成渝城市群与珠三角城市群创新潜力比较及影响因素分析

文淑惠,陈 灿

(昆明理工大学 管理与经济学院,云南 昆明 650093)

摘 要:城市群区域创新一体化对促进区域内部资源优化整合,带动周边城市创新发展具有重大意义。使用随机前沿知识生产模型研究了成渝城市群及珠三角城市群创新潜力,并采用一步法的创新非效率模型分析了影响创新潜力的主要因素。结果表明,随着创新阻力的减少,成渝城市群及珠三角城市群的创新效率在不断提升,且差距逐渐缩小;相比于珠三角城市群,成渝城市群拥有更大的创新潜力。同时,城市群内部各城市之间创新效率差异明显。为进一步提高各城市群的创新效率,应进一步转变经济发展方式,扩大开放,加强政府对创新的扶持力度,优化创新环境,提高工业集聚水平。

关键词:城市群;创新潜力;随机前沿;创新非效率

武汉大学区域经济研究中心 协办

0 引言

近年来,我国经济平稳步入新常态,过去由要素驱动经济增长的模式已经不合时宜,创新驱动发展已上升为国家战略。党的十九大报告指出,创新是引领发展的第一动力,是建设现代化经济体系的战略支撑,而其中的关键载体便是城市群。城市群作为区域经济发展的支点和“排头兵”,其创新发展对辐射及带动周边地区具有十分重要的意义。在此背景下,城市群的创新潜力如何?什么因素促进或限制了城市群创新能力提高?应当怎样挖掘城市群创新潜力?对这些问题的研究都将丰富和完善城市群创新研究内涵,推动和加快城市群创新能力建设,因而具有十分重要的研究价值。

对于城市创新能力的研究,学者们的关注点主要在创新指标体系构建上,比较有代表性如Landry[1]提出了“城市创新资源构成评价”和“城市创新活力评价”体系;Richard Florida[2]提出了技术、人才和宽容的3T评价指标体系,并基于此对美国81个城市进行创新力评价,但这一指标体系主要适用于经济发达国家,因为发达国家的创新制度和基础设施较为完善,因此,创新的影响因素主要集中在人才方面,这与中国目前国情不同。因此,国内学者结合本国实际,提出了更适合于本国创新能力评价的指标体系。如陈雄辉、张本祥[3]采用复杂网络理论,测算了广东21个城市创新网络平均最短距离、度分布、群聚系数、网络组分等数据;邹燕[4]基于我国创新型城市内涵,将城市的综合创新能力分解为知识创新能力、技术和产业创新能力、创新环境支撑能力3个模块,采用主成分分析和聚类分析相结合的方法对我国23个重点城市的创新能力进行测评分类;曹勇[5]等在评价我国四大直辖市创新能力时,选取影响城市创新的重要因素并通过因子分析和计量回归方法评价了各直辖市创新水平;张永凯[6]将城市科技创新能力分为创新支持能力、创新投入能力和创新产出能力,采用层次分析法对我国20个首批创新试点城市进行创新发展水平测算。

在研究城市创新的基础上,学者们意识到城市创新能力仅仅反映了城市当下的能力,具有即时性和绝对性。因此,研究城市内在的、还未发挥出来的创新潜力对城市未来创新发展具有更大意义。目前,对于创新潜力的研究还处于定性理论分析阶段,王兴平、李迎成[7]采用逻辑推演和理论综述方法对创新潜力最大化的条件进行了分析,它们认为最大化的前提应满足成本和阻力最小而活力最大的区位、群体或者时段。此外,对于创新潜力的测度缺乏规范性,随意性较大[8],如Hall[9]将创新潜力等同于地区人力资源、联邦及州教育科研财政投入3项指标;张华、张庆林[10]认为创新潜力可以通过创新文化氛围和创新绩效来预测,肖挺[11]认为某一地区人力资本、教育投入是创新的基础和原动力,可以衡量创新潜力。

综上所述,关于城市创新能力的研究已经比较成熟,而对于创新潜力研究则缺乏定量分析和科学的测量方法。基于此,本文引入随机前沿方法,构建随机前沿知识生产函数模型和创新非效率模型对创新潜力进行分析,该方法的好处是能将创新阻力因素单独剥离出来进行处理,使那些限制或促进创新的因素能很好地被量化,通过模型化测度方法弥补了创新潜力测度上的主观性。此外,本文考虑到城市群发展水平上的差异性,因而以成熟型城市群——珠三角城市群和发展型城市群——成渝城市群为例进行对比分析,通过本文研究,期望能对城市群创新发展有所启示,为加快我国城市群创新能力建设,释放各城市创新潜力提供参考。

1 理论分析与模型设定

随机前沿生产函数需要设定模型方程,本文借鉴杰菲(Jaffe)的知识生产函数模型,该模型较好地解释了知识投入与产出之间的关系,于是,得到随机前沿的知识生产函数模型,该模型将随机扰动项分为随机误差项以及非负的创新无效率项两部分,随机误差项表示外界随机冲击对生产的影响,通常用v表示,而创新无效率项则指一些不可直接观测的非效率因素对生产过程的影响,表示为u,通常u=α'z+ε。其中,z表示影响创新非效率项的外生变量,α'表示待估计参数,ε为随机扰动项。

1.1 知识生产函数模型

知识生产函数的概念最先由Griliches[12]于1979年提出,他认为技术创新的核心是知识积累和投入。因此,他将知识生产函数用C-D型生产函数表示为:

R&D(output)=aR&D(input)b

(1)

随后,杰菲[13]于1989年对式(1)进行了改进,将投入要素分为研究经费投入和研发人员投入,其表达式为:

(2)

式中,Qit代表知识产出,LitKit分别表示i时刻t地区的研发人员投入和研究经费投入,β1β2分别表示研发人员投入及研究经费的产出弹性,λ表示影响知识产出的其它因素。在知识产出指标选取上,李习保[14]认为发明专利体现了技术新颖水平和潜在商业价值,能代表知识产出水平,不过,城市发明专利数据较难获取,本文仅以专利申请数表示创新产出。研究经费和研发人员投入分别用各城市R&D经费内部支出和R&D人员全时当量表示,但R&D经费反映的是年度内执行单位实际研发资金投入,属于流量指标(吴延兵,2006),而实际上R&D经费投入对当前和今后都会产生影响,根据吴延兵的做法,本文采用永续盘存法计算R&D资本存量,其计算公式为:

Kit=(1-δKi(t-1)+Eit

(3)

其中,KitKit-1分别代表i城市第t期和t-1期的资本存量,δ为折旧率,本文取值15%,Eiti城市t期的实际R&D经费支出。对于基期资本存量,可以表示为:

Ki0=Ei0/(g+δ)

(4)

其中,Ki0表示基期资本存量,Ei0是基期实际R&D经费支出,g表示考察期内R&D经费实际增长率,δ为折旧率,由式(3)和(4)可以计算出各期各城市R&D资本存量。

1.2 随机前沿知识生产函数

根据Battese & Coelli等[15]提出的随机前沿模型的基本原理,面板数据中的创新产出可以表示为:

Qit=f(xit,β)exp(vit)exp(-uit),uit≥0

(5)

对式(1)取对数得:

lnQit=lnf(xit,β)+vit-uit,uit≥0

(6)

其中,xit是影响知识产出Qit的关键变量,包括该城市研发人员Lit和资本存量Kit的投入,β是待估参数向量,vit表示随机误差项,uit则表示城市创新非效率因素,vituit相互独立,且vit服从均值为零的正态分布,uit为非负的半正态分布,包括对城市创新的限制或促进因素,因为某些原因而未能被纳入知识生产函数中计算的创新阻力,而非负的设定则意味着限制城市创新的因素占主导地位。

创新潜力在随机前沿知识生产函数中可表示为:

(7)

表示前沿水平的知识产出,即一个城市最大知识产出量,也可以称为创新潜力,而对于创新潜力,可以借助创新效率进行分析,其方程为:

(8)

TEit代表实际知识产出和创新潜力的比值,当uit=0时,意味着该城市不存在创新非效率;当TEit=1时,实际知识产出达到最优值;当uit>0时,该城市存在创新非效率,即创新阻力阻碍了城市创新水平提高,此时,TEit∈(0,1),城市无法达到创新产出最优值。

在早期随机前沿模型设定中,非效率项u是不随时间变化的,称之为时不变模型,但由于本文存在较长的时间跨度,非效率项u就可能随时间变化。为此,提出如下时变模型:

uit={exp[-η(t-T)]}uit

(9)

其中,exp[-η(t-T)]≥0;uit服从截尾正态分布,η为待估参数,当η>0时,认为创新非效率项随时间递减,即创新阻力减少,当η<0时,创新非效率随时间递增,即创新阻力增加,当η=0时,创新非效率项与时间变化无关,模型变为时不变模型。

随机前沿生产函数形式主要有C-D函数形式和超越对数函数形式,本文选择超越对数函数形式,主要是因为本文采用的是面板数据,在时间t变化过程中,技术是否为中性,产出弹性是否固定,都不能事先确定(白俊红等,2009)。因此,将随机前沿知识生产函数表示为:

lnQit=β0+β1lnKit+β2lnLit+β3t+β4(lnKit)2+β5(lnLit)2+β6t2+β7lnKitlnLit+β8tlnKit+β9tlnLit+vit-uit

(10)

1.3 创新非效率模型

在城市创新效率影响因素选择上,参考曹勇(2013)、李惠芬(2010)等学者的观点,并结合成渝地区和珠三角地区的实际情况以及数据可获得性,本文选取城市经济发展水平、城市开放程度、地方政府的支持和城市创新环境作为影响城市创新潜力的一级指标,具体测度指标如表1所示。

表1 城市创新能力影响指标选取

一级指标二级指标指标依据说明城市经济发展水平城市经济总量、人均GDP、第三产业占GDP比重城市创新能力依赖于城市的经济发展水平城市开放程度城市进出口总额、实际利用外商直接投资FDI可以通过技术溢出和研发投入影响创新能力、进出口学习也能促进企业创新地方政府的支持科学支出占地方财政预算支出的百分比(%)、教育支出占地方财政预算支出的百分比(%)政府对科学和教育的投入为城市创新提供了激励机制城市创新环境文化软环境:每百人公共图书馆藏书(册)、普通高等学校在校学生数(人)城市基础设施:国际互联网用户数、邮电业务总量城市文化氛围和人才素质对城市创新发展提供后劲、基础设施是城市创新评价的重要指标,一定程度反映了城市创新环境工业集聚程度各城市规模以上工业总产值与本市GDP的比值(%)工业集聚能加快知识和技术扩散,实现知识互补[20]

城市经济发展水平与创新潜力相辅相成(何舜辉等,2017)。通过创新带来的新制度、新科技、新环境能有效提高城市生产效率,促进城市经济快速发展。同时,城市经济发展也决定了创新投入的力度和规模,决定了城市整体创新水平。

