木材加工产业集聚对劳动生产率影响的空间效应分解^*
——基于1998—2016年省际空间面板数据的实证研究

夏永红^1,2沈文星¹李存芳²

(1.南京林业大学经济管理学院 南京 210037；2.江苏师范大学商学院 徐州 221116)

摘 要： 【目的】 研究木材加工产业集聚对产业劳动生产率影响的直接效应和溢出效应，为促进木材加工产业提质增效提供发展路径，为优化木材加工产业区域布局提供理论依据。【方法】 基于1998—2016年省际面板数据，利用全局Moran指数测量木材加工产业劳动生产率的空间依赖性；在控制人力资本、固定资产投资和交通运输条件等变量的基础上，采用空间计量模型实证检验省际木材加工产业集聚对产业劳动生产率影响的直接效应和溢出效应。【结果】 1)木材加工产业劳动生产率的全局Moran指数在0.3上下波动，且存在空间依赖性(P <0.05)。2)空间计量模型的系数估计结果显示：木材加工产业劳动生产率存在空间滞后和空间误差自相关性(P <0.01)。3)空间效应分解结果显示：木材加工产业集聚水平对产业劳动生产率影响的直接效应和溢出效应分别为0.260 6和0.029 2(P <0.01)；木材加工产业人力资本水平、人均固定资产投资水平和省际交通运输条件3个控制变量对产业劳动生产率影响的直接效应和溢出效应分别为0.089 8(P <0.01)和0.010 1(P <0.05)、0.843 4和0.094 6(P <0.01)，以及0.771 8和0.085 1(P <0.01)。木材加工产业集聚水平、人力资本水平、人均固定资产和交通运输条件4个变量对产业劳动生产率影响的溢出效应约占总效应的10%左右，反馈效应相对较小，占模型系数估计结果的1%以下。【结论】 木材加工产业劳动生产率具有空间依赖性特征，存在空间自相关性，木材加工产业集聚水平、人力资本水平、人均固定资产和交通运输条件对木材加工产业劳动生产率的影响存在正向的直接效应和溢出效应，其中，直接效应包括较小的反馈效应。基于此，提出建议：优化木材加工产业布局，推进产业集聚化发展；优化产业内部结构调整，加大固定资产投资力度；提高木材加工产业从业人员素养，加强专业人才梯度培养；加大木材、竹材资源丰富区域的基础设施投资力度，改善木材加工产业经营环境。

关键词 ：木材加工产业；产业集聚；就业密度；劳动生产率；直接效应；溢出效应

《林业产业发展“十三五”规划》(http://www.forestry.gov.cn/portal/xby/s/1277/content-1005641.html)明确提出进一步推进林业产业供给侧结构性改革，促进林业产业提质增效和转型升级，其中，淘汰低质刨花板、纤维板等过剩产能，促进木材加工传统产业的提质增效是林业产业供给侧结构性改革的关键任务之一。木材加工和木竹藤棕草制品制造业(简称木材加工产业，C20)作为林业产业的重要组成部分，其产业结构优化、产品创新和产业提质增效对整个林业产业的发展具有重要的意义。

她的否认看上去并不积极，我告诉她：“我本来没有想到要来你们家，你知道吗？我又搬家了，我在帮着母亲整理厨房，帮着父亲整理书房，他们两个人把我使唤来使唤去的，让我厌烦极了，我是从家里逃出来的，本来我想去看看沈天祥的，可是前天我们还在一起，王飞和陈力庆我也经常见到他们，就是你们，我有很久没见了，所以我就到你们家来了，没想到林孟不在，我忘了他今天应该在工厂上班……”

Marshall(1920)最早提出产业集聚的外部性经济理论，认为产业集聚区内存在知识技术溢出效应、投入共享和劳动力市场匹配效应，由于产业集聚区内的企业更容易寻找到合适的雇员和供应商、获取更多专业化信息和互补性产品，以及共享政府和其他机构对基础设施或劳动力培训方面的投资收益等，有利于产业生产率的提高，增强产业竞争优势(夏永红，2018a；Porter，1998；2000)。Ciccone等(1996)认为集聚经济主要来自于经济活动密度带来的空间外部性，提出了经济活动集聚密度与劳动生产率关系的理论模型，随后部分学者运用该理论实证检验美国和部分欧洲国家(法国、德国、意大利、西班牙和英国)的集聚经济效应(Brülhartet al .，2008；Ciccone，2002)，也有部分学者实证检验中国城市或工业与服务业就业集聚密度对劳动生产率的作用(范剑勇，2006；陈良文等，2008；柯善咨等，2008；Ke，2010；孙浦阳等，2013；杨路英等，2019)。现有关于集聚密度经济效应的研究主要基于城市总体或工业与服务业就业集聚密度对劳动生产率的影响，而针对木材加工及其他具体产业经济活动集聚密度与劳动生产率关系的研究甚少。

