丁 浩， 陈长永

（中国石油大学（华东）经济管理学院，山东青岛 266580）

21世纪以来，我国已连续多年位居世界第二大经济体，制造业不断壮大，科技创新能力快速提升. 我国更是提出由“中国制造”向“中国智造”和“制造强国”转变的战略目标，以促进我国新时代经济的高质量发展，尤其是制造业的高质量发展. 而高技术产业作为当前制造业发展的重点，是国家实施科技创新和经济模式转变的中坚力量和生力军，成为引领制造产业迈向中高端、助力经济高质量发展的重要力量［1］. 科技创新是高质量发展的核心驱动力，国家实力的强弱和产业在国际上的竞争力大小重点体现在科技创新能力上的高低，尤其是以高端制造业为代表的高技术产业［2］. 十九大报告更是指出，科技创新是引领发展的第一动力，是建设现代化经济体系的战略支撑. 因此，围绕高技术产业科技创新的研究是永久的话题，进一步丰富当前中国高技术产业科技创新能力的度量和评价手段，分析高技术产业科技创新能力的发展格局和关建影响因素，对我国当前经济的发展依然有着重要的现实意义和理论意义.

目前关于高技术产业区域创新的研究，大量学者从我国省域角度出发进行了富有成效的研究工作，其研究主要包括以下三个方面：①高技术产业区域创新的评价研究. 易名等［3］认为创新效率影响全球高技术产业的价值链分工，运用随机前沿生产函数模型对中国的高技术产业的科技创新效率进行了测算分析. 范德成等［4］运用数据包络分析对我国省域的高技术产业的整体创新效率和技术研发与经济转化两阶段效率进行了测度和分析. 肖仁桥等［5］从价值链的角度出发，运用两阶段链式关联DEA模型对中国高技术产业的科技创新效率进行评价分析. 赵玉林等［6］构建包含投入、产出和环境三个方面的科技创新能力指标评价体系，运用主成分分析法对省域的高技术产业技术创新能力进行评价和比较. ②高技术产业区域科技创新的空间差异特征研究. 李志春等［7］从能力广度、深度和生命周期三个方面对其构建的技术创新动态能力演化模型进行分析. 吕承超等［8］从时间和空间视角，立足于中国高技术产业整体和五大行业，分别引入时间滞后项、空间滞后项和时空滞后交互项，构建动态空间面板模型，分析高技术产业专业化集聚、多样化集聚和市场竞争3种集聚模式与创新产出的时空效应. 郭泉恩等［9］将中国高技术产业创新的空间分布运用核密度分析进行了测算比较. ③高技术产业科技创新的影响因素研究. 杨武等［10］发现科技创新投入水平较于产出效率对中国高技术产业竞争力的提升的正向驱动作用影响更大. 宛群超等［11］运用空间Tobit模型和面板门槛模型研究了空间集聚、企业家精神及其交互作用对创新效率的影响. Wu等［12］研究发现国际贸易能积极地提高国家的高技术产业科技创新能力. 王钊等［13］运用断点回归方法分析发现，税收优惠政策对我国高技术产业创新效率有明显的正向影响.

综上所述，对于高技术产业区域科技创新的研究大多是从创新效率的角度展开，评价的指标体系也主要是从创新投入和产出两方面进行构建. 而科技创新能力是整个产业链的经济基础、知识结构水平、条件设施、研发经验等的创新综合实力，目前对于高技术产业科技创新能力缺少较为系统的评价体系. 因此，本文将中国31省域的高技术产业作为研究对象，构建高技术产业科技创新能力评价体系，对其进行综合测度和时空动态演变特征分析，并研究其驱动因素，以期通过对上述三个方面的探讨，能够对优化中国高技术产业科技创新发展格局、制定合理的区域高技术产业发展对策和提高中国高技术产业科技创新能力有一定的帮助和借鉴.

1 研究方法和数据

1.1 研究方法

1.1.1 探索性空间数据分析 探索性空间数据分析（ESDA）用于研究某一地理区域内的某属性值与相邻区域或空间的相同属性值在空间上的关联程度，是一种可视化的数据分析方法，包括全局空间自相关分析与局部空间自相关分析［14］. 全局空间自相关分析主要揭示某属性值在总体地理空间范围内的平均关联程度，主要表征指数为全局Moran’s I. 其计算公式为：

其中：N是观测单元的数量；wij是空间权重矩阵W中的元素；与地理单元（i，j）对应，变量xi和xj分别表示地理单元i和j的观测值与平均值之差；s0为标准化要素，等于全部空间权重矩阵元素之和. Moran’s I的取值范围为［-1，1］，越接近1，表示地区间空间正相关的程度越强；越接近-1，表示地区间空间负相关的程度越强；接近0表示地区间不存在空间自相关.

