区域创新影响因素的效应测度与分解研究

田雅娟，田戈扬，宋剑

摘要：基于2004—2019年省级面板数据，应用半参数地理加性模型考察区域创新能力影响因素的非线性作用与空间异质性分布，并基于夏普里值法对相关因素在区域创新差异中的贡献度进行分解分析。实证结果表明：除研发人员投入外，研发资本投入、人力资本水平、金融发展水平、市场化进程和技术差距对区域创新能力的影响效应都存在显著的非线性特征。在控制上述要素与时间趋势后，尚有未知的潜在因素对区域创新能力存在较强影响，江苏、浙江和广东三地的潜在创新环境最优。基于夏普里值法的贡献度分解显示，研发资本投入、研发人员投入和市场化进程是造成我国创新能力区域差异的三个主要因素。

关键词：区域创新;空间异质性;地理加性模型;夏普里值法

中图分类号：F124.3;F064.1 文献标识码：A文章编号：1007-2101（2022）03-0051-09

一、引言

创新是经济社会不断发展进步的重要动力。我国国民经济和社会发展“十四五”规划强调了坚持创新在我国现代化建设全局中的核心地位。经过几十年长足的发展，我国创新总体实力实现了极大的提升，成为世界上不可忽视的中坚力量。但同时，作为世界上最大的发展中国家，受地理位置、资源禀赋和区域政策等因素的影响，区域创新能力存在的发展不平衡、不协调、不可持续等问题依旧突出，成为我国建设创新型强国的重要掣肘。因而，精准把握区域创新能力的主要影响因素，探求各类因素的影响效力，对于科学有效地组织与协调各种投入要素进行创新生产、营造友好的创新社会环境、整体推进我国各区域的协调创新发展具有重要的现实意义。为此，本文以省级行政单位为研究主体，基于半参数地理加性模型（Geostatistical Additive Model，Geo-GAM）对区域创新影响因素的作用效应进行了测度和分解研究。为了更精准地反映相关因素对区域创新能力的影响效应，本文利用半参数加性模型设计量化测度复杂的非线性效应，避免了简单的线性效应假定可能出现的误设定;此外，还将难以量化的空间异质性因素（如政策保障、风俗文化、制度法律、地理环境条件等）以地理坐标构建的平滑空间趋势面的形式纳入回归模型，在很大程度上减少了遗漏变量造成的误差。在此模型设定基础上，本文较为全面地测度了各类影响因素对区域创新能力的影响特征，并对各因素的贡献进行了夏普里值分解，深入探索各方面因素对创新能力的贡献作用，以期为促进各区域协调创新发展的政策制定提供研究支持。

二、文献综述

已有相关成果围绕各种要素对区域创新能力的复杂影响作用展开了丰富的研究，比如Furman et al[1]、Fritsch and Slavtchev等[2]的研究表明，创新环境质量的不同往往会导致各创新单元在创新生产力和能力方面的差异，不匹配的创新环境会阻碍创新投入的转化效率。李燕等[3]认为我国的区域技术差距对创新溢出效应存在显著的“双门槛效应”，区域技术落后地区对创新溢出效应的吸收能力低于发达地区，并且创新溢出的边际效用随技术水平的提高呈递减变化。相关研究还证明外资对中国的专利申请数量的正面溢出效应存在门槛特征[4]，基于时空数据的分析显示FDI对创新效率的正向影响存在空间差异，中、西部地区优于东部地区[5]。刘宏等[6]通过建立门限回归模型，发现吸收能力在FDI对区域创新能力的影响中存在双重门限效应，而市场化程度以及技术差距则存在单门限效应。朱顺林[7]的研究则表示资本要素市场化会抑制OFDI对区域创新的正向作用，而且这种抑制作用存在地区差异。

相关研究还以空间属性为切入点揭示了区域创新的空间差异特征。空间知识溢出是指各个区域之间通过信息交换与要素流动等方式获得R&D成果，并以此促进经济的增长[8]，这也使得区域创新能力的分布具有显著的空间依赖性。