省际木材加工产业劳动生产率能够反映地区木材加工产业技术水平和经济效益的高低，中国木材加工产业省际之间劳动生产率存在较大差异，引起差异的原因较多，如产业集聚水平、地区经济条件、基础设施和自然资源禀赋等。木材加工产业集聚有利于促进区域或产业经济增长，提高产业劳动生产率。关于木材加工产业集聚效应的研究，部分学者基于调查案例分析木材加工产业集聚经济效应，认为木材加工产业中的胶合板产业集聚能够实现资源优化配置并产生外部规模经济，胶合板关联生产要素的集聚能够实现协同效应(肖平等，2011；吕柳等，2011)，复合型林产品通过产业集聚能够提高产业竞争优势(谢加封等，2016)；部分学者从省级层面分析木材加工产业集聚对地区经济增长的影响(周志霞，2010)，或者从全国视角实证检验木材加工产业集聚与经济增长之间存在正相关关系(夏永红等，2018a)；还有部分学者通过测量木材加工产业集聚和共同集聚水平，实证检验木材加工三位数产业集聚和共同集聚对产业劳动生产率的影响(夏永红等，2018b；2019)。综上可见，关于木材加工产业集聚经济效应的研究中基于定性和时间序列检验的文献相对较多，虽然有学者利用空间计量模型分析林业产业集聚的影响因素(魏肖杰等，2018)，但是从空间计量经济学视角对木材加工产业集聚空间经济效应的研究鲜有报道。

源流各级水行政主管部门要在当地政府的大力支持和帮助下，成立水事务管理局，对当地的水行政事务实行一体化管理。水务一体化管理，是实现水资源优化管理和可持续利用的前提，为水资源的合理开发、高效利用和有效保护提供了体制保证。水务管理部门作为政府水行政工作的职能部门，要突破部门利益的束缚，从政府的角度而不是部门的角度实现对区域内一切水事行为的集中统一管理。水务管理部门要实行政企分开、政事分开，不直接进行水的经营和水企业的管理，而是通过政策法规的制定对水企业进行监督管理。

（二） AP-928工作控制理论。INPO（美国核电运营协会）在苏联切尔诺贝利、美国三厘岛等核事故经验教训的基础上，经过多年实践研究、发布了《INPO AP～9028 工作管理过程描述》，并被WANO（世界核电运营者协会）推荐为核电厂管理最佳实践，在全球范围内推广执行。该理论方法建立在生产计划管理为核心的基础上，进行核电厂工作的管理控制。该方法充分重视对周期性计划安排和准备工作，以周为最小单位分时间阶段对各周内的计划工作进行不同要求的准备与审核[2]。该理论方法要求所有工作必须经过充分的分级授权，工作所匹配的资源准备就绪后，在分级审查许可后，开展相关工作。

本研究主要依据经济活动集聚密度与劳动生产率关系理论，基于木材加工产业集聚空间外部性视角，通过分解空间经济效应为直接效应和溢出效应，揭示代表木材加工产业集聚程度的就业密度对产业劳动生产率影响的空间效应机理，为木材加工产业提质增效提供发展路径和理论依据。

1 模型设定与空间效应分解

1.1 集聚密度与劳动生产率理论模型

Ciccone等(1996)认为集聚经济主要来自于经济活动密度带来的空间外部性，产业经济活动密度对劳动生产率具有正向影响作用。假设生产活动需要资本、劳动和土地3种投入要素，生产活动可以是某一地区所有生产活动或特定生产活动，现以木材加工产业经济活动为例，则i 地区木材加工产业单位面积产出的生产函数为：

(1)

2.1.1 被解释变量和核心解释变量 木材加工产业集聚对产业劳动生产率影响的空间计量模型选取省际木材加工产业劳动生产率和产业集聚水平作为模型的被解释变量和核心解释变量。1)被解释变量：省际木材加工产业人均产出水平(y _it )，即木材加工产业劳动生产率水平，产业劳动生产率通常可以采用产业增加值、产业销售产值或产业总产值等指标与产业就业人数的比值来进行计算，本文主要采用人均销售产值来表示木材加工产业劳动生产率。2)核心解释变量：省际木材加工产业集聚水平(agg_it )，用木材加工产业就业密度作为产业集聚水平的代理变量，就业密度是利用省际单位面积的木材加工产业就业人数来表示，一般情况下省际面积相对比较稳定，在考察期内假定各省份面积不发生变化，单位面积木材加工产业就业人数越高，说明该地区的木材加工产业越集中，该区域内会有更多的知识、信息交流而产生知识溢出效应。

（1）对于特定瞬态故障，架空输电线路上出现故障将使得电压降低，保护系统检测到故障并打开断路器并建立次级电弧，经过一段时间后电弧完全灭弧，但仍会有小的系统频率电压分量出现，这是由于在断裂相和两个正常相之间的静电耦合所致。

(2)

公式(2)两边除以地区就业人数可以获得木材加工产业人均产出水平的计算公式：

(3)

对公式(3)两边取对数得到如下公式：

(4)

2.1.2 其他控制变量 模型选取省际木材加工产业人力资本水平、人均固定资产水平，以及区域交通运输条件作为控制变量。1)省际木材加工产业人力资本水平(h _it )，通常采用地区的教育水平来衡量地区人力资本水平，由于研究特定木材加工产业，其地区木材加工产业就业人员的教育程度很难准确获取，地区劳动工资水平的差异一方面反映了地区经济发展的差异水平，另一方面反映了地区教育水平的高低，因此选择省际木材加工产业平均工资水平作为反映木材加工产业人力资本发展水平的代理变量。2)省际木材加工产业人均固定资产水平(k _it )，通常省际木材加工产业人均固定资产水平越高，表示机械化程度越高，企业劳动生产率水平越高。3)省际交通运输条件(trans_i )，用单位面积公路和铁路里程之和表示，省际交通运输条件能够影响到木材加工产业的运输成本，通常较好的交通运输条件能够带来企业运输成本的降低，进而提高木材加工产业劳动生产率。

