开放科学(资源服务)标识码(OSID)：
开放科学(资源服务)标识码(OSID)：
在创新范式转型和经济发展新常态背景下，我国大部分城市、地区将创新生态系统构建与完善作为实现创新型城市以及可持续发展战略的突破口和着力点，但与美国硅谷等发达区域相比，我国区域创新生态系统构建差距仍然明显。生态系统的复杂性使得客观评价区域创新生态系统，同时依据评价结果进行适度调整成为区域创新生态系统构建的必要手段。因此，科学判别和评价区域创新生态系统，既是实现区域可持续发展的关键，也是政府制定创新政策的基础。
目前，国内外学者最普遍的做法是基于生态学理论，从创新主体、创新资源和创新环境协同发展角度评价创新生态系统适宜度[1]。另外，一些学者从创新生态系统功能角度，评价创新生态系统结构关系健康性或运行稳定性[2,3]；还有一些学者从绩效角度，基于投入产出原理，评价创新生态系统成熟度[4,5]。随着研究的深入，一些学者尝试从能力角度进行评价，如边伟军等[6]应用扎根理论测量创新生态系统核心企业主导能力；许青青和许广永[7]以安徽省各地区为研究对象，评价创新生态系统区域创新能力。目前，尚没有学者研究区域创新生态系统知识能力评价问题，知识既是区域创新最重要的战略资源，也是区域经济发展获取持久竞争优势的关键[8]。从知识角度看，区域创新生态系统最重要的功能是通过创新主体相互联系、相互制约，促使知识资源在整个系统内流动、扩散、整合进而形成新的知识，在此过程中实现创新与可持续发展。知识特质加上系统复杂性使得区域创新生态系统中知识流动与转移面临许多困难和阻碍[9]，进而影响区域创新与可持续发展。因此，区域创新生态系统构建最重要的环节是形成刺激知识转移螺旋式上升的区域知识能力[10]，这也是区域创新生态系统中其它能力形成的基础。鉴于此，本文认为，评价区域创新生态系统知识能力，对于构建和完善区域创新生态系统具有理论意义与现实价值。
我国于2006年提出建设创新型国家战略，随后从区域层面建立创新体系成为地方政府政策制定的着力点。深圳在2008年成为我国第一个“国家创新型城市”的试点城市。经过十多年的发展，深圳出台了一系列自主创新政策，形成了较为完善的创新政策法规体系；建设了一批创新平台和产业中心，打造了坚实的创新基础；加大力度发展高新技术产业、金融业，成为我国科技创新中心。2018年，深圳人均GDP为19万元, 继续位居全国副省级以上城市首位，每万人发明专利申请量为55件，是全国平均水平的5.5倍，PCT国际专利申请量18 081件, 占全国总量的34.8%。可以说，深圳创新生态体系建设取得了显著成就。深圳想要成为“中国硅谷”，需要完成从“区域创新系统”到“区域创新生态系统”质的转变。因此，本文以深圳为研究对象，通过对深圳区域知识能力评价发现深圳区域创新生态系统建设中的短板与瓶颈，并提出对策建议。
知识被认为是区域创新和经济发展的核心资源，面对日益激烈的竞争和复杂环境，学者们将资源观与能力观结合起来，提出了一系列有关知识能力的概念。随着知识能力观的发展，知识能力解释与测度研究逐渐丰富，但大多从个体或组织层面研究知识吸收能力、知识获取能力、知识共享能力、知识转移能力、知识创造能力、知识竞争力等[11-13]。从区域层面进行知识能力研究的较少，尚未形成明确概念。对个体和组织而言，无论是获取知识、吸收知识、运用知识还是转移知识，都脱离不了区域环境因素。因此，本文认为，研究区域知识能力不仅能够帮助政府机构建设创新型城市，而且是区域内企业开展知识创新和技术创新的基础。
由现有文献可知，有学者从区域知识管理角度研究区域知识能力，如区域知识创造能力、区域知识获取能力、区域知识积累能力、区域知识吸收能力、区域知识产权能力等[14-15]。还有学者认为，区域知识能力即区域知识竞争力，包括知识存量、知识传承和知识创新能力(朱美光，2007)。上述研究将区域看作一个整体组织，关注区域某一方面的知识能力，但是没能从系统角度分析区域知识能力。蒋贵凰[16]认为，区域知识能力的核心在于区域知识环境构建，鼓励企业和个人在区域内的知识活动，激发知识创新与应用能力。他将区域知识能力分为知识基础、投入能力和潜在能力，虽然开始从系统角度研究区域知识能力，但忽略了知识在区域内各知识主体间的流动与协同。
