中国省际知识聚合的测度及其对区域创新能力的影响研究

苏 屹，林周周，欧忠辉

中国省际知识聚合的测度及其对区域创新能力的影响研究

苏 屹1,2*，林周周1，欧忠辉3

（1.哈尔滨工程大学 经济管理学院，黑龙江 哈尔滨 150001；2.清华大学 经济管理学院，北京 10010；3.福州大学 经济管理学院，福建 福州 350116）

为深入分析知识聚合对区域创新能力的影响机理，从自有知识和知识流动两个方面构建知识聚合测度指标体系，以2009-2015年中国30个省（市、自治区）的面板数据为样本，运用永续盘存法和熵权法对知识聚合进行测度；在此基础上，实证考察了知识聚合对区域创新能力的影响及其区域差异。结果表明：中国省际知识聚合大致呈现一种东高西低的非均衡态势，四大区域间差异明显，且伴有扩大趋势；在控制了研发经费投入强度、政府支持程度和区域创新机构数等条件下，省际知识聚合对总体区域创新能力具有显著的正向影响，而对分区域创新能力影响存在明显的区域差异，其中，中部地区知识聚合较西部地区知识聚合对区域创新能力的提升作用更大，东北地区知识聚合对区域创新能力具有抑制作用，东部地区知识聚合影响不显著；自有知识对区域创新能力的促进作用大于知识流动，且二者在影响区域创新过程中存在着显著的“互斥效应”。

知识聚合；测度；区域创新能力；区域差异

0 引言

习近平总书记在十九大报告中指出，要贯彻创新、协调、绿色、开放、共享的新发展理念，建设现代化经济体系。区域创新系统作为现代化经济体系的重要组成部分，是贯彻创新驱动发展战略、提高区域创新能力、加快建设创新型国家的重要途径。当前，中国经济发展已进入“新常态”，面临着技术创新升级、资源环境约束和区域差距等诸多问题，必须转变经济发展方式，依靠创新驱动，切实增强各地区的自主创新能力，实现经济可持续发展。从实践角度来看，促进区域创新能力提升主要有两种模式：一是依靠区域自身知识积累的传统研发模式，二是通过知识流动方式获取外部知识的开放式创新模式，二者相辅相成，缺一不可，而知识聚合则是自有知识部分和知识流动部分的总和。从目前研究来看，学者大都分别从自有知识和知识流动两个视角单独研究其对区域创新能力的影响，少有文献将二者结合起来，即研究知识聚合对区域创新能力的影响，而且由于知识聚合测度方法的差异，往往导致研究结果存在较大争议性。中国知识聚合的现状到底如何？是否存在明显的区域差异？这种差异是否导致其对区域创新能力的影响也存在差异？针对以上问题的种种思考，本文试图通过构建知识聚合测度指标体系，优化知识聚合测度方法，揭示在不同控制因素作用下知识聚合对区域创新能力的影响及其区域差异。这对于提升区域创新能力，缩短区域发展差距，实现区域经济稳定、协调、健康发展具有重要的理论意义与现实意义。

1 文献综述

目前，学术界对知识聚合的研究尚未形成一致的结论，相关研究主要包括知识聚合的概念、测度方法和影响因素等方面。首先，知识聚合的概念。Harmaakorpi等认为知识聚合是指各区域组织通过合作实现显性知识的集聚和传播[1]。李亚婷认为知识聚合不同于知识融合与知识整合，而是将各区域组织的外部知识与内部知识通过一定的组织方法进行凝聚，最终形成一个有机的知识体系[2]。邱均平等认为知识聚合是对知识资源的聚集与融合，将分散的知识资源有选择地整合在一起[3]。杨志锋等认为知识资源可分为知识存量与知识流量，知识存量是指在一定期间某个经济系统所占知识资源的总量，包括可编码的显性知识和难以量化的隐形知识；知识流量是指在一定期间进出经济系统的知识量，包括流入量与流出量[4]。概言之，知识聚合是来源于区域层面的创新活动，聚合的对象是区域自有知识和外部知识，表现为各区域创新组织所进行的一系列知识活动，但现有文献对知识聚合的概念还未统一定义。因此，本文立足于区域层面视角，将知识聚合定义为以区域自有知识为基础，将不同来源、不同类型和不同层次的外部知识资源通过知识合作、知识扩散、知识溢出、知识转移等多种知识流动形式进行凝聚与融合，最终形成有机知识体系的过程。简单来说，知识聚合主要分为两个部分：自有知识与知识流动。其次，知识聚合的测度。Leonard等利用构建的隐性知识多维模型对隐性知识进行测度[5]。Boudreau建立了组织知识测量框架，主要包括知识存量、知识流和知识激发者三部分[6]。魏和清提出了知识测度的一些方法，如永续盘存法、INEXSK法、无形资产法等[7]。孙静娟等从知识创新能力、知识传播能力和知识应用能力三方面建立知识水平指标体系，并利用综合评价方法测算中国各省市综合知识水平[8]。最后，知识聚合的影响因素。范丹宇等认为在创新系统中知识流动会受到主体因素（知识发送方与知识接收方）、客体因素（流动中的知识）和环境因素（硬环境与软环境）三方面的影响[9]。张宝生等认为知识流动效率会受到知识流动的意愿、能力、条件及网络能力四方面因素的影响[10]。崔志等认为企业知识吸收能力会受到人力资本、先验知识、组织管理、R&D活动水平及外部社会资本等五个因素的影响[11]。

对于知识聚合与区域创新能力的关系，学者们也进行了较为细致的研究。Chen等探讨了知识资本存量对区域创新能力的作用，但忽略了知识资本流动对区域创新能力的影响[12]。岳鹄等利用1997-2006年省际面板数据分析了R&D投入对区域创新能力的影响，发现R&D经费投入与R&D人员投入均具有显著的正向效应[13]。孙晓阳等分析区域知识流动对区域创新能力的影响，发现国际知识溢出可以提升区域创新能力，而区域知识转移对区域创新能力的影响显著为负[14]。李婧等从空间角度研究了知识溢出对区域创新绩效的影响，发现在不同空间因素下知识溢出均具有显著正向影响[15]。从现有文献来看，仍存在以下几点局限：①相关文献大都针对知识聚合的子部分分别进行测度，并且划分维度差异较大，缺乏从整体角度对知识聚合进行核算；②以往研究虽然表明，自有知识和知识流动均对区域创新能力具有影响，但其研究结论却不一致；③知识聚合的区域差异是否会导致其对区域创新能力的影响也存在差异？该问题还有待探讨。知识分为显性知识与隐性知识，而隐性知识必须通过人才流动（即面对面交流）才能有效地传播与接收，且不易被测度。鉴于此，本文希望从以下几方面进行拓展：①多角度衡量知识聚合，通过构建知识聚合测度指标体系，实现对知识聚合的全方位衡量；②考虑不同控制因素的影响，首先从总体角度探索省际知识聚合对区域创新能力的影响机制，然后深入知识聚合内部，进一步比较自有知识和知识流动对区域创新能力影响的差异，以及研究二者在影响区域创新过程中是否存在某种交互作用；③采用添加区域控制虚拟变量的方式，进一步探讨省际知识聚合对区域创新能力的影响是否存在区域差异及其背后的原因。

