开放科学(资源服务)标识码(OSID)：
This paper selects 30 provincial administrative regions in China from 2009 to 2019 as research samples, and the original data of these regions is from various statistical yearbooks and platforms in China.A threshold regression model is constructed to explore the impact of industrial agglomeration on regional innovation performance with the different regional intensity of technical endowment. To obtain a stable conclusion, two tests are conducted to verify the robustness of the conclusion.
The results show that the influence of industrial agglomeration on the two-stage performance of regional innovation has significant nonlinear threshold characteristics. In the stage of knowledge creation, as the intensity of regional technical endowment increases, the promoting effect of industrial agglomeration on the performance of regional innovation rises gradually. In the stage of achievement transformation, when the intensity of regional technical endowment increases, the association between industrial agglomeration and regional innovation performance first decreases and then rises. Combining the results of the two stages,the study confirms that the industrial agglomeration of most regions in China can promote regional innovation performance in the two stages. Technical endowment tends to concentrate on the regions with the strongest economic foundation within a certain geographical range at first, and then these regions gradually drive the growth of the intensity of technical endowment in other neighboring regions.
This study extends the boundary of the industry cluster theory and the new economic geography theory, and enriches the research on the relationship between industrial agglomeration and regional innovation performance in the field of technical endowment, as well as the research content of innovation geography to a great extent. Moreover it provides a theoretical basis for the government of regions with different intensities of technical endowment to promote regional innovation development by industry introduction, thus promoting regional innovation and coordinated development.
开放科学(资源服务)标识码(OSID)：
区域创新体系作为国家创新体系的重要组成，其发展对国家科技创新具有重要作用，而区域创新绩效提升是促进区域创新体系发展的关键。长期以来，我国各省市创新绩效存在一定差异，其中，长三角、珠三角和京津冀地区的创新绩效明显高于其它地区。同时，区域创新绩效差异还体现在创新活动两阶段上，如北京在知识创新阶段的创新绩效名列前茅，而在成果转化阶段则处于中段位置[1]。造成这种差异的原因很多，其中，区域产业集聚是重要因素之一[2]。从集聚视角看，空间上的产业集聚有助于区域创新主体相互学习，促进知识要素在产业内部或产业间流动，从而形成知识溢出效应，进而影响区域知识创新。同时，产业集聚也带来技术、劳动力等资源的区域性集中，形成规模经济效应，进而影响区域科技成果转化。因此，深入探究产业集聚对两阶段区域创新绩效的作用机理、充分发挥产业集聚的创新促进效应成为当前研究热点。
区域产业集聚可归因于各地产业引进政策。同时，受规模经济影响，同类或相似企业更倾向于入驻同一地区，使得区域技术要素始终维持在某固定水平，进一步拉大了区域间技术要素强度的差距[3]。从技术要素视角看，区域技术要素决定了适宜该地区的技术种类，并通过影响知识溢出、人才结构、生产效率等，间接作用于区域产业发展与转型升级，导致产业集聚对两阶段区域创新活动的影响存在差异性[4-5]。现有研究仅从不同产业结构角度分析产业集聚对区域创新绩效的影响，并未将区域技术要素强度考虑在内，这将影响结论完整性。同时，现有研究对区域创新活动阶段性特征的忽视也成为制约产业集聚和区域创新发展的障碍之一[6-7]。那么，低技术要素强度地区的产业集聚对两阶段区域创新绩效的增长是否均具有促进作用？在高技术要素强度地区，产业集聚对两阶段区域创新绩效的促进作用会更显著吗？这些问题均为学者和政府所关注。
