基于聚类与对应分析的江苏科技资源配置现状研究

高速增长转向高质量发展的中国经济将进一步发挥科技创新引领驱动作用，这是党的十九大赋予经济新常态下科技工作的重要任务。新时代，加快科技强国和创新型国家建设需深刻把握全球新一轮科技革命与产业变革趋势，发挥区域科技创新的核心驱动力，优化高端产业结构，促进经济高质量发展，逐步形成我国科技创新由“跟跑”为主转向更多领域“并跑”甚至“领跑”态势。江苏开展创新型省份建设试点，以“一带一路”倡议，以及苏南国家自主创新示范区、“长三角”协同一体化、长江流域经济带等多重国家战略叠加为契机，确立创新驱动为经济社会发展核心。苏南定位为创新驱动发展引领区、深化科技体制改革试验区、创新一体化先行区。科技资源大量集聚，高新产业集群蓬勃发展，“双创”背景下江苏致力于继续推动产学研融合、原创成果转化，加快产业向高端迈进。顺应国际科技潮流，立足国家宏观形势与政策背景，结合省辖各市实情，推动区域高新技术产业与战略性新兴产业融合发展，形成发端于创新要素供给侧，具有资源要素禀赋与创新文化特色的区域科技资源优化配置“领跑”态势。科技资源是指科技活动依赖的物质条件及创造出的知识和物质形态的科技成果，在生产要素中起主导作用，是形成社会财富最重要的资源[1]。科技资源配置是以科技创新活动为目的，按科技资源需求方向，在创新主体及环境互动竞合体系中各因素的影响下，进行分配、安排、布置并发挥效能的活动。目前，江苏区域创新体系整体效能有待提升，跨区域、互联互通的科技资源配置协作网络有待形成，专业化科技资源配置中介服务和人才团队尚显缺乏，从而影响了区域科技创新主体对科技资源的吸纳、整合、利用及增值能力。对江苏各地级市科技资源配置现状作综合分析，针对存在问题实施科技创新工程，将科技资源优势转化为创新创业优势，既是实施创新驱动战略的重要任务，也是江苏经济转型升级的根本要求。

1 研究回顾与指标遴选

1.1 国内外相关研究

国内外学者对科技资源配置的研究尚未形成完整的理论体系，主流观点从科技资金、人才、知识产权、专利、成果转化等方面入手，结合科技资源配置能力与成效，遴选相关指标体现区域科技资源配置状况。Griliche&Liehtenberg[2]发现，美国制造业全要素生产率与研发投入配置间存在密切联系；Eaton[3]的研究结果显示：一国工程师人数和科学家及R&D支出可解释国际间生产力差异的50%；Benhabib[4]、Nazrul[5]认为，人力资本通过吸收国外新技术和影响国内技术自主创新率两大机制影响经济增长；Neary[6]研究表明，政府有必要通过R&D补贴政策刺激企业进行R&D活动；美国知识产权商务部[7]认为，现有知识产权体系是美国创新和竞争力提高的保证；Blind Knut[8]认为，利用专利提高企业在专利许可、协商合作及财政领域的地位，以及利用专利作为激励研发人员和绩效考核的手段等，都与企业规模呈正相关；Sorous[9]强调，技术创新政策能够促进人力资源发展与流动、技术扩散、技术型企业发展、研发活动开展以及研发融资；Hall[10]通过对意大利制造业各部门数据的研究，发现研发投入对企业创新产出有正向影响。

