EN中文

Economic geography >

2024 , Vol. 44 >Issue 4: 84 - 90

DOI: https://doi.org/10.15957/j.cnki.jjdl.2024.04.009

Evolution of Urban Innovation Space and Influencing of Innovation Environment Elements on Innovation Outputs：Evidence from Shenzhen

  • WANG Bo , 1, 2, 3 ,
  • XIE Jinyan 4 ,
  • WANG Li 1
Expand
  • 1. School of Geography and Planning，Sun Yat-sen University，Guangzhou 510275，Guangdong，China
  • 2. Southern Marine Science and Engineering Guangdong Laboratory （Zhuhai），Zhuhai 519000，Guangdong，China
  • 3. Guangdong Provincial Key Laboratory of Urbanization and Geo-simulation，Guangzhou 510275，Guangdong，China
  • 4. Guangzhou Urban Planning and Design Survey Research Institute，Guangzhou 510060，Guangdong，China

Received date: 2023-03-28

  Revised date: 2023-12-29

  Online published: 2024-09-12

Fold

Abstract

Based on the data of patent application and POI,this study presents the evolution characteristics of innovation space in Shenzhen in four years from the micro-scale (1km×1km cells),and further investigates the influence of various elements of innovation environment on urban innovation space and their changes through the spatial autoregressive Poisson model in 2005-2020. The results show that: 1) The number of patent applications has increased largely in Shenzhen. However,the innovation output presents the phenomenon of spatial imbalance. The innovation spatial structure has experienced the evolution process from "Longgang-Nanshan dual cores" to "Nanshan-Futian dual cores with belts". 2) In terms of innovation production elements,industrial park plays a key role in innovation output,manufacturing enterprises have been replaced by information technology enterprises as the major players contributing innovation outputs in Shenzhen. Meanwhile,universities and scientific research institutes have also played a positive role. 3) In terms of factors related to the spatial location selection of innovation production elements,regional transport facilities,location,and transport accessibility have significantly affected innovation outputs in Shenzhen. Different kinds of public service facilities have influenced innovation outputs differently in terms of time phase.

Key words： innovation space; spatial agglomeration; number of patent applications; information technology enterprises; industrial park; industry transformation and upgrading; spatial autoregressive Poisson model

Cite this article

WANG Bo , XIE Jinyan , WANG Li . Evolution of Urban Innovation Space and Influencing of Innovation Environment Elements on Innovation Outputs：Evidence from Shenzhen[J]. Economic geography, 2024 , 44(4) : 84 -90 . DOI: 10.15957/j.cnki.jjdl.2024.04.009

