区域创新能力对AM 产业溢出效应的影响研究——基于长江经济带的实证

刘宇

（江西理工大学商学院，南昌330013）

长江经济带是我国重要的经济区域，先进制造业 （Advanced Manufacturer Industry，AM 产业）是制造业的重要组成部分。 2016 年长江经济带AM产业工业销售产值为215980.83 亿元，占全国比重的49.43%； 长江经济带2016 年加权专利数为250072.3 件，占全国比重的49.4 %。 为探索区域创新能力对长江经济带AM 产业空间集聚和空间演变的影响， 现对2007—2016 年省际面板数据进行动态分析，以发现长江经济带AM 产业全局自相关和局部自相关的特征，通过构建空间杜宾模型探索长江经济带区域创新能力对AM 产业发展的贡献度，从而更好地实现创新驱动长江经济带AM 产业的发展。

一、文献综述

制造业是经济发展的重要组成部分，制造业生产率、竞争优势提升和制造业升级的过程中，技术创新起到了重要的作用。有学者对发达国家从工业化初期向工业经济成熟期转变的过程进行研究，发现经济增长的驱动因素由资本积累转变为技术进步[1]。 有学者对欧洲、美国、亚洲等地的制造业进行研究后发现，技术创新和技术转让有利于企业生产率的提高，并且公司盈利水平有了较好的表现[2-4]。而且技术创新可以塑造企业的差异化，这种差异化逐步形成企业的竞争优势[5]。 而绿色技术创新可以通过提升行业集中度来促进制造业集约化和规模化发展[6]。另外，还可以通过多地协同创新来促进先进制造业升级[7-8]。

总体而言，现有的研究中大部分都是应用传统计量的方法研究技术创新如何影响制造业发展，有少量学者从空间计量的角度进行分析[9]。 从研究对象来看， 一部分学者从宏观层面即国家层面研究，一部分学者从微观层面即某一具体行业进行研究，少有学者从中观层面针对某一特定的产业集合进行研究。 从研究的范围来看，大部分学者研究技术创新对本地区的制造业发展的影响，仅有少量学者从研发产业集聚的角度研究了技术创新对本地和周边地区的影响[10]。 因此，需要运用空间计量的方法从中观层面对某一经济区域的产业集合进行研究，从而探索其空间经济特征。

二、影响机制、数据来源、模型设定与选择

（一）影响机制

技术创新对制造业发展的影响机制已得到了诸多学者的论证，影响机制主要可以概括为两个方面，如图1 所示。

图1 技术创新对制造业发展的影响机制

1. 技术创新对制造业发展的直接影响

技术创新可以促进制造企业价值创造能力和转型升级能力的提升，具体而言技术创新可以通过优化劳动、资本、原材料等要素的配置来提高全要素生产率[11]，而生产率的提高可以直接驱动制造业转型升级[12-16]，从而实现制造业发展的高级化、合理化、集约化，最终提升制造业竞争力，促进制造业的健康发展[17]。

2. 技术创新对周边地区制造业发展的间接影响

在技术市场发展水平较高且政府支持程度较高的前提下，研发人员和研发资本等创新要素可以在区际自由流动，研发人员的流动可以通过刺激消费需求和倒逼制度变革来推动制造业结构优化，而研发资本的流动主要通过以消费需求为中介实现制造业结构优化[18]。 另外，由于制造业集约式发展，企业之间的交流与合作会产生知识溢出，从而促进周边地区创新要素的集聚，进而形成创新集群[19-20]，最终带动周边地区制造业的发展。

（二） 数据来源

工业销售产值数据来源于2007—2016 年《中国工业统计年鉴》， 固定资产投资数据来源于2007—2016 年的各省市统计年鉴，按照2007 年的可比价格计算。 专利数据来源于国家知识产权局2007—2016 年统计年报。AM 产业可分为化学原料及化学制品制造业、医药制造业、通用设备制造业、电气机械及器材制造业、电子及通信设备制造业和交通运输设备制造业6 个行业[21]。 而长江经济带可划分为上游、中游和下游三个区域，其中上游地区包括贵州、四川、云南和重庆3 省1 市；中游地区包括安徽、江西、湖北和湖南4 省；下游地区包括浙江、江苏和上海2 省1 市。

