创新要素的空间分布及其对区域创新产出的影响_基于中国省域的ESDA_GWR分析

收稿时间：2012-05-24；修回时间：2012-08-07

基金项目：国家自然科学基金项目（40801053）；教育部人文社会科学基金项目（10YJC630005）作者简介：方远平（1974—），男，湖南桂东人，博士，副教授，硕士生导师。主要研究方向为服务业与城市发展、产业布局、区域经济与规划等。E-mail ：fyp21cn@https://www.360docs.net/doc/3d7886833.html, 。

全球化和知识型经济时代，创新是国家和地区经济增长、综合竞争力提升的重要驱动力。二战后以来，尤其是新一轮信息技术革命以来，西欧、北美、东亚等发达国家和地区高度重视区域创新和创新型国家战略，并在全球科技创新领域保持领先地位。21世纪以来，我国把提高自主创新能力、建设创新型国家作为国家发展战略的核心和提高综合国力的关键，强调坚持走中国特色的自主创新道路，许多省、市也纷纷制定了区域创新和城市创新战

略。区域创新已经成为学术界关注的热点，国内外关于区域创新的研究大致可以分为三个方面：一是创新对区域经济增长的影响和促进的研究。杨志海认为国内专利数量的增加对经济起到促进作用，而且从长期上来看，世界创新能够影响并驱动一国经济的发展[1]。高丽娜等人揭示创新要素的空间集聚与扩散对经济增长的促进作用[2]。朱勇等人发现技

创新要素的空间分布及其对区域创新产出的影响

——基于中国省域的ESDA-GWR 分析

方远平1，谢蔓2

（1.华南师范大学旅游管理系，中国广东广州

510631；2.华南师范大学经济与管理学院，中国广东广州

510006）

摘要：以我国31个省域为研究单元，通过Moran 指数I 的全局分析，发现创新要素存在正向的空间相关性。Moran

散点图和LISA 聚类表的局部分析结果显示，不同的省域各个创新要素有着空间相关性的差异和不同的集聚模式。在此基础上，进一步运用GWR ，分析我国省域创新要素对创新产出的空间影响差异。结果表明，R&D 经费支出对专利授权量有正相关性，绝大部分沿海省市的R&D 经费支出（对数）估计系数值较大；每万人口在校大学生数对专利授权量具有负相关性；其他变量的参数估计值都有正有负，其中，R&D 人员占总就业人员的比例（对数）的回归系数都不大；高等院校数对专利授权量的影响，新疆和内蒙古具有较大的正相关性，浙江、福建、江西、海南具有较大的负相关性。大多数省区技术合同项目数对专利授权量的影响具有正相关性，福建、广东和海南省除外。关键词：创新集聚；创新产出；空间探索性数据分析（ESDA ）；地理加权回归（GWR ）中图分类号：F223文献标识码：A 文章编号：1000-8462（2012）09-0008-07

The Effect of Innovation Elements Agglomeration on Regional Innovation Output

——Based on Chinese Provinces and Cities's ESDA-GWR Analysis

FANG Yuan -ping 1，XIE Man 2

（1.Department of Tourism ，South China Normal University ，Guangzhou 510631，Guangdong ，China ；

2.School of Economics and Management ，South China Normal University ，Guangzhou 510006，Guangdong ，China ）Abstract:With the help of exploratory spatial data analysis methods,the paper analyses the phenomenon of innovation

elements agglomeration in China ，and then try to use the empirical analysis method of geographic weighted regression to study the effect of innovation elements agglomeration on regional innovation output.Through the global analysis of Moran'I index,we find that the proportion of the R&D personnel in total employment,R&D expenditures,the number of university,the quantity of technical market transactions contract,per million population in college students have positive correlation and through the Moran scatter plots and local indicators LISA cluster table ,we find the innovation elements have different degrees of spatial autocorrelation related and agglomeration phenomena.The GRW model results show that there are spatial differences in the impact of innovative elements on regional innovation output.

Key words:innovation agglomeration;innovation output;space exploratory data analysis(ESDA);Geographically Weighted Regression (GWR)

