开放科学(资源服务)标识码(OSID)：
The research finds that (1) The change of the marginal influence of industrial agglomeration on technological innovation performance is an inverted U-shaped parabola, and the marginal influence of informatization level on technological innovation performance is increasing.The marginal influence of informatization level on industrial agglomeration shows a linear growth trend, while the change in the marginal influence of technological innovation performance on industrial agglomeration is an inverted U-shaped parabola.(2) The order of the effect of informationization level and industrial agglomeration on technological innovation performance is Eastern, Central, and Western regions, and the impact of informationization levels on technological innovation performance in eastern and central regions is greater than the impact of industrial agglomeration.The impact of industrial agglomeration in the western region on the performance of technological innovation is greater than the impact of informatization level.(3) The order of the effects of informatization level and technological innovation performance on industrial agglomeration is eastern, central, and western regions, and the impact of technological innovation performance on industrial agglomeration in the eastern region is greater than the impact of informationization level.The impact of informatization in the western region on industrial agglomeration is greater than the impact of technological innovation performance.
This paper put information diffusion, industrial cluster and technological innovation in the same theoretical framework as a systemic structure for model construction, analyzed the impulse response and marginal influence of endogenous variables, and analyzed the difference of the influence of various variables in different regions.The research findings had great significance for technological innovation upgrading and industrial development.In theory, it can help to construct a long-term balanced and effective theoretical model of technological innovation and industrial development which agrees with the reality of our country.In practice, the improvement of information diffusion can be