简介我国电子信息产业集聚效应实证分析以省际面板数据为基础运用柯布-道格拉斯生产函数与Log-Linear模型检验电子信息制造业的规模经济效益、马歇尔外部性及雅各布斯外部性并借助双固定效应模型识别区域差异适合产业经济学研究者、电子信息产业分析人员及需要毕业论文参考的学生使用。内含1个PDF格式文件大小仅196KB内容涵盖数据来源《中国电子信息产业统计年鉴》、指标选取销售收入、资产总计、从业人员、产业集中度等、模型构建与实证结果解读可作为同类研究的框架参考或专业指导文献。已有103人学习下载。这份文献特别指出了我国电子信息产业集聚效应在不同区域的差异表现并结合硅谷、新竹及中关村的案例解释了政策含义读者可据此理解面板数据计量分析在产业研究中的完整应用流程以及如何选择固定/随机效应模型、处理省级数据并解释弹性系数意义。1. 电子信息产业集聚效应实证分析从统计集中度到经济效应拿到《我国电子信息产业集聚效应实证分析》这类标题多数人第一时间会去堆区位熵、算产值份额把集聚度算出来就以为实证做完了。实际上这套分析真正的难点有两个一是产业边界怎么划二是集聚指标与经济增长之间的内生性。统计上的「扎堆」只是表象政策补贴、园区招商都可能造成集中而经济学意义上的集聚效应指的是知识溢出、中间品共享和劳动力蓄水池带来的效率提升。这篇博文围绕电子信息产业集聚效应实证分析常用的技术路线——区位熵与空间基尼系数测度、面板回归、空间自相关检验——把每一步的数据口径、代码实现和输出解读讲清楚。适合做区域经济分析、园区规划、企业选址研究的IT技术人也适合接了这类横向课题需要快速上手的开发者。下面直接从最关键的指标选择说起因为指标口径不同结论可能完全相反。2. 集聚效应的度量指标区位熵、空间基尼系数与赫芬达尔指数的口径取舍电子信息产业集聚效应实证分析的第一步是回答「集聚怎么测」。产业经济学里没有单一的黄金指标常见的三套指标分别从地区比较优势、区域离散度和企业市场结构三个角度逼近同一个概念。三者算出来都是数字但背后的经济学含义完全不同选错口径会导致后续回归系数解释方向出错。2.1 区位熵识别电子信息产业在地区层面的比较优势区位熵Location QuotientLQ是最常用的相对集中度指标衡量某个地区内电子信息产业占当地工业总产值的份额相对于全国平均水平的偏离程度。计算公式为LQ (E_ij / E_i) / (E_j / E)其中 E_ij 表示 i 地区电子信息产业产值E_i 表示 i 地区工业总产值E_j 表示全国电子信息产业产值E 表示全国工业总产值。LQ 大于 1说明该地区电子信息产业的份额高于全国平均存在比较优势小于 1 则相反。这个指标的好处是数据需求低只需要省级或市级的两列产值数据就能算。它是截面可比的适合做静态比较。难点在于分子分母的口径必须一致如果分子用规模以上电子信息制造业产值分母就必须用规模以上工业总产值否则比值失真。实际项目中常见错误是把第二产业增加值当作分母与制造业产值混用导致长三角和珠三角的 LQ 整体偏高。2.2 空间基尼系数产业份额在区域间的离散程度空间基尼系数Spatial Gini Coefficient的思路来自洛伦兹曲线刻画电子信息产业在各地区的分布是否比总体经济活动更不均衡。计算公式为G Σ_i (s_i - x_i)²其中 s_i 是 i 地区电子信息产业产值占全国电子信息产业的份额x_i 是该地区工业总产值占全国工业总产值的份额。G 越接近 0说明电子信息产业的区域分布与总体工业分布越一致G 越接近 1说明产业越集中于少数地区。这里要特别小心与收入基尼系数的区别。空间基尼系数不是从洛伦兹曲线下面积推出来的标准基尼而是对份额差的平方求和取值范围不是 0 到 1 的完整区间。不同文献对这一指标的定义略有差异做实证分析时建议在论文的方法部分写清楚用的是哪个公式否则审稿人和读者按标准基尼系数去核对数据会对不上。2.3 赫芬达尔指数企业粒度上的集中度与市场结构赫芬达尔指数HHI是产业组织理论中的经典指标不过放到区域集聚背景下计算粒度可以从企业换成地区。它的形式是HHI Σ_k (x_k / X)²如果按企业计算x_k 是某家企业电子信息产业的产值或收入X 是全部样本的总产值HHI 越大说明市场越集中。如果按地区计算则反映产业在区域间的集中程度。HHI 的优点是对份额变化敏感且只用一个数字就能概括分布形状缺点是它不包含空间邻接信息。两个省产值份额完全相同但一个在地理上相邻、一个相隔千里算出来的 HHI 是一样的。