基于ESDA与CSDA的城市创新能力空间格局与驱动因素剖析

基于ESDA与CSDA的城市创新能力空间格局与驱动因素剖析一、引言1.1研究背景与意义1.1.1研究背景在全球经济一体化和知识经济蓬勃发展的时代背景下，创新已成为推动城市发展的核心驱动力。创新不仅能够促进城市产业结构的优化升级，提升城市的经济发展质量和效益，还能增强城市的综合竞争力，使其在激烈的全球竞争中占据优势地位。例如，深圳凭借持续的创新能力，从一个小渔村崛起为全球知名的科技和创新中心，其高新技术产业蓬勃发展，吸引了大量的人才和资本，城市经济实现了跨越式增长。城市作为区域经济发展的核心载体，其创新能力的高低直接影响着区域的经济发展水平和创新活力。不同城市在创新资源、创新环境、创新主体等方面存在显著差异，这些差异导致城市创新能力呈现出不同的空间分布特征。深入研究城市创新能力的空间分布及其影响因素，有助于揭示城市创新发展的规律和机制，为城市制定科学合理的创新发展战略提供理论依据和实践指导。同时，随着地理信息技术和空间分析方法的不断发展，探索性空间数据分析（ESDA）和复杂网络空间数据分析（CSDA）等方法为研究城市创新能力的空间分布及影响因素提供了新的视角和工具。ESDA能够揭示空间数据的分布特征和空间自相关关系，CSDA则可以从复杂网络的角度分析城市之间的创新联系和相互作用。运用这些方法，可以更加全面、深入地了解城市创新能力的空间格局和演变规律，以及影响城市创新能力的关键因素。1.1.2研究意义从理论层面来看，本研究有助于丰富和完善城市创新能力的研究体系。目前，关于城市创新能力的研究主要集中在创新能力的评价指标体系构建、创新能力对经济增长的影响等方面，而对城市创新能力的空间分布及影响因素的研究相对较少。本研究运用ESDA和CSDA方法，深入探讨城市创新能力的空间分布特征及其影响因素，能够拓展城市创新能力研究的领域和深度，为相关理论的发展提供实证支持。在实践意义方面，研究城市创新能力的空间分布及影响因素，能够为城市制定创新发展政策提供科学依据。通过分析不同城市创新能力的空间差异及其影响因素，政府可以有针对性地采取措施，优化创新资源配置，改善创新环境，加强城市之间的创新合作与协同发展，从而提升城市整体的创新能力和竞争力。此外，本研究结果对于区域经济发展规划的制定、产业布局的优化以及城市创新生态系统的构建等方面也具有重要的参考价值。1.2研究内容与方法1.2.1研究内容本研究主要围绕城市创新能力的空间分布及其影响因素展开，具体内容如下：城市创新能力评价指标体系构建：在梳理相关理论和研究成果的基础上，从创新投入、创新产出、创新环境等多个维度选取一系列具有代表性的指标，构建科学合理的城市创新能力评价指标体系，以全面、准确地衡量城市创新能力。例如，创新投入指标可包括研发经费支出、研发人员数量等；创新产出指标可涵盖专利申请数量、科技论文发表数量等；创新环境指标则涉及基础设施建设、政策支持力度等方面。基于ESDA的城市创新能力空间分布特征分析：运用探索性空间数据分析（ESDA）方法，对构建的城市创新能力评价指标数据进行处理和分析。首先，通过计算全局空间自相关指标，如Moran'sI指数，判断城市创新能力在整体空间上是否存在集聚或分散的趋势。若Moran'sI指数为正且显著，则表明城市创新能力存在空间正相关，即创新能力较高的城市倾向于与创新能力较高的城市相邻，创新能力较低的城市倾向于与创新能力较低的城市相邻；若Moran'sI指数为负且显著，则表示存在空间负相关；若Moran'sI指数接近0，则说明空间分布呈随机状态。接着，利用局部空间自相关分析，如Getis-OrdGi*统计量，识别出城市创新能力的高值集聚区（HH）和低值集聚区（LL），以及热点区域和冷点区域，深入揭示城市创新能力在不同空间位置上的集聚特征和分布差异。基于CSDA的城市创新能力影响因素分析：采用复杂网络空间数据分析（CSDA）方法，将城市视为复杂网络中的节点，城市之间的创新联系视为网络中的边，构建城市创新复杂网络模型。从网络结构特征、节点属性等多个角度分析影响城市创新能力的因素。一方面，通过计算网络的度、集聚系数、中心性等指标，分析城市在创新网络中的地位和作用，以及网络的整体结构特征对城市创新能力的影响。例如，度值较高的城市在创新网络中与其他城市的联系更为紧密，可能更容易获取创新资源和知识，从而提升自身创新能力；集聚系数较高的区域，城市之间的创新合作更为频繁，有利于创新要素的流动和共享，促进创新能力的提升。另一方面，考虑节点属性因素，如城市的经济发展水平、产业结构、人力资源等，运用空间计量模型，如空间滞后模型（SLM）、空间误差模型（SEM）等，定量分析这些因素对城市创新能力的影响程度和作用机制。提升城市创新能力的对策建议：根据城市创新能力空间分布特征和影响因素的分析结果，结合不同城市的实际情况，从优化创新资源配置、加强区域创新合作、改善创新环境等方面提出针对性的对策建议。对于创新能力较高的城市，鼓励其发挥引领示范作用，加强与周边城市的创新合作与协同发展，形成创新集群效应，带动区域整体创新能力的提升；对于创新能力较低的城市，建议加大创新投入，优化产业结构，培养和吸引创新人才，改善创新基础设施和政策环境，逐步提升自身创新能力。同时，加强城市之间的交通、信息等基础设施建设，降低创新要素流动的成本，促进创新资源在区域内的合理配置和高效利用。1.2.2研究方法为实现上述研究内容，本研究将综合运用多种研究方法，具体如下：探索性空间数据分析（ESDA）方法：ESDA是一种用于分析空间数据分布特征和空间自相关关系的技术。在本研究中，主要运用以下ESDA方法：全局空间自相关分析：通过计算Moran'sI指数来衡量城市创新能力在整个研究区域内的空间自相关程度。Moran'sI指数的计算公式为：I=\frac{n\sum_{i=1}^{n}\sum_{j=1}^{n}w_{ij}(x_{i}-\overline{x})(x_{j}-\overline{x})}{\sum_{i=1}^{n}\sum_{j=1}^{n}w_{ij}\sum_{i=1}^{n}(x_{i}-\overline{x})^{2}}其中，n为研究区域内城市的数量，x_{i}和x_{j}分别表示城市i和城市j的创新能力值，\overline{x}为所有城市创新能力的平均值，w_{ij}为空间权重矩阵，表示城市i和城市j之间的空间邻接关系。通过Moran'sI指数，可以初步判断城市创新能力在空间上是否存在集聚或分散的趋势。局部空间自相关分析：采用Getis-OrdGi统计量来识别城市创新能力的局部空间集聚特征。Getis-OrdGi统计量的计算公式为：G_{i}^{*}(d)=\frac{\sum_{j=1}^{n}w_{ij}(d)x_{j}}{\sum_{j=1}^{n}x_{j}}其中，d为距离阈值，w_{ij}(d)为基于距离d的空间权重矩阵，当城市i和城市j之间的距离小于d时，w_{ij}(d)=1，否则w_{ij}(d)=0。通过计算每个城市的Getis-OrdGi*统计量，并进行显著性检验，可以确定城市创新能力的高值集聚区（HH）、低值集聚区（LL）、高-低异常值（HL）和低-高异常值（LH），从而更详细地了解城市创新能力在局部空间上的分布特征。复杂网络空间数据分析（CSDA）方法：CSDA方法主要用于分析复杂网络中节点之间的关系和结构特征。在本研究中，运用以下CSDA方法构建城市创新复杂网络模型，并分析其影响因素：城市创新复杂网络构建：将城市视为复杂网络中的节点，根据城市之间的创新联系（如技术合作、人才流动、知识溢出等）构建网络中的边，从而建立城市创新复杂网络模型。通过定义合适的网络构建规则和权重赋值方法，使网络能够准确反映城市之间的创新关系。