技术创新政策横向地理空间协同机理与实证

刘升阳

摘 要：研究选择创新资源紧约束区18个省的技术创新政策，运用扎根理论构建技术创新政策评价指标体系与量化标准，以政策协同理论为基础运用地理加权回归GWR、灰色关联度模型等方法探析技术创新政策横向地理空间协同机理，实践验证协同状况，结论表明：在政策指标角度，政策层级、知识产权、渠道构建、技术引进及消化吸收等5项二级指标在18省份横向地理空间中的协同度高，其中政策层级、知识产权、渠道构建属于量化值较高水平协同，技术引进和消化吸收属于量化值较低水平协同;在横向省份角度，西藏地区与其他省之间政策协同性弱;宁夏地区由于政策量化值较低，与其他省份间协同性较弱;新疆、黑龙江、吉林、海南等省，横向协同性相对较弱，表现出一定的游离状态;四川省不但地理位置在创新资源紧约束区相对居中，且各项指标在横向地理空间中与紧邻各省的协同性很好，具有政策协同重心的地位;其他各省横向空间政策协同性一般。

关键词：创新资源紧约束区;技术创新政策;横向地理空间;政策协同;机理

中图分类号：G301    文献标识码：A    文章编号：1671-0037（2020）5-49-15

DOI：10.19345/j.cxkj.1671-0037.2020.05.006

1 引言

创新驱动战略与创新型国家建设是中国当前及未来经济社会发展的主题和方向，离不开最基础的创新制度建设与创新政策制定实施。据不完全统计，2009—2018年全国各省以规划、意见、方案、办法、通知、转发等形式落实执行的技术创新政策2000多项。但同时，各省间的经济基础与发展水平差异较大、创新资源分配不均衡、创新政策落实执行差异化造成我国区域技术创新绩效明显失衡，且严重影响未来我国创新驱动战略及创新型国家建设的整体均衡推进。而短期看，创新资源约束与创新政策失衡将持续存在。受创新资源紧约束的省份，它们的技术创新政策规模如何？横向相近省份地区之间政策步调是否一致？创新政策目标及工具措施是否连续、协调？政策平台建设是否足以支撑政策的落实执行？系列问题亟待深入探究论证。

鉴于此，本文首先选择创新资源紧约束区横向各省之间的技术创新政策协同问题进行研究，以期为区域技术创新政策体系构建进而创新绩效、经济绩效的研究奠定基础。研究收集整理我国创新资源紧约束条件下各省份的技术创新政策，量化提取影响政策协同的重要因素，从政策力度、政策目标、政策措施、政策平台等方面，构建政策协同指标体系，探究横向地理空间政策协同机理，量化与测度协同状况，为创新资源紧约束区各省技术创新政策协同提供决策参考与实施策略。

2 理论基础

关于政策协同的研究，国内外学者围绕协同主体维度、协同演进、协同机制、协同评价等展开。政策协同主体维度研究，OECD在空间维度政策协同的基础上，指出同时还应参考时间维度，将政策在横向、纵向、时间维度上同时进行协同探讨，打开了多维度协同研究思路。Dominic Stead等[1]进一步在空间规划的多维度政策协同中，提出政策协同既包括横向部门协同，也包括纵向部门协同。政策协同演进研究，彭纪生等[2]以技术创新政策为案例，在政策量化方面做出了有意义的探索性研究，通过量化后的政策描绘出政策协同演变的路径进而对经济绩效的影响。Milton M. Herrera等[3]在产业视角下，对政策目标、政策措施的协同状况及其演进进行分析评价，提出产业领域中政策协同演进进而对产业发展的阶段性影响作用。政策协同机制研究，学者站在不同角度分别研究政策协同运行机制、政策协同决策机制及政策协同评价机制。薛泽林等[4]结合政策协同的结构功能特征，探讨治理势能的发起与传导对文化创意产业培育政策协同机制建构的作用。杨晨[5]研究政策协同运行机制，运用内容分析法对知识产权政策体系进行分析，得出政策制定主体范围不断扩大，政策体系目标由激励创造向促进知识产权与产业发展深度融合转变等。政策协同评价研究，Benjamin等[6]讨论通过上层合并实现国家政府的税收政策协调。仲为国等[7]构建政策量化标准，制定具体的操作手册量化政策，运用计量模型定量客观评价中国的技术创新政策。Jean-Christophe等[8]针对货币政策决策与货币规则收益，提出最优货币政策与国家政策的协调没有区别。郭本海[9]筛选2007—2015年国家227条光伏产业政策，构建产业政策协同度模型，探讨政策措施协同对产业绩效的影响。另有学者基于道德风险的降低效果等作为标准，探讨政策协同对产业绩效的影响，提出不同政策措施协同对产业绩效具有方向性差异。

