经济集聚、空间结构与城市创新——基于233个地级及以上城市数据的实证研究

倪进峰，李 华

(1.兰州大学经济学院，甘肃 兰州 730000；2.铜陵学院会计学院，安徽 铜陵 244061)

1 引言与文献回顾

历经30多年的高速增长，支撑中国经济 “量”上膨胀的红利基础逐渐消失，随着新常态的到来，人们对经济发展在“质”上飞跃产生了迫切需要。众所周知，技术创新是提升经济发展质量的重要保障，党的十八大明确将科技创新摆在国家发展全局的核心位置，提出实施“创新驱动发展战略”。可见，在今后推进创新驱动发展的进程中，准确把握决定创新能力的核心因素、科学认识各核心因素的内在关联，将十分关键。受Schumpeter[1]的影响，早期对创新问题的探讨聚焦于企业或产业视角，将技术创新与产业的生命周期相联系，强调技术创新主体——企业的兴衰对创新产出状况的决定性影响。后来，创新的地理集中现象引起关注，学者们一方面将空间和集聚要素纳入创新活动的分析框架，另一方面，由于观察到大量的专利等技术创新产品总是产出于城市化和大都市区域，区域科学学家逐渐将城市置于影响技术创新过程的中心位置，认为创新无法脱离城市而存在，城市是涵养创新活动、激发创新产出的容器[2]。

作为各种经济资源的汇集地，城市不仅为创新活动提供了有形的设施场所，更提供了无形的集聚效应。然而，城市间的技术创新能力却存在显著差异，以中国地级及以上城市为例，以每万人专利申请数作为衡量标准，2015年创新能力前五位的城市分别是苏州、无锡、北京、常州和绍兴，它们创新能力的平均值是后五位城市：商丘、信阳、周口、绥化和临沧创新能力平均值的109倍，其中最高的苏州市，每万人专利申请数是最低的临沧市的202倍，233个城市创新能力的标准差达到24.33。是什么导致了城市间如此大的创新差别？最重要原因归结于异质的城市特征。在这些特征中，首先，城市的经济集聚度对技术创新具有重要影响，紧凑的空间距离和密集的社会关系网络不仅方便人们进行知识交换和积累，也提高了人们之间的接触频次。知识交换和积累是创新的基础[3]，更高的接触频次提高了创新的可能性，进而推动创新能力的增强。城市的经济集聚度越高，创新能力也就越强吗？现有文献在该问题上仍未形成一致观点，Carlino等[4]利用美国城市数据，发现人均专利数与城市化部门的就业密度正相关，控制其他情况不变，一个城市就业密度是另一个城市的两倍时，前者的人均专利数将比后者高出20%。基于中国城市数据的经验研究中，郭洁等[5]的研究显示，城市拥堵的存在使得集聚的边际创新效应递减，得到最大人均专利数量的最优城市就业规模为30～50万。高翔[6]分别采用人口规模和就业密度衡量城市经济集聚度，发现仅有前者对城市人均创新产出有显著的促进作用。其次，空间既然是重要的，那么城市的空间特征对于其技术创新会有怎样的影响？直接探讨城市空间结构与技术创新能力关系的研究并不多见，在一些主旨相近的文献里，Parr[7]认为城市内部的多中心结构将伴随较高的交通成本和较低的通勤效率，对信息的传播和知识的交换不利。郭腾云和董冠鹏[8]利用数据包络分析方法，结合 Malmquist模型与GIS分析工具，对中国特大城市的空间紧凑度与城市效率的相关关系进行了研究，得出的结论：随着城市空间紧凑度的提高，技术进步得到明显改善。

