区域创新环境的综合评价及对创新效率的影响分析

施晓丽，蒋林林

(集美大学 a.财经学院； b.产业与区域经济研究中心，福建 厦门 361021)

提要：基于目前区域间创新要素配置亟待优化的现状，采用因子分析方法对区域创新环境进行综合评价。在此基础上，结合2009—2017年宏观层面的面板数据，运用空间计量模型实证分析区域创新环境对创新效率的影响。研究结果表明，大部分东部地区创新环境较为完善，处于全国领先地位，而中西部和东北地区相对滞后；区域创新环境在省域层面存在空间自相关，创新环境优良的区域会引起创新要素的集聚并促使该区域创新效率的提升，也会在一定程度上抑制邻近区域创新环境的优化，但总体上对所有区域的创新效率都有着显著的促进作用。

一、引言

2021年的政府工作报告提到，要坚持创新在现代化建设全局中的核心地位，将科技自立自强作为国家发展的重要战略支撑，完善创新体系。创新已然成为我国经济转型和持续增长的关键，通过创新驱动区域经济发展，并带动周边地区协同进步，最终实现全国范围内经济水平质的飞跃是新时期的战略选择。其中，区域创新环境建设是区域创新的重要抓手，也是影响区域经济发展的关键要素，其会通过影响各个创新主体的作用发挥及相互联系，进而影响区域创新效率的提升。由于创新活动具有高风险性和经济的外部性，企业的创新行为和区域内科研机构、高校的创新活动会在一定程度上受到抑制。区域创新环境建设提供了破除这些阻碍的可能性，有利于营造创新要素流动和集聚的外部驱动力。

鉴于区域创新环境建设对区域创新发展的重要性，本文采用反映区域创新投入环境、区域创新产出环境、区域创新扩散环境和区域创新支持环境的20个指标进行因子分析，通过对数据进行降维处理，在保留这些指标主要信息的同时，得出能够反映区域创新发展环境的因子，并对各省份的因子计算得分进行综合评价排序，以直观地对比不同区域的创新环境状况。根据新经济地理学的相关理论，空间上的任何两个事物之间均存在或多或少的关联性。因此，本文又进一步采用空间计量模型分析创新环境的空间自相关性，研究对本区域与邻近区域创新发展的影响，避免由于忽视空间关联而影响结果的有效性。

二、文献综述

欧洲组织GREMI(欧洲创新环境研究小组)在1985年首次提出创新环境这一概念。在对创新环境的研究中，学者们对创新环境的定义也在不断发展，Hayward[1]认为，能够诱发和促进创新的区域制度、区域规则和整个区域内的相关实践活动所构成的整个系统就是区域创新环境。Maillat[2]从企业的角度，将创新环境看作是企业外部的技术能力、社会文化环境和劳动力市场环境等非物质社会因素组成的共同体。Tsuja等[3]认为区域创新环境是区域创新系统的重要因素之一，决定着创新活动所需要的创新资源、人力资本和基础设施等。我国对于区域创新环境的研究起步较晚，王缉慈[4]最早提出，区域创新环境就是大学、科研机构、企业和地方政府之间由于创新活动而形成的稳定系统。盖文启[5]在后续研究中将区域创新环境看作是影响区域经济发展静态与动态的结合体，即促进创新主体进行创新的静态环境和不断改变创新模式、改进创新机制的动态环境，区域创新环境的优劣是区域发展能否获得优势的关键。

学者们对区域创新环境的评价方法各异。Wang等[6]从经济基础、创新者的质量和结构以及区域开放程度等方面对区域创新环境进行评价；张莹等[7]利用回归分析得出各因素对区域创新环境的影响程度，并提出应根据其影响程度进行评价；许婷婷[8]、杨明海[9]、党晶晶等[10]分别采用多元统计分析方法、层次分析和熵值法、灰色关联度分析法对创新环境进行评价。

除此之外，学者们还研究了创新环境的经济后果和影响路径。朱泽钢[11]的研究表明，创新环境越完善越有利于激励政府加大科技资金投入，进而提升创新绩效。不同的创新环境因素对区域创新主体产生的影响也存在差异。齐亚伟[12]认为，创新环境会对企业、高校和科研机构的科技研发活动产生显著影响。区域创新环境除了影响区域创新主体外，还会影响邻近区域的创新环境，表明创新环境存在某种空间相关特性。此外，也有学者以区域创新环境的各子环境为切入点，分析市场环境、金融环境以及基础设施等对区域创新发展的影响。例如，叶丹等[13]利用实证分析检验得出除西部地区外，金融环境、市场环境会促进区域创新效率。潘雅茹等[14]认为基础设施投资会显著促进创新效率的提升，两者存在显著的倒U形关系，过度投资反而会产生抑制效应，基础设施环境是影响区域创新发展的重要因素之一。

