基于TOE框架的区域创新能力时空探索：一项基于省域面板数据的动态QCA研究

［摘" 要］" 基于TOE框架选取技术创新能力、技术管理能力、创新支撑、政策支持、创新供给与创新需求6个条件变量，以中国省级区域为研究对象，运用R语言进行QCA分析，从组态视角出发，探索区域创新能力的时间演变和空间分布。研究发现：（1）高创新供给是高区域创新能力的必要条件，低技术创新能力是低区域创新能力的必要条件；（2）存在两条产生高区域创新能力的路径：T驱动-OE互补型创新和E驱动-TO互补型创新；（3）两条路径在时间演变上存在一致性，在空间解释力上存在差异，即T驱动-OE互补型创新倾向于解释东部地区，E驱动-TO互补型创新倾向于解释中西部地区。

［关键词］" TOE框架；区域创新能力；面板数据；QCA

［中图分类号］F124.3" ［文献标识码］A" ［文章DOI］10.15883/j.13-1277/c.20240508109

［收稿日期］

2023-11-09

［基金项目］" 河北省沿海地区临港产业发展协同创新中心项目（lgzx202414）、河北省社会科学发展研究课题（20230203056）、河北省创新能力提升计划项目（软科学研究专项）（23554802D）、国家自然科学基金面上项目（71672167）

［作者简介］" 张敬伟（1978—），男，河北卢龙人，燕山大学经济管理学院教授，博士生导师，创新与创业研究中心主任；张梦瑞（1999—），男，河北邯郸人，燕山大学经济管理学院硕士研究生。

一、 引言

党的二十大报告指出，科技是第一生产力、人才是第一资源、创新是第一动力，“三个第一”的论述将科技、人才、创新摆在了新时代发展的重要位置，凸显了创新的重要地位，也对创新研究提出了更高要求。近些年来，技术日新月异、组织快速迭代、环境迅速变化，为了增强经济与创新的协调性，各地方竭尽全力地加快技术迭代速度以适应快速变化的环境。根据《中国区域创新能力评价报告》，各地区间差距日益扩大，协调发展面临挑战，即东西部地区差距缩小，南北地区差距扩大［1］。在技术、组织、环境等资源的协调上，各地考虑问题存在片面性的缺陷，仅考虑因素间的简单因果关系，容易陷入“捡了芝麻丢了西瓜”的窘境。因此，找到一条符合地方区域创新能力发展的路径至关重要。

区域创新能力是推动地方经济发展的内在引擎［2］。目前，中国区域创新能力仍存在区域分布不平衡、发展受制等现象，导致地方出现经济发展缓慢、人才流失等问题。围绕该主题，国内外学者进行了许多研究，为了能够清晰准确衡量区域创新能力，学者们基于结构方程模型等不同方法构建评价体系［3］，但各体系指标相分离，并未形成一个较为系统的整合性框架。随后，学者们基于评价体系开始探索各因素对区域创新能力的影响关系，但缺乏对各因素之间关系的分析［4-5］。为弥补这一缺陷，部分学者基于组态视角，探索产生结果的不同组合［6］，对提升区域创新能力的路径进行了探索，但是对区域创新能力的时间演变和空间分布上的关注不足，即使部分学者在区域创新能力的时间演变和空间分布方面做了初步探索［7-8］，但仍属于传统QCA方法的简单应用，尚未清晰解释区域创新能力的时空变化情况。

基于此，本文以31个省级地区（不含港澳台地区）为研究对象，使用R语言进行QCA分析，尝试回答以下问题：产生高区域创新能力的必要条件以及组态路径是什么？其组态路径在时间和空间分布上是否存在差异？本研究有助于深化对区域创新能力路径的时间演变和空间分布的理解，为地方提升创新能力提供依据。

二、 文献回顾与研究假设

（一） 区域创新能力研究回顾

创新这一概念最早由熊彼特提出，即创新就是创造一种函数，将从未尝试过的生产要素组合转换为生产力的过程。而区域创新是特定区域内所有发生创新活动和创新结果的总称［9］。现有研究可归纳为“评价体系-影响因素-提升路径”的研究脉络：

