刘志彪：邻近性促进开发区增长了吗？---基于上海市级以上开发区的实证研究

         摘要：该文运用2008～2013年上海30个市级以上开发区的面板数据，研究了开发区与最近距离开发区之间的邻近性对开发区发展的影响。依据邻近性理论和生态系统理论，城市开发区之间的邻近性表现为地理邻近性、技术邻近性和系统中心性，它们分别从空间分布、产业构成和功能等方面彼此产生影响；在互惠效应和竞争效应的作用下，地理邻近性、技术邻近性和系统中心性与开发区增长为倒U关系。这意味着，在低水平时，邻近性增加，开发区之间的互惠效应起主导作用，有利于开发区增长；在高水平时，邻近性增加，开发区之间的竞争效应起主导作用，不利于开发区增长。基于此，文章提出应当从生态系统审视开发区转型升级和创新发展：在空间分布上，上海市各开发区之间的最佳可达距离应在54公里左右，以形成利于开发区增长的空间体系；在产业构成上，开发区与地理上邻近的开发区在集聚的产业上要有技术相似性，以增强产业集聚效应，形成利于技术知识溢出的产业体系；在功能角色上，要通过邻近开发区之间的功能整合，形成差异化同时互惠的功能体系。

         关键词：邻近性，开发区增长，上海市级以上开发区

         一、引言

         开发区作为一种载体型产业空间(鲍克、夏友富，2008)，经过三十多年发展，已成为我国地区经济增长的重要载体。一个城市的工业用地量是有限的，在要素边际报酬递减与环境承载能力约束下，开发区依赖土地开发规模的扩张驱动产值增长的空间已达极限。需要寻求在既定空间规划面积约束下持续实现其总产值或总收入增长的方式，然而，空间布局分散、产业构成混杂、功能角色不清等是影响开发区增长的现实问题(耿海清，2013)。

         这些问题与开发区在开发与发展过程中忽视开发区之间的邻近性和相互依存性密切有关。邻近性在创新、组织和区域等研究领域中是一个重要概念。它以可促进组织间的知识共享、知识转移和技术获取(Gertler，2003)，通常被看着是组织间合作的重要目标(Hagedoorn和Schakenraad，1994)，有助于突破组织能力和资源约束，增强组织的竞争地位。目前关于邻近性的实证研究主要集中在个体对偶层面(Boschma，2005；Knoben & Oerlemans，2012)、区域层面(党兴华、弓志刚，2013)，仅有少量文章讨论了开发区内企业间的邻近性问题(王缉慈，2005；江涛、曾刚，2008；李琳、杨田，2011)，但是，并没有把开发区作为研究对象，深入分析开发区之间的邻近性对开发区增长的影响。

         一座城市的开发区不是孤立存在的，而是像其他组织一样，彼此之间存在互惠和竞争关系(Barnett& Carroll，1987)。这就要求开发主体从生态系统审视本开发区与其他开发区之间的依存关系，以达到在有限的空间规划面积下，尽可能增加每个开发区的总产值或总收入，推动开发区成为带动地区经济发展和实施区域发展战略的重要载体。然而，开发公司或开发区管委会等开发主体对开发区进行规划、开发或“二次开发”过程中，常常忽视开发区之间的依存关系对开发区发展的影响。鉴于此种情况，本文结合邻近性理论和生态系统理论，构造了组织间邻近性依赖模型，该模型较好地刻画了开发区在空间分布、产业构成和功能位置上的相互关系。本文的创新之处在于：一是把当前运用于微观主体层面的邻近性概念拓展到开发区层面，既从对偶层面的地理邻近性和技术邻近性考察开发区的空间分布和产业构成关系，同时也从系统层面的系统中心性考察开发区在开发区系统中的功能和角色；二是从生态系统角度，把城市内部的开发区看成开发区系统，讨论开发区与开发区之间的邻近性所产生的互惠效应和竞争效应对开发区发展的影响机制和性质。

