我国区域创新网络评价与空间关联研究

金浩 王平平 赵晨光

摘 要构建了区域创新网络评价体系，并测度了我国区域创新网络水平和空间分布格局。采用社会网络分析和QAP回归分析方法，考察了我国区域创新网络空间关联特征和影响因素。研究发现，我国区域创新网络水平呈东高西低格局，东部地区多处于空间关联网络的核心，并通过吸收中西部创新资源形成明显的创新联动效应。地理位置、经济基础、创新资源投入是影响创新网络空间溢出的主要因素。

关键词区域创新网络；空间关联；社会网络分析；QAP

[中图分类号]F127；F207 [文献标识码]A [文章编号]1673-0461（2019）05-0049-09

一、引 言

随着我国经济步入新常态，创新驱动成为新的经济增长点。区域创新网络是创新驱动战略的核心载体，通过有效优化创新资源配置，实现知识和技术在创新主体间加速流动，促进经济转型升级，推动地区平衡发展。有研究表明，区域创新网络差异决定着区域创新能力的高低[1-3]，创新活动在地理空间内表现出区位集聚和空间关联的特征，并通过多维邻近性影响区域创新系统互动联系，促进知识加速流动，形成跨区域创新网络[4]。区域创新网络结构对区域创新能力和绩效有显著影响。对区域创新网络结构整体状况的研究，有助于推动跨区域协同创新[5-7]。

伴随区域经济一体化进程的加速，区域创新的溢出效应超越了地理临近，使得创新要素跨区域流动起来，跨区域协同创新与区际间创新活动的空间关联成为学者关注重点。李琳[8]、方大春[9]基于社会网络分析方法对区域创新空间网络结构进行了研究；宋旭光[10]采用复杂网络理论解析区域创新空间关联结构，发掘中国区域创新的“梯度”可达的关联特征；周密[11]论证了京津冀城市群协同创新网络的形成是由专利转移网络的空间结构和协同关系推动的；马双[12]、周灿[13]刻画了长江经济带城市间创新联系和空间结构；夏丽娟[14]、胡品平[15]基于专利数据刻画了协同创新网络演化。跨区域协同创新有效推动着地区平衡发展，网络范式的兴起赋予区域创新研究新的内涵。

从现有研究看，将社会网络分析方法（Social Network Analysis，SNA）应用于区域创新网络结构和空间关联成为研究热点，同时可以避免传统空间计量方法“相邻”或“相近”的局限。随着信息技术与互联网创新的发展，地理邻近不足以解释创新集聚效应，流空间视角下各地区创新活动呈现网络式创新特征。推动区域协调发展有必要全面把握区域创新网络的整体结构。鉴于此，本文在测度区域创新网络水平的基础上，考察我国区域创新网络的空间关联及溢出路径，运用二次指派程序（Quadratic Assignment Procedure，QAP）进一步探析区域创新网络空间关联的主要影响因素。

二、区域创新网络评价

（一）指标体系构建

关于区域创新网络结构特征的评价方法，还未形成系统科学的研究体系。本文将社会网络分析方法引入到区域创新网络结构特征的评价体系，以SNA的结构-关系范式，参照任胜刚[6]、于明洁[7]的研究，将区域创新网络分为网络规模、网络开放度、结构洞、网络连接四个维度，采用13个指标测算我国各区域的创新网络水平，具体见表1。

网络规模是整体网络中的节点数量，反映区域创新网络的组成情况，是网络结构特征最直接的体现。网络规模越大，节点越多，网络异质性程度增加，有利于提高创新机会和创新效率[16]，故选取区域内规模以上工业企业、高校、研发机构等创新主体数量作为评价指标。

网络开放度反映区域内创新主体利用外部创新资源的程度，对集群绩效产生积极影响，并随着环境不确定性的增加而增加[17]。区域创新网络开放度越高，吸收系统外界养分的能力越强，进而使知识、人才、技术等资源集聚的机会越多，激发创新活力，促使区域创新网络高级化。外商投资和货物贸易是知识溢出的主要形式，且国际技术交易丰富跨区域合作，故本文选取外商直接投资、货物进出口额、国外技术引进合同数量和金额等指标衡量。

