京津冀协同发展战略的区域科技创新效应分析

赵建强，张佳磊

摘要：随着京津冀协同不断向纵深推进，协同发展的科技创新效应受到广泛关注，将京津冀协同发展视为一次准自然实验，采用合成控制法对京津冀协同发展政策科技创新效应进行评估。研究发现，京津冀协同发展有效提升了京津冀地区科技创新水平。京津冀三地政策效应具有差异性，其中北京政策效应最为显著，河北呈现明显的政策时滞，这种差异则可能与区域创新资源配置水平和创新分工有关。

关键词：京津冀协同发展；科技创新；合成控制法

中图分类号：F127 文献标识码：A文章编号：1007-2101（2023）03-0078-11

一、研究背景及文献综述

京津冀协同发展是重大国家战略，创新能力是推动京津冀地区跨越式发展，打造引领我国高质量发展的重要动力之一[1]。2014年习近平总书记在北京主持召开座谈会，强调实现京津冀协同发展要以产业结构优化升级和实现创新驱动发展作为合作重点，并明确将京津冀协同发展上升为国家战略。2015年，中共中央、国务院出台《京津冀协同发展规划纲要》标志着京津冀协同发展顶层设计基本完成。在科技创新方面，《京津冀协同发展规划纲要》进一步明确北京作为全国科技创新中心、天津全国先进制造业研发基地、河北产业转型升级试验区的功能定位。2015年6月，三地科技主管部门在国务院科技部的牵头下召开第一次京津冀创新型产业集群协同发展工作座谈会，会议围绕“京津冀协同发展，推进产业转型升级”进行交流研讨。2015年7月，国务院工业和信息化部出台《京津冀及其周边工业资源综合利用产业协同发展行动计划》，探索资源综合利用产业区域协同发展新模式。2016年9月，国务院发布《北京加强全国科技创新中心建设总体方案》，明确提出要坚持和强化北京全国科技创新中心地位，在京津冀协同发展中发挥引领和核心支撑作用。天津作为京津冀地区重要对外交流窗口，2015年4月国务院印发《中国（天津）自由贸易试验区总体方案》，提出要探索扩大开放新模式，打造京津冀协同发展对外开放新引擎。2018年12月，国务院批复《河北雄安新区总体规划（2018—2035）》，同意河北高起点、高规划、高标准建设雄安新区，打造国际一流的创新型城市。

促进地区科技创新水平提升是京津冀协同创新共同体构建的重要内容，同时也是众多学者研究的热点。国内众多高校、研究机构都十分关注京津冀科技创新问题，如首都经贸大学的《京津冀协同发展报告》、北京大学首都发展研究院发布的《京津冀协同创新指数2021》以及中国社会科学院“京津冀协同发展指数课题组”等均有关注到京津冀科技创新问题。国内学者也从不同视角对京津冀科技创新问题进行讨论与研究。吕晓静[2]、靖鲲鹏[3]、温科[4]、王德起[5]等基于“创新生态系统”的视角进行研究，认为京津冀地区科技创新生态系统有待提高，整体创新活力相对缺乏，区域内部创新活力差异显著，存在创新“马太效应”等。基于创新“溢出效应”和“虹吸效应”视角的研究，学界尚未形成统一结论，孙瑜康等[6]研究认为京津冀协同发展过程中的“溢出效应”不明显，北京创新辐射带动作用没有有效发挥；姚东旭[7]认为京津冀协同创新不存在“虹吸效应”，而在企业研发活动过程中产生明显“溢出效应”；祝尔娟等[8]认为北京创新要素溢出显著，但对天津、河北的辐射作用尚未充分发挥。近年来，基于“技术创新效率”的相关研究普遍认为京津冀协同发展促进了区域创新效率提升[9-11]。此外，还有众多学者基于“创新绩效”[12-14]“创新要素”[15]“耦合协同度”[16]视角等对京津冀协同发展过程中的科技创新问题进行研究。

目前关于京津冀协同发展与地区科技创新水平提升的研究十分丰富，但尚未形成一致结论，并且现有研究结论在一定程度上存在外推性不足的问题。笔者认为，想要明确京津冀协同发展战略对区域科技创新的政策效应需要进行新的研究设计。

