APP下载

科技金融对产业结构升级的影响及其空间溢出效应研究

2018-12-08邹建国李明贤

财经理论与实践 2018年5期
关键词:空间溢出效应产业结构升级科技金融

邹建国 李明贤

摘 要:选取2001—2015年省级面板数据,基于空间计量模型,考量科技金融对产业结构升级的影响及其空间溢出效应。结果显示:科技金融能显著促进产业结构升级,并通过空间溢出效应对邻近区域的产业结构升级产生较好的促进作用;同时科技金融对产业升级的空间溢出效应在东部地区最大,西部地区其次,中部地区最小;人力资本、城市化水平和外商直接投资在全国范围具有较显著的空间溢出效应,东部地区溢出效应更强。

关键词: 科技金融;产业结构升级;空间滞后模型;空间溢出效应

中图分类号:F062.9文献标识码: A文章编号:1003-7217(2018)05-0023-07

一、引 言

中国经济历经近30年的中高速增长后,正面临着投资出口驱动力下降,土地、劳动力等生产要素价格高企和资源环境约束趋紧等系列问题,传统的高投入、高消耗和高排放的粗放型经济增长方式已然不能维系。在“新时代”经济背景下,我国产业结构的升级发展亟待增强创新驱动,激发市场主体发展新活力。新经济增长理论认为,作为一国经济增长动力的科技金融,其递增效应、外溢效应及其在国际贸易中的边干边学效应,内生地促进生产率提升,保证经济可持续增长[1]。根据钱纳里工业化阶段理论,产业结构升级是决定经济持续增长的决定性因素,在后工业化时期,产业结构将由资本密集型产业为主导转变为技术密集型产业为主导[2]。

国外学者主要围绕银行贷款、风险投资、资本市场等对科技创新的影响展开科技金融对产业结构升级作用的研究。Schumpeter(1934)首次将金融与技术进步和科技创新联系起来,指出一个健全的金融体系对实现科技创新起到关键作用[3];Hyytinen and Toivanen(2005)运用芬兰小微企业层面的数据,研究融资约束对企业技术创新的影响,指出资本市场的不完善将严重阻碍企业科技创新与宏观经济发展[4];Benfratello(2008)通过面板数据分析了意大利地方银行对企业创新的影响,发现设立地方性银行可以显著促进该地区企业创新活动的成功率[5];Chowdhury(2012)发现在发达国家,金融业的发展水平与该国企业研发投入呈现出明显的正相关关系,从侧面证明了金融与科技融合发展的观点[6]。国内学者围绕科技金融进行了大量的定性分析和实证研究。定性分析的重点是科技金融的运行机制、创新模式和经验借鉴等。如胡援成和吴江涛(2012)指出科技金融运行机制的建立,有助于金融资本与科技企业的深度融合[7];此外,房汉廷(2010)、周昌发(2011)诠释了科技金融发展问题及制度安排[8,9];文竹等(2012)运用TRIZ分析法,将“四元主体”模型应用于科技金融模式创新[10];此后,谢泗薪和张志博(2016)、李毅光等(2016)等从互联网和政府主导视角对科技金融的模式创新进行了有益探索[11,12];胡苏迪和蒋伏心(2017)借鉴了旧金山、特拉维夫、新竹典型的科技金融发展经验,基于全球视野反思我国科技金融中心的发展[13]。实证分析方面的研究集中在两个方面:一是科技金融的评价及其效率测算。如曹颢等(2011)基于科技金融资源、经费、产出和贷款四个维度,构建了我国科技金融发展指数[14];许汝俊等(2015)运用DEA-Malmquist指数法对长江经济带11个省市科技金融效率进行综合评价[15];杜金岷等(2016)、黄瑞芬等(2016)和薛晔等(2017)分别运用三阶段DEA模型、SFA模型以及贝叶斯随机前沿模型对科技金融效率进行了测算[16-18]。二是科技金融对科技创新、经济增长以及产业升级的影响。徐玉莲等(2011)分析区域科技创新与科技金融的互动耦合关系[19];刘文丽等(2014)运用面板数据单位根检验和面板数据固定效应模型,对我国东部、中部和西部地区科技金融對经济增长影响的区域差异进行实证分析[20];陈亚男和包慧娜(2017)运用系统GMM两步法实证表明科技金融发展对我国产业结构高级化具有显著促进作用[21]。