量子力学哥本哈根学派的另外一位代表人物海森堡(Werner Heisenberg，1901-1976)也曾指出，东方传统中的哲学思想与量子力学的哲学本质之间，有着某种确定的联系。

lny _it =cons+β ₁lnagg_it +β ₂lnh _it +β ₃lnk _it +

β ₄trans_it +ε _it 。

(5)

式中：cons为常数项，β ₁-β ₄为解释变量的估计系数，ε _it 为随机干扰项，服从均值为0、方差为σ ²的正态分布。

1.2 空间计量模型设定

为了探讨木材加工产业集聚对产业劳动生产率的空间溢出效应，在公式(5)所代表的面板计量模型的基础上分别加入被解释变量和误差项的空间滞后项，构建木材加工产业劳动生产率的空间滞后模型(Spatial Lag Model，SLM)和空间误差模型(Spatial Error Model，SEM)，其中，空间滞后模型(SLM)也被称为空间自回归模型(Spatial Autoregressive Model，SAR)。空间滞后模型(SLM)设定如下：

β ₄lntrans_it +μ _i +ε _it ；

(6)

空间误差模型(SEM)设定如下：

lny _it =β ₁lnagg_it +β ₂lnh _it +β ₃lnk _it +β ₄lntrans_it +

μ _i +u _it

(7)

式中：ρ 和λ 分别表示被解释变量和随机误差项的空间滞后项的估计系数，μ _i 代表个体效应，β ₁-β ₄和ε _it 同上，空间误差模型(SEM)中的随机误差项(u _it )受到周围地区随机误差项和本地区特定因素(ν _it )的影响。w _ij 为空间权重矩阵W 的元素，表示空间单元i 和空间单元j 的空间联系，空间权重矩阵W 通常采用相邻空间权重矩阵和距离空间权重矩阵2种方法进行计算。其中相邻空间权重矩阵借助国际象棋中不同棋子的行走路线分为车相邻(rook contiguity)、象相邻(bishop contiguity)和后相邻(queen contiguity)3种形式。车相邻是指2个相邻的区域有共同的边；象相邻是指2个相邻的区域有共同的顶点，但没有共同的边；后相邻是指2个相邻的区域有共同的边或顶点。距离空间权重矩阵通常根据2个空间观测单元之间的衰减距离函数来定义，即w _ij =f (θ ,d _ij )，其中，d _ij 表示空间观测单元i 与其他空间观测单元j 之间的距离，θ 是设定距离影响衰减强弱的参数，改变距离衰减参数θ 就会生成不同的空间权重矩阵(肖光恩等，2018)。实证分析中使用了基于后相邻和距离空间权重矩阵形式，其中距离权重矩阵是基于观测单元之间距离的倒数平方设置空间权重矩阵，即距离衰减参数θ 设为2。

1.3 空间效应分解

基于全局Moran指数计算公式，运用Geoda软件计算1998—2016年木材加工产业劳动生产率的全局Moran指数，具体计算结果及其演变趋势如图1所示。由图1可以看出，1998—2016年中国木材加工产业劳动生产率的全局Moran指数均大于0，虽然2016年相对于1998年的Moran指数有所降低，但总体上木材加工产业劳动生产率的全局Moran指数在0.3上下波动，且木材加工产业劳动生产率存在空间依赖性(P <0.05)。

通常采用全局Moran指数来分析数据在空间分布上的空间依赖性，检验变量空间依赖性强度的大小，全局Moran指数(I )为观测值与其空间滞后的相关系数，即反映空间相邻区域单元观测值的相似程度，其计算公式为：

Y _t =ρWY _t +αl _N +X _t β +ε 。

(8)

整理公式(8)得到如下公式：

Y _t =(I -ρW )^-1X _t β +(I -ρW )^-1(αl _N +ε )。

(9)

式中：N 为观测单元的数量，Y _t 为t 时期N ×1阶列向量，由样本中每一个观测单元的被解释变量的观测值所构成；W 为行标准化权重矩阵；l _N 是一个N ×1阶列向量，与被估计的常数项参数α相对应；I 为N ×N 阶单位矩阵；K 为外生解释变量的个数，X _t 是t 时期N ×K 阶的外生解释变量向量；β 是K ×1阶待估参数向量；是干扰项的向量。空间滞后模型(SLM)被解释变量对第k 个解释变量的偏导数矩阵如下：

(I -ρW )^-1β _k 。

(10)

在非空间计量模型中，第k 个外生解释变量对被解释变量的直接影响效应为β _k ，不存在溢出效应，而在空间滞后模型(SLM)中，第k 个解释变量对被解释变量的影响效应为β _k 左乘空间乘子矩阵(I -ρW )^-1，空间滞后模型(SLM)的直接效应可以表示为矩阵(I -ρW )^-1β _k 对角线元素的平均值，溢出效应表示为矩阵(I -ρW )^-1β _k 非对角线元素的平均值(Elhorst，2014b)。

