地理科学 2017 , 37 (11): 1649-1658 https://doi.org/10.13249/j.cnki.sgs.2017.11.006

Orginal Article

创新资源协同空间联系与区域经济增长——基于中国省域数据的实证分析

吕海萍¹^,²^,, 池仁勇¹^,, 化祥雨³

1.浙江工业大学经贸管理学院,浙江杭州 310023
2.浙江科技学院经济与管理学院,浙江杭州 310023
3.浙江省经济信息中心经济监测预测处,浙江杭州 310006

Spatial Linkages of Innovative Resources Synergy and Its Impacts on Regional Economic Growth: An Empirical Study Based on Chinese Provincial Data

Lyu Haiping¹^,²^,, Chi Renyong¹^,, Hua Xiangyu³

1.School of Economics and Management, Zhejiang University of Technology, Hangzhou, 310023, Zhejiang, China
2.School of Economics and Management, Zhejiang University of Science and Technology, Hangzhou, 310023, Zhejiang, China
3. Economic Monitoring and Forecasting Office, Zhejiang Economic Information Center, Hangzhou, 310006, Zhejiang, China

中图分类号: F62.4;F207

文献标识码: A

文章编号: 1000-0690(2017)11-1649-10

通讯作者: 通讯作者:池仁勇,教授。E-mail:cd93401@zjut.edu.cn

收稿日期: 2016-12-5

修回日期: 2017-04-12

网络出版日期: 2017-11-20

基金资助: 国家自然科学基金项目（71203197）、国家社会科学基金项目（16BGL161）、浙江省自然科学基金项目(LY12G03029,LY17G030016)、浙江省社会科学界联合会重点研究项目（2017Z04）资助

作者简介:

作者简介：吕海萍（1976-）,女,浙江嵊州人,博士研究生,讲师,主要从事创新地理学、空间计量和区域经济学研究。E-mail:86851388@qq.com

展开

摘要

以中国31个省域为空间样本,运用趋势面、引力模型和探索性空间数据分析法研究中国创新资源协同空间联系的动态变化特征,通过构建创新资源协同势能与区域经济增长空间面板计量模型,实证探讨创新资源协同空间联系与区域经济增长关系。研究结果表明：2003~2014年中国各省域创新资源协同状况整体呈现“东南高,西北低”的空间分布特征;创新资源协同空间联系呈现显著的区域不平衡性,空间网络结构分布格局变化显著：从简单雏形逐渐发育为“鸡爪型”、多核心复杂化的“网络型”空间结构;创新资源协同势能呈现显著的空间正相关,主要向东部沿海地区集聚;实证结果显示中国区域经济增长存在显著的空间溢出效应,创新资源协同空间联系对区域经济增长表现出显著的促进效应,可以通过直接效应、间接效应和总效应空间溢出促进区域经济增长。

关键词： 创新资源协同 ; 空间联系 ; 经济增长 ; 空间溢出效应 ; 空间计量

Abstract

Spatial linkages of innovative resources synergy (IRS) not only can actively promote the intra-regional dynamic adjustment of IRS level, but also can promote the improvement of the inter-regional potential differences of IRS, thus, leading to a formation of new motivation of regional economic growth. But the existing studies rarely involve in the research on spatial linkages characteristics of IRS and its influence on regional economic growth. This study analyzes characteristics of spatial linkages of innovative resources synergy in 31 provinces of China using trend analysis, gravity model and exploratory spatial data analysis, further constructs a spatial panel model of spatial linkages of IRS affecting regional economic growth, investigates the specific effect of spatial linkages of IRS on regional economic growth by using spatial econometric. The conclusions are as follows: From 2003 to 2014 synergy of innovative resources of China’s 31 provinces overall show the spatial trend of “southeast high, northwest low”, and dynamic spatial differentiation of “high in east, low in west, declining in north, and rising in south”; The spatial linkages of IRS in China has the obvious regional imbalance, and its network structure has changed significantly. It now has developed into a complex multi-core “network-based” structure from a simple embryonic form in 2003 to a “chicken toe”-type in 2009; IRS potential shows the significant positive correlation and the significant spatial agglomeration trend to Eastern Coastal Area; The spatial spillover effect of regional economic growth in China is significant, and the spatial linkages of IRS has a significant positive effect on regional economic growth. It not only can promote significantly the region’s economic growth by the direct effect, but also promote significantly adjacent regions’ economic growth by the indirect and total effect. And the direct promotion effect is greater than the indirect promotion effect. Based on the above research, this article suggests that, the government should adjust the way how the innovative resources can be allocated, make the market to be the decisive role in promoting the interregional innovation resources flow, optimize the network structure of the spatial linkages of IRS, and maximize the spatial spillover effect of innovative resources synergy.

Keywords： innovative resources synergy (IRS） ; spatial linkages ; economic growth ; spatial spillover effect ; spatial econometric

PDF (1599KB) 元数据多维度评价相关文章收藏文章

本文引用格式导出 EndNote Ris Bibtex

吕海萍, 池仁勇, 化祥雨. 创新资源协同空间联系与区域经济增长——基于中国省域数据的实证分析[J]. 地理科学, 2017, 37(11): 1649-1658 https://doi.org/10.13249/j.cnki.sgs.2017.11.006

Lyu Haiping, Chi Renyong, Hua Xiangyu. Spatial Linkages of Innovative Resources Synergy and Its Impacts on Regional Economic Growth: An Empirical Study Based on Chinese Provincial Data[J]. Scientia Geographica Sinica, 2017, 37(11): 1649-1658 https://doi.org/10.13249/j.cnki.sgs.2017.11.006

创新是区域经济增长的根本动力,区域创新能力不仅取决于创新资源的投入^[1,2],更依赖于创新资源的协同利用^[3,4]。“协同”的经济学含义最早由Asnoff提出,是指多个要素在交互作用下产生一种单独要素无法实现的整体效果^[5],协同的本质是一种交互关系^[6]。区域创新方面的应用研究大多借鉴了协同的相关概念^[7],类似地,本文创新资源协同主要指创新资源间的一种交互状态。目前,国内外有关创新资源协同的研究多侧重于微观企业方面,包括技术、战略、市场、组织、文化、知识等多要素或全要素协同研究^[8~10]。已有大量研究结果证实创新资源协同对经济增长产生重要影响^[11~14],研究表明创新资源的投入禀赋不是区域经济增长的充要条件,创新资源要素相互间的协同配置更为重要。目前,现有的研究文献中存在一个共同的现象是：将区域作为封闭系统,仅研究创新资源在区域内部的静态协同配置与经济产出之间关系,缺乏空间视角,忽略了创新资源协同在不同地理空间上的相互联系和相互影响。

地理学第一定律指出,大多数空间数据具有空间相关性^[15],要素的流动是空间相关性产生的重要原因^[16]。创新资源协同在各区域中并不是静止孤立存在的,在区域间创新资源协同势差和空间相互作用的驱动下,随着创新资源要素在区际单向、双向或多向流动和转换,创新资源协同会随之在不同地理空间上产生复杂动态的相互联系和相互影响,形成创新资源协同空间联系。创新资源协同空间联系通过空间相互作用促进技术、知识等的扩散和外溢,不仅可以动态调整各区域的创新资源协同水平,也可以改善不同区域间创新资源协同势差,形成推动区域经济增长的新动力。随着区域经济开放与共享的深入,创新资源的空间流动与转换越来越频繁,创新资源协同空间联系也越来越复杂,在协同、流动、转换等空间相互作用的影响下,创新资源得以更为有效地转化为生产力^[17,18],从而推动区域经济的持续增长。目前,国内外针对创新资源协同空间联系还鲜有研究。

鉴于此,本文从空间视角引入区域创新资源协同空间联系变量,侧重考察创新资源协同空间联系的空间动态变化特征及其对区域经济增长的影响。白俊红等^[17,18]在创新资源的空间关联对创新绩效的影响研究上取得了较好的研究结论,为本文探讨创新资源协同空间联系与经济增长的机理提供了有益借鉴。以中国31个省域（不含香港、澳门、台湾）作为空间样本,运用趋势面、引力模型和探索性空间数据分析法,探析创新资源协同的空间分布特征、识别创新资源协同空间联系的网络结构和空间关联格局,构建创新资源协同空间联系与区域经济增长空间面板计量模型,揭示创新资源协同空间联系对经济增长的影响。本文研究从空间外部联系视角探索了创新资源协同对经济增长的影响,为深入理论研究经济增长提供有益借鉴,也为相关政府部门空间协同布局创新资源配置提供一定参考。

1 研究设计与数据来源

1.1 创新资源协同度量

创新资源的构成比较复杂,不同的学者对其理解也不同。广义的创新资源包含人力创新资源、物力创新资源、财力创新资源和信息创新资源^[19,20],狭义的角度则限定在人力创新资源和财力创新资源上^[20,21]。鉴于研究指标数据的可得性、一致性与连续性,本文研究主要采用狭义角度的创新资源,创新资源协同指人力创新资源与财力创新资源间相互影响相互制约的交互作用状态。目前,国内外对创新资源协同还没有统一的权威的度量方法,本文主要基于对已有创新资源协同定性描述的对比,借鉴陈收等^[22]、米雯静等^[23]在实证研究中采用交互项来测度资源协同的经验,度量创新资源协同如下所示：

$\begin{matrix} I_{it} = R E_{it} \times R P_{it} \end{matrix}$ （1）

式中,i为各区域,t为年份;RE为财力创新资源,用内部研发经费支出表示;RP为人力创新资源,用研发人员全时当量表示;I为某区域创新资源协同状况,借鉴前人研究经验^[22,23],用RE与RP的交互项来表示。

为了能直观模拟出创新资源协同在不同区域空间上的分布规律和变化趋势,进一步运用趋势面来抽象描述创新资源协同总体分异状况。假设 $\begin{matrix} Z_{i} (x_{i}, y_{i}) \end{matrix}$ 为区域 $\begin{matrix} i \end{matrix}$ 的创新资源协同水平, $\begin{matrix} (x_{i}, y_{i}) \end{matrix}$ 为平面空间坐标,根据趋势面技术公式^[24,25]可知：

$\begin{matrix} Z_{i} (x_{i}, y_{i}) = T (x_{i}, y_{i}) + ε_{i} \end{matrix}$ （2）

式中, $\begin{matrix} T (x_{i}, y_{i}) \end{matrix}$ 为趋势函数,表示大范围内的趋势值, $\begin{matrix} ε_{i} \end{matrix}$ 为自相关随机误差,表示第 $\begin{matrix} i \end{matrix}$ 个区域创新资源协同真实值与趋势值之间的偏差。本文根据历年的中国各省域创新资源协同值和地理位置,借鉴前人相关研究经验^[24,25],简单采用二阶多项式趋势函数计算创新资源协同趋势值,即：

$\begin{matrix} T (x_{i}, y_{i}) = β_{0} + β_{1} x + β_{2} y + β_{3} x^{2} + β_{4} y^{2} + β_{5} xy \end{matrix}$ （3）

1.2 创新资源协同空间联系引力模型

本文创新资源协同空间联系主要考察创新资源协同在创新资源要素区际流动等空间相互作用下形成的复杂的空间联系。鉴于实际中特别是社科领域中真实资源要素数据流难以测量和收集,引力模型理论模拟推算空间联系成为了众多学者普遍采用的主流研究方法之一。自Zipf^[26]最早将引力模型引入到城市间人口流动所产生的空间相互作用领域之后,经Witt等^[27]等进一步研究和拓展,已被广泛应用于金融^[28]、经济^[29]、创新^[17,30,31]等领域的空间联系测算研究。借鉴前人相关研究经验^[17,30,31],本文建立模拟测算创新资源协同空间联系引力模型如下：

$\begin{matrix} I G_{ij} = \frac{I_{i} \times I_{j}}{{d_{ij}}^{b}} = \frac{R E_{i} \times R P_{i} \times R E_{j} \times R P_{j}}{{d_{ij}}^{b}} \end{matrix}$ （4）

$\begin{matrix} I P_{i} = \sum_{i \neq j} I G_{ij} \end{matrix}$ （5）

式中, $\begin{matrix} I G_{ij} \end{matrix}$ 表示两区域间创新资源协同空间联系强度; $\begin{matrix} I_{i} \end{matrix}$ 、 $\begin{matrix} I_{j} \end{matrix}$ 表示区域 $\begin{matrix} i \end{matrix}$ 和区域 $\begin{matrix} j \end{matrix}$ 的创新资源协同“质量”; $\begin{matrix} d_{ij} \end{matrix}$ 为两区域间距离,结合潘文卿^[32]研究,本文采用省会城市间直线距离;b为距离摩擦系数,参考前人经验,分别取1和2时可以近似地揭示国家尺度和省区尺度的城市体系空间联系状态^[33],结合本文研究为国家尺度,b值取1。式（5）的IP定义为创新资源协同势能,用来度量该区域与其他所有区域间的创新资源协同空间联系总量。一般来说,某区域创新资源协同势能越大,中心地位相对越高,其空间辐射能力也相对越大^[28]。

1.3 创新资源协同势能空间关联模型

为进一步探索创新资源协同空间联系在不同区域的空间关联特征,确定其空间集聚和空间交互作用,本文分别运用探索性空间数据分析法中的全局和局部Moran’s I指数来探查。

创新资源协同势能全局Moran’s I指数计算公式如下^[28]：

$\begin{matrix} MI = \frac{\overset{m}{\sum_{i = 1}} \overset{m}{\sum_{j = 1}} W_{ij} (I P_{i} - \bar{IP}) (I P_{j} - \bar{IP})}{S^{2} \overset{m}{\sum_{i = 1}} \overset{m}{\sum_{j = 1}} W_{ij}} \end{matrix}$ (6)

