论文部分内容阅读
[摘 要] 从异质性视角考察省际创新影响因素，有助于把握不同因素在省际间的差别。Moran's I 指数和LISA聚类结果表明，中国创新相似水平区域表现出空间集聚。地理加权回归分析表明，在区域创新水平提高方面，R&D经费支出对西部地区促进作用最大，R&D人员投入和人均GDP对东中部的促进作用大于西部;低水平人力资本抑制创新产出，且对中部地区的负效应大于东西部;技术市场水平对西部地区创新负作用大于东中部。分位数回归分析表明，随着创新能力提高，R&D经费支出对区域创新的促进作用降低;R&D人员投入对创新高水平段促进作用较大，人力资本对创新中间段水平负效应较大，人均GDP对创新低水平和高水平段的拉动作用显著，技术市场水平对创新低水平段负影响较大。为此，东部要打造创新集聚高地，中部要创新体制机制，西部要加大研发投入，省际间需构建创新协作机制。
[关键词] 区域创新;空间异质性;空间相关性;地理加权回归;分位数回归
[中图分类号] F127 [文献标识码]A [文章编号]1673-0461（2019）09-0036-07
一、引 言
党的十九大报告指出，我国经济已由高速增长阶段转向高质量发展阶段，要以创新作为经济发展的核心动力，加快建设创新型国家。关于区域创新的研究主要集中在创新价值（史自力，2013;王麗洁，2016）、创新绩效（白俊红等，2015;卓乘风等，2017）、创新评价（贺德方，2014;张爱华，2017）、创新因素（王鹏等，2017;李慧，2014）等方面。在创新因素实证研究中，主要探讨不同投入要素贡献程度（方远平等，2012;冯南平等，2017;苏屹等，2017）和资源优化配置效果（王春杨等，2018;王聪等，2017;赖德胜等，2015）。部分研究已表明我国创新能力存在明显空间特征（蒋天颖，2014;赵雨涵等，2017），空间特征可能是由外溢性和空间相邻性导致。那么，在考察区域创新影响因素实证研究中需要把空间特征纳入，突破传统经济学上把空间看作同质性的假设。为此，从异质性视角考察中国省际创新影响因素，有助于把握不同因素在省际间的差别。
二、中国省际创新空间相关性分析
在分析中国省际创新空间异质性之前，首先对中国区域创新水平的全局和局部空间相关性进行探测。
（一）全局空间相关性分析
四个间隔年份中，山东、江苏、浙江和上海始终处于HH区域，体现明显的空间集聚效应。广东、北京和四川一直处于HL区域，说明这三个地区的区域创新水平相对于周边地区较高，表现为高值被低值包围的集聚特征。江西，广西、湖南、海南等地区始终位于LH型区域，其创新水平总是低于其周边。大多数经济相对较落后地区（黑龙江，新疆，山西，宁夏等）的区域创新水平较低，且其周边地区均表现为低水平，分布在LL区域。2016年有22个省市位于第I、III象限，这些地区的创新水平集聚程度较明显，呈现空间正相关集聚特征。其中，约有53.3%的省市位于LL区域，有显著的低低集聚特征。有5个省份位于第II象限（LH），说明这些地区创新水平低于周边。相比于2007年，2016年HH区域增加了安徽和福建，说明安徽和福建两地通过提高自身创新能力以及接受周边地区创新溢出，其创新水平逐渐提高，依次从LH区域转变为HH区域。
三、基于GWR模型分析
（一）变量选择与模型设定
1.变量选取
考虑到数据的可获得性，确定研究时段为2007—2016年，研究对象为除西藏、香港地区、澳门地区和台湾地区外30个省、自治区和直辖市。样本数据来源于各年的《中国统计年鉴》和《中国科技统计年鉴》;所有数据以2007年为基期年，通过价格平减消除了相关变量的价格影响因素。
创新产出（inv）：国内外众多研究都把专利数量作为衡量区域创新的指标，故以各年各省市的专利授权数来表示各区域的创新产出水平。
科技投入：专利生产过程中需要投入劳动和资本，用地区研究与试验发展人员全时当量表示人员投入 （R&Dry）和地区研究与实验发展经费支出量（R&Dzc）来反映各地区科技投入。
人力资本（edu）：一般采用平均受教育年限作为人力资本的代理变量。用全部6岁及6岁以上人口的平均受教育年限来衡量，设定不识字或识字很少为0年、小学为6年、初中为9年、高中为12年、大专及以上为16年。以各受教育水平在人口中的比例为权重，得到各地区的平均受教育年限。