2 变量说明与数据来源

2.1 变量说明

式中：Q _i 表示i 区域木材加工产业的总产出，A _i 表示i 区域的总面积，q _i 或Q _i /A _i 表示i 地区木材加工产业单位面积的产出；N _i 和K _i 分别表示i 地区木材加工产业的就业人数和固定资产投资水平；h _i 表示i 地区木材加工产业人力资本水平，代表劳动力投入的效率水平；θ _i 代表i 地区的全要素生产率水平，受到特定区域基础条件的影响；α表示投入要素的产出弹性，0≤α ≤1，表示i 地区单位面积劳动和资本满足规模报酬递减规律，代表产业经济活动的“拥挤效应”；β为要素贡献率，表示投入要素的分配参数；(λ -1)/λ 是一个常数，用来衡量经济活动密度对单位面积产出的影响系数，即产出密度弹性，λ代表集聚外部性参数，测量产业经济活动的集聚效应，当λ >1时，表明大量经济活动的集聚能够带来集聚经济效应(陈良文等，2008)。假设地区内经济活动的空间分布是均匀的，则i 地区木材加工产业的总产出为单位面积产出乘以地区总面积，即：

式中：Q _i /N _i 表示i 地区木材加工产业的人均产出水平(y _i )，即代表木材加工产业劳动生产率；N _i /A _i 表示i 地区单位面积木材加工产业的就业人数，即就业密度，用来反映木材加工产业经济活动的集聚水平(agglomeration，agg_i )；K _i /N _i 表示i 地区木材加工产业人均资本投入量(k _i )。由公式(4)可以看出，木材加工产业人均产出水平受到木材加工产业集聚水平、人力资本水平、固定资产投入水平，以及特定区域交通运输条件(transportation，trans_i )的影响，考虑不同时期(t )和不同地区(i )木材加工产业劳动生产率的测量误差，构建一般面板计量模型如下：

2.2 数据来源

本研究选取中国大陆31个省(市、自治区)(不包括港澳台)的样本数据作为研究基础，样本数据的时间跨度为1998—2016年。省际木材加工产业销售产值、就业人数与固定资产价值、平均工资水平，以及公路和铁路里程等相关数据主要来自于1998—2013年《中国工业企业数据库》、2015—2017年《中国工业统计年鉴》，以及1999—2017年《中国劳动统计年鉴》与《中国统计年鉴》。计量模型中使用的木材加工产业销售产值、固定资产价值和平均工资水平分别通过工业生产者出厂价格指数、固定资产投资价格指数和居民消费价格指数(1990年为基期)进行调整以消除价格因素的影响。

哮喘虽不能单纯地归结为ASM异常，但其收缩引起的气管痉挛、气流受限是哮喘发作的重要因素。因此，减少气管平滑肌数量可控制甚至治愈哮喘，这也是BT的基本原理。

3 实证分析

3.1 木材加工产业劳动生产率的空间依赖性分析

不同于权限，敏感API信息包含每个API的平均调用次数，所以恶意特征的表现方式会更加明显，通过反编译得到每个应用的API调用情况，结合调用次数建立基于敏感API的特征向量，并输入分类器中。实验结果如表3所示。

(11)

式中：x _i 为区域i 木材加工产业劳动生产率的观测值，为样本平均值，S ²为样本方差；w _ij 为空间权重矩阵W 的元素，在计算全局Moran指数时主要采用后相邻方式定义的空间权重矩阵。全局Moran指数I 的取值范围为[-1，1]，当I >0，表示存在正向空间关系，即高值与高值相邻或低值与低值相邻；当I <0时，表示存在负向空间关系，即高值与低值相邻；当I =0时，则表示空间分布是随机的，不存在空间依赖性。

第1次追肥在春茶开采前50天，每亩茶园用尿素8～10公斤开浅沟5～10厘米施用，或表面撒施+施后浅旋耕(5～8厘米)混匀。第2次追肥在春茶结束重修剪前或6月下旬，每亩用尿素8～10公斤开浅沟5～10厘米施用，或表面撒施+施后浅旋耕(5～8厘米)混匀。

LeSage和Pace(2009)将空间效应分解为平均直接效应和平均间接效应，通常简称为直接效应和间接效应，间接效应也被称为溢出效应。直接效应是衡量特定空间单元某一解释变量的变化对本地区被解释变量的平均影响，包括反馈效应，即由于存在内生交互效应，影响邻近地区被解释变量变化的这种效应会传递到周边邻近地区，把源于邻近地区变化的影响又传回到本地区的效应称为反馈效应，具体采用直接效应与模型系数估计结果之差来衡量反馈效应的大小。溢出效应表示特定空间单元某一解释变量的变化，对其他所有空间观测单元被解释变量的平均影响，或者表示为特定空间观测单元之外的其他所有观测单元某个解释变量的变化，对特定空间观测单元被解释变量带来的平均影响(LeSaget al .，2009；Elhorst，2014a)。不同空间计量模型的直接效应和溢出效应设定不同，现采用LeSage和Pace(2009)提出的求解偏微分方法对空间滞后模型(SLM)空间效应进行分解，空间滞后模型一般表达式为：

图1 木材加工产业劳动生产率的全局Moran指数I 及其演变趋势

Fig.1 Global Moran’s I and evolution trend of labor productivity in the wood processing industry

3.2 空间自相关性检验

木材加工产业劳动生产率存在空间依赖性是进行空间分析的基本前提，是否采用空间计量模型还需要进行空间自相关性检验，即在非空间面板数据进行最小二乘法估计(OLS)的基础上，利用拉格朗日乘数(Lagrange Multiplier，LM)检验方法检验模型的误差项和被解释变量是否存在空间误差和空间滞后自相关性，同时，利用稳健的LM(robust-LM)检验方法进一步检验空间计量模型估计结果的有效性，LM和robust-LM检验方法的原假设分别为“不存在空间误差自相关”和“不存在空间滞后自相关”，具体检验结果见表1。

