高技术服务业集聚水平与工业绿色创新效率关系探讨:中介作用与门槛效应

石嘉婧

(福建师范大学协和学院 管理学系,福建 福州 350000)

近年来,错综复杂的国内外形势使中国制造产业面临前所未有的挑战和困难,我国由制造大国向制造强国转型已迫在眉睫。党的二十大报告提出,未来五年是全面建设社会主义现代化国家开局起步的关键时期,需要坚持把发展经济的着力点放在实体经济上,推进新型工业化,加快建设制造强国、质量强国、航天强国、交通强国、网络强国、数字中国[1]。现代服务业和先进制造业是现代产业体系的核心部门,其发展水平是衡量一个国家经济社会发达程度的重要标志,是一个国家综合实力、国际竞争力和抗风险能力的集中体现[2]。《中华人民共和国国民经济和社会发展第十四个五年规划和2035年远景目标纲要》中明确指出,推动现代服务业与先进制造业、现代农业深度融合,深化业务关联、链条延伸、技术渗透,支持智能制造系统解决方案、流程再造等新型专业化服务机构发展[3]。大力发展现代服务业,推进现代服务业与先进制造业的深度融合已成为我国提升国家竞争力,实现经济社会高质量发展的必由之路。高技术服务业作为现代服务业的重要组成部分,其发展有利于形成跨领域多主体的科技服务团队,构建协同创新的组织生态环境,对于调整升级制造产业结构,促进工业低碳绿色发展具有重要意义。

1 文献综述

当前学界对于生产性服务业已展开了多方位深度研究,但针对高技术服务业的相关研究还相对较少。Greefield[4]最早提出生产性服务业这一概念,将其定义为满足企业生产过程所需的相关服务的中间产业。Howells等[5]明确指出生产性服务业具有知识密集的特征。Miles等[6]首次对知识密集型服务业(Knowledge-intensive Business Services,简称为 KIBS)进行了定义,即凭借专业领域知识向社会组织提供以知识为基础的相关产品服务的公司与组织。此后,学者们从知识密集型服务业的主体类型、运作机制、影响作用等角度,对知识密集型服务业展开了丰富的研究。Evangelista等[7]强调,知识密集型服务业的重要特征在于技术资源与人力资源的密集投入,主要涵盖了金融保险业、运输仓储业、通信服务业等行业。Kemppilä等[8]讨论了知识密集型服务业的内涵和特征,认为知识密集型服务业具有高知识附加值、高知识投入、高用户交互性等特点。Simmie等[9]指出,知识密集型服务业通过知识分工、转移与溢出等,实现了产业结构升级与推动经济发展的作用。Drucker等[10]强调,知识密集型服务业在国家与行业的技术创新体系中具有源推动作用,通过完善知识密集型服务业发展体系能够显著提升地区创新绩效。Antonioli等[11]则认为,知识密集型服务业对欧盟地区制造业创新与产业结构提升做出了重要贡献。

国外相关研究主要集中于知识密集型服务业,并没有专门针对高技术服务业的探讨。高技术服务业这一概念首见于2003年国务院出台的《科技型中小企业技术创新基金若干重点项目指南》,并在2005 年《科技型中小企业技术创新基金项目指南》中被确立为重点支持产业。按照现行《国民经济行业分类》(GB/T4754—2017)中的定义,高技术服务业由信息传输、计算机服务和软件业,科学研究、技术服务和地质勘查业以及知识产权服务业等构成。高技术服务业具有创新性、技术性、专业性、高渗透性、高增值性、强辐射性和高智力性等特征[12]。作为高技术制造业和现代服务业融合发展产生的新业态,高技术服务业的快速发展对推进产业结构转型升级、促进社会经济高质量发展具有重要意义。

