楊貴彬,李婉紅

(哈爾濱工程大學(xué)經(jīng)濟管理學(xué)院,黑龍江 哈爾濱150001)

1 引 言

地理鄰近作為空間經(jīng)濟學(xué)的核心概念,常被當(dāng)成一個內(nèi)生變量來描述區(qū)域間的經(jīng)濟關(guān)系,即經(jīng)濟主體在追求經(jīng)濟利益時,地理區(qū)位始終是重要的考慮因素,經(jīng)濟主體會從與同行、顧客和競爭對手的鄰近所產(chǎn)生的正外部性中受益[1].在區(qū)域知識溢出研究領(lǐng)域,國內(nèi)外學(xué)者們從不同角度探討了地理鄰近與知識溢出的關(guān)系,通?？煞譃橐韵氯愑^點：

1)地理鄰近對知識溢出具有促進(jìn)作用.該類觀點認(rèn)為,由于知識通常是非正式、緘默及不可編碼[2],這就暗示了短距離更益于擴散,即創(chuàng)新知識的適用性和可靠性會隨著地理距離的增加而衰減,進(jìn)而降低行為主體之間發(fā)生創(chuàng)新聯(lián)系的概率[3].Anselin等[4]在Jaffe等[5]的知識生產(chǎn)函數(shù)中增加了一個空間滯后變量,并以美國都市區(qū)層次的高科技企業(yè)為樣本,分析了大學(xué)研究與私人研發(fā)活動對區(qū)域創(chuàng)新模式的影響,發(fā)現(xiàn)大學(xué)研究對環(huán)大學(xué)80 km區(qū)域內(nèi)的創(chuàng)新活動產(chǎn)生顯著的正面影響.Funke等[6]對德國75個地區(qū)的橫截面分析顯示,知識溢出主要在鄰近地區(qū)發(fā)生,知識溢出源對創(chuàng)新活動的正效應(yīng)每隔23 km～30 km減少50%.Bottazzi等[7]采用劃分溢出區(qū)間的方法來測度知識溢出的地理界限.他們通過分析歐洲86個州級區(qū)域1977年～1995年的研發(fā)和專利數(shù)據(jù)發(fā)現(xiàn),知識溢出對周邊地區(qū)創(chuàng)新活動產(chǎn)生顯著正面影響的空間距離可達(dá)到300 km,隨后影響明顯減弱.Woodward等[8]發(fā)現(xiàn)在距離大學(xué)233 km的空間范圍內(nèi),新建企業(yè)數(shù)量與大學(xué)研發(fā)溢出呈現(xiàn)較為顯著的正相關(guān)關(guān)系.李琳等[9]從地理鄰近和網(wǎng)絡(luò)位置視角出發(fā),提出對于同一產(chǎn)業(yè)或相關(guān)產(chǎn)業(yè)內(nèi)的組織而言,地域上的鄰近有利于知識尤其是隱性知識的吸收和傳遞.

2)地理鄰近對知識溢出具有負(fù)面作用.持有這一觀點的學(xué)者們認(rèn)為,由于產(chǎn)業(yè)集群“擁擠效應(yīng)”的存在,地理鄰近對知識溢出存在負(fù)面影響[10].Maskell等[11]發(fā)現(xiàn)過高的地理鄰近會導(dǎo)致集群內(nèi)技術(shù)和產(chǎn)品高度相似,進(jìn)而出現(xiàn)惡性競爭以及知識產(chǎn)權(quán)保護(hù)問題,所以會抑制集群的創(chuàng)新活動.Sedgley等[12]研究美國制造業(yè)單位資本投入的創(chuàng)新效應(yīng)時發(fā)現(xiàn),過度的地理集中導(dǎo)致的“要素?fù)頂D效應(yīng)”對專利產(chǎn)業(yè)具有顯著的消極影響.Sornn-Friese等[13]則指出忘卻學(xué)習(xí)是學(xué)習(xí)的重要部分,地理鄰近有助于學(xué)習(xí)知識,但卻不利于忘卻知識,另外距離太近容易導(dǎo)致聯(lián)結(jié)鎖定,因而不利于知識溢出.Boschma[14]認(rèn)為當(dāng)一個區(qū)域變得過分的鄰近和內(nèi)向時,區(qū)域內(nèi)主體的學(xué)習(xí)能力會減弱到失去創(chuàng)新能力和不能對外部的變化作出反應(yīng)的境地.Callois[15]則建立微觀經(jīng)濟模型研究了地理臨近與知識溢出及企業(yè)創(chuàng)新的關(guān)系.他通過研究發(fā)現(xiàn),由于過度的鄰近性趨于限制企業(yè)與外部網(wǎng)絡(luò)的聯(lián)系,通常會導(dǎo)致在產(chǎn)業(yè)集群中傳播的知識和思想冗余,因此并不利于知識溢出及企業(yè)創(chuàng)新.Carrincazeaux等[16]提出地理鄰近性并非靈丹妙藥,過度地理鄰近不僅造成土地、勞動和資源價格上升,環(huán)境污染加劇,而且由于本地的競爭壓力造成非自愿知識外溢和不信任感,因此在過度地理鄰近性的情況下,企業(yè)會面臨知識壟斷使用等問題,從而導(dǎo)致產(chǎn)業(yè)集群不穩(wěn)定和脆弱.

3)地理鄰近與知識溢出的關(guān)系不明顯.隨著研究的深入,亦有相當(dāng)數(shù)量學(xué)者認(rèn)為雖然地理鄰近有利于行為主體間進(jìn)行面對面交流,促進(jìn)隱性知識的傳播從而推動創(chuàng)新,但由于技術(shù)發(fā)展的階段、空間傳播方式的改進(jìn)等,地理鄰近與知識溢出的關(guān)系并不明顯.Thompson等[17]對Jaffe等[5]在1993年的研究方法進(jìn)行了改進(jìn),并采用了與Jaffe大致相同的樣本,只是將選取控制樣本的技術(shù)等級進(jìn)行了細(xì)分,發(fā)現(xiàn)知識溢出的本地化特征并沒有那么明顯.李琳等[18]從集群周期演化的角度,表明地理鄰近對集群創(chuàng)新的動態(tài)影響大體上呈倒“U”型變化,在集群形成初期和成長期,地理鄰近促進(jìn)了集群的創(chuàng)新,到集群成熟期時,這種促進(jìn)作用逐漸減少,衰退期地理鄰近對集群創(chuàng)新的影響轉(zhuǎn)化為負(fù)效應(yīng).呂國慶等[19]認(rèn)為在新技術(shù)的早期階段,知識的隱性程度往往很高,公司和個人很大程度上可以受益于地理鄰近;當(dāng)該技術(shù)逐漸成長并發(fā)展成熟時,知識變得規(guī)范化,創(chuàng)新合作將突破地理空間的束縛轉(zhuǎn)而向更遠(yuǎn)的地方轉(zhuǎn)移,即隨著時間的推移,地理鄰近在創(chuàng)新網(wǎng)絡(luò)形成中的重要性逐漸降低.常紅錦等[20]通過研究提出知識及信息的生成與傳播具有明顯的空間不均等性,呈現(xiàn)出強烈的隨著地域擴散而衰退的特征.然而,企業(yè)間頻繁的接觸增加了企業(yè)間的信任水平,促進(jìn)了企業(yè)間隱性知識的傳遞,減小由于距離產(chǎn)生的知識轉(zhuǎn)移障礙.

