EN中文

经济地理 >

2019 , Vol. 39 >Issue 4: 85 - 92

DOI: https://doi.org/10.15957/j.cnki.jjdl.2019.04.011

城市地理与新型城镇化

中国城市创新能力的时空演化及溢出效应

  • 周锐波 ,
  • 刘叶子 ,
  • 杨卓文
展开
  • 华南理工大学 经济与贸易学院，中国广东 广州 510006

周锐波（1979—），男，广东潮州人，博士，副教授。主要研究方向为区域经济和城市创新发展。E-mail：。

收稿日期: 2018-09-28

  修回日期: 2019-02-21

  网络出版日期: 2025-04-23

基金资助

教育部人文社会科学研究规划基金(18YJA790120)

广东省科技计划项目(2016A070705010)

收起

Spatial-Temporal Evolution and Knowledge Spillovers of Urban Innovation in China

  • ZHOU Ruibo ,
  • LIU Yezi ,
  • YANG Zhuowen
Expand
  • School of Economics and Commerce，South China University of Technology，Guangzhou 510006，Guangdong，China

Received date: 2018-09-28

  Revised date: 2019-02-21

  Online published: 2025-04-23

Fold

摘要

基于我国275个地级及以上城市2008—2016年的空间面板数据，采用发明专利授权量测度城市创新能力，分析我国城市创新的时空演变特征，并以研发投入、人力资本、外商投资、对外贸易作为知识溢出的代理变量，建立空间杜宾模型，探究知识溢出对城市创新能力的影响。研究发现：城市创新能力与经济发展水平紧密相关，东部强于中西部、沿海强于内陆；城市创新能力的提升速度区域差异较大，长江中游、西南地区增速最快；知识溢出是城市创新增长的重要推动力，城市创新的全局空间自相关性不断增强，但创新溢出效应的区域差距依然明显；研发投入对本市和周边城市的创新产出都起到至关重要的促进作用；人力资本对本市有较大贡献，但对周边表现为显著负向溢出；外商投资和对外贸易对城市创新影响较小。

关键词： 创新型国家; 城市创新; 知识溢出; 空间杜宾模型; 创新驱动发展; 地级城市; 自主创新

本文引用格式

周锐波 , 刘叶子 , 杨卓文 . 中国城市创新能力的时空演化及溢出效应[J]. 经济地理, 2019 , 39(4) : 85 -92 . DOI: 10.15957/j.cnki.jjdl.2019.04.011

Abstract

This paper examines characteristics of the spatial -temporal evolution of urban innovation in China from 2008 to 2016, based on the space panel data of 275 prefecture cities. Urban innovation capacity is measured by the number of invention patents certified. Using R&D investment, human capital, foreign direct investment and foreign trade as proxy variable of knowledge spillovers, this paper establishes Spatial Durbin Model to analyze the influence of knowledge spillovers on urban innovation ability in China. As the result shows,urban innovation capacity is highly correlated with economic development level. The eastern region is stronger than the central and western and the coastal area is stronger than the inland. There are large regional differences in the growth rate of urban innovation, the fastest growth rate is distributed in the middle reaches of the Yangtze River and the southwest. Knowledge spillovers are important driving forces for urban innovation. The global spatial autocorrelation of urban innovation has been significantly enhanced from 2008 to 2016, while the regional gap is still evident in knowledge spillovers. R&D investment is found to be the most crucial factor to promote the innovation output of local and neighboring cities; human capital contributes a lot to local innovation, but it is significantly negative to the surrounding areas; foreign direct investment and foreign trade has little effect on urban innovation.

Key words： innovation-oriented country; urban innovation; knowledge spillovers; Spatial Durbin Model; innovation-driven development; prefecture level cities; independent innovation

