孙斌栋 (1970-),男,博士,华东师范大学中国现代城市研究中心,城市与区域科学学院、未来城市实验室、崇明生态研究院教授,博士生导师。
郭 睿 (1995-),女,华东师范大学中国现代城市研究中心,城市与区域科学学院、未来城市实验室、崇明生态研究院硕士研究生。
陈 玉 (1995-),男,华东师范大学中国现代城市研究中心,城市与区域科学学院、未来城市实验室、崇明生态研究院硕士研究生。
精彩导读
【摘要】城市群已经成为我国新型城镇化深入推进的主要空间支撑形态,厘清哪种空间结构更有利于提高城市群的经济绩效,有助于为“十四五”乃至更长时期的城市群空间规划提供决策依据。本文基于陆地扫描全球人口数据库和欧洲航天局全球土地利用数据识别城市实体,并从单中心-多中心视角测度城市群空间结构,运用固定效应模型和工具变量法检验城市群空间结构对劳均GDP和劳均GDP增长率的影响。结果显示,多中心的空间结构更有助于促进城市群经济绩效的提高。未来空间规划应在发挥首位城市辐射带动作用的基础上,促进经济要素在城市群中整体均衡分布,形成各城市协调发展、合理有序的空间结构体系。
ABSTRACT: City clusters have become the main spatial support for further promotion of China's new urbanization. Clarifying which spatial structure is more conducive to improve the economic performance is helpful for providing decision-making basis for spatial planning of city clusters, particularly during the 14th Five-Year Plan period. Based on the global population database of Landscan and the global land use data from ESA, this paper identifies urban entities and measures the spatial structure of city clusters from a monocentric-polycentric perspective. The fixed-effect model and instrumental variable method are used to test the effect of spatial structure on GDP per labor force and growth rate of GDP per labor force. The results show that polycentric spatial structure is associated with better economic performance of city clusters. Based on enhancing the radiation and driving role of the primate city, the spatial planning of city clusters should promote the overall balanced distribution of economic factors, aiming at a coordinated, rational, and orderly spatial structure system.
KEYWORDS: spatial structure; economic performance; city cluster; polycentricity; spatial planning
引言
2.1 研究对象和数据来源
本文选择宁越敏基于常住人口数据界定的13个城市群作为研究的空间单元,其界定过程较为客观[19]。这13个城市群包括长三角、珠三角、京津唐、武汉、长株潭、成渝、哈大齐、长吉、辽中南、山东半岛、中原、闽东南和关中。
2.2 空间结构测度
本文借鉴已有文献的做法[20],使用规模位次法来衡量城市群的空间结构,计算公式如下:
式中,P为城市群人口数量,R为城市群内各城市人口在城市群范围内所居的位次,β绝对值的大小代表了城市群空间结构的单中心-多中心程度,绝对值越大,城市群空间结构趋向于单中心分布,反之,城市群空间结构则趋向于多中心分布,α为常数。为了降低可能存在的测量偏差,借鉴加贝克斯(Gabaix)等的做法,在具体计算时将位次减去最优位移量1/2[21]。
