超大城市创新能力空间均衡的影响因素研究

李隆林 张强 张慧洁

摘 要：創新能力的空间均衡是考察区域创新实力的重要指标，以上海为例，探究超大城市创新能力空间均衡的影响因素。基于《上海统计年鉴》《中国城市统计年鉴》《中国县域统计年鉴》等数据，通过熵值法、一般计量经济学模型（OLS）、空间滞后模型（SLM）、空间误差模型（SEM）以及地理加权回归（GWR）系统分析上海创新能力空间均衡的影响因素及其空间分异。研究发现，上海市创新能力在空间布局上并不均衡；创新能力自城市核心区、近郊区、远郊区逐次降低的特点，呈现出东部地区高-高集聚、南部地区低-低集聚的分布格局；上海市各区创新能力存在空间依赖和空间溢出效应。全局Morans I指数和空间计量模型均表明创新能力具有空间相关性，人口密度、高兴企业数量、城镇化水平、政府干预对城市创新能力具有不同程度的影响；上海市创新能力空间均衡的影响因素存在明显的空间分异；人口密度与创新能力存在倒“U”型关系，在空间上呈同心圆状分布；高新企业数量、城镇化水平、政府干预对创新能力具有促进作用，分别呈条带状分布、团状分布和“十”字型分布。研究结果有助于客观揭示超大城市创新能力空间均衡的影响因素，为推动上海市建设具有全球影响力的科创中心提供理论参考和决策依据。

关键词：超大城市；创新格局；空间均衡；空间模型；上海

中图分类号：F 204;F 061.5;K 902

文献标识码：A 文章编号：1672-7312（2023）04-0407-09

The Influencing Factors of Spatial Equilibrium of

Innovation Capacity in Megacities

——A Case Study of Shanghai

LI Longlin，ZHANG Qiang，ZHANG Huijie

（School of Management，Shanghai University of Engineering Science，Shanghai 201620，China）

Abstract：The spatial equilibrium of innovation capacity is an important index to examine regional innovation strength.Taking Shanghai as an example，this paper explored the factors that influence the spatial equilibrium of innovation capacity of megacities.Based on the data of Shanghai Statistical Yearbook，China City Statistical Yearbook and China County Statistical Yearbook，entropy method，general econometrics model（OLS），spatial lag model（SLM），spatial error model（SEM）and geographically weighted regression（GWR）system were used to analyze the influencing factors and spatial differentiation of spatial equilibrium of innovation capacity in Shanghai.The results show that：the spatial distribution of innovation capability in Shanghai is not balanced.The innovation capability gradually decreases from the core area to suburban area and outer suburb，showing the distribution pattern of high-high agglomeration in the eastern region and low-low agglomeration in the southern region.Spatial dependence and spatial spillover effect exist in the innovation capability of Shanghai districts.The global Morans I index and the spatial econometric model show that the innovation capability has spatial correlation，and that the population density，the number of enterprises，the level of urbanization and government intervention have different degrees of influence on the innovation capability of cities.There are obvious spatial differences in influencing factors of spatial equilibrium of innovation capacity in Shanghai.There is an inverted U-shaped relationship between population density and innovation ability，which is distributed in concentric circles in space.The number of high-tech enterprises，the level of urbanization and the government intervention have a positive effect on the innovation ability，and the distribution is banded，clumpy and “cross”.This study is helpful to objectively reveal the factors affecting the spatial balance of innovation capacity in megacities，and provides theoretical reference and decision-making basis for promoting the construction of Shanghai as a science and innovation center with global influence.

Key words：megacities；pattern of innovation；spatial equilibrium；spatial model；Shanghai

