在技术变革和知识经济快速发展的背景下,我国经济进入由要素驱动、投资驱动向创新驱动转变的新时期,以知识与技术为主的创新要素逐渐成为推动区域经济增长和企业生产率提高的动力来源[1]。同时,随着技术换代升级进程加快以及产品生产周期不断缩短,区域和企业创新环境的不确定性逐渐加剧,传统意义上封闭、线性的创新方式已经不能满足区域经济快速协调发展的要求,构建开放式创新生态环境、积极主动融入全球创新网络成为区域聚集创新要素的重要方式,区域间协同创新已成为国家经济快速健康发展的必要路径。创新驱动是新时期国家的重大发展战略,李克强总理在2019年政府工作报告中强调政府的工作任务就是要坚持创新引领发展和促进区域协调发展[2]。城市是实施创新驱动发展战略和区域协调发展战略的空间载体[3],探讨城市间创新要素联系,揭示城市创新网络的内部结构和演化机制,有助于推动国家协调创新城市体系建设。以城市为基本单元的国家创新体系如何?各城市在国家创新城市格局中的地位和作用如何?各城市在创新要素集聚过程中的城市化水平如何?这些都是本文试图回答的问题。
科技服务业作为聚集创新要素、整合知识资源的产业,是促进产业升级、培育发展新动能的战略性支撑产业,发展科技服务业是确立城市创新体系的必然选择。随着科技服务业的快速发展,新知识的获取和创新要素的聚集成为推动该产业集聚的重要动力。新经济地理学指出,区域内某产业及其上下游产业内的企业,为降低交易成本和获得规模报酬,会在供需关联的作用下形成空间集聚,且这种集聚会在循环因果的作用下自我强化形成产业集聚[4-5]。这种产业空间集聚带来广泛的就业和资本、人口聚集,进而产生城市群,其是城市群形成和拓展的基本因素,对国家城市化发展具有重要的支撑与促进作用,即产业空间集聚是城市化发展的基本动力之一。
某产业集聚既包含该产业对其它产业的要素投入,也包含其它产业对该产业的要素支撑。科技服务产业集聚的城市往往在新技术、新理论与前沿知识等方面具有优势,集聚城市内企业通过企业间交流与互动,对其它城市企业产生较强的知识和技术外溢带动效应[6]。所以,各城市的创新绩效不仅取决于自身创新能力,城市间普遍存在的“网络化”连接,也影响着区域整体创新效率,这种“网络化”连接是影响城市群创新资源整合和创新功能优化互补的关键因素,决定了国家城市化战略进程。由此,分析科技服务产业集聚对城市格局的影响,测度城市间创新要素的网络化关系和结构,对实施创新驱动战略和城市产业结构升级具有重要意义,同时,测度科技服务产业集聚程度也有利于分析我国城市化进程。
在经济一体化和创新全球化发展过程中,城市间经济联系和创新联系成为经济地理学者关注的重要议题[7]。目前,对城市关联网络的研究弱化了城市的区位属性,强调区位空间和流动空间的重新整合,主要通过基础设施和企业组织等关联建立城市网络模型。基础设施方法通过资本、信息、产品以及人员等主体在道路交通和信息网络等设施上的流动形成城市关联网络[8-9];企业组织法通过企业间存在的业务活动分析城市间关系[10-11]。
在城市创新关联方面,大部分学者通过科研论文合作、联合专利申请以及公司合作研发的方式构建城市创新关联网络。如在科研论文合作方面,Sonn & Storper[12]运用美国1975-1997年专利引用数据,构建国内城市间知识传播网络;Matthiessen等[13]根据世界100个大城市的文献计量数据,分析研究者之间的合著水平,进而构建城市知识关联网络;Hoekman等[14]利用WOS数据库中2000-2007年欧洲313个城市之间的合作出版物数据,构建城市知识关联网络,并分析了空间距离和国家边界对网络的影响;Li & Phelps等[15]利用2000-2014年出版物和合作出版物数据构建了长三角城市群知识网络,并测度了其中心性。在联合专利申请方面,Li等[16]利用合作生物技术专利,重点研究了中国城市创新网络的拓扑和空间演化;鲜果等[17]基于中国290个地级城市联合申请发明专利数据,对中国城市创新网络的空间格局及其邻近性机理进行分析。在公司合作研发方面,Scherngell & Lata[18]利用欧洲255个城市之间的企业合作研发数据,构建了城市研发合作网络,发现地理距离和国家边界效应逐渐减小;Zhang[19]利用中国1998-2007的工业企业数据,分析了企业产品联合创新对城市集聚经济的影响。
