基础设施建设对重庆市区域经济发展的空间影响——基于空间计量模型的分析

The Spatial Impact of Infrastructure Construction on Regional Economic Development in Chongqing—An Analysis Based on a Spatial Econometric Model

摘要: 当前，我国经济发展的空间结构正在发生深刻变化，中心城市和城市群正在成为承载发展要素的主要空间形式，研究城市群内部空间经济联系具有重要的理论意义和现实意义。国家先后实施了京津冀协同发展、长江经济带发展和成渝地区双城经济圈建设等区域重大战略，为重庆城市基础设施高质量发展赋予了全新优势、创造了更为有利的条件。在此背景下，研究重庆市经济指标的空间分布及其关于基础建设的影响因素能够为重庆市协调发展提供更客观的现实结果，并为城市未来的发展提供参考。本文选择2010年至2020年重庆市38个区县数据研究基础设施建设对人均GDP的影响状况，实证分析了重庆市人均GDP的空间分布情况。在此基础上，选择了4个代表基础建设的指标进行拟合空间杜宾模型，结果显示：(1) 重庆市各区县人均GDP在全局范围内存在正空间相关性，空间分布的集聚特征主要为：重庆中部主城地区的人均GDP一直处于“高–高”型，重庆北部地区的人均GDP表现为“低–低”型，且中部地区人均GDP普遍为高增长型地区。(2) 对重庆市各区县人均GDP有重要影响的基础设施方面因素有：城镇化率、人口数量、卫生机构数量以及房屋建筑施工面积。其中，城镇化率对本地人均GDP起抑制作用；卫生机构数量对本地以及周围区县的人均GDP都有促进作用；人口数量对本地以及周围区县的人均GDP都有抑制作用；房屋建筑施工面积仅对本地人均GDP有推动作用，对其他区县作用不大。

Abstract: At present, the spatial structure of China’s economic development is undergoing profound changes, and the central city and urban agglomeration are becoming the main spatial forms carrying the development elements, and it is of great theoretical and practical significance to study the spatial and economic relations within the urban agglomeration. The state has successively implemented major regional strategies such as the coordinated development of Beijing-Tianjin-Hebei, the development of the Yangtze River Economic Belt and the construction of the Chengdu-Chongqing Economic Circle, which have given new advantages and created more favorable conditions for the high-quality development of Chongqing’s urban infrastructure. In this context, the study of the spatial distribution of economic indicators and their influencing factors on infrastructure construction in Chongqing can provide more objective and realistic results for the coordinated development of Chongqing and provide a reference for the future development of Chongqing. This paper selects the data of 38 districts and counties in Chongqing from 2010 to 2020 to study the impact of infrastructure construction on per capita GDP, and empirically analyzes the spatial distribution of per capita GDP in Chongqing. On this basis, four indicators representing infrastructure construction were selected to fit the spatial Durbin model, and the results showed that: (1) There was a positive spatial correlation between the per capita GDP of each district and county in Chongqing on a global scale, and the agglomeration characteristics of spatial distribution were mainly as follows: the per capita GDP of the main urban area of central Chongqing has been in the “high-high” type, the per capita GDP of the northern region of Chongqing has been in the “low-low” type, and the per capita GDP of the central region is generally a high-growth area. (2) The infrastructure factors that have an important impact on the per capita GDP of each district and county in Chongqing are: urbanization rate, population, number of health institutions, and area of housing construction. Among them, the urbanization rate has a restraining effect on the local per capita GDP. The number of health institutions has a positive effect on the per capita GDP of the local area and the surrounding districts and counties. Population size has a restraining effect on the per capita GDP of the local area and surrounding districts and counties. The area of housing construction only has a role in promoting the local per capita GDP, and has little effect on other districts and counties.

