中国省域创新能力空间影响因素的实证研究

中国省域创新能力空间影响因素的实证研究

空间数据特性与区域创新模式具有关联性长期以来，在占主导地位的经济理论中，空间事物没有相关性，缺乏均匀性假设的限制，而忽视空间效应的普通最小二乘法（ols）模型的估计往往存在风险。模型的定义和应用往往不充分，这意味着经济研究的结果和结论不完整、科学，以及缺乏充分的解释能力（吴玉明，2005）。经典计量经济学中的线性回归模型的经典假定,以及回归模型的系数β是一个常数假定,面对异常复杂的经济系统和因素变量之间的交互影响,尤其是碰到横截面数据之间存在空间自相关性和空间异质性时,经典计量的线性回归模型就显得有些力不从心,需要发展新的方法来弥补这种不足。空间计量经济学(Anselin,1988)理论认为,一个地区空间单元上的某种经济地理现象或某一属性值与邻近地区空间单元上同一现象或属性值是相关的。几乎所有的空间数据都具有空间依赖性或空间自相关性的特征,空间依赖的存在打破了大多数经典统计和计量分析中相互独立的基本假设。也就是说,各区域之间的数据存在与时间序列相关、相对应的空间相关。并空间统计和空间计量经济方法是在继承和发展完善经典统计和计量方法的基础上,将经典统计和计量方法应用于与地理位置及空间交互作用相关的地理空间数据,通过地理位置与空间联系建立的统计与计量关系,以统计和计量方法识别和度量空间变动的规律与空间模式的决定因素。创新行为、创新过程和创新集群及其与区域经济增长的关系是目前区域经济发展研究的一个重要领域。创新的空间集群是区域创新一个异常明显的现象,如美国硅谷和波士顿128号公路两个著名高新区,就是产业集群和创新空间集群的典型案例。区域创新指区域内整体的创新内容,包括制度创新、组织创新、技术创新等多方面(王缉慈等,2001)。当然,我们认为,还包括作为技术创新源头的知识创新。纵观国内现有科技发展和区域创新方面的研究成果发现,大多数研究集中于技术创新或者区域创新系统、创新能力或绩效的综合评价与比较等方面(中国科技发展战略研究小组,2004;官建成、何颖,2005)。从区域创新的主体出发,通过建立理论和计量模型,测算研发机构与区域创新活动之间的相互作用机制与科研机构、大学、企业等主体对区域创新产出的贡献方面的研究显得非常不足。本文主要运用包括北京的全国2000年研发经费清查数据及2000～2003年的地区专利授权数数据,对全国31个省域的科研机构、大学与企业等研发投入、人力资本与区域创新产出进行定量研究,试图回答以下几个问题:第一,对中国31个省域的研发和创新产出,将知识生产函数和空间计量经济学的三种主要模型结合起来,测算和估计我国省域科研机构、大学企业研发经费投入对地区创新产出的贡献;第二,研究大学与企业的结合是否有利于省域创新活动;第三,考察人力资本对省域创新产出的影响。一、研究中的理论基础和模式方法1.创新的经济知识在理论支撑方面,除了新经济(内生增长)增长理论中的人力资本、“边干边学”和研究与开发(R&D)模型及新经济地理学理论以外,以下有关对知识和创新的认识和理论来源,是研发与区域创新认识和研究的重要理论基础。(1)知识生产函数。知识生产函数(KnowledgeProductionFunction,KPF)是目前国际上研究知识生产和技术创新与区域创新及其决定因素的重要理论模型。知识生产函数将创新的产出和创新投入联系起来,认为研究与开发经费投入和人力投入是知识生产和创新的主要投入,通过这种投入可以生产出新的经济有价值的知识。目前,国外已有不少利用知识生产函数进行创新、研发以及技术(知识)溢出研究的成果(Griliches,1979、1986;Acs等,1992;Feldman,1994;Anselin等,1997;Blind和Grupp,1999;Bode,2004)。