交通基础设施建设对产业集聚的影响分析——以旅游产业为例

吴 江，贾元华,于 帅，郭 月

(北京交通大学 交通运输学院，北京 100044)

一、引 言

产业集聚是指同一产业在某个特定地理区域内高度集中，产业资本要素在空间范围内不断汇聚的一个过程。改革开放以来，产业集聚现象在全国各地不断涌现，形成了包括经济特区、国家级新区、高薪技术开发区、中央商务区等多种产业集聚区。不仅为我国的社会发展带来了可观的经济效应，还在人才培养、科技创新、资源利用效率提升等方面发挥了重要的模范带头作用。从我国的实践经验来看,交通基础设施建设是推动产业集聚区形成的主要因素，其在引导产业布局、调整产业结构、推动产业集聚等方面都发挥着重要的先行作用。因此，定量化研究交通基础设施建设对产业集聚的作用情况，不仅可以为我国交通事业发展提供科学合理的理论支持、数据支撑和先验指导，还可作为对产业集聚形成机理方面的一次积极探索，为我国的产业经济发展提供科学合理的对策与建议，从而有效提升我国交通经济协调发展和现代化建设水平。

从理论研究上来看，产业区位理论、空间经济学与新经济地理学等相关理论都较为深入的阐述了交通基础设施建设对产业集聚的影响。Krugman[1](1991)、KRUGMAN P, VENABLES A J[2](1995)与Fujita[3](1999)将Dixit与Stiglitz构建的垄断竞争模型(D-S模型)与Samuelson创造的冰山成本概念结合起来，构建了空间版本的D-S模型，从而将规模报酬递增与运输成本的变化关系清晰地展现在模型中。实证方面，Holl[4](2004)通过研究西班牙1980—1994年公路基础设施变化及制造业产业区位变化情况后发现，交通基础设施在区域和行业层面上对产业集聚的效应存在差异。与此相反，Patricia[5](2008)通过对葡萄牙1997—2003年的制造业变化数据研究后发现交通基础设施对制造业的区位变化影响不显著。Martin和Rogers[6](1995)采用系统的数据和计量模型方法，研究了交通公共设施对跨国制造业区位选择的影响，并认为跨国企业偏好于在具备良好交通基础设施的国家设厂投资，因而对于政府决策来说，政策引导下的基础设施投资将决定一国工业发展的布局；而落后地区通过改进基础设施建设促进贸易发展，进而实现区域差距的缩小。国内方面，王贤梅等[7]借助Malmquist-DEA模型,对交通运输设备制造业2005—2013年期间运行数据，从时间动态维度、空间区域维度以及所有制形式维度进行效率差异测算,最后提出技术进步、技术效率改善是未来产业的主要提升之路。谭清美等[8](2016)运用Ellison-Glaeser指数，利用交叉项检验交通基础设施和中间品投入的比较优势与产业集聚的关系后，得出交通基础设施促进了产业集聚的结论。周海波等[9](2017)构建了交通基础设施对产业布局、地区收入影响的空间溢出模型,利用中国29个省市区1997—2012年的面板数据对模型进行了实证检验,发现产业布局在交通基础设施影响地区人均收入的过程中起着部分中介作用。金江、李郸[10](2012)和任蓉等[11](2012)通过证实交通基础设施和区域经济增长的关系来反证交通基础设施投资促进了产业集聚。张学良[12](2012)，刘勇[13](2010)通过考察滞后期的交通基础设施投资的空间溢出效应来分析交通基础设施在经济发展中的作用。黄森[14](2015)通过研究交通基础设施的空间建设差异化对经济的影响来试图检验空间D-S模型中不同运输成本所对应的经济增长情况。徐曌、欧国立[15](2016)以新经济地理学的产业集聚理论为主要研究视角,结合比较优势和要素禀赋等相关理论,对交通基础设施促进区域间制造业分工的机理进行探讨,并得出铁路与水运基础设施有利于促进区域比较优势制造业人均产出提高,公路基础设施则有利于促进区域非比较优势制造业的发展。

