中国区域高技术产业创新绩效测度与评价——基于因子分析和空间计量模型的实证研究

余　泳，陈　龙，王　筱

(云南财经大学 国际工商学院， 云南 昆明　650221)

中国区域高技术产业创新绩效测度与评价
——基于因子分析和空间计量模型的实证研究

余泳，陈龙，王筱

(云南财经大学 国际工商学院， 云南 昆明650221)

摘要：文章以中国30个省市2008—2012年高技术产业数据为研究样本，首先，运用因子分析法测度了中国30个省市2008—2012年高技术产业创新绩效；其次，运用Moran’s I指数值对高技术产业创新绩效的空间相关性和空间异质性进行检验；最后，基于空间计量模型中的SEM模型分析了高技术产业创新绩效的影响因素。研究结果表明：2008—2012年间，中国区域高技术产业创新绩效空间上呈现“东高西低”的集聚特征，局域上呈现空间溢出效应；R&D人员投入、R&D经费投入、对外开放度、外部技术获取、企业规模等与区域高技术产业创新绩效呈正相关关系；产权结构与区域高技术产业创新绩效呈负相关关系，即非国有高技术企业更有助于创新绩效的提高。

关键词：中国区域高技术产业；创新绩效；因子分析；空间误差模型

一、研究背景与发展现状

改革开放以来，在国家加大对科技的投入和相关政策的扶持下，中国高技术产业取得了突破性的发展。但是，据《中国区域创新能力报告2012》显示[1]，中国区域高技术产业创新绩效水平差异明显，东部沿海地区高技术产业创新绩效水平较高，中、西部内陆地区高技术产业创新绩效水平较低，东部沿海地区明显高于中、西部内陆地区。如2012年高技术产业R&D人员全时当量方面，东部地区占78.67%，中、西部地区分别占13.36%、7.97%；R&D经费支出方面，东部地区占79.69%，中、西部地区分别占12.55%、7.76%；全年有效发明专利数方面，东部地区占86.59%，中、西部地区分别占8.08%、5.33%；新产品销售收入方面，东部地区占86.83%，中、西部地区分别占8.32%、4.85%。从发展现状分析可知，中国高技术产业整体发展迅速，但区域差异明显；同时，中国区域高技术产业创新绩效呈现出“高产出、低效率”的特征[2]。

因此，本文在构建高技术产业创新绩效评价体系的基础上，以中国区域高技术产业为研究对象，利用2008—2012年中国30个省市(数据缺失的港澳台、西藏除外)的面板数据，借助因子分析法和空间计量模型对中国区域高技术产业创新绩效测度与评价，分析各影响因素对高技术产业创新绩效的作用途径，以期为实现中国区域高技术产业创新绩效的协调发展提供有益思路，这对于提升高技术产业竞争力，缩小区域创新差异等都具有重要意义。

二、文献回顾

在经济全球化和知识经济的大背景下，创新已成为高技术企业持续发展的主要动力和源泉，而创新能力的强弱直接关系到高技术产业的竞争力及生命力。近年来，中国政府不断加强对高技术产业的创新扶持力度，高技术产业得到快速的发展，但是仍面临着“高产出、低效率”的弊端[2]。因此，科学合理地评价高技术产业的创新绩效，这对于提升高技术产业竞争力、缩小区域创新差异等都具有十分重要的理论和现实意义。

