创新效率视角下高技术产业空间关联网络及其影响因素研究

刘兰剑，葛贝贝

（1.长安大学 公共管理与法学院，西安 710064；2.长安大学 中国人文社会科学研究评价中心，西安 710064）

高技术产业是国民经济战略性先导产业，是未来国家竞争的关键［1］。近年来，党和政府相继出台《当前优先发展的高技术产业化重点领域指南》［2］《国家高新技术产业开发区“十三五”发展规划》［3］《战略性新兴产业重点产品和服务指导目录》［4］等文件，旨在提升高技术产业创新效率、优化产业结构，这是我国建设创新型国家、转变经济发展方式的必然要求。国家发展和改革委员会指出，要进一步明确功能定位，完善产业布局，增强高技术产业创新能力［5］。然而，由于经济结构、技术水平等的不同，我国高技术产业创新效率呈现出明显的省际差距［6］，并不断扩大。随着环境、土地等不可再生资源的约束加剧，传统高技术产业集聚地区的生产要素成本快速上升［7］，我国高技术产业的区域布局正发生着深刻变化，这种变化加速了高技术人员、资源等要素的流动，使得地区之间的联系更加紧密，加上区域协调发展战略的推动，我国高技术产业逐步形成了复杂的网络结构，因此，传统“一刀切”的高技术产业发展政策在某种程度上会抑制我国高技术产业的联动发展。只有从全局把握我国高技术产业发展的空间关联网络，探究影响高技术产业空间关联关系的因素，揭示其空间关系与溢出路径的形成机制，才能“对症下药”，促进创新资源的合理配置，推动我国高技术产业的协同发展。在此背景下，本文分析创新效率在高技术产业空间关联网络中的溢出路径，研究各地区在我国高技术产业创新效率空间关联网络中的角色作用，并进一步探究高技术产业创新效率空间关联关系的影响因素，对制订科学的发展战略具有重要的理论意义和应用价值。

1 文献综述

区域社会经济现象的空间关联是当今学术界研究的热门话题之一，研究主要集中在区域创新的空间关联和区域发展问题等方面。自1996年COOKE［8］发现各区域间创新活动在一定地理范围内有着较强的相互影响后，国内外学者开始从实证研究的角度探索区域创新活动中的空间关联关系，主要包括以下2个方面。①从区域层面出发对创新空间关联关系的研究，如FURKOVÁ［9］研究了空间溢出在欧盟地区创新过程中的作用；BAI等［10］利用Moran's I指数证明了中国省域之间经济发展存在空间相关关系；随后，李婧和何宜丽［11］基于空间相关视角，探讨了知识溢出对区域创新绩效的影响；邵汉华等［12］则利用社会网络分析法研究了中国区域创新的空间关联网络结构及驱动因素。②从企业或产业角度出发研究空间关联网络的影响，如赵炎等［13］聚焦于企业，通过构建战略联盟网络研究网络邻近性与地理邻近性对知识转移绩效的影响；徐露允等［14］从知识网络视角研究知识网络密度对企业双元绩效的影响；曾德明等［15］探讨了企业网络位置、技术多元化程度及其对企业参与技术标准制订的影响；袁冬梅等［16］运用Moran分析法对中国地区经济差距与产业布局的空间关联性进行了研究。

