中国区域创新能力与经济发展水平的时空演化分析

Spatio-Temporal Evolution Analysis of Regional Innovation Capacity and Economic Development Level in China

摘要: 区域创新能力是推动经济协调发展的关键要素之一，不同地区之间的创新能力差异可以作为资源和机会的互补，促进整体经济的协调增长。本研究基于2011~2020年中国31个省份的面板数据，利用固定回归效应模型(FEM)、探索性空间分析法(ESDA)和时空地理加权回归模型(GTWR)等研究方法，从中国经济八大区角度分析了区域创新能力(CRT)和经济协调发展(RECD)之间的相关性，实证检验了CRT对RECD的时空演化特征，为各省加强研发投入，建立创新生态系统，促进优化知识产权保护，加快产业数字化转型的实现提供了强有力的证据。

Abstract: Regional innovation capacity is one of the key elements to promote coordinated economic development, and the differences in innovation capacity between different regions can be used as complementary resources and opportunities to promote coordinated growth of the overall economy. Based on the panel data of 31 provinces in China from 2011 to 2020, this study analyzes the correlation between regional innovation capacity (CRT) and coordinated economic development (RECD) from the perspective of the eight regions of China’s economy by using the research methods of fixed regression effects model (FEM), exploratory spatial analysis (ESDA), and spatio-temporal geographically weighted regression (GTWR). This study empirically examines the spatio-temporal evolution characteristics of CRT on RECD, and provides strong evidence for provinces to strengthen R&D investment, establish innovation ecosystems, promote optimization of intellectual property rights protection, and accelerate the realization of industrial digital transformation.

1. 引言

作为地域辽阔、人口众多的世界第二大经济体，中国各地区之间的经济差异和不平衡发展问题愈加突出，一定程度上对经济可持续发展提出了巨大挑战。中国政府迅速采取了一系列政策措施，以促进地区之间的经济协调发展。这包括推动内陆地区的发展、改善交通基础设施[1]、减轻环境污染[2]、推动城市化进程[3]等。

在全球化经济的发展趋势下，创新被认为是经济发展应对动态和变化的环境的核心驱动力[4] [5]。中国政府高度重视加快实施创新驱动发展战略，积极鼓励科技创新、产业升级和人才培养，以实现从“中国制造”到“中国创造”的转变。近年来，一系列科技创新有关重要政策的实施让中国创新能力不断提升。在世界知识产权组织发布的2023年全球创新指数(GII)中，中国位居第12位，成为前30名中唯一的中等收入经济体[6]。不同地区的创新生态系统已经开始崭露头角，北京、上海粤港澳大湾区创新引领辐射作用不断增强，三地研发投入占全国30%以上[7]。区域科技创新能力已成为地区综合竞争力的重要标志和影响经济获取国际竞争优势的决定性因素[8]。

基于以上分析，本研究的目的在于探索区域创新能力与经济协调发展的时空演化特点与影响关系。与现有研究相比，本研究的贡献主要包括三方面：(1) 从中国八大经济区角度分析区域创新能力的时空演化特征，更为直观地了解不同地区的创新能力发展现状。(2) 考虑空间溢出性的基础上，从时间变化和空间格局层面分析了区域创新对于经济协调发展的变化趋势。(3) 本文通过考察区域创新能力与经济协调发展的关系，为后续学者研究区域创新促进经济协调发展的具体实现路径奠定理论基础。

2. 文献综述

2.1. 创新相关定义

经济学家Joseph Schumpeter (1934)首次提出创新概念，将其描述为“破坏性的创造”，并且强调创新不仅是新产品、新技术或新市场的创造，还包括对旧结构的颠覆和破坏[9]。随着社会经济结构的不断演化，学术界涌现出许多种创新能力的定义及测量指标相关的研究。为缓解经济增长和资源环境的双重压力，一些学者综合利用科技研发投入与环境污染数据提出绿色创新效率的概念[10]-[12]。从产品、客户、供应链等12个指标能够衡量小微企业的创新能力[13]。国家创新能力对于提高国家竞争力和经济独立性具有重要作用，基于EDAS方法对资本总量、研发潜力和创新能力等指标进行测算能够衡量国家创新能力[14]。在特定地理区域内的组织、企业和机构在创新活动方面的综合能力通常被认为是区域创新能力，利用Multi-stage DEA [15]和DEA-Malmquist [16]等方法能够对区域创新进行合理评估。

