基于空间杜宾模型的广东省港口与城市经济空间效应研究

叶善椿 欧卫新

摘要：为分析港口与城市经济的空间效应，选取2007—2019年广东省16个港口及其所在城市的数据，在用Morans I指数检验空间相关性的基础上，构建空间杜宾模型。研究结果表明：港口与城市经济之间存在显著的空间相关性;在时间维度上，港口与城市经济之间的空间相关性较为稳定，港口货物吞吐能力的空间相关性呈上升趋势，港口硬件规模的空间相关性呈上升趋势;城市经济存在正向空间溢出效应;港口货物吞吐能力对城市经济有正向的直接效应，且长期效应大于短期效应，而港口硬件规模对城市经济只有正向的短期效应;港口货物吞吐能力对城市经济具有正向空间溢出效应，且长期效应大于短期效应，而港口硬件规模对城市经济的空间溢出效应不显著。

关键词：

空间杜宾模型; 港口; 城市; 空间效应

中图分类号：  U691.71;F299.27

文献标志码：  A

收稿日期： 2020-09-16

修回日期： 2020-12-25

基金项目：

中国物流学会项目（2018CSLKT3-174）;广东省哲学社会科学“十三五”规划2018年度学科共建项目（GD18XGL04）

作者简介：

叶善椿（1989—），男，江西吉安人，讲师，硕士，研究方向为港口与航运管理，（E-mail）ysc0796@163.com

Study on spatial effect between ports and their city economy in

Guangdong province based on spatial Durbin model

YE Shanchun， OU Weixin

（Department of Logistics Engineering， Dongguan Polytechnic， Dongguan 523808， Guangdong， China）

Abstract：

In order to analyze the spatial effect of ports and their city economy， the data of 16 ports and their cities in Guangdong Province from 2007 to 2019 are chosen， Morans I index is used to test spatial correlation， and a spatial Durbin model is constructed. The research results are the following： there is a significant spatial correlation between ports and city economy; in the time dimension， the spatial correlation between ports and their city economy is relatively stable， the spatial correlation of port cargo throughput capacity is on the rise， and the spatial correlation of port hardware scale is on the rise; the city eco-nomy has a positive spatial spillover effect; the port cargo throughput capacity has a positive direct effect on the city economy， and the long-term effect is greater than the short-term effect; the scale of port hardware has only a positive short-term effect on the city economy; the port cargo throughput capacity has a positive spatial spillover effect on the city economy， and the long-term effect is greater than the short-term effect; the spatial spillover effect of the scale of port hardware on the city economy is not significant.

Key words：

spatial Durbin model; port; city; spatial effect

0 引 言

在港口初建时期，港口的发展能带动城市的发展;随着港口的发展，城市的发展又能促进港口的发展[1]。近年来，我国港口得到了快速的发展，有力地促进了港口所在城市及其邻近区域经济的发展，“港城共荣”已成为人们普遍认可的港城发展经验[2]。那么，港口对其所在城市经济有多大的促进作用？对周边城市又具有什么样的影响呢？为回答这两个问题，有必要对港口与城市经济的空间效应进行研究。

