删除或更新信息，请邮件至freekaoyan#163.com(#换成@)

长三角城市创新空间的集聚与溢出效应

本站小编 Free考研考试/2021-12-29

王承云, 孙飞翔
上海师范大学旅游学院,上海 200234

Spatial agglomeration and spillover effects of urban innovation in Yangtze River Delta

WANGChengyun, SUNFeixiang
Department of Geography, Shanghai Normal University, Shanghai 200234, China
收稿日期:2017-01-18
修回日期:2017-03-20
网络出版日期:2017-06-30
版权声明:2017《地理研究》编辑部《地理研究》编辑部
基金资助:

国家自然科学基金项目（41571110）

上海市自然科学基金项目（14ZR1430600）

作者简介:
-->作者简介：王承云（1961- ）,女,黑龙江哈尔滨人,博士,教授,研究方向为经济地理、研发创新和区域经济。E-mail: chengyun@shnu.edu.cn

展开

摘要
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。

关键词：创新;空间自相关;空间溢出;影响因素;长三角地区
Abstract
The purpose of this paper is to investigate and evaluate the spatial distribution of urban innovation in the Yangtze River Delta. In this study, the data of innovation ability of 16 cities in the Yangtze River Delta region from 2001 to 2012 were selected. Based on the coefficient of variation, Gini coefficient, Herfindahl-Hirschman index, spatial autocorrelation and spatial regression analysis method, combined with GIS spatial analysis, SPSS data analysis tools and Geoda software, this paper examines the spatiotemporal change and influencing factors of innovation capability in the Yangtze River Delta cities. The main conclusions are as follows: (1) The overall spatial differentiation and innovation concentrations of the region have been stable in recent years. (2) The spatial pattern of innovation is still in dynamic change, but a high innovation output zone which consist of Shanghai, Suzhou, Wuxi, Changzhou and Nanjing has formed. The innovation space in the delta has shown fluctuating characteristics, with a minor positive spatial correlation among cities. This indicates that a certain degree of spatial heterogeneity exists in the Yangtze River Delta region. (3) Urban innovation has shown a certain degree of spatial spillover effect. The level of investment, environment and scale of the innovation are the main factors influencing the spatial differentiation of innovation capacity of cities in the region. The research results provide some guidance for the improvement of city innovation capacity and regional sustainable development of the Yangtze River Delta.

Keywords：innovation;spatial autocorrelation;spatial spillover;influencing factors;Yangtze River Delta

-->0
PDF (4427KB)元数据多维度评价相关文章收藏文章
本文引用格式导出EndNote Ris Bibtex 收藏本文-->
王承云, 孙飞翔. 长三角城市创新空间的集聚与溢出效应[J]. , 2017, 36(6): 1042-1052 https://doi.org/10.11821/dlyj201706004
WANG Chengyun, SUN Feixiang. Spatial agglomeration and spillover effects of urban innovation in Yangtze River Delta[J]. 地理研究, 2017, 36(6): 1042-1052 https://doi.org/10.11821/dlyj201706004

1 引言

在知识经济全球化的背景下,国家和区域的经济发展高度依赖于创新和知识转化能力^[1]。创新已成为众多学科研究热点之一。创新比生产活动在空间上更为集中^[2],这引起了****们对创新的空间维度的广泛关注,并将此类研究称为创新地理学^[3-6]。
****们对创新地理学的研究主要集中在三个方面^[3]：① 创新的空间分布与趋势特征。使用创新投入（R&D人员和R&D支出数据等）、创新产出（专利、技术许可及出版物）和创新主体（新企业或企业的研发实验室）以及创新网络等数据,采用经济地理学、区域科学中已有的地理集中指标包括区位商（LQ）、水平集聚区位商（HCQL）、区位基尼系数（LGC）、赫芬达尔—赫希曼指数（HHI）、Ellison-Glaeser地理集聚指数（EGGCI）、地理共现指数（GCI）,还有测量空间相关性的莫兰指数（Moran's I）等,以不同空间单元如国家、省域、市域甚至邮区为研究对象,测度与描述创新空间的集聚或分散特征^[7-12]。近年来,对创新网络的研究也日益增多^[13-15]。② 创新空间集聚或分散的机制和影响因素。集聚经济和知识溢出是这类研究的根本所在^[16,17]。隐性知识是某个地理空间创新活动的关键决定因素^[2]。这类知识的传播不易和个人、社会及环境分开,所以产生了知识溢出的地方性,也使得集聚在知识的传播中具有特殊意义。空间上接近性对于隐性知识的有效产生、传播和共享的关键作用,强化了创新集群、城市和区域的重要性^[18,19]。Simmie将研究创新与空间关系的理论按年代顺序划分为三类^[20]：第一,20世纪80年代初之前的早期理论,主要有增长极理论、产品生命周期理论和集聚理论,关注为什么创新在特定的地点产生。第二,20世纪80年代后,新产业区、创新环境和制度分析理论被提出并得到发展,用以解释为何与日益加深的经济全球化趋势相反,地方空间对创新依然重要。第三,现代演化经济理论为创新与空间关系的分析提供另外一种分析视角,一些重要概念如多样化、不确定性、路径依赖等被用以解释创新的空间集中。③ 创新空间差异对其他变量的影响研究,如区域经济增长和生产率^[21,22]。
目前对创新地理的研究已取得了丰富的成果。但仍存在一些问题：第一,仍缺乏有效的用以创新地理研究的数据,一些综合性理论方法和概念比较模糊,对创新的测度需要更加综合的方法。第二,针对不同创新理论的实证性研究仍不足。第三,不同区域创新集聚或扩散的影响因素或不同因素的重要性往往存在差异,对创新与空间关系的解释仍需要更多的实证研究。
长三角地区是中国经济最为发达的区域之一,创新资源集聚,具备建成创新型区域的良好基础。但长三角地区创新空间结构特征是什么?演变态势如何?影响因素是什么?这些问题尚不清楚。基于此,使用专利申请数据表征区域创新能力,分析长三角地区创新空间演变过程,并探讨影响创新空间格局的影响因素,以期为长三角地区创新空间格局的优化和创新政策的制定提供科学参考。

2 研究方法与数据来源

2.1 研究区概况与数据来源

选取长三角地区16座城市（狭义的长三角地区）作为研究区域^[23],以各个城市作为分析的基本空间单元,包括上海市,江苏省的南京市、无锡市、常州市、苏州市、南通市、扬州市、镇江市、泰州市8个城市,浙江省的杭州市、宁波市、嘉兴市、湖州市、绍兴市、舟山市、台州市7个城市。
专利数据是创新研究领域使用最为广泛的数据。专利数据容易获取,信息详细,可以根据技术领域和区位对专利进行精确划分^[24]。“正是因为这些优势,越来越多的地理****和城市经济****使用专利数据进行创新研究”^[25]。无论专利申请是否得到批准,专利申请行为本身就能够反映区域创新活跃程度^[10]。因此,选取专利申请受理数量来表征长三角地区各市的创新水平。专利申请受理量数据来源于江苏省、浙江省和上海的知识产权局统计数据,其他数据来源于2012年江苏省、浙江省、上海市、各城市统计年鉴和中国城市统计年鉴。