综合以上关于交通基础设施和产业集聚相关性的研究，都会面临两个无法回避的问题：一是交通基础设施变量的属性问题，如果交通基础设施代表的是政府的固定投资，那么将其从区域中所有的固定投资中分离出来单独研究就不是很有说服力，并且在控制变量的选取上也会造成重复解释的问题；二是如果交通基础设施代表的是运输成本，那么以制造业为例，影响货物运转的因素有：供应链的完善程度、贸易成本、信息传递便捷程度、运输组织形式、载运工具水平、货损率等等，如果单独以区域中公路、铁路里程数或交通基础设施资本存量为量化指标，显然不能全面的衡量运输成本的变化。因此，本文选择旅游业的集聚为被解释变量来验证空间D-S模型中运输成本的变化对产业集聚的影响情况。具体依据是：

1.旅游产业产生的是客运需求而制造业产生的是货运需求。相比于货物运输，客运成本的影响因素比较单一，主要是道路的可达性和道路的等级。

2.相比于制造业，旅游产业集聚的内生性问题不明显。首先，旅游产业的集聚并不会带来较强的知识溢出和技术进步；其次，由产业集聚带来的信息传递效应也并不会变成产业集聚的向心力；再次，从国家政策层面上来说，对各地区旅游产业的发展并没有过多的干预，各个地区都在努力的宣传和发展当地的旅游产业，这在某种程度上构成了一种平衡，使得政策因素在空间层面对旅游产业的集聚影响降低。

3.空间D-S模型最大的贡献在于其在理论层面上论证了运输成本和产业集聚的“倒U型”关系。即在初始运输成本很高时，运输成本的下降会造成产业的集聚；而在初始运输成本很低时，运输成本的下降可能会造成集聚的瓦解。然而，由于制造业的集聚瓦解不仅受到运输成本的影响，还受到诸如知识溢出、技术创新以及企业迁移成本的影响，因此，“倒U型”关系难以在制造业的产业集聚中被验证。而旅游产业集聚的主体是游客而不是企业，基本不会产生迁移成本。同时，旅游产业集聚的向心力较为单一，其受到运输成本的影响较大。因此，本文将发现“倒U型”关系的现象寄希望于旅游产业的集聚与瓦解。

二、 旅游产业的集聚效应分析

为了证明选择旅游产业为本文研究案例的合理性，本节对我国旅游产业集聚效应的存在性进行验证。截至2016年，我国旅游产业产值达到32 979亿元，旅游人数达到44.4亿人次。与此同时，我国旅游产业的空间分布特征也越发明显。本文选取了2007—2016年中国旅游统计年鉴中所有60个城市的旅游产业区位商为研究对象。图1呈现的是不同规模(GDP)城市在2007—2016年旅游产业集聚程度的变化情况。

图1 旅游产业区位商变化图

图2 旅游产业LISA指数分布图

图1中GDP取各城市2007—2016年的平均值以代表城市规模，即图1中GDP的数值不随时间变化。由图1的分布情况来看，从概率上来说，规模较小的城市在2007—2016年旅游产业集聚程度经历了先上升后下降的波动过程，在2014年有一个明显的上升，而后回落。而规模较大的城市，其旅游产业集聚程度呈现下降趋势。同时，我国总体的旅游产业分布情况呈现出明显的地域特征，规模较小的城市在旅游产业聚集方面拥有较高的数值。但也不能一概而论，从图1可看到，也有部分规模较大的城市呈现出了旅游产业集聚的现象。本文运用LISA指数来定量化研究旅游产业的空间集聚特征。设中心城市i的LISA指数Li满足

(1)

