战略性新兴产业空间集聚测度及影响因素分析——以安徽省为例

秦取名， 高岳林， 王苗苗

(1.北方民族大学 数学与信息科学学院， 银川 750021； 2.安徽农业大学 经济管理学院， 合肥 230036)

在新的国际经济形势影响下，世界各国逐渐推进新一轮科技革命和产业变革。当前中国经济正处于高速发展向高质量发展的过渡时期，自2010年国务院出台《关于加快培养和发展战略性新兴产业的决定》以来，战略性新兴产业成为各领域的重要研究议题。安徽省处于中国中部地区，与京津冀、长三角、珠三角城市群邻近，然而高端产业、核心技术产业发展程度远低于东南沿海地区。因此，抓住战略性新兴产业这一新发展机遇，对于安徽省未来深化供给侧结构性改革和产业结构调整至关重要。

对于战略性新兴产业的阐释与界定，国内外学者暂无统一的表述。1958年Hirschman[1]根据投入产出的密切程度，将关联度较高的产业定义为“战略产业”。在对战略新兴产业的分析中，李冬冬等[2]、付永萍[3]、杨骞等[4]分别从产业特点、产业需求和产业创新效率的角度对中国战略性新兴产业进行分析。在对产业集聚的研究中，Liu等[5]基于河北省2008—2017年11个城市服务业的数据，运用GMM动态面板模型测度行业的集聚程度和效率；而Gao等[6]利用可视化数据分析生产者服务集聚与中国制造业的关系。在对产业空间效应的分析中，方敏等[7]认为产业在小范围的城市间会存在一定的空间效应。目前产业集聚理论的相关研究逐渐成熟。刘华军等[8]利用空间数据考察战略性新兴产业空间集聚的模式；陶金国等[9]从4类影响效应着手，分析战略性新兴产业集聚与经济增长质量间存在的溢出效应；而秦志琴等[10]以山西省各县城为空间单元，对山西省煤炭产业空间集聚的格局和动态特征进行分析。在产业集聚测度方法的选择上，郭宏等[11]与石卫星等[12]采用区位熵等多指标对产业的集聚水平进行测算，并依据所得集聚结果，进行相关实证分析。在对影响产业集聚因素的识别方面，张志彬[13]选取经济较为发达的三大城市群为研究对象，从不同维度对各城市生产性服务业集聚的驱动因素进行测度；而郭军峰[14]借助空间重心与自相关模型对消费中心的演变及空间集聚特征进行表述，构建空间计量模型对消费中心城市发展的驱动因素进行检验；同样地，王良虎等[15]也是通过空间计量模型探究战略性新兴产业集聚的相关影响因素。

本文立足于安徽省，探讨安徽省各区域战略性新兴产业空间集聚状况，并通过构建空间计量模型，深入研究影响空间集聚的因素，以期为安徽省乃至其他区域的产业发展提供理论参考，促使各地区战略性新兴产业快速发展，推进安徽省战略性新兴产业的集聚化和现代经济建设新征程。

1 安徽省战略性新兴产业空间集聚测算

1.1 集聚研究方法

根据安徽省战略性新兴产业发展的地域特征和数据可得性，选取空间基尼系数与区位熵指数对安徽省战略性新兴产业空间格局以及集聚特征进行考察。

1.1.1 空间基尼系数

空间基尼系数在某产业集聚时，可对产业的空间集中程度进行测算，方法简便直观，取值在0～1之间，越接近1表示该地区产业集聚程度越高，反之则表示产业分布越均衡，集聚程度越低，其公式为

(1)

式中：G为空间基尼系数；Si为i省份战略性新兴产业占全国战略性新兴产业的比重；Xi为i省份工业产值占全国工业产值的比重。

1.1.2 区位熵

区位熵又称为专门化率，通过比较各地熵值可得到某区域产业在上一层次区域内的相对集中度，依据区位熵的大小判断各区域产业的集聚程度，数值越大，地区产业集聚程度越高，反之越低。区位熵值大于1时，则认为战略性新兴产业在该地区发展相对集中,当区位熵值小于1时，则认为战略性新兴产业在该地区发展相对分散，其计算公式为

LQ=(Eij/Ei)/(Ej/E)

(2)

