黄河流域开发区空间分布及影响因素研究

郭爱君，马雪梅，钟方雷，张永年，杨春林

(兰州大学 经济学院，甘肃 兰州 730000)

黄河流域经济高质量发展是实现黄河流域生态保护和高质量发展战略的应有之义[1]。开发区是较普遍的城市生产活动的主要空间载体[2],是各类产业集聚和生产的功能区,是推动地区经济增长的关键节点,是调整产业结构的重要力量[3]。已有研究表明,改革开放以后,拥有政策支持的开发区在早期对城市经济发展具有积极的促进作用[4]。在沿海城市经济增长中,与政府对开发区的优惠性政策同等重要的是地理位置的优越性[5],优势产业区会进一步加速区域资源集聚,进而推动经济发展[6]。黄河流域开发区作为地区经济活动的重要载体,经过近40年的发展,该流域开发区加速了产业结构调整,推动了经济发展,但也出现了亟待解决的严重问题,如金属、化工等产业出现趋同现象,粗放型土地利用模式[7],无序扩张导致地区秩序混乱,资源浪费严重[8],上中下游发展不平衡,欠发达地区集中分布于黄河流域中上游七省等诸多问题。因此,研究黄河流域开发区主导产业空间分布特征和影响因素,对优化开发区空间分布格局、合理利用有限资源,提高发展效率有重要作用。

开发区空间布局与影响因素一直是学者研究的重点议题。陈汉欣认为布局高新技术开发区时应更多考虑工业基础、政策和地理因素[9]。张晓平认为开发区的建设强化了所在城市的中心地位,通过规划手段和政策倾斜能够合理规划城市空间结构,使城市整体进入良性发展循环[10]。刘亮等研究发现沿着“开发区空间集群—产业集群—创新集群—产业结构”的链条,创新网络与创业资源、科技产业的互动机制对产业结构转型升级具有持续推动的作用[11]。高超等研究了经济技术开发区在我国沿海地区的空间分布格局和产业特征,发现该地区的开发区空间分布呈现显著集聚特征[12]。胡森林等认为开发区的级别和类型对空间集聚具有显著影响,且开发区空间分布格局是自然条件、经济和政策等三大因素交互作用的结果[13]。何则等研究了不同主导产业经济技术开发区的空间分布特征,分析了产业集聚规模与集聚强度,并分析了经开区技术密集型产业集聚的影响因素,结果表明交通和要素禀赋等对开发区影响巨大[14]。

从研究区域对象上看,目前开发区研究大多从全国层面和东部沿海研究开发区的分布状况,基于江河流域等层面开发区空间布局及优化研究成果尤其缺乏。因此,本文使用最邻近距离指数[15]、Ripley′K函数和核密度估计等方法并辅以ArcGIS软件分析黄河流域开发区空间格局和产业分布特征,并采用时空地理加权回归模型[16]研究开发区的影响因素,为黄河流域开发区空间结构优化整合、产业转型升级提供参考。

1 数据来源与研究方法

1.1 数据来源

本文研究黄河流域自然范围内9省区73个地级市的408个国家级和省级开发区。开发区基础数据来源于《中国开发区审核公告目录(2018版)》[17]《中国开发区年鉴》[18]以及各开发区官网。数据包括开发区名称、所在省市、设立年份、核准面积和主导产业等。产业类型划分依据:按照《中华人民共和国国家标准国民经济行业分类(GB/T4754—2017)》中的二级行业分类;根据行业特征将部分行业合并为一类产业,如装备制造主导型包含装备制造、高端制造、机械装备、工程机械等行业,电力能源主导型产业将电力、新能源等产业归为一类产业;未在国民经济行业分类中出现的行业或者无法界定行业类型的行业均保留原来名称,如新材料等。根据有效性、代表性原则,研究价值较高的开发区是主导占总产业频次大于5%的开发区(见表1)。因边境/跨境经济合作区等类型开发区数量过少,暂不包括此类开发区。