在城市创新要素集聚方面,新经济地理学从运输成本、规模报酬和外部性等角度解释了企业如何在供需关联影响下形成空间集聚[4,20]。此外学者们基于地理和产业特性的视角对产业集聚现象作了进一步分析,如Swann & Porter等[21-23]认为,产业集聚是若干关联的产业(机构)围绕系列产品生产链在地理空间上的聚集体。关于科技服务业发展对城市格局的作用,张振刚等[24]分析发现科技服务业发展不仅能够有效提升所在区域的创新能力,还通过溢出效应提升邻近乃至不相邻地区的创新水平;张清正和李国平[25]运用空间基尼系数分析中国科技服务业空间集聚特点,发现东、中部的集聚程度强于西南、西北和东北;张琴和赵丙奇[26]从知识外溢和产业协同角度测度了北京、上海、江苏和广东的科技服务产业集聚情况,发现科技服务产业集聚能够有效促进所在城市制造业快速升级;蒋同明和陈井安[27]测度了中国内地31个省(区、市)科技服务业与城市化的协调发展水平,发现东部沿海区域的协调度较好,西部偏远地区的协调性相对较差;王姝慧和王姝彦[28]研究了城市间科技服务中介组织的协同成长问题,发现相对大型中心城市,中小城市更需要借助协同效应实现科技服务组织发展。
在产业集聚水平测度方面,目前主要有行业集中度、区位熵指数、空间基尼系数、Herfindahl-Hirschman指数、Hannah-Kay指数以及Ellision-Glaeser指数等[29]。近年来,网络和网络化视角逐渐被引入到社会科学研究过程中,并且网络结构在各种社会和经济现象中的作用越来越受到重视[30]。网络结构是对城市格局特征的进一步描述,本文运用社会网络指标描述城市关联这一客观存在,测度和分析科技服务产业集聚对城市格局的影响。
综上来看,学者们从不同视角分析了科技服务业发展对城市格局的影响,目前鲜有文献基于整体性视角分析科技服务产业集聚过程中的城市关联体系。本文基于产业投入产出理论,运用国家2010和2015年投入产出数据和当年A股上市公司数据,从社会网络角度测度科技服务产业集聚过程中的城市连接强度和结构,以及城市在整体网络中的地位和影响力,并运用链路预测方法分析科技服务产业集聚过程中的城市格局时空演变特征和趋势,以期为建设城市创新体系和推动城市化建设提供数据支撑。
在科技服务产业集聚对城市格局的塑造过程中,城市关联格局的本质是科技服务产业在地域分工基础上形成的合作网络,核心是跨区域的创新资源整合与协同,基础是科技服务业与其它产业间存在的技术经济关系,这种联系是企业交流和城市连接的内在基础。科技服务业的上下游企业,为在创新溢出效应中追求利润最大化,聚集于创新要素活跃的区域,这些企业是城市创新连接形成和发展的微观实现;城市承载着创新要素的交换,具体反映创新连接的效率与效能。因此,理顺产业、企业和城市间关系,有助于分析科技服务产业集聚对城市格局的影响,发挥科技服务产业和核心城市的创新带动作用。
构建科技服务产业集聚背景下的城市网络,以科技服务产业存在的产业强关联为基础,通过企业的产业属性、业务活动和区位属性构建城市关联网络。其中,产业、企业和城市的内在关联逻辑关系可以表现为:产业→企业→城市。由此3种经济行为主体之间存在以下映射关系:①产业与企业之间的映射,指某个产业可能包含哪些企业或某个企业可能属于哪些产业;②企业与城市之间的映射,指某个企业可能存在于哪些城市或某个城市可能包含哪些企业。基于科技服务产业关联的城市关联网络建模主要包括根据与科技服务产业存在的强关联关系建立产业关联网络,然后根据网络之间的映射关系,对3层网络进行系统耦合,依次得到科技服务产业集聚背景下的企业关联网络和城市关联网络。具体建模步骤如下:
2.1.1 科技服务业产业关联模型构建
