EN中文

地理研究 >

2019 , Vol. 38 >Issue 2: 259 - 272

DOI: https://doi.org/10.11821/dlyj020170366

研究论文

中国重点产业创新产出时空分异及影响因素

  • 王彬燕 , 1 ,
  • 王士君 , 1 ,
  • 田俊峰 2 ,
  • 浩飞龙 1
展开
  • 1. 东北师范大学地理科学学院,长春130024
  • 2. 吉林大学地球科学学院,长春130061
王士君（1963- ）,男,吉林长春人,教授,主要从事城市地理、城市与区域规划研究。E-mail:

作者简介：王彬燕（1991- ）,女,四川三台人,博士研究生,主要从事经济地理、城市与区域创新研究。E-mail:

收稿日期: 2017-04-25

  要求修回日期: 2018-08-11

  网络出版日期: 2019-02-20

基金资助

国家自然科学基金项目（41630749,41471142,41571150）

收起

Spatial-temporal characteristics of innovation output and its influencing factors of the key industries in China

  • WANG Binyan , 1 ,
  • WANG Shijun , 1 ,
  • TIAN Junfeng 2 ,
  • HAO Feilong 1
Expand
  • 1. School of Geographical Sciences, Northeast Normal University, Changchun 130024, China
  • 2. College of Earth Sciences, Jilin University, Changchun 130061, China

Received date: 2017-04-25

  Request revised date: 2018-08-11

  Online published: 2019-02-20

Copyright

《地理研究》编辑部 所有
Fold

摘要

采用Mann-Kendall、Theil指数、空间马尔科夫链等方法,对1994-2014年中国十大重点产业创新产出时空演化进行分析,并对创新发展空间分异成因进行了探讨。研究表明：① 研究期内,中国重点产业创新产出分为两个时段,成果呈指数型增长;② 创新产出差异先增后减,东、中、西、东北板块间差异小于板块内部,创新产出发展呈现出传染扩散与等级扩散的双重特征;③ 邻域环境影响创新发展,创新产出水平发生类型转移的单元集中在东、中部地区,且活跃度不断提升;④ 经济社会与政策条件、高等教育基础条件对重点产业创新发展有明显的正向驱动作用,而工业化程度影响微弱,未来加强对高等教育基础与智力资本的投入可进一步增强重点产业创新发展竞争力。

关键词： 重点产业; 创新产出; 时空分异; 邻域环境; 影响因素; 中国

本文引用格式

王彬燕 , 王士君 , 田俊峰 , 浩飞龙 . 中国重点产业创新产出时空分异及影响因素[J]. 地理研究, 2019 , 38(2) : 259 -272 . DOI: 10.11821/dlyj020170366

Abstract

The innovation, development and technological progress of the ten key industries (iron and steel, automobiles, ships, petrochemicals, textiles, light industry, nonferrous metals, equipment manufacturing, electronic information and logistics) in China are highly concerned by the state and expected by the public. So the research on it is of great significance. Firstly, the Mann-Kendall method is used to divide the development stages of the ten key industries of China from 1994 to 2014, and to understand the evolution of the key industries. Secondly, this paper analyzes the innovation output difference, spatial pattern and spatial-temporal transfer characteristics of key industries in the prefecture-level cities by using the Theil index, Markov and spatial Markov chains method respectively. Finally, based on factor analysis and multiple regression model, this paper discusses the factors that influence the spatial differentiation of the innovation development of the ten key industries in China. The conclusions are drawn as follows: (1) The development of the innovation outputs of the ten key industries can be divided into two stages (the first stage is from 1995 to 2006, the second stage is from 2007 to 2014), and the result of innovation outputs of the ten key industries is in exponential growth. (2) The difference of the innovation outputs of the ten key industries increased at first and then decreased, and the inter-regional difference among the four regions (Eastern, Central, Western and Northeastern China) is less than the intra-regional difference. The development of innovation outputs of the ten key industries presents the dual characteristics of contagious and hierarchical diffusion. (3) The neighborhood environment plays an important role in the development of the ten key industries. Under different environmental constraints, the transition probability of different types of unit is different, and the higher the neighborhood environment level is, the stronger the driving force to low level units is. In the two periods, the transferred units of the innovation outputs of the ten key industries are mainly concentrated in the eastern and central regions of China. The activity of the transfer is increasing, and the transferred units are concentrated in spatial distribution. (4) The social economic and policy factors and the basic condition of higher education have obvious positive driving effect on the innovation and development of the ten key industries, while the effect of industrialization is weak. In the next period of time, the innovation and development competitiveness of the ten key industries can be improved by strengthening the investment in the foundation of higher education and intellectual capital.

Key words： key industries; innovation outputs; spatial-temporal differentiation; neighborhood environment; influencing factor; China

1 引言

2009年初,国务院陆续出台了钢铁、汽车、船舶、石化、纺织、轻工、有色金属、装备制造、电子信息、物流业十大重点产业的调整和振兴规划,以此作为保增长、扩内需、调结构的重要举措。重点产业在中国国民经济中占有举足轻重的地位,推进重点产业结构优化升级是中国社会经济发展所面临的一项重大而紧迫的任务[1]。在应对国际金融危机对中国实体经济影响的背景下,重点产业的创新发展与技术进步受到国家的高度关注,并被寄予厚望。
自1994年Feldman提出创新地理学以来[2],地理学者围绕创新空间的测量数据[3,4,5]、方法[6,7]及不同空间尺度下创新的差异[8,9,10]特质形成了大量研究成果。国内学者吕拉昌、王缉慈、王承云、杜德斌、曾刚等以创新为对象开展了系列研究,为推动中国创新地理学的发展做出了卓越的贡献。在创新空间布局特征及时空演变方面,方创琳等分别对中国创新型城市的建设现状及空间分异特征、中国城市创新职能空间体系做出了基本判断[11,12];柳御林等则以省区为研究单元探究中国的区域创新能力现状、时空格局演变,并对成因进行定性讨论,且研究结论均表明以省级区域作为空间单元时创新空间自相关显著,集聚分布特征明显[13,14,15];王春杨等以地级区域作为空间观测单元,对中国地级区域创新产出的时空特征进行分析,表明地级空间区域创新呈现出多样化的空间依赖模式[16],王俊松等则在此基础上基于空间面板数据模型对其影响因素进行了定量分析[17];肖刚等以专利数量作为表征创新能力的指标,分别对长江中游、长三角、新长三角城市群及长江经济带创新格局演化及溢出效应进行了探索研究[18,19,20,21]。但部分研究结果表明,以地级区域作为空间单元时创新空间自相关并不显著[19]。近年来,随着数据获取、处理能力的拓展和城市网络理论的兴起,有关创新网络的研究也有所增加[22,23]。
归纳发现,现有研究对创新在不同尺度区域的集聚与分散特征进行了分析,并有部分文献对区域创新格局的内在机制和影响因素进行了探究。但囿于前期数据搜集的限制,对全国范围创新空间分异特征进行分析的空间尺度以省际为主[24],容易忽视创新产出的空间依赖与空间溢出效应,同时,单一省区或城市群地区的研究也不能形成对全国创新产出的总体把握。从研究内容上看,现有研究大多关注于创新产出的空间布局而对其时空转移的特征研究不足,对创新产出的空间滞后关注较少,以城市区域作为研究单元时创新空间自相关性有待根据实际产业特征进行验证,且尚未有研究对中国重点产业创新产出的空间自相关效应进行测度与分析。此外,关于创新产出的影响因素,部分研究忽略了创新投入与创新产出之间的时间滞后性,使得分析结果有一定的误差和偏离。
基于此,选取地级及以上地区作为基本空间分析单元,首先对中国重点产业创新产出的发展阶段进行划分,探讨其发展水平演变过程;其次对创新产出的区域差异性进行区际与区内测度,并对创新产出的空间格局演变进行模拟与探究,并借助马尔科夫链和空间马尔科夫链对创新产出时空转移特征进行探索;最后综合考虑影响因素的时间滞后性,选取滞后一期的数据对重点产业创新产出的影响因素进行分析,以期为相关产业政策的制定提供科学建议,并期望通过中国重点产业创新的实证研究为中国创新地理学的发展提供案例与理论支撑。

2 研究方法与数据来源

2.1 数据来源

采用技术创新水平最高的发明专利申请数量来表征创新产出成果[25,26]。重点产业发明专利申请数量来源于国家知识产权局专利检索与服务系统中的重点产业专利信息服务平台（http://www.chinaip.com.cn/）。该平台于2010年2月建成运行,是中国迄今为止功能最完备、数据最全面的公益性产业专利信息服务平台。提取日期为1995-2014年,由于专利申请日到公开日需要18个月,2015年以后的申请专利数据尚不完整,故本研究提取的数据截止日期为2014年12月31日。其余数据主要来源于1996-2015年《中国城市统计年鉴》和《中国区域经济统计年鉴》,部分缺失数据由历年数据序列推算获得。

