空港与城市创新能力相关性研究—— 基于动态面板数据

马亚华，杨 凡

(上海师范大学 商学院，上海 200234)

一、空港与城市技术创新

空港不仅仅为所在区域执行交通运输职能，而且作为一种特殊的区位优势对城市经济发展具有战略意义。如其他基础设施一样，空港可以通过提供多样化的现代服务影响城市经济。这种影响可分为衍生效应(tertiary effects)和永久效应(perpetuity effects)。衍生效应是指出于融资、时间或信息成本的节约，优质的航空运输服务能对某些创新能力强、经营范围分散的高端行业产生强烈吸引，如以跨国公司总部为代表的现代商务服务业，以及信息技术、生物技术、电子科技等某些产品体积小、附加值高的高端制造业等，从而使大型空港城市成为发展这类行业的优质区位。Bel等人证实了航空运输导致的时间节约和知识溢出对于企业总部的重要性(Bel and Fageda, 2008)，Button(1999)、Brueckner(2003)、Green(2007)和Percoco(2010)等人对空港与城市服务业和高科技产业发展之间的关系进行了实证研究，并得出空港对提升城市产业发展水平具有强烈推动作用的结论。永久效应是指航空服务为城市带来规模经济、范围经济和集聚经济，并通过提升城市间的知识流动性，使空港成为城市经济的催化剂和助推器。Cohen(2003)曾验证空港对城市制造业成本下降和生产率提升的效应，而这种成本节约和效率提升同时来自衍生效应和永久效应。

随着知识经济和后工业化时代的来临，技术创新对区域可持续发展的重要性愈发凸显。而城市作为产业和人口高度集中的地区，历来是区域研发(R&D)和技术创新(technical innovation)的中心，自然成为研究技术创新的“天然实验室”(Lucas R.S, 1988)。在此背景下，有必要超越空港对城市经济发展一般意义的研究，在更高层面探讨空港对城市创新的作用。一方面，空港作为全球化运输网络的重要节点，赋予所在城市更强的汇聚资本和知识精英等创新资源的能力，从而为城市研发活动奠定更加充分的物质基础；另一方面，空港提高了地区间的连通性(connectivity)，使知识精英的远距离旅行和面对面交流变得更加容易，从而诱发了城市间广泛的知识传播(knowledge distribution)和知识溢出(knowledge spillover)，而这种溢出应与创新有着较强的关联性。基于上述逻辑，我们推测，空港理应成为城市创新的助推器，拥有空港尤其是国际枢纽性空港的城市理应拥有远超一般城市的技术创新能力。本研究拟用空港客流量作为空港规模的代理变量，采用面板数据分析方法，探讨空港的永久效应对城市创新的影响。

二、模型与变量说明

(一)关于知识生产函数

对于本文实证分析的模型方程，可以借鉴国外学者所提出的知识生产函数(Knowledge Production Function, KPF)。知识生产函数最初是Griliches(1979)在利用生产函数估算R&D对于经济增长的贡献时提出的，可以简单表述为：

R&Doutput=F(labor,capital,R&Dinput,u)

(1)

其中，labor和capital都是传统的要素投入，R&Dinput表示当前的技术知识水平，可以由过去和现在的研发支出(research and development expenditure)来衡量。u表示对产出不可观测的其他决定因素。

后来经Jaffe(1989)完善后形成了Griliches-Jaffe知识生产函数模型，利用该模型分析了大学研究溢出对企业专利和区域创新的影响。含两种要素投入的修正的柯布道格拉斯(Cobb Douglas)模型：

lnPi=β1lnIi+β2lnUi+εi

(2)

其中，P表示有经济价值的新知识，I表示企业研发活动，U表示大学研发活动，ε是随机误差项。Jaffe(1989)认为，作为一个经验模型，知识生产函数的适用范围非常广泛，可以应用于从国家到企业各个层面的有关知识生产和技术创新的研究当中。同时，大量实证研究结果证明知识生产函数确实存在。知识生产函数把创新投入和创新产出联系起来，有助于探明不同创新系统促进知识生产和创新的动力及影响因素。因此，知识生产函数已成为分析区域知识流动和检验其对区域创新影响的常用且有效的工具。

为了量化航空客流对城市创新的影响，本文将结合Brueckner的分析框架(Brueckner, 2003)和Griliches-Jaffe知识生产函数来考察城市的创新能力，并提出如下函数形式：

CityInnovation=F(AirlinePassager,X)+ε

(3)

其中，CityInnovation是指城市创新，AirlinePassager是指航空运输的客流，X是一系列影响城市创新的外生变量，ε是随机误差项。上式表明，在控制住外生变量X的前提下，不同城市的创新能力会随其航空客流量不同而出现差异，而航空客流量则取决于城市空港的规模和层次。进一步，本文采用Griliches-Jaffe知识生产函数的柯布—道格拉斯(Cobb-Douglas)形式构建计量模型：