当前针对高技术服务业的研究主要可归结为以下几个方面。一是分析研究高技术服务业发展情况及运行机制评价。王正新等[13]基于因子分析与改进聚类分析对我国高技术服务业区域发展水平进行了综合评价,认为我国高技术服务业在产业规模、基础条件与创新环境等方面差异明显。徐寒等[14]测算了中国三大经济圈的高技术服务业的绿色全要素生产率后提出,技术进步是高技术服务业发展的主导因素。二是探讨了制造业与高技术服务业间的关系。李胜等[15]从产业关联视角分析后认为,高技术服务业与制造业存在紧密互动关系。田晓煜等[16]发现,制造业与高技术服务业融合有利于推动制造业结构向高级形态转变。三是探究了高技术服务业与具体产业或行业的互动机制与影响作用。张萃[17]基于中国企业数据的实证研究表明,高技术服务业与企业内部研发在促进工业企业创新过程中呈现显著的替代关系。王延霖等[18]利用资源型上市公司的面板数据检验了高技术服务业对资源型企业两阶段创新效率的影响。

当下,学界主要针对高技术服务业发展、高技术服务业与关联产业的影响互动机制等方面开展研究,关于高技术服务业集聚与工业技术创新的深度作用机理,尤其是针对工业绿色创新的相关影响研究仍有待进一步拓展。此外,数字经济的迅猛发展能否为高技术服务业集聚与工业绿色创新发展带来促进作用,也是值得探讨的问题。再者,现代服务业已逐步成为经济增长的主导产业,在产业结构转型升级的背景下,高技术服务业集聚是能够持续带动工业绿色创新,还是可能产生“挤占效应”削弱对绿色创新的影响,也是值得研究的问题。因此,本文通过构建高技术服务业集聚水平、工业绿色创新效率指标以探讨高技术服务业集聚是否能够有效促进工业绿色创新效率提升。在此基础上,本文引入数字经济发展水平作为中介变量,研究以数字经济为代表的发展新动能在高技术服务业集聚水平与工业绿色创新效率中的作用机制,并进一步分析产业结构转型升级背景下高技术服务业集聚对工业绿色创新效率的非线性影响机制。由于高技术服务业集聚水平指标中,西部地区数据缺失较严重,且以往研究表明华东地区的高技术服务业集聚水平在全国处于领先地位[10,15]。因此,本文拟基于华东地区的上海、江苏、浙江、福建、安徽、江西、山东六省一市的相关数据作为研究对象进行深入分析探讨。

2 理论机理与研究假设

2.1 高技术服务业集聚对工业绿色创新效率的提升效应

产业集聚对绿色创新效率的影响一直是学界研究的重点领域。马歇尔最早提出产业集聚现象的存在并指出其具有外部性特征[19]。Porter[20]提出了产业集群的相关概念,对产业集群的内涵、特征及作用进行了剖析并强调集群的存在有利于群内企业创新功能的发挥。高技术服务业集聚对工业绿色创新效率的促进作用主要可从以下几个方面实现:一是高技术服务业作为高技术产业的延伸,是工业企业获取外部知识资源和创新支持的重要途径,其通过专业化与多样化分工,能够为工业企业提供丰富的绿色创新资源,优化企业绿色创新资源配置结构,提高绿色创新效率[18];二是高技术服务业集聚带来的先进技术、高级人才等重要资源所产生的集聚与溢出效应能够降低集群企业学习与交流的成本,对工业绿色创新能够产生正向反馈[21];三是高技术服务业集聚发展通常拥有优厚的配套条件(政府资助、研发支持、配套产业等),有助于形成良好的创新生态系统,进而助推工业绿色创新效率的提升[22-23]。

基于以上研究基础,本文提出假设1:高技术服务业集聚能够显著提升工业绿色创新效率水平。

2.2 高技术服务业集聚对工业绿色创新效率的非线性影响

虽然现有研究对于产业集聚的创新效应普遍持肯定观点,但也有学者通过研究发现高新技术产业集聚的创新效应并非始终保持持续稳定的影响。王莉静等[24]提出,高新技术产业多数为投资成本较高的行业,环境规制成本将冲击企业利润,挤占企业绿色技术创新研发资金。王洪庆等[25]研究发现,过高的高技术产业集聚会使拥挤效应开始显现,导致集群内绿色技术学习成本迅速上升,产生不良竞争效应和技术锁定效应。杨仁发[21]的实证结果表明,产业集聚与环境污染之间存在倒U型关系,应客观看待产业集聚在环境污染中的作用,动态处理产业集聚与环境污染的关系。李琳、林伯强等[26-27]分别通过研究发现,随着产业高级化程度的提升,市场失灵和社会缺位等客观因素与资源争夺政策制约等主观因素都可能导致高技术服务业集聚负外部性增强,进而降低创新效率。

