开放科学(资源服务)标识码(OSID)：
This study constructs an evaluation index system for the technological innovation capability of high-tech enterprises in China's eight major urban agglomerations, and uses principal component analysis, Dagum Gini coefficients, Kernel density estimation, traditional and spatial Markov chain and other methods to evaluate the high-tech enterprises in China's eight major urban agglomerations from 2014 to 2019.
According to the empirical study on the regional differences and spatiotemporal evolution characteristics of technological innovation capabilities, it is found that firstly there is an universal increasing trend of the technological innovation capabilities of high-tech enterprises in the eight major urban agglomerations. The technological innovation capabilities of high-tech enterprises in the Pearl River Delta urban agglomeration are the highest, and the lowest is in the Beibu Gulf urban agglomeration. This also shows that the economically developed regions often have high technological innovation capabilities of high-level enterprises, and the level of technological innovation capabilities of high-level enterprises in urban agglomerations also reflects the level of technological innovation capabilities at the regional level of urban agglomerations. Secondly the overall, intra-regional and inter-regional differences all show a significant expansion trend, and the inter-regional differences are the main reasons for the differences in their technological innovation capabilities. On the one hand, the high-end enterprises in the eight major urban agglomerations have not yet generally established the awareness of technological innovation, and they lack long-term consideration of innovation and entrepreneurship; what's more, they have weak intrinsic motivation for technological innovation, which leads to further regional differences. On the other hand, a collaborative innovation mechanism has not yet been formed among high-level enterprises in various urban agglomerations, and the interaction of innovation with each other is poor. Thirdly the distribution curve of technological innovation capability gradually shifts to the right, showing a tailing trend to the right, but the polarization phenomenon is different. With consideration of the spatial correlation, its technological innovation capability shows obvious asymmetric and asynchronous characteristics with non-equilibrium time-space transfer. This finding indicates that the spatial and temporal evolution characteristics of technological innovation capabilities at the high-level enterprise level of urban agglomerations and technological innovation capabilities at the regional level of urban agglomerations are consistent and convergent.
