EN中文

自然资源学报 >

2022 , Vol. 37 >Issue 6: 1455 - 1466

DOI: https://doi.org/10.31497/zrzyxb.20220606

区域与城市发展

长江三角洲创新发展空间溢出效应的测度与分解

  • 闫东升 , 1 ,
  • 韩孟孟 2 ,
  • 孙伟 , 3
展开
  • 1.河海大学公共管理学院,南京 211100
  • 2.南京大学长江三角洲经济社会发展研究中心,南京 210093
  • 3.中国科学院南京地理与湖泊研究所,中国科学院流域地理学重点实验室,南京 210008
孙伟（1980- ）,男,辽宁彰武人,博士,研究员,主要从事城市发展与区域规划研究。E-mail:

闫东升（1990- ）,男,河南项城人,博士,讲师,主要从事城市发展与区域规划研究。E-mail:

收稿日期: 2021-01-11

  修回日期: 2021-06-06

  网络出版日期: 2022-08-28

基金资助

国家自然科学基金项目(42101183)

国家自然科学基金项目(41871119)

国家自然科学基金项目(41871209)

美丽中国生态文明建设科技工程专项(XDA23020102)

收起

Measurement and decomposition of the spatial spillover effect of innovation development in the Yangtze River Delta

  • YAN Dong-sheng , 1 ,
  • HAN Meng-meng 2 ,
  • SUN Wei , 3
Expand
  • 1. Public Administration School, Hohai University, Nanjing 211100, China
  • 2. Center for the Yangtze River Delta's Socioeconomic Development of Nanjing University, Nanjing 210093, China
  • 3. Nanjing Institute of Geography and Limnology, Key Laboratory of Watershed Geographic Sciences, CAS, Nanjing 210008, China

Received date: 2021-01-11

  Revised date: 2021-06-06

  Online published: 2022-08-28

Fold

摘要

一体化深化背景下,准确把握城市群创新互动关系,对于推动高质量发展具有重要现实意义。空间溢出是创新发展互动关系重要体现之一,基于城市尺度数据、空间计量方法,对长江三角洲创新发展空间溢出效应进行多角度研究。主要结论如下：（1）城市创新发展存在显著为正的空间溢出效应,创新人才、资金投入、经济发展、交通设施和对外开放等都是创新发展重要驱动因素,但不同因素空间溢出效应存在差异。（2）不同区域、不同时期对比发现,创新发展空间溢出效应存在显著差异,如区域对比核心区时间演变明显增强等。（3）空间溢出效应随距离增加呈现“倒U型”演变趋势,且这一效应在325 km处最大,而后空间溢出效应的缓慢波动下降与中心城市相对均衡分布有关。本文为识别城市创新发展互动关系提供了新视角,对推动城市群创新发展、一体化深化等具有现实指导意义。

关键词： 创新发展; 空间溢出效应; 测度与分解; 长江三角洲

本文引用格式

闫东升 , 韩孟孟 , 孙伟 . 长江三角洲创新发展空间溢出效应的测度与分解[J]. 自然资源学报, 2022 , 37(6) : 1455 -1466 . DOI: 10.31497/zrzyxb.20220606

Abstract

From a long-term perspective, innovation is the key driving force for economic growth. Under the background of China's economic transition from high-speed growth to high-quality development, the promotion of the innovation level is one of the important measures to achieve higher-quality economic development. A large number of studies conducted in-depth discussions on the spatio-temporal evolution and driving factors of the innovation development, and found that the inefficient allocation of innovation resources and the imbalance co-opetition relationship had become important factors restricting China's innovation development. Under the background of deepening integration, accurately grasping the innovative interactive relationship of urban agglomerations has important practical significance for promoting high-quality development. The spatial spillover effect is an important manifestation of the interactive relationship among regional innovation development. Based on the prefecture level data from 2000 to 2017 and spatial measurement methods, this paper conducts a multi-angle study on the spatial spillover effects of innovation development in the Yangtze River Delta. The results show that: (1) The innovative development had a significant positive spatial spillover effect of the Yangtze River Delta Urban Agglomeration. Overall, innovative talents, capital investment, economic development, transportation facilities, and opening-up were all important driving factors for innovation development, but different factors show differences in spatial spillover effect. (2) Comparing different regions and different periods, we found that there were significant differences in the spatial spillover effects of innovation development, such as stronger core regions and significantly enhanced temporal evolution. (3) Many studies had shown that the spatial spillover effect of innovation development was significantly affected by distance. This article found that the spillover effect exhibited an "inverted U" evolution characteristic with the increase of distance in the Yangtze River Delta, and the strongest spillover effect was found at a distance of 325 km, which showed that there was an optimal spatial boundary for urban agglomerations from the perspective of innovation. However, the spatial spillover effect fluctuated slowly when the distance exceeded 325 km, which was affected by the relatively balanced distribution of central cities. The research provides a new perspective for identifying the co-opetition relationship of innovation development about urban agglomerations, and has practical guiding significance for promoting the innovation development and deepening integration of urban agglomerations.

