城市科技創新效率與網絡結構特征
——對國家級創新型城市的實證分析

劉 鍇，周雅慧，王 嵩

(1.遼寧師范大學 海洋經濟與可持續發展研究中心，遼寧 大連 116029；2.東北大學 工商管理學院，遼寧 沈陽110819)

0 引言

黨的十九大報告把加快建設創新型國家作為現代化建設全局的戰略舉措，堅定實施創新驅動發展戰略，突出以科技創新引領全面創新。隨著我國城鎮化水平的不斷提升，城市已成為科技創新的主戰場[1]。而我國城市數量眾多，不同類型城市承擔著不同的任務和使命，其中創新型城市以科技創新作為經濟社會發展的核心驅動力，對建設創新型國家具有顯著支撐及引領作用[2]。中國在2008年將深圳市設為第一個創新型城市并加快建設國家級創新型城市進程，2016年由科技部和國家發展改革委員會聯合制定的《建設創新型城市工作指引》提出要鼓勵建設若干具有強大帶動力的創新型城市和區域創新中心。截至目前，全國受科技部批準成為創新型城市試點的城市共有78個[3]，已經基本上形成創新型城市發展創新網絡，為我國區域創新驅動發展提供了有力支撐。全面落實創新驅動發展戰略目標，需要立足于當前創新網絡空間布局，以創新型城市為核心全方位提升城市創新效率，而提升城市創新效率的關鍵在于有效配置和管理科技要素，以此發揮創新型城市在創新型國家建設中的引領和示范作用?？茖W評價科技創新效率及其影響因素對制定有效的科技創新政策，推動經濟社會可持續發展具有重要意義。然而，科技創新效率提升是一個復雜過程，既受到城市內部諸多因素的影響，包括工業結構[4]、對外開放度[5]、高等教育發展水平[6]、政府影響力[7]等，也取決于城市所處位置，即地理位置和在創新網絡中的位置。

由于地理空間具有異質性，地理位置因素及其內含的信息、資源、環境和社會關系等均會在不同程度上影響城市科技創新效率。地理位置優越的城市能夠獲取更多創新資源，匯聚更優質的創新人才。目前，有關地理位置對城市創新的影響大多從地理鄰近性角度展開。呂國慶等[8]從節點、部類、城市、區域4個層面，對長三角裝備制造業產學研創新網絡結構及空間特征進行分析，發現地理鄰近性是影響行為主體建立創新合作聯系的重要因素；Breschi[9]運用專利引用評估知識流本地化程度，認為地理距離接近可以減少城市或企業間聯系的交通成本，提高其獲取資源及市場的便利度，有利于隱性知識資源吸收與利用；趙炎等[10]采用負二項回歸方法，探究企業區域位置及企業間地理鄰近性對創新效率的影響，發現地理鄰近性對科技創新效率的影響作用顯著；Abramovsky[11]通過研究地理鄰近性對企業與大學間創新聯系的影響，發現隨著地理距離的增加，創新知識可靠性和適用性相應衰減，還會降低行為主體間產生創新聯系的概率。

除地理位置影響外，科技創新效率還受城市所處創新網絡位置的影響。隨著科學技術資源的日漸豐富和科技創新外溢性日趨加強，城市創新要素除源于內部科學技術資源和條件外，還可以從其它城市獲取[12]，使創新資源跨城市、跨區域流動更加顯著[13]，網絡位置被認為是重要的社會資本。黃中偉等[14]引進“位置嵌入”的重要概念，研究網絡位置對海外子公司決策和資源獲取的影響，發現通常個體因占據良好的網絡位置，其所獲得的資源比本身擁有的資源更加豐富、重要。城市創新成果的生成與轉化，依賴于創新網絡中各種要素的優化配置和協同，其所處創新網絡位置不同代表獲得新知識的機會不同，而城市進行創新活動的關鍵性因素之一就是獲取新知識[15]；Coleman[16]的研究表明，高密度創新網絡能使城市間產生大量創新聯系，促使網絡中資源和信息流動得更快。所以，在分析科技創新效率時，城市網絡位置也應納入影響機制框架；王璐等[17]運用社會網絡分析法探究絲綢之路經濟帶沿線國家農產品貿易網絡結構特征發現，網絡結構特征能夠刻畫網絡中個體間的聯系，進而說明個體在網絡中的重要性，即一個城市在網絡結構中與其它城市聯系越緊密，其網絡位置越優越，從中獲取高質量知識資源的路徑也就越多。因此，可通過網絡結構特征考察網絡位置對科技創新效率的影響。

