创新价值链视角下区域创新水平分布动态及链间影响

周 迪，钟绍军

(1.广东外语外贸大学经济贸易学院，广东 广州 510006；2.湖北科技学院数学与统计学院，湖北 咸宁 437100)

0 引言

内生增长理论表明，技术进步和创新的差异是经济发展差异的源泉[1]，因此，区域创新水平的发展对于区域经济发展有着重要的影响。中国自改革开放以来创新水平有了显著提高，但地区间创新水平存在较大差异，而且这种差异有扩大的趋势[2]，这对于区域经济的协调发展十分不利。中国创新水平分布动态演进具体呈现出何种态势？这种分布的动态变化有哪些影响因素？对于该问题的回答能充分了解创新发展的空间格局和演变规律，这对于我们采取针对性的创新发展政策，协调各地区创新水平具有重要的理论和现实意义。

对于中国创新水平的区域差异研究，已有学者进行了大量研究，从研究方法上看，主要采用变异系数、泰尔指数以及基尼系数等方法；从创新指标选取上，或者对单一指标、多指标进行研究，或者构造创新指标体系进行创新水平综合评价，进而以该综合水平为研究对象。例如，蒋天颖以专利申请授权量这一单一指标为研究对象，基于变异系数方法研究我国区域创新水平的差异情况，发现省域创新水平差异在2001—2011年逐步增大[3]；魏守华、肖刚等也都选择专利数据作为区域创新水平衡量指标，分别基于泰尔指数、区域基尼系数以及变异系数等方法考察省域创新水平差异情况，并得到类似结论[4-5]；此外，也有学者用国家科技进步奖数据来评价区域创新水平[6]。在多指标分析中，曹勇等选取发明专利申请量和大中型工业企业新产品产值等指标，并基于泰尔指数方法进行区域创新水平差异研究[7]，程慧平选择新产品开发项目、新产品销售收入以及专利申请数据，采用基尼系数、泰尔指数以及区域分离系数等方法考察区域创新能力差距[8]；而基于创新综合水平的区域差异分析往往首先对区域创新水平进行综合评价，进而对不同地区的创新水平进行排名比较或区域差异分析[9-11]。已有这些关于区域创新水平差异的文献或多或少地涉及创新水平差异的动态特征，事实上，有关中国创新水平收敛性的研究也日渐成熟。主要有两个方向，一是采用回归的方法考察区域创新水平分布是否存在收敛，如魏守华等基于α收敛与β收敛方法考察区域创新能力的收敛趋势，发现1990—2007年区域创新能力先收敛后发散[4]，但黄德森等在考虑了空间因素后，发现区域创新能力不存在整体上的β收敛，而是存在着高水平和低水平俱乐部收敛现象[11]。另一类采用分布动态学研究方法，该方法由Kernel密度曲线和Markov链方法组成，分别从分布的整体形态变化角度和内部动态性角度进行研究。例如杨明海等采用Dagum基尼系数、Kernel密度估计以及空间Markov链方法研究了中国七大城市群创新水平的区域差异以及分布动态演进，发现城市群创新能力分布呈不同的极化现象与趋势，邻近地区创新水平对周边城市创新水平的转移有影响[12]。周迪等采用扩展的分布动态学模型，考察了30个省级地区创新水平的分布演进特征，发现创新水平的极化程度在1989—2012年呈现出先增大后减小的趋势，创新高水平和低水平地区的流动性较低[13]。

