EN中文

Economic geography >

2019 , Vol. 39 >Issue 7: 139 - 147

DOI: https://doi.org/10.15957/j.cnki.jjdl.2019.07.016

The Relationship between Geographical Concentration of Researchers and Regional Innovation in China

  • LIU Ye ,
  • ZENG Jingyuan , ※ ,
  • WANG Ruoyu ,
  • ZHAN Peiyu ,
  • PAN Zhuolin
Expand
  • School of Geography and Planning，Sun Yat-sen University，Guangzhou 510275，Guangdong，China

Received date: 2018-10-06

  Revised date: 2019-04-12

  Online published: 2025-04-27

Fold

Abstract

Regional innovation depends on not only the amount of technological investment but also the absorptive capacity of regional human capital. Based on county-level patent statistics and through the theoretical lens of absorptive capacity, this article analyzes the relationship between geographical concentration of researchers and regional innovation outputs in China with the aid a panel quantile regression approach. Results show that the spatial patterns of regional innovation outputs and scientific researchers are both in tremendous inequality in China. Besides, the influencing factors of regional innovation also vary with urban innovation levels. Additionally, the agglomeration of researchers exerts positive moderating effects on other influencing factors in high-output regions. To be specific, the absorptive capacity of scientific researchers raises the effects of corporate R&D expenditure, government R&D expenditure and FDI only in high-output cities. This suggests that in China the geographical concentration of researchers surprisingly serves as an enhancer only for high-output cities and thus it reinforces the spatial inequality of innovation.

Key words： Scientific researchers; concentration of talents; regional innovation; absorptive capacity; panel quantile regression; China

Cite this article

LIU Ye , ZENG Jingyuan , WANG Ruoyu , ZHAN Peiyu , PAN Zhuolin . The Relationship between Geographical Concentration of Researchers and Regional Innovation in China[J]. Economic geography, 2019 , 39(7) : 139 -147 . DOI: 10.15957/j.cnki.jjdl.2019.07.016

新世纪以来，创新驱动发展已经被提升到了国家战略的高度。“十九大”报告明确提出，要加快建设创新型国家，培养一大批具有国际水平的战略科技人才、科技领军人才、青年科技人才和高水平创新团队，以支持创新活动的迅速开展。“十三五”规划提出，要把发展基点放在创新上，以科技创新为核心，以人才发展为支撑。由此可见，中央政府已经意识到了科研人才对于创新活动的重要性。科研人才之于创新活动的重要性，不仅在于其作为创新活动的关键投入要素，更在于其决定了区域的知识吸收能力。知识吸收能力理论（Absorptive Capacity Theory）认为，一个企业的人力资本存量决定了这个企业识别、吸收和应用新知识的能力，进而影响了其创新产出[1-3]。
既有的区域创新研究大多基于内生增长理论的分析框架[4]。内生增长理论认为，创新是经济持续增长的关键驱动力[4]。然而，内生增长理论的分析框架忽视了从R&D投入到创新产出的中间环节。该理论假定知识溢出是自发的过程、假定R&D投入必然导致有经济价值新知识的产生，往往只关注创新投入对创新产出的直接效果[5-8]。因此，在内生增长理论的基础上，Cohen等学者提出了知识吸收能力理论，指出企业的创新产出不仅取决于创新投入量，还取决于企业利用内部先验知识量，识别、吸收和应用新知识的能力[1]。在知识吸收能力的测度上，近年来学者们普遍使用科研人才存量作为吸收能力的代理变量，例如科学家数量、R&D部门职工数量和工程师数量等等[9-14]。与此同时，西方学者也开展了不少实证研究，以揭示知识吸收能力在创新过程中的作用与机制。Cohen等学者发现，企业知识吸收能力能通过吸收、转化外部新知识，有效提高企业创新产出[1]。Veugelers进一步发现知识吸收能力能显著调节创新活动：当知识吸收能力存在时，企业会受到合作伙伴研发行为的激励并提升创新产出，而在缺乏吸收能力的企业则没有这种现象[11]。近年来，越来越多学者以区域作为研究对象，在区域层面上探究知识创新产出对区域创新活动的支撑作用。在区域知识吸收能力的定义上，Giuliani最早将区域知识吸收能力定义为一个集群吸收、传播和创造性地应用集群外部知识的能力[15]。Exposito-Langa等学者在对工业区的实证研究中进一步将区域知识吸收能力拆分为知识识别能力、知识吸收能力以及知识应用能力[16]。Caragliu等学者暗示了区域知识吸收能力即区域理解、解码与高效地应用地区内或地区外新知识的能力[17]。结合前人研究（表1），本研究将区域知识吸收能力定义为：区域内的人力资本利用区域知识存量识别、理解、传播并创造性地应用来自区域内部或外部的新知识的能力。既有研究表明，整个区域的人力资本存量不足，会造成这个区域学习和内化新知识的能力低下，从而阻碍创新活动的开展[15,18]。例如，Keller发现，只有在知识吸收能力达到一定高度时，区域贸易自由化才能提升创新产出[9]。Borensztein等学者在对外商投资（FDI）的研究中同样发现FDI的技术溢出取决于人力资本的吸收能力[12]。Giuliani发现知识吸收能力能够决定集群与外部知识源的连接度以及集群内知识系统的稠密程度[15]。Azagra-Caro等学者通过对地区内“产业—大学”联系的研究发现，区域知识吸收能力的不足会限制产学研知识交流对区域发展的促进作用[19]。Kallio等学者研究发现区域知识吸收能力能够有效提高区域创新系统内的知识传播。Saito等学者使用高技能工人测度知识吸收能力，发现高技能工人是区域创新中企业和工厂间知识传输的“管道”[20]。Caragliu等学者研究发现一个低区域知识吸收能力的地区会使知识更容易泄露到周边地区[17]。但总体而言，知识吸收能力理论在区域层面的研究应用依然处于起步阶段。
表1 知识吸收能力的测度综述

