空间经济学的实证发现

我们在一间区县发展改革部门的会议室里。墙上挂着三张图：

1. 夜间灯光图，最亮的区域沿高速公路和河谷连成一串；
2. 企业名录，几个产业园周围的供应商密得像撒了一把芝麻；
3. 住宅成交图，越靠近地铁换乘站，颜色通常越深。

三张图都很有说服力，也都可能把我们带进同一个陷阱：空间上的相邻与统计上的相关，并不自动等于因果。

亮的地方可能本来就富，不一定是道路把它带富；产业园附近的企业可能本来就更强，不一定是龙头企业让它们变强；地铁站附近房价更高，也可能因为车站总是修在就业、商业和学校已经密集的地方。

所以，这一章不从“空间自相关是什么”开始，而从五个需要做决定的现场开始。每个现场，我们都按同一条路径推进：先看见一个真实空间现象，再把直觉改写成可检验问题；接着组织数据、定义变量、识别最危险的混淆因素；然后才引入模型；最后把估计结果翻译成能够行动的判断。公式不是入口，而是我们检查直觉有没有被数据支持的工具。

一张地图不是结论：先建立我们的实证工作台

在进入案例前，我们先约定一套最小工作台。拿到任何空间数据，都先建立四张表，而不是急着跑回归。

1. 空间单元表：每一行究竟代表省、市、区县、街道、规则网格，还是企业、住宅和车站？它必须有稳定的空间标识、边界版本、面积和几何中心。行政区划调整时，旧县拆成两个新区，如果我们直接拼接年份，就会把边界变化误当成经济增长。

2. 时间表：事件何时宣布、何时开工、何时真正投入使用？企业和家庭可能在正式开通前就开始搬迁，因此“开通年”不一定是冲击真正发生的年份。一个只有“前、后”两期的数据集，往往看不见提前反应，也很难检验趋势。

3. 关系表：谁是谁的邻居，谁能在多长时间内到达谁，货物从哪里流向哪里？空间研究的关键不只是地点属性，还包括地点之间的关系。邻接矩阵、距离矩阵、出行时间矩阵和投入产出联系，都属于这张表。

4. 事件与政策表：道路、车站、园区、边界、学校和医院何时改变，选择地点的规则是什么，哪些地区曾被考虑但最终没有被选中？后一个问题尤其重要。许多可信的反事实，不是来自“随便找一个没被处理的地方”，而是来自条件非常接近、却刚好没有获得项目的地方。

每次分析结束前，我们还要回答五个检查问题：

1. 如果把空间尺度从区县换成一公里网格，结论是否仍成立？
2. 如果把直线距离换成出行时间，结论是否改变？
3. 处理前的趋势是否相似，是否已经出现提前反应？
4. 模型残差是否仍在地图上成团出现？
5. 估计量回答的是“哪里更好”，还是“某个改变使哪里变得更好”？

这五个问题会在后面的案例中反复出现。

---

案例一：卫星看见的亮光，能不能替代地面统计？

真实观察：行政边界之外，城市正在连成片

夜里从太空看长三角、珠三角或成渝地区，我们看到的不是彼此孤立的城市圆点，而是亮度不同、边缘互相接近的连续区域。再叠加人口栅格，通常会发现高人口密度、高建成强度和高灯光辐亮度在空间上相互靠近。对统计资料较慢、行政边界频繁变化的地区，夜间灯光尤其诱人：它覆盖连续空间、更新频率高，还能跨地区使用同一把尺子。

但“越亮越富”只是一条待检验的经验关系。港口火炬、渔船、雪地反射、节庆照明和大型机场会制造亮点；节能改造会使经济活动上升而耗电照明下降；农村加工、白天生产和数字服务也可能创造产值却不产生强光。我们真正要问的是：灯光变化在多大程度上对应持续的人口与经济活动变化，它在哪些地方失真？

数据怎么组织：先固定像元，再讨论城市

我们可以选取连续多年的年度夜间灯光合成影像，再配合同期人口栅格、建成区栅格和行政统计。年度灯光产品除了辐亮度，还包含有效观测次数、质量标记、积雪状态和观测角度信息；这些不是附属字段，而是清洗依据。

最稳妥的数据表以固定网格为行。例如，把研究区切成一公里见方的格网，每一行记录：

清洗时至少做四步：

面对零值和极亮像元，一个实用变换是反双曲正弦：

$$y_{it}=\operatorname{asinh}(L_{it})=\ln\left(L_{it}+\sqrt{L_{it}^{2}+1}\right)$$

