生产性服务业集聚对制造业创新效率的影响——基于空间杜宾模型的实证分析

刘 珺，王嘉丽，张夏恒

（1.西北政法大学管理学院，陕西 西安 710122；2.西安交通大学经济与金融学院，陕西 西安 710061）

一、引言

近年来，我国凭借丰富的劳动力、资本、土地等生产要素的成本优势成为“世界制造工厂”，制造业呈现出发展快、规模大、以劳动密集型为主的特点。在世界经济“百年未有之大变局”的形势下，我国制造业面临转型升级，亟须推进产业基础高级化、产业链现代化，这就需要以创新为驱动力，提高制造业创新效率。生产性服务业作为知识和技术密集型的高附加值服务业贯穿于制造业全产业链的诸多环节，已经成为制造业全球价值链上游和下游的重要组成部分和决定产品差异化的重要源泉。伴随着制造业对生产性服务业需求多样性的增加，许多现代服务项目在城市内不断集聚与扩展，如金融服务、信息服务、文化服务、流通服务等。企业间集聚可以促进彼此互动学习，集聚带来了空间距离的临近，强化了信息获取能力以及对高速环境变化发展的适应性，一定程度上节省了交易成本，空间上集聚的企业比各自在孤立环境下能更有效实现创新产出[1]，产业集聚在很大程度上能够推动当地经济增长，提升区域创新能力。在研究生产性服务业集聚对制造业创新效率影响方面，学术界目前有三种观点，即促进作用、抑制作用以及存在非线性关系。就促进作用而言，多数学者认为生产性服务业发展会显著提升制造业生产效率，较为典型的代表观点有，宣烨和余泳泽(2017)认为相较于专业化集聚对工业企业生产率的提升效果，城市生产性服务业空间多样化集聚的作用更明显[2]。就抑制作用而言，少数学者则持有不同的观点，指出基于一定的条件，生产性服务业的发展会抑制区域工业生产效率的发展，如文丰安(2018)认为中国城市生产性服务业集聚在一定程度上抑制了地区经济效率的提升[3]。而非线性关系视角，部分学者对生产性服务业的发展与制造业生产效率之间存在非线性关系的问题给予探讨，比如，郭然和原毅军(2020)研究得出，生产性服务业集聚与制造业发展存在“U”型曲线关系，当生产性服务业集聚水平超过一定规模后，才能超越“门槛值”，进而对制造业发展质量产生影响[4]。综上所述，关于生产性服务业集聚能否促进制造业创新效率提升仍存有争议，且无统一定论。研究生产性服务业集聚对制造业创新效率的影响，对于准确把握“十四五”规划改革方向，制定经济发展战略，优化生产要素在产业间的配置，适应我国经济高质量发展的趋势，带动我国制造业在全球价值链体系下向中高端跃升，都具有重要意义。因此，文章选取2011—2021年中国省级面板数据，厘清生产性服务业集聚对制造业发展的影响机制，并为生产性服务业集聚是否能够提升制造业创新效率提供实证检验，在一定程度上拓宽与深化了以往研究的思路。

二、理论分析与研究假设

1. 生产性服务业集聚对制造业创新效率的影响

产业间的空间集聚能够促使隐性知识在区域内传播，使得企业之间经验与技术分享得到极大的提升，进而成为持续学习与创新能力的驱动力，不断改进提升综合竞争实力和生产效率。此外，空间集聚也有助于建立供应链和价值链，进一步推动全产业链条的整合发展与创新驱动。因此，以下三种效应的协同作用对生产性服务业集聚影响制造业创新效率最为关键，具体分析如下：

（1） 技术外溢效应

当知识、信息和技术在区域内扩散和共享后，制造业获得良好的创新带动与学习环境。此类生产性服务业属于技术密集型产业，其能够快速地吸纳新技术、新方法、新工艺，并发散式地将这些技术辐射及应用于区域内的其他制造业企业内部，有助于制造业企业攻克价值链高层次领域进而提炼其技术含量。不同性质的企业基于地理区位的靠近性和经济联系的关联性，相互作用产生影响，进而引发知识外溢，这些企业共同发展积累了大量的知识和技术资本，提高了创新效率。

