基于esda的中国长三角地区创新空间分异及演进研究-陈瑜.pdf

《基于esda的中国长三角地区创新空间分异及演进研究-陈瑜.pdf》由会员分享，可在线阅读，更多相关《基于esda的中国长三角地区创新空间分异及演进研究-陈瑜.pdf（6页珍藏版）》请在淘文阁 - 分享文档赚钱的网站上搜索。

1、第36卷第3期 技 术 经 济 V0136，No31111 1 1旦 三量呈垒呈呈!呈圣兰星呈竺垒皇竺丝! 丝!：!基于ESDA的中国长三角地区创新空间分异及演进研究陈 瑜1，谢富纪2(1上海立信会计金融学院工商管理学院，上海201620；2上海交通大学安泰经济与管理学院，上海200030)摘 要：以长三角地区的25个城市为观测对象，运用探索性空间数据分析(ESDA)方法，研究了20052014年长三角地区创新的空间相关性。结果显示；长三角地区的创新呈空间锁定现象，且其空间分布不均衡；创新集中在上海、杭州、南京、苏州及其相郐城市；远离这些创新中心城市的创新则不够活跃。Moran指数的计算结果表

2、明，长三角城市群的空间联系愈加紧密，但是强弱分化也非常明显。时空跃迁测度结果显示，创新表现出明显的空间分层性，且空间分布格局不易变化。关键词：ESDA；长三角；区域创新；空间分异；空间演化中图分类号：G30l 文献标志码：A 文章编号：1002980X(2017)030008 06改革开放以来，中国长三角地区经济得到J，迅速发展，与京津冀、珠三角城市群共同成长为引领中国经济发展的增长极，成为创新最活跃的区域之一。本文基于探索性空间数据分析(exploratory spatialdata analysis，ESDA)技术和Arcgis可视化技术，研究中国长三角地区的经济结构、创新思路和空间协同，

3、以揭示该区域创新空间结构状态及演进趋势，为创新的空间协同提供理论依据，为其他区域的产业创新提供借鉴。1 理论基础ESDA是利用地图、图形和图表等充分挖掘数据的空间属性及联系，包括全局自相关分析和局部自相关分析，其原理是分析数据在空间上的关联程度和分布情况。不同领域的学者通过ESDA探索事物的空间联系和演化形态。相关研究集中在两个方面。第一，探索创新对区域经济的影响带动作用，以及创新的空间模式和结构。例如：Lee和Rodriguez1 3通过对欧洲地区和美国的城市进行调研对比，分析了创新与地区经济发展不平衡的联系，发现不8够灵活的劳动力市场和低水平的人口迁移导致欧洲出现区域收入不平衡；Grang

4、er21利用创新的参数方法强调了社会网络、空间资源、当地机构、当地环境和当地关系资本的重要性，并刻画了创新的空间关系地图；Corsatea33发现法国创新活动的空问模式表现出明显的空间积聚特点，对空间数据的分析结果表明技术创新模式由经济活动强度和来自周围地区的知识流入的质量决定；Hugo、Victor和TinoCO41从空间视角分析了墨西哥的技术创新与区域经济增长的关联性，结果表明技术创新对墨西哥区域经济增长有积极影响，空间外部性可以提高国家创新活动的效率。第二，讨论创新对产业空问集聚的影响。例如，Folores、Miguel和VillarrealL50使用ESDA方法研究了墨西哥创新产业的空

5、问分布；岐洁、韩伯棠和曹爱红L61以中国京津冀地区和长三角地区为例，探究区域的绿色技术溢出与创新的关系，结果表明创新集聚与区域绿色技术分布紧密相关；Li、Zhang和GongL70用ESDA技术分析了2001 2011年中国煤炭产业的分布及利用情况，得出中国的煤炭生产和消费结构严重失衡的结论，空间自相关检验结果也收稿日期：20161112基金项目：国家社会科学基金青年项目“战略性新兴产业技术创新的空间形态演化研究”(15CGL008)；中国博士后科学基金项目“基于生态位的新兴产业空间集聚效应研究”(2015M580335)；教育部哲学社会科学研究重大课题攻关项目“创新驱动发展战略的顶层设计与战

6、略重点研究”(15JZD017)；国家社会科学基金重点项目“实施创新驱动发展战略研究”(13AZD015)；国家自然科学基金项目“我国产学研协同创新的理论与实证研究”(71373158)作者简介：陈瑜(1983一)，女，福建福安人，上海立信会计金融学院工商管理学院讲师，博士，上海交通大学安泰经济与管理学院在站博士后，研究方向：新兴产业技术创新与管理；谢富纪(1962一)，男，山东日照人，上海交通大学安泰经济与管理学院教授，博士生导师，研究方向：技术创新与管理。万方数据陈 瑜等：基于ESDA的中国长三角地区创新空间分异及演进研究表明，大多数省份的煤炭资源数量明显下降，少部分煤炭高产区的煤炭资源数