2.2. 创新能力与经济发展的关系

经济全球化的背景下，创新是实现经济动态增长和社会可持续发展的关键因素[17] [18]。关于创新与经济发展之间的关系，大量的研究认为，创新能够通过技术进步直接或间接地促进了经济增长，而经济发展反过来又通过知识积累和聚合效应提高创新能力[19] [20]。Howells，J.从“自上而下”和“自下而上”的角度，从理论上分析了创新与区域经济发展之间的关系[21]。与此同时，有关创新能力提高经济发展的具体路径，部分学者从技术贸易和专利保护的角度提出技术市场贸易额和知识产权保护是刺激创新的重要因素，主要可以空过增加研究人员和研发资金来实现[22]。一些学者认为外国直接投资(FDI)通常会流向具备创新潜力的地区，促进当地产业和经济的发展[23]。对于国家而言，创新的经济效应需要技术基础设施、经济制度和激励机制的共同作用。

2.3. GTWR模型及应用

传统的GWR模型往往会忽略时间变化过程中的特点，而GTWR模型在地理加权回归模型的基础上，将时间特性加入回归模型[24]，能够实现对不同时空维度下的影响因子分析，为处理“时–空”的非平稳性提供了重要的分析手段[25]。因此，随着越来越多的学者考虑时空异质性，GTWR模型被广泛应用于环境科学、社会经济、健康地理等多个领域。例如，中国能源效率、金融聚集效应[26]、碳排放[27] [28]。因此，本文也选择该模型来研究创新能力对经济协调发展的动态影响关系，为促进经济可持续发展提供有效参考。

通过对现有相关研究进行梳理发现，目前大部分的研究主要侧重于创新能力与经济发展的直接关系和具体路径分析，很少从时空变化角度探索区域创新能力对于经济协调发展的动态变化过程。为弥补现有文献的不足，本文在对中国八大经济区创新能力的分析基础上，利用GTWR模型研究了两者之间的时空动态差异。

3. 研究方法和数据

3.1. 数据源

考虑到数据的科学性和可得性，本文排除香港、澳门和台湾地区，基于2011年~2020年31个省份样本空间面板数据进行研究。区域创新能力数据来源于中国科学技术发展战略研究院所发布的《中国区域创新能力评价报告》，被解释变量和控制变量等数据信息均来自国家统计局、《中国统计年鉴》《中国各省份统计年鉴》及国泰安数据库(CSMAR)。

3.2. 研究方法

3.2.1. 面板固定效应模型

固定效应模型能够通过引入虚拟变量或固定效应来捕捉每个单位的个体特征或时间特征，以便更为准确地研究面板数据中解释变量对于因变量的影响。本文以区域创新能力作为解释变量，运用个体时间固定效应模型以评估对于中国31个省份的经济发展水平影响关系。

$PGD{P}_{i,t}={\alpha }_0+{\beta }_{1}CR{T}_{i,t}+{\displaystyle {\sum }_{j=2}^n{\beta }_{j}Contro{l}_{i,t}^j}+u_i+{\theta }_t+{\epsilon }_{i,t}$ (1)

在公式(1)中，被解释变量$PGD{P}_{i,t}$ 表示i省t年的实际人均地区生产总值，用于表征经济发展水平。核心解释变量$CR{T}_{i,t}$ 表示i省t年的区域创新能力。控制变量$Contro{l}_{i,t}$ 包括产业结构$PRH{L}_{i,t}$ 、对外开放程度$OPE{N}_{i,t}$ 、生产劳动要素$EMP{L}_{i,t}$ 、基础设施建设$FOD{A}_{i,t}$ 和政府调控能力$GOV{E}_{i,t}$ 。${\alpha }_0$ 为常数，$u_i$ 代表不随时间变动的省份固定效应，${\theta }_{i,t}$ 代表不因省份变动的年份固定效应，${\epsilon }_{i,t}$ 为误差项。${\beta }_1$ 和${\beta }_j$ 是待估参数，其中${\beta }_1$ 是本文关注的参数，表示区域创新能力对经济发展水平的影响方向和程度。

3.2.2. 探索性空间数据法(ESDA)

著名的地理学家和地理信息科学家沃尔多·托布勒(Waldo R. Tobler)提出地理第一定律“凡事都与距离相关，靠近的事物比远处的事物更相关。”[29]这一定律强调了地理空间中距离和位置对于事物之间的关系和相互作用的影响。探索性空间数据法(ESDA)常用于分析空间数据自相关特性，空间自相关是一种用来度量空间数据的分布特征和相互关系的统计方法，其基本思想是空间上相邻或接近的位置上的数据值之间可能存在某种依赖或相似性，而这种依赖或相似性会随着距离的增加而减弱或消失。在空间计量经济学中通常用全局莫兰指数和局部莫兰指数分别描述整个研究区域的空间分布模式和局部区域的空间异质性。

