2.1 广东省技术创新与知识溢出效应的空间分布
本研究采用全局Moran's I 统计量来衡量空间关联程度,通过Moran's I 指数的变化来分析广东省21个地级市的技术创新活动是否存在溢出效应,以及区域之间是否存在显著的集聚特征.
为反映创新活动的全域自相关性,本研究采集2004—2013年广东省专利申请受理量的面板数据,基于rock一阶空间距离矩阵计算出广东省的全局Moran's I 指数,结果见表2.
表2 广东省2004—2013年专利申请受理量全局Moran' I指数
Table 2 The Moran's index of granted patents in Guangdong Province(2004-2013)
2004—2013年广东省创新活动空间自相关Moran's I 的计算结果表明,2004—2013年广东省的创新活动Moran's I 指数由0.124 6上升至0.301 0,虽然近几年有所下降,但均通过5%的显著性检验,空间相关性逐年递增,表明随着经济的不断发展和科技的快速进步,广东省创新活动的空间相关性日渐显著.一个城市的技术创新产出并非是随机和独立的,其与周边城市空间密切相关.因而,用空间计量来观测广东省技术创新产出具有合理性.
全局Moran's I 指数仅反映广东省的创新产出整体具有空间属性,无法清晰展现出广东省各城市之间技术创新产出的空间联系情况(高-高、高-低、低-高和低-低).为此,运用局部空间自相关(local indicators of spatial association, LISA)散点图来进一步观测局部空间自相关性(表3).
表3 广东省2004、2009和2013年专利申请受理量的LISA分布
Table 3 The LISA index of granted patents in Guangdong Province(2004、2009 and 2013)
由表2可见,2004—2013年,广东省创新产出呈现出较强的空间集聚性,且地域化较为明显,具有正向空间相关性(第1象限和第3象限的数据占据样本总量的2/3).核心区域(高-高)主要集中在深圳、广州、中山和东莞经济发展较快的地区,形成一个明显的增长极; 本身创新产出较低且周围有高产出城市(低-高)的有云浮、惠州、清远、珠海和肇庆,呈现负相关性,其没有受惠于周围的高创新产出的扩散效应,空间相关性低; 而在低创新水平集聚区(低-低)集中了大多数城市,主要在粤东(揭阳、梅州、汕尾、河源和潮州)和粤西(湛江、茂名和阳江),距离高创新产出城市有较长的空间距离.自身有较强的创新产出而又被低创新水平城市围绕着的城市(高-低)主要有汕头和佛山.
从时间角度看广东省创新产出的空间集聚,整体情况表现稳定,然而局部变化依然存在.江门市在2009年由低-高区跃入高-高区,而到了2013年又跌回低-高区,说明江门市在创新产出上虽然每年都有所增加,但其创新产出的增长率呈先快后慢趋势,再次与核心区域拉开距离; 肇庆市的情况更为悲观,由2009年的低-高区降到2013年的低-低区,表明肇庆市的创新产出非但没有受惠于核心区域的扩散效应,反而受到创新较低区域影响; 最明显的变化发生在高-低区,佛山市在2009—2013年间,由高-低区上升到高-高区,说明其科技创新能力得到了很好的发展,从核心区域受惠极高; 与之形成鲜明对照的是汕头,由高-低区下降到低-低区,表明在此期间,汕头不但没有带动周边城市产生知识扩散效应,反而受其所累使得自身创新水平受到限制.
位处于低-低区的城市(揭阳、梅州、汕尾、河源、湛江、潮州、茂名和阳江),10年间基本没有任何变化,表明处于该区的城市自身创新能力不强且互相收益甚小,同时由于地理因素的限制,接受到高创新产出的城市创新行为的辐射也十分有限,因此很难突破现状.
分析表明,2009年随着技术创新投入的增加,各城市技术创新产出都有一定程度的增长,但其溢出效应主要集中于广佛经济圈、深惠莞经济圈等有传统联系的城市之间,对经济圈外的溢出效应较弱.受益于此,佛山的技术创新能力有较大提高,经济圈外的城市,如肇庆和江门受到的知识溢出辐射较为有限,技术创新产出的提高速度缓慢; 最外围的城市则基本没有接收到圈内城市技术创新溢出效应的影响,汕头直接跌入低-低产出区域范围内,湛江和阳江等城市则长期处于低创新产出区域.
从广东省创新产出(P)的空间分布(图1)可见,核心-边缘分布的特点十分突出.广州、深圳、佛山、东莞和中山是最核心的1级,自身创新产出能力极强; 其次是围绕其周围的城市,包括韶关、江门、惠州、珠海和肇庆,形成了创新产出能力的第2级; 最后是清远、 云浮、 梅州、 汕尾、 河源、 湛江、茂名和阳江等低创新产出区域组成的边缘地区.
图1 2013年广东省21个地级市创新产出分布
Fig.1 Innovation output distribution of 21 cities in Guangdong Province in 2013
2.2 广东省技术创新与知识溢出效应的空间计量模型结果
2.2.1 广东省技术创新产出OLS分析结果
广东省创新产出存在空间依赖性,需要用空间计量模型进行估计,但是为了进行横向比较,进一步解释空间计量模型在广东省创新产出中的运用,本研究运用2013年广东省21个地级市的创新产出的面板数据进行OLS估计,结果如表4和表5.其中, t统计量是检验解释变量的显著性; p值是显著性水平检验的结果.
