产业集聚对高技术产业全要素生产率的空间溢出效应分析*

王晓彦，欧娇娇

(苏州科技大学 商学院，江苏 苏州 215009)

随着《国务院关于促进国家高新技术产业开发区高质量发展的若干意见》的提出以及“大众创业，万众创新”局面的到来，技术创新已然成为高技术产业竞争的关键要素。作为我国实施创新驱动发展战略的重要载体和自主创新能力建设体系的重要组成部分，高技术产业的要素生产率发展状况在加速科技与经济社会高质量发展中发挥着重要作用。党的十九大报告明确指出，全要素生产率是衡量经济增长的重要指标。同时，产业集聚的不断扩大和深入发展，为高技术产业的发展提供了有效载体。与传统产业相比，高技术产业集聚具有知识扩散性快、空间溢出性强等特点。因此，如何有效转变高技术产业的发展模式，有效配置资源要素，实现产业空间合理布局，提高全要素生产率，是当前高技术产业实现高质量发展的重中之重。

一、文献综述

学界对高技术产业的研究聚焦于两个方面。一是通过一定方法对高技术产业创新绩效进行测量。刘伟基于环境因素运用数据包络分析法(DEA)测算我国不同时段高技术产业的创新绩效，发现其创新效率有所提升。[1]易明等通过DEA-Malmquist模型测度我国高技术产业创新效率，指出创新绩效的波动较大且存在地区差异。[2]杨琼通过划分地理区域研究我国高技术产业发展状况，发现技术效率存在较大地区差异。[3]戚湧等借助超效率模型测算长三角地区高技术产业创新效率并进行动态分析，结果表明各创新主体协调联系不紧密。[4]尹洁等从创新生态系统出发，构建高技术产业生态系统，发现我国高技术产业创新效率有所提高，技术效率贡献最大。[5]二是探究高技术产业创新绩效的影响因素。陈程等构建创新链，运用DEA研究高技术产业的影响因素，指出在技术开发和成果转换阶段高技术产业分别受到企业规模和企业支持的影响。[6]李海东等运用回归模型考察人力资源投入对高技术产业创新能力的影响，认为人力资源的直接投入对高技术产业创新效率产生抑制作用，而间接投入并无促进作用。[7]牛泽东等实证分析了FDI对我国高技术产业创新绩效的影响，指出两者存在正相关关系。[8]李健等测量了京津冀高技术产业创新绩效，发现其存在资源分配不合理、协调机制不完善等不足。[9]张永安等运用全要素生产率和灰色关联分析法研究高技术制造业之间的效率差距，发现技术进步效率是主要影响因素。[10]

关于高技术产业集聚方面的研究主要分为两个方面。一是高技术产业集聚的形成机理。杨博旭等构建了高技术产业创新要素集聚评价体系，提出高技术产业创新要素由分散发展到协同演进的发展路径。[11]刘和东等建立了互利共生、偏利共生、竞争共生三种演化模型，揭示了高技术产业集聚区生态系统各阶段演化动力与机理。[12]毛广雄等应用静态、动态指数法，分析了高技术产业聚群发展的内在机理，指出其总体呈现“两带一路”的特征。[13]姚敏等探讨了高技术产业集聚机理，并利用产业集中度指数对集聚水平进行测度。[14]二是高技术产业的效应研究。如布鲁哈特(Brulhart)等运用工具变量法进行跨国研究，发现经济发展初期阶段的产业集聚对GDP增长具有促进作用，但超过某一临界值其影响就不再显著。[15]方莹等借用Segal模型和修正的Carlino模型对西部高新技术开发区进行测度，发现其存在显著的正集聚经济效应。[16]陈抗等通过面板回归研究集聚效应与高技术产业全要素生产率之间的关系，发现集聚效应对全要素生产率的提高有显著的正向作用。[17]唐睿等基于静(动)态集聚指数和DEA面板Tobit模型，实证研究安徽省16个城市高技术产业的研发效率，指出全省高技术产业的空间集聚有利于研发效率的提升。[18]