全局莫兰指数[30]：全局莫兰指数是基于Moran’s I统计量用来描述所有的空间单元在整个区域上与周边地区的平均关联程度，计算公式如(2)所示。全局莫兰指数的取值范围为[−1, 1]，若全局莫兰指数为正值，则表明空间聚集现象存在；若全局莫兰指数负值，则表明空间上的分布较为分散；若全局莫兰指数为零，说明不存在空间相关性。

$\text{Moran's}\text{I}=\frac{n{\displaystyle {\sum }_{i=1}^n{\displaystyle {\sum }_{j=1}^n{W}_{ij}\left(y_i-\overline{y}\right)\left(y_j-\overline{y}\right)}}}{{\displaystyle {\sum }_{i=1}^n{\displaystyle {\sum }_{j=1}^n{W}_{ij}{\displaystyle {\sum }_{i=1}^n\left(y_i-\overline{y}\right)}}}}$ (2)

其中，n代表空间单元总个数；$y_i$ 和$y_j$ 分别代表第i个空间单元和第j个空间单元的属性值；$\overline{y}$ 为所有空间单元属性值的均值；$W_{ij}$ 为空间权重矩阵$W$ 中的第i行、j列的值。

局部空间自相关指数[31]：能够有效度量区域i与其周围地区空间上的差异程度及其显著性，是全局空间自相关统计量Global Moran’s I的分解。对第i个区域而言，其形式为：

$I_i\left(d\right)=\frac{x_i-\overline{x}}{S^2}{\displaystyle {\sum }_{j=1}^N{W}_{i,j}\left(d\right)\left(x_j-\overline{x}\right)}$ (3)

$S^2=\frac{{\displaystyle {\sum }_{j=1,j\ne i}^N{x}_i^2}}{N-1}-x^{-2}$ (4)

与全局莫兰指数相似，正的$I_i$ 表示省份i的高(低)值被高(低)值所包围，负的$I_i$ 表示省份i的高(低)值被低(高)值所包围，局部莫兰指数可通过莫兰散点图进行可视化展示，局部莫兰图中第一象限为“高–高”聚集，第二象限为“低–高”聚集，第三象限为“低–低”聚集，第四象限为“高–低”聚集。基于研究对象和目的，本文选择经济距离矩阵作为空间权重矩阵W研究不同地理区域之间的经济联系和区域发展，元素表达式为：

$W_{ij}=\{\begin{array}{l}\frac{1}{\left|E_i-E_j\right|},i\ne j\\ 0,i=j\end{array}$ (5)

其中$E_i$ 和$E_j$ 分别为省份i和省份j在2011~2020年期间的人均GDP。

3.2.3. GTWR模型

Brunsdon等在总结前人提出的局部回归分析和变参数研究的基础上提出了地理加权回归方法(GWR)，用于检验自变量和因变量之间的空间差异关系[32]。然而，传统的地理加权回归模型(GWR)由于横截面数据的样本量有限性，并不能对于面板数据进行准确估计。因此Huang等[33]在GWR模型的基础上引入时间维度，提出了时空地理加权回归模型(GTWR)，其主要思路是在非平衡面板数据堆积为大截面数据、空间权重矩阵采用Gaussion函数和欧式距离的基础上，将时间间隔距离嵌入和函数中以构建时空权重矩阵，进而采用GWR一般分析范式进行建模。GTWR模型基本表达式如下所示：

$y_i={\beta }_0\left(u_i,v_i,t_i\right)+{\displaystyle \sum _k{\beta }_k}\left(u_i,v_i,t_i\right)X_{ik}+{\epsilon }_i$ (6)

其中，$u_i,v_i$ 表示第个样本点的经纬度坐标，$t_i$ 表示观测时间，$y_i$ 表示第i个样本点的因变量值，$X_{ik}$ 表示第i个样本点的第k个解释变量。${\epsilon }_i$ 为模型误差项，${\beta }_0$ 代表第i个样本点的回归常数，${\beta }_k\left(u_i,v_i,t_i\right)$ 表示第i个样本点的第k个解释变量的回归系数。

3.3. 变量选择

3.3.1. 关键解释变量

区域创新能力衡量了一个特定地理区域在创新、科技发展和知识产出方面的表现和潜力。中国科学技术发展战略研究院从科技创新环境、科技活动投入、科技活动产出、高新技术产业化和科技促进经济社会发展等五个方面对全国及31个省市科技创新水平进行了测度和评价，因此本文选择其发布的2011~2020年《中国区域创新能力评价报告》中的区域创新能力综合效用值作为关键解释变量，进一步完成后续研究分析。