3 机理探究

3.1 研究样本

创新资源紧约束指创新活动及经济社会发展受到资金、技术、人力及平台等创新要素一定程度的限制，造成创新产出的质量与效率相对较低，进而区域经济发展驱动力不足，社会经济建设速度缓慢和水平低下的状况。研究结合统计数据收集与量化实际，选择规模以上工业企业R&D经费投入、专利申请数、专利授权数、技术市场成交额、规模以上工业企业R&D人员全时当量、GDP等六项指标，综合量化排名出全国31个省份（不含港澳台）2009—2018年的创新资源状况与经济发展水平状况，筛选出创新资源紧约束区18个省份：河南、湖南、四川、陕西、吉林、江西、山西、广西、黑龙江、云南、新疆、贵州、海南、甘肃、青海、内蒙古、宁夏、西藏。以此作为本文研究的实证样本。

3.2 评价指标

研究进而收集整理2009—2018年创新资源紧约束区内18个省的技术创新政策1 100多份，整理有效672份，采用扎根理论进行开放式编码、主轴式编码及选择式编码，专家专题会议7次，共选择政策力度、政策目标、政策措施及政策平臺等4项一级指标，政策层级、部门协同、政策数量、知识产权等17项二级指标，以此为基础构建技术创新政策评价指标体系及量化标准，为政策协同研究奠定基础，详见表1。

3.3 协同机理

技术创新政策横向地理空间协同，主要指横向相邻省域间，根据创新资源自然禀赋及创新发展状况，通过技术创新政策力度、政策目标、政策措施及政策平台等指标上的协同，实现技术创新政策整体效力发挥，进而带来各省间技术创新政策体系与环境协同，共同促进区域创新绩效、经济绩效的快速健康发展。既可用于分析相邻省份之间的横向协同，也可以用来分析某特定区域内部的横向协同。本文主要集中探究横向各省政策在4项一级指标17项二级指标上的协同。

政策力度协同。政策力度描述技术创新政策的层次、影响范围和强弱，包括政策层级、政策协同、政策数量等3项二级指标。各省技术创新政策在这3项二级指标上是否协同，反映各省在落实、规划及制定政策上的步調与节奏是否一致，是下面其他指标协同的基础。②政策目标协同。政策目标指技术创新政策制定实施的初衷和要达到的目的，包括知识产权、人才建设、技术引进、消化吸收、成果转化及创新体系等6项二级指标。各省技术创新政策在这6项二级指标上的协同，综合反映各省在追求技术创新的形式与内容、创新成果的实现与巩固、创新环境的营造与构建等方面的差异与趋同程度，是政策协同的纲。③政策措施协同。政策措施是保障某项技术创新政策目标实现的方法和工具，包括财政税收、人才引培、金融支持、渠道构建、知识产权保护、产学研合作、其他政策措施等7项二级指标。各省技术创新政策在这7项二级指标上是否协同，综合反映各省技术创新政策落实执行的方式方法、工具途径等方面的思路安排是否同频共振，是政策协同的主要内容。④政策平台协同。政策平台是技术创新政策落实、执行的基础单位和平台，也是政策具体实施和收益的对象，一般有企业、科研机构、高等院校、协会机构等。各省技术创新政策在政策平台上是否协同，反映各省政策落实执行、措施实施的结构和平台是否相同或有所侧重，是政策协同的收脚点。四个层次的指标协同层层递进，有机关联，共同综合反映区域间技术创新政策的协同状况。协同机理与路径详见图1。

3.4 模型构建

研究侧重创新资源紧约束区的18个省份之间的横向指标协同，研究思路及实现路径如下：①按照技术创新政策评价指标体系及量化标准，对每项政策按照政策力度、政策目标、政策措施、政策平台等进行指标量化;②技术创新政策横向空间异质性分析。运用地理加权回归，选择技术创新绩效为因变量，各政策指标及相关技术创新要素为自变量，探析不同省份各政策指标对技术创新绩效的贡献及解释度;③基于各省各指标的回归贡献系数，运用基于相似性的灰色关联度模型进行灰色关联分析，得出各省各指标间的相似性灰色系数;④最后基于本文提出的政策协同度量化及等级划分标准，对灰色关联度结果进行协同度转化，测度出各省在每项政策指标上的横向协同状况，并给出一定协同改善提高的路径选择与政策建议。

3.4.1 地理加权回归模型。研究运用地理加权回归GWR原理，对2009—2018年创新资源紧约束区18个省份的技术创新政策在横向地理空间中的指标非平稳性及差异程度进行回归估计，为政策指标关联度及横向协同测度研究打下基础。GWR利用基于距离权重的子样本数据，对空间中各样本点进行参数估计，使各样本点的估计参数随着局部地理位置变化而变化，反映样本活动的非平稳性与空间异质性。国内学者如吴玉鸣、曹小曙、赵昱、房胜飞等[10-13]，近十几年来用GWR模型对中国的区域经济活动、创新活动进行了大量研究。