随着高技术产业集聚的不断深入，也有不少学者注意到产业集聚与高技术产业之间的关系。观点之一就是产业集聚有效促进效率的提升。胡艳等以长江经济带108个城市为例，运用空间杜宾模型进行研究，发现产业集聚促进了高技术产业创新绩效的提升。[19]湛正群等基于创业板上市公司数据，研究外部环境与高技术企业创新绩效之间的关系，发现产业集聚对企业创新绩效的提高无显著影响。[20]张长征等对我国29个省(区、市)的金融发展水平、高技术产业集聚度和创新绩效进行相关研究，发现高技术产业集聚和金融发展结合能有效促进创新绩效的提高。[21]另一种观点则是高技术产业集聚对效率具有非线性影响。王鹏等基于中国省级面板数据，实证检验了高技术产业集聚对劳动生产率的影响，发现两者之间存在非线性关系。[22]朱喜安等借助空间杜宾模型对高技术产业进行行业异质性和区域异质性分析，指出高技术产业集聚的空间效应对经济质量发展具有抑制作用。[23]

综上，学者们对高技术产业创新绩效的测量、影响因素以及产业集聚等方面做了深入研究。不足之处在于：一是大多集中于对高技术产业创新绩效的研究，针对高技术产业要素生产率的探讨较为匮乏；二是大多基于整体或区域层面从静态单一角度研究高技术产业的发展状况，较少关注产业集聚对高技术产业全要素生产率的空间关联效应。基于此，笔者运用区位熵方法测算高技术产业集聚水平，运用DEA-Malmquist指数测算我国各省(区、市)高技术产业全要素生产率，通过构建空间杜宾模型，研究产业集聚对高技术产业全要素生产率的空间效应。

二、研究方法、指标选取与数据来源

(一)DEA-Malmquist生产率指数

计算全要素生产率效率的方法主要包括随机前沿分析法(SFA)、DEA等。相较于SFA而言，DEA具备在多投入、多产出问题上可以计算相对客观效率的优点，在一定程度上能避免主观因素对效率评价结果的干扰。菲尔(Fare)将Malmquist指数与DEA结合用于测算效率变化。采用DEA-Malmquist指数对各个决策单元不同时期数据的动态效率进行分析，避免了DEA模型无法展现时间维度上数据动态变化的弊端。菲尔还将其指数细分为技术进步效率和技术效率，具体研究全要素生产率的影响因素，即

(1)

TFPch=Techch×Effch

=Techch×(Pech×Sech)

TFP>1表示全要素生产率有所提升，反之则表示有所下降。Techch表示技术进步效率，解释决策单元在t到t+1期时的变化情况；TE>1，说明技术进步效率有所提升，反之则说明下降。Pech表示纯技术效率，代表产业管理方法的情况。Sech表示规模效率，用来说明产业规模是否达到合理状态。

(二)空间溢出效应模型

由于地区间资源要素具有空间流动性和空间溢出性，詹姆斯(James)等构建的空间杜宾模型将空间误差模型和空间滞后模型进行结合，可以有效研究被解释变量的空间相关性和解释变量的空间溢出效应影响。[24]据此，笔者构建模型

InTFPi,t=ρWInTFPi,t+β1InClusi,t

+β2InOpeni,t+β3InPgdpi,t

+β4InTransi,t+β5InGtei,t

+θ1WInClusi,t+θ2WInOpeni,t

+θ3WInPgdgi,t+θ4WInTransi,t

+θ5WInGtei,t+εi,t

(2)

其中,InTFPi,t为被解释变量，由DEA-Malmquist指数计算得到。InClusi,t为解释变量，InPgdpi,t、InTransi,t、InOpeni,t、InGtei,t均为控制变量。W为空间权重矩阵，t表示年份，ρ为空间自相关系数，β为解释变量的回归系数，θ为解释变量的空间滞后项的回归系数，ε为与时空均无关的随机扰动项，α为被解释变量的空间误差系数，μ为满足正态分布的误差向量。

