Does High-Speed Rail Promote Enterprises Productivity? Evidence from China
Notice bibliographique
Résumé
High-speed rail (HSR) is often claimed to bring different regions and cities closer together by shortening travel times, which can reduce the costs and increase enterprises productivity to promote a sustainable economy. However, another view argues that HSR transfers economic activities from peripheral cities to core cities, resulting in unbalanced regional economic development and damaging the sustainability of the economy. Based on microdata from China, this paper empirically investigates the impact of HSR on the enterprises productivity in both core cities and peripheral cities and explores the impact mechanism from the perspective of allocation effect and distribution effect caused by HSR. The results show that the connection of HSR positively affects the enterprises productivity in core cities, while it negatively affects the enterprises productivity in peripheral cities, with effect values of 1.38% and -8.45%, respectively. The conclusion still holds after endogenous treatment and multiple robustness tests are conducted. Additionally, the allocation effect analysis shows that the market access caused by HSR has an optimization effect on the resource allocation efficiency of both core cities and peripheral cities. The distribution effect analysis reveals that the distribution of enterprise productivity in peripheral cities has market heterogeneity, regional heterogeneity, and location heterogeneity. The important policy significance of this paper is that, in order to promote the sustainable development of enterprises and the economy, it should reduce policy restrictions and promote the effective flow of capital and talents, carry out the dislocation development of industry for peripheral cities, and “build a nest to attract the phoenix.”
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,002 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».