鉴于此，深入研究不同技术要素强度下产业集聚对两阶段区域创新绩效的影响具有必要性。本文将立足于价值链视角，将区域创新活动划分为知识创新阶段和成果转化阶段，尝试将区域技术要素强度引入产业集聚与区域创新绩效关系研究中，综合探讨将区域技术要素强度作为门槛变量的情况下，产业集聚对两阶段区域创新绩效影响的差异性。这对于明晰产业集聚对区域创新绩效的作用机理、明确区域产业引进与产业发展方向、促进区域创新绩效提升，以及推动区域创新协调发展具有重要的实践意义。此外，本研究还有助于拓展产业集聚理论和新经济地理理论边界，在很大程度上扩展创新地理学研究内容，并为不同技术要素强度地区通过产业引进促进区域创新发展提供理论支撑。
近年来，关于产业集聚对区域创新绩效影响的研究主要存在三类不同观点。第一类观点认为，产业集聚与区域创新绩效存在正向线性关系。如Porter[8]指出，产业集聚有助于区域企业获取创新要素，使得区域内供应商和合作伙伴更容易参与创新过程，从而提高区域创新绩效；Padmore & Gibson[9]认为，产业集聚有助于创新主体在合作基础上形成研发创新网络和社会网络，而网络促进了创新主体之间的信息交换，从而有助于提高区域创新绩效；Paci & Usai[10]通过分析意大利工业与劳动力数据发现，专业化集聚与多样性集聚都能够促进区域创新绩效提升。第二类观点认为，产业集聚与区域创新绩效之间存在非线性关系。如杜江等[11]指出，产业集聚对区域创新绩效的影响呈U型；张秋燕和齐亚伟[12]以地区规模为门槛变量，探究产业集聚对区域创新绩效的影响，发现不同地区产业集聚对区域创新绩效的影响存在差异。第三类观点认为，产业集聚与区域创新绩效之间存在产业异质性和区域异质性。如陈劲等[13]分析了高技术产业集聚对区域创新绩效的影响，认为当高技术产业集聚程度较高时，专业化集聚抑制了区域创新绩效提升，多样性集聚则对区域创新绩效提升起促进作用，当高技术产业集聚程度较低时，研究结论则截然相反；张斌和沈能[7]通过研究发现，我国东中西部地区产业集聚对区域创新绩效存在差异化影响。
综上所述，学者们最初普遍认为产业聚集能够促进区域创新绩效提升，随着研究不断深入，逐渐发现产业集聚与区域创新绩效间存在非线性关系，并开始思考这种关系可能是由产业特征或区域要素禀赋导致的。从微观层面看，产业技术要素强度作为产业特征之一，与产业创新行为密切相关。如于鹏等[14]认为，高技术要素强度产业具有更强烈的技术创新动力与更大的创新空间；Ugur等[15]指出，产业技术要素强度通过影响产业区位选择、竞争战略与存活率，进而长期作用于产业创新。从宏观层面看，技术要素作为区域要素禀赋之一，被用于研究对区域制造业发展的驱动作用(何喜军，魏国丹，张婷婷，2016)。已有研究表明，区域技术要素强度能够通过影响技术资源可控性，间接作用于区域企业动态能力[17]，也会制约区域产业从集聚中获益的能力，如新兴产业与高技术产业等更可能在高技术要素强度与技术网络化水平较高地区产生创新行为[5]。因此，在考察产业集聚与区域创新绩效关系时，有必要将区域技术要素强度考虑进去。然而，现有研究大多针对技术要素的流动性，缺少基于区域技术要素强度视角探讨产业集聚与区域创新绩效关系的研究[17-18]。区域技术要素强度也很少作为研究或验证产业集聚与区域创新绩效之间存在非线性关系的门槛变量，这也影响了结论的综合性。因此，现有研究难以满足区域创新体系发展需求。
在研究产业集聚与区域创新绩效关系时，区域创新活动的阶段性同样不容忽视。从波特的价值链角度来看，区域创新活动产出应经历知识创新阶段和成果转化阶段，然而现有关于产业集聚对区域创新绩效影响的研究忽视了区域创新活动的阶段性特征，这可能导致研究结果出现偏差。基于此，本研究从价值链角度，将区域创新活动划分为知识创新阶段和成果转化阶段，并引入区域技术要素强度作为门槛变量，重点探讨不同区域技术要素强度下产业集聚对两阶段区域创新绩效的影响及其差异性。
区域创新活动是一项连续的生产活动，包含从创新要素投放至创新产品产出等环节以及创新要素沿价值链传递至各环节的过程。在价值链视角下，区域创新活动被划分为两个阶段——知识创新阶段和成果转化阶段(韩兵，苏屹，李彤，等，2018)。在知识创新阶段，创新主体自发研究或承接科研项目，通过调动与整合区域可利用人力、资金、设备、信息和知识储备等创新要素，发现新知识，形成新技术等技术成果。在成果转化阶段，通过将上一环节的科研成果进一步与人员、资金、设备、物料、信息、工艺、管理等要素相结合，经过创意过程，打造出具有价值的商品并在市场上推广销售，从而产生经济效益 [19-20]。知识创新阶段为成果转化阶段进行了必要的技术积累，而成果转化阶段以知识创新阶段产出的成果为基础，实现了成果的商业价值。两阶段互有关联，又显著不同。
基于外部经济理论，产业集聚能够促进劳动力、资金以及其它专业化资源集聚，并通过溢出效应、规模经济效应等促进区域创新绩效提升。结合产业集聚与区域创新相关理论，本研究认为产业集聚对两阶段区域创新绩效产生不同影响。在知识创新阶段，产业集聚带来创新要素聚集和知识溢出效应，有助于促进区域内学习、实践等行为，进而影响区域知识创新阶段的产出[21-22]。首先，产业集聚有利于促进人才、资金、知识等创新要素在区域内聚集，为区域多元主体的创新发展提供知识与技术支撑，这既增加了可获取的区域创新资源，又减少了资源获取成本，为知识创新阶段区域创新绩效提升提供了坚实的资源保障。其次，产业集聚有利于促进企业间竞争与合作、知识溢出与流动，以及新知识和新思想在企业间的传播，繁荣区域内学习实践活动，有助于进一步提升知识创新阶段的区域创新绩效[23]。在成果转化阶段，由产业集聚形成的劳动力水平提升、投资汇集、规模经济效应以及区域资源消耗会影响区域生产实践，进而对成果转化阶段的区域创新活动产生影响[24-25]。首先，产业集聚有助于为区域提供具有特定专业技能的劳动力资源，避免劳动力短缺问题，同时，产业集聚能够为区域带来更多资金投入，为技术成果商业化提供所需的物质资源，促进技术成果商业化。其次，由产业集聚带来的规模经济效应会吸引较多同类型企业在区域集聚，使得区域技术过度同质化，无法为后期的技术成果商业化提供足够的技术支持，进而对技术成果商业化产生抑制作用。
