EN中文

Economic geography >

2021 , Vol. 41 >Issue 11: 106 - 117

DOI: https://doi.org/10.15957/j.cnki.jjdl.2021.11.012

Spatial Evolution Characteristics and Influencing Factors of Smart Industry in Yangtze River Delta

  • ZHONG Zhaocheng , 1, 2 ,
  • SHEN Lizhen , 1, 2, ※ ,
  • WANG Xia 3
Expand
  • 1. School of Architecture and Urban Planning，Nanjing University，Nanjing 210093，Jiangsu，China
  • 2. Smart City Research Base of Jiangsu，Nanjing 210093，Jiangsu，China
  • 3. School of Geographic and Ocean Science，Nanjing University，Nanjing 210023，Jiangsu，China

Received date: 2020-10-22

  Revised date: 2021-06-18

  Online published: 2025-04-17

Fold

Abstract

The development of smart industry is an important engine for transforming development methods,optimizing economic structures,and improving development quality. It is also a key measurement for building the Digital China and the smart society. Based on the data of smart industry enterprises in the Yangtze River Delta region,this paper explores the spatial agglomeration,sub-industry development characteristics,and evolution process of smart industry in the region,using the methods of the location quotient,spatial autocorrelation and so on. Meanwhile,it sets up a new index system to figure out the co-evolution relationship between the development of smart industry and geographical as well as economic factors. The results show that: 1) The overall development of the smart industry in the Yangtze River Delta region shows the increasing trend year by year,and it is now at the late stage of the single-core development period. However,there are also particular cities with the extremely low-level development of the smart industry,such as Jinhua City of Zhejiang Province. Furthermore,the development of the smart industry shows a differentiated pattern among provinces,that is,the development levels of eastern provinces are significantly higher than western provinces; 2) The development of smart industry presents the evolution characteristic of path dependence and transfers from the polarized development to the equilibrium at the view of internal emerging industries; 3) There is a certain concentration and radiation effect during the spatial distribution dynamics,and the regions with high-level smart industry development could contribute to the development of their neighboring areas; 4) The location opportunity windows,the technological linkages,the industrial bifurcations,and the policy systems are the four main factors driving the development of smart industries in the Yangtze River Delta region.

Key words： smart industry; spatial autocorrelation; location opportunity window; technology connection; industry cross-integration; smart park; Yangtze River Delta

Cite this article

ZHONG Zhaocheng , SHEN Lizhen , WANG Xia . Spatial Evolution Characteristics and Influencing Factors of Smart Industry in Yangtze River Delta[J]. Economic geography, 2021 , 41(11) : 106 -117 . DOI: 10.15957/j.cnki.jjdl.2021.11.012

智慧产业作为当前互联网经济下产业融合的重要内容，最早是由21世纪初期英国IBM公司作为智慧城市建设的关键因素而被提出[1]，智慧产业不是单独的一个行业，是指在新一轮技术创新要素驱动下产生的又一新的产业维度。不同于传统按经济活动与消费者关系区分的产业类型，它是指在信息通讯，知识创新等技术发展基础上，形成更多产业自主性的产业类型。既包括大数据、物联网、云计算、区块链等新兴产业，也包括通过以上产业的改造、提升与融合，从而形成的传统产业的自主性提升。
世界各国陆续从国家层面制定智慧产业发展相关战略政策，其中包括德国为推动现代信息通信技术创新运用而提出的“工业化4.0”战略，美国则率先以云计算技术应用为核心开展“智慧地球”计划，同时，日本、韩国、新加坡等国也陆续提出相关政策战略，发展智慧产业。在中国，智慧产业的发展背景可以从三个方向探究：①智慧城市建设。2011年12月第三届智慧城市高峰建设论坛以“分享智慧城市建设经验，谋划智慧产业发展蓝图”为主题[2]，提出智慧产业是智慧城市建设的重要环节，也是完善城市治理体系的重要手段和城市逐步走向智慧化的必要途径。②产业转型升级。伴随着信息化创新发展新趋势，智慧产业的快速发展对传统产业结构调整升级，发展现代产业体系、促进智能制造具有重要现实意义。近些年来，各地政府纷纷颁布智慧产业政策以促进地方产业升级和城市发展。③信息化建设，也就是当下掀起的“新基建”浪潮。作为当前城市社会发展一大热点，“新基建”强调区别于传统基础设施，以技术创新为驱动，以信息网络为基础，面向高质量发展需要，提供数字转型、智能升级、融合创新等服务的基础设施体系，这既是智慧产业发展所来带的应有变化，也是智慧产业进一步发展的前提基础。
由以上背景可以看出，智慧产业并非完全新生，而是在当前社会发展和信息技术提升背景下对产业乃至城市提出的新一轮演化需求。关于智慧产业的最早雏形，可以追溯到早期人类生产实践的智慧活动，这些活动在后期则成为某些智慧行业，其研究领域也涵盖产业经济、城市规划、经济地理等诸多学科[3]。由于智慧产业与生俱来的产业演化新生的模糊性和学科交叉的复杂性，多领域学者纷纷尝试定义智慧产业，但尚未有统一的定义。国内外研究重点也相对有所区别，国外智慧产业研究起步较早，主要围绕两条主线，一是主要针对产业经济层面研究。结合生产技术信息化和创新发展背景，从智慧经济或产业智能化提升入手，研究传统产业的提升改造和新兴产业的跨界延伸，提出产业演化发展新路径[4⇓-6]。二是伴随着智慧城市建设研究，将产业视为城市发展的要素，强调智慧产业智慧城市的支撑意义。Martina等人通过数字化、智能化新兴产业进程分析对当今社会、城市发展的影响[7⇓-9]；Jana等人通过划定智能的专业化指标进行区域智能化、智慧城市评估及演变[10]；Tae等人通过智慧化经济、社会政策研究倒逼智慧城市的发展与创新[11-12]，开创了经济地理研究的新纪元。高新信息技术类智慧产业，将探讨由经济产业联系建立所带来城市区域关系，范围从传统产业的地理邻近到跨区域转变的创造。
国内研究也尚处于起步阶段，主要包括以下几个方面：①广义的智慧产业既包括传统产业中以人的智慧为基础的创意产业和知识产业，也包括新型的以新兴技术为基础的数字化、网络化、智能化产业。智慧产业的形成和发展得益于信息技术和各类智力密集、技术密集型新兴产业，新一代智慧技术不断催生和延展出不同类型的智慧产业类型，因此其相关研究也可追溯到各类高新技术产业，比如智慧技术+传统产业、智慧技术+传统行业、智慧技术+新兴产业等，也逐渐出现了针对这些累积叠加的智慧型产业[13-14]、智慧类园区[15-16]、智慧产业集群[17⇓⇓-20]的相关研究。②与此同时，国内学者也尝试归纳智慧产业的概念界定和涵盖范围。从国内已有文献来看，不同学者具体对智慧产业的定义有不同的偏向性，如庄一召的定义突出智慧产业化并认为智慧产业是一种知识生产型人脑向外延伸的产业[21]。金江军等人则强调产业智慧化，认为智慧产业是指数字化、网络化、信息化、自动化、智能化程度较高的产业[22]，基于产业经济发展的相关研究，定义相关智慧产业涵盖范围。③智慧产业的影响因素及发展对策。现有学者从政策研究层面对智慧产业发展现状和存在的问题进行了梳理，同时探讨了智慧产业发展的核心要素、有效策略及途径。但总体研究停留在概念技术拓展、政策建议、发展意义等定性研究层面[23⇓⇓⇓⇓-28]。④智慧产业发展评价指标体系构建分析。有学者基于智慧城市整体层面或产业发展层面，以“从业人员比重，R&D经费支出、产出占GDP比重”等经济类指标作为评价智慧产业发展水平的依据[29⇓-31]。⑤进一步探究了智慧产业在宏观全国层面的时空特征[1,32]与微观科技园区内的集群演化[33]。以上方向缺少多维度探寻智慧产业发展相关因素的整体框架梳理、定量研究及科学性验证，同时也缺少对我国整体或局部地区智慧产业发展的空间演化及进一步研究。
综上，探寻智慧产业在时空上的分布特征及多维度地分析其区位影响因素，无论是对智慧产业未来发展还是宏观城市等地理空间主体的产业提升都有重要的借鉴意义。鉴于此，本文以中国产业经济发展的核心密集区——长三角城市群为研究对象，运用区位商和空间自相关等多种定量分析方法探究长三角地区智慧产业空间的演化特征和地理邻近关系，并在演化经济地理学相关理论基础上，构建“区位机会窗口—技术关联—产业分叉—政策制度”的多因素框架，通过空间计量模型探究智慧产业区位相关影响因素的解释效用，从而更好地指导未来智慧产业的发展和相关政策安排。