当灯光 $L_{it}$ 很大时，它的解释接近对数；当 $L_{it}=0$ 时仍然有定义。这样既压低极端亮点的支配力，也不必丢掉黑暗格网。

先用空间自相关检查“成团”，再谈增长

把地图涂成热力图，我们会凭肉眼说“亮区成片”。Moran's I 把这句话改写成可计算问题：一个格网的高值，是否倾向于挨着其他高值；低值是否也倾向于靠着低值？

$$I=\frac{n}{S_0} \frac{\sum_i\sum_j w_{ij}(x_i-\bar{x})(x_j-\bar{x})} {\sum_i(x_i-\bar{x})^2}, \qquad S_0=\sum_i\sum_jw_{ij}$$

这里 $w_{ij}$ 不是自动从数据里长出来的，它由我们定义。若两个格网共享边界就令 $w_{ij}=1$，得到邻接权重；若车程越短权重越大，可以令 $w_{ij}=\exp(-\lambda t_{ij})$；若研究知识传播，还可以只连接同产业企业密集区。同一个变量在行政邻接下可能高度集聚，在两小时交通圈下却没有那么集聚。

假设九个格网排成三乘三，中间四个格网亮度为 80、75、70、65，外围大多在 5 到 15。用共享边权重时，高值彼此相邻、低值也彼此相邻，$I$ 会明显为正。如果把九个值随机打乱一万次，只有很少排列产生同样高的 $I$，我们才说这种集聚难以由随机位置解释。这个置换检验比只看一个正负号更可靠。

但是，显著的 Moran's I 只告诉我们“不是随机撒开的”，不能告诉我们“为什么聚集”。人口、道路、地形、历史核心和政策可能共同塑造灯光。更重要的是，因变量具有空间自相关时，普通最小二乘的标准误可能过小，让我们过度自信。

从截面相关走向面板识别

如果目标是判断一条道路改善是否推动周边活动增长，可以估计格网面板：

$$\operatorname{asinh}(L_{it})=\alpha_i+\gamma_t+ \beta\,Access_{it}+\theta X_{it}+\varepsilon_{it}$$

$\alpha_i$ 吸收格网不随时间变化的地形、历史中心和长期区位；$\gamma_t$ 吸收某一年所有格网共同经历的宏观冲击；$Access_{it}$ 是到主要市场的可达性，而不是简单的“是否有路”； 可以包括降水、灾害、能源设施变化等时变因素。

这里最大的识别陷阱是反向因果：活动增长快的地方更容易获得道路，也更容易变亮。只加入固定效应还不够。我们至少要画出道路开通前后的事件研究系数，检查开通前三到五年是否已经持续变亮；还可以使用早期规划路线、地形约束下的最低成本路线或分期施工时序，构造与当期经济增长不直接相关的可达性变化。

灯光结果必须与地面指标交叉验证。一个可执行的办法是：在统计口径稳定的区县，用工业用电、就业、企业注册和人口普查验证灯光弹性；在口径不稳定或缺报地区，再使用校准后的关系。不要把全国平均弹性机械套到矿区、旅游区和超大城市核心区。

一个给规划部门的判断

如果某条新通道周边灯光增长 18%，邻近未通道地区增长 10%，我们不能直接宣称项目贡献 8 个百分点。先看处理前趋势；再检查光增长来自长期建成区扩张，还是施工营地和物流火点；然后把估计换成常住人口、就业或企业数量复核。只有当多类指标在合理时间窗口内共同变化，且结果不依赖某一种权重矩阵或行政边界，我们才把它用于产业布局或公共服务配置。

这个案例给我们的第一条经验是：遥感让不可见地区变得可测，却不会自动让因果关系变得可信。

---

案例二：高铁缩短了时间，经济机会一定留在本地吗？

真实观察：三小时圈突然扩大

高速铁路开通最直观的变化不是地图上的公里数，而是“当天能见到多少客户、供应商和专业人员”。在普速铁路条件下，从郑州三小时可达的人口大约只有几百万；高速铁路接入后，同一时间预算可以触达八座城市、两千多万人。对咨询、软件、会展、总部销售和医疗服务而言，这不是节省几十分钟，而是市场边界发生跳跃。

然而，小城市接入大市场后可能获得订单，也可能失去本地订单。消费者更容易去中心城市购物，优秀员工更容易跨城求职，大企业也可能把后台部门集中到核心城市。我们要检验的问题因此不是“高铁有没有促进增长”，而是：可达性提高后，哪些行业扩张、哪些行业收缩，收益落在节点城市、沿线地区还是原有核心？