投入产出技术能够量化产业间依存关系,是研究和测度产业间前、后向关联的有效工具和方法,本文依据投入产出理论计算科技服务产业与其它产业存在的强关联。首先,计算产业完全需求系数矩阵A,其中,A(i,j)表示产业j每增加一个单位的最终产品时,完全需求产业i产品的数量;然后,用敏感性试算拐点的方式[31]确定A中元素阈值α,若A(i,j)≥α,则产业强关联矩阵中的B(i,j)=A(i,j),否则B(i,j)=0,B(i,j)≠0表示产业i与产业j之间存在显著的投入、产出关系;最后,从强关联矩阵B中筛选出与科技服务产业相关的强关联关系(即B(i,j)中i和j至少其一为科技服务业)。
2.1.2 科技服务业企业关联模型构建
企业作为产业组织的高级细分形态,依赖产业空间集聚的同时也对城市经济产生动态影响,其是城市关联网络和城市价值的微观实现者,企业关联网络具体承载经济要素流通,是城市关联的有效表征。科技服务产业集聚通过企业业务活动对城市格局进行塑造,在构建科技服务产业集聚背景下的企业关联网络时,首先,通过比对企业财务年报中的行业代码和《国民经济行业分类》(GB/T4754-2017),找出企业对应的投入产出表中的产业部门;然后,根据产业强关联矩阵B构建企业关联矩阵,若企业p和企业q的主营业务分别隶属于产业i与j(i或j为科技服务业),且B(i,j)=1,则企业关联矩阵E中的E(p,q)=1,否则E(p,q)=0。E(p,q)=1表示企业p和企业q在科技服务产业集聚过程中存在显著的关联关系。
2.1.3 科技服务业城市关联模型构建
企业间业务交流作为城市经济往来的微观实现,是构建城市关联的重要抓手,根据科技服务业的相关企业关联及其所在城市确定城市关联。首先,若企业p和q分别位于城市u和w,且企业关联矩阵中E(p,q)=1,则城市关联矩阵C中的C(p,q)(u,w)=1,若城市u和w间存在多对企业关联,则城市u和w间关联的权重为然后,对矩阵C同样运用敏感性试算拐点的方式获取城市强关联矩阵C1,最后,依据城市强关联矩阵C1构建科技服务产业集聚背景下的城市关联网络。
2.1.4 基于链路预测城市关联模型构建
链路预测通过当前时间段网络中的各种信息挖掘下一时间段节点之间的潜在关系[32],选取Adamic-Adar(AA)指标、Jaccard(JA)指标和择优连接(PA)指标,以2010年城市关联子网络为训练集,2015年城市关联子网络为测试集,挖掘科技服务产业集聚背景下潜在的城市关系。
AA指标基于度小的共同邻居节点的贡献大于度大的共同邻居节点,因而为共同邻居的节点度赋予权重,该权重为该节点度对数的倒数。
(1)
式中,Γ(u)、Γ(w)分别表示城市u和w的邻居集合。
JA指标用于衡量两个集合的相似性,分子是集合交集,分母是集合并集。
(2)
PA指标基于两节点产生连边的概率与两节点的度有关,即度较大的节点对形成连边的概率较大,由此相似性与两节点度的乘积成正比。
PA(u,w)=|Γ(u)||Γ(w)|
(3)
在求得3种城市潜在连接概率的基础上,首先,基于熵值法确定潜在连接概率的权重,概率信息效用值越大,则其越重要,权重也越大;然后,运用TOPSIS法计算3种城市潜在连接概率指标值与正、负理想解的距离,并计算各潜在连接概率的综合评价指数,综合评价指数值越大,则下一时间段城市间连接的倾向越强;最后,运用敏感性拐点找出综合评价最优的城市潜在关联,进而构建未来科技服务产业集聚过程中的城市关联网络。
网络结构作为对主体关联特征的进一步描述,能够很好地测度并分析科技服务产业集聚过程中的城市间关联性和复杂性,本文从度中心性、介中心性、平均路径长度、凝聚子群等维度测度和分析科技服务产业集聚对城市格局的影响,各项指标相互独立,从不同视角对科技服务产业集聚背景下的城市格局进行测度。
2.2.1 度中心性
度中心性表征节点在整个关联网络内的中心程度,测度节点接近网络中心地位的能力。在科技服务产业集聚背景下的城市网络中,城市节点的度中心性越大,则其越处于网络中心位置,同时也说明该城市在国家科技服务产业体系中占据重要地位。记城市网络节点总数为N,城市u的入度、出度分别为和
则其度中心性为:
(4)
2.2.2 点介中心度
点介中心度为关联网络内所有最短路径中经过该节点的路径数目占最短路径总数的比例之和,描述其对网络中要素和信息沿着最短路径传输的控制能力。在科技服务产业集聚背景下的城市网络中,城市点介中心度数值越大,表明该城市节点作为中转站承担的网络中要素和信息流通的作用越强。城市u的点介中心度表达式为:
(5)
其中,gst表示城市s与城市t之间的最短路径数,表示从城市s到城市t的gst条最短路径中经过城市u的最短路径数。
2.2.3 边介中心性
边介中心性为网络内所有最短路径中经过该边的数目占最短路径总数的比例之和,表征关联边对网络中生产要素沿着最短路径流动和集聚的中介控制能力。在科技服务产业集聚背景下的城市网络中,城市关联边介中心性数值越大,则该关联边对整个网络要素流动集聚的控制作用也越大。城市u和城市w间连边的介数表达式为:
(6)
其中,gst表示从城市s到城市t的最短路径数,表示从城市s到城市t的gst条最短路径中经过
的最短路径数。
2.2.4 平均路径长度
平均路径长度为某节点到其它节点的最短路径长度的平均值。在科技服务产业集聚背景下的城市网络中,平均路径长度描述城市间关联远近关系,间接反映科技服务产业要素在城市间的流通效率,平均路径越短,则该城市经济要素流通到其它城市的效率越高。首先运用Floyd算法求得城市u和w之间的最短路径长度d(u,w),然后计算城市u至其它城市的平均路径长度ld(u)。
(7)
2.2.5 凝聚子群
凝聚子群用来测度群体内部的组团情况,当网络中某些联系密切的节点形成次级团体时,这种团体即为凝聚子群。本文基于Concor 算法和科技服务产业集聚的城市间企业流强度,分析相关城市的小团体现象,用以测度城市间联系紧密程度。
本文从国家统计局获取2010和2015年42个部门的投入产出数据,从Csmar数据库获取2010和2015年的全国A股上市企业数据,分别有2 106和2 822家。计算得2010和2015年与科技服务业强关联的产业分别有15和22个;基于上文模型构建科技服务产业集聚过程中的城市关联网络,得到相关城市有86和109个。2010-2015年,基于科技服务业的城市间企业流由10 372上升至28 301,涨幅达172.9%,企业流密度由32.01上升至42.95,表明随着创新驱动战略的实施和国民经济体系的完善,科技服务产业对国家产业体系的支撑作用愈发明显,城市间基于科技服务业的交流也日益频繁。
对科技服务产业集聚过程中的城市度中心性进行计算,结果如图1所示。
图1 科技服务产业集聚的城市度中心性数值
由图1可知,科技服务产业集聚形成的城市度中心性均符合长尾分布,并具有明显的右倾趋势,表明在科技服务产业集聚过程中大多数城市的辐射力较小、围绕少数关键城市形成了相对紧密的关联网络。
2010-2015年,城市度中心性的变异系数由1.82上升至2.08,表明城市对关联网络的影响程度逐步拉大。自然断裂法以组内差异最小、组间差异最大为原则进行数据分级划分,本文运用自然断裂点法(Jenks)将城市度中心性分为4级,划分成国家核心、区域核心、省域核心和一般城市。北京、上海稳居前两位,是科技服务产业集聚过程中的国家核心,无论是对国家城市创新体系的构成和发展还是对区域间科技服务企业流的提升均具有关键作用。2010-2015年,国家创新驱动战略的全面实施以及产业体系的逐渐完善,使得全国范围内科技服务产业及其上下游产业均有了较大发展,由此全国各大城市群内核心城市科技服务产业的集聚作用愈发明显,在此过程中,显现为北京和上海的科技服务集聚虹吸效应逐渐释放。区域核心城市最初包括深圳、天津、大连和合肥,后来增加了成都、南京、厦门、苏州、青岛、广州等城市,此类城市为区域城市群中的龙头城市,其科技创新产业集聚能力尤为显著。省域核心城市多为省会城市和地区经济发达城市,数量由21个增加至32个。2010-015年,一般城市由59个增加至65个,这些城市虽处于科技服务产业集聚城市网络的从属地位,但在国家协调创新城市网络和经济体系建设中具有重要作用。
通过链路预测分析发现,2015年后科技服务产业集聚的国家核心城市增加了杭州,杭州作为长三角中心城市,环境和区位条件优越,对科技人才和创新要素集聚作用显著,并被评为中国最具创新力的智慧城市之一;区域核心城市增加了沈阳、哈尔滨、苏州、宁波、无锡、济南、烟台、福州、珠海、重庆、昆明、西安、武汉和乌鲁木齐等14个城市,随着产业经济发展,这些城市由以前的省域核心城市上升为区域核心城市。省域核心城市增加了绍兴、嘉兴、台州、东莞和佛山等沿海经济圈内城市,数量增加至44个。
