中国高技术产业的空间关联网络特征研究
——基于社会网络分析法

马为彪,方大春

(安徽工业大学 商学院, 安徽 马鞍山 243032)

一、文献综述

高技术产业是技术进步、产业升级的重要推动者和实现者,是经济增长的“先导产业”和增强国家竞争力的“战略产业”。在中国经济进入新常态的背景下,高技术产业的发展还承担着引导我国经济由“投资驱动型”向“创新驱动型”转变的重任[1]。高技术产业如何发展一直是经济学家和政府管理部门关注重点。汪朗峰等基于随机前沿模型探讨1978～2009年间科技资源配置和相关制度对高技术产业发展影响[2]。吴勇民等利用我国1995～2012年的时间序列数据,探索金融产业与高技术产业对二者共生演化关系[3]。翟琼等基于2004～2013年省际面板数据检验R&D投入对于高技术产业产值的增加具有较大的贡献,并且在东中西地区差异很大[4]。戴魁早等基于1997～2009年省际面板数据,验证要素市场扭曲显著地抑制中国高技术产业发展[5]。邓菁等利用2004～2014年省际面板数据研究发现,在现行财政分权制度下,财政自主权、政策差异对高技术产业发展影响较大[1]。张鹏等利用2005～2011年省际面板数据空间面板模型,考察高技术产业影响因素,结果表明产业发展受到资本投入、人力资本投入、区域要素禀赋结构、区域开放度、区域自然资源禀赋和研发强度的影响,产业具有较大的空间溢出效应[6]。陈程基于2005～2015年省际面板数据空间滞后模型,研究表明税收对高技术产业是空间负效应,地方财政支出则具有明显的空间正效应[8]。朱卫东等基于2002～2013年省际面板数据空间面板模型,研究表明区域技术引进和高技术产业产出均存在显著的空间依赖性,并形成不同的集聚区域[9]。

从上述文献梳理来看,一是大部分研究局限于分析本地区哪些因素影响本地高技术产业发展,少数在考察产业影响因素空间效应时,是基于“近邻”关系。实际上,高技术产业发展的空间联系已经超越了单纯地理学意义上的 “近邻”关系,可能出现“间隔”影响大于“近邻”影响,主要表现在从业人员跨地区流动、产业竞争和合作、技术封锁与外溢等。在这种复杂空间网络关系作用下,在考虑高技术产业的发展时,就需要从空间关联的角度来考察。二是现有的对高技术产业影响因素的探究主要基于“属性数据”而非“关系数据”[10]。实际上,很多高技术产业发展影响因素存在门槛值,特别是对相邻地区外溢效应只有达到或者超过门槛值才能发挥影响。高技术产业作为知识密集型产业,高技术人员的空间流动等往往使得高技术产业关联关系变成网络关系。传统“一刀切”的高技术产业发展政策在某种程度上抑制了全国高技术产业的联动发展,这就需要我国政府站在全国“一盘棋”的角度制定全国的高技术产业发展战略。因此,政府在制定推进高技术产业发展政策时,不但需要了解各地区高技术产业发展态势,更要明确各地区在发展高技术产业中战略地位,必须掌握各地区高技术产业在全国空间关联网络中节点地位。这需要我们借用社会网络分析方法(SAN)来探讨各地区高技术产业空间关联网络结构特征。实际上,社会网络分析法(SNA)作为一种新的社会科学研究范式早已被广泛运用到经济学研究领域,如经济联系一体化[11]、产业结构变迁[12]、经济增长[13]、人民币国际化路径[14]等。

本文首先构建高技术产业空间关联网络模型,再运用社会网络分析方法(SAN)测度网络关联关系数、网络密度分析我国高技术产业整体空间网络特征,计算中心度来考察各省高技术产业在网络结构中的地位与作用,通过空间聚类讨论各板块之间的相互关系。