区域创新环境：一个地区创新水平不仅与以上因素有关，而且与区域创新环境紧密相连。采用各省（市、自治区）人均GDP（pgdp）和技术市场成交金额 （jssc）代表区域创新环境。人均GDP可以体现一个地区的经济发达程度，能够全面反映区域创新的经济保障支撑要素;技术市场成交额反映一个地区技术市场的活跃度，技术市场的发展可以促进知识流动，提高创新资源配置效率。
2.模型设定
考虑各因素对区域创新水平的影响，构建如模型（3）。为消除数据异方差，对各变量取对数。
从OLS估计的R2和F检验结果来看，模型整体拟合程度较高，体现出所建模型有较好解释力。AICc值为33.744。通过系数值可以看出，R&D经费支出、R&D人员投入以及人均GDP都对区域创新有正向作用;人力资本水平和技术市场水平对区域创新有负向作用。从p值来看，大多系数都不显著，且每个变量系数估计值只有一个“全局”意义上的估计值，需进一步做局部的地理加权回归。
利用SAM4.0软件运行地理加权回归模型，计算各变量回归系数。将各因素对区域创新空间分布影响程度的最小值、分位数值及最大值详细列出，如表3。
整体来看，各因素对区域创新水平的影响程度有显著差异，表现为回归系数值范围变动幅度较大。OLS的回归结果仅代表总体的平均状况，对局部地区的预测效果不佳。从R2和AICc的统计值来看，GWR模型较优于OLS模型。为更详细展示GWR的回归结果，将每一个回归点的系数估计值总结于表4。 由表4可以看出：①地区R&D经费支出（lnR&Dzc）对区域创新水平均有正向促进作用，其中影响最小为黑龙江（0.443 3），最大为新疆（1.436 5）。从系数平均值来看，地区R&D经费支出对西部地区的创新水平影响最大（1.197 1），高于东中部超过0.4个单位。②地区R&D人员投入（lnR&Dry）的系数值除西部地区的新疆、云南外，都表现为正，且在中东部地区其对区域创新的正向促进作用远大于西部。③人力资本（lnedu）的系数为负值，人力资本水平提高对各区域创新反而有负作用，且对中部地区的负效应大于东西部。④人均GDP（lnpgdp）的系数表现为对区域创新有正向促进作用。东部地区系数平均值为0.093 6，明显高于西部地区系数平均值0.045 5。系数值排名靠前的海南、广东、福建、广西、浙江、上海、江西、江苏、湖南、安徽等地区，除广西外，均处中东部地区，而排名靠后的青海、甘肃、宁夏、内蒙古、四川、陕西等省，均处西部地区。⑤技术市场水平（lnjssc）的系数大多表现为负，影响较大的地区为新疆、云南、四川、贵州、广西、青海等西部地区，影响较小的地区为吉林、辽宁、天津、北京、上海、山东等中东部地区。
四、基于分位数回归模型分析
分位数回归（Quantile Regression）是依据被解释变量的条件分位数对解释变量进行回归，从而得到多个分位数下的回归模型。分位数回归模型并不直接引入空间坐标信息，但由于我国省际创新水平存在明显块状发展特征，且不同地区具有差异性，故可以达到异质性分析的目的。相比普通最小二乘法只能描述被解释变量的均值回归，分位数模型更能精确刻画自变量对不同部分因变量的分布产生的不同影响，并且采用面板数据进行分位数回归的各参数估计比OLS回归估计更稳健。基于这个特点，沿用模型（3）进行面板分位数回归，研究不同区域创新水平上各因素的影响差异。这里列出0.1、0.3、0.5、0.7、0.9各分位点的参数估计结果，如表5所示。
通过分位数回归结果可以看出，当区域创新能力处于不同水平上时，各因素对其影响有很大差异。
R&D经费支出（lnR&Dzc）的系数估计值均显著为正，说明其对区域创新的正向促进作用明显。但是其系数值随着分位点的提高總体下降，即随着区域创新能力的提高，R&D经费支出对区域创新水平的影响作用在降低。R&D人员投入（lnR&Dry）在分位数较高点的系数估计值最大，且显著为正，即在创新能力较高区域，增加R&D人员投入显著提高当地创新产出。
人力资本（lnedu）在各个分位点的系数估计值为负，且大多显著。这可能是因为当前我国人力资本水平总体不高（样本中人均受教育年限在7.46年至11.54年之间），相对低端的人力资本对区域创新活动的推动作用有限，甚至可能会抑制创新产出，这与刘曙光等（2017）的研究结论一致。随着分位点的提高，人力资本水平对区域创新的负作用先增大后减小，即对区域创新水平处于中间段的负面效应大于低水平区域和高水平区域。
