长三角区域经济发展不平衡测度与分析

■陈勇

（江苏航运职业技术学院，江苏 南通 226000）

区域发展不平衡是导致社会、经济甚至政治问题的根本原因，除了对国民经济增长产生不利影响，还影响内需拉动并增加贫困。围绕区域发展差异问题，如何科学准确地测度不平衡程度和变化趋势，并辨明不平衡的成因，已成为当前的研究热点。现如今，有关研究主要集中在区域经济发展的差距程度和时空变化特性等层面，研究方法主要有基尼系数、锡尔系数、空间自相关系数、极化指数等。有关区域经济发展不均衡及其测度理论探索成果，给长三角区域经济发展不平衡测度与分析带来了巨大的参考价值。以此为基础，本文分别基于时间发展角度对区域经济差异进行测度、分解，充分利用空间分布，针对其经济发展情况做整体的分析和空间布局上的展示。时间趋势上，借助于绝对差异、相对差异的方式，针对长三角区域整体经济发展差距的情况进行测度，同时借助于基尼系数及其按子群分解的方式探索长三角区域内省际与省内经济发展差距的情况。空间分布方面，选择诸多衡量区域经济差距的指标，针对主成分实行整体分析，从而研究长三角区域经济发展是否存在空间分布非均衡性特征。

一、经济差异测度

（一）方法的选取和介绍

国内外很多学者探索了不同的方法来明确地区经济间的不均衡性，重点涵盖了绝对差异与相对差异。其中，前者主要是指各个地区针对相同经济指标绝对数的相差值，后者是指在不同区域中同一经济指标中相对数的相差值[1]。本研究选择了人均GDP经济指标，分别从绝对差异和相对差异两个方面，为长三角区域经济差异做分析。

（二）长三角区域经济差异测度结果分析

地区间经济发展的不均衡性能反映成某个时间范围内不同区域的静态发展程度，能够以不同区域某个经济变量的绝对量在整个国家中的占比或相对量（其中包括人均量等）作为相关的定量评价标准。将不同区域人均GDP作为科学检测工具，作用在宏观经济运转中，作为发展经济学中的经济发展现状的核心指标，所以，本文就采用了人均GDP这一检测指标。基于数据的可获得性，本研究选取的时间是从2009年到2018年，选取长三角地区中的杭州市、宁波市、嘉兴市、湖州市、绍兴市、舟山市、南京市、无锡市、常州市、苏州市、扬州市、镇江市、泰州市、合肥市、马鞍山市、芜湖市、宣城市、安庆市、上海市等27个市的人均GDP进行计算，得出长三角10年之间区域经济发展差异中的绝对差异和相对差异（如附表1所示）。

从长三角区域各城市的人均GDP分析结果来看，2009年到2018年期间各城市的极差和标准差明显上升，说明长三角各城市经济发展绝对不平衡加剧；从相对极差和变异系数来看，长三角各城市经济发展的相对不均衡程度在缩小。

如附表1所示，从绝对差异的角度来看，2009年—2018年间，长三角区域经济差异逐步扩大。极差和标准差的趋式基本统一，整体表现出逐年向上的趋式。2009年极差值仅69694，而2018年极差值上升为133182，标准差也由2009年的19733.6086上升为2018年的38590.5877。从相对差异的角度来看，长三角区域经济发展的相对不均衡程度在缩小。极差及变异系数的趋式基本一致，整体表现出逐年回落的趋式，唯有在2016年的极差、2010年和2015年的变异系数，有小幅度的上升，但是不影响整体下降的趋势。2009年极差为1.5069，到2018年极差值下降到仅为1.2939，而变异系数也由2009年的0.4267下降为2018年的0.3749。

附表1 长三角区域上海市等27市2009年—2018年人均GDP差异变化

二、经济差异分解

现阶段，国内外学术界测算区域差距的方式十分丰富。其中，包括泰尔指数、加权变异系数等，但是此类方式均没有兼顾子样本的划分情况，存在着一定的不足。对比此类方式，基尼系数和相关子群分解法，能采用科学的方式解决其中的不足。因此，本研究中采用基尼系数分解法基于综合视野论述分析长三角经济发展的区域不均衡问题。具体来说，本研究将长三角按照省（市）划分为4个区域，即上海市（沪）、江苏省（苏）、浙江省（浙）、安徽省（皖），对经济发展的区域加以细分，就综合差距、省内差距、省际差距等指标加以测算。

（一）长三角地区经济发展的总体差距及其演变趋势分析

经过测算发现，在2009—2018年的十年中，长三角地区经济发展的整体差异显现出逐年回落的趋势，这表明在这些地区之间的差异在逐步平衡，区域经济发展的环境不平衡现象出现了缓解的局面，区域经济协调发展形势良好。而关于长三角地区经济发展的总体地区差距变化趋势，总体来说，表现出下降的总体趋式，这也说明多年来沪、苏、浙、皖四个地区的政府采用的促使区域经济一体化的有关政策为减少地区经济发展差距带来了政策性的效果[2]。

