煤炭资源就地转化对经济发展效率影响的空间效应

米国芳，王文强，王海波

（1.内蒙古财经大学统计与数学学院，内蒙古呼和浩特 010070；2.内蒙古财经大学内蒙古经济数据分析与挖掘重点实验室，内蒙古呼和浩特 010070；3.内蒙古纪委监委信息化建设与服务保障中心内蒙古纪检监察大数据实验室，内蒙古呼和浩特 010015）

一、引言

资源是经济社会稳定发展的要素基础和动力源泉，资源的合理开采和科学利用对实现经济社会绿色高质量发展发挥着至关重要的作用。我国“富煤、贫油、少气”的能源结构和以煤炭为主的资源禀赋使得煤炭资源型地区依靠丰裕的煤炭资源确实促进了当地经济快速发展，但长此以往，就造成了资源的过度损耗和枯竭，出现了生态环境恶化等一系列不可逆转问题，致使经济增长停滞不前甚至倒退，出现了“资源诅咒”现象（Sachs and Warner，2001；Kim and Lin，2015；Weber，2014）[1-3]。煤炭资源型地区的煤炭资源除了供本地生产生活消费之外，还会向外输送，进而从中获利。那么，煤炭资源型地区为了促进经济高质量发展，通过提高煤炭资源就地转化率能否提高经济发展效率？煤炭资源就地转化是否存在空间溢出效应？如果存在，溢出效应是正向还是负向，以及造成这种溢出效应的原因是什么？为深入研究上述问题，本文将分析煤炭资源就地转化对经济发展效率影响的直接效应和空间溢出效应并剖析其原因，这对我国煤炭资源型地区实现经济绿色高质量发展具有重要的学术价值和现实意义。

目前，中国经济发展已进入新常态，如何提高经济发展速度和效率是资源型省市甚至全国各地需要尽早解决的重大问题。资源型地区作为我国不可或缺的关键能源生产制造产业基地，在我国的长期经济发展中发挥着关键作用。在我国资源型区域中，煤炭地区的煤炭工业比重在地方经济总量结构中居主体地位。而且，随着我国经济发展水平的逐步提升，交通越来越发达，周边省份及地区之间的经济往来越来越密切，区域经济一体化的发展格局已经具备。尽管每个地区在行政划分上仍然属于独立个体，但其经济联系却越来越紧密，相邻省区之间的空间溢出效应也越来越明显。可见，各省份的经济发展不是一个孤立的问题，在区域经济一体化背景下，相邻地区的空间作用应该被重视，因而在计量研究方法的选择上不应该忽视各区域在各指标间的空间相关性。

经济发展效率测度方面的研究有：张月玲等（2016）[4]采用基于随机前沿生产函数计量回归模型计算所得的全要素生产率来表征经济发展效率；吴力波和周泱（2015）[5]、李政通等（2016）[6]、张琦等（2021）[7]、米国芳（2021）[8]采用DEA-Malmquist 指数分析方法测度了经济发展效率；赵佳风和马占新（2018）[9]采用广义DEA 模型测度了中国经济发展效率；李娜（2020）[10]采用DEA-SBM 模型测度了经济发展效率；Glaeser et al.（2010）[11]、盖庆恩等（2017）[12]认为劳动生产率是单位劳动的真实产出，它能够反映单位时间内劳动生产效率的大小，因此选用劳动生产率来表征经济发展效率；许士道和江静（2021）[13]选用单位劳动者参与创造的GDP 指标来表征经济发展效率；蔡则祥和武学强（2017）[14]采用SBM-Luenberger 生产率指数模型测度了经济发展效率；王阳（2020）[15]分别采用人均GDP 增长率和全要素生产率两个变量从数量和质量上测度了经济发展效率。

关于自然资源和经济发展关系的研究比价丰富：邵帅和齐中英（2009）[16]利用我国地级煤炭大城市的截面数据进行了实证分析，结果显示，充足的自然资源会对本地人力资源、技术革新、外商投资造成挤出效应，进而抑制地区经济发展；杨莉莉等（2014）[17]利用空间计量模型和方法实证研究了资源产业依赖对我国样本省份经济发展的影响，结果显示，样本省份的经济增长存在正向空间溢出效应；周喜君和郭丕斌（2015）[18]通过面板回归对煤碳资源丰裕度、煤碳资源就地转化水平与经济发展之间的关联进行了实证分析，结果显示，煤炭资源就地转化水平的提高会对地方经济发展起到促进作用；李江龙和徐斌（2018）[19]实证分析了我国地级市资源丰裕度对绿色经济增长的影响，结果表明，资源丰裕会抑制绿色经济增长，造成“资源诅咒”；孟望生和张扬（2020）[20]探讨了自然资源禀赋通过技术进步对绿色增长效率的影响，结果显示，自然资源禀赋抑制了地区绿色增长效率的提升，技术创新能提升地区绿色增长效率，技术引进对绿色增长效率的提升产生了不良影响；程广斌和王朝阳（2020）[21]运用空间面板计量模型研究了我国省域全要素生产率与区域经济高质量发展的非线性空间关系，结果显示，全要素生产率与经济高质量发展之间存在“倒U”型关系，且是显著促进经济高质量发展。