局部空间自相关分析是用来衡量局部空间要素的聚集程度，进一步揭示某属性值的一个研究单元与邻近单元的关联程度，其主要表征指数是局域Moran’s I 统计量，在本文中用LISA 聚类地图来进行可视化表达，其计算公式为：

通常对局域Moran’s I值进行如下规定：当Ii显著为正且Zi大于0，称区域i及其邻近区域为H-H聚集，反之则称之为L-L聚集；当Ii显著为负且Zi大于0，称区域i及其邻近区域为H-L聚集，反之则称之为L-H聚集.

1.1.2 证实性空间数据分析 证实性空间数据分析（CSDA）是通过引入空间数据变量建立回归分析模型，分析识别某属性值、空间数据及其影响因素之间的关系. 因为加入了空间效应，CSDA 的模型能够减少与现实情况的偏差，使计算结果更加科学、合理和准确［15］. 本文运用CSDA 中的空间滞后模型（SLM）和空间误差模型（SEM）两种空间回归模型与传统回归模型进行比较，分析中国省域高技术产业科技创新能力的驱动因素.

空间滞后模型（SLM）的表达式为：

其中：Yit为第i个省域在t年的科技创新能力评价值；wij代表空间权重；wij×Yit代表空间滞后项；ρ 代表空间滞后项回归系数；α 和β 为待估参数；X 为影响因素；ε 为随机误差项。

空间误差模型（SEM）的表达式为：

其中：μit为随机误差项；λ 表示空间误差项回归系数.

1.2 数据来源

因高技术产业的统计数据截止到2016年，考虑数据的可获得性，本文以中国31个省域（除台湾、香港和澳门）为研究单元，选取2009—2016年八年的数据，以此对中国高技术产业科技创新能力的时空演化特征进行分析，并研究其驱动因素. 文中涉及的原始数据均来自国家统计局、《中国高技术产业统计年鉴》和《中国科技统计年鉴》.

1.3 指标体系构建及赋权

高技术产业科技创新能力是产业发展期间各个相关要素相互作用的结果，是利用经济基础、人力资金投入、管理模式等一系列条件，发挥科技技术在高技术产业发展中的巨大作用能力的总和. 它是一种综合能力，主要包括基础能力、投入能力、产出能力和创新潜力这四个方面. 这四种能力有机结合、相互影响，共同施力以达成高技术产业科技创新［16］. 基础能力是区域开展高技术产业科技创新所需具备的经济基础条件、产业和企业基础实力等；投入能力是为开展高技术产业科技创新所投入的资金和人员等，它为高技术产业科技创新的实现提供直接的人力、财力资源要素供应；产出能力是进行科技创新所获取的知识产出、技术产出及高技术企业效率提升等的集成；科技创新潜力则代表着未来高技术产业科技创新持续发展的能力，它对高技术产业科技创新起到内发性和外激性的导向和延续作用. 基于此，高技术产业科技创新能力的结构模型如图1 所示，反映了整个科技创新的四种能力间的相互联系及其对高技术产业科技创新能力的作用.

图1 高技术产业科技创新能力结构模型图Fig.1 The structural model of scientific and technological innovation ability of high-tech industry

本文从科技创新基础、投入、产出和潜力四个方面，选取16个指标，构建中国高技术产业科技创新能力评价指标体系. 同时，熵值法作为客观赋权法能够克服人为确定权重的主观性，具有较高的可信度和精确性. 其中，若指标取值的差异越大，越难实现，熵越小，该指标信息量越大，其权重也应越大；反之，指标取值的差异越小，熵越大，该指标信息量越小，其权重也越小［17］. 因此本文运用熵值法确定各分指标及子系统的权重，指标体系及赋权结果如表1所示.