结构洞指两个联系间的非冗余关系，在不相连的节点间起到纽带作用[18]。结构洞提高了知识流动的速度和整体网络运行效率。区域创新网络结构洞数量越多，创新资源在创新主体间流动越顺畅，使得区域创新效率提高，故本文选取技术市场成交合同和数量来体现。

网络连接体现网络关系维度，是知识、信息传递的主要渠道，也是创新资源溢出过程中价值创造和增值的链条。一般认为，区域创新网络连接程度越高，知识和信息等资源共享程度越高，创新主体间交流与合作越多，稳定的关系网络有利于降低合作成本和风险、减少不确定性。创新主体间的研发支出可以反映研发活动往来情况，故选择高校和研发机构以及规模以上工业企业分别来自企业和政府的资金来衡量。

（二）研究方法与数据来源

权重的定性与定量确定方法有多种，其中变异系数法可操作性强、相对客观[19]。变异系数（CV）衡量观测值变异程度，是标准差与平均数的比值，计算公式为：

（三）我国区域创新网络评价

利用變异系数法测度我国2016年区域创新网络水平（见表2）。从网络规模看，江苏、广东、山东、浙江、河南得分较高，说明这些省市高校、研发机构、规模以上企业等创新主体多，创新机会多；从网络开放度看，广东、上海、江苏、北京、浙江位居前五名，说明这些省市更善于利用外界资源来激发创新活力；从结构洞得分看，北京、湖北、江苏、陕西、上海位居前五名，说明这些省市的创新资源在创新主体间充分流动以提高创新效率；从网络连接看，北京、广东、江苏、上海、山东依次得分较高，说明这些省市的创新主体间交流合作较多形成了稳定的关系网络；从总体排名看，广东、北京、江苏、上海、山东的创新网络处于较高水平，体现出这些省市具有较高的资源配置能力。此外，不难发现，综合排名与网络连接维度的吻合度最高，说明区域创新活动中形成的关系连接有助于提升整体创新网络水平。

为了更直观的体现我国区域创新网络分布格局，利用Arcgis软件绘制了我国区域创新网络空间结构，见图1。位于第一梯队的是北上广等一线城市，江苏省创新网络水平高于上海，跻身高水平区域，得分在7～11分；位于第二梯队的区域有山东、浙江、湖北、陕西、四川、辽宁、天津、安徽、福建、湖南、河南，这些地区多位于长江经济带和东部沿海地区，得分在2～6分；位于第三梯队的区域包括重庆、河北、黑龙江、江西、吉林、甘肃、广西、山西、云南、内蒙古、贵州、海南、青海、宁夏，这些地区多位于西部地区和东北地区，得分在2分以下。可以看出，区域创新网络水平呈现东高西低的空间格局。

三、我国区域创新网络空间关联

（一）空间关联模型

区域协同创新网络将区域内企业、高校、科研机构、政府、金融机构、中介机构作为网络节点，实现知识、技术等创新要素流动，进而实现区域内协同创新；区域之间通过要素流动形成创新活动在地域空间上的关联效应，反映各创新子网络之间的联结关系，称为空间关联[20]。空间关联有助于创新溢出，使创新要素跨区域流向最利于其发挥价值的地方，这种“择优”机制把不同水平的创新网络间联系起来，从而实现资源优化配置（见图2）。区域创新绩效受协同创新和空间关联的共同作用，网络式创新逐步深入并步入高级化。

关于空間关联的研究方法主要分两类：一类是基于VAR模型的Granger 检验，李敬[21]、刘华军[22]等利用VAR模型测度了中国区域经济增长的空间关联；另一类基于引力模型，李琳[8]、方大春[9]基于修正的引力模型测度了区域创新的空间关联。VAR模型对时滞的选择极其敏感，不适用于截面数据，因此本文选择改进的引力模型来刻画区域创新网络空间关联，模型如下：

（二）整体网络分析

将有向矩阵导入UCINET，利用Netdraw生成空间关联拓扑图（见图3），以更直观展示我国区域创新网络空间关联特征。上海、北京、天津、浙江、江苏、山东等东部区域处于网络的核心位置，与其他区域联系最多，并且箭头多集中指向这些区域，表明这些区域通过吸收更多的创新资源形成创新集聚现象，造成创新资源分布不平衡，创新网络异质性程度大，区际空间溢出明显，呈现明显的空间网络特征。

