辽宁省城市创新生态系统健康水平与影响因素

苗丽静 李学思(.东北财经大学经济学院，辽宁大连605；.东北财经大学公共管理学院，辽宁大连605）

一、引言

在全球竞争日益激烈的背景下，以资源投入和环境承载为主的发展模式已难以为继，新一轮世界科技革命正在重塑世界经济结构与发展格局，中国也正在改革开放中与时俱进，谋求突破与发展，创新驱动成为新形势下发展的重要引擎和基本共识。创新是一个国家和社会的系统工程，将创新的基本单位确定为城市，就构成城市创新生态系统。城市创新生态系统是由城市的创新技术进步与科技产业运营有机集合而形成的[1]。现有研究对创新生态系统研究的起点与角度具有一定差异，但大致分为定性与定量分析。基于商业生态系统架构的视角，可以发现构成创新生态系统的要件具有异质性[2]。从物质流动层面看，创新参与者（开展创新实践活动的个体与组织等主体）与创新环境（创新实践活动所需要的规则、法规与市场）是其必要组成部分[3]。从能量流动层面看，知识、技术等创新能力以及参与者互通性构成创新生态系统[4]。同时，创新生态系统的创新发展模式是深入了解创新系统内在结构的重要部分，受到学者广泛关注。在数字创新生态系统中，基于协同合作、平台竞争和共生演化的特征，创新发展模式呈现多样性[5-6]。创新生态系统具有不同的区域范围及特性，因此具有一定的多样性[7-8]。在定量分析上，相关学者多是对创新生态系统运行效率、适宜度等方面进行评价。对特定研究对象进行生态系统评价[9-13]可以有针对性地解决创新生态系统运行中所产生的问题。可以看到，目前已有的创新生态系统研究是基于理论分析对特定区域的评价研究。一方面，国内外关于创新生态系统的国家与地区研究，多涉及创新生态系统较为高效的国家或地区。同时，已有研究较少进行健康水平评价后的影响因素研究。辽宁省作为中国经济转型区域的代表，其各城市目前的创新生态系统健康水平是未来发展的重要参考依据。基于此，本文借鉴已有研究成果，以创新生态系统理论为基础，对辽宁省城市创新生态系统健康水平进行评价并分析健康水平影响因素，力图揭示当前辽宁省各城市创新生态系统健康水平的发展状况、空间分异及影响因素，以期为辽宁省各城市创新生态系统的未来建设提供实证参考依据。

二、数据来源与研究方法

（一）研究范围与数据来源

辽宁省14 个地级市是本文研究区域，地级市对应的城市创新生态系统是研究对象。同时，本文选择2010—2018年辽宁省各城市创新生态系统的面板数据作为研究观测样本。研究数据来源于《辽宁统计年鉴》《辽宁科技统计年鉴》《城市统计年鉴》、EPS 数据平台与中经网统计数据库。

（二）生态位适宜度模型

评价城市创新生态系统健康水平在生态位适宜度模型基准上进行，而这一模型源自生态位理论。Leibold M.A.最早展开生态位适宜度问题的研究，指出生物在一定时空范围内的生存与繁衍必然受多重环境因素约束，例如时间、空间、食物等[14]。李自珍等人认为，“一个物种的栖息地现实与最佳环境条件的趋近程度”即为生态位适宜度[15]。同时以深入剖析内涵为基准，增加理论应用性并实现对特定对象生态位适宜度的量化剖析，构建评估模型。综合已有研究，本文认为一定时空内的参与者开展创新创造时，生态位适宜度是实际资源贴近最适资源的程度，刻画了创新生态系统健康水平的具体情况。结合本文进行研究内容的特点及方向，对原有的生态位适宜度模型进行部分调整与改良：（1）生态位适宜度适用于截面数据类型，而本文研究数据是面板数据类型，因此对截面数据进行模型评价后，再按照时间顺序分析；（2）在指标赋权方面，选择使用时序全局主成分分析法改变了以往对指标数据均等赋权和熵值赋权的方法，可以更好解决指标共线性问题。