2 省际知识聚合的测度与分析

如前所述，我们将省际知识聚合划分为自有知识和知识流动两部分进行测度。

2.1 自有知识的测度

对自有知识的衡量通常从投入和产出两个角度着手，且无论从哪一角度出发，其结果都具有科学性与一致性。产出主要包括专利、论文数和隐性知识等，由于隐性知识的测度往往通过较为主观的方法展开，且计算过程比较困难和复杂，可能会导致测度结果的科学性与可靠性降低。因此，本文借鉴苏屹等[16]的研究，从投入视角出发对自有知识进行测度。根据《中国科技统计年鉴》，与投入相关的指标一般包括科技活动经费支出和R&D活动经费支出，而通过它们的定义可以发现，前者具有更加广泛的意义。然而，由于公开统计资料和数据的口径发生变动，从2009年开始科技活动经费支出这项数据不再更新，故本文选择的数据区间为2009-2015年。事实上，R&D活动经费内部支出是指企业、研究与开发机构、高等学校和其他机构从事基础研究、应用研究、试验发展三类活动，其覆盖范围还是比较全面的。因此，本文借鉴李婧等[15]的研究，采用R&D活动经费内部支出代替科技活动经费内部支出对自有知识进行测度。参考吴延兵[17]的研究，采用永续盘存法对2009-2015年自有知识进行核算，其计算公式为

在核算过程中，如何构建R&D支出价格指数是关键一步。根据《中国科技统计年鉴》可知，R&D经费支出按支出用途分为人员劳务费、仪器设备费及其他费用三个部分，其中人员劳务费与仪器设备费是主要的支出方式。因此，大多数学者通常采取基于不同价格指数对人员劳务费与仪器设备费进行加权的方式构造R&D支出价格指数。朱平芳等[18]和杨青峰[19]均选取消费价格指数和固定资产投资价格指数进行加权，不同的是，前者将权重分别设定为0.55和0.45，后者将权重分别设定为0.59和0.41。这种将考察期内人员劳务费与仪器设备费的平均比重作为固定权重的做法存在不足，即未能体现出各地区在不同考察期内人员劳务费与仪器设备费的比重变动。基于此，本文借鉴林秀梅等[20]的研究，将不同时期和不同地区的人员劳务费与仪器设备费分别占这二者之和的比例作为它们的权重对R&D支出价格指数进行构造，其计算公式为

其中，PE为第地区第年的人员劳务费；DE为第地区第年的仪器设备费；CI为第地区第年的消费价格指数；FI为第地区第年的固定资产投资价格指数。然后以2009年为基期，对I进行平减。

估算基期自有知识时，假设其平均增长率等于实际R&D经费支出的增长率，计算公式为：

2.2 知识流动的测度

Teece于1977年第一次提出知识流动[21]，后经Audretsch等[22]人的不断丰富，知识流动的概念也逐渐明晰。虽目前尚未形成一致的结论，但其实质基本相同，即在需求环境下，各创新主体为获得所需要的外部知识或先进技术等创新资源而产生的知识合作、知识扩散、知识溢出及知识转移等行为，以实现知识的互补与共享[23]。

一直以来，学者们对知识流动的特征、影响因素和运行规律进行了深入地探讨[24]，但从定量角度出发，研究知识流动的测度问题却很少，这主要是因为知识流动测度起来比较困难[25]。目前，在实证分析时，大多数学者通常选择单一的替代指标测度知识流动，如祁延莉等选用专利引文关系作为知识流动的测度指标[26]；叶选挺等采用专利引用测度了跨国知识流动[27]；侯剑华等利用引文分析理论测度了以H指数为主题的知识流动[28]。事实上，知识流动是一个复杂的动态过程，既有显性知识和隐性知识，还有知识的流入与流出，仅从单一角度测度知识流动存在严重不足，而且替代指标体现不出对知识流动的实际测度。因此，立足于层次视角，本文试图从区域间知识流动和国际间（区域与国外间）知识流动两方面入手，旨在全面又准确地测度知识流动。

对于区域间知识流动，本文将其划分为区域知识合作与区域知识扩散两部分，并分别用产学研合作和地区技术市场交易合同金额两指标来衡量。第一，产学研合作。它反映了不同区域的创新组织或机构根据自身创新能力与资源需求而选择合作对象，开展创新活动的过程，是知识流动的基本表现形式。通过产学研合作，不仅有利于增加创新组织间的知识传播，促进显性知识和隐性知识的流动，还有利于各创新组织在充分利用外部创新资源的优势下促进原始创新的产生。企业、高校和科研所是产学研合作的主体，企业通过与高校、科研所合作，可以有效利用它们丰富的知识资源，为自身发展提供技术创新支持，提高企业创新竞争力；高校、科研所通过与企业合作，不仅可以为项目研究提供经费保障，还利于实现知识创新的商业化价值。因此，本文选择产学研合作来衡量区域知识合作，并采用高校和科研院所研发经费内部支出中所占企业金额来表示。第二，地区技术市场交易合同金额。它反映了不同区域的创新组织或机构通过技术转让、技术咨询等技术交易方式，实现知识扩散与知识吸收的过程。通过地区技术交易，不仅有利于增强区域整体创新能力，还利于促进区域创新要素的优化配置与合理利用。因此，本文选择地区技术市场交易合同金额来衡量区域知识扩散，并借鉴詹湘东等[29]的研究，采用技术市场技术流向地域合同金额来表示。

对于国际间知识流动，本文将其划分为国际知识溢出与国际知识转移两部分，并分别用国际技术引进额和FDI两指标来衡量。第一，国际技术引进额。它反映了国内区域通过知识的溢出、引进与吸收而向国外地区获取知识的学习过程。通过国际知识溢出，可以有效获得新知识，提升区域创新能力。因此，本文选择国际技术引进额来衡量国际知识溢出，并借鉴李淑等[30]的研究，采用国外技术引进合同金额来表示。第二，FDI。FDI是国际间知识流动的直接表现形式，也是提升中国自主创新能力的一个重要路径。通过FDI，可以获得资金、人才和技术等方面的知识资源优势，为区域创新活动注入新的创新活力。因此，本文选择FDI来衡量国际知识转移，并采用实际利用外商直接投资额来表示[31]。

知识流动的具体运行过程如图1所示。

图1 知识流动的运行过程

Figure 1 The running process of knowledge flow

为准确测度知识流动，选择合适的核算方法非常关键。熵权法作为一种客观的赋权方法，是完全根据数据特征计算出的权重，能够有效地避免因主观因素带来的偏差。因此，本文选择熵权法确定指标权重。“熵”原本是热力学中用以描述系统或体系的混乱程度，Shannon根据热力学含义，将冗余信息筛除后的平均信息量称为信息熵，表示出现无序程度的概率。其基本原理是，若某个指标的信息熵越小，则说明该指标所提供的信息量越大，对知识流动的影响也越大，即权重越大；反之，则权重越小；若该指标间的差值等于零，则说明其对知识流动没有影响。

表1 知识聚合测度指标体系

基于以上自有知识和知识流动的分析，知识聚合测度指标体系的具体内容如表1所示。

2.3 省际知识聚合测度与分析

根据上述永续盘存法和熵权法的基本步骤，基于构建的知识聚合测度指标体系，即可得到2009-2015年中国省际知识聚合的测度结果，具体数值如表2所示；进一步利用简单算术平均法可以得到四大区域以及全国知识聚合测度结果，具体数值如表3所示。

