葉善椿 歐衛(wèi)新

摘要：為分析港口與城市經(jīng)濟的空間效應，選取2007—2019年廣東省16個港口及其所在城市的數(shù)據(jù)，在用Morans I指數(shù)檢驗空間相關性的基礎上，構建空間杜賓模型。研究結果表明：港口與城市經(jīng)濟之間存在顯著的空間相關性;在時間維度上，港口與城市經(jīng)濟之間的空間相關性較為穩(wěn)定，港口貨物吞吐能力的空間相關性呈上升趨勢，港口硬件規(guī)模的空間相關性呈上升趨勢;城市經(jīng)濟存在正向空間溢出效應;港口貨物吞吐能力對城市經(jīng)濟有正向的直接效應，且長期效應大于短期效應，而港口硬件規(guī)模對城市經(jīng)濟只有正向的短期效應;港口貨物吞吐能力對城市經(jīng)濟具有正向空間溢出效應，且長期效應大于短期效應，而港口硬件規(guī)模對城市經(jīng)濟的空間溢出效應不顯著。

關鍵詞：

空間杜賓模型; 港口; 城市; 空間效應

中圖分類號：? U691.71;F299.27

文獻標志碼：? A

收稿日期： 2020-09-16

修回日期： 2020-12-25

基金項目：

中國物流學會項目（2018CSLKT3-174）;廣東省哲學社會科學“十三五”規(guī)劃2018年度學科共建項目（GD18XGL04）

作者簡介：

葉善椿（1989—），男，江西吉安人，講師，碩士，研究方向為港口與航運管理，（E-mail）ysc0796@163.com

Study on spatial effect between ports and their city economy in

Guangdong province based on spatial Durbin model

YE Shanchun， OU Weixin

（Department of Logistics Engineering， Dongguan Polytechnic， Dongguan 523808， Guangdong， China）

Abstract：

In order to analyze the spatial effect of ports and their city economy， the data of 16 ports and their cities in Guangdong Province from 2007 to 2019 are chosen， Morans I index is used to test spatial correlation， and a spatial Durbin model is constructed. The research results are the following： there is a significant spatial correlation between ports and city economy; in the time dimension， the spatial correlation between ports and their city economy is relatively stable， the spatial correlation of port cargo throughput capacity is on the rise， and the spatial correlation of port hardware scale is on the rise; the city eco-nomy has a positive spatial spillover effect; the port cargo throughput capacity has a positive direct effect on the city economy， and the long-term effect is greater than the short-term effect; the scale of port hardware has only a positive short-term effect on the city economy; the port cargo throughput capacity has a positive spatial spillover effect on the city economy， and the long-term effect is greater than the short-term effect; the spatial spillover effect of the scale of port hardware on the city economy is not significant.

Key words：

spatial Durbin model; port; city; spatial effect

0 引 言

在港口初建時期，港口的發(fā)展能帶動城市的發(fā)展;隨著港口的發(fā)展，城市的發(fā)展又能促進港口的發(fā)展[1]。近年來，我國港口得到了快速的發(fā)展，有力地促進了港口所在城市及其鄰近區(qū)域經(jīng)濟的發(fā)展，“港城共榮”已成為人們普遍認可的港城發(fā)展經(jīng)驗[2]。那么，港口對其所在城市經(jīng)濟有多大的促進作用？對周邊城市又具有什么樣的影響呢？為回答這兩個問題，有必要對港口與城市經(jīng)濟的空間效應進行研究。