(4)

其中，α和γ是弹性系数，i为城市序号，其他符号含义不变。

(二)模型构建

创新作为一种新知识的生产过程，其投入涉及创新的人力、物力、财力及制度等方面因素。本文将城市创新水平定义为城市内的微观主体(如企业、研究机构、院校或家庭个人等)在给定创新投入和外部环境的条件下实现创新成果的能力。故根据式(3)，本文提出如下具体分析框架：

patent=F(airport,density,rd,fdi,scale,envi,human)

(5)

式(5)中：patent是被解释变量，反映城市创新的产出水平；airport为本文研究的解释变量，表示城市空港客流量。尽管城市创新与航空货运也有关，但考虑到在回归分析中货运与客运之间可能存在共线性，本文没有把货运量也作为一个解释变量。此外，本文还选取density、rd、fdi、scale、envi和human等多个控制变量。其中，density是城市人口密度，反映城市内集聚程度；rd是创新资金投入，可以是政府的财政科研支出，也可以是企业的研发投入；fdi是城市所接受的外来直接投资量，反映城市的开放度、包容度和对新知识引进和学习能力；scale是城市规模，因为创新需要一定的经济基础作为支撑；envi是城市环境，优美的环境对企业和高级人才更具吸引力；human是城市的人力资本存量。

根据式(4)，本文采用扩展的柯布—道格拉斯(Cobb-Douglas)生产函数形式，对等式两边取自然对数。这样不仅可以做到无量纲化，减少异方差，提高经济数据的平稳性，而且模型中的系数具有明确的经济含义，即因变量对自变量的弹性。考虑到创新水平的提升是一个累积的过程，当前的创新水平很可能依赖于过去的水平，因此我们引入被解释变量的滞后项，从而将其扩展为一个动态模型。由于本文研究样本是横截面较大(29个个体)、时间维度较小(5年)的短面板数据，故采用被解释变量的一期滞后模型。其形式如下：

ln patentit=β0+β1ln patentit-1+β2ln airportit+β3ln densityit+β4(ln densitit)2+β5ln rdit+β6ln fdiit+β7ln scaleit+β8ln enviit+β9ln humanit+ui+vit

(6)

式(6)中：i、t分别表示城市和年份；ln表示取自然对数，β0为截距项，μi表示不可观测的城市效应，νit代表随机扰动项；ln patentit-1表示被解释变量的一期滞后值，即t-1年i城市的创新水平，该变量用以反映城市创新水平变化的延续性。另外，为考察城市密度与城市创新水平之间是否存在“倒U”型关系，本文引入了城市密度的平方项，即(ln densityit)2。

(三)变量说明

对于文中被解释变量城市创新水平(ln patentit)，不少学者以当年该城市的专利数进行衡量，虽然这种衡量标准有一定的缺陷，例如有些创新没有申请专利等，但相对于新产品销售额等其他指标而言，专利数量仍是反映创新活动成果的较好度量标准(Cheung and Lin, 2004; Pessoa, 2005)。经综合考虑，本文中的专利数量采用城市的专利授权量，包括国内发明专利申请授权量、实用型专利申请授权量和外观专利授权量，而非专利申请量，尽管授权数量易受专利审查机构审查能力的影响。

关于解释变量和控制变量，本文说明如下：ln airportit用城市空港的年旅客吞吐量进行度量；参考Ciccone等人(1996)的方法，本文用每平方公里第二、三产业的就业人口数量表示城市密度ln densityit；由于不同城市企业研发投入的统计口径不同，ln rdit用政府财政支出中科技支出金额来表示；ln fdiit是指城市实际使用外来直接投资金额，FDI为城市提供的不仅是资金和就业机会，更重要的是先进的技术和管理理念；对于ln scaleit，本文用城市当年生产总值(GDP)表示；ln enviit用城市建成区绿化覆盖率来表示；关于城市人力资本ln humanit，尽管度量方法较多，如劳动者报酬法、教育经费法、学历权重法以及教育年限法等，考虑到数据可得性，本文用普通高等院校专任教师数量来表示。

三、数据来源

由于只有大型枢纽空港才具备集聚高端人才资源的能力，并且作为创新节点的城市应当具备一定的经济基础，所以本文选择我国35个大中型城市作为潜在的研究对象。但是由于北京、上海和深圳的常住人口和户籍人口有巨大差异，在测算城市密度时难以与其他城市相匹配，海口作为旅游城市属于异常样本，而西宁和银川授权专利数据缺失，因此将这6个城市从原样本中剔除，最终选取29个城市作为研究样本。这些城市规模不一、区位各异，具有较强的代表性。另外，针对我国宏观经济数据存在的质量和数量问题，为保证样本数据的可得性和有效性，本研究时间跨度为2006至2010年，数据来源则为《中国城市统计年鉴》、《国民经济和社会发展统计公报》以及《从统计看民航》。各主要变量的描述性统计见表1。