城市开放度一般是指城市与外界联系的紧密程度,而最直观反映的就是进出口贸易和外商投资。黄静波、孙晓琴[16]认为进出口贸易主要通过两种因素促进创新能力提高,一是国际市场竞争压力会促使出口企业改进产品,完善生产流程;二是出口企业可以通过“出口学习”从国外购买者那里了解和接触到更先进的专业技术,并对自己的产品进行改进;罗军、陈建国[17]等总结了外商投资影响创新的两条传导路径,一是投资主体通过增加投资目的地研发投入对创新能力产生影响,二是通过技术溢出影响投资目的地研发投入进而间接影响创新能力。

地方政府支持科技创新的方式主要是通过财政支出实现的,一方面,以财政资金为来源建立的科技创新基金能为中小企业创新活动提供激励;另一方面,通过政府采购能积极引导企业向高技术产业领域转移[18],从而激发城市创新活力。

良好的城市创新环境能激发城市创新潜力,城市的信息网络、交通网络和创新平台能为城市创新提供保障[19],加速信息传播和技术扩散。同时,吸引更多创新人才服务本市,更好地推动创新活动的开展。

高效的工业集聚能够克服单个企业进行技术创新的约束,通过降低产业内部交易成本、实现产业链共享、加快资本互补和知识扩散(李大为,2012),使集群内部各行为主体之间能够经常性地进行知识、科技、信息交流与合作,推动产业整体技术进步与发展,最终带动城市创新能力提高。

为了提取主要指标信息,避免冗余信息对随机前沿分析结果的干扰,本文借助SPSS19.0软件对成渝城市群及珠三角城市群2006-2016年各城市创新影响因素指标体系截面数据进行因子分析。在因子分析之前,首先进行变量相关性检验,一般认为,数据KMO度量大于0.6且Bartlett检验概率为0.000适合作因子分析,分析结果如表2所示。可见,本文所选指标数据适合作因子分析。

表3列示了2006-2016年成渝城市群以及珠三角城市群指标数据采用因子分析法所得到的特征值大于1的公因子,且累积方差解释了80%以上的指标信息。通过旋转载荷矩阵发现,成渝城市群的第1个公因子在城市经济总量、实际利用外资、城市进出口总额、普通高等学校在校学生数、邮电业务总量、国际互联网用户数、人均GDP、每百人公共图书馆藏书上具有较大的因子载荷量,反映城市经济规模、对外开放水平和创新环境,称之为城市经济实力(Cip)因子;第2个公因子则在第三产业占GDP比重、科学支出占地方财政预算支出的百分比、教育支出占地方财政的百分比上有较大载荷,主要反映地方政府对城市创新环境的支持力度,称之为政府支持创新(Gov)因子;第3个公因子在工业总产值占GDP比重上有较大载荷,反映城市工业集聚程度,称之为工业集聚(Ind)因子。珠三角城市群的第1个公因子在城市进出口总额、每百人公共图书馆藏书、邮电业务总量、科学技术支出占财政预算比重、实际利用外资、国际互联网用户数、人均GDP和教育支出占财政预算比重上有较大载荷,反映城市的对外开放程度、政府对创新的支持力度和创新环境,称之为创新支撑(Sup)因子;第2个公因子则在普通高等学校在校学生数、工业总产值/GDP、第三产业占GDP比重和城市经济总量上有较大载荷,反映城市受教育水平、经济总量和工业集聚程度,称之为创新实力(Pow)因子。成渝城市群和珠三角城市群创新非效率模型表达式如下:

uit=α1Cipit+α2Govit+α3Indit+εit

(11)

uit=θ1Supit+θ2Powit+ωit

(12)

表2 2006-2016年成渝城市群与珠三角城市群面板数据KMO与Bartlett检验结果

成渝城市群珠三角城市群KMO度量0.811KMO度量0.841Bartlett的球形度检验近似卡方2 426.376Bartlett的球形度检验近似卡方1 456.898df78df66Sig.0.000Sig.0.000

表3 成渝城市群及珠三角城市群创新能力影响因素旋转后的因子载荷

成渝城市群因子1因子2因子3珠三角城市群因子1因子2城市经济总量(GDP)0.9620.1880.006城市进出口总额0.9270.196实际利用外资0.9510.171-0.045每百人公共图书馆藏书0.9070.167城市进出口总额0.9110.194-0.018邮电业务总量0.7880.460普通高等学校在校学生数0.8730.396-0.129科学技术支出/财政支出0.7500.029国际互联网用户数0.8360.330-0.123实际利用外资0.7430.593邮电业务总量0.8350.0200.060国际互联网用户数0.7090.531人均GDP0.7880.371-0.101人均GDP0.6970.175每百人公共图书馆藏书0.6620.457-0.267教育支出/财政支出-0.457-0.392第三产业占GDP比重0.4530.4930.481普通高等学校在校学生数-0.0310.932教育支出/财政支出-0.231-0.7230.102工业总产值/GDP-0.064-0.820科学技术支出/财政支出0.1240.6780.291第三产业占GDP比重0.4900.784工业总产值/GDP-0.052-0.0410.879城市经济总量(GDP)0.6630.686

在随机前沿知识生产函数模型中,Uit是创新非效率因素,需要通过建立创新非效率模型分析创新非效率因素对知识产出的影响,传统做法有“一步法”和“两步法”。“两步法”是指在随机前沿知识生产函数中估计出Uit的值,将其作为被解释变量代入创新非效率模型中,但这种做法要假定其它外生变量z与随机前沿知识生产模型中的其它影响因素不相关,否则估计结果会有偏差。另外,随机前沿知识生产函数估计出的Uit为一个常数,这与在创新非效率模型中作为被解释变量相互矛盾。因此,本文采用“一步法”对创新非效率因素进行回归。