研究技术变化的主流理论模型是Griliches(1979)提出的知识生产函数模型。模型中最重要的投入(变量)是新的有用的经济知识。知识创造和科技的绩效是一个内生变量,正如Cohen和Klepper(1991、1992)所指出的那样,创造新经济知识的最大投入通常是R&D,其他的输入变量包括人力资本、熟练劳动力、教育水平等。知识生产函数把创新投入和创新的产出联系起来,大量实证研究结果发现,作为一个经验模型,知识生产函数确实存在,而且在知识和创新研究中是一个很好的统计模型,并为大多数经验研究所证实(Anselin等,1997;Blind和Grupp,1999;Bode,2004)。(2)创新的空间集群与知识的局域溢出。随着知识创新和知识生产函数理论的逐渐被人接受,区域发展研究的一个新方向是把技术知识溢出局域化为经济主体(尤其是高技术公司)在地理空间上集群的基本力量,原因主要是经济主体之间在一个特殊的地区交流比要穿过不同的地区交流更容易、更有效。尽管全球化和技术水平的提高使得较远距离的空间货物运输和信息传递成本降低,但是地理距离对经济增长的影响并未消失。一些信息的传递还要依赖于人员和事物的流动,大多数的生产和服务还需要人们面对面的交流,而且人员流动的成本远比运输货物的成本要高得多,尤其是对于发展中的国家和地区的经济发展而言,距离对货物运输、人员流动及信息传递的影响仍然存在。虽然与以往相比劳动力的流动要容易一些,但新世纪劳动力在地理空间上的流动性仍然还受到很大限制(Cheshire,Malecki,2004)。人们也许感觉到经济体可以以一个很小的成本获得来自远方的知识。然而,如果每个人在任何地方都可以以一个很小的成本得到信息,而不是知识。那么,知识在一个很大的范围里是暗含在它的特质中,是嵌入在人力资本里随时间而累积的。这种类型的知识的溢出需要边干边学(LearningbyDoing),需要研发人员个体之间面对面的接触和公司之间在地理上邻近和容易到达,因此,知识传播的成本是随距离的增大而增加的。更确切地说,隐性知识(TacitKnowledge)对公司和地理区位是有粘性的(Sticky),在不计成本的情况下无法轻易传播。所以为了充分利用知识,发挥知识的扩散效应,个体和公司与知识创新的特定源地的邻近是非常重要的。R&D活动和创新集聚在一定的地域空间,就是为什么在不同地理区位上存在科技差异的原因。2.k创新活动的地理区位基于由Griliches—Jaffe提出的知识生产函数是对研究与开发(R&D)活动带来的创新和技术溢出过程进行计量分析常用的理论框架。这种形式的生产函数已由为数不少的经验研究所证明(Audrestch,1998;Audrestch,Feldman,1996;Bode,2004)。一般而言,R&D投资行为是一个地区在创新过程中产生新知识的基本投入,即K=f(R)(1)式中,K为新的经济有价值的知识,R为研究与开发资源投入。为了研究K和R之间的关系,已进行了大量的经验研究。显而易见,K作为创新和研发活动的产出不易直接观测到,因而需要借助于一些指标来代替K。专利是目前文献中国内外研究者最常用的一项指标。为了分析地理邻近性在创新活动中的重要性及捕获科技外部性的扩散作用,Jaffe(1989)修正了Griliches提出的知识生产函数,并引进了空间维度和大学研究。他所观测的单元不仅仅限于企业,而扩展到了空间区域(Audrestch,1998)。基于以上认识,分析中国不同省域的研发与开发投入水平是如何影响其创新行为的就显得非常有价值。为此,本文拟采用Griliches(1979、1986)和Jaffe(1989)提出的标准的知识生产函数,经过修正的在文献上称之为Griliches-Jaffe知识生产函数的柯布—道格拉斯(Cobb-Douglas)形式为:Ki=RD∂1iZ∂2iei(2)式中,K为创新生产;RD为R&D支出;Z为一系列经济社会变量,譬如人力资本;e为随机扰动项;i为观测单元(本文为省域)。