1. 引言

当前，我国经济发展的空间结构正在发生深刻变化，中心城市和城市群正在成为承载发展要素的主要空间形式，研究城市群内部空间经济联系具有重要的理论意义和现实意义。近年来，国家先后实施了京津冀协同发展、长江经济带发展等区域重大战略[1]。从全国多极网络空间组织层面来看，长江经济带是我国区域经济重要的空间组织轴线，承担着推动全国区域协调发展的重任，堪称全国经济空间的“脊梁”。同时，随着成渝地区双城经济圈建设等国家重大战略深入实施，中央财经委员会第十一次会议提出“全面加强基础设施建设”，为重庆城市基础设施高质量发展赋予了全新优势、创造了更为有利的条件[2]。而城市基础设施包括能源供应、给水排水、交通运输、环境保护、防灾安全等，是维持城市正常运行和健康发展的物质基础，是实现经济转型的重要支撑、改善民生的重要抓手和实施区域重大战略的关键保障。探讨重庆地区空间经济结构的时空演变、驱动要素以及经济结构的动态演进，对于推动重庆地区双城经济圈建设、优化空间经济结构、实现经济高质量发展，以及对保障国家安全，畅通国内大循环、促进国内国际双循环，扩大内需，推动高质量发展等具有重要意义[3]。

近几年，随着社会经济的飞速发展，基础设施建设投入步伐加快，占GDP总数的6%以上的水平，无论是技术装备条件还是对我国经济发展的作用都有明显改善。基础设施建设是实现区域增长的基础性因素，也是推动我国GDP增长的重要动力。基础设施建设可以持续增加就业、提高经济发展，有效改善一定区域的产业发展及生产生活方式。而对于国内生产总值(Gross Domestic Product, GDP)常常被视为衡量一个国家或地区经济状况的重要指标，研究GDP数据在空间上的相关性，能够对刺激经济增长的相关因素进行定量分析，从而有助于发现经济增长中所存在的问题，引导经济进一步增长。综上所述，分析我国的基础设施空间分布对基础设施建设工作的调控具有重大意义。

翟一通过从不同角度研究我国交通与经济增长的关系，灵活地将时间维度和空间维度相结合，最终得出结论公共运输建设发展与我国经济发达水平的空间分布较为一致。空间统计的方法对于分析地域GDP发展的关联性有着很强的作用[4]。吴常灿运用空间统计对天津市GDP做出了关联性分析，运用空间权重矩阵的计算方式以及全局空间自相关指标和局部自相关指标，并采取蒙特卡罗模拟的方法进行检验，在此基础上，进行GDP局部自相关分析。程中林等人曾通过相关回归分析提出仅仅通过改善城镇化率无法真正实现GDP的提升，还应该注重公共资源建设，提高精神文明建设[5]。洪景涛运用空间统计的方法结合不同省市之间人口分布的不同特点，并且考虑到各省市的经济发展情况，判断各地的经济发展水平是否与其人口分布特点有关，最终得到主要的GDP贡献值来源于从事第三产业的人口，其次是第二产业，第一产业对于GDP的增长有正面作用，但作用较小[6]。人口结构组成一直都是影响经济发展的重要因素。于国庆提出性别比失调、老龄化加剧等诸多问题已经制约了我国的经济发展，通过对吉林省的人口总量、人口性别结构等数据分析，结合县域人均GDP这一经济指标，使用空间统计分析方法，探索吉林省区域经济发展的空间差异性[7]。最终得到结果吉林省人口结构与经济发展两大系统，虽然有较高的耦合度，但由于其内部结构的不合理性，导致耦合协调程度较低，人口结构发展指数一直低于经济发展指数，不利于经济的发展，以至于综合发展水平较低[8]。

根据以上文献可见，研究成果主要分析了某些省份和城市的影响GDP与空间分布的关联，这些因素主要与社会公共资源、人口分布结构等有关，但对于重庆各个区县之间人均GDP发展情况的研究较少。因此，本文将在已有研究的奠基下，进一步探究重庆市各个区县经济在时间和空间上的分布情况，以及各区县基础建设的时空指标数据对人均GDP发展的影响关系。

2. 研究方法与数据来源

2.1. 数据来源

本文收集并整理了2010年至2020年重庆市38个区县的人均GDP数据，以及用于研究城市基础建设对其的影响因素指标数据，如城镇化率、卫生机构数量、公路公里数、房屋建筑施工面积以及城市基础指标，人口数量。这些数据均来源于重庆市统计局《统计年鉴》。空间权重矩阵采用Rook邻近准则[9]建立。

