摘要：基于长三角地区2000至2010年第三产业相关数据，本文运用空间探索性数据分析方法，对长三角地区第三产业的空间分布格局进行探讨，认为长三角地区第三产业在总体上存在显著正全域空间自相关性。局域自相关分析揭示了该地区空间分布的异质性，特别是沪宁一线体现出显著高值空间集聚特征，苏北地区存在显著低值集聚特征，浙江大部分地区具有空间分散特征且不显著。

　　关键词：长三角；第三产业；空间结构；集聚

　　我国的长三角地区已形成了以上海为核心的江苏浙江经济带，2010年国务院正式批准的《长江三角洲地区区域规划》，首次提出将长三角建设成为全球重要的现代服务业中心。2010年该地区第三产业的产值以及就业比重分别已达474%、436%，高于全国平均水平的385%与346%。空间统计分析表明空间事物属性间存在着一定的相关特性，并随着空间距离的缩小不断增强，特别是许多空间属性存在空间集聚特性。忽略空间事物的相关特性，会使传统实证分析结果造成一定的偏差，而空间统计分析技术的兴起正克服了这一弱点，可以以此深入探究空间事物属性间的相关性，并以此得出更加丰富而有意义的结论。因此，深入探究长三角第三产业空间分布特性，对于制定合理的区域间第三产业政策具有重要意义。
 
　　一、研究方法

　　目前，国内学者对第三产业的研究主要聚焦于：一是第三产业的发展特征及其内部结构分析（李江帆等，2003）；二是第三产业与第一、二产业之间的关系（李江帆，2004；赵凯，2009）；三是第三产业的就业效应（顾乃华，2002；魏作磊，2004；曾国平等，2005；韩汉君等，2007），多数学者认为第三产业具有较强的劳动力吸纳能力；四是第三产业的国际经验比较（彭志龙，2001；李冠霖等，2005）；五是试图尝试从贸易、能源、城市化、工业化等视角来研究第三产业（张宗益，2010；罗知，2011）。但是，上述研究并未考虑第三产业发展的空间联系性，实证分析并未突破主流经济学中空间事物无关联及均质性的假设局限（吴玉鸣，2006），忽略了区域间可能存在的空间相互作用。空间探索性数据分析方法（ESDA）是空间统计分析技术的核心方法之一，主要通过可视化技术来揭示空间依赖性与异质性，探索空间分布格局[1-2]。主要分为全域自相关分析与局域自相关分析。

　　（一）空间权重矩阵

　　空间权重矩阵对确定区域间邻近关系具有重要的作用，是空间自相关分析的基础与前提，主要分为邻接矩阵、距离矩阵与经济矩阵。本文主要采用邻接矩阵来设定长三角地区的空间邻近关系。当两城市相邻时权重值Wij=1，否则Wij=0。此外考虑到舟山市孤立在外，为避免产生孤岛现象，同时考虑其与宁波现实联系密切，因此认为其与宁波相邻。

　　（二）全域自相关分析

　　全域自相关分析主要是对整个区域内的空间总体特性进行描述，本文采用Global Moran’s I测算全域自相关程度，具体公式如下：

　　其中，N表示所研究区域数量，xi、xj为观测值，Wij为空间权重矩阵，x=∑Ni=1xiN，S2=1N∑Ni=1（xi-x）2，I的取值范围为-1与1之间，且其必须经原假设为变量间不存在空间自相关性的标准化Z值进行检验（见公式（2）），显著性水平由Z值的P值来确定，通常为005[3]。若I大于0且显著，则表明存在正的空间自相关性，即具有较高（较低）第三产业发展水平的城市趋于与具有较高（较低）发展水平的城市相邻；若I小于0且显著，则存在负的空间自相关性，即具有较低（较高）第三产业发展水平的城市趋于与具有较高（较低）发展水平的城市相邻。