GWR分析首先选定一个研究区域，该区域可包含整个研究数据空间区域，当然也可选择空间区域的局部。利用每个样本的不同空间位置，计算一个连续的衰减函数，将每个样本的空间坐标信息和样本值代入此函数，得出一个位置信息有关的权重值，输入回归方程。此时扩展后的地理加权回归方程如下：

其中，[yi]表示因变量，[ui，vi]是空间单元的地理空间坐标，[βk（ui，vi）]是连续函数[β0（u，v）]在[i]点的值。GWR除了像传统回归模型一样完成方程各个观测值的整体回归估计，也可对每个观测值估计出[ k ]个参数向量估计值，即观测值在每个空间位置上的回归估计。有学者依据“接近位置[i]的观察数据比离位置[ i]较远的数据对[βk（ui，vi）]的估计有更多影响”的原则，通过加权最小二乘估计得到每个观测值的估计参数：

这样整个空间中的每个局部空间平稳状态与空间异质性得到了充分的展示与刻画，便于针对性开展区域经济问题研究。[wi]是空间权重矩阵，在实证分析中，常用的空间权值矩阵函数主要是高斯函数：

其中，[b]是带宽，[dij]是样本点[ i ]和[ j ]的距离。关于带宽的确定，普遍采用CLEland和Bowman提出的交叉确认方法，交叉确认值CV计算公式如下：

[y≠i（b）]就是[i]出的拟合值。只要找出CV最小值，就能确定最佳宽带。除了上面的CV交叉确认方法，AIC法也可以用来确定带宽，简称最小信息准则。

3.4.2 灰色关联度模型。灰色关联分析能够克服回归分析、方差分析等数理方法对数据假设方面的问题，根据线性插值将不同序列观测值转化为连续折线，通过几何特征构建关联度模型，进而依据几何相似程度判断不同序列之间的关联度。几何形状越接近，关联量化值越大，关联程度越高;反之越低[14]。研究根据技术创新政策及空间协同探究的特征，选择基于相似性视角的灰色关联分析模型。

①始点零化像。具体应用问题分析中，序列数据多存在不同的量纲，影响分析过程及结论。为消除量纲影响，灰色分析对系统序列特征值进行算子处理，通常以始点零化像为基础。设系统序列[Xi]（1，2，…，n），则有

[Xi]序列观测值分别为2009—2018年创新资源紧约束区18个省的技术创新政策规模量化值的自然对数。运算中首先分别对序列观测值做始点零化像处理。

②序列特征比较。始点零化像之后，模型对序列观测值进行比较处理，描述序列间差异，则有

几何展示差异程度，通常有增长或衰减之分，实践应用中可以用公式9代替运算：

运用公式（8）分别对始点零化像之后的序列观测值做比较处理，反映各省之间的技术创新政策规模的序列间差异。

③灰色关联度。序列间差异计算后，研究采用基于相似性视角的灰色关联度模型，则有

[εij]简称相似关联度，测度序列观测值几何特征上的相似度，值越大，相似度越高，反之越低。

3.4.3 协同度量化及等级划分标准。研究广泛征求行业领域、业内专家关于政策协同量化的意见，针对本研究实际需求，结合协同等级划分基本原理，设计政策协同度量化区间及等级划分标准。具体情况如下：①结合研究需求，参照其他协同及耦合研究中的划分方法，可将协同度或耦合度由弱到强逐步划分为4～6个区间。②依据数理统计分析中正态分布原理，统计结果及区间划分一般具有“中间大两头小”的正态分布特征。因此，研究设置协同度最差与协同度最好的第1与第6区间各占10%的分布概率，协同程度中间的4个区间各占20%的分布概率。这样总体政策协同度6个区间标准的设定既兼顾了整体均衡，又符合正态分布原理。③依据上述标准，政策协同度可以划分为0～0.099、0.1～0.299、0.3～0.499、0.5～0.699、0.7～0.899、0.9～1.0等6个区间，分别反映政策协同程度的强弱。④对应政策协同度的6个区间，研究进一步设置协同等级，便于更形象具体地理解政策协同状况，依次认定为弱（B-）、较弱（B）、一般（B+）、较强（A-）、强（A）、极强（A+）等6个等级，据此对政策协同量化结论进行等级认定，做出协同程度判断，得出形象具体的研究结论。详见表2。