梳理已有研究发现，首先，由于在研究视角、样本选择、估计方法等方面的差异，文献对城市经济集聚与技术创新关系的认识并不统一。那么，在中国的城市中，抑制创新的“拥挤效应”究竟是否存在？对这一疑问的深思也引申出一个争论已久的话题，即在中国的城镇化发展过程中，究竟是优先发展大城市，还是应该推动中小城市占主导的发展模式？如果通过实证检验发现，集聚的创新效应是递增的，那么至少从推动创新的角度来看，应支持优先发展大城市，反之，如果集聚对创新的推动效应是递减的或是存在拐点，那么应以中小城市发展为主导。其次，实证研究城市空间结构对技术创新影响的文献十分缺乏。中国众多城市在经济发展状况、城市化水平等方面存在差异，反映在城市内部，是人口分布和基础设施布局的不同，最终在城市间形成有区别的空间结构。由此引发联想，有区别的城市空间结构与分异的城市技术创新能力之间会有怎样的联系？相对集中还是分散的空间结构更有利于技术创新？最后，经济集聚与空间结构彼此相关，一方面，空间结构反映了经济集聚具体的空间组织形态，另一方面，集聚效应的发展变化也为空间结构的适时调整提出要求，不考虑空间结构去讨论集聚的创新效应，可能会遗漏必要的空间内涵。于是，经济集聚与空间结构之间，是否存在作用技术创新的交互关系？交互关系如果存在，方向如何？经济集聚与空间结构以怎样的匹配关系，最有利于城市创新？对这些问题的研究不仅有助于理解城市的技术创新规律，为有效实施创新驱动战略提供参考。还有助于发现技术创新能力在城市间分异的原因，为中国统筹区域协同创新、缩小区域发展差距提供思路。

2 研究设计

2.1 实证模型的设定

本文的实证模型如下:

lninnov=α0+α1shhi+α2shhi2+α3lnaggl+α4lnaggl2+α5lnaggl*mono+z′β+ε

(1)

其中，innov是衡量城市技术创新能力的因变量，shhi是衡量城市空间结构的变量，aggl是衡量经济集聚度的变量，z′是控制变量向量，ε是随机误差项。

考虑到城市空间结构、经济集聚对技术创新可能有多种作用方式，实证分析中分步骤将变量添加入回归模型。第一步，利用城市空间结构、经济集聚变量的一次项同技术创新变量建立计量模型，试探空间结构、经济集聚对技术创新的线性影响。第二步和第三步，分别引入城市空间结构和经济集聚变量的二次项，考察二者对技术创新的影响是否存在“先升后降”或“先降后升”的拐点。在第四步中，引入城市空间结构与经济集聚的交互项，探究二者对技术创新的影响是否需要对方作为中介和条件，如果交互项系数估计值显著的话，符号的正负情况还能反映出在推进城市创新进程中，城市空间结构的集中与经济集聚程度的提升究竟是相互促进还是彼此制约。第五步，统一考察和比较相关变量的一次项、二次项以及交互项的估计系数，可以得到城市空间结构、经济集聚对技术创新非线性影响的拐点值，了解城市空间结构与经济集聚在怎样的匹配下，会产生最大的技术创新效应。

2.2 空间结构的概念及其量化

经济集聚度体现了区域经济活动的密集程度，反映了单位土地上的经济规模，在土地面积给定的情况下，经济集聚度实际上刻画了区域经济发展的总量。空间结构描绘了区域内部经济活动的空间组织和布局，是与“总量”或“密度”等规模含义相对应的“结构”概念。 空间结构这一命题来源于城市规划研究中对城市体系 “单中心”和“多中心”相关话题的探讨。早期研究多采用人口的规模分布度量城市体系的空间结构，然而这一方法存在一些弊端，首先，较小地理尺度上详细精确的人口分布数据较难获取，一般只能在普查年份得到，囿于此种局限现有文献探讨空间结构问题时多采用截面数据进行分析，缺乏时间维度。其次，中国一些年鉴在统计人口数据时是基于“户籍人口”口径，在“城乡分割”的户籍制度下这一统计口径遗漏了大量的进城务工人员，用这种人口指标量化空间结构不能准确把握经济活动真实的空间布局状况，会产生一定的偏误。

为了克服现有数据的不足，再加上近年来DMSP/OLS夜间灯光数据的可靠性逐渐被中外学界所证实[9]，已有学者开始采用DMSP/OLS夜间灯光数据量化区域空间结构[10-11]。DMSP/OLS夜间灯光数据来源于美国国防气象卫星(DMSP)搭载的业务扫描传感器(OLS)，该传感器拍摄全球夜间灯光影像最初的目的在于气象监测，后来由于使用的光学倍增管具有很强的光电放大能力,OLS传感器逐渐被应用于探测人类地表活动。OLS传感器具有很高的探测精度，甚至能探测到城市内部小规模居民地、车流等发出的低强度灯光，其“稳定灯光影像”去除了云、光火及油气燃烧等噪声影响，较好地捕捉了城市、乡镇内持久光源场所的亮光状况，因此，DMSP/OLS夜间灯光影像较准确地提供了城市空间信息，可以作为探察人类城市空间活动很好的数据来源[12-15]。