已有文献对于本文的研究打下了坚实基础，但仍存在不足：第一、从指标上看，创新驱动经济增长，应当包含知识创新、研发设计创新、产品创新三个紧密相连的环节[14-15]。三个环节构成一个完整的创新价值链[16]，而已有文献往往只基于某一单一指标[3-5,17-18]或某一综合指标[9-10]来考察区域创新水平差异或收敛，存在明显的局限。前者并不能完整地反映整个创新活动，后者则无法获得整个创新价值链上的完整信息，所得结论不够具体；而多指标的文献[7-8]只是简单罗列创新指标，没有从创新经济角度给出整个创新活动的分析框架，部分从不同创新主体(企业、高校和科研院所)视角进行区域创新研究的文献也更多是从创新效率角度展开[14-15]；较少文章从创新价值链视角出发，考察不同阶段创新水平的分布动态演进，以比较不同创新活动水平分布动态的差异；第二、从内容上看，已有研究区域创新水平动态分布影响因素的文献主要从空间角度进行分析[5,12-13]，或者从创新主体不同的创新合作模式角度进行考察[6]，较少从创新系统内部，特别是创新价值链不同阶段创新活动之间的分布动态影响因素分析。

本文采用非参数Kernel密度估计方法，考察中国创新价值链各阶段创新水平分布动态的演进特征。Kernel密度估计方法能较好反映区域创新水平分布的整体形态，以及比较不同时期分布动态特征,但无法了解创新水平分布的内部动态性，难以分析各地区在创新发展水平分布中的相对位置流动情形。而Markov链方法能深入分析创新水平分布中各地区的状态转移，考察创新水平分布的内部动态性，较好弥补了Kernel密度估计的不足。此外，空间Markov链方法虽然能对分布动态的影响进行分析，但只能研究区域背景这一唯一影响因素，本文将该模型扩展为一般化的条件Markov链模型，从而可以分析创新价值链上游创新水平对下游创新水平分布的影响。

1 研究思路、方法与数据

1.1 研究思路

Hansen等于2007年提出创新价值链，认为创新价值链可以分为创意的产生、转换以及传播三个阶段[19]。这三个阶段如何实现衔接，有学者从供给的视角进行研究[20]，也有基于生产的视角对技术创新环节进行分解，认为技术创新是从创新要素投入到创新产品产出的一个多阶段、多要素的价值链传递过程，包括从创新的投入到创新知识的凝结再到创新成果的实现三个阶段[16]。这与知识创新、研发设计创新、产品转化创新具有相似的划分标准，也和国家统计局将中国技术创新分为基础研究、应用研究和实验发展三个阶段较为吻合。为此，本文借鉴这一思路进行研究，将中国创新过程分解成三个环节：知识创新阶段，对应创意的产生；科研创新阶段，对应创意的转换；产品转换阶段，对应创意的传播。三个环节分别对应创新价值链的上游、中游和下游阶段。

目前创新活动的这三个环节是靠彼此分散的专业化分工来完成的，其中上游的知识创新角色基本上由高校和部分科研机构承担；中游的科研创新角色由科研机构和部分企业承担；下游的产品转化创新角色则主要由企业来承担。那么各类创新活动水平的分布动态演进特征是否相同？另外由于创新价值链不同阶段的创新活动是紧密相连的，相互之间具有上下游彼此衔接的关系，那么在创新水平分布动态过程演进过程中，创新价值链前后阶段的创新活动之间有着怎样的影响过程？本文将对这些问题进行回答。在研究过程中，分别选对应的指标来衡量各阶段创新活动的产出水平。具体的，在知识创新阶段，创新活动的产出为科技论文，故用各省份科技论文发表数来衡量各地区知识创新水平；在科研创新阶段，创新活动产出专利，故采用学者所广泛使用的专利申请量授权量来衡量各省份的科研创新水平；在创新价值链下游的生产阶段，论文以大中型工业企业新产品作为这一阶段产出，采用各省份大中型工业企业新产品销售收入来衡量各地区的产品转化创新水平。图1给出了中国创新价值链的不同阶段和不同阶段对应的创新产出成果。

图1 创新价值链示意图

1.2 研究方法

(1)Kernel密度估计。和参数估计方法相比，非参数估计方法不需要事前确定具体模型，可以减少模型设定偏误的影响。Kernel密度函数是非参数估计方法之一，可以用来分析样本分布动态的演变趋势。其基本原理是：假设随机变量X1、…、XN独立同分布，其经验分布函数为：

