全面创新改革试验对区域创新能力的影响效应与传导机制

2022-02-11林寿富董小卿

科技进步与对策 2022年2期

林寿富，董小卿

(福建师范大学经济学院，福建福州350007)

0 引言

创新既是引领中国经济转型发展的第一动力[1]，又是提高社会生产力和综合国力的有力支撑，已引起社会各界高度关注。党的十八大明确提出实施创新驱动发展战略，强调把科技创新摆在国家发展全局核心位置。目前，虽然我国在经济发展动力转换和创新型国家建设方面已经取得显著成就，但创新发展是一个由浅入深、逐渐推开的探索式过程，不可避免地存在政策协调不配套、决策机制单一化和区域创新发展不均衡等问题。因此，加强国家创新治理体系和治理能力现代化建设仍是政府部门亟待解决的重要议题[2]。

区域创新体系对于国家创新治理体系和治理能力现代化建设具有重要意义。2016年，习近平总书记在全国科技创新大会、两院院士大会、中国科协第九次全国代表大会上指出：“要加快打造具有全球影响力的科技创新中心，建设若干具有强大带动力的创新型城市和区域创新中心。”为更好地推进区域创新体系建设，2015年9月，中共中央办公厅、国务院办公厅联合印发了《关于在部分区域系统推进全面创新改革试验的总体方案》(以下简称《总体方案》)。根据《总体方案》的部署，我国将京津冀地区、上海、广东、安徽、四川、武汉、西安和沈阳8个跨行政区域设置为“全面创新改革试验区”，力求探索一些具有区域辐射性、可复制推广的政策创新经验(王欣等，2020)。2019年是第一轮全面创新改革试验的“收官之年”，对全面创新改革试验效果进行评估，探讨其能否显著促进试验区创新能力提升具有重要意义。

基于此，本文将2015年作为全面创新改革试验的基准年，收集2008-2018年中国内地31个省份面板数据，以专利产出和研发投入作为区域创新能力衡量指标，构建双重差分模型，全面评估全面创新改革试验对区域创新能力的影响效应，并通过平行趋势检验与安慰剂检验研究结论的稳健性。进一步，本文构建中介效应模型，分别从财政手段和金融手段两条路径实证分析全面创新改革试验对区域创新能力的传导机制。

本文创新之处主要体现在以下几个方面：①从宏观视角对政府参与区域创新活动效果进行评估。以往研究大多从微观视角考察政府参与对区域创新活动的影响效应，将区域创新系统割裂成诸多独立的企业个体，忽视了创新系统内部知识传播，从而难以判断政府行为对区域创新活动的整体影响效应[3]；②对全面创新改革试验成效进行定量评估。以往学者多采用案卷研究、舆情分析等定性评估方法，缺少对改革试验净效应的剥离与评估。本文采用双重差分法，可以有效控制其它变量对全面创新改革试验执行效果的影响，更好地评价全面创新改革试验的净效应，确保研究结论可靠和稳健；③深入探究全面创新改革试验对区域创新能力的传导机制。本文构建中介效应模型，从财政手段和金融手段两个方面探讨全面创新改革试验对区域创新能力的传导路径，可为决策者更好地总结试点经验、精准施策提供理论依据与实践参考。

1 文献综述

自全面创新改革试验启动以来，学界对于这场试验的关注与研究较少，致使全面创新改革试验理论研究滞后，无法为政策实践提供有效支撑。研究内容主要集中在以下4个方面：不同试验区建设路径、相关政策文本挖掘与量化评价、创新政策扩散规律与全面创新改革试验成效评估。

(1)不同试验区建设路径。陈光[4]将“四川试验”定位为辐射西南的内陆大省，指出四川从军民融合、企业主体、产权界定、西向战略4个方面先行先试，同时提出简政放权、建立公平竞争的市场机制等具体举措；闫仲秋[5]将全面创新改革和京津冀协同创新相结合，认为北京应与津冀两地密切配合，启动区域性立法，设立京津冀创新发展示范区，构建统一的创新要素市场，全力打造京津冀协同创新共同体，使改革创新成为区域经济持续增长的强大推动力。

