广东省城市创新能力的空间格局及其溢出效应.pdf

中图分类号：F204；F1 2 9.9文章编号：1 0 0 0-7 6 9 5（2 0 2 3）1 3-0 0 7 3-1 0文献标志码：Adoi:10.39697695.2023.13.00920233No.132023年第1 3期科技管理研究Science and Technology Management Research广东省城市创新能力的空间格局及其溢出效应龙志军1.2，邬丽萍（1.广西大学经济学院，广西南宁530004;2.广东海洋大学管理学院，广东湛江524088)摘要：为探清广东省城市创新能力空间格局，通过构建城市创新能力综合指标体系，分析广东省2 1 个城市2 0 年的创新能力空间格局及演变，并使用空间计量模型分析城市创新能力空间溢出效应。研究表明，广东城市创新能力分布呈现出愈来愈典型的幂律分布特征，珠三角的深圳、广州等极少头部城市创新能力极高且趋于极化，粤东西北地区的尾部城市创新能力较低、这类城市占绝大多数且其创新能力差异趋小；广东城市创新能力空间不平衡在扩大，主要原因是珠三角和粤东西北的地区间差距在扩大，而且珠三角地区内部差异迅速扩大所贡献的比重在增加；广东城市创新能力出现“俱乐部集聚现象”，表现出以深圳、广州为核心，周边城市创新能力逐层递减的“中心一外围”的空间结构；城市创新能力存在显著的正向空间溢出效应，邻近城市创新能力的影响因素也影响了本地创新能力。研究结论为促进广东创新能力平衡发展和协调发展提供政策参考。关键词：城市创新能力；空间格局；空间溢出效应Spatial Pattern and Spatial Spillover Effect ofUrban Innovation Capability in Guangdong ProvinceLong Zhijun2,Wu Liping(1.School of Economics,Guangxi University,Nanning 530004,China;2.School of Management,Guangdong Ocean University,Zhanjiang 524088,China)Abstract:In order to clarify the characteristics and rules of the spatial pattern of urban innovation capacityin Guangdong Province,this paper constructs an index system of urban innovation capability,calculates thecomprehensive index of urban innovation capability,analyzes the spatial pattern of innovation capability of 21 citiesin Guangdong Province in 20 years,and analyzes the spatial spillover effect of urban innovation capability through thespatial econometric model.Conclusions can be drawn as follows:(1)The distribution of urban innovation capabilityin Guangdong shows an increasingly typical power-law distribution.The top cities are in Pearl River Delta withhigh innovation capability,they are few and tend to be polarized.While the bottom cities are in other areas with lowinnovation capability,they account for the vast majority proportion and their gap is closing.