本文将重庆市38个区县人均GDP作为因变量，从人口与基础建设方面，选取38个区县在2010~2020年的人口数量、城镇化率、卫生机构数量、房屋施工建筑面积以及公路里程数5个变量作为自变量，如表1所示。

Table 1. Variable symbols and meanings

表1. 变量符号及含义

简称	含义	单位
Y	人均GDP	元
X1	城镇化率	%
X2	卫生机构数	个
X3	人口数量	万人
X4	房屋建筑施工面积	万平方米
X5	公路公里数	公里

Figure 1. Line chart of the mean indicators of each district and county in Chongqing

图1. 重庆市各区县指标均值折线图

为了进一步观察重庆市各区县自变量指标的空间分布特征，绘制2010年至2020年城镇化率、卫生机构数、人口数量以及公路公里数的均值折线图，如图1所示。

从折线图中可知，城镇化率与人口数量并无明显线性关系；万州区、开州区的人口数量以及卫生机构数量较多，城镇化率处于重庆市区县中等水平。重庆主城九区：渝中区、江北区、南岸区、沙坪坝区、九龙坡区、大渡口区、渝北区、巴南区、北碚区的城镇化率高，但其他3项指标相对不高。

2.2. Nich指数

Nich指数是一个用于划分城市的指数，它可以反映城市的创新增长能力。根据Nich指数，可以将城市划分为四种类型，见表2。

Table 2. Nich Index

表2. Nich指数

阶段	高–高型	高–低型	低–高型	低–低型
第一阶段	Nich > 1.00	Nich > 1.00	Nich < 1.00	Nich < 1.00
第二阶段	Nich > 1.00	Nich < 1.00	Nich > 1.00	Nich < 1.00

(1) 高–高型城市：这种类型的城市在两个时期的Nich指数都大于1.00，表现出显著的城市创新增长能力。这类城市通常拥有发达的经济、优越的基础设施和集中的创新资源，这些都是推动快速创新发展的重要驱动力，但城市的创新质量还有待提高。

(2) 高–低型城市：这种类型的城市在2000~2008年期间的Nich指数大于1.00，而在2008~2018年期间的Nich指数小于1.00。这类城市的创新特点是“高输入、慢产出”。由于实践创新向原创创新的转变，加上因素成本的增加和产业转移的加速，使得一些产业的外移成为Nich指数显著下降的重要因素。这些城市的未来发展方向是基于自身基础，探索产业转型和高质量创新的路径，并参与城市群创新一体化，为其他城市的创新发展和产业转型提供参考。

(3) 低–高型城市：这种类型的城市在2000~2008年期间的Nich指数小于1.00，而在2008~2018年期间的Nich指数大于1.00。这类城市的Nich指数提升是由于内生动力的增加，南京和合肥等城市的现代化和政府主导的创新投入的加速，使得江苏和合肥等城市的指数显著提高。这些城市的城市创新发展应包括利用其优越的地理位置和政策优势，利用创新因素和领导创新网络，实现创新的提升和结构的优化，同时推动周边地区的创新发展。

(4) 低–低型城市：这种类型的城市在两个时期的Nich指数都小于1.00，城市创新增长能力较弱。这类城市创新增长相对缓慢的一个重要原因是，由于发展水平低，创新因素在长三角的集中度高，受到发达城市创新因素的强烈“虹吸效应”。持续的低水平创新不利于城市的经济增长或城市群发展差距的缩小。这些城市在未来应优化其创新环境，利用核心区发达城市的创新溢出效应，积极推动符合自身需求的产业，加强与发达城市的协同创新水平，实现高质量发展。

2.3. 空间自相关

空间自相关方法按照功能大致分为两类：全局自相关(Global Spatial Autocorrelation)和区域自相关(Local Spatial Autocorrelation)。全域自相关的功能在于描述某现象的整体分布状况，判断此现象在空间是否有聚集特性存在。全局空间自相关是从宏观角度研究观测值在空间上的分布特征，在众多度量全局空间自相关的指标中，常用的有全局Moran’s I，其计算公式如下：

$I=\frac{N}{W}\frac{{\displaystyle {\sum }_{i=1}^N{\displaystyle {\sum }_{j=1}^N{w}_{ij}\left(x_i-\overline{x}\right)\left(x_j-\overline{x}\right)}}}{{\displaystyle {\sum }_{i=1}^N{\left(x_i-\overline{x}\right)}^2}}$