表4 2013年广东省技术创新产出OLS分析结果
Table 4 OLS estimation results of innovation output in Guangdong Province in 2013
1)、2)和3)分别表明结果通过1%、5%和10%的显著性检验
表5 不同统计检验准则下OLS的统计值
Table 5 Statistical values of OLS under different statistical test standards
OLS回归结果表明,模型的拟合优度R2≈0.995 405. F值通过了1%的显著性检验,6个解释变量中,产业集聚程度(INC)和研发人力资源(H)没能通过显著性检验.模型的解释力不足.
从表6中的空间依赖性检验中可见,LMLAG比LMERR在统计上更为显著,且R-LMLAG显著而R-LMERR不显著,因此,有充分的理由可以判断后续计量模型应该选择SLM模型.
表6 空间依赖性诊断
Table 5 Spatial correlation test
为验证判断的完整性,本研究仍给出SEM的估计结果,以便进一步确认使用SLM模型的合理性.
2.2.2 广东省技术创新产出的SLM和SEM分析结果
表7和表8给出2013年广东省21个地级市技术创新产出面板数据的SLM和SEM分析结果.
由表5和表8可见,从拟合优度R2来说,SLM模型(0.995 64)>SEM模型(0.995 426)>OLS模型(0.995 405); SLM模型的LogL统计值(11.59 680)比SEM模型的LogL统计值(11.055 724)大,而SLM模型的AIC统计值(-8.193 680)和SC统计值(-0.534 660)分别比SEM模型的AIC统计值(-7.111 450)和SC统计值(-0.474 150)小,则根据上述检验可判定SLM更为适合.
空间滞后模型滞后项系数λ=0.566 517,通过5%的显著性水平检验,说明广东省21个地级市的自主创新活动存在空间交互作用,使得城市创新活动的影响不仅仅取决于自身的创新产出,还受到周边城市创新活动的影响.OLS模型由于忽略空间滞后和空间误差因素,模型设定存在偏差.
表7 2013年广东省技术创新产出的SLM和SEM分析结果
Table 7 SLM and SEM estimation results of Innovation output in Guangdong in 2013
1)、2)和3)分别表明结果通过1%、5%和10%的显著性检验
表8 采用不同检验准则的SLM和SEM统计结果
Table 8 Statistical values of SLM and SEM under different statistical test standards
2.2.3 广东省技术创新产出的计量结果分析
在SEM中,其回归结果表明:
1)模型中外商对高技术产业的FFDI系数为正,但并不大,说明FDI对高技术产业产出的影响可能没有想象中那么显著.究其原因:首先,以往广东省对外招商引资的重心放在资金总量上,不注重技术含量的高低; 其次,虽然广东省经济增长速度位列前茅,但技术创新能力较为有限,企业自主创新动力严重不足; 最后,从FDI带来的技术创新扩散过程来看,通过引进外资可以带来大量的国外低级技术,但核心技术却无法以此方式获得,随着广东省经济发展进入创新驱动阶段,未来的经济增长将不得不更多地依靠自身的技术创新.经过30多年的改革开放实践,广东省技术创新能力有了长足发展,尤其是深圳和广州等核心城市已经基本完成产业结构升级,对国外廉价低端技术需求已经不大,因而FDI对其技术水平的提高效果极为有限.
2)市场集中度(IIC)对创新产出的影响是负的,规模以上工业市场集中度每增加1%,创新产出减少0.036 826%; 加之Moran's I 指数也表明,广东省产业空间集聚非常显著,尤其是广佛经济圈、深惠莞经济圈的技术创新集聚比较突出,对经济圈内城市的技术溢出效应明显,但对圈外城市江门和肇庆等的溢出十分有限,很可能产生产业集聚的拥挤效应,因此市场集中度对技术创新产出的影响为负.
3)研发经费(ERD)为正,其每增加1%,创新产出就增加0.569 724%.可见目前对技术创新产出的投资对其产出的影响十分明显,尤其自2008年金融危机之后,广州和深圳等核心城市持续推进产业结构转型升级,加快产业转移进程,企业研发经费投入不断增加,企业自主创新力度得到加强,使广东省整体创新水平得到很大提升.根据Moreno等[22-23]的研究,经费投入与专利数据的弹性系数取值一般在0.2～0.8,本研究的弹性系数处于中间水平,主要原因可能在于本研究仅统计大中型工业企业研发内部经费,忽略了政府投资,导致经费投资解释能力不足.
4)大中型工业企业研发人员(H)对创新产出的正向影响较大, H每增加1%,创新产出就增加0.214 71%.高新技术产业已成为深圳最重要的支柱产业,创新模式是以企业为主体,其创新资源主要包括自然资源、资金、技术和人力.随着时间的推移,企业对上述资源的依赖性各不相同.20世纪50年代以获得自然资源为主,20世纪60年代严重依赖资金投入,20世纪70和80年代则依靠技术积累,直至20世纪90年代,经济格局变化,网络经济兴起,全球经济一体化,高素质人才成为企业提升竞争力的首要因素.因此,高素质的创新人才对技术创新产出的影响日渐重要.
5)两个知识存量K1和K2, 对技术创新产出作用最为明显.其中, K1为正,这与以技术创新为基础的新经济增长理论的假定基本一致; K2的系数为负,说明其对区域技术创新产出有显著的负效应.可能的原因是,尽管存在知识的跨地区溢出效应,但由于当地采用跨区域知识的门槛较高,其成本比溢出效应带来的利益更大,导致城市间知识存量的相互联系较弱,因而区域内除城市i外其他城市的知识存量对城市i知识生产的影响显著为负.
