Research on Impact of Productive Services in Anhui Province
-
摘要: 生产性服务业对于产业结构优化、经济的增长有显著的促进作用。根据安徽省1989—2018年时间序列数据，运用灰色关联分析筛选出与生产性服务业密切相关的影响因素，再使用VAR模型及脉冲响应函数、方差分解对安徽省生产性服务业发展的主要影响因素与其之间的关系进行实证分析。结果表明：经济发展水平、创新水平和产业融合程度是安徽省生产性服务业发展的关键影响因素。创新水平对安徽省生产性服务业有明显的促进作用，并且其对生产性服务业的贡献度大于产业融合程度和经济发展水平；经济发展水平对安徽省生产性服务业的作用相对微弱；产业融合程度对安徽省生产性服务业的发展有促进作用。Abstract: The productive service industry has significantly promoted the optimization of industrial structure and economic growth. Based on the time series data of Anhui province from 1989 to 2018, the grey relation analysis was used to screen out the influential factors that are closely related to the productive service industry, and then the VAR model, impulse response function and variance decomposition were used to make an empirical analysis on the relationship between the main influencing factors and the development of producer services in Anhui province. The results show that the level of economic development, the level of innovation and the degree of industrial integration are the key factors affecting the development of productive services in Anhui province. The level of innovation has an obvious promoting effect on productive services in Anhui province, and its contribution to productive services is greater than the degree of industrial integration and the level of economic development. The effect of economic development level on productive services in Anhui province is relatively weak. The degree of industrial integration promotes the development of producer services in Anhui province.
-
Keywords:
- productive service industry /
- VAR model /
- influencing factors
-
新型城镇化和乡村振兴战略是中国新时代现代化发展的两大驱动机制，是解决城乡二元结构的重要推动力，也是城乡融合发展的重要举措。当前农业农村基础仍然薄弱，城乡区域发展和收入分配差距依然较大[1]，而由此产生的农村人口向城镇迁移、经济欠发达地区人口向经济发达地区迁移现象仍持高不下。据安徽统计局数据显示，2019年安徽省人口流出1060.8万人，省外流入人口146.5万人，净流出人口914.3万人，是目前中国人口流出率最高的省份。安徽省人口外流现象严重。另外，人口自然增长率的提升和高龄老人的比例较高直接导致安徽省农村人口空心化，研究农村人口空心化程度及空间分异特征和产生农村人口外流的动力机制是解决城乡二元结构的重要途径，对各县市乡村振兴战略推动也具有借鉴意义。