Key words： innovation development; spatial spillover effect; measurement and decomposition; Yangtze River Delta

作为知识经济时代经济发展最重要驱动力,创新水平的提升不仅是社会各界关注焦点,更是创新地理学研究的核心内容之一[1,2]。国内外复杂因素加快推动中国经济从高速增长转向高质量发展,以往低效、数量型增长模式越来越难以为继,发展动力亟待从土地、劳动力等传统要素向“创新”这一新动能转变,如十九大报告明确提出“创新是引领发展的第一动力”,均表明创新必将取代传统要素成为社会发展核心驱动力[3⇓-5]。一体化深化背景下,面对全球新一轮技术、产业变革机遇,从区域互动角度深刻探讨创新发展的关联特征等,对于制定科学政策以优化创新格局、抢抓创新先机,促进经济社会更高质量发展、提升全球竞争力等,都具有十分重要的现实意义[3,6]。
当前,创新资源配置的低效、创新发展竞合关系的失衡等,严重制约中国创新发展和竞争力提升[6,7]。深入把握创新空间格局、驱动因素及互动关系等,制定科学政策引导创新资源优化布局,成为解决相关问题的重要举措之一。随着统计数据完善、研究方法拓展,学者对多重区域、不同尺度的创新时空演变、驱动因素等进行深入研究[5⇓⇓⇓-9]。采用专利、创新载体、创新企业等数据或构建复合指标,从时空角度对创新格局[1,2,6,10,11]、创新联系网络[4,5]等进行分析,发现不同尺度创新发展均存在显著区域差异,如创新水平上全国的东中西差异与区域、省、市的“核心—边缘”差距等[1,12],以及创新联系网络的多样化、复杂化演变趋势与“核心—边缘”差距的稳态[4,5]。在此基础上,学者采用多元线性回归、面板协整、空间经济计量等方法,发现除人力资本、创新环境、经济状况、产业结构、政府政策等因素外,在一体化深化带来的城市间合作互动强化背景下,空间相关性对城市创新发展发挥着越来越重要的作用[1,7⇓-9,11,13],相关研究为制定科学政策以推动创新发展提供了科学借鉴。
近年来,随着要素流动加快与创新空间集聚性的强化,创新空间相互作用重要性成为众多研究共识[5,11,13]。空间溢出是区域创新互动关系的直观表征,但这一指标是否可以测度,不同学者之间存在争议。部分学者认为,知识流动是看不见的,溢出效应的测度也无法实现[8];但多数学者认为,借助空间计量的方法,能够有效地测度这一效应,特别是随着统计数据完善、实证方法进展,创新空间溢出效应测度也成为相关研究的重要内容[1,2,13,14]。学者基于知识生产函数、空间计量等方法,对创新空间溢出效应的测度与分解发现,空间溢出效应在不同尺度均明显存在,但不同区域空间溢出效应存在较大差距[15,16]。对空间溢出效应的深入分解发现,由于知识传播距离衰减性,空间溢出效应呈现距离的非线性演变,特别是超过一定距离后呈现显著的下降趋势[16,17];但部分学者也发现,地理邻近并非创新溢出的必要条件,如知识溢出在较远距离内同样存在[4]。创新发展中的空间溢出效应重要性被理论研究、实践发展所验证,但差异化研究成果也表明,进一步探讨这一问题同样具有较强的理论、现实意义。
丰富的研究成果,为本文研究提供了重要参考。但综观已有研究,面对创新发展格局的复杂性及区域创新互动关系的多样性,基于空间计量的研究主要关注空间溢出效应测度,深入研究如不同时期、不同区域对比分析等相对欠缺。随着城市发展从“建城”“扩城”向“联城”动态演变[5],创新资源高度集聚的城市群,不仅是城市间创新互动最频繁的区域,也必将成为中国创新发展重要载体和参与全球竞争的重要单元;对城市群相关问题的研究,对于加快向创新型经济转型、引领国家创新发展和优化创新格局等,具有更加重要的现实意义[5,17]。对此,本文以创新资源高度集聚、创新水平较高的长江三角洲为研究区域,采用空间计量方法对创新发展空间溢出效应进行深入分析,为更好地推动长江三角洲创新协同、加快经济增长新旧动能转换等提供经验参考。

1 研究方法与数据来源

1.1 计量模型构建

将空间变量引入创新发展驱动因素计量模型,是本文探讨城市群创新发展空间溢出效应的重要基础。随着演化经济地理学、区域创新系统等的演进,学者在相关理论支撑下,从多角度对创新发展及其驱动因素等进行了丰富研究,并提出多样化分析模型[1,14,18]。总体上,多数基于知识生产函数的研究认为,创新发展主要受创新投入、发展环境等两方面的综合影响[1,18]。基于此,本文构建如下基础模型：
Y i t = β 0 + β 1 X 1 i t + β 2 X 2 i t + ε
随着中央政府宏观政策推动、地方政府合作动力强化,要素流动频繁等带来一体化深化,城市创新发展受到周边城市的深刻影响[14,16,19]。本文借鉴空间计量模型,对长江三角洲创新发展空间溢出效应进行测度。当前,常用的空间计量模型包括空间滞后模型（SLM）、空间误差模型（SEM）、空间杜宾模型（SDM）、空间交叉模型（SAC）等 四类,且不同模型空间溢出效应传导机制存在差异[19⇓-21]。其中：SDM、SAC、SLM、SEM模型分别如式（2）~式（5）所示：
Y i t = β 0 + ρ W × Y i t + β 1 X 1 i t + β 2 X 2 i t + θ 1 W × X 1 i t + θ 2 W × X 2 i t + ε
Y i t = β 0 + ρ W × Y i t + β 1 X 1 i t + β 2 X 2 i t + μ μ = λ W × μ + ε
Y i t = β 0 + ρ W × Y i t + β 1 X 1 i t + β 2 X 2 i t + ε
Y i t = β 0 + β 1 X 1 i t + β 2 X 2 i t + μ μ = λ W × μ + ε
式中： Y为被解释变量,即城市创新发展水平; X 1为创新投入; X 2为发展环境; β为回归系数; ρ为因变量空间滞后项系数; θ为空间交互项系数; λ为空间误差项系数;W为空间权重矩阵;μ和ε为服从独立同分布的扰动项;i、t分别代表城市、年份。
空间权重矩阵wij的设定,是空间计量模型基础,以地理距离负指数衰减形式构造空间权重矩阵[16]。具体方法为：
w i j = e - d i j / d m a x i ≠ j 0 i = j
式中：dij为城市之间的距离（km）;dmax为城市间距离最大值（km）。