         二、文献回顾与研究假说

         (一)邻近性产生的互惠效应和竞争效应

         1.开发区的邻近性。Knoben和Oerlemans(2012)把组织间邻近性整合为地理邻近性、技术邻近性和组织邻近性。本文从空间分布、产业构成和功能角色三个维度来界定开发区邻近性的内涵，一是开发区对偶层面的地理邻近性和技术邻近性。开发区的地理邻近性指目标开发区与距离最近开发区之间的可达距离(Capello，1999)，以此刻画目标开发区与距离最近的开发区之间的空间布局关系；技术邻近性定义为两个行动者之间在技术经验和知识基础上的重叠程度(Schamp et al.，2004)，对于中观层面开发区的技术邻近性，指目标开发区与距离最近开发区之间，在具有集聚优势产业上的技术相似程度，用以刻画目标开发区与距离最近开发区之间的产业构成关系；二是开发区系统层面的系统中心性。系统中心性定义为一个行动者在其所属系统中所具有的地位、功能或影响力(Wasserman和Faust，1994)，用以刻画目标开发区与城市开发区系统中其他开发区的功能角色关系。

         2.互惠效应和竞争效应。依据邻近性和生态系统理论(Hannan和Freeman，1989；Zhang et al.，2009)，本文提出开发区之间存在邻近性依赖，开发区之间的邻近性表现为地理邻近性、技术邻近性和系统中心性。它们通过互惠效应和竞争效应，共同影响开发区的发展。互惠效应源于开发区邻近性所形成的聚合优势，它有利于企业创新和开发区吸附创新要素；竞争效应源于开发区邻近性产生的资源需求相似性和资源供给有限性。随着开发区之间的地理邻近性、技术邻近性和系统中心性的增强，互惠效应也会增强，当它们超过某临界值之后，会加剧开发区对相似性资源的共同需求与区位资源有限供给之间的矛盾，开发区之间的边际互惠效应将逐渐减弱，而开发区之间的边际竞争效应则会逐渐增强。即在低水平时，邻近性增加，开发区之间的互惠效应起主导作用，有利于开发区发展；在高水平时，邻近性增加，开发区之间的竞争效应起主导作用，不利于开发区增强。因此，在互惠效应和竞争效应的共同作用下，地理邻近性、技术邻近性和系统中心性与开发区增长呈倒U关系。

         (二)邻近性与开发区增长

         1.地理邻近性与开发区增长。创新地理的相关研究表明，企业与其他创新主体在地理上的邻近，虽然不是创新发生的必要条件，但是有助于促进创新，尤其是在生产经营活动涉及隐性知识或综合性知识基础的情况下(Torre和Rallet，2005；Asheim et al.，2012)。对开发区来说，开发区与最近距离开发区之间的地理邻近性，可以产生互惠效应在以下两个方面有利于开发区增长：一是地理邻近性可以促进开发区及开发区中各主体之间展开“互动中学”，从而推动开发区增长。虽然处于我国开发区内部的企业多是为获取“政策租”而“扎堆”，不具有一般意义上的产业集聚效应(郑江淮等，2008；赵延东、张文霞，2009)，但是开发区内企业的技术和市场行为会与其他开发区企业发生作用(江涛、曾刚，2008)，从而扩大开发区集聚效应。地理邻近的开发区共同创造或自然形成的各类平台、场所、空间等基础设施，会增加各主体之间的交往、合作、创业和联合培训进修等活动的机会和频率，以及便利先进的规划理念、招商资源和开发建设经验等。它们在开发区之间通过互动交流产生溢出。二是地理邻近的多个开发区，会形成集体声誉，有助于增强对配套供应商、投资者、创业者、高级管理和技术人才、风险投资人等外部优质主体的吸引力并降低他们的搜索成本，促进高级生产要素的集聚。

         然而，区位承载能力及区位资源是有限的，随着开发区之间地理邻近性的增加，会强化开发区之间的竞争效应，不利于开发区增长。一方面，企业为获得技能人才、适宜办公空间等相似生产要素，企业间的竞争会加剧；要素供给不足也会推高区位的商务成本，再加上企业投资转移进一步加剧了开发区之间招商引资的竞争性；另一方面，在开发区与城市在空间和功能上割裂的现状下，开发区的高度邻近，使得开发区所在区位的就业密度增加，加重区位在教育、医疗等公共资源供给上的承载负荷。因此，当开发区之间的地理邻近性处于低水平时，地理邻近性增加，产生互惠效应而有利于开发区增长；当地理邻近性处于高水平时，地理邻近性增加，产生竞争效应则不利于开发区增长。综上所述，本文提出以下假设：