假设有m 个城市创新生态系统，EFij（i=1,2,…,m；j=1,2,…n）代表特定年份中城市创新生态系统i，指标j 的研究数据。因为各指标量级、单位与意义存在差异，它们不能实现合理有效的比较。本文采用z—score 标准化法处理研究数据，之后建立模型：

公式（1）中，Suitai代表城市创新生态系统i的生态位适宜度，正向反映健康水平情况。EFaj代表第j 个指标的最佳生态位通过公式（2）得到。代表城市创新生态系统i，指标j 实际生态位。ε（0≤ε≤1）为模型参数，其值通常通过公式（3）得到。

同时，Wj代表指标j 的权重，体现该指标在整个指标体系中对生态位适宜度的重要性。时序全局主成分分析能更好地解决指标共线性情况，本文选择此方法求取指标权重。步骤是将标准化处理后的研究数据构成mT×n 的时序立体数据矩阵，使用SPSS 软件根据选取原则选择前P 个主成分。具体的选取原则是主成分对应的特征值大于1，同时主成分的累计贡献率在75%以上。并根据公式（4）确定各指标权重，具体公式如下：

（三）PVAR 模型

面板向量自回归模型（PVAR 模型）由向量自回归模型（VAR 模型）发展而来的研究影响因素的重要数学模型。依据数据自身的统计学相关特性，全部内生变量对应的滞后项是解释变量就是VAR 模型中构建的函数，一般用于预测有关联的时间序列并分析其他内生变量受到单个内生变量冲击后的影响[16]。PVAR 模型由Holtz-Eakin et al.[17-19]提出，具有三个优点：一是模型适用于面板数据类型，样本容量得到明显扩大；二是控制与约束个体不易观测的差异；三是变量间动态交互作用更具便利地通过正交化的脉冲响应函数（OIRF）刻画出来。因此，PVAR 模型具有面板数据类型与VAR 模型的优点，便于有效分析辽宁省创新生态系统健康水平影响因素。PVAR 模型的设定如下：

其中，i 代表城市创新生态系统（i=1,2, …,m），t代表年份（t=2010,2011,…,2018），j 代表滞后的阶数（j=1,2, …,n），yit代表城市创新生态系统i在年份t 的2×1 维内生向量，yi,t-1代表yit在滞后期j 的变量。β0代表截距项向量；βj代表滞后期系数形成的矩阵；αi代表固定效应向量，刻画健康水平的异质性；vi,t代表时间效应向量，反映每一年的冲击效应；ui,t代表随机扰动项。

三、城市创新生态系统健康水平评价

（一）指标体系的构建

现有评价研究中评价指标体系的构建普遍在创新主体与创新环境方面进行。事实上，在功能方面以创新主体与创新环境反映不具有清晰性，易出现交叉重叠现象。Bendis 在2011年AAAS（American Association for the Advancement of Science）科学技术政策论坛的会议中提到，以物质流、能量流与信息流方式进行各种资本、资讯的交流共享，促进系统运行的高效性与稳定性。基于学者的研究成果，本文遵循规范性与公开性、科学性与可操作性、系统整体性与开放性原则，在物质流、能量流与信息流层面出发建立健康水平评价指标体系（如表1 所示），促使创新主体与创新环境互动联系更为密切。

（二）健康水平评价

表1 健康水平评价指标体系

1.数据处理

首先本文对2010—2018年辽宁省城市创新生态系统健康水平各评价指标进行z—score标准化处理。为保证数据能够继续进行分析，运用SPSS 做KMO 及Bartlett 检验。结果显示，KMO 检验值是0.838，介于0.8~0.9 之间；Bartlett 检验中近似卡方值是2394.919，因此数据适宜进行时序全局主成分分析求取权重。利用 SPSS 分析后， 得到特征值分别为7.702，1.184，1.058 的三个主成分，其累计方差贡献率为76.493%。由此可知，三个主成分可以解释76.493%的信息，在正常的损失范围内。之后，根据公式（4）可以得到权重。

