科技金融对生产性服务业与制造业协同集聚的影响研究

张玉华，张　涛

(上海师范大学商学院，上海　200234)

一、引言与文献综述

互联网的快速发展，促使世界范围内兴起了一场新科技革命，我国为迎接德国“工业4.0”与美国国家制造创新网络等挑战，提出了“中国制造2025”战略，并强调要将科技金融作为建设创新型国家的重要手段。而生产性服务业与制造业协同集聚发展，需要科技金融给予其人力、技术、资金等方面的支持。那么，哪些科技金融因素对生产性服务业与制造业协同集聚有显著影响？两产业协同集聚发展是否具有空间效应？哪些措施能够在提高两产业协同集聚水平的同时缩小不同省份间的差距？显然，研究科技金融如何促进生产性服务业与制造业协同集聚，具有重要的理论与现实意义。

近些年关于生产性服务业与制造业协同集聚发展的研究一直被学术界高度重视。刘书瀚等(2010)运用投入产出的分析方法证明了我国生产性服务业与制造业之间的联动发展程度较低，两者存在很大的融合发展空间[1]。高觉民等(2011)运用联立方程模型证明了生产性服务业与制造业存在联动发展关系[2]。陈建军等(2011)以浙江省的区域产业分布为研究对象，从空间角度分析了生产性服务业与制造业协同定位关系[3]。Yang等(2013)认为随着经济结构服务化程度的加深，生产性服务业不仅可以连接各种经济活动，而且还能提高制造效率[4]。吉亚辉等(2017)认为生产性服务业集聚能够创造出更多的服务门类，优化服务环境，从而有效提高工业厂商的生产效率，更有助于促进生产性服务业与工业互动创新[5]。任皓等(2017)研究发现知识密集型服务业与高技术制造业具有明显的协同增长效应[6]。程中华等(2017)运用空间杜宾模型证明了生产性服务业促进了本地区和周边地区的工业效率[7]。随着产业结构转型升级问题日益突出，为从空间区位的角度分析产业集聚的特征，国内外学者将新地理经济学应用到产业集聚的研究领域，并从专业化分工、交易成本等角度分析了生产性服务业空间集聚对制造业效率的影响[8]。但也有学者提出了生产性服务业集聚机制与耦合悖论的问题，对此，吴福象等(2014)认为我国在国际分工中过度依赖加工贸易，阻碍了生产性服务业集聚，从而导致我国生产性服务业与制造业未协调发展[9]。

我国高新产业发展水平仍落后于美、欧等发达国家，对此我国提出从要素驱动、投资驱动转向创新驱动的战略发展方向。科技金融能够促使生产要素的重新组合，从而优化我国科技和金融资源的配置效率，是深化我国自主创新发展和金融体制改革的新生事物。房汉廷(2015)的“本质论”理论认为，科技和金融是创新经济发展的内在动因，科技创新与金融创新的耦合发展，促成了新的产业、新的社会组织模式[10]。季菲菲等(2013)从空间经济学的角度说明了区域科技金融发展能够促使产业结构轻型化以及创造新的产业空间[11]。章奇(2016)实证研究了科技创新与第二产业结构调整的关系，结果显示科技金融是产业联动发展的主要影响因素之一，且科技创新有利于促进第二产业结构升级[12]。Wang等(2016)以1646家制造企业和686家服务性公司的样本进行实证研究，结果表明，市场化创新机制分别对服务企业和制造业企业的服务创新和产品创新产生积极影响，而这种影响受企业技术创新能力的调控[13]。从全球竞争力报告中我们也可以看出，美、英等西方发达国家，均利用较高的科技金融发展水平集聚生产性服务业，从而促进制造业向高端发展。在开放式创新背景下，科技金融的发展促进了知识信息在不同空间上的流动，提高了我国信息化水平，加剧了区域知识集聚，从而促进了生产性服务业集聚。盛丰(2014)采用空间计量的实证方法，证明了生产性服务业集聚有利于相邻地区制造业升级，并提出区域基础设施水平的提高促进了生产性服务业的集聚水平[14]。

