时空分异

时空分异（精选5篇）

时空分异 篇1

城乡收入是反映城乡经济差别的最重要指标[1],改革开放以来,我国经济呈高速增长态势,经济社会发展取得了巨大的成就,然而我国城乡居民收入差距却在不断拉大,近年来该问题尤为突出[2]。我国居民收入基尼系数由1978年的0.302增加到2014年的0.469,超出0.4的国际警戒线,城乡收入比由1978年的2.35增加到2013年的3.03倍[3,4],如若加上教育、医疗、保险等城市偏向政策,我国的城乡收入差距将会更大[5],相关研究表明,城乡收入差距是总收入差距最重要的贡献因素,我国已由主张平均分配的国家转变为收入差距较大的国家之一。巨大的城乡收入差距很有可能影响我国经济社会协调可持续发展,加剧社会矛盾,并对社会公正提出严峻的挑战[6],这一点已引起党和政府的高度重视。因此,研究城乡收入差距的时空分异及影响因素对促进我国经济社会协调可持续发展和社会公平具有重要的理论和现实意义。

城乡收入差距问题历来是学术界研究的重点命题。国内外学者对此开展了广泛的研究,并取得了较为丰富的研究成果。早在1995年,美国著名经济学家Kuznets[7]就提出了收入差距的“倒U型”曲线,并指出在经济发展初期阶段,长期的收入不均状况会抑制经济发展和产业结构升级,Alesina和Rodrik[8]、Persson和Tabellini[9]的研究进一步证明了收入差距的扩大不利于后期经济增长,Secular等[10]提出地理位置是影响城乡收入的重要因素之一。目前,国内学者的研究内容主要集中在城乡收入差距的测度[11]、时空特征分析[12]、影响因素[13,14]、对策建议[15]等方面,其中城乡收入差距与城镇化、市民化、经济增长、产业结构、工业化、城市偏向、对外开放、财政分权等关系研究较为充分;研究方法上经历了由单一方法向多方法集成的转变,泰尔指数[16]、基尼系数[17]、灰色理论[18]、数理统计[19]等被广泛应用,近年来探索性数据分析(ESDA-GIS)[20]逐渐兴起;研究对象选择上多以大区域(如国家、省级区域)为主,以小区域(如市、县)为单位的研究成果相对较少。

宁夏回族自治区(以下简称宁夏)南北区域差异显著,城乡收入差距问题已成为宁夏实现小康社会、协调区域发展的重点问题。本研究以宁夏19县市为研究对象,采用泰尔指数及其分解,探索性空间数据分析(ESDA-GIS),数理统计(因果检验,回归分析)的研究方法对宁夏城乡收入差距的时空分异及其影响因素进行分析,以期完善城乡收入差距的小尺度空间研究,探讨宁夏城乡收入变化规律,以期为宁夏推进新型城镇化建设、统筹城乡和区域发展,缩小城乡收入差距,实现社会公平提供理论参考,为判定和完善相关政策决策提供科学依据。

1 研究区概况

宁夏回族自治区位于我国西北干旱半干旱、黄河上游地区,总面积5.19万km2,共辖5市19县。宁夏按照自然条件划分为三大区域,分别是北部引黄灌溉区、中部干旱风沙区、南部黄土丘陵沟壑区。北部引黄灌溉区地形平坦、灌溉用水充足,素有“塞上江南”的美誉,南部黄土丘陵沟壑区生态脆弱,发展滞后,是六盘山集中连片特困区的核心组成部分。2013年全区城镇居民人均可支配收入19 105元,农村人均可支配收入7 149元,城乡收入差距较大,南北收入不均衡突出,城镇居民收入最高的银川市是农村居民收入最低的海原县的4.78倍。区内南北区域差异显著,城乡收入差距问题已成为宁夏实现小康社会、协调区域发展的重点问题,宁夏南北及城乡发展的不均衡性一定程度上是中国东西部及城乡发展差距的缩影。

2 研究方法与数据来源

2.1 研究方法

2.1.1泰尔指数及其分解泰尔指数是由泰尔创立,主要用于计算收入不平等问题。目前,相对于基尼指数和变异系数等方法,泰尔指数是最为成熟的方法,其充分考虑了相应区域人口结构的变化对收入差距的影响,并且可以计算组内差距和组间差距对总差距的贡献率,泰尔指数越大表明收入差距越大,引入泰尔指数及其分解,计算研究期内宁夏城乡收入差距的时间变化特征、城乡之间差距及城乡内部差距对总收入差距的贡献率。计算公式[16]为:

式中,T0代表泰尔指数,n代表分组数目,yi代表第i组的人均收入,代表yi的平均值。

泰尔指数的分解公式为:

组内差距对总体差距的贡献率公式T1为:

组间差距对总体差距的贡献率公式T2为:

公式(2)、(3)、(4)中g代表分组数目,Pg是第g组人口占总人口比重,vg是第g组收入占总收入的比重,(T0)g表示第g组的泰尔指数,T1、T2表示对总体差距的贡献率。

2.1.2 ESDA-GIS包括全局自相关Moran’I指数和局部自相关Moran’I指数,引入Getis-ord G*i指数来判定不同空间位置上某一属性值的高值和低值聚集情况。该方法能很好的揭示数据的空间特征和空间联系格局,识别空间异质性,科学性强,具有直观明了的可视化效果,有助于深入研究地理空间分异规律。引入ESDA-GIS空间分析方法从多角度分析宁夏城乡收入比各县区的具体空间分异状况、空间集聚特征和冷热点分布状况,深入探索城乡收入差距在不同时间的空间分异,寻求分布规律,其计算公式详见文献[21,22]。

2.1.3数理统计在对宁夏城乡收入差距的时空分异基础上,进一步分析其影响因素。本研究采用数理统计中的因果检验及回归分析来分析宁夏城乡收入差距的影响因素及影响程度,格兰杰检验作为计量经济分析工具,可以从统计意义上检验变量之间的因果性,对于经济现象中因果关系不明确的事物进行统计意义上的检验[23],回归分析进一步说明变量之间的正负向影响关系,计算公式详见文献[24]。

2.2 数据来源与处理

数据主要来源于1991—2014年的《宁夏统计年鉴》[25]以及相应年份的县市统计公报,空间矢量数据来源于国家基础地理信息中心1∶400万数据库。陶乐县2003年撤销并入平罗县,红寺堡区于2010年由国务院批准成立,故而将陶乐县2003年以前的数值并入平罗县,红寺堡区2010年前数值空缺。

3 结果与分析

3.1 宁夏城乡收入差距的时空演变特征

3.1.1 宁夏城乡收入差距的时间演变特征

泰尔指数不仅考虑了城乡绝对收入的变化,还考虑了区域人口变化对城乡收入差距的影响,更适合测算宁夏城乡收入差距,根据公式(1)-(4)计算宁夏城乡总体(包括城乡之间收入差距、城镇内部收入差距、农村内部收入差距)、城乡之间(纯粹城乡之间收入差距)、城镇内部和农村内部的泰尔指数及城乡之间和城乡内部对总收入差距的贡献率(图1、图2)。

1)基于泰尔指数的测度分析。宁夏城乡总体收入差距呈扩大—缩小—持续扩大的发展趋势,1990年以来宁夏城乡收入差距不断扩大。1990年宁夏城乡收入总体差距的泰尔指数为0.134 6,之后逐渐增加,1995年高达0.223 0,随后呈剧烈下降态势,1996年农副产品行情较好,价格攀升明显,农民收入增加显著,城乡收入差距随之缩小,1999年下降到0.152 6,2000年之后城乡收入差距泰尔指数呈平稳持续上升状态。

城镇内部和农村内部收入差距缩小,农村内部收入差距大于城镇内部收入差距。城镇内部收入差距泰尔指数较低,呈先扩大后缩小趋势。1990年城镇内部收入差距泰尔指数为0.004 1,之后波动上升,1998年达到最大值0.009 2,随后持续下降,研究期内宁夏城镇内部收入差距泰尔指数始终低于0.01,表明宁夏城镇内部居民收入较为均衡,差距较小。

农村内部收入差距泰尔指数明显高于城镇,呈先波动扩大后持续缩小的趋势,1990年农村内部泰尔指数为0.079 9,1990-2000年表现为波动上升态势,2000年达到0.123 4,之后呈持续下降态势,尤其是2001年以来,随着西部大开发战略、退耕还林还草工程和生态移民工程的实施,政府政策开始向中南部农村地区倾斜,广大农民从中受益,农村内部收入差距随之缩小,2013年农村内部收入差距仅为0.052 9,显著低于1990年的水平。

城乡之间收入差距的泰尔指数变化和城乡总体收入差距的变化具有趋同性,表现为扩大—缩小—持续扩大的发展趋势,1990年城乡之间收入差距泰尔指数为0.089 7,此后逐渐增加,1994年达到次高峰0.172 5,之后又持续下降,主要得益于农民收入的增加,1998年下降至0.087 7,1998-2013年呈持续增加态势,2013年达到历史最高值0.235 1。城乡之间收入差距总体上大于城镇内部和农村内部收入差距,1997和1998年城乡之间收入差距低于农村内部收入差距,其余时期内始终大于城镇和农村内部收入差距,表明城乡之间的收入差距是城乡收入差距的主要影响因素。

2)基于分组贡献率测度分析。城乡内部收入差距对城乡总体收入差距的贡献率始终维持在41%以内,总体呈先下降后上升而后持续下降的趋势。1990年城乡内部贡献率为33.4%,之后持续下降,1994年降至14.9%,然后又剧烈上升,1998年上升到历史最高值40.2%,主要得益于农村内部收入差距的大幅度上升,1998-2013年呈持续下降态势,2013年降至历史最低点9.4%。随着经济发展,城乡内部收入差距贡献率对总体收入差距贡献率越来越小。

城乡之间收入差距对总体收入差距的贡献率一直较大,始终在59%以上,总体上呈上升(1990-1994)—下降(1994-1998)—持续上升(1998-2013)的“N”字型发展趋势,与城乡内部收入差距对总体收入差距的贡献率趋势呈相反态势,2013年城乡之间收入差距对总体收入差距的贡献率高达90.6%,是影响宁夏城乡收入总体差距扩大的最主要因素。表明随着经济社会的不断发展,城乡内部收入差距在缩小,而纯粹的城乡之间的收入差距在扩大,城乡之间收入差距扩大是影响宁夏城乡收入差距扩大的重要原因。

3.1.2 宁夏城乡收入差距的空间分异特征

由于篇幅有限,本文截取3个时间点(1990、2000和2013年)研究宁夏城乡收入差距空间分异特征。

1)空间分异格局分析。根据宁夏19县市城镇人均可支配收入、农民人均纯收入、城乡收入比的值,运用Arc Gis10.0自然断点分类法将其分为5类(图3)。1990-2013年宁夏城镇人均可支配收入以集聚为主,高城镇收入区和较高城镇收入区集聚在北部引黄灌区银川市周围,这与北部引黄灌区经济社会较为发达密不可分,原州区由中等城镇收入区转变为较高城镇收入区,原州区作为宁夏主体功能区划中二类重点开发区的组成部分,经济社会发展比较优势明显。中等城镇收入区分布较为分散,散落于南北平罗县、中宁县和原州区,盐池县工业与中南部其他地区相比较为发达,城镇居民获益明显。较低城镇收入区和低城镇收入区较少波动,集中分布在宁夏中南部地区,除盐池县和原州区之外的中南部地区全部7县形成了组团状的低城镇收入区,宁夏中南部地区自然条件差、经济社会发展较为落后,与北部地区有明显差距。