表2 2009-2015年中国省际知识聚合测度结果

表3 四大区域及全国知识聚合测度结果

注：东部地区包括北京、天津、河北、上海、江苏、浙江、福建、山东、广东和海南；中部地区包括山西、安徽、江西、河南、湖北和湖南；西部地区包括内蒙古、广西、重庆、四川、贵州、云南、陕西、甘肃、青海、宁夏和新疆；东北地区包括辽宁、吉林和黑龙江；西藏和港澳台地区因数据缺失而未被分析。

根据表2和表3的知识聚合测度结果，我们可以发现：

第一，从全国角度来看，一方面，中国知识聚合均值为1277.4796，除低于东部地区知识聚合均值之外，均高于其他三大区域知识聚合均值，且高于全国均值的地区有10个，低于全国均值的地区有20个，表明66.67%的地区知识聚合水平仍然较弱；另一方面，中国知识聚合年均增长率为14.14%，低于东部与中部地区知识聚合年均增长率，高于西部和东北地区知识聚合年均增长率，且高于全国年均增长率的地区有19个，低于全国年均增长率的地区有11个，表明中国地区知识聚合发展趋势良好。需要注意的是，中部地区年均增长率已超过东部地区，成为增速最快的区域，未来发展前景美好；而东北地区知识聚合的情况却不容乐观，虽然年均值暂处于第二名，但年均增长率远远低于全国水平，仅为5.89%，成为增速最慢的区域。若长期这样发展下去，将逐渐落后于其他三大区域。

第二，从四大区域角度来看，一方面，东部地区知识聚合均值为2506.8435，处于较高水平，中部、西部和东北地区知识聚合均值分别为918.3382、429.3415和1007.7226，东北高于中部和西部，西部地区最低。同时，除了中部和东北的知识聚合均值相差最小（为89.3844）以外，其他区域之间相差都较大，特别是东部和西部的知识聚合均值相差最大，达将近六倍。另一方面，东北地区知识聚合年均增长率远低于其他三大区域。这些数据表明知识聚合在四大区域间发展不平衡，存在较大差异。

第三，从省际角度来看，中国各省份知识聚合存在很大差异。一方面，知识聚合均值排名处于前6名的省份分别为江苏、广东、北京、山东、上海和浙江，均来源于东部地区，排名处于后9位的省份分别为内蒙古、广西、云南、甘肃、贵州、新疆、宁夏、海南和青海，除海南外，其他地区均来源于西部地区。此外，2009-2015年间中国知识聚合最高和最低的地区分别为江苏和青海，差距分别为2802.0304、3356.8464、3857.6891、4619.0526、5199.5640、5797.6389、6532.7717，均值相差4595.0847。另一方面，知识聚合年均增长率排名处于前4名的省份分别为安徽、山东、云南和福建，来源于东部、中部和西部，排名处于后4名的省份分别为吉林、辽宁、青海和黑龙江，除青海外，均来源于东北地区。这些数据表明中国知识聚合发展极不平衡，且有扩大趋势。

进一步分析知识聚合的内部结构特点，各省份自有知识均值和知识流动均值的具体情况如图2和图3所示。

图2 2009-2015年省际自有知识均值

Figure 2 The average value of provincial self-owned knowledge from 2009 to 2015

图3 2009-2015年省际知识流动均值

Figure 3 The average value of provincial knowledge flow from 2009 to 2015

从图2和图3可以发现以下几点：第一，省际自有知识和知识流动这两部分的高低发展趋势基本相同，即自有知识部分多的区域，知识流动部分也较多；而自有知识部分少的区域，知识流动部分也较少。其主要原因在于：自有知识部分强的区域，往往对知识更加重视，同时具有较好的知识基础。因此，这些区域更有能力和意愿接收外来知识的流入。这表明自有知识和知识流动是相辅相成、不可分割的，都必须给予足够的重视。第二，省际间自有知识和知识流动的差距均很大。北京、上海、江苏及广东的自有知识和知识流动明显高于其他地区，其主要原因可能在于：北京作为首都，具有明显的经济基础优势和政策优势，不仅可以保证充足的研发经费投入，持续增加自有知识，还可以吸引大量优秀人才的流入，促进知识的快速流动。上海、江苏及广东都是沿海地区，具备明显的区位优势，而且属于经济发达地区，基础设施完善，便于技术、人才等创新资源的流动。第三，省际自有知识部分总是大于知识流动部分。这是符合客观逻辑的，因为知识的流入会增加省际知识聚合，而知识的流出却不会造成自有知识的减少，这主要是由知识具有不排他性和可复制性所决定的。从某种意义上说，自有知识部分是自身知识的积累，而知识流动只是反映当期区域知识的变化。

3 实证设计

3.1 计量模型设定

创新是在设定知识生产函数的基础上，将新的研发要素和研发环境重新优化配置，进而引入到生产活动中。以往研究表明[32-34]，除知识聚合会影响区域创新能力外，研发经费投入强度、政府支持程度和区域创新机构数等也会影响区域创新能力。因此，为了更全面准确的探讨省际知识聚合对区域创新能力的影响，本文在Griliches[35]和Jaffe[36]研究的基础上对知识生产函数进行扩展，将上述变量引入为控制变量，并利用Cobb-Douglas形式构建省际知识聚合对区域创新能力影响模型。具体过程如下：

式(8)可变换为

式(9)两边取对数，将模型设定为

在上述三个公式中，为被解释变量，表示区域创新能力；为解释变量，表示省际知识聚合；、、为控制变量，分别表示研发经费投入强度、政府支持程度和区域创新机构数；表示影响区域创新能力的其他因素；β为常数项；ββββ分别为各变量的估计弹性系数；为随机误差项；下标和分别表示不同的地区和年份。

为进一步比较自有知识和知识流动对区域创新能力影响的差异，以及研究二者在影响区域创新过程中是否存在某种交互作用，本文构建模型(11)和模型(12)，具体表达式如下：

其中，表示自有知识；表示知识流动；βββ为相应系数；其他变量与符号同模型(10)。

3.2 变量说明和数据处理

3.2.1 被解释变量

本文的被解释变量为区域创新能力。如何准确衡量一个地区的区域创新能力，目前尚未形成统一的认识。总结以往研究，对区域创新能力的衡量大致从创新投入和创新产出两个方面着手[37]。由于本文中区域创新投入与控制变量之间可能存在多重共线性，故仅从创新产出角度衡量区域创新能力。区域创新产出一般分为中间产出和最终产出，中间产出代表科研成果产出，通常用专利申请数、专利授权数等指标来衡量；最终产出代表产品产出，通常用新产品产值、新产品销售收入等指标来衡量。根据前文分析，知识聚合对区域创新能力的影响不仅表现为创新成果的产生，还体现在创新成果的商业化价值，故本文选择从创新最终产出角度衡量区域创新能力。由于《中国科技统计年鉴》自2012年起不再提供新产品产值的数据，而新产品销售收入具有易测量性、数据可获得性与可比性强等优势，且能直接体现创新成果经济转化的市场价值[38]。因此，本文选择新产品销售收入这一指标来衡量区域创新能力。新产品销售收入主要由工业企业实现，故选用规上工业企业新产品销售收入测度区域创新能力。