由上述文献可知，国内外学者的研究大多集中于人才、资本、技术等对生产性服务业与制造业协同集聚的支撑作用，很少从科技金融的不同方面研究其对两产业协同集聚的作用效果。另一方面，多数相关研究忽视了空间因素的影响，而且仅停留在静态分析层面。基于此，本文在模型中纳入滞后期的生产性服务业与制造业协同集聚指数作为解释变量，从而更准确地研究分析科技金融对两产业协同集聚的长期作用效果。

二、计量模型选择

科技金融资源的时空配置可以集聚要素资源，提高产业技术创新效率，从而促进生产性服务业与制造业协同集聚，加速实现我国经济结构转型。另一方面，科技金融水平的提高促进了区域间人才和信息的流动，有利于行业间技术、知识交流，推动了地区产业发展。因此，生产性服务业与制造业协同集聚水平在地理空间上存在一定的相关性，我们在模型中引入空间因素更具有说服力。对此，我们选用空间面板模型来研究区域间科技金融对生产性服务业与制造业协同集聚的直接和间接溢出效应。与空间滞后模型和空间误差模型相比，空间杜宾模型既考虑了自变量的空间相关性又考虑了因变量的空间相关性。本文的研究是在考虑自身和近邻个体初始科技金融水平的基础上，分析空间单元个体的生产性服务业与制造业协同集聚对相邻单元个体两产业协同集聚的影响。Elhorst[15](2010)的研究表明，此类问题适合利用动态空间杜宾模型(SDM)来分析，因此本文设定模型如式(1)。

(1)

其中，上式选取的空间权重矩阵wij为空间邻接权重矩阵，即若i省与j省有相邻边界则取wij=1，反之，无相邻边界时取wij=0。ρ为空间自相关系数，X为对应的科技金融指标和控制变量，β为相对应的变量系数，γ为相对应的变量的空间效应系数，μi和vt分别为空间和时间固定效应，εit为误差扰动项。

将式(1)进行转换可得：

LAGGLOit=(I-ρW)-1τLAGGLOi,t-1+(I-ρW)-1(βXit+γWXit)+(I-ρW)-1(μi+vt)+(I-ρW)-1εit

(2)

其中，W为空间权重矩阵。

LeSage等人(2008)提出可以用偏微分的方法衡量区域间自变量发生变化时的平均溢出效应[16]。随后Elhost(2010)将这种方法加以扩展，应用到动态SDM模型中。由公式(2)可知，在特定时点上，解释变量X中第K个解释变量从区域1到区域N对应的LAGGLO期望值的偏导数矩阵为：

(I-ρW)-1[β1kIN+β2kW]

(3)

这些偏导数表示一个特定区域的某个解释变量的变化对其他区域因变量的影响。同理，可得到长期效应如下：

[(1-τ)I-ρW]-1[β1kIN+β2kW]

(4)

三、变量说明与数据描述

(一)变量选择和测算

1、被解释变量。生产性服务业*本文选取“交通运输、仓储和邮政业”、“信息传输、软件和信息技术服务业”、“金融业”、“租赁和商业服务业”和“科学研究和技术服务业”代表生产性服务业。与制造业协同集聚发展是适应我国新型工业化发展，加速产业升级的必然趋势，从本质上来讲其属于一种特殊的产业集聚现象。对于衡量产业集聚的方法，国内外研究成果较多，目前被广泛使用的衡量指标有赫芬代尔系数、基尼系数以及区位熵与标准化区位熵等。由于本文主要侧重行业和区域大小的影响，本文借鉴Holmes等[17](2002)的方法，使用区位熵作为生产性服务业聚集和制造业集聚的衡量指标，这一衡量方法将给定区域产业的就业相对集中度与全国产业就业的相对集中度进行比较。具体计算方法如下：

(5)

