMM估计在参数估计的有效性与一致性方面，显著的优于极大似然估计方法。系统GMM相比与差分的GMM能够提供空间动态面板的有效估计，因此这里我们在估计的时候，选择了基于系统GMM的空间动态面板的估计方法对于模型(7)进行了估计。 (三)产业层面的全要素生产率增长(TFP)的计算 产业层面的全要素增长率的测算，即(1)～(3)式的
的测算方法依据方法的不同可以划分为参数方法和非参数方法，参数方法可以采用CD生产函数，或者是超越对数的生产函数，估计索罗残差。然而，为了减少由于函数设定所引致的全要素生产率的测算误差，这里我们采用非参数的数据包络分析(DEA)方法，TFP可以看做是投入要素距离生产前沿的函数，全要素生产率这里是基于DEA的Malmquist方法得到。产出导向的Malmquist指数，表示如果时间t的技术被用作技术参照的话，那么从时间t到时间t+1的Malmquist(面向产出导向的)指数如(11)式所示：
(四)数据来源 本文的主要数据来源于《中国工业经济统计年鉴》、《中国统计年鉴》，我们所选择的数据研究期限是1999～2011年。考虑到数据的可获得性和缺失值的情况，数据样本中略去了西藏的数据，样本选择了30个省份自治区的34个行业11年的三维面板数据。在进行数据收集时，经过综合的比较分析我们发现其他采矿业、石油和天然气开采业和废旧资源与废弃材料回收业这三个产业，存在大量的缺失值，如果纳入到我们的实证分析数据库中会直接影响到回归结果有效性与一致性，因此在我们的数据库中略去了这些产业。由于2002年以后我国的工业统计方法进行了较大调整，故2003年和以前的数据不可比。因此我们将数据样本拆分为两组：一组是1999～2002年，另外一组是2003～2011年。全部的产业数据样本见附录。1999～2002年的产业面板数据，使用空间面板VAR模型进行估计时，滞后变量的存在使得参数估计失去有效性，③因此这里我们仅基于2003～2011年的统计数据进行了实证研究。 四、基于空间VAR模型的实证分析结果 基于我们提出的空间VAR模型和空间面板格兰杰因果性检验，对于30个省份的34个产业基于GMM估计方法，进行了估计。参数估计得到的部分结果如表1所示，④其中的系数是面板格兰杰因果性检验得到的长期关系系数，其显著性水平也在表中给出。基于空间面板的向量自回归模型，对于34个产业每个产业都进行了如表1所示的6个回归，以检验动态外部性与产业的全要素增长率之间的因果关系。 表1列举了通用设备制造业、通讯设备计算机及其他设备制造业的空间面板VAR模型的估计结果。表中数据表明马歇尔动态外部性，波特动态外部性具和产业的全要素生产率之间具有稳健的双向因果关系。马歇尔外部性方面，通用设备计算机产业的马歇尔外部性增加1％，会促进全要素生产率增加0.72％，通讯设备计算机及其他设备制造业的动态外部性提高1％，能够促进全要素生产率提高0.24％。波特的产业竞争效应能够显著的提高产业的全要素生产率。同时，我们也发现产业的全要素生产率也是引致产业马歇尔外部性和波特外部性的格兰杰因果性原因。然而，雅各布斯外部性虽然是引致产业全要素增长的主要原因，如通用设备制造业这一效应达到0.4％，但是产业的全要素增长率却不是引致产业的雅各布斯外部性的主要原因，如两个回归模型(4)中体现两者相互关系的长期关系系数，在统计上并不显著。体现产业的空间溢出效应的特征性变量，在我们的动态空间面板VAR模型估计中得到的参数估计都是显著存在的。对于特定产业而言，空间邻近省份的产业全要素生产率和马歇尔、雅各布斯和波特的动态外部性，具有显著的空间溢出效应。通过区域之间的这种空间的区域投入产出关联，各个省份的产业发展成为有机的联系整体，这也为进一步的拓展跨区域的产业分工与合作的有效途径提供了理论上的证据。