被解释变量为AM 产业发展水平， 用AM 产业工业销售产值 （Sales Value of Industry，SVI）衡量；解释变量资本投入，用AM 产业固定资产投资（Investment in Fixed Assets，IFA）衡量；解释变量创新能力，用区域创新能力（Region Innovation Ability，RIA）衡量。 考虑到数据的可获得性，区域创新能力采用发明专利、实用新型专利和外观设计专利的加权平均数代替，其中发明专利、实用新型专利和外观设计专利所占的比重分别为0.5、0.3、0.2[22]。

（三） 模型设定与选择

1. 传统计量与空间计量模型的选择

由于长江经济带包括东部、中部和西部，横跨九省二市，而各省市的经济发展水平和区域创新能力存在着明显的差异，也就是存在空间异质性。 另外，由于长江经济带地理区域上的邻近，区域内部企业之间的合作十分频繁，经济发达省市对欠发达省市有带动作用，也就是存在空间溢出效应。 由于传统计量模型存在独立同分布假设，所以难以处理异质性问题，而空间计量模型的两大特征就是空间自相关和空间异质性，因此，选择空间计量模型进行实证分析。

空间计量模型共有8 种类型，其中常用的是空间滞后模型（SAR）、空间误差模型（SEM）和空间杜宾模型（SDM），而判断是否需要建立空间计量模型的一般方法是检验模型回归后的残差是否具有空间自相关性[23]。 如果残差存在空间自相关现象，则可以通过添加因变量的空间滞后项或空间自相关误差项来消除残差中的空间自相关现象，即分别通过构建SAR 模型或SEM 模型来实现[24]。

于是分别构建SAR 模型和SEM 模型。 依照惯例，在构建空间模型之前先构建一个基准模型作为对比，常用的基准模型就是最小二乘法模型，根据索洛增长模型构建理论模型[25]，如公式（1）所示：

其中，α 代表常数项；β 代表待估系数；ε 代表随机误差项。

空间滞后模型如式（2）所示：

其中，ρ 代表因变量空间滞后项的待估系数， 即空间自回归系数；W 代表空间权重矩阵，其他符号同于式（1）。

空间误差模型如式（3）所示：

其中，λ 代表空间自相关误差项的待估系数，即空间自相关系数；μ 代表误差项，其他符号同于式（1）。

SAR 和SEM 模型的LM 检验结果如表1 所示。

表1 SAR 和SEM 模型的LM 检验P 值

从表1 的P 值数据可以看出，SAR 和SEM 模型都通过了5%的显著性检验，说明还有更优的模型存在，于是对模型进行拓展，引入SDM 模型，如式（4）所示：

2. SAR、SEM、SDM 模型的选择

由于SDM 嵌套了SAR 和SEM 模型， 所以可以通过对比LR 检验的统计量来判断SDM 模型是否优于SAR 和SEM 模型[26]。 因此，对SAR、SEM、SDM 的LR 检验值进行对比，如表2 所示。

表2 SAR、SEM、SDM 模型的LR 检验值对比

可以看出，SAR 和SDM 模型、SEM 和SDM 模型两两比较时都通过了1%的显著性检验，都拒绝了原假设，即认为SAR 和SDM、SEM 和SDM 有明显差异， 即SDM 模型优于SAR 和SEM 模型，因此，选择SDM 模型为研究模型。

三、实证分析

在以下的实证分析中，均对历年的工业销售产值、制造业固定资产投资数据和区域创新数据进行取对数处理，然后进行空间统计分析、空间自相关分析、 回归分析， 实证过程用到的软件有Geoda、Eviews、Matlab。

