论文部分内容阅读
[摘 要] 随着“提高自主创新能力,建设创新型国家”成为国家发展战略的核心,提升区域创新能力在区域发展中的作用与地位更为重要。空间统计分析表明,除了区域科技经费投入、产业结构状况和区域经济发展水平等因素外,相邻省域之间的空间近邻溢出效应对区域创新产出也具有非常明显的影响。省域之间的空间自相关说明我国区域的创新产出能力以高—高聚集和低—低聚集分布为主,显示出了创新能力集群的核心—边缘分布格局。
[关键词] 创新能力 空间自相关 空间分布 空间计量分析
在我国,随着“提高自主创新能力,建设创新型国家”成为国家发展战略的核心,提升区域创新能力在区域发展中的作用与地位更为重要。但由于历史等原因,我国区域创新能力的空间差异非常明显。罗发友(2004)通过对专利授权数据的研究发现我国创新产出主要集中在东部沿海地区。万勇(2009)采取因子分析法发现我国区域创新能力具有由东向西梯度递减、各区域间差距大等特征。国内许多学者都证明了我国创新产出具有集聚现象,张玉明、李凯(2007)还运用了空间自相关的方法证明了空间集聚现象并不是随机出现的。但是,他们都没有从宏观的层面来分析中国创新产出空间差异的成因。科学地衡量我国创新能力的空间差异,并寻求其成因,对于各地提升区域创新能力的实践具有重要意义。
一、中国创新能力的空间分布
在评价创新产出时,专利是最常用的指标之一。虽然专利这一指标有许多不足,如有人认为并不是每项专利都是创新或是某些行业的创新是很少申请专利等等,但相对于其它指标而言,具有几个明显的优势。如专利统计数据具有可获得性、授权标准是客观的和变化缓慢等。因此,在研究创新活动时使用专利数据是合理的,本文以专利申请量来代表区域创新能力的强弱。
1.创新能力的空间分布状况
实施科教兴国战略以来,我国的专利申请量和授权量增长迅速。图1提供了2008年我国31个省市(不包括港、澳、台)专利申请量在地理空间上的分布图。
图1 2008年中国31个省市专利申请量的空间分布图
从图1中可以看出,创新产出的地理分布主要集中在沿海地区及四川及湖北地区,而中部地区如河北、河南、湖南、安徽等形成了中型梯度的集群,西部及西北部地区则相对较为落后,东、中、西部地区呈现梯式结构。图1中有一个特别显著的特征是,区域创新能力在地理空间上的非均衡分布,大量的创新行为发生在我国沿海特别是以上海为中心的长三角地区、以广东为中心的珠三角地区以及以北京为中心的环渤海地区。
从图2的专利授权量所占的百分比来看,第四层次的8个省市的创新产出占全国专利授权量的75.59%,而第一层次的7个省市的创新产出占全国专利授权量的比例仅为1.38%。
图2 我国创新产出能力的四个层次 图3 东、中、西部地区专利授权量的百分比
从图3的东、中、西部地区所占的比例看,东部专利授权量远远超过中部和西部地区。这强烈地显示出创新产出集中在少数地区,东、中、西部地区发展极不平衡,创新活动呈现强弱的极化现象。
2.创新产出的空间集中度
Gini指数是用来判断地区所得分配与贫富差距程度的指标。也可以转用来衡量省际创新产出的集中度,来判断省际创新产出的集聚状况。区位Gini系数被定义如下:
其中,N是区域的总数量,是变量的平均值。当所有的省际区域变量相等时,区位Gini系数最小,且G=0;当除去一个省际区域的变量以外,其余区域变量均为0时,区位Gini系数最大,且G=1。Gini系数越接近于1,变量就越地理集中。图4计算了2000-2007年专利申请量的区位Gini系数。
图4 2000-2007年专利申请量的Gini系数
从图4中可知,在2000-2007年之间,区位Gini系数有逐年增大的趋势,也就是说,我国省际专利分布的不均衡性逐年加剧,专利申请有向少数几个省区集中聚集的趋势,领先与落后省份之间的差距越来越大。