网络结构特征分析：计算城市创新复杂网络的度、集聚系数、中心性等指标，分析网络的结构特征。度表示节点与其他节点之间的连接数量，反映了城市在创新网络中的活跃度和联系广泛程度；集聚系数衡量节点的邻居节点之间相互连接的紧密程度，体现了城市所在区域的创新合作紧密程度；中心性指标（如度中心性、接近中心性、中介中心性等）用于评估节点在网络中的重要性和影响力，度中心性高的城市在创新网络中具有较多的直接联系，接近中心性高的城市能够快速与其他城市进行信息交流，中介中心性高的城市在创新资源和知识的传播中起到桥梁作用。空间计量模型分析：运用空间计量模型，如空间滞后模型（SLM）和空间误差模型（SEM），分析影响城市创新能力的因素。空间滞后模型（SLM）的表达式为：y_{i}=\rho\sum_{j=1}^{n}w_{ij}y_{j}+\beta_{1}x_{1i}+\beta_{2}x_{2i}+\cdots+\beta_{k}x_{ki}+\epsilon_{i}其中，y_{i}表示城市i的创新能力，\rho为空间自回归系数，反映了相邻城市创新能力对本城市的影响程度，\sum_{j=1}^{n}w_{ij}y_{j}为空间滞后项，x_{1i},x_{2i},\cdots,x_{ki}为影响城市创新能力的自变量，\beta_{1},\beta_{2},\cdots,\beta_{k}为相应的回归系数，\epsilon_{i}为随机误差项。空间误差模型（SEM）的表达式为：y_{i}=\beta_{1}x_{1i}+\beta_{2}x_{2i}+\cdots+\beta_{k}x_{ki}+\mu_{i}\mu_{i}=\lambda\sum_{j=1}^{n}w_{ij}\mu_{j}+\epsilon_{i}其中，\lambda为空间误差系数，反映了空间误差项的自相关程度，\sum_{j=1}^{n}w_{ij}\mu_{j}为空间误差滞后项。通过对空间计量模型的估计和检验，可以确定各影响因素对城市创新能力的影响方向和程度。文献研究法：广泛查阅国内外关于城市创新能力、空间分析方法、区域经济发展等方面的相关文献，了解已有研究的现状、成果和不足，为本研究提供理论基础和研究思路。梳理相关理论和研究方法，如创新理论、区域经济增长理论、空间分析理论等，明确城市创新能力的内涵、构成要素和评价指标体系，以及ESDA和CSDA方法的原理、应用范围和局限性。数据收集与处理方法：收集研究所需的城市创新能力相关数据，包括创新投入、创新产出、创新环境等方面的数据。数据来源主要包括政府统计部门发布的统计年鉴、科技统计数据库、相关研究机构的报告等。对收集到的数据进行整理、清洗和预处理，确保数据的准确性、完整性和一致性。运用统计学方法和数据分析软件，如Excel、SPSS、ArcGIS、Python等，对数据进行描述性统计分析、相关性分析等，为后续的空间分析和模型构建提供基础。1.3研究技术路线本研究的技术路线如图1-1所示：图1-1研究技术路线图二、文献述评2.1城市创新能力概念及测度研究城市创新能力是一个复杂的概念，学者们从不同角度对其进行了定义和阐述。有研究认为，城市创新能力是指城市在社会、经济、文化和科技等方面表现出的创新能力，主要涵盖技术、制度、人才、文化和资源等多个维度。技术创新作为城市创新能力的关键组成部分，能够推动城市产业升级和经济发展，如深圳在电子信息领域的持续技术创新，使其成为全球重要的电子产业基地。制度创新则为城市创新提供政策和法规保障，营造开放包容的市场环境，促进各方面资源的协调与协同创新。人才创新是城市创新的重要支撑，高素质、高技能的人才队伍能够为城市创新注入活力，吸引国内外优秀人才成为许多城市提升创新能力的重要举措。文化创新注重挖掘和保护本地文化特色，并结合时代特征进行创新，形成具有特色的文化产业，丰富城市的文化内涵，如北京的文化创意产业蓬勃发展，成为城市创新的新亮点。资源创新确保城市具备丰富的物质、经济和知识资源，以维持创新和发展的持续性。也有学者提出，城市创新能力是城市将知识等各种要素转化为新产品、新工艺、新服务的能力，关乎城市的持续发展动力和长期竞争力，主要由知识创新能力、技术创新能力、制度创新能力、服务创新能力、产业创新能力等构成。知识创新能力是技术创新的基础，高校和独立科研机构是知识创新的主体，他们通过基础研究和学术探索，为技术创新提供理论支持。技术创新能力是城市创新能力的核心，企业作为技术创新的主体，直接将新技术转化为商品，面向市场，引导科技研究方向。制度创新能力为创新活动提供制度保障和政策支持，其高低主要通过政府对创新的重视程度、政策完善程度和管理水平来体现。服务创新能力主要包括中介服务能力和教育培训能力，能够为创新活动提供良好的服务和人才培养支持。产业创新能力通常通过产业转型的能力来衡量，推动城市产业结构的优化升级。在城市创新能力的测度方面，学者们构建了多种评价指标体系。从创新投入、创新产出和创新环境三个方面进行评价是较为常见的思路。创新投入指标包括科研经费投入、人才力量和高新技术企业数量等。科研经费投入是创新活动的重要资金保障，充足的科研经费能够支持科研项目的开展和创新技术的研发；人才力量决定了创新的智力水平，高素质的科研人才和创新团队是推动创新的关键；高新技术企业数量反映了城市创新的主体规模和活力，高新技术企业往往具有较强的创新意愿和能力。创新产出指标涵盖科技成果转化、创新产业和创意产业的发展等。科技成果转化是创新投入的成果体现，将科研成果转化为实际生产力，能够推动经济增长；创新产业和创意产业的发展则代表了城市创新在产业层面的成果，是创新经济的重要支柱。创新环境指标包含政策环境和商业环境。政策环境包括政府支持、知识产权保护等，政府通过制定相关政策，鼓励创新活动，保护创新成果；商业环境包括市场竞争深度和个人发展广度等，良好的商业环境能够激发创新活力，为创新者提供广阔的发展空间。还有研究从基础条件、创新投入、创新绩效、创新环境4个一级指标构建评价体系。基础条件指标包括人均GDP、每万人拥有的受大专及以上教育程度人口数和城市环境等，反映城市的综合实力和发展基础，较高的人均GDP和受教育程度为创新提供经济和人才基础，良好的城市环境则有利于吸引创新要素。创新投入指标由全社会R&D经费支出占GDP的比重、企业R&D经费支出占主营业务收入的比重、科学技术财政支出占财政支出的比重和每万名就业人员中R&D人员数等构成，体现创新资源的投入力度。创新绩效指标由百万人口发明专利申请授权数、高技术产业当年价总产值占工业总产值的比重、万元GDP综合能耗、技术市场成交合同金额占GDP的比重和每万名R&D人员国际科技论文数等组成，用于衡量创新活动的成果和效益。创新环境指标由创新政策制定和落实、科技人才队伍建设、科技公共服务平台和创新基地、科学技术普及、科技管理机构建立和健全，以及组织实施及考核评价实施情况等方面构成，强调创新的制度和文化环境。2.2城市创新能力影响因素研究城市创新能力受到多种因素的综合影响，这些因素相互作用、相互制约，共同决定了城市创新能力的高低和发展态势。以下将从经济、科技、人才、政策等主要方面对城市创新能力的影响因素进行分析。经济因素是影响城市创新能力的基础和关键。城市的经济发展水平直接决定了其在创新方面的投入能力。较高的经济发展水平意味着城市拥有更多的资金用于研发投入，能够为创新活动提供充足的资金支持。例如，北京、上海等经济发达城市，每年在科研经费上的投入巨大，为科技创新提供了坚实的物质基础。产业结构也对城市创新能力有着重要影响。以高新技术产业和现代服务业为主导的产业结构，能够促进知识和技术的快速传播与应用，激发创新活力。如深圳以电子信息、生物医药等高新技术产业为支柱，产业内部的技术交流与合作频繁，不断推动着技术创新和产品升级。科技因素是城市创新能力的核心驱动力。