近年来，随着相关统计数据的公开和研究的深入，国内学界对人口空心化的研究从理论走向实践研究，并取得大量的研究成果。理论探讨方面主要从农村人口空心化的内涵、原因、演化及治理方面展开，如周祝平关于中国农村人口空心化产生的四大挑战和应对策略[2]、刘彦随关于三整合理论和三位一体的整治实践[3]、陈家喜关于人口空心化带来的连锁效应和治理途径[4]、向卿青关于山区农村人口空心化带来的社会问题和对策建议[5]、陈池波关于农民荒带来的机遇和挑战[6]、王国刚关于农村空心化三力驱动演进和应对调控措施[7]、郑万军关于重视农村人力资本投资[8]等，通过理论研究分析，学界丰富了农村人口空心化的理论内涵；实证方面研究主要涉及农村人口空心化测度[9-13]、空间分异特征[9, 11, 13]和影响因素及驱动机制[10-14]，基于对实证研究文献研究方法的梳理，农村人口空心化测度方法主要有单指标[11-12]和综合指标[9−10, 13]评价法，空间分异特征研究方法主要以ESDA-GIS可视化分析法[9, 11]，影响因素及驱动机制主要有非线性回归[14]、多元回归[9-10, 12-13]、地理探测器法[13]和定性描述法[11]等研究方法。综合以上分析，结合农村人口空心化形成与发展的长期、多因素作用可知，研究人口空心化影响因素要综合考虑城乡两大地域。本文基于安徽省61个县市数据展开分析，构建综合评价指标得出人口空心化程度，通过描述性统计和ArcGIS高/低聚类揭示农村人口空心化空间分异特征，并利用多元回归分析影响因素，以期为安徽省乡村振兴和农村现代化建设提供理论依据和借鉴。
一、 人口空心化程度测度
（一） 数据来源与处理
研究数据主要来源于《安徽省统计年鉴》（2019年）、2019年安徽省各市统计年鉴、2018年安徽省各县市国民经济和社会发展统计公报及安徽省农业农村厅官方网站，涉及的空间数据来源于国家基础地理信息中心，采用1:4 000000的安徽地图。由于本文以县域为视角展开农村人口空心化程度研究，综合考虑行政区划中地级市所属区的性质和研究需求，本文将这部分暂不纳入研究范围，通过筛选最终得到研究样本16个地市的61个县市。
（二） 评价体系构建及测度
农村人口空心化程度测度的指标选择既要考虑到迁出、迁入的人口，又要综合农村老幼人口和农业从业人员等多因素影响，因此选用综合指标评价法更为符合实际，参照王良健[10]、谭雪兰[11]、郑殿元[13]等对农村人口空心化的测度，本文根据安徽省实际和数据来源的可信度构建人口流出率、乡村人口定居率、农业从业人员占比、0~14岁人口占比、65岁以上人口占比5项指标对安徽省县域农村人口空心化程度进行测算（表1）。其中人口流出率较为客观反映县域人口流失情况，人口流出率数值越大人口空心化越严重；乡村人口定居率、农业从业人员占比直观反映农村人口的密度，乡村人口定居率、农业从业人员占比数值越高表示人口空心化越低；0~14岁人口占比、65岁以上人口占比反映农村老龄化和少儿化现状，数值越高表示空心化越严重。
表 1 安徽省县域农村人口空心化程度评价指标指标内容 指标权重 预期效应 计算方法 人口流出率 0.44 + （户籍人口 – 常住人口）/户籍人口 乡村人口定居率 0.11 − 乡村常住人口/乡村总人口 农业从业人员比率 0.10 − 农业从业人员/总人口 0~14岁人口比率 0.19 + 0~14岁人口/总人口 65岁以上人口比率 0.18 + 65岁以上人口/总人口 基于评价指标构建，本文利用熵权法对指标权重赋值,并计算得出各县市空心化程度。安徽省县域农村人口空心化程度测度计算公式表达为：
$$ {K}_{i}=\sum \limits_{i=1}^{n}{W}_{j}\times {P}_{ij} $$ 式（1）中
$ {K}_{i} $ 为i县市人口空心化程度值，$ {W}_{j} $ 为j因子的权重，$ {P}_{ij} $ 为i县市j因子的分值。（三） 人口空心化空间分布类型
根据农村人口空心化程度评价指标和测度方法，计算得出安徽省县域农村人口空心化测度，将测度结果由高到低排序，利用ArcGIS 10.2自然段点分级法将安徽省61个县市农村人口空心化分为高度空心化（21.99～28.95）、较高空心化（18.27～21.98）、中度空心化（15.69～18.26）、较低空心化（13.01～15.68）和低度空心化（10.78～13.00）5个等级（图1）。
二、 人口空心化程度的空间分异特征
（一） 人口空心化程度描述性统计分析