2.4 三套指标的适用边界与常见误用指标计算粒度数据要求回答的问题主要局限区位熵地区地区行业产值与总产值本地是否有比较优势不反映规模小基数地区易虚高空间基尼系数地区地区行业份额与总体份额产业分布是否偏离总体分布忽略空间邻接关系赫芬达尔指数企业或地区企业明细或地区份额集中度有多高对空间位置不敏感表格里的三套指标在实证论文中经常一起报告但作用不同。区位熵适合做核心解释变量或分组依据空间基尼系数适合做全国层面的趋势描述HHI 适合做稳健性检验。常见误用是把区位熵等于集聚效应这是一个逻辑跳跃区位熵高可能只是因为该地区人口少、工业基础弱基数低导致比值高。要论证集聚效应必须把集聚指标放到回归模型里控制其他影响因素后才能识别。3. 实证数据准备电子信息产业边界、面板数据整理与指标计算任何实证分析都从数据开始电子信息产业集聚效应实证分析的最大坑也在这。电子信息产业不是一个严格的国民经济行业分类门类它跨了制造业和服务业两大板块。不同来源的数据集对「电子信息产业」的统计边界完全不同先用哪个口径直接决定后面所有指标的结果。3.1 产业边界与统计口径制造业、软件业分与合国民经济行业分类中与电子信息产业直接相关的包括计算机、通信和其他电子设备制造业C39以及软件和信息技术服务业I65。前者属于第二产业数据在工业统计体系中后者属于第三产业数据在服务业统计体系中。两者在生产方式、集聚机制和空间分布上差异很大。常见的做法有三种。第一种只覆盖 C39 制造业口径好处是统计口径完整、年鉴数据连续适合做长周期面板第二种只覆盖软件业口径适合研究数字服务业的集聚特征第三种把两者合并但这时必须面对重复计算问题——软件业务收入中有相当一部分来自制造业企业的嵌入式软件按企业法人口径合并会造成高估。笔者处理过的项目中省级层面合并口径比制造业口径的产值高 20% 到 35%这个差异足以改变回归结论。3.2 数据来源与预处理从原始记录到平衡面板数据来源方面常见渠道是统计年鉴系列的工业经济统计资料、电子信息产业统计公报以及各地统计年鉴中规模以上工业分行业数据。企业层面的微观数据则来自经济普查或工业企业数据库后者覆盖规模以上工业企业包含行业代码、产值、从业人数等关键字段。拿到原始数据后的标准处理流程分四步。第一步清洗行业代码把国民经济行业分类中 C39 下的子行业全部挑出来注意行业代码在 2002、2011、2017 年分类标准间做过调整第二步确定价格基准用工业生产者出厂价格指数对产值进行平减消除通胀影响第三步检查省份完整性直辖市、自治区与普通省份的统计年鉴公布详略不一致西藏、青海等地的电子信息产业数据经常缺失第四步决定缺失值策略如果某省份某年份为 0通常视为产业尚未形成保留 0 值比删掉更合理。3.3 集聚指标的 Python 实现区位熵与赫芬达尔指数下面给出一段可直接运行的 Python 代码计算省级面板的区位熵和赫芬达尔指数。假设数据已经读入 pandas DataFrame字段包括 province省份、year年份、elec_output电子信息产业产值、total_output工业总产值。import pandas as pd def compute_lq_and_hhi(df): 计算省级面板的区位熵LQ和赫芬达尔指数HHI df: DataFrame字段为 province, year, elec_output, total_output 返回带 lq 和 hhi 列的 DataFrame df df.copy() # 计算全国各年份的行业总产值与工业总产值 df[nation_elec] df.groupby(year)[elec_output].transform(sum) df[nation_total] df.groupby(year)[total_output].transform(sum) # 区位熵地区行业份额 / 全国行业份额 df[share_local] df[elec_output] / df[total_output] df[share_nation] df[nation_elec] / df[nation_total] df[lq] df[share_local] / df[share_nation] # 赫芬达尔指数按省份产值份额平方和 df[ind_share] df[elec_output] / df[nation_elec] df[hhi] df.groupby(year)[ind_share].transform(lambda x: (x ** 2).sum()) return df # 读取数据后调用示例 # raw pd.read_csv(elec_province_panel.csv) # result compute_lq_and_hhi(raw)代码逻辑分三层。