(1)

式中，N为观测点数目，I(x)为示性函数，即x为真时取1，否则取0。Kernel密度估计为：

(2)

在实践过程中，有两个地方需要选择，第一是核函数，常见的核函数有四种：高斯核、三角核、四次核以及Epanechnikov核。采用高斯核的研究最多，本文采用高斯核来估算中国创新水平的分布动态演进过程。第二为带宽选择，通常分布较密集的地区选择较窄的带宽，而分布较分散的地区选择较宽的带宽，本文按照如下条件来选择带宽：

(3)

(2)Markov链。Markov链是一种时间和状态均为离散的Markov过程，可以分析地区创新水平在不同水平状态之间的转移情况，分析中国创新水平分布的内部流动性特征。但是在传统的分布动态模型中，Markov链方法通常只考察一步时间长度(简称时长)为1年的情况[5,12,21-22]，无法知道地区在较长时间积累下的状态转移特征。而考察多年时长时，只用到了时长首尾离散时间点的数据，数据信息存在较大浪费[23]。为此，本文一方面构造了多年时长的Markov转移概率矩阵，以考察随着时间积累创新水平的转移变化情况，挖掘出更多的分布动态信息。另一方面充分利用样本数据信息，使结果更精确。具体的，本文多年时长转移概率矩阵的构造方法如下：

(4)

(5)

(6)

1.3 数据来源与说明

创新价值链各阶段的创新水平分别采用对应的指标来衡量。借鉴张虎和周迪[2]的思路，其中知识创新阶段的产出水平用发表的科技论文数量来衡量，具体的采用国内外检索工具SCI、EI和ISTP收录的科技论文数量来测度；科研创新阶段的创新水平用3种专利申请受权量来衡量；产品转换创新水平用各地区大中型(或规模以上)工业企业新产品销售收入来衡量。由于国外主要检索工具收录中国科技论文的数据隔一年才发布，当前最新的统计年鉴只统计到了2014年，因此论文的研究时长为1997—2014年。由于西藏和港澳台数据不全，没有作为研究对象，论文研究对象为除西藏以外的30个省级地区，论文数据来源于1998—2016年的《中国科技统计年鉴》。

2 实证分析

2.1 三类创新水平整体分布动态演进

采用高斯核密度函数分别绘制创新价值链三类创新水平1997年、2003年、2008年以及2014年的核密度函数，由于1997年的核密度函数和其他年份差异较大，论文单独对其绘制。这样对每类创新水平绘制两个核密度图，以考察其分布的动态演进特征，见图2～4。

由图2可以看到，30个省份知识创新水平的分布动态演进呈现出如下三个方面的特征：①分布整体向右移动，说明各地区知识创新水平在逐渐提高；②随着时间变化，波峰的高度不断降低，宽度不断增大，整体分布呈现出越来越扁平的特征，表明各省份知识创新水平的差距逐渐增大。另外，图2还显示在样本期内知识创新分布的右拖尾越来越长，表明各省之间的差异在增大。同时进一步表明部分省份(北京、江苏等)发展速度较快，与一些发展较慢的省份(青海、宁夏等)的差距在增大；③在考察期内，波峰数量在1997年为三个，随后逐渐减小到两个，2014年右尾处的侧峰和主峰的水平差距非常大，说明多极化现象虽然在缓解，但发展速度快的省份越来越快，与发展速度慢的省份差距不断拉大，形成了两极分化现象。