(三)空间权重矩阵的选择

常见的空间权重矩阵包括0-1空间权重矩阵、地理距离权重矩阵、经济距离权重矩阵等类型。在考虑权重矩阵简洁性、有效性以及高技术产业创新要素空间流动性的基础上，笔者选择用标准化处理后的0-1空间权重矩阵(W)来研究各省(区、市)间高技术产业全要素生产率的空间自相关关系、空间相关性检验和构建空间计量模型。构建0-1空间权重矩阵

其中，

(3)

(四)变量说明

1.被解释变量：高技术产业全要素生产率(TFP)

借鉴学者张志强、李刘艳等从投入、产出两个方面建立的全要素生产率评价指标体系[25-26]，笔者构建了评价指标体系(见表1)。

表1 高技术产业全要素生产率评价指标体系

高技术产业具有知识型和技术型的特点，在投入上必须由大量的科技人才和资金作为发展基础。人力投入方面，R&D人员折合全时当量能兼顾全时人员和非全时人员的工作量投入，高新技术企业个数可以较好地反映产业在某一地区的市场集中度等因素。研发投入属于高技术产业进行创新活动的关键性投入，基于统计年鉴将R&D内部经费支出细分为人员劳务费、仪器和设备、政府资金以及企业资金四类，能具体反映高技术产业发展资金的投入情况，因此笔者将其作为衡量财力投入的指标。

产业的产出主要以经济收益产出和成果产出来衡量。经济收益产出方面，利润总额是企业在营业收入中扣除成本消耗及营业税后的剩余，可以具体反映收益成果，故笔者选择较为直观可得的利润总额来表现高技术产业产出收益情况。成果产出方面，有效发明专利数是经国家知识产权局审批已经授权的专利的数量，新产品销售收入又着重体现了企业开发新产品被市场所接纳的程度，故笔者遵循国际惯用做法，选择有效发明专利数和新产品销售收入来体现企业的科研成果产出和企业科研创新情况。

2.解释变量：高技术产业集聚(Clus)

目前，研究中计算产业集聚的方法主要包括赫芬达尔指数、市场集中度、空间基尼系数、区位熵等。市场集中度未能反映企业规模分布的差异，赫芬达尔指数对数据的要求较高，空间基尼系数未能考虑产业组织状况和地区差异。相比之下，区位熵可以将企业规模和地区因素有效地结合，并与全国总体水平进行比较，衡量产业的专业化水平。笔者参照田喜洲、罗良文等的研究[27-28]，选用区位熵来测度高技术产业集聚水平。区位熵的计算公式为

(4)

3.控制变量

参照葛尧、刘艳春、王雅倩等的研究[29-31]，考虑到高技术产业创新能力的外生因素，笔者将对外开放程度、经济发展水平、基础设施、政府科技支持力度四个方面纳入影响因素。

(1)对外开放程度：高新技术产品海外市场的拓展一定程度上影响产业自主创新的能力，对国内产品市场份额造成一定冲击。选取进出口总额来体现对外开放的程度，取其对数值，记为InOpen。

(2)经济发展水平：较高的经济发展水平有利于夯实高技术产业发展的要素基础。选取地区生产总值与总人口数的比值来衡量，即人均GDP，取其对数值，记为InPgdp。

(3)基础设施：基础设施的完善程度会影响空间要素流动的灵活性，进而影响创新资源配置效率。采用公路里程数来代表基础设施，取其对数值，记为InTrans。

(4)政府科技投入：高技术产业的发展离不开科技的支撑，政府财政支出中用于科技支出的费用则可以体现当地政府对发展科技产业的重视程度，取其对数值，记为InGte。

(五)数据来源

笔者利用2010—2019年省级面板数据来构建实证模型，探讨产业集聚对高技术产业全要素生产率的影响。数据来自《中国高技术产业统计年鉴》《中国科技统计年鉴》《中国统计年鉴》以及各省(区、市)统计年鉴。由于内蒙古部分指标数据缺失，根据数据的可得性和科学性，本研究的数据不包括内蒙古，部分省(区、市)指标缺失数据采用插值法补齐。