随着知识经济时代的到来，创新成为推动经济发展和社会进步的重要因素[1]。自熊彼特在经济发展理论中首次引入创新概念以来[2]，关于创新活动（如创新投入与生产）的空间分布成为创新地理学的热点议题[3-4]。党的二十大报告强调“加快实施创新驱动发展战略，建设科技强国”。作为人才、技术、资本和企业的集聚中心，城市内部拥有活跃和丰富的创新活动[5⇓-7]。因此，厘清城市内部的创新空间演化特征及其影响机制，能够为创新空间的规划和建设提供一定指导，从而更好地实现城市创新高质量发展。
当前有关创新空间的研究主要包括3个方面：创新空间测度、创新空间分布特征、创新空间集聚或分散影响机制。①在创新空间的测度方面，研究主要从创新投入（如研发经费或人员）、创新产出（如论文或专利）、创新网络（企业合作或论文合作）3个方面测度不同尺度空间（如国家、省域、市域、街区等）的创新能力[8-9]。②在创新空间的分布特征方面，研究主要采用区位熵、基尼系数、核密度、空间自相关等方法测度和描述创新空间的集聚与分散特征[10⇓-12]。③在创新空间的影响机制方面，学者从演化经济地理和区域创新系统等理论视角，将创新活动集聚的影响机制归纳为知识溢出、高技能劳动力匹配、服务共享、不确定性和竞争5个方面[12⇓⇓-15]。具体地，创新在空间上的集聚，有助于促进隐性知识的传播并有效激发知识外部性、吸引高技能劳动力并有效增加其流动性、培育专业化的创新服务并有效降低服务成本、降低创新过程中面临的不确定性并随市场变化及时反应、刺激企业竞争并更积极地持续进行技术创新。其中，地理邻近性在面对面交流的隐性知识传播、高技能劳动力与雇主及合作伙伴的匹配、专业化的创新服务共享、企业间的相互了解和集体学习，以及企业的合作与竞争关系中均扮演着重要角色，推动创新活动的进一步集聚[16-17]。城市地理与规划学者尤其关注如何塑造适宜创新活动、提升创新产出的创新环境[3]。具体来说，创新环境包括创新生产要素以及吸引这些要素空间位置选择的相关因素等[12,18]。创新生产要素主要包括科教设施与产业设施，其中高等院校、科研院所等科教设施作为重要的知识创新源，是创新生产投入的重要因素[19-20]；专业化的制造业与服务业等产业设施作为重要的研发投入和应用基地，是创新生产投入的重要载体[21-22]。理论上，创新生产要素为创新产出提供基础保障。吸引创新生产要素空间位置选择因素包括区位以及公共服务设施，其中区位及交通可达性是影响科研院所、创新企业等生产要素空间选择的重要因素[23-24]；便利的公共服务设施保障较高品质的工作与生活环境，也是吸引创新人才空间选择的重要因素[25-26]。
总体上，已有研究对创新空间的测度、分布特征及影响机制方面开展理论与实证分析，取得了较丰富的成果。但受限于数据可得性，当前研究大多从宏观和中观尺度上，以行政辖区（如国家、省、市等）为基本单元开展分析[27-28]，对城市内部创新空间的分析相对不足[11-12,29]。从区域或城市尺度上探索创新环境对创新空间的影响，能为制定城市整体创新空间规划和管理策略提供一定科学依据。但是，在宏观和中观尺度上的分析一方面忽视了创新在城市内部空间尺度上的不均衡现象[11-12,29]，另一方面也难以在控制创新空间溢出效应的基础上衡量微观创新环境对创新空间的影响机制。忽视基于地理邻近性的空间依赖关系，可能导致创新环境要素回归系数的估计误差。值得注意的是，微观尺度上的研究往往意味着突破行政区划，导致反映创新活动及其影响因素的相关数据获取困难。本文选取专利申请和兴趣点（Point of Interest，POI）数据，以实现在微观尺度上对创新空间演化特征及其影响因素的研究。一方面，专利申请数据被证实为从创新产出的视角测度创新空间的有效指标[8]，其详细的日期和地址信息为从微观尺度上测度城市内部创新空间及其演化过程提供可能。另一方面，POI数据虽然难以区分设施之间的面积等属性差异，但其可获取性以及作为点状数据，能够支撑不同空间尺度上对不同功能设施的统计和分析[30]。
改革开放以来，深圳市经历了从滨海小渔村到国际大都市的快速发展历程。2006年，深圳发布《中共深圳市委深圳市人民政府关于实施自主创新战略建设国家创新型城市的决定》，正式提出建设国家创新型城市。2020年，科技部和中国科学技术信息研究所公布的《国家创新型城市创新能力评价报告2020》，深圳居全国首位，已发展为中国创新能力最强的城市[31]。基于此，本文采集专利申请与POI数据，以5年为时间跨度，在1 km×1 km的空间单元上展示深圳市2005、2010、2015和2020年4个年份的创新空间特征及其演化过程，并通过各年份的空间面板自回归泊松模型进一步考察创新环境各要素对城市创新空间的影响及其变化。基于深圳案例的研究结论将有助于从微观尺度上展示中国城市内部创新空间的快速演化过程并理解创新环境在其中的作用机制，从而为城市创新空间的规划和建设提供参考。

1 研究设计

1.1 研究区域

本文的研究范围为深圳市全域，共2596.85 km2。按照1 km×1 km的方格网，共划分为2597个空间单元i。本文选取1 km×1 km的空间尺度主要基于以下2点：①1~2 km能较为精确地从微观尺度上反映城市内部空间特征及演化规律，并在已有研究中被广泛选取[30]。②1 km×1 km的方格网大致对应主干道围合的街区，常被视为功能相对完整的城市空间单元，该尺度的研究结论能较好地运用于创新空间规划和建设实践。

