空间自相关分析

　　中国新能源汽车产业有效专利在城市间存在一定的空间集聚现象，并且集聚程度有上升趋势。由表3可知，2011—2015年和2016—2020年中国新能源汽车专利的全局莫兰指数均通过了5%的显著性检验，并且莫兰指数均为正值，但整体较低，这表示中国新能源汽车的专利在城市间存在较弱的空间集聚现象。相较于2011—2015年，2016—2020年的莫兰指数有所提升，这也反映出随着更多城市参与到新能源汽车的研发中，专利申请的空间集聚现象逐渐凸显。

　　图2进一步说明了专利申请的空间集聚现象具体的空间分布特征。① 与北京市邻近的天津市、保定市和张家口市均为“高-高”聚类地区，但同时也存在唐山市、廊坊市等“低-高”聚类地区。这反映出北京市作为新能源汽车研发的核心城市，对其邻近城市具有一定的知识溢出效应，但其溢出具有较为明显的指向性——虽然部分城市对于北京市地理邻近，但北京市知识溢出并没有对其产生较为明显的影响。② 在长江三角洲城市群地区具有显著新能源汽车专利空间集聚现象，以上海市、南京市、杭州市和宁波市等为代表的城市形成了“高-高”聚类的连片区。同时，比较2011—2015年和2016—2020年的局部莫兰指数空间格局可以发现，在2011—2015年，属于“高-高”聚类的城市外围存在大量属于“低-高”聚类的城市，主要分布于浙江省南部、江苏省北部和安徽省东部;而随着新能源汽车产业的发展，这些城市逐渐从“低-高”聚类转变为“高-高”聚类，“低-高”聚类区进一步向外围延伸，这表现出显著的依托地理邻近性的知识溢出效应。③ 广东省西部、广西壮族自治区和云南省存在连片的“低-低”聚类区。这3个省份均拥有一定的汽车制造业基础，但涉及新能源汽车的企业相对较少。尽管广东省拥有比亚迪等重要新能源汽车企业，但其知识溢出也仅局限于粤港澳大湾区，难以产生较为明显的地理邻近上的知识溢出。

　　溢出效应的显著性分析

　　根据莫兰指数结果可知，中国新能源汽车产业可能存在一定的溢出效应。因此，本研究进一步利用空间杜宾模型对中国新能源汽车产业的空间溢出效应进行测度。现有研究指出，显性知识与隐性知识拥有不同的传播方式：隐性知识通常以非正式传播方式进行传播，其传播距离限制较强，而显性知识更容易以多种方式实现跨地区的传播，二者互为补充。此外，多维邻近性也强调了在地理邻近外，也存在诸多其他邻近性。因此，在模型构建时，本研究以各城市专利数量作为被解释变量，城市人均国内生产总值(GDP)、规模以上工业企业R&D资金投入和科学技术支出等10项指标作为解释变量;在设置网络邻接矩阵的基础上，同时分别设置了城市空间距离矩阵和空间邻接矩阵作为对照，来衡量城市间空间邻近关系、空间距离关系与网络邻近关系对新能源汽车产业溢出效应的影响。

　　基于不同空间矩阵的中国新能源汽车产业空间溢出效应结果表示：① 中国新能源汽车产业的创新发展整体上并未形成向邻近城市的溢出效应。在基于城市距离关系和邻接关系的溢出效应中，空间自回归系数(rho)均不显著，这表示2011—2020年中国新能源汽车产业的创新活动并没有在全国尺度上形成显著的城市向邻近城市溢出的情况。② 中国新能源汽车产业的创新发展存在一定的网络溢出效应。网络溢出效应的rho在1%水平下显著且为正，表示2011—2020年中国新能源汽车产业的创新活动在城市网络中具有一定的正向溢出。③ 企业的R&D投入在推动新能源汽车产业的创新发展中发挥了重要的促进作用。在主效应中，规模以上工业企业R&D经费内部支出同新能源汽车专利数量呈显著的正相关，而在进一步的效应分解中，市域内规模以上工业企业R&D经费内部支出在直接效应中仍同新能源汽车产业专利数量呈显著的正相关，但间接效应并不相关。这表示企业在当地R&D经费投入虽然对当地的新能源汽车创新活动有一定的促进作用，但也未产生显著的溢出效应。

　　因此，由上述分析可知，新能源汽车企业是当前中国进行新能源汽车创新活动的主体。但一方面中国新能源汽车产业发展仍处于初期，并未形成相对健全的产业体系;另一方面则是新能源汽车的研发有较高的技术门槛，企业间的合作难以开展。中国新能源汽车产业创新网络的结网比例及其下降趋势也表示，大部分新能源汽车的研发基本由企业独立完成。这使得中国新能源汽车在2011—2020年并未产生显著的溢出效应，仅在长江三角洲城市群地区有一定的创新活动的集聚现象。

　　结论与建议