高技术产业集聚对区域绿色创新效率的影响研究

刘洁，李婧姝

（江苏大学 财经学院，江苏 镇江 212013）

改革开放以来，中国经济迅速发展成全球第二大经济体，极大地促进了产业集聚的形成。集群发展可促进产生规模经济和范围经济，而产业集聚又是推动经济发展的重要引擎和增长极[1]。改革开放以来中国整体上发生了产业在空间上的转移与集聚，同时产业集聚引发地区间差距扩大和环境污染等问题[2]。随着环境治理与经济增长的矛盾日益突出，生态环境的压力逐渐增大[3]。为实现经济可持续发展和产业转型升级应着力提升绿色创新效率，产业集聚可以实现资源优化配置提高区域经济效率，产业通过集群发展能够有效提升产业竞争力进而提升区域竞争力。

熊彼特早期研究中提出产业空间集聚与技术创新之间能够相互促进，而高技术产业最重要的特征是知识和技术密集，因此高技术产业在技术创新中起着越来越重要的作用。由于创新资源具有稀缺性，技术创新效率成为决定高技术产业长期持续发展并影响区域经济增长和地区竞争力的关键因素[4]。高技术产业作为知识和技术密集型产业，具有高附加值和高收益特征，对其他产业发展具有渗透作用，且属于资源节约和环境友好型绿色产业，产业集聚是高技术产业发展的主要模式。高技术产业呈现出集群创新，通过技术引进、利用外资等方式，实现了技术积累提升产业竞争力[5]。

本文以高技术产业集聚的视角考察区域绿色创新效率，将污染排放作为非期望产出纳入效率评价体系，基于高技术产业集聚对绿色创新效率的影响进行了研究探讨，以期结合研究结论提出合理规划产业布局，推动高技术产业集聚进而提升区域绿色创新效率的相关策略，为构建合理区域绿色发展格局提供理论参考。

1 文献综述

国内外学者运用不同方法对产业集聚水平进行了测度，主要方法有：区位熵、行业集中度、赫芬达尔-赫希曼尔指数（HHI）、空间基尼系数、EG指数等[6]。KRUGMAN等[7]用空间基尼系数来度量美国制造业集聚程度。ELLISION等[8]建立了地理集中指数来测定产业的集聚程度。梁琦[9]通过计算了中国工业的区位基尼系数来反映每个行业在全国范围内的集中度。吴学花等[10]利用集中度、基尼系数、赫芬达尔指数等对中国制造业门类的集聚性进行了实证研究。

“创新、协调、绿色、开放、共享”的新发展理念是中国当今乃至未来发展的关键。绿色创新主要指绿色技术创新，是关注保护生态环境实现可持续发展的创新模式，绿色创新效率则是一种考虑资源与环境代价后的综合发展效率[11]。对绿色创新的研究方法主要有指标法和效率法。任耀等[12]基于DEA模型构建了绿色创新效率模型评价体系，对山西省各地区工业效率差异进行研究。杨志江等[13]运用SBM-DEA模型对1999—2012年各省份绿色发展效率的演变特征及其区域差异进行研究，结果表明东中西三大区域间效率差异逐步扩大，各区域内的差距逐步缩小。齐绍洲等[11]利用绿色发明专利和绿色实用新型专利衡量企业绿色创新活动，实证研究环境政策对绿色创新的影响。孙超等[14]运用DEA-BCC模型测算各地区创新效率，实证分析高新技术产业与生产性服务业协同集聚对区域创新效率的影响。姜启波等[15]采用超效率DEA模型测度生态效率，提出高技术产业集聚和环境规制以及二者的协同作用均对生态效率具有促进作用。王文成等[16]采用三阶段DEA模型测算区域创新效率，实证研究高技术产业和生产性服务业协同集聚对效率的空间效应。