1.2 相关指标选取

创新发展的空间溢出效应,同样受到被解释变量、解释变量等指标选取影响,科学选择相关指标也成为本文研究的重要基础。
（1）被解释变量：创新发展水平测度指标呈现多样性,专利能够全面反映发明创造结果,评判标准一致、数据较易获取,成为创新研究常用指标[1⇓⇓-4]。采用专利授权量作为创新发展水平表征指标,为消除城市规模影响,将万人专利授权量作为被解释变量（INNO）。
（2）解释变量：基于知识生产函数,本文解释变量包括创新投入、发展环境两类。
作为创新发展关键的创新投入,主要包括人力投入、资金投入两类[1,14,16]：① 作为创新原始力量的人才,在知识创造、转化和生产等方面发挥着不可获取的作用,以科学研究、技术服务和地质勘查业从业人员比例,反映创新人才投入状况（Tal）;② 资金投入强度反映了社会对创新发展的重视,以科学与教育支出占GDP比例,反映城市创新投入强度（Fund）[12,16,22]。
借鉴相关研究结论,兼顾指标共线性、模型方差等,选取以下指标表征城市发展环境：① 经济发展水平不仅带来创新发展需求,也通过要素投入、环境优化等影响资源集散等,进而作用于创新发展[12,16],以人均GDP表征城市经济发展水平（PGDP）。② 交通设施表征了城市对外联系便捷度,有利于本地创新资源转化和促进相邻城市之间的资源共享与交换等[3],采用每平方公里公路通行里程表示城市交通设施状况（Tra）。③ 理论研究与诸多实证均表明,城市创新发展受开放程度的影响,如外资企业发展过程中的更高技术溢出、人才竞争和全球并购等[11],选择进出口贸易总额占GDP比例,表征城市开放水平（Ope）。

1.3 数据来源与处理说明

作为中国发展水平高、创新能力强的城市群,长江三角洲创新发展是当前研究热点之一,但多数研究限于16个城市[22]、26个城市[15]。为此,本文以《长江三角洲区域一体化发展规划纲要》为参考,以2010年行政区划为基准,选择42个城市作为研究单元① ( 为保证时间序列可比性,本文保留巢湖市,共计42个研究单元。)。
本文相关数据来源于2001—2018年各省、市统计年鉴、城市统计年鉴和统计公报等。相关数据处理如下：① 以2010年行政区划为基准,采用县级数据对区划调整城市的数据予以估算;② 部分缺失或调整数据,参照往年平均增长率估算;③ 以2000年为基准,结合GDP指数、商品零售价格指数对原始经济数据进行调整（缺失的指数以省级数据替代）;④ 以年度人民币兑美元汇率中间值,将美元计价进出口总额转换成人民币计价,除以名义GDP获得对外开放水平。

2 结果分析

2.1 创新发展空间溢出效应的测度

2.1.1 计量模型的选择

基于前文模型设计与检验思路,借鉴已有研究方法[19,23],对OLS回归残差项的空间相关性进行检验（表1）。OLS回归残差项存在明显空间相关性,表明长江三角洲城市创新发展存在显著空间溢出效应,即基于空间计量模型开展实证研究具有可行性。
表1 OLS回归残差的空间相关性结果

Table 1 Spatial correlation results of residuals about OLS regression

年份 2000 2001 2002 2003 2004 2005 2006 2007 2008
Moran's I 0.122 0.137 0.137 0.114 0.119 0.118 0.180 0.188 0.155
Z(I) 1.990 2.294 2.233 2.067 1.909 2.660 4.698 3.936 4.099
年份 2009 2010 2011 2012 2013 2014 2015 2016 2017
Moran's I 0.148 0.157 0.120 0.093 0.111 0.166 0.174 0.203 0.182
Z(I) 3.590 4.477 2.897 2.064 2.631 3.673 3.625 4.110 4.115
空间计量模型具有多样性,有必要筛选最适合本文研究需要的模型。首先,Hausman统计值伴随概率通过1%显著性检验（表2）,表明选择固定效应较为合适。其次,采用极大似然法对四类模型进行估计② (2 本文中其他模型的估计结果并未显示,如有需要可向作者索取。),发现空间项系数均显著为正,进一步印证了空间计量模型的必要性。不同模型回归结果发现,一方面,SDM拟合优度、自然对数值均为最高;另一方面,SDM较其他模型具有更多回归系数显著特点。进一步对SDM进行Wald检验、LR检验（表2）,发现Wald-spatial lag、LR-spatial lag、Wald-spatial error、LR-spatial error的p值均在1%水平下显著为零,进一步验证了SDM最优拟合效果的结论,且SDM模型回归系数无法满足模型转化的原假设。综合而言,本文选择SDM模型进行研究。
表2 空间面板模型的检验结果

Table 2 The test results of spatial panel model

检验方法 统计值 p值
Wald-spatial lag 15.35 0.004
LR-spatial lag 29.68 0.000
Wald-spatial error 39.54 0.000
LR-spatial error 54.12 0.000
Hausman 61.43 0.000

2.1.2 创新发展空间溢出效应的估计

采用极大似然法对模型进行估计（表3）,拟合优度为0.869,表明模型设定及指标选取具有科学性。其中,空间溢出效应系数为0.756,且通过1%显著性水平检验,表明长江三角洲创新发展存在显著正向溢出效应。即长江三角洲城市创新发展不仅受自身创新要素投入驱动,也受益于城市间技术转移、知识扩散和创新模仿等。因此,未来进一步强化创新联系,对于推动城市创新发展具有重要意义[1,5,12]。SDM模型中的溢出效应是被解释变量与解释变量共同作用的结果,从解释变量看,创新人才、资金投入、经济发展水平、交通状况与对外开放等,都对城市创新发展具有显著正向影响,但不同因素滞后系数的差异,表明竞合作用带来的“扩散效应”与“虹吸效应”对比下,城市间不同要素竞争存在一定差异。
表3 城市群创新发展的空间杜宾模型估计结果

