【《物流业与制造业产业关联对空间协同集聚影响的实证分析》8500字】

物流业与制造业产业关联对空间协同集聚影响的实证分析目录TOC\o"1-3"\h\u14127物流业与制造业产业关联对空间协同集聚影响的实证分析 1170211.1物流业与制造业产业关联与空间协同集聚的相关性分析 1215231.1.1物流业与制造业整体产业关联与空间协同集聚的相关性 172911.1.2物流业与不同类型制造业产业关联与空间协同集聚相关性分析 4175911.2物流业与制造业产业关联对产业协同集聚的影响分析 573841.2.1变量选取、数据来源及处理 5251891.2.2探索性空间数据分析 798871.2.3空间计量模型介绍 10243851.2.4模型选择与结果分析 111.1物流业与制造业产业关联与空间协同集聚的相关性分析根据第四章计算的物流业与制造业前/后向关联系数及第五章计算的物流业与制造业协同集聚指数，对2012年与2017年物流业与制造业前/后向关联和空间协同集聚的关系进行相关性分析。由于前/后向完全关联比前/后向直接关联更全面、深入地反映了产业间的内在联系，因此，本文重点研究前/后向完全关联与产业空间协同集聚的关系。1.1.1物流业与制造业整体产业关联与空间协同集聚的相关性为了具体考量各地区物流业与制造业空间协同集聚与产业关联的相关性，本文对产业关联水平和空间协同集聚指数进行无量纲处理，将产业关联度与空间协同集聚指数纳入统一指标体系中，然后借鉴江曼琦的研究思路，以2012年与2017年两业空间协同集聚指数为纵坐标，两业关联水平为横坐标，建立产业－空间四象限分布图进行进一步分析，具体如图6-1与图6-2所示。图中四个象限表示物流业与制造业产业关联与空间协同集聚关系的四种类型：HH（高高），即物流业与制造业产业关联水平高，两业空间协同集聚水平也高；LH（低高），即物流业与制造业产业关联水平低，两业空间协同集聚水平高；LL（低低），即物流业与制造业产业关联水平低，两业空间协同集聚水平也低；HL（高低），即物流业与制造业产业关联水平高，两业空间协同集聚水平低。从图6-1（a）与图6-2（a）看，2012年位于HH象限的有6个省级区域，而2017年位于HH象限的省级区域虽然增加到7个，但如北京、广东等省级区域在2017年却不在HH象限，这是由于北京与广东省由于物流运输成本降低、制造企业位置迁移等原因，造成区域物流业与制造业的后向关联水平及协同集聚水平均有所下降；而如安徽、福建及河南等省级区域，2012年并不在HH象限，到2017年上述三地区却位于HH象限，这是由于安徽、福建及河南等省级区域随着物流业与制造业后向关联水平上升，促使两业在空间上共同集聚。虽然2012年与2017年位于LL象限的省级区域均有12个，但是如河北、浙江等省级区域的制造企业为了疏解沿海城市的压力进行位置迁移，导致区域间物流业与制造业产业间后向联系水平降低，进而促使两业在空间上的协同集聚水平降低；而贵州、云南、西藏、甘肃及宁夏等省级区域是由于区域内交通运输不便、物流基础设施尚不完备等原因，导致物流业与制造业产业间的后向联系处于较低水平，进而导致两业在空间上的协同集聚水平均处于较低水平。此外，从图6-1（a）与6-2（a）中还可以看出，2012与2017年均有7个省级区域位于LH象限，表明虽然这些区域物流业对制造业的拉动作用偏弱，但两业在空间布局上较临近；2012年有5个省级区域位于HL象限，到2017年位于HL象限的省级区域减至4个，表明这些区域物流业对制造业的拉动作用较强，但两业在空间布局上较分散。从图6-1（b）与图6-2（b）可以看出，2012年有7个省级区域位于HH象限，到2017年位于HH象限的省级区域增至8个，表明随着时间的推移上述地区物流业与制造业前向联系对产业空间集聚的影响明显。2012年位于LL象限的省级区域有12个，而到2017年位于LL象限的省级区域缩减为10个，表明随着我国经济的迅速崛起及物流基础设施的建设，我国物流业与制造业产业空间协同集聚水平受运输条件限制影响的省级区域越来越少了。