پایداری | متن کامل رایگان | بررسی تاثیر اتصال شهری بر کارایی نوآوری شهری: مطالعه تجربی دلتای رودخانه یانگ تسه در چین - شهرساز | سایت تخصصی شهرسازی با هوش مصنوعی | شهرساز

بهترین آموزش های کاربردی در شهرسازی

بهترین آموزش های کاربردی در شهرسازی را از Urbanity.ir بخواهید

…

ادامه ...

خرید درب شیشه ای سکوریت با بهترین قیمت از تتراگلس

ادامه ...

Thursday, 4 July , 2024
امروز : پنج شنبه, ۱۴ تیر , ۱۴۰۳

آخرین اخبار »

شناسه خبر : 25400

ارسال

پرینتخانه » مقالات تاریخ انتشار : 02 جولای 2024 - 3:30 | 6 بازدید | ارسال توسط : riazat

پایداری | متن کامل رایگان | بررسی تاثیر اتصال شهری بر کارایی نوآوری شهری: مطالعه تجربی دلتای رودخانه یانگ تسه در چین

۱٫ معرفی در عصر اقتصاد دانش، نوآوری به عنوان محرک اصلی رشد اقتصادی شهری برجسته می شود [۱]. تعداد فزاینده ای از شهرها اهمیت تقویت ظرفیت نوآوری شهری خود را برای افزایش رقابت اصلی تشخیص می دهند که به ویژه در شهرهای بزرگ برجسته است. [۲,۳,۴]. به عنوان مثال، در سال ۲۰۲۳، نیویورک از نقشه […]

۱٫ معرفی

در عصر اقتصاد دانش، نوآوری به عنوان محرک اصلی رشد اقتصادی شهری برجسته می شود [۱]. تعداد فزاینده ای از شهرها اهمیت تقویت ظرفیت نوآوری شهری خود را برای افزایش رقابت اصلی تشخیص می دهند که به ویژه در شهرهای بزرگ برجسته است. [۲,۳,۴]. به عنوان مثال، در سال ۲۰۲۳، نیویورک از نقشه راه PILOT: NYC رونمایی کرد تا نیویورک را به مرکز جهانی نوآوری شهری تبدیل کند. این ابتکار برای حمایت از شرکت‌های فناوری در شهر نیویورک طراحی شده است، تا تأسیس، گسترش و تسریع نوآوری شهری را تقویت کند. [۵]. کارایی نوآوری شهری نشان دهنده عملکرد جامع در رابطه با ورودی و خروجی منابع نوآوری شهری است که به عنوان شاخصی حیاتی از قدرت نوآوری علم و فناوری شهر عمل می کند. [۶,۷,۸]. در نتیجه، اندازه‌گیری علمی و منطقی کارایی نوآوری شهری از اهمیت نظری عمیقی در بهینه‌سازی تخصیص منابع نوآوری منطقه‌ای و ارتقای ظرفیت نوآوری علمی و فناوری منطقه برخوردار است.

در دهه‌های اخیر، حجم گسترده‌ای از ادبیات بر اندازه‌گیری کارایی نوآوری از طریق دریچه تحلیل ورودی-خروجی نوآوری، با استفاده از روش‌شناسی‌هایی مانند تحلیل مرز تصادفی (SFA) و تحلیل پوششی داده‌ها (DEA) متمرکز شده است. [۸,۹]. این مطالعات مقیاس های مختلفی از جمله بافت های ملی، منطقه ای و شهری را در بر می گیرد [۱۰,۱۱,۱۲,۱۳,۱۴]. علاوه بر این، محققان فراتر از اندازه‌گیری کارایی نوآوری، عوامل تعیین‌کننده کارایی نوآوری را در ابعادی مانند شرایط اقتصادی محلی، چارچوب‌های نهادی و محیط‌های فرهنگی-اجتماعی بررسی کرده‌اند. [۱۵,۱۶]. شهرها به طور فزاینده ای به هم متصل می شوند و شبکه های شهری منطقه ای، ملی و جهانی را در عصری که با جهانی شدن، اطلاعات و شبکه سازی مشخص می شود، تشکیل می دهند. [۱۷,۱۸,۱۹]. با پیشرفت سیستم های حمل و نقل سریع بین شهری و تکامل شبکه های پیچیده نوآوری، خوشه های شهری نوآورانه بین منطقه ای در سراسر جهان در حال ظهور هستند. [۲۰]. به عنوان مثال، شاخص جهانی نوآوری ۱۰۰ خوشه برتر علم و فناوری جهان را مشخص می کند که توکیو-یوکوهاما به عنوان خوشه برتر رتبه بندی شده است و پس از آن شنژن-هنگ کنگ-گوانگژو، پکن، سئول و سن خوزه-سان فرانسیسکو قرار دارند. [۲۱]. همکاری بین منطقه ای در فعالیت های نوآوری نقش مهمی در تبادل دانش مکمل و تسهیل انتشار دانش ایفا می کند. [۲۲].