Table 3 SDM estimation results of the innovative development

变量 估计结果 变量 估计结果
Tal 0.437***（5.70） W×Tal 0.899***（3.96）
Fund 0.663***（5.86） W×Fund -0.152（-0.41）
PGDP 0.138***（6.19） W×PGDP -0.164***（-3.15）
Tra 0.335***（3.83） W×Tra -0.554**（-2.34）
Ope 1.005***（12.80） W×Ope 2.160***（9.22）
Adj.R2 0.869 ρ 0.756***（17.68）

注：**、***分别表示5%、1%显著性水平,括号内为t值,下同。

2.1.3 稳健性检验③ (3 未展示稳健性检验结果,如有需要可向作者索取。)

（1）基于发明专利的估算。本文研究目的在于科学测度长江三角洲创新发展的空间溢出效应,创新水平表征指标选取对研究结果具有较大影响。尽管专利是世界范围内创新研究最广泛的使用数据[5,14],但专利分为发明、实用新型、外观设计等三类,且以发明专利技术含量最高、创新价值最大,被学者认为是衡量创新水平最佳指标[24]。对此,采用万人发明专利授权量作为城市创新水平表征指标,对基准模型进行再估计。结果表明,相关因素估计系数大小的变化,表明了不同创新成果对创新投入、发展环境的差异化需求,但作用方向、显著性均未发生根本改变,特别是空间溢出效应始终呈现较强显著性,表明本文实证结果的稳健性。
（2）基于不同矩阵的估算。空间权重矩阵设定是空间计量的关键,采用地理距离平方倒数构建的空间矩阵,对基准模型再估计。结果表明,虽然估计系数大小存在一定变化,但绝大多数变量的方向、显著性均未发生根本性改变,且空间溢出效应呈现较强显著性,表明本文实证结果的稳健性。
（3）考虑内生性的检验。变量之间普遍的因果关系,及其带来的内生性,可能导致估计结果的偏误[19]。正如新经济地理学指出,特定区域的要素集聚通过规模效应带来效率提升,吸引更多要素集聚[19,23,25]。处理内生性最好的办法,是为变量找到合适的工具变量,本文借鉴已有研究方法[19,26],选择解释变量的空间滞后项作为空间GMM估计工具变量。基于Hansen J检验的工具变量合理性分析,通过了有效性检验,表明工具变量选取具有可行性[19,26]。估计结果发现,空间溢出效应、自变量回归系数及空间滞后项系数等均未发生根本性改变,进一步验证了本文实证结果的稳健性。

2.2 创新发展空间溢出效应的分解

2.2.1 解释变量空间溢出效应的分解

空间杜宾模型同时包含被解释变量、解释变量的空间滞后项,表3中估计系数可能存在一定偏差[19,20]。采用Lesage等[21]提出的方法,对解释变量的直接效应、间接效应与总效应进行分解（表4）。相关变量的直接效应系数均显著为正,表明人才、资金投入与经济发展水平、交通设施及对外开放的提升,都能够显著提升城市创新水平。
表4 空间杜宾模型的效应分解

Table 4 SDM effects decomposition results of the innovative development

变量 总效应 直接效应 间接效应
Tal 0.731***
（3.30）		 0.320***
（5.34）		 0.421***
（3.15）
Fund 0.614***
（5.80）		 0.655***
（7.60）		 -0.0407
（-0.23）
PGDP 0.0714**
（2.33）		 0.163***
（7.13）		 -0.0916***
（-2.83）
Tra 0.115*
（1.98）		 0.412***
（4.37）		 -0.297**
（-2.28）
Ope 1.748***
（5.47）		 0.726***
（8.88）		 1.022***
（5.21）

注：*表示10%显著性水平,下同。

在显著空间集聚格局下,“空间溢出”与“马太效应”作用下的要素集散,是影响城市创新发展的重要因素;其中,前者表现为通过分享城市创新资源、模仿创新等实现创新协同发展,后者强调创新要素的空间集聚及路径依赖导致创新发展差距的扩大等[11]。在复杂竞合作用下,不同因素间接效应存在差异：（1）人才投入间接效应显著为正,表明一体化深化带来的人才“潮汐流动”强化,能够显著提升城市创新水平。（2）资金投入增加有利于提升创新载体建设,城市创新一体化和设施共享等有助于创新水平协同提升,但在对高端创新要素竞争过程中也带来差异化增长,不显著负效应表明后者依然是城市间作用的重要关系[5,12]。（3）经济增长通过完善基础设施、强化创新投入、提升人力资本等,促进城市创新发展[12]。显著的间接负效应表明,经济发展有利于创新要素的集聚,但这一过程可能建立在对周边城市要素“虹吸效应”的基础上。（4）交通设施完善,一方面通过降低流动成本推动要素流动,但也可能带来创新资源集散的“马太效应”[3,11];负的间接效应表明,交通设施完善促进了创新资源的“虹吸效应”。（5）参与全球竞争过程中,物化的先进知识和技术等,为地方创新发展提供了更多学习机会,但也可能带来“挤出效应”,如收购并限制当地创新企业以控制关键技术[4,11]。正的间接效应表明,对外开放带来的先进技术、管理经验等,通过扩散及模仿效应发挥,显著提升了更大区域创新水平,而部分加工型外资企业向欠发达城市的转移,同样通过强化产业联系促进城市创新协同发展。