因此,本文提出假设2:高技术服务业集聚对地区工业绿色创新效率具有非线性影响。

2.3 数字经济的中介效应

对现有研究进行梳理发现,高技术服务业发展能够带动数字经济水平提升进而实现工业绿色创新效率的优化。具体来看主要可以通过以下几种途径实现:一是通过提升数字产业化与产业数字化水平以实现工业4.0与两化融合的目标,推动产业结构的绿色低碳化改造;二是高技术服务业集聚有利于吸引优秀平台企业和研发人员进入集群,强化集群企业的高新技术研发动力,进而对绿色创新效率产生积极影响[28]。此外,高技术生产性服务进口能够带来大量前沿的国外技术,能够增强精益生产能力,进而减少污染排放,促进环境改善[29]。

由此,本文提出假设3:数字经济在高技术服务业集聚与工业绿色创新效率的作用关系中具有中介效应。

3 变量选取

3.1 被解释变量

本文被解释变量为工业绿色创新效率,采用非期望产出导向超效率SBM模型进行测算。其中投入指标从资本投入、劳动投入、能源投入3个方面分别选取规模以上工业企业R&D经费内部支出(万元)、规模以上工业企业R&D人员折合全时当量(人年)、各地区能源消费总量(万吨标准煤)表示。工业绿色创新效率的产出指标分为期望产出与非期望产出两部分,其中,期望产出借鉴过往研究采用工业有效发明专利(个)、技术市场成交额(万元)、新产品销售(万元)与工业固体废物综合利用量(万吨)分别反映地区工业发展的研发成效、技术转化成效、商业化成效与环保成效。非期望产出采用各地区一般工业固体废物产生量(万吨)、工业二氧化硫排放总量(万吨)、废水中化学需氧量(COD)排放量(万吨)以反映工业废气、废水与固体废弃物排放。

3.2 核心解释变量

本文的核心解释变量为高技术服务业集聚水平。在高技术服务业的行业选择上,国家统计局将科学研究和技术服务业,知识产权服务业,信息传输、软件和信息技术服务业三类划分为高技术服务业,由于知识产权服务业缺乏全国及省份数据指标,故参考以往学者的研究[30-32],选取信息传输、软件和信息技术服务业,科学研究与技术服务业两个行业作为高技术服务业数据指标来源。对于产业集聚水平的测算,目前主流方法有测算空间基尼系数、赫芬达尔指数、区位熵等。相较于其他方法,区位熵可以消除区域规模差异等方面的外部因素,能够真实反映区域的产业间分布情况[33]。故借鉴曹允春、姚维瀚等[34-35]学者的研究,采用区位熵方法进行集聚水平的测算。在对测算指标的选取方面,相较于产业就业人员数量,高技术服务产业产值的高低更能够反映该地区产业聚集发展的真实水平[36-37],故以高技术服务业的产业规模作为集聚水平测算的来源。具体测算方式如下:

其中,SQit表示高技术服务业聚集水平的区位熵;SCijt表示i地区第t年高技术服务业产值;GDPit表示i地区第t年生产总值;∑SCjt表示第t年各地市高技术服务业总产值;GDPt表示第t年各地区生产总值之和。

3.3 中介变量

本文的中介变量为数字经济发展水平。参考赵涛、黄群慧等[38-39]的相关研究,选取移动电话普及率、人均电信业务总量、信息传输、软件和信息技术服务业从业人数在城镇单位就业人员中占比、人均宽带接入户数与普惠金融发展指数5个指标,使用主成分分析法进行降维并测算评价。

3.4 门槛变量

本文将产业结构高级化作为门槛变量探讨不同水平的高技术服务业集聚对工业绿色创新带来的非线性影响。参照干春晖等[40]学者的观点,产业结构高级化以第三产业产值与第二产业产值之比进行测度。