（一）空间统计分析

限于篇幅， 仅对长江经济带AM 产业2007 和2016 年lnSVI、lnIFA、lnRIA 进行三分位统计分析，以明确其空间格局的高中低分布及发展变化。

1. 2007 年lnSVI、lnIFA、lnRIA 三分位统计

通过对2007 年lnSVI、lnIFA、lnRIA 进行三分位统计分析，如表3 所示。

表3 2007 年长江经济带AM 产业lnSVI、lnIFA、InRIA 的三分位统计

2. 2016 年lnSVI、lnIFA、lnRIA 三分位统计

通过对2016 年lnSVI、lnIFA、lnRIA 进行三分位统计分析，如表4 所示。

表4 2016 年长江经济带AM 产业lnSVI、lnIFA、InRIA 的三分位统计

从表3 和表4 可以看出，2007 年和2016 年长江经济带AM 产业的lnSVI 数据处于高位的是江苏、浙江、上海、湖北；处于中位的是四川、重庆、安徽；处于低位的是云南、贵州、湖南、江西。从发展趋势来看， 空间格局的高中低分布没有发生变化，但绝对数据呈现增长趋势。

2007 年长江经济带AM 产业的lnIFA 数据处于高位的江苏、安徽、浙江、四川；处于中位的是湖北、江西和上海；处于低位的是云南、贵州、重庆、湖南。 2016 年处于高位的是江苏、安徽、湖北、江西；处于中位的是四川、湖南、浙江；处于低位的是贵州、云南、重庆、上海。从发展趋势看，湖北和江西加大了AM 产业固定资产投资的增幅，从中位上升到了高位，四川和浙江降低了AM 产业固定资产投资的增幅，从高位下降到了中位，上海降低了AM 产业固定资产投资的增幅，从中位下降到了低位。

2007 年，长江经济带AM 产业的lnRIA 数据处于高位的是江苏、浙江、上海、四川；处于中位的是重庆、湖北、湖南；处于低位的是云南、贵州、江西、安徽。 2016 年，处于高位的是江苏、浙江、上海、安徽；处于中位的是四川、重庆、湖北；处于低位的是云南、贵州、湖南、江西。从发展趋势看，四川的创新能力的增幅在降低，从高位下降到了中位；湖南的创新能力增幅在降低，从中位下降到了低位；安徽的创新能力的增幅在快速提升，从低位上升到了高位。

（二）空间自相关分析

1. 空间权重矩阵

空间权重矩阵常用的有基于地理邻近性的空间权重矩阵和基于距离的空间权重矩阵。 基于地理邻近性的空间权重矩阵又可分为Rook 和Queen 空间权重矩阵。 由于Queen 空间权重矩阵更合理[27]，因此，文章选择Queen 空间权重矩阵。

2. 全局空间自相关分析 (Global Indicator of Spatial Association,GISA)

为了观察长江经济带AM 产业在空间上的自相关特征， 运用GeoDa 软件进行Moran 散点图分析，Moran’s I 统计量即为斜率，纵轴为wy，横轴为y。第一象限为是高值—高值，代表高观察值空间被高观察值空间所包围； 第二象限为低值—高值，代表低观察值空间单元被高观察值单元所包围；第三象限为低值—低值，代表低观察值空间单元被低观察值空间单元所包围； 第四象限为高值—低值，代表高观察值空间单元被低观察值空间单元所包围。

（1）计算公式

在地理空间范围内，某一空间单元的某个属性值或某一变量的观察值与相互邻近的空间单元的某个属性或某个变量观察值的相似性，说明可能存在空间依赖性，这些与空间位置相关的属性或变量的观察值之间的相似现象被称为空间自相关。

空间自相关需要经过检验，经典的空间自相关检验统计量有Moran’s I 和Getis-Ord General G，由于Moran’s I 应用得很广泛， 故此处也应用Moran’s I 检验。

Moran’s I 的定义如式（5）所示[28]：

其中，N 表示空间单元的个数；y 表示研究变量的观察值；表示变量y 观察值的均值；wij表示空间权重矩阵中的元素；S0表示空间权重矩阵所有元素之和。

Moran’s I 统计量的取值范围在[-1，1]之间，正值表示正向的空间自相关（空间集聚），负值表示负向的空间自相关（空间分散）。+1 表示完全空间集聚，-1 表示完全空间分散，0 表示在空间上随机分布。

