创新要素集聚对区域创新绩效的溢出效应研究——基于门槛值的分析

吴卫红，董 姗，张爱美，唐方成

(北京化工大学经济管理学院,北京 100029)

知识经济的快速发展和科学技术的日趋复杂使得科技创新的重要性日益凸显，并成为推动经济持续健康发展的动力源泉和重要手段。从世界范围内看，综合国力的竞争越来越集中体现为科技创新的竞争，创新要素作为创新活动最基本以及最直接的投入资源，已成为区域发展首要争夺的对象，并在竞争的过程中逐渐形成了创新要素的集聚现象。技术竞争理论认为创新要素的集聚数量是决定创新能力的重要因素之一[1]。创新要素集聚可以通过劳动力池效应以及知识溢出等带来规模效应，但过度集聚因加剧市场竞争等会产生拥挤效应[2]。要素拥挤理论认为创新要素的集聚并非越多越好，过度集聚反而有可能会抑制创新能力的提升。这些都说明创新要素的集聚可能存在一个门槛值。

不同区域创新要素集聚的溢出效应存在区别，不同的创新要素集聚通过影响创新活动，进而对当地的创新绩效产生不同的溢出效应。有关创新要素集聚对创新绩效的影响研究受到了国内外学者的广泛关注。同时，现有研究对创新要素集聚与创新绩效两者间关系的认识仍存在着争议。一种流派认为创新要素集聚可以产生规模报酬递增现象[3]，对创新绩效具有正向的溢出效应。不少学者通过实证研究得出创新要素集聚水平越高，该地区或企业的创新绩效越好[4-7]。另一种流派认为创新要素集聚与创新绩效的关系具有不确定性。余泳泽[8]在借助Henderson的研究方法分别测度三大创新主体的创新资源集聚水平的基础上，实证分析创新资源集聚对高校、企业和科研机构的影响，研究结果发现创新资源的集聚水平对创新主体创新效率的影响可能为正、可能为负、也可能是不显著的。郭宝洁[9]则发现创新要素集聚与经济增长存在非必然性的关系。还有一种流派认为创新要素集聚的溢出效应可能存在门槛值约束，当集聚水平超过一定水平时不仅不会促进创新绩效的提升反而会产生抑制作用[10-11]。也就是说，要素的过度集聚可能造成效率损失现象[2]。这些研究结论并不一致，甚至在一定程度上存在冲突，表明创新要素集聚与创新绩效之间的关系并不明确，因而有待进一步深入探究和完善。进一步分析，这3种流派的争论点可归结为创新要素集聚对创新绩效的溢出效应是否存在门槛值。第一种流派的创新要素集聚水平可能还没有达到门槛值，所以，创新要素集聚水平越高，创新绩效越好；第二种流派的创新要素集聚水平跨度范围可能较小，所以，创新要素水平越高，创新绩效既可能越高，也可能越低，具有不确定性；第三种流派认为创新要素集聚对创新绩效的溢出效应存在门槛值约束。

新形势下，我国对科技创新能力给予高度重视，制定了创新驱动发展的战略，并大量增加创新投入。随着创新要素投入的不断增加，丰富的人力、财力和技术要素聚集于北京、上海、广东等地区，创新要素集聚给这些地区带来了显著的规模效应，促进了地区的创新发展，但是，随着创新要素集聚水平提高，生产成本上升以及空间环境的约束导致创新要素集聚的拥挤效应也开始显现。在这种情形下，政府已经出台了促进资源均衡配置的相关政策以补救原有非均衡布局的举措，但要素“扎堆”现象依然存在，哪些区域的创新要素需要转移，转移的适宜时机又在哪里等问题仍未达成一致。梳理已有文献发现，国内学者主要关注创新要素集聚及其影响因素，却对创新要素集聚对创新绩效的动态影响研究关注较少。部分学者虽然意识到了创新要素集聚对创新绩效的负向溢出效应，但并未精确测算集聚溢出效应的门槛值。而定性判断门槛值的存在与否并不能为政府政策的制定给出具体的参考建议。此外，各区域因资源禀赋、空间范围和地理位置等方面存在差异，不同区域创新要素集聚的溢出效应也有所区别，测算不同区域创新要素集聚溢出效应的门槛值及其原因具有较大的实际意义。为此，本文从门槛值的分析出发，在运用因子分析法测度创新要素集聚水平和创新绩效的基础上，通过MATLAB中的曲线拟合工具箱探究创新活动过程中创新要素集聚水平对创新绩效所起的重要作用。考虑到数据的可获取性，本文以我国30个省域作为研究对象，从区域异质性特征入手，考察创新要素集聚对创新绩效的溢出效应，以反映创新要素集聚效应的空间差异，实证分析不同创新要素集聚水平层级的门槛值约束，并基于不同区域的创新要素集聚水平及特点提出促进创新绩效增长的对策。

