生产性服务业空间协同分布对发明者创新绩效的影响——基于注意力配置的视角

陈秀英

（广东金融学院 经济贸易学院，广东 广州 510000）

一、引言

区域创新发展能力对经济高质量发展的作用已被国内外广泛认可（白俊红等，2017）。自创新驱动发展战略和“大众创业，万众创新”提出以来，中国社会创新热情空前高涨，创新产出规模不断扩大。《世界知识产权指标》2018年度报告显示，中国专利申请数量占全球专利申请总量的46.4%，达到154万件，专利申请量连续7年居世界首位。但与经济社会快速发展对科技创新的巨大需求相比，中国生产性服务业可达性对创新质量提升的作用还未充分发挥，尤其是服务业部门仍存在空间集聚程度整体不高、结构分散、规模偏小、业态种类偏少、增值服务能力弱等竞争力不足问题，导致发明者的科技研发服务空间匹配效率不高这一瓶颈仍较为突出。基于此，在5G、数据要素等新型基础设施加速建设情况下，如何加快从“重视数量”转向“提升质量”，聚焦发明者微观个体层面创新服务的完善（寇宗来等，2020），动态匹配复杂创新过程发明者所需的生产性服务业投入，受到越来越广泛的关注。

现有研究主要从区域或企业层面，集中探讨生产性服务业和创新绩效之间的关系和机制，总体上认为，生产性服务业可达性或可获得性对地区或企业创新行为和绩效起到了重要作用，但这种作用可能会因地区或行业的特征而存在差异性。从地区角度出发，刘胜等（2019）以粤港澳大湾区为例，实证考察了知识密集型服务业发展对城市群创新绩效的影响。Yum（2019）分析了知识密集型商业服务业与城市经济的互动机制。从企业角度出发，Growe（2019）认为，在知识密集型商业服务（KIBS）的面对面互动中建立信任非常重要，因此，服务业和客户之间的协同集聚和定位非常重要。据此，刘胜等（2019）探讨了生产性服务业与制造业协同集聚对微观企业创新的影响。类似地，吕民乐等（2015）分析了知识密集型服务业对制造业创新的影响。此外，Liu等（2019）以德国不来梅为例，分析知识密集型商业服务（KIBS）与产品公司合作伙伴关系的形成机制。Shearmur等（2015）从加拿大魁北克制造业的高阶服务、地理层次和互联网使用角度出发，分析知识密集型商业服务（KIBS）的使用和用户创新之间的关系和机制。此外，还有部分研究关注吸收能力等中介作用或调节机制在其中扮演的作用，如王琳等（2017）对知识密集服务嵌入、跨界搜索与制造企业服务创新关系进行研究，并进一步从基于探索性学习的中介作用和技术能力的调节作用视角，探讨了知识密集服务关系嵌入与制造企业服务创新。

因此，已有文献肯定了生产性服务业发展对推动地区创新绩效的作用，为拓展这一新兴研究领域提供了重要启发，但在以下方面仍有可拓展之处：第一，研究视角上，以往文献存在“重规模，轻结构”问题，侧重从地区、企业或组织的视角，探讨生产性服务业投入数量或规模对推动地区创新绩效的影响，而较少从生产性服务业空间配置效率与细分维度以及专利发明者的微观视角，细致考察生产性服务业在微观个体创新活动中的作用及异质性。第二，研究方法和数据上，以往研究大多采用定性方法来分析服务业对创新个体的影响，抑或是对生产性服务业和创新绩效的影响研究通常采用城市或企业层面的数据来进行，而较少利用专利发明者的样本数据，将生产性服务业及其细分维度纳入到对发明者个体创新行为影响的分析框架之中，并为之提供大样本的经验证据。由此，无法为服务经济转型背景下识别生产性服务业空间协同分布与发明者创新绩效之间的关系提供有关依据。

鉴于此，本文从发明者微观个体的角度入手，进一步细致探讨了生产性服务业协同分布对发明者微观个体创新能力的异质性影响，这不仅有助于丰富个体创新行为的相关理论和经验研究，也对以提升高端服务业协同集聚效率、强化科技中介服务的空间可达性来完善知识产权和孵化等配套服务、驱动我国发明者创新活动高质量发展具有重要的政策意义。

二、影响机理分析

（一）生产性服务业空间分布、发明者注意力配置与创新绩效

在知识经济时代，生产性服务业尤其是知识密集型服务业通过为客户提供高智力附加值的专业服务，在知识创造、扩散和转化过程中，扮演技术或知识的开发、咨询、转移与扩散的重要角色，对节约客户时间和精力具有重要作用，因而逐渐成为客户创新的重要来源和转移者、推动者（Bocquet等，2016；Horváth 等，2019）。