transform 按年份计算全国汇总值并把结果广播回每一行避免了先 groupby 再 merge 的繁琐步骤区位熵的分子分母都使用同一年的数据保证了截面可比HHI 的 lambda 函数对各省份额平方求和得到的是全国层面的集中度指标该值在同年所有省份重复出现适合匹配回模型作为宏观控制变量。参数说明elec_output 和 total_output 的单位需要一致建议都转换为亿元且为平减后实际值如果数据包含港澳台要在处理前剔除因为统计口径与内地不同。结果中 lq 大于 1 的省份可以进一步做 0/1 虚拟变量作为后续分组回归的依据。需要强调的是HHI 按省份计算时样本量是省级数量如果数据是企业级的则应该先按行业汇总再计算避免把区域集中度和市场集中度混为一谈。4. 面板回归模型设定双向固定效应与聚类稳健标准误的实证实现有了集聚指标后核心实证任务就是把集聚效应从相关系数变成因果解释。电子信息产业集聚效应实证分析的标准做法是构建省级面板回归模型用集聚指标解释产出、生产率或增长。这一章的难点不在跑回归本身而在模型设定是否经得起检验。4.1 模型设定与变量选取常用基准模型采用双向固定效应形式Y_it α β · Agglomeration_it γ · X_it μ_i λ_t ε_it其中 Y_it 是 i 省第 t 年的电子信息产业产出或全要素生产率Agglomeration_it 是上一节算出的区位熵或 HHIX_it 是控制变量向量μ_i 是省份固定效应λ_t 是年份固定效应ε_it 是误差项。省份固定效应吸收了各省不随时间变化的禀赋差异比如地理位置、气候条件、历史工业基础年份固定效应吸收了全国层面的宏观冲击比如 2008 年金融危机、2020 年全球芯片短缺。控制变量的选择要有经济学逻辑。常见的有人力资本水平大专以上人口占比、基础设施密度公路里程或互联网宽带接入端口数、对外开放度实际利用外资占 GDP 比重、研发投入强度RD 经费内部支出占 GDP 比重、城镇化率。这些变量和数据可以从统计年鉴中直接获取或简单计算得到不要为了凑显著性堆砌几十个控制变量那会加剧多重共线性。4.2 固定效应还是随机效应Hausman 检验与 F 检验面板模型的第一步是决定用固定效应还是随机效应。固定效应假设 μ_i 与解释变量相关随机效应假设 μ_i 与解释变量不相关。方法上先跑固定效应和随机效应两个模型再做 Hausman 检验原假设是随机效应模型成立。p 值小于 0.05 时拒绝原假设使用固定效应。实际操作中还有一个更直接的判断依据研究对象是全部省份还是抽样省份。如果样本包含了全国 31 个省级行政区的全部数据那么省份固定效应是正确选择因为固定效应只推断样本内的省份差异如果样本是从全国抽取的部分城市或部分企业随机效应在统计上更有效率。大多数省级面板研究直接采用固定效应并用 F 检验确认存在个体效应。4.3 PanelOLS 回归代码与输出解读Python 中可以用 linearmodels 包的 PanelOLS 实现双向固定效应回归。下面给出完整代码from linearmodels.panel import PanelOLS import statsmodels.api as sm # 假设 panel_df 已按 province 和 year 设定索引 # 变量: lq(区位熵), edu(人力资本), infra(基础设施), # fdi(对外开放度), rd(研发投入), ln_output(对数产出) panel_df panel_df.set_index([province, year]) # 定义因变量和自变量不含截距PanelOLS 自动加入 exog_vars [lq, edu, infra, fdi, rd] exog sm.add_constant(panel_df[exog_vars]) y panel_df[ln_output] # 双向固定效应 按省份聚类稳健标准误 model PanelOLS(y, exog, entity_effectsTrue, time_effectsTrue) result model.fit(cov_typeclustered, cluster_entityTrue) print(result)输出结果中需要重点看三组信息。第一是系数符号与显著性lq 系数的 p 值是否小于 0.05系数为正说明在控制省份和年份效应后集聚度每提高 1 个单位产出平均增加百分之多少。第二是 R² 与整体检验within R² 反映固定效应模型的组内解释力一般大于 0.3 即为可接受。第三是 F 检验的 p 值如果不显著说明所有解释变量的联合解释力不足模型需要重新设定。