国内外已有很多学者对港口与城市发展关系进行了研究。定性的研究有：冯晖[3]以江苏泰州港为例分析了港口发展特征、问题和区域发展新态势;匡海波等[4]从港口改革的角度提出港城分离的港城发展模式;XIAO等[5]提出港口和城市持续发展的系统理论，并以新加坡港为例进行研究;DEN BERGHE等[6]以阿姆斯特丹港和根特港为例研究了港口与城市发展的耦合机制。定量的研究如下。运用计量经济学模型的研究有：沈秦伟等[7]用格兰杰因果检验和向量自回归模型分析大连港对大连市经济增长的作用;熊勇清等[8]利用格兰杰因果检验和面板回归模型分析我国“一带一路”沿线14个港口与城市之间的互动关系;郭建科等[9]用动态相对集中指数和向量自回归模型研究环渤海地区12个港口与城市之间的关系;GUO等[10]在用相对集中指数对港城关系进行分类的基础上，用脉冲响应函数研究不同类型港城关系的互动机制;CONG等[11]用面板數据回归分析了我国16个港口城市的港口吞吐量与城市经济之间的关系;SONG等[12]用面板模型研究了我国四大港口区域的港口基础设施投资与区域经济的关系;PARK等[13]用扩展的索罗模型研究韩国港口对区域经济的发展贡献;ZHAO等[14]用二次分配程序和逐步回归模型研究港口与城市的关系。从统计学角度研究港城关系的有：范厚明等[15]运用耦合度函数建立了港城协调度模型;司增绰[16]用灰色相对关联度模型研究港口基础设施与港口城市经济之间的互动发展关系;郭建科等[17]在构建耦合协调度模型的基础上，用核密度和ArcGIS研究环渤海地区港城耦合的时空差异;高涛等[18]运用数据包络分析和偏相关分析研究宁波港城关联效应;王成等[19]用2-模社会网络分析法研究了21世纪海上丝绸之路沿线我国15个港口城市的产业结构相似性耦合特征;毕森等[20]用GIS空间统计分析方法和相对集中指数研究了21世纪海上丝绸之路沿线的38个主要港口的港城关系。还有构建其他模型研究港城关系的，如：冯雷鸣等[21]在建立港城协调发展评价指标体系的基础上，对天津港城协调发展进行了测算;CHENG等[22]通过建立港口投资模型，研究了港口投资类型对港口发展的影响;徐士伟等[23]在引入共生理论的基础上构建港城协调发展模型，研究天津港城协调发展情况;温文华[24]用自组织理论研究了港城发展协调度，并运用系统动力学实证了深圳市港口与城市经济关系。

综上可知，现有关于港城关系的研究较为丰富，但还存在以下局限：一是研究方法方面，现有的研究方法主要是计量经济学的时间序列方法和面板数据方法，统计学的灰色关联度模型和耦合模型方法等，没有考虑港口和城市都存在空间集聚的特点。二是研究对象主要是环渤海地区的港口和“一带一路”沿线的国内外主要大型港口，然而我国乃至全球还存在着大量的中小型港口，因此单纯研究大型港口与其所在城市的关系还不足以说明港口与城市之间的关系。三是目前国内的港口研究对象主要集中在环渤海地区，对珠三角地区港口的研究较少。因此，本文引入能反映空间特性的空间杜宾模型（spatial Durbin model，SDM）来研究广东省港口与所在城市经济发展的关系，为港城关系发展提供一个新的视角。

1 研究方法

根据地理学第一定律，所有事物都与其他事物相关联，但是距离较近的事物之间比距离较远的事物之间具有更强的关联性，即存在空间相关性或空间依赖性。空间效应包括空间依赖性和空间异质性。目前计量经济学中衡量空间效应的主要有SDM、空间误差模型（spatial error model，SEM）和空间滞后模型（spatial lag model，SLM）。其中，SEM认为空间依赖性主要通过误差项体现，SLM认为被解释变量的影响因素对整个区域内其他空间区域也产生影响，而SDM结合了SEM和SLM的特点，不仅考虑了被解释变量的空间依赖性，也考虑了解释变量的空间依赖性，能更好地反映空间面板数据的空间效应。

1.1 SDM

SDM的一般形式为

yit=c+ρi≠j（wijyit）+βxit+δi≠j（wijxit）+

μi+λt+εit

（1）

式中：y为被解释变量（因变量）;x为自变量，包括解释变量和控制变量;wij为空间权重矩阵元素，

i≠j（wijyit）为因变量的空间滞后项，i≠j（wijxit）为自变量的空间滞后项;ρ为空间回归系数;β和δ为待估计的空间相关系数;c为常数项;μ为空间固定效应;λ为时间固定效应;ε为随机误差项;i表示样本个体，在本文中指第i个港口城市;t表示时间。yit、xit、μi、λt和εit分别为与样本i和（或）时间t相关的y、x、μ、λ和ε。当δ=0时，