按照上述安徽省县域农村人口空心化程度测度，利用SPSS 20.0进行描述性统计（表2）。由表2可以得出，安徽省空心化程度最大值在淮南市凤台县，最低值在合肥市肥西县；皖北平均空心化程度最高且安徽省均值，其后依次为皖西、皖南和皖中；从中位数来看，皖北空心化程度均值最高，其后依次为皖西、皖中和皖南；皖南标准差和变异系数最高，说明皖南各县市空心化程度差距较大，而皖中标准差和变异系数最低，说明皖中各县市空心化程度差距较小；从偏度系数来看，皖中偏度系数小于0，呈负偏态，说明大部分县市人口空心化程度趋向小于均值，空间呈中低空心化程度集聚且差距小，皖北、皖南、皖西偏度系数大于0，呈正偏态，说明大部分县市人口空心化程度趋向大于均值且差距大，空间呈中高空心化程度集聚，并随着偏度系数增加差距加大。从峰度系数来看，皖中峰度系数小于0，呈平峰分布，说明大部分县市人口空心化程度较小，空间分布趋于均衡，皖北、皖南、皖西峰度系数大于0，呈尖峰分布，说明大部分县市人口空心化程度较大，空间分布趋于扩散，并随着峰度系数增加扩散程度加大。
表 2 安徽省农村人口空心化程度描述性统计指标 全省 皖北 皖中 皖西 皖南 统计量 61 18 11 14 18 最大值 28.95（凤台县） 28.95（凤台县） 19.26（全椒县） 26.54（宿松县） 27.91（南陵县） 最小值 10.78（肥西县） 14.35（泗县） 10.78（肥西县） 13.00（霍山县） 11.16（宁国市） 均值 17.54 19.64 15.96 17.37 16.54 中位数 16.75 20.23 15.96 16.52 15.61 标准差 3.93 3.72 2.66 3.58 4.39 C.V值 22.41 18.94 16.67 20.61 26.54 偏度系数 0.81 0.61 −0.25 1.30 1.24 峰度系数 0.66 0.67 −0.14 2.19 1.59 注：经检验偏度和峰度均服从正态分布。 （二） 人口空心化程度的空间分异
为进一步分析安徽省县域农村人口空心化的空间分异特征，本文利用高/低聚类、聚类和异常值分析、热点分析进行全局空间自相关与局部空间自相关分析，其中全局空间自相关分析反映安徽省整体人口空心化的相关性，局部空间自相关分析反映相邻县市人口空心化的相关程度，以弥补全局空间自相关分析的不足。通过ArcGIS 10.2高/低聚类(Getis-Ord General G)分析得出安徽省农村人口空心化空间分布类型（表3）。由表3可以得出，从安徽省整体形态趋于随机分布；皖北、皖南趋于集中，并表现出高聚类模式，其中皖北z得分为2.11，该随机产生此高聚类模式的可能性小于5%；皖南z得分为1.71，该随机产生此高聚类模式的可能性小于10%；皖西趋于集中，并表现出低聚类模式，z得分为−1.69，该随机产生此低聚类模式的可能性小于10%；而皖中趋于随机分布，z得分为1.46，该模式与随机模式之间的差异似乎并不显著。
表 3 安徽省农村人口空心化高/低聚类得分区域 General G观测值 z得分 P值 分布格局 全省 0.000001 0.810110 0.417877 随机 皖北 0.000003 2.107837 0.035045 集聚 皖中 0.000004 1.458391 0.144733 随机 皖西 0.000008 −1.685613 0.091870 集聚 皖南 0.000004 1.712103 0.086878 集聚 运用ArcGIS 10.2绘制聚类和异常值分析图（图2）和热点分析图（图3）。从图2可以看出，安徽省县域农村人口空心化主要呈现高-高聚集区、高-低异常区和低-高异常区，其中高-高聚集区主要分布在皖北的蒙城县、颍上县和凤台县附近；高-低异常区主要分布在皖南无为市和皖西宿松县一带，低-高异常主要分布在皖南繁昌县附近。从图3按照90%以上置信度可以看出安徽省县域农村人口空心化热点出现在凤台县、南陵县、宿松县、无为市附近，冷点出现在肥西县一带。总体而言，安徽省县域农村人口空心化通过显著性检验的县市比例较低，因此安徽省农村人口空心化空间集中度不强。
三、 人口空心化程度的影响因素
（一） 指标选择及变量解释
人口空心化影响因素相关理论主要包括刘易斯理论、推拉理论、理性选择理论等，依据近年人口空心化国内研究成果[9-10, 12-13]，本文基于城乡社会、经济、教育等方面差距选取7个解释变量（表4）。