自1912年Schumpeter提出创新概念以来，国内外众多学者围绕高技术产业创新绩效进行研究，已经取得诸多有益成果[3]。Hemmert(2004)依据德国和日本的调查结果，采用线性回归的方法深入研究了技术创新投入与产出绩效的关系[4]。Raab等(2006)[5]对美国50个州高技术产业技术创新效率进行了深入研究。Cheung(2010)[6]深入分析了中国1995—2006年FDI的技术溢出效应，结果表明，外资高技术企业的R&D投入与中国高技术产业的创新绩效具有显著的正相关性。Yam等(2011)[7]对中国香港特别行政区制造业的技术创新绩效影响因素进行深入研究，得出企业R&D投入是提升技术创新绩效的关键。国内学者的研究主要集中在高技术产业创新绩效评价方法上，主要有多元统计分析法(主成分分析法、聚类分析法、因子分析法、结构方程模型等)、DEA族法(基本DEA法、超效率DEA法、网络DEA法、DEA-Malmquist指数法、随机前言SFA法等)以及其他方法。运用多元统计分析法的学者有：孙慧玲等(2014)[8]、王静(2010)[9]、谭开明等(2013)[10]；运用DEA族法的学者有：吴和成(2008)[11]、余泳泽(2009)[12]、葛磊(2012)[13]、马军伟(2013)[14]、夏绪梅(2013)[15]等。部分学者运用其他评价方法进行高技术产业发展研究，如曹勇等(2012)[16]运用Pearson相关分析、改进的Griliches—Jaffe知识生产函数模型和逐步回归分析等方法对高技术产业整体及其下属五个典型行业进行比较分析；高文玲等(2013)[17]运用中国省级面板数据，研究了OFDI的逆向技术溢出对中国高技术产业创新产出的影响。

综上，国内外学者对于高技术产业技术创新绩效问题进行了深入研究，并取得了丰硕的研究成果。但是，大多数研究都是用单一指标(如专利申请数)来衡量各地区高技术产业创新绩效水平；同时，大多数学者多采用多元统计分析法、DEA族法等方法为研究工具，这些方法大多基于假定各个区域是相互独立、互不影响的，研究忽略了空间因素对高技术产业创新绩效的影响。从理论与现实的角度来说，任何与高技术产业创新活动有关的因素都有可能会对高技术产业创新绩效产生一定程度的影响，且相邻区域的高技术产业创新活动并非独立的，而是相互影响的。因此，为了更准确地测度和评价高技术产业创新绩效，本文采用因子分析法和空间计量模型对高技术产业创新绩效进行测度与评价，探索纳入空间因素后各影响因素对高技术产业创新绩效的影响。研究结果对提升高技术产业竞争力、缩小区域创新差异以及政府政策的制定等都具有参考价值。

三、研究方法与变量测度

(一)研究方法

1.因子分析法

经典的因子分析法是由Charles Spearman于1904年提出的，在社会、自然科学、经济管理等众多领域的综合评价中得到广泛运用。它将一组样本的多个显性指标归结为少数几个公因子来解释原始数据的多元统计分析方法。它通过对因子载荷矩阵等分析，根据方差贡献率的大小来提取几个能够涵盖大量原始数据的公因子，构建因子模型将原始观察变量分解为因子的线性组合，最后根据综合得分对研究对象进行评价。其基本模型如下：

(1)

因此得出因子分析模型的矩阵表达式为：

即Αp×1=αp×m×Βm×1+βp×m×ξp×1

(2)

2.空间计量经济估计与分析

(1)空间自相关性检验

空间自相关性检验是用来分析某一区域与其相邻空间点上的高技术产业创新绩效是否显著相关联，包含全局空间自相关和局域空间自相关，常用Moran’s I指数来衡量。

全局Moran’s I指数用来分析研究区域整体的空间相关性和差异程度，可反映中国区域高技术产业创新绩效的总体空间集聚格局，其计算公式为[18]：

(3)

全局Moran’sI指数在[-1,1]之间，在给定的显著性水平下，当I>0时，表明高技术产业创新绩效水平较高(较低)的区域在空间上显著集聚；当I<0时，表明该区域与周边地区的高技术产业创新绩效水平具有显著的空间差异；当I接近-1/(n-1)时，表明各区域高技术产业创新绩效在空间上呈独立随机分布。

然而，全局Moran’sI指数主要描述研究区域空间分布的总体特征，不能反映局部区域范围内的空间异质性。而局部空间自相关可反映局部区域之间的空间集聚格局，并揭示局部区域范围内的空间异质性，通常用局部Moran’sIi指数来衡量，其计算公式为：

(4)