近年来，国内学者多通过相应指标体系衡量科技资源配置状况。李石柱等[11]选取R&D活动各阶段科技资源投入分配比例、科技资源使用结构比例、不同产业间科技资源投入比例结构作为结构要素，以区域经济发展水平、经济体制转换程度作为社会环境要素；杨艳萍(2007)从科技资源配置强度、结构、成效、环境方面选取指标，主要包括：R&D经费、科技人员密度、专利授权、技术交易额、政府科技支出等；王玉霞[12]将苏南科技资源配置效率评价指标分为投入和产出两方面，前者包括财力、人力，后者是指科技活动直接产出与科技产业化能力；孙绪华[13]选取科技活动人员数、R&D人员全时当量、科技经费筹集总额、R&D支出作为科技资源配置效率投入指标，以专利申请受理数、CSTPCD收录的中国科技论文数作为科技成果产出指标，以各地区规模以上工业企业产品销售收入作为研发投入经济产出指标，运用Malmquist指数法建立科技资源配置效率评价两阶段模型；周伟和章仁俊[14]从投入产出、环境优化、成果转化和持续发展4个维度设计了区域科技资源配置能力评价指标体系；孟卫东[15]选取R&D经费、R&D人员全时当量、科技活动人员总数等作为区域科技资源配置效率投入指标，以专利申请受理量、技术市场成交额、高技术产品出口额等作为产出指标；周寄中[16]针对国家创新战略、创新主体、科技资源、创新文化等进行国别比较，选取每百万人中研发人员数量、研发占GDP比重、高科技产品出口额、高科技产品出口占制成品比率、本土居民发明专利申请量等指标进行科技资源配置横向国别比较；赵树宽[17]认为，科技财物和人力资源是科技信息资源配置的基础条件，选取科技经费与基础设备投入、技术交易市场水平、R&D人员全时当量以及政府科技经费支持力度等指标建立科技信息资源评价体系；孙夙鹏[18]由科技创新主体、服务机构及环境出发，构建区域科技资源配置能力评价指标体系，企业相关指标包括区域规模以上R&D人员数、研究经费、专利授权数等，高校与科研院所相关指标包括科技论文数、专利申请数、R&D人员与经费等，地方财政科技与教育支出、地区国家产业化计划项目等被归为政府行为，人均GDP、技术进步环境指数等被视为环境因素；陈套[19]认为，专利授权量、有效专利数、技术市场合同成交额属于区域创新扩散能力，企业R&D支持、规模以上企业购买技术经费、政府R&D支持等属于区域创新协同能力；游达明等[20]分别以R&D人员全时当量、R&D经费支出、高新产业技术改造费用、发明专利申请数、高新产业新品销售收入等构建了区域科技人力、财力、物力资源以及知识和经济产出指标；樊传浩等[21]以江苏省13个城市为例，基于协同创新基础(人才、金融、平台资源)、协同创新合作(研发经费支持，产学研协作)和协同创新产出(科研、产业与生态协同)3个维度，构建了市域协同创新水平动态评价及可视化分析模型。其中，协同创新基础的主要指标有R&D人员全时当量、政府科技拨款、高校与科研机构数等，协同创新合作的主要指标含国家与省部级课题数、高校与科研院所课题经费、科技成果专项资金、协同主体合作研发项目数等，协同创新产出主要包括：科技成果转让合同、高新技术产值增长贡献率、规模以上企业创新产品收入、GDP能耗等。

上述指标选取如R&D人数、经费，专利授权数、国外论文检索数等分别表征科技资源(客体)要素中的人力、投入、信息、成果等状况。创新环境指标选取更多关注财政科技支出、技术交易成交额、创新文化等，强调专利保护、人力资源、政策调控的重要性。时间维度中溯及科技资源配置驱动科技投入-产出过程，学者们多将科技资源投入相关指标作为自变量，以科技产出指标作为因变量。参考上述研究，遵循系统化与结构化理念，尝试将各类相对零散的指标整合于有机融合的分析框架下，并透过各显性指标变量，关注显变量所表征的潜变量及其相互间关系，探究区域科技资源配置系统中系统、环境因素与科技资源配置能力、效果间的相互关系及路径系数(凌峰等，2017)。系统因素主要关注区域科技资源客体要素以及创新主体对客体资源的所有权，包括区域科技资源要素禀赋，以及因科技资源产权明晰导致其市场流转的顺畅性；环境因素聚焦于市场与政策影响在区域科技资源配置中的作用，考察区域政策引导的及时性、准确性与适度性，以及区域市场化程度；区域科技资源配置能力主要包括区域高新技术产业、战略性新兴产业对科技创新资源的吸纳能力，以及其运用科技创新资源的增值能力；区域科技资源配置效果重视区域科技创新资源相互匹配程度，区域优化配置促进科技资源协同作用提升。