當前，學者已針對地理位置或網絡位置對創新產出的影響進行了大量研究，但仍然存在以下不足：①現有研究較少涉及城市地理位置和所在創新網絡位置對科技創新效率的共同影響；②現有研究多集中在國家、城市或企業間的創新聯系，以創新型城市作為研究對象的實證研究較少。鑒于此，本文從動態演化角度出發，首先運用SBM超效率模型測度2003—2017年中國國家級創新型城市的科技創新效率；其次，在用修正引力模型量化城市間創新聯系強度的基礎上，運用社會網絡分析法，從人才流動、資本流動和制度學習3個方面分析創新型城市的網絡結構特征及演變規律；最后，運用考慮地理位置因素的GWR模型分析創新型城市網絡結構特征對科技創新效率的影響機制，可為合理構建城市創新網絡結構、擴大協同創新效應、促進我國創新型城市網絡發展提供參考。

1 模型方法與變量數據

1.1 地理加權回歸(Geographically Weighted Regression,GWR)

為分析創新型城市地理位置及其所處創新網絡位置對科技創新效率的影響，以及不同城市間的差異性，本文采用GWR模型對相關數據進行回歸估計。GWR模型由Brunsdon等提出，其核心思想是將數據的地理位置引入回歸參數中，觀測由于空間地理位置變化而引起的參數變化。利用鄰近觀測值的子樣本數據信息進行局域回歸模擬分析，GWR模型有效擴展了利用全域信息估計常數的普通線性回歸模型[18]，使估計結果更加精確，其一般形式為：

(1)

在式 (1)中，yi、xik、εi分別為被解釋變量、第k個解釋變量和隨機誤差項，(ui,vi)是城市i的地理經緯度坐標，βk(ui,vi)表示第k個解釋變量在城市i的回歸系數，且隨著城市位置的變化而變化。

在運用GWR模型前，首先需要確定權重和帶寬。權重體現了觀測位置的重要性，根據齊亞偉等[19]的研究，本文采用一種近高斯函數——雙平方函數確定權重，其計算公式如下：

(2)

在式(2)中，b為帶寬，即城市i與城市j間距離dij及權重間函數關系的參數。帶寬越大，權重隨距離的增減變動越慢，反之亦然。Cleveland[20]在1979年提出局域回歸分析交叉驗證法(Cross Validation,CV)，以此確定合適的帶寬。

(3)

在考慮地理因素的基礎上，為探究創新型城市所處創新網絡位置對創新效率的影響，以科技創新效率作為被解釋變量(yi)，城市所處創新網絡位置以其網絡結構特征作為代理變量，包括人才流動度數中心度(x1)、資本流動度數中心度(x2)和制度學習度數中心度(x3)。此外，本文選擇人才教育、產業結構、科研基礎設施和對外開放水平作為控制變量，并分別通過地方一般公共預算支出中的教育支出、第二產業占GDP的比重、互聯網寬帶接入用戶數、當年實際使用外資總額表示。

在以上變量中，控制變量為直接數據，被解釋變量通過SBM超效率模型測度，解釋變量通過修正引力模型和社會網絡分析計算。為克服異方差的影響，對被解釋變量、解釋變量和控制變量進行取對數處理。

1.2 SBM超效率模型(Super-Slacks Based Measure,S-SBM)

數據包絡分析由美國著名運籌學家Charnes等[21]提出，是一種評價多投入和多產出決策單元效率的分析方法。在此基礎上，Tone[22]提出SBM模型，將松弛變量考慮在內，并在SBM模型的基礎上提出S-SBM模型，不僅考慮了松弛變量因素，還可以區分有效決策單元大小，在探究科技創新效率影響機制回歸分析時可有效避免截斷數據導致的偏誤。模型具體如下：