         H1：开发区的地理邻近性与开发区增长为倒U关系。

         2.技术邻近性与开发区增长。产业也可以视为在特定市场区段里的技术体系，在地理上邻近的两个开发区，如果它们的集聚优势产业在产业技术上是邻近的，相似的技术知识便有利于互惠效应的产生，从而推动开发区增长。一方面，主体之间的互动是基于技术相似性和技术关联性而在行业内部和行业间展开的(杨锐、李维娜，2010)，技术邻近性意味着开发区及主体之间具备相似的知识基础和较短的认知距离(Nooteboom et al.，2007)，有助于促进主体之间建立创新联结，开展创新合作(Koschatzky和Sternberg，2000)，也有助于在特定产业领域成立联合实验室，共同攻克共性技术难题或制定共同的行业标准；另一方面，产业技术邻近的开发区有利于在局部区域形成特色鲜明的产业集聚区，增加该区域在某产业领域的专业化知识存量，有利于企业展开本地创新搜索，提升其潜在知识的获得效率(Feldman和Kogler，2010)，为技术导向且处于成长期的企业成长提供肥沃土壤(Audretsch和Dohse，2007；Schimke et al.，2013)。

         然而，与距离最近的开发区在产业技术上的高度邻近，会强化开发区为获取相似有限产业资源的竞争效应，同时，产业技术的专业化及技术轨迹的路径依赖，也不利于开发区响应技术变革和自身发展。首先，为获得促进产业创新发展的财税政策、产业项目、紧缺的专业技术人才，开发区之间会展开激烈的竞争，一些开发区甚至还会突破国家土地、税收法规等政策的规定，过度竞争的结果是导致效率低下的公共资源浪费和资源配置扭曲。其次，产业技术的高度邻近使得先前有利于企业发展的产业专业化，反而不利于企业响应市场需求和产业技术变革，也会由于市场对产品需求减少或是企业投资转移，使得依赖单一产业的开发区其增长弹性缩小。因此，当开发区之间的技术邻近性处于低水平时，技术邻近性的增加，会产生互惠效应有利于开发区增长；当技术邻近性处于高水平时，技术邻近性的增加，则产生竞争效应不利于开发区增长。综上所述，本文提出假设2：

         H2：开发区的技术邻近性与开发区增长为倒U关系。

         3.系统中心性与开发区增长。开发区i的系统中心性是由开发区i与其所连接的开发区系统中其他开发区j的中心性及开发区i与开发区j之间的测地线距离所共同决定的(Bonnacich，1987)。开发区的系统中心性源于开发区已有产业和生产性资源等优势，若一个开发区在开发区系统中具有较高的中心性，一方面，意味着它能便捷地与系统中其他开发区建立各种联系，在信息获取、平台搭建、共性资源获得等方面具有整合力和控制力。同时，也具有比其他开发区更好的吸引优质生产要素的优势，为其他开发区就近吸引和获得优质生产要素提供了便利条件；另一方面，有功能影响力的开发区能够对邻近开发区产生管理知识和产业项目的溢出效应。源于系统中心性的这些优势都会促进开发区增长。

         然而，开发区的系统中心性与其他开发区的系统中心性是相互关联的，在整个开发区系统中，如果邻近多数开发区的系统中心性都很高，则可能会由于地位和功能的相似性，形成“无形的柏林墙”(杜玉虎，2014)，阻碍彼此展开合作，甚至恶性竞争，不利于开发区增长。为了谋求开发区转型升级，开发区通常习惯于忽略开发区自身资源基础及与周边开发区的相互关系，盲目地竞相争夺土地指标，竞相引入相似的战略新兴产业或生产性服务业项目，同时在投资项目供地、税收、人才引进等各个方面展开激烈竞争；其次，开发区日趋重视功能平台的构建(李正图，2008)，为了增强自身影响力，邻近的开发区各自独立建设多个功能重叠平台，这实际上是开发区之间过度竞争导致的功能重复设置和资源浪费。因此，当开发区的系统中心性处于低水平时，系统中心性的增加，产生互惠效应而利于开发区增长；当系统中心性处于高水平时，系统中心性的增加，产生竞争效应而不利于开发区增长。综上所述，本文提出假设3：