网络密度反映整体网络连接的紧密程度，是网络中实际关系数与最大可能关系数之比，见公式（4）。本文中网络节点N=29，理论上最大关联数为29（29-1）=812，实际关联数M=217，经计算网络密度为0.267，距离最大值1还有很大差距，说明区际创新空间关联较弱，还有很大提升空间，我国创新活动的开展需要打破区域边界的限制，形成跨区域创新网络。

（三）中心性分析

中心性（centrality）是重要的网络特征，反映节点在网络中的地位和权利，包括点度中心度、中间中心度和接近中心度，结果分析见表3。

点度中心度反映节点在网络中所处的地位，其值越高，代表与其他节点的连线越多，越处于网络的中心位置。计算公式见式（8），其中n为某节点与其他节点的直接关联。由表3可知，上海、江苏、天津、北京、浙江、山东、广东、甘肃、内蒙古、河南10个省市均高于平均水平，70%位于东部地区，说明东部省市与其他地区创新联系更多，我国的创新网络中心集中在东部地区。北京、天津、河北、上海、江苏、浙江、安徽、山东、河南和内蒙古等省市点入度大于点出度，说明其受益大于溢出。可以看出，东部地区创新网络水平高，拥有良好的网络配置能力，吸引来其他地区创新资源并为我所用。

综合点度中心度、中间中心度和接近中心度结果，北京、天津以及上海、江苏、浙江等省市作为发达城市群的“龙头”，在网络中发挥着举足轻重的作用。宁夏、青海等区域排名总体靠后，受当地经济发展水平、地理位置、资源禀赋等因素限制，在网络中扮演边缘行动者的角色。

（四）块模型分析

为了进一步探讨我国区域创新网络的空间聚类特征，采用CONCOR（Convergent Correlations）对网络简化，本文选择最大分割深度为2，集中标准为0.2，根据 Wasserman 和Faust构建的块模型评测体系[23]，将我国区域创新网络空间关联网络划分为双向溢出、净受益、净溢出和经纪人四大板块（Block）。如表4所示。

板块I、II期望内部关系比例小于实际内部关系比例，故板块I、II为双向溢出板块和净受益板块，又由于板块II受益关系多于板块I，故板块I对应双向溢出板块（北京、天津、内蒙古、山东），板块II对应净受益板块（江苏、浙江、福建、上海、广东）；同理，板块III、IV期望内部关系比例大于实际内部关系比例，则板块III、IV为净溢出板块和经理人板块，板块III溢出关系多于板块IV，故板块III为净溢出板块（海南、河北、山西、辽宁、贵州、黑龙江、河南、甘肃、云南、陕西、四川、宁夏），板块IV为经理人板块（吉林、江西、湖北、湖南、安徽、广西、青海、重庆）。总体来看，东部沿海地区多为净受益板块，中西部地区多为净溢出板块，区域创新网络整体上呈现非均衡现象，各区域间存在明显的创新空间关联和溢出效应。

计算各板块之间的密度矩阵和像矩阵以进一步剖析板块间的溢出路径（见表5）。密度矩阵大于0.267，赋值1，否则为0。可以直观发现，双向溢出和净受益板块一部分体现在对自身的溢出，一部分体现在对净溢出或经理人的溢出，而净溢出和经理人板块则表现对双向溢出和净受益板块的共同溢出；说明东部地区吸引中西部创新资源的流入，其创新联动效应也更强，各板块基本能够发挥各自的角色和优势（见图4）。

四、我国区域创新网络空间关联影响因素分析

（一）模型设定与指标选取

区域创新网络空间关联特征受创新资源和环境等诸多因素相互作用，QAP 是探究不同矩阵之间相关系数的非参数检验方法，不需要自变量间互相独立，比参数方法更稳健。地理位置邻近便于两区域间要素流动，利于隐性知识传播，相邻的省市更利于空间溢出。由空间溢出路径分析推测，相差大的区域经济体，空间溢出更明显，区域异质性程度越高，关联越多。各区域发展情况的差异性可用经济基础、产业结构、对外开放程度、创新资源投入、创新环境、从业人员结构等指标间接描述。因此，可以构建以下模型：