第32卷第9期经济地理Vol.32，No.92012年9月ECONOMIC GEOGRAPHY Sep.，

2012

术创新能够很好地解释经济发展水平[3]。关于创新和企业之间的关系，有学者认为可以通过创新来提高企业效益[4-5]。二是关于创新活动的空间分布的研究。波纳蒂（Bernardi Cabrer-Borras）等以西班牙为例，研究创新的空间分布情况，区域依赖性和演变[6]。布勒奇（Breschi）使用欧洲专利局的数据对创新活动的空间格局及创新活动的组织部门在空间上的关系进行实证分析[7]。李国平等人揭示了我国创新活动的空间集聚模式及其时空演变态势[8]。梁洁鸣认为广东省创新活动具有空间自相关性和空间差异性，也存在创新活动知识溢出[9]。李志刚等以专利作为创新产出的代理变量，用Moran指数及散点图研究创新活动的空间分布特征，并且通过回归方法计算和检验空间关联的强度[10]。三是关于创新的影响因素研究。奥德瑞奇等（Audretsch and Feldman）通过经验研究分析区域创新投入与创新产出之间的关系[11]。张玉明等研究中国省级区域创新产出的空间相关性问题和知识溢出对区域创新产出的影响[12]。吴玉鸣通过建立常系数空间滞后模型、空间误差模型、地理加权回归模型，研究分析企业研发，高校研发等对区域创新能力的贡献的差异[13]。刘和东、施建军也同样计算Moran指数和采用空间滞后模型、空间误差模型，对影响我国区域创新产出的因素（人口、经济增长、教育发展水平）进行空间计量分析[14]。岳鹄、康继军以专利授权量为创新产出的指标，实证研究创新环境对区域创新能力的影响，并分析了区域创新能力差异的成因[15]。

纵观国内外文献，大多数学者对于区域创新的研究侧重从专利等单个创新产出指标进行分析，较少研究创新要素对区域创新产出的影响。而且在研究创新产出的影响因素时，很少考虑到各地区不同的创新要素对创新产出的影响。为了深入分析不同地区各创新要素对创新产出的影响及其差异，本文通过运用探索性空间数据分析方法和建立地理加权回归模型，试图研究我国各省区创新要素的空间分布及其对区域创新产出的空间影响及空间差异，以期为区域创新的研究提供一个新的视角。

1指标选取、数据来源与研究方法

1.1指标选取和数据来源

学者们对创新活动的衡量有不同的标准。梁洁鸣以人均新产品产值为创新活动的代理变量[9]，也有学者用R&D支出和R&D人员来度量创新投入[16-17]。

孙凯将地区R&D支出占GDP比率、R&D

人员数量

占全部在职人员数量比率和R&D

内部支出总额作

为衡量创新投入的指标，将技术市场交易价值、三

种专利授权量和新产品销售收入占所有产品销售

收入比率作为衡量创新产出的指标[18]。

本文借鉴相关的文献，选取各省市研究与试验

发展人员占总就业人员的比例（RDJYBL）、研究与

试验发展经费支出（RDZC）、普通高等院校的数量

（GDYXSL）、技术市场成交合同数（JSHTS）、每万人

口在校大学生数（MWRZXDXS）5个指标作为衡量

创新活动的代表性指标，用来衡量创新要素空间分

布及其差异，再利用专利授权量（ZLSQL）作为衡量

创新产出的指标。研究时段为2000—2010年，研究

范围为中国除了香港、澳门和台湾以外的31个省

市自治区，数据来源于2001—2011年《中国统计年

鉴》和《中国科技统计年鉴》。

1.2研究方法

1.2.1探索性空间数据分析技术（ESDA）。近年来，

探索性空间数据分析技术（Exploratory Spatial Data

Analysis，ESDA）在各个领域被广泛运用，许多学者

在ESDA方法的支持下进行空间差异的研究。ESDA

方法包括全局和局部自相关分析。全局自相关分析

主要探索某一属性在区域中总体的空间关联和差

异，一般有两种估计方法，即Moran指数I和Geary

指数C，其中Moran'I指数被应用得更多，公式为：

Moran's I=

∑

i=1

n∑

j=1

-Yˉ)(Y

-Yˉ)

S2∑

i=1

n∑

j=1

式中：S2=1n∑

i=1

-Yˉ)Yˉ=1

∑

i=1

。n为研究地区总数，

表示第i地区的观测值，W

为二进制的邻接矩

阵。依据公共边界法，若区域i与j属于邻居关系，即

有共同边界时，则w ij=1；否则，w ij=0。规定区域i与

其自身不属于邻居关系，即w ii=0。在本文中，若Mo?