其中Lij代表j地区i产业的集聚指数，Xij代表j地区i产业的从业人数，Yj代表j地区全部从业人数，Xi代表全国i产业的从业人数，Y代表全国的全部从业人数。

互联网时代，生产要素和商品在区域间更加频繁地流动，从而相邻区域间的空间依赖性对相关产业的集聚发展具有重要的影响。本文考虑到生产性服务业与制造业之间的空间效应，并借鉴Ellison等[18](2010)以及张虎等[19](2017)的方法，构建协同集聚指数，如式(6)所示。

(6)

其中，LAGGLO为生产性服务业和制造业协同集聚指数，Lmanu为制造业集聚指数，Lpros为生产性服务业集聚指数。

综合上述式(5)和式(6)的计算方法，我们可以得出全国各地区生产性服务业和制造业协同集聚指数。鉴于我国区域发展水平不均衡的特性，本文进一步计算得出2005-2015年我国生产性服务业与制造业协同集聚指数，并对全国各地区的生产性服务业与制造业协同集聚水平进行时间序列描述(见图1)，以此来对比我国区域间两产业协同集聚水平的差异。

结合图1我们可以看出，上海、北京、天津、广东、辽宁、江苏、浙江的生产性服务业和制造业协同集聚水平明显高于其他省份，而西藏、新疆、贵州、云南等西部偏远地区两产业协同度连年处于较低水平，可能是由于西部地区技术创新不足，高端制造业发展缓慢，与生产性服务业在产业结构上存在不匹配现象。

图1　2005-2015年各地区平均生产性服务业与制造业协同集聚指数排序注：横坐标数字1-30分别表示北京、天津、河北、山西、内蒙古、辽宁、吉林、黑龙江、上海、江苏、浙江、安徽、福建、江西、山东、河南、湖北、湖南、广东、广西、重庆、四川、贵州、云南、西藏、陕西、甘肃、青海、宁夏、新疆。

2、解释变量。科技金融是促进科技开发、成果转化和高新技术产业发展的一系列金融工具、金融制度、金融政策与金融服务的系统性、创新性安排[20]。科技金融的内涵丰富、规模范围较广，加之我国独具特色的社会主义经济体系，所以单一的指标显然很难客观全面地衡量我国科技金融发展水平。基于以上情况，本文借鉴张玉喜[21]等(2015)、黄继忠[22]等(2014)的研究成果，选取科技经费投入、政府科技支出、金融机构科技贷款和创业投资支持作为衡量科技金融的指标：(1)科技经费支出。衡量企业研发投入的力度，用研发经费支出占GDP的比重表示，记为STFUND。(2)政府科技支出。衡量政府对高科技企业创新发展的支持力度，用科技活动所筹经费中政府投入占比表示，记为FISC。(3)金融机构科技贷款。衡量金融机构对科技企业发展的支持力度，用科技活动所筹经费中金融机构贷款占比表示，记为FILOAN。需要说明的是，2008年之后《中国科技统计年鉴》不再报告金融机构贷款的数据，本文借鉴白俊红等(2015)的计算方法[23]，利用研发资金减去政府、企业和国外的资金来作为金融机构科技贷款额。(4)创业投资支持。衡量科技企业金融市场融资力度，用创业投资额占科技经费支出的比重来表示，记为VC。

3、控制变量。根据曹颢[24]等(2011)的研究，除以上科技金融指标外，科技人力资源与专利拥有量也会促进企业创新发展。因此本文选取以上两指标作为控制变量，用地区从业人员中科技活动人员占比表示科技人力资源，记为HR，科技人员流动带来的知识溢出效应，能够改善生产性服务业和制造业的专业化服务能力和创新技术能力。用万人专利申请授权量表示专利拥有量，记为PATENT，不仅刻画了地区高新技术集聚程度和专业化程度，更体现了区域技术创新能力。

(二)数据描述性统计

由于数据的可得性和完整性，本文选取的数据时间跨度为2005-2015年，横截面个体为30个省市*由于本文使用空间邻接权重矩阵，而海南省四面环水无邻接省市，故删去此样本，港、澳、台由于数据缺失，删去此样本。，文中涉及到的变量数据均来源于2006-2016年的《中国科技统计年鉴》、《中国统计年鉴》以及私募通数据库。对原始数据做描述性统计如表1所示。