其中，N为区域创新网络空间关联矩阵，D为地理位置相邻矩阵（相邻取 1，否则为 0）；G 为人均GDP差异矩阵，反映经济发展水平；S 为第三产业产值占 GDP 比重差异矩阵，反映产业结构；F 为实际利用外资差异矩阵，反映对外开放程度；R为R&D经费支出差异矩阵，反映创新资源投入情况；P为专利申请数差异矩阵，反映创新环境活跃度；E为从业人口结构差异矩阵，反映城镇化水平。模型中变量全部为关系数据。

（二）QAP相关性分析

通过 QAP 相关性分析可以得出矩阵之间的相关性[24]。通过UCINET 软件进行随机矩阵置换10 000次，得到因变量N与自变量（D，G，S，F，R，P，E）之间的相关系数（见表6）。结果发现，地理位置D、经济基础G、产业结构S、对外开放程度F、从业人口结构E等变量均在1%的水平上显著，创新资源投入R、创新环境P在5%的水平上显著。其中，经济基础G的相关系数最大为0.486，对区域创新网络空间关联的作用最大，其次是产业结构S、从业人口结构E、对外开放程度F对区域创新网络空间关联的作用较大，相关系数依次是0.234、0.231、0.220，地理位置D、创新资源投入R、创新环境P对区域创新网络空间关联的作用最小，相关系数依次为0.180、0.171、0.140，说明地区发展程度的差异比地理位置邻近性对区域创新网络空间关联影响更大。

进一步对自变量空间关联矩阵进行相关系数与显著性水平分析（见表7），发现专利申请数差异矩阵P与实际利用外资差异矩阵F相关系数为0.923，与R&D经费支出差异矩阵R相关系数为0.884，对外开放程度矩阵F与R&D经费支出差异矩阵R相关系数为0.846，三者间存在显著的相关关系，为了减少变量间共线性的估计误差，剔除专利申请数差异矩阵P和对外开放程度矩阵F，对模型进行修正。

（三）QAP 回归分析

QAP回归分析原理与QAP相关分析类似，都建立在对矩阵随机置换的基础上。运用 UCINET 软件，选择 10 000 次随机置换，回归结果在1%的水平上显著（单尾检验），调整后的R2为0.306，说明五个矩阵变量可以解释我国区域创新网络空间关联关系变异的30.6%。由表8可知，地理位置相邻矩阵D、人均 GDP 差异矩阵（G）在 1% 的水平上显著，R&D 经费支出差异矩阵（R）在 5%的显著性水平上显著，说明地理位置、经济发展水平、创新资源投入确实对区域创新网络空间关联具有显著影响。人均 GDP、R&D 经费支出、从业人口结构差异越大，空间关联性越大；第三产业占比差异越小，空间关联性越大。其中，产业结构差异矩阵S和E显著性不明显，但也是创新网络空间关联的影响因素，我国区域创新网络空间关联在不同程度上受到这些因素的影响。

五、结论与启示

本文构建了区域创新网络评价体系并测度我国区域创新网络水平，在此基础上利用改进的引力模型刻画空间关联，考察区域创新网络空间关联的拓扑结构特征和影响因素等，主要结论如下：第一，将区域创新网络划分为网络规模、网络开放度、结构洞、网络连接四个维度，利用变异系数法测算创新网络水平，发现我国东部沿海地区协同创新网络水平最高，中部地区次之，西部地区最低，呈现梯度分布空间格局。第二，构建区域创新网络空间关联理论模型，区域内协同创新和区域间空间关联共同影响区域创新绩效，使得产学研官中介等网络节点密切互动，创新资源加速流动。对整体网络进行分析，发现关联网络密度为0.267，空间溢出效应还有很大提升空间；上海、北京、天津、浙江、江苏、山东等地区处于网络中心地带，对其他地区的创新活动具有较大影响力；区域创新网络空间关联网络的四大板块分工明确，创新要素从中西部流向东部，东部地区的创新联动效应最强。第三，我国区域创新网络空间关联和溢出效应受到各区域地理位置差异、经济基础差异、创新资源投入差异等因素的显著影响，产业结构差异和从业人口结构差异也是创新网络空间关联的重要影响因素，这五个矩阵变量可以解释我国区域创新网络空间关联关系的30.6%。