聚类稳健标准误很关键。省级面板的样本期通常 10 到 20 年每个省份的产出在时间上高度自相关如果不做聚类调整标准误会偏小系数很容易被错误地判定为显著。cluster_entityTrue 表示按省份聚类允许同一省份不同年份的扰动项相关这是省级宏观面板的默认标准。如果样本城市较多也可以尝试二维聚类省份和年份同时聚类但二维聚类在省份数较少时可能产生退化问题一般省份数少于 30 时仍建议只按省份聚类。4.4 内生性处理滞后变量、工具变量与控制变量固定效应只能解决不随时间变化的遗漏变量问题。电子信息产业集聚效应实证分析里最典型的内生性是反向因果产业集聚促进产出增长同时高产出地区吸引更多企业进入进一步强化集聚。解决思路一般分三条线按成本从低到高排列。第一条是把核心解释变量滞后一期或两期即用上一年的区位熵解释今年的产出。这样做不能彻底解决内生性但可以缓解同期反向因果的干扰实施成本最低适合做基准结果之外的稳健性检验。第二条是加入政策虚拟变量控制国家级开发区、自由贸易试验区等政策的冲击因为这些政策与集聚指标高度相关遗漏它们会放大集聚系数。第三条是寻找工具变量常见做法包括使用地形起伏度、历史人口密度或明清时期驿站数量作为集聚的工具变量。需要注意工具变量的外生性论证在电子信息产业场景下并不容易。地形起伏度影响交通成本但山区省份近年来承接了大量数据中心和电子代工产能工具变量的排他性受到挑战。如果审稿人质疑工具变量最稳妥的做法是报告工具变量的第一阶段 F 统计量并同时呈现 OLS 和 IV 两种结果供读者比较量级差异。5. 实证结果的空间自相关检验用莫兰指数验证电子信息产业集聚的溢出效应区域经济数据最容易被忽略的一个性质是空间依赖性。电子信息产业存在明显的供应链相邻关系——配套企业倾向于布局在核心组装厂周边这种由中间品运输成本驱动的邻近效应会让相邻省份的产业产出呈现正相关。如果误差项存在空间自相关普通面板回归的标准误估计就是有偏的。因此在报告基准回归结果之后应当补充莫兰指数检验。5.1 全局莫兰指数与空间权重矩阵的构建全局莫兰指数Morans I的计算公式为I (n / S₀) · [Σ_i Σ_j w_ij (x_i - x̄)(x_j - x̄)] / [Σ_i (x_i - x̄)²]其中 w_ij 是空间权重矩阵的元素S₀ 是权重矩阵元素之和n 是地区数量。权重矩阵的选择直接影响指数值。最常用的是 Queen 邻接矩阵即两个省份若有共同边界则权重为 1否则为 0也可以用反距离权重矩阵权重取地理距离的倒数反映距离衰减效应。实际操作建议先做 Queen 邻接版本再做个反距离版本做对照。使用 Python 的 libpysal 和 esda 库可以轻松完成import libpysal from esda.moran import Moran # 读取省份面数据构建 Queen 邻接权重矩阵 # 假设 provinces_shp 是 GeoDataFrame w libpysal.weights.Queen.from_dataframe(provinces_shp) w.transform r # 行标准化 # 计算全局莫兰指数 moran Moran(panel_df[panel_df[year]2022][lq], w) print(fMorans I {moran.I:.4f}, p-value {moran.p_sim:.4f})代码中 w.transform r 表示对权重矩阵做行标准化即每个省份的邻居权重之和为 1这样可以使莫兰指数不受各省邻居数量差异的影响。moran.p_sim 是基于随机置换的伪 p 值一般置换次数设为 999 或 9999如果 p 值小于 0.05说明存在显著的空间自相关。5.2 莫兰散点图与局部集聚的解读全局莫兰指数只能说明整体上是否存在空间自相关不能告诉你在哪个地区形成了集聚。建议把各省的局部莫兰指数LISA算出来并用莫兰散点图分四类展示高-高HH表示该省和周边省份的集聚水平都高低-低LL表示都低高-低HL表示该省高但周边低低-高LH表示该省低但周边高。实践中的典型结果是广东、江苏、浙江属于高-高集聚区中西部个别省份可能表现为高-低孤立点也就是省内电子信息产业集中在一个城市但周边省份尚未形成配套。看这个结果时要结合产业转移的阶段来判断——如果研究期初某省份是高-低期末变成了高-高说明以它为核心的电子信息产业带正在形成这正是集聚效应在空间上的体现。建议把四类象限的省份单独拎出来对比回归残差比把所有省份压在一起解读回归系数更保险。本文还有配套的精品资源点击获取