1 数据来源、研究范围与研究方法

1.1 数据来源

本文智慧产业统计范围参照之前学者按照我国国民经济行业分类，应包括：服务业内的电信业、计算机服务业、软件业、科学研究和专业技术服务业、科技交流和推广服务业，以及互联网信息服务、咨询和调查服务、知识产权服务、会议及展览服务业；制造业内的通信设备、计算机及其他电子设备制造等[31]。本文数据来自企查查企业数据库以及各地统计年鉴、科技年鉴，人口抽样调查报告等。研究的时间范围为2015—2020年（2015年，国家全面推进实施中国制造2025强国战略，至此开始智慧产业发展之路），重点关注2015、2018和2020年三个节点，分析区域各市智慧产业发展的空间格局与演化路径。

1.2 研究范围

本研究的地域范围为长三角城市群，根据国务院2019年批准的《长江三角洲区域一体化发展规划纲要》，长江三角洲包括上海市、江苏省、浙江省、安徽省，区域内共包含41个市级单元（直辖市、副省级市、地级市）。长三角地区是中国经济最发达、城镇集聚程度最高的地区，区域总面积35.9 km2。经统计，截至2020年6月，长三角智慧产业企业数量达970 458家，占全国（3 808 053家）25.5%，以全国3.7%的土地面积，聚集了全国16%的人口，创造了全国23.5%的经济总量，承载了全国4成以上的智慧产业，因此以长三角为智慧产业研究对象具有典型性价值。

1.3 研究方法

通过对智慧产业企业在各城市的数量分布进行空间对比，以说明和揭示在宏观尺度智慧产业的特征及规律，因此本文采用区位商分析、空间自相关分析、回归分析等多种空间计量分析方法，分别从产业空间集聚程度、邻近特征和影响因素等方面展开测度和分析，并对长三角智慧产业新兴产业区位的空间格局和空间关系进行特征总结。

1.3.1 区位商

区位商指数，又被称作生产的地区集中度指数或专业化指数，常被用来衡量特定产业在某一地区的专业化水平和程度。本研究借助市域属性数据来显示长三角智慧产业空间分异特征，即通过区位商（LQ）来描述一个城市的智慧产业与区域的相对比值，公式为：
L Q = l i / l L i / L
基于数据的可靠性选用智慧产业企业数量作为长三角智慧产业空间分异研究的数据源，因此式中： l i为城市智慧产业的企业数；l为城市总企业数； L i为长三角智慧产业的企业数；L为长三角总企业数。当LQ>1时，该城市的智慧产业的专业程度高于长三角平均水平，可称之为地区的专业化部门；当LQ≤1时，该城市的智慧产业的专业化程度低于或等于长三角平均水平，可称之为地区的自给性部门。换言之，LQ越大，该城市的智慧产业在空间上通常构成产业集群；反之，空间分布较为分散。