Tab.1 Measurement of knowledge absorptive capacity

作者 研究对象 测度
企业层面知识吸收能力研究综述
Cohen等（1990） 来自318个企业的1 719个部门或组织 企业R&D投资强度
Veugelers（1997） 290个佛兰德科技公司 R&D部门的全职员工数
Lane等（1998） 69个科技联盟和22个生物科技企业 使用企业量表测度
Liu等（1997） 来自29个制造业产业细类中业的145个企业 R&D研发人员的投入量
区域层面知识吸收能力研究综述
Keller（1996） 宏观经济推演 科学家和工程师数量；高等教育人口中工程学学生的数量；总人口中科学家和工程师占比
Borensztein等（1998） 1970—1989年经济合作与发展组织（OECD）国家 受教育水平
Roper等（2006） 215个欧洲地区（NUTS2） 高素质劳动力数量
Saito等（2011） 1998—2003年智利342个县级地理单元 高技能工人数量
Yang等（2012） 1997—2007年中国31个省份 平均受教育水平
Qian（2017） 美国大都市区（MSAs） 人力资本知识存量
Jung（2017） 1999—2008年215个欧洲地区 高学历人才占比

注：本研究主要关注区域层面的知识吸收能力作用，故因此主要总结区域知识吸收能力测度。

近年来，区域创新逐渐成为了国内经济地理学界研究的热点之一。经济地理学者往往从以下几个方面开展研究：①构建区域创新的科学评价体系，刻画中国区域创新及科技资源配置的空间分布格局[21-24]；②研究中国区域创新联系并识别中国区域创新网络[25-28]；③识别中国区域创新产出空间分异的影响因素[29-35]；④研究区域创新对经济增长的推动作用[36]。然而，既有的中国区域创新研究存在以下几点不足：首先，尽管已有部分研究尝试刻画中国区域创新产出的空间格局并识别其影响因素，但此类研究往往在省级尺度上开展，忽略了省内的空间异质性，难以精确反映全国创新产出的空间格局及时空演变。实际上，城市在国家创新系统中的主体地位日益凸显[22-23]，并且由于大量隐含的知识需要通过面对面传播，创新及知识的溢出效应会随着地理距离逐渐衰减[37]。因此，创新的溢出和扩散往往发生在较小的地理尺度[32]。其次，既有研究大多仅关注投入要素对创新产出的直接效果，忽视了知识吸收能力在区域创新中发挥的重要作用。作为专业化知识和技术的载体，人力资本往往与其他创新投入要素相结合，共同作用于创新活动[38]。因此，前人对区域创新的研究往往难以解释某些区域即便创新投入高但转化效率低的问题。此外，国内学者往往从企业的层面上研究创新主体的知识吸收能力，较少在区域层面上分析知识吸收能力的作用机制[38]。然而，不少西方研究已经揭示了区域知识吸收能力对区域创新的重要作用。Caragliu等发现，区域不能仅仅通过靠近新知识源而受益于知识溢出，知识溢出效果还受到某种能力的“调节作用”[39]。Boschma的研究表明，区域知识吸收能力是区域学习的必要条件[40]。
因此，为弥补现有研究的不足，本研究基于2000—2015年县级尺度的专利数据，揭示中国区域创新产出的时空分布特征，并采用面板分位数回归模型等方法，识别中国区域创新产出空间差异的影响因素，尤其关注区域知识吸收能力所起到的作用。本文试图回答以下问题：①中国区域创新产出和科研人才存量的空间分布有何特征?②科研人才集聚对中国区域创新产出的空间分异有何作用?③科研人才知识吸收能力如何调节各创新要素对中国区域创新产出的影响?④区域知识吸收能力的调节效应是否存在区域异质性?