The study proposes that various regions should implement differentiated high-tech innovation capability improvement projects. Cities with strong technological innovation capabilities of high-tech enterprises should expand the space for external development; cities with weak technological innovation capabilities of high-tech enterprises should focus on improving the technological innovation capabilities of high-tech enterprises. In addition, it is necessary to promote the cross-regional flow and balanced allocation of innovation resources of high-tech enterprises, actively expand the channels for large-scale and cross-regional flow of innovation resources and improve the policies with focus on the support of innovative resource elements flow from rich areas to poor areas. Finally, it is essential to strengthen the cross-regional division of labor and cooperation in high-tech industries, the correlation and interaction of high-tech industries between different urban agglomerations, so as to further promote the cross-regional exchanges and cooperation of high-tech industries, jointly solve the problems that restrict the industrial growth and development , and improve the overall development quality of China's high-tech industries.
开放科学(资源服务)标识码(OSID)：
当前，创新成为驱动我国经济高质量发展的核心动力。为实现科技与经济深度融合、推动高新技术产业发展，高新技术企业(以下简称高企)作为知识和技术密集的经济实体，具有典型的高研发投入与高知识(技术)产出特征[1]。据国家科技部火炬中心统计数据显示，全国高企数量由2014年的62 556家增长至2019年的218 544家，2019年全国高企从业人员达3 437万人，较2014年增长近1倍；2019年实现营业收入45.1万亿元，较2014年翻了一番。各省市认定的高企已经成为引领和带动区域创新驱动发展的战略高地。因此，各地区高企技术创新水平在很大程度上代表了区域技术创新水平及创新发展程度[2]。城市群作为未来区域经济最具活力和潜力的核心地区[3]，是支撑我国高企技术创新能力提升的重要载体。全面提升城市群高企技术创新能力，不仅是实现创新驱动经济高质量发展的关键抓手，而且也是促进科技自立自强的重要保障。然而，受复杂的内外部环境影响，创新驱动发展呈现出明显的区域化和非均衡特征，不同城市群之间的高企技术创新能力很难实现协同增长，这不仅会加剧不同城市群高企技术创新能力的空间不平衡，而且也会给区域经济协调发展带来巨大压力。因此，合理评估城市群高企技术创新能力，分析城市群高企技术创新能力的区域差异与时空演进特征，对于提升企业技术创新能力和推动区域协调发展具有重大的理论与现实意义。
已有的高企技术创新能力区域差异研究主要集中于省市层面，且多采用描述性统计方法对比不同省市高企技术创新能力差异[2][4][5]，这些研究仅仅揭示了高企技术创新能力存在的区域差异，无法准确刻画区域差异程度、差异来源及时空演化特征。为有效弥补描述性统计的不足，一些研究采用泰尔指数、变异系数、传统基尼系数、基尼系数分解方法等计量方法测算技术创新能力的区域差异[6][7]。如曹勇[8]采用泰尔指数测度四直辖市技术创新能力的差异；侯纯光等[9]采用变异系数和传统基尼系数方法衡量我国内地30个省市技术创新能力的差异；杨明海等[10]运用Dagum基尼系数与Kernel密度估计测算我国七大城市群技术创新能力的区域差异及动态分布演进趋势。然而，现有研究仍存在以下局限：一是研究大多采用单一指标衡量技术创新能力(如专利)，即使一些研究采用多个指标进行衡量，也多是从“创新投入—创新产出”维度构建评价指标体系，少有研究从“创新投入—创新产出”与“内部自主创新”、“外部开放创新”等交叉维度构建评价指标体系，尤其是在构建新发展格局背景下，仅仅从“创新投入—创新产出”角度衡量技术创新能力可能导致研究结论出现偏差。二是基于传统基尼系数与变异系数的研究均是对研究样本的整体区域差异进行测度，无法准确实现区域内、区域间差异的分解，从而不能有效解释区域差异来源。而泰尔指数也未充分考虑子样本分布状况，仅将区域差异笼统地归因于区域内差异与区域间差异的贡献，无法进一步刻画区域内差异与区域间差异交叉项(超变密度)的贡献程度，导致测算结果出现偏差[7]。三是即使采用了Dagum基尼系数的研究，也较少关注城市群高企层面技术创新能力的区域差异问题，也少有从八大城市群视角展开分析。
为弥补现有研究不足，本文从“创新投入—创新产出”与“内部自主创新”、“外部开放创新”等交叉维度构建城市群高企技术创新能力评价指标体系，依次运用主成分分析、Dagum基尼系数、Kernel密度估计、传统与空间Markov链分析等方法，对八大城市群高企技术创新能力的区域差异及时空演进特征进行实证研究，并获得研究结论和政策启示。
大部分学者通常以创新投入或创新产出的单一指标[11-12]表征经济体的技术创新能力。然而，一些学者[13-14]指出，在对技术创新能力进行测度时，采用多个评价指标衡量技术创新能力是比较合理的，多指标体系能够有效解决单一指标衡量方法的缺陷和不足。因此，本文通过构建评价指标体系衡量城市群高企技术创新能力水平。