本文借鉴Wang&Ahmed[17]的分层次能力结构观点，研究区域创新生态系统知识能力，认为能力是由低层级的、拥有资源的个体或组织，以及高层级个体或组织间的功能关系构成的[18]。因此，区域知识能力可以分为具备知识资源的组织和组织间的作用关系两个部分。同时，根据宁烨和樊治平(2008)的研究成果，区域知识能力分为两个层次，第一层包含区域创新主体拥有的知识基础资源，是知识能力的基础；第二层包含创新主体与外界环境之间的互动关系, 可以称之为知识机制。因此，本文认为，区域创新生态系统知识能力最重要的核心要素就是区域知识创新主体的知识基础以及支撑主体知识创新的区域创新生态系统环境。
在区域创新生态系统中，知识创新主体一般包括企业、大学和科研机构，根据功能不同可以分为产业方和学研机构方。企业和大学独立创新已无法应对复杂多变的市场环境，产业方和学研方相互合作、共享知识资源、互利共生是区域创新生态系统形成的核心基础，但是双方利益目标和知识基础差异是我国产学研合作知识转移效率低下的主要原因[19, 20]。所以，产业方和学研方储备水平相当的知识是区域创新生态系统知识能力形成的关键。另外，区域环境因素对知识创新过程的支持能力和服务水平应与创新主体知识基础水平共同增长、相互协同，无论是超前或是落后的环境支持、服务水平都会对创新主体知识基础增加起反作用。首先，作为区域环境组成要素重要主体之一的政府机构，创新政策支持力度决定了整个区域的知识储备以及知识生产水平。政府投入更多的创新资金、吸引更优质的人才资源可以促使企业、大学以及科研机构更接近技术前沿，使得生产新知识的概率较高[21], 从而提升整个区创新生态系统的知识能力。其次，科技创新离不开资本驱动，在此过程中产生新知识。Perez[22]从技术—经济范式演进视角, 对金融资本与科技创新的关系进行分析, 认为金融资本可以促进重大科技创新产生和扩散；King等[23]发现，金融体系中的风险投资对科技创新起正向推动作用；和瑞亚等[24]进一步提出，长期看，证券市场和信贷市场对科技创新成果转化与阶段转化均存在正向影响。因此，金融发展水平也是区域创新生态系统知识能力的重要环境要素。第三，创新载体是指一种汇集创新资源、创新资本和创新人才的有效组织形态与空间形态[25]，不仅为企业技术与知识创新提供专业的资源和帮助，更是区域内产业与大学建立合作关系、共同创新的重要平台。因此，区域创新生态系统中创新载体的发展水平决定企业新知识产生速度，并影响企业与大学合作创新成功率。最后，知识产权保护既是在产业方与学研方知识转移过程中保证双方利益的主要手段[26]，也是区域创新生态系统中产业方和学研方愿意建立知识合作关系、共同开展知识创新的重要法律保障。
经过以上文献梳理，本文设计了4个对区域知识创新作用最大的环境因素，包括金融发展水平、创新载体发展水平、知识产权服务能力和创新政策支持作用，见图1。它们既是区域创新生态系统知识能力的重要组成要素，也是促进知识创新主体独立开展知识生产以及合作开展知识生产的重要推动力量。创新生态系统是一个社会协同复杂系统，创新主体之间以及创新主体与环境通过相互作用、协同发展促进区域知识生产、转移、吸收、利用，既是创新的关键环节，也是知识能力的主要表现。同样，区域创新生态系统知识能力是一个复杂的协同系统，需要6个子系统(产业知识基础子系统、学研知识基础子系统、金融发展水平子系统、创新载体发展水平子系统、知识产权服务能力子系统、创新政策支持子系统)协同发展，相互促进。基于复杂系统协同论[27]，本文认为，不能用简单综合加权方法评价区域创新生态系统知识能力，故采用复合系统协调度模型评价区域创新生态系统知识能力要素间协同发展情况。
图1 理论框架
1.2.1 产业知识基础
本文定义产业知识基础即一个区域产业拥有的知识存量，影响一个城市中企业与产业的创新能力。由于区域产业知识基础与区域工业发展密切相关，而区域工业发展水平是由支柱产业和主导产业决定的，因此，牛盼强(2017)、李美桂(2016)均使用区域支柱产业与主导产业工业增加值、总资产和从业人员人数测算区域产业知识基础。另外，从知识基础产出角度看，专利数量、科技成果数量、科技奖励数量等都能反映创新主体的知识基础情况。对于一个区域而言，产业拥有的知识存量多，意味着更多的经济回报和科研产出。因此，基于科学性、可行性和系统性，本文选取支柱产业工业增加值、企业专利授权量、企业科技成果数和企业获得科技奖励数4个二级指标衡量区域创新生态系统产业知识基础。
1.2.2 学研知识基础