由表1可以看出，空间误差和空间滞后的LM检验结果显示：在1%的水平下拒绝原假设，说明模型存在空间误差和空间滞后自相关性，需要运用空间计量模型进行估计。robust-LM检验结果表明：空间误差自相关性没有通过robust-LM检验，而空间滞后自相关性则通过了robust-LM检验，即拒绝不存在空间滞后自相关性的原假设，说明空间滞后模型(SLM)能够更好地拟合该数据。

倘若大小写真理的区分是合理的，那么我们宁愿将《提纲》第二条所揭示的真理理解为小写的真理，即针对某一具体的问题的真理。这个问题是：人的思维是否能具有客观的真理性？

当代社会致力于实现可持续性发展与包容性增长，因此，社会治理追求的价值目标不是单一的，面对着人本、公正、效率、秩序、法治等多元价值，必须合理调适价值冲突，努力实现价值平衡。“大调解”体系建设作为一项社会工程，也面临着价值选择与协调的问题。“枫桥经验”导向下的诸暨市的相关探索与实践，为此交出了一份比较理想的答卷。

3.3 系数估计结果分析

估计模型到底采用固定效应模型还是随机效应模型需要进行空间计量模型的Hausman检验，空间滞后模型和空间误差模型的Hausman检验均拒绝“随机效应模型有效”的原假设，接受备择假设，即空间滞后模型(SLM)和空间误差模型(SEM)采用固定效应模型估计结果更有效。

利用Matlab2018软件分别对SLM模型和SEM模型的固定效应(Fixed Effect，FE)模型进行估计(表2)，其中，空间权重矩阵选择基于距离和后相邻2种方法，以便对模型估计结果进行稳健性分析。

表1 空间误差与空间滞后自相关性检验结果 ^①

Tab.1 Spatial error and spatial lag autocorrelation test results

① LM检验表示拉格朗日乘数(Lagrange multiplier)检验方法。The LM test represents Lagrange multiplier test.

表2 空间计量模型的系数估计结果 ^①

Tab.2 The results of coefficient estimation in spatial econometric model

① SLM-FE和SEM-FE分别表示空间滞后固定效应模型和空间误差固定效应模型。圆括号中的数值表示估计系数的t 统计量；***、**和*分别表示在1%、5%和10%的水平下显著。SLM-FE and SEM-FE represent spatial lag fixed effect model and spatial error fixed effect model, respectively.The values in parentheses represent the t -statistic of the estimated coefficient; ***, ** and * represent significant at the 1%, 5% and 10% level, respectively.

由表2可以看出，4个模型的可决系数R ²和校正系数corr²的值较高，说明模型的拟合程度较高，其中，基于空间距离权重矩阵和相邻空间权重矩阵的空间滞后固定效应模型的校正系数相对较高，与空间自相关性检验的结果一致，因此主要以空间滞后模型(SLM)进行具体分析。同时表2显示，基于距离空间权重矩阵和相邻空间权重矩阵进行估计的结果和显著性检验结果一致，其中估计系数相差较小，说明采用不同空间权重矩阵进行估计的结果具有稳定性，能够解释各个变量对木材加工产业劳动生产率的影响。

基于距离空间权重矩阵和相邻空间权重矩阵的空间滞后模型估计结果显示：木材加工产业劳动生产率存在空间滞后自相关性，其估计系数分别为0.103 0和0.130 0(P <0.01)；基于距离空间权重矩阵和相邻空间权重矩阵的空间误差模型估计结果显示：模型存在空间误差自相关性，其估计系数分别为0.157 0和0.223 0(P <0.01)。模型的核心解释变量，即代表省际木材加工产业集聚水平的就业密度对产业劳动生产率具有正向影响作用(P <0.01)。模型的控制变量，即省际木材加工产业平均工资水平、人均固定资产水平和省际公路与铁路里程之和对木材加工产业劳动生产率均存在正向影响关系(P <0.01)。

3.4 空间效应分解结果分析

为了进一步分析省际木材加工产业集聚水平、人力资本水平、人均固定资产和道路交通条件对木材加工产业劳动生产率的空间经济效应，采用基于空间距离权重矩阵的空间滞后模型(SLM)进行空间效应分解分析。空间滞后模型(SLM)估计的直接效应和溢出效应，以及根据直接效应和系数估计结果计算的反馈效应见表3。

表3 空间滞后模型空间效应分解结果 ^①

Tab.3 The results of spatial effects decomposition in spatial lag model(SLM)

① 圆括号中的数值表示估计系数的t 统计量；***、**和*分别表示在1%、5%和10%的水平下显著。The values in parentheses represent the t -statistic of the estimated coefficient; ***, ** and * represent significant at the 1%, 5% and 10% level, respectively.