关于我国创新能力空间分布方面的研究，罗发友[9]、张玉明和李凯[10]的研究都证明了我国的創新活动和产出在空间上表现出非随机性的不均匀分布;魏守华和吴贵生[11]认为区域创新能力不仅受R&D活动规模等创新基础条件影响 ，更重要的是受区域创新效率影响，我国创新能力的地区差距明显且呈扩大化趋势。陈晶[12]利用GIS分析技术评估了我国内地31个省域的创新能力并描绘了其空间演化过程，发现我国区域创新综合实力的地域差异较为鲜明，沿海进步集团与中西部落后集团的创新能力差距在不断扩大;李婧[13]基于中国30个省区的面板数据考察发现，北京与江浙沪等发达地区的知识水平高于其他中西部地区，地理距离会对知识溢出效应产生重要影响;宋旭光[14]使用复杂网络分析我国的创新能力空间关联结构，发现东部区域已经发展成为高—高集聚的创新良性地带，而西部地区则成为低—低集聚的洼地，中国区域创新表现出“梯度”可达的关联特征。

综合来看，区域创新能力同时受到多个方面因素的综合影响，而且这些影响作用表现出较为复杂的作用特征，这使得传统计量模型在测度各因素对区域创新能力的影响效应时存在几点不足：第一，使用参数回归模型探讨各因素对创新能力的影响时，多数模型通过增加门限变量、添加平方项等方式实现对非线性特征的刻画，这些方法很难应用于对多个因素非线性特征的同时刻画。第二，区域创新能力还会受到历史积累、地理环境、社会文化等难以量化因素的影响，这些因素往往在空间分布上是不均匀的。而这些空间异质性是很难被准确测度甚至无法直接观察的，对这些因素的遗漏，很可能造成模型估计的误差，影响分析的精准性。

有鉴于此，本文提出基于半参数地理加性模型对区域创新能力相关影响因素的效应测度方法，该方法有三点优势：第一，相比较传统的参数回归模型，半参数加性模型是一种自由灵活的模型形式，通过函数化的非参数项可以更加敏锐地同时捕捉多个因素的非线性特征。第二，将由地理坐标构建的平滑空间趋势面纳入模型，可极大程度上控制住难以量化但存在空间差异的潜在因素对区域创新的影响，减少由于遗漏变量带来的误差，提高模型的估计精度。第三，该平滑空间趋势面反映了潜在因素造成的区域创新环境差异，可作为不同地区创新环境优劣的量化体现。

三、研究设计

（一）區域创新影响因素的效应测度模型

半参数地理加性模型由Kammann和Wand[15]、Wood[16]、Augustin[17]等学者提出与完善，是在广义加性模型（Generalized Additive Model，GAM）框架基础上引入地理加性成分的模型形式，可以更好地处理影响因素的非线性效应和潜在因素引起的空间异质性问题。Geo-GAM模型在GAM框架中加入平滑空间趋势面（一个由经度和纬度构成的非参数交互项），借以将难以量化的潜在影响因素（如政策保障、风俗文化、制度法律、地理环境条件等）可能导致的区域创新空间异质性以地理位置坐标为载体纳入回归模型中，减少可能因为大量遗漏变量而产生的偏差，从而达到增强整个模型准确度与解释能力的目的。模型的具体形式为：

Yit=β0+β1Z1，it+…+βkZk，it+f1（X1，it）+…+

fm（Xm，it）+h（no，e）（1）

在式（1）中，Yit为被解释变量;Zl（l=1，…，k）为第l个对Yit产生线性影响的解释变量，其影响在模型中以参数项βlZl，it显示;Xj（j=1，…，m）为第j个对Yit产生非线性影响的解释变量，其影响在模型中以非参函数项fj（Xj，it）体现;（no，e）为样本单元所在的空间经纬度，h（no，e）为由样本单元经纬度组成的平滑空间趋势面，用于控制带来空间异质但未能纳入解释变量的其他潜在因素的影响。