二、创新聚集的空间相关性分析
前面的计算结果反映出我国创新产出在空间分布上呈现出明显的地理聚集现象。为了检验我国创新产出的空间聚集是随机发生还是存在着某种特定的分布规律,就要对专利申请量进行空间相关性检验。我们使用空间统计学最常用的指标,即 Moran’s I 指数来检验创新产出的空间相关性。
1.基于Moran指数的全局空间相关性检验
在计算Moran’s I指数前,要先构建各省际区域的空间权重矩阵,我们采取基于空间邻接关系的空间权重。即
Moran’s I指数的计算公式为:
其中,Xi表示第i地区的观测值(如专利申请量的综合评价值),n为地区总数(如省域),Wij为二进制的邻近空间权值矩阵。
Moran’s I 可看作各地区创新能力观测值的乘积和,其取值范围为- 1 <= Moran’s I <= 1。若各地区间的创新能力是空间正相关,则其数值应当较大;负相关则较小。零空间自相关性出现在当属性值的分布与区位数据的分布相互独立时。
检测2008年区域创新产出的专利申请量在地理空间上的相关性即空间相互依赖性。计算结果发现,2008年各省域专利申请量的Moran’s I 为0.3733(如下图所示),Moran’s I 的正态统计量Z值大于正态分布函数在0.05水平的临界值1.65,表明我国31个省市创新能力在空间分布上具有明显的正自相关关系,说明创新能力在空间分布上并不是分散分布的,而是表现出某些省域的相似值之间在空间上趋于集群。也就是说,具有一种较高创新能力的省区相对地与较高创新能力的省区相接近,或者较低创新能力的省区相对地与较低创新能力的省区相接近的空间关联结构。因此,从整体上讲,省域间技术创新能力是存在空间相关性的,也就是说存在着空间上明显的创新集聚现象。
2.基于Moran散点图的局域空间相关模式分析
为了进一步分析各省际区域属于创新能力的高水平地区还是低水平地区,就要进行局部空间相关性分析,Moran散点图就是局部空间相关性分析的主要方法之一。Moran散点图把整个空间分成四个象限:第一象限对应于高观测值的区域被同样是高观测值的区域所包围的空间联系形式,第二象限是低观测值的区域被高观测值的区域所包围的空间联系形式,第三象限是低观测值的区域被同样是低观测值的区域所包围的空间联系形式,第四象限是高观测值的区域被低观测值的区域所包围的空间联系形式。
局域Moran’s I 散点图(下图)展示了专利申请量的空间滞后W_PAT-2作为纵轴和PAT-2作为横轴的分布情况。其中,W_PAT-2表示邻近值的加权平均值,该图显示了2008年我国31个省市专利申请量的Moran’s I散点图。
从图5中可以看出,上海、北京、浙江、天津、江苏、福建、山东、安徽、河南、河北、湖北、湖南12个省市位于第一象限,表现为正自相关关系(HH),是创新能力较强的地区;江西、广西2个省域位于第二象限,为负的空间自相关关系(LH);吉林、内蒙古、宁夏、青海、西藏、甘肃、云南、新疆、黑龙江9个省市位于第三象限,同样是正的空间自相关(LL),但为创新能力较弱的地区;广东、辽宁、四川、陕西4个省域位于第四象限,为负的空间自相关关系(HL);而贵州、海南、山西则同时跨了第二、三象限,重庆则同时跨了第一、二象限。位于一三象限的省域(21个)远远多于二四象限的省域(6个),说明各省市的创新产出能力以高—高聚集和低—低聚集分布为主,显示出了创新能力集群的核心—边缘分布格局,这也证实了前面Moran指数计算得出的创新产出存在正向空间依赖的结论。
三、中国创新能力分布差异的空间计量分析