一般而言，高企技术创新能力提升路径主要有两条：一是依靠自身拥有的创新资源禀赋和特色优势，在内部开展创新创业活动，进而提升企业自主创新水平；二是利用外部创新资源优势，深化产学研合作和引进外部优质创新资源，主动参与国际创新合作与竞争，进而提升企业开放创新水平。在加快构建新发展格局的背景下，对城市群高企技术创新能力进行评价需满足两个维度：一是内部自主创新维度，即高企依托自身能力和资源开展创新，这是高企技术创新能力的主体内容；二是外部开放创新维度，即高企借助外部资源和力量开展创新，这是高企技术创新能力的重要补充。同时，围绕上述维度，从“创新投入—创新产出”角度对其发展内涵进行指标设计。按照上述思想，同时考虑数据可获得性和准确性，设计城市群高企技术创新能力评价指标体系，如表1所示。
就内部自主创新而言，创新投入包括内部创新经费和创新人才投入，分别采用R&D经费内部支出和R&D人员折合全时当量衡量。R&D经费支出可划分为内部支出与外部支出。内部支出是指企业内部研究开发项目支出，主要特点是依靠企业自身能力在内部开展自主创新活动；外部支出是企业委托自身以外的其它研究机构、高校或者企业开展研发活动的经费投入，主要特点是委托外部单位开展创新活动。在创新产出方面，采用国内发明专利授权数衡量，原因在于：一方面，发明专利授权数作为衡量高企技术创新能力的核心指标之一，在指标认可性和数据可获得性方面具有其它创新产出指标不可比拟的优点，同时，发明专利授权数根据授予部门不同，更容易进行境内外发明专利的划分，这为后续从“创新投入—创新产出”与“内部自主创新”、“外部开放创新”等交叉维度合理评估城市群高企技术创新能力提供了数据基础。另一方面，发明专利较其它专利的技术含量更高、审批程序更严，能全面表征高企技术创新产出数量和质量。
表1 城市群高企技术创新能力评价指标体系
Tab.1 Evaluation indicators of technological innovation capability of high-tech enterprises in urban agglomerations
评价维度创新投入创新产出内部自主研发R&D经费内部支出R&D人员折合全时当量国内发明专利授权数外部开放创新R&D经费外部支出海外引进人才数量海外引进技术经费支出海外发明专利授权数累计主导或参与的国际标准数
就外部开放创新而言，创新投入包括外部创新经费、外部创新人才与技术引进投入，分别采用R&D经费外部支出、海外引进人才数量、海外引进技术费用支出衡量。在创新产出方面，为突出强调高企技术的全球竞争能力，本文采用海外发明专利授权数、累计主导或参与的国际标准数两个指标进行衡量。其中，累计主导或参与的国际标准数反映企业技术创新国际竞争力和国际话语权，是高企实现科技自立自强和塑造海外竞争优势的核心指标。
考虑到数据可获得性和准确性，在划分城市群时，结合相关文件并参照已有研究[10，15]对城市群的处理方式，本文以京津冀、长三角、珠三角、长江中游、成渝、哈长、中原以及北部湾等八大城市群高企为研究对象，各城市群划分如表2所示。数据来源于国家科技部火炬中心面向全国高企开展的年度调查统计，该调查统计由《国家高新区和高新技术企业统计报表》《高新技术企业综合统计快报表》和《年度高新技术企业发展情况表》三部分组成，包含20余万余家高企综合信息。参照牛冲槐、夏文飞等[2，5]的做法，根据高企注册地，将高企上报指标进行加总，形成2014-2019年144家地级市层面高企数据。
表2 城市群范围界定及相关依据
Tab.2 Definitions of urban agglomeration and relevant classification bases
城市群包含城市划分依据京津冀北京、天津、石家庄、沧州、承德、邯郸、衡水、廊坊、秦皇岛、唐山、天津、邢台、张家口、安阳《京津冀都市圈区域规划》《京津冀协同发展规划纲要》 《“十三五”时期京津冀国民经济和社会发展规划》长三角上海、南京、无锡、常州、苏州、南通、盐城、扬州、镇江、泰州、杭州、宁波、 嘉兴、湖州、绍兴、金华、舟山、台州、合肥、芜湖、马鞍山、铜陵、安庆、滁州、池州、宣城《长江三角洲城市群发展规划》《长江三角洲区域一体化发展规划纲要》珠三角广州、深圳、东莞、佛山、河源、惠州、江门、清远、汕尾、韶关、云浮、肇庆、中山、珠海《珠江三角洲地区改革发展规划纲要(2008-2020)》《粤港澳大湾区发展规划纲要》长江中游武汉、黄冈、咸宁、孝感、荆州、荆门、宜昌、黄石、鄂州、襄阳、长沙、衡阳、湘潭、株洲、岳阳、娄底、常德、益阳、南昌、九江、抚州、鹰潭、新余、景德镇、上饶、宜春、萍乡、吉安《长江中游城市群发展规划 》中原郑州、开封、洛阳、南阳、新乡、许昌、商丘、周口、焦作、信阳、驻马店、平顶山、濮阳、漯 河、鹤壁、三门峡、菏泽、聊城、晋城、长治、运城、淮北、蚌埠、亳州、宿州、阜阳《中原城市群发展规划》成渝成都、自贡、泸州、绵阳、德阳、遂宁、内江、南充、乐山、眉山、宜宾、雅安、广安、达州、资阳,重庆《成渝城市群发展规划 》哈长长春、吉林、四平、辽源、松原、哈尔滨、齐齐哈尔、大庆、牡丹江、绥化《哈长城市群发展规划》北部湾茂名、阳江、湛江、北海、崇左、防城港、南宁、钦州、玉林、海口《北部湾城市群发展规划》
本文采用主成分分析方法合成综合指标。首先对原始数据进行标准化处理，对处理后的数据指标进行主成分分析；其次，计算特征值、特征向量以及方差累计贡献率，本文选取累计方差贡献率在90%以上的前n个主成分。根据式(1)计算出各主成分分值。其中，Sn为第n个主成分的分值，Eni为第n个主成分的特征向量，Zi为经标准化处理后的指标数值。最后，根据式(2)计算出八大城市群高企技术创新能力的综合指数。在式(2)中，ST为每年八大城市群高企技术创新能力的综合指数，Pni则为第n个主成分的方差贡献率。
(1)
(2)
值得注意的是，本文采用主成分分析方法测算的综合指数会出现负值，为了便于后续分析，将根据统计学的3σ原则对综合指数按照式STT=ST+H进行坐标平移，并且选取的标准化数据均通过了KMO检验和Bartlett球度检验。
表3报告了八大城市群高企技术创新能力均值及变化趋势。一方面，就技术创新能力均值而言，八大城市群高企技术创新能力的总体均值为1.591 2。其中，京津冀、长三角、珠三角城市群高企技术创新能力的均值明显高于八大城市群高企技术创新能力的均值；长江中游、成渝、哈长、中原以及北部湾城市群高企技术创新能力的均值则低于八大城市群高企技术创新能力的总体均值。另一方面，就技术创新能力演变趋势而言，八大城市群整体、京津冀、长三角、珠三角以及长江中游城市群高企技术创新能力均呈现持续提升态势，但提升速度各异。其中，整体技术创新能力从2014年的1.522 0提升至2019年的1.681 9，年均提升2.10%；珠三角、京津冀城市群高企技术创新能力的增速最快，分别从2014年的1.631 9、1.602 1增长至2019年的2.263 0、1.942 3，年均分别增长7.73%、4.25%;成渝城市群高企技术创新能力则呈现波动上升态势;哈长、中原以及北部湾城市群高企技术创新能力呈现先下降后上升的发展态势，上升幅度明显大于下降幅度。由此可见，成渝、哈长、中原以及北部湾城市群高企创新能力提升速度相对缓慢，有待进一步释放高企创新动力和活力。
