论文部分内容阅读
摘要：协同创新能够补齐区域创新的短板，对区域及整个国家创新成果的产出极为重要。使用Gephi9.2软件生成2019年我国31个省、市、自治区跨区域产学研协同创新网络图，对协同创新网络进行分析；运用因子分析、多元回归的方法探讨我国各区域创新资源发展情况及其对跨区域产学研协同创新的影响。结果表明：（1）我国跨区域协同创新网络存在北京一个主中心和上海、广东等多个子中心，跨区域产学研协同创新实力呈现地区发展不平衡的特征；（2）区域创新资源条件综合得分在地理分布上与跨区域协同创新网络基本吻合，总體上对跨区域产学研协同创新绩效呈现正向影响。针对研究结果提出相关的对策建议。
关键词：协同创新；创新合作网络；创新资源
中图分类号：F124.3文献标识码： ADOI：10.3969/j.issn.1003-8256.2021.02.001
开放科学（资源服务）标识码（OSID）：
0引言
在当前创新驱动发展战略的新时代背景下，我国创新型国家建设取得了良好成效。在世界知识产权组织（World Intellectual Property Organization，WIPO）发布的2020年全球创新指数（Global Innovation Index，GII）中，中国连续两年排第14位。随着社会环境的不确定性和不稳定性增加，各区域紧密合作的重要性凸显，要实现社会的可持续发展，就要加强技术创新合作，创造新的经济发展动力。在创新知识需求不断增长的背景下，产学研合作作为组织间知识网络的一种形式，被视为非常重要的合作模式，有利于增强区域的活力，促进国家竞争力的提高。进入信息化时代以来，国内外众多学者对区域创新进行了有益探讨。尤其在我国，自实施创新驱动发展战略以来，一些省份尝试建立协同创新网络以期促进区域创新水平的提高，学术界的研究热点也逐渐从对区域内部创新的研究逐渐转向对区域创新合作网络及其影响因素的研究。2011年，胡锦涛同志在纪念清华大学建校100周年的演讲中首次提出“协同创新”，多年过去，我国跨区域产学研协同创新绩效成果如何？哪些因素影响我国跨区域产学研协同创新的进程？本文将从区域创新资源的角度回答这两个问题。
1理论基础和研究综述
集群理论认为，一个地方存在相互联系的组织是竞争优势的来源，而在跨区域协同创新合作中，区域间的相互联系是整个国家竞争优势的来源。区域创新依赖创新资源融入跨区域协同创新网络的能力，区域间的联系和互动可以促进隐性知识的溢出，因而在知识经济时代变得越来越重要。当前学者们一般以跨区域产学研协同创新为研究跨区域协同创新的切入点，研究的方法主要包括数据包络方法、社会网络分析方法以及构建“三螺旋”模型等。Teemu Makkonen等[1]构建了跨欧盟国家的协同创新分析框架来阐释跨区域协同创新系统，实证证明了该分析框架的可行性。Henry Etzkowitz[2]认为，产学研之间形成的合作网络和如今制度层面的根本变革构成了一个新的创新环境，产学研的“三螺旋”联系是新兴的生产模式，其目的是增强知识经济中的创新动力。Lawrence Dooley等[3]的研究发现，大学和产业组织之间的合作网络有利于知识创造和技术创新，网络实体内部需要进行多层面的治理，以优化知识交流和技术创新的路径。Maksim Belitski等[4]认为产学研合作可以促进技术和知识的商业化，因此推动创业生态系统在教育领域的实施。Jinjuan Zang[5]从结构洞的角度研究网络位置对企业创新绩效的影响，研究指出，不同类型的创新需要不同类型的资源，区域互补性的资源有利于创新主体打破思维惯性；研究发现，结构洞可以帮助企业进行探索性创新，但会对发展创新性产生负面影响。