中国中心城市创新能力的关键影响因素及发展路径识别研究

王成军，王晓旭，何美萱

摘 要：中心城市是城市创新网络连接的关键节点，带动城市群的发展。中心城市创新能力是城市高质量发展的关键。基于城市创新系统，采用模糊集定性比较分析的方法，选择中国34个中心城市的样本数据，研究分析高（非高）城市创新水平组态，对不同组态路径下的城市案例进行分析。研究结果表明：（1）技术创新的缺失是导致城市非高水平创新能力的必要条件，而单个城市创新系统要素并不是导致城市高水平创新能力的必要条件；（2）教育资源、技术创新、产业集群是引致城市高水平创新能力的关键要素，由此构成的组态路径共4条：产业技术创新-均衡型、产业技术创新-弥补型、协同创新-弥补型和协同创新-均衡型；（3）教育资源、产业结构与技术创新在一定条件下存在替代关系。本研究对中国中心城市创新能力提升、创新路径优化，以及不同城市实现高质量发展具有一些引领性建议和可能性举措。

关键词：中心城市；城市创新系统；城市创新能力；模糊集定性比较分析

中图分类号：F291.1                     文献标识码：A                      文章编号：1001-4225（2023）06-0013-14

一、问题的提出

知识经济时代，创新已成为影响地区高质量发展的核心要素。世界知识产权组织（WIPO）发布2022年全球创新指数（GII），中国排名第十一，较2021年上升一位。伴随着全球化进程的加速，城市作为直接参与经济活动的基本单位，成为区域发展的重要引擎。党的二十大报告强调加快实施创新发展战略，促进区域协调发展，以城市群、都市圈为依托构建大中小城市协调发展格局。国家发展改革委在新型城镇化建设和城乡融合发展方面多次强调中心城市的发展及其作用。《2020年新型城镇化建设和城乡融合发展重点任务》提出提升中心城市能级和核心竞争力，其中，中心城市包括直辖市、省会城市、计划单列市、重要节点城市等。《2022年新型城镇化和城乡融合发展重点任务》强调促进大中小城市和小城镇协调发展，健全省级统筹、中心城市牵头、周边城市协同的都市圈同城化推进机制。由此可见，虽然国家对中心城市的作用诠释在改变，但是鉴于中心城市的辐射效应[1]、对城市群产业发展的促进作用[2]以及城市创新网络连接的关键节点[3]，其自身创新能力的提升仍然是城市发展的关键与基础。

熊彼特1912年首次提出创新理论，阐述了创新与经济发展的关系。随后，弗里曼和波特分别在著作《技术政策与经济绩效：日本的经验教训》和《国家竞争优势》中提出了国家创新系统理论，库克和摩根在《巴登-符腾堡州的区域创新体系》一文提出了区域创新系统理论，扩展了创新理论的研究。而城市创新系统是区域创新系统的延伸，现有对城市创新能力的研究主要在其评价指标构建、影响因素及时空格局演化等方面展开。范柏乃等[4]根据城市技术创新系统运行的结构模式从投入、配置、支撑、管理和产出6个层面建立评价体系。邹燕[5]则综合考虑创新投入—产出过程中知识、产业和环境三层要素对城市创新能力进行评价。倪鹏飞等[6]基于全球436个城市数据，发现公共制度对城市创新能力具有基础性和关键性作用。李俊杰和周民良[7]以北京这一中心城市为例，发现其创新能力对周边城市有着显著的创新引领效应。

综合以上文献，目前学者虽对城市创新能力的评价指标、影响因素等方面有了较多探讨，但仍存在以下不足。一方面，已有研究在对城市创新能力的影响因素进行探讨时忽略了影响因素之间的组合与协调关系；另一方面，已有研究在评价城市创新能力后未能進一步探讨实现高或非高水平城市创新能力的路径选择。基于此，本文从中心城市这一关键节点出发，运用fsQCA方法探讨引致中国中心城市高或非高水平创新能力前因条件的组合，为不同中心城市提高创新能力提供实践路径。

二、文献综述与模型构建

（一）城市创新能力的内涵与影响因素

城市创新能力是指城市对知识进行生产，并将其转化为新技术、新工艺、新产品与新服务的能力。学者多通过包络分析法、主成分分析法和因子分析法等综合评价方法建立评价中国城市创新能力的指标体系[8-9]。随着外部环境与政策的变化，越来越多的研究者也开始考虑诸如数字经济[10]、区域一体化政策[11]、中心城市建设[12]等环境与政策要素对城市创新能力的影响。不同视角下城市创新系统的构建维度不同。基于城市创新系统内涵，何舜辉等[13]从知识生产能力和技术创新能力两个层面来衡量城市创新能力，揭示了中国创新“东—中—西”逐渐衰减的经济地带性差异特征，并认为经济基础和人力资本是影响城市创新能力的重要因素。基于城市创新系统理论，周灿等[14]认为知识创新能力、技术创新能力、创新基础环境等是影响城市创新能力的关键因素。有鉴于此，这里从知识创新能力、产业技术创新能力和创新环境支撑能力三个维度构建城市创新系统。