在评价体系方面，多数学者运用结构方程模型、指标特征分析等方法形成了一系列区域创新能力评价体系［10］，评价体系也从单一指标向综合指标发展［11］。本文选取的区域创新能力评价指标来源于中国科技发展战略研究小组发布的《中国区域创新能力评价报告》，该报告具有一定的权威性，有学者基于该报告探索的前例［12］，证实了该报告的严谨性和可靠性。

在影响因素方面，区域创新能力影响因素具有复杂性，即区域资源相同的地区，创新能力仍然存在较大差别［13］。相关研究可归纳为环境和技术两方面。一方面，中国区域创新能力空间差别大，创新环境会对区域创新能力产生重要影响［14］。其中，现有研究中的网络关系［13］、创新基础设施［15］等影响因素可纳入创新环境的范畴，创新环境可细分为制度环境、需求环境、产业环境和要素条件四个维度，这些具体环境要素都会对区域创新能力产生正向影响［16］。另一方面，技术是创新的基础，而专利作为创新产出的结果和支撑创新的源泉，与区域创新能力相辅相承，虽然专利作为衡量区域创新能力的指标曾受到学者的质疑［17］，但是专利具有空间依赖性是不可否认的［18］，现有研究证实专利在中国区域分布不平衡［19］，并且是由正向空间相关性所造成的［18］。

在提升路径方面，相关研究多以定性比较分析为主［7，8，12，20］，存在少量定量研究［21］。多数学者基于截面数据从科技服务［12］、制度基础［20］等方面探索区域创新能力的组态关系。鉴于截面数据所探索的组态呈现出静态特征，难以应对当下快速变化的环境，因此，部分学者开始关注面板数据的使用，例如，朱桂龙等基于Furman框架分析了区域创新水平组态的时空演变［7］，这也说明了面板数据的应用能够较好地克服这一问题。

（二） TOE框架

Tomatzky和Fkeischer在《技术创新的流程》中提出了TOE框架，该框架借鉴信息技术创新等相关理论将技术实施的因素归纳为技术、组织和环境三个条件［22］。TOE框架多应用于企业技术方面，强调技术应用情境对技术应用效果的影响［6，23］，有关地方政府方面的TOE框架应用逐步涌现［6］，有关区域创新能力方面鲜有涉及。TOE框架作为通用性框架，具有较强的系统性和可操作性［23］，作为地方技术应用效果体现的区域创新能力，其关键影响因素同样可以纳入技术、组织、环境三个条件中。

基于TOE框架，本文确定了影响区域创新能力的六个关键因素。①技术条件包括技术创新能力和技术管理能力。技术变现是一个“产出-应用”的过程，而技术创新是核心因素［24］。此外，技术的产生能否同组织主体匹配取决于技术的匹配性和协调性［25］，其技术创新应用水平得益于技术管理能力，技术管理能力高，其应用技术的成本会降低，技术应用的效果会更好［6］。②组织条件包括创新支撑和政策支持。创新支撑是区域创新能力必不可少的因素，地方创新支撑来源于高校、科研院所等，需要大量公共资源，以资金衡量具有综合性，能够反映地区的创新支撑。此外，在中国情境下，政府的关注度成为影响区域创新能力的重要因素［26］，政策导向势必会影响区域创新能力的走向。③环境条件包括创新供给和创新需求。新技术产生于技术驱使和追求利润的双向作用［27］。基于供需端的创新能力分析，能够全面反映区域创新能力的环境条件。

综上，现有研究从“评价体系-影响因素-组态视角”对区域创新能力进行了探索，而组态视角下区域创新能力的路径探索成为研究的重点。已有研究克服了传统实证分析在单一因素上探索的缺陷，但是仍缺乏在动态分析上的探索。鉴于此，本文引入TOE框架，采用动态QCA分析区域创新能力路径的时间演变与空间分布。

三、 研究设计

（一） 研究方法

传统QCA分析多是基于截面数据，将其校准为模糊集、清晰集和多值集之一，从而探索研究对象的组态路径，这一过程忽视了研究对象的时间动态性和空间分布差异。当下，时间性成为QCA方法受到质疑的原因之一［28］，而基于面板数据的动态QCA在解决时间性的问题上做出了有益探索。由于中国区域间差异大，从时空角度研究中国区域创新能力更适合中国国情。因此，本文参考Garcia-Castro等提出的理论方法［29］，运用R语言进行QCA分析，以研究时间演变趋势下组态的变化以及空间分布情况。

