智能服务赋能创新型城市群建设路径研究
——实体与虚拟产业集聚视角

陈 岩1,张李叶子1,宋文彬2

(1.北京邮电大学 经济管理学院,北京 100876;2.华南理工大学 土木与交通学院,广东 广州 510641)

摘 要:从实体集聚与虚拟集聚双重理论视角,基于2011-2019年我国271个城市面板数据,运用门槛面板模型和中介效应模型,实证分析智能服务水平对区域创新绩效的影响及作用机制。研究结果表明:智能服务水平提升对区域创新绩效的广度和深度具有正向影响;受网络外部性影响,智能服务水平与区域创新数量呈“U型”单门槛特征,与区域创新质量呈先降后边际效应递增的双门槛特征;智能服务通过降低实体集聚要素流动的拥塞效应、增强虚拟集聚要素流动的溢出效应提升区域创新绩效。通过区域异质性分析发现,相比中西部地区、外围城市以及其它城市群,智能服务对区域创新绩效的积极效应在东部地区、中心城市以及京津冀、长三角、成渝和长江中游城市群更显著。

关键词:智能服务;区域创新绩效;双重产业集聚;虚拟集聚;创新型城市群

The Construction Path of Smart Services Enabling Innovative Urban Agglomeration: from the Perspective of Physical and Virtual Industrial Agglomeration

Chen Yan1,Zhang Liyezi1,Song Wenbin2

(1.School of Economics and Management,Beijing University of Posts and Telecommunications,Beijing 100876,China; 2.School of Civil Engineering and Transportation, South China University of Technology,Guangzhou 510641,China)

AbstractNowadays, China's urbanization development has been changing from decentralized development model of small and medium-sized cities to the development model of innovative urban agglomeration centered on core cities. The smart service capabilities based on artificial intelligence technology have become the new driving force for cities to gain new regional competitive advantages. However, the overall innovation level of China's urban agglomeration is facing many bottlenecks such as the low level of investment, technology innovation and talents, which seriously restrict the coordinated development of regions. In this context, it is particularly urgent to explore the optimal path for the integrated development of urban agglomerations oriented to the innovation-driven development strategy. At the same time, the new generation of information technology has broken the limitations of physical space and promotes the transformation of industrial agglomeration from geographical agglomeration model to virtual agglomeration model centered on real-time data and information exchange, forming the dual industrial agglomeration model in which virtual agglomeration and geographical agglomeration coexist. Existing research has confirmed the important role of geographical agglomeration and virtual agglomeration in promoting regional innovation. However, most studies only examine the impact from a single perspective, and explore the impact of smart services on regional innovation without the consideration of the differences between physical agglomeration and virtual agglomeration. Therefore, this paper builds the theoretical framework from the perspective of dual industrial agglomeration to explore the construction path of smart service enabling innovative urban agglomerations and analyze the differential impact mechanism of dual industrial agglomeration on the relationship between smart services and regional innovation.

This paper selected the panel data of Chinese 271 cities from 2011 to 2019 as the sample and constructed a Chinese Regional Smart Service Development Index based on the three-dimensional data sources of regions, industries and enterprises. Then it empirically examined the impact of smart services on regional innovation performance as well as the underlying mechanism by employing a two-way fixed effects model.

The results show that smart services have a significant positive impact on the breadth and depth of regional innovation performance. In addition, affected by network externalities, smart services have a U-shaped nonlinear effect on regional innovation quantity, while a nonlinear effect on regional innovation quality which decreases first and then increases by marginal effect. The dual industrial agglomeration, physical agglomeration and virtual agglomeration play a mediating role in the relationship between regional smart services and regional innovation performance. The influence of smart services on regional innovation performance is heterogeneous among different regions. Specifically, the effect of smart services on regional innovation performance is significant in the eastern region, central cities and urban agglomeration of Beijing-Tianjin-Hebei, Yangtze River Delta, Chengdu-Chongqing and middle Reaches of Yangtze River, while it is not significant in Guanzhong Plain Urban agglomeration.

This paper makes the following theoretical contributions. First, it makes a comprehensive measurement of the development of smart services from the city level based on the three-dimensional data sources of regions, industries and enterprises. Compared with previous studies, this method can measure the regional differences of smart services more accurately. Second, this paper reveals the nonlinear dynamic relationship between the smart services and regional innovation, which providing theoretical support for the construction path of smart services enabling the innovative urban agglomerations. Third, different from the single perspective of previous studies on physical agglomeration and virtual agglomeration, this paper builds the dual paths of smart service enabling regional innovation in the digital age by introducing the concept of dual industrial agglomeration. This results provide guidance for regional transformation and upgrading from traditional factor input to the intelligent, high-end, and virtualized innovative industrial clusters. This paper is also of great significance for promoting China's regional innovation to improve quality and efficiency.

Key Words:Smart Services; Regional Innovation; Dual Industrial Agglomeration; Virtual Agglomeration;Innovative Urban Agglomeration

DOI10.6049/kjjbydc.2021110420

开放科学(资源服务)标识码(OSID):

中图分类号:F290

文献标识码:A

文章编号:1001-7348(2022)09-0033-09

收稿日期:2021-11-15

修回日期:2022-01-18

基金项目:国家自然科学基金面上项目(7217020799);北京邮电大学博士生创新基金项目(CX2019129)

作者简介:陈岩(1970-),男,山东曲阜人,博士,北京邮电大学经济管理学院教授、博士生导师,研究方向为战略绩效与创新、数字经济;张李叶子(1995-),女,河南周口人,北京邮电大学经济管理学院博士研究生,研究方向为战略管理与创新、智能服务;宋文彬(1997-),女,甘肃白银人,华南理工大学土木与交通学院硕士研究生,研究方向为战略管理与创新。