（二）城市创新系统的模型构建

1. 知识创新能力

Amidon[15]提出知识创新是新思想从创造到运用的过程，最终通过市场化辅助企业、国民经济及社会的发展与进步。知识创新能力是城市科技创新能力的源头，是科技知识的生产者和企业技术创新的活力源泉，主要从起重要铺垫作用的研发投入和教育资源两方面衡量[16]，二者为企业、高校和科研机构的科技活动提供知识源头。

研发投入是区域创新能力的重要影响因素[17]，学者围绕提高研发投入对区域创新能力的影响效果展开了激烈的讨论。有学者提出研发投入和区域创新能力之间存在线性关系[18]，即研发投入对区域创新能力有显著的提升效用；还有学者提出研发投入和区域创新能力之间存在倒U型的非线性关系[19]，也即若政府补贴超出一定的界限，那么创新产出可能呈现递减的趋势。

教育资源是实现知识传播的路径，是进行知识创新的基础。合理配置教育资源是为了更好地实现地方教育。其中，高等教育资源是影响区域创新的重要因素，作为知识创新与传播的重要场所，不断促进区域科技创新能力的发展[20]。高等院校作为高等教育的承载主体，是推动区域创新能力发展的关键要素，一方面在高校内部实现知识创新，另一方面为企业带来新技术，促进科研成果转化[21]。

2. 产业技术创新能力

技术创新能力分为企业技术创新能力、产业技术创新能力和国家技术创新能力。产业技术创新能力是指通过引入或开发新技术，推动产业发展的能力[22]。产业技术创新能力的体现一方面反映在企业技术创新上[23]，另一方面也反映在同一产业的企业集中程度的产业集群[24]，良好的产业技术创新能力是城市实现高水平创新的核心。

技术创新一词在1912年熊彼特提出创新理论后广受学者的关注。工业企业是技术创新的核心载体[25-26]，有着激发技术需求、促进技术创新、推动区域创新水平提升等作用[27]。研究表明，企业创新需求会促进高校技术转移，进而显著提升区域创新能力[28]；企业研发投入对区域创新产出存在正向显著影响[29]。

产业集群是指同一产业的企业以及该产业的相关产业和支持产业的企业在地理位置上的集中[30]。产业集群对区域创新能力的提升作用受到学者的广泛关注与讨论。一方面，产业集群对区域创新具有促进作用[31-32]，其通过推进企业间合作与竞争关系，促进企业间知识与技术的溢出，以提高区域创新能力[33-34]。另一方面，产业集群对区域创新能力的影响呈现先增强后减弱的特征[35]。

3. 创新环境支撑能力

创新环境在一定程度上支撑着创新系统的良好运转[36]。创新环境常从区域维度进行研究[37]。郑宝华等[38]认为创新环境是一个动态发展的过程，包括经济和非经济要素。创新环境既包括反映区域创新经济要素的地区经济，也包括反映区域创新非经济要素的产业环境。良好的创新环境是一个地区形成高创新能力的重要前提[39]，为城市创新系统提供重要支撑作用。

地区经济水平是决定创新人才、创新资金和其他创新要素流入的关键因素。已有研究分析了创新与地区经济之间的相关关系[40-42]，并从不同时间与空间尺度考虑其关系的演变[43]。一般地，地区经济水平越高的城市能吸引更多的创新要素流入，为创新活动创造良好的物质环境和配备优质的人才条件[44]，促进该地区创新能力的提升。

产业结构是各产业的构成及其联系和比例关系，反映了一个地区的经济发展水平与内在活力。学界对产业结构对区域创新的影响研究较少。赵庆[45]指出技术创新与产业结构优化呈现“螺旋上升”关系，产业结构优化显著地促进了技术创新效率空间溢出效应的形成。韩军和孔令丞[46]指出产业结构调整促进了区域创新绩效的提升，且只有当产业结构存量达到门槛值，才能有效促进区域创新绩效的提升。

4. 模型构建

基于上述分析，这里认为驱动中心城市创新水平是一个动态的复杂过程，是中心城市创新系统中各因素联动作用的结果。若想产生高水平城市创新能力，仅依靠单一系统要素很难实现，只有从多维度考虑系统各要素的联动匹配，才能驱动城市高水平创新发展。组态视角可以从系统与整体的思路出发，有效分析结果的多重并发性、等效性和非对称性等问题，能够更全面地解析城市创新系统驱动城市创新水平提升的动态复杂因果机制。有鉴于此，这里基于知识创新能力、产业技术创新能力和创新环境支撑能力3个维度，考虑研发投入、教育资源、技术创新、产业集群、地区经济和产业环境6个前因条件，探讨多个要素影响城市创新能力的组态效应。理论模型如图1所示。

三、研究方法与数据来源

（一）研究方法

QCA（Qualitative comparative analysis，定性比較分析）是一种关注结果与其前因之间的复杂不对称关系的分析方法，它结合了定性研究的逻辑与经验和定量研究的案例数据[47-48]，适用于探索引致特定结果发生的各种共同起作用的条件组合。根据变量类型不同，QCA可以分为csQCA（清晰集定性比较分析）、mvQCA（多值集定性比较分析）和fsQCA（模糊集定性比较分析）[49]。由于影响中国中心城市创新能力的关键因素是连续变量，包括研发投入、教育资源、技术创新、产业集群、地区经济和产业支撑等，故本文采用fsQCA对实现高或非高水平中心城市创新的组态路径进行探讨和分析。