综上分析,将影响创新非效率项的因素和随机前沿知识生产函数中其它因素一起进行回归,从而对城市创新潜力和影响城市创新的因素进行详细分析。于是,成渝城市群和珠三角城市群最终创新非效率随机前沿知识生产函数模型表达式分别为:

lnQit=β0+β1lnKit+β2lnLit+β3t+β4(lnKit)2+β5(lnLit)2+βt2+β7lnKitlnLit+β8tlnKit+β9tlnLit+vit-(α1Cipit+α2Govit+α3Indit+εit)

(13)

lnQit=β0+β1lnKit+β2lnLit+β3t+β4(lnKit)2+β5(lnLit)2+βt2+β7lnKitlnLit+β8tlnKit+β9tlnLit+vit-(θ1Supit+θ2Powit+ωit)

(14)

1.4 数据来源

本文中成渝城市群和珠三角城市群样本选择参考《成渝城市群发展规划(2016-2020)》和《珠江三角洲地区改革规划发展纲要(2008-2020年)》所划定的城市区域范围,珠三角城市群包括广州、珠海、江门、惠州、中山、深圳、佛山、肇庆和东莞等9个城市;成渝城市群包括重庆、成都、自贡、泸州、德阳、绵阳、遂宁、内江、乐山、南充、眉山、宜宾、广安、达州、雅安和资阳等16个城市。其中,R&D人员全时当量和R&D内部经费支出主要来自于各省市科技年鉴和统计年鉴,专利申请量来自于各城市统计公报,各市GDP、人均GDP、第三产业占GDP比重、实际利用外资、科技支出比重、教育支出比重、每百人公共图书馆藏书、普通高等学校在校学生数、国际互联网用户数、邮电业务总量和各市规模以上工业总产值来自于《中国城市统计年鉴》,进出口贸易来自于各省市统计年鉴。由于成渝城市群(除重庆外)各城市2010-2011年R&D内部经费支出和R&D人员全时当量存在缺失,本文使用趋势外推法进行弥补,统计上一般要求时间跨度尽量长以保证结果精确性。因此,本文数据时间跨度为2006-2016年。

2 模型估计结果与分析

本文以2006-2016年成渝城市群及珠三角城市群面板数据为基础,运用Frontier4.1软件分别对成渝城市群和珠三角城市群的随机前沿知识生产函数及基于“一步法”的创新非效率函数进行SFA回归,并在此基础上比较两个模型的创新效率,以此衡量成渝城市群与珠三角城市群的创新水平与创新潜力。估计结果如表5和表6所示。

2.1 成渝城市群模型估计结果

(1)随机前沿知识生产函数模型测度结果分析。从表5估计结果可以看出,r值通过了显著性水平为0.01的显著性检验,说明随机误差项存在明显的复合结构,创新资本存量和人力投入的替代弹性可变,采用SFA方法是合理的。另外,为了判断超越对数函数模型的适用性,本文提出以下4个假设:

H1:所有二次项系数均为零,如果通过,则采用C-D函数即可;

H2:与时间t相关的系数为零,如果成立,则意味着不存在技术进步;

H3:投入要素R&D人员和R&D资本存量与时间t的交叉项系数为零,如果通过,则表示技术进步为中性;

H4:时变参数η为零,表示技术效率不具有时间趋势。

表4 零假设及检验结果

序号假设L(H)广义似然率λ临界值检验结论H1β4=β5=β6=β7=β8=β9=057.78123.47316.812拒绝H2β3=β6=β8=β9=0 61.36919.01413.277拒绝H3β8=β9=065.27515.7729.210拒绝H4η=037.72251.7216.635拒绝

注:临界值为显著性水平0.05下的临界值

以上假设通过广义似然率λ进行检验,广义似然率计算公式为:

λ=-2ln[L(H0)/L(H1)]

其中,L(H0)和L(H1)是前沿模型的零假设和备择假设。如果零假设成立,那么检验量λ服从混合卡方分布,自由度为受约束变量的数目,备择假设为不受变量约束数目的模型(10)。

从表4中可以看到,假设H1、H2、H3和H4被拒绝,说明本文不适用C-D函数,采用超越对数函数更合理;在样本期间内创新产出存在技术进步且技术进步是非中性的,即技术进步依赖于投入要素;η=0被拒绝,表明创新非效率在样本期内存在明显的时间变化。表5中的η为正且显著,同样证明采用时变模型更合理,也说明创新非效率随时间减小,即成渝城市群创新效率随时间而提升。

表5 成渝城市群随机前沿知识生产函数模型估计结果

时不变模型 时变模型 变量系数变量系数变量系数变量系数 β00.224*β1 0.386**β0 0.018β7 0.138(1.268)(2.223)(0.136)(1.145)β1 0.909**β8 -0.046β1 -0.257β8 0.343***(2.073)(-0.884)(-0.657)(4.272)β20.877*β9 -0.108*β2 1.233***β9 -0.019(1.622)(-1.438)(3.367)(-0.304)β3 -0.048 σ20.613***β3 -0.011 7σ2 20.459**(-0.843)(2.945)(-0.249)(2.241)β4-0.095* γ0.703***β4 -0.231***γ 0.994***(-1.326)(6.471)(-3.740)(352.53)β5-0.178*η-β5-0.219***η0.225***(-1.268)(-2.417)(-15.902)β60.006* LR37.722β60.003LR75.678(1.504)(0.644)