式中$N$ 是$i,j$ 的单位数，$x$ 是自变量，$\overline{x}$ 是$x$ 的平均值，$w_{ij}$ 是对角线上为零的空间权重矩阵的元素，$W$ 是所有$w_{ij}$ 的总和(即$W={\displaystyle \sum _{i=1}^N{\displaystyle \sum _{j=1}^N{w}_{ij}}}$ )。全局Moran指数的大小反映了观测值在空间近邻时相似程度，取值

范围在[−1, 1]，绝对值越大表示相关性越强。当指数为正值时，表示相邻地区之间的观测值相似，即为空间正相关；当指数为负值时，表示相邻地区之间的观测值差异较大，即为空间负相关；当指数的值为0时，则表示没有空间相关性，即空间上呈随机分布。

为了得到已知具体地区的空间的分布模式可以运用局部空间自相关来描述具体空间单元与其邻近单元观测值的相似程度，常用的指标有局部Moran’s I，其计算公式如下：

$I_i=\frac{\left(x_i-\overline{x}\right)}{S^2}{\displaystyle \sum _{j=1,j\ne i}^n{w}_{ij}\left(x_j-\overline{x}\right)}$

局部Moran指数判断空间自相关性的方法与全局空间自相关方法相同。为了研究局部地区的空间聚集模式。需要用到Moran散点图来进行可视化二维展示。Moran散点图分为4个象限，每个象限分别对应不同的空间聚集类型：第1象限代表该地区与其周围的地区都是高观测值，属于高–高型聚集，为空间正相关；第2象限代表低观测值地区被高观测值地区围绕，属于低–高型聚集，为空间负相关；第3象限代表该地区与其周围的地区都是低观测值，属于低–低型聚集，为空间正相关；第4象限代表高观测值地区被低观测值地区围绕，属于高–低型聚集，为空间负相关。本文便是运用局部自相关的分析方法来绘制了重庆市38个地区的人均GDP的Moran散点图来考察重庆市38个区县的人均GDP在空间上的聚集特征。

2.4. LISA图

LISA (Local Indicators of Spatial Association)集聚图是一种空间统计图，用于显示空间自相关的地理数据集的分布。它主要用于揭示数据中的空间模式，特别是全局统计方法可能遗漏的模式。更具体地说，LISA集聚图是根据LISA统计量进行颜色编码的地图，以此表示每个位置的空间自相关。在LISA集聚图中，地图的每个位置都被赋予一种颜色，这种颜色表示该位置的值与其周围的值有多么接近。例如，如果一个位置的值与其邻居的值非常接近(正自相关)，那么这个位置可能被染成一种颜色，而如果一个位置的值与其邻居的值差异很大(负自相关)，那么这个位置可能被染成另一种颜色。总的来说，LISA集聚图是一种很强大的工具，可以帮助我们理解地理数据的空间模式。

2.5. 空间杜宾模型

空间杜宾模型(Spatial Durbin Model, SDM)，是一个用于处理地理或空间数据的统计模型。SDM是一种空间回归模型，可以用来考察某一区域的变量如何影响其它区域的变量。这种模型可以应用于多种领域，如经济学、地理学、城市规划、环境科学等。假定因变量取值除受本地自变量的影响外，还会受到邻近地区的自变量影响，即在模型中加入自变量的空间滞后值假设区域的被解释变量依赖于其邻居的自变量：

$y_{\text{it}}=\alpha +\rho {\displaystyle {\sum }_{j=1}^n{w}_{ij}{y}_{it}}+{\displaystyle {\sum }_{j=1}^n{w}_{ij}{x}_{it}\theta }+\beta x_{it}+{\mu }_i+{\lambda }_i+{\epsilon }_{it}$

其中，$y_{it}$ 是因变量，表示第i个地区的第t年的人均GDP值，$x_{it}$ 是解释变量，表示第i个地区的第t年的各个自变量，$w_{ij}$ 未空间权重矩阵，$\rho$ 为空间滞后系数，${\mu }_i,{\lambda }_i,{\lambda }_{it}$ 分别为地区、年份的固定效应和随机扰动项。