7、量也呈现逐年下降趋势；Dettmann、Von和Brenner1研究了组织间创新合作的空间维度，发现区域因素对于合作伙伴取得共同成功不是决定性因素。Wang、Cheng和yeE93利用ESDA方法研究了2000-2011年中国不同省份的创新时空动态变化过程；Dou、Luo和Dong101利用ESDA方法研究了减少城市碳排放的策略；向丽111、李海波和李苗苗120以及冯婷婷、杨湘玉和沈晨u副等，从空间角度探讨了产业发展与环境协同的时空特征。通过文献梳理可以发现，近10年来ESDA方法被广泛运用于经济空间结构或产业空间集聚现象的分析，相关研究多关注创新与区域经济增长的关联性以及创新与产业集聚的联系

8、，对创新产出的空间自相关强度及变化趋势探讨得较少。同时，不同区域有不同的特征，因此有必要进一步深入了解创新要素对区域局部空间分异的影响。鉴于此，本文选择经济最活跃的中国长三角地区的25个城市为研究对象，选取最具代表性的专利申请量作为衡量创新投入的指标，研究长三角地区技术创新的空间分异及演化情况。本文主要讨论三个方面的问题：第一，长三角地区25个城市的创新空间格局；第二，全局的空间联系特征；第三，发生创新集聚或极化现象的局部区域及其演变趋势。与前人研究相比，本文的研究贡献主要有三点：第一，利用ESDA方法分析长三角地区的空间自相关强度和演化趋势；第二，深入探讨长三角地区局部区域创新的空间分异情况

9、；第三，详细讨论了长三角地区创新的跃迁情况。2研究数据与研究方法21研究对象及数据来源本文以中国长三角地区的25个城市为研究对象，研究时间跨度为2005-2014年。本文选取最具代表性的专利申请量作为衡量创新产出的指标。数据来自2006-2015年上海市统计年鉴浙江省统计年鉴和江苏省统计年鉴。22研究方法1)全局空间自相关检验。全局空间自相关检验用于分析区域全局关联程度，常用Moran指数表示。其值越高，表明空间相互关联程度越强。Moran指数的向量形式表示如下：wi(yiy)(Ly)I一旦_兰i-一。(1)s2 ywii=1 jl式(1)中：S2一兰：(y。一y)；咒表示参与观测 n一对象的

10、个数；w是空间权重矩阵，且当i区域与J区域相邻时w值为1，当i区域和j区域不相邻时w值为0，因此w是一个NN阶矩阵1“。Moran指数的阈值范围是(一l，1)。Morano J0，表明创新能力强的地区更趋向于相互聚集；Morans Jo，表明地区之间存在明显差异，创新能力强的地区周围可能是创新能力弱的地区】引。2)局部空间自相关检验。局部空间自相关检验旨在度量某一区域与其邻近的关联程度，常用的检验方法有Moran散点图、时空跃迁测度和Lisa聚集显著性检验等。其中，Moran散点图是用二维图来表示区域与其邻近地区的关系，如图1所示。二象限 二象限LH HH三象限 四象限LL HL图1 Mora

11、n散点图示意图时空跃迁测度是一种通过区分不同类别来描绘区域在不同象限跃迁的方法。其中，I类跃迁的路径是HH，一LH州、HLLL卅、LH：-+HH川、LkHLrLl，类跃迁的路径是HH。一HLm、HLHH、LH。一LL川、LLLH，类跃迁的路径是HH。一LL、HL。一LH卅、LLHHm、LH，一HL州，类跃迁的路径是HH。一HH、HL。一HL、LH。一LH州、LL。一LL，具体过程见图2。Lisa聚集显著性检验旨在测量区域与其周边邻近地区的差异程度1 6I。Lisa值的计算公式如下：J：一生Wi(马一主)。 (2)uJ一11 nS2一(三)2 y(z，一i)2。 (3)n 暑式(2)中：工：表示