2.2 研究方法

2.2.1 Mann-Kendall法 该方法源于气候突变原理,其基本思想是根据时间序列{X1, X2, …, Xn}构造两个标准正态分布的统计量UFi和UBi,绘制两条曲线的统计图表来判断突变点和突变区域。若UF或UB的值大于0,则表明时间序列呈上升趋势;小于0则表明呈下降趋势。当它们超过临界直线（显著性水平线）时成明显上升或下降趋势,超过临界线的范围确定为出现突变的时间区域。若UF和UB两条曲线在临界直线间出现交点,则交点对应的时刻为突变开始时刻,即为突变点[27]。
2.2.2 泰尔指数 运用泰尔指数（Theil Index）来分析中国重点产业创新产出差异,该指数的优势在于能将总体的区域差异分解成不同空间尺度的内部差异和外部差异[28]。研究中将中国的区域差异分解为东、中、西和东北四大板块的地带内差异和地带间差异。总体差异、四大板块间差异及板块内部差异的计算公式分别为：
I t h eil = I ( inter ) + ∑ Y i Y I i intra （1）
I ( inter ) = ∑ Y i Y × lg Y i Y X i X （2）
I i ( intra ) = ∑ Y ij Y i × lg Y ij Y i X ij X i （3）
式中：i=1, 2, 3, 4; ∑ Y i Y I i intra 是每个板块内部差异的加权平均值;Yi和Xi分别为第i个板块的发明专利申请总量和人口总量;Yij和Xij分别为i板块内第j个城市重点产业发明专利申请数量和人口数量。
2.2.3 空间马尔科夫方法 马尔科夫链方法可以刻画不考虑空间效应时各单元创新产出的时空分异演变特征,但其忽视了地理邻近对区域创新产出的空间相互作用,因此本研究引入空间滞后效应到马尔可夫链,即空间马尔科夫方法。空间马尔可夫转移概率矩阵以某区域在初始年份的空间滞后类型为条件,将传统的k×k马尔可夫矩阵分解为k个k×k条件转移概率矩阵（表1）。表1中,元素Mij(k)表示以区域在t时段的空间滞后类型k为条件,该时段属于类型i而在下一时段转移为类型j的一步空间转移概率。一个区域的空间滞后类型由其属性值的空间滞后值来分类确定,空间滞后值是该区域周边地区属性值的空间加权平均,其表达式为：
Lag = ∑ y i w ij （4）
Tab. 1 Spatial Markov transition probability matrices (k=4)

表1 空间马尔科夫转移概率矩阵（k=4）

空间滞后 t/t+1 1 2 3 4
1 1 M11(1) M12(1) M13(1) M14(1)
2 M21(1) M22(1) M23(1) M24(1)
3 M31(1) M32(1) M33(1) M34(1)
4 M41(1) M42(1) M43(1) M44(1)
2 1 M11(2) M12(2) M13(2) M14(2)
2 M21(2) M22(2) M23(2) M24(2)
3 M31(2) M32(2) M33(2) M34(2)
4 M41(2) M42(2) M43(2) M44(2)
3 1 M11(3) M12(3) M13(3) M14(3)
2 M21(3) M22(3) M23(3) M24(3)
3 M31(3) M32(3) M33(3) M34(3)
4 M41(3) M42(3) M43(3) M44(3)
4 1 M11(4) M12(4) M13(4) M14(4)
2 M21(4) M22(4) M23(4) M24(4)
3 M31(4) M32(4) M33(4) M34(4)
4 M41(4) M42(4) M43(4) M44(4)
式中：yi表示某区域的属性值;Wij表示空间权重矩阵W中第i行第j列的元素。本研究采用一阶Rook邻接原则确定空间权重矩阵[29]。

3 重点产业创新产出时空分异特征

3.1 全国重点产业创新发展经历了两个时段,创新产出成果呈指数型增长

选取1995-2014年中国重点产业发明专利申请量增长率差值构建时间序列数据,给定显著性水平α=0.05,进行突变点检测,并绘制出Mann-Kendall统计量曲线图（图1）。根据UF与UB的交点位置可判定,第一、第二次突变点分别位于2006-2007年、2013-2014年间,据此本文将研究时段划分为1995-2006年、2007-2014年两个时段,并对两个时段中国重点产业创新产出格局进行比较,从而探索其演变特征。
Fig. 1 Mann-Kendall curves of annual growth rate difference of the key industries patent application in China from 1995 to 2014

图1 1995-2014年中国重点产业创新产出增长率差值Mann-Kendall统计量曲线图

1995-2014年间中国重点产业创新产出成果不断增加,呈“指数型”函数增长。其中,2006年创新产出成果较1995年增长约14倍,2014年较2006年增长约7.4倍。从全国看,重点产业创新产出增长率在1995-2000年呈波动上升态势,重点产业创新产出成果不断增加且增加的速度不断加快;在2001-2010年围绕增长率30.00%呈波动起伏状态,重点产业创新产出成果稳定增加;在2011-2014年增长率呈持续下降趋势,创新产出成果增长速度放缓,但仍保持正向增长。从地区间看,东部和东北地区增长率变化规律与全国基本一致,但东部地区增长率在1995-2006年间高于全国平均增长率,在2007-2014年间略低于全国平均水平,而东北地区则一直低于全国平均水平。中部地区增长率波动较大,而西部地区增长率变化特征也与全国趋势一致,但中、西部地区增长率在1995-2006年间大都低于全国平均水平,而在2007-2014年间则高于全国平均水平,与东部地区情况相反,表明随着创新意识和能力的逐渐提高,中、西部地区重点产业创新相较于前一时段发展加快。

3.2 创新产出差异先增后减,板块内部差异大于板块间差异

从图2可知,中国重点产业创新产出差异整体呈“先扩大后缩小”的特征。 I t h eil 值由1995年的0.239上升至2000年的0.503,达到最大值,随后逐渐下降至2003年的0.365,而后趋于平稳,2007年后则连续下降,至2014年达到最小值。出现该结果的原因一方面为早期东部地区开放程度、市场化程度远高于中、西部和东北地区,导致其发明专利申请数量也远多于后者,而从2000年开始,国家陆续出台了西部大开发、东北振兴、中部崛起等重大战略决策,使得区域发展差异逐渐缩小,这与从2001年全国重点产业创新产出差异开始减小的特征相符。另一方面,2006年以来,随着国家创新战略和《国家中长期科技发展规划(2006-2020)》的实施[30],科学、技术和教育的发展促进了中国各地区创新产出的快速增长,也促使了区域创新产出差异程度的进一步缩小。
Fig. 2 The differences of key industries innovation output in China (1995-2014)

图2 1995-2014年中国重点产业创新产出差异及其分解

研究期内,重点产业创新产出东、中、西和东北四大板块间泰尔指数一直小于四大板块内部,四大板块内部的差异程度对总体差异程度的贡献占据主导地位,但呈逐渐减小的趋势。比较四大板块内部及四大板块间的差异减小幅度,可以看出,板块内部差异减小的幅度要大于板块间。东部地区内部差异最大,其变化趋势与全国总体差异变化趋势相同,即前期快速增大,后期缓慢减小。中部地区重点产业创新产出差异呈波动状态,1995-2003年间缓慢增大,2004年随着中部崛起战略给区域带来的平衡驱动,内部差异显著下降,随后保持平稳状态,到2012年则又开始增长。西部地区内部差异在前期呈低水平均衡状态,从2009年起有较大幅度上升,至2012年又转为下降。东北地区是四大板块中差异程度最小的板块,1995-2010年间呈小差异均衡状态,而后略有波动。