0 引言

习近平总书记在党的二十大报告中明确指出：“坚持创新在我国现代化建设全局中的核心地位”。这一论述充分肯定了创新在我国社会经济发展过程中的重要程度，强调了创新在实现中国式现代化新征程中的重要作用。2015年3月，习近平主席在参与十二届全国人大三次会议上海代表团审议时指出，创新是引领发展的第一动力，抓创新就是抓发展，谋创新就是谋未来，并要求上海市当好改革开放排头兵，创新发展先行者。针对加快建设具有全球影响力的科创中心这一党中央赋予上海的重大任务和战略使命，2021年9月，上海市制定了《上海市建设具有全球影响力的科技创新中心“十四五”规划》，规划指出要在2035年实现上海市具有全球影响力的科技创新中心功能全面升级，科技实力大幅跃升[1]。在实现上海市建设具有全球影响力的科创中心的目标背景下，以空间视角探究影响上海市创新能力空间均衡的影响因素，寻求实现创新能力空间均衡的路径对优化创新资源配置，提升上海城市创新能力具有重要意义。城市创新能力一直是经济学和管理学研究的热点领域之一。谈及创新理论，熊彼特（Joseph Alois Schumpeter）是一位无法回避的学者。熊彼特认为创新是对生产要素的重新组合，并将创新分为五种情况，即发现一种新的原材料、开辟一个新的市场、创造一种新的生产技术、使用一种新的生产组织形式、研发一种新产品[2]，在《经济发展理论》中，熊彼特将创新置于经济发展理论的中心位置。此外，熊彼特还将创新理论融入经济周期理论之中，进而提出“破坏性创造”的概念。在熊彼特之后，索洛（Robert Merton Solow）將技术进步以“索洛余量”的方式引入经济增长模型之中[3]；罗默（Paul M.Romer）的内生经济增长理论则指出，内生技术以及知识外溢具有边际报酬递增的特性，从而能够保持经济的持续增长，罗默的理论说明了技术进步和人力资本作为创新要素在经济增长中的重要作用。同时，罗森斯坦·罗丹（Paul Rosenstein-Rodan）的大推进理论、佩鲁（Fransois Perroux）的增长极理论表明主导产业、资金和区域软环境（包括基础设施、产业结构等）作为地区经济创新的重要内容对于区域产业集聚、经济增长的重要作用[4]。经过不断发展，经济学理论中的创新理论逐渐发展完善，最终形成创新经济学，创新经济学的主要研究内容包括创新经济现象与规律、创新能力、创新政策等问题，而创新经济学首先要回答的还是创新的内涵与测度的问题[5]。要对一个区域的创新情况进行分析研究，其首要的关键问题无疑是要对其创新能力进行科学的衡量和评价。从现有的文献来看，国家统计局社科文司通过创新环境指数、创新投入指数、创新产出指数、创新成效指数四个方面的指标来计算中国创新指数[6]；大部分学者在研究中则通过专利数量来衡量城市或区域的创新水平[7-9]，但简单使用专利授权数量并不能够准确衡量城市或区域的创新能力，原因在于我国目前的大多数技术专利是个人申请而非公司申请，创新并未能够转化为公司制度化、日常化的行为[10-11]。故本文不直接使用专利申请数量来衡量上海市各区创新能力，而通过构建一个综合的指标体系来对上海市各区创新能力进行评价。在前述相关理论中，增长极理论指出，在一国或一区域内的社会经济发展是由非均衡到均衡的过程。在其经济发展过程中，将会首先出现一个创新能力高、存在着先导产业的经济增长极，该经济增长极同其他区域之间的经济发展存在着两个阶段的互动关系：极化效应和扩散效应。增长极先在极化效应之下将其他地区的生产要素吸引流入自身区域内，加剧经济发展的不均衡，而后又因扩散效应使自身的生产要素流入其他地区，最终实现经济的均衡发展。借助佩鲁的理论，上海市作为全国创新资源的集聚高地，其创新能力的空间布局不仅对其自身社会经济发展具有重要意义，同时对于长三角、长江经济带的创新与经济发展具有重要的辐射扩散作用。探究上海市创新能力空间均衡的影响因素以及实现创新能力空间均衡的路径对于超大、特大城市提升创新能力，发展创新经济具有借鉴意义。

1 创新能力指标体系构建与指数计算

1.1 研究区域概况上海市位于长江下游三角洲地区，总面积6 340.5 km2，辖16个区，包括闵行、浦东、虹口、杨浦、青浦、黄浦、静安、松江、崇明、金山、普陀、徐汇、奉贤、嘉定、长宁、宝山。2022年末，上海市常住人口2 475.89万人，地区生产总值4.46万亿元，比上年下降0.2%；全年发明专利授权3.68万件，比上年增长12.0%；“小巨人”企业和“小巨人”培育企业155家，累计超2 600家；新认定高新技术企业9 956家，有效期内高新技术企业数突破2.2万家。