1.3.2 全局和局部空间自相关方法

全局空间自相关常用Moran's I系数来进行衡量，反映了整个研究区域智慧空间相关性的整体趋势。局部空间自相关关系表征特定地区和周边地区的空间相关类型与程度，一般运用LISA图表征。

2 长三角智慧产业空间演化特征

2.1 区域内总体水平上升，首位集聚特征明显

智慧产业总体水平呈上升及集聚发展态势。区位商计算结果显示，空间分布上长三角智慧产业现阶段呈集聚化发展态势，智慧产业整体发展水平不断上升，部分极核发展集聚化倾向逐渐减弱，处于多核发展后期，同时区域智慧鸿沟依然存在，不少城市智慧产业发展水平极低（图1）。在2015—2020年区间，上海，南京、苏州、无锡、常州、杭州、合肥的智慧产业区位商均大于1，即长三角智慧产业主要集聚在这7个城市，已初步形成集群发展趋势，期间长三角智慧产业专业化格局未发生显著变化。此外，宁波的智慧产业区位商正逐年上升，其值接近1，表明智慧产业次核心城市正在崛起；其他城市智慧产业还处于分散缓慢上升阶段，尚未形成集聚点，尤其宣城被周边城市（南京、杭州、无锡、常州）包围形成一个智慧产业“洼地”。
图1 长三角城市智慧产业区位商演化

Fig.1 Evolution pattern of location entropy of smart industry in Yangtze River Delta

分省域智慧产业首位集聚特征明显。各省省会城市均为省域智慧产业的发展极核，上海作为长三角智慧产业发展的核心，新兴产业发展一直保持领先地位，智慧产业在长三角地区呈现集聚与扩散并存的现象，江苏以扩散均衡发展为主，浙江是集聚+扩散并存，安徽则以集聚发展为主。江苏整体发展较为均衡，省内区位商差距逐步缩小，除省会南京以外形成了包括无锡、苏州、常州在内的发展集群，智慧产业专业化较高的南京、无锡等城市均出现区位商下降趋势，处于多核心发展扩散阶段；浙江除杭州以外，形成副省级城市宁波次发展核心，虽整体发展水平存在差距，但整体智慧产业发展水平不断上升，极核发展集聚化倾向逐年升高，处于单核发展后期；而安徽除省会城市合肥以外，存在不少发展水平极低的城市，整体发展水平差距较大，首位城市合肥的智慧产业虽起步较晚，近些年发展提升趋势明显。

2.2 行业内发展分异，路径依赖和新兴演化模式并存

由于智慧产业是以新型信息技术为支撑，是具有高数字化、智能化和融合化特性的一类产业，传统的国民经济行业分类模式难以将智慧产业内部各行业清晰地剥离出来，因此，本研究依据作用属性将智慧产业划分为现代新兴智慧核心技术（物联网、人工智能、大数据）和二、三融合应用产业（先进制造、软件信息）三大类，分类细化识别当下城市具有潮流典型性的智慧产业类别的发展演化情况。
智慧产业内部总体呈现整体集聚发展与局部向外扩散特征，集聚化发展程度和扩散形式、速率存在不同。分行业来看，现代新兴智慧核心技术依托省会城市集聚并逐渐向外扩散，扩散发展速率物联网>人工智能>大数据，先进制造二类融合应用产业在传统产业发展路径依赖基础上呈高度区域极化特征，上海、苏州长三角双核心城市地位不断加强；软件信息三类融合应用产业率先在局部地区表现出高水平均衡化发展，上海、浙江乃至东部沿海区域整体水平增速较快，空间上存在东西差异。

2.2.1 现代新兴智慧核心技术产业

伴随着物联网产业背后充分的互联互通特性，长三角物联网类智慧产业整体发展分散程度高于其他行业，区域整体化水平较高，具有较明显的集群倾向（图2）。2015年，率先形成由最高级（上海）到高级（南京、杭州、无锡）、再到次高级（合肥）的多等级极化发展形态，其余城市发展相对低迷，整体发展层级呈典型的“金字塔形”。2018年杭州、合肥分别实现物联网类智慧产业发展等级的进一步提升，经历了以上海、杭州为双核心，南京、合肥、无锡为次一级核心的发展中心城市，此时物联网产业发展主要集中在高等级核心城市，极化倾向进一步加强，但尚未有明显的溢出效应，各省域内部除个别发展核心城市外，仅有宁波向发展水平优势地区迈进，其余城市物联网产业发展水平依旧较低，区域发展极度不协调。2020年，虽然主要核心城市地位未发生改变，但长三角区域整体更倾向于均衡发展模式。各省域内部纷纷出现潜在的优势地区（宁波、温州、徐州、阜阳），产业扩张更倾向于核心城市周边（宁波、温州、苏州、金华等）和一些拥有明显地理区位优势的城市（沿海、沿江、省域边界交接处）发展，整体水平不断上升，发展层级由“金字塔形”向“纺锤形”转变，此时各省域内部发展也出现分异，区别于江苏省的整体协同发展，浙江省则更倾向于多点集中发展，而安徽省则突出合肥一城。
图2 长三角新兴智慧核心技术产业演化格局

Fig.2 Evolution pattern of emerging smart core-technology industry in Yangtze River Delta

人工智能和大数据产业区位特征高度类似，产业区位选择存在高度耦合。一方面，在区域产业区位特征上，表现出高度的首位集聚特性，上海、南京、杭州、合肥等省会城市极化作用突出。另一方面，从人工智能产业2015—2018、2018—2020年的演化过程中长三角发展产业格局并没有发生显著变化，一直保持着上海、杭州双核心的发展格局，依托核心，南京、合肥等发展极周边城市有不同程度发展提升，承接优势地区产业溢出效益明显，形成集中连片发展地区，有一定的地理邻近性。大数据类智慧产业发展潜在优势地区（苏州、宁波、无锡、盐城、亳州、阜阳），则尚未出现明显的地理邻近协同发展地区，存在较大连片的产业“洼地”和“真空”地带，整体发展也有待进一步提升。