二、研究设计

（一）方法选择

“自然试验”是评估某一变量对试验对象影响的理想方法，简言之，即在相同的试验环境下建立实验组与控制组，寻找完全相同的试验对象分别进入实验组和控制组，并且对实验组对象施加变量干预，通过对比两组实验对象的差异来评估变量效果。在政策评估领域，如果将区域政策视为一个试验变量，那么可以建立类似于“自然试验”的一种“准自然试验”，即可以将受到政策影响的地区视为实验组对象，而没有受到政策影响的地区视为控制组对象，通过对比实验组地区和控制组地区之间的差异可以对该区域政策进行评估。京津冀协同在2014年实际上进入新的协同发展阶段，目前学界的相关研究也普遍认可这个政策时间点。同时，京津冀协同发展政策具有外生性，是党中央、国务院立足区域发展大局为促进京津冀地区协同发展、探索区域协同发展新格局的一次政策设计，且京津冀协同发展以来三地均受到协同发展政策的密切影响，政策效应已经初步显现。因此，笔者认为可以将京津冀协同发展作为一次政策实施的“准自然试验”来研究京津冀协同发展对区域科技创新的政策效应。

双重差分法（Difference-in-Differences Method，DID）、断点回归法（Regression Discontinuity，RD）以及合成控制法（Synthetic Control Method，SCM）就是根据“准自然试验”方法进行的政策评估。相对于双重差分法和断点回归法，合成控制法作为一种非参数估计方法能够通过预测变量的数据结构来构造“合成对象”，避免了控制组选择的主观推断，使得处理效应的估计更加科学。近十年来，合成控制法逐渐成为政策处理效应评估的主要方法之一，众多国外学者也对合成控制法的概念、估计方法等不断进行修正和完善[17-20]，国内学者在合成控制法的应用上也进行了有益的探索，如行政区划调整与地区经济发展[21]、房地产税试点政策评估[22]等。国内外学者关于合成控制法的一系列研究说明，合成控制法作为政策评估的一种新型方法已经被学界所认可，也为本文相关研究提供了规范指导。不可否认的是，不少学者对合成控制法仍存在质疑，主要集中在经典合成控制法关于权重矩阵的估计上。由于经典合成控制法中实际计算过程中可能不存在使得模型方程组恰好成立的解，因此需要通过近似解来确定权重矩阵W*，这样就可能出现最优权重矩阵不唯一的情况。Abadie和L'Hour為了解决经典合成控制法中可能存在的解不唯一的情况，提出了一种带有惩罚项的合成控制估计方法（penalized version of the synthetic control），相对于经典合成控制法，该估计方法在最小均方误差估计中添加了一个“惩罚项（Penalized）”[20]，惩罚项的出现既可以增加系数矩阵估计的准确性，也可以防止出现“合成地区”过度拟合的问题。Abadie和L'Hour在他们的研究中证实了这种新的估计方法的可靠性，笔者将采用这种带惩罚项的估计方法。

（二）计量过程

如果将区域政策的实施看作一项准自然试验，那么可以根据观测到的地区是否受到政策干预将其分为试验组地区和控制组地区。假设得到n个地区的实际观测值，引入二分类变量D，如果地区i受到政策影响，则令Di=1，否则令Di=0。可以得到对于地区i在受到政策干预与没有受到政策干预的结果情况为：

Yi=Y1iDi=1

Y0iDi=0

其中，Y1i表示地区i受到政策影响的情况，Y0i表示地区i未受到政策干预的情况。因此对于地区i的处理效应可以定义为Y1i-Y0i。但是对于同一地区，无法同时观察到Y1i与Y0i，因此一个可行的方法就是将个体处理效应转移到群体层面，用Y的平均效应（Average Treatment Effect，ATE）来进行估计。假设观察到n1个试验组地区，n0个控制组地区，实验组地区受到政策干预，其产出为Y1i，控制组地区未受到政策干预，其产出为Y0i，因此实验组的处理效应可以表示为τi=Y1i-Y0i（i=1，2，3…n1）①，平均处理效应为：

τ=1n1∑n1i=1（Y1i-Y0i）（1）

当存在多个估计量时，引入矩阵Vi，式（1）可以改写为以下形式：

τ=1n1∑ni=1YiDi-1n0∑ni=1Yi（1-Di）Vi（2）

控制组地区的权重与实验组地区的相似程度有关，即为了使得合成地区的结果变量的预测值与对应实验组地区预测值接近，将每一个实验组地区进行“合成控制”从而确定相应权重。经典合成控制法的一般估计过程如下②：