Barry Ferguson[6]认为，大部分创新是通过合作的方式实现的，区域中的各种要素组成是进行创新的重要决定因素，公共部门实施创新战略时应该把关注的重点放在区域的资源条件和发展要素上。李美娟等[7]运用基于灰靶理论的动态评价方法，对我国不同地区的协同发展能力进行分析，发现我国区域协同合作能力整体上还不够强。邓富民等[8]通过构建区域协同创新协调度模型和区域协同创新管理熵模型对我国若干个经济发达城市进行区域协同创新能力的测度，为研究我国跨区域协同创新成果提供了有益参考。侯光文等[9]从社会网络的角度研究集群网络关系、知识获取和协同创新绩效的关系，集群创新网络的网络强度、网络稳定性等对企业创新绩效有不同程度的影响。范斐等[10]运用改进的DEA模型和门槛回归模型探究区域协同创新对创新绩效的影响机制，发现我国创新绩效的总体水平呈上升趋势。王海花等[11]从邻近性角度出发研究邻近性对跨区域产学研协同创新的影响，发现地理邻近性和网络邻近性对跨区域产学研协同创新有显著的促进作用，而社会邻近性和技术邻近性对跨区域产学研协同创新会产生倒U型的影响。
综上可知，关于跨区域产学研协同创新的研究已经有了基本的理论框架和研究方法，但是在研究的问题上，既有研究更侧重于对若干个城市产学研协同创新的研究，关于全国区域范围内跨区域产学研协同创新的研究还比较少，尤其在对跨区域产学研协同创新影响因素的问题上，既有研究一般是从结构洞的角度和邻近性视角出发进行研究。但是无论研究的角度如何，要实现跨区域产学研协同创新，离不开区域自身资源条件的支撑，而在关于内生增长的研究中可以发现，动态外部性通常被视为增长的引擎，让区域创新资源在协同创新网络中真正地“活”起来，可以在很大程度上降低区域创新的风险和费用，实现区域创新资源应有的价值。本文从区域自身资源角度出发，探究区域创新资源条件对跨区域产学研协同创新绩效的影响，以期从区域创新资源的角度为促进我国跨区域产学研协同创新的发展建言献策。
2跨区域产学研协同创新网络结构分析
2.1指标度量与数据来源
在区域范围内，有学者认为区域创新是创新行为嵌入区域系统的一个过程[12]。一些学者从地理学的角度出发，将区域创新系统理解为位于某一个区域内的创新网络系统，其中企业和其他组织通过以嵌入性为特征的制度环境系统地参与互动和集体学习。现有研究通常选用专利授权数、专利申请数等指标，或者通过建立DEA投入产出模型来衡量区域创新绩效。借鉴Robert T.等[13]、Magdaniel等[14]做法，且考虑到所选指标的说服力和数据的可得性，将与区域创新有关的概念和衡量区域创新绩效的指标体系引申到跨区域产学研协同创新绩效中，用跨区域专利申请数衡量跨区域产学研协同创新绩效。本文的跨区域专利申请数据通过在国家知识产权局的专利检索及分析系统检索获得，检索的关键词为“集团、厂、公司、大学、学院、研究所、研究院、研究中心”，检索的时间跨度为“2019年1月1日—2019年12月31日”，筛选的专利范围为“中国发明申请、中国实用新型、中国外观设计”，地区依次选择我国除了港、澳、台地区以外的全国31个省级行政区域。本文所指的跨区域专利申请数包括总公司与跨区域的子公司之间的合作，如“国家电网有限公司和国网山东省电力公司科学研究院”；跨区域的子公司与子公司之间的合作，如“国网江苏省电力公司和国网上海电力公司”，剔除自然人与产学研主体合作和不确定申请主体所在地的专利申请数据。根据以上检索要求对各个省区的专利数据进行，最终汇总得出31个省区2019年跨区域申请专利的数据，形成2019年全国跨区域产学研协同创新频率矩阵，详见表1。 2.2跨区域产学研协同创新网络结构