0 引言

当前,我国城镇化发展已由中小城市分散发展模式转向以核心城市为中心的创新型城市群和智能都市圈发展模式,以人工智能为基础的新型基础设施提供的智能服务能力成为城市抢占区域创新高点、实现高质量发展的新动力。近年来,我国政府对智能服务的关注度不断提升,并出台相关政策依托智能服务推动创新型城市群发展。作为我国人工智能发展的三大区域性引擎,京津冀、长三角和粤港澳大湾区城市群大力发展智能产业,快速集聚创新资源并辐射带动周边地区发展,成为具有全球影响力的科技创新中心。根据《国际科技创新中心指数2021》(GIHI2021)显示,北京和粤港澳大湾区分列全球主要科技创新中心地区第4位、第7位。作为国内首个被发改委正式批复的都市圈规划,南京都市圈充分发挥各城市资源禀赋优势,有效整合都市圈产业资源和创新要素,成功打造了沪宁合科技创新带、沿江转型发展带以及江苏省首家“建邺互联网虚拟产业园”,形成“研发在南京、生产在周边”的实体集聚与跨物理边界虚拟集聚共同发展的双重产业集聚格局。实践表明,智能服务水平提升有助于充分发挥区域产业集聚优势,形成创新协作发展效应,推进创新型城市群和都市圈建设。

然而,目前我国城市群和都市圈建设的整体创新水平依然偏低,面临投入、技术、人才等诸多瓶颈以及空间泛化、“天花板效应”等痛点 [1],严重制约区域协调发展。在此背景下,探索面向创新驱动发展战略的城市群一体化发展路径尤为迫切。同时,智能服务对区域创新发展的影响与内在作用机理尚不明确,在智能服务与区域产业集群融合发展等方面还存在若干问题,尤其是在借助智能服务驱动先进制造业集群虚拟化转型、打造区域创新增长极、缓解“大城市病”等方面仍处于探索阶段,这为本文提供了研究空间。基于此,本文从双重产业集聚视角,探索智能服务赋能创新型城市群建设的路径机制,对于破解当前区域创新发展难题,发挥创新型城市群在汇聚高端生产要素、构建区域创新网络中的重要战略支点作用,推动创新型国家建设具有重要战略意义。

1 文献综述

智能服务以人工智能、大数据、区块链等新一代智能技术应用为基础,在区域层面表现为通过5G、人工智能、工业互联网、物联网等智能技术模块的融合应用所构成的一种具有技术中介性、连续性和程序交互性的服务系统(陈岩,张李叶子,李飞,等,2020)。关于智能服务水平的测度,早期研究选取计算机资本[2]、工业机器人[3,4]、人工智能专利授权量[5]、上市公司产值[6]等指标对数字服务水平和新型基础设施发展水平进行测度。部分研究从智能化维度展开,选取智能化基础、智能技术和智能化结果等指标对我国区域智能化水平进行实证分析[7]。在此基础上,现有研究进一步探究了数字服务方式对创新的影响和作用机制。如有研究发现,区域数字化接入水平提高有利于提升创新绩效,而区域数字化装备、平台建设、应用水平对创新绩效的影响呈倒U型(周青,王燕灵,杨伟,2020);聂秀华等[8]认为,数字金融服务通过缓解融资约束和优化产业结构显著提高区域技术创新水平;还有学者进一步指出,数字金融及其分解指数对区域创新的正向激励作用存在差异,应用效果最显著,其次是覆盖广度和数字化程度(郑万腾,赵红岩,范宏,2021)。

空间经济集聚是经济活动最突出的地理特征[9]。新一代信息技术发展打破了物理空间限制,促进产业集聚由单一的地理空间集聚转向以数据和信息实时交换为核心的网络虚拟集聚模式,形成虚拟集聚与实体集聚并存的双重集聚态势[10,11]。现有研究已关注到实体集聚与虚拟集聚在促进区域创新发展中的重要作用:从实体集聚看,根据知识与技术外部性是否来源于同一产业,可将传统地理集聚分为专业化集聚和多样化集聚[12]。专业化集聚强调地区内单一产业集聚有助于劳动力市场共享和技术溢出,进而提升区域创新绩效[13-15];多样化集聚认为特定区域内由不同产业集聚形成的知识溢出和技术外部性有助于互补性知识融合与碰撞,进而提升区域创新水平[16,17]。作为多样化集聚的特殊形式,产业协同集聚将地区产业与企业间的相互关联性和优势互补性视为实现区域绩效的核心及关键[18,19]。从虚拟集聚看,已有研究认为,虚拟集聚型网络规模和角色多样性对企业成长具有促进作用[20],通过虚拟集聚打破地理位置的空间限制和传统地理集聚的路径依赖,强化产业集群对创新的促进能力[21],有助于要素、数据资源共享和实时沟通,激发信息网络空间内邻近经济行为主体间的互动、协作与创新,获得高于传统地理集聚的创新绩效[10]

上述研究为本文提供了重要参考,但还存在以下不足:第一,由于智能服务涉及领域众多,传统的单一维度指标并不能系统全面测度智能服务发展水平,同时,现有研究主要以国家和省级区域作为研究对象[7],缺乏城市层面的智能服务研究;第二,现有研究就数字服务对区域创新的积极作用进行探究,忽略了智能服务相比数字服务所具有的独特感知性和连接性(陈岩,张李叶子,李飞,等,2020),因此有必要就智能服务对区域创新绩效的影响效应和作用机制作深入探讨;第三,现有研究仅从产业实体集聚或虚拟集聚的单一视角考察其对区域创新的影响路径,缺乏考察两种集聚路径差异化影响区域创新的经验证据,结合传统地理集聚与新型虚拟集聚的差异性,进而探讨智能服务对区域创新发展影响的研究更匮乏。