3.2.2 解释变量

本文的被解释变量为省际知识聚合。根据前文对中国省际知识聚合的测度结果，采用省际知识聚合总量来度量。一般而言，省际知识聚合对区域创新能力具有正向影响，即该指标的数值越大，表明该区域的创新能力越强，反之亦然。同时，进一步研究自有知识、知识流动及二者的交互效应对区域创新能力的影响。

3.2.3 控制变量

根据上述设定的计量模型，本文的控制变量分别为研发经费投入强度、政府支持程度和区域创新机构数。

研发经费投入强度。物质资本是创新产生的基本要素之一。研发经费作为创新活动物质资本的重要表现形式，其投入强度的大小直接影响到区域创新能力的高低。一般情况下，研发经费投入强度越大，往往代表着区域自主创新能力越强，对创新资源的利用效率和整合水平越高，从而加速促进区域创新的产生。因此，本文采用研发经费支出占GDP的比重来表示研发经费投入强度[32]。

政府支持程度。区域创新活动无论处于中间阶段，还是最终阶段，都离不开政府的大力支持，特别是资金支持，政府可以通过资金支持对区域创新活动进行引导、协调及优化。针对政府影响区域创新能力的中国实际情况，借鉴陈恒等[33]的研究，本文采用科学技术财政支出占政府财政支出的比重作为政府支持程度的代理变量。

区域创新机构数。企业、高校及研发机构是区域创新系统的主要三大主体。它们为创新提供研发经费、研发人员、研发基础设施等创新资源，是促进创新产生的重要保证。为反映三大创新主体的竞争程度，本文将区域创新机构数引为控制变量，并采用有研发活动的企业、高校及研发机构数量之和表示[34]。

3.3 数据来源

本文选取了2009-2015年中国30个省份（西藏和港澳台地区因数据缺失而忽略）的面板数据为研究样本。为了保证统计数据的可获得性与可比性，本文的原始数据均来源于《中国统计年鉴》（2010-2016）、《中国科技统计年鉴》（2010-2016）、《中国区域创新能力评价报告》（2011-2017）以及各地区统计年鉴。需要说明的是，为消除物价变动的影响，更准确地反映当期实际情况，本文利用一些价格指数对与价格有关的指标数据做平减处理，即用地区GDP指数对产学研合作、地区技术市场交易合同额及国际技术引进额进行平减，用固定资产投资价格指数对FDI进行平减，用工业生产者出厂价格指数对新产品销售收入进行平减，均折算为以2009年为基期的数据。其中，国际技术引进额和FDI按当年人民币兑换美元的外汇年平均价进行汇率处理。为合理控制模型异方差和共线性，对所有变量取自然对数。各主要变量统计特征的简要描述如表4所示。

表4 主要变量指标的描述性统计

4 省际知识聚合对区域创新能力影响的实证分析

4.1 模型估计方法的选择

面板数据模型的估计方法颇多，每种方法都有其特定的基本假设或前提条件，倘若面板数据模型不满足其条件，则可能使估计结果产生偏误。为了保证模型估计结果的稳健性，我们分别采用混合回归（OLS）、固定效应（FE）和随机效应（RE）三种估计方法，同时采用逐次加入控制变量的方式进行回归分析。此外，为选择最佳的估计方法，通过F检验对混合回归和固定效应进行比较选择，通过LM检验对混合回归和随机效应进行比较选择，如果F检验与LM检验都通过了显著性检验，则说明固定效应与随机效应均优于混合回归，最后通过Hausman检验对固定效应和随机效应进行比较选择。本文所用的分析软件均为Stata13。

4.2 模型估计结果与分析

为了探讨知识聚合是否促进区域创新能力提升以及其对区域创新能力的影响是否存在区域间差异，我们将模型(10)估计分为两个部分：一是总体回归分析；二是分区域回归分析。

4.2.1 总体回归结果与分析

运用上一节的模型估计方法，首先对总体样本的各解释变量系数进行估计，其结果如表5所示。

表5 总体回归分析结果

注：括号内的数据为标准误；*、**、***分别表示在10%、5%、1%的水平下显著；OBS表示样本值个数；/表示无内容。

从表5可以看出，F检验、LM检验及Hausman检验的估计值均为正，除方程（1）的Hausman检验外，其他检验均通过了5%水平的显著性检验，表明固定效应是最优的选择，故本文只列出了检验之后的回归分析结果。表5的方程（1）为随机效应模型下的估计结果，方程（2）、方程（3）和方程（4）分别为固定效应模型下逐次加入控制变量的估计结果。从中可以看出，各方程的总体显著性随着控制变量的增多而不断增强，说明我们构建的面板数据模型与选择的估计方法都是合理的。其中，方程（4）的各变量系数均通过了显著性检验，且R-squared为0.8280，模型拟合效果良好，说明其估计结果是稳健的。因此，我们选择方程（4）进行后续的分析。

根据方程（4）中各解释变量系数值的估计结果，可以得到以下几点结论：第一，在控制了研发经费投入强度、政府支持程度和区域创新机构数等条件下，省际知识聚合对区域创新能力具有显著的正向影响（通过了1%水平的显著性检验），并且当省际知识聚合每增加1%，区域创新能力将提高0.6841%。这不仅说明前述对区域知识聚合的衡量指标与测度方法是合理的，还表明区域知识聚合对区域创新能力的提升发挥着重要作用。第二，研发经费投入强度对区域创新能力的影响系数为正，且通过了5%水平的显著性检验。当研发经费投入强度增加1%，区域创新能力将提高0.4910%。因为研发经费投入强度的增加能够为新知识或新技术的产生以及新产品商业价值的成功转化提供强有力的资金保障，使得区域创新活动在开展过程中具有生命力。第三，政府支持程度对区域创新能力具有显著的正向促进效应（通过了5%水平的显著性检验），且当政府支持程度每增加1%，区域创新能力将提高0.2724%。政府支持可以通过足够优惠的经济政策、增加科学技术财政支出及制定相关创新扶持措施等方式为区域创新活动提供良好的创新环境，激发创新活力，保证创新良性发展。第四，区域创新机构数的系数显著为正，且当区域创新机构数每增加1%，区域创新能力将提高0.1280%，这说明其对区域创新能力的提升具有积极影响。企业、高校及研发机构是区域创新活动的重要主体，通过区域创新机构数的增加，不仅可以直接促进创新成果的产生，提高区域创新能力，还可以发挥“干中学”效应，实现区域创新能力的进一步提升。

4.2.2 分区域回归结果与分析

前面的分析已表明，一方面，省际知识聚合对区域创新能力具有显著的正向影响；另一方面，省际知识聚合在中国东部、中部、西部及东北这四大区域间却存在较大差异，这种差异是否会导致四大区域对区域创新能力的影响也存在差异？基于此，以中国四大区域为考察对象，探讨省际知识聚合对区域创新能力影响的区域差异。

借鉴刘军等[39]的研究，本文以中部地区为参照样本，引入三个区域控制虚拟变量East（东部）、West（西部）和Northeast（东北），重新对模型(10)进行回归分析，所用估计方法、分析软件与总体样本回归分析相一致。其中，当研究样本为东部地区时，East取值为1，否则取值为0；当研究样本为西部地区时，West取值为1，否则取值为0；当研究样本为东北地区时，Northeast取值为1，否则取值为0。分区域样本回归结果如表6所示。