基于上述研究结论，得出以下政策启示：第一，建立健全创新网络，优化创新网络结构。充分发挥创新网络连接的功能，提高创新主体之间交流合作的深度和广度，增强地区开放性，构建产学研官中介合作创新机制，充分发挥创新主体功能和优势，加速创新成果转化，共促区域协同创新与发展。第二，树立系统观念，把空间关联作为区域共生战略的决策依据。疏通区域间的空间溢出管道，使知识等创新资源真正流动起来，针对各功能板块制定差別化区域政策，进行定向调控和精准调控，既要进一步激发东部沿海等受益板块和双向溢出板块，使其积极发挥自身优势创造价值，也要“温暖”中西部溢出板块和经理人板块，动员其主动学习先进技术并参与跨区域创新活动，加强中西部区域创新联动效应，提升区域创新网络的空间协同性。第三，积极推进地区协调发展，提升区域发展的整体效能。地理位置邻近只是解释空间关联的要素之一，地区发展方式差异也起着关键作用，需要制定差别化的区域创新政策并因地制宜实施。优化空间关联网络结构，既要开拓更多的创新溢出渠道，也要防止关系冗余带来网络效率的降低，形成区域协同推进、创新联动的局面。

[参考文献]

[1] SINGH J. Collaborative networks as determinants of knowledge diffusion patterns[J]. Management science，2005，51（5）：756-770.

[2] ALMEIDA P，KOGUT B.Localization of knowledge and the mobility of engineers in regional networks[J].Management science，1999，45（7）：905-917.

[3] GUAN J C，ZUO K R，CHEN K H，et al. Does country-level R&D efficiency benefit from the collaboration network structure？[J].Research policy，2016，45（4）：770-784.

[4] 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）：88-96.

[5] FLEMING L，KING C，JUDA A I.Small worlds and regional innovation[J].Organization science，2007，18（6）：938-954.

[6] 任勝钢，胡春燕，王龙伟. 我国区域创新网络结构特征对区域创新能力影响的实证研究[J].系统工程，2011，29（2）：50-55.

[7] 于明洁，郭鹏，张果.区域创新网络结构对区域创新效率的影响研究[J].科学学与科学技术管理，2013，34（8）：56-63.

[8] 李琳，牛婷玉.基于SNA的区域创新产出空间关联网络结构演变[J].经济地理，2017，37（9）：19-25.

[9] 方大春，马为彪. 我国区域创新空间关联的网络特征及其影响因素[J].西部论坛，2018，28（2）：50-61.

[10] 宋旭光，赵雨涵.中国区域创新空间关联及其影响因素研究[J].数量经济技术经济研究，2018（7）：22-40.

[11] 周密，孙浬阳.专利权转移、空间网络与京津冀协同创新研究[J].科学学研究，2016，34（11）：1736-1743，1760.

[12] 马双，曾刚.长江经济带城市间的创新联系及其空间结构分析[J].世界地理研究，2018，27（4）：57-65.

[13] 周灿，曾刚，宓泽锋，等. 区域创新网络模式研究——以长三角城市群为例[J].地理科学进展，2017，36（7）：795-805.

[14] 夏丽娟，谢富纪，付丙海. 邻近性视角下的跨区域产学协同创新网络及影响因素分析[J].管理学报，2017，14（12）：1795-1803.

[15] 胡品平，袁剑锋，翟铖.空间视角下中国产学研协同创新网络演化研究[J/OL].科技进步与对策：1-6[2018-12-26].http：//kns.cnki.net/kcms/detail/42.1224.G3.20180713.0921.038.html.

[16] 池仁勇.区域中小企业创新网络形成、结构属性与功能提升：浙江省实证考察[J].管理世界，2005（10）：102-112.

[17] EISINGERICH A B，BELL S J，TRACEY P. How can clusters sustain performance？ the role of network strength，network openness，and environmental uncertainty[J].Research policy，2010，39（2）：239-253.

[18] 盛亚，范栋梁.结构洞分类理论及其在创新网络中的应用[J].科学学研究，2009，27（9）：1407-1411.

[19] 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.

[20] 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（7）：174-187.

[21] 李敬，陈澍，万广华，等.中国区域经济增长的空间关联及其解释——基于网络分析方法[J].经济研究，2014，11：4-16.

[22] 刘华军，何礼伟.中国省际经济增长的空间关联网络结构——基于非线性 Granger 因果检验方法的再考察[J].财经研究，2016（2）：97-107.

[23] WASSERMAN S，FAUST K.Social network analysis：methods and applications[M].Cambridge：Cambridge University Press，1994.

[24] 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.