通過總結(jié)上述文獻(xiàn)可以發(fā)現(xiàn),1)目前研究主要集中在知識溢出與地理鄰近的直接關(guān)系,通過對知識類別的劃分或?qū)^(qū)域地理距離的測度,研究地理鄰近對知識溢出產(chǎn)生的直接影響.然而在創(chuàng)新研究的視野中,分析地理鄰近與知識溢出問題時不能將地理鄰近單獨割離,需要關(guān)注其它結(jié)構(gòu)變量的權(quán)變影響[21];2)中國經(jīng)濟發(fā)展的特征之一在于地區(qū)間的異質(zhì)性[22],即我國各個區(qū)域在地區(qū)科技支持政策、資源稟賦、經(jīng)濟發(fā)展水平等方面具有差異,而這種區(qū)域異質(zhì)性極有可能對區(qū)域間的知識溢出也產(chǎn)生重要影響.然而值得重視的是,現(xiàn)有文獻(xiàn)研究區(qū)域間知識溢出時,基本假定所有區(qū)域具有同質(zhì)性,忽視了區(qū)域異質(zhì)性的作用,從而可能導(dǎo)致對知識溢出的有偏估計;3)在利用知識生產(chǎn)函數(shù)測度知識溢出與地理鄰近的關(guān)系時,現(xiàn)有研究大多采用傳統(tǒng)計量模型進(jìn)行估計,也有部分學(xué)者注意到傳統(tǒng)模型估計存在的偏誤問題,開始應(yīng)用空間計量模型對知識溢出進(jìn)行研究[23,24],然而這種模型尚未被應(yīng)用于知識溢出與地理距離的研究領(lǐng)域.

因此,基于上述分析,本文在研究地理鄰近與區(qū)域間知識溢出關(guān)系時,嘗試增加區(qū)域異質(zhì)性變量,并結(jié)合修正的Griliches-Jaffe知識生產(chǎn)函數(shù)[5]構(gòu)建空間計量模型,深入探究在未考慮和考慮區(qū)域異質(zhì)性情況下區(qū)域間知識溢出與地理鄰近的關(guān)系,進(jìn)而為制定區(qū)域政策、推動地區(qū)間知識有效溢出提供理論借鑒.

2 知識溢出與地理鄰近關(guān)系模型

有關(guān)區(qū)域知識溢出的測度通常采用知識生產(chǎn)函數(shù)法(knowledge production function,KPF).知識生產(chǎn)函數(shù)最初由Griliches[25]于1979年提出,而Jaffe等[5]對Griliches的生產(chǎn)函數(shù)模型進(jìn)行了改進(jìn),在模型中引入了空間維度且將大學(xué)納入研究,并估算了知識溢出的空間尺度和乘數(shù)效應(yīng),率先運用知識生產(chǎn)函數(shù)建模技術(shù)來測度地理空間上的知識溢出.這種經(jīng)過修正的Griliches-Jaffe知識生產(chǎn)函數(shù)是一種具有兩項投入的柯布–道格拉斯生產(chǎn)函數(shù)(Cobb-Douglas production function),其對數(shù)形式為

其中Q代表知識產(chǎn)出,α0為常數(shù)項,K代表研發(fā)經(jīng)費投入,L代表研發(fā)人員投入,α1和α2分別為研發(fā)經(jīng)費投入和研發(fā)人員投入的產(chǎn)出彈性,i代表區(qū)域,ε為隨機擾動項.

同時,基于空間經(jīng)濟學(xué),本文考慮到一個區(qū)域知識產(chǎn)出不僅受到區(qū)域內(nèi)研發(fā)經(jīng)費投入和研發(fā)人員投入的影響,還會受到來自于其它地區(qū)知識產(chǎn)出的影響,因此在模型中增加地理鄰近與其它區(qū)域知識產(chǎn)出變量.此外,考慮到我國各個區(qū)域在地區(qū)科技支持政策、資源稟賦、經(jīng)濟發(fā)展水平等方面具有差異性,將區(qū)域異質(zhì)性增加為研究變量,比較未考慮和考慮區(qū)域異質(zhì)性兩種情況下區(qū)域間知識溢出與地理鄰近的關(guān)系.因此,構(gòu)建如下兩個模型

其中d為地理鄰近,表示除本區(qū)域之外的其它區(qū)域知識產(chǎn)出,表示以某區(qū)域為中心,以一定距離為半徑,所構(gòu)成的一個圓環(huán)范圍內(nèi)區(qū)域知識產(chǎn)出的加權(quán)和[23,26],Z表示區(qū)域異質(zhì)性,a,b分別為未考慮和考慮區(qū)域異質(zhì)性情況下的相關(guān)變量.

變量的具體意義和測度方法如下:

1)知識產(chǎn)出.由于專利通常代表新知識的產(chǎn)生,常被視為與研究開發(fā)本身具有密切聯(lián)系的數(shù)據(jù),且具有很強的客觀性和可測性,因此成為測度知識產(chǎn)出的重要指標(biāo).同時,關(guān)于知識產(chǎn)出的測度通常包括專利申請量和專利授權(quán)量.目前較多使用專利申請量,但本文認(rèn)為,專利申請量并非創(chuàng)新能力強弱的指標(biāo),且專利申請未獲授權(quán)也不能代表新知識的產(chǎn)生,同時專利申請可能存在重復(fù)現(xiàn)象,而專利授權(quán)量更能體現(xiàn)新知識產(chǎn)出.因此,本文選取專利授權(quán)量作為知識產(chǎn)出的測度指標(biāo).此外,考慮到知識生產(chǎn)的周期性1根據(jù)我國專利法的規(guī)定,從專利申請到授予專利的時間大約為兩年,故將第t年的專利授權(quán)量看作是第t?2年研發(fā)經(jīng)費投入和研發(fā)人員投入所帶來的知識產(chǎn)出.,本文選取滯后期為兩年的專利授權(quán)量作為被解釋變量進(jìn)行研究.

2)研發(fā)經(jīng)費投入.對于研發(fā)經(jīng)費的測量通常包括流量和存量指標(biāo),由于某期研發(fā)經(jīng)費投入不僅影響當(dāng)期知識產(chǎn)出,對后期知識產(chǎn)出也有影響[26],因此采用研發(fā)經(jīng)費存量衡量對知識產(chǎn)出的影響較為準(zhǔn)確.

參考Goto等[27]的方法,研發(fā)經(jīng)費存量采用永續(xù)盤存法進(jìn)行計算,公式為

其中GRD代表研發(fā)經(jīng)費存量,I代表各滯后期的研發(fā)經(jīng)費投入,t代表時間,s代表滯后期,μ代表各滯后期研發(fā)經(jīng)費存量對當(dāng)期存量的貼現(xiàn)比例,δ表示研發(fā)經(jīng)費的折舊率[28].

