数字服务业集聚对城市创新效率的影响:本地效应与空间溢出

《中华人民共和国国民经济和社会发展第十四个五年计划和2035年远景目标纲要》明确指出,要坚持创新在我国现代化建设全局中的核心地位,深入实施创新驱动发展战略。目前,我国自主创新投入力度不断加大,但创新效率尚待进一步提升,寻求创新效率提升路径是新发展格局下实现经济高质量发展的关键。伴随新一轮科技革命和产业变革,数字经济发展迅速,融合大数据、人工智能、物联网、云计算等技术的数字服务业已成为全球创新最活跃的领域之一,数字服务业高质量发展是数字时代驱动创新、重塑国际竞争格局的战略选择。与此同时,产业集聚作为一种空间经济活动,一直是学界关注的焦点,尤其是劳动力与企业在地理空间上的集聚会产生外部性,进而对当地创新活动产生影响。

就产业集聚形态而言,在数字经济背景下,区块链、互联网等技术在生产领域应用改变了产业空间范围,催生了产业组织网络化发展,使得产业集聚不再受地理条件和人文环境约束,形成虚拟集聚的空间新形态[1]。此外,数字经济可助推服务业数字化升级、降低交易成本以及激发规模经济优势、赋能服务业发展。数字服务业中既有作为中间投入的服务品,又有作为最终消费品的服务品,前者具有可贸易性,后者具有追随需求的特征,均呈现出较强的空间集聚特征,因此数字服务业集聚可突破空间限制,产生更显著的空间集聚效应。诸多地区关注数字服务业集聚发展,2020年商务部认定中关村软件园等12个园区为国家数字服务出口基地。其中,上海依托浦东软件园建设国家数字服务出口基地,园区内企业超过1 600家,知识产权拥有量超过15 000件。近年来,数字服务业中软件和信息技术服务业集聚效应凸显,2020年全国268个软件园区贡献了75%以上的软件业务收入,13个中国软件名城业务收入占比达77.5%。那么,数字服务业集聚能否驱动本地创新效率提升?随着数字经济高速发展,不同城市之间的经济联系日益紧密,产业集聚与城市创新效率之间往往存在空间关联性,数字服务业集聚是否会对邻近城市创新效率产生空间溢出效应?厘清数字服务业集聚对城市创新效率影响的本地效应与空间溢出效应有助于我国数字经济高质量发展以及创新驱动战略实施,因此具有重要的理论和现实意义。

与现有研究相比,本文的边际贡献如下:第一,以数字服务业集聚为切入点,厘清其对城市创新效率提升的驱动作用。现有研究一般从数字经济或产业集聚角度探究其与创新效率的关系,本文拓展了数字经济与集聚经济的相关研究。第二,将国家统计局《数字经济及其核心产业统计分类(2021)》与《国民经济行业分类》进行匹配,并基于剥离和留存系数确定数字服务业划分,弥补现有数字服务业及其空间集聚研究的不足。第三,忽略经济活动之间的空间关联性,会导致研究结果存在偏误。空间杜宾模型考虑了空间相关性,可同时识别对本地及邻近地区特定经济变量的影响。基于此,本文利用空间杜宾模型探究数字服务业集聚产生的本地效应与空间溢出效应。第四,以国内市场规模为中介机制,厘清数字服务业集聚对创新效率的影响机制,国内市场规模测度参考Harris(1954)构建的市场潜能函数,从而为加快建设全国统一大市场、构建以国内大循环为主体、国内国际相互促进的新发展格局提供经验支撑。

1 文献综述与研究假设

1.1 文献综述

与本文相关的文献主要包括三方面。

一是厘清区域创新效率提升的影响因素,分别从环境、创新价值链、政府支持、政府分权等维度探究区域创新效率提升问题[2-3]。此类文献主要基于随机前沿分析[4]、DEA模型、两阶段非合作博弈[5]、共同边界的效率评估函数[6]等对区域创新效率进行测度。事实上,现有文献已关注到产业集聚与创新效率的关系,主要基于外部性理论以及新经济地理学视角探究,但不同产业集聚对创新效率的影响路径存在差异:一类文献认为产业集聚外部性是影响区域创新效率的关键因素[4][6-7];另一类文献则得出产业集聚可通过地理距离和分工优势降低交易成本,强化知识溢出效应,驱动区域创新效率提升[8-9]。