需注意的是，年鉴上的城市口径并不是指地理学上的城市化区域，而是一个行政区划单位，管辖以一个集中连片或者若干个分散的城市化区域为中心，大量非城市化区域围绕的大区域。鉴于这一差异，目前《中国城市统计年鉴》对地级市以上城市分别列出“市区”和“市辖区”两列数据，其中“市区”包括市辖区和下辖县、县级市，市辖区则包括城区、郊区。由于市辖区是一个城市经济活动的主体区域，比“市区”更接近于本文的研究对象，所以本文使用的数据为城市统计年鉴中“市辖区”的统计指标。

表1 各主要变量描述性统计

资料来源：根据2006～2010年各城市统计公报、《中国城市统计年鉴》和《从统计看民航》相关数据整理.

四、计量方法及结果

(一)估计方法

对方程式(6)进行估计的关键在于如何解决各变量内生性的问题。对模型进行估计的前提条件是各个解释变量须与误差项νit的过去、现在和未来值均不相关，即所有解释变量应为严格外生变量。而事实上，在上述方程式中，这种严格意义上的外生关系并不成立。其原因：一是方程右边的解释变量包含了被解释变量的一期滞后项；二是受多种因素限制，遗漏变量在所难免，而经济变量之间多少都会有一些相关性，这就导致包含遗漏变量的误差项与现有解释变量相关；三是计量方程中还可能存在反向因果性问题。这些都将导致内生性问题，使得直接采用固定效应模型的 LSDV估计量或者随机效应模型的FGLS估计量得不到一致的参数估计。

解决内生性问题的有效方法是寻找合适的工具变量，例如在动态面板估计中可用滞后变量作为工具变量。本研究样本数据的横截面和时间序列均较短，本文拟采用系统广义矩(Sys-GMM)的估计方法。该方法通过充分利用小样本信息，使小样本偏误明显降低，在新增工具变量有效的前提下，其估计结果比差分广义矩(Diff-GMM)估计更有效。同时，鉴于在有限样本条件下，一步(one-step)估计法较两步(two-step)估计法更为可靠，本文最终采用一步系统广义矩(one-step Sys-GMM)估计法。

关于工具变量的设置，本文进行如下处理：由于我国高校以公办高校居多，普通高校专任教师数(ln humanit)的招聘和编制均有严格的规定或限制，同时建成区的绿化覆盖率(ln enviit)是由政府规划部门在前期对城市进行建设或改造时决定的，因此将其视为外生变量；稳健起见，其他变量均视为弱外生变量，将其滞后项作为自身的工具变量。

最后，在回归结果中：(1)Wald test，以检验模型估计的整体显著性；(2)AR(l)，用于检验估计残差是否存在一阶序列相关性；(3)AR(2)，用于检验估计残差是否存在二阶序列相关性；(4)Sargan test，用于检验工具变量的合理性。在一般情况下，如果没有二阶序列相关则可断定“序列不相关”的原假设成立。

(二)估计结果及其分析

表2给出了采用一步系统广义矩估计方法对空港客流量与城市创新水平之间关系的计量分析结果。第一列显示ln airportit和ln densityit的系数估计值显著为正，但是ln rdit和ln fdiit的估计系数并不显著。考虑到科技支出和FDI对于创新水平的影响具有一定的时滞性，因此将它们的一期滞后值引入方程做进一步分析，结果如第二列所示。

在第二列中，ln rdit-1和ln fdiit-1的估计变得显著，且其他解释变量的显著性也得到了提升，估计通过 Sargan 检验、AR(1)和AR(2)检验，这说明模型设定较为理想，估计结果具有一定的稳定性。其中，ln patentit-1的估计系数显著为正，说明在缪尔达尔—赫希曼空间里由外部规模效应造成的城市创新水平的自我强化；ln airportit和ln densityit的估计系数为0.255和0.388，城市空港客流和城市密度均对城市创新水平产生了正面影响，这表明城市间和城市内的集聚有利于知识在空间内的溢出和传播，进而提升城市创新水平；ln scaleit的估计系数也显著为正，反映了城市的经济规模对于城市创新水平有较强的支撑作用；ln enviit的估计系数并不显著，说明城市环境对城市创新水平的作用还有待研究；ln humanit的估计系数也不显著，其原因可能是所用指标高校教师不能很好地表征城市人力资本状况。然而，ln rdit-1和ln fdiit-1的估计系数为负，似乎表示政府的科技支出和FDI对于我国主要城市的创新水平具有负面影响。究其原因，本文认为我国城市吸收和利用的FDI规模虽大，但质量不高，被锁定在“微笑曲线”低端的制造部分，能够用来弥补“就业缺口”和“资金缺口”，但暂时无法引导技术进步。其他学者在研究FDI效应时也曾得出类似结果，但认为外资的引入加剧了人才流失或技术依赖，对本土的创新水平提升产生了挤出效应(Aitken, 1999)。而政府直接参与创新活动，可能导致资源误配的程度加深，使得创新产出低效，进而抑制创新水平提升。