区域经济实力（lnpgdp）对区域创新有正向影响。在区域创新水平位于低分位点（0.1）和高分位点（0.9）时，人均GDP增长对创新的拉动作用较为显著。在分位数处于中间段的时候，其显著性不明显，且随着分位数提高，影响强度总体下降。创新低水平区域，需要打好经济基础，支撑创新增长，创新高水平区域，同样需要通过强大经济实力来提升核心竞争力。
技术市场水平（lnjssc）的系数估计值均显著为负，说明技术市场水平的提升对区域创新有明显负效应。随着分位点的提高，其对区域创新水平的负面影响先下降后提升。出现这种情况的原因可能有两方面：一是创新能力处于低分位点时，地区经济发展水平相对落后，对创新的需求和消化能力较弱，技术市场水平的提高不能发挥其对区域创新能力的促进作用。二是创新水平处于较高点时，存在较强技术外溢，创新高地的技术溢出到其他地区，使得技术市场活跃度不能很好转化为当地区域创新能力。
五、结论与建议
采用Moran's I 指数和 LISA 指数对2007—2016年中国30个省市（自治区）①区域创新水平的全局和局部空间相关性进行探测，并利用地理加权回归和分位数回归探讨各因素对区域创新的具体影响。研究得出以下主要结论：
第一，样本期间内，我国各区域创新水平之间存在正向空间相关性，相似水平的区域表现出空间集聚，且集聚程度总体加强。局部空间相关性分析表明，东部地区的山东、江苏、浙江和上海始终处于HH区域，体现明显的高高空间集聚效应。广东、北京和四川一直处于HL区域，其区域创新水平相对于周边地区较高，表现为高值被低值包围的集聚特征。江西、广西、湖南和海南等地区始终位于LH区域，其创新水平总是低于其周边区域。黑龙江，新疆，山西，宁夏等经济欠发达西部地区的区域创新水平较低，且其周边地区均表现为低水平，分布在LL区域，呈现低低集聚模式。近年来，安徽和福建两地创新水平逐渐提高，依次从LH区域转变为HH区域。
第二，创新水平的影响因素对各区域创新能力的效应有所不同，区别于OLS那样仅有一个简单的平均估计值。具体表现为随空间位置的变动，回归系数值的范围变动幅度较大，影响强度有显著差异。个别变量在不同地区表现为正负不同的影响，可能是由于各个地区有着不同的经济条件、创新体制、产业结构等原因使估计系数具有空间非平稳性。模型拟合优度也存在空间差异，但都较好拟合数据，GWR模型较优于OLS模型。
第三，地理加权回归分析表明，在区域创新水平提高方面，R&D经费支出对西部地区促进作用最大，高于东中部地区超过0.4个单位。R&D人员投入和人均GDP对东中部的促进作用大于西部地区。人力资本水平提高对各区域创新有负作用，且对中部的负效应大于东西部地区，低端人力资本抑制创新产出。技术市场水平对西部地区创新负作用大于东中部地区。 第四，分位数回归表明，当区域创新能力处于不同水平上时，各因素对其影响有很大差异。随创新能力的提高，R&D经费支出对区域创新的促进作用降低。R&D人员投入对创新高水平段影响较大，人力资本对创新水平中间段的负效应大于低水平和高水平段，低端人力资本抑制创新产出。人均GDP对创新低水平和高水平段的拉动作用显著，技术市场水平对创新低水平和高水平段的负影响较大。
基于以上结论，提出相关政策建议。
第一，东部打造创新集聚高地，发挥空间外溢效应。对于江苏、浙江、上海、北京、广东等东部创新高区域，加快形成创新集聚高地，发挥对相邻中部省份的溢出效应，逐步形成高高集聚空间;进一步增加R&D人员投入，发挥其对创新水平的显著促进作用。
第二，中部创新体制机制，主动接受辐射效应。中部应该着力打破当地与周边创新高地之间的创新溢出壁垒，接受周边创新高地的辐射效应，加强与创新高地的全方位合作，努力提高创新水平。加大对高端教育的投入，不断吸引、培育高层次人才，使人力资本提升成为提高区域创新水平的重要推手。
第三，优化创新投入资源配置，加大西部研发经费投入。西部地区经济水平落后，依靠当地财政很难保持对创新水平活动的维持。因此，从国家大局、地区创新平衡方面综合考虑，应加大西部研发经费投入，实现全国创新水平的总体提高。
第四，搭建技术交流平台，构建创新协作机制。技术市场活跃度不能很好转化为区域创新能力，因此政府要搭建技术交流平台，促进知识双向流动，构建创新协作机制，提高创新资源配置效率，进而提高各地区创新水平。
[注 释]
① 研究对象为除西藏、香港地区、澳门地区和台湾地区外30个省、自治区和直辖市。[参考文献]
[1]史自力.区域创新能力与经济增长质量关系的实证研究[J].重庆大学学报（社会科学版），2013，19（6）：1-8.