2.2 研究方法

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,对长三角地区创新空间格局演变特征进行分析,并使用空间回归分析方法,定量研究长三角地区创新空间差异的影响因素。
2.2.1 变异系数、赫芬达尔指数和基尼系数变异系数、基尼系数和赫芬达尔指数能够有效的测度样本数据的差异程度和集中度。变异系数计算公式为：

\begin{matrix} CV = \frac{\sqrt{\frac{\overset{n}{\sum_{i = 1}} {(x_{i} - \overset{?}{x})}^{2}}{n}}}{\overset{?}{x}} \end{matrix}

（1）
式中：CV为变异系数;n为样本数;x_i为样本值;

\begin{matrix} \overset{?}{x} \end{matrix}

为样本平均值。

\begin{matrix} CV \end{matrix}

越大,代表长三角地区各城市创新水平差异越大;反之,则越小。
基尼系数计算公式为：

\begin{matrix} G = 1 + \frac{1}{N} - \frac{2}{N^{2} \overset{?}{y}} (y_{1} + 2 y_{2} + 3 y_{3} + \dots + N y_{n}) \end{matrix}

（2）
式中：G为基尼系数;N是样本数量;

\begin{matrix} \overset{?}{y} \end{matrix}

是样本均值;y₁, y₂, …, y_n按从大到小排序的样本值。基尼系数值取值范围在0~1之间,值越接近1,表示长三角地区城市创新水平差异越大;值越趋近于0,表示差异越小。
赫芬达尔指数的计算公式为：

\begin{matrix} HH I_{n} = \overset{n}{\sum_{r = 1}} {p_{r}}^{2} \end{matrix}

（3）
式中：

\begin{matrix} HH I_{n} \end{matrix}

为赫芬达尔指数;

\begin{matrix} p_{r} \end{matrix}

表示区域r创新活动占全部区域创新活动比例;n为区域数量。赫芬达尔指数取值范围为1/n~1,可以反映出长三角地区创新集中度水平,值越趋近1,表示区域整体创新集中度越高;值越小,表示区域整体创新水平越均衡。
2.2.2 空间自相关探索性空间数据分析（exploratory spatial data analysis,ESDA）是针对具有空间依赖性和空间异质性特征的研究数据,以测度空间关联为重点,提供一系列空间数据分析方法和可视化技术的集合^[26]。通常使用全局空间自相关（Moran's I或Geary's C）和局部空间自相关（G统计量、Moran散点图和LISA图）进行空间关联分析。
全局空间自相关用于识别研究区域整体空间相关性。常用的测度指标是Moran's I指数。其计算公式是：

\begin{matrix} I = \frac{\frac{1}{s^{2}} \overset{n}{\sum_{i = 1}} \overset{n}{\sum_{j \neq 1}} (X_{i} - \overset{?}{X}) (X_{j} - \overset{?}{X})}{\overset{n}{\sum_{i = 1}} \overset{n}{\sum_{j \neq 1}} W_{ij}} \end{matrix}

（4）
式中：n为地区总数;

\begin{matrix} \overset{?}{X} \end{matrix}

为样本平均值;X_i 为区域i的观测值;W_ij为空间权重矩阵,空间相邻取值为1,不相邻为0;s²为

\begin{matrix} \overset{n}{\sum_{i = 1}} (X_{i} {- \overset{?}{X})}^{2} / n \end{matrix}

。Moran's I取值为[-1,1],值趋向于1,表明存在空间正相关,即创新水平较高或低的区域在空间上趋于集聚;趋向于0,表明不存在空间相关性,空间随机分布;趋向于-1,表明空间负相关,区域和相邻区域之间创新水平存在差异,即创新水平高（低）的区域被创新水平低（高）的区域包围。
全局空间自相关能够对观测变量整体空间依赖程度进行测度,但一定程度上忽略了空间的局部不平稳。因此,需引入局部空间自相关,有助于识别空间中的奇异值^[27]。局部Moran's I能够测度区域i与相邻区域之间创新差异程度,同时能够测算显著性水平^[26]。计算公式为：

\begin{matrix} I_{i} = Z_{i} \overset{n}{\sum_{i = 1}} W_{ij} Z_{j} \end{matrix}

（5）
式中：Z_i和Z_j分别代表对空间单元i和j观测值标准化后的数值;W_ij为空间权重矩阵。
Moran散点图中四个象限分别代表了四类局部空间关联模式：第一象限（HH）表征高值区周边邻域同是高值区域,第二象限（LH）表征低值区周边邻域是高值区域,第三象限（LL）表征低值区周边邻域同时低值区域,第四象限（HL）表征高值区周边邻域是低值区。第一象限和第三象限区域呈现空间正相关,第二象限和第四象限区域表示存在空间负相关。结合局部Moran's I显著性水平与Moran散点图,能够得到LISA聚类地图,用以识别要素在空间上集聚的热点或冷点^[28]。
2.2.3 空间回归分析已有研究指出创新活动具有空间依赖性,与许多统计分析中观测变量空间平稳的基本假设不相符,因此,需要引入考虑空间相关因素的空间回归模型^[10]。常用的空间回归模型有两种：空间滞后模型（SLM）和空间误差模型（SEM）,其模型表达式分别是：

\begin{matrix} y = ρWy + Xβ + ε \end{matrix}

（6）

\begin{matrix} y = Xβ + {(1 - λW)}^{- 1} ε \end{matrix}

（7）
式中：参数β反映了自变量对因变量的影响程度;

\begin{matrix} ρ \end{matrix}

是空间滞后变量的回归系数,其大小能够测度要素空间扩散或空间溢出程度;λ为空间误差系数,衡量数值的空间依赖作用。

3 长三角城市创新空间格局演变特征

3.1 整体差异演变特征

计算结果显示（图1）,变异系数、基尼系数和赫芬达尔指数3个指标随着时间的变化趋势基本一致。3个指标在2001-2002年期间均有所上升,随后呈阶梯状下降趋势,至2006后下降速度变慢,并趋于稳定。这表明长三角地区整体创新空间差异和创新集中度是在不断下降的,且近年来已趋向稳定。

显示原图|下载原图ZIP|生成PPT
图12001-2012年长三角城市创新空间变异系数、基尼系数和赫芬达尔指数变化趋势
-->Fig. 1Trends of the variation coefficient, Gini coefficient and Herfindahl-Hirschman index of city innovation in Yangtze River Delta region, 2001-2012
-->