根据要素禀赋论和技术创新理论，地区技术要素丰裕程度决定其适配的产业与技术类型，并影响区域资本、劳动等投入方式与运营方式，促使区域内出现生产要素与生产条件的新组合，实现生产要素递增收益。区域技术要素强度在区域创新活动两阶段发挥不同作用，间接作用于产业集聚对两阶段区域创新绩效的影响。在知识创新阶段，较高的技术要素强度有助于促进企业间竞争与合作，进而强化产业集聚的知识溢出效应，促进知识创新活动开展，进一步提升区域知识创新阶段的创新绩效。相反，新思想、新技术的传播对低技术要素强度地区企业的吸引力较小，产业集聚下的知识溢出效应也得不到充分发挥，故产业集聚对知识创新阶段创新绩效的促进作用有限。在成果转化阶段，较高的技术要素强度有助于为区域引进更多资本投入、技术和人才，更有助于区域组建科技信息推广平台，拓展区域科技信息流通渠道与范围，有助于供需信息在更大范围内传播，使区域集聚企业更易于开展以需求为导向的创新活动，更易于将技术成果商业化转变为产业集群的共同行为，从而提升成果转化阶段的区域创新绩效。而较低的技术要素强度并不足以为区域搭建科技信息推广平台，科技市场上的供需双方诉求不能有效对接，产品供需错位抑制了技术成果商业化。因此，本研究认为产业集聚对区域创新绩效的影响受限于区域技术要素强度的非线性作用，且这种影响在区域创新活动两阶段存在差异性。
Hansen[26]提出门槛回归，该方法利用严格的统计推理解决非线性模型的参数估计和假设检验问题。门槛回归是对传统分组测试方法的扩展，其突出优点是通过对数据的识别确定具体门槛值，而不是对数据进行主观分类，如式(1)所示。其中，
为回归系数，1(•)为指示函数，即如果括号内表达式为真，则值为1；反之，其值为0。qit是一个门槛变量，γ是一个待估门槛值，εit是随机干扰项。门槛回归可采用两步法估计，即多门槛回归模型，见式(2)。其中，门槛值γ1<γ2。
(1)
(2)
本研究参照Hansen[26]提出的门槛回归模型，以区域技术要素强度为门槛变量，构建知识创新阶段的单门槛回归模型，如式(3)所示。
ln (PATit)=C+β1ln (AGGLOit-1)1[ln (TIit-1)<λ]+β2ln (AGGLOit-1)1[ln (TIit-1)≥λ]+α1ln (RDBSit-1)+α2ln (RDGDit-1)+α3ln (ISNit)+α4ln (EDUCAit)+μi+vt+εit
(3)
其中，i为区域，t为年份，C为常数，β1 和 β2分别为回归系数；因变量lnPATit是专利申请数，表示i地区在t年知识创新阶段的创新绩效；自变量lnAGGLOit-1表示i地区在t-1年的产业集聚程度；lnTIit-1为门槛变量，表示i地区在t-1年的技术要素强度；λ表示门槛值；lnRDBSit-1、lnRDGSit-1、lnEDUCAit和lnISNit为控制变量，分别代表i地区的企业研发支出存量、政府研发支出存量、人均受教育水平和科研机构数量；αi为相关系数，μi表示固定效应，νt为时间固定效应，εit为随机干扰项。
同理，以区域技术要素强度为门槛变量，构建成果转化阶段产业集聚的单门槛回归模型，如式(4)所示。
ln (NPRit)=C+β1ln (AGGLOit-1)1[(ln (Tit-1)<λ)]+β2ln (AGGLOit-1)1[ln (TIit-1)≥λ]+α1ln (NPESit-1)+α2ln (PATit)+α3ln (ENVIRit)+α4ln (OPENit)+μi+vt+εit
(4)
式中，lnNPRit表示i地区第t年的新产品销售收入，lnPATit、lnNPESit-1、lnENVIRit以及lnOPENit为控制变量，分别表示i地区前一阶段的专利申请数量、新产品研发经费存量、区域创新环境和区域贸易开放度。
3.2.1 因变量：知识创新(lnPAT)与成果转化 (lnNPR)
基于价值链，本研究将区域创新活动分为知识创新阶段和成果转化阶段[19-20]。知识创新阶段位于价值链上游。在该阶段，创新要素经投放转化为新知识、新技术等技术成果。知识创新阶段的成果一般用专利来衡量，专利申请量和授权量都是衡量地区知识创新绩效的常用指标。专利申请量受政策环境、人为因素和时滞的影响较小，能够及时、准确地反映知识创新阶段区域创新绩效的真实水平[14]。成果转化阶段位于创新价值链的下游。在该阶段，知识创新阶段的技术成果经商业化转变为经济效益，因此成果转化阶段的产出以创新成果应用和商业化水平衡量[20]。新产品销售收入反映新技术或新产品的市场接受程度，体现技术成果的经济价值。因此，本研究选用新产品销售收入表征成果转化阶段的区域创新绩效[19]。
3.2.2 自变量：产业集聚(lnAGGLO)
产业集聚是区域产业发展的重要特征，对促进区域创新绩效发挥关键作用。本研究利用区位熵指数测度区域产业集聚水平，计算公式如式(5)。
(5)
其中，Xij为产业i在j地区的产值、主营业务收入或就业数据[6,27]。由于我国不同地区、不同行业劳动力过剩程度存在差异，导致基于就业数据计算出的区位熵指数存在偏差[28]。考虑到数据的可获得性，本研究参考胡宜挺等[29]的做法，采用规模以上工业企业主营业务收入计算产业集聚。主营业务收入为企业销售产品、提供劳务等主营业务的收入，能够反映本年度企业最终产品和服务总价值。
3.2.3 门槛变量：区域技术要素强度(lnTI)
依据已有研究，技术要素强度是生产结构中知识与技术要素所占比重。作为工业生产过程的显著特征之一，其与产业增长、创新系统路径依赖以及经济地理演化密切相关。参照现有研究[5][14]，本文采用研发资本强度与研发人力强度的乘积表示区域技术要素强度，计算公式如式(6)。
TIit=RDIit*RDCIit
(6)
其中，i为区域，t为年份。RDIit采用研发支出占工业企业销售额的比例衡量，RDCIit采用该地区研发人员数量占总就业人口比例衡量。
3.2.4 控制变量
为了准确反映区域创新活动两阶段产业集聚的门槛效应，分别引入两阶段影响因素作为控制变量。
在知识创新阶段，采用企业研发支出存量(lnRDBS)衡量企业现有研发投入，采用政府研发支出存量(lnRDGS)反映地方政府对研发的支持，并使用永续盘存法(PIM)分别计算二者存量。此外，引入区域创新机构数量(lnISN)、人均受教育水平(lnEDUCA)作为控制变量。其中，区域创新机构数量(lnISN)采用拥有研发活动的企业、高校和研发机构的总和衡量；人均受教育水平(lnEDUCA)采用地区教育水平衡量，计算公式如式(7)所示。
(7)
其中，Pt、Jt、St和Ut分别表示小学、初中、高中、大学及以上程度受教育人数。Lt是各地区6岁以上人口数。
在成果转化阶段，引入区域企业新产品研发支出存量(lnNPES)、知识创新阶段专利申请量(lnPAT)、区域创新环境(lnENVIR)和区域贸易开放环境(lnOPEN)作为控制变量。其中，区域创新环境(lnENVIR)采用该区域有研发活动的企业数占整个地区企业总数的比值衡量；区域贸易开放度(lnOPEN)采用进出口总额占GDP的比例衡量，进出口总额按年度汇率换算成人民币测算。