电子信息产业集聚效应实证分析：从区位熵到莫兰指数
简介我国电子信息产业集聚效应实证分析以省际面板数据为基础运用柯布-道格拉斯生产函数与Log-Linear模型检验电子信息制造业的规模经济效益、马歇尔外部性及雅各布斯外部性并借助双固定效应模型识别区域差异适合产业经济学研究者、电子信息产业分析人员及需要毕业论文参考的学生使用。内含1个PDF格式文件大小仅196KB内容涵盖数据来源《中国电子信息产业统计年鉴》、指标选取销售收入、资产总计、从业人员、产业集中度等、模型构建与实证结果解读可作为同类研究的框架参考或专业指导文献。已有103人学习下载。这份文献特别指出了我国电子信息产业集聚效应在不同区域的差异表现并结合硅谷、新竹及中关村的案例解释了政策含义读者可据此理解面板数据计量分析在产业研究中的完整应用流程以及如何选择固定/随机效应模型、处理省级数据并解释弹性系数意义。1. 电子信息产业集聚效应实证分析从统计集中度到经济效应拿到《我国电子信息产业集聚效应实证分析》这类标题多数人第一时间会去堆区位熵、算产值份额把集聚度算出来就以为实证做完了。实际上这套分析真正的难点有两个一是产业边界怎么划二是集聚指标与经济增长之间的内生性。统计上的「扎堆」只是表象政策补贴、园区招商都可能造成集中而经济学意义上的集聚效应指的是知识溢出、中间品共享和劳动力蓄水池带来的效率提升。这篇博文围绕电子信息产业集聚效应实证分析常用的技术路线——区位熵与空间基尼系数测度、面板回归、空间自相关检验——把每一步的数据口径、代码实现和输出解读讲清楚。适合做区域经济分析、园区规划、企业选址研究的IT技术人也适合接了这类横向课题需要快速上手的开发者。下面直接从最关键的指标选择说起因为指标口径不同结论可能完全相反。2. 集聚效应的度量指标区位熵、空间基尼系数与赫芬达尔指数的口径取舍电子信息产业集聚效应实证分析的第一步是回答「集聚怎么测」。产业经济学里没有单一的黄金指标常见的三套指标分别从地区比较优势、区域离散度和企业市场结构三个角度逼近同一个概念。三者算出来都是数字但背后的经济学含义完全不同选错口径会导致后续回归系数解释方向出错。2.1 区位熵识别电子信息产业在地区层面的比较优势区位熵Location QuotientLQ是最常用的相对集中度指标衡量某个地区内电子信息产业占当地工业总产值的份额相对于全国平均水平的偏离程度。计算公式为LQ (E_ij / E_i) / (E_j / E)其中 E_ij 表示 i 地区电子信息产业产值E_i 表示 i 地区工业总产值E_j 表示全国电子信息产业产值E 表示全国工业总产值。LQ 大于 1说明该地区电子信息产业的份额高于全国平均存在比较优势小于 1 则相反。这个指标的好处是数据需求低只需要省级或市级的两列产值数据就能算。它是截面可比的适合做静态比较。难点在于分子分母的口径必须一致如果分子用规模以上电子信息制造业产值分母就必须用规模以上工业总产值否则比值失真。实际项目中常见错误是把第二产业增加值当作分母与制造业产值混用导致长三角和珠三角的 LQ 整体偏高。2.2 空间基尼系数产业份额在区域间的离散程度空间基尼系数Spatial Gini Coefficient的思路来自洛伦兹曲线刻画电子信息产业在各地区的分布是否比总体经济活动更不均衡。计算公式为G Σ_i (s_i - x_i)²其中 s_i 是 i 地区电子信息产业产值占全国电子信息产业的份额x_i 是该地区工业总产值占全国工业总产值的份额。G 越接近 0说明电子信息产业的区域分布与总体工业分布越一致G 越接近 1说明产业越集中于少数地区。这里要特别小心与收入基尼系数的区别。空间基尼系数不是从洛伦兹曲线下面积推出来的标准基尼而是对份额差的平方求和取值范围不是 0 到 1 的完整区间。不同文献对这一指标的定义略有差异做实证分析时建议在论文的方法部分写清楚用的是哪个公式否则审稿人和读者按标准基尼系数去核对数据会对不上。2.3 赫芬达尔指数企业粒度上的集中度与市场结构赫芬达尔指数HHI是产业组织理论中的经典指标不过放到区域集聚背景下计算粒度可以从企业换成地区。它的形式是HHI Σ_k (x_k / X)²如果按企业计算x_k 是某家企业电子信息产业的产值或收入X 是全部样本的总产值HHI 越大说明市场越集中。如果按地区计算则反映产业在区域间的集中程度。HHI 的优点是对份额变化敏感且只用一个数字就能概括分布形状缺点是它不包含空间邻接信息。两个省产值份额完全相同但一个在地理上相邻、一个相隔千里算出来的 HHI 是一样的。