方大春　裴梦迪

[摘 要]基于2007—2016年我国省际高技术产业数据，利用社会网络分析法，研究我国高技术产业同构性的网络特征。研究发现：第一，我国高技术产业结构存在网络同构性，网络密度和网络关联系数呈现波动上升，网络紧密性有所增加，网络等级度和网络效率下降，网络结构仍处在不稳定状态。第二，重要“行动者”在网络结构中的控制程度弱化;山西、内蒙古及浙江等地区分别作为中西部和东部地区高技术产业结构变动的“主导者”;北京、天津、广东等经济较发达地区远离高技术产业同构性网络中心。第三，网络中省份可以划分为四类凝集子群，即东部经济发达地区、中西部及部分东部欠发达地区、西部经济欠发达地区。最优产业结构网络构建，需要从“全国一盘棋”思维出发，精准把握高技术产业结构调控重点省份，完善省域间利益协调机制。

[关键词]高技术产业;同构性;空间网络特征;社会网络分析

[中图分类号]F276.44[文献标识码]A[文章编号]1673-0461（2020）02-0059-07

一、引 言

2018年我国规模以上工业增加值同比增长6.2%，规模以上战略性新兴产业增加值同比增长8.9%，规模以上高技术制造业增加值同比增长11.7%，高技术制造业产值占规模以上工业产值的13.9%。高技术产业具有对其他產业渗透能力强、附加值高、资源消耗少等特征，成为促进技术进步和增强自主创新能力的有力抓手，是新时代推进经济高质量发展的核心引擎[1]。学术界对高技术产业的实证研究集中在探讨其创新效率[2-3]、经济增长效应[4-5]和区域产业结构效应[6-7]。这些研究主要从高技术产业产值视角入手，较少从高技术产业结构视角，探讨高技术产业结构变化产生的影响。

随着我国东部地区高技术产业不断向中西部地区转移集聚，地区间的高技术产业同构程度将提高[8]。少数学者开始逐步关注到高技术产业同构问题。蒋伏心等基于空间误差和空间滞后模型分析，发现长三角高技术产业同构对区域经济增长有促进作用，提出要将区域间相互作用纳入高技术产业发展策略中[9]。刘沛罡等基于面板数据分析，发现小尺度地区高技术产业结构相似性促进经济增长，但大尺度地区（全国）高技术产业内部结构差异性越大，越显著推动经济增长[10]。如果省际高技术产业结构调整只考虑本省与其相邻省份差异，往往会出现此消彼长的“水床效应”，全国难以形成最优产业结构。高技术产业结构相似程度高会使得资源配置效率低，导致区域内竞争激烈，影响合作，不利于各地区特色产业发挥其优势，阻碍区域经济一体化发展。实际上，随着我国交通快速发展，资源要素依附于高速便捷交通工具，实现跨区域频繁流动，使其在空间联系上更加广泛与密切，远远超出单纯地理学意义上的临近关系，不断形成空间网络联系。这就意味着，各地区高技术产业结构调控效果不仅取决于自身因素，还取决于地区间联动关系。而传统空间计量经济学模型难以从整体视角考虑区域空间上可能存在的空间效应和传递机制。我国高技术产业结构网络整体特征是什么？各省份在这种联动网络中的地位如何？只有厘清这些问题，才能从全局层面寻找关键省份（节点），调控省际间产业结构同构性。鉴于此，引入社会网络分析（Social Network Analysis，SNA）方法探究高技术产业同构性网络结构特征。社会网络分析是一种研究多个实体之间动态关系的方法，近年来被广泛运用于经济学研究领域[11-13]。

