-
研发要素(如研发人员和研发资本)是保障中国创新驱动战略顺利实施,进而推动创新质量提升的重要战略资源,其在区际间流动所伴随的资源优化配置效应和知识溢出效应等能够对区域创新生产活动产生重要的影响[1]。当前,各地政府在创新增长目标约束下,纷纷创造各种优惠政策吸引研发要素向本地区流动,以期提升本地区的创新水平,从而引发了一系列“人才抢夺战”“投资抢夺战”等。那么,一个重要的现实问题就是,城市到底依靠什么吸引研发人员和研发资本呢?早期的发展经济学和新经济地理学理论表明,工资和租金是影响劳动力和资本流动的主要原因,然而随着经济的发展和收入水平的提高,劳动者,特别是高技能劳动者开始更加注重生活的舒适性和品质。那么,城市舒适性是否会对研发要素的流动产生影响呢?对该问题的研究有利于厘清研发要素的空间选址规则,从而为城市招才引智和创新能力的提升提供参考。
目前学界关于区域创新能力的表征大多是在假设各项专利包含的技术水平是同质的前提下,单纯使用专利“数量”进行衡量;亦或是从创新投入和产出的视角,核算出创新效率进行表征,而在核算过程中使用的创新产出依然是专利“数量”,并未对专利的“质量”进行区分[2-3]。然而,在经济高质量发展的背景下,单纯以创新“数量”衡量真实创新水平的粗放式创新逻辑亟需转变。据统计数据显示,截至2017年,中国的专利申请数量高居世界第二位,但发明专利和绿色专利占比较低,核心技术专利受制于人的局面并未明显扭转。因此,在区域创新能力评测中忽视对创新“质量”的考察很难对区域创新情况进行全面客观的评价,还可能会造成政策制定的偏误。
此外,区域创新的协调发展是当前中国落实区域协调发展战略需要关注的重要问题之一。白俊红等[4]指出,中国地区间创新能力的差距是造成区域经济差距的深层原因,缩小地区间的创新差距对于统筹区域协调发展具有重要的现实意义。基于此,本文从技术创新、产业创新、制度创新和文化创新五个方面构建区域创新“质量”衡量指标体系,对中国各个城市的区域创新“质量”进行综合评测,在此基础上实证检验城市舒适性、研发要素流动与区域创新质量空间收敛三者间的关系,以期为中国各城市合理引导研发要素流动、统筹区域创新发展、建设创新型国家提供政策启示。
-
早期的非均衡理论认为地区间收入差距是影响劳动者流动的唯一决定性因素,指出劳动者会在“理性人”假定的支配下迁移到预期收入高的地区,以期获取更高的效用收益。Sjaastandz[5]利用非均衡理论,证明了劳动者根据迁移的工资收益和成本确定迁移决策,并最终流动到净收益最大的地区。然而,Rosen[6]和Roback[7]的空间均衡理论指出,单纯的收入差距并不能反映出地区间效用的差距,收入和地租会彼此不断调整,在均衡时能够保证劳动者在不同地区获得的效用不变,而城市舒适性才是决定劳动者空间选址的深层力量。该理论创造性地将城市舒适性引入到劳动力迁移决策的研究中,之后大量学者开始关注城市舒适性对劳动力,特别是高技能劳动力迁移决策的影响。
Peck[8]和Lahr[9]研究发现,具有较高公共服务水平和文化氛围的城市能够吸引到更多的高技能人才流入。Diamond[10]利用美国1980—2000年的数据,实证研究了不同技能水平劳动力的迁移决策,发现城市舒适度水平是影响劳动力流动的重要机制,其中高技能劳动力对城市舒适度水平更为敏感,低技能劳动力对工资和房价更为敏感。夏怡然和陆铭[11]探究了中国220个地级城市的劳动力流动问题,发现劳动力的流动不仅受工资和就业的影响,还受到城市教育和医疗水平的影响。刘修岩和李松林[12]通过建立异质性个体迁移决策和房价内生性的城市体系模型,得出城市舒适度在异质性劳动力流动中发挥着重要作用的结论。
研发人员受教育水平较高,属于高技能劳动力的范畴。根据上述分析可知,随着经济发展和工资水平高的提升,研发人员的迁移决策可能更多地由城市的舒适性决定,比如空气质量、公共服务等,学界将前者称为自然舒适度,后者称为人为舒适度[10]1。研发资本需要依附研发人员的投资决策才能具有主观能动性,现有研究主要关注了城市舒适性对劳动力选择的影响,而在市场经济条件下,城市舒适性的差距首先会对研发人员的迁移决策产生影响,进而可能影响依附于研发人员才能发挥主观能动性的研发资本的投资决策,因此研发资本也倾向于流动到舒适性好的城市,形成“钱随人走”的态势。此外,王钺和白俊红[13]指出,公共服务供给、城市图书馆、文化休闲中心等人为舒适性较好的城市,同时也具有更为优越的创新环境,能够吸引创新资本的入驻。基于此,本文提出如下假设:
假设1. 研发要素作为一种高技能生产要素,对城市舒适性具有较高的敏感度,更倾向于流动到舒适性高的地区。
-
目前,学界对区域间差距与收敛的研究均是建立在新古典经济学的研究框架下,分析地区间的人均产出差异和人均资本差异对区域协调发展的影响[14-15],鲜有人从区域间技术创新差距的视角展开论述。然而,技术创新作为经济增长的内生动力,其在地区间的差异很大程度上决定了经济增长的差异[16]。
与传统要素的边际报酬递减不同,研发创新活动具有报酬递增的性质,因此创新优势地区能够通过技术积累和不断创新一直保持与落后地区的技术差距,从而使得区域创新质量趋于发散[17],不利于中国区域协调发展。当存在研发要素的流动时,地区间的创新质量收敛问题可能会出现两种截然相反的情况,一方面,趋利性特征会促使研发要素向城市舒适性和创新发展基础较好的地区集聚,从而致使创新先进地区与落后地区的差距不断被拉大,区域创新趋于发散;另一方面,研发要素的流动能够促进地区间的交流与合作,其所产生的知识溢出效应有助于缩小地区间的创新差距,从而促使区域创新趋于收敛。此外,当前中国东部地区经济发展水平较高,创新环境较好,教育和医疗等人为舒适性资源虽然较好,但是却存拥挤性,好的学校和医院专家往往需要“排队”,而中西部地区虽然在经济发展和创新能力上不如东部地区,但是却具有较好的空气质量、丰富的自然资源和较低的生活压力等自然舒适性。在此情况下,如果研发要素倾向于流动到东部地区,就会加速中国区域创新质量的空间发散,如果研发要素倾向于流动到自然舒适性较好的中西部地区,就会促使创新落后地区获得更多的技术和知识积累,不断提升创新水平,逐步缩小与发展地区间的差距,从而使得区域创新质量趋于收敛。基于此,本文提出如下假设:
假设2. 研发要素在区际间的流动能够促进区域创新质量的空间收敛。
假设3. 研发要素在区际间的流动使得区域创新质量趋于空间发散。
-