尽管DMSP/OLS夜间灯光影像十分有研究价值，但该影像也存在一些问题，主要包括影像像元亮度值(DN值)饱和、同年两个卫星拍摄的影像存在差异以及一些影像像元异常波动三种问题，于是很多研究在应用DMSP/OLS夜间灯光影像前对其进行了校正。本文参考了Elvidge等[16]的做法，利用“不变目标区域”和“影像序列相互校正”法对灯光影像进行校正，考虑到利用长时序的影像资料可以获得更好的校正效果，本文选取了2000—2013年共22期的DMSP/OLS夜间灯光影像进行校正，以获得考察期内的城市空间结构数据。操作中参考了曹子阳等[17]的方法，首先，选用鹤岗市辖区作为不变区域，结合亮值像元回归的方法进行了饱和校正。其次，通过取平均值对同年两个卫星拍摄的影像进行了校正。最后，利用影像序列进行相互校正以消除像元异常波动的现象。具体的校正步骤可参考曹子阳等[17]的研究。

2.3 变量与数据

(1)变量设定与指标选取。因变量——技术创新能力(innov)。创新产出是创新能力的直观体现，在表征创新产出的指标中，专利数据由于其相对完整并与创新产出关联性较强而常常被采用，相对于受时滞性和机构偏好干扰较大的专利授权量，专利申请量可以更好地度量区域技术创新状况[18-19]，结合我国的专利制度，有的研究选用了“发明专利”的申请数，有的研究用包含“发明”、“实用新型”和“外观设计”三类专利申请数之和衡量区域创新能力，考虑到接近一半的地级市专利数据来源于各市的《国民经济与社会发展公告》，而在这些报告中很多仅给出了专利申请总数，并未指明专利类型结构，且专利申请总数的口径更宽，反映区域创新活动更加全面[20]。因此本文选用三类专利申请受理总数与城市年末人口数(万人)之比，作为因变量技术创新能力的衡量指标。

核心自变量——城市空间结构(shhi)。现有研究多采用“城市首位率”来衡量区域空间结构，然而此方法是一种数据受限情况下的折中方法，如果能获取较小空间尺度的优质数据，赫芬达尔—赫希曼指数(HHI)可以更完整地度量整个区域单元的体系结构[21-22]。完整、客观、跨区可比的夜间灯光数据和功能强大GIS软件为采用HHI衡量区域空间结构提供了技术可能，因此本文借助这些工具，并设定空间赫芬达尔—赫希曼指数(shhi)来衡量地级市市域的空间结构，shhi的计算方法如下：

(2)

其中，DNi表示灯光影像中某市市域范围内第i个区域单元的影像DN合计值，SDN表示该市所有区域单元DN值总和。按照中国的行政区划体制，地级及以上城市一般下辖区、县或县级市，考虑到市辖区作为城市核心区域集中连片，而县和县级市散布在城市周边相对独立，参考孙斌栋等[23]的工作，本文将市辖区、每个县和每个县级市分别作为一个独立的区域单元(或称中心)，n表示该市包含的区域单元个数。同产业组织理论中的赫芬达尔—赫希曼指数相似，shhi∈(0,1)反映了经济活动在区域中的集中程度，shhi越大说明经济活动集中于少数区域单元，城市的单中心程度较高。shhi越小表明经济活动在各个区域的布局越为平衡，整个城市拥有多个中心，呈分散化结构。

核心自变量——经济集聚(aggl)。自Ciccone等[24]使用非农就业密度衡量区域经济集聚度，后续研究大多沿用了他们的做法。为了便于文献间结论的参照和比较，本文也使用该指标衡量城市经济集聚度，以各市“第二和第三产业城镇单位就业人员数”与“城镇私营和个体从业人员数”之和比上各市“行政区域土地面积”。

控制变量。技术创新投入(input)，鉴于目前在中国地级市层面难以获取完整详实的R&D经费数据，考虑到地方政府在推动技术创新中的重要作用，参照已有研究，选取各市地方财政支出中的“科学技术支出”与GDP的比重代理技术创新投入。人力资本(hc)，国内外文献在分析截面数据时多采用大学毕业生数衡量城市人力资本水平，但城市层面的详细学历数据一般仅能在普查年份获得，缺少连续的时序数据。参考现有文献，本文采用“普通高等学校在校生人数”与城市人口数(万人)之比予以代理。固定资产投资(invest)，用各市“固定资产投资”与GDP之比表示。运输条件(trans)，借鉴余永泽等[25]，在数据受限情况下用“交通发达程度”代理，用每万人“全市货运总量”衡量。

