高新技术产业集群对区域创新绩效的空间溢出效应研究
——以长江经济带为例

2021-09-11 07:11艳,高
商学研究 2021年4期
关键词:高新技术经济带集群

胡 艳,高 雅

(1.安徽大学 经济学院,安徽 合肥 230601;2.安徽大学 区域经济与城市发展研究院,安徽 合肥 230601)

一、引言

科技是国家强盛之基,创新是民族进步之魂。党的十八大以来,党中央高度重视科技创新工作,坚持把创新作为引领发展的第一动力。党的十九届五中全会更是提出“坚持创新在我国现代化建设全局中的核心地位”,将创新摆在各项规划任务的首位进行专章部署。近年来,随着各级政府对创新工作的重视,各地区创新实力不断提高,创新成果不断涌现。然而目前中国创新短板依旧突出,整体创新水平亟须提升。因此,研究如何优化配置创新资源、提高创新效率对于中国建设创新型国家至关重要。

21世纪是知识经济时代,在全球经济一体化进程加快的同时,代表当代先进生产力发展水平的高新技术产业正迅猛发展。进入新时代,产业集群已然成为技术创新的有效载体。当前,研究如何走出一条创新驱动发展道路,必然要关注技术进步及产业发展模式等相关问题,将高新技术产业与集群发展模式联系起来。高新技术产业集群发展与各地区创新活动的开展有什么关联?在多大程度上作用于区域创新绩效水平的提升?通过何种途径对创新绩效产生影响?这些正是本文所要探讨的问题。本文后续结构安排如下:第二部分为相关文献综述;第三部分构建本文分析的理论框架;第四部分为变量说明与模型设定;第五部分对实证结果进行分析和讨论;最后是本文的结论及相应的政策启示。

二、文献综述

当前国内外学者对区域创新绩效的研究主要集中在以下两个方面。一是研究区域创新绩效评价体系的建立与测算。一些学者采用专利授权数(苏屹等,2017)[1]、新产品销售收入(路娟等,2017)[2]作为区域创新绩效的测度指标。也有学者主张基于构建指标体系,选择适当模型对区域创新绩效进行测算:魏后凯(2004)[3]通过选取20项指标,构建评价体系进而对我国地区工业技术创新力进行实证测算;张明等(2008)[4]在加入新产品数量、专利数量、研发投入及专利交叉利用率的基础上构建指标体系度量创新绩效。另外,在测算方法上,目前学者们普遍采用的方法有数据包络分析法(白俊红和蒋伏心,2015;陆远权等,2016)[5-6]、随机前沿分析法(卓乘风等,2017;王鹏和曾坤,2015)[7-8]及熵值法(颜双波,2017)[9]。二是对影响区域创新绩效的因素进行研究。创新绩效受到多种因素的影响,目前备受学者们关注的因素主要有:政策支持(康淑娟和安立仁,2020)[10]、创新开放度(闫春和蔡宁,2014)[11]、学习能力(陈劲和刘振,2011)[12]、知识管理(Susanty等,2019)[13]、技术获取能力与吸收能力(朱俊杰和徐承红,2017;Kashosi等,2020)等[14-15]。

作为技术创新的产业和空间载体,高新技术产业集群对区域创新绩效的影响不容忽视。根据已有研究,目前主要有以下两种观点:第一种观点认为高新技术产业集群对区域创新绩效有积极有利影响。Poon等(2013)[16]在对企业位置与创新能力的分析过程中,发现位于集群区的企业更易于共享知识与技术外部性,从而进一步提升创新水平。范群林等(2010)[17]研究指出,集群区企业通过获得知识溢出带来的好处,有利于提高自身创新潜力及创新绩效水平。第二种观点认为高新技术产业集群对区域创新绩效并不是完全的推动作用,反而在一定程度上会阻碍区域创新绩效的提高。一些实证研究注意到了知识溢出的负面效应。梁涛等(2012)[18]通过实证分析得出,知识溢出对于创新具有负面效应,抑制了创新主体的创新积极性,对于创新活动的开展和创新绩效的提升有明显的抑制作用。杨皎平等(2016)[19]认为由于知识溢出收益和付出的不对等性的存在,容易滋生机会主义者的创新惰性增加的现象,将进一步打击自主研发者的创新积极性。