3.3 高水平发展区向东部沿海经济带和各大城市群地区推进,表现出双重扩散特征

为充分体现区域间重点产业创新产出的相似性和差异性,反映其空间格局演变特征,以专利申请数量0~50个、51~300个、301~1000个、1001~2000个、2001个及以上,将重点产业创新产出划分为低、中低、中、中高和高水平发展类型[18,25,31]（图3）。1995年,重点产业创新产出普遍为低和中低水平,仅上海为中水平,北京为中高水平,无高水平单元。2006年,京津冀、长三角、珠三角地区开始出现了北京、天津、上海、杭州、南京、广州、深圳7个高水平单元;中高水平单元由北京向武汉、成都、济南、长沙、沈阳、重庆、西安、济南等省会或副省级城市扩散;中水平单元呈散点状扩散;中低水平单元比例增加,但低水平单元仍占主导地位。2014年,高水平单元较2006年显著增加,分布较为集中,主要聚集于东部沿海经济带和各大城市群地区,形成了高水平带状、片状发展区域。中高水平单元比例增加明显,其中位于东部地区的中高水平单元多呈团状分布,而位于中、西部地区的多呈点状孤立状态;中水平单元增至77个,大多与中高、高水平单元相邻接且呈团簇状分布;中低水平单元比例进一步增长;低水平单元不再占据主导地位,主要分布于边境偏远地区及少数民族聚居区。
Fig. 3 The spatial pattern of key industries innovation output in China (1995, 2006, 2014)

图3 中国重点产业创新产出空间格局（1995年、2006年、2014年）

从1995-2014年重点产业创新产出空间格局演变来看,呈现出传染扩散与等级扩散的双重扩散特征。1995-2006年,北京由中高水平发展为高水平,同时等级规模较高的城市,如天津、上海、杭州、南京、广州和深圳等也发展为高水平,等级扩散的特征十分显著;1995年发展水平相对较高的北京、天津、上海等城市周边区域发展水平仍较低,而2006年这些发展水平较高的单元周边区域发展水平也相应提高,高发展水平单元的扩散影响溢出效应开始显现,可见重点产业创新产出亦有传染扩散的特点。2006-2014年,重点产业创新产出双重扩散的特征更为显著,省会城市、副省级城市及东部沿海经济带城市普遍发展为高水平,表明高水平发展区已基本扩散至全国较高等级规模的城市,而这些高水平发展区周边区域（除个别单元外）则依次分布着中高水平、中水平及中低水平圈层的单元,可见其传染扩散的特征也进一步显现,高水平单元对周边单元的辐射带动作用进一步加强,区域创新的空间依赖愈发明显。

3.4 创新产出类型转移特征

3.4.1 非约束下创新产出类型转移特征 由表2可知,在不考虑地理邻近对区域创新产出的空间相互作用时,重点产业创新产出水平类型转移呈现出以下特征：① 创新产出无负向发展趋势,即无从高一级发展水平向低一级转移的空间单元。② 1995-2006年低水平俱乐部趋同特征明显,2006-2014年高水平俱乐部趋同特征明显。1995-2006年,低水平单元维持低水平状态的概率为0.715,显著高于向其他类型转变的概率,而2006-2014年其维持原状态的概率仅为0.255,但在该时段高水平单元维持原状态的概率为1.000。③ 中、中低、低水平单元“跨级转移”的可能性依次降低。两时段中,中水平单元直接跨级转变为高水平单元的概率分别为1.000和0.900,发生“跨级转移”的概率极大;中低水平单元“跨级转移”的概率在两时段则分别为0.583和0.416;而低水平单元“跨级转移”的概率则仅分别为0.042和0.245。④ 整个研究期内,低、高水平两极单元维持原类型的可能性较大,而中低、中和中高水平单元发生转移的概率较大。1995-2014年,低、高水平单元维持原类型的概率分别为0.524、1.000,而中低、中和中高水平单元发生转移的概率分别为0.881、1.000和1.000。
Tab. 2 Markov matrix for key industries innovation output in China, 1995-2014

表2 1995-2014年中国重点产业创新产出类型的马尔科夫矩阵

1995-2006年 2006-2014年
低 中低 中 中高 高 低 中低 中 中高 高
低 0.715 0.243 0.036 0.006 0.000 0.255 0.500 0.195 0.027 0.023
中低 0.000 0.042 0.375 0.375 0.208 0.000 0.143 0.442 0.156 0.260
中 0.000 0.000 0.000 0.000 1.000 0.000 0.000 0.000 0.100 0.900
中高 0.000 0.000 0.000 0.000 1.000 0.000 0.000 0.000 0.000 1.000
高 - - - - - 0.000 0.000 0.000 0.000 1.000
3.4.2 邻域环境约束下创新产出类型转移特征 借鉴区域经济分类方法和标准,将邻域环境按照空间平均滞后值的0~50%、51%~100%、101%~150%、150%以上划分为四类约束环境,以此来探讨不同邻域环境约束下重点产业创新产出水平类型转变的特征。
从表3可以发现邻域环境对单元类型转移产生了影响,且不同的邻域环境约束对不同类型的单元影响不同,邻域环境对重点产业创新产出发展起着重要的作用。总的来看,邻域环境约束下,重点产业创新产出类型转移特征如下：① 邻域环境约束下重点产业创新产出水平类型转移概率与无约束下不同。1995-2006年间,由低水平转移为中低水平的概率在无约束下为0.243,而在四类约束条件下分别为0.173、0.250、0.379、0.370。② 邻域环境水平越高,对低水平单元发生转移的带动越强。两时段中,低水平单元在Ⅰ、Ⅱ、Ⅲ、Ⅳ等级的邻域环境中,向上转移的概率呈逐渐提高的态势。③ 中低水平单元在第一时段受邻域环境影响较小,无论处于哪类环境始终保持向上转移的趋势,在第二阶段则与低水平单元类似,邻域环境等级越高,对其向上转移的助推作用越强。
Tab. 3 Spatial Markov matrix for key industries innovation output in China, 1995-2014

表3 1995-2014年中国重点产业创新产出类型的空间马尔科夫矩阵

约束条件 1995-2006年 2006-2014年
低 中低 中 中高 高 低 中低 中 中高 高
Ⅰ 低 0.790 0.173 0.031 0.006 0.000 0.329 0.462 0.158 0.038 0.013
中低 0.000 0.000 0.500 0.167 0.333 0.000 0.206 0.471 0.147 0.176
中 - - - - - 0.000 0.000 0.000 0.222 0.778
中高 - - - - - 0.000 0.000 0.000 0.000 1.000
高 - - - - - 0.000 0.000 0.000 0.000 1.000
Ⅱ 低 0.750 0.250 0.000 0.000 0.000 0.087 0.696 0.217 0.000 0.000
中低 0.000 0.000 0.167 0.833 0.000 0.000 0.100 0.400 0.100 0.400
中 0.000 0.000 0.000 0.000 1.000 0.000 0.000 0.000 0.000 1.000
中高 - - - - - 0.000 0.000 0.000 0.000 1.000
高 - - - - - 0.000 0.000 0.000 0.000 1.000
Ⅲ 低 0.517 0.379 0.069 0.034 0.000 0.056 0.611 0.333 0.000 0.000
中低 0.000 0.000 0.333 0.667 0.000 0.000 0.143 0.500 0.214 0.143
中 - - - - - 0.000 0.000 0.000 0.000 1.000
中高 - - - - - 0.000 0.000 0.000 0.000 1.000
高 - - - - - 0.000 0.000 0.000 0.000 1.000
Ⅳ 低 0.556 0.370 0.074 0.000 0.000 0.048 0.476 0.333 0.000 0.143
中低 0.000 0.333 0.333 0.000 0.333 0.000 0.053 0.368 0.158 0.421
中 - - - - - 0.000 0.000 0.000 0.000 1.000
中高 0.000 0.000 0.000 0.000 1.000 0.000 0.000 0.000 0.000 1.000
高 - - - - - 0.000 0.000 0.000 0.000 1.000
3.4.3 创新产出类型转移的空间特征 从空间上看,两时段重点产业创新产出水平发生类型转移的单元主要集中在东、中部地区,发生转移的活跃度不断提升,且发生转移的单元有集聚分布趋势（图4）。1995-2006年间,东部地区单元转移活跃度最高,转移区域具有带状和片状集聚分布的特点。未发生类型转移的单元占全部研究单元的65.67%,西部地区未发生类型转变的单元比例最高（81.54%）;向上转移一级的单元占全部单元的比例为25.97%,东部地区单元向上转移一级的比例为42.53%,远高于平均比例;向上转移二级的单元共有21个,主要位于山东半岛和长三角等东部地区,并呈团簇状分布,其余单元呈零散点状分布;向上转移三级的单元共有7个,其中6个位于东部地区,1个位于中部地区,除广州和佛山相邻接外,其他单元均呈孤立分布;四大板块在该时段均无向上转移四级的单元。2007-2014年间,活跃度最高的为中部地区,转移区域呈集中连片分布,集聚特征更为显著。全国未发生类型转变的单元仅为上一时段的1/3;向上转移一级的单元比例提升至45.67%,主要分布于中部地区和西部地区的陕西、甘肃、四川和云南等省份;向上转移二级的单元共73个,其中东部30个,主要位于山东、福建、安徽等省份,中部21个,各省均有分布,西部则主要分布于广西、贵州和宁夏等省份;向上转移三级的单元主要位于东部地区的江苏、浙江,中部地区的河南、安徽和西部地区的广西;向上转移四级的单元有5个,其中4个位于中部地区的安徽,1个为广东省惠州。综合来看,发生类型转移的单元转移强度和活跃度较上一时段明显增强。
Fig. 4 The spatio-temporal transfer characteristics of key industries innovation output in China