假設有n個決策單元(DMU)，每個決策單元都有m種輸入和s種輸出，在規模報酬可變條件下的S-SBM模型為：

(4)

科技創新是一個多投入和多產出的復雜系統，參考晏蒙等[23]、柴瑋等[24]關于科技創新效率的研究，本文從科技投入與科技產出兩個方面選取相應指標，對中國75個創新型城市的科技創新效率進行估計，具體指標如表1所示。

表1 科技創新效率評價指標體系

其中，投入指標主要包括：①人力投入。本文選取科技從業人數表征，主要反映城市科技活動和研發活動實力；②資本投入用固定資產存量表示，其為城市科技創新活動提供物質保障；③地方公共財政支出中的科學技術支出是政府財政預算內安排的科研經費支出，代表政府及其相關部門對科技活動的支持。

產出指標主要包括：①論文數反映城市科研創新水平及創新主體素質，同時論文代表新知識產出，論文數體現了知識產出活躍程度；②將專利授權數作為科技創新產出指標盡管存在一定的局限性,但由于專利數據易于獲取，專利和技術創新關系密切,且專利標準變化緩慢,所以用專利測量技術創新產出仍然可靠[25]。另外，由于申請專利并不一定都能通過核查，因此專利授權數更能體現地區創新程度[26]。

1.3 基于修正引力模型的創新聯系強度

城市間創新聯系實質上是創新資源相互作用的結果。城市研究中常采用“屬性數據”，而社會網絡分析研究一般采用“關系數據”，借助修正引力模型可將“屬性數據”轉換為“關系數據”[27]，用以反映不同創新型城市間創新的相互作用程度?；A引力模型如下：

(5)

在式(5)中，Fij為城市i、j間的創新聯系強度；Mi、mj分別表示城市i和j根據不同測量維度所需選取的變量；Dij表示城市i、j間的距離；b為距離衰減系數，一般取2；k為經驗常數，一般取1。

創新網絡包括諸多創新要素，其中人才、資本和政府制度既是評價科技創新效率的投入要素，也是城市間創新要素動態流動最具代表性的表征變量[28]，最有可能對城市間創新聯系產生影響。因此，本文從人才流動、資本流動和制度學習3個維度測度創新型城市間的創新聯系強度，與科技創新效率的3個投入要素相對應，公式如下：

(6)

在式(6)中，Wi為城市i的工資水平，用在崗職工平均工資表征；Pj為城市j的創新人才數量，用科技從業人數表征；TFij表示城市i的工資水平對城市j人才流動的吸引強度。這一公式是基于人才向薪資更高地區流動的特征。

(7)

在式(7)中，Ri為城市i的市場活躍度，用社會消費品零售總額表征；Ij為城市j的資本實力，用全社會固定資產投資總量表征；CFij為城市i市場活躍度對城市j資本流動的吸引強度。這一公式是基于資本向市場活躍度更高地區流動的特征。

(8)

在式(8)中，Ei為城市i的創新支出，用公共財政支出中的科學技術支出表征；Gj為城市j的經濟效益，用地區生產總值表征；RFij為城市i對城市j制度學習的吸引強度。這一公式是基于地方政府向經濟發展水平較好地區學習和模仿的特征。

1.4 社會網絡分析(Social Network Analysis,SNA)

城市創新網絡被定義為由城市內或城市間正式或非正式合作(政府、研究機構和公司等)形成的顯性或隱性科學技術知識網絡[29]，是提升區域創新能力的重要支撐，而社會網絡是由多個點和各點間連線組成的幾何形狀，與創新網絡分析相契合。社會網絡分析法由布朗于1930年最先提出，是指運用定量指標描述個體間互動結構關系和發展變化以反映網絡結構整體特征，并揭示個體在網絡結構中的地位。社會網絡分析為認識創新網絡提供了一系列指標，主要包括整體網絡結構和個體節點結構兩部分。其中，整體網絡結構分析主要包括網絡密度、網絡關聯度、核心—邊緣、凝聚子群等指標，個體節點結構分析主要包括中心度和結構洞兩個指標[27]?；谡w與個體相結合角度，本文分別選取代表整體網絡結構分析的網絡密度以及代表個體節點結構分析的中心度兩個方面研究中國75個國家級創新型城市間創新網絡的空間結構及演變特征。