對于滯后期結(jié)構(gòu)問題,一般以平均滯后期ρ進(jìn)行估算,即s=ρ時,μs=1;s/=ρ時,μs=0,最終得出

依據(jù)吳延兵[29]的研究,假定ρ=1,即平均滯后期為1年,折舊率則采用較常用的15%來估算.基期研發(fā)經(jīng)費存量采用下式進(jìn)行估算,即

其中γ為研發(fā)經(jīng)費投入的年平均增長率,通常將樣本年份的研發(fā)經(jīng)費投入轉(zhuǎn)化為可比價格,然后計算出樣本年份的平均增長率,最終得出基期存量,再根據(jù)式(5)計算出各地區(qū)對應(yīng)年份的研發(fā)經(jīng)費存量2由于統(tǒng)計口徑的不同,我國從1998年開始對“各地區(qū)研究與發(fā)展經(jīng)費內(nèi)部支出”數(shù)據(jù)進(jìn)行統(tǒng)計,因此本文將各地區(qū)研發(fā)經(jīng)費存量的計算基期確定為1998年..

3)研發(fā)人員投入.該變量指各區(qū)域從事研發(fā)活動的人員投入,通常采用“各地區(qū)研究與試驗發(fā)展(R&D)人員全時當(dāng)量”來表示.

4)地理鄰近.地理鄰近主要用來表示各區(qū)域在地理空間上的接近程度,其衡量方法包括最短直線距離和最短交通時間.本文考慮到獲取數(shù)據(jù)的難易及準(zhǔn)確程度,將選取第一種方法,以城市地理坐標(biāo)為依據(jù),利用ArcGIS中Point Distance功能生成各省會城市之間的地理距離,并參考文獻(xiàn)[23],以300 km作為省會城市地理距離的間隔標(biāo)準(zhǔn)將省會城市之間的聯(lián)系表示為五個區(qū)間:(100,300),(300,600),(600,900),(900,1200),(1200,1500).

5)區(qū)域異質(zhì)性.依據(jù)文雁兵[30]的研究,資源稟賦差異性是區(qū)域間異質(zhì)性的最突出特征之一.同時,隨著各地區(qū)經(jīng)濟發(fā)展條件變化和區(qū)域政策的適時調(diào)整,區(qū)域異質(zhì)性對地區(qū)經(jīng)濟行為選擇和演變也會產(chǎn)生動態(tài)影響.因此,基于這一觀點,并借鑒于明超等[31]、黃奇等[32]以及沈能等[33]有關(guān)區(qū)域異質(zhì)性的研究,本文將影響知識溢出的區(qū)域異質(zhì)性變量總結(jié)為以下三類：

(a)制度類,表示各區(qū)域科技支持政策對知識溢出的影響差異.本文應(yīng)用地方財政科技撥款占地方財政總支出的百分比對該指標(biāo)進(jìn)行測度;

(b)資源類,表示各區(qū)域資源稟賦對知識溢出的影響差異.資源稟賦是指自然資源、人力資本(包括勞動成本、人力資本的豐裕程度和受教育程度等)、資金技術(shù)等與經(jīng)濟增長相關(guān)的生產(chǎn)要素[34].由于人力資本受教育程度與知識溢出具有密切關(guān)系,因此本文采用各地區(qū)每十萬人口擁有的大專及以上學(xué)歷人口對該指標(biāo)進(jìn)行測度;

(c)發(fā)展類,表示各地區(qū)經(jīng)濟發(fā)展水平對知識溢出的影響差異.在本文中應(yīng)用地區(qū)生產(chǎn)總值對該指標(biāo)進(jìn)行衡量3按當(dāng)年價格計算.2004年以前地區(qū)生產(chǎn)總值數(shù)據(jù)執(zhí)行《國民經(jīng)濟行業(yè)分類》(GB/T4754–1994),2004～2012地區(qū)生產(chǎn)總值數(shù)據(jù)執(zhí)行《國民經(jīng)濟行業(yè)分類》(GB/T4754–2002)..

基于以上變量解釋,所要研究的計量模型為

其中dn為五個區(qū)間的地理鄰近(n=1,2,...,5),P代表制度類區(qū)域異質(zhì)變量,E代表資源類區(qū)域異質(zhì)變量,D代表發(fā)展類區(qū)域異質(zhì)變量.

3 知識產(chǎn)出的空間相關(guān)性

目前傳統(tǒng)的計量回歸分析方法實質(zhì)是對線性變量在時間序列層面的經(jīng)驗研究,未考慮區(qū)域(或截面單元)之間的空間關(guān)聯(lián).然而,一個地區(qū)空間單元上的某種經(jīng)濟地理現(xiàn)象或某一屬性值與鄰近地區(qū)空間單元上同一現(xiàn)象或?qū)傩灾凳窍嚓P(guān)的[35],因而假定區(qū)域之間的經(jīng)濟行為在空間上具有異質(zhì)性可能更加符合現(xiàn)實.以此推理,各省份和直轄市知識產(chǎn)出不僅受到地區(qū)內(nèi)相關(guān)因素的影響,而且可能還會受到周邊其它地區(qū)的影響.但在證實這些關(guān)系之前,還需要對變量的空間相關(guān)性進(jìn)行分析,以判斷知識產(chǎn)出是否具有空間相關(guān)性,進(jìn)而確定是否應(yīng)用空間計量模型對知識產(chǎn)出、地理鄰近等關(guān)系進(jìn)行驗證.

3.1 基本原理

空間自相關(guān)分析通常包括全域空間相關(guān)性(global spatial autocorrelation,GSA)分析和局域空間相關(guān)性(local indicators of spatial association,LISA)分析,全域空間相關(guān)性分析是指從區(qū)域空間的整體上刻畫區(qū)域經(jīng)濟行為的空間分布集聚情況,而局域空間相關(guān)性則主要基于局部空間的特征來衡量每個空間單元的局部空間相關(guān)性[36].

1)全域空間相關(guān)性.全域空間相關(guān)性常用的有Moran’s I指數(shù)或Geary’s C指數(shù),其中Moran’s I指數(shù)的顯著水平可以得到檢驗且自相關(guān)圖已標(biāo)準(zhǔn)化,可進(jìn)行不同尺度間的比較研究,因此得到廣泛應(yīng)用.本文使用全域Moran’s I指數(shù)來分析,其計算公式為

其中表示第i地區(qū)的觀測值,n為地區(qū)總數(shù),Wij為空間權(quán)值系數(shù).一般I的取值范圍為?1≤I≤1,其中I為正值,表示各區(qū)域間的經(jīng)濟行為呈現(xiàn)正相關(guān),該值越大則相關(guān)性越大;I為負(fù)值,表示負(fù)相關(guān),各區(qū)域的經(jīng)濟行為呈離散分布;I為零表示各區(qū)域的經(jīng)濟行為是隨機分布的.

2)局域空間相關(guān)性.全局空間相關(guān)性指標(biāo)反映出整個區(qū)域的空間相關(guān)趨勢,對這一趨勢的判斷是基于整個空間為同質(zhì)的假定條件而做出,但事實上空間異質(zhì)性普遍存在,因而全域空間相關(guān)性指標(biāo)無法揭示局部空間特征[36],有必要通過局部統(tǒng)計指標(biāo)來衡量每個空間單元的局部空間相關(guān)性.