2.评价结果及分析

基于上文的数据处理，利用Matlab7.0 建立生态位适宜度模型求出2010—2018年辽宁省各城市创新生态系统生态位适宜度，完成对城市创新生态系统健康水平的评价。

根据表2 与表3，从整体上看，辽宁省各城市创新生态系统健康水平的差异性较大，沈阳与大连的城市创新生态系统健康水平位居辽宁省各城市创新生态系统前列，具有一定优势；而本溪、丹东等城市创新生态系统的健康水平较为集中，并与健康水平处于前列的城市创新生态系统差距较大。从时间维度上看，辽宁省各城市创新生态系统的健康水平在2010—2018年并没有显著的提高，均在一定范围内小幅波动。沈阳、大连等城市创新生态系统健康水平虽处于辽宁省各城市创新生态系统健康水平前列，但随着时间推移，自身健康水平并未实现较大提升。2010—2018年，健康水平中游的城市创新生态系统与健康水平上游的城市创新生态系统仍存在一定差距，例如抚顺、阜新、辽阳等城市创新生态系统。从生态位适宜度排名情况上看，2010—2018年沈阳、大连与葫芦岛的排名位于前列，健康水平较稳定；朝阳的排名提升较为明显；本溪排名在2010—2016年较稳定，而2017—2018年呈现衰减趋势；鞍山、抚顺、丹东等城市创新生态系统的健康水平均在一定范围波动。

表2 辽宁省城市创新生态系统生态位适宜度（2010—2018年）

表3 辽宁省城市创新生态系统生态位适宜度排名（2010—2018年）

四、城市创新生态系统健康水平的影响因素

（一）变量的选取

本文基于前文所得到的辽宁省城市创新生态系统健康水平及主要影响因素构建PVAR 模型，以有效反应动态关联性，并找出影响辽宁省城市创新生态系统的关键因素。引入2010—2018年辽宁各城市的对外开放程度、人才资源潜力、企业经济效益与收入水平为自变量，利用软件STATA15.1 分别建立PVAR 模型探讨辽宁省城市创新生态系统健康水平受各因子的影响程度。

表4 影响因素指标及定义解释

（二）数据检验

1.面板平稳性检验

当面板数据不平稳时，会产生“伪回归”或“虚假回归”的现象而无法精准的反映各因子对城市创新生态系统健康水平的影响。因此先进行研究数据的平稳性检验而后估计PVAR 模型。本文采用LLC、IPS 与HT 检验确定数据的平稳性。当两种以上的检验通过时，则确定研究数据平稳，相反则不平稳。通过平稳性结果检验可知，lnhel、lnfdi、lnstu、lnxsl、lngzz 均通过两种或两种以上的平稳性检验，因此lnhel、lnfdi、lnstu、lnxsl、lngzz 数据是平稳的，可以构建PVAR 模型。

2.最优滞后阶数的确定

在最优滞后阶数确定这一过程中，数据在PVAR 模型中比在VAR 模型中要求宽松。当时间序列为T 时，滞后阶数为n，满足T≥n+3 就可以估计方程的参数；满足T≥2（n+1）就可以在稳态下滞后项参数。根据MBIC、MAIC、MQIC最小化准则，可以确定由lnfdi、lnstu、lnxsl、lngzz分别与lnhel 构建的PVAR 模型中最优滞后阶数均是1。根据最优滞后阶数所满足的不等式要求，可以判定所得到的各因子最优滞后阶数是有效的。

3.格兰杰因果检验

在各因子相应的PVAR 模型的最优滞后阶数得到确定后，还需要进行格兰杰因果检验。检验接受了lnhel 不是lnfdi、lnstu、lnxsl、lngzz 格兰杰原因的原假设。同时，分别拒绝lnfdi 与lngzz（显著性水平1%）、lnstu（显著性水平5%）、lnxsl（显著性水平10%）不是lnhel 格兰杰原因的原假设。这表明对外开放程度、人才资源潜力、企业经济效益与收入水平均对辽宁省城市创新生态系统健康水平产生一定影响，而城市创新生态系统健康水平对对外开放程度、人才资源潜力、企业经济效益与收入水平并不产生影响。