3.2 时空差异演变特征

3.2.1 长三角城市创新时空差异及演变选取了4个年份（2001年、2004年、2008年、2012年）对长三角地区创新空间格局演变特征进行分析。通过ArcGIS软件分别做出上述年份创新空间分布的四分位图（图2）,结果发现：① 整体来看,长三角地区创新空间格局没有显著的区域特征,但局部区域呈现出特定的空间模式。② 具体来看,2012年,长三角地区创新空间呈现出以上海、南京为端点的轴线集聚特征,轴线上的上海、苏州、无锡、常州、南京形成了带状的创新活跃地区,而外围的镇江、扬州、泰州则相对滞后。③ 创新集聚轴线南部区域比北部区域空间异质性更强。北部区域中创新水平相近城市如镇江、扬州和泰州在空间上相互毗邻。

显示原图|下载原图ZIP|生成PPT
图22001-2012年长三角城市创新空间格局
-->Fig. 2Spatial pattern of city innovation in Yangtze River Delta region during 2001-2012
-->

3.2.2 长三角城市创新空间自相关分析对2001-2012年历年长三角地区创新空间全局自相关Moran's I指数进行计算发现（图3）,Moran's I指数值呈现出较大的波动变化特征。2001年,Moran's I值为-0.002,接近于0,表明长三角地区创新空间自相关并不明显,呈显出空间随机分布状态。此后至2004年期间,Moran's I指数逐渐下降,且其值为负,表明长三角地区创新空间呈负相关,空间异质性有所增强。2004年之后,Moran's I值不断增加,至2007年达到最大值0.167,并通过了10%水平显著性检验,表明在此阶段期间,长三角地区创新空间关联性在不断增强,呈现出显著的正的空间相关性,即高值区域或低值区域呈现聚类分布特征。自2009年以后,Moran's I值出现下降趋势,表明长三角地区创新空间正相关性有所下降,空间异质性又有所增加。Moran's I指数的波动变化特征揭示了长三角地区创新空间格局演变的复杂性。

显示原图|下载原图ZIP|生成PPT
图32001-2012年长三角地区城市创新空间全局Moran's I值变化
-->Fig. 3Trends of the Global Moran's I of the innovation space in Yangtze River Delta region during 2001-2012
-->

进一步对长三角地区创新空间局部空间自相关进行测度,结果显示（表1）：① 整体来看,随着时间的发展,位于第一象限（HH）、第二象限（LH）的城市在不断增加,而第三象限（LL）、第四象限（HL）的城市在不断减少。这反映出创新高值区域不断增多,且空间上相互关联。创新低值聚集区正不断减少,多数原低值区正向创新高值区过渡。② 从LISA聚类地图（图4）中可以看出,位于第二象限（LH）和第四象限（LH）城市较为显著且稳定,表明长三角地区各城市创新空间仍存在一定程度的异质性。③ 具体来看,2001年,创新冷点区域为扬州、镇江和泰州,形成低值簇群。至2012年,大部分城市处于第一象限（HH）和第二象限（LH）。位于第一象限（HH）的城市有上海、苏州、无锡、常州、南京和杭州,共同构成创新高值簇群。

显示原图|下载原图ZIP|生成PPT
图42001-2012年长三角地区城市创新空间LISA聚类图
-->Fig. 4LISA cluster diagram of city innovation in Yangtze River Delta region during 2001-2012
-->

总之,长三角地区依旧处于要素持续集聚的阶段,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呈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。
Tab. 1
表1
表12001-2012年长三角城市创新水平Moran散点图整理
Tab. 1Moran scatter plots of urban innovation level in Yangtze River Delta region during 2001-2012

	2001年	2004年	2008年	2012年
第一象限（HH）	上海、苏州、无锡、杭州、台州	上海、苏州、无锡、杭州、台州	上海、苏州、无锡、杭州	上海、苏州、无锡、南通、常州、南京、杭州
第二象限（LH）	湖州、嘉兴、舟山	湖州、嘉兴、舟山、泰州、常州	常州、嘉兴、湖州、舟山、泰州、台州	扬州、镇江、泰州、湖州、嘉兴、台州、舟山
第三象限（LL）	扬州、镇江、泰州、南通、绍兴	扬州、镇江、南通、绍兴	扬州、镇江	绍兴
第四象限（HL）	南京、常州、宁波	南京、宁波	南京、南通、宁波、绍兴	宁波

新窗口打开

4 长三角地区城市创新空间差异影响因子分析

4.1 指标选取和数据处理

在已有研究的基础上,结合数据的可得性,共选取19个影响因子对长三角地区创新空间格局影响因素进行分析（表2）。由于创新活动具有周期性,创新投入产出具有滞后性等特征,因此,影响因子数据为2011年统计数据,因变量即代表创新产出的专利申请量取滞后两期的2013年统计数据。
Tab. 2
表2
表2城市创新影响因子
Tab. 2Urban innovation impact factors

符号	变量说明	符号	变量说明
X₁	普通高等学校数	X₁₁	科学与教育财政支出
X₂	高校在校大学生数	X₁₂	年末金融机构贷款余额
X₃	研发经费占GDP比例	X₁₃	实际利用外资投资金额
X₄	公共图书馆图书藏量	X₁₄	人均生产总值
X₅	国际互联网用户数	X₁₅	市辖区年末总人口
X₆	规模以上工业企业数	X₁₆	邮电业务收入
X₇	外商投资企业数	X₁₇	移动电话用户数
X₈	信息传输、计算机服务业和软件业及科学研究、技术服务和地质勘查业从业人员	X₁₈	地方财政科技支出占地方财政支出比重
X₉	工业增加值占GDP比例	X₁₉	固定资产投资额
X₁₀	高新技术产业总产值

新窗口打开
在回归分析之前,首先运用SPSS软件对各变量进行相关分析,结果表明,自变量与因变量之间的相关性显著,但自变量之间也有明显的共线性。因此,采取因子分析方法对19个影响因子进行整合,提取出三个主因子F₁、F₂、F₃,其累计贡献率达到91.677%。其中主因子F₁与X₁、X₂、X₄、X₅、X₈、X₁₁、X₁₂、X₁₅、X₁₆、X₁₇、X₁₉因子具有很高的相关性,可以称F₁为创新环境因子;F₂与X₃、X₁₀、X₁₃、X₁₄、X₁₈因子的相关性较高,反映了创新综合投入因子;F₃主因子与X₆、X₇、X₉因子的相关性较高,代表了创新规模因子（表3）。
Tab. 3
表3
表3正交旋转后的3个主因子在19个变量上的载荷矩阵
Tab. 3Load matrix of three principal factors after orthogonal rotation on 19 variables

