高技术产业集聚对区域创新效率的影响——基于空间计量模型的实证研究

古晨光，李 蕾，田 宇

(1.中共中央党校 (国家行政学院)经济学教研部，北京 100091；2.清华大学经济管理学院，北京 100084)

0 引言

中国经济的发展正在从传统的要素驱动模式向创新驱动模式转变[1]。 “十四五”规划指出，坚持创新在我国现代化建设全局中的核心地位，布局建设综合性国家科学中心和区域性创新高地，支持北京、上海、粤港澳大湾区形成国际科技创新中心。区域创新是国家创新体系的重要组成部分，也是实现国家创新驱动发展战略的重要领域。如何有效提升区域创新效率是区域创新的核心议题之一，包括如何提高区域内创新资源利用程度以及如何提高区域内创新资源整合水平[2]。

高技术产业是创新活动最为活跃的领域，其在特定区域的集聚程度直接影响到该区域的创新效率。中国的高技术产业集聚存在着明显的 “东密西疏” “东高西低”特征。例如，2021年我国东部地区高技术产业营业收入14.05万亿元，占全国高技术产业营业收入的66.94%；中部地区和西部地区高技术产业营业收入分别为3.65万亿元和2.92万亿元，分别占全国高技术产业营业收入17.39%和13.91%。那么，中国高技术产业区域集聚的不平衡是如何影响区域创新效率呢？本文拟围绕这一问题，尝试对中国高技术产业集聚影响区域创新效率的作用机制做出理论分析和实证检验。

本文的边际贡献主要在于：①构建高技术产业集聚影响区域创新效率的理论机制，深入研究高技术产业和区域创新效率之间的因果关系。不同于以往二者之间传统的线性关系研究，本文揭示高技术产业集聚和区域创新效率之间存在显著的倒U形关系。②已有研究主要集中在理论层面，在实证部分还相对较少且并未将空间因素纳入考虑范围，因此本研究通过构建空间杜宾模型，对二者之间的非线性关系进行实证检验。③考虑到区域异质性问题，本研究不仅在全国层面展开研究，也在区域层面按东中西部对高技术产业集聚对区域创新效率之间的关系进行研究。

1 文献回顾

区域创新效率是知识向新产品、新工艺和新服务的转化效率，能够反映区域的创新能力[3]。已有研究从多个维度探究区域创新效率的影响因素及其作用机制。例如，黄立赫等[4]在利用数据包络 (DEA)方法对30个省份财政分权、资本错配和区域创新效率进行测算的基础上，运用固定效应模型研究发现财政分权对区域创新效率有显著的促进作用；安孟[5]在利用随机前沿分析 (SFA)方法对区域创新效率进行测算的基础上，实证研究发现对外直接投资通过人力资本效应和对外开放效应两个渠道促进区域创新效率的提升；原毅军等[6]在以数据包络方法对区域创新效率进行测算的基础上，从产业和空间相关联的视角出发对产业协同集聚和区域创新效率之间的关联进行实证研究，发现产业协同集聚呈现 “中心—外围”的空间格局，区域创新效率存在显著的正向空间溢出效应，且对周边地区产生 “涓滴效应”；韩坚等[7]把产业集聚因素引入区域创新的投入和产出函数中，借助空间滞后 (SAR)模型所做的实证分析表明，产业集聚对创新产出有显著的正向影响，其空间外溢效应使临近区域的创新发展相互影响；赵婷婷等[8]将发明型专利数量作为衡量区域创新的指标，以省级面板数据为例利用系统GMM方法对产业集聚对区域创新的影响进行实证分析发现，产业集聚可以显著促进区域创新且不同区域的产业集聚通过外部性影响区域创新的路径不同；柳卸林等[9]在从新经济地理学和创新地理学的视角探索产业多元化和专业化集聚对区域创新绩效的影响中发现，产业集聚对区域创新存在显著的正向影响。