基于数据完整性，本研究选择2009-2019年我国内地30个省市(西藏因数据不全，未纳入统计)作为研究样本，原始数据来自2010-2021年的《中国统计年鉴》《中国工业统计年鉴》《中国科技统计年鉴》《经济普查年鉴》，考察期内个别缺失数据通过线性内插法补齐。考虑到创新成果获取的滞后性，自变量、门槛变量以及部分涉及要素投入的控制变量选取2009-2019年数据，因变量为2010-2020年数据。在应用模型前，将所有变量转换为其自然对数，以控制异方差和共线性问题。各变量描述性统计结果见表1。
表1 变量描述性统计结果
Tab.1 Descriptive statistics of the variables
变量均值方差最小值最大值lnPAT10.6091.4516.40013.782lnNPR26.0511.57920.56829.120lnAGGLO-0.2490.336-1.3500.437lnTI-8.5260.951-11.295-5.754lnRDBS24.8631.38420.82127.440lnRDGS23.6931.21520.79826.874lnISN7.0341.2804.02510.228lnEDUCA2.1980.1011.9122.540lnNPES22.4371.38618.68725.640lnENVIR-2.0850.638-3.427-0.521lnOPEN-1.8140.968-4.9390.400
使用Stata14，检验和估计在不同区域技术要素强度门槛下产业集聚对区域创新活动两阶段创新绩效的影响。
表2与表3显示了产业集聚门槛效应的显著性水平和门槛估计值。由表2可知，在Bootstrap重复采样300次情况下，区域技术要素强度单门槛效应在5%水平下通过显著性检验，而双门槛效应在10%显著性水平下未通过检验。基于Hansen[26]的门槛理论，产业集聚在知识创新阶段具有显著的单门槛特征。产业集聚与区域创新绩效的关系并非固定不变，而是在区域技术要素强度达到一定值时才发生变化。其临界值为-8.008，位于95%的置信区间[-8.066，-7.994]内，具体如表3所示。
表2 知识创新阶段门槛效应显著性检验结果
Tab.2 Significance test for the threshold effects in knowledge creation
模型F值 p值BS次数临界值1%5%10%单一门槛 34.480 0.033**30041.79230.51123.995双重门槛 6.0000.77730037.43125.37320.555
注：*p<0.10，**p<0.05，***p<0.01，下同
表3 知识创新阶段门槛估计结果
Tab.3 Estimated results of the threshold effects in knowledge creation
模型门槛估计值95%置信区间单一门槛 -8.008[-8.066,-7.994]
本研究采用似然比(LR)验证门槛真实性。基本原理是：当LR值设为0时，对应的参数为区域技术要素强度的门槛估计值；当置信区间为95%时，所有小于LR=7.35的区域技术要素强度值形成的区间为门槛值置信区间。如图1所示，当LR统计量设置为0时，对应的门槛参数为-8.008，置信区间为[-8.066，-7.994]，且门槛值位于置信区间内。由此可知，门槛估计通过真实性检验，即门槛估计值等于门槛真实值。因此，本研究选定产业集聚的单门槛回归模型并进行后续分析。
由表4可知，在单门槛条件下，当区域技术要素强度小于-8.008时，产业集聚的回归系数为0.335，与专利申请量正相关，且P值为0.003，通过了1%的显著性水平检验。当区域技术要素强度大于或等于-8.008时，产业集聚的回归系数为1.073，此时P值为0.000，表明在1%显著性水平下产业集聚与专利申请数量正相关。在上述两个区间中，产业集聚每增加1个单位，专利申请量分别提升0.335个单位和1.073个单位，门槛效应明显。由此可知，产业集聚对知识创新阶段的区域创新绩效有显著促进作用，且影响系数呈阶段性提升。造成该现象的原因可能是：首先，产业集聚能够加速一定地理范围内知识流动和知识溢出，形成区域内的竞合效应和学习示范效应，促进本地区创新活动，提升区域创新绩效。其次，产业特征决定了产业区位选择，进而影响区域产业集聚。传统制造业和传统能源产业往往集中在技术要素强度较低地区，如青海、新疆等地[30]。对于传统制造业和传统能源产业而言，相比于交流新想法和收获新创意，提高生产效率和降低成本更重要。它们对产生新知识和新技术并不热衷，因此这类产业集聚对低技术要素强度地区专利申请的促进作用不大。新兴行业和高技术产业等重视新思想交流与成果创造，创新对它们而言更是产业生存和发展的关键。因此，从理论上看，它们更可能落户在技术要素强度高的地区[31-32]，并借助不同产业以及不同企业间的频繁交流，进一步促进本区域专利产生。在控制变量方面，企业研发支出存量、政府研发支持存量和人均受教育水平的回归系数分别为0.681、0.868和1.523，说明3个控制变量对专利申请量都有显著正向影响。
图1 门槛值为-8.008的LR函数
Fig. 1 LR function with threshold value of -8.008
表4 知识创新阶段的门槛回归结果
Tab.4 Estimated results of the threshold model in knowledge creation
变量系数标准误tP>|t|95%的置信区间lnRDBS0.681***0.1444.7400.0000.3980.964lnRDGS0.868***0.1406.1900.0000.5921.144lnISN-0.0260.072-0.3500.724-0.1680.117lnEDUCA1.523***0.5462.7900.0060.4472.598lnAGGLO (lnTI<-8.008)0.335***0.1113.0300.0030.1170.553lnAGGLO (lnTI≥-8.008)1.073***0.1367.9000.0000.8061.341常数项-29.9481.535-19.5100.000-32.969-26.927
根据知识创新阶段的面板门槛回归模型，分析2009-2019年我国内地30个省市技术要素强度的时空异质性，如表5所示。总体而言，技术要素强度小于-8.008的地区占总样本的70%以上，说明近10年来我国大部分地区处于低门槛区间，产业集聚对专利申请量的促进作用较小。从发展趋势看，技术要素强度大于或等于-8.008的地区数占比从2009年的16.67%增加到2019年的50%，表明越来越多省市的技术要素强度得到提升，跃迁到高技术要素强度的门槛区间，说明我国部分省市技术要素强度呈现较好发展态势。