網絡密度是指創新網絡中實際包含的關系數與理論上可能存在的最大關系數的比值，可表征創新網絡中各城市間關聯的緊密程度。網絡密度取值范圍為[0,1]，其值越接近于1，表明網絡密度越高[30]，節點間聯系越緊密，即整體創新網絡對個體創新城市創新行為產生影響的可能性越大，各創新城市間的交互程度也越強[31]；其值越接近于0，則情況恰好相反。本文中的創新關系網絡為有向關系網絡，公式為：

(9)

在式(9)中，D為網絡密度，m表示網絡中包含的實際關系數，n表示創新城市數，則n(n-1)為理論上網絡包含的最大關系數。

中心度是對個體權力的量化分析，用來衡量某一節點在網絡中的地位，主要包括度數中心度、中間中心度和接近中心度3種。本文選用度數中心度衡量各城市在創新網絡中的中心位置情況，若一個城市與多個城市存在直接創新聯系，則表明該個體城市處于整體創新網絡中心位置[32]，即該城市在創新網絡中擁有較大權力，而處于網絡邊緣位置的行動者則擁有較小權力，與其它城市的關聯較少[33]。當網絡規模不同時，不同網絡點的絕對度數中心度沒有可比性，因此本文采用相對度數中心度[34]，其公式如下：

(10)

在式(10)中，DCi為城市i的相對度數中心度，是指城市i的絕對度數中心度與網絡中點最大可能的度數之比；rij表示城市i與其它城市間的創新聯系數量，即城市i的絕對度數中心度；n表示創新城市數。

1.5 數據來源

本文選取經科技部批準建立的中國創新型城市為研究對象，鑒于原始數據可得性及數據統計口徑一致性，石河子、昌吉和拉薩3個城市不包含在內。本文研究的創新型城市共有75個，時間跨度為2003—2017年。本文各項指標原始數據主要來源于各年《中國城市統計年鑒》、各城市統計年鑒和相關統計公報，對于缺失數據采用指數平滑法補全。此外，地理加權回歸模型中的地理經緯度坐標數據來源于城市地區經緯度查詢網，創新聯系度計算中的城市間距離數據來源于全國城市里程查詢網。

2 描述性分析

2.1 創新型城市科技創新效率

不同城市創新效率規模報酬一般認為可變，因此利用規模報酬可變(VRS)條件下非導向SBM超效率模型測算國家級創新型城市各年的科技創新效率，并對整體及東中西部的科技創新效率進行比較和分析，如圖1所示。

圖1 中國75個創新型城市科技創新效率值

從圖1可以發現，2003—2017年各城市科技創新效率整體呈上升態勢，但在各年份平均效率值中，2017年最高值為0.69。根據王少劍[35]關于超效率SBM模型的研究，效率值小于1時表示決策單元未達到DEA有效狀態，即效率值處于較低水平，說明創新型城市整體創新投入要素利用率不足，科技創新資源配置不合理。區域科技創新效率具有差異性，東部地區科技創新效率值增長較快，處于領先地位；中部地區效率值后期低于西部，在整個測度期內平均值最低。究其原因在于：一方面可能是國家西部大開發建設發揮了作用[36]；另一方面，西部地區西安、蘭州、成都、重慶等市科技創新效率值較高，有效促進了西部科技創新效率提升，而中部地區高科技創新效率值城市較少，整體科技創新效率一直不溫不火。

2.2 創新型城市間創新網絡結構特征

基于修正引力模型得到2003—2017年各城市間創新聯系度關系數據，遵循保留有效信息性和可比性原則，并根據反復實驗選取0.350作為人才流動方面的創新聯系度閾值，選取3.916作為資本流動方面的創新聯系度閾值，選取0.023作為制度學習方面的創新聯系度閾值。本文借助Ucinet軟件，分別將人才流動、資本流動和制度學習的創新聯系度數據進行二值化處理，即大于或等于閾值的數據用“1”代替，小于閾值的數據用“0”代替，構建75個城市測度期內的網絡二分矩陣，并以二分矩陣作為輸入數據進一步計算網絡密度和中心度，從這兩個維度對創新網絡結構特征進行分析。