三、实证结果与分析

(一)高技术产业全要素生产率实证分析

基于全要素生产率评价指标体系，笔者利用DEAP 2.1软件，测算2010—2019年我国各省(区、市)高技术产业全要素生产率。

从表2可以看出，2010—2019年我国高技术产业的全要素生产率指数波动起伏较大，但总体还是提升了0.1%，主要原因在于技术效率和技术进步效率的双向提升，表明这期间我国高技术产业创新投入产出资源相对合理，产业总体上表现良好。全要素生产率和技术效率的整体变化趋势一致，可见高技术产业的全要素生产率受技术效率影响较大。将技术效率进一步分解，纯技术效率提升0.8%,规模效率总体保持不变，达到有效规模生产前沿面，表明近十年我国高技术产业创新技术水平有所提高，产业规模得到优化。从年份来看，2010—2016年，我国高技术产业全要素生产率波动起伏较大，2013—2014年达到最大值，这源于技术效率提升10.6%，技术进步效率提升3.6%；从技术效率来看，纯技术效率和规模效率分别提升了6.1%、4.2%。2016—2019年，全要素生产率及其分解效率指数波动较小，表明目前我国高技术产业投入产出相对合理，但产业的技术创新能力不高，全要素生产率有待提升。

表2 2010—2019年高技术产业全要素生产率及其分解指数

由表3可以看出，全要素生产率在1以上的有北京、上海、江苏、浙江、福建、广西等19个省(区、市)。其中，北京、安徽、福建、广西、海南、重庆的各项指数均超过1，说明高技术产业在技术创新水平、管理水平以及产业规模方面都表现良好；浙江、山东、湖北、四川、陕西、青海、宁夏的全要素生产率虽有不同程度的提升，但都存在技术进步效率下降的现象，表明高技术产业的创新资源投入产出相对合理，而技术创新的水平还有待提高；上海、江苏、湖南、云南、西藏、甘肃的技术效率有所下降，规模效率无效是主导原因，说明其高技术产业的技术水平有所提升，但产业规模未能合理规划。其余如天津、河北、辽宁、黑龙江、江西、新疆等11个省(区、市)的全要素生产率未达到1，出现不同程度的下降，下降幅度都在0.2%以上。其中，天津、河北、山西、辽宁、河南、贵州的技术效率及其分解指数效率、技术进步效率同时出现下降，规模效率的负向作用大于纯技术效率；吉林、黑龙江、江西、广东、新疆的创新技术水平得到一定提升，但产业管理水平和产业规模发展欠佳。综合来看，我国部分省(区、市)高技术产业存在技术效率不高和产业规模未能合理优化的问题，全要素生产率存在明显的地区和省域差异，有必要进一步进行空间相关性分析。

表3 2010—2019年各省(区、市)高技术产业全要素生产率

(二)产业集聚对高技术产业全要素生产率的空间影响分析

1.空间自相关检验

为进一步探究各省(区、市)的高技术产业全要素生产率是否具有空间相关性，借助研究中常用的0-1空间权重矩阵来测算2010—2019年我国30个省(区、市)高技术产业全要素生产率的全局莫兰指数(Global Moran’s I)，即

表4显示，在0-1空间权重矩阵下，2010—2019年我国高技术产业全要素生产率的莫兰指数波动上升，Moran’s I值均大于0，p值均显著，说明我国省域间高技术产业的全要素生产率具有显著的正向空间相关性，空间效应不断增强，选取空间计量模型分析是合理的。

