我国区域创新空间关联的网络特征及其影响因素时间： 2019-02-19信息来源：《西部论坛》2018年第2期 作者：方大春 马为彪 责编：qgy
摘要：基于2006—2015年我国省级区域创新指数，通过社会网络分析（SNA）和QAP回归分析，考察区域创新空间关联的网络特征及其影响因素，结果发现：各区域创新均不断加强，但中西部地区与东部地区还存在一定差距；各区域趋向平等化发展，区域创新的空间联系更加紧密，但还有很大提升空间；创新中心集中在东部地区，东部地区吸引其他地区的创新资源流入，并对其他地区的创新活动有较大影响，其区域创新联动也明显优于中西部地区；地理位置、产业结构、科技投入、对外开放、经济发展水平等的区域差异均显著影响区域创新的空间关联和溢出效应。应制定差别化的区域创新政策，充分发挥各区域在整体创新网络中的积极作用；要加快推进区域协调发展战略，缩小创新环境和创新活动的区域差距，促进整体区域协同创新。
关键词：区域创新，空间关联，网络结构，网络中心性，网络板块结构，社会网络分析，区域创新指数，区域协同创新，溢出效应
一、引言
十九大报告明确提出要加快建设创新型国家，并指出坚持创新是引领发展的第一动力，是建设现代化经济体系的战略支撑。一个国家创新能力的提高，可以通过攻关研究以提高核心技术创新能力，也可以通过优化创新资源间配置以提高区域协同创新能力。关于我国的区域创新，很多研究着眼于区域内部，对区域创新的能力、绩效及环境等进行探讨[1-8]。随着区域经济一体化进程加快，区域创新的空间关系以及区域协同创新也成为研究重点。白俊红和蒋伏心（2015）基于1998—2012年省际面板数据，运用空间计量分析方法研究表明，协同创新的总效果在长期过程中对区域创新绩效具有显著的正向影响[9]。赵雨涵和宋旭光（2017）运用最小生成树法研究表明，中国区域创新活动具有明显的空间关联性，并随着时间的推移显著增强[10]。张静和李平（2017）运用空间面板模型分析发现，中国的区域创新绩效存在明显的空间关联，主要以增长极为中心的组团方式分布[11]。李晨等（2017）运用SAR模型分析发现，创新空间溢出对区域创新的影响，交通邻近的作用最大，技术邻近次之，地理邻近居第三位，经济邻近的作用最小[12]。李婧和何宜丽利用2004—2013年30个省区面板数据的分析显示，我国区域创新绩效和知识溢出水平显著提高，知识溢出对区域创新绩效具有显著正向影响[13]。赵少平和黄飞（2016）采用常规空间计量方法研究表明，长三角的区域创新集聚存在空间正相关性[14]。
从现有研究来看，大部分学者对于区域创新的空间关系只局限于地理位置“邻近”的区域。其实，随着经济全球化与区域一体化的深入推进，区域创新的溢出效应随着知识、技术和人才等的跨区域流动，超越了地理上“邻近”区域，而表现为“跨区域”流动。这种跨区域流动，使得各地区创新能力的提升与其他地区（不仅仅是相邻地区）紧密相关，呈现出网络结构特征。因此，只有全面掌握区域创新网络结构的整体特征及各节点（各区域）在其中的角色和作用，才能更有效地推进区域协同创新。有鉴于此，本文通过构建区域创新指标体系计算我国省级区域创新指数，进而运用社会网络分析方法（Social Network Analysis，SNA）考察我国区域创新空间关联的整体网络特征、网络中心性和空间聚类特征，并进一步运用二次指派程序（Quadratic Assignment Procedure，QAP）探究区域创新空间关联的主要影响因素。
二、我国区域创新指数测度
运用社会网络分析方法分析区域创新的空间关联，首先要测算各区域的创新指数，因此需要构建合理的区域创新指标体系。基于区域创新评价的科学性、整体性、可操作性及动态连续性原则，参照彭迪云（2016）和齐亚伟（2015）的研究[4][7]，将区域创新分为创新投入、创新产出和创新环境三个维度，采用10个指标测算我国各区域的创新指数，具体见表1。