图3为科研创新水平分布的核密度估计，可以看到科研创新水平分布动态演进特征如下：①样本期内核密度分布整体向右移动，表明各省的科研创新水平在不断提高；②考察期内整体分布的波峰越来越扁平，特别是在2008年之后，波峰不仅下降明显，波宽也急剧增大，表明各省份科研创新水平的差距在不断增大，在2008年之后更加明显。此外，2008年后科研创新水平分布的右拖尾越来越长，表明有些省份(江苏、浙江)发展速度较快，明显快于其他省份，使得右拖尾越来越长，高水平省份和其他省份差距越来越大；③在考察期内，分布的波峰数量由1997年的三个增加到2003年的四个和2008年的五个，表明这段时间科研创新水平的极化现象存在加剧趋势，呈现出多极化现象，但2014年波峰数量又减少到两个，只是此时右拖尾的侧峰与主波峰相隔较远，表明两极分化阵营中科研创新水平差异极大。

图2 知识创新水平代表性年份的核密度曲线

图3 科研创新水平代表性年份的核密度曲线

从图4可以看到，产品转化创新水平的分布动态演进呈现出如下特征：①整体分布在向右移动，表明各省份产品转化创新水平在逐渐提高；②整体分布波峰高度不断下降，变得更加扁平，特别是从2003年之后更加明显。同时波峰的宽度也不断增大，表明各省份产品转化创新水平差异不断增大。此外，随着时间变化，产品转化创新水平分布的右拖尾越来越长，表明部分省份(江苏、广东)增长较快，与其他地区的产品创新水平差距不断增大，特别是部分地区(青海、海南)增长速度相对较慢，导致右拖尾越来越长；③在样本考察期内，产品转化创新水平分布的波峰数量呈现出稳定的递减态势，由1997年的四个变成2003年、2008年的两个和三个，最后在2014年侧峰消失，呈现出单峰分布，表明分布的极化现象逐渐消失。

图4 产品创新水平代表性年份的核密度曲线

2.2 三类创新水平分布的内部流动性

核密度曲线虽然可以从整体上分析创新水平分布的动态变化，但无法知道分布内部的流动特征，即区域创新水平分布内部各地区相对位置的动态变化及发生的可能性大小。下面采用扩展的Markov链模型计算三类创新水平短期和长期的转移概率矩阵，其中短期考察时间间隔长度(时长)为1年，长期考察时长为5年。按照各省创新水平高低，将区域创新水平划分为四种类型，低于中位数45%的为低水平类型、中位数45%～100%的为中低水平类型，中位数100%～155%的为中高水平类型，高于中位数155%的为高水平类型。模型结果见表1。

表1 三类创新水平分布的内部流动性

从表1可以看到，在短期内(时长为1年)，三类创新水平分布的内部流动性都较低，各省份在不同创新水平类型之间的状态转移发生概率较低，特别是高水平和低水平地区更加明显。例如知识创新低水平地区一年后仍有0.94的概率处于低水平，科研创新和产品创新对应的概率分别为0.926和0.934，向上流动的概率都不足0.1，高水平地区向下流动的概率也都低于0.1。其中知识创新、科研创新和产品创新高水平地区向下流动的概率分别为0.061、0.054和0.093。中等水平类型(中低和中高水平)地区的流动性相对更大，对于产品创新而言更加明显，其中等水平地区向上和向下流动的概率都超过了0.1。整体来看，创新水平分布的内部流动性由高到低依次为产品创新>科研创新>知识创新，可见流动程度随着价值链阶段的上升不断提升。

时长为5年时，三类创新水平整体的流动性都有了明显提高。可见，各地区之间创新水平的追赶需要时间积累。从各水平类型的流动性大小来看，依然是中等水平地区的流动性比高低水平地区高，其中科研创新和产品创新的中低水平地区流动性最明显，流动概率都大于0.5，且主要发生向下流动。而三类创新的高水平和低水平地区的流动性都低于0.2，固化现象依然明显。整体来看，在较长时间内，创新水平分布的内部流动性程度依然随着创新价值链的上升不断提高，即产品创新>科研创新>知识创新。