（三）GMM 估计

将对外开放程度、人才资源潜力、企业经济效益与收入水平分别与城市创新生态系统健康水平作为PVAR 模型的内生变量，选择广义矩估计方法（GMM）进行有效估计，从而得到各变量分别对城市创新生态系统健康水平的影响。通过对结果的比较观察可以发现：第一，滞后一期的对外开放程度(Llnfdi)在1%的显著性水平下对自身当期(lnfdi)具有影响，表明对外开放程度能够实现一定程度自我提升；滞后一期的对外开放程度(Llnfdi)在1%的显著性水平下对当期健康水平(lnhel)的影响系数为0.2284，是正向促进作用。第二，滞后一期的人才资源潜力(Llnstu)对自身当期(lnstu)不影响(未达到1%、5%或10%的显著性水平)；滞后一期的对外开放程度(Llnfdi)在5%的显著性水平下对当期健康水平(lnhel)的影响系数为-5.2607，表明前一期的人才资源潜力会比较显著地抑制健康水平的提高。第三，滞后一期的企业经济效益(Llnxsl)对自身当期(lnxsl)的不影响(未达到1%、5%或10%的显著性水平)；滞后一期的企业经济效益(Llnxsl)在10%的显著性水平下对当期健康水平(lnhel)的影响系数为-82.54，表明前一期的企业经济效益能够明显阻碍城市创新生态系统健康水平的提高，反映出当前的企业可能并未达到普遍以创新驱动发展的状态，因此其经济效益的提升并不会促进健康水平的提高。第四，滞后一期的收入水平(Llnzz)在1%的显著性水平下对自身当期(lngzz)的影响系数为0.8365，表明收入水平能够实现自身促进作用；滞后一期的收入水平(Llngzz) 在1%的显著性水平下对当期健康水平(lnhel)的影响系数为3.7865，表明前一期的收入水平对当期健康水平有正向促进作用。一方面，收入水平的提高促进了更多创新人才的集聚，另一方面会激发劳动者的工作积极性，利于创新活动的进行以及健康水平的提高。

（四）脉冲响应分析

在对PVAR 模型估计过程中，为了解作为内生变量的对外开放程度、人才资源潜力、企业经济效益与收入水平分别对城市创新生态系统健康水平的影响，首先进行面板数据的稳定性检验，这是脉冲响应分析的前提。根据Hamilton[20]与Lutkepohl[21]对于VAR 模型稳定性判定方法，当伴随矩阵中所有特征根的模均小于1 时，整个模型具有稳定性，具备进行脉冲响应分析的条件。当lnfdi、lnstu、lnxsl 与lngzz 分别与lnhel建立PVAR 模型时，所对应的特征值均小于1且位于单位圆以内，模型是稳定的，能对脉冲响应进行分析。

内生变量对误差变化时的响应程度由脉冲响应函数表达，即在误差项被施加一个标准差强度冲击后，内生变量自当期至未来所表现出的反应效果[22]。其余变量保持不变的前提下，脉冲响应函数纯粹地考察受单一变量产生的影响效果。由于脉冲响应函数是基于PVAR 模型的参数形成的，需要考虑标准误的问题。但是，在一般情况下标准误难以计算，因此本文进行了300 次蒙特卡罗模拟。基于之前PVAR 模型的检验与运行结果，得到脉冲响应函数图，刻画出城市创新生态系统健康水平对各因子冲击后的响应程度（图略）。

因子的冲击使健康水平具有的不同反应效果，具体而言：第一，给予对外开放程度一个正向冲击，健康水平在第一期内产生正响应并达到顶峰，之后响应程度减弱并最终趋于平稳。第二，给予人力资源潜力一个正向冲击，健康水平在第一期产生正响应达到低谷，自第二期负响应程度有所降低，后逐渐稳定。第三，给予企业经济效益一个正向冲击，健康水平开始具有负响应，并在第一期末处于负响应最低点，随时间变化趋于稳定。第四，给予收入水平一个正向冲击，城市创新生态系统健康水平迅速产生正响应并在第一期达到最大，随后响应程度在第二期衰减，第三期小幅增长。