指标怎么选：不要只放一个“高铁城市”虚拟变量

先构造城市间门到门时间矩阵。列车运行时间只是其中一段；到站接驳、候车频率和换乘惩罚也会影响真实可达性。对企业而言，每天一班的三小时车程与每小时一班的三小时车程并不等价。

然后定义市场可达性：

$$MA_{it}=\sum_{j\neq i}Y_{jt}\exp(-\lambda t_{ijt})$$

$Y_{jt}$ 可以是目的地人口、就业、行业产出或消费支出，$t_{ijt}$ 是从城市 $i$ 到 $j$ 的时间， 表示时间阻力。直觉很简单：规模大的市场权重大，时间远的市场权重小。

举一个简化计算。某城市原来能连接三个市场，它们的经济规模分别为 100、80、60。按出行时间换算后的权重原来是 1、0.4、0.2，可达性为：

$$MA_{before}=100\times1+80\times0.4+60\times0.2=144$$

高铁开通后，后两个市场的权重变成 0.7 和 0.5：

$$MA_{after}=100\times1+80\times0.7+60\times0.5=186$$

可达性提高约 29.2%。这个数字比“开通高铁”更有信息，因为它允许同一条线路上不同城市获得不同强度的处理。

流量数据还可以用重力模型组织。两个城市之间的客流、贸易或企业联系，通常随两地规模上升，随时间成本上升：

$$F_{ijt}=\exp\left(\alpha_{it}+\delta_{jt}-\beta\ln t_{ijt} +\eta Z_{ijt}\right)\cdot u_{ijt}$$

$\alpha_{it}$ 控制出发城市在该年的供给能力，$\delta_{jt}$ 控制到达城市在该年的吸引力，$Z_{ijt}$ 可以表示是否跨省、是否直达、语言或制度边界。对大量零流量和偏态流量，直接取对数会丢掉零值并产生偏误，实践中可使用适合非负流量的伪极大似然方法。

识别陷阱：铁路不是随机铺设的

线路往往优先连接增长潜力高、人口多、行政级别高的城市。如果我们比较通高铁城市和未通高铁城市，估计中会混入规划者早已看到的增长潜力。解决它需要把“为什么这条线经过这里”纳入设计。

1. 事件研究。把首次开通作为事件零点，观察前后若干年企业进入、服务业就业、工业产出和房价的动态变化。如果开通前三年处理城市已经明显领先，对照组就不可信。

2. 利用网络规划规则。全国干线往往以省会和大城市为目标节点，大量小城市只是连接目标节点时顺便经过。我们可以用地形坡度、建设成本和目标节点之间的最低成本网络预测路线，再比较实际被连接程度。预测路线不能直接决定当地当期产业增长，否则工具就失效。

3. 把站点、线路和城市分开。线路穿过区县不代表当地获得有效服务，远郊站点也不等于中心城区可达性改善。处理强度应体现实际班次、停站和接驳时间。

中国干线公路的经验提醒我们一个反直觉结果：连接大城市并不必然把工业扩散到沿线小地区。有些非目标外围地区接入全国网络后，工业增长反而放慢，因为规模经济使生产更容易向大市场集中。交通降低了双向成本，“产品卖出去”和“外部企业卖进来”同时发生。

把结果用于线路和站城决策

项目评估不能只累计旅客时间节省。我们至少并列四个结果：企业生产率、就业地点、产业结构和游客过夜数。高铁可能增加到访人数，却缩短停留时间；可能增加本地专业服务订单，却把标准化制造环节吸向核心城市；可能提高站区房价，却没有改善外围居民的接驳。

实务上可以把城市—行业放进同一个面板，检查知识密集型服务、制造业管理部门、旅游和本地生活服务的异质性。如果可达性上升主要提高商务往来，却没有带动制造业选址，那么政策重点应是站城接驳、会展与专业服务网络，而不是在站外复制一个重资产工业园。

另外，我们要做反事实：如果同样预算用于提高既有线路班次、建设城际接驳或改善货运通道，市场可达性和就业会怎样？只有把“建成后的世界”与多个可行替代世界比较，投资排序才有意义。

---

案例三：一家大型工厂落地，周边企业真的会变得更高效吗？

真实观察：产业园热闹了，但热闹来自哪里

一座大型整车厂或电子装配厂落地后，附近会出现供应商、物流企业、招聘机构和培训学校。餐饮与租赁需求上升，本地企业的订单也可能增加。地图上看，这正是“集聚带来生产率”的故事。