此外，通过表1还可以看到，知识创新水平的分布都呈现出“中间小、两头大”的分布格局。根据本文计算转移概率矩阵的分类标准，可以看到考察期内创新水平处于中位数45%～155%之间的“中等水平”规模(N)占比在短期和长期内分别只有29.02%和28.97%。而科研创新和产品创新的“中等规模”相对更大，特别是科研创新，中等规模地区占比达到了38.04%和40.26%，呈现出更健康合理的分布格局。

2.3 创新价值链上游创新活动对下游创新水平分布动态的影响

由于价值链上游创新活动的产出是下游创新活动的投入，因此创新价值链各阶段的创新水平之间存在一定的关系，这种关联是否会对创新水平的分布动态有影响呢？下面借助条件Markov链模型考察创新价值链上游创新活动对下游创新水平分布动态的影响。以上游创新产出水平中位数为标准将各地区分为高低水平两大类型，然后以其为条件，计算下游创新水平短期和长期的转移概率。表2为知识创新水平条件下的科研创新水平转移概率矩阵结果，最上面和中间部分的转移概率矩阵分别为知识创新水平低水平和高水平条件下的科研创新分布流动性矩阵，最下面为不考虑条件变量下的科研创新水平分布流动性矩阵。

表2 知识创新水平条件下的科研创新水平转移概率矩阵

在短期内，对于科研创新水平为低水平的地区而言，当其知识创新水平也为低水平时，其上转移的概率为8%，低于整体情况下的9%，若该地区的知识创新水平为高水平时，其科研创新水平向上转移的概率达到了12.7%；对于科研创新水平为中低水平的地区，当其知识创新水平为低水平时，其科研创新水平的流动性为16.7%，低于整体水平的21.1%，若拥有高知识创新水平，则其科研创新水平的流动性为26.5%，高于整体水平。知识创新水平对科研创新中低水平流动性的提高主要体现在提高其向上流动的概率，例如对于中低类科研创新水平地区，若有高的知识创新水平时向上流动的概率为4.5%，低于整体情形的3.8%，向下流动概率为12.2%，和整体情形的12.8%差异不大；而若有高知识创新水平，则向上转移的概率为12.9%，高于整体水平4.6%，向下转移概率为13.6%，也和整体情形的12.8%差异不大。可见，知识创新水平越高，科研创新低水平和中低水平地区的流动性越大，且主要增大了向上的流动性。

当地区科研创新水平为中高水平和高水平时，知识创新水平越高，其流动性越小，且主要是降低了其向下的流动性。以高科研创新水平地区为例，若其知识创新水平为低水平，将有32%的概率发生向下流动，远高于整体情形的8.2%，而若有高知识创新水平，则仅有4.5%的向下流动概率。可见知识创新水平对于高科研创新水平分布的流动性影响非常明显。

在时长为5年的长期情形，知识创新依然会对科研创新水平分布的流动性产生影响，且具体影响结果和短期一致，都是高知识创新水平会促进较低科研创新水平向上流动，进而提高其流动性，降低较高科研创新水平分布的向下流动来降低流动性。为了分析这种影响是否具有统计学含义，下面对三类转移概率矩阵进行差异性检验，检验结果见表3。

表3给出了1～5年时长下条件转移概率矩阵和非条件转移概率矩阵的差异性检验结果，不同时长下检验结果都拒绝原假设，认为三类矩阵不相等。可见知识创新水平对科研创新水平分布动态的影响是显著的。由Q统计值的大小可知，这种影响随着时间的积累不断增大。

表4给出了不同科研创新水平条件下产品创新水平分布的内部流动性特征，可以看到：

(1)科研创新水平和产品创新水平的相关性更加密切。例如在考察期内，产品创新低水平的148个样本中，科研创新水平也为低水平的数量及比例高达142和95.95%。为了结果的稳健，本文主要分析中低及以上产品创新水平分布的流动情形。在短期内，对于中低产品创新水平地区而言，若知识创新水平为低水平，其向上流动概率为1.9%，低于整体的7.5%，向下流动概率为22.2%，高于整体的12.1%，可见一地区科研创新水平较低时，会增加该地区产品创新水平向下流动的概率，减少向上流动的概率。若其有高的科研创新水平，则向上流动概率提高到12.3%，高于平均水平，同时向下流动概率仅为1.9%。可见高知识创新水平对于中低产品创新水平有积极的作用，促进其向上流动，抑制其向下流动。

