我国高技术产业区域创新能力影响因素研究

吕梦月 蒋涛

摘要：文章考虑了空间因素的影响，通过建立空间杜宾模型，运用我国30个省市（西藏除外）2001～2015年的统计数据，从空间相互关系角度实证考察了我国高技术区域创新能力的影响因素。研究结果表明：从全局来看，我国高技术产业创新能力表现出明显的正的空间相关性;局部研究显示，不同地区创新能力存在空间异质性;在其他变量保持不变的情况下，产业集中度、研发经费均对创新能力有明显的正向促进作用，企业总规模则对创新能力提升具有阻碍作用，交通便利程度的影响不显著;区域间创新能力并未表现出较明显空间相关性，周边地区产业集中与所研究区域创新能力的提高具有明显正相关关系，周边区域企业总规模对所研究地区创新能力存在明显的负相关关系。

关键词：创新能力;产业集中;空间权重矩阵;空间自相关

一、引言与文献综述

在新常态背景下，区域之间的激烈竞争、要素资源的有限性以及人口紅利水平的消失等要求地方产业必须加快转变经济发展方式，积极投资新技术，以创新驱动地区经济增长。而产业集群作为地区经济发展的一种有效组织形式，能够通过规模效应、知识溢出效应、合作效应、学习效应等方式，增强集群内企业的创新意识、知识储备、品牌意识等，从而有助于地区创新水平的提高。产业集群化发展是高技术产业发展的重要规律，集群内相关主体频繁的交流互动能形成知识和信息的传播交流机制，集群化发展逐渐成为众多高新区转型发展过程中的客观趋势。集群效应下区域间经济联系日益紧密的背景下，以空间相互关系为研究视角，研究高技术产业的影响因素很有必要。

（一）关于产业集聚与知识溢出关系的研究

相似产业在某一特定区域的集聚不仅促进了区域内部企业员工之间的相互学习和相互交流，也为该地区带来了更多的创新资源和机会。空间上的接近，一方面由企业间相互合作所带来的正式交流以及合作中所引起的相互间的模仿行为能够加强知识溢出的前后相关联度和知识溢出的深度;另一方面长期的合作关系节省了企业寻找新的合作伙伴所花费的时间和精力，间接降低了企业成本，增加企业收益，吸引更多企业在此聚集;Fujita，Thisse 从知识创新和扩散的角度，研究了由于区域内部移民而引起的创新企业的集聚现象，发现创新知识的集聚会形成累计循环式的“知识关联”，从而吸引企业在区域内的集聚;刘思敖、柴春来从集聚与R&D投入视角考察知识溢出效应，得出由集聚产生的知识溢出因集聚方式的不同而存在显著差异的结论。

（二）关于知识溢出效应与区域创新能力的研究

Branstetter对知识溢出给出的概念：若某个企业可以在其他企业的研究成果中得到经济收益，却不用或承担很少的研究成本时，即认为企业间存在着知识溢出。集群内知识以无意识或非自愿的方式在各企业间传播，激发了企业的创新活力，促进区域创新绩效的提升。部分学者考察了不同类知识溢出与创新能力的关系。韩庆潇、杨晨、李鹏运用随机前沿分析法从不同角度分别考察专业化和多样化溢出对创新效率的促进作用，结论显示，从全国来看，多样化溢出的作用效果较好，专业化溢出作用效果则不明显;分地区来看，多样化溢出对东部地区创新能力具有较强的促进作用，而专业化溢出则对西部地区作用虽然也较为明显，却阻碍了中部地区的创新能力的发展。也有学者引入中介变量，借助中介变量考察知识溢出与创新绩效的关系，如杨皎平、侯楠、徐雷认为在协同作用下，知识溢出能够增强创新能力，抑制效应下则对创新能力的增加不利。

（三）关于产业集聚对区域创新能力的研究

关于集聚与创新的关系，不少学者也做了大量的研究。杜威剑、李梦洁通过构造地方化经济集聚与城市化经济集聚，系统研究了产业集聚对产品创新的影响，结果表明，产业集聚对企业创新决策和新产品产出具有明显的促进作用，但存在行业和企业异质性。Michael Fritsch虽然也认为产业集聚促进区域技术创新活动的产生，但认为不同地区间存在较大差异;Gilbert， McDougall，Andresen则认为知识溢出对企业技术创新具有促进作用，并且集聚程度越高，创新水平越高;程中华、刘军基于我国285个地级及以上城市2005～2007年中国工业企业数据库的统计数据，运用空间计量模型分析了产业集聚对制造业创新的影响，研究显示，总体来看，专业化集聚对创新绩效影响不显著，多样化集聚和产业竞争有利于创新绩效的提升，从技术、企业规模、企业生命周期来看，专业化和多样化集聚与创新能力的关系也呈现不同的特征;此外，也有学者在集聚与创新效率的关系研究中得到其他结论。如谢子远、吴丽娟通过中国20个2位数制造业规模以上工业企业2000—2012年统计数据分析，得出产业集聚与工业创新效率之间的倒“U”型关系。