党的十九大报告提出“创新是引领发展的第一动力”，要“加快建设创新型国家”、构建“国家创新体系”。城市是各类创新要素和资源的集聚地，也是建设创新型国家的重要载体。因此，优化区域创新布局，促进城市创新要素和资源的有效集聚与合理流动，推动城市创新能力和竞争力整体提升，是我国实施创新驱动发展战略的主要工作。这需要回答两个问题：一是我国的创新空间格局如何；二是哪些因素影响了创新空间的格局演化和城市的创新能力。
区域创新的空间异质性和格局演化一直是国内经济地理学的研究热点。学界主要围绕区域创新能力和绩效评估、创新动力和影响因素、空间相关性和溢出效应等方面，从省域、局域地区开展多元化的空间异质性实证研究。例如，有学者利用省级空间面板数据探究了我国区域创新的空间格局及其影响因素[1-3]，也有学者基于市县层面的数据评价了长三角[4]、珠三角[5]都市圈或个别省份[6-7]的区域创新绩效及空间集聚态势。由于省级以下的城市数据难以获取，这类研究主要局限在全国省域层面，或经济发达的城市区域，无法全面刻画我国城市创新发展的整体格局。城市作为创新发展的主要空间单元和空间载体，是创新资源和要素的集聚区，有必要加强城市尺度的创新空间研究，才能真正揭示创新空间格局的本质特征。近年来，学界对创新空间异质性的研究逐渐从省域尺度下移到城市层面，从关注局域地区提升到国家全域[8-10]。
区域创新发展动力是相关研究的另一热点内容。经济地理学研究中，知识溢出是探究区域创新能力影响因素的重要视角。其内在逻辑是，知识溢出和空间上的集聚相互促进，主体在集聚区域能获得大量隐性知识，借此显著降低创新活动的成本，进而促进创新产出的增长。知识溢出的本质在于知识的正外部性带来的社会回报率高于个人回报率，它是由知识的非竞争性和部分排他性特征决定的[11]。在知识溢出作用的实证研究方面，早期认为知识会从大学和研究机构溢出到同一地理单元内的企业创新活动[12-13]。现今，知识溢出框架已逐步扩展并集中到研究创新活动的区域间溢出效应上。Bottazzi等利用欧洲专利数据发现，一个地区的创新成果受邻近地区研发支出的影响[14]。Peri等的研究结果表明，思想的地理扩散在邻近地区之间更有效，靠近创新区域有助于加强欠发达地区的创新增长[15-16]。研究方法方面，最常用的空间计量模型是空间滞后模型SAR和空间误差模型SEM[1,4,8,17]，也有部分学者使用GWR地理加权回归，分析创新投入要素对区域创新活动的直接影响和溢出效应影响[18]。
溢出效应和马太效应是影响城市创新能力和重塑城市创新格局的主要因素。国内创新地理研究主要关注创新资源投入和创新政策环境等因素对创新能力的影响，引入GDP、创新制度、基础设施建设水平等自变量[4,8,10]，而往往忽视知识溢出的产生机制和溢出途径，导致所选变量不能有效代理知识溢出，进而无法有效量化知识溢出对我国区域创新能力的影响。如果一个城市的创新能力受到邻近城市创新活动的影响，则存在知识溢出效应。溢出效应使得落后地区可借力、分享先进地区的创新资源，通过模仿和学习实现快速发展。马太效应则强调创新要素的空间集聚会产生规模效应，使得创新具有路径依赖特征，集中出现在某些创新型城市或地区，如我国的长三角、珠三角等地，创新落后地区追赶越发困难，区域间的两极分化愈发严重。我国实施国家创新发展战略，本质上就是要提升自主创新和协同创新能力，有必要加强创新产生机制和溢出路径的研究。
综上，虽然国内外许多学者从不同层面探讨知识溢出对创新能力的作用，关于知识溢出对创新能力的作用也基本得到肯定，但仍存在以下不足：①研究层面上，全国范围、城市层面的研究较少。城市既是经济发展、也是创新活动的核心载体，有必要加强城市层面的创新研究。②计量模型上，常用的空间滞后和空间误差模型都可能存在对溢出效应的估计偏差。部分学者虽使用了理论上更为稳健的空间杜宾模型SDM，但简单地使用模型的回归系数来测度溢出效应的方向和大小。这种方法得到的溢出效应有偏，需要进行纠偏处理[19]。③变量选取上，现有文献选取的创新能力影响因素往往不能有效代理知识溢出，使得知识溢出对我国区域创新能力影响的测度结果可能有偏。
本文致力于探究城市创新溢出效应和马太效应的互动效果，利用我国275个地级及以上城市（剔除了部分数据缺失的城市）2008—2016年的空间面板数据，首先介绍我国城市创新能力的空间格局及时空格局演变特征，利用空间自相关检验说明知识的空间溢出效应情况。然后基于柯布—道格拉斯生产函数的知识生产函数法，用研发投入、人力资本、外商投资、对外贸易作为知识溢出的代理变量建立空间计量模型，并在空间计量模型估计结果的基础上，利用空间杜宾模型量化研究知识溢出对我国城市创新能力的影响。最后提出优化我国创新资源配置、促进城市协同创新的政策建议。