关于城市舒适性对区域创新质量空间收敛性的影响,现有研究发现较低的城市舒适性会影响工作者的情绪和创造力,从而对创新生产活动产生不利的影响,而舒适度较高的地区能够促使个体具有积极的工作状态,容易激发起创造性思维和创新活力,有利于创新活动的开展。Kapoor和Lim[18]发现,不适宜的环境能够使发明者的情绪低落,降低发明效率。Higdon等[19]研究表明,城市空气中的二氧化硫每增加1%则会导致个体工作时间减少0.61%。Dehaan等[20]分析发现,较低的城市舒适度能够降低高技能工作者的工作效率。Chen等[21]研究了城市日照对研发人员工作绩效的影响,发现日照越多越容易使人精神舒畅,从而有利提高个体的发明绩效。由此可见,城市间舒适性的差异可能会造成地区创新质量的差距。基于此,本文提出如下假设:
假设4. 城市间舒适性的差异能够对区域创新质量的空间收敛性产生显著影响。
综上分析可知,城市间的舒适性差异不仅能够直接对区域创新质量的空间收敛性产生影响,而且由其所引致的研发要素流动能够间接重构区域间的创新资源配置状况,从而影响区域创新质量的空间收敛性,因此,在城市舒适性影响区域创新质量空间收敛性的过程中,研发要素流动起到了中介作用。基于此,本文提出如下假设:
假设5. 研发要素流动在城市舒适性影响区域创新质量空间收敛性的过程中发挥了中介作用。
-
随着经济理论的完善和发展,城市舒适性的内涵逐渐由自然舒适性向外拓展。Lloyd[22]指出,城市舒适性由城市的自然舒适性、人为舒适性和社会舒适性等构成。中国学者结合中国现实,将舒适性分解为自然舒适性、城市公共服务、基础设施和休闲环境等方面[21]。本文在现有研究的基础上,结合数据可得性,从教育、医疗、交通、社会环境四个方面,构建城市人为舒适性评测指标,从气候、自然环境两个方面构建城市自然舒适性评测指标。其中人为舒适性中的教育舒适性包含城市普通高等学校的数量(个)、国际学校的数量(个)、专任教师数量(人)三个指标;医疗舒适性包括城市每万人拥有床位数(张/万人)、每万人拥有医师数(人/万人)、三甲医院数量(个)三个指标;交通舒适性包括城市拥挤时数(小时)、公路里程数(千米)、客运量(万人次)三个指标;社会环境舒适性包括旅客数(万人)、每10万人大学生数(人)两个指标。自然舒适性中的气候舒适性包括全年日照指数(小时)、全年降水量(毫米)、7月平均气温(℃)三个指标;自然环境舒适性包括人均公园面积(平方米/人)、PM2.5平均浓度(微克/立方米)、建成区绿化覆盖率(%)三个指标。
因为主成分分析法能够通过各分项指标的荷载系数揭示出各指标是否能够较好地反映出目标指标,因此本文使用主成分分析法测算城市舒适性综合指数。其中人为舒适度中各指数构成的荷载系数均为正,表明人为舒适度指数较好地反映了教育、医疗、交通和社会环境情况,自然舒适度指数中7月平均气温和PM2.5平均浓度两项指标荷载系数为负,其余指标荷载度系数为正,表明较高的空气质量、适宜的温度、合理的日照时长、较湿润和较多的绿化有利于城市的自然舒适度水平。
-
创新质量是衡量或评判创新价值的重要标准,体现了创新价值实现过程的总和[23]。Juran[24]将研究质量定义为研究的技术性、研究的影响力、研究成果的应用性等,该界定已经与之后的创新质量定义较为接近。可见,创新质量涵盖了区域创新的各方面,需要建立一套科学的评测指标体系。本文从城市的技术创新、产业创新、制度创新和文化创新四个方面,结合数据的可得性,构建区域创新质量指标衡量体系,具体如表1所示。
表 1区域创新质量综合评价指标体系
一级指标 二级指标 三级指标 属性 权重 技术创新 实质性创新 发明专利申请数/专利申请总数 + 0.139 可持续创新 绿色技术专利/专利总数 + 0.072 协同式创新 产学研结合专利/专利总数 + 0.074 产业创新 产业结构优化 新产品产值 + 0.106 第三产业增加值/GDP + 0.052 制度创新 体系创新 创新效率 + 0.076 全要素生产率 + 0.111 政策支持 邮电业务量/GDP + 0.068 政府财政支出/GDP + 0.051 文化创新 文化投入 财政文化事业费支出 + 0.054 文化事业基建投资额 + 0.075 文化产出 艺术团演出场次 + 0.067 出版印刷量 + 0.055 注:属性中“+”表示在设定的指标衡量方式下,该指标为正向指标,值越大对创新质量的促进作用越明显。各三级指标的权重由熵权法测算得出。 (1)技术创新指标。技术创新是提升中国自主创新能力、建设创新型国家的重要方面。本文从实质性创新、可持续性创新和协同式创新三个层面对技术创新内容进行全面刻画。实质性创新方面,选用发明专利申请数占比衡量。因为与实用新型和外观设计专利相比,发明专利具有更高的研发经费投入、复杂的申请程序和严格的保护期限,并且其所包含的创新技术和复杂性难以被模仿。而实用新型和外观设计专利往往是一种模仿式创新,虽然可以丰富创新数量的大小,但是对创新质量贡献较小[25]。可持续性创新方面,选用绿色专利数占比衡量。城市创新质量提升的重要方面之一是依靠资源节约和污染减排实现可持续性创新,改变粗放式创新逻辑,因此使用绿色专利数量可以较好地反映可持续性创新。协同式创新方面,选取城市产学研结合专利数占比衡量。企业为了取得创新成绩与创新突破,往往倾向于与具有较高科研能力的高校和科研机构进行合作,后两者创新专业性较强,但是在创新成果商业化方面不擅长。可见产学研协同创新可以使创新资源得到最有效的利用,提升创新质量。
(2)其他创新指标。除了技术创新以外,产业创新、制度创新和文化创新均是创新质量提升的重要力量。产业创新方面,以产业结构的升级进行表征,选取了新产品产值和第三产业增加值占比两个指标。原因在于,新产品产值大小反映了产业结构向高级化的演进程度,而第三产业增加值占比反映了产业结构向合理化方向的演进程度,这两者均对中国创新能力的提升具有重要意义。制度创新方面,从体系创新和政策支持两个层面表征,其中体系创新是增强创新动力的强有力保障,而政策支持是创新驱动战略顺利实施的后援力量。文化发展是国家软实力的重要体现,能够为研发创新活动提供精神动力和智慧支持[26]。本文基于文化投入和产出的视角,从财政文化事业费支出、文化事业基建投资额、艺术团演出场次、出版印刷量方面对文化创新进行刻画表征。
(3)创新质量综合指标评测方法说明。为了避免各变量间可能存在的多重共线性问题,选用熵权TOPSIS法测度区域创新质量指标体系中各项三级指标的权重。具体测算步骤如下。
第一步:采用极差法对各指标进行标准化处理,得到标准化指标