　　总第437期

　　鱼鸿杰：长三角地区第三产业空间结构与集聚特性研究

　　2013/09（三）局域自相关分析

　　全域自相关分析在整体上揭示了空间依赖程度，却忽略了可能存在的局部不稳定性[4]，而局域自相关分析中，通过Moran 散点图中的四象限来展现区域与其相邻区域的空间相关关系，以此来探索局域空间的异质性，有利于揭示被全域自相关分析掩盖的局域空间特性。具体到本文，其横坐标为标准化的第三产业发展水平，而纵坐标为该地区相邻地区的第三产业发展水平的空间地理加权平均值（同样进行标准化处理），其中第一（高-高）、三（低-低）象限为正的空间自相关性，体现了第三产业发展水平的空间集聚特性，而第二（低-高）、四（高-低）象限为负的空间自相关性，体现了第三产业发展水平的空间分散特性。
　　此外，Moran散点图并没有给出局域空间相关特性的显著性水平，而LISA集群图与显著性水平图克服了这一缺陷，并且有利于分析区域间空间相互作用模式。显著的高-高区域某种程度上存在一定的辐射扩散作用，从而带动周边地区发展，形成空间集聚，而显著的高-低区域体现了该区域通过回流效应恶化了周边地区的发展。

　　二、指标选取与数据说明
 
　　（一）指标选取

　　本文在借鉴相关研究成果[5-6]的基础上，从发展规模、发展速度以及产业高级化角度来衡量第三产业的发展水平，同时考虑数据的可得性，本文用第三产业增加值、人均第三产业增加值、第三产业总就业人数来衡量发展规模，用第三产业产值增长率衡量发展速度，并用第三产业增加值占GDP比重与第三产业就业人数占总就业人数比重衡量产业的高级化程 （二）数据说明

　　本文以长三角所辖两省一市（江苏省、浙江省、上海市）为研究区域。考虑到数据的可得性，选取2000-2010年三个地区相关数据进行ESDA分析。数据主要来源于历年《中国城市统计年鉴》、各省市历年统计年鉴。限于篇幅，原始数据不再列出。
 
1.指标权重的设定。运用层次分析法（AHP）确定各指标权重，具体步骤为：（1）构造两两比较判断矩阵；（2）计算判断矩阵的最大特征根和特征向量；（3）对判断矩阵进行一致性检验，若不通过检验，则需重新设定判断矩阵；（4）确定权重：对特征向量进行归一化处理得到各指标权重Wi [7]。应用yaahpv060计算各指标权重，权重值如表1所示。

　　2.数据标准化。为消除数据的量纲量级，对数据进行标准化处理，公式为：

　　x′ij=xij-minxjmaxxj-minxj

　　其中，x′ij指标准化后的数据，xij指未标准化的数据，maxxj、minxj分别指该指标数据中的最大值与最小值。
 
　　3.综合指数计算。将经过标准化处理后的数据乘以各自的指标权重并求和，可以得出各地区第三产业发展水平的综合指数。限于篇幅，综合指数不再列出。

　　4.空间分位图分析。基于长三角第三产业综合指数，运用GeoDa软件画出长三角第三产业空间分位图（如图1），可以初步展现长三角第三产业的空间分布特征，其中第四级排列为第三产业占优区域，第三、二、一级排列逐级递减，特别是第一级排列为长三角地区第三产业发展水平最差区域。

　　图1 长三角第三次产业空间分位图 （1）观察图（a）、（b），处于第三、四级排列的城市数由2000年的19个下降为2010年的13个，比例由76%下降为52%，而第二级排列由0变为6个。由此可见，十年来长三角地区各城市间第三产业的发展水平差异具有扩大之势。特别是浙江省2000年仅2个城市处于第一、二级排列，而2010年扩大为4个，同时排列区域更加分散。具体来看，2000年第三产业的优势区域主要分布在浙江南部以及以上海为中心的长三角中部地区，而至2010年浙江南部各市域第三产业的分布表现出明显的差异性，江苏却形成了以沪宁一线为主的第三产业占优区域。

　　（2）由图（c），从2000-2010年均值来看，浙江省除湖州、嘉兴、绍兴、衢州等4个城市外，其余市域均为第三产业发展的占优区域；而江苏省仅沪宁一线5个城市为占优区域，其余市域第三产业发展水平均相对较差。此外，上海无论是2000年、2010年亦或是十年均值来看均显示第三产业发展的优势地位。

　　总之，空间分位图展现了长三角地区第三产业空间分布规律以及变动趋势。值得一提的是，经过十年的发展演变，沪宁一线，特别是苏锡常异军突起，使得该地区成为第三产业发展的占优区域，为整体带动苏北地区乃至整个长三角地区产业升级带来机遇。此外，浙江南部逐渐分化的第三产业优势分布带，为各地区发挥特有的禀赋优势，实现该地区的合理产业布局提供了契机。
 