1.2 数据来源

1.2.1 专利申请数据

专利申请数据表征创新产出情况。本文的专利申请数据来自国家知识产权局发布的中国专利公布公告系统（http://epub.cnipa.gov.cn/）。参考已有研究，将邻近3年的数据取平均值，可以避免单年专利申请数据的偶然性[11]。具体做法是：①通过爬虫软件采集深圳市2004—2006、2009—2011、2014—2016、2019—2021年的专利申请数据，以分别反映2005、2010、2015和2020年专利产出情况。②分别提取专利数据的申请日与地址信息，归类专利申请的具体年份和地点信息。其中，将“地址”信息通过地理编码技术转移为地理坐标，并归类到各空间单元i。为尽可能反映专利产出活动的真实地址，剔除申请地址为“人才市场”的数据。最后，采集有效专利申请数据共388203条。③通过统计各空间单元i在各年份的专利申请数，实现微观层面上从创新产出对创新空间的测度。

1.2.2 创新环境数据

POI数据表征创新环境。本文分别采集深圳市2005、2010、2015和2020年4个年份的POI数据，测度各空间单元i在各年份的创新环境特征（表1）。参考相关文献[19⇓⇓⇓⇓⇓⇓-26]，根据POI类型划分，统计各空间单元i在各年份t的高校/科研机构数、制造业企业数、信息科技企业数、文化创新企业数，以及地铁/公交站点数、医院/卫生站数、餐饮类设施数、运动类设施数、休闲类设施数。对于各类可达性指标，则统计各空间单元i的几何中心在年份t到相应设施的直线距离。
表1 模型自变量定义及统计值

Tab.1 Independent variable definition and statistics

变量 描述 均值1 标准差1 预期影响2
创新环境要素
高校/科研机构 空间单元i在各年份的高校/科研机构数量（个/km2） 0.17 1.17 +
制造业企业 空间单元i在各年份的制造业企业数量（个/km2） 5.30 13.74 +
信息科技企业 空间单元i在各年份的信息科技企业数量（个/km2） 0.15 0.99 +
文化创意企业 空间单元i在各年份的文化创意企业数量（个/km2） 0.45 2.18 +
产业园区 空间单元i的几何中心在各年份到最近产业园区的直线距离（km） 0.64 2.36 -
区位 空间单元i几何中心在各年份到最近区中心的直线距离3（km） 8.46 5.97 -
区域交通枢纽 空间单元i几何中心在各年份到机场/高铁站/火车站的直线距离4（km） 15.94 10.89 -
公共交通 空间单元i在各年份的地铁/公交站点数量（个/km2） 0.17 1.20 +
文化设施 空间单元i在各年份的文化类设施（博物馆、图书馆、美术馆、展览馆等）数量（个/km2） 0.23 1.08 +
医疗设施 空间单元i在各年份的医疗类设施（医院、卫生站等）数量（个/km2） 0.90 2.74 +
餐饮设施 空间单元i在各年份的餐饮类设施（饭店、饮品店等）数量（个/km2） 13.48 40.46 +
运动设施 空间单元i在各年份的运动类设施（运动场馆、健身场馆等）数量（个/km2） 1.34 4.34 +
休闲设施 空间单元i在各年份的休闲类设施（KTV、电影院等）数量（个/km2） 1.98 6.00 +
生态环境 空间单元i的几何中心在各年份到最近绿地/水系的直线距离（km） 0.55 2.53 -
人口规模 空间单元i在各年份的人口规模（万人/km2） 5872.48 8318.54

注：1.根据4个年份所有数据，计算均值与标准差；2.“+”和“-”分别表示该变量对创新产出的预期影响为正向和负向；3.深圳是典型的多中心城市；参照已有研究[33]，空间单元的区位是测度其到最近区中心的直线距离；4.取到3类区域交通枢纽直线距离的最小值。

1.2.3 控制变量数据

创新产出也受到人口和社会经济属性的影响[3,13]。人口集聚增加以人为载体的隐性知识传播和交流，从而促进创新产出。本文引入WorldPop开源数据（https://www.worldpop.org/datacatalog/），采集深圳市2005、2010、2015和2020年4个年份的1 km分辨率人口数据，统计各空间i在各年份的人口规模，作为控制变量。