         H3：开发区的系统中心性与开发区增长呈现倒U关系。

         三、数据、变量与计量模型

         (一)样本与数据

         本文的分析数据来自《上海市开发区统计年鉴》(2008～2013年)。由于上海朱泾工业区、松江出口加工区等开发区的数据缺失，本文选取上海市级以上开发区中的30个开发区作为研究对象。这30个开发区累计已开发面积占上海市开发区790平方公里的规划面积比重，由2008年的24%上升到2013年的51%；企业数量占上海市规模以上企业数量的比重，由2008年的31%上升到2013年的57%；工业总产值占比由2008年的51%上升到2013年的74%；全部从业人员平均人数占比由2008年的41%上升到2013年的70%。上述统计指标显示，本文的30个开发区样本具有代表性。在上述开发区统计年鉴中，共统计了38个两位数行业，由于各个开发区没有煤炭开采和洗选业、石油和天然气开采业等采矿业，同时还剔除了电力、热力的生产和供应业等公共事业行业。因此，每个样本开发区共有28个行业可以用于分析开发区之间在产业上的技术邻近性。

         (二)变量

         1.被解释变量。本文的被解释变量是开发区总产值，采用上海工业产品出厂价格指数剔除价格因素，并以2008年为基准年，计算出各开发区2008～2013年可比价的总产值数据。

         2.解释变量。本文的解释变量是地理邻近性、技术邻近性和系统中心性。为把可达地理距离转化为可测度的地理邻近性，采用开发区之间地理距离的自然对数减去地理距离最大值的自然对数，得出30×30的开发区地理邻近性矩阵，据此地理邻近性矩阵，识别出每个开发区与最近距离开发区之间的地理邻近性。数值越大，表明开发区之间的地理邻近性越高，可达距离越短。对于技术邻近性。首先，依据区位商公式：LQ=(Eig/Ei)/(Eng/En)(其中：Eig是开发区i在行业g上的就业人数，Ei是开发区i的总就业人数，Eng是行业g在区域n的就业人数，是区域n的总就业人数)，计算逐年开发区每个产业的产业集聚度，得到30个开发区×28个产业的产业集聚度矩阵；其次，利用社会网络分析软件Ucinet 6，计算Cohens Kappa系数，即k=(p0-pe)/(1-pe)，其中，p0为两两开发区每个产业在集聚度上实际一致的概率，pe为两两开发区的每个产业在集聚度上偶然一致的概率，得出30× 30的开发区技术邻近性矩阵。开发区的产业构成是开发区招商引资的行为结果，该指标依据产业集聚度可以很好地判断两两开发区之间在产业构成上的一致性，k值越趋于1，意味着两个开发区在具有集聚优势的产业上越趋于一致，也意味着两个开发区在产业技术上越具有相似性；最后，依据开发区的地理邻近性矩阵，找出目标开发区与地理邻近性最高开发区之间的一一对应关系，获得目标开发区的技术邻近性指标。数值越大，表明开发区与地理最邻近开发区之间在产业技术上越相似。对于系统中心性。首先，依据开发区之间的地理距离矩阵(原始数据)，利用Ucinet 6计算出Bonacichs power指数，即ci=∑Aij(α+βcj)，其中Aij为两个开发区之间的测地线距离，cj为j开发区的系统中心性；其次，为了在开发区之间进行比较，计算出每个开发区标准化的系统中心性指标。数值越大，表明开发区在开发区生态系统中的知识资源整合、信息获取等方面具有主导性。

         3.控制变量。为了剔除其他因素对开发区增长的影响，在实证分析中，需要控制影响开发区增长的其他可观察变量。首先，引入开发区人均资产和开发区就业规模，以控制影响开发区产值增长的投入要素差异；其次，引入开发区出口强度和开发区单位面积产出，以控制开发区外向程度和已累积的开发土地面积差异；最后，引入开发区管理体制和开发区成立年限，以控制开发区在资源获得、运营管理经验能力积累上的差异性。上述控制变量的度量方法如下：开发区从业人员人均资产，用开发区的资产总额与全部从业人员平均人数比值表示；开发区就业规模，用开发区全部从业人员平均人数的对数值表示；开发区出口强度，用开发区出口额与开发区销售额比值表示；开发区单位面积产出，用开发区产值与累积已开发土地面积比值的对数值表示；开发区成立年限，用数据采集年与开发区成立年时间之差表示；开发区运行模式，上海开发区有公司制和管委会两种运行模式，赋值1为公司制运行模式，赋值0为管委会运行模式。此外，为了控制开发区因在不同年份的政策变化或其他时间效应带来的影响，本文的分析模型中加入了年份虚拟变量。