梳理以上文献发现，在经济发展效率测度方面，大多文献以数据包络方法（DEA）为基础，然后结合Malmquist 指数和SBM 模型对全要素生产率进行测度，并以此来表征经济发展效率，形成的DEAMalmquist 指数分析模型能够从动态角度考察发展效率。在分析煤炭资源对经济发展的影响时：一方面，大多学者以经济增长率为研究对象，对经济发展效率的研究较少，其中研究煤炭资源就地转化水平对经济发展效率影响的文献更为缺乏；另一方面，已有文献在研究煤炭资源就地转化与经济发展的关系时，多选用普通面板数据模型进行实证分析，忽略了空间效应。基于此，本文采用DEA-Malmquist 指数分析模型测度全要素生产率，进而表征经济发展效率，并以经济发展效率作为研究对象从质量上衡量经济发展水平。考虑到空间相关性，本文进一步构建空间计量模型探讨煤炭资源就地转化对经济发展效率的影响，对其影响进行直接效应、空间溢出效应和总效应的分解，并剖析煤炭资源就地转化及控制变量对经济发展效率的影响机制。最后，根据研究结论提出相应的对策建议，以达到促进煤炭资源型区域经济发展和保障我国能源安全的目标。

我国国土面积大，区域间的空间影响也较大，但大部分煤炭资源产量主要集中在个别几个省份，煤炭资源产量极端现象比较严重，若以全国所有省份为样本进行研究可能会因煤炭产量比重相差较大而导致分析结果出现偏差，因此，本文选取我国原煤产量较大的内蒙古、山西、陕西等17 个煤炭大省作为样本进行研究。

二、经济发展效率的测算与分解

经济发展效率从质量上衡量了经济发展水平，本文采用全要素生产率来表征经济发展效率。本文将对17 个样本资源型省份的经济发展效率进行测度，分析其时序演变规律和各省份时空差异，这对于提升煤炭资源型省份的经济高质量发展水平有一定的指导作用，对于国家和各省份决策部门因域施策、增进省份之间的经济往来和促进经济一体化建设也有重要意义。本文采用DEA-Malmquist 模型对我国17 个样本省份的经济发展效率进行测算，并对各年份经济发展效率进行Malmquist 指数分解，之后根据分解结果对2006—2017 年间经济发展效率的时序演变规律和空间差异性进行分析。

（一）DEA-Malmquist 模型的构建

1.DEA 模型。DEA（Data envelopment analysis）是美国运筹学家Rhodes 和Charnes 于1978 年提出的数据包络分析法，该方法的优点是不用考虑原始生产函数的表达式，可随机使用多指标变量投入和多指标变量产出。DEA 模型根据最优化定理自动地计算和生成各种投入指标的权重，排除了人为主观效应，非常适用于城市、省域、综合经济区等经济效率的测度与评估。DEA 方法中最常用的两种模型为CCR 模型和BCC 模型，其中，CCR 模型约束生产规模报酬不变，BCC 模型是在CCR 模型的基础上允许生产规模报酬可变。

BCC 模型的形式为（张悟移、杨云飞，2014）[22]：

式（1）中，s+、s-为松弛变量，一般情况下，ε=10-4。

2.Malmquist 指数模型。1953 年，Malmquist 提出了Malmquist 生产率指数模型，该生产率指数模型借用距离函数的比率测算投入指数。当规模报酬不变时，Malmquist 生产率指数可表示为：

当规模报酬发生变化时，技术效率指数可分解为纯技术效率指数（pure efficiency change，pech）和规模效率指数（scale efficiency change，sech），即Malmquist 全要素变化指数可进一步分解为：

式（3）中，下标v 表示根据最佳实践前沿面定义的距离函数，下标c 表示根据基准前沿面定义的距离函数（夏恩君等，2017）[23]。纯技术效率指数是指去除规模效率影响后达到的技术效率水平。如果Mi，t+1＞1，则表示从第t 期到第t+1 期TFP 的水平有所提升；如果Mi，t+1=1，则表示从第t 期到第t+1 期TFP 水平没有发生变化；如果Mi，t+1<1，则表示从第t 期到第t+1 期TFP 水平有所下降。

3.DEA-Malmquist 指数模型。DEA 模型只能对经济发展效率进行静态分析，无法进行经济发展效率的纵向对比分析，因此，1994 年Fare 将DEA 方法与Malmquist 指数分析方法相结合，构建了DEAMalmquist 指数模型（Charnes et al.，1978；Fare et al.，1994；邵明伟等，2018）[24-26]。DEA-Malmquist 指数分析方法反映了决策单元在不同时期的生产率状况，该方法可评价不同时期的生产率动态变化趋势。因此，DEA-Malmquist 指数分析方法被广泛应用于测度区域经济发展效率，其既能实现经济发展效率的横向比较，也能实现纵向比较，能够反映不同省份经济发展效率的发展状况。DEA-Malmquist 指数模型的优点之一是不需要确定投入和产出间的关系，之二为无需构建权重矩阵，模型可自行测度权重，之三为投入和产出变量无需量纲化处理。因此，本文采用DEA-Malmquist 指数模型对17 个样本省份的经济发展效率进行测算。

（二）经济发展效率测算

在测算经济发展效率即全要素生产率时，需先确定投入和产出指标，本文选择固定资产投资额、从业人数和能源消耗总量作为投入要素，并以各省份地区生产总值作为产出指标，各指标相关信息见表1。

表1 经济发展效率有效性投入产出指标

投入指标是指在经济发展过程中投入的劳动力、物资资本和自然资源等要素。限于数据的可获得性，本文用社会固定资本的投入量来表征固定资产投资额，反映社会资本的投入，该指标反映了经济发展对资本要素的固定需求量。从业人数方面，将城乡就业人员总数作为人力劳动资本的直接投入指标，反映劳动力对经济发展的投入量。能源消耗总量是自然资源投入的代理变量，是经济发展的必要投入物资要素。产出指标是指社会经济循环发展过程中的产出量，可分为经济期望产出和政府期望产出等，本文主要分析经济产出，因此选择地区生产总值衡量各样本省份的经济总量，地区生产总值可体现样本省份的经济发展水平，属于经济期望产出。