1 研究方法及数据来源

1.1 代理变量及衡量指标

区域创新能力的衡量，目前还没有统一的指标，国内学者大多采用专利申请或授权数作为衡量指标。部分学者认为仅用专利数据不足以全面衡量区域创新能力，于是参考国内外较权威的OECD或中国科技发展战略研究小组发布的指标体系，构建了包括创新投入、创新环境、创新产出等的区域创新能力多指标评价体系，其中创新产出包括专利数、新项目开发数、技术市场成交合同额等[3,7,17]。但由于部分数据获取难度较大，这种多要素指标体系局限于省级层面或部分经济发达城市群的研究，不适于全面刻画较长观察期内中国整体的城市创新能力，且存在重复计算的可能。总体而言，用专利数衡量创新能力虽然存在不足，但专利是创新活动产生的主要研究成果，专利数量可以较客观完整地反映区域技术发明的动态变化和区域间创新水平的差异，且数据来源充足准确，因此仍是国内学者最常使用的衡量指标[2,4,9,10]。此外，考虑到发明专利相比实用新型和外观设计专利更具新颖性和创造性，专利授权量相比申请量更能代表经认证的、有效的专利数，因此本文用发明专利授权量测度城市创新能力，用P表示，数据来自“专利检索及分析”数据库。
知识溢出过程虽然是无形的，不会留下可循的轨迹或证据，但可以基于溢出机制，利用某些代理变量来衡量[20]。知识分为可编码化、可记录的显性知识和难于编码记录的隐性知识。基于隐性知识以人为载体的事实，人力资本被多数学者看作知识溢出，尤其是隐性知识传播的主要途径[21-23]。企业、高校、政府的研发部门是创造知识的源泉，它们之间各种正式及非正式的交流合作也促进了知识溢出[16,24]。商品是创新知识商业化的产物，是知识和技术的载体，区域间的商品贸易有利于落后地区模仿、学习前沿知识，是技术知识溢出的重要途径[25]。此外，掌握先进技术的成熟跨国公司在东道国进行投资时，经由榜样示范效应及与本土企业的互动交流产生技术知识溢出[26]。综上，参考国内外学者对知识溢出机制的研究，知识溢出主要通过人才交流、研发活动、商品贸易和外商投资来实现。因此，本文选用研发投入、人力资本、外商投资、对外贸易作为知识溢出的可量化代理变量。鉴于城市层面的统计数据来源较少，为保证数据一致性，选取以下衡量指标进行研究，数据来源于各省、市统计年鉴、国民经济和社会发展统计公报（表1）。
表1 知识溢出的代理变量及衡量指标

Tab.1 Proxy variables and measurement indexes of knowledge spillovers

变量 代表符号 衡量指标
研发投入 RD 政府财政科学支出（万元）
人力资本 HC 高等学校在校学生数（人）
外商投资 FDI 实际使用外商直接投资额（万元，使用当年平均汇率转换得到）
对外贸易 TRADE 进口额（万元，使用当年平均汇率转换得到）

1.2 研究方法

1.2.1 空间自相关检验

全域空间自相关检验用于考察地理空间上临近区域的数据指标整体的空间相关性，测度指标为全局 M o r a n ’ s   I指数。计算公式如下：
M o r a n ’ s   I = n ∑ i = 1 n ∑ j = 1 n w i j x i - x - x j - x - ∑ i = 1 n ∑ j = 1 n w i j x i - x - 2
式中：Xi、Xj是区域i、j的空间数据；Wij是空间权重； M o r a n ’ s   I取[-1，1]，大于0为正相关，小于0为负相关，等于0则为相互独立。
局域空间自相关检验可以测度局部研究区域的空间聚集性质，其测度逻辑与全域 M o r a n ’ s   I指数相似，本文采用基于局域 M o r a n ’ s   I指数绘制的LISA集聚图来展示局域空间关联特征。LISA集聚图将局域集聚情况划分为HH、LL、LH、HL四种类型，其中，LH低高集聚表示创新能力低（L）的城市被创新能力高（H）的城市包围，其余三种类型同理。