（二） 数据及校准

本文关注的结果变量为区域创新能力。区域创新能力是一个广泛的概念，体现为地方知识的“变现”能力［30］，根据《中国区域创新能力评价报告》的定义，区域创新能力由知识创造、知识获取、企业创新、创新环境和创新绩效综合决定。本文选取《中国区域创新能力评价报告》2014—2019年的区域创新能力综合指标作为结果变量的测量指标（考虑区域创新能力具有滞后性，该报告数据具有两年滞后期）。

技术条件包括技术创新能力和技术管理能力［31］。其中，技术创新能力参考刘凤朝等的测量标准［19］，以地区当年的专利授权数量为测量指标；技术管理能力参考范柏乃等的研究［32］，以第三产业增加值占GDP的比重为测量指标。

组织条件包括创新支撑和政策支撑。根据《中国区域创新能力评价报告》，区域创新能力的主体为高校、科研机构以及政府。参考《中国区域创新能力评价报告》以及相关研究［33］，本文以教育经费支出测量创新支撑，以政府研发投入测量政策支撑。

环境条件包括创新供给和创新需求。本文参考《中国区域创新能力评价报告》以及已有研究［34］，以科技服务业从业人员数作为创新供给的测量指标，以高新技术企业数量作为创新需求的测量指标。具体描述见表1。

动态QCA需要参照fsQCA的方法进行校准，即给予案例集合隶属的过程。结果变量和条件变量由于数据测量指标的差异，数据类型不同，因此需要选取交叉点将变量取值校准到［0-1］的区间范围中。本文参照Ragin的研究［35］，选取95%和5%分位数为完全隶属和完全不隶属的锚点，50%分位数为交叉点（如表2）。

四、 数据分析及实证结果

（一） 必要条件分析

在对条件变量进行组态分析之前，需要检验单个条件是否导致结果发生。在截面数据中，当一致性水平大于0.9时，可将此条件作为结果发生的一个必要性条件［36］，而在面板数据中，为衡量数据的精准度，需要将组间一致性距离和组内一致性距离作为考虑因素。基于数据特征，本文选取0.2为一致性调整距离的衡量标准。当调整距离小于0.2时，可视为一致性水平精确度高［29］。

根据表3，在对高区域创新能力的必要条件分析中，除高创新供给外，其他条件变量的一致性水平均低于0.9，因此，高创新供给是产生高区域创新能力的必要条件。在对低区域创新水平的必要条件分析中，除低技术创新能力外，其他条件变量均低于0.9，因此，低技术创新能力是解释低区域创新能力的必要条件。组内一致性调整距离分布较分散，侧面说明了31个省级地区的区域创新能力相差过大，并不是由单个条件所决定的。组间一致性调整距离存在技术管理能力和低创新支撑大于0.2的情况，需要进一步进行组间分析。

通过组间分析（表4），发现：①情况2和情况3的区间一致性水平均低于0.9，并不能成为解释区域创新能力的必要条件；②情况1和情况4呈现出明显的时间效应和对比性。在情况1中，高技术管理能力与高区域创新能力的组态一致性水平随时间变化呈现上升的态势，并在2019年达到0.909且覆盖度均大于0.5；在情况4中，低技术管理能力与低区域创新能力的组态一致性水平随时间变化呈现下降的态势（如图1所示）。这说明既存在解释区域创新能力的必要条件，又呈现出时间演变趋势，显示出了区域创新能力的复杂性，即区域创新能力的提升或降低是技术、组织和环境多重并发的结果。

（二） 条件组态分析

参考现有研究［38］，本文选取一致性水平阈值为0.8，PRI一致性阈值为0.7，案例频数设置为1，运用R语言对数据进行分析。根据表5所呈现的组态分析结果，识别出两条高区域创新能力的路径，即T驱动-OE互补型创新路径和E驱动-TO互补型创新路径。两条路径均可以解释高区域创新能力，解的一致性水平为0.908，说明高区域创新能力和条件变量的隶属集合的交集占高区域创新能力的90.8%。解的覆盖度为0.723，说明能够解释72.3%的高区域创新能力案例。解的一致性水平和覆盖度均高于设定值，证实此组态分析结果具备有效性。

