中国创新型城市化的空间演化及影响因素

刘承良， 李春乙， 刘向杰*

(1.华东师范大学城市与区域科学学院， 上海 200241； 2.华东师范大学全球创新与发展研究院， 上海 200026)

知识经济社会的崛起，意味着对数字技术、人力资本、流程和产品创新及知识产权等的高度重视，加强了整个经济社会的创造力，进而导致城市化模式与城市环境特征的转型[1].城市不仅是创新活动的容器，而且积极参与新思维、新组织形式和创新企业的产生过程，是创新增长的源泉[2-3].创新被认为是一种空间过程，城市不断汇聚和重新组合创新企业、人才和机构，形成一种非线性的新城市增长模式[3].多样化产生城市内部人与人之间的频繁互动，创意创新不断涌现，从而推动城市增长[2].未来城市化发展不仅仅体现为农村人口向城市的集聚或土地利用变化.2015年，科技部将创新型城市定义为拥有丰富的创新主体和创新资源，良好的社会创新创业氛围，完善的政府创新服务，重视科技创新能力对社会发展的驱动作用，其通常是推动区域乃至国家创新发展的增长极.截至2019年，我国已有78个创新型城市试点地区，创新型城市化逐渐成为中国增长的新引擎.

创新与城市的关系被广泛概念化.西方语境下的创意城市是在后福特主义时代，及发达国家中心城区制造业衰退和绅士化的背景下提出的，其强调新经济的基础要素，以人力资本、文化环境和城市品牌等为主导[4]，Scott称为“认知-文化资本主义”[1]，弗罗里达则进一步阐释为“创意阶层”，形成Technology(科技)、Talent(人才)和Tolerance(包容)三要素[5].此外，“智慧城市”、“创业城市化”[6]、“创意都市”[7]等概念纷纷出现，而基于中国语境，学者多从创新要素出发对城市创新能力进行评价，提出“全球科技创新中心”[8]、“基于创新的城市化”[9].部分研究采用多源数据对中国城市的创新等级进行划分，北上广深等是全面创新型城市，成渝是改进创新型城市，兰昆是引导创新型城市[10]；京津冀、长三角和珠三角是技术转移的活跃地带，在创新网络中扮演着至关重要的角色[11-12].学者们基于高技能劳动力流动[9]、技术转移等单要素对创新型城市进行评估，而在城市创新综合评价的研究中，评价指标多缺乏针对性和系统性，基本涵盖社会经济发展众多因素，鲜有从创新内涵进行测度，创新型城市化指标体系亟需完善，空间格局演化亟待进一步刻画.

随着社会经济的不断发展，传统的城市化概念难以解释新兴城市的创新集聚现象.自大众创业、万众创新政策(以下简称“双创政策”)实施以来，创新创业逐渐成为经济发展新常态，城市拥有多元的创新主体、丰富的业态结构和新兴的创业空间，评价和刻画双创政策以来创新型城市化的空间格局对于建设创新型国家具有重要意义.本文通过阐述创新型城市化的概念并构建评价体系，系统刻画2015年-2018年中国创新型城市化水平的空间格局，为新时期中国创新驱动发展提供借鉴.

1 理论框架与研究假设

针对城市化的发展阶段和动力模式，以及中国城市的创新格局已积累众多研究[13-16].基于城市化发展动力角度，我国经历了以制度改革为推动力(1978年—1997年)、以招商引资为驱动力(1998年—2015年)和以知识溢出为主要动力的城镇化阶段(2016年—)[17]；基于人口迁移角度，改革开放以来可划分为乡村城市化、跨域城市化和基于创新的城市化三个阶段[9].吴志强[18]和顾朝林[19]等学者认为中国未来将走向“智力城市化”等新型城市化模式.“国家‘十四五’规划纲要”中“科技”成为高频词汇，在现代化建设全局坚持创新的核心地位能够为迈入创新型国家前列和建设高质量发展格局打下坚实基础，可见传统城市化指标难以反映城市化发展的动力机制，创新驱动成为中国城市化发展的主要动力.