公式(4)中,S2为各区域高技术产业创新绩效水平的标准差，其余变量含义与公式(3)相同。

当局部Moran’sIi指数为正时，表示较高(较低)创新绩效水平的区域被较高(较低)创新绩效水平的区域包围，即相邻区域空间集聚特征明显；反之，当局部Moran’sIi指数为负时，表示较低(较高)创新绩效水平的区域被较高(较低)创新绩效水平的区域包围，即相邻区域空间差异特征明显。

(2)空间计量模型

通过以上的空间自相关性检验，可以判断中国区域高技术产业创新绩效水平是否存在空间相关性和空间异质性。如果空间相关性和空间异质性显著存在，则需运用空间计量模型中的空间自回归模型(SAR)对中国区域高技术产业创新绩效水平进行实证分析。空间自回归模型(SAR)的一般形式为[19]：

Y=ρW1y+Xβ+ε,ε=λW2ε+u,ε～(0,σ2In)

(5)

其中，Y为n×1维的被解释变量向量；ρ为空间滞后因变量W1y的系数；X为n×k维的解释变量向量；β为解释变量X矩阵的k×1维的系数向量；λ为空间误差系数；W1和W2均是n×n维的空间权重矩阵；ε和u均是服从正态分布的随机误差项。

在式(5)中，当ρ≠0且λ=0时，该模型为空间滞后模型(SLM)；当ρ=0且λ≠0时，该模型为空间误差模型(SEM)。对于究竟是采用空间滞后模型(SLM)还是空间误差模型(SEM)，可根据Anselin和Florax(1995)[20]给出的检验原则，选择出适合的模型进行研究。

(二)变量选择与数据来源

1.变量选择

在对中国区域高技术产业创新绩效进行评价时，所选择的评价指标既要能反映当地高技术产业创新活动的整体情况，又要保证指标数据的可得性和可比性。同时，影响高技术产业创新绩效的因素众多，为了使选取的影响因素能够全面反映现实情况，需要科学、合理地选择各影响因素。本文在前人研究的基础上，从科研产出和新产品产出两方面选择五项指标用于评价区域高技术产业创新绩效水平，具体如表1所示。同时，选择创新绩效水平、R&D人员投入、R&D经费投入、对外开放度、外部技术获取、企业规模、产权结构等七项影响因素对区域高技术产业创新绩效进行空间计量分析，具体影响因素说明见表2。

表1　中国区域高技术产业创新绩效评价指标

表2　中国区域高技术产业创新绩效影响因素

2.数据来源

本文研究数据来源于《中国高技术产业统计年鉴(2009—2013)》、《中国科技统计年鉴(2009—2013)》、《中国统计年鉴(2009—2013)》中2008—2012年中国30个省市(数据缺失的港澳台除外)的统计数据。在进行因子分析和空间计量分析前，根据颜克益等(2012)的研究，对于部分省份的缺失数据，采用相邻省份数据的加权平均数进行处理[21]。同时，由于通货膨胀等因素的存在，对与价格有关的指标数据均采用2007年居民消费价格指数进行价格平减。研究所用到的软件为SPSS17.0和Geoda095i。

四、实证分析

(一)中国区域高技术产业创新绩效测度分析

在进行区域高技术产业创新绩效因子分析前，需要对所获得的数据进行KMO检验。一般认为KMO在0.6以上，表明原始数据适合做因子分析。通过运用SPSS17.0对各年的原始数据进行KMO检验，得到2008—2012年所选择的研究数据的KMO值分别为0.715、0.68、0.792、0.718、0.74，Bartlett球体检验统计量的显著性概率均为0.000，可以认为各变量之间存在着显著的相关性，适合做因子分析。同时，根据特征值大于1提取公因子的原则，2008年有两个特征值大于1，且这两个因子的累计方差贡献率为94.8%，故提取两个公因子就能够解释原始变量大部分信息，而2008—2012年均值只有一个特征值大于1，累计方差贡献率分别为78.5%、80.0%、79.2%、81.7%，故提取一个公因子就能够解释原始变量大部分信息。