前面的分析证明了我国创新能力存在着不平衡性和空间相关性,下面我们用加入空间因素的计量模型来估计创新能力的空间自相关强度。在众多影响区域技术创新能力的因素中,区域经济发展水平、区域产业结构状况、区域科技经费投入、高等教育发展水平和城市化水平等因素对技术创新能力有明显的关系。为此,我们选取专利申请量为创新产出的指标,记为PAT;选定五个解释变量:(1)区域经济发展水平,用人均GDP表示,记为GDP;(2)区域产业结构特征,用高技术产业增加值占工业增加值的比例来表示,记为CY;(3)区域科技经费投入,用大中型工业企业R&D经费表示,记为RD;(4)高等教育发展水平,用每十万人口高等学校平均在校生数来表示,记为HG;(5)城市化水平,用城镇人口/总人口来表示,记为CITY。本文以2008年PAT为被解释变量,以2008年的P-GDP、CY、RD、HG和CITY为解释变量。两边取对数,线性回归模型如下:
(A)
模型A没有加入对空间相关性的考虑,我们通过对回归结果残差的检验来验证空间相关性的存在。首先对模型A进行OLS估计,结果如下表1所示。
由表1中结果可知,OLS估计的31个省市创新能力函数的拟合优度达到76.82%,F值为20.8808,模型整体上通过了1%水平的显著性检验,拟合效果较好。变量的显著性检验显示:区域经济发展水平(LnGDP)、区域科技经费投入(LnRD)和城市化水平的回归系数为正且都通过了1%水平下的显著性检验,与预期的结果基本一致。高等教育发展水平(LnHG)系数为正且通过了10%水平下的显著性检验。区域产业结构(LnCY)系数为正但未能通过10%水平下的显著性检验。如果不考虑区域之间的相互作用,分析也就到此为止了。但由于前面的区位Gini系数和空间统计的Moran’s检验都已证明了31个省市的技术创新能力具有明显的空间自相关性,而且在上表中Moran’s I(误差)检验表明经典回归误差的存在着空间相关性(显著性水平小于1%),因此,我们认为各个省市创新能力的高低受到邻近省市的影响,也就是说创新能力应该存在空间自相关性。空间自相关回归模型包括空间滞后模型和空间误差模型。根据Anselin et al. (1996)判别方法,由上表中可看出,LMERR和R-LMERR的检验都通过了10%水平下的显著性检验,而LMLAG和R-LMLAG都未通过10%水平下的检验。因此,本文使用空间误差模型是合适的,新的回归模型变为:
(B)
其中,为空间误差系数,其衡量了样本观察值中的空间依赖作用,即相邻地区的观察值Wy对本地区观察值y的影响方向和程度。
对于空间计量模型的估计如果仍采用最小二乘法,估计值会有偏或无效,需要通过工具变量法、最大似然法或广义最小二乘法等方法进行,本文采用最大似然法来估计。通过Geoda软件计算得出下表2所示。
表2 区域创新能力生产函数SEM估计结果
比较表1与表2中的检验结果发现,空间误差模型的拟合优度检验值高于OLS模型。比较对数似然函数值LogL、AIC和SC值就会发现,SEM的LogL值最大,AIC和SC最小,极大似然比率通过了10%水平的显著性检验。从各变量的显著性水平上看,其显著性水平都有所提升,如高等教育发展水平的显著性水平从OLS估计的10%提高到SEM模型的1%。因此SEM模型比OLS估计的模型要好。由此可知,基于OLS法的经典线性回归模型由于遗漏了空间误差自相关性而设定的模型不够恰当。
从表2中可以看出,区域经济发展水平、科技经费投入、高等教育发展水平和城市化水平的回归系数为正且都通过1%的显著性检验,说明区域经济发展水平、科技经费投入、高等教育发展水平和城市化水平对各地区技术创新能力的提升具有明显的作用。产业结构特征的回归系数虽然为正,但未通过显著性检验,说明高技术产业的发展对区域创新产出具有促进作用,但这种促进作用有待进一步加强。空间误差系数 为正,且通过了1%水平的显著性检验,这表明我国的区域创新产出有明显的空间近邻溢出效应,省际创新行为是相互影响的。
四、结论