二、模型构建与数据来源

1.高技术产业空间关联网络模型构建

高技术产业的空间关联网络是高技术产业相互关系的集合。网络中“点”表示省份,网络中“线”表示省份之间关系,两者相互结合形成空间关联网络。根据已有的文献,构建空间关联网络主要存在两种模型:VAR模型与引力模型。Groenewold等人在探讨区域之间空间溢出关系时采用了VAR模型[15];李敬在探讨区域经济增长空间关联时也采用了VAR模型[11]。但VAR模型依赖于数据的滞后期选择较为敏感,引力模型在考察区域空间相互作用能力却不依赖于数据的滞后期。因此,本文采用引力模型构建高技术产业的空间关联网络,并对已有的引力公式进行相对的修改,具体公式如下:

(1)

公式(1)中,ai,j表示省份i和省份j之间高技术产业空间上的相互关系;ki,j表示i省高技术产值占i与j省总值的份额;Pi与Pj分别代表i与j省的总人口数;Oi、Oj分别指i和j省的高技术产业产值;Gi、Gj分别指i与j省的GDP总值;高技术产业之间相互影响程度随着两者间距离存在衰减,这就需要将距离纳入到模型中,用di,j表示i与j省省会之间的实际距离;gi与gj分别表示i与j省的人均GDP,它代表各省的经济发展水平,一般情况经济发展水平差别越大高技术产业之间互补性越强。根据(1)式,可得Ai,j=(ai,j)30*30的引力矩阵,取每行值的平均数为该行的行阈值,并将行内的每个值与其比较,当大于阈值时,取1代替,代表两省高技术产业在空间上具有关联性;当小于阈值时,取0替换,表示不存在关联关系。最终构成高技术产业空间关联网络矩阵,由于得到的ai,j与aj,i值不同,所以该空间关联网络是有方向的。

2.数据来源

本文研究对象是全国的30个省市(不含西藏与港澳台地区),时间跨度为1995～2014年。高技术产值与各省市GDP、人均GDP、城市人口分别来源于1996～2015年《中国高技术产业统计年鉴》与《中国统计年鉴》。GDP、人均GDP与高技术产值以1995年为基期进行平减,消除价格因素对地区生产总值的影响。省际间地理距离以省会城市之间的球面距离表示,以ARCGIS10.0软件计算而得。

三、高技术产业空间关系关联的实证结果与分析

1.整体网络变化趋势

本文根据公式(1),用UCINET可视化工具Netdraw绘制了1995年(参见图1)、2008年(参见图2)、2014年(参见图3)我国省际高技术产业空间关联的网络结构图,以便更能清晰地比较近20年来我国高技术产业的空间关联网络的演变情况。从三幅图可以直观地看出省际高技术产业空间关联网络连线慢慢趋向于我国的东部地区,上海、北京、天津、江苏、浙江等地渐渐地向网络的中心靠近。网络四周的边缘地带大部分所属我国的中西部地区,较少与其他省份直接的联系,但是相比较于1995年,2008年与2014年网络边缘地带点的连线有所增加,这说明我国高技术产业在空间关联上有了更多联系。

2.整体网络特征

本文将从网络密度、中心性与块模型三个部分对我国省际高技术产业空间关联网络展开分析。

(1)网络密度

网络密度表示一个网络关系紧密程度,其密度越大则表示该网络对其行动者的态度、行为产生的影响就越大关系也就越紧密。计算网络密度时包括有向的网络密度和无向的网络密度,本文测量的是有向网络密度。