表1 中国高技术产业科技创新能力综合测度评价指标及权重Tab.1 The scientific and technological innovation ability of high-tech industry evaluation index system and its weight of China

2 中国高技术产业科技创新能力时空动态实证分析

2.1 中国高技术产业时空特征分析

利用几何平均法和线性加权法计算出2009—2016年中国各省份的高技术产业科技创新能力水平的综合评价值，并根据各省份的八年科技创新能力水平的测度平均值进行排序，得出描述性统计如表2所示. 高技术产业科技创新能力综合评价值的最高省份与最低省份的差距十分明显，由2009 年的0.375 4 扩大到2016年的0.900 4，最大值和最小值之间相差上千倍，且最大值的增幅远远大于最小值的增幅. 同时可以看到，在这八年的时间段里，其标准差由0.078 2连续扩大到0.180 0，平均值由0.048 2 连续增长到0.111 4，说明了中国省域高技术产业科技创新能力差距不断加剧的情况下，总体水平是在不断升高的.

表2 2009—2016年中国高技术产业科技创新能力水平Tab.2 The technological innovation capacity of high-tech industries in China during 2009-2016

为了更加清晰客观地描述中国高技术产业科技创新能力的时空分异特征，特根据测度结果给出2009年和2016年中国31个省份的高技术产业科技创新能力空间分布图（图2）. 可以看出，中国高技术产业科技创新能力较强的省份集中在中国的东部沿海地区，且沿海地区省份的高技术产业创新能力对内陆地区具有压倒性的优势，中国高技术产业科技创新能力的省域之间差距显著. 总体来说，一方面，中国省域高技术产业科技创新能力长时间处于非均衡状态，沿海和内陆地区差距明显；另一方面，高技术产业科技创新能力在省域分布上有一定的集聚趋势. 从具体省域来看，东南沿海是高技术产业科技创新活动频繁的地区，广东和江苏是高技术产业科技创新能力东部和南部的两大聚集区，北京、山东、上海、浙江次之；另一个是中部高技术产业科技创新区，以湖南、湖北、安徽、重庆等省域为代表，高技术产业科技创新能力具有较强的潜力，但与沿海区域的省份科技创新能力差距仍十分明显；西藏、新疆、内蒙古、青海等西部地区省份高技术产业科技创新能力最差，远低于全国其他地区.

图2 中国高技术产业科技创新能力空间分布图Fig.2 The spatial distribution of scientific and technological innovation ability of high-tech industry in China

同时，中国省域高技术产业科技创新能力呈现出在东西方向和南北方向上递增的空间分布格局. 东西方向上，中国省域高技术产业科技创新能力从西往东递增，中部地区的发展水平相似，东部地区江苏、山东、浙江等地科技创新能力较强；南北方向上，由东北地区经北京、山东、江苏等地到广东呈递增趋势，且从东北地区到北京地区增长趋势逐渐升高，从北京地区过渡到广东地区增长趋势趋于平缓，其中东部沿海地区的北京、山东、江苏、浙江的科技创新能力发展迅速，广东的科技创新能力一直处于全国的最高水平. 总体来看，东北和西部内陆地区的高技术产业科技创新能力相对于沿海地区发展缓慢，且中国高技术产业科技创新能力在东南部沿海地区的发展具有一定的聚集性，区域差异呈现出不断扩大的态势，但差异特征表现为波动稳定的状态.

2.2 中国高技术产业科技创新能力时空动态分析

根据上述计算出的中国高技术产业科技创新能力值，测算出2009—2016年的全局Moran’s I指数，通过对其进行全局空间自相关分析来研究中国高技术产业的总体时空格局演化情况，具体结果反映在表3 中.通过表3可以看出，2009—2016年，全局Moran’s I指数符号均为正，中国高技术产业科技创新能力一直表现出空间正相关，但空间相关性较弱，在空间层面存在明显的正向溢出，省域间具有一定的不均衡性，说明在演化过程中存在一定的集聚现象. 同时，2009—2016年，全局Moran’s I指数由0.138 1减小到0.098 6，呈现出一定的下降趋势，说明空间正相关性减弱，但是总体变化较小，处于一个相对稳定的格局状态.