此外，相较于现有研究使用传统定量研究方法对城市创新水平的测度与分析，选取fsQCA方法有以下三点优势。第一，城市创新系统是一个复杂的整体，创新要素之间的联系与互动对提高系统整体效益有重要作用[50-51]。现有研究仅考虑计算模型中变量之间的净效应，将影响城市创新系统这一整体的因素简单看作各部分之和，不利于探究系统与各要素之间的非线性关系[52-53]。fsQCA方法基于城市创新系统中“知识创新—产业技术创新—创新环境”3个维度的6个关键前因条件，从组态视角分析了城市创新系统与创新水平之间的复杂因果关系，深入探究实现高或非高水平中心城市创新的组态路径与案例实现。第二，不同城市实现高水平创新所采用的路径方式因主要关注的影响因素不同而不同。现有研究主要考虑解释大部分样本的情况，而一些小部分样本通常被视为异常值处理。fsQCA考虑了实现高或非高水平城市创新的多种组合方案，每个组合下的实现路径都对其有独立贡献，使研究方案适合不同类型的样本案例，而非通过回归分析解释的绝大多数案例。由此，在应用fsQCA时，样本的代表性不会影响所有的解决方案[54]，对异常值的不敏感使其更具稳健性。第三，考虑了相同条件变量在不同解决方案中的差异化作用。fsQCA方法得到的不同解决路径是变量的组合，而一个变量在不同的解决路径下可能发挥不同的作用[55]。某些条件变量在解决路径中可能存在、可能缺失或者不发挥作用，为此，fsQCA方法可以回答的关键问题在于哪些条件变量和其组合对导致结果的发生是必不可少的，以及哪些条件组合比其他的更重要。

（二）数据来源

根据《2020年新型城镇化建设和城乡融合发展重点任务》，结合数据的可获得性，本文选取直辖市、省会城市、计划单列市和新一线城市等34个中心城市①为案例样本。数据主要来源于《中国城市统计年鉴（2017—2021年）》《中国区域经济统计年鉴（2017—2021年）》以及各省市统计局统计年鉴、统计公报等（如表1所示）。考虑到中心城市创新系统要素投入对其创新水平具有一定的时滞效应，本文将滞后期确定为2年。同时，为减小随机扰动对城市数据带来的影响，以平均值表征。因此，本文选取2016—2018年各条件变量的平均值与2018—2020年结果变量的平均值进行分析。

（三）变量测量

1. 结果变量

城市创新水平。运用每万人国内专利授权数量来度量城市创新水平。尽管仅使用专利数据作为反映城市创新水平的指标存在一定局限性，但是由于专利数据与创新关系密切且具有易获得性，各省市专利申请授权的相关制度具有一致性[56-57]，所以应用专利数仍是测量城市创新水平的可靠指标。

2. 条件变量

（1）知识创新能力

研发投入。R&D经费及其投入强度反映了区域内各创新主体实际研发资金投入[58]，该指标是各国制定创新发展战略规划的核心指标。这里用R&D经费支出占GDP比重，也即R&D经费投入强度来测量研发投入。

教育资源。地方政府教育资源的投入是影响建设高质量教育体系、培养与吸引高水平科技人才的重要因素[61]，是实现知识创新的基础与来源。这里用教育支出占地方财政一般预算内支出比重进行测量。

（2）产业技术创新能力

技术创新。企业是促进区域技术创新的重要引擎，工业是技术创新的重要载体，地区规模以上工业企业的科技创新能力一定程度上反映了该地的科技创新能力。这里用规模以上工业企业数测量技术创新[51]。

产业集群。这里用产业集聚度量化体现城市产业集群。衡量产业集聚的方法有很多，相比较而言，区位熵能消除区域间规模差异，是衡量产业集聚程度的常用指标[59]，计算公式[57]为：

Cit＝■

式中Cit表示i地区t时间的产业集聚程度； Sit表示i地区t时间规模以上工业企业的主营业务收入，Pit表示i地区t时间的年末人口数，St表示t时间全国规模以上工业企业的主营业务收入，Pt表示t时间全国的年末人口数。

3. 创新环境支撑能力

地区经济。地区生产总值是城市创新环境的经济基础，地区生产总值越高的地区越能吸引创新人才、风险资金及其他创新要素，为城市创新提供坚实基础。这里用人均地区生产总值测量地区经济[62]。

产业支撑。产业结构反映了地区产业体系发展水平，是影响地区创新水平的相关因素。发达的第三产业是经济中心城市的重要标志，并成为带动经济增长的主要动力。较高的第三产业比重地区反映了较高的地区创新水平。这里用第三产业增加值占GDP比重测量产业结构[45]。

（四）数据校准

使用fsQCA将数据转换为模糊集的过程称为数据校准。校准的方法分为直接校准法和间接校准法，这里依据变量描述性统计数据采用直接校准法对原始数据进行校准。另外，将各条件变量与结果变量的完全隶属点、交叉点和完全不隶属点的阈值分别设定为样本数据的上四分位数（75%）、上下四分位数均值和下四分位数（25%）。变量校准值如表2所示。