2.2.2 空间溢出效应的时间对比

城市群创新发展的空间溢出效应,与一体化水平息息相关,城市群一体化呈现渐进演变的特征。此外,创新发展不仅受国家宏观政策调控,也与全球发展环境息息相关,表4结论也验证了这一现象[3,5]。对于长江三角洲而言,2008年国务院颁布《关于进一步推进长江三角洲地区改革开放与经济社会发展的指导意见》,表明城市群发展进入国家宏观战略视野;在宏观政策推动、全球金融危机冲击等影响下,区域创新格局也发生了一定变化。对此,兼顾不同时段对比性、样本平衡性,对2000—2008年、2009—2017年两个时期分别进行空间计量回归④ (4 估计结果未展示,如有需要可向作者索取。),发现随着交通设施完善、区域一体化深化等,创新发展的空间溢出效应也呈现由负转正的变化。此外,变量回归系数及空间滞后系数变化,反映不同阶段区域创新发展驱动力的差异,即制定政策推动创新发展应“与时俱进”。
创新发展空间溢出效应的明显转变,背后机制在于城市间创新要素竞合的演变。不同时期解释变量效应分解表明（表5）：（1）创新人才增长显著提升了创新水平,但2000—2008年不显著负的间接效应,表明较强竞争中人才集散呈现显著“马太效应”。（2）除2000—2008年间接效应为负外,资金投入带来的创新设施完善、人才技能的提升等,显著促进城市创新水平;2000—2008年不显著的负间接效应表明,资金投入带来的环境改善等,同样具有一定“马太效应”;2009—2017年直接效应的下降,表明在人力资本提升、创新设施完善阶段,资金的边际效用增速有所放缓。（3）2009—2017年,经济发展不显著的间接效应,表明城市转型发展、一体化深入推进过程中,城市间对创新等高端要素竞争仍然较为显著,也表明一体化程度有待进一步深化。（4）交通可达性间接效应经历了不显著负效应到显著正效应的转变,前者表明在发展前期交通设施的完善以“虹吸效应”为主,而发展后期则呈现较强扩散效应,交通网络完善带来的城市合作深化有利于协同创新。（5）对外开放的效应在不同时期有所差异,表明前一阶段中加工贸易以跨国公司生产转移为主、“挤出效应”存在且城市间竞争明显,而后一阶段对外开放水平提升带来的高质量外资、产业转移等联系的强化,显著提升城市协同创新水平[11]。
表5 不同时期空间杜宾模型的效应分解

Table 5 SDM effects decomposition results in different periods

时段/年 Tal Fund PGDP Tra Ope
总效应 2000—2008 0.101*（1.80） 0.523**（2.56） 0.903**（2.29） 0.319***（3.26） -0.113（-0.04）
2009—2017 1.276***（3.70） 0.816***（3.41） 0.516***（3.45） 0.587***（2.61） 0.979***（3.94）
直接效应 2000—2008 0.257***（3.64） 0.656**（2.45） 0.663***（8.37） 0.669***（4.11） 0.0966（0.66）
2009—2017 0.488***（2.78） 0.372**（2.01） 0.239***（11.19） 0.157**（2.14） 0.362**（2.55）
间接效应 2000—2008 -0.156（-1.58） -0.133（-0.47） 0.240*（1.83） -0.351（-0.28） -0.209（-0.07）
2009—2017 0.788***（2.58） 0.444***（3.36） 0.277（1.18） 0.430*（1.69） 0.617***（3.74）

2.2.3 空间溢出效应的空间对比

在区位、政策等综合作用下,长江三角洲城市发展存在显著“核心—边缘”差距,且这一现象在创新中同样存在[4,15]。将城市分为核心区、边缘区两类,对不同区域创新发展空间溢出效应进行对比研究⑤ (5 估计结果未展示,如有需要可向作者索取。)。空间溢出效应显著为正,且均通过1%显著性水平检验,但核心区溢出效应显著强于边缘区,与核心区便捷交通网络、完善合作机制等有较大关系。此外,解释变量系数存在一定差异,如核心区较高创新人才贡献率、较低创新资金贡献率等,与更多就业机会、便捷交流条件及良好创新环境等带来的创新人才在发达城市集聚有直接联系[8]。这些都表明,制定相关政策推动城市群创新发展,同样要做到“因地制宜”。
不同区域解释变量效应分解表明（表6）：（1）创新人才投入的直接效应、间接效应与总效应均显著为正,表明人才在驱动城市创新发展中的重要意义;显著的空间溢出效应表明,发达城市之间创新人才的频繁流动、创业和跳槽等,加快了知识在不同区域的交流[1,3,8]。作为创新人才集聚的核心区,这一因素效应显著大于边缘区。（2）与创新人才驱动效应不同,边缘区创新发展受到创新资金驱动更加明显,表明对于创新设施存在差异的区域,创新资金投入的边际效应有所不同。此外,边缘区创新资金间接效应的不显著,表明在城市发展存在一定竞争的格局中,政府主导的创新资金投入强化,可能带来一定竞争效应。（3）经济发展水平提升,对不同区域间接效应存在明显差异,这是一体化深化带来的合作强化与城市转型对高端要素争夺过程中,二者在不同区域作用力差异化的结果。（4）交通可达性的间接效应存在差异,如核心区紧密联系下的正效应与边缘区竞争中的不显著负效应,但总体上交通设施的完善显著推动创新发展。（5）持续扩大对外开放水平,能够显著提升城市创新发展,且这一效应在边缘区更为强劲。在外资知识溢出、技术扩散和挤出效应等存在明显区域差异的背景下,核心区显著正间接效应是较高质量对外开放与城市外资有序集散的结果,而边缘区不显著负间接效应是外资挤出效应与城市对外资竞争的综合结果[15]。
表6 不同区域空间杜宾模型的效应分解