对于实验组地区，i=1，2，3，…，n1，计算权重矩阵W*i=（W*i，n1+1，…，W*i，n）

minwiRn0‖Xi-∑nj=n1+1Wi，jXj‖2（3）

s.t.Wi，n1+1≥0，…，Wi，n≥0，

∑nj=n1+1Wi，j=1

W*i，j是使得控制组地区j与实验组地区i最为接近的权重矩阵，矩阵X是包含各地区预测变量信息的矩阵，即回归方程中的协变量和被解释变量。合成控制法对于实验组地区i处理效应的估计为：

i=Yi-∑nj=n1+1W*i，jYj（4）

平均处理效应为③：

=1n1∑n1i=1（Yi-∑nj=n1+1W*i，jYj）（5）

但是，当存在多个控制组地区时，寻找一个能体现实验组地区各方面特性的“合成地区”可能是不唯一的。为了解决这个问题，Abadie和L'Hour提出在式（3）中添加一个“惩罚项”（Penalized），构建一个“带惩罚项的合成控制”（penalized version of the synthetic control），并且给予惩罚项一个正的系数λ。带惩罚项的权重矩阵W*i，j满足：

minwiRn0‖Xi-∑nj=n1+1Wi，jXj‖2+λ∑nj=n1+1Wi，j‖Xi-Xj‖2（6）

s.t.Wi，n1+1≥0，…，Wi，n≥0，

∑nj=n1+1Wi，j=1

实验组地区i带惩罚项的处理效应的估计为：

i（λ）=Yi-∑nj=n1+1W*i，j（λ）Yj（7）

平均处理效应的估计为：

（λ）=1n1∑n1i=1［Yi-∑nj=n1+1W*i，j（λ）Yj］（8）

调优参数λ（tuning parameter）的选择是至关重要的。当λ→0时，“惩罚项估计”成为经典合成控制匹配；当λ→∞时，“惩罚项估计”成为单一最近邻匹配。为此，Abadie和LHour提出用两种方法分别来估计政策实施前和政策实施后的λ。在政策实施前，采用“政策前时间点有放回验证（Pre-Intervention Holdout）”，即在政策实施前的一段时间有放回地抽取不同时间点上实验组与控制组的样本，计算出其差异并最小化，从而求出λ的值。其具体估计过程如下：

假设T0为政策窗口期，在整个观测期T上，观测到k期政策干预前的情况，则对于政策实施前t{T0-k+1，…，T0}，可得④：

i，t（λ）=Yi，t-∑nj=n1+1W*i，j（λ）Yj，t（9）

λ满足最小化误差条件：

min∑n1i=1∑T0t=T0-k+1［i，t（λ）］2

在政策实施后，采用“去一法交叉验证（Leave-One-Out Cross-Validation）”，即在政策实施到观测期结束的时间段内轮流挑选一个控制组地区m，将m与实验组地区i互换，由于m没有受到政策影响，所以真实m与合成m应该没有明显差异，因此将真实m与合成m的差异最小化后计算出λ，具体估计过程如下。

假设T0为政策窗口期，在整个观测期T上，对于政策实施后t{T0+1，…，T}，可得：

i，t（λ）=Ym，t-∑nj=n1+1，j≠mW*i，j（λ）Yj，t（10）

λ满足最小化误差条件：

min∑nm=n1+1∑Tt=T0+1［i，t（λ）］2

考虑到合成控制法的偏差校正（bias-corrected versions of synthetic control estimators）问题，最终对式（8）的估计方法⑤为：

bc（λ）=1n1∑n1i=1{［Yi-0（Xi）］-

∑nj=n1+1W*i，j（λ）［Yj-0（Xj）］}（11）

式（11）中的偏差校正解决了实验组地区和控制组地区中参与合成地区特征不匹配的问题。

（三）变量选择

本文中的政策效应变量为科技创新（tech），变量指标选择每万人新增专利授权量。预测变量分別为：（1）经济发展水平（gdp），用区域人均GDP表示；（2）产业结构（indus），用区域第三产业增加值占GDP比重表示；（3）科技人才（hum），用区域R&D人员全时当量表示；（4）政府支持（gov），用地方政府科学技术支出占一般预算支出的比重表示；（5）消费水平（consume），用区域人均消费支出表示。数据来自《中国统计年鉴》《中国科技统计年鉴》等。在实际计量过程中对相关变量取对数运算，主要变量全样本描述性统计如表1所示。