SDM将被简化为SLM;当ρ和δ均为0时，

SDM将被简化为SEM[25]。

1.2 空间权重矩阵

在进行空间计量分析前需要确定区域之间的空间距离。设共有n个区域，其中区域i与区域j之间的距离权重为wij，则空间权重矩阵

W=（wij）n×n

（2）

由于同一区域的距离为0，W主对角线上的元素w11=w22=…=wnn=0。

W为对称矩阵。

空间权重矩阵主要有0-1邻接矩阵、地理距离权重矩阵和经济距离权重矩阵[26]。其中，0-1邻接矩阵中，当区域i与区域j相邻时wij=1，当区域i与区域j不相邻时wij=0，即

wij=1， i与j相邻

0， i与j不相邻或i=j

地理距离权重矩阵的非主对角线上的元素取两地距离的倒数，即wij=1/dij，其中dij表示两个城市之间地理位置欧氏距离。经济距离权重矩阵的非主对角线上的元素取wij=1

Yi-Yj，Yi表示港口城市i在研究期内人均GDP值。

1.3 空间相关性检验

在进行空间效应研究前，需要对相关指标进行空间相关性检验，目前最常用的空间相关性检验指标是Morans I指数，即

I=ni=1nj=1wij（xi-x）（xj-x）

S2ni=1nj=1wij

（3）

式中：

x表示xi的均值;

S2为样本方差，S2=ni=1（xi-x）2n;

Morans I指数一般在[-1，1]内取值。

2 实证分析

2.1 数据说明与描述

根据空间计量分析模型，参考已有的相关研究，选取港口和港口城市的相关数据作为被解释变量、解释变量、控制变量，见表1。

被解释变量：城市GDP是反映港口城市经济水平的重要指标，且每个城市人口数量不同，因此选择较有代表性的人均GDP作为衡量港口城市经济水平的指标[27]。

解释变量：衡量港口发展水平的指标有很多，如港口货物吞吐量、集装箱吞吐量、码头泊位长度、码头泊位数等，以往的研究基本都选用港口吞吐量作为衡量港口发展水平的指标[28]，但是港口吞吐量是港口作业能力与腹地经济发展相结合的产物，不能反映港口基础设施建设水平[29]。因此，本文选用反映港口货物吞吐能力的港口货物吞吐量和反映港口硬件规模的码头泊位长度作为衡量港口发展水平的指标。

控制变量：根据经济学原理，经济发展与资本、科技和劳动力密不可分，城市经济发展需要考慮资本投入、科技投入和劳动力投入;根据城市空间经济的特点，城市经济发展还与人力资本、政府支出、市场需求和城市化水平有很大关联[30]。因此，最终选取资本投入、科技投入、劳动力投入、人力资本、政府支出、市场需求和城市化水平作为控制变量。固定资产投资代表了社会对基础设施建设、维修、更新、改造的投资[31]，能为港口发展和社会经济发展提供便利条件，同时考虑数据的可获取性，选择城市的全社会固定资产投资总额代表资本投入;有文献选用R&D（研发）费用、专利申请量和专利授权量代表科技投入[32]，鉴于广东省很多城市没有公布R&D费用，以及申请的专利并不能全部被授权，因此选取专利授权量代表科技投入;一个城市的人口数量并不能反映城市的劳动力投入，因此，选择更具有代表性的年末社会从业人员数量代表劳动力投入;由于人力资本指劳动者后天形成的身上所具有的知识、技术、技能[33]，选择高等学校在校生人数代表城市的人力资本;同时，参考相关文献，选取当年政府一般公共预算支出代表政府支出[34]，选取社会消费品零售总额代表市场需求[35]，选取城镇人口占常住人口比例代表城市化水平[36]。

选取2007—2019年广东省沿海及珠三角地区的广州、深圳、珠海、汕头、湛江、惠州、东莞、佛山、肇

庆、中山、江门、潮州、揭阳、汕尾、阳江、茂名共16个城市的港口及城市数据，数据来源于历年《中国港口年鉴》、《广东统计年鉴》、各城市统计年鉴和《国民经济和社会发展统计公报》。为消除原始数据可能出现的异方差，减少数据的不平稳性，对所有数据进行对数化处理。所有数据取对数后的统计值见表2。

从表2可以看出：2007—2019年，16个港口城市的经济水平取对数后的最大值是12.223 370，最小值是9.215 427，两者差距较大;港口货物吞吐能力取对数后的平均值是8.404 894，最小值为4.703 022，最大值为11.045 910，最大值与最小值相差很大;港口硬件规模