12、区域i的Lisa值，zi、z，分别 由于最新公布的年鉴仅到2015年，因此可获取的最新数据为2014年。9万方数据技术经济 第36卷第3期LH + 一HHLL一 +HLL-H HH气 广 。、LL HLLH HH + LL HLLH HHLL HL图2 四类跃迁过程表示区域i和区域J的观测值；，z表示区域数量；z是平均值；睨i是空间权重矩阵。3 长三角地区创新的空间格局本文采用Arcgisl00软件绘制四分位地图，并以23年为间隔时长，图3为2005年、2007年、2009年、2011年和2014年中国长三角地区技术创新的空间四分位图。图3中，不同的颜色代表不同的创新产出，创新产出最高的区域用

13、第一区间表示，颜色最深，依次类推。黼黔第一区间黼麟第二区间g麟鞲第三区间薹=6j第四区间”谶著鼢t爨t镰誊移i盏 j。、f!慧翅攀攀攀t雳 。雾 謦图3不同年份中国长三角地区技术创新的空间四分位地图从第一区间的分布情况来看，2005-2014年上海、杭州和苏州的创新产出一直处于领先地位，南京在2009年位列第二区间，在2011年和2014年又重回第一区间。与苏州毗邻的无锡和常州，以及与杭州毗邻的宁波，在2011年和2014年都位于第一区间，说明其创新综合实力比较领先。从第二区间的分布情况来看，南通、温州和常州的创新非常活跃，如2009-2014年邻近上海的南通发展迅速，2011年曾跃迁至第一区

14、间，温州和常州一直处于第二层次，其中2014年常州跃迁至第一区间。从第三区间的分布情况来看，盐城、嘉兴、徐州和扬州一直处于第三区间，相对稳定，台州和镇江的位置略有浮动。从第四区间的分布情况来看，2005-2014年舟山、衢州、淮安和宿迁等没有变化，一直处于第四区间。综上可知，中国长三角地区创新的空间格局十分稳定，与强创新能力相邻的地区如南通、无锡也实现了跨越发展，而创新能力弱的地区则不易跃迁从图3可看出一直处于第三区间或第四区间。4长三角地区创新的空间分异及演化41全局空间自相关分析根据Moran指数的计算原理，本文利用Geoda软件计算了2005-2014年长三角地区创新产出的Moran指数

15、，结果见表1。表1的计算结果说明，总体而言，长三角地区各城市创新的空间联系逐年加强，彼此的经济依赖程度在加深。不过，具体到每个城市与其周边邻近城市在创新上的关系，还需进一步分析。表1 2005-2014年中国长三角地区创新产出的Moran指数年份 2005 2006 2007 2008 2009 2010 2011 2012 2013 2014Moran指数 0071 0116 0195 0207 0287 0305 0371 0336 0384 035710噜一攀万方数据陈瑜等：基于ESDA的中国长三角地区创新空间分异及演进研究42局部空间自相关分析421 Moran散点图不同的方法在进行局

16、部自相关分析时各有侧重。例如：Moran散点图着重描绘测量区域与其周围邻近地区的关系；时空跃迁测度着重刻画测量区42d 1N-1 0一l-2642d璺0NI一24域在不同象限跃迁的情况；Lisa聚集显著性检验是从空间聚集和显著性的角度研究空间分布格局。不同年份长三角地区创新产出的局部Moran散点图见图4。642d璺0NI一24，一一一一一1_6_4 -2 0 2 4 6 _64-2 0 2 4 6ZLSQ ZLSQa 21X)5 b 2007缸j：稳4d2!l 。一21一一霉 -32曰1高0李一l2：、j巧一注：横坐标的标目为ZLSQ；纵坐标的标目为w_Z，SQ。图4不同年份长三角地区创新的

17、局部Moran散点图图4显示了长三角地区创新的空间格局呈不断分化趋势。例如，根据2005年的Moran散点图，各点集中在中心点附近，但从2007年起，各点逐渐分离而向四个象限扩散。2009年、2011年和2014年的Moran散点图更是清晰地显示出这一趋势。在2009年的Moran散点图中，第一象限中最靠近右边界的是上海和苏州，它们也是创新产出最高的两个城市。在2011年和2014年的Moran散点图中，第一象限中的点与其他象限的点的距离在逐渐扩大，说明创新产出高的城市如上海、苏州、杭州和南京等不断出现强聚集，同时强创新区域与弱创新区域的分化也在扩大。因此，Moran散点图形象地反映了长三角地

18、区创新的空间格局变化，强创新区域之间的联合越密切，强创新地区与弱创新地区之间的分化越明显。422时空跃迁演进时空跃迁反映的是象限中点的空间分布变化情况。长三角地区创新的时空跃迁演化过程如表2所示。从表2可见，长三角地区创新的时空跃迁为最普遍的类跃迁，说明长三角地区创新的空间锁定现象比较明显，大部分城市在同一象限内未变，仅少部分活跃城市出现了I类跃迁和类跃迁。例如，无锡从HL象限(2005年)跃迁到HH象限(2011年、2014年)，南通因毗邻上海而从LL象限(2005年)跃迁到HH象限(2009年和2011年)。423 Lisa集聚显著性检验Lisa集聚显著性检验反映的是空间单元与其邻近地区的

