CNDD-0131 中国县域地理空间联系数据（含经纬度、与地级市和省会距离等变量）及学术论文应用

CNDD-0131 中国县域地理空间联系数据（含经纬度、与地级市和省会距离等变量）及学术论文应用

01 数据介绍

▪ 数据名称: 中国县域地理空间联系

▪ 数据编号：0131

▪ 数据范围：县域层面

▪ 数据年份：2017-2022年

▪ 样本数量：17,072 条

▪ 数据来源：高德地图API

▪ 数据说明：CNDD中国县域地理空间联系数据统计了统计年度、地区编码ID、县域名称、所属地级市、所属省份、县域代码、县经度、县纬度、所属地级市-经度、所属地级市-纬度、与所属地级市距离（公里）、所属省会城市、所属省会城市-经度、所属省会城市-纬度、与所属省会城市距离（公里）等变量，数据包括.dta和.xlsx两种格式。

▪ 数据频率：年度数据

▪ 综合评价：CNDD中国县域地理空间联系数据收集了全国多达2000多个县（或县级市）的空间地理数据，地域范围广。可用做工具变量，进行空间相关的研究。

CNDeepData 数据应用质量评级

▪ 常用度：★★★★☆

▪ 稀缺度：★★★★☆

▪ 新颖度：★★★★☆

▪ 总体级别：12颗星

✔ 常用度：是数据市场中需求指标，是指该数据在经济管理类学术论文中使用频率。

✔ 稀缺度：是数据市场中供给指标，是指该数据在其他数据库的出现频率。

✔ 新颖度：是数据市场中生成指标，是指该数据在生成时方法新颖程度和工作量。

02 主要指标

03 数据概览

04 前沿文献速递

▪ 文献来源：

宋小宁,陈斌,梁琦.区位劣势和县域行政管理费增长[J].经济研究,2015,50(03):32-46.

▪ 文献内容：

中国以”三公”经费为代表的行政管理费居高不下,其中县级为最。基于空间经济学中的”中心—外围”理论,中心城市和外围县域会形成资本流动上的均衡。外围县域的资本回报率远低于中心城市,即使其偏向于生产性支出,也难以吸引资本流入本县辖区,因而它们会偏向于非生产性的行政管理费支出。文章基于中国1938个县2001—2006年的数据检验,发现区位劣势显著地促进了县域行政管理费增长,交通状况的改善则弱化了两者间的关系。可见,遏制县域行政管理费增长,需通过交通建设来减少县域的区位劣势。进一步研究发现,高度依赖财政转移支付的县形成了寄生型财政,寄生型财政强化了区位劣势和行政管理费增长的关系。

▪ 研究设计：

文章采用以下三个模型分别估计区位劣势对行政管理费支出的影响：

其中,i表示县,t代表时间,模型控制了年度虚拟变量year｡模型(10)与模型(9)相比,增加了两个解释变量,一个是省内路网密度Road，另一个是路网密度和区位劣势的交叉项Location*Road，交叉项表示区位劣势对行政管理的影响依赖于省内路网密度,系数表示交通状况对区位劣势与行政管理费关系的影响｡模型(11)与模型(9)有两点差异:一是改变了区位劣势的度量,将县与经济中心城市间的距离这一连续变量变成一个二元变量,将大于中位数的距离定义为有区位劣势,取值为1,否则为0;二是引入了区位劣势和寄生型财政的交叉项Location*Rely,交叉项表示区位劣势对行政管理费的影响依赖于寄生型财政,系数表示寄生性财政对区位劣势和行政管理费关系的影响｡

行政管理费支出(AtimiraSpenei)：用行政管理费支出占一般预算收人份额来度量县域政府的行政管理费,用比例数据比绝对值数据更能度量行政管理费的相对增长｡

区位劣势(Location)：用县与区域经济中心城市间的距离来测度区位劣势,距离区域经济中心城市越远,区位劣势越大｡分别用县所属省会城市､所属地级市和省内的计划单列市来定义区域经济中心城市,因此有三种方式度量区位劣势:与所属省会城市的距离(CapitalDistance)､与所属地级市的距离(CityDistance)､与省内计划单列市的距离(LargeCityDistance)｡由于无法得到县与中心城市的公路､铁路､水路等交通距离数据,因此用直线距离度量,根据两点之间的经纬度坐标计算得出｡省会城市通常是省内第一大经济体,经济规模通常远超其他地级市和县,对省内各县市具有较强的经济辐射效应,我们用与所属省会城市的距离反映区位劣势｡地级市通常是更小区域范围内的第一大经济体,经济规模通常大于其下辖的县市,对辖区内的县市具有经济辐射效应,因此县与所属地级市的距离也反映了县的区位劣势｡中国有五个计划单列市:深圳､厦门､宁波､青岛､大连,分别位于广东､福建､浙江､山东､辽宁五个省｡计划单列市在行政层级上属于副省级城市,在财政上单列,直接与中央财政结算｡计划单列市的经济规模大多与省内的省会城市相当,与省会城市共同构成了省内的两个最大的经济体,对省内县市具有较强的经济辐射作用,因此用距离省内计划单列市的距离作为区位劣势的第三种度量｡由于五个计划单列市均位于所属省份的地理边缘,并非地理上的中心位置｡因此,用县与省内计划单列市的距离作为区位劣势的度量存在测量误差｡为了解决这个问题,当一个县距离计划单列市相对于省会更近时,用计划单列市作为中心城市来度量区位劣势｡此外,文章还用二元变量来度量区位劣势｡如果一个县与省会城市间的距离大于省内全部县与省会城市间距离的中位数,则这个县有区位劣势,取值为1,否则为0｡县与所属地级市间的距离和省内计划单列市的距离是否有区位劣势的定义,也是如此｡用二元变量度量区位劣势的原因在于,极端偏远地区县的区位劣势即使存在数量上的差异,本质也大体相同｡举例而言,距离省会800公里和距离省会1000公里造成的区位劣势大体相同｡相应地,距离省会80公里和100公里的县都不具有显著的区位劣势｡