در نتیجه، مسیر توسعه شهری نه تنها تحت تأثیر عوامل اقتصادی و اجتماعی محلی است، بلکه تحت تأثیر پویایی شهرهای مجاور و به هم پیوسته نیز قرار می‌گیرد، که همگی به طور قابل توجهی بر نوآوری شهری تأثیر می‌گذارند. بنابراین، کارایی نوآوری شهری با ترکیبی از شرایط توسعه اقتصادی و اجتماعی محلی، منابع نوآوری موجود و فعالیت‌های نوآورانه شهرهای مجاور شکل می‌گیرد. [۲۳,۲۴,۲۵]. با این حال، نقش پیوندهای شهری در شکل‌دهی کارایی نوآوری شهری تا حد زیادی در ادبیات موجود نادیده گرفته شده است. همانطور که ارتباط شهری همچنان در حال رشد است، نیاز مبرمی به تحقیقات عمیق تر در مورد مکانیسم های حاکم بر کارایی نوآوری وجود دارد.

چین به عنوان بزرگترین کشور در حال توسعه، از زمان آغاز سفر اصلاحات و بازگشایی خود، رشد اقتصادی قابل توجهی را تجربه کرده است. در طول این فرآیند، هم ورودی ها و هم خروجی های نوآوری افزایش یافته است و چین را به خط مقدم کشورهای نوآور سوق داده است. به عنوان مثال، سرمایه گذاری چین در تحقیق و توسعه (R&D) از ۵٫۲۸۹ میلیارد یوان در سال ۱۹۷۸ به ۳۴۰٫۸۸ میلیارد یوان در سال ۲۰۲۰ افزایش یافته است که با افزایش متناظر هزینه تحقیق و توسعه به عنوان درصدی از تولید ناخالص داخلی از ۱٫۴۶ درصد به ۲٫۴۱ درصد همراه شده است. علاوه بر این، تعداد درخواست‌های ثبت اختراع در چین از ۰٫۰۱۹ میلیون در سال ۱۹۸۵ به ۵٫۴ میلیون در سال ۲۰۲۰ افزایش یافته است. سطح بهینه [۲۶]. از این رو، نیاز حیاتی به اندازه‌گیری علمی و سیستماتیک کارایی نوآوری و کسب بینش در مورد مکانیسم‌های خاص مؤثر بر آن به منظور افزایش مؤثر آن وجود دارد.

منطقه دلتای رودخانه یانگ تسه (YRD) به‌عنوان یکی از توسعه‌یافته‌ترین مناطق اقتصادی در چین برجسته می‌شود و دارای مزایای قابل توجهی در علم، فناوری، سرمایه و منابع بازار است که مجموعاً به قابلیت‌های نوآوری قابل توجه آن کمک می‌کند. به عنوان مثال، YRD میزبان مجموعه ای چشمگیر از منابع نوآوری است، از جمله ۴۲۵ موسسه آموزش عالی. علاوه بر این، از دهه ۱۹۹۰ [۲۷]YRD به طور فعال یکپارچگی منطقه ای را تقویت می کند، فرآیندی که با ارتقای یکپارچگی منطقه ای YRD به یک استراتژی ملی در سال ۲۰۱۸، شتاب بیشتری به دست آورد. این تلاش هماهنگ منجر به افزایش پیوندهای همکاری و نوآوری در بین شهرها شده است و چارچوبی قوی تر را تقویت می کند. برای نوآوری مشترک [۲۸]. در نتیجه، این امر به طور موثری باعث افزایش کارایی نوآوری شهری در منطقه شده است. با این حال، علی‌رغم این پیشرفت‌ها، تفاوت قابل‌توجهی در قابلیت‌های نوآوری بین شهرهای مختلف در منطقه YRD وجود دارد و تأثیر نوآوری مشارکتی بین شهری بر کارایی نوآوری شهری نامشخص است. در پس زمینه تسریع یکپارچه سازی YRD، پیوندهای به هم پیوسته فزاینده بین شهرها یک مطالعه موردی قانع کننده برای بررسی پویایی کارایی نوآوری شهری ارائه می دهد. بنابراین، این مقاله YRD را به عنوان نقطه کانونی خود برای اندازه‌گیری کارایی نوآوری و بررسی عوامل مؤثر بر آن از منظر پیوندهای هم افزایی انتخاب می‌کند.

چارچوب تحقیق مقاله به شرح زیر است: بخش ۲ شامل مرور ادبیات و چارچوب مفهومی، ارائه یک نمای کلی جامع از ادبیات مربوطه و ایجاد زیربنای نظری برای مطالعه است. در دنباله این، بخش ۳ منطقه مورد مطالعه را مشخص می کند، روش های پردازش داده ها را تشریح می کند، و روش تحقیق مورد استفاده را روشن می کند. متعاقبا، بخش ۴ به بررسی الگوی کارایی نوآوری می پردازد و روندها و ویژگی های مشاهده شده در زمینه مطالعه را تجزیه و تحلیل می کند. حرکت رو به جلو، بخش ۵ عوامل اولیه موثر بر کارایی نوآوری شهری را بررسی می کند و بینش هایی را در مورد عوامل تعیین کننده چند وجهی شکل دهنده نتایج نوآوری ارائه می دهد. در نهایت، مقاله با ترکیبی از یافته‌ها و بحث‌ها، ترسیم مفاهیم و راه‌های بالقوه برای تحقیقات آتی به پایان می‌رسد.

