以下文章来源于南开物流 ，作者陈雪华
文献来源：Davis Chacon-Hurtado, Indraneel Kumar, Konstantina Gkritza, Jon D. Fricker, Lionel J. Beaulieu. The role of transportation accessibility in regional economic resilience[J]. Journal of Transport Geography,2020. Doi: 10.1016/j.jtrangeo.2020.102695..
摘要：尽管交通运输对经济增长的重要性已得到广泛承认，但过去研究并未明确关注交通可达性在建设区域经济韧性中的作用。本文提出了一个较为全面的研究过程，先以探索性空间数据分析方法分析了研究区域的总体集聚趋势，后以空间计量模型量化分析交通可达性对不同区域的局部影响。本文主要考察了美国大湖区552个县在上次经济衰退（2008-2009年）和衰退后（2010-2014年）的区域表现。研究结果表明，在控制了韧性的其他主要影响因素后，铁路、公路密度以及当地劳动力和市场的准入与经济衰退期和恢复期的区域绩效呈紧密相关性，且这种关联在空间上存在显著差异。本研究有助于更好地理解经济韧性和运输基础设施之间的相互作用，进而指导旨在加强区域经济韧性的政策制定。
01
引言
区域韧性是指区域经济体抵御、应对和从衰退影响中恢复的能力。近年来，关于该主题的研究取得重大进展，然而，目前用于研究韧性的交通相关指标及其量化很少，而且大多数研究还忽略了地理单元之间的空间相关性。基于此，本文选取美国大湖区六大州为研究对象，采用探索性空间数据分析以及空间计量模型，基于经济建模专家国际公司、美国社区调查、美国县数据库文件、国家交通地图数据库等多个数据库，在充分考虑区域经济韧性的其他影响因素的同时，重点研究了各区域抵御和应对经济冲击的韧性是否与交通基础设施和可达性相关。
本文主要有以下创新和贡献：（1）本文提出了一个较为完整的研究过程。本文首先采用探索性空间数据分析方法提供了数据中存在区域聚类、空间自相关和非平稳性的证据，为了更精确地评估交通基础设施与区域经济韧性的相关关系，本文进一步估计了具有一阶自回归扰动项的空间自回归模型和地理加权回归模型，为本文研究提供了有力的实证支撑。（2）本文较为全面地构建了交通可达性的衡量指标。本文不仅考虑了公路、铁路密度的直接影响，同时还考虑交通条件对其他经济韧性相关影响因素的作用，如对当地劳动力和市场准入的影响。
02
研究方法
图1显示了本文研究过程以及主要采用的研究方法。本文将研究分为四个阶段，并在各阶段使用不同的研究方法。
图1 研究方法
方法1：动态(逐年)偏离份额分析
本文旨在通过该方法创建区域经济韧性指标。该方法将特定区域内大衰退和衰退后期间的就业变动分解为国家趋势、产业组合以及区域竞争力三部分，具体公式如下。
其中，ΔEtir是区域r中行业i从(t-1)到(t)的就业变化，NEtn是全国总就业趋势产生的影响，IMtni是行业i的产业组合效应，CEtri是行业i的区域竞争效应（即区域绩效）。此处，由于使用了总就业人数，产业组合效应设为0；区域绩效采用相对测量值，即相对于前一时期的就业情况来衡量。
随后，本文通过公式（2）剔除全国总就业趋势产生的影响，并构建了区域经济韧性指标，即RERr。
其中，Eb是衰退前（2004-2007）的平均就业人数，Σmt-1CEtr表示给定区域r在m年期间的累积区域绩效，这相当于显示预期区域绩效(国家趋势，NE)和该区域实际区域绩效(竞争效应，CE)的曲线之间的面积（如图A1）。
图A1 份额转移分析法中“竞争效应”的概念表示
方法2：主成分分析法
本文根据区域经济韧性相关研究，总结出影响经济韧性的七个主成分，并为每个主成分分别收集一组变量，随后采用主成分分析对变量进行数据降维。
方法3：探索性空间数据分析和空间联系的局部指标(LISA)
