Jing, K. and Liao, W.C., 2025. Expressways, Market Access, and Industrial Development in China: Using Walled-City Panel Instrumental Variables of Minimum Spanning Tree. Journal of Development Economics, p.103707.
1. 故事的缘起：从一个生活案例说起
在进入复杂的模型之前，我希望大家先闭上眼睛，想象一个生活中的场景，来理解这就所谓的“市场准入”（Market Access）究竟是什么，以及它如何改变命运。
案例：四川内陆的一家家具厂
假设时光倒流回 1990 年代末。在四川省的一个内陆县城——我们就叫它“A县”吧——有一家生产实木桌椅的小型家具厂。
没有高速公路的世界： 此时，A县只有蜿蜒曲折的省道和国道。如果厂长想把桌椅卖到上海或广州这些高收入城市，卡车需要在路上颠簸好几天。高昂的运输成本、货物在途中的损耗、以及漫长的时间成本，使得这笔生意根本无利可图。因此，这家工厂只能服务于本县和周边几个邻县的低收入市场。由于市场规模小，需求有限，工厂没有动力扩大生产，也不敢购买昂贵的自动化设备，只能雇佣几个工人手工打造。这是一家典型的低效率、小规模、劳动密集型企业。
时间来到 2005 年。
高速公路通车了： 国家高速公路网（NEN）的一条大动脉修到了A县门口，并且在距离工厂 10 公里处开设了一个出入口。 “市场准入”的剧变： 注意，这不仅仅是“路通了”这么简单。经济学家眼中的变化是：这家工厂通往上海、广州、北京等高购买力市场的加权旅行时间大幅缩短了。这就叫市场准入（Market Access）的改善。 结果一（集约边际）： 原本卖到上海是亏本的，现在有利可图了。面对上海巨大的市场需求，厂长决定扩大生产规模。 结果二（资本深化）： 为了满足大订单，原来的手工生产太慢了。厂长决定贷款购买数控机床。于是，企业的资本投入（Capital） 增速超过了劳动投入（Labor），企业变“重”了，技术升级了。 结果三（广延边际）： 隔壁村的张三看到家具厂赚了钱，也开了一家配套的油漆厂。于是A县的企业数量增加了。
这就是这篇文章试图讲述的故事：交通基础设施的改善，通过降低贸易成本，扩大了企业的有效市场边界，从而引发了企业的规模扩张、资本深化和产业集聚。 作者不仅仅是讲故事，而是要用最严谨的数据证明：这一切在 2000-2009 年的中国，是普遍存在的因果规律，而不仅仅是个案 。
2. 研究背景与动机：宏大叙事下的识别难题
2.1 宏观背景：中国的基础设施奇迹
我们要研究的这段时期——2000 年到 2009 年——是中国经济的“黄金十年”，也是基础设施建设的“大跃进”时期。
GDP 增速： 这十年间，中国年均 GDP 增长率超过 10% 。 高速公路网爆发： 2000 年，中国高速公路通车里程仅为 1.63 万公里；到了 2009 年，这一数字翻了两番，达到 6.5 万公里 。 “7918”网： 2004 年，国务院批准了《国家高速公路网规划》，也就是著名的“7918网”（7条首都放射线、9条南北纵线、18条东西横线）。这一规划不仅连接了所有省会城市，更覆盖了绝大多数人口超过 20 万的城市。 货运依赖： 与欧美国家铁路货运发达不同，中国的内陆货运高度依赖公路。2017 年数据显示，公路承担了 76.7% 的国内货运量 。因此，高速公路对中国工业的重要性，远超其他国家。
2.2 研究动机：因果识别的“阿喀琉斯之踵”
既然高速公路这么重要，为什么还需要学者费尽心力去研究它？因为在经济学实证中，有一个巨大的拦路虎叫“内生性”（Endogeneity）。
反向因果（Reverse Causality）： 政府修路不是闭着眼睛瞎修的。规划者通常会把路修在经济增长潜力大、工业基础好的地方。那么，当我们看到“有高速公路的地方经济好”，究竟是因为路带来了繁荣，还是因为繁荣引来了路？ 遗漏变量（Omitted Variable Bias）： 也许某些地区的领导人特别能干，既善于招商引资搞工业，又善于跑部进京要路条。这种“领导能力”是我们观测不到的，但它同时导致了修路和经济增长。
Redding and Turner (2015) 在其综述中明确指出，现有文献很少有基于面板数据（Panel Data）对交通基础设施动态影响的研究，因为这太难了 。