國內(nèi)外已有很多學者對港口與城市發(fā)展關系進行了研究。定性的研究有：馮暉[3]以江蘇泰州港為例分析了港口發(fā)展特征、問題和區(qū)域發(fā)展新態(tài)勢;匡海波等[4]從港口改革的角度提出港城分離的港城發(fā)展模式;XIAO等[5]提出港口和城市持續(xù)發(fā)展的系統(tǒng)理論，并以新加坡港為例進行研究;DEN BERGHE等[6]以阿姆斯特丹港和根特港為例研究了港口與城市發(fā)展的耦合機制。定量的研究如下。運用計量經(jīng)濟學模型的研究有：沈秦偉等[7]用格蘭杰因果檢驗和向量自回歸模型分析大連港對大連市經(jīng)濟增長的作用;熊勇清等[8]利用格蘭杰因果檢驗和面板回歸模型分析我國“一帶一路”沿線14個港口與城市之間的互動關系;郭建科等[9]用動態(tài)相對集中指數(shù)和向量自回歸模型研究環(huán)渤海地區(qū)12個港口與城市之間的關系;GUO等[10]在用相對集中指數(shù)對港城關系進行分類的基礎上，用脈沖響應函數(shù)研究不同類型港城關系的互動機制;CONG等[11]用面板數(shù)據(jù)回歸分析了我國16個港口城市的港口吞吐量與城市經(jīng)濟之間的關系;SONG等[12]用面板模型研究了我國四大港口區(qū)域的港口基礎設施投資與區(qū)域經(jīng)濟的關系;PARK等[13]用擴展的索羅模型研究韓國港口對區(qū)域經(jīng)濟的發(fā)展貢獻;ZHAO等[14]用二次分配程序和逐步回歸模型研究港口與城市的關系。從統(tǒng)計學角度研究港城關系的有：范厚明等[15]運用耦合度函數(shù)建立了港城協(xié)調(diào)度模型;司增綽[16]用灰色相對關聯(lián)度模型研究港口基礎設施與港口城市經(jīng)濟之間的互動發(fā)展關系;郭建科等[17]在構建耦合協(xié)調(diào)度模型的基礎上，用核密度和ArcGIS研究環(huán)渤海地區(qū)港城耦合的時空差異;高濤等[18]運用數(shù)據(jù)包絡分析和偏相關分析研究寧波港城關聯(lián)效應;王成等[19]用2-模社會網(wǎng)絡分析法研究了21世紀海上絲綢之路沿線我國15個港口城市的產(chǎn)業(yè)結構相似性耦合特征;畢森等[20]用GIS空間統(tǒng)計分析方法和相對集中指數(shù)研究了21世紀海上絲綢之路沿線的38個主要港口的港城關系。還有構建其他模型研究港城關系的，如：馮雷鳴等[21]在建立港城協(xié)調(diào)發(fā)展評價指標體系的基礎上，對天津港城協(xié)調(diào)發(fā)展進行了測算;CHENG等[22]通過建立港口投資模型，研究了港口投資類型對港口發(fā)展的影響;徐士偉等[23]在引入共生理論的基礎上構建港城協(xié)調(diào)發(fā)展模型，研究天津港城協(xié)調(diào)發(fā)展情況;溫文華[24]用自組織理論研究了港城發(fā)展協(xié)調(diào)度，并運用系統(tǒng)動力學實證了深圳市港口與城市經(jīng)濟關系。

綜上可知，現(xiàn)有關于港城關系的研究較為豐富，但還存在以下局限：一是研究方法方面，現(xiàn)有的研究方法主要是計量經(jīng)濟學的時間序列方法和面板數(shù)據(jù)方法，統(tǒng)計學的灰色關聯(lián)度模型和耦合模型方法等，沒有考慮港口和城市都存在空間集聚的特點。二是研究對象主要是環(huán)渤海地區(qū)的港口和“一帶一路”沿線的國內(nèi)外主要大型港口，然而我國乃至全球還存在著大量的中小型港口，因此單純研究大型港口與其所在城市的關系還不足以說明港口與城市之間的關系。三是目前國內(nèi)的港口研究對象主要集中在環(huán)渤海地區(qū)，對珠三角地區(qū)港口的研究較少。因此，本文引入能反映空間特性的空間杜賓模型（spatial Durbin model，SDM）來研究廣東省港口與所在城市經(jīng)濟發(fā)展的關系，為港城關系發(fā)展提供一個新的視角。

1 研究方法

根據(jù)地理學第一定律，所有事物都與其他事物相關聯(lián)，但是距離較近的事物之間比距離較遠的事物之間具有更強的關聯(lián)性，即存在空間相關性或空間依賴性?？臻g效應包括空間依賴性和空間異質(zhì)性。目前計量經(jīng)濟學中衡量空間效應的主要有SDM、空間誤差模型（spatial error model，SEM）和空間滯后模型（spatial lag model，SLM）。其中，SEM認為空間依賴性主要通過誤差項體現(xiàn)，SLM認為被解釋變量的影響因素對整個區(qū)域內(nèi)其他空間區(qū)域也產(chǎn)生影響，而SDM結合了SEM和SLM的特點，不僅考慮了被解釋變量的空間依賴性，也考慮了解釋變量的空間依賴性，能更好地反映空間面板數(shù)據(jù)的空間效應。