图2 科技服务产业集聚的城市度中心性演变
运用反距离权重法对城市度中心性进行空间插值分析(见图2),2010年形成分别以北京和天津、上海和合肥、深圳和广州为“高地”的科技服务产业集聚中心,科技服务产业集聚格局主要以这些城市为支撑。2015年科技服务产业集聚程度更为显著,形成以济南、南京、苏州、杭州、厦门和珠海等城市为“高地”的东部沿海集聚中心,以及以成都为核心的内陆集聚中心。其余城市由于人口、区位和经济规模的制约,科技服务产业集聚程度相对不足。
对链路预测后的科技服务产业集聚格局进行分析发现,全国集聚格局增加了多个集聚中心,呈现出科技服务业布局较为均衡的局面。具体有东北、西部、中部和山东半岛地区,分别形成以沈阳、哈尔滨,西安、成渝、昆明、乌鲁木齐、武汉、青岛、烟台为“高地”的集聚中心。并且长三角和珠三角地区的科技服务产业集聚程度更高。加强其它城市与这些集聚中心城市的关联强度是推动城市创新要素集聚体系建设与完善的重要途径。
计算科技服务产业集聚过程中城市节点的介中心性,如图3所示。
图3 科技服务产业集聚的城市节点介中心性
注:其余城市的介中心性数值为 0
由图3可知,在科技服务产业集聚过程中,少数关键城市发挥着以最短路径承载创新要素在城市间流通的中介作用。北京、上海不仅构成科技服务产业集聚的核心和框架,也是科技服务要素流通和集聚的中转站,对科技服务要素沿着最短城市路径流动具有很强的控制能力。2010年,具有“中介”作用的城市只有北京和上海。2015年,随着产业经济体系完善和城市经济发展,天津、南京、苏州、深圳和成都均为集聚中心,这些城市为京津冀、长三角和西南地区的龙头城市,与区域内其它城市间科技服务要素交流密切,其中介作用愈发凸显。
对链路预测后的科技服务产业集聚格局的中介城市进行分析发现,北京、上海、天津、南京、苏州、深圳和成都等原有中介城市的“掮客”作用更加显著,表明这些城市科技服务业影响力提升显著,在国家科技服务产业体系以及创新型产业布局中的地位进一步提高。并且宁波、青岛和乌鲁木齐在国家科技服务产业要素流动集聚过程中的中介作用逐渐显现,宁波、青岛作为国家沿海重要中心城市,区位优越、经济发达,与各区域经济要素交流频繁,乌鲁木齐作为西北地区的经济、文化和交通中心,是连接西部地区与中东部地区的支点,故其中介作用逐渐凸显。
计算科技服务产业集聚过程中城市关联的边介中心性,如图4所示。
图4 科技服务产业集聚的城市边介中心性演变
2010-2015年,随着科技服务产业体系的发展,城市间关联数量和强度普遍提升。同样,运用自然断裂点法对城市边介中心性进行划分,2010年,北京、上海、深圳、合肥和大连之间的关联构成东部城市之间进行科技服务要素流动集聚的最短中介枢纽干道,此时中西部城市内部以及与东部城市之间的要素交流中介枢纽作用不明显。2015年,京津冀、长三角和珠三角之间的科技服务要素交流明显增强,相对于2010年,这些区域的中介枢纽通道数量普遍增多,并且,乌鲁木齐、成都分别与北京和上海的关联构成西北、西南地区城市与东部地区城市进行要素流动集聚的中介枢纽,将这些西南、西北地区城市融入到国家科技服务产业集聚城市网络中。
对链路预测后的科技服务产业集聚格局的城市边介中心性进行分析发现,长三角依旧是国家创新要素集聚的中心,形成了以其为支点经过最短枢纽辐射全国的科技服务城市格局。其中,哈尔滨和沈阳、济南和青岛、重庆和昆明、西安、武汉和长沙成为长三角以最短中介枢纽连接东北、山东半岛、西南、西北和中部地区的核心节点。这表明在科技服务产业要素流动集聚过程中,国内各区域与科技服务产业集聚中心城市的关联普遍增强,在全国逐渐形成相对均衡的科技服务集聚城市格局。
计算科技服务产业集聚过程中城市的平均路径长度,如图5所示。
图5 科技服务产业集聚的城市平均路径长度数值
注:由于部分城市对某些城市不存在连通路径,所以此处只计算对其它城市均存在连通路径的城市平均路径长度
