基于空间面板杜宾模型的农村金融发展与农村经济增长关系研究*

王淑英，孙 冰，秦 芳

(郑州大学管理工程学院，河南郑州 450001)



·研究报告·

基于空间面板杜宾模型的农村金融发展与农村经济增长关系研究*

王淑英※，孙 冰，秦 芳

(郑州大学管理工程学院，河南郑州 450001)

长期以来，农村金融发展与农村经济增长之间的关系受到国内外众多学者的关注。文章基于柯布-道格拉斯生产函数，考虑到空间溢出效应，将资本因素划分为农村金融发展的规模、效率和结构3个纬度，结合劳动力投入量，通过构建前沿的计量经济学空间面板Durbin模型，对我国30个省市2000～2009年农村金融发展与农村经济增长的关系进行了分析。结果表明，在样本期间，我国农村经济增长存在显著的空间集聚现象； 农村金融规模、效率、结构与农村经济增长之间存在显著的相关关系，其中，农村金融规模和农村金融结构对农村经济存在反向作用，而农村金融效率对农村经济具有显著而正向的直接影响且存在正向空间溢出效应，成为影响农村经济增长的关键因素。农村金融发展与农村经济增长之间的良好互动机制尚未建立。因此，各省市在加大农村金融投资规模的同时，要努力提高农村金融资源配置效率。

农村经济增长 农村金融发展 空间集聚 空间溢出效应 空间面板杜宾模型

0 引言

在中国经济步入新常态，经济增速放缓的背景下，农村经济由于拥有广阔的市场空间、庞大的消费群体而逐渐成为保障中国未来经济高速增长的中坚力量。与此同时，农业发展与国民经济和全球一体化发展关系日益密切，农村经济增长的外部环境和内在条件都发生了巨大变化，面临新的压力和挑战，农村经济增长迈入关键时期[1]。农村金融作为农村经济增长的源动力，一方面为农业经营主体提供借贷资金，满足生产需要[2]； 另一方面优化农村实体资产配置，提高农业产出效率，推动农村经济的增长[3]。农村金融已成为农村经济增长的重要引擎，在促进农民收入增长、农村社会和谐稳定方面做出了重要贡献。

中国地理面积广阔，各省市农村地区经济发展程度差异性较大，地理空间因素成为影响农村金融发展和农村经济增长不容忽视重要因素之一[4-5]。伴随着区域资源要素流动加速，省域、城乡互动联系增强，一个农村地区的经济增长不仅受到本地投入要素的影响，还会受到周边邻近地区的影响[6-7]。考虑地理空间因素分析我国农村金融发展与农村经济增长的内生关系，对于发挥农村金融对农村经济增长的积极作用具有重要启示。

1 文献综述

在实证研究农村金融发展与农村经济增长关系的国内外文献中，前期学者多采用时间序列数据模型分析方法，Burgess and Pande(2002)[8]利用印度1961～2001年时间序列数据检验农村金融发展与农村经济增长的相关性及因果关系，其结果表明印度农村银行业改变了农村生产活动和雇佣关系，促进农业产出增加。姚耀军(2004)[9]对中国1978～2002年时间序列数据利用VAR模型、协整分析及Granger因果检验法进行实证分析，得出农村金融发展与农村经济增长存在长期均衡关系。禹跃军和王菁华(2011)[10]对1978～2010年时间序列数据采用VAR模型，从农村金融规模、效率和结构3个层面分析农村金融发展与农村经济增长的关系，其研究表明农村金融发展有助于促进农村经济增长，但农村金融规模、效率和结构对农村经济增长的影响程度不同。但是，也存在不同的观点。温涛等(2005)[11]运用1952～2003年时间序列数据进行协整检验发现，我国农村金融发展对农村经济增长和农民收入增长具有显著的负效应。朱喜和李子奈(2006)[12]利用我国1981～2004年时间序列数据采用VEC模型进行协整分析，认为政府主导的农村金融不能有效促进农村投资增加和农民收入增长。可见，学者们选择不同的计量模型和农村金融指标，得出的结论也不尽相同。