表6为成果转化阶段产业集聚门槛效应的显著性检验结果。单一门槛效应的P值为0.043，说明单门槛效应显著。双重门槛效应的P值为0.120，未通过10%水平的显著性检验。由此可知，在成果转化阶段不存在产业集聚的双重门槛效应。表7显示产业集聚门槛效应的临界值是-9.888，位于95%的置信区间[-9.891,-9.840]内，表明产业集聚与新产品销售收入不是一成不变的关系。当区域技术要素强度达到-9.888时，它们的关系也随之发生改变。
本研究应用似然比(LR)检验成果转化阶段产业集聚门槛效应的真实性，这是因为利用LR函数可以直观展示门槛回归的真实性和置信区间。从图2可以看到，当LR统计量设置为0时，对应的门槛估计值为-9.888，置信区间为[-9.891，-9.840]，门槛估计值在相应置信区间内，与真实值一致。因此，本研究将采用基于产业集聚的单门槛模型进行分析，相关系数如表8所示。
表5 知识创新阶段不同门槛区间的地区数量分布
Tab.5 Quantity distribution of regions in different threshold intervals in knowledge creation
20092010201120122013201420152016201720182019合计lnTI<-8.0082525242423222221171615234lnTI≥-8.0085566788913141596合计3030303030303030303030330
表6 成果转化阶段门槛效应显著性检验结果
Tab.6 Significance test for the threshold effects in achievement transformation
模型F值 p值BS次数临界值1%5%10%单一门槛43.2500.043**30085.69837.14229.694双重门槛 22.1300.12030059.90830.96523.967
表7 成果转化阶段门槛估计结果
Tab.7 Estimated results of the threshold effects in achievement transformation
模型门槛值95%的置信区间单门槛 -9.888[ -9.891,-9.840]
图2 门槛值为-9.888的LR函数
Fig.2 Graph ofthe LR function with threshold value of -9.888
由表8可知，在区域技术要素强度为门槛值的条件下，产业集聚与新产品销售收入存在明显的非线性关系。当区域技术要素强度小于-9.888时，产业集聚的相关系数为-0.482，p值为0.010，通过5%的显著性检验，反映出产业集聚抑制了新产品销售收入提高。当区域技术要素强度大于或等于-9.888时，产业集聚的回归系数为0.203，P值为0.070，表明产业集聚与新产品销售收入在10%的显著性水平上正相关。产生这种现象的原因有3点：第一，新产品销售收入不仅取决于知识创新阶段的技术成果产出，还取决于技术成果的商业化过程。低技术要素强度地区的产业发展往往更依赖于地区资源，因此产业集聚会加重对地区资源的消耗，进而造成原材料短缺，导致新产品制造与加工受阻，进而抑制新产品商业化。在高技术要素强度地区，产业发展不需以资源高消耗为前提，在原材料充足的情况下，新产品被不断生产出来，进而有助于促进技术成果商业化。第二，低技术要素强度地区的集聚产业过于同质化，从而无法为技术成果商业化提供足够的技术支持，新产品开发、制造、推广以及销售过程因此受到抑制。相比之下，高技术要素强度地区的产业集聚可以为多样化的消费需求提供充足的技术支撑，从而有利于生产出满足消费者需求的新产品。第三，高技术要素强度地区凭借技术优势和资本优势，易于构建诸多有助于技术成果商业化的信息平台，丰富技术成果供需信息通道，使区域内集聚企业能够快捷、低成本地获取产品需求信息，进而将科技成果商业化行为转变为区域内产业集群行为，从而催生更多符合市场需求的新产品。而低技术要素强度地区并不具备搭建成果转化平台的实力，市场需求信息也得不到广泛有效的扩散，导致科技成果转化供给端与需求端不能有效对接。由于供需不对等，造成产业集聚对新产品销售收入存在抑制作用。
对于控制变量而言,专利申请量、新产品研发支出存量和区域创新环境的回归系数分别是0.348、0.300和0.125，p值为0.000、0.011和0.091，说明3个控制变量对新产品销售收入有显著促进作用。其中，专利申请量的积极影响最显著，说明知识创新阶段的技术成果产出对地区新产品销售收入增加至关重要。
基于成果转化阶段产业集聚的门槛模型，分析2009 - 2019年我国内地30个省市门槛效应的时空异质性，如表9所示。从表9可以看出，技术要素强度低于-9.888的地区占比从2009年的16.67%下降到2019年的3.33%，由此可知，我国只有少部分地区的技术要素强度处于低门槛水平。技术要素强度等于或高于-9.888的区域占比从2009年的83.33%增长到2019年的96.67%，表明近年来我国大部分地区的技术要素强度表现不错，产业集聚在提升新产品销售收入方面发挥了巨大作用。
表8 成果转化阶段门槛回归结果
Tab.8 Estimated results of the threshold model in achievement transformation
变量系数标准误tP>|t|95%的置信区间lnPAT0.348***0.0605.7800.0000.2290.467lnNPES0.300**0.1172.5700.0110.0700.530lnENVIR0.125*0.0741.700.091-0.0200.271lnOPEN-0.0420.075-0.5600.575-0.1900.106lnAGGLO (lnTI<-9.888)-0.482**0.186-2.5900.010-0.848-0.115lnAGGLO (lnTI≥-9.888)0.203*0.1121.8200.070-0.0170.422常数项15.0792.6235.7500.0009.91720.242
表9 成果转化阶段不同门槛区间的地区数量分布
Tab.9 Quantity distribution of regions in different threshold intervals in achievement transformation