表3 八大城市群高企技术创新能力均值
Tab.3 Average values of high-tech innovation capabilities of the eight major urban agglomerations
年份总体京津冀长三角珠三角长江中游成渝哈长中原北部湾20141.522 0 1.602 1 1.659 3 1.631 9 1.466 41.476 1 1.442 8 1.439 0 1.423 4 20151.544 4 1.662 3 1.689 1 1.732 6 1.478 41.468 6 1.442 0 1.438 9 1.422 6 20161.572 1 1.689 2 1.736 2 1.872 5 1.489 41.475 6 1.441 4 1.438 5 1.424 8 20171.597 0 1.734 5 1.754 9 1.957 3 1.514 91.507 5 1.440 5 1.439 8 1.427 9 20181.629 7 1.783 9 1.816 3 2.102 2 1.532 01.492 5 1.445 2 1.442 9 1.430 8 20191.681 9 1.942 3 1.879 5 2.263 0 1.566 61.508 8 1.449 1 1.448 1 1.431 0 均值1.591 2 1.735 7 1.755 9 1.926 6 1.508 01.488 2 1.443 5 1.441 2 1.426 8
本文采用Dagum基尼系数及其分解方法测算2014-2019年八大城市群高企技术创新能力区域差异，Dagum基尼系数定义如式(3)所示。
(3)
式(3)中，G表示总体基尼系数，数值越大表示八大城市群高企技术创新能力的整体区域差异越大。k为划分的城市群个数，i、r分别为各城市群包含的城市数量，nj(nh)为j(h)城市群内的城市数量，yji(yhr)为j(h)区域内任意城市的高企技术创新能力，n为城市数量，
为八大城市群高企技术创新能力均值。需要说明的是，采用Dagum基尼系数分解方法时，应先按照城市群高企技术创新能力均值进行排序，如式(4)所示。
(4)
根据Dagum分解方法，可将基尼系数分解为3部分，分别是区域内差异贡献Gw、区域间差异贡献Gnb、超变密度贡献Gt。其中，超变密度是由子区域间交叉项存在而对总体区域差异产生的影响，三者满足G=Gw+Gnb+Gt的关系。具体计算如下：
(5)
(6)
(7)
(8)
(9)
(10)
其中，式(5)和式(6)分别表示j城市群的基尼系数Gjj与区域内差异的贡献率Gw；式(7)和式(8)分别表示j与h城市群的区域间基尼系数Gjh和区域间差异贡献率Gnb；式(9)表示超变密度贡献率
(j=1,2,
,k)；Djh为j与h城市群间高企技术创新能力增长的相对影响，其计算如式(10)所示。
测算结果如表4所示。为避免赘余，表4中分别用数字“1”“2”“3”“4”“5”“6”“7”“8” 表征京津冀、长三角、珠三角、长江中游、成渝、哈长、中原以及北部湾城市群。
(1)总体区域差异。如表4显示，八大城市群高企技术创新能力的总体基尼系数均值为0.089 9，呈持续上升态势，由2014年的0.056 9增长至2019年的0.130 7，年均增长25.94%，表明八大城市群高企技术创新能力的整体区域差距逐年扩大。原因可能在于，技术创新能力较强的城市群高企往往拥有丰富的创新资源，并率先受到创新资源规模效应的影响，较早享受创新资源红利，同时，这些城市群高企往往具有良好的创新生态，创新生态会对创新产生倍数效应，进而大幅提升技术创新能力；相反，技术创新能力较弱的城市群高企往往创新资源较为匮乏，吸引优质创新资源的难度大，受到创新资源规模效应的影响也较弱，同时，创新环境欠佳，短期内很难实现技术创新能力大幅提升。
(2)区域内差异。表4展示了区域内基尼系数。可以发现，一方面，八大城市群高企技术创新能力的区域内差异各不相同。其中，珠三角、京津冀城市群高企技术创新能力的区域内差异较大，分别为0.191 2、0.151 4；其次为长三角、长江中游、成渝、哈长以及中原城市群高企技术创新能力的区域内差异，其区域内差异均值依次为0.125 7、0.041 2、0.040 2、0.015 4、0.011 8；而北部湾城市群高企技术创新能力的区域内差异最小，为0.004 8。另一方面，八大城市群高企技术创新能力的区域内差异均呈扩大态势，但演进过程各异。其中，京津冀、长三角、珠三角以及长江中游城市群高企技术创新能力的区域内差异呈现持续扩大态势；成渝城市群高企技术创新能力的区域内差异呈现“下降—上升—下降—上升”的演变态势；哈长与中原城市群高企技术创新能力的区域内差异呈现先持续下降后连续上升的发展态势；北部湾城市群高企技术创新能力的区域内差异也呈现出先下降后上升的变化态势。总之，八大城市群高企技术创新能力的区域内差异均呈现扩大态势，究其原因，一方面，八大城市群高企尚未普遍树立技术创新意识，在创新创业领域缺乏长期考虑，发展创新经济的内在动力不足，进而导致区域内差异不断扩大；另一方面，各城市群内部高企之间尚未形成协同创新机制，城市群内部高企间的创新互动性差，彼此之间缺乏沟通和交流，技术或知识溢出效应弱，导致技术创新能力无法实现同步提升，区域内差距扩大。
(3)区域间差异。表4同时展示了区域间基尼系数。八大城市群高企技术创新能力区域间差异均值为0.089 4。值得注意的是，京津冀与珠三角城市群高企技术创新能力的区域间差异均值最大，达到0.180 4；而中原与北部湾城市群高企技术创新能力的区域间差异均值最小，为0.008 8；其它城市群高企技术创新能力的区域间差异均值位于0.008 8～0.180 4之间。究其原因，一方面，深圳高企的技术创新能力位居全国首位，其小幅领先于北京高企技术创新能力的差距较小，大幅领先于张家口、承德等城市高企技术创新能力；北京高企的技术创新能力位居全国第二，与深圳、广州高企技术创新能力的差距较小，但远远领先于云浮、河源等城市高企技术创新能力，由此导致京津冀与珠三角城市群高企技术创新能力的区域间差异最大；另一方面，中原城市群和北部湾城市群发展较晚，其高企吸引创新资源的能力较弱，对外开放水平较低，使得中原、北部湾城市群高企整体的技术创新能力都较弱，但区域间差异较小。此外，本文还发现，八大城市群高企技术创新能力的区域间差异均呈明显扩大态势。
表4 Dagum基尼系数分解结果
Tab.4 Decomposition results of Dagum Gini coefficients