ran’s I为正，则表示创新水平较高（或较低）的区域

在空间上显著集聚。若Moran’s I为负，则意味着区

域与其周边地区的创新水平存在显著的空间差异。

而局部自相关分析能够探究局部空间的变化

性。一般用Moran散点图和局部指标（LISA）来衡

量。Moran散点图的横轴为一个变量在不同位置上

的观测值向量（Z），而纵轴表示该向量的空间滞后

（W z）。局部指标LISA可以研究空间关联的程度，公

式为：

LISA

ij∑j W ij Z j

第9期方远平，谢蔓：创新要素的空间分布及其对区域创新产出的影响９

式中：Z i 和Z j 是区域i 和j 上观测值的标准化，W ij 是空间权重，其中∑j W ij =1。

1.2.2地理加权回归法（GWR ）。为了分析创新要素的集聚对区域创新产出的影响，首先进行空间自相关分析。若存在空间自相关性，则需要在空间计量经济学理论方法支持下，建立空间变系数计量经济模型，进行空间计量估计和检验。建立的空间计量经济模型为地理加权回归（Geographical Weighted Regression ，GWR ）。相关文献里面有对GWR 模型做详细介绍[13]。地理加权回归是对每一个观测的空间单元都进行局部回归，在地理位置的变化过程中，可以在空间上对每个参数进行估计，研究变量之间的关系变化，更好地反映经济变量之间的空间依赖性和空间差异的变化情况。

一般全局回归模型为：Y i =αo +∑k

αk x ik +εi ，其

只显示了研究区域的总体平均效果。而GWR 模型考虑了局部参数估计，能够突出在不同区域自变量对因变量的不同影响，模型为：

Y i =αo （U i ,V i ）+∑k

αk （U i ,V i ）x ik +εi

式中：（U i ，V i ）是第i 个样本点的空间坐标；αk （U i ，V i ）是连续函数αk （U ，V ）在i 点的值。如果αk （U ，V ）在空间保持不变，则GWR 模型就变为全局模型。

2实证研究结果分析

2.1全局自相关分析

运用Geoda 软件计算出我国2000—2010年5个创新活动代表要素的Moran's I 指数，如表1所示。

从表1可得，在研究的时段内，所有的Moran's I 指数都大于0，这表明5个创新要素的空间分布并非是随机的，而是呈现出全域正相关关系，相似水平的区域集聚在一起，存在空间依赖性和空间集聚现象。5个要素中除了技术合同项目数之外，其他4

个要素的Moran's I 指数在2000—2010年间虽有波动，但是总体上是呈现上升趋势。这显示了R&D 人员、R&D 经费支出、高等院校数、每万人在校大学生这4个创新要素的空间集聚和依赖性不断加强，高水平的省（区、市）趋于和高水平的省市靠拢，低水平的省（区、市）趋于和相似水平的省市靠拢，体现一种高—高和低—低的集聚类型，区域总体差异在缩小。而技术合同项目数的Moran's I 指数则呈现出下降的趋势，从2000年的0.3268到2010年的0.1408，这说明技术合同数空间差异开始扩大。2.2局部自相关分析

从表2及对应的散点图（图略）可得，2010年，属于京津冀、长三角范围的北京、天津、上海、江苏和浙江处于HH 区，说明R&D 人员占就业人员比例较高，并带动了周围地区R&D 人员占就业人员比例的增长，特别是北京和天津，从2000年以来都处于HH 区，体现了明显的空间集聚效应；对于散点密集的LL 区，这种局部自相关性较强，从2000年22个省（区、市）降到2010年的18个省（区、市），说明R&D 人员占就业人员比例低的省市逐年下降，例如广东，从2000年的LL 区到2010年的HL 区，说明R&D 人员就业人数处于较快的增长。

从表3和对应的散点图可得，2010年有18个省市位于第一、三象限，这些省（区、市）的R&D 经费支出表现出正的空间相关性。其中，山东和三个长三角省市江苏、浙江和上海在这三个研究期间，一直是位于HH 区域。约有42%的省（区、市）是位于LL 区域，散点密集，空间集聚特征较明显，表现出低值被低值包围的低低集聚类型。有6个省份位于第二象限，这些省（区、市）的R&D 经费支出水平低于周边地区，被周边高水平地区包围。相比2000年，位于HH 区域的省份没有变化，LL 区域的省份增加了宁夏。广东和辽宁两个沿海省份一直处于HL 区

表1我国2000—2010年5个创新代表要素的Moran'I 指数及其显著性

Tab.1

Moran 'I index and its significance of five innovation elements from 2000—2010in China

年份200020012002200320042005200620072008

2009

2010

Moran's I 0.18280.21640.25280.29930.26710.27760.32400.34620.34310.34330.3755R&D 人员占就业人员的比例

P-value 0.0270.0210.0060.0060.0030.0030.0060.0030.0040.0040.002

Moran's I 0.05940.03580.05850.08820.15090.18930.23940.23660.27360.2460.2385R&D 经费支出P-value 0.1750.2620.1900.1410.0580.0360.0200.0180.0090.0280.015

Moran's I 0.25560.32750.37720.39100.41350.37400.36470.37130.37770.38650.3994高等院校数