1.2 江苏科技资源配置现状衡量指标

为更好地分析江苏省内各市科技资源配置现状，有针对性地提出相应策略建议，考虑并重视数据可得性，结合江苏地域特色对上述分析框架下相关指标进行细化和量化。本研究运用德尔菲法向科技创新管理领域的专家学者进行咨询请教，在细化指标遴选方面既体现出地域特征又兼顾本文各项指标。专家们观点逐步取得共识：认为知识产权专业人才培训人数(A1)、专利质押融资金额(A2)、发明专利授权量(A3)、知识产权专项经费投入(A4)既能较好地体现系统因素中区域人才、资金、技术成果等资源要素禀赋，又能综合凸显区域创新主体对科技资源客体拥有的知识产权。因此，将上述4项指标归类为系统因素衡量指标。

在专利实施许可合同备案量(B1)、正版正货承诺企业数量(B2)、法院审结“三审合一”知识产权刑事试点案件量(B3)、维权援助中心举报投诉受理量(B4)4项指标中，B1直接呈现知识产权交易情况，B2从侧面显示具有规范市场意识的企业数量，B1和B2存量越大表示区域市场越活跃，可以体现出区域市场化程度较高。法院与维权中心受理案件量(B3、B4)涉及知识产权和消费者权益的行政与司法保护，体现出政策因素对科技资源配置的调控手段。上述4项指标反映了环境背景下市场与政策的配置力，故将其作为环境因素衡量指标。

战略性新兴产业专利授权量(C1)反映区域战略新兴产业运用科技资源获得科技产出的能力，高价值专利占授权发明专利比例(C2)和重大科技成果转化项目数(C3)体现出当前区域产业运用科技资源能力向高端迈进。上述3项指标体现出区域高新技术产业与战略性新兴产业对科技创新资源的配置、运用以及增值能力。同时，在一定程度上反映当地科技产业发展水平，从而连带提升区域产业对优质科技资源的吸纳能力，可作为区域科技资源配置能力衡量指标。

区域科技资源配置效果相关指标也有3项：每万人口有效发明专利量(D1)反映区域人才资源科技成果产出能力，每亿元GDP企业发明专利授权量(D2)体现区域经济发展水平与科技成果产出间关系，每千万元研发经费发明专利授权量(D3)直接反映科技资金投入取得科技成果。上述3项指标值越高表示区域科技人才、资金、设备、成果等资源相互匹配程度越高，同时区域优化配置促进科技资源协同作用就越强。因此，本文认为D1、D2、D3能够衡量区域科技资源配置效果。重新遴选各项指标评价江苏区域科技资源配置状况，如表1所示。