表1中所给出的统计量分为三种类型：一种是检验面板VAR模型的滞后阶数的检验统计量，其依据的是赤池(Akaike)和贝叶斯(Bayesian)信息准则；另外的一种统计量是检验回归后的残差是否存在一阶与二阶自相关的统计量AR(1)和AR(2)；第三行的统计量是检验样本的工具变量有效性的Sargan检验和系统广义矩估计工具变量有效性的差分Sargan统计量的值。在估计模型的选择方面，由于我们的模型设定中包含空间滞后项，因此这里的估计也将解释变量与被解释变量的空间滞后项作为工具变量，以有效地解决空间效应存在情况下的内生性问题。依据赤池信息准则表格中也给出了模型的最优的滞后阶数。Sargan和差分的Sargan检验表明我们所选择的包含空间滞后项的工具变量是高度有效的。这两个产业进行面板的VAR模型估计的残差中，都不存在一阶自相关。 与上述两个产业的估计方法一致，我们计算了所有34个产业的动态外部性与产业全要素增长之间的格兰杰因果性检验计算，结果如表2所示，⑤表中的箭头方向代表格兰杰因果性原因的检验方向。
表中如果存在缺失值，表明相对应的空间面板格兰杰因果性检验的统计量没有通过相对应的临界值检验。依据现有的回归结果，我们发现与经典的理论研究阐述相类似，这里我们发现对所有我们所分析的34个产业而言，马歇尔外部性、雅各布斯外部性和波特外部性是引致产业全要素生产率增长的主要原因。然而，是否较高的产业全要素生产率是引致马歇尔外部性、雅各布斯外部性和波特外部性格兰杰因果性原因呢？依据表2中的实证结果，我们发现不同产业的全要素生产率，并不是引致所有产业的雅各布斯外部性的格兰杰因果性原因，但是却是引致马歇尔和波特外部性的主要原因。较高的产业全要素生产率会引致特定的专业化产业的空间聚集，以共享专业化的产业发展环境所带来的产业发展效应。马歇尔和波特外部性促进了同一类型的企业的空间聚集，由于知识的共享效应，促进了产业的空间聚集。而分产业的雅各布斯外部性，虽然是促进产业增长的格兰杰因果性原因，但是产业的全要素生产率增长却不是雅格布斯动态外部性的格兰杰因果性原因。从长期关系的回归结果可知，城市化经济与地方化经济确实是引致产业层面全要素增长的格兰杰因果性原因，这在我们所分析的数据样本中，都得到了证实。然而不同产业之间的这一效应存在明显差异。产业全要素生产率与产业的波特外部性、马歇尔动态外部性之间存在长期的双向因果关系，但是雅各布斯外部性和产业的全要素增长率之间并不存在双向的因果关系。这在特定产业层面显得尤为明显。雅各布斯动态外部性与产业的TFP增长之间存在双向因果的，仅有农副食品加工、食品制造业、酒、饮料制造业、烟草制造业、化学纤维制造业、橡胶和塑料制造业等六个产业，其他的28个产业仅存在单向的因果关系。 通过我们空间VAR模型的估计，我们可以得出两个关键性的结论：首先，聚集经济效应能够预测不同产业的全要素生产率的变化，这集中体现在动态外部性的产业增长效应具有显著的直接效应；其次，在我们所研究的产业中我们发现城市化经济与产业层面的全要素增长率之间并不存在显著的双向因果关系。全要素生产率并不能显著的促进城市化经济效应的影响效应，这尤其体现在纺织、服装和鞋帽制造业、医药制造业等产业层面上。此外，我们的实证研究模型进一步地证明了在聚集经济的产业发展效应问题的分析中内生性(Endogenous Variables)是普遍存在的，如果忽略这一问题的处理，得出的研究结论存在显著缺陷，甚至会得出错误的结论，我们发现经过合理地选择空间滞后变量能够有效地解决这一问题，这也为我们以更小的地理维度和更加细分的产业层面的数据检验动态外部性的产业发展效应提供了理论依据。 五、稳健性检验 正如前文的VAR模型所揭示的那样，不同产业之间聚集经济的产业增长效应存在明显差异。产业发展的异质性与动态外部性之间的相互关系是不能仅仅以线性关系来描述的，因此为了进一步地揭示聚集经济与产业增长之间的关系，我们分别基于半参数和动态面板空间分位数回归方法进一步探究动态外部性与产业全要素增长之间的相互关系。 (一)基于半参数回归模型的实证分析 这里我们采用半参数模型分析动态聚集经济与产业全要素增长的异质性之间的相互关系，我们的理论模型形式如公式(13)所示：
