Spatial-Temporal Evolution and Influencing Factors of Urban High-Value Patents in China

Wu Lei, Liu Qi, Gao Luan, Lin Chaoran

(School of Economics and Management, Harbin Engineering University, Harbin 150001, China)

Abstract：Patents, as an important part of intellectual property, are an important dimension for measuring independent innovation capability. High-value patents are better than non-high-value patents in terms of patent quality and original innovation, and are an important means in implementing the innovation-driven development strategy and building a strong science and technology country. However, China's patents are numerous but not necessarily of higher quality, and are still restricted in some core technology areas. Enhancing the output of high-value patents has become a realistic requirement to accelerate the realization of high-level scientific and technological self-reliance and self-improvement. At present, the innovation pattern of "being strong in the east and weak in the west" still exists and is deepening, and scientific and technological innovation is an important way to improve the coordination and balance of development, so it is necessary to study the spatial pattern of high-value patents to alleviate the phenomenon of imbalance in regional innovation development. In addition, there is a significant spatial correlation of innovation, and ignoring the spatial effect may make the model setting biased, so the study of high-value patents should also consider the spatial issue. Cities are the spatial units and main carriers of innovation, as well as more effective units for the in-depth implementation of differentiated policies, but there are relatively few studies exploring the spatial pattern of innovation and the factors influencing it at the urban scale.

Therefore, using the panel data of 285 prefectural-level and above cities in China from 2005 to 2021, this study delves into the spatial and temporal evolution pattern of high-value patents in China from the city level and constructs spatial econometric models from a spatial perspective. The influencing factors are examined in terms of economic foundation, governmental emphasis, talent scale and ecological environment. It also further divides the regions according to the high-value patent agglomeration and explores the differences in influencing factors in different regions. This paper aims to provide a basis for improving China's high-value patent output, forming a high-value patent pattern with complementary advantages and coordinated development, and implementing differentiated innovation policies.

It is found that high-value patents present a clear pattern of coastal strength over inland, with a decreasing pattern from the east to the central and then to the west. The diamond-shaped structure with Beijing-Tianjin-Hebei, Yangtze River Delta, Pearl River Delta and Chengdu-Chongqing as the apex encompasses most of the high-value patents, forming a high-value patent aggregation circle with Beijing, Shanghai and Shenzhen as the core. In recent years, high-value patents in general have shown an increasing trend, but the growth in coastal areas is more rapid, and the diamond-shaped structure is becoming more and more prominent. The study also finds that GDP significantly increases the size of high-value patents in the region, but has a stronger dampening effect on high-value patents in neighboring regions. Expenditure on science and technology and the number of scientific researchers have a significant impact on high-value patents in both local and neighboring regions. The role of education expenditure on high-value patents is mainly reflected in the promotion of the region. Students enrolled in general higher education institutions will significantly suppress the size of high-value patents in the neighboring regions. Parks and green spaces will significantly promote the output of high-value patents in the region. It is worth noting that the economic base will significantly inhibit the development of high-value patents in neighboring regions, contrary to the results of the study on general patents; students enrolled in higher education institutions do not have a significant role in promoting the scale of high-value patents in the region, while other studies have shown that students enrolled in colleges and universities can significantly enhance the level of innovation in the region. Finally, there is heterogeneity in the influencing factors of high-value patents in the diamond-shaped structure region, the northeast region, and the peripheral regions.

In conclusion, using high-value patents as a measure of innovation, this study explores the spatial pattern and influencing factors on the urban scale, and considers the regional heterogeneity of the influencing factors. The findings provide a targeted reference for creating high-value patents in various regions.

Key Words：Intellectual Property;Urban Innovation;High-value Patents;Spatial Durbin Model

收稿日期：2023-10-27

修回日期：2023-12-28

基金项目：国家自然科学基金青年项目(72104064,72001056);国家社会科学基金一般项目(23BGL076)

作者简介：吴雷(1980—),男,黑龙江哈尔滨人,博士,哈尔滨工程大学经济管理学院副研究员、硕士生导师,研究方向为技术创新和知识产权管理;柳淇(1999—),女,山西运城人,哈尔滨工程大学经济管理学院硕士研究生,研究方向为技术创新;高娈(1989—),女,江苏宿迁人,博士,哈尔滨工程大学经济管理学院副教授,研究方向为企业信息化和社会网络;林超然(1987—),男,黑龙江哈尔滨人,博士,哈尔滨工程大学经济管理学院讲师,研究方向为技术创新与知识产权管理。本文通讯作者:林超然。