省内路网密度(fload)：公路､铁路､水路等交通基础设施会缩短县到达区域经济中心城市的时间,实质上缩短了县与经济中心城市的距离,这会改善县的区位劣势,因此用省内路网密度和县与中心城市的直线距离的交叉项(Location,*Roadu)来衡量交通状况｡省内路网密度越大,县到达中心城市的时间越短,运输成本越低,与中心城市的经济联系越便利,区位劣势的减少越明显｡具体而言,用每百平方公里的公路里程来衡量省内路网密度｡

寄生型财政(Kety)：定义寄生型财政为财政转移支付收人大于县本级一般预算收人的2倍｡这个变量是一个虚拟变量,1表示是寄生型财政,0表示否｡

▪ 实证检验：

为了检验否县距离区域中心城市越远,县的行政管理费支出比重越大｡首先估计区位劣势对县域行政管理费的影响｡区位劣势用三种度量方法,分别为县与所属省会城市的距离(CapitalDistance)､与所属地级市的距离(CityDistance)､与省内计划单列市的距离(LargeCityDistance)｡分别用OLS估计方法和Hausman-Taylor估计方法｡表2列（2）估计结果显示，县与省会城市的距离每增加1%,行政管理费的份额将增长0.05%,这是一个不小的影响｡第(3)列,用县与所属地级市的距离对行政管理费做单变量回归,估计结果依然为正,且具有1%的显著性水平｡

05 其他相关文献

[1]吕铁,王海成.放松银行准入管制与企业创新——来自股份制商业银行在县域设立分支机构的准自然试验[J].经济学(季刊),2019,18(04):1443-1464.DOI:10.13821/j.cnki.ceq.2019.03.13.

[2]张莅黎,赵果庆,吴雪萍.中国城镇化的经济增长与收敛双重效应——基于2000与2010年中国1968个县份空间数据检验[J].中国软科学,2019(01):98-116.

[3]李敬,陈澍,万广华等.中国区域经济增长的空间关联及其解释——基于网络分析方法[J].经济研究,2014,49(11):4-16.

06 获取方式

以下三种方式三选一即可：

▪ 直接购买

添加客服微信，支付价格为69元。

▪ 朋友圈分享后免费领取（每人限领15份）

持续3小时，集齐5个赞，需要对所有人可见，并且本人关注CNDeepData公众号。

▪ 购买大会员

添加客服微信，购买年度普通会员149元，年度高级会员299元，永久高级会员899元，可享CNDeepData所有数据免费获取。

▪ 朋友圈分享要求：

①分享时间需要在早上7:30到晚上12:30之间。

②请附带一句推荐词，例如“推荐CNDD高质量数据库”。

③请将包含时间内容的截图发给客服。

▪ 添加客服微信方式：

扫描下方二维码，或搜索下方微信号。

添加客服微信号：

DeepData001

获取更多更新数据

1. 除中国深度数据库（CNDD）特殊声明外，CNDD对基于合法来源的数据的选择、整理和编排具有独创性。任何自然人、法人、其他组织未经CNDD授权，不得以任何目的截取、上传、下载、复制、修改、使用、编译等或者以任何方式任何媒介传播上述作品的任何部分，否则视为侵权。

2. 对于存在侵害CNDD上述权利违法行为的主体，CNDD保留依法追究其法律责任的权利。

数据授权使用说明 …

任何使用CNDD数据等产品的单位和个人，承诺只将CNDD的数据等用于学术研究，并在所得研究成果（包括但不限于学术论文、咨询报告等）中注明数据来源于CNDD。数据来源的注明方式请参考：“本研究数据来源于中国深度数据库CNDD”；英文参考：“We get the data from CNDeepData (CNDD)”。

中国深度数据库：让精品数据得以流动

CNDeepData：Let high-quality data flow without barriers

资源下载此资源下载价格为69积分（年度普通会员免费），请先

部分图片来源于网络，如涉侵权请告知，本站将第一时间删除。客服微信号：DeepData001

发表评论 取消回复

发表评论取消回复