城市化内涵体现为人口城市化(农村人口转化为城镇人口)、经济城市化(向工业和服务业等非农产业转型)和地理空间城市化等.创新型城市化是指创新要素在城市中不断涌现，高技能人才、企业、高校以及科研机构不断涌进，创新产业越来越成为城市经济发展的主要支撑力量，城市拥有包容的文化氛围，城市景观被越来越多创新产业空间替代的高级城市化阶段.创新型城市化的基本特征是城市更加注重高技能人才培养，加大创新产业投入力度和重视创新氛围的培养.本文参考相关研究[9]，将创新型城市化的内涵概括为创新人才城市化、创新产业城市化和创新空间城市化三方面.

1) 创新人才城市化是指城市吸引高学历人才、国际化人才和科学技术领域创新人才，城市经济活动主体由城市人口转变为高技能人才的过程.Florida的“3T”理论指出，人才是创意城市的重要组成部分[5]，其中大学是培养人才的场所，创新产业布局吸引人才流动.基于此，本文从高等教育和研发人员数量对创新人才城市化进行评价.

2) 创新产业城市化是指城市产业结构向第三、四、五产业发展的过程.主体、网络和制度是区域创新体系的三大核心要素[20]，创新产业城市化强调创新主体，即企业和地方政府对创新活动的资本投入.创新产业城市化是最重要的组成部分，企业研发投入占我国全社会研发投入的70%以上，创新是一种市场行为，政府对创新产业的政策支持与大学的产研合作有利于实现技术突破和市场模式的转化瓶颈[21].依靠人才支撑和空间孵化，双创政策以来，地方领军企业和潜力企业的迅速发展丰富了创新产业城市化的内涵.基于此，本文从政府和企业研发投入、高新技术企业、瞪羚企业和独角兽企业数量对创新产业城市化进行评价.

3) 创新空间城市化是指创新文化景观逐渐充满城市建成环境的过程，创新文化景观是为创新活动提供场所的空间，如双创空间、产业园区等.双创政策后，创新活动孵化平台如雨后春笋般兴起，为城市创新创意活动服务，推动创新型城市化发展[22].基于此，本文从孵化平台和高新技术园区数量对创新空间城市化进行评价.

城市化是城市经济活力、基础设施和信息化程度等不断增长的过程，城市创新水平的提高与城市发展水平息息相关[23]，创新高地对周边地区会产生创新溢出，带动区域创新发展[24].在评价中国创新型城市化水平基础上，进一步探讨城市多维水平指标对创新型城市化的影响.城市经济活力和便利的基础设施满足人才的生活需求；城市就业规模所反映的集聚效应，能够产生多元的创新效益；而信息化程度和消费水平反映的居民需求，为创新企业提供广阔市场.基于此，本文提出以下假设：城市经济活力、基础设施、信息化程度、消费水平和就业规模越高，更有利于创新型城市化发展，对周边城市产生更强的空间溢出效应.

图1 创新型城市化研究框架Fig.1 Research framework of innovative urbanization

2 研究方法与指标体系

2.1 数据来源与研究方法

数据来源于《2014-2019中国城市统计年鉴》《2014-2019中国火炬统计年鉴》《2015-2018城市轨道交通年度统计和分析报告》和2015年—2018年VIIRS夜间灯光数据、高新技术企业认定管理工作网和中国瞪羚网相关年份相关数据.由于数据具有明显的互补性，采用插值法对缺失数据进行填补.

2.1.1 指标测度：主成分分析 主成分分析法是研究社会中复杂经济现象常用的统计分析方法之一，利用降维处理得到主成分，使指标体系结构更为清晰，但缺点在于无法描述多个指标与主成分之间的相关关系.因子分析法通过因子轴旋转，弥补主成分分析法无法解释主成分与变量之间相关关系的缺点.本文先通过主成分分析法进行验证，后采用因子分析法.

2.1.2 空间分析：空间自相关和基尼系数 城市创新集聚的空间分布受到地理空间距离、经济距离、经济地理距离和技术关联影响，但在四种距离的空间权重矩阵中，由地理距离权重矩阵的空间集聚度最为显著，因此本文选择K-近邻反距离权重矩阵.