因此,本文将基于双重产业集聚理论视角,探究智能服务水平赋能创新型城市群建设的路径与作用机制。本文的主要贡献主要体现在三方面:第一,从城市层面,基于区域、产业和企业三维度对智能服务发展水平进行测度,能够更加准确地度量智能服务水平的区域异质性;第二,探索性揭示智能服务水平与区域创新绩效的非线性动态关系,为智能服务赋能创新型城市群建设、助力区域创新提质增效提供理论解释和指导;第三,不同于现有研究仅关注实体集聚或虚拟集聚的单一分析视角,本文通过引入双重产业集聚,刻画数字化时代下智能服务赋能区域创新的双重路径,为推动创新型城市群建设,引导区域转型升级由传统要素驱动转向智能化、高端化、虚拟化创新型产业集群驱动提供指导思路。

2 理论分析与研究假设

2.1 智能服务对区域创新绩效的直接影响效应

智能服务具有感知性、连接性以及外溢性特征(郭凯明,2019),对区域创新绩效的正向促进作用主要表现在拓展创新广度和深度两个方面。

从广度看,智能服务通过丰富创新应用场景,催生智能场景下的新产业、新业态和新模式,赋能创新生态多元化发展,极大拓展了创新广度。一方面,前沿智能技术开启万物互联时代,在拓展智能应用新场景的同时,进一步催生海量智能服务需求,推动创新模式由传统的渠道创新向模式创新、场景创新转变。另一方面,云、网、边、端的协同发展打破了创新活动的时空束缚,促进城市智能生态融合一体化,区域创新合作形式由单链化转向网络化、虚拟集群化,传统公共治理模式转向智慧政务和数字政府等创新治理模式[22]

从深度看,智能服务的出现促使创新模式不断演化,由传统单一的创新模式转向服务效率高效化、服务形式定制化与差异化、服务参与主体多元化以及服务价值链协同一体化的需求导向型和开放式创新模式。首先,智能技术的发展应用为创新服务模式、提升服务效率提供了技术基础。例如,5G作为面向服务的全新网络架构,能够根据服务需求灵活拓展通信协议接口和网络功能,实现服务需求的即时响应[23];其次,智能服务的个性化、动态感知性以及程序交互性特征使企业能够根据客户需求提供定制化、差异化服务,促使企业由被动的产品提供者转变为主动、“先发制人”的服务提供者[24],由单一的产品供给模式转向“产品+服务”的需求导向型创新模式。这些转变使得客户能够直接参与创新过程,实现创新参与主体的多元化和创新模式的开放化。此外,高度连接的智能服务平台系统有助于区域内不同创新主体实现跨组织边界的相互连接和信息共享(吕文晶,陈劲,刘进,2019;余江,孟庆时,张越,等,2017),促进产业链上下游环节的高效对接和价值链不同创新主体的协同创新,进而实现区域创新绩效的整体提升。由此,本文提出如下研究假设:

H1:智能服务水平提升对区域创新广度和深度具有正向促进作用。

考虑到网络外部性,智能服务对区域创新的影响也可能随其自身发展和应用水平提高呈现出非线性特征。在发展初期,一方面,由于智能服务基础设施和平台建设的技术复杂度较高,导致区域研发成本较高,创新溢出效应相对有限;另一方面,由于服务网络规模较小,网络扩散效应较弱,导致各创新主体获取信息、知识、技术的成本较高。因此,此阶段智能服务对区域创新绩效的促进作用并不显著。根据梅特卡夫定律,网络价值是以用户数量的平方速度增长的,同时,由于网络外部性的存在,规模效应随用户数量增加而增强,用户流量越多,网络效应越显著,当用户总数突破临界点时,将形成“赢者通吃”局面。随着网络规模扩大、应用水平提高,网络链接点的倍增效应逐渐显现:在区域创新系统内各创新主体通过智能服务平台实现互联互通,知识、技术、人才等要素在区域创新系统内充分流动,创新活动边界不断弱化,创新主体联动的边际成本不断降低;同时,不同于传统要素,表现为数据形式的信息和知识能够被重复开发与使用,研发部门的创新边际成本不断降低,而研发收益不断提高,最终带来区域创新系统内各参与者收益的几何式增长。由此,本文提出如下研究假设:

H2:智能服务水平对区域创新绩效的影响呈现边际效应递增的非线性特征,且随着智能服务水平提高,其边际效应递增趋势愈加显著。

2.2 智能服务影响区域创新绩效的中介效应

从实体集聚角度看,特定产业的本地化集聚会促进市场份额增长,而这种专业化集聚易导致后期出现拥塞效应(卢飞,刘明辉,孙元元,2018),阻碍区域创新成果进一步转化。由于互补性集聚对本地其它产业资源无法进行有效扩散[25],导致区域整体创新活跃度下降,不利于区域创新产出。同时,在不完全信息条件下,信息不对称将导致互补性生产链上下游企业创新协调失败,形成低水平的关联创新均衡[26,27]。智能服务的感知性和高度连接性改变了要素流动方式,使区域间要素流动不再依赖于地理邻近性,极大提升了生产要素的跨界渗透能力,促进生产空间向智能化、网络化、数字化转型,推动生产关系与网络空间深度融合,从而显著降低实体集聚产生的拥塞效应,实现区域内外生产要素的互联互通以及线上线下的高度融合。由此,本文提出如下研究假设:

H3a:智能服务水平提升能够通过降低实体产业集聚要素流动的“拥塞效应”,进而提升区域创新绩效。

从虚拟集聚角度看,智能服务高度连接的网络属性打破了地理距离的空间约束,以数据资源化、全链一体化为特征的虚拟集群成为跨区域企业创新合作的新模式。一方面,跨区域创新主体能够依托大数据、云计算等智能技术对供应链的海量数据进行实时分析,整合服务系统参与者资源,实现生产、服务和资源的动态配置以及服务提供者与用户的价值共创,从而提升创新要素的空间配置效率。另一方面,借助智能服务平台生态系统以及服务系统内合作伙伴的数字网络,跨区域创新主体能够培育并促进知识等高端要素在创新网络内流动,不仅能够提升本地创新绩效,还能够进一步辐射创新网络内其它创新主体,从而极大提升虚拟集聚的知识溢出效应,实现创新要素的充分涌流和创新绩效显著提升。由此,本文提出如下研究假设:

H3b:智能服务水平提升能够通过增强虚拟产业集聚要素流动的溢出效应,进而提高区域创新绩效。

图1 智能服务水平对区域创新的影响机制

Fig.1 Influence mechanism of smart services on regional innovation

3 研究设计

3.1 计量模型设定

为检验智能服务水平对区域创新绩效的影响,首先构建普通线性面板模型。

RIit=α0+α1SSit+α2Xit+μι+δτ+ειτ

(1)

式(1)中,下标i代表各城市(i=1,2,…,271),下标t代表各年份(t=2011,2012,…,2019),RIit表示城市it时期的区域创新数量和区域创新质量;SSit代表智能服务发展水平,Xit为影响区域创新绩效的其它控制变量;μι表示城市i不随时间变化的个体固定效应,δτ为控制时间固定效应;ειτ表示随机扰动项。

为检验智能服务水平与区域创新绩效的非线性动态关系,借鉴Hansen(1999)[28]的做法,在式(1)的基础上构建门槛面板模型。

RIit=β0+β1SSit×I(SSitθ)+β2SSit×I(SSit>θ)+β3Xit+μi+εit

(2)

式(2)中,SSit既是核心解释变量又是门槛变量;I(·)代表指示函数,满足条件时取值为1,否则为0;θ表示待估计的门槛值;式(2)为单门槛模型,根据后续检验结果可进一步扩展为多门槛模型。

为进一步考察智能服务水平对区域创新绩效的间接影响机制,引入中介变量实体集聚EAit和虚拟集聚VAit,构造中介效应模型。在检验线性回归模型(1)中系数α1显著性的基础上,通过观察式(3)-式(5)中γ1φ1ψ1ψ2ψ3的系数值和显著性变化,进而判断中介效应是否存在。具体如下:

EAit=γ0+γ1SSit+γ2Xit+μi+δt+εit

(3)

VAit=φ0+φ1SSit+φ2Xit+μi+δt+εit

(4)

RIit=ψ0+ψ1SSit+ψ2EAit+ψ3VAit+ψ4Xit+μi+δt+εit

(5)

3.2 变量测度与说明

(1)被解释变量:区域创新绩效(RI)。已有研究主要选取专利数量、R&D投入、新产品销售收入等指标对区域创新绩效进行测度。与其它创新指标相比,专利数量作为非经济指标,能够在一定程度上避免“寻租”行为[29]。因此,本文选取地区专利申请量和专利授权量分别作为区域创新数量(RIN)与区域创新质量(RIQ)的代理指标。其中,专利申请量为当年专利机构受理的专利申请数量,能够集中反映当年的区域创新成果,记为RIN;专利授权量为通过专利机构审查流程后获得授权的专利数量,与申请量相比,其更能体现区域创新成果质量,记为RIQ。

(2)解释变量:智能服务水平(SS)。目前关于智能服务的定量研究还比较少,仅有的相关研究主要来自省级层面[7]。结合智能服务特点与数据可得性,选取智能服务投入、智能服务产出、智能服务应用3个维度的6个指标对城市智能服务综合发展水平进行测度。首先,智能服务投入使用智能基础设施和智能服务从业人员度量。其中,智能基础设施主要包括智能电网、物联网、通信基础设施等,由于缺乏城市层面统计数据,故采用地区互联网用户数作为代理指标;智能服务从业人员采用地区信息传输、软件和信息技术服务业从业人员数作为代理指标。其次,智能服务产出采用地区人均电信业务收入作为代理指标。最后,智能服务应用包含智能服务企业、智能服务用户和智能金融服务3个指标。对于智能服务企业,由于智能服务涉及制造业和服务业的多个行业,因此本文首先确定智能服务业行业分布代码,进而利用以国家企业信用信息公示系统为数据源的启信宝数据库对上述代码进行筛选,获得各地区智能服务企业数量;智能服务用户采用地区每百人移动电话数测量;智能金融服务采用由北京大学互联网金融研究中心和蚂蚁集团共同编制的中国数字普惠金融指数代替。通过主成分分析法,对上述指标数据进行标准化和降维处理,得到城市智能服务综合发展指数,记为SS。

(3)中介变量:实体集聚(EA)。智能服务以智能技术和智能互联产品为基础(陈岩,张李叶子,李飞,等,2020),广泛应用于制造业和知识密集型服务业。基于区域内制造业企业与知识密集型服务企业的关联性和互补性,将区域混合价值链中的服务和制造连接在一起的过程称为区域服务化(territorial servitization)[30],区域服务化有助于在协同集聚的产业链内传播知识[31],但在信息不对称条件下易造成要素流动不充分,进而导致关联创新绩效较低。因此,本文选取制造业与知识密集型服务业的产业协同集聚度作为实体集聚的代理指标。借鉴陈建军等[32]的方法,对制造业与知识密集型服务业的协同集聚度进行测算,具体计算公式如下:

(6)

其中,EAcollii城市制造业与知识密集型服务业的产业协同度,EAcolli越大,表明i市产业协同集聚度越高。EAimanEAikibs分别为i城市制造业与知识密集型服务业集聚度,用区位熵表示,具体计算公式如下:

(7)

其中,EAiji城市j产业的区位熵指数,选取制造业与知识密集型服务业就业人数进行测度。其中,制造业就业人数选取国民经济行业一级代码为13-43的细分行业就业总人数代替,知识密集型服务业就业人数选择信息传输、软件、信息技术服务业、租赁和商务服务业、金融业以及科学研究和技术服务业4大行业的总人数进行计算。eijej分别表示j产业在i城市与其所在省域的就业人数,eie分别表示i城市与其所在省域所有产业的总就业人数之和。

虚拟集聚(VA)。虚拟集聚以网络平台为载体,将产品/服务供应商与消费者联系在一起[10],地区电子商务发展水平可以侧面反映电子商务平台经济增长情况以及数据这一新型生产要素流动情况。因此,本文选取地区电子商务交易额与第三产业产值的比值测度区域虚拟集聚水平(VA),具体计算公式为:

(8)

其中,VAi代表i城市产业虚拟集聚度,qiq分别表示i城市与其所在省域的电子商务交易额,gig分别表示i城市与其所在省域的第三产业增加值。

(4)控制变量:经济发展水平(GDP)用当年实际GDP的对数表示;外商投资占比(FDI)用当年实际使用外资占实际GDP的比重表示;金融发展水平(Finance)用机构存贷款余额占实际GDP的比重表示;财政分权度(Finadp)用财政预算内收入与财政预算内支出比值表示;城市化水平(Urban)用人口密度表示。

3.3 数据来源、描述性统计与相关性分析

选取2011-2019年我国271个地级以上城市面板数据作为研究样本集,共计2 439个。数据主要来源于《中国城市统计年鉴》、各省(自治区、市)统计年鉴、CNRDS数据库、启信宝企业数据库等,部分缺失数据采用插值法进行补充。本文采用Stata16.0对样本数据进行回归检验,主要变量描述性统计结果如表1所示。

表1 主要变量描述性统计结果

Tab.1 Descriptive statistics of main variables

变量样本量平均值标准差最小值最大值RIN2 4390.7791.9080.00222.611RIQ2 4390.561.9860.00216.61SS2 4394.54e-101.032-1.0318.42GDP2 43926 449 22135 627 6471 534 1323.82E+08Finace2 4392.4561.3960.58821.301Finadp2 4390.4730.220.071.541FDI2 4390.0180.0251.77e-060.775Urban2 439455.188344.2515.0932 759.139

4 实证分析与稳健性检验

4.1 直接效应

表2报告了智能服务水平影响区域创新绩效的线性估计结果。模型(1)-(4)中,核心解释变量智能服务水平(SS)的估计系数显著为正,表明智能服务能够有效促进区域创新绩效增长,假设H1得到支持。在加入控制变量的模型(3)和(4)中,各地区经济发展水平(GDP)、金融发展水平(Finance)和城市化水平(Urban)与区域创新绩效呈显著正相关关系,说明良好的经济基础、较高的金融发展水平以及城市规模扩张有利于提升区域创新水平;财政分权度(Finadp)系数显著为负,可能是与晋升密切相关的中国式财政分权会在一定程度上抑制企业研发投入与区域技术创新强度;外商投资(FDI)系数为负但不显著,可能是由于外资引进容易形成技术依赖,不利于区域创新能力提升。

表2 智能服务水平影响区域创新绩效的基准回归结果

Tab.2 Benchmark regression results of smart services on regional innovation

注:*、**、***分别表示在 10%、5%和 1%水平下显著;括号内数值为稳健标准误差,下同

变量RINRIQRINRIQ(1)(2)(3)(4)SS0.860***0.678***0.767***0.563***(0.209 2)(0.011 7)(0.212 6)(0.115 2)GDP0.331***0.232***(0.089 7)(0.006 7)Finance0.031**0.030**(0.014 2)(0.013 1)Finadp-0.620**-0.667***(0.257 0)(0.149 3)FDI-0.173-0.075(0.440 5)(0.273 2)Urban0.005**0.008***(0.002 6)(0.000 8)常数项10.56***4.954***3.841-2.614**(1.857 9)(1.059 7)(2.596 6)(1.230 9)城市固定YESYESYESYES年份固定YESYESYESYES时期数9999地区个数271271271271R20.630 20.674 00.669 40.716 1

采用面板门槛回归模型对假设H2进行实证检验。经过“自助法”(boor-strap)反复抽样500次后,结果如表3所示。研究结果显示,针对区域创新数量,智能服务水平变量显著通过单一门槛检验,未通过双重门槛和三重门槛检验;对于区域创新质量,智能服务水平变量显著通过单一门槛和双重门槛检验,未通过三重门槛检验。可以看出:随着智能服务发展指数增大,区域创新数量的溢出效应表现出先负向后正向的U型特征,而区域创新质量的溢出效应表现出先负向后边际效应递增的特征。实证结果与前文假设基本一致,不同之处在于:智能服务在发展初期对区域创新质量和数量均呈负向影响。导致该结果的原因可能为:由于发展初期相关基础设施和平台建设尚不完善且未形成一定规模,加之研发投入大,在短期内成本效应大于产出效应[33],从而阻碍区域创新绩效提升。此外,区域创新质量相比区域创新数量表现出更显著的边际效应,也进一步验证了智能服务在促进区域创新要素提质增效上的巨大优势。

表3 智能服务水平影响区域创新绩效的门槛模型回归结果

Tab.3 Threshold regression results of smart services on regional innovation

变量因变量RINRIQ门槛值θ1-0.004 3-0.004 3θ21.919SS·ISS≤θ1 -0.493***-0.511***(0.171 9)(0.109 7)SS·Iθ1