1.2.2 知识溢出的量化模型

本文采用基于柯布—道格拉斯生产函数的知识生产函数法测度知识溢出。创新投入转化为创新产出存在一定的时滞，滞后期通常取1~3年，本文实证研究发现取不同滞后期对研究结果影响很小，下文仅给出滞后期取1年的结果。基于经过改进的Griliches-Jaffe知识生产函数[27]，构建创新生产函数并对两边同时取对数得到：
l n P = C + β 1 l n R D + β 2 l n H C + β 3 l n F D I + β 4 l n T R A D E + ε
式中：C为常数项；β为解释变量的创新产出弹性系数；ε为随机误差项。
若区域创新活动存在空间自相关，则需把空间依赖性纳入计量模型。空间滞后模型SAR和空间误差模型SEM分别将因变量间的内生自相关效应和误差项间的自相关效应纳入模型，LeSage和Pace建立了能够同时将误差项和被解释变量的空间自相关纳入考量的空间杜宾模型（SDM），理论上能得到更稳健的估计结果[23]。
①空间滞后模型（SLM或SAR）：
l n P i t = α i t + ρ W · l n P i t + β 1 l n R D i t + β 2 l n H C i t + β 3 l n F D I i t + β 4 l n T R A D E i t + φ i + η t + ε i t
②空间误差模型（SEM）：
l n P i t = α i t + β 1 l n R D i t + β 2 l n H C i t + β 3 l n F D I i t + β 4 l n T R A D E i t + φ i + η t + τ i t τ i t = γ W · τ i t + ε i t
③空间杜宾模型（SDM）：
l n P i t = α i t + ρ W · l n P i t + β 1 l n R D i t + β 2 l n H C i t + β 3 l n F D I i t + β 4 l n T R A D E i t + β 5 W · l n R D i t + β 6 W · l n H C i t + β 7 W · l n F D I i t + β 8 W · l n T R A D E i t + φ i + η t + ε i t
式中：α是常数项；ρ和β是待估系数；W是空间权重矩阵，溢出效应的强弱受两个城市间地理距离、经济技术差距等因素的影响，这种差异通过分配不同的权重来量化； φ i和 η t为固定效应和随机效应； τ i t为误差项，取决于空间滞后误差项 W · τ i t和随机误差项 ε i t。

1.2.3 空间权重矩阵的选择

常用的空间权重矩阵包括空间反距离矩阵、空间邻接矩阵、K-最近邻矩阵和截断距离矩阵。鉴于中国东部和中部地区城市的特点是土地面积较小、基础设施相对较好、人口密度较高，而西部城市往往面积较大、基础设施不足、人口稀少，因此，邻接矩阵、K-最近邻矩阵和截断距离矩阵都难以捕获中国城市潜在的空间关系和空间结构，本文选择空间反距离矩阵：
W i j = 1 / d ,     i ≠ j 0 ,     i = j
式中： W i j为城市i和城市j之间的实际最短距离d的倒数，i、j∈[1，n]。相对于常用的直线距离，本文认为实际交通距离更能反映城市间的空间地理关系，因此使用城市间最短公路距离作为实际最短距离，数据采集于百度地图API。

2 我国城市创新能力的时空格局演变分析

2.1 城市创新能力的时空格局演变

我国城市创新能力在2008—2016年显著提升，发明专利授权量均值从2008年的786个增长到2016年的5 862个，复合年增长率高达28.55%。同时，城市创新能力还表现出明显的经济关联性，东部强于中西部、沿海强于内陆，而且程度不断深化。观察期内，我国大部分城市的创新能力类型不断跃升（图1），创新能力最高的主要为直辖市、计划单列市等区域性经济中心城市，创新能力较高的主要为各省省会及经济发达的非省会大城市，城市创新能力与经济实力大体一致。2008年，创新能力高和较高的城市散布在东部和内陆省会。2012年，东中部城市的创新能力跃升较快，沿海和内地部城市创新能力差异越发明显。2016年，较高创新能力城市团聚现象突显，呈片状分布在东部和中部地区，而东北、西部地区城市的创新能力继续维持在中低水平。总体上看，我国城市创新能力呈现“东—中—西”梯度衰减格局，沿海强于内陆的情况不断深化，创新型城市团聚趋势显著。
图1 2008、2012和2016年中国城市创新能力等级分布图