20092010201120122013201420152016201720182019合计lnTI<-9.8885422112211122lnTI≥-9.8882526282829292828292929308合计3030303030303030303030330
为了全面分析产业集聚对区域创新绩效的门槛效应，本文综合两阶段门槛模型检验结果对产业集聚的门槛效应进行全阶段分析。随着区域技术要素强度提升，产业集聚对专利申请数量和新产品销售收入的门槛效应如图3所示。
由图3可知，产业集聚在区域创新两阶段表现出不同门槛效应。在知识创新阶段，随着区域技术要素强度提升，产业集聚对专利申请数量的促进作用逐渐增强，低门槛区间内的影响系数为0.335，而高门槛区间内的影响系数为1.073。但在成果转化阶段，产业集聚对新产品销售收入表现出截然不同的影响效应，低门槛区间内的影响系数为-0.482，高门槛区间内的影响系数为0.203。这说明在技术要素强度极低地区，产业集聚抑制了新产品销售收入提高，而在技术要素强度较高地区，产业集聚促进了新产品销售收入增长。
在产业集聚对区域创新绩效的门槛回归中，区域技术要素强度最优区间为高于-8.008。当区域技术要素强度处于该区间时，产业集聚对区域专利申请数量和新产品销售收入的促进作用均显著。当区域技术强度低于-9.888时，产业集聚对区域专利申请数量的促进作用较弱，且抑制了新产品销售收入提高。当区域技术要素强度在[-9.888，-8.008]时，产业集聚会对区域内的专利申请量和新产品收入产生正向影响，但对专利申请量的影响较弱。根据研究结论，本研究将内地30个省市划分为低门槛区间(lnTI<-9.888)、中门槛区间(-9.888≤lnTI<-8.008)和高门槛区间(lnTI≥-8.008)。表10显示了不同区域技术要素强度门槛区间的地区数量变化。总体来说，2009-2019年处于中门槛区间和高门槛区间的地区共有308个，占样本总数的93.33%，说明在区域创新活动两阶段中，我国大部分区域的技术要素强度对产业集聚与区域创新绩效关系的影响处于积极状态。从发展趋势看，处于低门槛区间与中门槛区间的地区数占比均呈现快速下降趋势，而处于高门槛区间的地区数占比从16.67%增长到50%，呈显著上升趋势，说明我国大部分地区的技术要素强度不断提升。
为了比较我国内地30个省市在不同年份的技术要素强度分布，选取2009年、2015年和2019年数据进行比较分析，见表11。可以发现，2009年有16%以上的地区处于低门槛区间。除海南外，这些地区普遍具有技术水平低、依靠传统制造业发展的共性，因此产业集聚对区域创新绩效的促进作用也较弱。北京、上海、陕西等5个省市位于高门槛区间，它们分别是我国北部、东部和西部的经济最发达地区。依托发达的经济条件、优质的教育、完善的公共设施基础和公共医疗等区域优势资源，5个省市吸引了周边科技人才、优质资本和高技术产业集聚，提升了区域技术要素强度。因此，这5个地区的产业集聚对区域创新绩效产生了更强的促进作用。在这5个地区中还存在明显的地理聚集性，如北京与天津、上海与江苏。这也侧面证实产业集聚的空间溢出效应使得邻近地区的创新活动相互促进，而溢出效应的局域性又使其对创新活动的影响具有明显的地理限制。2015年内蒙古、贵州、海南等多个省份完成了向技术要素强度中等区间的升级。原因是，这些省份意识到传统能源产业和同类型产业集聚并不能为新产品商业化提供足够的资源支持与技术支持。因此，这些地方结合自身资源禀赋和区域产业发展条件，大力引入更多创新人力资源与科技资本，通过提高区域技术要素强度，确保了产业集聚对区域创新绩效的积极影响。安徽省由中门槛区间跃升到高门槛区间，可能是受益于与江苏省相邻——江苏省长期处于高门槛区间，其知识技术溢出效应会间接影响安徽省创新发展，促进安徽省技术要素强度提升。值得注意的是，广东省是我国南部地区唯一一个进入高门槛区间的省份，说明在一定地理范围内技术要素更优先集中在经济基础较好区域。
图3 两阶段产业集聚度门槛效应
Fig.3 Industrial agglomeration threshold effect in two stages
表10 不同门槛区间地区分布数量
Tab.10 Quantity distribution of regions in different threshold intervals
门槛区间20092010201120122013201420152016201720182019合计低门槛区间5422112211122中门槛区间2021222222212019161514212高门槛区间5566788913141596合计3030303030303030303030330
表11 两阶段产业集聚的门槛区间划分
Tab.11 Division of the industrial agglomeration threshold intervals in two stages
年份lnTI<-9.888-9.888≤lnTI<-8.008lnTI≥-8.0082009内蒙古,海南,贵州,青海,新疆河北,山西,辽宁,吉林,黑龙江,浙江,安徽,福建,江西,山东,河南,湖北,湖南,广东,广西重庆,四川,云南,甘肃,宁夏北京,天津,上海,江苏,陕西2015新疆,青海河北,山西,内蒙古,辽宁,吉林,黑龙江,福建,江西,山东,河南,湖北,湖南,广西,海南,重庆,四川,贵州,云南,甘肃,宁夏北京,天津,上海,江苏,浙江,安徽,广东,陕西2019新疆河北,山西,内蒙古,吉林,黑龙江,江西,河南,广西,海南,贵州,云南,甘肃,青海,宁夏北京,天津,辽宁,上海,江苏,浙江,安徽,福建,山东,湖北,湖南,广东,重庆,四川,陕西
从表11还可以看出，2015年尚处于中等区间的福建、山东、湖南和湖北等省市在2019年进入高门槛区间。可能的原因是：第一，由产业集聚形成的跨地域知识技术溢出到周边省市，这些省市因与技术要素高强度地区相邻，因此技术要素强度也相应提高。第二，这些省市积极落实科教兴国战略和创新驱动发展战略，并意识到创新对于区域发展的重要意义，加大了优秀人才和科技资本的引进力度，本地区技术要素强度得到了进一步提升。第三，随着地区发展，经济水平较高、技术水平较佳、竞争强度适合且拥有较好发展前景的福建、山东等因能够为大多数企业提供发展所需的生产要素，故这些省市也成为企业进驻的新选择。青海省由低门槛区间进入中门槛区间，也是以上三种原因促成的。