本文研究样本为我国不包括港、澳、台地区和西藏的30个省级区域，时间区间为2006—2015年，原始数据来自于2007—2016年的《中国统计年鉴》和各省市统计年鉴以及《中国科技统计年鉴》。为了消除价格因素的影响，以2006年为基期对相关指标数据按照GDP平减指数进行平减。由于选取的指标具有不同的单位，需要进行标准化处理。选取的指标都是正向指标，标准化处理的公式为：其中，i表示各项指标，Z′i为标准化之后的值，zi为原始值；Xmax和Xmin分别表示2006年至2015年期间i指标的最大值和最小值。
准确、合理的权重分配是进行多指标分析的关键，权重的确定方法主要有德尔菲法（专家评议法）、主成分分析法、层次分析法、灰色关联度法、熵值法、变异系数法等。其中，变异系数法不仅较为客观，而且可操作性强（郑广华，2010）[15]，因此本文选取变异系数法确定权重。计算得到各样本区域2006—2015年的创新指数（见表2）。从整体均值来看，区域创新指数呈现不断增加趋势，说明我国区域创新不断增强；从各区域看，创新指数也是递增的，各区域的创新不断提升；从区域排名看，创新指数排在前五位基本是北京、上海、江苏、浙江、广东，排名后五位的基本是青海、宁夏、海南、新疆、甘肃、贵州等西部省区，说明区域创新在整体上依旧是东部地区优于西部地区。
三、我国区域创新的空间关联特征
1.区域创新空间网络结构模型
本文基于区域创新指数构建区域创新空间关联网络，参考刘华军等（2015）的引力模型[16]，并根据本文研究的需要进行修正，得到如下模型：
其中，xi，j为i区域与j区域之间的创新空间相关性，Pi和Pj分别为i区域和j区域的总人数，Gi和Gj分别为i区域和j区域的GDP总值，ki，j为i区域在i和j区域创新中的贡献率，i区域和j区域的创新水平分别由Ii与Ij表示。基于托达罗的人口迁移模型，需要把地理距离和经济距离同时纳入摩擦距离（Dij）中。di，j表示区域i与区域j省会（首府）城市之间的球面实际距离，根据各城市的经纬度以及球面距离公式计算得到；gi和gj分别为i区域和j区域的人均GDP，其差值的绝对值越大，说明区域间资源流动性越强。
由模型可得区域创新空间关联引力矩阵（xi，j）30×30。考虑到相互作用存在一定门槛值（临界值），取（xi，j）30×30。矩阵每行的均值作为该行的临界值。当大于（等于）临界值，则表示两者存在相互作用，有关联性，取值为1；反之，小于临界值，取值为0，则表示两者之间不存在关联性。由于后ki，j的作用而导致xi，j与xj，i值的不同，故最终得到有向（不对称）空间关联网络0-1矩阵
2.整体网络结构和特征
为了更能清晰和直观展示我国区域创新的空间关联网络，本文利用UCINET可视化工具Netdraw绘制了2015年的空间关联网络（见图1）。从图1可以看出，我国区域创新呈现较为明显的空间网络特征，其中上海、北京、天津、浙江、江苏等东部区域与其他区域联系较多，处于网络的中心地带；青海、甘肃等中西部区域则处于网络的边缘地带。
把握一个网络的整体网络特征，需要研究其整体网络密度和网络关联性。网络密度反映网络成员联系的紧密度，密度越大，联系就越密切；网络关联性包含网络关联关系、网络等级度和网络效率，网络关联关系反映网络成员之间的相互作用程度，网络等级度反映网络成员之间非对称可达的程度（主要针对有向图，其值越大则网络越具有等级结构），网络效率反映各成员之间的连接效率（网络效率越低，则说明成员之间的连线越多、联系越密，则关联网络越稳定）。根据刘军（2014）的计算方法[17]，基于空间关联网络矩阵，绘制出2006年至2015年我国区域创新空间关联网络的网络密度、关联关系、网络等级度以及网络效率的变化趋势（见图2、图3）。