1.1 SDM

SDM的一般形式為

yit=c+ρi≠j（wijyit）+βxit+δi≠j（wijxit）+

μi+λt+εit

（1）

式中：y為被解釋變量（因變量）;x為自變量，包括解釋變量和控制變量;wij為空間權重矩陣元素，

i≠j（wijyit）為因變量的空間滯后項，i≠j（wijxit）為自變量的空間滯后項;ρ為空間回歸系數(shù);β和δ為待估計的空間相關系數(shù);c為常數(shù)項;μ為空間固定效應;λ為時間固定效應;ε為隨機誤差項;i表示樣本個體，在本文中指第i個港口城市;t表示時間。yit、xit、μi、λt和εit分別為與樣本i和（或）時間t相關的y、x、μ、λ和ε。當δ=0時，

SDM將被簡化為SLM;當ρ和δ均為0時，

SDM將被簡化為SEM[25]。

1.2 空間權重矩陣

在進行空間計量分析前需要確定區(qū)域之間的空間距離。設共有n個區(qū)域，其中區(qū)域i與區(qū)域j之間的距離權重為wij，則空間權重矩陣

W=（wij）n×n

（2）

由于同一區(qū)域的距離為0，W主對角線上的元素w11=w22=…=wnn=0。

W為對稱矩陣。

空間權重矩陣主要有0-1鄰接矩陣、地理距離權重矩陣和經(jīng)濟距離權重矩陣[26]。其中，0-1鄰接矩陣中，當區(qū)域i與區(qū)域j相鄰時wij=1，當區(qū)域i與區(qū)域j不相鄰時wij=0，即

wij=1， i與j相鄰

0， i與j不相鄰或i=j

地理距離權重矩陣的非主對角線上的元素取兩地距離的倒數(shù)，即wij=1/dij，其中dij表示兩個城市之間地理位置歐氏距離。經(jīng)濟距離權重矩陣的非主對角線上的元素取wij=1

Yi-Yj，Yi表示港口城市i在研究期內(nèi)人均GDP值。

1.3 空間相關性檢驗

在進行空間效應研究前，需要對相關指標進行空間相關性檢驗，目前最常用的空間相關性檢驗指標是Morans I指數(shù)，即

I=ni=1nj=1wij（xi-x）（xj-x）

S2ni=1nj=1wij

（3）

式中：

x表示xi的均值;

S2為樣本方差，S2=ni=1（xi-x）2n;

Morans I指數(shù)一般在[-1，1]內(nèi)取值。

2 實證分析

2.1 數(shù)據(jù)說明與描述

根據(jù)空間計量分析模型，參考已有的相關研究，選取港口和港口城市的相關數(shù)據(jù)作為被解釋變量、解釋變量、控制變量，見表1。

被解釋變量：城市GDP是反映港口城市經(jīng)濟水平的重要指標，且每個城市人口數(shù)量不同，因此選擇較有代表性的人均GDP作為衡量港口城市經(jīng)濟水平的指標[27]。

解釋變量：衡量港口發(fā)展水平的指標有很多，如港口貨物吞吐量、集裝箱吞吐量、碼頭泊位長度、碼頭泊位數(shù)等，以往的研究基本都選用港口吞吐量作為衡量港口發(fā)展水平的指標[28]，但是港口吞吐量是港口作業(yè)能力與腹地經(jīng)濟發(fā)展相結合的產(chǎn)物，不能反映港口基礎設施建設水平[29]。因此，本文選用反映港口貨物吞吐能力的港口貨物吞吐量和反映港口硬件規(guī)模的碼頭泊位長度作為衡量港口發(fā)展水平的指標。

控制變量：根據(jù)經(jīng)濟學原理，經(jīng)濟發(fā)展與資本、科技和勞動力密不可分，城市經(jīng)濟發(fā)展需要考慮資本投入、科技投入和勞動力投入;根據(jù)城市空間經(jīng)濟的特點，城市經(jīng)濟發(fā)展還與人力資本、政府支出、市場需求和城市化水平有很大關聯(lián)[30]。因此，最終選取資本投入、科技投入、勞動力投入、人力資本、政府支出、市場需求和城市化水平作為控制變量。固定資產(chǎn)投資代表了社會對基礎設施建設、維修、更新、改造的投資[31]，能為港口發(fā)展和社會經(jīng)濟發(fā)展提供便利條件，同時考慮數(shù)據(jù)的可獲取性，選擇城市的全社會固定資產(chǎn)投資總額代表資本投入;有文獻選用R&D（研發(fā)）費用、專利申請量和專利授權量代表科技投入[32]，鑒于廣東省很多城市沒有公布R&D費用，以及申請的專利并不能全部被授權，因此選取專利授權量代表科技投入;一個城市的人口數(shù)量并不能反映城市的勞動力投入，因此，選擇更具有代表性的年末社會從業(yè)人員數(shù)量代表勞動力投入;由于人力資本指勞動者后天形成的身上所具有的知識、技術、技能[33]，選擇高等學校在校生人數(shù)代表城市的人力資本;同時，參考相關文獻，選取當年政府一般公共預算支出代表政府支出[34]，選取社會消費品零售總額代表市場需求[35]，選取城鎮(zhèn)人口占常住人口比例代表城市化水平[36]。