由表3可以看出，木材加工产业集聚对产业劳动生产率影响的直接效应为0.260 6，而表2中显示的估计系数为0.258 1，直接效应与系数估计结果之差为0.002 5，这表明由于特定地区木材加工产业集聚对周围地区产业劳动生产率影响又传回到本地区的效应为0.002 5，约占系数估计结果的1%；同样省际木材加工产业平均工资水平、人均固定资产水平和交通运输条件对产业劳动生产率也存在反馈效应，其反馈效应均占系数估计结果的1%以下；相比较而言，反馈效应相对较小。LeSage等(2009；2012)认为反馈效应不具有经济显著性，因而主要讨论各个变量对产业劳动生产率的直接效应和溢出效应。

特定地区木材加工产业集聚水平每提高1%，在控制其他变量的情况下，对本地木材加工产业劳动生产率的直接影响效应提高0.260 6%，对周围地区木材加工产业劳动生产率的平均间接影响则提高0.029 2%；或者周围地区木材加工产业集聚水平每提高1%，本地木材加工产业劳动生产率提高0.029 2%，存在正向溢出效应且显著(P <0.01)。木材加工产业平均工资水平、人均固定资产和交通运输条件3个控制变量对木材加工产业劳动生产率的直接效应和溢出效应均表现为正向影响关系。除了木材加工平均工资水平对产业劳动生产率的溢出效应在5%水平下显著，其他影响效应均在1%水平下显著。木材加工产业平均工资水平、人均固定资产和交通运输条件每提高1%，特定空间单元木材加工产业劳动生产率分别平均提高0.089 8%、0.843 8%和0.771 8%，其他观测单元木材加工产业劳动生产率分别平均提高0.010 1%、0.094 6%和0.085 1%。木材加工产业集聚、平均工资、人均固定资产和交通运输条件4个经济变量对产业劳动生产率影响的溢出效应大约占总效应的10%左右。

从上述空间效应分解结果可以看出，木材加工产业集聚水平、人力资本水平、人均固定资产和交通运输条件4个变量的变化对特定区域木材加工产业劳动生产率的平均影响为正值，即存在正向直接效应；同时周围地区木材加工产业集聚、人力资本、人均固定资产和交通运输条件的变化对特定地区产业劳动生产率具有正向影响关系，即存在空间溢出效应，或者特定区域上述4个经济变量的变化对周围地区产业劳动生产率的变化存在空间溢出效应。

4 结论与建议

4.1 结论

本研究基于集聚经济效应理论，测量木材加工产业劳动生产率的空间依赖性，构建木材加工产业集聚对产业劳动生产率影响的空间计量模型，在控制人力资本、固定资产投资和交通运输条件变量的基础上，实证检验木材加工产业集聚对产业劳动生产率影响的直接效应和溢出效应，具体得出以下结论：

1)木材加工产业劳动生产率的全局Moran指数在0.3上下波动，且木材加工产业劳动生产率存在空间依赖性(P <0.05)。

2)基于距离空间权重矩阵和相邻空间权重矩阵的空间滞后和空间误差模型估计结果均表明木材加工产业劳动生产率存在空间滞后自相关性和空间误差自相关。木材加工产业集聚水平、人力资本水平、人均固定资产和交通运输条件对木材加工产业劳动生产率的影响存在正向的直接效应和空间溢出效应，其中，直接效应包括较小的反馈效应。对产业劳动生产率影响的直接效应与空间溢出效应从大到小依次为人均固定资产、交通运输条件、产业集聚水平和人力资本水平。

4.2 对策建议

1)优化木材加工产业布局，推进产业集聚化发展。木材加工产业集聚一方面能够促进产业劳动生产率的提高，另一方面，当木材加工产业集聚发展到一定程度时会带来土地租金上升，劳动生产力成本提高等拥挤效应，从而促使木材加工产业由“中心”向“外围”转移。木材加工产业如何根据产业特征和地区优势进行区域间转移，需要政府从全国经济发展的宏观视角，基于省际间比较优势积极引导木材加工企业进行区位转移和新建企业的区位选择，优化木材加工产业在省际之间的合理布局，推动木材加工产业集聚化发展。

除了上述的分离方法之外，近年来发展的还有水洗脱固法、高温陶瓷膜错流过滤法、溶剂萃取法等。张洪莹[25]采用三级水洗脱固工艺，加入SPJPR-2011破乳剂实现催化油浆的灰分脱除率达93%。中国石化长岭分公司与北京中天元环境工程有限责任公司[26]联合研发的耐高温的特种陶瓷膜及错流过滤设备，实现了500kg·h-1规模的放大实验，研究证明催化油浆中催化剂细分含量由4.6g·L-1降为0g·L-1。尚大军[27]采用糠醛为溶剂，进行萃取-过滤分离，抽出油和抽余油中均不含催化剂粉末。

2)优化产业内部结构调整，加大固定资产投资力度。优化木材加工产业内部结构是木材加工产业供给侧结构性改革的重点任务之一，长期以来木材加工产业，尤其是人造板、木制品和竹、藤制品制造企业存在规模小、进入门槛低和管理粗放等问题，产品存在同质化且技术含量偏低问题，带来产业投入资源利用不经济，企业忽视环境污染治理，从而造成产业生产的社会成本提高。因此，通过加大固定资产投资力度，提高木材加工产业进入门槛，加强对企业经营带来的环境污染进行治理，促进企业进行技术变革，大力发展高级密度板、集成板等集约型产品，淘汰低质刨花板和纤维板的生产，形成良好的企业竞争环境，促使企业优胜劣汰，改善企业供给产品结构，优化木材加工产业内部结构调整，更好地满足消费者的需求。

3)提高木材加工产业从业人员素养，加强专业人才梯度培养。要实现木材加工产业的提质增效和可持续发展，加强专业人才素质培养和人才梯度建设是关键。政府和企业联合组织实施木材加工产业人才培养计划，加大木材加工产业专业技术人才和管理人才的培养力度，完善研发、生产和管理人才的培养体系，重视人才培养梯度建设，做好木材加工产业的人才储备建设工作，为木材加工产业的持续发展提供动力。