1) 全局空间自相关(global Moran’sI)用于探索研究对象的空间自相关水平，取值范围为[-1，1]，若绝对值越接近1，则其空间关联程度越高，0表示随机分布.其公式为：

(1)

式中，n表示城市个数，Wij表示空间权重矩阵.

(2)

式(2)表示数据标准化过程.其中，Xi表示创新型城市化指数.

2)局部空间自相关(Local Moran’sI)是在全局莫兰指数显著的基础上，分析局部区域的空间集聚特征，进一步识别中国创新型城市化的空间异质性.其公式为：

(3)

3)基尼系数(Gini coefficient)用于探索研究对象的空间均衡程度.基尼系数越趋近于0，要素的空间分布越趋于均衡.若G∈[0，0.2)，表示绝对均衡；若G∈[0.2，0.3)，表示比较均衡；若G∈[0.3，0.4)，表示相对合理，若G∈[0.4，0.5)，表示差异过大；若G∈[0.5，1]，则表示差异悬殊，其中0.4作为基尼系数的分异点.

(4)

式中，G表示基尼系数，xi、xj表示第x、y个单位内的创新型城市化指数.

2.1.3 影响因素：空间杜宾模型 空间杜宾模型是常用的空间回归模型之一，通过提前考虑被解释变量项中的空间自相关关系，避免空间相关性对解释变量和误差项的参数估计的影响.本文通过建立空间杜宾模型探讨影响创新型城市化的社会经济发展因素和空间溢出效应，初期模型设定如下：

INNOc，t=ρWc，t′(INNOc，t′)+β1X+β2WX+εc，t′，

(5)

式中，C表示地级市，t表示年份，采用滞后一年的因变量数据，INNO表示创新型城市化指数，控制变量用X表示，控制变量系数用β1表示，控制变量的空间滞后项用WX表示，空间滞后系数用β2表示.

2.2 指标体系构建与处理

参考已有研究成果，结合中国城市创新体系建设指标，从创新人才、创新产业和创新空间三个层面，选取13个具体指标构建创新型城市化评价体系(表1).首先采用主成分和因子分析法对中国创新型城市化水平进行综合测度.1) 检验KMO值和Bartlett球形度：检验变量的KMO值为0.889，大于0.8且Bartlett球形度检验p值小于0.05，说明研究数据适合运用因子分析.2) 因子分析提取因子个数：对研究数据进行因子分析后，提取出3个因子，其特征根值均大于1.因子1、因子2、因子3分别对应的方差解释率为45.010%，20.048%，14.972%，旋转后累积方差解释率为80.029%，说明运用这三个因子可以解释原始研究数据中80.029%的信息量.3) 得到因子和原始变量的对应关系：运用最大方差方法旋转，如表2所示，得到的所有变量对应的共同度值(即公因子方差)均高于0.4，意味着原始变量和因子之间存在较强关联性，分析结果有效提取变量信息.

表1 中国创新型城市化水平指标体系Tab.1 Evaluation index of the innovative urbanization

根据表2数据可以发现，第一因子(因子1)主要集中在地方财政教育事业费支出、地方财政科技支出、国家高新区企业R&D经费内部支出、高新技术企业、瞪羚企业和独角兽企业数量等指标，体现城市创新投入程度和创新企业数量，即创新产业城市化水平；第二因子(因子2)主要集中在普通高等学校数量、普通本专科在校人数、国家高新区企业R&D人员数量和科研综合技术服务业从业人员数量等指标，体现城市人力资本发展程度，即创新人才城市化水平(因子分析法将具有相似性质的变量归到同一主因子下，因子载荷系数显示国家高新区企业R&D人员数和科研综合技术服务业从业人员数可归为因子1、因子2，本文将其归为因子2便于指标体系解释)；第三因子(因子3)主要集中在国家级科技企业孵化器、国家备案众创空间和国家高新技术产业开发区数量等指标，体现城市创新环境，即创新空间城市化水平.基于对各项因子载荷系数的分析，将各主因子列出，构建中国创新型城市化程度指标体系.最后，根据旋转后方差解释率(归一化)与因子得分的乘积，再进行累加计算综合得分.