選取2007—2019年廣東省沿海及珠三角地區(qū)的廣州、深圳、珠海、汕頭、湛江、惠州、東莞、佛山、肇

慶、中山、江門、潮州、揭陽、汕尾、陽江、茂名共16個城市的港口及城市數(shù)據(jù)，數(shù)據(jù)來源于歷年《中國港口年鑒》、《廣東統(tǒng)計年鑒》、各城市統(tǒng)計年鑒和《國民經(jīng)濟和社會發(fā)展統(tǒng)計公報》。為消除原始數(shù)據(jù)可能出現(xiàn)的異方差，減少數(shù)據(jù)的不平穩(wěn)性，對所有數(shù)據(jù)進行對數(shù)化處理。所有數(shù)據(jù)取對數(shù)后的統(tǒng)計值見表2。

從表2可以看出：2007—2019年，16個港口城市的經(jīng)濟水平取對數(shù)后的最大值是12.223 370，最小值是9.215 427，兩者差距較大;港口貨物吞吐能力取對數(shù)后的平均值是8.404 894，最小值為4.703 022，最大值為11.045 910，最大值與最小值相差很大;港口硬件規(guī)模

取對數(shù)后的

最大值為10.977 380，最小值為7.153 052。由此可以看出，這16個港口及其所在城市的各指標值不同年份、不同城市之間的差距較大。

2.2 空間相關性檢驗

空間權重矩陣反映了港口及其所在城市在地理位置上的關系，本文基于廣東省16個港口及其所在城市的實際地理距離，選擇地理距離權重矩陣作為空間權重矩陣。先對空間權重矩陣進行標準化處理，然后用Stata 15.0計算Morans I指數(shù)。Morans I指數(shù)取值區(qū)間為[-1，1]：

取值為0，代表不存在空間相關性;取值為正，表明存在正的空間相關性;取值為負，表明存在負的空間相關性;取值的絕對值越接近1，表明空間相關性越強。計算結果見表3。

從表3可以看出，ln y的Morans I指數(shù)在0.22與0.26之間，較為平穩(wěn)，且全部在1%水平下顯著;

ln x1的Morans I指數(shù)在0.08與0.19之間，全部在10%水平下顯著;ln x2的Morans I指數(shù)在0.09與0.20之間，除2018年在10%水平下不顯著外，其余都在10%水平下顯著，且隨著時間的推移，呈現(xiàn)出的聚集趨勢不斷增強。整體上看，港口城市經(jīng)濟水平、港口貨物吞吐能力、港口硬件規(guī)模的Morans I指數(shù)都是正的，說明這三者都存在正的空間相關性，因此有必要進行空間計量分析。

2.3 空間效應模型選擇

經(jīng)Moran檢驗分析得出存在空間效應后，進行空間效應模型的選擇。模型選擇的檢驗結果見表4。從拉格朗日乘數(shù)（Lagrange multiplier， LM）檢驗結果可以看出：SEM均在1%水平下顯著，說明可以使用SEM; SLM也在1%水平下顯著，說明也可以選擇SLM。因此，選擇兩者結合的SDM。從Wald檢驗的結果看，SEM和SLM在1%水平下均顯著，拒絕SDM能退化為SLM和SEM的原假設，接受SDM。根據(jù)似然比（likelihood ratio， LR）檢驗結果，選擇時間和空間雙固定效應的SDM。用Hausman檢驗來確定采用固定效應還是隨機效應，根據(jù)Hausman檢驗結果，應該采用固定效應。綜合判斷，本文選用雙固定效應的SDM。