Fig.1 The level of urban innovation in China in 2008，2012 and 2016

2.2 城市创新能力空间自相关性的演变

我国城市创新的全局空间自相关性显著增强，不同区域的创新溢出效应差距凸显。2008—2016年，我国城市创新呈显著空间自相关，且随着时间推移，空间自相关性明显上升，所有结果均在1%的显著性水平上通过了检验（表2）。
表2 2008—2016年全局Moran's I指数

Tab.2 Global Moran's I index in 2008-2016

年份 2008 2009 2010 2011 2012 2013 2014 2015 2016
Moran's I 0.0609 0.0602 0.0740 0.0862 0.0915 0.0901 0.0947 0.0981 0.1096
Z值 10.4188 10.3194 12.5390 14.5147 15.3748 15.1408 15.8831 16.4396 18.2917
P值 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000
LISA图显示，观察期间，北部沿海和东部沿海一直以HH高高集聚为主，已步入区域协同创新发展的阶段，创新溢出效应明显；大西北地区一直以LL低低集聚为主，是我国城市创新的洼地；其余五个区域的创新溢出效应则演变出两极分化状态。2008年，这五个区域均处于HH、LH、LL、HL四种集聚模式并存的状态；2012年，长江中游和西南地区部分LL集聚区转变为LH集聚；到2016年，长江中游、南部沿海和西南地区新增多个HH集聚区。这说明在观察期内，该区域孕育出了创新能力强的区域创新极城市，并通过正向溢出带动周边城市创新活动蓬勃发展；而黄河中游和东北地区则大面积演变为LL集聚，一些曾经创新能力强的城市非但没能产生创新带动作用，反而自身创新能力退化（图2）。
图2 2008、2012和2016年中国城市创新能力的LISA集聚图

Fig.2 LISA agglomeration maps of China's urban innovation ability in 2008，2012 and 2016

3 知识溢出对城市创新能力影响的空间计量分析

3.1 空间计量模型类型的确定

混合OLS回归结果（表3）表明，本文选取的四个解释变量对城市创新能力有较高解释度，调整后的R2为0.81。由前文空间自相关检验可知，我国城市创新活动存在显著空间自相关，混合OLS忽略了这种空间相互作用的影响，模型估计有偏。表3的第2、3、4列给出了个体、时间、个体和时间三种固定效应下的OLS模型回归结果，似然比LR个体固定效应和时间固定效应两个统计量的结果均在1%水平下显著，支持个体和时间双固定效应。两个拉格朗日乘数LMlag、LMerror及其稳健估计R-LMerror、R-LMlag的结果显著性都很高，表示SDM模型比SAR和SEM更优[28]。
表3 三种固定效应下OLS模型的估计结果

Tab.3 Estimation results of OLS models with three fixed effects

混合OLS模型 个体固定效应OLS模型 时间固定效应OLS模型 个体和时间双固定效应OLS模型
lnRD 0.812831*** 0.960731*** 0.683243*** 0.412598***
lnHC 0.365801*** 0.509179*** 0.414884*** 0.174476***
lnFDI -0.030925** 0.089016*** -0.023342* 0.006708
lnTRADE 0.110329*** 0.096910*** 0.125459*** 0.042045***
intercept -6.797600*** / / /
R2 0.807500 0.663700 0.801300 0.108100
调整_R2 0.807200 0.663300 0.801100 0.106900
固定效应调整_R2 / 0.940800 0.826600 0.956500
LMlag 680.733600*** 1 090.913400*** 160.061900*** 535.560000***
LMerror 1 382.343000*** 1 671.402300*** 133.379600*** 414.562000***
R-LMlag 292.684700*** 601.064200*** 74.985200*** 125.653500***
R-LMerror 994.294000*** 1 181.553100*** 48.302900*** 34.65550000**
LR个体固定效应 3043.634500*** 275（自由度）
LR时间固定效应 678.153100*** 8（自由度）

注：“***”、“**”和“*”分别表示在1%、5%和10%的统计水平上显著。表4~表5同。

Hausman检验结果（表4）为118.09，在1%的显著性水平上拒绝选用随机效应的原假设，说明选择固定效应更优。Lee等指出固定效应模型估计一些参数时存在偏误，并给出了贝叶斯修正的方法[29]。Wald检验和LR检验都在1%的显著水平上拒绝了SDM模型可以退化回SAR和SEM模型的原假设，SDM模型得到肯定，与前文检验结果一致。综上，本研究的最优拟合模型是贝叶斯修正的个体和时间双固定效应空间杜宾模型。
表4 个体和时间固定效应和随机效应SDM估计结果