(2)政策文本挖掘与量化评价。杜宝贵和王欣[6]构建PMC指数模型，通过量化评价8个全面创新改革试验区的11项政策文件发现，各项政策文件在政策目标、性质、工具、客体及创新生态链、作用领域、价值取向等方面内容丰富，但存在政策执行保障措施不完善、政策目标模糊和问题界定不清晰等问题；刘艳等[7]利用社会网络和政策工具，量化评价上海全面创新改革试验的相关政策内容，深入分析地方政策间的关联性，系统探讨地方政策对试验区建设的支撑作用，为上海全面创新改革试验政策执行提供了优化建议。

(3)创新政策扩散规律。张克[8]分析全面创新改革试验在扩散过程中存在的难点，发现改革试验在试验区获得成功相对容易，但形成可复制推广的经验并在异地成功移植很难，且试验区受到“霍桑效应”的影响，在身份认知上存在优越感，它们在短期内会加倍投入资源与注意力进行创新，以标榜业绩，从而不利于改革经验复制和推广。

(4)全面创新改革试验成效评估。吴书科等[9]采用DEA方法测算河北石保廊全面创新改革试验区创新效率，参考创新投入产出基数及年均增速，发现石家庄是中速发展的不平衡城市，保定、廊坊分别是较低速和高速发展的平衡城市；王欣和杜宝贵(2020)基于城市层面中观数据构建双重差分模型，实证分析全面创新改革试验对专利产出的影响，发现全面创新改革试验显著促进专利产出增长，且区域异质性、城市行政层级异质性均显著影响全面创新改革试验效果。

在研究方法上，学者们大多采用定性分析法，如案卷研究、专题座谈和实地调研等方法[10-12]。这类研究虽然能够直观阐述全面创新改革试验战略布局、政策设计和执行状况等，但缺乏经验数据的有力支撑，说服力不足。也有一些学者采用定量分析法对全面创新改革试验进行研究，如数据包络分析方法和社会网络分析法等[7,9,13]。这类研究一般是对全面创新改革试验的社会影响与试验成效等进行评估，但没有控制其它因素对政策效果的影响，缺少对政策净效应的剥离与评估。因此，需要运用更加科学的定量分析法探讨全面创新改革试验。

总体来看，现有研究仍存在以下不足：①目前大多数学者主要从宏观层面对全面创新改革试验政策设计、制度构建、目标定位等内容进行定性分析与评价，缺少对全面创新改革试验整体执行效果的深入研究；②运用定量分析法对全面创新改革试验影响效应进行定量评估的研究较少，对全面创新改革试验执行效果传导机制的探讨更少。

2 政策传导机制

全面创新改革试验地区采取多项优惠政策促进本区域创新能力提升，如促进科技成果研发和转化的财政税收政策、聚力破解科技型中小企业融资难的金融创新政策、为技术创新活动提供信息技术支持的信息科技政策、政府购买创新产品的政府采购政策、加强人才培养与引进的人才政策、以增加知识价值为导向的收入分配政策等，但目前发挥主要作用的是财政税收政策和金融政策[7,12]。因此，本文主要从财政政策和金融政策两个方面对传导机制进行讨论。

(1)全面创新改革试验通过加大政府对试验区创新活动的财政支持力度，缓解区域研发创新融资约束，提升区域创新能力。创新活动是一个耗时久、风险大、不确定性强的复杂过程，往往需要大量资金支持[14]，单靠创新主体自身研发投入必然面临严重的资金约束和激励不足等问题，从而大大降低有效创新产出。这就要求政府在区域创新活动中提供相应财政支持，降低创新活动外部性与风险性，保障创新活动物质供给，激发区域创新活力，推动区域创新能力提升[15-17]。因此，全面创新改革试验要求政府解决科研活动中资金投入不足的问题，加大对科技创新基础设施的财政投入；同时，充分发挥创新创业、成果转化等财政基金的引导作用，建立完善的财政科技投入统筹联动机制与财政支持机制，充分落实科技成果转化相关税收优惠政策等，加大区域创新活动财政支持力度。