表2 因子载荷矩阵Tab.2 Factor loading matrix

F1=-0.142X1-0.202X2+0.129X3+0.103X4+0.141X5+0.162X6+0.184X7+0.130X8+

0.167X9+0.3X10-0.072X11+0.023X12-0.172X13，

(6)

F2=0.49X1+0.552X2+0.083X3+0.083X4-0.022X5+0.038X6-0.008X7-0.112X8-

0.114X9-0.234X10-0.031X11-0.058X12+0.03X13，

(7)

F3=-0.017X1+0.020X2-0.079X3-0.028X4-0.032X5-0.166X6-0.102X7+0.172X8+

0.079X9-0.142X10+0.48X11+0.316X12+0.5X13.

(8)

创新型城市化计算公式为：

0.562F1+0.251F2+0.187F3，

(9)

式中，F表示创新型城市化指数，F1为创新产业城市化得分，F2为创新人才城市化得分，F3为创新空间城市化得分.

3 创新型城市化的空间演化

3.1 区域差异：创新型城市化水平空间不均衡现象显著

创新型城市化水平的全局区域差异表明，全国创新型城市化普遍发展，中小城市创新型城市化水平提高，但发达地区与欠发达地区的差距依旧显著，区域创新高地和创新节点带动作用凸显.如表3所示，研究期间全国尺度下的创新型城市化基尼系数大于地区尺度，且全国尺度下的莫兰指数大于东部地区，即东西部创新型城市化发展差异大于各区域内部差异.全国尺度下的基尼系数从0.412下降到0.400，但大于0.400的分异点，表明全国创新型城市化程度空间分布差异相对大于区域内部差异，而区域基尼系数均有所减少，区域创新溢出效应显现.

表3 创新型城市化的空间不均衡性Tab.3 Spatial inequality of innovative urbanization

创新型城市化水平的局部区域差异表明，不同地区的创新型城市化具有不同程度的空间不均衡性，空间异质性显著.研究期间，各地区基尼系数接近0.4，表明各地区创新型城市化发展不均衡性明显，全局莫兰指数随时间不断增大，映射出创新型城市化的空间集聚程度不断加深.其中，东部地区创新型城市化基尼系数最大，其次是西部地区、东北地区和中部地区，表明东部地区的不均衡程度大于全国其他地区.京津冀、长三角和粤港澳城市群创新要素集聚，区域创新高地的创新型城市化指数不断增大，西部地区除节点城市外创新型城市化水平普遍偏低，除东北地区外，其余地区基尼系数均有不同程度减少，表明除东北地区，其余地区的创新型城市化的发展差异在逐步缩小；东北地区基尼系数均小于0.4，但数值不断增大，其相对均衡状态在逐步被打破.东北地区创新资源高度集聚于沈阳、长春、大连等地区节点城市，对其余地区创新溢出较少.

基尼系数反映空间均衡程度，莫兰指数反映空间相关性.创新型城市化不断提高和基尼系数逐年减小，表明全国城市创新水平普遍发展.莫兰指数逐年增加表明区域协同创新和迟滞效应越发凸显，创新型城市化发展越好的区域能够带动周边城市协同发展，而创新洼地也会导致区域创新发展迟滞.

3.2 空间格局：创新型城市化由“三核”向“三极多中心”结构演变

从总体格局上看，创新型城市化表现为由北京、深圳和上海为极核的三大城市群所构成“三核”结构(表4).研究期间，全局莫兰指数从0.178增长至0.272，P值均为0.00，显著拒绝原假设，表明创新型城市化水平不断集聚.全国高水平创新型城市化集聚分布于京津冀、长三角和粤港澳城市群.其中，各城市群中心城市的创新型城市化指数高，北、深、上、广的创新型城市化指数高居全国前四，津、杭、苏、宁、东莞创新型城市化指数排名前列.从地区来看，东部地区创新型城市化集聚程度最高，其集聚趋势和全国趋同.