Griliches-Jaffe生产函数是基于这样一个假设:即一个地区的大学研究对同一个地区的专利的正面影响显示了地理媒介溢出的存在,以及没有区分科技转移形式的某种科技外部性的存在。这样,在该模型中创新活动与地理空间有关。值得一提的是,Acs等(1992),Feldman(1994),Anselin等(1997),Blind和Grupp(1999)及Bode(2004)等的研究,都着眼于分析地理上的局域溢出及创新产出区位的决定因素。根据中国省域研究与开发经费投入的实际情况,我们将研发经费投入从国外普遍使用的大学和企业扩展到科研机构,使用知识生产函数来度量全国省域科研机构、大学、企业研发与区域创新之间的投入产出关系。二、建立空间计量经济模型根据空间统计和空间计量经济学原理方法,笔者认为,进行空间计量经济分析的基本思路应该是,首先采用空间统计分析Moran指数法检验因变量(被解释变量)是否存在空间自相关性,如果存在,则需要在空间计量经济学理论方法支持下,建立空间计量经济模型,进行空间计量估计和检验。1.空间数据的邻接空间权值矩阵检验区域经济变量的空间相关性存在与否,空间统计学一般使用空间统计量——空间自相关指数MoranI。MoranI定义为:ΜoranΙ=n∑i=1n∑j=1Wij(Yi-ˉY)(Yj-ˉY)S2n∑i=1n∑j=1WijMoranI=∑i=1n∑j=1nWij(Yi−Y¯¯¯)(Yj−Y¯¯¯)S2∑i=1n∑j=1nWij(3)式中S2=1nS2=1nn∑i=1∑i=1n(Yi-ˉY)‚ˉY=1nn∑i=1Yi,表示第i地区的观测值,n为地区总数,Wij为二进制的邻接空间权值矩阵,表示其中的任一元素,采用邻接标准或距离标准,其目的是定义空间对象的相互邻接关系。根据空间数据的分布可以计算正态分布MoranI的期望值式中,w0=n∑i=1n∑j=1wij‚w1=12n∑i=1n∑j=1(wij+wji)2,w2=n∑i=1(wi·+w·j)2,wi·和w·j分别为空间权值矩阵中i行和j列之和。用式(5)可以检验n个区域是否存在空间自相关关系。Ζ(d)=ΜoranΙ-E(Ι)√VAR(Ι)(5)2.空间自相关模型与slm、sem模型的关系空间计量经济学模型有多种(Anselin等,2004)。本文使用的空间计量经济模型主要是纳入了空间效应(空间相关和空间差异)的空间常系数回归模型,包括空间滞后模型(SpatialLagModel,SLM)与空间误差模型(SpatialErrorModel,SEM)两种,以及空间变系数回归模型——地理加权回归模型(GeographicalWeightedRegression,GWR)。(1)空间常系数回归模型。①空间滞后模型(SpatialLagModel,SLM)主要是探讨各变量在一地区是否有扩散现象(溢出效应)。其模型表达式为:y=ρWy+Xβ+ε(6)式中,y为因变量;X为n×k的外生解释变量矩阵;ρ为空间回归关系数;W为n×n阶的空间权值矩阵,一般用邻接矩阵(ContiguityMatrix);Wy为空间滞后因变量,ε为随机误差项向量;②空间误差模型(SpatialErrorModel,SEM)的数学表达式为:y=Xβ+εε=λWε+μ(7)式中,ε为随机误差项向量;λ为n×1的截面因变量向量的空间误差系数;μ为正态分布的随机误差向量。参数λ衡量了样本观察值中的空间依赖作用,即相邻地区的观察值y对本地区观察值y的影响方向和程度,参数β反映了自变量X对因变量y的影响。SEM的空间依赖作用存在于扰动误差项之中,度量了邻接地区关于因变量的误差冲击对本地区观察值的影响程度;③估计技术。