近些年来，随着前沿的空间面板数据模型逐渐被学者们所接受，用此模型检验农村金融发展对农村经济增长的影响是有必要的。张宇青等(2013)[13]采用Moran′s指数、空间滞后模型(SLM)和空间误差模型(SEM)检验农村金融发展、农村经济增长和农民增收的关系，得出农村经济增长和农村金融发展具有空间关联性，但由于其研究仅仅使用两年的数据，不能深刻描述二者之间变化趋势。胡宗义和李鹏(2013)[14]对我国31省市2003～2010年面板数据使用SLM、SEM 和SDM 3种模型检验我国农村正规和非正规金融对城乡收入差距的影响，结果表明农村金融对缩小城乡收入差距有显著正向影响，但其使用农村固定资产投资衡量农村金融，存在较大问题。谭崇台和唐道远(2015)采用我国31省市2002～2009年面板数据，通过建立SEM模型进行实证分析，发现我国农村金融发展对农村经济增长有正向作用。但由于其农村金融指标过于单一，不能全面刻画我国农村金融发展程度。

以上研究很好地分析了我国农村金融发展与农村经济增长的关系，说明了改革农村金融体制的重要性，但是有关二者的现有文献大多使用时间序列数据模型进行分析，鲜少利用空间面板计量模型进行检验，对变量的空间溢出效应分析更是不多见，并且在影响因素分析中，只有正向或负向影响的结论，而没有对直接效应和间接效应进行区分。鉴于此，文章从以下两个方面进行扩展：一是使用较为前沿、更具有一般性的空间面板Durbin模型； 二是全面衡量农村金融发展状况，将其分解为农村金融规模、效率和结构，全方位分析对农村经济增长的正向或负向影响之后，进一步检验农村金融各层指标对农村经济增长的直接效应、间接效应和综合效应。

2 农村金融发展与农村经济增长的空间分布

2.1 指标确定与数据来源

(1)被解释变量。目前对农村经济增长的研究中，常用GDP增长或人均GDP指标分析问题，考虑现实条件下大量农民工进城务工以及农业机械化大力推广，采用人均GDP不能准确反映农村产出。故该文选用第一产业增加值与乡镇企业增加值之和估算农村总产出，为消除量纲的影响进行对数变换。

(2)核心解释变量。为全面衡量我国农村金融发展水平，该文参考了King和Levine(1993)[15]对金融发展指标的设置，依据我国农村实际情况和数据可得性，将农村金融发展界定为金融规模扩张、金融效率提升及金融结构优化3方面的统一。规模方面，该文基Goldsmith(1969)提出的“金融相关比率”(FIR)[16]，采用各省市农村金融机构信贷规模与农村总产出的利率即农村FIR来表示农村金融规模； 效率方面，采用农村贷款与农村存款之比反映农村金融机构将存款转化为贷款的能力，凸显农村金融机构对金融资源的配置能力； 结构方面，主要关注农村金融市场结构，用农村信用社贷款与农村贷款的比率估算农村信用社在农村金融市场的份额，反映了农村金融市场的市场化程度。

(3)控制变量。在现实情况中，农村经济增长还受到其他因素的影响，根据总生产函数，考虑农村劳动力投入量，用乡村从业人口表示，为消除量纲的影响进行对数变换。主要指标说明见表1。

表1 指标选取与说明

指标数据来自2000～2009年中国统计年鉴、中国乡镇企业及农产品加工业年鉴、中国金融年鉴、中国农村统计年鉴以及各省份统计年鉴，其中由于西藏部分数据缺失，为避免对实证检验造成影响，故该文只对其余30个省市数据进行分析。

2.2 空间自相关性分析

2.2.1 空间相关性检验

(1)农村总产出的全局空间相关性检验

全局空间自相关是对农村总产出整体分布特征的描述，一般采用Moran’s I指数。计算Moran’s I指数前，先要构建各省市邻接标准的权重矩阵：

(1)

Moran’sI指数的计算公式如下：

(2)

上式表示t地区农村总产出的观测值，n为省市地区的总数，Moran’sI指数在-1到1之间取值，当Moran’sI越接近于+1(-1)时，表明变量越具有较强的正(负)空间自相关性； 当Moran’sI趋向于0 的时，表明变量不存在空间相关性。

(2)农村总产出的局部空间相关性检验

局部空间自相关反映各省市子系统农村总产出分布特征，其本质是将Moran’sI指数分解到各个省市地区，对于某个地区单元i表示为：

(3)