基于生产性服务业和发明者微观个体的互动联系，可以从发明者时间或注意力配置的角度，分析生产性服务业空间协同分布的影响。根据Simon（1947）和Ocasio（1997）等提出的“注意力”理论框架，注意力是一种不可替代和不可再生的稀缺性资源。进一步地，可以将发明者发明创造的时间选项概述为“忙里”，而获取外部生产性服务业的时间选项概述为“忙外”，这一界定与企业家“生产性时间”与“非生产性时间”类似（William等，1990；廖福崇，2019）。若发明者所在地的生产性服务业邻近性较好，即生产性服务业处于空间协同分布状态时，则更有利于促进发明者与生产性服务业提供商之间的协同与合作，给科学研究和技术服务的获取带来了极大便利，直接减少其时间成本和机会成本。在此背景下，发明者与生产性服务业提供者“面对面”交流的机会更加频繁与密切，意味着发明者个体可以直接用于知识创造和孵化转化的时间会更多，用于科研活动的注意力会更加聚焦，从而有助于促进个体创新绩效。相反，若其所在地的生产性服务业邻近性较差，即生产性服务业不能处于空间协同分布状态时，发明者将花费更多的时间用于服务搜索、来往通勤和建立信任等非生产性活动，注意力难以集中，从而对其创新绩效带来不利影响。据此，提出假说1。

假说1：生产性服务业空间协同分布对发明者创新产出具有显著促进作用。

（二）异质性、生产性服务业空间分布与发明者创新绩效

进一步地，鉴于生产性服务业极度依赖“面对面”频繁交流的行业特点，生产性服务业空间协同分布对提升发明者注意力资源的配置效率至关重要，当发明者与生产性服务业提供者的联系较为密切时，其能更高效便捷地以更低交易成本获得开展研发创新活动所需要的研发专业服务以及贷款支持等。因此，生产性服务业协同分布对发明者创新产出有显著促进作用（Ciriaci等，2015）。并且，从专利类型来看，相对非发明专利而言，发明专利的质量更优，其对发明者注意力投入要求也更高。因此，从作用效果看，生产性服务业空间协同分布对创造力要求较高的发明专利的促进作用可能会更为明显（孔婷等，2010）。

此外，从服务业细分行业看，科学研究技术服务、金融服务、信息传输计算机服务和软件业、租赁和商业服务业等不同维度的生产性服务业空间分布形态会对发明者微观创新绩效存在差异化的影响。从科技创新阶段及其创新价值链的角度来说，科技创新链包含了上中下游环节（洪银兴，2017）。在不同阶段，其对生产性服务业投入存在异质性的需求。上游阶段，基础性知识创新环节更直接地需要科学研究技术服务进行密集投入。中游阶段，应用性科技创新或知识孵化环节更密集地使用信息传输计算机服务和软件业。下游阶段，商业模式创新或高新技术产业化环节需更密集地投入租赁和商业服务业。从创新投入要求来看，金融服务贯穿了整个知识的创造和转化过程，因而其作用在发明者创新绩效提升上效果也较为明显。综上可知，处于不同阶段的创新经济体对各密集型服务行业的依赖程度不同，从而生产性服务业的空间分布效率也可能会对其创新价值的形成产生差异化的影响效应。

据此，提出假说2和假说3。

假说2：相较非发明专利，城市生产性服务业空间协同分布对创造力要求较高的发明专利的促进作用更为明显。

假说3：生产性服务业空间协同分布对发明者创新产出具有明显的行业异质性效应。

图1 生产性服务业空间协同分布与发明者创新绩效关系图

三、研究设计

（一）模型设置

鉴于专利数据为非负的整数且存在较多零值，以及数据分布较为离散，借鉴已有文献做法，对条件期望的两边同时取自然对数，采用负二项分布模型展开实证研究，具体如下：

ln[E（IPijt|Xijt，β）]=α0+β1pscaijt+β2controlsijt+εijt

其中，IPijt表示被解释变量发明者个体专利数量，pscaijt表示发明者所在城市的生产性服务业协同分布度指数，controlsijt表示控制变量，εijt表示随机误差项。

（二）变量选择和数据来源

1.被解释变量：发明者当年申请的专利总数（IP）。同时，为了考察生产性服务业空间协同分布对不同专利类型的影响，将专利申请分为发明专利和非发明专利：发明专利（IPI）为公司发明专利申请的总数，非发明专利（IPNI）为实用新型和外观设计专利申请的总数。相关数据及处理方法借鉴罗勇根等（2019）的相关研究。

2.核心解释变量：生产性服务业空间协同分布度指数（psca）。基于Marshall的产业集聚理论，借鉴Ellison等（2010）、刘胜等（2019）的方法，构建衡量生产性服务业与本地产业空间协同分布度的指数，以此识别生产性服务业与本地产业彼此邻近或共同聚集程度（co-agglomeration），进而从投入产出联系的视角，来衡量发明者创新活动对本地生产性服务业、专业服务人员或创意等要素的空间协同分布水平与互动联系紧密程度。此外，可进一步将其细分为科学研究技术服务协同分布（rdca），金融服务协同分布（finca），信息传输计算机服务和软件业协同分布（ictca），以及租赁和商业服务业协同分布（lbca）。生产性服务业及其细分行业空间协同分布度测算的原始数据来自历年《中国城市统计年鉴》。

