派智库

摘要：为进一步从空间和定量角度认识铁路交通基础设施与区域经济发展间的关联关系，结合西部各地区铁路交通基础设施与GDP总量面板数据，基于全局和局域空间自相关性分析，明确西部各地区铁路交通基础设施对经济发展支撑力度，根据Hausman检验选用个体固定效应模型，运用广义最小二乘法，构造了铁路交通基础设施与经济发展的线性回归模型，并验证了模型的整体拟合性和有效性。

关键词：铁路交通；基础设施；西部地区；空间相关性；支撑力 本文来自织梦

0 引言 织梦内容管理系统

铁路是国家重要的基础设施和国民经济的大动脉，作为大众化的交通运输工具，为国民经济的持续稳定发展提供了有力支撑和保障。自2000年实施“西部大开发战略”以来，我国西部地区无论在交通基础设施建设，还是综合交通运输线网结构和功能等方面都有了很大改善。近几年，随着国家“一带一路”战略的实施，国家对于交通基础设施尤其是铁路交通基础设施的投资建设越发重视[1]，铁路建设的重心已经逐步自东向西转移。 copyright dedecms

铁路交通不但可以促进各国、各地区贸易往来，而且能够实现区域经济有效整合，为区域经济发展提供有力支撑。铁路交通基础设施显着的网络型特点也是推动本地区经济发展和影响相邻区域经济增长的基础：一方面，交通基础设施投资的“乘数效应”促进本地经济发展，另一方面，交通基础设施通过各地区经济联系带动其他地区发展，表现出明显的空间溢出效应[2]。铁路交通基础设施与经济增长的定量关系主要体现在上述两个方面，以西部地区各省（市、自治区、直辖市）铁路交通基础设施和经济发展为研究对象，从全局角度考虑二者的定量关系，对西部地区铁路交通基础设施对区域经济发展的支撑力度进行研究。

内容来自dedecms

1 西部地区经济发展分析

根据国家统计局的区域划分，四川、重庆、贵州、云南、甘肃、新疆、宁夏、陕西、青海、西藏、广西、内蒙古十二个省（市）、自治区、直辖市称为西部地区[3]。西部地区一直以来都是我国经济欠发达，有待进一步开拓发展的地区，但随着西部大开发战略和“一带一路”经济开发战略的实施和推进，西部地区在区域交通、社会经济贸易等方面都取得了长足发展。1999～2015年，西部地区GDP总量平均增长率达2.15（以1999年的物价水平为基准），铁路营业里程平均增长率达1.21（由于西藏2006年才开通铁路，所以在计算1999～2015年西部地区GDP总量和铁路营业里程平均增长率时将其剔除）。表1是1999～2015年西部各地区GDP总量和铁路运营里程增长情况。

dedecms.com

其中，重庆、贵州、陕西、宁夏和内蒙古五个省（市、自治区、直辖市）GDP增长速率分别为2.54、2.84、3.04、3.02、3.69，均高于西部地区GDP总量平均增长水平。同样，重庆、陕西、新疆、广西和内蒙古五个省（市、自治区、直辖市）铁路运营里程增长率分别是2.25、1.34、2.17、1.54、1.41，都高于西部地区铁路运营里程平均增长水平。通过统计归纳发现，重庆、陕西、内蒙古三省（市、自治区、直辖市）无论是铁路运营里程增长率还是GDP总量增长率均位于前列，同时三者在地理位置处于相邻区位，在一定程度上体现出本区域铁路交通基础设施发展在促进本地发展的同时，也能带动相邻区域经济，换言之，铁路交通基础设施具有一定的空间溢出效应。 内容来自dedecms

2 空间自相关性分析 内容来自dedecms

2.1 全局Moran’I分析 内容来自dedecms

在空间统计分析中，自相关性分析是检测两观测对象同种属性变量之间的变化是否相关的方法之一，反映了某一区域的某种属性值与邻近区域同种属性值的相关程度。空间自相关分析常用方法中应用最广泛的是Moran’I法[4]，计算公式为：

内容来自dedecms

织梦好，好织梦

为了进一步明确变量在空间上的分布规律，根据Z值检验公式判定Moran’I的期望E（I）和变异系数Var（I）：

copyright dedecms

织梦内容管理系统

由公式（3）～（8）计算得Moran’I的期望值E（I）为-0.1，变异系数Var（I）从为0.1。参考表2数据可知各年Moran’I值均为负数，表明相邻区域历年GDP差异较大，数据空间分布呈现高低间隔分布状态；对比可知表2各个年份Moran’I值均显着大于期望E（I），说明相邻区域GDP增长存在相似关系，但无法判定空间聚集具体地点。 内容来自dedecms