产业集聚能否诱发绿色创新的研究较为丰富，既有学者[17-19]支持产业集聚对经济增长和绿色创新的积极正向作用，也有学者[20-22]研究发现产业集聚会产生拥堵效应阻碍技术创新。陈柳钦[23]提出产业集群可以提高产业竞争力、促进企业间合作刺激企业创新。王惠等[24]对中国工业企业的研究发现，产业集聚对工业绿色创新效率提升有显著影响且空间异质性明显。刘亮等[25]研究指出产业集聚对绿色创新的影响是非线性的，存在“U”型双门槛效应，并提出应根据集聚实际水平制定差异化政策。杨浩昌等[26]从静态和动态双重视角实证研究发现，高技术产业集聚对绿色创新存在显著的促进作用。马昱等[3]通过实证研究提出高技术产业集聚和技术创新效率与经济高质量发展之间存在非线性关系。姬志恒等[27]指出高技术产业空间集聚能促进提升技术创新能力进而影响区域绿色发展效率。孟卫军等[28]研究指出高技术制造业与科技服务业协同集聚能够显著促进区域创新效率。李健等[29]研究表明高技术产业的多样化集聚与专业化集聚均对绿色全要素生产率产生影响并存在空间溢出效应。

总体上来说，既往研究文献从多个视角对产业集聚和绿色创新效率进行了研究。对产业集聚的研究中，多数学者会考虑产业集聚带来的经济效果，既有学者认为集聚会促进产业发展，也有学者认为集聚对产业发展存在非线性影响。目前国内外学者就高技术产业集聚对区域绿色创新效率影响的研究较少，以往研究多以产业集聚为研究对象，而产业集聚对区域绿色创新效率的影响多发生于高技术产业内，因此本文以高技术产业为主要研究对象，针对高技术产业集聚程度研究其对区域绿色发展效率的直接影响以及技术创新在其中的中介效应更加科学有效。

2 研究设计

2.1 高技术产业集聚影响区域绿色创新效率的理论分析

伴随着高技术产业集聚产生的技术溢出效应和规模经济效应等可有效提升区域绿色创新效率。首先，高技术产业集聚的空间集聚产生的技术溢出有助于创新资源有效整合和优化配置，从而提升集群内企业技术创新水平，进而促进创新效率的提升。其次，集群内资源的集中和共享有利于企业产生规模效应以及消除信息不对称问题，从而提升创新效率。同时，产业的集聚发展有利于吸引上下游厂商，减少交易费用提升集群内企业竞争力。最后，高技术产业是知识密集型产业具有环境友好的特性，集聚促进的技术创新可有效减少投入要素，提升期望产出的同时降低非期望产出促进绿色创新。

本文的研究路径如下：首先，选取合适模型对各地区高技术产业集聚水平及区域绿色创新效率进行测度；其次，研究分析高技术产业集聚对区域绿色创新效率的影响；最后，实证检验技术创新在影响路径中的中介效应，探讨各影响因素在不同地区的异质性，进而提出建议促进提升区域绿色创新效率。

2.2 研究方法

2.2.1 考虑非期望产出的Super-SBM模型

数据包络分析法（date envelopment analysis method，DEA），一般用来评价具有多个输入与输出的决策单元间（decision making unit，DMU）的相对有效性，是一种非参数的分析方法[30]。DEA方法包含CCR模型、BCC模型以及SBM模型等，传统的DEA效率评价模型均属于径向和角度模型。TONE等[31-32]通过引入松弛变量，解决了方向性距离函数计算过程中的松弛问题和角度选择。超效率测度模型可以对有效的DMU进一步进行效率评价，提高了效率评价的准确性，同时将非期望产出纳入效率测算模型中符合实际生产过程且综合考虑环境影响，以期得到更为客观合理的区域绿色创新效率。因此，本文采用非径向、非角度，并包含非期望产出的Super-SBM模型来测算区域绿色创新效率。

考虑包含非期望产出的超效率SBM模型表达式为：

式中：n表示决策单元的个数，即区域个数，每个DUM都有m种投入元素、s1种期望产出和s2种非期望产出，x表示投入矩阵中的元素，yg表示期望产出矩阵中的元素，yb表示非期望产出矩阵中的数据，λ表示权重向量，ρ为绿色创新效率值。ρ越大，表明该决策单元越有效率。

2.2.2 中介效应模型

本文采用层级回归的中介效应模型，分别建立高技术产业集聚对区域绿色创新效率、集聚对技术创新水平以及集聚和技术创新水平对区域绿色创新效率的回归模型，探讨技术创新在高技术产业集聚与绿色创新效率之间的作用机制，模型的具体设定如下：

