1. 引言
改革开放以来,中国经济高速发展长达几十年,成果突出,现中国经济社会从高速度发展阶段转入高质量发展阶段。党的二十大报告中提出,实现高质量发展就要向科技创新要答案,创新型国家战略明确强调大力提升科技创新能力,推进创新型国家建设和世界科技强国建设。创新是引领发展的第一动力,是建设现代化经济体系的战略支撑。区域创新为建设创新型国家、建设科技强国提供有力支撑,区域创新也成为近年来的研究热点。
当前关于区域创新发展的研究主要集中在以下几个方面:(1) 创新空间格局演化。研究范围包含国家层面、区域层面、城市群、省市层面 [1] [2] [3] 。研究者们通常采用标准差系数、基尼系数、集中指数、赫芬达尔指数、首位度、Moran’s I指数等来测度创新活动的均衡度、集中度和创新活动关联度。(2) 创新差异影响因素分析。普遍利用创新产出作为衡量指标从创新投入、创新环境、经济水平等方面来探究创新差异的影响因素。创新投入要素中R&D投入、人员投入、政府科技拨款对创新产出具有明显的促进作用 [4] ,也有学者通过构建空间计量模型探究得出城市经济水平、高等教育水平是各城市创新能力的主要影响因素 [5] 。(3) 创新联系与创新网络研究。研究者们多采用引力模型、社会网络分析法等方法从不同尺度展开研究。蒋天颖通过构建区域创新评价指标系再采用引力模型分析了长三角区域创新空间态势与联系 [6] 。宋旭光采用复杂网络理论和社会网络分析方法解析了中国区域创新空间关联网络及其影响因素 [7] 。(4) 创新空间溢出效应测度。传统计量模型忽视空间自相关性,使得计量结果容易出现偏差,白俊红注意到知识溢出有很强的空间性,开始将空间计量模型引入,但不同的空间权重矩阵的设置得出各观测单元的依赖性和关联性也不一 [8] 。(5) 创新投入与产出效率分析。目前大多学者使用随机前沿分析法(SFA)和数据包络分析法(DEA)对省级层面或长三角城市群等区域来进行创新效率的测度与评价 [9] [10] 。部分学者也对创新效率影响因素进行了探究,得出创新效率与创新主体、创新环境、主体间网络关系、创新空间溢出等因素相关 [11] [12] [13] 。(6) 创新潜力评价。一部分研究者从创新能力的影响因素中选取重要因素构建层次关系来评价城市内部不同区域开展创新活动的适宜程度 [14] [15] 。另一部分研究者将创新要素如科技创新产业、科技创新资源、科技创新环境的空间集聚度作为测度指标构建创新潜力评价体系,研究城市群创新活动的空间分布规律 [16] 。
总而言之,目前关于创新空间的研究方法相对成熟,大部分研究集中长三角、粤港澳地区 [17] [18] ,主要集中在宏观中观层面,采用探索性空间分析法基于市域尺度来分析不同省份和城市群创新空间分异与演化居多,但区县作为基层统计单元,由于对区县专利数据、投入数据较难获取,从区县小尺度层面研究城市群创新空间格局演变的较少,其次,影响因素方面已有研究从单一的经济数据来进行实证研究,但由于地区异质性,影响因子会存在差异性。因此本文从区县角度出发,以长株潭城市群为研究区域,采用空间自相关分析其演变特征,基于引力模型测度创新联系,在此基础上采用地理加权回归模型探究长株潭城市群间创新活动空间分异的主导因素。以期为落实湖南省打造具有核心竞争力的科技创新高地和建设国家区域科技创新中心提供政策参考。
2. 研究区域、数据来源与研究方法
2.1. 研究区概况
湖南省“十四五”规划提出加快推进长株潭一体化,建设长株潭现代化都市圈。长株潭城市群是湖南省社会经济发展核心增长极,在推动高质量发展、大力实施三高四新战略中具有十分重要的意义。研究选取长株潭城市群23个区县作为研究区,如图1所示,包括长沙市9个区县,株洲市9个区县和湘潭市5个区县。该区域总面积28,000 km2,2020年GDP为17591.46亿元,占全省的41.7%,RD活动人员16.2万人,占湖南省的60%以上。RD内部经费支出超过518.2亿元,科研创新活动丰富。