Tab.4 Estimation results of SDM based on individual and time fixed effects and random effects

个体和时间固定效应SDM 贝叶斯修正的双固定效应SDM 个体和时间随机效应SDM
lnRD 0.246120*** 0.246089*** 0.382947***
lnHC 0.152039*** 0.152045*** 0.427819***
lnFDI 0.034432** 0.034566** 0.061305***
lnTRADE 0.030646** 0.030637** 0.072194***
W·lnP 1.065793*** 1.015867*** 0.812142***
W·lnRD -0.351862 -0.368080 -0.211502
W·lnHC -0.480965*** -0.472710*** -0.572231***
W·lnFDI 0.213472 0.206951 0.147045
W·lnTRADE 0.881452*** 0.929267*** 0.830401***
log-likelihood -821.98825 -821.96168 -1 450.452430
R2 0.962200 0.962400 0.948400
Wald_test（SLM） 66.452093*** 54.916086*** 49.538607***
LR_test（SLM） 65.703737*** 65.762480*** 48.431351***
Wald_test（SEM） 98.633475*** 83.296046*** 93.391469***
LR_test（SEM） 97.097669*** 97.151746*** -3.095406***
Hausman_test 118.089400*** 9（自由度）

3.2 模型估计结果与分析

贝叶斯修正的双固定效应SDM的拟合程度为96.24%，因变量的空间自相关项W·lnP的系数ρ为1.02，在1%的显著水平下为正，表示邻近城市的发明专利授权量每增加1%，本市的发明专利授权量将平均增加1.02%，即全国整体来看，周边城市的创新产出对本市创新活动产生了显著正向影响，城市间创新溢出已成为我国城市创新能力提升的重要途径。
但杜宾模型中解释变量的估计结果不能直接测度知识溢出的方向和大小，参考LeSage等[19]的做法，对SDM模型估计结果求偏微分来估计各解释变量对城市创新能力的直接影响和溢出效应影响，结果见表5。
表5 解释变量对城市创新能力的直接效应和溢出效应影响

Tab.5 The direct and spillover influence of independent variables on urban innovation ability

自变量 直接效应 溢出效应 总效应
lnRD 0.317578*** 18.936274*** 19.253852***
lnHC 0.138122*** -3.465540 -3.327420
lnFDI 0.009491 -6.673167** -6.663676**
lnTRADE 0.044504** 3.657292 3.701796
研发投入的直接效应、溢出效应和总效应均在1%的水平下显著，且均为正值，反映政府和企业研发资金投入是提升城市创新能力的有效途径，和国内外多数学者的研究结论一致。研发投入的创新投入产出比明显大于其余3个解释变量，表明研发投入已成为我国城市创新的最重要驱动力，并且研发投入溢出是我国城市间知识溢出的主要途径。此外，研发投入的正向溢出效应远大于直接效应，再次证明知识溢出是我国城市创新能力不容忽视的影响因素。这些结果也表明，中国政府通过加大对科学技术研发的公共财政投入来提高自主创新能力的努力取得了明显效果。
本市的人力资本每上升1%，将促进本市创新产出增加0.14%，但对周边城市创新的溢出效应不显著且为负。人力资本未能产生预期正向溢出的可能原因是，一方面，人力资本短期内是存量的有限资源，城市间存在竞争性关系。区域创新极城市大量吸引知识人才单向涌入，导致周边城市人才匮乏，创新动力不足；另一方面，城市间人才缺乏互动交流机制，堵塞了创新落后城市习得隐性知识的重要通道，使创新条件恶化。
FDI的直接效应较小且不显著，溢出效应在5%的显著水平下为负，表明中国当前处于外商投资带来的负面“挤占作用”占主导的阶段。虽然，外商直接投资通常为东道国带来大量隐形或显性的知识和技术，起到“示范作用”，为当地企业提供学习机会，营造竞争氛围推动当地企业不断创新，但是，我国引进的外资企业以产业转移和生产制造为主，偏重于技术转移和产品生产，较少开展在地科技研发，导致创新的直接效应较低。同时，外资企业也可能与本国企业抢夺人才，或收购并限制当地创新企业以控制关键技术，限制了地方创新能力的发展。对于不同发展阶段的城市，FDI的这两种影响程度不同。从回归结果来看，现阶段FDI对我国城市创新的负面影响占主导。
对外贸易对本市的创新产出弹性系数为0.045，在5%的显著性水平下为正，溢出效应不显著。从估计结果来看，现阶段对外贸易对我国城市创新的影响接近正负作用相平衡的结果。对外贸易衡量一个地区市场的对外开放程度，和外商投资类似，市场对外开放对本地也存在正负两方面的影响。目前阶段，我国的加工贸易同样以跨国公司的技术扩散和生产转移为主，并没有对本地城市带来明显的创新效应。
可以看出，2008—2016年我国城市创新增长的主要动力来自于研发投入和人力资本，而非外生性的贸易和投资。这与Cheung、Gilboy以及Hu等人的结论[26,30-31]不同，他们研究了2008年之前的中国创新数据，发现FDI是中国创新的重要甚至主要动力。结论差别也表明，近年来我国创新驱动因素发生转变，政府通过实施科技创新相关政策，极大地提高了内生性自主创新能力，我国的城市创新发展正由跟随型向引领型、由模仿创新向自主创新转变。