1 研究方法

1.1 知识生产函数模型

本文在Griliches和Jaffe的知识生产函数模型的基础上，结合中国的国情，建立起解释中国区域创新产出的知识生产函数模型[41-42]：
l n K = α + β 1 l n R + β 2 l n U + β 3 l n H + β 4 l n Z + e
式中：K为创新因变量；R为企业研发投入；U为政府科研投入；H为人力资本；Z为反映区域特征的其它社会经济要素；β1、β2、β3、β4分别为上述变量的系数；a为常数项；e为模型扰动项。然而，前人对区域创新的研究只关注投入要素对创新产出的直接效果，单一地借用上述模型会因为忽略了不同地区知识吸收能力在区域创新中的多维作用，而不能准确地解析中国区域对创新要素利用率低的原因。因此，知识吸收能力的调节效应必须纳入模型。本文参照前人做法，用人力资本与各创新自变量的交叉测度区域知识吸收能力的强弱[1,18,38,43]。基于知识吸收能力理论修正后的知识生产函数模型如式（2）所示：
l n K = α + β 1 l n R + β 2 l n U + β 3 l n H + β 4 l n Z + β 5 l n H · l n R + β 6 l n H · l n U + β 7 l n H · l n Z + e
式中： l n H · l n R、 l n H · l n U、 l n H · l n Z为人力资本与其他变量的交互项。

1.2 面板分位数回归

本研究进一步使用面板分位数回归模型，分析对于不同创新产出的城市而言，区域创新产出的决定机制是否有所不同。需要注意的是，传统的OLS回归只能考察解释变量对被解释变量条件期望的影响，也即针对整个中国所有的区域得出唯一的结论。然而，我国区域创新产出可能存在着很强的空间异质性，创新投入要素对创新产出的影响在城市间可能存在巨大的差异。与传统的OLS回归相比，分位数回归允许回归系数随因变量的分位点而变动，能够考察在不同创新等级的城市中（即不同创新产出的分位数），创新投入要素对区域创新产出的影响。此外，由于分位数回归使用全样本，因此能够避免分组OLS回归的截断问题，并且具有不易受极端值影响，系数估计量更加稳健的优点[44]。面板分位数回归的模型形式如式（3）所示：
Q u a n t τ Y i t X i t = β τ X i t + μ i τ + e i t
式中：等式左边为被解释变量的τ条件分位数；Xit为解释变量；τ为分位数[τϵ（0，1）]；β（τ）为在τ分位数处的回归系数；μi（τ）为在τ分位数处的个体效应；eit为模型扰动项。

2 研究数据

由于大部分县域解释变量数据的缺失，本研究难以在县级尺度上开展回归分析。因此，本研究选用城市作为影响因素分析的基本单位。这是因为一方面，城市作为创新生产的主要空间载体，直接参与到科技国际竞合中来，在区域创新中扮演着愈发重要的角色[45]；另一方面，相比基于县级尺度的分析，城市尺度也能揭示省内的创新区域异质性，在一定程度上能够精确地捕捉创新溢出和扩散。因此，本文的回归分析基于中国287个地级及以上城市开展。
基于式（2），本文使用专利数量反映创新产出（K），目前学术界普遍认可以专利数作为创新因变量的有效性[41,46]。鉴于已有文献普遍认为创新投入转化为创新产出需要一定的时间，本文参照前人的做法，对因变量作滞后2年的处理[45]。解释变量中，本研究主要关注企业研发、政府投入以及外商投资对创新的作用，以及人力资本对这三大创新投入的知识吸收能力。企业研发投入（R）选取企业研究开发费（lnERD）作为代理变量。在市场经济中，企业作为创新活动的重要载体之一，其研发活动的强度基本代表了整个区域的创新产出[22]。政府科研投入（U）选取政府R&D投入（lnGRD）作为变量，反映了地方政府在城市创新活动的作用。由于我国高校及科研院研究经费主要来自政府拨款，且我国大部分地区创新资源禀赋不足，产学研合作并不紧密，因此地方政府在我国创新资源配置中应发挥更大的作用。此外，由于大量研究已经证明外商投资的技术扩散也在中国区域创新中发挥着重要的作用[29]，因此本研究进一步将外商直接投资利用额（lnFDI）纳入模型。人力资本（H）选取科研人才数（lnHUM）作为变量。此外，本研究将变量（Z）作为控制变量纳入计量模型。其中，为了控制集聚效应及城市人口规模对回归结果的影响，本研究进一步将变量（Z）拆分成专业化知识溢出（lnMAD）、多样化知识溢出（lnJAD）和总人口数（lnPOP）3个控制变量。为了避免多重共线性，专业化集聚度（lnMAD）通过计算一座城市区位商最高的行业劳动力就业密度得出；多元化集聚度（lnJAD）通过计算一座城市其它所有行业劳动力就业密度得出。
本文专利数据来源于国家专利数据库，即国家知识产权局网站中国专利公布公告系统2000—2017年的专利数据。本文将该数据分别汇总至县级和地级地理单元进行分析。由于城市尺度相关数据的缺失，且前人研究表明专利主要来自制造业和技术密集型产业[47]，因此，参照前人做法[32]，企业R&D投入数据由国家统计局工业企业数据库的研究开发费汇总至287个地级及以上城市而得。政府R&D投入、外商投资、两类知识溢出数据以及总人口数均来源于《中国城市统计年鉴》。
由于城市尺度相应数据的缺失，国内研究一般使用科学技术服务及地质勘查业从业人员数[22,45]、城市高等学校教师数[32]作为科研人才的替代。为了更精确地反映地区内科研人才存量，本文通过对谷歌学术、百度学术、中国知网及其它所有开源出版物数据库中相应年份论文、专利等发表著作H因子[48]大于5的所有科研人员微观个体数据的爬取与统计，并分别汇总至县级及287个地级以上地理单元，得到城市科研人才数据。结合上述讨论，本文回归模型最终包含的变量总结见表2（模型中所有变量均取自然对数）。
表2 变量基本统计信息