高技术产业是国际经济和科技竞争的重要阵地，也一直是学术界研究的热点之一，目前国内外对高技术产业的研究主要集中在产业创新效率的测度和分析上。对高技术产业创新效率的测度是构建产业空间关联网络的基础，国内外学者采用了TOPSIS方法［17］、数据包络分析法、随机前沿分析法［18］、生命周期法等对其进行评价研究，其中以数据包络分析法为主。1978年，CHARNES等［19］首次提出了数据包络分析法，并用其评估参与公共项目的非营利实体的活动。随后，学者们在利用数据包络分析法研究各种经济活动的过程中，考虑了投入产出“松弛”问题［20］、非期望产出［21］和决策单元所处环境［22］等情形，利用一些新的模型研究产业创新效率，如刘迎春［23］运用两阶段DEA模型，对比了中国28个省市的高技术产业在技术开发和经济转化2个阶段的创新效率。随着空间计量分析技术的发展，学界开始重视空间因素，学者们开始从空间关联的角度对高技术产业创新效率进行研究，桂黄宝［24］利用空间计量面板模型发现地理邻近性对高技术产业创新效率的空间关联的具有显著的负向影响；邱士雷等［25］基于探索性空间数据和空间误差模型，证明了中国省域高技术产业创新能力存在显著的空间集聚效应和空间溢出效应；李永周等［26］则聚焦到高技术企业研究创新网络与企业研发人员创新绩效之间的关系。

已有文献为本研究奠定了坚实基础，但仍有以下方面值得进一步研究和探索。①大量研究结果表明中国高技术产业发展存在明显的空间溢出效应，但现有研究大多利用Moran’s I指数、空间计量面板模型等，这些方法都是基于“属性数据”的分析，只能反映产业创新效率的现状，无法从复杂的网络结构中识别出各区域间的关联关系链条，难以揭示空间关联产生的内在作用和运行机理。②虽然有很多学者对比研究了高技术产业在技术开发和经济转化阶段的创新效率，但并未分析2个阶段空间关联关系的特征和变化趋势，导致政府在制定高技术产业发展政策时难以对症下药。③现有研究大多局限于对空间关联关系的认知和测度，尚未有研究进一步探索高技术产业空间关联的影响因素。鉴于此，本文主要探讨2个问题。首先，利用非期望产出的超效率SBM模型测度在技术开发和经济转化2个阶段高技术产业的创新效率，基于此构建高技术产业创新效率空间关联网络，并运用社会网络分析法研究两阶段空间关联网络的整体特征、内部结构和关联关系，为从全局制定中国高技术产业的创新发展政策提供理论指导。其次，在前者的基础上，利用QAP分析法剖析影响高技术产业创新效率空间关联关系的因素，为探究如何优化配置资源以及实现中国高技术产业的协同发展提供新的思路。

2 研究设计

2.1 高技术产业区域创新效率的测度模型与指标选取

2.1.1 非期望产出的超效率SBM模型 本文利用非期望产出的超效率SBM模型测度高技术产业创新效率，保证了效率测度的科学性，为构建高技术产业创新效率空间关联网络奠定了一定的基础。超效率SBM模型弥补了传统DEA模型的2个缺陷［27］，它不仅能区分多个有效决策单元，还考虑到非期望产出，模型具体如下。

其中，ρ为效率值，决策单元（DMU）各有投入变量、期望产出、非期望产出3类要素，分别用xi0、yr0、bt0这3个向量表示；m、q1、q2分别为投入、期望产出和非期望产出的指标数量分别为投入、期望产出和非期望产出的松弛变量；λj为强度变量。

2.1.2 指标选取 本文借鉴董艳梅和朱英明［1］、陈莹文等［30］的做法，从创新价值链视角出发，根据高技术产业创新投入、产出的流程，将高技术产业的研发创新过程划分为技术开发和经济转化2个阶段，在考虑指标选取的可获得性、可操作性等原则的基础上，选取如下指标。

在技术开发阶段，本文借鉴杨佳伟等［31］、张雪玲与黄雅娟［32］的研究成果，选取R&D人员折合全时当量、R&D经费内部支出作为投入指标，在此基础上，用上一年专利申请数表示该阶段的知识产权投入，使其指标体系更加合理；技术开发是产业创新发展的第一步，本文将专利申请数作为产出指标衡量高技术产业的科技成果产出。在经济转化阶段，技术成果产业化过程既有技术和资金投入，同时也离不开人力资本的投入，因此，本文选取研发机构人员作为该阶段的人力资本投入，将新产品开发经费、技术改造经费作为资金投入，并将有效发明专利数作为知识产权投入；经济转化阶段的成果主要体现在收益性产出，因此，本文借鉴刘迎春［23］、张雪玲与黄雅娟［32］的研究成果，将新产品销售收入作为该阶段的产出指标。