used to promote industrial upgrading and drive technological innovation.Technological innovation and industrial cluster can also promote the improvement of regional or national information diffusion.Based on this, we can find the main influencing factors of economic development and technological innovation in specific regions, so as to formulate driving strategies and specific measures that conform to the policy of specific regional economic development and technological innovation.
开放科学(资源服务)标识码(OSID)：
近年来，国家大力推进区域经济圈建设及创新驱动发展战略实施，着力打造我国新兴产业经济区和技术创新平台。2019年，国家发改委制定《关于加快推进战略性新兴产业集群建设有关工作的通知》，将产业集群纳入国家和区域经济发展计划，以构建新时期的经济增长极，推动产业结构优化。产业集聚(industry cluster)是指竞争性行业、专业供应商、服务提供商、制造商和相关产业组织在某领域或地区集聚的现象。它强调产业实力和集体能力优势，有助于促进区域或国家产业质量提升。产业集聚可提高产业竞争力，对区域发展及国家竞争力提升发挥重要作用[1]。同时，产业集聚也会对科技创新水平提出新要求，从而带动区域或国家技术创新不断升级。然而产业集群的形成必须以技术创新平台作为保障，在产业集聚区形成创新协同中心，为产业集聚效应发挥提供技术支撑。
由中共中央办公厅、国务院办公厅制定的《2006-2020年国家信息化发展战略》指出，信息化是驱动国家经济变革的重要力量，应积极推进工业化与信息化融合，利用信息化带动工业化，以提高其国际竞争力并实现巨大飞跃。近年来我国信息化建设进入快速发展时期，尤其在信息系统及互联网普及应用方面，其对国家或区域经济的推动作用日益凸显。信息化建设促进了我国产业分工深化与经济结构调整，重塑了我国产业发展格局。同时，信息化下的信息扩散更便捷，有利于国际及国内知识共享和交流，加速多领域知识交互融合。因此，信息化建设、产业集聚与技术创新紧密相关，探索信息扩散、产业集聚与技术创新绩效之间的作用关系对促进我国科技和经济发展具有重要意义。
本研究贡献主要在于：首先，将信息扩散、产业集聚与技术创新绩效关系纳入同一理论框架，建构各内生变量相互作用、相互影响的动态VAR理论模型，分析各变量在不同滞后期产生的脉冲效应及波动贡献率；其次，使用2005-2018年面板数据，构建具有长期均衡关系的空间状态模型，分析各变量相互作用产生的边际影响力的动态变化过程，探寻变量间影响力的波动特征；最后，构建面板数据变截距及变系数模型，探索变量间影响效应在东部、中部及西部地区的差异，寻找不同地区经济发展及技术创新驱动的主要影响因素，从而制定符合特定区域经济发展与技术创新规律的发展战略及具体措施。
关于信息化与技术创新关系的研究，最初学者们从相关性及耦合度角度进行分析，包括结构、速度和相关性等方面[2]。网络作为信息传播的重要途径，在技术创新系统形成中发挥关键作用，且促进新知识产生[3]。由于区域政策及基础差异，信息化对技术创新的影响存在区域异质性，如信息化对西部和东部地区的技术创新有显著影响，但对中部地区的影响不显著[4-6]，且东部地区的信息化水平高于西部地区[7]。由于各区域在创新中采用的战略和定位不同，因此不同区域通过信息技术提升技术创新的效果也存在差异[8-9]。随着网络信息技术的快速发展及互联网使用的普及，当下的技术创新发展格局与传统时代已大不相同[10]。有学者从数字化及网络层面探索信息化对技术创新的影响，分析信息技术对流程创新的作用[11]。总之，网络环境下的信息化建构大大提高了企业创新能力，并对产业结构及技术创新带来革命性影响[12]。
关于产业结构与技术创新的关系，学者们主要从国家或区域层面探究，认为区域创新系统已成为评估创新绩效的重要框架[13]。进入高科技时代，从国家创新到区域经济变革，技术对塑造区域经济发挥了关键作用[14]。在技术创新影响方面，突破性技术创新是推动产业转型和升级的重要动力[15]，而且产业集聚会对研发创新与产业转型产生空间溢出效应，这种效应在高新技术产业中尤为显著[16]。然而，基于宏观层面的研究通常只能发现产业集聚对技术创新影响的结构特征，而宏观结构变化需通过企业内部微观机理发挥作用，因此部分学者开始从构念测量、技术创新衡量方面进行探索[17]。产业集群对企业知识管理和创新绩效也会产生重要影响[18]，并对企业家精神培育产生积极效应[19]。