简单来说，SDM分成三个部分：

(1) 与相邻地区$y$ 的空间自相关：$W$ 为空间权重矩阵，显示$y$ 与相邻地区的关系；

(2) 自变量相关：$y$ 与自变量$X$ 有关，也就是最简单的线性回归模型；

(3) 与相邻地区$X$ 的空间自相关：$y$ 与相邻地区的其他$X$ 有关。

SDM的一个重要特性是它可以考虑到空间滞后效应。也就是说，它可以考虑到一个地方的变量对周围地方的影响。这使得SDM可以用来分析地理或空间数据中的相互影响和依赖性。需要注意的是，SDM需要一个合适的空间权重矩阵W来描述空间关系。这个矩阵通常是基于地理距离或其他形式的空间关系来定义的。

以下是我发现的空间杜宾模型的一些具体应用：对中国京津冀经济圈的分析，使用SDM实证研究了2010~2019年金融发展和技术创新对产业集聚的影响。研究发现，金融发展对产业集聚有积极影响，但与经济距离矩阵的权重相比，地理距离矩阵的权重效应有明显差异。技术创新也被发现对产业集聚有明显的积极影响。一项研究采用固定效应的量化回归空间动态杜宾面板数据(SDDPD)模型，分析了2011~2017年中国31个省份国际旅游外汇收入的影响因素。该研究证明了该模型在处理复杂情况和减少空间和时间上的滞后响应变量作为回归者的表述偏差方面的有效性。通过对传统的索洛经济增长收敛模型的增强模型，对国民经济的未知空间互动结构进行考察。空间加权函数和索洛参数被允许分别是地理距离和国家贸易开放度的函数。这项研究证明了SDM在分析跨国经济外部性和国家增长方面的多功能性。

3. 重庆市各区县人均GDP的空间分布

对重庆市38个区县的人均GDP进行描述性统计分析，将2010年至2020年的人均GDP取均值绘制空间分布图，如图2所示。

Figure 2. Per capita GDP of each district and county in Chongqing

图2. 重庆市各区县人均GDP

重庆人均GDP较高的地区主要集中在主城区，其中渝中区为红色远远超高了其他地区详情可见图3，距离主城区越远的位置图例颜色逐渐呈绿色，说明距离主城区越远的地方发展较为落后一些。这也体现了重庆市各个区县的发展不均衡，主城建设远远优于其他地区。

Figure 3. GDP per capita of each district and county in Chongqing (main urban area)

图3. 重庆市各区县人均GDP(主城区)

3.1. 高增长型地区人均GDP分布特征

重庆各区县的人均GDP的Nich值如表3所示：Nich ≥ 1的人均GDP呈高增长型地区有18个，其中渝中区、荣昌区、长寿区、铜梁区位居前四，重庆主城九区：渝中区、江北区、南岸区、沙坪坝区、九龙坡区、大渡口区、渝北区、巴南区、北碚区的Nich指数显著高于其他地区，而有20个地区的Nich < 1，属于低增长型，主要位于重庆边缘地带。

Table 3. Nich index

表3. Nich指数

地区	Nich	地区	Nich	地区	Nich
巴南区	0.8084	九龙坡区	0.6112	万州区	0.6909
北碚区	0.8367	开州区	0.7390	巫山县	0.6870
璧山区	1.5698	梁平区	1.3374	巫溪县	0.4467
城口县	0.3719	南岸区	0.2218	武隆区	0.9469
大渡口区	−0.2332	南川区	0.8734	秀山县	1.0262
大足区	1.4439	彭水县	0.7518	永川区	1.2856
垫江县	1.1759	綦江区	1.0996	酉阳县	0.5470
丰都县	1.0577	黔江区	0.6609	渝北区	0.7655
奉节县	0.7018	荣昌区	1.8133	渝中区	2.7736
涪陵区	1.5098	沙坪坝区	0.3339	云阳县	0.9055
合川区	1.2919	石柱县	0.6685	长寿区	1.6622
江北区	1.4953	铜梁区	1.6459	忠县	1.0101
江津区	1.2815	潼南区	1.1849

