应用数学论文

您当前的位置:学术堂 > 数学论文 > 应用数学论文 >

基于专利申请数据探究创新与空间的关系

时间:2020-07-06 来源:现代商贸工业 共5012字
作者:宋龙剑 单位:广州大学地理科学学院

  摘    要: 基于我国31个省份2008-2017年专利申请数据作为创新水平指标,采用赫芬达尔系数、变异系数、核密度分析以及空间自相关方法,分析我国区域创新空间格局及演变特征。结果表明:我国创新空间差异整体呈下降趋势,创新空间集中度有所降低;创新空间整体上趋势呈现出东部沿海地区-西部内陆地区创新水平逐步减弱的形势,空间异质性较强;各省份间的创新空间关联存在正向空间相关性,热点集中于长三角附近地区,冷点集中于西北地区。

  关键词: 创新空间; 核密度分析; 空间自相关; 空间回归; 中国;

  0、 引言

  自提出创新驱动发展战略以来,我国持续强调利用技术创新提升国家综合实力。创新已成为引领发展的第一动力,研究创新空间格局与演变特征能够为我国创新战略的实施提供保障。创新空间是众多创新活动的集合,也是一个城市的创新极,创新绩效受到创新空间的组织结构和形态的影响。其主体是以研究开发等生产手段为主导的企业和部门,强调智力投入、知识资本和创新的核心推动作用。创新空间的组织形式不仅集聚了高技术产业的相关硬件设施,同时还包括空间结构形态、体制机制和文化精神等要素。

  近年来,国内外学者在研究创新空间的主题上有不同的侧重点。①不同尺度下创新空间的分布。在国家尺度上,有学者研究发现法国约75%的研发人员集中于经济和教育水平较高的六大地区;美国的创新空间具有从传统的“硅谷模式”向“创新城区”转变的趋势;中国的区域创新产出呈现出明显的东部沿海向西部内陆的距离衰减规律。在省市级尺度上,学者发现长三角地区的创新空间联系分布不均衡;我国四大城市区域1998-2007年的创新空间极化动态变化趋势;杭州市存在两条高发展潜力创新轴带;广东省在2003-2010年的创新产出虽有大幅度提高,但空间差距仍十分显着且集中度不高。②创新空间分布的影响因素。方大春发现地理位置、产业结构、科技投入等因素会显着影响区域创新的空间关联和溢出效应;还有学者研究得出研发投入、企业规模、市场开放度等因素都对城市创新能力较为重要。

  目前创新空间的研究取得了丰富的研究成果,但是创新空间数据和方法的使用还存在着很大差异,创新空间的概念仍较为模糊,因此创新与空间的关系还需要很多的实证研究来进行解释。因此本文采用专利申请数据为指标,能够代表区域的创新能力,进而分析我国近十年的创新空间格局的演变过程与差异,为我国创新空间格局的优化和规划提供参考。

  1 、研究方法与数据来源

  1.1、 研究区概况与数据来源

  专利数据具有易获取、信息详细等优势,据前人研究发现,专利申请行为能够代表一个区域的创新活跃程度。因此本文以我国31个省(市、区)为研究对象,选取2008-2017年专利申请数据作为创新空间研究的指标,从而计算我国创新空间水平的布局;并通过搜集统计数据中影响创新能力的因子,进而分析影响我国区域间创新空间差异的因素。专利申请数据来源于国家统计局网站以及统计年鉴。中国省级行政区矢量地图来源于国家基础地理信息中心的1∶100万全国基础地理数据库,经过配准后使用。
 

基于专利申请数据探究创新与空间的关系
 

  1.2 、研究方法

  采用变异系数、赫芬达尔指数以及空间自相关的方法对我国的创新空间格局演变的特征进行分析;使用核密度分析法衡量我国创新空间是否存在距离衰减规律;使用空间回归分析的方法,定量研究影响我国省份间的创新水平差异的因素。

  1.2.1、 变异系数与赫芬达尔指数

  变异系数、赫芬达尔指数分别能够有效地衡量出样本数据的差异程度和集中程度。

  式中,CV是变异系数,n是样本量,Xi是样本值,x?是样本平均值。变异系数值越大,就代表我国区域创新水平差异越大,反之,则创新水平差异越小。

  式中,HHIn为赫芬达尔指数,Pr表示某个区域r的创新活动占全部区域创新活动的比重,n为区域的数量。赫芬达尔指数的取值范围在1/n~1之间,赫芬达尔指数能够反映出我国区域创新集中度水平,越接近1,代表集中度越高,越接近于1/n,则代表整体较为均衡。

  1.2.2、 空间自相关

  空间自相关分析是指在研究数据中,变量之间是否具有空间依赖性和空间异质性的特征,提供一种数据分析方法和可视化技术。通常使用全局自相关和局部自相关进行空间关联的分析。