为了进行统计假设检验， 可以将Moran’s I统计量转化为Z 值， 检验其是否大于1.96 或小于-1.96，以显示该空间自相关检验是否在5%水平下显著。

（2）显著性检验

为了判断真实的空间分布有多大可能性存在空间自相关，需要对Moran’s I 进行显著性检验，因此， 运用GeoDa 软件对2007—2016 年所有的lnSVI、lnIFA、lnRIA 数据进行空间全局自相关的显著性检验， 检验结果显示，lnSVI 除2013 年外均通过了1%的显著性检验，lnIFA 仅2013 年通过了5%的显著性检验，而lnRIA 所有的年份都通过5%显著性检验。说明长江经济带AM 产业的工业销售产值与区域创新能力均具有很强的空间自相关特征，可以进行空间相关分析。

（3）2007—2016 年长江经济带AM 产业全局空间自相关分析

现运用GeoDa 软件对2007—2016 年长江经济 带AM 产 业 的lnSVI、lnIFA、lnRIA 数 据 进 行Moran’s I 分析，如表5 所示。

历年的Moran’s I 的符号都为正， 说明数据呈现正相关，即长江经济带AM 产业的空间集聚特征明显。 从数据的变化可以看出，这种空间集聚特征呈 现 下 降 趋 势，lnSVI 的Moran’s I 从2007 年 的0.5 逐年下降到了2016 年的0.35。而区域创新能力的空间集聚特征也很明显， 并且呈现上升趋势，从2007 年的0.32 逐步上升到了2016 年的0.41，说明长江经济带AM 产业的区域创新能力空间集聚特征越来越明显。

3. 局部空间自相关分析 (Local Indicator of Spatial Association, LISA)

全局空间自相关是假定空间存在同质性，为了更准确地探索长江经济带AM 产业的各自空间特征，现对其进行异质性分析。

（1）计算公式

局部空间自相关对全域空间自相关Moran’s I统计量进行了修改，使得局部空间自相关的统计量可以分解全局空间自相关Moran’s I 统计量， 因此能够发现每个空间单元观察值的贡献。

表5 2007—2016 年lnSVI、lnIFA、lnRIA 的Moran’s I 指数

局部空间自相关定义如式（6）所示[29]：

上式中的Si2如式（7）所示：

其中，N 表示空间单元的个数；y 表示研究变量的观察值；表示变量y 观察值的均值；wij表示空间权重矩阵中的元素。

（2）显著性检验

同理， 为了进一步判断在真实空间分布上有多大可能性存在局部空间自相关，需要进行显著性检验，因此，运用GeoDa 软件对2007—2016 年长江经济带AM 产业的所有lnSVI、lnIFA、lnRIA数据进行空间异质性即LISA 分析，所有LISA 结果全部通过5%的显著性检验， 因此可以进行局部空间自相关分析。

（3）2007—2016 年长江经济带AM 产业局部空间自相关分析

限于篇幅， 这里仅对2007 年和2016 年的lnSVI、lnIFA 和lnRIA 数据进行LISA 集聚分析，将数据汇总后如表6 和表7 所示。

表6 2007 年长江经济带AM 产业lnSVI、lnIFA、InRIA 的LISA 集聚分布

表7 2016 年长江经济带AM 产业lnSVI、lnIFA、InRIA 的LISA 集聚分布

从长江经济带AM 产业lnSVI 的发展变化来看，2007 年高—高集聚的是江苏、 浙江和上海，2016 年安徽取代浙江，成为高—高集聚的区域，其他没变，即低—低集聚的空缺，高—低集聚的只有四川。 从lnIFA 的发展变化来看，2007 年高—高集聚的是上海和安徽，低—高特征的空缺，低—低集聚的只有贵州， 高—低集聚的只有四川；2016 年高-高集集聚的只有安徽， 低—低集聚的新增了云南，其他不变。 从lnRIA 的发展变化来看，2007 年高—高集聚的是江苏、浙江、上海，低—高、低—低、高—低都空缺；2016 年高—低特征新增了四川，其他没变。