依据表1数据运用Gephi9.2软件生成2019年全国跨区域产学研协同创新网络图及结构数据，如图1和表2所示。图1中的31个节点表示各省区的相对地理位置，节点与节点之间有连接线表示两个区域存在跨区域产学研协同创新合作，连接线的粗细表示合作频率的高低，连接线越粗表示合作的频率越高，反之越低。可以看出，北京是全国产学研协同创新网络的中心，同时有多个子中心，例如广东、上海、江苏和浙江等，这些中心地区在促进全国各地区的合作创新中发挥着重要作用。我国跨区域产学研协同创新水平呈现地区发展不平衡的特征，华北、华中、东部沿海地区网络密度较大，显著高于西部和东北地区。区域的资源环境是影响创新的重要因素，具有互补知识背景的主体是创新的关键，创新技术具有知识和技术相混合的复杂结构。
3.2变量间的相关性分析
在进行实证分析之前，所有变量均已标准化，以消除数据量纲对实证研究的影响。对各指标进行VIF检验，VIF检验结果见表4。通常而言，VIF值大于10表示变量之间存在严重的线性相关性。表4中的检验结果表明，本文选择的自变量和因变量之间存在极强的线性相关性。基于VIF检验结果，考虑到变量之间极强的线性相关性会导致线性回归模型参数估计不准确，且由于所选自变量指标对本文的研究来说都很重要，故不对其采用剔除的方法，而是运用因子分析消除多重共线性，其原理是：因子分析对每个变量进行方差极大的正交旋转，因子上的载荷会两极分化，这样就构建了潜在因子，增加因子的解释能力，解释能力强的因子可以代替原始自变量进行多元线性回归。这样不仅消除了要放弃自变量指标的弊端，还能很好地消除多重共线性。
3.3基于因子分析法的跨区域产学研协同创新影响因素评价
对跨区域产学研协同创新影响因素进行评价主要分为三步：第一步，运用因子分析法对自变量提炼出解释能力强的主因子；第二步，对因变量、主因子进行多元线性回归；第三步，运用主因子得分计算出各省跨区域协同创新影响因素的综合得分，根据综合得分对各区域的创新资源情况进行评价。
3.3.1因子分析
通过分析主因子与因变量之间的相关关系，并根据各主因子的综合得分进一步可获知各变量与原始因变量指标之间的相关关系。具体操作步骤如下：把原变量记为X1，X2…Xm，把主因子记为F1，F2…Fm，X = AF β，A为因子载荷矩阵a（ij），F为X的主因子，β为特殊因子。以上步骤在stata15.0中进行。在进行因子分析之前先对变量进行巴特利特球度检验和KMO检验，巴特利特球度检验用于检验相关阵是否是单位阵，即各变量是否独立。它是以变量的相关系数矩阵为出发点，巴特利特球形检验的零假设为：相关系数矩阵是一个单位阵。KMO值和巴特利特球度检验结果见表5。KMO值为0.804，巴特利特球度检验的卡方值为1390.546，说明所选数据适合进行因子分析。
从表6可以看出，特征值高于1的因子有三个，且这三个因子方差的累计贡献率为91.76%，说明信息的损失量较小，这三个因子能够很好地代表原始变量，因此提取这三个因子作为跨区域协同创新的主要影响因素指标，记为F1、F2、F3。旋转后的因子载荷矩阵见表7。根据各个指标对这三个因子的载荷情况，结合每个主因子所代表的具体指标的共同特征，将F1、F2、F3分别命名为综合因子、信息经济水平因子和创新成果市场化因子。 3.3.2多元回归分析
3.3.3跨区域产学研协同创新影响因素评价