显然，由于空间阻滞效应的存在，城市创新水平与创新要素和创新活动的空间集聚高度相关。空港客流能够引起创新要素在城市间的集聚(intercity agglomeration)，而这种集聚是对城市密度所度量的城市内集聚的补充。因此我们猜测，如果排除空港因素，外部集聚效应将由内部集聚效应表达，可能会造成对城市密度与城市创新之间系数的高估。第三列是剔除了ln airportit后的估计结果，其中的数据证实了这一猜想。

表中第四列是引入城市密度的平方项的估计结果。如果城市密度过大，公共物品无法充分供应反而带来拥挤成本，要素在空间上的进一步集中反而会对城市创新产生不利影响。ln densityit的估计系数为正，(ln densityit)2的估计系数为负，表明“倒U”型关系存在，但是并不显著，说明现阶段我国城市基础设施普遍供给充足，人口城市化将进一步促进城市创新水平的提升。

表2 影响城市创新水平的面板模型估计结果

注：本表估计结果通过stata12.0软件实现，括号内数字为回归估计系数的标准差，*、**和 *** 分别表示 1%、5%和 10%的显著性水平.

五、结论及启示

通过研究，本文发现：在控制住城市的非农就业人口密度、经济基础、人力资本、科技支出、外商直接投资以及环境因素后，城市空港规模对城市创新水平有着显著的正面影响。同时还发现，城市内部集聚与城市创新水平之间存在“倒U”型关系，但并不显著。由此可知，随着空港的航班数量的增加、服务质量的提升以及航空成本的下降，城市间的人员往来会更为频繁，面对面交流的机会增加，这将强化生产要素的城市间集聚，促进隐性知识的扩散和溢出，推动城市创新水平提升。笔者认为，对空港的研究结果可以应用到铁路运输和公路运输等其他运输形式上，只是其他形式的运输枢纽对城市创新的促进可能不如航空运输那么显著。过去世界大城市的发展先后依托内河航运、海运、铁路和高速公路，而伴随着知识经济时代的到来，空港将成为未来城市尤其是国际大都市最重要的区位优势。当前，以长三角、珠三角以及京津地区为代表的我国沿海地带的经济发展已开始向后工业化阶段过渡，对这些地区而言，通过培育新的部门和空间增长点实现发展战略转型已成为一种历史必然。本文的研究结果在一定程度上实证了城市空港的永久效应对城市创新的积极影响，对这些地区的决策者可能会有所启发：临空经济可能代表着都市发展的未来。

[1]Bel G, Fageda X. Getting there fast: globalization, intercontinental flights and location of headquarters [J]. Journal of Economic Geography, 2008, 8(4): 471-495.

[2]Button K, Lall S. The economics of being an airport hub city [J]. Research in Transportation Economics, 1999, 5: 75-105.

[3]Green R K. Airports and economic development [J]. Real Estate Economics, 2007, 35(1): 91-112.

[4]Brueckner J K. Airline traffic and urban economic development [J]. Urban Studies, 2003, 40(8): 1455-1469.

[5]Percoco M. Airport activity and local development: Evidence from Italy [J]. Urban Studies, 2010, 47(11): 2427-2443.

[6]Cohen J P, Morrison Paul C J. Airport infrastructure spillovers in a network system [J]. Journal of Urban Economics, 2003, 54(3): 459-473.

[7]Lucas Jr R E. On the mechanics of economic development [J]. Journal of monetary economics, 1988, 22(1): 3-42.

[8]Griliches Z. Issues in assessing the contribution of research and development to productivity growth [J]. The Bell Journal of Economics, 1979: 92-116.

[9]Jaffe A B. Real effects of academic research [J]. The American Economic Review, 1989: 957-970.

[10]Cheung K, P Lin. Spillover Effects of FDI on Innovation in China: Evidence from the Provincial Data [J]. China Economic Review, 2004, 15 (1): 25-44.

[11]Pessoa A. “Ideas” driven growth: the OECD evidence [J]. Portuguese Economic Journal, 2005, 4(1): 46-67.

[12]Ciccone A, Hall R. Productivity and the Density of Economic Activity [J]. American Economic Review, 1996, 86(1):54-70.

[13]Aitken B, A Harrison. Do Domestic Firms Benefit from Direct Foreign Investment? Evidence from Venezuela [J]. American Economic Review, 1999, 89(3), 605-618.