4.2 中介效应

选用中介效应模型对假设H3进行实证检验,回归结果见表4。结果显示,模型(1)、(2)验证了智能服务水平提升对区域创新数量和区域创新质量均具有积极影响;模型(3)、(4)的结果显示,智能服务水平与实体集聚水在1%的水平下显著负相关,而与虚拟集聚水平在1%的水平下显著正相关,表明随着智能服务水平提升,区域内要素流动将从依赖地理邻近性转向依赖网络邻近性,从而降低实体集聚要素流动的拥塞效应,并提升虚拟集聚要素流动的溢出效应;模型(5)、(7)中智能服务水平对区域创新数量的影响系数比模型(1)有所降低,模型(6)、(8)中智能服务水平对区域创新质量的影响系数比模型(2)也有所降低,两者均在1%水平下显著,且Sobel检验显著拒绝模型不存在中介效应的假设。这些说明智能服务水平不仅能够直接影响区域创新数量,还能够通过实体集聚和虚拟集聚两个中介变量间接提升区域创新数量与区域创新质量。具体而言,从实体集聚看,在其它因素不变的情况下,智能服务水平每提升1个单位,区域创新数量将直接提升0.393个单位,同时,实体集聚的拥塞效应将降低0.004个单位,进而导致区域创新数量间接提升0.374个单位,总效应为0.767,间接效应占总效应的比重为48.76%。同理,智能服务水平每提升1个单位,区域创新质量提升的直接效应、间接效应和总效应分别为0.384、0.179、0.563。从虚拟集聚看,智能服务通过虚拟集聚对区域创新数量和区域创新质量的间接效应分别为0.399与0.177,在总效应的占比上分别为52.02%和31.44%。因此,假设H3a和H3b均得到支持。

表4 智能服务水平影响区域创新绩效的作用机制检验结果

Tab. 4 Mediating effect results of smart services on regional innovation

变量RINRIQEAVARIN(EA)RIQ(EA)RIN(VA)RIQ(VA)(1)(2)(3)(4)(5)(6)(7)(8)SS0.767***0.563***-0.004***0.146***0.393***0.384***0.368***0.386***(0.212 6)(0.115 2)(0.001 6)(0.049 4)(0.119 4)(0.064 3)(0.198 2)(0.076 6)EA-2.088**-1.116**(0.976 0)(0.569 2)VA0.025**0.028**(0.027 8)(0.016 7)控制变量YESYESYESYESYESYESYESYES城市固定YESYESYESYESYESYESYESYES年份固定YESYESYESYESYESYESYESYES时期数99979977城市个数271271271271271271271271R20.669 40.716 10.295 20.713 00.688 60.730 40.700 40.756 3Sobel检验值0.043 5***0.025 2***0.011 7***0.001 8***

4.3 拓展分析:经济分区、城市群和“中心—外围”城市

城市群和中心城市是经济发展要素的重要空间载体。当前,城市群作为国家新型城镇化主体,其战略性引领地位不断提升;都市圈作为城市群高质量发展的代表,其战略支撑地位进一步明确[34],成为推动科创产业协同进步、促进区域创新一体化发展的新引擎。然而,由于资源禀赋和发展阶段不同,不同地区、不同层级城市的智能服务水平和区域创新能力也存在明显差异,因此有必要对样本分组以作进一步讨论。为衡量区域差异,以经济发展水平和城市群作为分组依据,前者按文献普遍做法划分为东中西部地区;后者选取京津冀城市群、长三角城市群、珠三角城市群(粤港澳大湾区)、成渝城市群、长江中游城市群、中原城市群、关中平原城市群七大国家级城市群对样本进行划分。为进一步检验区域都市圈内不同层级城市间的差异,根据克鲁格曼(Krugman)“中心—外围”理论,将样本中直辖市、副省级城市和省会城市划分为中心城市,其它地级市划分为外围城市。

表5为经济分区和都市圈不同层级城市异质性回归分析结果。模型(1)-(3)的结果显示,随着智能服务水平提高,三大地区创新数量和创新质量均有显著提升,其中,东部地区的积极效应远高于中西部地区。模型(4)-(5)的结果表明,中心城市的智能服务水平相较于外围城市在区域创新绩效提升方面表现更突出,进一步验证了以中心城市辐射带动周边地区的智能都市圈建设在促进区域创新提质增效上的巨大优势。

表5 智能服务水平影响区域创新绩效的分组回归结果(地区和城市)

Tab.5 Subgroup regression results of smart services on regional innovation (regions and cities)

变量东部地区(1)RINRIQ中部地区(2)RINRIQ西部地区(3)RINRIQ中心城市(4)RINRIQ外围城市(5)RINRIQSS1.842***1.199***0.291***0.313***0.305***0.285***1.185***1.135***0.125***0.159***(0.175)(0.089)(0.032)(0.011)(0.052)(0.027)(0.374)(0.184)(0.030)(0.017)控制变量YESYESYESYESYESYESYESYESYESYES城市固定YESYESYESYESYESYESYESYESYESYES年份固定YESYESYESYESYESYESYESYESYESYES时期数9999999999城市个数10010010010071713535236236R20.3070.6380.250.7330.1600.3920.3320.6690.0810.329