表 4 人口空心化程度的影响因素指标选择指标内容 预期效应 计算公式 人均生产总值（X1） − GDP总额/总人口 (元/人) 非农产业产值比重（X2） − 非农产值/总产值（%） 人均农业用地（X3） − 农业用地/乡村人口（hm2/人） 平均农业机械总动力（X4） + 农业机械总动力/农业用地（kW/hm2） 财政支出教育支出占重（X5) + 财政教育支出/财政总支出（%） 城乡居民人均可支配收入差（X6） + 城镇与农村居民人均可支配收入差（元） 城镇化率（X7） − 城镇人口/总人口（%） 基于上述7项指标构建多元回归分析模型处理因变量与自变量之间的关系，将人口空心化程度影响因素的线性函数表达为：
$$ Y={{\text{β}}}_{0}+{{ \text{β}} }_{1}{X}_{1}+\dots +{\text{{β}}} _{n}{X}_{n} $$ 式（2）中
${{\text{β}} }_{n}$ 为回归系数，$ {X}_{n} $ 为自变量。通过SPSS22.0对各因素与人口空心化进行Pearson直线相关性分析，得到安徽省农村人口空心化变量Pearson直线相关性检验表，结果显示各解释变量之间相关系数P值存在较高的一致性，说明设定的模型中自变量存在多重共线性问题，因此利用逐步回归法对人口空心化程度影响因素的线性函数进行修正（表5）。
表 5 采用逐步回归法的计算结果表变量 非标准化系数 T 显著性 回归系数 标准差 β0 15.486 4.6151 3.355 0.001 X5 0.203 0.1094 1.854 0.050 X6 0.008519 0.0000 0.434 0.040 X7 −0.068 0.0654 −1.044 0.010 注：R2=0.254，adjR2=0.201，F=4.769，DW=1.726。 通过绘制回归标准化残差与因变量空心化程度的散点图（图4），可以得出数据具有正态性和方差齐性，可以判定不存在异方差，因此该回归方程的可信度较高。样本量n=61，自变量数目k=4，查DW检验表可知，dl=1.44，du=1.73，模型中du<DW<4−du，则模型中的残差项无自相关。
通过表5和图4可以得到安徽省农村人口空心化程度影响因素的线性函数：
$$ Y = 15.486 + 0.203{X_5} + 0.008519{X_6} - 0.068{X_7} $$ （二） 影响因素及系数解释
根据修正回归方程和回归结果分析可以得出农业机械总动力、平均受教育年限、城乡居民人均可支配收入差和城镇化率是影响安徽省人口空心化程度的主要因素。
财政教育投入占比变量是人口空心化的重要因素。当其他因素不变时，财政教育投入占比每增加1%，安徽省县域人口空心化增加0.203%。教育资源分配不均和农村基础教育学校撤并进一步加剧城乡教育资源不均等，从理性选择理论来看，农村人口为改变现有基础教育资源而产生以家庭为单位迁往城镇的现象，当城镇教育资源不断优化，农村人口空心化现象愈加严重。
城乡居民人均可支配收入差距变量是人口空心化的关键因素。当其他因素不变时，城乡居民人均可支配收入差距增加100元，安徽省县域人口空心化增加0.852%。从推拉理论来看，安徽省城乡收入差距是人口空心化主要的推拉力，安徽省从2013年起城乡居民收入差距开始变小，到2019年安徽省城镇居民可支配收入为36154元，农村居民可支配收入为14670元，城乡居民收入比为2.46，城乡收入差距比虽为2013年以来的新低但差距仍较大，当城乡差距拉大，农村将进一步衰退。
城镇化率变量是人口空心化的重要因素。当其他因素不变时，城镇化率每增加1%，安徽省县域人口空心化降低0.068%。随着乡村振兴、新型城镇化和农村精准扶贫政策等因素影响，农村成为国家和安徽省关注的重点发展区域，2013年开始安徽省人口出现回流现象，也产生农村恢复原有的活力，另外安徽省实施专业村镇和特色小镇的发展农村新模式，也带动就地就业，从而缓解了农村人口空心化现象。
四、 结论与讨论
本文基于安徽省61个县市数据，构建综合评价指标分析安徽省县域农村人口空心化程度，并利用ArcGIS进行空间格局分析，通过多元回归逐步回归分析其影响因素，得出以下结论。
（1）安徽省县域农村人口空心化程度空间差异较大。空心化最高值为凤台县28.95，最低值为肥西县10.78，从地理分区来看，皖北空心化程度相对较高，其后依次为皖西、皖中和皖南。不同规模和等级的城市周边县域人口空心化程度差异明显，规模大等级高的城市周边县域人口空心化相对较小。
（2）安徽省县域农村人口空心化呈较为显著的空间分异特征。通过Getis-Ord General G值揭示安徽省县域农村人口空心化主要呈现高-高聚集区、高-低异常区和低-高异常区，凤台县、南陵县、宿松县、无为市为人口空心化热点区，肥西县为人口空心化冷点区。
（3）安徽省人口空心化是受多种因素综合影响，其中财政支出教育支出占比、城乡居民人均可支配收入差距是导致安徽省人口空心化的主要因素,而城镇化率的提升一定程度缓解了农村人口空心化。