图4 中国重点产业创新产出转移类型格局

4 重点产业创新产出影响因素分析

4.1 变量选取与说明

为选择适合的方法,首先对重点产业创新产出的空间关联性进行检验,结果表明,不同于以往具有明显空间关联性的其他产业创新发展,重点产业创新产出仅近期个别年份存在统计上的显著相关性,故本文选用多元线性回归法分析其影响因素。遵循指标选择的科学性与可获取性,结合以往的研究经验[14,17,31,32],选取GDP（万元）、人均GDP（元）、第二产业增加值占GDP比例（%）、第二产业从业人员比例（%）、社会消费品零售总额（万元）、当年实际利用外资额（万美元）、固定资产投资完成额（万元）、地方公共财政支出（万元）、外资投资规模以上工业企业总产值（万元）、普通高等学校教师数（人）、普通高等学校在校生数（人）等X1, …, X1111个指标。为消除变量间的多重共线性,先对各变量进行因子分析。此外,由于数据限制及2000年之前统计数据不全,本文此处仅对288个地级及以上城市空间单元进行研究,分别选取各研究单元2000年、2005年、2013年数据,对滞后一期的创新产出成果进行影响因素分析[33],并以此来探讨影响中国重点产业创新产出的驱动因素。

4.2 影响因子集构建

根据各时间截点下碎石图（略）的变化趋势及特征值大于1.00的标准,选择保留3个因子作为影响重点产业创新产出的因素,其对各时间截点总方差的解释度分别达到89.26%、90.28%和86.85%。采用方差最大旋转法进行因子旋转（表4）,各时间截点下3个因子所反映的主载荷变量信息一致。因子一为经济社会与政策条件,对总方差的解释在40.00%以上,包含了7个变量的信息,即3个经济水平变量（GDP、人均GDP、社会消费品零售总额）、2个经济外向度变量（当年实际利用外资额、外资投资规模以上工业企业总产值）和2个政府政策支持变量（固定资产投资完成额、地方公共财政支出）;因子二为高等教育基础条件,包含普通高等学校教师数和普通高等学校在校生数2个变量;因子三为工业化程度,包括第二产业增加值占GDP比例和第二产业从业人员比例2个变量。
Tab. 4 The factor loading of the influencing factors of key industries innovation output in China

表4 重点产业创新产出影响因素分析的因子载荷

成分 2001年 2006年 2014年
1 2 3 1 2 3 1 2 3
X1 0.793 0.581 0.054 0.900 0.395 0.109 0.869 0.472 -0.008
X2 0.665 -0.075 0.435 0.676 0.296 0.321 0.657 0.079 0.386
X5 0.715 0.677 -0.006 0.809 0.549 0.044 0.775 0.594 -0.064
X6 0.849 0.411 0.004 0.913 0.309 0.090 0.789 0.454 -0.026
X7 0.761 0.626 0.016 0.833 0.509 0.113 0.721 0.618 0.043
X8 0.803 0.543 -0.040 0.936 0.268 0.018 0.839 0.402 -0.107
X9 0.875 0.352 -0.039 0.968 0.107 0.066 0.918 0.240 -0.012
X10 0.317 0.928 -0.007 0.426 0.894 -0.004 0.382 0.904 -0.094
X11 0.282 0.926 0.012 0.343 0.928 0.021 0.285 0.934 -0.058
X3 0.072 -0.065 0.910 -0.005 -0.122 0.901 -0.087 -0.150 0.868
X4 -0.031 0.089 0.899 -0.020 -0.002 0.869 0.089 0.040 0.893
不同空间单元,影响因子作用强度不同,根据各时点因子得分绘制因子得分分布图（图5）。2001年社会经济与政策条件因子在上海、深圳得分最高,其次分别为北京、天津、广州、大庆、东莞、苏州等经济水平较高的单元,2006年除大庆外依然延续上一时段的格局,2014年其在苏州、东莞、佛山、成都、重庆和沈阳等单元的得分显著提升,而在大庆、青岛、拉萨等单元的得分降低,其余地区得分均较低（图5a~图5c）。高等教育基础条件因子2001年在北京、武汉、西安、南京、广州、上海、重庆等单元得分较高,2006年得分较高的单元增加,2014年进一步增加,主要为济南、郑州、南昌、合肥等中部城市,总的来看这些城市大多为中国高校云集单元（图5d~图5f）。工业化程度因子作用强度较大的单元相对较多且分散,同时多为资源型城市,2001年其作用强度较大的单元主要为东营、大庆、嘉峪关、盘锦、金昌、攀枝花、邯郸等矿产、石油及煤炭等资源型城市,2006年其对马鞍山、濮阳等单元的作用程度加强,而对邯郸、十堰、焦作、六盘水等单元的作用强度减弱,2014年其作用强度较大的单元亦不断增加,并有呈团簇状分布的特征（图5g~图5i）。
Fig. 5 The spatial distribution of factor scores of key industries innovation output in China (2001, 2006, 2014)

图5 2001年、2006年、2014年中国重点产业创新产出因子得分空间分布

4.3 回归结果与分析

基于多元线性回归分析方法对各时点重点产业创新产出的影响因素进行估计,模型拟合优度分别达到80.3%、78.2%和73.7%,模型显著水平较高（表5）,由于本研究已进行因子分析,因此采用逐步回归法时的结果及进行容许度（T）和方差膨胀因子（VIF）检验,结果均显示：3个因子VIF值和T均接近1,表明3个因子间已不存在明显的多重共线性。模型估计结果显示,除2006年工业化程度未通过5%水平下的假设检验外,其余时点各因子均通过了显著性检验,其中社会经济和政策条件和高等教育基础条件的提升能够明显驱动重点产业创新发展,工业化程度则对重点产业创新产出影响微弱,且在数据上表现为负向关联,结合前文中各单元该因子得分来看,其原因可能为研究时段内工业化程度较高的单元主要为资源型城市,这类城市易受到自身能源约束的阻力作用而使创新产出受限[34],也可能是其对专利申请的重视不足,对自我创新的关注较少。
Tab. 5 Factors affecting China's key industries innovation output

表5 中国重点产业创新产出的影响因素估计结果

模型 2001年 2006年 2014年
标准化系数
Beta		 t 显著性 标准化系数
Beta		 t 显著性 标准化系数
Beta		 t 显著性
（常量） 8.241 0.000 8.139 0.000 11.704 0.000
社会经济环境 0.676 25.558 0.000 0.851 30.714 0.000 0.737 24.210 0.000
高等教育基础 0.585 22.118 0.000 0.240 8.661 0.000 0.437 14.351 0.000
工业化程度 -0.055 -2.089 0.038 -0.004 -0.157 0.876 -0.062 -2.041 0.042
R2 0.803 0.782 0.737
调整后R2 0.800 0.780 0.734
F值 382.142 509.164 265.415
Sig. 0.000 0.000 0.000
DW 1.986 2.126 1.972
对比各时点模型估计结果,社会经济和政策条件因子的绝对值先增后减,表明其对重点产业创新产出区域差异的解释力度先升后降;而高等教育基础条件因子对因变量的解释力度先减后增,表明当前重点产业创新产出的空间格局受区域智力资本的影响日益显著;工业化程度因子对因变量的解释力度较小,2014年与2001年相比,其绝对值微增。综合发现,社会经济和政策条件、高等教育基础条件在较大程度上塑造了中国重点产业创新发展的区域格局;当经济社会和政策条件未达到某一水平时,随着经济社会和政策条件的提升有利于重点产业创新产出,而当经济社会和政策条件达到某一限度后,其对重点产业创新产出的驱动作用减弱;而高等教育基础条件则成为当前及未来一段时间内塑造中国重点产业创新产出格局的重要因素,社会经济和政策条件较好的单元应更多地关注对教育的投入与智力资本的培育,才能进一步增强其创新竞争力;资源型城市则应逐步调整产业结构,注重技术革新与产业多样化,打破能源约束,向节能环保方向转型,同时加强智力资本投入。