综上所述,已有研究在区域创新绩效的测算及影响因素、高新技术产业集群对区域创新绩效的影响等方面做了较为深入的讨论,相关研究成果也较为丰富,但具体来看,仍存在以下一些不足:一是大多数学者虽然建立指标体系进行区域创新绩效的测算,但往往在创新投入方面仅仅考虑经费和研发人员投入,在创新产出方面仅仅用专利数表示,未将创新环境因素考虑在内,指标体系的建立缺乏完整性和全面性,影响测算结果的可信度;二是学者们注意到了高新技术产业集群可以通过直接的技术带动及间接的技术和知识溢出两种路径对区域创新绩效产生影响,但已有研究很少基于空间相关视角进行实证检验。因此,本文尝试作出以下努力:基于创新投入和创新产出两方面考虑构建区域创新绩效评价体系,同时,在探讨高新技术产业集群对区域创新绩效水平的影响时,进一步考虑空间效应,引入空间计量模型进行综合分析。目前已有研究大多基于全国层面进行相关分析,很少有文献对特定的区域进行分析。考虑到区域发展的异质性,本文将以长江经济带108个城市的高新技术产业相关数据为样本,进一步分析长江经济带各地区高新技术产业集群对该区域创新绩效的影响,从而为不同地区相关政策制定提供理论支撑和决策参考。

三、机理分析

(一)高新技术产业集群对区域创新绩效的影响机制

面对经济全球化和日益激烈的国际科技竞争,高新技术产业集群的形成,有利于产业结构升级和提高地区竞争优势,可以在特定范围内建立起市场优势,从而形成一定的规模效应。高新技术产业集群在当地形成“集群网络”,对于生产者来说,这种网络兼具地理邻近性与社会临近性的特征(柴志贤,2010)[20]。这样,由于地理邻近,各个生产主体间密切合作,有利于各种新思想、新概念、新技术以及新知识的传播,一定程度上减少“交易费用”(张元智和马鸣萧,2004)[21]。由此,一方面能够在集群区形成一种良好的创新氛围,另一方面,由于存在着“学习曲线”,处于集群区内的企业相互学习变得容易且成本较低。

综上所述,高新技术产业集群对区域创新绩效具有明显的促进作用。然而,高新技术产业集群必然会面临企业集聚与“拥挤效应”的两难选择,当某一特定区域的集聚资源超过城市承载能力时,过高的拥挤效应将阻碍创新活动的开展,不利于创新绩效的提升(高虹和袁志刚,2021)[22]。因此,高新技术产业集群对区域创新绩效的影响不仅取决于集群的外部性,也在很大程度上受到集群区成本增加的影响。

(二)高新技术产业集群的空间溢出效应

随着各种创新资源在空间上的动态流动,城市之间尤其是位于同一区域的城市之间的经济发展呈现较强的空间相关性。空间相关性是高新技术产业集群突破地理范围的限制、实现空间溢出的重要机制。因此,高新技术产业集群不仅可以通过上述的“集群网络”、减少“交易费用”和“学习曲线”等机制对区域创新绩效产生直接影响,也可以通过要素流动、交流与合作等形式作用于周边城市,使得城市间通过“知识溢出”而获得智力成果,从而促进区域创新绩效的提升。具体来说,知识溢出的途径有两种,即有意识的知识溢出和无意识的知识溢出(柴志贤,2010)[20]。对有意识的知识溢出而言,不论企业规模大小以及市场结构特征如何,有意识的知识溢出总能获得一些交换性知识投入,因而对创新投入与创新回报具有正向效应;而无意识的知识溢出将导致该企业知识资本与无形资产的泄露,由此带来的创新回报更可能是负向的,因此知识溢出很可能会减少创新主体的研发投入和盈利能力。