$${y_{ij}} = {{\left[ {{x_{ij}} - \min ( {{x_{ij}}} )} \right]} / {\left[ {\max ( {{x_{ij}}} ) - \min ( {{x_{ij}}} )} \right]}}$$ (1) 其中,i表示城市;j表示各指标;xij和yij分别表示原始数据和标准化后的指标值;max(xij)和min(xij)分别表示指标xij的最大值与最小值。
第二步:计算标准化后各测度指标yij的信息熵ej(设有m个地区)
$${e_j} = \ln \frac{1}{n}\sum\limits_{i = 1}^m {\left( {{{{y_{ij}}} / {\sum\limits_{i = 1}^m {{y_{ij}}} }}} \right) \times \ln \left( {{{{y_{ij}}} / {\sum\limits_{i = 1}^m {{y_{ij}}} }}} \right)} $$ (2) 第三步:计算区域创新质量指标体系中各指标的权重Wj
$${W_j}{\rm{ = }}{{\left( {1{\rm{ - }}{e_j}} \right)} / {n - \sum\limits_{j = 1}^n {{e_j}} }}$$ (3) 第四步:运用TOPSIS方法测算出区域创新质量各测度方案与最优点和最劣点之间的欧式距离,利用距最劣点的欧氏距离占总欧式距离的比例表征与理想水平的接近程度Ai。其中0<Ai<1,Ai的值越大表明区域的创新质量越高,反之则表明创新质量越低。
测算出的各指标权重(如表1所示)。为了更加直观地表达区域创新质量在中国地区间的发展情况,本文报告了考察期内中国区域创新质量排名前30位的城市,具体结果如表2所示。
表 22006—2018年间中国区域创新质量排名前30位城市
排名 地区 Ai 排名 地区 Ai 排名 地区 Ai 1 深圳 0.924 12 无锡 0.598 23 镇江 0.431 2 苏州 0.887 13 合肥 0.564 24 南通 0.424 3 广州 0.853 14 长沙 0.551 25 厦门 0.413 4 南京 0.826 15 佛山 0.547 26 绍兴 0.407 5 杭州 0.761 16 东莞 0.523 27 福州 0.403 6 成都 0.720 17 珠海 0.514 28 沈阳 0.400 7 中山 0.714 18 常州 0.501 29 大连 0.385 8 武汉 0.695 19 郑州 0.486 30 芜湖 0.377 9 西安 0.653 20 济南 0.457 东部 0.613 10 宁波 0.624 21 嘉兴 0.452 中部 0.365 11 青岛 0.609 22 温州 0.443 西部 0.198 从表2的结果来看,区域创新质量排名前10的城市中,除了成都、武汉、西安之外均为东部沿海城市;区域创新质量排名前30的城市中,东部地区占24席、中部地区仅占4席、西部地区仅占2席;东部地区的创新质量综合指数(0.613)远高于中部(0.365)和西部地区(0.198)。由此可见,中国地区间的创新质量存在发展差距,这可能与中国东、中、西部地区间的城市舒适性水平具有差异有关。东部沿海地区开放较早,具有较好的创新环境基础和创新人才积累,而中西部地区创新生产活动和创新意识起步较晚,地区优质教育和医疗资源与东部地区相比还较低,可能对创新人才的吸引力不足。
-
在分析中还控制了表征地区对外开放水平的外贸依存度变量(open),用进出口总额占GDP的比重衡量;表征政府行为的政府财政支出变量(gov),用政府预算内财政支出占GDP的比重反映;表征地区市场化程度的市场化水平变量(mar),用非国有企业员工占国有企业员工的比例衡量;表征地区城镇化水平的变量(urb),用城镇人口数与总人口数之比反映。
-
考察区域创新质量的空间收敛,首先需要明确创新质量在地区间是否存在空间相关性。本文选用MoranI指数考察区域创新质量间的空间相关性。具体计算公式为
$${\rm{Moran }}\;I = \frac{{\displaystyle\sum\limits_{i = 1}^n {\displaystyle\sum\limits_{j = 1}^n {\mathop W\nolimits_{ij} ({\rm{qual}}{_i} - \overline {{\rm{qual}}} )} ({\rm{qual}}{_j} - \overline {{\rm{qual}}} )} }}{{\mathop S\nolimits^2 \displaystyle\sum\limits_{i = 1}^n {\displaystyle\sum\limits_{j = 1}^n {\mathop {{W}}\nolimits_{ij} } } }}$$ (4) 其中,quali和qualj分别为i地区和j地区的创新质量值;S2为创新质量间的方差;
$\overline {{\rm{qual}}}$ 为创新质量的均值;Wij为空间权重矩阵,本文使用的是地理距离空间权重矩阵。MoranI指数的取值范围为[-1, 1]。当MoranI指数大于0时表示存在空间正相关性,小于0时则表示存在空间负相关性,该指数的绝对值越大,空间相关性越强。
-
由MoranI结果可知,区域创新质量间存在显著的空间相关性,因此需要在空间计量模型的基础上建立β收敛模型。由于创新活动间可能存在惯性,本文建立了动态空间收敛模型。
条件β收敛的空间SAR动态面板模型
$${Y_{i,t}} = \sigma {Y_{i,t - 1}} + \rho {{W}}{Y_{it}} + \beta {\rm {qual}}{_{i0}} + {\beta _1}{\rm{amenit}}{{\rm{y}}_{it}} \times {\rm{F}}{{\rm{L}}_{it}} + {\beta _2}{\rm{amennit}}{{\rm{y}}_{it}} + {\beta _3}{X_{{\rm{control}}}} + {\mu _{it}}$$ (5) 条件β收敛的空间SEM动态面板模型