空间计量统计分析表明,省际之间创新产出的集聚与相邻省区的创新产出的集聚是有空间相互关系的。这个结果提供了对省际区域创新产出的空间维度的新认识。空间数据分析的主要结论概述为以下几点:
1.创新产出的空间分布主要集中在沿海地区,特别是以上海为中心的长三角地区、以广东为中心的珠三角地区以及以北京为中心的环渤海地区。
2.从2000-2007年的区位基尼系数可以看出,我国省际专利分布的不均衡性逐年加剧,专利授权有向少数几个省区集中聚集的趋势,领先与落后省份之间的差距越来越大。
3.2000—2007年专利授权量的全局空间自相关分析表明,我国区域创新产出在空间分布上具有明显的正自相关关系,说明创新行为在空间分布上并不是分散分布的,而是表现出某些省域的相似值之间在空间上趋于集群。专利申请量说明我国区域的创新产出能力以高—高聚集和低—低聚集分布为主,显示出了创新能力集群的核心—边缘分布格局。
4.空间计量分析表明,区域经济发展水平、科技经费投入、高等教育发展水平和城市化水平对各地区技术创新能力的提升具有明显的作用。除此这外,空间误差系数为正且显著,这表明我国的区域创新产出有明显的空间近邻溢出效应,省际创新行为是相互影响的。因此,创新政策制定者在制定区域政策时,不能仅考虑自身条件,还要充分利用创新聚集、区位优势、技术溢出等地理条件,加强区域交流,扩大创新辐射面积和强度,实现区域双赢。
参考文献:
[1] 罗发友:中国创新产出的空间分布特征与成因[J].湖南科技大学学报,2004(6):76-81
[2] 万勇:现阶段中国区域技术创新能力及其分布研究—基于中国30个省级区域数据的因子分析[J].东北大学学报(社会科学版),2009(5):210-215
[3] 张玉明 李凯:中国创新产出的空间分布及空间相关性研究—基于1996-2005年省际专利统计数据的空间计量分析[J].中国软科学,2007(11):97-103
[4] Anselin L. Spatial Econometrics,in B.Baltagi,A Companion to Econometrics[M].Oxford:Basil Blackwell,2001
[关键词] 创新能力 空间自相关 空间分布 空间计量分析
在我国,随着“提高自主创新能力,建设创新型国家”成为国家发展战略的核心,提升区域创新能力在区域发展中的作用与地位更为重要。但由于历史等原因,我国区域创新能力的空间差异非常明显。罗发友(2004)通过对专利授权数据的研究发现我国创新产出主要集中在东部沿海地区。万勇(2009)采取因子分析法发现我国区域创新能力具有由东向西梯度递减、各区域间差距大等特征。国内许多学者都证明了我国创新产出具有集聚现象,张玉明、李凯(2007)还运用了空间自相关的方法证明了空间集聚现象并不是随机出现的。但是,他们都没有从宏观的层面来分析中国创新产出空间差异的成因。科学地衡量我国创新能力的空间差异,并寻求其成因,对于各地提升区域创新能力的实践具有重要意义。
一、中国创新能力的空间分布
在评价创新产出时,专利是最常用的指标之一。虽然专利这一指标有许多不足,如有人认为并不是每项专利都是创新或是某些行业的创新是很少申请专利等等,但相对于其它指标而言,具有几个明显的优势。如专利统计数据具有可获得性、授权标准是客观的和变化缓慢等。因此,在研究创新活动时使用专利数据是合理的,本文以专利申请量来代表区域创新能力的强弱。
1.创新能力的空间分布状况
实施科教兴国战略以来,我国的专利申请量和授权量增长迅速。图1提供了2008年我国31个省市(不包括港、澳、台)专利申请量在地理空间上的分布图。
图1 2008年中国31个省市专利申请量的空间分布图