为了规避以往研究使用户籍人口和行政边界来计算空间结构时可能产生的误差,本文依据全球人口数据Landscan和欧洲航天局的全球土地利用数据重新界定了城市实体,在此基础上衡量空间结构的单中心-多中心程度。Landscan人口数据和欧洲航天局用地数据均为栅格数据,前者分辨率为1km×1km,后者分辨率为300m×300m。具体界定方法为:(1)根据已有的跨国研究[22],将城市实体的规模门槛值设为10000,即超过10000人的人口聚居地可被定义为一个城市实体;(2)利用ArcGIS软件,从用地数据中提取出中国城市群不透水面,将Landscan数据与不透水面进行匹配,识别出有人口居住的所有不透水面,再将识别出的相邻不透水面合并成一个人口聚居地;(3)将人口大于10000的人口聚居地提取出来构成本研究的城市样本。
2.3 模型设定
由于Landscan的数据跨度为2000—2015年,因此本文的主要模型即为使用2000—2015年数据的面板回归模型。为了全面认识城市群经济绩效和空间结构之间的关系,本文在表征经济绩效时,同时使用了劳均GDP和劳均GDP增长率作为本研究的因变量。
2.3.1 以劳均GDP为因变量的回归模型
借鉴梅杰斯(Meijers)等对美国都市区空间结构和经济绩效关系的研究[8],在柯布-道格拉斯生产函数基础上构建以劳均GDP为因变量的回归模型,公式如下:
式中,GDP为被解释变量劳均GDP,S为空间结构变量,X代表了其余控制变量,分别包括人口规模、人口密度、固定资产投资、产业结构、基础设施水平、政府干预程度、外资利用水平、人力资本和公共服务水平。θ0为常数项,θ1到θi为相应的自变量的回归系数,ε为残差项,μ为个体固定效应,σ为时间固定效应。
被解释变量使用2000—2015各年份城市群GDP总量除以劳动人口数量得到,GDP数据中剔除了第一产业产值,劳动人口则相应地剔除了农林牧副渔业的人口。核心解释变量为通过规模位次法计算得到的单中心-多中心程度,具体计算方法已于前文说明。其余解释变量分别为:(1)人口规模:根据landscan和土地数据界定出的城市群总人口;(2)人口密度:城市群总人口除以对应的城市群总面积;(3)固定资产投资:城市群全社会固定资产投资除以劳动人口数量,劳动人口中减去了农林牧副渔业人口;(4)产业结构:城市群第二产业总产值和第三产业总产值之比;(5)政府干预程度:去除科教文卫支出后的政府财政支出占城市群GDP比重;(6)基础设施建设:以城市群年末劳均实有道路面积来衡量,即年末实有道路面积除以劳动人口数;(7)对外开放水平:城市群实际利用外资额占GDP比重;(8)人力资本:受数据限制,以劳均高等学校在校学生数来衡量;(9)公共服务水平:用劳均医院卫生床位数作为代理变量。
本文将巴罗(Barro)提出的长期经济增长模型[23]作为劳均GDP增长率为因变量时的回归模型,模型表达式如下:
式中,GDP Rate为因变量,表示城市群的劳均GDP增长率,S为测度的空间结构变量,X表示其余控制变量,包括人口规模、人口密度、人口增长率、初期GDP、固定资产投资、产业结构、基础设施水平、政府干预程度、外资利用水平、人力资本和公共服务水平。θ0为常数项,θ1到θi为相应的自变量的回归系数,ε为残差项,μ为个体固定效应,σ为时间固定效应。
实证结果
3.1 劳均GDP为因变量的实证结果
本文的数据结构为2000—2015年的面板数据,在基准回归中同时使用面板固定效应法和工具变量法,具体结果如表1所示。模型1至模型4为OLS固定效应模型,模型5至模型7为工具变量回归模型。模型1放入空间结构一次项来检验空间结构与劳均GDP之间是否存在相关性,空间结构结果负显著,表明空间结构指数越小亦即越多中心,劳均GDP越高。模型2加入空间结构二次项来检验其与劳均GDP之间是否存在非线性关系,二次项结果不显著说明二者之间不呈现非线性关系。为了进一步检验模型1中相关关系的可靠度,模型3和模型4分别使用空间结构的一期滞后项和二期滞后项替换现有的空间结构指数,结论与模型1保持一致。为了排除OLS估计方法可能存在的反向因果问题,即劳均GDP提高可能不是多中心空间结构产生的结果,因果关系可能相反,因而模型5至模型7使用工具变量法(IV)来进一步考察两者之间的关系。在工具变量的选择上,模型5和模型6分别使用现有空间结构的一期滞后项和二期滞后项作为工具变量,模型7使用由1984—1999年《中国城市统计年鉴》中的城市群历史人口数据度量的空间结构作为工具变量。结果显示,3个工具变量模型中空间结构仍然负显著,确认了多中心的空间结构确实会提高劳均GDP。
▲ 表1 劳均GDP回归结果
Tab.1 Regression results of GDP per labor force
3.2 劳均GDP增长率为因变量的实证结果
劳均GDP代表的是经济存量,劳均GDP增长率则反映经济增长绩效,回归结果如表2所示。模型8~11采用OLS固定效应回归方法,模型8放入空间结构一次项,模型9放入空间结构二次项,模型10和11使用空间结构的一期及二期滞后项;模型12~14为采用工具变量的两阶段回归,工具变量的使用选择与模型5~7相同。所有结果都显示出多中心的空间结构对于劳均GDP增长率的促进作用。其他变量中,人口规模仍为负显著,人口密度仍为正显著,此外,初期GDP为负显著,说明城市群在经济发展中可能存在收敛效应。