从时间维度上看，相比于2009-2015年，2015-2019年更多地区从由低门槛区间跨入高门槛区间，这也证明我国近几年区域创新正提速发展。统观这11年发展历程，不难看出，技术要素表现出先聚集于一定地理范围内经济基础较好的省市，如北京、江苏和广东，而后随着时间推移，技术要素的跨地区溢出使得相邻省市的技术要素强度也得到提升。然而，也有新疆、河北等11个省市在11年间并未发生跨门槛区间变化，说明我国仍有诸多省市对区域创新资源引入未给予足够重视。
为考察结论是否稳健，采用两种方式进行检验。一是调整研究样本，规避离群值对结果带来的偏误。二是调整实证研究方法。单一方法对问题的分析可能存在偏差，因此本文采用分组回归方法再次检验研究结论，并将结果进行对比。
(1)调整研究样本。依次删除因变量最多和最少的两个省市数据，对28个省市进行两阶段面板门槛回归，其结果与上文估计结果完全一致，说明结论稳健。因篇幅所限，不再赘述。
(2)调整实证方法。将30个省市按照区域技术要素强度的门槛值分为一阶段技术要素低强度组(Model 1)、一阶段技术要素高强度组( Model 2)、二阶段技术要素低强度组(Model 3)和二阶段技术要素高强度组(Model 4)，分组方法的参数估计结果(见表12)与门槛模型的估计结果类似。对于一阶段技术要素低强度组，产业集聚对区域专利申请量的正向影响在1%的显著性水平上成立，系数为0.426；而对于一阶段技术要素高强度组，产业集聚对区域专利申请量的正向影响更显著，系数为0.487，在1%的水平上回归，说明产业集聚对区域专利申请量的影响存在显著的门槛效应。同样，对于二阶段技术要素低强度组，产业集聚对新产品销售收入的影响系数显著为负(影响系数为-3.784)，而对于二阶段技术要素高强度组，产业集聚对新产品销售收入的影响为正，系数为0.238，且在5%的水平上显著，说明产业集聚对新产品销售收入的影响也因区域技术要素强度不同而存在差异，门槛效应显著。综上，产业集聚对两阶段区域创新绩效的影响均存在门槛效应，因此本研究结论具有稳健性。
表12 分组回归参数估计结果
Tab.12 Estimated results of the grouped regression
变量Model1Model2Model3Model4lnAGGLO0.426***0.487***-3.784**0.238**(1.122)(0.148)(1.315)(0.115)lnRDBS0.682***0.250(0.168)(0.246)lnRDGS0.951***0.889**(0.172)(0.339)lnISN0.0970.059(0.088)(0.139)lnEDUCA1.254**1.45*(0.615)(0.730)lnPAT2.089***0.306***(0.577)(0.064)lnNPES-2.589**0.341***(0.957)(0.121)lnENVIR-0.0970.141**(0.297) (0.079)lnOPEN1.224*0.147(0.633)(0.080)常数项-31.812***-20.46565.637***14.73***(1.751)(3.906)(7.866)(2.734)obs2339721309R20.8780.8880.8910.6467
注：参数下侧括号内为标准误差
本研究从价值链角度将区域创新活动划分为两个阶段——知识创新阶段和成果转化阶段，选择2009-2019年我国内地30个省市面板数据为研究样本，以区域技术要素强度为门槛变量，使用门槛回归模型，实证研究产业集聚对两阶段区域创新绩效的门槛效应。主要结论如下:第一，在知识创新阶段和成果转化阶段，产业集聚对区域创新绩效的作用均受到区域技术要素强度的显著影响，存在门槛效应。第二，在知识创新阶段，产业集聚对专利申请量有正向影响，且系数依阶段递增。在成果转化阶段，当区域技术要素强度较低时，产业集聚对新产品销售收入产生抑制作用；当区域技术要素强度超过门槛值时，产业集聚促进新产品销售收入增长。第三，在两阶段门槛回归中，技术要素强度处于中门槛区间和高门槛区间的地区数占比较大，说明总体上我国区域创新处于良好发展态势。第四，技术要素更多汇聚于一定地理范围内经济基础较强省市，且这些省市会逐渐带动相邻省市技术要素强度提升。
第一，低门槛地区应不断提升技术要素强度，重视成果转化阶段的区域创新绩效，具体可从加强研发经费投入、优化人才管理机制、促进创新成果商业化以及引进高技术产业四方面入手。首先，在研发经费方面，鼓励企业设立符合市场需求的新产品研发部门，并给予资金支持，帮助企业明确产品研发方向。其次，在人才管理方面，应解放思想，深化人才机制改革，给予创新团队在人力资源管理方面更大的自主权，为创新人才引进开辟“绿色通道”。同时，优化创新人才就业环境，向创新人才提供便利的生活服务和优质的资源，用合理的待遇激励人才、留住人才。再次，为促进创新成果商业化，政府部门应牵头建立不同产学研联盟、产业云数据中心和大数据产业链等，减少研发与市场“脱节”，发挥产业集聚在促进新产品销售收入方面的作用。最后，考虑到低门槛地区对自然资源的依赖性，各地应结合资源特点吸引更多高技术企业入驻，使其与本地产业发展相融合，促进当地优势产业链形成，减少低门槛地区对自然资源的依赖与消耗。
第二，中门槛地区应积极吸纳技术要素并形成汇聚，同时，与邻近地区开展创新联动。首先，政府部门应推动“双一流”高校、新型研发机构、技术转化平台和科技金融机构发展，促进政产学研深度合作，营造良好区域氛围，吸引优秀人才和优质资本集聚。同时，进一步优化区域创新治理体系，引导开放式创新，形成多主体和谐共生的协同创新格局。其次，应结合地区实际，大力扶持优势高技术产业，构建具有区域特色的高技术产业集聚优势，促进创新要素实现新组合，打造出具有区域特点和产业特色的高技术产业发展“高地”，进而吸引高技术企业入驻，提升区域技术要素强度。再次，政府部门应积极与处于高门槛区间的邻近省市构建产业联盟、创新联盟等，促进区域间技术交流，使知识和技术得以充分流动，创新经验得以分享，从而强化处于高门槛区间地区对本地区的辐射带动作用，形成地区间融合共创的创新发展模式。
第三，处于最优门槛区间的地区应着眼于长远发展，重视技术要素质量而非规模，避免泛化的技术要素引进导致产业过度竞争。同时，要积极加强区域间创新合作，构建区域创新合作网络，充分发挥中心地区对邻近省市的创新溢出与辐射作用。
本研究引入区域技术要素强度作为门槛变量，运用非线性门槛回归模型，实证研究区域创新两阶段不同区域技术要素强度下产业集聚对区域创新绩效的异质化影响。然而，产业集聚对区域创新绩效的影响可能会受到其它门槛因素影响，而技术要素强度在该关系中也可能起到一定作用，后续研究将对此进行拓展和深化。
[1] 张博榕, 李春成. 基于两阶段动态DEA模型的区域创新绩效实证分析[J]. 科技管理研究, 2016，36(12):63-67.