对于上述两种模型的估计如果仍采用最小二乘法(OLS),系数估计值会有偏或者无效,需要通过工具变量法、极大似然法或广义最小二乘估计等其他方法来进行估计。Anselin(1988)建议采用极大似然法估计空间滞后模型(SLM)和空间误差模型(SEM)的参数;④空间自相关检验与SLM、SEM的选择。判断地区间经济行为的空间相关性是否存在,一般通过包括MoranI检验、两个拉格朗日乘数(LagrangeMultiplier)形式LMERR、LMLAG和稳健(Robust)的R-LMERR、R-LMLAG等来进行。由于事先无法根据先验经验推断在SLM和SEM模型中是否存在空间依赖性,有必要构建一种判别准则,以决定哪种空间模型更加符合客观实际。Anselin等(2004)提出了如下判别准则:如果在空间依赖性的检验中发现,LMLAG较之LMERR在统计上更加显著,且R-LMLAG显著而R-LMERR不显著,则可以断定适合的模型是空间滞后模型;相反,如果LMERR比LMLAG在统计上更加显著,且R-LMERR显著而R-LMLAG不显著,则可以断定空间误差模型是恰当的模型。除了拟合优度R2检验以外,常用的检验准则还有自然对数似然函数值(Loglikelihood,LogL),似然比率(LikelihoodRatio,LR),赤池信息准则(Akaikeinformationcriterion,AIC),施瓦茨准则(Schwartzcriterion,SC)。对数似然值越大,似然率越小,AIC和SC值越小,模型拟合效果越好。这几个指标也用来比较OLS估计的经典线性回归模型和SLM、SEM,似然值的自然对数最大的模型最好。(2)空间变系数回归模型。当用横截面数据建立计量经济学模型时,由于这种数据在空间上表现出的复杂性、自相关性和变异性,使得解释变量对被解释变量的影响在不同区域之间可能是不同的,假定区域之间的经济行为在空间上具有异质性的差异可能更加符合现实。空间变系数回归模型(SpatialVarying-CoefficientRegressionModel)中的地理加权回归模型(GeographicalWeightedRegression,GWR)是一种解决这种问题的有效方法。假定我们有i=1,2,…,m、j=1,2,…,n的系列解释变量观测值{xij}及系列被解释变量{yj},经典的全域(Global)线性回归模型如式(8)所示。yi=β0+n∑j=1xijβj+εii=1‚2‚⋯‚m(8)在模型(8)中,ε为整个回归模型的随机误差项,满足球形扰动假设,回归系数β被假定为一个常数。模型参数βj的估计一般采用普通最小二乘(OLS)法。地理加权回归模型是一种相对简单的回归估计技术,它扩展了普通线性回归模型(8)。在扩展的GWR模型中,特定区位的回归系数不再是利用全部信息获得的假定常数β0,而是利用邻近观测值的子样本数据信息进行局域(Local)回归估计而得的、随着空间上局部地理位置i变化而变化的变数βj,GWR模型可以表示为:yi=β0(ui,vi)+k∑j=1βk(ui,vi)xij+εi(9)式中,系数βj的下标j表示与观测值联系的m×1阶待估计参数向量,是关于地理位置(ui,vi)的k+1元函数。GWR可以对每个观测值估计出k个参数向量的估计值,ε是第i个区域的随机误差,满足零均值、同方差、相互独立等球形扰动假定。实际上,模型(9)可以表示为在每个区域都有一个对应的估计函数,其对数似然函数可以表示为:logL=L[β0(u,v),⋯,βk(u,v)|Μ]=-12σ2n∑i=1[yi-β0(ui,vi)-k∑j=1βk(ui‚vi)xi]2+α(10)式中α为常数,M=[yi,xij,(ui,vi),i=1,2,…,n,j=1,2,…,k]。由于极大似然法(ML)的解不是惟一的,Hastie和Tibshirani(1993)认为,用该方法求解是不恰当的。