1 研究设计

1.1 研究假设

创新要素是指创新活动中可以直接产出科技成果的投入资源或影响创新支撑条件的要素[12]，其作为创新活动的基础，正日益成为各国家和地区青睐以及争夺的对象，并在此过程中形成创新要素集聚现象。创新要素集聚不是创新要素投入的简单加总，还包括创新要素配置、整合和协同等[13]，从而形成了强大的集聚效应，产生“1+1>2”的效果[14]，推动区域创新能力和创新绩效的提升。创新要素集聚作为科技创新的重要推动力[15]，势必对创新绩效会产生一定的影响。那么，创新要素集聚是如何影响创新绩效呢？基于集聚经济理论，创新要素集聚对创新绩效的影响具有两面性。集聚因素在前期阶段，具有规模报酬递增的特征，后期由于拥堵和过度竞争等，呈现集聚不经济的特征[16]。由于规模效应和拥挤效应并存，集聚净效应呈现先升后降的变化。那么，集聚净效应的门槛值又在哪里？不同区域因集聚环境的差异导致集聚经济特性也不同，比如：空间范围是集聚因素产生规模效应或拥挤效应的重要原因。因此，各区域创新要素集聚效应的门槛值应有所不同。而创新要素集聚水平的层级越高，可为区域内的创新主体提供更丰富的创新资源，营造更有利于创新主体发展的创新环境，从而区域的创新要素集聚规模效应更容易显现，其拥挤效应也会不易出现，因此集聚的溢出效应门槛值也会随之推后。因此，本文提出如下假设：

H1：创新要素集聚水平与创新绩效呈倒U型关系。

H2：创新要素集聚水平层级与集聚的溢出效应门槛值呈正相关关系。

1.2 研究方法

本文采用因子分析法、聚类分析和曲线拟合方法进行研究，通过因子分析法测度创新要素集聚水平和创新绩效，通过聚类分析对30个省域进行归类并探索创新要素集聚的门槛值是否存在以及不同创新要素集聚水平层级的集聚效应门槛值是否不同，通过曲线拟合方法实证创新要素集聚水平对创新绩效的溢出效应。因子分析法可以通过多元统计从多个观测变量中找出少数几个综合因子来解释原始数据，能客观有效地确定综合指标[17]。现有研究对创新要素集聚的测度多将创新要素独立开来，选取构建指标对单个要素进行表征[18]，而现实中创新要素集聚是一个复杂系统，应该将多个创新要素看作一个整体，此种看法同样适应于创新绩效。因此，本文基于“区域系统”视角，采用因子分析法对创新要素集聚水平和创新绩效进行综合衡量。其次，为了明确创新要素集聚的门槛值存在与否，采用Q型聚类法对我国30个省域进行分类，分析创新要素集聚的阶段性特点。另外，曲线拟合是用连续曲线近似地刻画或比拟平面上离散点函数关系的一种数据处理办法[19]，本文通过曲线拟合方法求解创新要素集聚水平与创新绩效之间近似函数关系表达式，揭示创新要素集聚对创新绩效的影响规律，并最终得出创新要素集聚效应的门槛值。

1.3 变量测度

1.3.1 指标设计

(1)创新要素集聚水平的指标构建。已有研究按照要素微观本质特征将创新要素划分为劳动、资本等初级要素和知识、技术等高级要素[20]，或按照结构和功能分为主体要素、支撑要素和市场要素[21]。目前相关研究对于创新要素的构成并没有完全达成共识，但究其本质，创新要素包括人力、财力、技术、政策、制度和环境等[12]。考虑到政策、制度、环境等指标较为主观，难以客观量化，本文参考冯南平等的做法，重点关注人力要素、财力要素和技术要素三类[12,22-23]，构建评价指标体系如表1所示。