式（2）～（4）中：GIEit表示i区域t时刻的绿色创新效率，AGGit表示i区域t时刻高技术产业的集聚程度，INNOit表示i区域t时刻技术创新水平，CONTROLit为一系列控制变量，εit为随机扰动项。

2.3 指标选取

2.3.1 被解释变量

在测算区域绿色创新效率时，要综合考虑经济、资源、环境等要素，因此，本文借鉴已有研究[12,24-26,33]投入要素分别选取劳动投入、资本投入和能源投入，选取期望产出和非期望产出作为产出部分，构建区域绿色创新效率指标体系[34]。具体指标变量如表1所示，在投入要素方面，选取高技术产业R&D人员全时当量作为劳动投入，资本投入选取高技术产业R&D经费内部支出，能源投入采用各省市的能源消费总量（万吨标准煤）来衡量。期望产出指标选取高技术产业专利申请数和新产品销售收入，非期望产出包含各地区SO2排放量和废水排放总量[26]。

表1 绿色创新效率投入—产出指标体系

2.3.2 核心解释变量

高技术产业集聚程度（AGG）。本文采用区位熵衡量各地区高技术产业的集聚程度，其计算公式为：

式中：hit表示i区域t时刻高技术产业的主营业务收入，ht表示全国高技术产业t时刻主营业务收入，Qit表示i区域t时刻的生产总值，Qt表示全国t时刻生产总值。区位熵指数AGGit越大，表明该地区高技术产业的集聚程度越高。

2.3.3 中介变量

本文选取技术创新水平（INNO）作为中介变量，借鉴衣保中等[35]的研究，本文采用高技术产业专利申请量自然对数来衡量。

2.3.4 控制变量

由于影响区域绿色创新效率的因素是多样的，借鉴岳书敬等[36]、杨树旺等[37]、林伯强等[38]的相关研究，本文选取研发投入强度、经济发展水平、技术创新水平和人口规模四个控制变量。R&D投入强度（RD），采用高技术产业研究与试验发展（R&D）经费投入强度来衡量；经济发展水平（PGDP）采用各地区人均GDP自然对数来衡量；人口规模（PE）采用各地区总人口自然对数来衡量。

2.4 数据来源与描述性统计

基于数据的可获得性，以2009—2019年我国省级层面的高技术产业为研究样本。同时，根据国家统计局的划分标准将我国划分为东部、中部、西部和东北地区，具体划分为：东部10省份包括北京、天津、河北、上海、江苏、浙江、福建、山东、广东和海南；中部6省份包括山西、安徽、江西、河南、湖北和湖南；西部12省份包括内蒙古、广西、重庆、四川、贵州、云南、西藏、陕西、甘肃、青海、宁夏和新疆；东北3省包括辽宁、吉林和黑龙江。由于西藏及港澳台地区数据缺失严重，故将其剔除。相应数据来源于EPS数据平台以及《中国统计年鉴》《中国高技术统计年鉴》《中国科技统计年鉴》《中国能源统计年鉴》《中国环境统计年鉴》，部分数据来自各省份统计年鉴，个别缺失数据通过线性插值补齐，相关变量描述性统计如表2所示。

表2 相关变量描述性统计

3 实证分析

3.1 高技术产业集聚水平测度

运用区位熵对各地区高技术产业集聚程度进行测度，2009—2019年均值结果见表3。

表3 2009—2019年各地区高技术产业集聚程度及排名

从表3可以看出，全国高技术产业集聚指数均值约为0.65，东部地区整体集聚水平最高且具备专业化优势，中部地区整体集聚水平稍低于平均水平，西部和东北地区由于产业基础薄弱、高技术产业的集聚发展相对滞后，集聚水平远均低于全国均值。

由图1可以看出，2009—2019年整体高技术产业集聚程度有小幅上升较稳定，东部地区集聚程度最高并呈现缓慢下降趋势，中部地区集聚程度逐渐上升并超过整体均值达到稳定，西部地区整体集聚程度也呈逐年上升趋势，但东北地区集聚程度较低且无明显上升趋势。