1.2 创新指标体系构建因为各区所拥有的创新要素决定了其创新能力，所以通过对相关创新要素的度量和测算来计算上海市各区创新能力指数。参考朱海就[12]、卢珂[13]等学者的相关研究，以创新人才、创新资金、创新技术、创新环境为一级指标构建上海市创新能力指标体系。其中，创新人才要素指标下包括R&D人员、科技活动人员、高校师生3个二级指标；创新资金要素包括R&D资金投入、政府资金投入、企业资金投入3个二级指标；创新技术要素包括研发机构数、R&D项目数、专利申请量3个二级指标；创新环境要素包括第三产业比重、人均可支配收入互联网（电话）接入量3个二级指标。本文使用上海市各区2020年横截面数据，数据主要来自《上海统计年鉴》《中国城市统计年鉴》《中国县域统计年鉴》以及各区政府工作报告。创新指标体系见表1。

1.3 数据处理将数据取对数处理并通过熵值法对各个二级指标进行赋权。熵值法作为一种客观赋权方法，在赋权过程中能够避免研究者主观因素的影响，较为客观的反映各个指标在指标体系中的重要程度。采用熵值法赋权的具体步骤如下。

为消除量纲影响需对数据进行归一化处理。鉴于本研究所有指标均为正向指标，故归一化公式为

Zij=xij-min（xj）

max（xj）-min（xj）

（1）其中，Zij为归一化后第i个样本的第j个指标的数值;i=1，2，…，m;j=1，2，…，n。

计算各个指标权重，见式（2）

Pij

=zij∑mi=1zij

（2）其中，

Pij为第i个指标下第j个样本的比重值，

i=1，2，…，m;j=1，2，…，n。

计算熵值，见式（3）

Ej=-∑mi=1

Pijln（Pij）

（3）其中，

Ej

为第j个指标的熵值，k＞0，Ej＞0。

计算第j个指标的信息效用值，见式（4）

Dj=1-Ej

（4）计算各个指标的权重，见式（5）

Wj=Dj

∑mi=1Dj

（5）计算各样本的综合得分，见式（6）

Si=∑ni=1

Wj×

Zij

（6）

1.4 上海市各区创新能力指数因为各区所拥有的创新要素的数量在客观上决定了该地区现有的创新能力，因此将通过熵值法取得的各区创新指数命名为创新能力指数。采取上述熵值法计算2020年上海市各区创新能力指数，结果见表2。可以发现，上海市各区中，浦东新区的创新能力指数最高，为0.902；崇明区的创新能力指数最低，为0.162；上海市各区创新能力指数的平均值为0.393，极差为0.74，从描述性统计来看，上海市各区创新能力水平并不均衡，高值与低值相差较大。

2 空间自相关检验

2.1 上海市创新能力空间格局利用Arcgis软件并通过自然断点法对2020年上海市各区创新能力指数进行可视化操作，得到图1。从图1可以看出，上海市创新能力的空間分布呈现出中、东部高，南、北部低的特征。浦东新区是创新能力最强的区域，黄浦区、闵行区次之；北部的崇明区以及南部的金山区、奉贤区创新能力均较弱；此外，长宁区、静安区、虹口区相较于周围地区而言，形成了一个创新能力的洼地。

2.2 全局与局部空间自相关检验空间计量经济学诞生于20世纪70年代，空间计量经济学的最大特色在于充分考虑了横截面单位之间的空间依赖性[14]。在使用空间计量方法以前，需先对数据进行空间依赖性检验，即空间自相关检验。空间自相关检验有全局与局部之分，检验方法通常分别为全局莫兰指数（Morans I）与局部莫兰指数（Local Morans I）。全局莫兰指数（Morans I）的计算公式为

I=

∑ni=1∑nj=1

wij（xj-）（xj-）

s2∑ni=1∑nj=1wij

（7）式中：s2为样本方差；

wij为空间权重矩阵的（i，j）元素，若全局莫兰指数大于0则表示空间存在正自相关，小于0则表示空间存在负自相关。若要进一步研究某区域i附近的空间集聚情况，则需要使用局部莫兰指数（Local Morans I）。局部莫兰指数的公式为