[2]王丽洁.区域创新能力与经济增长动态关系研究[J].统计与决策，2016（16）：142-144.
[3]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，2015，50（7）：174-187.
[4]卓乘风，邓峰.创新要素流动与区域创新绩效——空间视角下政府调节作用的非线性检验[J].科学学与科学技术管理，2017，38（7）：15-26.
[5]贺德方.创新型国家评价方法体系构建研究[J].中国软科学，2014（6）：117-128.
[6]张爱华.区域创新评价指标体系构建[J].统计与决策，2017（24）：51-54.
[7]王鹏，高妍伶俐.中国区域创新能力差异的实证研究——兼评各地区创新能力的影响因素[J]. 南京工业大学学报（社会科学版），2017，16（1）：121-128.
[8]李慧. 區域创新产出影响因素与地区差异的实证研究——基于江苏省13个地级市面板数据的分析[J].华东经济管理，2014，28（6）：8-13.
[9]方远平，谢蔓.创新要素的空间分布及其对区域创新产出的影响——基于中国省域的ESDAGWR分析[J].经济地理，2012，32（9）：8-14.
[10]冯南平，陈思宇，司家兰. 基于ESDAGWR的安徽省创新产出空间分布及影响因素分析[J].科技管理研究，2017，37（11）：78-85.
[11]苏屹，林周周.区域创新活动的空间效应及影响因素研究[J].数量经济技术经济研究，2017，34（11）：63-80.
[12]王春杨，吴国誉.研发资源配置、溢出效应与中国省域创新空间格局[J].研究与发展管理，2018，30（1）：106-114.
[13]王聪，朱先奇，刘玎琳，等.京津冀协同发展中科技资源配置效率研究——基于超效率DEA-面板Tobit两阶段法[J].科技进步与对策，2017，34（19）：47-52.
[14]赖德胜，纪雯雯.人力资本配置与创新[J]. 经济学动态，2015（3）：22-30.
[15]蒋天颖.浙江省区域创新产出空间分异特征及成因[J].地理研究，2014，33（10）：1825-1836.
[16]赵雨涵，宋旭光. 我国区域创新空间关联的测度与分析——兼论区域创新网络结构的动态特征[J].西南民族大学学报（人文社科版），2017，38（7）：84-92.
[17]TOBLER W R. A computer movie simulating urban growth in the Detroit region[J]. Economic geography， 1970， 46（2）：234-240.
[18]BOWMAN AW. An alternative method of crossvalidation for the smoothing of density estimates[J]. Biometrika， 1984：71.
[19]FOTHERINGHAM A S， BRUNSDON C ， CHARLTON ME. Geographically weighted regression： the analysis of spatially varying relationships[M]. West Sussex： John Wiley &Sons Ltd.， 2002.
[20]刘曙光，张涵.人力资本与欧盟区域创新活动研究——基于探索性空间数据分析和地理加权回归模型[J].科技管理研究，2017，37（19）：155-163。
Abstract： To investigate the influencing factors of innovation between provinces from the perspective of heterogeneity is helpful to grasp the differences of different factors between provinces. The results of the Moran's I index and the LISA cluster show that，Chinese innovation level presents spatial correlation，and similar horizontal areas exhibit spatial agglomeration. GWR shows that， In terms of increasing regional innovation， R&D expenditure has the greatest impact on the western region;R&D personnel investment and per capita GDP have contributed more to the Eastern and central regions than to the West. Lowend human capital inhibits innovation output， and the negative effect on the central region is greater than that of the Eastern and western regions. The technology market level has more negative effects on innovation in the West than in the East and middle regions. The quantile regression shows that with the improvement of innovation ability， R&D expenditure reduces the contribution of regional innovation; R&D personnel investment has a greater impact on the low and high levels of innovation. The negative effect of human capital on the intermediate levels of innovation is greater than that of the low and high levels. Per capita GDP has a significant pull effect on the low and high levels of innovation. The level of technology market has a negative impact on the low level and high level of innovation. To this end， the eastern part of the country needs to create a Highland of innovation， the central part needs to innovate institutional mechanisms， the western part needs to increase investment in research and development， and build innovative cooperation mechanisms between provinces.