(2)The imbalance of urbaninnovation ability in Guangdong is increasing,which is due to the widening gap between the Pearl River Delta andother areas of Guangdong,and the proportion of the rapid expansion of differences within the Pearl River Delta regionis increasing.(3)The urban innovation capability of Guangdong has the phenomenon of club agglomeration,whichshows the center-periphery spatial structure with Shenzhen and Guangzhou as the core and the innovation capabilityof the surrounding cities gradually decreasing.There is a significant positive spatial spillover effect of urban innovationcapability,and the influencing factors of the innovation capability of neighboring cities also affect the local innovationcapability.The conclusions of this study provide policy reference for promoting the balanced and coordinateddevelopment of Guangdong innovation capacity.Key words:urban innovation capability;spatial pattern;spatial spillover effect1研究背景创新是区域经济发展的动力源泉，国家“十四五”规划纲要提出，坚持创新在我国现代化建设全局中的核心地位，把科技自立自强作为国家发展的战略支撑。城市具有很强的创新资源和要素集聚能力，是创新发展的主要空间单元，城市是承载国家创新收稿日期：2 0 2 2-0 8-1 5，修回日期：2 0 2 3-0 2-0 3项目来源：广东海洋大学人文社会科学研究项目“多维邻近视角下广东区域创新能力空间溢出效应研究”（0 30 30 1 0 92 1 0 3）74广东省城市创新能力的间格局及其溢出效应龙志军等：战略实现的基本单元，城市尺度的创新空间格局研究是更为本质的创新空间格局。2 0 2 1 年，广东省区域创新能力已连续5 年排名第一1 ，但广东省内部也面临着城市创新高度极化、区域间创新差距明显和分层化等问题。进一步分析广东城市创新能力空间格局及其演变趋势，有利于尊重不同区域创新资源的特色优势，促进不同层次各类创新资源和要素的合理流动和高效集聚，对区域创新协调平衡发展具有重要意义。现有研究对城市创新能力的概念和测度并没有形成权威观点，但城市作为一个小型区域单元，可借鉴较为成熟的区域创新能力研究进行分析。如柳卸林等【2】认为区域创新能力是一个地区将知识转化为新产品、新工艺、新服务的能力，区域创新能力评价指标体系包括知识创造能力、知识流动能力、企业的技术创新能力、创新的环境、创新的经济绩效5 个方面；任胜钢等3】认为区域创新能力是区域内各个创新主体在一定创新环境条件下，创新投入与产出的水平，评价指标包括创新主体的投人产出、创新环境两个方面；李二玲等【4 从投人产出视角出发，认为区域创新能力是一个区域依托于内外部的创新环境将创新投入转化为社会生产力，形成创新产出的能力，评价指标包括创新投入、产出和环境3个方面；李斌等5】在区域创新能力概念基础上构建城市创新能力评价指标包括知识创新、技术创新、政府支持和服务、创新基础环境4个方面。因而，本研究认为城市创新能力是城市尺度的区域创新能力，用构建评价指标体系的方式来测度城市创新能力更为客观，虽然现有研究所构建的指标体系不尽相同，但关键指标较为一致，大多包括各创新主体的创新投人产出，以及创新环境等指标。创新空间格局分析将区域创新异质性问题拓展到了空间维度，从国际、省域、局域地区等空间尺度，对创新空间分布、空间差异和关联分析。