在研究产业集聚对区域创新效率的影响作用文献中，高技术产业集聚对区域创新效率的影响向来是学者关注的热点问题。王琛等[10]在立足特定产业的研究中发现，高技术产业在特定产业上并没有显著推动区域创新的发展；而杨浩昌等[11]和张涵[12]的实证研究表明，高技术产业集聚能够显著提升区域创新产出，对区域研发创新有显著的推动作用；姬志恒等[13]基于面板向量自回归 (PVAR)模型研究发现高技术产业集聚有助于提高技术创新能力、从而推动区域的绿色发展效率；徐丹等[14]通过构建面板门限模型和非线性模型研究发现高技术产业集聚会对区域创新能力产生非线性影响。

纵观已有研究，对于高技术产业集聚和区域创新效率之间的关系问题，学术界尚未达成一致结论。有鉴于此[15]，本文在考虑区域异质性问题的基础上按东中西部地理区域，就高技术产业集聚对区域创新效率影响的内在机理进行探究，以此丰富区域创新理论。

2 理论机制分析

在现代经济体系中，高技术产业是最重要的产业部门之一，该部门是利用创新技术生产高科技产品的工业部门[16]。高技术产业的特征是：①知识和技术密集型；②研发投入高；③高成长性、高收益、高风险；④对其他产业的渗透力强[17]。我国的高技术产业发展通过建立高技术产业集群，从而促进高技术产业集聚[18]。本文将从产业集聚、产业关联和空间溢出3个视角来阐释高技术产业集聚对区域创新效率影响的理论机制。

(1)产业集聚视角。从产业集聚视角看，高技术产业集聚对区域创新效率影响的理论机制从产业集聚类型和产业集聚程度两个维度进行阐述。

从产业集聚类型维度看，高技术产业集聚可以划分为专业化集聚和多样化集聚两个角度。从专业化集聚的角度出发，高技术产业集聚呈现相对单一的产业结构特征，高技术产业在空间上的集中和集聚会带来规模效应，不仅可以降低生产成本，还可以提升技术水平。同时，基于共享机制，高技术产业集聚能够降低创新要素在企业之间扩散的技术门槛，从而提升集聚区内高技术产业的创新能力。从多样化集聚的角度，不同种类高技术产业的多样化集聚有利于实现技术的互补，从而为区域内的知识组合和走向充足提供机会。技术的交叉融合不仅可以促使区域内形成更加完整的产业链，还可以在发展新产业之时引入新的技术要素，营造良好的创新环境，从而提升区域整体的创新效率[13]。

从产业集聚程度的维度看，高技术产业在集聚程度的不同时期对区域创新效率的影响表现出异质性。在产业集聚初期，高技术产业集聚通过规模经济效应影响区域创新效率[19]。大量的生产要素会在高技术产业集聚初期流入集中，其带来的规模效应可以帮助高技术产业降低成本、充分发挥资源的边际效益、提高产业的资源配置效率[20]。但是，在高技术产业集聚水平超过一定的限度时，要素过度集中所带来的拥挤效应就会在一定程度上降低资源的配置效率，同时也会带来环境污染问题。而且，由于认知距离的锁定也会在一定程度上阻碍新技术的产生和新知识的流入[21]，从而降低区域内的创新效率。

(2)产业关联视角。根据产业关联理论[22-23]，各产业之间的以各种投入品和产出品为连接纽带的技术经济联系形成了产业关联。基于高技术产业自身高创新性、高成长性和高产业渗透性[17]，高技术产业关联可以分为产业内部的水平关联和产业之间的垂直关联两种类型。

一方面，高技术产业部门之间的技术经济联系，使得特定产业的研发创新成果在一定程度上会促进产业内部的技术进步[24]。高技术产业内部之间的水平关联可以改善企业的资源配置效率和技术创新能力，产业内部的技术外溢可以提高本类企业的整体生产能力[25]，从而提升高技术产业集聚区域的创新效率。

另一方面，由于产业的耦合机理，高技术产业与传统产业之间产生了基于投入品、产出品的产品关联纽带和基于生产技术联系的技术关联纽带，进而形成了前向关联 (Forward Linkage)和后向关联 (Backward Linkage)的产业直接关联，以及产业间的波及传递和影响感应而衍生的波及关联 (Spreading Linkage)和诱发关联 (Induced Linkage)[26]，推动了传统产业与现代产业升级融合，加快推动产业之间的分工和产业发展，有效整合区域之间的资源和要素[27]，加强跨区域企业之间的科技创新合作，从而提高区域创新效率。