科技金融促进产业结构升级这一命题得到了学界实证研究的支持,然而,由于测量指标与计量方法等差异,其程度如何?是否存在空间溢出效应?仍需进一步探索。空间计量经济学重点关注科技金融对产业结构升级影响的空间依赖性,系统考量科技金融与产业结构升级之间的关系。基于此,本文选取2001—2015年的省级面板数据,运用空间计量模型,从全国和区域两个层面,实证研究科技金融对产业结构升级的空间溢出效应。

二、变量选取与数据说明

(一)变量选取

学者们采用了不同产业在地区总产值中的比重、服务业在GDP中的比重来衡量被解释变量产业结构升级(UIS),而我国产业结构升级呈现出第三产业不断发展壮大而第一产业的比重逐步减少的特征,上述衡量指标不能反映产业结构升级程度,为此,本文借鉴蓝庆新、陈超凡的产业结构升级系数法来衡量产业结构升级。对于核心解释变量科技金融(STF)的测度,本文参考被广为接受的曹颢、尤建新等[14]的方法,该方法借助科技金融资源、科技金融经费、科技金融产出和科技金融贷款四个维度来测算科技金融。

除去科技金融,能够对产业结构升级产生影响的其他因素还有多种,本文选择了具有代表性的人力资本(HC)、城市化水平(UL)和外商直接投资(FDI)作为控制变量。本文借鉴陈钊、陆铭的方法,通过平均受教育年限计算人力资本。在城市化水平提高的过程中,农村居民的城市化进程为城镇产业发展提供人力支持,同时,他们消费需求结构的多样化发展也将推动产业结构升级。另外,外商直接投资对产业结构升级产生的影响得到学界普遍认同。

构造空间权重矩阵是进行空间计量分析的前提。基于地理邻近的二进制邻接权重矩阵过度依赖空间是否相邻,而忽略了影响强度,这与客观事实有一定的差距;基于经纬度数据计算的地理权重矩阵,没有考虑区域间的社会和经济等因素,以致于空间权重矩阵的设定不符合现实的发展;基于社会经济特征的空间权重矩阵能够客观、全面地反映变量的空间影响,因此,本文选择它来构造空间权重矩阵。

(二)数据说明

选取2001—2015年全国31个省、市、自治区为样本,原始数据来源于《中国科技统计年鉴》、《中国金融年鉴》、《中国统计年鉴》、《中国财政年鉴》、《新中国六十年统计资料汇编》和《中国区域经济统计年鉴》。按照国家统计局的区域划分标准,将全国31个省、直辖市以及自治区分为三大地区,其中东部地区包括京、津、冀、辽、沪、苏、浙、鲁、闽、粤、琼等11省市,中部地区包括吉、黑、晋、皖、赣、豫、鄂、湘等8省市,西部地区包括内蒙古、桂、渝、川、贵、云、陕、甘、青、宁、新、藏等12个省市。

表2给出了主要变量的描述统计。可以看出,分省的产业结构升级、科技金融、人力资本和外商直接投资等变量的样本数据均有较大的变动。产业结构升级的全国样本平均值为2.25,东部地区为2.32,高于中部(2.22)和西部地区(2.20);科技金融的全国样本均值为24.25,东部地区为34.17,中部(19.17)和西部地区(18.53)依次递减,总体来说,东部地区的科技金融发展最好,其产业结构升级指数也最高。另外,其他相关控制变量,如人力资本、城市化水平与外商直接投资的全国样本、东部地区、中部地区和西部地区之间的均值出现较大差异。

三、空间自相关检验

(一)全局空间自相关检验

“空间自相关”是指位置相近的区域具有相似的变量取值。如果高值与高值聚集在一起,低值与低值聚集在一起,则为“正空间自相关”;反之,高值与低值相邻,则为“负空间自相关”;如果高值与低值完全随机地分布,则不存在空间自相关。最常使用的度量空间自相关的方法为Morans I,其计算公式如下:

其中,S2=∑ni=1(xi-x-)2n为样本方差,wij为空间权重矩阵,∑ni=1∑nj=1wij为所有空间权重和。-1≤Morans I≤1,Morans I大于0时,指标值呈正相关性;Morans I小于0时,指标值呈负相关性,Morans I的绝对值越大,表示相关性越强。科技金融和产业升级的Morans I的Geoda软件计算及检验结果如表3所示。

从分年份的检测结果来看,科技金融Moran指数值在0.116~0.216之间,存在正空间自相关,除2001—2009年和2015年以外的其他年份,这种相关性在5%水平以内显著;产业结构升级Morans I指数值在0.2245~0.3158之间,存在正空间自相关,这种相关性在5%水平以内显著,说明科技金融与产业结构升级存在显著的空间自相关性。