注:括号内数值为t的检验值,*表示显著性概率p≤0.1,**表示显著性概率p≤0.05,***表示显著性概率p≤0.01,样本观察数n=176

另外,从回归系数来看,人力资本投入系数显著且为正,说明人力资本对于成渝城市群创新产出有重要影响。近年来,随着东部地区城市化和工业化进程趋缓,大批沿海企业向西部转移,产业集聚在成渝地区形成并带动了产业规模和结构调整,形成了较完整的上下游产业链,于是,对人力资本的需求开始增大,特别是对创新型和研发型人才的招揽,从而刺激了成渝城市群创新产出增加。相比之下,研发资本存量系数不显著且为负,这与大多数学者的观点相反,即研发经费投入增加会使创新产出增加,但是,与张宗和、彭昌奇[21]等的观点较一致,他们研究认为企业、研发机构和大学的经费投入对市场化程度不高地区的创新产出不显著甚至为负。事实证明,成渝地区市场化水平与东部沿海地区相比还有较大差距。

(2)创新非效率模型测度结果。在随机前沿知识生产函数分析的基础上,加入创新非效率因素,并通过“一步法”进行SFA回归,结果显示,r值为0.991且显著,说明创新非效率因素是阻碍城市创新能力提高的重要因素。

从表6中可以看到,城市经济实力(Cip)因子在5%的水平下显著为负,即城市经济规模、对外开放水平和创新环境能降低创新非效率。①成渝地区城市经济发展水平越高,对周边城市要素的“虹吸效应”越明显,越多的人才、企业、资本愿意留在该城市,从而使城市财富进一步增加,为城市创新提供必要的人力、物力和财力支撑;②对外开放程度高也有利于减少创新非效率。城市开放度是一个城市竞争力的重要体现,通过与其它城市乃至国外之间的互动合作,博采众长,相互了解,扩大城市影响力,实现资源互换,为城市创新注入源源不断的新鲜血液;③优良的城市创新环境同样能减少创新阻力。城市需要大量受过高等教育的人才以及滋养人才的土壤,这包括城市完善的基础设施、信息化条件和研发平台。事实证明,良好的创新环境对创新产出有重大作用。

政府支持创新(Gov)因子在10%显著性水平下为负,即政府对创新的支持能够减少非效率因素,其中包括政府对城市创新科技和教育的投入。从科技投入角度看,依托地方财政收入向各研发主体提供研发资金支持是有效缓解研发资金不足的有效途径。创新主体在创新过程中,通常面临诸多不确定因素,诸如技术风险和市场风险,通过财政科技资金投入能大大降低这种不确定性,激发科技创新型企业的创新意识。从教育投入来看,人才是创新的第一资源,加大对教育的投入就是为了保障教育公平和教育产出质量,使稀缺的教育资源惠及大众,从而培育更多高素质创新人才。

工业集聚(Ind)因子与成渝地区创新无效率的关系不显著,这与本文预期不一致,尽管成渝地区有像成都、重庆这样的工业集聚水平较高的城市,但大部分城市的工业集聚水平依然较低,这些城市集聚区内的企业往往技术水平较低、研发投入不足、知识溢出受限、资源配置不合理,严重制约了集聚正效应的外溢。

表6 成渝城市群创新非效率模型估计结果

函数变量名称变量系数t值 β00.9560.601β1-0.367*1.566β20.191***2.921β3-0.122-0.673β4-0.227***-3.411随机前沿函数β5-0.828**-2.312β60.0140.830β70.263*1.561β80.396***3.243β9-0.134-0.452创新非效率函数α1-0.476**-2.059α2-0.143*-1.822α30.0030.062 σ214.377*1.838 γ0.991***208.48对数似然值-97.972LR检验47.639

注:******分别表示在1%、5%和10%的水平上显著

2.2 珠三角城市群模型估计结果

(1)随机前沿知识生产函数模型测度结果分析。根据表8所示,r值同样通过了0.01的显著性检验,说明采用SFA回归方法是合理的。按照前文方法,对珠三角城市群采用模型的适应性进行检验,具体假设如上文所示,结果如表7所示。

从表7中可以看到,4个假设均被拒绝,即珠三角城市群采用超越对数函数是合理的,与时间相关的系数不显著为零,说明在样本期内存在技术进步;投入要素与时间的交叉项也不显著为零,说明技术是非中性的且依赖投入要素;η为正且显著,说明珠三角城市群的创新非效率随时间递减,样本期内创新效率不断提升。

从主要变量的回归系数来看:①研发资本存量的系数为负且显著,这与本文预期不一致。陈庆江、李启航等[22]研究了社会研发资本对企业技术创新的影响,发现社会资本投入会对企业技术创新产生一定程度的负向影响,主要是因为研发资本投入存在“边际收益递减效应”和“挤出效应”,同时,在研发资本积累过程中,政府的不恰当干预容易导致研发资本的“盲目投入”和“过度投入”,从而导致资源错配,降低了创新产出。珠三角城市群目前也存在研发资金投入量大但配置不合理、效率低下等问题;②人力资本投入系数为正且显著,说明人力资本对珠三角城市群创新产出也有显著促进作用,珠三角城市群作为我国东南沿海经济发达地区,有着众多优质的工作机会和就业岗位,同时,一大批国内乃至全球知名企业的落户也为就业者、创业者提供了可观的薪水和良好的创新创业平台。