Tab.2 Statistics of the variables

类别 变量名称 单位 变量标签 样本数 均值 标准差
因变量 专利数量（对数） 个 lnPAT 1 722 2 228.51 8 192.76
关键变量 企业R&D投入（对数） 万元 lnERD 1 722 838 969.50 3 215 711.00
政府R&D投入（对数） 万元 lnGRD 1 722 23 780.29 113 021.90
外商投资（对数） 万美元 lnFDI 1 722 46 805.48 112 176.90
科研人才量（对数） 人 lnHUM 1 722 630.14 2 802.04
控制变量 专业化集聚度（对数） 人/km2
 lnMAD 1 722 9.40 21.02
多元化集聚度（对数） 人/km2 lnJAD 1 722 33.99 75.37
总人口数（对数） 万人 lnPOP 1 722 428.27 315.21

3 中国区域创新产出与科研人才的时空分布特征

本文基于国家专利数据库的专利数据，在县级的地理尺度上，绘制了2000和2015年中国区域创新产出的空间分布图（图1）。2000年我国创新产出前十的城市依次为：北京、上海、深圳、广州、青岛、苏州、天津、佛山、杭州、东莞。2015年我国创新产出前十的城市依次为：北京、苏州、上海、深圳、成都、天津、杭州、重庆、无锡、南京。其中，苏州、无锡、重庆、成都等城市创新进展迅速；而曾经稳居前五的广州则退步明显。图1a、图1b展示了2000年之后中国创新格局的时空演变趋势。其中可以主要概括为如下的规律：①东部地区创新产出进一步强化，专利量从2000年的4.13万个上升至2015年的133.13万个，年均增长率为155.49%，远超中西两大地带的专利量。②中部地区广泛接受东部地区的高值区的转移与扩散。中部地区专利量从2000年的7 117个跃升至2015年的31.28万个，年均增长率为132.10%。长三角、珠三角、京津冀等东部沿海创新高值区开始向腹地扩散。直至2015年，江西省、安徽省、福建省西部、湖南省东部、珠三角外围等低水平区域创新产出明显提升。③西部地区创新产出缓慢提升，年均增长率128.90%，为三大地带中的最低值。除成都、重庆外，贵州贵阳、云南昆明等地也出现了新兴的创新高值点，但总体上胡焕庸线以西的地区创新格局创新进展缓慢。2017年中、西部两大地带的专利数总和仅占全国专利总量的18.1%；而以地级市单元尺度来看，仅东部沿海的北京、上海、深圳3市所占有的专利份额便已达全国总量的36.5%。
图1 2000和2015年中国区域创新产出的空间格局

Fig.1 The spatial distribution of regional innovation in China（2000 and 2015）

前人研究已经发现了中国区域创新的时空格局存在“沿海—内陆”分化加剧的趋势[30]，本文空间分析结果证实了这一结论，并进一步发现同一省内也存在着创新的空间极化。例如，虽然广东省珠三角地区2000—2015年区域创新产出能力在不断强化，但珠三角地区向外围地区的溢出效果并不明显，“珠三角地区—外围地区”分异的区域创新格局始终未改变。创新的空间极化进一步暗示了不同区域对创新要素的知识吸收能力可能存在明显的差异，为了进一步解释这一现象，本文采用面板分位数回归模型，进一步识别了中国区域创新产出空间差异的影响因素，尤其关注区域知识吸收能力所起到的作用。
图2a展示了2000年H因子大于5的中国科研人才的空间格局。2000年科研人才数高度集中在长三角、珠三角与京津三大东部沿海创新极，其它地区科研人才数分布极少。大部分区域科研人才普遍严重短缺。这一现象与2000年我国创新发展的国情相符，区域普遍自主创新能力较低、创新机制不完善，只能通过盲目引入、模仿外来技术提高创新产出，陷入“落后—模仿—再落后—再模仿”的恶性循环，而没有真正的“消化知识”[1]。而另一方面，科研人才储备较多的地区由于知识吸收能力较高，更能完成新知识的吸收转化，因此往往创新能力均较高。上述结果表明2000年我国仅有少部分地区重视并培育了知识吸收能力。图2b展示了2000年后H因子大于5的科研人才的空间分布演变特征。结果表明，我国科研人才数量出现逐渐上升的趋势。然而，与区域创新能力的时空演变特征不同，中国区域科研人才数量的提升除东部沿海地区外，主要集中在武汉、重庆、昆明、成都等人力资本投资较为领先的少数地区。对于人力资本存量先天不足的区域，科研人才数量仅有微弱的提升。东部沿海地区，尤其是三大城市群，仍然是我国科研人才的高度集聚区。结合区域创新能力的分布格局，2015年，“创新能力高—人才充足”类型的代表城市为北京海淀区、上海徐汇区、南京鼓楼区、武汉武昌区、广州天河区、深圳福田区、杭州西湖区等等。根据前人研究，这些地区及所在城市同样也是近年来我国自主创新能力较强的地区[23]，也是区域创新系统中的重要节点[49]。然而另一方面，人才稀缺的地区数量也有明显增多的趋势，并且程度更加严重。如长春宽城区、成都郫县、合肥肥西县、东莞万江区等地区专利数量超过4 000，科研人才却不足20人。
图2 2000和2015年中国科研人才的空间格局