本文的研究特点为：研究方法上，将空间因素考虑其中，建立SDM模型对创新的影响因素作出分析;研究内容上，把知识溢出作为中间变量，产业集中度作主要解释变量，公路里程数、研发经费支出、企业总规模为其他控制变量，通过理论分析空间视角下集聚、溢出、创新三者之间的作用关系，考虑各变量对创新能力的影响情况;研究角度上，以空间相互关系为视角，考察影响我国高技术产业创新能力的原因。

二、研究方法与变量测度

（一）空间计量经济学分析

1. 空间相关性检验

地理数据在空间因素的作用下，彼此不再是独立存在而是有某种程度的关联性，空间自相关统计量即是度量不同区位上地理数据相互依赖程度的指标。空间自相关可衡量位置相近的区域其属性值是否具有相关性，同时也能够揭示空间变量的区域结构形态，通常采用自相关指数来衡量。一般而言，如果该指数大于0，则表现为邻近区域变量的相似值在空间上发生了集中趋势，即存在正相关性;如果等于0，则说明研究对象在空间的分布是随机的;小于0，说明具有负的相关性。

权重矩阵的设定。一般而言，地理上越是靠近的地区，往往依赖性更强，基于此，本文根据某个区域单元与其他地区是否邻接设定30*30的二元邻接权重矩阵，即在地图中空间单元相邻设为1，不相邻则设为0，主对角线元素为0，表示本地区与自身不相邻。

2. 空间模型的建立

与传统计量经济学模型不同，空间回归模型反映了空间单元之间的一种依赖关系，空间单元内某一解释变量观测值发生变化，不仅会对自身产生影响，也会对周围地区产生影响。若误差项在空间上存在相关性时，选择SEM，若变量间的相互依赖性比较强，导致空间相关时用SLM，SDM则是对两个模型的综合反映。

（1）空间滞后模型（SLM），用来考察邻近区域单元内的行为活动对所研究区域行为活动的影响。本文建立模型如下：

ln（innoit）=αit+ρWln（innoit）+β1（lnaggit）+β2（lnroadit）+β3（lnrdit）+β4（lnfirmit）+φi+γt+εit

其中，参数β反映了因變量受各解释变量的影响程度，W代表30*30阶地理二元邻接矩阵;W*ln（innoit）反映了区域间的溢出效应;ρ为因变量的空间权重矩阵滞后系数，φi代表空间固定效应，表示截面上各变量的相互作用，γt表示时间固定效应，表示在单个区域单元内部各变量是如何随时间变化的;ε为扰动项。

（2）空间误差模型（SEM）。与SLM不同，SEM将相关性表现在误差项中，表示区域之间的关系不仅表现在被解释变量上，也可能表现为其他没有被观测到或遗漏掉的变量中。其表达式为：

（二）变量选择

1. 被解释变量

创新能力（innovation）。部分文章中通常以地区专利申请量衡量区域的创新能力，但是并不是企业所有的创新活动都会申请专利，而且即使有些企业申请了专利也可能对企业产品的创新并未起到很好的效果，因此本文选取有效发明专利数作为产业区域创新能力的测度指标。

2. 主要解释变量

产业集中度用以衡量产业市场结构和企业在市场中影响力的指标，通常用所研究区域某产业产品产值、就业人数与高层次区域相应统计数据的比值来衡量，比值越大则越集中。本文采用高技术产业产值作为测度指标，另外由于2012年后，年鉴中并未统计高技术产业当年价总产值，文中以其主营业务收入代替。用区位商计算地区产业集中度：

3. 其他解释变量

（1）企业总规模（firm）。本文以地区企业就业人数作为替代指标研究地区企业总规模的影响。（2）研发经费投入力度（RD）。文中以研发经费内部支出代替。（3）交通便利程度（road）。一个地区的交通是否便利是其与其他地区竞争的重要因素，对创新的产生也会产生一定的影响，因此以地区公路通车里程数来衡量地区交通便利程度。