创新扩散理论指出，创新是被个人或组织视为具有新颖性的观念、实践或事物，其扩散是一种社会过程。在该过程中关于新想法的信息被传播或采纳，通过社会构建，其意义逐渐显现。该理论提出者罗杰斯指出，创新扩散总是借助一定社会网络进行，在创新向社会推广和扩散的过程中，信息技术可有效提供相关知识和信息，在说服人们接受和使用创新思想或实物过程中更高效。因此，创新的推广、采纳及绩效会受到信息扩散的影响，并产生推动效应。在经济发展与产业升级中，产业集聚是指同一产业在某个特定地理区域高度集中，产业资本要素在空间范围内不断汇聚的过程。熊彼特在经济发展理论中指出，创新是将一种生产要素新组合引入生产体系。其主要包含5种组合，即引进新产品、引用新技术或采用一种新生产方法、开辟新市场、形成新材料来源、实现一种工业新组织。技术创新可通过5种组合形式对产业结构产生影响，并形成差异化产业集聚。同时，产业集聚主要源于市场创造与资本转移两种模式。前者往往首先在区域范围内出现专业化市场，为产业集聚创造重要的市场交易条件与信息环境，吸引产业生产环节也聚集于该市场附近。信息化水平与信息条件是影响该模式的重要因素，信息扩散程度不同，会导致不同产业形成差异化聚集结构。
综上文献可知，虽然既有研究在技术创新影响因素、作用路径、区域差异等方面获得诸多成果，但仍存在不足之处：一是既有研究主要集中于分析信息扩散、产业集聚以及技术创新三者间的两两变量关系。由于信息扩散、产业集聚以及技术创新密切关联且具有内生性，若将具有内生关联性的变量割裂，单独分析或采用仅适用于非内生变量的方法进行建模分析，所得结果可能偏离客观真实。二是虽然有文献分析了上述变量间的影响效应，但其研究维度主要集中于宏观及中观层面，涉及微观层面的很少。基于此，本文将信息扩散、产业集聚以及技术创新置于同一理论框架下进行模型建构，分析内生变量间的脉冲响应与边际影响力，以及各变量间影响效应在不同区域的差异性。通过上述研究，可识别和解释信息扩散对技术创新与产业结构的影响以及技术创新对产业结构的影响是否存在边际效用递减特征，同时明晰信息扩散效应与技术创新效应的生命周期。
首先，将信息扩散、产业集聚以及技术创新绩效纳入理论框架，建构各内生变量相互作用、相互影响的动态VAR理论模型。模型如下：
其中，innovation为创新绩效，information为信息扩散，cluster为产业集聚，k为内生变量滞后阶数，
为控制变量，i=1、2、3、4、5分别表示行业发展指数、地区经济指数、行业规模、地区人口规模、区域位置，t为年度，εi为随机误差项。
在此基础上，对VAR模型中的信息扩散、产业集聚以及技术创新绩效间的脉冲响应(IRF)进行分析。其脉冲响应结构如下：
其中，
表示εt协方差矩阵∑上的第j列元素，εt来自yvariable,t=Φ1yvariable,t-1+…+Φ1yvariable,t-p+εvariable,t中的扰动列向量εvariable,t，Φi为系数矩阵，p为滞后阶数。
同时，为了分析VAR模型中技术创新绩效、信息扩散以及产业集聚间结构性冲击对特定内生变量变化的贡献率(RVC)，需对脉冲进行方差分解，具体如下：
其中，j为对应的各影响因素， s为q的有限项取值，
其次，为了分析各内生变量每单位数值对因变量的影响效应，构建边际影响力状态空间模型(SSM)，具体如下：
测量方程：
状态方程：
其中，测量方程中的解释变量为经协整检验后处于长期均衡状态的滞后第i阶影响因子，为控制变量，i=1、2、3、4、5分别表示行业发展指数、地区经济指数、行业规模、地区人口规模、区域位置，t为年度，ui1t为满足均值E(ui1t)=0和协方差矩阵var(ui1t)=Hi1t的连续、不相关扰动项，εijt为满足均值E(εijt)=0和协方差矩阵var(εijt)=Hijt的连续、不相关扰动项。
最后，为了探究变量关系在不同区域的差异性，构建如下面板数据模型：
其中，
为控制变量，i=1、2、3、4、5分别表示行业发展指数、地区经济指数、行业规模、地区人口规模、区域位置，t为年度。根据
与
统计值，确定理论模型是属于随机效应还是固定效应，是变截距模型还是变系数模型。
根据《中国专利密集型产业目录》，筛选出10个行业为研究对象，包括计算机制造、通信设备制造、雷达及辅助设备制造、广播电视设备制造、电子设备制造、航空航天及设备制造、化学药物制造、中成药制造、生物药品生产、医疗仪器设备及器械制造。以2005-2018 年为研究期，数据来源于《中国统计年鉴》、清博数据库、《中国科技统计年鉴》《中国互联网发展报告》、Wind 数据库、国泰安CSMAR数据库。此外，对数据采用标准化转换，以消除量纲差异带来的影响。
在变量设计上，首先，科技创新绩效是指企业或实体开发新技术或使用新技术给自身带来的价值增长情况。学界通常以专利申请数、新产品产值、新产品开发数、有效专利数和新产品周转量等指标对创新绩效进行度量[20]。其次，信息扩散是指产业、地区或国家在进行数据生产、传递、接收以及处理过程中，实现信息化的程度或信息化普及程度，反映不同社会或区域的信息级别。本文借鉴日本学者小松崎清介提出的社会信息化指数，从国家或地区信息量、信息设备级别、通信主体级别和信息系数4个方面测量。最后，产业集聚是指产业资本要素在某空间聚集的程度，即相同或关联产业在地理区域内的集中程度。针对其测量问题，Ellsion&Glaeser(2010)提出采用EG指数。EG指数融合了Herfindahl指数计算思想，并充分考虑公司规模和地区差异的影响，弥补了Gini空间指数的不足。