(2)数据说明、来源与描述。首先，考虑到2009年之后的城市专利申请数据相对完整，本文研究选取的考察期为2009—2015年。其次，根据专利申请数据的缺失状况筛选出245个城市，在这245个城市中，仅辖有市区以至于shhi值在考察期内恒为1的12个城市也予以剔除，最终确定的研究区域包括233个城市。最后，一方面考虑到创新产出的时间滞后，也有必要减弱反向因果关联带来的内生性。另一方面，现有的夜间灯光数据仅更新到2013年。本文借鉴刘修岩等[11]的思路，将所有自变量进行了滞后两期处理，因此因变量选取的是2009—2015年数据，全部自变量为2007—2013年数据。最后，获取城市行政区划信息的矢量地图根据国家基础地理信息系统1:400万数据绘制获得，行政区划以2012底为标准。233个城市的专利申请数据来源于各省知识产权局网站、各市国民经济和社会发展统计公报、各省科技厅网站、城市科技局网站或科技信息网。稳定灯光及辐射定标影像由NGDC网站获取。其他数据来源于2008—2016年《中国城市统计年鉴》，少量缺失数据通过线性插值法内插或外推得到，变量数据的描述性统计见表1。

表1 各变量原始数据的描述性统计

3 实证分析

为了避免多重共线性对研究结论的干扰，在进行回归分析之前对自变量间的相关性进行了检验，从表2显示的检验结果来看，各变量间的相关系数都不超过0.5，表明模型中并不存在严重的多重共线性。

表2 自变量间的相关系数

面板数据兼有截面数据与时序数据的特征，也会存在异方差和自相关问题，然而本文的考察期仅有7年，但有233个截面，是典型的短面板数据。此外，涉及的233个城市分属经济社会发展存在一定差异的30个省区，地域范围横跨东中西，有的是直辖市，有的是副省级城市，其余是一般省会城市和非省会地级市，类型较多，个体间异质性较强，因此在检验时仅考虑异方差是否存在。豪斯曼检验(Hausman test)结果显示，在最终模型中，不能拒绝固定效应与随机效应系数估计值没有系统差别的原假设，样本更适用随机效应模型。进一步的沃尔德检验(wald test)显示，应拒绝同方差假设，组间异方差显著存在。此种情况下，比较其他方法，可行性广义最小二乘估计(FGLS)可以得到更有效的估计结果[26-27]，因此本文选用FGLS作为实证模型(1)～(4)的估计方法，具体的参数估计和假设检验结果如表3所示

表3 经济集聚、空间结构对城市技术创新影响的回归结果

注：估计值下方括号内显示的是z值，***、**、*分别代表p<0.01、p<0.05和p<0.1。为了缓解引入高次项带来的共线性，对变量shhi和lnaggl的二次项以及它们的交互项数据进行了中心化处理。

模型(1)的估计结果显示，shhi和lnaggl的系数估计值在1%的水平下显著为正，z统计量的值很大，说明初步来看，较集中的空间结构与高经济集聚度对城市创新能力都有十分明显的推动作用。模型(2)引入了单中心指数的二次项(shhi)2，(shhi)2与shhi都在1%水平通过了显著性检验，且二次项系数为负一次项系数为正，表明城市的空间结构对技术创新具有非常显著(z值很大)的非线性影响，二者之间的关系可以用一条开口向下、对称轴在第一象限的二次函数描述，说明在考察期内单中心的空间结构对技术创新先促进后抑制，存在有利城市技术创新的“最优空间结构”。受到现有文献讨论“集聚不经济”的启发，模型(3)在模型(2)的基础上加入了二次项(lnaggl)2，尝试考察经济集聚与技术创新的非线性关系，从结果来看，经济集聚度变量的一、二次项系数估计值均通过了水平为1%的显著性检验，且都显著为正，表明可以用一条开口向上的二次函数大致描述集聚经济与城市创新能力之间的关系。

模型(4)加入经济集聚与空间结构的交互项shhi×lnaggl，目的在于一方面依托交互项的估计情况，判断城市的经济集聚与空间结构之间是否有、有的基础上以怎样的交互效应对技术创新施加影响。另一方面，结合具体的系数估计值，可以考察经济集聚与空间结构以怎样的匹配，对城市创新能力产生最有力的推动。结果显示，第一，经济集聚与空间赫芬达尔—赫希曼指数呈现显著的负向互动关系，二者的上升对技术创新的促进，必须以对方下降为条件。说明在考虑经济集聚对技术创新的推动时，不能忽略城市的空间结构因素，在集聚度高的单中心结构城市内部，出现了创新资源过度集中的“拥挤效应”，抑制了技术创新。而集聚度较低的多中心城市也对技术创新不利。相反，高集聚度与多中心结构融合，低集聚度与单中心结构匹配，都能形成推动创新的合力。第二，城市的单中心结构与技术创新呈倒U型关系。结合参数估计值有:

(3)

式中，当lnaggl取均值μlnaggl时，倒U型曲线最高点的空间赫芬达尔-赫希曼指数值为shhi*=0.113+μshhi=0.423，即平均看来，0.423是有利于城市技术创新的“最优空间结构”，如图1所示(曲线下虚线左右两边的百分数分别代表shhi小于和大于拐点值的个体比重)。结合空间结构与经济集聚的交互效应，如果某市经济集聚度高于均值，则最优空间结构的shhi需向下调整，反之则向上调整指数值。第三，基于上文的初步推断，城市的经济集聚度与技术创新能力应呈正U型关系，但考虑到集聚程度(lnaggl)2的数据经过了中心化处理，需要结合具体数值考察二者的实际关系：

(4)

式中，当shhi取μshhi时，将均值μlnagg=3.914带入，得到U型曲线最低点的经济集聚对数值为lnaggl*=2.032，然而，在lnaggl的1631个观测值中，小于2.032的观测值仅有63个，仅占总观测数的3.86%，说明u型曲线的递减阶段仅占3.86%，而在整个定义域超过96%区间内是u型曲线的递增阶段，如图2所示。因此总体来看，经济集聚的边际创新效应递增，经济集聚度越高越有利于城市创新能力的提升。此外，从控制变量的估计结果来看，城市的创新投入、人力资本状况、运输条件和固定资产投资水平都对城市创新能力有显著的正向促进作用。

图1 空间结构与创新能力的正U型关系

图2 经济集聚与创新能力的倒U型关系

4 政策含义

根据本文的研究结论，可以得到很明显的政策含义：

首先，依据研究结论，从推动城市创新能力的角度，并没有发现高集聚度会带来拥挤效应，反而观察到经济集聚度对创新能力的贡献是边际递增的，由此可以认为，经济密度高的大城市在发挥规模经济和集聚效应上的作用仍十分关键，刻意强调“城市病”去限制大城市规模并剥夺大城市的优先发展权，会削弱大城市的创新能力，与“创新驱动发展”战略相违背。那么，为了维护大城市在提升国家整体创新能力中的核心地位，保障措施应分别着力于“释放集聚潜能”和“抑制集聚不经济”，前者要求进一步提高大城市的经济密度，扫除限制经济资源在市场机制下自发集中的人为障碍，在国内限制资本跨区流动的“地方保护主义”不断得到缓解的现状下，更有意义的策略导向在于松动现有户籍制度并完善人才引进政策，将提高人口规模和优化人力资源结构有机结合，在直接提高集聚度这一“量”的同时，提升集聚效应的“质”。对于后者，需要管理者革除“抑制集聚不经济”等同于“管控人口规模”的旧式思维，集聚不经济发生在交通拥堵、犯罪、环境污染等“城市病”出现的时候，那么只要能高效的“治理城市病”就可以一定程度上避免集聚不经济的出现，并不必须以牺牲创新效率为代价。于是，加大地铁和环城高架等交通基础设施建设、增加警力等公共服务的提供、提升服务业比重或将成为切实可行的操作手段。

其次，平均来说，最大化创新能力的空间赫芬达尔-赫希曼指数为0.423，在城市规划工作的实践中，适宜将此指数与城市的经济集聚度相结合，作为优化城市内部创新格局的评判标准。具体来说，中小城市为推动创新，应进一步巩固市辖区的中心地位，加大配套措施投入，引导经济资源强化在市辖区内的集中，严格限制核心区域的无序蔓延，以中心—外围形态在全市形成一定的空间发展层次，在提高土地配置效率的基础上走紧凑式空间发展道路。对于大城市而言，与多中心结构相结合的集聚是更有效率的集聚模式，在获取高集聚度带来的创新效应的同时，可以利用内部结构的分散化缓解拥挤。进一步的，适度的郊区化发展，不仅可以助力统筹城乡创新资源的发展和配置，更有利于在市域范围内形成各空间单元竞争和协作的创新网络，最终推动大城市在“创新驱动发展”战略中承担更多的创新责任。