由图5可知,随着科技服务产业体系的完善,与其它所有城市存在连通路径的城市数量逐渐增多;除核心城市与其余城市存在直接连通路径之外,其余城市之间通过一个或多个中介城市连通,因此,科技服务产业集聚城市体系中的城市数量逐渐增多,导致除核心城市外,其它城市的平均路径长度逐渐加大。2010年,北京和上海连通其它城市的平均路径最短,科技服务产业要素的流通效率最高,其次为天津、大连、合肥和深圳,这些城市有力地促进了京津冀、长三角和珠三角等沿海城市群的科技服务产业要素向国内其它城市流通。
2015年,新增加的成都、青岛、广州和厦门等8个城市连通其它城市的平均路径较短,这些城市是促进成渝和山东半岛等城市群科技服务产业要素向国内其它城市流通的关键。
对链路预测后科技服务产业集聚格局的城市平均路径长度进行分析发现,新增加西南地区的昆明、西安和重庆,珠三角的珠海、佛山和东莞,山东半岛的烟台和淄博,长三角地区的杭州、无锡、嘉兴、绍兴和台州,东北地区的沈阳和哈尔滨等城市均与国内其它城市存在连通路径。这表明上述城市的科技服务产业集聚程度得到提升,其科技服务产业要素逐渐在全国范围流通,且这些新增加的城市平均路径长度相对较大,表明与以前就存在平均路径长度的城市相比,这些城市的科技服务产业要素流通效率和能力有待进一步提升。
基于Concor算法的凝聚子群能够测度城市关联中存在的组团现象,根据密度及其组成分析核心团体与组团间联系状况,并通过网络核心-边缘结构计算城市核心度,用以量化核心城市对边缘城市的带动作用,与度中心性相比,城市核心度对地理分布的依赖性更低。
图6 科技服务产业集聚的城市核心度及凝聚子群演变
注:图中点颜色代表子群分类,点大小代表城市核心度层级
如图6可知,2010年科技服务产业集聚城市可分为4大子群。子群1内城市为北京和上海,子群2内城市为天津、深圳、合肥和大连。运用自然断裂点法对城市核心度划分后,发现子群1和2城市核心度均处于第一层级,内部密度及其间密度均为1,表明子群1和2内城市联系紧密,且随着科技服务产业的拓展,核心支点逐渐由两大核心向沿海区域布局。子群3内城市为广州、杭州、南京、西安、武汉和乌鲁木齐等城市,其中大部分城市的核心度处于第二层级,该子群城市主要为省会城市和少数区域经济发达地级市,且均与子群1、2中城市存在单向关联通道。由于这些城市在关联网络中的地位和作用接近,故归为同一子群。其余城市归于子群4。2015年有关城市可分为7大子群,子群1内城市为北京、上海、南京、天津和苏州;子群2内城市为深圳、广州、厦门、大连、成都和济南;子群3内城市主要为杭州、武汉、长沙、哈尔滨、重庆、西安和福州等15个城市。子群3内城市的核心度相对2010年增幅明显,且这3个子群城市的核心度均处于较高水平,表明科技服务产业集聚中城市关联格局的核心支点数量及其影响力均在不断提高;2015的子群5、6和7是对2010年子群4的进一步细化归类,表明此类城市随着关联格局不断扩展,群内城市对网络的控制力差异进一步扩大,呈现一定的层级特征。
对链路预测后科技服务产业集聚格局的城市子群和核心度进行分析发现,子群2的城市网络密度由0.786增加至0.833,子群3的城市网络密度由0.449增加至0.864,表明这两个子群内部自组织能力不断增强,这些城市是科技服务产业未来布局和发展重点。此外,城市核心度的变异系数由0.531上升至1.55,表明在科技服务产业集聚进程中城市影响力差距将逐渐拉大。子群5、6、7内城市则多为各区域城市群一般地级市,这些城市受经济发展水平和区位条件等多种因素制约,在关联网络中多位于从属地位,核心度及子群密度虽有小幅增长但总体处于较低水平,提升此类城市科技服务产业集聚水平是完善国家协调创新城市体系的重要途径。
本文基于产业投入产出理论构建和预测科技服务产业集聚背景下的城市关联网络,运用社会网络方法测度城市格局的时空演变特征,得出主要结论如下:
(1)科技服务产业集聚过程中大多数城市的辐射力较小、围绕少数关键城市形成了相对紧密的关联网络。随着国家创新驱动发展战略的全面实施以及产业体系的逐渐完善,使得全国范围内的科技服务产业及其上下游产业均有了较大发展。在此过程中,部分省会城市和地区经济发达城市由省域核心上升为区域核心,部分沿海经济圈内城市由一般城市上升为省域核心,科技服务产业发展提升了这部分城市的城市化水平;科技服务产业集聚高地由以前的沿海和成都地区向东北地区、西部地区、中部地区和山东半岛地区拓展,在此过程中科技服务产业集聚对国家城市化水平的提升也沿此路径延伸。
