研发要素空间极化—涓滴效应对区域创新绩效的影响研究

姜涛

摘  要：基于安徽省16个地级市2012-2021年面板数据，运用修正劳瑞引力模型和超效率SBM模型分别测度各地级市研发要素流动量和创新绩效，并利用LM、Hausman等计量检验确定区域研发要素的空间极化效应、空间涓滴效应分别对创新绩效影响的空间计量模型。结果显示：安徽省各地级市区域创新绩效差距较大，区域发展极不均衡。创新研发资本的极化效应形成了区域间创新绩效提升的良性互动、合作共赢，而研发人员的极化效应仅仅是数量上的简单累积，并没有切实起到提质增效的作用。另外，本地区创新研发资本和周围地区创新人员的涓滴效应均促进了区域创新绩效的提升。

关键词：极化效应；涓滴效应；创新绩效；超效率SBM

中图分类号：F124.3       文献标识码：A      文章编号：1671-9255（2023）03-0037-06

一、引言

我国经济经历了改革开放40年高速增长，人口数量红利逐渐减少，资本边际收益不断下降，经济增长速度持续下滑等传统要素驱动增长的弊端不断显现。以习近平同志为核心的党中央适时提出“创新、协调、绿色、开放、共享”全新的发展理念，多次强调“创新是引领发展的第一动力”“抓创新就是抓发展，谋创新就是谋未来”。创新要素作为创新的物质基础，无疑是解决这些经济发展矛盾的重要保障。然而，如何有效地配置创新要素从而提升区域创新绩效成为专家学者们亟待解决的重要问题。很多专家学者从创新要素流动等角度做出了探索性的研究。第一，创新人员流动对区域创新绩效的影响。卓乘风，邓峰（2017）等学者则基于面板数据通过空间滞后与空间误差模型探讨政府支持在创新要素区际流动与地区创新绩效间关系的非线性调节作用，他们认为研发人员区际流动会对流入地的创新绩效有明显的正向作用；政府对于研发人员的政策支持是积极有效的，而对于研发资本的政策效果并不明显。[1]第二，创新资本流动对区域创新绩效的影响研究。王淑英等（2020）从空间金融集聚视角出发，运用SDM实证考察了创新资本资源流动对区域创新绩效的影响，以及金融集聚在其中的调节作用。[2]实证分析得出这种影响具备明显的正向激励，且具有积极的空间溢出效应；金融集聚有助于推动创新要素流动与本地创新知识产出间的良性互动，而不利于创新要素流动与邻接区域创新知识产出间的融合发展。第三，创新要素流动对区域创新绩效的影响研究。黄明凤（2022），裴育（2023）等学者与之前的研究者不同，他们更加强调研发人员、研发资本等创新要素的不同流动方向通过直接效应、空间溢出效应来影响区域创新绩效。[3-4]

以往研究更多关注的是创新要素流动所带来的动态优化配置、空间溢出等对区域创新绩效产生积极效应，很少关注到要素流动可能引发的竞争拥挤、倒吸效应对区域创新绩效的抑制作用。

二、研究设计

（一）变量选取及数据说明

1．被解释变量：区域创新绩效

借鉴李东海（2022）等学者构建区域创新绩效评价指标体系（见表1）的基本原则，以R&D人员全时当量和R&D经费投入总额作为创新投入类指标，以专利授权量和新产品销售收入作为创新产出类指标，采用超效率SBM模型測度区域创新绩效（Rie），考虑到安徽省各市区域创新具

有规模报酬递增的效率，本文选择规模报酬可变下非径向、非导向超效率SBM模型，计算环境为Matlab2021a软件。[5]

计算结果显示，各地区创新绩效差距较大，整体分为四个梯队。作为安徽省的省会，合肥市创新绩效最高且遥遥领先于其他城市；滁州、六安、亳州、池州、阜阳、芜湖、宿州和铜陵等8市创新绩效值介于0.8-1.5之间，创新绩效水平较高，处在第二梯队；安庆、黄山和马鞍山等3市的创新绩效值介于0.5-0.8之间，创新绩效水平一般，处在第三梯队；宣城、蚌埠、淮北和淮南等4市的创新绩效值在0.5以下，创新绩效水平较弱，处在最后一个梯队。