式中：LQ为区位熵指数；Eij表示i地区j产业的总产值；Ei表示i地区所有产业的总产值；Ej表示地区j产业总产值；E表示地区产业总产值。

1.2 集聚态势分析

根据式(1)计算2012—2020年安徽省三大区域的战略性新兴产业空间基尼系数，结果见表1。依据沈惊宏等[16]的研究基础和安徽省传统的空间区域划分，将安徽省分为皖北(亳州、淮北、宿州、蚌埠、阜阳、淮南6市)，皖中(合肥、安庆、六安、滁州4市)和皖南(马鞍山、芜湖、宣城、铜陵、池州、黄山6市)。

表1 2012—2020年安徽省三大区域战略性新兴产业空间基尼系数

从表1可以看出，皖北、皖中、皖南3个区域呈现不同的空间集聚趋势。其中皖中地区的空间基尼系数最高，战略性新兴产业集聚度较为显著，皖北次之，但皖北地区相较于皖中、皖南波动幅度不大，战略性新兴产业集聚现象较为平稳，皖南地区集聚程度变化较大，整体战略性新兴产业集聚程度较低，空间基尼系数所呈现的现象与实际安徽省各区域战略性新兴产业发展情况相吻合。

通过式(2)测算出安徽省2012—2020年各城市战略性新兴产业区位熵指数，结果见表2。

表2 2012—2020年安徽省战略性新兴产业产值区位熵

由表2可知，整体来看，安徽范围内的战略性新兴产业集聚发展水平偏低，多数地区战略性新兴产业集聚水平的区位熵指数小于1，小部分地区大于1。横向比较来看，安徽省战略性新兴产业区位熵大于1的地区有合肥、亳州、蚌埠、滁州、芜湖、铜陵、黄山，表明这7个城市战略性新兴产业集聚水平较为突出，发展水平较好。淮北、宿州、淮南、马鞍山的战略性新兴产业区位熵指数绝大多数在0.7以下，表明这些城市的战略性新兴产业集聚水平偏低。纵向比较来看，安徽省各城市整体战略新兴产业集聚水平变动幅度不明显，宿州、蚌埠、阜阳、宣城、铜陵等市区位熵指数近年来呈上升趋势，其中蚌埠市集聚增长水平最大，自2016年起区位熵指数均在2以上，稳居安徽省第1。合肥、淮北、淮南、芜湖、池州、黄山的战略性新兴产业集聚水平逐年降低，淮南的区位熵指数下降幅度最大，且一直处于安徽省战略性产业集聚最低水平，其余城市区位熵指数均在小幅度范围内上下波动，发展趋势较为稳定。

随机选取2012年和2019年安徽省战略性新兴产业区位熵指数，运用ArcGIS软件对安徽省战略性新兴产业集聚度的空间分布情况进行展示，并将集聚效应水平分为低、较低、中等、较高、高5个等级，颜色越深代表集聚水平越高。战略性新兴产业集聚度空间分布如图1所示。

图1 2012、2019年安徽省战略性新兴产业集聚度空间分布

从图1中可以发现，安徽省战略性新兴产业集聚在空间上呈现不平衡的发展特征，安徽省中部和北部个别地区集聚水平较高，以合肥为参考地，合肥以西的地市产业集聚水平略低，2012年与2019年各地市战略性新兴产业空间集聚格局差距不大，从2019年的分布图可以看出，高等级集聚水平的地区仅有蚌埠市，集聚度呈上升发展态势，表明省内存在快速集聚现象。从整体分布情况来看，处于较高和高度集聚层次的地区占比不大，而呈现中等及以下集聚状态的地区占据多数。

2 空间计量分析

2.1 空间相关性分析

2.1.1 全局空间相关性分析

为探索安徽省战略性新兴产业整体上的空间关联性及集聚模式，并检验产业集聚水平之间的空间相关性，采用全局莫兰指数(Moran’sI)测度2012—2020年安徽省战略性新兴产业的集聚效应，全局莫兰指数的计算公式为

(3)

式中：IG为全局莫兰指数；n为城市数量；Yi、Yj表示i、j城市的属性值；Wij为空间权重矩阵。全局莫兰指数值介于[-1,1]之间，当取值为0，意味着研究对象在空间上呈随机分布，不存在集聚或者离散现象，若IG∈(0,1]，表示研究对象在空间上存在正相关关系且呈现出相似值之间的空间集聚，若IG∈[-1,0)时，说明研究对象存在负相关关系且呈现出相异值之间的空间分布。