DOI：10.6049/kjjbydc.2023100748

开放科学(资源服务)标识码(OSID)：

中图分类号：F299.22

文献标识码：A

文章编号：1001-7348(2025)06-0046-11

0 引言

知识产权是保护和激励创新的重要基石。专利作为知识产权的重要组成部分,是衡量自主创新能力的重要维度[1]。高价值专利在专利质量、原始创新等方面均优于非高价值专利[2],是实施创新驱动发展战略、建设科技强国的重要抓手。高价值专利往往代表了行业前沿引领技术,其面向国家重大需求,具有较强的技术先进性,对于获取标准竞争优势至关重要(崔维军等,2023),能够降低核心技术领域的对外依赖度,提升知识产权综合竞争力。同时,高价值专利也具有强大的市场潜力,在创造经济效益方面贡献巨大[3]。增强自主创新能力、促进高价值专利成果转化及应用是实现经济高质量发展的坚实保障。然而,我国专利多而不优,一些关键核心技术领域仍受制于人。《中华人民共和国国民经济和社会发展第十四个五年规划和2035年远景目标纲要》提出,要保护和激励高价值专利,并将“每万人口高价值发明专利拥有量”纳入经济社会发展主要评价指标。如何有效提升高价值专利产出,解决“卡脖子”难题,成为加快实现高水平科技自立自强的现实要求。目前我国“东强西弱”的创新格局依然存在并呈现加剧态势[4-5]。党的二十大报告提出“深入实施区域协调发展战略”。科技创新是提高发展协调性、平衡性的重要途径,研究高价值专利的空间格局有助于缓解区域创新发展不平衡现象,提升国家创新体系整体效能。由于创新存在显著的空间相关性(段德忠等, 2022),忽视空间效应可能导致模型设计存在偏误[6]。因此,高价值专利研究也需要考虑空间问题。本文将从空间视角研究城市高价值专利布局并考察其影响因素,为提升城市高价值专利水平、以创新驱动引领高质量发展提供理论参考。

既有关于高价值专利研究主要集中在专利识别、评估以及培育等方面。有研究认为,高价值专利具有高技术价值、高法律价值以及高市场价值等[7],可以从内部特征、外部评价等方面识别高价值专利(李小童等, 2019),并进一步构建高价值专利评估指标体系[3,8-9]。高价值专利培育是现阶段专利工作重点[10],学者们从创造、申请、审查、政策等方面[11-13]提出高价值专利培育方式。关于创新活动分布,早期研究多采用发明专利授权量或3种专利授权总量作为创新活动的代理变量,探讨省域创新活动的时空布局。研究发现,我国省际创新活动呈现出显著的空间集聚现象,且省域创新活动存在显著的空间依赖性[14-15]。近年来,城市作为创新要素集聚地,在创新体系中的地位日益凸显,学者们也将目光从省域转移到城市层面,关注我国地级及以上城市的专利数、论文数等创新产出数据变化。研究发现,城市创新能力同样具有显著的空间自相关性(范柏乃等,2020),且空间集聚特征显著、逐年增强[16]。相较于省域尺度的研究结果,城市层面的集群化分布特征更加显著[4,5]。进一步地,由于空间相关性会影响创新活动,现有研究也逐渐转向从空间视角探讨创新格局影响因素。学者们通过构建空间计量模型,发现城市空间溢出效应是驱动城市创新的重要推力[4,5],也是产生城市创新空间差异的主要原因(马静等,2017),进而关注不同区域影响因素的差异性[17]。

综上,现有研究对高价值专利、创新空间格局以及影响因素等进行了较深入的探讨,但仍存在一些不足:第一,既有的高价值专利研究多关注其识别、培育以及评价体系构建等,尚未涉及空间格局以及影响因素探讨,后者是对高价值专利研究的拓展,有助于了解我国高价值专利分布情况,为各地区形成高价值专利提供参考;第二,在衡量指标选取上,大都采用专利总量,未区分高价值专利与非高价值专利,忽视了“专利泡沫”的影响,因此指标设置不够合理;第三,从城市尺度探讨创新空间格局以及影响因素的研究较少,而城市尺度相比省域尺度更有助于体现空间集聚特征,便于政策制定与实施;第四,较少有研究考虑到影响因素的区域差异性,而关注地区差异性有利于发挥当地比较优势,汲取其它地区先进经验,从而找到差异化的创新发展路径。基于此,本文从城市层面出发,研究我国高价值专利分布的时空演化格局,并基于空间视角构建空间计量模型,从经济基础、政府重视、人才规模以及生态环境等方面考察其影响因素,进一步根据高价值专利集聚情况划分区域,探讨不同地区影响因素的差异性,为提升我国高价值专利产出,形成优势互补、协调发展的高价值专利格局以及实施差异化创新政策提供依据。

1 研究设计

1.1 研究方法

1.1.1 空间自相关

空间自相关可理解为位置相近区域拥有相似的变量取值,莫兰指数是度量空间相关性的重要指标,其取值一般介于-1～1之间。高值与高值集聚、低值与低值集聚代表正空间自相关,即莫兰指数>0;高值与低值集聚代表负空间自相关,即莫兰指数<0;高值与低值随机分布,则不存在空间相关性,即莫兰指数=0。全局Moran's I考察研究区域内某指标整体的空间自相关性,其计算公式如下:

(1)

行标准化后可简化为:

(2)

局部Moran's I用于测度某指标在局部区域内的空间集聚性,可绘制LISA集聚图展示不同区域的空间集聚特征。局部Moran's I计算公式如下:

(3)

式中,xi与xj分别代表区域i、区域j的空间数据,wij代表空间权重矩阵,S2为样本方差。

1.1.2 变量选取与空间计量模型构建

本文被解释变量为高价值专利,目前学界尚未有统一定义,可以从技术、法律、市场等维度理解。技术方面,高价值专利在具备新颖性、实用性的前提下,其技术更先进、创造性更强[3],能够推动技术进步,引领行业发展[13];法律方面,高价值专利是法律权力稳定且范围清晰[18]的专利,具有较强的排他性以及较低的无效可能性[3,17];市场方面,高价值专利拥有良好的市场前景和较高商业价值,专利权人拥有较大的市场竞争优势[7],能获取丰厚的经济效益。