2.2 修正的引力模型与空间关联矩阵的构建

根据研究需要，参考邵汉华等［12］修正的引力模型，将引力模型修正为

其中：Xij表示高技术产业创新效率空间关联强度；Ei、Ej表示i省和j省的高技术产业创新效率；Dij表示地区i和地区j之间的“距离”，考虑到省份间存在“直线距离短但实际到达困难”的情况，本文用每2个省会城，Gi、Gj表示地区i和地区j的GDP。通过修正的引力模型计算得出高技术产业创新效率的空间关联矩阵，为了进一步刻画各省份之间空间关联性，本文采取“均数原则法”构建高技术产业创新效率空间二值矩阵：求出矩阵中各行的平均数Y，若Xij＞Y，则取值为1，表明省份间的高技术产业存在关联关系；若Xij＜Y，则取值为0，表明该省份间高技术产业不存在关联关系。

2.3 社会网络分析法

为了明确各地区高技术产业创新效率在全国空间关联网络中的节点地位，本文利用社会网络分析方法（SNA）研究了高技术产业创新效率空间关联网络。①整体网络特征包括空间关联强度和空间关联特征2个方面，空间关联强度采用网络密度指标衡量，空间关联特征采用网络关联度、网络等级度和网络效率衡量［33］。②本文主要采用度数中心度、接近中心度和中间中心度3个指标对个体网络特征进行刻画，借此研究各个地区在创新效率空间网络中的位置及扮演的角色［34］。③本文利用CONCOR（迭代相关收敛法）对中国高技术产业创新效率空间关联网络进行聚类分析和板块划分，揭示空间关联网络的内部结构和溢出路径，并对板块内部与板块之间的关联特征进行分析，据此判断各个板块在空间关联网络中的角色和地位。

2.4 数据来源

本文相关指标数据来源于《中国统计年鉴》（2006—2017年）、各省份《统计年鉴》（2006—2017年）和《中国高技术产业统计年鉴》（2006—2017年）。由于高技术产业投入、产出具有一定的滞后性，且大多数企业考核周期为财务年度，因此将其投入—产出的滞后期选取为1年。同时，限于数据的可获得性，本文的研究范围仅包括我国的28个省份（不包括藏、青、新和港澳台）。

3 高技术产业创新效率空间网络结构分析

3.1 整体网络特征及其演变

本文通过非期望产出的超效率SBM模型，对2006—2015年高技术产业创新效率进行测度，限于篇幅，此处未列出结果。基于此，本文通过修正的引力模型构建空间二值矩阵，利用Ucinet软件下的可视化工具Netdraw绘制高技术产业创新效率空间网络拓扑图，并选取2006年、2015年在技术开发阶段和经济转化阶段的截面进行对比分析（见图1～图4），图中的节点表示我国28个省份，节点之间的连线表示省份之间的关联关系，箭头方向则表示创新效率的溢出方向。如图1～图4所示，各省份高技术产业创新效率不仅影响邻近的省份，也打破了地域限制，与非邻近省份发生了空间关联关系，例如2015年北京的高技术产业在经济转化阶段不仅与邻近的天津、河北等省市发生了关联关系，还对湖南、福建等地区产生了创新效率的溢出（见图4）。此外，在技术开发阶段，2015年比2006年的网络关联度要低，而在经济转化阶段，2015年的网络关联度比2006年更加复杂。为了进一步分析高技术产业创新效率空间关联的整体网络特征，本文基于空间关联矩阵计算了该网络的网络关联度、网络密度、网络效率和网络等级度，并绘制出两阶段网络密度及关系数对比图（见图5～图6）、网络等级度和网络效率对比图（见图7～图8）。