(1)創新網絡密度演變。根據公式(9)及各個二分矩陣，通過Ucinet軟件計算得到2003—2017年75個創新型城市在人才流動、資本流動和制度學習3個方面的創新網絡密度值，結果見圖2。整體而言，2003—2017年人才流動、資本流動和制度學習網絡密度均呈現增長態勢，說明在創新網絡空間中各城市間創新關聯逐漸增強，創新網絡結構趨于緊密，創新交往活動越發頻繁，有助于整體創新發展。但人才流動方面的網絡密度值不高，在整個測度期內，其最大值僅在2017年達到0.32，說明2003年以來創新型城市間人才流動方面的創新聯系還處在一種弱聯結分布狀態，需要進一步加強。

(2)創新網絡結構演變。為進一步揭示創新網絡的內在結構特征，本文選用度數中心度刻畫不同城市在網絡中的重要性。為使不同時點的創新網絡中心度具有可比性，本文選用度數中心度指標為相對度數中心度。利用Ucinet軟件中的Network/Centrality功能計算得出各節點城市2003—2017年度數中心度在人才流動、資本流動、制度學習3個維度的中心度值(見圖3)，從而揭示測度期內創新型城市網絡中心度變化的基本規律。

在創新網絡人才流動方面，2003年除北京、上海和南京外，各城市的度數中心度普遍較低且空間差異較大，西部地區城市度數中心度極低。其中，南寧、海口和烏魯木齊的度數中心度為0，高值區主要集中在京津冀和長三角地區以及其它地區部分省會城市，表明2003年人才流動核心節點城市中心性較弱，輻射效應與帶動能力有限，各節點城市網絡地位相差懸殊，兩極分化現象嚴重。在測度期間內，各城市均呈現波動上升趨勢，繼北京、上海、天津之后，西安、成都、武漢、廣州、杭州等省會城市脫穎而出并帶動周圍城市增長，表明人才流動度數中心度有從東部地區向中、西部地區擴散的趨勢，主要核心節點城市溢出效應顯著，網絡整體發展趨于均衡。但烏魯木齊、吉林和哈爾濱在整個測度期內最高值均未超過10，成為制約創新網絡人才流動發展的重要癥結。

在創新網絡資本流動方面，2003年所有樣本城市的度數中心度起點普遍偏低，僅有東部地區上海、南京和蘇州3市的值超過20，其中上海最高值為24.32；而分布在中部地區如內蒙古、山西、河南、江西、湖北部分非省會城市以及西部地區貴州、云南、陜西、甘肅、青海、寧夏、新疆所有樣本城市均為0。這表明，2003年在創新網絡資本流動方面各城市的中心性都較弱，網絡地位相差不大。在測度期間內，上海、北京、天津以及位于江蘇、浙江、山東等東部地區的城市形成高值區，與其它地區城市拉開距離。后期高值區城市增長速度由快速趨于平緩，中心度值集中在75～100之間，而其它城市的值則分散在0～60之間，表明網絡中核心節點城市中心性增強，但兩極分化現象嚴重。2017年，之前處于高值區的城市增長速度由快速趨于平緩，而一些中西部城市如衡陽、寶雞、貴陽等增勢明顯，并且有望在后期進入高值區。這表明，創新網絡資本流動重心在向中西部擴散過程中，兩極分化態勢有所緩和，網絡整體發展越發均衡。值得注意的是，吉林和哈爾濱資本流動度數中心度在整個測度期都處于較高水平，不同于人才流動度數中心度的“拖后腿”狀態。