1. 产生高区域创新能力的组态分析

T驱动-OE互补型创新。在该组态路径中，两个技术条件是核心条件，而组织条件和环境条件均起到辅助作用，因此命名为T驱动-OE互补型创新。该路径表明，在政策和创新供给的支持下，即使缺少创新支撑和创新需求，拥有高水平技术条件的地区也能够产生高区域创新能力。典型案例为北京、天津、上海、浙江、广东。例如，上海强化科技创新策源功能，发挥张江综合性国家科学中心的优势，在基础研究、应用基础研究和关键核心技术上取得新突破，带动产业高端化发展。

E驱动-TO互补型创新。在该组态路径中，构成环境条件的创新供给和创新需求分别为核心条件和边缘条件，起到主导作用，因此命名为E驱动-TO互补型创新。该路径表明，当技术管理能力缺失时，技术创新能力和创新支撑能够弥补技术管理能力的不足，加至环境条件，也能够激发高区域创新能力。典型案例有河南、湖北、四川。例如，作为中部地区领头羊的湖北，依托一批一流大学和科研机构，集聚各种创新要素，营造良好的创业环境，促进产业结构的持续优化，创新能力呈现持续追赶态势。

2. 产生低区域创新能力的组态分析

本文检验了产生低区域创新能力的组态，共4种组态。首先，组态N1显示，组织条件缺失、技术创新能力缺失会扼杀区域创新能力。典型案例为海南、西藏、宁夏。其次，组态N2A和N2B共同显示，缺少政策支持，即使存在创新需求，也不会产生高区域创新能力，突出了在技术条件和环境条件未产生显著优势的情况下政策支持的重要性。典型案例为山西、内蒙古。再次，组态N3显示，缺失技术条件，缺失创新供给，即使存在创新需求，也不会有较高的区域创新能力。典型案例为黑龙江、甘肃。最后，组态N4A和N4B显示，缺少创新支持和创新供给，即使存在较高的技术管理能力，同样不会产生较高的区域创新能力。典型案例为云南、新疆。

（三） QCA动态分析

根据表5，T驱动-OE互补型创新的组间一致性调整水平为0.031，E驱动-TO互补型创新的组间一致性调整水平为0.052，两条组态均低于设定值，说明两条组态并不存在显著的时间效应。但这两条组态的一致性水平在时间上具有一致性，即两条组态自2014—2018年呈下降趋势，2018年后开始逐步上升（如图2所示）。T驱动-OE互补型创新路径的组间一致性水平始终高于E驱动-TO互补型创新路径的组间一致性水平，说明T驱动-OE互补型创新更能够解释中国区域创新能力的形成，但随着政策的调整，E驱动-TO互补型创新后来居上。2018年两条路径的一致性水平集中上升且组态2呈现出超越组态1的态势，可能是由于简政放权政策所导致。2016年5月9日，全国推进简政放权放管结合优化服务改革电视电话会议召开，拉开了简政放权的序幕。由于中国结构特征，会议精神的传达存在滞后性。2018年全国各地开始响应，各地根据自身资源禀赋等特征推进简政放权，各地创新渠道更加畅通，而简政放权更属于E驱动-TO互补型创新，因此，该路径呈现出强劲态势。

T驱动-OE互补型创新的组内一致性调整距离为0.111，E驱动-TO互补型创新的组内一致性调整距离为0.117，两条路径均低于设定值，说明两条路径在解释31个省级区域创新能力上不存在显著差异。但这两条组态在案例解释力度上略有倾向，即T驱动-OE互补型创新倾向于解释东部地区，而E驱动-TO互补型创新更倾向于解释中西部地区（如图3所示）。T驱动-OE互补型创新解释案例在东部地区的覆盖度为62.98%，即T驱动-OE互补型创新能够解释东部地区62.98%的案例；E驱动-TO互补型创新解释案例在中西部地区的覆盖度分别为73.88%、63.98%，即E驱动-TO互补型创新能够解释中部地区73.88%的案例和西部地区63.98%的案例。组态所呈现出的地区差异性充分证实了典型案例的可信性，T驱动-OE互补型创新对应的典型案例为北京、天津、上海、浙江、广东，均为东部地区；E驱动-TO互补型创新对应的典型案例为河南、湖北、四川，均为中西部地区，此结论同朱桂龙等所发现的东部地区的核心条件为知识基础，中西部地区创新的关键因素为产业集群一致［7］。