表4 2015年—2018年中国创新型城市化指数(Top 10)Tab.4 The index of innovative urbanization in 2015-2018(Top 10)

从时序变化上看，沿海三大城市群与武汉、成都及重庆等沿长江中游城市群构成创新发展的“三极多中心”结构越发明显(图2).研究初期，京津冀、长三角和粤港澳城市群三足鼎立，北、上、深为顶点.研究后期，武汉、成渝城市群等发展迅速，同东部沿海三大城市群构成高水平创新带.同时，津、杭、苏、宁、汉、渝、郑、广和东莞形成多个中心.其中，京、津创新型城市化水平突出，作为城市群的创新高地，京津冀城市群结构保持典型的双核结构；上海市作为全国创新极核，杭、宁、苏均位于全国前十，快速发展成为长三角城市群创新中心，长三角城市群结构“一核多中心”模式愈发明显；东莞、珠海创新型城市化程度加深，粤港澳城市群结构“双核多中心”模式凸显；中部地区以渝、汉两个创新中心发展较为突出，对周边地区创新型城市化水平提高有涓滴效应；呼包鄂榆城市群呈现良好发展态势，以呼和浩特市为中心扩散分布，短时间内实现区域创新能力低水平突破，成为我国创新型城市建设一方沃土；其他省会城市、重点城市的带动作用则不够明显；山东半岛城市群创新型城市建设成果见效，呈现较低水平创新型城市集聚；西部重点城市如乌鲁木齐、拉萨和昆明均实现城市创新能力突破，创新水平均有不同程度提高，但区域创新带动作用较弱，腹地城市创新能力均无明显提高.部分城市群发展滞缓，哈长城市群创新动力机制失调，区域呈现良好创新基础但发展疲软态势.

注：底图源于全国地理信息资源目录服务系统1∶100万全国基础地理数据库(2017年)，边界无修改.下图同.图2 2015年—2018年创新型城市化分级与相关性分析Fig.2 Comprehensive evaluation of innovative urbanization and correlation analysisin 2015-2018

3.3 变化趋势：创新型城市化“马太效应”现象愈发凸显

从变化趋势上看，创新型城市化“马太效应”现象凸显，创新水平较高的区域发展速度更快，而创新水平落后地区发展速度更慢，对比2015年和2018年创新型城市化指数变化，呈现“高城市化—高增长，低城市化—低增长”趋势(表5).

表5 创新型城市化指数变化Tab.5 The change of the innovative urbanization index

高城市化—高增长：深、北、上等高创新型城市化水平城市往往具有更高的指数增长变化，渝、乌等创新中心城市也具有相似的变化，创新型城市化马太效应显著.杭、苏、宁等长三角中心城市增长趋势更显著，表明随着长三角协同发展水平加深，创新型城市化程度逐渐深化.从创新型城市化指数变化发现，长三角、粤港澳和京津冀城市群呈现“多中心—双核—单核”结构的变化，表明我国创新型城市化变化趋势与创新型城市化空间结构一致，区域创新空间结构逐渐稳定.如图3所示，这些地区居民消费水平(0.693)和城市就业规模(0.687)较高，社会经济稳定运行，完善的城市基础设施建设(0.571)有利于缩短交流距离，营造良好的创新环境，有利于提高城市创新能力；创新型城市往往是城市多样发展的产物，与城市经济活力息息相关(0.514)；城市信息化程度(0.472)反映城市智慧产业发展，信息化程度越高的城市，越能够快速获取知识，获取信息差红利，更快发展城市智慧产业.

低城市化-低增长：指数负增长多位于东北、西北和中部地区(图3)，东北地区创新资源底蕴较好但发展滞缓，区域内部仅有大连市创新型城市化水平明显提高，其余节点城市均呈现较低增长趋势，整体创新水平不佳.西北地区创新资源常年匮乏，创新型城市化建设任重道远.中部地区整体发展较为合理，但总体来说，均需要加快人才引进，加大创新投入，积极营造社会创新氛围.