4)加大木材、竹材资源丰富区域的基础设施投资力度，改善木材加工产业经营环境。改善木材、竹材资源丰富区域的交通运输条件是营造良好经营环境的重中之重。地区基础设施的完善程度直接影响外来资本的投资，影响木材加工产业的交通运输成本，进而影响产业生产率的提高，因此，政府应加大地区基础设施建设的投入力度，改善交通运输环境，吸引更多的外部资本进入木材加工产业集聚区，同时，吸引更多的企业家和创新人才，带动地区木材加工产业环境良性发展，推动木材加工产业可持续、高质量的发展。

参考文献

陈良文, 杨开忠, 沈体雁, 等.2008.经济集聚密度与劳动生产率差异——基于北京市微观数据的实证研究.经济学(季刊), 8(1): 99-114.

(Chen L W, Yang K Z, Shen T Y, et al .2008.The density of economic agglomeration and labor productivity: A micro-empirical study on Beijing.China Economic Quarterly, 8(1): 99-114.[in Chinese])

范剑勇.2006.产业集聚与地区间劳动生产率差异.经济研究, (11): 72-81.

(Fan J Y.2006.Industrial agglomeration and difference of regional labor productivity: Chinese evidence with international comparison.Economic Research Journal, (11): 72-81.[in Chinese])

柯善咨, 姚德龙.2008.工业集聚与城市劳动生产率的因果关系和决定因素——中国城市的空间计量经济联立方程分析.数量经济技术经济研究, (12): 3-14.

(Ke S Z, Yao D L.2008.The causal relationship and determinants of industrial agglomeration and urban labor productivity: Analysis of spatial econometric simultaneous equations of Chinese cities.The Journal of Quantitative & Technical Economics, (12): 3-14.[in Chinese])

吕 柳, 卢晓宁, 温作民.2011.胶合板产业集群的成因与效应分析.林业科学, 47(2): 118-124.

(Lü L, Lu X N, Wen Z M.2011.Effect analysis and forming of plywood industry cluster in China.Scientia Silvae Sinicae, 47(2): 118-124.[in Chinese])

孙浦阳, 韩 帅, 许启钦.2013.产业集聚对劳动生产率的动态影响.世界经济, (3): 33-53.

(Sun P Y, Han S, Xu Q Q.2013.The dynamic influence of industrial agglomeration on labor productivity.The Journal of World Economy, (3): 33-53.[in Chinese])

魏肖杰，张敏新.2018.中国林业产业集聚影响因素作用机制的实证研究——基于空间杜宾模型.资源开发与市场, 34(12): 1731-1737.

(Wei X J, Zhang M X.2018.Empirical study on mechanism of factors influencing Chinese forestry industrial agglomeration: Based on spatial Durbin model.Resource Development & Market, 34(12): 1731-1737.[in Chinese])

夏永红, 沈文星.2018a.中国林产工业集聚水平测度及演进趋势与产业经济增长——基于2003—2016年数据的实证分析.世界林业研究, 31(6): 42-46.

(Xia Y H, Shen W X.2018a.Agglomeration level measurement, evolution trend, and industrial economic growth of China’s forest products industry: An empirical study based on 2003—2016 data.World Forestry Research, 31(6): 42-46.[in Chinese])

夏永红, 沈文星, 李存芳.2018b.产业共同集聚测度方法研究进展.技术经济, 37(8): 106-115.

(Xia Y H, Shen W X, Li C F.2018b.Review progress on measures of industrial coagglomeration.Technology Economics, 37(8): 106-115.[in Chinese])

夏永红, 沈文星.2019.木材加工产业集聚、共聚与劳动生产率效应.南京林业大学学报: 自然科学版, 43(3): 131-136.

(Xia Y H, Shen W X.2019.Agglomeration, coagglomeration, and labor productivity effects of the wood processing industry.Journal of Nanjing Forestry University: Natural Sciences Edition, 43(3): 131-136.[in Chinese])

肖光恩, 刘锦学, 谭赛月明.2018.空间计量经济学——基于MATLAB的应用分析.北京: 北京大学出版社, 75-85.

(Xiao G E, Liu J X, Tan S Y M.2018.Spatial Econometrics: Based on empirical analysis with Matlab.Beijing: Peking University Press, 75-85.[in Chinese])

肖 平, 张敏新.2011.邳州胶合板生产规模经济性及成因分析.林业科学, 47(11): 149-153.

(Xiao P, Zhang M X.2011.The economics of scale and its causes in plywood production in Pizhou.Scientia Silvae Sinicae, 47(11): 149-153.[in Chinese])

谢加封, 沈文星, 曹福亮.2016.复合型林产品价值链演进的空间动力机制——一个系统论的分析框架.林业科学, 52(1):106-117.

(Xie J F, Shen W X, Cao F L.2016.Spatial dynamic evolution mechanism of compound forest product value chain: An analysis framework based on system theory.Scientia Silvae Sinicae, 52(1):106-117.[in Chinese])

杨路英, 吴玉鸣.2019.就业密度、集聚空间外部性与劳动生产率——基于中国地级城市空间面板数据的分析.云南财经大学学报, 35(2): 22-32.