　　三、ESDA分析

　　空间分位图初步展现了长三角第三产业空间分布规律，然而其并未揭示该区域第三产业空间分布的内在机理。因此，下文将运用空间探索性数据分析方法（ESDA）来进一步揭示长三角地区第三产业空间分布的依赖性与异质性等空间联系结构。

　　（一）全域自相关分析

　　表2为长三角地区第三产业全域自相关Global Moran’s I统计量值以及对应的P值，可以发现Moran’s I统计量均为正值，且通过了5%的显著性检验。由此可知，长三角地区25个城市第三产业在空间分布上并非表现出完全随机分布的状态，而是表现出某些市域的相似值之间在空间上的集聚，即具有较高第三产业发展水平的城市趋于与具有较高发展水平的城市相邻，而第三产业发展相对低水平城市趋于与相对低水平城市相邻。此外，由图2 Global Moran’s I趋势图可知，Global Moran’s I呈现波动的状态，十年来长三角地区第三产业的空间集聚态势并不稳定，2003年达到集聚的峰值，而2009年的空间集聚特性尤为显著。
 
　　（二）局域自相关性分析

　　1. Moran 散点图。图3为长三角地区第三产业Moran散点图，而表3列出了散点图各象限对应的市域表。比较图3（a）与（b）两图，可以发现多数城市分布于第一、三象限，表现出正的空间自相关性，这恰好印证了全域自相关Global Moran’s I 为正的自相关性的总体趋势。具体来看，2000年多数城市位于第一象限，即第三产业相对发展水平较高的城市趋向于与发展水平较高的城市相邻，而2010年正的空间自相关性主要聚集于第三象限。此外，Moran 散点图揭示了长三角第三产业空间分布的非典型区域，如第二（四）象限所展现的空间分布的异质性特征，即第三产业发展水平较低（高）的城市趋向于与较高（低）的城市相邻，体现了负的空间自相关性，其偏离了总体的正的自相关性特征。然而，从2000-2010年的均值来看（图c）该地区在第二象限具有较为明显的聚集，体现为低-高的负的自相关性。

　　由表3可知2000、2010年以及十年均值来看，上海、苏锡常等沪宁一线城市均处于第一象限（高-高）区域，而低-低城市主要分布在苏北地区，如徐州、连云港等5个城市。另外，异质性区域（低-高、高-低）中浙江省占居多数。由此可见，江苏、上海体现出明显的空间集聚特征，而浙江空间分散特征较为显著。

　　此外，观察表3中2000年、2010年各象限中城市的变动，可以发现，长三角第三产业空间分布的市域跃迁模式：（1）由高-高象限跃迁至低-高象限，如泰州与舟山；（2）高-高象限跃迁至低-低象限，如金华；（3）低-高象限跃迁至低-低象限，如衢州；（4）由高-低象限跃迁至低-低象限，如扬州、宁波、丽水。其中，第一种跃迁模式主要源于该城市的第三产业发展水平与周围相邻地区的差异扩大，尤其是泰州十年间第三产业综合指数增长92%，而其周边相邻市域平均增长了154%，差距高达62%；第二、三种跃迁模式中周边相邻区域均由高值区变为低值区，即周边地区的第三产业发展水平相对于其他地区发展较为滞后，而这点与空间分位图中所显示的浙江南部地区空间分布的演变特征相一致；第四种跃迁模式中具有较高发展水平的城市最终被发展水平较低的周边城市同化，陷入低水平的发展陷阱。

上述结果反映了长三角各地区第三产业存在着空间自相关性以及异质性，并揭示了该地区第三产业空间分布格局及其演进特征。
 
　　2. LISA 集群图与显著性水平图。图4、图5分别显示了长三角第三产业LISA集群图及其对应的显著性水平图。2000年时低-低类型处于主导地位，特别是苏北地区存在显著的低-低区域空间聚集，表明其空间上并非随机分布而是形成连片集聚区域，其第三产业体现为发展相对滞后区域间的空间集聚分布；具有较高第三产业发展水平的苏州地区，凭借与上海相邻的区位优势形成显著的高-高的正的空间自相关性，而负的空间自相关性则由具有显著低-高性质的嘉兴反映，不难理解，相对于其周边地区上海、苏州、杭州，嘉兴的三次产业发展相对滞后，这点恰好与空间分位图1（a）相吻合。
 