本文采用探索性空间数据分析工具，利用Moran's I和LISA两个指标，分析了2008年至2009年(衰退期间)和2010年至2014年(衰退后)不同区域绩效的的空间相互关系。Moran's I用于研究空间是否出现集聚。当全局存在空间自相关时，利用LISA可进一步研究具体的集聚位置。
方法4：空间计量模型
本文在最后一阶段利用空间计量模型评估区域绩效与交通基础设施及其他解释变量之间的关系。本阶段遵循两步过程：第一，估计整个研究区域的因变量和解释变量之间的整体关系，第二，评估单个空间单位的局部关系。
第一次估计主要采用OLS回归和全局空间回归模型，后者采用具有一阶自回归扰动项的空间自回归模型（即SARAR模型），具体模型表示如下。
其中，yn是被解释变量，为n×1向量；xn是解释变量，为n×k矩阵；Wn和Mn是表示相邻结构的n×n加权矩阵；Wnyn和Mnun分别是yn因变量和误差项un的空间滞后变量；λn和ρn是标量自回归参数，εn是n×1创新向量。注意，扰动过程中假设εn为异方差。参数估计基于广义空间二阶最小二乘估计（GS2SLS）和二阶邻接矩阵。
第二次评估主要进行了地理加权回归模型（即GWR模型），以评估交通和经济韧性之间空间关联的局部变化。由于任何事物之间都是空间相关的，距离越近的事物之间的空间相关性越大。因此，空间数据的空间相关性可能会导致回归关系的空间非平稳性。GWR是一种解释数据中空间异质性和非平稳性的方法。在本文中，GWR使用数据子集为每个空间单元建立局部回归，具体模型表示如下。
其中（ui，vi）表示空间中第i个点的坐标，ak（ui，vi）表示连续函数ak在点位置i处的实现。公式（4）假设靠近点i的观测数据比远离点i的数据对ak（ui，vi）具有更大的影响。
03
数据来源
本文研究区域由美国大湖区的六个州组成，分别是印第安纳州、伊利诺伊州、密歇根州、明尼苏达州、俄亥俄州和威斯康星州，这些州约占美国制造业就业人数的四分之一。本文上述六个州中选择552个县作为样本，因变量RERr是使用从经济建模专家国际公司检索的就业数据计算得出，自变量数据来源于美国社区调查、美国县数据库文件、国家交通地图数据库和美国农业部。
04
结果分析
4.1主成分分析
表2报告了主成分分析结果。其中，变量1-7的方差贡献率达71%，以特征值大于1为标准进一步判断筛选主成分，确定变量1-7为主成分。
表2 主成分和特征值
表3报告了7个具体主成分，分别为人口、社会经济条件、设施和机构、服务、技术获取、人力资本和宜居性。粗体部分显示了每个主成分与特定指标的相关关系，共同度（即h2）指标集中在0.52—0.96之间，说明这些指标能被主成分解释的程度较高。
表3 主成分分析的因子模式和最终公共性估计
4.2全局和局部韧性模型
4.2.1 变量
表4是关于因变量和自变量的描述性统计。其中，ATOT_08_09、ATOT_10_14以及ATOT_08_14分别表示2008年至2009年、2010年至2014年以及2008年至2014年的RERr，它们分别作为抵抗力模型、恢复力模型以及地理加权回归模型的被解释变量。此外，解释变量由基于PCA结果和其他对经济韧性有重要影响的变量所组成。本次导读我们重点分析与交通基础设施相关的代表变量，主要由以下三个指标构成——DIST_C1表示从县人口加权重心到最近的州际公路（功能等级1）的距离，RailC1D表示到一级铁路附近火车站的距离，这两个变量用于描述公路和铁路密度；此外，主成分1中（Component 1）即人口指标，由40分钟车程内的人口、本地居民人口和外国出生人口的百分比三部分组成，该指标可在一定程度上描述当地劳动力和市场的可及性，这与当地交通基础设施条件息息相关。
表4 描述性统计
4.2.2空间数据分析
图2a表示研究区域的地理位置。图2c、2e分别表示衰退期（2008-2009年）和恢复期（2010-2014年）的莫兰I散点图，这两个阶段的全局Moran's I指数都显著为正，说明在上述两个时期内研究区域关于区域经济韧性方面存在显著的空间自相关性，即区域绩效高和区域绩效低的县分别存在集聚现象。LISA聚类图图2b进一步说明，衰退期间西北地区和南部地区呈现高绩效集群，东部主要呈现低绩效集群。