表6为城市群异质性分析结果,模型(1)-(7)的结果显示,智能服务水平提升对京津冀、长江三角洲、成渝以及长江中游城市群的区域创新绩效具有显著的积极影响,对珠三角、中原城市群区域创新数量的影响不显著,对关中平原城市群区域创新数量和创新质量的影响均不显著。产生该结果的主要原因为:第一,相比其它城市群,京津冀、长江三角洲、成渝等城市群的互联网和数字基础设施发展较好、水平较高,使得智能服务促进区域创新的红利释放得更充分,而关中平原虽具有较完备的工业体系,但在新型基础设施建设、知识密集型服务业发展等方面相对滞后;第二,城市群战略规划政策具有一定滞后效应,区域创新绩效表现较好的京津冀、长江三角洲等城市群规划获批时间较早,主要集中在2015-2016年,历经5年发展其积极效应已逐步显现,而关中平原城市群规划在2018年获批,其积极效应可能相对滞后;第三,智能服务水平提升对珠三角、中原城市群区域创新数量的影响不显著,可能是由于该区域不再单纯追求创新数量,而是更加注重创新提质增效。根据《广东经济社会形势分析与预测(2021)》蓝皮书显示,截至2020年,广东区域创新综合能力连续4年位居全国第一,R&D经费支出也位居全国首位,表明广东省已迈入全球创新型地区行列。

表6 智能服务水平影响区域创新绩效的分组回归结果(城市群)

Tab.6 Subgroup regression results of smart services on regional innovation (urban agglomerations)

变量京津冀(1)RINRIQ长三角(2)RINRIQ珠三角(3)RINRIQ成渝(4)RINRIQ长江中原(5)RINRIQ中原(6)RINRIQ关中平原(7)RINRIQSS3.259***2.037***1.623***0.869***-0.3450.918*0.580***0.368***0.431***0.271***0.0270.228***-0.0070.167(0.314)(0.193)(0.270)(0.135)(1.272)(0.524)(0.184)(0.078)(0.069)(0.025)(0.039)(0.013)(0.188)(0.11)控制变量YESYESYESYESYESYESYESYESYESYESYESYESYESYES城市固定YESYESYESYESYESYESYESYESYESYESYESYESYESYES年份固定YESYESYESYESYESYESYESYESYESYESYESYESYESYES时期数99999999999999城市个数141428289916162828292988R20.6870.6980.2750.4620.3560.8260.3360.6200.3850.8190.3180.7960.2270.587

4.4 稳健性检验

考虑到智能服务水平与区域创新绩效之间可能存在反向因果关系,本文采用工具变量法解决其内生性问题。借鉴黄群慧等[35]的方法,选取1996年固定电话数量作为智能服务的工具变量。从工具变量的相关性看,智能服务作为重要的新型基础设施,其发展离不开互联网技术普及和进步,如历史上固定电话普及率高的地区大多是数字化基础设施较好、智能服务发展较快的地区;从工具变量的外生性看,随着新一代信息技术不断进步,固定电话作为传统通信工具,对经济发展的影响正随着其使用率降低而逐渐消失,符合排他性要求。由于本文样本为面板数据,借鉴Nunn & Qian[36]的做法,引入一个随时间变化的变量,将1996年地区每百人固定电话数量分别与上一年全国互联网宽带接入用户数构造交互项,作为该年智能服务水平的工具变量。结果显示,考虑内生性后,智能服务水平对区域创新绩效的正向影响依然成立,且在1%的水平下显著,因此前文结论稳健。

5 结论与政策建议

本文基于双重产业集聚视角构建理论框架,阐释智能服务水平影响区域创新绩效的作用机制,在此基础上测度2011-2019年我国271个城市的智能服务发展水平,运用多种计量方法实证检验智能服务水平提升对区域创新绩效的影响及作用机制。主要结论如下:

(1)智能服务水平提升对区域创新广度和深度均具有正向影响;受网络外部性影响,智能服务水平与区域创新绩效存在非线性动态关系:智能服务水平与区域创新数量呈先降后增的U型变化特征,与区域创新质量呈先降后边际效应递增的非线性变化趋势。

(2)在中介机制方面,智能服务水平提升能够通过降低实体集聚要素流动的拥塞效应、增强虚拟集聚要素流动的溢出效应,进而提升区域创新绩效。

(3)在区域异质性上,相比中西部地区和外围城市,智能服务水平提升对区域创新绩效的积极效应在东部地区、中心城市表现更显著;京津冀、长三角、成渝及长江中游城市群相比关中平原城市群,前者区域创新获得的智能服务红利更大;相比增数,智能服务水平提升对珠三角、中原城市群区域创新的提质效果更显著,对关中平原城市群区域创新绩效的积极影响还未显现。

本文为智能服务赋能创新型城市群建设、推动我国区域创新提质增效提供了可行路径,根据研究结论,本文提出如下政策建议:

第一,在推动区域创新高质量发展的过程中应注重增加智能服务基础设施投入,逐步完善新型基础设施建设,促进新基建技术创新能力提升和成果转化,实现智能服务边际效应递增和网络外部效应快速显现,为建设创新型城市群提供基础保障。

第二,深化智能服务赋能传统产业集群布局建设,开展先进制造业产业集群智能化、数字化、虚拟化转型升级试点,通过产业集群线上线下融合发展,促进区域内技术、人才、数据等创新要素加速集聚和有序流动,释放区域创新研发活力,为推动我国区域创新提质增效提供动力支撑。

第三,发挥创新型城市群和中心城市在区域创新协调发展中的引领作用,优化区域创新分布格局,辐射带动区域高质量发展,释放中小城市创新活力,通过需求匹配和资源共享促进知识外溢效应最大化,实现跨区域、跨部门协同创新。

第四,根据地区要素禀赋优势实施动态化、差异化智能服务战略,加大各地区智能服务建设协调力度,加强政策创新与统筹衔接,通过新型基础设施建设缩小区域数字“鸿沟”和发展差距,实现区域协调一体化发展。

参考文献:

[1] 方创琳.城市群发展能级的提升路径[J].国家治理,2018,5(48):3-10.

[2] BRYNJOLFSSON E , HITT L M , KIM H H.Strength in numbers: how does data-driven decisionmaking affect firm performance [EB/OL].http://ssrn.com/abstract:1819486.