4 实证检验

4.1 横向地理加权回归GWR分析

研究以创新绩效为因变量，用当年专利申请数与专利授权数的算术平均值表达：①创新与专利之间的耦合性与关联程度较强，专利申请数能够直接反映当年技术创新政策带来的创新绩效;②而经授权的专利有较高的标准化和规范化水平，更能够直接代表政策带来的创新绩效结果。研究选择政策力度、政策目标、政策措施及政策平台等4项一级指标，包括政策层级、部门协同、政策数量、知识产权、人才建设、技术引进、消化吸收、成果转化、创新体系、财政税收、人才引培、金融支持、渠道构建、知识产权保护、产学研合作、其他政策措施、政策平台等17项二级指标作为自变量。同时，选择科技资金投入（应用研究部分）[K]与科技人员投入（应用研究部分）[L]作为自变量。另，[YE]代表政策年份，[PA]代表因变量专利申请/授权数，[LE]代表政策层级，[CO]代表部门协同，[QU]代表政策数量，[PR]代表知识产权，[TA]代表人才建设，[TE]代表技术引进，[DI]代表消化吸收，[AC]代表成果转化，[IN]代表创新体系，[FI]代表财政税收，[TAC]代表人才引培，[FS]代表金融支持，[CH]代表渠道构建，[PRP]代表知识产权保护，[IU]代表产学研合作，[OT]代表其他政策措施，[PL]代表政策平台。

研究采用ARCGIS10.2进行地理加权回归GWR分析，同时对比最小二乘回归更清晰地展现引入地理权重后对回归方程及各变量回归估计的积极影响，进而不同空间中变量差异。

4.1.1 解释变量LE、CO回归结果分析。①解释变量LE、CO最小二乘回归结果F检验显著，校正的[R2]为0.760 6，回归方程显著，拟合优度较好。但Koenker（BP）检验显著，表明模型在空间和数据上具有异方差性或非平稳性，适合采用地理加权回归做进一步分析。GWR回归结果显示，带宽Bandwidth为17.090 6，残差平方和较小。[R2]为0.865 7，校正的[R2]为0.789 6，均比最小二乘回归的拟合优度更好，更好地反映了解释变量与被解释变量之间的回归估计效果，具体结果详见表3。

4.1.2 解释变量QU、PR回归结果分析。①解释变量QU、PR最小二乘回归结果F检验显著，校正的[R2]为0.678 4，回归方程显著，拟合优度较好。但Koenker（BP）检验显著，表明模型在空间和数据上具有异方差性或非平稳性，适合采用地理加权回归做进一步分析。GWR回归结果显示，带宽Bandwidth为77.986 3。[R2]为0.724 6，校正的[R2]为0.681 9，均比最小二乘回归的拟合优度更好，更好地反映了解释变量与被解释变量之间的回归估计效果。具体结果详见表4。

4.1.3 解释变量TA、TE回归结果分析。①解释变量TA、TE最小二乘回归结果F检验显著，校正的[R2]为0.564 6，回归方程显著，拟合优度一般。但Koenker（BP）检验显著，表明模型在空间和数据上具有异方差性或非平稳性，适合采用地理加权GWR回归做进一步分析。GWR回归分析结果显示，带宽Bandwidth为10.825 8。[R2]为0.917 2，校正的[R2]為0.805 5，均比最小二乘回归拟合优度更好，更好地反映了解释变量与被解释变量间的回归估计效果，回归效果较好。具体结果详见表5。

4.1.4 解释变量DI、AC、IN回归结果分析。①解释变量DI、AC、IN最小二乘回归结果F检验显著，校正的[R2]为0.593 5，回归方程显著，拟合优度一般。但Koenker（BP）检验显著，表明模型在空间和数据上具有异方差性或非平稳性，适合采用地理加权GWR回归做进一步分析。GWR回归分析结果显示，带宽Bandwidth为93.561 7。[R2]为0.676 5，校正的[R2]为0.601 2，均比最小二乘回归的拟合优度更好，更好地反映了解释变量与被解释变量之间的回归估计效果，回归效果较好。具体结果详见表6。

4.1.5 解释变量FI、TAC、FS回归结果分析。①解释变量FI、TAC、FS最小二乘回归结果显示，F检验显著，校正的[R2]为0.520 5，回归方程显著，拟合优度一般。但Koenker（BP）检验显著，表明模型在空间和数据上具有异方差性或非平稳性，适合采用地理加权GWR回归做进一步分析。GWR回归分析结果显示，带宽Bandwidth为16.981 5。[R2]为0.815 7，校正的[R2]为0.687 3，均比最小二乘回归的拟合优度更好，更好地反映了解释变量与被解释变量之间的回归估计效果，回归效果较好。具体结果详见表7。