3.5 控制变量

结合已有文献关于高技术服务业集聚与工业绿色创新影响的相关因素,并基于数据的可获得性考虑,本文选取地区城镇化水平、劳动力水平、经济发展水平、能源消费结构作为控制变量进行表征,具体变量及相关说明见表1。

表1 变量及相关说明

4 研究模型设定

4.1 非期望产出导向超效率SBM模型

数据包络分析法(DEA)是采取非参数分析方式,分别评价规模报酬不变(CCR)与规模报酬可变(BCC)情况下一组多投入、多产出的决策单元变量的产出效率,目前已成为学界研究多投入产出情境下技术创新效率问题的重要方法。但传统DEA分析法对于外部环境的干扰项与松弛变量的作用影响无法进行估量,且存在决策单元有效值无法突破1的前沿线值等问题。Tone[41]于2002年提出了超效率SBM(Super-SBM)模型,能够在考虑松弛变量的情况下实现对有效决策单元的进一步测算及排序。超效率SBM模型近年得到了主流学界的广泛认可,在技术创新与生态环保领域都有丰富的理论与应用研究。超效率SBM模型的具体形式如下:

其中,ρ表示决策单元的效率指数;x表示投入矩阵中的元素;n表示DMU,即决策单元的个数;m表示各个决策单元的资源投入;xi0、 yl0、yk0分别表示决策单元的投入量、期望产出量与非期望产出量;s1与s2分别表示决策单元的期望产出与非期望产出的个数;yd、yu分别表示期望产出矩阵与非期望产出矩阵的元素。

4.2 面板回归模型设定

为了验证高技术服务业集聚水平与工业绿色创新效率之间的作用机制,本文构建了面板计量模型,如式(3)所示:

GINit=β0+β1SQit+βiXit+λi+θt+εit

(3)

其中,GINit表示i地区第t年的工业绿色创新效率;SQit表示高技术服务业聚集水平的区位熵;Xit代表控制变量集合;β0表示高技术服务业集聚对工业绿色创新效率的回归常数项;β1表示高技术服务业集聚对工业绿色创新效率的影响程度;βi表示各控制变量对工业绿色创新效率的影响程度;λi表示第i省个体固定效应;θt表示时间固定效应;εit为随机干扰项。

4.3 中介效应模型设定

在式(3)基础上,本文进一步验证了数字经济发展是否在高技术服务业集聚对工业绿色创新效率的影响中起到中介效应。本文以数字经济发展水平(DIG)为中介变量,设立中介效应回归方程进行假设验证,具体表达如下:

DIGit=α0+α1SQit+αiXit+λi+θt+εit

(4)

GINit=γ0+γ1SQit+γ2DIGit+

γiXit+λi+θt+εit

(5)

其中,α1、αi分别表示高技术服务业集聚对数字经济发展的影响系数以及其余控制变量对数字经济发展的影响程度;γ0、γ1、γ2、γi分别表示回归常数项、高技术服务业集聚水平、数字经济发展以及各控制变量对工业绿色创新效率的影响程度。

4.4 门槛效应模型设定

本文采用Hansen[42]提出的面板门槛模型探讨产业结构高级化背景下高技术服务业集聚对工业绿色创新效率的非线性影响,具体模型设定如下:

GINit=φ0+φ1SQit·I(ISit≤μ)+φ2SQit·

I(ISit>μ)+φiXit+εit

(6)

其中,ISit为产业高级化水平发展程度;μ为门槛值;Xit为控制变量合集;I为指示函数,若是门槛变量大小符合设定门槛值则取值为1,否则为0;Φ0表示门槛模型的回归常数项;Φ1、Φ2分别表示产业结构高级化水平低于或高于门槛值时高技术服务业集聚水平对工业绿色创新效率的影响程度;Φi门槛模型中各控制变量对工业绿色创新效率的影响程度。

5 数据来源与描述性统计

由于工业绿色创新效率当中的能源投入指标数据在2021版统计年鉴中仅更新至2019年,基于数据的可得性与完整性,本文研究对象为2011—2019年华东地区的上海、江苏、浙江、福建、安徽、山东五省一市的相关数据,江西省由于高技术服务业数据缺失较多不纳入研究范围。本文的统计数据来源于《中国统计年鉴》《中国城市统计年鉴》《中国能源统计年鉴》及各省市统计年鉴。为缓解可能出现的内生性问题,对城镇化水平、劳动力发展与经济发展水平进行对数化处理。相关变量的描述性统计结果如表2所示,其方差膨胀检验系数VIF均值为6.83,小于临界值10,因此,认定相关变量不存在多重共线性问题,数据取值较合理。