在试验政策推动下，许多试验地区采取各项财政手段加大对创新活动的支持。如安徽试验区率先建立政府股权基金投向种子期、初创期企业容错机制，规定政府种子投资基金失败容错率可达到50%，大大提升了政府基金引导新兴产业发展的能动性。上海试验区颁布实施了《关于进一步加大财政支持力度加快建设具有全球影响力的科技创新中心的若干配套政策》等政策文件，运用财政专项资金为技术创新活动提供财政支持。总体来说，全面创新改革试验地区在财政支持方面的探索性举措为区域创新能力提升提供了良好的物质基础。据此，本文提出如下假设：

H1：全面创新改革试验通过财政手段提高试验区创新能力。

(2)全面创新改革试验推出一系列金融政策提升试验区金融发展水平，改善试验区创新主体外部融资环境，提高区域创新能力。创新项目启动及科研成果转化都离不开金融系统服务与支持。活跃、高效和普惠的金融系统不仅可以抵御金融风险、提高经济发展稳定性，还能够为创新主体提供良好的融资环境，提高区域创新能力[18]。然而，我国银行等金融机构因为体制机制约束普遍无法给予中小型科技企业充足的贷款，加之我国资本市场门槛较高，企业融资难、融资贵的问题十分普遍，限制了区域创新能力提升。鉴于此，围绕信贷和资本市场阻碍企业融资堵点和难点问题，《国务院办公厅关于推广第三批支持创新相关改革举措的通知》针对全面创新改革试验区提出的20项改革举措中，涉及科技金融创新的政策就有7项，竭力为试验区广大科技型中小企业提供良好的融资环境[12]。全面创新改革试验明确提出要强化金融创新支持科技型企业发展，支持金融机构建立服务科技型企业的专业机构，推动金融资源向有核心知识产权的高新技术企业倾斜；改革科技金融、银行贷款单一评价体系，积极探索科技金融风险共担新机制，不断创新科技金融服务模式，高效开发科技金融新产品和手段；进一步拓展科技型中小企业融资方式和渠道，更加精准化地对其提供融资服务，缓解科技型中小企业融资难、融资贵的问题，以增强企业家创新创业热情和动力。据此，本文提出如下假设：

H2：全面创新改革试验通过金融手段提高试验区创新能力。

3 模型构建与数据说明

本文采用2008-2018年中国内地31个省级地区面板数据，构建实证模型对上述理论假设进行检验，主要分两个步骤进行：第一步，构建双重差分模型，检验全面创新改革试验对区域创新能力的净影响；第二步，构建中介效应模型，检验全面创新改革试验对区域创新能力的传导机制，即全面创新改革试验通过财政手段和金融手段对区域创新能力的间接影响。

3.1 全面创新改革试验对区域创新能力净影响的双重差分模型

3.1.1 模型构建

双重差分模型(Difference-in-Difference Model，简称DID)又称为倍差法，是评估政策效果的重要方法之一，通常用来比较政策变化前后对实验组地区与非实验组地区的影响，剔除不随时间变化且不可观察的混淆因素，将政策处置效应从混淆因素中剥离开来，从而评估政策的因果促进效应。全面创新改革试验是一项标准的政策实验，本文以2008-2018年中国内地31个省份为研究对象，将7个试验区省份作为实验组、其它非试点省份作为对照组，构建双重差分模型，深入探讨政策实施前后实验组省份与对照组省份创新能力变化情况，从而分析全面创新改革试验对区域创新能力的净影响，设定模型如下：

Innovationit=α0+α1Gi·Dt+αiXit+γt+μi+εit

(1)

式(1)中，Innovation为被解释变量，表示区域创新能力。Gi为取值0和1的政策哑变量：Gi=1表示受全面创新改革试验影响的省份(实验组省份)；Gi=0表示未受全面创新改革试验影响的省份(对照组省份)。Dt为取值0和1的时间哑变量：Dt=1表示全面创新改革试验实施后的年份(2015年及以后)；Dt=0表示全面创新改革试验实施前的年份(2015年以前)。政策哑变量Gi与时间哑变量Dt的乘积为交互项Gi×Dt，表示全面创新改革试验这一核心解释变量，其系数估计值α1即为全面创新改革试验对区域创新能力的净影响。X表示控制变量；γt为年份固定效应，μi为地区固定效应；εit为随机误差项。