在分析了我国2016年60个主要城市的LISA指数后，绘制出反映旅游产业局部集聚特征的平面图(如图2所示)。

综上所述，无论是在全局空间还是局部空间，我国的旅游产业都表现出了较为明显的空间依赖和集聚特征，因此，本文将采用空间计量模型来分析集聚的成因。

三、计量模型的设定

为了全面地检验交通基础设施与旅游产业集聚的关系，本文利用我国旅游统计年鉴中全部60个主要城市2007—2016年的数据为研究样本。构建空间计量经济模型，模型变量解释如下：

KTR=β0+β1PHD+β2PRD+β3EHP+β4ERP+β5PGDP+β6DE

(2)

选用旅游产业区位商(KTR)为被解释变量。之所以选择该指标，是因为大量的研究已经证明，区位商指标可以很好的消除区域规模的差异因素，从而真实的反映地理空间的要素分布。计算公式为

KTR=(eir/∑ieir)/(∑reir/∑i∑reir)

(3)

式(3)中，eir表示地区i产业r的就业人数，∑ieir表示所有地区产业r的就业人数，∑reir表示地区r的总就业人数，∑i∑reir表示所有样本城市的总就业人数。

选用人均公路密度(PHD)、人均铁路密度(PRD)、高等级公路占比(EHP)、高等级铁路占比(ERP)四项指标作为模型中的解释变量，选取以上指标是因为本文主要以客运成本为纽带分析交通基础设施与产业集聚之间的变动关系，因此，必须首先从逻辑上证明交通基础设施建设和客运成本之间的相关关系。目前学术界主要以两地或多地之间的广义运输费用函数来测算两地或多地之间的客运成本[16]，如公式(4)所示：

(4)

在指标选取上，本文并没有用交通基础设施投资作为模型的解释变量，主要是因为我国的地理环境在空间上差异巨大，同样的基础设施投资带来的客运成本变化在不同的城市差异很大，该指标无法准确的代表客运成本。而公路、铁路人均密度可以代表城市居民的出行可达性情况并且不受地域空间的限制。选用高等级公路、铁路比例为解释变量主要是考虑了我国样本期内较为密集的高速公路、铁路建设极大地方便了人们的出行，也在一定程度上通过提升旅客运输的便捷性、舒适性和安全性进一步降低了人们的出行阻抗。

在控制变量的选取上，本文选用区域人均生产总值(PGDP)和受教育程度(DE)来代表模型中的人均收入Y和旅游支出份额μ。用人均GDP来代表居民收入并没有太大的争议，而相关文献也证明了人们受教育程度和旅游偏好呈现高度的正相关关系。整个模型只选用了两个控制变量，从这一点上也可以看出旅游产业和制造业相比影响因素较为单一，内生性问题较小，方便开展研究。

四、空间计量分析

为了从时间轴上检验交通基础设施与旅游产业变动的关系，首先应用截面数据对模型进行空间计量分析。目前，被广泛应用的空间计量模型有两种，分别为空间滞后模型(SLM)和空间误差模型(SEM)：

KTR=β0+β1PHD+β2PRD+β3EHP+β4ERP+βiXi+ρWKTR+ε

(5)

KTR=β0+β1PHD+β2PRD+β3EHP+β4ERP+βiXi+(I-λW)-1μ

(6)

式(5)为SLM模型，主要考察各地区变量的空间相关性，检验被解释变量是否存在空间溢出效应。其中，Xi为控制变量，W为空间权值矩阵，ρ为空间滞后变量系数，用以衡量观测值的空间依赖性程度，ε为误差项。式(6)为SEM模型，模型中假设其他未纳入模型的变量具有空间相关性，λ为空间误差系数，表示这种相关性的方向和大小，μ为误差系数。空间计量模型的选用方法一般采用拉格朗日乘子检验(LM)，算法公式如下：

LMLAG=[e′We/(e′e/N)]2/[(WXβ)′M(WXβ)/σ2]+tr(W2+W′W)