2.4 模型回歸結果分析

雙固定效應SDM的表達式為

ln yit=c+ρi≠j（wijln yit）+βln xit+

δi≠j（wijln xit）+

μi+λt+εit

（4）

靜態(tài)SDM只能測算長期效應，而動態(tài)SDM能測算空間效應的長期效應和短期效應，能較為全面地反映空間效應的變化情況，因此本節(jié)先對靜態(tài)SDM和動態(tài)SDM進行回歸分析，以確定較為合適的SDM。利用Stata 15.0進行SDM估計，估計結果見表5。從表5可以看出，靜態(tài)SDM的回歸系數(shù)R2的值為0.895 4，對數(shù)似然值為312.681 8，空間自回歸系數(shù)ρ的值為0.227 127 1（在10%水平下顯著），這說明港口城市經(jīng)濟水平具有正向的空間溢出效應。動態(tài)SDM的R2值為0.991 4，對數(shù)似然值為419.399 5，說明動態(tài)SDM回歸擬合得較好。具體看，動態(tài)SDM的空間自回歸系數(shù)ρ的值為0.946 223 0，在5%水平下顯著，說明人均GDP所代表的港口城市經(jīng)濟水平（被解釋變量）存在正向的空間溢出效應，地理距離較近的城市的人均GDP上升會引起本城市人均GDP的上升，這主要是經(jīng)濟發(fā)達地區(qū)的資金、人才、市場具有外溢性，能帶動周圍城市經(jīng)濟發(fā)展。

從空間滯后項的回歸情況看，動態(tài)SDM的顯著水平整體上比靜態(tài)SDM的好。因此，動態(tài)SDM比靜態(tài)SDM更適合于分析港口對城市經(jīng)濟的空間效應。

2.5 空間效應估計結果

為進一步分析港口與城市經(jīng)濟的空間效應，利用求解偏導數(shù)的方法將空間效應分解為空間直接效應和空間溢出效應[37]，同時為對比靜態(tài)空間效應與動態(tài)空間效應，對靜態(tài)空間效應和動態(tài)空間效應都進行分解，分解后的效應見表6。

2.5.1 空間直接效應

從港口貨物吞吐能力的空間直接效應看，動態(tài)空間效應的長期直接效應為0.079 427 8，在1%水平上顯著;動態(tài)空間效應的短期直接效應為0.021 275 0，在1%水平上顯著;靜態(tài)空間效應的長期直接效應為0.043 550 4，在1%水平上顯著。港口硬件規(guī)模的動態(tài)空間效應的短期直接效應為0.022 497 2，在10%水平上顯著。由此可知，港口貨物吞吐能力對城市經(jīng)濟具有正向的空間直接效應，且長期效應大于短期效應，說明港口貨物吞吐能力的發(fā)展有利于本城市經(jīng)濟的發(fā)展，且從長期看港口貨物吞吐能力對城市經(jīng)濟的作用更大。從短期效應看，港口硬件規(guī)模對城市經(jīng)濟具有正向的直接效應，而靜態(tài)空間效應的直接效應不顯著。

港口貨物吞吐能力與港口的主營業(yè)務直接相關，若港口貨物吞吐能力強，則能為城市經(jīng)濟發(fā)展提供更為便捷的物流服務，能直接促進本城市經(jīng)濟的增長。從長期看，港口貨物吞吐能力強，能吸引港航相關產(chǎn)業(yè)在港口所在城市集聚，直接促進城市的港航產(chǎn)業(yè)發(fā)展;同時港航產(chǎn)業(yè)的集聚，能促進港口所在城市物流服水平的提高，這就能吸引生產(chǎn)制造企業(yè)和貿(mào)易企業(yè)集聚，從而促進城市經(jīng)濟的發(fā)展。港口硬件規(guī)模的擴大，代表了港口基礎設施的擴大，在港口基礎設施建設期內(nèi)能促進城市經(jīng)濟的發(fā)展。但長期看，港口硬件規(guī)模擴大對城市經(jīng)濟發(fā)展的效應并不顯著。