3.1.2 变量选取

(1)被解释变量：区域创新能力(Innovation)。大多数学者通常将专利产出或研发投入作为创新能力的衡量指标。本文也采用这种做法，用专利产出和研发投入衡量区域创新能力，并对两者进行比较，以得到更为丰富的结论。专利通常包括发明专利、实用新型专利和外观设计专利。由于发明专利是针对产品、方法或者流程提出的新技术方案，获取难度较大、技术要求较高，更能反映区域创新能力，因此本文采用每万人发明专利授权量(PAT)衡量区域创新能力。关于研发投入，本文用研发经费投入强度对其进行衡量。研发经费投入强度是研发投入总量与地区生产总值之比，通常用来反映一个地区的研发投入水平。研发经费投入强度越高，越能提升区域创新能力。因此，本文采用研发经费投入强度(RDI)作为区域创新能力的另一个衡量指标。

(2)核心解释变量Gi×Dt。核心解释变量是政策哑变量与时间哑变量的乘积，其系数估计值可以反映全面创新改革试验对区域创新能力的净影响，具体取值如上文所述。

(3)控制变量X。为避免实证结果有偏，本文考虑可能影响区域创新能力的其它控制变量，以更好地分析全面创新改革试验对区域创新能力的净影响。包括：①经济发展水平(EDL)。一般来说，经济发展水平较高区域基础设施更加完善、人才储备更加充足、财政支持力度也更大，这些因素综合创造了一个良好的创新环境，有利于促进科技创新活动的开展，提高科技创新产出。因此，本文将经济发展水平作为控制变量，对人均地区生产总值取对数进行衡量；②经济开放度(OPE)。区域间经济交往会促进技术、人才和资本扩散，由于该类扩散不需要投入太多成本，继而成为区域获取先进技术、提升创新能力的重要途径[19]。因此，本文将经济开放度作为控制变量，用进出口总额占地区生产总值的比重衡量；③技术市场活跃度(TMA)。Bettencourt等[20]指出，技术市场活跃度显著影响科技创新活跃度，而科技创新活跃度提高则会推动区域创新能力提升。因此，本文将技术市场活跃度作为控制变量，并对人均技术市场成交额取自然对数进行衡量；④人力资本水平(HCL)。科技创新是一项知识密集型活动，需要投入大量人力资本，各类拥有专业知识技能的创新人才是提升区域创新能力的基础[21]。因此，本文将人力资本水平作为控制变量，并对人均受教育年限取自然对数进行衡量；⑤产业结构(IS)。以第三产业为主导的产业结构具有就业弹性大、知识密集度高的特征，往往汇集着大量高素质技术性人才，为创新活动开展提供了良好的创新基础和创新环境，因而创新能力也更高(徐晓舟等，2016)。因此，本文将产业结构作为控制变量，用第三产业增加值占地区生产总值的比重对其进行衡量。

3.2 财政手段与金融手段中介效应模型构建

3.2.1 模型构建

由前文理论假设可知，全面创新改革试验可通过财政手段和金融手段促进区域创新能力提升，即财政手段和金融手段可能充当全面创新改革试验影响区域创新能力的中介变量。因此，为检验财政手段和金融手段的中介效应，本文采用Baron & Kenny[22]提出的逐步回归法进行中介效应检验，具体模型设定如下：

Innovationit=β0+β1Gi·Dt+βiXit+γt+μi+εit

(2)

Mit=ω0+ω1Gi·Dt+ωiXit+γt+μi+εit

(3)

Innovationit=θ0+θ1Gi·Dt+θ2Mit+θiXit+γt+μi+εit

(4)