关于高价值专利的界定,《国务院关于印发“十四五”国家知识产权保护和运用规划的通知》明确五类发明专利为高价值专利,即战略性新兴产业的发明专利、在海外有同族专利权的发明专利、维持年限超过10年的发明专利、实现较高质押融资金额的发明专利以及获得国家科学技术奖或中国专利奖的发明专利。其中,第一类和第五类具有国家战略意义,面向国家重大需求,第二、三类强调技术含量,第四类强调市场价值,是常见的专利质量评价指标[2]。总体来看,五类专利较为全面地涵盖了高价值专利范围,本文基于此分类遴选高价值专利。关于数据获取,战略性新兴产业发明专利可在IncoPat专利数据库中通过筛选新兴产业分类得到,在海外有同族专利权的发明专利可通过选择同族国家得到,维持年限超过10年的发明专利可通过筛选专利年限得到。此外,对质押融资金额较高难以界定。考虑到专利质押融资的市场风险较高(宋河发等, 2018),以专利向银行申请质押融资时银行会进行系列的风险识别(余明桂等, 2022),并形成以科技创新能力为审核重心的专利质押融资流程(胡成等, 2021),足见专利质押融资审核标准严苛,对专利本身具有很高要求。因此,本文借鉴其他学者做法,以具有质押融资的发明专利替代实现较高质押融资金额的发明专利[2]。获得国家科学技术奖的专利数据难以匹配,这是由于其数量较少且可能已包含在其余几类专利中,故第五类标准本文只统计获得中国专利奖的发明专利。

我国创新空间集聚现象显著,已有研究从不同角度探讨创新能力影响因素。本文基于空间视角,从经济基础、政府重视、人才规模以及生态环境4个层面,研究城市高价值专利的关键影响因素。

(1)经济基础,一个地区的经济水平是该地区形成高价值专利的基础,区域经济发展水平与区域创新能力显著正相关[19]。本文采用地区生产总值衡量经济基础,探讨经济基础对高价值专利的影响效应。

(2)政府重视,其与创新的关系可划分为“促进论”和“抑制论”。一方面,政府支持可以减轻科研机构的资金压力且具有战略导向作用;另一方面,其面向特定行业或技术领域,因此对政策范围外的研发具有一定挤出效应(曾萍等, 2014)。基于空间视角,政府重视是促进还是抑制高价值专利产出?本文从科学技术支出和教育支出角度探讨该问题并给出回答。

(3)人才规模,区域创新能力与创新人才密切相关,人才外流会阻碍当地创新,而创新人才集聚有利于流入区域创新水平提高[20]。科学研究和技术服务人员是创新人才的中坚力量,高等学校在校学生是创新人才的潜在力量,本文采用科学技术人员数和高等学校在校学生数衡量创新人才规模,基于空间视角研究人才对高价值专利的影响效应。

(4)生态环境,创新活动需要与之相适应的生态环境作支撑(李佳洺等, 2016),适宜的生态环境可以为科技创新提供持续的资源支持和空间基础(郭爱君等, 2020),有助于促进创新要素集聚,提高科研创新质量和效率(柳卸林等,2022)。公园绿地是城市生态环境的重要组成(王琰等, 2020),具有显著的社会效益,为城市可持续发展提供基础支持[21]。地区拥有大面积公园绿地,有助于提升人才工作和居住环境质量[22]。本文采用公园绿地面积作为城市生态环境的衡量指标,探讨其对高价值专利的影响效应。

本文以2005-2021年中国285个地级及以上城市数据为样本,探究高价值专利的时空分布与影响因素,具体衡量指标如表1所示。其中,高价值发明专利授权量来源于IncoPat专利数据库,经济基础、政府重视、人才规模数据来源于《中国城市统计年鉴》,生态环境数据来源于《中国城市建设统计年鉴》,部分缺失数据参考各省市统计年鉴或采用插值法填补。由于从研发投入到获得专利授权通常具有一定时滞性,且不同创新活动周期存在较大差异,参照已有研究[23-25],本文将解释变量滞后一期进行回归。为缓解异方差的影响,对变量数据进行对数化处理。

若莫兰指数证明城市高价值专利具有空间自相关性,需将空间因素纳入计量模型进行分析,可采用空间滞后模型(SLM)、空间误差模型(SEM)或者空间杜宾模型(SDM)等空间计量模型。

空间滞后模型(SLM):

lnHVPit=αit+ρWlnHVPit+β1lnGDPit+β2lnSTEit+β3lnEEit+β4lnSTPit+β5lnSTUit+β6lnPGAit+μi+γt+εit

(4)

空间误差模型(SEM):

lnHVPit=αit+β1lnGDPit+β2lnSTEit+β3lnEEit+β4lnSTPit+β5lnSTUit+β6lnPGAit+μi+γt+εit

εit=λWεit+vit

(5)

