城镇化效率的收敛性及其影响因素研究

刘 魏， 张应良， 田红宇， 邓尚昆

(1. 三峡大学 经济与管理学院， 湖北 宜昌 443002； 2.西南大学 农村经济与管理研究中心， 重庆 北碚 400715)

一、引言

改革开放以来，我国城镇化快速发展，城镇化水平不断提高。据统计，我国的人口城镇化率由1982年的21%上升到2017年的58.52%①，城市人口超过农村人口，城乡人口结构发生显著变化。

城镇化是经济发展的动力，城镇化的发展也为社会创造了大量非农就业岗位，农村劳动力通过打工形式进入城市，为城市第二、三产业的发展提供了丰富的劳动力资源，不仅使我国超过80%的农民收入水平得到提高[1]，也繁荣了农村和城市经济。

与此同时，人口、经济城镇化水平的提高也伴随了城镇化的粗放式发展，主要表现在：一是地方政府热衷于“摊大饼”式发展，导致土地资源配置不合理，并形成城乡二元结构和城市内部二元结构，贫富差距扩大②，城镇化效率低下[2]。二是城乡户籍制度限制导致低技能劳动者无法在大中城市落户，不能充分享有城市福利，不仅降低了劳动力的利用效率，而且导致城市规模经济效应未得到有效发挥，经济发展效率有所损失[3]。三是城市规模的外延扩张和无序发展导致城市专业分工水平下降，不同行业混杂在一起，相同行业却由于规划不合理而不能发挥集聚效应，降低了城镇化效率。此外，城镇化的过快发展还导致水污染、噪声污染、汽车尾气、雾霾、交通拥堵等问题[4]。

因此，粗放式的城镇化发展模式必须得到转变。党的十八大明确提出新型城镇化，要把“以人为本”和“生态文明”理念融入新型城镇化过程中，走出一条集约、智能、绿色、低碳的新型城镇化道路。中央城镇化工作会议也明确要求“提高城镇化发展质量，稳步提高户籍人口城镇化水平”，城镇化效率问题已成为城镇化建设的当务之急。

城镇化效率大小如何？城镇化效率是否具有空间关联性？城镇化效率在空间上呈发散还是收敛？导致发散或收敛的影响因素有哪些？回答这些问题，对于研究新型城镇化，促进东、中、西部地区城镇化协调发展，无疑具有重要意义。

二、文献综述

许多学者对城镇化进行了研究，大量研究都表明城镇化能够显著促进经济增长[5]，同时城市还具有规模效应和集聚效应[6，7]，但城市规模的政策限制也导致城市经济增长效率损失[8]。可见，城镇化在促进经济增长的同时，也面临城镇化效率损失问题。

国外文献对城镇化效率的研究较少，这主要是由于国外学者认为城镇化是一个短暂的过程，欧美国家早已实现城市化。不过还是有部分学者对此进行了研究。Charnes将城市作为一个生产系统进行研究，并运用DEA方法分析了中国28个城市的生产效率[9]。Byrnes & Storbeck在Charnes等研究基础上，运用多阶段DEA分析方法，研究了中国区域经济合作的效益问题，拓展了城镇化效率的研究[10]。Prud’homme & Lee将城镇化效率定义为城市劳动生产率的大小和产业结构差异的调整能力，并运用法国23个城市劳动力市场效率数据分析了城镇化效率的大小及其影响因素，发现城市规模、工作地与居住地的平均距离、要素的平均流动速度对城镇化效率影响显著[11]。Moore等研究了美国11个城市的市政设施使用效率大小及不同城市间市政设施使用效率的差异问题，从侧面反映了美国城市化效率的大小[12]。Henderson认为过度的城市化集中会导致经济增长效率损失，因此城市化的集中度应该以城市生产力发展为参考[13]。