201420152016201720182019均值区域内差异总体0.056 90.068 50.082 10.093 20.108 00.130 70.089 9京津冀0.097 60.124 50.134 90.153 50.170 20.227 90.151 4长三角0.095 30.107 40.120 10.126 80.145 20.159 50.125 7珠三角0.098 40.139 90.183 00.203 00.243 20.279 50.191 2长江中游0.024 90.029 90.034 20.043 90.050 10.063 90.041 2成渝0.034 20.029 20.032 90.051 60.042 40.050 90.040 2哈长0.015 20.014 80.014 60.014 10.015 40.018 10.015 4中原0.011 90.011 80.010 90.010 60.011 40.013 90.011 8北部湾0.004 50.003 50.004 10.004 80.005 90.005 90.004 8区域间差异1与20.103 20.122 80.135 40.148 40.165 40.205 90.146 91与30.101 20.135 40.167 40.189 80.221 30.267 30.180 41与40.066 30.084 70.092 90.107 50.120 60.162 40.105 71与50.070 60.085 70.094 00.112 70.121 50.162 90.107 91与60.063 80.081 00.088 50.101 00.113 30.154 80.100 41与70.062 40.079 90.087 00.099 10.112 20.152 90.098 91与80.061 30.078 80.086 50.098 80.112 10.153 30.098 52与30.098 70.126 60.156 70.171 80.204 50.233 60.165 32与40.074 60.083 50.095 40.101 40.116 60.131 60.100 52与50.079 50.086 80.099 10.109 90.122 00.138 10.105 92与60.075 10.083 60.097 00.102 10.117 10.133 50.101 42与70.075 40.084 10.096 80.101 50.117 50.133 20.101 42与80.077 10.085 90.098 70.103 30.119 50.136 20.103 53与40.071 10.099 90.135 50.154 90.188 30.220 20.145 03与50.075 30.101 80.137 90.160 50.191 80.225 50.148 83与60.070 10.099 00.136 00.157 10.190 80.225 10.146 43与70.069 90.098 70.135 70.156 10.190 20.224 00.145 83与80.070 20.099 30.137 00.157 50.191 70.226 30.147 04与50.030 20.030 60.035 10.050 80.050 50.062 70.043 34与60.021 00.024 10.027 20.034 30.038 70.049 60.032 54与70.019 30.022 50.025 00.031 60.036 60.046 80.030 34与80.017 50.020 50.023 70.030 80.036 00.046 4 0.029 25与60.025 90.023 40.025 50.035 80.031 60.037 80.030 05与70.024 30.021 60.023 60.034 20.029 40.035 30.028 15与80.021 70.018 50.020 90.031 90.027 20.032 10.025 46与70.014 10.013 80.013 30.013 20.014 80.017 40.014 46与80.011 00.010 30.010 30.010 50.012 10.013 80.011 37与80.008 90.008 20.008 00.008 10.009 10.010 50.008 8贡献率(%)区域内12.531 712.271 611.900 311.844 011.746 011.679 811.920 7区域间56.395 658.441 062.352 660.880 863.562 863.446 961.475 3超变密度31.072 729.287 325.747 027.275 224.691 224.873 326.604 1
区域差异来源分析。表5报告了区域差异来源及其贡献率。就差异来源大小而言，区域间差异来源最大，超变密度差异次之，区域内差异来源最小；就差异贡献率而言，区域间差异平均贡献率为61.475 3%，超变密度差异平均贡献率为26.604 1%，区域内差异平均贡献率为11.920 7%，表明区域间差异是造成八大城市群高企技术创新能力区域差异的主要原因。
表5 区域差异来源
Tab.5 Sources of regional differences
年份区域内来源贡献率(%)区域间来源贡献率(%)超变密度来源贡献率(%)20140.007 112.531 70.032 156.395 60.017 731.072 720150.008 412.271 60.040 258.441 00.020 229.287 320160.009 811.900 30.051 262.352 60.021 125.747 020170.011 011.844 00.056 760.880 80.025 427.275 220180.012 711.746 0 0.068 663.562 80.026 724.691 220190.015 211.679 80.082 363.446 90.032 324.873 3均值0.010 711.920 70.055 261.475 30.023 926.604 1
采用Kernel密度估计非参数方法探究八大城市群高企技术创新能力的空间不平衡分布动态演进特征，并分别勾画总体、各城市群高企在2014年、2017年、2019年的技术创新能力二维核密度分布曲线，如图1所示。假设随机变量x的密度函数为f(x)，点x处的概率密度则由式(11)计算得到。
(11)