$$\begin{gathered} {Y_{it}} = \sigma {Y_{i,t - 1}} + \beta \ln {\rm{qual}}{_{i0}} + {\beta _1}{\rm{amenit}}{{\rm{y}}_{it}} \times {\rm{F}}{{\rm{L}}_{it}} + {\beta _2}{\rm{amenity}} + {\beta _3}{X_{{\rm{control}}}} + {\varepsilon _{it}} \\ {\varepsilon _{it}} = \lambda {{W}}{\mu _{it}} + {\mu _{it}} \\ \end{gathered} $$ (6) 其中,
${Y_{it}} = \left[ {{{{\rm{qual}}{_{it}}} / {{\rm{qual}}{_{i0}}}}} \right]/T$ ,T为样本总时间跨度;$\beta $ 为收敛系数,如果$\beta < 0$ ,则说明区域创新质量存在空间收敛;W为地理距离权重矩阵;amenityit为城市适宜性;FLit为创新要素流动,在研究中PFL为研发人员流动,CFL为研发资本流动。若amenityit×FLit的回归系数为正,说明研发要素倾向于流向城市舒适性高的地区,从而对创新质量收敛性产生影响。本文借鉴Barro和Sala-I-Martin[27]的研究取T=1,也即模型中的被解释变量使用的是当期增长率。由于研发人员和研发资本数据在城市层面上并不可得,选用城市大学及以上学历人口占比表征城市的研发人员水平,选用城市实际使用外资金额衡量研发资本水平。因为大学及以上学历人口所从事的工作一般具有技术性,属于高技能劳动;FDI资本自身携带着技术,是城市研发资本存量大小的较好表征[28]。参照白俊红等[29]的研究,使用引力模型测算出区际间研发人员和研发资本的流动规模。
-
选用2006—2018年中国大陆243个地级城市的面板数据。所有数据主要来源于《中国城市统计年鉴》《中国科技统计年鉴》、相关省份的统计年鉴、国家气象信息中心、各城市国民经济和社会发展统计公报、国家知识产权局专利检索系统等。为降低异方差的影响,除比例值外,所有数据均取对数代入模型。
-
运用Geoda软件,对式(4)的MoranI指数进行检验,以考察中国区域创新质量的空间相关性。结果如表3所示。
表 32006—2018年中国区域创新质量的MoranI指数
指数 2006年 2007年 2008年 2009年 2010年 2011年 2012年 MoranI 0.214*(0.051) 0.243**(0.017) 0.261**(0.022) 0.305***(0.003) 0.388**(0.010) 0.231***(0.000) 0.278***(0.002) 指数 2013年 2014年 2015年 2016年 2017年 2018年 总样本期 MoranI 0.256***(0.000) 0.293***(0.001) 0.222***(0.004) 0.329***(0.005) 0.382***(0.000) 0.354***(0.007) 0.282***(0.003) 注:( )内的数字为P值;***、**、*分别代表在1%、5%和10%的显著性水平下显著。 从表3的结果可知,考察期内中国各年份的MoranI指数值至少能够在1%的水平下显著为正,这表明中国地区间的创新质量具有显著的正向空间相关性。这为本文建立空间计量模型进行分析奠定了基础。
-
由表2的结果可知,中国的区域创新质量在东、中、西部地区间存在较大差异,因此本文分别对全国、东部、中部和西部地区进行回归。模型(1)、模型(3)、模型(5)、模型(7)考察了城市舒适性对创新质量空间收敛的影响,模型(2)、模型(4)、模型(6)、模型(8)加入了研发要素流动与城市舒适性的交互项,考察研发要素是否倾向于流动到适宜性高的城市,从而对创新质量的空间收敛产生影响。经Hausman检验,结合空间计量模型的选取规则,选取地区固定和时间不固定效应的空间计量模型进行分析。具体结果如表4所示。
表 4动态条件β收敛空间模型估计结果
变量 全国 东部 中部 西部 (1) (2) (3) (4) (5) (6) (7) (8) 空间SAR模型 β −0.327*** −0.215*** −0.445*** −0.388*** −0.104*** −0.085*** −0.072 −0.053 (0.000) (0.000) (0.003) (0.001) (0.000) (0.007) (0.145) (0.226) Yt-1 0.475*** 0.377*** 0.356*** 0.322*** 0.506*** 0.451*** 0.561*** 0.528*** (0.000) (0.000) (0.000) (0.000) (0.000) (0.000) (0.000) (0.000) amenity 0.080** 0.065** 0.067*** 0.054*** 0.075* 0.061** 0.023 0.014 (0.038) (0.026) (0.004) (0.005) (0.066) (0.037) (0.742) (0.298) amenity×PFL 0.073*** 0.061*** 0.067*** 0.026 (0.002) (0.007) (0.000) (0.124) amenity×CFL 0.027** 0.088*** 0.035 0.004 (0.015) (0.004) (0.227) (0.308) ρ 0.120** 0.187** 0.293** 0.124** 0.066*** 0.079*** 0.017*** 0.023*** (0.025) (0.014) (0.021) (0.036) (0.000) (0.000) (0.000) (0.000) 控制变量 是 是 是 是 是 是 是 是 R2 0.365 0.311 0.415 0.442 0.387 0.313 0.425 0.487 log_l 10.865 28.982 12.231 28.217 14.278 16.809 10.562 6.735 空间SEM模型 β −0.237*** −0.135*** −0.377*** −0.315** −0.204*** −0.110** −0.178 −0.124 (0.000) (0.000) (0.003) (0.024) (0.006) (0.019) (0.548) (0.419) Yt-1 0.361*** 0.292*** 0.182*** 0.137*** 0.267*** 0.311*** 0.413*** 