（2） 成本效应

以交通运输、仓储和邮电业，租赁和商业服务业等为代表的生产性服务业集聚后，首先，将适当节约制造业的交易成本、搜寻成本、时间成本、运输成本、制度成本与信息成本等，制造业企业较大程度上减少了寻求产业链上配套服务的风险与不确定性。其次，根据亚当·斯密的劳动分工理论，制造业具备相关配套生产性服务业的支持，可以考虑将部分业务外包，进一步将节约的资本、技术、人力等用于自身最具比较优势的生产行业，以最终达到节约成本，提高专业化劳动生产率的目标。

（3） 交流效应

生产性服务业自身在一定区域内集聚后可增加彼此之间的融合交汇，集聚区域内企业的人才、技术、资本、信息等资源能够快速传播与流动。首先，有利于构建网状结构的信息共同体，融入到制造业内部组织，进而促进第二、第三产业的良性互动。其次，一旦形成一定的规模效应，相应地也能引起政府部门的重视，得到政策关注与发展支持，政策环境的改善能够推进小型制造业快速崛起，大型制造业稳定持续地成长。

以上述分析为依据提出如下研究假设：

假设H1：生产性服务业集聚会提升本地制造业创新效率。

2. 生产性服务业集聚在空间溢出层面影响制造业创新效率

生产性服务业集聚是否会通过空间溢出效应影响到制造业创新效率，且其影响结果是促进还是抑制，这一话题学术界同样有所探讨，且存在正向、负向影响两种不同的观点，下文基于两个方面的不同作用机制展开分析。

（1） 生产性服务业集聚对制造业创新效率存在正向促进的空间外溢效应

生产性服务业集聚对当地制造业的价值链提升功不可没，同时空间外溢效应也会扩散至邻近省份。这一效应将扩散至周边区域，进而带动全国制造业在全球价值链体系下向中高端跃升。席强敏等(2015)研究发现，不同集聚模式的生产性服务业都对周边城市工业劳动生产率存在不同程度的空间溢出影响[5]。

（2） 生产性服务业集聚通过空间外溢抑制制造业创新效率

生产性服务业贯穿于制造业发展的诸多环节，两者呈现出互动发展的态势，但在互动过程中由于存在“虹吸效应”“拥挤效应”等问题，容易产生负向空间外溢效应。余泳泽等(2016)研究发现，以省域为界限，生产性服务业对制造业效率的影响结果截然不同，本地的金融业、信息传输业等更倾向于支持本地的制造业发展[6]。闫奕荣等(2018)分析认为，生产性服务业的过度集聚引发资源拥挤易导致负向的溢出效应，会对周边地区的要素资源产生冲击，出现恶性竞争问题，当集聚引发的“拥挤效应”大于“规模效应”时，容易产生负的空间外溢效应[7]。

以上述分析为依据提出如下研究假设：

假设H2：生产性服务业集聚会显著地通过空间外溢影响制造业创新效率。

三、模型构建与指标选取

1. 模型设定

检验生产性服务业集聚对制造业创新效率的影响，构建的面板回归模型如下：

进一步构建空间SDM模型，具体公式如下：

式(1)、(2)中，crsteit代表制造业效率，i 代表省份，t 代表年份，W×crsteit为制造业效率的空间滞后，表示相邻省份之间的互相影响；W 分别代表了三类矩阵：一阶空间邻接权重矩阵、地理距离权重矩阵、经济距离权重矩阵；λt为时间固定效应，μi为空间固定效应，εit为随机误差项。三类矩阵具体设置方法如下：

第一，邻接权重矩阵。记区域i 与区域j 的距离为dij，可以定义空间权重如下：

其中，dm为确保每个地理单元有邻近单元的最小地理距离。

第二，地理距离权重矩阵。记区域i 与区域j 的距离为dij，选用省份之间地理距离的倒数作为空间权重：

第三，经济距离权重矩阵。通过空间权重矩阵中引入经济距离，能够较明确地体现我国地区经济间的发展差距。各省份间“经济距离”这个指标将采用各省份之间的人均GDP 的差额表示，计算公式为：