为进一步明确省域间具体的空间集聚演化分布特征，本文运用局部LISA集聚地图展示2009年和2016年的时空分异格局（如图3所示），进行局域空间自相关分析的进一步研究，从而得出详细的局域空间变动及联系规律. 从上述的LISA聚类地图可以看出，2009年和2016年两个时间断面的中国省域高技术产业科技创新能力显示得最多的是L-L 空间关联区域，然后是L-H 空间关联区域，再次是H-H 空间关联区域. 同时，东西部地区存在较大差异，中国西部地区的大量省份呈现L-L聚集，科技创新能力较弱省份相邻，形成了高技术产业科技创新能力的“塌陷区”，且其区域在八年的时间里有所扩大，东北地区因经济形式低迷致使吉林和辽宁两省也沦陷为“塌陷区”. 中东部地区的安徽、江西和福建呈现L-H聚集，这三个省份的高技术产业科技创新能力较弱且被较强的广东、江苏、浙江等地所包围，形成了高技术产业科技创新能力的“过渡区”. 长三角地区科技创新能力较强的上海呈现H-H关联，其被科技创新能力较强的江苏浙江等地包围，形成了“扩散效应区”.

图3 中国高技术产业科技创新能力LISA聚类地图Fig.3 LISA clustering map of scientific and technological innovation capability of high-tech industry in China

从2009年到2016年这八年时间里，中国省域间的空间关联类型基本未发生位移，说明各省的高技术产业科技创新很难脱离其原有的集群，其科技创新活动空间结构的发展具有一定的依赖性. 同时，中国高技术产业科技创新在全国范围内没有明显的空间外溢效应，甚至还产生了一定的极化效应. 西部“塌陷区”和“过渡区”范围进一步扩大，而“扩散效应区”却无变化，说明地理位置相邻区域之间的相互作用影响较小，创新能力较强的省份难以形成良好的带头作用，无法有效带动周边地区的高技术产业发展. 甚至因为更强的科技创新能力和竞争力，导致周边地区的高技术产业科技创新资源的流失，使得极化效应进一步加强.

3 中国高技术产业科技创新能力驱动因素分析

中国高技术产业的科技创新能力时空动态演化是受到多方面的影响因素交互驱动的，综合上述分析和借鉴相关研究成果［18-19］，本文运用CSDA 方法中的空间滞后模型（SIM）和空间残差模型（SEM）对2009 年和2016 年两个时间断面进行回归分析，以此了解经济发展水平（X1）、高技术产业基础（X2）、科技创新投入（X3）、科技资源丰度（X4）、空间外溢效应（X5）和政策制度因素（X6）这六个因素对高技术产业科技创新能力的作用机制. 以上六个因素分别用人均GDP、高技术产业营业收入、R&D经费内部支出、研发机构数、技术市场成交额、政府资金占R&D内部经费比重来代表. 将OLS模型和两种空间回归模型相比较，回归分析的结果如表4所示，可以看出拟合优度统计值各不相同：①比较Adjusted R2，2009年和2016年均是OLS模型最小，SEM最大；②比较自然对数似然函数值LIK，在两个时间断面上，SLM模型最大，SEM模型次之，OLS模型最小；③比较赤池信息准则值AIC，在两个时间断面上，AIC值均是SEM最小，OLS最大；④比较施瓦兹准则值SC，在两个时间断面上，SC值均是SEM最小. 综上所述，SLM模型和SEM模型要好于传统线性回归模型，其中SEM模型拟合效果更好，因此本文主要基于SEM模型回归结果进行分析.

表4 2009年和2016年回归分析结果Tab.4 Results of regression analyses in 2009 and 2016

由表4的回归结果可以发现，高技术产业基础、科技创新投入、科技资源丰度、空间外溢效应这四种因素（系数都为正且通过P值1%检验）会对高技术产业科技创新能力产生一定的正向影响. 其中影响较为明显的因素分别是高技术产业基础、科技创新投入、科技资源丰度这三种因素.

1）高技术产业基础对科技创新能力影响显著，该因素的回归系数值由2009年的0.155 91增长到2016年的0.28. 说明随着时间的推移，该因素对高技术产业科技创新能力的发展影响能力不断增强. 高技术产业营业收入的增加代表高技术企业的资金收入增加，为科技创新带来良好的物质基础. 同时，高技术产业基础的改善会吸引更多的人才，促进科技创新的环境进一步增强，推动科技创新能力的发展.

2）科技创新投入回归系数的值均大于0.15，在2016年更是达到了0.445 77，为所有系数中的最大值，这表明科技创新投入对高技术产业科技创新能力的影响是最大的. 高技术产业作为注重科研的高端产业，其发展离不开大量的研发投入，最直观的体现就是R&D资金的投入，它代表着高技术企业对行业内竞争力的追求. 高技术企业的发展离不开产品的创新和提升，更高的科技创新投入为高技术产业科技创新能力的提高带来了更多的资源支持和推动力.