3.2. 全局空间聚集效应

本文计算并检验了选取重庆市38个区县的人均GDP在2010~2020年间的全局Moran’s M统计量，以衡量高、低聚集的情况，如表4所示，重庆市38个区县的人均GDP的全局莫兰指数为在2010~2020年间均为正数，说明在这10年间的地区之间的人均GDP呈现正相关。在2010~2020年间，全局莫兰检验指数在正态分布假设下和随机分布假设下均大于1.96，即在0.05的显著性水平下，人均GDP存在空间自相关性。

Table 4. Moran index

表4. Moran指数

年份	全局Moran指数I	正太分布假设下检验数	随机分布假设下检验数
2010	0.4442	4.9243	5.0373
2011	0.4812	5.3110	5.5753
2012	0.4355	4.8342	5.2166
2013	0.4331	4.8082	5.1673
2014	0.4133	4.6013	4.9296
2015	0.3741	4.1917	4.5778
2016	0.3927	4.3865	4.8211
2017	0.4328	4.8051	5.1303
2018	0.4197	4.6689	5.1567
2019	0.4529	5.0159	5.3871
2020	0.3725	4.1753	4.7446

3.3. 重庆市各区县人均GDP局部聚集特征

本文以2010、2014、2018、2020年为时间节点来进一步考察重庆市38个区县人均GDP在空间上的聚集特征，利用局部空间自相关的分析方法，绘制了重庆市38个地区的人均GDP的Moran’s M散点图，如图4所示。

Figure 4. Moran scatter plot

图4. 莫兰散点图

由图可得，横纵坐标一般是进行分析的数据的离差值，Moran散点图经常用来研究局部空间不稳定性，其四个象限分别对应于区域单元与其邻居之间四种类型的局部空间联系形式，从图中可以看出均呈正相关，且大多数省份落于第三象限，呈“低–低”型的聚集，这与全局空间自相关性分析结果一致。

为了使图4结果更加清晰，于是将图4进一步整理，绘制为LISA聚类地图，如图5所示

Figure 5. LISA cluster map

图5. LISA聚类地图

3.4. LISA聚类地图

在这11年间，重庆中部主城地区的人均GDP一直处于“高–高”型，重庆北部地区的人均GDP表现为“低–低”，在2014年之后黔江区的人均GDP处于“高–低”型，而在2014年之后黔江区处于“低–低”型，这表明了重庆北部地区自身经济发展水平较高，其周边地区也较高。因此，自身和周边地区构成“高–高”聚集区域(“高–高”类型县市和周边地区构成“高–高”聚集区域)。以渝中区为例，它是“高–高”类型县(市)，其自身经济发展水平较高，周边地区也较高。渝中区和其周边地区构成“高–高”聚集区域。然后，渝中区和其周边地区之间(即“高–高”聚集区域内)可能存在空间扩散或溢出效应，二者之间空间差异趋于缩小。也体现了重庆中部区域的发展水平显著高于重庆北部。而重庆大多数区域在LISA聚类地图上都是不显著的。

4. 重庆市各区县人均GDP的影响因素分析

4.1 数据检验

本文使用Pearson相关系数，来衡量1.1节中选取的5个指标以及因变量之间的线性相关程度，并用热力图展示，如下图6所示：图中数值在[−1, 1]范围内，数值越接近1和−1，则表明两个变量间的相关性越强，相关性越显著。其结果表明，因变量与自变量中，人均GDP(Y)与房屋建筑施工面(X4)的相关性最强；自变量与自变量间，卫生机构数量(X2)和人口数量(X3)的正相关性最强，公路公里数(X5)和城镇化率(X1)的负相关性关系最强，其他5个变量之间存在着不同程度的线性相关关系。

Figure 6. Pearson correlation heat map

图6. Pearson相关性热力图

对不平稳的数据进行回归，容易造成伪回归，影响结果的准确性。于是本文根据短面板数据特性，使用Harris-Tzavalis检验和Im-Pesaran-Shin检验进行面板数据单位根检验，来判断数据的平稳性。