上述指标数据来源于由江苏省知识产权研究会主编的2014—2016年《江苏专利实力指数报告》，该报告列举了2013—2015年省各市专利实力若干指数。受条件所限，指标数据时间跨度不长，但各项指数收集、遴选、计算皆经过严格程序与论证，具有参考价值。考虑到各项数据可得性、严谨性与客观性，上述指标多与科技专利有关。其中，“法院审结‘三审合一’知识产权刑事试点案件量”(B3)和“维权援助中心举报投诉受理量”(B4)体现了实际负面状况，为保证聚类分析客观性，在此取负号。需要说明的是，历年《江苏专利实力指数报告》中指标众多，本研究通过德尔菲法遴选，仅涉及其中小部分。不排除这些被遴选的小部分指标与历年《江苏专利实力指数报告》中未被选取的其它指标间，甚至与未被历年《江苏专利实力指数报告》收录的区域其它经济、科技指标间存在包括多因多果性在内的各种关系。因此，单纯考察本研究涉及的这小部分指标内部间因果关系难免以偏概全。再者，本研究所收集的数据时间跨度小，《江苏专利实力指数报告》中多为横截面数据，因而不适合作时间序列分析。由此结合上述数据组特征，契合分析重点，将每一年份数据“平铺”，认为每一年份数据矩阵具有相对静态特征，仅体现了当年各城市科技资源配置状况。因此，按不同年份分别对当年数据进行聚类和对应分析。首先通过聚类分析对科技资源配置状况相近的江苏省内各市进行初步分类，以此作为对应分析的初步预判。为进一步揭示各年份样本分布背后指标变量“地形”所起幕后作用，将变量指标与样本综合考虑并进行对应分析。将遴选出来的诸变量指标作为确定样本分布背后的作用地形，寻找导致样本分布背后的主导因素与不足之处。3年聚类分析对比，可以直观地显示各市样本点分布短期变化，而历年对应分析比较能进一步揭示省内城市群分布变化背后的主导因素群及其作用变迁，同时映射各地区此消彼长的科技竞争综合实力动态演化，为措施建议的切入和导向提供依据。

2 江苏各市科技资源配置状况聚类分析

聚类分析根据对像特征，通过不同距离定义实现分组，使组内对像具有最高相似度。样本聚类称为Q型聚类，根据观测量进行分类，特征相近的样本放在同一类。本研究将江苏13座城市作为样本点，以欧氏距离为度量标准，运用SPSS 19.0对2013-2015年江苏省各市科技创新资源配置各项指标数据进行处理，如图1所示。

图1中，2013-2015年江苏省各市科技资源配置状况聚类分析变化，见表2。表2中，每个单元格中，排在同一行的城市彼此“距离”较近，排在不同行的城市在同一类中与其它城市相距“较远”，且越往下一行，与上行“相距”越远。单元格中每一行可看作同一大类中的小类。

3大类中的城市相对稳定，第一类全部在苏南，南京、无锡、苏州一直在第一类，常州于2015年归入此类；第二类沿长江两岸，镇江、南通、泰州是这一类中的主要成员，淮安仅2014年归入此类，2015年又重回第三类；第三类主要集中在苏中和苏北地区。以上分析表明，江苏省内各市科技资源配置状况具有较强的地理邻近性特征。3大类间，第二和第三类较为接近，第一类距离“较远”，说明第二与第三类城市科技资源配置状况较第一类更为相似。第一大类中各城市间距离较大，且呈现形态较为稳定，如南京与无锡间“距离”近，而苏州与二者一直“距离”较远。截至2015年，常州与无锡可能由于地域邻近原因，“距离”变近，而南京和苏州与二者“相距“较远。以上分析说明，第一大类中各城市科技资源配置状况各有特色，且都进入稳定发展期。尤其是苏州，截至2015年，它与第一大类中其它城市的“距离”甚至超过了第二与第三大类之间的“距离”，可能是因其邻近上海而与省内其它城市的相似度越来越小。第二大类中镇江和南通是较稳定成员，随着常州和淮安分别归入第一和第三类后，泰州也成为该类稳定的一员。一方面，说明镇江尚不能融入苏南板块，另一方面，显现出沿江地带发展有趋同性态势。南通与泰州间的“距离”在2015年接近，说明地域邻近力量有待进一步跟踪观察。