而高新技术产业集群对区域创新绩效的影响究竟如何,就要看高新技术产业集群产生的效应之间的博弈。若高新技术产业集群所产生的正向集群效应小于无意识的知识溢出及拥挤效应产生的成本,此时创新成本将提高,不利于创新活动的开展,从而在一定程度上阻碍区域创新绩效的提升,即高新技术产业集群对区域创新绩效的提升产生抑制作用;反之,创新活动的成本则大大减小,此时地区研发投入将加大,同时地区开展和参与创新活动的积极性提高,有助于带动区域创新绩效的提升,即高新技术产业集群将有利于提升区域创新绩效水平。

基于以上分析,本文将构建高新技术产业集群对区域创新绩效的影响机制,如图1。

图1 高新技术产业集群对区域创新绩效的影响机制

四、研究设计

(一)研究方法

1.本文选用熵值法对区域创新绩效进行测算。熵值法通过对原有数据进行处理,对选取的指标客观赋予权重,很大程度上可以避免人为因素带来的偏差。使用这种综合的评价方法,将计算得出的权重值与相应的标准化指标相乘,就可以得到相应指标的综合得分:

(1)

其中,Si即所求的综合得分,代表区域创新绩效值,i、j分别为选取的个体数及指标数,Wj表示各指标权重,Pij表示第i个个体占第j项指标的比重。

2.本文对于高新技术产业集群的测算使用区位熵进行度量。目前几乎所有识别产业集群的研究都是以相关产业部门的聚类作为出发点,大多数使用国家级的数据,用企业数或就业人数,或者区位熵进行度量。本文选择使用产业集群指数(就业区位熵与产值区位熵的算术平均值)对高新技术产业集群水平进行度量(简晓彬和周敏,2013)[23]。具体计算如下:

(2)

其中,SCi表示i地区高新技术产业集群水平,Ei、Qi分别表示就业区位熵和产值区位熵,ei、EMi分别表示i地区高新技术产业就业人数和i地区总就业人数,∑ei、∑EMi分别表示长江经济带高新技术产业就业人数及长江经济带总就业人数,qi、GDPi分别表示i地区高新技术产业产值及i地区生产总值,∑qi、∑GDPi分别表示长江经济带高新技术产业产值及长江经济带总产值。

(二)模型设计与检验

1.模型设计

本文主要研究高新技术产业集群与区域创新绩效之间的关系,基于前文的理论分析,构建以下计量模型:

lnSi=λ0+λ1lnX+ε

(3)

其中,lnSi表示区域创新绩效值,lnX表示本文选取的各个解释变量,ε为随机误差项,λ1为对应的解释变量的系数,λ0为常数。

将高新技术产业集群对区域创新绩效的空间效应纳入模型进行分析。在这里将引入空间权重矩阵,对上面的计量模型进行变形。选用常见的三种空间计量模型:空间滞后模型(SLM)、空间误差模型(SEM)和空间杜宾模型(SDM)。总的来说,三种模型都是在传统计量分析的基础上进一步研究空间交互效应。三种模型的具体形式如下:

空间滞后模型:

yit=αlN+ρWyit+βxit+ui+vt+εit

(4)

空间误差模型:

yit=αlN+βxit+ui+vt+εit

εit=λWεt+δit

(5)

空间杜宾模型:

yit=αlN+ρWyit+βxit+σWxit+ui+vt+εit

(6)

其中,yit为被解释变量,xit为解释变量。本文将高新技术产业集群水平(SCi)作为核心解释变量。lN是一个N×1阶单位矩阵,它与常数项待估参数α相对应。W为所选取的空间权重矩阵,N为选取的地区;Wyit、Wxit分别为被解释变量yit、解释变量xit的空间滞后项;ρ、σ分别为yit和xit的空间滞后项的系数。εit为误差项,Wεt表示误差项εit的空间滞后项,λ为εit的空间滞后项的系数。δit为干扰项。ui、vt分别表示空间固定效应和时间固定效应。