表6 分区域回归分析结果

注：括号内的数据为标准误；*、**、***分别表示在10%、5%、1%的水平下显著；OBS表示样本值个数；/表示无内容。

从表6可以看出，F检验、LM检验及Hausman检验均通过了1%水平的显著性检验，拒绝原假设，说明固定效应是最佳选择，故本文只列出了固定效应下的模型估计结果。表6的方程（5）、方程（6）、方程（7）和方程（8）分别为固定效应模型下逐次加入控制变量的回归分析结果。可以发现，方程（8）的估计结果是稳健的。因此，我们选择方程（8）进行后续的分析。

从估计结果可以看出，省际知识聚合对区域创新能力的影响存在明显的区域差异。作为参照组的中部地区，其知识聚合对区域创新能力的影响系数为1.0443，且通过了1%水平的显著性检验；东部地区知识聚合对区域创新能力的影响为正，弹性系数为0.8334（该系数为作为参照组的中部地区的系数与东部地区虚拟变量的系数之和），但未过显著性检验；西部地区知识聚合对区域创新能力的影响也为正，弹性系数为0.6094（该系数为作为参照组的中部地区的系数与西部地区虚拟变量的系数之和），且通过了1%水平的显著性检验；东北地区知识聚合对区域创新能力的影响为负，弹性系数为-0.2657（该系数为作为参照组的中部地区的系数与东北地区虚拟变量的系数之和），且通过了1%水平的显著性检验。

通过比较发现：中部地区知识聚合对区域创新能力的影响最大，东部地区次之，紧接为西部地区，东北地区最小，四大区域间存在明显的差异。中部地区知识聚合较西部地区知识聚合对区域创新能力提升作用更大的原因主要在于：一是经济基础不同。随着中部崛起等战略的深入贯彻，中部地区的经济水平得到大幅度提高，具备较深厚的知识积累和较强的消化吸收能力。不仅可以充分挖掘自身创新知识资源，提高自有知识总量；还可以积极引进、消化及吸收先进技术等外部知识资源，促进知识聚合创新驱动效应的进一步提升。虽然西部地区在实施西部大开发等战略以来，经济发展取得了较大进步，但由于自身经济基础薄弱，无法为创新活动提供充足的自有知识；加上消化吸收能力不足，对知识流动所带来的外部知识也不能有效利用。二是区位条件不同。中部地区较西部地区具有更好的区位优势。中部地区利用紧邻东部发达地区的优越地理条件，不仅便于模仿、学习其先进经验，还有利于提高知识流动总量，推动自有知识与知识流动的有效聚合。西部地区由于地理位置的限制，与发达地区的沟通、交流不便，且知识流动量较少，导致知识聚合对区域创新能力的促进效应较低。需要注意的是，东北地区知识聚合对区域创新能力具有显著的抑制作用。产生该结果的原因在于：一方面，体制机制的束缚。东北地区仍然存在的体制性与结构性等深层次矛盾导致知识聚合与其他创新要素之间的比例结构不合理、协同程度较低，严重阻碍知识聚合创新驱动效应的发挥。另一方面，东北地区对创新活动的重视程度不够，集中表现为有效的创新政策较少。人才作为知识的载体，特别是隐性知识的传播者，对区域创新具有至关重要的作用。人才管理政策不完善造成东北地区人才外流现象十分严重，从而导致东北地区知识聚合效度较低，不能很好地发挥知识聚合的作用。同时，东北地区创新活动的相关配套设施不到位，不能为自有知识与知识流动的有效聚合提供良好的外部创新环境，缺乏健全的创新监管制度。概言之，由于机制体制的制约和创新政策的不足，导致知识聚合无法发挥其积极作用，反而抑制了东北地区创新能力的提升，从而造成东北地区创新活动不活跃、自主创新能力不强[40]。结合当前四大区域的知识聚合水平和创新能力水平相差较大的事实，可以推断出，区域间创新能力水平的差异将不断扩大。

4.3 扩展分析

为进一步探讨知识聚合内部，即自有知识与知识流动对区域创新能力影响的差异，以及自有知识与知识流动在影响区域创新过程中是否存在某种交互作用，本文运用上述模型估计方法对自有知识与知识流动的主效应及二者的交互效应进行回归分析。

4.3.1 自有知识与知识流动的主效应估计

表7给出了自有知识与知识流动对区域创新能力的主效应估计结果。其中，方程（9）、方程（10）、方程（11）和方程（12）分别为逐次加入控制变量的回归分析结果。

表7 自有知识与知识流动对区域创新能力的主效应

注：括号内的数据为标准误；*、**、***分别表示在10%、5%、1%的水平下显著；OBS表示样本值个数；/表示无内容。

由表7可知，方程（12）的变量系数基本都通过了显著性检验，且模型拟合效果良好，故本文选择方程（12）进行分析。从中可以发现，在控制了研发经费投入强度、政府支持程度和区域创新机构数等条件下，自有知识对区域创新能力的影响显著为正，且通过了1%水平的显著性检验。当自有知识每增加1%，区域创新能力将提高0.6137%。这说明单纯提高自有知识能够促进区域创新能力的显著提升。自有知识可以为区域创新活动提供可靠的知识、技术、人才、资金等创新资源，支撑并推动区域自主创新向前发展。更重要的是，自有知识与本地创新活动具有较高的匹配度和良好的适用性，能够有效满足区域创新系统发展的需要。而对于知识流动，其弹性系数虽为正，但未通过10%水平的显著性检验，说明各地区知识流动对区域创新能力的主效应并不显著，即单纯提高知识流动对区域创新能力不会产生显著的促进效应。产生这种现象的原因可能在于：一方面，知识流动作为区域外部的知识资源，并不会直接作用于区域创新能力，需要通过一定的间接途径影响区域创新能力。另一方面，知识流动对区域创新能力的影响会受限于地区消化吸收能力的制约。当地区消化吸收能力较低时，无法实现对知识流动的吸收、转化及利用，从而造成知识流动的主效应不显著。通过对比自有知识和知识流动的弹性系数可知，二者均为正，且自有知识弹性系数大于知识流动。这表明自有知识对区域创新能力的主效应远远超过知识流动，即区域创新能力的提高主要依赖于区域自身的知识资源；同时，没有充分发挥出知识流动对区域创新能力的促进效应。

4.3.2 自有知识与知识流动的交互效应估计

表8给出了自有知识与知识流动的交互效应对区域创新能力影响的估计结果。其中，方程（13）、方程（14）、方程（15）和方程（16）分别为逐次加入控制变量的回归分析结果。

表8 自有知识与知识流动对区域创新能力的交互效应

表8（续） 自有知识与知识流动对区域创新能力的交互效应

lnidu///0.1390* （0.0730） constant0.39232.4381*5.9402***4.9046*** （0.7956）（1.3320）（1.6408）（1.7170） R-squared0.83940.82190.79950.8326 F检验43.06***43.19***38.75***25.86*** LM检验444.26***430.77***384.99***299.64*** Hausman检验4.778.2213.23**19.54*** OBS210210210210