Fig.2 The spatial distribution of researchers in China（2000 and 2015）

4 中国区域创新产出的影响因素分析

为了揭示创新投入要素在不同创新等级的城市间的作用效果差异，本文使用面板分位数回归进行分析。表3展示了面板分位数回归估计结果。其中，模型（1）为关键变量模型；模型（2）进一步加入了控制变量以控制集聚效应与城市规模对回归结果的影响；模型（3）~（5）分别探讨了知识吸收能力对三大创新投入的调节效应。25%分位数模型、50%分位数模型、75%分位数模型的结果分别代表了低、中、高三类创新等级的城市中创新投入要素的作用效果。所有模型可决系数均高于0.8，表明各模型对创新产出的解释程度已超过80%。
表3 面板分位数回归结果

Tab.3 The results of panel quantile regression estimation

模型（1）：
关键变量		 模型（2）：关键变量+控制变量 模型（3）：关键变量+控制变量+调节效应Ⅰ 模型（4）：关键变量+控制变量+调节效应Ⅱ 模型（5）：关键变量+控制变量+调节效应Ⅲ
25% 50% 75% 25% 50% 75% 25% 50% 75% 25% 50% 75% 25% 50% 75%
lnERD 0.068*** 0.069*** 0.080** 0.066*** 0.070*** 0.078*** 0.070*** 0.056** 0.065*** 0.070*** 0.072*** 0.075*** 0.069*** 0.070*** 0.072***
（0.01） （0.01） （0.04） （0.02） （0.01） （0.03） （0.00） （0.03） （0.00） （0.00） （0.02） （0.00） （0.00） （0.02） （0.00）
lnFDI 0.051*** 0.070*** 0.078*** 0.053*** 0.061*** 0.077*** 0.051*** 0.058*** 0.074*** 0.052*** 0.057*** 0.078*** 0.067*** 0.039* 0.062***
（0.00） （0.01） （0.01） （0.01） （0.01） （0.02） （0.00） （0.02） （0.00） （0.00） （0.02） （0.00） （0.00） （0.02） （0.00）
lnGRD 0.164*** 0.149*** 0.126*** 0.164*** 0.153*** 0.120*** 0.163*** 0.149*** 0.122*** 0.210*** 0.161*** 0.107*** 0.163*** 0.145*** 0.119***
（0.02） （0.01） （0.04） （0.02） （0.01） （0.03） （0.00） （0.02） （0.00） （0.00） （0.03） （0.00） （0.00） （0.02） （0.00）
lnHUM 0.743*** 0.728*** 0.725*** 0.739*** 0.719*** 0.720*** 0.759*** 0.696*** 0.664*** 0.804*** 0.730*** 0.685*** 0.773*** 0.672*** 0.681***
（0.06） （0.02） （0.05） （0.03） （0.02） （0.02） （0.00） （0.07） （0.00） （0.00） （0.05） （0.00） （0.00） （0.06） （0.00）
lnMAD 0.0280 0.027 0.077 0.026*** 0.0300 0.071*** 0.023*** 0.039 0.071*** 0.030*** 0.027 0.081***
（0.06） （0.02） （0.11） （0.00） （0.04） （0.00） （0.00） （0.05） （0.00） （0.00） （0.05） （0.00）
lnJAD 0.169 0.170** 0.293 0.179*** 0.171 0.282*** 0.170*** 0.198 0.281*** 0.176*** 0.172 0.292***
（0.24） （0.08） （0.45） （0.00） （0.12） （0.00） （0.00） （0.12） （0.00） （0.00） （0.12） （0.00）
lnPOP 0.0430 0.092 0.124 0.044*** 0.098 0.130*** 0.025*** 0.088 0.131*** 0.039*** 0.105 0.132***
（0.06） （0.08） （0.23） （0.00） （0.08） （0.00） （0.00） （0.08） （0.00） （0.00） （0.08） （0.00）
lnHUM×lnERD -0.001*** 0.002 0.004***
（0.00） （0.01） （0.00）
lnHUM×lnGRD -0.009*** -0.002 0.003***
（0.00） （0.00） （0.00）
lnHUM×lnFDI -0.003*** 0.005 0.004***
（0.00） （0.01） （0.00）
城市固定效应 Yes Yes Yes Yes Yes Yes Yes Yes Yes Yes Yes Yes Yes Yes Yes
样本量 1 722 1 722 1 722 1 722 1 722 1 722 1 722 1 722 1 722 1 722 1 722 1 722 1 722 1 722 1 722
Pseudo R2 0.821 0.811 0.829 0.821 0.811 0.830 0.821 0.811 0.830 0.821 0.811 0.830 0.821 0.811 0.830