国内学者也越来越多地研究城镇化效率问题，并将推动经济和城镇化发展的全要素生产率归于技术进步的改进(戴永安，2010)[14]。然而吴敬琏的研究表明，由于城市建设的浪费和城市结构的不合理，中国的城镇化效率仍然低下[15]。Lu & Wan也认为由于户籍制度的限制，导致中国城乡分割、经济发展效率损失、城市体系扭曲，其结果是中国的城镇化效率仍然很低[16]。许多学者对城镇化效率进行了定量测算，陈立泰和梁超基于随机前沿函数模型，从人口、经济、社会和空间四个维度测算了中国279个城市2003—2010年间城镇化效率，并进一步分析了城镇化效率的影响因素，发现人口城镇化效率较低，而经济、社会和空间城镇化率较高，并呈现东高西低的态势，人口密度、产业结构和政策是城镇化效率大小的关键因素[17]。郭腾云和董冠鹏研究了特大城市和城市效率关系问题，发现只有少数特大城市效率水平达到了最优，但特大城市的效率水平在不断优化和提高[18]。此外，其他学者也研究了城镇化效率问题，得出的结论大体一致，即我国的城镇化效率较低，且呈现明显的区域差异，但城市间的效率差异在逐渐缩小[14，19]。

城镇化效率的现有研究，为本文提供了文献支撑和理论基础，但既有研究仍有改进之处：一是利用Malmquist指数方法来测算城镇化效率，可以弥补传统数据包络分析(DEA)和随机前沿函数测算所带来的偏差问题；二是现有文献对我国东中西部地区的城镇化效率差异的研究主要基于不同城市间效率是相互独立、不存在空间关联的假设。本文将引入空间计量经济学，分析不同地区之间城镇化效率的空间关联性；三是借鉴经济增长理论的收敛问题来研究不同区域的城镇化效率差异，系统性地分析城镇化效率的收敛机制问题。

三、研究方法和数据

1.研究方法

(1)Malmquist指数

Malmquist指数是目前广泛采用全要素生产率(TFP)方法，它能够方便地将TFP分解为技术变化部分(TECHCH)和效率变化部分(EFFCH)[20]。从t时期到t+1时期，基于产出的生产率变化的Malmquist指数，可以表示为如下公式：

(1)

(2)空间相关性

基于Malmquist方法测算出城镇化效率指数后，则可以运用莫兰指数(Moran’s I)测算城镇化效率的空间分布情况，以检验我国城镇化效率的空间差异。Moran运用莫兰指数(Moran’s I)来检验空间效应[21]，其计算公式如下：

(2)

城镇化效率的具体空间分布情况，还需要运用局部空间自相关。局部空间自相关主要运用LISA指标(Local indications of spatial association)，描述某个城市城镇化效率与周围其他城市城镇化效率的相关性程度(即是否存在集聚)及显著性程度。Local Moran’s I值大于零表示一个城市的城镇化效率高值被其他城市的城镇化效率高值所包围，或一个城市的城镇化效率低值被其他城市的城镇化效率低值所包围，即高高集聚(H-H)或低低集聚(L-L)；Local Moran’s I值小于零表示一个城市的城镇化效率高值被其他城市的城镇化效率低值所包围，或一个城市的城镇化效率低值被其他城市的城镇化效率高值所包围，即高低集聚(H-L)或低高集聚(L-H)。

(3)空间收敛性方法

本文借鉴β收敛方法来分析不同区域城镇化效率的收敛性，所谓β收敛是指城镇化效率低的地区，拥有较高的效率增长速度，经过一段时期会赶上或超过城镇化效率高的地区。β收敛分为条件β收敛和绝对β收敛，条件β收敛是指控制其他影响因素后，城镇化效率才能达到收敛的现象，而绝对β收敛是指不控制其他影响因素，城镇化效率也能够达到收敛的现象。借鉴封永刚和邓宗兵[23]的做法，考虑收敛和空间效应两方面因素，并使用面板数据进行分析，构建了基于β收敛的空间面板估计模型。公式如下：

基于空间杜宾模型(SDM)的β收敛估计公式：

γxi，t+θwi，txi，t+λi+μt+εi，t

(3)