P-value 0.0100.0050.0010.0010.0010.0040.0030.0010.0020.0010.001

Moran's I 0.30320.33960.37440.40970.42840.42570.42830.43410.43960.4430.4283每万人在校大学生

P-value 0.0060.0020.0050.0010.0020.0010.0010.0010.0010.0010.001

Moran's I 0.32680.37660.40010.32930.34130.29910.17960.13310.14730.15310.1408技术合同项目数

P-value 0.0050.0010.0010.0030.0090.0090.0190.0550.0440.0470.044

10经济地理第32卷

第9期方远平，谢蔓：创新要素的空间分布及其对区域创新产出的影响11

域，这两个省份的R&D经费支出相对于周边地区来说水平较高，表现出高值被低值包围的集聚类型。大多数经济落后地区如新疆、贵州、青海、内蒙古等省份R&D经费支出水平比较低，且与周边相似低水平的地区连片。

从表4和对应的散点图可得，2010年共有20个省市位于HH和LL区域，表现出空间正相关关系。其中，高值被高值包围的高高集聚省市有12个，这些地区的高等院校数较多，同时周边地区也类似，空间差异小。有8个省份位于LL区域，这些省（区、市）的经济相对比较落后，高等院校数少，包围这些省（区、市）的周边地区水平也相似。共有11个省（区、市）位于LH和HL区域。2005年，处于第二象限的省域减少到4个，而2010年又增加到2000年的水平。2005年，辽宁省进入了第四象限。上海在

2000年是处于HH区域，在2005年是属于跨象限（HH和LH）的省市，而在2010年完全属于第四象限—LL区域，这表明相对周边省区，其高等院校数量偏少。

从表5和对应的散点图发现，2010年共有19个省市（约占总体的61%）处于HH、LL区域，都表现出空间正相关性，其中有8个在HH区域，11个省份在LL区域。从2000年、2005年到2010年，位于HH 区域的省（区、市）不断增加，位于LL区域的省（区、市）在减少。总体上看，每万人在校大学生数的水平在不断提高。内蒙古在2000年和2005年从LH、LL 区域开始移动到2010年的LH区域。上海在2000年跨HH、HL象限，在2005年位于HH区域。江苏、天津和北京一直处于HH区域，这说明了其在高等教育与人才素质培养方面取得了较好的成果。

从表6和对应的散点图可得，2010年位于HH 区域的省、市有江苏、浙江、天津和上海，都属于沿海地区，说明其技术合同项目数相对比较多，领先于其他地区。有17个省（区、市）位于LL区域，散点密集，空间正相关和集聚的特征非常显著，其中西南地区的省（区、市）都落在这一象限，有关技术合同项目数落后于其他地区。分别有4个省份位于LH

和HL区域，

呈现出显著的负空间相关性。低值被高

表2我国31个省市2000、2005、2010年R&D人员占就业人员比例的LISA聚类结果

Tab.2LISA cluster results of R&D personnel accounts for the employment of proportion in China（2000、2005、2010）

象限

象限1：HH 象限2：LH 象限3：LL 象限4：HL 跨象限

2000

北京，天津

河北，浙江

山西，内蒙古，黑龙江，安徽，福建，江

西，山东，新疆，河南，湖南，湖北，广

东，广西，海南，重庆，贵州，四川，云

南，西藏，甘肃，青海，宁夏

辽宁，吉林，上海，陕西

江苏跨HH、LH

2005

北京，天津，上海，江苏

河北

陕西，内蒙古，吉林，安徽，福建，江西，山

东，新疆，河南，湖南，湖北，广西，海南，重

庆，贵州，四川，云南，西藏，甘肃，青海，宁

夏

辽宁，陕西

黑龙江跨HL、LL，浙江跨HH、LH，广东跨

LL、HL

2010

北京，天津，上海，江苏，浙江

河北，福建

山西，内蒙古，黑龙江，山东，新疆，

河南，湖南，湖北，广西，海南，重

庆，贵州，四川，云南，西藏，甘肃，

青海，宁夏

辽宁，广东，陕西

吉林跨LL、HL，安徽跨LL、LH，江

西跨LH、LL

表3我国31个省市2000、2005、2010年R&D经费支出的LISA聚类结果

Tab.3LISA cluster Results of R&D expenditures of31provinces in China（2000、2005、2010）