表3 知识创新水平对科研创新水平转移概率影响的显著性检验

(2)对于中高产品创新水平地区而言，若科研创新水平为低水平，其向上流动概率为3.3%，低于整体情况下的10.3%，向下流动概率为13.3%，高于整体水平的9.2%。若该地区有高科研创新水平，其向上流动概率为18.8%，高于整体水平，向下流动概率为2.3%，低于整体水平。可见和前面分析结果类似，高知识创新水平同样促进中高产品创新水平地区向上流动，抑制其向下流动，低知识创新水平的影响作用刚好相反。

表4 科研创新水平条件下的产品创新水平转移概率矩阵

(3)对于产品创新水平为高水平的地区，知识创新水平主要是影响其向下流动。相对于不考虑条件变量的整体情况，高知识创新水平能减少其向下流动概率，低知识创新水平则增加该概率。可见，对于产品创新高水平地区的流动性而言，低知识创新水平的影响也是消极的，高知识创新水平影响则是积极的。

(4)在时长为5年的长期情况下，知识创新水平对产品创新水平分布动态的影响同样存在，且影响结果一致，可见结果较为稳健。

通过对三类转移概率矩阵进行差异性统计检验，发现不管是短期还是长期，不同科研创新水平条件下产品创新水平的转移概率矩阵与非条件产品创新水平转移概率矩阵存在显著性差异，可见科研创新水平对产品创新水平分布动态的影响也是显著的。

3 研究结论与政策建议

主要研究发现：①随着时间变化，三类创新活动的创新水平分布都呈现出更加分散的态势，区域差异逐渐增大同时极化现象逐渐缓解甚至消失；②在短期内，三类创新水平分布的内部流动性都较低，但随着时间积累，中等水平地区的流动性不断增加，但低水平和高水平地区的流动性仍然较高。另外，不管是短期还是长期，随着创新活动所处创新价值链阶段的上升，其创新水平分布整体的内部流动性程度不断提高。可见创新活动越处于创新价值链的上游，其创新水平的区域差异固化程度越严重，而越处于下游，地区间的追赶效应越明显；③不管是短期还是长期，创新价值链上游的创新活动对下游创新水平的动态分布都存在显著影响，知识创新水平越高，越能促进较低科研创新水平地区向上流动、提高流动性水平，并且抑制较高科研创新水平地区向下流动、降低流动性水平；同样的，高科研创新水平也能促进低产品创新水平地区的向上流动，抑制高产品创新水平地区向下流动，而低科研创新水平则产生相反的作用。

由以上结论可知，在建设创新型国家进程中，应该采取一定措施来协调区域创新水平差异、提高各地区创新发展水平。第一、考虑到我国三类创新资源都存在差异增大的趋势，且高低水平地区存在流动性低的固化现象，这不利于区域创新的协调发展。因此政府应该对创新发展低水平的地区进行有针对性的重点扶持：一方面，根据其各类创新水平发展情况，有针对性地加大基础研究、应用研究或者实验发展R&D资金转移支付力度，另一方面加大创新政策的扶持，重点挖掘那些创新发展水平较低的中西部省份创新增长潜力，加快其新产品开发项目的立项，缩短其专利申请审批周期。这样不仅可以改善当前创新水平的区域差异过大问题，同时可以避免低水平地区固化于“低水平陷阱”的困境。第二、考虑到创新价值链上下游创新活动之间存在着显著的积极影响，政府应该进一步加大创新价值链各阶段创新活动的合作程度，促进产学研一体化发展。一方面，地区内部应该加强各类创新活动的紧密衔接力度，通过创新价值链链条的高效衔接实现整体创新价值的最大化。另一方面，区域之间应该加大各阶段创新资源的流动程度，使创新价值链各阶段创新资源在更大的范围内实现资源配置，提高创新产出效率，进而提高创新水平。

[1]GROSSMAN G M，HELPMAN E.Endogenous innovation in the theory of growth[J].Journal of economic perspectives，1994，8(1):23-44.