其中，M为中介变量，表示财政手段或金融手段；其它变量定义与式(1)一致。中介效应检验步骤如下：①检验方程(2)回归系数β1的显著性。如果β1显著，则以中介效应立论，但无论β1是否显著，都要进行后续检验；②依次检验方程(3)回归系数ω1与方程(4)回归系数θ2的显著性。如果二者都显著，则表明间接效应显著；③检验方程(4)回归系数θ1的显著性。如果θ1显著，则表明直接效应显著，此时为部分中介效应；否则直接效应不显著，此时为完全中介效应。

3.2.2 变量选取

对于财政手段的量化，李政等[3]认为，财政研发支出既是政府参与创新活动的基本手段，也是政府实施创新战略的基本载体。因此，本文采用政府财政研发支出水平(FS)反映政府实施的财政手段，并以研发经费投入中政府资金占比对其进行测量[23-24]。影响财政研发支出水平(FS)的其它控制变量X包括经济发展水平(EDL)、经济开放度(OPE)、市场化水平(MAL)、城市化水平(URL)和产业结构(IS)。其中，市场化水平(MAL)、城市化水平(URL)分别由地方财政支出占地区生产总值的比重和城镇人口占总人口的比重测量，其它控制变量测量指标同上。

对于金融手段的量化，现有学者大都采用金融相关率或金融市场化率等指标进行衡量[25-26]，但这些指标不仅在数据准确性和统计口径上存在一定缺陷，且大部分指标都只反映金融发展水平和程度的某一个方面。因此，本文借鉴徐晓舟和阮珂(2016)的做法，采用金融信贷规模(FD)反映试验区的金融手段，以金融机构贷款余额占地区生产总值之比进行测量。影响金融信贷规模的其它控制变量X包括经济发展水平(EDL)、经济开放度(OPE)、市场化水平(MAL)和城市化水平(URL)，衡量指标同上。

3.3 数据说明与描述性统计分析

目前，我国全面创新改革试验区包含7个省级行政区域(北京、天津、河北、上海、广东、安徽、四川)和3个市级行政区域(武汉、西安和沈阳)，考虑到样本数量、数据可得性与统计口径的一致性，本文采用2008-2018年中国内地31个省级区域面板数据作为研究对象，所有变量数据均来源于2009-2019年《中国统计年鉴》《中国科技统计年鉴》《中国人口和就业统计年鉴》《中国财政年鉴》《中国金融年鉴》及各地区统计年鉴等。变量含义及描述性统计结果如表1所示。

表1 主要变量描述性统计结果Tab.1 Descriptive statistical results of main variables

4 实证检验与结果分析

4.1 基准回归分析

(1)根据双重差分模型(1)，运行Stata软件，得到基准回归结果，见表2列(1)～(4)。列(1)和列(2)是将每万人发明专利授权数(PAT)作为区域创新能力衡量指标的回归结果。其中，列(1)为未加入控制变量的回归结果，发现全面创新改革试验变量Gi×Dt的回归系数为2.491 1，且在5%水平上显著，说明全面创新改革试验对专利产出的净影响显著为正，即全面创新改革试验显著促进了试验区创新能力提升。列(2)为加入控制变量的回归结果，发现全面创新改革试验变量Gi×Dt的回归系数为2.741 5，且在1%水平上显著。从中可见，在加入控制变量后，全面创新改革试验政策效应更加显著，说明排除其它因素的干扰，全面创新改革试验对区域创新能力的促进作用更加明显。从控制变量回归结果看，经济发展水平(EDL)系数在 5%水平上显著为正，这与本文预期相符，说明区域经济发展水平越高，越有利于增加区域专利产出数量，提升区域创新能力。经济开放度(OPE)回归系数未通过显著性检验，说明区域创新能力变化未受到经济开放程度的显著影响，这可能是由于一方面发达国家严格限制了高新技术流出，不断加大技术贸易壁垒，使得区域对外经济交往很难获得外来先进技术；另一方面，由于当前对外开放水平提升更多是带来技术上的简单转移，如果区域内企业只是简单模仿和复制国外先进技术，就会丧失自主研发能力，无法从根本上推动区域创新能力提升。技术市场活跃度(TMA)系数在1%水平上显著为正，表明技术市场越活跃，区域创新能力越强，说明技术市场表现活跃会诱发技术创新，从而促进区域创新能力提升。人力资本水平(HCL)系数为2.617 8，且在1%水平上显著，表明随着人力资本水平的不断提升，区域创新能力大大增强，充分说明科技创新是一项知识密集型活动，人力资本是提升区域创新能力的重要基础。产业结构(IS)系数为10.107 5且显著为正，表明产业结构水平越高，越有利于汇集大量高素质科技创新人才，为创新活动提供良好的创新基础和创新环境，有利于区域创新能力提升。