(Yang L Y, Wu Y M.2019.Employment density, externality of agglomeration space and labor productivity: Analysis based on the spatial panel data of county-level cities in China.Journal of Yunnan University of Finance and Economics, 35(2): 22-32.[in Chinese])

周志霞.2010.山东省木材加工产业集群与区域经济增长实证研究.林业经济问题, (5): 444-446.

(Zhou Z X.2010.Empirical study on wood processing cluster and regional economic growth of Shandong province.Issues of Forestry Economics, (5): 444-446.[in Chinese])

Brülhart M, Mathys N A.2008.Sectoral agglomeration economies in a panel of European regions.Regional Science and Urban Economics, 38(4): 348-362.

Ciccone A, Hall R E.1996.Productivity and the density of economic activity.American Economic Review, 86(1): 54-70.

Ciccone A.2002.Agglomeration effects in Europe.European Economic Review, 46(2): 213-227.

Elhorst J P.2014a.Matlab software for spatial panels.International Regional Science Review, 37(3): 389-405.

Elhorst J P.2014b.Spatial econometrics: From cross-sectional data to spatial panels.New York: Springer, 20-25.

Ke S.2010.Agglomeration, productivity, and spatial spillovers across Chinese cities.Annals of Regional Science, 45(1): 157-179.

LeSage J, Pace R K.2009.Introduction to spatial econometrics.New York: CRC Press, 68-75.

LeSage J P, Dominguez M.2012.The importance of modeling spatial spillovers in public choice analysis.Public Choice, 150(3/4): 525-545.

Marshall A.1920.Principles of economics.8th ed.London: Macmillan, 154-160.

Porter M E.1998.Clusters and the new economics of competition.Harvard Business Review, 76(6): 77-90.

Porter M E.2000.Location, competition, and economic development: Local clusters in a global economy.Economic Development Quarterly, 14(1): 15-34.

The Spatial Effects Decomposition of Industrial Agglomeration on Labor Productivity in the Wood Processing Industry : An Empirical Study Based on 1998—2016 Spatial Panel Data

Xia Yonghong^1,2 Shen Wenxing¹ Li Cunfang²

(1.College of Economics and Management ,Nanjing Forestry University Nanjing 210037; 2.Business School ,Jiangsu Normal University Xuzhou 221116)

Abstract ：【Objective】 The direct and spillover effects of the agglomeration of wood processing industry on labor productivity were studied in order to improve the quality and efficiency of the industry and to provide a theoretical basis for optimizing its deployment in the region.【Method】 Based on the inter-provincial panel data from 1998 to 2016, the global Moran index was used to measure the spatial autocorrelation of labor productivity in the wood processing industry.By controlling variables such as human capital, fixed asset investment and transportation conditions, the spatial econometrics model was used to examine empirically the direct effects and spillover effects of the wood processing industry agglomeration on industrial labor productivity.【Result】 1)The global Moran index of labor productivity fluctuated around 0.3, which was spatial dependence(P <0.05)in the wood processing industry.2)The coefficient estimation of spatial econometric model showed that the wood processing industrial labor productivity had a spatial lag and spatial error autocorrelation (P <0.01).3)The spatial effects decomposition showed that the direct and spillover effects of the wood processing industry agglomeration on industrial labor productivity were 0.260 6 and 0.029 2(P <0.01), respectively.For the control variables, the direct and spillover effects of human capital, per capita fixed asset investment, and inter-provincial transportation conditions on industrial labor productivity of the wood processing industry were 0.089 8(P <0.01)and 0.010 1(P <0.05), 0.843 4 and 0.094 6(P <0.01), and 0.771 8 and 0.085 1(P <0.01), respectively.The spillover effects of the wood processing industry agglomeration, human capital level, fixed assets per capita and transportation conditions on industrial labor productivity accounted for approximately 10% of the total effects, while the feedback effects were relatively small, accounting for less than 1% of the estimated coefficients of the model.【Conclusion】 The labor productivity of the wood processing industry exhibits spatial dependence and spatial autocorrelation.The wood processing industry’s agglomeration level, human capital level, fixed assets per capita and transportation conditions have positive direct effects (including small feedback effects)and spillover effects on industrial labor productivity.Suggestions were made to optimize deployment of the wood processing industries for agglomerated industrial development; to optimize the internal structure of the industries and increase the investment in fixed assets; to improve the quality of wood processing practitioners and strengthen training of professionals at different levels; and to increase the infrastructure investment in geographic areas rich in wood and bamboo resources and improve the business environment for the wood processing industry.

Key words ：wood processing industry；industrial agglomeration；density of employment；labor productivity；direct effects；spillover effects

中图分类号： F307. 2

文献标识码： A

文章编号： 1001-7488( 2019) 09-0157-09

doi: 10.11707/j.1001-7488.20190917

收稿日期： 2019-04-12；修回日期：2019-05-17。

基金项目： 国家自然科学基金项目“资源枯竭型企业跨区转移行为的溢出效应与胁迫效应研究”(71573110)；国家林业和草原局林业软科学研究项目“林业产业国内价值链培育的协同创新机制与实施路径研究”(2015-R28)；徐州市社会科学研究项目“新常态下徐州制造业集聚效应与高质量发展对策研究”(19XSZ-049)。

*沈文星为通讯作者。

(责任编辑 徐 红)

标签：木材加工产业论文;  产业集聚论文;  就业密度论文;  劳动生产率论文;  直接效应论文;  溢出效应论文;  南京林业大学经济管理学院论文;  江苏师范大学商学院论文;