三、实证结果

（一）政策处理效应

1.合成地区构建。表2中分别显示了控制组中参与合成地区的权重系数，其中W1、W2、W3、W4分别表示控制组中参与合成北京、合成天津、合成河北以及合成京津冀地区的权重情况，所有地区权重均为正，且权重之和为1。合成北京由上海、浙江组成，其中上海权重最大，为0.821；合成天津由上海、江苏、福建、广东组成，其中福建权重最大，为0.554；合成河北由內蒙古、黑龙江、西藏、江西、河南、新疆组成，其中河南所占权重最大，为0347；合成京津冀地区由上海、辽宁构成，其中辽宁权重最大为0.831。RMSPE为政策干预前的均方误差，可以衡量政策干预前合成地区与实际地区的拟合效果。表3显示了实际地区与合成地区预测变量之间差值的绝对值，用来说明预测变量之间的差异。预测变量主要用来控制可能影响政策效应的其他因素，实际地区与合成地区预测变量差值的绝对值越小，说明越可以较好地控制可能影响政策效应的其他因素，即合成地区较好地拟合了实际地区可能影响政策效应的其他因素。由此可以看到，主要预测变量差值较小，说明合成控制法较好地控制了其他可能影响政策效应的因素，为下一步分析政策效应打好了基础。

2.政策处理效应。图1—4分别显示了实际北京与合成北京、实际天津与合成天津、实际河北与合成河北以及实际京津冀与合成京津冀在观测期内科技创新的对比情况，该图不仅可以反映政策实施前实际地区与合成地区在政策效应变量的拟合情况，也可以直观反映政策干预后的政策效应。图1显示了北京的情况，可以看到在政策实施前实际北京的科技创新情况与合成北京的科技创新情况十分接近，甚至合成北京略高于实际北京，但是在2012年之后，实际北京的科技创新情况开始明显超过合成北京，京津冀协同发展促进了北京地区科技创新。图2显示了天津的情况，可以看到在政策实施前，合成天津也较好地拟合了实际天津的科技创新情况，并且在2012年之后也逐渐产生政策效应，但是相较于北京而言，政策效应并不明显。图3显示了河北的情况，可以看到在政策实施前，合成河北与实际河北的政策效应变量几乎重合，这说明合成河北非常好地拟合了实际河北在政策实施前的科技创新情况，2014年后政策效应逐渐显现，并且有逐渐扩大的趋势，这说明在京津冀协同发展过程中河北的科技创新水平在稳步提升。

图4显示了京津冀地区整体科技创新情况，可以看到合成京津冀地区在政策实施前较好地拟合了实际京津冀地区科技创新的增长变化情况，并且在2013年之后，实际京津冀地区科技创新情况明显高于合成地区，说明京津冀协同发展促进了京津冀整体科技创新。

图5—8分别显示了带惩罚项的合成控制法估计的北京、天津、河北与京津冀整体政策处理效应变化情况。在政策实施前，处理组和控制组均没有受到政策影响，因此理论上两组地区均不应有政策效应，对应图中为政策实施前Gap值应接近于0。图5显示了北京的政策处理效应，可以看到，北京政策效应在2013年之前就开始显现，具有一定的政策前置特征，2014年京津冀协同发展使得每万人新增专利授权量提高了约10.95个单位，2019年北京政策效应最为显著，使得北京地区每万人新增专利授权量提高了约17.437个单位。图6显示了天津政策处理效应，天津政策效应也具有一定的前置性，2014年京津冀协同发展使得了天津地区每万人新增专利授权量提高了约3942个单位，2019年天津政策效应最为显著，使得天津每万人新增专利授权量提高了约9.88个单位。图7显示了河北的政策处理效应，2014年京津冀协同发展对河北地区科技创新效应较小，但随后政策效应稳步提升，政策效应具有一定滞后性，2020年河北政策效应最为显著，使得河北地区每万人新增专利授权量提高了约2.91个单位。图8显示了京津冀整体政策处理效应呈现前置性特征，2013年政策效应开始显现，2020年政策效应最为显著，使得京津冀地区整体每万人新增专利授权数量提高了7.401个单位。