列(2)、(3)和(4)均是将研发经费投入强度(RDI)作为区域创新能力衡量指标的回归结果。其中，列(3)是未加入控制变量的回归结果，发现全面创新改革试验变量Gi×Dt回归系数为0.245 1，未通过显著性检验，由于这一结论是在没有排除其它因素干扰情况下得到的，因此不能实质性说明全面创新改革试验的政策效应。列(4)是加入控制变量后的回归结果，全面创新改革试验变量Gi×Dt回归系数为0.355 6，且在5%水平上显著为正，说明全面创新改革试验对研发投入的净影响显著为正，即全面创新改革试验显著促进了试验区创新能力提升。对于控制变量而言，列(4)与列(2)回归结果基本一致。

表2 基准回归结果Tab.2 Benchmark regression results

4.2 稳健性检验

4.2.1 平行趋势检验

双重差分模型估计结果达成一致性的前提是在没有政策干预的情况下，结果变量在实验组和对照组发展趋势一致，即满足平行趋势假设条件[27]。在本文的双重差分模型中，平行趋势假设是指在全面创新改革试验之前，试验地区与非试验地区创新能力在变化趋势上基本保持一致；而在全面创新改革试验实施之后，试验地区相对于非试验地区创新能力发生了改变，之前的平行趋势状态被打破。因此，本文借鉴王欣和杜宝贵[3]、齐绍洲等[28]的做法，分别按试验地区和非试验地区计算每万人发明专利授权数平均值与研发经费投入强度平均值，比较2008-2018年试验地区与非试验地区专利产出与研发投入变化情况，即创新能力变化情况，以检验双重差分模型的适用性，见图1和图2。图中横轴表示年份，纵轴表示每万人发明专利授权数平均值与研发经费投入强度平均值，实垂线表示政策试验开始的年份，即2015年。

由图1和图2可知，2008-2015年试验地区和非试验地区专利产出与研发投入变化趋势基本一致。但自2015年开始，试验地区与非试验地区专利产出与研发投入变化趋势呈现出明显差异。具体而言，2015-2018年试验地区专利产出与研发投入均呈明显上升趋势，但同一时期非试验地区专利产出与研发投入则保持稳定发展趋势，甚至研发投入还出现了小幅下滑。因此，双重差分平行趋势假说得到支持，说明全面创新改革试验有效促进了专利产出与研发投入增长，提升了试验地区创新能力。

4.2.2 安慰剂检验

为进一步检验表2中的基准回归结果是否由省份—年份中的不可观测因素驱动，本文通过随机分配试验省份进行安慰剂测试[29]。具体而言，从中国内地31个省份中随机选取7个省份为试验组，假设这7个省份全面实施了创新改革试验，其它省份为对照组。随机抽样确保自变量Gi×Dt对区域创新能力没有影响，也即任何显著发现都将说明上述回归结果有偏[30]。本文进行100次随机抽样，按照模型(1)分别对专利产出与研发投入进行基准回归。图3和图4呈现了100次随机分配后两个因变量回归估计的均值。结果显示，所有全面创新改革试验变量Gi×Dt的估计系数值均接近于0。同时，专利产出与研发投入的真实估计值为2.741 5和0.355 6(见表2列(2)和列(4))，在安慰剂测试中异常值明显。这说明，上述估计结果不太可能由省份—年份中的不可观测因素驱动，表明结果稳健。