根据产业集聚和产业关联两个视角下的理论机制分析，本文作出假设H1：高技术产业集聚对区域创新效率的影响呈现非线性形态。

(3)空间溢出视角。高技术产业集聚对于区域创新效率的影响还可通过空间溢出效应来实现。一方面，随着高技术产业在某一区域的集聚，大量的知识和信息随之集中，研发要素的自由流动和空间知识溢出加快不同创新主体之间的模仿、学习和交流的过程，并进一步提升知识的积累、传播和扩散，提高企业的创新水平[28]，从而实现区域创新效率的提升。高技术产业集聚也有利于技术人才的流入，形成共享的劳动力池，带来新的知识、创造了新的创新环境[29]，促进了知识积累、传播和创新[30-31]，提升了区域创新效率。

另一方面，高技术产业集聚对周边区域的辐射扩散作用，影响了不同区域之间的创新效率。从区域发展看，区域创新效率不仅受到当地高技术产业集聚的影响，同时也会受到周边区域高技术产业的影响。区域创新具有显著的空间性，地理上的临近和创新网络带来的溢出效应有利于促进区域间的协同创新[32]。例如，我国东部地区的高新技术产业集聚正在形成，东部地区与中西部地区的创新效率表现出显著差异，先进技术可以从发达的东部地区扩散到欠发达的中西部地区，从而促进区域创新均衡发展，提升区域整体的创新效率[33]。从企业创新看，地理空间上的相邻为要素和资源的自由流动提供了相对便利的条件，为企业之间的合作交流提供客观条件，提高了企业作为创新主体的创新效率，进而带动了集聚区域及周边地区的创新效率的提升[34]。

根据空间溢出效应视角下的理论机制分析，本文作出假设H2：高技术产业集聚对区域创新效率的影响作用存在空间异质性，对于经济发展较好的区域具有较强的影响作用。

3 模型构建与数据选取

3.1 空间计量模型的研究设计

(1)空间滞后模型 (SLM)：考虑到空间变量的自回归，本文主要研究相邻区域的空间溢出效应。

β3lnECOit+β4lnHUMit+β5lnINDit+β6OPENit+

β7GOVit+β8URBit+μi+νt+εit

(1)

(2)空间误差模型 (SEM)：区域创新效率取决于观察到的一组局域特征或忽略掉在空间相关上的一些重要变量 (误差项)。

β4lnHUMit+β5lnINDit+β6OPENit+β7GOVit+

β8URBit+μi+νt+εit

(2)

Tit=γW×Tit+εit

(3)

(3)空间杜宾模型 (SDM)：主要将解释变量和被解释变量的空间滞后因素也纳入模型。

β3lnECOit+β4lnHUMit+β5lnINDit+β6OPENit+

β11WlnECOit+β12WlnHUMit+β13WlnINDit+β14WOPENit+β15WGOVit+β16WURBit+μi+νt+εit

(4)

式中，下标i代表区域，t代表年份，RIEit为被解释变量，表示在t时间的i区域创新效率，AGG、AGG2为核心解释变量，分别表示高技术产业集聚、高技术产业集聚二次项，lnECO、lnHUM、lnIND、OPEN、GOV、URB为控制变量，分别代表经济发展、人力资源、公共设施、对外开放、政府干预、城市化水平。其中，C为常数项；ρ为衡量区域创新效率的空间相关度；β为待估计系数；W为空间权重矩阵，空间溢出效应的效果受两个省份之间总体经济、科研能力与地理距离等因素的影响，这可以通过分配得到不同权重来量化体现；本文选取二元邻接矩阵来反映省份之间的空间性关系，若省份相邻，则存在邻近关系，权重为1，反之权重为0。μi为固定效应，νt为随机效应；тit为误差项；W×тit为空间滞后误差项；εit为随机误差项。空间权重的构建公式：

(5)

3.2 空间自相关性检验

空间自相关性检验用Moran’sI来检验变量是否具有空间相关性。在考虑是否将空间因素纳入模型之前，必须先确定是否存在空间自相关性，因此本文拟采用Moran’sI进行检验。

(6)

