我国创新能力区域差异及时空演进研究

杨 嵘 于枫敏 许晶晶

(西安石油大学 经济管理学院，陕西 西安 710065)

0 引 言

科学技术的高速迭代使经济发展由要素驱动向创新驱动转化，创新能力是衡量国家综合实力的重要标准之一。[1]65-7421世纪以来，我国一直将提高自主创新能力、建设创新型国家放在国家发展战略的核心位置，区域创新成为推动我国经济发展的主要动力。然而，由于资源、历史、地理等诸多要素在时间与空间上存在积累效应和溢出效应，我国区域创新能力在时间和空间维度上存在异质分布。[2]101-104一方面，我国不同地区创新能力在前期受到“马太效应”影响，形成了“强者越强、弱者越弱”的二元结构；另一方面，各个创新主体之间存在一定的交互联系，不同省(市)的创新能力存在空间溢出现象，这种溢出作用导致我国不同地区创新能力由“马太效应”向优化均衡趋势转变。值得注意的是，区域创新能力在很大程度上影响着我国经济的发展状况，区域创新能力在时空维度上的变化发展影响我国发展战略的规划和部署。我国创新能力在时空维度上的演变趋势，以及能否在未来破除“马太效应”带来的极化发展格局，便成为我们关注的重要问题。区域创新能力及其非均衡性在时间维度上的发展趋势、空间维度上的格局演化已成为探索我国创新能力发展规律的突破口，对此亟需从整体上进行科学的分析。因此，本文尝试对我国创新能力发展演化进行探索，以期为缩小地区间创新差异，构建区域间协调创新体系提供研究思路。

1 文献综述

目前，学者从创新能力内涵、评价方法及其演变与发展三个不同角度展开了论述。

第一，区域创新能力的主要概念分析。英国卡迪夫大学的Cooke P[3]945-975教授首次提出了区域创新。在他看来，区域创新能够形成强大的互动性，推动创新网络的形成，为经济发展带来动力。此后区域创新问题受到国内外学者的广泛关注。Bounfour A,Schiuma G等[4]283-300认为区域创新能力包含潜在创新能力和实际创新能力两部分内容，是一个区域管理活动和政策融合而成的创新机制。Furman，Porter等[5]899-933从生产角度定义区域创新能力，将区域创新能力看作一个区域生产创新产品的能力。我国学者邵云飞、谭劲松[6]1-11认为，实现区域经济增长是提升区域创新能力的目标落脚点，区域创新是在特定区域范围内，整合技术、人力资本等创新资源，从而将其转化成创新产品的过程。尽管学者对区域创新概念的界定角度各异，但总的来看区域创新包括了资源整合、创新互动以及创新生产等内容，在一定程度上解释了创新能力存在区域差异的必然性。

第二，区域创新能力评价方法的相关研究。现有研究利用泰尔指数、基尼系数、变异系数、赫芬达尔系数等方法研究区域创新问题。例如：王俊松、颜燕等[7]11-18在研究我国城市技术创新能力的空间分布时选择了基尼系数对城市专利数据进行分析。肖泽磊、都新亚等[8]88-93利用泰尔指数分析研究了我国创新能力的区域差异。在指标构建方面，Scherer F M[9]229-245将专利数据作为衡量创新产出的一个重要指标来研究创新投入与产出之间的相关性。姜磊、戈冬梅等[10]1101-1106采用专利数量评价长三角地区的创新能力。何舜辉、杜德斌等[11]1014-1022认为创新能力评价指标应当遵循去繁从简的原则，用专利授权量和论文发表量来测度区域创新能力。

第三，我国区域创新能力的演化特征。结合我国创新能力现状，国内学者对区域创新差距以及区域创新空间格局演化进行了深入分析。例如肖刚、杜德斌等[12]42-50研究了我国创新区域差距的演变趋势，认为我国创新能力整体从极化向优化均衡发展，随着时间的推移，空间失衡格局得到缓解。李斌、田秀林等[13]139-153对我国35个城市创新能力进行了评价，指出各城市创新能力虽然朝着优化均衡发展，但前期的“马太效应”使得城市间创新差异依旧显著。