本文采用局域Moran’s I繪制的散點圖(稱為Moran散點圖)和LISA集群地圖來衡量局部空間自相關(guān).其中局域Moran’s I定義為

其中Ii＞0表示第i地區(qū)的觀測值與鄰接地區(qū)存在較強的正空間自相關(guān)性,呈空間集聚;Ii＜0表明負(fù)相關(guān),呈空間離散.

在Moran散點圖中,橫軸和縱軸分別代表觀測變量及其空間滯后變量,且包括四個象限,其中第I象限(H-H)和第III象限(L-L)分別表示被研究區(qū)域與其鄰近區(qū)域具有同樣的高觀測值或低觀測值(空間正相關(guān));第II象限(H-L)和第IV象限(L-H)分別表示具有低或高觀測值的被研究區(qū)域被高或低值鄰近區(qū)域所包圍的空間集聚現(xiàn)象(空間負(fù)相關(guān)).

3.2 數(shù)據(jù)來源

由于部分省份的數(shù)據(jù)無法獲得,因此以我國大陸31個省份和直轄市為研究樣本進(jìn)行數(shù)據(jù)選取4不包括香港特別行政區(qū),澳門特別行政區(qū),臺灣省的數(shù)據(jù)..知識產(chǎn)出采用的研究期為2000年～2013年,其它變量的研究期為1998年～2011年,數(shù)據(jù)來源于《中國科技統(tǒng)計年鑒》、《中國工業(yè)統(tǒng)計年鑒》、《中國統(tǒng)計年鑒》和《中國教育統(tǒng)計年鑒》等,且部分變量通過年鑒數(shù)據(jù)計算得出.同時,為消除可能存在的異方差,對原始數(shù)據(jù)進(jìn)行了對數(shù)處理.

3.3 全域空間相關(guān)性分析

本文使用OpenGeoda軟件并選擇基于二進(jìn)制的Rook鄰近權(quán)值對2000年～2013年數(shù)據(jù)進(jìn)行分析,以判斷知識產(chǎn)出的空間自相關(guān)性5本文選擇二進(jìn)制的Rook鄰近權(quán)值(contiguity weight)和k最近鄰(k-nearest neighbors)空間矩陣計算了基于r1～r4,k5～k6的Moran’s I檢驗結(jié)果.結(jié)果發(fā)現(xiàn),基于r1的Moran’s I空間自相關(guān)性指數(shù),刻畫的31個省份和直轄市知識產(chǎn)出空間自相關(guān)性最明顯..

基于空間權(quán)值矩陣的2000年～2013年知識產(chǎn)出的全域Moran’s I指數(shù)及其它數(shù)據(jù)如表1所示.表中2000年～2013年所有全域Moran’s I指數(shù)為正,說明這些省份和直轄市的知識產(chǎn)出具有空間正相關(guān)性.

表1 知識產(chǎn)出的全域Moran’s I指數(shù)Table 1 Global Moran’s I of knowledge output

為了檢驗全域Moran’s I是否顯著,在OpenGeoda中采用蒙特卡羅模擬方法來檢驗,通過改變排列計算999次,全域Moran’s I通過了1%的正態(tài)分布顯著性水平檢驗,即在1%的顯著性水平下拒絕不存在空間相關(guān)性的假設(shè),表明我國省份和直轄市知識產(chǎn)出在空間上呈現(xiàn)集聚,并在整體上存在顯著的空間自相關(guān)性.由于涉及分析圖較多,而且相鄰年份空間特征差異較小,僅提供2000年,2003年,2008年和2013年知識產(chǎn)出的蒙特卡羅模擬結(jié)果6由于R&D經(jīng)費數(shù)據(jù)的基年為1998年,滯后2年的專利授權(quán)量從2000年開始計算,因而此處選擇以2000年為起點.同時,考慮到以中期階段(通常為5年)對知識產(chǎn)出結(jié)果進(jìn)行觀測較為適宜,并結(jié)合觀測期(共14年)的限制,觀察到2003年的全域Moran’s I指數(shù)在2008年之前為最大值,因此本文將觀測年份確定為2000年,2003年,2008年和2013年.(如圖1所示).

3.4 局域空間相關(guān)性分析

由于全域Moran’s I指數(shù)無法刻畫31個省份和直轄市知識產(chǎn)出的局域空間自相關(guān)性特征和局域空間集群趨勢特性,應(yīng)用局域指標(biāo)集群分析方法,通過繪制Moran散點圖及LISA集群地圖,進(jìn)一步揭示這一變量的局域空間特征.2000年,2003年,2008年和2013年知識產(chǎn)出Moran散點圖如圖2所示.

圖2中,該四年所示的Moran’s I指數(shù)均為正,表明空間相關(guān)性顯著,與表1結(jié)果相一致.同時31個省份和直轄市依據(jù)知識產(chǎn)出的不同,聚類分布在第I象限(H-H)、第II象限(H-L)、第III象限(L-L)、第IV象限(L-H)以及跨界狀態(tài)中,且各象限的集聚省份和直轄市隨著時間的推移產(chǎn)生空間遷移現(xiàn)象,其具體集聚分布和遷移狀況見表2.

從表2可以看出,隨著時間推移,多數(shù)省份和直轄市的知識產(chǎn)出保持了時空穩(wěn)定性.2000年、2003年、2008年和2013年北京、河北、上海、江蘇、浙江、福建、山東、河南、湖北、湖南等十個省份和直轄市均處于第I象限(H-H)聚集區(qū);云南、西藏、甘肅、青海、寧夏、新疆、內(nèi)蒙古等七個省份處于第III象限(L-L)聚集區(qū);江西、廣西、貴州等三個省份處于第II象限(H-L)集聚區(qū),黑龍江、四川兩個省份處于第IV象限(L-H)聚集區(qū);僅有少數(shù)地區(qū)發(fā)生了位次變化和時空遷移,如天津和重慶這兩個直轄市從2000年所處的集聚區(qū)躍遷到第I象限聚集區(qū),但吉林落在下一個象限聚集區(qū).LISA集群地圖能夠進(jìn)一步說明以上特點,如圖3所示.

圖1 知識產(chǎn)出的蒙特卡羅模擬結(jié)果Fig.1 Monte Carlo simulation results of knowledge output

表2 知識產(chǎn)出的Moran空間分布Table 2 Moran spatial distribution of knowledge output

圖3 知識產(chǎn)出的LISA集群地圖Fig.3 LISA clustering maps of knowledge output

由圖3可知,我國大陸31個省份和直轄市知識產(chǎn)出的時空特征如下:

1)知識產(chǎn)出呈現(xiàn)明顯的由東向西梯度遞減規(guī)律,東南沿海地區(qū)為高知識產(chǎn)出區(qū)域,其中包括2000年以江蘇、安徽、上海、福建為中心、2013年以山東、江蘇、安徽、浙江、上海、福建為中心的H-H集聚區(qū).而西部地區(qū)知識產(chǎn)出最低,形成了2000年以新疆、青海為中心、2013年以新疆、青海和甘肅為中心的L-L集聚區(qū).