(2)在科技服务产业集聚过程中,少数关键城市发挥着以最短路径承载创新要素在城市间流通的中介作用。北京和上海,天津、南京、苏州、深圳和成都,青岛、宁波和乌鲁木齐先后在科技服务要素流通过程中承担重要中转作用,这些城市是京津冀、长三角和西南地区的核心城市,与区域乃至国内其它城市间科技服务要素交流密切,故其中介作用愈发凸显,是提升国家城市化水平的重要节点城市。
(3)京津冀、长三角和珠三角之间科技服务产业要素流通集聚的中介枢纽通道数量普遍增多;乌鲁木齐、成都分别与北京和上海的关联构成西北、西南地区城市与东部地区城市进行要素流动集聚的中介枢纽。并且在进一步发展中,东北、山东半岛、西南、西北和中部地区均与长三角的集聚中心城市存在若干最短中介枢纽,在全国范围逐渐形成相对均衡的科技服务集聚城市格局。
(4)在城市连通关联中,除核心城市与其余城市存在直接连通路径外,其余城市之间通过一个或多个中介城市连通。因此,随着科技服务产业集聚城市体系中的城市数量逐渐增多,除核心城市外,其它城市的平均路径长度逐渐加大。未来西南、珠三角、山东半岛、长三角和东北地区均有数个城市与国内其它城市存在连通路径,且这些新增加的城市平均路径长度相对较大,表明与以前就存在平均路径长度的城市相比,这些城市的科技服务产业要素流通效率和能力有待进一步提升。
(5)城市核心度变异系数上升,城市带动作用在科技服务产业集聚进程中趋于差异化,说明各城市的城市化水平对城市经济的影响差距会逐渐拉大。子群2和3的城市网络密度均大幅提升,表明未来这两子群内部自组织性不断增强,两子群内的城市在城市化过程中要素交流愈发密切,因此将成为科技服务产业未来重点布局和发展的地区,对提升国家整体城市化水平具有重要带动作用。
随着科技服务产业的发展以及知识、技术等创新要素溢出作用的加大,城市关联网络化以及城市化水平的提高成为科技服务产业集聚强度广泛增强的结果。基于产业投入产出关联,按照企业的产业属性,构建和分析集聚过程中的城市关联网络,对于认知和预测科技服务产业集聚时空演变特征,推动创新城市体系建设和提升城市化水平均具有一定意义。由此提出如下建议:①提升城市科技服务产业集聚水平和城市化水平是一个系统性、整体性工程,各省市应基于自身产业条件及现有创新要素集聚规模,积极优化产业结构,结合区域产业比较优势强化城市间产业合作,延伸、拓展科技服务产业链;②注重跨城和跨省的科技服务资源配置整合,充分利用区域内核心城市科技服务产业的集聚溢出效应,加强与核心城市的要素交流;③积极引导区域内企业投资布局,并促进企业科技成果转化,健全以企业为主体的产学研一体化创新机制,提高企业生产效率和产品品质;④政府借鉴科技服务产业集聚程度高和城市化程度高的城市格局演变路径制定自身发展政策,并加大资源投入与政策扶持力度,激发科技服务产业集聚的内在动力。
本研究尚存在以下局限,有待在未来研究中进一步分析与探索:首先,现在企业多采用多元化经营模式,有多个经营业务,文中根据《上市公司行业分类指引》只选取上市公司主营业务对应的产业,未考虑上市公司其它经营业务对应的产业,未来研究可以综合考虑上市公司其它经营业务对应的产业对企业关联网络的影响;其次,在企业业务关联过程中,企业空间距离和运输成本也是影响企业合作交流的重要因素,在未来研究中,可以考虑将空间距离因素加入到企业关联网络建模过程中;最后,文章分别从度中心性、介中心性、平均路径长度和凝聚子群等维度进行测度和分析,在未来研究中,可设计这几种结构指标的组合评价方法对以上结构进行整合排序,从整体角度测度评价科技服务产业集聚对城市格局的影响。
[1] 徐宜青,曾刚,王秋玉.长三角城市群协同创新网络格局发展演变及优化策略[J].经济地理,2018,38(11):133-140.
[2] 2019年政府工作报告(e读版)[EB/OL].[2019.3.5]. http://www.gov.cn/zhuanti/2019qglh/2019zfzgbgdzs/2019zfzgbgdzs. html.
[3] 吕拉昌,梁政骥,黄茹.中国主要城市间的创新联系研究[J].地理科学,2015,35(1):30-37.