（二）进行效应分解的夏普里值法

为了进一步确定各类因素在我国区域创新能力形成过程中的作用大小，本文使用夏普里值法进行各因素的效应分解分析。夏普里值法是一种基于合作博弈论、在解决多人合作的利益分配问题时测度每个参与者对整体做出贡献水平的方法，在回归模型结果的分解问题上得到了广泛的应用。具体到在回归模型差异分解的应用中，通常认为被解释变量的差异是由所有因素共同作用产生的，剔除其中一个因素，会对整体差异产生一个边际效应。那么在所有的剔除路径下，该因素的边际效应均值就是其对整体指标差异的贡献。该差异一般选择基尼系数、泰尔指数等指标进行计算，在控制因素进入回归时使用当年的均值替换原数据以剔除该变量对总体差异的影响。最终计算得到的相对贡献率表示该变量对被解释变量差异的解释程度。

（三）变量设置

现有文献大多采用专利数、新产品数、新产品销售收入等指标代表区域创新能力。由于专利数量更为常用且相关数据易获得，且我国的相关制度统一，不同区域之间方便进行比较。根据我国相关法律规定，专利分为发明专利、实用新型专利和外观设计专利，而其中的发明专利技术含量更高，更能准确反映区域创新能力，因此参考李习保[18]、杨浩昌[19]等的研究，本文选择发明专利申请授权数的对数作为代表创新能力的被解释变量，同时使用三种专利类型授权数量之和的对数替换被解释变量做稳健性检验。在解释变量方面，参考已有研究，从投入因素、经济环境、政策环境等方面选择6个变量，分别说明如下。

1.研发资本投入。以用永续盘存法估算的研发资本存量来体现研发资本投入的累积效应，具体计算方法如下：

RDit=（1-d）RDit-1+Eit（2）

在式（2）中，RDit为第t时期省份i的研发资本存量;d表示研发资本的折旧率，参考已有文献的平均水平设定为15%;Eit为第t时期省份i的R&D经费内部支出。参考朱平芳和徐伟民[20]的做法，将固定资产价格指数和居民消费价格指数分别按照45%和55%的比例。重新计算得到研发支出价格指数，并使用此价格指数对R&D经费内部支出进行平减将其转换为2003年不变价。初始的研发资本存量的估计方法为RD2003=Ei2003/（d+gi），其中gi为所选时期内省份i的R&D经费内部支出的年平均增长速度。

2.研发人员投入。现有研究一般选择研发人员数量或研发人员全时当量代表研发人员投入的水平，其中研发人员全时当量是考虑了研发人员工作时长折算的实际工作量，相对于研发人员数量而言能更加准确地反映各省的人员投入水平。因此本文选择研发人员全时当量作为代表研发人员投入的指标。

3.人力资本水平。人力资本水平的高低对本区域内的创新能力影响毋庸置疑。本文采用人均受教育年数来衡量地区人力资本水平，具体计算公式如下：

hum=prim×6+midd×9+high×12+univ×16（3）

在式（3）中，prim、midd、high和univ分别为小学、初中 、高中和大专以上教育程度居民占该地区6岁及以上人口的比重。

4.金融发展水平。参考冉光和[21]的研究，金融发展效率的提升可能会对区域创新能力产生积极作用，用各省份当年储蓄与贷款的比值代表金融发展水平。

5.市场化进程。良好的市场化环境有助于资源配置效率的改善，是企业技术创新的外部推动力量。参考王小鲁[22]的研究，从政府与市场关系、非国有经济发展、产品市场发育、要素市场发育和中介组织发育以及法律五个方面计算得到2004—2019年30个省（自治区、直辖市）的市场化进程总得分，相关数据来自WIND数据库。

6.技术差距。技术差距会影响相对落后地区对知识和技术溢出的吸收能力，一般选择与发达经济体劳动生产率或资本密集度之比近似代替，参考宁烨[23]的研究，本文选择各省市资本密集度与G7国家整体的资本密集度之比来衡量技术差距具体，计算公式如下：