1.3 空间自回归泊松模型

考虑到本文重点关注创新环境对创新产出的影响，剔除专利申请与各类POI设施均为0的空间单元。最终，分别纳入986、1428、1516和1586个空间单元作为4个年份的样本。鉴于专利申请数为非负整数，分布不连续且具有离散特征，适宜选择针对计数因变量的泊松回归（Poisson）模型。针对各个年份，假设专利申请数Y服从泊松分布，则空间单元i观测到专利申请数为 y i的概率为：
P Y i = y i = e - λ i λ i y i y i !     y i = 0,1 , 2,3 …
Poisson模型中，参数 λ i取决于一系列的自变量 X i，其函数表示为：
l n λ i = β X i
式中： β是对应自变量的回归系数。
传统的Poisson模型没有考虑到空间依赖关系，使得回归系数可能存在误差[32]。已有研究表明，城市创新空间存在明显的集聚特征，相邻空间单元的创新产出可能存在显著空间自相关效应[11-12,29]。因此，本文究借助GeoDa工具得到衡量空间单元相邻关系的二进制Queen邻接权重矩阵，并在Poisson模型的基础上引入空间自回归泊松（Spatial Autoregressive Poisson，SAR-Poisson）模型[33]，进一步考察在控制空间依赖关系后创新环境对创新空间的影响。SAR-Poisso模型中参数 λ i的函数表示为：
l n λ i = α + ρ ∑ j ≠ i N w i j y i + β X i
式中：W是反映空间单元相邻关系的外生空间权重矩阵； w i j y i是反映空间自相关的滞后因变量； ρ是空间依赖度参数，其符号代表空间关联性的正负关系，其绝对值代表空间关联性的强弱。

2 深圳市内部创新空间演化特征

2.1 各空间单元创新产出变化特征

表2统计各空间单元i在2005、2010、2015和2020年的专利申请数量情况，以反映深圳市2005—2020年创新产出变化特征。从数据来看，深圳市创新产出逐年快速增长，各空间单元的专利申请数平均值从2005年的4.18件增长到2020年28.48件，增长近6倍。从各空间单元的专利申请数极差和标准差来看，专利申请数差异也呈现出逐年拉大趋势，说明深圳市创新产出增长并没有均匀发生在各空间单元上。Moran's I指数进一步验证了深圳市创新空间的显著集聚特征，且集聚效应呈现出逐年增强的趋势。
表2 深圳市2005—2020年各空间单元创新产出总体变化

Tab.2 Variations of the number of patent applications across grids in Shenzhen in 2005-2020

指标 2005 2010 2015 2020
平均值（件） 4.18 8.74 17.50 28.48
极差 3353 4837 5053 5097
标准差 82.39 128.83 164.55 176.80
Moran's I指数 0.008 0.087 0.082 0.198

2.2 创新空间集聚演化特征

图1展示2005、2010、2015和2020年4个年份的创新空间分布，以反映深圳市2005—2020年创新空间分布演化特征。总体来看，深圳市创新空间结构经历着从“龙岗—南山双核心”向“南山—福田双核心、轴带状”的变化。具体来看，2005年，深圳市创新空间主要集聚在龙岗区的第十工业区以及南山区的南山高新技术产业园，以华为公司、中兴通讯为核心的高新技术制造业企业是主要的专利申请单位。2010年，深圳市创新空间在龙岗区的第十工业区以及南山区的南山高新技术产业园周边扩散，形成“龙岗—南山双核心”空间结构。随着2018年华为公司的搬迁以及《2030深圳城市发展策略》中“南北贯通、西联东拓、中心强化、两翼伸展”城市空间结构战略的持续推进，深圳市创新空间在2015和2020年逐渐发展为“南山—福田双核心、轴带状”的空间结构。具体地，以高校/科研机构（如内地和香港高校产学研基地）、信息科技企业（赛格空间园、腾讯科技公司、金立通信设备等）等为代表的创新生产要素向南山区（特别是前海）、福田区集聚并产生空间溢出效应，发展形成沿西部（南山—宝安）发展轴、南部（福田—罗湖）发展轴、中部（福田—龙华）发展轴的“轴带状”创新空间。
图1 2005—2020年深圳市创新空间分布演化过程