大学与科研机构是一个区域最重要的知识生产机构，学研知识基础即区域大学与科研机构具有的知识水平或存量，通常可以采用产出法衡量，如采用科技文献 (论文数)和专利等测量(苏屹、李柏洲、喻登科，2012)。因此，本文采用院校及科研机构专利授权量、院校及科研机构科研成果数、院校及科研机构获得科技奖励数和师均高水平科研论文数4个二级指标衡量学研知识基础。
1.2.3 金融发展水平
知识生产需要伴随技术创新过程实现，国内外学者已从不同角度研究金融发展与技术创新的关系。Schumpeter[28]较早地提出金融发展对技术进步具有重要推动作用；Tadesse[29]研究表明, 良好的金融体系有助于发挥分散风险、机会共享等功能, 确保技术创新行为的可持续性；郑玉航和李正辉(2015)从金融服务路径出发，分析金融服务对科技创新的有效程度，发现资本市场服务能够促进科技创新的有效性稳定提升。因此，金融发展水平不仅为新知识产生提供资金支持，而且降低了研发风险[30]，还是区域知识能力的重要构成要素。目前，对金融发展水平的测量，有些学者采用单一指标，如戈登史密斯的金融相关比率(金融机构存贷款占GDP比率)[31-32]、金融机构贷款总额占GDP比例(周丽丽、杨刚强、江洪，2014)和非国有企业贷款占GDP比例等。有些学者构建指标体系衡量金融发展水平，如杜思正等[33]从金融深化、金融效率和金融结构等维度构建体系；刘义文等根据普惠金融战略，从金融服务渗透性、服务可得性、使用效用性和可负担性4个方面构建中国普惠金融指标体系。一般来说，一个区域的金融机构主要包括银行机构、证券基金机构和保险机构等，考虑到本文侧重点在金融业对知识流动、扩散和整合作用方面，故暂不考虑保险机构相关指标。本文主要衡量金融机构对知识生产过程的资金支持作用，在指标选取上主要考虑资金总规模和资金交易情况。因此，设置银行机构资产总额、全年累计股票交易总额、年底基金总规模、运行中私募基金数量和上市公司融资额5个指标衡量区域金融发展水平。
1.2.4 创新载体发展水平
创新载体是促进高技术企业成长的环境和土壤，高技术企业是知识生产和整合的重要主体。因此，创新载体发展水平是区域知识能力的重要环境要素。目前，创新载体主要包括科技企业孵化器、产业基地、高新技术产业开发区、生产力促进中心、重点实验室、科技园及技术转移机构等，基于数据可得性，本文仅考虑科技孵化器、产业基地、高新技术产业开发区和国家技术转移示范机构。首先，采用国家级科技企业孵化器创业导师人数和国家级科技企业孵化器孵化基金两个指标衡量国家级科技企业孵化器服务水平。由于高新技术产业已经成为拉动国家经济增长的关键点，因此，本文采用国家高新技术产业开发区人均技术收入衡量高新技术产业开发区技术发展水平；其次，由于以信息技术为代表的高新技术产业是深圳四大支柱产业之一，软件是信息产业的核心与灵魂，从业人员学历水平可以影响软件产业基地的知识创新能力。因此，本文采用火炬计划软件产业基地从业人员学历衡量深圳火炬计划软件产业基地发展水平；最后，技术转移机构能够促进产学研结合，加快区域知识成果化，本文采用国家技术转移示范机构项目成交额指标，衡量国家技术转移示范机构对知识成果化的服务水平。
1.2.5 知识产权服务能力
董新凯和田源[34]从知识产权创造、知识产权应用以及知识产权环境3个方面评价省级区域知识产权工作情况；施学哲等[35]从过程和结果两个维度评价园区知识产权绩效；雒园园等(2011)将区域知识产权评价分为数量、质量、开发、运用和保护5个部分；蒋玉宏与单晓光[36]从基础资源、权力获取及权力转化和交易3个方面评价区域知识产权发展。结合以上学者的研究成果与数据可获取性，本文采用知识产权专项资金和知识产权专业技术职称人数衡量区域知识产权基础资源，采用PCT国际专利申请量评价区域知识产权工作结果。
1.2.6 区域创新政策支持
区域创新政策通过创造良好的创新环境有效提高区域知识生产水平(刁丽琳、张蓓、马亚男，2011)。区域创新政策体系中最重要的两项内容是R&D经费分配和创新人才引进(杨忠泰，2010)。因此，本文采用人均R&D支出和科技活动人员数两个指标测量区域创新政策支持力度。
本文对区域创新生态系统知识能力协同发展评价研究主要采用以下方法：①运用离差标准化法优化样本原始数据，用熵权法求出测度变量权重，并用加权求和法计算得出一级和二级指标指数；②基于匹配量化模型测量产业知识基础与学研知识基础匹配程度；③运用复合系统协调度模型计算区域创新生态系统知识能力协同度。