۳٫ داده ها و روش ها

۳٫۱٫ منطقه مطالعه

دلتای رودخانه یانگ تسه (YRD) به‌عنوان یکی از پیشرفته‌ترین مناطق چین از نظر اقتصادی متمایز است که به دلیل سطح بی‌نظیر باز بودن و ظرفیت نوآوری قوی آن متمایز است. YRD که از نظر استراتژیک قرار دارد، نقشی محوری در تلاش‌های نوسازی چین و استراتژی بازگشایی جامع دارد. تسهیل توسعه یکپارچه YRD و تقویت نوآوری و رقابت پذیری آن اهمیت عمیقی در پیشروی توسعه با کیفیت بالا چین و ایجاد یک چارچوب اقتصادی مدرن دارد.

در ۱ دسامبر ۲۰۱۹، کمیته مرکزی حزب کمونیست چین (CPC) و شورای دولتی از طرح کلی طرح توسعه یکپارچه منطقه YRD، طرحی جامع که توسعه یکپارچه منطقه را در حال و آینده هدایت می کند، رونمایی کردند. این سند به عنوان سنگ بنای طراحی برنامه ها و سیاست های مربوطه عمل می کند. چارچوب خط مشی مشخص شده مسیر چشم انداز نوآوری YRD را در سال های آینده تعیین می کند. در نتیجه، مطالعه ما عمدتاً بر منطقه مرکزی مشخص شده در طرح فوق متمرکز است، که شامل ۲۷ شهر زیر است: شانگهای، نانجینگ، ووکسی، چانگژو، سوژو، نانتانگ، یانگژو، ژنجیانگ، یانچنگ، تایژو، هانگژو، نینگژو، نینگبو، جیاکسینگ، شائوکسینگ، جین‌هوا، ژوشان، تایژو، هفی، ووهو، ماآنشان، تانگلینگ، آنکینگ، چوژو، چیژو و ژوان‌چنگ (نگاه کنید به شکل ۲).

۳٫۲٫ منابع اطلاعات

در ارزیابی خود از کارایی نوآوری در شهرهای YRD، ما در درجه اول بر دو متغیر کلیدی برای اندازه‌گیری ورودی‌های منابع انسانی و مالی متمرکز شدیم: کارکنان تحقیق و توسعه تجربی (R&D) و هزینه تحقیق و توسعه. علاوه بر این، تعداد درخواست های ثبت اختراع و حجم مقالات علمی و فناوری را به عنوان شاخص های خروجی انتخاب کردیم. داده‌های مربوط به پرسنل تحقیق و توسعه و هزینه‌ها از سالنامه آماری شهر چین و بولتن‌های آماری محلی استخراج شد. اطلاعات مربوط به اختراعات اختراع از اداره مالکیت فکری دولتی به دست آمده است، در حالی که داده های مربوط به مقالات علمی و فناوری از پایگاه داده کامل متن مجله چینی تهیه شده است.

با توجه به تأثیر مخرب اپیدمی COVID-19 بر تحرک اجتماعی و اتصال شهری، ما تلاش عمدی برای کاهش اثرات آن با تمرکز بر تحقیقات خود بر روی داده‌های قبل از سال ۲۰۱۹ انجام دادیم. زمان تاخیر قابل توجه [۴۶]، ما از داده های ورودی سال ۲۰۱۷ استفاده کردیم، در حالی که عمدتاً به داده های خروجی سال ۲۰۱۸ متکی بودیم.

در بررسی عوامل مؤثر بر کارایی نوآوری در شهرهای YRD، تولید ناخالص داخلی سرانه، مانده سپرده و وام پایان سال مؤسسات مالی، تعداد دانشجویان دانشگاه، نسبت هزینه‌های علم و فناوری در هزینه‌های مالی محلی، و میزان سرمایه گذاری خارجی استفاده شده واقعی از سال های مربوطه سالنامه آماری شهری چین و سالنامه آماری محلی تامین می شود. با این حال، داده‌های مربوط به شرکت‌های فهرست‌شده از پایگاه‌داده گزارش سالانه شرکت‌های فهرست‌شده Wind به دست می‌آیند، در حالی که اطلاعات مربوط به جریان جمعیت از داده‌های مهاجرت بایدو به دست می‌آید.

۳٫۳٫ تحلیل پوششی داده ها

در این مقاله، ما از تحلیل پوششی داده ها (DEA) برای ارزیابی کارایی نوآوری شهری استفاده می کنیم. DEA که توسط Charnes، Cooper و Rhodes در سال ۱۹۷۸ معرفی شد، یک تکنیک ناپارامتریک برای ارزیابی کارایی فنی از طریق مقایسه نسبی بین موجودیت های ارزیابی شده است. [۴۷]. این روش چندین مزیت را نسبت به رویکردهای ارزیابی جایگزین ارائه می دهد، از جمله ساختار ساده آن، حذف نیاز به از پیش تعیین قابلیت مقایسه و وزن شاخص، ارائه بینش در شناسایی جنبه های ناکارآمد، و مناسب بودن برای ارزیابی کارایی نسبی ورودی ها و خروجی های نوآوری ملی یا منطقه ای. [۴۸].

