江苏水运对经济增长的影响研究

[摘要] 以柯布-道格拉斯生产函数为基础，通过空间面板模型来分析江苏水运对经济增长的影响。实证结果得出以下结论：江苏经济增长表现出显著的空间集聚特征；水运不仅对本地经济增长具有促进作用，还能推动相邻地区的经济增长；自重要水运发展政策实施以来，水运对经济增长的拉动作用进一步加强。进一步对比水运对经济增长的长期影响和短期影响发现：水运对相邻地区经济增长的促进作用会随时间推移而逐渐减弱，但是对本地经济增长一直都有显著的促进作用。因此，江苏应进一步提升水运服务能力和辐射能力，并且继续推进运输结构调整，发展多式联运。

[关键词]江苏水运；经济增长；生产函数；空间面板模型

一、 引言

江苏滨江临海，境内河湖密布，具有悠久的水运历史，长江和京杭大运河一横一纵贯穿全省，给沿岸城市带来了商业繁荣，随着海运贸易的兴起，江苏也凭借滨海优势成为开放大省。“十三五”时期江苏水运发展成效显著，水运在交通运输中的地位进一步增强，各项发展指标均居全国前列，其中，港口综合通过能力、万吨级以上泊位数、港口货物吞吐量、亿吨大港数、内河航道里程等多项指标都保持全国第一1，对江苏经济社会发展做出了重要贡献。随着我国经济由高速增长阶段转向高质量发展阶段，江苏作为重要的经济大省，推动高质量发展应该走在全国前列。目前来看，协调发展和绿色发展的相对滞后仍是制约江苏高质量发展的重要因素[1]，江苏亟须充分利用自身优势对这两个“短板”进行弥补。江苏海江河水运资源丰富，发展水运具有得天独厚的优势，内河航道和沿江港口可以促进省内各市的经济合作，沿海地区以港口群为代表的建设也为江苏区域发展拓展了新空间[2]。此外，如何降低交通领域的能耗和碳排放强度一直是绿色发展中的重要问题，解决问题的核心在于降低强度[3]。水运具有运量大、能耗少、成本低和对环境影响小等特点，对于促进江苏省内各地区经济协调发展和绿色发展具有重要意义。江苏已迈进全面建设社会主义现代化新征程，这对江苏高质量发展提出了更高要求。江苏应该抓住“一带一路”建设、长江经济带发展、长三角区域一体化和淮河生态经济带等重大战略实施带来的重要机遇，准确地评估水运对经济增长的影响，科学地制定后续水运发展策略，进一步发挥水运优势。

水运对经济增长的影响作用已经在国内外引起了广泛讨论，但是研究结论却大相径庭。不少学者肯定了水运在经济增长中发挥的正向作用 [4-7]，但也有学者对水运的积极影响提出了质疑 [8-9]。江苏作为水运大省吸引了不少学者的目光，大多数文献一般将江苏作为整体放入省级区域合作机制中进行研究，这些区域合作机制往往具备紧密的经济联系和水运合作，比如长江经济带[10-11]。然而，这些研究使用面板回归方法只能从区域整体层面估算参数，无法单独对江苏省水运发展进行评估。目前，专门以江苏为研究对象的文献较少，从研究结论来看多数都肯定了水运的积极影响。封学军等[12]使用模糊层次评价法发现内河运输在江苏大宗散货运输中具有明显优势，是经济可持续发展的重要基础；宋敏等[13]发现水运投资对工业发展表现出显著的双重门槛效应并且主要通过间接效应影响工业发展；李健[14]使用面板模型和时间序列模型，发现江苏沿海港口发展能够显著促进区域经济增长。综上所述，目前水运对经济增长的影响如何国内外学者还没有达成共识，国内文献主要从省级层面出发，从投资、运输服务和基础设施等角度进行研究。分析现有文献，从研究内容和研究方法上看仍存在以下不足：第一，较少文献会单独研究江苏水运对经济增长的影响，即使有若干文献采用江苏市级面板数据进行研究，也较少考虑水运对经济增长的空间溢出效应。第二，现有研究较少考虑重要政策实施所产生的影响，水运发展具有很强的政策导向性，评估现有政策所产生的影响对于后续政策的制定具有重要参考价值。