取对数后的

最大值为10.977 380，最小值为7.153 052。由此可以看出，这16个港口及其所在城市的各指标值不同年份、不同城市之间的差距较大。

2.2 空间相关性检验

空间权重矩阵反映了港口及其所在城市在地理位置上的关系，本文基于广东省16个港口及其所在城市的实际地理距离，选择地理距离权重矩阵作为空间权重矩阵。先对空间权重矩阵进行标准化处理，然后用Stata 15.0计算Morans I指数。Morans I指数取值区间为[-1，1]：

取值为0，代表不存在空间相关性;取值为正，表明存在正的空间相关性;取值为负，表明存在负的空间相关性;取值的绝对值越接近1，表明空间相关性越强。计算结果见表3。

从表3可以看出，ln y的Morans I指数在0.22与0.26之间，较为平稳，且全部在1%水平下显著;

ln x1的Morans I指数在0.08与0.19之间，全部在10%水平下显著;ln x2的Morans I指数在0.09与0.20之间，除2018年在10%水平下不显著外，其余都在10%水平下显著，且随着时间的推移，呈现出的聚集趋势不断增强。整体上看，港口城市经济水平、港口货物吞吐能力、港口硬件规模的Morans I指数都是正的，说明这三者都存在正的空间相关性，因此有必要进行空间计量分析。

2.3 空间效应模型选择

经Moran检验分析得出存在空间效应后，进行空间效应模型的选择。模型选择的检验结果见表4。从拉格朗日乘数（Lagrange multiplier， LM）检验结果可以看出：SEM均在1%水平下显著，说明可以使用SEM; SLM也在1%水平下显著，说明也可以选择SLM。因此，选择两者结合的SDM。从Wald检验的结果看，SEM和SLM在1%水平下均显著，拒绝SDM能退化为SLM和SEM的原假设，接受SDM。根据似然比（likelihood ratio， LR）检验结果，选择时间和空间双固定效应的SDM。用Hausman检验来确定采用固定效应还是随机效应，根据Hausman检验结果，应该采用固定效应。综合判断，本文选用双固定效应的SDM。

2.4 模型回归结果分析

双固定效应SDM的表达式为

ln yit=c+ρi≠j（wijln yit）+βln xit+

δi≠j（wijln xit）+

μi+λt+εit

（4）

静态SDM只能测算长期效应，而动态SDM能测算空间效应的长期效应和短期效应，能较为全面地反映空间效应的变化情况，因此本节先对静态SDM和动态SDM进行回归分析，以确定较为合适的SDM。利用Stata 15.0进行SDM估计，估计结果见表5。从表5可以看出，静态SDM的回归系数R2的值为0.895 4，对数似然值为312.681 8，空间自回归系数ρ的值为0.227 127 1（在10%水平下显著），这说明港口城市经济水平具有正向的空间溢出效应。动态SDM的R2值为0.991 4，对数似然值为419.399 5，说明动态SDM回归拟合得较好。具体看，动态SDM的空间自回归系数ρ的值为0.946 223 0，在5%水平下显著，说明人均GDP所代表的港口城市经济水平（被解释变量）存在正向的空间溢出效应，地理距离较近的城市的人均GDP上升会引起本城市人均GDP的上升，这主要是经济发达地区的资金、人才、市场具有外溢性，能带动周围城市经济发展。

从空间滞后项的回归情况看，动态SDM的显著水平整体上比静态SDM的好。因此，动态SDM比静态SDM更适合于分析港口对城市经济的空间效应。

2.5 空间效应估计结果

为进一步分析港口与城市经济的空间效应，利用求解偏导数的方法将空间效应分解为空间直接效应和空间溢出效应[37]，同时为对比静态空间效应与动态空间效应，对静态空间效应和动态空间效应都进行分解，分解后的效应见表6。

2.5.1 空间直接效应

从港口货物吞吐能力的空间直接效应看，动态空间效应的长期直接效应为0.079 427 8，在1%水平上显著;动态空间效应的短期直接效应为0.021 275 0，在1%水平上显著;静态空间效应的长期直接效应为0.043 550 4，在1%水平上显著。港口硬件规模的动态空间效应的短期直接效应为0.022 497 2，在10%水平上显著。由此可知，港口货物吞吐能力对城市经济具有正向的空间直接效应，且长期效应大于短期效应，说明港口货物吞吐能力的发展有利于本城市经济的发展，且从长期看港口货物吞吐能力对城市经济的作用更大。从短期效应看，港口硬件规模对城市经济具有正向的直接效应，而静态空间效应的直接效应不显著。