5 结论与讨论

（1）1995-2014年,中国重点产业创新产出成果呈指数型增长,可划分为1995-2006年、2007-2014年两个时段,创新产出差异整体呈“先扩大后缩小”的特征,东、中、西和东北四大板块内部差异大于四大板块间。重点产业创新产出高水平单元向东部沿海经济带及各大城市群地区集聚,创新产出发展呈现出传染扩散与等级扩散的双重扩散特征。邻域环境对地级及以上地区重点产业创新产出水平类型转移产生影响,在邻域环境约束下重点产业创新产出水平类型转移概率与无约束下不同;不同邻域约束下不同类型单元转移概率不同。两时段重点产业创新产出水平发生类型转移的单元主要集中在东、中部地区,发生转移的活跃度不断提升,且具有集聚分布态势。
（2）社会经济和政策条件、高等教育基础条件的提升能够明显驱动重点产业创新发展,而工业化程度对重点产业创新产出影响微弱。但当经济社会和政策条件达到某一限度后,其对重点产业创新产出的驱动作用减弱,高等教育基础则成为当前及未来一段时间内塑造中国重点产业创新产出格局的重要因素,对资源依赖较大的区域则应更加注重技术革新与产业多样化发展,减弱能源阻力的阻滞约束,加强智力资本的投入。
（3）本文从地级及以上地区层面对中国重点产业创新产出发展阶段、水平、格局及时空转移特征进行刻画研究,对系统认知重点产业创新发展具有积极意义,此外对社会经济和政策条件因子、高等教育基础条件因子和工业化程度因子对重点产业创新产出的不同影响进行比较分析,有利于从地方层面科学选择重点产业创新发展路径。但尚需继续深化的是重点产业创新产出与相关要素的关联及相互作用分析,对不同区域重点产业创新发展差异进行机制探究,此外应对十大重点产业创新发展分别进行研究,以进一步提出针对性、系统性的战略决策。

The authors have declared that no competing interests exist.

参考文献

原文顺序 | 文献年度倒序 | 文中引用次数倒序
[1]
涂晓今. 我国促进重点产业结构优化升级的财政政策创新探讨. 财政研究, 2012, (2): 8-12.重点产业在我国国民经济中占有举足轻重的地位，推进重点产业结构优化升级是当前我国社会经济发展所面临的一项重大而紧迫的任务。本文在对我国重点产业发展状况和现行财政政策运行情况进行大量调研的基础上，剖析了当前我国重点产业和现行财政政策在产业优化升级过程中存在的问题，提出了创新我国促进重点产业优化升级的财政政策的基本思路与建议。

[Tu Xiaojin.Discussion on the innovation of fiscal policy to promote the optimization and upgrading of key industries. Public Finance Research, 2012, (2): 8-12.]

[2]
Feldman M P.The Geography of Innovation. Maryland: Springer, 1994.

[3]
Acs Z J, Anselin L, Varga A.Patents and innovation counts as measures of regional production of new knowledge. Research Policy, 2002, 31(7): 1069-1085.The role of geographically mediated knowledge externalities in regional innovation systems has become a major issue in research policy. Although the process of innovation is a crucial aspect of economic growth, the problem of measuring innovation has not yet been completely resolved. A central problem involved in such analysis is the measurement of economically useful new knowledge. In the US information on this has been limited to an innovation count data base. Determining the extent to which the innovation data can be substituted by other measures is essential for a deeper understanding of the dynamics involved. We provide an exploratory and a regression-based comparison of the innovation count data and data on patent counts at the lowest possible levels of geographical aggregation.

DOI

[4]
Agrawal A, Cockburn I, Galasso A, et al.Why are some regions more innovative than others? The role of small firms in the presence of large labs. Journal of Urban Economics, 2014, 81: 149-165.We study the impact of small firms on innovation in regions where large labs are present. Small firms generate demand for specialized services that lower entry costs for others. This effect is particularly relevant in the presence of large firms that spawn spin-outs caused by innovations deemed unrelated to the firm’s overall business. We examine MSA-level patent data during the period 1975–2000 and find that innovation output is higher in regions where both a sizable population of small firms and large labs are present. The finding is robust to across-region as well as within-region analysis and the effect is stronger in certain subsamples in a manner that is consistent with our explanation.

DOI

[5]
Maggioni M A, Uberti T E, Nosvelli M.Does intentional mean hierarchical? Knowledge flows and innovative performance of European regions. The Annals of Regional Science, 2014, 53(2): 453-485.The production of scientific and technical knowledge is mostly concentrated in specific locations (high-tech clusters, innovative industry agglomerations, centres of excellence, and technologically advanced regions). Knowledge flows very easily within regions; however, scientific and technical knowledge also flow between regions. The aim of this paper was to analyse how knowledge flows between regions, and the effect of these flows on the innovative performance, measured by patent applications. We estimate a regional knowledge production function, and, using appropriate spatial econometric estimation techniques, we test the effect of both geographical and relational autocorrelation (measured by participation in EU funded research networks as part of Fifth Framework Programme). We model unobservable structure and link value of knowledge flows in these joint research networks. We find that knowledge flows within inter-regional research networks, along non-symmetrical and hierarchical structures in which the knowledge produced by network participants tends to be exploited by the network coordinator.

DOI

[6]
Audretsch D B, Feldman M P.R&D spillovers and the geography of innovation and production. The American Economic Review, 1996, 86(3): 630-640.

[7]
Verspagen B, Schoenmakers W.The spatial dimension of patenting by multinational firms in Europe. Journal of Economic Geography, 2004, 4(1): 23-42.The present paper employs spatial econometrics techniques to discriminate empirically between various economically plausible spatial patterns of interregional knowledge spillovers between west German planning regions in the 1990s. In general, interregional spillovers are found to contribute significantly to regional knowledge production. Due to fairly high spatial transaction costs, however, only a small fraction of the knowledge available in neighboring regions actually spills over. Consequently, the absolute contribution of ‘foreign’ knowledge to a region's innovative performance is quite low. Moreover, only regions with low R&D density benefit from interregional spillovers. For regions with high R&D density they seem to be negligible. One reason for this may be some sort of self-sufficiency in the R&D centers where researchers may have fewer incentives to consult researchers in other regions. Another reason for this may be the dominance of unidirectional knowledge flows from technological leaders to followers.

DOI

[8]
Andersson R, Quigley J M, Wilhelmsson M.Agglomeration and the spatial distribution of creativity. Papers in Regional Science, 2005, 84(3): 445-464.Abstract. This article analyses the spatial distribution of "creativity" the production of new knowledge. We analyse commercial patents granted in Sweden between 1994 and 2001 using a panel of 100 labour market areas that encompass the entire country. We relate patent activity to measures of localisation and urbanisation, to the industrial composition and size distribution of firms, and to the regional distribution of human capital. Our analysis confirms the importance of human capital and research facilities in stimulating regional patent output. Our results document the importance of agglomeration and spatial factors in influencing creativity: patent activity is increased in larger and more dense labour markets and in regions in which a larger fraction of the labour force is employed in medium-sized firms. Our results also indicate that creativity is greater in labour markets with more diverse employment bases and in those which contain a larger share of national employment in certain industries, thus confirming the importance of urbanisation and localisation economies in stimulating creativity. Our quantitative results suggest that the urbanisation of Sweden during the 1990s had an important effect upon the aggregate level of patent activity in the country, leading to increases of up to 15 percent in aggregate patents.

DOI

[9]
Fornahl D, Brenner T.Geographic concentration of innovative activities in Germany. Structural Change and Economic Dynamics, 2009, 20(3): 163-182.The geographic concentration of industries has attracted much attention in recent economic and geographic literature. One mechanism employed to explain the emergence and comparative advantage of industrial agglomerations is based on the relationship between industrial agglomeration and local knowledge production and diffusion, and the resulting innovation activities. This paper analyses this relationship by identifying geographic concentrations of innovation activities and examining different causes for the emergence of these concentrations. The paper applies different concentration measures to patent data for German regions. We analyse 43 technological fields separately to identify which of these technologies tend to cluster in geographic space. The results are discussed in light of theoretical predictions of why specific technological fields concentrate while others do not. These explanations include the concentration of industrial activities, the role of dominant firms, dependence on scientific knowledge, and local interactions.

DOI

[10]
Feldman M P.The internet revolution and the geography of innovation. International Social Science Journal, 2002, 54(171): 47-56.How will the Internet and related digital technology affect the tendency for innovation activity to cluster geographically? This article argues that innovation has characteristics that make it unique from other types of economic activities. At a fundamental level, innovation is a non-routine social process that involves the creative deployment of knowledge. By examining the individual, the social and the geographic dimensions of innovation, the article concludes that the Internet, while offering advantages in access to information, will not disrupt the geographic advantages associated with concentrations of resources, face-to-face interactions and serendipity or chance occurences.