综上，一方面，两条组态路径呈现出一致性的时间规律，这说明环境驱动创新的影响力逐渐上升，区域创新更加趋向于市场化，弥补了区域创新能力在组态研究领域时间探索上的不足。另一方面，两条路径呈现出区域差异性，为探索区域创新能力提供了新的探索路径。

（四） 稳健性检验

为确保结果的稳健性，本文对高区域创新能力进行了稳健性检验。首先，将一致性水平阈值由0.8提升至0.85，所产生的组态结果与原组态结果一致。其次，将案例频数由1提升至2，所产生的组态结果与原组态结果一致。最后，将PRI一致性阈值由0.7提升至0.75，所产生的组态结果为原组态结果的子集。因此，本文结果稳健。

五、 结论与展望

（一） 结论

本文以2014—2019年31个省级地区为研究对象，运用R语言进行动态组态分析。研究发现：①高创新供给构成高区域创新能力的必要条件，低技术创新水平构成低区域创新能力的必要条件，并且技术管理能力同区域创新能力在时间上呈现出一致性趋势。②实现高区域创新能力的路径有两条，一条是T驱动-OE互补型创新，以技术条件为主导，创新供给、政策支持辅之；另一条是E驱动-TO互补型创新，以环境条件为主导，技术创新能力和创新支撑辅之。③T驱动-OE互补型创新和E驱动-TO互补型创新在时间演变上趋势相同，在2018年后一致性水平集中上升；两条路径在解释区域创新能力的力度上有所差异，T驱动-OE互补型创新倾向于解释东部地区，E驱动-TO互补型创新倾向于解释中西部地区。

（二） 理论和实践启示

本文的理论贡献有三方面：①基于TOE框架并结合中国情境探索构成区域创新能力的路径，从技术、组织和环境三个方面衍生出六个条件变量，将用于验证技术应用效果的TOE框架应用于区域创新能力的研究。虽然已有研究从技术［39］、组织［40］、环境［4，16］等方面进行了探索，但是鲜有文献探索因素间的影响关系。本文将TOE框架应用于区域创新能力研究，有助于将区域创新能力影响因素进行整合，丰富了区域创新能力研究的理论视角。②基于组态视角探索提升区域创新能力的路径。本文探索了提升区域创新能力的两条路径：T驱动-OE互补型创新和E驱动-TO互补型创新。现有研究基于要素视角探索各方面因素对区域创新能力的影响关系［4-5，16］，而忽略了因素间共同作用产生的影响。虽然已有研究开始注意从组态视角探索提升区域创新能力的路径［8，12］，但是由于研究角度各有不同，各视角的研究还处于探索阶段，本文的研究能够丰富有关区域创新能力路径方面的探索。③从时间和空间视角运用QCA方法探索区域创新能力方面的问题，解析了区域创新能力组态路径的时间演变趋势和空间分布差异。已有研究对于区域创新能力影响因素的时间和空间的异质性进行了综合分析［41］，但是缺少对构成区域创新能力的因素的分析。对于此，本文使用动态QCA对区域创新能力的时间和空间进行分析，有助于深化基于组态视角进行影响因素分析的认识，更全面深入地理解因素之间的组态关系。

依据本文结果，地方可以从三个方面进行改善以提升区域创新能力：①因地制宜，根据T驱动-OE互补型创新和E驱动-TO互补型创新的路径分布，地方政府可以侧重于各地适宜的创新政策。②要注重技术、组织以及环境要素的适配性，遵循组态路径的关系，两条路径都表明单纯地依靠企业难以提升区域创新能力，应当注重技术或者环境的协同配合。③T驱动-OE互补型创新和E驱动-TO互补型创新呈现出一致的时间变化趋势，近些年来，E驱动-TO互补型创新逐渐超越T驱动-OE互补型创新并成为主趋势，因此，地方政府应转变政府职能，向创新服务型政府转变，为地方创新能力的提升营造良好的创新供给。

（三） 研究不足和展望

本文尚存在一些不足。①本文基于TOE框架选取的变量进行测量，受到方法的限制，所选取的变量数量和指标具有局限性，难以覆盖全部指标，后续研究可以扩充其他指标进行探索。②QCA方法的应用难以深刻剖析案例，未来的研究还可以将动态QCA方法同案例研究、扎根理论等方法结合起来，以各城市为研究对象，剖析造成各城市创新能力差异的缘由，丰富创新能力研究，更好地服务实践。

［参考文献］

［1］中国科技发展战略研究小组. 中国区域创新能力评价报告［R］. 中国科学院大学中国创新创业管理研究中心， 2020.