广东省作为全国创新大省，学者们使用了不同的创新变量研究了广东的创新空间格局问题。如吴国栋等 6 认为珠三角城市创新效率突出，沿粤东西北递减；王伟等【7 认为粤港澳地区的创新产出呈“核心外围”格局；张祥宇【8 认为广东省科技资源配置形成珠三角领衔、粤东西部协同发展的“一核两翼”创新发展格局；孟霏等【9 认为粤港澳大湾区城市技术创新能力“中心-外围”特征明显；王盟迪 1 0 和程风雨 的研究表明，粤港澳大湾区城市科技创新能力差异的主要来源是的湾东、湾中和湾西3个区域间的差距。现有广东创新空间格局研究关注到城市的创新效率、创新产出、创新资源投入、技术创新能力等创新变量，较为一致认为广东的创新空间格局表现出地区分布不均衡、极化和集聚等特征，但是从城市创新能力这一视角分析广东创新空间格局研究仍然不多，而城市创新能力这一变量更为综合和全面，能更好描述广东的创新格局。为进一步摸清广东省城市创新能力的空间格局，为落实国家创新驱动发展战略，支撑广东创新型省份建设提出可参考建议，本研究构建了广东城市创新能力评价指标体系，深人研究广东城市创新能力的空间格局特征，探讨城市创新能力发展趋势，并进一步研究城市创新能力空间溢出效应，为解决广东城市创新均衡发展和协调发展提供政策建议。2城市创新能力的综合评价2.1城市创新能力评价指标体系构建研究认为城市创新能力是城市尺度的区域创新能力，可参考区域创新能力来构建评价指标体系。现有研究关于区域创新能力的测度并没有一个固定的标准，测度区域创新能力主要分为单一指标和综合指标两种类型。单一指标主要是使用新产品产值、专利、R&D投入等评价区域创新能力，综合指标是建立综合指标评价体系，通过一定权重计算方法测算区域创新能力综合指数，综合指标对区域创新能力的评价更为全面，应用研究更可信。应用较广泛的综合指标方法又大致分为两类。一是出自世界专业机构或政府部门的报告，如中国科技发展战略研究小组自1 999年开始每年发布的中国区域创新能力评价报告、世界知识产权组织发布的全球创新指数等，这些报告具有一定的权威性，但由于评价对象固定为国家或者省域等大区域，创新指标的应用范围受限，然而其构建的综合指标体系有重要参考价值；二是学者们根据研究需要，参考专业机构报告而构建的创新能力评价综合指标体系，计算出综合评价指数。根据李二玲等【4 遵循科学性、代表性、可比性、可获得性等原则，构建区域创新能力综合评价指标体系，其二级指标包括创新投入、创新产出、创新环境3个方面。这一指标体系得到广泛应用，如黄丽等【1 2】、王文静等【1 3】、陈琦等1 4、张建伟等 1 5 的研究都构建了相同的二级指标体系，根据研究目的和数据的可得性，专家们对三级评价指标的选择存在些许差异。参考以上研究，本研究构造了衡量城市创新能力的综合指标体系。如表1 所示，二级指标体系包括创新环境、创新投入和创新产出3个方面，三级指标衡量方法如第四列所示1 1 个指标，其中专利申请复合数为对发明专利申请数、实用新75龙志军等：广东省城市创新能力的空间格局及其溢出效应型专利申请数和外观设计专利申请数分别赋予0.5、0.3和0.2 的权重计算而得。所有的指标以2 0 0 0 年为基期，按人均地区生产总值（GDP）总值指数、居民消费价格指数等进行平减。表1城市创新能力综合指标体系一级指标二级指标三级指标三级指标衡量方法城市创新能力创新环境政府科技支持水平地方财政科技拨款占公共财政支出比重政府教育支持水平教育经费占公共财政支出比重经济发展水平人均GDP/元对外开放水平对外贸易额（进出口总额/GDP）工业发展水平工业增加值得占GDP比重创新投入研发经费投人R&D经费内部支出/亿元研发人员投人每万人R&D人员全时当量/人年研发强度R&D经费内部支出占CGDP比重创新产出技术创新产出专利申请复合数/件产品创新产出新产品销售收人/亿元产品创新质量新产品出口收人/亿元2.2数据来源与处理方法研究时间范围为2 0 0 0 一2 0 1 9年，以分析新世纪以来广东城市创新能力空间格局的变化，考虑到数据的可得性和研究的时效性，研究样本始于2 0 0 0 年，由于2 0 2 0 年受新冠疫情影响可能引起偶然性波动，本研究时间截至2 0 1 9年。数据主要来自2 0 0 1 一2 0 2 0年的广东统计年鉴广东科技统计年鉴，广东科技统计网数据等，个别缺失数据用插值法填补。综合指标体系各指标权重的确定方法主要有熵值法、主成分分析法和层次分析法等，为了避免主观性的影响和确保实证结果的稳健性，本研究使用熵值法计算城市创新能力综合指数（简称城市创新指数），用主成分分析法作稳健性检验。