2．解释变量

（1）区域研发人员的极化—涓滴效应测度

对于区际间要素流动量的测度，许多文献采用的都是传统引力模型。然而，传统引力模型仅以研究人员数量和空间距离为影响因素，忽略了其他因素和要素流动方向对于研发人员流动影响的重要作用。因此，本文以修正劳瑞引力模型为基础，补充引入研发人员自身更加关注的要素。这些要素包括代表经济发展水平的人均GDP（RGDP），代表工资水平的城镇居民人均可支配收入（Wage）和代表居住成本的住宅平均销售价格（HOU）。本文以区域间要素的级差作为影响因素，以区域间要素的比值代表这一级差，不仅实现了影响因素总量上的补充，而且实现了影响因素结构上的优化。比如，区域间工资水平比值、经济发展水平的比值越高，越吸引研发人员流入，反之，则流出。而居住成本的比值越低，越吸引研发人员流入，反之，则流出。基于修正劳瑞引力模型的研发人员具体测度公式为：

3．控制变量

为了更加准确有效地估计被解释变量，我们选取了三个控制变量：（1）信息化发展水平，以互联网宽带接入用户数（NIBA）表示；（2）政府支持力度，以财政性教育经费占GDP比重（PEF）表示；（3）人力资本发展水平，以人均受教育年限（ASY）表示。

4．数据说明

本文选用2012—2021年安徽省16个地级市15个指标的面板数据，对于个别缺失值采用线性插值法进行补充，对于离群值、异常值采用对连续变量在1%水平上进行缩尾Winsorize处理，从而缓解异常值对实证结果的影响，相关数来自《安徽统计年鉴》和《中国城市统计年鉴》。

（二）模型设定及检验

1．模型设定

为了更好地探讨空间单元之间的交互作用，我们基于阿里数据可视化平台下载包含安徽省16个地级市经纬度数据的电子地图，运用Geoda软件生成学者们经常使用的0-1邻接权重矩阵（W）。在此基础上，构建基于0-1邻接权重矩阵的空间计量模型来探究创新要素极化效应、涓滴效应对创新绩效的影响程度。当前基于面板数据的空间计量模型主要包括空间滞后模型（SAR）、空间误差模型（SEM）和空间杜宾模型（SDM），SAR重点讨论某一空间单元的被解释变量会通过空间交互作用影响其他空间单元的被解释变量，而SEM则强调空间单元间的交互作用是随机冲击的结果，SDM 实质上是SAR和SEM的结合。考虑到安徽省地级市创新绩效是否取决于各市自身创新要素流动等强外生因素，故模型中是否加入创新绩效的空间滞后项是不确定的，且忽略误差项中的空间自相关性的风险很高。因此，本文通过以空间杜宾模型（SDM）和空间杜宾误差模型（SDEM）为空间计量模型基础，依据后期的空间计量检验，分别判断选择创新要素双向流动是否对区域创新绩效具有显著影响。

2．计量检验

面板数据每个截面的数据样本量仅为16个，不能满足利用莫兰指数进行空间相关性检验所需样本量的最低要求。因此，本文使用Wald、LR和LM等检验判断空间滞后项、空间滞后误差项等在模型中是否显著，从而建立相应的空间计量模型。表2的诊断检验结果显示，对于极化效应模型，LM-error和稳健性LM-error的统计量同时在1%的显著性水平下拒绝“不存在空间滞后误差项”的原假设，说明该模型存在空间滞后误差项。而LM-lag和稳健性LM-lag不一致，且统计量值均小于LM-error相应统计量，无法拒绝“不存在空间滞后项”的原假设，即接受区域创新绩效的空间滞后项不存在。同理，对于涓滴效应模型，LM-lag和稳健性LM-lag的统计量均在1%的显著性水平下拒绝原假设，说明该模型存在创新绩效的空间滞后項。而LM-error和稳健性LM-error不一致，且统计量值均小于LM-lag相应统计量，无法拒绝“不存在空间滞后误差项”的原假设，即接受空间滞后误差项不存在。进一步来说，Wald检验和LR检验无论在空间滞后项，还是空间误差项上，均能在1%的显著性水平下拒绝原假设，说明SDM不能简化为SAR或SEM。结合LM检验结果，极化效应模型不包含因变量空间滞后项，适合采用SDEM，涓滴效应模型不包含空间滞后误差项，适合采用SDM。另经 Hausman 检验发现，极化效应模型包含空间（spatial）和时间（time-period）的双固定效应，而涓滴效应模型则采用空间（spatial）固定效应效果更优。总体来讲，关于极化效应的SDEM模型和涓滴效应的SDM模型均符合Anselin（1988）模型设定应该遵循Wald>LR>LM检验的基本原则，所以极化效应和涓滴效应模型设定正确。