2)知識產(chǎn)出的時空特征中,與2000年比較,2013年山東、浙江出現(xiàn)在H-H集聚區(qū),甘肅出現(xiàn)在L-L集聚區(qū),說明該階段山東、浙江、甘肅周邊出現(xiàn)了與其知識產(chǎn)出相同的鄰居,而這一點在全域空間自相關(guān)中沒有體現(xiàn).

因此我國省份和直轄市知識產(chǎn)出存在比較明顯的局域空間集群特征和局域空間自相關(guān)性,如果忽視空間相關(guān)性,會造成理論研究與實際情況的不符,應(yīng)考慮使用空間計量模型對知識產(chǎn)出與其它變量關(guān)系進(jìn)行估計.

4 空間計量模型估計

依據(jù)時空特征分析,本文以我國31個省份和直轄市為空間單元,使用空間計量模型對知識溢出、地理鄰近、區(qū)域異質(zhì)性的關(guān)系進(jìn)行檢驗和估計.

4.1 空間計量模型估計

由于空間相關(guān)性是空間效應(yīng)識別的一個來源,主要表現(xiàn)在空間實質(zhì)相關(guān)(spatially substantive dependence)和空間擾動相關(guān)(spatial nuisance dependence)兩個方面,因而空間相關(guān)性表現(xiàn)出來的空間效應(yīng)可以用空間滯后模型(spatial lag model,SLM)和空間誤差模型(spatial error model,SEM)來表征和刻畫[37].

空間滯后模型描述的是空間實質(zhì)相關(guān),主要研究現(xiàn)實中存在的相鄰地區(qū)行為(所有解釋變量)對該地區(qū)觀測值(被解釋變量)存在的影響程度.其模型表達(dá)式為

其中Y=(Y1,Y2,...,YN)T為被解釋變量,X=(X1,X2,...,Xk)為解釋變量矩陣,ρ為空間效應(yīng)系數(shù),β=(β1,β2,...,βk)T為參數(shù)向量,W 為空間矩陣,ε為隨機誤差項向量.

空間誤差模型描述的是空間擾動相關(guān)和空間總體相關(guān),主要度量鄰接地區(qū)關(guān)于因變量的誤差沖擊對本地區(qū)觀測值的影響程度.其模型表達(dá)式為

其中λ為空間誤差相關(guān)系數(shù),ξ為正態(tài)分布的隨機誤差向量.

SLM、SEM的選擇一般通過Moran’s I檢驗、兩個拉格朗日乘數(shù)(Lagrange multiplier)形式LM(error)和LM(lag)、穩(wěn)健(robust)的R-LM(error)和R-LM(lag)來進(jìn)行[38].

由于事先無法根據(jù)先驗經(jīng)驗推斷在SLM和SEM模型中是否存在空間依賴性,有必要構(gòu)建一種判別準(zhǔn)則,以決定哪種空間模型更加符合客觀實際.Anselin[35]提出了如下判別準(zhǔn)則:如果在空間依賴性的檢驗中發(fā)現(xiàn),LM(lag)較之LM(error)在統(tǒng)計上更加顯著,且R-LM(lag)顯著而R-LM(error)不顯著,則可以斷定適合的模型是SLM模型;相反,如果LM(error)比LM(lag)在統(tǒng)計上更加顯著,且R-LM(error)顯著而R-LM(lag)不顯著,則可以斷定SEM模型是恰當(dāng)?shù)哪Ｐ?

除了擬合優(yōu)度R2檢驗以外,常用的檢驗準(zhǔn)則還有自然對數(shù)似然函數(shù)值(Natural logarithm likelihood,Ln L)、赤池信息準(zhǔn)則(Akaike information criterion,AIC)、施瓦茨準(zhǔn)則(Schwartz criterion,SC),Ln L值越大,AIC和SC值越小,模型擬合效果越好.

4.2 理論模型的空間計量估計

空間自相關(guān)性檢驗結(jié)果證明,我國知識產(chǎn)出存在較強的空間特征.為了分析空間特征的形成原因,可考慮對理論模型使用空間計量進(jìn)行檢驗和估計.為了比較,首先采用OpenGeoDa軟件對模型(7)和模型(8)進(jìn)行普通最小二乘法估計,結(jié)果如表3和表4所示.

表3和表4分別表示未考慮和考慮區(qū)域異質(zhì)性情況下不同地理鄰近區(qū)間與知識溢出關(guān)系的OLS估計結(jié)果.依據(jù)上述表中結(jié)果可知,OLS估計的R2adj分別達(dá)到0.936 1和0.958 2,表明模型具有高擬合優(yōu)度,同時在未考慮和考慮區(qū)域異質(zhì)性時,不同地理鄰近區(qū)間的知識溢出呈現(xiàn)出不同特點.然而,由于知識產(chǎn)出的空間自相關(guān)估計結(jié)果已表明,我國31個省份和直轄市知識產(chǎn)出存在較明顯的空間自相關(guān)性特征,因此還需進(jìn)一步運用空間計量模型進(jìn)行估計,并對比表3和表4進(jìn)行結(jié)果分析.

此外,表3中未考慮區(qū)域異質(zhì)性時,Moran指數(shù)檢驗(Moran’s I(error))、兩個拉格朗日乘數(shù)(LM(lag)、LM(error))顯著性水平分別為0.006 2,0.014 8和0.087 9;表4中考慮區(qū)域異質(zhì)性時,Moran指數(shù)檢驗(Moran’s I(error))、兩個拉格朗日乘數(shù)(LM(lag)、LM(error))顯著性水平分別為0.004 6,0.023 6和0.072 7.這些結(jié)果顯示經(jīng)典回歸誤差的空間自相關(guān)性明顯,因此忽視空間自相關(guān)性直接采用OLS估計會存在一定問題,還需運用SLM或SEM模型對知識溢出、地理鄰近及區(qū)域異質(zhì)性之間的關(guān)系進(jìn)行驗證.

表3 模型(7)的OLS估計結(jié)果Table 3 OLS estimates of the model(7)

表4 模型(8)的OLS估計結(jié)果Table 4 OLS estimates of the model(8)

對于SLM或SEM模型的選擇,可依據(jù)判別準(zhǔn)則進(jìn)行.表3中LM(lag)和R-LM(lag)通過了5%水平的顯著性檢驗,LM(error)通過了10%水平的顯著性檢驗,R-LM(error)未能通過10%水平的顯著性檢驗.表4中LM(lag)通過了5%水平的顯著性檢驗,R-LM(lag)和LM(error)通過了10%水平的顯著性檢驗,R-LM(error)未能通過顯著性檢驗.因此,初步判斷SLM更適用于本文研究.為了進(jìn)行模型估計結(jié)果對比,本文應(yīng)用極大似然法(maximum likelihood,ML)對模型進(jìn)行SLM和SEM估計,其參數(shù)結(jié)果見表5和表6.