表1　变量的描述性统计

四、实证检验与结果分析

(一)空间相关性检验

根据上文构建的生产性服务业与制造业协同集聚指数，首先检验其全局相关性。Cliff等人[25](1973)最早提出了Moran’s I指数用于检验邻近地区间的全局空间相关性，计算公式如下：

(7)

通过表2可以看出，各年度的生产性服务业与制造业协同集聚指数均在1%的显著性水平下显著且均为正值，说明我国生产性服务业与制造业协同集聚具有明显的区域关联性。从时间趋势上看，2009年以前Moran’I值呈现逐渐递增趋势，但2009-2013年之间一直处于波动状态，2013年之后恢复平稳上升的趋势，说明了我国近几年区域间、产业间频繁转型演化的现象。这也与张虎[19]等(2017)得到的结论一致。中国进入世界贸易组织以来，我国产业得到迅速发展，生产性服务业与制造业不断集聚，其协同集聚水平也在不断上升。但受2008年金融危机的影响，全球经济低落，实体经济得不到资金支持，导致产业发展受到严重损害，直接导致了产业集聚水平下降。为应对金融危机对我国经济发展带来的冲击，国家实施了一系列宏观调控政策，也取得了一定的效果。2013年以来，我国逐步开始实施创新驱动发展政策，大力发展科技金融，促进制造业向高端发展，有效提高了产业集聚水平。

表2　生产性服务业与制造业协同集聚指数Moran值

为进一步检验我国局部地区间生产性服务业与制造业协同集聚的空间相关性，本文选用Anselin[26](1995)提出的局部Moran’I指数来衡量某一区域与它相邻区域间的空间关联程度(见图2)。

由图2我们可以看出，高-高和低-低集聚为我国生产性服务业与制造业协同集聚的主要现象，而且区域差异化现象明显，东部沿海省份大多处于高高集聚区，西部省份大多处于低低集聚区。对比2005年和2015年的局部Moran’I指数散点图可知，我国局部生产性服务业与制造业协同集聚的空间分布比较稳定，大多数西部省份稳定在第三象限，十年间很少有转移现象。值得注意的是第二象限部分省份经过不断发展，已转移到第一象限区域，达到高高集聚的水平。说明我国生产性服务业与制造业协同集聚水平存在明显的两极化现象，东部沿海地区的产业协调集聚发展带动了处于第二象限过渡区省份的发展，同时也造成国内优势资源集聚于东部沿海一带，致使处于低低集聚区的中西部地区资源更加贫瘠，产业协同集聚缺乏增长动力，不利于我国区域均衡化发展战略的推进。

(二)科技金融对生产性服务业与制造业协同集聚的影响分析

鉴于Elhorst(2012)提出无条件ML方法估计动态空间面板模型比较有效率[15]，本文利用软件Stata 14.0对各变量作标准化处理，并使用聚类稳健的ML方法对静态和动态空间杜宾模型进行估计，最后依据Hausman检验结果与拟合优度效果选择空间和时间固定的动态SDM模型来分析报告结果*由动态SDM回归可知变量STFUND、FISC、FILOAN和VC的空间滞后项不显著，故在模型估计时去掉这四个空间滞后项[27]。。为了更好地对比分析，本文给出了系统GMM模型估计结果和静态SDM模型的回归结果(见表3)。

图2　2005年(左)和2015年(右)的局部Moran’I指数散点图

变量传统动态面板估计静态SDM动态SDML.LAGGLO0.853***(0.015).812***(0.065)STFUND0.027***(0.004)0.147(0.115)0.057**(0.029)FISC-0.00***(0.005)0.093*(0.050)0.053*(0.029)FILOAN0.024(0.004)0.009(0.016)0.013(0.010)VC0.004***(0.000)-0.003(0.004)-0.004*(0.002)HR0.140***(0.015)0.194***(0.040)0.126***(0.030)PATENT-0.07***(0.006)-0.08*(0.043)-0.05***(0.016)WxHR.177**(0.086)-0.02(0.043)WxPATENT-0.16***(0.042)-0.05**(0.019)常数项-0.03***(0.006)\rho-0.39***(0.097)0.136**(0.064)sigma2_e.021***(0.003)0.011***(0.002)对数似然值162.2820250.4204hausman72.26***70.87***