Key words： regional innovation; spatial heterogeneity; spatial relevance; GWR; quantile regression
（责任编辑：张梦楠）
[关键词] 区域创新;空间异质性;空间相关性;地理加权回归;分位数回归
[中图分类号] F127 [文献标识码]A [文章编号]1673-0461（2019）09-0036-07
一、引 言
党的十九大报告指出，我国经济已由高速增长阶段转向高质量发展阶段，要以创新作为经济发展的核心动力，加快建设创新型国家。关于区域创新的研究主要集中在创新价值（史自力，2013;王麗洁，2016）、创新绩效（白俊红等，2015;卓乘风等，2017）、创新评价（贺德方，2014;张爱华，2017）、创新因素（王鹏等，2017;李慧，2014）等方面。在创新因素实证研究中，主要探讨不同投入要素贡献程度（方远平等，2012;冯南平等，2017;苏屹等，2017）和资源优化配置效果（王春杨等，2018;王聪等，2017;赖德胜等，2015）。部分研究已表明我国创新能力存在明显空间特征（蒋天颖，2014;赵雨涵等，2017），空间特征可能是由外溢性和空间相邻性导致。那么，在考察区域创新影响因素实证研究中需要把空间特征纳入，突破传统经济学上把空间看作同质性的假设。为此，从异质性视角考察中国省际创新影响因素，有助于把握不同因素在省际间的差别。
二、中国省际创新空间相关性分析
在分析中国省际创新空间异质性之前，首先对中国区域创新水平的全局和局部空间相关性进行探测。
（一）全局空间相关性分析
四个间隔年份中，山东、江苏、浙江和上海始终处于HH区域，体现明显的空间集聚效应。广东、北京和四川一直处于HL区域，说明这三个地区的区域创新水平相对于周边地区较高，表现为高值被低值包围的集聚特征。江西，广西、湖南、海南等地区始终位于LH型区域，其创新水平总是低于其周边。大多数经济相对较落后地区（黑龙江，新疆，山西，宁夏等）的区域创新水平较低，且其周边地区均表现为低水平，分布在LL区域。2016年有22个省市位于第I、III象限，这些地区的创新水平集聚程度较明显，呈现空间正相关集聚特征。其中，约有53.3%的省市位于LL区域，有显著的低低集聚特征。有5个省份位于第II象限（LH），说明这些地区创新水平低于周边。相比于2007年，2016年HH区域增加了安徽和福建，说明安徽和福建两地通过提高自身创新能力以及接受周边地区创新溢出，其创新水平逐渐提高，依次从LH区域转变为HH区域。
三、基于GWR模型分析
（一）变量选择与模型设定
1.变量选取
考虑到数据的可获得性，确定研究时段为2007—2016年，研究对象为除西藏、香港地区、澳门地区和台湾地区外30个省、自治区和直辖市。样本数据来源于各年的《中国统计年鉴》和《中国科技统计年鉴》;所有数据以2007年为基期年，通过价格平减消除了相关变量的价格影响因素。
创新产出（inv）：国内外众多研究都把专利数量作为衡量区域创新的指标，故以各年各省市的专利授权数来表示各区域的创新产出水平。
科技投入：专利生产过程中需要投入劳动和资本，用地区研究与试验发展人员全时当量表示人员投入 （R&Dry）和地区研究与实验发展经费支出量（R&Dzc）来反映各地区科技投入。
人力资本（edu）：一般采用平均受教育年限作为人力资本的代理变量。用全部6岁及6岁以上人口的平均受教育年限来衡量，设定不识字或识字很少为0年、小学为6年、初中为9年、高中为12年、大专及以上为16年。以各受教育水平在人口中的比例为权重，得到各地区的平均受教育年限。
区域创新环境：一个地区创新水平不仅与以上因素有关，而且与区域创新环境紧密相连。采用各省（市、自治区）人均GDP（pgdp）和技术市场成交金额 （jssc）代表区域创新环境。人均GDP可以体现一个地区的经济发达程度，能够全面反映区域创新的经济保障支撑要素;技术市场成交额反映一个地区技术市场的活跃度，技术市场的发展可以促进知识流动，提高创新资源配置效率。
2.模型设定
考虑各因素对区域创新水平的影响，构建如模型（3）。为消除数据异方差，对各变量取对数。