3.3.2. 被解释变量

现有的研究中区域经济水平通常采用地区生产总值(GDP)作为衡量标准[34]。为减少异方差的影响，本文在研究过程中参照张佩等的研究[35]，选用区域经济差距(GAP)的倒数表征区域经济协调发展水平(RECD)，并且选择居民人均可支配收入作为替代因变量用于稳健性检验。

$REC{D}_{it}=\frac{1}{GAP}=\frac{1}{\ln AGD{P}_{it}/\ln AGD{P}_{jt}}$ (7)

式(7)中，$\ln AGD{P}_{it}$ 表示区域i在t年的人均GDP对数，$\ln AGD{P}_{jt}$ 表示所有区域人均GDP对数。因此，CED指标的数值越大，意味着区域经济差距越小，而区域之间协调程度就越高。

3.3.3. 控制变量

基于已有研究，本文尽可能加入影响经济发展水平的变量以减少由于遗漏变量产生的内生性问题，同时实现全面真实地反映当前我国各地区的经济发展状况的目的。

(1) 产业结构合理能够高效实现国民经济各部门的协调发展，研究过程中选择第三产业产值与第二产业产值之比用来衡量产业结构(PRHL)。

(2) 随着全球经贸格局加快重构、全球一体化趋势明显增强的国际环境背景下，健康合理的对外开放和产业合作能够帮助提高区域经济发展。本文选用各省份进出口总额表示地区对外开放程度(OPEN)。

(3) 参考现有研究并结合本文研究内容，采用城市用水普及率、城市燃气普及率、每万人拥有公共交通车辆、人均城市道路面积、人均公园绿地面积和每万人拥有公共厕所数等六个指标，运用熵权TOPSIS方法综合形成基础设施建设(FODA)衡量指标。

(4) 全员劳动生产率是指反映一个地区所有从业者在一定时期内创造的劳动成果与其相适应的劳动消耗量的比值，本文选择产业总值与就业人数的比值用于衡量生产劳动要素(EMPL)。

(5) 政府调控能力对于区域经济水平具有显著正向作用，为减少政府干预对区域经济水平的影响，本文选用各省份政府财政支出总额作为衡量政府调控能力(GOVE)的指标。各个指标的具体含义及其描述性统计结果见表1和表2。

Table 1. Variables and interpretation of panel fixed effects regression models

表1. 面板固定效应回归模型的变量及解释

类别	指标	指标含义	具体解释
被解释变量	PCDI	经济发展水平	居民人均可支配收入
	RECD		区域经济差距(GAP)倒数
关键解释变量	CRT	区域创新能力	中国区域创新评价指数
控制变量	PRHL	产业结构	第三产业产值/第二产业产值
	OPEN	对外开放水平	各省份进出口总额
	FODA	基础设施建设	熵权法Topsis综合计算指标
	EMPL	生产劳动要素	产业总值与就业人数的比值
	GOVE	政府调控能力	各省份政府财政支出总额

Table 2. Descriptive statistics for each variable

表2. 各变量的描述性统计

变量	Mean	SD	Min	Max	p50	N
PCDI	3.150	1.080	1.500	7.640	3.020	310
RECD	0.996	0.0365	0.924	1.081	0.986	310
CRT	28.46	10.73	0	62.14	25.73	310
PRHL	1.243	0.735	0.518	1.243	1.082	310
OPEN	1.300e+07	2.200e+07	31053	1.100e+08	4.500e+06	310
FODA	57.69	13.12	23.21	100	56.62	310
EMPL	10.22	5.530	3.130	56.33	9.140	310
GOVE	3953	2292	536.8	14135	3542	310

4. 模型结果

4.1. 区域创新能力的时空演化分析

本文首先利用ArcGIS 10.8中的自然间断点分级法将CRT划分为五大类，分析了2011年~2020年CRT的时空演化特征。2011年和2020年中国各省份的区域创新能力水平见图1。从整体上看2011年CRT指数呈现出东西部地区分布不均，且整体CRT指数相对较高的趋势，其中CRT指数最高的省份分别是广东、江苏、上海和北京，主要分布于沿海地区；CRT指数最低的省份分别为新疆、青海和西藏地区，主要分布于西北地区。2020年CRT指数虽仍然呈现出东西部分布不均的情况，但与2011年相对比，整体呈现下降趋势，CRT数值最高的省份仅有广东省和北京市两个地区，CRT指数最低的省份数量为6个，分别为黑龙江、吉林、内蒙古、甘肃、新疆和西藏。