图3 创新型城市化指数变化(2015年与2018年对比)Fig.3 Change of innovative urbanization index

创新型城市化具有相似的空间格局和变化趋势，体现了创新发展的全局空间依赖和局部地方突破.总体而言，创新具有较强的空间粘滞性，东部沿海三大城市群保持明显的创新优势，创新型城市化发展依赖人才要素、高质量经济、健康的产业结构和开放的创新空间，三大城市群具有优越的创新资源禀赋，是创新活动发生的沃土，而欠发达地区创新禀赋匮乏，创新活动难以萌芽，创新强烈依赖地区创新资源.而区域创新节点发展迅速，部分地区实现地方创新突破.

3.4 局部特征：创新型城市化与区域空间结构相对一致

为反映创新型城市的空间关联特征，进一步分析2018年创新型城市化水平的局部莫兰指数.结果可划分为四个象限，表示与邻近城市之间的四种局部空间关联模式.如图4所示：

图4 2018年中国创新型城市化局部莫兰指数散点图Fig.4 Local Moran’s I scatterplot of innovative urbanization in China in 2018

落在第一象限的城市多为创新中心，如京、津、深、广、上、宁、苏等，属于“高-高”邻接.这些城市属于高水平创新型城市，是全国区域创新高地，是区域创新体系构建的核心城市，国家创新体系构建的重要节点城市，创新溢出表现显著.

落在第二象限的城市多位于区域创新高地的周边，属于“低-高”邻接.城市邻近高水平创新型城市，但这些城市本身创新能力相对较低，在全国城市创新能力排名中位于中等水平，属于区域创新体系构建的重要城市，构成区域创新洼地.虽然这些城市具有一定的创新资源，但更多的创新资源涌向区域创新高地，如京、津等首位度高的城市，因此发展受到一定制约.

落在第三象限的城市与第一象限城市则恰恰相反，多为创新能力低的城市，且图中第三象限城市分布密集.由此可见，中国多数城市创新能力以“低-低”邻接为主，这些城市创新资源禀赋较差，且周边缺少具有带动效应的中心城市，往往成为创新能力低下的城市集群，区域应加快创新资源合理配置，加速培育创新增长极，向“高—高”集聚发展.

落在第四象限的城市与第二象限的城市相反，多为中西部地区的核心城市，如成都、西安、武汉等，属于“高—低”邻接.这些城市具有较高水平的创新能力，但区域其余城市创新能力水平一般较为低下，形成“高—低”邻接格局.城市内部创新能力显著，但由于较高的首位度，导致创新要素和经济的过于集中，难以辐射周边城市的创新能力发展，反而有时候集聚了过多的创新资源，阻碍区域创新均衡发展.

创新型城市化与区域空间结构相对一致.京津冀城市群围绕北京和天津呈现“高—低”集聚分布，京、津区域带动效应较弱，呈现“灯下黑”的发展格局；长三角城市群以上海为核心呈现“高—高”集聚，高水平创新型城市蔓延发展，呈现城市群发展齐头并进的良好态势；珠三角城市群以深、广为核心呈现“高—高”集聚，区域创新增长极对创新能力低水平城市具有明显的带动作用.

4 创新型城市化的影响因素

通过2018年的截面数据进行空间自相关检验，对285个直辖市/地级市以Queen邻接建立空间权重矩阵，计算莫兰指数、Geary’sC指数和高低聚类指数并进行双边检验.从观测值可知，三个指标均强烈拒绝原假设，存在空间自相关，且局部自相关结果与全局空间自相关检验结果一致.进一步采用LM检验和Robust LM检验，结果表明空间误差和空间滞后稳健检验均显著拒绝原假设(表6).

表6 空间自相关和LM、Robust LM检验结果Tab.6 Spatial autocorrelation and LM， robust LM test results

采用2015年—2018年空间面板数据，同时考虑因变量和自变量的空间滞后项并进行效应分解，测度自变量对因变量的影响.其中直接效应表示城市的自变量变动对本地因变量的影响，间接效应表示城市自变量对周边城市创新能力的影响.模型考虑随时间变化的误差，采用年份虚拟变量控制时间固定效应，自变量选取参照上述相关性分析，包括城市经济活力EV(夜间灯光数据)、城市基础设施建设IC(城轨密度)、城市信息化程度ID(互联网宽带接入户数)、城市消费水平SCL(城市消费品零售额)和城市就业规模SDL(城镇单位期末从业人员数)，对所有变量采用对数化处理减少异方差.探索性分析发现主效应IC和ID显著，故将其设为空间滞后项，因此空间杜宾模型的具体表达式为：

INNOc，t=ρWc，t′(INNOc，t′)+α1EVc，t′+

α2ICc，t′+α3IDc，t′+α4SCLc，t′+

α5SDLc，t′+σWc，t′Xc，t′+εc，t′，

(10)

式中，C表示地级市，t表示年份，采用滞后一年的因变量数据，INNO表示创新型城市化水平，WX表示控制变量的空间滞后项.