مدل DEA مبتنی بر بازگشت ثابت به مقیاس (CRS) را می توان به صورت زیر بیان کرد:

$\{\begin{matrix} دقیقه (من - ه (\sum_{ک = ۱}^{ک} س^{-} + \sum_{ل = ۱}^{L} س^{+})) \\ س . تی . \sum_{متر = ۱}^{م} {ایکس}_{mk} ل_{متر} + س^{-} = من {ایکس}_{ک}^{متر} ک = ۱،۲ ، \dots ، ک \\ \sum_{متر = ۱}^{م} y_{میلی لیتر} ل_{متر} - س^{+} = y_{ل}^{متر} ل = ۱ ، ۲ ، \dots ، L \\ ل_{متر} \geq ۰ متر = ۱ ، ۲ ، \dots ، م \end{matrix}$

در فرمول، θ (۰ <θ ≤ 1) نشان دهنده شاخص جامع بازده ورودی-خروجی است که به عنوان شاخص کارایی جامع شناخته می شود. هنگام ارزیابی کارایی ورودی- ستانده منابع نوآوری در شهرهای M، با فرض یک سیستم شاخص ارزیابی شامل K شاخص ورودی و L شاخص خروجی، که در آن x_mk (ایکس_mk > 0) حجم k را نشان می دهد^هفتم نوع ورودی منبع در m^هفتم شهر، و y_{میلی لیتر} (y_{میلی لیتر} > ۰) حجم l را نشان می دهد^هفتم نوع خروجی در متر^هفتم شهر برای آنها^هفتم شهر (m = 1, 2, …, M)، ε نشان دهنده یک کمیت بی نهایت کوچک غیر ارشمیدسی است. λ_متر (ل_متر ≥ ۰) به عنوان یک متغیر وزنی عمل می کند که بازده مقیاس را برای منابع نوآوری شهری تعیین می کند. س^– (s^– ≥ ۰) نشان دهنده یک متغیر سستی است که نشان دهنده کاهش ورودی های مورد نیاز برای منابع تحقیق و توسعه برای دستیابی به اثربخشی DEA است، در حالی که s⁺ (s⁺ ≥ ۰) یک متغیر باقیمانده را نشان می دهد که خروجی اضافی مورد نیاز برای منابع نوآوری برای دستیابی به اثربخشی DEA را نشان می دهد.

وقتی یک جواب بهینه θ_متر = ۱ به دست می آید، این نشان می دهد که منابع نوآوری m^هفتم شهر در مرز تولید بهینه عمل می کند و خروجی های نوآوری شهر نسبت به ورودی ها کارآمد است. برعکس، θ_متر < 1 نشان‌دهنده ناکارآمدی در استفاده از منابع نوآوری است، با مقادیر نزدیک‌تر به 1 نشان‌دهنده نزدیکی بیشتر به کارایی موثر ورودی-خروجی، و بالعکس. [۴۸].

با معرفی شرایط محدودیت و تبدیل مدل به یک مدل DEA از بازده متغیر به مقیاس (VRS)، کارایی کلی را می توان به محصول کارایی فنی خالص و کارایی مقیاس، که به صورت θ بیان می شود، تجزیه کرد._متر = من_THE × من_SE. در اینجا، θ_متر نمایانگر شاخص کارایی کلی منابع نوآوری برای ماه شهر است. θ_THE نشان دهنده شاخص بازده فنی خالص (TE) با ۰ < θ است_THE ≤ ۱ و θ_THE ≥ من_متر; من_SE نشان دهنده شاخص کارایی مقیاس (SE) با ۰ < θ_SE ≤ ۱ و θ_SE ≥ من_متر. به طور مشابه، مقادیر بالاتر θ_THE و θ_SE نزدیک شدن به ۱ نشان دهنده سطوح بالاتری از کارایی فنی خالص و مقیاس منابع نوآوری ورودی- خروجی است. وقتی θ_THE = 1 یا θ_SE = 1، منابع نوآوری شهر از نظر کارایی صرف فنی یا مقیاس بهینه هستند [۴۸].

۳٫۴٫ مدل های رگرسیون فضایی

با توجه به همبستگی‌های فضایی ذاتی در نوآوری‌های شهری، ترکیب اثرات فضایی هنگام بررسی عوامل تعیین‌کننده کارایی نوآوری شهری از طریق مدل‌های رگرسیون ضروری می‌شود. مدل‌های تاخیر مکانی (SLM) و مدل‌های خطای فضایی (SEM) معمولاً برای پرداختن به تعاملات فضایی بین متغیرها استفاده می‌شوند. در مطالعه خود، ما از هر دو مدل برای روشن کردن عوامل موثر بر کارایی نوآوری شهرهای YRD استفاده می‌کنیم.

مدل تأخیر فضایی (SLM) همبستگی مکانی متغیر وابسته را به حساب می‌آورد، در نتیجه اثرات انتشار بالقوه یا تجمع در مناطق همسایه را به تصویر می‌کشد. فرمول آن به این صورت بیان می‌شود که در آن y نشان‌دهنده متغیر وابسته، X نشان‌دهنده متغیر مستقل، W نشان‌دهنده ماتریس وزن فضایی، Wy نشان‌دهنده متغیر وابسته تاخیر مکانی، β نشان‌دهنده ضریب تخمینی است. r نشان دهنده ضریب خطای مکانی است و ε نشان دهنده خطای تصادفی پس از توزیع نرمال است.