2.2.2 先进制造二类融合应用产业

区别于其他四类行业，先进制造二类融合应用产业表现出最为特殊的分布演化模式，因其多在传统制造业基础上发展提升起来的，因此其发展格局存在对传统制造业明显的路径依赖特征（图3）。2015年，区域整体发展水平较为均衡，在上海、苏州、无锡等连片区域形成集群发展模式。省域整体水平上海>江苏、浙江>安徽，呈现出一定的“西低东高”特征；上海、江苏、浙江各省域内部整体发展较为协同，江苏、浙江内城市发展水平均较高，而安徽发展整体水平较低，仅以合肥为单一潜在优势地区。2018年相较于其他智慧产业类别的省域极化特征，先进制造率先表现出长三角区域一体的极化特性，上海，苏州等城市核心地位进一步强化，其他包括合肥、南京、杭州等在内的省会城市先进制造水平逐渐弱化，不再表现出省会的垄断地位，并且安徽全省此产业类型落后特征较为明显。2020年上海、苏州、无锡等长三角区域整体核心地位进一步加强，智能制造发展进一步表现出以上海为核心，周边城市联动发展的区域格局。究其原因可能是国家级先进制造中心城市上海与国家级服务型制造示范城市苏州的发展定位，带动周边城市先进制造业的发展转型。
图3 长三角先进制造二类融合应用产业演化格局

Fig.3 The evolution pattern of advanced manufacturing industry in Yangtze River Delta based on two-type integration application

2.2.3 软件信息三类融合应用产业

软件信息因其背后存在依托人工智能、大数据基础的产业逻辑，在区域产业区位特征上，也表现出高度首位集聚的耦合特征，多呈依托省会城市极化发展（图4）。2015年，长三角软件信息类产业发展主要向以上海为核心，南京、杭州为次一级核心集中，合肥此时并未出现明显的发展优势；相较于2015年，2018年省会城市极化特征没有发生较大改变，发展较为突出的上海、杭州、南京核心极化进一步加强，此时发展主要集中在各省域内部形成多层发展趋势，江苏、浙江分别依托苏州、无锡、宁波等城市由内扩散，形成省域范围的优势化集聚区域；2020年区域联动发展特征进一步加强，上海、江苏、浙江周边地区多依托地理邻近优势和溢出效应，省域内部发展水平同步提高，出现了苏州、徐州、无锡、宁波、金华等潜在优势城市，多点发展倾向明显，安徽软件信息产业整体发展水平较低，以省会单一低水平极核为主，整体区域发展协同有待提高，长三角软件信息三类融合应用产业整体呈现东部沿海发展成为连片的协调区域特征，发展协同水平和增速明显高于内陆，具有显著的空间非均衡性。
图4 长三角软件信息三类融合应用产业演化格局

Fig.4 Evolution pattern ofsoftware information industry in Yangtze River Delta based on three-type integration application

2.3 空间上集聚态势加强，存在局部溢出效应

地理邻近是智慧产业发展集聚的重要驱动力，发展水平高的地区会在一定程度上带动其邻近区域智慧产业发展。虽然长三角整体智慧产业发展水平在提升，但内部区域之间发展水平仍存在空间分异性：江苏受到上海和城市内部极点外溢的影响，其智慧产业整体发展水平不断提升；浙江智慧产业内部差距逐渐缩小；安徽内部差距仍较为明显。
计算结果显示，2015、2018和2020年长三角智慧产业发展的空间相关性均为正，p值<0.1，说明其在90％置信区间内通过了显著性检验，2015年后，长三角智慧产业Moran's I指数有所上升，表明其空间相关性逐渐趋于增强。这一时期，长三角的区域一体化水平提高，行政区之间的要素流动障碍进一步降低，使得地区之间的智慧产业相关性有所增强，某一地区智慧产业发展对相邻地区的发展形成显著的空间溢出效应，产生一定的空间集聚性。
同样采用距离空间权重矩阵进行局部空间自相关分析，运用GeoDa软件绘制2015、2018与2020年长三角智慧产业发展局部自相关LISA图，可以发现2015和2018年结果相同，10个地区通过了显著性检验，31个地区未通过显著性检验，这些未通过显著性检验的地区在现有数据下无法判断属于哪种空间类型；2020年通过检验的地区有9个，未通过检验的区域为32个，较之前数据L-L聚类地区有所减少，表明智慧产业发展的上升集聚趋势（图5）。
图5 长三角智慧产业局部空间自相关LISA图

Fig.5 LISA diagram of smart industry in Yangtze River Delta based on local spatial autocorrelation

连片分布情况印证了全局空间正向自相关的空间关系，同时反映出各区域之间智慧产业发展水平的空间分异性。2015和2018年，江苏：苏州位于H-H区域，说明其智慧产业发展水平相对较高，对周边区位城市产生辐射带动作用；浙江：南通和嘉兴位于L-H区域，说明其智慧产业发展水平处于相对低值区，但周边包括上海、苏州、无锡等城市处于相对高值层级，尚处被虹吸阶段，省内发展也存在一定差别；安徽：合肥位于H-L区域，尚处于极化发展阶段，且皖北亳州、蚌埠，皖南安庆、池州、黄山等城市均处在L-L区域，省内发展差距较大。2020年，长三角智慧产业发展水平局部空间自相关图出现了略微变化，浙江衢州退出L-L层级，反映浙江内部智慧产业平均水平的进一步提升。但整体来看，长三角智慧产业发展格局未发生显著性改变。