根据因子分析所衍生出的新变量F1、F2、F3的各主因子得分，由此得出各省跨区域协同创新影响因素的综合得分：F = （78.23F1 7.56F2 5.97F3）/91.76（详见表9）。为便于分析，我们按综合得分的排名先后将30个省区划分为五个梯队，综合得分高于1的列为第一梯队，综合得分介于0到1之间的列为第二梯队，综合得分介于-0.2到0之间的列为第三梯队，综合得分介于-0.4到-0.2之间的列为第四梯队，综合得分介于-0.6到-0.4之间的列为第五梯队。在本文中，协同创新影响因素主要是指区域内的创新资源条件，从总体上看，各区域的创新资源条件的综合得分基本与跨区域协同创新网络图的分布特征相吻合，位于东部沿海地区的省份拥有较好的跨区域协同创新资源条件，这些省份的各项区域创新资源条件表现俱佳。位于第一、第二梯队的广东、江苏、浙江等省份，经济发展水平高，对外开放的时间早，消费对创新的拉动作用强。在经济发展新常态的大环境下，沿海地区率先进行区域经济发展方式的转型，产业结构由劳动密集型转向创新驱动型，这些地区对创新的需求很大，从而促进了跨地区协同创新的发展。此外，东部地区基础设施完善，高校云集，人才济济，地方政府高度重视地区创新水平的提高，对产学研协同创新提供强有力的资金支持。上海在科技创新、交流服务等领域基本达到世界一流水平，在经济发展方面达到世界较高水平，城市功能完善。同时也可以发现，福建、浙江的区域创新资源条件较好，但是跨区域合作专利申请数较少，说明福建、浙江未能充分发挥条件优势，跨区域协同创新的成果还不够理想。
位于第三梯队的省份包括北京、天津、青海等，对比全国产学研协同创新网络可以发现，北京、天津充分利用了自身的创新资源，跨区域协同创新网络的完整性较好，充分发挥了协同创新网络的辐射带动作用，取得了良好的跨区域协同创新成果；而处于同一创新资源条件水平的青海、宁夏跨区域协同创新绩效较低，主要原因是这两个地区的技术市场成交额较低，此外，这两个地区人口相对较少，高校数量很少，缺乏进行跨地区协同创新的动力；另一方面，技术市场成交额体现了创新成果的市场化水平，青海、宁夏的经济发展水平较低，阻碍了创新成果以市场为导向的输出，在将创新成果转化为生产力方面仍有改进的空间。
位于第四、第五梯队的省份包括东北、西北、西南地区的省份，且数量较多。我国创新资源条件地区分布不均，主要体现为东部沿海地区、华北地区的区域创新资源条件较优，东北、西北、西南等边疆地区的区域创新资源条件较差。说明跨区域协同创新存在组织分工及共建脉络不清晰、区域协调发展能力有限、信息共享程度低等方面的问题[16]。值得注意的是，武汉作为我国创新型城市的代表，湖北省的创新资源条件却位于第四梯队，主要原因是湖北省的R
关键词：协同创新；创新合作网络；创新资源
中图分类号：F124.3文献标识码： ADOI：10.3969/j.issn.1003-8256.2021.02.001
开放科学（资源服务）标识码（OSID）：
0引言
在当前创新驱动发展战略的新时代背景下，我国创新型国家建设取得了良好成效。在世界知识产权组织（World Intellectual Property Organization，WIPO）发布的2020年全球创新指数（Global Innovation Index，GII）中，中国连续两年排第14位。随着社会环境的不确定性和不稳定性增加，各区域紧密合作的重要性凸显，要实现社会的可持续发展，就要加强技术创新合作，创造新的经济发展动力。在创新知识需求不断增长的背景下，产学研合作作为组织间知识网络的一种形式，被视为非常重要的合作模式，有利于增强区域的活力，促进国家竞争力的提高。进入信息化时代以来，国内外众多学者对区域创新进行了有益探讨。尤其在我国，自实施创新驱动发展战略以来，一些省份尝试建立协同创新网络以期促进区域创新水平的提高，学术界的研究热点也逐渐从对区域内部创新的研究逐渐转向对区域创新合作网络及其影响因素的研究。2011年，胡锦涛同志在纪念清华大学建校100周年的演讲中首次提出“协同创新”，多年过去，我国跨区域产学研协同创新绩效成果如何？哪些因素影响我国跨区域产学研协同创新的进程？本文将从区域创新资源的角度回答这两个问题。
1理论基础和研究综述