为了弥补上述不足，本文拟科学地评估水运对江苏省经济增长的影响效应。本文使用江苏13个城市2001—2020年的面板数据，以柯布-道格拉斯生产函数为基础，通过空间计量模型来估算水运对经济增长的直接效应和间接效应。本文主要贡献如下：第一，考虑水运对经济增长的空间溢出效应以及经济活动的动态性，进行空间静态和空间动态实证检验，所得结论更加客观。第二，评估水运政策出台的影响，选取江苏重要水运发展政策，通过分析政策虚拟变量与水运变量交乘项的系数，来评估政策实施效果。第三，通过Moran’s I指数检验江苏经济增长的空间相关性，并且结合空间面板模型回归结果来综合分析水运如何促进经济协调发展和绿色发展，从而为江苏经济高质量发展提供政策建议。

二、 研究设计

1. 基本模型设定

首先对基本模型进行设定。参考前人研究 [10]，本文将水运作为一种生产要素放入柯布-道格拉斯生产函数，并且考虑了影响总产出的其他各类要素，模型如下：

其中，Y为经济总产出，A代表技术进步，K为资本投入，L为劳动力投入，SY为水运变量，Z为影响总产出的其他各类要素所组成的向量，包括城镇化水平、产业结构、外贸依存度、财政支出和交通基础设施。将式（1）两边取对数，可得：

其中，[β1]、[β2]和[β3]分别为水运变量、资本投入和劳动力投入的产出弹性系数，[ηi]为其他各类要素的系数，[a]为常数项，ε为随机误差项。

此外，本文评估了水运政策出台的影响。2011年11月江苏省政府印发了《省政府关于加快长江等内河水运发展的实施意见》（以下简称《实施意见》），提出要建成畅通、高效、平安、绿色的现代化内河水运体系，完善江海直达、干支直达、江海转运的运输服务网络，这对江苏水运发展具有重要意义。因此，本文在式（2）的基础上放入政策虚拟变量与水运变量的交乘项，可得：

其中，[policy] 代表2011年江苏出台《实施意见》前后的时间虚拟变量，即2011年以及之前为0，之后为1。系数 [γ] 衡量了2011年《实施意见》出台后，这一水运发展政策如何影响水运对经济增长的作用，本文预期该系数显著为正，即意味着《实施意见》促使水运在江苏交通运输中的重要性得到提升，对经济增长发挥了更为重要的作用。

2. 空间计量模型选择

本文在选择使用何种空间计量模型之前，首先对空间计量模型进行简介，具体如下：

其中，[y]为被解释变量，[X]为[n×k]的解释变量矩阵，[W]为[n×n]阶的空间权重矩阵， [ε]为随机误差项；[Wy]、[WX]和 [Wε]分别代表被解释变量、解释变量和随机误差项的空间滞后项。空间面板模型一般可以划分为以下三种形式：（1）空间滞后模型（SLM），即[λ]和[θ]都为0。（2）空间误差模型（SEM），即[ρ]和[θ]都为0。（3）空间杜宾模型（SDM），即[λ]为0。

本文使用LM检验和和Robust LM检验来选择SLM和 SEM，表1结果显示：用来检验SEM（Spatial error）的LM统计量和Robust LM统计量都在1%的水平上显著，说明存在误差项的空间滞后项；用来检验SLM（Spatial lag）的LM统计量和Robust LM统计量都在1%的水平上显著，说明存在被解释变量的空间滞后项。LR检验和Wald检验都显著拒绝了SDM退化为SLM或SEM的原假设，进一步证实了使用SDM的适宜性，因此本文采用SDM进行估计。本文通过Hausman检验拒绝了“使用随机效应SDM更优”的原假设，使用固定效应SDM。在空间固定效应、时间固定效应和双固定效应的选择中，本文综合拟合优度和样本特征，最终选择空间固定效应SDM。

根据上述检验结果，本文空间杜宾模型（SDM）表示为：

其中，[Yit]表示城市的经济总产出，[Xit]为解释变量的集合，[ρ] 代表被解释变量空间滞后项的系数，[θ]代表解释变量空间滞后项的系数，[γ]为解释变量的弹性系数，[a]为常数项，[εit]为随机误差项，[ui]为空间固定效应，下标i和t分别代表城市和时间，下标j代表邻近城市（[j≠i]）。

由于区域经济增长具有长期性和系统性，当前经济增长会受到上期的影响，而静态空间面板模型会忽略这一动态变化过程。因此，本文在式（5）的基础上将被解释变量的一阶滞后项（[lnYit-1]）放入模型中，通过建立动态空间杜宾模型来避免结论存在误差和克服内生性问题 [15]。模型设定如下：