4 结论

本文在全国范围、地级城市层面对我国区域创新能力空间格局及演化、空间溢出效应进行了有益的探索，研究发现：
①近年来我国各区域的创新能力均有明显提升，但空间差距总体呈扩大趋势，东强西弱、“东—中—西”梯度衰减现象依然存在。这与省域尺度[3,17]的相关研究结论类似。然而，城市创新能力的空间格局也出现了一些新的变化。研究发现，城市创新能力增速最快的是长江中游和西南地区的中心城市，远高于沿海地区和东北地区。除了传统东部沿海的经济发达城市外，中西部的直辖市（重庆）、省会城市（武汉、成都等）等区域性中心城市也进入了我国创新能力高和较高的城市行列，成为带动中西部区域发展的创新核。
②本研究发现我国创新型城市的集聚化特征显著且逐年增强，呈现“大分散、小集聚”的空间现象，与省域尺度的传统研究略有不同[3]。沿海地区以高高集聚区为主，创新溢出效应明显，长江中游和西南地区区域创新极城市的正向溢出效应增强，而东北、黄河中游和大西北地区则以低低集聚区为主，区域创新型城市较少且没能发挥带动作用，部分城市创新能力还出现退化。可见，在制定区域创新发展战略时，我国要重点加强区域创新中心城市的培育，并考虑建立城市间的创新互动机制，充分发挥区域创新极城市的知识溢出作用，带动周边城市创新增长，实现区域协同创新发展。
③本研究进一步验证了城市创新能力是自身投入和知识溢出共同作用的结果，邻近城市间的创新溢出效应是城市创新的重要推动力。其中，研发投入作为内生性的自主创新能力，对本市和周边城市的创新产出都起到了至关重要的促进作用，与前人的结论差异[8,27-28]表明我国城市创新发展正由模仿、跟随型向自主、引领型转变。人力资本对本市有较大贡献，但对周边地区表现为不显著的负向溢出，这主要由知识人才单向涌入区域创新极城市导致；外商投资带来的负面“挤占作用”占主导，而对外贸易产生的正负作用近似平衡，外资企业以生产制造为主，在地研发能力还有待加强，对城市创新影响很小。可见，人才、投资等创新资源和要素带有竞争性特征，因此其负面“挤占作用”明显。研发投入则以政府和企业投入为主，区域间的竞争性不明显，具有非排他性特征，空间溢出效应十分显著。这就要求政府应着力加大对科技研发的投入力度，并出台相应的措施引导企业等社会力量增加研发投入。

参考文献

原文顺序 | 文献年度倒序 | 文中引用次数倒序
[1]
白俊红, 蒋伏心. 协同创新、空间关联与区域创新绩效[J]. 经济研究, 2015(7):174-187.

[2]
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, 31(3):17-26.

[3]
焦敬娟, 王姣娥, 程珂. 中国区域创新能力空间演化及其空间溢出效应[J]. 经济地理, 2017, 37(9):11-18.

[4]
徐维祥, 杨蕾, 刘程军, 等. 长江经济带创新产出的时空演化特征及其成因[J]. 地理科学, 2017, 37(4):502-511.

DOI

[5]
张惠璇, 刘青, 李贵才. 广东省城市创新联系的空间格局演变及优化策略[J]. 地理科学进展, 2016, 35(8):952-962.