创新环境对邻近区域的空间影响源于市场化的创新活动具有“趋优”机制。政府政策、资金支持或者独特的区位优势而形成的良好创新环境，会吸引创新要素的聚集和空间溢出。白俊红等[15]研究表明，创新环境会对政府的R&D资助产生影响，并使其呈现出空间自相关性。良好的创新环境会促使创新要素集聚，并迫使周围区域加大研发投入以避免要素流失。兰海霞等[16]分析了中国区域创新环境对区域创新效率的影响，实证分析结果表明，创新环境存在空间异质性，即影响作用会随区域变化而改变。

从现有文献看，创新环境的定义和评价方法尚未建立统一的标准，仍处于不断发展的过程中。关于创新环境的研究较多集中于创新环境的概念界定、评价及其经济影响的层面上，通过构建指标体系和模型探究创新环境的经济影响等，然而，将创新环境的空间自相关影响和空间溢出效应等考虑在内的相关研究有所欠缺，计量模型设计不够合理。针对目前创新环境研究的单一性和不足之处，本文在采用因子分析法对中国30个省份的创新环境进行综合评价的基础上，将创新环境的空间自相关性和空间溢出效应纳入研究范围，利用空间计量模型分析其空间效应，探究创新环境对本区域与邻近区域创新效率的影响。

三、区域创新环境指标体系的构建与评价

(一)指标体系的构建与数据说明

本文参考许红丹[17]、张慧颖[18]以及万勇等[19]学者的研究，将区域创新环境分为4个子环境，即创新投入环境、创新产出环境、创新扩散环境和创新支持环境。区域创新环境是各子环境的有机结合体，指标体系的构建如下。

(1)创新投入指标。政府、企业和高校的科技投入是区域创新发展和区域竞争力的基础，根据创新投入的来源和方式，将企业对高等院校和其他企业的科研资金投入、企业获得的来自政府和其他企业的R&D资金补贴、企业的试验发展支出、R&D人员全时当量和地方政府财政科技支出作为衡量区域创新投入能力的指标。其中，地方政府财政科技支出是一个流量数据，采用Griliches[20]、吴延兵[21]、白俊红等[22]的做法，使用永续盘存法将其转化为存量数据，其余研发投入变量均利用R&D支出价格指数平减为2009年的不变价，以消除价格变动对结果有效性的影响，价格指数核算方法采用白俊红等[15]的做法，R&D支出价格指数=消费价格指数×35%+固定资产投资价格指数×65%。

(2)创新产出指标。创新产出是衡量高新技术企业科技创新竞争力的关键指标[23]，包含新知识、新技术、新工艺和新价值的产出。由于发明专利具有更高的技术含量，且申请量很少受到专利授权机构审查能力的约束，相比于实用新型和外观设计两种专利技术而言，可以更好地衡量创新产出[22]。此外，创新产出情况也体现在技术市场成交额和新产品的销售收入上，但由于部分省份新产品的销售收入数据缺失，统计困难，因此，本文仅将发明专利授权量和技术市场成交额作为衡量创新产出环境的评价指标。

(3)创新扩散指标。区域间的技术扩散会促使企业以学习和模仿等方式提高创新能力，创新能力强的企业能够带动整个区域创新水平的提升。外商直接投资FDI能够反映国际以及区域技术溢出效应，进出口贸易额可以体现出贸易国之间的技术学习能力[19]，由于获取的数据以美元为单位，所以需要利用各年的汇率将外商直接投资额与进出口贸易额的单位转换为人民币(元)。此外，规模以上工业企业技术改造经费支出以及引进国外技术的经费支出可以体现出企业对先进技术的学习和模仿[24]。因此，本文将这4个变量作为反映区域创新扩散的衡量指标。