表1 创新要素集聚的评价指标体系

(2)创新绩效的指标构建。创新绩效是管理学领域中较为常用的关键测量指标，现有研究对衡量创新绩效的指标体系并没有统一的界定标准[24]，但多从知识产出和经济产出两个角度考虑，本文在已有研究的基础上，考虑数据的可得性，将创新绩效以专利申请量、专利授权量、新产品销售收入、新产品出口额、技术市场技术输出金额和数量等指标来衡量[25-28]。

1.3.2 测度结果分析

因西藏数据严重缺失，故本文选取了除西藏以外的30个省域作为研究对象。数据来源于2008—2018年的《中国统计年鉴》以及《中国科技统计年鉴》。因为数据量纲和数量级不一致，本文采用SPSS软件默认的Z-Score法对相关数据进行标准化处理。在对相关数据进行因子分析法的适用性判定合格后，提取特征值大于1的因子，提取方法为主成分方法，具体细节在此不做赘述。在创新要素集聚水平的测度中，R&D人员全时当量、R&D经费内部支出、R&D经费内部支出中的企业资金、新产品开发项目数和新产品开发经费支出在其中一个因子上有较大的载荷，这5个指标既涵盖了人力和财力的整体水平以及企业的创新投入，又包括了技术的成果水平，因此将其命名为核心因子。具有博士学历的R&D人员、R&D经费内部支出中的政府资金、国外资金、技术市场技术流向合同数和技术市场技术流向合同金额在另一个因子上的载荷较大，这5个指标都可反映区域的创新环境，作为创新活动支撑的条件，因此，将其统称为支撑因子。国外技术引进合同数和国外技术引进合同金额这两个指标在公共因子上的载荷因年份的不同而不同，因此，在本文中不做归类。

通过对相关指标数据进行因子分析，确定指标权重，得出各省域的创新要素集聚水平和创新绩效的综合因子得分见表2和表3。根据因子分析法计算原理，综合因子的得分越高，表明该省域的创新要素集聚水平越高或创新绩效越好；综合因子的得分大于0，表明该省域的创新要素集聚水平或创新绩效高于全国平均水平，反之，表明该省域的创新要素集聚水平或创新绩效低于全国平均水平。

表2 2007—2016年我国各省域创新要素集聚水平得分

表3 2008—2017年我国各省域创新绩效得分

表3(续)

结果表明，尽管近10年各省域的创新要素集聚水平和创新绩效的综合得分有细微变化，但整体上呈现较为明显的稳定性。其中，北京、广东、江苏和上海是我国创新要素集聚水平非常高的区域，其创新要素集聚水平长期排在前列；浙江、山东和天津等3个省市近10年的集聚水平综合得分均大于0，表明其集聚水平超过了全国平均水平；辽宁、四川和湖北3个省域近10年的集聚水平得分有正有负，处于不断调整状态；而河南、陕西、福建和安徽等20个省市的得分均小于0，表明其集聚水平未达到全国平均水平。此外，广东和江苏的创新绩效位居前列；浙江和北京的创新绩效一直稳定处于全国第三、四名；上海和山东的创新绩效得分大于0，表明其综合创新绩效均在全国平均水平之上；天津、辽宁、湖北、安徽和河南等5个省市近10年的综合得分有正有负，处于不断波动状态；而包括四川、湖南、重庆、青海等在内的19个省市的综合得分均小于0，表明其创新绩效居于全国平均水平之下。由此我国创新要素集聚和创新绩效已形成多层次的分布格局。

2 实证研究

2.1 拟合模型及拟合方法

考虑到创新活动从投入到产出具有一段时期的滞后性，本文借鉴吴卫红[13]和陈志宗[29]的做法，对所有的创新产出数据采取滞后 1 年的处理。为了发现两者之间的内在规律性，求出两者之间的函数关系式，以创新要素集聚水平为横坐标，以创新绩效为纵坐标，绘制如图1所示的散点图。

图1 创新要素集聚水平-创新绩效散点

由图1可知，创新要素集聚水平与创新绩效呈现较为规律性的关系，为发现两者之间存在的具体关系，可对照散点图预测函数类型。根据对拟合数据试验发现，二次函数的拟合相关系数较高，拟合结果较好。因此，本文构建了“创新要素集聚—创新绩效曲线”拟合模型见式(1)：

IP =a+bIEA +cIEA2

(1)