他们提出了用局域法求解获得ˆβj。ˆβj=(X′W2X)-1(X′W2Y)(11)式中,Wij为空间权值矩阵。ˆβj(j=1,2,⋯,k)的GWR估计值是随着Wij的变化而变化的,Wij的选择至关重要,一般由观测值的空间(经纬度)坐标决定。实际研究中常用的空间距离权值Wij计算公式有高斯距离权值(GaussianDistance)、指数距离权值(ExponentialDistance)、三次方距离权值(TricubeDistance)等。三、区域间科技创新能力的度量指标考虑到创新从投入到产出需要经过一定时期的滞后,一般的研究都假设了滞后时间,有的选择一年,有的选择两年。为了检验这一假设,本文实证分析中所用的样本包括除了香港、澳门特别行政区和台湾省的中国大陆31个省、自治区、直辖市,简称为省域,创新产出基础数据主要来源于2001、2002、2003、2004年度的《中国统计年鉴》,而创新投入则来源于2001年的《中国统计年鉴》。使用的变量度量具体说明如下:①创新产出(I)。目前,大多数研究人员(Jaffe,1989;AnselinBode,2004;Bottazzi和Peri,2003;官建成、何颖,2005)把专利作为创新产出的度量指标。由于专利比较接近创新的商业应用和专利数据能比较全面地反映各地区发明和创新信息(Archibugi,1998),故专利是常用来衡量地区创新能力和创新产出的指标。遵循一般做法(刘顺忠、官建成,2002;Bode,2004),本文采用各个省域每十万人口拥有的专利授权数作为衡量各省域创新产出的基本指标;②研究与发展(R&D)经费支出。研究与试验发展(R&D)是科技活动中最能体现创新能力的活动。本文选择了2000年各省域研究与试验发展(R&D)经费内部支出的清查数据,主要包括科研机构、高等院校、微观企业R&D经费。本文计算了科研机构(S)、高等院校(U)、微观企业(E)R&D支出经费占各省域GDP的比例,作为区域创新系统中资金投入的一个度量指标;③人力资本。区域创新与当地的人力资本的存量关联密切。一般认为,人口数量并不是影响知识生产和区域创新的一个重要因素,但创新能力强的地区往往拥有较多的人口。实际上,人口数量多寡并不是问题的实质,而是区域创新需要拥有在众多人口背后蕴藏的大量的有一定知识和技能(包括熟练劳动力)的人力资本。为此,本文对标准知识生产函数所作的一个改进就是加入人力资本变量,主要考虑到大多数的科技创新活动都是在教育水平比较高的地区产生的,因此我们引入了每十万人拥有大专以上受教育程度人口(H),作为一个地区拥有人力资本的一个替代;④研究与试验发展(R&D)人员投入。R&D人员是一个地区从事科技活动具有直接创新产出能力的主体,因此,我们选取了区域万人大中型工业企业科学家工程师全时当量(Exp)作为区域创新系统中人员投入的一个重要指标。设计这个指标主要是为了计算其与高等院校研究与试验发展(R&D)经费内部支出额的乘积,衡量大学研发与企业投入的结合是否促进区域创新产出的增加。四、综合分析的结果1.国际公策的空间相关分析根据知识生产函数的建模原理,本文以十万人专利授权数(I)代表创新产出,为被解释变量,以科研机构(S)、大学(U)、企业(E)R&D投入占GDP的比例,万人大中型工业企业科学家工程师全时当量(Exp)与大学R&D占GDP比重的乘积(U×Exp)、每十万人拥有大专以上受教育程度人口(H)为解释变量,建立了双对数线性的知识生产函数模型为:logIi=β0+β1logS+β2logU+β3logE+β4logH+β5logU×Exp+εi式中,β为回归参数,i为1,2,…,31个省域,ε为随机误差项。