2.3 现有文献的局限
为了解决内生性，前人（如 Faber, 2014; Qin, 2017）通常采用“无关紧要地区法”（Inconsequential Place Approach）。
逻辑是： 如果要连接大城市 A 和大城市 B，中间必须经过小县城 C。C 县通路是“被迫”的，是外生的。 缺陷： 这种方法必须把大城市（A和B）从样本中剔除。这就像研究中国经济却要把北上广深和所有省会都删掉一样，结论的代表性大打折扣。这就导致了文献中缺乏对整个国家经济地理的全面评估 。
本文的动机就在于此：我们需要一种新的方法，既能解决内生性问题，又不需要剔除任何重要的经济节点，从而全面评估高速公路对中国所有县域工业发展的动态影响。
3. 边际贡献：方法论的突破
这篇文章之所以能发在 JDE，核心在于它在方法论上的三重重大突破 ：
面板工具变量（Panel IV）的创新： 过去的研究多使用横截面工具变量（如 19 世纪的铁路网、明代的驿路）。这只能研究“长期影响”，无法捕捉 2000-2009 年这种快速变化时期的动态冲击。 本文首创了“古城墙最小生成树面板工具变量”（Walled-City MST Panel IV）。它利用历史地理信息构建了一个动态演进的虚拟路网，解决了这一难题。 外生性的源头创新： 传统的最小生成树（MST）方法通常用“1990年人口”来确定路网节点。但 1990 年人口本身可能就是内生的（人多的地方经济好）。 本文创造性地使用了1820年（清嘉庆二十五年）的古城墙特征（如城墙周长、城门数量）来预测节点。这些城墙是几百年前为了军事防御修建的，与现代工业发展几乎没有直接的经济联系，从而保证了完美的排他性（Exclusion Restriction） 。 全样本覆盖与参数估计： 由于工具变量足够强大，作者不需要剔除任何大城市。研究覆盖了中国大陆所有县级行政区。 作者没有直接套用美国文献中的参数，而是利用中国海关微观数据，首次估算了中国情境下的“贸易对时间的弹性”参数（Trade Elasticity to Travel Time），使得市场准入的度量更加精准 。
4. 研究数据：拼图式的构建过程
一项扎实的实证研究，离不开高质量的数据。作者像拼图一样，整合了多源数据 。
4.1 核心被解释变量：工业发展数据
来源： 国家统计局的中国工业企业数据库（ASIF）。 样本期： 2000年、2003年、2006年、2009年（三年一期，构成面板）。 处理细节： 涵盖所有国有企业和年销售额 500 万元以上的非国有企业。 为了保证数据质量，作者剔除了只有法人注册地但无实际生产的企业，并将企业数据加总到县（County）层面。 关注指标：县域制造业 GDP、企业数量（Firm Count）、平均产出（Output）、资本（Capital）、劳动（Labor）以及全要素生产率（TFP）。
4.2 核心解释变量：交通网络数据
来源： 澳大利亚格里菲斯大学 ACASIAN 数据库提供的 GIS 地图。 内容： 包含 2000、2003、2006、2009 年每一年的实际高速公路路网矢量图。 处理： 结合 ArcGIS 软件，计算每个县到其他所有县的最短路径旅行时间。
4.3 工具变量构建数据
这是文章最精彩的部分，用到了非常独特的历史和地理数据：
古城墙数据（1820年）： 来源： 哈佛大学 Dataverse 平台。 内容： 清代 1820 年的城墙周长、高度、厚度、护城河、城门数量、塔楼数量等。 用途： 用来预测该城市在现代的重要性，从而确定它是否应该作为虚拟路网的节点。 地理成本数据： 来源： 中国国家冰川冻土沙漠科学数据中心、DIVA-GIS。 内容： 1km x 1km 网格的土地覆盖（水体、湿地、建筑用地）和坡度/高程数据。 用途： 用来计算修路的“建设成本面”（Cost Surface），毕竟在平原修路比在山区便宜，虚拟路网必须遵守地理约束。
4.4 辅助数据：贸易弹性估计
来源： 中国海关进出口微观数据库（2000-2006）。 用途： 利用企业所在县到出口港口的运输时间和贸易额，回归估算“时间每减少1%，贸易量增加多少”。
5. 研究设计：严密的因果推断逻辑
这是我要重点讲解的部分，也是大家学习计量经济学的核心。
5.1 模型构建：市场准入（Market Access）公式