[2] BHAWSAR P, CHATTOPADHYAY U. Evaluation of industry cluster competitiveness: a quantitative approach[J]. Benchmarking an International Journal, 2018, 25(3): 2318-2343.
[3] FORSLID R, OKUBO T. Spatial sorting with heterogeneous firms and heterogeneous sectors[J]. Regional Science and Urban Economics, 2014, 46(5):42-56.
[4] KELSEY N. Industry type and environmental policy:industry characteristics shape the potential for policymaking success in energy and the environment[J]. Business and Politics, 2018, 20(4):615-642.
[5] LIANG J, GOETZ S J. Technology intensity and agglomeration economies[J]. Research Policy, 2018, 47(10):1990-1995.
[6] 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, 2020，35(9):141-161.
[7] 张斌, 沈能.集聚外部性、异质性技术和区域创新效率[J]. 科研管理, 2020, 41(8): 50-59.
[8] PORTER E. Cluster and the new economics of competition[J]. Harvard Business Review, 1998, 76:77-90.
[9] PADMORE T, GIBSON H. Modelling systems of innovation:a framework for industrial cluster analysis in regions[J]. Research Policy, 1998, 26(6):625-641.
[10] RAFFAELE P, STEFANO U. The role of specialization and diversity externalities in the agglomeration of innovative activities[J]. SSRN Electronic Journal, 2000, 2(2):237-268.
[11] 杜江, 张伟科, 葛尧. 产业集聚对区域技术创新影响的双重特征分析[J]. 软科学, 2017, 31(11):1-5.
[12] 张秋燕, 齐亚伟. 地区规模、集聚外部性与区域创新能力——对中国工业行业的门槛效应检验[J]. 科技进步与对策, 2016, 33(8):35-40.
[13] 陈劲, 梁靓, 吴航. 开放式创新背景下产业集聚与创新绩效关系研究——以中国高技术产业为例[J]. 科学学研究, 2013, 31(4):43-47.
[14] 于鹏. 环境规制对技术创新的影响及其区域异质性研究——基于中国省级面板数据的实证研究[J]. 管理评论, 2020, 32(5):88-95.
[15] UGUR M, TRUSHIN E, SOLOMON E. Inverted-U relationship between R&D intensity and survival:evidence on scale and complementarity effects in UK data[J]. Research Policy, 2016, 45(7): 1474-1492.
[16] ROTTMER N. Innovation performance and clusters—a dynamic capability perspective on regional technology clusters[M]. Germany: Gabler Verlag, 2011.
[17] 曾江洪, 刘晓薇. 创新要素流动视角下企业技术并购的创新绩效研究[J]. 工业技术经济, 2021,41(1): 104-112.
[18] 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): 57-63.
[19] 刘凤朝, 张娜，赵良仕. 东北三省高技术制造产业创新效率评价研究——基于两阶段网络DEA模型的分析[J]. 管理评论, 2020,32(4):90-103.
[20] CHENG H, ZHANG Z, HUANG Q,et al. The effect of university-industry collaboration policy on universities' knowledge innovation and achievements transformation:based on innovation chain[J]. Journal of Technology Transfer, 2018, 45(2):522-543.
[21] GLAESER L,KALLAL D,SCHEINKMAN A,et al.Growth in cities[J].Journal of Political Economy,1992,100(6):1126-52.
[22] SCITOVSKY T. Two concepts of external economics[J]. Journal of Political Economy, 1954, 62(2): 143-151.
[23] ARROW K J. The economic implications of learning by doing[J]. The Review of Economic Studies, 1962, 29(3): 155-173.
[24] ROMER P M. Increasing returns and long-run growth[J]. Journal of Political Economy,1986, 94(29): 155-172.
[25] SCITOVSKY T. Two concepts of external economics[J]. Journal of Political Economy, 1954, 62(2):143-151.
[26] HANSEN E. Sample splitting and threshold estimation[J]. Econometrica, 2000, 68(3):575-603.
[27] 吕承超, 商圆月. 高技术产业集聚模式与创新产出的时空效应研究[J]. 管理科学, 2017, 30(2): 64-79.
[28] ZHANG R, SUN B, LIU M. Do external technology sourcing and industrial agglomeration successfully facilitate an increase in the innovation performance of high-tech industries in China[J]. IEEE ACCESS, 2019(7):15414-15422.
[29] 胡宜挺, 高雅琪.高技术产业集聚对区域技术吸纳的影响——人力资本与制度环境视角[J]. 工业技术经济, 2020,40(9):153-160.
[30] HARTOG M, BOSCHMA R, SOTARAUTA M. The impact of related variety on regional employment growth in Finland 1993-2006: high-tech versus medium/low-tech[J]. Industry and Innovation, 2012, 19(6):459-476.
[31] GREUNZ L. Industrial structure and innovation-evidence from European regions[J]. Journal of Evolutionary Economics, 2004,14:563-592.
[32] NEFFKE F, HENNING M, BOSCHMA R,et al. The dynamics of agglomeration externalities along the life cycle of industries[J]. Regional Studies, 2011, 45:49-65.