(1)技术创新绩效。测量变量前，首先，使用因子分析负载确定指标权重，得出创新指标权重zi。为了便于数据分析，将zi转化为百分点
即
然后，进行加权综合以确定技术创新绩效。令
元素aij表示第i年度指标j对应的数值，
表示t年内指标j对应的数值，
表示第k年所有指标对应数值。由于各指标间存在量纲差异，需对Bk进行离差标准化处理。标准化后的指标为
标准化后的指标矩阵为
将标准化后的指标矩阵乘以权重矩阵，即为各指标最终数值，具体为
(2)信息扩散。采用两步算术平均法进行计算，从影响社会交往的因素中筛选出四类指标及11个具体指标。由于指标间存在量纲差异，计算前需进行指数化处理。首先，预设各指标在信息扩散指数上具有相同权重，并设置某年度或地区的信息化指标为100，以此为基准，计算其余各年度或地区转换后的信息化指标[22-23]。然后，将每个指标值相加并除以指标类型总数，最后转换为100分点数值，以形成信息扩散的最终数值。其公式可表示为：Rinformation=
式中，si为选定年度或地区的基准值，xi为其它年份或地区实际值，kj= 4、3、2、1分别为各类型指标数。
(3)产业集聚。采用Ellision & Glaeser[24]提出的产业空间集聚指数，表示为：
γcluster=
其中，
为空间Gini指数，Hcluster为Herfindahl指数，si为第i个区域的产业就业百分比，xi为第i个区域的所有就业人数与经济体总就业人数的比率。
经过数据处理后，合成并计算技术创新绩效、产业集聚及信息扩散指数，形成各指数对应的时间序列以及东部、中部与西部地区的面板数据。各变量描述性统计结果与正态分布检验结果如图1所示。
图1 描述性分析及正态分布检验结果
Fig.1 Descriptive analysis and normal distribution test results
图1显示，information、cluster与innovation序列分布呈递增趋势。其正态分布检验结果显示，各变量的p值分别为0.000 1、0.004、0.000 5，均小于0.05的显著性水平，拒绝样本数据服从正态分布的原假设，因此后续将采用适用非正态分布的模型估计方法进行数据处理和分析。
对模型中变量结构进行识别和检验，分析技术创新绩效、信息扩散以及产业集聚间是否存在显著性Granger因果关系，以确定VAR模型结构设定是否合理。对应的Granger因果关系检验结果见表1。
由表1可见，在信息扩散、产业集聚以及创新绩效的因果关系检验中，各变量及两两变量联合项的χ2检验值p均小于0.05的显著性水平，拒绝了不存在因果关系的原假设，表明信息扩散、产业集聚及创新绩效间存在因果关系。因此，在模型构建中将创新绩效、信息扩散以及产业集聚作为内生变量的设置合理。
在因果关系检验基础上，对VAR模型进行统计分析和时滞长度判断。对应的统计结果见表2。
表1 Granger因果关系检验结果
Tab.1 Granger causality test results
技术创新绩效自变量χ2值dfp值信息扩散自变量χ2值dfp值产业集聚自变量χ2值dfp值信息扩散9.656 6 20.008 0 创新绩效14.026 2 20.000 9 创新绩效23.025 9 20.000 0 产业集聚18.867 0 20.000 1 产业集聚21.639 6 20.000 0 信息扩散15.201 8 20.000 5 自变量联合16.923 8 40.002 0 自变量联合19.255 8 40.000 7 自变量联合29.565 3 40.000 0
表2 时滞长度选择标准
Tab.2 Time lag length selection criteria
LagLRFPEAICSCHQ0NA1.05E+0826.979 1127.100 3426.934 23157.168 8399 841.521.333 0121.817 9221.153 48219.550 35*54 957.51*18.922 94*19.771 53*18.608 77*
表2结果显示，根据LR检验，以及FPE、AIC、SC、HQ信息准则最小化标准， VAR模型的最佳时间滞后长度为2期。为了确定VAR模型构建和设定的合理性，需对模型进行稳定性检验。该模型的单根稳定性检验结果显示，代表AR特征根倒数的模的点均落在单位圆内，表明模型构建满足稳定性条件，说明无需重新构建模型。
以内生变量滞后2阶建构VAR模型，对其进行模型估计，结果如表3所示。
由表3可见，3个方程中各项系数的显著性检验值│t│均大于0.05水平对应的临界值1.96。同时，可决系数R2均大于0.90，表明构建的VAR模型与样本数据的拟合度较好，即该估计结果可用于技术创新绩效、信息扩散以及产业集聚间动态影响的相关性分析。
为了揭示技术创新绩效、信息扩散以及产业集聚之间的动态扰动特征，在模型估计基础上分别对创新绩效、信息扩散以及产业集聚进行脉冲响应分析。对应分析结果如图2所示。