港口货物吞吐能力与港口的主营业务直接相关，若港口货物吞吐能力强，则能为城市经济发展提供更为便捷的物流服务，能直接促进本城市经济的增长。从长期看，港口货物吞吐能力强，能吸引港航相关产业在港口所在城市集聚，直接促进城市的港航产业发展;同时港航产业的集聚，能促进港口所在城市物流服水平的提高，这就能吸引生产制造企业和贸易企业集聚，从而促进城市经济的发展。港口硬件规模的扩大，代表了港口基础设施的擴大，在港口基础设施建设期内能促进城市经济的发展。但长期看，港口硬件规模扩大对城市经济发展的效应并不显著。

2.5.2 空间溢出效应

从港口货物吞吐能力的空间溢出效应看，动态空间效应的长期溢出效应为0.272 010 4，通过1%显著性水平检验;动态空间效应的短期溢出效应为0.080 444 0，通过1%显著性水平检验;静态空间效应的长期溢出效应为0.046 045 2，通过5%显著性水平检验。由此可见，港口货物吞吐能力对城市经济有正的空间溢出效应，即港口货物吞吐能力的提升有利于周边城市经济的发展。从动态空间效应与静态空间效应的对比看，动态空间效应考虑了长期效应和短期效应，且长期溢出效应大于短期溢出效应，表明港口货物吞吐能力的发展对周边城市经济发展的长期促进作用比短期促进作用强。港口硬件规模对城市经济的空间溢出效应都不显著。从显著性水平检验结果看，动态空间效应优于静态空间效应，再次印证了动态SDM比静态SDM更适合于分析港口与城市经济的空间效应。

空间溢出效应表明：港口货物吞吐能力的发展能为周边城市提供便捷的物流服务，促进周边城市经济的发展。港口货物吞吐能力强，就会吸引更多的船公司挂靠，港口航线将更加密集，更多的港航相关企业也将集聚于此，进一步增强港口的物流服务能力，随着生产要素的流动，这将为周边城市提供更好的物流服务;随着港口物流服务水平不断提升，物流服务能力将不断外溢，得益于广东省尤其是珠三角地区城市间发达的运输体系，周边城市的生产制造业和贸易业也就有了更为强大的物流支撑，从而促进周边城市的生产制造业和贸易业发展，最终促进周边城市经济的发展。从长期看，港口货物吞吐能力的提升，能促进周边城市经济的发展;周边城市经济的发展，又能为港口带来更多的货源，从而进一步促进港口货物吞吐能力的提升。因此，从长期看，港口货物吞吐能力的提升促进周边城市经济发展符合经济学的循环累积因果律。

3 结束语

本文选用2007—2019年广东省16个港口及其所在城市的数据，运用地理距离权重矩阵的空间杜宾模型（SDM）对港口与城市经济发展的空间效应进行研究，结论如下：（1）用Morans I指数检验港口与城市经济发展的空间相关性，发现港口与城市经济发展存在空间相关性。随着时间的推移，城市经济空间相关性较为稳定，港口货物吞吐能力的空间相关性呈上升趋势，港口硬件规模的空间相关性也呈上升趋势。（2）港口货物吞吐能力对城市经济有正的空间直接效应，对本城市经济发展具有显著的正向促进作用，长期直接效应大于短期直接效应;对地理位置邻近的城市也具有正向的空间溢出效应，且长期溢出效应大于短期溢出效应;港口货物吞吐能力的空间溢出效应大于空间直接效应。（3）港口硬件规模对城市经济发展的短期直接效应是正向的，但溢出效应都没有通过显著性检验，不具有统计学意义。

为此，各地港口当局应改变片面强调扩大港口规模的观念，港口硬件设施设备的建设要注意与当地经济发展水平相匹配。注意各港口之间的资源整合，加强港口之间的合作，进行错位竞争，提高现有港口硬件设施设备的利用率。同时，重视港口货物吞吐能力的提升对本城市经济发展的促进作用以及对周围城市经济发展的辐射作用，充分利用现有港口规模，加强港航产业集聚，提高港口的装卸作业效率和通关效率，加快货物流通，以更好地服务港口所在城市及其邻近城市。

参考文献：

[1]陈航. 港城互动的理论与实证研究[D]. 大连： 大连海事大学， 2009.