（三）基于年份的Malmquist 指数分解

本文利用DEAP2.1 软件对2006—2017 年间17个样本省份的经济发展效率进行了Malmquist 指数分解，五种效率变化结果见表2。

表2 2006—2017 年的Malmquist 指数分解

（续表2）

根据表2 分解结果可知，2006—2017 年间全要素生产率变化（Tfpch）呈现出持续波动趋势，该时间段内的均值为1.024。其中，2017 年取得该区间内的最大值为1.091，其他年份中有8 个年份的数值大于1，而2009 年、2012 年和2013 年的数值均小于1，其中2009 年的数值最小为0.925，说明资源型样本省份的经济发展效率在这三年内处于下降状态，并在2009 年以后开始回升。2014 年以后全要素生产率一直处于大于1 的水平，证明2014—2017 年间资源型样本省份的经济发展效率一直呈增长趋势。从整体来看，17 个样本省份在2006—2017 年间的经济发展效率呈相对增长趋势，说明样本省份整体经济发展效率一直处于稳步增长的状况，从2009 年的0.925 增长到2017 年的1.091，变化率较大。

技术效率变化（Effch）有7 个年份的数值大于1，达到有效水平，其中2017 年取得最大值为1.038，2015 年取得最小值为0.953，样本时间内的均值为1.001。技术变化（Techch）有10 个年份的数值大于1，达到有效水平，其中2008 年取得最大值为1.058，2009 年取得最小值为0.933，12 年间的均值为1.023。纯技术效率变化（Pech）有8 个年份的数值达到了1 以上的有效水平，其中2017 年取得最大值为1.043，2015 年取得最小值为0.972，12 年间的均值为1.002。规模效率变化（Sech）有6 个年份达到了1 以上的有效水平，其中2006 年取得最大值为1.023，2012 年取得最小值为0.976，样本时间段内的均值为0.999。另外，2012 年五种效率变化的值均小于1，主要原因在于2012 年经历了股市泡沫破灭的股灾，严重影响了实体经济发展对资金的需求。2006 年、2008 年、2010 年和2016 年这五种效率变化的数值均大于1，表明这四年间的各方面经济效率都有效。

为了从整体上分析样本省份经济发展效率的时间差异，本文依据17 个样本省份2006—2017 年12年间每年的技术效率变化、技术变化和平均全要素生产率变化情况绘制了其变化折线图，见图1。可见，2006—2017 年间样本省份的全要素生产率呈现出“增长—下降—……—下降—增长”的持续波动变化趋势，该时间段内其增长率的均值为1.024。具体来看：2009 年、2012 年和2015 年全要素生产率的增长率为负值，其中2009 年的增长率最小为-14.90%；其他年份全要素生产率的增长率均为正值，其中2010 年取得最大值为12.11%，2016 年的增长率也较高为5.07%。技术变化增长率表现为：2007—2014 年间技术变化增长率的变化规律跟全要素生产率增长率的变化规律基本一致，增长速度相差不大；2014 年以后技术变化增长率的变化规律与全要素生产率的变化规律则恰恰相反，尤其是2016 年，技术变化的增长率为-1.52%，而全要素生产率的增长率为正。2006—2017 年间技术效率增长率的变化规律跟全要素生产率增长率的变化规律一致，呈现出同增同减的变化规律。其中，2016 年的技术效率增长率取得最大值为6.61%，2012 年取得最小值为-3.59%，2009 年的增长率也较小为-3.41%。在12年间内，技术效率在2007 年、2009 年、2011 年、2012年和2015 年5 年内出现了负增长变化。

图1 样本省份经济发展效率增长率的变化趋势

（四）基于省份的Malmquist 指数分解

本文将17 个样本省份进行分区处理，将其划分为东北、北部、黄河中游、大西南和大西北五个区域，并基于五个区域进行Malmquist 指数分解。在测算东北区域经济发展效率时，只考虑了吉林和黑龙江两个省份的效率值，没有将辽宁省纳入测算体系，主要原因在于2010—2014 年间辽宁省的部分经济数据指标值增速较快，为防止测算结果出现偏差，将其排除在外。对五大区域的五种效率变化进行空间演变过程的分析结果见表3。

表3 2006—2017 年间样本省份及五大区域经济发展效率分解结果

由表3 可知，17 个样本省份整体水平的五种效率分解值均达到了有效水平，总样本技术效率变化、技术变化、纯技术效率变化、规模效率变化和全要素生产率变化的均值依次为1.001、1.027、1.002、1.001和1.025，表明样本省份的经济发展水平较好，经济发展得到了“质”的提升。

从五大区域来看，按照全要素生产率变化（Tfpch）值的大小进行排序：黄河中游区域的生产率值排名第一，为1.049；北部沿海区域的生产率值次之，为1.028；大西南区域的生产率值排在第三位，为1.019；东北区域的生产率值排在第四位，为1.014；大西北区域的生产率值小于1，排在最后一名，仅为0.982。黄河中游区域整体全要素生产率排名第一的原因主要在于，内蒙古生产率的有效值较高，拉动了区域整体的经济发展效率。各区域的五种效率变化在有效性上的表现为：黄河中游区域整体平均水平的技术变化、技术效率变化、纯技术效率变化有效，规模效率变化非有效；北部沿海区域和大西南区域整体平均水平的五种效率变化全部有效；东北区域整体平均水平的技术变化和全要素生产率变化有效，其他三种效率变化非有效；大西北区域整体平均水平的技术效率变化和纯技术效率变化有效，技术变化、规模效率变化和全要素生产率变化非有效。