表4 2010—2019年高技术产业全要素生产率全局莫兰值

2.模型适用性检验

首先，通过相关检验来确定合适的模型形式。LM检验用来确定本研究使用空间计量模型的必要性，LR检验和Wald检验用来诊断SDM模型是否会退化为SAR模型或SEM模型，豪斯曼(Hausman)检验用来判定研究适用于固定效应还是随机效应。运用Stata 16.1软件进行上述相关检验可知，豪斯曼检验p值为0.0024(见表5)，结果显著拒绝原假设，应选择固定效应。其次，LM检验发现，除空间滞后模型的LM之外，LM和稳健的LM均通过了显著性检验，再次证实了被解释变量与解释变量存在一定的空间相关性，有必要引入空间计量模型。最后，Wald和LR两种检验结果在1%的水平上显著，表明SDM模型不能退化为SAR模型和SEM模型，选择固定效应下的空间杜宾模型进行实证检验更优。

表5 模型适用性检验结果

(三)空间计量模型回归分析

运用Stata 16.1软件，以SDM模型的三类固定效应对省域高技术产业全要素生产率的影响进行模型验证，主要从时间固定效应、空间固定效应和时间空间双固定效应来进行回归分析。从表6显示的时间固定、空间固定、时间空间双固定的空间系数来看，三种固定效应模型系数分别为0.815、0.060、0.290，时间固定效应的拟合优度最高，随后是双固定效应、空间固定效应。从经济意义角度解释，时间、政策等变化因素比地理因素对我国省域高技术产业全要素生产率的影响更为显著。因此，笔者选择时间固定效应模型进行实证研究。

新古典经济增长理论认为，资本积累对经济发展具有重要作用。高技术产业作为创新驱动发展的经济主体，作为知识、技术等密集型产业，其创新资源要素相比传统产业更具有要素集聚性。表6显示，反映地区高技术产业全要素生产率提升是否具有空间效应的空间滞后项系数为0.381，且在1%的水平上显著，表明各省(区、市)高技术产业全要素生产率之间存在很强的空间自相关性，全要素生产率的空间溢出效应显著。在选取对外开放程度(Open)、人均GDP(Pgdp)、基础设施(Trans)、政府科技投入(Gte)作为控制变量的条件下，高技术产业集聚水平(Clus)的估计系数为0.044，且在1%的水平上显著，说明高技术产业集聚对本区域高技术产业全要素生产率的提升具有正向的促进作用。高技术产业的空间滞后项回归系数为0.193，通过了1%的显著性水平检验，表明本省(区、市)高技术产业集聚水平的提升能有效促进邻近省域高技术产业全要素生产率的提高，正向溢出效应明显。

表6 三种固定效应回归结果

(四)空间溢出效应分解

为进一步探讨产业集聚对高技术产业全要素生产率的空间效应，笔者在0-1空间权重矩阵下进行空间杜宾模型的效应分解。其中，直接效应代表产业集聚对本省(区、市)高技术产业全要素生产率的影响，间接效应表示产业集聚对其他省域高技术产业全要素生产率的作用程度，总效应由间接效应和直接效应相加而来。

1.产业集聚对高技术产业全要素生产率的影响

表7显示，高技术产业集聚的直接效应值为0.095，通过了5%的显著性水平检验，表明本省(区、市)每增加一个百分点的高技术产业集聚，其高技术产业全要素生产率提高0.095%；高技术产业集聚的间接效应值为0.261，在5%的置信水平下显著，表明本省(区、市)每增加一个百分点的高技术产业集聚，周边省域高技术产业全要素生产率提升0.261%。研究表明，产业集聚对高技术产业全要素生产率的影响具有显著空间相关性，且间接效应大于直接效应。

表7 产业集聚对省域高技术产业全要素生产率的空间效应分解表

在直接效应方面，产业集聚的正向影响显著促进了本省(区、市)高技术产业全要素生产率的提升。一方面，产业集聚促进了大量相似类型企业的聚集，有利于产业集聚区形成技术创新网络，加速科技创新人才、技术资金等创新要素的流动性，减少了创新要素的空间流动距离，降低了企业信息交流和运输成本。另一方面，产业集聚使得集聚区内的企业按照产品生产的特点进行分工合作，精细化分工和专业化水平不仅提高了企业生产效率和产品质量，也提高了集聚区内的管理水平，有利于高技术产业全要素生产率效率的提升。