3 长三角智慧产业发展的影响因素

3.1 指标体系构建及其变量选择

从新古典区位论提出至今，ICT和交通技术的发展改变了距离的传统概念，传统意义上距离的约束逐渐淡化，区位的重要性则更加得到重视。而相比于传统区位因素侧重经济因素，近年来，非经济因素作用也逐渐被重视，推动区位理论的文化转向、政策转向和关系转向。但是相关区位理论依旧缺乏历史视角的探究，依旧未能解释产业发展初期集群的发生过程以及随时间演化的动力机制和规律。演化经济地理学的出现正好弥补了这一空白，强调区域新兴产业的形成及其与特定地理环境的交互作用，主张企业异质性，强调时空情景的特定性，历史重要性和偶然时间的创造性破坏作用[34-35]，相较于传统区位多关注资源劳动力等外生因素以外，更能强调区域产业发展的内部路径依赖。因此本文构建了产业前期内部区位机会窗口、技术关联、产业分叉和政策制度安排共同作用影响长三角地区智慧产业区位分布的分析框架。从选取区位机会窗口、技术关联、产业分叉、政策制度4类因素12个指标构建用于实证解析长三角智慧产业区位驱动因素的指标体系（表1）。
表1 长三角智慧产业区位驱动因素的指标体系

Tab.1 Index system of location driving factors of smart industry in Yangtze River Delta

一级指标 二级指标
区位机会窗口 人均GDP
高新技术产业产值
相关国家级园区
城市平均地价
基础设施投资
技术关联 宽带用户数
制造业基础水平
专利授予数
高校本科数量
R&D投资研发占比
产业分叉 新兴产业丰富度
政策制度 政府智慧产业相关政策文件数量

3.2 模型设计

引入空间计量模型探讨长三角智慧产业空间布局的影响因素。地区产业发展存在的空间相关性是不容忽视的，由于地区之间制造业就业存在明显的空间相关性且相关性逐渐增强，传统的计量模型以被解释变量或随机误差项不存在相关性为前提，从而难以得到可靠的估计结果。本文引用空间计量模型探讨长三角智慧产业空间布局影响因素的时间和行业差异。空间计量经济模型主要有空间滞后模型（SLM）、空间误差模型（SEM）和空间杜宾模型（SDM）三种常用形式，在具体运用空间模型的过程中，我们可以运用拉格朗日乘子（Langrange Multiplier，LM）在测试、诊断的过程中，逐步确定[36⇓-38]。
空间滞后模型、空间误差模型、空间杜宾模型分别如下：
y i t = δ ∑ j = 1 N W i j y j t + ϕ + β x i t + c i + α t + ε i t
y i t = ϕ + β x i t + c i + α t + u i t , u i t = ρ ∑ j = 1 N W i j u j t + ε i t
y i t = δ ∑ j = 1 N W i j y j t + ϕ + β x i t + ∑ j = 1 N W i j x i j t θ + c i + α t + ε i t
式中： δ为空间回归系数，表示邻近空间单元的被解释变量$y_{\text {邻 }}$对本空间单元的被解释变量$y_{\text {本 }}$的影响，若显著为正，则表示被解释变量存在明显的空间溢出性，即研究范围内一个空间单元该变量的提高对应着其他空间单元该变量的提高； u i t是空间自回归误差项； ρ是空间误差系数，表示邻近空间单元误差项$u_{\text {邻 }}$对本空间单元误差项$u_{\text {本 }}$的影响； θ是解释变量的空间滞后项系数，表示邻近空间单元解释变量$x_{\text {邻 }}$对本空间单元被解释变量$y_{\text {本 }}$的影响；N是空间单元个数；W为空间权重矩阵。
y i t = δ ∑ j = 1 N W i j y j t + ϕ + β x i t + c i + α t + ε i t y i t = ϕ + β x i t + c i + α t + u i t , u i t = ρ ∑ j = 1 N W i j u j t + ε i t y i t = δ ∑ j = 1 N W i j y j t + ϕ + β x i t + ∑ j = 1 N W i j x i j t θ + c i + α t + ε i t

3.3 结果分析

传统LM检验和稳健的LM检验的结果表明，在1%的显著性水平上拒绝了没有空间自相关误差项的假设（LM-Error值是0.0893，p=0.7650；Robust LM-Error值是0.7683，p=0.3807），但不能拒绝空间滞后被解释变量的假设（LM-Lag值是10.4435，p=0.0010；Robust LM-Lag值是11.1225，p=0.0008）。同时模型的空间滞后项W的系数ρ在1%水平上显著，模型的空间误差项的系数λ在5%的水平上显著。综上所述，长三角智慧产业发展的空间相关性更多地受到邻近空间单元解释变量的影响，而不是通过扰动误差项来影响的。所以运用空间误差模型和以邻近空间扰动误差为基础的空间杜宾模型可能存在较大误差，空间滞后模型（SLM）是本研究最为适合的空间计量模型。各模型的R2均在0.9以上，同时Log-Likelihood、AIC、SC指标下的拟合度相对接近，模型的拟合优度较好，证实区位机会窗口、技术关联、产业分叉和政策制度等方面是影响长三角智慧产业发展的主要因素。
表2 拉格朗日乘子检验结果

Tab.2 Lagrange multiplier test results

变量 MI/DF Value Probability
LM-Lag 1 10.4435 0.0010
Robust LM-Lag
LM-Error
Robust LM-Error		 1 11.1225 0.0008
1 0.0893 0.7650
1 0.7683 0.3807