式(3)中，为目标单元，为研究范围以外的单元区域。

2.2.2 空间自相关结果分析

图1 2000年、2003年、2006年、2009年我国各省市农村总产出分布

为了将农村总产出分布格局可视化，以便更好地了解农村总产出是否具有空间集聚现象，该文运用GeoDa 空间计量软件，将农村总产出按照绝对值高低平均分为4个梯次，制作了2000年、2003年、2006年、2009年我国各地区农村总产出的空间四分位图来分析农村经济增长的变化趋势，按照颜色深浅对梯次进行区分，颜色越深代表级别越高，农村总产出量越大，具体为：由图1可知，颜色相近的区域相互靠近，即农村总产出量较高的地区相邻，农村总产出量较低的地区相邻，说明我国农村总产出存在空间集聚效应。以2006年为例，农村总产出较高的省份有辽宁、河北、山东、河南、江苏、浙江等，农村总产出量在3 829(亿元)以上； 农村总产出偏低的地区有新疆、宁夏、青海、北京、天津、海南，其农村总产出量都在709(亿元)以下。

要进一步确定农村经济增长的溢出效应，还需要计算2000～2009年我国农村总产出的全局Moran’s I指数和相关统计检验值，该文选取Rook一阶空间权重矩阵，根据Moran’s I正态统计量Z(d)判断变量是否具有空间相关性，具体结果见表2。

表2 2000～2009年农村经济增长的空间相关性

如表2所示， 2000～2009年我国农村总产出的Moran’s I值在0.247 6～0.268 9之间波动，且Z(d)值均达到1.96以上，P值都通过了0.01水平下的显著性检验，表明我国农村总产出在整个样本期间不是随机和均匀分布的，而是存在着明显的正向空间相关性。

图2 我国农村总产出空间分布的Moran’s I散点分布

图2分别表示2000、2003、2006和2009四个年度我国农村总产出空间分布的Moran’s I散点图，横轴表示农村总产出，纵轴表示邻近省市的农村总产出， 2000年、2003年、2006年、2009年农村总产出的Moran’s I指数分别为0.259 0、0.247 6、0.262 9、0.258 9，在2006年的散点图中，Moran’s I指数为负值的区域有6个，说明这些区域相邻的农村总产出对其有反向溢出效应影响； Moran’s I指数为正值的区域有25个，说明这些区域临近的农村总产出对其有正向溢出效应影响。由此可知，我国省市相邻区域的农村总产出具有空间自相关性。

3 空间计量回归模型构建

3.1 理论模型构建

经典的柯布-道格拉斯生产函数主要用于解释经济生产投入和产出之间的关系，Feder(1982)Pagano(1993)Murinde(1994)等学者对总生产函数进行了改进，引入金融发展作为经济生产的“投入”之一。该文在借鉴以上文献的基础上，将农村金融发展分解为农村金融规模FIR、农村金融效率RFE和农村金融结构RFS引入到计量模型中，假定社会综合技术水平不变，结合劳动力投入量，构建以下函数衡量农村经济增长：

Y=f(FIR，RFE，RFS，RL)

(4)

其中 Y 表示农村经济生产总值；FIR、RFE和RFS分别表示农村金融支持农村经济增长的3项指标，这三者共同体现各省市地区金融资本投入量的水平；RL表示农村劳动力投入量。将基础模型改写为面板数据模型的一般形式为：

RGDP=α+β1FIR+β2RFE+β3RFS+β4RL+ε

(5)

其中RGDP是被解释变量农村经济增长，FIR、RFE、RFS、RL变量含义不变，α为截距项，β为待估计系数，ε为随机扰动项。

3.2 空间计量经济模型及技术估计

Anselin(1995)认为，最常见的空间计量面板模型主要是空间滞后模型(Spatial Lag Model，SLM)，其因变量反映空间相关性； 空间误差模型(Spatial Error Model，SEM)，其误差项反映空间相关性。LeSage和Pace(2009)提出了空间杜宾模型(Spatial Durbin Model，SDM)同时包含空间因变量的滞后项和空间自变量的滞后项，丰富和发展了空间滞后模型和空间误差模型。因此，考虑空间溢出效应，该文分别建立空间模型用于考察农村金融发展与农村经济增长的关系：

PGDPit=α+β1FIR+β2RFE+β3RFS+β4RL+ε

(6)

PGDPit=α+ρW*RGDP+β1FIR+β2RFE+β3RFS+β4RL+ε，ε～N(0，σ2)