因此，根据公式(2)可以得到2008—2012年中国30个省市高技术产业创新绩效水平的综合得分，如表3所示。

表3　2008—2012年中国区域高技术产业创新绩效值

由表3可知， 2008—2012年中国区域高技术产业创新绩效均值为正的区域只有9个省市，依次为广东、江苏、浙江、北京、山东、上海、天津、四川和福建，其绩效值依次为2.796、1.263、0.695、0.587、0.305、0.268、0.242、0.219和0.041，表明这些区域高技术产业创新绩效水平高于全国平均水平，其中东部地区的省市有8个，且前7位的省市均在东部地区，西部地区的省份有1个，中部地区则没有；而其他省份在2008—2012年高技术产业创新绩效均值得分均为负值，表明这些地区的高技术产业创新绩效水平低于全国平均水平。值得关注的是，得分值排名最后的地区基本上都属于西部地区，而中部地区省份得分值居中，这表明中国高技术产业创新绩效水平存在显著差距，仍表现出东部地区遥遥领先中、西部地区，即中国区域高技术产业创新绩效存在着较大的不平衡。

此外，为了更直观地显示中国区域高技术产业创新绩效的空间分布差异，本文以2012年中国区域高技术产业创新绩效值为原始数据，运用Geoda095i软件对区域高技术产业创新绩效水平分为5个等级，得到空间分布图(见图1)。从图1可以看出，中国区域高技术产业创新绩效存在着显著的差距，大致呈现出东南沿海地区省市高技术产业创新绩效水平较高，而中、西部地区省市(除四川省外)高技术产业创新绩效水平较低。这也进一步说明了中国区域高技术产业创新绩效存在着显著的空间集聚性和空间异质性，大致是以从东部地区向西部地区逐渐递减的阶梯式分布。因此，需要通过严格的空间计量分析判断各区域是否存在空间相关性、空间集聚性或空间溢出效应。

图1　2012年中国区域高技术产业创新绩效空间分布图

(二)中国区域高技术产业创新绩效的空间计量分析

1.空间自相关性检验

本文根据2008—2012年中国30个省市的高技术产业创新绩效数据对中国各区域高技术产业创新绩效进行全局空间自相关性和局域空间自相关性检验。表4为2008—2012年中国区域高技术产业创新绩效的全局Moran’sI指数。从表4可以看出，2008—2012年的全局Moran’sI指数均为正，且均通过5%显著性检验，表明中国区域高技术产业创新绩效呈正相关性，即以东部地区为主的高创新绩效区域和以西部地区为主的低创新绩效区域呈现出两级集聚现象。同时，除2010年全局Moran’sI指数有所下降外，其余四年的全局Moran’sI指数均呈现逐年上涨之势，这表明中国区域高技术产业创新绩效在空间分布上并不是随机分布的，而是呈现出较强的区域关联效应。

表4　2008—2012年中国区域高技术

注：表中的统计推断基于999次的随机排列。

为了进一步揭示每个区域与相邻区域的局部空间相关性和空间异质性，本文采用Moran散点图对中国区域高技术产业创新绩效进行局部空间相关性和空间异质性检验，如图2所示。

图2　2012年中国区域高技术产业创新绩效Moran散点图

以2012年为例，采用1阶Queen型空间权重矩阵，运用Geoda095i软件对区域高技术产业创新绩效进行Moran散点图分析，有五个区域(江西、湖南、广西、四川、广东)位于LH象限和HL象限，表明其相邻区域与该地区的高技术产业创新绩效表现为空间异质性；海南省横跨LH象限和LL象限，安徽省横跨HH象限和LH象限，其他23个地区位于HH象限和LL象限，表明该地区与相邻地区呈现显著的局部空间相关性，存在溢出效应。

2.空间计量模型估计与分析

根据上文的分析可知，中国区域高技术产业创新绩效存在空间相关性和空间异质性，所以在模型估计与分析时，有必要将空间因素纳入到空间计量模型中进行分析。

(1)模型构建

依据前文确定的高技术产业创新绩效解释变量以及公式(5)的模型，本文根据科布道格拉斯生产函数，最终构建的空间计量模型如下：

INN=c+β1RH+β2RDIN+β3OPEN

+β4EXTEC+β5SIZE+β6OWN+ε

(6)

INN=ρWINN+β1RH+β2RDIN+β3OPEN

+β4EXTEC+β5SIZE+β6OWN+ε

(7)