[4] KRUGMAN P. Increasing return and economic geography[J].Journal of Political Economy,1991,99(3):483-499.
[5] KRUGMAN P. Geography and trade[M]. MIT Press, 1993.
[6] 盛丰.生产性服务业集聚与制造业升级:机制与经验——来自230个城市数据的空间计量分析[J].产业经济研究,2014(2):32-39+110.
[7] BATHELT H, MALMBERG A, MASKELL P. Clusters and knowledge: local buzz, global pipelines and the process of knowledge creation[J]. Progress in Human Geography, 2004, 28(1): 31-56.
[8] TOWNSEND A M. Network cities and the global structure of the internet[J]. American Behavioral Scientist, 2001, 44(10): 1697-1716.
[9] DERUDDER B, WITLOX F, FAULCONBRIDGE J, et al. Airline data for global city network research: reviewing and refining existing approaches[J]. GeoJournal, 2008, 71(1): 5-18.
[10] 李仙德.基于上市公司网络的长三角城市网络空间结构研究[J].地理科学进展,2014 (12):1587-1600.
[11] ALDERSON A S, BECKFIELD J, SPRAGUE-JONES J. Intercity relations and globalisation: the evolution of the global urban hierarchy, 1981—2007[J]. Urban Studies, 2010 (9): 1899-1923.
[12] SONN J W, STORPER M. The increasing importance of geographical proximity in knowledge production: an analysis of US patent citations, 1975-1997[J]. Environment and Planning A, 2008, 40(5): 1020-1039.
[13] MATTHIESSEN C W, SCHWARZ A W, FIND S. World cities of scientific knowledge: systems, networks and potential dynamics. an analysis based on bibliometric indicators[J]. Urban Studies, 2010, 47(9): 1879-1897.
[14] HOEKMAN J, FRENKEN K, TIJSSEN R J W. Research collaboration at a distance: changing spatial patterns of scientific collaboration within Europe[J]. Research Policy, 2010, 39(5): 662-673.
[15] LI Y, PHELPS N A. Knowledge polycentricity and the evolving Yangtze River Delta megalopolis[J]. Regional Studies, 2017, 51(7): 1035-1047.
[16] LI D, WEI Y D, WANG T. Spatial and temporal evolution of urban innovation network in China[J]. Habitat International, 2015, 49: 484-496.
[17] 鲜果,曾刚,曹贤忠.中国城市间创新网络结构及其邻近性机理[J].世界地理研究,2018,27(5):136-146.
[18] SCHERNGELL T, LATA R. Towards an integrated European research area? findings from eigenvector spatially filtered spatial interaction models using European framework programme data[J]. Papers in Regional Science, 2013, 92(3): 555-577.
[19] ZHANG H. How does agglomeration promote the product innovation of Chinese firms?[J]. China Economic Review, 2015, 35: 105-120.
[20] FUJITA M, KRUGMAN P. The spatial economy: cities, regions, and international trade[M]. MIT Press, 2001.
[21] SWANN P, PREVEZER M. Comparison of the dynamics of industrial clustering in computing and biotechnology[J]. Research Policy, 1996, 25(7): 1139-1157.
[22] PORTER M E. Clusters and the new economics of competition[M]. Boston: Harvard Business Review, 1998.
[23] 张清正.中国科技服务业空间演化及影响因素研究[J].科技进步与对策,2015,32(10):36-39.
[24] 张振刚,李云健,陈志明.科技服务业对区域创新能力提升的影响——基于珠三角地区的实证研究[J].中国科技论坛,2013(12):45-51.
[25] 张清正,李国平.中国科技服务产业集聚发展及影响因素研究[J].中国软科学,2015(7):75-93.
[26] 张琴,赵丙奇,郑旭.科技服务产业集聚与制造业升级:机理与实证检验[J].管理世界,2015(11):178-179.
[27] 蒋同明,陈井安.城市化与科技服务业互动关系及协调度分析[J].社会科学研究,2017(6):95-99.
[28] 王姝慧,王姝彦.区域科技服务中介组织的协同成长研究[J].经济问题,2018(10):105-109.
[29] 袁海红,张华,曾洪勇.产业集聚的测度及其动态变化——基于北京企业微观数据的研究[J].中国工业经济,2014(9):38-50.
[30] GOYAL S, VEGA-REDONDO F. Network formation and social coordination[J]. Games and Economic Behavior, 2005, 50(2): 178-207.
[31] 赵炳新.产业网络理论导论[M]. 北京:经济科学出版社,2013:75-76.
[32] 吕琳媛,周涛.链路预测[M].北京:高等教育出版社,2013:74-77.