从各省份来看：黄河中游区域中，只有内蒙古自治区的五种效率变化全部有效，河南、山西和陕西三省份均为部分有效；北部沿海区域中，山东和河北的五种效率变化均有效；大西南区域中，四川和重庆两省份的五种效率变化全部有效，云南和贵州两省份为部分有效；东北区域中，吉林的五种效率变化均有效，而黑龙江的五种效率变化均未达到有效水平；大西北区域中，青海、宁夏、甘肃和新疆的五种效率变化全部为部分有效。

为了从整体上分析样本区域经济发展效率的时空差异，本文依据17 个样本省份两年间的全要素生产率变化情况分析其经济发展效率的变化趋势。本文采用自定义的方式将经济发展效率按从大到小的顺序进行分类：第一类为经济发展效率水平高，其全要素生产率数值大于1.10；第二类为经济发展效率水平较高，其全要素生产率数值位于区间［1.05 1.10］内；第三类为经济发展效率水平一般，其全要素生产率位于区间［1.00 1.05）内；第四类为经济发展效率水平低，其全要素生产率小于1.00。2006 年和2017 年的经济发展效率簇状图如图2 所示。

图2 2006 年和2017 年样本省份全要素生产率的对比

整体上来看，2006—2017 年间经济发展效率基本上呈现出小幅度增加的变化特征，2017 年的各区域全要素生产率水平相比2006 年基本均有所增加，经济发展效率低的省份也在减少，且在2006 年经济发展效率处于高水平的区域在2017 年基本上仍处于经济发展效率高水平。历经12 年，青海省的经济发展效率仍然处于一般水平，黑龙江的经济发展效率仍然处于低水平。

分年份来看，2006 年经济发展效率最高的3 个省份从北到南依次是内蒙古、吉林和山东，经济发展效率水平较高的4 个省份从西到东依次是新疆、甘肃、宁夏和陕西，经济发展效率水平一般的6 个省份从西到东依次是青海、四川、贵州、重庆、山西和河北，经济发展效率水平低的4 个省份从北到南依次是黑龙江、辽宁、河南和云南。2017 年经济发展效率水平最高的5 个省份从北到南依次是甘肃、贵州、山西、河南和河北，经济发展效率水平较高的6 个省份从西到东依次是四川、宁夏、重庆、陕西、山东和辽宁，经济发展效率水平一般的4 个省份从西到东依次是新疆、青海、云南和吉林，经济发展水平低的2个省份从西到东依次是内蒙古和黑龙江。

三、空间相关性检验

（一）全局自相关性检验

为考察资源就地转化对经济发展效率的空间溢出效应，本文采用ESDA 中的全局和局部自相关进行空间相关性检验。全局自相关主要采用全局Moran’s I（Global Moran’s I）指数来反映属性变量在整个研究区域范围内的空间聚集程度。Moran’s I 指数的计算公式为：

其中，n 为17 个省份；yi和yj分别代表第i 个省份和第j 个省份的属性值；y¯表示17 个省份属性值的平均值；wij为空间权重矩阵，采用二进制邻接空间权重矩阵进行空间分析，若第i 个省份和第j 个省份在地理上相邻，则wij=1，否则wij=0。

本文采用Moran’s I 指数来考察样本省份煤炭资源就地转化指标的空间相关性，包括空间相关性的方向和大小。2006—2017 年各样本省份煤炭资源就地转化指标的Moran’s I 指数及其统计检验如表4所示。可见，在样本考察期内除2017 年之外其他年份的Moran’s I 指数均为正值，且除2012 年和2014年以外，均在10%的显著性水平下显著，表明整体来看17 个样本省份存在一定的空间相关性，煤炭资源就地转化在地理空间上表现出了一定的集聚现象。因此，在分析煤炭资源就地转化对经济发展效率的影响时，为防止模型设定误差和估计偏差，必须考虑空间相关性。

表4 2006—2017 年17 个样本省份的Moran’s I 值

（续表4）

（二）局部自相关性检验

全局自相关性反映了变量的整体空间相关状况，并不能具体体现变量的空间集聚类型。局部空间自相关主要是用局部Moran’s I 系数（LISA）来反映属性变量在局部区域范围内的空间集聚程度。为了具体分析各样本省份的内在联系，本文绘制了Moran’s I 散点图来解析空间变量的局域相关性。部分年份的煤炭资源就地转化率的局域Moran’s I 散点图如图3 所示。①

图3 2006 年和2007 年煤炭资源就地转化的Moran’s I 散点图

Moran’s I 散点图直观体现了样本省份煤炭资源就地转化率的局部空间效应，四个象限的含义分别为：第一象限（H-H）的散点表示该省份煤炭资源的就地转化率较高，且其周边省份的煤炭资源就地转化率也较高，即煤炭资源就地转化率高的省份被高转化率省份包围，属于“高-高”集聚型；第二象限（L-H）表示低转化率省份被高转化率省份包围，属于“低-高”集聚型；第三象限（L-L）表示低转化率省份被低转化率省份包围，属于“低-低”集聚型；第四象限（H-L）表示高转化率省份被低转化率省份包围，属于“高-低”集聚型。通过Moran’s I 散点图可以看出，样本省份的散点图主要分布在第一和第三象限，说明大部分省区形成了“高-高”“低-低”集聚区。其中，内蒙古、山西、陕西、河南被同样具有较低煤炭资源就地转化率的其他省份包围，形成了“低-低”集聚区。相比于2006 年，2007 年新生了具有较高煤炭资源就地转化率的青海和贵州，两省份被同样具有较高煤炭资源就地转化率的其他省份包围，形成了“高-高”集聚区。可见，通过全局相关性与局部相关性均可证明样本省份存在一定的空间相关性。2013 年转化率的局部空间相关性有了小幅度变化，与2007 年相比较，青海的集聚类型由“高-高”型转化为“低-高”型，内蒙古自治区不再具有明显的集聚效应。