式中, $\begin{matrix} S^{2} = \frac{1}{m} \overset{m}{\sum_{i = 1}} (I P_{i} {- \bar{IP})}^{2} \end{matrix}$ , $\begin{matrix} \bar{IP} = \frac{1}{m} \overset{m}{\sum_{i = 1}} I P_{i} \end{matrix}$ ; $\begin{matrix} W \end{matrix}$ 为空间权重矩阵,采用现有文献中通行的一阶相邻函数矩阵来表示^[34],即相邻区域赋予1,不相邻的区域赋予0。全局Moran’s I指数取值范围为[-1,1],通常采用标准化统计量 $\begin{matrix} Z = [MI - E (MI)] / \sqrt[]{VAR (MI)} \end{matrix}$ 来检验全局Moran’s I指数的显著性。Moran’s I指数大于0且Z值显著,则表明创新资源协同势能在中国各区域间为空间正相关,小于0且Z值显著,则为空间负相关。

局部Moran’s I指数（LISA）能更好地说明创新资源协同势能空间关联的局部特征。局部Moran’s I指数为正表示创新资源协同势能水平相似的区域聚集在一起,为负表示创新资源协同势能水平相异的区域集聚在一起。具体计算公式如下^[28]：

$\begin{matrix} LI = (I P_{i} - \bar{IP}) \overset{m}{\sum_{j = 1}} W_{ij} (I P_{j} - \bar{IP}) \end{matrix}$ (7)

1.4 创新资源协同势能与区域经济增长空间计量模型

为有效捕捉创新资源协同对经济增长的空间影响,本文借鉴新古典经济增长理论,并结合新经济地理学理论,假设经济增长除了取决于资本要素投入和劳动力要素投入,还受到创新资源协同空间联系的影响。鉴于随着空间经济学应用的深入,越来越多的研究^[32,35]证实中国区域经济发展存在空间溢出效应,而传统面板数据模型对空间溢出效应的解释力相对较弱。本文拟运用空间计量方法,借鉴已有研究经验^[28,32,36],分别构建空间滞后面板数据模型（Spatial Lag Panel Data Model,SLPDM）和空间误差面板数据模型（Spatial Error Panel Data Model,SEPDM）来进行实证研究。

SLPDM模型可用来检验区域经济增长是否存在空间溢出效应,构建如下：

$\begin{matrix} \ln Y_{it} = β_{1} \ln K_{it} + β_{2} \ln L_{it} + β_{3} lnI P_{i t} + β_{4} \ln M_{it} + \\ β_{5} lnI N_{it} + ρWln Y_{it} + α_{i} + v_{t} + ε_{it} \end{matrix}$ (8)

SEPDM模型可通过空间误差项相互关联来检验区域经济增长的空间依赖性,构建如下：

$\begin{matrix} \ln Y_{it} = β_{1} \ln K_{it} + β_{2} \ln L_{it} + β_{3} lnI P_{it} + \\ β_{4} \ln M_{it} + β_{5} lnI N_{it} + α_{i} + v_{t} + ε_{it} \end{matrix}$

$\begin{matrix} ε_{it} = λW ε_{i t} + μ_{it} \end{matrix}$ (9)

式（7）和（8）中, $\begin{matrix} i \end{matrix}$ 表示各区域, $\begin{matrix} t \end{matrix}$ 表示年份; $\begin{matrix} Y \end{matrix}$ 为区域经济增长,用人均GDP表示; $\begin{matrix} K \end{matrix}$ 为资本投入要素,用人均固定资产投资表示; $\begin{matrix} L \end{matrix}$ 为劳动力投入要素,用年末从业人员数占总人口比表示;IP为创新资源协同势能值即空间联系总量; $\begin{matrix} β \end{matrix}$ 为待估回归参数; $\begin{matrix} α \end{matrix}$ 、 $\begin{matrix} v \end{matrix}$ 、 $\begin{matrix} ε \end{matrix}$ 分别表示个体效应、时间效应和随机扰动项, $\begin{matrix} ε \end{matrix}$ 满足古典回归模型的所有假设条件; $\begin{matrix} Wln Y_{it} \end{matrix}$ 为邻近区域经济增长的空间加权滞后因变量; $\begin{matrix} ρ \end{matrix}$ 为空间滞后相关系数,用来测量邻近区域经济增长对本区域经济增长影响的方向和大小; $\begin{matrix} W ε_{it} \end{matrix}$ 为空间滞后误差项; $\begin{matrix} λ \end{matrix}$ 为空间滞后相关系数,用来测量回归残差之间的空间相关强度;出于稳健的考虑,并结合相关研究经验^[37,38],模型中还添加了两个控制变量IN（区域创新倾向）和M（市场化指数）,前者用人均专利申请量表示,后者用樊纲等的市场化指数表示^[39]。由于樊纲等的市场化指数只计算到2009年,本文对2010年及以后的市场化指数借鉴万勇的做法^[37]进行处理。

1.5 数据来源

本文分析中各省市的研发人员全时当量、内部研发经费支出、专利申请量来自《中国科技统计年鉴》(2004~2015)^[40]。各省市的GDP、全社会固定资产投资总额和总人口数来自《中国统计年鉴》（2004~2015）^[41]。年末全社会从业人员来自各省市的历年统计年鉴^[42]。为消除价格因素对统计数据的影响,本文以2002年为基期,用消费价格指数对GDP、固定资产投资价格指数对R&D经费内部支出和全社会固定资产投资总额分别进行了价格平减处理。研究区域不包括港澳台地区。

2 中国创新资源协同空间联系格局特征

2.1 中国创新资源协同空间趋势

根据式（1）和（2）,运用ArcGIS10.1测绘出中国各省域创新资源协同状况的立体空间趋势面（图1）。限于篇幅,以2003、2009、2014年为例。结合图1可知：10多年来中国各区域创新资源协同状况整体呈现出“东南高,西北低”的空间分异趋势特征,2009年后其立体趋势面并未出现明显的变化。东西方向上,持续呈现自西向东攀升且“东高、西低”的斜线状空间结构,表明中国东部地区的创新资源协同始终显著大于西部地区。在南北方向上,由2003年的倒U型向2009、2014年的半抛物线空间结构演变,且趋势曲线呈北端下降、南段上升态势,意味着中国北部地区的创新资源协同不升反降,而南部地区处于增大且高于北部地区态势。

显示原图| 下载原图ZIP| 生成PPT

图1 中国创新资源协同的空间趋势面

Fig.1 Spatial trend of innovative resources synergy in China

综上可见,中国各区域创新资源协同存在较为明显的空间指向性,且这一空间指向性与中国区域经济发展水平的空间布局较为吻合。从创新资源协同这一总体空间动态发展趋势表明：创新资源协同在中国各区域间可能存在着复杂的动态空间联系,这些空间联系并不是随机均匀发生,而与区域经济发展水平存在着一定的空间关联性。

2.2 中国创新资源协同空间联系网络格局

基于式（4）和（5）,可得2003~2014年中国各省域创新资源协同空间联系量和势能值。由于空间联系量和势能值太多,为研究所需,本文选取2003、2009、2014年的数值进行分析比较,如表1和图2所示。

表1 中国各省域创新资源协同势能比重值 (%)

Table 1 The proportion of the IRS potential in China (%)

省市	2003年	2009年	2014年	省市	2003年	2009年	2014年
北京	22.76	12.42	8.61	湖北	3.19	2.63	2.64
天津	3.53	2.12	2.58	湖南	0.83	1.17	1.28
河北	2.22	1.19	1.20	广东	8.70	10.46	11.89
山西	0.39	0.49	0.24	广西	0.11	0.12	0.11
内蒙古	0.06	0.11	0.11	海南	0.00	0.00	0.00
辽宁	3.90	1.53	0.87	重庆	0.26	0.23	0.26
吉林	0.43	0.23	0.11	四川	2.83	1.23	0.95
黑龙江	0.70	0.35	0.14	贵州	0.05	0.03	0.03
上海	9.07	10.02	7.25	云南	0.08	0.05	0.04
江苏	16.60	24.49	27.04	西藏	0.00	0.00	0.00
浙江	5.29	13.30	14.47	陕西	3.20	1.19	0.85
安徽	1.50	2.01	3.45	甘肃	0.15	0.05	0.04
福建	0.91	0.97	1.47	青海	0.00	0.00	0.00
江西	0.34	0.36	0.26	宁夏	0.00	0.00	0.00
山东	11.11	11.07	11.83	新疆	0.00	0.00	0.00
河南	1.78	2.18	2.27

注：势能比重值为各省、市势能值占全国势能总和的百分比（%）;0并不表示没有势能值,而是值太小,四舍五入时为0。

新窗口打开

显示原图| 下载原图ZIP| 生成PPT

图2 中国创新资源协同空间联系网络结构

Fig.2 The network structure of spatial linkages of IRS in China

综合表1和图2可知：中国创新资源协同空间联系强度区域差异大,势能中心分布比较集中,六足鼎立。中国创新资源协同势能比重第一至第六位：2003年分别是北京、江苏、山东、广东、上海和浙江,2009年分别是江苏、浙江、北京、山东、广东和上海,2014年是江苏、浙江、广东、山东、北京和上海,这前六名势能比重和均占全国70%以上。中国创新资源协同空间联系网络结构格局变化显著。与2009年、2014年相比,2003年的联系结构还较简单,还未出现流量大的网络节点中心。到2009年,发展成以山东-江苏-浙江-上海-广东为中心的“鸡爪型”网络结构。至2014年,已发育成以北京-山东-江苏-浙江-上海-广东-河南-湖北-湖南-安徽-福建等多核心的复杂化的“网络型”空间结构。整体上,创新资源协同空间联系网络已覆盖中国全部区域,空间联系方向主要由东部沿海逐渐向东北和中西部方向发展,且东部沿海与中部的空间联系强度有不断增强趋势。究其原因,与中国持续加大实施创新驱动发展战略进而加速创新资源在区域间的交互流动和转换密不可分。

表2 中国创新资源协同势能全局Moran’s I指数

Table 2 The Moran’s I number of the IRS potential in China

年份	Moran’s I值	Z值	P值
2003	0.1504	1.8826	0.0597*
2004	0.1761	2.2008	0.0277**
2005	0.2026	2.4129	0.0158**
2006	0.2548	2.8354	0.0045***
2007	0.2524	2.7766	0.0054***
2008	0.2833	3.1017	0.0019***
2009	0.3066	3.4602	0.0005***
2010	0.2947	3.3552	0.0007***
2011	0.2985	3.3643	0.0007***
2012	0.2934	3.3662	0.0007***
2013	0.3088	3.6019	0.0003***
2014	0.3157	3.7152	0.0002***

注：***、**、*分别表示能够通过显著性水平为1%、5%、10%的统计检验。

新窗口打开

2.3 中国创新资源协同势能空间关联格局

根据式（6）计算得到全局Moran’s I指数（表2）。结果表明,2003~2014年中国创新资源协同势能在所有年份均呈现了显著的空间正自相关性,说明中国创新资源协同势能表现出显著的空间关联现象。从时间维度上来看,创新资源协同势能全局Moran’s I指数值波动上升,说明中国创新资源协同势能的空间集聚态势在加强。

运用局部Moran’s I指数来进一步探查中国31个区域创新资源协同势能是否存在局部的空间依赖性和异质性。根据式（7）,分别得到2003、2009和2014年局部空间自相关LISA集聚图（图3）。其中,高-高区域表示创新资源协同势能集聚水平高的区域被集聚水平高的区域包围,高-低区域表示创新资源协同势能集聚水平高的区域被集聚水平低的区域包围,低-高区域表示创新资源协同势能集聚水平低的区域被高集聚水平区域包围,低-低区域表示创新资源协同势能集聚水平低的区域被低集聚水平区域包围。由图3可知,2003年高-高集聚区域主要在上海和江苏,说明这2个区域的创新资源协同势能水平较高,对周边区域产生的辐射和吸引能力也较强,显示出显著的空间正相关。2009与2014年,高-高集聚区域进一步向东部沿海地区拓展并稳定为上海、江苏、山东和浙江4个区域,呈现显著的局部集聚态势。以上分析已表明,中国创新资源协同势能呈现出显著的区域空间关联性,且不同区域创新资源协同势能的全局空间自相关与局部空间自相关密切相关。

显示原图| 下载原图ZIP| 生成PPT

图3 中国创新资源协同势能LISA空间集聚格局

Fig.3 The LISA spatial distribution map of the IRS potential in China

3 创新资源协同空间联系对区域经济增长影响的实证分析

3.1 空间计量结果分析

将中国各省域创新资源协同空间联系量、势能与人均GDP进行时空拟合,可看到三者呈现出整体空间拟合态势（图4）：创新资源协同空间联系强度大、空间势能高的区域,往往人均GDP也较高。白俊红等研究证实区域间创新要素的空间联系有利于知识的空间溢出,从而促进区域创新绩效的提升^[17,18]。本文类比Krugman提出的潜能理论^[43],认为当一个区域的创新资源协同水平越高时,该区域对其周边区域的创新资源空间吸引和辐射能力也就越大,意味着该区域创新资源协同水平提高对其周边区域有较强的带动作用,同时通过创新资源协同空间联系、空间集聚,改善本区域与周边区域间的创新资源协同势差,提升本区域及周边区域的创新绩效,进而增强区域间的空间溢出效应,最终影响区域经济增长。因此,本文研究假设：创新资源协同空间联系对区域经济增长具有促进效应。接下来将运用空间计量技术来验证这个假设。