从图2可以看出，我国区域创新空间关联网络的关联关系和网络密度总体呈现上升趋势，表明区域创新的空间关联越来越密切。但从绝对值看，网络关联关系和网络密度分别为227与0.261，距离理论上总共的关联关系870（30×29）和网络密度1还有很大差距。可见，我国区域创新的空间联系还有很大提升空间。从图3可以看出，网络等级度先是呈现下降趋势，但在2011年以后趋于平稳，说明整体网络趋向平等化发展；网络效率整体上呈现下降趋势，表明各区域之间的创新关联不断增强。可见，自2006年全国科技大会以后，创新驱动战略成为我国主要发展战略之一，各地也纷纷积极促进科技创新，创新人才、知识、技术等创新资源的区域间流动加快，各区域创新的空间关联也得到有效加强。
3.各区域的网络中心性
中心性是重要的网络特征，反映节点成员在网络中的地位及权利大小，包括点度中心度、中间中心度和接近中心度。点度中心度衡量成员在网络中所处的地位，其值越高则与其他成员的连线越多，越处于网络的中心；中间中心度反映成员在网络中对资源的掌握程度，其值越高则掌握的资源越多（处于与其他成员最短连线上，在整个网络中起着桥梁的作用）；接近中心度反映成员在网络中独立于其他成员（不受控制）的程度，其值越高则与其他成员越接近，与其他成员的联系越强。限于篇幅，这里仅给出2015年的计算结果（见表3）。
从点度中心度来看，高于均值的区域有9个（上海、天津、江苏、北京、山东、浙江、广东、内蒙古、河南），这些区域与其他区域连线较多，处于网络的中心地带；其中7个属于东部发达地区，说明我国的创新中心集中在东部地区。点入度大于点出度的区域有上海、天津、江苏、北京、浙江、安徽、山东、内蒙古和河南，其受益大于溢出；相反，中西部地区则大多表现为溢出大于受益。可见，东部地区拥有良好的经济发展环境，吸引了其他地区创新资源的流入。从中间中心度来看，高于均值的区域有8个（上海、天津、江苏、北京、山东、浙江、广东、内蒙古），其中心度占全国总量的83.44%，掌握较多的创新资源，在整个网络中起着桥梁的作用；这些区域大多处于我国最为发达的长江三角洲、珠江三角洲以及环渤海地区，在区域创新方面具有强大的优势。从接近中心度来看，高于均值的区域有8个（上海、天津、江苏、北京、山东、浙江、内蒙古、广东），这些区域的创新活动对其他区域的创新活动有较大影响，是网络中创新活动的中心行动者。另外，不管从点度中心度、中间中心度还是接近中心度看，排名靠后的基本上是宁夏、海南等区域，这些区域由于经济发展水平较低、地理位置偏远以及基础设施落后，区域创新能力不足，处在网络的边缘地带。
4.区域创新网络的板块结构
为了进一步探讨我国区域创新网络的空间聚类特征，需将整个网络简化为块模型。根据Wasserman和Faust（1994）构建的块模型评测体系[18]，将我国区域创新网络分为四大板块：一是双向溢出板块，该板块成员与板块内成员和板块外成员都有较多的关系，表现为双向溢出；二是净受益板块，该板块成员受益远大于溢出，在极端情况下表现为只受益而不溢出；三是经纪人板块，其作用好比桥梁，起着联结其他板块之间关系的作用，该板块成员内部的关系较少，而与外部的关系较多；四是净溢出板块，与净受益板块相反，该板块成员受益远大于溢出，在极端情况下只溢出而不受益。本文采用常见的CONCOR块模型分析方法，最大分割深度为2，收敛标准为0.2，将我国区域创新空间关联网络划分为双向溢出、净受益、经纪人和净溢出四大板块，如表4所示，图4则更加清晰地描绘了四大板块之间的互动关系。
注：期望内部关系比例根据“（板块内区域数-1）/（网络中所有区域数-1）”计算，实际内部关系比例根据“板块内部关系数/板块的溢出关系总数”计算。