1990-2013年宁夏农民人均纯收入呈现总体集聚、局部分散的状态,高农村收入区和较高农村收入区集中分布在北部引黄灌溉区,南北向石嘴山市到利通区范围内,2000年存在较大波动,表现为平罗县、贺兰县和永宁县下降到中等农村收入区。中等农村收入区在沙坡头区和中宁县之间变动,盐池县由中等农村收入区下降到较低农村收入区。较低农村收入区和低农村收入区集聚于中南部全部9县区,宁夏中南部地区是六盘山集中连片特困区的重要组成部分,农村发展落后,农民极为贫困,扶贫攻坚任务艰巨。

1990-2013年宁夏城乡收入比呈连片式集聚分布空间格局,局部变动明显。低城乡收入比、较低城乡收入比和中等城乡收入比集中分布在宁夏北部引黄灌溉区,内部格局变动明显,较高城乡收入比和高城乡收入比集聚在中南部地区,表明宁夏北部城乡收入差距明显小于中南部地区,区域发展不均衡现象突出。原州区和海原县是宁夏城乡收入比最大的两个地区,原州区作为南部山区经济中心,工商业较为发达,城镇居民收入较南部山区其他县区高,而农村地区受辐射小,农民贫困状况显著。海原县一直是宁夏扶贫攻坚和生态移民的主战场,农村发展落后,贫困人口众多,农民收入普遍低,与城镇居民差距较大。

综合宁夏城镇收入、农村收入和城乡收入比的空间特征,其空间分异明显,城镇收入和农村收入呈现“北高南低”的分布格局,城乡收入比呈现“南高北低”的分布格局,与宁夏自然分区和社会经济发展呈明显的耦合关系。

2)空间相关性分析。采用探索性空间数据分析(ESDA)对宁夏城乡收入差距进行分析,探索宁夏19县市城乡收入差距的空间分布模式及其非常态的分布状况,寻求空间分布规律。利用Open Geo Da软件计算宁夏1990、2000、2013年城乡收入比的全局Moran’I值分别为0.362 8、0.471 9、0.553 4,其正态统计量Z值均超过5%置信水平的临界值。表明宁夏城乡收入比存在明显的空间自相关特征,城乡收入比高的县区和城乡收入比低的县区都趋于集聚,随着时间的推移这一趋势逐渐扩大。

为了进一步分析宁夏各县区在空间上的关联类型,绘制Moran散点图和LISA聚集图,为了便于观察每个象限落入的具体县区,将其汇总为表格(表1),并将其分为4种类型:①高—高类型(差距悬殊),表明某县区及其周围县区城乡收入差距都较高,为城乡收入差距的“热点”区,呈空间正相关关系。②低—高类型(空心型),某县区自身城乡收入差距较低,但是周围县区城乡收入差距高,呈负相关关系。③低—低类型(协调发展),某县区及其周围地区城乡收入差距都较低,为城乡收入差距的“冷点”区,呈正相关关系。④高—低类型(极化型),某县区城乡收入差距高,周围地区城乡收入差距低,呈负相关关系。落入高—高和低—低两象限的县区具有空间均质性,而落入低—高和高—低两象限的地区空间异质性突出。由表1可见,宁夏县区主要落入“高高”和“低低”两象限,说明宁夏城乡收入差距出现了较为显著的空间二元结构,呈现非均衡发展趋势。城乡收入差距较大的“高高”地区始终为宁夏南部黄土丘陵沟壑区一区四县,差距较小的“低低”地区主要位于北部引黄灌溉区,且有由点连成面的趋势,吴忠市下辖的青铜峡市和利通区、银川市和灵武市城乡收入差距较低,这与宁夏区域经济发展北高南低的实际相吻合。

3)热点分析。在空间自相关的基础上,热点分析可深入探测出宁夏城乡收入差距空间集聚的明显位置及区域相关的程度,侦测出哪个县区对宁夏城乡收入差距全局自相关的贡献更大,本文计算了三个研究时间点的Getis-ord Gi*,并借助Arc Gis10.0软件将其空间可视化,采用自然断点分类法将其分为冷点区、次冷点区、次热点区和热点区,得到宁夏城乡收入差距的空间格局热点演化图(图4)。

与空间自相关结果相比,热点分析对宁夏城乡收入差距的集聚状态反映的更为显著。1990-2013年,宁夏城乡收入差距冷热点形成了组团状的空间结构,热点区始终位于宁夏南部山区全部一区四县,主要由于宁南山区生态脆弱、水土及矿山资源匮乏,经济发展层次低、农村落后、农民贫困造成。紧接其北部的宁夏中部分布着次热点地区,次冷点区和冷点区集聚于宁夏北部地区,冷点区有缩小之势,说明宁夏城乡收入差距总体呈扩大之势。1990-2013年宁夏城乡收入差距的冷热点格局没有发生大的变化,热点区没有变动,宁夏南部山区城乡收入差距一直最高。但是局部地区和类型之间变动显著,沙坡头区和中宁县由次热点区先转化为冷点区而后转化为次热点区,盐池县由次热点先转化为次冷点区而后转化为次热点区,石嘴山市、平罗县和灵武市由次冷点区先转化为冷点区而后转化为次冷点区,表明上述地区城乡收入差距呈先缩小后扩大的趋势。利通区和青铜峡市由次冷点区转化为冷点区,两地城乡收入差距逐渐缩小,这与两地农业农村发展较好,农民收入相对较高密切相关。总体来看,宁夏北部地区是冷点和次冷点的集聚区,中南部地区是次热点和热点集聚区,再次证明了宁夏城乡收入差距南北差异较大,空间二元结构明显。

3.2 宁夏城乡收入差距的影响因素分析

通过上文分析可知,宁夏城乡收入差距时间上呈扩大之势,空间变化剧烈且存在较强的空间相关性,探讨城乡收入差距影响因素对促进城乡协调发展具有较强的理论和现实意义。本文采用数理统计的方法(格兰杰因果检验,回归分析)分析宁夏城乡收入差距的影响因素,城乡收入差距涉及地理区位、资源禀赋、经济发展、政府政策、基础设施水平等多方面因素,考虑到宁夏实际状况,采用1990-2013年23 a的城乡收入差距泰尔指数(TL)做为被解释变量,以1990-2013年宁夏城镇化水平(URB)、工业化水平(IND)、市民化水平(CIT)、人均GDP(PGDP)、农业占GDP比重(YZGDP)、外贸依存度(TRD)、二三产业就业人员比重(POSTIE)、财政支农力度(POGSFA)为解释变量进行分析。

格兰杰因果检验作为计量经济分析工具,可以从统计意义上分析宁夏城乡收入差距的影响因素,虽然统计学原因并不能代替真正的经济学原因,但是长时期的统计数据得出的原因对经济学原因和趋势具有较强的指示作用。格兰杰因果检验要求时间序列具有平稳性,首先利用Eviews7.2软件对数据进行平稳性检验(表2),检验统计量均小于1%临界值且为二阶单整,具有平稳性,满足协整检验的要求,在平稳性检验的基础上采用残差估计法对数据进行协整检验(表3),结果显示ADF统计量均小于5%临界值,表明城乡收入差距和城镇化水平、工业化水平、市民化水平、人均GDP、农业占GDP比重、外贸依存度、二三产业就业人员比重、财政支农力度之间确实存在长期稳定关系。但是这种长期的稳定关系并不能说明它们之间具有因果关系,故而本研究进一步进行格兰杰因果检验(表4)。

由表4可见,对于城乡收入差距不是城镇化水平的格兰杰原因的假设,其相伴概率大于10%,所以不应拒绝原假设,即城乡收入差距不是城镇化水平的格兰杰原因。城镇化水平不是城乡收入差距的格兰杰原因,其相伴概率小于10%,拒绝原假设,即城镇化水平是城乡收入差距的格兰杰原因。同理可以看出城乡收入差距和工业化水平、农业占GDP比重、财政支农力度互为格兰杰原因,城乡收入差距不是市民化水平、人均GDP、外贸依存度和二三产业就业人员比重的格兰杰原因,市民化水平、人均GDP、外贸依存度和二三产业就业人员比重是城乡收入差距的格兰杰原因。总体来看,城乡收入差距和工业化水平、农业占GDP比重及财政支农力度互为因果关系,城镇化水平、市民化水平、人均GDP、外贸依存度和二三产业就业人员比重对城乡收入差距存在一定的因果关系。但是这种因果关系并不能指示它们的正负向关系,于是引入回归分析,建立多元线性回归模型,深入探讨城乡收入差距与城镇化水平(X1)、工业化水平(X2)、市民化水平(X3)、人均GDP(X4)、农业占GDP比重(X5)、外贸依存度(X6)、二三产业就业人员比重(X7)、财政支农力度(X8)之间的正负向影响关系。具体公式如下:

利用SPSS18.0软件对公式(5)进行线性回归分析,分析结果表明R2=0.88,F=12.69,P=0.00,检验结果较为显著,DW=1.92,不存在自相关。但是除了X2以外,其他变量均未通过显著性检验,表明可能存在严重的多重共线性,为了消除多重共线性,以X1为控制变量进行逐步回归分析,结果如公式(6)。

由公式(6)可知,工业化水平对宁夏城乡收入差距影响最大,其次是市民化水平、人均GDP和财政支农力度,市民化水平、财政支农力度和宁夏城乡收入差距呈负向关系。宁夏工业化每提高1%会使城乡收入差距扩大1.13%,市民化水平每提高1%会使城乡收入差距缩小0.89%,人均GDP每提高1%会使城乡收入差距扩大0.66%,财政支农力度每提高1%会使城乡收入差距缩小0.35%。市民化主要是指农民获得城市户口和公共服务,能够获得市民资格一般为高素质劳动力和高收入者,其创造的价值与收入呈正相关,同时放弃了在农村的土地,促进了农村土地规模化经营和农民增收,其发展的结果能显著缩小城乡收入差距。城镇化是指农村人口向城镇迁移的过程,其实际和本质是人口城镇化,宁夏当前城镇化以大量农民进城务工为主,获得微薄的收入且没有割裂与土地的联系,导致农民数量减少但增收不明显,故而市民化能缩小城乡收入差距而城镇化却相关性甚微。宁夏城乡收入差距的核心问题在于农民收入过低,尤其是中南部地区,政府财政对农村农民及中南部地区的倾斜和扶持有助于增加农民收入,缩小城乡差距。宁夏工业主要布局于城镇,工业化的发展最为受益的是城镇地区和城镇居民,农村农民所受辐射和影响较小,由于城市偏向政策,人均GDP的提高主要受益者仍然是城市居民。故而,虽然市民化的发展和政府财政对农村农民的支持能在一定程度上缩小城乡收入差距,但是工业化水平和人均GDP的提高更能显著地扩大城乡收入差距,所以宁夏城乡收入差距总体呈扩大之势。