由图2可见，在第一行脉冲图中，当技术创新绩效、信息扩散以及产业集聚受到一个正向冲击时，该冲击并非立即传导至技术创新绩效，而是在推移3～4期后其响应值才出现平稳持续上升且均为正值。其中，信息扩散对创新绩效的影响效应最显著，创新绩效的自相关效应与对产业集聚的影响效应基本相同，且产业集聚的影响效应呈微小波动。在第二行脉冲图中，当创新绩效、信息扩散以及产业集聚受到一个正向冲击时，该冲击也并非立即传导至信息扩散，也是在推移3～4期后其响应值出现平稳持续上升且均为正值。其中，信息扩散的自相关影响效应最显著，对创新绩效与产业集聚的影响效应基本相同，其中，产业集聚的影响呈微小波动特征。在第三行脉冲图中，当创新绩效、信息扩散以及产业集聚受到一个正向冲击时，该冲击对产业集聚的影响效应较小且在零值附近波动。其中，信息扩散对产业集聚的影响效应最显著，其次是产业集聚的自相关效应，而对创新绩效的影响效应最小。
为了比较技术创新绩效、信息扩散以及产业集聚相互扰动的程度，从而识别出不同因素对创新绩效、信息扩散以及产业集聚的重要程度，在分析上述影响因素动态扰动特征的基础上，分别对各因素的波动贡献率进行方差分解(Lee & Lee,2015)。分解结果如图3所示。
由图3可见，在技术创新方差分解中，信息扩散对创新绩效波动的贡献率最大且随时间推移呈递增趋势，产业集聚与技术创新绩效自相关效应的贡献率基本相同。在信息扩散方差分解中，信息扩散自相关效应对信息扩散波动的贡献率最大且随时间推移保持相同变化趋势,产业集聚与技术创新绩效的贡献率基本相同且随时间推移保持相同变化趋势。在产业集聚方差分解中，信息扩散对产业集聚波动的贡献率最大，产业集聚自相关效应的贡献率较小，创新绩效的贡献率最小，且随时间推移保持相同变化趋势。
表3 VAR模型参数估计结果
Tab.3 Parameter estimation resultsof the VAR model
解释变量被解释变量INNOVATIONINFORMATIONCLUSTERINNOVATION(-1)0.322 669479.717 2-0.011 238[4.829 03][11.541 20][-15.415 05]INNOVATION(-2)-0.060 501-307.364 10.017 368[-6.173 88][-13.104 56][5.717 49]INFORMATION(-1)0.000 6051.409 314-7.30E-05[15.035 18][13.014 24][-1.895 92]INFORMATION(-2)0.000 733-0.468 5657.55E-05[6.897 18][-1.717 26][9.329 04]CLUSTER(-1)5.627 34216 448.36-0.338 814[17.633 61][6.315 82][-2.548 38]CLUSTER(-2)16.163 68-19 152.670.637 954[8.439 77][-5.133 26][10.816 85]C19.147 09-14 517.771.800 697[3.612 72][-8.529 03][4.180 20]R-squared0.998 050.997 3470.947 889F-statistic426.617 5313.232 11.533 344Log likelihood-20.521 85-100.73311.463 78Akaike AIC4.586 97517.955 5-0.743 963Schwarz SC4.869 83718.238 37-0.461 101
图2 脉冲响应分析结果
Fig.2 Impulse response analysis results
图3 方差分解结果
Fig.3 Variance decomposition results
在上述脉冲波动分析基础上，为进一步了解技术创新绩效、信息扩散以及产业集聚之间的边际影响力，使用状态空间模型分析边际影响力变化过程，从而有助于揭示技术创新绩效、信息扩散以及产业集聚间影响效应的波动特征。其状态空间模型分析结果如图4～6所示。
图4显示，产业集聚对创新绩效的边际影响力呈倒U形抛物线，即在2005-2009年呈递增趋势，在2009年达到最大值，其后呈缓慢递减趋势。信息扩散对技术创新绩效的边际影响力在2005-2018年呈递增趋势且表现显著。
图5显示，信息扩散对产业集聚的边际影响力在2005-2018年呈线性增长态势，而技术创新绩效对产业集聚的边际影响力呈倒U形曲线，且技术创新绩效的边际影响力在2005-2009年呈快速增长趋势，在2009年达到最大值，其后呈缓慢递减趋势，并于2018年开始出现回升趋势。
图4 技术创新绩效边际影响力分析结果
Fig.4 Analysis results of marginal influence of technological innovation performance
图5 产业集聚边际影响力分析结果
Fig.5 Analysis results of the marginal influence of industrial cluster