▲ 表2 劳均GDP增长率回归结果
3.3 稳健性检验
上面两部分回归结果表明了城市群多中心空间结构对于经济绩效提高的作用,为了检验这一结论的可靠性,本文分别从变换空间结构计算方式和使用分位数回归两种策略进行稳健性检验。在变换空间结构计算方式方面,由于本文使用规模位次法来度量空间结构,已有研究指出该方法中城市的选取原则可能会对最后结果产生重要影响[24],前面回归中在计算空间结构时使用了城市群内全部城市,因此,在稳健检验中用百分比截取城市数量和固定城市数量两种方法重新计算空间结构。按百分比截取城市,即将城市群内城市按照人口规模由大到小排序后,分别选取前25%、前50%和前75%的城市来计算空间结构。结果表明,按前25%选取城市时空间结构多中心化仍会促进劳均GDP的提高,按75%截取时,多中心空间结构既有利于劳均GDP提高,也利于劳均GDP增长率提升。运用固定城市数量法来计算空间结构是借鉴罗森(Rosen)的做法[25],将城市群内城市按人口规模由大到小排序后,选取前50位的城市来计算空间结构,城市数量不足50的城市群则纳入全部城市。回归结果显示,无论是劳均GDP还是劳均GDP增长率都受到多中心空间结构的促进作用。
第二种稳健性检验策略中,用分位数回归方法检验空间结构对于不同经济绩效水平城市的影响,结果如表3所示。模型15~17分别为在劳均GDP的25%、50%、75%分位点上的回归,模型18~20分别为在劳均GDP增长率的25%、50%、75%分位点上的回归。结果显示,在不同分位点上多中心空间结构对劳均GDP和GDP增长率的提升作用都相对稳健,说明对于处于不同经济发展阶段的中国城市群,多中心空间结构都会显著提高城市群的整体经济绩效。
▲ 表3 分位数回归结果
Tab.3 Results of quantile regression
洞悉城市群发展规律,厘清什么样的空间结构有助于提升城市群的经济绩效,有助于提升城市群的经济有效性和建设可行性。但已有研究缺乏统一认识,研究方法存在很多缺陷。因此,本文运用相对更加准确的动态数据、更可靠的城市识别方法和因果分析手段,检验了城市群空间结构和经济绩效之间的因果关系,结论显示,多中心空间结构更有利于促进城市群经济绩效提升。
1 孙斌栋,华杰媛,李琬,等. 中国城市群空间结构的演化与影响因素——基于人口分布的形态单中心—多中心视角[J]. 地理科学进展,2017,36(10):1294-1303.
4 孙斌栋. 从通州到雄安:中国多中心空间战略的实践及其现实意义[J]. 国家治理,2017(18):17-23.
13 张浩然,衣保中.城市群空间结构特征与经济绩效——来自中国的经验证据[J].经济评论,2012(1):42-47.
14 陈金英. 中国城市群空间结构及其对经济效率的影响研究[D]. 长春:东北师范大学,2016:105-106.
15 侯韵,孙铁山. 中国城市群空间结构的经济绩效——基于面板数据的实证分析[J]. 经济问题探索,2016(2):80-88.
HOU Yun,SUN Tieshan. Economic Performance of Spatial Structure of Urban Agglomerations in China: Empirical Analysis Based on Panel Data[J]. Exploration of Economic Issues,2016 (2): 80-88.
16 苗洪亮,曾冰,张波.城市群的空间结构与经济效率:来自中国的经验证据[J].宁夏社会科学,2016(5):129-137.
17 华杰媛. 中国城市群空间结构的演化、影响因素与经济绩效[D]. 上海:华东师范大学,2017:32-37.
18 李佳洺,张文忠,孙铁山,等.中国城市群集聚特征与经济绩效[J].地理学报,2014,69(4): 474-484.
19 宁越敏. 中国都市区和大城市群的界定——兼论大城市群在区域经济发展中的作用[J]. 地理科学,2011,31(3):257-263.
20 孙斌栋,李琬.城市规模分布的经济绩效——基于中国市域数据的实证研究[J].地理科学,2016,36(3):328-334.
25 ROSEN K,RESNICK M. The Size Distribution of Cities: An Examination of the Pareto Law and Primacy[J]. Journal of Urban Economics,1980,8(2): 165-186.
延伸阅读
官方投稿网址:http://www.planning.com.cn