集群理论认为，一个地方存在相互联系的组织是竞争优势的来源，而在跨区域协同创新合作中，区域间的相互联系是整个国家竞争优势的来源。区域创新依赖创新资源融入跨区域协同创新网络的能力，区域间的联系和互动可以促进隐性知识的溢出，因而在知识经济时代变得越来越重要。当前学者们一般以跨区域产学研协同创新为研究跨区域协同创新的切入点，研究的方法主要包括数据包络方法、社会网络分析方法以及构建“三螺旋”模型等。Teemu Makkonen等[1]构建了跨欧盟国家的协同创新分析框架来阐释跨区域协同创新系统，实证证明了该分析框架的可行性。Henry Etzkowitz[2]认为，产学研之间形成的合作网络和如今制度层面的根本变革构成了一个新的创新环境，产学研的“三螺旋”联系是新兴的生产模式，其目的是增强知识经济中的创新动力。Lawrence Dooley等[3]的研究发现，大学和产业组织之间的合作网络有利于知识创造和技术创新，网络实体内部需要进行多层面的治理，以优化知识交流和技术创新的路径。Maksim Belitski等[4]认为产学研合作可以促进技术和知识的商业化，因此推动创业生态系统在教育领域的实施。Jinjuan Zang[5]从结构洞的角度研究网络位置对企业创新绩效的影响，研究指出，不同类型的创新需要不同类型的资源，区域互补性的资源有利于创新主体打破思维惯性；研究发现，结构洞可以帮助企业进行探索性创新，但会对发展创新性产生负面影响。Barry Ferguson[6]认为，大部分创新是通过合作的方式实现的，区域中的各种要素组成是进行创新的重要决定因素，公共部门实施创新战略时应该把关注的重点放在区域的资源条件和发展要素上。李美娟等[7]运用基于灰靶理论的动态评价方法，对我国不同地区的协同发展能力进行分析，发现我国区域协同合作能力整体上还不够强。邓富民等[8]通过构建区域协同创新协调度模型和区域协同创新管理熵模型对我国若干个经济发达城市进行区域协同创新能力的测度，为研究我国跨区域协同创新成果提供了有益参考。侯光文等[9]从社会网络的角度研究集群网络关系、知识获取和协同创新绩效的关系，集群创新网络的网络强度、网络稳定性等对企业创新绩效有不同程度的影响。范斐等[10]运用改进的DEA模型和门槛回归模型探究区域协同创新对创新绩效的影响机制，发现我国创新绩效的总体水平呈上升趋势。王海花等[11]从邻近性角度出发研究邻近性对跨区域产学研协同创新的影响，发现地理邻近性和网络邻近性对跨区域产学研协同创新有显著的促进作用，而社会邻近性和技术邻近性对跨区域产学研协同创新会产生倒U型的影响。
综上可知，关于跨区域产学研协同创新的研究已经有了基本的理论框架和研究方法，但是在研究的问题上，既有研究更侧重于对若干个城市产学研协同创新的研究，关于全国区域范围内跨区域产学研协同创新的研究还比较少，尤其在对跨区域产学研协同创新影响因素的问题上，既有研究一般是从结构洞的角度和邻近性视角出发进行研究。但是无论研究的角度如何，要实现跨区域产学研协同创新，离不开区域自身资源条件的支撑，而在关于内生增长的研究中可以发现，动态外部性通常被视为增长的引擎，让区域创新资源在协同创新网络中真正地“活”起来，可以在很大程度上降低区域创新的风险和费用，实现区域创新资源应有的价值。本文从区域自身资源角度出发，探究区域创新资源条件对跨区域产学研协同创新绩效的影响，以期从区域创新资源的角度为促进我国跨区域产学研协同创新的发展建言献策。
2跨区域产学研协同创新网络结构分析
2.1指标度量与数据来源