2.4 三套指标的适用边界与常见误用指标计算粒度数据要求回答的问题主要局限区位熵地区地区行业产值与总产值本地是否有比较优势不反映规模小基数地区易虚高空间基尼系数地区地区行业份额与总体份额产业分布是否偏离总体分布忽略空间邻接关系赫芬达尔指数企业或地区企业明细或地区份额集中度有多高对空间位置不敏感表格里的三套指标在实证论文中经常一起报告但作用不同。区位熵适合做核心解释变量或分组依据空间基尼系数适合做全国层面的趋势描述HHI 适合做稳健性检验。常见误用是把区位熵等于集聚效应这是一个逻辑跳跃区位熵高可能只是因为该地区人口少、工业基础弱基数低导致比值高。要论证集聚效应必须把集聚指标放到回归模型里控制其他影响因素后才能识别。3. 实证数据准备电子信息产业边界、面板数据整理与指标计算任何实证分析都从数据开始电子信息产业集聚效应实证分析的最大坑也在这。电子信息产业不是一个严格的国民经济行业分类门类它跨了制造业和服务业两大板块。不同来源的数据集对「电子信息产业」的统计边界完全不同先用哪个口径直接决定后面所有指标的结果。3.1 产业边界与统计口径制造业、软件业分与合国民经济行业分类中与电子信息产业直接相关的包括计算机、通信和其他电子设备制造业C39以及软件和信息技术服务业I65。前者属于第二产业数据在工业统计体系中后者属于第三产业数据在服务业统计体系中。两者在生产方式、集聚机制和空间分布上差异很大。常见的做法有三种。第一种只覆盖 C39 制造业口径好处是统计口径完整、年鉴数据连续适合做长周期面板第二种只覆盖软件业口径适合研究数字服务业的集聚特征第三种把两者合并但这时必须面对重复计算问题——软件业务收入中有相当一部分来自制造业企业的嵌入式软件按企业法人口径合并会造成高估。笔者处理过的项目中省级层面合并口径比制造业口径的产值高 20% 到 35%这个差异足以改变回归结论。3.2 数据来源与预处理从原始记录到平衡面板数据来源方面常见渠道是统计年鉴系列的工业经济统计资料、电子信息产业统计公报以及各地统计年鉴中规模以上工业分行业数据。企业层面的微观数据则来自经济普查或工业企业数据库后者覆盖规模以上工业企业包含行业代码、产值、从业人数等关键字段。拿到原始数据后的标准处理流程分四步。第一步清洗行业代码把国民经济行业分类中 C39 下的子行业全部挑出来注意行业代码在 2002、2011、2017 年分类标准间做过调整第二步确定价格基准用工业生产者出厂价格指数对产值进行平减消除通胀影响第三步检查省份完整性直辖市、自治区与普通省份的统计年鉴公布详略不一致西藏、青海等地的电子信息产业数据经常缺失第四步决定缺失值策略如果某省份某年份为 0通常视为产业尚未形成保留 0 值比删掉更合理。3.3 集聚指标的 Python 实现区位熵与赫芬达尔指数下面给出一段可直接运行的 Python 代码计算省级面板的区位熵和赫芬达尔指数。假设数据已经读入 pandas DataFrame字段包括 province省份、year年份、elec_output电子信息产业产值、total_output工业总产值。import pandas as pd def compute_lq_and_hhi(df): 计算省级面板的区位熵LQ和赫芬达尔指数HHI df: DataFrame字段为 province, year, elec_output, total_output 返回带 lq 和 hhi 列的 DataFrame df df.copy() # 计算全国各年份的行业总产值与工业总产值 df[nation_elec] df.groupby(year)[elec_output].transform(sum) df[nation_total] df.groupby(year)[total_output].transform(sum) # 区位熵地区行业份额 / 全国行业份额 df[share_local] df[elec_output] / df[total_output] df[share_nation] df[nation_elec] / df[nation_total] df[lq] df[share_local] / df[share_nation] # 赫芬达尔指数按省份产值份额平方和 df[ind_share] df[elec_output] / df[nation_elec] df[hhi] df.groupby(year)[ind_share].transform(lambda x: (x ** 2).sum()) return df # 读取数据后调用示例 # raw pd.read_csv(elec_province_panel.csv) # result compute_lq_and_hhi(raw)代码逻辑分三层。