(4)创新支持环境。该子环境由市场化程度、产业结构、人力资本、金融发展水平、地区开放程度、固定资产投资和基础设施水平等组成。市场决定资源配置效率，充分发挥市场的作用可以促使创新要素流向实现其最大效益的地方，是创新发展的重要推动力，本文用非国有企业员工占比来体现区域的市场化程度[25]。产业结构用第三产业与第二产业的比值来表示，比值越大，区域产业结构越合理。此外，人力资本用各地区的人均受教育年限进行衡量。金融发展水平可以充分体现出创新发展的外部资金流动，是创新发展的血液，研究采用金融机构年末存贷款余额与GDP的比值来表示[25]。地区开放程度用货物经营所在地进出口总额与GDP的比值衡量，其中进出口总额需要利用人民币基准汇率的年平均价转化为人民币[12]。固定资产投资是社会固定资产实现再生产的一种重要手段，本文使用固定资产投资指数对固定资产投资额进行处理，以消除价格变动因素的影响。基础设施水平用铁路营运里程来表示。基于上述指标，本文构建了如表1所示的区域创新环境指标体系。

表1 区域创新环境指标体系

研究所需要的相关原始数据来源于《中国统计年鉴》《中国科技统计年鉴》和国家统计局网站。由于西藏部分数据的缺失和港澳台地区数据获取的困难性，在进行数据收集时，本文只汇总了中国除西藏和港澳台之外的30个省份的数据，并对有关价值量的数据进行处理，以消除价格变化产生的影响。在利用因子分析模型进行综合评价之前，本文对数据进行了无量纲化和中心化处理。

(二)因子分析及综合评价

由于衡量区域创新环境所需的指标数量较多，在某种程度上会加剧研究问题的复杂性，造成分析结果的偏差，为此，可采用因子分析法。在众多的指标中，选取包含被研究问题大部分信息的指标，将原始指标变量组合成新的变量，通过数据降维，得到更有利于分析的有效信息。为了确定区域创新环境是否适合进行因子分析，本文首先进行KMO和Bartlett球形检验。

1.KMO和Bartlett球形检验

KMO检验用于检查变量间的相关性和偏相关性，Bartlett球形检验则用于检验相关阵中各变量的相关性，即检验各变量是否各自独立。通常而言，若KMO小于0.5，不适合做因子分析，0.5至0.6效果较差，大于0.9则认为非常适合做因子分析。本文对各年数据进行检验后，将KMO和Bartlett的检验结果列于表2中。如表2所示，各年的KMO值均在0.5以上，且Bartlett球形检验的p值为0，表明变量之间具有显著的相关性，综合判断检验结果，区域创新环境的各个变量适合因子分析。

表2 KMO和Bartlett检验

2.因子旋转及公共因子的确定

因子旋转可以将原始变量的公因子载荷重新分布，达到一种两极分化的效果。相比于不采用因子旋转后的载荷矩阵而言，旋转后的载荷矩阵可以清晰地体现出哪些变量具有较大载荷，以便更好地解释各公因子。因此，本文通过主成分分析法提取公因子，运用凯撒正态最大方差法进行旋转，并根据提取公因子和旋转之后得到的因子载荷矩阵确定3个公共因子。

2009年至2017年各年份旋转后的因子载荷矩阵中，表示区域创新投入的指标——研究与开发人员全时当量(RDlab)、政府对企业的研究经费补助、企业对高校的研发支持、政府财政支出，表示区域创新扩散的指标——外商直接投资(FDI)、进出口贸易总额(ImExport)和表示创新支持环境的开放度指标在第一个公共因子上具有较大载荷，这些指标反映的是区域创新发展所需的研发投入、创新扩散与经济支持，体现了内外部经济环境对区域创新效率的促进作用。因此，可以将第一个公共因子表示为反映区域创新经济环境的公共因子。

表示企业创新投入的变量，如企业的试验发展经费支出、技术改造经费支出和固定资产投资等在因子旋转矩阵中具有较大载荷，这些变量体现的是区域创新发展过程中的资金投入，故将第二个公共因子表示为反映创新投入的公共因子。此外，第三个公共因子中的产业结构(Structure)、金融支持环境(Fin)、技术市场成交额(Tech)、地区人力资本(Edu)在因子旋转后的载荷矩阵中具有较大载荷，这些变量反映的是区域发展所需的产业支持、金融支持、产出环境支持和人力支持，因此可以将第三个公共因子表示为反映区域创新支持环境的因子。