本文未将地级市所属市辖区及管辖区纳入研究范畴，分析不够完整，但通过对61个县市的研究可知，政府部门应重视农村人口空心化产生的影响。人口空心化的驱动因素有主观选择的人口迁移，也有客观城乡差距的拉大，如何进一步实施乡村振兴战略，提出切实有效的城乡融合发展模式，增强农村人口回流和就地城镇化能力等，仍有待进一步研究。
-
表 1 各变量初始值
年份 生产性
服务业经济发
展水平城市化
水平市场开
放程度创新
水平工业化
水平专业化
分工政府
因素服务
效率产业融
合程度劳动力
投入老年抚
养系数1989 117.70 1136.00 15.95 0.042 62.051 0.358 0.327 13.530 2.394 1.966 0.080 7.87 1990 108.52 1182.40 17.94 0.054 70.476 0.339 0.333 14.010 2.027 3.108 0.081 8.16 1991 132.10 1164.40 17.96 0.069 54.255 0.370 0.320 16.510 2.391 4.848 0.083 9.03 1992 164.51 1389.60 18.20 0.076 67.500 0.366 0.293 14.510 2.403 7.598 0.085 9.24 1993 207.12 1785.29 18.48 0.072 163.393 0.374 0.249 14.310 2.278 11.962 0.088 9.42 1994 296.33 2254.44 18.78 0.121 97.869 0.353 0.188 16.130 2.495 18.728 0.090 9.55 1995 384.18 3065.80 19.09 0.093 84.412 0.311 0.194 15.200 1.987 28.903 0.107 10.20 1996 458.84 3524.10 21.71 0.088 73.158 0.303 0.188 14.350 2.062 41.438 0.106 9.72 1997 518.17 3928.90 22.02 0.084 80.633 0.300 0.300 14.190 1.826 54.216 0.121 9.98 1998 577.62 4235.44 22.33 0.074 131.408 0.301 0.752 14.020 1.755 80.226 0.129 10.32 1999 629.91 4495.84 26.00 0.081 206.087 0.302 0.741 16.230 1.947 110.973 0.119 10.85 2000 701.50 4779.46 28.00 0.095 152.784 0.305 0.533 17.060 1.994 183.931 0.121 11.35 2001 763.02 5312.90 29.30 0.092 143.596 0.327 0.653 18.130 1.875 173.426 0.125 12.09 2002 834.58 5736.18 30.70 0.098 161.250 0.317 0.608 18.990 1.839 205.715 0.129 12.65 2003 929.86 6374.89 32.00 0.125 187.093 0.320 0.481 19.130 2.046 256.588 0.116 13.63 2004 1014.80 7681.00 33.50 0.125 191.310 0.313 0.407 19.010 1.792 327.863 0.119 13.69 2005 1121.80 8631.00 35.50 0.140 217.865 0.343 0.402 20.200 1.575 431.543 0.133 15.08 2006 1275.30 9996.00 37.10 0.160 232.708 0.367 0.379 19.780 1.490 544.406 0.140 14.86 2007 1490.20 12039.00 38.70 0.165 304.732 0.382 0.354 18.950 1.271 686.085 0.159 15.57 2008 1772.30 14448.00 40.50 0.160 289.733 0.396 0.292 19.520 1.194 847.105 0.168 16.15 2009 