二、高技术产业同构性测度与空间关联网络模型构建

（一）高技术产业结构关联性测度

判断区域间高技术产业结构是否趋同，需要测度各区域间高技术产业同构度。地区间的高技术产业结构相似系数计算公式如下：

依据国家统计局对高技术产业统计分类，统计范围包括医药制造业、航天航空器及设备制造业、电子及通信设备制造业、计算机及办公设备制造业、医疗设备及仪器仪表制造业和信息化学品制造业。由于2012年后不公布各地区工业总产值，故2007—2011年以当年价总产值来衡量各地区各产业产值;2012—2016年以主营业务收入来衡量各地区各产业产值。考虑到数据的可获得性，研究对象是除西藏及港澳台地区外30个省、自治区和直辖市。

（二）高技术产业空间关联网络模型构建

社会网络分析主要通过研究节点（省、市、区）之间关系，节点及其关系构建社会网络结构。高技术产业结构网络中“点”表示省份，网络中“线”表示省份间高技术产业结构之间存在同构性关系。

高技术产业结构相似性影响程度会随着两者间距离增加而衰减;实际上，两个地区经济发展水平差别越大，处于同一类型的高技术产业往往处于不同生态位而形成较强互补性，产业结构同构性会降低。借用引力模型的思想，并进行相应修改，构建我国高技术产业同构性的空间网络模型，具体公式如下：

高新技术产值与各省份GDP、人均 GDP分别来源于2008—2017年《中国高技术产业统计年鉴》与《中国统计年鉴》。人均GDP与高技术产值以2007年为基期进行平减，消除价格因素对地区生产总值的影响。省际间球面距离通过ARCGIS10.0软件计算而得。

三、高技术产业同构性网络关系的实证分析

（一）整体网络分析

1.整体网络变化趋势

把空间关联矩阵（Aij）代入到Ucinet6.237中，并运用Netdraw工具，绘制2007年、2011年、2016年我国省际高技术产业同构性空间网络结构图，考察近10年来我国高技术产业同构性网络结构演变特征。由图1—图3可直接观察到我国省际高技术产业存在错综复杂的同构性关联关系，且复杂程度先降低后增强。高技术产业同构性网络在中西部地区呈现明显集聚，东部部分省份相对分离且联系较少，联系较为紧密的省份一般为地理上相邻或经济发展水平相近。

2.整体网络特征分析

需要从网络密度、网络关联系数、网络效率和网络等级度等方面考察高技术产业同构性网络的空间结构特征。网络密度是反映省际高技术产业同构性联动网络的疏密程度，取值介于0—1之间，网络密度越大表示产业同构性联系越紧密。网络关联系数反映产业同构性网络自身的稳健性和脆弱性。网络效率反映高技术产业同构性网络中各省份的连接效率，取值介于0—1之间，网络效率越接近于0，表明高技术产业同构性联系越紧密，网络结构越稳定。网络等级度表示网络中省份间非对称可达程度，取值在0—1，网络等级度越高表示很多省份在高技术产业同构性网络中处于从属或边缘地位。

利用Ucinet6.237软件计算可得（如图4），网络密度从2007年的0.103 4，下降到2011年的0.098 9后又上升到2017年的0.118 4，网络关联系数从2007年的90下降到2011年的77后又上升到2016年的103，表明省际间高技术产业存在一定的同构性联系，产业同构性网络关联密切程度总体增加但幅度不大。网络效率从2007年的0.913 8下降到2016年的0.896 6，尽管紧密性趋于增强，但总体水平偏高而处在不稳定状态。网络等级度从2007年的0.814 8波动下降到2016年的0.506 4，同样有趋好态势，仍处在不稳定状态。

（二）中心性分析

中心性測度有3个指标：度数中心度、中间中心度和接近中心度。度数中心度测量某个节点在网络中与其他节点的关联程度，度数中心度越高，表明该节点（省、市、区）越处于网络的中心地位。中间中心度测量行动者对资源控制的程度，中间中心度越高，表示其他节点（省、市、区）之间的联系越依赖该节点（省、市、区）。接近中心度测度某个行动者不受其他行动者控制的能力，接近中心度越高，表明该节点（省、市、区）与其他节点（省、市、区）越接近，处于网络中重要位置。本文选择2007年、2011年和2016年3个时间节点，考察中心性变化特征。

