基于安徽省各地市面板数据的产业转移对承接地自主创新能力影响分析

张海涛，侯奇华，蒋翠侠*

（1.合肥幼儿师范高等专科学校 数学系，安徽 合肥 230013；2.合肥工业大学 管理学院，安徽 合肥 230009）

产业转移对承接地自主创新的影响分析是经济学研究中的一项较为新颖的课题，自主创新也成为我国产业转移实施过程中的关键。随着经济全球化的发展，地区研发投入与产出以及该地区对其他地区产业转移的承接能力等，都会对地区创新能力的大小产生重要影响。我国经济技术发展尚不平衡且处于转型时期，导致产业转移在各区域之间的分布极不均衡，各地区间实现产业转移将为我国经济协调可持续发展提供良好契机。

1 相关文献综述

在自主创新能力的研究方面，许多学者建立了自主创新能力的评价指标体系并使用多元统计分析方法、结构方程模型、数据包络方法、神经网络方法、证据理论、模糊评价等对自主创新能力进行综合评价。例如王元地等从理论层面分析了自主创新对产业结构升级的传导机制[1]；薛继亮分析了自主创新与产业结构转型升级的作用机理[2]；余永泽等解析了中国传统产业与新兴产业技术进步方面的差异，并给出其路径选择模式[3]；孙冰等通过对大中型工业企业特征的分析，建立了相应的自主创新能力评价指标体系，并进行实证分析[4]；张莉等建立了自主创新能力的评价指标体系，并为评价自主创新能力提供了有效的方法[5]；胡海波采用熵值法构建了自主创新能力指标体系[6]；傅为忠等以安徽地区为例，全面评估和比较分析了其自主创新能力，为进一步提高其自主创新能力提供了方向[7]；傅为忠等运用科学合理的评价指标体系，评价了皖江城市带的自主创新能力，为进一步提升其自主创新能力提供了科学的决策依据[8]；曲泽静等对长三角地区的自主创新能力进行了评价，为其自主创新能力的提升提供了决策依据[9]；马钦玉等为分析与把握区域自主创新现状，找出其主要制约因素，建立了自主创新能力评价指标体系，为政府部门的决策提供了依据[10]；林向义等利用DEA模型对自主创新能力进行了评价，并且提出了自主创新能力提升策略[11]；王娜提出了BP神经网络评价方法，对企业的自主创新能力进行了客观的评价，有利于企业从决策方面提高其自主创新能力[12]；王玉梅使用DEA模型对皖江城市带承接产业转移配套服务效率进行了测算[13]。

对于产业转移与自主创新能力之间的关系，许多学者在其理论研究和应用研究开展了大量工作，但其是否具有正向影响在学术界尚未形成完全统一的观点。一些学者认为产业转移能够促进自主创新能力的提升，如Keller认为国际产业转移中的技术转移所产生的溢出效应能够从很大程度上解释多数东道国的技术变化[14]；李伟庆等基于行业层面的面板数据分析和实证检验认为区域产业转移对承接地的自主创新能够产生显著的正向溢出效应[15]。不过，也有很多学者认为产业转移不一定有利于自主创新能力的提升，如冯南平等认为产业转移不但未给我国区域创新投入和产出带来快速增长，反而在一定程度上阻碍了区域创新投入和产出的增加，但具体到不同区域其差异较大[16]。

本文紧紧围绕安徽省承接产业转移与区域自主创新的具体特点，就两者之间的关系进行实证研究，主要开展了两个方面的研究工作：第一，建立了自主创新能力评价指标体系，使用层次分析法，对安徽省16个地市在2010-2013年间的自主创新能力进行测度；第二，运用面板数据回归模型，定量揭示产业转移对自主创新能力的影响，通过回归系数显著性，识别自主创新能力的关键影响因素。实证结果表明：产业转移主要通过影响政府和企业对人力资本和研发的投入，进而影响承接地自主创新能力。这一研究结果，能够为通过产业转移促进承接地自主创新能力发展提供决策参考。