3.控制变量：借鉴罗勇根等（2019）的做法，为了防止遗漏变量造成估计偏差，本文纳入了发明者所在的团队规模（team）、企业规模（size）、企业未来投资机会（tobinq）、资产收益率（roa）和资产负债率（lev）等控制变量。其中，发明者专利数据和控制变量等相关数据主要来自于Wind数据库、China Patent数据库以及中国国家知识产权局专利数据库。

四、实证结果

表1报告了生产性服务业空间协同分布与发明者创新绩效的基准结果。基准模型使用发明者创新绩效作为因变量，使用生产性服务业空间协同分布对其进行回归分析，同时模型逐步纳入了一系列的控制变量。结果发现，在生产性服务业空间协同分布度较高的城市，发明者的创新绩效更好，验证了本文的研究假说1。从发明者个体时间配置的视角，本文认为，生产性服务业空间协同分布能通过提供更便捷、更高效的互动渠道，减少发明者用于信息搜寻、交易及建立信任的时间，使发明者能够将更多的注意力资源投入到研发创新活动之中。

表1 基准回归结果

表2报告了生产性服务业空间协同分布与发明者创新绩效的分样本回归结果。结果显示，相比非发明专利而言，生产性服务业空间协同分布对发明者发明专利的促进效果更好，说明前文的结论具有较强的解释力和可靠性。从对知识要素和专业服务投入的依赖程度来说，发明类型的专利创新产出对新颖性和实用性的要求也更高，所以在服务质量和注意力配置上要求也可能会更高。由此，当生产性服务业处于空间协同分布状态时，可以为发明类专利创新成果产出提供更高密度、更高质量的生产性服务投入，因而生产性服务业空间协同分布的“创新激励效应”更有利于充分发挥其对发明者发明专利类型产出的促进效应。

表2 不同专利类型的回归结果

表3报告了生产性服务业细分行业空间协同分布与发明者创新绩效的样本回归结果。结果表明，除科学研究技术服务协同分布（rdca）外，金融服务协同分布（finca）、信息传输计算机服务和软件业协同分布（ictca）、租赁和商业服务业协同分布（lbca）均对发明者创新绩效起着显著正向作用，说明前文结论具有稳健性，同时这也和孔婷等（2010）的研究相吻合。事实上，只有科学研究和综合技术服务业的发展水平较高时，其对技术创新能力的提升作用才会更明显。虽然近年来我国生产性服务业正在蓬勃发展，但整体来看，仍存在结构性发展短板，特别是高端创新价值链环节的科学研究技术服务领域的发展仍相对滞后，与我国创新高质量发展需求相比，仍需加快推进生产性服务业“高端化”发展，特别是在空间协同分布和空间配置效率上，应兼顾发明者创新效率和科技服务配套之间的关系。

表3 细分行业类型的回归结果

五、结论与政策建议

近年来，我国在生产性服务业发展和个体创新创业活力激发方面取得了显著成效，但目前国内越来越多的生产性服务业集聚区建设也引发了各界对生产性服务业空间布局合理性及影响效果的思考。遗憾的是，现阶段关于生产性服务业“创新效应”的研究以宏观分析为主，生产性服务业空间协同分布对发明者个体创新绩效影响的微观经验证据还相对缺乏。据此，本文通过匹配中国发明者微观个体数据和城市生产性服务业数据，基于发明者注意力配置的视角，从理论和实证上系统分析了生产性服务业空间协同分布对发明者创新绩效的影响，结果发现：生产性服务业空间协同分布有助于显著提升发明者个体创新绩效，且这一结果具有稳健性。进一步地，从专利类型看，相对于非发明专利，生产性服务业空间协同分布对创造力要求较高的发明专利的促进作用更为明显。分行业来看，除科学研究技术服务协同分布外，金融服务协同分布、信息传输计算机服务和软件业协同分布、租赁和商业服务业协同分布均对发明者创新绩效改善起着显著的促进作用。

根据上述结论，可提出以下政策建议：一是借助新型基础设施建设、要素市场化配置改革等契机，深入推进服务业供给侧结构性改革，在进行区域创新发展规划时，除了注重生产性服务业占比和规模外，更应注重其与个体创新活动的空间协同性，提高发明者个体获取生产性服务的空间可达性或可得性，完善发明者进行知识创造过程所需的知识产权配套服务，从而激发其创新精神和创新热情，充分发挥好发明者注意力配置这一稀缺资源的作用。二是因地制宜、精准施策，重点解决好生产性服务业空间协同分布的“结构性”问题，充分满足发明专利和非发明专利（实用新型和外观设计）对金融、信息、研发外包、专业技术服务、管理咨询、会计和法律服务等生产性服务业的异质性需求。三是重点突破科学研究技术服务空间协同分布的瓶颈，在市场准入、财税政策、土地政策、人才政策、融资政策等方面给予扶持，尤其要注重构建和疏通“政产学研用”一体化的创新通道，提供系列产业转化配套服务，集科学研究、技术转化、产业生产于一体，为提升发明者创新绩效提供更好的服务保障。◆