4.1.6 解释变量CH、PRP、IU回归结果分析。①解释变量CH、PRP、IU最小二乘回归结果F检验显著，校正的[R2]为0.594 0，回归方程显著，拟合优度一般。但Koenker（BP）检验显著，表明模型在空间和数据上具有异方差性或非平稳性，适合采用地理加权GWR回归做进一步分析。GWR回归分析结果显示，带宽Bandwidth为31.782 1。[R2]为0.713 0，校正的[R2]为0.613 9，均比最小二乘回归拟合优度更好，反映了解释变量与被解释变量间的回归估计效果，效果较好。具体结果详见表8。

4.1.7 解释变量OT、PL回归结果分析。①解释变量OT、PL最小二乘回归结果显示，F检验显著，校正的[R2]为0.609 9，回归方程显著，拟合优度一般。Koenker（BP）检验不显著，表明模型在空间和数据上不具有异方差性或非平稳性。但综合考虑所有指标的模型适用性，研究仍决定采用地理加权回归进行变量回归估计。GWR回归分析结果显示，带宽Bandwidth为15.173 9。[R2]为0.817 6，校正的[R2]为0.706 1，均比最小二乘回归的拟合优度更好，更好地反映了解释变量与被解释变量之间的回归估计效果，回归效果较好。具体结果详见表9。

4.2 基于相似性的灰色关联度分析

基于相似性的灰色关联度模型能够测度多组序列数据之间存在的相似关联性，研究将上面地理加权回归中各省解释变量回归差异结果代入灰色关联度模型，得出创新资源紧约束区18省份各指标变量间的灰色关联程度，具体结果详见表10。

从结果来分析：①综合来看，各项指标在空间中的灰色关联程度较好，指标量化值相对较高，原因可能有两种：一是政策指标低低关联，二是政策指标高高关联。从表6～12来看，高高关联相对较多。②站在各省的角度上来看，四川、云南、贵州、甘肃、宁夏、青海等省份在各项指标上（除了人才建设TA）的灰色关联程度均较高，几个省份地理空间也相对比较接近比邻;吉林、内蒙古、江西、山西、西藏等省份在某些指标上的灰色关联度相对较低，且这几个省份的地理空间也相对比较分散;而河南、湖南、黑龙江、新疆、广西、海南及陕西等省份的指标关联性有高有低。③站在各指标的角度上分析，部门协同、政策数量、知识产权、消化吸收、成果转化、创新体系、渠道构建、知识产权保护、产学研合作、其他政策措施等10项政策指标在横向地理空间，即创新资源紧约束区的18个省份之间均表现出较高的灰色关联关系，关联程度极高;人才建设、财政税收、政策平台等3项政策指标在横向地理空间及18个省份之间的灰色关联度表现最差，总体关联程度相对其他指标较低;而政策层级、技术引进、人才引培、金融支持等4项政策指标在横向地理空间及18个省份之间的灰色关联度有高有低，总体关联程度相对一般。

4.3 协同度量化及等级划分

研究基于灰色关联分析结果，进一步运用政策协同度量化及等级划分标准，对创新资源紧约束区18个省份之间横向地理空间的政策协同程度进行测度。分别以政策体系的17项二级指标为基础，测度各省在每项指标上的协同度，并结合各省政策原始文本信息及量化结果，对横向协同结果进行深入分析。

4.3.1 政策力度横向协同度分析。政策层级描述技术创新政策颁布、制定、实施的行政级别及形式。协同测度显示18个省份该指标协同状况如下：①宁夏、云南、甘肃及四川等4个省份协同度极强;②新疆、贵州、青海及陕西等4省份协同度为强;③黑龙江、山西、河南、江西、湖南、广西、海南、吉林及内蒙古等9省份协同度为较强等级;④西藏等1个省份由于没有政策文本信息，故协同度为弱;⑤但结合政策原始量化信息，宁夏在政策层级指标上的量化值与测度结果不一致，具体原因为其原始政策文本数据过少，但在地理位置信息处理中又与其他省份趋同。部门协同描述与技术创新政策相关的政策制定部门，在政策的调研、论证及出台等环节中的沟通协同状况，通常以政策出台时责任部门和单位为部门协同的判定依据，该指标协同状况如下：①黑龙江、新疆、河南、云南、贵州、吉林及四川等7个省份协同度极强;②山西、宁夏、江西、湖南、广西、海南、青海、甘肃、陕西及内蒙古等10省份协同度为强;③西藏等1个省份由于没有政策文本信息，故协同度为弱;④结合政策原始量化信息，青海、宁夏在政策层级指标上的量化值与测度结果不一致，主要是年度量化值的连续性与稳定性较差，且值较小，重视程度不够。政策数量描述同一时期相关部门制定实施的技术创新政策数量与规模，用来反映领域内对技术创新问题的重视程度，正向综合展示政策力度。协同测度显示该指标协同状况如下：①黑龙江、山西、宁夏、云南等16个省份协同度极强;②新疆等1省份协同度为强;③西藏等1个省份由于没有政策文本信息，故协同度为弱。具体详见表11。