注：*、**、***分别表示在0.1、0.05、0.01的显著性水平显著；括号内为标准误；“”表示没有该估计值。

如表3所示，静态与动态SDM模型的空间效应系数ρ均在5%的显著性水平下显著，进一步说明了科技金融因素对生产性服务业与制造业协同集聚有一定的影响作用，邻接区域具有显著的空间相关性，因此本文建立的动态SDM模型是合理的。由估计结果可以看出，静态SDM模型中ρ值为负，动态SDM模型中ρ值为正，说明忽略因变量自身滞后项的影响会导致模型估计结果出现偏差，不能够有效解释科技金融对两产业协同集聚的长期经济效应。这主要是由于科技金融广泛作用于初创企业，这些企业在起步阶段占据了大量资源，而且很难保持正常盈利，对相邻地区产业协同集聚发展有一定负面作用，但长期来看，前期的基础设施投入和高新技术的积累必然会作用于当期及未来若干期，带动相邻地区产业联动发展，形成集聚化发展趋势。从动态SDM模型的回归结果看，因变量一阶滞后系数为0.812且通过了1%的显著性水平，说明生产性服务业与制造业协同集聚水平很大程度上受自身滞后变量的影响，具有明显的动态效应。因此，动态SDM模型能够更好地解释我国科技金融对生产性服务业与制造业协同集聚所产生的经济效应。由于空间杜宾模型的回归系数并不能完全反映出解释变量与被解释变量之间的关系，所以本文通过其长期和短期溢出效应来综合反映区域间科技金融对两产业协同集聚的作用效果(见表4)。

表4　动态空间杜宾模型的长期和短期溢出效应

注：*、**、***分别表示在0.1、0.05、0.01的显著性水平显著。

从动态SDM模型的总溢出效应可以看出，各变量的长期总溢出效应明显强于短期，且除金融机构科技贷款外，其余变量均具有显著的空间溢出效应，其中科技经费投入和政府科技投入为正向溢出效应，风险投资为负向溢出效应。这说明目前我国科技金融对生产性服务业与制造业协同集聚的空间溢出效应主要依赖于研发经费投入和政府科技投入，其原因主要是目前我国企业科技经费的投入远低于欧美发达国家。通过加大研发经费的投入将促进企业技术创新，从而提高企业生产效率，有利于制造业和服务业向产业链高端发展。政府科技投入给予了高风险的科技型初创企业适当的资助，促进了高科技产业的发展，且对市场资金的流动有一定的引导作用，有利于产业集聚发展。另一方面，由于我国产业发展的资金来源主要还是依靠政策性银行贷款和商业银行贷款，而高新技术产业的高风险性特点使商业银行不愿向中小高科技企业贷款，因此金融机构贷款发展受限，对产业协同集聚发展的影响不明显。风险投资近几年在我国发展迅速，但由于起步较晚，在管理体系和运行体系上还不够完善，盲目跟风投资的行为严重，未能发挥出创业投资应有的作用，因此整体上对生产性服务业与制造业协同集聚发展的作用较小。对于控制变量，科技人才的投入对生产性服务业与制造业协同集聚有显著的正向溢出效应，说明两产业协同集聚需要大量科技人才的投入以提高科技创新效率，促进产业转型升级，从而有利于两产业协同集聚发展。专利产出率表现出显著的负向溢出效应，我国研发机构多依赖于学校与研究所，而学校与研究所缺乏市场意识，与企业发展脱节严重，研究成果大多未能转化成商业技术，造成资源浪费现象严重。