图1 2006年技术开发阶段网络Fig.1 Network of technology development stagein 2006

图3 2015年技术开发阶段网络Fig.3 Network of technology development stagein 2015

图2 2006年经济转化阶段网络Fig.2 Network of economic transformation stage in 2006

图4 2015年经济转化阶段网络Fig.4 Network of economic transformation stage in 2015

图5 技术开发阶段网络密度与关系数Fig.5 Network density and relationship number in the technology development stage

图7 技术开发阶段网络等级度与网络效率Fig.7 Network hierarchy and network efficiency in the technology development stage

图6 经济转化阶段网络密度与关系数Fig.6 Network density and relationship number in the economic transformation stage

图8 经济转化阶段网络等级度与网络效率Fig.8 Network hierarchy and network efficiency in the economic transformation stage

3.1.1 高技术产业创新效率的空间关联强度 在技术开发阶段，2006—2015年高技术产业创新效率空间关联网络的网络密度与关系数均在波动中呈整体下降的趋势（见图5），这是由于2009年《关于加快国家高技术产业基地发展的指导意见》［35］明确把高技术产业基地建设作为“推进创新型国家的重要载体”，在相关政策倡导下，各地积极推进高技术产业集聚发展［36］，产业的集聚带动了人才的集聚，加上技术开发阶段研发工作的保密性，导致在技术开发阶段高技术产业的网络密度与关系数呈下降趋势。在经济转化阶段，2006—2015年高技术产业的网络密度与关系数均呈波动上升的趋势，但上升幅度不大，空间网络基本趋于稳定（见图6）。

3.1.2 高技术产业创新效率的空间关联特征 2006—2015年两阶段的网络关联度均为1，表明在研发创新的2个阶段，高技术产业均形成了较为稳定的空间关联网络。从网络等级度指标来看，研究期内两阶段的网络等级度均呈下降趋势，且技术开发阶段的网络等级度在0.84～0.89，始终低于经济转化阶段（见图7）。这一指标说明在经济转化阶段，高技术产业地区间创新效率的关联性较强，地区间表现出明显的产业协同创新趋势。从网络效率指标来看，在技术开发阶段，高技术产业的网络效率逐步提高，说明该阶段空间网络的稳定性受到影响，这与前文观察创新效率空间网络拓扑图所得出的结论一致；相反，在经济转化阶段，网络效率呈现出波动下降趋势（见图8），这表明各省份之间的联系日益紧密，空间网络趋于稳定。

3.2 个体网络特征

本文通过测度度数中心度、接近中心度和中间中心度来分析高技术产业创新效率空间网络的个体网络特征，以确定各省市在高技术产业创新效率空间关联网络中的地位和作用，揭示其在两阶段的中心度差异。此外，为了研究某个地区在空间关联网络的影响力及被影响的程度，本文还测度了各个省市的出度、入度，结果见表1。

表1 高技术产业创新效率空间关联网络中心性分析Tab.1 Central analysisof spatial correlation network of innovation efficiency in high-tech industry

3.2.1 度数中心度 度数中心度可以反映各个省份在空间关联网络中的地位。由表1可知，北京、内蒙古、江苏等11个省市的度数中心度均高于均值，表明这些省市与其他省份间的关联度较高，居于空间网络的中心地位，对空间网络中其他省份的影响力较强。值得注意的是，居于创新效率空间关联网络中心的省市大多具有较低的出度和较高的入度，这与苏屹等［37］的部分研究结论一致，例如，2015年在经济转化阶段北京的出度、入度分别为2和20，天津的出度和入度分别为1和20，北京和天津的度数中心度排名分别为第3和第4，由此可见，创新效率较高的省份不仅没有对其他省份产生带动作用，反而从其他省份获得了较高的关联性收益，净受益效应明显。