科技水平的高低直接反映了城市的创新实力。科研机构和高校作为知识创新的重要主体，其科研实力和创新成果对城市创新能力的提升具有关键作用。例如，美国的硅谷地区，汇聚了斯坦福大学、加州大学伯克利分校等众多世界一流高校和科研机构，这些机构源源不断地产生新的科研成果和创新理念，为硅谷的科技创新提供了强大的智力支持。科技成果转化能力也是影响城市创新能力的重要因素。将科研成果快速、有效地转化为实际生产力，能够实现创新的经济价值，进一步推动城市创新能力的提升。一些城市通过建立科技成果转化平台、完善科技金融服务体系等措施，提高科技成果转化效率，促进创新与经济发展的深度融合。人才因素是城市创新能力的关键支撑。人才是创新活动的主体，高素质的人才队伍能够为城市创新提供丰富的智力资源和创新活力。一方面，高端创新人才和科研团队具有较强的创新能力和专业知识，能够在关键技术领域取得突破，推动城市创新能力的提升。如华为公司拥有大量的高端技术人才，在5G通信技术领域取得了众多领先成果，为深圳的创新发展做出了重要贡献。另一方面，创新型人才的集聚能够形成良好的创新氛围和人才生态系统，促进知识的交流与共享，激发更多的创新思维和创新行为。一些城市通过出台优惠政策、提供良好的生活和工作环境等方式，吸引了大量的创新人才，形成了人才集聚效应，推动了城市创新能力的不断提高。政策因素是城市创新能力的重要保障。政府在城市创新中发挥着引导和调控的作用，通过制定和实施一系列创新政策，能够为城市创新创造良好的政策环境。政策支持力度直接影响城市创新能力的发展。政府加大对科技创新的财政投入、提供税收优惠政策、设立创新专项资金等，能够鼓励企业和科研机构增加创新投入，提高创新积极性。政策的稳定性和持续性也对城市创新能力有着重要影响。稳定、持续的政策能够为创新主体提供明确的预期和发展方向，有利于创新活动的长期开展。例如，一些城市长期坚持鼓励创新创业的政策，不断完善政策体系，为城市创新能力的持续提升提供了有力保障。此外，文化因素也在一定程度上影响着城市创新能力。开放包容的文化氛围能够鼓励创新思维的产生，激发人们的创新热情。如美国的纽约，以其多元文化和开放包容的城市氛围，吸引了来自世界各地的创新人才，形成了独特的创新文化，促进了城市在艺术、时尚、金融等多个领域的创新发展。基础设施建设、金融服务水平等因素也与城市创新能力密切相关。完善的基础设施和优质的金融服务能够为创新活动提供便利条件和资金支持，促进城市创新能力的提升。2.3城市创新能力空间计量研究空间计量经济学是计量经济学的一个重要分支，它专门研究空间数据的建模和分析，在城市创新能力研究中发挥着重要作用。随着对城市创新能力研究的深入，学者们逐渐认识到城市创新活动并非孤立发生，而是在空间上存在相互关联和影响。空间计量经济学为揭示这种空间关联和影响提供了有力的工具和方法。空间自相关是空间计量经济学中的一个核心概念，用于衡量空间数据在空间位置上的相似程度，反映了空间数据的分布特征和集聚趋势。在城市创新能力研究中，空间自相关分析可以帮助我们了解城市创新能力在空间上是否存在集聚现象，即创新能力较高（或较低）的城市是否在空间上相互邻近。如果存在空间自相关，那么可以进一步探究这种集聚现象的形成机制和影响因素。空间滞后模型（SLM）是空间计量经济学中常用的一种模型，它主要用于分析因变量在空间上的相互作用。在城市创新能力研究中，空间滞后模型可以用来考察一个城市的创新能力是否受到其相邻城市创新能力的影响。模型中的空间滞后项\sum_{j=1}^{n}w_{ij}y_{j}表示相邻城市创新能力的加权平均值，其中w_{ij}为空间权重矩阵，反映了城市i和城市j之间的空间邻接关系或距离权重；\rho为空间自回归系数，衡量了相邻城市创新能力对本城市创新能力的影响程度。如果\rho显著为正，则表明相邻城市创新能力的提高会促进本城市创新能力的提升，存在正向的空间溢出效应；反之，如果\rho显著为负，则表示存在负向的空间溢出效应。除了空间滞后模型，空间误差模型（SEM）也是空间计量经济学中常用的模型之一。空间误差模型主要考虑误差项在空间上的相关性，即误差项在不同空间位置上的相互影响。在城市创新能力研究中，空间误差模型可以用于分析那些未被纳入模型的因素在空间上的相关性对城市创新能力的影响。例如，一些难以量化的区域创新环境因素、文化因素等可能会在空间上产生相关性，通过空间误差模型可以捕捉到这些因素对城市创新能力的潜在影响。空间杜宾模型（SDM）则是在空间滞后模型和空间误差模型的基础上发展而来的，它同时考虑了因变量和自变量的空间滞后效应。在城市创新能力研究中，空间杜宾模型能够更全面地分析各种因素对城市创新能力的直接影响和间接影响（即空间溢出效应）。通过估计空间杜宾模型，可以得到自变量对本城市创新能力的直接效应，以及通过空间溢出对相邻城市创新能力的间接效应。在实际应用中，选择合适的空间计量模型至关重要。通常需要根据研究问题的特点、数据的特征以及相关的检验结果来确定合适的模型。常用的检验方法包括拉格朗日乘数检验（LM）、稳健拉格朗日乘数检验（RobustLM）等，这些检验可以帮助判断空间自相关的存在形式，从而选择合适的空间计量模型。空间计量经济学在城市创新能力研究中具有重要的应用价值。通过运用空间自相关、空间滞后模型等相关理论和方法，可以深入分析城市创新能力的空间分布特征和影响因素，揭示城市之间创新活动的相互关系和空间溢出效应，为城市创新发展政策的制定提供科学依据，促进城市之间的创新合作与协同发展，提升区域整体创新能力。2.4以往研究述评以往关于城市创新能力的研究取得了丰富的成果，但仍存在一些不足之处，为后续研究提供了改进的方向。在指标选取方面，虽然已有研究从多个维度构建了城市创新能力评价指标体系，但部分指标的选取仍存在局限性。一些研究侧重于创新投入和产出指标，对创新环境、创新主体间的互动关系等方面的指标考虑不够全面。例如，在衡量创新环境时，可能仅关注政策环境，而忽视了文化环境、社会网络环境等对创新的重要影响。此外，一些指标的可获取性和数据质量也有待提高，部分指标数据可能存在统计口径不一致、数据缺失等问题，影响了评价结果的准确性和可靠性。在模型运用方面，虽然空间计量模型在城市创新能力研究中得到了广泛应用，但仍存在一些问题。部分研究在模型选择上缺乏充分的理论依据和实证检验，没有根据研究问题的特点和数据特征选择最合适的模型，导致模型估计结果不准确，无法准确揭示城市创新能力的空间分布特征和影响因素。在空间权重矩阵的设定上，一些研究采用简单的邻接矩阵或距离矩阵，没有充分考虑城市之间复杂的经济、社会和地理联系，可能会遗漏一些重要的空间信息，影响模型的解释力和预测能力。在多因素综合分析方面，以往研究虽然识别了多种影响城市创新能力的因素，但对各因素之间的相互作用和协同效应研究较少。城市创新能力是多种因素共同作用的结果，这些因素之间可能存在复杂的非线性关系和相互影响。例如，经济发展水平与科技投入之间可能存在相互促进的关系，人才集聚与创新环境之间也可能存在双向因果关系。然而，现有研究大多采用线性回归等方法单独分析各因素对城市创新能力的影响，没有全面考虑因素之间的交互作用，难以深入理解城市创新能力的形成机制和影响因素的综合效应。针对以上不足，本研究将在以下几个方面进行改进。在指标选取上，进一步拓展指标体系的维度，全面考虑创新投入、产出、环境以及创新主体间的互动关系等因素，选取具有代表性、可获取性和数据质量可靠的指标，构建更加科学、全面的城市创新能力评价指标体系。在模型运用方面，加强对空间计量模型的理论研究和实证检验，根据研究问题和数据特征，综合运用多种检验方法，选择最合适的空间计量模型，并合理设定空间权重矩阵，充分考虑城市之间的各种联系，提高模型的准确性和解释力。