4.3.2 政策目标横向协同度分析。知识产权描述技术创新政策在应用领域对自主创新的鼓励和支持，对知识产权保护的意识和主动性。协同测度18个省份在该指标上的协同状况如下：①黑龙江、山西、宁夏、云南等16个省份协同度极强;②新疆等1省份协同度为强;③西藏等1个省份由于没有政策文本信息，故协同度为弱。人才建设描述技术创新政策对创新型人才的支持和建设，积极促进各层次各领域技术领军人才、行业拔尖人才等培养。该指标协同状况如下：①新疆、山西、宁夏、河南、江西、湖南、云南、贵州、广西、海南、青海、甘肃、陕西、内蒙古及四川等15个省份协同度较强;②黑龙江及吉林等2省份协同度為一般等级;③西藏等1个省份由于没有政策文本信息，故协同度为弱。但结合政策原始量化信息，云南、宁夏在政策层级指标上的量化值与测度结果不一致，具体原因有待进一步深入研究。技术引进描述技术创新政策在某些高科技领域探索引进外来技术，引导带动国内行业后发技术创新与应用。该指标通常与消化吸收紧密联系，共同反映对外来高新技术的政策目标。该指标协同状况如下：①江西、湖南、青海、甘肃及四川等5个省份协同度极强;②宁夏、河南、云南、贵州、广西及陕西等6省协同度为强;③黑龙江、新疆、山西、海南、吉林及内蒙古等6省份协同度为较强等级;④西藏等1个省份由于没有政策文本信息，故协同度为弱;⑤但结合政策原始量化信息，陕西、山西、湖南、宁夏及四川等省份在政策层级指标上的量化值与测度结果有一定偏差，具体原因为其原始政策文本数据过少，但在地理位置信息处理中又与其他省份趋同。消化吸收描述对引进的高新技术进行政策鼓励、引导行业与企业积极应用，并在此基础上能够有所突破与创新，在自己的土壤里开出新的成果。该指标协同状况均极强（除了西藏）。原因是量化值太低，模型运行中部分机制失效，从而造成结果信息失真。成果转化指标描述技术创新政策重视技术创新的开发应用，并转化为产权、专利，进一步实现商业价值和经济效益。这也是技术创新政策区别于科技政策的一个方面，科技政策涵盖基础研究等更多领域。创新体系指标描述技术创新政策对构建创新体系与创新环境的重视，促进全社会打造整体的创新文化的目标，增强经济社会、行业领域核心竞争力，创新资源紧约束区内18个省份在该两项指标上的协同状况均极强（除了西藏）。具体详见表12。

