广东省物流业与经济增长的空间计量分析

高秀丽，孟飞荣

(广东海洋大学经济管理学院，广东湛江 524088)

一、引言

随着国民经济的迅速发展，现代物流业在国民经济建设中发挥的作用愈发重要。现代物流业是社会经济发展的重要纽带，具有增强产业竞争优势、调节平衡市场供需以及保障国家经济安全等重要作用。现代物流业不仅是各产业部门经济增长方式转变的主要手段和途径，而且已成为国民经济发展的新的经济“增长点”，是国民经济发展实现由粗放型向集约型转变的重要标志。

近年来，国内学者采用不同方法，选用不同样本和指标对物流业与经济发展关系进行了研究。谭清美等［1］引入物流当量概念，对江苏省物流能力对经济增长弹性进行研究，得出江苏省物流能力对GDP增长有明显拉动作用的结论。李冠霖［2］根据投入产出表对我国物流业进行分析，研究发现发展物流业会极大地带动第二产业和第三产业的发展，并促进国民经济整体运行效益的提高。鞠颂东等［3］采用横截面数据，通过对我国西部物流经济总量、物流政策与制度、投资、物流企业、人力资源、物流技术及设施、管理水平等的比较分析，发现物流因素还未明显起到带动西部地区经济增长的作用。刘楠等［4］运用格兰杰因果检验方法，对浙江省现代物流与经济增长之间的双向因果关系进行了分析，结果显示物流发展与经济增长之间互为因果，呈现出相互促进、共同发展的良好态势。崔国辉等［5］运用计量经济的方法对吉林省物流产业与经济发展之间的关系进行了实证分析，结果表明吉林省物流与经济关系呈现出比较稳定的长期均衡发展趋势。

现有相关研究大都采用投入产出法以及协整分析等传统的统计研究方法进行分析，随着新地理经济学理论的不断发展，部分学者将空间统计和空间计量经济分析方法将地理、区位等因素纳入到经济分析中。邵扬［6］选用个体固定效应模型对我国1978—2007年经济增长与物流业之间的相关性进行了分析，研究结果表明各地区GDP与物流有显著的相关特性，物流对各地区GDP有显著影响，但影响程度有限。范月娇等［7］采用横截面数据对海西物流业与区域经济的空间关联性进行分析，研究表明海西物流发展与区域经济的空间关联性是显著的，但非绝对影响要素。

现有研究为本文提供了很好的借鉴，但大部分研究没有考虑到空间因素的影响，考虑到空间因素影响的文献仅仅考虑了被解释变量的空间相关性，没有将解释变量空间溢出效应纳入模型。鉴于此，本文在现有研究的基础上，构建空间面板杜宾模型，基于广东省2001—2011年21个地市级面板数据，对物流业与经济增长的关系进行实证分析。

二、指标选择与模型设定

(一)指标选择与数据来源

经济增长由人均GDP度量，根据人均GDP指数调整为2001年不变价格，简记为PGDP;选用货物周转量作为物流业发展状况的度量指标，简记为HYZ。为使数据具有可比性，并减少异方差，所有的数据均采用对数形式。

本文选取的样本是2001—2011年的广东省21个地市级面板数据，原始数据主要来源于2002－2012年的《广东省统计年鉴》。

(二)空间计量经济学模型

空间计量分析中，通常使用空间滞后模型(Spatial Lag Model，SLM)和空间误差模型(Spatial Error Model，SEM)，这两种模型仅考虑了被解释变量的空间相关性，没有考虑解释变量的空间相关性。针对这一问题，Elhorst［8］提出了既包含空间被解释变量的滞后项，又包含自变量滞后的空间杜宾(Spatial Durbin Model，SDM)模型。借鉴空间杜宾模型，本文以广东省21个地区面板数据为样本，构建物流业与经济增长的空间面板模型，具体形式如式(1)所示。

其中，Yit为被解释变量，表示i地区t年份的经济增长;X为解释变量，为i地区t年份的物流业;W为空间权重矩阵;δ为空间自相关回归系数，反映了区间互动关系的方向与强度;θ、β为估计参数;μ为空间固定效应，λ为时间固定效应;ε为服从正态分布的随机误差项。

通过原假设为H0:θ=0和H0:θ+δβ=0的假设检验可以判定空间杜宾模型是否可以被简化为空间滞后模型和空间误差模型。如果原假设H0:θ=0和H0:θ+δβ=0均被拒绝，说明对于观测数据来讲，空间杜宾模型是最合适的模型。这两个检验服从自由度为K的χ2检验，相应的检验方法为似然比(Likelihood Ratio，LR)和Wald检验。

LeSage 和 Pace［9］指出，利用一个或多个空间回归模型的点估计(IV/GMM)来检验是否存在空间溢出效应，可能导致错误的结论。采用空间杜宾模型时，传统的自变量系数以及显著性水平不能再作为衡量变量影响和显著性的依据，使用直接效应和间接效应可以更好地解释空间面板模型。直接效应表明一个空间单元解释变量的变化对被解释变量的影响，这种影响包含了来自周边区域单元的反馈效应，反馈效应可以通过计算自变量系数与自变量的直接效应的差值得到。间接效应反映了解释变量的空间外溢效应，即本区域单元对其他区域单元的影响。