2.5.2 空間溢出效應

從港口貨物吞吐能力的空間溢出效應看，動態(tài)空間效應的長期溢出效應為0.272 010 4，通過1%顯著性水平檢驗;動態(tài)空間效應的短期溢出效應為0.080 444 0，通過1%顯著性水平檢驗;靜態(tài)空間效應的長期溢出效應為0.046 045 2，通過5%顯著性水平檢驗。由此可見，港口貨物吞吐能力對城市經(jīng)濟有正的空間溢出效應，即港口貨物吞吐能力的提升有利于周邊城市經(jīng)濟的發(fā)展。從動態(tài)空間效應與靜態(tài)空間效應的對比看，動態(tài)空間效應考慮了長期效應和短期效應，且長期溢出效應大于短期溢出效應，表明港口貨物吞吐能力的發(fā)展對周邊城市經(jīng)濟發(fā)展的長期促進作用比短期促進作用強。港口硬件規(guī)模對城市經(jīng)濟的空間溢出效應都不顯著。從顯著性水平檢驗結果看，動態(tài)空間效應優(yōu)于靜態(tài)空間效應，再次印證了動態(tài)SDM比靜態(tài)SDM更適合于分析港口與城市經(jīng)濟的空間效應。

空間溢出效應表明：港口貨物吞吐能力的發(fā)展能為周邊城市提供便捷的物流服務，促進周邊城市經(jīng)濟的發(fā)展。港口貨物吞吐能力強，就會吸引更多的船公司掛靠，港口航線將更加密集，更多的港航相關企業(yè)也將集聚于此，進一步增強港口的物流服務能力，隨著生產(chǎn)要素的流動，這將為周邊城市提供更好的物流服務;隨著港口物流服務水平不斷提升，物流服務能力將不斷外溢，得益于廣東省尤其是珠三角地區(qū)城市間發(fā)達的運輸體系，周邊城市的生產(chǎn)制造業(yè)和貿(mào)易業(yè)也就有了更為強大的物流支撐，從而促進周邊城市的生產(chǎn)制造業(yè)和貿(mào)易業(yè)發(fā)展，最終促進周邊城市經(jīng)濟的發(fā)展。從長期看，港口貨物吞吐能力的提升，能促進周邊城市經(jīng)濟的發(fā)展;周邊城市經(jīng)濟的發(fā)展，又能為港口帶來更多的貨源，從而進一步促進港口貨物吞吐能力的提升。因此，從長期看，港口貨物吞吐能力的提升促進周邊城市經(jīng)濟發(fā)展符合經(jīng)濟學的循環(huán)累積因果律。

3 結束語

本文選用2007—2019年廣東省16個港口及其所在城市的數(shù)據(jù)，運用地理距離權重矩陣的空間杜賓模型（SDM）對港口與城市經(jīng)濟發(fā)展的空間效應進行研究，結論如下：（1）用Morans I指數(shù)檢驗港口與城市經(jīng)濟發(fā)展的空間相關性，發(fā)現(xiàn)港口與城市經(jīng)濟發(fā)展存在空間相關性。隨著時間的推移，城市經(jīng)濟空間相關性較為穩(wěn)定，港口貨物吞吐能力的空間相關性呈上升趨勢，港口硬件規(guī)模的空間相關性也呈上升趨勢。（2）港口貨物吞吐能力對城市經(jīng)濟有正的空間直接效應，對本城市經(jīng)濟發(fā)展具有顯著的正向促進作用，長期直接效應大于短期直接效應;對地理位置鄰近的城市也具有正向的空間溢出效應，且長期溢出效應大于短期溢出效應;港口貨物吞吐能力的空間溢出效應大于空間直接效應。（3）港口硬件規(guī)模對城市經(jīng)濟發(fā)展的短期直接效應是正向的，但溢出效應都沒有通過顯著性檢驗，不具有統(tǒng)計學意義。

為此，各地港口當局應改變片面強調(diào)擴大港口規(guī)模的觀念，港口硬件設施設備的建設要注意與當?shù)亟?jīng)濟發(fā)展水平相匹配。注意各港口之間的資源整合，加強港口之間的合作，進行錯位競爭，提高現(xiàn)有港口硬件設施設備的利用率。同時，重視港口貨物吞吐能力的提升對本城市經(jīng)濟發(fā)展的促進作用以及對周圍城市經(jīng)濟發(fā)展的輻射作用，充分利用現(xiàn)有港口規(guī)模，加強港航產(chǎn)業(yè)集聚，提高港口的裝卸作業(yè)效率和通關效率，加快貨物流通，以更好地服務港口所在城市及其鄰近城市。

參考文獻：

[1]陳航. 港城互動的理論與實證研究[D]. 大連： 大連海事大學， 2009.

[2]吳峰， 萬云飛， 楊李華. 山東省區(qū)域港口與經(jīng)濟發(fā)展的互動效應分析[J]. 山東科學， 2020， 33（1）： 83-91. DOI： 10.3976/j.issn.1002-4026.2020.01.012.