（五）方差分解分析

为进一步考察各因子对城市创新生态系统健康水平的影响程度，采用方差分解方法预测不同变量的贡献程度。从分析结果中来看：第一，对外开放程度作为脉冲变量时，城市创新生态系统健康水平在第5 期具有25.54%响应程度，而在第5—10 期中，响应程度升至35.44%。从侧面反映在这一期间，城市创新生态系统健康水平的自我强化程度衰弱。第二，人才资源潜力作为脉冲变量时，预测到城市创新生态系统健康水平在第5 期具有34.50%的响应程度，在第10 期为34.55%，说明响应趋于稳定。第三，企业经济效益作为脉冲变量时，城市创新生态系统健康水平在第5 期与第10 期响应程度分别为46.60%与46.62%，在各因子作脉冲变量中响应最强而自我强化作用最弱。同样地，响应程度处于稳定的状态。第四，收入水平作为脉冲变量时，城市创新生态系统健康水平在第5 期具有26.89%的响应程度，并在第10 期末变化幅度不大，为28.41%。总的来看，对外开放程度对城市创新生态系统健康水平的在同样时间响应变化较大，企业经济效益的冲击响应程度最强。

五、结论与政策建议

本文以辽宁省14 个城市创新生态系统为研究对象，基于改进的生态位适宜度模型对其2010—2018年健康水平进行评价，并构建PVAR 模型分析健康水平受到的影响因素，得到以下结论：

第一，辽宁省各城市创新生态系统健康水平具有一定的差异，呈菱形结构，健康水平处于一般及较高程度的较多，而健康水平处于低和高程度的较少。同时，各城市创新生态系统在2010—2018年间健康水平均未有显著进步，具有一定稳定性。说明辽宁省各城市创新生态系统在突破发展上仍有进步空间，需要进一步开展可行有效的驱动创新发展的战略。

第二，对外开放程度、人才资源潜力、企业经济效益、收入水平对辽宁省城市创新生态系统健康水平都具有一定影响。其中，对外开放程度与收入水平产生正向冲击后，辽宁省城市创新生态系统健康水平会产生正响应，并且收入水平的影响程度更大。人力资源潜力与企业经济效益产生正向冲击后，辽宁省城市创新生态系统健康水平产生负响应。

基于以上研究结论，为了辽宁省各城市创新生态系统健康水平的提升以及其他城市创新生态系统健康水平的参考，本文提出如下政策建议：

第一，加强对外协作与交流，开拓创新发展路径。密切的对外协作与交流会促进彼此的共同进步。对外协作是互惠互利的重要体现，有利于实现技术进步，并最终走向共赢。政府作为创新的重要引领者，应抓住对外开放的机遇，促进各领域对外的交流与合作，肩负沟通介质作用，促进整个城市创新生态系统的高效运行发展。企业也应该重视与其他企业之间密切的合作，将竞争与合作视为互惠互利的良好契机，找准发展特色与方向，与时代同步。

第二，储备创新精英资源，出台有效人才引进政策。创新精英的培育是基于当前发展条件所进行投入的具有长远意义的举措，能够为未来城市创新生态系统的可持续运转助力。然而，这一举措并不具有及时显著的特性，当前的创新活动并不能依靠其有效解决。这就需要政府出台相应的人才引进政策，从而为当前实现创新发展提供强大的推动力。要统筹协调好对于基础教育、高等教育与当前创新政策的投入力度，做到创新精英的培育与当前人才的引进相平衡。

第三，优化创新成就转化体系，完备创新激励机制。基于当前的城市创新生态系统健康水平，完善科技服务平台，贯彻以知识产权保护为中心的创新机制。完善以科技创新为龙头的高新技术服务平台，促进产学研政社各方主体在城市创新生态系统中的作用。同时，支持创新主体在重要领域所创新与形成的创新产品，更好地维护创新主体知识产权，推动核心技术的专利化，促进知识产权的转化与实践。