Table 6 SDM effects decomposition results in different regions

Tal Fund PGDP Tra Ope
总效应 核心区 1.808***（3.12） 1.048***（2.81） 0.381**（2.44） 0.527***（4.53） 0.487***（4.26）
边缘区 0.481**（2.13） 1.338**（2.52） 0.181***（3.70） 0.296**（2.18） 1.952*（1.85）
直接效应 核心区 0.380***（3.12） 0.317*（1.77） 0.235***（7.57） 0.305***（3.03） 0.269***（3.24）
边缘区 0.281***（3.63） 0.385***（2.74） 0.388***（9.32） 0.933***（6.29） 2.582***（7.28）
间接效应 核心区 1.428*（1.63） 0.731**（2.50） 0.145（0.97） 0.222***（5.31） 0.218***（5.21）
边缘区 0.200**（1.96） 0.953（1.51） -0.207***（-3.23） -0.637（-0.41） -0.630（-1.39）

2.2.4 空间溢出效应的地理距离演变规律

距离通过影响要素流动等,进而作用于空间溢出效应[4,16,17]。按照25 km的距离进行递增,测算不同距离阈值下长江三角洲创新发展空间溢出效应,以此考察空间溢出效应随地理距离变化模式（表7）。研究发现,长江三角洲创新发展空间溢出效应呈“倒U型”演变趋势,且在325 km处溢出效应最强。随着距离增加,空间溢出效应总体上呈现波动下降态势,表明创新溢出效应存在一定最优距离阈值;超过这一距离后下降并不显著,与城市群空间结构有关,即城市创新格局由单极向多中心转变背景下,空间形态相对规则圆形、沪宁杭合四个中心城市相对均匀分布,为更好地发挥空间溢出效应提供了可能[6]。
表7 随地理距离变动的创新空间溢出效应

Table 7 Innovation development spatial spillover effects changing with distance

距离/km 空间溢出效应 距离/km 空间溢出效应
50 0.236***（3.97） 450 0.776***（20.29）
75 0.422***（10.99） 475 0.775***（20.00）
100 0.542***（19.61） 500 0.779***（20.05）
125 0.678***（28.06） 525 0.779***（19.91）
150 0.733***（28.84） 550 0.778***（19.77）
175 0.757***（28.68） 575 0.779***（19.65）
200 0.760***（27.24） 600 0.774***（19.18）
225 0.770***（26.44） 625 0.770***（18.91）
250 0.777***（25.75） 650 0.770***（18.80）
275 0.788***（25.45） 675 0.762***（18.24）
300 0.791***（24.91） 700 0.758***（17.93）
325 0.798***（24.28） 725 0.756***（17.76）
350 0.780***（22.15） 750 0.756***（17.75）
375 0.786***（22.20） 775 0.755***（17.66）
400 0.778***（21.04） 800 0.755***（17.61）
425 0.783***（21.11） / /
基于空间溢出效应演变规律,分三个区间深入讨论：（1）50~125 km为第一区间,相邻城市数量较少,且城市间创新要素竞争相对强烈,空间溢出效应较弱。（2）125~325 km为第二区间,在这一距离范围内城市之间能够有效地共享创新资源、便捷地推动人才交流等,创新发展空间溢出效应显著为正,并随着地理距离增加空间溢出效应逐渐增强,而325 km是上海覆盖长江三角洲核心区、南京都市圈这一区域中心的距离,且区域范围内的沪宁—沪杭创新带是城市群重要创新空间,表明创新溢出视角的城市群存在最优边界。（3）第三区间为325~800 km,随距离增加城市间要素交流成本明显攀升、机会逐步减少,进而影响城市群产业分工、要素流动等。但创新发展溢出效应不断减弱但并不明显的状况,说明一体化推动的区域创新联动,对于边缘城市创新发展依然具有明显带动效应。