GAPi（t）=Ki（t）/Li（t）KG7（t）/LG7（t）（4）

在式（4）中，Ki（t）和KG7（t）分别为t时期各省市和G7国家的固定资本形成总额，使用GDP平减指数，折算为以2003年为基期的不变价;Li（t）和LG7（t）分别为t时期各省市和G7国家的劳动力投入。G7国家的相关数据来自世界银行数据库。

四、效应测度分析与差異分解

（一）数据来源与描述性统计

本文选取2004—2019年30个省级单元（西藏自治区、港澳台地区由于数据缺失未纳入样本）的数据为样本进行实证分析。其中专利申请量、研发经费支出、研发人员全时当量均来自于《中国科技统计年鉴》;其余解释变量计算所需的原始数据均来自于《中国统计年鉴》，通过EPS和WIND数据库收集整理。相关变量的描述性统计如表1所示。

（二）区域创新影响因素的效应测度分析

1.实证模型形式的确定。首先假设区域创新与所有影响因素都存在非线性关系，所有解释变量以非参数项形式引入模型，在此设定下分别给出三个模型估计，结果如表2所示。模型1中解释变量仅包括研发资本投入、研发人员投入、人力资本水平、金融发展水平、市场化进程、技术差距6个因素，被解释变量和前两个解释变量由于数值较大，做

对数处理。模型2在模型1基础上引入了时间变量，增加了对时间固定效应的控制。模型3在模型1基础上同时引入时间变量和地理区位变量（经纬度），增加对时间固定效应和空间固定效应的控制。表2同时给出每个非参数项的显著性检验结果（F统计量值）和自由度值。非参数项的自由度值大于1时认为该解释变量与被解释变量之间存在的是非线性关系，且自由度值越大，非线性特征越明显。首先，对比表2中模型1、模型2和模型3的拟合效果，增加对时间和空间固定效应的控制后，模型3的R2值和AIC值均明显优于其他两个模型，可见，增加时空因素后的模型，更好地控制了部分不可观测因素的影响，解释力度明显提升。因此，最终构建实证模型如下：

yit=β0+s1（lnrdit）+s2（lnlit）+s3（humit）+s4（finit）+s5（mktit）+s6（gapit）+s7（year）+s8（no，e）+εit（5）

在式（5）中，yit为第i个省份第t年的专利申请量的对数，代表区域创新能力;s1（lnrdit）、s2（lnlit）、s3（humit）、s4（finit）、s5（mktit）、s6（gapit）分别刻画了研发资本投入、研发人员投入、人力资本水平、金融发展水平、市场化进程和技术差距6个量化因素对区域创新的非线性作用特征;s7（year）和s8（no，e）用于控制区域创新的时间固定效应和空间固定效应。

2.实证结果分析。基于式（5）所给实证模型对区域创新影响因素的作用效应进行测算分析，结果在表2模型3中给出。从变量显著性检验结果看，研发人员投入的影响效应在5%显著性水平下显著，其余5个解释变量的影响效应均在1%显著性水平下显著。通过自由度判断各影响因素的非线性特征，除研发人员投入的非线性特征不明显（自由度值小于2）外，其余各要素均表现出较为明显的非线性特征，具体作用方向变化的表现通过估计所得的平滑函数予以反映（见图1）。

图1给出了6个影响因素对区域创新能力的作用特征：研发资本投入（lnrd）对区域创新能力全程表现为正向的拉动效应，并且存在单门槛效应，当研发资本投入达到一定水平后，继续增加要素投入带来的边际收益会增加;研发人员投入（lnl）对区域创新能力同样表现出正向的影响效应，且比较接近线性的作用形式，即增加单位科研人员要素投入带来的边际收益接近一个固定的数值，不会随自身水平变化。人力资本水平（hum）的影响效应则表现出非常明显的非线性特征，在人力资本水平处于较低的区间时，区域创新能力会随着人力资本水平的增加表现出明显的上升趋势，而当人力资本水平达到一定的门槛后，两者之间的关系就变得不够显著。与此类似的是市场化进程（mkt）和技术差距（gap），均表现出随着自身水平增加带来的边际收益降低的作用特征。而金融发展水平（fin）则表现出边际收益增加的趋势，即当金融发展水平处于较低的区间时，它对区域创新能力的影响效应并不明显，而达到一定水平后才开始表现出正向的促进效果。