三、实证结果分析及稳健性检验

（一）实证结果分析

从表3中极化效应的SDEM估计结果可以看出，本地区研发人员和研发资本的估计系数分别为-1.356和0.339，均能通过1%的显著性水平检验，即本区域创新研发人员的极化效应每增加1%，本区域创新绩效水平下降1.356%；研发资本的极化效应每增加1%，创新绩效水平却增加0.339%。其中，本地区研发人员的极化效应并没有增加区域创新绩效，不大符合预期。可能原因是本区域研发人员的极化效应是初级研发人员流入带来的，加剧了初级研发人员的恶性竞争，产生了较强的挤出效应和负外部性，从而并没有提升本区域创新绩效。另外，周围地区创新研发人员和研发资本的极化效应估计系数分别为1.499和0.307，至少通过了10%的显著性水平检验，也就意味着他们均能增强本地区的创新绩效，原因是其承接了本地区低质要素的区间转移，起到了产业升级提质增效的区域联动效应。控制变量信息化发展水平（NIBA）和人力资本发展水平（ASY）的估计系数分别为0.357和0.367，均为正，表明其有助于创新活动的切实开展，有利于区域创新绩效的显著提升。

从表3关于涓滴效应的SDM估计结果可以看出，本地区和周围地区研发人员和研发资本、控制变量的估计系数均能通过至少10%的显著性水平检验，空间杜宾模型的拟合优度R为0.799，对数似然值为-100.235，说明空间杜宾模型整体的估计效果很好。然而，SDM分析回归系数一般不能全面反映影响效果，需要进一步分析其直接与间接效应。从表4的统计结果可知：研发人员涓滴效应的直接效应系数是-0.337，但未通过显著性水平检验。间接效应系数为0.581，且通过了5%的显著性水平检验，说明周围地区研发人员流出这一涓滴效应确实提升了本区域创新绩效。然而，周边地区研发人员流出所带来的空间溢出效应切实提升了区域创新绩效，主要原因是周围地区流出的研发人员恰好契合本地区创新发展的要素需求，实现了区域资源的优化配置，从而提升了本地区的区域创新绩效。研发资本涓滴效应的直接效应系数是0.159，通过了10%的显著性水平检验，说明本地区研发资本流出在一定程度上提升了本地区的创新绩效，原因很有可能是政府为了产业升级的需要，利用产业政策或创新政策抑制了落后产能研发资本的发展并促使其转移，从而提升了本区域创新绩效。

（二）稳健性检验

考虑到空间权重矩阵对空间计量模型影响的敏感性问题，借鉴胡咏梅（2022）等学者的做法，选取0-1邻接权重矩阵以外的空间权重矩阵对模型进行稳健性检验。[6]本文选择16个地市间的地理距离权重矩阵（Wd）对文章中的极化效应（SDEM）和涓滴效应（SDM）两个模型进行稳健性检验，具体结果如表5。

根据表5的稳健性检验结果可以发现，基于地理距离权重矩阵的整体空间效应显著，且核心变量、控制变量均通过显著性检验。另外，对比表3与表5不难发现，核心解释变量、控制变量对区域创新绩效的影响与基于0-1邻接矩阵的影响方向相同，说明空间计量模型结果较为稳健。

四、结论及建议

基于安徽省16个地级市2012—2021年的面板数据，构建修正劳瑞引力模型测度各地级市研发要素的极化—涓滴效应，采用超效率SBM模型测度区域创新绩效，借助空间杜宾误差模型和空间杜宾模型分析研发要素的空间极化效应、涓滴效应对区域创新绩效的影响，从而得出以下结论。