(7)

PGDPit=α+β1FIR+β2RFE+β3RFS+β4RL+λWμ+ε,ε～N(0,σ2)

(8)

PGDPit=α+β1FIR+β2RFE+β3RFS+β4RL+β5W*FIR+β6W*RFE+β7W*RFS+ β8W*RL+Wμ+ε,ε～N(0,σ2)

(9)

式(6-9)分别为OLS模型、SLM模型、SEM模型、SDM模型。

3.3 检验模型的选择

依据Anslin和Elhorst[17-18]观点，首先借助2个拉格朗日乘数判断选择SLM和SEM模型，若两者都合适，则引入SDM模型。其次，对相应模型进行Wald检验，以检验SDM模型能否简化成SLM或SEM模型。若SDM不能简化为SLM或SEM模型，则采用SDM模型。然后，利用Hausman检验值确定固定效应和随机效应，最终确定最为合适的空间计量模型。结果见表3、表4。

表3 OLS模型估计及空间自相关性检验

表4 Wald检验结果

由表3可知，在不同固定效应OLS模型中，LM-LAG、Robust-LM-LAG及LM-ERR、Robust-LM-ERR检验统计量的值都通过了显著性检验，根据Anselin和Elhorst的判别法则，上述估计结果表明采用SEM和SLM模型均可，那构建同时包含SEM和SLM的更稳健、更具有概况性的SDM模型应该是更合理。结合Wald和LR统计量检验SDM模型能否可以简化为SLM和SEM模型(表4)可知，Wald-spatial-lag和LR-spatial-lag在0.05水平下显著，统计量为11.237 8和11.170 2，拒绝了SDM模型可以简化成SLM模型的可能； Wald-spatial-error和LR-spatial-error在0.1水平下显著，统计量为9.040 9和8.909 1，同样SDM模型不能简化成SEM模型。由此，选择SDM模型应该是最合适的选择。面板数据的空间计量模型通常分为固定效应和随机效应，通常情况下采取Hausman检验。该文检验结果显示统计量为30.029 9，在1%的显著性水平下拒绝了空间效应与解释变量无关的原假设，因此该文选择固定效应的SDM模型最为适合。

3.4 参数估计与数据分析

通过Matlab编程分析，结果如表5。

表5 固定效应的空间杜宾模型估计结果

表5空间杜宾模型的检验结果显示，相比于OLS模型估计结果(表4)，SDM模型的拟合优度(R2)和自然对数似然函数值Log-likehood都有所提高，分别达到0.992 5和274.242 7，说明考虑空间效应的SDM模型的整体解释能力更强。由SDM模型回归结果可知，农村金融规模(FIR)与农村经济增长(RGDP)呈显著负相关关系，这可能是因为当前我国农村金融发展处于初期阶段，资本积累存在门槛效应，尽管农村金融规模在扩大，但没有达到能够促进农村经济增长的临界值，金融排斥现象仍十分严重[19]。农村金融需求得不到有效满足，使农村经济增长缺乏长久的动力[20]。农村金融效率与农村经济增长有显著的正相关关系，这说明相较于单一的农村金融规模“量”的扩大，农村金融效率“质”的提升更能促进农村经济增长。农村金融结构(RFS)与农村经济增长呈显著的负相关关系，该文主要关注的是农村信用社在农村金融市场的份额，进而从侧面反映农村金融的市场化程度，已成为阻碍农村经济增长的因素。这说明农村信用社垄断地位使农村金融市场缺乏竞争活力，造成农村金融组织资源供给不足、金融产品单一、服务质量较差，难以满足农村金融多样性和多层次的需求，从而不利于农村经济增长。农村从业人口对农村经济增长有负向作用，这可能是因为农村生产已达到劳动力人数的最大容量，过剩的农村劳动力会降低劳动效率，影响农村经济增长。同时，W*RGDP的回归系数显著为正，说明我国农村经济增长存在空间的互动效应，邻近省市地区的农村经济增长对本地区农村经济增长有促进作用。