式(11)中，N为观测值个数，h为带宽，K(•)为Kernel函数，Xi为观测值，x为均值。Kernel密度函数拥有均匀核、四次核、高斯核等多种表达形式，其中，高斯核最为常用。因此，采用高斯核对八大城市群高企技术创新能力的动态分布演进过程进行估计。高斯核函数表达式如式(12)所示。
(12)
通过对密度分布图进行分析，本文发现：
第一，总体上以及各城市群高企技术创新能力的分布曲线逐渐右移，呈现出靠右拖尾态势，说明城市群高企技术创新能力均呈现上升态势，这与前文所得结论一致；第二，总体上以及各城市群(除哈长城市群外)高企技术创新能力分布曲线宽度持续拓展，说明城市群高企技术创新能力的区域差异呈现扩大态势；哈长城市群高企技术创新能力分布曲线宽度呈现“缩小—扩大”的变化态势，表明其高企技术创新能力区域差异呈现“收敛—扩大”的发展态势；第三，八大城市群高企技术创新能力多极分化现象逐渐消失，最终呈现为单极化。具体为：京津冀、北部湾城市群高企技术创新能力分布曲线由1个主峰、2个侧峰转变为1个主峰、1个侧峰，且主峰峰值较高，侧峰峰值较低，表明京津冀、北部湾城市群高企技术创新能力水平存在一定梯度，呈现两极分化现象；长三角城市群高企技术创新能力分布曲线始终有1个主峰和2个侧峰，且主峰峰值较高，侧峰峰值较低，表明长三角城市群高企技术创新能力水平存在一定梯度，多极分化现象明显；珠三角城市群高企技术创新能力分布曲线由一个主峰、一个侧峰转变为1个主峰、2个侧峰，且主峰峰值较高，侧峰峰值较低，表明珠三角城市群高企技术创新能力水平存在一定梯度，呈现出多极分化现象；长江中游城市群高企技术创新能力分布始终有1个主峰、3个侧峰，且主峰峰值较高，侧峰峰值较低，表明长江中游城市群高企技术创新能力水平也存在一定梯度，呈现出多极分化现象；成渝城市群高企技术创新能力分布曲线始终有1个主峰、1个侧峰，且主峰峰值较高，侧峰峰值较低，表明成渝城市群技术创新能力水平存在一定梯度，呈现出两极分化现象；哈长城市群高企技术创新能力分布曲线由1个主峰、2个侧峰转变为1个主峰、1个侧峰，且主峰峰值较高，侧峰峰值较低，表明哈长城市群高企技术创新能力水平存在一定梯度，由多极分化转变为两极分化；中原城市群高企技术创新能力分布从1个主峰、3个侧峰先转变为1个主峰、1个侧峰，随后又转变为1个主峰、3个侧峰，且主峰峰值较高，侧峰峰值较低，表明中原城市群高企技术创新能力水平存在一定梯度，多极分化现象仍较明显。
Markov链方法的主要思想是通过构建Markov转移概率矩阵，探究各城市群高企在不同样本考察期内技术创新能力的空间演进特征。Markov链方法是一个随机过程，即{Xa，a∈A}, 它的取值为有限集合M，该集合中元素均为随机过程状态，指数集合A为不同时期。令随机变量Xa=j，表示在a时期系统状态为j，该系统的马尔科夫性满足式(13)。因此，Markov链的特殊性在于状态Xa的条件分布仅取决于状态Xa-1。假如Pij为某城市群高企技术创新能力从a-1年状态i到a年状态j的转移概率，那么Pij=nij/ni。其中，nij表示从a-1年状态i转移到a年状态j的城市数量，ni表示在a-1年处于i状态的城市数量。
P={Xa=j | Xa-1=ia-1，Xa-2=ia-2，…，X0=i0}=P{Xa=j | Xn-1=i}= Pij
(13)
如果将城市群高企技术创新能力划分为N种状态，就可以构造出N×N维转移概率方阵，然后根据转移概率分析城市群高企技术创新能力的时空演进规律。如果引入空间关联理念，可以将上述N×N维转移概率矩阵转化为N×N×N维转移矩阵，则Pij为某区域a-1年空间关联状态为Ni的情况下，技术创新能力从a-1年状态i到a年状态j的转移概率，据此揭示空间关联效应对区域高企技术创新能力差异演化的影响。值得注意的是，空间滞后值是该城市附近区域高企技术创新能力的空间加权，本文根据各城市是否相邻的原则建立空间权重矩阵，即城市相邻则赋值为1，否则为0。
对传统Markov链估计结果分析，如表6所示。
第一，不同城市高企技术创新能力转移特征差异较大。在2014-2019年低水平、中低水平城市高企向上转移的概率明显大于保持平稳状态的概率，表明低水平与中低水平城市高企由于存在后发追赶优势，其技术进步与创新空间较大。同时，其打破现状或突破现有条件束缚的意愿较强烈，更能实现创新升级。
图1 八大城市群高企技术创新能力密度分布曲线
Fig. 1 Density distribution curves of the high-tech innovation capability of the eight urban agglomerations
注：从左往右，自上而下依次为总体、京津冀、长三角、珠三角、长江中游、成渝、哈长、中原、北部湾城市群高企技术创新能力密度分布曲线
第二，中高水平、高水平城市群高企的技术创新能力存在“俱乐部趋同”现象。中高、高水平城市群保持稳定状态的最低概率分别为0.722 2、0.972 2，最高概率分别为0.750 0、1.000 0，由此可见，向上与向下的转移概率很小，中高水平、高水平城市群高企的技术创新能力呈现显著的趋同发展特征，说明中高水平、高水平城市群高企通过持续集聚区内外优质创新资源，不断开展高水平自主创新活动，能够有效保持自身创新的领先地位。
第三，城市群高企技术创新能力向上、向下的转移概率呈现非对称分布。无论是在整个样本周期还是不同发展阶段，城市群高企技术创新能力转移概率主要分布于对角线右上方，即低水平、中低水平、中高水平城市群高企向上转移的概率明显大于向下转移概率，表明城市群高企技术创新能力大体上都呈现出向更高水平迈进的发展态势，该结论与前文得到的八大城市群高企技术创新能力均呈提升态势的结论一致。
第四，不同发展时期，城市群高企技术创新能力呈现出不同转移特征。与2014-2016年相比，2017-2019年的转移概率呈现以下两个特征。一方面，低水平、中高水平以及高水平城市群保持稳定状态的概率更大，表明2017-2019年低水平、中高水平以及高水平的“俱乐部趋同”特征更加明显。另一方面，中低水平、中高水平向上转移概率明显增大，向下转移概率明显变小，表明自2017年后中低水平、中高水平城市群高企技术创新能力大体呈上升态势。原因在于：①受国家高企认定政策影响，2016年适当放宽了高新技术企业认定条件，对高企创新发展的政策支持力度更强、支持范围更广，使得具有一定创新积累的中低、中高城市群高企技术创新能力的规模效应加快显现；②2017年我国经济进入高质量发展阶段，创新成为引领发展的第一动力，国家高度重视各城市群高企技术创新能力提升工作，加快促进优质创新创业资源区际流动，促进了中低水平、中高水平城市群高企技术创新能力的提升。
表6 传统Markov链转移概率矩阵
Tab.6 Traditional Markov chain transition probability matrix