显示原图| 下载原图ZIP| 生成PPT

图4 创新资源协同空间联系与人均GDP空间拟合

Fig.4 The spatial fitting of spatial linkages of IRS and the per capita GDP

先对创新资源协同势能影响经济增长的空间计量模型进行检验。通过Fisher-ADF和Fisher-PP单位根检验和Pedroni、Kao协整检验,结果显示序列非同阶单整,其中劳动力指标采用差分处理后,面板数据是平稳序列,存在协整关系,可以做下一步的回归分析。然后通过F统计量检验确定采用个体和时点双固定效应模型。根据Lagrange Multiplier（LM）检验^[44],结果显示LMLAG通过了1%的显著性检验,LMERR没有通过显著性检验,说明SLPDM模型优于SEPDM模型。为了充分探讨创新资源协同空间联系对区域经济增长的影响,研究对不包含创新资源协同势能（模型I）和包含创新资源协同势能（模型II）的两种模型分别进行OLS、SLPDM和SEPDM回归估计综合分析,结果详见表3。

表3 创新资源协同空间联系与区域经济增长回归估计结果

Table 3 The regression results of spatial linkages of IRS and regional economic growth

变量	OLS		SLPDM		SEPDM
变量	模型I	模型II	模型I	模型II	模型I	模型II
C	6.5573^③	6.3734^③
LnK	0.3548^③	0.3524^③	0.3419^③	0.3328^③	0.3512^③	0.3419^③
LnL	0.1911^①	0.1683^①	0.2201^②	0.1923^①	0.1873^①	0.1493^①
LnIP		0.0212^②		0.0396^③		0.0249^②
LnM	0.0036	0.0028	0.0051	0.0041	0.0035	0.0024
LnIN	0.0032	0.0031	0.0018	0.0012	0.0029	0.0027
$\begin{matrix} \frac{ρ}{λ} \end{matrix}$			0.1554^③	0.2113^③	0.1122	0.1735^②
R²	0.9919	0.9920	0.9922	0.9926	0.9919	0.9920
Log-L	519.7319	522.3663	523.7828	527.2375	519.8546	523.0561

注：模型I为未加入创新资源协同势能,模型II为加入创新资源协同势能;^①、^②和^③分别表示能够通过显著性水平为10%、5%和1%的统计检验。下表同。

新窗口打开

回归结果显示,模型I与模型II的SLPDM回归估计的R²和Log-L均比OLS的要大,SEPDM的Log-L也比OLS的估计值大,这表明空间经济计量模型比传统计量模型的拟合度更好,更具有解释力。对于空间相关系数ρ和λ,模型I与模型II的SLPDM在1%的水平上均通过了显著性检验,模II的SEPDM通过了5%水平上的显著性检验,说明中国区域经济增长存在着显著的空间溢出效应。

在包含创新资源协同势能的模型II中,创新资源协同势能（IP）回归系数均为正值,均通过了1%或5%的显著性检验,表明创新资源协同空间联系对区域经济增长产生了积极的促进效应,这一结论验证了本文所提出的研究假设。再对比模型I与模型II,无论是OLS,还是SLPDM和SEPDM,模型II的R²和Log-L回归估计值均大于模型I,这表明加入创新资源协同势能的模型II解释力要强于没有加入创新资源协同势能的模型I,这进一步验证了本文观点。由于模型II中考虑了创新资源协同的空间联系,K、L、M和IN变量回归系数的绝对值与模型I中的相比均出现了明显下降,这也说明包含创新资源协同势能的模型II的适合性,并再次验证创新资源协同空间联系对区域经济增长有正向影响的研究观点。模型I与模型II中的另外两个核心变量K和L的回归系数显示资本和劳动力投入要素对中国经济的快速增长均做出了重要的正向贡献,与国内相关研究的多数结论一致。对比研究还可发现,资本投入要素促进作用显著地大于劳动力要素的促进作用,表明中国现阶段的经济增长仍然处于资本驱动阶段。至于M、IN两个控制变量,对经济增长具有正向的影响但不显著,这与部分已有的研究结论差异不大^[37,38]。

3.2 效应分解

运用SLPDM检验出存在空间溢出效应后,可以利用效应分解来进一步揭示创新资源协同空间联系对经济增长的空间影响。通过Matlab7.0软件,得到效应分解结果见表4。由表4可知：创新资源协同空间联系对经济增长具有积极的正向影响,其直接效应、间接效应和总效应的回归系数在1%或5%水平上均显著为正,说明创新资源协同空间联系不仅可以通过直接效应促进本区域经济增长,还能通过间接效应、总效应促进邻近区域的经济增长,邻近区域还会以此反过来影响该区域的经济增长。通过比较可发现,直接效应要显著大于间接效应,说明目前中国创新资源协同空间联系的集聚作用大于其扩散作用。另外也可发现,K、L、M和IN对经济增长均存在着正的直接效应、间接效应和总效应。

表4 创新资源协同空间联系对经济增长的直接效应、间接效应和总效应

Table 4 The direct, indirect and total effect of spatial linkages of IRS on economic growth

变量	直接效应		间接效应		总效应
变量	模型I	模型II	模型I	模型II	模型I	模型II
LnK	0.3438^③	0.3368^③	0.0632^②	0.0854^③	0.4071^③	0.4223^③
LnL	0.2204^①	0.1896^①	0.0408^①	0.0487^①	0.2612^①	0.2384^①
LnIP		0.0399^③		0.0102^②		0.0502^③
LnM	0.0050	0.0041	0.0009	0.0011	0.0060	0.0052
LnIN	0.0021	0.0012	0.0004	0.0003	0.0026	0.0015

新窗口打开

4 结论与政策启示

本文通过趋势面、引力模型和探索性空间数据分析法,分析了2003~2014年中国省域创新资源协同空间联系的空间分布及网络结构特征。进一步,构建SLPDM和SEPDM空间面板计量模型,实证揭示了创新资源协同对区域经济增长的空间影响。主要研究结论如下：第一,2003~2014年以来,中国省域创新资源协同空间趋势面呈现了明显的“东南高,西北低”的空间指向性,从时间维度上展现出“东高、西低、北降、南升”的动态空间分异趋势,表明创新资源协同在中国各区域间存在着复杂的动态空间联系。第二,中国创新资源协同空间联系强度呈现出区域差异,其网络结构格局变化显著。从2003年简单的联结雏形到2009年以山东-江苏-浙江-上海-广东为中心的“鸡爪型”,至2014年已发育成以北京-山东-江苏-浙江-上海-广东-河南-湖北等多核心复杂化的“网络型”空间结构。第三,中国创新资源协同势能呈现显著的空间关联性,空间集聚态势明显。全局Moran’s I指数及局部Moran’s I指数均表明中国创新资源协同势能向东部沿海地区集聚的空间关联态势。第四,中国区域经济增长空间溢出效应明显,创新资源协同空间联系对区域经济增长有显著的正向促进效应,可以通过直接效应、间接效应和总效应空间溢出促进区域经济增长。

现今中国正处于一个“超连接”发展的大世界中^[45],创新资源在区域内外的动态关联已日趋常态。促进区域经济增长的新基础不再仅取决于区域内部的创新资源禀赋及协同,也取决于创新资源协同在空间相互作用下所形成的区域间的动态空间联系。因此,政府亟待创新资源配置方式,发挥市场在促进创新资源区际流动中的决定性作用,优化创新资源协同空间联系网络格局,最大限度发挥创新资源协同的空间溢出效应。值得提出的是,本文的创新资源仅是从狭义角度考虑了人力和财力这两类最基本的创新资源,影响创新资源协同空间联系的因素有很多,由于数据获得困难尚未加入本文模型,因此,综合因素的完善及理论上更深入的分析还需今后做进一步研究。

The authors have declared that no competing interests exist.