符号	变量说明	正交旋转后的因子载荷矩阵			符号	变量说明	正交旋转后的因子载荷矩阵
符号	变量说明	F₁			F₂	F₃	F₁	F₂	F₃
X₁	普通高等学校数	0.881	0.442	0.038	X₁₁	科学与教育财政支出	0.850	0.218	0.455
X₂	高校在校大学生数	0.792	0.572	0.004	X₁₂	年末金融机构贷款余额	0.918	0.193	0.277
X₃	研发经费占GDP比例	0.590	0.746	0.186	X₁₃	实际利用外资投资金额	0.476	0.741	0.441
X₄	公共图书馆图书藏量	0.894	0.319	0.182	X₁₄	人均生产总值	0.082	0.865	0.416
X₅	国际互联网用户数	0.553	0.456	0.247	X₁₅	市辖区年末总人口	0.863	0.303	0.081
X₆	规模以上工业企业数	0.537	0.274	0.768	X₁₆	邮电业务收入	0.866	0.163	0.454
X₇	外商投资企业数	0.560	0.406	0.707	X₁₇	移动电话用户数	0.853	0.150	0.486
X₈	信息传输、计算机服务业和软件业及科学研究、技术服务和地质勘查业从业人员	0.932	0.314	-0.018	X₁₈	地方财政科技支出占地方财政支出比例	0.484	0.519	0.464
X₉	工业增加值占GDP比例	-0.171	0.275	0.928	X₁₉	固定资产投资额	0.705	0.512	0.403
X₁₀	高新技术产业总产值	0.493	0.592	0.552

新窗口打开

4.2 模型选择与结果分析

4.2.1 模型比较和选择判别使用SLM模型还是SEM模型为最优选择,一般先以OLS回归模型为基准模型,对OLS回归残差进行拉格朗日乘数检验,分为LM-Error和LM-Lag两个统计量,根据LM-Error和LM-Lag是否显著对回归模型进行选择。如果LM-Error和LM-Lag均显著,则继续比较稳健情况下两个统计量即Robust LM-Error和Robust LM-Lag的显著性,从而选择最优模型^[29]。模型选择过程和结果可以简化为表4。
Tab. 4
表4
表4模型选择
Tab. 4Model selection

LM-Error	LM-Lag	Robust LM-Error	Robust LM-Lag	最优模型
不显著	不显著	-	-	OLS回归
显著	不显著	-	-	SEM
不显著	显著	-	-	SLM
显著	显著	显著	不显著	SEM
显著	显著	不显著	显著	SLM
显著	显著	显著性水平高（低）	显著性水平低（高）	SEM(SLM)

注：Robust LM-Error和Robust LM-Lag统计量同时出现非常显著或均不显著的情况非常少见,故此处不予考虑。

新窗口打开
以专利申请受理量表征城市创新水平并作为被解释变量,三个主因子F₁、F₂、F₃为解释变量,进行回归分析,得到各模型回归结果（表5）。对OLS回归残差进行拉格朗日乘数检验结果显示Robust LM-Lag统计量在10%水平上显著,Robust LM-Error统计量不显著,因此,SLM为最优回归模型。从回归结果中也可以看出SLM的R²为71.6%,高于SEM和OLS回归模型中R²值,且SLM模型的对数似然函数值（Log likelihood）要高于另外两个模型的值,说明SLM模型更优。
Tab. 5
表5
表5OLS模型与空间回归模型估计结果比较
Tab. 5Comparison of OLS model and spatial regression model estimation

变量	OLS			SLM			SEM
变量	系数	t统计量	95%置信区间	系数	Z值	95%置信区间	系数	Z值	95%置信区间
常数	4.531	68.857	[4.388,4.674]	6.647	4.634	[3.490,9.804]	4.529	63.245	[4.373,4.685]
F₁	0.151^**	2.229	[0.003,0.300]	0.135^**	2.447	[0.014,0.257]	0.155^***	2.663	[0.028,0.282]
F₂	0.272^***	3.995	[0.123,0.420]	0.262^***	4.799	[0.142,0.383]	0.291^***	4.784	[0.159,0.424]
F₃	0.127^*	1.865	[-0.021,0.275]	0.116^**	2.104	[-0.005,0.237]	0.132^**	2.321	[0.008,0.256]
R²	0.670			0.716			0.675
Log likelihood	0.955			1.865			0.998
LM-Error	3.457^*
Robust LM-Error	0.067
LM-Lag	5.608^**
Robust LM-Lag	1.087^*
空间滞后项 $\begin{matrix} ρ \end{matrix}$				-0.461	-1.475	[-1.679,0.237]
空间误差项 $\begin{matrix} λ \end{matrix}$							0.209	0.596	[-0.555,0.973]

注：^***表示1%水平上显著;^**表示5%水平上显著;^*表示10%水平上显著。

新窗口打开
4.2.2 模型结果分析 SLM结果显示,三个解释变量F₁、F₂、F₃均通过了5%水平显著性检验,F₂通过了1%水平显著性检验,且均为正值,表明创新环境、创新综合投入和创新规模因素与各城市创新水平具有显著的正相关性。解释变量F₂的回归系数最大,值为0.262,表明城市经济实力和创新综合投入水平是影响其创新水平的关键因素。创新过程虽然不是简单的线性投入产出模型,但仍十分依赖资源的投入与保障,并且创新结果具有不确定性,需承担创新失败的风险。因此,那些经济发达、创新综合投入水平高的城市相比经济落后、创新投入水平低的城市会更具创新优势。解释变量F₁回归系数值为0.135,表明良好的创新环境是城市创新发展不可或缺的重要因素。创新环境一方面有利于吸引高素质人才等创新资源的集聚,另一方面可以促进知识溢出的发生和知识的扩散,而这正是产生创新的关键。解释变量F₃定义为创新规模因子,其回归系数值为0.116,表明创新规模同样是影响城市创新水平的重要因素。创新规模不仅能够影响城市的知识基础质量,还可能带来集聚经济,并通过本地化效应和城市化效应产生知识溢出,提高城市创新水平。

5 结论与讨论

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,考察了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,探讨了长三角地区创新空间差异的影响因素。主要研究结论有：
（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,且近年来已趋向稳定。整体来看,长三角地区创新空间格局仍处在动态变化之中,没有显著的区域特征,但局部区域呈现出特定的空间模式,呈现出以上海、南京为端点的轴线集聚特征,轴线上的上海、苏州、无锡、常州、南京形成了带状的创新活跃地区。创新集聚轴线南部区域比北部区域空间异质性更强。北部区域中创新水平相近城市如镇江、扬州和泰州在空间上相互毗邻。
（2）长三角地区创新空间已呈现出正的空间相关性,但Moran's I指数表现出较大的波动变化特征。局部空间自相关结果显示,2001年,创新冷点区域为扬州、镇江和泰州,形成低值簇群。至2012年,已无显著的冷点区域,上海、苏州、无锡、常州、南京和杭州,共同构成创新高值簇群。
（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因素是长三角地区创新空间差异的主要影响因素。
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
被引期刊影响因子