困难在于，大型工厂不会随意选址。它会挑交通便利、工人熟练、政府执行力强、产业基础好的地方。这些优势本来就会让当地企业增长。若只比较有龙头项目和没有龙头项目的地区，我们几乎一定会高估外溢。

一个非常有用的识别思路来自大型工厂选址竞赛：企业通常经过多轮筛选，最后选出一个落地区，同时留下一个或两个条件非常接近的候选地。最终获胜地是处理组，进入最后名单却落选的地区是对照组。它们都被利润最大化的企业认真评估过，比任意挑选的相邻县更像彼此的反事实。

数据怎么组织：企业层面，而不是只看地区 GDP

我们需要一张“企业—年份”面板，至少包括产出、用工、工资、资本存量、中间投入、行业、开业与退出年份、地理坐标，以及它与新工厂在劳动力技能、产品技术和供应链上的相似程度。

先用生产函数形成生产率指标。一个简化的 Cobb—Douglas 形式是：

$$\ln Q_{ft}=\alpha_K\ln K_{ft}+\alpha_L\ln L_{ft} +\alpha_M\ln M_{ft}+\omega_{ft}+\epsilon_{ft}$$

$Q$ 是企业产出，$K$、$L$、$M$ 分别是资本、劳动和中间投入。扣除这些可观测投入后，$\omega_{ft}$ 表示企业以同样投入创造更多产出的能力，也就是我们关心的生产率部分。

这里不能把“人均产值”直接当生产率。新厂到来后，本地企业可能购置更多设备、外包更多环节，人均产值会上升，但这可能只是资本深化。总要素生产率更接近效率变化，不过它也依赖生产函数估计，仍需用单位成本、交货周期、次品率或专利等指标复核。

接着估计获胜地与落选地的双重差分：

$$TFP_{fct}=\mu_f+\tau_t+ \beta(Win_c\times Post_t)+\Gamma X_{fct}+\varepsilon_{fct}$$

$\mu_f$ 控制企业自身长期差异，$\tau_t$ 控制共同年份冲击。$\beta$ 比较项目落地后，获胜地区原有企业的生产率相对落选地区原有企业改变了多少。

“原有企业”四个字很重要。如果把项目落地后新进入的高效率供应商也纳入，就会把企业构成变化当成原企业学习。我们应分别报告存续企业效率、企业进入退出和地区总产出，三者回答不同问题。

为什么七年的处理前趋势比一个显著系数更重要

在大型工厂选址案例中，获胜地和落选地在项目落地前七年的生产率走势相近，这让反事实更可信。项目落地五年后，获胜地原有企业的生产率相对高出约 12%。外溢在与新工厂共享劳动技能和技术基础的企业中更强，同时技能调整后的劳动成本也上升。

这组现象把机制链条补全了：新工厂不是向空气中平均撒出“生产率粉末”。它通过共同供应商、同类工程师、管理方法流动和面对面学习，优先影响能够吸收这些知识的企业。工资上升则提醒我们，生产率收益并不会全部变成企业利润；劳动者和土地所有者也会分走一部分。

四类最容易犯的错误

1. 把相邻当暴露。距离新厂十公里的同行企业可能比一公里外的无关餐饮企业更能吸收技术。暴露度可以写成“距离权重 × 技术相似度 × 劳动力相似度”，而不是只画一个同心圆。
2. 忽略预期效应。项目正式投产前，地方已经修路、培训工人，供应商也开始进驻。事件零点应分别尝试入围、宣布、开工和投产日期。
3. 把补贴和外溢混在一起。当地企业可能同步获得税收优惠和采购倾斜，生产率上升未必来自知识传播。我们要收集配套政策，并检查不共享技术、却同样能拿补贴的企业是否也上升。
4. 只看均值，不看挤出。龙头企业可能吸走工人和土地，使低效率小企业退出。存续企业平均生产率会因低效率企业消失而上升，即使任何一家企业都没有学会新技术。因而要把“企业内提升”和“企业间重新配置”拆开。

一笔产业补贴怎样算得更完整

假设园区准备提供 10 亿元支持，预计项目周边有 80 家可吸收技术的存续企业。若它们年增加值合计 50 亿元，可信估计显示五年后效率相对提高 8%，不能直接把 $50\times8\%=4$ 亿元当作每年的公共收益。我们要逐项调整：效率爬坡需要几年；一部分收益通过工资和地租转移；部分订单只是从邻县转来；财政还承担道路、培训和环境治理成本。

更合理的账本包含：本地净新增增加值、劳动者实际收入、住房成本、企业进入退出、跨区挤出、污染和财政机会成本。若外溢只集中在技术相近企业，补贴协议就应优先支持共同培训平台、供应商认证和工程师交流，而不是给所有园区企业平均减租。