2.2. 数据来源
创新产出被认为是所有创新活动的最后成果,一般用发明专利授权量来体现,按照统计数据的可操作性和可获取性,使用地区专利授权量作为创新产出的衡量标准,可以更加全面地反映区域创新程度。以长株潭城市群23个区县空间单元,借助2012~2021年长株潭各区县的专利量作授权为测算指标。统计数据主要来源于湖南省知识产权局、湖南省统计局、湖南省交通运输厅以及各区县统计公报中。
2.3. 研究方法
2.3.1. 变异系数
变异系数(CV)为标准差比上平均值的结果,数值越小表示的创新产出聚集程度越高。公式为:
式中:y代表地区i的创新产出;
是整个研究区创新产出的平均数值;N是研究单元个数。
2.3.2. 基尼系数
基尼系数能够体现出创新产出空间分布的均衡度,数值越大地区创新产出越不均衡,反之亦然。
式中:N是地区数目;
是地区创新产出平均值;y1、y2…yn是地区创新产出数量从大到小。
2.3.3. 首位度
首位度(S)体现创新产出居于前两位的的区县间创新产出的比较,结果反应的是集中度。公式为:
式中:p1、p2分别是整个研究地区中创新产出数量居于第一、第二位地区的相应数据。
2.3.4. 空间自相关分析
采用空间自相关可以分析出物体在空间上是否存在相互关联、相互影响,过构建空间权重矩阵来区分变量间的关联程度和空间关系。空间自相关分为全局空间自相关和局部空间自相关。全局空间自相关一般用Moran’s I测算,公式为
![](//html.hanspub.org/file/19-2420617x14_hanspub.png?20240103084054967)
式中:
,N是研究区划分单元数;xi、xj为i地区的创新产出、j地区的创新产出;
是i地区的创新产出的平均值;wij为两地区的空间权重矩阵。莫兰指数值为−1至1之间,正负值表示创新产出相似地区呈空间聚集或分散分布,等于0则表示随机分布。
局部空间自相关是在整体有相关性的结论上,来分析某局部地区的空间相关性和聚集状况。通常采用Local Moran’s I来测算。公式为:
Zi、Zj是代表i、j地区创新产出的均值标准化值;W:空间权重矩阵。局部空间自相关可以探究出创新产出在具体个空间聚集或异常,会出现HH (高高聚集区)、LH (低高聚集区)、LL (低低聚集区)、HL (高低聚集区)四种不同情形,处于HH、LL时体现空间集聚,处于是LH、HL表明空间异常。
2.3.5. 引力模型
运用引力模型来测度创新产出空间联系的强弱,各区县政府的直线距离作为创新联系的基本要素,本文选取影响创新能力的专利授权量,国有经济科学研究和技术服务业、信息传输、计算机服务业和软件业在岗职工年末人数,科学与教育财政支出3个指标的几何平均值来指代创新产出与创新投入。公式为:
式中:Rij为城市i与城市j间的创新联系;Mi、Mj、Ni、Nj、Li、Lj分别表示城市i和城市j的专利授权量、国有经济科学研究和技术服务业信息传输计算机服务业和软件业在岗职工年末人数、科学与教育财政支出;K为引力常数,本文中取值为1000。
2.3.6. GWR:地理加权回归
地理空间有特殊的空间异质性,相同区域的因子或者变量在不同的区域的影响是不一样的。为了更准确评估空间数据的相关性,该模型加入地理位置函数,测算了研究对象的空间异质性,解决传OLS模型在空间回归时的不足。
式中:Yi是n × 1维因变量向量;Xik是n × k维自变量矩阵;k是自变量个数;(Ui, Vi)是第i个观测点的空间坐标,αk(Ui, Vi)是αk(U, V)在i点的函数值;εi是第i个研究单元的随机误差。
3. 长株潭城市群创新空间格局演变特征
3.1. 整体差异