2.1.2 局部空间相关性分析

全局莫兰指数仅从整体上衡量安徽省战略性新兴产业空间自相关程度，无法对各地市产业之间的空间差异情况进行测算。局部莫兰指数将研究区域划分为不同单元，从局部角度阐释指标间的空间分布特征，公式为

(4)

式中：IL为局部莫兰指数；S2为测度值的方差。IL取值范围为[-1,1]，IL接近1，说明测度值在相似值的空间上集聚，表现为高高集聚或低低集聚，IL越接近-1，表示测度值在相异值的空间上集聚，表现为高低集聚或低高集聚。

2.2 变量选取

影响安徽省战略性新兴产业集聚的因素众多。本文结合战略性新兴产业集聚发展的驱动机制及安徽省战略性新兴产业发展的特点，采用区位熵指数(LQ)作为被解释变量表示安徽省战略性新兴产业集聚水平，选取7项指标作为影响安徽省战略性新兴产业集聚的解释变量。解释变量主要包括：①产业关联性(IR)。各地区战略性新兴产业产值占工业产值的比重。②人力资本(Human)。安徽省各地区人均受教育年限。③融资环境(FE)。安徽省各地区直接融资与间接融资量占GDP比重。④对外开放程度(Open)。各地区进出口总额占全省进出口总额的比重。⑤城镇化率(UR)。各地区人口城镇化率。⑥创新能力(Innov)。安徽省各地区专利申请数占全省专利数的比重。⑦政府支出(Gov)。各地区财政支出占GDP的比重。为消除各变量的异方差或偏态，对各变量取自然对数。本文数据来源于《安徽省统计年鉴》、安徽省统计局以及各地市统计局。

2.3 模型构建

由于空间外溢性的存在，为进一步研究安徽省战略性新兴产业空间集聚与各影响因素之间的互动关系，建立空间计量模型，主要包括空间滞后模型(SLM)、空间误差模型(SEM)和空间杜宾模型(SDM)。

为研究安徽省战略性新兴产业空间集聚的驱动因素，设定空间面板数据模型如下。

1)空间滞后模型(SLM)：

β3ln FEit+β4ln Openit+β5ln URit+β6ln Innovit+

β7ln Govit+εit

(5)

2)空间误差模型(SEM)：

ln LQit=β1ln IRit+β2ln Humanit+β3ln FEit+

β4ln Openit+β5ln URit+β6ln Innovit+

β7ln Govit+εit

(6)

(7)

3)空间杜宾模型(SDM):

β2ln Humanit+β3ln FEit+β4ln Openit+

β5ln URit+β6ln Innovit+β7ln Govit+

(8)

式中：i、j、t表示安徽省各地区和年份；ρ表示被解释变量的空间滞后系数；β表示各影响因素的弹性系数；λ为空间误差的自相关系数；γ为空间滞后项系数；ε为随机误差项；Wij为空间邻接权重矩阵，若地区i与地区j相邻Wij=1，反之Wij=0。

2.4 实证分析结果

2.4.1 空间相关性检验结果

根据式(3)运用Stata15.0软件对安徽省2012—2020年的战略性新兴产业进行全局空间自相关检验，检验结果见表3。

从表3中可以看出，安徽省16个行政地区的战略性新兴产业集聚的莫兰指数均为负值，指数位于[-0.338,-0.226]，且绝大多数年份通过10%的显著性水平检验，表明该产业的空间分布并不是完全随机的，表现出相异值之间的空间集聚，即高发展水平的战略性新兴产业地区趋于和低发展水平的战略性新兴产业地区相邻。总体上，安徽省战略性新产业集聚水平的全局空间相关系数随着时间的推移存在小范围波动，空间相关性较为稳定，各地区的发展并非孤立存在，存在较为明显的负空间相关性。

表3 2012—2020年安徽省战略性新兴产业集聚水平Moran’I指数

为进一步揭示安徽省战略性新兴产业的局域集聚特征，选取2012年和2020年的横截面数据，结合Moran’sI散点图对中心地区和周边地区进行局部关联性检验(图2)。图2中横坐标表示战略性新兴产业集聚水平z，纵坐标表示战略性新兴产业集聚水平的空间滞后值WZ。