［2］刘凤朝， 沈能. 基于专利结构视角的中国区域创新能力差异研究［J］. 管理评论， 2006（11）： 43-47+64.

［3］易平涛， 李伟伟， 郭亚军. 基于指标特征分析的区域创新能力评价及实证［J］. 科研管理， 2016（S1）： 371-378.

［4］齐亚伟， 陶长琪. 环境约束下要素集聚对区域创新能力的影响：基于GWR模型的实证分析［J］. 科研管理， 2014（9）： 17-24.

［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］谭海波， 范梓腾， 杜运周. 技术管理能力、注意力分配与地方政府网站建设：一项基于TOE框架的组态分析［J］. 管理世界， 2019（9）： 81-94.

［7］朱桂龙， 赛夫， 秦梓韬. 中国各省创新水平关键影响因素及发展路径识别：基于模糊集定性比较分析［J］. 科学学与科学技术管理， 2021（9）： 52-70.

［8］彭永涛， 侯彦超. 区域创新能力提升条件组态路径研究：基于中国内地29个省市的QCA分析［J］. 科技进步与对策， 2020（23）： 54-62.

［9］魏后凯. 现代区域经济学［M］. 北京：经济管理出版社， 2006.

［10］李高扬， 刘明广. 基于结构方程模型的区域创新能力评价［J］. 技术经济与管理研究， 2011（5）： 28-32.

［11］万勇， 文豪. 中国区域创新能力的评价指标体系研究［J］. 中南大学学报（社会科学版）， 2009（5）： 643-646.

［12］陈磊， 杜宝贵. 科技服务业何以激发区域创新“一池活水”：基于中国内地31个省级区域的fsQCA分析［J］. 科技进步与对策， 2022（18）： 31-38.

［13］TDTLING F. Technological change at the regional level： the role of location， firm structure， and strategy［J］. Environment and Planning A： Economy and Space， 1992（11）： 1565-1584.

［14］YANG N， LIU Q. How does industrial agglomeration affect regional innovation？ A spatial econometric analysis［J］. Growth and Change，2023（4）： 826-852.

［15］STEM PORTER， FURMAN. Measuring the “ideas” production function：evidence form international patent output［J］. NBER Woring Paper， 2000： 78-91.

［16］侯鹏， 刘思明， 建兰宁. 创新环境对中国区域创新能力的影响及地区差异研究［J］. 经济问题探索， 2014（11）： 73-80.

［17］WILLIAM G，SHEPHER D. The economics of industrial origanization：analysis，markets，polices（4th edition）［M］. PrenticeHall， 1997.

［18］李志刚， 汤书昆， 梁晓艳， 等. 我国创新产出的空间分布特征研究：基于省际专利统计数据的空间计量分析［J］. 科学学与科学技术管理， 2006（8）： 64-71.

［19］刘凤朝， 潘雄锋. 我国八大经济区专利结构分布及其变动模式研究［J］. 中国软科学， 2005（6）： 96-100.

［20］俞睿骁， 韦诗豪， 苏中锋. 正式制度、传统主义文化与区域创新能力：基于制度组态视角的研究［J］. 研究与发展管理， 2022（3）： 123-133.

［21］韩志弘， 张纪海. 中关村科技创新政策对区域创新能力的影响［J］. 中国科技论坛， 2021（12）： 18-30.

［22］TORNATZKY L G， FLEISCHER M. The processes of technological innovation［M］. MA：Lexington Books， 1990.

［23］丁依霞， 徐倪妮， 郭俊华. 基于TOE框架的政府电子服务能力影响因素实证研究［J］. 电子政务， 2020（1）： 103-113.

［24］傅家骥. 技术创新学［M］. 北京： 清华大学出版社， 1998.

［25］COOPER R B， ZMUD R W. Information technology implementation research： a technological diffusion approach［J］. Management Science，1990（2）： 123-139.