注：基于自然资源部标准地图服务网站审图号为GS(2022) 4301号的标准地图制作，底图无修改。

Figure 1. Distribution of China’s regional innovation capacity index, 2011 and 2020

图1. 2011年与2020年中国区域创新能力指数分布图

进一步，为深入探讨全国不同地区的创新能力空间差异，本文将中国31个省份划分为八大综合经济区并计算各经济区的CRT平均值，绘制八大综合经济区CRT指数随时间变化的折线图，见图2。从全国平均趋势变化上来看，2011~2020年全国CRT呈现出波动性下降趋势，其中2017年CRT数值最低，为28.49；2011年CRT数值最高，为30.06。分区域来看，东部沿海经济区、北部沿海经济区和南部沿海经济区由于经济基础较好、自然地理位置优越，2011~2020年CRT指数均高于全国平均水平，其平均值分别为44.83、37.57和34.75；相反，其余五大综合经济区CRT平均指数低于全国平均水平，呈现出从高到低分别是长江中游经济区、西南经济区、黄河中游经济区、东北经济区和西北经济区。造成这种趋势的原因可能是创新型人才向一线城市流动，导致资源、人才、研究经费等向沿海地区倾斜，另外由于内陆城市的地理位置特殊性，不利于通过海外合作交流的方式提高区域创新能力。

Figure 2. Trends in regional innovation capacity of China’s eight economic zones, 2011~2020

图2. 中国八大经济区2011~2020年区域创新能力变化趋势图

4.2. 面板固定效应回归模型

4.2.1. 多重共线性检验

考虑研究过程的完整性和可靠性，本文首先利用标准差标准化消除不同量纲对结果的影响，进一步通过方差膨胀因子对解释变量和控制变量进行多重共线性检验，各变量VIF值见表3，根据结果可知各变量的VIF值均小于10，可认为各变量之间不存在多重共线性。

4.2.2. 回归结果分析

基于以上分析和模型构建，研究过程中利用Stata软件分别构建多个基准回归模型，各回归模型结果见表4。其中，(1)~(3)列分别为普通最小二乘回归模型、随机效应回归模型、固定效应回归模型。Hausman

Table 3. Multicollinearity VIF test results

表3. 多重共线性VIF检验结果

VARIABLES	VIF	1/VIF
CRT	4.68	0.213631
PRHL	1.77	0.566477
OPEN	4.93	0.202706
FODA	1.12	0.890117
EMPL	2.23	0.447580
GOVE	2.00	0.500672
Mean VIF	2.79

Table 4. Benchmark regression model results

表4. 基准回归模型结果

VARIABLES	(1) OLS	(2) REM	(3) FEM
CRT	0.731^***	0.500^***	0.322^***
	(0.0504)	(9.46)	(6.14)
PRHL	−0.304^***	−0.346^***	−0.470^***
	(0.0310)	(−7.84)	(−10.01)
OPEN	−0.0393	0.091	0.003
	(0.0517)	(1.37)	(0.02)
FODA	0.106^***	0.122^***	0.089^***
	(0.0247)	(4.19)	(3.20)
EMPL	0.655^***	0.447^***	0.399^***
	(0.0348)	(11.73)	(10.88)
GOVE	−0.350^***	−0.064	0.050
	(0.0329)	(−1.40)	(1.19)
Constant	−0.000000543	0.120	0.119^**
	(0.0233)	(1.55)	(2.24)
Observations	310	310	310
Number of province	31	31	31
R-squared	0.836		0.553
Province	No	YES	YES
Year	YES	YES	YES

t-statistics in parentheses. ^***p < 0.01, ^**p < 0.05, ^*p < 0.1

检验统计量为106.47，且通过1%的显著性水平，拒绝随机效应与固定效应无差别的原假设，接受固定效应模型。因此本文选择面板数据固定效应模型对数据进行基准回归结果解释。

具体而言，在控制一系列变量后，区域创新能力(CRT)每增加一个单位，可提高经济协调发展(RECD) 0.322，并且由表4可知，第(1)列至第(3)列的系数均为正且显著，故可以认为区域创新能力对经济水平在1%的显著性水平下具有正向影响作用。进一步对控制变量进行分析可知，产业结构(PRHL)、基础设施建设(FODA)、生产劳动要素(EMPL)等对区域经济协调发展具有显著影响作用，通过合理优化产业结构、吸收高质量人才、完善基础设施建设能够有效促进区域经济协调发展。