从直接溢出效应看，科技经费的投入在短期和长期均会促进本地区生产性服务业与制造业协同集聚，而政府科技投入在短期内有显著的正向溢出效应，但随时间推移这种溢出效应将逐渐消失。原因是由于政府科技投入资金主要以补贴和引导基金的方式进入企业，短期内有利于企业提高生产，长期效用不大。从间接溢出效应看，不管是短期还是长期科技金融对两产业协同集聚均无显著影响，科技人力资源和专利产出率对邻近地区具有负向溢出效应，原因是科技人员和专利属于稀缺要素，本地区占据大量科技人力资源和高新技术专利资源会造成邻近地区资源匮乏，因此产生虹吸效应。

五、结论与对策建议

研究结果表明：(1)我国生产性服务业与制造业协同集聚水平较低，且各省份协同集聚水平差异较大，总体而言，上海、北京、天津、广东等东部沿海地区协同集聚水平相对较高，而西藏、新疆、云南、贵州等西部偏远地区水平较低；(2)我国生产性服务业与制造业协同集聚水平呈现空间集聚性，并且协同集聚水平很大程度上受自身前期惯性的影响；(3)研发经费投入和政府科技投入对生产性服务业与制造业协同集聚水平具有显著的正向溢出效应；(4)创业投资对生产性服务业与制造业协同集聚发展具有抑制作用；(5)我国金融机构科技贷款对生产性服务业与制造业协同集聚发展无显著影响。

基于以上研究结论，本文得出相应的政策性启示如下：

(1)实施区域协调发展战略。创新引领率先实现东部地区优化发展，中西部地区应尽量减少与东部沿海地区在产业上的竞争，避其锋芒，大力发展自身优势产业。为提高中西部地区支柱产业的竞争力，政府应制定适当的税收优惠政策与科技贷款政策，支持中西部地区创新发展，避免东部沿海地区优势产业资源集聚引起的虹吸效应对周边区域造成影响，促使各地区均衡化、协调化发展。

(2)加大基础设施投入，强化产业集聚效应对其自身发展的促进作用。随着针对建设西部的战略开始实施，东部沿海地区大量工业化、高耗能产业逐渐向中西部地区转移，中西部地区应积极建设产业结构调整需要的配套设施。同时加快完善促进生产性服务业与制造业协同集聚发展的长效机制和环境，包括健全科技金融机制和体系，完善科技金融生态环境等。

(3)加快建设实体经济、科技创新、科技金融、人力资源协同发展的产业体系，不断增强我国经济创新力和竞争力。一方面，政府应鼓励国内企业加大创新研发投入，积极探索国际科技前沿领域，并为创业企业制定税收优惠政策，促进高科技企业发展。另一方面，政府应加强对交叉领域的资金支持，投资建设大型实验室、更新科技研发设备，并打造产学研合作交流的平台，营造创新创业软环境。

(4)坚持市场在资源配置中起决定性作用的同时积极发挥政府的引导和支持作用，推进政府引导基金的发展，健全创业投资基金运行机制，利用政府引投、跟投等方式与创业投资基金合作投资创业企业。建立市场主导的科技体制，实施简政放权政策，放宽政府科技投资的支配作用，鼓励企业自主创新，从而促使生产性服务业与制造业互补发展，协同共进。

(5)完善科技银行贷款体系，建设适合现阶段中小企业发展的评价体系，解决优质中小企业融资难问题。美国硅谷银行的成功已证明科技银行在中小企业融资方面发挥着重要的作用，因此不能因为目前我国金融机构科技贷款对生产性服务业和制造业协同集聚的作用效果不明显，就忽视其作用。而我国传统商业银行体系决定了中小企业很难达到银行规定的贷款要求，因此，政府需要完善科技银行体系，加大科技银行建设的优惠政策，促进科技银行的发展，从而促进我国高新产业发展。

参考文献：

[1]刘书瀚, 张瑞, 刘立霞. 中国生产性服务业和制造业的产业关联分析[J]. 南开经济研究, 2010(6) : 65-74.

[2]高觉民, 李晓慧. 生产性服务业与制造业的互动机理: 理论与实证[J]. 中国工业经济, 2011, 279(6) : 51-60.

[3]陈建军, 陈菁菁. 生产性服务业与制造业的协同定位研究——以浙江省69个城市和地区为例[J]. 中国工业经济, 2011, 279 (6) : 141-150.