从OLS估计的R2和F检验结果来看，模型整体拟合程度较高，体现出所建模型有较好解释力。AICc值为33.744。通过系数值可以看出，R&D经费支出、R&D人员投入以及人均GDP都对区域创新有正向作用;人力资本水平和技术市场水平对区域创新有负向作用。从p值来看，大多系数都不显著，且每个变量系数估计值只有一个“全局”意义上的估计值，需进一步做局部的地理加权回归。
利用SAM4.0软件运行地理加权回归模型，计算各变量回归系数。将各因素对区域创新空间分布影响程度的最小值、分位数值及最大值详细列出，如表3。
整体来看，各因素对区域创新水平的影响程度有显著差异，表现为回归系数值范围变动幅度较大。OLS的回归结果仅代表总体的平均状况，对局部地区的预测效果不佳。从R2和AICc的统计值来看，GWR模型较优于OLS模型。为更详细展示GWR的回归结果，将每一个回归点的系数估计值总结于表4。 由表4可以看出：①地区R&D经费支出（lnR&Dzc）对区域创新水平均有正向促进作用，其中影响最小为黑龙江（0.443 3），最大为新疆（1.436 5）。从系数平均值来看，地区R&D经费支出对西部地区的创新水平影响最大（1.197 1），高于东中部超过0.4个单位。②地区R&D人员投入（lnR&Dry）的系数值除西部地区的新疆、云南外，都表现为正，且在中东部地区其对区域创新的正向促进作用远大于西部。③人力资本（lnedu）的系数为负值，人力资本水平提高对各区域创新反而有负作用，且对中部地区的负效应大于东西部。④人均GDP（lnpgdp）的系数表现为对区域创新有正向促进作用。东部地区系数平均值为0.093 6，明显高于西部地区系数平均值0.045 5。系数值排名靠前的海南、广东、福建、广西、浙江、上海、江西、江苏、湖南、安徽等地区，除广西外，均处中东部地区，而排名靠后的青海、甘肃、宁夏、内蒙古、四川、陕西等省，均处西部地区。⑤技术市场水平（lnjssc）的系数大多表现为负，影响较大的地区为新疆、云南、四川、贵州、广西、青海等西部地区，影响较小的地区为吉林、辽宁、天津、北京、上海、山东等中东部地区。
四、基于分位数回归模型分析
分位数回归（Quantile Regression）是依据被解释变量的条件分位数对解释变量进行回归，从而得到多个分位数下的回归模型。分位数回归模型并不直接引入空间坐标信息，但由于我国省际创新水平存在明显块状发展特征，且不同地区具有差异性，故可以达到异质性分析的目的。相比普通最小二乘法只能描述被解释变量的均值回归，分位数模型更能精确刻画自变量对不同部分因变量的分布产生的不同影响，并且采用面板数据进行分位数回归的各参数估计比OLS回归估计更稳健。基于这个特点，沿用模型（3）进行面板分位数回归，研究不同区域创新水平上各因素的影响差异。这里列出0.1、0.3、0.5、0.7、0.9各分位点的参数估计结果，如表5所示。
通过分位数回归结果可以看出，当区域创新能力处于不同水平上时，各因素对其影响有很大差异。
R&D经费支出（lnR&Dzc）的系数估计值均显著为正，说明其对区域创新的正向促进作用明显。但是其系数值随着分位点的提高總体下降，即随着区域创新能力的提高，R&D经费支出对区域创新水平的影响作用在降低。R&D人员投入（lnR&Dry）在分位数较高点的系数估计值最大，且显著为正，即在创新能力较高区域，增加R&D人员投入显著提高当地创新产出。
人力资本（lnedu）在各个分位点的系数估计值为负，且大多显著。这可能是因为当前我国人力资本水平总体不高（样本中人均受教育年限在7.46年至11.54年之间），相对低端的人力资本对区域创新活动的推动作用有限，甚至可能会抑制创新产出，这与刘曙光等（2017）的研究结论一致。随着分位点的提高，人力资本水平对区域创新的负作用先增大后减小，即对区域创新水平处于中间段的负面效应大于低水平区域和高水平区域。
区域经济实力（lnpgdp）对区域创新有正向影响。在区域创新水平位于低分位点（0.1）和高分位点（0.9）时，人均GDP增长对创新的拉动作用较为显著。在分位数处于中间段的时候，其显著性不明显，且随着分位数提高，影响强度总体下降。创新低水平区域，需要打好经济基础，支撑创新增长，创新高水平区域，同样需要通过强大经济实力来提升核心竞争力。