文中所用数据均来自于《高技术产业统计年鉴》、《中国统计年鉴》以及《各省市统计年鉴》，关于缺失的数据文中采用多重插值法进行补充 ，由于西藏数据缺失严重，因此不在本文的研究之中。

三、实证研究

（一）全局空间自相关检验

文中运用各地区不同年份代表创新能力的统计数据通过geoda软件建立K值最邻近空间权重矩阵，并计算出了主要年份创新能力的全局空间自相关指数。结果如下：

从计算结果可以看出，除了2004、2015年稍有下降，我国高技术产业的全局自相关指数整体呈现上升趋势，且与邻近地区的创新能力表现为正相关性，反映了区域之间创新能力的相互作用关系。全局自相关指数反映了中国各省份整体创新能力的溢出效应，适用于空间的同质性分析，但当区域之间存在空间异质性时，结论则不可靠。因此，还需要对局部地区进行相关性和异质性检验。本文结合Moran 散点图和LISA图对不同区域是否存在创新能力的空间异质性做出判断。

（二）基于Moran散点图的检验

Moran散点图适用于对局部空间的不稳定性进行分析，本文给出了某地区属性值与其周围6个地区加权值作用关系的可视化二维坐标图。其中，以代表某地区创新能力的作为横坐标，以代表其周围邻近地区创新能力空间滞后因子W*lninno为纵坐标，表现了地区创新能力受周围环境影响的程度。图中主要分四个象限，第一象限代表属性值表现为高-高的地区，即创新能力较高的地区，其周围地区的创新能力也较高;第二象限为属性值表现为低-高的地区，即创新能力低的区域被其周围邻近地区创新水平较高的地区环绕，区域间创新能力差异较大;第三象限为低-低的地区，表示属性值低的区域同样被属性值低的区域包围的空间联系方式，也就是说整个区域的创新能力都比较低，区域之间差异程度较小;第四象限为高-低地区，表示创新能力高的地区被创新能力较低的地区所包围的空间联系方式。

从图1可以看出，反映局部关联程度的Moran散点图显示，中国高技术产业自身创新能力较强且与周围地区差异程度较小，表现出较为良好溢出效应的地区主要有：江苏、浙江、安徽、上海、福建、山东、湖南、湖北、辽宁、广东等东中部地区。自身创新能力处于较低水平且不受周围地区知识溢出影响的地区主要分布于：新疆、青海、云南、甘肃、宁夏等西部地区，即处于第一和第三象限的地区之间存在较为明显的相关性。自身创新能力较高，但周围邻近地区创新能力较低，区域间创新能力存在较大差异且相互之间无法实现良好互动的地区主要有：广东、北京、陕西、四川;自身创新水平较低却被周围创新水平较高地区包围的地区主要有：内蒙古、江西、山西、广西、海南、河南、贵州、吉林等地，即处于第四和第二象限的地区在创新能力上存在空间异质性。整体来看，集中在一三象限和二四象限中的省市几乎各占1/2，且各省市在各个象限的位置存在明显的的差异，主要是由于我国各地区经济发展不平衡，地区分布不均匀，从而引起区域高技术产业创新能力与周边地区作用关系差距较大，即反映在散点图中的位置各不相同。经济发展水平较高的东部地区是刺激高技术产业创新能力产生的主要地区，且知识溢出效应明显;与之相反，西部地区发展水平落后，创新能力也较低，地区间并未表现出明显的溢出效应;而中部地区介于两者之间，由此也可以看出经济发展水平也是制约区域创新能力的重要因素。

（三）基于LISA图的检验

LISA图是用以衡量所研究区域与其周边区域属性值的关联度。当某一地区与其周围邻近地区属性值都很高时，为热点;相反，若地区与其周围地区属性值都较低时，则为冷点;若区域间创新能力存在较为明显的负向空间自相关时，则为空间异质。下图为主要年份各省市创新水平LISA图。