这个案例告诉我们：集聚外溢可以很真实，但只有与项目“差一点擦肩而过”的地方，才可能帮我们看见它原本不会发生的世界。

---

案例四：离地铁近的房子更贵，贵的是通勤还是整套街区？

真实观察：每缩短一段距离，价格就多出一层

在北京这样的大城市，把住宅成交价与到市中心、地铁站、重点学校和公园的距离叠加，通常能看见清晰梯度。早期新建住宅数据中，到中心区每增加一公里，单位价格平均低约 5.1%。在地铁快速扩张时期，同一社区到最近车站的距离减少 10%，租金大约上升 0.2%；单纯横截面比较得到的幅度往往高出数倍。

两种估计的差距恰好说明问题：离地铁近的住宅还可能更新、物业更好、商业更多、学校更强。如果这些属性未被完全观察，横截面模型就会把它们的价值算到地铁头上。

我们要回答的不是“地铁附近是否更贵”，而是：一处住宅因为轨道可达性真实改善，价格或租金增加了多少；这部分增值中，有多少来自时间节省，有多少来自餐饮、商业和人口结构的后续变化？

数据怎么组织：让同一套房和自己比较

理想表格以房屋或小区为单位，包含多次成交或租赁记录。除价格、面积和时间外，还要记录楼龄、楼层、装修、容积率、物业费、学区、医院、公园、商业网点、就业可达性、到最近站点的步行网络距离，以及线路宣布、开工和开通时间。

基础特征价格模型可以写成：

$$\ln P_{it} = \alpha_i + \gamma_t + \beta \ln D_{it}^{station} + \theta A_{it} + \varepsilon_{it}$$

$\alpha_i$ 是住宅固定效应，让同一套房与自己比较；$\gamma_t$ 控制全市房价周期；$D^{station}$ 是真实步行距离； 包含随时间变化的周边设施。若 ，距离缩短 10% 对应价格或租金约增加 0.2%，这就是距离弹性的直觉。

拿月租 7000 元的住房举例，若新入口使到站距离从 1000 米降到 900 米，按 0.2% 估计，月租增加约 14 元。这听起来远小于中介广告中的“地铁溢价”，因为固定效应剥离了大量原本就属于地段的价值。若距离直接减半，弹性近似给出约 1.4% 的变化，月租约增加 98 元。实际模型可以用分段距离或环带变量，不必假设所有距离段都按同一比例变化。

识别陷阱：站点周围会提前改变

轨道交通影响通常早于开通。规划公布后，开发商拿地、商户进入、家庭预期改变，价格已经开始反应。若把开通年作为唯一节点，我们会漏掉前期资本化；若把宣布后所有变化都归为地铁，又会混入同期城市更新。

一个实用设计是：把新站一公里内住宅作为处理组，在更外一圈选择可比住宅；同时比较规划公布前、开工后和开通后的动态系数。对照住宅不能离得太远，否则街区基本面不同，也不能紧贴另一条线路。还可以使用未最终实施的规划站点或分期延迟线路作为辅助对照，但要核实取消原因是否与当地衰退有关。

空间范围也不应预先拍脑袋。我们可以以 200 米为一档画出环带效应，看溢价在哪个距离后消失。过近可能受到噪声、人流和施工影响，中间距离获得最大通勤收益，远处则几乎不变，真实关系可能呈倒 U 形而不是直线。

新站还会带来餐厅和生活服务。北京地铁站周边的餐饮开店数量与多样性上升，新增消费便利能够解释住宅增值的一部分。此时，餐饮不是普通控制变量：它可能是地铁影响房价的中间机制。若把它直接控制掉，$\beta$ 只剩“不是通过餐饮发生的直接效应”；若不控制，$\beta$ 是总效应。建模前必须先决定我们要回答哪一个问题。

从价格溢价到价值捕获

假设新线周边有两万套住房，平均价值 500 万元，可信的因果溢价为 2%，粗略新增资产价值是 20 亿元。但这不等于政府可以收回 20 亿元，也不等于居民福利增加 20 亿元。自住业主拥有资本收益，租户可能承担更高租金，新进入者用更高价格购买更短通勤；新增建设会稀释价格溢价，税制也只捕获其中一部分。