4.3 模型估計結(jié)果分析

1)未考慮區(qū)域異質(zhì)性的相關(guān)估計結(jié)果分析

未考慮區(qū)域異質(zhì)性的相關(guān)估計結(jié)果如表5所示.通過分析表5中SLM的估計結(jié)果可知,研發(fā)經(jīng)費投入對知識產(chǎn)出的影響為正且達(dá)到5%的顯著性,其彈性系數(shù)為0.519 0,表明前兩年的研發(fā)經(jīng)費投入每增加1%,則會帶來0.519 0%的知識產(chǎn)出增加;研發(fā)人員投入的影響為正且達(dá)到5%的顯著性,其彈性系數(shù)為0.320 1,表明前兩年研發(fā)人員投入每增加1%,則會帶來0.320 1%的知識產(chǎn)出增加,因此研發(fā)經(jīng)費投入對知識產(chǎn)出的貢獻(xiàn)相對研發(fā)人員投入較大.與表3相比較,OLS估計的研發(fā)經(jīng)費投入對知識產(chǎn)出的彈性系數(shù)僅為0.391 5,研發(fā)人員投入的彈性系數(shù)為0.228 1,相對于表5中的SLM估計結(jié)果而言,OLS忽略了鄰近地區(qū)前兩年研發(fā)經(jīng)費投入與研發(fā)人員投入對本地區(qū)知識產(chǎn)出的影響,且估計結(jié)果僅通過10%的顯著性檢驗,具有較低的解釋意義.

表5 模型(7)的SLM和SEM估計結(jié)果Table 5 SLM and SEM estimates of the model(7)

同時,如表5中SLM的估計結(jié)果所示,不同地理鄰近區(qū)間內(nèi)的知識溢出也不同,(100,300)和(300,600)兩個區(qū)間內(nèi)的彈性系數(shù)分別為0.437 9和0.328 4,且通過5%的顯著性檢驗,表明當(dāng)?shù)貐^(qū)之間的地理距離處于這些區(qū)間時,其它地區(qū)的知識存量對本地區(qū)知識產(chǎn)出的影響為正;(600,900)和(900,1 200)區(qū)間的彈性系數(shù)為負(fù),未通過5%的顯著性檢驗;(1 200,1 500)區(qū)間的彈性系數(shù)為?0.540 7,通過了1%的顯著性檢驗,表明當(dāng)?shù)貐^(qū)之間的地理距離處于這一區(qū)間時,其它地區(qū)的知識存量對本地區(qū)知識產(chǎn)出的影響為負(fù),即盡管存在知識的跨地區(qū)溢出效應(yīng),但由于“門檻效應(yīng)”比溢出效應(yīng)更大,因而其余地區(qū)知識存量對本地區(qū)知識產(chǎn)出的影響為負(fù)[24].與表3對比,OLS估計的五個區(qū)間彈性系數(shù)符號與SLM結(jié)果相同,但數(shù)值存在較大區(qū)別,例如,OLS估計的(100,300)區(qū)間彈性系數(shù)僅為0.035 1,遠(yuǎn)低于SLM估計的0.437 9,而(300,600)區(qū)間彈性系數(shù)為0.400 2,高于 0.328 4.此外,兩種方法對其它區(qū)間的估計結(jié)果也有很大差異.

2)考慮區(qū)域異質(zhì)性的相關(guān)估計結(jié)果分析

考慮區(qū)域異質(zhì)性的相關(guān)估計結(jié)果如圖6所示.通過分析表6中SLM的估計結(jié)果可知,研發(fā)經(jīng)費和研發(fā)人員投入對知識產(chǎn)出的影響為正且達(dá)到了5%的顯著性,其中研發(fā)經(jīng)費投入的彈性系數(shù)為0.442 1,表明前兩年的研發(fā)經(jīng)費投入每增加1%,則會帶來0.442 1%的知識產(chǎn)出增加;研發(fā)人員投入的彈性系數(shù)為0.270 1,表明前兩年的研發(fā)人員投入每增加1%,則會帶來0.270 1%的知識產(chǎn)出增加.與表4相比較,OLS估計的研發(fā)人員投入彈性系數(shù)為0.287 7,低于表6中的SLM估計結(jié)果,從而相對忽略了前兩年研發(fā)人員投入對知識產(chǎn)出的影響.OLS估計的研發(fā)經(jīng)費投入對知識產(chǎn)出的彈性系數(shù)未通過顯著性檢驗,因此其結(jié)果不具有解釋意義.

同時,表6中SLM的估計結(jié)果顯示,(100,300)和(300,600)區(qū)間的知識溢出彈性系數(shù)分別為1.015 1和0.560 1,且通過了5%的顯著性檢驗,表明這一地理區(qū)間內(nèi)其它地區(qū)的知識存量對于本地區(qū)知識產(chǎn)出的影響為正;(600,900)和(900,1 200)區(qū)間的彈性系數(shù)為正,但未通過5%的顯著性檢驗;(1 200,1 500)區(qū)間的彈性系數(shù)為負(fù),通過了5%的顯著性檢驗,即當(dāng)?shù)貐^(qū)之間的地理距離落在此區(qū)間時,其它地區(qū)知識存量對本地區(qū)知識產(chǎn)出的影響為負(fù).將這些結(jié)果與表4對比時發(fā)現(xiàn),OLS估計結(jié)果與SLM估計結(jié)果差異較大,(100,300)和(900,1200)兩個區(qū)間的彈性系數(shù)符號并不一致,其它區(qū)間雖然符號一致,但數(shù)值存在較大區(qū)別,例如,OLS估計的(300,600)區(qū)間彈性系數(shù)僅為0.158 0,遠(yuǎn)低于SLM估計的0.5601;區(qū)間(600,900)和(900,1 200)的彈性系數(shù)在OLS估計中通過了5%的顯著性檢驗,(1 200,1 500)則未通過顯著性檢驗,這些結(jié)果與SLM估計相異.

表6 模型(8)的SLM和SEM估計結(jié)果Table 6 SLM and SEM estimates of the model(8)

此外,表6中SLM的估計結(jié)果顯示,區(qū)域科技支持政策(彈性系數(shù)為1.108 8)和經(jīng)濟發(fā)展水平(彈性系數(shù)為0.376 3)對知識產(chǎn)出具有正向促進(jìn)作用,即當(dāng)區(qū)域科技支持政策越強或經(jīng)濟發(fā)展水平越高,越能促進(jìn)知識產(chǎn)出,而資源稟賦對知識產(chǎn)出具有負(fù)向作用(彈性系數(shù)為?0.745 1),可能在于資源稟賦的區(qū)域異質(zhì)性使得鄰近地區(qū)產(chǎn)生虹吸效應(yīng),會吸引較多知識型人才的流入,導(dǎo)致本地區(qū)知識產(chǎn)出減少.

3)未考慮和考慮區(qū)域異質(zhì)性的對比分析

通過對比分析表5和表6中的SLM估計結(jié)果可發(fā)現(xiàn),在未考慮區(qū)域異質(zhì)性時,前兩年研發(fā)經(jīng)費投入和研發(fā)人員投入對知識產(chǎn)出的影響高于考慮區(qū)域異質(zhì)性時的影響,原因可能在于未考慮區(qū)域異質(zhì)性時,估計過程忽略了區(qū)域間由于區(qū)域科技支持政策、資源稟賦、經(jīng)濟發(fā)展水平等差異而產(chǎn)生的知識溢出,或者將由于區(qū)域異質(zhì)性的存在而產(chǎn)生的知識溢出納入了研發(fā)經(jīng)費投入和研發(fā)人員投入的估計結(jié)果中,從而出現(xiàn)估計的偏誤.