[2]张虎,周迪.创新价值链视角下的区域创新水平地区差距及趋同演变——基于Dagum基尼系数分解及空间Markov链的实证研究[J].研究与发展管理,2016,28(6):48-60.

[3]蒋天颖.我国区域创新差异时空格局演化及其影响因素分析[J].经济地理，2013,33(6):22-29.

[4]魏守华,禚金吉,何嫄.区域创新能力的空间分布与变化趋势[J].科研管理,2011,32(4):152-160.

[5]肖刚,杜德斌,戴其文.中国区域创新差异的时空格局演变[J].科研管理，2016，37(5)：42-50.

[6]王成军,付祥云,刘渐和.基于官产学的区域创新能力建设研究——以国家科技进步奖为例[J].中国科技论坛,2017(9):138-145+177.

[7]曹勇,秦以旭.中国区域创新能力差异变动实证分析[J].中国人口·资源与环境，2012,22(3)：164-169.

[8]程慧平.中国省域研发创新能力差异实证分析[J].中国科技论坛,2013(8):98-105.

[9]玄兆辉,吕永波,罗亚非.区域科技综合实力评价研究[J].中国科技论坛,2012(10):31-37.

[10]朱建平，王德青，方匡南.中国区域创新能力静态分析——基于自适应赋权主成分聚类模型[J].数理统计与管理,2013,32(5):761-768.

[11]黄德森,杨朝峰.基于空间效应的区域创新能力收敛性分析[J].软科学,2017,31(1):44-48.

[12]杨明海,张红霞,孙亚男.七大城市群创新能力的区域差距及其分布动态演进[J].数量经济技术经济研究,2017,34(3):21-39.

[13]周迪,张虎.中国创新水平区域趋同时空演变[J].中国科技论坛,2015(6):11-15.

[14]余泳泽，刘大勇.我国区域创新效率的空间外溢效应与价值链外溢效应——创新价值链视角下的多维空间面板模型研究[J].管理世界,2013(7):6-20.

[15]余泳泽，刘大勇.创新价值链视角下的我国区域创新效率提升路径研究[J].科研管理，2014，35(5):27-37.

[16]LEE J，GEREFFI G，BEAUVAIS J.Global value chains and agrifood standards：challenges and possibilities for smallholders in developing countries[J].Proceedings of the national academy of sciences，2012，109(31)：12326-12331.

[17]潘雄锋,张维维.基于空间效应视角的中国区域创新收敛性分析[J].管理工程学报，2013，27(1):62-67.

[18]王庆喜，张朱益.我国省域创新活动的空间分布及其演化分析[J].经济地理，2013，33(10):8-15.

[19]HANSEN M T，BIRKINSHAW J.The innovation value chain[J].Harvard business review，2007，85(6):121-130.

[20]SHERER S A.From supply-chain management to value network advocacy：implications for e-supply chains[J].Supply chain management，2005，10(2):77-83.

[21]许治,陈丽玉.国家级创新型城市创新能力的动态演进——基于技术成就指数的研究[J].管理评论，2016,28(10):58-66.

[22]PAN X，LIU Q，PENG X.Spatial club convergence of regional energy efficiency in China[J].Ecological indicators，2015，51:25-30.

[23]沈丽,鲍建慧.中国金融发展的分布动态演进:1978—2008年——基于非参数估计方法的实证研究[J].数量经济技术经济研究,2013,30(5):33-47.

[24]GALLO J L.Space-time analysis of GDP disparities among European regions：a Markov chain approach[J].International regional science review，2001，27(2):138-163.