Fig.1 Evolution of innovation space in Shenzhen，2005-2020

3 创新环境要素对城市创新产出的影响

表3归纳2005、2010、2015和2020年4个年份创新环境各要素对城市创新空间的影响。在回归模型之前，对自变量进行相关性分析，发现所有自变量间的相关系数均小于0.4。参照Lambert等提出的两阶段有限信息最大似然估算方法[33]，对模型进行估算与检验。结果显示，SAR-Poisson空间回归系数ρ值均在0.001水平上正向显著，且模型拟合度均高于基本泊松回归，进一步说明相邻空间单元的创新产出之间具有显著性正向影响，城市创新在空间上具有集聚效应。
表3 泊松回归及空间自回归泊松模型结果

Tab.3 Results of Poisson and SAR-Poisson models

变量 2005 2010 2015 2020
Poisson model
系数（S.E.）		 SAR-Poisson model
系数（S.E.）		 Poisson model
系数（S.E.）		 SAR-Poisson model
系数（S.E.）		 Poisson model
系数（S.E.）		 SAR-Poisson model
系数（S.E.）		 Poisson model
系数（S.E.）		 SAR-Poisson model
系数（S.E.）
高校/科研机构 0.072（0.060） 0.068（0.058） 0.122***（0.040） 0.102***（0.034） 0.200***（0.062） 0.181***（0.067） 0.241***（0.078） 0.220***（0.075）
制造业企业 0.251***（0.071） 0.230***（0.065） 0.222***（0.070） 0.204***（0.072） 0.181***（0.062） 0.170***（0.060） 0.165**（0.050） 0.155***（0.051）
信息科技企业 0.100（0.061） 0.095（0.055） 0.131***（0.066） 0.122**（0.060） 0.165***（0.055） 0.155***（0.051） 0.200***（0.066） 0.191***（0.065）
文化创意企业 0.041（0.051） 0.033（0.056） 0.066（0.047） 0.060（0.044） 0.090**（0.040） 0.077**（0.038） 0.133**（0.062） 0.125**（0.059）
产业园区 -0.321**（0.136） -0.292**（0.126） -0.331***（0.125） -0.309***（0.113） -0.336***（0.126） -0.311***（0.120） -0.352***（0.125） -0.349***（0.122）
区位 -0.200*（0.119） -0.207*（0.121） -0.235*（0.124） -0.237*（0.126） -0.288**（0.130） -0.279**（0.127） -0.312**（0.150） -0.309**（0.150）
区域交通枢纽 -0.248*（0.127） -0.229*（0.124） -0.215**（0.105） -0.209**（0.102） -0.200**（0.099） -0.198**（0.098） -0.198**（0.091） -0.196**（0.080）
公共交通 0.230**（0.102） 0.214**（0.102） 0.216**（0.106） 0.202**（0.100） 0.220***（0.080） 0.217***（0.081） 0.226***（0.084） 0.219***（0.080）
文化设施 0.056（0.051） 0.061（0.052） 0.060（0.050） 0.062（0.049） 0.074*（0.042） 0.072*（0.040） 0.079*（0.040） 0.081*（0.044）
医疗设施 0.036（0.032） 0.035（0.030） 0.060（0.044） 0.060（0.043） 0.089**（0.044） 0.080**（0.040） 0.091**（0.039） 0.082**（0.038）
餐饮设施 0.090**（0.040） 0.082**（0.039） 0.102***（0.037） 0.101***（0.034） 0.124***（0.044） 0.122***（0.045） 0.135***（0.060） 0.131***（0.058）
运动设施 0.051（0.055） 0.036（0.049） 0.052（0.039） 0.048（0.034） 0.060（0.041） 0.058（0.035） 0.070*（0.036） 0.067*（0.035）
休闲设施 0.084*（0.049） 0.083*（0.049） 0.085*（0.044） 0.082*（0.043） 0.087*（0.045） 0.080*（0.045） 0.088**（0.038） 0.079**（0.037）
生态环境 0.052（0.100） 0.056（0.092） -0.070（0.092） -0.068（0.090） -0.091（0.71） -0.097（0.073） -0.111*（0.059） -0.116*（0.060）
人口规模 0.200**（0.084） 0.198**（0.082） 0.181**（0.079） 0.180**（0.075） 0.198***（0.051） 0.192***（0.049） 0.190***（0.039） 0.197***（0.041）
ρ 0.351***（0.038） 0.406***（0.033） 0.446***（0.032） 0.460***（0.037）
样本数 986 1428 1516 1586
Adjusted R2 0.253 0.361 0.271 0.416 0.327 0.457 0.397 0.515