图2 2012、2020年安徽省战略性新兴产业集聚的Moran’s I散点图

由图2可知，在Moran’sI散点图中，共4个象限分别代表4种不同的空间自相关模式，第Ⅰ象限表示该地区战略性新兴产业集聚水平较高，其邻近地区的战略性新兴产业集聚水平也较高即高高集聚(HH)，第Ⅱ象限指该地区战略性新兴产业集聚水平较低，但邻近地区战略性新兴产业集聚水平较高即低高集聚(LH)，第Ⅲ象限代表该地区与邻近地区的战略性新兴产业集聚水平都较低即低低集聚(LL)，第Ⅳ象限表示该地区的战略性新兴产业集聚水平较高，其邻近地区的战略性新兴产业集聚水平较低(HL)，结合2012年与2020年的Moran’sI散点图将安徽省各地区空间关联模式列入表4。

从表4中可以看出，安徽省战略性新兴产业存在空间集聚性和空间异质性，大部分地区位于第Ⅱ象限和第Ⅳ象限，2012年及2020年处于第Ⅰ象限、第Ⅲ象限的地区有5个，绝大多数地市处于第Ⅱ象限和第Ⅳ象限，意味着安徽省战略性新兴产业集聚水平较低的地区趋向于被战略性新兴产业集聚水平较高的地区包围，体现出负向的空间相关关系。2012年和2020年仅滁州一直位于第Ⅰ象限，是唯一一个被高值包围的地区。根据安徽省战略性新兴产业集聚的地理分布情况来看，各地区以高低集聚与低高集聚为主，集聚分布具有不平衡性，两极格局较为明显，整体表现出较强的负向空间相关性。

表4 2012、2020年安徽省战略性新兴产业集聚度空间关联模式

2.4.2 计量分析结果

为分析影响安徽省战略性新兴产业集聚发展的因素，通过Stata15.0软件分别运用空间滞后模型、空间误差模型以及空间杜宾模型对其进行估计，并与传统的OLS模型对比分析。且根据豪斯曼检验，发现其显著拒绝原假设，故认为采用固定效应模型为最优。各模型回归估计结果见表5。

表5 模型回归估计结果

进行模型的空间计量分析前，对空间效应存在的形式进行检验，表5显示：LM-lag与 Robust LM-lag不显著，然而LM-error 和Robust LM-error均在1%的水平下显著，表明拒绝空间误差项不具有自相关关系的原假设，另一方面，LR检验的空间自相关和空间误差统计量均通过了1%水平下的显著性检验，可以认为SDM模型不能简化为SLM与SEM模型。此外，依据豪斯检验和Log-L检验结果，本文认为个体固定效应空间杜宾模型为最佳选择。

从表中回归结果可知，在普通面板OLS回归下，产业关联度与人力资本水平1%的置信水平下显著相关，与引入空间权重矩阵后的估计结果一致，就对外开放程度而言，OLS回归结果显示其对安徽省战略性新兴产业集聚的发展存在显著的正相关关系，而在3种空间计量模型下的估计结果均为不相关，该影响因素的显著性由显著变为不显著，表明对外开放无法通过空间因素影响战略性新兴产业集聚。从SDM模型的估计结果来看，在1%的置信水平下空间自相关系数显著为负，表明各区域间战略性新兴产业集聚水平存在负向空间溢出效应，与前文莫兰指数的分析结果一致。

由于空间杜宾模型包含解释变量对应回归系数的空间溢出效应和反馈效应，产生的回归结果无法准确估计解释变量对本地区以及相邻地区被解释变量的影响，为将各影响因素的空间效应更具体化，对空间杜宾模型分解，具体结果见表6。

表6 空间杜宾模型的直接效应、间接效应、总效应

根据表6统计结果，从解释变量的效应分解结果来看，产业关联性、人力资本、对外开放程度、城镇化率以及政府支出对安徽省战略性新兴产业集聚发展均存在显著影响，但影响的方向和程度具有差异，产业关联性和城镇化率的直接效应在1%水平下显著为正，即对本地区的战略性新兴产业集聚发展水平起到正向促进作用，而间接效应显著为负，即对相邻地区战略性新兴产业集聚发展水平具有负向的空间溢出效应。而人力资本的直接效应、间接效应与总效应均显著为负，意味着人力资本对本地区以及邻近地区的战略性新兴产业集聚水平存在抑制作用，可能的原因在于战略性新兴产业属于高精尖技术产业，对高素质科技人才要求较高，而安徽省在高新技术人才方面较为欠缺，导致现有的人力资本水平不利于战略性新兴产业的集聚发展。对外开放程度直接效应不显著，间接效应显著为正，即两者对本地产业集聚无显著作用，但会促进相邻地区战略性新兴产业集聚水平的发展。创新能力对本地区和相邻地区战略性新兴产业集聚发展作用均不显著，而政府支出的直接效应不显著，间接效应显著为正，可能的原因是，政府在优化资源配置及政策环境时，形成资源错配和挤出效应，从而导致当地效率的损失，但邻近地区的相关产业可能会在这种资源错配的作用下获益。