INN=β1RH+β2RDIN+β3OPEN+β4EXTEC

+β5SIZE+β6OWN+ξ,ξ=λWξ+ε

(8)

INN为各地区高技术产业创新绩效；c表示常数项；βi(i=1,2,…,6)分别表示相应影响因素的弹性系数；公式(6)是未纳入空间因素的OLS估计模型；公式(7)和公式(8)分别为纳入空间因素的空间滞后模型(SLM)和空间误差模型(SEM)，均采用最大似然(ML)估计法。

(2)估计结果分析

本文以各区域各变量2008—2012年平均值为研究样本数据，运用Geoda095i软件对区域高技术产业创新绩效进行空间计量模型估计与分析，模型的估计结果见表5。

由表5可以看出，纳入空间因素的SLM和SEM的拟合优度均比OLS模型高，这进一步说明了高技术产业创新绩效在全国范围内存在显著的空间相关性。因此，需要考虑空间因素的影响，采用SLM和SEM模型分析高技术产业创新绩效更加符合现实情况。

通过比较SLM和SEM可以发现， SEM的自然对数函数值lnL(15.671 8)较大，赤池信息准则AIC(-17.343 7)和施瓦茨准则SC(-7.535 3)最小，且极大似然比率LR(2.830 9)通过10%显著性水平检验。因此，可以断定，SEM要比SLM拟合效果好，它能够更好地揭示中国区域高技术产业创新绩效差异的影响因素。此外，相对于2008—2012年的平均水平而言，SLM的空间滞后系数(ρ)未能通过10%显著性检验，表明高技术产业创新绩效在中国不同区域还未形成良好的空间溢出效应；而SEM的空间误差系数(λ)通过了1%显著性检验，表明高技术产业创新绩效存在显著的空间依赖性，即相邻地区的高技术产业创新绩效在空间上是相互作用、相互影响的。

表5　模型的估计结果

注：括号内为标准误差，***、**、*分别表示通过1%、5%、10%水平下的显著性检验。

从表5中的SEM模型可以看出，R&D经费投入(RDIN)与区域高技术产业创新绩效呈正相关关系，其系数为1.191 3，且通过了5%水平的显著性检验，即R&D经费投入程度每增加1%，高技术产业创新绩效提高1.191 3%，说明今后需要进一步加大R&D经费投入力度；对外开放度(OPEN)与区域高技术产业创新绩效呈正相关关系，其系数为0.844 9，且通过了1%水平的显著性检验，即对外开放程度每增加1%，高技术产业创新绩效提高0.844 9%；外部技术获取(EXTEC)与区域高技术产业创新绩效呈正相关关系，其系数为0.459 5，且通过了1%水平的显著性检验，即外部技术获取程度每增加1%，高技术产业创新绩效会提高0.459 5%，说明今后需要加强对外交流与合作，实现技术资源的共享；产权结构(OWN)与区域高技术产业创新绩效呈负相关关系，其系数为-0.421 2，且通过了1%水平的显著性检验，即产权结构不合理程度每增加1%，高技术产业创新绩效会降低0.421 2%，说明非国有高技术企业更有助于创新绩效的提高，今后需要加强企业所有制改革，加大私有资本的进入，实现区域企业所有制结构的多元化，这和胡洪力等(2014)的研究结论相一致[22]；R&D人员投入(RH)与区域高技术产业创新绩效呈正相关关系，其系数为1.217 0，表明R&D人员投入每增加1%，高技术产业创新绩效会增加1.217 0%，但未通过显著性检验，原因可能是中国各区域高技术产业创新绩效存在人力资源的不合理配置、使用效率低下等现象，人力资本的投入未达到应有的产出效果，这在今后需要予以重点关注；企业规模(SIZE)与区域高技术产业创新绩效呈正相关关系，其系数为0.185 9，表明企业规模越大，在创新过程中发挥的作用越大，但未通过显著性检验，原因可能是各区域高技术企业还未能很好地发挥企业规模效应，今后应该加强企业间的技术创新联盟，以激发企业的规模效应，提升创新绩效。