摘值法计算1 1 个三级指标的权重分别为0.0 42、0.0 1 0、0.0 39、0.0 5 9、0.010、0.1 6 3、0.1 40、0.0 45、0.1 5 5、0.1 5 1、0.1 8 6,对归一化处理的7 个指标按权计算出城市创新指数innovation，部分年份的创新指数如表2 所示。由于熵值法使用归一法对各三级指标进行无量纲化处理，因而得到的城市创新指数是一个相对水平的数值，范围在0 1 之间，大致表示考察期城市创新指数的最小值到最大值之间的百分位。表2 主要指标数据统计描述变量指标平均值标准差最小值最大值kjbk政府科技支持水平2.4482.1080.26012.960jyjif政府教育支持水平1886.860688.03283.2883561.413rigdp经济发展水平29804.00823303.0393.825.916109022.950open对外开放水平68.30276.3633.399350.470adin工业发展水平42.6379.97518.87766.212rdk研发经费投入38.257102.9840.018901.648rdl研发人员投人16 200.59337.506.91511.000306 467.390rdr研发强度0.9740.9330.0104.920patent技术创新产出3715.4009 648.7657.80088539newp产品创新产出514.7911 251.3400.0059 665.352export产品创新质量170.050520.2870.0033818.299innovation城市创新指数0.0840.1170.0040.9213广东城市创新能力的空间格局分析城市创新空间格局研究将城市创新指数投影到空间维度，主要包括对创新指数的数值及空间分布、创新空间差异、创新空间关联及空间集聚等3个方面研究。3.1广东城市创新能力的空间分布通过横向比较各年度的城市创新指数可以发现，城市创新能力以低水平为主，如表3所示，表中所列5 年数据，只有深圳、广州、东莞、佛山、珠海、中山、惠州7 个城市创新指数均高于当年所有城市的平均水平，而其他1 4个城市的创新指数均低于当年的平均水平。创新能力排名也表现出明显的地理位置分布特征，表3所列5 年的创新指数及全部年份创新指数均值排名中，排名前1 0 的有9个城市位于珠三角地区，珠三角之外仅汕头位于第9，而排名1 1 2 1 名的城市全部位于粤东西北地区，而且2005年后汕头创新指数也位列9名之后，两个地区的城市创新能力排名基本分开为头尾两部分，排名趋于固化。从创新指数概率分布看具有典型的幂律特征，头部的极少数城市（深圳、广州）对应极高的创新能力，分布在长尾中的绝大多数城市（主要是粤东西北地区城市）创新能力较低，而且排名越76龙志军等：广东省城市创新能力的空间格局及其溢出效应靠近头部，城市之间创新能力阶梯明显，排名越靠近尾部，城市之间的创新能力差距越小。如表3最后一行所示，首位度显示了排在首位深圳与次位广州的创新指数比值，初期增长迅速后期有所回落，但总体趋于上升，表明头部城市的阶梯在拉大。通过纵向对比各城市创新指数变化趋势可以看出，城市创新能力增长明显，但增长速度出现分化，创新能力增长趋于发散。全省2 0 1 9年创新指数均值为2 0 0 0 年的4倍，表3最后一列的Nich指数表示从2 0 0 0 年到2 0 1 9年，城市创新能力成长倍数相对全省成长倍数的比值。Nich指数大于1 的城市从高到低依次是河源、深圳、广州、佛山、清远等5 个城市，其创新能力增长速度快于全省的平均水平，Nich指数小于1 的其他1 4个城市创新能力增长速度慢于全省平均水平，增长速度较快的城市大多位于珠三角和粤北地区。