0.389*** (0.000) (0.000) (0.000) (0.000) (0.000) (0.000) (0.000) (0.000) amenity 0.030** 0.046** 0.024* 0.037* 0.019** 0.021*** 0.026 0.032 (0.020) (0.044) (0.052) (0.068) (0.037) (0.001) (0.374) (0.181) amenity×PFL 0.096*** 0.124*** 0.087*** 0.094 (0.103) (0.004) (0.258) (0.346) λ 0.284*** 0.211*** 0.193** 0.125** 0.188*** 0.147*** 0.202*** 0.115*** (0.000) (0.000) (0.020) (0.018) (0.005) (0.000) (0.007) (0.000) 控制变量 是 是 是 是 是 是 是 是 R2 0.482 0.440 0.569 0.627 0.513 0.430 0.417 0.508 log_l 71.281 89.032 64.284 55.413 82.016 58.254 60.148 92.104 注:( )内的数字为P值;***、**、*分别代表在1%、5%和10%的显著性水平下显著。 从表4可以看出,空间SEM 模型的R2和极大似然值(log_l)均比空间SAR模型要高,并且空间项系数λ也具有较好的显著性,这表明中国区域创新质量空间相关性产生的原因主要是误差项的传导,基于此,选用空间SEM模型进行分析。
从空间SEM模型的第(1)列、第(3)列、第(5)列和第(7)列的估计结果可以看出,全国、东部和中部地区的空间β收敛系数均显著为负,说明城市舒适性的提高能够缩小全国、东部和中部地区的创新质量差距,使得创新质量趋于空间收敛。西部地区的空间β收敛系数虽然为负,但是并不显著,可能的原因在于,当前中国西部地区的城市舒适性仍然较低,教育、医疗、文化、建成区面积、公共休闲场所等与东部和中部地区还存在很大差距,因此城市舒适性对创新质量空间收敛还没有产生显著影响。
从空间SEM模型的第(2)列、第(4)列、第(6)列和第(8)列的估计结果可以看出,研发人员流动和城市舒适性的交互项系数在全国、东部和中部地区均显著为正,而在西部地区并不显著;研发资本流动和城市舒适性的交互项系数只在东部地区显著,在全国、中部和西部地区均不显著。此外,空间β收敛系数在全国、东部和中部地区显著为负,在西部地区也不显著。
这表明,在全国、东部和中部地区层面上,舒适度高的城市更能够吸引到研发人员的流入,从而促进创新质量的空间收敛。随着中部崛起战略以及中原地区招才引智政策的不断实施,中部地区的经济发展、生态环境、科研环境和宜居度等城市舒适性水平逐年提升,吸引了大量人才落户就业,从而在很大程度上缓解了研发人员大规模流向东部地区的不平衡发展局面,促进了创新质量的空间收敛。而西部地区除了成都、西安等部分城市以外,城市舒适度水平还较低,在吸引研发人员流入方面不具有比较优势,对创新质量的空间收敛没有影响。
研发资本流动与城市舒适度性交互项的系数只在东部地区显著,原因可能是东部地区创新积累水平较好,创新资本制度较健全,创新投资思维敏锐灵活,而中部和西部地区目前还处于创新追赶阶段,在吸引研发人员流入的同时还需不断探索改革,破除中庸保守投资思维,保证研发资本顺利入驻。
综上所述,当研发要素为研发人员时,假设1、假设2、假设4和假设5在全国、东部和中部地区成立;当研发要素为研发资本时,假设1、假设2、假设4和假设5在东部地区成立。假设3均不成立。
-
空间权重矩阵的选取可能会影响估计结果的稳健性。上述研究使用的是地理距离空间权重矩阵,然而,林光平等[30]指出地理距离相同的省份间经济上的关系可能并不完全相同,比如上海对徐州的空间影响要大于徐州对上海的空间辐射。因此,为了验证上述结果的稳健性,本文构建了能够将地区经济发展情况考虑在内的社会经济特征空间权重矩阵
$${\bf{W}}_{ij}^e = {{W}}_{ij}^{}{\rm{diag}}({{{{\overline Y }_1}} / {\overline Y }},{{{{\overline Y }_2}} / {\overline Y }}, \cdots ,{{{{\overline Y }_n}} / {\overline Y }})$$ (7) 其中,
${{W}}_{ij}^{}$ 为空间距离权重矩阵;$\overline {{Y_i}} $ 为考察期内地区i的GDP均值;$\overline Y $ 为观察期内所有地区的GDP均值。稳健性检验结果显示①,采用空间经济距离权重矩阵之后,城市舒适性能够显著促进全国、东部和中部地区创新质量的空间收敛,并且研发人员流动量与城市舒适度的交互项在全国、东部和中部地区显著为正,而研发资本与城市舒适度的交互项只在东部地区显著。可见,上述结果是稳健的。
-
本文基于中国创新型国家建设的背景,利用2006—2018年中国大陆243个地级城市的面板数据,实证检验了城市舒适性、研发要素流动与区域创新质量空间收敛三者间的关系。研究发现,中国区域创新质量在地区间呈显著的空间相关性;在全国、东部和中部地区层面上,研发人员更倾向于流向舒适度高的城市,从而促进创新质量的空间收敛;而研发资本通过流动到城市舒适性高的地区,促进创新质量空间收敛效应只在东部地区显著。
鉴于此,得到如下启示:(1)中国区域创新质量在地区间呈显著的空间相关性,因此地方政府在制定政策促进本地区创新质量的提升时,不仅需要关注本地区的创新发展现状和潜力,还需综合考虑周边地区的创新发展情况,不断加强区域间的交流与合作,积极搭建地区间创新合作平台,成立区域创新联盟,这不仅有利于推动本地区创新质量的提升,还有利于中国创新水平的整体提升,从而促进创新质量的空间收敛。(2)鉴于城市舒适性水平提升可以吸引研发人员流入的现实,地方政府,特别是西部地区应该大力提升地区教育质量、医院数量、完善医疗条件、完善交通运输网络、增加公共图书馆数量、扩大城市绿地面积、排污管制等措施,不断提升城市的舒适性水平,为劳动者创造优质的生活环境和工作环境,吸引高技能劳动者的落户就业。此外,要进一步创新户籍制度改革措施,进一步破除限制研发人员在区际间流动的制度壁垒,引凤筑巢,从而提升城市的创新质量。(3)研发资本是保证创新活动顺利展开的必要基础。当前中国金融市场发展水平还较低,除东部沿海城市以外,其他城市在资本投资环境、吸引外资等方面还存在很大差距。因此,中部和西部地区应该不断深化金融改革,转变研发资本投资思维,不断创新金融制度与规则,吸引研发资本入驻,真正实现“钱随人走”。此外,鼓励金融机构设立创新资金专项管理部门,开辟创新资金“绿色通道”,为研发人员开展创新项目提供充足的资金支撑。