3结论与建议

3.1结论

1)宁夏城乡收入差距总体呈逐渐扩大的趋势,城乡之间收入差距呈波动扩大的趋势,城镇内部和农村内部收入差距呈波动缩小的趋势,总体城乡收入差距的扩大主要是由城乡之间收入差距扩大造成的。

2)宁夏城乡收入差距空间分异显著,城镇收入和农村收入呈现“北高南低”的空间分布格局,城乡收入比呈现“南高北低”的空间分布格局,城乡收入差距具有显著全局自相关关系和空间集聚特征,空间二元结构明显。北部地区是冷点和次冷点的集聚区,中南部地区是次热点和热点集聚区,热点区没有变化,冷点区变化显著。

3)宁夏城乡收入差距按影响程度依次受工业化水平、市民化水平、人均GDP和财政支农力度的影响,市民化的发展和财政支农力度的提高缩小了城乡收入差距,而工业化水平和人均GDP的提高扩大了城乡收入差距。

3.2 建议

1)统筹城乡发展,实施以城带乡、工业反哺农业,实现城乡协同发展。宁夏城乡差距大主要由农村发展落后,农民收入过低造成,政府在二次分配中应加大对农村发展农业生产方面的扶持力度,推进农村基础设施建设,加大对农业生产的补贴,坚持在发展的过程中解决城乡收入差距扩大的问题,工业的发展要惠及农村农民。市民化能有效缩小宁夏城乡收入差距,鼓励农民市民化是行之有效的途径,做好政策保障和公共服务。

2)增加对中南部地区经济发展的支持,提高中南部地区农民收入,缩小南北差距。宁夏中南部大部分属于国家划定的限制开发生态区,资源禀赋较差,发展长期滞后,目前提高中南部地区农民收入仍将以精准扶贫为主,做好教育扶贫、养老扶贫、就业扶贫,坚持生态移民和生态补偿,缩小宁夏城乡差距和南北差距。

3)推进社会主义新农村和美丽乡村建设,增强中南部地区农村发展的内在动力。宁夏中南部地区近年来生态恢复效果显著,建设美丽乡村,推动乡村旅游和生态旅游,增强旅游扶贫观念,使生态建设的成果惠及当地发展,提高农民收入。

4)增加财政支农力度。研究结果表明财政支农力度的增加能显著缩小城乡收入差距,政府财政要向农村地区倾斜,尤其是要向宁夏中南部农村地区倾斜。加大对农村地区教育、医疗、保险等社会基础设施的财政投入力度,推进智力教育,推进特色农业规模化产业化和农业现代化,大力发展以草畜产业、马铃薯产业、特色林果产业、中药材产业为代表的特色农业,使之成为缩小城乡差距和南北差距的重要产业。

北京市住宅价格时空分异特征研究 篇2

关键词：住宅价格,ESDA,空间自相关,时空分异,北京

城市居住空间结构及住宅价格空间分布特征和规律的研究一直是城市地理学和城市经济学研究的热点, 大量学者从城市地理学[1,2,3]、城市社会学[4,5,6]、经济学[7,8,9]和地理信息系统科学[10,11]角度进行了大量的研究。从国外研究动态来看, 近年来开展住宅价格空间特性的许多研究都是利用特征价格模型结合住宅空间特性进行的。如Pace等通过观察1984—1992年巴吞鲁日市的5243个住宅样本, 利用与时空有关的12个变量, 建立了住宅价格预测模型[12]。住宅价格空间分布研究出现的新特点是空间插值技术和GIS的应用。Martinez等利用Kriging技术, 通过四个模型的比较和选择对Albacete (西班牙城市) 进行了空间插值分析[13]。Ding等利用GIS获取住宅的空间特性变量, 分析了新旧住宅投资对邻近住宅房地产价值的影响[14]。

我国对住宅价格的空间分布研究起步较晚, 但研究进展迅速, 已取得了较丰富的成果。国内学者对住宅价格空间分布规律的研究多是利用实证研究住宅价格曲线在某一具体城市的空间分布情况。许晓辉运用GIS技术, 绘制上海市商品住宅等值线图, 揭示了价格空间分布规律, 探寻各区位因子对价格空间分布的影响[15]。郑芷青应用Surfer软件, 探讨了广州商品住宅时空分布规律及影响因素[16]。孟斌等利用空间分析中的点模式分析、空间自相关和空间插值法, 研究了北京的空间分布格局[11]。运用GIS空间分析方法可量化研究住宅价格的空间分布规律, 为相关部门的规划提供依据, 也为房地产开发企业确定房屋销售价格提供参考依据。因此, 本文利用ESDA和GIS地统计法, 探索住宅价格数据的空间关系, 分析土地价格的空间不稳定性和空间依赖性, 以及北京住宅价格的空间结构和分异规律, 为政府决策和科学研究提供参考。

1 研究数据和方法

1.1 数据来源及处理

选取北京市六环内1995—2011年的住宅楼盘, 剔除有缺失值的数据和无效数据, 最终得到有效样本1743个;利用焦点北京房地产网中楼盘地图所标示的位置, 在北京市地理图件中找到该楼盘位置, 形成楼盘点矢量文件, 并标入来源于焦点房地产网的每个楼盘的各项属性, 其中包括住宅价格。为了避免通货膨胀和住宅市场变化因素对不同时段住宅价格的影响, 使各年楼盘价格具有可比性, 采用北京市1995—2011年新建商品住宅价格指数和各年房屋销售价格指数, 将各个年度的价格修正到2011年7月 (其中2011年房屋销售价格指数取前6个月各月房屋销售价格指数的算术平均值) , 最终价格以2011年可比价格表示。根据《北京市统计年鉴》、北京市各年的商品住宅销售价格指数、国家公布的《70个大中城市新建住宅价格指数》, 并参照北京市的经济社会指标和商品零售物价指数进行修正得到各年价格指数。根据价格指数对价格数据进行变换, 转化为可比数据。折算方法为[17]:。式中, Pa为经指数变换后的价格, Pi为原始价格, Ki为楼盘开盘时间对应的住宅价格指数, K0为基准期住宅价格指数 (取2011年7月价格指数为基准) 。

1.2 研究方法

探索性空间数据分析 (ESDA) :探索性空间数据分析 (Exploratory Spatial Data Analysis, ESDA) 是一系列空间数据分析方法和技术的集合, 核心在于度量事物或现象之间空间关联程度。ESDA空间关联分析分为全局和局部两种。全局空间自相关分析用来分析在整个研究范围内指定的属性是否具有自相关性, 全局Moran指数 (Global Moran′s I) 反映的是空间邻接或空间邻近的区域单元属性值的相似程度。如果是位置 (区域) 的观测值, 则该变量的全局Moran指数I用下式计算:。Moran指数I可指出区域属性值的分布是否是聚集, 离散或随机分布模式。取值一般在[-1, 1]之间, 小于0表示负相关, 等于0表示不相关, 大于0表示正相关。局部空间自相关分析方法包括LISA和Moran散点图。LISA中包括局部Moran I指数 (Local Moran′s I) 。局部莫兰指数高值表明有相似变量值的面积单元在空间集聚 (高值或低值) , 低值表明不相似变量值的面积单元在空间集聚。其定义为:。Moran散点图的四个象限分别对应区域单元与其邻居之间四种类型的局部空间联系形式:第一象限 (高—高) 区域自身和周边地区的福利水平均比较高, 两者的空间差异程度较小, 存在较强的空间正相关, 即为热点区。第二象限 (低—高) 区域自身福利水平比较低, 周边地区比较高, 两者的空间差异程度比较大, 具有较强的空间负相关, 即异质性突出。第三象限 (低—低) 区域自身和周边地区的福利水平均比较低, 两者的空间差异程度比较小, 存在较强的空间正相关, 即为盲点区。第四象限 (高—低) 区域自身福利水平比较高, 周边地区较低, 两者的空间差异程度较大, 较强的空间负相关, 即异质性较突出。我们将Moran散点图与LISA显著性水平相结合, 可得到“Moran显著性水平图”, 图中显示出显著的LISA区域, 并分别标识出对应于Moran散点图中不同象限的相应区域。

地统计学方法:地统计学是以区域化变量、随机函数、内蕴假设和平稳性假设等概念为基础, 以变异 (或半方差) 函数为核心, 以克里金 (Kriging) 插值法为手段研究自然、人文和社会现象的空间变异的科学。己有研究表明, 城市住宅价格空间自相关显著, 同时存在局部空间异质性, 传统的数理统计分析方法不能满足分析空间异质性的需要, 而地统计分析方法可有效解决其问题。其应用主要体现在定量区域化变量的空间相关性、对调查数据进行空间插值和分析空间数据的时空规律性。相对来说, 对空间插值应用较多, Kriging方法被国外的学者广泛运用于住宅市场的研究中;而QQ Plot分布图是将现有数据分布与标准正态分布进行对比, 分析和评价现有数据。趋势分析可利用样点数据生成以数据某一属性值为高度的三维透视图, 帮助用户从不同视角分析采样数据集的全局趋势。

2 住宅价格时间分布特征

在1743个楼盘样本中, 1995—2000年、2001—2006年和2007—2011年分别为144个、856个和743个, 2001年后的楼盘样本占总数的91.74% (图1) 。图2是按年月统计的住宅价格折线图, 反映出其总体变化趋势。虽然从1995—2011年价格逐月都有所波动, 但总体价格呈上升趋势。波动幅度在2007年前较小, 2007年后明显增大, 这与全局性质的税收、财政政策和宏观经济形势密切相关。

北京住宅价格变化是极其复杂的, 是各种因素综合作用的结果。根据北京市住宅楼盘价格走势 (图2) , 大致可将其划分为以下几个阶段: (1) 1995—2000年波动下降期。1994—1998年, 北京市住房改革进入到全面推进阶段, 从1999年开始北京市住宅发展进入市场化阶段, 福利分房制度逐步退出历史舞台。随着住宅市场的改革, 价格出现了波动性下降。 (2) 2000—2004年平稳慢升期。北京住宅价格在进入21世纪后, 走过了一段平稳发展期, 政府扶持、政策优待、市场健康有序的大环境下, 价格不但没有上涨, 反而连续有小幅下降。 (3) 2004—2007年快速上升期。北京真正确立了国际一线大都市的地位, 备受青睐, 奥运会带来的新一轮移居热潮成为北京别于其他地区的显著楼市景观。由于政府经验不足、调控不力, 开发商伺机炒作, 囤积房源, 抬高房价。随着北京城市化的快速发展, 人口数量开始猛增。城市人口急剧增多, 导致大规模的城市改造和居民拆迁, 住房市场被动需求增加, 新建住宅成本日益提升, 成为价格上涨的一大推手。 (4) 2007—2008年短暂下滑期。由于政府限制外资涌入炒高房价、“奥运热”的退潮和保障性住房的大力开发等原因, 住宅价格出现短暂下滑。 (5) 2009—2010年失控飙升期。2009年, 金融危机的阴霾还远未散去, 全国体制进行宏观调控, 扩大内需, 而开发商捂盘抬价, 造成一房难求。 (6) 2010至今调控博弈期。逐步形成符合首都实际的保障性住房体系和商品住房体系。加快实施保障性安居工程, 同时大力发展公共租赁住房。加上2010年4月30日限购令的出台, 房地产调控政策得到进一步落实。