其中
代表省份i的s产业的资本投入与劳动投入，
代表产业s的劳动生产率。资本投入我们以产业层面的固定资产年平均余额来表示，劳动投入方面我们以分产业的从业人员平均人数来表示。因此模型(13)构成了半参数回归模型。对于模型(13)中线性关系部分，我们设定了如下的超越对数生产函数(Translog)设定，其中动态外部性的影响效应采用半参数模型的方法⑥，基本模型方程如(14)所示：
其中
代表个体与时点的固定效应，在估计的时候也同时考虑了序列中存在的空间自相关效应。对于形如(14)的模型，我们采用了限制性极大似然估计方法进行了该估计，模型能够有效地识别动态外部性的产业增长的非线性特征。 图1～图3分别描述了雅各布斯、马歇尔和波特竞争外部性与产业的全要素增长率之间的超越对数非线性估计，图中阴影部分代表分位点回归的置信区间。图示表明雅各布斯外部性具有显著地递减效应，马歇尔外部性与产业的全要素增长之间具有倒“U”型的曲线关系，波特竞争外部性则与产业的全要素增长率之间存在显著的递增关系。图示表明动态外部性与产业的全要素增长率之间存在明显的非线性关系。半参数模型的估计的整体趋势方面，图示表明产业层面的波特外部性动态外部性，显著地促进了产业全要素增长率的增长，但是雅各布斯外部性与马歇尔动态外部性与产业的全要素增长率增长之间存在显著的非线性关系。对于不同产业的影响效应明显不同，马歇尔动态外部性程度较低的产业，易于共享产业全要素生产率增长效应，而马歇尔动态外部性较高的产业，它的产业全要素生产率促进效应有限并且是逐渐递减的，并且在特定的产业发展阶段，当动态外部性超过一定的临界值，动态外部性的产业发展效应已为负值，表明产业的空间溢出效应已成为区域产业发展的基本形态，产业的空间转移成为可能。与之构成对比的是，雅各布斯动态外部性对于产业的全要素增长率，则具有递减效应，对于雅各布斯动态外部性较高的产业的影响效应尤为明显。
图1 雅各布斯动态外部性与产业的全要素生产率之间的相互关系
图2 马歇尔外部性与产业全要素增长率之间的相互关系
图3 波特竞争外部性与产业的全要素生产率增长之间的关系 波特的竞争外部性与产业的全要素增长之间，存在显著的非线性的递增关系，即特定产业的竞争越激烈，那么越会激励产业的技术效率的提升，显然如果仅以线性关系描述两者之间的相互关系会得出不稳健甚至错误的结论。 (二)基于动态面板空间分位数回归的实证分析 为了详尽地分析产业不同分位点的动态外部性与产业TFP增长效应，这里我们采用动态面板的分位数的工具变量回归(QRPIV)的方法，分析不同分位点的动态外部性的产业发展效应，模型形式如公式(15)所示：
Koenker(2004)提出的面板的分位数回归方法，等价于直接的估计如下的面板分位数回归：
其中，
代表估计权重，体现k个分位数
对于个体固定效应
的影响效应。由于在公式(17)中存在内生的被解释变量的一阶滞后项，通常的面板分位数回归方法，无法得到参数稳健的估计量；此外，正如我们的模型(7)中所提及的，空间邻近的省份之间，存在外部性的溢出效应，我们所估计的模型(17)中，也同样涉及解释变量
的空间滞后项，因此采用动态面板的工具变量估计方法，是解决参数估计的有效方法。假设我们所选择的工具变量为
，相应的参数估计量如公式(18)：
采用动态面板工具变量的估计方法，它的估计可以划分为如下两个步骤：我们的目标回归方程为：
从而得到
和个体固定效应的估计量。当存在空间滞后的解释变量的时候，例如，我们所研究的动态外部性的空间滞后项的时候，
矩阵的选择就显得尤为重要，这时我们选择了τ分位的
作为动态面板分位数回归的工具变量。与前文的格兰杰因果性检验的实证研究结论相对应，这里我们就分析全部数据样本，进行空间动态面板分位数回归分析，不同分为点上的动态外部性的产业增长效应的回归结果如图4、图5所示。
图4 马歇尔动态外部性与产业全要素生产率之间的相互关系