本文以深圳市为分析样本，样本数据主要来源于2010—2018年各统计年鉴和深圳市政府统计数据，其中缺失数据用加权法处理，具体指标测量方法及数据来源见表1。为避免测度指标因不同量纲引起的测度失真，首先，对样本原始数据进行标准化处理。然后，根据熵值法用标准化后的数据计算一级指标及二级指标权重，权重结果见表1。
在知识创新过程中，需要产业知识子系统与学研知识子系统相互作用和相互促进，二者有效结合共同促进区域知识能力提升。产业知识基础与学研知识基础匹配是建立在二者具有较强互动关系基础上的，二者在相互耦合、协调发展过程中实现匹配。因此，可以用耦合协调模型衡量产业知识基础和学研知识基础的匹配程度。借鉴张美丽等[37]根据耦合与协调理论建立的匹配量化模型，测量产业知识基础和学研知识基础的匹配度。以两个系统为例，假设两个系统U1=(X11,X12,…,X1n)和U2=(X21,X22,…,X2n)，其中Xij(i=1,2；j=1,2,…,n)分别为两个系统的序参量，首先计算每个序参量的功效值。
uij=(xij-bij)/(aij-bij)i=1,2;j=1,2,…,n
(1)
其中，a与b分别为每个序参量的上限值和下限值，接着，计算两个系统各自的总功效值。
(2)
其中，δ为序参量权重，然后计算两个系统的耦合度(C)和协调度(T)，根据公式：
(3)
T=αu1+βu2
(4)
最后，计算两个系统的匹配度(D)，根据公式：
(5)
因此，将收集到的数据代入式(1)-(5)，最后求得深圳各年产业知识基础和学研知识基础匹配度，结果见表2。
借鉴孟庆松和韩文秀[38]根据协同学原理提出的复合系统协调度模型，本文将区域创新生态系统知识能力视为复合系统S={S1,S2,S3,S4,S5,S6}，设每个子系统发展过程中的序参量为ej=(ej1,ej2,…,ejn)，其中：j=1,2,…,6；n≥1，βjiejiαji，i=1,2,…,n；αji和βji为系统稳定临界点上序参量分量eji的上限与下限。假定ej1,ej2,…,ejk为正向指标，其取值越大，系统有序程度就越高；假定ejk+1,ejk+2,…,ejn为逆向指标，即其取值越大，系统有序程度就越低。子系统Si，j∈[1,6]，序变量分量eji的有序度为：
(6)
由以上定义可知，uj(eji)的数值越大, 表明序参量分量eji对系统有序的贡献越大。对子系统的贡献可以通过序参量贡献的线性加权求和法得到，即：
其中
(7)
最后，在给定的初始时刻t0，求得各个子系统的有序度为
对整个知识能力复合系统发展过程中的时刻t1来说，各子系统的序参量有序度为
则复合系统的协同度为：
其中
(8)
参数θ在这里起决定正负值的作用，复合系统的协同度c∈[-1,1]，其数值越大，表明复合系统协同发展程度就越高，反之越低。协同度c为正值的充要条件为所有子系统t1时刻的有序度均大于t0时刻，即所有子系统处于协同演进状态。当一个子系统有序度提高幅度较大，另一个子系统有序度提高幅度较小，此时复合系统协同度虽然为正值，但其数值非常小，表明复合系统协同发展程度仍处于较低水平。将数据代入式(6)、(7)，可以得到各子系统有序度如表3所示，各子系统有序度发展趋势如图2所示。另外，由于已经计算过产业知识基础和学研知识基础匹配度，在评价区域创新生态系统知识能力各子系统协同度时，分别考虑4个环境子系统与产业知识基础协同发展情况和学研知识基础协同发展情况，将数据代入式(8)，计算结果见表4。
表1 各指标数据计算方法、来源及指标权重
要素测量指标计算公式数据来源产业知识基础(0.2)企业专利授权量(件)(0.3)无国家知识产权局网站支柱产业工业增加值(亿元)(0.24)无深圳市统计局网站企业科技成果数(0.34)根据《学技术部国家科技成果登记办法》科统计的科技成果数国家科技成果网企业科技奖励数(0.12)市长奖∗10+自然科学奖∗5+技术发明奖∗5+科技进步奖+青年科技奖∗3+专利奖∗5+标准奖∗6深圳市科技创新委员会网站学研知识基础(0.15)院校及科研院所专利授权量(件)(0.21)无国家知识产权局网站学研科技成果数(0.29)根据《学技术部国家科技成果登记办法》科统计的科技成果数国家科技成果网学研科技奖励数(0.23)市长奖∗10+自然科学奖∗5+技术发明奖∗5+科技进步奖+青年科技奖∗3+专利奖∗5+标准奖∗6深圳市科技创新委员会网站师均高水平科研论文数(0.27)主要大学及科研院所高水平论文/各级各类普通高等学校专任教师数Web