2.空间权重矩阵的设定

空间计量经济学中引入空间权重矩阵W来表明元素之间空间的相互作用,本文使用相邻空间权重矩阵对变量的空间相关性进行测度。空间观测单位之间邻近性的度量是由其在地图上显示的地理范围的大小和形状所决定的,通常用0和1来表示空间观测单位在地理范围上是否邻近或接壤。若两个地区相邻,则其对应的元素就为1,否则为0;同时,约定空间观测单位与自己的关系设置为0。据此,建立如下相邻空间权重矩阵:

(7)

3.模型检验

使用空间计量进行回归分析,前提是变量存在空间相关性。因此,在使用设定的空间计量模型进行估算之前,需要采用莫兰指数(Moran’s I)对变量进行全局自相关性检验。其计算公式为:

(8)

Wij为空间权重矩阵,Xi、Xj表示两个不同地区的区域创新绩效指数值,n为地区数。I为所求得的空间自相关指数,取值范围为-1到1。当I为正值时表示区域创新绩效水平呈正向空间关系,当I为负值时表示区域创新绩效水平呈负向空间关系,当I为0时,则表明区域创新绩效水平不存在空间相关性。

(三)变量选择

1.被解释变量

区域创新绩效水平是本文的被解释变量,区域创新绩效指标体系的建立和测算,是本文的一个研究重点。

当前区域创新绩效的大小受多重因素影响,若使用单一指标对创新绩效水平进行测度将缺乏可信度,因此本文将构建指标体系对区域创新绩效进行测度。这里选用的指标体系包括创新投入与创新产出两方面的数据,可以最大限度地提高测度的准确性,力求全面反映出区域创新绩效水平。创新投入除了包括人力投入和资金投入,本文在以往研究的基础上,将外部创新环境因素纳入考虑,其不再是外生干扰因素,而应作为一项投入变量。借鉴颜莉(2012)[24]、李婧和何宜丽(2017)[25]的做法,选择R&D人员全时当量和R&D内部经费支出分别作为区域创新的人力及资金投入,以普通高等学校数及研发与开发机构数作为区域创新环境投入。区域创新产出可以从科技成果和经济成果两方面进行考虑。具体指标体系如表1所示。

表1 区域创新绩效测度指标体系

整体来看,长江经济带各地区创新绩效水平存在明显的地区差异和高值局部集聚特征。由图2可以看出,上海、南京、苏州、杭州等城市在考察期内区域创新绩效值均在0.4以上,说明这些城市区域创新绩效水平较高,而低水平地区主要集中在长江经济带中上游地区。此外,从总体上来看,长江经济带下游地区创新绩效水平一直处于较高位置。随着时间的推移,长江经济带中上游地区部分城市创新绩效水平有了明显提升,然而与下游地区相比,地区差距仍然较大。

在构建的区域创新绩效指标体系的基础上,使用熵值法进行测算,得出各城市2008—2018年区域创新绩效值。据此,进一步使用ArcGIS软件对数据进行整理,以描绘长江经济带各地区创新绩效的空间分布情况。图2展示了长江经济带108个城市在2008年、2013年与2018年区域创新绩效的时空演化过程。

图2 各地区创新绩效值

2.核心解释变量

高新技术产业集群水平是本文的核心解释变量,这里使用区位熵法对其进行测算,计算方法及过程见式(2)。

3.控制变量

本文选取的控制变量有:(1)经济基础(G)。以各省市人均GDP作为地区经济基础指标,一个地区的经济发展水平往往为该地区提供强大的资金支持,保障创新活动的开展,有利于提升创新绩效。(2)产业结构(IS)。采用第三产业与第二产业生产总值之比作为产业结构指标来表示产业结构的特征。一般来说,一个地区产业结构的优化能够带动该地区创新绩效的提升。(3)人力资本水平(HC)。人是生产活动中最具创造性的因素。受教育程度在很大程度上对创新活动有着促进作用,这里使用每百万人口大专及以上学历人口来衡量一个地区的人力资本水平。(4)对外开放程度(Op)。这里以外商直接投资实际利用额来衡量,一般来说,外商直接投资对创新绩效的提升有积极作用。