Does the Flow of R&D Elements Promote the Spatial Convergence of Regional Innovation Quality
——From the Perspective of Urban Comfort
-
摘要:研发要素是中国创新型国家建设与经济高质量发展的重要支撑,而城市舒适性是现阶段影响研发要素选址的重要因素。在深入考察城市舒适性差异引致研发要素流动,进而影响区域创新质量空间收敛的内在机理的基础上,利用2006—2018年中国大陆243个地级城市的面板数据和空间动态 β收敛分析技术,实证检验城市舒适性、研发要素流动与区域创新质量空间收敛三者间的关系。研究发现:中国区域创新质量在地区间呈显著的空间相关性,在此作用下,全国、东部和中部地区的城市舒适性能够通过影响研发人员的流向进而促进区域创新质量的空间收敛,而城市舒适性通过影响研发资本流向进而促进区域创新质量空间收敛的效应仅在东部地区显著。Abstract:R&D elements are the important support for innovation and high-quality economic development in China, while, at present, city amenity plays an important role in affecting the location of R&D elements. Based on an in-depth investigation of the internal mechanism of how the differences of city amenity lead to the flow of R&D factors and thus affect the spatial convergence of regional innovation quality, the paper tested the relationship among those three factors empirically through the panel data of Chinese mainland’s 243 cities from 2006 to 2018 and dynamic spatial β-convergence analysis technology. The results show that in terms of regional innovation quality, there is a significant spatial correlation among regions in China. Under this effect, city amenity of the eastern region, central region and the whole country can promote the spatial convergence of regional innovation quality by influencing the flow of R&D personnel, while the effect of city amenity on the spatial convergence of regional innovation quality by influencing the flow of R&D capital is only significant in the eastern region.注释:1) 限于篇幅,并未报告稳健性检验的结果,如有需要可向作者索取。
-
表 1区域创新质量综合评价指标体系
一级指标 二级指标 三级指标 属性 权重 技术创新 实质性创新 发明专利申请数/专利申请总数 + 0.139 可持续创新 绿色技术专利/专利总数 + 0.072 协同式创新 产学研结合专利/专利总数 + 0.074 产业创新 产业结构优化 新产品产值 + 0.106 第三产业增加值/GDP + 0.052 制度创新 体系创新 创新效率 + 0.076 全要素生产率 + 0.111 政策支持 邮电业务量/GDP + 0.068 政府财政支出/GDP + 0.051 文化创新 文化投入 财政文化事业费支出 + 0.054 文化事业基建投资额 + 0.075 文化产出 艺术团演出场次 + 0.067 出版印刷量 + 0.055 注:属性中“+”表示在设定的指标衡量方式下,该指标为正向指标,值越大对创新质量的促进作用越明显。各三级指标的权重由熵权法测算得出。 表 22006—2018年间中国区域创新质量排名前30位城市
排名 地区 Ai 排名 地区 Ai 排名 地区 Ai 1 深圳 0.924 12 无锡 0.598 23 镇江 0.431 2 苏州 0.887 13 合肥 0.564 24 南通 0.424 3 广州 0.853 14 长沙 0.551 25 厦门 0.413 4 南京 0.826 15 佛山 0.547 26 绍兴 0.407 5 杭州 0.761 16 东莞 0.523 27 福州 0.403 6 成都 0.720 17 珠海 0.514 28 沈阳 0.400 7 中山 0.714 18 常州 0.501 29 大连 0.385 8 武汉 0.695 19 郑州 0.486 30 芜湖 0.377 9 西安 0.653 20 济南 0.457 东部 0.613 10 宁波 0.624 21 嘉兴 0.452 中部 0.365 11 青岛 0.609 22 温州 0.443 西部 0.198 表 32006—2018年中国区域创新质量的MoranI指数