3.2.2 接近中心度 接近中心度是判断空间关联网络中各省份间产生关联难易程度的重要指标。如表1所示，在研发创新的两阶段中，北京、天津、江苏、江西、河南5个省市的接近中心度均高于全国均值，表明这些省份的地理位置优越，与其他省份之间的空间距离较近，在空间关联网络中更易与其他省市产生空间关联。值得一提的是，地处西北的甘肃省接近中心度也高于全国均值，这是由于甘肃省政府长期重视高技术产业的发展，甘肃省拥有金昌、张掖、民乐、玉门、定西、平凉、嘉峪关7个省级高技术产业开发区以及兰州国家高新技术产业开发区，大力发展新能源产业、新材料产业、生物医药产业三大产业，并取得了积极成效；而四川、辽宁、黑龙江等省份则恰恰相反，这些省份受地理位置的影响，在创新效率空间关联网络中很难从其他省份获益，同样，它们对其他省份也并未产生明显的影响和带动作用。

3.2.3 中间中心度 中间中心度是衡量空间关联网络中各省份对资源的控制能力的指标［31］。由表1可知，在技术开发阶段，陕西、河南、辽宁等省份的中间中心度居于前列，在经济转化阶段，河南、北京、天津等省市居于前列，表明这些省市在空间关联网络中控制着其他省市创新效率关联关系的构建与发展，充当了“中间人”的角色。与大众普遍认知不同的是，上海、江苏、浙江等东部经济发达省市该项指标值不足5，这也印证了本文之前的结论，经济发达、创新效率较高的省市不仅没有对其他省份产生带动作用，反而从其他省份获得了较高的关联性收益。

3.3 空间聚类特征分析

为了揭示创新效率在高技术产业空间关联网络中的溢出路径，进一步了解各地区在该空间关联网络中的作用，本文采用CONCOR算法，基于2015年高技术产业在两阶段的创新效率空间关联关系，对空间关联网络进行聚类分析，将最大分割深度设置为2、收敛标准设置为0.2，得出高技术产业创新效率的空间关联网络的板块划分及空间关联关系（见表2）。

表2 高技术产业创新效率空间关联网络板块划分及关联关系Tab.2 Segmentation and correlation of spatial association network of innovation efficiency in high-tech industry

由表2可知，在技术开发阶段，高技术产业创新效率的空间关联网络共有159个关联关系，其中板块内部有124个，板块之间有35个，表明技术开发阶段，板块内部的集聚特征明显，而各个板块间的空间关联效应较弱。本文通过借鉴WASSERMAN和FAUST［38］关于网络模块的评价方法对板块性质进行判断。板块Ⅰ的溢出关系总数为63，其中，对板块内的溢出关系数为50，对板块外的溢出关系数为13，期望和实际内部关系比例分别为33.33%、79.37%，可见板块Ⅰ与板块内部省份及板块外部省份均产生了较多的溢出关系，由此判断该板块为“双向溢出板块”。板块Ⅱ对板块外的接受关系数为0，对板块外的溢出关系数为3，期望和实际内部关系比例分别为7.41%、66.67%，可见该板块只对其他板块产生了溢出效应，并未对接收来自其他板块的溢出，因此板块Ⅱ为“净溢出板块”。板块Ⅲ对板块外的接受关系数为17，但对板块外的溢出关系数仅为6，远远小于其接受的关系数，期望和实际内部关系比例分别为25.93%、86.05%，由此判断该板块为“净收益板块”。板块Ⅳ对板块外部的溢出关系数为13，对板块外部接受关系数为10，期望和实际内部关系比例分别为22.22%、70.45%，表明该板块既对其他板块产生溢出效应，同时又接受来自其他板块的溢出关系，扮演着“中间人”的角色，因此板块Ⅳ为“经纪人板块”。在经济转化阶段，高技术产业创新效率的空间关联网络共有190个关联关系，其中板块内部有85个，板块之间有105个，表明板块间的关联效应较强，联系较紧密。同样，根据WASSERMAN和FAUST［38］关于网络模块的评价方法可以得出经济转化阶段各个板块的板块性质（见表2）。