3 住宅价格空间分异分析

本文将采集的1743个住宅楼盘项目信息, 在Arc GIS中构建点图层, 价格属性为楼盘销售均价, 将楼盘价格修正后的数据做自然对数变换。变换后数据统计量分别为:均值9.167、中值9、标准差0.76476、偏度0.45884、峰度2.7784, 数据更加集中在平均值附近, 所有楼盘样本价格平均值接近中值, QQ Plot图中所有点分布基本接近直线, 说明数据近似服从正态分布 (图3、图4) 。

3.1 空间自相关分析

全局空间自相关分析:首先, 利用Geo Da95i软件对北京市住宅价格进行空间相关分析, 获取Moran散点图 (图5) , 其中横轴代表住宅样本价格的所有观测值, 纵轴代表该样本点周围邻近样本点观测值的加权平均值。全局Moran指数I为0.3337, 说明住宅价格在空间上的平均差异程度。

从住宅价格的空间相关性散点图看, 大多数点位于第一和第三象限, 在空间上呈现集聚, 并有一定的差异, 表明北京住宅价格水平呈正相关。高价格被高价格区包围, 低价格被低价格区包围, 空间差异不大;而少量点位于第二、四象限, 且离原点较近, 价格呈现在空间上的小幅度起伏变化。以北京市六环内各街道 (图6) 为研究单元, 将各个街道内楼盘价格求平均值分别作为每个街道的楼盘总均价, 应用软件GeoDa创建面的一阶Queen权重矩阵, 利用ARCGIS9.3中Spatial Autocorrelation全局Moran指数工具箱, 对其进行分析和处理, 结果见图7 (见封三) 。

全局空间自相关Moran′s I的正态统计量Z值为12.96, 大于正态分布函数在0.01水平下的临界值2.58, 全局Moran′s I指数为0.27。这表明北京市住宅价格空间分布具有明显的聚集性, 呈正自相关性。因此, 从整体上看, 各个街道间住宅价格存在一定的空间相关性, 即在空间上存在比较明显的集聚现象。为了检验Moran′s I是否显著, 在Geo Da中采用蒙特卡罗模拟的方法来检验, 各年的p-value值小于等于0.001, 说明在≥99.9%置信度下空间自相关显著。

局部Moran散点图和LISA分析:运用局部Moran′s I散点图和LISA来辨识各街道单元住宅价格的局部空间分布特征, 图8 (见封三) 显示了北京六环内各街道单元的局部Moran′s I散点图。结合表1可见, 有22.15%的街道单元属于局部空间正相关类型, 其中高—高和低—低类型的街道分别占12.03%和10.13%;仅仅有3.16%的街道属于局部空间负相关类型, 其中高—低和低—高类型的非典型街道分别占1.90%和1.27%。可见, 整个考察期内, 有较多的街道表现为更强的局部空间正相关。

Moran散点图中各小区的局部相关类型及聚集区是否在统计意义上显著, 需要结合LISA, 再通过Moran显著性地图加以反映。图8显示, 在统计意义上显著 (1%的拟显著性水平) 的街道单元中, 高—高类型主要集中在城市中心, 形成了以建国门、朝阳门、东直门、三里屯等街道为中心的价格增长集聚区, 其价格增长速度高于全市平均水平;低—低类型分布较广, 主要集中在城市外围的西部、南部和西北部, 表现为多个显著的低增长聚集区;低—高类型的地区仅有2个;高—低类型只有3个小区。可见, 显著的非典型街道较少, 且没有形成较明显的非典型聚集区, 规模都相对较小。

从LISA显著性图9 (见封三) 可见, 在0.1%的显著性水平上, CBD和天安门附近及城市外围的西南、西北方向住宅价格变化较为显著。在5%的显著性水平上, 城市外围的西南、西北方向及东南方向变化较为显著。

3.2 住宅价格总体空间变化趋势分析

运用Arc GIS地统计模块的空间趋势分析工具 (Trend Analysis) 得到北京市住宅价格空间分布的趋势 (图10, 见封三) 。观察所有住宅价格的趋势投影曲线, 发现在南北和东西方向上都呈现出倒“U”型曲线趋势, 趋势投影曲线变化幅度不大, 表明价格在城市中心最高, 随着离市中心距离的增加, 价格呈现缓慢下降的趋势。从图10 (红色点为小区数据输入点, 蓝色点为在YZ平面上的投影, 绿色点为在ZX平面上的投影, 黑色点为在XY平面上的投影) 可见, 投影到东西方向上的趋势线 (绿色) 和南北方向上趋势线 (蓝色) 有从东往西和从南往北呈阶梯状过渡的趋势。

3.3 住宅价格空间分布特征分析

克里金插值不但考虑距离, 而且通过变异函数和结构分析, 考虑已知样本点空间分布及与未知样点的空间方位关系, 比其他方法更精确。所以本文选择克里金插值法对样本点内插, 得到价格空间分布图, 在此基础上揭示北京住宅价格的空间分布特征。空间插值拟合模型相关指标见表2。拟合模型标准平均值接近0, 标准均方根预测误差接近1, 且平均标准差接近均方根预测误差, 表明模型拟合结果是较理想的。北京市住宅价格空间格局见图11 (见封三) 。

图11表明, 北京市住宅价格存在明显的空间差异, 价格梯度受城市单中心格局影响, 从市中心到近郊区价格递减, 但已经不是规则的同心圆状分布, 多中心趋势渐显。住宅价格分布存在明显区域性, 中央商务区 (CBD) 次中心和原城市中心一起形成了一个新的更大的城市中心高价区。市中心附近市政配套设施齐全、交通便利, 因此价格明显高于其他地段。西北方向区形成了一个岛状高价区, 可能主要受环境条件、绿地等因素的影响所致。西北方向地区土地开发利用潜力较大, 是未来房地产开发资金流向的主要目标。从图11可见, 北京市住房价格在方向上衰减幅度不一致, 正南、西南方向衰减速度很快, 东北、西北、东南方向较慢, 大型轨道交通和高速公共交通的不均衡分布加剧了城市住宅价格的空间分异性。北京北城轨道交通较为密集的区域, 价格梯度衰减幅度明显变缓;而南城则由于轨道交通等快速交通体系密度较低及没有城市次中心存在, 致使价格梯度迅速递减。

北京的城市发展新区如顺义、通州、亦庄等, 对住房有一定的聚集效应, 但尚未形成明显的高价区。随着新城建设的日益完善, 北京多中心化的趋势将日益明显。本文将克里金插值图与矢量化的北京市交通网图、行政区划图叠加可见, 与中低价位住宅价格相比, 高价位住宅空间呈离散分布, 形成了多个相对高价位中心, 主要分布在市中心地区、北京站地区、大望路附近、国贸附近、东直门附近和奥林匹克中心地区等。从行政区域看, 高价区出现在西城、东城、朝阳区和海淀区, 低价区广泛分布在城市外围各区县附近地区。

4 结语

时空分异 篇3

“四化”相关研究概述

“四化”既是一个整体概念, 也是一个互动的系统。党的“十八大”以前, 对“四化”的研究并不多见, 且大部分集中于对各个子系统或“两化”、“三化”间的研究。下面将国内学者对“四化”的相关研究做一概述。

蒋永志提出, 要发展工业化水平偏低地区的重工业, 应注意把握产业转型升级的路径选择, 如可增强企业创新能力、发展可持续发展的工业企业、市场对资源的有效配置等。[1]姜爱林认为, 工业化与信息化两者是相辅相成、互相作用和促进的。工业化是信息化发展的前提和基础, 信息化正是工业化发展的衍生物。[2]徐维祥等从产业集群的角度, 提出了城镇化的要素空间集聚, 为工业化提供了基础条件, 同时, 也更利于产业结构的升级创造, 并从新的角度, 构建了产业集群与城镇化互动的发展模式。[3]徐大伟等以农业发展为基点, 研究了工业化、城镇化与其的互动关系, 指出工业化是助力、城镇化是外在体现, 而农业现代化是终极目标, 三者需要统筹发展。[4]夏春萍等通过构建VAR模型, 利用协整分析等方法, 对工业化、城镇化、农业现代化进行了实证研究。结果表明, 三者发展具有长期均衡关系, 并互相作用。[5]张兰婷等也基于VAR模型, 对“四化”整体作了实证研究。[6]蓝庆新等则对“四化”的关联机制进行研究, 分别论述了各个子系统在“四化”互动中的作用, 并认为工业化是根本动力, 城镇化是带动力量, 信息化是重要引擎, 农业现代化则是基础和保障。[7]

目前, 大量研究都是建立在工业化、城镇化、农业现代化的基础上的, 而研究“四化”整体的较少。以浙江省11个地级市为研究对象, 对其2004—2013年“四化”协调发展情况, 进行了时空分异研究, 探索其“四化”协调发展在空间上的相关性, 并根据浙江省的特点, 提出了促进“四化”协调发展的对策建议。

评价指标体系的构建及评价方法

1. 评价指标体系的构建

“四化”系统内容丰富、结构复杂, 构建时需要考虑相互之间的关系、层次, 对指标的结构进行一个划分。在遵循客观性、系统性、重点性、可比性、可行性原则的基础上 (如表1所示) , 纵向上以“四化”协调发展水平为目标层, 逐步细分到各个子系统准则层, 每个准则层分别建立自己的次准则层, 层层构建, 一直细化到具体指标;横向上, 从总量、速度、质量三个方面对指标的范围进行控制和约束 (后面会加以说明) , 以保障指标的综合性。

对横向约束来说, 属于总量指标的有:I11、I12、N21、N31、U11、U21、A11、A21;属于速度指标的有I21、I22、N22、N23、U12、U13、A12、A22、A23;属于质量指标的有:I31、I41、I42、N11、N12、N32、U14、U31、U32、A31、A32。

2.评价方法

(1) 采用熵权法, 确定“四化”子系统发展水平。首先采用极差值法, 对各指标数据进行去量纲标准化:

其中, Rij为第i个评价对象的第j个指标, R为一个m×n的一个矩阵形式, 而Rij则为标准化以后的指标含义。其中, rij的范围是[0, 1], 并且用如下方法确定第j个指标的熵:

采用线性综合评价模型, 来计算各个子系统发展水平:X=∑nj=1rijwj (4)