通过梳理相关文献可以看出，虽然学者关于创新的理论和实证研究已经获得了大量的研究成果，但仍存在诸多不足：(1)由于对创新能力以及创新内外部条件认知存在差异性，在指标构建和评价方法上存在不合理之处；(2)多数研究以对比不同时间维度下区域创新差异的大小为主，缺少对创新时空特征及变化规律的探析。因此，本文首先采用创新能力指数对我国各区域创新情况进行测度和评价，使其评价既具有创新性又具有综合性；其次将创新能力的动态演化作为研究重点，结合经典统计方法与地理信息技术，对创新能力的时序特征、空间分布、空间格局进行直观展示，对研究方法进行创新并得出研究结论，弥补现有研究的不足，以期有助于揭示我国创新能力时空差异及动态演进规律。

2 研究方法与数据来源

2.1 研究方法

2.1.1 熵值法

学术界大多采用主观赋权法或客观赋权法。其中，客观赋权法能够减少赋权过程中存在的主观影响以及可能存在的多重共线性。因此，本文选择客观赋权的方式，利用熵值法确定各指标的权重，根据权重计算出创新能力评价指数，使创新能力的度量更具客观性，计算过程如下所示：

第一，为了消除各指标不同量纲的影响，采用极差标准化的方法对数据进行预处理，见(1)、(2)式：

正向指标：Xij=(xij-αij)/(βij-αij)

(1)

逆向指标：Xij=(βij-xij)/(βij-αij)

(2)

其中，xij为原始值，表示第i个地区第j个指标，Xij为标准化后的值，βij为指标最大值，αij为指标最小值。

第二，标准化后计算各指标比重λij，见(3)式：

(3)

第三，计算各指标熵值θi，见(4)式：

(4)

进行差异性系数计算，见(5)式：

uj=1-θj

(5)

式中，uj为差异性系数。

最后，计算各指标权重Wi见(6)式：

(6)

2.1.2 创新能力评价

将创新投入、创新环境、创新产出用ICβ(β=1,2,3)表示，见(7)式：

(7)

其中，lβ为第β个子创新能力中指标的个数，Wj为各二级指标权重。

借助上述赋权及计算方法，进而得到创新能力指数TIC，见(8)式:

(8)

(8)式中，Wβ为分别为创新投入、创新环境、创新产出的指标权重。

2.1.3 绝对指标与相对指标

绝对指标和相对指标可以综合评价区域发展差异。绝对指标采用极差和标准差进行衡量，极差与标准差这两个绝对指标能够衡量我国创新能力的绝对差异和绝对不平衡，反映创新能力在不同地区间的分布差异；相对指标选择相对极差和变异系数进行衡量，相对极差和变异系数是衡量区域发展相对差异的常用指标，可以反映出我国区域间创新能力在发展速度上的相对不平衡程度。[14]39-46

2.1.4 探索性空间数据分析(ESDA)

探索性空间数据分析(ESDA)能够测度区域单元之间的空间相关性。在此利用全局相关分析与局部相关分析来考察我国创新能力的空间分异及时空演变，从而有效地检验我国创新能力是否存在空间集聚和空间极化特征。[15]1438-1444

(1)全局自相关分析。全局自相关分析通常使用Global Moran’s I指数和G系数进行度量，本次选择Global Moran’s I指数来分析我国不同地区创新能力的空间关联和空间差异情况，见(9)式：

(9)

(2)局部自相关分析。Moran散点图和LISA通常被用于局部自相关分析。Moran散点图可以反映每个区域与其相邻区域是否存在同一属性值的相似或相异性，为全局自相关分析提供了一个良好的补充。LISA分析能够观测每个区域与其相邻区域同一属性值相似或相异程度以及显著性，可以进一步丰富 Moran散点图的统计意义，见(10)式：

(10)