3.结果分析及评价

经过计算，区域创新环境综合得分位列前六的省市依次为广东、江苏、北京、上海、山东和浙江，均位于东部地区，其区域经济发展水平相对较高。广东位于珠江三角洲，是粤港澳大湾区的重要组成区域，具有广袤的内陆腹地和漫长的海岸线，承担着我国内外航运需求，其集装箱吞吐量在全球排名前十，得天独厚的区位优势、政策优势和创新氛围为广东的创新发展提供不竭的动力。江苏、上海和浙江位于长江三角洲，各种政策法规较为健全，经济基础优越，依靠上海金融中心的地位，吸引了大量外资和先进技术的涌入。北京是“首都圈”的核心城市，是我国的政治、文化、科技创新和国际交往的中心，中关村和诸多高校、科研机构为北京带来了数量可观的高素质人力资本。山东省拥有良好的区位优势，毗邻日韩，与工业大省辽宁隔海相望，南接江苏等发达区域，还具备便捷的交通和大量的优质劳动力等优势，这为山东省的创新环境建设奠定了良好的基础。

反观创新环境排名处于中等靠后的省份，大部分处于中西部地区和东北地区，主要原因在于其不具备沿海等区位优势，对外交流贸易量较小，创新资源相对贫瘠；另外，政府的政策明显向东南沿海等发达城市倾斜，这些地区的政策优惠、财政支持不足。除此之外，尽管这些地区实施了西部大开发、中部崛起和东北振兴等战略，但仍未完全实现产业结构转型升级，市场活力与创新动力仍待进一步激发。

四、区域创新环境对创新效率影响的实证检验

(一)区域创新环境的空间自相关检验

在进行空间面板的估计之前，需要检验区域创新环境是否存在空间自相关性。因此，本文对2009至2017年区域创新环境综合得分的Moran’s I进行测算。测算结果如表3所示，基于空间邻接矩阵和地理距离矩阵的Moran指数均显著大于零，表明区域创新环境存在显著的正空间自相关性，区域创新环境完善的地区会对周边地区产生正的外部性，形成创新环境的高高集聚，也表明本研究适合采用空间计量模型。

表3 2009—2017年中国区域创新环境综合得分的Moran’s I检验

(二)空间面板计量模型的构建与选择

空间面板计量模型主要包括3种：空间滞后模型(SLM)又称空间自回归模型(SAR)、空间误差模型(SEM)和空间杜宾模型(SDM)。空间滞后模型包含被解释变量的空间滞后项，定义为

y=λWy+Xβ+ε。

(1)

式(1)中，λ代表空间自回归系数，度量的是空间滞后Wy对y的影响，当其为零时，表示不存在空间效应，此时方程可以简化为一般的OLS模型。W为外生给定的空间权重矩阵，常见的空间权重矩阵包括空间邻接矩阵、空间地理距离矩阵和经济距离矩阵。X代表解释变量矩阵，β为相应的解释系数，ε为扰动项，且ε～N(0，σ2In)。

空间误差模型包含不可观测的误差项μ的空间滞后项，ρ为空间误差项的空间滞后系数，其定义为

y=Xβ+ρWμ+ε。

(2)

空间杜宾模型则同时包括空间滞后项和空间误差项，WXδ表示本区域受到的来自相邻区域自变量的影响，其定义为

y=λWy+Xβ+WXδ+ε。

(3)

针对本文的研究问题——区域创新环境存在空间自相关性并会对区域创新效率产生影响，需要选择出最佳的空间计量模型进行估计。模型中的被解释变量为区域创新效率，借鉴Wang等[26]以及 Fu和Jiang[27]的研究，用地区的发明专利授权量与全国的发明专利授权量之比来衡量。解释变量为因子分析得到的3个公因子——区域创新经济环境因子、区域创新投入因子和区域创新支持环境因子。空间权重矩阵选择空间邻接矩阵，并采用空间地理距离矩阵进行稳健性检验。

为确定最佳的估计模型，进行了Wald检验和似然比检验(LR检验)，以判断空间杜宾模型是否可以退化为空间误差模型或空间滞后模型。Wald检验的p值分别为0.402 9和0.352 9，LR检验的p值分别为0.149 2和0.105 2，均不能拒绝“空间杜宾模型可以退化为空间误差模型或空间滞后模型”的原假设。最后，通过比较空间误差模型和空间滞后模型的拉格朗日乘数及其稳健性，确定空间滞后模型为最佳选择。