相较其它两类，第三类中的城市成员虽稳定，但大类中每小类的成员变动频繁，显得较为松散。如2013年，第三大类中7个城市分为5小类(分成5行，其中4行中仅1个城市)，彼此相距较远。2014和2015年，第三大类中稳定成3小类，但除第一小类中一直有稳定成员连云港、宿迁外，其它小类中的成员经常变动。2014年后，泰州稳定归入第二大类，淮安仅在2014年归入第二大类，且一直与第三大类中其它城市相距较远。此外，徐州有向扬州“靠近”的趋势。由上述状况可以初步得出结论：泰州发展迅速，已稳定融入第二大类沿江经济带；第三大类中城市总体处于尝试阶段，尚未形成各自鲜明特色。淮安与第三类中其它城市渐行渐远，有融入第二大类城市群的趋势；连云港、宿迁“距离”很近，近3年来变化不明显；盐城逐步融入苏北沿海板块，而徐州有融入苏中的趋势。聚类分析只能根据指标变量测定各样本间距离，对样本进行Q型聚类，可以初步呈现样本分布状况，但不能综合考虑变量指标与样本，揭示导致样本分布背后指标变量“地形”所起的幕后作用。

3 江苏各市科技资源配置状况对应分析

对应分析也称关联分析或R-Q型因子分析，省去因子选择和因子轴旋转等复杂运算与中间过程，从因子载荷图上对样本进行直观分析。可将样本和变量同时制作在一张图解上，将样品大类及其属性在图上直观明了地表示出来，揭示同一变量各类别间差异以及不同变量各类别间的对应关系。本研究运用SPSS 19.0，以江苏各市2013-2015年科技资源配置状况指数作为原始数据进行对应分析。表3-5分别为2013-2015年江苏各市科技资源配置状况对应分析型汇总。

由表3-5可知：各年度提取的两个最大因子可以反映变量和样本变异的大部分信息。图2为江苏各市样本点分别在各年份对应分析中由两个最大载荷因子轴张成的平面中的分布状况。观察图2发现，3年来城市分布呈分散态势，其中，表2中第一类城市从开始即分散明显，各具特色。自2014年以来，4(常州)、6(南通)、11(镇江)逐步从密集区域分散出来，最密集区域多为表2中的第三类城市，且样本密集程度逐年降低，说明江苏各市对科技资源配置诸影响因素的侧重正逐步发生变化，各地区正结合自身要素禀赋形成具有区域特色的科技资源配置模式。2013-2015年江苏各市科技资源配置对应分析辨别度量比较见图3。分析图3，表6列示出3年来在维度1和维度2上具有较高辨别度的主要变量指标。

总体看，变量分布有分散趋势，临近对角线上的变量在维度1和2上的辨别度相仿。那些偏离对角线的变量，根据历年变化，开始时科技资源配置部分的系统因素(A类)和配置效果因素(D类)在第1维度具有较高识别度，2014年转向科技资源配置能力(C类)和配置效果(D类)因素，截至2015年4大类因素在该维度上皆有较高的识别度，分布均衡。在第2维度上，2013和2014年主要是环境因素(B类)有较高识别度，截至2015年除配置效果(D类)因素外，其它3大类因素在第2维度上均有较高识别度。3年来，偏向于两维度的指标数量增多，且涉及更多因素，从而有利于信息提取。2013—2015年江苏各市科技资源配置对应分析比较见图4。

观察对应分析双标图的变化，发现3年来各变量质心在第1维度上的载荷有逐步强于第2维度的趋势，这与表3-5中显示的第1维度对数据变异的解释始终在70%以上，而第2维度对数据变异的解释自2014年起即低于60%相符。图4中右方区域尤其右上方始终是样本点与变量质心集中区域。部分样本点与质心随时间推移变得愈加疏离，最为密集的右上方区域也逐年呈现离散态势。该区域第三类城市较为集中，第一、二类城市分散。样本点与变量质心分布呈远离中心趋势，说明各城市尤其第一、二类城市科技资源配置影响因素日趋显著，使得上述城市在科技资源配置过程中的特征更易于识别。