2012~2021年长株潭城市群专利授权量的标准差逐年上升,2021年的标准差为2950.465件,是2012年的4倍,反应出研究区创新产出呈现曲线上升趋势且绝对差异逐年增大(表1)。2021年长株潭专利授权量的变异系数与基尼系数分别为1.65571和0.424367,与2012年相比,分别上升了10.74%和11.35% (图2)。说明长株潭城市群创新产出愈不均衡,相对差异逐渐增大。首位度考虑了创新产出居于前两位的区县间创新产出的比较,从首位度来看呈现W型波动下降趋势,反映创新产出次发达和发达地区相互追赶。长株潭城市群创新产出无高度的空间集中现象。
![](Images/Table_Tmp.jpg)
Table 1. Differences in innovation output in Changzhutan urban agglomeration, 2012~2021
表1. 2012~2021年长株潭城市群创新产出差异
3.2. 空间格局演变
如图2,2012~2021年长株潭城市群创新产出差异及动态变化所示,研究区专利授权量的Moran’s I可以得出,2012~2021年的Moran’s I指数均为正值且呈现整体波动上升趋势,揭示长株潭地区创新产出水平相近的区县呈空间集聚态势。其中,2012~2015年,Moran’s I明显减小,反应此阶段长株潭城市群创新产出的集聚存在但程度减弱;2021年的Moran’s I统计值为0.236259,成倍速增长且达到最大,可见研究期内长株潭城市群创新产出呈现逐渐增强的趋于聚集趋势。
基于ArcGIS10.5的局部自相关性研究,长株潭地区各区县的空间相关性及其空间聚类研究见表2,总体来看随着时间的推移,长株潭地区位于高高聚集区(HH)的区县数量有所增多且数量最多,低高聚集区(LH)的城市数量减少,而低低聚集区(LL)的区县数量无变化;无区县处于低高聚集区(HL)。可得出长株潭城市群多数区县位于高值区域,且创新高值区数量有所增多趋势。结合图3,具体来看,至2021年,长株潭城市群创新产出呈高值集簇特点,位于HH区的区县从5个上升至6个,创新产出水平高的区县数量存在增大趋势。低低聚集区的规模没有变化,主要集中在长株潭南部的株洲地区,呈现连片分布特点。总体而言,长株潭城市群专利授权量呈现北多南少的空间差异结构,北部的城市创新产出存在较强的空间依赖性,位于长沙市的芙蓉区、天心区、望城区、岳麓区、开福区、长沙县的创新产出具有较强的空间关联性,与专利授权量增长互相推动,但对长沙市其他区县、湘潭以及株洲区县无明显的作用,扩散效应太弱。
![](//html.hanspub.org/file/19-2420617x20_hanspub.png?20240103084054967)
Figure 2. Differences and dynamics of innovation output in Changzhutan urban agglomeration, 2012~2021
图2. 2012~2021年长株潭城市群创新产出差异及动态变化
![](Images/Table_Tmp.jpg)
Table 2. LISA clustering results of innovation space in Changzhutan city cluster in 2012, 2015, 2018 and 2021
表2. 2012、2015、2018、2021年长株潭城市群创新空间LISA聚类结果
![](//html.hanspub.org/file/19-2420617x21_hanspub.png?20240103084054967)
Figure 3. LISA clustering of innovation spaces in Changzhutan region, 2012, 2015, 2018 and 2021
图3. 2012、2015、2018、2021年长株潭地区创新空间LISA聚类图
3.3. 创新联系