二是关注服务业尤其是生产性服务业集聚的经济效应,主要集中于对制造业效率、城市经济绩效与技术创新的影响[10-14]。生产性服务业集聚带来的人才集聚有助于促进员工合作与交流,在集聚区内形成良好的创新氛围和学习环境[11]。此类文献大多基于空间溢出视角,探究生产性服务业集聚对本地和邻近地区经济发展的差异化影响。首先,在制造业效率提升方面,现有研究认为生产性服务业空间集聚对制造业生产效率提升与结构升级存在显著的空间溢出效应(肖文等,2014;韩峰等,2020)。其次,在城市经济绩效方面,生产性服务业集聚能够改善本地区经济增长质量,但对邻近地区经济增长质量存在抑制作用[12]。最后,关于技术创新的影响与本文研究最为密切。服务业集聚区为企业横向合作提供载体,通过劳动力“蓄水池”的外部性与知识溢出外部性促进企业创新能力提升[14-15]。

三是集中考察数字经济或数字产业发展的创新驱动效应[16-18]。在数字经济方面,现有文献厘清了数字经济对收入分配、创业活动、包容性增长、歧视性定价与质量竞争策略等方面的影响,在创新激励方面,认为数字经济对创新存在正向驱动作用。一方面,数字经济可形成规模经济、范围经济以及长尾效应,优化供需匹配,完善价格机制,通过要素投入提高资源配置效率和全要素生产率,进而激励创新[16,18]。另一方面,数字经济发展可通过激发消费者多样化需求、满足创业者信息获取需求以及优化产品匹配3个渠道提升城市创业活跃度,并通过数字金融纠正传统金融中的“属性错配”“领域错配”“阶段错配”,促进企业创新(赵涛等,20220;唐松等,2020)。在数字产业发展方面,王俊豪和周晟佳(2020)从数字产业技术密集性、高渗透性、先导性以及不确定性角度出发,指出数字产业的溢出效应包括正外部性、加速工业数字化增长、维持服务业数字化领先以及发挥农业数字化高潜力,但未进行实证检验。

现有文献分别对服务业集聚、区域创新效率、数字经济与数字产业的经济效应进行多维度验证,但不足之处在于:首先,未从集聚视角出发,探究数字产业集聚的经济效应,更未考虑空间相关性,研究其对邻近地区创新效率的空间溢出效应。其次,现有的数字产业研究同时涵盖数字制造业与数字服务业,并未将数字服务业剥离出来进行深入分析。数字服务业具备服务业的无形性、生产与消费的不可分割性特征,与数字制造业存在显著差异。最后,现有研究鲜少从国内市场规模角度探究集聚对创新效率的影响。基于此,本文将利用空间计量模型探究城市数字服务业集聚对创新效率影响的本地效应与空间溢出效应。

1.2 理论基础与研究假设

数字服务业集聚是指数字服务业在某地理区域的高度集中,是产业要素在空间范围内汇聚的过程。数字服务业具备数字产业与服务业的双重特征,即具备高技术密集性、高知识密集性、高渗透性以及低边际成本特征[19],同时,存在无形性、生产与消费的不可分割性,比制造业更依赖于本地市场规模,呈现出更显著的空间集聚效应[20]。本文将结合外部经济理论、新经济地理学与新新经济地理学理论诠释数字服务业集聚对城市创新效率的影响及作用机制,主要从本地效应、空间溢出效应以及市场规模扩张的中介机制3个方面展开。