[1]	Todtling F, Asheim B, Boschma R.Knowledge sourcing, innovation and constructing advantage in regions of Europe . European Urban & Regional Studies, 2013, 20(2): 161-169. [本文引用: 1]
[2]	Asheim B T, Gertler M S.The geography of innovation: Regional innovation systems. In: Fagerberg J, Mowery D C, Nelson R R. The Oxford Handbook of Innovation. London: Oxford University Press, 2005: 210-229. [本文引用: 2]
[3]	Ratanawaraha A, Polenske K R.Measuring the geography of innovation: A literature review. In: Polenske K R. The Economic Geography of Innovation. London: Cambridge University Press, 2007: 30-59. [本文引用: 2]
[4]	Feldman M P.The Geography of Innovation . Netherland: Springer, 1994.
[5]	吕拉昌, 黄茹, 廖倩. 创新地理学研究的几个理论问题 . 地理科学, 2016, 36(5): 653-661. [Lv Lachang, Huang Ru, Liao Qian.Several theoretical issues on innovation geography . Scientia Geographica Sinica, 2016, 36(5): 653-661.]
[6]	邓羽, 司月芳. 西方创新地理研究评述 . 地理研究, 2016, 35(11): 2041-2052.https://doi.org/10.11821/dlyj201611004 URL Magsci [本文引用: 1]摘要 <p>创新是区域经济发展的重要驱动力,创新地理研究得到了西方地理学界的重视。追溯西方创新地理研究的发展历程：从创新的空间特征描述,经区域创新集聚机制探索,到跨区域知识传播和创新网络演化机理的研究;系统梳理了20世纪90年代以来西方创新地理研究的代表人物、空间尺度、研究内容、主要观点和研究方法。研究发现：西方创新地理研究存在以下缺憾：重视创新组织,忽略了创新个体和组织之间的互动关系研究;重视理论反思,缺乏对实证研究的重视和方法的突破;欧美研究占绝对主流,缺乏基于发展中国家实证的反思。因此,未来应围绕着创新主体,运用定量和定性相结合的研究方法,建立基于中国等发展中国家实践的新型创新地理研究框架。</p> [Deng Yu, Si Yuefang.The progress and prospect of innovation geography research in the west . Geographical Research, 2016, 35(11): 2041-2052.]https://doi.org/10.11821/dlyj201611004 URL Magsci [本文引用: 1]摘要 <p>创新是区域经济发展的重要驱动力,创新地理研究得到了西方地理学界的重视。追溯西方创新地理研究的发展历程：从创新的空间特征描述,经区域创新集聚机制探索,到跨区域知识传播和创新网络演化机理的研究;系统梳理了20世纪90年代以来西方创新地理研究的代表人物、空间尺度、研究内容、主要观点和研究方法。研究发现：西方创新地理研究存在以下缺憾：重视创新组织,忽略了创新个体和组织之间的互动关系研究;重视理论反思,缺乏对实证研究的重视和方法的突破;欧美研究占绝对主流,缺乏基于发展中国家实证的反思。因此,未来应围绕着创新主体,运用定量和定性相结合的研究方法,建立基于中国等发展中国家实践的新型创新地理研究框架。</p>
[7]	Alecke B, Alsleben C, Scharr F, et al.Are there really high-tech clusters? The geographic concentration of German manufacturing industries and its determinants . The Annals of Regional Science, 2006, 40(1): 19-42.https://doi.org/10.1007/s00168-005-0014-x URL [本文引用: 1]摘要 The agglomeration of industries has recently received much interest both in empirical and theoretical works time. Especially in Germany politicians became inspired by the notion of high-technology industry clusters, and regional policy has seen a wave of initiatives aiming at the formation of such clusters. This paper explores in a systematic way the geographic concentration of German manufacturing industries and relates it to industry characteristics and agglomeration forces proposed by theory. The main finding is that there is no general relationship between agglomeration and high-technology related business which suggests that hope put in the fast and effective development of “high-tech” clusters might see some disappointments in the future.
[8]	Fornahl D, Brenner T.Geographic concentration of innovative activities in Germany . Structural Change and Economic Dynamics, 2009, 20(3): 163-182.https://doi.org/10.1016/j.strueco.2009.05.001 URL Magsci摘要 <h2 class="secHeading" id="section_abstract">Abstract</h2><p id="">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.</p>
[9]	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.https://doi.org/10.11821/dlyj201410004 URL Magsci摘要 <p>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。</p> [Jiang Tianying.Spatial differentiation and its influencing factors of regional innovation output in Zhejiang province . Geographical Research, 2014, 33(10): 1825-1836.]https://doi.org/10.11821/dlyj201410004 URL Magsci摘要 <p>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。</p>
[10]	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.https://doi.org/10.11821/dlxb201412004 URL [本文引用: 2]摘要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。 [Cheng Yeqing, Wang Zheye, Ma Jing.Analyzing the space-time dynamics of innovation in China . Acta Geographica Sinica, 2014, 69(12): 1779-1789.]https://doi.org/10.11821/dlxb201412004 URL [本文引用: 2]摘要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。
[11]	段德忠, 杜德斌, 刘承良. 上海和北京城市创新空间结构的时空演化模式 . 地理学报, 2015, 70(12): 1911-1925.https://doi.org/10.11821/dlxb201512005 URL摘要基于城市邮编区划空间数据库,从创新产出的视角建构城市创新评价指标体系,对1991-2014年上海市和北京市的创新空间结构的空间演化模式进行了探讨。研究发现：1邮政区划为研究城市创新空间结构的生长提供了全新的视角,基于随机边缘点连线以及泰森多边形法构建的城市邮编空间数据库评价城市创新空间结构的结果较为理想,因此具有推广价值;2 25年间,上海市和北京市的创新空间结构生长体现出了诸多的共性特征：随着参与创新的城市空间单元逐年增加,区域创新产出虽总体差距在缩小,但空间集聚趋势在加剧;3 25年间,上海市和北京市的创新空间结构生长也体现出了共性上的差异性,其中上海市创新空间结构在创新资源郊区化转移的趋势下,呈现出由单核驱动向多核共振演进,以交通干道为空间扩散廊道的辐射效应凸显,相应的,其创新产出空间关联效应也显现出了市中心空心化现象;而北京市创新空间结构始终为市中心单核主导型,并在创新资源不断向中心集聚趋势下,其创新产出空间关联效应呈现出＂农村包围城市＂的演化特征;4上海市和北京市创新空间结构与其所在的区域创新空间结构（长三角城市群和京津冀城市群）具有内在的一致性,表明城内尺度科技创新活动空间分布的均衡与非均衡规律与其所处的区域创新格局密切相关。 [Duan Dezhong, Du Debin, Liu Chengliang.Spatial-temporal evolution mode of urban innovation spatial structure: A case study of Shanghai and Beijing . Acta Geographica Sinica, 2015, 70(12): 1911-1925.]https://doi.org/10.11821/dlxb201512005 URL摘要基于城市邮编区划空间数据库,从创新产出的视角建构城市创新评价指标体系,对1991-2014年上海市和北京市的创新空间结构的空间演化模式进行了探讨。研究发现：1邮政区划为研究城市创新空间结构的生长提供了全新的视角,基于随机边缘点连线以及泰森多边形法构建的城市邮编空间数据库评价城市创新空间结构的结果较为理想,因此具有推广价值;2 25年间,上海市和北京市的创新空间结构生长体现出了诸多的共性特征：随着参与创新的城市空间单元逐年增加,区域创新产出虽总体差距在缩小,但空间集聚趋势在加剧;3 25年间,上海市和北京市的创新空间结构生长也体现出了共性上的差异性,其中上海市创新空间结构在创新资源郊区化转移的趋势下,呈现出由单核驱动向多核共振演进,以交通干道为空间扩散廊道的辐射效应凸显,相应的,其创新产出空间关联效应也显现出了市中心空心化现象;而北京市创新空间结构始终为市中心单核主导型,并在创新资源不断向中心集聚趋势下,其创新产出空间关联效应呈现出＂农村包围城市＂的演化特征;4上海市和北京市创新空间结构与其所在的区域创新空间结构（长三角城市群和京津冀城市群）具有内在的一致性,表明城内尺度科技创新活动空间分布的均衡与非均衡规律与其所处的区域创新格局密切相关。