年份期间a-1/aIIIIIIIV2014-2019I0.388 90.472 20.138 9 0.000 0II0.083 30.333 30.555 60.027 8III0.000 00.000 00.722 20.277 8IV0.000 00.000 00.027 80.972 22014-2016I0.645 8 0.326 4 0.027 8 0.000 0 II0.055 6 0.500 0 0.444 4 0.000 0 III0.000 0 0.076 4 0.729 2 0.194 4 IV0.000 0 0.000 0 0.006 9 0.993 1 2017-2019I0.722 2 0.277 8 0.000 0 0.000 0 II0.027 8 0.500 0 0.472 2 0.000 0 III0.000 0 0.027 8 0.750 0 0.222 2 IV0.000 0 0.000 0 0.000 0 1.000 0
注：Ⅰ、Ⅱ、Ⅲ、Ⅳ分别表征低水平、中低水平、中高水平、高水平状态，下同
接下来从空间关联视角分析城市群高企技术创新能力转移特征，测算结果如表7所示。
(1)考虑空间关联效应后，八大城市群高企技术创新能力转移表现出明显的空间依赖性。表7中报告的4个条件转移概率特征有差异，表明在不同水平邻域环境下，城市高企技术创新能力的转移概率也有所差异。在高水平邻域创新环境下，城市高企技术创新能力向上转移的概率明显大于在低水平邻域创新环境下的向上转移概率，如P34/4>P34/1，P13/4>P13/1；在中高水平邻域创新环境下，城市高企技术创新能力向上转移的概率明显大于在中低水平邻域创新环境下的向上转移概率，如P34/3>P34/2、P23/3>P23/2、P24/3>P24/2。
(2)不同水平的邻域创新环境对城市高企技术创新能力的提升作用具有异质性。较高水平的邻域创新环境对周边城市高企技术创新能力的提升具有促进作用，如P34/4>P34/1、P13/4>P13/1，表明高水平领域创新环境对周边城市高企技术创新能力的提升具有引领带动作用，这主要是由于竞争与知识溢出效应推动了邻近城市高企技术创新能力的协同增长。相反，较低水平的邻域环境对邻近城市高企技术创新能力具有明显负向作用，表明较低水平邻域创新环境对周边城市高企技术创新能力产生抑制作用，如P21/1>0、P43/1>0。
(3)不同水平的邻域创新环境对城市高企技术创新能力向上、向下转移概率的影响不对称。无论是在何种水平邻域创新环境下，转移概率大体分布在对角线右上方，表明城市高企技术创新能力向上转移概率明显大于向下转移概率，呈现出向上、向下转移的非对称态势。尤其值得注意的是，在中低、中高水平邻域创新环境下，城市高企技术创新能力向上转移概率显著大于向下转移的概率。
(4)相邻城市高企技术创新能力的差异对城市高企技术创新能力的影响不同步，即两者不成比例。如在中高水平、高水平邻域创新环境下，处于中高水平城市高企的技术创新能力向上转移的概率分别为0.125 0、0.583 3；而在低水平邻域创新环境下，处于中高水平城市高企的技术创新能力向上转移的概率则为0。原因可能是，当相邻城市高企技术创新能力差异较小时，由于任何一方皆不处于明显劣势地位，双方通过平等的创新交流与合作，促进了知识与技术溢出，共同实现技术创新能力提质增效；当相邻城市高企技术创新水平差异较大时，低水平城市高企由于创新基础较弱，对优质创新资源的吸引力较小，导致优质创新资源更倾向于流向相邻高水平城市高企，此时高水平城市高企对周边低水平城市高企的虹吸效应大于溢出效应，由此创新差距被拉大。
表7 空间Markov链转移概率矩阵
Tab.7 Spatial Markov chain transition probability matrix
空间滞后a/a-1IIIIIIIVII0.333 3 0.666 7 0.000 0 0.000 0 II0.133 3 0.333 3 0.533 3 0.000 0 III0.000 0 0.000 0 1.000 0 0.000 0 IV0.000 0 0.000 0 0.200 0 0.800 0 III0.307 7 0.384 6 0.307 7 0.000 0 II0.000 0 0.571 4 0.428 6 0.000 0 III0.000 0 0.000 0 0.777 8 0.222 2 IV0.000 0 0.000 0 0.000 0 1.000 0 IIII0.666 7 0.333 3 0.000 0 0.000 0 II0.000 0 0.200 0 0.700 0 0.100 0 III0.000 0 0.000 0 0.875 0 0.125 0 IV0.000 0 0.000 0 0.000 0 1.000 0 IVI0.200 0 0.600 0 0.200 0 0.000 0 II0.250 0 0.250 0 0.500 0 0.000 0 III0.000 0 0.000 0 0.416 7 0.583 3 IV0.000 0 0.000 0 0.000 0 1.000 0
本文以八大城市群高企技术创新能力为研究对象，从“内部自主创新—外部开放创新”和“创新投入—创新产出”等融合视角构建评价指标体系，并分别采用主成分分析、Dagum基尼系数分解、Kernel密度估计、传统与空间Markov链等方法揭示八大城市群高企技术创新能力的区域差异及时空演进特征。研究发现如下：
(1)八大城市群高企技术创新能力均呈增强态势，其中，珠三角城市群高企技术创新能力最强，北部湾城市群高企技术创新能力最弱。上述发现与牛冲槐等[2]研究结论相似，说明经济发达区域高企的技术创新能力也较强，城市群高企层面的技术创新能力在很大程度反映了城市群区域层面的技术创新能力，各省市认定的高企已成为引领和带动区域技术创新能力提升的重要载体。
(2)区域总体、区域内以及区域间差异均呈明显扩大态势，区域间差距是造成技术创新能力差距的主要原因。上述发现与杨明海等[10,25]的研究结论相似。究其原因，一方面，八大城市群高企尚未普遍树立技术创新意识，在创新创业领域缺乏长期考虑，技术创新的内在动力不足，进而导致区域差距不断扩大；另一方面，各城市群高企之间尚未形成协同创新机制，彼此间的创新互动性差，缺乏沟通和交流，技术或知识溢出效应较弱，导致技术创新能力无法实现同步提升。
(3)技术创新能力分布曲线逐渐右移，呈现向右拖尾态势，但极化现象各异；考虑空间关联后，其技术创新能力表现出明显的非对称、非同步、非均衡的时空转移特征。上述发现与杨明海等[10,16]的研究结论相似，表明城市群高企层面的技术创新能力时空演变特征与城市群区域层面的技术创新能力演变具有一致性和趋同性。