四、煤炭资源就地转化对经济发展效率影响的空间效应

（一）数据来源与变量选取

1.数据来源。本文以2006—2017 年我国原煤产量较大的17 个省份为研究对象，变量数据取自《中国统计年鉴》、《中国能源统计年鉴》、各省份统计年鉴和eps 数据库。

2.变量选取和解释。

（1）经济发展效率：全要素生产率（TFP）。经济发展效率是煤炭资源型省份经济高质量发展的重要保障，提高全要素生产率意味着可以提升生产要素的利用效率，最终体现在整体经济的增长量上。因此，本文以全要素生产率（TFP）表征经济发展效率，计算方式：全要素生产率=产出总量/全部资源投入总量。本文以2005 年资本投入（固定资产投资）、自然资源投入（能源消费总额）和劳动力投入（年末社会从业人数）为基期投入指标，以2005 年GDP 为基期产出指标，利用DEA-Malmquist 指数法对全要素生产率进行测算。

（2）煤炭资源就地转化率（Po）。煤炭资源就地转化是指根据当地自然资源禀赋的特点，在煤炭资源开采后就地延伸煤炭能源产业链，以提高当地煤炭能源的工业增加值，将区域能源优势转化为经济产业发展优势。目前，对于煤炭资源就地转化水平的表征指标较少，本文利用周喜君（2015）采用的煤炭自用率来表征煤炭就地转化水平（Po），计算公式为：煤炭资源就地转化率=［（当年煤炭生产量-当年煤炭调出量）/当年煤炭生产量］×100%。

（3）科技创新投入（TI）。科技创新投入会相应地提升科技创新能力，而科技创新能力的提升又会推动煤炭相关产业发展和传统资源型企业更新设备、技术和工艺，促使其产业改造升级，因此，通过科技创新投入可以促进产业结构合理化，实现产业结构优化升级，进而推动经济高质量发展。考虑到数据的可获得性，本文采用科技投入支出与财政支出的比值来表示科技创新投入。

（4）物质资本投资（PC）。理论和经验研究表明，煤炭资源型省份的丰裕煤炭资源会阻碍储蓄和投资水平，即通过挤出货币资本抑制经济效率提升，因此，本文将物质资本投资纳入控制变量。本文物质资本投资用全社会固定资产投资与GDP 的比值来表示。

（5）教育投入（EI）。教育事业对国家和地区的经济、社会持续健康发展及国家文化传承有着重要作用，教育投入是影响技术创新能力的重要要素，会直接影响经济发展效率。很多文献表明，自然资源为资源型省份提供了财富源泉，可能会引起教育意愿下降，使得人们缺乏对教育投入的内在驱动力。因此，在研究资源型省份经济发展水平时需要考虑将教育投入纳入研究框架，本文教育投入指标采用教育投入占财政收支的比例来表征。

（6）制造业投入（MAN）。Sachs 和Warner（1995）、徐康宁和王剑（2006）、杨莉莉和邵帅（2014）已经证实，资源开发活动对制造业生产要素投入产生了抑制效应，因此将制造业投入引入理论模型。限于数据的合理性和可获得性，本文采用加工制造业从业人数占所有从业人数的比例来衡量。

（7）经济产业结构（EIS）。经济产业结构常用的测度方法有第二产业产值占GDP 的比重、第三产业产值占GDP 的比重两种方式。本文采用资源型省份第三产业产值与地区GDP 的比值表征经济产业结构（李强、魏巍，2018）[27]。

（8）城镇化进程（UP）。城镇化进程是衡量国家或省份经济发展程度的重要指标之一，也是体现国家或省份社会组织程度和管理水平的重要标志之一，本文城镇化进程采用社会经济建设使用的城镇人口占总人口的比重来表示。

（9）政府干预程度（GI）。合理范围内的财政支出会通过优化资源配置、调节市场的滞后性和盲目性促进经济发展效率提升，但如果各级政府过度干预市场经济或者财政支出力度不够，就会对经济发展的数量和质量产生抑制作用，因此政府干预对经济发展的影响方向存在争议（杨莉莉等，2014）[17]。由于煤炭资源型产业是国民经济发展的命脉，各级政府过多干预了资源开采和资源产品价格，因此，本文将政府干预作为控制变量引入煤炭资源就地转化对经济发展效率影响的分析中。本文参照张立新等（2018）[28]的做法，采用地区财政支出与地区总产值之比表示政府干预程度。

（二）模型选择

在进行空间计量分析之前，需要对空间依赖性进行检验，本文分别采用拉格朗日乘数LM 检验和稳健的拉格朗日乘数Robust-LM 检验方法对空间依赖性进行检验。LM 检验不仅可以检验空间自相关的存在性，还可以根据统计量的显著程度进行空间计量模型选择。模型选择标准为：如果LM-Error 检验和LM-Lag 检验均不具有统计显著性，则采用普通混合回归模型；如果LM-Error 检验具有统计显著性而LM-Lag 不显著，则选用空间误差模型（SEM），反之则选择空间滞后模型（SAR）；如果LM-Error 与LM-Lag 均具有统计显著性，则需进一步进行Robust-LM 检验，在进行Robust-LM 检验时，若Robust-LM-Error 统计量显著而Robust-LM-Lag 不显著，则选用空间误差模型（SEM），反之，则选择空间滞后模型（SAR）；如果四个检验统计量均具有统计显著性，则需进一步判断检验统计量的大小和显著性，如果LM-Lag 和Robust-LM-Lag 的显著性均高于LM-Error 和Robust-LM-Error 的显著性，则选用空间滞后模型，反之选用空间误差模型。LM 检验结果见表5。