图1 1995年全国省际高技术产业空间关联网络图

图2 2008年全国省际高技术产业空间关联网络图

图3 2014年全国省际高技术产业空间关联网络图

从表1可以看出我国省际高技术产业的空间关联关系总数总体呈上升趋势，1995年的关联关系总数为179个、2008年为190个、2014年上升为195个，与之对应的网络密度由1995年的0.206上升到2014年的0.224。网络密度的上升表明中国省级高技术产业空间关联越密切。虽然通过对样本的计算，我国的高技术产业空间关联网络密度总体上呈上升趋势，但是其网络密度并不高。对于该网络，理论上存在的最大可能关联关系总数应为870个(30×29)，但实际的最大只有2014年的195个，因此我国在高技术产业的空间联系上还有很大的提升空间。与此同时，网络密度越高一方面能够体现我国高技术产业在空间关联上的密切性，但另一方面，也会增加冗余的连线，一旦达到网络的最大容载率，过多的连线就会导致网络的低效率，进而对高技术产业空间关联产生抑制作用，不利于我国区域间高技术产业相互发展。

表1 高技术产业空间关联网络密度及关联关系总数

(2)中心性分析

对于中心性的分析包括两个方面:度数中心性与中间中心性。度数中心性与中间中心性常用来描述行动者在网络中居于怎样的中心地位,是度量度数中心性指标。有向图中的度数中心度的测量又可分为点入度(受益关系)与点出度(溢出关系)。在网络中,点的中间中心性由中间中心度和接近中心度来表示。中间中心度测量的是该点对资源控制的程度,如果该点处于其他许多点相联系的连线上表明该点就具有较高的中间中心度,在网络中起到桥梁的作用。例如,如果一个省份的高技术产业中间中心度很高,则该省在整个高技术产业的空间关联网络中就起到桥梁性的作用。接近中心度表示该点通过最短的路径与其他许多点相联系,一个点的直接相联系点越多说明该点在网络中就是扮演中心行动者的角色。限于篇幅原因,在此仅列出2014年计算结果,如表2所示。

首先,从点度中心度来看:2014年中心度高于均值的省份有上海、天津、北京、江苏、浙江、福建、广东、山东、河南、贵州。2014年点入度排名高于平均值有上海、天津、北京、江苏、浙江、山东、福建、河南、广东,且这些省份的点入度都分别大于自身的点出度。从地理位置上看,这些排名靠前的省份绝大部分位于东部沿海地区,正是我国高技术产业最为发达的地区,说明这些省份在高技术产业的空间网络关联性上较其他地区具有中心地位。从数值上看,上海的度数中心度位居全国之最,这说明上海在全国的高技术产业关联网络中起到中心的作用。2014年中心度的均值(22.414)高于1995年(20.575)与2008年(21.839),这说明我国的高技术产业空间关联网络在整体上关联度趋于更加紧密。其次,从中间中心度的角度看:2014年高于均值的有上海、天津、北京、江苏、浙江、福建6个省份。这说明这些省份在高技术产业空间关联网络中处于其他省份的相互连线上,在网络中起到“桥梁”的作用。上海、江苏、浙江作为长江三角洲的“领头羊”,北京、天津作为环渤海地区的“龙头大哥”,在全国的高技术产业关联网络中起到举足轻重的地位。上海的中间中心度达到全国的最高点19.08,约占全国总中间中心度的30%,这说明上海在整个网络中起到核心的作用,它衔接了全国高技术产业的空间联系。中间中心度2014年均值为2.258,低于1995年均值(2.381)与2008年均值(2.307),我国高技术产业空间关联网络中间中心度有下降趋势,上海、北京、天津、浙江、江苏等地区在1995年到2014年中间中心度都有所下降,这说明它们在网络中所起“桥梁”的作用有所消减,更加体现了全国高技术产业在空间上趋向于均衡发展。最后,从接近中心度的角度看,2014年高于均值的省份有上海、天津、北京、江苏、浙江、福建、山东、广东、贵州。这些省份大部分位于我国的东部沿海地带,科技水平处于全国领先地位,汇集了全国大量的科技人才,这使得这些省份不仅占据了全国高技术发展的资源,也控制了全国高技术资源的流动效率。其中,上海的接近中心度达到93.548,居于全国之首,这说明上海在我国的高技术产业关联网络中处于网络的中心。2014年接近中心度均值为62.355,较1995年(60.852)与2008年(61.748)有所上升。