表4显示了京津冀协同发展政策效应随时间变化情况。2014年前后京津冀地区政策效应开始显现，其中北京政策效应最为显著，远超天津和河北以及京津冀整体，但在2020年有一定回落，全部政策效应观测期内京津冀协同发展使得北京地区每万人新增专利授权量平均提高了约15.615个单位；天津政策效应次之，在2013年政策效应开始显现并逐步增加，2020年也有一定回落，全部政策效应观测期内京津冀协同发展使得天津地区每万人新增专利授权量平均提高了约7.315个单位；河北政策效应较差，2014年以后政策效应开始显现并逐步增加，全部政策效应观测期内京津冀协同发展使得河北地区每万人新增专利授权量平均提高了个单位约0.971个单位。京津冀整体政策效应每年逐步增加，全部政策效应观测期内京津冀协同发展使得京津冀地区每万人新增专利授权量平均提高了约5.655个单位。

（二）稳健性检验

合成控制法能够通过构造合成的反事实地区来模拟该地区未受到政策影响时的情况，但是合成地区的科技创新发展路径与实际地区的一致性是不确定的，即试验地区的变化是否是一种随机变化而非政策影响的结果是不确定的，因此需要对模型结果的稳健性进行检验，以确定真实的政策效果。合成控制法作为一种非参数估计方法，对于其结果的检验最常用的方法为“安慰剂检验（Placebo test）”和“排序检验（Permutation test）”。

1.地区安慰剂检验。“安慰剂效应”是指在医学试验中将参与试验的人随机分为实验组和对照组，实验组人员服用试验药物，对照组人员服用完全没有疗效的安慰剂，以避免受试者由于其主观因素对试验结果产生影响。如果将京津冀协同政策看作一次准自然试验，那么在对照组中可能也存在着“安慰剂效应”，因此可以通过对对照组中权重最大的地区进行检验，以排除其他因素的影响。对照组地区并未受到京津冀协同政策的影响，如果对该地区进行同样的合成控制分析，理论上该地区不会出现与实验组一样的政策效应。一般情况下，选取对照组中占“合成地区”权重最大的地区进行安慰剂检验，因为权重越大说明该地区与实际地区在各方面创新特征上越为接近。

图9—12分别显示了合成地区中权重最大地区的安慰剂检验结果。图9显示了北京的安慰剂检验情况，上海是构成合成北京中权重最大的地区，因此用上海来进行北京地区安慰剂检验。可以看到，由于上海没有受到京津冀协同发展的影响，因此上海没有产生与北京相同的政策效应。图10—12分别显示了天津、河北、京津冀整体的安慰剂检验结果，进行安慰剂检验的地区分别为福建、河南、辽宁。福建进行地区安慰剂检验时也产生了政策效应，但是与天津的政策效应的时间趋势并不一致。这说明在2014年前后，福建可能受到其他因素影響从而提高了当地科技创新水平。河南、辽宁进行地区安慰剂检验均没有产生与试验地区相同的政策效应，说明本文研究结论具有一定稳健性。

2.排序检验。排序检验是为了检验控制组中其他地区出现和实验组一样处理效应的概率，类似于统计中秩检验的一种“准秩检验”。排序检验主要考虑Gap曲线的分布情况，排序检验会将控制组所有地区进行一次合成控制分析，让所有样本城市都依次进入实验组，假设其受到政策影响，然后绘制出Gap曲线的分布情况。由于控制组地区没有受到政策影响，因此实验组地区的政策处理效应应当高于控制组地区。

图13—16分别显示了北京、天津、河北以及京津冀整体排序检验结果。北京排序检验结果表明控制组地区中没有产生与北京相同的政策处理效应，并且所有控制组地区Gap值均小于北京地区。这说明京津冀协同发展的科技创新效应在北京真实存在且明显优于同时期其他地区科技创新因素的影响。天津排序检验结果与北京类似。河北排序检验结果并不理想，可能的原因在于控制组地区在同期同样受到其他科技创新因素影响，并且产生相应的处理效应。京津冀整体排序检验结果也表明京津冀协同发展的科技创新效应并不具有随机性。