空间杜宾模型(SDM):

lnHVPit=αit+ρWlnHVPit+β1lnGDPit+β2lnSTEit+β3lnEEit+β4lnSTPit+β5lnSTUit+β6lnPGAit+β7WlnGDPit+β8WlnSTEit+β9WlnEEit+β10WlnSTPit+β11WlnSTUit+β12WlnPGAit+μi+γt+εit

(6)

式中,α为常数项;ρ和β为待估系数;W为空间权重矩阵;WlnHVPit为因变量的空间滞后变量;WlnGDPit、WlnSTEit、WlnEEit、WlnSTPit、WlnSTUit、WlnPGAit为解释变量的空间滞后变量;μi和γt分别为个体效应与时间效应;εit为误差项,取决于空间滞后误差项Wεit与随机误差项vit。

1.1.3 空间权重矩阵

空间权重矩阵是空间计量研究的重要基础,学者们多基于地理学第一定律构建空间权重矩阵,常用的矩阵有反距离空间权重矩阵、邻接空间权重矩阵等。考虑到两个地区距离越近,相关程度越高,本文构建基于距离的空间权重矩阵。空间距离越近,则权重越大,反之越小[26]。相比邻接权重矩阵,基于距离的权重矩阵不仅可以衡量相邻地区的相关关系,还可以衡量与非相邻地区随距离变化的关系(吴燕, 2019)。此外,由于空间溢出效应随距离递增呈现加速衰减[27-28],因此构建基于距离的反距离平方权重矩阵(周文义等, 2023)作为空间计量基础矩阵。其中,地理距离由GeoDa计算得到,为城市几何质心的直线距离。计算公式如下:

(7)

由于空间权重矩阵的选择影响空间计量模型估计结果,故本文构建反距离空间权重矩阵,并依据Queen原则构建邻接空间权重矩阵,进行稳健性检验,计算公式如下:

(8)

(9)

式中,W为空间权重矩阵;dij为两城市几何质心间的欧氏距离。

2 时空格局分析

2.1 时空格局演变

本文运用ArcGIS软件分析2005、2013以及2021年高价值专利时空演变情况,其空间分布如图1所示。空间上,高价值专利多分布于胡焕庸线以东区域,呈现出明显的沿海强于内陆、“东—中—西”逐渐递减的格局特征;以京津冀、长三角、珠三角以及成渝地区为顶点的菱形囊括大多数高价值专利。其中,北京、上海、深圳为具有高规模水平的高价值专利地区;具有较高规模水平的高价值专利地区主要为直辖市、省会城市,且多位于菱形边界线以及对角线上,如重庆、天津、广州、杭州、南京、武汉、成都、西安、长沙、合肥、济南等;高价值专利处于中等规模和较低规模水平的城市主要位于东部、中部城市群内,如京津冀、长三角、珠三角、山东半岛、辽中南、哈长城市群等;西部地区的高价值专利长期处于低水平规模状态。从时间上看,高价值专利规模总体呈现扩大态势,且沿海地区增长更迅速,菱形结构日益凸显。这可能是因为相较于内陆地区,沿海地区市场经济更发达,拥有丰富的创新资源和灵活的创新机制,此外,国家区域重大战略的实施促进了菱形结构地区城市的高质量发展,进而有助于高价值专利产出。

2.2 空间自相关

本文首先采用全局Moran's I进行空间自相关性检验,通过ArcGIS计算得到2005—2021年中国高价值专利全局莫兰指数,如表2所示。研究结果显示,相比普通专利,2005—2010年高价值专利的全局Moran's I不显著。这可能是由于此前的高价值发明专利数较少,导致其在空间上的相关性较弱,同时,2010年《全国专利事业发展战略(2011—2020年)》的提出为我国专利质量提升创造了条件。2011年的Moran's I在5%的水平上显著,2012—2021年的Moran's I在1%的水平上显著,说明此期间高价值发明专利具有明显的空间相关性,即邻近区域的高价值专利规模较相近。为了直观展现全局莫兰指数变化趋势,绘制折线图如图2所示,全局Moran's I整体呈波动上升态势,空间自相关性逐渐增强。

为了展现局部地区高价值专利的空间集聚特征,运用GeoDa软件计算局部Moran's I,并绘制2005、2013以及2021年的LISA集聚图,如图3所示。H-H集聚区较稳定,主要集中在京津冀、长江三角洲以及珠江三角洲城市群。H-H集聚意味着该城市以及相邻地区的高价值专利规模均较大。天津、南通、宁波在2005、2013以及2021年均为H-H集聚,而唐山在2013年变为L-H集聚,说明随着时间推移,唐山的高价值专利产出相比周边地区不足。自2013年始围绕上海、广州增加了多个H-H集聚城市,说明上海、广州的高价值专利发展具有正向溢出效应,可以带动邻近地区发展。此外,北京、上海、广州并非H-H集聚区域,这是因为虽然这些地区的高价值专利规模较大,但其周边地区规模较小,地区间差距较大,导致其局部Moran's I值不显著。