4 综合讨论

为进一步分析各城市样本点及其主要邻近指标，探寻导致样本分布背后指标变量“地形”所起的作用，表7根据图4总结了历年江苏各市科技资源配置影响因素的主要邻近指标。表7列举的变量质心，以各年份双标图左半区域及右下方区域越远离中心者越优先。因为上述区域变量质心与样本点分布分散，离中心越远差异就越明显，说明特征越突出。右下方区域离中心较近的变量质心，在表7中各单元格上排名相对靠后列示。对于双标图右上方区域样本点，若某城市周围无明显远离中心的变量质心，则显示为空白。

对比发现，随着科技创新驱动提速，虽时间跨度不大，江苏各市发展态势所呈现的特色已较为明显。3年来，远离中心呈现较明显特征差异的变量质心大多邻近表2中的第一、二类城市，其中，第一大类城市中以无锡、苏州、常州最为明显，且最为稳定的是苏州和无锡。常州最初在环境因素中的市场和政策配置力方面存在欠缺，此后各大类影响逐步均衡。以上3个城市所邻近的变量质心在科技资源配置4类影响因素中的分布也随时间推移越发均衡，整体发展态势向好。进一步优化上述3个城市的科技资源配置，只需要根据上述城市历年状况，继续增强各类因素中细化指标所起的作用并兼顾诸因素间的协调性。第一大类中的南京，最初在科技资源配置环境和能力因素上存在劣势，继而在系统因素上出现不足，表明南京在科技资源要素禀赋挖掘和知识产权管理方面尚存提升空间，在创新过程中，运用市场与政策协调力提升高新技术产业对优质科技资源的吸收和利用能力有待加强。

第二大类城市中，南通科技资源配置能力与效果较为显著，2015年专利质押融资金额(A2)的影响显著，说明南通增强了科技资金投入，但对系统与环境因素的把握依然不足。南通科技资源配置能力与效果较好，与其受上海辐射的区位优势有关，但自身内在实力有待加强。镇江的问题较为突出，最初系统因素不明显，配置效果也不佳，之后两年其原来的优势大部分已丧失，而且2015年唯一占优的指标“法院审结‘三审合一’知识产权刑事试点案件量”(B3)还是负向指标。虽然镇江靠近南京具有区位优势，但此后能否留在第二类城市情况堪忧。泰州表现较为突出，短短两年从培养系统性因素并增强科技资源配置能力入手，加大科技融资力度(A2)、提高高价值专利比例(C2)，至2015年主导性科技配置因素从无到有并逐步均衡。截至2015年，泰州尚缺D类影响因素(科技资源配置效果因素)，这与科技资源配置效果的体现有一定时滞效应相关。

第三大类城市中，淮安、扬州、盐城、宿迁虽与多个变量质心相邻，但距中心过近，特征差异不明显，因此未列入任何变量指标。上述城市应培育并利用目前所缺失的幕后影响因素，提升各因素与机制间的协同性，形成各自特色，促进科技资源优化配置。值得注意的是，第三类城市中徐州和连云港3年来各类影响因素远离中心，特征愈加明显，且越来越均衡，但二者依然停留于第三类城市。徐州虽然在2013年与B3和B4两个负面指标较为邻近，但从侧面反映出该城市科技资源市场配置意识有所强化。2014年，徐州加大专利质押融资力度(A2)并增加了正版正货承诺企业数量(B2)，截至2015年，其各类影响因素已较为均衡。连云港最初与科技资源配置能力、效果方面的指标较为靠近，此后加强了政策和市场配置力等环境因素的协调力度。但作为港口城市，该城市自身产业结构尚存不足，人才培养需要跟进，知识产权管理有待加强。虽然科技资源配置影响因素本身具有动态性特征，但具备各类因素只是科技资源优化配置的必要条件，各城市优化科技资源配置的充分条件在于区域创新主体共同治理以及基于市场运作规律和政府调控等机制协同作用的加强。