DOI

[6]
丛海彬, 蒋天颖, 邹德玲. 浙江省区域创新中心空间格局及其驱动机制研究[J]. 人文地理, 2015(4):95-101.

[7]
蒋振威, 王平. 海南区域技术创新能力评价与空间差异性分析——基于2009—2014年海南18个市县面板数据[J]. 经济地理, 2016, 36(11):24-30.

[8]
何舜辉, 杜德斌, 焦美琪, 等. 中国地级以上城市创新能力的时空格局演变及影响因素分析[J]. 地理科学, 2017, 37(7):1 014-1 022.

[9]
马静, 邓宏兵, 张红. 空间知识溢出视角下中国城市创新产出空间格局[J]. 经济地理, 2018, 38(9):96-104.

DOI

[10]
王俊松, 颜燕, 胡曙虹. 中国城市技术创新能力的空间特征及影响因素——基于空间面板数据模型的研究[J]. 地理科学, 2017, 37(1):11-18.

DOI

[11]
Griliches Z. Issues in assessing the contribution of R&D to pro-ductivity growth[J]. Bell Journal of Economics, 1979, 10(1):92-116.

[12]
Jaffe A B. Real effects of academic research[J]. American Eco-nomic Review. 1989, 79(5):957-970.

[13]
Acs Z J, Audretsch D B, Feldman M P. R&D spillovers and re-cipient firm size[J]. The Review of Economics and Statistics, 1994, 76(2):336-340.

[14]
Bottazzi L, Peri G. Innovation and spillovers in regions:Evi-dence from European patent data[J]. European Economic Review, 2003, 47(4):687-710.

[15]
Peri G. Determinants of knowledge flows and their effect on innovation[J]. The Review of Economics and Statistics, 2005, 87(2):308-322.

[16]
Cabrer-Borrás B, Serrano-Domingo G. Innovation and R&D spillover effects in Spanish regions:A spatial approach[J]. Research Policy, 2007, 36(9):1 357-1 371.

[17]
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, 29(1):42-54.

[18]
吴玉鸣. 空间计量经济模型在省域研发与创新中的应用研究[J]. 数量经济技术经济研究, 2006(5):74-85.

[19]
LeSage J, Pace R K. Introduction to Spatial Econometrics[M]. Florida: CRC Press, 2009.

[20]
Jaffe A B, Trajtenberg M. Flows of knowledge from universi-ties and federal laboratories:Modeling the flow of patent citations over time and across institutional and geographic boundaries[J]. Proceedings of the National Academy of Sciences of the United States of America, 1996, 93(23):12671-12 677.

[21]
Almeida P, Kogut B. Localization of Knowledge and the Mobil-ity of Engineers in Regional Networks[J]. Management Science, 1999, 45(7):905-917.

[22]
Ding Sai, Knight John. Can the augmented Solow model ex-plain China's remarkable economic growth?A cross-country panel data analysis[J]. Journal of Comparative Economics, 2009, 37(3):432-452.

[23]
Shang Qing-yan, Poon J P H, Yue Qing-tang. The role of re-gional knowledge spillovers on China’s innovation[J]. China Economic Review, 2012, 23(4):1 164-1 175.

[24]
Beise M, Stahl H. Public research and industrial innovations in Germany[J]. Research Policy, 1999, 28(4):397-422.

[25]
赵勇, 白永秀. 知识溢出:一个文献综述[J]. 经济研究, 2009(1):144-156.

[26]
Cheung Kui-yin, Lin Ping. Spillover effects of FDI on innova-tion in China:Evidence from the provincial data[J]. China Economic Review, 2004, 15(1):25-44.

[27]
Jaffe A B. Technological opportunity and spillovers of R&D: evidence from firms’patents,profits and market value[J]. American Economic Review, 1986, 76(5):984-999.

[28]
Anselin L, Florax R. New Directions in Spatial Economics[M]. Berlin: Springer-Verlag Press,1995:21-74.

[29]
Lee Lung-fei, Yu Ji-hai. Estimation of spatial autoregressive panel data models with fixed effects[J]. Journal of Econometrics, 2010, 154(2):165-185.

[30]
Gilboy G J. The myth behind China's miracle[J]. Foreign Af-fairs, 2004, 83(4):33-45.

[31]
Hu A G, Jefferson G H. A great wall of patents:What is behind China's recent patent explosion?[J]. Journal of Development Economics, 2009, 90(1):57-68.

Options
文章导航

/

〈 〉