技术市场水平（lnjssc）的系数估计值均显著为负，说明技术市场水平的提升对区域创新有明显负效应。随着分位点的提高，其对区域创新水平的负面影响先下降后提升。出现这种情况的原因可能有两方面：一是创新能力处于低分位点时，地区经济发展水平相对落后，对创新的需求和消化能力较弱，技术市场水平的提高不能发挥其对区域创新能力的促进作用。二是创新水平处于较高点时，存在较强技术外溢，创新高地的技术溢出到其他地区，使得技术市场活跃度不能很好转化为当地区域创新能力。
五、结论与建议
采用Moran's I 指数和 LISA 指数对2007—2016年中国30个省市（自治区）①区域创新水平的全局和局部空间相关性进行探测，并利用地理加权回归和分位数回归探讨各因素对区域创新的具体影响。研究得出以下主要结论：
第一，样本期间内，我国各区域创新水平之间存在正向空间相关性，相似水平的区域表现出空间集聚，且集聚程度总体加强。局部空间相关性分析表明，东部地区的山东、江苏、浙江和上海始终处于HH区域，体现明显的高高空间集聚效应。广东、北京和四川一直处于HL区域，其区域创新水平相对于周边地区较高，表现为高值被低值包围的集聚特征。江西、广西、湖南和海南等地区始终位于LH区域，其创新水平总是低于其周边区域。黑龙江，新疆，山西，宁夏等经济欠发达西部地区的区域创新水平较低，且其周边地区均表现为低水平，分布在LL区域，呈现低低集聚模式。近年来，安徽和福建两地创新水平逐渐提高，依次从LH区域转变为HH区域。
第二，创新水平的影响因素对各区域创新能力的效应有所不同，区别于OLS那样仅有一个简单的平均估计值。具体表现为随空间位置的变动，回归系数值的范围变动幅度较大，影响强度有显著差异。个别变量在不同地区表现为正负不同的影响，可能是由于各个地区有着不同的经济条件、创新体制、产业结构等原因使估计系数具有空间非平稳性。模型拟合优度也存在空间差异，但都较好拟合数据，GWR模型较优于OLS模型。
第三，地理加权回归分析表明，在区域创新水平提高方面，R&D经费支出对西部地区促进作用最大，高于东中部地区超过0.4个单位。R&D人员投入和人均GDP对东中部的促进作用大于西部地区。人力资本水平提高对各区域创新有负作用，且对中部的负效应大于东西部地区，低端人力资本抑制创新产出。技术市场水平对西部地区创新负作用大于东中部地区。 第四，分位数回归表明，当区域创新能力处于不同水平上时，各因素对其影响有很大差异。随创新能力的提高，R&D经费支出对区域创新的促进作用降低。R&D人员投入对创新高水平段影响较大，人力资本对创新水平中间段的负效应大于低水平和高水平段，低端人力资本抑制创新产出。人均GDP对创新低水平和高水平段的拉动作用显著，技术市场水平对创新低水平和高水平段的负影响较大。
基于以上结论，提出相关政策建议。
第一，东部打造创新集聚高地，发挥空间外溢效应。对于江苏、浙江、上海、北京、广东等东部创新高区域，加快形成创新集聚高地，发挥对相邻中部省份的溢出效应，逐步形成高高集聚空间;进一步增加R&D人员投入，发挥其对创新水平的显著促进作用。
第二，中部创新体制机制，主动接受辐射效应。中部应该着力打破当地与周边创新高地之间的创新溢出壁垒，接受周边创新高地的辐射效应，加强与创新高地的全方位合作，努力提高创新水平。加大对高端教育的投入，不断吸引、培育高层次人才，使人力资本提升成为提高区域创新水平的重要推手。
第三，优化创新投入资源配置，加大西部研发经费投入。西部地区经济水平落后，依靠当地财政很难保持对创新水平活动的维持。因此，从国家大局、地区创新平衡方面综合考虑，应加大西部研发经费投入，实现全国创新水平的总体提高。
第四，搭建技术交流平台，构建创新协作机制。技术市场活跃度不能很好转化为区域创新能力，因此政府要搭建技术交流平台，促进知识双向流动，构建创新协作机制，提高创新资源配置效率，进而提高各地区创新水平。
[注 释]
① 研究对象为除西藏、香港地区、澳门地区和台湾地区外30个省、自治区和直辖市。[参考文献]
[1]史自力.区域创新能力与经济增长质量关系的实证研究[J].重庆大学学报（社会科学版），2013，19（6）：1-8.