1.度数中心度

度数中心度包括绝对度数中心度和相对度数中心度，后者是前者的标准化，在有向网络中，某一点X的相对度数中心度（CRD），计算公式如下：

其中，n是网络的规模。点入度表示充当关系“接收者”的次数，点出度即充当关系“发送者”的次数。点入度衡量某个省份的高技术产业结构同构性受到其他省份影响的程度，点出度衡量某个省份影响其他省份产业结构同构性的能力。利用Ucinet6.237软件计算各时点所有省份的中心度，衡量不同时间省份的度数中心度变化，列出2007年、2011年和2016年的结果如表1。

度数中心度均值由2007年的10.34下降到2011年的8.85后上升到2016年的11.84，整体网络关联程度先下降后上升。始终高于均值的省份有河北、山西、内蒙古、青海、宁夏、安徽、福建、江西、湖北、湖南等，在产业同构性网络中处于中心位置，需要重点关注，这些省份大多是地理位置较为相邻且经济发展欠发达地区，呈局部片状分布。点入度一直大于点出度的省份有河北、青海、宁夏，这些省份高技术产业结构受其他省份影响大于对其他省份影响的程度。点出度一直大于点入度的省份有山西、内蒙古，对其他省份的高技术产业结构影响力大于被其他省份影响的程度。还有一些省份的点出度和点入度关系出现浮动，湖南和湖北从“受影响者”变为“影响者”，江西从“影响者”转为“受影响者”。安徽经历了“受影响者”到“影响者”到“受影响者”的变化。

2.中间中心度

由表2可知，中间中心度均值由2007年的7.89下降到2016年的5.68，表明总体网络中“中心行动者”对高技术产业结构变动的控制程度弱化。3个间隔年份中，始终高于均值的有山西、内蒙古、浙江，中部、西部和东部局部地区的高技术产业结构联系分别通过这些中介省份来完成，这些中介省份在高技术产业同构网络中值得关注。2011年以来，北京、天津、广东等地的中间中心度水平一直为0，在高技术产业同构网络中地位靠后，原因是这些经济较为发达地区在高技术产业发展过程中的独立性较强，故远离高技术产业同构网络中心。值得注意的是，安徽、福建、江苏在2007年和2016年的中间中心度均超过均值且排名较高，但2011年低至0，江西、山东、湖北、重庆、云南、贵州等地在2011年的中间中心度值为0。这些表明省份充当“中间人”的角色是不稳定的，有时仅充当“自我”联络人而绕过其他冗余的联系。

3.接近中心度

由表3可知，接近中心度均值由2007年的32.93下降到2011年的18.50后提高至2016年的39.88，这表明整个高技术产业结构同构网络的相互关联性先减弱后增强。始终超过平均值的有河北、山西、内蒙古、湖北、湖南、广西、海南、重庆、青海、宁夏，观察图1—图3也可发现，这些地区处于网络中的核心位置，相互之间联系较多。北京、天津、上海、广东排名靠后远离网络中的其他点，在高技术产业结构同构网络中较少参与信息传递，与其他省之间连线很少。

（三）凝集子群分析

通过凝聚子群分析，探究高技术产业同构性网络中若干省份形成小的团体或者子群情况，研究网络中存在多少凝聚子群，各凝聚子群之间是什么关系，以及凝聚子群内部成员之间的关系具有怎样的特点等，有助于进一步把握网络的整体结构。采用迭代相关收敛法CONCER以最大分割深度为2，收敛标准为0.2，将高技术产业同构性空间关联网络分为4个凝聚子群。下面给出2016年各凝集子群成员分组情况，如表4。