指数 2006年 2007年 2008年 2009年 2010年 2011年 2012年 MoranI 0.214*(0.051) 0.243**(0.017) 0.261**(0.022) 0.305***(0.003) 0.388**(0.010) 0.231***(0.000) 0.278***(0.002) 指数 2013年 2014年 2015年 2016年 2017年 2018年 总样本期 MoranI 0.256***(0.000) 0.293***(0.001) 0.222***(0.004) 0.329***(0.005) 0.382***(0.000) 0.354***(0.007) 0.282***(0.003) 注:( )内的数字为P值;***、**、*分别代表在1%、5%和10%的显著性水平下显著。 表 4动态条件β收敛空间模型估计结果
变量 全国 东部 中部 西部 (1) (2) (3) (4) (5) (6) (7) (8) 空间SAR模型 β −0.327*** −0.215*** −0.445*** −0.388*** −0.104*** −0.085*** −0.072 −0.053 (0.000) (0.000) (0.003) (0.001) (0.000) (0.007) (0.145) (0.226) Yt-1 0.475*** 0.377*** 0.356*** 0.322*** 0.506*** 0.451*** 0.561*** 0.528*** (0.000) (0.000) (0.000) (0.000) (0.000) (0.000) (0.000) (0.000) amenity 0.080** 0.065** 0.067*** 0.054*** 0.075* 0.061** 0.023 0.014 (0.038) (0.026) (0.004) (0.005) (0.066) (0.037) (0.742) (0.298) amenity×PFL 0.073*** 0.061*** 0.067*** 0.026 (0.002) (0.007) (0.000) (0.124) amenity×CFL 0.027** 0.088*** 0.035 0.004 (0.015) (0.004) (0.227) (0.308) ρ 0.120** 0.187** 0.293** 0.124** 0.066*** 0.079*** 0.017*** 0.023*** (0.025) (0.014) (0.021) (0.036) (0.000) (0.000) (0.000) (0.000) 控制变量 是 是 是 是 是 是 是 是 R2 0.365 0.311 0.415 0.442 0.387 0.313 0.425 0.487 log_l 10.865 28.982 12.231 28.217 14.278 16.809 10.562 6.735 空间SEM模型 β −0.237*** −0.135*** −0.377*** −0.315** −0.204*** −0.110** −0.178 −0.124 (0.000) (0.000) (0.003) (0.024) (0.006) (0.019) (0.548) (0.419) Yt-1 0.361*** 0.292*** 0.182*** 0.137*** 0.267*** 0.311*** 0.413*** 0.389*** (0.000) (0.000) (0.000) (0.000) (0.000) (0.000) (0.000) (0.000) amenity 0.030** 0.046** 0.024* 0.037* 0.019** 0.021*** 0.026 0.032 (0.020) (0.044) (0.052) (0.068) (0.037) (0.001) (0.374) (0.181) amenity×PFL 0.096*** 0.124*** 0.087*** 0.094 (0.103) (0.004) (0.258) (0.346) λ 0.284*** 0.211*** 0.193** 0.125** 0.188*** 0.147*** 0.202*** 0.115*** (0.000) (0.000) (0.020) (0.018) (0.005) (0.000) (0.007) (0.000) 控制变量 是 是 是 是 是 是 是 是 R2 0.482 0.440 0.569 0.627 0.513 0.430 0.417 0.508 log_l 71.281 89.032 64.284 55.413 82.016 58.254 60.148 92.104 注:( )内的数字为P值;***、**、*分别代表在1%、5%和10%的显著性水平下显著。 -
[1] 王钺, 刘秉镰. 创新要素的流动为何如此重要: 基于全要素生产率的视角[J]. 中国软科学, 2017(8): 91-101. [2] LERNER J. The importance of patent scope: an empirical analysis[J]. The Rand Journal of Economics, 1994, 25 (2): 319-332.doi:10.2307/2555833 [3] 蔡绍洪, 俞立平. 创新数量、创新质量与企业效益[J]. 中国软科学, 2017(5): 30-37. [4] 白俊红, 江可申, 李婧. 中国区域创新效率的收敛性分析[J]. 财贸经济, 2008(9): 119-123. [5] SJAASTANDZ L A. The costs and returns of human migration[J]. Journal of Political Economy, 1962, 70(5): 80-93.doi:10.1086/258726 [6] ROSEN S. Wage-based indexes of urban quality of life [M]//Current Issues in Urban Economics. Baltimore: Johns Hopkins University Press, 1979. [7] ROBACK J. Wages, rents, and the quality of life[J]. Journal of Political Economy, 1982, 90(6):1257−1278. [8] PECK J. Struggling with the creative class[J]. International Journal of Urban and Regional Research, 2010, 29 (4): 740-770. [9] LAHR M L. Regional science, regional scientists, and state policy[J]. International Regional Science Review, 2009, 32 (4): 495-508.doi:10.1177/0160017609341170 [10] DIAMOND R. The determinants and welfare implication of US workers' diverging location choice by skill: 1980—2000[J]. American Economic Review, 2016 (3): 479-524. [11] 夏怡然, 陆铭. 