2008.00 16408.00 42.10 0.106 373.652 0.404 0.305 19.130 1.134 1022.281 0.176 16.52 2010 2331.40 20888.00 43.20 0.133 677.040 0.438 0.289 21.560 1.072 455.289 0.176 14.21 2011 2739.80 25659.00 44.80 0.132 1220.351 0.462 0.273 24.000 0.985 560.994 0.182 16.30 2012 3167.10 28792.00 46.50 0.144 1419.430 0.466 0.274 25.320 0.965 621.625 0.191 17.36 2013 3787.50 32001.00 47.86 0.147 1440.549 0.462 0.263 24.030 0.848 790.323 0.232 17.68 2014 4232.40 34425.00 49.15 0.145 1325.116 0.454 0.253 22.670 0.855 902.806 0.237 16.83 2015 4981.90 35997.00 50.50 0.138 1640.884 0.421 0.240 22.310 0.941 1137.364 0.241 16.74 2016 5624.70 39092.00 51.99 0.122 1631.870 0.408 0.227 21.350 0.970 1774.113 0.241 17.22 2017 6411.60 43401.00 53.49 0.134 2550.964 0.404 0.226 20.950 0.982 1330.583 0.242 17.94 2018 7334.80 47712.00 54.69 0.139 3427.031 0.389 0.218 20.177 1.006 3570.455 0.243 19.02 
下载: 导出CSV
表 2 灰色关联分析结果
影响
因素经济发
展水平城市化
水平对外开
放程度创新
水平工业化
水平专业化
分工政府
因素服务
效率产业融
合程度劳动力
投入人口老
龄化灰色关联度 0.804 0.727 0.717 0.795 0.714 0.704 0.723 0.635 0.839 0.747 0.582
下载: 导出CSV
表 3 ADF单位根检验结果
变量 检验类型 T统计量 1%临界值 5%临界值 10%临界值 检验结果 Δlpgdp (c,0,0) −2.887524*** −3.689194 −2.971853 −2.625121 稳定 Δlico (c,0,0) −4.979769* −3.689194 −2.971853 −2.625121 稳定 Δlinn (c,0,0) −4.896619* −3.689194 −2.971853 −2.625121 稳定 Δlpsi (c,t,0) −4.798099* −4.323979 −3.580623 −3.225334 稳定 注：（1）Δ表示对变量的一阶差分; （2）检验类型分别表示单位根检验方程中包含常数项、趋势项和滞后系数;
（3）*、**和***分别表示通过1%、5%和10%的显著水平。
下载: 导出CSV
表 4 各准则下的滞后阶数
Lag logL LR FPE AIC SC HQ 0 74.36753 NA 4.22e-08 −5.629402 −5.434382* −5.575312 1 98.15301 38.05677* 2.31e-08* −6.252240 −5.277140 −5.981789* 2 114.57250 21.01690 2.51e-08 −6.285797 −4.530616 −5.798984 3 127.39710 12.31166 4.43e-08 −6.031769 −3.496507 −5.328595 4 151.32470 15.31365 4.93e-08 −6.665975* −3.350632 −5.746440
下载: 导出CSV
表 5 AR根
Root Modulus 0.457546 0.457546 −0.349973 0.349973 0.147554 − 0.115 726 i 0.187522 0.147554 + 0.115 726 i 0.187522
下载: 导出CSV
表 6 方差分解表