2 模型与方法

2.1 自主创新能力测度

2.1.1 指标体系的构建

通过构建自主创新能力评价指标体系可以有效地衡量企业的自主创新能力水平，同时发现其自主创新能力发展过程中所存在的问题，对企业自主创新能力的提升提供重要的参考依据，所以，建立一个相对合理的指标体系对评价企业的自主创新能力具有十分重要的意义。

自主创新能力评价指标体系的内容。本文根据研究目的，从产业技术创新的理论和产业经济学出发，按照科学系统的方法构建了一套自主创新能力评价指标体系，结合具体数据对安徽省的自主创新能力进行了评价。

自主创新能力评价指标体系测度目标为产业自主创新能力指数，分为创新投入和创新产出两个一级指标，共包含七个二级指标，如图1所示。

图1 自主创新能力指标体系结构图

（ⅰ）创新投入指标。创新投入是企业实现自主创新的原动力，创新投入的大小直接影响到企业的自主创新活动能否顺利进行，间接地体现了其创新能力的大小，创新投入可以由R＆D经费投入（RDK）、R＆D 人员投入（RDL）、研发机构数量（N）和科技设备投入（SE）等进行测度。其中R＆D经费投入主要用来衡量一个企业对技术创新投入的资本的数量，体现了企业对自主创新的支持力度；R＆D人员投入用来衡量产业创新的潜在能力，对研发人员的投入越大，其产业技术就越具有创新能力；研发机构的数量和科研设备的投入也在一定程度上反映了创新能力的强弱。

（ⅱ）创新产出指标。创新产出是自主创新能力指标最重要的构成部分，其大小可以由专利申请量（DPA）、发表科技论文数量（PST）和出版科技著作种类数量（WST）进行测度。其中，专利申请量可以最为有效地衡量创新成果，发表科技论文数量和出版科技著作种类数量也都是创新成果的直接体现。

2.1.2 综合评价方法

本文采用综合评价指数法对自主创新能力进行评价。综合评价指数法通过一种特定的规则将数据进行去量纲化，然后使用层次分析法等方法确定不同指标的相对重要性，对其赋予不同的权重，通过进一步计算获得最终综合指数[4,17]。具体如下：

（ⅰ）运用层次分析法计算各指标的权重。

首先，根据层次分析法的原理，由专家对各指标进行评价并给出对应的相对重要性系数，根据所得系数建立判别矩阵，同时计算矩阵的最大特征值和对应的特征向量；然后，针对每个判别矩阵计算其一致性比例，并对其进行一致性检验；最后，如果判别矩阵能够通过一致性检验，则对计算所得的特征向量进行归一化处理，最终得到对应指标的权重[18]。

（ⅱ）使用线性加权法获取二级指标。评价指标体系中不同指标的数据量纲也不尽相同，必须首先去除数据的量纲，即对其进行标准化处理，使数据成为无量纲的正指标数据，并将其作为标准数据库用于构建综合评价指数；然后根据计算所得的权重和标准数据库，运用线性加权法计算得到二级指标。

（ⅲ）计算自主创新能力评价综合指数。继续采用层次分析法对二级指标进行处理最终得到创新能力综合指数。

2.1.3 自主创新能力评价

根据上述指标评价方法（综合评价指数法），可以计算产业自主创新能力的各级评价指标，最终获得产业自主创新能力指数。具体过程如下：

第一步，计算二级指标得分

第二步，计算一级指标得分（或自主创新能力指数）

其中，wij为三级指标权重，wi为二级指标权重，IP为创新投入指标，OP为创新产出指标，I为创新指数。

2.2 产业转移对自主创新能力影响计量模型

2.2.1 变量选择

解释变量有研究与开发费用支出RDK、研究与开发人员数量RDL、机构数量N、科技设备投入SE、以及区域产业转移量IR、外商直接投资FDI和经济总量EA。其中，研究与开发费用支出RDK、研究与开发人员数量RDL、机构数量N、科技设备投入SE作为创新投入指标体现了政府和企业对自主创新的重视程度，会对创新能力产生直接的影响，外商直接投资FDI和经济总量EA是承接地承接产业转移的基础，因此作为控制变量被选为解释变量；产业转移量IR是最主要的解释变量，用某地区在某时期内工业增加值占全省工业增加值总和的比重与前一时期该比重数值的差值来表示，其计算公式如下：