[2]吴峰， 万云飞， 杨李华. 山东省区域港口与经济发展的互动效应分析[J]. 山东科学， 2020， 33（1）： 83-91. DOI： 10.3976/j.issn.1002-4026.2020.01.012.

[3]冯晖. 长江港口与城市互动发展研究： 以泰州为例[J]. 城市发展研究， 2015， 22（12）： 84-91.

[4]匡海波， 鄧顺江， 贾鹏， 等. 基于港城分离的中国港口供给侧改革研究[J]. 科研管理， 2017， 38（4）： 54-64. DOI： 10.19571/j.cnki.1000-2995.2017.04.007.

[5]XIAO Zengqi， LAM J S L. A systems framework for sustainable development of port city： case study of Singapores policies[J]. Research in Transportation Business & Management， 2017， 22： 255-262. DOI： 10.1016/j.rtbm.2016.10.003.

[6]DEN BERGHE K V， JACOBS W， BOELENS L. The relational geometry of the port-city interface： case studies of Amsterdam， the Netherlands， and Ghent， Belgium[J]. Journal of Transportation Geography， 2018， 70： 55-63. DOI： 10.1016/j.jtrangeo.2018.05.013.

[7]沈秦伟， 韩增林， 郭建科. 港口物流与城市经济增长的关系研究： 以大连为例[J]. 地理与地理信息科学， 2013， 29（1）： 69-73. DOI： 10.7702/dlydlxxkx20130115.

[8]熊勇清， 许智宏. 海上丝绸之路上港口与港口城市的互动发展机制研究[J]. 财经理论与实践， 2017， 38（1）： 128-133. DOI： 10.3969/j.issn.1003-7217.2017.01.020.

[9]郭建科， 杜小飞， 孙才志， 等. 环渤海地区港口与城市关系的动态测度及驱动模式研究[J]. 地理研究， 2015， 34（4）： 740-750. DOI： 10.11821/dlyj201 504012.

[10]GUO Jianke， QIN Yafeng， DU Xiaofei， et al. Dynamic measurements and mechanisms of coastal port-city relationships based on the DCI model： empirical evidence from China[J]. Cities， 2020， 96： 102440. DOI： 10.1016/j.cities.2019.102440.

[11]CONG Longze， ZHANG Dong， WANG Mingli， et al. The role of ports in the economic development of port cities： panel evidence from China[J]. Transportation Policy， 2020， 90： 13-21. DOI： 10.1016/j.tranpol.2020.02.003.

[12]SONG Lili， GEENHUIZEN M V. Port infrastructure investment and regional economic growth in China： panel evidence in port regions and provinces[J]. Transport Policy， 2014， 36（11）： 173-183. DOI： 10.1016/j.tranpol.2014.08.003.

[13]PARK J S， SEO Y J. The impact of seaports on the regional economies in South Korea： panel evidence from the augmented Solow model[J]. Transportation Research Part E， 2016， 85： 107-119. DOI： 10.1016/j.tre.2015.11.009.

[14]ZHAO Qianyu， XU Hang， WALL R S， et al. Building a bridge between port and city： improving the urban competitiveness of port cities[J]. Journal of Transport Geography， 2017， 59（2）： 120-133. DOI： 10.1016/j.jtrangeo.2017.01.014.

[15]范厚明， 马梦知， 温文华， 等. 港城协同度与城市经济增长关系研究[J]. 中国软科学， 2015（9）： 96-105. DOI： 10.3969/j.issn.1002-9753.2015.09.009.

[16]司增绰. 港口基础设施与港口城市经济互动发展[J]. 管理评论， 2015， 27（11）： 33-43. DOI： 10.14120/j.cnki.cn11-5057/f.2015.11.004.

[17]郭建科， 谷月， 赵敬尧， 等. 环渤海地区港城耦合协调度综合分析[J]. 资源开发与市场， 2017， 33（5）： 569-574. DOI： 10.3969/j.issn.1005-8141.2017.05.012.