图5 波特与雅各布斯动态外部性与产业的全要素生产率的分位数回归 图4表明对于不同规模的产业而言，马歇尔外部性与产业的全要素增长之间，存在显著地随产业规模而逐渐递减的趋势。对于高分位点，大于0.4分位点的企业而言，马歇尔外部性的产业全要素增长率为负，而较低分位点的产业马歇尔外部性的产业全要素增长率效应为正值，并且具有显著的随产业规模递减的效应。 图5估计了全要素增长率与雅各布斯外部性、波特竞争外部性之间不同分位点的动态空间面板的估计结果。图示表明雅各布斯外部性对于较低分位点的产业而言，具有显著的正效应，然而当达到一定的峰值以后，产业所具有的雅各布斯外部性，则具有负的效应并且是逐渐递减的。波特外部性的影响效应方面，我们发现与雅各布斯外部性相似，波特竞争外部性的产业全要素增长率效应在较低的分位点具有显著地正的促进效应，在0.4的产业分位点它的影响效应达到最大值，而后逐渐递减。从两者的整体效应来看，显然波特的竞争外部性所带来的产业全要素增长率效应要高于雅各布斯外部性所带来的外部效应。结合图4和图5的分位数回归结果，我们发现对于所有的产业而言，动态外部性对于产业的全要素增长率增长具有显著的异质性，不同分位点的影响效应显著不同，而不是通常我们所认为的动态外部性仅具有产业增长效应。图示表明波特的竞争外部性和雅各布斯外部性在产业的动态外部性上对于不同产业的全要素增长率具有倒“U”型曲线关系，在较高的分位点，如0.8的分位点以后两种动态外部性的产业全要素增长率效应为负，显然这与模型(14)的全样本的总量估计相互补充，进一步地将动态外部性的产业发展效应细化，使得我们所分析的动态外部性的产业发展效应更为稳健。 六、动态外部性引致的产业发展效应差异的内在原因分析 基于多样化的稳健的计量经济方法，我们发现不同的产业层面上马歇尔外部性、雅各布斯外部性、波特竞争外部性与产业TFP之间的因果关系也存在显著差异，并且动态外部性与产业的TFP增长之间存在显著的非线性特征，这在波特竞争外部性、雅各布斯外部性表现得尤为明显。那么什么原因导致了显著的差异呢？我们以为这根源于产业自身的发展特征、产业所在区域的发展条件差异和产业间的跨区域的联系效应差异。产业特征、区域特征的协同作用机制下引致了动态外部性的产业发展效应差异。产业特征即我们所强调的产业异质性，我们以为是决定产业发展动态外部性效应差异的内在根本原因，而产业发展所处的区域发展条件，则是形成这一动态外部性效应发展差异的客观条件，产业的跨区域联系效应的区域差异，进一步强化了动态外部性的产业发展效应差异。因此这里我们通过构建涵盖产业特征、区域特征和产业的跨区域联系效应的三维的空间面板数据模型，分析动态外部性引致的产业发展效应差异的内在原因，实证分析方程如公式(22)所示：
我们基于模型(22)估计了空间混合面板(mixed)固定效应模型，估计结果如表4所示，依据产业所处地区我们将地区划分为东部(10省)、中部(6省)、西部(11省，除去西藏因数据缺失)和东北(3省)四个地区。依据估计结果我们发现总体而言，区域产业特征与区域特征的交互项对于产业TFP增长的贡献效应，在不同区域之间差距尤为明显。产业自身特征与TFP的增长之间，如产业层面的资本劳动比存在正效应，然而区域之间差异明显，东部地区这一效应明显高于其他地区，地区产业结构中国有经济比重对于产业的TFP增长为负，并且这一效应在地区之间也存在显著差异，东部地区这一效应要低于中部地区东北地区，该影响效应最高的是西部地区。
马歇尔外部性与区域特征性变量，如区域的市场潜能、区域的路网密度、区域的对外开放度和研发水平的交互效应地区差异显著。西部地区产业发展的交互效应中，区域市场潜能与马歇尔外部性之间的交互影响效应为正，即地区的市场潜能程度越高，那么产业的马歇尔外部性所引致的产业TFP的增长率也越高，然而经过对比其他区域，这一效应西部地区明显的要低于东部地区、中部地区和东北地区的产业。地区路网密度与马歇尔外部性的交互效应为正，即路网密度越高，那么由此引致的生产率增长效应也越高。