[12]	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.https://doi.org/10.18306/dlkxjz.2016.10.004 URL [本文引用: 1]摘要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。 [Hou Chunguang, Cheng Yu, Ren Jianlan, et al.Spatiotemporal changes and influencing factors of innovation capacity in China . Progress in Geography, 2016, 35(10): 1206-1217.]https://doi.org/10.18306/dlkxjz.2016.10.004 URL [本文引用: 1]摘要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。
[13]	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.https://doi.org/10.1007/s00168-014-0618-0 URL [本文引用: 1]摘要 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.
[14]	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.https://doi.org/10.11821/xb201002005 URL摘要基于问卷、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。以城市间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。 [Lv Lachang, Li Yong.A research on chinese renovation urban system based on urban renovation function . Acta Geographica Sinica, 2010, 65(2): 177-190.]https://doi.org/10.11821/xb201002005 URL摘要基于问卷、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。以城市间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。
[15]	李丹丹, 汪涛, 魏也华, 等. 中国城市尺度科学知识网络与技术知识网络结构的时空复杂性 . 地理研究, 2015, 34(3): 525-540.https://doi.org/10.11821/dlyj201503011 URL Magsci [本文引用: 1]摘要 <p>知识在产业集聚、区域创新中的地位越来越突出,城市知识储量及其在区域知识网络中的地位对城市的综合竞争力有重要影响。学术论文合作与专利合作是知识溢出的体现形式,是科学和技术发展的重要成果,也是度量区域创新能力的主要指标。以2000-2009年中国生物技术领域合著论文和共同申请专利的信息为原始数据,分别构建中国城市间科学知识网络(scientific knowledge network,SKN)与技术知识网络(technological knowledge network,TKN)。运用复杂网络与地学空间分析方法,从整体网络结构特征、择优链接性、中心城市及其自我网络的空间特征等方面进行分析,探究知识溢出的时空复杂性。研究表明：①SKN和TKN具有无标度网络特征;SKN节点度数的异质性高于TKN。②两种网络均呈异配性,即城市选择合作对象存在明显择优链接性,知识溢出具有粘着性和空间依赖性。③SKN中心城市具有明显的等级结构,空间分布总体呈“大分散小集聚”特点;TKN中心城市层级结构不明显,尚未形成明显极化中心。④SKN中心城市自我网络的合作空间,由最初的沿海省会城市间的合作转向长三角、珠三角、京津冀等区域间和沿海城市与内陆城市间的合作,区域间知识溢出明显;TKN中心城市自我网络仍多分布于沿海城市和少数中西部省会城市,区域间知识溢出不明显。⑤SKN中心城市及其自我网络的时空演变存在等级扩散和传染扩散的现象,符合时空梯度推移规律,且空间等级梯度逐渐向扁平化转变;TKN中心城市及其自我网络的时空演变以等级扩散为主,时空梯度推移现象不明显。研究结论为量化知识溢出及知识溢出网络结构的时空演化过程提供新的研究视角,对城市创新政策的制定有一定借鉴意义。</p> [Li Dandan, Wang Tao, Wei Yehua, et al.Spatial and temporal complexity of scientific knowledge network and technological knowledge network on China's urban scale . Geographical Research, 2015, 34(3): 525-540.]https://doi.org/10.11821/dlyj201503011 URL Magsci [本文引用: 1]摘要 <p>知识在产业集聚、区域创新中的地位越来越突出,城市知识储量及其在区域知识网络中的地位对城市的综合竞争力有重要影响。学术论文合作与专利合作是知识溢出的体现形式,是科学和技术发展的重要成果,也是度量区域创新能力的主要指标。以2000-2009年中国生物技术领域合著论文和共同申请专利的信息为原始数据,分别构建中国城市间科学知识网络(scientific knowledge network,SKN)与技术知识网络(technological knowledge network,TKN)。运用复杂网络与地学空间分析方法,从整体网络结构特征、择优链接性、中心城市及其自我网络的空间特征等方面进行分析,探究知识溢出的时空复杂性。研究表明：①SKN和TKN具有无标度网络特征;SKN节点度数的异质性高于TKN。②两种网络均呈异配性,即城市选择合作对象存在明显择优链接性,知识溢出具有粘着性和空间依赖性。③SKN中心城市具有明显的等级结构,空间分布总体呈“大分散小集聚”特点;TKN中心城市层级结构不明显,尚未形成明显极化中心。④SKN中心城市自我网络的合作空间,由最初的沿海省会城市间的合作转向长三角、珠三角、京津冀等区域间和沿海城市与内陆城市间的合作,区域间知识溢出明显;TKN中心城市自我网络仍多分布于沿海城市和少数中西部省会城市,区域间知识溢出不明显。⑤SKN中心城市及其自我网络的时空演变存在等级扩散和传染扩散的现象,符合时空梯度推移规律,且空间等级梯度逐渐向扁平化转变;TKN中心城市及其自我网络的时空演变以等级扩散为主,时空梯度推移现象不明显。研究结论为量化知识溢出及知识溢出网络结构的时空演化过程提供新的研究视角,对城市创新政策的制定有一定借鉴意义。</p>
[16]	Feldmann M P.Location and innovation: The new economic geography of innovation, spillovers, and agglomeration. In: Clark G L, Feldman M P, Gertler M S, et al. The Oxford Handbook of Economic Geography. London: Oxford University Press, 2000: 373-394. [本文引用: 1]
[17]	Tappeiner G, Hauser C, Walde J.Regional knowledge spillovers: Fact or artifact . Research Policy, 2008, 37(5): 861-874.https://doi.org/10.1016/j.respol.2007.07.013 URL [本文引用: 1]摘要 The explanation of different levels of innovation and their spatial distribution represents the central focus of the analysis. The empirical literature documents the incidence of spatial autocorrelation in patenting activities and interprets them as evidence for knowledge spillovers. Alternatively, the authors propose the spatial pattern of input variables in innovation processes as driving forces of patenting autocorrelation. They analyze 51 Nuts 1 regions in Europe and find that the high degree of spatial autocorrelation exhibited by patent applications can be explained comprehensively by the spatial location of the input factors in the knowledge production function. These are traditional indicators on R&D investments and human capital from Eurostat and proxy variables on social capital from the European Values Study. This finding has important implications for the scope of an autonomous regional innovation policy.