四、主要结论及解释

通过合成控制法分析，笔者发现京津冀协同发展有效促进了北京、天津、河北三地科技创新，对地区整体科技创新水平提升也产生正的政策处理效应。具体而言，北京政策效应最明显且具有一定政策效应前置特征，天津也显现一定政策效应前置特征；河北政策效应具有滞后性特征；京津冀整体政策处理效应也具有前置特征。

（一）对京津冀地区政策效应的解释

京津冀协同发展有效促进了京津冀地区整体科技创新水平的提升，主要是三地政策互动日益深化推动创新资源共享，协同创新效能被有效激发。第一，在《京津冀协同发展规范纲要》的引领下，京津冀地区协同创新顶层设计不断完善。2016年《京津冀系统推进全面创新改革试验方案》获国务院批准，要求围绕京津冀协同发展，促进区域创新资源合理配置、开放共享、高效利用，建立健全区域创新体系，推动形成京津冀协同创新共同体。北京率先提出建设京津冀协同创新共同体的工作方案，天津、河北也提出一系列协同创新的行动计划、试验方案等。第二，京津冀共建协同创新载体取得一定成效。京津冀协同发展战略实施以来，三地先后共建海淀—中关村科技园、北京未来科技城、京津冀大数据综合试验区、河北曹妃甸中关村高新技术产业基地等，三地共建科技创新园区等协同创新载体为京津冀地区科技创新与技术交流提供了依附载体，进一步促进了京津冀地区科技交流与创新活动发展。与此同时，三地进一步探索产业合作新路径，先后成立多家产业合作发展联盟，促进产业合作交流。第三，京津冀金融投资体系赋能协同创新发展。京津冀地区金融政策实现有效对接，2018年三地科技部门与财政部门联合发文决定京津冀地区“创新券”互认互通，加速了政府创新资金流动；京津冀地区先后成立京津冀协同创新科技成果转化创业投资基金、京津冀协同发展基金、京津冀产业结构调整引导基金等区域创新合作基金，为京津冀协同发展提供了投融资保障；三地还进一步出台区域投资税收优惠政策助力创新活动开展等。

京津冀协同发展有效促进了北京、天津与河北三地科技创新水平的提升，可能是协同创新分工有效激发了区域创新活力。北京创新优势显著，坚持和强化全国科技创新中心的核心功能定位，进一步释放北京科技研发动能；天津是京津冀对外开放的重要门户，同时具备实现京津冀地区科技创新成果转化的重要产业基础，天津依托“国家级自主创新示范区”全域推进科技创新活动，推动“一区二十一园”创新发展先进装备制造业基地，为京津冀地区科技成果转化提供坚实基础；河北处于产业转型升级的关键期，京津冀协同发展为河北产业转型与高质量发展提供了战略机遇，同时河北依托石（家庄）保（定）廊（坊）国家级高新技术开发区推进石保廊区域全面创新改革，积极探索创新驱动发展新路径。区域基础设施互联互通为京津冀协同创新奠定坚实基础。京津冀协同发展战略实施以来，北京、天津、河北三地在基础设施互联互通上取得重要进展，有效地促进了区域技术协同创新和产业协同发展。在促进京津冀协同发展的一系列政策影响下，三地在科技创新领域的合作也逐渐深入，三地创新资源流动加快，京津冀一体化技术交易市场蓬勃发展。2014—2019年三地技术合同成交额达到1 063亿元，三地共建科技园区、创新基地、技术市场、创新联盟等创新载体平台超过210家，北京中关村企业在天津、河北开设分支机构超8 000余家。京津冀协同发展使得京津冀三地科技创新活动联系日益密切，有效促进京津冀地区科技创新水平提升，见图17。

（二）京津冀地区政策效应差异的解释

京津冀协同发展促进了三地以及京津冀整体科技创新水平提升，但是政策效应存在显著地区差异。北京的科技创新增长效应明显高于天津与河北，且北京、天津地区显现出政策效应前置特征，而河北则呈现滞后特征。京津冀地区政策效应的区域差异可能与三地在创新链中的分工有关。京津冀协同创新共同体内部，北京为策源中心和引擎，天津、河北则为成果转化与应用中心。处于前端的京津政策效应突出，前置特征显著，河北则后置特征明显。