表1 开发区类型划分Tab.1 Development zone type division

1.2 空间分布分析方法

1.2.1 最邻近点距离指数 最邻近点距离指数将各类开发区作为点状要素反映开发区空间分布特征,公式如下:

(1)

1.2.2 Ripley′K函数 本文运用Ripley′K函数研究黄河流域各类开发区的集聚强度和规模,公式如下:

(2)

(3)

式中:i,j=1,2,…,n;i≠j;n为参与分析的开发区总数;wij(t)为在距离t范围内点i与点j之间的距离;A为面积;π为圆周率。L(t)与距离t的关系图可以用于验证依赖于尺度t的各类开发区的空间分布格局。L(t)>0表示呈现集聚分布的趋势;当L(t)<0表示呈现扩散分布的趋势;L(t)=0表示呈现随机分布的趋势。L(t)的置信区间采用Monte Carlo方法求得。

1.2.3 核密度估计(KDE)本文运用核密度估计能够直观反映基于主导产业特征的各类开发区空间集聚特征,核密度估计值越高,表示基于主导产业特征的各类开发区分布越密集,公式如下:

(4)

式中:x为待估计的开发区位置,xi为已知独立的开发区样本点,h为搜索阈值,n为开发区的个数;d为数据的维数。利用ArcGIS中Kernel Density分析工具可以得到连续的核密度图,以此探测各类开发区的集聚区域分布。

1.2.4 时空地理加权回归模型(GTWR)地理加权回归能够有效解决开发区在回归问题中的空间异质性,还能反映开发区各影响因素对产业集聚的作用,但是忽略了时间效应,时空地理加权回归模型将时间要素引入GWR模型,从时空纬度分析基于主导产业特征的各类开发区分布的影响因素,从而找出影响开发区分布的重要因素。公式如下:

(5)

式中:i=1,2,…,n;t=1,2,3,…，T；(ui,vi,ti)是第i个开发区的时空坐标；βk(ui,vi,ti)是回归系数；εi表示随机误差。时空地理加权回归模型通过构造时空权重矩阵,检验回归系数是否随时间和空间位置发生变化,以解决地理加权回归忽略的时间效应,能够更好地反映每个变量回归系数的时空非平稳性变化规律。

2 结果分析

2.1 黄河流域开发区空间分布总体特征

通过核密度估计可以直观反映黄河流域开发区空间分布总体特征,从图1可以看出,黄河流域开发区总体呈东密西疏、南密北疏、东强西弱、南强北弱,集聚度最高的地区是中下游的陕西,河南和山东三省,其他省份集聚度不明显,呈显著集聚的多核心分布特征。上游青海、甘肃、宁夏、四川阿坝藏族羌族自治州和内蒙古等5个地区共126个开发区,占据整个黄河流域开发区的30.88%,经济发展主要依托于以资源禀赋类的传统产业,开发区建设主要以食品、金属加工等传统行业为主,上游经济在发展过程中存在天然劣势,人口密度低,一半以上地区是高原山地,公铁里程、飞机航线密度均低于下游地区,而且随着近年来我国产业转型升级不断加快,非农产业发展不足的黄河流域上游逐渐失去产业竞争力优势,传统产业布局较多的黄河流域中游逐渐失去产业结构优势。中游地区共拥有73个开发区,占开发区总数的17.89%;下游地区共有209个开发区,占开发区总数的51.22%。中下游地区具有天然的地理优势,上拥接京津冀,下接长三角,资源禀赋类产业和第三产业同步发展,人口集中分布,工业实力强劲,对外开放程度较高,人才吸引力较大,更容易聚集较为国内外高端生产要素,产业结构与竞争力由劣转优[19],这也是造成中下游开发区密度高于上游的重要原因。

