多维邻近视角下高技术产业创新均衡与集聚效应研究

类骁

摘要：将高技术产业创新能力划分为创新投入、创新产出和创新环境三个维度，利用Theil指数方法，测算2013～2017京津冀和长三角地区高技术产业创新能力综合评价值和不均衡度;在此基础上拓展空间邻近概念，引入经济距离权重和信息化水平距离权重，研究创新集聚特征。研究发现：经济邻近和信息化邻近下高技术产业创新集聚效应显著，地理距离已不再是集聚的主要限制因素;长三角地区的创新综合评价值较高，不平衡度较低，集聚效应显著;京津冀地区综合评价值差距较大，不平衡度明显，但呈减小趋势，集聚效应不显著，创新均衡有待提升。

Abstract： Dividing high technology industry innovative capacity into innovation input， output and environment， introducing the Theil index， this paper measures innovative capacity evaluation and inequality of the Beijing-Tianjin-Hebei and Yangtze river delta region based on 2013-2017 panel data. Introducing economic distance weighting and the information distance weighting to extend the multi dimensions of proximity， the paper analyzes innovation agglomeration features. Results show that innovation has significant agglomeration effect under economic and information proximity， and geographic distance is no longer main limiting factor. The evaluation is higher with low inequality and significant agglomeration in the Yangtze river delta region. The gap of evaluation is large with obvious inequality and non-significant agglomeration， but the inequality decrease recent years， and in the whole， the innovative equality needs to be promoted.

关键词：创新能力;不均衡度;信息化邻近;集聚效应

Key words： innovative capacity;inequality;information proximity;agglomeration

中图分类号：F276.44                                     文献标识码：A                                  文章编号：1006-4311（2019）18-0001-04

0  引言

进入21世纪以后，高技术产业利用其将科技知识转化为新产品、新工艺、新流程的突出优势，以及高带动性、高附加值的特点，迅速成为世界各国的重要经济增长源泉和科技发展助推器，是体现国家竞争力的核心力量。2013年至2017年我国高技术产业总产值从11.2万亿跃升至17.0万亿，是国民经济的重要支柱之一，且企业数、从业人员数、专利数等各项指标保持了良好的增长趋势，形成了以环渤海等四大高新產业密集区为核心，以长三角、京津冀、珠三角为局部中心的遍布全国的100多个高新技术产业开发区，成为我国区域创新发展的核心力量。

目前，我国高技术产业规模已跃升至世界前列，但投入产出效率仍较低，创新推动作用明显不足[1]。为此，国内学者从不同的角度对高技术产业创新开展了研究：①创新效率测算。肖仁桥等（2011）从价值链的角度对我国高技术产业的创新效率进行测度，建立了高技术产业创新效率评价指标体系，包含R&D人员全时当量、资金投入、专利申请量、拥有发明专利量等指标[2]。史丹和李晓斌分析了高技术产业发展的影响因素，认为R&D资金投入和创新型人力资源的投入将影响[3];②创新能力衡量。徐玲等（2011）将高技术产业技术创新能力指标分为创新投入能力、研发能力、创新生产能力和创新产出能力[6];陈萍、贾志永等（2008）从技术创新投入能力和创新产出能力两个角度构建了高技术产业创新能力评价指标及计算公式，并对我国省域进行了实证综合评价[7];汪良兵等（2014）从复杂系统论的角度出发，将我国高技术产业创新体系分为创新环境、技术研发、技术吸收、创新产出[8];李海超等（2015）运用系统动力学方法，从纵向和横向对高技术产业创新能力进行了评价[9]。③创新集聚研究。高技术产业具有规模收益递增和外部溢出辐射效应，易形成集聚效应、区位效应和联动效应。王子龙、谭清美等（2006）首次对高技术产业的空间集聚效应指数和行业集中度进行了测定，并指出当前阶段我国高技术产业的总体的企业集聚水平正在不断提高[10];施海燕等（2013）构建了该技术产业集聚度指标，研究显示我国高技术产业空间分布呈现“两极化”特征[11];晋盛武等（2015）基于高技术产业面板数据，探讨产业集聚、就业水平的空间分布关系[12]。

总体来看，现有研究相对割裂和单一，只关注于测度创新能力、效率、集聚度的等指标，对内部制约因素、渠道、平衡度等关键要素未进行深入探讨，无法针对性的就高技术产业的未来布局和平衡发展问题提供意见和建议。为此，文章以我国高技术产业示范区——京津冀和长三角为研究对象，利用熵指数方法测度高技术产业创新能力，并利用Theil指数对均衡性进行分析;之后，借助空间计量工具研究创新集聚和分布特征;最后，提出提升高技术产业创新均衡发展政策建议。