表3广东城市创新指数统计序号地区20002019年均值2000年2005年2010年2015年2019年Nich指数1深圳0.4440.1290.2230.4980.6210.9211.7232广州0.1960.0730.1020.1830.2720.4341.4323东莞0.1680.0800.0920.1260.2150.4031.2044佛山0.1530.0580.0960.1490.2040.2931.2215珠海0.1310.1030.1150.1190.1490.1950.4546中山0.1100.0530.0890.1110.1360.1520.6867惠州0.1080.0480.0740.0920.1420.1870.9378江门0.0690.0310.0480.0600.0860.1180.9039汕头0.0440.0350.0380.0430.0480.0630.42810肇庆0.0410.0270.0260.0380.0550.0580.51711韶关0.0350.0150.0240.0390.0410.0480.80112潮州0.0340.0180.0350.0370.0400.0410.56113揭阳0.0320.0150.0290.0300.0400.0410.64614汕尾0.0280.0110.0230.0260.0350.0320.68915清远0.0280.0110.0210.0320.0320.0501.14716湛江0.0270.0170.0250.0240.0300.0360.49517茂名0.0270.0160.0200.0240.0350.0360.52218阳江0.0260.0110.0220.0260.0360.0320.70019云浮0.0240.0110.0190.0280.0330.0280.58820河源0.0240.0040.0200.0270.0320.0311.96921梅州0.0190.0080.0180.0200.0230.0250.746城市均值0.0840.0370.0550.0820.1100.153首位度1.2461.9452.7272.2802.1223.2广东城市创新能力的空间差异使用变异系数分析广东城市创新能力的分散性。如表4第二列所示，各年度城市创新指数的变异系数呈波动上升趋势，说明城市创新能力的距离均值趋于发散。变异系数的逐年上升也表明城市创新能力不存在收敛，进一步计算创新指数绝对收敛系数为0.0 6 7 且显著，说明城市创新能力发展趋于发散。使用基尼系数和总体泰尔指数分析广东城市创新能力的非平衡情况，如表4第三列所示，2 0 0 0 一2019年，全省城市创新能力的基尼系数从0.5 1 8 逐步上升到0.6 2 8，说明整体的城市创新能力差距悬殊并在扩大；表4第四列所示总体的泰尔指数除了在量纲上与基尼系数有差别外，其展现出来的变化趋势与基尼系数基本一致。由此可见，广东城市创新能力严重不平衡，而且这种不平衡有进一步扩大的趋势。广东这一情况与全国创新发展趋势存在差异，如马静等【1 6 研究表明全国城市创新产出空间差异的总体水平自2 0 0 7 年开始不断下降，因而广东区域创新失衡面临更大挑战。前文分析珠三角和粤东西北地区的城市创新能力的排名完全分开为头尾两部分，通过分解泰尔指数进一步分析创新能力在两区域内的城市间差异、两区域之间的差异。如表4第五、六列所示，2 0 0 0年时两区域各自的内部差异相差不大，但珠三角区域内部城市创新能力差异随着时间不断增大，而粤东西北区域内部差异总体在减小，到了2 0 1 9年，珠三角区域内部泰尔指数达到0.2 7 6，内部差异较大，而粤东西北为0.0 35，内部差异较小。如表4最后两列所示，珠三角和粤东西北的区域间差异的泰尔指数不断增长，但由于珠三角地区内部差异迅速扩大导致总体泰尔指数增长更快，区域差异占总差异的比重却在小幅下降；区域间差异占总体差异虽然在缓慢下降但仍高于6 0%。总体而言，广东城市创新能力空间不平衡在扩大的主要原因是珠三角和粤东西北地区间的差距在扩大，而且珠三角地区内部差异迅速扩大贡献的比重在增加。77广东省城市创新间格局及其溢出效应龙志军等：表4广东城市创新能力差异指标年份变异系数基尼系数总体泰尔指数珠三角区域泰尔指数粤东西北区域泰尔指数区域间泰尔指数区域间差异占比20000.9320.4450.3630.1070.1190.25369.72%20010.9230.4290.3410.1020.0620.24972.86%20020.9140.4320.3440.0980.0800.25172.82%20030.7940.3630.2540.0930.0360.17669.58%20040.8370.3770.2730.0940.0220.19872.53%20050.9150.4010.3150.1360.0280.20765.69%20060.9670.4150.3410.1600.0300.21362.63%20070.9890.4150.3440