[2]王丽洁.区域创新能力与经济增长动态关系研究[J].统计与决策，2016（16）：142-144.
[3]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，2015，50（7）：174-187.
[4]卓乘风，邓峰.创新要素流动与区域创新绩效——空间视角下政府调节作用的非线性检验[J].科学学与科学技术管理，2017，38（7）：15-26.
[5]贺德方.创新型国家评价方法体系构建研究[J].中国软科学，2014（6）：117-128.
[6]张爱华.区域创新评价指标体系构建[J].统计与决策，2017（24）：51-54.
[7]王鹏，高妍伶俐.中国区域创新能力差异的实证研究——兼评各地区创新能力的影响因素[J]. 南京工业大学学报（社会科学版），2017，16（1）：121-128.
[8]李慧. 區域创新产出影响因素与地区差异的实证研究——基于江苏省13个地级市面板数据的分析[J].华东经济管理，2014，28（6）：8-13.
[9]方远平，谢蔓.创新要素的空间分布及其对区域创新产出的影响——基于中国省域的ESDAGWR分析[J].经济地理，2012，32（9）：8-14.
[10]冯南平，陈思宇，司家兰. 基于ESDAGWR的安徽省创新产出空间分布及影响因素分析[J].科技管理研究，2017，37（11）：78-85.
[11]苏屹，林周周.区域创新活动的空间效应及影响因素研究[J].数量经济技术经济研究，2017，34（11）：63-80.
[12]王春杨，吴国誉.研发资源配置、溢出效应与中国省域创新空间格局[J].研究与发展管理，2018，30（1）：106-114.
[13]王聪，朱先奇，刘玎琳，等.京津冀协同发展中科技资源配置效率研究——基于超效率DEA-面板Tobit两阶段法[J].科技进步与对策，2017，34（19）：47-52.
[14]赖德胜，纪雯雯.人力资本配置与创新[J]. 经济学动态，2015（3）：22-30.
[15]蒋天颖.浙江省区域创新产出空间分异特征及成因[J].地理研究，2014，33（10）：1825-1836.
[16]赵雨涵，宋旭光. 我国区域创新空间关联的测度与分析——兼论区域创新网络结构的动态特征[J].西南民族大学学报（人文社科版），2017，38（7）：84-92.
[17]TOBLER W R. A computer movie simulating urban growth in the Detroit region[J]. Economic geography， 1970， 46（2）：234-240.
[18]BOWMAN AW. An alternative method of crossvalidation for the smoothing of density estimates[J]. Biometrika， 1984：71.
[19]FOTHERINGHAM A S， BRUNSDON C ， CHARLTON ME. Geographically weighted regression： the analysis of spatially varying relationships[M]. West Sussex： John Wiley &Sons Ltd.， 2002.
[20]刘曙光，张涵.人力资本与欧盟区域创新活动研究——基于探索性空间数据分析和地理加权回归模型[J].科技管理研究，2017，37（19）：155-163。
Abstract： To investigate the influencing factors of innovation between provinces from the perspective of heterogeneity is helpful to grasp the differences of different factors between provinces. The results of the Moran's I index and the LISA cluster show that，Chinese innovation level presents spatial correlation，and similar horizontal areas exhibit spatial agglomeration. GWR shows that， In terms of increasing regional innovation， R&D expenditure has the greatest impact on the western region;R&D personnel investment and per capita GDP have contributed more to the Eastern and central regions than to the West. Lowend human capital inhibits innovation output， and the negative effect on the central region is greater than that of the Eastern and western regions. The technology market level has more negative effects on innovation in the West than in the East and middle regions. The quantile regression shows that with the improvement of innovation ability， R&D expenditure reduces the contribution of regional innovation; R&D personnel investment has a greater impact on the low and high levels of innovation. The negative effect of human capital on the intermediate levels of innovation is greater than that of the low and high levels. Per capita GDP has a significant pull effect on the low and high levels of innovation. The level of technology market has a negative impact on the low level and high level of innovation. To this end， the eastern part of the country needs to create a Highland of innovation， the central part needs to innovate institutional mechanisms， the western part needs to increase investment in research and development， and build innovative cooperation mechanisms between provinces.
Key words： regional innovation; spatial heterogeneity; spatial relevance; GWR; quantile regression
（责任编辑：张梦楠）