从图2可知，2002年我国高技术产业创新能力呈现高-高的区域主要为江西、福建、上海等地区，2006只有福建、上海两地表现出较明显的高-高形态，到2010年，浙江、福建、安徽、上海等地创新水平与周围地区表现为高-高的溢出形式，2012年则发展为安徽、浙江、福建、上海、山东，到了2015年江苏省也加入了这一行列，从中可以看出高技術产业创新能力较强的省份主要集中在在经济发展水平较高、交通更为便利的东部地区，部分中部地区（江西）也只有在2002年进入了高-高，并在以后的年份中均没有出现。同时可以看出上海、福建、安徽一直是高技术产业的主要聚集地，具有较高的创新能力，截止到2015年，处于高-高影响状态的地区数量不断增加且都出现在原创新能力较高地区的周围，这说明知识溢出效应确实对周围地区起到了很好的带动作用;处于低-低状态的地区则主要分布在青海、新疆、甘肃等西部落后地区，这说明这些地区本身创新能力较弱，又与周围地区联系性不强，没有能力对创新能力较强地区的辐射产生较好的吸收，自身又无法产生知识溢出效应从而与周围地区加强互动。从LISA图中表现为高-高，低-低的地区分布格局可以看出区域创新能力之间存在较强的相关性，即自身创新水平高的地区，其周围地区创新水平往往也高，自身创新水平弱的地区，其周围地区创新水平往往也较弱。安徽除2006年创新能力表现为低-高的形式，以后年份均进入了高-高的地区中，说明安徽自身创新水平较低，但受到周围创新水平较高的地区的影响，很好的吸收了周边地区的外溢性知识，提高了自身创新水平。而江西则在2002年之后由高-高地区变为低-高地区后一直没有变化，可能是因为其周围地区经济发展水平较快，创新能力超过该地区后并始终保持高水平，邻近地区之间经济发展水平差异的增大导致创新能力差距拉大，很难再实现地区间的溢出-吸收效应。

四、回归结果分析

（一）空间面板模型的选择

在研究区域创新能力的影响因素之前，需要对模型进行选择，考虑是否能够在模型中加入空间因素。LM和R-LM检验结果如下：

如表2所示，LM lag和LM err的检验结果显示，两者P值均小于0.01，因此需要考虑Robust LM lag和Robust LM err检验结果中的P值，如表2所示，Robust LM lag以及Robust LM err的P值也都通过了1%的显著性检验，那么就需要考虑更广义的SDM模型。以下本文主要通过LR和Wald检验，分析SDM模型是否能够简化为SLM模型或SEM模型。除此之外，Hausman检验给出了随机效应或固定效应的选择结果。

如表3所示，hausman检验P值小于0.1，故应选择固定效应模型。基于SLM和SEM模型的Wald和LR检验结果，P值均小于0.01，故应拒绝零假设：SDM模型能够转化为SLM模型或SEM模型。因此，本文应选择固定效应的SDM模型。

（二）回归分析

本文对固定效应下的SDM模型进行回归，结果如下：

根据R2和logl越大，σ2越小，模型拟合效果越好的判断标准，本文选择双固定的SDM模型进行分析。根据双固定下模型回归结果，产业集中度和研发经费支出分别在1%和10%的水平上显著，且均对创新能力有正向影响，产业集中度、研发经费支出每增加1%，区域创新能力分别增加0.78%、0.1%。交通便利程度对区域创新也产生了正向影响，但没有通过显著性检验，可能是由于网络的迅速发展使得信息传播速度和方式发生变化，某个区域技术上的突破会高速有效的传递到全国各地，交通运输情况已不能成为决定地区之间交易活动的主要因素，因此结果并不显著。企业总规模对区域创新能力产生了负的影响且在1%的水平上显著，弹性系数为0.4，说明企业总规模增加反而不利于区域创新能力的提升，可能是由于当某一区域在从事某一产业的生产中得到社会的普遍认可或当地方产业获得使用某一资源的特许权之后，该地区企业则可能利用本地区该产业在全国的声誉、品牌效应或资源使用优势进行生产和销售产品，而不愿意进行创新活动。当所有企业都意识到地区在全国的垄断地位能够给自己带来丰厚的经济利润而其他任何地区都无法与之竞争时，整个地区的创新能力便会停滞不前，甚至企业总规模继续扩大时会阻碍地区创新能力的提高。另外，从回归结果可以看出，因变量空间权重矩阵系数为正，但结果不显著，说明相邻地区间创新能力的溢出效应不明显，可能是由于当前我国各地区高技术产业发展水平差距较大，创新能力还处于较低水平，对外辐射力还比较弱;相邻地区产业集中度对本地区创新能力影响的弹性系数为1.53，且在1%的水平上显著，说明邻近地区产业集中度的增加有效促进了本地区创新能力的提升，另外，该弹性系数大于本地区产业集中度对本地区创新能力的影响系数，说明本地区较好的吸收了周围地区外溢性知识，并将其转化为自身进行创新活动所必需的知识储备;周围地区企业规模对本地区创新能力的系数为-0.62且P小于5%的显著性水平，说明周围地区企业总规模的扩大，不利于本地区创新能力的提升;而周围地区交通便利程度、研发经费的变化对本地区创新水平没有并未表现出明显的相关关系。