.1670.0300.21261.47%20081.1110.4460.4060.2050.0300.24259.54%20091.0940.4520.4100.1970.0250.25161.34%20101.2950.4860.5000.2700.0240.28056.05%20111.2050.4730.4620.2260.0230.27860.17%20121.2520.4790.4810.2420.0230.28458.98%20131.2490.4840.4870.2370.0190.29460.25%20141.2440.4920.4960.2270.0170.30962.23%20151.2580.4990.5080.2320.0150.31662.25%20161.2790.5150.5360.2350.0180.33863.13%20171.3100.5320.5680.2420.0180.36263.75%20181.3530.5480.6010.2590.0260.37862.84%20191.3990.5640.6360.2760.0350.39462.01%3.3广东城市创新能力的空间关联如表5 所示为2 0 0 0、2 0 0 6、2 0 1 2 和2 0 1 9年城市创新指数的从高到低四分位数的分布情况，如表所示的4个年份中，珠三角地区的深圳、广州、东莞、佛山、珠海等5 市的创新能力位于常年位于前五第一梯队；珠三角周边的惠州、中山、江门、肇庆常年位于创新能力第二梯队；创新能力第三梯队以粤北和粤西城市居多；创新能力最末梯队以粤东城市居多。初步判断城市创新能力有俱乐部集聚的现象。表5城市创新能力排名的四分位表创新能力年份15名610名1115名1621名2000深圳、珠海、东莞、广州、佛山中山、惠州、汕头、江门、肇庆潮州、湛江、茂名、揭阳、韶关云浮、汕尾、阳江、清远、梅州、河源2006深圳、珠海、广州、佛山、东莞中山、惠州、江门、韶关、潮州汕头、汕尾、湛江、肇庆、河源揭阳、清远、阳江、云浮、茂名、梅州2012深圳、广州、佛山、东莞、珠海中山、惠州、江门、肇庆、汕头韶关、潮州、揭阳、清远、阳江汕尾、云浮、茂名、湛江、河源、梅州2019深圳、广州、东莞、佛山、珠海惠州、中山、江门、汕头、肇庆清远、韶关、揭阳、潮州、湛江茂名、汕尾、阳江、河源、云浮、梅州通过探索性空间数据分析对城市创新能力的空间集聚现象进行检验。空间自相关是对空间集聚程度的度量，使用地理邻接权重矩阵对各城市创新能力进行全局MoransI指数检验，如表6 所示，2000一2 0 1 9年全局MoransI指数均大于零，并且通过了5%的显著性检验，说明广东城市创新能力总体具有正的空间相关性，即相似创新能力的城市在空间分布上呈现集聚态势，MoransI指数随2 0 0 0 一2010年趋于快速下降，2 0 1 0 一2 0 1 9年有小幅回升，说明城市化创新能力的空间集聚态势有波动，总体上趋于下降。表6 广东城市创新能力全局Morans/指数年份乙值P值20000.4103.103.0.00220010.4283.3700.00120020.4513.4470.00120030.4493.5520.00120040.3953.2440.00120050.3513.0050.003表6(续)年份1乙值P值20060.3292.9310.00320070.3102.9160.00420080.2542.6740.00720090.2592.4920.01320100.2002.4910.01320110.2532.7650.00620120.2412.8060.00520130.2512.8040.00520140.2943.0590.00220150.2912.9780.00320160.3433.2980.00120170.3603.3700.00120180.3513.2960.00120190.3493.2830.001全局MoransI指数给出总体上空间相关性，不能表明局部集聚特征，需要使用莫兰散点图来探索各城市创新能力与其邻近城市的空间关联，仍然使用地理邻接权重矩阵，绘制2 0 0 0、2 0 0 6、2 0 1 2 和78东省城市创新能间格局及其溢出效应龙志军等：2019年的莫兰散点图，表7 汇总了莫兰散点图在4个象限的分布情况。如表7 所示，各城市创新能力总体呈现显著的高一高聚集和低一低聚集的空间俱乐部现象。