图1 开发区核密度估计Fig.1 Kernel density estimation for development zones

2.2 各类开发区空间集聚性分析

最邻近点距离指数结果如表2所示,置信区间在0～0.001,表示指数结果极其显著,最邻近点距离指数均在0～1,说明基于产业主导的各类开发区均呈集聚分布。产业主导型开发区呈集聚分布时R值在0.47～0.65之间;产业主导型开发区更接近随机分布时R值在0.65～1之间。由表2可知,食品行业主导型、生物医药主导型、电力能源主导型等三类开发区呈集聚-随机分布模式,分布模式相较于前4类开发区而言并不显著,表现为集聚与随机的过渡状态。通信电子制造业、商贸服务主导型、装备制造主导型、新材料主导型等对集聚程度高于其他类型,原因在于这几类产业对产业集群、专业化、技术外溢、市场规模、人力资源等要求较高。化工行业主导型、金属加工主导型、食品行业主导型、电力能源主导型等属于资源禀赋类产业,为了提高资源利用率,降低成本,大多依赖于矿产、土地、水利等自然资源,因此集聚度低于通信电子等产业。生物医药行业虽然属于国家重要的战略性新兴产业,但黄河流域整体发展水平低于长江流域和沿海地区,技术不成熟,缺少高技术人员,导致集聚度弱于其他产业[20]。

表2 各类开发区空间集聚分析Tab.2 Analysis of spatial agglomeration of development zones

2.3 各类开发区集聚强度和规模分析

从图2可以看出,L(t)曲线代表各类开发区的集聚特征,且显著性检验全部通过。化工行业主导型、新材料主导型、装备制造主导型的L(t)值均大于零,且其集聚强度随着空间距离的增加基本都呈先增加后减小的规律,表明各类开发区的空间分布格局均呈显著单峰值集聚状态。这3类开发区达到峰值的最大空间距离为244 km、205 km、163 km,由此可知这3类开发区在较大空间范围内表现出单核心集聚特性。金属加工主导型和通信电子主导型L(t)值接近0,其集聚强度总体上呈波动增加缓慢下降的规律,呈多峰值集聚分布。这2类呈现特征,说明开发区空间区位集聚距离范围较小,指向于资源丰富、市场规模庞大、产业集聚程度高、人力资源丰富的黄河流域中下游城市(群)地区布局。电力能源、生物医药、食品行业这3类主导型产业开发区的L(t)值随着空间距离的增加先波动上升后缓慢下降,商贸服务主导型的L(t)在短距离内达到峰值后迅速下降。到达一定距离后,这4类开发区的L(t)均小于零,其达到零值的空间距分别为436 km、346 km、384 km、257 km,表现出集聚特征但集聚性不强,在空间上是一个扩散分布的模式。

2.4 各类开发区空间集聚区域探测

图3是黄河流域各类开发区的空间分布核密度图,通信电子、化工行业、新材料、装备制造等四类开发区均呈单核心集聚形态分布在黄河流域下游地区。黄河流域下游地区是黄河流域人口最为集中、经济发展最为活跃的地区,大批制高端造业在该地区集聚分布,得天独厚的地理位置、常年积累的大量资本、发达的工业体系、完善的交通网络、强有力的政策支持、广阔的市场等造就了这四类开发区的集聚形态。电力能源、商贸服务、生物医药、食品行业、金属加工等基于主导产业特征的五类开发区占据黄河流域大部分地区,上中下游皆有集聚,而且主要集中在省会城市,表现为多核心的集聚形态。电力能源、金属加工导型主要集聚分布于甘肃、内蒙古、河南等矿产资源丰富地区;商贸服务主导型主要集聚在陕西、河南等物流行业发达、交通便利的地区;生物医药主要分布在甘肃、陕西、河南和山东的部分地区,原因在于上游地区的土壤、气候适宜中草药的生长,中下游地区的技术能够支持医药研制和生产;食品行业主导型依赖农林牧渔资源,粮食作物主要集聚在河套平原、华北平原和黄淮海平原,畜牧业大多在草场资源丰富的内蒙古,渔业在水资源丰富的河流沿岸地区,农副产品加工根据上游产业延伸而来,因此大多集中相关农业的生产地区[21]。