为了验证创新投入产出的滞后性假设,我们以2000、2001、2002、2003年I分别作为被解释变量,以2000年的S、U、E、H和U×Exp分别作为解释变量,首先进行OLS估计,结果发现,滞后二阶的模型估计结果拟合度比较好,因此以2002年的I为被解释变量的OLS估计结果如表1所示。(1)空间自相关性检验。首先检测2002年中国31个省域创新产出在地理空间上的相关性即空间相互依赖性。区域专利(对数)的Moran指数为0.3600,MoranI的正态统计量Z值均大于正态分布函数在0.01水平下的临界值(1.96),表明中国31个省、直辖市和自治区的专利数在空间分布上具有明显的正自相关关系(空间依赖性),说明全国各省域创新的空间分布并非表现出完全随机状态,而是表现出相似值之间的空间集群(Clustering),正的空间相关代表相邻地区的特性类似的空间联系结构,即具有较高产出的省域相对地趋于和较高创新的省域相靠近,较低产出的省域相对地趋于和较低产出的省域相邻。因此,从整体上讲省域之间的创新是存在空间相关性的,也就是说,存在着空间上明显的集群现象。因此,有必要在使用省域数据进行研发与创新研究时考虑纳入空间依赖性的空间计量经济模型进行估计。(2)空间计量经济估计与分析。空间相关分析已经定量证明了中国省域创新产出具有空间相关性,需要采用空间计量经济模型进行估计。为此,以下的思路是,以中国大陆31个省域为空间单元,进行省域创新的空间计量经济检验和估计,当然,为了比较,先进行了OLS估计。首先进行普通最小二乘(OLS)法的估计,以及通过Moran指数检验、两个拉格朗日乘数来判断空间计量经济学模型SLM和SEM的形式,结果见表1。利用极大似然估计(ML)的参数估计结果如表2所示。由表1可知,OLS估计的31个省域创新函数的拟合优度达到71.26%,F值为15.8745,模型整体上通过了1%水平的显著性检验。变量的显著性检验显示,大学和企业研发投入的回归系数符号均为正,与我们的预期基本一致,但是科研机构、大学研发投入未能通过5%的变量显著性检验,大学与企业的结合系数亦未能通过5%的显著性检验,而企业研发和人力资本则分别通过了5%和1%水平的变量显著性检验,说明它们对创新产出有显著的正效应。如果不考虑省域创新之间的相互作用,我们的分析也就到此为止了。但由于前述的空间统计的Moran指数检验已经证明了31个省域的创新产出之间具有明显的空间自相关性,说明忽视空间自相关性直接采用OLS法建立模型进行估计分析存在一定问题,出现这种问题的原因可能有两个:一是遗漏了重要的变量;二是模型设定有问题,如未能考虑截面单元(省域)之间的空间相关性。为了进一步验证空间自相关性的存在,由表1中的Moran指数检验、两个拉格朗日乘数的空间依赖性检验结果显示,Moran指数(误差)检验表明,经典回归误差的空间依赖性(相关性)非常明显(显著性水平为2.09%)。同时为了区分是内生的空间滞后还是空间误差自相关,根据前面介绍的判别准则,表1中的拉格朗日乘子误差和滞后及其稳健性检验表明,LMERR仅仅通过了10%水平的显著性检验,LMLAG、R-LMERR、R-LMLAG均未能通过10%水平的显著性检验,比较SLM和SEM模型对数似然函数值LogL、AIC和SC值、LogL、LR,相对而言,SEM模型相对更好一些。当然,这种判断不是特别严格,为此我们同时给出了SLM和SEM的估计结果见表2。比较表1和表2的检验结果发现,空间滞后模型和空间误差模型的拟合优度检验值均高于OLS模型,当然,由于采用ML法估计参数,基于残差平方和分解的拟合优度检验的意义不是很大,为此,比较对数似然函数值LogL、AIC和SC值就会发现,SEM的LogL值(-22.1243)最大,极大似然比率也未能通过5%水平的显著性检验,因此SEM模型均比OLS估计的模型要好。由此可见,基于OLS法的经典线性回归模型由于遗漏了空间误差自相关性而设定的模型不够恰当。