首先对原始数据进行短面板数据的单位根检验，检验结果中，X4的Harris-Tzavalis检验和Im-Pesaran-Shin检验z统计量分别为1000和15.0239，其对应p值均为1，说明原序列时非平稳序列。考虑指标均为经济数据，故对数据进行对数处理，处理后对序列进行单位根检验，结果如表5所示：两种检验方法的p值都很小，可以拒绝原假设，认为数据是平稳的，故可对其进行下一步的回归分析。

Table 5. Unit root test results

表5. 单位根检验结果

变量	Harris-Tzavalis检验		Im-Pesaran-Shin检验
	z统计量	P值	Z统计量	P值
Log (y)	−4.0260	<<0.01	−4.3604	<<0.01
Log (X1)	−13.7261	<<0.01	−8.1313	<<0.01
Log (X2)	−14.6689	<<0.01	−7.1313	<<0.01
Log (X3)	−9.1817	<<0.01	−6.2622	<<0.01
Log (X4)	−7.2568	<<0.01	−4.4993	<<0.01
Log (X5)	−5.8708	<<0.01	−5.1824	<<0.01

4.2. 模型估计结果及描述

4.2.1. 模型估计结果

在进行构建空间计量模型前，对面板数据进行相应检验以确定模型以及模型相关参数的选择，空间计量模型选择的检验结果如下表6所示。

Table 6. Results of spatial econometric model selection test

表6. 空间计量模型选择检验结果

空间面板模型检验		Value	P-value
LM检验	Moran’s I	1.163	0.245
	LM-lag	59.913	0.000
	Robust-LM-lag	60.577	0.000
	LM-error	2.025	0.155
	Robust-LM-error	2.689	0.101
LR检验	LR-SDM/SEM	8.59	0.1265
	LR-SDM/SAR	10.06	0.0735
Wald检验	Wald	18.41	0.0025
时间–空间固定效应检验	LR-both/ind	82.57	0.0000
	LR-both/time	606.38	0.0000

由上述检验结果可得，LM检验统计量均在5%水平上显著，表明选择空间计量模型的合理性；LR检验统计量均在10%水平上显著，强烈拒绝原假设，表明SDM模型不能退化为SAR模型或SEM模型；Wald检验统计量同样在5%水平上显著，表明与SEM和SAR模型相比，选择SDM模型更优；LR时间—时空效应检验均在5%水平上拒绝原假设，表明选择SDM模型时，采用时间–时空双固定效应模型更有效。基于此，本文选择时间–时空的双固定效应的空间杜宾模型进行分析。模型估计结果见下表7所示。

从上表结果得知，X2、X4、X5于1%的水平上显著为正，X3在5%的水平上显著为负，X1的影响不显著，然后在引入空间权值矩阵后，X2、X3、X4和X5仍具有显著的影响，X1在5%的水平上显著，这表示在考虑空间相关性后，卫生机构数量、人口数量、房屋建筑施工面积以及公路里程数对重庆市各区县人均GDP较为显著。

Table 7. Model estimation results

表7. 模型估计结果

简称	SDM	SEM	SAR
Log (X1)	−0.111129^* (−2.645490)	−0.132183^* (−3.018559)	−0.120454^* (−2.919513)
Log (X2)	0.196183^** (5.420317)	0.225623^** (5.902956)	0.191406^** (5.372300)
Log (X3)	−0.402548^** (−6.119545)	−0.450428^** (−7.272918)	−0.381628^** (−6.700982)
Log (X4)	0.044343^** (3.371049)	0.059866^** (4.432379)	0.049159^** (3.957110)
Log (X5)	0.076035 (1.558809)	0.123171^* (2.538477)	0.086021 (1.904325)
W * X1	0.111459 (1.022921)
W * X2	0.140929 (1.806983)
W * X3	−0.323370^* (−2.263351)
W * X4	0.027785 (1.041506)
W * X5	−0.010517 (−0.099603)
log-likelihood	233.98179	206.83753	230.46734
R^2	0.9524	0.9445	0.9522