在多因素综合分析方面，采用更加先进的分析方法，如结构方程模型、灰色关联分析等，深入研究各影响因素之间的相互作用和协同效应，全面揭示城市创新能力的形成机制和影响因素的综合作用，为提升城市创新能力提供更有针对性的政策建议。三、理论基础与分析框架3.1城市创新能力研究的理论基础创新理论是城市创新能力研究的重要基石，最早由熊彼特于1912年在《经济发展理论》中提出。熊彼特认为，创新是建立一种新的生产函数，是把一种从来没有过的关于生产要素和生产条件的“新组合”引入生产体系。这种新组合包括五种情况：采用一种新的产品，即消费者还不熟悉的产品或一种产品的新的特性；采用一种新的生产方法，也就是在有关的制造部门中尚未通过经验检定的方法，这种新的方法不需要建立在科学新发现的基础之上，并且，也可以存在于商业上处理一种产品的新的方式之中；开辟一个新的市场，也就是有关国家的某一制造部门以前不曾进入的市场，不管这个市场以前是否存在过；掠取或控制原材料或半制成品的一种新的供应来源，也不问这种来源是已经存在的，还是第一次创造出来的；实现任何一种工业的新的组织，比如造成一种垄断地位（例如通过“托拉斯化”），或打破一种垄断地位。熊彼特的创新理论强调了创新在经济发展中的核心作用，认为创新是推动经济增长和发展的根本动力。创新通过引入新的生产要素和生产条件，打破原有的生产均衡，创造新的经济增长点，从而推动经济的发展和进步。例如，工业革命时期，蒸汽机的发明和应用就是一种典型的创新，它改变了传统的生产方式，极大地提高了生产效率，推动了工业生产的快速发展，进而带动了整个经济的增长。区域创新系统理论是在创新理论的基础上发展起来的，它强调区域内各创新主体之间的相互作用和协同创新。区域创新系统是指在一定的地理区域内，由参与技术发展和扩散的企业、大学和研究机构、政府以及中介服务机构等组成的，为创造、储备和转让知识、技能和新产品而相互作用的网络系统。区域创新系统的核心要素包括创新主体、创新资源、创新环境和创新网络。创新主体主要包括企业、高校、科研机构和政府等，它们在创新活动中扮演着不同的角色。企业是创新的主体，直接参与技术创新和产品研发，将创新成果转化为实际生产力；高校和科研机构是知识创新的重要源泉，为企业提供技术支持和人才培养；政府则通过制定政策、提供资金支持等方式，引导和促进创新活动的开展。创新资源是区域创新系统运行的基础，包括人才、资金、技术、信息等。丰富的创新资源能够为创新活动提供充足的保障，促进创新能力的提升。例如，北京拥有众多的高校和科研机构，汇聚了大量的高素质人才和先进的科研设备，为其创新能力的提升提供了坚实的资源基础。创新环境是区域创新系统的重要支撑，包括政策环境、法律环境、文化环境等。良好的创新环境能够激发创新主体的积极性和创造性，为创新活动提供良好的外部条件。比如，一些城市出台了一系列鼓励创新创业的政策，提供税收优惠、创业补贴等，营造了浓厚的创新氛围。创新网络则是区域内各创新主体之间相互联系、相互合作的桥梁和纽带，通过创新网络，创新主体能够实现资源共享、知识交流和协同创新，提高创新效率和效果。增长极理论是由法国经济学家佩鲁提出的，该理论认为，经济增长并非同时出现在所有地方，而是首先集中在一些具有创新能力的行业和主导产业部门，这些部门通常聚集在某些特定的地区，形成增长极。增长极具有极化效应和扩散效应。极化效应是指增长极吸引周围地区的生产要素，如人才、资金、技术等，使自身得到快速发展，从而导致周围地区的发展相对滞后。例如，上海作为我国的经济中心和增长极，吸引了大量的国内外人才和资金，其经济发展水平和创新能力在全国处于领先地位。扩散效应则是指增长极在发展到一定阶段后，会向周围地区输出生产要素和创新成果，带动周围地区的经济发展和创新能力提升。如上海的一些高新技术企业将部分生产环节转移到周边城市，促进了周边城市相关产业的发展。增长极理论为城市创新能力研究提供了重要的理论指导，它强调了城市在区域创新中的核心地位和带动作用。通过培育和发展具有创新能力的增长极城市，可以促进区域创新资源的集聚和优化配置，提高区域整体的创新能力和竞争力。在实践中，许多国家和地区都通过打造增长极城市，推动区域经济的发展和创新能力的提升。例如，美国的硅谷地区以其强大的科技创新能力成为全球的增长极，带动了周边地区乃至整个美国的科技产业发展。3.2空间计量经济学理论基础空间计量经济学是在传统计量经济学的基础上，考虑了空间因素而发展起来的一门学科。它主要研究空间数据的建模和分析，旨在揭示经济现象在空间上的分布规律、相互关系和影响机制。空间计量经济学的核心在于考虑了空间效应，即空间中各变量之间存在相互影响，这打破了传统计量经济学中样本相互独立的基本假设。空间权重矩阵是空间计量经济学中的一个关键概念，它用于描述空间单元之间的相互关系。根据地理学第一定律，任何事物都是紧密相连的，只不过越相邻的事物连接更紧密。空间权重矩阵就是基于这一原理，来刻画不同空间单元之间的关联程度。常见的空间权重矩阵包括邻接矩阵和距离矩阵。邻接矩阵根据空间相邻关系构建，相邻可以是有共同边界（Rook邻接），也可以是有共同顶点（Bishop邻接），而Queen邻接则是两者的结合，既包含共同边界又包含共同顶点连接。例如，在研究城市创新能力时，如果以城市为空间单元，采用邻接矩阵，当两个城市接壤时，对应的矩阵元素值为1，表示它们之间存在空间邻接关系；当两个城市不接壤时，矩阵元素值为0。距离矩阵则是基于空间单元之间的距离来构建，通常以质心距离或行政中心距离为衡量标准，距离越近，权重越大，反之则越小。例如，两个城市的行政中心距离较近，在距离矩阵中对应的权重就会相对较大，反映出它们之间的空间联系更为紧密。通过合理设定空间权重矩阵，可以更准确地反映空间单元之间的相互作用和影响。空间自相关是空间计量经济学中的另一个重要概念，它用于衡量空间数据在空间位置上的相似程度，反映了空间数据的分布特征和集聚趋势。空间自相关分为全局空间自相关和局部空间自相关。全局空间自相关通过计算全局Moran'sI指数来衡量整个研究区域内空间数据的自相关程度。Moran'sI指数的取值范围为[-1,1]，当Moran'sI指数大于0时，表示存在正的空间自相关，即相似的观测值在空间上趋于集聚，高值与高值相邻，低值与低值相邻；当Moran'sI指数小于0时，表示存在负的空间自相关，即不同的观测值在空间上趋于集聚，高值与低值相邻；当Moran'sI指数接近0时，则表示空间分布呈随机状态。例如，在城市创新能力研究中，如果全局Moran'sI指数为正且显著，说明城市创新能力在空间上存在集聚现象，创新能力较高的城市倾向于与创新能力较高的城市相邻，创新能力较低的城市倾向于与创新能力较低的城市相邻。局部空间自相关则用于分析局部区域内空间数据的自相关特征，常用的指标有Getis-OrdGi统计量等。Getis-OrdGi统计量可以识别出空间数据的高值集聚区（HH）、低值集聚区（LL）、高-低异常值（HL）和低-高异常值（LH）。在城市创新能力研究中，通过计算每个城市的Getis-OrdGi统计量，可以确定哪些城市处于创新能力的高值集聚区，哪些处于低值集聚区，以及哪些城市是高-低或低-高异常值，从而深入了解城市创新能力在局部空间上的分布差异。例如，某城市的Getis-OrdGi统计量较高且通过显著性检验，同时其周边城市的创新能力也较高，那么该城市就处于创新能力的高值集聚区，说明该区域内城市之间的创新能力存在较强的正相关关系。空间滞后模型（SLM）是空间计量经济学中常用的一种模型，它主要用于分析因变量在空间上的相互作用。SLM模型假设一个地区的因变量不仅受到该地区自变量的影响，还受到其相邻地区因变量的影响。