根据以上分析可得2015年高技术产业创新效率空间关联板块分布。在技术开发阶段和经济转化阶段均形成了4个板块，除个别板块外，大多板块均由相邻的几个省份构成，这表明地理相邻的省份之间具有更多的关联关系。从各个板块的分布来看，2个阶段的板块分布类似，净收益板块主要位于长三角、珠三角及其周边等经济发达的省份，这再次印证了之前的结论，创新效率较高的省份更容易从其他省份获得较高的关联性收益，经纪人板块位于西南地区，双向溢出板块位于北部地区。净溢出板块在2个阶段的分布明显不同，在技术开发阶段，净溢出板块位于东北地区，包括黑、吉、辽，而在经济转化阶段，净溢出板块位于中国中部偏南地区，包括闽、鄂、湘、粤、陕、赣6省。

为了刻画各个板块之间的溢出关系和溢出路径，本文利用Ucinet软件计算出各个板块的密度矩阵及像矩阵（见表3）。由表3可知，在技术开发阶段，板块内部各省份之间的联系较为密切，而板块之间的联系较少；在经济转化阶段，除了板块内部之间具有集聚特征外，板块之间的联系也较为紧密。此外，由像矩阵可知，在经济转化阶段，板块Ⅱ和板块Ⅲ在自身高技术产业创新效率提升的同时，也能带动其他板块创新效率的提升。具体来说，板块Ⅱ（黑、吉、辽、晋、内蒙古、冀、宁、鲁）和板块Ⅲ（闽、鄂、湘、粤、陕、赣）的高技术产业创新要素流动到了净收益板块Ⅰ（京、津、苏、浙、皖、沪、豫）经济发达的地区。

表3 高技术产业创新效率的空间关联网络的板块划分及空间关联关系Tab.3 Segmentation and correlation of spatial association network of innovation efficiency in high-tech industry

前文分析了高技术产业创新效率空间关联网络的整体特征、内部结构和关联关系，对中国高技术产业的空间关联关系有相对全面的了解。但是，高技术产业创新效率空间关联关系是如何形成的？哪些因素促进或阻碍了这种关联关系的产生？这些问题还未能回答。因此，接下来将着重分析高技术产业空间关联的影响因素，以期为实现中国高技术产业的协同发展提供新的思路。

4 高技术产业创新效率空间关联网络的影响因素分析

为了进一步揭示高技术产业创新效率空间关联关系和溢出路径的形成机制，本文将利用QAP分析法对高技术产业创新效率空间关联网络的影响因素进行分析，为各地区因地制宜地调整高技术产业发展政策提供理论指导。

4.1 变量的选取与模型设定

高技术产业创新效率空间关联网络是多种因素综合驱动的结果。前文分析表明，高技术产业创新效率空间关联强度与地区间距离具有明显的关系，这与桂黄宝［24］、邵汉华等［12］的研究结论一致，因此本文将空间邻近关系作为空间关联网络的影响因素之一，并将相邻的省份值设置为1，不相邻的省份设置为0，以此来构建地区空间邻近矩阵。其次，在空间聚类特征分析中发现，净收益板块主要位于东部沿海地区等经济发达省市，由此可以推测各省份的经济发展水平会对高技术产业创新效率的空间关联产生影响，因此，本文将地区人均生产总值作为影响空间关联网络的因素之一。另外，参考陈莹文等［30］、刘伟［22］的研究结果，各地区不同的产业结构、企业规模、政府支持力度、科技发展水平和对外开放程度也会影响产业创新效率及其空间关联程度，因此，也将它们作为空间网络的影响因素。最后，产业创新发展离不开人才，所以将人才投入力度差异也作为空间关联的影响因素之一。由此，构建以下模型。