从演变趋势看，长三角中三省（江苏省、浙江省、安徽省）的区域内差异都表现出下降的趋势，这表明各省内部经济发展情况得到改善。不过从演变的程度来看，经济发展地区差异呈现先上升然后慢慢下降的趋式。如，安徽省经济发展差异先是逐年上升，再是逐步下降，最后又表现为上升的趋势。江苏省经济发展差异先是保持上升，后是持续下降且下降幅度明显，即表现出明显的“倒U”型。测算结果显示，江苏省在长三角区域经济中呈现出比较高的发展趋势，在省内经济发展差距上呈现出缓慢缩小的趋式，省内经济发展程度协调度比较良好。浙江省经济发展地区差异演变较为平稳，省内基尼系数一直很低，这表明浙江省省内各个城市在经济发展程度上没有很大的差距，协调度程度很高。

（二）长三角经济发展的地区间差异分析

本研究借助于基尼系数的解析，针对上海市、江苏省、浙江省和安徽省四个地区进行两两对比，系统地探索长三角区域内省际之间的经济发展程度差距。本研究通过对比分析发现，沪-皖的经济发展差距最大，沪-苏、沪-浙和苏-浙地区差异呈现稳步下降的态势。由此可见，长三角各省际之间经济发展的地区差异呈现缩小的趋势，在政策的协调下三省一市之间经济发展不均衡的情况获得有效的解决。

（三）长三角经济发展的地区差异贡献率分析

在长三角经济发展的地区差异贡献率方面，2009—2018年十年间长三角区域中差异的贡献率没有显著波动，而区域间的不同与超变密度的贡献率则具有相应的变化，同时超过了区域中的差异贡献率，这表明区域间的差异即长三角省际差距与超变密度为整体差异的核心影响要素。超变密度贡献率呈现出了很高的程度，代表长三角地区中沪、苏、浙、皖4个地区间经济发展程度具有显著的不同。

三、经济差异综合分析

区域经济属于繁复的系统，在区域经济评价方面要整体考量诸多层面的影响。本研究从时间上对长三角区域经济差异做相关分析，主要选择单一的指标，即各市的人均GDP，固然在数据的掌握上比较容易，而且计算也比较正确，不过依然无法全方位、准确地展现长三角区域经济差异的状况[3]。主成分分析是由哈罗德·霍特林于20世纪90年代最先提出的一种归纳数据的研究方式，这种方式借助于降维的概念，基于最少损失信息的形式采用极少几个整体指标来表现原有信息。本研究计划使用主成分分析法设立一个可以评估长三角地区经济差异的总体评价指标体系。

（一）综合指标的构建

对区域经济发展差异做相关评价时，依然要重视诸多的因素，综合经济指标机制是经由核算各地区的、体现各种经济情况的指标，然后进行加总综合预估。在设置综合指标机制时需要遵从代表性、科学性、整体性等原则。

1.代表性原则

本研究的探索目标为长三角区域经济发展的不均衡现状，要针对地区差异进行定量综合评价。所以，就要建立评价指标体系和选择经济指标，在这种情况下，就要选取可代表区域经济发展情况的主要的、基础的指标，并且要规避选择的指标太多而导致模型复杂多变。

2.科学性原则

在建立综合评价指标体系时，要具备科学理论的支持，可直观地反射出区域经济发展的切实现状。在选择经济指标时要尽可能地规避信息雷同，相互之间要具备独立性，继而也能提高指标体系的相关性，尤其是在科学性和正确性方面。

3.综合性原则

在度量不同区域经济发展程度时，要从诸多层面考虑，并非从单一程度上考虑某种因素。所以，在选择经济指标时要包括经济发展整体水平和经济结构水平等方面。

4.可行性原则

可行性原则要建立在评估指标机制上，同时还要符合理论研究的需要和现实的可操作性。在搜集指标数据时要尽可能地使用已有的统计资源，在人力、时间方面可行。选取的指标数值要尽量齐全、正确，同时能在分析区域经济差异时具备明显的效果[4]。

在遵守上述各项原则的层面上，本研究从区域经济发展经济水平、区域经济发展结构水平及区域经济发展效率三个层面选择了9项指标来打造综合评估指标机制，以此体现长三角地区经济发展的不均衡性。详细而言，9项指标主要是指经济发展类指标（GDP、人均GDP、整个社会固定资产投资、地方财政收益、社会消费品零售规模、农民人均纯收益）、结构水平指标（二产在GDP中的占比、三产在GDP中的占比）、发展速度指标（生产总值指数）。