横向来看，北京、天津、河北的创新要素与产业创新基础存在差异。经济发展能力强的地区在区域协同创新过程中往往处于核心地位，对区域创新集群中其他地区产生重要影响。北京作为京津冀地区经济增长重要一极，京津冀创新链布局无疑也是围绕北京为中心而展开。北京一流高校、科研院所等集聚了大量知识型创新人才，从而能够有效发挥区域知识创造优势；高新技术企业、数字经济等吸引应用型创新人才集聚，应用型创新人才集聚能够激发区域研发优势，产生以核心关键技术为中心新业态；作为全国政治中心，北京政策环境同样为地区创新发展提供重要条件。天津、河北相对而言则处于京津冀创新链的从属地位。天津依托港口海运和外贸产业为京津冀区域扩大对外交流窗口与吸引外部创新资源提供机遇；天津制造业基础也同样为发展高端装备制造等先进产业提供条件。河北作为工业大省为京津创新产出提供了广阔的技术应用市场，是京津冀协同发展的直接受益者。产业结构升级是河北目前面临的主要任务，河北产业发展过程中形成了以钢铁、医药、轻纺等为主的轻重工业交替、传统新兴交织的产业格局。探索区域产业结构优化升级、创新驱动发展新路径是京津冀协同发展的一个重要任务，河北的产业结构特征则成为探索这一新路径的重要突破点。

纵向来看，北京、天津、河北在京津冀创新链各环节中所发挥的作用也不同，在创新要素整合环节基本上形成了以北京为核心的科研体系。在这一体系中，一方面以高校、科研机构、高新技术企业等为载体集聚不同类型高端创新人才形成创新知识储备；另一方面政策、产业等集聚创新资金、设备、信息等形成创新物质储备。天津、河北则相对处于这一体系的外围，一方面为北京输送高端创新要素，另一方面接受北京方面的创新溢出。在研发创造环节基本上形成了以京津联动，河北参与的格局。京津两地依托海港、空港、陆港联动加快构建高层次对外开放格局；天津大力建设京津合作示范区，依托滨海—中关村科技园、京津中关村科技城等全方位对接北京创新研发资源，形成良好的京津联动机制。在创新成果市场化环节，河北技术市场发展成为京津冀创新成果转化的重要支撑。一方面，产业发展需要更大的地域空间，并且由于京津城市空间有限，所以京津产业空间不断向河北地区扩展；另一方面，河北自身产业结构升级也依赖于京津冀协同发展。协同发展以前，河北经济发展呈现一定的“低端产业路径锁定”局面，主要以钢铁、煤炭、水泥建材等高污染、高耗能产业为主。在京津冀协同发展的框架下河北主动淘汰落后产能，发展新兴产业，京津产业转移和河北产业升级极大促进了河北技术市场发展，同时也为京津冀创新产出提供应用领域。

京津冀协同发展改变了京津冀地区原有发展路径，重塑了京津冀协同创新格局，打破原有地区发展壁垒，推动了区域创新资源整合，有效促进了北京、天津、河北三地科技创新发展，产生了“1+1+1>3”的区域协同创新效应，但这些效应产生的微观机制还有待进一步深入研究。

注释：

①为说明方便，假设实验组地区与控制组地区顺序为实验组在前，控制组在后，即i=1，2，3…n1均为实验组地区，i=n1+1，n1+2，n1+3，…，n均为控制组地区。

②在政策实施前，为了合成地区与实际地区更为接近，合成控制法一般采用最小均方误差的估计方法。

③实验组地区与合成地区之间的差值一般称为“处理效应（gap）”，是合成控制法最关心的数据变化。

④W*i，j为式（6）中估计出的权重矩阵。

⑤0（x）为包含一系列协变量Xi=x的结果变量Yi的回归预测值。

参考文献：

［1］李晓琳，李星坛.高水平推动京津冀协同创新体系建设［J］.宏观经济管理，2022（1）：60-67.

［2］吕晓静，刘霁晴，张恩泽.京津冀创新生态系统活力评价及障碍因素识别［J］.中国科技论坛，2021（9）：93-103.

［3］靖鲲鹏，宋之杰.健康度视角下区域技术创新生态系统的进化与提升路径——京津冀与长三角的实证研究［J］.企业经济，2022（1）：143-152.

［4］温科，张贵.京津冀三地区域创新生态发展评价及耦合研究——生态位视角［J］.科技管理研究，2020（10）：112-119.