分别用X1、XN、XU、XA代表工业化、信息化、城镇化、农业现代化。因此, “四化”综合发展指数为:

(2) 构建离差系数最小化协调度模型。构建原理是, 系统间的离差系数越小, 则系统越协调。引入离差系数:

当Cv离差系数达到最小时, 系统越协调, 同时Cv' (离差系数的一阶导数) 达到最大。假设n=2, 即只有两个系统时一阶导数Cv'的情况, 经推算得出, 当n=2时:

把Cv'作为协调度模型的雏形, 构造“四化”协调度模型, 即

其中, K为调节系数, 并且K≥2。通过验证发现, 当XI=XN=XU=XA时, 协调度C达到最大。

(3) 在以上“四化”综合发展指数和离差最小协调度模型的基础上, 取两者几何平均值, 得到协调发展度D, 用于衡量“四化”协调发展水平的高低, 即

D的取值范围在[0, 1]之间, 当D=0时, 说明系统间极度不协调;当D=1时, 说明系统间达到最佳协调发展状态。

浙江省“四化”协调发展的时空分异情况

本文数据主要来自《浙江省统计年鉴》、《中国区域经济统计年鉴》、《中国城市统计年鉴》、《中国农村统计年鉴》、《中国高新技术产业统计年鉴》和各地级市的统计年鉴等。对一些缺失的数据, 采用R软件进行插值法补充。

根据前文构建的模型及评价方法, 对浙江省2004—2013年的数据进行测算, 依次可得出各个子系统发展水平、“四化”综合发展水平、“四化”协调度、“四化”协调发展度。

1. 浙江省各个子系统发展水平分析

浙东北地区, 是指杭州、宁波、嘉兴、湖州、绍兴、舟山6个地级市;而浙西南地区, 则是温州、金华、衢州、台州、丽水5个地级市。图1、图2所展示的就是浙东北和浙西南地区2004—2013年各个子系统发展水平情况。

从图1、图2中可以看出, 2004—2013年, 浙江省的“四化”发展有以下几个特点:一是在两个地区“四化”子系统发展水平中, 都是工业化居高、城镇化其次、信息化和农业现代化较低。其中, 浙东北地区的农业现代化稍高于信息化, 而浙西南地区从2008年以后, 信息化高于农业现代化。二是浙东北地区的“四化”子系统发展水平均高于浙西南地区。三是从增长速度上说, 浙西南地区的工业化发展速度较高, 并且从2008年开始, 其信息化的发展速度也超过浙东北地区, 两者城镇化与农业现代化的发展速度相近。四是从子系统发展协调性角度看, 浙东北地区的“四化”子系统发展差异较小, 而且有逐年减小的趋势, 而浙西南地区的“四化”子系统发展差异仍然较明显, 虽然有减小的趋势, 但是日后提高信息化和农业现代化的发展水平依然是重点。

2. 浙江省“四化”综合发展水平和协调度分析

通过对子系统发展水平的测度, 可进一步得出“四化”综合发展水平和协调度 (具体图形在这里就不予展示) 。通过分析结果可发现, 浙东北地区不论是“四化”综合发展水平, 还是协调度均高于全省平均水平, 而浙西南地区则在全省平均水平之下。

3. 浙江省“四化”协调发展情况分析

从图3中可看出, 2004—2013年, 不论是全省还是两大区域, 其“四化”协调发展度都处于上升趋势。

(1) 从全省的数据看, 2004—2013年总增长率为40.34%, 年均增长率为3.84%。其中, 2004—2007年比2007—2013年的发展速度快, 年均增长率为4.95%, 而2007—2013年的年均增长率为3.28%。说明整体虽然是上升趋势, 但是增长速度在减慢。

(2) 从浙东北和浙西南两大区域看, 浙东北地区的“四化”协调发展度高于浙西南, 主要是浙东北地区的综合发展水平和协调度均高于浙西南地区。但是, 对比两地区的增长率发现, 浙西南地区2004—2013年总增长率为48.74%, 高于浙东北地区的32.96%, 并且在2004—2007年发展速度较快, 年均增长率达到6.11%, 而2007—2013年增长率降低为3.72%。正因为浙西南地区增长速度高于浙东北地区, 所以, 两大地区间的差异有逐步缩小趋势, 两者的差异在2004年达到最大, 相差0.35倍, 而到2013年, 两者差距仅为0.2倍, 差异减小了42.86%。总的来说, 浙江省“四化”协调发展水平的增长速度在逐年减慢, 并且浙东北地区的发展水平高于浙西南地区, 但是两者差距有逐渐缩小的趋势。

4. 浙江省“四化”协调发展水平体现在地级市上的差异

为了更好地观察“四化”协调发展水平体现在地级市上的差异, 笔者利用Arcgis软件, 取2004年、2007年、2010年、2013年的面板数据, 得出每年“四化”协调水平的空间分异图 (见图4) 。

(1) 整体上浙东北与浙西南地区有较为明显的差异。对浙东北地区来说, “四化”协调发展水平较强的是杭州和宁波两个地区, 其次是嘉兴和湖州两个地区, 而舟山和绍兴的排名靠后。杭州、湖州、嘉兴三个地区彼此相邻, 有强强集聚的特征。相比之下, 浙西南地区的“四化”协调发展水平偏低。其中, 金华和衢州由于邻近杭州, 因而发展水平在浙西南地区属于领先位置, 最弱的两个地区为温州和丽水, 而台州则处于中等水平。

(2) 从增长率角度看, 浙西南地区的增长速度高于浙东北地区。因此, 差异有逐年缩小的趋势。根据自然分级法划分的五个等级, 观察其值域范围, 发现每一年都有所提高。对最高等级来说, 2004年, 其值域范围是 (0.6035, 0.6588) , 而到2013年提高至 (0.7436, 0.7927) , 整体提高幅度为20%以上。而对最低等级来说, 2004年, 其值域范围是 (0.3594, 0.3894) , 2013年提升至 (0.5353, 0.5536) , 整体提升幅度为45%左右, 远远超过最高等级的涨幅。这一点反映在个体上更为明显。例如, 丽水市10年来“四化”协调发展水平整体增幅为54%, 年增长率达5%左右。而杭州市2004—2013年的整体增长幅度为19.46%, 年均增长率为2%左右。

浙江省“四化”协调发展水平的空间自相关研究

通过Arcgis的空间分析, 分别把2004年、2007年、2010年、2013年, 浙江省各地市“四化”协调发展水平的数据加载进去, 可得出每一年的Moran’s I值、P值。在此基础上求得Z值, 如表2所示。

零假设是浙江省各地市“四化”协调发展水平的高低分布是随机的, 不具有相关性。通过表2可看出, P值均小于0.05, Z值均大于1.96。说明“四化”协调发展水平的高低分布, 不是一个随机的过程, 它在95%的置信度上是可以拒绝零假设的。也就是说, 浙江省“四化”协调发展水平的高低分布是具有相关性的。Moran’s I均大于0, 说明整体呈现正相关的关系, 并且随着年份的增长, Moran’s I和Z值都在增加, 而P值在减小。说明空间的相关性在逐年增强, 置信度也在不断增加, 随机性越来越小。

通过局部自相关分析中的Moran散点图, 研究具体区域内的空间异质性, 如图5所示。

为了对图5中的散点进行说明, 通过表格形式, 说明每个地级市所处的位置 (如表3所示) 。

从地区的角度来看, 浙东北地区的杭州、宁波、嘉兴、湖州、舟山都属于自身水平较高的地区。相比之下, 绍兴的水平就偏低。而在浙西南地区, 金华、衢州两个地区, 相比温州、台州、丽水来说还是稍高的。这也就可以解释为什么浙东北地区大部分集中在第一象限, 而浙西南地区大部分位于二、三象限。

总的来说, 10年间, 浙江省各地市“四化”协调发展水平的演变路径, 验证了空间相关性的结论。特别是2004年与2013年的散点图对比, 有明显集中的趋势, 大部分集中在一条横跨一、三象限的斜线附近, 这条斜线就代表空间正相关性较强的区域。

促进浙江省“四化”协调发展的建议

1.大力发展信息化, 提高“四化”协调发展水平

发展信息化, 就是要把信息化融入到其他“三化”的发展过程中。

(1) 信息化与工业化的深度融合, 为工业化提供了技术支持, 提高了生产效率, 促进了产业的结构调整, 使得产业的发展趋于合理化。

(2) 信息化与城镇化协调发展, 就是要加快建设智慧城市, 把信息技术应用到居民生活的方方面面。关键就是完善基础设施, 提高公共服务质量, 同时, 还要加快建设城市大数据库。

(3) 信息化与农业现代化协调发展是农业发展的关键所在。用农业机械逐步替代传统农耕的生产方式, 通过先进的农业管理方法, 实现信息资源共享。发展农业现代化, 除了要与信息化融合以外, 还应完善当前的农村保护制度, 例如, 对农村耕地和人口的保护制度等。同时, 完善农产品市场体系, 也是加快实现农业现代化过程中一个重要的保障。

2.发挥空间相关性优势, 缩小地区间的“四化”发展差异

(1) 加强浙东北、浙西南两大地区间的合作与交流, 加强贸易往来, 形成长期稳固的贸易关系。达到一定程度以后, 可学习“上海自贸区”的形式。例如, 国务院批复的《浙江舟山群岛新区发展规划》中就指出, 在条件成熟时探索建立舟山自由贸易园区, 为“舟山自贸区”的构建埋下伏笔。

(2) 发展城市化路线。例如, 典型的“杭甬温”三地区的城市带建设, 并辐射到周边地区, 把浙东北和浙西南两地区的联系不断加强和扩大。

(3) 加大对相对落后地区的投资, 包括对基础设施、人力资源、创新企业的投资等。

(4) 浙江省块状经济发达, 关键是要加快块状经济向产业集群的高级形态发展, 形成具有一定经济组织形式的空间经济发展模式, 在一片区域内形成产业链。这样, 不仅可减小生产成本, 同时也可增强产业的竞争力, 对市场资源配置起到合理的调控作用。

摘要：首先构建“四化”评价指标体系, 运用熵权法和最小离差协调度模型, 测算了浙江省各地市2004—2013年“四化”子系统发展水平和协调度;然后, 从全省、浙东北、浙西南、地级市四个角度, 对该省“四化”协调发展情况作了时空分析;最后, 根据实证结果并结合浙江省的特点, 提出了推进“四化”协调发展的建议。

关键词：浙江省,“四化”,协调发展,评价指标体系,时空分异,建议

参考文献

[1]蒋永志.工业优先行地区产业升级路径研究[J].中国工业经济, 2005 (5) :74-80.

[2]姜爱林.论工业化与信息化的关系[J].上海经济研究, 2002 (7) :36-41.

[3]徐维祥, 唐根年, 陈秀君.产业集群与工业化、城镇化互动发展模式研究[J].经济地理, 2005 (6) :868-872.

[4]徐大伟, 段姗姗, 刘春燕“.三化”同步发展的内在机制与互动关系研究——基于协同学和机制设计理论[J].农业经济问题, 2012 (2) :8-13.