(三)空间权重的设定

空间权重是空间计量模型的关键，也是地区间空间影响方式的体现。本文采用最为常见的二分权重矩阵，遵循Rook相邻判断规则，即如果两个地区有共同边界，则认为两地区相邻。矩阵元素W的元素设定规则如下:主对角线上的元素为0;如果两地区相邻，则wij=1，否则为0。广东省各地区地理相邻信息如表1所示。

表1 广东省21地区地理相邻信息

三、实证分析

(一)空间统计分析方法

目前，空间相关性分析方法主要有全局空间相关和局部空间相关两种方法。全局空间相关Moran指数是用来度量空间自相关的全局指标，研究整个区域的空间相关模式;局部相关分析研究每一个空间单元与邻近单元在某一属性上的相关程度。

1．全局空间自相关

全局Moran指数反映了研究区域中邻近区域单元属性值的相似程度［10］，其计算公式如式(2)所示。

其中，I为Moran指数，n为研究区域内单元总数，xi、xj为区域单元i和区域单元j属性指标值为各区域单元属性指标的平均值，S2=)2为属性指标方差值，wij为空间权重矩阵。

全局空间自相关Moran指数的取值范围介于－1到1之间，小于0表明存在空间负相关，相似的观测值在区域内分散分布;大于0表明存在间空间正相关，即相似的观测值趋于空间集聚;等于0表明区域单元无空间相关性。

2．局部空间自相关分析

由于全局空间相关指标仅从整体上反映了空间单元的集聚特征，掩盖了局部空间集聚特征，进行局部空间自相关分析时，应采用空间联系的局部指标(Local Indicators of Spatial Association，LISA)。常用的局域空间自相关衡量指标为局域Moran指数，其计算公式如式(3)所示。

其中，Ii为i区域单元的局域相关性系数，wij含义与上文相同，。

Ii＞0，表示高观测值的区域单元被同是高观测值的区域单元所包围(High-High，H-H)，或低观测值的区域单元被同是低观测值的区域单元所包围(Low-Low，L-L)的空间联系形式;

Ii＜0表示低观测值的区域单元被高观测值的区域单元所包围(Low-igh，L-H)，或高观测值的区域单元被低观测值的区域单元所包围(High-Low，H-L)的空间联系形式。

(二)空间自相关检验

1．全局分析

利用GeoDa软件，根据公式(2)计算可得广东省各年度物流业、经济增长的单变量Moran’I指数以及物流业与经济增长的双变量Moran’I指数值，并采用蒙特卡罗模拟方法，对Moran’I指数进行显著性检验，结果如图1所示。

图1 2001—2011年广东省21地市物流业、经济发展、物流业与经济发展的全局Moran’I指数

各年度物流业Moran’I均为正值，且通过显著性水平检验，表明广东省21个地市物流业的发展具有很强的空间关联性。物流业Moran’I指数值有所波动，但总体上呈现出上升趋势，表明物流业空间相关性随时间的变化有增强的趋势。各年度经济发展Moran’I均为正值，且通过显著性检验。Moran’I指数呈现出先上升后下降的趋势，表明经济增长的空间依赖性程度先增强后减弱的变化，但总体呈现出增强的趋势。各年度物流业与经济增长双变量二维Moran’I统计量均为正值，且通过了显著性检验，表明广东省21地市物流业发展与经济增长在空间分布上具有明显的正相关关系，呈现出空间集聚的态势。

2．局部分析

全局Moran’I从全局角度表明了物流业与经济增长的空间相关性，为进一步考察广东省物流业与经济增长空间分布的局部特征，本文选用2011年数据采用Moran’I散点图对局部特征进行分析。从图2中物流业Moran’I的散点图可见，大部分地区分布在H-H区域和L-L区域。其中，H-H区域表示物流发展水平较好的地区，主要包括深圳、惠州、佛山、东莞、广州、韶关和清远，这些地区大部分位于珠三角地区;结合经济发展的Moran’I散点图可见，这些地区也是经济发达的地区;L-L区域主要集中了物流业发展水平较差的地区，主要有汕尾、梅州、揭阳、阳江、河源、茂名、云浮、肇庆、江门，结合PGDP的Moran’I散点图可见，这些地区经济发展水平也较低。

图2 2011年经济发展(左)与物流业(右)的Moran’I散点图

由以上分析可见，物流业发展与经济增长的空间分布特征并非完全随机，集聚态势基本相似。广东省21个地区物流业与经济发展存在明显的区域差异，珠三角地区物流业与经济发展较快，能够给周边地区带来较大的正向带动作用，而东、西两翼及山区物流业与经济发展都比较落后，可能会给周边地区带来负向效应。