图2 开发区Ripley L(t)指数分析Fig.2 Analysis of Ripley L(t)index of development zone

2.5 开发区空间分布影响因素的实证分析

2.5.1 指标体系构建 开发区是以城市为载体,城市的经济条件和科技创新优势能够决定开发区的规模和数量,开发区运用这些优势引进众多企业,扩大产业集聚规模,提升开发区整体实力,进而带动城市经济发展;同时,开发区的发展也会受城市的环境状况的制约。按照系统性、整体性、科学性、代表性以及可获得性原则,本文从经济因素、环境因素、科技创新三大维度研究开发区不同主导产业的空间分布,通过各大城市统计年鉴选取2008—2017年中国城市数据,用工业总产值作为因变量描述开发区发展的整体实力,选择8个因素作为解释变量构建指标体系(见表3)。

1)经济因素:人均国内生产总值反映城市经济发展状况,城市固定资产投资反映固定资产的投资规模,城镇化率反映城市发展速度,外商投资额占GDP比重反映城市经济的对外开放性程度。

2)环境因素:工业固体废物综合利用率反映城市对污染的整治力度。

3)科技创新:采用科技教育支出和每万人在校大学生数表示科技创新投入,科技创新产出用发明专利授权量表示。

2.5.2 OLS基准估计 OLS模型剔除研究数据中的时间和空间要素如表4所示,OLS模型的拟合优度R2为0.828 9,统计结果显著。回归结果显示,由p值可得,除每万人在校大学生数外,其他变量均呈显著状态。人均国内生产总值、城市固定资产投资、工业固体废物综合利用率和科技教育支出等变量的t值均大于5,明显与工业总产值呈正相关,这4个变量每增加一单位,工业总产值相应增加0.839 7、0.158 0、0.029 2和0.090 6。说明人均国内生产总值越高,经济发展活力更强,城市固定资产投资越多,城市基础建设发展水平越高,工业固体废物综合利用率越高,产业转型升级速度加快,对生态环境更加友好,科技教育支出越多,提升城市教育水平,增添创新活力。城镇化率和发明专利授权量与工业总产值呈负相关,这两个变量每增加一单位,工业总产值相应减少0.026 3和0.001 4,说明这两个变量会阻碍城市经济发展。

图3 各类开发区核密度估计Fig.3 Kernel density estimation in various development zones

表3 开发区空间分布影响因素指标体系Tab.3 Index system of influencing factors of spatial distribution in development zones

表4 OLS参数估计结果Tab.4 OLS parameter estimation results

2.5.3 TWR、GWR和GTWR局部估计 对TWR、GWR和GTWR模型进行分析如表5所示,分别比较这3个模型的属性值,发现每个模型所对应的值均不相同,且变化较大。在TWR模型中仅考虑时间因素,不考虑空间因素,R2值是0.883 4;在GWR模型中仅考虑空间因素,剔除时间因素,R2值为0.943 4;在GTWR模型中同时加入时间和空间因素后,R2值为0.964 1,这3个模型的拟合优度均优于OLS基准估计,其中GTWR模型优于其他3个模型,拟合优度极其显著。由于OLS、TWR、GWR和GTWR模型的自由度不同,本文采用AIC信息准则考虑不同模型的自由度。OLS、TWR、GWR和GTWR模型的AIC值分别为193.514 7、-7.611 2、-355.07和-406.794,下降趋势明显,且差距远超3,表明模型改进非常显著。通过比较RSS和残差标准误,下降趋势明显的结果均表明GTWR比TWR、GWR和OLS模型提供了更好的数据拟合。

表5 模型回归属性对比Tab.5 Model regression attributes

鉴于基于GWR的模型(TWR、GWR和GTWR)在统计上是有效的,还有一个重要的问题是如何判断回归系数中是否存在时空非平稳性变化。考虑效率和便利性,采用Leung 等(2002)提出的F统计假设检验方式,判断是否存在非平稳性[22],假设检验如下所示:

H0:β1k=β2k=β3k=…=βnk

(6)

H1:βik(i=1,2,…,n)

(7)