其中，高高集聚区集中了珠三角地区城市，创新能力较高的城市周边集聚了创新能力较高城市；低低集聚区集中了粤东、粤西地区城市，创新能力较低的城市周边集聚了创新能力较低城市；低高集聚区包括江门、清远、韶关等城市，这些城市位于珠三角边缘或者周边，在创新发展不及邻近城市情况下成为了创新洼地；高低集聚区没有城市，创新能力较高的城市周边没有出现创新能力较低城市的集聚现象。2 0 0 0 2 0 1 9年集聚格局变化主要集中在高高集聚区和低高集聚区之间，中山和惠州因为创新发展速度相对较慢，逐渐落后于邻近城市。表7 广东城市创新能力具体空间集聚情况年份高-高集聚低-高集聚低一低集聚高-低集聚2000深圳、广州、东莞、珠海、佛山、中山、江门、清远、韶关肇庆、汕头、阳江、潮州、汕尾、云浮、茂名、湛江、惠州揭阳、河源、梅州2006深圳、广州、东莞、珠海、佛山、中山、江门、清远、韶关肇庆、汕头、阳江、潮州、汕尾、云浮、茂名、湛江、惠州揭阳、河源、梅州2012深圳、广州、东莞、珠海、佛山、中山、江门、清远、韶关肇庆、汕头、阳江、潮州、汕尾、云浮、茂名、湛江、惠州揭阳、河源、梅州2019深圳、广州、东莞、珠海、佛山、惠州江门、清远、韶关、中山肇庆、汕头、阳江、潮州、汕尾、云浮、茂名、湛江、揭阳、河源、梅州综合以上分析，广东城市创新能力逐渐形成以深圳、广州为中心，周边城市创新能力逐层递减的“中心一外围”的不均衡空间关联格局，深圳、广州核心创新能力极高，珠三角其他城市创新能力次之，珠三角周边城市再次之，外围的粤东西北地区城市的创新能力较低。这一研究发现与吴国栋等 6 】研究的城市创新效率集聚，王伟等7 研究的创新产出集聚，张祥宇【8 研究的科技资源配置集聚等现象较为一致。4广东城市创新能力的空间溢出效应分析4.1模型设定空间格局分析表明广东城市创新能力表现出“中心一外围”的空间集聚现象，新地理增长理论解释经济现象的空间分布不均匀、空间集聚现象的核心思想是知识外部影响空间有界性。张可云等 1 7 认为，知识的溢出效应意味着在研究区域层面的创新问题时必须考虑空间依赖性，由于创新活动的空间依赖性，容易形成很强的经济活动的空间极化特征，导致创新的空间异质性。由此可见，对创新溢出效应分析能更深层次解释创新空间格局的形成原因，为了进一步检验城市创新能力的空间溢出效应，本文使用空间计量模型进行识别，并分析各影响因素的直接效应、间接效应（溢出效应）和总效应。城市创新能力的空间溢出效应，可能由邻近城市创新能力、由某些可观测和不可观测的影响因素引起，本研究构建如下3种常用的空间计量模型：模型（1）即式（1）为空间误差模型（SEM），模型设定认为相邻城市的创行能力存在空间依赖，由一些未被观测或模型遗漏的变量引起；模型（2）即式（2）为空间滞后模型（SAR），模型设定认为城市创新能力会按照空间传导机制影响其他城市，使相邻的城市创新能力趋于平均；模型（3）即式（1）为空间杜宾模型（SDM），作为更一般的空间计量模型形式，该模型兼具以上两个模型的特点，同时引人了因变量与自变量的空间滞后项。-Ininnovation,=o+ZX,+,+,+uitui=AWuit+Vit(1)In innovation,=o+pW In innovation,+X,+,+o,+u（2In innovation,=+pWln innovation,+EXit+EowX,+u,+a,+uit(3)模型中i表示城市，t表示年份，innovation表示被解释变量城市创新能力，X表示城市创新能力的影响因素，根据现有文献研究，本研究概括了6 个方面的影响因素：（1）外商投资水平fdi，外商直接投资对本地企业创新有示范效应和溢出效应；（2）产业结构indstr，创新主要发生在制造业领域和生产性服务业领域，城市产业结构影响城市创新能力；（3）政府干预力度gov，地方政府对经济活动的干预体现了政府的宏观调控政策力度，对城市创新也有影响；（4）金融支持水平rzxl，创新活动有长期性、不确定性和高调整成本等特点，金融支持能缓解创新的融资约束；（5）高等教育水平gdjy，高等教育能够提供基础研究和高层次人才，促进城市创新水平；（6）互联网发展水平ydyw，互联网的应用推动了知识的溢出，从而促进创新。W为空间权重矩阵，由于本研究关注的是相邻79广东省城市创新洛局及其溢出效应龙志军等：城市之间的空间相关性，或者说要检验的是相邻城市之间的空间溢出效应，且创新知识的溢出具有空间有界性，因而采用地理邻接权重矩阵。