(三)空间面板模型检验

空间自相关检验表明广东省21地市物流业、经济发展存在明显的空间依赖性。为进一步研究广东省物流业与经济发展相互关系，采用空间计量模型进行分析。由于不同的固定效应与随机效应的选择影响到模型的估计结果，需要采用Hausman检验和LR检验对是否采用固定效应模型，以及空间个体固定效应和空间时间效应做出相应判断。另外，需要通过LR检验和Wald检验判断空间杜宾模型(SDM)是否可以简化为空间滞后模型(SLM)或空间误差模型(SEM)。

由表2的Hausman检验结果可见，应选择固定效应模型。LR检验表明空间个体固定效应和时间固定效应均显著，应建立时间空间双固定效应模型［11］。

表2 Hausman检验和LR检验结果

(四)空间面板模型参数估计

借助 Elhorst［8］提供的有关程序，将选择指标变量带入空间计量模型，进行模型估计，估计结果见表3。

表3 空间Durbin模型估计结果

由表3可见，Wald spatial lag和LR spatial lag检验结果分别5%和10%的水平下在显著，拒绝简化为空间滞后模型;Wald spatial error和LR spatial error检验均在1%水平下显著，拒绝简化为空间误差模型。综合以上检验结果，应建立SDM模型对物流业与经济增长进行分析。

由模型分析结果，可以得出以下结论:

(1)模型中被解释变量系数的估计值为0.542 0，并通过了1%的显著性检验，表明经济发展存在空间正相关性，因此，对物流业与经济增长关系进行分析时，地理区位是不可忽略的因素。

(2)物流业的直接效应为0.303 5，表明某地区物流业每提高1%对促进本地区经济发展0.303 5%，其中，来自周围地区物流业的反馈效应为0．045 8%。由此可见，物流的增长不仅能够直接促进经济的发展，而且通过对其他地区的反馈作用促进了当地经济发展。物流业的间接效应为0.451 4，是直接效应的1．47倍，表明某地区物流业发展不仅促进了本地区经济发展，而且也能促进了相邻地区的经济发展。

四、结论与启示

本文基于广东省2001—2011年21个地区面板数据，构建空间杜宾模型，对物流业与区域经济发展关系进行了探索。研究结果表明:(1)广东省21个地区物流业与经济增长存在着显著的全局空间自相关和局部自相关，物流业与经济增长也存在空间维度上的显著相关性。物流业发展与经济增长具有类似的集聚特征，大多数珠三角地区位于H－H区域，而东、西两翼和山区地区多位于和L－L区域，广东省区域内物流业与经济发展存在巨大的不平衡性。(2)对物流业与经济增长关系进行分析时，地理区位是不可或缺的重要因素。(3)各地区物流业的发展不仅能够显著促进本地区经济的发展，而且还能通过溢出效应促进相邻地区的发展。

广东省各地区物流业存在较大的差异，因此如何优势互补，缩小差距，达到区域物流一体化发展的目标成为了一个迫切需要解决的课题。为加快广东省物流业促进经济发展，必须根据物流业自身特点，有针对性地采取一系列措施和政策。首先，发挥广州、深圳与佛山等珠三角区域物流的核心枢纽的扩散带动作用，充分发挥物流核心枢纽在区域物流整合过程中的示范和带头作用，进一步整合资源，拓宽物流腹地，加快融合。其次，由广东省各地方政府的各个物流管理部门和行业协会牵头组成物流产业地区发展协调小组，协同区域物流发展产业政策，整合区域物流产业发展规划，构建产业链条，合作建设区域内大型物流基础设施、实现产业对接、交通对接和规则对接。最后，积极培育具有物流网络组织功能的大型物流龙头企业，发挥龙头企业在广东省区域物流中的带头作用和龙头作用。

［1］ 谭清美，王子龙．区域经济物流弹性研究［J］．统计与决策，2005(5):56－57．

［2］ 李冠霖．我国物流业的投入产出分析［J］．中国流通经济，2001(6):15－19．

［3］ 鞠颂东，李尹松，徐杰．西部物流与区域经济发展［J］．数量经济技术经济研究，2003(2):39－43．

［4］ 刘楠，李燕．现代物流与经济增长的关系研究［J］．管理工程学报，2007(1):151－154．

［5］ 崔国辉，李显生．区域物流与经济发展协整与因果互动机制［J］．交通运输工程学报，2010(5):90－96．

［6］ 邵扬．中国省际经济增长与物流的空间面板计量分析［J］．技术经济与管理研究，2009(6):136 －138．

［7］ 范月娇，王健．海西物流发展与区域经济的空间关联性实证分析［J］．福建师范大学学报:哲学社会科学版，2012(4):40－46．

［8］ Elhorst Paul J．Matlab Software for Spatial Panels［C］//Presented at the IVth World Conference of the Spatial E-conometrics Association(SEA)，Chicago:2010．

［9］ LeSage J P，Pace R K．Introduction to spatial econometrics［M］．Boca Raton:CRC Press Taylor＆ Francis Group，2009．

［10］ Anselin L．Space and applied econometrics［J］．Regional Science and Urban Economics，1992(3)．

［11］ Badi H，Baltagi．Econometric Analysis of Panel Data［M］．Chichester:John Wiley ＆ Sons Inc，2005．