5 传导机制分析

对上述中介效应模型进行回归，结果如表3所示。表3中列(1)和列(2)是式(2)不同因变量的回归结果。可以看出：全面创新改革试验对专利产出(PAT)与研发投入(RDI)的净效应分别为2.741 5和0.355 6，且分别在1%和5%水平上显著为正。可见，全面创新改革试验显著增加了试验地区专利产出与研发投入，促进了试验地区创新能力提升，与前文结论一致。如前所述，这可能是由于全面创新改革试验通过财政手段和金融手段对区域创新能力产生显著影响，间接促进区域创新能力提升。因此，本文对全面创新改革试验传导路径和机制进行定量分析。

图1 2008-2018年试验地区与非试验地区专利产出情况变化趋势Fig.1 Change trend of patent output in test areas and non test areas from 2008 to 2018

图2 2008-2018年试验地区与非试验地区研发投入情况变化趋势Fig.2 Change trend of R & D investment in test areas and non test areas from 2008 to 2018

图3 对专利产出影响的估计结果Fig.3 Estimation results of impact on patent output

图4 对研发投入影响的估计结果Fig.4 Estimation results of impact on R & D investment

表3中，列(3)、列(4)和列(5)显示了全面创新改革试验对财政研发支出水平(FS)的回归结果，以及全面创新改革试验和财政研发支出水平(FS)对专利产出(PAT)与研发投入(RDI)的回归结果。列(3)结果显示，全面创新改革试验对财政研发支出水平(FS)的回归系数在10%水平上显著为正，说明全面创新改革试验有利于提高政府对试验区创新活动的财政支持力度。列(4)和列(5)显示，财政研发支出水平(FS)对专利产出(PAT)与研发投入(RDI)的回归系数分别在1%和5%水平上显著为正，说明政府财政支持能够有效促进试验区创新能力提升。由此可见，全面创新改革试验增强了政府对试验区创新活动的财政支持，有利于解决创新活动中资金投入不足的问题，降低创新活动的外部性和风险性，对创新主体产生引导和激励作用，有效推动区域创新能力提升。

列(6)、列(7)、列(8)为全面创新改革试验对金融信贷规模(FD)的回归结果，以及全面创新改革试验和金融信贷规模(FD)对专利产出(PAT)与研发投入(RDI)的回归结果。列(6)结果显示，全面创新改革试验对金融信贷规模(FD)的回归系数在5%水平上显著为正，说明全面创新改革试验区采取有效的金融手段，促进金融信贷规模扩大，提升了试验区金融发展水平。列(7)和列(8)结果显示，金融信贷规模(FD)对专利产出(PAT)与研发投入(RDI)的回归系数分别在1%和5%水平上显著为正，说明试验区金融手段能够有效促进区域创新能力提升。结合列(6)结果可见，全面创新改革试验区出台的各项金融政策加大了对科技型企业发展金融扶持力度，提供了更加精准化的融资服务，改善了创新主体融资环境，有效推动了区域创新能力提升。

表3 传导机制检验结果Tab.3 Test results of conduction mechanism

6 结论与启示

6.1 研究结论

全面创新改革试验是我国提高区域创新能力、加快区域创新体系建设的一项重要战略举措。本文将2015年开始实施的全面创新改革试验作为一项准自然试验，构建双重差分模型和中介效应模型，实证检验全面创新改革试验对区域创新能力的影响效应及其传导机制。结果发现：

(1)作为一种试点推广的政策创新扩散模式，第一轮全面创新改革试验显著促进了试验区创新能力提升，这为我国推动新一轮全面创新改革试验提供了有力的实证支撑。

(2)经济发展水平、技术市场活跃度、人力资本水平和产业结构对区域创新能力提升均有显著正向促进作用，但经济开放度对区域创新能力的影响并不显著。

(3)全面创新改革试验通过财政手段和金融手段有效提升试验区创新能力。但需要指出的是，除财政手段和金融手段外，全面创新改革试验还有可能通过其它途径推动区域创新能力提升，未来需要进一步扩展相关研究，充分考察全面创新改革试验通过科技信息政策、政府采购政策、人才政策和收入分配政策等对区域创新能力所发挥的作用。