transform 按年份计算全国汇总值并把结果广播回每一行避免了先 groupby 再 merge 的繁琐步骤区位熵的分子分母都使用同一年的数据保证了截面可比HHI 的 lambda 函数对各省份额平方求和得到的是全国层面的集中度指标该值在同年所有省份重复出现适合匹配回模型作为宏观控制变量。参数说明elec_output 和 total_output 的单位需要一致建议都转换为亿元且为平减后实际值如果数据包含港澳台要在处理前剔除因为统计口径与内地不同。结果中 lq 大于 1 的省份可以进一步做 0/1 虚拟变量作为后续分组回归的依据。需要强调的是HHI 按省份计算时样本量是省级数量如果数据是企业级的则应该先按行业汇总再计算避免把区域集中度和市场集中度混为一谈。4. 面板回归模型设定双向固定效应与聚类稳健标准误的实证实现有了集聚指标后核心实证任务就是把集聚效应从相关系数变成因果解释。电子信息产业集聚效应实证分析的标准做法是构建省级面板回归模型用集聚指标解释产出、生产率或增长。这一章的难点不在跑回归本身而在模型设定是否经得起检验。4.1 模型设定与变量选取常用基准模型采用双向固定效应形式Y_it α β · Agglomeration_it γ · X_it μ_i λ_t ε_it其中 Y_it 是 i 省第 t 年的电子信息产业产出或全要素生产率Agglomeration_it 是上一节算出的区位熵或 HHIX_it 是控制变量向量μ_i 是省份固定效应λ_t 是年份固定效应ε_it 是误差项。省份固定效应吸收了各省不随时间变化的禀赋差异比如地理位置、气候条件、历史工业基础年份固定效应吸收了全国层面的宏观冲击比如 2008 年金融危机、2020 年全球芯片短缺。控制变量的选择要有经济学逻辑。常见的有人力资本水平大专以上人口占比、基础设施密度公路里程或互联网宽带接入端口数、对外开放度实际利用外资占 GDP 比重、研发投入强度RD 经费内部支出占 GDP 比重、城镇化率。这些变量和数据可以从统计年鉴中直接获取或简单计算得到不要为了凑显著性堆砌几十个控制变量那会加剧多重共线性。4.2 固定效应还是随机效应Hausman 检验与 F 检验面板模型的第一步是决定用固定效应还是随机效应。固定效应假设 μ_i 与解释变量相关随机效应假设 μ_i 与解释变量不相关。方法上先跑固定效应和随机效应两个模型再做 Hausman 检验原假设是随机效应模型成立。p 值小于 0.05 时拒绝原假设使用固定效应。实际操作中还有一个更直接的判断依据研究对象是全部省份还是抽样省份。如果样本包含了全国 31 个省级行政区的全部数据那么省份固定效应是正确选择因为固定效应只推断样本内的省份差异如果样本是从全国抽取的部分城市或部分企业随机效应在统计上更有效率。大多数省级面板研究直接采用固定效应并用 F 检验确认存在个体效应。4.3 PanelOLS 回归代码与输出解读Python 中可以用 linearmodels 包的 PanelOLS 实现双向固定效应回归。下面给出完整代码from linearmodels.panel import PanelOLS import statsmodels.api as sm # 假设 panel_df 已按 province 和 year 设定索引 # 变量: lq(区位熵), edu(人力资本), infra(基础设施), # fdi(对外开放度), rd(研发投入), ln_output(对数产出) panel_df panel_df.set_index([province, year]) # 定义因变量和自变量不含截距PanelOLS 自动加入 exog_vars [lq, edu, infra, fdi, rd] exog sm.add_constant(panel_df[exog_vars]) y panel_df[ln_output] # 双向固定效应 按省份聚类稳健标准误 model PanelOLS(y, exog, entity_effectsTrue, time_effectsTrue) result model.fit(cov_typeclustered, cluster_entityTrue) print(result)输出结果中需要重点看三组信息。第一是系数符号与显著性lq 系数的 p 值是否小于 0.05系数为正说明在控制省份和年份效应后集聚度每提高 1 个单位产出平均增加百分之多少。第二是 R² 与整体检验within R² 反映固定效应模型的组内解释力一般大于 0.3 即为可接受。