为进一步解释空间溢出效应，该文列出了SDM模型的直接效应和间接效应，见表6。

表6 空间杜宾模型系数估计的直接效应和间接效应

表6中的直接效应反映了该地区农村金融资本和劳动力对本地区农村经济增长的作用，间接效应则反映其是否存在空间溢出效应。农村金融效率的系数为正，说明对农村经济增长有正的直接效应。同时，又表现出正的间接效应，说明我国农村金融效率具有正向的外部性和示范效应，通过农村金融效率的提升对邻近省市地区农村经济增长有正向的推动作用。农村金融规模和农村金融结构对农村经济增长具有负的直接效应，且间接效应的系数不显著，意味着目前我国农村金融规模的扩大和金融结构的调整不会对邻近省市地区农村经济增长产生影响，说明我国各省市地区关于农村金融发展方面没有形成良好的协同机制，农村信贷跨省实施难度加大，该省市地区的农村金融发展对邻近省市地区农村经济增长缺乏有效辐射。农村劳动人口对农村经济增长有显著的负向直接影响和显著的空间溢出效应，说明农村劳动人口转移会引起各省市地区之间农村经济增长的竞争。

4 结论与政策建议

整体而言，在分析地理空间效应基础上，我国农村金融规模、效率、结构对农村经济增长的影响存在差异。农村金融规模和农村金融结构对农村经济呈现出显著的反向作用，农村金融效率是影响农村经济的重要因素，不仅有显著正向的直接效应，还有显著正向的空间溢出效应，各省市提高农村金融效率成为促进农村经济增长的关键。基于此，该文提出3点建议。

(1)关注农村经济增长的空间集聚现象。各省市农村经济增长不平衡，呈现出“东高西低”的态势。实证研究表明，在2000～2009年间我国各省市地区农村经济增长存在明显的空间集聚现象，且集聚效应越来越明显。针对这种现象，在农村经济增长研究中要充分考虑地理空间因素，注重与邻近省市地区的经济协作。政府在制定农村经济增长政策时，一方面要加大对西部地区的资金支持，开展东中西不同省市地区之间的交流与合作； 另一方面，充分利用农村经济增长的空间溢出效应，促进金融资源跨区域流动，优化农村金融资源的配置，力求农村经济的均衡发展。

(2)扩大农村金融供给。要主动适应农村实际、农业特点和农民需求，推动金融资源向“三农”倾斜。首先，继续对传统农村金融机构进行改革，加大农业银行对农村基础设施建设的贷款扶持力度； 进一步增加国家开发银行对农业农村建设的贷款投放； 提高农村信用社资本实力和治理水平，提升立足县域、服务“三农”的能力； 鼓励各类商业银行加大“三农”贷款投放，创新金融服务。其次，积极探索新型农村合作金融发展的有效途径，引导各类资本进入农村金融市场，充分发挥政策性金融、商业金融和合作性金融的合力，增加农村金融供给，引导资金流向农村。引入市场化机制，改变农村金融市场结构，以可负担成本实现农村融资可得性的全面提升。最后，积极发挥政府引导作用，加大实施农村金融资源跨省市投入，加快省市间农村金融流转，从而显著发挥农村金融的空间外溢效应，带动农村经济增长。

(3提升农村金融效率。农村金融发展的关键不仅仅是扩大“量”，还需要提升“质”，政府要善于利用金融政策引导农村金融机构提高贷存比率，避免农村资金外流。这就要求农村金融机构应科学布局营业网点、建设精品网点，不断延伸服务触角，拓展服务范围，提高资金的集聚效率，更好满足农村经济增长对资金方面的需求。政府要加大对农村基础产业的扶持，为金融机构和个人提供更多的投资机会，通过改善农村地区的基础设施状况，推动农村经济的增长。此外，各地政府还需注重对优质高效的农村企业的扶持，通过良好的经营从而吸引和巩固农村可用资本，增加农村金融资本规模，提升农村金融效率，进而实现农村金融与农村经济协调发展。

[1] 刘北桦.强化农业资源持续利用工作积极推动区域农业协调发展.中国农业资源与区划,2014, 33(3): 1～5

[2] 冉光和， 温涛，李敬.中国农村经济发展的金融约束效应研究.中国软科学,2008,(7)： 76～85

[3] 方爱明， 孙爱军，曹源芳.基于空间模型的金融支持与经济增长研究.金融研究,2010,(10)： 68～82

[4] 谭崇台， 唐道远.农村金融发展与农村经济增长——基于全国31个省市的空间计量模型检验.江汉论坛,2015,(1)： 5～10

[5] 黄洪武， 钱静斐.美国小麦产业带发展特征极其启示.中国农业资源与区划,2009, 30(1): 77～80

[6] Perroux F.Notesorlanotionde′pledeCroissance′.Paris：Economie Appliquée， 1955, 32(7): 307～320