(四)数据来源与描述性统计

本文选用2008—2018年长江经济带108个城市(其中包括上海市和重庆市两个直辖市)①的相关数据为样本,数据样本共计1188个。本文实证部分采用的相关数据均来源于《中国统计年鉴》《中国科技统计年鉴》和各省市统计年鉴,以及各省市高新技术产业发展统计年鉴,涵盖长江经济带11个省市,部分缺失数据采用均值进行插值处理。以2008年为基期价格对其余年份GDP进行平减,同时,为降低变量的异方差,在对数据进行处理时,本文将对所有变量数据取自然对数。表2对本文选取变量的相关数值进行描述性统计。

表2 变量描述性统计

五、实证结果及分析

(一)空间相关性检验

进一步使用相邻空间权重矩阵对2008—2018年间区域创新绩效及高新技术产业集群水平的全局Moran’s I指数值进行测算,观察各地区区域创新绩效与高新技术产业集群水平是否存在空间相关性。检验结果如表3、表4所示。

表3 区域创新绩效Moran’s I指数

表4 高新技术产业集群Moran’s I指数

表3中使用相邻空间权重矩阵对区域创新绩效的Moran’s I指数值进行测算与检验。在相邻空间权重矩阵下,区域创新绩效Moran’s I指数值皆为正值,就研究年份而言,2008—2018年的Moran’s I指数均通过了1%的显著性检验,且z值均位于3以上,可以说2008—2018年区域创新绩效具有显著的相关性。

表4中使用相邻空间权重矩阵对高新技术产业集群的Moran’s I指数值进行测算与检验。高新技术产业集群水平的Moran’s I指数都为正值,且2008—2018年间每一年的Moran’s I指数都通过了1%的显著性水平检验,此外,2013年z值高达9.409。这表明高新技术产业集群的空间分布并非完全随机,存在显著的正相关关系;说明高新技术产业集群对区域创新绩效既可能产生直接影响,同时也会存在空间溢出效应。

(二)模型分析

1.空间模型结果分析

本文借助Stata15.0进行实证分析。首先对非空间的OLS模型进行估计,并通过对各空间面板模型进行LR检验,最终确定使用空间杜宾模型。Anselin(1988)[26]提出,与前两种模型相比,空间杜宾模型作为一般形式,分析过程中也包括了对另外两种模型的综合考虑,能够提供更加一般性的分析思路。回归结果如表5所示。

表5 不同模型的回归结果

续表

由于将空间效应引入空间杜宾模型中,回归结果中自变量系数除了表示对因变量的直接影响外,还包括反馈效应(张延和赵艳朋,2017)[27],因此其回归结果并不能用来直接解释自变量的效益;但是我们仍然可以从表5空间杜宾模型回归系数中得到高新技术产业集群对区域创新绩效影响的一些信息。从表5可以看出,模型(1)中高新技术产业集群水平与区域创新绩效呈现正相关,且在1%的水平下显著。引入空间权重矩阵之后,高新技术产业集群水平对区域创新绩效的影响仍然显著为正,且影响系数由0.130变为0.134,正向影响强度有所提高。继续引入空间因素,高新技术产业集群对邻近地区创新绩效的影响显著为负。由此可见,高新技术产业集群的“马太效应”影响着城市创新绩效的分化。此外,因变量的空间滞后系数ρ为0.195,表示区域创新绩效具有正向溢出效应,即邻近地区创新绩效的提升会带动本地区创新绩效的进一步提升。一方面某地区创新绩效的提升会产生示范效应,促使邻近地区的学习和模仿;另一方面地理位置的邻近将极大程度上便利地区间的交流与协作,带动地区间优势互补,这些都有利地促进了区域创新绩效的正向空间效应的形成。为了将高新技术产业集群对区域创新绩效的空间效应具体化,需要将空间效应进行分解,从而说明高新技术产业集群对区域创新绩效水平的直接效应、间接效应和总效应。具体空间效应分解结果如表6所示。