重庆、武汉、西安长期处于显著的H-L集聚状态,2021年沈阳也处于H-L集聚状态,说明这些城市虽然高价值专利规模较大,但难以带动邻近城市创新发展。L-H集聚意味着相比周边地区,该地区高价值专利规模较小,其主要位于H-H集聚区域外围。承德、张家口、保定、廊坊长期处于L-H集聚状态;2005年嘉兴、绍兴、舟山围绕宁波,呈现为L-H集聚状态,2013、2021年受周围城市带动,嘉兴、绍兴高价值专利有所发展,变为H-H集聚,而舟山一直处于L-H集聚状态,其高价值专利产出较缓慢;河源、汕尾、江门也长期处于L-H集聚状态,值得注意的是,中山市由2013年的H-H集聚变为2021年的L-H集聚,说明相比邻近地区其高价值专利增长速度缓慢。随着时间推移,L-L集聚区域不断变化,但主要集中在西北、西南以及东北地区。

3 影响因素分析

3.1 描述性统计

描述性统计结果如表3所示,经过对数处理后各变量标准差较小,有效缓解了异方差影响。其中,对被解释变量高价值专利加1取对数后其均值为3.331,最小值、最大值分别为0与11.122,标准差为2.317,表明各城市高价值专利数量存在较大差异,部分城市高价值专利数量有待提升;各城市地区生产总值取对数后的最小值为3.58,最大值为10.564,说明经济发展水平存在一定差距;科学技术支出、教育支出取对数后的最大值差异不大,分别为15.529、16.248,但最小值相差较大,分别为3.526、6.855,其均值分别为9.517、12.571,表明相比科学技术支出,各地区更重视教育支出,且各城市科学技术支出差异较大;人才规模上,科学研究和技术服务人员数以及普通高等学校在校学生数取对数后,均值分别为8.35、10.218,说明科研人员数相对较少。公园绿地面积取对数后其最小值为0,最大值为10.483,说明不同城市生态环境存在一定差异。

3.2 模型选取

由全局Moran's I可知,高价值专利具有显著空间相关性,因此需要考虑将空间因素纳入模型。由于空间滞后模型、空间误差模型以及空间杜宾模型等空间计量模型都可以分析高价值专利影响因素,故需要选择最优模型。首先,进行LM检验,由结果可知,空间误差和空间滞后的LM检验结果以及稳健性估计结果均显著,表明进行空间计量分析的最优模型为空间杜宾模型。其次,进行Hausman检验以确认是选择固定效应还是随机效应,结果显示P值为0.0000,显著拒绝采用随机效应的原假设,故应采用固定效应模型。再次,进行LR检验和Wald检验以确认空间杜宾模型是否会退化为空间滞后模型与空间误差模型,检验结果显示LR检验和Wald检验均在1%的置信水平上显著拒绝原假设,表明空间杜宾模型不可退化。最后,进行LR检验以确认是选择时间固定效应、个体固定效应,还是双固定效应。检验结果均在1%的显著性水平上拒绝原假设,表明应选取个体、时间双固定效应。综上,高价值专利影响因素的最优回归模型为个体与时间双固定效应下的空间杜宾模型。

3.3 结果分析

本文采用SDM模型对高价值专利影响因素进行回归并分析其分解效应。由表4可知,个体与时间双固定效应下的SDM模型的空间滞后项系数为0.259,在1%的显著性水平下通过检验,说明高价值专利具有明显的空间溢出效应,即某城市提升高价值专利规模将对邻近地区的高价值专利产生正向促进作用。

由表4结果可知,地区生产总值的直接效应为正,在1%的显著性水平上对本地区高价值专利有促进作用。这是因为经济发展水平高的地区拥有更丰富的创新资源,有利于本地区高价值专利产出;同时,经济基础的溢出效应系数为-0.849,负向溢出约是直接效应的2倍,表明经济基础对邻近地区高价值专利产出有显著抑制作用。而现有的普通专利研究结果显示,地区生产总值的空间溢出效应多显著为正[29-30],即会促进周边地区创新水平提高。产生这种差异的原因可能是相比普通专利,高价值专利需要依靠更丰富、更先进的创新资源,因此经济基础良好的城市更具吸引力,易产生虹吸效应,促使周围地区高新技术企业到此投资发展,造成周边地区高价值专利减少。

在政府支持方面,科学技术支出对高价值专利的直接效应系数为0.280,间接效应系数为0.334,且均在1%的水平上显著,说明政府的科学技术支出不仅能够促进当地形成高价值专利,对邻近地区的高价值专利产出也有正向溢出作用。教育支出的直接效应系数为0.217,在1%的水平上显著,间接效应系数为正但不显著,说明政府教育支出主要对本地高价值专利产出产生影响。可以看出,政府重视程度是推动高价值专利产出的有力保障。

人才规模方面,科学研究和技术服务人员数量在1%的显著性水平上对本地以及邻近地区高价值专利有促进作用。这可能是由于开展创新活动时,各地区科研人员密切交流,人才流动打破了地域壁垒,促进了本地以及周围地区高价值专利规模提升。普通高等学校在校学生数对本地高价值专利产出的影响不显著,而对于普通专利产出有显著促进作用[5,31]。这可能是由于在校学生的创新能力较弱,因而对本地区高价值专利的影响不明显。溢出效应显著为负,这是因为高校学生是高端创新人才的后备军,是高新企业未来的新生力量,因此高校学生聚集的地区会吸引部分创新资源,造成周边地区高价值专利产出下降。