Ii=

（xi-）s2

∑nj=1

wij（xj-）

（8）按照式（7）对表2中上海市各区创新能力指数进行全局空间自相关检验，得到2020年的全局莫兰指数（Morans I）为0.17，P值为0.002，Z得分为3.41，通过1%的显著性检验，表明上海市各区的创新能力具有空间上的正自相关，可以进行空间计量分析。在通过了全局空间自相关检验的前提下，采用式（8）对表2中上海市各区创新能力指数进行局部空间自相关检验并形成如图2所示的Lisa图。可以看出，上海市创新能力在空间集聚上表现出东部高-高集聚，南部低-低集聚的空间分布状况。具体地，浦东新区、杨浦区、徐汇区3个区域在创新能力指数的集聚上表现为高值与高值相邻；金山区的创新能力指数在空间集聚上表现为低值与低值相邻；崇明区、虹口区的创新能力指数在空间集聚上表现为低值与高值相邻的状态。

3 上海市创新能力空间均衡的影响因素分析

3.1 研究方法与变量选择通过全局和局部空间自相关的计算可知上海市各区创新能力存在空间相关性，若采取传统的计量经济学分析不仅将会导致模型结果存在较大偏差，而且会忽略相同因素在不同区域的影响差异。因此，在研究方法上，使用空间滞后模型（SLM）、空间误差模型（SEM）对影响上海市创新能力的因素进行实证分析，并使用地理加权回归（GWR）研究影响因素的空间分异情况。在自变量选择上，选取人口密度、高新企业数量、城镇化水平以及政府干预力度4个指标为解释变量。人口密度：人口密度对于城市创新能力的影响作用目前尚存在争论。人口密度对地区创新能力的作用的研究主要起源于城市经济学，国外相关研究表明发达国家拥有高密度人口的大城市并不会带来创新能力的提升[15]；人文地理学的相关研究表明具有创新能力的高技术企业在进行区位选择时会优先考虑自然环境因素，多选择近郊而非中心城区，例如硅谷的布局[16]；另有研究表明，人口密度与城市创新能力存在倒U型关系

[17]或正U型关系[18]。本文对人口密度进行取对数处理。高新企业数量：区域经济研究中的区位集聚理论表明：同类企业集聚会产生规模经济，从而进一步加强人才、技术等创新要素的密集化，增强城市或区域的创新能力。同时，创新主要是在市场中完成的，而企业则是市场中创新的主体。因此，选择高新企业数量作为影响创新能力的自变量之一。本文的高新企业是指上海市各区被上海市委认定的高新技术企业，对高新企业数量取对数处理。城镇化水平：城镇化也称为城市化。城镇化是一个农业人口转换为非农业人口、农村地域转换为城市地域、农业活动转换为非农业活动的过程。城镇化不仅仅意味着农村人口现代化，而且是城市现代化的过程[19]。根据刘易斯（W.Arthur Lewis）的乡-城二元经济模型，人口从农村流向城市的过程，将为城市带来人口红利[20]，同时城市的现代化过程中，城市的公共服务水平与基础设施建设都会得到提升。因此城市化水平的变化能够显著影响产业布局和人力资本水平，从而影响城市或区域社会经济发展。本文所使用的城镇化水平以《上海市统计年鉴》公布的2020年各区非农人口占总人口的比重来衡量。政府干预：除却市场这一只“看不见的手”还有政府的“看得见的手”，两者的有效合作才能够有效激发社会创新活力，取得市场经济的繁荣发展。新结构经济学理论表明，政府产业政策活动能够对市场经济主体产生有效的激励或抑制作用[21]。从现实来看，政府的干预活动对于区域产业结构调整和企业的创新活动有着重要影响。本文以上海市各区财政一般预算支出占各区GDP的比重来衡量政府干预的程度。