式(1)中：IP是创新绩效；IEA为创新要素集聚水平；a、b、c为模型拟合参数。对于创新要素集聚水平和创新绩效的测度数据及选定的拟合模型，可通过MATLAB、Origin等软件对其拟合，考虑到MATLAB曲线拟合工具箱功能强大，拟合曲线图形可视化，本文采用该工具箱进行创新要素集聚—创新绩效曲线的拟合。

2.2 门槛效应分析

为了明确创新要素集聚对创新绩效的溢出效应是否存在门槛值约束以及不同创新要素集聚水平层级的集聚溢出效应门槛值是否有所差异，本文采用Q型聚类法，以2007—2016年集聚水平综合得分为指标变量对30个省域进行分类。类与类之间的距离的定义不同，由此可产生了8种不同的系统聚类方法，如：最短距离法(Nearest neighbor)、最长距离法(Furthest neighbor)、离差平方和法(Ward)等。本文采用Ward法对30个省域进行分类。Ward法中类与类之间距离的定义见式(2)：

(2)

式(2)中：np、nq、nk和nr表示类Gp、Gq、Gk和Gr中样品的个数；Dpq表示类Gp与Gq类间的距离；类Gr是由Gp类与Gq类合并而成的新类，任意其他类Gk到类Gr的距离记为Gkr。具体聚类结果如表4所示。

表4 创新要素集聚水平的聚类分析

根据聚类分析结果，可将我国30个省域的创新要素集聚水平分为3个梯队：第一梯队包含6个省域；第二梯队包含11个省域；第三梯队包含13个省域。由于不同区域的集聚环境有所区别，其创新要素集聚对创新绩效的溢出效应是否也有所不同？现分别对3个梯队创新要素集聚对创新绩效的溢出效应进行研究，3个梯队的曲线拟合结果如图2所示。

图2 3个梯队创新要素集聚水平-创新绩效曲线拟合

如图2所示，第二梯队和第三梯队中创新要素集聚水平越高，创新绩效越好，说明这两个梯队中创新要素集聚的规模效应起主导作用，创新要素集聚对创新绩效的溢出效应为正。第一梯队的创新要素集聚水平最高，较之其他两个梯队也更容易出现拥挤效应，拟合结果也显示创新要素集聚对创新绩效的溢出效应出现了分化。追溯到创新要素集聚水平和创新绩效的测度数据，发现在拟合曲线之下的基本是北京和上海的测度数据，之上多为广东、江苏和浙江的测度数据，山东的测度数据多在拟合曲线附近。通过分析以上省域的区域异质性，可以发现北京、上海、广东、江苏和浙江的经济发展较好，聚集了丰富的创新资源，山东稍显落后，可以认为经济发展水平会影响门槛值的大小。而北京、上海这两个地区和广东、江苏、浙江这3个地区的显著差异在于空间范围，说明空间范围是限制集聚溢出效应门槛值的重要因素。此外，从散点图中可以看出，北京和上海创新要素的集聚效应已经达到或即将达到门槛值，政府应出台创新资源转移的相关政策以促进创新要素集聚发挥正向溢出效应。

为了对3种类型区域创新要素集聚对创新绩效的溢出效应有更清晰的认识，比较不同集聚水平层级的门槛值差异，本文将3种类型区域的拟合函数曲线放在一个图中，得到如图3所示的3个梯队创新要素集聚—创新绩效曲线比较图。

图3 创新要素集聚水平-创新绩效曲线比较

2.3 最优集聚水平识别

Brakman等[30]研究发现，集聚初期主要表现为集聚正向效应，当集聚发展到某一程度，正向效应逐渐减弱负向效应开始显现。为了让创新要素集聚对创新绩效的总溢出效应最大化，本文找出我国创新要素最优集聚水平。首先，根据变量测度结果绘制我国30个省域创新要素集聚-创新绩效散点图，并在此基础上得出拟合曲线，结果见图4。

图4 创新要素集聚水平—创新绩效拟合

3 结论与启示

创新是推动一个国家发展的重要力量，而创新要素是创新发展的基础和基本条件。近年来，我国不断加大创新要素的投入，并逐渐形成创新要素集聚现象。那么，创新要素集聚与创新绩效关系如何？是否存在门槛值约束？要素“扎堆”现象为何始终难以得到缓解？这是优化创新资源配置，提高创新绩效需要着力解决的问题。本文采用因子分析法、聚类分析与曲线拟合等方法实证研究了创新要素集聚对创新绩效的溢出效应，发现创新要素集聚对创新绩效的溢出效应存在门槛值约束，即只有适度的创新要素集聚水平才能显著提升创新绩效，而且由于各区域创新要素集聚水平层级的不同，创新要素集聚的溢出效应门槛值也有所差异。本文的实证研究结果还表明，当我国的创新要素集聚为最优水平(4.025)时，创新绩效达到最大值。由此，为优化我国创新要素投入和配置体系建设，提高我国区域创新能力，本文提出如下建议：