因此，站城融资需要三层数：

1. 因果增值，而不是站点附近全部高价；
2. 可税税基或可开发土地收入；
3. 扣除公共设施、安置和公平成本后的净收入。

若低收入租户面临搬离风险，价值捕获方案应和保障性住房、租赁稳定或交通补贴一起设计。

在回归完成后，再对残差计算 Moran's I。若模型残差仍形成高—高价格团块，说明学区、社区品质或空间趋势尚未被捕捉。此时仅使用普通标准误，会把不确定性说得太小；我们可以加入街道—年份效应、空间趋势，或采用允许邻近误差相关的推断方法。

---

案例五：一堵墙改变市场边界，我们怎样观察“失去邻居”的代价？

真实观察：地理位置没变，经济距离突然变了

德国分割提供了一个少见的空间实验。西德靠近东西边界的城市，原本处在区域内部，周围有近距离市场；边界形成后，它们没有移动一公里，却突然失去东侧的客户、供应商和通勤者，从内部节点变成市场边缘。较远的西德城市也失去东侧市场，但它们本来就离那些市场更远，受到的变化较小。

在约四十年的分割期内，距边界较近城市的年人口增长率相对较远城市低约 0.75 个百分点。柏林内部的变化更细：分割前的核心在米特一带，墙建成后，西柏林的就业和地价梯度转向远离旧核心的方向；统一后，梯度又向原中心恢复。

这里真正可检验的问题是：当一条边界在没有改变地点自然条件的情况下切断市场联系，人口、就业与地价如何重排？恢复联系后，空间结构是否沿原路返回？

数据怎么组织：边界两侧不只是“近”和“远”

跨城市分析可以建立城市—年份面板，记录人口、就业、产业、住房、到历史市场的距离，以及距边界是否在 75 公里内。城市内部分析则使用更细的街区数据，把 1930 年代、分割后期和统一后的土地价格、就业、住宅密度、通勤时间放在相同街区边界上。

处理强度最好不是一个生硬的 75 公里虚拟变量，而是“因边界关闭损失的市场可达性”：

$$\Delta MA_i=\sum_{j\in East}Y_j \left[\exp(-\lambda t_{ij}^{closed})- \exp(-\lambda t_{ij}^{open})\right]$$

边界关闭时，某些联系的有效时间成本近似无穷大；城市越依赖邻近东侧市场，$\Delta MA_i$ 越负。这样我们能够区分“离边界同样近、但东侧原有经济规模不同”的城市。

一个基础双重差分比较近边界城市与远边界城市在分割前后的增长变化。更可信的做法还要检查分割前趋势，并排除边界附近在战争破坏、难民流入、产业结构和政策扶持上的系统差异。柏林内部则可比较沿墙不同区段：靠近历史核心的墙段切断了高价值联系，远离核心的墙段经济意义较弱。如果所有墙段都出现同样变化，更可能是一般性边界环境；如果只有切断旧中心的区段强烈变化，市场可达性机制更可信。

从简化比较走向结构模型

双重差分能告诉我们分割造成多大相对变化，却不能直接回答“如果通勤成本降低 20%，城市会重新分布到哪里”。为此，需要把通勤流写成重力关系，把生产率、居住便利和地租放进同一个城市模型。

街区生产率可能随周围就业密度上升，居住便利可能随周围人口和设施密度上升，同时拥堵和高地租推动分散。柏林街区数据中，周边经济密度对生产率和居住便利的影响都很强，却高度局部化：大约九分钟出行时间、约半公里之后，外部性接近消失。这个结果提醒我们，“集聚”不是一个覆盖全市的均匀光环，它依赖互动的时间尺度。

结构模型校准后，我们做三个反事实：没有分割、实际分割、没有任何生产与居住外部性的分割。若没有外部性的模型无法复现就业和地价的转移，而含有局部外部性的模型能够复现，就说明仅靠通勤阻断还不够，密度自我强化参与了城市重构。

对现实边界治理有什么用

行政边界、收费站、跨市公交断点和社保资格都可能制造“看不见的墙”。评估跨界轨道或一体化政策时，我们不应只计算跨界旅客数量，而要找出哪一侧失去了最近的就业和服务市场。离边界最近不等于受益最大，原有联系最密、替代路线最少的地方才可能变化最大。

若跨界通勤改善只发生在站点周围半小时圈，平均到整个城市会把效应稀释得几乎不可见。反过来，若模型用全市统一的集聚参数，也会夸大远距离外溢。政策尺度、行为尺度和数据尺度必须一致。