از سوی دیگر، مدل خطای مکانی (SEM) تعاملات فضایی موجود در عبارت خطا را در نظر می‌گیرد. از نظر ریاضی به‌صورتی نشان داده می‌شود که در آن y نشان‌دهنده متغیر وابسته، X نشان‌دهنده متغیر مستقل، W نشان‌دهنده ماتریس وزن فضایی، β نشان‌دهنده ضریب تخمینی، λ نشان‌دهنده ضریب خطای مکانی، و ε و μ نشان‌دهنده خطاهای تصادفی پس از نرمال است. توزیع ها به ترتیب

ماتریس وزن فضایی W بر اساس قانون مجاورت مرز مشترک یا رئوس (Queen) ساخته شده است، که در آن W = 1 اگر دو شهر دارای یک مرز مشترک یا رئوس مجاور باشند، و W = 0 در غیر این صورت.

۴٫ الگوهای کارایی نوآوری در شهرهای YRD

کارآیی نوآوری علم و فناوری به عنوان جلوه ای حیاتی از ظرفیت نوآوری علم و فناوری منطقه عمل می کند و بینش جامعی را در مورد تخصیص مؤثر، استفاده منطقی و مدیریت منابع نوآوری علم و فناوری منطقه ای ارائه می دهد. [۲۵]. خروجی اصلی از تجزیه و تحلیل DEA، همانطور که با استفاده از نرم افزار MaxDEA 8 تجزیه و تحلیل شد، شامل سه معیار کارایی است: کارایی جامع، کارایی فنی خالص، و کارایی مقیاس (نگاه کنید به میز ۱).

کارایی جامع نشان دهنده کارایی تولید نوآوری واحد تصمیم گیری (DMU) بر اساس مقیاس خاصی از عوامل ورودی نوآوری است. مقدار ۱ نشان می دهد که ورودی-خروجی DMU موثر تلقی می شود. کارایی فنی خالص مربوط به کارایی تولید نوآوری با سطح از پیش تعیین شده ورودی ها، مانند مدیریت و فناوری است. به طور مشابه، مقدار ۱ نشان دهنده استفاده کارآمد از منابع ورودی واحد تصمیم گیری است. از سوی دیگر، کارایی فنی مقیاس، نشان دهنده سطح کارایی تولید نوآوری است که از طریق کارایی مقیاس در منطقه به دست آمده است. [۴۶].

۴٫۱٫ کارایی جامع

با توجه به کارایی جامع، میانگین امتیاز در ۲۷ شهر در YRD برای سال ۲۰۱۸ در حد متوسط ۰٫۵۱۱ قرار داشت که نشان دهنده سطح کلی پایین تر کارایی است. شایان ذکر است، تنها سه شهر – نانجینگ در استان جیانگ سو، و ووهو، و آنکینگ در استان آنهویی – به امتیاز کامل ۱۰۰۰ دست یافتند که نشان دهنده سطوح کارایی بهینه است. علاوه بر این، Chizhou و Chuzhou در استان آنهویی، همراه با Huzhou در استان ژجیانگ، بازده جامع قابل ستایش بیش از ۰٫۷۰۰ را نشان دادند. برعکس، شهرهای ژجیانگ، اکثر شهرها در جیانگ سو و حتی شانگهای نمرات کارایی جامع نسبتاً پایین تری را نشان دادند.

به عنوان مثال، راندمان جامع Wuxi و Shaoxing به ترتیب زیر ۰٫۳۰۰، به طور خاص در ۰٫۲۸۰ و ۰٫۲۵۲ قرار داشت که ۳۰٪ از معیار بازده بهینه فاصله داشت. شانگهای، علیرغم برجستگی خود، امتیاز کارایی جامع نسبتاً متوسط ۰٫۴۳۲ را نیز به ثبت رسانده است که در بین ۲۷ شهر در رتبه دوازدهم قرار دارد. شکل ۳).

۴٫۲٫ بهره وری فنی خالص

در سال ۲۰۱۸، متوسط بازده فنی خالص در ۲۷ شهر ۰٫۵۸۴ بود. قابل توجه، نانجینگ، ووهو، آنکینگ، چیژو، شانگهای، و سوژو کارایی فنی خالص مثال زدنی را نشان دادند و به امتیاز کامل ۱۰۰۰ در ورودی و خروجی منابع نوآوری دست یافتند. شهرهایی مانند هفی، هوژو و چوژو که با فاصله زمانی بین ۷۰ تا ۹۰ درصد از مقدار بهینه، به سطوح بازده فنی ناب دست یافته‌اند، در رتبه بعدی قرار دارند. در همین حال، شهرهایی مانند هانگژو، ژوشان و مانشان در سطوحی بین ۵۰ تا ۷۰ درصد از ارزش بهینه کارایی فنی خالص عمل کردند.

علاوه بر این، دوازده شهر بازده فنی خالص را به نمایش گذاشتند که در محدوده ۳۰٪ تا ۵۰٪ از مقدار بهینه قرار می گیرد، که مجموعاً ۴۴٫۴٪ از کل شهرها را تشکیل می دهند. Wuxi و Shaoxing کمترین بازده فنی خالص را ثبت کردند که به ترتیب در ۰٫۲۸۲ و ۰٫۲۵۳ قرار داشت که هر دو به زیر ۳۰٪ مقدار بهینه سقوط کردند (نگاه کنید به شکل ۳). جالب توجه است، علیرغم اینکه نانجینگ، شانگهای و سوژو کارایی فنی خالص بالایی را به نمایش گذاشتند، کارایی جامع آنها به سطوح بهینه نرسید، در درجه اول به دلیل ناکارآمدی مقیاس. این نشان می دهد که در حالی که این شهرها به طور موثر از منابع ورودی خود در سطح فناوری فعلی استفاده می کنند، فقدان کارایی در استفاده از مقیاس آنها را از دستیابی به کارایی جامع بهینه باز می دارد. از این رو، تلاش‌های آتی باید بر به حداکثر رساندن کارایی مقیاس برای باز کردن پیشرفت‌های بیشتر در کارایی نوآوری متمرکز شود.