表5 模型设定检验结果

表5 显示，LM-Lag、LM-Error、Robust-LM-Lag、Robust-LM-Error 四个检验方法均在10%的显著性水平下具有统计显著性，证明存在空间相关性，可以构建空间计量模型研究煤炭资源就地转化的经济效应。LM-Lag、Robust-LM-Lag 检验的统计量值明显高于LM-Error、Robust-LM-Error 检验，表明空间滞后模型的显著性更高，即选择空间滞后模型进行空间效应分析更为合适。另外，空间杜宾模型（SDM）可以通过空间滞后模型拓展得到，因此为了找出更能反映研究问题的模型，本文同时构建了空间滞后模型（SAR）与空间杜宾模型（SDM），用于测度煤炭资源就地转化对经济发展效率的影响。

（三）模型估计

为了降低异方差和多重共线性的影响，本文对控制变量进行了对数化处理，并进行了Hauaman 检验。结果发现，空间滞后模型和空间杜宾模型的Hauaman 统计量对应的概率值分别为0.016 6 和0.027 0，均在5%的显著性水平下显著，因此需要选用固定效应模型对空间滞后模型和空间杜宾模型进行估计。两种模型的估计结果见表6。

表6 空间面板计量模型结果汇总

表6 显示，固定效应空间杜宾模型的对数似然值Log-L 为239.964 1，大于固定效应空间滞后模型的206.344 1，说明空间杜宾模型比空间滞后模型的拟合效果更好，因此本文选择固定效应空间杜宾模型来分析煤炭资源就地转化对经济发展效率的空间效应。本文构建的空间杜宾模型（SDM）为：

空间杜宾模型的估计结果显示：煤炭资源就地转化率（Po）的系数在10%的显著性水平下显著为正，表明煤炭资源就地转化率的提高会提升经济的发展效率；科技创新投入（LNTI）在5%的显著性水平下显著为正，说明科技创新投入对经济发展效率的提升具有促进作用；城镇化进程（LNUP）在1%的显著性水平下显著为正，说明加快城镇化发展进程能明显促进煤炭资源型城市的经济发展质量提升；政府干预（LNGI）虽然能够促进经济发展效率提升，但并不具有统计显著性；物质资本投资（LNPC）和经济产业结构（LNEIS）的系数分别在不同的显著性水平下显著为负。回归结果表明，提高煤炭资源就地转化率水平、加大科技创新投入力度、加快城镇化进程这一系列的经济活动都能促进地方经济发展效率提升。制造业投入对经济发展效率产生了负向影响，可能的原因在于：对于煤炭资源大省而言，其经济发展主要依靠煤炭资源的开采红利，产业结构不合理，且其将大量投资用于煤炭资源开采，造成制造业投入资金缺乏，阻碍了制造业的发展，进而造成对经济发展效率的推动力缺乏。

空间滞后系数ρ 在1%的显著性水平下显著大于0，说明该省份的经济发展可以带动周边临近省份经济发展，即一个地区的经济发展效率值不仅会受到本地区经济发展效率的影响，同时也会受到周边临近省份经济发展效率的影响。在SDM 模型中，W×Po、W×LNTI、W×LNPC、W×LNMAN、W×LNEIS、W×LNUP、W×LNEI、W×LNGI 分别表示本地区煤炭资源就地转化率与各控制变量对周边临近省份经济发展效率的影响，估计结果显示：本地区的科技创新投入水平对临近地区经济发展效率的影响系数显著为负，表明本地区经济发展的变化会对临近地区的经济发展产生竞争力，促使科技从业人员由“低”向“高”流动，从而减少另一地区的科技从业人员数量，对临近地区的经济发展产生了负向空间溢出效应；本地区物质资本投资水平对周边临近省份经济发展效率的影响系数显著为正，表明本地区的经济发展效率对周边临近地区的经济发展效率产生了竞争力，从而增加了另一地区的物质资本投资水平，导致了一种正向空间溢出效应。

那么，煤炭资源就地转化对本地区经济发展效率、周边临近地区经济发展效率的影响程度如何？进一步，煤炭资源就地转化影响经济发展效率的机制是什么？接下来，本文将对这些问题进行具体分析，从煤炭资源就地转化对经济发展效率的直接影响效应、空间溢出影响效应和影响机制三个方面入手，测度与分析煤炭资源就地转化对经济发展效率的空间效应。

（四）煤炭资源就地转化对经济发展效率影响的空间效应分解

由于存在空间溢出效应，煤炭资源就地转化及控制变量的变化不仅会影响本地区的经济发展效率，还会通过空间溢出效应影响周边地区的经济发展效率，并通过循环作用引起一系列影响程度的变化。为此，本文利用效应分解方法将煤炭资源就地转化对经济发展效率的空间效应进行分解，分析其直接效应、间接效应和总效应。直接效应表示本地区自变量变动对本地区经济发展效率的平均影响。间接效应又称为空间溢出效应，表示本地区自变量变动对周边地区经济发展效率的平均影响。总效应表示整个样本区域中本地区自变量变动对整体区域经济发展效率的平均影响。本文采用Lesage 等提出的“求偏微分法”对空间溢出效应中的直接效应、间接效应分别进行测度，结果见表7。