选定空间权重矩阵和确定空间模型后，需要确定应该选择固定效应模型还是随机效应模型，根据Baltagi[28]的研究可知，如果研究分析的对象是某个特定个体，则应该选择固定效应模型；而如果研究分析的对象是随机取自总体的样本，则应该选择随机效应模型。根据中国省级层面具备的分析特点以及Hausman检验p值显著为0的结果，固定效应优于随机效应。因此，综合上述各检验的结果，本文选择空间滞后模型的固定效应模型，并根据时间和地区这两类非观测效应将模型分为时间地区固定(stF)、时间固定(tF)、地区固定(sF)，同时加入随机效应模型(nonF)作为对比。

空间滞后模型的时间固定模型具有较高的拟合优度(R2)，参考Anselin等[29]的判断规则，结合对数似然比(L-Log)、赤池信息准则(AIC)和贝叶斯估计(BIC)进行综合判断后，最终选择空间滞后模型的时间固定模型进行分析，空间计量回归结果如表4所示。

表4 空间计量回归结果

(三)空间滞后模型回归结果分析

如表4空间滞后模型的主回归结果所示，在选定时间固定的空间滞后模型中，表示区域创新环境的3个自变量均在1%的显著性水平上显著为正，说明区域创新经济环境(F1)、创新投入环境(F2)和创新支持环境(F3)均能够正向影响区域创新效率，即政府、企业和科研机构等加大科技支出；企业引进更多的外资与国外的先进技术，并进行自身技术的升级和改造；市场结构不断优化，金融发展水平和固定投资水平不断提高，基础设施建设不断完善等均有利于区域创新发展和区域创新效率的提升。并且，由于区域创新环境具有空间溢出效应，会对邻近区域产生正外部性，因此，在促使创新要素本地集聚的同时，也会驱动创新要素在周边区域的集聚，并由此带动区域整体创新水平的提高。

在不考虑空间滞后的情况下，回归系数的正负和大小可以很好地衡量自变量对因变量的影响程度，但是在存在空间滞后项的本模型中，如果仅通过系数来判断对因变量的影响是有失偏颇的，因为这样会忽视各因变量的空间影响，从而无法发挥出空间计量模型的优势。因此，本文将空间滞后模型的空间估计结果按照Lesage和Pace[30]提出的直接效应、间接效应和总效应的概念进行分解，分析结果如表5所示。直接效应(LR-Direct)表示本区域的创新环境对本区域创新效率产生的平均影响，不考虑本地创新环境对邻近区域的空间溢出；间接效应 (LR-Indirect)表示本区域创新环境对其他区域创新效率产生的平均影响，将这种空间溢出考虑在内；总效应(LR-Total)则表示本区域创新环境对所有区域创新效率产生的平均影响，是直接效应和间接效应的加总。

表5 直接效应、间接效应与总效应分析

(1)直接效应分析。创新环境的3种自变量对创新效率的直接影响均为正，即区域创新内外部经济环境、创新投入环境和创新支持环境越完善，越有利于营造出该区域优质的创新环境，越能够激发本地政府投入更多的科技支出和进行相关制度改革，帮扶企业进行更加活跃的创新活动，给予企业更多的创新补贴以及颁布创新激励政策。

(2)间接效应分析。3个自变量的系数均为负值，且在1%的显著性水平下显著。原因是，本地区创新环境在优于邻近区域的情况下，会形成促使创新要素在本地区集聚的外部驱动力，形成虹吸效应，高素质劳动力会流入该地区以谋求更多的发展机会；大量资本流入以实现资源的最优化配置；企业进入该地区以获得更多的外部资金并享受创新激励政策。与此同时，创新支持环境中的创新金融支持、产出环境支持还为科技产出提供了产出与转化的平台，加速邻近区域科技成果和资本的流入和集聚。这种创新要素的集聚在加速本地区创新效率提升的同时，会产生遏制邻近区域创新要素流入的负面影响。

(3)总效应分析。自变量系数全部在1%的水平上显著为正，说明本区域创新环境的提升会显著促进区域总体创新效率的提高。由上述间接效应的分析结果可知，创新环境完善的地区虽然会形成对创新要素的虹吸，在一定程度上遏制邻近区域环境的培育发展，但是这种影响是微弱的，直接效应的正向影响抵消了这部分的负面影响，使得在总体上仍会产生促进区域创新水平提升的作用。