另外,不管从中心度、中间中心度还是接近中心度的角度来分析,青海、吉林两省排名最后,主要由于地理位置偏远、基础设施不发达、经济相对落后,导致高技术产业发展相对落后,在全国的高技术产业空间关联网络中处于边缘位置,处于受支配的地位。从该网络中很容易发现,我国高技术产业在空间上所呈现的非均衡发展的特征:高技术产业集中在我国的东部地区,中西部地区发展不明显。

表2 省际高技术产业空间关联网络中心性分析结果

(3)块模型分析

为了探讨省际高技术产业的空间关联网络整体以及板块内结构的情况。块模型最早由White等提出,它是一种研究网络位置模型的方法,块模型研究网络中的某一块在该网络中承担的作用与角色,这点不同于对个体网络的分析[16]。本文依据Wasserman与Faust评价网络块模型的测量方法[17],将本文的高技术产业空间关联网络划分为四个板块:净受益板块、净溢出板块、经济人板块、双向溢出板块。净受益板块含义是该板块的内部关系相较于外部关系比较多,且对其他板块有很少的溢出效应,在极端的情况下,只存在板块内成员的相互关系且接受外来的关系,但不对其他板块主体发出关系,这种情况下称之为净收益板块。净溢出板块含义是该板块的成员向其他板块发出的关系比较多,接受外来的关系比较少。经纪人板块含义是该板块在网络中起到“中介”的作用,既能接受外部的关系又能向外界发送关系,但其内部成员关系联系少。双向溢出板块含义是该板块向其他板块发出较多的关系,同时板块内成员之间有较多的相互关系,但接收较少的外部关系。

为了更加清晰地表现我国高技术网络的空间关联性,本文将整个网络块状化并研究每板块在网络中所扮演的角色。本文采用CONCOR方法,以最大分割深度为2,收敛标准为0.2,并以Wasserman与Faust的划分标准将整个高技术产业网络分为四块板块:主(净)受益板块、净溢出板块、经纪人板块与双向溢出板块,如表3所示。

2014年我国高技术产业空间关联网络存在195个关联关系,其中板块内的关联关系33个,板块外的关联关系162个,说明全国高技术产业存在着明显的空间关系与溢出关系。第一板块包括北京、天津、上海、山东,溢出关系有22个,其中板块内部的溢出关系有8个,板块外14个;接收关系总共85个,其中板块内8个,板块外77个,期望内部关系比例为10.34%,实际内部关系比例为36.36%,第一板块的实际内部关系比例大于期望内部关系比例,这说明该板块既发出关系也吸收来自外部板块的关系,属于“双向溢出”板块。第二板块包括广东、江苏、浙江、福建,溢出关系有21个,其中板块内溢出关系为0,板块外溢出关系21;接收关系总共53个,属于板块内为0,板块外为53,该板块接收关系大于发出关系,表明该板块属于“净受益”板块,该板块的内部成员基本位于沿海地区,属于高技术产业链发展地带,主要接收全国的高技术产业发展资源。第三板块含吉林、河北、内蒙古、甘肃、辽宁、宁夏、黑龙江、山西、青海,溢出关系总共有52个,其中属于板块内的14个,板块外的38个;接收关系21个,其中板块内接收关系14个,板块外7个,期望内部关系比例27.59%,实际内部关系比例26.92%,第三板块既对其他板块发送关系,又接收来自外部成员的关系,且其接收关系与发出关系比较接近,在高技术产业网络中充当“中介”与“桥梁”的作用,所以第三板块可作为该网络的“经济人”板块。第四板块的成员主要有湖北、河南、广西、湖南、重庆、四川、贵州、云南、陕西、安徽、海南、江西、新疆,发出关系总共100个,其中属于板块内的11个,板块外的89个;接收关系总共36个,其中11个属于板块内,25个属于板块外,期望内部关系比例为41.38%,实际内部关系比例11%,该板块发出关系明显大于接收关系,故该板块在高技术产业关联网络中作为“净溢出”板块,该板块的成员主要属于我国的中、西部地区,拥有丰厚的自然资源,但由于当地的高技术产业发展缓慢,故而引起资源的对外流动。