圖2 創新網絡密度特征

圖3 創新網絡度數中心度

在創新網絡制度學習方面，2003年各城市的度數中心度總體較低，除上海(41.89)和北京(24.32)外，其它幾個度數中心度相對較高的城市集中在蘇杭地區，但均不超過20，并且約90%城市的度數中心度在10以內，表明2003年網絡中的核心節點為上海和北京，且城市間的空間差異不明顯。測度期間內除部分西部地區城市變化幅度較小外，大部分城市的度數中心度飛速增長。原因在于，各城市紛紛加大了科學技術支出，使得創新網絡制度學習方面的度數中心度在整體上得到大幅提升。與此同時，網絡整體開始分化出高值區(包括北京、上海、天津及東部地區城市)和低值區(包括西部地區大部分城市)，西部地區逐漸與中東部地區拉開差距。2017年，高值區城市增長趨緩，而低值區城市的度數中心度雖然仍然不及高值區，但增長幅度卻較大。這說明，西部地區城市在加快向中、東部地區核心節點靠攏，主要核心節點城市溢出效應顯著，使周圍地區受益并呈組團式發展，整體網絡發展與之前相比更加成熟。

整體而言，2003—2017年各城市的度數中心度都有一定程度提升，并且整體保持上升趨勢，表明各城市與其它城市的創新聯系程度不斷提高，度數中心度均值也顯示創新型城市創新網絡內部聯系緊密度不斷增強。從各城市對比情況看，北京、上海和南京在整個測度期內人才流動、資本流動和制度學習3個維度上的平均度數中心度都處于較高水平，說明這3個城市始終處于創新網絡核心位置。在空間維度上，東部地區的核心地位優于中、西部地區。

3 影響機制

3.1 模型檢驗

運用GWR模型測度影響機制的重要前提是空間數據是否存在空間自相關性，如果存在空間自相關，則使用GWR模型建模效果更好，否則OLS模型更合適[37]。因此，在分析人才流動中心度、資本流動中心度和制度學習中心度對科技創新效率的影響前，先利用全局莫蘭指數(Global Moran's I)對科技創新效率進行空間自相關檢驗。結果見表2。

從表2可以看出，僅2007年科技創新效率的Moran's I值小于0.2，其它年份大多保持在0.4以上，說明中國75個創新型城市的科技創新效率具有明顯的空間自相關性，各城市在科技創新方面存在空間聯系。因此，OLS模型中殘差項獨立假設無法滿足，GWR模型允許一些不平穩的數據直接被模擬，用局部參數估計代替全局參數估計[38]，驗證了本文使用GWR模型的合理性。

3.2 網絡結構特征對協同創新效應的影響及其空間差異性

本文運用GWR4軟件對2003—2017年中國75個創新型城市科技創新效率影響因素進行回歸，數據對應關系如表3所示，其中2003年和2017年的回歸結果見圖4。

表2 2003—2017年創新型城市科技創新效率的Moran's I值

表3 數據—城市對應關系

圖4顯示，科技創新效率各影響因素在GWR估計中表現出明顯的變化趨勢和空間差異性，即各因素對不同城市科技創新效率的影響方向和強度不同。

(1)在人才流動中心度方面，隨著時間的推移，各城市人才流動中心度對科技創新效率的促進作用不斷增強，說明人才流動通過對知識、技術的承載和溢出效應提高了城市知識創造與流動能力，對各創新型城市科技創新效率提升具有明顯促進作用。西部地區回歸系數增長幅度最大，特別是烏魯木齊，從2003年的0.020增長到2017年的0.806，可能是由于國家西部大開發建設人才工程為西部地區輸送了大量高層次人力資本，西部人才生存發展環境有了很大改善，基本穩定了各路人才隊伍。同時，不少青年人加入到西部志愿者服務隊伍中，為西部地區發展注入了新生力量，這對西部地區科技創新效率的提升作用非常大；東部地區人才流動更加快捷，所以人才流動中心度對科技創新效率的促進作用相對穩定。

(2)在資本流動中心度方面，2003年其對科技創新效率具有微弱的促進作用，到2017年大部分城市的回歸系數變負，特別是對于長三角地區來說，資本流動并沒有促進科技創新效率提升，反而因過度集聚產生人員冗余或經費利用效率低下等問題。并且，中國大部分固定資產投資流向重工業，只有少部分用于支持科技創新，因此造成資本流動妨礙城市創新能力形成和發展，對城市創新能力未起到明顯促進作用。而呼和浩特、包頭、蘭州、西寧、銀川和烏魯木齊等市的資本深化對當地科技創新效率提升起到一定的正向影響，表明這些城市資本有機構成還沒有達到飽和狀態。