3 结论与讨论

中国经济从高速增长转向高质量发展阶段,如何更好地实现从“要素驱动”向“创新驱动”转变,成为加快高质量发展的重要举措。以中国经济发展水平高、一体化程度深、创新资源集聚强的长江三角洲为例,采用空间计量方法,多角度探究创新发展的空间溢出效应,为更好地实现区域协同创新、提升城市创新水平等提供借鉴。主要结论如下：
（1）长江三角洲创新发展存在显著为正的空间溢出效应,创新人才、资金投入、经济发展、交通设施和对外开放等,都是长江三角洲创新发展的重要驱动因素。驱动因素效应分解发现,尽管相关变量的总效应、直接效应均显著为正,但不同因素的间接效应存在差异,如资金投入、经济发展、交通设施的负效应与创新人才、开放水平的正效应,表明在复杂竞合作用下城市对不同要素竞争的差异。创新发展显著的正向溢出效应表明,城市在加快推动产业升级、实施创新驱动战略的同时,不仅要强化创新要素的投入,更要进一步破除长期以来“地方本位”的思想,消除城市协调发展中的体制机制障碍,通过构建一体化交通设施、建立错位发展协同体系、深化高水平开放格局等,构建协同创新宏观格局提升城市群创新水平。特别地,随着城市发展水平提高带来的人口素质提升,具有更高知识存量、先进知识结构和先进技术吸收效率更高的人才,日益成为创新核心驱动力[9];而通过构建一体化人才流动氛围,强化高技能人才的流动、辐射范围,成为加强城市群创新发展的重中之重。此外,交通设施等间接效应为负的现象表明,一体化过程中创新溢出效应的发挥可能带来城市创新差距扩大,如以发达城市为关键节点的高铁网络完善,进一步吸引高端创新要素向部分发达城市集聚,而如何多举措协同实现空间溢出效应最大化、均衡化值得深入研究。
（2）面对不同发展阶段和差异化作用机制,2000—2008年、2009—2017年及核心区、边缘区的驱动因素、空间溢出效应均存在显著差异,如空间溢出效应随着时间的增强及核心区更高的溢出效应等,都表明在相关政策制定过程中应做到“因时”“因地”制宜。未来,在深入营造一体化创新发展氛围的同时,相关政策不仅要区域联动,更应坚持“因地制宜”“与时俱进”原则。如从经济发展水平这一关键指标划分来看：沪宁杭甬等核心城市政策实施重点,在于进一步发挥创新网络关键节点溢出效应,通过产业转移、创新成果扩散等,辐射带动其他城市创新要素集聚、创新能力提升等;核心区其他城市,在强化自身创新投入的同时,应加快构建跨界外部通道以促进与其他城市创新发展互动,特别是要充分发挥创新发展空间溢出效应“二传手”的关键桥梁作用;欠发达边缘区城市重点在于优化自身发展环境,在集聚创新资源的同时,逐步培育区域创新中心城市和建立融入区域创新网络的创新路径,以更加精准的政策提升创新效率。
（3）城市创新水平差距及其带来的要素流动,是城市群创新发展空间溢出效应存在的关键根源,且这一过程受中心城市辐射带动作用较大。随着距离增加,长江三角洲创新发展空间溢出效应呈现“倒U型”演变特征,且在325 km处溢出效应最强。相关结果表明,从创新协同的角度来看,城市群范围并非越大越好,如城市数量快速增加带来的协调成本增大可能不利于创新协同,城市创新水平提升更不应寄托于一体化的“一纸文书”。从上级政府角度来说,城市群一体化的重点在于政策制度对接以共建一体化市场,城市群发展应基于中心城市辐射能力科学扩容,聚力打造梯度合理、联系紧密的城市发展共同体。对于长江三角洲而言,随着距离增加、空间溢出效应下降并不显著的现象,与城市群中心城市相对均衡布局有较强关系;因此,对于中国其他城市群创新发展而言,在加快破除制度壁垒、优化交通网络等基础上,如何通过政策引导推动城市群从单中心向多中心转变,缓解空间溢出效应的衰减速度,也是进一步强化创新发展空间溢出效应的可行路径。本文中325 km处空间溢出效应最大化这一结论,可能与现实情况存在一定的偏差,而科学测度空间溢出效应最大化的距离阈值、识别城市群最优边界,也是后续相关研究需要深化的问题。
本文以长江三角洲为例,对创新发展空间溢出效应测度作了一定补充、完善,如弥补了多数研究注重总体效应测度、忽视时空对比的不足。但本文研究依然存在完善空间,考虑研究主题与文章篇幅,创新发展解释变量考虑并不全面;限于数据可得性等,地理空间矩阵可能无法准确表征城市之间的联系差异;基于城市尺度研究,忽视了城市内部区县（市）之间的空间溢出效应及其复杂性;空间溢出效应是城市竞合作用的结果,本文重点在于测度、对比,而对其影响因素的深入探讨较为欠缺。这些同样重要问题,有待后续深入思考、研究。

参考文献

原文顺序 | 文献年度倒序 | 文中引用次数倒序
[1]
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. 地理研究, 2017, 36(12): 2419-2431.

DOI

[ SUN Y K, SUN T S, XI Q M. Influence factors and spillover effect of the innovation agglomeration in Beijing. Geographical Research, 2017, 36(12): 2419-2431.]

[2]
段德忠, 杜德斌, 谌颖, 等. 中国城市创新技术转移格局与影响因素. 地理学报, 2018, 73(4): 738-754.

DOI

[ DUAN D Z, DU D B, CHEN Y, et al. Technology transfer in China's city system: Process, pattern and influencing factors. Acta Geographica Sinica, 2018, 73(4): 738-754.]

[3]
苏屹, 林周周. 区域创新活动的空间效应及影响因素研究. 数量经济技术经济研究, 2017, (11): 63-80.

[ SU Y, LIN Z Z. Research on the spatial effect and influencing factors of regional innovation activities. The Journal of Quantitative & Technical Economics, 2017, (11): 63-80.]

[4]
周灿, 曾刚, 宓泽锋, 等. 区域创新网络模式研究: 以长三角城市群为例. 地理科学进展, 2017, 36(7): 795-805.

DOI

[ ZHOU C, ZENG G, MI Z F, et al. The study of regional innovation network patterns: Evidence from the Yangtze River Delta Urban Agglomeration. Progress in Geography, 2017, 36(7): 795-805.]

DOI

[5]
殷德生, 吴虹仪, 金桩. 创新网络、知识溢出与高质量一体化发展: 来自长江三角洲城市群的证据. 上海经济研究, 2019, (11): 30-45.

[ YIN D S, WU H Y, JIN Z. Innovation network, knowledge spillover and high-quality integrated development: An empirical study based on the urban agglomeration of the Yangtze River Delta. Shanghai Journal of Economics, 2019, (11): 30-45.]

[6]
王纪武, 孙滢, 林倪冰. 城市创新活动分布格局的时空演化特征及对策: 以杭州市为例. 城市发展研究, 2020, 27(1): 9-15.

[ WANG J W, SUN Y, LIN N B. Spatial-temporal evolution characteristics and countermeasures of urban innovation activities distribution pattern: A case study of Hangzhou. Urban Development Studies, 2020, 27(1): 9-15.]

[7]
MÉNDEZ R, MORAL S S. Spanish cities in the knowledge economy: Theoretical debates and empirical evidence. European Urban and Regional Studies, 2011, 18(2): 136-155.