从图1中可以看出,创新产出的地理分布主要集中在沿海地区及四川及湖北地区,而中部地区如河北、河南、湖南、安徽等形成了中型梯度的集群,西部及西北部地区则相对较为落后,东、中、西部地区呈现梯式结构。图1中有一个特别显著的特征是,区域创新能力在地理空间上的非均衡分布,大量的创新行为发生在我国沿海特别是以上海为中心的长三角地区、以广东为中心的珠三角地区以及以北京为中心的环渤海地区。
从图2的专利授权量所占的百分比来看,第四层次的8个省市的创新产出占全国专利授权量的75.59%,而第一层次的7个省市的创新产出占全国专利授权量的比例仅为1.38%。
图2 我国创新产出能力的四个层次 图3 东、中、西部地区专利授权量的百分比
从图3的东、中、西部地区所占的比例看,东部专利授权量远远超过中部和西部地区。这强烈地显示出创新产出集中在少数地区,东、中、西部地区发展极不平衡,创新活动呈现强弱的极化现象。
2.创新产出的空间集中度
Gini指数是用来判断地区所得分配与贫富差距程度的指标。也可以转用来衡量省际创新产出的集中度,来判断省际创新产出的集聚状况。区位Gini系数被定义如下:
其中,N是区域的总数量,是变量的平均值。当所有的省际区域变量相等时,区位Gini系数最小,且G=0;当除去一个省际区域的变量以外,其余区域变量均为0时,区位Gini系数最大,且G=1。Gini系数越接近于1,变量就越地理集中。图4计算了2000-2007年专利申请量的区位Gini系数。
图4 2000-2007年专利申请量的Gini系数
从图4中可知,在2000-2007年之间,区位Gini系数有逐年增大的趋势,也就是说,我国省际专利分布的不均衡性逐年加剧,专利申请有向少数几个省区集中聚集的趋势,领先与落后省份之间的差距越来越大。
二、创新聚集的空间相关性分析
前面的计算结果反映出我国创新产出在空间分布上呈现出明显的地理聚集现象。为了检验我国创新产出的空间聚集是随机发生还是存在着某种特定的分布规律,就要对专利申请量进行空间相关性检验。我们使用空间统计学最常用的指标,即 Moran’s I 指数来检验创新产出的空间相关性。
1.基于Moran指数的全局空间相关性检验
在计算Moran’s I指数前,要先构建各省际区域的空间权重矩阵,我们采取基于空间邻接关系的空间权重。即
Moran’s I指数的计算公式为:
其中,Xi表示第i地区的观测值(如专利申请量的综合评价值),n为地区总数(如省域),Wij为二进制的邻近空间权值矩阵。
Moran’s I 可看作各地区创新能力观测值的乘积和,其取值范围为- 1 <= Moran’s I <= 1。若各地区间的创新能力是空间正相关,则其数值应当较大;负相关则较小。零空间自相关性出现在当属性值的分布与区位数据的分布相互独立时。
检测2008年区域创新产出的专利申请量在地理空间上的相关性即空间相互依赖性。计算结果发现,2008年各省域专利申请量的Moran’s I 为0.3733(如下图所示),Moran’s I 的正态统计量Z值大于正态分布函数在0.05水平的临界值1.65,表明我国31个省市创新能力在空间分布上具有明显的正自相关关系,说明创新能力在空间分布上并不是分散分布的,而是表现出某些省域的相似值之间在空间上趋于集群。也就是说,具有一种较高创新能力的省区相对地与较高创新能力的省区相接近,或者较低创新能力的省区相对地与较低创新能力的省区相接近的空间关联结构。因此,从整体上讲,省域间技术创新能力是存在空间相关性的,也就是说存在着空间上明显的创新集聚现象。
2.基于Moran散点图的局域空间相关模式分析
为了进一步分析各省际区域属于创新能力的高水平地区还是低水平地区,就要进行局部空间相关性分析,Moran散点图就是局部空间相关性分析的主要方法之一。Moran散点图把整个空间分成四个象限:第一象限对应于高观测值的区域被同样是高观测值的区域所包围的空间联系形式,第二象限是低观测值的区域被高观测值的区域所包围的空间联系形式,第三象限是低观测值的区域被同样是低观测值的区域所包围的空间联系形式,第四象限是高观测值的区域被低观测值的区域所包围的空间联系形式。