象限

象限1：HH 象限2：LH 象限3：LL 象限4：HL 跨象限

2000

山东，江苏，浙江，上海

河南，安徽，江西，福建，广西，天津，河北

黑龙江，新疆，山西，宁夏，西藏,云南，贵

州，海南，吉林，青海，甘肃，内蒙古

湖北，广东，辽宁，陕西，北京，四川

湖南跨LH、LL，重庆跨LH、LL

2005

山东，江苏，浙江，上海

河南，安徽，江西，福建，天津，河北

黑龙江，新疆，山西，宁夏，西藏，湖北，湖

南，云南，贵州，海南，吉林，青海，甘肃，

内蒙古，重庆

广东，辽宁，陕西，北京，四川

广西跨LH、LL

2010

山东，江苏，浙江，上海

河南，安徽，江西，福建，广西，河北

黑龙江，新疆，山西，宁夏，西藏，云

南，贵州，海南，吉林，青海，甘肃，

陕西，内蒙古，重庆

湖北，广东，辽宁，北京，四川

湖南跨LH、LL，天津跨HH、LH 表4我国31个省市2000、2005、2010年高等院校数的LISA聚类结果

Tab.4LISA cluster results of the university number of31provinces in China（2000、2005、2010）

象限

象限1：HH 象限2：LH 象限3：LL 象限4：HL 跨象限

2000

山东，河南，江苏，安徽，湖北，浙江，湖

南，广东，吉林，辽宁，河北，上海，北京

山西，江西，贵州，福建，广西，天津，重庆

新疆，宁夏，西藏，云南，海南，青海，甘肃

黑龙江，陕西，四川

内蒙古跨LH、LL

2005

山西，山东，河南，江苏，安徽，湖北，

浙江，江西，湖南，广东，河北，北京

福建，广西，天津，重庆

新疆，宁夏，西藏，云南，海南，吉林，

青海，甘肃，内蒙古

黑龙江，辽宁，陕西，四川

贵州跨LH、LL，上海跨HH、LH

2010

山东，河南，江苏，安徽，湖北，浙江，江

西，湖南，福建，广东，河北，北京

山西，贵州，广西，吉林，天津，重庆，上海

新疆，宁夏，西藏，云南，海南，青海，甘

肃，内蒙古

黑龙江，辽宁，陕西，四川

值所包围的省份有安徽、江西、福建和河北，被低值包围的高值省份有广东、辽宁、陕西和四川。在2005年有5个省市处于HH区域，在2010年山东开始向第二象限跃迁。而北京开始从2000、2005年的HL 区域向2010年的HH区域靠近，LL区域的省份也从

2000、2005年的15个增加到17个。

2.3地理加权回归分析

采用Moran指数法检验到被解释变量专利授权量的Moran's I指数均为正数，这说明创新产出在空间上集聚，存在空间正相关关系（表7），所以有必要建立空间变系数模型—地理加权回归模型，从而更好地解释创新要素对专利授权量影响的空间差异。由于创新要素集聚对创新产出的影响存在时滞效应，因此，参考刘顺忠、官建成的方法[19]，允许一年的时滞，采用2010年专利授权量的数据和2009年创新要素的数据进行模型回归。根据需要，建立双对数模型如下：

ln ZLSQL

=α+βln RDJYBL+λln RDZC+δln GDYXSL+

?ln JSHTS+ηln MWRZXDXS+ε

式中：i为1，2，……，31个省域，ε为随机误差项，α、β、λ、δ、?、η为回归系数。使用交叉确认方法确定带宽，回归结果见表8。

从表8发现，所有省域的常数项都是负数，且存在明显的空间差异。我国31个省域的经费支出的对数（ln RDZCR&D）参数估计值都全为正数，范围为0.28—1.43，对专利授权量具有正的影响，其中R&D经费支出（对数）每增长1%，专利授权量（对数）将增长约0.28%—1.43%，说明各省市的R&D