（二）主成分分析的过程和结果

本研究中，对长三角区域内上海市等27个市进行了统计，针对2009—2018年，疏导9项统计指标的初始信息，且对其予以规范化处置。结合主成分分析法中的内容，首先进行KMO检验。结果表明KMO=0.722，超过了0.7，这意味着可以开展主成分分析。同时，本研究进行球形度检验，得到的计量结果为2426.679，伴随概率是0，这说明本研究所用数据符合因子分析的要求（如表1所示）。

表1 KOM检验和球形度检验

由附表2可以看到，前面3个成分在特征值上都超过了1，并且总计占据了总方差的81.796%，后续在特征值贡献率上走势愈来愈小，所以可更好、整体地展现出所有成分的信息。其中，前面三个主要成分的方差贡献度分别为49.694%、20.314%和11.788%，说明这三个因子对原始数据的解释程度较好。因此，本研究中，这三个主成分将作为分析长三角区域经济发展差距的综合变量[5]。

附表2 主成分特征值及方差贡献率

所谓碎石图，就是借助于特征值对核心成分或因子数量的标绘图，属于确定维系多少主成分的核心模式。图1所示为主成分针对特征值的碎石图，根据点间连线的坡度程度就能看到成分的关键性。点间连线的坡度如果陡峭，那么就说明断点所针对的特征值具有极大的波动，如果平缓就说明特征值的改变不是很大。由图1可看到，主成分1、2和3在连线上比较陡峭，表明前面三个部分可更好地表现出所有成分的信息，这种结果与文献[6]中的结果契合。

图1 碎石图

本研究对原始因子载荷矩阵进行方差最大程度地旋转，同时得到了旋转之后的因子载荷矩阵（见表2）。所有指标及其匹配的主因子的有关程度表示相关的主因子的载荷结果。当载荷结果大于零时，说明该经济指标和相对的主因子呈现出正比例关联；并且载荷结果越大，有关程度越高[7]。

表2 旋转后的因子载荷矩阵

从旋转的成分矩阵来看，因子1在二产占GDP比重、三产占GDP比重、生产总值指数等因子的成分数值较高，所以因子1可以命名为产业结构；因子2在GDP、人均GDP、地方财政收入等经济类指标中的成分结果相对更高，因此因子2能称作是经济规模；因子3在全社会固定资产投资与社会消费品零售总额中相对更高，所以因子3能称作是经济增长来源。

本研究通过测算得出，长三角区域中上海市等27市的综合得分，并按照降序进行排列（见表3）。由表3可知，长三角区域经济之间依然存有相当的差距。分数值高于0.3的城市包含5个，分别为合肥、上海、杭州、苏州与南京。其中，合肥为安徽省会，杭州为浙江省会，苏州与南京则为江苏管辖的城市。分数最高的为合肥，与得分第二的上海市相差0.2482。得分在0～0.3之间的城市有5个，分别是宁波市、无锡市、舟山市、温州市、常州市。其中，有2个市属于江苏省，有3个市属于浙江省。得分在0以下即为负值的城市有17个，得分从高到低分别为台州市、绍兴市、芜湖市、南通市、嘉兴市、金华市、盐城市、湖州市、镇江市、安庆市、扬州市、泰州市、马鞍山市、宣城市、池州市、滁州市、铜陵市。其中，浙江与江苏均有5个市，安徽则比其多了2个。长三角区域中得分最高的合肥市（0.9254）和得分最低的铜陵市（-0.5133）相差1.4387。从而得知，长三角区域内各个地市的发展存在较高的差距。

表3 各地区综合得分及排名

根据排名和得分差距，能大概将长三角地区分为三大经济发展梯度区。具体而言，第一梯度为经济发达区，包含了整体得分超过0.3的5个城市，合肥市的整体得分是0.9254，分数第一，分数最低的是南京市，为0.3515，相差0.5739；第二梯度，经济较发达区，包含整体得分在0～0.3之间的5个城市，分数最高的城市为宁波市（0.2264），分数最低的城市为常州市（0.0049），差距仅有0.2215；第三梯度，经济落后区，包括综合得分在0以下的17个城市，其中安徽省占据7个。由此可见，安徽省大部分城市在经济发展中位于长三角经济发展的落后水平。这些城市总的来说人口数量庞大，自然资源很少，区位优势较差，综合经济发展较慢。从综合角度而言，在长三角地区的经济发展程度上上海市最高，江苏省与浙江省的经济发展程度较高，安徽省的经济发展水平综合而言还有待提升。

另外，从空间分布来看，第一梯度城市均为长江三角洲区域一体化发展先行区，第二梯度城市主要为长三角区域内江苏省和浙江省某些经济发展快速的城市，第三梯度城市大部分位于安徽省。由此可以得出，长三角区域经济发展程度从空间格局上基本呈现出从东到西逐步降低的趋式，也就是呈现出空间非均衡性特征。