式中，IRij表示区域i在j时期内的产业转移量，IAVij为区域i在j时期内工业增加值，IAVj为j时期全省工业增加值，IAVi，j-1为（j-1）时期内区域i的工业增加值，IAVj-1为（j-1）时期全省工业增加值，若IRij＞0，则表明区域i在j时期有工业转入，反之转出。

对于被解释变量的选取，为了更加准确地体现某地区的创新能力，本文将创新指标I分为创新产出指标OP和创新投入指标IP两部分，并分别选取次一级指标进行分析。创新产出变量主要包括专利申请量DPA、发表科技论文数量PST、发表科技著作种类WST，其中，专利申请量为重点指标，一方面由于其具有较强的代表性，同时数据全面且容易获取，更能反映出自主创新的真实水平；创新投入指标包括研究与开发费用支出RDK、研究与开发人员数量RDL、机构数量N、科技设备投入SE，它们在本研究中同时充当了解释变量。

2.2.2 模型设置

Griliches将创新产出作为研发投入的函数，采用Cobb-Douglas生产函数的形式建立了知识生产函数[19]。创新本质上是一种利用科技人员、设备、资金等资源创造新知识的过程。知识生产函数既可作为工具用于企业与科研机构的研究，也可以用于区域间的比较研究。基于知识生产函数，可以建立以下创新生产函数：

式中，Yit表示创新指数（或创新产出、创新投入），Ait表示可能会影响到自主创新的创新投入，包括RDK、RDL、SE、N，IR 表示产业转移量，FDI表示外商直接投资。创新生产函数可以评价产业转移对自主创新能力的影响。本研究进行参数估计时，对式(1)两边同时取对数，可以得到如下模型：

式中，i、t分别表示地区和年份，t=2010,…,2013；Yit表示产业转入地的创新指数（或创新产出、创新投入）；RDLit为产业转入地区的科技活动人员；RDKit为产业转入地的研究与开发费用支出；IRit为地区承接的产业转移量；FDIit为外商直接投资。α1，…，α7分别表示产业转移量、外商直接投资、经济总量、研究与开发费用支出、科技活动人员、机构数量以及科研设备投入对创新能力的弹性，εit表示随机误差。模型使用对数形式，是因为当方程两边同时取自然对数后，解释变量的系数即为该变量的弹性。同时，因为计量所采用的数据来自于不同的地区，取自然对数也可以使回归结果中出现异方差的可能性减少。

为了保证回归结果的稳定性，本文对模型（2）中的各解释变量的相关性进行了检验。根据检验结果，个体变量间的相关系数较小，回归过程中解释变量之间不会出现多重共线性的问题。

2.2.3 计量方法

本文采用面板数据回归模型，研究各因素对区域自主创新能力的影响。在建立面板数据回归模型时，必须检验解释变量的参数在截面样本点及时间上是否都为常数，从而判断应该采用的面板回归模型的类型。本文通过协方差分析对所研究问题的数据进行检验，其主要假设如下：

假设1：截距项δ和斜率α、β、γ、η、λ、ρ、θ在不同截面和时间上都相同，即

假设2：截距项δ不同，斜率α、β、γ、η、λ、ρ、θ在不同截面和时间上都相同，即

通过以上检验，如果接受假设1，则不需要对假设2进一步进行检验；如果拒绝假设1，则要对假设2进一步进行检验；如果同时拒绝假设1和假设2，则应当使用以下式子对面板数据进行回归：

协方差分析检验通过F检验判断应采取混合效应模型（pooled regression model）或是固定效应模型（fixed effects model），而对于固定效应模型与随机效应模型之间的选取，通常采用Hausman检验来进行判定。其主要思路是，在和其他解释变量不相关的条件下，使用普通最小二乘法估计固定效应模型和使用广义最小二乘法估计随机效应模型所得到的参数是无偏且一致的，只是固定效应模型不具有有效性；否则，固定效应模型的参数具有一致性，而随机效应模型不具有一致性。