此外,表6與表5中(600,900)和(900,1 200)區(qū)間的彈性系數(shù)均未通過顯著性檢驗,因此不具有解釋意義.其它區(qū)間的彈性系數(shù)符號一致,但數(shù)據(jù)存在差異,考慮區(qū)域異質(zhì)性時的彈性系數(shù)要相對大于未考慮區(qū)域異質(zhì)性的彈性系數(shù),因而將區(qū)域間視為同質(zhì)性,會在估計中弱化不同地理范圍內(nèi)區(qū)域間的知識溢出效果,即考慮區(qū)域科技支持政策、資源稟賦、經(jīng)濟發(fā)展水平等區(qū)域異質(zhì)性時,區(qū)域異質(zhì)性會成為促進(jìn)鄰近地區(qū)之間知識溢出的重要因素.

5 結(jié)束語

地理鄰近對于區(qū)域間知識溢出具有深刻影響,但由于我國不同地區(qū)科技支持政策、資源稟賦、經(jīng)濟發(fā)展水平等具有差異,因此在研究地理鄰近與知識溢出關(guān)系時,納入?yún)^(qū)域異質(zhì)性變量尤為重要.基于此,本文應(yīng)用空間計量經(jīng)濟學(xué)理論,對我國31個省份和直轄市知識產(chǎn)出的空間相關(guān)性進(jìn)行分析,并對未考慮區(qū)域異質(zhì)性和考慮區(qū)域異質(zhì)性情況下知識溢出與地理鄰近關(guān)系進(jìn)行估計.估計結(jié)果顯示,知識產(chǎn)出具有明顯的空間相關(guān)性,在地理空間上存在集聚現(xiàn)象,在時間上體現(xiàn)出遷移特點.同時,區(qū)域異質(zhì)性在不同地理區(qū)間具有不同作用,成為影響鄰近地區(qū)知識溢出的重要因素.此外,研發(fā)經(jīng)費投入、研發(fā)人員投入、科技支持政策和經(jīng)濟發(fā)展水平對知識產(chǎn)出具有正向作用,有助于促進(jìn)地區(qū)間知識溢出,但資源稟賦的影響為負(fù).

本文的研究結(jié)果對促進(jìn)地區(qū)間知識溢出具有一定的指導(dǎo)意義.第一,各地區(qū)內(nèi)除增加內(nèi)部研發(fā)經(jīng)費投入和研發(fā)人員投入外,還應(yīng)強化與鄰近地區(qū)的知識交流,形成跨區(qū)域知識創(chuàng)新系統(tǒng),并通過系統(tǒng)內(nèi)部與系統(tǒng)之間的研發(fā)合作與技術(shù)模仿等方式,促進(jìn)區(qū)域間知識溢出的多維傳導(dǎo)[39,40].第二,根據(jù)各區(qū)域經(jīng)濟發(fā)展水平、資源稟賦特征制定差異化的地區(qū)科技支持政策,以緩解各區(qū)域知識產(chǎn)出能力差別較大的突出問題.例如東部地區(qū)應(yīng)積極鼓勵通過知識網(wǎng)絡(luò)方式進(jìn)行知識擴散與轉(zhuǎn)移,充分發(fā)揮對鄰近地區(qū)及中西部地區(qū)的知識產(chǎn)出梯度帶動作用;中西部地區(qū)應(yīng)加大對知識創(chuàng)新主體的財政補貼,提升現(xiàn)有創(chuàng)新資源配置效率,并建立有利于知識溢出與產(chǎn)出的機制與環(huán)境,為承接與轉(zhuǎn)化來自其它地區(qū)的溢出知識形成完善的輸入通道.

[1]饒揚德,李福剛.地理鄰近性與創(chuàng)新：區(qū)域知識流動與集體學(xué)習(xí)視角.中國科技論壇,2006(6):20–24.Rao Y D,Li F G.Geographical proximity and innovation:Regional perspective of knowledge flows and collective learning.Forum on Science and Technology in China,2006(6):20–24.(in Chinese)

[2]Hood N,Vahlne J E.Strategies in global competition.//Pavitt K.International Patterns of Technological Accumulation.New York:Routledge,1988:126–157.

[3]Abramovsky L,Simpson H.Geographic proximity and firm-university innovation linkages:Evidence from Great Britain.Journal of Economic Geography,2011,11(6):949–977.

[4]Anselin L,Varga A,Acs Z.Geographical spillovers and university research:A spatial econometric perspective.Growth and Change,2000,31(4):501–515.

[5]Jaffe A B,Trajtenberg M,Henderson R.Geographic localization of knowledge spillovers as evidenced by patent citations.The Quarterly Journal of Economics,1993,108(3):577–598.

[6]Funke M,Niebuhr A.Spatial R&D Spillovers and Economic Growth:Evidence from West Germany.Hamburg:Hamburg Institute of International Economics,2000:1–28.

[7]Bottazzi L,Peri G.Innovation and spillovers in regions:Evidence from European patent data.European Economic Review,2003,47(4):687–710.

[8]Woodward D,Figueiredo O,Guimaraes P.Beyond the Silicon Valley:University R&D and high-technology location.Journal of Urban Economics,2006,60(1):15–32.

[9]李 琳,吳 越.地理鄰近,網(wǎng)絡(luò)位置對產(chǎn)學(xué)聯(lián)盟合作創(chuàng)新的影響.中國科技論壇,2014(9):75–78.Li L,Wu Y.Effect of geographical proximity,network position in industry-university alliance cooperative innovation.Forum on Science and Technology in China,2014(9):75–78.(in Chinese)

[10]Brakman S,Garretsen H,Gigengack R,et al.Negative feedbacks in the economy and industrial location.Journal of Regional Science,1996,36(4):631–651.

[11]Maskell P,Malmberg A.Localised learning and industrial competitiveness.Cambridge Journal of Economics,1999,23(2):167–185.

[12]Sedgley N,Elmslie B.Agglomeration and congestion in the economics of ideas and technological change.American Journal of Economics and Sociology,2001,60(1):101–121.

[13]Sornn-Friese H,Simoni S?rensen J.Linkage lock-in and regional economic development:The case of the?resund medi-tech plastics industry.Entrepreneurship&Regional Development,2005,17(4):267–291.

[14]Boschma R.Proximity and innovation:A critical assessment.Regional Studies,2005,39(1):61–74.

[15]Callois J M.The two sides of proximity in industrial clusters:The trade-off between process and product innovation.Journal of Urban Economics,2008,63(1):146–162.

[16]Carrincazeaux C,Lung Y,Vicente J.The scientific trajectory of the French school of proximity:Interaction-and institution-based approaches to regional innovation systems.European Planning Studies,2008,16(5):617–628.

[17]Thompson P, Fox-Kean M. Patent citations and the geography of knowledge spillovers: A reassessment. American Economic Review,2005: 450–460.