经表

7我国2000—2010年创新产出代表要素的

Moran's I指数及其显著性

Tab.7Moran's I index and its significance of innovation

output from2000—2010in China

年份

2000

2001

2002

2003

2004

2005

2006

2007

2008

2009

2010

Moran's I

0.1088

0.0794

0.0861

0.0860

0.0478

0.0391

0.0220

0.0174

0.0136

0.0177

0.0158

技术市场交易价值

p-value

0.074

0.117

0.087

0.118

0.146

0.152

0.158

0.174

0.191

0.182

0.202

Moran's I

0.0865

0.0833

0.0984

0.1766

0.1014

0.1108

0.1513

0.1937

0.1993

0.2561

0.2652

专利授权量

p-value

0.108

0.122

0.089

0.028

0.101

0.070

0.054

0.032

0.035

0.016

0.013

费支出对专利授权量起到较好的效应，特别是浙

江、江西和海南省，具有较大的估计系数，领先于其

他地区。

我国31个省域的每万人口在校大学生数的对

数（ln MWRZXDXS）参数估计值都全为负数，范围

为-0.225到-1.73，对专利授权量具有负的影响，每

万人口在校大学生数的对数每增加1%，专利授权

量（对数）减少0.225%到1.73%，说明大学生比率对

于专利授权量的产出起到负作用，应该加强在校大

学生创新能力的培养；特别是京津冀、长三角两大

城市群范围中省、市系数都大于-1，应该加大这些

地区学生研发能力的培养力度。

其他变量的参数估计值有正有负，且不同的省

（区、市）有不同的估计值。31个省域的R&D人员占

总就业人员比例的对数（ln RDJYBL）的回归系数都表5我国31个省市2000、2005、2010年每万人在校大学生数的LISA聚类结果Tab.5LISA cluster results of per million population in college students of31provinces in China（2000、2005、2010）

象限

象限1：HH

象限2：LH

象限3：LL

象限4：HL

跨象限

2000

江苏，吉林，天津，北京

浙江，河北

新疆，山西，宁夏，西藏，山东，河南，安

徽，江西，湖南，云南，贵州，福建，广

东，广西，海南，青海，甘肃，重庆，四川

黑龙江，湖北，辽宁，陕西

内蒙古跨LH、LL，上海跨HH、HL

2005

江苏，浙江，天津，上海，北京

河南，安徽，河北

新疆，山西，宁夏，西藏，山东，湖

南，云南，贵州，福建，广西，广

东，海南，青海，甘肃，重庆，四川

黑龙江，湖北，江西，辽宁，陕西

吉林跨HH、HL，内蒙跨LH、LL

2010

黑龙江，江苏，湖北，吉林，天津，重庆，上海，北京

山西，宁夏，河南，安徽，浙江，内蒙古，河北

新疆，西藏，湖南，云南，贵州，广东，广西，海南，

青海，甘肃，四川

福建，辽宁，陕西

山东跨HH、LH、LL、HL，江西跨HH、HL

表6我国31个省市2000、2005、2010年技术项目合同数的LISA聚类结果

Tab.6LISA cluster results of the quantity of technical market transactions contract in China（2000、2005、2010）

象限

象限1：HH

象限2：LH

象限3：LL

象限4：HL

跨象限

2000

山东，江苏，浙江，上海

安徽，河南，江西，福建，广东，吉林，天津，河北

新疆，山西，宁夏，西藏，湖北，云南，贵州，广

西，海南，青海，甘肃，陕西，内蒙古，重庆，四川

黑龙江，湖南，辽宁，北京

2005

山东，江苏，浙江，天津，上海

河南，安徽，江西，福建，广西，河北

黑龙江，新疆，山西，宁夏，西藏，云

南，贵州，海南，吉林，青海，甘肃，陕

西，内蒙古，重庆，四川

湖北，湖南，广东，辽宁，北京

2010

江苏，浙江，天津，上海

安徽，江西，福建，河北

黑龙江，新疆，陕西，宁夏，西藏，河

南，湖北，湖南，云南，贵州，广西，海

南，吉林，青海，甘肃，内蒙古，重庆

广东，辽宁，陕西，四川

山东跨HH、LH，北京跨HH、HL

12经济地理第32卷

第9期方远平，谢蔓：创新要素的空间分布及其对区域创新产出的影响13

不大，这说明R&D人员占总就业人员的比例对专利授权量的影响不大，其中新疆和黑龙江的估计系数最大，分别为0.495和0.462，对专利授权量产出的贡献率最大；而有的省份如广东、广西、贵州等却有负的影响，应该加强R&D人员的引进和培养。高等院校数对专利授权量影响方面，新疆和内蒙古具有较大的正的影响，浙江、福建、江西、海南具有较大的负影响。技术合同项目数对专利授权量影响方面，大多数的省市具有正的影响，福建、广东和海南省除外。

3结论与政策含义

3.1结论

创新要素不同程度的空间相关性是一种空间自组织活动，有赖于自我强化。本文运用空间计量模型，分析了我国各省区创新要素的空间分布及其对创新产出的影响，得出以下几点结论：

第一，我国省域的5个创新要素不仅呈现出空间正相关性，某一省区创新要素分布受到周边省区的影响，而且还出现空间差异和空间集聚现象。

创新要素的空间分布并不是随机的，而是有着空间依

赖性。创新产出要素也具有空间正相关性。从5个创新要素的LISA聚类结果中发现，环渤海、长三角等区域省市大都位于HH区域，呈现高高集聚模式，而大部分西南地区省份位于LL区域，在空间地理位置上连成一片，呈现低低集聚模式。广东、福建等东南沿海省份为HL区域，虽然各创新要素处于较高水平，但周边地区处于较低水平，广东、福建等创新对周边省份辐射、带动作用难以发挥。说明创新要素存在空间依赖和空间关联性，同时也存在区域创新溢出的空间局限性。