۴٫۳٫ کارایی مقیاس

در سال ۲۰۱۸، میانگین کارایی مقیاس ورودی ها و خروجی های نوآوری در ۲۷ شهر به ۰٫۹۰۵ رسید که از مقادیر متوسط کارایی فنی جامع و خالص فراتر رفت. با این حال، تنها سه شهر – نانجینگ، ووهو و آنکینگ – به امتیاز کامل ۱۰۰۰ دست یافتند که نشان می‌دهد کارایی مقیاس شهرهای دیگر هنوز جای بهینه‌سازی دارد.

شایان ذکر است، کارایی مقیاس هفده شهر در محدوده ۹۰٪ تا ۱۰۰٪ مقدار بهینه قرار دارد و ۶۳٪ از کل شهرها را در بر می گیرد. علاوه بر این، سه شهر – Tongling، Wenzhou و Zhoushan – به مقدار بهینه کارایی مقیاس بین ۸۰٪ و ۹۰٪ دست یافتند. Hangzhou و Hefei، با مقادیر کارایی مقیاس بین ۶۰٪ و ۷۰٪، دو شهر را در این براکت نشان می دهند.

جالب اینجاست که شانگهای و سوژو به ترتیب با ۰٫۴۳۲ و ۰٫۴۳۱ کمترین راندمان مقیاس را ثبت کردند و در رتبه های ماقبل آخر و اول در بین شهرها قرار گرفتند. علیرغم سرمایه گذاری قابل توجهی که در نوآوری انجام داده اند، این شهرها، همراه با هانگژو و هفی، تلاش های خود را به طور موثری به بهبود کارایی نوآوری تبدیل نکرده اند. بنابراین، بهینه سازی ساختار مقیاس به یک منطقه حیاتی برای بهبود تبدیل می شود.

محاسبات مدل نشان می دهد که برای بهبود بیشتر در بهره وری نوآوری، نه شهر – شانگهای، هانگژو، هفی، سوژو، ونژو، جین هوا، تایژو، جیاکسینگ و نینگبو- باید به جای صرفاً بر روی ساده کردن مقیاس خود و افزایش کیفیت سرمایه گذاری تحقیق و توسعه تمرکز کنند. تمرکز بر افزایش مقیاس

۴٫۴٫ انواع ورودی-خروجی نوآوری

مسیر توسعه نوآوری شهری در درجه اول به ورودی‌های نوآوری و کارایی نوآوری بستگی دارد. بزرگی ورودی ها به عنوان یک فشارسنج برای فراوانی منابع نوآوری علم و فناوری شهری عمل می کند، در حالی که کارایی نوآوری نشان دهنده تخصیص و استفاده مؤثر از این منابع است. به طور کلی، شهرهایی که دارای ورودی های بالا و کارایی بالا هستند، تمایل دارند تا شاهد توسعه نوآوری علمی و فناوری قوی تر باشند. [۳۱].

پیروی از روش به کار گرفته شده توسط لیو و همکاران. (۲۰۱۸) [۳۱]۲۷ شهر بر اساس مقیاس سرمایه گذاری در نوآوری و سطح کارایی نوآوری طبقه بندی شده اند تا الگوهای زیربنایی توسعه نوآوری علم و فناوری را آشکار کنند. با استفاده از روش طبقه‌بندی Quantile، مقیاس سرمایه‌گذاری تحقیق و توسعه و کارایی نوآوری این شهرها در سال ۲۰۱۸ به سطوح بالا، متوسط یا پایین دسته‌بندی می‌شوند. مقیاس سرمایه گذاری تحقیق و توسعه به سه سطح تقسیم می شود: سرمایه گذاری بالا (CNY> 13.5 میلیارد یوان)، سرمایه گذاری متوسط (۶٫۵ میلیارد یوان تا ۱۳٫۵ میلیارد یوان) و سرمایه گذاری کم (CNY <6.5 میلیارد یوان). به طور مشابه، بهره وری نوآوری به سه سطح کارایی تقسیم می شود: راندمان بالا (بیش از 70٪)، راندمان متوسط (40٪ تا 70٪) و راندمان پایین (<40٪). با در نظر گرفتن مقیاس ورودی و سطح کارایی هر شهر، 9 نوع متمایز از الگوهای ورودی-کارایی نوآوری علمی و فناوری شناسایی می شوند، همانطور که در نشان داده شده است. جدول ۲. بر اساس روش طبقه بندی لیو (۲۰۱۸). [۳۱]، این انواع بیشتر به طور جامع مشخص شده اند (نگاه کنید به شکل ۴).