四、组态分析与案例讨论

（一）必要条件分析

必要条件分析是为了判断前因条件中是否存在单个导致城市高水平创新能力或非高水平创新能力的必要条件。由表3必要条件分析结果可知，对高水平创新能力必要条件分析中，各条件的一致性均小于0.9，因而不存在影响城市高水平创新能力的单个必要条件；而在对非高水平创新能力必要条件分析中，非高技术创新一致性为0.927（大于0.9），故非高技术创新是产生非高水平创新能力的必要条件。

（二）组态分析

首先，鉴于已有研究[63]，将一致性阈值设定为0.8，案例频数阈值设定为1，PRI一致性值设定为0.75。其次，在对城市创新水平进行标准分析时，软件导出教育资源*产业集群和教育资源*地区经济两个质蕴涵项。本文基于区域创新理论和城市发展实际选择教育资源*产业集群作为质蕴涵项。由于缺乏创新条件影响结果确切方向的证据和理论，本研究在进行反事实分析时，假设单个创新条件出现与否均可形成高水平创新能力。最后，根据简单解和中间解确定核心条件与边缘条件，获得导致中心城市高或非高水平创新能力的条件组态（如表4）。

1. 中心城市产生高水平创新能力的组态分析

组态H1a（产业技术创新-均衡型）指出，高技术创新为核心条件，高研发投入、高产业集群、高地区经济为边缘条件的城市创新系统可以充分地实现高水平创新能力。这类城市反映出，在产业技术创新完备的情况下，若同时保障充足的研发经费投入，配之有力的地区经济支撑，其可形成高水平创新能力。如图2所示，属于这类城市创新系统的典型城市包括：北京、佛山、广州、宁波、杭州、上海、苏州、深圳、青岛。从地理位置上来看，这些城市集中分布在长三角和粤港澳大湾区。根据产业技术创新能力与创新环境支撑能力的数据统计，这9座城市的规模以上工业企业数（集中在前12位）、产业集群程度（集中在前14位）和人均地区生产总值（集中在前12位）均位于中等偏上水平。以北京市为例，其一，党的十八大以来，北京市持续强化企业创新主体作用。针对制造产业发展问题，成立北京制造业创新发展领导小组，出台了《北京市鼓励发展的“高精尖”产品目录》《北京市工业企业技术改造指导目录》等配套政策，促进存量工业企业技术改造，推动产业向“高精尖”方向升级。其二，北京市充分发挥创新要素集聚优势，打造产业集群。习近平总书记在视察北京时曾作出重要指示：要抓好中关村科学城、怀柔科学城、未来科学城、北京经济技术开发区——“三城一区”建设。北京市“三城一区”主平台聚焦中关村科学城，突破怀柔科学城，搞活未来科学城，提升北京经济技术开发区和顺义创新型产业集群示范区，打造优势科技创新策源地。其三，北京市以最强的研发经费投入强度和位居第7名的人均地区生产总值排名，体现了雄厚的经济实力与坚实的研发经费投入强度为高水平城市创新能力打下的重要基础作用。由此可见，北京市以优质的创新环境为背景，大力支持高新技术产业的发展，引导工业企业积极创新改造，聚集产业创新要素实现高水平城市创新能力，符合这里“产业技術创新-均衡型”城市创新系统的典型特征。

组态H1b（产业技术创新-弥补型）指出，高技术创新为核心条件，非高研发投入、非高教育资源、非高产业集群、非高地区经济为边缘条件的城市创新系统可以充分地实现高水平创新能力。这类城市反映出，在知识创新投入不足、产业集群效应不明显、地区经济支撑能力较弱的情况下，若有较强的技术创新能力的带动，其可形成高水平创新能力。如图2所示，属于这类城市创新系统的典型城市包括：成都和重庆。根据产业技术创新能力的数据统计，成都和重庆规模以上工业企业数处于中等偏上水平，分别位于第11位和第6位。以成都市为例，其一，2016年成都市出台《关于加快成都市生物医药产业发展的专项政策》，该政策是成都市首个生物医药产业专项政策，对不同规模企业提供了不同等级的优惠政策，提高了企业技术创新活力，充分发挥了企业驱动城市高水平创新能力。其二，成都市实施科技型企业培育行动计划，对科技型中小企业、高新技术企业、“成都创造”领军企业等技术创新主体采取梯度培育措施，构建“多层次、分阶段、递进式”的科技型企业梯度培育体系。由此可见，成都市充分释放企业创新活力，分层次分阶段地持续强化企业创新主体作用，以弥补其研发经费投入强度不足、教育支出力度欠缺、产业集群程度低、地区经济支持力度薄弱等问题，符合这里“产业技术创新-弥补型”城市创新系统的典型特征。