五、结论与对策建议

本文运用因子分析法测度了中国各区域高技术产业创新绩效，并在此基础上，构建了纳入空间因素的空间计量模型，以2008—2012年中国30个省市高技术产业各变量的平均值为研究样本数据，对各区域高技术产业创新绩效的空间相关性、空间差异性以及产生差距的原因进行了实证分析，从而得到以下几点结论与对策建议。

第一，从2008—2012年的区域高技术产业创新绩效值来看，中国东部沿海地区的高技术产业创新绩效值较高，中、西部内陆地区的高技术产业创新绩效值较低，通过空间自相关性检验可知，中国各区域高技术产业创新绩效总体上呈现出“东高西低”的集聚特征，局域上呈现空间溢出效应。因此，在今后的创新过程中，应高度重视东部地区高技术产业创新绩效的溢出效应，大力扶持中、西部地区的高技术产业创新活动，中、西部地区也要做好相关工作，承接东部地区高技术产业转移，从而带动本地区高技术产业的创新绩效。

第二，根据2008—2012年Moran’sI指数值可知，中国区域间的高技术产业创新绩效在空间上呈正相关关系；通过Moran散点图可知，中国区域高技术产业创新绩效存在显著的空间差异性，地区间高技术产业创新绩效存在一定的差距。因此，今后应加强各地区间的合作，建立良好的合作机制，实现技术资源的共享，充分发挥区域间的空间溢出效应，从而缩小区域间的差距。

第三，根据空间误差模型(SEM)的回归结果可知，R&D经费投入、对外开放度、外部技术获取与区域高技术产业创新绩效呈不同显著程度的正相关，产权结构与区域高技术产业创新绩效呈显著负相关，R&D人员投入、企业规模与区域高技术产业创新绩效呈不显著的正相关。因此，今后应该重点从以下几方面采取措施：其一，政府应该加大有关创新活动的投入，制定科学、合理的资金使用制度，避免大量科研资金的重复投向高绩效地区或即将淘汰的企业；其二，加强对外交流与合作，积极引进国外先进技术，同时也应加强对外部技术的消化吸收，变外部技术为自身所用，增强本地区高技术产业自主创新能力；其三，制定科学、合理、灵活的R&D人员激励机制，加强R&D人员的培训，提高人员素质，做到R&D人员的合理配置，有效利用；其四，高技术企业应加强同政府、高等院校、科研院所等机构的合作，实现“以官带产、以产带学、以学带研、以研促产”的“官—产—学—研”合作机制，从而实现区域间高技术产业创新绩效的协调发展。

参考文献

[1]柳卸林,高太山.中国区域创新能力报告(2012)[M].北京:科技出版社,2013：50.

[2]陈凯华,官建成,寇明婷.中国高技术产业“高产出、低效益”的症结与对策研究——基于技术创新效率角度的探索[J].管理评论,2012,24(4):53-66.

[3]SCHUMPETER J A.The theory of economic development [M].Cambridge MA: Harvard University Press, 1912：78.

[4]HEMMERT M. The influence of institutional factors on the technology acquisition performance of high—tech firms: survey results from Germany and Japan[J].Research Policy, 2004, 33(6-7):1019-1039.

[5]RAAB R A, KOTAMRAJU P. The efficiency of the high-tech economy: Conventional development indexes versus a performance index [J].Journal of Regional Science, 2006, 46(3): 545-562.

[6]CHEUNG KUI YIN. Spillover effects of FDI via exports on innovation performance of China’s high-technology industries[J].Journal of Contemporary China,2010,19 (65):541-557.

[7]YAM C, TANG P, LAU K. Analysis of sources of innovation, technological innovation capabilities, and performance: an empirical study of Hong Kong manufacturing industries [J]. Research Policy, 2011, 40 (3): 391-402.

[8]孙慧玲，赵罡，徐秀文.转型背景下我国商业银行战略控制系统研究[J].哈尔滨商业大学：社会科学版, 2014(2):85-92.

[9]王静.基于因子分析的陕西省高新技术产业技术创新能力评价研究[J].西安财经学院学报,2010(4):36-40.