注：*p<0.1，**p<0.05，***p<0.01；“25%”代表25%分位数模型，“50%”代表50%分位数模型，“75%”代表75%分位数模型；括号内为标准误。

在模型（2）中，企业R&D投入（lnERD）在3个分位数模型中都显著为正，且系数在75%分位数处达到最高，表明企业R&D投入在创新高等级的城市中能发挥更高的作用。政府R&D投入（lnGRD）在3个模型中显著为正，其系数随着分位数的上升而递减。这暗示了政府R&D投入在创新低等级的城市中能起更高的作用。在技术落后的地区，地方政府更加倾向于学习、效仿发达地区布局新兴战略性行业，通过充分利用后发优势提高创新产出水平。在1%的显著性水平下，外商投资（lnFDI）仅在所有分位数模型中均显著为正，且回归系数随着分位数的上升而递增。该结果暗示了外商投资在创新等级越高的城市中越能有效提高城市创新产出水平；相反，创新低等级的城市往往只是盲目依赖外资技术，因此外商投资对创新产出的实际作用相对较低。科研人才（lnHUM）在3个分位数模型中均在1%的水平上显著，回归系数在25%分位数处达到最高值。科研人才作为专业化知识和技术的载体，能够携带大量决定知识吸收能力的先验知识量[1]，促进技术落后城市吸收发达城市知识和技术的外溢，拉近技术落后城市与发达城市的创新差距。
面板分位数回归模型（3）~（5）（表3）揭示了在不同创新等级的城市中，科研人才对城市创新投入要素的知识吸收能力差异。各模型可决系数均超过0.8，表明回归具有较高的解释力。交互项lnHUM×lnERD、lnHUM×lnGRD、lnHUM×lnFDI的系数仅在75%分位数的位置显著为正，且系数大小随着分位数的上升而递增。这说明等量的科研人才只有在创新产出达到一定程度的城市里，才能发挥对企业R&D投入、政府R&D投入以及外商投资三大主要创新投入的知识吸收能力。具体而言，有且仅在创新高等级城市中，每增加1%的科研人才将额外提高0.004%的企业R&D作用效果，0.003%的政府R&D作用效果以及0.004%的FDI作用效果。在创新高水平的城市中，科研人才集聚带来的知识吸收能力能够加速知识商业化的进程，进而提高企业研发活动中创新转化的效率。对于政府研发投入，科研人才的集聚还能凭借前沿知识的溢出和人才的流动增强城市创新系统中产学研之间的联系，从而有效促进地方政府对城市创新活动的支持效果。此外，模型中科研人才对FDI的正调节效应进一步表明，科研人才集聚带来的知识吸收能力有助于打破外资技术扩散的知识壁垒，从而有效促进城市对外资企业创新产出的吸收能力。为了更全面地观察知识吸收能力在不同创新等级的城市中的差异，图3进一步刻画了知识吸收能力在不同分位数模型中的变化。结果同样表明：总体而言，城市创新等级越高，知识吸收能力对三大投入要素的调节效果越强。这是因为科研人才的知识吸收能力高度取决于先验知识量，然而，创新产出水平较高的城市往往比创新产出水平较低的城市拥有更丰富的知识存量。上述结果表明，在我国，区域知识吸收能力实质上被垄断在了这些高水平地区之中，反而成为了创新高等级城市的自我强化机制。
图3 知识吸收能力在不同分位数模型中的差异

注：图中曲线代表分位数回归系数；纵轴lnHUM×lnERD、lnHUM×lnGRD、lnHUM×lnFDI分别代表3个交互项的回归系数值；横轴代表各分位数点；阴影区域代表各回归系数95%置信区间。

Fig.3 The variation of knowledge absorptive capacity based on different quantile model

5 结论与讨论

5.1 结论

基于2000—2015年县级尺度的专利数据，本文揭示了中国区域创新产出的时空分布特征，并识别了科研人才集聚和中国区域创新产出空间差异的关系，尤其关注科研人才区域知识吸收能力所起到的作用。研究主要发现如下：
①中国区域创新产出存在着巨大的区域不均衡性，创新产出高的地区主要分布在东部沿海地区，以长三角、珠三角以及京津地区为三大创新极；中部地区区域创新产出主要集中在科研院所等创新资源集中的省会或副省级城市。西部地区区域创新产出最为薄弱，高值区主要分布在旧“三线”地区。与区域创新产出类似，科研人才主要也集中于东部沿海地区，以长三角、珠三角以及京津地区为三大人才中心。然而与区域创新产出不同的是，2000—2015年科研人才除了在东部沿海地区激增以外，也在武汉、重庆、昆明、成都等人力资本投资较为领先的少数地区有明显增加。总体来看，区域创新产出与科研人才的分布有明显的空间正相关性。
②回归结果显示，不同创新要素的作用效果在不同创新等级的城市中存在明显差异，表现为区域的创新产出越强，企业R&D投入、外商投资对区域创新产出的影响越强，而政府R&D投入和科研人才的影响越弱。
③区域知识吸收能力在不同创新等级的城市中的作用强度也存在显著差异。等量的科研人才在创新产出已经达到一定程度的城市里才能发挥对企业R&D投入、政府R&D投入以及外商投资三大创新投入的知识吸收能力。在创新低等级城市中，区域知识吸收能力并不存在。