此外，从图6-1（b）与图6-2（b）还可以看出，2012与2017年位于LH象限的省级区域均为7个，而位于HL象限的省级区域均为6个，表明这些省级区域物流业与制造业的前向联系对产业空间协同集聚的影响并不显著，换言之，这些省级区域物流业与制造业在空间上协同集聚的原因并不全是因为两业之间的前向联系。图6-1（a）2012年物流业与制造业后向完全关联水平与空间协同集聚关系分析图6-1（b）2012年物流业与制造业前向完全关联水平与协同集聚关系分析图6-2（a）2017年物流业与制造业后向完全关联水平与协同集聚关系分析图6-2（b）2017年物流业与制造业前向完全关联水平与空间协同集聚关系分析1.1.2物流业与不同类型制造业产业关联与空间协同集聚相关性分析利用spss22.0软件对物流业与制造业整体及不同类型制造业前、后向关联与空间协同集聚水平进行相关性分析，具体结果见表6-1。从表6-1第3列－第4列的相关系数可以看出，2012与2017年物流业与制造业整体后/前向关联水平与产业空间协同集聚均呈现显著的正相关关系，但后向关联显著性呈减弱趋势，前向关联显著性呈增强趋势。从表6-1第5列－第6列的相关系数可以看出，物流业与劳动密集型制造业的前向完全关联与两业空间协同集聚水平存在显著的正相关关系，与2012年相比，2017年物流业与劳动密集型制造业的后向完全关联与两业空间协同集聚水平呈现显著的正相关关系；从表6-1第7列－第8列可以看出物流业与资本密集型制造业的前/后向关联水平与产业空间协同集聚存在正相关关系，但并不显著；从表6-1第9列－第10列可以看出，无论是物流业与技术密集型制造业的后向完全关联还是前向完全关联，均与两业空间协同集聚水平存在显著的正相关关系，尤其是前向完全关联表现更为显著。表6-12012与2017年物流业与三类制造业产业关联与空间协同集聚相关性分析相关性分析物流业与制造业产业关联物流业与劳动密集型制造业关联物流业与资本密集型制造业关联物流业与技术密集型制造业关联后向前向后向前向后向前向后向前向物流业与制造业整体产业协同集聚20120.62***0.39**20170.38**0.504***物流业与劳动密集型制造业协同集聚20120.2660.644***20170.606***0.605***物流业与资本密集型制造业协同集聚20120.2900.12820170.1810.291物流业与技术密集型制造业协同集聚20120.482**0.642***20170.369**0.624******p<0.01，**0.01<p<0.05，*0.05<p<0.11.2物流业与制造业产业关联对产业协同集聚的影响分析1.2.1变量选取、数据来源及处理本文依据前述的理论分析，并参考相关学者研究思路，最终确定物流业与制造业产业协同集聚度为被解释变量；物流业与制造业的前向关联、物流业与制造业后向关联、劳动力共享程度、知识溢出作为核心解释变量；政府规模、市场规模及信息化水平为控制变量，具体解释见表6-2所示。变量选取及说明被解释变量：本文选取我国31个省（直辖市、自治区）物流业与制造业产业协同集聚指数（Y）作为被解释变量。产业间的协同集聚指数采用陈建军构建的Θ指数，具体计算见第五章。核心解释变量：基于马歇尔“外部经济理论”三要素，并借鉴未江涛（2018）、王岩（2017）及冯剑（2018）[[] 王岩.产业集聚对区域经济增长的影响研究[D].首都经济贸易大学,2017.]等学者的研究，选取产业间的关联程度、区域劳动力共享、知识溢出等变量作为核心自变量。由于本文重点是归纳出产业前后向关联对产业空间协同集聚的影响，因此本文借鉴刘水杏（2011）[[] 王岩.产业集聚对区域经济增长的影响研究[D].首都经济贸易大学,2017.[] 刘水杏.我国房地产业与金融保险业产业关联度的地区比较[J].国际商务(对外经济贸易大学学报),2011(03):67-70.区域劳动力共享（Ls）：本文参考张文武（2011）的研究[[] [] 张文武.劳动力流动与产业空间结构[D].南京大学,2011.知识溢出（Ks）：关于知识溢出（Ks）指标本文参考陈跃刚（2020）[[134][134] 陈跃刚,张弛.知识溢出对长江经济带电子信息产业集聚的影响研究[J].贵州社会科学,2020(02):136-145.控制变量：文章参考众多关于产业空间协同集聚影响的研究[143~145][] 陈肇良.