(3)在制度學習中心度方面，在測度期內其對科技創新效率的負向作用越來越明顯，可能是由于創新制度學習是一個需要不斷探索、試錯、完善的過程，一般來說，其成效不會很快凸顯出來，可能在經歷很長一段時期后才顯現出潛在促進作用。在空間變化方面，制度學習中心度對科技創新效率的影響存在較大的空間非穩定性，其在西部地區、中部地區河南省及東部地區京津冀和山東省所發揮的負向作用更大，原因可能是這些地區和城市在效仿或者借鑒其它地區、城市創新制度過程中出現了一定的偏差，亟需進一步完善；抑或是由于新制度仍處在適應階段，在創新政策實踐中過于追求量化指標，出現了求速度輕質量的現象。

(4)從控制變量看，2017年人才教育對科技創新效率作用的回歸系數與2003年相比有顯著提升，從具有較大阻礙作用變為對不同城市呈現出激勵和阻礙兩種效應，且京津冀和東北地區的回歸系數較低，而烏魯木齊遠高于其它城市，說明近年來國家對人才教育十分重視，尤其是針對西部地區制定了一系列人才培養政策，如推進“西部之光”人才培養計劃等，但要發揮人才教育對科技創新的作用，仍需繼續加大人才投入，特別是針對京津冀和東北地區等重要工業地區而言尤其如此。2017年，產業結構方面除烏魯木齊的回歸系數有較大幅度上升外，其它各城市均在2003年負數的基礎上下降了較為相似的幅度，且東北地區、京津冀、山東省一直處于較低水平。原因在于，近些年中國供給側改革的一大重點任務就是調整產業結構，而產業結構調整需要經過很長一段時期才能顯現成效。2003—2017年，科研基礎設施對科技創新的促進作用有所減弱，但仍處于較高水平，說明各城市對科研基礎設施投放予以高度重視，但基礎設施日漸完備，其對科技創新工作的推進作用日益達到飽和。對外開放有利于加強科技創新交流與合作，隨著中國對外開放水平的不斷提升，其對科技創新效率的促進作用越來越明顯。在中國75個創新型城市中，只有烏魯木齊的回歸系數遠低于其它城市，因為烏魯木齊所在的新疆深居亞洲內陸，與科技創新發達國家或地區缺乏深入交流。

圖4 GWR模型回歸結果

4 結語

4.1 研究結論

發揮協同創新效應的關鍵在于形成結構合理、運行高效的創新網絡體系。本文以中國75個國家級創新型城市為研究樣本，采用2003—2017年面板數據，以S-SBM模型測度創新型城市科技創新效率作為被解釋變量；在修正引力模型量化人才流動、資本流動和制度學習城市間創新聯系強度的基礎上，以SNA測算的創新聯系度數中心度作為解釋變量；以人才教育、產業結構、科研基礎設施和對外開放水平作為控制變量；通過GWR模型測度網絡結構特征對科技創新效率的影響機制，得出以下幾點結論：

(1)整體回歸結果顯示，2003年人才流動中心度回歸系數整體大于資本流動中心度且為正，制度學習中心度回歸系數在三者中最小且為負；到2017年，資本流動中心度回歸系數整體大于制度流動中心度且為負，人才流動中心度回歸系數在三者中最大且為正。綜合考慮各變量可以看出，科研基礎設施和人才流動中心度對科技創新效率提升具有促進作用；與之相反，制度學習中心度、人才教育和產業結構則沒有發揮出很好的效用，對科技創新效率的影響為負。

(2)隨著時間的推移，創新型城市間的創新網絡整體呈現出前期快速擴展和后期緩慢增長的變化過程，說明創新網絡空間中各城市間的創新關聯逐漸增強，創新網絡結構趨于緊密。創新網絡結構中各要素對科技創新效率的影響在不同方向和不同強度方面產生了變化：人才流動中心度對科技創新效率提升具有積極作用且趨于強化；資本流動中心度對科技創新效率提升從具有微弱的積極作用趨向于在不同城市呈現出激勵和阻礙兩種效應；制度學習中心度對科技創新效率提升存在負面影響且趨于強化。