表6 空间杜宾模型效应分解

从直接效应来看,某地区高新技术产业集群会提高该地区创新绩效,集群效应带来人员、资金、技术等的集中,产生的外部性及技术与知识的外溢均有利于创新活动的顺利开展,提升区域创新绩效水平。从间接效应来看,邻近地区高新技术产业集群对区域创新绩效的促进作用并不显著,甚至产生负向影响,阻碍本地区创新绩效水平的提升。这可能是因为地理位置的邻近,极大地便利了存在高新技术产业集群的地区吸引周边地区人才、资金等创新要素,这些地区在推动本地区创新活动开展、提升本地区创新绩效的同时挤占了周边地区的创新要素,从而对周边地区创新绩效水平的提升产生不利影响。从总效应来看,高新技术产业集群对区域创新绩效的影响系数为0.114,即高新技术产业集群水平每增加1个百分点将带来区域创新绩效水平0.114个百分点的增加,且通过了1%的显著性水平检验。下面从控制变量角度对直接效应、间接效应及总效应进行解读。

经济发展水平能够显著提升本地区创新绩效水平,这是因为经济发展水平高的地区不仅能够为本地区研发经费的投入提供充足的资金保障,同时在很大程度上有助于为市场主体提供庞大的市场需求,活跃市场交易氛围,从而影响该地区的创新绩效水平。然而,经济基础对区域创新绩效的空间溢出效应为负,影响系数为-0.214,同样通过了1%的显著性检验。本地区雄厚的经济基础甚至会对邻近地区创新绩效水平产生负向的溢出效应,这可能是因为经济发展水平较高的地区会对邻近欠发达地区产生虹吸效应,促使资本、技术、人才、信息等优势资源向发展水平较高的地区靠拢,从而对经济发展水平较低的地区产生不利影响,抑制该地区创新绩效水平的提升。

产业结构与区域创新绩效呈正相关,直接效应影响系数为0.014,但未通过显著性检验,说明地区产业结构并没有对其创新绩效水平产生明显的影响,主要是因为大部分地区产业结构水平和基础设施水平相对不高,未能起到带动地区创新绩效提高的作用。本地区产业结构对邻近地区创新绩效的影响系数为-0.060,在统计上仍不显著。从总效应来看,产业结构对区域创新绩效水平影响并不显著。

总体来看,人力资本对区域创新绩效的影响最为明显,在其他因素不变的情况下,各地区的劳动者素质每提高1%,区域创新绩效则提高0.242%,这充分表明丰富的人力资本对创新绩效提升的重要性。具体来说,本地区人力资本的大小与本地区创新绩效的高低呈正相关,影响系数为0.159,在1%的水平上显著;且本地区人力资本对周边地区创新绩效的影响系数为0.084,在10%的水平上显著。

从对外开放程度与区域创新绩效的估计结果来看,本地区对外开放程度与本地区创新绩效水平呈现正相关,影响系数为0.003,但在统计上并不显著。随着对外开放程度的扩大,外商投资增加,可能会抑制企业开展创新活动的积极性,不利于创新水平的提高,影响区域创新绩效水平的提升(曾婧婧和周丹萍,2019)[28]。本地区对外开放程度对邻近区域创新绩效具有负的空间溢出效应,影响系数为-0.033,在10%的水平下显著。从总效应来看,对外开放程度与区域创新绩效高低呈现负相关,这也在一定程度上反映了当前多数地区没有合理有效利用外资。