其中：TIi表示2015年在技术开发阶段（i=1）和经济转化阶段（i=2）的高技术产业创新效率空间关联矩阵；D表示地区空间邻近矩阵；N表示地区经济发展水平差异矩阵；I表示产业结构差异矩阵，产业结构以地区第三产业与第二产业之比衡量；S表示企业规模差异矩阵，企业规模以高技术产业资产总额与企业数量之比衡量；T表示政府支持力度差异矩阵，政府支持力度以研发经费内部支出中政府资金的比重衡量；L表示科技发展水平差异矩阵，科技发展水平以研发经费内部支出占各个地区财政支出的比重衡量；R表示人才投入力度差异矩阵，人才投入力度以R&D人员全时当量衡量；F表示对外开放程度差异矩阵，对外开放程度以各地区进出口总额与各地区GDP之比衡量。由于以上变量均为“关系数据”，各个观察值之间不相互独立，不适合用计量经济学的方法计算，而QAP分析方法的研究对象均为“关系”数据，主要以矩阵数据的置换为基础［39］，其结果更加稳定［37］。因此，本文采用QAP分析法进行高技术产业创新效率空间关联性的相关与回归分析。

要强化工作重点，对国家级自然保护区，重点督察林业自然保护区生态环境问题整改中是否达到整改完成标准进行重点整治和排查，确认整改实际进展情况与上报进展情况是否相符，是否存在“放水”、“虚假整改”、“打折扣整改”、“敷衍整改”等未达到整改完成标准的情况。对存在不作为、慢作为、乱作为等情况的，协调相关部门，严肃追责问责。

4.2 QAP相关性分析

运用Ucinet软件中的QAP程序，选择10 000次随机置换，得到各个矩阵之间的相关系数及显著性水平（见表4）。表4表明，在技术开发阶段，地区邻近矩阵D与创新效率空间关联矩阵的相关系数为0.528且显著，这表明地区之间越邻近，高技术产业创新效率的空间关联性越强；地区经济发展水平差异N与创新效率空间关联矩阵显著负相关，这表明地区之间的经济发展水平越接近，高技术产业创新效率的空间关联性越强；产业结构差异I、企业规模差异S、政府支持力度差异T、科技发展水平差异L、人才投入力度差异R和对外开放程度差异F的显著性水平均高于10%，说明这些因素对技术开发阶段的空间关联并未产生显著影响。在经济转化阶段，地区空间邻近程度D、企业规模差异S与创新效率空间关联矩阵均显著正相关，表明各省份之间越邻近、企业规模差异越小，高技术产业创新效率的空间关联性越强；地区经济发展水平差异N、产业结构差异I、政府支持力度T、对外开放程度F与创新效率空间关联矩阵的相关性均显著为负，这表明这些影响因素的地区差异越小，空间关联性越强；科技发展水平差异L和人才投入力度差异R之间相关性不显著，表明这2种因素对创新效率空间关联性没有显著影响。

表4 QAP相关性分析结果及显著性水平Tab.4 QAPcorrelation analysisresultsand significancelevel

4.3 QAP回归分析

由QAP相关性分析可知，各个影响因素之间存在着一定的相关性，为了避免多重共线性可能会造成的误差［31］，本文选取相关分析中对空间关联矩阵影响显著的因素作为解释变量，进行QAP回归分析。

由表5可知，在技术开发阶段，空间邻近矩阵D在1%的水平上显著，这表明地理位置的邻近性确实对创新效率空间关联具有显著的影响，地理位置越邻近，越容易发生空间关联关系，这与前文的研究结论一致；社会经济发展水平差异N的显著性水平大于10%，表明社会经济发展水平对高技术产业创新效率的空间关联的影响不显著。在经济转化阶段，地区空间邻近矩阵D、政府支持力度T在1%的水平上显著，表明高技术产业区域创新效率的空间关联关系受这2种因素的影响较大。企业规模差异S在10%的水平上显著，表明企业规模的差异在一定程度上能够对高技术产业的创新效率空间关联产生影响。