组态H2（协同创新-弥补型）指出，高教育资源、高技术创新、高产业集群为核心条件，高研发投入、非高产业结构为边缘条件的城市创新系统可以充分地实现高水平创新能力。这类城市反映出，在产业技术创新能力完备、教育资源充足的情况下，若同时投入足够的研发投入，即使产业结构不合理，也可形成较高水平创新能力。如图2所示，属于这类城市创新系统的典型城市包括：佛山、苏州、东莞和青岛。根据知识创新能力与产业技术创新能力的数据统计，这4座城市的规模以上工业企业数（集中在前10位）、产业集群程度（集中在前11位）和教育支出占地方财政一般预算内支出比重（集中在前13位）均位于中等偏上水平。以东莞为例，其一，重视制造业发展的根基作用，聚焦科技创新和先进制造，是东莞市实现高技术创新与高产业集群、经济发展稳步推进的重要动力。在现代化制造业发展的过程中，东莞市一方面有传统的五大支柱与四大特色产业作为发展引擎，另一方面开拓建设新一代信息技术、高端装备制造、新材料等战略性新兴产业，以推动质量强市建设，树立“东莞制造”新标杆。此外，东莞规划打造珠江口东岸现代产业集聚区，建设高端产业区，以资源集约、布局集中、产业集群、功能集成为原则，形成产业集聚、制造业与服务业联动组团发展。其二，东莞市作为深圳的相邻城市接受着深圳外溢人口，优质的教育水平成为了其吸引优秀人才、带动城市创新的关键因素。完善企业人才子女入学政策服务，提升随迁子女教育公共服务水平，东莞市优化教育资源供给以引导城市教育建设、城市创新水平和社会经济协调发展。由此可见，东莞市提升教育条件以吸引高质量创新人才，把握制造业发展根基的同时积极推进战略性新兴产业的发展，利用产业集聚优势建设高端产业区，符合这里“协同创新-弥补型”城市创新系统的典型特征。

组态H3（协同创新-均衡型）指出，高教育资源、高产业集群为核心条件，高研发投入、高地区经济、高产业支撑为边缘条件的城市创新系统可以充分地实现高水平创新能力。这类城市反映出，在教育资源充足和产业集群程度高的情况下，若同时满足较高的研发投入和稳固的创新环境支撑能力，其可形成较高水平创新能力。如图2所示，属于这类城市创新系统的典型城市包括：广州、南京和杭州。根据知识创新能力与产业技术创新能力的数据统计，教育支出占地方财政一般预算内支出比重方面，广州、南京和杭州处于中等偏上水平，分别位于第9位、第4位和第10位；地区的人均产业资源占有量与全国人均产业资源占有量的比值处于中等偏上水平，分别位于第8位、第9位和第10位。以南京为例，其一，南京是国家重要的科教中心，有着较为丰富的教育资源。一方面，由南京市教育局公开的财政拨款支出决算表可以看出，教育支出中占比最大的是普通教育中的高等教育。南京共计51所大学，其中公办本科学校26所，2所985大学，8所211大学，故对普通高等教育的投入是促使该市实现知识创新的关键因素。另一方面，优化教育资源是吸引与留住高水平人才、推动知识创新的重要方法。为放大优质教育资源，促进高中优质教育均衡，市属高中将采用“一校两址”的办学方法，新增高中学位的同时向新区、郊区建立新校区，实现全市优质教育资源增量发展。其二，各区积极建设高新技术产业集群，将工业与互联网技术相结合加快工业互联网建设。中国（南京）软件谷是为建设软件名城而重点打造的软件产业基地，包含了以华为、中兴等为龙头的通信及智能终端产业集群；以中兴光电子、美满、天溯等为核心的物联网及芯片设计产业集群。南京江北新区全力打造千亿级集成电路产业集群，先后吸引台积电、华大半导体、展讯通信等全国集成电路行业“领头羊”驻足江北新区核心区。由此可见，南京市充分发挥科教资源和产业集聚优势，辅之以充足的科技投入与坚实的经济实力，符合这里“协同创新-均衡型”城市创新系统的典型特征。

2. 中心城市高水平创新能力的条件替代关系

由表4可知，组态H1a和组态H3中的前因条件存在明显的替代关系。高研發投入、高产业集群、高地区经济，不仅可以与高教育资源、高产业结构引致高水平创新能力，还可以与高技术创新引致高水平创新能力。也即，在城市研发投入较充足、产业集群度较高、地区经济有较强支撑能力的情况下，无论是有较高技术创新水平，或是较充足的教育资源与合理的产业结构，城市均可实现高水平创新能力（如图3）。由此可见，各地区可以根据自身在知识创新、产业技术创新、创新环境支撑能力方面的优势所在，有倾向地投入资源以提高城市创新能力。另外，由图2的城市案例可知，在高研发投入、高产业集群、高地区经济的共同前因条件组合基础上，相较于高教育资源、高产业结构，依靠高技术创新引致高水平创新能力的城市占比较大，包括北京、佛山、广州、宁波、杭州、上海、苏州、深圳、青岛。而依靠高教育资源、高产业结构的城市主要有3个，包括广州、杭州、南京；其中，广州和杭州的城市案例在组态H1a和组态H3均存在，故南京作为组态H3的城市典型，在教育资源与产业结构方面的组合条件有其特殊性。总之，教育资源、产业结构与技术创新在一定条件下存在替代关系。