式(3)中，tfpchi，0和tfpchi，t分别表示城市基期⑤和t时期的Malmquist指数，即基期和t期的城镇化效率，ln(tfpchi，t/tfpchi，0)表示城镇化效率从基期到第t期的年均增长速度，xi，t表示影响城镇化效率的各种控制因素，α表示截距项，β代表收敛性系数，如果β>0，则表明城镇化效率趋向发散，反之则趋向收敛[24]。γ表示各控制变量的系数，当γ=0时，模型为绝对β收敛，当γ≠0时，模型为条件β收敛。θ代表空间杜宾模型中控制变量的空间效应系数。λi、μt分别表示个体效应和时间效应。εi，t为随机误差项，满足独立同分布假设。本文将运用绝对收敛模型判断城镇化效率的收敛性，运用条件收敛模型判断城镇化效率收敛性的影响因素。

2.变量选择和数据

(1)投入产出变量选择

城镇化包括人口、土地、经济、社会城镇化等内容等内容[25]，因此本文借鉴魏后凯[26]关于城镇化效率投入产出指标的选择方法，选用建成区面积、城市供水量、城市供电量、城市二氧化硫排放量作为投入指标，而产出主要从人口、经济、社会城镇化等维度进行度量，选用城市城镇人口数、非农业产值占城市地区生产总值的比例、人均地区生产总值作为产出指标。

(2)影响因素选择

参照已有研究和相关理论基础，本文将考虑以下因素：(1)人口集聚程度，新型城镇化的核心是人，人口集聚则是城镇化的动力。(2)产业结构，如文献分析中所提到的，吴敬琏认为产业结构不合理是导致城镇化效率低下的重要原因。(3)城市规模，前述文献分析中提到，城市规模过小导致城市经济效率有所损失。(4)政府政策，张玉磊[27]认为正确处理政府与市场的关系是城镇化健康发展的关键，可见政府的干预影响城镇化效率。本文选用年末财政支出占地方生产总值的比例来衡量政府政策大小[17]。表1列举了城镇化效率的投入产出变量和收敛性影响因素变量选择。

表1 城镇化效率的投入产出变量及收敛性影响因素变量选择

(3)数据

本文主要运用地级市⑥数据进行分析，数据来自于《中国城市统计年鉴》，样本期为2004—2013年。由于安徽巢湖市在2010年被撤销地级市，贵州省铜仁、毕节在2011年撤地设市，青海省海东在2013年撤地设市，海南三沙市在2012年由县级市升格为地级市，西藏拉萨市调查数据不全。因此不包含上述6市的数据。最终，获得2004—2013年中国285个地级市共2850份数据。

四、实证分析

1.城镇化效率指数分析

将2004—2013年的城镇化投入产出数据代入R软件中，可以计算出各年malmquist指数及技术变化和效率变化指数。计算结果如表2所示。其结果分析如下：

城镇化效率(tfpch)呈现波动式上升的趋势。全国及东中西部地区⑦的年均城镇化效率增长幅度均高于2%，累积效率增长幅度均高于20%，尤以东部地区城镇化效率增长幅度更为明显，而西部地区无论是年均增长幅度还是累积增长幅度，均低于全国水平。从分年度数据来看，全国城镇化效率在2004—2012年期间存在波动式增长过程，而2012—2013年度城镇化效率增幅达15.4%，这可能与我国提出新型城镇化战略有关。

城镇化发展的技术进步变化(techch)无明显改善。2004—2013年度全国及东、中、西部的城镇化效率的年均技术进步变化指数平均下降1%、1.1%、0.9%、1.1%，累积技术进步变化指数下降9.8%、10.4%、8.8%、10.4%。这说明城镇化效率的改进并非由技术进步推动。

技术效率变化(effch)的改善是城镇化效率增长的主要原因。2004—2013年期间，全国及东、中、西部地区技术效率变化贡献度分别为110.95%、111.81%、109.36%、111.37%，可见技术效率变化是城镇化效率改善的主要动因。

表2 2004—2013年城镇化效率的malmquist指数及其分解指数

注：(1)表中tfpch表示全要素生产率，即城镇化效率；techch表示技术进步变化；effch表示技术效率变化。(2)累积变化是各年的相应指标乘积；平均变化是各年相应指标的几何平均值。(3)限于篇幅，本文未列出全国285个地级市的城镇化效率指数及其分解指数。