表5 QAP回归分析Tab.5 QAPregression analysis

5 结论与建议

5.1 研究结论

本文在利用超效率SBM模型测度中国高技术产业创新效率的基础上，运用Ucinet软件构建并分析了高技术产业创新效率空间关联网络的结构特征，得出以下主要结论。

①通过整体网络研究发现，2006—2015年中国高技术产业创新效率在两阶段的空间关联网络均具有稳健性，这与既有研究结论相似，但不同的是：在技术开发阶段，网络密度与关系数均在波动中呈整体下降的趋势，而在经济转化阶段则呈现波动上升的趋势，这表明在高技术产业经济转化阶段，省份之间的协同创新与产业整体效率仍有很大的提升空间。

②通过个体网络研究发现，创新效率较高的省份不仅没有对其他省份的创新效率产生带动作用，反而从其他省份获得了较高的关联性收益，净收益效应明显，这也验证了苏屹等［37］的部分研究结论。此外，高技术产业创新效率的空间关联网络在两阶段都表现出了明显的中心—边缘分布，且两阶段居于网络中心地位的省份相似，主要为东部经济发达地区。

③通过空间聚类分析发现，高技术产业创新效率空间关联网络在两阶段均形成了4个板块，且2个阶段的板块分布类似。不同的是，在技术开发阶段，各个板块间的空间关联效应较弱；在经济转化阶段，板块间的空间关联效应较强，双向溢出板块和净溢出板块在提升自身高技术产业创新效率的同时，也能带动其他板块创新效率的提升。

④在研发创新的2个阶段，地理位置的邻近性对高技术产业创新效率空间关联均产生了显著的影响，地理位置越接近，越有助于建立空间关联关系。不同的是：在经济转化阶段，除了地理位置以外，政府支持力度差异、企业规模差异也对高技术产业创新效率的空间关联产生了显著影响。

5.2 政策建议

1）在认识中国高技术产业创新效率空间关联网络结构特征的基础上，将这种空间关联关系作为各地区制定高技术产业发展政策的参考，使各个地区的高技术产业发展政策更具有适应性。同时，各地区要顺应经济转化阶段创新效率的空间网络逐步加强的趋势，积极与其他地区开展合作，推动中国高技术产业协同创新发展。

2）创新效率较高的省份要充分发挥其核心带动作用。处在空间关联网络中心的省份在保持自身高技术产业发展的同时，要引导其他板块省份的技术发展，积极与处在空间关联网络边缘的省份开展合作，充分利用其他地区的创新资源，促进资源的优化配置。

3）加快建立高技术产业区域协同创新机制。处在“双向溢出板块”与“净收益板块”的各个省份要借助国家鼓励高技术产业发展的大环境，发展自身的高技术产业链。处在“净溢出板块”与“经纪人板块”的各个省份应制定优惠政策，鼓励高技术产业进入，吸引东部地区高技术产业向本地区转移，并不断改造升级，促进本地区高技术产业的发展。

4）进一步推进高技术产业基地的建设，优化其创新发展的环境。发挥地区间人才、资金、技术等资源的联动优势，有创新资源和条件的地区应加快高技术产业基地的建设，并将其作为高技术产业创新发展的孵化基地，加快形成各具特色的高技术产业集群。中西部地区政府要因地制宜，发挥自己的优势，设计符合地区特点的优惠政策，优化高技术产业创新发展的环境，从而推动高技术产业的协调发展。

5.3 不足与展望

本文运用非期望产出的超效率SBM模型测度高技术产业创新效率，在此基础上，利用社会网络分析法研究了高技术产业创新效率空间关联网络的整体特征、内部结构与影响因素，但仍有以下不足。①本文构建的空间关联网络只能揭示省份之间的创新关联关系，难以判断关联关系的强度。②本文只分析了影响高技术产业创新效率空间关联的因素，未能进一步分析这些因素对空间关联网络的影响程度及影响机制。③本文以整个高技术产业为研究对象，未对高技术产业的细分行业进行研究。在今后的研究中将针对这些问题做进一步探讨，更加深入地研究高技术产业创新效率空间关联网络的相关问题。