参考文献

原文顺序

文献年度倒序

文中引用次数倒序

被引期刊影响因子

[1]	Debresson C. Estimating gaps disparities,complementary and propensities to innovate[R]. Seminar on Measurement of Innovation Activities in OECD and non-OECD Countries . Pretoria,South Africa:The Department of Arts,Culture, Science and Technology and the OECD, 2001,3,28-29. [本文引用: 1]
[2]	张治河,冯陈澄,李斌,等. 科技投入对国家创新能力的提升机制研究 [J].科研管理,2014,35(4):149-160. [本文引用: 1] [Zhang Zhihe, Feng Chencheng, Li Bin et al. The research on the mechanism to enhance the national innovation capacity through S&T input. Science Research Management,2014,35(4):149-160.] [本文引用: 1]
[3]	Lixin Xu, Min Cheng. A Study on Chinese Regional Scientific Innovation Efficiency with a Perspective of Synergy Degree [J]. Technology and Investment,2013,4:229-235. https://doi.org/10.4236/ti.2013.44027 URL [本文引用: 1] 摘要 From the perspective of the process of regional scientific innovation, the regional scientific innovation system is divided into two sub-systems of technology output and economic output. We utilize the chain-DEA method to assess scientific innovation and each sub-system’s efficiencies of 30 Chinese provinces from 2001 to 2011. Results suggest that the scientific innovation and each sub-system’s efficiencies need to be improved, unequilibrium in different regions exists evidently, each sub-system efficiency of one district varies a lot and the synergy degree remains low. Next, we compute the synergy degree of the two sub-systems using the synergy degree model. By employing linear regression model, an obvious positive correlation is demonstrated between the synergy and the scientific innovation efficiency. At last, based on the results of this study and real situations of Chinese scientific innovation, some suggestions are put forward accordingly.
[4]	贺灵,单汨源,邱建华. 创新网络要素及其协同对科技创新绩效的影响研究 [J].管理评论,2012,24(8):58-68. URL [本文引用: 1] 摘要提升科技创新绩效是增强区域竞争优势的重要途径,因此关于科技创新绩效影响机理的研究受到诸多学者的重视。但很少有学者从协同理论视角实证分析区域创新网络要素及其协同对地区科技创新绩效的作用。文章运用协同度模型测度了各省级区域创新网络要素间的协同能力,并实证分析了要素及其协同能力对各地区科技创新绩效的影响。研究表明：各区域创新网络要素间协同度、科技创新绩效呈改善趋势,但总体水平较低;创新主体素质、金融机构及技术中介服务水平、政府支持力度、知识转移与应用效率及创新要素全面协同对地区科技创新绩效具有显著正向影响。硬环境与可测量部分的软环境因素在5%的显著性水平上对创新绩效的影响作用不显著,但在10%的水平上其作用是显著的。创新文化的地区差异性对科技创新绩效产生显著影响,且该影响随时间的推移而增强。最后,提出了相应策略建议。研究的结果可以为区域创新决策者提供启示,为其采取相应创新政策提供参考。 [He Ling, Shan Miyuan, Qiu Jianhua. A study of the impact of innovation network elements and synergy on technology innovation performance. Management Review,2012,24(8):58-68.] URL [本文引用: 1] 摘要提升科技创新绩效是增强区域竞争优势的重要途径,因此关于科技创新绩效影响机理的研究受到诸多学者的重视。但很少有学者从协同理论视角实证分析区域创新网络要素及其协同对地区科技创新绩效的作用。文章运用协同度模型测度了各省级区域创新网络要素间的协同能力,并实证分析了要素及其协同能力对各地区科技创新绩效的影响。研究表明：各区域创新网络要素间协同度、科技创新绩效呈改善趋势,但总体水平较低;创新主体素质、金融机构及技术中介服务水平、政府支持力度、知识转移与应用效率及创新要素全面协同对地区科技创新绩效具有显著正向影响。硬环境与可测量部分的软环境因素在5%的显著性水平上对创新绩效的影响作用不显著,但在10%的水平上其作用是显著的。创新文化的地区差异性对科技创新绩效产生显著影响,且该影响随时间的推移而增强。最后,提出了相应策略建议。研究的结果可以为区域创新决策者提供启示,为其采取相应创新政策提供参考。
[5]	Ansoff H I. Corporate strategy [M]. New York:Mcgraw-Hill,1965. [本文引用: 1]
[6]	周密,孙浬阳. 专利权转移,空间网络与京津冀协同创新研究 [J].科学学研究,2016,34(11):1736-1743,1760. URL [本文引用: 1] 摘要本文以专利权转移为视角,运用2002-2014年京津冀13城市之间的专利权双向转移数据,论证了微观主体的专利权转移行为不仅是个体行为,还事实上通过专利转移网络的空间结构和协同关系推动了中观区域层面的协同创新网络形成,并固化了不同城市在网络中的协同角色与创新位置.主要发现有:(1)13个城市间组成的协同创新网络密度疏松且可达性高,但等级森严.(2)从网络空间结构来看,京津冀协同创新网络呈现中心型-半中心型-包容型-脆弱型的复合结构.(3)从网络协同关系来看,专利转移关联关系呈现净流出、净流入、经纪人、主受益四大板块关系特征.第一板块的关系协同机制以输出-互动-吸收为主;第二板块的关系协同机制以接收为主;第三板块的关系协同机制以接收与回流-互动-传递为主;第四板块的关系协同机制以接收和回流为主.(4)地理邻近、经济差异和行政等级差异是京津冀城市间专利转移关系网络内在结构特征和关联关系差异的重要解释因素. [Zhou Mi, Sun Liyang. The transfer of patent right, characteristics of spatial network and the way for regional collaborative innovation in the area of Beijing, Tianjin and Hebei. Studies in Science of Science, 2016,34(11):1736-1743,1760.] URL [本文引用: 1] 摘要本文以专利权转移为视角,运用2002-2014年京津冀13城市之间的专利权双向转移数据,论证了微观主体的专利权转移行为不仅是个体行为,还事实上通过专利转移网络的空间结构和协同关系推动了中观区域层面的协同创新网络形成,并固化了不同城市在网络中的协同角色与创新位置.主要发现有:(1)13个城市间组成的协同创新网络密度疏松且可达性高,但等级森严.(2)从网络空间结构来看,京津冀协同创新网络呈现中心型-半中心型-包容型-脆弱型的复合结构.(3)从网络协同关系来看,专利转移关联关系呈现净流出、净流入、经纪人、主受益四大板块关系特征.第一板块的关系协同机制以输出-互动-吸收为主;第二板块的关系协同机制以接收为主;第三板块的关系协同机制以接收与回流-互动-传递为主;第四板块的关系协同机制以接收和回流为主.(4)地理邻近、经济差异和行政等级差异是京津冀城市间专利转移关系网络内在结构特征和关联关系差异的重要解释因素.
[7]	Roberto E, Aldo G. Mireille.M. Factors affecting university-industry R&D projects: the importance of searching screening and signaling [J]. Research Policy, 2006,35(2): 309-323. https://doi.org/10.1016/j.respol.2005.12.001 URL [本文引用: 1]
[8]	许庆瑞,蒋键,郑刚. 各创新要素全面协同程度与企业特质的关系实证研究 [J].研究与发展管理,2005,(3):16-21. [本文引用: 1] [Xu Qingrui,Jiang Jian,Zheng Gang. Empirical study on the relation between total synergy degree of the innovation elements and the enterprise features. R&D Management,2005,(3):16-21.] [本文引用: 1]
[9]	Goldenberg J, Horowitz R, Levav A et al. Finding your innovation sweel spol [J]. Harvard Business Review, 2003,81(3):120-130.
[10]	张方华,陶静媛. 企业内部要素协同与创新绩效的关系研究 [J].科研管理,2016,37(2):20-28. URL [本文引用: 1] 摘要通过内部要素协同改善创新绩效已成为企业提高创新能力的重要途径。本文在构建概念模型的基础上,结合问卷调查与结构方程模型,对企业内部要素全面协同、动态能力与创新绩效的关系及影响机理进行深入分析。实证研究结果表明:企业内部技术与非技术要素的协同能显著促进内部要素全面协同;企业内部要素全面协同通过动态能力这一中介变量的影响促进了企业创新能力的提高。最后,就企业如何推进内部要素全面协同,并通过影响动态能力来提升创新绩效提供对策建议。 [Zhang Fanghua, Tao Jingyuan. A study of the relationship between synergy of internal element and innovation performance. Science Research Management, 2016,37(2):20-28.] URL [本文引用: 1] 摘要通过内部要素协同改善创新绩效已成为企业提高创新能力的重要途径。本文在构建概念模型的基础上,结合问卷调查与结构方程模型,对企业内部要素全面协同、动态能力与创新绩效的关系及影响机理进行深入分析。实证研究结果表明:企业内部技术与非技术要素的协同能显著促进内部要素全面协同;企业内部要素全面协同通过动态能力这一中介变量的影响促进了企业创新能力的提高。最后,就企业如何推进内部要素全面协同,并通过影响动态能力来提升创新绩效提供对策建议。
[11]	潘昱婷,吴慈生. 经济增长要素的协同效应研究述评 [J]. 北方民族大学学报,2016,(2):131-134. URL [本文引用: 1] 摘要经济增长投入要素的多元化是经济增长和发展的新特征,各要素的协同作用,尤其是物质资本与知识资本的协同机理及路径,是研究经济增长和发展问题的新思路。 [Pan Yuting, Wu Cisheng. Review of the research on synergy effect of economic growth elements. Journal of Beifang University of Nationalities, 2016,(2):131-134.] URL [本文引用: 1] 摘要经济增长投入要素的多元化是经济增长和发展的新特征,各要素的协同作用,尤其是物质资本与知识资本的协同机理及路径,是研究经济增长和发展问题的新思路。
[12]	Robert E, Lucas Jr. Making a miracle [J]. Econometrica,1993,61(2):251-272. https://doi.org/10.2307/2951551 URL
[13]	胡鞍钢,王亚华. 中国国情分析框架:五大资本及动态变化(1980-2003) [J].管理世界,2005,(11):4-11. URL 摘要基于现代经济增长理论和世界银行的增长质量分析框架，提出新的基于物质资本、国际资本、人力资本、自然资本和知识资本的国情综合分析框架，界定了五大资本和总资本及计算方法，以此定量计算和分析了中国1980～2003年五大资本和总资本的动态变化。结果表明：改革开放以来，知识资本、国际资本、人力资本和国际资本的总量快速增长，增速大大高于同期经济增长率；由于五大资本均有不同程度的提高，导致总资本大幅度跃升；国际资本和自然资本对总资本的提升做出最大贡献。五大资本变动揭示中国大发展背后持续增强的多重驱动力，中国进一步的成功发展，需要继续实施加速积累和有效利用各类资本的综合战略。 [Hu An’gang,Wang Yahua. An analytical framework of China national conditions the five capitals and their daynamic changes(from 1980 to 2003). Management World, 2005,(11):4-11.] URL 摘要基于现代经济增长理论和世界银行的增长质量分析框架，提出新的基于物质资本、国际资本、人力资本、自然资本和知识资本的国情综合分析框架，界定了五大资本和总资本及计算方法，以此定量计算和分析了中国1980～2003年五大资本和总资本的动态变化。结果表明：改革开放以来，知识资本、国际资本、人力资本和国际资本的总量快速增长，增速大大高于同期经济增长率；由于五大资本均有不同程度的提高，导致总资本大幅度跃升；国际资本和自然资本对总资本的提升做出最大贡献。五大资本变动揭示中国大发展背后持续增强的多重驱动力，中国进一步的成功发展，需要继续实施加速积累和有效利用各类资本的综合战略。
[14]	Wu Cisheng, Song Meng. Research on the synergy model between knowledge capital and regional economic developent [J]. Proceeding of International Conference on Mangement and Service Science,Beijing,2010:664-671. https://doi.org/10.1007/978-3-642-13498-2_87 URL [本文引用: 1] 摘要 Regional knowledge capital has become one of the key factors of economic development of a nation and region, and enhanced the regional competitiveness greatly. In this paper, firstly, the connotation of the regional knowledge capital is introduced, and then the synergy model of the system between knowledge capital and regional economic growth is constructed. Secondly, the synergy of the model is analyzed, and the correctness and operability of the model is verified through a case which indicate that in the process of regional economic development, the synergy between knowledge capital and regional economic development has great influence on the sustainable development of the regional economy.
[15]	Tobler W R. Lattice Tuning [J]. Geographical Analysis,1979,11(1):36-44. [本文引用: 1]
[16]	才国伟,钱金保. 解释空间相关的来源:理论模型和经验验证 [J].经济学季刊,2013,12(3):869-894. [本文引用: 1] [Cai Guowei, Qian Jinbao. Interpretation of space related sources: theoretical model and empirical verification. China Economic Quarterly,2013,12(3): 869-894.] [本文引用: 1]
[17]	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. [本文引用: 5] [Bai Junhong, Jiang Fuxin. Synergy inovation, spatial correlation and regional innovation performance. Economic Research, 2015,(7): 174-187.] [本文引用: 5]
[18]	白俊红,王钺. 研发要素的区际流动是否促进了创新效率的提升 [J].中国科技论坛,2015,(12):27-32. URL [本文引用: 3] 摘要利用2000—2013年中国大陆30个省区的面板数据,采用空间计量分析方法,实证考察了研发要素区际流动对创新效率的影响。研究发现,RD资本的区际流动能够显著促进创新效率的提升,而RD人员的区际流动对创新效率的影响并不明显;金融环境的改善有利于发挥RD资本区际流动的效率提升效应,而随着中国交通基础设施建设的不断完善,交通基础设施已经不再是影响RD人员区际流动的重要因素。 [Bai Junhong, Wang Yue. Does the interregional flow of R&D elements promote the improvement of innovation efficiency. Forum on Science and Technology in China,2015,(12):27-32.] URL [本文引用: 3] 摘要利用2000—2013年中国大陆30个省区的面板数据,采用空间计量分析方法,实证考察了研发要素区际流动对创新效率的影响。研究发现,RD资本的区际流动能够显著促进创新效率的提升,而RD人员的区际流动对创新效率的影响并不明显;金融环境的改善有利于发挥RD资本区际流动的效率提升效应,而随着中国交通基础设施建设的不断完善,交通基础设施已经不再是影响RD人员区际流动的重要因素。
[19]	徐冠华. 加强科技资源研究,促进科技资源共享 [J].中国科技资源导刊, 2008,40(3): 3-5. https://doi.org/10.3772/j.issn.1674-1544.2008.03.001 URL [本文引用: 1] 摘要面时能源和资源的紧缺、全球气候的变化等诸多问题,人类社会需要共同寻求人与自然和谐相处的新途径。科技资源作为战略性资源,在技术创新中发挥着重要作用,成为提高自主创新能力的基础条件和有力支撑。为更好地加强科技资源研究,促进科技资源共享,本文提出了4个方面的要求和建议:要高度重视对科技资源的科学管理,要高度重视科技资源共享,要高度重视国际科技资源利用,要加强系统的理论研究。 [Xu Guanhua. Strengthening the research on S&T resources and promoting its sharing. China Scienc & Technology Resources Review,2008,40(3):3-5.] https://doi.org/10.3772/j.issn.1674-1544.2008.03.001 URL [本文引用: 1] 摘要面时能源和资源的紧缺、全球气候的变化等诸多问题,人类社会需要共同寻求人与自然和谐相处的新途径。科技资源作为战略性资源,在技术创新中发挥着重要作用,成为提高自主创新能力的基础条件和有力支撑。为更好地加强科技资源研究,促进科技资源共享,本文提出了4个方面的要求和建议:要高度重视对科技资源的科学管理,要高度重视科技资源共享,要高度重视国际科技资源利用,要加强系统的理论研究。
[20]	孙鸿烈. 中国资源科学百科全书[M]. 北京: 中国大百科全书出版社,2000. [本文引用: 2] [Sun Honglie.Encyclopedia of resource science of China.Beijing:Encycloedia of China Press,2000.] [本文引用: 2]
[21]	牛方曲,刘卫东. 中国区域科技创新资源分布及其与经济发展水平协同测度 [J].地理科学进展,2012,31(2):149-155. https://doi.org/10.11820/dlkxjz.2012.02.003 URL Magsci [本文引用: 1] 摘要 21 世纪是知识经济时代,为了提高中国的科技创新能力以促进经济快速发展,各区域进行了大量科技创新资源的建设投入。但科技投入只有真正转化为创新能力、产出创新成果,才能促进经济的发展。本文分别从国立、地方、企业三方面综合评价了各省的科技创新资源,分析其空间分布格局,并结合经济发展水平,分析了区域科技创新资源与经济发展水平之间的相关性。研究表明,中国各省科技创新资源与经济发展水平总体上呈正相关趋势,但具体到各省份,随着科技创新资源的增加,其经济发展水平却有升有降。为充分发挥区域科技创新资源的作用,提高科研成果产出,区域科技创新资源与经济发展水平的配置关系仍需优化调整。探索中国科技创新资源与经济发展水平间的驱动与响应机制,建立科学合理的决策模型,实现国家用于宏观调控的国立科技创新资源、各地区自主决策的地方科技创新资源、市场驱动的企业科技创新资源三者有机结合、高效配置,以更大程度地实现科技产出,促进经济发展,对于转型期的中国,实现由依靠传统资源要素进入到依靠科技资源支撑和推动社会经济发展的新阶段,具有重要意义。 [Niu Fangqu, Liu Weidong. The distribution of science and technology innovation resource in China and its synergic relationship with the economic development level. Progress in Geography,2012,31(2): 149-155.] https://doi.org/10.11820/dlkxjz.2012.02.003 URL Magsci [本文引用: 1] 摘要 21 世纪是知识经济时代,为了提高中国的科技创新能力以促进经济快速发展,各区域进行了大量科技创新资源的建设投入。但科技投入只有真正转化为创新能力、产出创新成果,才能促进经济的发展。本文分别从国立、地方、企业三方面综合评价了各省的科技创新资源,分析其空间分布格局,并结合经济发展水平,分析了区域科技创新资源与经济发展水平之间的相关性。研究表明,中国各省科技创新资源与经济发展水平总体上呈正相关趋势,但具体到各省份,随着科技创新资源的增加,其经济发展水平却有升有降。为充分发挥区域科技创新资源的作用,提高科研成果产出,区域科技创新资源与经济发展水平的配置关系仍需优化调整。探索中国科技创新资源与经济发展水平间的驱动与响应机制,建立科学合理的决策模型,实现国家用于宏观调控的国立科技创新资源、各地区自主决策的地方科技创新资源、市场驱动的企业科技创新资源三者有机结合、高效配置,以更大程度地实现科技产出,促进经济发展,对于转型期的中国,实现由依靠传统资源要素进入到依靠科技资源支撑和推动社会经济发展的新阶段,具有重要意义。
[22]	陈收,施秀搏,吴世园. 互补资源与创新资源协同对企业绩效的影响——环境动态性的调节作用 [J].系统工程,2015,3(1):61-67. [本文引用: 2] [Chen Shou, Shi Xiubo, Wu Shiyuan. Impact of complementary assets and innovation asset synergy on performance: from the prospect of moderating effect of environmental dynamism. Systems Engineering, 2015,3(1): 61-67.] [本文引用: 2]
[23]	米雯静,任海云. 研发投入内部要素协同匹配对绩效的影响 [J]. 科技管理研究,2015(12):19-22,27. [本文引用: 2] [Mi Wenjing, Ren Haiyun. R&D internal elements of synergy matching impact on performance . Science and Technology Management Reasearch, 2015(12): 19-22,27.] [本文引用: 2]