W中的元素W,表示城市i和城市j的空间权重，如果两个城市有共同边界，则权重矩阵对应元素取值为1，否则为0。待估参数方面，为各影响因素的回归系数，入为空间误差项系数，为空间滞后项系数，为各影响因素的空间交互项系数，、分别表示城市固定效应和时间固定效应，u、v 表示独立同分布的干扰项。本研究关注的重点是系数入和p的估计结果，如果其符号显著为正，则表明存在空间溢出效应，邻近城市的创新能力能促进本地城市创新能力提高。4.2变量选取被解释变量innovation采用上文计算的城市创新能力综合指数。解释变量方面，外商投资水平fdi采用实际利用外资和固定资产投资的比值衡量；产业结构indstr采用第二、三产业占GDP的比重衡量；政府干预水平gov用政府财政支出占GDP比重衡量；金融支持水平rzxl用中外金融机构各项贷款总额和GDP的比值衡量；高等教育水平gdjy，用普通高等学校教师人数代理；互联网发展水平ydyw用人均邮电业务总量衡量。所有的经济指标以2 0 0 0 年为基期，分别按GDP总值指数、消费者物价指数等进行平减。为对系数解释的统一，对比率指标不取对数，对非比率解释变量指标innovation、g d j y 和ydyw分别取对数。经检验，解释变量之间无严重共线性问题。表8为主要解释变量的描述性统计。表8 主主要解释变量描述性统计变量指标样本个数/个平均值标准差最小值最大值fdi外商投资水平4200.1220.1450.0010.941indstr产业结构4200.4610.0920.2130.722gov政府干预4200.1260.0620.0410.399rzxl金融支持4200.7920.3810.1892.208gdiy高等教育4203.5139.946.0983967 284ydyw互联网发展420148.379290.0746.0722.714.4964.3空间相关性检验和模型选择使用地理邻接权重矩阵构，对被解释变量，也即取对数后的城市创新能力进行空间相关性检验，MoransI指数为0.5 94，并通过1%的显著性检验，这一结果与表5 的结果是一致的，可以判断城市间存在显著的空间自相关，满足空间计量分析的条件。表9空间相关性检验结果项目1乙值P值检验值0.59415.8640.001尽管空间杜宾模型（SDM）比空间滞后模型（SA R）和空间误差模型（SEM）更具一般性，且在空间滞后或空间误差的实际情况下也能得到无偏的估计系数，但是为严谨起见，本研究使用统计检验判断模型的选择问题。如表1 0 所示，LM-error和LM-lag都是显著的，RobustLM-error不显著而RobustLM-lag显著，表明城市创新能力有空间溢出效应，两者比较应选择SAR。L M 检验未涉及到SDM，进一步使用SDM回归后的Wald检验和SDM等回归后的LR检验分析，Wald和LR统计量均在1%水平下显著，说明SDM不能简化为SEM或SAR。LM检验与Wald检验、LR检验结果表明，应当选择SDM。从理论上讲，控制个体效应和时间效应是合乎实际情况的，为谨慎起见，采用Hausman检验判断SDM固定效应选择的问题，Hausman统计量在5%的水平下显著，说明二者有系统差异，应选择固定效应模型，LR检验结果表明应该选择个体和时间双向固定效应模型。因而，本研究以双向固定效应SDM空间计量估计结果为准。表1 0空间计量模型选择的检验结果统计量统计值P值LM-error65.8640.001Robust LM-error0.8250.364LM-lag162.3500.001Robust LM-lag97.3110.001Wald-error72.3400.001Wald-lag69.2500.001LR-error68.5300.001LR-lag65.1200.001Hausman14.8600.021LR-fe31.2700.0384.4回归结果为了比较估计结果，表1 1 给出了4种模型的估计结果，分别是固定效应（FE）、空间滞后（SAR）、空间误差（SEM）、空间杜宾（SDM）4种模型，从估计结果看，各解释变量的估计结果基本一致，说明估计结果较为稳健。空间计量模型中，SDM的方差最小，对数似然数Log-L最大，赤池信息准则（A I C）和贝叶斯信息准则（BIC）最小，表明SDM80龙志军等：广东省城市创新能力的空间格局及其溢出效应模型有较好的拟合度，与上文Wald检验、