图6显示，技术创新绩效对信息扩散的边际影响力一直保持较高水平，且呈U形变化特征，在2005-2012年呈递减特征，并于2012年达到最低点，其后一直呈快速递增趋势；产业集聚对信息扩散的边际影响力在2005-2018年一直呈缓慢递减趋势，并逐渐趋向于零值。
图6 信息扩散边际影响力分析结果
Fig.6 Analysis results of marginal influence of information diffusion
由于各区域资源禀赋以及施行的经济政策不同，导致各区域在科技创新绩效、信息扩散以及产业集聚上存在差异。因此，为了探索变量关系在区域间的差异，采用面板数据模型对数据进行拟合分析。在innovation方程中，F2>F2临界值，且F1<F1临界值，因此采用变截距模型能较好地对样本数据进行拟合。为了进一步判定是应该采用随机效应模型还是固定效应模型，需对模型进行Hausman检验。Hausman检验结果显示，对应统计量小于0.05水平下的χ2临界值，未能拒绝随机效应模型中个体因素与自变量不相关的原假设，故构建随机效应变截距模型。根据该方法，可判断information方程需采用随机效应变截距模型，cluster方程需采用固定效应变截距模型。
使用Eviews10.0计量软件对模型进行拟合，其拟合结果如表4所示。
表4 区域面板模型拟合结果
Tab.4 Fitting results of the regional panel model
因变量统计量东部中部西部技术创新绩效α17.25*5.06*4.11*β18.24*6.793.69*γ16.93*5.07*4.04*产业集聚 α21.84*1.35*1.14β20.84*0.76*0.62*γ20.89*0.41*0.35*信息扩散 α38.69.05*6.65*β38.06*5.49*3.12*γ37.37*6.13*5.44
注：*表示在0.05水平下显著
表4的拟合结果显示，根据变量系数，信息扩散与产业集聚对技术创新绩效的区域影响程度依次为东部地区>中部地区>西部地区，且东部、中部地区信息扩散对技术创新绩效的影响大于对产业集聚的影响，西部地区产业集聚对技术创新绩效的影响大于对信息扩散的影响。信息扩散与技术创新绩效对产业集聚的影响程度依次为东部地区>中部地区>西部地区，且东部地区技术创新绩效对产业集聚的影响大于信息扩散的影响，中部、西部地区信息扩散对产业集聚的影响大于技术创新绩效的影响。技术创新绩效与产业集聚对信息扩散的影响程度依次为东部地区>中部地区>西部地区，且东部地区产业集聚对信息扩散的影响大于技术创新绩效的影响，中部和西部地区技术创新绩效对信息扩散的影响大于产业集聚的影响。
本文通过变量替换检验模型估计结果的稳健性。
针对创新绩效变量，采用世界知识产权组织发布的《全球创新指数报告》中的中国创新指数，对上述指标进行替代。如信息扩散变量借鉴小松崎清介提出的社会信息化指数并采用二步算术平均法，现在采用一步算术平均法替代。首先，假设各具体指标在最终信息扩散指数上具有相同权重，设置某年度或某地区的信息化指标为100，以此为基准，计算其余年度或地区的信息扩散值。然后，将每个指标值相加并除以指标总数，以此为社会信息化最终数值[25]。计算公式表示为：
针对产业集聚指标，采用赫芬达尔-赫希曼指数(Herfindahl-Hirschman Index，简称HHI)代替EG指数。HHI是衡量市场集中度的常用指标，用于确定市场竞争力。它是将参与市场竞争的每家公司的市场份额进行平方，然后求总和。其计算公式为：
式中，X代表市场总规模，Xi为企业i的规模，Si=Xi/X为企业i的市场占有率，n代表该产业内企业数。替代前后的估计结果及差异性检验情况如表5所示。
根据表5结果，将替代指标代入模型进行拟合。检验结果显示，采用替代方法估计的各模型参数值在逻辑关系和逻辑结构上与初始模型分析结果一致，表明建构的理论模型及分析结果具有良好稳健性。
表5 稳健性分析结果
Tab.5 Robustness analysis results
路径系数脉冲稳健性Cholesky估计显著性广义脉冲估计显著性系数差异t检验p值状态空间稳健性Cholesky估计显著性广义脉冲估计显著性系数差异t检验p值C(info→inno)0.002 10.029 11.254 20.209 80.000 20.007 10.967 50.333 3C(cluster→inno)0.000 00.000 60.300 10.764 10.000 00.003 20.997 10.318 7C(info→cluster)0.011 70.010 50.591 90.553 90.018 60.000 01.546 30.122 1C(inno→cluster)0.000 20.000 00.330 00.741 40.000 00.000 00.568 30.569 8C(cluster→info)0.000 00.003 11.319 90.186 90.000 00.001 91.293 80.195 8C(inno→info)0.020 90.000 00.721 00.470 90.001 00.000 01.141 80.253 6