3 实证研究

3.1 数据来源

产业转移量IR数据采用安徽各地区在某时期内工业增加值占全省工业增加值总和的比重与前一时期该比重数值的差值来表示，外商直接投资FDI的数据使用安徽省各市实际接收外商直接投资额。计量数据全部来自2011-2014年《安徽统计年鉴》。为了保统计口径的一致，本研究在数据选取的过程中选取了全部国有和规模以上非国有工业企业。同时为了消除异方差带来的影响，本研究过程对所采用数据取自然对数进行表示。

3.2 自主创新能力测度

3.2.1 指标权重

首先，根据各指标之间的相对重要性进行打分，建立判别矩阵；然后，利用层次分析法计算各级指标的权重。其结果如表1所示。

由表1可以看出，在直接影响产业自主创新能力指数的两个指标中，创新产出的权重远高于创新投入，说明创新产出更能体现一个地区的自主创新能力。而在选取的三个创新产出变量中，专利申请量又占有绝对的权重，主要原因在于相对于其他两个因素，专利申请量更加具有技术含量，同时也更能够体现出产业的自主创新能力；在创新投入指标中，R&D经费投入与R&D人员投入更加直观地表现了政府和企业对该地区的重视程度，因此会占有较大比重。

3.2.2 一致性检验

（ⅰ）层次单排序及一致性检验

针对本实例的各判断矩阵进行一致性检验，检验结果结如表2。

由表2可以看出，根据对应指标所建判别矩阵的随机一致性比例CR值均小于0.1，满足一致性检验的条件。

（ⅱ）层次总排序及一致性检验

按照层次单排序的结果，依次计算总排序权重向量，同时计算总排序随机一致性比例，计算结果见表3。

CR＜0.1，所以判断矩阵符合一致性检验。

3.2.3 自主创新能力测度结果

根据表1中得到的指标权重，对安徽省16个地市在2010-2013年间的自主创新能了进行测度，其结果见表4。在表4中，仅有合肥、芜湖等少数地市的创新投入指标为正值，而大多数地区创新投入指标为负值，说明安徽省政府和企业对各市的支持力度有着很大的差异，其将绝对优势的资源投入到了合肥、芜湖地区，对其他多数城市的创新投入相对较少，大都低于平均水平。从表4还可以看出，随着创新投入的增加，创新产出也会有明显的增长，即创新投入与创新产出之间存在明显的正相关关系，说明创新投入可能会对创新产出产生一定影响。

3.3 产业转移对自主创新能力的影响

3.3.1 产业转移对整体自主创新能力的影响

为了进一步考察产业转移对承接地不同类型创新活动的影响，运用前面构建的计量方法，实证研究过程如下：

第一步，对安徽省16个地市在2010-2013年间的面板数据，分别采用混合估计模型、固定效应模型、随机效应模型进行估计[20]，结果见表5～7。

表1 指标权重表

表2 排序一致性检验结果

表3 总排序权重向量

表4 自主创新能力测度结果

根据表5可看出，采用混合估计模型估计所得的ln IR与ln FDI的系数为负值，表明产业转移与外商直接投资会对自主创新能力产生阻碍作用，而根据相应t值的尾概率可以判断其阻碍作用并不十分明显。通过ln EA可以看出，经济总量会对自主创新能力产生显著的正向影响。

由表6可以看出，采用固定效应模型估计所得的ln IR与ln FDI的系数均为正值，且在10%的水平上显著，表明产业转移与外商直接投资会对自主创新能力具有较为明显的促进作用，而经济总量则表现为一定的阻碍作用。