[5]夏春萍, 刘文清.农业现代化与城镇化、工业化协调发展关系的实证研究——基于VAR模型的计量分析[J].农业技术经济, 2012 (5) :79-85.

[6]张兰婷, 洪功翔.信息化推动工业化城镇化农业现代化发展实证研究[J].安徽工业大学学报 (社会科学版) , 2013 (3) :3-6.

时空分异 篇4

科技资源是科技创新的必要条件, 在科技创新过程中起着基础性作用。科技资源的开发效率对区域经济增长直接产生显著影响[1]。将柯布—道格拉斯生产函数引入技术这一因素到内生经济增长模型中的技术变量内生化, 说明技术的重要性。科技资源要高效地转化为技术生产力, 促进区域经济增长, 就对科技资源的配置效率提出了更高要求。

位于我国沿海经济走廊的长三角区域堪称世界第六大城市群, 是我国当前经济水平最高、经济最具活力、贸易规模最大的战略板块, 成为拉动中国经济增长的重要引擎。但随着经济的进一步发展, 产业结构调整力度的加大, 长三角地区也不可避免地出现了若干问题, 诸如产业发展趋同、人口日渐饱和等。为了实现该区域的可持续发展, 加快产业转型升级, 提升核心竞争力, 长三角各地区都不约而同的加大了科研投入, 但研究成果难以产业化、达不到企业技术要求等问题日益凸显[2]。鉴于此, 本文从可持续发展的角度, 结合长三角各城市的发展特点与科技资源配置内涵, 利用DEA模型科学评价长三角各城市科技资源的配置效率。在此基础上, 参考基尼系数和锡尔指数, 从时间和空间两个维度测度长三角城市群科技资源的配置—投入—产出效率, 希望为缓解长三角的科技资源配置效率差异提供有益借鉴。

2 研究方法与数据处理

2.1 指标体系构建与数据来源

科技资源是科技物力资源、科技人力资源、科技财力资源、科技信息资源、科技组织资源等要素的总称, 是科技活动需要投入的各种要素相互作用的一个系统[3,4]。为了科学测度资源配置效率, 本文采用该科技资源定义并借鉴已有的研究成果, 通过投入、产出两方面测度长三角科技资源配置效率。从投入角度来看, 物力资源 (研究与试验发展、仪器和设备支出) 是实现科学技术进步的物质基础;人力资源 (科研人员数) 是体现科技资源中人的因素, 具有主观能动性;财力资源 (财政科学支出) 是提升科研水平的重要保证。上述三个方面投入决定着科技资源投入的力度, 科学进步、科技生产就是在这种合力的影响下得以实现。所以, 笔者通过物力资源、人力资源和财力资源三个角度衡量长三角区域的科技投入程度。在产出方面, 用通过投入科技资源已取得的成果来表征, 更有现实和实际意义[5]。本文拟从发明专利、学术论文数和高新技术产业比重两个方面来体现。前者表示成果以知识形态呈现, 后者表示成果已转化为实际生产力, 这两方面能较好地反映资源配置的真实情况。

综上所述, 本文在对长三角城市群科技资源配置效率的评价中, 投入指标为:科研人员数 (人/万人) 、财政科学支出 (万元) 、研究与试验发展仪器和设备支出 (万元) ;产出指标为:发明专利数 (件) 、学术论文数 (篇) 与高新技术产业比重 (%) 。上述所需数据主要来源于2001—2011年《中国城市统计年鉴》和长三角各城市公开统计资料。

2.2 DEA模型

衡量长三角区域科技资源配置效率的关键在于得出投入与产出之比, 这就需要综合运用多目标规划以及线性规划等数学方法。本文拟采用DEA模型, 分析长三角各地级以上城市科技资源配置效率[6,7,8]。DEA (Data Envelopment Analysis) 模型能将具有多输入项转换为多输出项的相同类型决策单元, 是用来评价投入与产出相对效率的方法。即有n个模型单元DMUk (k=1, 2, …, n) , 各单元自主决策其输入 (m个输入指标) 、输出 (s个输出指标) 。从而根据线性规划的特点形成输入向量 (Xk= (x1k, x2k, …, xmk) T) 、输出向量 (Yk= (y1k, y2k, …, ysk) T) 。其中, xik、yrk代表模型中k单元各个指标的输入值和输出值, 该指标的权数就是vi和ur;然后按照各项指标权重系数构造判断矩阵Cm、Bs, 并提取最大特征值λm、λs。除了已有的模型单元之外, 本文引入两个虚拟单元, 即最优单元 (记为DMUn+1) 、最劣单元 (记为DMUn+2) 。所谓最优单元就是其输入指标按照实际单元输入指标的最小值进行赋值, 同理输出指标按照实际单元输出指标的最大值进行赋值, 反之亦然。该数据包络模型为:

通过上式得到公共权数ur*、vi*, 按照下式得到各DMU的相对效率值, 该值越大表示科技资源配置运行效率越高。

2.3 基尼系数

意大利经济学家基尼根据洛伦茨曲线 (Lorenz curve) 所界定的收入分配公平程度, 提出了一种可考察国民收入分配差异的衡量指标基尼系数 (Gini Coefficient) 。基尼系数能以一个数值较方便地反映社会分配体系中总体收入的差距状况, 而成为广泛使用的指标[9,10,11]。经过改造, 目前其常用公式为:

式 (3) 即基尼系数公式, 本文借此探讨长三角地区内各省市的科技资源配置效率差异。该区域效率平均值为μ;yi为i省市的资源配置效率;Pi为i省市资源配置效率较之长三角区域整体所占比重。本文也采用国际惯例中关于基尼系数的划分作为标准, 即以基尼系数0.4作为“警戒线”, 0.2以下表示科技资源配置效率“高度平均”;0.2—0.3表示“相对平均”;0.3—0.4为“较合理”;0.4—0.6为“差距偏大”;0.6以上为“高度不平均”。

2.4 科技资源配置效率区位差异分解的锡尔指数

锡尔、亨利根据信息熵理论于1967年最早提出了锡尔指数。该指数可通过组间差异 (TBR) 、组内差异 (TWR) 来反映研究对象的总体差异, 目前该指数已广泛应用于研究经济发展程度以及收入分配均衡等诸多领域。其公式为:

式中, n代表总体城市数;nx为x省的城市数;k为城市分类组数;Ji表示i城市科技资源配置效率与长三角城市群整体进行对比所占份额;Jx代表x省配置效率占比。通过锡尔指数可以直观刻画长三角城市群资源配置效率均衡程度。该指数值如果较高, 反映研究对象之间存在较大差异;反之, 其值越接近0, 越趋向均等[12]。

3 长三角城市群科技资源配置效率分析

本文按照数据包络法 (DEA) 对长三角城市群的科技资源配置效率进行直观评价。需要说明的是, 通过DEA模型得到的配置效率只是反映了长三角各城市资源配置的相对情况, 并不代表实际的效率指数。通过了解这种相对情况可对比描述长三角各城市的资源配置效率, 从而反映各地配置能力的强弱。根据DEA模型对长三角城市群2000—2010年的科技资源配置效率情况进行测度, 结果见表1。

由表1可见, 在研究期内长三角城市群历年科技资源配置效率整体上呈现出“先增大、后在波动中逐渐减小”的趋势, 由研究基期的0.75增加到2002年最大值的0.80, 然后逐步下降, 一直到最低值研究末期的0.62。虽然长三角地区目前存在科技资源投入产出效率逐渐降低的趋势, 但从该地区整体看, 其资源配置效率基本格局并未出现根本性改变, 突出表现为南京、苏州相对于同等科技资源投入的城市, 在科技产出方面一直有较大收益。其中, 南京由于是我国传统的经济、科技、教育、文化重镇, 是长三角地区拥有高校最多的城市, 高校与科研单位林立, 有利于营造浓厚的科研氛围, 有助于树立创新意识、协同意识, 发挥正外部性效应, 从而促进技术进步。同理, 苏州历来秉承外向型经济发展战略, 该市充分发挥其区位优势, 大力进行技术引进, 从而有效提高其科技资源产出效率。所以, 南京与苏州的资源配置能力始终处于长三角地区的前列。此外, 长三角城市群各城市2000—2010年的平均科技资源配置效率处于较高水平 (0.6—0.9之间) 的城市有常州、台州、马鞍山、宁波、无锡、合肥、扬州、舟山、上海、湖州、绍兴以及南通12个城市, 处于科技资源配置效率较低城市水平 (0.6以下) 的城市有盐城、金华、淮安、衢州、泰州、嘉兴6个城市。

从时间角度来看, 研究期内科技资源配置效率呈现出上升趋势的城市有:上海、南通、淮安、湖州, 其中上海作为长三角的龙头城市, 其科技资源的配置效率在长三角排名与其经济实力是不相称的, 这主要是由于上海大量的科技资源投入带来的科技资源产出相对于其他长三角城市相对较弱, 可见科技资源配置效率与经济发展水平并未呈现出十分明显的正相关关系。但在研究期内, 随着上海市不断调整产业结构, 以创新为驱动, 科技资源产出的增长明显高于科技资源投入的增长。而其余三个城市, 相对于长三角的其他城市, 科技基础比较薄弱, 说明这些地区相对更加重视科技资源在区域经济可持续发展中的重要作用, 研究期内他们在注重科技资源投入力度的同时, 更加注重科技资源的产出效应, 因此其科技资源配置效率相应上升较快。

在研究期内, 长三角城市群科技资源配置效率下降的城市有:杭州、绍兴、常州、合肥、盐城、台州、扬州、衢州、宁波、金华以及马鞍山市11个城市, 占整个长三角城市群的1/2, 说明这些地区的科技资源投入增长速度快于科技资源产出的增长速度。正是这些城市科技资源配置效率的下降, 导致整个长三角科技资源配置效率弱化。无锡、镇江、泰州、嘉兴、舟山5个城市的科技资源配置效率在研究期内虽然都有所波动, 但是在研究基期与末期变化不大, 即这些区域的科技资源投入与科技资源产出基本保持同步增长。

4 长三角城市群科技资源配置效率差异分解

为了辨析长三角城市群科技资源配置效率差异的演变趋势, 运用公式 (3) 计算长三角城市群科技资源配置效率的Gini系数 (表2) 。

从表2可见, 研究期内长三角城市群科技资源配置效率的Gini系数一直处在0.15—0.25的取值区间内, 说明长三角城市群的科技资源配置效率相对比较平均, 各个城市之间的科技资源配置效率差别不大。Gini系数在波动中呈现先增大后减小再增大的趋势, 在2003年达到峰值的0.2207之后开始逐年下降, 然后在2006年达到谷值的0.1657之后开始上升, 一直到2010年的最大值0.2247。

为了更深入辨析长三角城市群科技资源配置效率的差异, 按照城市所在的省域划分为22个城市, 对长三角城市群科技资源配置效率进行区域分解并研究其变化趋势。根据式 (4) 计算的省级层面长三角科技资源配置效率的锡尔指数见表3。