5 江苏科技资源配置优化策略

运用聚类和对应分析方法对3年来江苏科技资源配置现状进行探索，进一步优化各地科技资源配置，引领产业效能提升。针对江苏各市科技资源配置现状，对具体城市而言，第一大类城市中的南京、无锡应加强科技人才培训，苏州、无锡、常州应加大专利授权力度，苏州和常州可增加科技资金投入，南京和常州的科技资源配置效果亟待提升。第一类城市普遍应加强科技资源市场化配置，大力发展战略性新兴产业，促进重大科技成果转化。第二类城市中，南通应在明确知识产权的基础上进一步整合自身要素资源，强化科技资源市场化配置理念，利用良好区位优势提升高价值专利占比。镇江近年来虽引进了一些重大工业项目，但自身特色依然不明显，科技人才、资金、成果等皆无优势，市场意识也不强。值得注意的是，镇江受南京的经济辐射且地处“长三角”经济带，对优质科技资源依然具有较强的引吸、培育、整合与增值能力，应尽快利用上述优势，全面提升科技资源配置效能。泰州可以增加知识产权开发投入经费，加大专利实施许可及科技成果转化等方面的市场交易力度，科技资源配置效果显现尚需时日。第三类城市中，徐州和连云港，其系统因素中的要素资源禀赋需要深度培育，科技资源配置的市场意识有待加强，显示区域科技资源能力的重要指标“重大科技成果转化项目数”尚无明显建树，标志科技创新战略方向的新兴产业发展应大力扶持，科技投入效率有待提升。第三类中的其它城市具有潜力，需要整体提升系统、环境、配置能力和配置效果等因素的影响合力，以形成各自特色，优化整体产业结构。

总体策略建议：设立知识产权法院，加强科技成果转化司法保护；明确产权界限，推进公共产品和服务，减少搭便车现象。充分发挥市场导向作用，促进各地科技资源顺畅交易。大力建设布局合理、开放高效、功能齐全、体系完备的科技资源市场配置体系。推进信息化建设，构建应用类科技成果信息库，从而提高科技资源配置公开透明度。全面撬动资本市场，通过银行、保险、证券、创投等机构引导各种科技资源投向区域科技创新。充分发挥各地要素资源禀赋及高新技术产业对科技资源的配置效能，疏通科技资源配置渠道，与其它省市形成跨区域协作网络，使江苏各市既有科技资源与外来资金、人才、成果等相互匹配、有机融合。加速营造创新创业社会氛围，形成鼓励创新、尊重人才、保护知识产权的社会风尚，使“敢于冒险、崇尚竞争、勇于创新、宽容失败”的创新创业文化得以弘扬。在国家“一路一带”倡议、苏南国家自主创新示范区、“长三角”协同一体化、长江流域经济带等多重国家战略导向下，促进产业化项目和国际技术转移蓬勃发展。共建共享科技资源市场配置载体，加强区域合作，形成以江苏科技资源配置全方位驱动的区域经济协调发展“领跑”新格局。

6 不足与展望

本文根据遴选出的科技资源配置指标，通过聚类分析与对应分析，展示江苏省各市科技资源配置分布状况及变化趋势，对揭示江苏省各市科技资源分布背后指标变量“地形”所起的作用，实施相应策略建议以优化市际科技资源配置，进一步提升江苏整体科技创新实力，促进高新企业发展及产业结构整体水平提升具有一定贡献。