表7 空间杜宾模型的空间效应分解

空间效应分解结果显示，煤炭资源就地转化的直接效应和间接效应均在10%的显著性水平下显著，其中直接效应为0.083 8，说明提高本地区的煤炭资源就地转化水平能够提高当地的经济发展效率。煤炭资源就地转化水平的提高能够横向拓宽、纵向衍生出本地煤炭资源转化的各类产业链，通过持续推进煤炭产业链条发展，能够提高煤炭资源相关产业的附加值，进而提升经济效益和经济发展水平。同时，煤炭相关产业链条的发展能够推动城镇化进程加速，进而促进地区经济发展水平提升。另外，煤炭资源就地转化水平的提高能够增强煤炭产业链之间的关联度，形成煤炭资源加工集聚区，推进煤炭产业与关联产业协调发展，实现从传统煤炭产业向具有地方特色和竞争力的“非煤”现代产业体系拓展，降低生产成本，提高生产的规模效应，进而推动本地区经济高质量发展。煤炭资源就地转化水平的间接效应为0.020 2，说明煤炭资源就地转化水平的确会对周边地区的经济发展效率起到正向溢出效应，但由于系数较小，所以其发挥的促进效应有限。煤炭资源就地转化对周边省区经济发展效率的影响可能体现在：煤炭资源就地转化对本地经济发展效率的影响可能会通过“示范效应”或“模仿效应”促使临近省区通过提高煤炭自用率来提升经济发展效率。煤炭资源就地转化水平的间接效应系数远小于直接效应系数，表明煤炭资源就地转化水平的提高对本地区经济发展效率的正向影响远大于对周边省区的影响，这种现象符合现实。总体来说，在影响经济发展效率的模型中加入物质资本投资、制造业投入、第三产业投资、城镇化进程、教育投入、政府干预等控制变量的情况下，煤炭资源就地转化会对本地区及周边临近省区的经济发展效率都起到了正向效应，即提高煤炭资源就地转化率可以实现同时提高本地区及周边临近省区经济发展效率的目的。这种结果启示我们，对于煤炭资源型大省而言，要想充分通过提高煤炭资源就地转化率水平来提升经济发展效率，就要在煤炭资源相关产业链的发展过程中加强与临近煤炭资源省份的往来，互相借鉴有益举措，切实有效提升煤炭资源就地转化率，进而达到促进双方经济发展效率共同提升的目的。

科技创新投入的直接效应在5%的显著性水平下显著为正（0.083 5），说明加大科技创新投入能够提高本地区的经济发展效率。原因主要在于，加大科技创新投入可以促使企业大力进行科技创新，而科技创新可以提高技术水平和促进技术升级，这是经济获得长期可持续发展的关键，因此科技创新投入的提高能够促进整个经济系统良性发展。科技创新投入的间接效应为负，但不具有统计显著性，说明科技创新投入对周边省区的经济发展效率存在负向空间溢出效应，但这种空间溢出效应的作用不明显。

物质资本投资的直接效应和间接效应分别在1%和10%的显著性水平下显著，其中直接效应为负，表明增加物质资本投资对本地区经济发展效率起到了抑制作用。可能的解释是，物质资本投资回报具有时间效应，物质资本投资对经济发展的正向效应不会立马作用于当下，而是需要一段时间才能真正发挥其正向效应，另外，加大物质资本投资会降低其他投资水平，不利于当期经济发展，因此，本地区物质资本当年投入对当年经济发展效率会产生负向影响。物质资本投资的间接效应为正，表明增加本地区的物质资本投资能够促进周边地区经济发展效率提升。

城镇化进程的直接效应在5%的显著性水平下显著为正，表明加快城镇化进程可以实现提高本地区经济发展效率的目的。原因在于，城镇化进程的加快反映了城镇人口数量的增加，这在促进城市消费的同时也促进了人才引进，进而拉动了经济增长。城镇化进程的空间溢出效应为负，但不具有统计显著性，这归因于城镇化进程主要在省内实现，使得劳动力转移基本在省内实现，实现跨省转移的机会相对较小，所以本地区城镇化进程的加快并不会对周边省区的经济发展带来显著影响。直接效应和空间溢出效应的综合作用使得城镇化进程的总效应在1%的显著性水平下显著为正（0.347 7），表明城镇化进程会对样本省份的整体经济发展效率产生积极作用。城镇化进程的间接效应不显著，但总效应显著，原因主要在于城镇化进程加快的直接效应比较显著。

五、煤炭资源就地转化影响经济发展效率的传导机制

提高煤炭资源就地转化率会促进17 个样本省份当地及周边地区的经济发展效率提升，那么煤炭资源就地转化对经济发展效率的传导机制如何？

（一）传导机制模型构建

邵帅、杨莉莉（2014）[17]等学者的研究表明，各种传导机制其实可以通过与其相对应的代表性变量与主要研究变量之间的关系体现出来。本文借鉴该研究思路，将煤炭资源就地转化水平以及影响经济发展效率的七个控制变量作为研究对象，研究煤炭资源就地转化水平在提升经济发展效率的过程中七个潜在传导机制变量的传导作用。借助第四部分的空间效应，仍构建空间滞后模型、空间误差模型和空间杜宾模型进行传导机制分析。

在各传导机制分析中，根据空间计量模型的检验方法和选择依据，对各潜在传导机制空间面板计量模型进行选择，采用的模型形式和各回归结果见表8。

表8 传导机制分析结果

（续表8）

（二）传导机制结果与分析

根据空间计量模型回归结果，煤炭资源就地转化对物质资本投资、科技创新投入和城镇化进程三个潜在传导机制变量具有显著提升作用，对政府干预程度起抑制作用，对制造业投入、教育投入和经济产业结构不具有显著影响，可见物质资本投资、城镇化进程、科技创新投入和政府干预程度这四个影响因素在煤炭资源就地转化影响经济发展效率的过程中起到了重要传导作用。为了更直观分析各潜在传导因素的影响程度，本文测度了各传导变量的绝对影响程度和相对影响程度，结果见表9。