由表7可以看出，采用固定效应模型进行估计，三项指标均会对创新能力产生正向的影响，其中经济总量的影响较为显著。

通过以上分析可以看出，不同的模型会对最终回归结果产生明显的影响，因此需要对模型进行进一步的检验，以确定最终的模型。

表5 混合估计模型的回归结果

表6 固定效应模型的回归结果

表7 随机效应模型的回归结果

第二步，采用F检验（原假设是固定效应不显著，备选假设为带有个体效应的模型）对混合估计模型和固定效应模型进行选择，检验所得尾概率为0.023 3小于0.05，应拒绝原假设，选择固定效应模型。

第三步，利用Hausman检验（原假设为随机效应模型，备选假设为固定效应模型）对固定效应模型和随机效应模型进行比较分析，检验结果中尾概率远小于0.01，应该拒绝原假设，选择固定效应模型。

因此，综合两次检验结果信息，最终选用个体固定效应模型，即模型（4）。

3.3.2 产业转移对分项自主创新能力的影响

为了进一步分析产业转移对产业自主创新的影响机制，本文进一步对创新产出和创新投入进行了面板模型回归分析，经过F检验和Hausman检验最终确定模型分别为混合回归模型和随机效应模型，其回归结果见表8和表9。

表8 最终确定的混合回归模型回归结果

表9 最终确定的随机效应模型回归结果

由表8可以看出，ln IP的系数估计值为1.165 2，其t检验的尾概率为0.000 5小于0.05，表明创新投入会对创新产出产生显著的正向影响；在影响创新产出的其他指标中，产业转移量对创新产出具有促进作用，而经济总量和外商直接投资会产生一定阻碍作用，但其影响并不显著。

根据表9的结果可以看出，本研究选取的解释变量均会对创新投入产生一定的影响，其中产业转移量和外商直接投资影响较为显著，其显著水平分别达到了5%和10%。

3.4 结果与讨论

通过上述数据分析结果，可以得到如下结论（为方便表示，以下变量均表示其自然对数）：

（ⅰ）就产业转移量IR对安徽整体产业创新能力的影响而言（表6的回归结果），产业转移量IR的回归系数为0.328 7且在10%水平下显著，说明承接产业转移对安徽产业自主创新具有促进作用，但作用强度较小，影响并不十分显著，产业转移量每增加1%，可使其自主创新能力提高0.328 7%。

（ⅱ）就产业转移量对创新产出和创新投入的影响而言（综合表6、表8和表9的信息），影响创新产出OP的主要因素是创新投入IP的大小，其弹性达到了1.165 2，显著性水平在0.1%以上；而创新投入IP的大小与产业转移量IR呈现正向相关关系，其弹性达到了0.587 5，显著性水平在5%以上。上述结果表明产业转移对创新产出具有间接效应，其总弹性可达到0.783 6。究其原因：对创新产出OP具有直接影响的因素是创新投入IP的大小，而政府和企业会根据产业转移量的多少来给予相应的研发资金和技术人员支持，最终使得整体创新能力得到提升。

（ⅲ）就影响承接地产业自主创新能力大小而言，在各影响因素中，外商直接投资FDI的回归系数为3.711 5，显著性水平在10%以上，说明外商直接投资FDI也会对产业转移承接地的自主创新产生一定的推动作用。

4 小结

承接地承接产业转移对企业自主创新的影响机制及结果对我国产业转移的进展具有重要的参考意义，目前对此方面的研究还比较少，本文以安徽省为例，以安徽省2010-2013年各市面板数据对此问题进行了实证研究。模型的回归结果表明：（ⅰ）产业转移对承接地自主创新具有正向的影响，具体表现在产业转移会影响到承接地对研发资本、研究人员以及研发机构的投入，最终极大地影响创新产出的数量的质量；（ⅱ）外商直接投资对行业自主创新具有一定的正向影响。

研究发现，承接地自主创新能力的大小最终取决于创新投入的大小即取决于承接地研发资金和科技活动人员的投入。因此，承接地绝不可盲目地承接产业转移，而要注重产业转移过程中的技术质量和技术层次水平，选择适宜的产业，通过承接产业转移，将引进的创新技术与本地区已有的技术相结合，不断推陈出新，实现优势互补，最终使得承接地创新能力得到提高。