         (三)计量模型与估计方法

         1.模型构建。为了检验目标开发区与距离最近开发区之间的邻近性对开发区增长的影响，本文借鉴组织增长的经验模型(ZHANG et al.，2009)：

         上述模型经对数变换后：ln(Vi，t+1)=αln(Vit)+Xitβ+μi+εi，t+1    (2)

         式(2)中，i为开发区(i=1…30)，t为时间(t=2008年～2013年)；V为随时间变化的开发区工业总产值；α是调节参数，说明开发区的增长率依赖于过去的产值；β是解释变量向量X的参数向量；是不可观测的个体异质性，是随个体和时间的变化而变化的干扰向量。

         2.估计方法。首先，依据Breusch-Pagan Lagrange Multipier Test(BP检验)，在1%显著性水平上拒绝了混合OLS方法，即开发区层面个体异质性效应显著。因此，本文使用面板数据处理方法。其次，Hausman检验表明，固定效应方法更合适，也即开发区层面个体异质性与解释变量X之间存在相关性。在模型(2)的解释变量X中，既有随时间变化的变量(Xit)，又有不随时间变化的个体异质性变量(Zi)。为此，本文采取两种估计方法：①固定效应估计。在分析随时间变化的解释变量Xit对开发区增长影响时，估计模型为：

ln(Vi，t+1)=αln(Vit)+Xitβ+εi，t+1    (3)

         ②Hausman-Taylor估计(简称“HT估计”)。该估计方法综合了固定效应和随机效应估计的各自优点，既可解决固定效应模型中不随时间变化变量无法估计的问题，同时又不需要额外外部工具变量就可以解决工具变量问题。估计模型为：

ln(Vi，t+1)=αln(Vit)+X1，itβ1+X2，itβ2+Z1iδ1+Z2iδ2+μi+εi，t+1    (4)

         式(4)中被解释变量X和Z可以分解为两组向量：X=[X1；X2]和Z=[Z1；Z2]。其中，X1是n×k2向量，Z1是n×g1向量，Z2是n×g2向量，n=NT。X1和Z1假定为是与μi和εi，t+1不相关的外生解释变量，X2和Z2假定为是与μi相关而与εi，t+1不相关的内生变量。为了确保参数估计的稳健性，本文使用传统非参数Bootstrap replications来计算标准差，并引入时间虚拟变量，以排除时间效应及剔除横截面依赖性。同时，使用Sargan-Hansen检验以确保工具变量有效。

         四、实证结果与分析

         (一)变量统计描述与相关性分析

         本文的变量统计描述和变量之间的相关性系数如表1所示。从相关性系数看，各个解释变量与开发区产值有较高相关性，而各解释变量之间的相关性大多在0.6以下，可以排除解释变量之间潜在的共线性问题。此外，系统中心性和地理邻近性这两个不随时间变化的解释变量与其他解释变量都有较高相关性，在进行Hausman-Taylor估计时可以避免弱工具变量问题。

表1  变量描述统计与相关性系数

说明：N=150。

         (二)开发区增长的估计结果

         开发区增长模型的估计结果如表2所示。总共有6个估计模型，其中，模型1和模型2采用Hausman检验，对式(3)采用固定效应估计；模型3～6对式(4)采用HT估计，Sargan-Hansen统计概率值表明，在HT估计中所使用的工具变量是有效的。模型1仅包含控制变量；模型2～4是分别考察开发区技术邻近、地理邻近和系统中心性对开发区增长的影响；模型5～6是在考虑每个开发区技术邻近的条件下，考察开发区地理邻近和系统中心性对开发区增长的影响。