广东省生产性服务业与制造业的协同集聚发展研究[D].华南理工大学,2019.[][] 陈肇良.广东省生产性服务业与制造业的协同集聚发展研究[D].华南理工大学,2019.[] 伍先福.生产性服务业与制造业协同集聚对全要素生产率的影响[D].广西大学,2017.[] 李宁.京津冀生产性服务业与制造业协同发展研究[D].河北工业大学,2017.其中：政府规模（Gs）：参考李健（2020）[[138][138] 李健,冯会迎.高技术制造业与高技术服务业协同集聚的经济增长效应[J].科技进步与对策,2020,37(17):54-62.市场规模（Marks）：参考未江涛（2018）的相关研究，并结合本文最终选用“地方生产总值”指标衡量各地区市场规模程度。信息化水平（inf）：是参考吉亚辉（2014）[[] [] 吉亚辉,甘丽娟.中国城市生产性服务业与制造业协同集聚的测度及影响因素[J].中国科技论坛,2015(12):64-68+100.表6-2相关变量数据汇总及含义变量名称变量类型符号含义协同集聚指数被解释变量Y物流业与制造业协同集聚指数前向关联解释变量For物流业与制造业前向关联后向关联解释变量Back物流业与制造业后向关联劳动力共享解释变量Ls每万人中在校大学生人数知识溢出解释变量Ks规模以上工业R&D经费占GDP的比重政府规模控制变量Gs地方财政支出占GDP的比重市场规模控制变量Ms地方生产总值信息化程度控制变量Inf区域邮电业务总量占地区生产总值的比重数据来源及处理本文以2017年的相关数据为研究对象，相关数据来自全国31个省级区域《投入产出表》、《各省统计年鉴》、《中国统计年鉴》、《中国人口与就业统计年鉴》以及《中国区域经济统计年鉴》等。为了保证分析结果的真实性、可靠性，以1978年为基期，对生产总值等货币性指标平减处理，此外，对各变量指标进行取对数处理，使各变量更加平稳。1.2.2探索性空间数据分析通过探索性空间数据分析来判断我国物流业与制造业协同集聚是否存在空间相关性特征，进而决定是否需要构建空间计量模型进行分析。探索性空间数据分析主要包括两种方法：一是全局自相关分析；二是局部自相关分析。全局空间自相关主要是分析数据在整个空间系统内的分布特征，描述其在空间上的平均相互关联程度。局部空间自相关则是进一步解释数据在局部空间位置的分布及相互关联程度。空间权重矩阵的设定在空间回归分析中，如何在模型中表达地理空间的相互影响，将现实中的空间交互关系转化为数据结构以定义空间对象地相互邻接关系，需要借助空间权重矩阵。一般衡量空间地理联系的方法有邻近指标和距离指标两种，所以空间权重矩阵主要有基于邻近的空间权重矩阵和基于距离的空间权重矩阵。基于距离的空间权重矩阵中的距离既可以是实际的空间距离，也可以是虚拟的经济距离。本文采用两种方式构建空间权重矩阵：二进制邻接空间权重矩阵与地理距离权重矩阵。二进制“Queen”邻接权重矩阵，相邻指的是区域i和区域j有共同的顶点或者共同的边。当两个空间单元（i和j）在地理上相邻时，该矩阵中元素wij=1；否则，wij=0。二进制邻接空间权重矩阵设置公式如下。（6-1）而地理权重矩阵是指区域i与区域j不相同时，该矩阵中元素w=1/dij；而当区域i与区域j相同时，地理距离空间权重矩阵设置如下：（6-2）式中：dij表示两个区域地理中心位置间距离平方的倒数。全局空间自相关分析本文通过空间自相关指数Moran’sI探索物流业与制造业协同集聚的空间相关性，Moran’sI公式如下：（6-3）（6-4）其中，n是研究对象地区总数，Yi和Yj分别是省级区域i、j的观测值。Moran’sI指数的取值范围是[-1，1]，当Moran’sI指数大于0时，代表物流业与制造业协同集聚存在空间正相关关系，即两业协同集聚水平相似的省级区域集聚在一起；当Moran’sI指数小于0时，表示物流业与制造业协同集聚存在空间负相关关系，即两业协同集聚水平相异的省级区域集聚在一起；当莫兰指数为0时，表示物流业与制造业协同集聚不存在空间相关关系。为保证研究结果的稳健性，本文采用上述两种方式构建空间权重矩阵，以我国31个省级区域为样本，运用软件GeoDa1.12计算2008~2018年物流业与制造业协同集聚指数的莫兰指数，如下表6-3所示。