在假设中,F值越大,p值越小,则表明支持替代性假设H1;F值越小,p值越大,则表明支持零假设H0。给定置信水平为0.05,通过比较p值,p<0.05,则拒绝H0,p>0.05,则接受H0。表6列出了TWR、GWR和GTWR模型的F值和p值。在TWR模型中,所有参数的p值均大于0.05,不存在时空变化。在GWR模型中,城镇化率的p值小于0.05,存在显著的时间变化,但在TWR和GTWR模型中不存在时空变化,其他参数存在不存在时空变化,说明GWR模型优于TWR模型,变量的空间变化大于时间变化。在GTWR模型中,外商直接投资占GDP比重、工业固体废物综合利用率、每万人在校大学生数的p值小于0.05,存在显著的时空变化,其他参数不存在时空变化,GTWR模型中的非平稳性变量个数多于TWR和GTWR模型,说明GTWR模型能够更好地反映变量的时空变化。

表6 在TWR、GWR和GTWR模型中参数的非平稳性检验Tab.6 Nonstationarity of parameters in the TWR,GWR,and GTWR models

3 结论

本文使用核密度估计、最邻近指数、Ripley′K函数和时空地理加权回归研究了黄河流域内408个开发区的总体分布、集聚强度、规模特征和影响因素。主要发现如下:

1)开发区总体上呈显著集聚分布特征,核密度估计图显示东部集聚度显著高于西部,且以各省省会城市为中心形成密集分布区域,中下游地区山西、陕西、河南、山东四省集聚了黄河流域69.72%的开发区,上游地区集聚度显著低于中下游地区,且集聚效应并不明显。

2)不同类别的开发区随着空间距离的增加集聚强度和集聚规模基本都呈波动性得先增后减规律,但是依旧有显著差别,而且集聚规模越大,集聚强度却不一定越强,如装备制造主导型产业的集聚规模大于化工行业主导型产业,但是其集聚强度却小于化工行业主导型产业。

3)因为多种因素的影响,不同类别的开发区分布在不同区域,通信电子、新材料、装备制造等集高端设备、最新技术、大量资本、先进知识于一体的产业主要集聚在流域下游地区,食品行业、生物医药、金属加工等资源禀赋类产业主要集聚在中上游地区。

4)利用2008—2017年黄河流域地级市数据,通过OLS基准估计,TWR、GWR和GTWR等局部模型估计比较,发现GTWR模型在分析影响因素时R2明显高于其他模型,AIC值低于其他模型,说明GTWR模型是分析开发区影响因素的最优模型。GTWR考虑了各个变量在不同的时间对工业总产值影响的差异性,并发现外商直接投资占GDP比重、工业固体废物综合利用率、每万人在校大学生数等3个变量具有显著的时空变化,其余变量均不存在时空变化。运用时空地理加权回归可以分析开发区不同因素的时空波动变化,找到影响开发区转型升级的重要时空因素,从而辅助政府做出决策,推动开发区的发展。

4 建议

基于以上结论,结合黄河流域高质量发展战略和双循环发展新格局,为推动地区平衡发展,优化开发区产业布局,本文提出以下建议:

1)中上游地区集聚度较高且污染严重的是电力能源、化工行业等,因此,推动绿色生态园区建设,对于环境污染严重且但经济效益较高的开发区,制定严格污染排放标准,积极促进区内企业绿色技术创新和技术改造,不断推进传统产业和现代科技的深度融合,提升工业企业的固体废物综合利用率,降低传统产业对环境的破坏程度。

2)下游地区集聚度较高的是通信电子、新材料等高新技术行业,因此,支持高新技术开发区发展壮大,积极引进国外高端资源和技术,加强国内外高新技术企业合作,深度融合国际产业链、供应链、价值链,在此基础上培育一批具有国际竞争力的优势开发区。

3)建立健全高校人才培养体系,提升学生自身科技创新水平,为流域高质量发展提供各类高水平人才。大学生是地区经济发展的储备力量,对开发区发展具有长远的显著影响,因此,高校通过优化内设机构职能,为大学生建立完善符合实际的激励和考核机制,培养高水平大学生。建立短期校企联合培养制度,为大学生群体提供实践平台,解决所学知识与实际应用不匹配问题,提升专业能力,加强创新能力。