[24]	徐维祥,齐昕,刘程军,等. 企业创新的空间差异及影响因素研究——以浙江省为例 [J].经济地理,2015,35(12):50-56. https://doi.org/10.15957/j.cnki.jjdl.2015.12.007 URL [本文引用: 2] 摘要以浙江省县域的企业创新为例,利用空间自回归、趋势面分析以及面板数据模型等方法探讨了企业创新的空间分布、时空演化特征以及影响因素。研究表明:12007—2013年间,浙江省县域的企业创新能力持续增强,向上跃迁创新活跃区的县域主要发生在杭州湾地区以及温台连线等区域,杭州市辖区与宁波市辖区成为活跃区;2企业创新涌现了持续的空间集聚态势,且集聚的强度表现出略微右偏的倒"V"变化特征,但其总体的集聚水平还相对较弱;3企业创新整体展现出"东北高,西南低"的空间趋势特征,在东西方向上稳定地形成"两头低,中间高"倒U型的空间结构;4显著的热点区域呈增长态势,基本围绕在杭州湾地区的杭嘉绍地区,并逐渐形成了杭州市辖区与宁波市辖区为核心的两个热点区域;5全省层面而言,企业家创新精神、创新产出、创新投入和创新氛围均对企业创新具有显著的正向影响,且作用强度依次提升,在浙东北和浙西南其影响因素的作用效果存在明显差异。最后,提出了相应的对策建议。 [Xu Weixiang, Qi Xin, Liu Chengjun,etc. Spatial difference and influence factors of enterprise innovation in Case of Zhejiang Province. Economic Geography, 2015,35(12):50-56.] https://doi.org/10.15957/j.cnki.jjdl.2015.12.007 URL [本文引用: 2] 摘要以浙江省县域的企业创新为例,利用空间自回归、趋势面分析以及面板数据模型等方法探讨了企业创新的空间分布、时空演化特征以及影响因素。研究表明:12007—2013年间,浙江省县域的企业创新能力持续增强,向上跃迁创新活跃区的县域主要发生在杭州湾地区以及温台连线等区域,杭州市辖区与宁波市辖区成为活跃区;2企业创新涌现了持续的空间集聚态势,且集聚的强度表现出略微右偏的倒"V"变化特征,但其总体的集聚水平还相对较弱;3企业创新整体展现出"东北高,西南低"的空间趋势特征,在东西方向上稳定地形成"两头低,中间高"倒U型的空间结构;4显著的热点区域呈增长态势,基本围绕在杭州湾地区的杭嘉绍地区,并逐渐形成了杭州市辖区与宁波市辖区为核心的两个热点区域;5全省层面而言,企业家创新精神、创新产出、创新投入和创新氛围均对企业创新具有显著的正向影响,且作用强度依次提升,在浙东北和浙西南其影响因素的作用效果存在明显差异。最后,提出了相应的对策建议。
[25]	李强,王士君,梅林. 长春市中心城区大型超市空间演变过程及机理研究 [J].地理科学,2013,33(5):553-561. URL Magsci [本文引用: 2] 摘要 <p>以长春市中心城区1998～2011年大型超市实地调研资料为基础,运用GIS空间分析和计量统计等方法,研究长春市中心城区大型超市空间演变过程、特征和机理。研究表明,长春市中心城区大型超市的空间布局演变遵循“随机-集中-分散”规律,存在整体日益分散,局部优势区域集中;空间分布不均衡,区际间差异较大;圈层发展日趋均匀,但南北方向分异明显;空间演变格局与城市发展方向一致,连锁超市布局日趋整体化等特征。研究认为消费者因素、企业自身因素、市场因素、城市发展因素是空间演变的内在机理。</p> [Li Qiang, Wang Shijun, Mei Lin. The spatial characteristics and mechanism of supermarkets in central district of Changchun, China. Scientia Geographica Sinica, 2013,33(5):553-561.] URL Magsci [本文引用: 2] 摘要 <p>以长春市中心城区1998～2011年大型超市实地调研资料为基础,运用GIS空间分析和计量统计等方法,研究长春市中心城区大型超市空间演变过程、特征和机理。研究表明,长春市中心城区大型超市的空间布局演变遵循“随机-集中-分散”规律,存在整体日益分散,局部优势区域集中;空间分布不均衡,区际间差异较大;圈层发展日趋均匀,但南北方向分异明显;空间演变格局与城市发展方向一致,连锁超市布局日趋整体化等特征。研究认为消费者因素、企业自身因素、市场因素、城市发展因素是空间演变的内在机理。</p>
[26]	Zipf G K. The P1/P2/D hypothesis: on the intercity movement of persons [J]. American Sociological Review, 1946,11(6): 677-686. https://doi.org/10.2307/2087063 URL [本文引用: 1] 摘要 CiteSeerX - Scientific documents that cite the following paper: The P1P2/D hypothesis on the intercity movement of persons
[27]	Witt S F, Witt C A. Forecasting tourism demand: A review of empirical research [J]. International Journal of Forecasting,1995, 11(11): 447-475. https://doi.org/10.1016/0169-2070(95)00591-7 URL [本文引用: 1] 摘要 Accuracy is particularly important when forecasting tourism demand on account of the perishable nature of the product. The main methods used to forecast tourism demand which are reported in published empirical studies are discussed, together with the empirical findings. The vast majority of such studies are concerned with econometric modelling/forecasting, and the most appropriate explanatory variables are examined. Particular emphasis is placed on empirical comparisons of the accuracy of tourism forecasts generated by different techniques. Considerable scope exists for improving the model specification techniques employed in econometric forecasting of tourism demand. Furthermore, no single forecasting method performs consistently best across different situations, but autoregression, exponential smoothing and econometrics are worthy of consideration as alternatives to the no change model.
[28]	化祥雨,杨志民,叶娅芬. 金融空间联系与经济增长关系 [J].经济地理,2016,36(3): 32-40. [本文引用: 5] [Hua Xiangyu, Yang Zhimin, Ye Yafen. Spatial linkage of finance and economic growth. Economic Geograpgy, 2016, 36(3): 32-40.] [本文引用: 5]
[29]	赵东霞,韩增林,赵彪. 东北地区城市经济联系的空间格局及其演化 [J].地理科学,2016,36(6):846-854. https://doi.org/10.13249/j.cnki.sgs.2016.06.006 Magsci [本文引用: 1] 摘要 <p>基于空间相互作用的重力模型、潜能模型、隶属度模型等方法,以东北地区41个城市为研究对象,定量分析1992~2012年东北地区城市经济联系的空间格局及其演化。研究结果表明：经济联系强度与区域空间结构关系密切;东北地区经济联系强度南方高于北方、中部地区高于两侧,时空差异明显;近20 a来,以沈阳、长春、哈尔滨为代表的区域性经济发展格局基本形成,区域中心城市没有变化,但最大引力联结城市变化明显;最后,提出了流域型城市及其格局的概念,并进行了具体分析。</p> [Zhao Dongxia, Han Zenglin, Zhao Biao. Spatial Framework and Change of the Northeast China’s Economic Links. Scientia Geographica Sinica, 2016,36(6):846-854.] https://doi.org/10.13249/j.cnki.sgs.2016.06.006 Magsci [本文引用: 1] 摘要 <p>基于空间相互作用的重力模型、潜能模型、隶属度模型等方法,以东北地区41个城市为研究对象,定量分析1992~2012年东北地区城市经济联系的空间格局及其演化。研究结果表明：经济联系强度与区域空间结构关系密切;东北地区经济联系强度南方高于北方、中部地区高于两侧,时空差异明显;近20 a来,以沈阳、长春、哈尔滨为代表的区域性经济发展格局基本形成,区域中心城市没有变化,但最大引力联结城市变化明显;最后,提出了流域型城市及其格局的概念,并进行了具体分析。</p>
[30]	蒋天颖,谢敏,刘刚. 基于引力模型的区域创新产出空间联系研究——以浙江省为例 [J].地理科学,2014,34(11):1320-1326. URL Magsci [本文引用: 2] 摘要 <p>以浙江省为例,分析与探讨基于引力模型的区域创新产出空间联系。根据最大引力线数量与区域创新产出联系总量确定了区域创新产出空间联系的中心城市,并结合断裂点公式测度了中心城市的创新产出辐射范围。研究发现,与2005 年相比,2011 年各县、市区的区域创新产出联系量与区域创新产出联系总量有明显增加,但区域创新产出联系的空间格局并未有显著变化,联系密集区主要集中于杭州、宁波两地;二、三级节点城市发生明显变化,而杭州市辖区始终是浙江区域创新产出联系的中心城市;中心城市辐射区范围增大,除宁波市辖区外,中心城市对节点城市的辐射效果均略有增强。基于此,提出加大区域创新投入,优化创新环境,完善城市、县市间道路建设,加强信息发展,缩短区域之间的硬距离与软距离,增强区域创新产出的空间联系等政策建议。</p> [Jiang Tianying, Xie Min, Liu Gang. Spatial Linkage of Regional Innovation Output Based on Gravity Model: A Case Study in Zhejiang Province. Scientia Geographica Sinica, 2014,34(11):1320-1326.] URL Magsci [本文引用: 2] 摘要 <p>以浙江省为例,分析与探讨基于引力模型的区域创新产出空间联系。根据最大引力线数量与区域创新产出联系总量确定了区域创新产出空间联系的中心城市,并结合断裂点公式测度了中心城市的创新产出辐射范围。研究发现,与2005 年相比,2011 年各县、市区的区域创新产出联系量与区域创新产出联系总量有明显增加,但区域创新产出联系的空间格局并未有显著变化,联系密集区主要集中于杭州、宁波两地;二、三级节点城市发生明显变化,而杭州市辖区始终是浙江区域创新产出联系的中心城市;中心城市辐射区范围增大,除宁波市辖区外,中心城市对节点城市的辐射效果均略有增强。基于此,提出加大区域创新投入,优化创新环境,完善城市、县市间道路建设,加强信息发展,缩短区域之间的硬距离与软距离,增强区域创新产出的空间联系等政策建议。</p>
[31]	吕拉昌,梁政骥,黄茹. 中国主要城市间的创新联系研究 [J].地理科学,2015,35(1):30-37. URL Magsci [本文引用: 2] 摘要 <p>对国内外城市创新联系综述及理论分析的基础上,通过一组测度指标,界定了城市外向创新联系规模,采用引力模型,测度了中国主要城市间的创新联系强度及格局。研究表明:中国主要城市创新联系格局基本为东强西弱,东部地区城市创新联系格局显现出以上海、南京、杭州为顶角,以北京、天津,以广州、深圳为2 个底角的创新联系“金三角”。城市创新联系在空间上呈现明显的等级性:北京、上海、广州、深圳、天津、重庆等与中国的许多城市有广泛的创新联系,具有全国创新影响力;南京、杭州、武汉、郑州、济南、青岛、大连、西安等成为地区性的城市创新联系节点,具有区域性的创新影响力。在创新联系较强的东部沿海主要的经济圈,珠江三角洲经济圈城市间创新联系最强,但外向辐射力有限;长江三角洲经济圈内部创新联系较强,并与环渤海经济圈有较强的创新联系, 环渤海经济圈内部北京、天津、唐山具有较强的创新联系,外向辐射以长江三角洲的城市为主。对中国创新联系格局规律的揭示,更进一步强化了中国创新城市体系中城市的作用,并为规划与建立中国创新都市圈提供依据。</p> [Lyu Lachang, Lian Zhengji, Huang Ru. The innovation linkage among chinese major cities . Scientia Geographica Sinica, 2015,35(1):30-37.] URL Magsci [本文引用: 2] 摘要 <p>对国内外城市创新联系综述及理论分析的基础上,通过一组测度指标,界定了城市外向创新联系规模,采用引力模型,测度了中国主要城市间的创新联系强度及格局。研究表明:中国主要城市创新联系格局基本为东强西弱,东部地区城市创新联系格局显现出以上海、南京、杭州为顶角,以北京、天津,以广州、深圳为2 个底角的创新联系“金三角”。城市创新联系在空间上呈现明显的等级性:北京、上海、广州、深圳、天津、重庆等与中国的许多城市有广泛的创新联系,具有全国创新影响力;南京、杭州、武汉、郑州、济南、青岛、大连、西安等成为地区性的城市创新联系节点,具有区域性的创新影响力。在创新联系较强的东部沿海主要的经济圈,珠江三角洲经济圈城市间创新联系最强,但外向辐射力有限;长江三角洲经济圈内部创新联系较强,并与环渤海经济圈有较强的创新联系, 环渤海经济圈内部北京、天津、唐山具有较强的创新联系,外向辐射以长江三角洲的城市为主。对中国创新联系格局规律的揭示,更进一步强化了中国创新城市体系中城市的作用,并为规划与建立中国创新都市圈提供依据。</p>
[32]	潘文卿. 中国的区域关联与经济增长的空间溢出效应 [J].经济研究,2012,(1):54-65. [本文引用: 3] [Pan Wenqing. Regional linkage and the spatial spillover effects on regional economic growth in China. Economic Research, 2012,(1):54-65.] [本文引用: 3]
[33]	杨志民,化祥雨,邵元海,等. 外商直接投资空间联系研究—以浙江省为例 [J].经济地理,2013,11(21):21-27. URL [本文引用: 1] 摘要运用引力模型,结合ArcGIS 10.1软件平台,分析了浙江省外商直接投资空间联系特征.结果表明:近10年来浙江省外商直接投资空间联系最大引力线格局较为稳定;空间联系网络结构变化明显,由简单的“勾型”空间结构发展成复杂的“网络型”空间结构;杭州市和宁波市的外商直接投资中心县域核心地位突出,形成了环杭州湾外商直接投资集聚区域;杭州市和宁波市的外商直接投资辐射范围覆盖其周围一些县域和中部许多县域,辐射范围有所重叠,形成双辐射区域,并向中部地区延伸. [Yang Zhimin, Hua Xiangyu, Shao Yuanhai et al. Research on spatial linkages of foreign direct investment —A case study of Zhejiang Province. Economic Geography,2013,11(21):21-27.] URL [本文引用: 1] 摘要运用引力模型,结合ArcGIS 10.1软件平台,分析了浙江省外商直接投资空间联系特征.结果表明:近10年来浙江省外商直接投资空间联系最大引力线格局较为稳定;空间联系网络结构变化明显,由简单的“勾型”空间结构发展成复杂的“网络型”空间结构;杭州市和宁波市的外商直接投资中心县域核心地位突出,形成了环杭州湾外商直接投资集聚区域;杭州市和宁波市的外商直接投资辐射范围覆盖其周围一些县域和中部许多县域,辐射范围有所重叠,形成双辐射区域,并向中部地区延伸.
[34]	Lesage J P. The theory and practice of spatial econometries [EB/OL].,1999. URL [本文引用: 1]
[35]	Groenewold N, Lee G, Chen A. Inter-regional spillovers in China: the importance of Common Shocks and the definition of the regions [J]. China Economic Review, 2008, 19:32-52. https://doi.org/10.1016/j.chieco.2007.10.002 URL [本文引用: 1] 摘要 This paper examines the question of inter-regional spillovers in China. We argue that this is a central question in Chinese economic policy, given the marked regional disparities that exist and the concern of policy-makers to ameliorate them. We analyse this question within the framework of a six-region vector-autoregressive model which we subject to extensive sensitivity analysis, with particular attention paid to the effects on the results of strong common output movements. We find the results of dynamic simulations to be importantly dependent on model specification; in particular, they are sensitive to the order in which the variables enter the model. After an assessment of various alternatives, we are able to specify a model with tolerable robustness by using data which has been purged of the effects of national output fluctuations. We find some expected but also some unexpected results. In the first category, the Yellow River and Changjiang River regions are found to have spillover effects on other regions although they are more extensive for the former; the South Western region has no significant spillover effects on the rest of the country, consistently with the results of previous research. However, in contrast both to other research and to our expectations, shocks to the South East region affect mainly the region itself with little spillover to the other regions. The same is true of the North East region while the North West region has extensive spillovers to other regions. We conclude that there is still much to be learned about the magnitude and timing of inter-regional spillovers before firm policy conclusions can be drawn.
[36]	Anselin L, Spatial ecomometrics: methods and models [M]. Dordrecht: Kluwer Academic Publishers,1988. [本文引用: 1]
[37]	万勇. 创新要素、空间格局与经济增长 [J].社会科学,2014,(10):47-55. https://doi.org/10.3969/j.issn.0257-5833.2014.10.006 URL [本文引用: 3] 摘要采用1998-2011年间中国30个省份数据，研究分析中国人力创新要素、资本创新要素、产业创新要素的空间分布状况与中国30个省区创新要素的经济增长效应。结果表明，资本创新要素是中国省区经济增长的火车头，产业创新要素的经济增长效应与区域经济发展水平呈正相关，人力创新要素对经济增长推动效应的发挥须经历“磨合周期”的考验。为此，加大研发资金的金融产品创新力度，以促进产业结构与空间结构的耦合式优化，推动研发人员的空间集聚与知识共享。 [Wan Yong. Innovative elements, spatial pattern and economic growth. Social Science,2014,(10): 47-55.] https://doi.org/10.3969/j.issn.0257-5833.2014.10.006 URL [本文引用: 3] 摘要采用1998-2011年间中国30个省份数据，研究分析中国人力创新要素、资本创新要素、产业创新要素的空间分布状况与中国30个省区创新要素的经济增长效应。结果表明，资本创新要素是中国省区经济增长的火车头，产业创新要素的经济增长效应与区域经济发展水平呈正相关，人力创新要素对经济增长推动效应的发挥须经历“磨合周期”的考验。为此，加大研发资金的金融产品创新力度，以促进产业结构与空间结构的耦合式优化，推动研发人员的空间集聚与知识共享。
[38]	张杰,高德步,夏胤磊. 专利能否促进中国经济增长——基于中国专利资助政策视角的一个解释 [J].中国工业经济,2016,(1):83-98. URL [本文引用: 2] 摘要本文利用中国各省份1985-2012年面板数据，从人均真实GDP增长率以及经济增长质量所蕴含的速度和质量两个视角来实证研究三种类型专利授权量对中国经济增长可能产生的作用效应。主要发现是：总体来看，发明专利对各省份人均真实GDP增长率造成显著U型作用效应．而实用新型和外观设计专利未产生显著的作用效应：以中国各省份出台专利资助政策为界限．发现1999年前后不同时期中三种类型专利对各省份人均真实GDP增长率的作用效应存在显著的差异性．且1999年后三种类型专利对各省份经济增长质量并未造成理论预期的促进效应：扣除专利资助政策信息后的发明和实用新型专利对各省份人均真实GDP增长率和经济增长质量造成了显著的促进效应。本文的经验发现在一定程度上验证了中国各省份竞相出台的专利资助政策可能造成专利“泡沫”现象的发生．进而导致专利对中国经济增长的促进作用发生了扭曲效应。 [Zhang Jie, Gao Debu, Xia Yinlei. Can patents promote economic growth in China: an explanation of China’s patent grant policy perspective . China,Industrial Economics, 2016,(1):83-98.] URL [本文引用: 2] 摘要本文利用中国各省份1985-2012年面板数据，从人均真实GDP增长率以及经济增长质量所蕴含的速度和质量两个视角来实证研究三种类型专利授权量对中国经济增长可能产生的作用效应。主要发现是：总体来看，发明专利对各省份人均真实GDP增长率造成显著U型作用效应．而实用新型和外观设计专利未产生显著的作用效应：以中国各省份出台专利资助政策为界限．发现1999年前后不同时期中三种类型专利对各省份人均真实GDP增长率的作用效应存在显著的差异性．且1999年后三种类型专利对各省份经济增长质量并未造成理论预期的促进效应：扣除专利资助政策信息后的发明和实用新型专利对各省份人均真实GDP增长率和经济增长质量造成了显著的促进效应。本文的经验发现在一定程度上验证了中国各省份竞相出台的专利资助政策可能造成专利“泡沫”现象的发生．进而导致专利对中国经济增长的促进作用发生了扭曲效应。
[39]	樊纲,王小鲁,朱恒鹏.中国市场化指数——各地区市场化相对进程2011年报告[M].北京:经济科学出版社,2011. [本文引用: 1] [Fang Gang, Wang Xiaolu, Zhu Hengpeng.China’s marketization index: the relative progress of marketization of regions in 2011. Beijing: Economic Science Press, 2011.] [本文引用: 1]
[40]	国家统计局,科学技术部.中国科技统计年鉴[M].北京:中国统计出版社,2004-2015. [本文引用: 1] [National Bureau of Statistics, Ministry of Science and Technology. China Statistical Yearbook on Science and Technology. Beijing: China Statistics Press,2004-2015.] [本文引用: 1]
[41]	国家统计局.中国统计年鉴[M].北京:中国统计出版社,2004-2015. [本文引用: 1] [National Bureau of Statistics. China Statistical Yearbook. Beijing: China Statistics Press,2004-2015.]. [本文引用: 1]
[42]	国家统计局.省市统计年鉴[M].北京:中国统计出版社,2004-2015. [本文引用: 1] [National Bureau of Statistics. Provincial Statistical Yearbook. Beijing: China Statistics Press,2004-2015.] [本文引用: 1]
[43]	Fujita M, Krugman P. When is the economy monocentric?: Von Thünen and Chamberlin unified [J]. Regional Science and Urban Economics,1995,25(4):505-528. https://doi.org/10.1016/0166-0462(95)02098-F URL [本文引用: 1] 摘要 No abstract is available for this item.
[44]	Anselin L. Local indicators of spatial association-LISA [J]. Geographical Analysis, 1995, 27(2): 93-115. [本文引用: 1]
[45]	Pentland A.Social physics:how good ideas spread—The lessons from a new science[M]. New York:The Penguin Press, 2014. [本文引用: 1]