作者没有简单地用“是否有高速公路”这个 0/1 变量，而是基于 Eaton and Kortum (2002) 的贸易理论，构建了一个连续变量——市场准入（MA）。
公式如下：
同学们请看这个公式的含义：
： 年 县的市场准入值。 ：目的地 县的市场规模（用 GDP 或人口代理）。 ：从 县到 县的旅行时间。 ：距离衰减参数（贸易弹性）。
直觉解释： 一个县的市场准入，等于它能连接到的所有其他县的市场规模的总和，但是要打折。打折的力度取决于路程时间的远近。高速公路修通后， 变小了，分母变小，MA 值就变大了。
关键参数估计（Table 2）：
在这个公式里， 是多少？美国的数据是 1.0 左右，但这不一定适用于中国。作者在 Table 2 中利用海关数据进行了回归 。
Table 2 结果： 作者发现，当控制了各种固定效应后，旅行时间每减少 1%，贸易量增加约 **1.68%**。因此，在后续计算中，作者将 设定为 1.68。这是一个非常扎实的参数校准过程。
5.2 核心识别策略：古城墙 MST 面板工具变量
这是文章的灵魂。为了解决 的内生性，作者构建了一个工具变量（IV）。
第一步：确定节点（Target Nodes）——历史的回响
作者没有用 2000 年的 GDP 来决定哪些城市该修路（那是内生的），而是回到了 1820 年。
Table 1 讲解： 作者跑了一个回归（Eq. 11）。被解释变量是 1990 年县域人口，解释变量是 1820 年的城墙特征。
结果显示：城墙周长越长、城门越多、有护城河的城市，在 1990 年的人口越多。 逻辑： 清朝修城墙是为了防御（Exogenous to modern industry），但城墙规模大的地方往往是历史上的行政中心，具有人口聚集的惯性（Relevance）。 操作： 利用这个回归的预测值，选出预测人口超过 50 万的城市作为 MST 的“目标节点”。
第二步：构建成本面与最小生成树（MST）
Figure A1 讲解： 这是一张中国地图，颜色越深代表修路越贵（坡度大、有水域）。 算法： 假设规划者只考虑两件事：① 连接所有目标节点；② 总建设成本最低。 利用 Kruskal 算法和 Dijkstra 算法，在成本面上画出一张“虚拟路网”。这张网完全是由地理和历史决定的，跟现在的市长想不想搞政绩没关系。
第三步：动态面板化（Dynamic Expansion）——模拟生长
Figure 3 讲解： 这是一组图，展示了 2000、2003、2006、2009 年虚拟路网是如何“生长”的。 规则： 2003 年真实的高速公路网增加了 X 公里，那么我的虚拟路网也按成本优先原则增加 X 公里。 结果： 这样就得到了一个随时间变化的工具变量 。它既有横截面上的差异（由古城墙决定），又有时间上的变化（由国家总投资进度决定）。
5.3 计量模型设定
主回归方程（Eq. 10）如下：
：县固定效应（控制地理、文化等不变量）。 ：省份-年份固定效应（控制全省层面的宏观冲击）。 ：控制变量（如人口、产业结构）。 **关注系数 **：这就是我们想求的市场准入对经济发展的弹性。
5.4 实证结果详解
现在，请大家把目光集中到论文的实证表格上。
第一阶段回归（Table 4）：工具变量强不强？
内容： 检验工具变量 对真实变量 的预测能力。 解读： 系数显著为正（P<0.01），说明虚拟路网通了，真实路网大概率也通了，相关性很好。 Kleibergen-Paap F统计量： 都在 30-80 之间，远超临界值 10。说明不存在若工具变量问题。 结论：工具变量非常强力。
主回归结果（Table 5）：核心结论
这是全文最重要的表格。我们逐列来看 Panel B（使用古城墙 IV 的结果）：