模型表达式为：y_{i}=\rho\sum_{j=1}^{n}w_{ij}y_{j}+\beta_{1}x_{1i}+\beta_{2}x_{2i}+\cdots+\beta_{k}x_{ki}+\epsilon_{i}其中，y_{i}表示地区i的因变量（如城市创新能力），\rho为空间自回归系数，反映了相邻地区因变量对本地区因变量的影响程度，\sum_{j=1}^{n}w_{ij}y_{j}为空间滞后项，表示相邻地区因变量的加权平均值，x_{1i},x_{2i},\cdots,x_{ki}为影响因变量的自变量，\beta_{1},\beta_{2},\cdots,\beta_{k}为相应的回归系数，\epsilon_{i}为随机误差项。如果\rho显著为正，说明相邻地区的创新能力对本地区创新能力有正向促进作用，存在正向的空间溢出效应；反之，如果\rho显著为负，则表示存在负向的空间溢出效应。空间误差模型（SEM）主要考虑误差项在空间上的相关性，即误差项在不同空间位置上的相互影响。该模型假设误差项存在空间自相关，这种自相关可能是由于遗漏了某些重要的空间因素，或者是由于模型设定不当导致的。SEM模型的表达式为：y_{i}=\beta_{1}x_{1i}+\beta_{2}x_{2i}+\cdots+\beta_{k}x_{ki}+\mu_{i}\mu_{i}=\lambda\sum_{j=1}^{n}w_{ij}\mu_{j}+\epsilon_{i}其中，\lambda为空间误差系数，反映了空间误差项的自相关程度，\sum_{j=1}^{n}w_{ij}\mu_{j}为空间误差滞后项。通过估计空间误差模型，可以分析那些未被纳入模型的因素在空间上的相关性对因变量的潜在影响。例如，在城市创新能力研究中，一些难以量化的区域创新环境因素、文化因素等可能会在空间上产生相关性，通过空间误差模型可以捕捉到这些因素对城市创新能力的影响。3.3城市创新能力空间分布及其影响因素研究的分析框架本研究构建了基于ESDA和CSDA的城市创新能力研究分析框架，旨在全面、深入地探究城市创新能力的空间分布特征及其影响因素。该分析框架主要由数据收集与处理、基于ESDA的空间分布特征分析、基于CSDA的影响因素分析以及结论与对策建议四个部分构成，各部分之间紧密联系、层层递进，具体逻辑关系如下：数据收集与处理是整个研究的基础环节。本研究广泛收集城市创新能力相关的数据，涵盖创新投入、创新产出、创新环境等多个方面，数据来源包括政府统计部门发布的统计年鉴、科技统计数据库以及相关研究机构的报告等。对收集到的数据进行严格的整理、清洗和预处理，以确保数据的准确性、完整性和一致性。通过数据描述性统计分析、相关性分析等初步探索数据特征，为后续的空间分析和模型构建提供可靠的数据支持。基于ESDA的空间分布特征分析是研究的重要组成部分。运用探索性空间数据分析（ESDA）方法，对经过处理的城市创新能力数据进行深入分析。首先，计算全局空间自相关指标，如Moran'sI指数，以此判断城市创新能力在整体空间上是否存在集聚或分散的趋势。若Moran'sI指数为正且显著，表明城市创新能力存在空间正相关，即创新能力较高的城市倾向于与创新能力较高的城市相邻，创新能力较低的城市倾向于与创新能力较低的城市相邻；若Moran'sI指数为负且显著，则表示存在空间负相关；若Moran'sI指数接近0，则说明空间分布呈随机状态。接着，利用局部空间自相关分析，如Getis-OrdGi*统计量，识别出城市创新能力的高值集聚区（HH）和低值集聚区（LL），以及热点区域和冷点区域，深入揭示城市创新能力在不同空间位置上的集聚特征和分布差异。通过ESDA分析，能够直观地展现城市创新能力的空间分布格局，为后续研究提供重要的线索和依据。基于CSDA的影响因素分析是研究的核心内容。采用复杂网络空间数据分析（CSDA）方法，将城市视为复杂网络中的节点，城市之间的创新联系视为网络中的边，构建城市创新复杂网络模型。从网络结构特征、节点属性等多个角度分析影响城市创新能力的因素。一方面，通过计算网络的度、集聚系数、中心性等指标，分析城市在创新网络中的地位和作用，以及网络的整体结构特征对城市创新能力的影响。例如，度值较高的城市在创新网络中与其他城市的联系更为紧密，可能更容易获取创新资源和知识，从而提升自身创新能力；集聚系数较高的区域，城市之间的创新合作更为频繁，有利于创新要素的流动和共享，促进创新能力的提升。另一方面，考虑节点属性因素，如城市的经济发展水平、产业结构、人力资源等，运用空间计量模型，如空间滞后模型（SLM）、空间误差模型（SEM）等，定量分析这些因素对城市创新能力的影响程度和作用机制。通过CSDA分析，能够深入挖掘影响城市创新能力的内在因素，揭示城市创新能力形成和发展的机制。结论与对策建议是研究的最终落脚点。根据基于ESDA的空间分布特征分析和基于CSDA的影响因素分析结果，对城市创新能力的空间分布规律和影响因素进行全面总结和归纳。结合不同城市的实际情况，从优化创新资源配置、加强区域创新合作、改善创新环境等方面提出针对性的对策建议。对于创新能力较高的城市，鼓励其发挥引领示范作用，加强与周边城市的创新合作与协同发展，形成创新集群效应，带动区域整体创新能力的提升；对于创新能力较低的城市，建议加大创新投入，优化产业结构，培养和吸引创新人才，改善创新基础设施和政策环境，逐步提升自身创新能力。同时，加强城市之间的交通、信息等基础设施建设，降低创新要素流动的成本，促进创新资源在区域内的合理配置和高效利用。通过提出切实可行的对策建议，为城市制定创新发展战略提供科学参考，推动城市创新能力的不断提升。综上所述，基于ESDA和CSDA的城市创新能力研究分析框架，通过数据收集与处理、空间分布特征分析、影响因素分析以及结论与对策建议等环节，形成了一个完整的研究体系，能够从多个维度深入探究城市创新能力的空间分布及其影响因素，为城市创新发展提供有力的理论支持和实践指导。四、基于ESDA的城市创新能力空间分布研究4.1城市创新能力空间分布的识别与检验方法4.1.1全局空间自相关分析全局空间自相关分析主要用于探究城市创新能力在整个研究区域内的空间关联特征，判断其是否存在集聚或分散的趋势。在本研究中，采用全局Moran'sI指数来进行衡量。全局Moran'sI指数的计算公式为：I=\frac{n\sum_{i=1}^{n}\sum_{j=1}^{n}w_{ij}(x_{i}-\overline{x})(x_{j}-\overline{x})}{\sum_{i=1}^{n}\sum_{j=1}^{n}w_{ij}\sum_{i=1}^{n}(x_{i}-\overline{x})^{2}}其中，n表示研究区域内城市的数量；x_{i}和x_{j}分别代表城市i和城市j的创新能力值；\overline{x}为所有城市创新能力的平均值；w_{ij}是空间权重矩阵元素，用于刻画城市i与城市j之间的空间邻接关系或距离权重。若两个城市在空间上相邻接（如采用Rook邻接定义，即两个城市有共同边界），则w_{ij}=1；若不相邻接，则w_{ij}=0。在实际应用中，也可根据城市间的距离远近构建距离权重矩阵，距离越近，权重越大，反之则越小。Moran'sI指数的取值范围为[-1,1]。当Moran'sI指数大于0时，表示存在正的空间自相关，意味着创新能力较高（或较低）的城市在空间上趋于集聚，即高值与高值相邻，低值与低值相邻；当Moran'sI指数小于0时，表示存在负的空间自相关，即不同的观测值在空间上趋于集聚，高值与低值相邻；当Moran'sI指数接近0时，则说明城市创新能力的空间分布呈随机状态，不存在明显的空间自相关。例如，若某地区城市创新能力的Moran'sI指数为0.3且通过显著性检验，这表明该地区城市创新能力存在显著的正空间自相关，创新能力较高的城市倾向于聚集在一起，形成创新能力高值集聚区；反之，若Moran'sI指数为-0.2且显著，则说明存在负空间自相关，创新能力高的城市周围可能多是创新能力低的城市。