表3 高技术产业空间关联板块分析

注:期望内部关系比例根据(板块内省份个数-1)/(网络中所有省份个数-1)计算;实际内部关系比例根据板块内部关系数/板块的溢出关系总数计算。

为了更进一步探索四个板块之间高技术产业空间关联关系,本文利用表3的分布结果计算出各个板块的网络密度矩阵,如表4所示,2014年全国高技术产业空间关联关系密度为0.224,若该四个板块任何一个板块网络密度大于0.224,则说明该板块高技术产业之间更加集中,并赋值1,相反则赋值为0,由此构成高技术产业空间关联网络像矩阵,如表4所示。

由像矩阵可以看出,第一板块除了自身存在着高技术产业的相关关系外,还接收来自第二、三、四板块的溢出,第二板块接收来自第四板块的溢出,这说明地区经济越发展,高技术产业越发达,更加需要来自其他省份的资源的供给;第三对第一板块、第四板块分别与第一板块第二板块有发出关系,究其原因第三、第四板块成员基本位于我国的中、西部,拥有着大量可促进高技术发展的丰富自然资源。这些表明我国的高技术产业空间关联的网络中,各板块之间有紧密的联系,板块之间发挥自身的比较优势,扮演着自己角色。

表4 省际高技术产业空间关联网络密度矩阵与像矩阵

注:“1”表示存在行指向列的关联关系,“0”表示没有关联关系。

四、结论与建议

本文运用社会网络分析方法,通过构建修正的引力模型,利用1995～2014年省际数据,从整体网络特征、网络中心特征以及空间聚类特征三个角度考察高技术产业空间关联关系网络结构,得出以下结果:

第一,从整体网络特征看:从1995年到2014年期间,我国省际高技术产业空间关联的网络密度总体趋于上升状态,这说明全国高技术产业之间的空间关联性更加密切。

第二,从网络中心特征看:点度中心度排名高于平均值省份有上海、天津、北京、江苏、浙江、福建、山东、贵州、广东;中间中心度高于平均值省份有上海、天津、北京、江苏、浙江、福建;接近中心度高于平均值省份有上海、天津、北京、江苏、浙江、福建、山东、广东、贵州;排名最后两个省份为青海、吉林。从网络中心特征的三个角度可以看出,上海都处于第一,这说明上海在全国的高技术产业空间关联网络中处于核心的地位。

第三,从空间聚类特征看:由北京、天津、上海、山东4个省份所构成的板块在高技术产业空间关联的网络中起着“双向溢出”的作用;由广东、江苏、浙江、福建等4省份组成的第二大板块在网络中扮演着“净受益”的角色;第三板块成员包括吉林、河北、内蒙古、甘肃、辽宁、宁夏、黑龙江、山西、青海等9个省份,以“经纪人”的身份活跃在网络中;最后一个板块由湖北、河南、广西、湖南、重庆、四川、贵州、云南、陕西、安徽、海南、江西、新疆等13省份组成，在网络中起着“净溢出”的作用。前两个板块成员按我国的地区分类,都属于我国的东部地区,其高技术产业发展迅速,吸收了来自全国其他地区的资源,后两个板块成员基本位于我国的中、西部地区,为全国其他地区的高技术产业的发展提供了支持。

根据以上结论,给出以下建议:

第一,高技术产业发展需要“全国一盘棋”战略。我国高技术产业的空间关联性越来越密切,因此在制定高技术产业发展政策时,必须将各地区空间上的关联关系纳入到考虑范围,在整个宏观的角度制定相应的高技术产业发展计划,从而适应各个地区的发展。上海、天津、北京、江苏、浙江在整个网络中趋于中心的位置,高技术产业比较发达,对于青海、宁夏、安徽、吉林、湖南、湖北等处于网络边缘的地区,在资源上有较大的依赖性。这些地区经济发展相对缓慢,高技术产业发展相对迟缓,但拥有丰富的科技资源,可以与东部地区展开合作,承接东部产业的转移并改造出同当地传统产业优势互补的产业,充分发挥高技术产业的溢出效应,并有效缓解各自的短板,发挥各自的比较优势[18]。使得我国的高技术产业空间上的关联性更加密切。

