试论区域创新及其影响因素的空间计量分析
论文摘要：运用空间计量经济学的空间自相关Morna指数模型，空间滞后模型和空间误差模型，利用中国省域专利授权数与高校毕业生、人口总数及经济增长数据，对我国大陆31个省域创新产出的影响因素进行了空间计量实证分析。
论文关键词：创新产出；影响因素；空间计量
在我国地区科技发展过程中，专利创新影响因素的空间关联机制不容忽视。专利创新及其相关影响因素在地理空间上是否存在依赖性?影响因素对创新的空间贡献度有多大?定量研究这些问题对制定我国各具特色的区域创新战略具有重要的理论和政策意义。
国外使用空间计量方法分析专利数据的研究较多，如Anselin等研究教育和科研投入对创新的重要作用，他们建立了知识生产函数并利用美国的数据进行了空间实证分析…。
创新的内在影响因素和相互作用在不同的文献中有不同的看法。除了教育和科研投入外，Simon认为每个个人有相同的机会发现新的技术，在历史的任何时刻，是人口的数量决定创新的数量。“干中学”模型认为知识是经济生产活动的副产品。在国内，使用空间计量方法的论文较少。吴玉鸣用空间计量方法研究了我国省域的研发和创新。
针对我国专利数据的特殊性，结合已有成果，本文在考虑空间相关的基础上，利用我国大陆31个省市区的2004与2006年相关数据分析经济状况、人口、高校毕业生数等因素对创新能力的影响。
1创新产出及影响因素的空间计量
1．1模型的建立与指标的选取
内生经济增长模型中，Romer，Grossman和Helpman的研发模型将新思想的生产视为投人研究的资本、劳动力数量L和技术水平A的函数，其函数为柯布一道格拉斯形式： 
其中，t为不同的时期，dA为知识的增量，B为转移参数，
为参数。实际上，投入研究的资本K和人力L是不好衡量的。科研投入不足且大部分的专利创新并非来自科研投入。获得经费支持的部门，申请专利的比例也不高大部分科研成果以发表论文、成果鉴定等形式公开。因此使用科研投入来解释创新存在一定的问题。本文采用更广义的科研投入，即GDP替换K，这一替换也符合“干中学”原理，PGDP是用居民消费价格指数换算为当年实际值。同样，由于创新主体分布的广泛性，即创新主体不局限于专职的科研人员，因此用人口数POP替换。这一替换也可以从simon的人口数量决定创新数量的理论中找到依据。
知识的存量水平，A更不易衡量，不少文献并没有直接考虑知识的存量水平，而以教育投入来间接体现知识存量水平的作用，理由是知识存量水平通过教育转移到生产者身上，作用于新知识的生产。但是，使用教育投入来体现知识存量水平的作用同样存在问题。因为我国高校存在庞大的行政后勤管理人员，且由于院校条块分割和管理体制的不完善导致浪费、专业和课程设置不合理等原因，相当多的教育资源并没有用于知识的创新。更好的方法是选择受教育的人来体现知识的存量水平，因为知识最终由受过良好教育的人来携带并进行创新活动。本文用高校毕业生数EDU来衡量教育的发展程度，也体现了知识的存量水平转移到新知识生产上的程度，以之代替A，于是模型变为
模型两边取对数，LZSQ为专利授权数，代表知识的增量水平。考虑创新的滞后性，本文创新的影响因素滞后二期。创新产出用2006年的专利创新，影响因素用2004年的高校毕业生、人口数量、经济增长。
创新能力在省域之问存在相互作用，如甲省培养的学生，可以流动到乙省从事科研活动；甲省的某项专利，它的思想可能激发乙省的另一个创新；甲省的经济发展，也可以带动邻省的创新活动。因此，在研究创新活动时，不考虑空间相关是脱离现实的。
1．2空间计量结果与分析
1．2．1计量结果。首先计算3l省市区的专利授权(LNZ．LSQ)、高校毕业生(LNEDU)、人口数量(LNPOP)、经济增长(LNPGDP)的Moran指数分别为0．3355、0．3086、0．2434、和0．3501，Moran指数的正态统计量值均大于正态分布函数在0．0l水平下的临界值(1．96)，说明全国各省域的专利创新和高校毕业生、人口数量、经济增长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。
空间自相关检验结果表明，对有关中国专利创新和影响创新相关因素的理论与实证研究，传统研究的思路只从时间维度出发，忽视空间维度的相关性和异质性，在理论上存在严重不足，与创新和影响创新相关因素现实不符。有必要在进行专利创新及其影响相关因素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。为了比较，先给出了OLS估计结果，见表1。
以下给出了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，利用极大似然估计(ML的参数估计结果如表2所示。比较表1和表2中的检验结果发现，空问滞后模型SLM和空间误差模型SEM的拟合优度检验值均高于OLS模型，而且比较对数似然函数值LogL、AIC和sc值就会发现，在OLS、SLM和sEM中，SEM的LogL最大，而AIC和SC值最小，故SEM模型相对更好一些。由此可见，空间滞后模型和空间误差模型作为对忽视了地理空间效应的经典回归模型的修正，消除了模型的空问自相关。用OLS估计SLM和SEM模型是有偏误的或不一致的，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。而使用ML法估计的SEM和SLM模型与OLS估计相比较，SEM和SLM消除了模型的设置偏误，结果更为准确、更加可信，是正确的模型设定形式。 