第二，我国省域5个创新要素对创新产出要素的影响存在空间差异，而不像OLS那样只有一个平均估计值。在回归模型中，每个变量的估计系数，随空间位置的变动而不同，都有一个浮动范围，贡献强度各不同。某些变量在不同的地区上有正的影响，也有负的影响。这可能是由于各个地区有着不同的经济条件、创新体制、产业结构等原因使估计系数具有空间非平稳性。模型的拟合优度也存在空间差异，都较好地模拟了数据，解释了模型的约

表8我国31个省域专利授权量的地理加权回归结果

Tab.8The geographical weighted regression results of patent grant of31provinces in China

省市名称北京

天津

河北

山西

内蒙古辽宁

吉林

黑龙江上海

江苏

浙江

安徽

福建

江西

山东

河南

湖北

湖南

广东

广西

海南

重庆

四川

贵州

云南

西藏

陕西

甘肃

青海

宁夏

新疆常数项

-0.225

-0.214

-0.221

-0.226

-0.266

-0.209

-0.217

-0.245

-0.134

-0.157

-0.121

-0.157

-0.101

-0.126

-0.189

-0.192

-0.176

-0.149

-0.097

-0.131

-0.075

-0.196

-0.236

-0.174

-0.199

-0.338

-0.229

-0.293

-0.315

-0.259

-0.390

lnRDJYBL

0.250

0.236

0.233

0.167

0.323

0.319

0.392

0.462

0.102

0.1168

0.044

0.068

-0.039

-0.033

0.177

0.086

0.011

-0.064

-0.130

-0.151

-0.215

-0.029

-0.019

-0.102

-0.148

0.141

0.097

0.181

0.165

0.151

0.495

lnRDZC

1.01

1.05

1.03

1.02

0.882

1.06

1.04

0.983

1.30

1.239

1.346

1.248

1.41

1.348

1.136

1.141

1.19

1.28

1.43

1.32

1.46

1.136

0.998

1.202

1.111

0.584

1.019

0.781

0.695

0.908

0.289

lnGDYXSL

0.214

0.170

0.193

0.179

0.400

0.194

0.246

0.336

-0.188

-0.103

-0.275

-0.138

-0.408

-0.317

0.046

0.0002

-0.106

-0.252

-0.480

-0.350

-0.594

-0.045

0.138

-0.163

-0.058

0.756

0.153

0.484

0.597

0.311

1.228

lnJSHTS

0.117

0.108

0.114

0.152

0.108

0.115

0.132

0.024

0.046

0.009

0.044

-0.008

0.014

0.081

0.079

0.061

0.037

-0.004

0.029

-0.005

0.080

0.112

0.063

0.086

0.154

0.112

0.156

0.159

0.137

0.179

lnMWRZXDXS

-1.228

-1.224

-1.190

-1.006

-1.270

-1.450

-1.610

-1.730

-1.060

-1.050

-0.940

-0.936

-0.758

-0.730

-1.130

-0.897

-0.740

-0.599

-0.518

-0.389

-0.302

-0.570

-0.469

-0.428

-0.225

-0.380

-0.812

-0.769

-0.608

-0.839

-0.880

0.916

0.915

0.916

0.918

0.919

0.915

0.917

0.920

0.914

0.916

0.915

0.921

0.919

0.914

0.917

0.918

0.921

0.926

0.927

0.934

0.922

0.928

0.925

0.932

0.948

0.921

0.929

0.936

0.923

0.9488

91%—94%。

第三，地理加权回归分析中发现，每万人在校大学生数（对数）的参数估计值都全为负数，对专利授权量具有负的影响；在局部自相关分析中，该创新要素的HH区由2000年的4个省市增加到8个省市，处于领先地位的京津冀、长三角范围中的省市在地理加权回归中的系数都大于-1，说明该指标对专利授权量产出关系不大。这表明每万人中在校大学生比率与对区域创新水平影响不明显，说明在校大学生并非创新的主体人群，对创新产出没有发挥明显的作用。

第四，回归模型结果显示，R&D经费支出（对数）估计系数值都为正数，其中，绝大部分沿海省市的估计系数值较大，说明直接的研发经费投入对于创新产出有着最显著的影响，研发经费投入的增大，将会使提高创新产出的效果明显。31个省区市的R&D人员占总就业人员的比例（对数）的回归系数都不大，其中，内蒙古、新疆和东北三省的系数估计值相对较大；新疆和内蒙古的高等院校数对专利授权量具有较大的正的影响，浙江、福建、江西、海南具有较大的负的影响；在技术合同项目数对专利授权量影响方面，大多数的省市具有正的影响，福建、广东和海南省除外，说明ESDA模型缺乏理论解释性。