研究区选取2012、2016与2019年三个时间节点的统计数据,采用引力模型,经修正后测算出长株潭城市群23个区县间的联系用粗细不用的线来表示创新联系强弱的程度(图4)。总体来看,2012~2021年间,长株潭城市群创新空间联系呈现出“核心–边沿”的结构,核心区存在弱化趋势。长沙市区县联系强度大的特征,其中芙蓉区、天心区、芙蓉区的创新空间联最强,但是创新联系强度有逐年逐渐减弱的趋势。2012年长株潭地区创新联系最强的是雨花区–天心区、雨花区–芙蓉区,次之为雨花区–芙蓉区,岳麓区–天心区,岳麓区–雨花区,芙蓉区–天心区,芙蓉区–开福区形成副中心,其余地区均创新联系一般或较弱。2016年引力最强的仍保持为雨花区–天心区,雨花区–芙蓉区,但次中心有所减少和弱化。至2019年创新联系最强的仅为雨花区–天心区。
![](//html.hanspub.org/file/19-2420617x22_hanspub.png?20240103084054967)
Figure 4. Urban innovation linkages in the Changzhutan region
图4. 长株潭地区城市创新联系
3.4. 创新增长速度
由2012~2021年长株潭各区县专利授权量的Nich指数绘制2012~2021年出长株潭地区城市创新强度Nich指数的空间差异图。如图5可知,Nich ≥ 1的高高增长型区县共有9个,其中岳麓区、长沙县、雨花区、开福区4个区县的Nich指数值位于前列,5个区县的Nich指数值介于1至1.5之间。创新高增长型除天元区外,其余8个区县均聚集在长沙市域。而Nich < 0.5的区县有11个,0.5 ≤ Nich < 1的区县有3个,Nich < 1的低增长型区县高达14个,除芙蓉区外,均集中分布于长株潭的城市群的东南、西南区域。长株潭城市群创新产出增长速度明显北部快于南部。
4. 长株潭城市群创新空间差异影响因素分析
4.1. 指标选区与回归建模
区域创新产出受创新环境、创新投入 [19] [20] [21] 等要素影响外,也会受到产业集群环境、知识溢出等多种因素的影响 [11] [12] [22] 。结合长株潭城市群创新发展态势,同时考虑到数据的科学性和可获取性,选择经济基础、创新投入、产业集群环境、知识溢出等因子,再纳入空间区位、基础配套环境等影响因子,将这六个方面作为自变量(表3)来探讨造成长株潭城市群创新空间差异的影响因素。由于创新投入到产出有一定的时间滞后性,参考滕堂伟的方法 [17] ,采用一年滞后期。采用专利授权数作为创新产出的表征,选择2017的专利授权数作为被解释变量,影响因素采用2016年的指标值。
![](//html.hanspub.org/file/19-2420617x23_hanspub.png?20240103084054967)
Figure 5. Spatial differences in the Nich index of innovation intensity of cities in Changzhutan region out of 2012~2021
图5. 2012~2021年出长株潭地区城市创新强度Nich指数的空间差异图
利用SPSS23的逐步回归分析法对各变量进行多重共线性分析,结果表明膨胀因子均低于7.5,表示所选取的各变量间并不具有高度共线性,因此没有变量排除。前文中分析得出长株潭城市群创新产出的Moran’s I指数为结果为正值,说明长株潭创新活动具有空间相关性,且为正相关。因此本文在研究创新产出的影响因素的时候,要考虑空间上的影响,而采用地理加权回归模型能更有效地对各影响因子指标进行分析。
![](Images/Table_Tmp.jpg)
Table 3. Indicators of factors affecting innovation output in Changzhutan Urban Agglomeration
表3. 长株潭城市群创新产出影响因素指标表