生态环境方面,公园绿地面积在1%的显著性水平上对本地高价值专利有促进作用,其直接效应系数为0.102,表明公园绿地面积每增加1%,本地区高价值专利规模提升0.102%;其溢出效应为正但不显著,表明公园绿地对邻近地区的高价值专利产出影响不显著;总效应在5%的水平上显著为正。综合来看,公园作为重要的休憩环境有利于高价值专利产出,主要体现在对优秀人才、企业的吸引力上。

总体而言,除高等学校在校学生数的直接效应不显著外,其余影响因素的直接效应均在1%的水平上显著为正,说明高价值专利与本地区的经济基础、政府重视、人才规模以及生态环境息息相关。其中,经济基础是对本地区高价值专利产出影响最大的因素;地区生产总值、高等学校在校学生数的溢出效应显著为负,科学技术支出、科学研究和技术服务人员数的溢出效应在1%的水平上显著为正,教育支出、公园绿地面积的溢出效应不显著,表明各地区对科技的直接投入(科技支出、科研人员)有利于达到双赢效果,而经济发展和高等学校在校学生数增多会抑制邻近地区高价值专利产出。

结合上文的时空格局分析可知,菱形结构地区城市拥有较丰富的高价值专利,东北地区次之,这可能是相对其它外围地区,上述地区的教育、基础设施等更加完善。为探讨不同区域高价值专利影响因素的差异性,进一步划分菱形结构地区、东北地区以及外围地区,回归结果如表5所示。可以看出,菱形结构地区的空间滞后项系数为0.308,在1%的显著性水平下通过检验;东北地区空间滞后项系数为0.118,通过5%水平下的显著性检验;外围地区的空间滞后项系数不显著。上述结果说明,菱形结构地区和东北地区的高价值专利产出具有明显的正向空间溢出效应,这是由于城市间联系紧密,其中一个城市高价值专利产出增多会对邻近城市产生促进作用;而外围地区城市之间的高价值专利则没有明显的相互促进现象。

分析各地区的回归结果,菱形结构地区经济基础在1%的显著性水平上对本地区高价值专利有促进作用,东北地区、外围地区经济基础对其高价值专利的影响不显著;各地区经济基础的溢出效应系数均为负,但不显著。菱形结构地区和外围地区科学技术支出对本地区高价值专利的影响系数为正,通过1%水平下的显著性检验,而东北地区的影响系数不显著。空间效应方面,3个地区的空间滞后项系数均显著为正,表明科学技术支出对周边城市的高价值专利产出有促进作用;菱形结构地区教育支出在1%的水平上对本地以及周边城市的高价值专利产出均有显著促进作用,东北地区和外围地区教育支出的作用不显著;菱形结构地区科学研究和技术服务人员数在1%的显著性水平上对本地以及邻近城市的高价值专利产出有促进作用,东北地区科研人员数对高价值专利产出的影响主要表现为对当地的高价值专利有提升作用,而外围地区科研人员数增多则对周边城市高价值专利产出有显著抑制作用;菱形结构地区和东北地区高校在校学生数对本地区高价值专利产出均影响显著,其中,前者为促进作用,后者为抑制作用,这可能是由于前者的创新能力培育模式更完善。生态环境方面,菱形结构地区公园绿地面积的影响显著为正,对本地区城市的高价值专利产出有促进作用。

3.4 稳健性检验

为保证研究结果可靠,本文采用以下方法进行稳健性检验:第一,替换空间计量模型,构建基于反距离平方空间权重矩阵的空间滞后模型和空间误差模型,探讨高价值专利产出的影响因素;第二,替换空间权重矩阵,由于空间权重矩阵的选择会对研究结果产生较大影响,本文进一步采用邻接空间权重矩阵、反距离空间权重矩阵构建空间杜宾模型,检验上述结论的稳健性;第三,调整样本期,2008年《国家知识产权战略纲要》的颁布将知识产权工作上升到国家战略层面,其指出,要以国家战略需求为导向,掌握一批核心技术专利,支撑我国高技术产业与新兴产业发展,该举措促使高价值专利数量不断攀升,因此选择2009年及以后的高价值专利作进一步的稳健性检验;第四,缩尾处理,从描述性统计结果可以看出,变量之间存在较大差异,为消除样本离群值对回归结果的影响,对所有变量在5%分位处和95%分位处进行缩尾处理。

稳健性检验结果如表6所示,空间滞后项系数和空间误差项系数均为正,且通过1%水平下的显著性检验,表明高价值专利产出具有显著的空间效应,与原模型结果一致。在各稳健性检验模型下,地区生产总值、科学技术支出、教育支出以及公园绿地面积对本地区高价值专利产出的影响系数均显著为正,科研人员数量除调整样本期外均在1%的水平下显著为正,高校在校学生数对本地区高价值专利产出的影响也为正。综合来看,上述结果与反距离平方空间权重矩阵的SDM模型估计结果一致。替换空间权重矩阵后的空间系数显示,公园绿地面积对周边地区高价值专利产出的影响在邻接矩阵下变为负值但不显著,其余变量在两种空间权重矩阵下的影响与原模型基本一致,即地区生产总值和高校在校学生数的影响显著为正,科学技术支出和科研人员数的影响显著为正,教育支出和公园绿地面积的影响不显著。从调整样本期和缩尾处理后的空间系数可以看出,地区生产总值提高会显著抑制周边地区高价值专利产出,科学技术支出增加能促进周边地区高价值专利产出,与原模型结果一致。调整样本后,教育支出系数为正但不显著,科研人员数量对高价值专利产出的作用也不显著。去除异常值后,科研人员数和高等学校在校学生数对周边地区高价值专利产出影响方向与原模型一致但不显著。综上,稳健性检验的回归结果与原模型回归结果基本一致,表明基于反距离平方空间权重矩阵构建的个体、时间双固定效应下的空间杜宾模型具有较强稳健性。