4.3.3 政策措施横向协同度分析。财政税收描述政策通过政府财政工具，如转移支付、奖励减免、税收优惠等手段，鼓励支持技术创新活动和项目的开展，促进政策目标实现。通过协同测度，创新资源紧约束区内18个省份在该指标上的协同状况如下：①青海等1个省份协同度极强;②新疆、云南、甘肃及四川等4省协同度为强;③黑龙江、山西、宁夏、河南、江西、湖南、贵州、广西、海南、吉林、陕西及内蒙古等12省协同度为较强等级;④西藏等1个省份由于没有政策文本信息，故协同度为弱。人才引培描述通过实施对技术人才的引进和培养政策，实现高层次人才建设或相关技术领域人才建设的政策目标。该指标协同状况如下：①新疆、云南、青海及四川等4个省份协同度极强;②黑龙江、山西、宁夏、河南、江西、湖南、贵州、广西、海南、吉林、甘肃、陕西及内蒙古等13省协同度为强;③西藏等1个省份由于没有政策文本信息，故协同度为弱;④但结合政策原始量化信息，云南、宁夏在政策层级指标上的量化值与测度结果不一致。金融支持描述政策允许或支持金融的工具与手段，安全有效地促进创新行业、企业和个人获得资金的支持与帮助，积极开展技术创新活动。该指标协同状况如下：①云南、贵州、广西及海南等4个省份协同度极强;②山西、宁夏、河南、江西、湖南、青海、甘肃、陕西及四川等9省份协同度为强;③黑龙江、新疆、吉林及内蒙古等4省份协同度为较强等级;④西藏等1个省份由于没有政策文本信息，故协同度为弱;⑤但结合政策原始量化信息，青海、云南在政策层级指标上的量化值与测度结果不一致，具体原因为其原始政策文本数据过少，地理位置信息与其他省份趋同。渠道构建描述技术创新政策及技术创新活动开展实施的方法和路径，主要通过创建技术创新联盟、设立科技园区、设置企业等方式实现。通过协同测度，该指标协同状况如下：①山西、宁夏、河南、湖南、云南、贵州、广西、海南、甘肃、陕西、内蒙古及四川等12个省份协同度极强;②新疆、江西、吉林及青海等4个省份协同度为强;③黑龙江等1省份协同度为较强等级;④西藏等1个省份由于没有政策文本信息，故协同度为弱。知识产权保护描述技术创新政策通过专利和创新成果保护等，实现自主创新、提高核心竞争力等政策目标。该指标协同状况如下：①黑龙江、山西、宁夏、河南、江西、湖南、云南、贵州、广西、海南、吉林、青海、甘肃、陕西、内蒙古及四川等16个省份协同度极强;②新疆等1个省份协同度为强;③西藏等1个省份由于没有政策文本信息，故协同度为弱;④但結合政策原始量化信息，云南、宁夏、内蒙古在政策层级指标上的量化值与测度结果存在一定偏差，因其原始政策文本数据过少。产学研合作描述政策鼓励通过社会企业、高校院所、科研机构及行业协会等机构之间的合作，开展技术创新研发、推广、应用等活动，实现政策在知识产权、人才建设、成果转化、创新体系构建等方面的目标。该指标协同状况如下：①黑龙江、山西、宁夏、河南、江西、湖南、云南、贵州、广西、海南、吉林、陕西、内蒙古及四川等14个省份协同度极强;②新疆、青海及甘肃等3个省份协同度为强;③西藏等1个省份由于没有政策文本信息，故协同度为弱;④但结合政策原始量化信息，宁夏在政策层级指标上的量化值与测度结果不一致。其他政策措施描述以上措施之外，某项政策采取的实现目标的方法、工具及手段。该指标上的协同状况如下：①宁夏、河南、江西、湖南、云南、贵州、广西、海南、青海、甘肃、陕西及四川等12个省份协同度极强;②黑龙江、新疆、山西、吉林及内蒙古等5个省份协同度为强;③西藏等1个省份由于没有政策文本信息，故协同度为弱;④但结合政策原始量化信息，云南、贵州在政策层级指标上的量化值与测度结果不一致。具体详见表13。

4.3.4 政策平台横向协同度分析。政策平台是政策落实、执行的基础单位和平台，也是政策具体实施和收益的对象，包括企业、科研机构、高等院校、协会机构等。该指标协同状况如下：①云南、甘肃等2个省份协同度极强;②新疆、宁夏、青海及四川等4省份协同度为强;③黑龙江、山西、河南、江西、湖南、贵州、广西、海南、吉林、陕西及内蒙古等11省份协同度为较强等级;④西藏等1个省份由于没有政策文本信息，故协同度为弱;⑤但结合政策原始量化信息，河南在政策层级指标上的量化值与测度有偏差，因其原始政策文本数据太大，远远超过其他省份指标值，但在地理位置信息处理中与相近省份趋同，故没有形成独立影响结论。具体详见表14。

5 结论与展望

研究探究创新资源紧约束区18个省份之间横向地理空间的技术创新政策协同状况。选择技术创新绩效为因变量、各政策指标及相关技术创新要素为自变量，构建地理加权回归模型，探析不同省份各政策指标对技术创新绩效的贡献及解释度;运用基于相似性的灰色关联度模型进行灰色关联分析;最后通过协同度转化测度出各省政策指标横向协同状况。结论表明：①2009—2018年横向各省技术创新政策的协同程度整体水平较高，尤其是以四川为中心的海南、云南、四川、甘肃南北区域线，和青海、四川、湖北、江西东西区域线，整体政策指标间的协同程度很高，表现出很好的政策地理空间协同性;②从政策指标的角度来看，政策层级、知识产权、渠道构建、技术引进及消化吸收等5项二级指标在18省份横向地理空间中的协同度更高，其中政策层级、知识产权、渠道构建属于量化值较高水平协同，技术引进和消化吸收属于量化值较低水平协同;③从行政省份的角度来看，西藏地区没有政策文本信息，故与其他省份之间的协同性最差，未来结合自身禀赋存在改善提升的空间;宁夏地区由于政策量化值较低，虽然地理信息趋同造成模型结果的一定协同程度，但实际与其他省份间的协同性很差;新疆、黑龙江、吉林、海南等研究范围的边缘省份，与其他省份之间的政策指标横向协同性相对较弱，表现出一定的游离状态;四川省不但地理位置在创新资源紧约束区中相对居中，且协同结果显示其各项指标在横向地理空间中与紧邻各省的协同性很好，一定意义上成为政策协同的重心;其他各省横向空间政策指标的协同性各有优劣。