表2  开发区增长的估计结果

说明：*、**、***分别表示10%、5%、1%显著性水平，括号内为回归系数标准误，模型1和模型2括号内为稳健性标准差。

         1.开发区的地理邻近性与开发区增长之间的关系为倒U关系。依据模型3和模型5，开发区的地理邻近性对开发区增长有显著积极作用(b=11.45，p＜0.05；b=12.22，p＜0.001)，地理邻近性平方项有显著负面作用(b=-5.176，p＜0.001；b=-5.524，p＜0.001)，从而验证了假设H1，即开发区地理邻近性与开发区增长呈倒U关系。开发区地理邻近性的增加可以通过促进开发区之间的相互学习和集体互动，产生有利于开发区增长的互惠效应。目前上海市开发区地理邻近性的均值为1.278，如果地理邻近性均值由1.278减少到1.106，即平均可达距离由45公里增加到54公里，则开发区产值会比目前增长2.5%。然而，若开发区在地理上过于邻近则会由于争夺相似资源而强化竞争效应，有损于开发区增长。平均来看，上海开发区在空间分布上已过于邻近，开发区之间的最佳可达距离应控制在54公里左右。

         2.开发区的技术邻近性与开发区增长为倒U关系。依据模型2，开发区的技术邻近性对开发区增长有显著积极作用(b=1.319，p＜0.001)，技术邻近性平方项则有显著负面作用(b=-1.283，p＜0.05)，从而验证了假设H2，即开发区技术邻近性与开发区增长呈倒U关系。开发区增强与距离最近开发区的产业技术邻近，可以产生基于互动的知识溢出而利于创新活动，以及增加专业化知识存量等有利于开发区增长的互惠效应。目前上海市开发区技术邻近性均值为29.8%，如果由29.8%增加到51.4%的最佳水平，即开发区与地理最邻近开发区之间在具有集聚优势产业上的一致性比例，由29.8%提升到51.4%，则开发区产值会比目前增长22%。然而，开发区在具有集聚优势产业上的相似程度过高，会强化开发区为获取相似有限的产业资源的竞争程度，会强化开发区之间的竞争效应，有损于开发区增长。平均来看，目前具有相似的集聚优势产业在上海开发区之间的分布较为分散，开发区之间在产业构成上尚未充分发挥互惠效应。

         3.开发区的系统中心性与开发区增长为倒U关系。依据模型4和模型6，开发区的系统中心性对开发区增长有显著积极作用(b=2.252，p＜0.001；b=2.399，p＜0.001)，技术邻近性平方项则有显著负面作用(b=-0.170，p＜0.001；b=-0.181，p＜0.001)，从而验证了假设H3，即开发区系统中心性与开发区增长呈倒U关系。开发区提升自身在开发区系统中的中心位置，通过与系统中的其他开发区建立便捷的联系，可以推进开发区在信息、资源、平台等方面的合作和共同建设，同时也有利于对邻近开发区产生管理知识和产业项目的溢出，形成互惠效应，显著地促进开发区增长。目前上海市开发区系统中心性均值为5.33，如果由5.33增加到6.63的最佳水平，则开发区产值会比目前增长3.98%。然而，随着开发区之间系统中心性的增强，开发区则会为了进一步支撑开发区的发展而争夺有限的生产资源强化竞争效应，有损于开发区增长。平均来看，具有品牌影响力的开发区之间平均地理距离为7.1公里，这意味着上海市开发区彼此之间在开发区系统中的中心性还处于较低水平，尚未充分释放系统中心性所产生的互惠效应。

         (三)稳健性分析

         在本模型的三个重要解释变量中，系统中心性和技术邻近性是通过指标设计获取数据，为了检验这两个指标参数估计结果的稳健性，本文采取了其他替代测量方法来进行再次估计。

         1.技术邻近性。首先，依据开发区每个产业的产业集聚度，把产业集聚度小1的产业的集聚度设置为0，只保留产业集聚度大于等于1的那些产业，构建30个开发区×28个产业的矩阵；其次，利用Ucinet6依照Identity Coefficient计算每个开发区在28个具有明显聚集优势产业之间的相似性，据此得到开发区技术邻近性指标并放入模型2进行固定效应估计。估计的结果是：开发区技术邻近性系数为1.074，稳健标准差为-0.510，开发区技术邻近性平方项系数为-1.560，稳健标准差为0.849，其他变量系数等未发生显著变化。