LMERR=[e′We/(e′e/N)]2/[tr(W2+W′W)]

(7)

式(7)中，tr表示矩阵的迹算子，e表示最小二乘估计的残差向量，W表示空间权值矩阵，WβX表示观测值βX的空间滞后，M=I-X(X′X)-1X′。两种检验值都服从χ2(1)分布。当LMLAG在统计上较LMERR显著，并且RubustLMLAG的显著性也同时大于RubustLMERR时，表示观测值具有较强的空间依赖性，因此，选择SLM模型。反之，则说明观测值可能受到某个具有空间自相关的变量影响，选择SEM模型。具体检验结果见表1。

表1 拉格朗日乘子检验结果(2007—2016)

以上结果均通过了10%的显著性检验

根据表1结果可知，LMLAG值均通过了10%的显著性检验且大于LMERR检验值，并且在统计量上表现的更为显著；同时，R-LMLAG的值也基本大于R-LMERR。因此，对于上述模型，本文选用空间滞后模型(SLM)来进行空间计量分析。分析的方法选用极大似然估计法(ML)来避免普通最小二乘法(OLS)估计SLM模型时产生的非一致性问题。

表2是运用时间截面数据的SLM模型估计结果。从整个样本期内看，代表运输成本的四个变量基本都通过了10%的显著性检验。其中，高速铁路占比情况ERP在2009年未通过显著性检验，且之前数据缺失，因为我国大规模的高速铁路建设开始于2008年京津线的开通，在之前年份这一变量值基本为0。模型的拟合优度介于60%～75%之间，Log-likelihood在17～20区间内波动，说明该模型可以较好的解释变量间的因果关系。

此次调研地点是青岛市石老人景区、八大关景区以及太平角公园。调研对象是参加过低价团的游客。由于调研对象难以确定，因此在发放问卷时，首先确认游客有随团出游的经历，再问其旅游的目的地和相应组团报价，以此确定被调研者是否参加过低价游。调研时间是2017年6月10日—7月9日的每周周末，此时已进入青岛旅游旺季，游客较多。总发放问卷190份，回收170份。剔除无效问卷7份，实际分析的问卷为163份，占总回收问卷的95.9%。

表2 SLM模型估计

注：***，**，*分别表示通过1%，5%，10%的显著性检验

总体来看，代表运输成本的四个变量系数均为正，表明客运成本变量与旅游产业变动存在正相关关系。在系数方面，2016年，人均公路密度、人均铁路密度、高等级公路占比、高等级铁路占比四项指标的系数分别为0.01，0.73，23.17，2.52，且在其他年份四项指标的系数大小排序未发生变化。但从模型建立的原理上分析，由于各自变量数据在分析时并未做归一化处理，因此，系数的大小并不能代表该自变量对因变量的影响程度。模型结果中系数的大小主要取决于数据的量级。其中，在通过显著性检验的条件下，由于我国的公路里程远大于铁路里程，使得PHD的系数小于PRD的系数，又由于高等级公路占比、高等级铁路占比均为0到1之间的数，因此，这两项数据的系数较大，且从比例来看，我国高速铁路占比远大于高等级公路占比，使得EHP的系数大于ERP的系数。总之，在分析自变量与因变量的关系时，系数的作用仅在于判断自变量与因变量之间的正负相关性，而判断自变量对因变量的影响程度则主要依赖于显著性的分析。

在显著性方面，2007、2008、2009年人均公路密度PHD的显著性明显大于PRD，随着时间的后移，PHD的显著性逐渐降低，PRD的显著性增强，在2012年后者超过前者。EHP和ERP的变化也有相似的情况。这种现象和我国旅游业以及整个经济发展是吻合的，在早期我国铁路客运并不是很发达，人们的短途旅游出行大多选择大巴车或者自驾游，长途旅行中航空运输占了较大的比例，而随着我国铁路客运的不断发展以及公路建设的减缓，在降低人们的出行阻抗上铁路充当了较为重要的角色，并且横向来看，这种情况有逐年增强的趋势。与此同时，在样本后期代表道路质量的指标EHP、ERP的显著性明显超过代表道路数量的指标PHD、PRD。表明我国客运成本变化驱动因素的转变。