在式（5）的模型设定中，非参数项s8（no，e）用于捕捉其余不随时间变化的潜在因素（如政策保障、风俗文化、制度法律、地理环境条件等存在空间差异的因素）对区域创新能力造成的空间异质性影响。s8（no，e）的估计结果为以地理经纬度为变量的平滑曲面，可通过等高线的形式表现出这种空间固定效应的优劣（见图2）。

图2为以潜在因素对区域创新能力的平均影响为基准（等高线水平值为0），按照s8（no，e）的取值绘制的等高线图。图2的横轴和纵轴分别为样本中省级单元省会的地理经度和纬度，等高线上的数值可理解为带来空间异质性的潜在因素对其创新能力影响效应的标准化水平，处于同一条等高线上的地理坐标表现出的效应影响相同。等高线数值越大，说明对应地区在某些不可观测因素上越存在区域创新优势，或者可以将这种不可具体测度的潜在因素优势称之为该区域具有的优越创新环境。

进一步按等高线水平对样本省份单元的区域创新环境进行等级划分，如表3所示，30个省份被划分为6个级别，其中第1-3级的17个省（自治区、直辖市）潜在创新环境好于全国平均水平。结合图2和表3结果来看，按照三大地区划分，我国东部地区的潜在创新环境最优，其次是中部地区，西部地区最弱，在空间分布上表现出从东南向西北方向梯度递减的趋势。从具体省份来看，江苏、浙江和广东是潜在创新环境相对最为优越的三个省份，而内蒙古、海南、青海和宁夏四地则相对较差。

3.稳健性检验。为进一步检验估计结果的稳健性，本文将被解释变量替换为三种专利类型申请授权量之和重新进行估计，三种模型的估计结果对比如表4所示。与原模型的估计结果类似，在控制了时间与空间固定效应后，模型的R2值和AIC值都得到了很好的改善。从模型3的结果来看，各解释变量的显著性检验结果与原模型一致。非线性特征如图3所示，除研发人员投入的影响效应被估计为严格线性的正向作用外，其余解释变量的非线性特征均与原模型基本一致，证明了实证结果的稳健性。

（三）基于夏普里值法的创新能力区域差异贡献度分解

本文选择基尼系数作为区域差异水平的衡量指标，应用夏普里值分解法进行区域创新相关影响因素的贡献度分解，具体结果如表5所示。进行夏普里值分解后，2004—2019年6类相关因素对创新能力区域差异的平均贡献率排名由高到低分别为研发资本投入、研发人员投入、市场化进程、人力资本水平、技术差距和金融发展水平，平均贡献率之和达到59.6%，该数值的具体含义为在我国创新能力表现出的区域差异中，有59.6%是由上述6类因素的差异导致的。其他潜在因素的平均贡献率为40.4%，该结果说明除投入要素、经济条件外，还存在大量的不可观察因素对区域创新产生很大的影响，进一步探求这些因素的本质和作用特征对改善区域创新环境差异、实现各区域创新发展的协同推进具有重要意义。

分别来看：（1）研发资本投入在2004—2019年间的贡献排名始终处于第1位，平均贡献率达到28.3%且变化不大，这表示研发资本作为最基本的创新要素投入对创新能力发展的贡献非常稳定，是显性因素中导致创新能力呈现区域差异的最重要因素。（2）研发人员投入对区域差异的贡献占比则在16年间表现出缓慢上升的趋势，平均贡献率为13.7%，在所有显性影响因素中排第2位，说明研发人员也是基本的创新要素投入，是区域创新能力发展的重要基础，并且随着我国整体水平的进步，研发人员投入对创新活动的重要性也在逐渐增加。（3）市场化进程同样是较为稳定的创新能力影响因素，平均贡献率为10.7%，与研发人员投入的占比相近。（4）技术差距和金融发展水平的贡献度则相对较低。结合实际情况与上文对影响效应非线性特征的分析，是由于我国大部分省份在技术差距方面已经处于边际收益较低的相对较高水平区间，而在金融发展水平方面则相反，大部分省份尚未进入可以产生明显正向拉动作用的区间。因此这两项影响因素对创新能力区域差异的贡献并不明显。