表9 传导变量影响程度的测度结果

在表9 中，系数值ρ 为四个传导变量传导过程的相应回归系数（见表8），β 为SDM 模型中对应控制变量对经济发展效率的影响系数（见表6），ρ×β 为煤炭资源就地转化水平通过四个传导变量对经济发展效率的绝对影响程度，相对影响程度为各传导变量在总体传导机制中所占的比重。

煤炭资源就地转化通过显著增加物质资本投资阻碍了经济发展效率提升，其绝对影响程度为-0.011 1，在总传导途径中该影响占23.076%。煤炭资源就地转化与物质资本投资之间存在显著正相关关系，而物质资本投资与经济发展效率之间存在显著负相关关系，主要原因在于，物质资本投资的主要用途为经济基础建设，短时间内其对经济发展效率的促进作用未能显现。

煤炭资源就地转化通过显著加大科技创新投入提升了经济发展效率，其绝对影响程度为0.002 2，在总传导途径中该影响占4.574%。在煤炭资源就地转化水平提升中衍生出相应产品的过程中需要大量的科技创新投入，以保证煤炭资源就地转化率提升，从而强化了对新技术的需求和创新动力，促进了科技创新。

煤炭资源就地转化通过显著加速城镇化进程促进了经济发展效率提升，其绝对影响程度为0.034 5，在总传导途径中该影响占71.726%，这与实际情况较符。一方面，煤炭资源的红利导致更多的劳动力转向了自然资源产业；另一方面，煤炭资源型地区提高煤炭资源就地转化水平必定会延伸煤炭资源产业链，而产业链的延伸会吸纳更多劳动力，会加快城镇化进程，从而提升经济发展效率。

煤炭资源就地转化通过显著抑制政府干预程度促进了经济发展效率提升，其绝对影响程度为-0.000 3，在总传导途径中该影响占0.624%。造成这种结果的原因在于，提高煤炭资源就地转化水平会降低政府干预程度，而政府干预程度对经济发展效率的影响不具有统计显著性。

煤炭资源就地转化对经济产业结构、制造业投入和教育投入的影响不具有统计显著性，说明样本省份的这三项因素在煤炭资源就地转化水平影响经济发展效率的过程中没有起到明显作用。

六、结论与建议

（一）研究结论

本文从空间经济视角就煤炭资源就地转化对经济发展效率的影响及其机制进行了分析，研究发现，所选17 个资源型样本省份的煤炭资源就地转化确实存在一定的空间依赖性。本文先采用空间杜宾模型分析了煤炭资源就地转化对经济发展效率的影响，进一步从直接效用、间接效用、总效用三个角度测度了煤炭资源就地转化对经济发展效率的空间影响，最后分析了煤炭资源就地转化影响经济发展效率过程中的各传导机制。通过研究，本文最终得到四个结论。

1.煤炭资源就地转化率的空间相关性。从全局相关性分析可知，整体来看17 个样本省份存在着一定的正向空间相关性。从局部相关性分析可知，大部分省区形成了“高-高”“低-低”集聚现象。无论是从全局还是局部上看，17 个样本省份都存在着一定的空间相关性，煤炭资源就地转化在地理空间上呈现出了一定的集聚现象。

2. 煤炭资源就地转化率对经济发展效率的直接效应。煤炭资源就地转化率、科技创新投入、城镇化进程促进了经济发展效率提升，物质资本投资和经济产业结构对本地区经济发展效率产生了抑制作用，其他控制变量对当地经济发展效率的影响不显著。

3.煤炭资源就地转化率对经济发展效率的间接效应。煤炭资源就地转化、物质资本投资对周边地区经济发展效率存在显著空间溢出效应。其中，煤炭资源就地转化存在正向空间溢出效应，即提高煤炭资源就地转化水平可以提高当地及周边省区的经济发展效率。科技创新投入对周边省区的经济发展效率产生了负向空间溢出效应，但整体显著性不高。

4.煤炭资源就地转化影响经济发展效率的传导途径。煤炭资源就地转化通过拉动物质资本投资阻碍了经济发展效率提升，通过加快城镇化进程、提高科技创新投入、降低政府干预程度提升了经济发展效率。

（二）对策建议

对于资源型省份而言，在具体实施煤炭资源利用政策时要注意：重视煤炭资源就地转化水平的推进和煤炭资源的充分利用，着眼于如何提高煤炭资源的附加值，借助区域煤炭资源优点持续拓宽区域产业链；引导社会创新资源，加大科技创新投入，大力开展煤炭能源利用技术革新，全方位提高煤炭采掘、运送、转换利用等行业的技术自主创新能力，努力转换煤炭资源优势为煤炭技术优势；充分利用当前我国激励煤炭资源型区域转型升级的有益机会，探寻创建区域煤炭金融体制，完成传统式煤炭产业发展规划的金融业化，利用当代金融衍生工具防范风险，提升操控主导权，进而提升附加值。

在利用煤炭资源就地转化来提升经济发展效率时，各省份应当充分认识煤炭资源就地转化的空间溢出效应，不仅要关注本省域内的煤炭资源就地转化政策，还要了解周边省域在煤炭资源利用方面的政策及其影响因素，要加强各省域、部门之间的合作。进一步，要将煤炭资源就地转化从各省份独立运作转变为各省域之间相互协作，促使各省份发挥各自优势，实现各省份经济共同发展。

注释：

①限于篇幅，本文没有报告其他年份的Moran’s I 散点图，留存备索。