4.2. 结果分析
采用GWR模型,得到R2为0.756,根据GWR模型对影响因子的回归系数结果处理结果见表4,通过比较各影响因子回归系数的平均值能反映各影响因子对创新产出的贡献度,得出规模工业总产值 > 中等学校数 > 科学技术与教育财政支出 > 人均GDP > 进出口总额 > 卫生机构床位数 > 国道公路里程。
![](Images/Table_Tmp.jpg)
Table 4. Results of the estimated values of the parameters of the GWR model
表4. GWR模型各参数估计值结果
用自然断裂法将各影响因子的回归系数划分为4个等级,作出回归系数值的空间分布图(图6)。人均GDP回归系数值有正有负,总体呈从东南向西北呈缩小态势。回归系数值最大为炎陵县(0.000105),最小为芙蓉区(−0.000474)。从人均GDP回归系数值的大小来看,高值主要分布在株洲市的炎陵县、茶陵县、攸县、渌口区、醴陵市,说明该区域推进经济增长能带动创新水平的提高;发展低值主要分布在长沙市和湘潭市的区县,尽管该区域创新产出以及经济发展水平较高,但人均GDP的回归系数值低的事实说明了经济发展对该区域并没有明显的促进作用。
![](//html.hanspub.org/file/19-2420617x24_hanspub.png?20240103084054967)
Figure 6. Spatial distribution of parameter estimates for each influencing factor
图6. 各影响因素参数估计值的空间分布
科学技术与教育财政支出的回归系数值皆为正数,表明创新投入对创新产出有积极促进作用。呈现东南向西北递增的态势,创新投入回归系数值最大为望城区(0.013837)最小为炎陵县(0.004750)。高值主要分布在长沙市各区县、湘潭市的雨湖区、湘乡市和韶山市,说明该区域创新投入越大创新产出越多。低值主要分布在攸县、茶陵县和炎陵县,说明创新投入对该区域正向影响相对较弱。
规模以上工业总产值回归系数值有正有负数,说明产业集群环境不够成熟。可以发现长沙大部分区县回归系数较低,且为负值。其产业结构较为低端,对技术研发创新上需求较少,继续加大对传统产业的投入会阻碍创新发展,产生负效应,需要对产业结构进行优化与升级。高值区主要集中在株洲市的渌口区,优化产业集群环境能促进地区创新产出。
进出口额的回归系数结果均为负值,与创新产出呈负相关,说明知识溢出会抑制长株潭城市群的创新活动。可能原因是长株潭城市群地处我国中部地区,水运贸易量少,运输优势小,以及产品技术创新、传播和扩散程中对核心技术进行了保护,很大程度减弱了溢出效应。
国道公路里程的回归系数结果有正有负,且主要以负值为主,表明空间区位对创新产出能力提升作用微乎其微。回归系数高值区在株洲市攸县、茶陵县、炎陵县。回归系数低值区主要集中在长沙市的宁乡县、岳麓区和湘潭市的雨湖区、湘潭县、湘乡市、韶山市,形成东高西低的态势。
中等学校的回归系数结果为正值,呈现西北向东南逐渐递减状态。回归系数高值区大部分集中长沙市的各区县和湘潭市的雨湖区、宁乡市、韶山市、湘乡市。该区域人口相对密集,基础教育配套完善,为创新人才提供良好的公共服务和基础配套环境。回归系数低值区在株洲市攸县、茶陵县、炎陵县,创新能力和基础教育环境均有待提高和改善,说明仍需要提高基础教育配套。
卫生机构床位数的回归系数结果为均为负值,与创新产出呈负相关。范围为−3.072948~1.068873,呈现由南向北递减状态。低值区位于长沙市各区县,高值区位于,株洲市的茶陵县、炎陵县。说明医疗服务水平提升的会抑制长株潭城市群的创新活动。
5. 结论与建议
5.1. 结论