局域Moran’s I 散点图(下图)展示了专利申请量的空间滞后W_PAT-2作为纵轴和PAT-2作为横轴的分布情况。其中,W_PAT-2表示邻近值的加权平均值,该图显示了2008年我国31个省市专利申请量的Moran’s I散点图。
从图5中可以看出,上海、北京、浙江、天津、江苏、福建、山东、安徽、河南、河北、湖北、湖南12个省市位于第一象限,表现为正自相关关系(HH),是创新能力较强的地区;江西、广西2个省域位于第二象限,为负的空间自相关关系(LH);吉林、内蒙古、宁夏、青海、西藏、甘肃、云南、新疆、黑龙江9个省市位于第三象限,同样是正的空间自相关(LL),但为创新能力较弱的地区;广东、辽宁、四川、陕西4个省域位于第四象限,为负的空间自相关关系(HL);而贵州、海南、山西则同时跨了第二、三象限,重庆则同时跨了第一、二象限。位于一三象限的省域(21个)远远多于二四象限的省域(6个),说明各省市的创新产出能力以高—高聚集和低—低聚集分布为主,显示出了创新能力集群的核心—边缘分布格局,这也证实了前面Moran指数计算得出的创新产出存在正向空间依赖的结论。
三、中国创新能力分布差异的空间计量分析
前面的分析证明了我国创新能力存在着不平衡性和空间相关性,下面我们用加入空间因素的计量模型来估计创新能力的空间自相关强度。在众多影响区域技术创新能力的因素中,区域经济发展水平、区域产业结构状况、区域科技经费投入、高等教育发展水平和城市化水平等因素对技术创新能力有明显的关系。为此,我们选取专利申请量为创新产出的指标,记为PAT;选定五个解释变量:(1)区域经济发展水平,用人均GDP表示,记为GDP;(2)区域产业结构特征,用高技术产业增加值占工业增加值的比例来表示,记为CY;(3)区域科技经费投入,用大中型工业企业R&D经费表示,记为RD;(4)高等教育发展水平,用每十万人口高等学校平均在校生数来表示,记为HG;(5)城市化水平,用城镇人口/总人口来表示,记为CITY。本文以2008年PAT为被解释变量,以2008年的P-GDP、CY、RD、HG和CITY为解释变量。两边取对数,线性回归模型如下:
(A)
模型A没有加入对空间相关性的考虑,我们通过对回归结果残差的检验来验证空间相关性的存在。首先对模型A进行OLS估计,结果如下表1所示。
由表1中结果可知,OLS估计的31个省市创新能力函数的拟合优度达到76.82%,F值为20.8808,模型整体上通过了1%水平的显著性检验,拟合效果较好。变量的显著性检验显示:区域经济发展水平(LnGDP)、区域科技经费投入(LnRD)和城市化水平的回归系数为正且都通过了1%水平下的显著性检验,与预期的结果基本一致。高等教育发展水平(LnHG)系数为正且通过了10%水平下的显著性检验。区域产业结构(LnCY)系数为正但未能通过10%水平下的显著性检验。如果不考虑区域之间的相互作用,分析也就到此为止了。但由于前面的区位Gini系数和空间统计的Moran’s检验都已证明了31个省市的技术创新能力具有明显的空间自相关性,而且在上表中Moran’s I(误差)检验表明经典回归误差的存在着空间相关性(显著性水平小于1%),因此,我们认为各个省市创新能力的高低受到邻近省市的影响,也就是说创新能力应该存在空间自相关性。空间自相关回归模型包括空间滞后模型和空间误差模型。根据Anselin et al. (1996)判别方法,由上表中可看出,LMERR和R-LMERR的检验都通过了10%水平下的显著性检验,而LMLAG和R-LMLAG都未通过10%水平下的检验。因此,本文使用空间误差模型是合适的,新的回归模型变为:
(B)
其中,为空间误差系数,其衡量了样本观察值中的空间依赖作用,即相邻地区的观察值Wy对本地区观察值y的影响方向和程度。
对于空间计量模型的估计如果仍采用最小二乘法,估计值会有偏或无效,需要通过工具变量法、最大似然法或广义最小二乘法等方法进行,本文采用最大似然法来估计。通过Geoda软件计算得出下表2所示。
表2 区域创新能力生产函数SEM估计结果
比较表1与表2中的检验结果发现,空间误差模型的拟合优度检验值高于OLS模型。比较对数似然函数值LogL、AIC和SC值就会发现,SEM的LogL值最大,AIC和SC最小,极大似然比率通过了10%水平的显著性检验。从各变量的显著性水平上看,其显著性水平都有所提升,如高等教育发展水平的显著性水平从OLS估计的10%提高到SEM模型的1%。因此SEM模型比OLS估计的模型要好。由此可知,基于OLS法的经典线性回归模型由于遗漏了空间误差自相关性而设定的模型不够恰当。
从表2中可以看出,区域经济发展水平、科技经费投入、高等教育发展水平和城市化水平的回归系数为正且都通过1%的显著性检验,说明区域经济发展水平、科技经费投入、高等教育发展水平和城市化水平对各地区技术创新能力的提升具有明显的作用。产业结构特征的回归系数虽然为正,但未通过显著性检验,说明高技术产业的发展对区域创新产出具有促进作用,但这种促进作用有待进一步加强。空间误差系数 为正,且通过了1%水平的显著性检验,这表明我国的区域创新产出有明显的空间近邻溢出效应,省际创新行为是相互影响的。
四、结论
空间计量统计分析表明,省际之间创新产出的集聚与相邻省区的创新产出的集聚是有空间相互关系的。这个结果提供了对省际区域创新产出的空间维度的新认识。空间数据分析的主要结论概述为以下几点:
1.创新产出的空间分布主要集中在沿海地区,特别是以上海为中心的长三角地区、以广东为中心的珠三角地区以及以北京为中心的环渤海地区。
2.从2000-2007年的区位基尼系数可以看出,我国省际专利分布的不均衡性逐年加剧,专利授权有向少数几个省区集中聚集的趋势,领先与落后省份之间的差距越来越大。
3.2000—2007年专利授权量的全局空间自相关分析表明,我国区域创新产出在空间分布上具有明显的正自相关关系,说明创新行为在空间分布上并不是分散分布的,而是表现出某些省域的相似值之间在空间上趋于集群。专利申请量说明我国区域的创新产出能力以高—高聚集和低—低聚集分布为主,显示出了创新能力集群的核心—边缘分布格局。
4.空间计量分析表明,区域经济发展水平、科技经费投入、高等教育发展水平和城市化水平对各地区技术创新能力的提升具有明显的作用。除此这外,空间误差系数为正且显著,这表明我国的区域创新产出有明显的空间近邻溢出效应,省际创新行为是相互影响的。因此,创新政策制定者在制定区域政策时,不能仅考虑自身条件,还要充分利用创新聚集、区位优势、技术溢出等地理条件,加强区域交流,扩大创新辐射面积和强度,实现区域双赢。
参考文献:
[1] 罗发友:中国创新产出的空间分布特征与成因[J].湖南科技大学学报,2004(6):76-81
[2] 万勇:现阶段中国区域技术创新能力及其分布研究—基于中国30个省级区域数据的因子分析[J].东北大学学报(社会科学版),2009(5):210-215
[3] 张玉明 李凯:中国创新产出的空间分布及空间相关性研究—基于1996-2005年省际专利统计数据的空间计量分析[J].中国软科学,2007(11):97-103
[4] Anselin L. Spatial Econometrics,in B.Baltagi,A Companion to Econometrics[M].Oxford:Basil Blackwell,2001