3.3 指标选取

(1)被解释变量：区域创新效率 (RIE)。RIE反映一个地区创新行为过程中投入与产出的集约性水平，选取DEA-BCC模型测算区域创新效率。以数据包络分析法为代表的非参数法应用更为广泛，主要因为其不用事先设置生产函数的具体形式，可有效避免主观随意性导致的误差，BCC模型还可以将综合效率值分解为技术效率和规模效率。在投入指标方面，选取R&D资本存量和R&D人员投入两项[36]。其中，采用永续盘存法将R&D经费投入总额核算为R&D资本存量[37]，R&D人员投入选取R&D人员当时全量人员当时全量。在产出指标方面，本文选取专利授权量和技术市场成交额[38]。

(2)解释变量：高技术产业集聚 (AGG)。本文拟采用高技术产业的就业人数，按照 《中国高技术产业统计年鉴》对高技术产业的分类[15]，利用区位熵方法测算的集聚指数作为衡量指标[39]。公式为：

(7)

式中，Pit为i省在t时期的高技术产业就业人数，Pi为i省总就业人数，Pj为全国高技术产业的就业人数，P为全国总就业人数。AGGit为i省在t时期的高技术产业的区位熵。

(3)控制变量：①经济发展水平 (lnECO)。经济发展水平是推动区域创新能力的关键因素，因此选取人均GDP作为衡量指标[40]，并取自然对数，数值越大，说明经济发展越好。②人力资本 (lnHUM)。人力资源是技术进步至关重要的动力源泉，选取每万人高等学校在校人数作为衡量指标[41]，并取自然对数，数值越大，说明劳动力水平越高。③公共基础设施 (lnIND)。选取公路里程数为衡量指标，并取自然对数[42]，数值越高，说明基础设施越完善。④对外开放水平 (OPEN)。选取进出口总额占GDP的比重为衡量指标[43]，对外开放水平代表和国外先进技术接轨的水平。数值越大，说明对外开放程度越高。⑤政府干预 (GOV)。选取政府财政支出占GDP的比重为衡量指标。数值越大，说明政府规制能力越强[44]。⑥城市化水平 (URB)。城市化进程是推动现代化的进程，也是推动区域创新发展的进程，选取人口城镇化率为衡量指标[45]，数值越大，说明城市化水平越高。

3.4 数据来源

本文数据均来自 《中国城市统计年鉴》 《中国科技统计年鉴》 《中国高技术产业统计年鉴》和各省份统计年鉴。在研究时间段选择上，鉴于数据的可获得性和2020年新冠肺炎疫情影响难以在当期直接体现，故选取2005—2019年中国30个省份的面板数据 (未包括港澳台地区和西藏)。

4 实证分析

4.1 空间自相关性检验结果

本文利用STATA15分别计算2005—2019年中国30个省份的高技术产业集聚与区域创新效率的Moran’sI值，见表2。从表2可见，高技术产业集聚和区域创新效率的Moran’sI均为正值，且二者均在1%水平下显著，说明二者都通过了空间自相关检验，这意味着构建模型时要考虑空间效应，二者存在显著的空间正相关关系。

表1 2005—2019年30个省份区域创新效率均值

表2 高技术产业集聚与区域创新效率的Moran’s I值

4.2 空间计量模型的选择与回归分析

(1)随机效应和固定效应回归。根据随机效应和固定效应回归的结果表明，随机效应的回归结果说明在1%的显著性水平拒绝原假设。 (鉴于篇幅有限，故省略部分表格)固定效应的第一个F检验值为436.36，第二个F值为41.3，二者的P值都为0.000，都可以拒绝原假设。第一个F是用来判断各个参数之间是否具有联合效应，第二个F代表所有个体在整体上是否有显著性，二者的结果都表明固定效应非常显著，因此应该选择固定效应模型。

(2)LM检验结果。LM检验就是判断SEM模型和SLM模型哪个更适合进行实证分析。检验结果表明，二者在1%的水平下都显著，且LM Spatial lag的值在两种情况下都高于LM Spatial err的值，表明本文应该选择SEM模型。

(3)空间计量模型的确定和分析。为了将空间效应考虑进去，同时防止普通面板模型结果的误差，本文拟使用MLE方法对含有空间效应的模型进行实证分析。通过对比SDM、SLM和SEM模型的回归结果，从而选择最优的模型。