DOI

[8]
BERLIANT M, REED R R, WANG P. Knowledge exchange, matching, and agglomeration. Journal of Urban Economics, 2006, 60(1): 69-95.

DOI

[9]
姜海宁, 张文忠, 余建辉, 等. 山西资源型城市创新环境与产业结构转型空间耦合. 自然资源学报, 2020, 35(2): 269-283.

[ JIANG H N, ZHANG W Z, YU J H, et al. Shanxi province resource-based cities innovation environment and industrial structure transformation spatial coupling. Journal of Natural Resources, 2020, 35(2): 269-283.]

DOI

[10]
蒋天颖. 浙江省区域创新产出空间分异特征及成因. 地理研究, 2014, 33(10): 1825-1836.

DOI

[ JIANG T Y. Spatial differentiation and its influencing factors of regional innovation output in Zhejiang province. Geographical Research, 2014, 33(10): 1825-1836.]

[11]
周锐波, 刘叶子, 杨卓文. 中国城市创新能力的时空演化及溢出效应. 经济地理, 2019, 39(4): 85-95.

[ ZHOU R B, LIU Y Z, YANG Z W. Spatial-temporal evolution and knowledge spillovers of urban innovation in China. Economic Geography, 2019, 39(4): 85-95.]

[12]
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. 地理科学, 2017, 37(7): 1014-1022.

DOI

[ HE S H, DU D B, JIAO M Q, et al. Spatial-temporal characteristics of urban innovation capability and impact factors analysis in China. Scientia Geographica Sinica, 2017, 37(7): 1014-1022.]

[13]
AUTANT-BERNARD C. Spatial econometrics of innovation: Recent contributions and research perspectives. Spatial Economic Analysis, 2012, 7(4): 403-419.

DOI

[14]
JAFFE A B. Technological opportunity and spillovers of R&D: Evidence from firm's patents, profits and market value. American Economic Review, 1986, 76(5): 984-1001.

[15]
刘鉴, 杨青山, 江孝君, 等. 长三角城市群城市创新产出的空间集聚及其溢出效应. 长江流域资源与环境, 2018, 27(2): 225-234.

[ LIU J, YANG Q S, JIANG X J, et al. Spatial agglomeration of city innovation and its spillover effects in Yangtze River Delta Urban Agglomeration. Resources and Environment in the Yangtze Basin, 2018, 27(2): 225-234.]

[16]
程开明, 章雅婷. 中国城市创新空间溢出效应测度及分解. 科研管理, 2018, 39(12): 86-94.

[ CHENG K M, ZHANG Y T. Measurement and decomposition of cities' innovation spatial spillovers in China. Science Research Management, 2018, 39(12): 86-94.]

[17]
肖泽磊, 朱威鹏, 范斐, 等. 城市群创新投入的空间格局与创新绩效研究: 以长江经济带所辖城市群为例. 人文地理, 2017, 32(3): 61-67.

[ XIAO Z L, ZHU W P, FAN F, et al. Research on the spatial pattern for innovative input and innovation performance of urban agglomeration: A case of urban agglomerations of Yangtze River Economic Belt. Human Geography, 2017, 32(3): 61-67.]

[18]
GRILICHES Z. Issues in assessing the contribution of research and development to productivity growth. The Bell Journal of Economics, 1979, 10(1): 92-116.

DOI

[19]
白俊红, 王钺, 蒋伏心, 等. 研发要素流动、空间知识溢出与经济增长. 经济研究, 2017, 52(7): 109-123.

[ BAI J H, WANG Y, JIANG F X, et al. R&D element flow, spatial knowledge spillovers and economic growth. Economic Research Journal, 2017, 52(7): 109-123.]

[20]
湛东升, 吴倩倩, 余建辉, 等. 中国资源型城市房价时空变化与影响因素分析. 自然资源学报, 2020, 35(12): 2888-2900.

[ ZHAN D S, WU Q Q, YU J H, et al. Spatiotemporal change and influencing factors of resource-based cities' housing prices in China. Journal of Natural Resources, 2020, 35(12): 2888-2900.]

DOI

[21]
LESAGE J, FISCHER M. Estimates of the impact of static and dynamic knowledge spillovers on regional factor productivity. International Regional Science Review, 2012, 35(1): 103-127.

DOI

[22]
王承云, 孙飞翔. 长三角城市创新空间的集聚与溢出效应. 地理研究, 2017, 36(6): 1042-1052.

DOI

[ WANG C Y, SUN F X. Spatial agglomeration and spillover effects of urban innovation in Yangtze River Delta. Geographical Research, 2017, 36(6): 1042-1052.]

[23]
李在军, 胡美娟, 张爱平, 等. 工业生态效率对PM2.5污染的影响及溢出效应. 自然资源学报, 2021, 36(3): 737-751.

[ LI Z J, HU M J, ZHANG A P, et al. Influence and spillover effect of industrial eco-efficiency on PM2.5 pollution. Journal of Natural Resources, 2021, 36(3): 737-751.]

DOI

[24]
徐宜青, 曾刚, 王秋玉. 长三角城市群协同创新网络格局发展演变及优化策略. 经济地理, 2018, 38(11): 133-140.

[ XU Y Q, ZENG G, WANG Q Y. Pattern evolution and optimization of synergic innovation network in Yangtze River Delta Urban Agglomeration. Economic Geography, 2018, 38(11): 133-140.]

[25]
KRUGMAN P. Increasing returns and economic geography. Journal of Political Economy, 1991, 99(3): 483-499.

DOI

[26]
KELEJIAN H H, PRUCHA I R. A generalized spatial two-stage least squares procedure for estimating a spatial autoregressive model with autoregressive disturbances. Journal of Real Estate Finance and Economics, 1998, 17(1): 99-121.

DOI

Options
文章导航

/

〈 〉