of science; 2011-2019深圳统计年鉴金融发展水平(0.25)银行机构资产总额(万亿)(0.15)无2010-2018年深圳金融发展报告全年累计股票交易总额(万亿)(0.26)无2010-2018年深圳金融发展报告年底基金总规模(万亿)(0.24)无2010-2018年深圳金融发展报告运行中私募基金数量(0.25)无2010-2018年深圳金融发展报告上市公司融资额(亿)(0.10)无2010-2018年深圳金融发展报告创新载体发展水平(0.18)国家级科技企业孵化器创业导师人数(0.22)无2011-2019年中国火炬统计年鉴国家级科技企业孵化器孵化基金(亿元)(0.32)无2011-2019年中国火炬统计年鉴火炬计划软件产业基地从业人员学历(0.16)(博士∗8+硕士∗4+本科∗2+大专)/总从业人数2011-2019年中国火炬统计年鉴国家高新技术产业开发区人均技术收入(万/人)(0.15)国家高新技术产业开发区技术收入/从业人员2011-2019年中国火炬统计年鉴国家技术转移示范机构项目成交额(亿元)(0.15)无2011-2019年中国火炬统计年鉴知识产权服务能力(0.12)PCT国际专利申请量(0.3)无2010-2018年度深圳市知识产权统计分析报告知识产权专项资金(亿元)(0.38)无2010-2018年度深圳市知识产权统计分析报告知识产权专业技术职称人数(0.32)无2010-2018年度深圳市知识产权统计分析报告创新政策支持(0.1)人均R&D支出(万/人)(0.26)政府R&D经费/R&D人员2011-2019深圳统计年鉴科技活动人员人数(0.74)无2011-2019深圳统计年鉴
表2 产业知识基础与学研知识基础耦合、协调、匹配度
年份201020112012201320142015201620172018C0.484 6 0.446 9 0.494 4 0.497 5 0.500 0 0.498 8 0.495 8 0.499 8 0.499 6T0.249 9 0.201 7 0.156 0 0.325 4 0.473 7 0.606 9 0.620 1 0.613 2 0.762 7D0.348 0 0.300 2 0.277 7 0.402 3 0.486 7 0.550 2 0.554 5 0.553 6 0.617 3
表3 区域知识能力子系统有序度
变量201020112012201320142015201620172018产业知识基础0.182 1 0.311 8 0.183 2 0.363 2 0.478 6 0.654 9 0.713 3 0.781 7 0.857 4 学研知识基础0.301 1 0.118 7 0.135 5 0.296 8 0.470 0 0.570 6 0.549 9 0.628 6 0.788 5 金融发展水平0.069 1 0.063 4 0.079 5 0.166 3 0.256 5 0.569 8 0.573 4 0.630 7 0.685 2 创新载体发展水平0.039 0 0.125 3 0.222 1 0.251 2 0.267 3 0.418 6 0.548 4 0.626 1 0.719 1 知识产权服务能力0.057 9 0.131 6 0.158 6 0.237 5 0.362 1 0.475 5 0.716 4 0.764 8 0.793 6 创新政策支持0.169 2 0.222 9 0.1977 0.253 8 0.407 9 0.425 6 0.576 2 0.820 9 0.844 4
表4 区域知识能力协同度
201120122013201420152016201720184个环境子系统与产业知识基础协同度-0.047 90.022 70.141 50.247 10.395 00.516 00.574 10.623 24个环境子系统与学研知识基础协同度-0.051 3-0.061 8-0.06 70.220 80.353 00.443 40.548 70.609 2
图2 区域知识能力子系统有序度