Period S.E. d(lpsi) d(lpgdp) d(linn) d(lico) 1 0.051539 100.0000 0.000000 0.000000 0.000000 2 0.060341 84.34844 0.524361 6.419511 8.707692 3 0.062558 82.10992 0.851138 8.618298 8.420646 4 0.062870 81.75436 0.905196 8.934433 8.406006 5 0.062945 81.68670 0.918986 9.003304 8.391014 6 0.062957 81.67467 0.921325 9.014942 8.389064 7 0.062960 81.67219 0.921875 9.017606 8.388327 8 0.062960 81.67170 0.921978 9.018116 8.388211 9 0.062960 81.67159 0.922001 9.018231 8.388178 10 0.062960 81.67157 0.922006 9.018254 8.388172
下载: 导出CSV
-
[1] 李平, 付一夫, 张艳芳. 生产性服务业能成为中国经济高质量增长新动能吗[J]. 中国工业经济, 2017(12): 5. DOI: 10.19581/j.cnki.ciejournal.20171214.005. [2] 白雪, 宋玉祥. 中国生产性服务业发展水平的时空特征及其影响因素[J]. 人文地理, 2019, 34(3): 118. DOI: 10.13959/j.issn.1003-2398.2019.03.016. [3] 张超, 郑长娟. 中国生产性服务业发展的影响因素分析: 基于贝叶斯模型平均(BMA)方法的实证研究[J]. 山东财经大学学报, 2018, 30(2): 43. DOI: 10.3969/j.issn.1008-2670.2018.02.006. [4] 刘英杰. 我国生产性服务业影响因素研究[J]. 冶金经济与管理, 2018(5): 40. DOI: 10.3969/j.issn.1002-1779.2018.05.012. [5] 张玉荣. 浙江省生产性服务业集聚及影响因素研究[J]. 经济论坛, 2018(2): 13. DOI: 10.3969/j.issn.1003-3580.2018.02.003. [6] 田振中. 生产性服务业发展影响因素实证研究[J]. 统计与决策, 2019, 35(4): 112. DOI: 10.13546/j.cnki.tjyjc.2019.04.026. [7] 于洪深, 杨纯. 吉林省生产性服务业发展的影响因素分析[J]. 吉林工商学院学报, 2017, 33(2): 8. DOI: 10.3969/j.issn.1674-3288.2017.02.002. [8] 余得生, 刘俊. 欠发达地区生产性服务业发展的影响因素研究: 以江西省为例[J]. 企业经济, 2017, 36(1): 135. DOI: 10.13529/j.cnki.enterprise.economy.2017.01.020. [9] 胡心宇. 湖北省生产性服务业影响因素的实证分析[J]. 物流工程与管理, 2016, 38(12): 147. DOI: 10.3969/j.issn.1674-4993.2016.12.050. [10] 骆嫕, 江奕. 浙江省生产性服务业发展影响因素的实证分析[J]. 宁波大学学报(人文科学版), 2015, 28(2): 82. DOI: 10.3969/j.issn.1001-5124.2015.02.018. [11] 万千欢, 千庆兰, 陈颖彪. 广州市生产性服务业影响因素研究[J]. 经济地理, 2014, 34(1): 89. DOI: 10.15957/j.cnki.jjdl.2014.01.015. [12] 徐建华. 现代地理学中的数学方法[M]. 北京: 高等教育出版社, 2009. [13] 丁正良, 纪成君. 基于VAR模型的中国进口、出口、实际汇率与经济增长的实证研究[J]. 国际贸易问题, 2014(12): 91. DOI: 10.13510/j.cnki.jit.2014.12.009. -
期刊类型引用(1)
1. 赵鹏. 基于产业协同集聚的安徽省生产性服务业效率研究. 通化师范学院学报. 2021(03): 53-58 . 
百度学术
其他类型引用(2)
计量
- 文章访问数: 1750
- HTML全文浏览量: 898
- PDF下载量: 20
- 被引次数: 3