DOI

[11]
方创琳, 马海涛, 王振波, 等. 中国创新型城市建设的综合评估与空间格局分异. 地理学报, 2014, 69(4): 459-473.Innovative cities are not only important basis for innovation activities, but also play a strategically critical role in constructing an innovative country. Meanwhile, the development of innovative cities can meet the urgent requirements of setting new forms of urban development and fostering the urban sustainable development. Currently, China is marching toward the goal of establishing an innovative country by 2020, but the start-up phase of innovative cities construction cannot realize the fundamental transition from factor driven development to innovation driven development, which means that there is a wide gap between China's innovative cities and the advanced innovative cites. Constructing innovative cities confronts with some bottlenecks like investments, income, techniques, contributions and talents. This article takes 287 prefecture-level cities as the object of comprehensive assessment. With the method of comprehensive assessment system of innovative cities and innovative monitoring system software, this article evaluates the current situation of innovative city construction from four aspects, namely independent innovation, industrial innovation, living environmental innovation and institutional innovation, and analyzed the characteristics of spatial heterogeneity of innovative cities construction. The results are as follows. The level of innovation of Chinese cities is low, and building an innovation-oriented country is difficult. Some 87.8% of cities are lower than the national average of comprehensive level of innovation. The level of city's comprehensive innovation has close and positive correlation with economic development. The level of the eastern region of China is significantly higher than that of the central and western regions. The levels of urban independent innovation, industrial innovation, habitat of environmental innovation and institutional mechanisms innovation show consistent spatial heterogeneity law with the city's comprehensive level of innovation. In the future, China should speed up the construction process in accordance with the basic principles of "independent innovation, breakthroughs in key areas, market-driver, regional linkage, personnel support". The purpose is to build Beijing, Shenzhen, Shanghai, Guangzhou into global innovation centers, to build Nanjing, Suzhou, Xiamen, Hangzhou, Wuxi, Xi'an, Wuhan, Shenyang, Dalian, Tianjin, Changsha, Qingdao, Chengdu, Changchun, Hefei, Chongqing into national innovation centers by 2020, through which China will finally build a national urban innovation network that includes 4 global innovative cities, 16 national innovative cities, 30 regional innovative cities, 55 local innovative cities, and 182 innovation-driven development cities and contributes to the establishment of an innovative country by 2020.

DOI

[Fang Chuanglin, Ma Haitao, Wang Zhenbo, et al.Comprehensive assessment and spatial heterogeneity of the construction of innovative cities in China. Acta Geographica Sinica, 2014, 69(4): 459-473.]

[12]
吕拉昌, 李勇. 基于城市创新职能的中国创新城市空间体系. 地理学报, 2010, 65(2): 177-190.基于问卷、访谈及统计数据资料，采用因子分析、数学建模等综合分析方法，以知识经济下城市创新职能及城市体系理论为理论基础，探讨中国城市的创新格局、网络、等级体系及城市的创新联系，研究表明，中国创新城市体系空间格局形成以上海、北京为顶级城市的五级塔型城市体系结构．东部沿海城市在中国创新城市中具有重要地位．省会城市及经济强劲的城市一般成为区域性的创新中心。中国创新城市体系受城市创新规模、城市科研规模与效率、城市创新潜力因素、城市创新环境等多方面因素的影响。以城市问合作论文数量来测度城市之间的创新联系．结果表明．北京在知识传播和知识合作创新中的处于中心位置，高层级的城市在知识传播与合作中明显比较高层级与中层级以及低层级城市多．省会城市及经济实力强劲的区域中心城市在知识传播中起重要的作用。

DOI

[Lv Lachang, Li Yong.A research on Chinese renovation urban system based on urban renovation function. Acta Geographica Sinica, 2010, 65(2): 177-190.]

[13]
柳御林, 胡志坚. 中国区域创新能力的分布与成因. 科学学研究, 2002, 20(5): 550-556.本文分析了中国区域创新能力研究的意义和演化历程,建立了一套综合的创新能力指标体系,对中国的区域创新能力作了一个基本判断,并就区域创新能力的成因作了自己的分析.最后,文章探讨了中国区域创新能力所揭示的政策意义和启示.

DOI

[Liu Yulin, Hu Zhijian.The pattern of China regional innovation capability and its implication. Studies in Science of Science, 2002, 20(5): 550-556.]

[14]
侯纯光, 程钰, 任建兰, 等. 中国创新能力时空格局演变及其影响因素. 地理科学进展, 2016, 35(10): 1206-1217.创新驱动是经济发展新常态下中国发展的必然选择。本文选取2000-2014年中国30个省（市、区）的创新能力相关数据构建面板数据集,运用线性加权综合法、变异系数、基尼系数、空间自相关、NICH指数分析等方法,结合GIS空间分析软件和SPSS数据分析软件,探究中国创新能力时空格局演变及其影响因素。研究表明：12000-2014年中国创新能力逐年提升,从2000年的0.199提升至2014年的1.775。其中知识创新能力和技术创新能力提升速度较快,而政府支撑和服务能力以及创新基础环境提升较缓慢。2创新能力区域差异由＂大差距低水平＂向＂小差距高水平＂转变,高水平和增长较快的区域主要集中在东部沿海地区,西南和西北各省（市、区）创新能力较弱且增长较慢。3区域物质资本集聚、区域智力资本集聚、区域创新环境、全球化知识溢出等是影响中国创新能力时空格局特征的主要因素。

DOI

[Hou Chunguang, ChengYu, Ren Jianlan, et al. Spatiotemporal changes and influencing factors of innovation capacity in China. Progress in Geography, 2016, 35(10): 1206-1217.]

[15]
程叶青, 王哲野, 马靖. 中国区域创新的时空动态分析. 地理学报, 2014, 69(12): 1779-1789.基于探索性空间数据分析和验证性空间面板模型,本文探讨了2000年以来中国区域创新的时空动态。结果表明:1自创新战略实施以来,中国各省区创新产出的年均增长率几乎都经历了一个剧烈的加速过程,说明区域创新能力的总体提升,但是,东部沿海地区仍然在创新产出中居于压倒性地位,导致"沿海—内陆"分化加剧和区域鸿沟的进一步突出,省区创新可能会陷入"强者愈强,弱者愈弱"的"马太效应";2中国区域创新产出与创新投入的空间集聚随时间推移不断强化,通过识别不同时期各变量"热点",表明创新产出"热点"地区与创新投入"热点"具有高度的时空耦合特征;3人均GDP、研发投入、研发人员及在校大学生数对省区创新产出有显著的直接影响。省区间创新活动存在明显的空间溢出效应,其知识溢出的地理区域跨越了省区边界。空间依赖性的存在导致省区间创新活动具有反馈效应,相邻省区的知识溢出对该省区的创新活动具有实质性影响。

DOI

[Cheng Yeqing, Wang Zheye, Ma Jing.Analyzing the space-time dynamics of innovation in China. Acta Geographica Sinica, 2014, 69(12): 1779-1789.]

[16]
王春杨, 张超. 中国地级区域创新产出的时空模式研究: 基于ESDA的实证. 地理科学, 2014, 34(12): 1438-1444.lt;p>以341个地级层面区域作为空间观测单元,以专利申请受理数作为衡量指标,对中国1997~2009年期间地级区域创新产出的时空特征进行了ESDA分析.结果表明:中国地级区域创新产出的地域性特征显著,首先表现为全局上的地理集聚和地带间的巨大差异;但不同于省级空间尺度下地带内部区域创新显著的极化特征,地级空间尺度区域创新却呈现多样化的局部空间依赖模式.整体上,创新产出在地级空间尺度上自然形成2个显著的空间集群,即东部沿海的H-H集群和西部内陆的L-L集群.东部H-H集群在考察期内由东北和华北地区逐渐向山东半岛、长三角和珠三角地区转移,西部L-L集群的空间发展则相对稳定;H-L型集群和L-H型集群主要分布在中部地区和东中西邻接地区,创新的空间过渡特征明显.最后在实证分析的基础上,提出了政策建议和未来研究的方向.</p>

[Wang Chunyang, Zhang Chao.Spatial-temporal pattern of prefecture-level innovation outputs in China: An investigation using the ESDA. Scientia Geographica Sinica, 2014, 34(12): 1438-1444.]