3.3.1 区位机会窗口

城市区位机会窗口在智慧产业发展前期充满着新的不确定性和不可预测性，区别于传统产业区位的地理与经济因素，城市高新技术、园区化和基础设施建设等技术型要素更能影响智慧产业的发展。城市人均GDP不是智慧产业发展的主要影响因素，智慧产业在涌现和发展时并不会完全依托整体水平发展较优的城市；高新技术产业产值呈显著影响，说明高技术等特定历史因素作为“惯例”会持续对城市内智慧产业发展产生影响，使智慧产业演化具有路径依赖的特征；相关产业园要素影响为正，虽然信息技术超越了地理、空间、行政边界，但相关产业园所带来的智慧产业集聚效应与空间相关性还是显著存在的；土地成本对智慧产业集聚发展的影响未显现，这与众多研究认为城市不断上升的土地成本促使产业转移的结论不同，表明智慧产业发展对土地价格不敏感，土地成本对智慧产业集聚发展的负效应也未显现，甚至由于智慧产业内部的集聚性和对高校以及相关高端技术产业关联性的需求，往往会集中在地租较高、环境较好的地区；基础设施建设投资为弱负相关，城市基础建设投资并没有促进智慧产业发展集聚，这与普遍认识不同，究其原因可能是基础设施建设投资内容包括传统和新一代基础设施投资，而绝大部分投资发力点聚焦在传统老基建，这对智慧产业发展促进有限。
表3 长三角智慧产业区位驱动因素的指标体系

Tab.3 Index system of location driving factors of smart industry in Yangtze River Delta

经典线性回归
模型（OLS）		 空间滞后模型
（SLM）		 空间误差模型
（SEM）
R2 0.9942 0.9957 0.9946
区位机会窗口 人均GDP 0.0117 0.0234 0.0197
高新技术产业产值 0.6983*** 0.6906*** 0.6726***
相关国家开发园区数 0.0124 0.0551** 0.0059
成交土地均价 0.0665 0.0453 -0.0810**
基础设施投资 -0.0418* -0.0455* -0.0361
技术关联 宽带用户 0.1370** 0.1397*** 0.1359***
专利授予数 -52 261.5000*** -0.1255*** -0.1324**
制造业基础水平 -0.0298 -0.0525* -0.0455
高校本科数量 0.0647* 0.0509* 0.0475*
R&D经费支出 0.1689 0.1966** 0.2394**
产业分叉 新兴产业丰富度 0.0934*** 0.0879*** 0.0884***
政策制度 政府智慧产业相关政策文件数 -0.0244 -0.0118 -0.0336**
λ 0.4389**
W -0.1393***
CONSTANT 0.0143** -0.0153*** 275.6920

注：*、**、***分别代表在10％、5％、1％的水平上显著。

3.3.2 技术关联

技术关联指标表明ICT等现代信息技术和资金研发投入更能直接促进智慧产业发展，创新、人才等要素的联系范围也更加向城市外延伸，需要额外关注区域层面的关联网络。宽带作为城市智慧信息发展的传统基础设施，发展已较为完善，在智慧产业发展进程中发挥着显著的基础性平台促进作用；专利影响呈显著负相关，可能一方面因为现行专利制度下使用权的流通转移，城市内的专利水平并不一定会对本城市的智慧产业发展产生直接影响，甚至会加剧同其他城市的竞争；另一方面，专利的作用鼓励了大型但停滞不前的现有公司阻止创新并抑制竞争，在智慧产业新兴发展初期给予了前期优势企业足够的垄断能力，阻碍下游的创新，不利于智慧产业发展。而制造业水平对智慧产业有一定的负影响，也说明智慧产业并不是简单地通过机器设备取代产业工人的表面提升，更需要关注智能技术革新、人才创新流动以及管理制度等内在化动力。高校在智慧产业发展过程中并没有呈现出足够的影响力，表明智慧产业发展的人才依托可能通过ICT等现代技术手段所带来的人才流、技术流等跨城市的流动向外延伸到更广阔的区域范围而非独立城市。R&D显著正相关，说明资金财政措施对支持智慧产业初期的创新发展具有较大的直接影响作用。

3.3.3 产业分叉

产业分叉通过内部要素流动与知识溢出等作用更好地驱动智慧产业发展，对于产业新业态创新和高端要素集聚具有重要意义。新兴产业多样化呈显著正向影响，智慧产业发展更有可能脱胎于地方现有的产业体系，在路径依赖的基础上通过包括企业衍生、多样化和网络联系等知识转移渠道在内的关联性进行区域派生。发展路径能够影响产业多样性的兴衰，反过来，产业多样性这一创造性破坏过程也将重塑发展路径。这也就进一步验证了智慧产业的地理邻近性，地理邻近有助于知识溢出到邻近地区，同时特定领域知识的积极外部效应更可能扩散到在同一领域的第三方当中。能否产生产业分叉，则与区域多样化与相关多样性水平、已有产业的技术关联程度息息相关。

3.3.4 政策制度

智慧产业发展初期政策影响尚未显现，政策优惠未能在智慧产业初期提供帮助，没有很好促进长三角地区智慧产业发展。之前也有学者针对上海都市区就业次中心形成机制研究中得出政府因素对上海就业次中心的形成并不存在显著的结果[39]。可能源于以下几点原因：①政策因素难以充分量化。②新兴产业形成的机会依赖于政府政策的时效性和方向性，政府现行的政策惯性较大，多延续传统产业发展模式和关注重点，对智慧产业发展作用微弱。③“路径依赖”往往会伴随着“马太效应”，产业资源的有限性给决策者带来了巨大的挑战，“无非在你家或者我家”，随着智慧产业的发展，边缘地方政府的政策优势相对于上海、杭州、南京等核心地区政策厚度难以凸显，区位选择逐渐会向资本要素和创新要素为主体的市场化机制倾斜。

3.4 机制分析

智慧产业的发展机制可以从产业内外两个层面来进行剖析解读。产业内部由于其高度融合化的特性，路径依赖和新兴技术都对智慧产业的产生和发展起到了促进作用。以新兴智慧核心技术为代表的智慧产业开创了智慧产业发展的契机，尤其是二类融合应用产业多依托于传统制造业产生，并在新兴智慧核心技术的研发渗透下不断提升，形成新的智慧产业类型；进而引发了信息服务类智慧产业需求，从而使得技术下沉来支撑相关融合应用智慧产业发展，新兴智慧核心产业也和融合应用智慧产业通过技术交流、成果共享来相互促进，进而形成智慧产业内部的联动效益。在智慧产业外部，前期区域条件普遍不能满足新兴产业发展需求，城市区位机会窗口充满着不确定性和不可预测性，智慧产业并不一定是选择整体发展较为优势的环境，而是塑造环境；智慧产业同样也是典型的技术交叉和产业融合的结果，一定程度上会利用以前的资源、能力、经验和现有的技术、制度和文化结构；智慧产业立足现有产业结构、从当地技术相关活动的重组中产生，然而产业的多样性必须具有关联性，知识更容易在具有关联性的产业间溢出；制度因素也并不完全外生，会随着技术发展和市场变化实现共同演化，相互改变。
图6 演化经济地理学视角下长三角智慧产业演化机制分析