3.2政策含义

针对本文研究的结论，提出以下简要的建议：

第一，对于广东、福建等HL型沿海省份，应该打破地区创新溢出的市场与体制壁垒，强化创新强—弱区域间的全方位合作，完善技术交易市场，进而带动周边地区创新要素的集聚与创新水平的提升，实现区域创新水平的共同提高。对于西南地区和西北地区LL型区域，国家应该给予特殊倾斜政策，扶持西部地区关键创新要素的培育及集聚，并推动沿海创新水平高的省区对口援助西部省区，以提升其区域创新要素集聚和区域创新水平，从而打破区域知识创新溢出的壁垒，整体提升我国区域创新水平。

第二，由于R&D经费支出（对数）对专利授权量（对数）具有明显的正相关性，位于LL区域的西南、西北的省域应该加大对R&D经费的投入，不断吸引和培育创新要素的集聚，从而弥补其他创新要素聚集程度低等问题，提高西部地区整体创新产出水平。因此，国家应该进一步加大对西部落后地区R&D经费的扶持力度，以提升落后地区创新要素的集聚与创新产出水平，逐步缩小发达地区与欠发达地区的创新差距。

参考文献：

[1]Yang Chih-Hai.Is innovation the story of Taiwan’s economic

growth?[J].Journal of Asian Economics，2006，17(5)：867-878.

[2]高丽娜，蒋伏心.创新要素集聚与扩散的经济增长效应分析—

以江苏宁镇扬地区为例[J].南京社会科学，2011(10)：30-36. [3]朱勇，张宗益.技术创新对经济增长影响的地区差异研究[J].

中国软科学，2005(11)：92-98.

[4]Shane Scott A，Karl T Ulrich.Technological Innovation，Product

Development，Entrep-reneurship in Management Science[J].

Management Science，2004，50(2)：133-145.

[5]Rubera Gaia，Kirca Ahmet H.Firm Innovativeness and Its Per-

formance Outcomes：A Meta-Analytic Review and Theoretical Integration[J].Journal of Marketing，2012，76(3)：130-147. [6]Bernard′Cabrer-Borr′as，Guadalupe Serrano-Domingo.Innova-

tion and R&D spillover effects in Spanish regions：A spatial ap-

proach[J].Research Policy，2007，36(9)：1357-1371.

[7]Breschi S.The Geography of Innovation：a Cross-sector Analy-

sis[J].Regional Studies，2000，34(4)：213-229.

[8]李国平，王春杨.我国省域创新产出的空间特征和时空演化—

基于探索性空间数据分析的实证[J].地理研究，2012，31(1)：95 -106.

[9]梁洁鸣.广东省区域创新活动空间差异分析—基于探索性空

间数据分析(ESDA)[J].福建农林大学学报(哲学社会科学版)，2010，13(4)：58-63.

[10]李志刚，汤书昆，梁晓艳，等.我国创新产出的空间分布特征

研究—基于省际专利统计数据的空间计量分析[J].科学学与

科学技术管理，2006(8)：64-71.

[11]Audretsch，D.，Feldman，M.Knowledge spillovers and the geog-

raphy of innovation[J].Handbook of Urban and Regional Eco-

nomics，2004(4)：2713-2739.

[12]张玉明，聂艳华，李凯.知识溢出对区域创新产出影响的实证

分析—以高技术产业为例[J].软科学，2009，23(7)：99-102. [13]吴玉鸣.空间计量经济模型在省域研发与创新中的应用研究

[J].数量经济技术经济研究，2006(5)：74-85.

[14]刘和东，施建军.区域创新及其影响因素的空间计量分析[J].

科技管理研究，2009(10)：198-199.

[15]岳鹄，康继军.区域创新能力及其制约因素解析——基于

1997—2007省际面板数据检验[J].管理学报，2009，6(9)：1182-1187.

[16]Daniele Archibugi，Alberto Coco.Measuring technological ca-

pabilities at the country level：A survey and a menu for choice

[J].Research Policy，2005，34(2)：175-194.

[17]赵建吉，曾刚.创新的空间测度：数据与指标[J].经济地理，

2009，29(8)：1250-1255.

[18]孙凯.基于DEA的区域创新系统创新效率评价研究[J].科技

管理研究，2008(3)：139-141.

[19]刘顺忠，官建成.区域创新系统创新绩效的评价[J].中国管理

科学，2002(1)：75-78.

14经济地理第32

卷