2. 数据来源

全国生产性服务业就业人口数据，源自《中国统计年鉴》2012—2022年间数据；固定资产投资总额与制造业就业人数，来源于2012—2022年《中国统计年鉴》；制造业产值源自2012—2022年《中国工业统计年鉴》相关数据；依据《中国互联网络发展统计报告》年度公布的数据，估算互联网普及率，具体方法为采用各省份当年网民人数除以该省总人口数；其余控制变量数据来源于各省份统计年鉴。

3. 变量说明

被解释变量为制造业创新效率(lncrste)，借助DEA方法测算制造业综合技术效率以体现制造业创新效率，投入变量为制造业从业人员及固定资产投资，制造业产值作为产出变量，计算得出2011—2021年制造业的综合技术效率。

核心解释变量为生产性服务业集聚(lnaggl)，参考于斌斌(2017)的研究[8]，采用区位熵指数衡量生产性服务业的集聚程度，区位熵指数(LQ)用来衡量某一区域要素的空间集中化程度，当LQ 大于1 时，地区产业集聚程度较高，当LQ 小于1 时，则集聚化程度相对较低，通常情况而言，LQ 值越大，区域产业集聚水平越高[9]。计算公式为：

其中，aggl(t)为t 时期i 省份生产性服务业的区位熵指数，eij(t)为t 时期i 省份生产性服务业的就业人数，为t 时期i 省份所有产业的从业人员规模，为t 时期全国所有省份从事生产性服务业的人口规模，为t 时期全国所有省份全部产业的从业人口规模。

控制变量主要有：受教育年限(lnedu)，采用地区平均受教育年限来衡量区域人才的储备情况，以知识、技能等为主的人力资本是促进制造业稳定发展的必要条件；人均生产总值(lnpgdp)，该指标反映区域经济增长规模，经济增长与优质的劳动力市场相伴，并能有效扩大市场规模，对制造业企业吸引力巨大；研究与开发投入(lnrd)，采用研发投入占GDP 的比重反映科技投入强度，该指数越大，表明企业研发投入越大，越有利于提升制造业企业和区域创新能力；外商直接投资(lnfdi)，可以为制造业企业注入创新资金与活力，带来新技术及新管理模式；政府干预(lngov)，政府对经济活动进行干预时，良好的激励相容机制与资源优化配置会对地区制造业创新效率产生显著影响，该指标选用政府财政支出占GDP 的比重来表示；互联网普及率(lninf)，该指标体现区域互联网基础建设的状况，能够对数字经济增长、区域数字基建提供重要支撑；就业人数(lnemp)，充足的劳动力及就业人员是扩大产业规模的基础，该指标采用区域就业人数来衡量。

四、实证结果分析

1. 总样本回归

（1） 基准回归

采用混合回归、固定效应、随机效应模型分别进行检验，回归结果如表1 所示，结果显示生产性服务业集聚均会显著地影响到制造业创新效率，参照Hausman 检验结果可知，应采纳固定效应模型[10]。以全国层面视角分析，生产性服务业集聚会显著地正向影响制造业效率，回归系数为0.209。这与假设H1 的内容相一致，生产性服务业集聚以技术外溢、节约成本、增强交流三种驱动力量，将显著地提高制造业创新效率。

表1 生产性服务业集聚对制造业创新效率基准回归结果

回归结果显示，人均GDP 对制造业创新效率的提升在1%的水平上有显著的正向促进作用。研发投入对制造业效率的影响显著为负，可能的原因在于当集聚水平较低时，一方面，研发投入存在资金投入不合理、指向性不明确等问题，研发资金并未投向“卡脖子”的关键技术，而是以“撒胡椒面”的方式向各个环节分配研发资金，难以提高经济效率。外商直接投资抑制了制造业效率提升，这可能是因为外商在中国地区的投资结构仍以生产加工、品牌代工等劳动密集型产业为主，处于全球价值链低端环节。政府财政支出并未发挥出对制造业效率的提升作用，原因在于政府的财政支出存在不合理及改进的地方，对低效率企业信贷支持及优惠力度较大，从而造成了财政经费的浪费。信息化水平能够有效带动制造业创新效率提升，信息技术的快速发展，加快推动生产性服务业的有效集聚，间接推动制造业价值链提升。区域就业人数对制造业效率提升有负向影响，可能的原因在于我国大量的制造业就业人员并未适应制造业数字化转型升级的步伐，应用新技术的能力欠缺，造成大量的人员冗余，从而对制造业创新效率的提升产生负向影响。