  全局自相关用来研究区域整体的空间相关性,经常用全局Moran’s I指标进行测度,取值范围为[-1,1],趋向于1则表示在空间上存在正向的相关性,在本研究中表现同水平创新等级在空间上趋近于集聚模式;若趋向于0,则表示不存在空间相关性,在空间中呈现随机分布趋势;如果趋向于-1,则表示存在空间负相关关系,区域和相邻的区域之间存在明显的创新水平差异。

  局部空间自相关能够识别出空间中的奇异值,可以弥补全局自相关缺乏对局部空间上的测度。利用局部Moran’s I能够测度某区域与其相邻区域之间的创新差异程度,同时能够得出显着性水平,判断差异是否显着。通过结合Moran’s I散点图和显着性水平,能够计算出LISA聚类地图,进而识别要素在空间上的冷热点。

  1.2.3、 核密度分析

  核密度分析法是地理空间数据挖掘的重要方法和工具,采用的是非参数估计方法,能够测度点或线要素在区域中的分布密度,广泛地应用于空间结构的研究之中。核密度分析的原理是以特定的点或线要素为中心,设置特定的搜索半径,得出的结果为中心位置密度最大,随着距离向外逐渐衰减,到极限距离时密度为0。

  2、 创新空间差异与格局演变特征

  2.1、 整体差异演变特征

  变异系数和赫芬达尔指数的计算结果如图1所示,变异系数的波动较大,2008年-2012年整体处于上升趋势,说明省份间的创新水平的差距在增大,在2012年达到顶峰;随后变异系数下降,代表创新水平的差距持续下降,在2015年达到最低点,2015年后处于缓慢上升阶段。赫芬达尔系数较低,波动幅度不大,表示了我国省份之间的创新水平存在一定的差异,并且不太集中。整体来看,我国省份之间近十年来创新空间的差异呈现出下降的趋势,创新的集中度也有所下降,近年来逐渐趋向稳定状态。

  图1 2008-2017年变异系数、赫芬达尔指数变化趋势
图1 2008-2017年变异系数、赫芬达尔指数变化趋势

  2.2 、创新空间的时空演变特征

  2.2.1、 创新空间的格局演变

  选取四个年份(2008年,2011年,2014年,2017年)的专利申请数据对我国31个省份(不含港澳台)的创新空间格局演变特征进行分析。将各省份的专利申请数量赋值于各省份的质心,利用Arcgis进行核密度分析,设置500kM为搜索半径,根据自然断裂法按照核密度值将区域划分为5类,结果如图2。

  图2 2008-2017年中国创新水平核密度分析
图2 2008-2017年中国创新水平核密度分析

  结果中可以发现:①我国省份间创新能力呈现出由沿海地区向内陆地区递减的趋势,整体上呈现出较强的空间异质性,创新能力强的区域大多位于东部沿海地区,这些地区具有多样化的产业结构、人才优势以及资本条件,为创新能力的提升奠定了基础,尤其是集中于以上海为中心的长三角、以广州为中心的珠三角地区以及环渤海地区。中部地区为过渡区域的创新能力一般,专利申请数量处于中等水平,以河南省、湖北省、湖南省等为代表;而西部内陆地区则由于各类因素的限制,导致创新能力处于最低的等级。②从时间上看,2008年至2017年十年间,专利申请数量的核密度分布整体变化不大,呈现出更均衡分布并集聚的趋势,优势区域仍然集中在沿海地区,内陆地区创新水平较低;但在此基础上,核密度在不断提升,说明十年间整体变化趋势不大,但是各个省份的创新水平都有所提升;中部地区创新能力的发展速度较快,较十年前出现了多个新的密集区域,如江西省、广西壮族自治区等,这与周边省份的溢出效应相关联。③从区域集聚上看,2008年至2011年间,长三角和珠三角仍作为核心区域,中部地区创新水平在缓慢提升,增长较快的有重庆市和安徽省;2011年至2014年间,北京市、四川省和安徽省已经出现更高密度的核心,江西省、广西壮族自治区和贵州省的创新水平增长幅度较快,长三角、福建省和珠三角有集聚的趋势出现;2014年至2017年间,部分中部省份出现较高密度的核心且呈现出集聚的趋势。

  2.2.2 、创新空间自相关分析

  利用Geoda软件对专利申请数据进行创新空间全局自相关Moran’s I指数的计算,得出结果如表1,能够看出Moran’s I的指数值呈现出较大的波动变化特征,整体上表现出上升-下降-上升-下降的趋势,总体上都为空间正相关,并且显着性较强。2009-2010年和2012-2015年为Moran’s I上升阶段,在2010年出现最大值0.296,说明这两个阶段区域间的创新关联持续增强,呈现向高值区域或低值区域聚集的特征;2008-2009年、2010-2012年和2016-2017年为Moran’s I下降的阶段,说明区域间的创新异质性在增强,空间正相关性有所下降,在2017年的Moran’s I下降至最低值0.213。十年间的变化趋势是体现我国省份之间的创新空间格局演变比较复杂,我国省份间的创新空间关联性较强,但总体呈现下降的趋势。