Fig.6 Evolution mechanism of smart industry in Yangtze River Delta from the perspective of evolutionary economic geography

4 结论与建议

4.1 结论

本文选取长三角2015、2018和2020年的智慧产业企业数据作为反映城市智慧产业发展水平的指标，运用区位商、空间自相关分析等方法，分析了我国长三角智慧产业时空格局演变，并采用空间计量模型，从演化经济地理学视角，探讨了智慧产业发展的影响因素，得到以下结论：
①长三角智慧产业空间演化特征在空间上分省域智慧产业首位集聚特征明显，部分发展极核出现溢出效应，处于多核发展后期。产业内不同功能特征的智慧产业在区位选择上存在一定的差异，特定类型智慧产业发展具有一定的地域根植性，会依赖当地的初始禀赋产生路径依赖。地理邻近也是智慧产业发展的重要驱动力，在空间分布上存在一定的空间相关关系且不断加强，智慧产业发展水平高的地区会在一定程度上带动临近地域发展。
②新兴智慧产业发展并不一定选择整体发展较为优势的城市，而是重点集中在高新技术产业和发展培育载体要素具有优势的城市。智慧产业同样也是典型的技术交叉和产业融合的结果，呈现路径依赖的特点，技术关联性对智慧产业的产生和发展起到显著的促进作用，尤其需要关注城市ICT等新型基础设施以及R&D科研经费等前期突破创新型和持续见效型投入。同时创新人才型要素会突破单一城市范围依托更大区域进行内外网络的连接，因此高校研发如何与智慧产业联系发展，是后续进一步研究的重点。知识更容易在具有关联性的产业间溢出，智慧产业多样化的类型能够促进产业间的知识溢出，在初期更能为智慧产业提供技术服务支撑。智慧产业的发展也同样根植于区域政策制度，制度对于区域产业演化可能是激励，也可能是阻碍，智慧产业领域的开放与否、优惠政策的制定与实施，将直接影响智慧产业的发展与集聚。
新一轮智慧产业发展正在解构着诸多传统区位理论范式，传统地价成本与市场因素不再是吸引智慧产业发展的关键要素，相较于传统农业区位论、工业区位论和中心地理论等区位理论，智慧产业区位选择及空间分布的理论可以称作“技术创新影响”理论，即区位机会窗口、技术关联、产业分叉、政策制度和特定地理环境的交互作用共同影响到长三角智慧产业的发展。

4.2 建议

基于长三角智慧产业空间演化及影响因素的分析结果，本文提出以下对策建议：
①加快智慧产业“园区化”发展。各类产业园区是当前中国经济增长的关键节点。一方面，作为促进产业集聚的有效手段，在政策平台支持，大数据、物流平台等基础设施高质量协同方面都有着无可替代的促进作用。另一方面，也可以在发挥窗口示范、辐射带动等方面起到显著效果。所以要进一步强调建设智慧园区在智慧产业发展前期的重要性，提升智慧产业企业入园率。
②促进智慧产业多样性发展。产业多样性和相关多样化所带来的知识溢出效应与智慧产业发展息息相关，既要考虑各个城市的基础和供给能力，强化关联产业网络的联系与互动，差异地从智慧产业化和产业智慧化双向路径促进产业间分叉与融合，完善区域城市间智慧产业内循环，也要从产学研关系网络出发，在高校、科研机构和企业间搭建合作桥梁，推动三者之间广泛联系，进一步加强新兴知识创新的产出。
③强化政府智慧产业政策引导。在智慧产业演化发展过程中，必须坚持持续改进政府支持与制度安排。当前无论是中国经济还是智慧产业都共同处于快速发展与转型期，中央与地方政府实施的政策、制度及治理机制，对于区划机会窗口打开、技术关联加强、产业分叉都具有引导、强化和促进作用，影响着智慧产业发展全过程。因此相关政策主体要主动调整制度框架，从上到下建立分层级的政策体系；运用区域优势，针对地方特质制定差异化政策；强调市场机制与政府政策的互动联系，实现智慧产业内外发展动力的协同。
最后，本研究也存在不足：此次研究主要将视角停留在智慧产业空间集聚和区位选择层面，在分工日益细化、产业组织网络化的今天，对产业组织和创新联系关注不足，未来可进一步朝着构建智慧产业网络方向推进，这将促进智慧产业发展突破空间和组织的约束，规避“地理锁定”和“组织惰性”所带来的同质化和低效率风险。

References

Publishing order | Descend order by publishing year | Descend order by cited within
[1]
刘鸿雁, 雷磊. 中国智慧产业发展水平综合评价与时空特征[J]. 经济地理, 2017, 37(2):106-113.

[2]
杨慧. 城市智慧产业发展方向[J]. 宁波经济(财经视点), 2012 (2):15-42,43.

[3]
张灏瀚, 沈山. 第五产业论[M]. 北京: 中国社会科学出版社, 2014.

[4]
Pai Zheng, Honghui Wang, Zhiqian Sang, et al. Smart manufacturing systems for Industry 4.0:Conceptual framework,scenarios,and future perspectives[J]. Frontiers of Mechanical Engineering, 2018, 13(2):137-150.