2.2 局域自相关分析

织梦内容管理系统

局域自相关分析避免了全局自相关分析的缺陷，从分离各个区域空间关联程度的角度寻找空间聚集点。根据局域Moran’I求解对西部地区GDP空间聚集性进行归纳分析，其计算公式如下：

copyright dedecms

其中，全局Moran’I和局域Moran’I之间满足以下关系：局域Moran’I是全局Moran’I的分解，局域Moran’I取值高说明相似变量属性取值的空间单元聚集；反之，取值低表明不相似变量属性取值在空间单元聚集；局域Moran’I求解结果如表3所示。

从局域Moran’I求解结果可以看出，四川省从1999～2015年均呈现“高-低”空间聚集状态，表明这17年来四川省GDP总量显着高于区域内平均水平，但这种良好发展态势未能有效带动周边地区经济发展；青海省和贵州省在1999～2015年均呈现“低高”空间聚集状态，表明17年间两省GDP总量显着低于区域平均水平，但相对落后的经济发展水平并没有阻碍周边地区经济发展；重庆市和陕西省从1999年到2015年均呈现出“高 高”空间聚集状态，表明这17年间重庆市和陕西省GDP总量均高于区域平均发展水平，在一定程度上带动了周边地区经济发展；新疆自治区在1999～2015年间均呈现“低一低”空间聚集状态，表明这17年间新疆自治区经济发展缓慢，同时也延缓了周边经济发展的速度。通过上述分析可知，西部地区各省（市、自治区、直辖市）经济发展一方面受自身经济条件的制约，另一方面还受到周边地区经济发展的影响，但从整体上看，各地区间经济增长空间溢出效应并不显着，经济发展状况良好的省市对落后省市经济的带动作用是有限的[5]。 copyright dedecms

3 基于面板数据的支撑力分析

面板数据也称时间序列截面数据或混合数据，它指同时在时间和空间上获取的二维数据。面板数据从横截面来看是截面数据在某一时刻的观测值，从纵剖面看则是一个时间序列。面板数据与单纯时间序列数据或者截面数据相比有以下优势[6]： 内容来自dedecms

（1）与截面数据分析相比，面板数据分析可以控制不可观测的经济变量所致的OLS估计偏差，提高估计模型的合理性和准确性；

内容来自dedecms

（2）与时间序列数据分析相比，面板数据进一步扩大了样本信息，降低变量共线性，提高了估计的有效性；

dedecms.com

（3）面板数据有利于构建和校验复杂程度高的模型。

本文选取1999～2015年西部地区十二个省（市）、自治区、直辖市作为分析样本，应用Stata14软件进行统计。变量的描述性统计见表4。 内容来自dedecms

本文来自织梦

由于普通最小二乘回归模型在参数估计方面存在许多不足，采用面板数据建立计量经济回归模型时，通过控制和调整不可观测变量对被解释变量影响的方式，获得模型参数的无偏估计，通常面板数据静态模型中最常用的是固定效应模型和随机效应模型[7]。随机效应回归分析，即Hausman检验，是确定构建固定效应模型还是随机效应模型描述变量之间回归关系的一种常见方法。鉴于面板数据要求个体变量取值需为整数且不允许重复，所以在Hausman检验之前，必须把‘region’这一字符串变量转化为数值型变量，把横截面变量定义diqu，时间序列变量定义为year，由此得到如图1所示的面板数据定义分析结果。 织梦好，好织梦

内容来自dedecms

通过图1分析结果可以看出，模型选取变量的面板数据是一个平衡面板数据。根据面板数据的定义，以GDP为因变量，以length（铁路营业里程）为自变量分别进行随机效应回归分析和固定效应回归分析，在此基础上进行Hausman检验，检验结果如图2所示。根据检验结果，Hausman检验原假设H0定义为“选用是随机效应模型”，但由于检验P值0.0000远远低于5％显着水平，所以拒绝原假设，选用固定效应模型。

copyright dedecms

面板数据根据时间维度和横截面维度跨度范围可分短面板数据和长面板数据，面板数据定义分析结果表明所选样本为长面板数据，其主要特征是时间维度较大而横截面维度较小[7]。与短面板数据分析相比，长面板数据分析更注重扰动相关项的设定而不是直接利用普通最小二乘法进行回归分析，所以需采用考虑组内自相关和异方差性的广义最小二乘法进行数据分析。个体固定效应模型作为常用固定效应模型之一，其表达式为：