5.2 政策建议

知识吸收能力理论从新的视角揭示了我国区域创新发展的机制及主要制约因素，并进一步完善了传统内生增长理论的不足。随着我国供给侧改革和创新驱动发展战略大力实施，如何提高区域本身的知识吸收能力将会成为愈发重要的研究话题，知识吸收能力理论也将在未来国内区域创新的研究中愈发具有解释力。基于实证分析的结果，本文提出以下几点政策建议：①对于区域创新产出较高的城市，地方政府可考虑适度降低对企业R&D活动的干预，减少企业创新的制度阻碍；加大对高校及科研院所的科研经费投入，发挥“牵线人”的角色并努力打造产学研创新网络，营造以企业作为创新主体的区域创新环境；充分利用自身较强的知识吸收能力，学习并引进国外先进的知识和技术，并将这些知识整合进区域知识体系之中，打造自主创新能力。②对于区域创新产出处于中等水平的城市，地方政府不仅需要充分重视企业R&D、外商投资和政府科研经费支出，还应进一步培育并积极引入高素质的科研人才，提高区域知识吸收能力。③对于区域创新产出较低的城市，地方政府不应该盲目模仿并照搬创新水平较高地区的发展模式和政策。可考虑以政府扶持作为基本策略，带动基础科研发展，逐步提高城市知识存量水平；制定相应的政策降低企业创新活动的成本，初步扶持一批具有创新竞争力的企业；制定积极的人才政策，改善当地科研人才短缺的问题，通过提高科研人才存量逐步提升区域的知识吸收能力。

References

Publishing order | Descend order by publishing year | Descend order by cited within
[1]
W M Cohen, D A Levinthal. Absorptive Capacity:A New Per-spective on Learning and Innovation[M]. Boston: Butterworth-Heinemann, 2000.

[2]
S A Zahra, G George. Absorptive Capacity:A Review,Recon-ceptualization,and Extension[J]. Academy of Management Review, 2002, 27(2):185-203.

[3]
A Lund Vinding. Absorptive capacity and innovative perfor-mance:A human capital approach[J]. Economics of Innovation and New Technology, 2006, 15(4-5):507-517.

[4]
P M Romer. Endogenous Technological Change[J]. Journal of Political Economy, 1990, 98(5):71-102.

[5]
H F Qian, Z J Acs. An absorptive capacity theory of knowledge spillover entrepreneurship[J]. Small Business Economics, 2013, 40(2):185-197.

[6]
P Braunerhjelm, Z J Acs, D B Audretsch, et al. The missing link:knowledge diffusion and entrepreneurship in endogenous growth[J]. Small Business Economics, 2010, 34(2):105-125.

[7]
Z J Acs, P Braunerhjelm, D B Audretsch, et al. The knowledge spillover theory of entrepreneurship[J]. Small Business Economics, 2009, 32(1):15-30.

[8]
D B Audretsch. Innovation and Industry Evolution[M]. Cam-bridge: MIT Press, 1995.

[9]
W Keller. Absorptive capacity:On the creation and acquisition of technology in development[J]. Journal of Development Economics, 1996, 49(1):199-227.

[10]
X Liu, R S White. The relative contributions of foreign tech-nology and domestic inputs to innovation in Chinese manufacturing industries[J]. Technovation, 1997, 17(3):119-125.

[11]
R Veugelers. Internal R&D expenditures and external technolo-gy sourcing[J]. Research Policy, 1997, 26(3):303-315.

[12]
E Borensztein, J De Gregorio, J W Lee. How does foreign di-rect investment affect economic growth?[J]. Journal of International Economics, 1998, 45(1):115-135.

[13]
B Xu. Multinational enterprises,technology diffusion,and host country productivity growth[J]. Journal of development economics, 2000, 62(2):477-493.

[14]
D L Carr, J R Markusen, K E Maskus. Estimating the Knowl-edge-Capital Model of the Multinational Enterprise[J]. American Economic Review, 2001, 91(3):693-708.

[15]
E Giuliani. Cluster absorptive capacity:Why do some clusters forge ahead and others lag behind?[J]. European Urban and Regional Studies, 2005, 12(3):269-288.

[16]
M Exposito-Langa, F X Molina-Morales, J Capo-Vicedo. New Product Development and Absorptive Capacity in Industrial Districts:A Multidimensional Approach[J]. Regional Studies, 2011, 45(3):319-331.

[17]
A Caragliu, P Nijkamp. The impact of regional absorptive ca-pacity on spatial knowledge spillovers:the Cohen and Levinthal model revisited[J]. Applied Economics, 2012, 44(11):1 363-1 374.