通过采用VAR模型、面板数据模型及状态空间模型，结合2005-2018年面板数据，探究信息扩散、产业集聚以及技术创新绩效间的动态影响，得出如下研究结论：
(1)在技术创新绩效扰动路径中，信息扩散对创新绩效的影响效应最显著，创新绩效的自相关效应与对产业集聚的影响效应基本相同且均为正值；在信息扩散扰动路径中，信息扩散的自相关影响效应最大，对创新绩效与产业集聚的影响效应基本相同；在产业集聚扰动路径中，信息扩散对产业集聚的影响效应最显著，其次是产业集聚的自相关效应，对创新绩效的影响效应最小且不明显。
信息扩散、产业集聚与技术创新绩效的关系除受经济学机制影响外，还受到社会学作用。信息化建设的本质就是社会网络结构的变化，而社会网络是由不同个体、组织间关系组成的。社会资本理论指出，社会资本作为一种形成于社会网络内的社会资源，其变迁过程会受到社会结构的影响。在人际交往、社会结构演变过程中，人们的经济行为嵌入社会关系与社会结构中，且受到非经济行为的限制。如关系层面的嵌入由人际交互形成，并强调行为者会受到所在社会网络的社会关系的影响，如规范性及互惠原则等；结构层面的嵌入则由行为者所处社会网络与其它社会网络交互形成，主要反映行为者会受到嵌入的社会网络结构的影响，如文化属性和社会规范等[26]。然而，产业集聚与技术创新作为社会经济行为，会受到社会资本的影响并嵌入社会网络关系和结构中，信息扩散作为社会资本、社会关系以及社会结构的关键影响因素，其不同会导致产业集聚以及技术创新行为的差异化。
(2)在各影响因素的边际效应中，产业集聚对技术创新绩效的边际影响力呈倒U形曲线，而信息扩散对技术创新绩效的边际影响力呈递增趋势；信息扩散对产业集聚的边际影响力呈线性增长态势，而技术创新绩效对产业集聚的边际影响力呈倒U形曲线特征；技术创新对信息扩散的边际影响力一直保持较高水平且呈U形变化特征，而产业集聚对信息扩散的边际影响力呈缓慢递减趋势并逐渐趋向零值。
信息扩散、产业集聚与技术创新绩效之间的边际影响力呈倒U形，除受规模经济与规模不经济规律影响外，还体现了社会学影响效应。在社会学中，信息茧室是指人们的信息接收会习惯性地受到自身兴趣的支配，从而导致自己的信息空间像蚕的“茧室”一样被限制。信息扩散给公众带来了更大的信息空间及大量知识，使得产业集群内的知识流通更高效，当达到一定程度时，网络信息茧室形成，产业集群内部与外部间的交互会大幅降低，导致集群内部信息与知识的同质性、集群间的异质性增强。“沉默的螺旋”理论指出，一方越沉默，另一方就会认为自身的观点越具有代表性，同时，更多群体会选择加入沉默的对立方，持续强化该观点并推动其朝着更大范围扩散。这会进一步强化产业集群内部知识和观点的同质化，而同质化则会降低技术创新绩效。产业过度集聚也会带来社会粘性丧失。社会粘性是由经验、知识和任务分享而形成的，而技术创新需要由经验和知识分享构建的集群[27]。随着信息扩散加快，网络信息选择的自由度增大，从而促进信息茧房形成，大幅降低个体间经验及知识分享意愿。因此，当信息扩散引起产业集群过度密集时，集群内部的同质化增强，且产业集群间缺乏粘性，易形成离散的个体，从而削弱产业集群带来的技术创新效应。
该研究结论对科技创新及产业发展具有启示意义。首先，信息扩散对技术创新绩效及产业集聚变化的贡献率较大，技术创新绩效与产业集聚对信息扩散变化的贡献率较大。因此，可通过信息扩散促进产业升级与技术创新，技术创新和产业集聚也会带动区域信息扩散加速。同时，信息扩散对技术创新绩效与产业集聚的脉冲响应时间，以及产业集聚对技术创新的脉冲响应时间均为3～4年，即对应的拉动效应酝酿期较长。因此，可在其酝酿期构建完善的政策制度，以在拉动效应出现时形成信息化、产业集聚及技术创新协同发展的良性循环，从而避免因前期配备不足、后期重建带来的时间成本损失。其次，针对技术创新，国家或区域可通过加快信息扩散和提高产业集聚程度驱动技术创新，如对于东部与中部地区可重点通过强化信息扩散，西部地区重点依靠产业集聚与升级实现技术创新。针对产业发展，国家或区域可通过加快信息扩散带动产业集聚，如对于东部地区可重点借助技术创新实现产业升级，中部和西部地区可重点借助信息化建设促进产业集聚。针对信息化建设，国家或区域可通过技术创新和产业集聚加速信息扩散，如东部地区可重点通过产业集聚加强区域信息扩散，中部和西部地区可重点通过技术创新促进区域信息扩散。最后，由于产业集聚对技术创新绩效的边际影响力呈倒U形，在通过产业集聚带动技术创新的过程中，应注意寻找边际影响力最大时的产业集聚点作为政策引导的最佳控制点，从而避免因产业集聚规模不足或过度导致创新绩效无法达到最佳水平的现象。技术创新绩效对产业集聚的边际影响力呈倒U形曲线，在利用技术创新促进产业发展的过程中，应注意寻找边际影响力最大时的技术创新点作为政策引导的最佳控制点，从而避免技术投入不足或过度导致效率下降和成本增加。
[1] BHAWSAR P,CHATTOPADHYAY U.Evaluation of industry cluster competitiveness:a quantitative approach[J].Benchmarking an International Journal,2018,25(7):2318-2343.