[3]馮暉. 長江港口與城市互動發(fā)展研究： 以泰州為例[J]. 城市發(fā)展研究， 2015， 22（12）： 84-91.

[4]匡海波， 鄧順江， 賈鵬， 等. 基于港城分離的中國港口供給側改革研究[J]. 科研管理， 2017， 38（4）： 54-64. DOI： 10.19571/j.cnki.1000-2995.2017.04.007.

[5]XIAO Zengqi， LAM J S L. A systems framework for sustainable development of port city： case study of Singapores policies[J]. Research in Transportation Business & Management， 2017， 22： 255-262. DOI： 10.1016/j.rtbm.2016.10.003.

[6]DEN BERGHE K V， JACOBS W， BOELENS L. The relational geometry of the port-city interface： case studies of Amsterdam， the Netherlands， and Ghent， Belgium[J]. Journal of Transportation Geography， 2018， 70： 55-63. DOI： 10.1016/j.jtrangeo.2018.05.013.

[7]沈秦偉， 韓增林， 郭建科. 港口物流與城市經(jīng)濟增長的關系研究： 以大連為例[J]. 地理與地理信息科學， 2013， 29（1）： 69-73. DOI： 10.7702/dlydlxxkx20130115.

[8]熊勇清， 許智宏. 海上絲綢之路上港口與港口城市的互動發(fā)展機制研究[J]. 財經(jīng)理論與實踐， 2017， 38（1）： 128-133. DOI： 10.3969/j.issn.1003-7217.2017.01.020.

[9]郭建科， 杜小飛， 孫才志， 等. 環(huán)渤海地區(qū)港口與城市關系的動態(tài)測度及驅(qū)動模式研究[J]. 地理研究， 2015， 34（4）： 740-750. DOI： 10.11821/dlyj201 504012.

[10]GUO Jianke， QIN Yafeng， DU Xiaofei， et al. Dynamic measurements and mechanisms of coastal port-city relationships based on the DCI model： empirical evidence from China[J]. Cities， 2020， 96： 102440. DOI： 10.1016/j.cities.2019.102440.

[11]CONG Longze， ZHANG Dong， WANG Mingli， et al. The role of ports in the economic development of port cities： panel evidence from China[J]. Transportation Policy， 2020， 90： 13-21. DOI： 10.1016/j.tranpol.2020.02.003.

[12]SONG Lili， GEENHUIZEN M V. Port infrastructure investment and regional economic growth in China： panel evidence in port regions and provinces[J]. Transport Policy， 2014， 36（11）： 173-183. DOI： 10.1016/j.tranpol.2014.08.003.

[13]PARK J S， SEO Y J. The impact of seaports on the regional economies in South Korea： panel evidence from the augmented Solow model[J]. Transportation Research Part E， 2016， 85： 107-119. DOI： 10.1016/j.tre.2015.11.009.

[14]ZHAO Qianyu， XU Hang， WALL R S， et al. Building a bridge between port and city： improving the urban competitiveness of port cities[J]. Journal of Transport Geography， 2017， 59（2）： 120-133. DOI： 10.1016/j.jtrangeo.2017.01.014.

[15]范厚明， 馬夢知， 溫文華， 等. 港城協(xié)同度與城市經(jīng)濟增長關系研究[J]. 中國軟科學， 2015（9）： 96-105. DOI： 10.3969/j.issn.1002-9753.2015.09.009.

[16]司增綽. 港口基礎設施與港口城市經(jīng)濟互動發(fā)展[J]. 管理評論， 2015， 27（11）： 33-43. DOI： 10.14120/j.cnki.cn11-5057/f.2015.11.004.

[17]郭建科， 谷月， 趙敬堯， 等. 環(huán)渤海地區(qū)港城耦合協(xié)調(diào)度綜合分析[J]. 資源開發(fā)與市場， 2017， 33（5）： 569-574. DOI： 10.3969/j.issn.1005-8141.2017.05.012.

[18]高濤， 高金敏， 曲林遲. 基于DEA和偏相關分析的港城發(fā)展關聯(lián)效應[J]. 中國航海， 2017， 40（2）： 129-134.

[19]王成， 王茂軍， 楊勃. 港口航運關聯(lián)與港城職能的耦合關系研判： 以“21世紀海上絲綢之路”沿線主要港口城市為例[J]. 經(jīng)濟地理， 2018， 38（11）： 158-165. DOI： 10.15957/j.cnki.jjdl.2018.11.018.