第三是 F 检验的 p 值如果不显著说明所有解释变量的联合解释力不足模型需要重新设定。聚类稳健标准误很关键。省级面板的样本期通常 10 到 20 年每个省份的产出在时间上高度自相关如果不做聚类调整标准误会偏小系数很容易被错误地判定为显著。cluster_entityTrue 表示按省份聚类允许同一省份不同年份的扰动项相关这是省级宏观面板的默认标准。如果样本城市较多也可以尝试二维聚类省份和年份同时聚类但二维聚类在省份数较少时可能产生退化问题一般省份数少于 30 时仍建议只按省份聚类。4.4 内生性处理滞后变量、工具变量与控制变量固定效应只能解决不随时间变化的遗漏变量问题。电子信息产业集聚效应实证分析里最典型的内生性是反向因果产业集聚促进产出增长同时高产出地区吸引更多企业进入进一步强化集聚。解决思路一般分三条线按成本从低到高排列。第一条是把核心解释变量滞后一期或两期即用上一年的区位熵解释今年的产出。这样做不能彻底解决内生性但可以缓解同期反向因果的干扰实施成本最低适合做基准结果之外的稳健性检验。第二条是加入政策虚拟变量控制国家级开发区、自由贸易试验区等政策的冲击因为这些政策与集聚指标高度相关遗漏它们会放大集聚系数。第三条是寻找工具变量常见做法包括使用地形起伏度、历史人口密度或明清时期驿站数量作为集聚的工具变量。需要注意工具变量的外生性论证在电子信息产业场景下并不容易。地形起伏度影响交通成本但山区省份近年来承接了大量数据中心和电子代工产能工具变量的排他性受到挑战。如果审稿人质疑工具变量最稳妥的做法是报告工具变量的第一阶段 F 统计量并同时呈现 OLS 和 IV 两种结果供读者比较量级差异。5. 实证结果的空间自相关检验用莫兰指数验证电子信息产业集聚的溢出效应区域经济数据最容易被忽略的一个性质是空间依赖性。电子信息产业存在明显的供应链相邻关系——配套企业倾向于布局在核心组装厂周边这种由中间品运输成本驱动的邻近效应会让相邻省份的产业产出呈现正相关。如果误差项存在空间自相关普通面板回归的标准误估计就是有偏的。因此在报告基准回归结果之后应当补充莫兰指数检验。5.1 全局莫兰指数与空间权重矩阵的构建全局莫兰指数Morans I的计算公式为I (n / S₀) · [Σ_i Σ_j w_ij (x_i - x̄)(x_j - x̄)] / [Σ_i (x_i - x̄)²]其中 w_ij 是空间权重矩阵的元素S₀ 是权重矩阵元素之和n 是地区数量。权重矩阵的选择直接影响指数值。最常用的是 Queen 邻接矩阵即两个省份若有共同边界则权重为 1否则为 0也可以用反距离权重矩阵权重取地理距离的倒数反映距离衰减效应。实际操作建议先做 Queen 邻接版本再做个反距离版本做对照。使用 Python 的 libpysal 和 esda 库可以轻松完成import libpysal from esda.moran import Moran # 读取省份面数据构建 Queen 邻接权重矩阵 # 假设 provinces_shp 是 GeoDataFrame w libpysal.weights.Queen.from_dataframe(provinces_shp) w.transform r # 行标准化 # 计算全局莫兰指数 moran Moran(panel_df[panel_df[year]2022][lq], w) print(fMorans I {moran.I:.4f}, p-value {moran.p_sim:.4f})代码中 w.transform r 表示对权重矩阵做行标准化即每个省份的邻居权重之和为 1这样可以使莫兰指数不受各省邻居数量差异的影响。moran.p_sim 是基于随机置换的伪 p 值一般置换次数设为 999 或 9999如果 p 值小于 0.05说明存在显著的空间自相关。5.2 莫兰散点图与局部集聚的解读全局莫兰指数只能说明整体上是否存在空间自相关不能告诉你在哪个地区形成了集聚。建议把各省的局部莫兰指数LISA算出来并用莫兰散点图分四类展示高-高HH表示该省和周边省份的集聚水平都高低-低LL表示都低高-低HL表示该省高但周边低低-高LH表示该省低但周边高。实践中的典型结果是广东、江苏、浙江属于高-高集聚区中西部个别省份可能表现为高-低孤立点也就是省内电子信息产业集中在一个城市但周边省份尚未形成配套。看这个结果时要结合产业转移的阶段来判断——如果研究期初某省份是高-低期末变成了高-高说明以它为核心的电子信息产业带正在形成这正是集聚效应在空间上的体现。建议把四类象限的省份单独拎出来对比回归残差比把所有省份压在一起解读回归系数更保险。本文还有配套的精品资源点击获取