         2.系统中心性。本文利用2013年上海市关于开发区“品牌园区”和“优秀品牌建设区”的评价数据与30个开发区的地理邻近性矩阵相乘，获取基于地理邻近性的每个开发区在开发区系统中的影响力指标，放入模型4和6中进行HT估计，估计结果表明：开发区系统中心性系数为2.032，稳健标准差为-0.810，开发区系统中心性平方项系数为-2.421，稳健标准差为0.807，其他变量系数等均未发生显著变化。地理邻近性、技术邻近性和系统中心性与开发区增长的拟合曲线均呈现倒U特征，其中开发区地理邻近性与开发区增长预测值散点图，见图1。

图1  开发区的地理邻近性与开发区增长预测值散点图

         五、结论与政策建议

         本文从理论上阐述了各个开发区相互之间在地理邻近性、技术邻近性和系统中心性的关系，表明它们之间的互惠效应和竞争效应共同影响着开发区的增长。同时，本文以2008年到2013年上海市级以上开发区为样本，验证了地理邻近性、技术邻近性和系统中心性与开发区增长之间的倒U关系。这意味着，在低水平时，邻近性增加，开发区之间的互惠效应起主导作用，有利于开发区增长；在高水平时，邻近性增加，开发区之间的竞争效应起主导作用，不利于开发区增长。

         我国目前单个开发区内部尚未表现出集群效应，开发区公司或管委会需要跳出只关注自身开发区发展的思维，增强开发区邻近性所产生的互惠效应，限制其竞争效应，以在既定空间规划面积约束下，尽可能最大化开发区的总产值或总收入，实现开发区的持续增长，使之成为带动地区经济发展和实施区域发展战略的重要载体。在“十三五”期间，开发区开发主体应当从地理邻近性、技术邻近性和系统中心性三个维度，构建城市开发区生态系统，促进城市开发区转型升级和创新发展。为此，本文建议如下：第一，城市开发区的空间分布必须考虑开发区之间的可达地理距离。依据本文关于地理邻近性与开发区增长的研究结论，开发区之间的可达地理距离应控制在54公里左右，以形成有利于开发区彼此增长的互惠空间体系。第二，城市开发区的产业构成应当考虑开发区之间的产业技术相似性。依据本文的技术邻近性与开发区增长的研究结论，在产业构成上，开发区只有与地理上最邻近开发区，在具有集聚优势的产业上保持技术相似性，才能增强产业集聚效应，形成有利于技术知识溢出的产业体系。第三，城市开发区的功能定位应当考虑开发区之间的功能互惠效应。目前我国城市开发区之间的竞争或跟风行为大于合作行为，开发区的功能角色在城市空间上的分布，不是太集中、雷同，而是太分散，没有形成功能性凝聚力。在城市开发区“二次开发”进程中，需要进一步思考通过差异化功能定位，强化功能上的互惠效应。

         基金项目：本研究获得国家自然科学基金青年项目“创新联结的空间分布差异及其对创新绩效影响研究”(71402111)、教育部人文社科青年项目“创新联结空间模式形成的影响因素与创新绩效：上海、苏州和深圳电子产业的实证研究”(14YJC791055)的资助。

         参考文献：

         1.鲍克，夏友富.载体型产业空间与中国经济成长——论30年科技工业园区与经济转型中的发展[J].管理世界，2008，(7)：1-6.

         2.党兴华，弓志刚.多维邻近性对跨区域技术创新合作的影响——基于中国共同专利数据的实证分析[J].科学学研究，2013，31(10)：1590-1600.

         3.杜玉虎.上海开发区新时期转型发展之路[J].上海开发区，2014，(2)：29-33.

         4.耿海清.我国开发区建设存在的问题及对策[J].地域研究与开发，2013，32(1)：1-4.

         5.江涛，曾刚.地理邻近与上海浦东高技术企业创新活动研究[J].世界地理研究，2008，17(1)：47-52.

         6.李琳，杨田.地理邻近和组织邻近对产业集群创新影响效应——基于对我国汽车产业集群的实证研究[J].中国软科学，2011，(9)：133-143.

         7.李正图.论我国开发区竞争优势的逻辑演进和平台功能建设[J].上海经济研究，2008，(9)：92-99.

         8.王缉慈.产业集群和工业园区发展中的企业邻近与集聚辨析[J].中国软科学，2005，(12