五、结论与讨论

（一）结论

本文基于2004—2019年的省级面板数据，应用半参数地理加性模型考察了区域创新能力相关影响因素的作用效应，并基于夏普里值法对各因素的影响贡献度进行分解研究。結果显示：（1）除研发人员投入外，研发资本投入、人力资本水平、金融发展水平、市场化进程和技术差距对区域创新能力的影响效应都存在显著的非线性特征。（2）在控制上述要素与时间趋势后，尚有未知的潜在因素对区域创新能力存在较强影响，导致区域创新能力在空间上存在变异性，即受潜在因素影响各省份的创新环境存在差异，其中江苏、浙江和广东三地的潜在创新环境处于领先水平。（3）通过夏普里值法对影响区域创新的显著因素进行贡献度分解，可知各因素对创新能力区域差异的平均贡献率排名由高到低分别为研发资本投入、研发人员投入、市场化进程、人力资本水平、技术差距和金融发展水平。潜在因素影响造成的创新环境贡献度占比在40%左右，而这些潜在因素的本质内容和作用特征仍待进一步地探索和研究。

（二）讨论

本研究再次证实了研发资本金、人力资本等直接投入要素在区域创新中的重要作用。首先，就研发资本投入对区域创新的影响来看，研究结论不仅揭示了研发资本的追加对提升创新力的积极正向影响，而且从贡献度分解看，区域间研发资本投入的差异也是引起创新发展区域不平衡的首要显性因素。其次，无论是创新领域研发人员的增长还是整体区域人力资本水平的提升，都可对区域创新能力产生正向推动效应，而创新型人力资本积累存在的区域差异是引起创新发展区域不平衡的另一个重要原因。“十四五”期间，中国高技术产业创新的空间分布正进入稳定调整期，研发资本和创新人才短缺仍是创新弱势地区的制约因素，这些直接投入要素在区域之间的配置情况将对修复区域经济发展不平衡起到重要作用。

本研究也同时揭示了人力资本水平、金融发展水平和技术差距等经济环境因素对区域创新影响的复杂性。实证结果显示，人力资本水平和技术差距在较低水平时与区域创新能力呈现明显的正向相关关系，而后则表现出边际收益降低的趋势。说明我国的科技创新活动在进入一定发展阶段后，要减少对外界技术溢出效应吸收的依赖，同时要更好地发挥本土高素质高水平科研人才的作用。而在金融发展方面要继续加大力度，使之发挥对科技创新活动应有的支撑作用。

此外，本研究通过在实证模型中设置地理坐标构建的平滑曲面非参数项，捕捉了由潜在不可量化因素所影响的创新环境在区域创新不平衡中的重要影响，对这些因素的进一步探索，对于缩小我国技术创新的空间分布差异具有重要意义。但遗憾的是，本文的研究框架无法给出这些潜在因素的本质内容和作用特征，尚需在今后的研究中加以填补完善。

参考文献：

[1]FURMAN J L，PORTER M E，STERN S.The determinants of national innovative capacity[J].Research Policy，2002，31（6）：899-933.

[2]FRITSCH M，SLAVTCHEV V.What determines the efficiency of regional innovation systems？[J].Jena Economic Research Papers，2007.

[3]李燕，韩伯棠，张庆普.FDI溢出与区域技术差距的双门槛效应研究[J].科学学研究，2011（2）：220-229.

[4]RUANE F，UUR* A L I.Foreign direct investment and productivity spillovers in Irish manufacturing industry： Evidence from plant level panel data[J].International Journal of the Economics of Business，2005，12（1）： 53-66.

[5]陈劲，陈钰芬，余芳珍.FDI 对促进我国区域创新能力的影响[J].科研管理，2007（1）：7-13.