(3)各城市人才流動中心度、資本流動中心度和制度學習中心度對科技創新效率的影響在測度期前期差別較小，在后期呈現出顯著的空間差異性。在人才流動中心度方面，其對科技創新效率的促進作用由大到小依次為西部地區、中部地區和東部地區，而對東部地區大部分城市的促進作用比較穩定；在資本流動中心度方面，其對科技創新效率的影響存在較大的空間非穩定性，僅對西部地區6個城市起到促進作用；在制度學習中心度方面，在西部地區、中部地區河南省及東部地區京津冀和山東省，制度學習中心度所發揮的負向作用更大。

4.2 政策建議

基于創新型城市間網絡結構特征對科技創新效率影響的時空差異分析結果，本文提出以下政策建議：

(1)城市間人才流動有助于合理配置創新資源，逐步縮小城市間創新能力差距。鑒于人才流動中心度對科技創新的積極影響，各城市應全面聚焦人才培養及人才交流。中國西部地區與其它地區間的人才流動極為緩慢，不利于西部地區擺脫目前的低創新水平。因此，可通過改善城市間人才交流機制或者深化戶籍制度改革，鼓勵城市間協同創新，打破城際人才流動壁壘，以此增加城市間的知識溢出和創新互動。

(2)資本流動中心度對科技創新的影響在不同城市表現出明顯的空間差異性，各城市應依據自身資本集聚狀態把握差異化發展。對于資本有機構成還未達到飽和狀態的西部地區而言，在短時間內仍然可以憑借資本積累實現資本偏向型技術進步；對于資本過度集聚的中、東部地區而言，要在資本投入總量及結構上進行科學調整，提高資本利用效率，以實現其激勵城市科技創新能力發展的效用；同時，還應依靠新興產業發展，引導物質資本偏向型技術進步向人力資本偏向型技術轉變。

(3)適應城市發展的創新制度體系對提升科技創新效率至關重要。鑒于制度學習中心度對各城市科技創新效率的阻礙作用趨于強化，因此各城市應遵從其要素稟賦結構，找準自身優勢及在全國科技創新發展網絡中的最佳位置，因地制宜地采取適合自身的創新制度，或在已有制度基礎上進一步完善，形成行之有效的創新政策體系和治理架構。

(4)一個城市成長為創新型城市是內生驅動力不斷轉換和升級的過程，并且在創新網絡結構中扮演著不同的角色。各城市應探索形成各具特色的創新發展模式以及橫向錯位發展、縱向分工協作的發展格局，加強城市內及城市間各類創新資源開放共享，促進創新資源優化配置和高效利用，加快創新成果生成、轉化及溢出，使之發揮協同創新效應。

4.3 研究貢獻

科技創新是提高綜合國力的關鍵，是社會生產方式和生活方式變革進步的強大引領。本文的邊際貢獻在于：①基于目前缺乏直接統計城市間人才流動、資本流動、制度學習數據的現實情況，根據人才、資本流動特征和制度可復制、推廣性，選取相應指標并通過修正引力模型量化這3個方面的創新聯系強度，為創新網絡結構及演變特征測度提供了參考；②在兼顧城市地理位置的同時，通過網絡結構特征考察網絡位置對科技創新效率的影響，與已有研究[8，16]僅反映地理鄰近性或網絡位置對創新產出的影響相比，本文體現了兩種不同位置的共同影響，為政策制定提供了更具針對性的建議；③創新型城市在經濟社會發展過程中更加注重科技創新的驅動作用，本文以創新型城市作為研究對象，與已有研究相比[4]，對其它城市提升科技創新效率更具有啟示意義。

4.4 不足與展望

本研究仍存在一些不足：①科學量化城市科技創新效率仍需進一步探索，其評價體系有待完善；②本文揭示不同創新型城市在網絡中的重要程度，即創新網絡的內在結構特征，但創新網絡中是否存在創新聯系更加緊密、創新合作更加頻繁的組團現象，且以何種形式存在等問題仍需進一步關注。