شهرهای پیشرو در نوآوری: این دسته شامل هشت شهر از سه نوع متمایز می شود: ورودی بالا-بازده بالا، نمونه ای از نانجینگ. بازده متوسط ورودی بالا، نشان داده شده توسط Hefei، Hangzhou، Shanghai، Suzhou، و Yangzhou. و بازده متوسط ورودی بالا، مشخصه توسط Wuhu و Huzhou. این شهرها دارای پایه ای قوی برای نوآوری، همراه با سطوح بالای توسعه اقتصادی و اجتماعی و منابع علمی و آموزشی فراوان هستند. در نتیجه، آنها پتانسیل ظهور به عنوان قطب های نوآوری پیشرو در YRD را دارند. در حرکت رو به جلو، باید بر پیشبرد مرزهای علم و فناوری و رفع نیازهای اساسی ملی برای تقویت ایجاد مراکز نوآوری و پرورش صنایع پیشرفته تاکید شود. برای شهرهایی که به عنوان راندمان ورودی بالا-متوسط طبقه بندی می شوند، بهینه سازی ساختار ورودی های نوآوری و افزایش کیفیت ورودی منابع نوآوری ضروری است.

شهرهای بهینه شده برای نوآوری: این دسته شامل یازده شهر است که به سه نوع طبقه‌بندی می‌شوند: بازدهی بالا-کم (چانگژو، نینگبو، ووکسی و نانتونگ)، بازده متوسط ورودی-متوسط (جیاکسینگ، ژنجیانگ و یانچنگ)، و ورودی متوسط- راندمان پایین (Taizhou، Wenzhou و Shaoxing). این شهرها دارای مزایای خاصی در پایه نوآوری خود هستند که با سطوح نسبتاً بالایی از ورودی های نوآوری مشخص می شود، با این حال خروجی های نوآوری آنها نسبتاً پایین باقی می ماند. برای پرداختن به این موضوع، یک تلاش هماهنگ باید به سمت بهینه سازی ساختار ورودی، بهبود کیفیت ورودی منابع نوآوری، و افزایش کارایی کلی نوآوری هدایت شود.

شهرهای نوآورانه: این دسته شامل سه شهر چوژو، آنکینگ و چیژو می‌شود که همگی در استان آنهویی واقع شده‌اند و با دینامیک ورودی کم-بازده بالا مشخص می‌شوند. علیرغم سطوح ورودی نسبتا پایین، این شهرها خروجی های نوآوری کارآمدی را نشان می دهند. در آینده، این شهرها می توانند از شرکت های محلی با فناوری پیشرفته برای تقویت سرمایه گذاری در منابع نوآوری استفاده کنند.

شهرهای ارتقا یافته با نوآوری: این دسته شامل پنج شهر است که به دو نوع طبقه بندی می شوند: بازدهی کم ورودی-متوسط (ژوشان، مانشان و ژوان چنگ) و بازده کم با ورودی پایین (جین هوا و تونگلینگ). این شهرها سطوح نسبتاً عقب‌افتاده‌ای از توسعه اقتصادی و اجتماعی را نشان می‌دهند که نشان‌دهنده نیاز به بهبود بنیاد نوآوری آنها است. برای افزایش ظرفیت‌های نوآوری، تلاش‌های آتی باید بر تقویت سرمایه‌گذاری در منابع نوآورانه در راستای زمینه‌های خاص آنها متمرکز شود.

۶٫ نتیجه گیری و بحث

کارایی نوآوری شهری به عنوان یک شاخص جامع که رابطه بین ورودی و خروجی منابع نوآوری شهری را منعکس می‌کند، ارائه می‌کند، بنابراین بینش‌های مهمی را در مورد قابلیت نوآوری علم و فناوری شهری ارائه می‌دهد. در پس زمینه ادغام عمیق دلتای رودخانه یانگ تسه (YRD)، ارزیابی علمی و تجزیه و تحلیل کارایی نوآوری شهرهای این منطقه بسیار مهم است. هدف این تلاش بهینه سازی تخصیص منابع نوآوری منطقه ای و افزایش هم افزایی ظرفیت نوآوری و کارایی شهرهای YRD است. بر این اساس، این مطالعه از یک مدل DEA بهبود یافته برای اندازه‌گیری کارایی نوآوری ۲۷ شهر در YRD استفاده کرد و عوامل مؤثر بر این کارایی را مورد بررسی قرار داد. نتایج اصلی به شرح زیر است:

اولاً، کارایی جامع کلی ۲۷ شهر در YRD کم است و تنها سه شهر – نانجینگ، ووهو، و آنکینگ – به امتیاز کارایی جامع ۱۰۰۰ دست یافته‌اند. شانگهای به‌عنوان بزرگ‌ترین شهر، بازدهی نوآوری را به نمایش می‌گذارد که تنها در رتبه دوازدهم در میان ۲۷ شهر قرار دارد که کمتر از انتظارات است.

ثانیا، کارایی فنی خالص به عنوان یک ضعف قابل توجه در میان ۲۷ شهر در YRD ظاهر می شود، با اکثر شهرها در محدوده ۳۰ تا ۵۰ درصد بازده بهینه قرار دارند. در مقابل، کارایی مقیاس تمایل دارد از مقادیر متوسط کارایی فنی جامع و خالص بهتر عمل کند. با این حال، شانگهای و سوژو کمترین کارایی مقیاس را در بین شهرها دارند.