(2)创新非效率模型测度结果。从表9中可以看出,r值为0.975且显著,同样说明创新非效率因素对创新产出有着重要影响。以下是对创新非效率因素的具体分析。

创新支撑(Sup)因子与创新非效率的系数为负且在1%的水平下显著,说明珠三角城市群对外开放程度、政府对创新的支持和创新环境优化能够减少创新非效率。①珠三角地区凭借优越的地理位置和国家政策优惠,吸引了大量港澳台商和外资企业进驻,其中,不乏科技含量高的企业。同时,加工出口的外贸结构也使得珠三角企业能融入到全球价值链分工之中,从而通过技术溢出和国际市场竞争带来创新产出增加;②随着珠三角地区科技和教育支出的增加,各种科研平台包括政府、学校和企业研发部门获得了大量科研经费支持,吸引了不少来自海内外的优秀人才,从而激发了研究人员的创新力和研发热情;③珠三角地区有着良好的创新环境,包括众多华侨华商所形成的企业家精神,便捷的通信,高效的信息服务网络和宽松的文化氛围等。

表7 零假设及检验结果

序号假设L(H)广义似然率λ临界值检验结论H1β4=β5=β6=β7=β8=β9=053.16531.57316.812拒绝H2β3=β6=β8=β9=050.59929.14413.277拒绝H3β8=β9=0100.9614.6089.210拒绝H4η=046.49842.5026.635拒绝

注:临界值为显著性水平为0.05下的临界值

表8 珠三角城市群随机前沿知识生产函数模型估计结果

时不变模型 时变模型变量系数变量系数变量系数变量系数 β00.303*β1 0.373***β00.102β70.364***(1.330)(2.70)(0.897)(4.571)β1-1.218***β8 0.181***β1 -1.153***β80.239***(-3.106)(3.698)(-5.133)(6.683) β21.784***β9 -0.119**β2 1.530***β9 -0.181***(3.940)(-2.046)(7.523)(-4.607) β3-0.011σ20.379***β3 0.009σ21.775*(-0.173)(2.536)(0.230)(1.878) β4-0.150***γ 0.691***β4 -0.203***γ 0.975***(-2.605)(5.370)(-5.197)(70.886)β5-0.263***η-β5 -0.173***η 0.222***(-2.709)(-3.153)(-10.67)β60.002 LR46.498β60.007*LR132.08(0.423)(1.374)

注:括号内数值为t的检验值,*表示显著性概率p≤0.1,**表示显著性概率p≤0.05,***表示显著性概率p≤0.01,样本观察数n=99

创新实力(Pow)因子为负但不显著,说明受教育水平、地区经济总量、第三产业占GDP比重和工业集聚对创新产出影响较小,这与本文理论预期不符。其原因是:①珠三角地区本地大学不多,本地培养的人才较少,大部分受过高等教育的人才来自于其它省份乃至海外,这使得本地人才对创新产出的贡献较少;②城市经济总量和第三产业占GDP比重与创新产出的关系不显著,而人均GDP的增长却能显著促进创新产出,说明经济总量增加并没有对创新产出产生较大影响,而GDP只能衡量一个城市经济的“数量”而非“质量”,随着珠三角地区经济的发展,越来越多的就业人口涌向第三产业,使得该地区很大比重的GDP来自金融信贷或服务业等领域,从而对工业等研发创新人才产生“挤出”作用;③工业集聚也同样对创新产出的影响不显著。原毅军、谢荣辉等[24]研究发现,一方面,由于产业规模持续扩张,集聚区内企业会因为资源紧缺而产生过度竞争,“集聚效应”会逐渐减弱;另一方面,长期集聚带来的“知识同化倾向”会削减知识外部性。珠三角城市群目前也同样面临“产业扎堆”现象,即产业集群规模大、数量多,但缺少“龙头企业”,大部分产业仍处于价值链低端,企业公共服务和公共资源共享平台不足,行业高素质人才紧缺,科研力量不足。

表9 珠三角城市群创新非效率模型估计结果

函数变量名称变量系数t值 β00.351**1.986β1-1.115***-5.061β21.290***5.309β3-0.009-0.230β4-0.193***-5.015随机前沿函数β5-0.153***-2.863β60.006*1.261β7 0.312***3.892β80.242***7.187β9 -0.161***-4.106创新非效率函数 θ1-0.212***2.497θ2-0.028-0.495 σ21.529*1.904γ 0.972***65.703对数似然值3.536LR检验89.788

注:******分别表示在1%、5%和10%的水平上显著

3 成渝城市群与珠三角城市群创新潜力

本文使用时变随机前沿知识生产模型和基于一步法的创新非效率模型,获得以下两组创新效率估计值,时间跨度为2006-2016年,包括成渝地区16个城市、珠三角地区9个城市的投入产出和影响因子数据。图1是根据式(8)计算出的成渝城市群和珠三角城市群创新效率,TEit代表创新效率,其值在0~1之间,创新效率值越大,那么该城市的创新潜力就越小;反之,城市的创新效率越小,那么其创新潜力就越大,该市创新有待提升的空间越多。

从图1中可以发现,时变模型得到的效率值略高于一步法得到的效率值,且两组效率值差距甚微,各城市高低排序基本一致。首先,对珠三角城市群而言,创新效率值较高的有广州、深圳、东莞、中山和惠州等市,效率值均高于0.7,而创新效率较低的则是珠海、佛山、江门等市,效率值在0.5~0.6之间,最低的是肇庆。对于成渝城市群而言,创新效率高于0.8的有成都和重庆两个城市,其余大部分城市的创新效率都在0.4及以下徘徊。因此,各城市群内部创新效率还存在巨大差异。

图1 成渝城市群及珠三角城市群创新效率

表10展示的是珠三角城市群和成渝城市群2016年的创新效率与创新潜力值,从表中可以看到,2016年珠三角城市群创新效率仍高于成渝城市群,但成渝城市群的创新潜力高于珠三角城市群,意味着成渝城市群未来还有巨大的创新能力提升空间。