4.2.3. 稳健性检验

为验证上述回归结果是否可靠，研究过程中通过逐步加入各控制变量、替换被解释变量和剔除部分样本的方法对模型进行稳健性检验，具体结果见表5和表6。

(1) 逐步加入控制变量

基于上文分析可知固定效应模型能够提高模型准确性，因此在进行稳健性检验时，同样以该模型为基础，通过逐步加入各控制变量进行稳健性分析，见表5。具体而言，在控制一系列变量之后，由第(1)列至第(6)列的数据可以看出，区域创新能力对于经济水平始终具有显著正向影响，说明前文实证结果是稳健的。

Table 5. Stepwise inclusion of control variables

表5. 逐步加入控制变量

	(1) RECD	(2) RECD	(3) RECD	(4) RECD	(5) RECD	(6) RECD
CRT	0.389^***	0.364^***	0.377^***	0.382^***	0.338^***	0.322^***
	(0.0652)	(0.0634)	(0.0629)	(0.0613)	(0.0509)	(0.0525)
PRHL		−0.168^***	−0.158^***	−0.112^***	−0.479^***	−0.470^***
		(0.0385)	(0.0383)	(0.0393)	(0.0464)	(0.0470)
OPEN			0.384^***	0.469^***	0.0543	0.00331
			(0.147)	(0.145)	(0.126)	(0.133)
FODA				0.127^***	0.0866^***	0.0886^***
				(0.0331)	(0.0276)	(0.0276)
EMPL					0.405^***	0.399^***
					(0.0364)	(0.0367)
GOVE						0.0504
						(0.0422)
_cons	0.00682	−0.0658	−0.0340	0.0665	0.0823^*	0.119^**
	(0.0435)	(0.0453)	(0.0464)	(0.0523)	(0.0433)	(0.0531)
R^2	0.236	0.287	0.304	0.341	0.551	0.553
adj. R^2	0.122	0.178	0.195	0.235	0.476	0.477
Province FE	YES	YES	YES	YES	YES	YES
Year FE	YES	YES	YES	YES	YES	YES
N	310	310	310	310	310	310

t-statistics in parentheses. ^***p < 0.01, ^**p < 0.05, ^*p < 0.1.

(2) 替换被解释变量

经济发展水平的衡量除了可以利用地区人均生产总值外，还可以利用居民可支配收入进行衡量。因此本文利用居民可支配收入(PCDI)作为替换被解释变量，用于上述回归结果的稳健性检验，根据表6第(1)列可知CRT对于PCDI在10%的显著性水平下具有正向影响作用，因此可以认为基准回归分析结果稳健。

(3) 剔除部分样本数据

为进一步对于结果稳健性进行检验，考虑样本数据分布对称性和均衡性，将原始样本数据分成2011-2015年、2016~2020年两个时间段，利用两段样本数据分别对面板固定效应回归模型进行估计，检验CRT对RECD的影响相对于时间变化和环境因素的扰动行是否具有稳健性。根据表6 (2)、(3)列所示的检验结果可知，模型核心解释变量对于RECD仍然具有正向影响作用，且通过10%的显著性水平检验，因此表明研究结果是稳健的。

Table 6. Test results of replacing explanatory variables and excluding some sample data

表6. 替换被解释变量和剔除部分样本数据检验结果

VARIABLES	(1) PCDI	(2) RECD (2011~2015)	(3) RECD (2016~2020)
CRT	0.101^*	0.162^***	0.183^*
	(0.0518)	(4.91)	(1.66)
PRHL	0.0604	−0.325^***	−0.449^***
	(0.0463)	(−6.45)	(−5.50)
OPEN	0.130	−0.123	−0.122
	(0.131)	(−1.19)	(−0.60)
FODA	−0.0547^**	0.041^*	0.076^*
	(0.0273)	(1.67)	(1.80)
EMPL	0.180^***	0.042	0.393^***
	(0.0362)	(0.65)	(6.38)
GOVE	0.117^***	0.008	0.226^*
	(0.0416)	(0.27)	(1.98)
Constant	−0.826^***	−0.070^**	0.193^***
	(0.0524)	(−2.09)	(4.00)
Observations	310	155	155
Number of provin	31	31	31
R-squared	0.940	0.436	0.446
Province FE	YES	YES	YES
Year FE	YES	YES	YES

t-statistics in parentheses. ^***p < 0.01, ^**p < 0.05, ^*p < 0.1.