表6-3物流业与制造业协同集聚指数的Moran’sI指数年份地理距离权重Queen权重Moran’sIZ值Moran’sIZ值20080.33077***4.38480.27879***2.799420090.31608***4.23540.24414***2.487320100.29149***3.94400.24501***2.483620110.28141***2.85100.24923***2.581520120.27961***3.88130.24119***2.488820130.21170***3.10790.14082*1.550620140.23349***3.36670.17686**1.892020150.24415***3.48560.17676**1.886520160.24041***3.47420.17348**1.870120170.22095***3.21520.15668**1.733320180.17238**2.64300.13946*1.5650注：*表示0.1显著性水平下显著，**表示0.05显著性水平下显著，***表示0.01显著性水平下显著。根据表6-3可知，2008~2018年间，我国31个省（直辖市、自治区）物流业与制造业协同集聚Moran’sI指数均为正值，且均通过了显著性检验。因此不管是运用Queen权重矩阵还是地理距离权重矩阵，我国物流业与制造业均存在显著的空间正相关关系，说明我国物流业与制造业协同集聚具有空间相关性，存在明显的区域关联性。局部空间自相关分析为了进一步检验我国局部地区间物流业与制造业协同集聚的空间相关性，本文选用地理距离权重做局部Moran’sI指数散点图，以此衡量某一区域与周边相邻区域间的空间关联性，进一步检验我国局部地区间物流业与制造业协同集聚的空间相关性。具体见下图6-3所示。散点图的横轴代表某一地区物流业与制造业协同集聚水平，纵坐标代表周边地区协同集聚水平。第一象限是物流业与制造业协同集聚高高集聚区（HH），第二象限是物流业与制造业协同集聚低高集聚区（LH），第三象限是物流业与制造业协同集聚低低集聚区（LL），第四现象是物流业与制造业协同集聚高低集聚区（HL）。由图6-3可以清晰地看出，不同年份我国物流业与制造业协同集聚地呈现高－高和低－低集聚的现象，且有明显的区域差异化，大多数散点均落在第一、三象限，表明各省级区域物流业与制造业协同集聚存在正的空间相关性。从图6-3可以看到，2008年有13个省级区域处于第一象限高高集聚（HH）区域；有7个省级区域处于第三象限低低（LL）集聚区；而到2018年处于第三象限低低（LL）集聚区的省级区域缩减至5个，处于第一象限高高集聚（HH）的省级区域为13个。表明第三象限的一些省级区域经过十一年的发展，已经由第三象限转移到第二象限。总体来看，我国物流业与制造业协同集聚水平处于高高（HH）集聚区主要集中在沿海一带，尤其是山东、江苏、上海、浙江及福建等省级区域；低低（LL）集聚区主要集中在西北地区，如西藏、新疆及青海等区域。图6-3物流业与制造业协同集聚Moran’sI散点图因此从表6-3和图6-3可以清楚地看出，不论是全局自相关分析，还是局部自相关分析，我国物流业与制造业协同集聚均存在显著的空间正相关关系，说明我国物流业与制造业协同集聚具有空间相关性，存在明显的区域关联性。1.2.3空间计量模型介绍通过上文的空间自相关分析，得知我国物流业与制造业的协同集聚存在空间正相关，用OLS模型进行估计会产生一定的偏差，因此要构建空间计量模型进行实证分析。而常见的空间计量模型主要有空间滞后模型（SLM）、空间误差模型（SEM）以及空间杜宾模型（SDM）。空间滞后模型（SLM）：根据时间序列自回归模型，空间滞后模型也被叫做空间自回归模型（SAR）。空间滞后模型研究一个区域的经济行为受到邻近区域经济行为溢出影响的情形，探讨的是该经济活动在特定的地区或者区域中是否出现扩散现象，基本结构如下：（6-5）式中：Y为阶因变量向量；W为阶的空间权重矩阵；X为阶解释变量向量；是模型空间自回归系数，表示要素间的空间依赖程度；为随机扰动项；参数反映了自变量对因变量的影响。