[4]YANG F F, YEH A G O. Spatial development of producer services in the Chinese urban system [J]. Environment & Planning A, 2013, 45(1): 159-179.

[5]吉亚辉, 杨倩妮. 生产性服务业集聚与创新驱动发展[J]. 中国科技论坛, 2017(4) : 69-75+102.

[6]任皓, 周绍杰, 胡鞍钢. 知识密集型服务业与高技术制造业协同增长效应研究[J]. 中国软科学, 2017(8) : 34-45.

[7]程中华, 李廉水, 刘军. 生产性服务业集聚对工业效率提升的空间外溢效应[J]. 科学学研究, 2017(3) : 364-371.

[8]谭洪波. 生产者服务业与制造业的空间集聚:基于贸易成本的研究[J]. 世界经济, 2015(3) : 171-192.

[9]吴福象, 曹璐. 生产性服务业集聚机制与耦合悖论分析——来自长三角16个核心城市的经验证据[J]. 产业经济研究, 2014(4) : 13-21.

[10]房汉廷. 科技金融本质探析[J]. 中国科技论坛, 2015(5) : 5-10.

[11]季菲菲, 陈雯, 袁丰, 等. 高新区科技金融发展过程及其空间效应——以无锡新区为例[J]. 地理研究, 2013, 32 (10) : 1899-1911.

[12]章奇. 第二产业结构调整与科技金融联动发展的关系研究[J]. 科学管理研究, 2016, 34(3) : 109-112.

[13]WANG Q, ZHAO X D, VOSS C. Customer orientation and innovation: A comparative study of manufacturing and service firms [J]. International Journal of Production Economics, 2016, 171(2): 221-230.

[14]盛丰. 生产性服务业集聚与制造业升级:机制与经验——来自230个城市数据的空间计量分析[J]. 产业经济研究, 2014(2) : 32-39.

[15]ELHORST J P. Dynamic Panels with Endogenous Interaction Effects When T is Small [J]. Regional Science and Urban Economics, 2010, 40(5): 272-282.

[16]LESAGE J P, PACE R K. Introduction to Spatial Econometrics [M]. Boca Raton: CRC Press, Taylor & Francis Group, 2009.

[17]HOLMES T J, STEVENS J J. Geographic Concentration and establishment Scale [J]. The Review of Economics and Statistics, 2002, 84(4): 682-690.

[18]ELLISON G, GLAESER L, KERR W R. What Causes Industry Agglomeration? Evidence from Coagglomeration Patterns [J]. American Economic Review, 2010, 100(3): 1195-1213.

[19]张虎, 韩爱华, 杨青龙. 中国制造业与生产性服务业协同集聚的空间效应分析[J]. 数量经济技术经济研究, 2017(2): 3-20.

[20]赵昌文. 科技金融[M]. 北京 : 科学出版社, 2009: 50-56.

[21]张玉喜, 赵丽丽. 中国科技金融投入对科技创新的作用效果——基于静态和动态面板数据模型的实证研究[J]. 科学学研究, 2015, 33(2): 177-184，214.

[22]黄继忠, 黎明. 科技金融对创新效率影响的实证研究——基于中国高技术产业省级面板数据[J]. 工业技术经济, 2017, 36(9): 17-23.

[23]白俊红, 蒋伏心. 协同创新、空间关联与区域创新绩效[J]. 经济研究, 2015, 50(7): 174-187.

[24]曹颢, 尤建新, 卢锐, 等. 我国科技金融发展指数实证研究[J]. 中国管理科学, 2011, 19(3): 134-140.

[25]CLIFF A D, ORD J K. Spatial autocorrelation [J]. Trends in Ecology & Evolution, 1973, 14(5): 196.

[26]ANSELIN L. Local Indicators of Spatial Association—LISA [J]. Geographical Analysis, 1995, 27(2): 93-115.

[27]陈强. 高级计量经济学及Stata应用[M]. 北京 : 高等教育出版社, 2014: 593-596.