[18]	Storper M, Venables A J.Buzz: Face-to-face contact and the urban economy . Journal of Economic Geography, 2004, 4(4): 351-370. [本文引用: 1]
[19]	Howells J R L. Tacit knowledge, innovation and economic geography . Urban Studies, 2002, 39(5-6): 871-884. [本文引用: 1]
[20]	Simmie J.Innovation and space: A critical review of the literature . Regional Studies, 2005, 39(6): 789-804.https://doi.org/10.1080/00343400500213671 URL [本文引用: 1]摘要 Simmie J. (2005) Innovation and space: a critical review of the literature. Regional Studies 39 , 789–804. This review examines the relationships between innovation and space. It does so by tracing the historical development of innovation theory and its subsequent linking at different stages with spatial and agglomeration theory in order to provide explanations about why the firms, organizations and institutions located in a minority of city‐regions generate so much more innovation than those in the majority of cities. It addresses the key question about why a relative handful of city‐regions are home to higher absolute and relative concentrations of innovation than most other types of area.
[21]	蒋天颖, 刘程军. 长江三角洲区域创新与经济增长的耦合协调研究 . 地域研究与开发, 2015, 34(6): 8-13.URL Magsci [本文引用: 1]摘要在回顾相关文献的基础上，重构区域创新与经济增长综合评价指标体系，利用熵值法获得区域创新与经济增长的综合评价指数。以此为基础，运用耦合协调度模型测度长江三角洲区域创新与经济增长的耦合协调状况，并对各区域的耦合协调度进行空间统计分析。2003—2013年，长江三角洲区域创新、经济增长的差异较大，区域创新与经济增长均呈现波动上升的趋势，区域间的差距呈扩大态势；区域创新与经济增长耦合协调度呈上升趋势，整体上耦合协调度从0.151上升为0.293，其中高耦合协调度的区域为上海，苏州、南京与杭州属于较高耦合协调度区域，无锡与宁波也从较低耦合协调发展为较高耦合协调，湖州与舟山则相对靠后；长江三角洲区域创新与经济增长耦合协调度呈现集聚态势，热点区域基本稳定，其他区域仍处于变动当中。 [Jiang Tianying, Liu Chengjun.Coupling development between regional innovation and economic growth in Yangtze River Delta . Areal Research & Development, 2015, 34(6): 8-13.]URL Magsci [本文引用: 1]摘要在回顾相关文献的基础上，重构区域创新与经济增长综合评价指标体系，利用熵值法获得区域创新与经济增长的综合评价指数。以此为基础，运用耦合协调度模型测度长江三角洲区域创新与经济增长的耦合协调状况，并对各区域的耦合协调度进行空间统计分析。2003—2013年，长江三角洲区域创新、经济增长的差异较大，区域创新与经济增长均呈现波动上升的趋势，区域间的差距呈扩大态势；区域创新与经济增长耦合协调度呈上升趋势，整体上耦合协调度从0.151上升为0.293，其中高耦合协调度的区域为上海，苏州、南京与杭州属于较高耦合协调度区域，无锡与宁波也从较低耦合协调发展为较高耦合协调，湖州与舟山则相对靠后；长江三角洲区域创新与经济增长耦合协调度呈现集聚态势，热点区域基本稳定，其他区域仍处于变动当中。
[22]	Gaschet F.Regional innovation systems and economic performance: Between regions and nations . European Planning Studies, 2015, 23(2): 262-291.https://doi.org/10.1080/09654313.2013.861809 URL [本文引用: 1]摘要 This article aims at assessing the diversity of regional innovation systems and their economic performance in Europe. We propose to adapt the social systems of innovation and production (SSIP) framework at the regional level by identifying the specific arrangements of each part of the innovation and production system. Three key features of European regions are investigated using this framework: the diversity of regional SSIP, the interplay of regional and national determinants of such systems, and the impact of SSIP on regional performance. We identify a typology of regional configurations resulting from the combination of scientific, technological, educational and industrial indicators, using multivariate data analysis. A variance analysis approach is then developed in order to test the existence of specific regional growth regimes. The results highlight a persistently high level of diversity of regional configurations, notably among knowledge intensive regions, but also show that national institutional settings remain of fundamental importance in shaping a number of regional configurations. A final conclusion relates to the weak correlation observed between the structural characteristics of regions and their performance over the 2003–2007 period: regional performance remains primarily shaped by national trends. Overall, the paper questions the regional dimension of these “systems”.
[23]	王承云, 张婷婷. 长三角地区研发产业的空间结构演化 . 地理科学进展, 2012, 31(8): 989-996.https://doi.org/10.11820/dlkxjz.2012.08.001 URL Magsci [本文引用: 1]摘要本文旨在探讨研发产业的空间集聚规律和研发产业区域差异的空间特性, 揭示地理临近与产业网络形成及研发产业在城市体系间的内在关联。基于实地调查和R&D普查数据, 采用因子分析、聚类分析、GIS 制图等方法, 以区位理论和城市空间结构为理论依据, 探讨了长三角地区16 城市研发产业的空间演化过程, 分析了研发产业的影响因子。研究表明:影响研发产业的主要因子依次为:产业发展综合实力因子、产业结构因子、产业竞争力因子、经济结构支持因子、经济发展水平因子、研发活跃度因子等6 大类因子。研究结果表明, 2000 年长三角地区研发产业空间结构的显著特征是集聚在以上海为中心的单极空间模式。之后发展到2007 年, 南京、杭州、苏州等城市研发产业发展呈快速增长态势, 空间上表现为由单极集中转向多极分散的趋势。研究认为:今后长三角地区研发产业区域差异格局将逐步形成, 呈现为以上海、南京、杭州为顶点的区域内部的三角形格局。 [Wang Chengyun, Zhang Tingting.Spatial evolution and influencing factors of R&D industry in the Yangtze River Delta region . Progress in Geography, 2012, 31(8): 989-996.]https://doi.org/10.11820/dlkxjz.2012.08.001 URL Magsci [本文引用: 1]摘要本文旨在探讨研发产业的空间集聚规律和研发产业区域差异的空间特性, 揭示地理临近与产业网络形成及研发产业在城市体系间的内在关联。基于实地调查和R&D普查数据, 采用因子分析、聚类分析、GIS 制图等方法, 以区位理论和城市空间结构为理论依据, 探讨了长三角地区16 城市研发产业的空间演化过程, 分析了研发产业的影响因子。研究表明:影响研发产业的主要因子依次为:产业发展综合实力因子、产业结构因子、产业竞争力因子、经济结构支持因子、经济发展水平因子、研发活跃度因子等6 大类因子。研究结果表明, 2000 年长三角地区研发产业空间结构的显著特征是集聚在以上海为中心的单极空间模式。之后发展到2007 年, 南京、杭州、苏州等城市研发产业发展呈快速增长态势, 空间上表现为由单极集中转向多极分散的趋势。研究认为:今后长三角地区研发产业区域差异格局将逐步形成, 呈现为以上海、南京、杭州为顶点的区域内部的三角形格局。