(1)对匹配程度的衡量，本文借鉴贾云庆的研究成果，0< D≤ 0.4时，处于低级匹配；0.4< D≤ 0.6时，处于中等匹配；0.6< D≤ 0.8时，处于较高层次匹配；当0.8< D≤ 1时，处于完全匹配[39]。根据表2结果，深圳市产业知识基础与学研知识基础匹配程度逐年提高，截至2017年，两个子系统知识基础匹配度并不高，仅是中等匹配，直到2018年才达到较高层次的匹配水平。影响匹配度的主要因素是产业知识基础和学研知识基础耦合度。耦合概念来自于物理学，主要是指两个及以上体系或运动形式之间通过相互作用、彼此影响以至一体化的现象。耦合度主要反映系统无序及有序状态间的转变过程，体现系统内部参量间的相互作用关系[40]。根据物理学对耦合度的划分等级，深圳市产业知识基础系统与学研知识基础系统属于中低等耦合情况，也就是说，二者相互配合或相互适应程度较低。原因可能是深圳市产业知识基础和学研知识基础发展不均衡，据资料显示，深圳研发特点可总结为6个90%，即90%的创新型企业为本土企业，90%的科研人员在企业, 90%的研发投入源于企业，90%的专利产生于企业, 90%的研发机构建立在企业，90%以上的重大科研项目由企业承担(曾国屏、 林菲，2013)。截至2018年，深圳市共有国家级高新技术企业1.44万家，只有两所综合性大学以及虚拟大学园引进的境内外60所高校。大学是区域重要的知识生产机构，深圳市在教育资源方面的弱势阻碍了产学协同发展，使科技领先企业纷纷向国内外其它区域高水平大学寻求合作，深圳市产业和大学没有形成互相促进、螺旋上升的知识生产良性机制，影响了区域知识能力，也是深圳与美国硅谷等发达区域存在差距的重要原因。
(2)子系统有序度分析。整体上6个子系统的有序度处于震荡上升趋势，2010—2012年有一定反复，但从2012年开始逐年上升。其中，相对产业知识基础来说，学研知识基础增长较缓慢，2016年还有下滑趋势，发展动力不足。总体来说，4个环境子系统基本实现了有序增长，说明深圳市知识基础能力逐年提高。
(3)由表4可知，环境子系统与产业知识基础、学研知识基础子系统协同度处于稳步提升状态，主要是由于6个子系统的有序度不断提高。特别是从2016年开始，协同度高于0.4，整个系统进入较协同发展阶段。结合图2，影响整个系统协同度的子系统主要是知识产权服务子系统、金融发展子系统和创新载体子系统，这3个子系统的有序度低于产业知识基础和学研知识基础子系统的有序度，是整体协同度不高的原因。另外，由表4可知，深圳市环境与产业知识基础协同度高于环境和学研知识基础协同度，主要是由于深圳市创新政策、优惠条件都偏向产业发展。但从2017年开始，深圳市知识环境和学研知识基础协同度逐渐接近环境与产业知识基础协同度，说明学研方与产业方知识基础的差距逐渐缩小。
经上文分析可知，区域知识能力包括产业知识基础、学研知识基础、金融发展水平、创新载体发展水平、知识产权服务能力和创新政策支持6个子系统。区域创新生态系统构建的关键，不仅需要区域产业知识基础和学研知识基础相互匹配、协调发展，而且需要4个区域创新环境子系统的服务与支持能力能够匹配创新主体知识基础的增长情况。因此，本文以深圳为例，从以下两个方面提出区域创新生态系统构建的政策建议。
(1)对于一个区域创新生态系统来说，主要通过产学合作、知识联盟和知识网络实现区域知识创新，企业和大学、科研院所建立合作关系的前提是能够从对方那里获取需要的知识。最理想的合作状态是，企业与大学、科研院所通过合作能够吸收对方知识，并将上述知识与自身已有知识结合，最终实现知识再创新。这就需要区域内产业方与学研方能够实现自身知识基础匹配和协调。以深圳为例，通过上述分析可知，深圳市产业与大学、科研院所耦合程度较低且发展不均衡，学研方的知识基础不能满足产业发展需求，从而导致产业方为了弥补自身知识短板，只能寻求与区域外大学和科研院所建立合作关系。短期来看，虽然不会影响整个区域经济发展，但从长期看，不仅会增加知识流动成本，而且会成为区域知识能力提升的最大障碍。因此，对于深圳这样缺少大学和科研院所资源的区域来说，可以通过积极与其它区域名校建立合作关系、开办分校等提高区域大学知识储备；同时，可以通过引进人才、建立科研院所等途径提高区域科研院所知识储备。对一些大学和科研院所资源丰富的区域来说，要想构建区域创新生态系统，需要引导区域建立产学合作关系，并鼓励产业方加大科研投入力度，夯实产业方知识基础，从而成功吸收学研方的知识。