2015年，我国区域创新空间关联网络一共有227个关联关系（板块内26个关联关系，板块外201个关联关系），表明我国区域创新存在着明显的空间关系和溢出效应。双向溢出板块的成员有4个区域（有北京、天津、内蒙古、山东），净受益板块的成员有5个区域（上海、江苏、浙江、广东、福建）①，经纪人板块的成员有9个区域（吉林、河北、山西、陕西、辽宁、宁夏、黑龙江、重庆、青海），净溢出板块的成员有12个区域（湖北、湖南、广西、河南、四川、贵州、云南、安徽、海南、江西、甘肃、新疆）②。总的来看，净受益板块的成员大多属于东部沿海地区，而净溢出板块大多数属于中西部地区。东部地区凭借自身的经济发展优势吸引着中西部地区的创新资源，进而区域创新网络在整体上表现出非均衡的特征。
为更深层次剖析四个板块之间的空间关联，通过UCINET软件计算得出各板块之间的密度矩阵，然后与整体网络密度（0.261）比较，若板块之间的密度大于0.261，赋值为1（该两板块之间存在较强的空间关联），相反则赋值为0，得到像矩阵（见表5）。从整体来看，各板块基本能够发挥各自的优势，体现板块功能。像矩阵可以直观地反映区域创新在各板块间的溢出效应，经纪人板块和净溢出板块对双向溢出板块和净受益板块具有较强的溢出效应，反映出中西部区域创新资源向东部地区流动的趋势；双向溢出板块和净受益板对自身具有较强的溢出效应，而经纪人板块和净溢出板块的自身溢出效应不明显，表明东部地区的区域创新联动更为显著，而中西部地区的区域创新联动较弱。
四、我国区域创新空间关联的影响因素
1.模型设定与指标选取
本文采用社会网络矩阵QAP分析影响我国区域创新空间关联的主要因素，QAP是一种基于关系数据探究不同矩阵之间相关系数，并对该系数进行非参数检验的方法。由于地理位置上的先天优势，一个区域通常更易受到相邻区域溢出效应的影响。从前文的密度矩阵分析来看，各板块之间存在着明显的空间关联关系与溢出效应，但各板块之间的空间溢出又存在差异性，这可能是由于不同区域拥有不同的创新资源和环境所造成的，因此，本文选择若干刻画区域创新差异的指标，构建模型：I=f（D，R，K，S，F，G，T）。
其中，I为区域创新空间关联矩阵，D为空间邻接矩阵（两区域相邻取1，否则为0），R为R&D人员全时当量差异矩阵，K为R&D经费支出差异矩阵，S为第三产业产值占GDP比重差异矩阵，F为实际利用外资差异矩阵，G为人均GDP差异矩阵，T为科技支出占财政支出比重差异矩阵。取各区域对应的指标在样本期间（2006—2015年）的均值，用各区域实际值与均值之差的绝对值建立差异矩阵，再利用UCINET软件进行QAP相关性分析和回归分析。
2.QAP相关性分析
通过QAP相关性分析可以得出不同矩阵之间的相关性。QAP以某个矩阵的行和列同时置换为基础，多次重复计算置换后的矩阵与其他矩阵之间的相关系数，并通过随机重排计算出相应相关系数分布，进而根据事先确定的显著性水平得出相关系数（刘军，2014）[19]。由UCINET软件通过10 000次置换，分别得到被解释变量与解释变量之间的相关系数（见表6）。其中，最大值和最小值分别是实际相关系数中的最大值和最小值；P1≥0、P2≤0分别表示10 000次随机置换中观测到的相关系数大于等于、小于等于实际相关系数的概率。根据表6，各变量的相关系数均通过了1%的显著性水平检验，且系数都为正数，表明选取的指标对我国区域创新的空间关联有着显著的正向影响。
为了更进一步检验选取的指标差异矩阵之间是否存在相关关系，进一步对差异矩阵进行QAP相关性分析，得到其相关系数及其显著性水平（见表7）。R&D经费支出差异矩阵与R&D人员投入差异矩阵具有显著的相关性（相关关系达到0.932），两者存在严重共线性，且与其他变量也存在一定的共线性问题。为了减小变量间共线性问题带来的估计误差，剔除R&D经费支出差异矩阵K，得到修正模型：I′=f（D，R，S，F，G，T）。
3.QAP回归分析