注：* p<0.1，** p<0.05，*** p<0.01。

从创新生产要素来看，产业设施对创新空间具有显著影响。①空间单元的制造业企业数量及其到产业园区的距离，在4个年份均分别正向和负向显著影响专利申请数量。这说明，制造业企业和产业园区在深圳创新空间中一直扮演着重要的角色。②自2010年起，空间单元的信息科技企业数量正向显著影响专利申请数量，并且其影响系数在2020年超过制造业企业数量。③自2015年起，空间单元的文化创意企业数量正向显著影响专利申请数量，但其影响系数仍然低于制造业企业与信息科技企业数量。该变化历程反映深圳产业转型过程中创新驱动力的变化。自经济特区建立起，“前店后厂”模式促进深圳制造业的快速发展和空间集聚[34]，使其首先成为创新生产投入的主要载体。随着华为公司、中兴通讯、腾讯科技公司、平安科技、大疆创新等“独角兽”企业的发展，深圳（特别是南山区）进一步集聚大批信息科技企业和文化创意企业，并接替制造业企业成为创新驱动的核心力量。④深圳市政府一直着力推动本地高等教育发展，吸引香港和内地知名高校创建研究院，入驻的高校/科研机构也显著影响着创新空间。自2010年起，空间单元的高校/科研机构数量正向显著影响专利申请数量，且其影响系数自2015年起超过除产业园区（影响系数绝对值）以外的其他产业设施。因此，可以认为伴随着深圳市2005—2020年的产业转型升级过程，信息科技企业、文化创意企业以及高校/科研机构等创新生产要素已经成为影响深圳未来城市创新空间发展的重要因素。
从影响创新生产要素空间位置选择的相关因素来看，区域交通枢纽对创新空间具有显著影响。空间单元到机场/高铁站/火车站的最近直线距离，在4个年份均负向显著影响其专利申请数量。区域性交通条件决定着对外联系的便捷程度，影响产业设施的空间分布，并反映到创新产出。同理，空间单元到最近区中心的直线距离及其公共交通状况，分别负向和正向显著影响其专利申请数量，证明区位与交通可达性对生产要素空间位置选择产生显著影响。但值得注意的是，公共交通的影响系数自2015年起超过区域性交通枢纽，这可能与深圳城市内部交通的发展和区域交通枢纽的一体化完善程度有关。虽然已有研究指出公共服务设施通过影响产业设施以及人才空间选择，从而作用于创新产出，但本文发现不同类型公共服务设施的影响存在明显的时间阶段差异。与空间单元的餐饮设施和休闲设施在4个年份均正向显著影响其专利申请数量不同，文化设施和医疗设施自2015年起才正向显著影响专利产出；空间单元的运动设施与到最近绿地/水系的直线距离，在2020年才分别正向和负向显著影响专利申请数量。因此，该时间阶段差异也反映出在深圳产业转型升级和高技能/学历人才代际更替过程中，对公共服务设施需求的不同。已有研究也指出，自然舒适度（生态环境）与城市舒适度（文化、医疗、体育等）愈发成为吸引年轻人才的重要因素[35]。可以认为，伴随着城市之间愈演愈烈的“抢人大战”，优质的人文和生态等创新环境要素已经成为吸引创新企业和人才的重要因素。