[5]
Andrea Ciffolilli, Alessandro Muscio. Industry 4.0:A redefinition of European manufacturing[J]. European Planning Studies, 2018, 26(12):2323-2343.

[6]
Zhanyu Liu. Research on the Internet of things and the development of smart city industry based on big data[J]. Cluster Computing, 2018, 21(1):789-795.

[7]
Martina Fuchs. Does the digitalization of manufacturing boost a 'Smart' era of capital accumulation?[J]. Zeitschrift für Wirtschaftsgeographie, 2020, 64(2):47-57.

[8]
Alan Wiig. Secure the city,revitalize the zone:Smart urbanization in Camden,New Jersey[J]. Environment and Planning, 2018, 36(3):403-422.

[9]
Kyunam K, Jung-Kyu J, Jae C. Impact of the smart city industry on the Korean national economy:Input-output analysis[J]. Sustainability, 2016, 8(7):649.

[10]
Jana Vlčková, Nikola Kaspříková, Markéta Vlčková. Technological relatedness,knowledge space and smart specialisation:The case of Germany[J]. Moravian Geographical Reports, 2018, 26(2):95-108.

[11]
Tae Hee Kwon, Jeong Ho Kwak, Kiheung Kim. A study on the establishment of policies for the activation of a big data industry and prioritization of policies:Lessons from Korea[J]. Technological Forecasting and Social Change, 2015,96:144-152.

[12]
Pierre-Alexandre Balland,Ron Boschma, Joan Crespo, et al. Smart specialization policy in the European Union:relatedness,knowledge complexity and regional diversification[J]. Regional Studies, 2019, 53(9):1252-1268.

DOI

[13]
王铮, 李刚强, 谢书玲, 等. 中国新经济产业区域专业化水平分析[J]. 地理学报, 2007(8):831-839.

[14]
毕秀晶, 汪明峰, 宁越敏. 软件产业发展的经济地理学分析[J]. 地理科学进展, 2011, 30(6):658-669.

[15]
李国平, 孙铁山, 卢明华. 北京高科技产业集聚过程及其影响因素[J]. 地理学报, 2003(6):927-936.

[16]
毕秀晶, 汪明峰, 李健, 等. 上海大都市区软件产业空间集聚与郊区化[J]. 地理学报, 2011, 66(12):1682-1694.

[17]
刘炜, 李郇, 欧俏珊. 产业集群的非正式联系及其对技术创新的影响——以顺德家电产业集群为例[J]. 地理研究, 2013, 32(3):518-530.

[18]
王承云, 秦健, 杨随. 京津沪渝创新型城区研发产业集群研究[J]. 地理学报, 2013, 68(8):1097-1109.

[19]
曾刚, 文嫮. 上海浦东信息产业集群的建设[J]. 地理学报, 2004(S1):59-66.

[20]
毛广雄, 廖庆, 刘传明, 等. 高新技术产业集群化转移的空间路径及机理研究——以江苏省为例[J]. 经济地理, 2015, 35(12):105-112.

[21]
庄一召. 关于智慧产业[EB/OL]. http://blog.163.com/zyz_a/blog/static/85755308200931731527161/,2009-04-17.

[22]
金江军. 智慧产业发展对策研究[J]. 技术经济与管理研究, 2012(11):40-44.

[23]
张燕, 秦新生. 我国智慧产业发展的核心要素研究——以广东省为例[J]. 物流工程与管理, 2015, 37(3):204-207.

[24]
贾旋. 我国智慧产业发展概况及对策研究[J]. 科技视界, 2015(14):113-149.

[25]
刘佩. 智慧城市建设背景下我国智慧产业发展策略研究[J]. 中国商贸, 2013, 24(8):146-147.

[26]
刘远彬, 丁中海. 两型社会建设与智慧产业发展研究[J]. 生态经济, 2012(11):133-135.

[27]
丛晓男, 庄立. 智慧城市群建设背景下中心城市智慧产业发展战略研究——以武汉为例[J]. 城市, 2018(1):18-24.

[28]
陈玉兰, 张灵. 长三角城市智慧产业发展比较研究[J]. 南通大学学报:社会科学版, 2017, 33(6):6-11.

[29]
黄玲丽. 浙江省智慧产业发展评价指标体系构建及实证分析[D]. 杭州: 杭州电子科技大学, 2016.

[30]
陈铭, 王乾晨, 张晓海, 等. “智慧城市”评价指标体系研究——以“智慧南京”建设为例[J]. 城市发展研究, 2011(5):84-89.

[31]
邓贤峰. “智慧城市”评价指标体系研究[J]. 发展研究, 2010 (12):111-116.

[32]
王林, 钟书华. 中国区域智慧专业化空间分布类型与时空格局演变[J]. 科技进步与对策, 2019, 36(18):33-42.

DOI

[33]
苏文松, 郭雨臣, 苑丁波, 等. 中关村科技园区智慧产业集群的演化过程、动力因素和集聚模式[J]. 地理科学进展, 2020, 39(9):1485-1497.

DOI

[34]
安虎森, 季赛卫. 演化经济地理学理论研究进展[J]. 学习与实践, 2014(7):5-18,2.

[35]
张敏, 张肃. 熊彼特以来的演化经济学理论发展综述[J]. 商业研究, 2012(6):111-118.

[36]
姜磊. 空间回归模型选择的反思[J]. 统计与信息论坛, 2016, 31(10):10-16.

[37]
金赛美. 中国农业绿色发展的空间相关性及影响因素研究[J]. 商学研究, 2018, 25(6):44-52.

[38]
鲍超, 陈小杰, 梁广林. 基于空间计量模型的河南省用水效率影响因素分析[J]. 自然资源学报, 2016, 31(7):1138-1148.

DOI

[39]
魏旭红, 孙斌栋. 我国大都市区就业次中心的形成机制——上海研究及与北京比较[J]. 城市规划学刊, 2014(5):65-71.

Options
Outlines

/

〈 〉