1  模型方法

1.1 熵和Theil指数基本原理

熵概念最早由Shannon提出，是在信息理论中对随机事件的不确定性的度量，常用来对社会经济体的经济指标进行不均衡度分布进行测度。其基本思想是，对某一个属性而言，如果表现接近，则该属性作用表现不突出，属性指标间的差异越大，提供的信息越多，属性也越重要，必然事件所包含的信息量是0，等概率事件的信息量最大[13]。其计算公式如下：

■（1）

其中，k是正常数，pi是一个离散的概率分布，上式被称为概率分布pi的熵。

设系统有n个待选对象集，有m个评价因素，第i个指标对第j个备择对象的评价用指标特征量xij来表示，建立如下的评价指标m×n阶特征量矩阵，并对特征量进行标准化处理，令■，于是得到归一化矩阵。

■

（2）

引入Theil不均衡指数[7]：

■（3）

其中，■，对上面的公式进行变换，结合前面得出的归一化矩阵，第i个指标的不均衡度表示为：

■（4）

下面定义熵矢量■，则■，第j个对象的综合评价值[9]为：

■（5）

定义不均衡度为Z：

■（6）

据此，本文将京津冀、长三角的高技术产业作为对象，以高技术产业创新能力的指标作为随机变量，引入Theil指数测度不均衡度。

1.2 多维权重矩阵组

大数据、云计算、物联网等新兴信息技术的发展极大程度的打破了传统距离因素的限制，产业集聚的辐射作用也被空前放大。为此，文章引入经济距离矩阵、信息化水平距离矩阵，加上地理距离矩阵构成多维权重矩阵组，研究不同邻近条件下高技术产业创新集聚效应和分布情况。

地理距离矩阵W1：采用地区省会城市间直线距离平方的倒数测度地理距离，设dij为地区i和地区j地理距离，则权重矩阵元素wij表示為：

经济距离矩阵W2：采用人均GDP差距的倒数测度经济距离差距，设地区i和地区j的人均GDP分别为perGDPi和perGDPj，则权重矩阵元素wij表示为：

信息化水平距离矩阵W3：采用信息化发展指数差距倒数测度信息化水平差距，设地区i和地区j的信息化水平分别为ICTi和ICTj，则权重矩阵元素wij表示为：

2  模型建立和结果分析

2.1 指标体系构建

指标选取遵循准确性、系统性和可比性原则，为体现高技术产业在创新投入产出中的多因素复杂关系，文章参照《中国高技术产业统计年鉴》、《中国科技统计年鉴》等相关资料文件，选取初始指标，采用主成分分析法筛选计算，最终建立了以创新投入、创新产出、创新环境为一级指标的高技术产业创新能力指标体系，如表1所示。

根据选定指标，选取2013～2017年数据测算京津冀和长三角集聚区高技术产业创新能力和不平衡度;同时，计算2013～2017年我国省域的多维权重矩阵组。其中，数据来自于历年的《中国高技术统计年鉴》、《中国科技统计年鉴》、《中国统计年鉴》、《中国信息化发展水平报告》和中华人民共和国科技部网站。

2.2 模型求解和分析

借助Matlab2016b求解得出京津冀和长三角地区高技术创新能力评价值，如表2所示。

计算2013～2017年的不均衡度评价值，如图1所示。

利用Geoda095i检验2013～2017年高技术产业创新能力评价均值在多维度权重下的全局空间自相关关系，如图2和图3所示，经济距离矩阵、信息化水平距离矩阵下的创新能力评价值通过了显著性检验，Morans I指数分别为0.332和0.407，地理距离矩阵未通过显著性检验。

将高技术产业创新能力评价均值的局部自相关关系和集聚情况展示在图4和图5的LISA分布图中，重点观测京津冀和长三角地区特征。图4和图5中，长三角地区均处于HH象限中，已基本形成“创新合力”局面，能显著带动周边省份的高技术产业创新;京津冀地区的高技术产业创新未表现出显著的集聚特征，核心地区的创新辐射作用不显著。

3  结论与建议

①从创新均衡效应总体来看，长三角地区高技术产业创新能力综合评价指标在观测年份较高，差距较小，不平衡度在观测年份始终在0.17以下，创新发展已较均衡;京津冀地区的综合评价指标低于长三角地区，差距明显，不平衡度较高。