3.2 一般计量经济学模型根据传统的计量经济学理论结合本文研究主题，构建OLS模型为

Ini=

β0+β1×Lnpi+β2×LnCi+

β3×Ui+

β4×Gi+μi

（9）式中：

i为上海市各区；μi为随机误差项；

Ini为第i个区的创新能力指数；Pi为第i个区的人口密度；

Ci

为第i个区的高新企业数量；Ui为第i个区的城镇化水平；

Gi为第i个区的政府干预强度；

β0为模型的常数项；

β1，β2，β3，β4分别为各个变量的回归系数。利用Stata 17软件对上海市形成全域创新格局的影响因素进行OLS模型的分析，回归结果見表3。

从表3可知，R2为0.92，表明模型整体显著，拟合性良好且解释力强。同时，模型的方差膨胀因子（VIF）值为4.24，远小于7.5，表明模型亦不存在多重共线性。从解释变量的显著性来看，人口密度、高新企业数量、城镇化水平以及政府干预对于区域创新能力的影响均在1%的水平上显著；从解释变量效应方向来看，高新企业数量、城镇化水平、政府干预三项解释变量对于创新能力有着正向的影响作用，而人口密度对于创新能力的影响效应为负向；从解释变量效应大小来看，城镇化水平对于创新要素集聚的影响最大，系数超过2.5，高新企业数量及政府干预强度次之，人口密度的影响则最小。尽管表3的回归结果表明OLS估计具有良好的拟合性，但由于上海市创新能力存在空间相关性，如果仅仅使用OLS回归分析容易忽略空间上的相互影响，使得结果产生误差。因此为确保实证结果的可靠性还需要进行空间计量模型的实证分析。

3.3 空间计量模型考虑上海市各区创新能力在空间维度上可能存在的均衡性和依赖性，分别使用空间滞后模型（SLM）以及空间误差模型（SEM）进行分析。空间滞后模型适用于空间滞后的复杂性（空间滞后可能来自不同方向，且可以是双向的），着重考虑了相邻近地区的溢出效应对于考察区域因变量的影响并将周边相邻地区的因变量以空间滞后项的形式加入模型。空间误差模型着重考虑模型误差项是否存在空间相关性，区别于空间滞后模型，空间误差模型将存在于周边地区的未被研究者充分考虑到的自变量以空间误差项的形式加入模型。空间滞后模型的公式为

y=λWy+ε

（10）式中：

W为已知的空间权重矩阵，空间依赖性通过单一参数

λ来刻画，λ 度量空间滞后变量

Wy对y的影响，称为空间自回归系数。空间误差模型的公式为

y=Xβ+u

（11）

u=ρMu+ε，ε～N（0，σ2In）

（12）其中：M为空间权重矩阵，该模型表明扰动项u存在空间依赖性。这表明不包含在X中但对y有影响的遗漏变量存在空间相关性，或不可观测的随机冲击存在空间相关性。空间滞后模型和空间误差模型的实证研究结果见表4。从表4能够看出，空间滞后模型的对数似然函数值（Log-likelihood）、R2均小于空间误差模型，而AIC值则大于空间误差模型。这表明无论是从模型的拟合优度还是模型的解释力来看，空间滞后模型的表现均劣于空间误差模型。因此主要关注空间误差模型的实证结果。

空间误差模型实证结果中各个自变量的系数与OLS模型的系数相差不大，这表明本文所设定的空间误差模型是正确可靠的[16]。从空间误差模型的实证结果来看，上海市各区创新能力存在空间依赖性，人口密度、高新企业数量、城镇化水平、政府干预对区域创新能力的影响均在1%的水平上显著，但影响效应的强度与方向有所不同。空间误差模型的结果表明，城镇化水平对区域创新能力的促进作用最强，高新企业数量、政府干预对于区域创新能力存在显著促进作用。然而人口密度对于区域创新能力起到单一的抑制作用，这与现有研究文献的研究结论存在冲突，可能是因为上海市不同区域存在地理差异性，需要将各个区的地理差异纳入到实证研究以获得更为可信的研究结果。

4

上海市形成全域创新格局影响因素的空间分异

由于存在地理差异，同一影响因素在不同区域对创新能力的影响效应可能存在差异，而空间计量模型无法观察到这一差异。因此使用经地理加权回归（Geographically Weighted Regression，GWR）来考察上海市创新能力的影响因素在空间上的分异状况。地理加权回归是一种空间分析技术，通过建立空间范围内每个点处的局部回归方程来探索研究对象在某一尺度下的空间变换及相关驱动因素，它的主要优势在于考虑了空间对象的局部效应。在前述分析中，已经构建了一个OLS模型，并且该模型拟合度良好，不存在严重的多重共线性（

VIF<7.5），符合进一步使用地理加权回归分析影响因素空间分异的前提条件。利用MGWR 2.2软件进行上海市创新能力影响因素的GWR实证分析，实证分析结果如表6所示。实证结果表明上海市创新能力的影响因素在空间上存在分异表现，GWR模型调整后的R2高于OLS模型的R2，AICc值低于OLS模型的对应值，表明GWR模型整体拟合度与解释力优于OLS模型。在表5实证结果的基础上，使用Arcgis 14软件对各影响因素的回归系数可视化呈现，可视化结果如图3所示。