图2 研究区域的地理位置(a)，抵抗能力(b，c)和恢复能力(d，e)的探索性空间数据分析(ESDA)，局部空间关联指标(LISA)聚类图(b，d)和莫兰I散点图(c，e)
4.3全局模型估计结果
4.3.1抵抗能力
表5报告了大衰退期间OLS和SARAR模型的估计结果。首先，OLS估计结果显示，在大衰退期间，随着到一级铁路的距离（即RailC1D）增加，区域绩效会随之下降。LM检验结果说明误差项和滞后项均存在空间相关性，故本文进一步采用SARAR模型进行估计，结果与OLS分析基本一致。表5同时报告了各个变量的边际效应，结果说明本县和邻县的RailC1D对于区域绩效都存在显著的边际负效应，即大衰退期间，本地和周边地区的铁路密度越高，本地区域绩效会相对处于较高水平，此时区域经济存在较强的抵抗能力。
表5 普通最小二乘法（OLS），带有自回归扰动项的空间自回归（SARAR）模型结果，以及SARAR模型区域绩效的边际效应，2008年至2009年（抵抗能力）
4.3.2恢复能力
表6报告了衰退后的OLS和SARAR模型估计结果。OLS回归结果显示，当地劳动力和市场的准入（即主成分1）与经济衰退后的区域绩效之间存在显著的正相关关系。由于LM检验结果说明误差项和滞后项均存在空间相关性，因而采用SARAR模型重新估计，估计结果与OLS几乎一致。且表6显示，本地和周边地区的劳动力和市场准入对于该县衰退后的区域绩效存在显著的边际正效应。这也表明，经济衰退后，交通运输带来当地劳动力和市场的可达性的改善，能够显著提升相应县的区域绩效，使其拥有更强的恢复能力。
表6 普通最小二乘法（OLS），带有自回归扰动项的空间自回归（SARAR）模型结果，以及SARAR模型区域绩效的边际效应，2010年至2014年（恢复能力）
4.4 GWR模型估计结果
表5、表6两个SARAR模型中ρ系数的显著性水平表明，回归的误差向量遵循空间自回归过程。此外，Koenker（BP）统计值也表明建模关系中存在非平稳性。因此，为了解决上述问题，本文进行GWR模型估计。GWR模型中因变量为2008年至2014年的RERr。
表7报告了OLS和GWR模型的估计结果。OLS估计结果中，关于交通相关指标（即DIST_C1、RailC1D以及主成分1）的分析基本与全局回归模型结果基本一致。但Koenker（BP）统计值表明该模型存在非平稳性，因此采用GWR模型进行回归。表7报告了各个变量对应系数的平均值和变化范围，并就其空间分布进行可视化处理，结果如图3所示。图3表明，研究区域南部在经济衰退期和恢复期的区域绩效可能受益于到一级铁路的距离缩短（如图3a），而东南部则受益于更好的公路建设（如图3b）。此外，图3e主成分1参数显示，除西部地区外，大多数区域将从改善居民人口和劳动力市场准入中受益。
表7 普通最小二乘法（OLS）和地理加权回归（GWR）结果
图3 距离火车站（a）、距离州际公路（b）、衰退前的平均区域绩效（c）、职业多样性（d）、人口（e）和人力资本（f）的GWR系数
05
结论
本文在考虑空间效应的条件下，利用探索性空间数据分析和特定的空间计量模型研究了与交通可达性相关的代表变量（如公路、铁路连接能力、劳动力和市场的可及性）与县级经济韧性指标的关联性，从而评估交通基础设施在经济衰退期和恢复期的作用。本文发现，在控制了人力资本、产业结构和大都市区位等其他因素后，在经济衰退期和恢复期，交通可达性与区域经济韧性之间存在显著正相关关系。这说明，具有高水平地面交通可达性的区域能够发展出更具韧性的区域经济。同时，本文的实证结果还能够说明不同的交通可达性相关变量在哪些特定地区更具影响力，如俄亥俄州中部和西部（即研究区域东南部），州际公路比铁路基础设施发挥更大作用。基于上述研究结果，本文指出交通和发展机构应通过更加全面的观点和指标来评估交通效益，如评估时考虑基础设施和政策投资能够在多大程度上改善机会的可获得性等。此外，政策制定还应考虑更大的时间和空间范围，这有助于确定当前发展道路中的不可预见的问题，或确定新发展道路的机遇，从而进一步增强区域经济韧性。
转自：“经管学术联盟”微信公众号
如有侵权，请联系本站删除！