从表4可以看出，我国省际高技术产业同构性网络构成4个子群。第一子群成员均为东部经济较发达地区，高技术产业走在前列，具有产业结构发展独立性，也较难被模仿超越。第二子群和第三子群成员多为中西部地区和东部部分欠发达地区，经济发展水平相近或地理位置相邻地区的高技术产业同构性关联强，存在高技术产业结构的模仿追随现象。第四子群成员为西部欠发达地区，高技术产业发展缓慢，高技术产业内部结构调整滞后，存在低质量同构关联。

四、结论与建议

本文基于社会网络分析方法探究我国省际高技术产业同构的网络结构特征，研究结论如下：

第一，整体网络结构特征来看：样本期间内，我国30个地区高技术产业结构存在错综复杂的同构性关联关系，且复杂程度先下降后增强。高技术产业结构同构网络中省份呈现分块集聚，地理相邻或经济发展水平相近的省份联系紧密。网络密度、网络关联系数总体略上升，表明这种产业结构同构网络关联密切性有所增加，但增加幅度不大。网络等级度和网络效率下降，高技术产业结构同构网络并不稳定。

第二，从个体网络结构特征来看：①我国高技术产业结构同构网络度数中心度和接近中心度均值有先下降后上升趋势，省际间高技术产业同构性关联总体增加，中间中心度均值有下降趋势，网络中重要“行动者”对高技术产业结构变动的控制程度弱化。②始终高于度数中心度均值的省份大多是地理位置较为相邻且经济发展欠发达地区，河北、青海、宁夏的点入度通常大于点出度，受其他地区高技术产业结构影响的程度常常大于自身影响其他省份的程度，山西、内蒙古等地对其他省份的高技术产业结构影响大于被其他省影响的程度。③在3个间隔年份中，始终高于中间中心度均值的省区（如山西、内蒙古、浙江），分别作为中西部和东部地区高技术产业结构变动的“主导者”。北京、天津、广东经济较发达地区远离高技术产业同构性网络中心。④始终超过接近中心度均值的省份包括河北、山西、内蒙古、湖北、湖南、广西、海南、重庆、青海、宁夏，这些省份处于网络中的核心位置，相互之间联系较多，北京、天津、上海、广东在高技术产业同构性整体网络中较少参与信息传递。第三，从凝集子群分析来看：第一子群成员均为东部经济较发达地区;第二子群和第三子群成员多为中西部地区和东部部分欠发达地区;第四子群成员为西部欠发达地区。

根据上述结论，提出如下建议：

一是高技术产业结构调控需要“全国一盘棋”思维。我国省际高技术产业结构存在空间同构性关系，这种关系不是简单的省份与省份间直接线性关系，而是多个省际间直接和间接的复杂关系。这就要求政府不仅要关注各省份高技术产业结构的产值等“属性数据”，更要重视省际间高技术产业结构空间关联关系，调控需要“全国一盘棋”思维，从整体上把握产业结构同构性的波动趋势，推进产业结构优化呈现空间互动态势。

二是精准把握高技术产业结构调控重点省份。对于度数中心度、接近中心度、中间中心度较高的地区，国家在制定高技术产业结构调控政策时应予以重点关注。这些省份在谋划自身高技术产业布局时，也要关注对其他省份的空间传导效应。在实施宏观调控时，先对在网络中主导作用省份的高技术产业进行精准定位，再调控与其有关联关系省份高技术产业结构。整体来看，北京、天津、江苏、浙江和上海等东部经济发达地区之间关联紧密，远离高技术产业结构同构网络中心，与其他地区不存在严重的高技术产业同构。因此，需要着重考虑上海与浙江的高技术产业结构调整方向和程度，更好发挥桥梁作用，促进高技术产业结构的优质同构。河北、山西、内蒙古，湖北、湖南、广西、海南、重庆、青海、宁夏处于高技术产业结构同构网络中心。其中河北、青海、宁夏较容易受其他地区高技术产业结构影响，山西、内蒙古分别作为中部和西部地区高技术产业结构变动的“主导者”。因此，在高技术产业结构政策上应实施从严调控策略，从源头上稳定产业结构，以免造成经济欠发达地区的高技术产业结构混乱，与当地实际发展情况不适应。