表2 变量基本描述性统计

6 实证分析

6.1 工业绿色创新效率分析

本文基于非期望产出导向超效率SBM模型对2011—2019年间华东地区五省一市工业绿色创新效率进行测算(表3)。测算结果显示,各地区的工业绿色创新效率数值在观察期内均有较明显的提升,其中上海、安徽与山东地区在观测期内处于前沿位置(效率值大于1)。此外,工业绿色创新效率展现出比较明显的层次差异,浙江、江苏两地总体呈现出波动上升的态势,逐步由中低段区间上升至前沿区域;福建则随着时间推移出现了明显的下降。溯源后发现,福建地区数值落后的主要原因在于,其投入指标在观测期间不断提升但期望产出(新产品销售收入与技术市场成交额)并没有显著增长,部分年份甚至呈现出一定程度的下降,导致其在全局模型中处于较为落后的位置。

表3 2011—2019年华东地区工业绿色创新效率

6.2 高技术服务业集聚水平分析

高技术服务业集聚水平测算结果如表4所示。由表4可知,大部分地区的高技术服务业集聚水平在观测期间都有一定幅度提升。具体来看,上海作为全国科技研发中心与经济发展中心,其在高技术服务业发展方面所具有的优势确保了其高技术服务业集聚水平始终处于领先地位。近年来,浙江地区的高技术服务业集聚水平也得到快速提升,仅次于上海,这主要得益于近年来以电商产业领衔的高科技产业的高速发展,带动了高技术服务业的规模化成长。相较于发达地区,福建高技术服务业集聚水平在近年呈现小幅下降趋势,在所研究地区中处于落后位置。这表明,虽然近年福建高技术服务业有所发展,但仍存在基础研发水平与科技成果转化能力较为薄弱的现实情况,技术创新环境与相关配套资源有待进一步提升完善。

表4 2011—2019年华东地区高技术服务业集聚水平

6.3 基准分析与中介作用分析

Hausman检验显示了固定效应适合本面板数据分析,因此,本文在基准分析中分别采用普通最小二乘法、地区固定效应、地区和年份双重固定效应3种情况进行回归分析,讨论高技术服务业集聚水平对工业绿色创新效率的影响,结果如表5的(1)—(3)列所示。基准回归显示:在不同回归条件下,高技术服务业集聚水平均在1%的显著性水平上正向促进了工业绿色创新效率的提升;在控制地区与年份固定效应后其影响水平仍有提升,表明高技术服务业集聚能够正面促进工业绿色创新效率提升,且该结论具有一定程度的稳健性,假设1得到验证。为进一步验证数字经济发展在其中的影响作用,本文引入数字经济发展作为中介变量进行中介效应检验,结果如表5的(4)列、(5)列所示。列(4)显示了高技术服务业集聚水平能够在5%的显著性水平上影响数字经济水平,体现了高技术服务业集聚对于数字经济发展的提升具有明显的正向作用,高技术服务业集聚水平提升1%能够促进数字经济发展水平提升0.743%。列(5)显示了引入数字经济发展为中介变量后高技术服务业集聚水平对工业绿色创新效率的影响,影响系数为0.752,低于列(3)的0.991,但依然在5%的水平上显著,说明数字经济发展在高技术服务业集聚对工业绿色创新影响的过程中起到了明显的部分中介作用,假设3得到验证。这主要是由于,高技术服务业的快速发展能够有效推动大数据、物联网、人工智能等数字技术在工业相关产业的深度运用,丰富完善工业技术创新与技术服务体系,促进工业创新生态系统朝敏捷高效、融合发展、绿色低碳等方向不断发展。