（三）稳健性检验

一般地，fsQCA稳健性检验的方法包括调整一致性水平指标、调整校准阈值和非对称因果关系分析等[64-65]。本文使用调整一致性水平指标的方法，将PRI一致性阈值从0.75提高至0.8，其他处理方式不变，对城市创新生态系统驱动城市创新能力的组态进行稳健性检验（如表6），发现城市高水平创新能力组态形式基本不变，符合QCA结果稳健的标准，研究结果通过稳健性检验。

五、结论与启示

（一）研究结论

如何提高城市创新能力以促进城市高质量发展是讨论城市经济的重要话题，中心城市在城市群中的牵头作用与辐射效应使其成为城市发展的关键。本文以2016—2020年34个中国中心城市为案例样本，使用模糊集定性比较分析的方法，从组态视角出发，分析城市创新系统驱动城市高水平创新能力的关键因素与条件组合。

第一，QCA方法探究了产生城市高与非高水平创新能力的必要条件。研究发现，缺乏技术创新是导致非高水平创新能力的必要条件。这说明产业技术创新能力对解决城市创新能力不足的问题有重要作用，管理者可优先通过提升产业技术创新能力以提高城市创新水平。第二，通过组态分析得出了形成城市高水平创新能力的4条“殊途同归”的驱动路径，分别是“产业技术创新-均衡型”“产业技术创新-弥补型”“协同创新-弥补型”“协同创新-均衡型”，其中教育资源、技术创新、产业集群是与之对应的关键因素。这4条路径为拥有不同资源情况的城市提供了实现城市高水平创新能力的差异化方式。第三，组态间分析可以识别实现城市高水平创新能力路径下的条件替代。在高研发投入、高产业集群、高地区经济的共同前因条件组合基础上，教育资源、产业结构与技术创新存在替代关系。

（二）理论贡献与管理启示

本文分析了城市创新系统各要素的组态效应对城市创新水平的影响，对现有城市创新系统与城市创新水平关系的研究具有以下理论贡献。现有研究多关注影响城市创新能力的因素及其区域性特征，或是专注于某一因素对城市创新能力提升的影响机制，这里从组态视角进一步地探讨了不同城市实现高水平创新能力的条件组合，弥补了城市创新系统下不同城市提升创新能力的具体路径研究空缺。也即，通过fsQCA方法完善了城市创新系统中导致城市高水平创新能力的关键影响因素与多条等效路径研究。此外，本文通过对城市创新系统与城市创新水平关系的研究，把握城市创新关键要素的组合与路径选择，以各地区中心城市为例，启发不同城市根据当地创新资源优势提高城市创新水平，获得以下管理启示。

第一，应注重知识创新能力、产业技术创新能力、创新环境支撑能力等多层面创新要素的组合与协同作用对城市高水平创新能力的影响。非高技术创新是导致非高水平创新能力的必要条件，而没有单一因素是实现高水平创新能力的必要条件。为此，各地要综合考虑自身资源条件，以“均衡型”“弥补型”的城市创新系统驱动特点，实现高水平创新能力。第二，实现高水平创新能力的路径并不唯一，不同城市应寻求符合自身条件优势的发展路径。如北京、广州、上海等以技术创新为核心条件、其他条件均衡发展的中心城市与成都、重庆等以技术创新为核心条件、弥补其他条件缺失的中心城市，最终同样可实现高水平创新能力。此外，考虑在一定条件下教育资源、产业结构与技术创新的替代关系，南京发挥其在教育资源和产业结构方面的优势，与其他在技术创新方面存在优势的城市一样可以实现高水平创新能力。第三，中心城市要突破非高水平创新能力，应首先注重规模以上工业企业的发展。工业企业是促进城市技术创新的重要载体，要重视规模以上工业企业发展质量。一方面，可以通过倡导产学融合吸收高校及研究机构的知识创新成果，推动企业技术创新与生产应用；另一方面，可以加大对相关技术领域企业的财政倾斜，鼓励企业通过技术创新的方式提升技术与优化产品。

（三）不足与展望

第一，本文仅探讨了城市创新系统与创新能力的静态关系，还可以通过研究多时段组态的比较分析[66]，体现城市创新系统的动态演化路径。第二，由于城市数据不易获得，本文只从3个维度的6个前因条件去考虑城市创新系统的构成关键要素，诸如高技术产业产值、技术交易市场交易额等因素未纳入考虑，使得结论的普适性受到一定影响。未来可以对城市创新系统理论构建做出进一步的完善，更全面地考虑影响城市创新能力的要素组合形式。

参考文献

［1］徐君，郭鑫.基于创新力场强的区域中心城市创新生态圈辐射效应研究——以长三角城市群为例[J].科技进步与对策，2021，38（12）：42-49.

［2］李洪涛，王丽丽.中心城市科技创新与城市群产业高级化及多样化[J].科研管理，2022，43（1）：41-48.

［3］周锐波，邱奕锋，胡耀宗.中国城市创新周密网络演化特征及多维邻近性机制[J].经济地理，2021，41（5）：1-10.

［4］范柏乃，单世涛，陆长生.城市技术创新能力评价指标筛选方法研究[J].科学学研究，2002（6）：663-668.

［5］鄒燕.创新型城市评价指标体系与国内重点城市创新能力结构研究[J].管理评论，2012，24（6）：50-57.