在计算得到Moran'sI指数后，还需进行显著性检验，以判断该指数是否显著异于0。常用的检验方法是构建Z统计量，其计算公式为：Z(I)=\frac{I-E(I)}{\sqrt{VAR(I)}}其中，E(I)为Moran'sI指数的期望值，VAR(I)为Moran'sI指数的方差。在正态分布假设下，若Z统计量的绝对值大于1.96（对应95%的置信水平），则表明Moran'sI指数在该置信水平下显著，即城市创新能力在空间上存在显著的自相关关系。通过全局空间自相关分析，能够初步了解城市创新能力在整体空间上的分布特征，为后续进一步深入分析提供基础。4.1.2局部空间自相关分析局部空间自相关分析能够揭示城市创新能力在局部区域的空间关联特征，识别出具体的高值集聚区、低值集聚区以及异常值区域。本研究运用LocalMoran'sI指数和LISA集聚图来实现这一分析目的。LocalMoran'sI指数用于衡量每个城市与其周边城市创新能力之间的局部空间自相关程度，其计算公式为：I_{i}=\frac{(x_{i}-\overline{x})}{\frac{1}{n}\sum_{i=1}^{n}(x_{i}-\overline{x})^{2}}\sum_{j=1}^{n}w_{ij}(x_{j}-\overline{x})其中，I_{i}表示城市i的LocalMoran'sI指数；x_{i}和x_{j}分别为城市i和城市j的创新能力值；\overline{x}是所有城市创新能力的平均值；w_{ij}为空间权重矩阵元素，含义与全局Moran'sI指数计算中的一致；n为城市数量。LocalMoran'sI指数的取值和意义与全局Moran'sI指数类似，但它针对每个城市进行计算，能够更细致地反映局部空间特征。当I_{i}大于0时，表明城市i与其周边城市的创新能力呈现正相关，即城市i创新能力较高时，其周边城市创新能力也较高（高-高集聚，HH），或者城市i创新能力较低时，其周边城市创新能力也较低（低-低集聚，LL）；当I_{i}小于0时，说明城市i与其周边城市的创新能力呈负相关，存在高-低异常值（HL，城市i创新能力高但周边城市创新能力低）或低-高异常值（LH，城市i创新能力低但周边城市创新能力高）。为了更直观地展示LocalMoran'sI指数的分析结果，通常会绘制LISA集聚图。在LISA集聚图中，将每个城市的LocalMoran'sI指数及其对应的空间位置进行可视化呈现，通过不同的颜色和符号来区分不同类型的集聚区域和异常值区域。例如，通常用红色表示高-高集聚区域（HH），蓝色表示低-低集聚区域（LL），黄色表示高-低异常值区域（HL），绿色表示低-高异常值区域（LH）。通过LISA集聚图，可以清晰地看出城市创新能力在局部空间上的集聚和分布差异，哪些区域形成了创新能力的高值集聚区，哪些区域是低值集聚区，以及哪些城市属于异常值情况，从而为深入分析城市创新能力的空间分布特征提供直观依据。例如，在对某地区城市创新能力的分析中，通过LISA集聚图发现，沿海地区的一些城市形成了明显的创新能力高值集聚区（HH），这些城市在创新投入、产出等方面表现突出，并且相互之间存在紧密的创新联系和协同发展；而在一些内陆偏远地区，出现了低-低集聚区域（LL），这些城市的创新能力相对较低，且周边城市的创新能力也较弱，可能存在创新资源匮乏、创新环境不佳等问题。4.2城市创新能力空间分布的实际测度4.2.1数据来源与处理本研究的数据来源广泛且多元，主要涵盖政府统计部门发布的统计年鉴、科技统计数据库以及相关研究机构的报告等。统计年鉴如《中国城市统计年鉴》，提供了丰富的城市基本信息，包括人口、经济总量、产业结构等数据，这些数据为研究城市创新能力的基础条件提供了有力支持。科技统计数据库，如国家科技部的相关数据库，详细记录了城市的科研投入、科技成果产出等关键信息，是衡量城市创新能力的重要数据来源。相关研究机构的报告则从不同角度对城市创新进行了分析和评估，补充了统计数据的不足。在数据收集过程中，我们严格遵循数据的可靠性和权威性原则，确保所收集的数据真实、准确地反映城市创新能力的实际情况。同时，针对不同来源的数据，我们进行了详细的比对和验证，以消除数据之间的差异和矛盾。数据清洗是数据处理的关键环节，旨在去除数据中的噪声、错误和缺失值，提高数据质量。对于重复记录，我们通过比对数据的关键信息，如城市名称、统计年份、指标数值等，识别并删除重复的数据行，确保每条数据的唯一性。对于错误数据，我们运用逻辑判断和统计分析方法进行排查和修正。例如，对于一些明显不符合常理的数据，如研发经费支出为负数的情况，我们通过查阅相关资料或与数据提供方沟通，进行核实和纠正。对于缺失值，我们采用多种方法进行处理。对于缺失比例较小的指标，如个别城市的某一年份的专利申请数量缺失，我们根据该城市历年的专利申请趋势以及同类型城市的平均水平，运用线性插值法或均值填充法进行补充。对于缺失比例较大的指标，我们综合考虑其他相关指标和城市的实际情况，采用回归预测模型等方法进行估算和填补。数据标准化处理是为了消除不同指标之间的量纲差异，使数据具有可比性。在本研究中，我们主要采用Z-Score标准化方法，其计算公式为：z_{i}=\frac{x_{i}-\overline{x}}{s}其中，z_{i}为标准化后的数据值，x_{i}为原始数据值，\overline{x}为原始数据的均值，s为原始数据的标准差。通过Z-Score标准化处理，将所有指标的数据转换为均值为0，标准差为1的标准正态分布数据，从而便于后续的数据分析和模型构建。例如，对于研发经费支出和科技论文发表数量这两个不同量纲的指标，经过Z-Score标准化处理后，它们在数值上具有了可比性，能够更准确地反映城市在创新投入和产出方面的相对水平。4.2.2空间分布特征分析在完成数据的收集与处理后，运用ESDA方法对城市创新能力的空间分布特征进行深入剖析。首先，计算全局Moran'sI指数，以此判断城市创新能力在整体空间上的集聚或分散趋势。以2023年我国31个省级行政区的城市创新能力数据为例（假设已完成数据处理），利用相关分析软件（如GeoDa）进行计算，得到全局Moran'sI指数为0.35，且通过了95%置信水平的显著性检验（Z统计量的绝对值大于1.96）。这一结果表明，我国城市创新能力在空间上呈现显著的正相关，即创新能力较高的城市倾向于与创新能力较高的城市相邻，创新能力较低的城市倾向于与创新能力较低的城市相邻，存在明显的空间集聚现象。为进一步揭示城市创新能力在局部空间上的分布特征，计算LocalMoran'sI指数并绘制LISA集聚图。通过计算发现，北京、上海、深圳等城市及其周边地区的LocalMoran'sI指数显著为正，形成了明显的创新能力高值集聚区（HH）。以北京为例，其创新能力在全国处于领先地位，周边的天津、廊坊等城市也受到北京的辐射带动，创新能力相对较高，在LISA集聚图上表现为红色区域，表明这些城市之间存在紧密的创新联系和协同发展，形成了创新能力的集聚效应。而在一些中西部地区，如甘肃、宁夏等部分城市及其周边地区，LocalMoran'sI指数显著为正且数值较低，属于创新能力低值集聚区（LL），在LISA集聚图上显示为蓝色区域。这些地区由于经济发展水平相对较低，创新资源相对匮乏，创新环境有待改善，导致创新能力整体较弱，且周边城市之间的创新互动较少，形成了低值集聚的现象。此外，还存在一些局部异常值区域。例如，个别城市虽然自身创新能力较高，但周边城市创新能力较低，形成高-低异常值（HL），在LISA集聚图上以黄色表示；或者个别城市自身创新能力较低，但周边城市创新能力较高，形成低-高异常值（LH），在LISA集聚图上以绿色表示。