2.2 指标选取与数据来源

2.2.1 指标选取

创新能力是国家经济发展的关键，是国家发展战略的重要指引。采用单项指标进行衡量不够客观和具体，目前国际上普遍采用OECD创新指数来评价一个国家或地区的创新能力，我国学者采用中国科技发展战略研究小组所制定的指标体系来衡量我国不同区域的创新能力。本文参照宋周莺、车姝韵等[16]1388-1396学者的做法，从创新能力、创新产出、创新环境三个角度构建指标体系，并结合现有数据最终确定9个指标测算创新能力指数，创新能力指标体系见表1。

表1 创新能力指标体系

2.2.2 数据来源

文章选择2009—2018年我国30个省级行政区(不包括西藏、港、澳、台)创新投入、创新产出以及创新产出的相关指标进行研究。其中，教育经费和高等院校数目的有关数据来源于2009—2018年教育部发布的《全国教育经费执行情况统计公告》、国家统计局网站，其余数据来源于《中国科技统计年鉴》。

3 我国创新能力的时序演变及空间特征

3.1 我国创新能力的整体演化

到2018年， 我国R&D经费支出增长到19 677.9亿元，R&D投入强度上升到2.19%，创新投入力度明显增强，创新在经济社会的地位日益凸显。为了考察我国创新能力的整体特征，本文结合创新能力指标采用创新能力评价模型测算出30个省(市)历年创新能力指数，2009—2018年中国30省(市)创新能力总体特征见图1。

图1 2009—2018年中国30省(市)创新能力总体特征

由图1趋势线变动趋势可知，2009—2018年我国创新能力显著提升，由2009年的0.184 9上升到2018年的0.213 5，这主要源于国家对创新驱动作用的重视，各省(市)创新研发力度不断增强，创新环境得到改善，创新活力得以激发。从创新能力总体走势曲线中可以看出，2014年至2016年我国创新能力指数有所下降，这表明我国创新能力并不是直线上升，在发展过程中存在波折，创新能力还存在较大的提升空间，创新要素仍需进一步优化。

3.2 我国创新能力的时序差异

绝对指标和相对指标能够有效地说明区域创新能力不同阶段的差异性发展，本文借助极差、标准差两个绝对指标测度2009—2018年我国区域创新能力发展的绝对差异；选择相对极差和变异系数两个相对指标考察区域创新能力存在的相对差异，2009—2018年中国30省(市)创新能力绝对差异见图2。2009—2018年中国30省(市)创新能力相对差异见图3。

图2 2009—2018年中国30省(市)创新能力绝对差异

图3 2009—2018年中国30省(市)创新能力相对差异

从图2看，2006年至2018年，我国创新能力标准差无较大幅度变化，但极差出现了先上升后下降的“倒U型”趋势。2009—2013年，我国创新能力的极差不断扩大，各省(市)之间创新能力差异显著，且这种差异有不断拉大的趋势。这说明我国创新能力存在“马太效应”，出现了强者越强、弱者越弱的发展态势。2014年之后，我国创新能力极差逐渐缩小，各省(市)创新能力的绝对差异呈下降趋势。“马太效应”作用效果逐渐被削减，我国创新能力正由极化增长向均衡发展过渡。

从图3看，我国创新能力的变异系数在波动下降，但变化幅度较小。相对极差同样出现了“倒U型”趋势。2012年，我国30个省(市)创新能力的相对极差达到最大值4.933，此后各个省(市)创新能力的相对极差逐渐缩小，到2018年，30个省(市)之间创新能力相对差异缩小到4.03，我国创新能力出现了均衡发展趋势。

总体来看，2009—2018年，我国30个省(市)之间创新能力的绝对差异和相对差异都出现了规律性的变动，表现为各省(市)之间创新能力的极差和相对极差呈“倒U型”趋势，变异系数和标准差小幅度下降。这说明我国创新能力在前期受到“马太效应”影响较大，存在着明显的区域差异；而后期我国创新能力存在的“马太效应”也开始减弱，创新能力在时间的推移过程中朝着优化均衡的方向发展。