注：括号内的数据为标准误；*、**、***分别表示在10%、5%、1%的水平下显著；OBS表示样本值个数；/表示无内容。

由表8可知，方程（16）的变量系数均通过了显著性检验，且模型拟合效果良好，故本文选择方程（16）进行分析。从中可以看出，在控制了研发经费投入强度、政府支持程度和区域创新机构数等条件下，自有知识与知识流动交互效应的弹性系数为-0.0597，且通过了10%水平的显著性检验，表明自有知识与知识流动在影响区域创新过程中存在着显著的“互斥效应”。各地区希望利用知识流动实现区域外部知识资源的引入，从而弥补本地有限创新资源的不足和促进示范效应的发挥。但事实上，区域创新系统并未能够通过内外部知识融合而有效推动区域创新能力的提高，相反地却“替代”、“挤出”了区域自身的知识创新资源，降低自有知识与知识流动对本地创新能力的促进作用，即自有知识与知识流动在影响区域创新过程中存在“互斥效应”。出现此种现象的可能原因可以从地区消化吸收能力角度解答。知识流动所带来的知识资源并不一定对本地创新具有正向影响，关键在于是否能够对吸收到的知识进行优化、学习与利用，达到弥补自身创新资源缺失的目的。倘若区域创新系统不足以消化吸收知识流动所带来的知识资源而盲目利用，势必会影响自有知识促进效应的发挥。值得注意的是，此时知识流动的弹性系数为0.3777，且通过了10%水平的显著性检验，说明知识流动对区域创新能力具有显著的积极效应。这与前文知识溢出对区域创新能力不存在显著促进作用是不一致的，即单纯考虑知识流动对区域创新能力的主效应时，其弹性系数是不显著的；而综合考虑知识流动与自有知识产生交互效应时，知识流动的弹性系数转变为显著。这更加验证了知识流动促进效应的发挥不能直接作用于区域创新能力。知识流动只有与本地自有知识实现良好的协同与融合，才能更好地发挥促进作用。在这过程中，都离不开地区消化吸收能力的驱动。

5 结论与建议

本文利用2009-2015年中国省域面板数据，从自有知识和知识流动两方面构建知识聚合测度指标体系，并运用永续盘存法和熵权法对知识聚合进行测度；在此基础上，实证分析了省际知识聚合对区域创新能力的影响，主要得到如下结论：（1）中国省际知识聚合大致呈现一种东高西低的非均衡态势，四大区域间差异明显，且伴有扩大趋势；（2）在控制了研发经费投入强度、政府支持程度和区域创新机构数等条件下，省际知识聚合对总体区域创新能力具有显著的正向影响，而对分区域创新能力影响存在明显的区域差异，其中，中部地区知识聚合较西部地区知识聚合对区域创新能力的提升作用更大，东北地区知识聚合对区域创新能力具有抑制作用，东部地区知识聚合影响不显著；（3）自有知识对区域创新能力的促进作用大于知识流动，且二者在影响区域创新过程中存在着显著的“互斥效应”。

根据研究结论提出以下建议：（1）省际知识聚合对总体区域创新能力总是具有促进作用，这就要求各地区首先应重视人才流动，建立和完善相适应的人才引进、教育及激励机制，促进知识流动的增加，特别是隐性知识的流入，为区域创新提供核心技术支持；其次，不断增加知识聚合总量，努力提高知识聚合水平，缩短区域差距。（2）针对省际知识聚合差异化影响四大区域创新能力的事实，四大区域可以因地制宜，建立和完善与之相适应的知识聚合驱动创新机制。①对于东部地区，充分发挥人力资本、资金、技术等优势，同时加大对国外先进实用技术的引进，强化对引进技术的消化、转化与创新。②对于中部地区，继续实施创新驱动发展战略，夯实经济基础。在增加自有知识的同时，利用紧邻东部发达地区的区位优势，扩大知识流动，积极引进人才、技术等外部知识，实现优势资源的良好对接，进一步提升知识聚合对区域创新能力的促进作用。③对于西部地区，首先要大力发展经济，提高自有知识；其次应注重自身区位条件的改善，增加交通、通信及网络等基础设施投资，为知识流动提供便利；最后是扩大人才队伍，提高区域消化吸收能力，可通过发展科技与教育事业以增加本地创新人员、制定优惠政策以吸引外地人才流入等途径展开。④对于东北地区，首先以供给侧结构性改革为主线，贯彻落实新发展理念，积极推进体制机制改革，改变知识聚合与其他创新要素结构不合理的现状；其次，着手推进创新驱动政策发展，如完善人才培养、人才发展、人才引进及人才激励的领军型人才管理机制，构建内联外通的创新基础设施网络体系，加强创新政策实施的监管，推动自有知识和知识流动的协同与融合。（3）各地区应确立自有知识创新驱动的重要地位，增加自有知识总量，努力提升自有知识对区域创新能力的促进作用；同时，应充分利用知识的空间外溢性，提高对知识流动的消化与吸收，尽可能地弱化二者的“互斥效应”所带来的不利影响，逐渐实现自有知识与知识流动的协同发展与耦合，使得知识聚合更有效地推动区域创新能力的提升及区域经济的发展。

本文丰富了知识聚合对区域创新能力影响的研究，但受统计资料的限制，仅对2009-2015年省域数据进行实证分析。省际知识聚合是一个复杂的动态过程，随着时间推移，样本期间的逐渐扩大，省际知识聚合对区域创新能力的影响是否会变化？这将是作者后续研究的方向。

[1] Harmaakorpi V, Melkas H. Knowledge management in regional innovation networks: The case of Lahti, Finland [J]. European Planning Studies, 2005, 13(5): 641-659.

[2] 李亚婷. 知识聚合研究述评[J]. 图书情报工作, 2016, 60(21): 128-136.

Li Y T. A review on knowledge aggregation [J]. Library and Information Service, 2016, 60(21): 128-136.

[3] 邱均平, 刘国徽. 基于期刊作者耦合的学科知识聚合研究[J]. 情报杂志, 2014, 33(04): 17-22.

Qiu J P, Liu G H. Research of discipline knowledge aggregation based on the journal-author coupling method [J]. Journal of Intelligence, 2014, 33(04): 17-22.

[4] 杨志锋, 邹珊刚. 知识资源、知识存量和知识流量: 概念、特征和测度[J]. 科研管理, 2000, 21(04): 105-111.

Yang Z F, Zou S G. Stores and flows of knowledge resources: Features and measurement [J]. Science Research Management, 2000, 21(04): 105-111.

[5] Leonard N, Insch G S. Tacit knowledge in academia: A proposed model and measurement scale [J]. The Journal of Psychology, 2005, 139(6): 495-512.

[6] Boudreau J W. Strategic Knowledge Measurement and Management [D]. Cornell University, 2002.

[7] 魏和清. 关于知识测度理论与方法的思考[J]. 当代财经, 2005(07): 120-123.

Wei H Q. Thinking about the theory and method of knowledge measurement [J]. Contemporary Finance & Economics, 2005(07): 120-123.

[8] 孙静娟, 陈笑. 我国知识水平测度及对经济增长的贡献分析[J]. 数量经济技术经济研究, 2009, 26(08): 71-82+134.