这些异常值区域的存在，反映了城市创新能力空间分布的复杂性和多样性，可能是由于个别城市的特殊产业结构、政策支持或地理位置等因素导致的。4.2.3空间演化趋势分析为了研究城市创新能力空间分布的动态变化，对比不同时期的数据，选取2013年、2018年和2023年三个时间节点的城市创新能力数据进行分析。从全局Moran'sI指数的变化来看，2013年我国城市创新能力的全局Moran'sI指数为0.28，2018年上升至0.32，2023年进一步提高到0.35，且在三个时间节点均通过了95%置信水平的显著性检验。这表明随着时间的推移，我国城市创新能力的空间正相关程度逐渐增强，空间集聚趋势愈发明显。这可能是由于近年来我国不断加强区域协调发展战略，推动城市群建设，促进了城市之间的创新合作与要素流动，使得创新能力较高的城市对周边城市的辐射带动作用不断增强，创新能力在空间上的集聚效应逐渐凸显。从LISA集聚图的变化来看，2013-2023年间，东部沿海地区的创新能力高值集聚区（HH）范围有所扩大，且集聚程度进一步加深。以上海为核心的长三角地区，原本仅上海、苏州等少数城市处于高值集聚区，到2023年，无锡、杭州等周边城市也逐渐融入高值集聚区，形成了更为广泛和紧密的创新集群。这得益于长三角地区不断加强区域一体化发展，在交通、产业、人才等方面实现了深度融合，促进了创新资源的共享和创新要素的流动，提升了区域整体创新能力。而中西部地区的创新能力低值集聚区（LL）范围在逐渐缩小，但仍存在一些相对集中的区域。例如，在2013年，中西部地区的低值集聚区较为连片，到2023年，虽然部分城市的创新能力有所提升，低值集聚区有所分散，但在一些经济欠发达地区，如部分西部地区，低值集聚区仍然存在。这说明中西部地区在提升创新能力方面取得了一定进展，但与东部地区相比，仍存在较大差距，需要进一步加大创新投入，改善创新环境，加强与东部发达地区的创新合作，以缩小区域创新能力差距。通过对不同时期城市创新能力空间分布的对比分析，可以总结出其演化规律和趋势。整体上，城市创新能力的空间集聚趋势不断增强，高值集聚区和低值集聚区的分化愈发明显。同时，随着区域协调发展战略的推进和创新要素的流动，高值集聚区有向周边地区扩散的趋势，低值集聚区范围逐渐缩小，但区域创新能力差距依然存在。未来，应针对不同地区的特点，采取差异化的创新发展策略，促进区域创新能力的均衡提升。五、基于CSDA的城市创新能力影响因素研究5.1空间计量模型探析空间计量模型在探究城市创新能力影响因素的研究中发挥着关键作用，能够有效揭示城市间创新能力的空间关联与影响机制。其中，空间滞后模型（SLM）和空间误差模型（SEM）是两种常用的模型。空间滞后模型（SLM）主要聚焦于因变量在空间上的相互作用，其核心假设是一个地区的因变量不仅受自身自变量的影响，还受相邻地区因变量的影响。该模型的表达式为：y_{i}=\rho\sum_{j=1}^{n}w_{ij}y_{j}+\beta_{1}x_{1i}+\beta_{2}x_{2i}+\cdots+\beta_{k}x_{ki}+\epsilon_{i}在这个表达式里，y_{i}代表地区i的因变量，以城市创新能力为例，就是城市i的创新能力值；\rho是空间自回归系数，它反映了相邻地区因变量对本地区因变量的影响程度，若\rho显著为正，意味着相邻地区创新能力的提升会促进本地区创新能力的增强，存在正向的空间溢出效应，反之则为负向溢出效应；\sum_{j=1}^{n}w_{ij}y_{j}是空间滞后项，表示相邻地区因变量的加权平均值，w_{ij}是空间权重矩阵元素，用于刻画地区i和地区j之间的空间邻接关系或距离权重，比如在研究城市创新能力时，若采用邻接矩阵定义空间关系，当城市i与城市j相邻时，w_{ij}=1，不相邻时w_{ij}=0；x_{1i},x_{2i},\cdots,x_{ki}是影响因变量的自变量，例如经济发展水平、产业结构、研发投入等因素；\beta_{1},\beta_{2},\cdots,\beta_{k}是相应的回归系数，用于衡量自变量对因变量的影响大小；\epsilon_{i}是随机误差项。当我们研究城市创新能力时，如果发现某城市的创新能力不仅受自身的研发投入、人才储备等因素影响，还受到周边城市创新能力的影响，就可以考虑使用空间滞后模型进行分析。空间误差模型（SEM）则主要关注误差项在空间上的相关性，即误差项在不同空间位置上的相互影响。其表达式为：y_{i}=\beta_{1}x_{1i}+\beta_{2}x_{2i}+\cdots+\beta_{k}x_{ki}+\mu_{i}\mu_{i}=\lambda\sum_{j=1}^{n}w_{ij}\mu_{j}+\epsilon_{i}其中，y_{i}和x_{1i},x_{2i},\cdots,x_{ki}的含义与空间滞后模型中一致；\mu_{i}是包含空间自相关的误差项；\lambda为空间误差系数，反映了空间误差项的自相关程度，若\lambda显著，说明存在未被纳入模型的因素在空间上具有相关性，并对因变量产生影响；\sum_{j=1}^{n}w_{ij}\mu_{j}是空间误差滞后项；\epsilon_{i}同样是随机误差项。在研究城市创新能力时，可能存在一些难以量化的区域创新环境因素、文化因素等，这些因素虽未直接纳入模型，但它们在空间上的相关性可能会对城市创新能力产生影响，此时空间误差模型就能发挥作用，捕捉到这些潜在影响。在实际应用中，选择合适的空间计量模型至关重要。通常需要依据研究问题的特点、数据的特征以及相关的检验结果来确定。常用的检验方法有拉格朗日乘数检验（LM）和稳健拉格朗日乘数检验（RobustLM）等。拉格朗日乘数检验通过构建相应的统计量，检验模型是否存在空间自相关以及自相关的形式，以此来判断应该选择空间滞后模型还是空间误差模型。若LM检验结果表明空间滞后项显著，那么空间滞后模型可能更合适；若显示空间误差项显著，则空间误差模型可能更能准确描述数据特征。通过这些检验方法，可以确保选择的模型能够准确地揭示城市创新能力与各影响因素之间的关系，为后续的实证分析提供可靠的基础。5.2变量选择与模型设定5.2.1变量选择本研究选取了一系列具有代表性的变量作为解释变量，以深入探究城市创新能力的影响因素。这些变量涵盖经济、科技、人才、产业和政策等多个关键领域，具体如下：经济发展水平：经济发展水平是影响城市创新能力的重要基础因素。经济实力雄厚的城市通常能够为创新活动提供充足的资金、先进的基础设施以及广阔的市场空间，从而有力地推动创新发展。人均GDP作为衡量经济发展水平的核心指标，能够直观地反映城市居民的平均收入水平和经济发展的质量。例如，深圳的人均GDP持续保持高位，为其在科技创新领域的大量投入提供了坚实的经济支撑，使得深圳在高新技术产业方面取得了显著成就，涌现出华为、腾讯等一批具有全球影响力的创新型企业。科技投入：科技投入是城市创新能力提升的关键驱动力。研发经费支出和研发人员数量是衡量科技投入的两个重要指标。研发经费的投入为科研项目的开展、科研设备的购置以及科研人才的培养提供了资金保障。研发人员则是创新活动的核心主体，他们的专业知识和创新能力直接决定了创新成果的数量和质量。以北京为例，其在研发经费支出和研发人员数量方面均位居全国前列，大量的科技投入使得北京在人工智能、生物医药等前沿科技领域取得了众多突破性的创新成果。人才资源：人才资源是城市创新能力的核心要素。每万人拥有的高校在校生数和人才净流入率能够有效反映城市的人才储备和吸引人才的能力。高校在校生是未来创新人才的重要储备力量，他们在高校接受系统的专业教育和科研训练，毕业后将为城市的创新发展注入新的活力。