［26］陈思丞， 孟庆国. 领导人注意力变动机制探究：基于毛泽东年谱中2614段批示的研究［J］. 公共行政评论， 2016（3）： 148-176+189-190.

［27］孙军. 需求因素、技术创新与产业结构演变［J］. 南开经济研究， 2008（5）： 58-71.

［28］RIHOUX B， RAGIN C C.QCA设计原理与应用：超越定性与定量研究的新方法［M］.杜运周，李永发，等译.北京：机械工业出版社， 2017.

［29］GARCIA-CASTRO R， ARI O M A. A general approach to panel data set-theoretic research［J］. Journal of Advances in Management Sciences amp; Information Systems， 2016： 63-76.

［30］柳卸林， 胡志坚. 中国区域创新能力的分布与成因［J］. 科学学研究， 2002（5）： 550-556.

［31］高山行， 黄烨琳， 卢丹. 企业技术能力对技术联盟状态影响的实证研究［J］. 管理工程学报， 2008（2）： 1-5+35.

［32］范柏乃， 单世涛， 陆长生. 城市技术创新能力评价指标筛选方法研究［J］. 科学学研究， 2002（6）： 663-668.

［33］朱文涛， 顾乃华. 科技服务业集聚是否促进了地区创新：本地效应与省际影响［J］. 中国科技论坛， 2017（11）： 83-92+98.

［34］敦帅， 陈强. 国家重点实验室的空间分异及其影响机制研究：基于GIS与QCA的分析［J］. 科学学与科学技术管理， 2023（10）： 18-34.

［35］RIHOUX B， RAGIN C C. Configurational comparative methods： qualitative comparative analysis （QCA） and related techniques［M］.CA： Sage Publications， 2009.

［36］SCHNEIDER C Q， WAGEMANN C. Set-theoretic methods for the social sciences： a guide to qualitative comparative analysis［M］. NY：Cambridge University Press， 2012.

［37］CASTRO R G， ARI O M A. A general approach to panel data set-theoretic research［J］. Journal of Advances in Management Sciences amp; Information Systems， 2016（2）： 63-76.

［38］杜运周， 贾良定. 组态视角与定性比较分析（QCA）：管理学研究的一条新道路［J］. 管理世界， 2017（6）： 155-167.

［39］靳巧花， 严太华. 国际技术溢出与区域创新能力：基于知识产权保护视角的实证分析［J］. 国际贸易问题， 2017（3）： 14-25.

［40］高月姣， 吴和成. 创新主体及其交互作用对区域创新能力的影响研究［J］. 科研管理， 2015（10）： 51-57.

［41］王锐淇， 张宗益. 区域创新能力影响因素的空间面板数据分析［J］. 科研管理， 2010（3）： 17-26+60.

Spatio-Temporal Exploration of Regional Innovation Capacity Based on

the TOE Framework：A Dynamic QCA Study Based on Provincial Panel Data

ZHANG Jingwei1，2，3，ZHANG Mengrui1，3

（1. School of Economics and Management， Yanshan University， Qinhuangdao 066004，China; 2. Collaborative

Innovation Center for Port Industry Development in Coastal Areas of Hebei Province， Yanshan University， Qinhuangdao 066004， China;

3. Research Center for Innovation and Entrepreneurship， Yanshan University， Qinhuangdao 066004， China）

Abstract：Based on the TOE framework， this study selects six condition variables： technological innovation capability， technology management capability， innovation support， policy support， innovation supply， and innovation demand. Taking China’s provincial regions as the research subject and using R language for QCA analysis， this study explores the temporal evolution and spatial distribution of regional innovation capability from a configurational perspective. The findings include： （1） High innovation supply is a necessary condition for high regional innovation capability， while low technological innovation capability is a necessary condition for low regional innovation capability; （2） There are two pathways to high regional innovation capability： T-driven-OE complementary innovation and E-driven-TO complementary innovation; （3） These two pathways show consistency in temporal evolution but differ in spatial explanatory power， with T-driven-OE complementary innovation tending to explain the eastern regions， and E-driven-TO complementary innovation tending to explain the central and western regions.

Key words：TOE framework; regional innovation capacity; panel data; QCA

［责任编辑" 田春霞］