---

把五个案例放在一起：我们真正识别的是什么？

五个案例表面上分别讨论灯光、高铁、工厂、住房和边界，底层却是同一个问题：实际观察到的结果由三部分叠加而成。

$$观察变化=政策或事件效应+原有趋势+同期冲击$$

空间数据又多出第四部分：邻近地区会互相影响。如果对照地区紧挨处理地区，它可能受到溢出，不再是“未处理”；如果对照地区离得太远，又可能根本不可比。这就是空间实证中最棘手的取舍。

一份内生性排查表

内生性并不是一句放在论文末尾的免责声明，而是决定数据采集的起点。若怀疑提前反应，就必须收集宣布日；若怀疑路线选择，就必须保存早期规划图；若怀疑企业筛选，就必须找到落选名单；若怀疑空间溢出，就必须测量处理地与对照地之间的联系。

空间滞后：结果会不会沿邻接关系传播？

有时邻近影响本身就是研究对象。地区 $i$ 的就业可能受邻区就业影响，可以写成：

$$y=\rho Wy+X\beta+\varepsilon$$

$Wy$ 是邻近地区结果的加权平均，$\rho$ 描述传播强度。直觉上，邻区新建产业园可能带来供应链，也可能抢走劳动力。但这个式子不能像普通回归那样直接解释：$i$ 影响 $j$，$j$ 又反馈给 $i$，一个地区的冲击会经过网络多轮传播。最终要报告直接效应、间接效应和总效应。

另一种情况是遗漏因素在空间上成片，使误差相关：

$$\varepsilon=\lambda W\varepsilon+u$$

例如看不见的土壤质量、学区传统或历史产业带同时影响相邻地区。空间滞后模型和空间误差模型不是看到 Moran's I 显著后随便二选一。我们要根据机制决定：结果是否真的跨区传播，还是遗漏变量在空间上相关；也要检查核心因果系数在不同权重矩阵下是否稳定。

怎样做一个能用于决策的反事实

“如果没有这个项目，会怎样”听起来抽象，其实可以拆成五步。

例如，一条城际铁路的中性情景估计本地服务业就业增加 6000 个，邻近城市减少 1500 个，制造业无显著变化；保守情景下本地只增加 2500 个，积极情景增加 9000 个。决策者需要看到的是净新增、空间转移和区间，而不是一句“显著促进增长”。

---

一套可以复用的实证流程

现在，我们把本章的方法压缩成一套能直接执行的流程。

第一步：从一张异常地图开始

画原始值、增长率和人均值三张图。原始值告诉我们规模，增长率告诉我们变化，人均值减少人口规模的机械影响。地图上特别亮、特别快或突然断裂的地方，是提问入口，不是结论。

第二步：把故事写成一个可证伪句子

不要写“交通促进区域发展”，而写：“在其他条件相近的城市中，首次获得两小时内通达中心城市的高铁服务，会在三至五年内提高知识密集型服务业就业，但不一定提高标准化制造业就业。”这句话明确了处理、对象、时间、结果和可能的异质性，也允许数据把它推翻。

第三步：先画时间，再跑模型

以事件发生年为零点，画出前后系数和置信区间。处理前趋势不平行时，先修设计，不要急着换一个更复杂的空间模型掩盖问题。检查是否有宣布效应、施工效应和分期处理。

第四步：为邻接关系写一份说明书

说明为什么用共享边、十公里、半小时交通圈或产业联系来定义 $W$。报告行标准化方式、孤立单元处理和替代权重的稳健性。权重矩阵是经济机制的编码，不只是软件输入文件。

第五步：同时报告机制和代价

灯光增长要看人口与用电，高铁客流要看产业重排，生产率提升要看工资和地租，房价上涨要看租户负担，边界开放要看拥堵与服务容量。一个只有“好结果”的空间政策评估，通常遗漏了承担成本的人。

第六步：把系数翻译成自然单位

若距离弹性为 $-0.02$，就解释“距离缩短 10%，价格约上升 0.2%”；若可达性系数为 0.08，就给出从 144 增至 186 时对应的结果变化；若项目后 TFP 高 12%，要说明这是五年累计相对差异、企业内效率还是样本均值。读者应能用计算器复核，而不是只看到星号。

第七步：做安慰剂和边界检查

把事件日期提前三年，若仍出现“效果”，设计可能抓到原有趋势；把处理对象换成理论上不受影响的行业，若同样显著，可能混入共同政策；改变样本半径和行政尺度，若符号剧烈翻转，要解释尺度依赖，而不是只保留最好看的版本。