分地区的效应方面，我们发现这一因素的影响效应的差异并不明显，即基础设施与马歇尔外部性交互影响机制对于产业的TFP的增长率的作用效应基本上是一致的，并不存在显著的差异。然而区域层面上的研发投入和马歇尔外部性的交互影响则差异明显。对于东、中部和东北地区而言，它们马歇尔外部性的交互影响效应显著为正，但是对于西部地区省份，这一产业增长效应为负值，并且其影响效应的绝对值要明显的低于东、中部分和东北地区的省份。对外开放度与马歇尔外部性的交互影响效应方面，虽然这一影响效应都为正，但是西部地区的省份由于对外开放所引致的生产率的促进效应显著的低于其他省份的这一效应。这一交互影响效应，东部地区要明显地高于中部地区和东北地区。 雅各布斯外部性与区域特征的交互效应方面，它与区域的基础设施条件、对外开放水平都具有正的影响效应。然而市场潜能与雅各布斯外部性的交互影响效应，东部地区的交互影响效应为负值，中部地区省份的交互应影响效应为正值，弹性系数要显著地高于东部和东北地区的省份；而西部地区省份这一交互影响效应为正值。研发支出与雅各布斯外部性的交互影响效应上，西部地区产业的这一效应为负值，而在东部地区、东北地区和中部地区省份的产业交互效应中，中部地区的交互效应低于东部地区的全要素生产率的增长效应。 波特竞争外部性与区域特征的交互影响效应方面，对外开放、基础设施水平与产业波特外部效应的交互效应为正，市场潜能这一特征性变量和波特竞争外部性的交互影响效应为负值，说明市场潜能越高，那么所带来的产业层面的竞争也越激烈，从而对于产业的全要素增长的制约效应也更为显著。这尤其表现在东部地区省份的不同产业中。地区层面的研发投入和波特竞争外部性的交互影响效应为正，它所引致的这一效应在地区之间也存在显著的差异，研发投入与波特外部性的协同效应东部地区的产业显著地高于其他地区。我们所估计的所有回归模型中，都包含了产业TFP增长率的空间滞后项。所有的回归结果中空间滞后系数都是高度显著的，进一步说明产业的空间联系效应能够有效地促进各个产业的TFP的增长，并且分地区而言，产业的空间联系所引致的TFP的增长效应，东部地区要显著地高于其他地区。经过空间混合效应的回归后，我们对于残差进行了相应的Moran检验，检验的结论表明残差并不存在空间相关性，即我们所设定的空间自回归混合效应模型是有效的。 七、结论与政策启示 动态外部性对于产业全要素生产率的促进效应，在发达国家的产业发展中得到广泛的证实，而中国产业发展的动态外部性的效应，与发达国家的这一效应明显不同，马歇尔外部性与产业的TFP增长之间存在双向的因果关系，而雅各布斯外部性、波特竞争外部性与产业的TFP增长之间，并不存在显著的双向因果关系，相反却存在单向的因果关系。在产业的不同分位点上，波特竞争外部性与雅格布斯外部性和产业TFP增长之间存在倒“U”型曲线关系，而马歇尔外部性与产业TFP增长则具有递减效应。其内在的原因是产业特征、区域特征与动态外部性的协同影响效应存在显著的区域差异。地区的市场潜能、基础设施发展水平、地区研发投入水平和对外开放程度是引致动态外部性TFP增长的非线性效应的主要原因。地区之间基于产业的空间联系效应，也是影响地区产业TFP增长的重要原因，并且它们的影响效应在我国不同地区之间存在显著差异。 促进区域产业发展的政策，应以某一产业的空间发展效应最大化为核心目标，构造以核心产业为载体的产业空间发展链，以波特外部性和马歇尔外部性为载体，促进产业的专业化与产业结构的优化升级，以这一专业化的产业为载体，构成特色的产业集群，获取更大的集群经济效益，而不是盲目的构建“产业综合体”、“产业园区”，即促进当地产业发展的政策，更多的应注重产业的根治性与跨区域的产业关联。由于我国处于工业化发展的中后期，产业结构变动和产业增长有其独特的发展背景。因此从产业协同发展的角度，应科学合理的依据聚集经济的特征，合理地进行产业的空间布局。以我国重点发展的节能环保、新能源、新材料、新信息技术和新能源汽车等战略新兴产业为基础，依据产业的生命周期，以聚集经济合理地促进产业结构升级和区域之间产业的协同发展。 