  表1 创新空间全局Moran’s I指数
表1 创新空间全局Moran’s I指数

  注:*、**、***分别表示P<0.1、P<0.05和P<0.01。

  对我国的创新空间局部空间自相关进行测度,从LISA聚类地图(图3)中可以看出,第三象限的新疆和第四象限的四川较为稳定,安徽、福建两省已从第二象限转为第一象限,并往继续往内陆辐射至江西省。在十年间,过去以江苏和上海为创新热点区域的核心已经开始蔓延至周边的省份,如安徽、福建,这也反映出了创新空间所产生的集聚和溢出效应;冷点区域较为显着的是新疆、甘肃和内蒙古,这与其周边省份带动作用不强有关;四川省作为唯一一个显着的第四象限点,说明了自身的创新能力较强,而周边省份的创新水平较弱,集聚效应不足;第二象限点有向第一象限转移的趋势,在未来有望成为创新高值的区域。

  图3 2008-2017年我国创新空间LISA聚类图
图3 2008-2017年我国创新空间LISA聚类图

  总的来说,我国省份间的创新空间仍然处在持续集聚的阶段,创新空间格局仍在不停的波动变化中,但已经形成了以江苏、上海、浙江为端点的创新高值聚集带,并不断向周边省份溢出。我国的创新空间呈现出一定程度的空间正相关性,但仍然处于不断波动变化之中,空间相关性不够显着,整体上空间异质性还比较明显。

  3、 结果与讨论

  本文选取了我国31个省份的2008-2017年专利申请受理量数据表征创新水平的指标,采用了变异系数、赫芬达尔系数、核密度分析法以及空间自相关的指标和方法,测度出我国省份间的创新空间格局以及演变特征,并使用了空间回归分析方法,分析了我国区域创新空间差异的主要影响因素。结果表明:

  (1)我国省份间整体创新空间差异近十年处在波动变化之中,整体呈下降趋势,创新空间集中度也有所降低。整体上趋势呈现出东部沿海地区-西部内陆地区创新水平逐步减弱的形势,空间异质性较强;创新水平核密度高值区域在长三角、珠三角以及环渤海地区,并在十年间逐步向周围省份溢出,带动了周边省份的创新水平,同时中部省份也出现了集聚的趋势。

  (2)我国创新空间的分布上呈现出较明显的正向空间相关性,Moran’s I波动性较大,呈现下降的趋势。在局部空间自相关上,随着时间的推移,热点地区的数量在增加,呈现出持续集聚的特点,集中于长三角附近地区,并向周围省份溢出;西北地区大多处于冷点区域,地区间的差异明显。

  鉴于我国创新空间分布的不均衡性,为了缩小区域间的创新水平差距,建议加大对中西部地区研发资金和人才的投入;打破省份间技术扩散的壁垒,发挥优势省份的带动作用,实现创新的进一步流动和溢出;提高开放程度,吸收先进技术,加强地区自主创新能力的建设。

  参考文献

  [1] 王俊松,颜燕,胡曙虹.中国城市技术创新能力的空间特征及影响因素——基于空间面板数据模型的研究[J].地理科学,2017,37(01):11-18.
  [2] 郭泉恩,孙斌栋.中国高技术产业创新空间分布及其影响因素——基于面板数据的空间计量分析[J].地理科学进展,2016,35(10):1218-1227.
  [3] 汤海孺.创新生态系统与创新空间研究——以杭州为例[J].城市规划,2015,39(S1):19-24+63.
  [4] 曾鹏.当代城市创新空间理论与发展模式研究[D].天津:天津大学,2007.
  [5] Carrincazeaux C,Lung Y,Rallet A.2001.Proximity and localisation of corporate R & D activities[J].Research Policy,30(5):777-789.
  [6] 苏宁.美国大都市区创新空间的发展趋势与启示[J].城市发展研究,2016,23(12):50-55.
  [7] 王春杨,张超.中国地级区域创新产出的时空模式研究——基于ESDA的实证[J].地理科学,2014,34(12):1438-1444.
  [8] 蒋天颖,华明浩.长三角区域创新空间联系研究[J].中国科技论坛,2014(10):126-131.
  [9] 宋丽思,陈向东.我国四大城市区域创新空间极化趋势的比较研究[J].中国软科学,2009,(10):100-108.
  [10] 李佳洺,张文忠,马仁峰,等.城市创新空间潜力分析框架及应用——以杭州为例[J].经济地理,2016,36(12):224-232.
  [11] 何键芳,张虹鸥,叶玉瑶,等.广东省区域创新产出的空间相关性研究[J].经济地理,2013,33(02):117-121+140.
  [12] 方大春,马为彪.我国区域创新空间关联的网络特征及其影响因素[J].西部论坛,2018,28(02):50-61.
  [13] 程叶青,王哲野,马靖.中国区域创新的时空动态分析[J].地理学报,2014,69(12):1779-1789.

原文出处:宋龙剑.我国创新空间格局演变特征与差异分析[J].现代商贸工业,2020,41(22):1-4.

相关内容推荐
相关标签:
在线咨询