从 年 度 数 据 来 看，2007 年 的lnSVI、lnIFA、lnRIA 都呈现高—高集聚的是上海，2016 年都呈现高—低特征的是四川。

以上数据说明，长江经济带下游的江苏、上海和浙江的工业销售产值和区域创新能力都呈现高—高集聚的特征，并且固定资产的投入增幅在降低，说明区域创新能力对长江经济带下游AM 产业的发展贡献度较大。长江经济带中游的安徽通过增加固定资产的投资实现了AM 产业的快速发展。长江经济带上游的四川在工业销售产值、固定资产投资和区域创新能力方面都呈现高—低特征，并且区域创新能力实现了快速的发展。

（三）回归分析

经过LM 检验，已经确定了可以运用SDM 模型进行分析，接下来首先进行Hausman 检验以确定模型是具有固定效应还是随机效应， 其次解读模型分析结果，最后进行直接效应和间接效应的分解。

1. Hausman 检验

Hausman 分析结果如表8 所示， 可以看出，Hausman 检验值为34.4560，P 值为0.0000， 在1%的显著性下拒绝原假设， 说明固定效应模型更优，因此，运用固定效应空间SDM 模型进行回归分析。

表8 Hausman 检验结果

2. 回归结果分析

对模型（1）时间固定效应模型、模型（2）空间固定效应模型、模型（3）双向固定效应模型分别进行分析，分析结果如表9 所示。

表9 固定效应空间SDM 模型估计

由于长江经济带属于连续研究区域中的邻近空间单元， 同时考虑到长江经济带的上中下游区域的经济发展具有较明显的差异，另外2007—2016 年以来国家在AM 产业发展方面的宏观政策没有明显的变动。 因此，综合经济意义、拟合优度、最大对数似然函数值和显著性检验， 选择空间固定效应SDM 模型进行回归分析。

3. 直接效应和间接效应分解

为了更好地了解本地区和邻近地区的区域创新能力对本地区AM 产业的工业销售产值的不同影响，现把溢出效应进行分解，分解后的直接效应、间接效应、总效应如表10 所示。

表10 固定效应空间SDM 模型估计系数的直接、间接效应

区域创新能力对本地区AM 产业发展的直接效应为0.2971，大于间接效应，换言之，本地区的AM 产业发展更多地来源于本地区域创新能力的发挥，而邻近地区的区域创新能力对于本地区AM产业发展影响为负。这符合区域经济学中的虹吸效应，说明创新能力强的江苏、浙江、上海等省市对于邻近区域的创新资源有强大的吸纳作用。

四、结论与建议

（一）结论

1. 长江经济带AM 产业具有明显的空间集聚特征

2007—2016 年 的lnSVI 的Moran’s I 指 数 都大于0.35，说明空间自相关性较强。 局部空间自相关的分析结果表明，长江经济带下游区域的AM 产业的工业销售产值和区域创新能力呈现高—高集聚特征，并且区域创新能力对于AM 产业发展的贡献较大。 长江经济带中游区域AM 产业从2007—2016 年的发展过程中， 仅安徽在工业销售产值和区域创新能力上呈现高—高集聚特征，其他3 省集聚特征不明显。 长江经济带上游区域中， 四川的AM 产业的工业销售产值和区域创新能力呈现高—低特征， 并且区域创新能力有了较大提升，而其他3 省1 市空间集聚特征不明显。

2. 区域创新能力对于AM 产业发展的影响更大

表9 中lnIFA 和lnRIA 的系数分别为0.1660和0.3093，两个系数都大于0，说明固定资产投资和区域创新能力与AM 产业的工业销售产值都呈现正相关特征，并且区域创新能力对于AM 产业的贡献更大（0.3093＞0.1660）。模型的拟合优度和修正拟合优度分别为0.9923 和0.9491， 说明回归方程拟合得很好。

3. 区域创新能力对于下游AM 产业发展的影响更大

对区域创新能力而言， 长江经济带下游的江苏、上海、浙江在2007 年和2016 年都呈现高—高集聚状态，而中上游高—高集聚的现象不显著。 从分位地图统计来看，2007 年处于高位的是江苏、上海、浙江和四川，到2016 年处于高位的是江苏、上海、 浙江和安徽。 虽然中部的安徽由于与江苏、上海、浙江的地位邻近性而出现了区域创新能力的提升，但是与中上游区域相比，下游区域的区域创新能力对AM 产业发展的贡献更大。