表3 2004-2013年我国285个地级市的Moran指数和Geary指数

注：表中*、**、***分别表示10%、5%、1%水平上显著。

2.城镇化效率的空间效应分析

将2004—2013年我国285个地级市的城镇化效率值(tfpch)代入geoda和arcgis，可以探测城镇化效率的空间效应。表3报告了探测全局空间自相关的Moran指数和Geary指数。

从表3可以看出，2004-2008年间，除2005-2006年度的莫兰指数为正值外，其余年间皆为负值，表明这段时期我国城镇化效率呈负空间相关，但从p值来看不显著；2008-2013年间莫兰指数为正值，表明这段时间我国城镇化效率呈正空间相关，尤其是2011年后莫兰指数通过显著性检验，表明城镇化效率具有显著的扩散效应。空间扩散效应越明显，城镇化效率的区域差异将逐步缩小，地区间城镇化效率将逐步收敛。Geary指数也显示了结果的稳健性。

3.城镇化效率的空间收敛性分析

(1)模型设定

从上述分析可以发现，随着新型城镇化战略的提出，我国城镇化效率存在越来越显著的空间集聚效应，这种集聚效应表现在，其空间分布由高效率城市通过淘汰落后产业转移到中西部低效率城市，同时高效率城市还可以通过正向辐射带动中西部落后城市的效率增长，从而实现区域间城镇化效率的不断收敛。这种城镇化效率的收敛表明我国的城镇化不再是劳动力空间转移的单一人口城镇化进程，而是融合产业发展、社会进步、生态协调等相互作用的动态演化过程。因此，区域间城镇化效率的收敛因素不再简单地归为人口转移，而需要更多地从产业结构、政策、空间集聚、城市规模等维度综合考虑。表4报告了城镇化效率影响因素的描述性统计分析。

表4 城镇化效率影响因素的描述性统计分析

按照Elhorst关于空间面板数据模型的选择方法[28]，Moran检验用于检验空间面板模型是否成立，Hausman检验用于固定效应和随机效应模型的选择，LR检验用于固定效应模型中个体固定还是时点固定效应的选择，LM-LAG检验用于空间滞后模型的选择，LM-ERROR用于空间误差模型的选择。表5报告了空间面板模型设定检验。从表5中可以看出，绝对β收敛将考虑时点固定的空间杜宾模型，条件β收敛将考虑时点固定的空间杜宾模型。

表5 空间面板模型的选择

注：表中*、**、***分别表示10%、5%、1%水平上显著。

(2)绝对β收敛

表6报告了绝对β收敛回归结果，从结果来看，SDM模型的空间滞后项系数ρ为0.018，在10%水平上显著，同时空间滞后项系数ρ也反映出一个地区城镇化效率水平受到邻近地区城镇化效率增长的影响，本质上这是不同地区之间各种要素相互扩散或集聚作用，如果要素的扩散作用大于集聚作用，则城镇化效率高的地区会正向影响城镇化效率低的地区。本文中空间滞后项系数ρ明显大于0，说明我国城镇化效率有一个扩散作用。城镇化效率初始水平tfpchi，0的回归系数为-0.244，在1%水平上均高度显著。这表明城镇化效率初始水平较低的地区拥有较高的增长速度，城镇化效率增长的绝对β收敛特征显著。高城镇化效率地区的扩散作用和低城镇化效率地区的高增长速度，使得区域间城镇化效率将不断收敛。

(3)条件β收敛

表6报告了条件β收敛回归结果，从结果来看，SDM模型的空间滞后项系数ρ分别为0.004，在10%水平上显著。空间滞后项系数ρ也大于0，表明城镇化效率高的地区会正向影响城镇化效率低的地区。城镇化效率初始水平tfpchi,0为-0.247，均在1%水平上高度显著，表明城镇化效率初始水平较低的地区拥有较高的增长速度，城镇化效率增长的条件β收敛特征显著，相较于绝对β收敛，SDM模型的收敛估计值收敛速度明显加快。