(二)局域空间自相关的LISA集聚图

为进一步了解区域科技金融与产业结构升级的观测值是否存在局部空间聚集,哪些区域对于全局空间自相关的贡献更大,本文通过测算空间关联局部指标,以衡量局部区域之间科技金融与产业结构升级的空间集聚差异。

如图1,从产业结构升级的区域分布来看,处于(2.387,2.742)区间的省市包括京、滬、津、鲁、粤和苏,这些地区是产业结构升级最快的第一梯队;处于(2.304,2.387)区间的省份包括浙、贵、冀和晋等,该区域的产业结构升级较快,属于第二梯队;数值处于(2.247,2.304)区间的省市包括内蒙古、青、陕、皖、闽、辽、渝、湘和鄂等,该区域的产业结构升级一般,位于第三梯队;处于(2.178,2.247)区间的省市包括藏、豫、云、吉、甘、冀、宁、川、赣、琼、桂和黑等,这些地区的产业结构升级较为缓慢,为第四梯队(如图2)。从科技金融的区域分布来看,处于(34.412,70.854)区间的省市有京、津、苏、沪和粤,这些地区科技金融发展水平最高;冀、鲁、皖、鄂、渝、浙、湘和贵位于(25.693,34.412)区间,科技金融发展水平较高;处于(22.563,25.693)范围的包括黑、吉、青、陕、藏、川和闽,这些区域的科技金融发展水平一般;处于(0,22.563)区间的省市有内蒙古、新、辽、甘、晋、宁、豫、赣、云、桂和琼,这些区域的科技金融发展水平最低。

综合Morans I和LISA检验结果,我们发现,我国科技金融发展与产业结构升级之间具有显著的空间相关性。

四、 实证结果及分析

(一)空间计量模型选择

空间计量经济模型主要有两类:一类是空间滞后模型(SLM),如式(2)所示,主要研究各个变量在研究区域的空间扩散现象;另一种是空间误差模型(SEM),如式(3)所示,考察邻近地区因变量的误差冲击对本地区的影响。

式(2)和式(3)中UISit表示地区i在第t年的产业结构升级指数;STIit表示地区i在第t年的科技金融指数;HCit表示i地区第t年的人力资本;ULit表示i地区第t年的城市化水平;FDIit表示i地区第t年的外商直接投资额;α0表示地区i不可观测的个体效应;W表示n×n阶的空间权重矩阵;公式(2)中WUISit表示空间滞后变量,ρ表示相邻地区的产业结构升级对本地区产业结构升级的空间溢出效应,取值范围在-1到1之间;ε表示独立随机误差向量;公式(3)中λ表示空间误差自相关系数,反映了样本观测值之间的空间依赖程度,取值范围在-1到1之间;μit表示正态分布的随机误差向量。

我们采用拉格朗日乘数—误差检验(LM-Error)来检验SEM,采用拉格朗日乘数—滞后检验(LM-Lag)来检验SLM。如果LM-Lag比LM-Error的统计更显著,则使用SLM更合适,反之,则选择SEM更合适;如果LM-Lag和LM-Error相近且都显著,则观察Robust LM-Lag和Robust LM-Error,在Robust LM-Lag比Robust LM-Error的统计更显著时,则使用SLM更合适,反之,则选择SEM更合适。

本研究对产业结构升级与科技金融的空间依赖性进行了LM-Lag、LM-Error、Robust LM-Lag和Robust LM-Error检验。如表4所示的检验值及P值所示,拉格朗日乘数—滞后检验(LM-Lag)(P值为0)与拉格朗日乘数—误差检验(LM-Error)(P值为0.008)在统计上相似且都显著,而稳健的拉格朗日乘数—误差检验(Robust LM-Lag)显著(P值为0.005),稳健的拉格朗日乘数—滞后检验(Robust LM-Error)不显著(P值为0.201),因此,适合使用面板空间滞后模型(SLM)。

猜你喜欢

空间溢出效应产业结构升级科技金融
倾向中西部的土地供给如何推升了房价
京津冀产业结构变化及其空间溢出效应分析
辽宁科技金融发展现状与对策研究
中国科技金融实践中的经验、误区与路径导向
科技金融研究的文献综述及未来研究展望
从国民经济核算分析我国的产业结构
科技金融内含机理与体系界定
人口老龄化对产业结构升级的影响
城镇化发展对河南省产业升级的影响
江苏省出口产品结构优化升级