在区域范围内，有学者认为区域创新是创新行为嵌入区域系统的一个过程[12]。一些学者从地理学的角度出发，将区域创新系统理解为位于某一个区域内的创新网络系统，其中企业和其他组织通过以嵌入性为特征的制度环境系统地参与互动和集体学习。现有研究通常选用专利授权数、专利申请数等指标，或者通过建立DEA投入产出模型来衡量区域创新绩效。借鉴Robert T.等[13]、Magdaniel等[14]做法，且考虑到所选指标的说服力和数据的可得性，将与区域创新有关的概念和衡量区域创新绩效的指标体系引申到跨区域产学研协同创新绩效中，用跨区域专利申请数衡量跨区域产学研协同创新绩效。本文的跨区域专利申请数据通过在国家知识产权局的专利检索及分析系统检索获得，检索的关键词为“集团、厂、公司、大学、学院、研究所、研究院、研究中心”，检索的时间跨度为“2019年1月1日—2019年12月31日”，筛选的专利范围为“中国发明申请、中国实用新型、中国外观设计”，地区依次选择我国除了港、澳、台地区以外的全国31个省级行政区域。本文所指的跨区域专利申请数包括总公司与跨区域的子公司之间的合作，如“国家电网有限公司和国网山东省电力公司科学研究院”；跨区域的子公司与子公司之间的合作，如“国网江苏省电力公司和国网上海电力公司”，剔除自然人与产学研主体合作和不确定申请主体所在地的专利申请数据。根据以上检索要求对各个省区的专利数据进行，最终汇总得出31个省区2019年跨区域申请专利的数据，形成2019年全国跨区域产学研协同创新频率矩阵，详见表1。 2.2跨区域产学研协同创新网络结构
依据表1数据运用Gephi9.2软件生成2019年全国跨区域产学研协同创新网络图及结构数据，如图1和表2所示。图1中的31个节点表示各省区的相对地理位置，节点与节点之间有连接线表示两个区域存在跨区域产学研协同创新合作，连接线的粗细表示合作频率的高低，连接线越粗表示合作的频率越高，反之越低。可以看出，北京是全国产学研协同创新网络的中心，同时有多个子中心，例如广东、上海、江苏和浙江等，这些中心地区在促进全国各地区的合作创新中发挥着重要作用。我国跨区域产学研协同创新水平呈现地区发展不平衡的特征，华北、华中、东部沿海地区网络密度较大，显著高于西部和东北地区。区域的资源环境是影响创新的重要因素，具有互补知识背景的主体是创新的关键，创新技术具有知识和技术相混合的复杂结构。
3.2变量间的相关性分析
在进行实证分析之前，所有变量均已标准化，以消除数据量纲对实证研究的影响。对各指标进行VIF检验，VIF检验结果见表4。通常而言，VIF值大于10表示变量之间存在严重的线性相关性。表4中的检验结果表明，本文选择的自变量和因变量之间存在极强的线性相关性。基于VIF检验结果，考虑到变量之间极强的线性相关性会导致线性回归模型参数估计不准确，且由于所选自变量指标对本文的研究来说都很重要，故不对其采用剔除的方法，而是运用因子分析消除多重共线性，其原理是：因子分析对每个变量进行方差极大的正交旋转，因子上的载荷会两极分化，这样就构建了潜在因子，增加因子的解释能力，解释能力强的因子可以代替原始自变量进行多元线性回归。这样不仅消除了要放弃自变量指标的弊端，还能很好地消除多重共线性。
3.3基于因子分析法的跨区域产学研协同创新影响因素评价
对跨区域产学研协同创新影响因素进行评价主要分为三步：第一步，运用因子分析法对自变量提炼出解释能力强的主因子；第二步，对因变量、主因子进行多元线性回归；第三步，运用主因子得分计算出各省跨区域协同创新影响因素的综合得分，根据综合得分对各区域的创新资源情况进行评价。
3.3.1因子分析