19、空间关联程度。图5是用Geoda软件绘制的Lisa集聚显著性检验结果图。从图5可知：长三角北翼城市的创新水平明显低于全区水平；像2005、2007年的Lisa聚集图，比较显著的是以lowlow类型为主；2009-2014年出现lowlow、low-high和high-high类型并存的局面，其中2009年highhigh类型显著的有上海和苏州，2011年显著的是苏州，2014年显著的是上海，再看lowhigh类型显著性集聚的是嘉兴和湖州。这说明，近5年来长三角创新高度集中的区域依然是上海、苏州及其周边邻近地区，出现了明显的极化现象。11。iQ睥。扎之4。|i一_。之万方数据技术经济 第36卷第

20、3期表2中国长三角地区创新的时空跃迁演化象限 2005往 2007：篷 2009正 2011矩 2014正上海、苏州、宁波、绍兴、 上海、苏州、无锡、南通、HH象限 上海、苏州 上海、苏州、无锡、南通 上海、苏州、无锡南通 绍兴台卅l、衢州、绍兴、湖州、 无锡、台州、嘉兴、湖州、 绍兴、泰州、常州、嘉兴、 绍兴、南通、泰州、嘉兴、LH象限 温州、嘉兴、湖州、泰州嘉兴、 泰州 湖卅l 镇江、温州、湖州、台州南通、盐城、泰州、丽水、 温州、常卅l、镇江、扬州、盐 扬州、镇江、宿迁、金华、连 扬州、镇江、宿迁、温州、金 扬州、金华、丽水、衢州、宿LL象限 扬州、常州、淮安、宿迁、 城、金华、连云港、

21、丽水、宿 云港、常州、徐州、衢州、盐 华、连云港、衢州、台州、淮 迁、盐城、淮安、徐州、连云镇江、连云港、徐州 迁、淮安、衢州、徐州 城、台州、丽水、淮安 安、徐州、盐城、丽水 港杭州、金华、南京、宁波、HL象限 南京、杭州 杭州、南京、宁波 杭卅I、宁波、南京 杭州、宁波、南京无锡、温州、注：H代表high；L代表low；HH表示强创新地区的周围也是强创新地区，L-H表示弱创新区的周围是强创新区，L-L代表弱创新地区的周围是弱创新地区，HL代表强创新地区的周围是弱创新地区。5结论与讨论Lisa Cluster Map骊黼HighHigh鹈黼LowLowIIIIII LowHigh*hLI H

22、ighLow套渗蛾图5 中国长三角地区创新的Lisa集聚显著性检验结果图本文运用ESDA方法对中国长三角地区创新产出的空间分异及演化进行了分析，主要结论如下：第一，长三角地区创新的空间极化特征明显。从长三角地区创新产出的空间四分位图来看，长三角地区创新的空间格局稳定且不易发生变化，2005-2014年大部分城市的位置很少发生变化。同时，受空间邻近效应的影响，毗邻创新能力强的地区受到的辐射带动作用也强，无锡、南通的情况较为典型。第二，长三角地区创新的整体空间联系逐渐加强，但局部分异特征显著。全局自相关分析结果表明，长三角地区创新的空间联系逐步加强，而局部Moran散点图则反映了长三角地区25市的

23、创新呈一定的分化和集聚态势。一方面，“强一强”之间的联系越发紧密；另一方面，“强一弱”之间的分化也比较明显。1 2第三，创新空间分层性明显。时空跃迁结果反映了长三角地区创新的空间分异及演化情况，长三角地区的创新具有明显的空间分层性。从跃迁类型来看，最普遍的跃迁类型是类，仅少部分城市发生了I类和类跃迁，即从低水平创新地区跃迁到高水平创新地区，且这些城市因毗邻上海、苏州和杭州而具有地理优势。Lisa集聚显著性检验则形象地反映了同类聚集的显著性，其中HighHigh型聚集更有利于同类区域的共同发展。总体来说，长三角地区技术创新的极化现象显著，水平相似的地区在空间上集聚。从局部来看，两极分化现象非常明