　　图4 长三角第三产业LISA 集群图

　　图5 长三角第三产业LISA显著性水平图

　　2010年与2000年相比，变化较为显著。其中：（1）苏北地区仅徐州一个城市处于低-低区域，显著的低-低连片区域明显减少，通过计算综合指数发现，十年间苏北的宿迁、淮安第三产业分别增长303%、205%，而徐州仅增长123%；（2）作为正着力建设“四大中心”的上海，发挥其扩散辐射效应，带动周边苏锡常地区形成显著的高值集聚区域；（3）南通市由非显著性区域变为显著的低-高区域，可以看出其受到周边苏锡常等区域回流作用，第三产业发展相对滞后。
　　从十年均值来看，苏北地区低-低连片区域以及上海的高-高区域辐射效应尤为显著。此外，无论是2000年、2010年亦或是十年均值来看，浙江省除嘉兴外，其余城市并未表现出空间分布的显著性特征。由此可见浙江各区域第三产业发展的空间相互作用并不明显，而联系空间分位所展示的该地区具有明显的第三产业发展优势，特别是2010年相对于2000年空间分异性变大，浙江可以借此根据地区的区位禀赋优势，采取不同第三产业发展政策，实现地区间第三产业的协调发展，最终形成显著的高-高类型第三产业发展区域。

　　四、结语

　　本文通过空间探索性数据分析方法，包括全域自相关与局域自相关等分析工具，对长三角地区近十年来第三产业的空间分布格局进行了初步探索，揭示了该地区第三产业空间分布的依赖性与异质性等空间联系结构。全域自相关分析表明，长三角地区第三产业的发展水平存在显著的正空间自相关性，即具有较高（较低）三次产业发展水平的城市趋于与发展水平较高（较低）的城市相聚集，且在2003年尤为显著。同时，局域自相关分析中，Moran散点图以及LISA集聚图与显著性水平图显示了长三角地区第三产业空间分布的异质性，苏北地区存在显著的低-低区域，沪宁一线形成显著的第三产业高值集聚区域，而浙江虽大多数城市表现为异质性，但并不显著。

　　近些年来，以苏南模式崛起的苏锡常地区，凭借毗邻上海的优势区位，第三产业异军突起，同时其对苏北地区形成强大的空间极化作用，致使苏北地区的资金、人力、技术资源流向苏南地区，阻碍苏北地区产业结构升级，最终引致苏北形成显著的三次产业低-低区域；以温州模式著称的浙江地区，其批发零售贸易、餐饮业等传统的第三产业拥有较大的优势，然而其新兴的三次产业发展较为滞后，且区域间存在差异，如中心城市杭州、宁波等地金融、信息咨询、计算机应用服务等占据优势，而欠发达的浙西南地区仍旧以传统的三次产业为主，这恰好解释了浙江高发展水平但却非显著空间异质性的特点。 从今后研究的拓展内容看，若能够深入分析第三产业内部具体各行业的空间分布特征，则结果不但更加全面，而且可能还会从更加细致的行业分类中揭示第三产业空间分布更多细微的特征，这有利于全面了解和掌握长三角地区各城市间空间相互作用机制，从而制定更加合理的区域第三产业发展政策，促进区域间三次产业的协调发展。

　　注释：

　　① 位于坐标轴上的点所属城市未在表中列出。

　　参考文献：

　　[1] Luc Anselin. Spatial Econometrics：Methods and Models[M].Kluwer Academic，Boston，1988.
　　[2] 孟斌，王劲峰，张文忠.基于空间分析方法的中国区域差异研究[J].地理科学，2005（4）：393-400.
　　[3] 鲁凤，徐建华.中国区域经济差异的空间统计分析[J].华东师范大学学报（自然科学版），2007（2）：44-51.
　　[4] 宣国富，徐建刚，赵静.基于ESDA的城市社会空间研究-以上海市中心城区为例[J].地理科学，2010（2）：22-29.
　　[5] 黄京鸿，葛永军，刁承泰.中国各地区第三产业发展水平综合评价[J].经济地理，2001，21（1）：43-46.
　　[6] 吕一清，何跃.基于灰色神经网络的第三产业发展趋势的预测模型[J].统计与决策，2011（4）：157-159.
　　[7] 吴育华，刘喜华，郭均鹏.经济管理中的数量方法[M].北京：经济科学出版社，2008.