Sun J J, Chen X. Measuring China's knowledge level and analyzing of its contribution to economic growth [J]. The Journal of Quantitative & Technical Economics, 2009, 26(08): 71-82+134.

[9] 范丹宇, 金峰. 创新系统中知识流动的机理及其影响因素[J]. 科学管理研究, 2006, 24(03): 92-95.

Fan D Y, Jin F. The knowledge flow in innovation system and its influencing factors [J]. Scientific Management Research, 2006, 24(03): 92-95.

[10] 张宝生, 张庆普. 虚拟科技创新团队知识流动效率影响因素的实证研究[J]. 情报科学, 2016, 34(02): 70-76+132.

Zhang B S, Zhang Q P. Empirical study on influencing factors of knowledge flow's efficiency in virtual technology innovation team [J]. Information Science, 2016, 34(02): 70-76+132.

[11] 崔志, 于渤, 崔崑. 企业知识吸收能力影响因素的实证研究[J]. 哈尔滨工业大学学报(社会科学版), 2008, 10(01): 127-132.

Cui Z, Yu B, Cui K. The empirical research on the impact factors of the absorptive capacity of enterprise [J]. Journal of Harbin Institute of Technology (Social Sciences Edition), 2008, 10(01): 127-132.

[12] Chen K, Guan J. Mapping the functionality of China's regional innovation systems: A structural approach [J]. China Economic Review, 2011, 22(1): 11-27.

[13] 岳鹄, 张宗益. R&D投入、创新环境与区域创新能力关系研究: 1997～2006[J]. 当代经济科学, 2008, 30(06): 110-116+126.

Yue H, Zhang Z Y. Investigation on R&D input and the regional innovation environment and innovation capability: 1997-2006 [J]. Modern Economic Science, 2008, 30(06): 110-116+126.

[14] 孙晓阳, 詹祥. 知识流动视角下市场化程度对区域创新能力的影响及其地区差异[J]. 技术经济, 2016, 35(01): 36-42.

Sun X Y, Zhan X. Impact of marketization on regional innovation capacity and its regional differences under perspective of knowledge flow [J]. Technology Economics, 2016, 35(01): 36-42.

[15] 李婧, 何宜丽. 基于空间相关视角的知识溢出对区域创新绩效的影响研究——以省际数据为样本[J]. 研究与发展管理, 2017, 29(01): 42-54.

Li J, He Y L. Study of knowledge spillover effect on regional innovation performance from the perspective of spatial correlation: Based on provincial data samples [J]. R&D Management, 2017, 29(01): 42-54.

[16] 苏屹, 李柏洲, 喻登科. 区域创新系统知识存量的测度与公平性研究[J]. 中国软科学, 2012(05): 157-174.

Su Y, Li B Z, Yu D K. Measure and equity of regional innovation systems' knowledge stock [J]. China Soft Science, 2012(05): 157-174.

[17] 吴延兵. 中国地区工业知识生产效率测算[J]. 财经研究, 2008, 34(10): 4-14.

Wu Y B. Calculation of knowledge production efficiency of industry across regions of China [J]. Journal of Finance and Economics, 2008, 34(10): 4-14.

[18] 朱平芳, 徐伟民. 政府的科技激励政策对大中型工业企业R&D投入及其专利产出的影响——上海市的实证研究[J]. 经济研究, 2003(6): 45-53+94.

Zhu P F, Xu W M. On the impact of government's S&T incentive policy on the R&D input and its patent output of large and medium-sized Industrial enterprises in Shanghai [J]. Economic Research Journal, 2003(6): 45-53+94.

[19] 杨青峰. 高技术产业地区研发创新效率的决定因素——基于随机前沿模型的实证分析[J]. 管理评论, 2013, 25(6): 47-58.

Yang Q F. Research on the influencing factors of R&D innovation efficiency of high-tech industry in China: Based on stochastic frontier model [J]. Management Review, 2013, 25(6): 47-58.

[20] 林秀梅, 徐光瑞. 高技术产业研发效率增长及其区域收敛[J]. 数量经济研究, 2012, 3(01): 76-90.

Lin X M, Xu G R. Study on high-tech industry's R&D efficiency growth and its convergence in China [J]. The Journal of Quantitative Economics, 2012, 3(01): 76-90.

[21] Teece D J. Technology transfer by multinational firms: The resource cost of transferring technological know-how [J]. The Economic Journal, 1977, 87(6): 242–261.

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

[23] 华连连, 张悟移. 知识流动及相关概念辨析[J]. 情报杂志, 2010, 29(10): 112-117.

Hua L L, Zhang W Y. Analysis of knowledge flow and its relative concepts [J]. Journal of Intelligence, 2010, 29(10): 112-117.

[24] Easterby-Smith M, Lyles M A, Tsang E W K. Inter-organizational knowledge transfer: Current themes and future prospects [J]. Journal of Management Studies, 2008, 45(4): 677-690.

[25] 方凌云. 企业之间知识流动的方式及其测度研究[J]. 科研管理, 2001, 22(01): 74-78+44.

Fang L Y. Method and measurement of knowledge gain and drain among enterprises [J]. Science Research Management, 2001, 22(01): 74-78+44.

[26] 祁延莉, 李婧. 用于知识流动测度的专利引文指标分析[J]. 中国基础科学, 2014, 16(02): 25-33.

Qi Y L, Li J. Analysis of patentcitation indicators for knowledge flow measurement [J]. China Basic Science, 2014, 16(02): 25-33.

[27] 叶选挺, 张剑, 刘云, 等. 产业创新国际化知识流动测度研究——基于专利跨国引用网络的视角[J]. 科学学与科学技术管理, 2014, 35(09): 14-23.

Ye X T, Zhang J, Liu Y, et al. Study on the measurement of knowledge flow of industrial innovation internationalization: Based on the transnational patent citation network [J]. Science of Science and Management of S. & T., 2014, 35(09): 14-23.

[28] 侯剑华, 王仲禹. 研究主题的知识流动测度及其实证分析——以H指数研究为例[J]. 图书情报工作, 2017, 61(10): 87-93.

Hou J H, Wang Z Y. The measurement of knowledge flow in research subject with a empirical analysis: Taking H-index study as an example [J]. Library and Information Service , 2017, 61(10): 87-93.

[29] 詹湘东, 王保林. 区域知识管理对区域创新能力的影响研究[J]. 管理学报, 2015, 12(05): 710-718.

Zhan X D, Wang B L. The impact of regional knowledge management on regional innovation capability: An empirical study based on panel data of provinces in China [J]. Chinese Journal of Management, 2015, 12(05): 710-718.

[30] 李淑, 夏宇. 知识转移对我国区域创新能力的影响研究[J]. 科学管理研究, 2012, 30(06): 41-44.

Li S, Xia Y. Study on the influence on regional innovation capability in China by knowledge transfer [J]. Scientific Management Research, 2012, 30(06): 41-44.

[31] 徐昱东. FDI、贸易开放与CO2排放: 以山东省为例[J]. 科研管理, 2016, 37(08): 76-84.

Xu Y D. FDI, trade openness and CO2emissions by taking Shandong Province as an example [J]. Science Research Management, 2016, 37(08): 76-84.

[32] 张建清, 刘诺. 国际技术溢出对区域经济增长的门槛效应研究[J]. 研究与发展管理, 2018, 30(01): 92-105.