3.3 我国创新能力的空间格局

以上仅从时间维度考察我国创新能力“马太效应”的发展趋势，在空间维度上我国创新能力又如何发展？“马太效应”是否存在？若存在又将如何变化？因此，想要解决以上问题，需进一步采用全局自相关和局部自相关等方法对我国创新能力进行空间维度上的分析。

3.3.1 我国创新能力的全局空间特征

文章利用Geoda软件计算2009—2018年我国创新能力的Moran’I指数，从而进行全局自相关分析，以考察不同区域之间创新能力在空间上的全局特征，2009—2018年我国创新能力Moran’I指数见表2。

表2 2009—2018年我国创新能力Moran’I指数

由表2可知，每年创新能力的Moran’I都显著为正，说明我国创新能力在空间上存在着自相关关系。创新能力在总体上呈现出高—高集聚和低—低集聚的特征，即高水平省(市)向高水平区域集聚，低水平省(市)向低水平区域集聚。不同省(市)的创新能力存在空间溢出现象，说明各创新主体并不是相互独立的，而是有一定的交互性，存在着空间联系。

为了进一步探究各区域创新能力格局变化，对2009年和2018年的数据采用自然断裂法将创新能力分为低水平、较低水平、较高水平、高水平四个层级，进而能够更直观地看出，不同省(市)创新能力的高低，2009年和2018年30个省(市)创新能力空间格局演变见图4。

图4中，左图为2009年各省(市)创新能力空间分布情况，可以看出，2009年高创新水平的地区分别是北京、江苏、浙江、上海、广州。较高创新水平的地区是山东、天津、福建，高水平创新引领极主要位于东部沿海经济较发达的地区。较低水平的省(市)分别为安徽、湖北、湖南、重庆、四川，其余省(市)的创新能力处于低水平。右图为2018年我国各省(市)创新能力分布状况，2018年，山东和福建两个省的创新能力由较高水平向高水平转变。四川、湖北、湖南、安徽也由较低水平上升为较高水平。陕西、山西、河北、河南以及辽宁等有的创新能力得到一定的发展，逐渐上升到较低水平梯队，且有着巨大的发展潜力。总的来看，我国创新能力保持着上升的发展趋势，前期“马太效应”下的两极格局逐渐被打破，虽然朝着优化均衡的方向发展，但是仍存在一定的区域差距。在2018年，创新能力的集聚特征更为明显，除“京津冀”“长三角”“珠三角”以外，以四川、重庆、陕西、湖北为中心的新的创新增长极正在崛起。

图4 2009年和2018年30个省(市)创新能力空间格局演变

3.3.2 我国创新能力的局部空间特征

局部空间分析可以考察各个省(市)创新能力的强弱分布，探究不同省(市)之间的集聚模式，从而更精细地反映不同省(市)之间局部集聚情况，深化空间分析结果。因此，本文利用Geoda对2009年和2018年我国创新能力进行LISA聚类分析，2009年和2018年30个省(市)创新能力的集聚演变见图5。

图5 2009年和2018年30个省(市)创新能力的集聚演变

从创新能力的空间集聚演变中可以看出2009年和2018年我国创新能力的高—高(HH)、低—低(LL)集聚明显。2009年与2018年各省(市)创新能力的局部集聚特征有一定变化，但总体变化幅度较小。(1)高—高集聚：2009年，山东、江苏、上海、浙江、福建的创新能力表现了显著的高—高(HH)集聚性，到2018年，北京、天津、安徽、湖北四个省(市)进入，成为HH集聚区域。这些地区创新水平较高，有着更为明显的“扩散效应”和“示范作用”，其辐射和带动性强，可以进一步带动周边地区创新能力的进步与提高。(2)高—低集聚：2009年，四川、湖北、广东、北京四个省(市)创新能力要远远超过周围其他地区，呈高低(HL)集聚，即三个高值区域被周边低值区域包围，出现了高低孤立的特征。2018年，北京退出，陕西、重庆、辽宁进入，其中陕西、重庆、四川形成了中间高、四周低的高—低集聚格局，这表明这几个省(市)创新能力虽得到了发展，但辐射带动作用不够明显。(3)低—高集聚：2009年，天津、湖南、安徽、江西呈低—高(LH)集聚特征，2018年低—高集聚区域为河北、湖南、江西，这些省(市)自身创新能力比周围区域弱，应当充分利用周边地区的知识、技术溢出，提升自身创新能力。(4)低—低集聚：其余省(市)表现出低—低(LL)集聚的特征，2009年和2018年LL集聚的省份位于西部和东北地区。