本研究不足之处在于：在区域科技资源配置系统中，系统、环境与科技资源配置能力和效果等指标衡量不仅受限于专利相关指标，有些指标甚至难以量化。然而，考虑到数据可得性，本文选取《江苏专利实力指数报告》中各市与专利实力相关的指标数据。此外，系统与环境因素对科技资源配置能力和效果影响具有时间滞后性，对此本研究未给予充分重视。后续研究可以从以下方面开展：首先，扩大指标遴选范围，使各项指标对各地科技资源配置状况的描述更加客观全面；其次，延长时间跨度，以更好地分析各地科技资源配置演化趋势与路径依赖；再次，重视各影响因素相互作用的时间滞后效应，使模型构建更加贴近现实；最后，在空间上拓展研究区域，将相对发达与欠发达地区的科技资源配置现状、区域科技生态、相关影响因素、产业结构、优化机制等方面进行全方位、多层面、宽视角的对比分析，以期提供具有针对性的科技资源优化配置建议。

[1] 丁厚德.科技资源及其配置的研究[J].中国科技资源导刊，2009，41(2)：1-7.

[2] GRILIEHES Z, LICHTENBERG F.Inter-industry technology flows and Produetivity gowth:a reex-mination[J].Review of Eeonomics Studies，1984(86):324-329.

[3] EATON J. Intemational technology diffusion [D].Mimeo:BostonUniversity，1993.

[4] BENHABIB J，SPIEGEL M M.The role of human capital in economic development，evidence from aggregate cross——country data[J].Journal of Monetary Economics，1994，34(2)：143-173．

[5] NAZRUL ISLAM．Growth empirics：a panel data approach[J]． Quarterly Journal of Economics，1995，110(4)：1127-1170.

[6] NEARY J P.Pitfalls in the theory of international trade policy : concertina refoncs of tariffs,and subsidies to high-technology industries[J].Scandinavian Journal of Economics.1998,100(1)：187-206.

[7] United States Patent and Trade Mark Offiee. Strategie Plan 2007-2012 Draft [EB/OL].(2005-09-07)[2006-08-28].http://www.usPto.Gov/main/homepagenews/bak2006aug28.htm.

[8] KNUT B,JAKOB E,RAINER F,ULRICH S.Motives to Pateni:empirical evidence from Germany[J].Research Policy 2006,35(5):655-672.

[9] SEPEHR G, SOROUS G. Developing lran′s government strategies for strengthening the national system of innovation using SWOT analysis[J].Science & Public Poliey(SPP),2006,33(7):529-540.

[10] HALL B H，LOTTI F，MAIRESSE J．Evidence on the impact of R&D and ICT investments on innovation and productivity in Italian firms[J]．Economics of Innovation and New Technology，2013，22(3)：300-328．

[11] 李石柱，李冬梅，唐五湘.影响我国区域科技资源配置效率要素的定量分析[J].科学管理研究，2003(21)：60-73.

[12] 王玉霞，蒋伏心.科技资源配置效率视角下区域自主创新能力的制约因素和提升路径——以苏南为例[J].经济问题，2010(5)：123-126.

[13] 孙绪华.我国科技资源配置的实证分析效率评价[D].武汉:华中农业大学，2011.

[14] 周伟，张仁俊.基于BSC的区域科技资源配置能力的评价指标体系[J].统计与决策，2012(3)：39-41.

[15] 孟卫东.区域创新体系科技资源配置效率影响因素实证分析[J].统计与决策，2013(4)：96-99.

[16] 周寄中.科学技术创新管理[M].北京：经济科学出版社，2014.

[17] 赵树宽，张大伟.面向区域创新的科技信息资源优化配置模式研究[J].图书情报工作，2015(59)：40-46.

[18] 孙夙鹏.区域创新资源配置系统的差异性研究[D].镇江:江苏大学，2016.

[19] 陈套.中国创新体系的治理与区域创新治理能力评价研究[D].合肥:中国科学技术大学，2016.

[20] 游达明，邸雅婷，姜珂.我国区域科技创新资源配置效率的实证研究——基于产出导向的SBM模型Malmquist生产率指数[J].软科学，2017(31)：71-76.

[21] 樊传浩，许蕾，王济干.市域协同创新水平动态评价及可视化分析——以江苏省13市为例[J].科技进步与对策，2018(35)：42-49.