4 结论与讨论

4.1 主要结论

本文基于深圳市2005、2010、2015和2020年4个年份的专利申请和POI数据，在1km×1km的空间单元上展示创新空间演化特征，并通过各年份的SAR-Poisson模型分析进一步考察了创新环境各要素对城市创新空间的影响及其变化。得出结论如下：①2005—2020年，深圳市专利申请数量快速增长，但创新产出增长呈现空间不均衡现象，空间集聚持续增强。总体上，创新空间结构经历了从“龙岗—南山双核心”向“南山—福田双核心、轴带状”的变化。空间回归模型也验证相邻空间单元的创新产出之间具有显著性正向影响，这支持了地理邻近性进一步推动创新活动集聚的理论观点[25]。②在创新生产要素方面，产业与科教设施均对深圳市创新空间具有显著影响。在深圳市产业转型升级过程中[34]，信息科技企业替代制造业企业，成为创新驱动的核心力量。同时，入驻的高校/科研机构也正向显著影响着创新产出。③在影响创新生产要素空间位置选择的相关因素方面，区域交通枢纽、区位与公共交通均显著影响创新空间，并且公共交通的影响变得更重要。受产业转型升级和人才代际差异[35]，不同类型公共服务设施对创新产出的影响存在明显的时间阶段差异。

4.2 启示与讨论

本文从微观尺度上展示了深圳市2005—2020年创新空间集聚演化与环境要素对创新产出影响。通过深圳的案例分析，为我国城市创新高质量发展提供的启示如下：①创新空间的规划和建设需要考虑城市当前的产业发展阶段以及未来产业转型升级的方向。本文发现不同产业发展阶段对应着不同的创新驱动力，对创新生产要素及其空间布局影响因素的需求不同。②创新空间的规划和建设需要考虑人才代际差异。在当前城市“抢人大战”中，需要注重良好生态环境建设，完善文化、休闲、体育等公共服务设施以更好地吸引年轻人才。③城市创新空间具有显著的空间集聚效应，应当引导创新生产要素的集聚集群[3]。当然值得注意的是，深圳作为改革开放的前沿地区，经历了快速的产业发展和转型升级过程，并集聚有一批“年轻”高技能劳动力群体，其他城市在借鉴深圳案例经验时，需要充分考虑自身所处产业发展阶段和人才集聚情况。总体上，本文对城市内部创新空间、创新环境和创新环境对创新空间影响的测度和模型方法，以及所揭示的创新环境对城市创新空间影响阶段性特征，可以应用到其他城市案例的研究设计和分析。
当然，本文也存在一些不足，有待进一步提升。①专利申请数据仅仅是测度创新空间的一个指标，在未来研究中有待采集其他数据实现在微观尺度上从不同维度综合测度创新空间。②本文基于POI数据在微观尺度上测度创新环境某些特征，在未来研究中有待采集更丰富的数据扩充创新环境变量。同时，更多人口和社会经济等变量也有待控制。③本文在空间回归模型中，仅考虑一阶权重矩阵，在未来研究中，可以设置多阶权重等不同矩阵来测度创新空间集聚效应的地理范围。

References

Publishing order | Descend order by publishing year | Descend order by cited within
[1]
Ahmad M, Zheng J. The cyclical and nonlinear impact of R&D and innovation activities on economic growth in OECD economies:A new perspective[J]. Journal of the Knowledge Economy, 2023, 14(1):544-593.

[2]
Schumpeter J. The Theory of Economic Development[M]. Boston: Harvard University Press,1934.

[3]
王缉慈. 创新的空间[M]. 北京: 科学出版社, 2019.

[4]
甄峰, 徐海贤, 朱传耿. 创新地理学:一门新兴的地理学分支学科[J]. 地域研究与开发, 2001, 20(1):9-11.

[5]
Ciccone A. Agglomeration effects in Europe[J]. European Economic Review, 2002, 46(2):213-227.

[6]
杨轩宇, 任胜钢, 靳海攀. 中国287个城市创新的空间分异与溢出效应[J]. 经济地理, 2023, 43(9):52-61.

DOI

[7]
吕拉昌, 赵彩云. 中国城市创新地理研究评述与展望[J]. 经济地理, 2021, 41(3):16-27.

DOI

[8]
赵建吉, 曾刚. 创新的空间测度:数据与指标[J]. 经济地理, 2009, 29(8):1250-1255.

[9]
王纪武, 刘妮娜. 杭州市9区创新发展潜力评价研究[J]. 经济地理, 2020, 40(11):105-111.

DOI

[10]
Galliano D, Nadel S, Triboulet P. The geography of environmental innovation:A rural/urban comparison[J]. The Annals of Regional Science, 2023, 71(1):27-59.