第二,充分发挥各板块之间的关联性。在制定相应的高技术产业发展政策时,要考虑到各个地区在网络中所扮演的角色,有差别地规划,进一步提高我国高技术产业网络效率。经纪人板块与净溢出板块应积极学习双向溢出板块和净受益板块的高技术发展的核心技术,要加强人才的引进力度。双向溢出板块与净受益板块应该积极引导经纪人板块与净溢出板块技术发展,利用经纪人板块与净溢出板块的丰富科技资源,并借助国内外的正在兴起高技术创新大环境,更好地发展自身的高技术产业链。

第三,制定高新技术差异板块产业发展政策。中央政府既要关注控制资源能力强沿海地区和双向溢出经济板块省份,进一步激发空间溢出效应,也要“温暖”在高技术产业发展中起着重要“中介”作用的板块地区,进一步增强这些地区的传导功能[11]。

[1]邓菁,肖兴志.财政自主权、政策差异与高技术产业发展[J].财经论丛,2017,(1):19-28.

[2]汪朗峰,伏玉林.高技术产业发展中科技资源配置研究[J].科研管理,2013,(2):152-160.

[3]吴勇民,纪玉山,吕永刚.金融产业与高技术产业的共生演化研究:来自中国的经验证据[J].经济学家,2014,(7):82-92.

[4]翟琼,宋正一,张哲,等.R&D投入对区域高技术产业发展的影响[J].经济地理,2015,(8):129-134.

[5]戴魁早,刘友金.要素市场扭曲与创新效率:对中国高技术产业发展的经验分析[J]. 经济研究,2016,(7):72-86.

[6]张鹏,李悦明,张立琨.高技术产业发展的影响因素及空间差异性[J].中国科技论坛,2015(6):100-105.

[7]陈程.财税政策对高技术产业的空间效应研究[J].世界科技研究与发展,2016,(6):1294-1299+1304.

[8]朱卫东,王前松,李婷婷.区域技术引进与高技术产业产出:基于空间面板模型实证研究[J].企业经济,2017,(1):127-134.

[9]刘华军,刘传明,孙亚男.中国能源消费的空间关联网络结构特征及其效应研究[J].中国工业经济,2015,(5):83-95.

[10]侯赟慧,刘志彪,岳中刚.长三角区域经济一体化进程的社会网络分析[J].中国软科学,2009,(12):90-101.

[11]杜华东,赵尚梅.中国产业结构变迁的实证研究:基于社会网络分析法的分析[J].管理评论,2013,(3):38-47+90.

[12]李敬,陈澍,万广华,等.中国区域经济增长的空间关联及其解释：基于网络分析方法[J].经济研究,2014(11):4-16.

[13]方俊智,陈俊营,李忻蔚. 外汇交易视角下人民币国际化的路径:基于社会网络分析方法的研究[J]. 金融论坛,2016,(12):49-59.

[14]Groenewold N, G Lee, A Chen.Inter-regional Spillovers in China:The Importance of Common Shocks and the Definition of the Regions[J]. China Economic Review, 2008,(19):32-52.

[15]White H C,S A Boorman,R L Breiger.Social Structure from Multiple Networks I: Blockmodels of Roles and Positions[J].American Journal of Sociology, 1976,(81):730-779.

[16] Wasserman S,K Faust. Social Network Analysis: Methods and Applications[M]. Cambridge: Cambridge University Press,1994.

[17]糜志雄,何艳.我国高技术产业发展的现状、问题及对策[J].宏观经济管理,2016,(12):61-64.