[18]高涛， 高金敏， 曲林迟. 基于DEA和偏相关分析的港城发展關联效应[J]. 中国航海， 2017， 40（2）： 129-134.

[19]王成， 王茂军， 杨勃. 港口航运关联与港城职能的耦合关系研判： 以“21世纪海上丝绸之路”沿线主要港口城市为例[J]. 经济地理， 2018， 38（11）： 158-165. DOI： 10.15957/j.cnki.jjdl.2018.11.018.

[20]毕森， 张丽， 谷雨， 等. 21世纪海上丝绸之路沿线港口及港城关系变化分析[J]. 中国科学院大学学报， 2020， 37（1）： 74-82. DOI：107523/j.issn.2095-6134.2020.01.009.

[21]冯雷鸣， 吴利娟. 天津港城协调发展的指标评价与对策建议[J]. 国际经济合作， 2019（2）： 134-142.

[22]CHENG Jiannan， YANG Zhongzhen. The equilibria of port investment in a multi-port region in China[J]. Transportation Research Part E， 2017， 108： 36-51. DOI： 10.1016/j.tre.2017.06.005.

[23]徐士伟， 许鑫. 基于共生理论的天津港城协调发展研究[J]. 同济大学学报（社会科学版）， 2017， 28（5）： 65-72.

[24]温文华. 港口与城市协同发展机理研究[D]. 大连： 大连海事大学， 2016.

[25]VEGA S H， ELHORST J P. The SLX model[J]. Journal of Regional Science， 2015， 55（3）： 339-363. DOI： 10.1111/jors.12188.

[26]魏下海. 人力资本、空间溢出与省际全要素生产率增长： 基于三种空间权重测度的实证检验[J]. 财经研究， 2010， 36（12）： 94-104. DOI： 10.16538/j.cnki.jfe.2010.12.003.

[27]王智毓， 冯华. 科技服务业发展对中国经济增长的影响研究[J]. 宏观经济研究， 2020（6）： 102-113， 121. DOI： 10.16304/j.cnki.11-3952/f.2020.06.010.

[28]邹强. 港口代际升级背景下大连港城经济互动关系研究[D]. 大连： 大连海事大学， 2019.

[29]鲁渤， 邱伟权， 邢戬， 等. 基于“一带一路”倡议评估的中国沿海节点港口与港城发展策略研究[J]. 系统工程理论与实践， 2020， 40（6）： 1627-1639. DOI： 10.12011/1000-6788-2020-0419-13.

[30]程路恒. 安徽省城市空間经济联系对经济效率影响研究[D]. 蚌埠： 安徽财经大学， 2020.

[31]王晓东， 邓丹萱， 赵忠秀. 交通基础设施对经济增长的影响： 基于省际面板数据与Feder模型的实证检验[J]. 管理世界， 2014（4）： 173-174. DOI：10.19744/j.cnki.11-1235/f.2014.04.016.

[32]严红， 尹继东， 石俊. 江西产学研协同创新复合系统协同度分析[J]. 江西社会科学， 2019， 39（10）： 61-71.

[33]李平华， 宋灿. 人力资本集聚、空间溢出与城市生产率[J]. 现代经济探讨， 2020（11）： 47-55. DOI： 10.13891/j.cnki.mer.2020.11.008.

[34]聂飞. 制造业服务化抑或空心化： 产业政策的去工业化效应研究[J]. 经济学家， 2020（5）： 46-57.

DOI： 10.16158/j.cnki.51-1312/f.2020.05.006.

[35]张廷海， 王点. 工业集聚、空间溢出效应与地区增长差异： 基于空间杜宾模型的实证分析[J]. 经济经纬， 2018， 35（1）： 86-91. DOI： 10.15931/j.cnki.1006-1096.2018.01.004.

[36]纪园园， 宁磊. 收入差距对消费升级的区域差异性研究[J]. 社会科学， 2020（10）： 53-66. DOI： 10.13644/j.cnki.cn31-1112.2020.10.007.

[37]周四军， 江秋池. 基于动态SDM的中国区域碳排放强度空间效应研究[J]. 湖南大学学报（社会科学版）， 2020， 34（1）： 40-48. DOI：10.16339/j.cnki.hdxbskb.2020.01.007.

（编辑 赵勉）