[11]
段德忠, 杜德斌, 刘承良. 上海和北京城市创新空间结构的时空演化模式[J]. 地理学报, 2015, 70(12):1911-1925.

[12]
孙瑜康, 李国平, 袁薇薇, 等. 创新活动空间集聚及其影响机制研究评述与展望[J]. 人文地理, 2017, 32(5):17-24.

[13]
Porter M E. Location,competition,and economic development:Local clusters in a global economy[J]. Economic Development Quarterly, 2000, 14(1):15-34.

[14]
Audretsch D B, Belitski M. Geography of knowledge collaboration and innovation in Schumpeterian firms[J]. Regional Studies, 2024, 58(4):821-840.

[15]
Scott A J. New Industrial Spaces:Flexible Production Organization and Regional Development in North America and Western Europe[M]. London:Pion,1988.

[16]
Howells J R. Tacit knowledge,innovation and economic geography[J]. Urban Studies, 2002, 39(5-6):871-884.

[17]
王波, 甄峰, 朱贤强. 互联网众创空间的内涵及其规划策略——基于上海的调研发现[J]. 城市规划, 2017, 41(9):30-37,121.

[18]
Yigitcanlar T, Adu-McVie R, Erol I. How can contemporary innovation districts be classified? A systematic review of the literature[J]. Land Use Policy, 2020,95:104595.

[19]
Woodward D, Figueiredo O, Guimaraes P. Beyond the Silicon Valley:University R&D and high-technology location[J]. Journal of Urban Economics, 2006, 60(1):15-32.

[20]
Cao Q, Li Y, Peng H. From university basic research to firm innovation:Diffusion mechanism and boundary conditions under a U-shaped relationship[J]. Technovation, 2023,123:102718.

[21]
Baptista R, Swann P. Do firms in clusters innovate more?[J]. Research Policy, 1998, 27(5):525-540.

[22]
Fang L. Agglomeration and innovation:Selection or true effect?[J]. Environment and Planning A:Economy and Space, 2020, 52(2):423-448.

[23]
Teirlinck P, Spithoven A. The spatial organization of innovation:Open innovation,external knowledge relations and urban structure[J]. Regional Studies, 2008, 42(5):689-704.

[24]
Christensen J, Drejer I. The strategic importance of location:Location decisions and the effects of firm location on innovation and knowledge acquisition[J]. European Planning Studies, 2005, 13(6):807-814.

[25]
Fu Y, Gabriel S A. Labor migration,human capital agglomeration and regional development in China[J]. Regional Science and Urban Economics, 2012, 42(3):473-484.

[26]
孙健, 尤雯. 人才集聚与产业集聚的互动关系研究[J]. 管理世界, 2008, 24(3):177-178.

[27]
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

[28]
王承云, 孙飞翔. 长三角城市创新空间的集聚与溢出效应[J]. 地理研究, 2017, 36(6):1042-1052.

DOI

[29]
孙瑜康, 孙铁山, 席强敏. 北京市创新集聚的影响因素及其空间溢出效应[J]. 地理研究, 2017, 36(12):2419-2431.

DOI

[30]
王波, 雷雅钦, 汪成刚, 等. 建成环境对城市活力影响的时空异质性研究:基于大数据的分析[J]. 地理科学, 2022, 42(2):274-283.

DOI

[31]
中国科学技术信息研究所. 国家创新型城市创新能力评价报告2020[M]. 北京: 科学技术文献出版社, 2020.

[32]
王波, 甄峰, 张姗琪, 等. 空气污染对城市活力的影响及其建成环境异质性——基于大数据的分析[J]. 地理研究, 2021, 40(7):1935-1948.

DOI

[33]
Lambert D M, Brown J P, Florax R J G M. A two-step estimator for a spatial lag model of counts:Theory,small sample performance and an application[J]. Regional Science and Urban Economics, 2010, 40(4):241-252.

[34]
罗小龙, 沈建法. 从“前店后厂”到深港都会:三十年港深关系之演变[J]. 经济地理, 2010, 30(5):711-715.

[35]
古恒宇, 沈体雁. 中国省级高技能人才迁移的时空演化机制[J]. 地理学报, 2022, 77(10):2457-2473.

DOI

Options
Outlines

/

〈 〉