四个解释变量通过检验.结果显示，基础设施、经济活力、信息化程度、发展水平均通过检验，消费水平未通过检验.1) 经济活力的直接效应、间接效应和总效应均为正值，且均在5%的水平下显著，夜间灯光数据表征城市经济活力，结果表明城市经济活力对创新型城市化水平具有显著的促进作用；2) 基础设施的直接效应在1%的水平下显著，间接效应和总效应在5%的水平显著，表明基础设施的完善能够显著促进本地创新型城市化进程.地铁等交通设施建设缩短知识传播的空间距离，且有利于本地创新产出向周边地区的溢出.3) 信息化水平的直接效应、间接效应和总效应均在5%的水平下显著，与硬设施相对，互联网软设施亦有利于创新型城市化，且间接效应高于直接效应，对周边地区的创新溢出作用更显著.4) 消费水平未通过三种效应的检验，表明城市消费水平与创新型城市化并无明显关系.5) 就业规模均在三种效应的5%水平下显著，表明城市规模越大，越有利于创新型城市化发展.知识经济时代背景下，社会发展水平提高人民生活质量，社会文化氛围更为开放多元.研究结论与唐承丽[22]等一致，验证创新型城市化指标体系的合理性，城市经济活力、基础设施、信息化水平和就业规模显著影响创新型城市化，对周边城市亦具有显著的空间溢出效应.

表7 空间杜宾模型效应分解结果Tab.7 Effect decomposition results of spatial Durbin model

5 结论与讨论

本文通过构建创新型城市化评价体系，探讨2015年-2018年中国创新型城市化现象的空间格局变化及影响因素，研究结果表明：1) 我国创新型城市化现象空间分布不均衡，全国创新型城市化程度空间分布差异大于区域内部差异；2) 创新型城市化从“三核”格局演变为“三极多中心”结构，创新高地和节点城市不断兴起；3) 创新型城市化变化趋势与水平现状相对一致，指数变化呈现“高城市化-高增长，低城市化-低增长”趋势，马太效应显著；4) 创新型城市化现象呈现由区域高地向外围扩散趋势，创新高地往往涓滴效应更突出，而创新节点极化效应更明显.城市经济活力、基础设施、信息化和就业规模越高，不仅有利于创新型城市化发展，而且对周边城市亦具有显著的空间溢出效应.

根据研究结论，提出以下政策建议：1) 深入贯彻落实区域协调发展战略.现阶段我国各区域间城市创新能力异质性显著，区域协调发展是构建国家创新体系的关键一步.协调“东强西弱”的创新能力格局，发挥西部在载人航天、旅游资源等方面的优势，提高区域竞争力，对我国整体创新型城市化水平提高具有重要意义.2) 协调区域内部发展不均衡现状，扭转极化效应的负面影响.地方政府应加强合作，发挥区域比较优势带动地方创新发展，实现区域创新资源合理分配.3) 加快培育区域创新增长极，改善落后地区创新低水平现状，以“高-高”集聚为目标，从“低-低”集聚向“高-低”集聚转变.

本文创新点在于指明创新型城市化的概念和内涵，构建评价指标体系，探讨双创政策出台以来中国创新型城市化的空间演化格局及影响因素.不足之处在于创新型城市化类型和阶段划分、指标体系有待进一步挖掘；由于城市尺度部分指标和时序数据难以获取，仅能探讨2015年—2018年创新型城市化发展.基于研究成果和“十四五”规划，未来将继续丰富和深化指标体系，以有效刻画新时代中国创新型城市化发展.