其中，系数 [ψ ]代表前期经济总产出对本期经济总产出的影响，其他系数解释与式（5）相同。

3. 空间权重矩阵设定

本文使用邻接权重矩阵进行研究，该权重矩阵定义如下：

[Wij= 1，当城市i和城市j地理相邻，且 i≠j  0，当城市i和城市j地理上不相邻，或 i=j] （7）

在使用空间计量模型进行研究之前，需要进行空间自相关检验来判断不同区域之间是否存在相互依赖和彼此影响的指标，本文使用Moran’s I指数对被解释变量进行检验。Moran’s I指数的取值范围为[-1，1]，当取值为正数时，代表存在空间正相关，反之则存在空间负相关，其绝对值越大说明空间相关性越强。本文先通过全局Moran’s I指数对总体空间相关性进行判断，再通过局部Moran’s I指数分析空间集聚特点。

4. 变量测度

本文选取江苏省13个城市2001—2020年的年度数据，所有涉及价值形态的数据均调整为2020年不变价格。数据来源于江苏统计年鉴、江苏各市统计年鉴、江苏交通年鉴、中国城市统计年鉴和Datastream数据库。变量测度如下：

1. 被解释变量：总产出Y（单位：亿元）。本文采用江苏各市实际地区生产总值（GDP）来表示经济总产出。

2．核心解释变量：水运变量SY（单位：亿吨）。水路运输可以分为客运和货运两大类，考虑到客运量在水运中占比很小，所以本文选择水路货运量作为衡量水运发展水平的指标。

3. 控制变量：（1）劳动力投入L（单位：万人），采用各市就业人数来衡量。（2）资本投入K（单位：亿元），采用永续盘存法对资本存量进行估算，计算方法为：[Ki，t=Ki，t-11-δ+Ii，t-1]。其中，[Ki，t]为城市i在t年的年初资本存量，[Ii，t-1]为城市i在t-1年的实际固定资产投资，[δ]为折旧率。关于折旧率[δ]，本文借鉴张军等 [16]的研究，将其统一设为9.6%。对于基期资本存量[k0]的测算，本文参考了金戈 [17]的研究，计算方法为：基年投资额/（折旧率与2001—2011年投资的几何平均增长率之和）。（3）城镇化水平Z1，采用各市城镇化率来表示，计算方法为：城镇化率=城镇常住人口/总常住人口。（4）产业结构Z2，采用第三产业产值占GDP的比例来表示。（5）外贸依存度Z3，采用各市进出口总额占GDP的比重来表示。（6）财政支出Z4，采用各市一般公共预算支出占GDP的比重表示，部分年份数据缺失，采用财政支出代替。（7）交通基础设施Z5（单位：公里/平方公里），采用各地区公路密度表示，计算方法为：各市公路里程长度/各市土地面积。

三、 实证检验与结果分析

1. 空间相关性检验

本文对江苏省13个城市实际GDP（对数值）的空间相关性进行检验，全局Moran’s I指数结果见表2。结果显示：各年实际GDP的Moran’s I指数都显著为正，说明各年实际GDP都存在显著的空间正相关性，即GDP高的城市在空间上趋于邻近，GDP低的城市也在空间上趋于邻近。具体来看，2001—2007年的Moran’s I值逐渐增大并且在2007年达到峰值。2007年之后Moran’s I值总体来说不断下降，这表明江苏经济增长的空间集聚效应在2007年之后总体来说逐渐减弱，即江苏经济增长的空间分布更加均衡。

本文进一步进行局部Moran’s I指数的计算。局部Moran’s I散点图的横坐标z表示空间单元观测值， 纵坐标Wz为观测值相邻单元的加权平均值。本文制作了2020年江苏实际GDP的Moran’s I指数散点图（图1）1，并以此为依据整理了各城市象限分布情况表（表3）。表3结果显示：（1）“高-高”象限以江苏南部城市为主，苏锡常都市圈经济发达，南通GDP也已经突破万亿，这些经济发达城市在空间上呈现出集聚。（2）“低-低”象限为江苏中部和北部城市，出现这一情况可能与江苏中部和北部缺乏一个强力的经济发达城市有关。（3）剩余城市在“低-高”象限和“高-低”象限，这说明江苏还存在局部经济联动不足的情况，但是原因各不相同，对于“低-高”象限城市，镇江和泰州应该更加注重与附近城市的合作，加速经济发展；对于“高-低”象限城市，南京需要提升首位度，而徐州也要提升区域中心城市地位，从而更好发挥经济辐射作用。