4.3. 空间模型分析

为更直观地认识中国区域创新能力(CRT)与经济发展水平的空间状态和演化过程，研究过程中利用探索性空间数据分析法(ESDA)，借助Stata软件计算了CRT和RECD的全局莫兰指数和局部莫兰散点图，并且利用ArcGIS 10.8软件基于GTWR模型分析了各变量对于经济发展的空间动态变化影响。

4.3.1. 空间自相关特征

2011~2020年中国区域创新能力(CRT)和经济发展水平(RECD)的全局Moran指数(见表7)，对CRT的Moran’s I值进行分析可知，所有年份的Moran’s I值均为正值，除2020年外均在10%的显著性水平下通过检验，且Moran’s I值在0.12~0.29范围之内波动，表明中国各省份的创新能力呈现显著的空间正相关，即区域创新能力的时空演变分布并非相互独立变化，存在着地区间的空间溢出性。除此之外，对RECD的Moran’s I值进行分析可知，所有Moran’s I值均为正值，除2012、2013、2014及2015年外其余年份的P值均小于0.1，表明在10%的显著性水平下通过检验，其中Moran’s I最大值为2017年的0.237，最小值为2014年的0.133，因此可认为中国各省份经济发展水平与周边区域存在显著的正相关关系，具有空间溢出效应。

Table 7. Global Moran index for CRT and RECD, 2011~2020

表7. 2011~2020年CRT和RECD的全局莫兰指数

Year	CRT			RECD
	I	z	p-value^*	I	z	p-value^*
2011	0.224	1.734	0.041	0.179	1.405	0.080
2012	0.290	2.189	0.014	0.160	1.277	0.101
2013	0.277	2.101	0.018	0.147	1.190	0.117
2014	0.286	2.160	0.015	0.133	1.095	0.137
2015	0.184	1.474	0.070	0.141	1.148	0.125
2016	0.280	2.126	0.017	0.210	1.611	0.054
2017	0.252	1.945	0.026	0.237	1.797	0.036
2018	0.198	1.591	0.056	0.224	1.708	0.044
2019	0.175	1.434	0.076	0.173	1.381	0.084
2020	0.129	1.128	0.130	0.201	1.574	0.058

t-statistics in parentheses. ^***p < 0.01, ^**p < 0.05, ^*p < 0.1.

4.3.2. 局部莫兰指数

为进一步分析CRT和RECD的空间聚集模式，本文基于样本数据和空间权重矩阵绘制了2011年和2020年CRT和RECD的局部Moran指数散点图(见图3和图4)。从散点图的空间分布来看，各省份的创新能力和经济发展水平主要分布在第一、三象限，呈现出“高–高”“低–低”聚集的形态，在局部空间上具有较强的正向促进效果。从整体上看，CRT和RECD中以江苏、浙江、山东、上海等省市为主的沿海城市更倾向于第一象限，以云南、广西、甘肃、海南等省市为主的内陆城市更倾向于第三象限，CRT和RECD的大小正相关，即两者之间具有一定的同向关联性。

4.3.3. GTWR模型

上述分析证明CRT与RECD之间存在空间上的正向相关关系，为了研究二者之间的影响大小，研究过程中基于GTWR模型探究不同变量对于RECD的方向和强度。模型具体结果见表8，其中调整的R²为0.981，这表明模型拟合程度很高并且回归模型具有很强的解释力。因此，模型结果可以有效地阐明各变量影响关系上的空间异质性。图5描绘了关键解释变量对RECD影响的回归系数空间分布。

CRT对RECD的影响存在正向趋势，且时空差异性增强(见图5)。从时间角度分析可知2020年的平均回归系数为3.488，大于2011年的平均回归系数1.938，这表明随着区域创新能力对于经济发展的重要

Figure 3. Localized Moran diagram of regional innovation capacity in 2011 and 2020

图3. 2011年和2020年区域创新能力的局部莫兰图

Figure 4. Localized Moran diagram of the capacity for coordinated economic development of regions in 2011 and 2020

图4. 2011年和2020年各地区经济协调发展能力的局部莫兰图

Table 8. Optimal parameter selection for the GTWR model

表8. GTWR模型的最优参数选择

Residual Squares	Sigma	AICC	R^2	R^2 Adjusted	Spatio-temporal Distance Ratio
5.64817	0.134981	−91.2019	0.98178	0.981419	0.9149