（2） 异质性分析

我国各个地区生产性服务业集聚水平存在差异，对制造业创新效率的影响存在一定的异质性。因此，有必要进一步考察不同区域内生产性服务业集聚对制造业创新效率的影响。将全国分为东部、中部、西部三个区域，采用固定效应模型进行分样本检验，从表2所示的回归结果可以看出，东部地区生产性服务业集聚对制造业创新效率的影响显著为正，东部地区依赖优越的地理资源条件与区位优势，在金融、物流、科研、知识产权、人才等方面发展较强于中部、西部地区，并能够吸引大量的外资企业入驻，相较于中部、西部地区，具备更强的要素集聚及吸收能力，生产性服务业呈现专业化、多样化集聚。上海、江苏、浙江等长三角地区，均形成了以制造业与生产性服务业空间协同集聚的模式，例如被誉为中国硅谷的上海张江高科技园区，形成了以集成电路产业链、生物医药创新链、文化创意产业、软件产业链、金融信息服务等为主导的产业集聚。浙江生产性服务业与制造业协同耦合发展，互相壮大，由于生产性服务业能提供更加专业化的服务，激活并发展了当地的优势制造产业，而制造业产业的发展，反过来又促进生产性服务业的进一步扩大，形成了互相依托、协同发展的产业集群。中部地区生产性服务业集聚对制造业效率的提升呈现出显著的抑制作用，西部地区则不显著，可能原因在于中部、西部地区由于在地理位置上次于东部地区，加之市场化程度、对外开放程度以及基础设施建设等并不完善，创新要素更多地流向了经济较发达省份，使得技术创新动力不足。中部地区生产性服务要素对制造业创新效率值可能存在门槛效应，当金融、科研、人力资本、交通设施等要素集聚程度低于某个门槛值时，对制造业的创新效率产生负向影响，而当要素集聚能力高于门槛值时，就会和东部地区类似，对制造业创新效率起到提升作用。

表2 区域异质性回归结果

（3） 稳健性检验

利用GMM 模型及替换被解释变量的方法对模型进行稳健性检验，将综合技术效率(lncrste)、纯技术效率(lnvrste)、规模效率(lnscale)分别作为被解释变量进行估计，结果如表3 所示，在相同的核心解释变量及控制变量下，采用GMM 估计的结果与OLS 估计结果基本一致，生产性服务业集聚对制造业综合技术效率、规模效率及纯技术效率均有正的显著性影响，验证了结论的稳健性。

表3 稳健性检验

2. 空间计量模型

（1） 空间相关性检验

是否采用空间计量方法需要有一个前置条件，即要考虑被解释变量的空间依赖性是否成立。假定被解释变量存在空间依赖性，常用Moran's I 指数表示，具体如下所示：

Moran's I 指数取值范围是[-1，1]。如果Moran's I指数的值大于0，而且p 值显著，表明空间正相关；如果Moran's I 指数的值小于0，而且p 值显著，表明空间负相关。所检验的经济变量空间相关性与Moran's I指数的绝对值存在正向关系。

根据表4 测算结果显示，2011—2021年制造业综合技术效率Moran's I 指数在邻接权重、地理距离权重、经济距离权重下均为正数。与此同时，大多数显著性检验都通过，这意味着我国省域间的制造业综合技术效率并非完全随机分布，被解释变量存在正的空间自相关，制造业综合技术效率高的地区其邻近地区效率也较高，技术效率低的地区其邻近地区的效率也低，可以使用空间计量方法。另外，与邻接权重和地理距离权重相比，经济距离权重下Moran's I 指数普遍更高，这表明经济发达程度相近的省域更容易使制造业综合技术效率产生空间交互影响作用。

表4 中国制造业综合技术效率Moran's I 指数

（2） 空间溢出效应分析

选用空间SDM 模型进行研究，表5 为三种距离矩阵分别在固定效应SDM 模型和随机效应SDM 模型下的回归结果，根据Hausman 检验结果，文章选用固定效应的SDM 结果进行分析。验证结果表明，本地的生产性服务业集聚会对邻近地区的制造业效率产生影响，具体表现为显著地抑制状态。虽然经济距离的固定效应结果是正值，但并不显著。