表6 城镇化效率收敛性的影响因素回归结果

注：(1)因变量为ln(tfpchi,t/tfpchi,0)，即城镇化效率增长速度；(2)ρ表示空间自回归、空间杜宾模型中城镇化效率增长速度的空间滞后项系数，σ表示空间误差模型中城镇化效率增长速度的空间误差项系数；(3)表中*、**、***分别表示10%、5%、1%水平上显著。

城镇化效率的影响因素中，tfpchi,0、lnaggre、lnstruct的估计系数分别为-0.247、-0.011、-0.062，均在5%水平以上显著，表明城镇化效率初始水平、人口集聚和产业结构对区域间城镇化效率的影响趋于收敛。此外，W*tfpchi,0、W*lnscale、W*lnaggrer的系数分别为-0.023、0.092、-0.045，表明城镇化效率初始水平、人口集聚与城镇化效率呈负空间相关，即城镇化效率初始水平较高的城市、人口集聚程度越高的城市，对其邻近城市的城镇化效率增长将会起到扩散作用，有利于城市间城镇化效率的收敛。而城市规模与城镇化效率呈正空间相关，即规模越大的城市，对其邻近城市的城镇化效率增长将会起到集聚作用，换句话说，规模越大的城市将会吸引邻近城市各种要素集聚，这将不利于区域间城镇化效率的收敛。此外，W*lnstruct、W*lnpolicy的估计系数不显著，这说明产业结构、政府政策的空间溢出效应较小。

五、结论与政策含义

通过上述研究，本文主要得出以下几点结论：(1)从城镇化效率变化来看，2004—2013年间我国城镇化效率呈现波动式上升的趋势，东、中、西部地区城镇化效率存在明显差异。(2)从城镇化效率的动因来看，城镇化发展的技术进步变化(techch)无明显改善，而技术效率变化的改善是城镇化效率增长的主要动因。(3)从城镇化效率的空间关联性来看，我国城镇化效率存在空间扩散效应，且城镇化效率区域差距逐渐收敛。(4)从城镇化效率收敛特征来看，无论是绝对β收敛还是条件β收敛分析，都表明区域间的城镇化效率在不断收敛。相较于绝对β收敛，条件β收敛的收敛速度更快。(5)从城镇化效率收敛的影响因素来看，人口集聚、产业结构与城镇化效率增长速度呈负相关。而城市规模和政府政策与城镇化效率增长速度呈正相关。

基于以上研究结论，本文的政策含义如下：(1)城镇化效率的收敛应该以新型城镇化战略为主导，把“以人为本”和“生态文明”理念融入城镇化建设过程中，走出一条集约、智能、绿色、低碳的新型城镇化道路。(2)注重改善城镇化建设的技术进步，从硬件上完善城镇投资结构、定位好城市角色，淘汰落后产能；从软件上改善政府管理水平，淘汰“摊大饼”式的城镇化建设思维模式。(3)提高中西部地区城镇化效率水平，加强城市间的联系，促进城市要素自由流动，使要素扩散效应大于集聚效应。(4)厘清政府与市场的边界，限制政府过多干预市场，虽然政府干预能够提高本城市的城市效率水平，但不利于城市间的城镇化效率收敛。

注释：

① 数据来源于国家统计局网站，网址：http：//data.stats.gov.cn

② 2015年我国收入分配的基尼系数达到0.462，远超国际警戒线0.4的水平。

③ 行标准化是将原来空间矩阵的每一个元素分别除以所在行的元素之和，这使得原来的权重矩阵变得不再具有量纲。

④ 本文基于邻接关系构建空间权重矩阵，如果城市i、j相邻，则Wij为1，反之则为0。

⑤ 本文的样本期为2004-2013，因此以2004年为基期，2004年为第0期，往后依次为第1期，第2期，…，第t期。

⑥ 本文所指的地级市不包括自治州、盟、地区、省直辖行政单位。

⑦ 东、中、西部地区的划分标准来源于国家统计局网站。