创新资源紧约束区各省技术创新政策各项指标的协同状况参差不齐，为各省结合自身创新资源禀赋及现阶段技术创新发展状况进行针对性的政策调整、改进与提高提供了参考与借鉴，同时也为更深入的研究提出新的命题：①中国其他某特定区域各省间技术创新政策规模及协同性如何？如东部沿海经济地区、中部六省、长三角城市群、中原城市群等中国经济建设发展特定区域。②技术创新政策协同程度差异与区域创新发展之间是否存在必然联系？是否区域政策协同性差的地区，经济发展程度必然落后？③不同区域改善提高政策协同度的路径是否相同？是否存在某些特定技术创新政策体系建设模式？④政策纵向制度空间在国家、省厅、地市等层级间的协同度如何？是否是造成不同区域创新发展进而影响经济发展差异的重要因素？

参考文献：

[1] STEAD D，MEIJERS E.Spatial Planning and Policy Integration：Concepts， Facilitators and Inhibitors[J].Planning Theory & Practice，2009，10（3）：317-332.

[2] 彭纪生，孙文祥，仲为国.中国技术创新政策演变与绩效实证研究（1978-2006）[J].科研管理，2008（4）：134-150.

[3] HERRERA M M，COSENZ F，DYNER I.How to support energy policy coordination？ Findings from the Brazilian wind industry[J].The Electricity Journal，2019，32（8）.

[4] 薛泽林，孙荣.治理势能：政策协同机制建构之关键：台北与上海文化创意产业培育政策比较[J].情报杂志，2016，35（10）：190-194.

[5] 杨晨，王杰玉.中国知识产权政策的演进及协同运行机制研究[J].中国科技论坛，2016（6）：75-80，107.

[6] SIGGELKOW B F.Tax competition and the implications of national tax policy coordination in the presence of fiscal federalism[J].Regional Science and Urban Economics，2018，73.

[7] 仲为国，彭纪生，孙文祥.政策测量、政策協同与技术绩效：基于中国创新政策的实证研究（1978-2006）[J].科学学与科学技术管理，2009，30（3）：54-60，95.

[8] POUTINEAU J C，VERMANDEL G.International monetary policy coordination in a new Keynesian model with NICE features[J].The Journal of Economic Education，2018，49（2）.

[9] 郭本海，李军强，张笑腾.政策协同对政策效力的影响：基于227项中国光伏产业政策的实证研究[J].科学学研究，2018，36（5）：790-799.

[10] 吴玉鸣.中国省域碳排放异质性趋同及其决定因素研究：基于变参数面板数据计量经济模型的实证[J].商业经济与管理，2015（8）：66-74.

[11] 曹小曙，徐建斌.中国省际边界区县域经济格局及影响因素的空间异质性[J].地理学报，2018，73（6）：1065-1075.

[12] 赵昱，朱列，杨传喜，等.中国区域创新来源的空间异质性研究[J].世界地理研究，2017，26（4）：134-143.

[13] 房胜飞，徐秋艳，马琳琳.金融集聚的溢出效应及空间异质性：基于我国省级行政区的实证研究[J].南方金融，2018（1）：23-31.

[14] 刘思峰，谢乃明，JEFFERY F.基于相似性和接近性视角的新型灰色关联分析模型[J].系统工程理论与实践，2010（5）：881-887.

[15] 陈慧茹，肖相泽，冯锋.科技创新政策加权共词网络研究：基于扎根理论与政策测量[J].科学学研究，2016，34（12）：1769-1776.

[16] 李凡，李娜，刘沛罡.中印技术创新政策演进比较研究：基于目标、工具和执行的定量分析[J].科学学与科学技术管理，2015，36（10）：23-31.

[17] 张永安，马昱.基于R语言的区域技术创新政策量化分析[J].情报杂志，2017，36（3）：113-118.

[18] WANG S，ZHANG J Q.The symbiosis of scientific and technological innovation  efficiency and economic efficiency in China - an analysis based on data envelopment analysis and logistic model[J].Technology Analysis & Strategic Management，2019，31（1）：67-80.

[19] 柳卸林，游光荣，赵林榜.促进自主创新的政策.中国创新管理前沿[M].北京：知识产权出版社，2007.

[20] 武建龙，于欢欢，王宏起.面向企业创新创业的政策工具效果研究：来自278家企业的问卷调查[J].科技进步与对策，2016，33（19）：88-93.

[21] 汪晓梦.我国中东部城市技术创新政策实施效果评价及建议[J].学术交流，2013（2）：72-75.

[22] 王智新，赵景峰.开放式创新、全球价值链嵌入与技术创新绩效[J].科学管理研究，2019，37（1）：74-77.

[23] 朱明皓，窦水海，贾冀.中国汽车产业技术创新政策效果分析[J].科研管理，2017，38（7）：26-36.