注:上海只算其地带间差异, 而不算地带内差异。

从表3可见, 长三角城市群科技资源配置效率差异虽然有所波动, 但是整体上呈先下降后上升的趋势, 锡尔系数由研究基期的0.6569逐步上升到2010年的0.7372。在研究期内, 上海、江苏、浙江、安徽四省市地带间科技资源配置效率差异平均占总体差异的91.29%, 地带间差异占总差异的比重虽然也呈现出先减小后增大的趋势, 但多年变化幅度不大, 说明省域地带间的科技资源配置效率差异对总差异的贡献相对比较稳定, 表明省域间的效率差异一直是长三角科技资源配置效率差异扩大的主导因素。在地带内差异方面, 科技资源配置效率差异最大的是江苏省, 但其比重有减小的趋势。这是由于江苏省所辖城市的科技资源配置效率既有最高效率的南京、苏州, 又有较低效率的泰州、盐城。而浙江省的地带内差异有扩大的趋势, 安徽省由于仅包含合肥与马鞍山这两个城市, 且这两个城市在研究期内的科技资源配置效率较接近, 因此其省内的科技资源配置差异对长三角的科技资源配置差异贡献最多只有0.07%。

通过以上分析可见, 虽然国家非常重视长三角区域的发展, 把长三角区域的发展上升到国家战略层面 (长三角城市群与全国其他城市群相比是我国城市化程度最高、城镇分布最密集、经济发展水平最高的地区) 。但从科技资源配置效率角度看, 长三角城市群内部存在较大的时空差异。影响省域层面科技资源效率时空差异变化的原因很多, 如制度的制定与执行、管理效率、高校科研院所数量、科研条件、人口与劳动力素质、当地地理自然条件等。从产业结构角度来看, 也有一定的历史继承性, 对以前的产业形成路径依赖。这就使不同行政主体在对科技资源的认识、投入以及利用方面各不相同, 直接导致其在科技资源配置能力方面的差异。虽然长三角区域也形成了一定的联动机制, 如定期召开长三角地区产业发展论坛, 但各个地区都致力发展当地经济, 各自为战的情况较多, 协同互动发展较少。产业发展存在一定的趋同性, 具有同质低端竞争的现象。此外, 这些地区经济发展具有共性问题, 如环境污染、粗放型产业增长等都制约了科技资源配置效率的提高。

5 结论与讨论

在研究期内, 长三角城市群科技资源配置效率的总体格局变化不大, 且大多数城市的科技资源配置效率相对处于较高的发展水平阶段, 仅有盐城、金华、淮安、衢州、泰州、嘉兴6个城市的科技资源配置效率较低。长三角城市群科技资源配置效率呈现出下降趋势的城市占整个长三角的1/2, 导致整个长三角科技资源配置效率不断下降。

长三角城市群科技资源配置效率差异呈现先降后升的“U”型分布, 长三角科技资源配置效率差异扩大的主导因素主要在于省域间的科技资源配置效率差异, 影响省域间科技资源配置效率差异的因素主要有科技资源禀赋、科技要素分布、研发人员数量、劳动力素质等多种因素构成。虽然不同省域内的科技资源配置效率差异有所不同, 但对长三角整体科技资源配置效率差异的贡献不大。

摘要：科技资源配置效率是一个地区创新绩效的最直接体现。从投入与产出两个方面构造科技资源配置效率的评价指标体系, 运用DEA模型分析了长三角城市群2000—2010年各城市科技资源配置效率的时空演变, 利用基尼系数、锡尔指数对科技资源配置效率差异进行了分解。结果表明:研究期内长三角区域科技资源配置效率的总体格局变化不大, 但有不断弱化趋势, 配置效率差异呈现先降后升的“U”型分布, 省域间科技资源配置效率差异一直是差异扩大的主导因素。

关键词：科技资源配置效率,长三角,DEA模型,基尼系数,锡尔指数

参考文献

[1]王荣斌, 覃成林.科技资源开发与区域经济增长研究——以河南为例[J].中国人口·资源与环境, 2004, (4) ∶105-108.

[2]张华, 刘波.基于大规模调查的长三角科技合作现状分析与建议[J].科技进步与对策, 2012, (6) ∶45-48.

[3]陈晓丽, 李恒, 范斐.科技资源要素投入对区域经济增长差异的效应分析[J].资源开发与市场, 2013, 29 (1) ∶13-16.

[4]周寄中.科技资源论[M].西安:陕西人民教育出版社, 1999∶12.

[5]范斐, 杜德斌, 盛垒.长三角科技资源配置能力与城市化进程的协调耦合关系研究[J].统计与信息论坛, 2013, (7) ∶69-75.

[6]孙才志, 刘玉玉.基于DEA-ESDA的中国水资源利用相对效率的时空格局分析[J].资源科学, 2009, 31 (10) ∶1696-1703.

[7]Srdjevic B, Medeiros YD, Porto RL.Data EnvelopmentAnalysisof Reservoir System Performance[J].Computers&Operations Research, 2005, (32) ∶3209-3226.

[8]范斐, 杜德斌.区域科技资源配置效率及比较优势分析[J].科学学研究, 2012, 30 (8) ∶1198-1205.

[9]李国平, 王春杨.我国省域创新产出的空间特征和时空演化——基于探索性空间数据分析的实证[J].地理研究, 2012, (1) ∶95-106.

[10]孙才志, 刘玉玉, 陈丽新, 等.基于基尼系数和锡尔指数的中国水足迹强度时空差异变化格局[J].生态学报, 2010, 30 (5) ∶1312-1321.

[11]张音波, 麦志勤, 陈新庚, 等.广东省城市资源环境基尼系数[J].生态学报, 2008, 28 (2) ∶728-734.

时空分异 篇5

本文尝试对全球28个国家或地区的高技术产业创新资源绩效进行分析。在此基础上, 对这28个国家或地区的高技术产业创新资源绩效差异进行了测度, 通过各个国家和地区的绩效对比来观察、判断中国高技术产业创新资源绩效排名的变化, 探索出具有较高高技术产业创新资源绩效的国家与地区的形成机理, 为中国高技术产业的创新资源投入产出绩效的提升提供重要参考。

1 研究方法

1.1 超效率DEA评价模型

DEA模型是由美国著名的运筹学家Charnes A、Cooper W W和Rhodes E于1978年提出的。其中, 包络模型是DEA的经典模型, 也是一种适合同时评价技术有效性和规模有效性的分析方法。该模型以“相对效率”为基础, 评价具有相同类型的多个输入和输出的决策单元 (记为DMU) 是否技术有效和规模有效的统计分析方法[9,10,11]。在传统DEA评价值中, 无效或弱有效的决策单元 (DMU) 在SE-DEA评价值中仍是无效或弱有效的DMU。但对有效率的DMU, 在传统DEA评价值中都显示为1, 不能区分它们的有效程度;而在超效率DEA评价值中可区分它们的有效程度, 并对所评价的决策单元进行有效排序[3]。

设某个DMU在一项生产活动中有m种投入和s种产出, 分别采用输入向量x= (x1, x2, …, xm) T和输出向量Y= (y1, y2, …, ym) T表示。现假设有n个DMUj (1≤j≤n) , DMUj对应的输入输出向量分别为Xj= (x1, x2, …, xm) T和Yj= (y1, y2, …, ym) T, 均大于零, j=1, 2, …, n, 则对第j0个DMU进行评价的超效率模型为:

式中, θ表示DMU的效率值;s-为各投入的松弛向量冗余度;s+为各产出的松弛向量即不足率;λj表示DMUj的权数。该模型的经济意义为: (1) DEA有效性。当θ≥1时, DMU为DEA有效, 其对应的生产活动技术和规模有效;当θ<1时, DMU为DEA无效, 其生产活动既不是技术有效也不是规模有效。 (2) 规模有效性。设决策单元的规模收益指数为k=∑λ, 可依据此式进行判断:若k=1, 则规模收益有效, 此时达到最大产出规模;若k<1, 则规模收益递增, 即再增加投入量, 可使产出有较大效率的提高;若k>1, 则规模收益递减, 即再增加投入量, 产出增加的效率不高。

1.2 区域差异测度锡尔指数

锡尔指数最早是由Theil和Henri在1967年根据信息熵理论提出的, 其作用主要是考察差异性, 已在研究经济发展、收入分配等均衡状况方面得到成功运用, 其特点是能把总体的差异分为组间 (TBR) 和组内 (TWR) 之和。它可有效地反映研究对象的均衡程度, 其值越接近0, 研究对象越接近均等;其值越大, 则研究对象差异越大[10]。其计算公式为:。式中, n为国家数;k为区域分类个数;nx代表第x区域的国家个数;Ji为第i个国家的高技术产业效率得分值占所有区域高技术产业效率得分份额;Jx为第x区域高技术产业效率水平评分值占所有区域的份额。

1.3 决策单元选取及评价指标构建

本文选取23个OCED国家 (澳大利亚、比利时、加拿大、捷克、丹麦、芬兰、法国、德国、爱尔兰、意大利、日本、韩国、墨西哥、荷兰、新西兰、挪威、波兰、西班牙、瑞典、瑞士、土耳其、英国、美国) 和5个非OECD国家或地区 (阿根廷、俄罗斯、新加坡、中国、中国台湾地区) 为DEA模型决策单元 (DMU) , 建立合理的投入产出指标体系, 采用SE-DEA模型有效准确地评价高技术产业的绩效, 一般投入越小, 产出越大, 绩效水平越高。在对高技术产业的范围界定方面, OECD出于对国际比较的需要, 随着时间的变化而有所不同。截止到目前, OECD将制造业产业划分为高技术产业、中高技术产业、中低技术产业和低技术产业四个组。其中, 高技术产业包括5类行业:航天航空器制造业、医药品制造业、计算机及办公设备制造业、电子通信设备制造业、医疗器械及科学仪器制造业。由于本文所考察的主要对象80%以上为OECD国家, 为确保数据的可比性、准确性和可操作性, 因此采用OECD对高技术产业的界定范围, 主要选取医药制造业、航空航天制造业、电子及通信设备制造业、电子计算机及办公设备制造业和医疗器械及专业仪器仪表制造业5类高技术行业。

创新资源是指创新活动所需要的各种投入要素, 有人力资源、财力资源、物力资源、信息资源、组织资源等要素[12]。根据DEA模型对输入、输出指标系统性和科学性的要求, 同时考虑到数据的可行性和可获得性, 构建高技术产业创新资源投入产出绩效指标体系。从投入方面来看, 选取R&D人员全时当量 (人/年) 和企业R&D活动人员全时当量 (人/年) 作为创新人力资源投入;选取与高技术产业产值联系最为密切的R&D经费支出 (100万美元) 和企业R&D经费支出 (100万美元) 作为创新财力资源投入。从产出方面来看, 选取高技术产业出口总额 (100万美元) 、高技术产业附加值 (100万美元) 和发明专利数量 (项) 作为产出。