24、显。这种情况一方面说明了长三角地区在创新资源配置策略上需要调整，需要注重扶持落后地区尤其是在科技人才培育等方面以实现区域的协同创新，通过建立互补机制来帮助弱创新的局部区域实现提升，另一方面也说明极化中心的虹吸效应明显，需要强创新区域发挥辐射带动作用实现区域总体的协同发展。奄套万方数据陈瑜等：基于ESDA的中国长三角地区创新空间分异及演进研究本研究也存在一定的局限性。未来可对京津冀地区、珠三角地区与长三角地区的创新空间分异情况进行对比，深度讨论影响长三角地区创新分布不 均衡的内在机理。同时，创新不仅包括技术创新，而且包括制度、理念、文化方面的创新，可进一步拓展这些内容并进行综合分析。132345

25、67参考文献LEE N，RoDRIGUEZ P AInnovation and spatial inequality in Europe and USAJJournal of Economics Geography，2013，13(1)：1-22GRANGER R CSpatial relational mapping in socioinstitutional perspectives of innovationJEuropean PlanningStudies，2014，22(12)：2477-2489CORSATEA T D，JAYER HSpatial patterns of inno

26、vation activities in France：market。s role versus public research effortsJAnnals of Regional Science，2014，52(3)：739 762HUG0 T PVICTOR P G，TINOC0 M ATechnologicalinnovation and regional economic growth in Mexico：a spatial perspectiveJAnnals of Regional Science，2014，52(1)：183200FOLORES S，MIGUEL A，VILLA

27、RREAL GExplorationof the geography of innovation in Mexico through the analysis of spatial dataJTrimestre Economics，2014，81(322)：517 544岐洁，韩伯棠，曹爱红区域绿色技术溢出与技术创新门槛效应研究以京津冀及长三角地区为例j科学学与科学技术管理，201 5(5)：24 31LI J K，ZHANG J，GoNG L TThe spatial and temporal910111213141516distribution of coal resource and i

28、ts utilization in China-based on space exploration analysis technique ESDAI-JEnergy and Environment，2015，26(7)：10991113DETTMANN A，VON P S，BRENNER TCooperationover distance?The spatial dimension of inter。organizationJal innovation collaborationJJournal of Evolutionary Eeonomics，2015，25(4)：729 753WANG

29、 Z Y，CHENG Y Q，YE X YAnalyzing the space-time dynamics of innovation in China：ESDA and spatialpanel approachesJGrowth and Change，2016，47(1)：111129DOU Y，LUO X，DONG LAn empirical study on transitoriented lowcarbon urban land use planning：exploratory spatial data analysis(ESDA)on Shanghai，China口Habitat

30、 International，2016，32(53)：379389向丽中国省域科技创新与生态环境协同发展的时空特征J技术经济，2016，35(11)：2835李海波，李苗苗中国战略性新兴产业创新集聚发展机制J技术经济，2016，35(7)：97102冯婷婷，杨湘玉，沈晨中国长三角地区FDI技术溢出的空间局限性J技术经济，2016，35(6)：7176FORNAHL G D，BRENNER TGeographic concentration of innovation activities in Germany E JStructuralChange and Economic Dynamics，

31、2009，20(3)：163182MUKIM MDoes agglomeration boost innovation：an eeonometric evaluationJSpatial Economic Analysis，2012，7(3)：357-380MARKOWSK A M，WEGRZYN GDiversification ofEuropean regions in terms of innovation characteristics-changes over timeJTransformations in Business andEconomies，2013，12(2)：355 3

32、68Study on Spatial Difference and Evolution of Innovation in Yangtze River DeltaBased on Exploratory Spatial Data AnalysisChen Yul，Xie Fuji2(1School of Business Administration，Shanghai Lixin University of Accounting and Finance Shanghai 201620，China2Antai College of EconomicsManagement，Shanghai Jiao

33、 Tong University，Shanghai 200030，China)Abstract：This paper analyzes the spatial correlation of innovation in 25 cities in Yangtze River Delta from 2005 to 2014 by using the method ofspatial exploratory data analysis(ESDA)The result shows as follows：innovation presents a certain spacelocked，and the s

34、patial distribution ofinnovation is unbalanced：the innovation mainly concentrates in Shanghai，Hangzhou，Nanjing，Suzhou and their adjacent areas；the innovation inother cities which are far away from these central cities are not activeMoran index shows that the spatial agglomeration of innovation in Ya

35、ngtze River Delta is more closely，but strong and weak differentiation is also very obviousThe result of transition measures of space and timeshows that innovation presents obvious spatial stratification，and spatial heterogeneity is not easy to changeKeywords：exploratory spatial data analysis；Yangtze River Delta；regional innovation；spatial difference；spatial evolution13万方数据