[2] 刘利永,李道亮.我国农业信息化水平指数测度研究[J].科技情报开发与经济,2013,23(11):98-100.
[3] ANTOKHINA Y,GUZIKOVA L,KOLESNIKOV A.Informatization,R&D and innovation in regions of Russia:together or apart[J].Advanced Science Letters,2018,24(9):6293-6295.
[4] MUSIOLIK J, MARKARD J, HEKKERT M.Networks and network resources in technological innovation systems:towards a conceptual framework for system building[J].Technological Forecasting and Social Change,2012,79(6):1032-1048.
[5] 储伊力,储节旺.信息化与技术创新的关系研究:基于东中西三大区域的比较分析[J].情报杂志,2016,35(7):61-65,30.
[6] 卓乘风,邓峰,白洋,等.丝绸之路经济带区域创新与区域信息化的耦合协调性分析[J].科技管理研究,2017,37(4):192-199.
[7] 张骞,吴晓飞.信息化对区域创新能力的影响:马太效应存在吗[J].科学决策,2018，25(7):1-21.
[8] 惠宁,刘鑫鑫.信息化对中国工业部门技术创新效率的空间效应[J].西北大学学报(哲学社会科学版),2017,47(6):94-103.
[9] ZHU L,LI G X.Information technology,government management and innovation mechanism:a case study of China's administration[C]//2018 Chinese Control And Decision Conference (CCDC).June 9-11,2018,Shenyang,China.IEEE,2018:5547-5552.
[10] 李玲,陶厚永.技术信息获取、政府科技资助影响企业创新能力吗[J].科技进步与对策,2020,37(2):34-41.
[11] ZHANG L P,JIANG W,TANG Z W.Study on the promotion effect of informationization on entrepreneurship:an empirical evidence from China[J].Journal of Global Entrepreneurship Research,2019,9(1):1-22.
[12] CHU Y Z,CHI M M,WANG W J,et al.The impact of information technology capabilities of manufacturing enterprises on innovation performance:evidences from SEM and fsQCA[J].Sustainability,2019,11(21):5946.
[13] TANG G H,TANG W L. The impact of the Internet on the innovation effect of medical and pharmaceutical products manufacturing[C]//International Conference on Application of Intelligent Systems in Multi-modal Information Analytics. Springer, Cham, 2019: 552-559.
[14] YAM R C M,LO W,TANG E P Y,et al.Analysis of sources of innovation,technological innovation capabilities,and performance:an empirical study of Hong Kong manufacturing industries[J].Research Policy,2011,40(3):391-402.
[15] MALECKI E J.Technological innovation and paths to regional economic growth[M]//Growth Policy in The Age of High Technology.Routledge,2018:97-126.
[16] 杜传忠,金华旺,金文翰.新一轮产业革命背景下突破性技术创新与我国产业转型升级[J].科技进步与对策，2019，36(24)：63-69.
[17] 张涵.多维邻近下高技术产业集聚的空间溢出与区域创新研究[J].经济体制改革,2019，37(6):68-74.
[18] KOGAN L,PAPANIKOLAOU D,SERU A,et al.Technological innovation,resource allocation,and growth[J].The Quarterly Journal of Economics,2017,132(2):665-712.
[19] LAI Y L,HSU M S,LIN F J,et al.The effects of industry cluster knowledge management on innovation performance[J].Journal of Business Research,2014,67(5):734-739.
[20] DELGADO M,PORTER M E,STERN S.Clusters and entrepreneurship[J].Journal of Economic Geography,2010,10(4):495-518.
[21] 杨武,杨大飞,雷家骕.R&D投入对技术创新绩效的影响研究[J].科学学研究,2019,37(9):1712-1720.
[22] 冯云廷,计利群.技术创新与城市经济增长波动:基于我国15个副省级城市面板数据的实证研究[J].工业技术经济,2020,39(1):41-49.
[23] 姜爱林.论信息扩散的八种测算方法[J].国家图书馆学刊,2002(4):48-52.
[24] ELLISON G,GLAESER E L,KERR W R.What causes industry agglomeration? evidence from coagglomeration patterns[J].American Economic Review,2010,100(3):1195-1213.
[25] 林立杰,修莹,钟全雄,等.现代农业信息化指数测评体系构建[J].情报科学,2015,33(6):63-70.
[26] 黄中伟,王宇露.关于经济行为的社会嵌入理论研究述评[J].外国经济与管理,2007,29(12):1-8.
[27] 陈华珊,王呈伟.茧房效应与新闻消费行为模式:以腾讯新闻客户端用户评论数据为例[J].社会科学,2019，41(11):73-87.