(2)区域创新生态系统产学合作不仅需要产业方和学研方知识匹配，而且需要合适的创新环境促进产学合作知识网络建立。因此，构建区域创新生态系统，要提供适宜的区域创新环境。具体来说，首先，每个区域可以根据实际情况，采用本文指标体系计算4个创新环境子系统的有序度，找到创新环境有序发展中的短板，通过投资等手段补齐短板，实现区域创新生态系统构建。以深圳为例，由图2可以得知，2012—2018年区域创新政策有序度波动较大、发展不稳定。创新政策对区域知识创新最大的贡献就是科技人才引进和R&D资金投入。因此，本文选取上述两个指标衡量区域创新政策对区域知识创新的支持力度。由于创新政策有序度和两个二级指标发展情况相关，检查原始数据发现，2010—2016年科技活动人员人数增长缓慢，2013年甚至有减少情况，而2017年科技活动人员数量快速增长。本文认为，科技活动人员人数不稳定是影响创新政策有序度的主要原因。科技人员既是知识生产的主力军，也是知识创新的源动力。因此，对深圳市来说，解决创新政策支持子系统的短板，就是要加大人才引进力度，通过一系列政策留住人才，如提供人才公寓、简化落户程序、解决家属工作等。其次，通过各区域数据计算4个创新环境子系统和创新主体知识基础子系统协同度，找到制约创新主体知识基础发展的主要创新环境因素并加以改善。同样，以深圳市为例分析发现，影响深圳市区域知识能力各子系统协同度的原因是知识产权服务子系统、金融发展子系统和创新载体子系统有序度低于产业知识基础子系统有序度，尤其是金融发展水平和创新载体发展水平有待提高。因此，建议深圳市继续促进科技与金融结合，拓展科技型企业直接融资渠道，完善科技和金融服务体系，建立多层次资本市场，从而更好地支持与服务区域知识生产、流动、整合与创新。
总之，本文认为，构建能够促进产业方和学研方知识基础同步增长并协同发展的创新环境，是区域创新生态系统建设的重要手段。将本研究思路和指标体系运用于其它区域，并进行区域间横向对比，找到区域内以及区域间差距是未来研究方向，这也是本研究最重要的现实价值。
[1] 苌千里.基于生态位适宜度理论的区域创新系统评价研究 [J].经济研究导刊, 2012 (13): 170-171.
[2] 苗红, 黄鲁成.区域技术创新生态系统健康评价研究 [J].科技进步与对策, 2008, 25(8): 146-149.
[3] 徐建中, 王纯旭.基于粒子群算法的产业技术创新生态系统运行稳定性组合评价研究——以电信产业为例 [J].预测, 2016, 35(5): 30-36.
[4] 胡彪, 付业腾.天津市创新生态系统协调发展水平测度与评价 [J].价值工程, 2015 (32): 18-20.
[5] 刘志春, 陈向东.科技园区创新生态系统与创新效率关系研究 [J].科研管理, 2015, 36(2): 26-31.
[6] 边伟军, 密淑泉, 罗公利, 等.创新生态系统核心企业主导能力测度研究 ——基于扎根理论的探索 [J].青岛科技大学学报(社会科学版), 2018 (1).
[7] 许青青, 许广永.创新生态系统视角下安徽省区域创新能力评价 [J].淮南师范学院学报, 2017, 19(5): 24-29.
[8] 李柏洲, 徐广玉, 苏屹.基于组合赋权模型的区域知识获取能力测度研究-31个省市自治区视阈的实证分析 [J].中国软科学, 2013 (12): 68-81.
[9] 黄西川, 韩玉启.区域知识流动与技术创新—OECD国家创新体系概念基本假设的实证分析[J].科学学与科学技术管理, 2003, 24(3): 24-27.
[10] COOKE P.Regionally asymmetric knowledge capabilities and open innovation: exploring "globalisation 2"—a new model of industry organisation [J].Research Policy, 2005, 34(8): 1128-1149.
[11] 姜红, 刘文韬, 孙舒榆.知识整合能力、联盟管理能力与标准联盟绩效 [J].科学学研究, 2019, 37(9): 1617-1625.
[12] 姚艳虹, 欧阳雪, 周惠平.开放式创新、知识动态能力与企业竞争力的关系研究——伙伴机会主义的调节作用 [J].软科学, 2017, 31(7): 29-33.