[18]李 琳,熊雪梅.產(chǎn)業(yè)集群生命周期視角下的地理鄰近對集群創(chuàng)新的動態(tài)影響:基于對我國汽車產(chǎn)業(yè)集群的實證.地理研究,2012,31(11):2017–2029.Li L,Xiong X M.Dynamic effect of geographic proximity on cluster innovation in perspective of industrial cluster’s life cycle:A case study of Chinese sutomobile industry.Geographical Research,2012,31(11):2017–2029.(in Chinese)

[19]呂國慶,曾 剛,顧娜娜.基于地理鄰近與社會鄰近的創(chuàng)新網(wǎng)絡(luò)動態(tài)演化分析:以我國裝備制造業(yè)為例.中國軟科學(xué),2014(5):97–106.Lv G Q,Zeng G,Gu N N.Dynamic evolution of innovation network in China’s equipment manufacturing industry:Geographic proximity versus social proximity.China Soft Science,2014(5):97–106.(in Chinese)

[20]常紅錦,楊有振.地理臨近性與企業(yè)創(chuàng)新績效.中國科技論壇,2015(6):106–111.Chang H J,Yang Y Z.Geographic proximity and innovation performance.Forum on Science and Technology in China,2015(6):106–111.(in Chinese)

[21]黨興華,常紅錦.網(wǎng)絡(luò)位置,地理臨近性與企業(yè)創(chuàng)新績效:一個交互效應(yīng)模型.科研管理,2013,34(3):7–30.Dang X H,Chang H J.Network position,geographical proximity,and innovation performance:An interactive effect model.Science Research Management,2013,34(3):7–30.(in Chinese)

[22]蔡 昉,王美艷,曲 玥.中國工業(yè)重新配置與勞動力流動趨勢.中國工業(yè)經(jīng)濟,2009(8):5–16.Cai F,Wang M Y,Qu Y.Industrial and labor relocations among Chinese regions.China Industrial Economics,2009(8):5–16.(in Chinese)

[23]孫 建,齊建國.中國區(qū)域知識溢出空間距離研究.科學(xué)學(xué)研究,2011,29(11):1643–1650.Sun J,Qi J G.The study of spatial distance of knowledge spillover in Chinese regions.Studies in Science of Science,2011,29(11):1643–1650.(in chinese)

[24]李志宏,王 娜,馬 倩.基于空間計量的區(qū)域間創(chuàng)新行為知識溢出分析.科研管理,2013,34(6):9–16.Li Z H,Wang N,Ma Q.Knowledge spillovers analysis on interregional innovative behaviors based on spatial measurement.Science Research Management,2013,34(6):9–16.(in Chinese)

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

[26]趙建吉,曾 剛.創(chuàng)新的空間測度:數(shù)據(jù)與指標(biāo).經(jīng)濟地理,2009,29(8):1250–1255.Zhao J J,Zeng G.Spatial measurement of innovation:Data and indicator.Economic Geography,2009,29(8):1250–1255.(in Chinese)

[27]Goto A,Suzuki K.R&D capital,rate of return on R&D investment and spillover of R&D in Japanese manufacturing industries.The Review of Economics and Statistics,1989(4):555–564.

[28]彭建平,李永蒼.FDI存量,R&D存量與自主創(chuàng)新:基于省際動態(tài)面板GMM估計的實證研究.經(jīng)濟經(jīng)緯,2014,31(1):79–83.Peng JP,Li YC.FDI stock,R&D stock and self-dependent innovation: A dynamic panel GMM analysis of provincial data. Economic Survey,2014,31(1):79–83.(in Chinese)

[29]吳延兵.R&D存量,知識函數(shù)與生產(chǎn)效率.經(jīng)濟學(xué)(季刊),2006,5(3):1129–1156.Wu Y B.R&D Stock,knowledge function and productive efficiency.China Economic Quarterly,2006,5(3):1129–1156.(in Chinese)

[30]文雁兵.區(qū)域異質(zhì)性視角下中國地方政府行為選擇及演變.中國人口科學(xué),2014(3):66–76.Wen Y B.Under the regional heterogeneity of Chinese local government perspective evolution and behavior choice.Chinese Journal of Population Science,2014(3):66–76.(in Chinese)

[31]于明超,申俊喜.區(qū)域異質(zhì)性與創(chuàng)新效率:基于隨機前沿模型的分析.中國軟科學(xué),2010(11):182–192.Yu M C,Jia J X.Regional heterogeneity and innovation efficiency:An empirical research based on stochastic frontier model.China Soft Science,2010(11):182–192.(in Chinese)

[32]黃 奇,苗建軍,張菁菁,等.基于區(qū)域異質(zhì)性的中國工業(yè)企業(yè)創(chuàng)新效率.系統(tǒng)工程,2014,32(7):20–26.Huang Q,Miao J J,Zhang J J,et al.Innovation efficiency of Chinese industrial enterprises based on regional heterogeneity.Systems Engineering,2014,32(7):20–26.(in Chinese)

[33]沈 能,王群偉.考慮異質(zhì)性技術(shù)的環(huán)境效率評價及空間效應(yīng).管理工程學(xué)報,2015,29(1):162–168.Shen N,Wang Q W.Environmental efficiency evaluation and spatial effect taking account of technology heterogeneity.Journal of Industrial Engineering Management,2015,29(1):162–168.(in Chinese)

[34]趙丙奇,李玉舉.30個省市經(jīng)濟增長的資源稟賦狀況研究.財經(jīng)科學(xué),2006(2):99–106.Zhao B Q,Li Y J.Research on resources endowment of economic growth of 30 provinces and municipals.Finance and Science,2006(2):99–106.(in Chinese)

[35]Ansel in L.Spatial Econometrics:Methods and Models.New York:Springer Science&Business Media,2013:7–14.

[36]Ansel in L.Local indicators of spatial association:LISA.Geographical Analysis,1995,27(2):93–115.

[37]李子奈,葉阿忠.高級應(yīng)用計量經(jīng)濟學(xué).北京:清華大學(xué)出版社,2012:234-251.Li Z N,Ye A Z.Advanced Applied Econometrics.Beijing:Tsinghua University Press,2012:234–251.(in Chinese)

[38]吳玉鳴.空間計量經(jīng)濟模型在省域研發(fā)與創(chuàng)新中的應(yīng)用研究.數(shù)量經(jīng)濟技術(shù)經(jīng)濟研究,2006(5):74–85,130.Wu Y M.A spatial econometric model and its application to research&development and regional innovation.The Journal of Quantitative&Technical Economics,2006(5):74–85,130.(in Chinese)

[39]李婉紅.排污費制度驅(qū)動綠色技術(shù)創(chuàng)新的空間計量檢驗:以29個省域制造業(yè)為例.科研管理,2015,36(6):1–9.Li W H.Spatial econometrics test of pollutant discharge system’s driving on green technological innovation by:Taking 29 provinces and regions’manufacturing industries as examples.Science Research Management,2015,36(6):1–9.(in Chinese)

[40]周 文,陳 偉,郎益夫.集群創(chuàng)新網(wǎng)絡(luò)知識動態(tài)增長研究:基于過程視角.系統(tǒng)工程學(xué)報,2015,30(4):431–441.Zhou W,Chen W,Lang Y F.Knowledge dynamic growth in the innovation network of industrial cluster:Based on process perspective.Journal of Systems Engineering,2015,30(4):431–441.(in Chinese)