正如新经济地理、新新经济地理所阐述的那样，地区的市场进入效应(Market Access)是影响地区产业发展、企业发展的尤为重要的影响因素。这一效应体现了省区内、省区间和省区与国家间的内在的产业的前向与后向关联效应所带来的产业发展效应。省区的市场进入效应和产业层面的动态外部性的交互效应所引致的TFP增长效应在我国中西部地区产业发展中的作用明显的低于东部地区的产业。因此通过强化我国中西部省区间、省份与国家间的经济联系，提高产业空间的前向后向关联效应也有助于提高我国产业应对外部风险的能力，同时也有助于提高中西部地区省份优势产业的国际竞争力。 在区域经济协同一体化的宏观背景下，地区之间产业的空间关联效应成为实现区域经济协同一体化的有效途径。产业的空间联系效应所引致的中、西部地区产业TFP增长与东部地区产业发展相比较，还存在明显差异。因此如何有效的破除地区之间产业分工与合作的壁垒，实现地区产业发展的协同发展，就显得尤为重要。虽然我国基础设施的发展状况为产业的跨区域分工与合作奠定了基础，但是在不同地区之间产业的研究与开发合作、区域的对外开放等方面还有待于提高，基于产业空间联系所展开的区域经济合作，也有助于缩小地区经济发展差异实现我国区域经济协调发展的宏观调控目标。 2003～2011年的34个产业：煤炭开采和洗选业(06)；黑色金属矿采选业(08)；有色金属矿采选业(09)；非金属矿采选业(10)；农副食品加工业(13)；食品制造业(14)；饮料制造业(15)；烟草制品业(16)；纺织业(17)；纺织服装、鞋、帽制造业(18)；皮革、毛皮、羽毛(绒)及其制品业(19)；木材加工及木、竹、藤、棕(20)；家具制造业(21)；造纸及纸制品业(22)；印刷业和记录媒介的复制(23)；文教、工美、体育和娱乐用品制造业(24)；石油加工、炼焦和核燃料加工业(25)；化学原料及化学制品制造业(26)；医药制造业(27)；化学纤维制造业(28)；橡胶和塑料制品业(29)；非金属矿物制品业(30)；黑色金属冶炼及压延加工业(31)；有色金属冶炼及压延加工业(32)；金属制品业(33)；通用设备制造业(34)；专用设备制造业(35)；交通运输设备制造业(36)；电气机械及器材制造业(38)；通信设备、计算机及其他设备制造业(39)；仪器仪表及文化、办公用品(40)；电力、热力的生产和供应业(44)；燃气生产和供应业(45)；水的生产和供应业(46)。 注释： ①本文对于聚集经济与产业增长之间相互关系的研究，是围绕产业层面的全要素生产率(Total Factor Productivity)展开的，具体的测算方法见文中公式(12)所示。 ②我们的实证分析结果表明，基于区域间的投入产出表构建的空间加权矩阵得到的空间面板向量自回归模型更为稳健，因此我们的相关检验结论都是围绕区域间的投入产出表所构建的空间加权矩阵展开的。 ③高阶VAR模型要求更高的变量滞后阶数作为工具变量，显然在1999～2002年的数据范围内，并不满足VAR模型估计的矩条件。当以1999～2003年的数据进行OLS回归时，我们发现动态外部性显然是具有正的生产率促进效应的，尽管这一回归结果是不稳健的。 ④限于篇幅，这里我们仅列出了部分产业的空间面板GMM估计的结果，因为每个产业相应的空间面板VAR模型，需要有6个回归，我们有34个产业，因此有204个回归的中间结果。详细的估计结果可以向作者索取。 ⑤这里我们基于前文提到的长期关系系数，给出了34个产业的空间面板的格兰杰因果性检验的结果。 ⑥这里我们为了描述动态外部性与产业发展之间的关系，采用了半参数的设定方法，其中模型的估计方面，考虑到产业的投入要素对于产业的就业产出的影响。
标签：外部性论文; 全要素生产率论文; 异质性论文; 企业经济论文; 经济模型论文; 经济外部性论文; 空间分析论文; 企业特征论文; var模型论文; 经济学论文; 企业空间论文; 动态模型论文; 马歇尔论文; 格兰杰论文;