ثالثاً، شهرهای موجود در YRD را می‌توان بر اساس مقیاس ورودی‌های نوآوری و سطوح کارایی به چهار نوع طبقه‌بندی کرد، یعنی شهرهای پیشرو در نوآوری، شهرهای بهینه‌شده برای نوآوری، شهرهای نوآوری نوآور، و شهرهای ارتقا یافته با نوآوری.

چهارم، ویژگی های اجتماعی-اقتصادی شهری و ارتباطات بین شهری تأثیرات قابل توجهی بر کارایی نوآوری شهری در YRD دارند. سرمایه انسانی و باز بودن به طور مثبت به بهبود کارایی نوآوری کمک می کند، در حالی که متغیرهایی مانند پایه اقتصادی و مشارکت دولت موانع خاصی را برای افزایش کارایی نوآوری ایجاد می کنند. تحرک جمعیت بین شهرها به عنوان یک عامل تعیین کننده در افزایش کارایی نوآوری و امکان توزیع فضایی موثر منابع نوآوری ظاهر می شود و در نتیجه سرریز دانش را تسهیل می کند. این پدیده به این فرضیه اعتبار می دهد که ارتباطات قوی بین شهری نقشی اساسی در افزایش کارایی نوآوری شهری ایفا می کند.

در نهایت، این مطالعه یک اثر سرریز فضایی منفی را در کارایی نوآوری شهرهای YRD نشان می‌دهد، که نشان‌دهنده فقدان توسعه هم افزایی مؤثر است. پرداختن به این چالش و افزایش کارایی نوآوری شهرهای YRD، الزامات حیاتی در فرآیند ادغام YRD را تشکیل می دهد.

علاوه بر این، ما از در نظر گرفتن عوامل داخلی و خارجی برای تقویت کارایی نوآوری در شهرهای YRD حمایت می کنیم. در داخل، نیاز مبرمی برای تقویت قابلیت‌های نوآوری ذاتی شهر وجود دارد. این امر می تواند با تشدید تلاش ها برای جذب و پرورش استعدادهای علمی و فناوری با کالیبر بالا، افزایش ادغام شهر با بازارهای جهانی، بهینه سازی تخصیص بودجه نوآوری دولتی و به حداکثر رساندن کارایی آنها محقق شود. از نظر بیرونی، تقویت شبکه های نوآوری مشترک در بین شهرها بسیار مهم است. تقویت این شبکه‌ها مستلزم ایجاد بسترهای نوآوری مشترک قوی، متنوع کردن کانال‌های نوآوری مشارکتی، و اصلاح مکانیسم‌های نهادی حاکم بر تلاش‌های مشترک است.

به طور خلاصه، ما یک چارچوب تحلیلی برای ارزیابی کارایی نوآوری شهری ایجاد کردیم و به طور سیستماتیک تأثیر عوامل هم افزایی محلی و منطقه‌ای را با استفاده از مدل‌های اقتصادسنجی فضایی بررسی کردیم. یافته‌های ما نشان می‌دهد که کارایی نوآوری منطقه‌ای نه تنها با شرایط محلی بلکه توسط هم‌افزایی منطقه‌ای شکل می‌گیرد. این مشارکت یک شکاف در تحقیقات قبلی را پر می‌کند، که عمدتاً بر روی عوامل محلی متمرکز شده‌اند و در عین حال پویایی‌های منطقه‌ای را نادیده می‌گیرند، در نتیجه زیربنای نظری کارایی نوآوری را پیش می‌برد.

علاوه بر این، با پیشرفت سیستم‌های حمل‌ونقل سریع بین‌شهری و تکامل شبکه‌های نوآوری پیچیده، خوشه‌های شهری نوآورانه بین‌منطقه‌ای پدید آمده‌اند. به عنوان مثال می توان به مناطقی مانند منطقه خلیج سانفرانسیسکو در ایالات متحده، خوشه شهر پونهوا و منطقه خلیج توکیو در ژاپن اشاره کرد. مطالعه تجربی ما بر روی خوشه شهر دلتای رودخانه یانگ تسه چین، زمینه را برای ترویج تشکیل خوشه‌های شهری نوآورانه فراهم می‌کند. علاوه بر این، یافته های ما به توسعه سیاست هایی کمک می کند که از نوآوری در این خوشه ها حمایت می کند.

با این حال، مطالعه کنونی ما به دلیل تعداد محدودی از متغیرهای اندازه‌گیری پیوندهای منطقه‌ای، تنها نمای جزئی از همکاری‌های منطقه‌ای را ارائه می‌دهد. تحقیقات آینده می تواند این دامنه را با ترکیب شاخص های بیشتر و مجموعه داده های متنوع برای ارائه درک جامع تری از شبکه های نوآوری منطقه ای گسترش دهد. علاوه بر این، مطالعات طولی که تاثیر رو به رشد نوآوری شهری مشارکتی را بر کارایی نوآوری شهر بررسی می‌کنند، بینش‌های ارزشمندی را در طول زمان به دست خواهند آورد.

منبع:
۱- shahrsaz.ir , پایداری | متن کامل رایگان | بررسی تاثیر اتصال شهری بر کارایی نوآوری شهری: مطالعه تجربی دلتای رودخانه یانگ تسه در چین
,۲۰۲۴-۰۷-۰۲ ۰۳:۳۰:۰۰
۲- https://www.mdpi.com/2071-1050/16/13/5647