［5］王德起，何皛彦，吴件.京津冀区域创新生态系统：运行机理及效果评价［J］.科技进步与对策，2020（10）：53-61.

［6］孙瑜康，李国平.京津冀协同创新中北京辐射带动作用的发挥效果与提升对策研究［J］.河北经贸大学学报，2021（5）：78-84.

［7］姚东旭.京津冀协同创新是否存在“虹吸效应”——基于与珠三角地区对比分析的视角［J］.经济理论与经济管理，2019（9）：89-97.

［8］祝尔娟，何皛彦.京津冀协同创新水平测度与提升路径研究［J］.河北学刊，2020（2）：137-144.

［9］韩素芬，王鑫斌.基于Malmquist指数的京津冀创新效率动态演变趋势［J］.工业技术经济，2021（10）：109-115.

［10］李健，马晓芳.京津冀城市绿色创新效率时空差异及影响因素分析［J］.系统工程，2019（5）：51-61.

［11］马宇博，裴桂芬.京津冀城市群全要素生产率测评与提升路径研究［J］.经济问题，2019（6）：104-112.

［12］于树江，赵丽娇.京津冀装备制造业产业政策对技术创新绩效的影响研究——产业集聚的调节作用［J］.工业技术经济，2019（2）：36-43.

［13］趙滨元.京津冀协同创新绩效影响因素分析——基于空间杜宾模型［J］.商业经济研究，2021（1）：162-166.

［14］陈红军，谢富纪.京津冀产学协同创新绩效影响因素分析——基于多维邻近性视角［J］.技术经济，2021（10）：108-118.

［15］陈玉玲，路丽，赵建玲.区域创新要素协同发展水平测度及协同机制构建——以京津冀地区为例［J］.工业技术经济，2021（4）：129-133.

［16］谢泗薪，胡伟.区域科技创新水平与经济发展质量协调性评价研究——基于京津冀经济圈科技及经济发展质量数据的实证分析［J］.价格理论与实践，2020（4）：164-167+178.

［17］ABADIE A，DIAMOND A，HAINMUELLER J. Synthetic Control Methods for Comparative Case Studies： Estimating the Effect of California's Tobacco Control Program［J］.Journal of the American Statistical Association， 2010（490）：493-505.

［18］XU Y.Generalized Synthetic Control Method： Causal Inference with Interactive Fixed Effects Models［J］. Political Analysis， 2017（1）： 57-76.

［19］BEN-MICHAEL E，FELLER A，ROTHSTEIN J.The Augmented Synthetic Control Method［J］. Journal of the American Statistical Association，2021（536）：1789-1803.

［20］ABADIE A，L'HOUR J.A Penalized Synthetic Control Estimator for Disaggregated Data［J］. Journal of the American Statistical Association，2021（536）：1817-1834.

［21］王賢彬，聂海峰.行政区划调整与经济增长［J］.管理世界，2010（4）：42-53.

［22］刘甲炎，范子英.中国房产税试点的效果评估：基于合成控制法的研究［J］.世界经济，2013（11）：117-135.

责任编辑：李金霞

Analysis of the Regional Scientific and Technological Innovation Effect of the Beijing-Tianjin-Hebei Coordinated Development Strategy

——Empirical Evaluation Based on the Synthetic Control Method

Zhao Jianqiang1，2， Zhang Jialei1

（1.School of Public Administration， Hebei University of Economics and Business，Shijiazhuang Hebei 050061，China；

2.Hebei Collaborative Innovation Center for Urban-rural Integrated Development， Shijiazhuang Hebei 050061，China）

Abstract：With the deepening of the Beijing-Tianjin-Hebei coordination， the scientific and technological innovation effect of the coordinated development has been concerned. The coordinated development of Beijing-Tianjin-Hebei is regarded as a quasi-natural experiment， and the synthetic control method is adopted to evaluate the scientific and technological innovation effect of the policy. The study found that the coordinated development of the Beijing-Tianjin-Hebei has effectively promoted the level of scientific and technological innovation in the Beijing-Tianjin-Hebei region. The policy effects of Beijing， Tianjin and Hebei are different， among which the policy effect of Beijing is the most significant， the policy effect of Hebei shows obvious policy lag. The difference may be related to the level of regional innovation resource allocation and innovation division of region.

Key words：coordinated development in the Beijing-Tianjin-Hebei region; scientific and technological innovation; the synthetic control method