运用UCINET软件，选择10 000次随机置换，回归结果如表8所示。概率1表示随机置换后的判定系数绝对值不小于观察到的判定系数的概率；相反，概率2表示置换后的判定系数不大于观察到的判定系数的概率。由表8可知，空间邻接矩阵D在1%的水平上显著，说明地理位置确实对区域创新的空间关联具有显著影响；R&D人员全时当量差异矩阵（R）、人均GDP差异矩阵（G）和科技支出占财政支出比重差异矩阵（T）都在1%的水平上显著，第三产业产值占GDP比重差异矩阵（S）和实际利用外资差异矩阵（F）分别在5%与10%的显著性水平上显著。可见，我国区域创新的空间关联在不同程度上受到这些因素的影响。回归系数为负，表明区域间第三产业产值占GDP比重、实际利用外资和科技支出占财政支出比重的差异越小，区域创新的空间关联越强；回归系数为正，表明区域间R&D人员全时当量和人均GDP的差异越大，区域创新的空间关联越强。
五、结论与启示
本文基于我国2006—2015年30个省级样本区域的相关数据构建区域创新指数，并采用社会网络分析法（SNA）和QAP回归分析法，考察我国区域创新空间关联的网络特征及其影响因素，得出以下结论：（1）我国区域创新指数呈现不断上升的趋势，东部地区的区域创新指数明显高于中西部地区，说明虽然各区域创新均不断加强，但中西部地区与东部地区还存在一定差距。（2）我国区域创新空间关联网络的关联关系和网络密度呈现不断上升的趋势，区域创新的空间联系更加紧密，但还有很大提升空间；网络等级度和网络效率整体上呈现下降趋势，各区域趋向平等化发展，空间关联更加密切。（3）我国的创新中心集中在东部地区，东部地区吸引其他地区的创新资源流入，并对其他地区的创新活动有较大影响。（4）我国区域创新空间关联网络的四大板块基本发挥了各自的优势和功能；净受益板块的成员大多属于东部沿海地区，而净溢出板块大多数属于中西部地区；经纪人板块和净溢出板块对双向溢出板块和净受益板块具有较强的溢出效应；东部地区的区域创新联动更为显著，而中西部地区的区域创新联动较弱。（5）我国区域创新的空间关联和溢出效应受到各区域地理位置差异、科技投入差异、产业结构差异、利用外资差异以及经济发展水平差异等因素的显著影响。
基于上述研究结论，本文提出以下建议：
第一，从全国一盘棋的战略角度实施区域创新政策。上海、北京、天津、江苏等东部地区作为我国区域创新的中心地带，应继续发挥其优势，进一步提高创新能力。虽然中西部地区的区域创新相对落后，但也拥有丰富的创新资源，东部地区可在中西部地区设立创新平台，形成优势互补，避免中西部地区的创新资源过度流入东部地区，进而在全国层面形成更为均衡的区域协同创新格局。
第二，制定差别化的区域创新政策。充分考虑各板块之间的结构特征，避免“一刀切”。一方面，双向溢出板块和净受益板块是我国区域创新的核心地带，有着强大的优势，要在提升其自身创新能力的同时，积极引导净溢出板块与经纪人板块的创新发展。另一方面，净溢出板块与经纪人板块要充分发挥其资源优势，并积极学习和引进先进技术，主动参与跨区域创新活动，从而提高全国的区域创新关联密度和创新效率。
第三，努力缩小中西部地区与东部地区的创新差距。要鼓励东部地区拥有自主知识产权的创新型企业向中西部地区转移，加大区域创新知识、技术和人才的溢出效应。同时，中西部地区应加大基础设施建设，改善区域创新环境，主动引进、消化并吸收国内外先进技术，逐步提高自身自主创新和发展的能力。
第四，积极推进区域协调发展战略，缩小区域创新环境差距。QAP回归分析表明，区域间产业结构、对外开放、科技投入等方面的差异越小，区域创新的空间关联和溢出效应越大。因此，落后地区应加快推进产业结构优化升级，扩大对外开放，加大科技投入，努力缩小区域间差异，从而推动整体区域协同创新。
注释：
①板块的期望内部关系比例小于实际内部关系比例，则属于双向溢出板块或净受益板块。双向溢出板块中，受益关系总共74个（板块内8个，板块外66个），溢出关系总共26个（板块内8个，板块外18个），期望内部关系比例10.34%小于实际内部关系比例30.77%；净受益板块中，受益关系总共81个（板块内7个，板块外74个），溢出关系总共38个（板块内7个，板块外31个），期望内部关系比例13.79%小于实际内部关系比例18.42%；由于后者的受益关系数大于前者，故将前者作为双向溢出板块，后者作为净受益板块。