综上所述，我国创新能力较强的省(市)集中在以上海为中心的长三角地区，以北京为中心的环渤海地区，以及以广东为核心的珠三角地区。而我国东北地区以及中西部地区的创新实力较弱。另外，北京、上海、江苏等创新能力较高的地区充分发挥了其辐射带动作用，其创新要素向周边创新能力较低的省(市)渗透。虽然河北、河南、广西在地理位置上分别于北京、山东、广东等地相邻，但其创新水平较低，创新能力较低的省(市)难以脱离原有的集群，这表明要想缩小我国区域间创新能力差距，降低“马太效应”带来的区域差距，需进一步发挥高创新能力省(市)的示范作用和辐射带动作用。中西部地区的湖北、四川、重庆、陕西的创新能力有明显的提升，且这四个省(市)在地理位置上相邻，具有一定的发展潜力。

4 研究结论及建议

本文通过熵值法对我国30个省(市)2009—2018年创新能力进行评价，采用绝对指标和相对指标对我国创新能力整体演化和时序特征进行分析，最后借助ESDA探索性空间数据分析方法对我国创新能力空间格局进行可视化分析，得出以下结论：

(1)时间维度上的集中趋势：各省(市)创新能力保持着上升趋势，2009—2018年我国创新能力在前期有显著提升，末期有所下降，但整体上保持上升趋势，这主要得益于国家对创新驱动作用的重视。

(2)时间维度上的离散趋势：我国创新能力的绝对差异呈倒“U”型趋势，表现为创新能力的极差和标准差曲线先升后降，说明在前期受“马太效应”影响，其区域间创新差距不断扩大。但是后期我国创新能力的绝对差异有所下降，各省(市)创新朝着协调高效的方向发展；而相对差异缓慢下降，也进一步说明创新能力的“马太效应”开始减弱，创新朝着优化均衡的方向发展。

(3)空间维度上的全局特征：全局Moran’I指数统计结果显示我国创新能力存在着显著的空间正相关。表明各省(市)在创新发展过程中相互依赖，相互渗透，而并非相互独立，创新能力存在空间溢出性。高水平创新引领极主要位于东部地区，形成了“东强西弱”的发展格局。2009年至2018年，许多省(市)的创新能力由低到高过渡，低水平省(市)逐渐减少，逐步强化的空间依赖性削减了“马太效应”带来的地区差异，从而使得各省(市)创新能力的发展更加均衡。

(4)空间维度上的局部特征：在局部空间统计分析中发现，我国大部分省(市)创新能力呈低—低(LL)集聚的特征。北京、上海、江苏等地属于高创新能力地区，其创新要素向周边地区辐射，打破了“马太效应”下的两极格局。陕西、重庆的创新能力得到提升，形成了以陕西、重庆、湖北、四川为中心的创新能力增长极，具有一定的发展潜力。[1824-30]

根据上述结论：第一，提升我国创新能力首先要统筹各省经济发展水平、地理位置等要素，加大创新主体和创新机制的培育力度，打破长期以来“马太效应”影响下区域创新能力的非均衡发展格局，使其朝着优化均衡方向发展；第二，对长三角、珠三角以及环渤海等高创新发展水平地区加快构建创新发展核心区，同时要充分发挥湖北、陕西、四川、重庆四省(市)的创新溢出作用，形成创新发展的次核区；第三，国家要加大创新扶持力度，在加大创新投入的同时重视人力资本的作用，培养创新型人才，推动科技创新朝着产业化的方向发展，从而在整体上提升我国的创新能力。