这也验证了这样的观点:省域之间的创新产出都不可能没有关系。以往的研究大多假定地区之间相互独立,导致了基于OLS法估计结果及推论可能不够可靠,需要通过引入空间差异性和空间依赖性对经典的线性模型进行修正。当然,由于OLS、SLM和SEM模型均为全域(Global)估计,其回归系数整体上被假定为一个常数,无法揭示局域(Local)各个省域的因素对局域创新产出的影响。为了解决这个问题,我们采用地理加权回归模型(GWR)、采用加权最小二乘法(WLS)来进行局域估计,经过对2000～2003年的创新产出变量I为被解释变量的多次建模分析比较,结果发现滞后二阶的GWR模型是合适的模型。以高斯(Gaussian)、指数(Exponential)和三次方(Tricube)距离为权值的GWR估计模型的参数估计值结果显示,高斯距离和三次方距离两种模型的估计结果在各省域上基本一致,故表3报告了31个省域以高斯距离估计的局域回归系数估计值。在高斯距离估计的GWR模型中,调整后的R2=0.8068,高于OLS、SLM、SEM全域估计值(0.7126、0.7757、0.7966),这表明考虑了地理空间位置的地理加权回归模型的整体拟合效果要优于OLS、SLM、SEM全域估计模型,假定回归系数β固定不变是不完全符合空间和地理邻近性发挥作用的区域创新实践的,也就是说,中国31个省域的创新产出能力在空间上具有异质性的差异。表3显示,整体来看,在影响中国31个省域创新产出的因素中,S和U未能通过5%水平的变量显著性检验,表明科研机构和大学研发对区域创新产出的贡献不明显;企业研发除了广西、重庆、四川、贵州、云南、西藏以及陕西、甘肃、青海、宁夏、新疆等西南和西北省域外,均通过了5%水平的显著性检验,也就是说,上海、浙江、江苏、天津、北京、河北、福建、广东、海南等沿海省域,黑龙江、吉林、辽宁、内蒙古等老工业基地,安徽、江西、河南、山西、湖南、湖北等中部地区的研发投入对创新具有明显的贡献,而人力资本在所有因素中具有最好的表现,全部31个省域均通过了1%水平的显著性检验。此外,大学与企业的结合5%水平下不显著,没有有效地促进区域创新产出。2.企业研发和人力资本成为区域创新的主导地位企业研发支出反映了企业对创新活动的重视程度和研发资金投入的强度,其与专利之间的显著正相关关系表明,企业的研究与试验发展经费支出对技术创新和产品开发活动具有显著的贡献,企业研发经费(对数)支出每增长1%,将使得除了广西、贵州、陕西、重庆、云南、四川、宁夏、西藏、甘肃、青海、新疆、西南和西北地区的省域以外的十万人专利授权量(对数)增长约0.55%～0.83%,相对于科研机构和大学的研发支出对专利的影响不明显,说明企业作为我国各个地区的创新主体,承担着专利创新和将技术转化平台的主要角色,在区域创新活动中居于主导地位。人力资本与创新的回归系数在1.02～1.38,对区域创新产出具有最高的贡献,人力资本(对数)支出每增长1%,将使得所有省域(对数)增长约1.02%～1.38%,表明创新活动离不开掌握并积累了一定技能的劳动力以及受到良好教育的人力资本的支撑。模拟结果表明,即使控制了其他一些变量以及区域异质性差异对区域创新产出的影响,在区域创新产出活动空间集群倾向和相互作用中,企业研发和人力资本是省域创新产出最重要的投入,而科研机构、大学研发没有发挥应有的作用,大学和企业的结合也没有发挥应有的作用。但值得注意的是,人力资本变量由于累积的知识和技能进而通过发挥知识溢出机制影响区域创新行为。五、中央和地方政府的投入和管理经费投入本文介绍并利用空间计量经济学模型的常系数空间滞后模型、空间误差模型方法及变系数地理加权回归模型(GWR)方法,在知识生产函数框架下,利用这种方法着重对大学研究、企业研发投入对省域创新产出的作用和影响机制进行了计量检验,并通过与普通最小二乘法(OLS)