首先,数字服务业集聚的劳动力蓄水池效应表现为吸引创新人才与数据要素流入,驱动创新效率提升。数字服务业隶属于知识密集型产业,拥有诸多高素质劳动力,通过吸引大量数字专业人才汇集,形成完备的劳动力市场,为企业创新提供充足的人才资源和数据资源[21],降低企业人才搜寻成本和信息匹配成本,驱动城市创新效率提升。

其次,数字服务业集聚存在知识溢出效应。因数字服务业集聚形成知识交换场所,有助于降低企业知识溢出壁垒,提高集聚区知识存量[14,22]。此外,创新网络形成有助于提高知识溢出和扩散速度,并通过产业内、产业间的双重知识溢出助推城市创新效率提升。产业内知识溢出使得数字服务业企业可以通过模仿和示范效应共享集聚区知识,获得专业化集聚的外部性,驱动数字服务业创新效率提升;产业间知识溢出则通过中间品共享,驱动以数字服务业为中间投入品的下游产业创新效率提升。

最后,数字服务业集聚有助于降低创新过程中的交易成本与信息匹配成本。一方面,数字服务业是高渗透性产业,包含人工智能、大数据、物联网等数字技术,高渗透性数字服务业集聚有助于驱动集聚区企业数字化转型,数字技术则通过缩短供应链长度,实现数字服务业与传统产业深度融合[19,23],充分发挥数据要素和信息资源在生产中的作用,降低企业经营与交易成本,提升城市创新效率。另一方面,数字服务业集聚通过数字服务技术等算法助力企业精准获取客户需求,缓解信息不对称性,降低创新过程中的信息匹配成本,解决消费者与研发者信息割裂问题,激励消费者线上线下参与产品研发,帮助企业根据消费者需求不断完善产品,推动产业端与创新端紧密衔接[24],进一步提高创新效率。基于以上分析,本文提出以下研究假设:

H1:数字服务业集聚能够促进本地城市创新效率提升。

1.2.2 空间溢出效应

邻近经济单元间存在某种关联,忽略经济活动的空间联系会导致研究结果偏误[25-30]。城市创新效率往往存在空间自相关性,本地区创新效率会通过示范效应传递至邻近地区,导致相邻城市创新效率存在一定依赖关系,形成高—高创新效率集聚地区、低—低创新效率集聚地区的空间分布格局。此外,创新要素流动以及上下游产业关联使得城市创新活动的空间溢出效应显著,表现为:一方面,数字服务业因自身在生产和消费环节存在空间上的不可分性,呈现出显著的空间集聚特征,要素溢出不会局限于当地,而是突破地理界限产生跨区域空间溢出[27-28]。数字服务业空间集聚带来劳动力要素聚集,而劳动力要素的跨区域流动有助于实现研发创新知识的空间溢出。另一方面,上下游产业之间存在较强的关联效应,数字服务业集聚可通过前后向产业关联效应影响邻近城市创新效率。数字服务业中的信息传输、软件和信息技术业隶属生产性服务业范畴,生产性服务业集聚会对下游制造业效率提升与第二三产业协同产生显著影响[29],有助于创新效应溢出。基于以上分析,本文提出以下研究假设:

H2:数字服务业集聚可通过空间溢出效应提高邻近城市创新效率。

1.2.3 市场规模扩张机制

经典的需求引致创新理论认为,市场需求规模扩大可驱动创新[31],新市场需求会激励企业开展创新,促进技术竞争发生。为了满足消费者的异质性需求、提供多样化的新产品和新服务,企业不得不提高创新效率(程鹏等,2017)。扩大本土市场规模是发挥规模经济效应和集聚效应、降低市场交易成本、畅通国内大循环、构建新发展格局的基础。2022年4月中共中央、国务院在《关于加快建设全国统一大市场的意见》中明确提出,立足内需、畅通循环,发挥超大规模市场具有应用场景和放大创新收益的优势,通过市场需求引导创新资源有效配置,促进创新要素有序流动和合理配置。