性随着时间变化不断增大；从空间格局分析可知，回归系数从西到东逐渐增大，2011年CRT对RECD的正向影响主要集中于黑龙江、吉林及重庆地区，而新疆、西藏等地区的CRT对RECD具有负向影响作用。2020年广东、福建及东北经济区的CRT对于经济协调发展具有较强的正向影响，除内蒙古外的大西北经济区和西南经济区的西藏和四川对与RECD的影响最小。造成这种区域差异性的原因可能是沿海及东北经济区集中于技术密集型产业，而西南、西北经济区则是资源型产业集中的地区，并且在沿海等地拥有丰富的创新人才和技术资源。

5. 结论与政策建议

5.1. 结论

基于2011~2020年中国31省(市、区)数据，本文利用固定回归效应模型(FEM)、探索性空间分析法

注：基于自然资源部标准地图服务网站审图号为GS(2022) 4301号的标准地图制作，底图无修改。

Figure 5. Variation of regression coefficients of CRT on RECD

图5. CRT对RECD的回归系数变化图

(ESDA)和时空地理加权回归模型(GTWR)等研究方法，从中国经济八大区角度分析了区域创新能力和经济协调发展之间的相关性，主要得出几个重要结论：(1) 2011~2020年全国平均创新能力呈现小幅度波动下降趋势，从空间格局分析可知沿海经济区的创新能力高于全国平均水平，而西北经济区、东北经济区及黄河中游经济区的CRT指数与全国平均水平相差较大。(2) 通过固定效应模型发现创新能力(CRT)、基础设施建设(FODA)、生产劳动要素(EMPL)对与经济协调发展具有显著正向影响，相反，产业结构(PRHL)对于经济协调发展具有显著抑制作用，该结论在逐步加入控制变量、替换被解释变量等情况下回归结果依然稳健。(3) 创新能力与经济协调发展在省域间具有显著正向的空间溢出性，通过局部莫兰散点图可以看出，CRT和RECD主要表现出“高–高”“低–低”的空间聚集特征。(4) 通过建立GTWR模型，实证检验了CRT对RECD影响的强度和方向的时空变化，由模型结果可知，CRT对RECD的正向影响作用由2011年的1.938增加到2020年的3.488，时空平衡性增强，从空间格局上东北经济区的正向影响程度最大，而西北经济区的正向影响效果最小。

5.2. 政策建议

中国区域经济协调发展是中国政府长期以来的发展战略之一，旨在减少不同地区之间的经济发展差距，实现全国范围内的经济协调和可持续发展。作为经济协调发展的核心要素，创新能力是推动产业升级和经济增长的关键。因此，基于本文研究结果，我们提出以下的政策措施：

(1) 加强高新技术产业研发投入，建立创新生态系统。由于创新能力对于经济协调发展具有正向影响作用，企业与有关政府可以通过建立创新基金、提供研发补贴、减免研发项目相关税收等措施确保研发过程中的资金支持，鼓励高新技术产业的研发活动。与此同时，应大力发展地区创新生态系统，加强研究机构、高校、企业和政府部门之间的密切合作。建立科技园区、孵化器和创新中心，以促进知识和技术的流动。

(2) 推动产业数字化转型，构建优势互补的区域发展格局。改革开放以来由于各经济区的地理位置、资源分布、人口流动等原因，区域创新能力和经济协调发展水平都存在这不可忽视的空间溢出性。各级政府在大力促进生产流程、物流、市场分析和供应链管理数字化的同时，还需要充分考虑沿海及东部地区科技创新资源聚集优势，西部地区的地理和成本优势，加强省域之间合作交流，引导先进科学技术从东部地区向中、西部地区有序转移，在整体经济提升中推动各地区平衡发展，逐步缩小区域发展差距。

(3) 优化知识产权保护机制，确保关键核心技术自主可控。知识产权保护能够确保创新者合法地享有其研发和创作成果的权益，政府要不断完善法律法规，提高知识产权的注册和保护效率，加强知识产权的执法力度。与此同时，尽管我国在信息技术、人工智能及新能源等行业已经逐渐崛起，成为全球领先者，但与欧美等发达地区相比仍然具有一定的差距，关键核心技术存在短板和缺失，因此未来中国在积极参与国际合作项目的同时，需要合理利用国际知识产权体系，确保关键核心技术的自主控制。

综上所述，本文将时间和空间地理纳入考虑范围，利用空间统计模型对省域面板数据进行分析，阐述了区域创新能力与经济协调发展的时空效应。通过研究区域创新能力与经济协调发展的相关性，拓展了研究视角并为后续研究提供参考。然而由于研究数据的不可获取性，本文研究存在一定的局限。例如，由于部分变量数据缺失，研究采用宏观层面的省级数据进行分析，并且时间跨度相对较小，未来的研究重点应从县域数据视角分析CRT的区域差异。