首先，安徽省16个地级市近10年间区域创新绩效差距较大，共分为四个梯队。第二和第三梯队的大部分城市的创新绩效保持着良性发展状态，但首尾两个梯队间的创新绩效值均值差距近4倍以上，创新绩效发展极不均衡。其次，创新研发资本的极化效应形成了区域间创新绩效提升的良性互动、合作共赢，而研发人员的极化效应仅仅是数量上的简单累积，没有切实起到提质增效的作用。最后，本地区创新研发资本和周围地区创新人员的涓滴效应均有效提升了区域创新绩效水平。

作为长三角一体化发展的重要支点，安徽省应借助长三角一体化高质量发展契机，充分发挥各地市区域发展的要素优势，大力发展科技创新，着力提升区域创新绩效水平。结合上述研究结论，提出如下建议：第一，打破区际研发人员流动的制度瓶颈，促进研发人员和谐有序流动。户籍制度和人才激励措施等方面往往存在着制约研发人员流动的制度障碍。一方面，应逐步实现基本公共服务与户籍脱钩，建立与常住人口挂钩的体制机制，降低研发人员流动的制度成本；另一方面，应进一步强化人才激励的创新效率导向，破除统一管理的制度约束，实施研发人员的分层分类管理，提升研发人员流动的经济效益。第二，推进金融服务与科技创新的深度融合，实现资本要素区际的良性转移。健全金融服务与科技创新跨区域的合作体系，积极搭建适应科技创新的金融服务平台，拓宽科技创新在不同地域的资本融资渠道，为科技创新设立专项金融基金，建立科技创新全方位的金融支持措施，确保研发资本流动的科学有效性。第三，进一步发挥创新基础要素的积极作用。鼓励各地区加快推进数字基建，加大在教育领域的财政支持力度，重视科技创新研发人员的培育，建立区际创新资源和创新活动的联动机制，从而全面高效提升区域创新绩效。

参考文献：

[1] 卓乘风，邓峰.创新要素流动与区域创新绩效[J].科学学与科学技术管理，2017（7）：15-25.

[2] 王淑英，王洁玉，寇晶晶.创新资源流动对区域创新绩效的影响研究[J].科技管理研究，2020（7）：57-64.

[3] 黄明凤，姚栋梅.研发要素流动、空间溢出效应与区域创新效率[J].科研管理，2022（4）：149-157.

[4] 裴育，李秋梓.研发人员和研发资本流动对区域创新绩效的影响机制研究[J].審计与经济研究，2023（2）：1-13.

[5] 李东海.创新要素流动对区域创新效率的影响[J].统计与决策，2022（20）：164-168.

[6] 胡咏梅，薛远康.高等教育规模与质量对城乡收入差距的影响[J].教育经济评论，2022（4）：17-40.

Research on the Impact of Spatial Polarization of R&D Elements on Regional Innovation Performance through Trickle-down Effect—— Spatial econometric analysis based on super efficiency SBM and modified Lorry gravity model measurement

Jiang Tao

（School of Finance and Technology， Anhui Business College， Wuhu Anhui 241002）

Abstract： This article is based on panel data from 16 prefecture level cities in Anhui Province from 2012 to 2021. The modified Laurie gravity model and super efficiency SBM model are used to measure the flow of R&D factors and innovation performance in each prefecture level city， and LM， Hausman， and other econometric tests are used to determine the spatial polarization effect and spatial trickle-down effect of regional R&D factors on innovation performance. The results show that there is a significant gap in regional innovation performance among various cities in Anhui Province， and regional development is extremely uneven. The polarization effect of innovative R&D capital has formed a positive interaction and win-win cooperation for improving innovation performance among regions， while the polarization effect of R&D personnel is only a simple accumulation in quantity and does not effectively improve quality and efficiency. In addition， the trickle-down effect of innovation and R&D capital in the local area and innovation personnel in surrounding areas has promoted the improvement of regional innovation performance.

Key words： Polarization effect; Trickle-down effect; Innovation performance; Ultra efficient SBM; Modified Laurie gravity model