图2是两大城市群创新效率变动趋势,从图中可以发现,成渝城市群和珠三角城市群的创新效率逐年增加。成渝城市群的创新效率在2011年后开始提速,说明其创新阻力开始减少,其原因是东部沿海地区产业转移和人才流入以及《成渝经济区区域规划》的出台。到2015年,增速逐渐加快,一方面是从国家层面确定了《成渝城市群发展规划》,另一方面是随着“一带一路”倡议的提出及“中欧班列”的开通,成渝地区开始逐渐融入全球生产分工体系,大大提高了成渝地区创新水平;对于珠三角城市群而言,增速较为平稳,创新阻力逐年减少,近些年更是出现了创新效率增速加快的情况,这与珠三角地区企业创新能力增强和国际竞争优势显现有关。同时,越来越完善的创新体系建设和人才激励措施也发挥了巨大作用。从时间上看,两大城市群之间的创新效率差距正在逐渐缩小,创新潜力逐渐释放,而由于成渝城市群创新潜力更大,其释放的效果也更明显。

表10 2016年两大城市群创新效率与创新潜力比较(时变模型)

城市群 创新效率平均水平 创新潜力平均水平 珠三角城市群 0.731 0.269 成渝城市群 0.562 0.438

注:表中创新效率与创新潜力值是2016年两大城市群各城市以城市工业总产值为权重计算的算术平均值

图2 2006-2016年成渝城市群与珠三角城市群创新效率

4 研究结论与启示

4.1 研究结论

本文基于2006-2016年成渝城市群和珠三角城市群面板数据,采用随机前沿知识生产函数模型和创新非效率模型相结合的方法,比较了两大城市群之间的创新潜力,并进一步探讨了影响创新潜力的主要因素,结果表明:

(1)从时变模型来看,人力资本和研发资本存量仍是影响创新能力的主要因素。其中,成渝城市群人力资本对创新产出有促进作用,而研发资本存量对创新产出为负且影响不显著;珠三角城市群人力资本同样能促进创新产出,但研发资本存量却抑制了创新产出。

(2)从创新非效率模型来看,城市对外开放水平、地方政府对创新的扶持和营造良好创新环境是促进城市创新发展的有利因素。城市经济发展水平仅有利于成渝城市群创新发展,对珠三角城市群影响不显著,说明目前成渝城市群还处于发展期,经济发展能够吸引到优质创新资源,如高素质的人才、先进的制度和管理经验,从而带动创新发展;珠三角城市群则不同,经济发展使得金融信贷及服务业过度发展,减少了对研发创新的投入,从而降低了对创新发展的影响。工业集聚对两大城市群的创新发展影响都不显著,说明产业集聚低水平、资源配置不合理仍然存在。

(3)从创新潜力角度看,目前珠三角城市群创新效率高于成渝城市群,但是,成渝城市群拥有更大的创新潜力;从城市群内部看,两大城市群之间内部各城市创新效率差异明显,如广州、深圳、成都、重庆等城市创新效率在0.8以上,而肇庆、遂宁、内江、雅安等城市却不到0.4;从时间过程看,两大城市群创新效率随时间而提高,且差距不断缩小,两大城市群创新潜力也随着创新阻力的不断减少而得到快速释放。

4.2 启示

本文研究结论对于实施城市群创新发展战略,协调成熟型城市群与发展型城市群之间的创新差异,实现二者优势互补具有重要启示。

(1)有针对性、差异化地推进不同城市群的创新发展。对于以珠三角城市群为代表的成熟型城市群,首先要在控制人口总量的基础上增加高、精、尖端人才比重,特别要注重培养本地创新人才,同时加强对研发资本的管理与使用,减少政府对研发资本的过度干预,形成以企业为主体、市场为导向的研发资本配置模式;其次,优化产业结构,夯实工业基础,合理引导金融服务业为工业研发和技术创新提供支持;最后,提高产业集聚水平,完善产业生态链,从“科技、金融、信息化提升和品牌引领入手扶持和壮大骨干企业和优势产业”,发挥集聚正效应。对以成渝城市群为代表的发展型城市群,一是要放宽人才准入标准,鼓励大学生和创新创业人才落户,激发人才红利,同时,进一步推进市场化改革,加快研发体制机制创新,形成研发资本投入与科技成果转化的良性互动;二是完善工业集聚区基础设施建设,加大人才和技术引进力度,增加研发投入;三是进一步发展经济,为创新创业营造良好环境。

(2)统筹城市群创新一体化发展,缩小城市群内部各城市之间的创新差距。①各城市之间要加强竞争与合作,大城市要积极发挥自身辐射作用,带动周边小城市发展,小城市要学习和吸收大城市发展经验,努力提升经济发展水平;②城市群内部可以通过签署合作协议等方式,降低城市创新要素流动壁垒,积极深化文化、交通、通信、环保、商务等各领域合作,实现区域内合作共赢、开放共享。

(3)积极调动一切有利于城市创新发展的因素,激发城市创新潜力。①进一步提高城市对外开放水平,现阶段,全球化正不断向前发展,要求城市创新必须具备国际视野,国内城市要积极开展与国外发达城市之间的交流与合作,实现资源共享;②加强政府对创新的扶持,增加教育经费投入,培养更多具有创新意识的人才。同时,通过制定企业研发创新奖励制度、设立重大科技成果专项奖励基金,将财政科技经费奖励给自主创新能力突出的企业和单位,激发它们的创新热情;③通过城市高新技术产业园区规划建设,搭建产学研一体化平台,落实相关配套措施和基础设施,以智能化为引领、大企业为支撑、大数据为基石,积极营造良好的城市创新氛围。

参考文献:

[1] LANDRY, CHARLES. The creative city : a toolkit for urban innovators / 2nd ed[M]. New Stroud:Comedia, 2008.