［6］倪鹏飞，白晶，杨旭.城市创新系统的关键因素及其影响机制——基于全球436个城市数据的结构化方程模型[J].中国工业经济，2011（2）：16-25.

［7］李俊杰，周民良.中心城市对京津冀地区的创新引领效应[J/OL].科技进步与对策：1-10[2023-07-23].http：//kns.cnki.net/kcms/detail/42.1224.G3.20230720.1051.002.html.

［8］康笑笑.贸易开放、金融市场化与城市创新能力[D].重庆大学，2019：9-14.

［9］高亚飞，韦海鸣.数字普惠金融对城市创新能力的影响研究——基于广西14个设区市的实证检验[J].广西科技师范学院学报，2023，38（1）：73-85.

［10］王儒奇，陶士贵，刘强.数字经济能否提升城市创新能力——基于双边随机前沿模型的新视角与再测算[J].江苏大学学报（社会科学版），2023，25（3）：48-62.

［11］孔令丞，柴泽阳，邱丹霞.区域一体化对城市创新能力驱动研究——基于长三角的实证分析[J].科研管理，2022，43（12）：34-43.

［12］马为彪，吴玉鸣.国家中心城市建设提升了城市群创新能力了吗？——以十九大城市群为例[J].科学学研究，2023，41（3）：534-546.

［13］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.

［14］周灿，曾刚，曹贤忠.中国城市创新网络结构与创新能力研究[J].地理研究，2017，36（7）：1297-1308.

［15］AMIDON R D M. Knowledge Innovation System： The Common Language[J]. Journal of Technology Studies， 1993， 19（2）： 2-8.

［16］劉合翔，王松，王卫霞.开放式创新社区知识创新能力的量化与评价研究——以小米社区产品圈子为例[J].情报杂志，2022，41（10）：170-180+188.

［17］周密，申婉君.研发投入对区域创新能力作用机制研究——基于知识产权的实证证据[J].科学学与科学技术管理，2018，39（8）：26-39.

［18］罗正英，徐艳洁.江苏省区域创新能力提升成效——基于研发投入视角的分析[J].中国统计，2014（4）：51-52.

［19］吴晓飞.科技支持、补贴陷阱与区域创新能力[J].财贸研究，2016，27（5）：99-106.

［20］张丽华，侯胜，王一然.金融发展、高等教育与资源型区域科技创新能力[J].经济问题，2019（10）：95-102.

［21］张涛，张若雪.人力资本与技术采用：对珠三角技术进步缓慢的一个解释[J].管理世界，2009（2）：75-82.

［22］吴友军.产业技术创新能力评价指标体系研究[J].商业研究，2004（11）：27-29.

［23］张国胜，杜鹏飞.数字化转型对我国企业技术创新的影响：增量还是提质？[J].经济管理，2022，44（6）：82-96.

［24］王欢.创新型产业集群试点政策促进了城市高技术产业发展水平提升吗[J].现代经济探讨，2022（4）：94-104.

［25］ACS Z J， ANSELIN L， ATTILA V. Patents and innovation counts as measures of regional production of new knowledge[J]. Research Policy， 2002， 31（7）： 1069-1085.

［26］王钦，张隺.中国工业企业技术创新40年：制度环境与企业行为的共同演进[J].经济管理，2018，40（11）：5-20.

［27］ZHAO S L， CACCIOLATTI L， LEE S H， et al. Regional collaborations and indigenous innovation capabilities in China： A multivariate method for the analysis of regional innovation systems[J]. Technological Forecasting & Social Change， 2015， 94： 202-220.

［28］王晓红，李娜.企业创新需求、高校技术转移与区域创新能力——高校科研能力的调节作用[J].软科学，2021，35（12）：1-6.

［29］王晓红，李娜，张奔.企业研发投入、产学研协同发展与区域创新产出——对外开放度的调节作用[J].系统管理学报，2022，31（3）：500-508+521.

［30］曾忠禄.产业群集与区域经济发展[J].南开经济研究，1997（1）：69-73.

［31］PORTER M E. Clusters and the new economics of competition[J]. Harvard business review， 1998， 76（6）： 77-90.

［32］田颖，田增瑞，韩阳，等.国家创新型产业集群建立是否促进区域创新？[J].科学学研究，2019，37（5）：817-825+844.

［33］刘军，李廉水，王忠.产业聚集对区域创新能力的影响及其行业差异[J].科研管理，2010，31（6）：191-198.

［34］赵运平，綦良群.基于竞合的产业集群技术创新系统机理分析[J].系统科学学报，2016，24（1）：112-116.

［35］姜明辉，贾晓辉.基于C-D生产函数的产业集群对区域创新能力影响机制及实证研究[J].中国软科学，2013（6）：154-161+183.

［36］赵彦飞，陈凯华，李雨晨.创新环境评估研究综述：概念、指标与方法[J].科学学与科学技术管理，2019，40（1）：89-99.

［37］邹国平.区域创新环境对装备制造企业创新能力的跨层次影响研究[D].哈尔滨工程大学，2019：19-22.

［38］郑宝华，王志华，刘晓秋.农业科技园区创新环境对创新绩效影响的实证研究[J].农业技术经济，2014（12）：103-109.