2.进一步分析

由于地区间发展水平存在差异,拥有的资源禀赋不同,因此各地区高新技术产业集群对创新绩效的影响也会有所不同。因此,这里将对长江经济带省市进行划分,进一步展开讨论位于长江经济带上游、中游及下游②不同地区的具体情况,探讨高新技术产业集群对区域创新绩效的影响方向与力度,以揭示长江经济带高新技术产业集群影响区域创新绩效的区域特征。回归结果如表7所示。

表7 分样本杜宾模型回归结果

从表7中分样本回归结果可知,长江经济带上、中、下游地区高新技术产业集群对创新绩效作用方向和强度在区域层面呈现较大差异。具体来看,长江经济带上游地区高新技术产业集群对区域创新绩效的正向作用在统计上并不显著,这可以从上游地区较为落后的基础设施、不合理的产业结构以及缺乏对口人才等方面来解释。上游地区没有完善的配套设施和服务来开展创新活动,过度依赖传统产业,创新资金占比增加必然挤占其他方面发展的资金投入,人才的大量流失也使得创新资金与人才投入不匹配,这些恰恰是阻碍其创新绩效提升的重要原因;而长江经济带中游和下游地区高新技术产业集群对区域创新绩效则呈现显著正相关,且下游地区影响强度高于中游地区。长江经济带中下游地区多为发展水平较高的城市,这些城市具有有力的政策支持和良好的市场经济条件,能吸引人才大量聚集,在发展过程中充分挖掘高新技术产业集群的积极作用,直接促进本地创新绩效的提升。就高新技术产业集群的溢出效应而言,下游地区呈现显著的正向溢出效应,上游及中游地区则对区域创新绩效提升的溢出效应不显著。这表明下游地区高新技术产业集群优势明显,要大力发展高新技术产业集群,促进提升区域创新绩效;而中上游地区高新技术产业的集群发展没有形成对周边地区创新绩效的显著影响,其产业集群的发展仍然是离群和孤立的,这些现象对目前长江经济带地区创新绩效水平的提升都将产生不利影响(郭炬等,2012)[29]。因此,如何有效促进各地区之间的交流,突破区域壁垒,增强区域间联系,更快更好地解决当前各地区面临的创新发展瓶颈,是我们需要思考的问题,同时也指明了今后研究需要深入挖掘的方向。

3.稳健性检验

考虑到区域创新绩效及高新技术产业集群水平的度量对模型可能产生不一样的结果,因此本文将选用另外的指标对区域创新绩效和高新技术产业集群水平进行测度,以验证高新技术产业集群对区域创新绩效影响的稳健性。这里采用每万人专利授权数来衡量区域创新绩效,对于高新技术产业集群的测度,本文借鉴唐承丽等(2018)[30]的做法,构建高新技术产业集群评价指标体系,进一步运用熵值法对高新技术产业集群水平进行测度,具体指标体系如表8所示。

表8 高新技术产业集群评价指标体系

模型中其余变量与上文选取的一致,稳健性检验结果如表9所示。

表9中展示了将新计算的被解释变量的值和主要解释变量的值分别代替原有的测算值,再加入模型中进行回归的结果。模型(5)和模型(6)是将高新技术产业集群水平重新测算代入原模型所得出的回归结果;模型(7)和模型(8)则替换了区域创新绩效值,用专利授权数代替原有的测算值,再进行回归;而模型(9)和模型(10)则同时替换区域创新绩效与高新技术产业集群的值。与表5中估计结果进行对比可以发现,表9中模型回归结果各变量系数方向与显著性基本与原模型一致,可以得出,高新技术产业集群对区域创新绩效的本地及空间溢出效应是稳健的。