本文贡献如下：第一，区别于现有文献，从“创新投入—创新产出”与“内部自主研发”、“外部开放创新”等交叉维度构建技术创新能力评价指标体系，丰富了技术创新能力评价体系理论；第二，与现有文献不同，本文以2014-2019年我国八大城市群高企为研究对象，研究对象更具创新驱动发展的典型性和代表性，能更细致地揭示技术创新能力的区域差异及其演变规律；第三，在研究方法上，巧妙采用多种计量方法开展实证研究，为后续深入探讨技术创新能力的区域差异问题提供了参考。
(1)实施差异化城市群高企技术创新能力提升工程。研究发现，一些城市群(如京津冀、长三角、珠三角、长江中游城市群)高企技术创新水平较高，另一些城市群(如成渝、哈长、中原、北部湾城市群)高企技术创新水平较低，说明提升不同城市群高企的创新能力需要采取差异化发展策略。一方面，高企技术创新能力较强的城市要扩宽对外发展的物理空间，大力实施“走出去”发展战略，着力引进和培育一批国际顶尖、全球一流的研发机构和高层次科技人才，构建重大创新功能性平台，聚焦于世界前沿重大科学研究，加快促进具有国际影响力的突破性技术成果的产业化，力争实现在技术创新领域全球“领跑”，提升我国技术创新的国际影响力和竞争力。另一方面，高企技术创新能力较弱的城市要认清当前企业技术创新水平较低，尚有较大发展空间的客观事实。在此基础上，应重点围绕企业技术创新能力制定有针对性、可操作的战略规划，致力于将推动高企技术创新能力提升作为重要抓手。
(2)推动高企创新资源跨区域流动和均衡配置。研究发现，城市群高企技术创新能力的区域内差距与区域间差距均呈现出不同程度的扩大化，其中，区域间差距是主要原因。因此，一方面，应积极拓展创新资源跨区流动渠道、完善创新资源跨区流动政策，重点引导和支持创新资源要素由富集区流向匮乏区，加速创新资源要素在全国城市之间的流动，实现创新资源要素的空间均衡配置。另一方面，破除行政区域和空间位置限制，积极推动不同城市高企之间共建多元化、跨区际的创新资源合作网络。同时，合理配置和协调发达城市高企创新资源要素，引导和支持欠发达地区高企对外开展广泛深入的战略合作(点对点扶持、联合出资设立发展基金等)，建立跨区域创新资源服务平台，推动不同城市群高企之间共享创新资源要素，加快促进创新资源要素流向急需企业。
(3)加强高新技术产业跨区域分工协作。研究发现，不同城市群高企的技术创新能力表现出明显的非对称、非同步的时空演变和转移特征，意味着需要采取多种措施推动不同城市群高新技术产业协同发展。一方面，不同城市群之间要强化高新技术产业关联互动，深入推进高新技术产业跨区际交流与合作，通过跨区域的“建链、补链、延链、强链”工程，营造“特色突出、优势互补、分工明确、协调联动”的产业发展态势，共同解决制约产业成长与发展中遇到的各类问题，协同提升我国高新技术产业整体发展质量。借鉴中关村互联网、株洲动力产业、苏工纳米等成功经验，紧抓新技术革命机遇，不同城市群高企联合推进互联网、大数据、云计算等新兴技术与制造业深度融合，联合推进传统制造业的信息化、智能化，共同培育和发展一批专精特新企业，一起壮大高新技术企业队伍，最终实现互利共赢、联动发展。
本文尚存在以下不足：鉴于数据获取难度，研究从内部自主研发和外部开放创新两个维度衡量技术创新产出，指标主要采用国内外发明专利和国际标准数，后续研究在创新产出的指标设置和数据获取上可进一步拓展来源渠道。同时，也因数据收集难度大，未对其它城市群(如呼包鄂榆、山西中部等城市群)高企技术创新能力进行分析，未来可作进一步研究。
[1] 方文中,罗守贵.自主研发与技术引进对全要素生产率的影响——来自上海高新技术企业的实证[J].研究与发展管理,2016,28(1):1-9.
[2] 牛冲槐,刘颖祺,牛彤.我国高新技术企业自主创新能力评价与差异化分析[J].经济问题,2014，36(5):78-82.
[3] 刘传明,王卉彤,魏晓敏.中国八大城市群互联网金融发展的区域差异分解及收敛性研究[J].数量经济技术经济研究,2017,34(8):3-20.
[4] 杜丹丽,曾小春.速度特征视角的我国高新技术企业创新能力动态综合评价研究[J].科研管理,2017,38(7):44-53.
[5] 夏文飞,苏屹,支鹏飞.基于组合赋权法的高新技术企业创新能力评价研究[J].东南学术,2020,33(3):153-161.
[6] 朱承亮.中国地区经济差距的演变轨迹与来源分解[J].数量经济技术经济研究,2014,31(6):36-54.
[7] 陈明华,刘华军,孙亚男.中国五大城市群金融发展的空间差异及分布动态:2003～2013年[J].数量经济技术经济研究,2016,33(7):130-144.
[8] 曹勇,曹轩祯,罗楚珺,等.我国四大直辖城市技术创新能力及其影响因素的比较研究[J].中国软科学,2013,28(6):162-170.
[9] 侯纯光,程钰,任建兰,等.中国创新能力时空格局演变及其影响因素[J].地理科学进展,2016,35(10):1206-1217.
[10] 杨明海,张红霞,孙亚男.七大城市群创新能力的区域差距及其分布动态演进[J].数量经济技术经济研究,2017,34(3):21-39.
[11] TRAJTENBERG M. Economic analysis of product innovation: the case of CT scanners[M]. Harvard University Press.1990.
[12] CHI W， QIAN X. The role of education in regional innovation activities:spatial evidence from China[J]. Journal of the Asia Pacific Economy, 2010, 15(4): 396-419.
[13] GRKKI K L. A dynamic performance measurement system: evidence from small finnish technology companies[J]. Scandinavian Journal of Management, 2002, 18(1): 65-99
[14] JOHN H，MYRIAM C. Measuring innovative performance: is there an advantage in using multiple indicators? [J]. Research Policy, 2003,32(8): 1365 -1379．
[15] 张治国,欧国立.高铁开通促进创业了吗——基于京津冀等七大城市群的研究[J].东岳论丛,2021,42(12):164-173.
[16] 杨明海,卢晓杨,孙亚男.三大经济支撑带创新能力地区差距及分布动态演进——利用Dagum基尼系数和非参数估计方法的实证研究[J].科技进步与对策,2017,34(7):34-42.