图3呈现了上海市创新能力影响因素的空间分异情况。人口密度对创新能力的影响效应呈同心圆状分布，随着半径的扩大，人口密度对创新能力的影响效应由抑制转化为促进。在黄浦区、静安区等城市核心区，人口密度对创新能力起到了抑制作用；在闵行区、宝山区等近郊区，人口密度对创新能力的抑制作用减轻；在奉贤区、青浦区等远郊区，人口密度对创新能力起到促进作用。这表明人口密度与城市创新能力存在倒U型关系，由于核心区和近郊区已经超过倒U型曲线的顶点位置，因此人口密度对城市创新能力起抑制作用，与之对应，由于远郊区尚未超过倒U型曲线的顶点，人口密度对城市创新能力起到促进作用。这与现有研究结论相一致[22]。

高新企业数量对创新能力的影响效应呈条带状分布，高新企业数量对创新能力促进效应自东向西减小。原因在于浦东新区和徐汇、黄浦等中心城区不但拥有优越的航运交通条件，也拥有包括张江高新科技产业园在内多个国家级科技创新产业园区，其产业结构本就以创新创意产业为主，从而能够对区域创新能力的提高起到较强的作用。相比之下，青浦、金山等区域产业基础薄弱，产业发展路线也并未以创新创意产业为主导，创新主要来自东部、中部创新企业的创新外溢。城镇化水平对创新能力的影响效应呈团状分布，城镇化水平对区域创新能力的促进效应在黄浦区、徐汇区、浦东新区等中、东部区域最强；在普陀、宝山等西北部区域次之；在青浦、金山等南部区域最弱。原因在于城镇化水平的提高能促进城市公共服务水平、减少区域内生产要素的流动障碍，中、东部城镇化水平最高，具有成熟的创新协作体系，黄浦区、徐汇区等城市核心区均已经达到了100%的城镇化水平。政府干预对创新能力的影响效应呈“十”字型分布，政府干预对创新能力的促进效应在纵向上强于横向。在纵向上的宝山、普陀、松江、金山一线，政府干预对创新能力的促进效应强于横向上的青浦、奉贤一线。政府可以直接通过产业政策实现干预地区产业发展的目标，也可以间接通过基础设施投资等方式来实现优化营商环境、减少生产要素流动障碍，最终达到干预区域产业经济发展的目标。宝山、普陀、松江等近郊区域在产业政策上积极承接核心区的产业转移，推出了产业发展政策清单（产业扶持政策库）、“快新实”一体等产业政策，对于吸引核心城区高新企业、刺激企业创新创造均起到了良好效果。

5 结论与对策建议

5.1 研究结论在创新人才要素、创新资金要素、创新技术要素、创新环境要素四个一级指标基础上，衍生出12个二级指标，构建起衡量上海市各区创新能力的指标体系。通过熵值法计算出各区的创新能力指数，使用OLS模型、空间计量模型（SLM、SEM）、地理加权回归模型（GWR）对上海市创新能力空间均衡的影响因素及其空间分异实证研究。主要研究结论如下。1）总体来看，上海市创新能力空间均衡性有待加强。创新能力呈现出城市核心区、近郊区、远郊区逐次降低的特点，在集聚性上，东部地区呈现出高-高集聚的特征，南部地区则表现出低-低集聚的特征，存在一定程度空间失衡。2）从影响因素来看，人口密度、城镇化水平、高新企业数量、政府干预均对创新能力的空间均衡有重要影响，且影响因素存在空间依赖性。其中，城镇化水平与政府干预的影响效应最强。3）从影响因素的空间分异来看，上海创新能力空间均衡的影响因素空间分异明显。人口密度与城市创新能力存在倒“U”型曲线关系，在人口密集度高的城市核心区，人口密度对城市创新能力起抑制作用，在人口密度低的远郊区，人口密度对创新能力却起到促进作用。高新企业数量与城镇化水平对城市创新能力起到促进作用，但其促进效应均表现出中、东部高于西部的特点。政府干预对创新能力起到促进作用，但是效应大小分布呈现出“十”字型分布，即在宝山-松江-金山的纵向上，政府干预对城市创新能力的促进效应强于横向上的青浦-奉贤。