为了让实证结果更加准确，本文选取时间和空间双固定模型进行实证分析，回归结果见表3。表3中SDM的值最高，说明SDM模型更合适。

表3 空间计量模型的回归结果

LR和Wald检验是为了检验SDM模型的准确性，检验其是否会简化为SEM模型和SLM模型。检验显示使用SDM模型是正确的。

(4)空间效应分析。根据表4的结果，高技术产业集聚 (AGG)的直接效应、间接效应和总效应均在1%的水平下显著，系数分别是0.065、0.096和0.161。这说明高技术产业集聚与区域创新效率之间存在着显著的正相关关系，高技术产业集聚对本地区和周边地区的区域创新效率都有明显的正向促进作用，且溢出效应比直接效应更明显。高技术产业集聚平方项 (AGG2)的直接效应和总效应均在1%的水平下显著，间接效应在10%的水平下也显著，系数分别为-0.030、-0.025和-0.055，说明高技术产业的集聚对区域创新效率是先正向促进，之后再负向抑制，呈现出非线性的倒U形，验证了假设1。在高技术产业发展初期，专业化集聚和多样化集聚通过规模效应和产业关联效应来降低生产成本、充分发挥资源的边际效益，从而提升动区域创新效率。但是，当资源和要素集聚达到一定规模后，过度集聚所带来的拥挤效应也会在一定程度上造成资源浪费和额外成本支出，从而抑制区域创新效率的提升。此外，高技术产业集聚也可以通过空间溢出效应来降低企业的创新成本，进一步加快知识的积累、传播和扩散，从而提高周边区域的创新效率。

表4 空间计量模型的效应分解

就控制变量而言，经济发展水平 (lnECO)、人力资本 (lnHUM)、公共基础设施 (lnIND)、政府干预 (GOV)、城市化水平 (URB)对本地区的区域创新效率有显著的提升作用，这说明经济发展、人力资源、公共基础设施、政府的合理干预和城市化进程有助于提高区域创新效率。经济发展可以为区域创新提供经济支撑，人力资源可以提供高质量的人才，公共设施的完善可以为吸引人才提供外部设施支撑，政府合理干预以及宏观调控有助于营造良好的创新环境，城市化水平加快带来资源要素的集聚可以提高区域创新效率。经济发展水平和政府干预对周边区域的创新效率起到负向抑制作用，原因可能在于经济发展过程中资源要素向城市的过度集中产生的虹吸效应、政府对于创新发展的过度干预会在一定程度上抑制区域创新效率。对外开放程度 (OPEN)对区域创新效率有着明显的负向抑制作用，原因可能在于过去对外开放所引进的技术创新和经济发展属于粗放式发展模式，并没有过多注意效率的提升，因此对区域创新效率在一定程度上起到了抑制作用。

4.3 区域异质性分析

根据表5的结果，高技术产业集聚对于区域创新效率的正向促进作用在中西部地区明显弱于东部地区，东部和中部地区的正向促进作用都在1%水平下显著，但在西部地区的正向促进作用不是特别显著，原因可能在于东部地区的城市化进程较快、产业基础条件较完备、资源利用较充分、创新环境相对较好等为东部地区的创新提升提供了保障，从而推动了区域创新效率的提升。不同于东部地区的优势因素，中西部地区由于经济相对落后、公共基础设施不够完备、地理位置较为偏僻、人才相对匮乏、城市化进程较慢和创新成本较高等因素使得资源利用效率较低、产业结构升级较慢，无法充分发挥规模效应和产业关联效应，从而无法较好地推动区域创新效率的提升，因此高技术产业集聚对区域创新效率的正向促进作用在东部地区强于中西部地区，即验证了假设H2。

表5 关于东、中、西部的空间计量模型的效应分解

4.4 稳健型检验

(1)更换空间权重矩阵。本文通过变换空间权重矩阵来进行稳健型检验，把原来的二元邻接空间权重矩阵变换成地理距离空间权重矩阵，公式为：

(8)