表5 生产性服务业集聚对制造业创新效率的空间溢出检验结果

从控制变量的结果来看，三种权重矩阵的估计结果较为一致，证明了模型的稳健性。综合起来分析，本地人均GDP 的增长对邻近地区制造业效率有负的空间外溢效应，经济发达地区人均GDP 的增长也对欠发达地区制造业效率产生负的空间外溢效应。本地外商直接投资的增加对邻地及欠发达地区制造业效率提升显著为负，由于省域内地方保护主义及市场分割强度的提升，限制了内资企业获取FDI 转移和溢出效应的能力与动力，不利于FDI 发挥对邻近地区的技术溢出效应。发达地区人力资本的提升会对欠发达地区产生正向溢出效应。本地科研能力的提升对邻地制造业效率有着正向空间外溢作用，本地科研能力的提升通过知识外溢、管理现代化、区域间的“示范—模仿”机制等途径提升了邻地制造业的发展。本地劳动力数量增长对其他地区制造业效率有着空间外溢效应的正向显化，这意味着充足的劳动力保障会影响到不同地区的产业发展倾向，具体变现为倾向于优先发展劳动密集型行业，本地劳动力市场供给的充分极有可能意味着邻地劳动力数量的锐减，与此同时，周边省份劳动力供给缩减将致使劳动力价格上涨并且生产成本攀升，最终倒逼制造业效率提升。

五、研究结论与政策启示

文章通过省域面板数据的实证研究来分析生产性服务业集聚对制造业创新效率的影响情况。整体上看，生产性服务业集聚显著地影响制造业创新效率，具体的影响表现为正向提升，并且是通过技术外溢、节约成本与增强交流三方面产生正向提升效应。研究还发现生产性服务业集聚对制造业创新效率的影响具有区域异质性。东部地区依赖比较优势，在地理条件以及资源上优于中部、西部地区，生产性服务业集聚能力也更强，信息传播速度更快，能够为制造业提供相对专业化、高端化、精准化、个性化的服务，进而会有效地提升制造业创新效率。此外，本地生产性服务业集聚会显著地影响到邻近地区的制造业效率提升，这一影响表现为抑制效应。各省域内的生产性服务业集聚因为吸收了充盈的资本、技术、劳动力并不断吸收邻近地区的要素资源，产生了巨大的“虹吸效应”，显著地抑制了区域外制造业效率提升。

文章的研究结论对于促进生产性服务集聚、提升制造业创新效率具有以下政策启示：

第一，完善数字基础设施建设，实行区域差异化政策。加大对交通基础设施、数字基础设施建设等方面的投入，提高物流和人员流动的便利性，同时，提供快速、稳定的网络和信息通信设施。发挥地方产业特色，继续加大东部地区生产性服务业专业化、集聚化程度，中部、西部地区要根据地方产业结构特征以发展配套生产性服务业，避免不同地区在发展生产性服务业时进行盲目模仿和恶意竞争行为，降低生产性服务业服务制造业的空间错配程度，要更多注重生产性服务业内部结构的优化和高端生产性服务业的集聚和发展。

第二，加强产业链协同创新，引导要素充分流动。建立产业链联盟，促进企业之间的合作与协同，共同解决制约制造业发展的难题。政府可以提供政策支持，鼓励在关键领域进行技术研发和创新，建议破除地方保护主义和地区割据局面，打破区域贸易壁垒，引导要素在区域间充分自由流动，强化创新资源的辐射带动作用，相邻城市要通过增强自身人力资本使用效率，提高人均GDP 以及加强信息化建设以适应并利用其他地区的外溢效应，实现区域间产业协同发展，从而提升全国制造业效率，推动整个产业链的升级与发展。

第三，打造专业园区和集聚区，培育人才队伍。通过建设专门的生产性服务业园区和集聚区，提供便捷的公共服务设施，如办公场所、商务服务、研发中心等，吸引企业入驻，并为企业提供便利的合作与交流机会。政府可以加大对生产性服务业的资金支持力度，设立专项基金，用于支持行业内创新和发展，通过加大创新引导力度，促进制造业企业在技术、管理和服务等方面的创新，提高制造业整体创新效率。