3 结论与建议

3.1 结论

本文基于安徽省2012—2020年16个地市的面板数据，通过空间基尼系数、区位熵指数等对安徽省战略性新兴产业的空间格局、集聚特征进行测度，进一步将空间因素纳入探究中，构建空间计量模型分析影响安徽省战略性新兴产业空间集聚的主要因素，得出以下主要结论：

1)安徽省战略性新兴产业集聚空间分布格局不均衡且区域集聚程度分异明显；皖中、皖南地区产业集聚水平较高，产业集聚程度明显，而皖北地区集聚现象普遍偏低。三大区域内各地市之间集聚水平同样存在差异，就安徽省战略性新兴产业集聚发展趋势而言，合肥、芜湖、蚌埠、亳州、铜陵等地市集聚特征明显，处于较高等级集聚水平，多数地市处于中等及以下集聚水平，发展优势较弱，安徽省整体战略性新兴产业集聚发展水平较低，且省内各区域空间集聚差异大。

2)安徽省战略性新兴产业集聚存在较为显著的负空间相关性，即安徽省各地区战略性新兴产业的空间分布并未表现出完全随机性，而是呈现相异值的空间集聚现象。从安徽省各区域战略性新兴产业空间集聚的情况来看，集聚发展水平表现高低集聚和低高集聚的态势，仅少数区域为高高集聚和低低集聚的空间关联模型，表明安徽省战略性新兴产业的空间分布存在不平衡性，两极格局显著。

3)空间计量结果显示，产业关联性、人力资本、对外开放程度以及政府支出对安徽省战略性新兴产业集聚发展水平影响作用较为凸显。产业关联性与城镇化率均是促进本地区战略性新兴产业集聚水平的发展而对相邻地区战略性新兴产业集聚水平的发展产生阻碍作用；人力资本水平对本地区及相邻地区的战略性新兴产业集聚均存在负向的溢出效应；对外开放程度和政府作用对本地区战略性集聚发展的空间溢出效应不显著，但对邻近地区的集聚发展起到促进作用；而融资环境及创新能力对安徽省战略性新兴产业集聚发展未呈现出明显的空间溢出效应。

3.2 建议

综合以上分析，提出如下建议：

1)打破地域局限，促进各地区产业融合发展与协同创新。安徽省各地市应积极发挥自身优势和地域特色，避免各区域战略性新兴产业建设趋同化，鼓励专业化集聚和多样化集聚，不断优化产业空间布局。克服各地区间要素流动、知识共享和技术传播的障碍，针对集聚水平较高地区进行信息化建设，与发展水平较低地区进行专业实践交流，发挥中心城市如合肥、蚌埠等市的引导带头作用，加强安徽省各区域间交流与合作，构建城市创新合作网络。

2)结合区域发展实际，提升政府参与的科学性。安徽省各地应根据自身特点，制定和实施因地制宜的行业优惠政策，优化政府政策的机理与功能，适当的政府干预有助于经济社会快速发展，但当政府投资规模超过经济体所需的最优规模时，易导致经济过热、产能过剩的问题。为避免资源浪费，各地政府应结合自身产业基础、资源禀赋、地理位置以及当地经济发展情况，制定“个性化”的发展策略，确保产业扶持政策高效落地。

3)注重高层次创新型人才队伍培养，破除科技创新壁垒。安徽省整体战略性新兴产业集聚水平不高，高质量专业人才稀缺，应以产业需求为导向，积极培养、引进有明确指向性和针对性的技术型人才，创造良好的引才环境，推动产学研平台建设，建立多元化、多渠道、多层面的产业投入体系，以人力资本高级化促进安徽省各地区技术结构优化升级与创新，驱动战略性新兴产业内生发展，吸引高素质创新型人才集聚，促进省内各地区创新效率的提升。