[20]畢森， 張麗， 谷雨， 等. 21世紀海上絲綢之路沿線港口及港城關系變化分析[J]. 中國科學院大學學報， 2020， 37（1）： 74-82. DOI：107523/j.issn.2095-6134.2020.01.009.

[21]馮雷鳴， 吳利娟. 天津港城協(xié)調(diào)發(fā)展的指標評價與對策建議[J]. 國際經(jīng)濟合作， 2019（2）： 134-142.

[22]CHENG Jiannan， YANG Zhongzhen. The equilibria of port investment in a multi-port region in China[J]. Transportation Research Part E， 2017， 108： 36-51. DOI： 10.1016/j.tre.2017.06.005.

[23]徐士偉， 許鑫. 基于共生理論的天津港城協(xié)調(diào)發(fā)展研究[J]. 同濟大學學報（社會科學版）， 2017， 28（5）： 65-72.

[24]溫文華. 港口與城市協(xié)同發(fā)展機理研究[D]. 大連： 大連海事大學， 2016.

[25]VEGA S H， ELHORST J P. The SLX model[J]. Journal of Regional Science， 2015， 55（3）： 339-363. DOI： 10.1111/jors.12188.

[26]魏下海. 人力資本、空間溢出與省際全要素生產(chǎn)率增長： 基于三種空間權重測度的實證檢驗[J]. 財經(jīng)研究， 2010， 36（12）： 94-104. DOI： 10.16538/j.cnki.jfe.2010.12.003.

[27]王智毓， 馮華. 科技服務業(yè)發(fā)展對中國經(jīng)濟增長的影響研究[J]. 宏觀經(jīng)濟研究， 2020（6）： 102-113， 121. DOI： 10.16304/j.cnki.11-3952/f.2020.06.010.

[28]鄒強. 港口代際升級背景下大連港城經(jīng)濟互動關系研究[D]. 大連： 大連海事大學， 2019.

[29]魯渤， 邱偉權， 邢戩， 等. 基于“一帶一路”倡議評估的中國沿海節(jié)點港口與港城發(fā)展策略研究[J]. 系統(tǒng)工程理論與實踐， 2020， 40（6）： 1627-1639. DOI： 10.12011/1000-6788-2020-0419-13.

[30]程路恒. 安徽省城市空間經(jīng)濟聯(lián)系對經(jīng)濟效率影響研究[D]. 蚌埠： 安徽財經(jīng)大學， 2020.

[31]王曉東， 鄧丹萱， 趙忠秀. 交通基礎設施對經(jīng)濟增長的影響： 基于省際面板數(shù)據(jù)與Feder模型的實證檢驗[J]. 管理世界， 2014（4）： 173-174. DOI：10.19744/j.cnki.11-1235/f.2014.04.016.

[32]嚴紅， 尹繼東， 石俊. 江西產(chǎn)學研協(xié)同創(chuàng)新復合系統(tǒng)協(xié)同度分析[J]. 江西社會科學， 2019， 39（10）： 61-71.

[33]李平華， 宋燦. 人力資本集聚、空間溢出與城市生產(chǎn)率[J]. 現(xiàn)代經(jīng)濟探討， 2020（11）： 47-55. DOI： 10.13891/j.cnki.mer.2020.11.008.

[34]聶飛. 制造業(yè)服務化抑或空心化： 產(chǎn)業(yè)政策的去工業(yè)化效應研究[J]. 經(jīng)濟學家， 2020（5）： 46-57.

DOI： 10.16158/j.cnki.51-1312/f.2020.05.006.

[35]張廷海， 王點. 工業(yè)集聚、空間溢出效應與地區(qū)增長差異： 基于空間杜賓模型的實證分析[J]. 經(jīng)濟經(jīng)緯， 2018， 35（1）： 86-91. DOI： 10.15931/j.cnki.1006-1096.2018.01.004.

[36]紀園園， 寧磊. 收入差距對消費升級的區(qū)域差異性研究[J]. 社會科學， 2020（10）： 53-66. DOI： 10.13644/j.cnki.cn31-1112.2020.10.007.

[37]周四軍， 江秋池. 基于動態(tài)SDM的中國區(qū)域碳排放強度空間效應研究[J]. 湖南大學學報（社會科學版）， 2020， 34（1）： 40-48. DOI：10.16339/j.cnki.hdxbskb.2020.01.007.

（編輯 趙勉）