式中，Lij表示i区域和j区域的省会城市之间的地理距离；为了减少误差，采用倒数形式作为空间权重，矩阵对角线的权重为0。

根据表6的结果，更换空间权重矩阵后，解释变量系数的符号未发生变化，且显著性水平基本相同，实证结果是稳健的。

表6 更换空间权重矩阵后的空间计量模型的效应分解

(2)调整样本观测时间。本文将样本观测时间由2005—2019年调整为2006—2020年，所得结果显示，变量的系数显著性的差异较小，且符号保持一致，所得结果依然稳健。

(3)内生性问题分析。本文选取的变量一定程度上规避了遗漏相关变量带来的内生性问题，但是不能解决双向因果内生性问题。因此本文运用工具变量法中的系统GMM方法来解决内生性问题，同时选取被解释变量区域创新效率、解释变量高技术产业集聚及其二次项的时间滞后项的两期变量作为工具变量进行估计。根据表7的结果，AR (1)的伴随概率小于0.1，AR (2)的伴随概率大于0.1，因此在10%的显著性水平下不拒绝扰动项的二阶差分存在自相关的原假设；Sargantest的伴随概率大于0.1，因此在10%的显著性水平下也不拒绝选取的工具变量是联合有效的原假设。由此，本文选取系统GMM方法处理内生性问题是合理的，其结果也是稳健的。

表7 基于系统GMM检验的高技术产业集聚对区域创新效率的影响

5 政策建议

(1)中央和地方政府都要加大R&D人员和经费投入，着力推动高技术产业集群式发展。高技术产业集聚对区域创新效率提升的显著作用要求各级政府高度重视高技术产业的集聚与发展，持续加大投入，并鼓励更多的资本参与高技术产业的创新活动。特别是，地方政府要积极推动高新技术产业园区的建设，为高技术产业的集群式发展提供空间载体。在高技术产业集聚过程中，要充分发挥抱团优势与合作共赢来推动区域高技术产业一体化，进而打造高技术产业集群地区，在充分发挥规模效应的同时提高区域创新效率。

(2)优化产业空间布局，提高创新资源利用效率。一方面，全国上下都需要合理利用创新资源，使高技术产业实现有效集聚。当高技术产业集聚达到一定程度的时候，对区域创新效率的提升作用不再像初期那么大，甚至出现负向抑制。因此中央和地方政府都需要合理规划高技术产业集聚区，充分利用创新要素和资源，打造合理的产业链，使高技术产业集聚区内的产业链可以实现优势互补，真正推动区域创新效率的提升。另一方面，要充分把握发展高技术产业集聚和区域创新效率之间的倒U形规律，在高技术产业发展初期充分发挥规模优势和提高资源利用效率，在重视高技术产业集聚的量的同时更要注重质的保障。防止过度集聚所产生的拥挤效应会造成资源的浪费，从而降低创新效率。对于过度集聚的产业，可以进行产业结构优化，并适当进行产业转移，从而释放过度集聚所带来的压力。

(3)高技术产业的集聚要走差异化道路，以更好地推动区域创新协调发展。一方面，不同地区由于公共基础设施、经济发展水平、地理位置等因素不同，所具备的比较优势也不同，因此各地区要根据本地区的产业结构特点和区位优势来明确产业发展阶段和主体功能，从而因地制宜地实行差异化战略。此外，要充分发挥产业关联效应，既要推动产业优势互补，推动产业结构优化升级的同时实现区域内资源的整合，在产业集聚区内又要充分发挥龙头企业的引领作用，在推动产业内和产业间结构升级的同时来提升创新效率。另一方面，要注重区域之间创新发展的不平衡，充分发挥东部地区发展的优势，在提升区域创新效率的同时进一步将高技术产业做大做强，从而更好地发挥引领作用。对于中西部高技术产业发展较为缓慢的地区，在产业规划布局上要加强政策倾斜和照顾，营造一个良好的创新环境。不仅要在高技术产业发展初期提供资金上的帮扶、政策上的倾斜，更要利用好空间溢出效应，积极主动承接发达地区转移的产业，从而享受到发达地区知识溢出所带来的正面促进作用。此外，要建立起人才保障、引进和激励机制、完善相应的与之相应的配套措施，为技术进步和区域创新提供充足的人才保障。