本文着力于分析创新活动在各区县的时空演化,并创建影响创新产出的指标来量化各影响因素,以长株潭城市群23个区县为空间观测单元,以专利授权量为测度指标,采用变异系数、基尼系数、首位度、空间自相关、引力模型、NiCh指数、地理加权回归等方法,系统研究2012~2021年长株潭城市群创新空间时空演变与影响因素,得出结论:
(1) 2012~2021年长株潭城市群专利授权量的标准差呈现曲线上升的趋势,表明长株潭城市群创新产出的绝对差异逐年增大,且呈上升趋势;与2012年相比,2021年长株潭专利授权量的变异系数与基尼系数在逐渐上升,表明创新产出愈不均衡,相对差异逐渐增大;从2012~2021年专利权量的首位度来看,呈现W型波动下降趋势。创新产出次发达和发达地区相互追赶。长株潭城市群创新产出无高度空间集中。
(2) 长株潭城市群创新产出存在正的空间自相关,创新产出趋于聚集且自我强化的态势;长株潭城市群创新产出呈明显的高值集簇特点创新产出水平高的区县数量存在增大趋势,长株潭城市群专利授权量呈现北多南少的空间差异结构,芙蓉区、天心区、望城区、岳麓区、开福区、长沙县为高高聚集区,表现出较强的空间关联性,和相邻区县的专利授权量增长互相影响;攸县、茶陵县、渌口区位于低低聚集区。
(3) 创新联系来看,长株潭城市群创新空间联系呈现出“核心–边沿”的结构,但创新联系网络区域弱化现象。创新联系最强地区从开始的雨花区–天心区,雨花区–芙蓉区弱化为雨花区–天心区,次中心也存在弱化趋势,由雨花区–芙蓉区,岳麓区–天心区,岳麓区–雨花区,芙蓉区–天心区,芙蓉区–开福区减弱为雨花区–芙蓉区,周围创新产出小的地区创新联系极低。
(4) 长株潭城市群创新产出增长速度明显北部快于南部。其中岳麓区、长沙县、雨花区、开福区、浏阳市、宁乡市、望城区、天心区、天元区形成属于高增长区域的显著聚集区,成为引领城市群创新发展的片区,Nich < 1的低增长型区县高达14个,除芙蓉区外,均集中分布于长株潭城市群的东南、西南区域。
(5) 从影响因素来看,各影响因素对长株潭城市群创新活动影响程度不同,呈现出明显的空间异质性。根据GWR模型对各影响因子的回归系数平均值从大到小依次为规模工业总产值 > 中等学校数 > 科学技术与教育财政支出 > 人均GDP > 进出口总额 > 卫生机构床位数 > 国道公路里程。其中创新投入、基础教育环境对长株潭城市群具有显著的正向促进作用。知识溢出和医疗服务水平具有明显的抑制作用,产业集群环境、经济水平对创新产出影响在不同区域间差异较大,对株洲市部分区县有正面促进作用,对长沙市各区县甚至出现反向作用。
5.2. 建议
本文以长株潭23个区县的专利授权量为指标分析长株潭城市群创新空间格局演变及各因子对创新产出的影响。为加快长株潭城市群打造具有核心竞争力的科技创新高地和建设国家区域科技创新中心提供建议:
第一,增强创新投入,促进区域整体创新能力提升。芙蓉区、天心区、望城区、岳麓区、开福区、长沙县等地区创新活动增长明显且增长速度快的地区政府应该适当偏移此类地区,加大对其的创新投入,用优厚创新资源和政策待遇吸引人才、创新活动聚集,强化创新活动的中心,带领其他区县发展。加大对湘潭市雨湖区、湘乡市及韶山市等创新活动较弱地区的科学技术与教育财政支出,着力发展教育与科研事业。
第二,提升基础教育环境,提升公共服务便利水平。基础教育环境对创新活动有明显的正向左右,长株潭北部区县的教育资源已然优于南部区县,深入实施长株潭一体化,加强南部各区县教育基础配套设施的建设,加快城市生活基础保障的提升。对株洲市攸县、茶陵县、炎陵县等区县应该优化教育资源布局,共享长沙各区县优质教育资源。
第三,优化产业集群环境,推进创新成果转化,提高创新能力。研究发现长沙市各区县的产业集群环境对创新活动并没起到正向促进作用,其原因可能为产业结构较为低端,传统的工业企业多,对技术研发创新上需求较少,应该对长沙各区县的传统产业进行升级,壮大先进制造业产业集群,加大培育新兴产业力度,如装备制造、电子信息、生物医药等产业。
NOTES
*通讯作者。