Column 1 (Manufacturing GDP)： 系数为 0.282。 含义： 市场准入每提升 1%，该县的制造业 GDP 就会增长 **0.28%**。这是一个非常可观的经济回报。 Column 2 (Firm Count)： 系数为 0.072。 含义： 市场准入提升 1%，企业数量增加 0.07%。这叫广延边际（Extensive Margin），说明路通了，新企业进来了。 Column 3 (Value Added)： 系数为 0.075。 含义： 现有企业的平均产值增加了。这叫集约边际（Intensive Margin），说明老企业做大了。 Column 4 & 5 (Labor vs Capital)： 平均资本投入（Capital）的系数是 0.062。 平均劳动投入（Labor）的系数是 0.027。 深刻洞见： 资本的增长速度是劳动的两倍多！这说明高速公路带来了资本深化（Capital Deepening）。企业在用机器替代人。为什么？理论模型部分会解释（因为土地限制导致工资上涨，企业被迫转型）。 Column 6 & 7 (TFP)： 全要素生产率的系数不显著（接近 0）。 含义： 路通了，企业规模大了，用更多机器了，但并不代表技术效率（TFP）直接提高了。这符合 Eaton-Kortum 的理论预测：交通主要降低贸易成本，而非直接改变生产函数。
为什么面板 IV 比横截面 IV 好？（Table 6 & 7）
作者做了一场精彩的“赛马”（Horse Race）。
Table 6： 作者试着像以前的文献那样，只用一年的横截面数据跑回归。结果发现系数甚至变成了负的或者不显著。这说明在快速发展的中国，如果不考虑动态变化，横截面回归全是偏差。 Table 7（过度识别检验）： 作者对比了“1990人口IV”和“古城墙IV”。 结果显示，“1990人口IV”在某些情况下拒绝了原假设（说明它可能内生）。 而“古城墙IV”在所有测试中都通过了 Sargan-Hansen J 检验（P值很大，不能拒绝外生性）。这证明了利用历史数据作为工具变量的优越性。
外生性再检验：平衡性测试（Table 8 & 9）
Table 8： 作者检验了工具变量的变化量（）是否与 1998 年的基期特征（如 GDP、生产率）相关。 结果：古城墙 IV 的相关性系数都不显著。说明这个路网的扩张路径，并没有刻意偏向那些本来就富裕或者增长快的地方，它是“准随机”的。 Table 9： 检验被连接的“顺序”（Timing）。结果同样显示，连接的早晚与当地经济基底无关。
5.5 异质性分析与机制讨论
区域去中心化（Table 11 & 12）
大家可能会问：修了路，是让大城市更强（虹吸效应），还是让落后地区受益（扩散效应）？
Table 11： 交互项显示，内陆省份（Inland Provinces） 从市场准入改善中获益最大。 结论： 高速公路网促进了中国工业的去中心化。制造业开始从昂贵的沿海地区向内陆转移。这对于国家平衡区域发展战略来说，是一个巨大的利好证据。 例外： 北上广深（一线城市）依然强者恒强，获益巨大。
产业异质性（Figure 4 & Table 13）
Figure 4： 横轴是资本密集度，纵轴是回归系数。 趋势： 向上倾斜。说明资本密集型和高科技行业，从高速公路中获益更多。 Figure 4 Panel B： 横轴是“重量价值比”（Weight-to-Value Ratio）。 趋势： 向下倾斜。说明轻型高价值商品（如电子产品、医药）比重型低价值商品（如水泥、木材）更受益。这很符合直觉，因为运费对低价值商品来说太贵了。 Table 13： 进一步证实，高速公路促进了资本密集型产业在内陆地区的集聚。
5.6 稳健性检验（Table 14-16）
为了证明结论不是凑出来的，作者做了大量测试：
Table 14： 换个贸易弹性参数（从 1.0 试到 2.0），结论不变。 Table 15： 改变“连接”的定义。究竟离高速路口 10km 算连接，还是 50km 算？结果发现 20km 是最佳阈值，超过这个距离，效应就开始衰减。 Table 16： 考虑普通公路（假设时速 10km/h）。把普通路网加进来一起算 MA，结论依然稳健。
6. 研究结论
总结一下，这篇文章通过极其严谨的实证分析，得出了以下核心结论：
正向因果效应： 高速公路建设带来的市场准入改善，显著推动了县域工业发展。MA 每增加 1%，制造业 GDP 增长约 **0.28%**。 增长机制： 这种增长既来自于新企业的进入（广延边际 0.07%），也来自于老企业的扩张（集约边际 0.08%）。 结构转型： 高速公路通过要素价格机制（土地限制导致工资上涨），迫使企业进行资本深化，用资本替代劳动。这对中国制造业的技术升级起到了倒逼作用。 空间重构： 高速公路网有效地将工业活动从沿海扩散到了内陆，促进了区域经济的平衡发展。内陆地区利用低成本优势，承接了大量资本密集型产业。 效率来源： 生产率的提升主要来自集聚效应，而非交通本身直接带来的技术进步。