表9 稳健性检验回归结果

六、结论及政策启示

本文从空间溢出视角切入,选取空间杜宾模型分析并检验高新技术产业集群与区域创新绩效的关系。基于2008—2018年长江经济带各地级市数据的分析比较,本文主要得出以下结论:(1)高新技术产业集群与区域创新绩效的提升具有显著的空间依赖性,高新技术产业集群带来的技术与知识的集聚对本地创新绩效有积极的正向带动作用,但对周边城市创新绩效提升的空间溢出效应并不显著;(2)一个地区的经济基础及人力资本对区域创新绩效都呈现显著的正向影响,但是由于产业结构水平不高、外商投资增加抑制本地区创新积极性等原因,产业结构、对外开放程度对区域创新绩效未呈现促进作用;(3)进一步基于对长江经济带进行分区域考察可以发现,高新技术产业集群对区域创新绩效的影响存在区域差异,高新技术产业集群显著促进了长江经济带中下游地区创新绩效的提升,而对上游地区创新绩效的影响并不显著。

上述结论告诉我们,高新技术产业集群是提升区域创新绩效水平的重要推动力,其强大的外部影响和溢出效应可以带动区域创新绩效的明显提升。但是在地区发展过程中,各种影响创新绩效水平的因素对不同地区影响各不相同,从而带来的影响结果也不尽相同。基于此,我们得到如下政策启示:(1)加强区域间互动交流,实现创新活动互利共赢。各地区在制定提升本地区创新绩效策略时,应树立全局观念,积极建立资源共享机制与创新协作机制,建立资源市场平台,形成良好的市场环境,让市场在资源配置中起决定性作用;打破地方政府与地方保护主义,加强地区之间交流与合作,突破区域壁垒,促进资源多向流动,实现创新资源的外溢和共享,从而降低新产品开发和技术创新的成本,推动区域整体创新绩效的提升。(2)因地制宜发展高新技术产业集群,提升区域创新绩效。高新技术产业集群带来的知识与技术在地理位置上的集中及空间上的溢出效应,都将极大地带动地区经济的发展。但是,由于各地区资源禀赋等因素的差异,在长江经济带不同地区发展高新技术产业集群将对区域创新绩效产生不同程度的影响。就长江经济带中上游地区而言,由于经济基础较为薄弱,若大力发展高新技术产业集群,虽然在一定程度上有利于区域创新绩效的提升,但是将挤占其他产业发展的资源,且无法获得较高的创新绩效收益。因此,各地区要在自身条件的基础上因地制宜发展高新技术产业集群,从而最大限度地带来各地区创新绩效的提升。(3)各地要加大力度夯实经济基础,注重本地区产业结构的调整与优化提升,完善基础设施建设,为高新技术产业集群发展提供强大后盾,在一定程度上减少创新资源的流失,助力创新绩效水平的提升。同时,各地区要强化人才队伍建设,在注重人才数量增加的同时,更应该注重人才结构的优化、与岗位的匹配度以及当地宏观经济基础;在注重创新型人才培养的同时,一方面要重视把创新型人才留住,另一方面也要积极制定相关优惠政策,引进高层次、高质量的创新型人才。通过留住专业人才,为创新活动的开展储备优势资源,进而有利于提升创新绩效水平。最后,在利用外资时,各地应合理引导外资投入方向,正确规划外商投资布局,同时加大对外商投资的管理,加强地区法制建设,为外商投资建立良好的投资软环境,最大限度地发挥外商投资对区域创新绩效提升的正向带动作用。

注 释:

① 巢湖市自2011年被撤销,因此为了数据的可比性,故将巢湖市撤销前的数据拆分加入合肥、芜湖、马鞍山三市,保证巢湖市被撤销前后城市数量的统一性。

② 长江经济带上游地区31个城市(包括云南、贵州、四川、重庆),中游地区52个城市(包括安徽、湖北、湖南、江西),下游地区25个城市(包括上海、江苏、浙江)。

猜你喜欢
高新技术经济带集群
一条江的嬗变长江经济带绿色发展之路
发展前景广阔的淮安高新技术开发区
高新技术在跨境并购中的价值评估
海上小型无人机集群的反制装备需求与应对之策研究
贵州省2019年高新技术企业增长40%
陕西呼应长江经济带
一种无人机集群发射回收装置的控制系统设计
“中捷高新技术产业开发区,就等你!”
Python与Spark集群在收费数据分析中的应用
勤快又呆萌的集群机器人