五、结论与政策建议

本文从空间角度出发，运用空间计量模型，以空间相互关系为研究视角，分析了影响我国高技术产业区域创新能力的主要因素。根据研究结果得出以下结论：（1）我国高技术产业创新能力存在较为明显的全局空间相关性和局部空间异质性。（2）从区域内部来看，某一区域产业集中度、研发经费投入对本地区创新能力的提升具有正向影响，企业总规模则对本地区创新能力的提升具有抑制作用，地区交通状况对本地区创新能力影响不显著。（3）从本地区与周围地区的联系来看，本地区创新能力的提升依赖于周围地区产业集中度的增强;周围邻近地区企业总规模扩张会阻碍本地区创新能力的提高;本地区与周围地区创新能力溢出效应不明显。

综合以上研究结果，本文提出以下政策建议：（1）国家应实施积极的产业政策，并根据区域间邻近相关性的特点积极建立地区间社会网络交流平台，鼓励地区间加强经济交流和技术合作，同时要认清影响地区创新能力的因素来自哪些方面，以有效提高地区技术水平，不断缩小东中西部各地区经济发展差距，促进各地区均衡发展。（2）地方政府应继续实施税收和财政等方面的优惠政策，积极吸引相关产业在此集中，同时加大研发经费投入，控制地区内企业总体规模;此外，还应正确认识本地区高技术产业创新水平与周围地区之间的关系，及时做出相应的政策调整，促使创新能力较强的地区继续发挥优势，既要发展自身经济也要带动周围地区经济水平的提高;对创新力较弱的地区采取技术方面的扶持政策，增强其吸收周围创新能力较强地区知识、技术等溢出效应的能力，提高自身知识储备量以提高自主创新能力。（3）企业应该积极鼓励技术研发人员加入本地区或周围邻近地区相关企业技术人员的交流团体中去，努力吸收外溢性知识并将其转化为自身进行创新活动的能力，同时加强与地方高校、研究机构、金融机构等的合作，促进产学研融一体化，带动地区经济的增长。此外，企业应制定好的福利政策，鼓励企业员工积极创新，同时提高员工福利水平，引进高端技术人才增强企业创新活力。

参考文献：

[1]Fujita M，Thisse J F.Agglomeration and growth with migration and knowledg-e externalities[D]. Kyoto：KyotoUniversity， Institude of Economic Research，2002.

[2]刘斯敖，柴春来.知识溢出效应——基于制造业与R&D投入的视角研究[J].中国科技论坛，2011（07）.

[3]Branstetter，L.G. Looking for international Knowledge Spillovers-A review of the literature with suggestions for new approaches[J].Research policy，1998（49）.

[4]韩庆潇，杨晨，李鹏.中国高技术产业知识溢出与创新效率分析[J].中国科技论坛，2015（02）.

[5]杨皎平，侯楠，徐雷.知识溢出与集群创新绩效：竞争程度调节效应[J].科研管理，2015（06）.

[6]杜威剑，李梦洁.产业集聚会促进企业产品创新吗？——基于中国工业企业数据库的实证研究[J].产业经济研究，2015（04）.

[7]Michael Fritsch， Viktor Slavtchev. Universities and Innovationin Space[J].Industry and Innovation，2007，Vol.14，No.2.

[8]Gilbert，B.A.，McDougall，P.P.&Audretsch，D.B.Clusters，knowledgespillovers and new venture performance：Anempirical examination[J].Journal of Business Venturing， Article in Press，2007.

[9]程中華，刘军.产业集聚、空间溢出与制造业创新——基于中国城市数据的空间计量分析[J].山西财经大学学报，2015（04）.

[10]谢子远，吴丽娟.产业集聚水平与中国工业企业创新效率——基于20个工业行业2000～2012年面板数据的实证研究[J].科研管理，2017.

*国家社会科学社会基金项目：我国经济活动空间格局演化机制与福利效应研究（14BJL123）; 江苏师范大学2017年度研究生科研创新计划校立项目：高技术产业集聚与区域创新能力研究—基于知识溢出视角（2017YXJ118）。

（作者单位：江苏师范大学）