城市间的“孟母三迁”: 公共服务影响劳动力流向的经验研究[J]. 管理世界, 2015(10): 78-90. [12] 刘修岩, 李松林. 房价、迁移摩擦与中国城市的规模分布: 理论模型与结构式估计[J]. 经济研究, 2017 (7): 65-78. [13] 王钺, 白俊红. 资本流动与区域创新的动态空间收敛[J]. 管理学报, 2016, 13(9): 1374-1382. [14] CARLINO G A, MILLS L O. Are US regional incomes converging? a time series analysis[J]. Journal of Monetary Economics, 1993, 32(2): 335-346.doi:10.1016/0304-3932(93)90009-5 [15] 滕建州, 梁琪. 中国区域经济增长收敛吗: 基于时序列的随机收敛和收敛研究[J]. 管理世界, 2006, (12): 32-39. [16] PRESCOTT E C. Needed: a theory of total factor productivity[J]. International Economic Review, 1998(39): 525-551. [17] 林毅夫, 蔡昉, 李周. 中国经济转型时期的地区差距分析[J]. 经济研究, 1998(6): 3-10. [18] KAPOOR R, LIM K. The impact of acquisitions on the productivity of inventors at semiconductor firms: a synthesis of knowledge-based and incentive-based perspectives[J]. Academy of Management Journal, 2007, 50(5): 1133-1155.doi:10.5465/amj.2007.27169706 [19] HIGDON R, VAN BELLE G, KOLKER E. The effect of pollution on labor supply: evidence from a natural experiment in Mexico City[J]. Journal of Public Economics, 2015, 122(10): 68-79. [20] DEHAAN E, MADSEN J, PIOTROSKI J D. Do weather-induced moods affect the processing, of earnings news[J]. Journal of Accounting Research, 2017, 55(3): 509-550.doi:10.1111/1475-679X.12160 [21] CHEN Y, HSU P H, PODOLSKI E, et al. In the mood for creativity: weather-induced mood, inventor productivity, and firm value[J/OL]. SSRN Electronic Journal, http://dx.doi.org/10.2139/ssrn.2782918. [22] LLOYD R, CLARK N T. The city as an entertainment machine[M]. Bingley: Emerald Group Publishing Limited, 2001. [23] 喻忠磊, 唐于渝, 张华, 等. 中国城市舒适性的空间格局与影响因素[J]. 地理研究, 2016, 35(9): 1783-1798. [24] JURAN J M. On quality by design: the new steps for planning quality into goods and services[M]. New York: Free Press, 1992. [25] 金培振, 殷德生, 金桩. 城市异质性、制度供给与创新质量[J]. 世界经济, 2019, 42(11): 99-123. [26] 杨新洪. 关于文化软实力量化指标问题研究[J]. 统计研究, 2008(9): 44-48. [27] BARRO R J, SALA-I-MARTIN X. Convergence[J]. Journal of Political Economy, 1992, 100(2): 223-251.doi:10.1086/261816 [28] 郑万腾, 赵红岩, 陈羽洁, 等. 技术扩散能否成为区域创新效率提升的新动能: 研发要素流动视角[J]. 科技进步与对策, 2020, 37(21): 56-63. [29] 白俊红, 王钺, 蒋伏心, 等. 研发要素流动、空间知识溢出与经济增长[J]. 经济研究, 2017(7): 109-123. [30] 林光平, 龙志和, 吴梅. 中国地区经济σ收敛的空间计量实证分析[J]. 数量经济技术经济研究, 2006(4): 14-21. -
![WeChat](http://www.frunetbio.com/journal/fileBJLGDXXBSKB/journal/article/bjlgdxxbshkxb/2021/3/PIC/wechat_cn_a7c049f0-8d6a-4e60-a12b-0b6a8f5dc9ef.jpg)
计量
- 文章访问数:414
- HTML全文浏览量:238
- PDF下载量:105
- 被引次数:0