空间误差模型（SEM）：根据时间序列误差自相关，空间误差模型也被叫做空间自相关模型（SAC）。空间误差模型用于研究经济行为之间的相互作用因为其所处的相对位置不同而存在差异的情形，基本结构如下：（6-6）其中：Y为阶因变量向量；X为阶解释变量向量；参数为阶空间误差系数，反映区域因素之间的空间依赖作用；参数反映了自变量对因变量的影响。为服从正态分布的随机误差向量；是随机误差项。空间杜宾模型（SDM）：空间杜宾模型是在空间滞后模型和空间误差模型的基础上构建的，将两种模型设定形式进行一般化，同时考察解释变量和被解释变量的空间滞后项对于被解释变量的空间交互影响。基本结构如下：（6-7）其中，WX表示来自邻近自变量的影响，为相应的系数向量。是与相邻地区y的空间自相关。Y是的因变量矩阵，X是的解释变量矩阵。是空间滞后因变量Wy的系数，反映是否存在空间相关性，W是空间权重矩阵，反映了解释变量对因变量y所产生的影响。6.2.4模型选择与结果分析物流业与制造业整体前后向关联对产业空间协同集聚的影响以2017年数据为例，并结合本文选用地理距离矩阵，运用GeoDa1.12软件，分析我国物流业与制造业整体前、后向关联对产业空间协同集聚的影响，结果如下表6-4所示。表6-4全国31个省级区域物流业与制造业整体数据回归表变量SLMSEMSDMW-y（rho）0.0253（0.1581）0.8881***（4.1660）LAMBDA-0.7235*（-2.5688）LnFor0.1374（1.3157）0.1193（1.1865）0.2218**（2.0566）LnBack0.1281（1.0153）0.0934（0.8142）0.2382*（1.8254）LnLs-0.0781（-0.8541）-0.0677（-0.8141）-0.0085（-0.0895）LnKs0.4465***（3.5348）0.417***（3.6027）0.3719***（3.2284）LnGs-0.1129（-0.3827）-0.2675（-1.0288）-0.4215（-1.1582）LnMs-0.1104（-0.7325）-0.1543（-1.0413）-0.3376（-1.5993）LnInf-0.0621（-0.3608）-0.0567（-0.3856）-0.195（-1.1457）WLnFor0.6336（0.9953）WLnBack0.2789（0.3767）WLnLs0.7182（1.1454）WLnKs-0.4583（-1.0776）WLnGs-3.6931**（-2.3983）WLnMs-1.9695*（-1.7186）表6-4（续）全国31个省级区域物流业与制造业整体数据回归表变量SLMSEMSDMWLnInf-0.9392（-0.7615）R-squaredLoglikelihood0.724-0.53150.76721.12350.83546.2475AIC19.063113.75319.505SC31.96925.224942.4488注：该表仅报告了解释变量的空间交互系数；括号中的数值表示z值。*表示0.1显著性水平下显著，**表示0.05显著性水平下显，,***表示0.01显著性水平下显著。通过对空间滞后模型（SLM）、空间误差模型（SEM）及空间杜宾模型（SDM）三种空间计量模型进行对比分析，发现空间杜宾模型（SDM）的拟合效果最好，且空间杜宾模型对数似然值最大，因此本文选用空间杜宾模型进行分析，结果见上表6-4第4列。从表中可以发现：lnfor与Wlnfor、lnback与Wlnback的系数均为正，且lnfor与lnback分布通过了5%与10%的显著性检验。表明物流业与制造业的前向关联和后向关联显著促进本地区的物流业与制造业协同集聚的同时，还对周边地区物流业与制造业协同集聚产生了正向影响。lnks的系数均为正，且lnks通过了1%的显著性检验，表明知识溢出水平显著地促进本地物流业与制造业协同集聚水平，而Wlnks的系数为负值，表明知识溢出水平不能促进周边地区的协同集聚。lnls的系数为负值，而Wlnls的系数却为正值，表明劳动力共享不能促进本地区物流业与制造业的协同集聚，但对周边地区两业的协同集聚具有正向影响。