4. 本地区比邻近地位的区域创新能力对AM产业发展的影响更大

lnRIA 的直接效应为0.2971， 间接效应为-0.144，即本地区的区域创新能力比邻近地区的区域创新能力对于AM 产业发展有更大的影响，并且区域创新能力强的省市对于邻近区域的优质创新资源有吸纳作用。

（二）建议

综上，需要进一步提升中上游区域的AM 产业的区域创新能力并加强相关载体建设，长江经济带下游区域的区域创新能力远远大于中上游区域，中游区域和上游区域可以在区域创新能力较强的安徽和四川的带动下，逐步提升整体区域创新能力及加强相关载体建设，以更好地承接产业转移，同时扩大下游区域创新能力的空间溢出效应，具体建议如下。

1. 促进AM 产业空间集聚

总体而言，长江经济带AM 产业空间集聚特征明显，但是从历年数据来看，lnSVI 的Moran’s I 指数呈下降趋势，因此需要进一步提升长江经济AM产业的空间聚集水平。另外长江经济带的中上游的空间集聚特征不如下游区域明显。因此在保持下游空间集聚水平的同时，在中游和上游分别培养形成以安徽和四川、重庆为集聚极的集聚区域，在集聚极的带动下， 逐步形成中游和上游区域的集聚圈，从而最终提升长江经济带AM 产业的总体集聚度。在实现安徽、四川、重庆成为集聚极的过程中，以各省的优势AM 产业为支撑， 培育和强化各省市具有核心竞争力的优势AM 产业[30]，实现产业错位发展。

2. 提升AM 产业区域创新能力

由于区域创新能力对长江经济带AM 产业发展有积极促进作用，因此需要进一步提升长江经济带AM 产业区域创新能力。 具体而言，长江经济带各省市可以根据当地AM 产业发展特征，提炼出当地AM 产业发展的共性技术难题，与长江经济带高校和科研院所乃至全球高校及科研院所进行技术协同创新，在市场创新、制度创新、机制创新的共同作用下，实现技术协同创新的良性循环，以取得更多的具有自主知识产权的专利技术。 另外，促进互联网技术、智能制造技术、虚拟制造技术等先进技术与AM 产业的融合发展，并以这些先进技术为手段，大幅度提升AM 产业自主创新能力[31]。

3. 建立区域创新能力学习机制

由于下游的区域创新能力的影响力大于中上游的，因此中上游的AM 产业需要进一步学习如何提升区域创新能力。调查发现，相比中上游区域，下游的知识产权相关教育和培训比较成熟，很多高校设有知识产权学院并且定期而向社会进行知识产权培训，并且产学研合作项目众多。因此，中上游的政府、高校和企业，可以综合江苏大学知识产权研究中心和南京理工大学知识产权学院等高校知识产权学院的教育、培训、社会服务等方面的经验，完善中上游区域的综合性大学和理工类大学的知识产权本科教育体系，定期组织AM 产业从业人员进行知识产权培训，扩大中上游区域知识产权教育和培训的受众，通过知识产权的创造、运营、保护、管理等手段， 实现以知识产权服务为主体的现代服务体系建设， 从而提升长江经济带中上游的区域创新能力， 最终实现长江经济带总体区域创新能力的提升。

4. 发挥空间溢出效应

研究结果表明，本地区的区域创新能力影响力大于邻近地区的，说明长江经济带AM 产业发展空间溢出效应需要进一步加强。 具体来说，最重要的创新要素就是人力资源，长江经济带各省市应以当地有竞争优势的AM 产业为依托，提升人力资源服务载体建设，通过多平台聚才等制度创新措施吸纳更多的高质量的人力资源到本区域工作，形成“引智—用智—留智”的动态机制，充分发挥高质量人力资源的价值。 特别是中上游地区，需要进一步优化科技人员的工作和生活服务平台，适当采用柔性引进等方式吸引高科技人才[32]，从而充分发挥长江经济带内部相对优势地区对相对劣势地区的空间溢出效应，缩小长江经济带内部差距，最终实现长江经济带AM 产业高质量发展。