在间接效应方面，产业集聚产生的正向间接效应明显有利于周边省域高技术产业全要素生产率的提高，且间接效应明显大于直接效应。这主要源于产业的过度集聚所产生的“拥挤效应”，使得高技术产业集聚不得不开始向外辐射以获得更高的收益，同时产生积极的辐射作用，带动周边省域高技术产业的发展。产业集聚所产生的竞争效应和“优胜劣汰”作用，倒逼各省(区、市)不得不充分借助产业集聚所带来的知识、技术、人才等空间溢出效应进行产业创新，合理利用产业资源，优化资源配置，促进了地区高技术产业全要素生产率的提高。

2.控制变量对高技术产业全要素生产率的影响

从控制变量来看，对外开放程度的空间效应系数不显著，表明其对高技术产业全要素生产率提高的影响并不显著；人均GDP对高技术产业全要素生产率的间接效应和总效应均为正，直接效应为负，表明经济发展水平对高技术产业全要素生产率产生影响的溢出效应比直接效应更为明显；基础设施的直接效应值、间接效应值和总效应值均为正，且通过了1%的显著性水平检验，表明完善的基础设施有利于省域之间要素流动，节省信息获取成本和交通运输成本，有利于省域间高技术产业的创新发展；政府科技支出具有正向的直接效应，但对周边省域的正向影响不显著，表明本省(区、市)政府在科技方面对高技术产业的支持越多，越容易使周边省域优质资源流失，从而溢出效应不显著。

四、结论与建议

基于2010—2019年我国30个省(区、市)的面板数据，笔者运用空间杜宾模型测算了产业集聚对高技术产业全要素生产率的影响。第一，从整体来看，2010—2019年我国高技术产业的全要素生产率指数波动起伏较大，但总体仍提升0.1%，主要得力于技术效率的提升。第二，全要素生产率在1以上的省(区、市)有19个，在1以下的有11个，全要素生产率地区差异显著。第三，我国高技术产业全要素生产率的空间关联性较为显著。第四，产业集聚对高技术产业全要素生产率的空间溢出效应显著，且区域间的正向溢出效应大于区域内的正向直接效应。

基于上述结论，笔者提出以下建议：

第一，各地区要因地制宜规划高技术产业发展战略，针对各个区域高技术产业发展的不平衡，完善区域顶层设计，明晰产业各个阶段发展的战略规划，做大做强本区域的特色产业。产业技术水平较低的地区，应着力引进先进技术和高技术人才，加大科技研究的投入，竭力提高创新技术效率。规模效率较低的地区，应重点培养一批高质量以及具有发展潜力的高新技术企业，打造高技术产业示范群体，优先布局重大产业项目，合理规划产业规模。同时，各个地区要树立全局观念，加快构建区域产业协调发展战略，合力攻坚技术难题，促进高技术产业整体全要素生产率的提升，推动区域间高技术产业的均衡协调发展。

第二，重点关注产业集聚的正向空间溢出效应，充分发挥产业集聚的正向直接效应和正向间接效应。经济发达地区要完善相应的配套设施，为高技术产业的发展筑牢发展要素根基；同时，优化区域内的产业结构，合理安排产业集聚区内的个性化分工合作，提高集聚区的管理水平，发挥集聚区的正向空间溢出效应。经济相对欠发达地区要切实抓住产业转移机遇，优化产业结构，充分利用产业集聚的空间溢出效应。各区域内要因地制宜构建资源共享机制和创新服务机制，合理优化产业规模，推进高技术产业集群式发展，提升多样化产业集聚水平，充分利用产业集聚的促进作用实现我国高技术产业全要素生产率的稳步提升。