②板块的期望内部关系比例大于实际内部关系比例，则属于经纪人板块或净溢出板块。经纪人板块中，受益关系总共24个（板块内9个，板块外15个），溢出关系总共67个（板块内9个，板块外58个），期望内部关系比例27.59%大于实际内部关系比例13.43%；净溢出板块中，受益关系总共48个（板块内2个，板块外46个），溢出关系总共96个（板块内2个，板块外94个），期望内部关系比例37.93%大于实际内部关系比例2.13%。由于后者的溢出关系数明显大于前者，故将前者作为经纪人板块，后者作为净溢出板块。
参考文献：
[1]王学军，陈武.区域智力资本与区域创新能力的关系——基于湖北省的实证研究[J].中国工业经济，2008（9）：25-36.
[2]刘军，李廉水，王忠.产业聚集对区域创新能力的影响及其行业差异[J].科研管理，2010，31（6）：191-198.
[3]蒋天颖，华明浩，许强，王佳.区域创新与城市化耦合发展机制及其空间分异——以浙江省为例[J].经济地理，2014（6）：25-32.
[4]彭迪云，刘畅，周依仿.区域经济增长与创新能力耦合协调发展研究——以长江经济带为例[J].科技管理研究，2016（7）：104-110+121.
[5]杨若愚.市场竞争、政府行为与区域创新绩效——基于中国省级面板数据的实证研究[J].科研管理，2016，37（12）：73-81.
[6]李琳，陈文韬.我国区域创新环境差异的实证分析[J].中国科技论坛，2009（7）：94-99.
[7]齐亚伟.区域创新环境对三大创新主体创新效率的影响比较研究[J].科技进步与对策，2015（14）：41-46.
[8]杨秋月.基于区域创新环境的产学研协同创新影响因素研究[J].江淮论坛，2016（6）：84-88.
[9]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.
[10]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.
[11]张静，李平.中国区域创新绩效的过程溢出与空间关联[J].西部论坛，2017（3）：34-44.
[12]李晨，覃成林，任建辉.空间溢出、邻近性与区域创新[J].中国科技论坛，2017（1）：47-52+68.
[13]李婧，何宜丽.基于空间相关视角的知识溢出对区域创新绩效的影响研究——以省际数据为样本[J]研究与发展管理，2017，29（1）：42-54.
[14]赵少平，黄飞.长三角区域创新集聚的空间计量实证研究[J].经济地理，2016（8）：73-79.
[15]郑广华.区域创新系统协调发展的评价系统研究[J].系统科学学报，2010（3）：76-79.
[16]刘华军，刘传明，孙亚男.中国能源消费的空间关联网络结构特征及其效应研究[J].中国工业经济，2015（5）：83-95.
[17]刘军.整体网分析[M].上海：格致出版社，上海人民出版社，2014.
[18]WASSERMAN S，FAUST K. Social network analysis：Methods and applications[M]. Cambridge：Cambridge University Press，1994.
[19]刘军.整体网分析讲义——UCINET软件实用指南（第2版）[M].上海：格致出版社，2014：283.
作者简介：方大春（1973），男，安徽和县人；教授，博士，在安徽工业大学商学院任教，主要从事区域经济和产业经济研究；E-mail：fdchh@163.com。