[13] CHENG C C, YANG C, SHEU C.Effects of open innovation and knowledge-based dynamic capabilities on radical innovation: an empirical study [J].Journal of Engineering and Technology Management, 2016, 41(7/9): 79-91.
[14] 宋东林, 杨新村.区域知识产权能力系统协同度评价研究——以江苏省为例 [J].技术与创新管理, 2018, 39(6): 689-694.
[15] 李柏洲, 齐鑫, 徐广玉.基于组合赋权模型的区域知识创造能力评价研究——31个省市自治区视阈的实证分析 [J].运筹与管理, 2016, 25(3): 178-185.
[16] 蒋贵凰, 李晨光, 孙道银.区域知识能力的测度方法研究 [J].情报科学, 2018, 36(9): 142-147.
[17] WANG C L, AHMED P K.Dynamic capabilities: a review and research agenda [J].International Journal of Management Reviews, 2007, 9(1):
[18] VESALAINEN J, HAKALA H.Strategic capability architecture: the role of network capability [J].Industrial Marketing Management, 2014, 43(6): 938-950.
[19] COE, ROGER N.Keeping trade secrets secret [J].Mit Sloan Management Review, 2006, 47(3): 17-20.
[20] CANIЁLS, MARJOLEIN C J, VERSPAGEN B.Barriers to knowledge spillovers and regional convergence in an evolutionary model [J].Journal of Evolutionary Economics, 2001, 11(3): 307-329.
[21] GOULD D M, PANTEROV G.Multidimensional connectivity: why the interplay of international connections matters for knowledge transfers [J].Journal of Policy Modeling, 2017, 39(4): 699-711.
[22] PEREZ C.Technology revolution and finance capital [M].London:Edward Elgar, 2002.
[23] KING R, LEVINE R.Finance, entrepreneurship and growth: thoery and evidence [J].Journal of Monetary Economics, 1993, 32(3): 523-542.
[24] 和瑞亚, 张玉喜.中国科技金融对科技创新贡献的动态综合估计研究——基于自向量回归模型的实证分析 [J].科技管理研究, 2014, 34(8): 60-64.
[25] 孔栋, 余艳, 左美云.孵化器对在孵企业提供的创业能力支持服务——单案例研究 [J].技术经济, 2019, 38(8): 71-77+107.
[26] 李廉水.产学合作利益机制的核心——知识产权保护 [J].国际技术经济研究, 1998(3): 23-28.
[27] HAKEN H, LAYZER D.Dynamics of synergetic systems [J].Quarterly Review of Biology, 1981(6).
[28] 熊彼得.经济发展理论 [M].北京：九州出版社, 2007.
[29] TADESSE S.Financial architecture and economic performance: international evidence [J].Journal of Financial Intermediation, 2002, 11(4): 429-454.
[30] 刘凤朝, 沈能.金融发展与技术进步的Geweke因果分解检验及协整分析 [J].管理评论, 2007, 19(5): 3-8.
[31] 沈丽, 鲍建慧.中国金融发展的分布动态演进:1978—2008年——基于非参数估计方法的实证研究 [J].数量经济技术经济研究, 2013 (5): 33-47.
[32] BECK T, LEVINE R.Stock markets, banks, and growth:panel evidence [J].Journal of Banking & Finance, 2004, 28(3): 423-442.
[33] 杜思正, 冼国明, 冷艳丽.中国金融发展、资本效率与对外投资水平 [J].数量经济技术经济研究, 2016 (10): 17-36.
[34] 董新凯, 田源.知识产权强省界定及其评价指标体系构建 [J].科技进步与对策, 2015, 48(7): 112-117.
[35] 施学哲, 杨晨, 徐军海, 等.高新园区知识产权管理与服务绩效评价指标体系构建及研究 [J].中国科技论坛, 2016 (2): 154-160.
[36] 蒋玉宏, 单晓光.区域知识产权发展和保护绩效评价——指标体系与评价方法 [J].科技进步与对策, 2009, 26(22): 144-146.
[37] 张美丽, 石春生, 贾云庆.装备制造企业组织创新与技术创新的匹配量化研究 [J].中国管理科学, 2013 (s2): 758-763.
[38] 孟庆松, 韩文秀.复合系统协调度模型研究 [J].天津大学学报(自然科学与工程技术版), 2000, 33(4): 444-446.
[39] 贾云庆, 张美丽, 石春生.高端装备制造企业 OI 与 TI 的匹配度测量模型构建及应用研究 [J].工业技术经济, 2014(1): 21-28.
[40] 张青峰, 吴发启, 王力, 等.黄土高原生态与经济系统耦合协调发展状况 [J].应用生态学报, 2011, 22(6): 1531-1536.