[7] Rey S.J.，MontourB.D.USRegionalIncomeConvergence：ASpatialEconometricPerspective．Regional Studies， 1999, 33(3): 143～156

[8] Robin Burgess, Rohini Pande.DoRuralBanksMatter?EvidencefromtheIndianSocialBankingExperimentLondon.Centre for Economic Policy Research Working Paper， 2002

[9] 姚耀军. 中国农村金融嘎吱与经济增长关系的实证分析.经济科学,2004,(5)： 24～31

[10]禹跃军， 王菁华.基于VAR模型的中国农村金融发展与农村经济增长关系研究.经济问题,2011,(12)： 106～110

[11]温涛， 冉光和，熊德平.中国金融发展与农民收入增长.经济研究,2005,(9)： 30～43

[12]朱喜， 李子奈.改革以来我国农村信贷的效率分析.管理世界,2006,(7)： 68～76

[13]张宇青， 周应恒，易中懿.农村金融发展、农业经济增长与农民增收——基于空间计量模型的实证分析.农业技术经济,2013,(11)： 50～56

[14]胡宗义， 李鹏.农村正规与非正规金融对城乡收入差距影响的空间计量分析——基于我国31个省市面板数据的实证分析.当代经济科学,2013,(2)： 71～78

[15]King R., R.Levine.FinanceandGrowth：SchumpeterMightBeRight.Quarterly Journal of Economics， 1993, 3(108): 717～713

[16]Goldsmith R.W.Financialstructureandeconomicdevelopment.New York：Yale University Press， 1969

[17]Anselin l, Florax RJ.NewDirectionsinSpatialEconometrics.Berlin：Springer-Verlag， 1995

[18]J.Paul Elhorst.SpatialEconometricsfromCross-SectionalDatatoSpatialPanels.New York：Springer， 1999

[19]高沛星， 王修华.我国农村金融排斥的区域差异与影响因素——基于省级数据的实证分析.农业技术经济,2011,(4)： 93～102

[20]李春霄， 贾金荣.农村金融发展与经济增长关系研究——基于协整检验和误差修正模型的实证分析.广东商学院学,2012,(12)： 59～65

THE CORRELATION BETWEEN RURAL FINANCIAL DEVELOPMENT AND RURAL ECONOMIC GROWTH BASED ON SPATIAL PANEL DURBIN MODEL*

Wang Shuying※, Sun Bing, Qin Fang

(School of Management Engineering, Zhengzhou University, Zhengzhou, Henan 450001, China)

At the present, China′s economy has went into a new normal, but the economic growth is experiencing a slowdown. At this background, since rural economy has a broad market space and large consumer groups, it has gradually become the backbone of China′s rapid economic growth in the future. However, rural economic growth needs the support of financial capita to drive rural economic growth. Due to the wide geographical area and the different rural economic development level in various provinces and cities, the geographical space is one of the important factors that affect the rural financial development and economic growth. Based on Cobb-Douglas production function, considering the spatial spillover effects, this paper divided the development of the rural financial capital into three aspects, i.e., scale, efficiency and structure. And then, it analyzed the relationship between rural financial development and economic growth of rural in 30 provinces from 2000 to 2009 by spatial panel model, Durbin frontier of econometrics. The results showed that the rural economy was highly spatially clustered; Rural financial scale and rural financial structure presented a significantly negative effect on rural GDP. However, the efficiency of rural finance had positive effect and significant positive spillover effect, which become one of the key factors affecting rural GDP. The interactive mechanism between rural financial development and rural economic growth had not yet been established. Therefore, while increasing the rural financial investment, it should make efforts to improve the allocation efficiency of rural financial resources.

rural economic growth; rural financial development; spatial agglomeration; spatial spillover effects; Spatial Durbin Model

10.7621/cjarrp.1005-9121.20160933

2015-11-24

王淑英(1968—)，女，河南许昌人，教授。研究方向：产业集群与区域经济。Email：zzdxwangshuying@126.com

*资助项目： 2015年河南省社科联项目“产学合作下高校创新的溢出效应研究”(SKL-2015-3405)

F832; F224

A

1005-9121[2016]09-0196-09