[17]
王俊松, 颜燕, 胡曙虹. 中国城市技术创新能力的空间特征及影响因素: 基于空间面板数据模型的研究. 地理科学, 2017, 37(1): 11-18.基于2003--2013年城市专利数据采用基尼系数、趋势面分析、空间动态面板数据模型等方法探讨了中国城市技术创新能力的空间分布和影响因素。研究发现：①中国创新能力高的城市高度集聚在沿海三大区域及内地的区域中心城市，随着时间推移，创新能力在空间上呈现扩散的趋势。城市技术创新能力的空间相关性逐渐增强，推动了创新的区域扩散和空间溢出。②发明专利、外观专利和实用新型专利的创新水平依次降低，空间集聚程度依次提高，空间相关性依次提高。③固定效应面板数据的空间滞后模型和空间Durbin模型的计量结果发现，城市技术创新能力存在显著的空间溢出效应，邻近城市技术创新能力的提升有助于提升该市的创新能力。政府支持、工业基础、高等教育资源、创新投入、经济外向度显著影响城市技术创新能力水平的提升，且政府支持和城市高等教育资源对城市技术创新能力的影响出现增强趋势。

[Wang Junsong, Yan Yan, Hu Shuhong.Spatial pattern and determinants of Chinese urban innovative capabilities based on spatial panel data model. Scientia Geographica Sinica, 2017, 37(1): 11-18.]

[18]
肖刚, 杜德斌, 李恒, 等. 长江中游城市群城市创新差异的时空格局演变. 长江流域资源与环境, 2016, 25(2): 199-207.以专利申请总量为主要指标,采用地理集中指数和马尔可夫链方法,从时间、空间和地理临近性视角来分析2000~2014年长江中游城市群城市创新差异的时空格局演变。研究结果表明:(1)城市群城市创新差异呈现由高度集中向渐进式分散,由核心城市向外围城市缓慢扩散的演变趋势,出现高水平和低水平趋同俱乐部强化锁定,中低水平趋同俱乐部局部变动的趋势。(2)城市群城市创新类型发生空间转移与城市创新发展水平紧密相关,城市创新发展水平差距越小,发生转移的概率越高;反之,发生转移的概率越低;(3)邻域创新环境影响城市群城市创新差异的演变,地理临近性在低水平、中低水平城市创新类型表现不明显,而在中高水平城市创新类型显著增加。

DOI

[Xiao Gang, Du Debin, Li Heng, et al.The temporal and spatial evolution of city innovation differences in urban agglomeration in the middle reaches of the Yangtze River. Resources and Environment in the Yangtze Basin, 2016, 25(2): 199-207.]

[19]
王承云, 孙飞翔. 长三角城市创新空间的集聚与溢出效应. 地理研究, 2017, 36(6): 1042-1052.选取长三角地区各城市2001-2012年专利申请受理量作为表征各城市创新水平指标,采用变异系数、基尼系数、赫芬达尔指数和空间自相关指标和方法,考察长三角地区创新空间格局演变特征,并使用空间回归分析方法,探讨长三角地区创新空间差异的影响因素.研究表明:①长三角地区整体创新空间差异和创新集中度呈下降趋势,近年来已趋向稳定.②长三角地区创新空间格局仍处在动态变化之中,但已基本形成以上海、南京为端点的创新高值集聚带.长三角地区创新空间已表现出正的空间相关性,但呈现出波动变化特征,空间相关性并不显著,仍存在一定程度的空间异质性.③城市创新已表现出一定程度的空间溢出效应.创新综合投入、创新环境和创新规模是长三角地区创新空间差异的主要影响因素.

DOI

[Wang Chengyun, Sun Feixiang.Spatial agglomeration and spillover effects of urban innovation in Yangtze River Delta. Geographical Research, 2017, 36(6): 1042-1052.]

[20]
滕堂伟, 方文婷. 新长三角城市群创新空间格局演化与机理. 经济地理, 2017, 37(4): 66-75.以新长三角城市群26个城市为地理观测单元,以专利授权量为衡量指标,运用ESDA和GWR等方法,刻画2005—2014年城市群创新产出时空分异特征、影响因素及作用机理。研究发现:市域间创新产出绝对差异波动上升,相对差异波动缩小;创新产出水平相似的市域集聚分布,且集聚程度波动增强,而两极分化现象呈减缓态势;苏锡常都市圈与环杭州湾地区的崛起造成长三角创新活动的核心区域逐步突显;市域创新产出表现出收敛趋同的迹象;创新产出高增长型市域沿沪汉蓉、沪杭甬通道呈"Z"字型分布;各因子对创新产出的影响存在空间异质性,其中政府支持和产业集群环境是影响长三角城市群创新产出水平的主要驱动因素。

DOI

[Teng Tangwei, Fang Wenting.The evolution of innovation space and its mechanism in Yangtze River Delta urban agglomeration. Economic Geography, 2017, 37(4): 66-75.]

[21]
徐维祥, 杨蕾, 刘程军, 等. 长江经济带创新产出的时空演化特征及其成因. 地理科学, 2017, 37(4): 502-511.利用区位基尼系数、空间自相关、相对发展率指数(NICH指数)以及空间面板数据模型等分析方法,以长江经济带沿线38个中心城市作为空间观测单元,结合专利授权量等相关数据,研究了创新产出的时空演化特征及其成因。结果表明:2000~2013年长江经济带沿线中心城市的创新产出在整体上逐年增长,地理集中度呈现波动下降趋势;长三角地区相对发展速度较快;创新产出的空间集聚程度表现出反"Z"字形的波动上升态势;创新产出的热点区域由长三角-成渝"双核心"空间结构发展成长三角"单极突出"空间格局,且长三角热点区域范围有所增长,冷点区域则分布在长江中游地带;技术溢出、政府行为、空间区位和金融支持均对长江经济带沿线中心城市的创新产出具有显著地正向影响,经济基础对下游城市具有促进作用。根据研究结论还提出了相应政策建议。

[Xu Weixiang, Yang Lei, Liu Chengjun, et al.Temporal-spatial evolution characteristics and its causes of innovation output in the Yangtze River Economic Belt. Scientia Geographica Sinica, 2017, 37(4): 502-511.]

[22]
Li D, Wei Y D, Wang T.Spatial and temporal evolution of urban innovation network in China. Habitat International, 2015, 49: 484-496.61This paper, using published papers and patents in biotechnology, focuses on the topological and spatial evolution of urban innovation networks in China.61It specifically builds scientific knowledge networks (SKNs) and technological knowledge networks (TKNs).61SKN are much more complicated than TKNs, and both of them are scale-free networks with features of preferential attachment and dis-assortative traits.61Spatial and temporal evolution of central nodes and networks structure show the hierarchical and contagious diffusion in both networks.61Multi-dimensional proximity (social, organizational, cognitive, geographical) well explains the knowledge spillovers and innovation in SKNs, but fails to explain them in TKNs.

DOI

[23]
Wang Y, Sutherland D, Ning L, et al.The evolving nature of China's regional innovation systems: Insights from an exploration-exploitation approach. Technological Forecasting & Social Change, 2015, 100(13): 140-152.61We use an exploration–exploitation approach to model China's regional innovation systems.61We use the entropy index to categorize the systems by province.61We find biases towards exploratory systems within the developed coastal provinces.61A degree of persistence also exists across China's regional systems.61Five systems have taken sudden backward step changes towards exploitative systems.

DOI

[24]
吕拉昌. 创新地理学. 北京: 科学出版社, 2017.

[Lv Lachang.The Geography of Innovation. Beijing: Science Press, 2017.]

[25]
蒋天颖. 浙江省区域创新产出空间分异特征及成因. 地理研究, 2014, 33(10): 1825-1836.通过构建总体差异测度指数,并结合运用核密度估计等多种空间统计方法,分析浙江省区域创新产出的空间分异特征及其影响因素,结果表明:2006-2012年,浙江省区域创新产出总体存在较大差异,并呈现波动式上升趋势;浙江省区域创新产出分异增强,空间核密度呈现出由相对均匀到极化的演化趋势;浙江省区域创新产出整体上呈现高值和低值集聚分布,且集聚程度逐渐增强;各县域创新产出同样具有空间集聚性,杭州与宁波市辖区成为热点区域;空间指向性明显,整体表现出"东高西低、北高南低"的空间趋势面分布;由回归分析得出该时期浙江省区域创新产出空间分异主要受经济基础、政策制度、技术溢出和空间区位四个主要因素的影响。

DOI

[Jiang Tianyin.Spatial differentiation and its influencing factors of regional innovation output in Zhejiang province. Geographical Research, 2014, 33(10): 1825-1836.]