三是完善省域间利益协调机制。深化各地区高技术产业合作，完善省域间经济利益协调机制，特别是建立和健全相应的产业经济利益分享与补偿机制，促进省份间高技术产业分工和产业价值链延伸，按省份高技术产业分工和发挥区域比较优势的要求来定位和发展区域高技术产业，优化高技术产业布局，从而有效规避高技术产业结构趋同。

[参考文献]

[1] 成祖松.中国高技术产业升级的“双链”驱动研究[J].学习与实践，2019（1）：29-39.

[2] 叶丹，黄庆华.区域创新环境对高技术产业创新效率的影响研究——基于DEA-Malmquist方法[J].宏观经济研究，2017（8）：132-140.

[3] 张涵，杨晓昕.创新环境约束下高技术产业区域创新效率及收敛性研究[J].科技进步与对策，2018，35（3）：43-51.

[4] 张达君，赵鑫.高技术产业对经济增长的影响机制及发展建议[J].经济纵横，2017（10）：81-86.

[5] 李骏，刘洪伟，陈银.产业集聚、技术学习成本与区域经济增长——以中国省际高技术产业为例[J].软科学，2018，32（4）：95-99.

[6] 张桢.我国高技术产业发展、金融结构优化与产业升级——基于最优金融结构理论的实证分析[J].工业技术经济，2016，35（2）：97-104.

[7] 汤长安，张丽家，李红燕.高技术产业发展对区域产业结构升级影响的实证研究[J]. 系统工程，2017，35（8）：106-116.

[8] 成祖松.中国高技術产业转移趋势时空分析——基于1995-2015年中国高技术产业相关数据[J].科技进步与对策，2018，35（2）：66-75.

[9] 蒋伏心，苏文锦.长三角高技术产业同构对区域经济增长影响的研究——基于空间计量经济的实证分析[J].江苏社会科学，2012（3）：77-82.

[10] 刘沛罡，王海军.高技术产业内部结构多样化、专业化与经济增长动力——基于省域高技术产业制造业、高技术产业服务业面板数据的实证分析[J]. 产业经济研究，2016（6）：46-56.

[11] 林春艳，孔凡超.中国产业结构高度化的空间关联效应分析——基于社会网络分析方法[J].经济学家，2016（11）：45-53.

[12] 方大春，裴梦迪.房价空间关联网络结构实证分析[J].上海经济研究，2018（1）：63-73.

[13] MAOXING HUANG， ZHENZHEN WANG， TING CHEN. Analysis on the theory and practice of industrial symbiosis based on bibliometrics and social network analysis[J]. Journal of cleaner production，2019，213.

Abstract： Based on the data of high-tech industry of China′s provinces from 2007 to 2016， the social network analysis method is used to study the network characteristics of China′s high-tech industry isomorphism. The research finds out： First， there is network isomorphism in China′s high-tech industrial structure. The network density and associations are fluctuating upward; the network tightness is increased; the network hierarchy and efficiency are declining; the network structure is still in an unstable state. Second， the dominating function of important "actors" in the network structure is weakened; Shanxi， Inner Mongolia and Zhejiang provinces are the "leaders" leading the changes in the high-tech industrial structure in the central， western and eastern regions respectively. The more economically developed provinces such as Beijing， Tianjin and Guangdong are far from the network centers of high-tech industry isomorphism. Third， the provinces in the network can be divided into four types of agglomeration subgroups， that is， the economically developed regions in the East， the underdeveloped regions in the central， western， and some of the eastern regions， and the economically underdeveloped regions in the West. In order to build the optimal industrial structure network， China needs to start from the thinking of "considering the whole country as one"， accurately identify the key provinces in regulating high-tech industrial structure， and improve the coordination mechanism of interests between regions.

Key words： high-tech industry; isomorphism; characteristics of the space network; analysis of social networks

（責任编辑：张丽阳）