1.4 数据说明

基于上述所创建的高技术产业投入与产出绩效指标体系, 通过OECD数据库和《美国科学工程指标分类年鉴》, 选取28个国家或地区1995—2011年7类指标数据作为样本数据, 将样本数据分为1995—2000年、2001—2006年、2007—2011年分别对这个三个时段数据进行平均化处理, 使数据的误差进一步缩小。

2 结果分析

2.1 超效率DEA模型结果分析

根据DEA建模要求, 将28个国家或地区作为评价决策单元, 把这些国家 (地区) 三个时间段的7类指标数据代人DEA超效率模型中, 运用Max DEA 5.2分析软件对模型进行计算, 具体的内部算法采用非径向算法, 得到数据处理结果见表2。表2中的高技术产业创新资源绩效得分表示这28个国家或地区当前高技术产业的创新资源投入产出绩效水平, 即以较低的创新资源投入获得了最大的效益产出。

表1把28个国家或地区高技术产业创新资源绩效得分总体变化趋势分为三类:一类是得分上升的国家或地区, 分别是瑞士、爱尔兰、中国台湾、德国、韩国、中国、比利时、意大利、加拿大、丹麦、捷克、波兰、西班牙、新西兰、挪威、阿根廷、俄罗斯, 说明这些国家或地区高技术产业创新资源投入产出水平有所上升;二类是得分下降的国家, 分别是美国、日本、法国、英国、荷兰、芬兰, 表明这6个国家的高技术产业创新资源的绩效水平有所下降;三类是得分上下波动的国家, 分别是新加坡、瑞典、墨西哥、澳大利亚、土耳其, 这类国家高技术产业创新资源绩效在不同时段呈现波动变化趋势。从高技术产业创新资源绩效得分排名前5位国家变化可见, 在1995—2000年 (第一时段) 时段中, 分别是新加坡、瑞士、日本、美国、爱尔兰;在2001—2006年 (第二时段) 和2007—2011年 (第三时段) 时段中, 瑞士取代了日本, 挤进了前5位, 日本从第一时段的第4名下降到第三时段的第8名。虽然, 这5个国家在三个时段高技术产业绩效得分排名都靠前, 但各个国家得分的差距较明显。其中, 新加坡和瑞典连续三个时段的得分都大于1, 新加坡最高得分达到1.865;美国和爱尔兰的得分都小于1;瑞士得分在28个国家或地区中增长最快, 从第一时段的0.586上升到第三时段的1.068, 排名也从第一时段的第10名上升到第三阶段的第2名。

根据SE-DEA模型对绩效得分θ的判定, 可把新加坡、瑞典、瑞士划分为一类, 因为它们得分在第三时段都大于1, 即DEA有效, 表示这三个国家的高技术产业活动既达到技术有效也达到规模有效;而其余25个国家或地区在第三时段的高技术产业效率值θ都小于1, 即DEA无效, 表示这些国家或地区的高技术产业活动既不是技术有效也不是规模有效。

从表1中高技术产业创新资源投入产出规模效益指数∑λ值三个时段的变化情况来看, 第一时段美国、日本、德国、英国、新加坡、法国、中国、韩国、意大利、中国台湾、加拿大的∑λ值都大于1。其中, 最为突出是美国和日本, 分别达到5.235和4.269。从上述∑λ值判定标准可得到上述国家和地区的高技术产业创新资源投入产出活动出现了规模不经济, 说明这些国家或地区高技术产业创新资源投入产出已超出最大规模, 出现了规模递减趋势。相反, 墨西哥、瑞典、西班牙、荷兰、芬兰、俄罗斯、爱尔兰等国家在第一时段高技术产业活动中均呈现规模收益递增趋势。

在第二时段, 除了新加坡和阿根廷之外, 其余26个国家或地区的高技术产业创新资源投入产出规模效益指数∑λ值相比第一时段都呈现上升趋势, 其中上升最明显的是中国和韩国, 分别上升了3.99和2.06。其中, ∑λ值大于1的国家数量相比第一时段增加了3个, 分别是墨西哥、瑞士、瑞典, 表明这三个国家在这一时段高技术产业创新资源投入产出规模效益由递增状态上升到规模效益最大, 然后开始逐年下降。若∑λ值大于1的国家或地区, 其∑λ值继续上升, 表明这些国家或地区的高技术产业创新资源投入产出活动规模收益的递减趋势更明显。相反, 若∑λ值小于1的国家或地区, 其∑λ值继续上升且不超过1, 表明这些国家或地区的高技术产业创新资源投入产出活动规模收益越来越趋向最大化。

在第三时段, 中国、美国、日本、德国、韩国、中国台湾、英国、法国、意大利、新加坡、瑞士、加拿大、墨西哥、瑞典这些国家或地区的∑λ值仍大于1, 表明这些国家或地区的高技术产业创新资源投入产出活动仍处于规模收益递减状态。同时, 与第二时段相比, 美国、德国、韩国、新加坡、瑞士的∑λ值仍继续上升, 而中国、日本、英国、法国、意大利等国的规模收益指数∑λ出现了下降趋势。

2.2 高技术产业绩效区域差异测度结果分析

为了更深入地了解上述28个决策单元所属区域间的高技术产业R&D绩效水平的差异, 对上述28个国家或地区采用锡尔指数 (Theil Index) 来研究区域之间绩效差异变动趋势, 将爱尔兰、比利时、波兰、丹麦、德国、俄罗斯、法国、芬兰、荷兰、捷克、挪威、瑞典、瑞士、土耳其、西班牙、意大利、英国这17个国家划分为欧洲区域;由于大洋洲区域国家较少, 因此把澳大利亚、韩国、日本、新加坡、新西兰、中国、中国台湾合并划分为亚洲—大洋洲区域, 把加拿大、美国、墨西哥、阿根廷列为美洲区域。在高技术产业R&D绩效得分的基础上, 通过区域差异测度锡尔指数进行计算, 其结果见表2。

从表2可见, 区域差异测度锡尔指数是由区域内部差异系数 (TWR) 和区域之间的差异系数 (TBR) 构成。总体上, 本文所考察的欧洲、美洲、亚洲—大洋洲三大区域1995—2011年高技术产业创新资源绩效水平总体差异 (锡尔指数) 是逐步缩小的, 从第一时段的0.46下降到第三时段的0.33;第三时段与第二时段相比, 锡尔指数变化较小, 说明三大区域的总体差异越来越趋于平稳。同时, 从三大区域间 (TBR) 系数可见, 高技术产业创新资源绩效区域之间的差异在总体锡尔指数中的比例在不断上升, 从第一时段的3.35%上降到第三时段的7.48%, 说明三大区域间高技术产业创新资源绩效差异在逐步扩大。从各个区域对锡尔指数的贡献值来看, 欧洲区域占比最大, 其次是亚洲—大洋洲区域, 说明这两个区域的高技术产业创新资源的绩效差异是引起锡尔指数变化的最主要原因。

在各区域高技术产业创新资源绩效内部差异方面, 主要表现为:欧洲区域内部的高技术产业创新资源绩效差异表现递增趋势, 但也存在波动状况。其TWR指数在区域差异锡尔指数中的贡献占比从第一时段的51.56%上升到第二时段的58.52%, 上升幅度明显, 但到第三时段又下降到54.49%, 主要原因是欧洲区域内部的荷兰和瑞士的高技术产业R&D绩效出现了大幅上升。在第一时段, 荷兰和瑞士的高技术产业创新资源绩效得分分别从0.469、0.586上升到第二时段的0.74、0.966, 从而使区域内部整体差异扩大。在第三时段, 主要是由于荷兰和瑞士高技术产业创新资源绩效得分下降, 导致欧洲区域内部差异缩小。美洲区域内部高技术产业创新资源绩效差异处于逐年下降趋势, 但下降幅度趋于平稳, 下降值仅为0.015。然而, 其TWR指数占总体锡尔指数的贡献比例从第一时段的11.44%上升到第三时段的15.45%。亚洲—大洋洲区域内部差异TWR指数表现为下降趋势, 从第一时段的0.155下降到第三时段的0.074, 其占比也从最初的33.65%下降到22.57%。主要原因在于, 新加坡高技术产业创新资源绩效得分从第一时段的1.865下降到第三时段1.215, 日本从0.936下降到0.82。中国的高技术产业创新资源绩效得分有明显增长, 从最初的0.119上升到0.722, 增长值达到0.60, 从而使亚洲—大洋洲区域高技术产业绩效整体差异进一步缩小。

3 结论及启示

高技术产业发展状况体现着一国科技创新的综合实力和国际竞争力, 而创新资源尤其是R&D资源投入在产业科技创新活动中起着关键作用, 是整个高技术产业科技活动的核心构成[13]。本文首先应用超效率DEA超效率模型对1995—2011年全球28个国家或地区高技术产业创新资源相对绩效进行了分析;其次, 在计算出高技术产业创新资源绩效得分情况下, 运用区域差异测度锡尔指数分析三大区域之间和区域内部高技术产业创新资源绩效差异。

其结论可归纳为: (1) 从高技术产业创新资源绩效得分可见, 28个国家或地区的高技术产业R&D绩效得分呈现两极分化趋势, 其中16个国家或地区的绩效得分小于0.6, 仅新加坡、瑞士的绩效得分大于1, 说明大部分国家或地区高技术产业创新资源利用效率较低, 投入要素的组合不佳, 存在投入冗余和产出不足问题。 (2) 从高技术产业的规模效益指数∑λ得分可见, 所考察的28个国家或地区中, 14个国家或地区的高技术产业的规模效益指数∑λ得分都大于1, 如美国、中国、德国、韩国的经济规模效益指数得分远高于其他国家或地区, 表明这些国家或地区的高技术产业发展已出现规模不经济, 在高技术产业领域资源投入过多, 出现资源过剩和浪费, 应优化投入产出结构, 使高技术产业规模效益最大化。 (3) 从区域差异测度锡尔指数来看, 欧洲、美洲、亚洲—大洋洲之间高技术产业的绩效差异正在逐步缩小。其中, 欧洲区域差异贡献比例最大, 达50%以上, 而亚洲—大洋洲区域内部差异减小趋势明显, 其主要原因是由于中国、日本两个国家的高技术产业创新资源绩效得分变化引起的。

摘要：构建了高技术产业创新资源绩效评价的投入产出指标体系, 利用《美国科学工程分类指标年鉴》及经济合作与发展组织 (OECD) 1995—2011年高技术产业活动相关数据, 运用超效率DEA模型和区域差异测度锡尔指数对全球28个国家或地区的高技术产业创新资源绩效及各区域创新资源绩效差异进行分析。结果显示:①全球28个国家或地区的高技术产业创新资源绩效水平呈现两级分化趋势。其中, 新加坡、瑞士、瑞典、美国4个国家的得分较高, 排名靠前, 其他国家或地区绩效水平较低。②欧洲、美洲、亚洲—大洋洲之间的高技术产业创新资源绩效水平差异呈现缩小趋势, 欧洲区域内部高技术产业创新资源绩效水平差异呈现逐年扩大趋势。