[6]刘宏，赵恒园，李峰.对外直接投资、吸收能力与地区创新产出——基于省际面板数据的多变量门限回归分析[J].河北经贸大学学报，2019（4）：38-49.

[7]朱顺林.资本要素市场化改革，对外直接投资与技术创新绩效[J].经济体制改革，2020（1）：149-155.

[8]FISCHER M M，GRIFFITH D A.Modeling Spatial Autocorrelation In Spatial Interaction Data： An Application To Patent Citation Data In The European Union[J].Journal of Regional Science，2008，48（5）：969-989.

[9]罗发友.中国创新产出的空间分布特征与成因[J].湖南科技大学学报（社会科学版），2004（6）：76-81.

[10]张玉明，李凯.省际区域创新产出的空间相关性研究[J].科学学研究，2008（3）：659-665.

[11]魏守华，吴贵生，吕新雷.区域创新能力的影响因素——兼评我国创新能力的地区差距[J].中国软科学，2010（9）：76-85.

[12]陈晶.我国区域创新空间结构及影响因素[J].系统工程，2011（7）： 41-48.

[13]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（1）：42-54.

[14]宋旭光，赵雨涵.中国区域创新空间关联及其影响因素研究[J].数量经济技术经济研究，2018（7）： 22-40.

[15]KAMMANN E E，WAND M P.Geoadditive models[J].Journal of the Royal Statistical Society： Series C （Applied Statistics），2003，52（1）： 1-18.

[16]WOOD S N.Thin plate regression splines[J].Journal of the Royal Statistical Society： Series B （Statistical Methodology），2003，65（1）： 95-114.

[17]AUGUSTIN N H，MUSIO M，VON WILPERT K，et al.Modeling spatiotemporal forest health monitoring data[J].Journal of the American Statistical Association，2009，104（487）： 899-911.

[18]李习保.中國区域创新能力变迁的实证分析：基于创新系统的观点[J].管理世界，2007（12）：18-30+117.

[19]杨浩昌，李廉水，刘军.高技术产业聚集对技术创新的影响及区域比较[J].科学学研究，2016（2）：212-219.

[20]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.

[21]冉光和，徐鲲，鲁钊阳.金融发展、FDI对区域创新能力的影响[J].科研管理，2013（7）：45-52.

[22]王小鲁，樊纲，胡李鹏.中国分省份市场化指数报告（2018）[M].北京：社会科学文献出版社，2019：45-58.

[23]宁烨，崔欣欣，王金婷.OFDI逆向技术溢出对中国出口竞争力的影响——基于技术差距视角的实证分析[J].东北大学学报（自然科学版），2021（4）：589-597.

责任编辑：艾岚Measurement and Decomposition Analysis of Influencing

Factors Affection on Regional Innovation Capabilities

——An Empirical Study based on Geostatistical Additive Model and Shapley Value

Tian Yajuan1，2， Tian Geyang1，2， Song Jian3

（1.School of Economics， Hebei University， Baoding Hebei 071002， China;

2. Institute for Advanced Study of Yanzhao Culture， Hebei University， Baoding Hebei 071002， China;

3. Teaching and Research Section of Public Administration， Party School of CPC Tangshan Municipal Committee，

Tangshan Hebei 063015， China）

Abstract：Based on provincial panel data over the period of 2004 to 2019， this paper investigates the nonlinear effect and spatial heterogeneity distribution of the influencing factors effect on regional innovation ability with Semiparametric Geostatistical Additive Model， and analyzes the contribution of related factors in regional innovation differences based on Shapley value. The empirical results show that besides R&D personnel investment， R&D capital investment， human capital level， financial development level， marketization process and technology gap all have significant nonlinear characteristics on regional innovation capability. After controlling the above factors and time trends， there are still unknown potential factors that have strong influence on regional innovation capability. Jiangsu， Zhejiang and Guangdong have the best potential innovation environment. The contribution decomposition result based on Shapley value shows that R&D capital investment， R&D personnel investment and marketization process are the three main factors that cause regional differences of innovation capability in China.

Key words：regional innovation; spatial heterogeneity; Geostatistical Additive Model; Shapley value