Estimating gaps disparities,complementary and propensities to innovate[R]. Seminar on Measurement of Innovation Activities in OECD and non-OECD Countries

2001

... 创新是区域经济增长的根本动力,区域创新能力不仅取决于创新资源的投入^[1,2],更依赖于创新资源的协同利用^[3,4].“协同”的经济学含义最早由Asnoff提出,是指多个要素在交互作用下产生一种单独要素无法实现的整体效果^[5],协同的本质是一种交互关系^[6].区域创新方面的应用研究大多借鉴了协同的相关概念^[7],类似地,本文创新资源协同主要指创新资源间的一种交互状态.目前,国内外有关创新资源协同的研究多侧重于微观企业方面,包括技术、战略、市场、组织、文化、知识等多要素或全要素协同研究^[8~10].已有大量研究结果证实创新资源协同对经济增长产生重要影响^[11~14],研究表明创新资源的投入禀赋不是区域经济增长的充要条件,创新资源要素相互间的协同配置更为重要.目前,现有的研究文献中存在一个共同的现象是：将区域作为封闭系统,仅研究创新资源在区域内部的静态协同配置与经济产出之间关系,缺乏空间视角,忽略了创新资源协同在不同地理空间上的相互联系和相互影响. ...

科技投入对国家创新能力的提升机制研究

2014

科技投入对国家创新能力的提升机制研究

2014

A Study on Chinese Regional Scientific Innovation Efficiency with a Perspective of Synergy Degree

2013

创新网络要素及其协同对科技创新绩效的影响研究

2012

创新网络要素及其协同对科技创新绩效的影响研究

2012

Corporate strategy

1965

专利权转移,空间网络与京津冀协同创新研究

2016

专利权转移,空间网络与京津冀协同创新研究

2016

Factors affecting university-industry R&D projects: the importance of searching screening and signaling

2006

各创新要素全面协同程度与企业特质的关系实证研究

2005

各创新要素全面协同程度与企业特质的关系实证研究

2005

Finding your innovation sweel spol

2003

企业内部要素协同与创新绩效的关系研究

2016

企业内部要素协同与创新绩效的关系研究

2016

经济增长要素的协同效应研究述评

2016

经济增长要素的协同效应研究述评

2016

Making a miracle

1993

中国国情分析框架:五大资本及动态变化(1980-2003)

2005

中国国情分析框架:五大资本及动态变化(1980-2003)

2005

Research on the synergy model between knowledge capital and regional economic developent

2010

Lattice Tuning

1979

... 地理学第一定律指出,大多数空间数据具有空间相关性^[15],要素的流动是空间相关性产生的重要原因^[16].创新资源协同在各区域中并不是静止孤立存在的,在区域间创新资源协同势差和空间相互作用的驱动下,随着创新资源要素在区际单向、双向或多向流动和转换,创新资源协同会随之在不同地理空间上产生复杂动态的相互联系和相互影响,形成创新资源协同空间联系.创新资源协同空间联系通过空间相互作用促进技术、知识等的扩散和外溢,不仅可以动态调整各区域的创新资源协同水平,也可以改善不同区域间创新资源协同势差,形成推动区域经济增长的新动力.随着区域经济开放与共享的深入,创新资源的空间流动与转换越来越频繁,创新资源协同空间联系也越来越复杂,在协同、流动、转换等空间相互作用的影响下,创新资源得以更为有效地转化为生产力^[17,18],从而推动区域经济的持续增长.目前,国内外针对创新资源协同空间联系还鲜有研究. ...

解释空间相关的来源:理论模型和经验验证

2013

解释空间相关的来源:理论模型和经验验证

2013

协同创新、空间关联与区域创新绩效

2015

... 鉴于此,本文从空间视角引入区域创新资源协同空间联系变量,侧重考察创新资源协同空间联系的空间动态变化特征及其对区域经济增长的影响.白俊红等^[17,18]在创新资源的空间关联对创新绩效的影响研究上取得了较好的研究结论,为本文探讨创新资源协同空间联系与经济增长的机理提供了有益借鉴.以中国31个省域（不含香港、澳门、台湾）作为空间样本,运用趋势面、引力模型和探索性空间数据分析法,探析创新资源协同的空间分布特征、识别创新资源协同空间联系的网络结构和空间关联格局,构建创新资源协同空间联系与区域经济增长空间面板计量模型,揭示创新资源协同空间联系对经济增长的影响.本文研究从空间外部联系视角探索了创新资源协同对经济增长的影响,为深入理论研究经济增长提供有益借鉴,也为相关政府部门空间协同布局创新资源配置提供一定参考. ...