[2] FLORIDA R. The rise of the creative class[J]. Washington Monthly, 2002, 35(5):593-596.

[3] 陈雄辉, 张本祥, 徐毅, 等. 基于复杂网络理论的广东区域创新能力测度方法研究[J]. 科技进步与对策, 2010, 27(20): 121-124.

[4] 邹燕. 创新型城市评价指标体系与国内重点城市创新能力结构研究[J].管理评论,2012,24(6):50-57.

[5] 曹勇,曹轩祯,罗楚珺,等.我国四大直辖城市创新能力及其影响因素的比较研究[J].中国软科学,2013(6):162-170.

[6] 张永凯. 我国创新型试点城市科技创新能力分析与评价[J].生产力研究,2015(3):63-65.

[7] 王兴平, 李迎成, 周军. 创新潜力的中心-边缘效应探析[J].科技管理研究,2016,36(11):1-7.

[8] 汪涛, 丁雪, 杜根旺. 国内外区域创新能力研究综述与未来展望[J].技术经济,2014,33(9):43-48.

[9] HALL J L. Developing historical 50-state indices of innovation capacity and commercialization capacity[J]. Economic Development Quarterly, 2007, 20(2):107.

[10] 张华, 张庆林. 企业家创新意识与企业创新潜力研究[J].科技进步与对策,2011,28(14):87-92.

[11] 肖挺. 地区贫困、创新潜力与经济增长——基于中国省级面板数据的分析[J].财经研究, 2016(2):16-26.

[12] GRILICHES Z. Issues in assessing the contribution of research and development to productivity growth[J]. Bell Journal of Economics, 1979, 10(1):92-116.

[13] JAFFE A B. Real effects of academic research[J]. American Economic Review, 1989, 79(5):957-970.

[14] 李习保. 中国区域创新能力变迁的实证分析:基于创新系统的观点[J]. 管理世界, 2007(12):18-30.

[15] BATTESE G E, COELLI T J. Frontier production functions, technical efficiency and panel data: with application to paddy farmers in india[J]. Journal of Productivity Analysis, 1992, 3(1/2):153-169.

[16] 黄静波, 孙晓琴. 技术创新与出口:理论与实证研究的发展[J]. 国际贸易问题,2007(9):124-128.

[17] 罗军, 陈建国. 研发投入门槛、外商直接投资与中国创新能力——基于门槛效应的检验[J]. 国际贸易问题,2014(8):135-146.

[18] 贾佳. 财政支持、税收优惠对工业企业技术创新绩效的影响和优化路径[J].工业技术经济,2017,36(11):133-138.

[19] 倪鹏飞,白晶,杨旭.城市创新系统的关键因素及其影响机制——基于全球436个城市数据的结构化方程模型[J].中国工业经济,2011(2):16-25.

[20] 李大为, 刘英基, 杜传忠. 产业集群的技术创新机理及实现路径——兼论理解“两个熊彼特”悖论的新视角[J].科学学与科学技术管理,2011,32(1):98-103.

[21] 张宗和, 彭昌奇. 区域技术创新能力影响因素的实证分析——基于全国30个省市区的面板数据[J].中国工业经济,2009(11):35-44.

[22] 陈庆江, 李启航. 社会研发资本积累提高了企业技术创新效率吗[J].产业经济研究,2017(1):62-75.

[23] 原毅军, 谢荣辉. 产业集聚、技术创新与环境污染的内在联系[J].科学学研究,2015,33(9):1340-1347.

Comparison of Innovation Potential between Chengdu-Chongqing City Cluster and Pearl River Delta City Cluster and Analysis of Influencing Factors

Wen Shuhui, Chen Can

(School of Management and Economics, Kunming University of Science and Technology, Kunming 650093, China)

AbstractRegional innovation integration of urban agglomeration is of far-reaching significance to promote the optimization and integration of regional internal resources and drive the innovative development of surrounding cities. This paper uses stochastic frontier knowledge production model to study the innovation potential of Chengdu-Chongqing city cluster and Pearl River Delta city cluster, and uses one-step innovation non-efficiency model to analyze the main factors influencing innovation potential. The results show that the innovation of the Chengdu-Chongqing urban agglomeration and Pearl River Delta urban agglomeration is improving efficiency with the innovation resistance reducing, and the gap is narrowing, compared to the Pearl River Delta urban agglomeration, Chengdu-Chongqing urban agglomeration has greater innovation potential, at the same time. There are significant differences in innovation efficiency among cities within urban agglomerations. In order to further improve the innovation efficiency of urban agglomerations, we should further transform the mode of economic development and opening wider to the outside, strengthen government support for innovation, optimize the environment of innovation, and improve the level of industrial agglomeration.

Key Words:City Cluster; Innovation Potential; Stochastic Frontier; Innovation Inefficiency

DOI10.6049/kjjbydc.2018090092

开放科学(资源服务)标识码(OSID):

中图分类号:F127

文献标识码:A

文章编号:1001-7348(2019)09-0051-09

收稿日期:2018-12-10

基金项目:国家自然科学基金项目(71463034);国家社会科学基金项目(SYSX201709);昆明理工大学管理与经济学院硕博生科研项目预研计划项目(001)

作者简介:文淑惠(1970-),女,贵州贵阳人,博士,昆明理工大学管理与经济学院教授,研究方向为城市区域经济发展;陈灿(1992-),男,湖北武汉人,昆明理工大学管理与经济学院硕士研究生,研究方向为区域与产业发展。

(责任编辑:万贤贤)