图1 各地区高技术产业集聚均值趋势

利用ArcGIS10.5软件，采用自然间断点分级法分别对2009年、2014年和2019年的高技术产业集聚指数进行聚类，结果如表4所示。

表4 高技术产业集聚水平聚类

根据集聚指数将区域分为四类，集聚程度分比为低、中低、中高和高。通过表4中的空间分布格局趋势可以直观地看出，广东省一直处于最高水平的集聚分类，其所在的东部地区集聚程度也一直较高，中部地区集聚水平逐渐上升，西部地区无明显变化，东北地区集聚呈现下降趋势。

3.2 区域绿色创新效率测算结果与评价

本文运用包含非期望产出的Super-SBM模型，根据表1中投入产出指标对2009—2019年30个省份绿色创新效率进行测算，结果如表5所示，各地区效率变化趋势见图2。

图2 各地区绿色创新效率均值趋势

表5 2009—2019年高技术产业绿色创新效率

由表5可以看出，我国绿色创新效率存在明显地区差异，其均值排名前三名的分别问北京、广东和天津，均属于东部地区，其中北京的绿色创新效率均值最高，达到1.497。而中部、西部和东北地区的山西、陕西、黑龙江排名最低，其中黑龙江的绿色创新效率均值仅为0.162。

分区域由图2可以看出，我国区域绿色创新效率整体均值约为0.5，2010年时最低仅为0.38，2012年后逐年递增但整体相对偏低。绿色创新效率呈现出东—中—西—东北地区依次递减的特征，地区间效率差异逐渐缩小。东部地区整体绿色创新效率水平最高且较稳定，中部地区发展最快，与东部地区效率差距不断缩小，西部地区效率均值也自2014年开始稳步上升，东北地区效率均值上升较为缓慢且与其他地区差距仍然较大。

3.3 实证结果分析

3.3.1 基准回归模型

本文主要研究高技术产业集聚水平对区域绿色创新效率的影响，首先就高技术产业集聚及控制变量对绿色发展效率的影响进行基准回归，结果见表6。

表6 基准回归结果

从表6的回归结果可以看出，高技术产业集聚和技术创新均对区域绿色创新效率存在显著正向影响，表示高技术产业集聚程度和技术创新水平的提升可以促进绿色创新效率。在控制变量方面，研发投入强度对绿色创新效率的影响为正，表明提高研发投入强度对效率有正向促进作用；经济发展水平和人口规模对效率的影响显著为负，表明经济发展水平和人口规模的提升对区域绿色创新效率存在抑制作用。

3.3.2 中介效应回归模型

以区域绿色创新效率（GIE）为被解释变量，以高技术产业集聚程度（AGG）为核心解释变量，将技术创新水平（INNO）作为中介变量和其他控制变量一起纳入模型。面板数据模型最常使用的估计方法有固定效应模型（FE）、随机效应模型（RE）和混合回归模型（OLS），为选择合适模型保证结果稳健性，首先进行Hausman检验，结果显示Hausman检验的卡方统计量为60.12，相应的P值为0.0000，表明在1%的显著性水平上拒绝了使用随机效应模型的原假设，因此本文选用固定效应模型进行回归。为了确保回归结果有效性，对各变量做了膨胀因子（VIF）检验，VIF最大值为6.3，均值为3.25，远小于10，表明变量间不存在很强的共线性，回归结果见表7。

表7 中介效应回归结果

表7列出了中介效应下的回归结果，模型（1）估计结果显示高技术产业集聚对区域绿色创新效率的影响为正，且在1%的水平上显著，说明高技术产业集聚对区域绿色创新效率存在显著正向促进作用。模型（2）则是在其基础上加入控制变量，集聚对效率的影响依旧在1%的水平上显著。在控制变量方面，研发投入强度对绿色创新效率的影响显著为正，表明增大研发投入强度有利于提高区域绿色创新效率。区域经济发展水平对创新效率影响不显著，人口规模对区域绿色创新效率的影响显著为负，可能是由于人口红利逐渐消失，人口结构变化老年人口比重上升影响劳动力有效供给，从而抑制了区域绿色创新效率。模型（3）以技术创新水平为被解释变量，高技术产业集聚的系数为0.489且在1%的水平下通过检验，说明高技术产业集聚能够对区域技术创新水平存在显著正向促进作用。模型（4）结果中高技术产业集聚对区域绿色创新效率影响的系数较模型（1）中有所下降，说明技术创新水平在高技术产业集聚和绿色创新效率中发挥了部分中介效应，中介效应占总效应的比例为30.8%，表明高技术产业空间集聚能够通过促进区域技术创新水平从而提升区域绿色创新效率。