[24]	Griliches Z.Patent statistics as economic indicators indicators: A survey . Journal of Economic Literature, 1990, 28(4): 1661-1707.URL [本文引用: 1]摘要 This survey reviews the growing use of patent data in economic analysis. After describing some of the main characteristics of patents and patent data, it focuses on the use of patents as an indicator of technological change. Cross-sectional and time-series studies of the relationship of patents to R&D expenditures are reviewed, as well as scattered estimates of the distribution of patent values and the value of patent rights, the latter being based on recent analyses of European patent renewal data. Time-series trends of patents granted in the U.S. are examined and their decline in the 1970s is found to be an artifact of the budget stringencies at the Patent Office. The longer run downward trend in patents per R&D dollar is interpreted not as an indication of diminishing returns but rather as a reflection of the changing meaning of such data over time. The conclusion is reached that, in spite of many difficulties and reservations, patent data remain a unique resource for the study of technical change.
[25]	Storper M, Sonn J W.The increasing importance of geographical proximity in knowledge production: An analysis of US patent citations, 1975-1997 . Environment & Planning A, 2008, 40(5): 1020-1039.https://doi.org/10.1068/a3930 URL [本文引用: 1]摘要 Much literature suggests that knowledge-production activities are still heavily dependent upon geographically proximate sources of information, in spite of rapid development in telecommunications technology. Some analysts believe that the importance of proximity in knowledge production will eventually disappear with the continued development of telecommunications. The authors analyse patent citations and find that, after controlling for the existing distribution of knowledge-production activities, the proportion of local citations has increased over time. This finding reinforces the notion that in contemporary knowledge production and innovation the role for geographical proximity is increasing.
[26]	马荣华, 蒲英霞, 马晓冬. GIS空间关联模式发现. 北京: 科学出版社, 2007. [本文引用: 2] [Ma Ronghua, Pu Yingxia, Ma Xiaodong.Discovery GIS Spatial Correlation Pattern. Beijing: Science Press, 2007.] [本文引用: 2]
[27]	关伟, 朱海飞. 基于ESDA的辽宁省县际经济差异时空分析 . 地理研究, 2011, 30(11): 2008-2016.https://doi.org/10.11821/yj2011110007 URL Magsci [本文引用: 1]摘要以县域(含县、县级市、市辖区)为研究单元,采用人均GDP为测度指标,运用ESDA的方法对2000~2009年辽宁省县际经济差异的时空格局进行分析,认为辽宁省县际经济具有显著的空间自相关,区县经济差异呈现先扩大后缩小的趋势。在局部差异方面,"高-高"类型的区县主要集中在沈阳、大连地区并有向沿海地区扩散的趋势,"低-低"类型的区县主要集中在阜新、朝阳及葫芦岛等所属的广大辽西地区。经济热点区县在空间分布上虽表现出一定的随机性和不稳定性,但仍以沈阳地区、大连地区最为活跃。在进一步从历史发展基础、区位条件、政策因素、空间近邻效应等方面分析辽宁省县际经济差异驱动机制的基础上,指出"辽宁沿海经济带"和"沈阳经济区新型工业化综合配套改革试验区"上升为国家战略后,沈阳、大连在辽宁沿海经济带、沈阳经济区中的核心地位已经确立,但其辐射功能或带动作用仍然有限。 [Guan Wei, Zhu Haifei.Spatio-temporal analysis of inter-county economic differences in Liaoning province based on ESDA . Geographical Research, 2011, 30(11): 2008-2016.]https://doi.org/10.11821/yj2011110007 URL Magsci [本文引用: 1]摘要以县域(含县、县级市、市辖区)为研究单元,采用人均GDP为测度指标,运用ESDA的方法对2000~2009年辽宁省县际经济差异的时空格局进行分析,认为辽宁省县际经济具有显著的空间自相关,区县经济差异呈现先扩大后缩小的趋势。在局部差异方面,"高-高"类型的区县主要集中在沈阳、大连地区并有向沿海地区扩散的趋势,"低-低"类型的区县主要集中在阜新、朝阳及葫芦岛等所属的广大辽西地区。经济热点区县在空间分布上虽表现出一定的随机性和不稳定性,但仍以沈阳地区、大连地区最为活跃。在进一步从历史发展基础、区位条件、政策因素、空间近邻效应等方面分析辽宁省县际经济差异驱动机制的基础上,指出"辽宁沿海经济带"和"沈阳经济区新型工业化综合配套改革试验区"上升为国家战略后,沈阳、大连在辽宁沿海经济带、沈阳经济区中的核心地位已经确立,但其辐射功能或带动作用仍然有限。
[28]	Anselin Luc.Local indicators of spatial association: LISA . Geographical Analysis, 1995, 27(2): 93-115.URL [本文引用: 1]
[29]	姜磊. 空间回归模型选择的反思 . 统计与信息论坛, 2016, 31(10): 10-16.https://doi.org/10.3969/j.issn.1007-3116.2016.10.002 URL [本文引用: 1]摘要空间计量经济学存在两种最基本的模型:空间滞后模型和空间误差模型,这里旨在重新思考和探讨这两种空间回归模型的选择,结论为:Moran’s I指数可以用来判断回归模型后的残差是否存在空间依赖性;在实证分析中,采用拉格朗日乘子检验判断两种模型优劣是最常见的做法。然而,该检验仅仅是基于统计推断而忽略了理论基础,因此,可能导致选择错误的模型;在实证分析中,空间误差模型经常被选择性遗忘,而该模型的适用性较空间滞后模型更为广泛;实证分析大多缺乏空间回归模型设定的探讨,Anselin提出三个统计量,并且,如果模型设定正确,应该遵从Wald统计量Log likelihood统计量LM统计量的排列顺序。 [Jiang Lei.The choice of spatial econometric models reconsidered in empirical studies . Statistics & Information Forum, 2016, 31(10): 10-16.]https://doi.org/10.3969/j.issn.1007-3116.2016.10.002 URL [本文引用: 1]摘要空间计量经济学存在两种最基本的模型:空间滞后模型和空间误差模型,这里旨在重新思考和探讨这两种空间回归模型的选择,结论为:Moran’s I指数可以用来判断回归模型后的残差是否存在空间依赖性;在实证分析中,采用拉格朗日乘子检验判断两种模型优劣是最常见的做法。然而,该检验仅仅是基于统计推断而忽略了理论基础,因此,可能导致选择错误的模型;在实证分析中,空间误差模型经常被选择性遗忘,而该模型的适用性较空间滞后模型更为广泛;实证分析大多缺乏空间回归模型设定的探讨,Anselin提出三个统计量,并且,如果模型设定正确,应该遵从Wald统计量Log likelihood统计量LM统计量的排列顺序。

长三角城市创新空间的集聚与溢出效应

本站小编 Free考研考试/2021-12-29

Spatial agglomeration and spillover effects of urban innovation in Yangtze River Delta

1 引言