4 研究结论

加快实现高水平科技自立自强,是推动高质量发展的必由之路。目前,有关创新水平时空演变以及影响因素的研究多集中于总体专利,还没有专门针对高价值发明专利的研究,导致研究结果易受到“专利泡沫”的影响。本文根据《国务院关于印发“十四五”国家知识产权保护和运用规划的通知》的界定筛选出高价值专利代理指标,结合中国285个地级及以上城市面板数据考察其时空演变规律,并基于空间视角进一步探讨其影响因素,研究发现:

(1)高价值专利在我国多分布于胡焕庸线以东区域,呈现出明显的沿海强于内陆、“东—中—西”逐渐递减的分布格局;以京津冀、长三角、珠三角以及成渝地区为顶点构成的菱形结构地区拥有大多数高价值专利,并形成以北京、上海、深圳为核心的高价值专利聚集圈;近年来高价值专利规模总体呈现出不断提升态势,其中,沿海地区增长更迅速,菱形结构日益凸显。此外,高价值专利自2011年起存在显著的空间依赖性,且空间自相关趋势逐渐增强,其中,H-H集聚区集中在京津冀、长江三角洲以及珠江三角洲城市群,L-L集聚区集中在西北、西南以及东北地区城市。

(2)通过对高价值专利影响因素的分析发现,地区生产总值能够显著提升本地区高价值专利规模,但对周边地区高价值专利的抑制作用更显著;科学技术支出和科研人员数量对本地以及周边地区的高价值专利均有显著推动作用;教育支出对高价值专利的作用主要体现为对本地区的促进;普通高等学校在校学生数会显著抑制周边地区高价值专利规模,但对本地区高价值专利影响不明显;公园绿地面积会显著促进本地区高价值专利产出。值得注意的是,经济基础的改善与提升会显著抑制邻近地区高价值专利产出,与普通专利的作用结果相反;高等学校在校学生数对本地区高价值专利规模的促进作用不显著,但是其它研究表明,高校在校生数能够显著提升本地区创新水平。

(3)菱形结构地区、东北地区以及外围地区高价值专利产出的影响因素存在异质性。具体为,地区生产总值、科学技术支出、教育支出、科研人员数量、高校在校学生数以及公园绿地面积对菱形结构地区城市的高价值发明专利均有显著促进作用。其中,科技支出和科研人员数量增多同时有利于邻近地区城市高价值专利产出,而教育支出增加则会显著抑制邻近地区城市高价值专利产出。东北地区科学技术支出增大对邻近地区城市高价值专利产出有显著促进作用,科研人员数量增加有助于本地区高价值专利产出,高校在校学生数增加则会抑制本地区高价值专利产出。外围地区城市间联系较松散,空间溢出效应不明显。

5 研究启示

基于高价值专利空间分布格局与影响因素的研究结果,提出如下建议:

(1)沿海地区更加注重高价值专利,创新水平稳中求进;中西部、东北地区需加大与沿海地区创新合作、优势互补,探索适合自身的高价值专利发展模式,促进高价值专利区域协调发展。发挥中心城市和城市群的带动作用,借助地理优势加强与周边地区的协作联系,扩大高价值专利辐射范围,高价值专利产出下降或增长缓慢地区要及时反思发展劣势,弥补短板弱项。

(2)合理分配财政支出,适当提高科技支出和教育支出,引导科研机构开展高新技术研究,加大素质教育以及新兴学科建设,激励高价值专利产出。坚持人才引领驱动,充分发挥科技型人才带动作用,加快高价值专利产出;加强人才交流协作,促进创新型人才的区域合理布局。

(3)聚焦关键核心技术领域,以国家战略需求为导向促进高价值专利创造;增强产学研协同,加快高价值专利产出与成果转化,形成具有自主知识产权的创新成果;优化专利审批流程,提高专利维权效率,确保高价值专利获得保护;建立全面、科学的专利价值评估体系,准确识别和鼓励高价值专利产出。

参考文献：

[1] 龙小宁, 王俊. 中国专利激增的动因及其质量效应[J]. 世界经济, 2015, 38(6): 115-142.

[2] 程文银, 胡鞍钢, 陈雪丽. 知识产权强国背景下中国高价值专利发展:测度与实证分析[J]. 北京工业大学学报(社会科学版), 2022,49(5): 1-12.

[3] 刘勤, 杨壬淦, 刘友华. 高价值专利评估方法、存在问题及对策[J]. 科技管理研究, 2022, 42(4): 147-152.