[3] GRAETZ G, MICHAELS G. Robots at work[J].Review of Economics and Statistics,2018,100: 753-768.

[4] 韩民春,乔刚.工业机器人对中国区域经济的异质性影响研究——基于新结构经济学的视角[J].技术经济,2020,39(8):85-94.

[5] 钞小静,周文慧.人工智能对劳动收入份额的影响研究——基于技能偏向性视角的理论阐释与实证检验[J].经济与管理研究,2021,42(2):82-94.

[6] 钞小静,薛志欣,孙艺鸣.新型数字基础设施如何影响对外贸易升级——来自中国地级及以上城市的经验证据[J].经济科学,2020,42(3):46-59.

[7] 刘亮,刘军,李廉水,等.智能化发展能促进中国全球价值链攀升吗[J].科学学研究,2021,39(4):604-613.

[8] 聂秀华,江萍,郑晓佳,等.数字金融与区域技术创新水平研究[J].金融研究,2021,64(3):132-150.

[9] KRUGMAN P. Increasing returns and economic geography [J]. Journal of Political Economy,1991,99(3):483-499.

[10] 王如玉,梁琦,李广乾.虚拟集聚:新一代信息技术与实体经济深度融合的空间组织新形态[J].管理世界,2018,34(2):13-21.

[11] 陈文涛,罗震东.互联网时代的产业分工与集聚——基于淘宝村与专业市场互动机制的空间经济学分析[J].南京大学学报(哲学·人文科学·社会科学),2020,57(2):65-78,158-159.

[12] HOOVER E M.Location theory and the shoe and leather industries[M].Cambridge:Harvard University Press,1937.

[13] ARROW K J.The economic implications of learning by doing[M]//Readings in the theory of growth.London:Palgrave Macmillan,1971:131-149.

[14] ROMER P M.Endogenous technological change[J]. Journal of Political Economy,1990,98(5, Part 2): S71-S102.

[15] GLAESER E L ,KALLAL H D ,SCHEINKMAN J A , et al. Growth in cities[J]. Journal of Political Economy,1992, 100(6):1126-1152.

[16] JACOBS J. The economies of cities[M]. London: Jonathan Cape,1970.

[17] BEAUDRY C ,SCHIFFAUEROVA A.Who's right, marshall or jacobs? the localization versus urbanization debate[J]. Research Policy, 2009, 38(2):318-337.

[18] STERNBERG R R.Special issue on causes and effects of new business creation:empirical evidence from the global entrepreneurship monitor (GEM)/Entrepreneurship: the role of clusters theoretical perspectives and empirical evidence from Germany[J]. Small Business Economics, 2005, 24(3):267-292.

[19] KOEN, FRENKEN, FRANK, et al. Related variety, unrelated variety and regional economic growth[J]. Regional Studies, 2007,41(5):685-697.

[20] 张睿倩,刘昊倬,谢一臻,等.虚拟集聚型网络关系、制度逻辑差异与数字赋能型企业成长——基于云计算企业的研究[J].科研管理,2021,42(8):92-101.

[21] NORTH D C.Institutions, institutional change, and economic performance [M]. Cambridge University Press, 1990.

[22] 陈岩,张平.数字全球化的内涵、特征及发展趋势[J].人民论坛,2021,30(13):26-29.

[23] 龚达宁,王雪梅,曹磊.全球5G商用发展及趋势展望[J].信息通信技术与政策,2020(12):7-10.

[24] PORTER ME,HEPPELMANN JE. How smart, connected products are transforming competition[J]. Harvard Business Review, 2014, 92(11) : 64-88.

[25] 张彩江,覃婧,周宇亮.技术扩散效应下产业集聚对区域创新的影响研究——基于两阶段价值链视角[J].科学学与科学技术管理,2017,38(12):124-132.

[26] ACEMOGLU D.Training and innovation in an imperfect labor market[J]. Review of Economic Studies, 1997, 64(3):445-464.

[27] 孙早,席建成.产业互补、协调失灵与企业的关联创新[J].当代经济科学,2013,35(2):43-51,125-126.

[28] HANSEN B E.Threshold effects in non-dynamic panels: estimation, testing, and inference[J]. Journal of Econometrics, 1999, 93(2):345-368.

[29] 柳卸林,杨博旭.多元化还是专业化?产业集聚对区域创新绩效的影响机制研究[J].中国软科学,2020(9):141-161.

[30] LAFUENTE E , VAILLANT Y , VENDRELL-HERRERO F.Territorial servitization: exploring the virtuous circle connecting knowledge-intensive services and new manufacturing businesses[J]. International Journal of Production Economics, 2017, 192:19-28.

[31] LIU Y, LATTEMANN C, XING Y, et al. The emergence of collaborative partnerships between knowledge-intensive business service (KIBS) and product companies: the case of Bremen, Germany[J]. Regional Studies, 2019,53(3):376-387.

[32] 陈建军,刘月,邹苗苗.产业协同集聚下的城市生产效率增进——基于融合创新与发展动力转换背景[J].浙江大学学报(人文社会科学版),2016,46(3):150-163.

[33] 肖仁桥,沈佳佳,钱丽.数字化水平对企业新产品开发绩效的影响——双元创新能力的中介作用[J].科技进步与对策,2021,38(24):106-115.

[34] 方创琳.新发展格局下的中国城市群与都市圈建设[J].经济地理,2021,41(4):1-7.

[35] 黄群慧,余泳泽,张松林.互联网发展与制造业生产率提升:内在机制与中国经验[J].中国工业经济,2019,37(8):5-23.

[36] NUNN N, N QIAN. U.S. Food aid and civil conflict [J]. American Economic Review,2014,104(6):1630-1666.

(责任编辑:胡俊健)