模型中的空间滞后项在除2007、2008、2009年的时间内通过了5%的显著性检验，系数均为正并且有逐渐升高的趋势。这种现象的一种可能的解释是旅游产业的空间溢出效应以及各城市对于本地旅游产业开发的逐年重视，促使消费者的旅行选择增多，旅行目的地不仅限于一个地点而是有了辐射带动效应。

控制变量方面，人均收入指标PGDP和受教育程度指标DE在整个样本期内和旅游产业集聚都有着显著的正相关关系，这种现象已经被大量的研究证明，这里不做解释。

以上的分析旨在观察交通基础设施的变化对旅游产业集聚的影响。接下来，将通过加入交通基础设施变量二次项后的面板数据来检验两者之间的“倒U型”关系。这里与刘勇[13]在研究公路水路对区域经济增长效应时选择交通基础设施的时间滞后期变量不同，原因是相对于制造业，旅游产业对于运输成本的变化较为敏感。但需要说明的是，虽然本文之前阐述了旅游产业集聚的内生性问题较制造业产业较小，但并不表示不存在。一个可能的内生性因素是各个城市的初始旅游资源分配不均衡，导致了管理层对发展旅游产业的偏好性不同，进而影响交通基础设施的投资决策。由于暂时没有公认的指标作为控制变量来衡量这一因素，本文通过对面板数据进行系统GMM估计的方法来解决这一可能存在的内生性问题。首先将这一可能的不随时间变化的城市固定效应λi加入模型

KTRi,t=θt+λi+βTRSi,t+β9PGDPi,t+β10DEi,t+εi,t

(8)

设TRS代表运输成本的所有相关变量，有：

(9)

系统GMM方法最早由Arellano和Bover提出，后来Blundell对其进行了小样本情形下的改进。其具体做法是将水平回归方程和差分方程结合起来进行估计，在这种估计方法中，滞后水平作为一阶差分的工具变量，而一阶差分又作为水平变量，通过增加工具变量的方法来解决一阶差分GMM方法可能产生的弱工具变量问题，具体公式如下：

KTRi,t=ρKTRi,t-1+βTRSi,t+β9PGDPi,t+β10DEi,t+θt+λi+εi,t

(10)

为了增强计量结果的可靠性，本文通过对模型进行序列相关AR检验和Sargan检验后表明，二阶AR检验拒绝原假设，即模型随机误差项不存在二阶序列相关性，GMM估计有效；同时，Sargan回归检验的P值大于10%，说明工具变量的选用是合适的，估计结果见表3。

表3 系统GMM模型估计

将模型的结果与采用普通最小二乘估计(OLS)与固定效应模型(FE)估计后所得的结果对比发现，模型中的系数落在OLS结果和FE结果模型系数之间，说明模型系数估计是合理的。观察表3可发现，在考虑了模型中可能存在的内生性问题后，相关自变量的系数的显著性并没有发生较大的变动。代表运输成本的四个变量值中除了铁路密度PRD未通过5%显著性检验外，其他三个变量PHD、ERP、EHP都通过了5%的显著性检验，这个结果再次印证了本文的推断，对于旅游产业的重新布局，高速铁路正在扮演越来越重要的作用，而在高速铁路出现之前，人们旅游出行方式中，铁路运输的份额不大，这就造成了结果中高等级铁路占比的显著性EHP要大于平均铁路密度的显著性PRD。同时，人均公路密度和高等级公路占比的显著性较高，都通过了1%的显著性检验，表明以公路为主(自驾、长途大巴)的出行方式仍然是人们旅游出行的主要组成部分。此外，所有系数都为正值，表明在面板数据分析中客运成本的降低与旅游产业集聚依然有较强的相关关系。