[10]谭开明,魏世红.基于主成分分析的西部地区创新能力评价研究[J].西安财经学院学报,2013(1):73-77.

[11]吴和成.高技术产业R&D效率分析[J].研究与发展管理,2008(5):83-89.

[12]余泳泽.我国高技术产业技术创新效率及其影响因素研究——基于价值链视角下的两阶段分析[J].经济科学,2009(4):62-74.

[13]葛磊.高技术产业创新效率及其协调度省际差异研究[J].运筹与管理,2012(6):197-204.

[14]马军伟.基于Malmquist模型的战略性新兴产业金融支持效率研究[J].西安财经学院学报,2013(2):11-15.

[15]夏绪梅.基于DEA的陕西大中型工业企业技术创新效率评价及演化分析[J].西安财经学院学报,2013(6):43-47.

[16]曹勇,苏凤娇.高技术产业技术创新投入对创新绩效影响的实证研究——基于全产业及其下属五大行业面板数据的比较分析[J].科研管理,2012(9): 22-31.

[17]高文玲,李涛.对外直接投资、逆向技术溢出与高技术产业创新——基于中国省级面板数据的实证研究[J].西安财经学院学报,2013(1):56-61.

[18]吴玉鸣.空间计量经济模型在省域研发与创新中的应用研究[J].数量经济技术经济研究，2006(5):74-85.

[19]ANSELIN L. Spatial externalities, spatial multipliers and spatial econometrics [J].International Regional Science Review, 2003(2): 153-166.

[20]ANSELIN L, FLORAX R. Small sample properties of tests for spatial dependence in regression models:Some Further Results [M].Berlin Heidelber: Springer, 1995:80.

[21]颜克益,芮明杰,巫景飞.产业集聚视角下高技术产业创新绩效影响因素研究[J].经济与管理研究,2012(12):57-67.

[22]胡洪力,李晓.中国省域大中型工业企业R&D效率的空间差异性及影响因素分析[J].经济经纬,2014(2):19-24.

Measurement and Evaluation of Chinese Regional High-Tech Industry

Innovation Performance: An Empirical Research Based on Factor

(责任编辑：王晓红)

收稿日期：2014-11-23

基金项目：国家自然科学基金项目(71301141)；教育部人文社会科学研究基金项目(13YJC630247)；国家软科学研究项目(2011GXQ40077)；云南省科技厅科学计划项目(2013FD029)；云南省教育厅科学研究基金项目(2014J082)

作者简介：余泳(1973-)，男，云南昆明人，云南财经大学国际工商学院教授，硕士生导师，研究方向为创新管理；陈龙(1988-)，男，安徽合肥人，云南财经大学国际工商学院硕士研究生，研究方向为创新管理;王筱(1990-)，女，山东济南人，云南财经大学国际工商学院硕士研究生，研究方向为创新管理。

中图分类号：F264.2

文献标识码：A

文章编号：1672-2817(2015)02-0039-08

Analysis and Spatial Econometric Model

YUYong，CHENLong，WANGXiao

( School of International Business，Yunnan University of Finance and Economics，Kunming 650221，China)

Abstract:This study takes the data from high-tech industries in China’s thirty provinces in 200g-2012 as research sample:Firstly,using factor analysis method to measure the high-tech industry innovation performance in China’s 30 provinces and cities in 2008-2012; Then,using Moran’s I values to test the spatial correlation and spatial heterogeneity in high-tech industrial innovation performance; Finally, analyzing the influencing factors that influence the innovation performance of high-tech industry based on the SEM model. The results show that China’s regional high-tech industry innovation performance in space shows the agglomeration characteristics of “east high west low” from 2008 to 2012; in local area, it shows spatial spillover effect. R&D personnel input, R&D investment, foreign open degree, external technology acquisition and enterprise scale have positive relation with high-tech industry innovation performance; Property right structure have negative relation with high-tech industrial innovation performance, namely non-state own high-tech enterprises will be more benefit to the improvement of innovation performance.

Keywords:Chinese regional high technology industries; innovation performance; factor analysis; spatial error model(SEM)