... 本文创新资源协同空间联系主要考察创新资源协同在创新资源要素区际流动等空间相互作用下形成的复杂的空间联系.鉴于实际中特别是社科领域中真实资源要素数据流难以测量和收集,引力模型理论模拟推算空间联系成为了众多学者普遍采用的主流研究方法之一.自Zipf^[26]最早将引力模型引入到城市间人口流动所产生的空间相互作用领域之后,经Witt等^[27]等进一步研究和拓展,已被广泛应用于金融^[28]、经济^[29]、创新^[17,30,31]等领域的空间联系测算研究.借鉴前人相关研究经验^[17,30,31],本文建立模拟测算创新资源协同空间联系引力模型如下： ...

... [17,30,31],本文建立模拟测算创新资源协同空间联系引力模型如下： ...

... 将中国各省域创新资源协同空间联系量、势能与人均GDP进行时空拟合,可看到三者呈现出整体空间拟合态势（图4）：创新资源协同空间联系强度大、空间势能高的区域,往往人均GDP也较高.白俊红等研究证实区域间创新要素的空间联系有利于知识的空间溢出,从而促进区域创新绩效的提升^[17,18].本文类比Krugman提出的潜能理论^[43],认为当一个区域的创新资源协同水平越高时,该区域对其周边区域的创新资源空间吸引和辐射能力也就越大,意味着该区域创新资源协同水平提高对其周边区域有较强的带动作用,同时通过创新资源协同空间联系、空间集聚,改善本区域与周边区域间的创新资源协同势差,提升本区域及周边区域的创新绩效,进而增强区域间的空间溢出效应,最终影响区域经济增长.因此,本文研究假设：创新资源协同空间联系对区域经济增长具有促进效应.接下来将运用空间计量技术来验证这个假设. ...

协同创新、空间关联与区域创新绩效

2015

... [17,30,31],本文建立模拟测算创新资源协同空间联系引力模型如下： ...

研发要素的区际流动是否促进了创新效率的提升

2015

研发要素的区际流动是否促进了创新效率的提升

2015

加强科技资源研究,促进科技资源共享

2008

... 创新资源的构成比较复杂,不同的学者对其理解也不同.广义的创新资源包含人力创新资源、物力创新资源、财力创新资源和信息创新资源^[19,20],狭义的角度则限定在人力创新资源和财力创新资源上^[20,21].鉴于研究指标数据的可得性、一致性与连续性,本文研究主要采用狭义角度的创新资源,创新资源协同指人力创新资源与财力创新资源间相互影响相互制约的交互作用状态.目前,国内外对创新资源协同还没有统一的权威的度量方法,本文主要基于对已有创新资源协同定性描述的对比,借鉴陈收等^[22]、米雯静等^[23]在实证研究中采用交互项来测度资源协同的经验,度量创新资源协同如下所示： ...

加强科技资源研究,促进科技资源共享

2008

2000

... [20,21].鉴于研究指标数据的可得性、一致性与连续性,本文研究主要采用狭义角度的创新资源,创新资源协同指人力创新资源与财力创新资源间相互影响相互制约的交互作用状态.目前,国内外对创新资源协同还没有统一的权威的度量方法,本文主要基于对已有创新资源协同定性描述的对比,借鉴陈收等^[22]、米雯静等^[23]在实证研究中采用交互项来测度资源协同的经验,度量创新资源协同如下所示： ...

2000

中国区域科技创新资源分布及其与经济发展水平协同测度

2012

中国区域科技创新资源分布及其与经济发展水平协同测度

2012

互补资源与创新资源协同对企业绩效的影响——环境动态性的调节作用

2015

... 式中,i为各区域,t为年份;RE为财力创新资源,用内部研发经费支出表示;RP为人力创新资源,用研发人员全时当量表示;I为某区域创新资源协同状况,借鉴前人研究经验^[22,23],用RE与RP的交互项来表示. ...

互补资源与创新资源协同对企业绩效的影响——环境动态性的调节作用

2015

研发投入内部要素协同匹配对绩效的影响

2015

研发投入内部要素协同匹配对绩效的影响

2015

企业创新的空间差异及影响因素研究——以浙江省为例

2015

... 为了能直观模拟出创新资源协同在不同区域空间上的分布规律和变化趋势,进一步运用趋势面来抽象描述创新资源协同总体分异状况.假设

\begin{matrix} Z_{i} (x_{i}, y_{i}) \end{matrix}

为区域

\begin{matrix} i \end{matrix}

的创新资源协同水平,

\begin{matrix} (x_{i}, y_{i}) \end{matrix}

为平面空间坐标,根据趋势面技术公式^[24,25]可知： ...

... 式中,

\begin{matrix} T (x_{i}, y_{i}) \end{matrix}

为趋势函数,表示大范围内的趋势值,

\begin{matrix} ε_{i} \end{matrix}

为自相关随机误差,表示第

\begin{matrix} i \end{matrix}

个区域创新资源协同真实值与趋势值之间的偏差.本文根据历年的中国各省域创新资源协同值和地理位置,借鉴前人相关研究经验^[24,25],简单采用二阶多项式趋势函数计算创新资源协同趋势值,即： ...

企业创新的空间差异及影响因素研究——以浙江省为例

2015

... 为了能直观模拟出创新资源协同在不同区域空间上的分布规律和变化趋势,进一步运用趋势面来抽象描述创新资源协同总体分异状况.假设

\begin{matrix} Z_{i} (x_{i}, y_{i}) \end{matrix}

为区域

\begin{matrix} i \end{matrix}

的创新资源协同水平,

\begin{matrix} (x_{i}, y_{i}) \end{matrix}

为平面空间坐标,根据趋势面技术公式^[24,25]可知： ...

... 式中,

\begin{matrix} T (x_{i}, y_{i}) \end{matrix}

为趋势函数,表示大范围内的趋势值,

\begin{matrix} ε_{i} \end{matrix}

为自相关随机误差,表示第

\begin{matrix} i \end{matrix}

长春市中心城区大型超市空间演变过程及机理研究

2013

... 为了能直观模拟出创新资源协同在不同区域空间上的分布规律和变化趋势,进一步运用趋势面来抽象描述创新资源协同总体分异状况.假设

\begin{matrix} Z_{i} (x_{i}, y_{i}) \end{matrix}

为区域

\begin{matrix} i \end{matrix}

的创新资源协同水平,

\begin{matrix} (x_{i}, y_{i}) \end{matrix}

为平面空间坐标,根据趋势面技术公式^[24,25]可知： ...

... 式中,

\begin{matrix} T (x_{i}, y_{i}) \end{matrix}

为趋势函数,表示大范围内的趋势值,

\begin{matrix} ε_{i} \end{matrix}

为自相关随机误差,表示第

\begin{matrix} i \end{matrix}

长春市中心城区大型超市空间演变过程及机理研究

2013

... 为了能直观模拟出创新资源协同在不同区域空间上的分布规律和变化趋势,进一步运用趋势面来抽象描述创新资源协同总体分异状况.假设

\begin{matrix} Z_{i} (x_{i}, y_{i}) \end{matrix}

为区域

\begin{matrix} i \end{matrix}

的创新资源协同水平,

\begin{matrix} (x_{i}, y_{i}) \end{matrix}

为平面空间坐标,根据趋势面技术公式^[24,25]可知： ...

... 式中,

\begin{matrix} T (x_{i}, y_{i}) \end{matrix}

为趋势函数,表示大范围内的趋势值,

\begin{matrix} ε_{i} \end{matrix}

为自相关随机误差,表示第

\begin{matrix} i \end{matrix}

The P1/P2/D hypothesis: on the intercity movement of persons

1946

Forecasting tourism demand: A review of empirical research

1995

金融空间联系与经济增长关系

2016

... 式中,

\begin{matrix} I G_{ij} \end{matrix}

表示两区域间创新资源协同空间联系强度;

\begin{matrix} I_{i} \end{matrix}

、

\begin{matrix} I_{j} \end{matrix}

表示区域

\begin{matrix} i \end{matrix}

和区域

\begin{matrix} j \end{matrix}

的创新资源协同“质量”;

\begin{matrix} d_{ij} \end{matrix}

为两区域间距离,结合潘文卿^[32]研究,本文采用省会城市间直线距离;b为距离摩擦系数,参考前人经验,分别取1和2时可以近似地揭示国家尺度和省区尺度的城市体系空间联系状态^[33],结合本文研究为国家尺度,b值取1.式（5）的IP定义为创新资源协同势能,用来度量该区域与其他所有区域间的创新资源协同空间联系总量.一般来说,某区域创新资源协同势能越大,中心地位相对越高,其空间辐射能力也相对越大^[28]. ...

... 创新资源协同势能全局Moran’s I指数计算公式如下^[28]： ...

... 局部Moran’s I指数（LISA）能更好地说明创新资源协同势能空间关联的局部特征.局部Moran’s I指数为正表示创新资源协同势能水平相似的区域聚集在一起,为负表示创新资源协同势能水平相异的区域集聚在一起.具体计算公式如下^[28]： ...

... 为有效捕捉创新资源协同对经济增长的空间影响,本文借鉴新古典经济增长理论,并结合新经济地理学理论,假设经济增长除了取决于资本要素投入和劳动力要素投入,还受到创新资源协同空间联系的影响.鉴于随着空间经济学应用的深入,越来越多的研究^[32,35]证实中国区域经济发展存在空间溢出效应,而传统面板数据模型对空间溢出效应的解释力相对较弱.本文拟运用空间计量方法,借鉴已有研究经验^[28,32,36],分别构建空间滞后面板数据模型（Spatial Lag Panel Data Model,SLPDM）和空间误差面板数据模型（Spatial Error Panel Data Model,SEPDM）来进行实证研究. ...

金融空间联系与经济增长关系

2016

... 式中,

\begin{matrix} I G_{ij} \end{matrix}

表示两区域间创新资源协同空间联系强度;

\begin{matrix} I_{i} \end{matrix}

、

\begin{matrix} I_{j} \end{matrix}

表示区域

\begin{matrix} i \end{matrix}

和区域

\begin{matrix} j \end{matrix}

的创新资源协同“质量”;

\begin{matrix} d_{ij} \end{matrix}

... 创新资源协同势能全局Moran’s I指数计算公式如下^[28]： ...

东北地区城市经济联系的空间格局及其演化

2016

东北地区城市经济联系的空间格局及其演化

2016

基于引力模型的区域创新产出空间联系研究——以浙江省为例

2014

... ,30,31],本文建立模拟测算创新资源协同空间联系引力模型如下： ...

基于引力模型的区域创新产出空间联系研究——以浙江省为例

2014

... ,30,31],本文建立模拟测算创新资源协同空间联系引力模型如下： ...

中国主要城市间的创新联系研究

2015

... ,31],本文建立模拟测算创新资源协同空间联系引力模型如下： ...

中国主要城市间的创新联系研究

2015

... ,31],本文建立模拟测算创新资源协同空间联系引力模型如下： ...

中国的区域关联与经济增长的空间溢出效应

2012

... 式中,

\begin{matrix} I G_{ij} \end{matrix}

表示两区域间创新资源协同空间联系强度;

\begin{matrix} I_{i} \end{matrix}

、

\begin{matrix} I_{j} \end{matrix}

表示区域

\begin{matrix} i \end{matrix}

和区域

\begin{matrix} j \end{matrix}

的创新资源协同“质量”;

\begin{matrix} d_{ij} \end{matrix}

... ,32,36],分别构建空间滞后面板数据模型（Spatial Lag Panel Data Model,SLPDM）和空间误差面板数据模型（Spatial Error Panel Data Model,SEPDM）来进行实证研究. ...

中国的区域关联与经济增长的空间溢出效应

2012

... 式中,

\begin{matrix} I G_{ij} \end{matrix}

表示两区域间创新资源协同空间联系强度;

\begin{matrix} I_{i} \end{matrix}

、

\begin{matrix} I_{j} \end{matrix}

表示区域

\begin{matrix} i \end{matrix}

和区域

\begin{matrix} j \end{matrix}

的创新资源协同“质量”;

\begin{matrix} d_{ij} \end{matrix}

... ,32,36],分别构建空间滞后面板数据模型（Spatial Lag Panel Data Model,SLPDM）和空间误差面板数据模型（Spatial Error Panel Data Model,SEPDM）来进行实证研究. ...

外商直接投资空间联系研究—以浙江省为例

2013

... 式中,

\begin{matrix} I G_{ij} \end{matrix}

表示两区域间创新资源协同空间联系强度;

\begin{matrix} I_{i} \end{matrix}

、

\begin{matrix} I_{j} \end{matrix}

表示区域

\begin{matrix} i \end{matrix}

和区域

\begin{matrix} j \end{matrix}

的创新资源协同“质量”;

\begin{matrix} d_{ij} \end{matrix}

外商直接投资空间联系研究—以浙江省为例

2013

... 式中,

\begin{matrix} I G_{ij} \end{matrix}

表示两区域间创新资源协同空间联系强度;

\begin{matrix} I_{i} \end{matrix}

、

\begin{matrix} I_{j} \end{matrix}

表示区域

\begin{matrix} i \end{matrix}

和区域

\begin{matrix} j \end{matrix}

的创新资源协同“质量”;

\begin{matrix} d_{ij} \end{matrix}

The theory and practice of spatial econometries

1999

... 式中,

\begin{matrix} S^{2} = \frac{1}{m} \overset{m}{\sum_{i = 1}} (I P_{i} {- \bar{IP})}^{2} \end{matrix}

\begin{matrix} \bar{IP} = \frac{1}{m} \overset{m}{\sum_{i = 1}} I P_{i} \end{matrix}

;

\begin{matrix} W \end{matrix}

为空间权重矩阵,采用现有文献中通行的一阶相邻函数矩阵来表示^[34],即相邻区域赋予1,不相邻的区域赋予0.全局Moran’s I指数取值范围为[-1,1],通常采用标准化统计量

\begin{matrix} Z = [MI - E (MI)] / \sqrt[]{VAR (MI)} \end{matrix}

来检验全局Moran’s I指数的显著性.Moran’s I指数大于0且Z值显著,则表明创新资源协同势能在中国各区域间为空间正相关,小于0且Z值显著,则为空间负相关. ...