4.2.2. 空间效应分解

为深入探究各个自变量对重庆市各区县人均GDP的直接和间接作用，对变量进行效应分解(结果如表8所示)。

Table 8. Decomposition results of spatial effects

表8. 空间效应分解结果

变量名称	X1	X2	X3	X4	X5
直接效应	−0.105042^** (−2.398731)	0.209346 ^*** (5.717576)	−0.429790^** (−6.387157)	0.046593^** (3.573515)	0.075545 (1.528686)
间接效应	0.107966 (0.688339)	0.282743^* (2.636403)	−0.627141^*** (−3.127305)	0.058239 (1.578366)	0.020613 (0.139901)
总效应	0.002925 (0.016371	0.492089^*** (4.054475)	−1.056931^*** (−4.454402)	0.104831^* (2.687204)	0.096157 (0.627269)

注：括号内为t统计量；^***，^**，^*分别表示在1%、5%、10%显著水平下的显著性。

根据上述空间杜宾模型的空间效应分解结果可知，变量X1的直接效应显著为负，而间接效应和总效应为正，但均不显著，表明重庆市各区县城镇化率的提高反而会抑制其对应区县人均GDP的增长，而本地城镇化率的变化对周边区县的人均GDP影响不大，这可能与重庆市本地城镇化率提高，导致房价等因素不稳定性增强，使得人民生活压力增大，人均GDP有所抑制。

变量X2的直接效应和总效应均非常显著为正，间接效应显著为正，表明卫生机构数量增加会促使本地人均GDP增加，同时，卫生机构数量的增加也会促使周边区县的人均GDP增加，说明区县内卫生机构的建立为人民生活健康提供了保障，带动区县综合发展，促进人均GDP的增长；而卫生机构的影响范围不止在本区县，尤其是鼎鼎有名的卫生机构，能够带动大范围地区的经济，所以能促进周边区县人均GDP增长。

变量X3的直接效应、间接效应以及总效应均显著为负，表明人口数量的增加不仅会对本地的人均GDP有抑制作用，还对周边区县的人均GDP有抑制作用。人均GDP的计算公式为地区总GDP除以该地区人口数量，所以人口数量对当地人均GDP呈抑制作用不难理解，而某地区人口数量对周边区县的人均GDP也呈现抑制作用，根据人员流动性，人口数量的增加不仅对本地经济有影响，而且对其他地区经济也有影响作用。

变量X4的直接效应和总效应均显著为正，而间接效应不显著，表明房屋建筑施工面积对人均GDP有促进作用，即房屋建筑施工面积越多，人均GDP也越高，但某区县的房屋建筑面积对周边区县的人均GDP影响并不显著，说明房屋建筑能够带动经济发展，使得地区整体GDP有所增加，进而使得人均GDP增加。

变量X5的直接效应、间接效应以及总效应均为正，但都不显著，表明公路公里数对人均GDP的作用并不明显，说明基础建设中公路建设对人民生活的直接影响不大，而对人民生活质量有一定的正向影响。

5. 结论

通过人均GDP的空间分布分析，重庆市各区县人均GDP高增长型地区有18个，其中渝中区、荣昌区、长寿区、铜梁区位居前四，重庆主城九区的人均GDP显著高于其他地区，而位于重庆边缘区域的区县普遍为低增长型地区。重庆市各区县人均GDP在全市范围内存在正空间相关性，空间分布的集聚特征主要为重庆中部主城地区的人均GDP一直处于“高–高”型，重庆北部地区的人均GDP表现为“低–低”型，重庆北部地区自身经济发展水平较高，其周边地区也较高。

对重庆市各区县人均GDP有重要影响的基础设施方面因素有：城镇化率、人口数量、卫生机构数量以及房屋建筑施工面积。重庆市各区县城镇化率的提高反而会抑制其对应区县人均GDP的增长，而本地城镇化率的变化对周边区县的人均GDP影响不大；卫生机构数量对本地以及周围区县的人均GDP都有促进作用；人口数量对本地和周围区县人均GDP呈抑制作用；房屋建筑施工面积仅对本地人均GDP有推动作用，对其他区县作用不大。

为更好地了解基础设施建设对重庆市各区县人民生活的影响作用，做到达到意义上的满足人民日益增长的美好生活需要目标，可以考虑从这四个影响因素来合理规划城市发展以及满足人民生活所需，完善城市建设的同时，提高人民生活幸福度。

基金项目

重庆市教育委员会人文社会科学研究重点项目(23SKGH251)。