[26]
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. 地理研究, 2012, 31(1): 95-106.以我国31个省域作为空间观测单元,以专利申请受理数作为创新产出的衡量指标,对我国1997～2008年期间省域创新产出的空间分布进行了探索性空间数据分析(ESDA)。通过计算区位基尼系数和集中度指数,发现我国的创新活动显示了相当高水平的空间集中,并且这种集中程度在过去的十多年里表现出了稳定的增长趋势;对全局的Moran's I统计分析表明:省际创新活动之间存在着显著的空间自相关(空间依赖性),证明了知识溢出的存在性和空间局限性;对局部的Moran's I分析进一步揭示了省际创新活动水平的相关模式,Moran散点图刻画了创新活动的空间集聚模式及其时空演变态势。研究结果说明经过十几年的发展,我国省域创新活动的地域性特征十分显著。

DOI

[Li Guoping, Wang Chunyang.Spatial characteristics and dynamic changes of provincial innovation output in China: An investigation using the ESDA. Geographical Research, 2012, 31(1): 95-106.]

[27]
朱杰, 管卫华, 蒋志欣, 等. 江苏省城市经济影响区格局变化. 地理学报, 2007, 62(10): 1023-1033.首先运用Mann-Kendall方法将1978年改革开放以来江苏省区域经济发展划分为三个不同阶段.然后采用城市中心性指数和交通时间成本对传统势能模型中的城市规模和距离因子进行了修正,并运用GIS的栅格算法得到主要年份江苏省不同等级中心城市的经济影响区范围,分析其格局变化特征:①南北格局向东西格局转变;②南部经济影响区向北扩展;③苏南地区新中心城市的出现.最后,探讨了江苏省城市经济影响区的变化机制,认为交通轴线的发展状况、经济发展水平和社会生产要素投入差异是导致城市经济影响区格局变化的主要原因.其中,不同的交通轴线对周边地区带动作用差异明显;经济发展水平则显现出苏南一枝独秀,苏中、苏北趋同发展的趋势;生产要素投入中资本、技术投入对经济影响区的格局变化起主导作用.

DOI

[Zhu Jie, Guan Weihua, Jiang Zhixin, et al.The evolution of urban economic effect regions in Jiangsu province since 1978. Acta Geographica Sinica, 2007, 62(10): 1023-1033.]

[28]
Ying L G.China's changing regional disparities during the reform period. Economic Geography, 1999, 75(1): 59-70.Abstract: I examine regional disparities in China during the reform period (197809000994) based on the latest measures of provincial per capita GDP. Results reveal a "U-shaped" pattern in regional inequality over time. Regional inequality in per capita GDP among the 30 provinces of China diminished as reforms progressed until 1990, after which it started widening. This diminishing trend was due to a significant decline in income inequality among provinces in the coastal region. A further test indicates that an increase in per capita GDP in the southern coastal provinces is the main reason for declining regional inequality in China during the early reform period (197809000990). Rising GDP in the southern coastal belt also led to widening regional disparities between coastal and interior regions after 1978. As a result, regional inequality in per capita GDP among the 30 provinces has worsened since 1990. From 1992 to 1994, regional disparities between coastal and interior provinces became more significant than the traditional North-South inequality in the Chinese space economy within the context of uneven regional development.

DOI

[29]
蒲英霞, 马荣华, 葛莹, 等. 基于空间马尔可夫链的江苏区域趋同时空演变. 地理学报, 2005, 60(5): 817-826.以江苏省77个县域1978￣2000年人均GDP数据为资料,基于空间马尔可夫链方法,研究江苏省区域趋同的时空动态演变特征。首先按照全省人均GDP平均水平,将所有县域划分为低、中低、中高和高4种类型,计算其马尔可夫转移概率矩阵;然后将区域类型转移的空间分布格局加以可视化;最后,以每个区域在初始年份的空间滞后类型为条件,构造空间马尔可夫转移概率矩阵。结果表明:(1)自改革开放以来江苏省一直存在“俱乐部趋同”现象,在1990￣2000年期间更为显著。(2)那些区域自身及其邻居同时向上转移的地区全部集中在苏南,而区域自身或邻居有一方或双方均向下转移的区域绝大多数位于苏北。(3)江苏省区域人均GDP类型转移显著受到地理背景的制约。在1978￣1990年和1990￣2000年期间,一个落后区域以落后地区为邻时,其向上转移的概率分别为0.148和0.025,低于平均概率0.2和0.042;一个富裕区域以富裕区域为邻时,其向上转移的概率分别为1.0和0.991,高于平均概率0.987和0.984。这表明,发达的区域背景对区域转移起到了正面影响,而欠发达的区域背景则产生了负面影响,进一步为江苏省“俱乐部趋同”现象的存在提供了空间上的解释。

DOI

[Pu Yingxia, Ma Ronghua, Ge Ying, et al.Spatial-temporal dynamics of Jiangsu regional convergence with spatial Markov chains approach. Acta Geographica Sinica, 2005, 60(5): 817-826.]

[30]
国务院. 国家中长期科学和技术发展规划纲要: 2006-2020年. 国家中长期科学和技术发展规划纲要: 2006-2020年. , 2017-03-06.

[The State Council of China. National Long-term Scientific and Technological Development Plan: 2006-2020 . National Long-term Scientific and Technological Development Plan: 2006-2020. , 2017-03-06.]

[31]
蒋天颖. 我国区域创新差异时空格局演化及其影响因素分析. 经济地理, 2013, 33(6): 22-29.采用探索性空间数据分析和多元线性回归方法分析了我国2001—2011年区域创新水平存在的差异及其时空格局演化,并探讨了区域创新水平的影响因素。结果表明:近10年间,我国区域创新差异总体呈现扩大的趋势;我国区域创新水平表现出较强的空间相关性,并逐渐呈现空间集聚的态势;我国区域创新增长水平也存在差异;人才因素已经成为当前推动我国区域创新的重要因素。

[Jiang Tianyin.Study on spatial and temporal evolution and factors of regional innovation in China. Economic Geography, 2013, 33(6): 22-29.]

[32]
曹勇, 曹轩祯, 罗楚珺, 等. 我国四大直辖城市创新能力及其影响因素的比较研究. 中国软科学, 2013, (6): 162-170.以我国四大直辖市为研究对象,利用四直辖市1997-2009年的面板数据,分析了四市的城市创新能力现状并引入Theil系数模型对四城市的创新能力差异进行了比较研究,同时采用因子分析与回归分析相结合的方法进一步分析了影响城市创新能力的主要因素。结果表明：北京和上海的城市创新能力明显强于天津和重庆;四直辖市的城市初始创新能力差异变动大致呈现Z字型曲线,而城市最终创新能力差异变动呈现三个波动阶段;城市经济规模、科技成果转化能力和城市创新投入对城市创新能力存在显著正向影响。在此研究结果基础上提出了进一步提升四市城市创新能力的对策建议。

DOI

[Cao Yong, Cao Xuanzhen, Luo Chujun, et al.Comparative study on Chinese four municipalities' innovation capability and its influencing factors based on panel data. China Soft Science, 2013, (6): 162-170.]

[33]
桂黄宝. 我国高技术产业创新效率及其影响因素空间计量分析. 经济地理, 2014, 34(6): 100-107.

[Gui Huangbao.Innovation efficiency and its influencing factors of China's high-tech industry based on the spatial econometric model. Economic Geography, 2014, 34(6): 100-107.]

[34]
蔡海霞, 范如国. FDI技术溢出、能源约束与区域创新产出分析. 中国人口·资源与环境, 2011, 21(11): 50-55.建立了将区域RD投入、 FDI、能源以及人力资本效率作为生产函数投入要素的内生增长模型,采用我国2004-2009年30个省市的相关面板数据,分析能源约束对区域创新产出 和FDI技术溢出效应的影响,同时测算能源约束区域创新产出的"增长阻力"的大小及决定增长阻力大小的深层次因素。实证结果表明,FDI仍然是我国区域创 新能力提高的重要外部推动力。只是长期以来,在忽略能源约束作用的条件下,FDI对区域创新产出的溢出效应被夸大了。FDI、区域RD人力投入和区域人力 资本效率促进了区域创新产出的增长,而能源限制了区域创新产出的增长。能源所占区域创新产出的份额越低,能源效率提高的速度越快,则能源所带来的"增长阻 力"越小。RD人员投入增长越快,RD经费投入所占份额越高的地区所面临的来自能源的"增长阻力"越大。此外,人力资本效率作为衡量区域对FDI技术溢出 吸收能力的主要指标,影响了FDI对区域创新产出溢出效应的大小。最后,根据研究结论给出了相关政策建议。

DOI

[Cai Haixia, Fan Ruguo.FDI spillover effect, energy constraints and regional innovation output analysis. China Population, Resources and Environment, 2011, 21(11): 50-55.]

Options
文章导航

/

〈 〉