lngs与Wlngs、lnms与Wlnms及lninf与Wlninf的系数均为负值，并且WLnGs与WLnMs分别通过了5%与1%的显著性检验，表明政府规模、市场规模以及信息化程度等均在一定条件下抑制地区物流业与制造业的协同集聚，尤其是市场规模以及信息化程影响更为显著。物流业与不同类型制造业前后向关联对产业空间协同集聚的影响以2017年数据为例，分析物流业与不同类型制造业的前后向关联对产业空间协同集聚的影响，结果如表6-5所示。从表6-5可以看出，空间杜宾模型（SDM）的拟合效果最好，且空间杜宾模型对数似然值最大，因此本文选用空间杜宾模型进行阐述。从表中可以发现：物流业与劳动密集型的前向关联对产业协同集聚的影响为正，且通过1%的显著性检验；表明物流业与劳动密集型制造业的前向关联对区域两业协同集聚水平提升有显著的促进作用；而加入地理权重矩阵的物流业与劳动密集型制造业的前向关联系数仍然为正值，表明物流业与劳动密集型制造业的前向关联也能够促进周边地区物流业与劳动密集型制造业的协同集聚。lnback的系数为正，而Wlnback的系数为负值，表明物流业与制造业后向关联仅可以促进本地区物流业与制造业的协同集聚，而无法促进周边地区物流业与制造业的协同集聚。此外从下表还可以看出，劳动力共享、政府规模及市场规模，在一定程度上均会抑制物流业与劳动密集型制造业在同一地区的协同集聚，而知识溢出与信息化水平，在一定程度上会促进物流业与劳动密集型制造业在同一地区上的协同集聚。物流业与资本密集型制造业前后向关联对产业空间协同集聚的影响。lnfor、Wlnfor、lnback及Wlnback的系数均为正值，表明物流业与劳动密集型制造业的前后向关联不仅能够促进区域内物流业与资本密集型制造业的协同集聚，还能促进周边地区物流业与资本密集型制造业的协同集聚；且区域劳动力共享与知识溢出，在一定程度上均会促进物流业与资本密集型制造业在同一空间上的协同集聚，而政府规模、市场规模及信息化水平，在一定程度上均会抑制物流业与资本密集型制造业在同一空间上的协同集聚。物流业与技术密集型制造业前后向关联对空间协同集聚的影响。lnfor与Wlnfor的系数均为正，表明物流业与技术密集型制造业前向关联水平不仅能促进区域物流业与技术密集型制造业的协同集聚还可以促进周边地区物流业与技术密集型制造业的协同集聚；而lnback与Wlnback的系数均为负值，表明物流业与技术密集型制造业的后向关联水平不能促进区域或周边物流业与技术密集型制造业的协同集聚，且劳动力共享与信息化水平，在一定程度上均会抑制物流业与技术密集型制造业在同一空间上的协同集聚，而知识溢出、政府规模及市场规模，在一定程度上均会促进物流业与技术密集型制造业在同一空间上协同集聚。表6-5全国31个省级区域物流业与不同类型制造业整体数据回归表变量物流业与劳动密集型制造业物流业与资本密集型制造业物流业与技术密集型制造业SLMSEMSDMSLMSEMSDMSLMSEMSDMW-y(rho)0.1133(0.5113)0.696**(2.5090)0.0862(0.4059)0.99***(6.3270)0.0590(0.3200)0.97***(5.5600)LAMBDA-0.72**(2.5700)-0.1318(-0.378)-0.8***(-3.360)LnFor0.25***（3.51）0.26***（3.94）0.33***（4.60）0.0582（0.45）0.0514（0.40）0.0389（0.31）0.26***（2.78）0.2403（2.71）0.277**（2.51）LnBack0.1732*（1.87）0.1482*（1.79）0.2186（1.58）0.0835（0.47）0.0371（0.22）0.2946*（1.74）0.0028（0.03）-0.0227（-0.2）-0.0297(-0.29)LnLs-0.0344(-0.34)-0.0511(-0.57)-0.0786(-0.74)0.0526(0.38)0.0291(0.21)0.161(1.32)-0.185*(-1.66)-0.13(-1.34)-0.177(-1.54)表6-5（续）全国31个省级区域物流业与不同类型制造业整体数据回归表变量物流业与劳动密集型