dedecms.com

dedecms.com

其中λi为截距项，βk为待估参数，uit为随机误差项。结合本文具体分析对象，构建以下个体固定效应模型：

LnGDPit=λi+β2LnLit+β3LnCYit+uit（11）

其中GDPit为i省（市、自治区、直辖市）t年的GDP总量，Lit为i省（市）、自治区、直辖市t年的铁路营业里程，CYit表示i省（市、自治区、直辖市）t年的铁路从业人员数量。根据以上确定的变量，采用散点图分析发现残差随拟合值的变化而变化，且波动剧烈，可初步判定模型存在异方差；进一步利用怀特检验法得检验P值为0.000，拒绝“不存在异方差”的原假设H0，从定量的角度判定模型存在异方差。所以，可以选用不考虑自相关仅考虑异方差的可行广义最小二乘法对变量进行回归分析，分析结果见图3。 内容来自dedecms

图3的分析结果表明一共有187个样本参与回归分析，模型P值（Prob＞F=0.000）充分说明模型整体上非常显着。可决系数R2=0.9898，证明模型具有很强的解释能力。模型的回归方程式为：

织梦好，好织梦

LnGDP=-0.1331639Lncy+0.01522LnL-306.733（12）

变量Lncy系数和常数项系数P值分别为0.010和0.000，说明系数非常显着，两者95％的置信区间分别为[-0.2344642，-0.0318636]、[-317.651，-295.825]。但变量LnL系数P值为0.788，说明系数非常不显着，但进一步通过对变量系数的假设检验（如图4）证实模型非常显着，在5％的显着性水平之下变量系数均通过了显着性检验。 织梦好，好织梦

综合以上分析，西部地区各省（市）、自治区、直辖市GDP总量受铁路营业里程和铁路从业人员数量的影响。其中，铁路营业里程表现出正向促进效应，是地区经济发展的有效支撑力量，为地区铁路建设提供有力的理论支撑。铁路从业人员数量表现为负向阻碍效应；各省（市、自治区、直辖市）经济发展存在一定的空间溢出效应，在一定程度上体现出经济发展的外部效应[8]。

本文来自织梦

copyright dedecms

4 结论

在目前“一带一路”战略背景之下，把空间变量纳入多变量影响经济发展的面板数据模型中，分析铁路交通基础设施的空间溢出效应，能够有效设计适应国家交通运输相关发展政策的交通基础设施建设和交通运输网络方案。通过对西部地区铁路交通基础设施与经济发展的空间关系及定量关系分析，可以得出以下结论：

dedecms.com

（1）利用西部地区各省（市）、自治区、直辖市GDP总量面板数据进行全局和局域空间自相关性分析，得出各地区经济增长受自身经济发展状况约束的同时还受周边地区经济水平的影响，但各地区经济发展的空间溢出效应并不十分显着； 本文来自织梦

（2）通过ttausman检验和经验分析确认选用个体固定效应模型，利用不考虑自相关仅考虑异方差的可行广义最小二乘法对变量进行线性回归分析。通过回归模型变量系数和方程显着性检验进一步验证了回归模型线性关系的整体拟合性和有效性，得知西部各地区铁路交通基础设施发展是实现GDP总量增长的强有力的支撑，此为西部各地区铁路交通基础设施建设投资提供参考。 本文来自织梦

（3）本文模型中仅考虑了铁路营业里程和铁路从业人员两个自变量对区域经济发展的影响，而实际情况下影响经济增长的因素不胜枚举，如政策实施、资源环境等，综合考虑上述因素与经济增长的相互关系，有待进一步研究。（nc-10201801）

参考文献：

[1]张强，张映芹.“丝绸之路经济带”西北五省区交通基础设施对经济增长的空间溢出效应[J].统计与信息论坛，2016，31（8）：64-70. 本文来自织梦

[2]张志，周浩.交通基础设施的溢出效应及其产业差异——基于空间计量的比较分析[J].财经研究，2012，38（3）：124-134. 织梦内容管理系统

[3]王会宗.交通运输与区域经济增长差异——以中国铁路为例的实证分析[J].山西财经大学学报，2011，33（2）：61-68. copyright dedecms

[4]金江，李郸.交通基础设施投资与经济发展——基于广东省的空间计量研究[J].财政研究，2012（3）：55-59.

织梦内容管理系统

[5]李永盛，高苇，邓宏兵，等.区域城市经济集聚性及空间溢出效应研究[J].统计与决策，2015（13）：115-119.

本文来自织梦

[6]白仲林.面板数据的计量经济分析[M].天津：南开大学出版社，2008. dedecms.com

[7]朱顺泉.Stata数据分析应用[M].北京：北京大学出版社，2015. dedecms.com

[8]李连成.从铁路发展史看交通基础设施合理规划的重要性[J].综合运输，2013（02）：16-21.

内容来自dedecms