[4] 何舜辉, 杜德斌, 焦美琪, 等. 中国地级以上城市创新能力的时空格局演变及影响因素分析[J]. 地理科学, 2017, 37(7): 1014-1022.

[5] 周锐波, 刘叶子, 杨卓文. 中国城市创新能力的时空演化及溢出效应[J]. 经济地理, 2019, 39(4): 85-92.

[6] 吴玉鸣. 空间计量经济模型在省域研发与创新中的应用研究[J]. 数量经济技术经济研究, 2006,23(5): 74-85,130.

[7] 马天旗, 赵星. 高价值专利内涵及受制因素探究[J]. 中国发明与专利, 2018, 15(3): 24-28.

[8] 胡泽文, 周西姬, 任萍. 基于扎根理论的高价值专利评估与识别研究综述[J]. 情报科学, 2022, 40(2): 183-192.

[9] 马治国, 谢伟, 张磊. 技术、法律、市场三维视角下我国药品高价值专利评估体系构建研究[J]. 西北大学学报(哲学社会科学版), 2022, 52(5): 120-130.

[10] 杨鑫超, 张玉, 杨伟超. TRIZ在高价值专利培育工作中的创新应用研究[J]. 情报杂志, 2020, 39(7): 54-58,86.

[11] 韩秀成, 雷怡. 培育高价值专利的理论与实践分析[J]. 中国发明与专利, 2017, 14(12): 8-14.

[12] 邢战雷, 马广奇, 孙艳蕾, 等. 高价值专利培育体系的构建与推进[J]. 中国高校科技, 2019,33(Z1): 50-53.

[13] 邓恒, 王含. 高质量专利的应然内涵与培育路径选择——基于《知识产权强国战略纲要》制定的视角[J]. 科技进步与对策, 2021, 38(17): 34-42.

[14] 李婧, 谭清美, 白俊红. 中国区域创新生产的空间计量分析——基于静态与动态空间面板模型的实证研究[J]. 管理世界, 2010,26(7): 43-55,65.

[15] 李国平, 王春杨. 我国省域创新产出的空间特征和时空演化——基于探索性空间数据分析的实证[J]. 地理研究, 2012, 31(1): 95-106.

[16] 席强敏, 张景乐, 张可云. 中国城市专利规模与知识宽度的时空演变及影响因素[J]. 经济地理, 2022, 42(3): 56-65.

[17] 蔡鸿宇, 王向锋, 徐宗煌, 等. 高价值专利有何特征——基于模糊集定性比较分析的组态效应研究[J]. 情报科学, 2024,42(4):167-174,183.

[18] 刘谦, 姜南, 王亚利, 等. 国内高价值专利研究热点演进与整合框架——基于SKM的可视化分析[J]. 科技进步与对策, 2022,39(21):151-160.

[19] AITING XU, KEYANG QIU, CANYANG JIN,et al. Regional innovation ability and its inequality: measurements and dynamic decomposition[J]. Technological Forecasting and Social Change, 2022, 180: 121713.

[20] AJAY AGRAWAL,DEVESH KAPUR,JOHN MCHALE,et al. Brain drain or brain bank?the impact of skilled emigration on poor-country innovation[J]. Journal of Urban Economics, 2011,69(1):43-55.

[21] ANNA CHIESURA. The role of urban parks for the sustainable city[J]. Landscape and Urban Planning, 2004, 68(1): 129-138.

[22] 李作学, 张蒙. 什么样的宏观生态环境影响科技人才集聚——基于中国内地31个省份的模糊集定性比较分析[J]. 科技进步与对策, 2022, 39(10): 131-139.

[23] 虞义华, 赵奇锋, 鞠晓生. 发明家高管与企业创新[J]. 中国工业经济, 2018,35(3): 136-154.

[24] 杨仁发, 李胜胜. 创新试点政策能够引领企业创新吗——来自国家创新型试点城市的微观证据[J]. 统计研究, 2020, 37(12): 32-45.

[25] 翟华云, 刘易斯. 数字金融发展、融资约束与企业绿色创新关系研究[J]. 科技进步与对策, 2021, 38(17): 116-124.

[26] PARENT O, LESAGE J P. Using the variance structure of the conditional autoregressive spatial specification to model knowledge spillovers[J]. Journal of Applied Econometrics, 2008, 23(2): 235-256.

[27] BOTTAZZI L, PERI G. Innovation and spillovers in regions: evidence from European patent data[J]. European Economic Review, 2003, 47(4): 687-710.

[28] 王庆喜, 胡志学. 长三角地区研发企业集聚与知识溢出强度——连续空间中的微观分析[J]. 地理科学, 2018, 38(11): 1828-1836.

[29] 杨明海, 张红霞, 孙亚男, 等. 中国八大综合经济区科技创新能力的区域差距及其影响因素研究[J]. 数量经济技术经济研究, 2018, 35(4): 3-19.

[30] 张宵, 葛玉辉. 城市技术创新时空演变特征及影响因素研究——以江苏省为例[J]. 技术与创新管理, 2023, 44(2): 133-142.

[31] 孙勇, 樊杰, 刘汉初, 等. 长三角地区数字技术创新时空格局及其影响因素[J]. 经济地理, 2022, 42(2): 124-133.

(责任编辑：胡俊健)