Zhang J Q, Liu N. Threshold effect of international technology spillover on regional economic growth [J]. R&D Management, 2018, 30(01): 92-105.

[33] 陈恒, 侯建. R&D投入、FDI流入与国内创新能力的门槛效应研究——基于地区知识产权保护异质性视角[J]. 管理评论, 2017, 29(06): 85-95.

Chen H, Hou J. Research on the threshold effect of R&D, FDI and domestic innovation capability: Based on the regional heterogeneity of intellectual property protection [J]. Management Review, 2017, 29(06): 85-95.

[34] 苏屹, 安晓丽, 王心焕, 等. 人力资本投入对区域创新绩效的影响研究——基于知识产权保护制度门限回归[J]. 科学学研究, 2017, 35(05): 771-781.

Su Y, An X L, Wang X H, et al. Impact of innovation human capital investment on innovation performance of regional innovation system: Based on intellectual property protection intensity threshold regression [J]. Studies in Science of Science, 2017, 35(05): 771-781.

[35] Griliches Z. Issues in assessing the contribution of R&D to productivity growth [J]. Bell Journal of Economics, 1979, 10(1):92-116.

[36] Jaffe A. Real effects of academic research [J]. The American Economic Review, 1989, 79(5):957-970.

[37] 黄解宇, 孙维峰, 杨朝晖. 创新的就业效应分析——基于中国上市公司微观数据的实证研究[J]. 中国软科学, 2013(11): 161-169.

Huang J Y, Sun W F, Yang C H. The effect of innovation on employment: Empirical research based on the data of Chinese listed corporations [J]. China Soft Science, 2013(11): 161-169.

[38] 朱有为, 徐康宁. 中国高技术产业研发效率的实证研究[J]. 中国工业经济, 2006(11): 38-45.

Zhu Y W, Xu K N. The empirical research on R&D efficiency of Chinese high-tech industries [J]. China Industrial Economy, 2006(11): 38-45.

[39] 刘军, 李廉水, 王忠. 产业聚集对区域创新能力的影响及其行业差异[J]. 科研管理, 2010, 31(06): 191-198.

Liu J, Li L S, Wang Z. Impact of industrial agglomeration on the regional innovation and its industrial [J]. Science Research Management, 2010, 31(06): 191-198.

[40] 张志元, 王梓宸. 推进东北老工业基地供给侧结构性改革的思考[J]. 改革与战略, 2017, 33(05): 111-116.

Zhang Z Y, Wang Z C. On the structural reforms of the supply side of the northeast old industrial base in China under the new normal [J]. Reformation & Strategy, 2017, 33(05): 111-116.

Research on the measurement of provincial knowledge aggregation and its effect on regional innovation capability in China

SU Yi1, 2*, LIN Zhouzhou1, OU Zhonghui3

(1. School of Economics and Management, Harbin Engineering University, Harbin 150001, China; 2. School of Economics and Management, Tsinghua University, Beijing 10010, China; 3. School of Economics and Management, Fuzhou University, Fuzhou 350116, China)

At present, China's economic development has entered the "new normal" and faces many problems, such as technological innovation upgrading, resource and environment constraints, and regional disparities. It must rely on innovation to achieve sustainable economic development. From a practical perspective, knowledge aggregation is an important model for promoting local innovation capability. This paper takes 30 regions in China during 2009-2015 as the research object and analyzes the influence mechanism of knowledge aggregation on regional innovation capability deeply. It is specially divided into the following three parts.

Firstly, this paper constructs the measure index system of knowledge aggregation from two aspects of self-owned knowledge and knowledge flow. Among them, the self-owned knowledge part is represented by the R&D capital stock, and the knowledge flow part is represented by inter-regional knowledge flow and inter-national knowledge flow. Moreover, inter-regional knowledge flow is composed of industry-university-research cooperation and transaction value in technical markets by region. Inter-national knowledge flow is composed of international technology import and foreign direct investment (FDI). This paper uses a perpetual inventory method and entropy weight method to measure knowledge aggregation among provinces in China. Then it uses the simple arithmetic average method to calculate knowledge aggregation in four regions and the country. The results show that China's knowledge aggregation presents an unbalanced situation of East High and West Low. The difference in knowledge aggregation between the four regions is noticeable, and the trend is expanding. The development trend of self-owned knowledge and knowledge flow among provinces is the same. There is a large gap between self-owned knowledge and knowledge flow among provinces.

Secondly, this paper selects R&D expenditure input intensity, government support, and the number of regional innovation institutions as control variables, and empirically analyzes the influence of knowledge aggregation on regional innovation capability under different control factors. On this basis, taking the central region as a reference sample, three regional control dummy variables (East, West, and Northeast) are introduced to explore further the regional differences in the impact of knowledge aggregation on regional innovation capability. Besides, this paper goes deep into the internal knowledge aggregation. It explores the different effects between self-owned knowledge and knowledge flow on regional innovation capability, and whether there is some interaction between the two in the process of influencing regional innovation. First, the overall analysis shows that under the condition that R&D expenditure input intensity, government support, and the number of regional innovation institutions, knowledge aggregation can promote regional innovation capability. R&D expenditure input intensity, government support, and the number of regional innovation institutions also have a marked effect on regional innovation capability. Second, the comparative analysis of the sub-regions shows that there exists an obvious regional difference in the impact of knowledge aggregation on regional innovation capability. On the one hand, knowledge aggregation in the central region has the most significant impact on regional innovation capacity, followed by the eastern region and western region, and the northeast is the smallest. On the other hand, the effect of the west and central regions on regional innovation capability is significantly positive. The impact of the Northeast region on regional innovation capacity is significantly negative. The effect of the eastern region on regional innovation capacity is not significant. Third, self-owned knowledge promotes regional innovation capability more than knowledge flow, and there is a significant "mutually exclusive effect" between them in the process of influencing regional innovation.

Finally, the corresponding optimization countermeasures and suggestions are proposed for the research results. (1) All regions should attach importance to the promotion of knowledge aggregation to regional innovation ability, increase the total amount of knowledge aggregation, and improve the level of knowledge aggregation, and shorten the regional disparity. (2) The four regions can set up and improve their knowledge aggregation driven innovation mechanism according to local conditions. (3) Each region should establish the important position of self-owned knowledge innovation drive, improve the regional digestion and absorption capacity, and promote the effective convergence of self-owned knowledge and knowledge flow.

Knowledge aggregation; Measurement; Regional innovation capability; Regional differences

F061.5

A

1004-6062(2020)05-0062-013

10.13587/j.cnki.jieem.2020.05.007

2018-03-30

2018-09-16

Supported by the National Natural Science Foundation of China (71774036, 71872057, 71804084), the Social Science Foundation of Heilongjiang Province (17GLH21) and the Natural Science Foundation of Heilongjiang Province (QC2018088)

2018-03-30

2018-09-16

国家自然科学基金资助项目（71774036、71872057、71804084）；黑龙江省社会科学基金资助项目（17GLH21）；黑龙江省自然科学基金资助项目（QC2018088）

苏屹（1983—），男，黑龙江哈尔滨人；哈尔滨工程大学经济管理学院教授，博士；研究方向：科技创新与系统科学研究。

中文编辑：杜 健；英文编辑：Charlie C. Chen