［39］党文娟，张宗益，康继军.创新环境对促进我国区域创新能力的影响[J].中国软科学，2008（3）：52-57.

［40］RONDE P， HUSSLER C. Innovation in Regions： What does Really Matter[J]. Research Policy， 2005， 34（8）： 1150-1172.

［41］樊杰，劉汉初.“十三五”时期科技创新驱动对我国区域发展格局变化的影响与适应[J].经济地理，2016，36（1）：1-9．

［42］林木西，肖宇博.数字金融、技术创新与区域经济增长[J].兰州大学学报（社会科学版），2022，50（2）：47-59.

［43］张明斗，肖航.东北地区城市收缩的空间格局特征与作用机理[J].城市问题，2020（1）：33-42.

［44］吴中超.基于随机前沿的区域创新绩效研究：创新网络结构视角[J].技术经济，2020，39（4）：120-131.

［45］赵庆.产业结构优化升级能否促进技术创新效率？[J].科学学研究，2018，36（2）：239-248.

［46］韩军，孔令丞.产业结构调整是否促进了区域创新绩效的提升？[J].科研管理，2022，43（7）：115-123.

［47］FISS P C. Building better causal theories： A fuzzy set approach to typologies in organization research[J]. Academy of Management Journal， 2011， 54（2）： 393-420.

［48］PAPPAS I O， WOODSIDE A G. Fuzzy-set Qualitative Comparative Analysis（fsQCA）： Guidelines for research practice in Information Systems and marketing[J]. International Journal of Information Management， 2021， 58： 102310.

［49］程跃，王维梦.创新资源对跨区域协同创新绩效的影响研究——基于31个省份的QCA分析[J].华东经济管理，2022，36（6）：13-22.

［50］唐开翼，欧阳娟，甄杰，等.区域创新生态系统如何驱动创新绩效？——基于31个省市的模糊集定性比较分析[J].科学学与科学技术管理，2021，42（7）：53-72.

［51］张驰，郑晓杰，王凤彬.定性比较分析法在管理学构型研究中的应用：述评与展望[J].外国经济与管理，2017，39（4）：68-83.

［52］杜运周，贾良定.组态视角与定性比较分析（QCA）：管理学研究的一条新道路[J].管理世界，2017（6）：155-167.

［53］张明，陈伟宏，蓝海林.中国企业“凭什么”完全并购境外高新技术企业——基于94个案例的模糊集定性比较分析（fsQCA）[J].中国工业经济，2019，373（4）：117-135.

［54］LIU Y， MEZEI J， KOSTAKOS V AND LI H. Applying configurational analysis to IS behavioural research： A methodological alternative for modelling combinatorial complexities[J]. Information Systems Journal， 2017， 27（1）： 59-89.

［55］PAPAMITSIOU Z， PAPPAS I O， SHARMA K AND GIANNAKOS M N. Utilizing Multimodal Data Through fsQCA to Explain Engagement in Adaptive Learning[J]. IEEE Transactions on Learning Technologies， 2020， 13（4）： 689-703.

［56］朱桂龙，赛夫，秦梓韬.中国各省创新水平关键影响因素及发展路径识别——基于模糊集定性比较分析[J].科学学与科学技术管理，2021，42（9）：52-70.

［57］葛立宇，莫龙炯，张方.数字经济发展与城市区域创新——来自我国281个城市的经验证据[J].广东财经大学学报，2022，37（5）：18-30+42.

［58］孔令丞，许建红，刘鲁浩，等.科创网络推动区域创新的作用机理及实证分析——来自省级面板数据的证据[J].上海经济研究，2019（4）：43-54.

［59］CLARYSSE B， WRIGHT M， BRUNEEL J， et al. Creating value in ecosystems： Crossing the chasm between knowledge and business ecosystems[J]. Research Policy， 2014， 43（7）： 1164-1176.

［60］王洪庆，郝雯雯.高新技术产业集聚对我国绿色创新效率的影响研究[J].中国软科学，2022（8）：172-183.

［61］张莉娜，倪志良.科技人才集聚与区域创新效率——基于空间溢出与门槛效应的实证检验[J].软科学，2022，36（9）：45-50.

［62］顾伟男，申玉铭.我国中心城市科技创新能力的演变及提升路径[J].经济地理，2018，38（2）：113-122.

［63］辛本禄，穆思宇.组态视角下企业服务创新绩效的影响因素研究——基于fsQCA的实证分析[J].科学学与科学技术管理，2023，44（3）：169-184.

［64］杜运周，刘秋辰，陈凯薇，等.营商环境生态、全要素生产率与城市高质量发展的多元模式——基于复杂系统观的组态分析[J].管理世界，2022，38（9）：127-145.

［65］FURNARI S， CRILLY D， MISANGYI V F， GRECKHAMER T， FISS P C AND AGUILERA R V. Capturing Causal Complexity： Heuristics for Configurational Theorizing[J]. Academy of Management Review， 2020（46）： 778-799.

［66］杜运周，李佳馨，刘秋辰，等. 复杂动态视角下的组态理论与QCA方法：研究进展与未来方向[J].管理世界，2021，37（3）：180-197+12-13.

（责任编辑：张晓）