(1)从要素协同角度优化创新要素配置结构。整体上，30个省域中只有7个省域的创新要素集聚水平高于全国平均水平，说明我国的创新要素配置存在“多数资源少数省域占有”的问题。因此，不能只片面加大各省域的某一创新要素投入，应打破区域藩篱，促进要素自由、有序流动，从而均衡省域间的创新要素配置，提高省际间各要素的交互作用以达到“1+1>2”的协同效应。具体至省域维度上，应基于创新要素集聚的演化规律，针对本省域创新资源的特点制定适宜的对策以推动创新绩效提升。譬如：江苏、浙江、山东和广东等省域的创新要素集聚核心因子得分较高，支撑因子的得分不高，表明这些区域聚集了丰富的创新科技资源，可为创新绩效提供强大的内生推动力，但创新发展的环境远落后于创新投入，亟需加强创新环境建设。内蒙古、青海和新疆等省域的核心因子和支撑因子得分都较低，究其原因，是由于这些省域的经济水平较为落后，对创新资本和创新人才等的吸引力不够，导致创新要素流入不足，说明这些省域的创新投入以及创新环境两方面都需要完善，当地政府可制定鼓励科技创新的配套政策吸引创新要素流入，为创新活动营造良好的环境，切实解决阻碍创新发展的突出问题。此外，北京和上海既有丰富的创新资源，又具备较好的创新环境，因此，应该提高区域的核心技术研发水平和自主科技创新能力，为加快我国创新型国家建设提供最强有力的支撑，并发挥示范作用，引领其他省域更好地实施创新驱动发展战略。

(2)基于集聚水平层级视角改善创新要素不均衡分布。创新要素集聚不仅能带来规模效应也会带来拥挤效应，理论上创新主体一旦意识到要素“扎堆”现象已经出现，集聚拥挤效应非常明显时，就会考虑创新要素的转移了，那么现实中要素“扎堆”现象为何依然得不到缓解呢？究其原因，创新要素集聚水平层级按第一梯队、第二梯队、第三梯队依次递减，其集聚的溢出效应都呈现先正向后负向的趋势，溢出效应门槛值也依次递减，说明高集聚水平层级区域的创新要素转移到低集聚水平层级区域，创新要素集聚难以发挥对创新绩效的溢出效应，因此应改善区域集聚水平层级，使低集聚水平层级区域跨越到更高层级，进而创新要素集聚的溢出效应门槛值提高，创新要素能更好地发挥集聚作用。其次，第二梯队和第三梯队的创新要素集聚的规模效应起主导作用，可以继续加大创新要素投入以促进创新绩效提升，第一梯队中部分省域已经达到集聚溢出效应的门槛值，应考虑创新要素的转移或提高集聚水平层级。

(3)从动态调整角度促进创新绩效提升。区域创新绩效增长不仅取决于区域的创新要素投入，还取决于创新要素的配置方式，因此，政府对创新要素集聚政策的制定不能一成不变，而是要引入动态的要素投入与配置调整机制。对于预投入的创新要素，要建立相应的机构合理评估创新要素是否值得加大投入以保障创新要素得到更合理的利用。对于已投入的创新要素，政府应当对创新要素配置的合理性以及创新绩效进行定期的评估，并根据评估结果来决定各创新要素投入的增减。不论是政府还是各创新主体都应做到合理投入创新要素，根据本区域的特征，对创新要素的投入和配置进行适当调整，避免陷入盲目提升集聚水平的误区。通过动态调整机制提高创新要素集聚的溢出效应，切实发挥创新要素集聚对区域创新绩效的提升作用，从而使得创新资源得到有效利用，创新效益达到最大化。此外，创新活动从投入到产出具有滞后性，政府应当构建合理的指标体系监测创新要素的集聚水平，以此为依据动态调整创新要素的投入和配置，对我国的创新绩效进行前瞻性预测，这对保持我国的持续创新能力意义重大。