分析原因，可能是早在1990年上海就确立了经济、金融、航运中心的地位，龙头作用显著;外商投资引入早，为高技术发展和技术溢出提供了渠道和保障;始终保持着稳定的贸易进出口额;具备自主创新能力的大中企业密集，研发机构和高校散布更均衡;三省市信息通信技术应用能力、网络就绪度等指标均位居全国前列，大数据、物联网等新型信息技术的应用与发展迅猛;京津冀地区在以上方面的发展布局稍晚，部分地区基础设施建设较缓慢，创新发展所需的外资比重也相对较低。

②从均衡效应的评价值来看，上海、江苏、浙江在观测年份的评价值均在0.6左右，且保持了较稳定的增长趋势，不平衡度除12年外均保持稳步下降趋势;其中，江苏省自12年起创新能力评价值便位居全国第一，根据统计局的相关数据，12年江苏省在高端装备、新能源、生物制药等多个新兴产业增速迅猛，一举奠定了其在全国高技术产业中的地位。

虽然京津冀地区的创新能力评价值差距仍较明显，但不平衡度逐年较低，特别是15年已降至0.2以下;北京的评价值始终保持在较高水平，天津近两年迅速“赶上”，已接近北京和长三角地区的水平，有望在未来几年同北京形成京津冀及周边地区高技术产业的创新“双擎”，河北近年来在省内5大高新技术产业开发区的带动下发展势头良好;总体而言，京津冀地区仍需继续加强创新一体化建设，转变创新思路和不平衡的创新发展模式。

③从集聚效应来看，就全国而言经济邻近和信息化邻近下的高技术产业创新集聚效应显著，Morans I指数分别达到了0.332和0.407，充分说明经济上的密切往来、即时信息和通信技术带来的便利已成功代替了地理邻近对创新溢出和知识传播的作用，多维邻近下的产业集聚和空间集聚的新趋势将逐步凸显。

④长三角地区集聚效应更显著，在经济邻近和信息化邻近下均显著呈现为“H-H”（“高-高”）的局域性创新分布特征，说明上海、江苏、浙江不管在经济发展、信息通信水平以及高技术产业创新表现上都呈现出“趋同”现象，今后该地区也将继续作为全国高技术产业创新发展和城市群发展的“领头羊”。

值得注意的是，京津冀地区未表现出显著的集聚收敛特征，再次证明了高技术产业发展的不均衡性，北京作为该地区科技研发核心，对创新“拉动”作用不明显，未来京津冀需要继续加强区域间的经济贸易往来、人才交流、技术合作以及新型信息技术下的平台共建和分享，努力打造京津冀“创新共同体”。

参考文献：

[1]韩晶.中国高技术产业创新效率研究——基于SFA方法的实证分析[J].科学学研究，2010，28（3）：467-472.

[2]肖仁桥，钱丽，陈忠卫.中国高技术产业创新效率及其影响因素研究[J].管理科学，2012，25（5）：85-98.

[3]史丹，李晓斌.高技术产业发展的影响因素及其数据检验[J].中国工业经济，2004（12）：32-39.

[4]周明，李宗植.基于产业集聚的高技术产业创新能力研究[J].科研管理，2011，32（1）：15-21.

[5]官建成，陈凯华.我国高技术产业技术创新效率的测度[J]. 数量经济技术经济研究，2009（10）：19-33.

[6]徐玲，武凤钗.我国高技术产业技术创新能力评价[J].科技进步与对策，2011，28（2）：128-132.

[7]陈萍，贾志永，龚小欢.基于投入产出指数的高技术产业技术创新能力实证研究[J].科学学研究，2008（2）：501-505.

[8]汪良兵，洪進，赵定涛，等.中国高技术产业创新系统协同度[J].系统工程，2014（3）：1-7.

[9]李海超，李志春.高技术产业原始创新系统分析及创新能力评价研究[J].中国管理科学，2015（1）：672-678.

[10]王子龙，谭清美，许箫迪.高技术产业集聚水平测度方法及实证研究[J].科学学研究，2006，24（5）：706-714.

[11]施海燕，宣勇，唐根年.中国高技术产业空间集聚及其适度性检验[J].工业技术经济，2013（5）：59-68.

[12]晋盛武， 盛淑洁.中国高技术产业集聚的就业效应研究——基于空间面板的实证分析[J].地理与地理信息科学，2015， 31（1）：80-86.

[13]Shannon C E. A Mathematical Theory of Communication[J]. Bell System Technical Journal， 2014， 27（3）：379-423.

[14]■ P， Galbraith J K. Constructing Long and Dense Time-Series of Inequality Using the Theil Index[J]. Eastern Economic Journal， 2000， 26（1）：61-74.

[15]项歌德. R&D溢出效应的测度研究[D].上海社会科学院， 2011.