5.2 对策建议充分认识创新能力空间差异，优化创新资源空间配置。一是需要在城市规划中包容创新能力差异，在市委市政府统一规划下实现各区差异化发展。二是着力推动创新扩散。考虑到城市核心区、近郊区、远郊区创新能力在空间上的依赖性，应当为创新资源流动和创新扩散提供更大便利，增强创新能力空间均衡性。紧紧抓住创新均衡主导因素，增强创新发展动力。一是要持续推动高质量、高标准、高水平的城市化，城市化即包含了农业人口的城市化，还包含了城市的现代化，因此不但要完善农村人口市民化的配套机制，还应当将“海纳百川、追求卓越、开明睿智、大气谦和”的上海城市精神贯彻到城市建设中。二是政府合理发挥干预作用，科学制定产业政策，要有针对性地对有助于提升城市整体创新能力的前沿性、开创性产业予以扶持，增进科研攻关实力。厚植城市创新土壤，涵养城市创新氛围。一是要创新与创意并重，鼓励、支持发展设计艺术、绘画、文旅等创意内涵强劲的產业。二是要制定完善的创新人才引进机制，形成尊重、关爱创新人才的社会氛围。

参考文献：

[1] 沈湫莎.上海科创中心建设向功能全面升级迈进[N].文汇报，2021-09-30（001）.

[2]约瑟夫·熊彼特.经济发展理论[M].北京：商务印书馆，2017.

[3]查尔斯·I·琼斯，迪特里奇·沃尔拉特.经济增长导论（第3版）[M].刘霞，译.上海：格致出版社，2018.

[4]郭熙保.发展经济学[M].北京：高等教育出版社，2011.3

[5]李政.创新与经济发展：理论研究进展及趋势展望[J].经济评论，2022（05）：35-50.

[6]张翼.2021年中国创新指数较快增长[N].光明日报，2022-10-30（002）.

[7]陈依曼，李立勋，符天蓝.中国城市创新能力及其影响因素的空间分异——基于GWR模型的实证[J].热带地理，2020，40（02）：323-334.

[8]蔡森.政府创新偏好对区域科技创新水平的影响及空间溢出效应[J].区域经济评论，2022（03）：37-45.

[9]谷斌，赵雪琦.基于专利位序-规模的区域技术创新能力测度[J].科研管理，2022，43（11）：172-181.

[10]林卓玲，梁剑莹.基础研究、科技基础设施与区域专利产出——基于省域高校面板数据的实证分析[J].技术与创新管理，2019，40（05）：559-568.

[11]张维迎.市场的逻辑[M].北京日报出版社，2018.

[12]朱海就.区域创新能力评估的指标体系研究[J].科研管理，2004（03）：30-35.

[13]卢珂，吴价宝.基于动态视角的创新型城市创新绩效指数研究[J].科技管理研究，2014，34（11）：21-25.

[14]陈强.高级计量经济学及Stata应用（第2版）[M].北京：高等教育出版社，2014.

[15]FRITSCH M，WYRWICH M.Is innovation（increasingly）concentrated in large cities？ An international comparison[J].Research Policy，2021，50（06）：1-12.

[16]穆桂斌，黄敏.美国硅谷人才集聚规律及对雄安新区的启示[J].河北大学学报（哲学社会科学版），2018，43（04）：63-69.

[17]ZHOU Q，SHAO Q，ZHANG X，etal.Do housing prices promote total factor productivity？ Evidence from spatial panel data models in explaining the mediating role of population density[J].Land Use Policy，2020，91（02）：1-15.

[18]陈淑云，杨建坤.人口集聚能促进区域技术创新吗——对 2005—2014年省级面板数据的实证研究[J].科技进步与对策，2017（05）：45-51.

[19]郑林昌主编.区域经济学概论[M].北京：科学出版社，2020.

[20]威廉·阿瑟·刘易斯，李建波.发展理论现状[J].发展经济学研究，2009：299-311.

[21]林毅夫.产业政策与我国经济的发展：新结构经济学的视角[J].复旦学报（社会科学版），2017，59（02）：148-153.

[22]张悦，郭晗.人口规模对城市生产率的影响分析[J].技术与创新管理，2018，39（06）：721-727.

（责任编辑：张江）