通过分析主因子与因变量之间的相关关系，并根据各主因子的综合得分进一步可获知各变量与原始因变量指标之间的相关关系。具体操作步骤如下：把原变量记为X1，X2…Xm，把主因子记为F1，F2…Fm，X = AF β，A为因子载荷矩阵a（ij），F为X的主因子，β为特殊因子。以上步骤在stata15.0中进行。在进行因子分析之前先对变量进行巴特利特球度检验和KMO检验，巴特利特球度检验用于检验相关阵是否是单位阵，即各变量是否独立。它是以变量的相关系数矩阵为出发点，巴特利特球形检验的零假设为：相关系数矩阵是一个单位阵。KMO值和巴特利特球度检验结果见表5。KMO值为0.804，巴特利特球度检验的卡方值为1390.546，说明所选数据适合进行因子分析。
从表6可以看出，特征值高于1的因子有三个，且这三个因子方差的累计贡献率为91.76%，说明信息的损失量较小，这三个因子能够很好地代表原始变量，因此提取这三个因子作为跨区域协同创新的主要影响因素指标，记为F1、F2、F3。旋转后的因子载荷矩阵见表7。根据各个指标对这三个因子的载荷情况，结合每个主因子所代表的具体指标的共同特征，将F1、F2、F3分别命名为综合因子、信息经济水平因子和创新成果市场化因子。 3.3.2多元回归分析
3.3.3跨区域产学研协同创新影响因素评价
根据因子分析所衍生出的新变量F1、F2、F3的各主因子得分，由此得出各省跨区域协同创新影响因素的综合得分：F = （78.23F1 7.56F2 5.97F3）/91.76（详见表9）。为便于分析，我们按综合得分的排名先后将30个省区划分为五个梯队，综合得分高于1的列为第一梯队，综合得分介于0到1之间的列为第二梯队，综合得分介于-0.2到0之间的列为第三梯队，综合得分介于-0.4到-0.2之间的列为第四梯队，综合得分介于-0.6到-0.4之间的列为第五梯队。在本文中，协同创新影响因素主要是指区域内的创新资源条件，从总体上看，各区域的创新资源条件的综合得分基本与跨区域协同创新网络图的分布特征相吻合，位于东部沿海地区的省份拥有较好的跨区域协同创新资源条件，这些省份的各项区域创新资源条件表现俱佳。位于第一、第二梯队的广东、江苏、浙江等省份，经济发展水平高，对外开放的时间早，消费对创新的拉动作用强。在经济发展新常态的大环境下，沿海地区率先进行区域经济发展方式的转型，产业结构由劳动密集型转向创新驱动型，这些地区对创新的需求很大，从而促进了跨地区协同创新的发展。此外，东部地区基础设施完善，高校云集，人才济济，地方政府高度重视地区创新水平的提高，对产学研协同创新提供强有力的资金支持。上海在科技创新、交流服务等领域基本达到世界一流水平，在经济发展方面达到世界较高水平，城市功能完善。同时也可以发现，福建、浙江的区域创新资源条件较好，但是跨区域合作专利申请数较少，说明福建、浙江未能充分发挥条件优势，跨区域协同创新的成果还不够理想。
位于第三梯队的省份包括北京、天津、青海等，对比全国产学研协同创新网络可以发现，北京、天津充分利用了自身的创新资源，跨区域协同创新网络的完整性较好，充分发挥了协同创新网络的辐射带动作用，取得了良好的跨区域协同创新成果；而处于同一创新资源条件水平的青海、宁夏跨区域协同创新绩效较低，主要原因是这两个地区的技术市场成交额较低，此外，这两个地区人口相对较少，高校数量很少，缺乏进行跨地区协同创新的动力；另一方面，技术市场成交额体现了创新成果的市场化水平，青海、宁夏的经济发展水平较低，阻碍了创新成果以市场为导向的输出，在将创新成果转化为生产力方面仍有改进的空间。
位于第四、第五梯队的省份包括东北、西北、西南地区的省份，且数量较多。我国创新资源条件地区分布不均，主要体现为东部沿海地区、华北地区的区域创新资源条件较优，东北、西北、西南等边疆地区的区域创新资源条件较差。说明跨区域协同创新存在组织分工及共建脉络不清晰、区域协调发展能力有限、信息共享程度低等方面的问题[16]。值得注意的是，武汉作为我国创新型城市的代表，湖北省的创新资源条件却位于第四梯队，主要原因是湖北省的R