与本文的预期一致，模型中的二次项系数为负值，证明运输成本与旅游产业集聚的确存在着“倒U型”关系，并且这种“倒U型”的关系相比于刘荷、王健[17]在研究制造业时得出的结果更加明显。是因为相较于制造业，旅游产业集聚的主体是游客而不是企业，其产业集聚的变动不会产生迁移成本。再加上旅游产业集聚的向心力较为单一，使得运输成本下降对产业集聚的负作用在旅游产业中得到更加明显的体现。还有一点需要注意的是，模型中表示受教育程度的变量EDU的系数变为负值，一个可能的解释是随着当地人们受教育水平的增加，越来越多的人倾向于离开自己所处的城市到其他城市旅游，反而促进了其他城市旅游产业的集聚。

五、结论及启示

就我国旅游产业的集聚情况看，在2007—2016年的10年间，我国交通基础设施建设对产业集聚有显著影响，且代表交通基础设施建设水平的运输成本和产业集聚之间存在着明显的“倒U型”非线性关系；在我国目前的交通基础设施建设中，道路质量指标比道路数量指标更能影响产业集聚的变动，尤其是高速铁路建设对于我国整体客运成本的降低效应和因此而产生的产业集聚变动作用更加明显。

根据以上结论，本文得到如下启示：

1.以交通基础设施建设为着力点，促进产业结构的均衡

研究表明，交通基础设施建设对产业集聚不仅有促进作用，在发展到一定阶段后，还有部分抑制作用，这对于我国产业结构的调整具有重要意义。就旅游产业的情况来看，在我国偏远地区，特别是位于中西部的旅游景点多在少数民族地区，旅游资源非常丰富，但整体的旅游产业集聚程度较低，发展空间巨大。相关部门应大力发展交通基础设施建设，逐渐消除与周边区域之间要素转移和交流的障碍。从全国的层面来看，我国旅游产业的发展存在不均衡问题，解决该类问题的首要举措还是应进一步提高现有交通基础设施的服务水平，降低社会运输成本，使得运输成本对产业集聚的“倒U型”效应体现出来，实现我国旅游产业的均衡发展。

2.加强高速铁路建设，进一步降低综合运输成本，减少产业集聚阻力

改革开放以来，我国城镇化快速发展，预计2020年将达到60%左右。随着城镇化水平提高及城市群的发展，人口和产业集聚的中心城市之间、城市群内部的客运需求强劲，对交通基础设施承载能力提出了更高的要求。而根据系统GMM估计后的结果，相对于人均铁路密度指标，高铁占比指标对产业集聚的影响更加显著。因此，加快发展高速铁路，形成高速铁路、城际铁路等有机结合的快速铁路网络，满足大流量、高密度、快速便捷的客运需求，为拓展区域发展空间、减少产业集聚阻力、促进产业合理布局和城市群健康发展提供基础保障，同时，也可为广大居民提供大众化、全天候、便捷舒适的基本公共服务。

3.提升运输服务质量，提高交通基础设施现代化发展水平，推动产业集聚发展

从我国整体的交通基础设施建设水平看，交通基础设施现代化发展进入了新的阶段。依据SLM模型估计结果，在影响产业集聚的因素中，代表运输服务质量的高铁占比指标和高速公路占比指标的显著性和系数都随着时间的推移而逐渐升高。因此，为了进一步发挥交通基础设施对产业集聚的推动作用，应以交通现代化发展为主要目标。在交通基础设施建设中，应实现从投入带动到技术推动的转变，由主要依靠增加物质资源消耗，资本、土地要素的大量投入，向科技进步、行业创新、从业人员素质提高和资源节约、环境友好转变，使交通基础设施及装备水平、运营管理、运输组织方式及服务水平等得到有效提高，着力打造高品质、多样化的客货运输服务体系。