3.3.3 异质性检验

上文实证分析表明高技术产业集聚对区域绿色创新效率产生了明显的正向影响，我国各地区经济发展状况存在较大差异，各地区绿色创新效率和集聚程度也呈现出明显的区域异质性。为进一步探讨集聚对创新效率影响的区域差异，本文分别对东部、中部、西部及东北部四个地区分别带入面板模型中进行测算，以研究区域之间的具体差异，回归结果见表8。

表8 分地区回归结果

由表8可以看出，高技术产业集聚对创新效率的影响存在明显的区域异质性。对于东部地区集聚促进了创新效率的提高，同时研发投入和创新水平影响显著；中部地区高技术产业集聚对创新效率的促进作用最大；西部地区经济发展水平和创新水平对效率影响显著；东北地区集聚对效率具有负向影响，但影响不显著，可能是由于东北地区高技术产业集聚程度较低还未具备专业化优势，从而未能促进创新效率。

3.3.4 稳健性检验

为验证回归结果可靠性，本文分别运用缩尾处理、采用滞后一期变量数据以及更改回归模型的方式检验高技术产业集聚对创新效率的影响。

（1）缩尾处理。为排除原始样本数据异常值对回归结果的影响，本文对原始样本数据进行双侧1%缩尾处理。结果显示，各主要解释变量的系数符号与显著性与上文基本一致，表明上文估计结果是稳健的。

（2）采用滞后一期核心解释变量。考虑到高技术产业集聚对区域绿色创新效率的影响可能存在时间滞后，将核心解释变量滞后一期作为解释变量进行了回归。结果显示，变量系数符号及其显著性均与上文一致。

（3）采用面板Tobit模型进行估计。为对模型检验结果进一步进行验证其稳健性，进一步采用面板Tobit模型对区域绿色创新效率影响因素进行回归分析。估计系数符号与显著性，同样与上文基本一致，表明上文回归结果是稳健的。

4 结论与政策建议

本文以2009—2019年中国30省份地区高技术产业为研究对象，根据选取的投入产出指标运用包含非期望产出的Super-SBM模型计算各地区绿色创新效率，研究分析地区高技术产业集聚对区域绿色创新效率的影响。结果发现，2009—2019年就全样本而言高技术产业集聚程度略有上升并趋于稳定。就子样本而言，集聚程度最高的东部地区集聚程度略下降，中部、西部和东北部地区集聚程度逐年上升，地区间差距逐渐缩小。各地区绿色创新效率整体呈上升趋势，东中西部地区差距较小，东北地区效率较低且增速低。研发投入强度和创新水平对区域绿色创新效率存在显著促进作用，经济发展水平和人口规模对效率存在抑制作用。

根据上述研究结论，提出如下政策建议：第一，持续推动高技术产业集聚发展，放大集聚的溢出效应。根据产业的特点和优势，加大高技术产业的引进完善产业扶持政策，通过打造高技术产业园区等有效途径促进高技术产业集聚发展。着力培养产业集聚的区域文化，搭载加强集群区内企业间共享和流动知识信息，充分发挥产业集群的竞争优势。第二，鼓励产业科技创新，加强区域创新系统建设。推动促进产业绿色创新，鼓励企业自主创新，同时重视环境保护加强污染治理，全面提升资源利用效率。第三，根据地区经济水平和人口规模，科学制定差异化产业集聚政策。东部地区持续加大研发投入强度，鼓励企业、高校和其他科研机构合作提升技术转化效率；西部地区着力提升技术创新水平，建立创新合作平台，促进企业合作交流提高创新效率；中部地区和东北地区借鉴东部地区集聚模式，积极引导高技术产业集聚并为之创造条件，促进高技术产业集群产生规模效应。根据综合考虑地区实际产业现状和资源差异，加大政府制度支持力度，因地制宜推动绿色创新。