6.4 门槛效应分析

为验证假设2中高技术服务业集聚对工业绿色创新效率的非线性影响,本文基于Hansen门槛模型以产业结构高级化水平(IS)作为门槛变量进行门槛回归分析。采用Bootstrap方法反复400次抽样分别进行三重、双重、单重门槛检验,检验结果显示在1%显著水平下存在单重门槛效应(表6)。门槛值对应的LR估计值均明显小于临界值(图1),上述门槛估计值真实有效。表7显示了上述门槛变量的回归结果。当产业结构高级化水平小于0.799时,高技术服务业集聚水平对工业绿色创新效率的回归系数为1.626;门槛变量大于0.799时,回归系数降为 0.855,说明随着产业结构高级化的提升,高技术服务业集聚对于工业绿色创新的正向积极作用将呈现下降趋势,这也印证了李琳、林伯强等[26-27]学者的研究结论。这一现象出现的原因可能在于,一方面,制造业尤其是传统制造业等发展增速有所下滑,这些行业依赖传统发展路径且部分落后行业受限于现实发展困境,很难真正投入资源进行绿色创新研发。另一方面,我国高技术服务业与生产制造业融合过程中出现的结构性矛盾也愈发突出,关键要素支持力度不强、产业链转型升级壁垒增大、创新成本不断提升等问题都可能阻碍工业绿色创新效率的进一步提升。

图1 产业结构高级化门槛效应LR统计

表6 门槛效应检验结果

表7 门槛模型估计结果

7 结论与启示

7.1 结论

本文采用区位熵法、非期望产出导向超效率SBM模型与主成分分析法等,基于2011—2019年间华东地区五省一市的样本数据对高技术服务业集聚水平与工业绿色创新效率进行了测算,探讨了高技术服务业集聚对工业绿色创新效率的影响,并通过引入数字经济发展水平与产业结构高级化水平进一步探讨了潜在的中介作用与非线性影响机制。主要结论有如下几点:一是华东地区高技术服务业集聚水平与工业绿色创新效率总体均呈现出波动上升的态势,但不同地区间存在较大差异;二是高技术服务业集聚对工业绿色创新效率具有显著的正向影响,数字经济发展在其中体现显著的部分中介效应;三是高技术服务业集聚对工业绿色创新效率提升呈现非线性门槛效应,随着地区产业结构高级化水平不断提升,高技术服务业集聚对工业绿色创新效率的影响将有下降趋势。

7.2 启示

第一,推进区域协同发展,深化产业互动融合。得益于技术储备、产业基础、政策环境、人才集聚等多方优势,华东地区高技术服务业水平长期在全国保持领先地位,但不可忽视的是,区域内部在高技术服务业集聚水平上依旧存在明显的发展差距。推进华东地区高技术服务业协同发展,一方面需要深化区域的产业分工与交流合作,通过产业示范效应、集聚效应与知识溢出效应等方式打破区域壁垒,实现正向驱动;另一方面也需要强化高技术服务业与产业互动融合的政策着力点,通过产业代际转移、人才设施配套等方式引导构建集合政府、企业、高等院校和科研院所、中介服务机构等多主体在内的创新生态系统,实现分工协作、功能互补,促进科技成果的应用转化。

第二,强化科学技术引领,推进服务业高质量发展。近年,我国高技术服务业总体呈现出平稳较快的发展态势,但相比于发达国家,总体发展效率依旧较低,在推进高新技术与产业应用深度融合、创造体系完备的支撑环境等方面,仍有待进一步优化。要实现高技术服务业发展质量的根本提升,归根结底仍在于技术创新。因此,应充分利用以数字经济为代表的新一代技术水平,探索优化高技术服务业与新业态新模式的创新融合机制,提升高技术服务业对高新技术产业及其他生产生活产业的技术服务和技术转移能力,实现高技术服务业的高质量发展。

第三,推动产业结构改革,实现工业绿色低碳转型。目前,我国产业发展仍存在结构大而不强、全而不优等问题,能源消耗与绿色发展间的矛盾日益突出。双碳目标的提出为推动产业结构的绿色低碳转型带来新契机,各地需要逐步淘汰落后产能推进产业结构调整升级,加快推进科学研究、技术服务等一系列促进高技术服务业与工业制造业深度融合发展的举措,协同推进工业节能减碳目标达成,实现我国由制造大国向制造强国的转变。