一次从原始台账到决策意见的微型演练

为了让这套流程真正落地，我们再走一遍完整的小练习。某城市新建一座跨江大桥，规划部门希望知道它是否带动了东岸工业片区，而不是只把原有企业从西岸搬到东岸。

我们先不急着下载全市所有数据，而是把问题缩小为一句可证伪的话：“大桥通车使原本绕行四十分钟的东岸格网获得更高就业可达性，并在两年内增加存续制造企业的用工和产出；这种增加不能完全由西岸企业减少解释。”这句话同时规定了处理对象、机制、时间窗口和需要排除的空间转移。

数据以五百米格网和企业两个层次组织。格网表记录每月灯光、手机活动强度、到主要就业中心的高峰时段车程、土地用途和建设工地；企业表记录地址、行业、用工、开票销售、迁入迁出和成立时间。桥梁表则保留规划公布、开工、试通车和正式通车四个日期。我们另外选择同一城市另一条尚未建桥、但处理前产业结构和增长趋势接近的过江走廊作为候选对照。

第一张图只画车程。东岸部分格网到就业中心的高峰车程从六十五分钟降到三十五分钟，对照走廊几乎不变。第二张图画处理前二十四个月的企业用工，若两条走廊在开工前已经分叉，就要继续匹配或缩小样本。第三张图画迁移：若通车后东岸新增的一百家企业中有八十家来自西岸，我们面对的主要是城市内部重排，而不是净创造。

假设处理区企业月均用工指数从 120 增至 156，对照区从 100 增至 120。直接看处理区会说增长 30%，但同期对照区也增长 20%。用对数双重差分计算：

$$\widehat\beta= \ln(156/120)-\ln(120/100) \approx0.080$$

它对应约 8.3% 的相对增加，而不是 30%。这仍不是最后答案。通车前的施工订单可能抬高东岸活动，城市同期也可能推出工业补贴；因此模型要加入走廊固定效应、月份效应和行业—月份效应，并把事件时间从开工前十二个月画到通车后二十四个月。

接下来检查空间传播。我们按到桥头的路网时间划分零至十分钟、十至二十分钟、二十至三十分钟三个圈层，而不是按直线画圆。如果效果只集中在桥头十分钟内，规划部门不能把系数外推到整个东岸；如果二十分钟外也出现增长，要检查是否沿供应链传播，或者只是土地开发同步推进。把桥的位置沿江随机平移若干次作为安慰剂，真实桥位的结果应明显区别于这些虚构桥位。

最后形成决策意见时，我们同时给出四个数：东岸新增岗位、全市净新增岗位、西岸减少岗位和每个净新增岗位对应的财政成本。若东岸新增四千个岗位、西岸减少两千五百个，全市净增只有一千五百个；若通勤时间显著下降但企业净增有限，这座桥仍可能有居民福利，却不该被包装成四千个新增岗位的产业项目。

这份微型演练说明，可信分析并不一定需要最复杂的软件。真正费力的是把事件日期找全，把处理和对照放在同一趋势上，把迁移与创造分开，再把结果换算成决策者能核对的自然单位。

---

结论：空间规律的价值，在于帮我们排除错误故事

我们从夜间灯光看到经济活动成团，却用质量标记、人口栅格和 Moran's I 区分稳定集聚与遥感噪声；从高铁看到时间距离骤降，却发现连通既可能扩散机会，也可能强化核心；从大型工厂看到产业园繁荣，却通过最终候选地分辨选址优势与生产率外溢；从地铁房价梯度看到通勤价值，却用重复交易揭开学区、商业和预期的混合；从德国分割与统一看到边界冲击，理解了市场可达性和局部密度如何重塑城市。

这些案例共同留下三条判断。

1. 距离从未简单消失。数字通信降低了部分信息成本，高铁降低了城际时间，边界开放减少了制度摩擦，但面对面互动、通勤预算和供应链仍让经济活动偏爱相近地点。我们应测量的是“经济距离”，而不只是地图公里数。
2. 集聚既创造也重新分配。更大的市场可以提高匹配、共享和学习效率，也会吸走外围地区的企业、劳动和消费。任何地方政策都要把本地收益与邻区损失分开，把生产率提升与工资、地租上涨放在同一张账上。
3. 可信结果来自设计，不来自复杂公式。好的反事实往往藏在分期建设、规划路线、最终落选地、重复交易和突发边界变化中。空间模型能描述传播和相关结构，却不能替代对“项目为什么在这里发生”的追问。

下一次再看到一张热力图，我们不妨先停一下。颜色最深的地方当然值得看，但更有价值的问题是：如果那条线没有修、那座厂没有来、那堵墙没有出现，这些颜色原本会怎样变化？当我们能用数据构造出那个看不见的世界，空间经济学才真正从地图描述走向决策工具。