[18]
C H Yang, H L Lin. Openness,absorptive capacity,and region-al innovation in China[J]. Environment and Planning A, 2012, 44(2):333-355.

[19]
J M Azagra-Caro, F Archontakis, A Gutiérrez-Gracia, et al. Faculty support for the objectives of university-industry relations versus degree of R&D cooperation:The importance of regional absorptive capacity[J]. Research Policy, 2006, 35(1):37-55.

[20]
H Saito, M Gopinath. Knowledge Spillovers,Absorptive Ca-pacity,and Skill Intensity of Chilean Manufacturing Plants[J]. Journal of Regional Science, 2011, 51(1):83-101.

[21]
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, 20(5):550-556.

[22]
范斐, 杜德斌, 李恒, 等. 中国地级以上城市科技资源配置效率的时空格局[J]. 地理学报, 2013, 68(10):1 331-1 343.

[23]
方创琳, 马海涛, 王振波, 等. 中国创新型城市建设的综合评估与空间格局分异[J]. 地理学报, 2014, 69(4):459-473.

DOI

[24]
李国平, 王春杨. 我国省域创新产出的空间特征和时空演化——基于探索性空间数据分析的实证[J]. 地理研究, 2012, 31(1):95-106.

DOI

[25]
王秋玉, 曾刚, 吕国庆. 中国装备制造业产学研合作创新网络初探[J]. 地理学报, 2016, 71(2):251-264.

DOI

[26]
李丹丹, 汪涛, 魏也华, 等. 中国城市尺度科学知识网络与技术知识网络结构的时空复杂性[J]. 地理研究, 2015, 34(3):525-540.

DOI

[27]
吕国庆, 曾刚, 郭金龙. 长三角装备制造业产学研创新网络体系的演化分析[J]. 地理科学, 2014, 34(9):1 051-1 059.

[28]
周灿, 曾刚, 曹贤忠. 中国城市创新网络结构与创新能力研究[J]. 地理研究, 2017, 36(7):1 297-1 308.

[29]
曹广喜. FDI对中国区域创新能力溢出效应的实证研究——基于动态面板数据模型[J]. 经济地理, 2009, 40(6):894-899.

[30]
程叶青, 王哲野, 马靖. 中国区域创新的时空动态分析[J]. 地理学报, 2014, 69(12):1 779-1 789.

[31]
谭俊涛, 张平宇, 李静. 中国区域创新绩效时空演变特征及其影响因素研究[J]. 地理科学, 2016, 36(1):39-46.

DOI

[32]
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

[33]
方远平, 谢蔓. 创新要素的空间分布及其对区域创新产出的影响——基于中国省域的ESDA-GWR分析[J]. 经济地理, 2012, 32(9):8-14.

[34]
刘炜, 李郇, 欧俏珊. 产业集群的非正式联系及其对技术创新的影响——以顺德家电产业集群为例[J]. 地理研究, 2013, 32(3):518-530.

[35]
王丰龙, 曾刚, 周灿, 等. 中国地方政府科技财政支出对企业创新产出的影响研究——来自工业企业数据库的证据[J]. 地理科学, 2017, 37(11):1 632-1 639.

[36]
朱勇, 张宗益. 技术创新对经济增长影响的地区差异研究[J]. 中国软科学, 2005,(11):92-98.

[37]
D B Audretsch, M P Feldman. R&D spillovers and the geogra-phy of innovation and production[J]. The American economic review, 1996, 86(3):630-640.

[38]
赖明勇, 包群, 彭水军, 等. 外商直接投资与技术外溢:基于吸收能力的研究[J]. 经济研究, 2005(8):95-105.

[39]
A Caragliu, P Nijkamp. The impact of regional absorptive ca-pacity on spatial knowledge spillovers[R]. Tinbergen Institute Discussion Paper, 2008.

[40]
R Boschma. Proximity and Innovation:A Critical Assessment[J]. Regional Studies, 2005, 39(1):61-74.

[41]
A B Jaffe. Real Effects of Academic Research[J]. The Ameri-can Economic Review, 1989, 79(5):957-970.

[42]
Z Griliches. Issues in Assessing the Contribution of Research and Development to Productivity Growth[J]. The Bell Journal of Economics, 1979, 10(1):92-116.

[43]
W Tsai. Knowledge transfer in intraorganizational networks:Effects of network position and absorptive capacity on business unit innovation and performance[J]. Academy of Management Journal, 2001, 44(5):996-1 004.

[44]
R Koenker, G Bassett Jr. Regression quantiles[J]. Econometri-ca:Journal of the Econometric Society, 1978, 46(1):33-50.

[45]
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.

[46]
M Polanyi. Knowing and being[J]. Mind, 1961, 70(28):458-470.

[47]
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, 2010(9):76-85.

[48]
J E Hirsch. An index to quantify an individual's scientific re-search output[J]. Proceedings of the National academy of Sciences of the United States of America, 2005, 102(46):16 569.

[49]
吕拉昌, 李勇. 基于城市创新职能的中国创新城市空间体系[J]. 地理学报, 2010, 65(2):177-190.

Options
Outlines

/

〈 〉