人才净流入率则体现了城市对人才的吸引力，较高的人才净流入率意味着城市能够吸引更多的外部人才，这些人才带来了不同的知识背景和创新思维，促进了城市创新生态的多元化发展。上海作为国际化大都市，凭借其优质的教育资源、良好的就业机会和开放包容的城市环境，吸引了大量高校在校生和国内外人才，为城市的创新发展提供了强大的人才支持。产业结构：产业结构对城市创新能力有着深远的影响。高技术产业占GDP比重和第三产业占GDP比重是衡量产业结构的重要指标。高技术产业具有技术密集、创新活跃的特点，其占比的提高能够直接带动城市创新能力的提升。例如，杭州的互联网产业发达，以阿里巴巴为代表的一批高技术企业的崛起，推动了杭州在数字经济领域的创新发展，使其成为全国乃至全球知名的互联网创新中心。第三产业的发展则能够为创新活动提供更加完善的服务支持，促进创新要素的流动和集聚。北京的第三产业占GDP比重较高，金融、科技服务、文化创意等产业的繁荣发展，为北京的科技创新和文化创新提供了良好的产业生态环境。政策支持：政策支持是城市创新能力提升的重要保障。政府财政科技支出占比和科技政策支持力度是衡量政策支持的关键指标。政府财政科技支出的增加能够直接为创新活动提供资金支持，引导和鼓励企业、高校和科研机构加大创新投入。科技政策支持力度则体现了政府对创新的重视程度和政策引导方向，良好的科技政策能够营造有利于创新的政策环境，激发创新主体的积极性和创造性。例如，苏州工业园区通过出台一系列优惠政策，如税收减免、创新奖励等，吸引了大量的创新型企业和人才，推动了区域创新能力的快速提升。5.2.2模型设定根据理论分析和数据特征，本研究设定空间滞后模型（SLM）来分析城市创新能力的影响因素。空间滞后模型的表达式为：y_{i}=\rho\sum_{j=1}^{n}w_{ij}y_{j}+\beta_{1}x_{1i}+\beta_{2}x_{2i}+\cdots+\beta_{k}x_{ki}+\epsilon_{i}其中，y_{i}表示城市i的创新能力；\rho为空间自回归系数，反映相邻城市创新能力对本城市创新能力的影响程度；\sum_{j=1}^{n}w_{ij}y_{j}为空间滞后项，w_{ij}为空间权重矩阵，表示城市i和城市j之间的空间邻接关系或距离权重；x_{1i},x_{2i},\cdots,x_{ki}为影响城市创新能力的自变量，分别对应经济发展水平、科技投入、人才资源、产业结构、政策支持等解释变量；\beta_{1},\beta_{2},\cdots,\beta_{k}为相应的回归系数；\epsilon_{i}为随机误差项。在设定模型后，首先对模型进行初步检验。运用拉格朗日乘数检验（LM）和稳健拉格朗日乘数检验（RobustLM）等方法，判断模型是否存在空间自相关以及自相关的形式。若LM检验结果表明空间滞后项显著，则说明空间滞后模型更适合本研究数据。同时，对各变量进行多重共线性检验，以避免自变量之间存在高度相关性，影响模型估计结果的准确性。通过方差膨胀因子（VIF）检验发现，各变量的VIF值均小于10，表明不存在严重的多重共线性问题。在模型调整方面，根据初步检验结果，对空间权重矩阵进行优化。考虑到城市之间的经济联系、交通便利性等因素，对空间权重矩阵进行调整，使其更能准确反映城市之间的实际空间关系。例如，在原有的邻接矩阵基础上，加入经济距离权重，构建综合空间权重矩阵。通过不断调整和优化模型，确保模型能够准确地揭示城市创新能力与各影响因素之间的关系，为后续的实证分析提供可靠的基础。5.3空间统计分析5.3.1模型估计结果运用Stata软件对设定的空间滞后模型（SLM）进行估计，估计结果如表5-1所示：表5-1空间滞后模型（SLM）估计结果变量系数估计值标准差t值P值[95%置信区间]空间滞后项（ρ）0.256***0.0634.0630.000[0.133,0.379]经济发展水平（人均GDP）0.325***0.0853.8240.000[0.158,0.492]科技投入（研发经费支出）0.213***0.0563.8040.000[0.103,0.323]科技投入（研发人员数量）0.187***0.0493.8160.000[0.091,0.283]人才资源（每万人拥有的高校在校生数）0.152***0.0383.9950.000[0.078,0.226]人才资源（人才净流入率）0.125***0.0323.9060.000[0.062,0.188]产业结构（高技术产业占GDP比重）0.236***0.0613.8690.000[0.116,0.356]产业结构（第三产业占GDP比重）0.178***0.0453.9560.000[0.089,0.267]政策支持（政府财政科技支出占比）0.143***0.0363.9720.000[0.072,0.214]政策支持（科技政策支持力度）0.112***0.0283.9920.000[0.057,0.167]常数项-0.234***0.065-3.6000.000[-0.361,-0.107]注：***表示在1%的水平上显著。从表5-1中可以看出，空间自回归系数ρ为0.256，且在1%的水平上显著，这表明相邻城市的创新能力对本城市创新能力具有显著的正向影响，即存在明显的空间溢出效应。一个城市的创新能力提升会带动周边相邻城市创新能力的提高。5.3.2结果分析与讨论经济发展水平：人均GDP的系数估计值为0.325，在1%的水平上显著为正。这表明经济发展水平对城市创新能力具有显著的正向影响，经济发展水平越高，城市创新能力越强。经济实力雄厚的城市能够为创新活动提供充足的资金、先进的基础设施以及广阔的市场空间，从而有力地推动创新发展。例如，深圳作为我国经济发达的城市之一，其人均GDP一直处于较高水平，这为深圳的科技创新提供了坚实的经济基础。深圳拥有大量的高新技术企业，这些企业在研发投入、人才吸引等方面具有强大的实力，不断推动着深圳在5G通信、人工智能等领域的创新发展，使其成为我国乃至全球重要的创新中心。科技投入：研发经费支出和研发人员数量的系数均在1%的水平上显著为正，分别为0.213和0.187。这说明科技投入是提升城市创新能力的关键因素，研发经费的增加和研发人员数量的增多能够显著提高城市创新能力。研发经费的投入为科研项目的开展、科研设备的购置以及科研人才的培养提供了资金保障。研发人员则是创新活动的核心主体，他们的专业知识和创新能力直接决定了创新成果的数量和质量。以北京为例，北京集中了大量的科研机构和高校，研发经费投入巨大，研发人员数量众多，这使得北京在基础研究、前沿技术研发等方面取得了众多突破性的创新成果，如在量子通信、人工智能算法等领域处于国内领先地位。人才资源：每万人拥有的高校在校生数和人才净流入率的系数均在1%的水平上显著为正，分别为0.152和0.125。这表明人才资源对城市创新能力有着重要的促进作用，丰富的人才储备和较高的人才吸引力能够提升城市创新能力。高校在校生是未来创新人才的重要储备力量，他们在高校接受系统的专业教育和科研训练，毕业后将为城市的创新发展注入新的活力。人才净流入率则体现了城市对人才的吸引力，较高的人才净流入率意味着城市能够吸引更多的外部人才，这些人才带来了不同的知识背景和创新思维，促进了城市创新生态的多元化发展。上海凭借其优质的教育资源、良好的就业机会和开放包容的城市环境，吸引了大量高校在校生和国内外人才，这些人才在金融科技、生物医药等领域发挥着重要作用，推动了上海的创新发展。产业结构：高技术产业占GDP比重和第三产业占GDP比重的系数均在1%的水平上显著为正，分别为0.236和0.178。这说明产业结构对城市创新能力有着显著的影响，高技术产业和第三产业占比的提高能够促进城市创新能力的提升。高技术产业具有技术密集、创新活跃的特点，其占比的提高能够直接带动城市创新能力的提升。例如，杭州的互