3）科技资源丰度回归系数的值由2009年的0.061 47增长到了2016年的0.157 64，平均值也大于0.1. 相对于前两项因素的回归系数值较小，但也代表其对高技术产业的科技创新能力具有十分明显的正向影响.在经济市场化的今天，企业与企业之间、企业与政府、企业与研发机构之间的合作往来密切，更多的科研机构数代表着更强的科研能力，企业充分利用科技资源，与科研机构之间的研究合作能够极大地提高企业的科技创新效率和科技创新能力.

4）2016年的空间外溢效应因素回归系数的值仅为0.072 35，说明高技术产业的科技创新能力受到该因素影响程度较低. 高技术产业作为高端制造业，企业的技术便是该产业的竞争力所在. 为保持企业的核心竞争力，企业不会进行大规模的技术交易，空间外溢效应因素对高技术产业科技创新能力提升的影响能力有限.

相对于以上四种因素，政策制度因素和经济发展水平的回归系数值虽然为正，但接近于0，且检验不显著. 说明经济发展水平和政策制度对中国高技术产业科技创新能力无影响，地方的经济发展水平和政府资金并不能够对高技术产业行业内的发展带来稳定的推动力.

4 结果与讨论

本研究构建了高技术产业科技创新能力综合评价指标体系，较为客观地分析评价了2009—2016年中国高技术产业科技创新能力的总体水平、时空动态演化及驱动因素，得出以下结论.

1）2009—2016年，中国各省域的高技术产业科技创新能力不断增强，但沿海地区与内陆地区的科技创新能力差距十分显著且呈现差距不断拉大的态势. 中国高技术产业科技创新能力在地理空间上的分布极不均衡，空间集聚的特征愈发明显，且呈现出东西方向和南北方向递增的分布格局.

2）2009—2016年，中国高技术产业科技创新能力的空间关联类型和区域分布稳定，主要还是西部地区的L-L型“塌陷区”，中部地区的L-H型的“过渡区”和长三角地区的H-H型“扩散效应区”，各省难以脱离所在集群. 中国高技术产业科技创新能力的总体空间格局无明显变化，科技创新活动的空间结构具有一定的路径依赖.

3）中国高技术产业科技创新能力时空动态变化是在多方面因素相互作用和影响下产生的. 空间回归分析研究表明，影响中国高技术产业科技创新能力空间格局演化分异的主要有高技术产业基础、科技创新投入、科技资源丰度、空间外溢效应这四种因素，其中高技术产业基础、科技创新投入、科技资源丰度对省域间的科技创新具有较强的正向作用.

通过以上结论得出以下政策启示.

1）区域高技术产业的发展需要其具有高的产业基础和创新能力，我国东西部高技术产业发展水平差距过大，高技术产业的发展不宜遍地开花，应该结合区域优势和特色打造发展重点，以加强区域高技术产业科技创新能力建设.

2）高技术产业的发展需要庞大的资金投入和配套产业的支持，高技术产业科技创新能力较弱的省份难以独立发展. 可以通过进一步加强科技合作，结合本地区高技术产业的特点，摸索一批优化创新资源配置的有效组织管理模式，不断提升自主科技创新能力.

3）要依靠中央政府从全局出发，统筹领导，协调各区域的发展，加强围绕产业链的系统部署和产业技术创新战略的联盟建设，充分发挥广东、江苏等科技创新能力较强区域的辐射带头作用，与周边区域形成高低搭配和产业配套，以带动周边地区的高技术产业的发展.

4）加大高技术产业技术创新投入力度是加快提升区域高技术产业技术创新能力的关键举措，各地应进一步加大高技术产业技术创新的经费投入、人员投入和设备投入力度，打造更好的高技术产业科技创新环境.

5）积极发挥市场经济的带动作用，政府要切实贯彻对外开放的政策以促进各区域市场开放，加强与其他国家在高技术产业方面的交流与合作，吸收国外市场的先进技术及互补性创新资源，从而有效利用开放性市场提供的创新环境和创新成果，并从创新理念和创新机制等方面充分扩展高技术产业创新平台，促进当地高技术产业科技创新能力的提高.