(四)稳健性检验

本文用空间地理距离矩阵代替空间邻接矩阵进行稳健性检验。Hausman检验显示，应该使用固定效应模型。LR检验和Wald检验的结果表明，空间杜宾模型应退化为空间滞后模型(又称空间自回归模型)或者空间误差模型。最后，通过LM以及稳健的LM检验，发现空间滞后模型的拉格朗日乘数和其稳健值均较空间误差模型显著，因此选择空间滞后模型。检验的结果显示，时间固定的空间滞后模型具有所有模型中最高的拟合优度，仍为最理想的模型，而且，稳健性检验的结果与本文实证分析基本一致，表明空间计量模型估计的结果是稳健的。

五、结论及政策建议

本文通过采用多元统计方法——因子分析对中国30个省份的区域创新环境进行综合评价和排序，并利用空间计量经济学的相关理论方法构建了空间计量模型，实证考察了我国30个省份区域创新环境的空间相关性和空间溢出特性，以及对区域创新效率的影响，得到如下结论。

第一，创新环境完善的区域主要集中在东部地区。除北京外，排名靠前的省份均位于沿海地区，这些地区具有更加突出的区位优势和政策优势。受制于政策、资源和地理因素的影响，中西部地区创新环境发展水平相对落后。

第二，因子分析得到的3个公因子中，经济环境因子的方差贡献率最大，包含了影响区域创新环境的20个指标全部信息的30.59%(以2017年为例)，是影响区域创新环境最主要的因子，其余两个因子的方差贡献率分别为27.37%和23.16%。因子分析结果表明，经济发展子环境是优化区域创新环境的重要基石，创新投入子环境是促进区域创新发展的核心动力，创新支持环境是重要支撑。

第三，从本文的实证结果和稳健性检验结果可知，区域创新环境的间接效应会在一定程度上遏制邻近区域创新环境的培育，从而引发创新生产的“马太效应”，造成区域创新环境和创新效率差异的扩大。但是总效应为正，即直接效应大于间接效应，创新环境对区域创新效率的促进作用会弥补这种不利影响，使得区域创新环境总体上对所有区域均产生辐射和带动促进作用。3种创新环境因子均对区域创新效率的提升产生显著的正向影响。

综上，区域创新环境会显著促进区域创新效率的提升和创新发展，针对我国创新资源配置效率低下、创新环境发展不均衡、区域间存在行政壁垒等诸多现实问题，如何优化资源空间分布和创新环境的培育，是目前亟须解决的问题。因此，根据实证研究结论，提出如下政策建议。

第一，创新环境完善的东部地区应继续发挥其创新发展的引领作用，辐射和带动周围地区改善创新环境。中部地区是中部崛起战略的实施区域，然而其创新环境水平明显低于东部区域，需要继续加大对教育和科研的培育力度，以各种人才政策、优惠政策、研发补贴等培育创新环境，从而缓解创新环境相对完善地区对本地创新资源的虹吸导致的本地资源的大量流失，以促使中部地区创新高速发展。西部地区创新投入严重不足，创新支持环境仍处于发展阶段，导致研发人力资本、物质资本匮乏，科研成果产出转化存在巨大障碍，需要依靠发达地区创新环境的溢出影响和自我完善，并通过不断加快基础设施建设、人才培养、资金投入等，使创新资源得到充分利用，创新环境得到进一步优化。

第二，需要进一步完善政府职能，发挥政府在创新支持和服务过程中的作用，展现其政策制定者和实施者的优势，为创新发展提供良好的政策环境和科技财政支出资金支持，不断加大教育资源投入，培养高素质科研人才。此外，各地区发展还需要加大研发经费，引进国外先进技术，增加技术改造的经费投入，积极吸收国内外资本和先进技术，以解决区域创新资源不足导致的创新成果缺乏、创新效率低下的问题。

第三，加快推进科技体制改革，充分利用各种创新资源促使产业结构转型升级，淘汰落后生产设备，向着高技术含量、高附加值和知识密集产业转变，实现创新驱动区域乃至全国经济的全面发展；加强政府、企业、高校和科研机构之间的科研交流和互动合作，加大创新投入以及加快完善科研成果产出与转化机制，缓解要素流动和科技成果产出与转化的障碍，加速本区域创新发展并带动邻近区域的协同发展和创新水平的提升。