Inter-regional spillovers in China: the importance of Common Shocks and the definition of the regions

2008

Spatial ecomometrics: methods and models

1988

创新要素、空间格局与经济增长

2014

... 式（7）和（8）中,

\begin{matrix} i \end{matrix}

表示各区域,

\begin{matrix} t \end{matrix}

表示年份;

\begin{matrix} Y \end{matrix}

为区域经济增长,用人均GDP表示;

\begin{matrix} K \end{matrix}

为资本投入要素,用人均固定资产投资表示;

\begin{matrix} L \end{matrix}

为劳动力投入要素,用年末从业人员数占总人口比表示;IP为创新资源协同势能值即空间联系总量;

\begin{matrix} β \end{matrix}

为待估回归参数;

\begin{matrix} α \end{matrix}

、

\begin{matrix} v \end{matrix}

、

\begin{matrix} ε \end{matrix}

分别表示个体效应、时间效应和随机扰动项,

\begin{matrix} ε \end{matrix}

满足古典回归模型的所有假设条件;

\begin{matrix} Wln Y_{it} \end{matrix}

为邻近区域经济增长的空间加权滞后因变量;

\begin{matrix} ρ \end{matrix}

为空间滞后相关系数,用来测量邻近区域经济增长对本区域经济增长影响的方向和大小;

\begin{matrix} W ε_{it} \end{matrix}

为空间滞后误差项;

\begin{matrix} λ \end{matrix}

为空间滞后相关系数,用来测量回归残差之间的空间相关强度;出于稳健的考虑,并结合相关研究经验^[37,38],模型中还添加了两个控制变量IN（区域创新倾向）和M（市场化指数）,前者用人均专利申请量表示,后者用樊纲等的市场化指数表示^[39].由于樊纲等的市场化指数只计算到2009年,本文对2010年及以后的市场化指数借鉴万勇的做法^[37]进行处理. ...

... [37]进行处理. ...

... 在包含创新资源协同势能的模型II中,创新资源协同势能（IP）回归系数均为正值,均通过了1%或5%的显著性检验,表明创新资源协同空间联系对区域经济增长产生了积极的促进效应,这一结论验证了本文所提出的研究假设.再对比模型I与模型II,无论是OLS,还是SLPDM和SEPDM,模型II的R²和Log-L回归估计值均大于模型I,这表明加入创新资源协同势能的模型II解释力要强于没有加入创新资源协同势能的模型I,这进一步验证了本文观点.由于模型II中考虑了创新资源协同的空间联系,K、L、M和IN变量回归系数的绝对值与模型I中的相比均出现了明显下降,这也说明包含创新资源协同势能的模型II的适合性,并再次验证创新资源协同空间联系对区域经济增长有正向影响的研究观点.模型I与模型II中的另外两个核心变量K和L的回归系数显示资本和劳动力投入要素对中国经济的快速增长均做出了重要的正向贡献,与国内相关研究的多数结论一致.对比研究还可发现,资本投入要素促进作用显著地大于劳动力要素的促进作用,表明中国现阶段的经济增长仍然处于资本驱动阶段.至于M、IN两个控制变量,对经济增长具有正向的影响但不显著,这与部分已有的研究结论差异不大^[37,38]. ...

创新要素、空间格局与经济增长

2014

... 式（7）和（8）中,

\begin{matrix} i \end{matrix}

表示各区域,

\begin{matrix} t \end{matrix}

表示年份;

\begin{matrix} Y \end{matrix}

为区域经济增长,用人均GDP表示;

\begin{matrix} K \end{matrix}

为资本投入要素,用人均固定资产投资表示;

\begin{matrix} L \end{matrix}

为劳动力投入要素,用年末从业人员数占总人口比表示;IP为创新资源协同势能值即空间联系总量;

\begin{matrix} β \end{matrix}

为待估回归参数;

\begin{matrix} α \end{matrix}

、

\begin{matrix} v \end{matrix}

、

\begin{matrix} ε \end{matrix}

分别表示个体效应、时间效应和随机扰动项,

\begin{matrix} ε \end{matrix}

满足古典回归模型的所有假设条件;

\begin{matrix} Wln Y_{it} \end{matrix}

为邻近区域经济增长的空间加权滞后因变量;

\begin{matrix} ρ \end{matrix}

为空间滞后相关系数,用来测量邻近区域经济增长对本区域经济增长影响的方向和大小;

\begin{matrix} W ε_{it} \end{matrix}

为空间滞后误差项;

\begin{matrix} λ \end{matrix}

... [37]进行处理. ...

专利能否促进中国经济增长——基于中国专利资助政策视角的一个解释

2016

... 式（7）和（8）中,

\begin{matrix} i \end{matrix}

表示各区域,

\begin{matrix} t \end{matrix}

表示年份;

\begin{matrix} Y \end{matrix}

为区域经济增长,用人均GDP表示;

\begin{matrix} K \end{matrix}

为资本投入要素,用人均固定资产投资表示;

\begin{matrix} L \end{matrix}

为劳动力投入要素,用年末从业人员数占总人口比表示;IP为创新资源协同势能值即空间联系总量;

\begin{matrix} β \end{matrix}

为待估回归参数;

\begin{matrix} α \end{matrix}

、

\begin{matrix} v \end{matrix}

、

\begin{matrix} ε \end{matrix}

分别表示个体效应、时间效应和随机扰动项,

\begin{matrix} ε \end{matrix}

满足古典回归模型的所有假设条件;

\begin{matrix} Wln Y_{it} \end{matrix}

为邻近区域经济增长的空间加权滞后因变量;

\begin{matrix} ρ \end{matrix}

为空间滞后相关系数,用来测量邻近区域经济增长对本区域经济增长影响的方向和大小;

\begin{matrix} W ε_{it} \end{matrix}

为空间滞后误差项;

\begin{matrix} λ \end{matrix}

专利能否促进中国经济增长——基于中国专利资助政策视角的一个解释

2016

... 式（7）和（8）中,

\begin{matrix} i \end{matrix}

表示各区域,

\begin{matrix} t \end{matrix}

表示年份;

\begin{matrix} Y \end{matrix}

为区域经济增长,用人均GDP表示;

\begin{matrix} K \end{matrix}

为资本投入要素,用人均固定资产投资表示;

\begin{matrix} L \end{matrix}

为劳动力投入要素,用年末从业人员数占总人口比表示;IP为创新资源协同势能值即空间联系总量;

\begin{matrix} β \end{matrix}

为待估回归参数;

\begin{matrix} α \end{matrix}

、

\begin{matrix} v \end{matrix}

、

\begin{matrix} ε \end{matrix}

分别表示个体效应、时间效应和随机扰动项,

\begin{matrix} ε \end{matrix}

满足古典回归模型的所有假设条件;

\begin{matrix} Wln Y_{it} \end{matrix}

为邻近区域经济增长的空间加权滞后因变量;

\begin{matrix} ρ \end{matrix}

为空间滞后相关系数,用来测量邻近区域经济增长对本区域经济增长影响的方向和大小;

\begin{matrix} W ε_{it} \end{matrix}

为空间滞后误差项;

\begin{matrix} λ \end{matrix}

2011

... 式（7）和（8）中,

\begin{matrix} i \end{matrix}

表示各区域,

\begin{matrix} t \end{matrix}

表示年份;

\begin{matrix} Y \end{matrix}

为区域经济增长,用人均GDP表示;

\begin{matrix} K \end{matrix}

为资本投入要素,用人均固定资产投资表示;

\begin{matrix} L \end{matrix}

为劳动力投入要素,用年末从业人员数占总人口比表示;IP为创新资源协同势能值即空间联系总量;

\begin{matrix} β \end{matrix}

为待估回归参数;

\begin{matrix} α \end{matrix}

、

\begin{matrix} v \end{matrix}

、

\begin{matrix} ε \end{matrix}

分别表示个体效应、时间效应和随机扰动项,

\begin{matrix} ε \end{matrix}

满足古典回归模型的所有假设条件;

\begin{matrix} Wln Y_{it} \end{matrix}

为邻近区域经济增长的空间加权滞后因变量;

\begin{matrix} ρ \end{matrix}

为空间滞后相关系数,用来测量邻近区域经济增长对本区域经济增长影响的方向和大小;

\begin{matrix} W ε_{it} \end{matrix}

为空间滞后误差项;

\begin{matrix} λ \end{matrix}

2011

... 式（7）和（8）中,

\begin{matrix} i \end{matrix}

表示各区域,

\begin{matrix} t \end{matrix}

表示年份;

\begin{matrix} Y \end{matrix}

为区域经济增长,用人均GDP表示;

\begin{matrix} K \end{matrix}

为资本投入要素,用人均固定资产投资表示;

\begin{matrix} L \end{matrix}

为劳动力投入要素,用年末从业人员数占总人口比表示;IP为创新资源协同势能值即空间联系总量;

\begin{matrix} β \end{matrix}

为待估回归参数;

\begin{matrix} α \end{matrix}

、

\begin{matrix} v \end{matrix}

、

\begin{matrix} ε \end{matrix}

分别表示个体效应、时间效应和随机扰动项,

\begin{matrix} ε \end{matrix}

满足古典回归模型的所有假设条件;

\begin{matrix} Wln Y_{it} \end{matrix}

为邻近区域经济增长的空间加权滞后因变量;

\begin{matrix} ρ \end{matrix}

为空间滞后相关系数,用来测量邻近区域经济增长对本区域经济增长影响的方向和大小;

\begin{matrix} W ε_{it} \end{matrix}

为空间滞后误差项;

\begin{matrix} λ \end{matrix}

2004-2015

... 本文分析中各省市的研发人员全时当量、内部研发经费支出、专利申请量来自《中国科技统计年鉴》(2004~2015)^[40].各省市的GDP、全社会固定资产投资总额和总人口数来自《中国统计年鉴》（2004~2015）^[41].年末全社会从业人员来自各省市的历年统计年鉴^[42].为消除价格因素对统计数据的影响,本文以2002年为基期,用消费价格指数对GDP、固定资产投资价格指数对R&D经费内部支出和全社会固定资产投资总额分别进行了价格平减处理.研究区域不包括港澳台地区. ...

2004-2015

When is the economy monocentric?: Von Thünen and Chamberlin unified

1995

Local indicators of spatial association-LISA

1995

... 先对创新资源协同势能影响经济增长的空间计量模型进行检验.通过Fisher-ADF和Fisher-PP单位根检验和Pedroni、Kao协整检验,结果显示序列非同阶单整,其中劳动力指标采用差分处理后,面板数据是平稳序列,存在协整关系,可以做下一步的回归分析.然后通过F统计量检验确定采用个体和时点双固定效应模型.根据Lagrange Multiplier（LM）检验^[44],结果显示LMLAG通过了1%的显著性检验,LMERR没有通过显著性检验,说明SLPDM模型优于SEPDM模型.为了充分探讨创新资源协同空间联系对区域经济增长的影响,研究对不包含创新资源协同势能（模型I）和包含创新资源协同势能（模型II）的两种模型分别进行OLS、SLPDM和SEPDM回归估计综合分析,结果详见表3. ...

2014

... 现今中国正处于一个“超连接”发展的大世界中^[45],创新资源在区域内外的动态关联已日趋常态.促进区域经济增长的新基础不再仅取决于区域内部的创新资源禀赋及协同,也取决于创新资源协同在空间相互作用下所形成的区域间的动态空间联系.因此,政府亟待创新资源配置方式,发挥市场在促进创新资源区际流动中的决定性作用,优化创新资源协同空间联系网络格局,最大限度发挥创新资源协同的空间溢出效应.值得提出的是,本文的创新资源仅是从狭义角度考虑了人力和财力这两类最基本的创新资源,影响创新资源协同空间联系的因素有很多,由于数据获得困难尚未加入本文模型,因此,综合因素的完善及理论上更深入的分析还需今后做进一步研究. ...

〈

〉

创新资源协同空间联系与区域经济增长——基于中国省域数据的实证分析

Spatial Linkages of Innovative Resources Synergy and Its Impacts on Regional Economic Growth: An Empirical Study Based on Chinese Provincial Data

1 研究设计与数据来源

1.1 创新资源协同度量

1.2 创新资源协同空间联系引力模型

1.3 创新资源协同势能空间关联模型

1.4 创新资源协同势能与区域经济增长空间计量模型

1.5 数据来源

2 中国创新资源协同空间联系格局特征

2.1 中国创新资源协同空间趋势

2.2 中国创新资源协同空间联系网络格局

2.3 中国创新资源协同势能空间关联格局

3 创新资源协同空间联系对区域经济增长影响的实证分析

3.1 空间计量结果分析

3.2 效应分解

4 结论与政策启示

参考文献 文献选项 原文顺序 文献年度倒序 文中引用次数倒序 被引期刊影响因子

参考文献

原文顺序

文献年度倒序

文中引用次数倒序

被引期刊影响因子