数字服务业空间集聚可通过循环因果效应和规模经济效应扩大国内市场规模,强化超大规模市场优势,驱动城市创新效率提升。首先,Krugman[27] 引入规模报酬递增和运输成本概念,构建“中心—外围”模型,考虑到劳动力的跨区域流动并阐释循环累积因果效应,认为集聚形成的原因包括市场规模、外部经济和偶然性因素。数字服务业集聚有助于为上下游企业提供便利的专业化服务,同时,要素集聚会产生价格指数效应,有利于运输成本、生活成本以及交易成本降低,促进数字服务业企业进一步集聚,扩大市场规模,再次强化集聚效应,如此循环,产生循环累积因果效应。其次,大数据、区块链、云计算等数字技术发展,使得数字产品和服务产品的边际成本大幅降低,有助于企业扩大生产规模,形成规模经济效应,提升企业市场占有率[1,31]。基于以上分析,本文提出以下研究假设:

H3:数字服务业集聚有助于拓展本土市场规模,发挥超大规模市场优势,提升本地与邻近城市创新效率。

基于上述分析,构建理论框架,如图1所示。其中,假设H1用于阐释数字服务业集聚对本地城市创新效率提升的影响,即本地效应;假设H2旨在厘清数字服务业集聚对邻近城市创新效率的空间溢出效应;假设H3探究市场规模扩张的中介机制,明晰数字服务业集聚通过市场规模扩张的中介机制实现本地和邻近地区城市创新效率提升。

2 模型设计

2.1 空间计量模型确定

根据前文分析可知,数字服务业集聚能够促进城市创新效率提升,基于此,构建计量模型如式(1)所示。

式(1)中,i和t分别表示城市与年份, lninnovit表示城市创新效率,为本文的被解释变量,lnnagglit表示城市数字服务业集聚水平,为核心解释变量,θ1为核心解释变量的弹性系数,X为控制变量,包含劳动力水平、政府干预、信息化水平和基础设施投入,εit是随机误差项。

为验证空间溢出效应,在式(1)基础上加入空间交互项,借鉴LeSage &Pace[32]提出的空间杜宾模型(SDM)构建空间计量模型,如式(2)所示。

式(2)中同时包括解释变量和被解释变量的空间交互项,其中,ρ表示空间自回归系数,wij表示空间权重矩阵,此处为城市经济距离矩阵,φi(i=1～2)表示空间交互项的弹性系数。

和

分别表示城市创新效率与数字服务业集聚的空间滞后项,

表示各控制变量的空间滞后项,vt、μi、εit分别表示时间效应、空间效应和随机误差项。

2.2 数据来源

选取2009—2019年259个地级城市作为样本数据,剔除存在大量缺失数据的样本,包括拉萨、三沙、陇南、海东等29个城市。城市数据主要来源于2010-2020年《中国城市统计年鉴》、各省(市)统计年鉴以及各省市《国民经济和社会发展统计公报》。其中,创新效率输出指标采用各城市当年发明专利授权量衡量,数据源自中国研究数据服务平台(CNRDS)发布的1990-2019年地级市专利统计,创新效率输入指标采用各城市2009-2019年科学技术支出、教育支出和普通高校在校人数测度,数据源自《中国城市统计年鉴》。

2.3 变量选取

2.3.1 被解释变量

城市创新效率(innov)。借鉴刘奕[33]等计算生产效率的方法,利用数据包络分析法(DEA)的CCR模型计算城市创新效率。假设共有n个决策单元DMUj,有m个输入指标和s个输出指标,则引入非阿基米德无穷小量ε,构建具有输入倾向的CCR模型如下:

式(3)中,s-和s+分别为输出与输入变量;Θ是投入x的可压缩比例,若线性规划的最优解为Θ,λ、s-,s+,当Θ=1且s-=0,s+=0时,则认为决策单元DEA有效。当被评价的DMU数据为包含多时间的面板数据时,可以进一步对创新效率变化以及技术效率变化、生产技术变化进行分析,即 Malmquist创新效率指数可分解为技术效率变化(EC) 和生产技术变化(TC) 两部分。在本研究中,采用相邻参比法进行 Malmquist 的计算与分解,即求得的Malmquist 指数是由两个不同时期前沿的 Malmquist 指数几何平均值计算而得。Malmquist 指数、效率变化、技术变化三者的数量关系为 MI=EC×TC。本文中的创新效率产出指标采用城市拥有的发明专利授权量表示,投入指标采用城市科学技术支出、教育支出和普通高等学校在校人数衡量。根据城市创新效率测度结果可知,创新效率较高城市主要集中在东部沿海地区,这是因为上述地区经济发达,重视创新,知识发展水平高,与此同时,西部省会城市的创新效率也较高。

数字服务业集聚(naggl)。数字服务业界定是本文研究基础,国家统计局的《数字经济及其核心产业统计分类(2021)》中将数字经济分为五大类,其中,数字产品制造业、数字产品服务业、数字技术应用业以及数字要素驱动业属于数字经济核心产业,即数字产业化部分。经与《国民经济行业分类》匹配可知,数字服务业包含批发和零售业,信息传输、软件和信息技术服务业,租赁和商务服务业,科学研究和技术服务业,居民服务、修理和其它服务,文化、体育和娱乐业共六类。其中,信息传输、软件、信息技术服务业中所有部门均属于数字产业部分,其它5个行业则按照许宪春和张美慧[34]、李腾[35]等构建的剥离和留存系数进行归类。其中,剥离系数是指行业中数字产业增加值占行业总增加值的比重,留存系数是剥离数字产业后剩余产业的占比。六大数字服务业中,批发和零售业的剥离系数为23.64%,科学研究和技术服务业的剥离系数为2.79%,这是因为批发和零售业高度依赖数字平台发展,而科学研究和技术服务业中包含大数据、物联网、人工智能等新兴关键技术以及3D打印推广服务业。基于此,本文的数字服务业包括信息传输、软件、信息技术服务业,批发和零售业以及科学研究和技术服务业三类服务行业,并根据分类测度数字服务业集聚程度。

现有文献中采用多种方法测度产业集聚,包括空间基尼系数、区位熵指数、赫芬达尔指数、E-G指数等,本文采用区位熵指数测度城市数字服务业集聚程度,该指数主要衡量地区要素的空间分布,计算公式如式(4)所示。

式(4)中,naggl表示区位熵指数,i和r分别表示城市与行业,eir表示i地区r行业就业人数,∑ieir表示所有城市r行业就业总人数,∑reir表示i城市所有行业就业总人数,∑i∑reir表示所有城市就业总人数。由于本文关注的是城市数字服务业集聚情况,因此r行业是指数字服务业。根据2019年数字服务业集聚程度测算结果可知,数字服务业集聚度较高城市仍然集中在东部沿海地区,或者是各省会城市。值得关注的是,贵州省自2015年成立大数据中心后,贵阳市数字服务业集聚程度不断提高。

2.3.3 控制变量及中介变量

政府干预(gov):本文以城市财政收入占全市生产总值的比重表征政府干预程度。信息化水平(info):地区信息化水平提高有助于信息传递成本降低,从而促进该地区创新效率提升,本文采用地区电信业务收入衡量信息化水平并对其取对数。劳动力供给(L):借鉴曾艺[12]等的方法,以城市年末单位从业人数衡量劳动力供给水平并对其取对数。基础设施投入(libr):采用每百人公共图书馆藏书量衡量,藏书量越多,侧面体现城市基础设施越完善,越能够吸引更多知识密集型劳动力流入,从而促进城市创新效率提升。

市场规模(mp):市场规模是影响城市创新效率的重要因素,本文采用Harris[36]构建的市场潜能函数测度,计算公式如式(5)所示。

式(5)中,Yj、Yi分别表示j城市与i城市地区生产总值,dij为i城市与j城市之间的地理距离,采用赵增耀(2012)的处理方法,根据两城市公路距离衡量;dii为城市内部距离,参考Redding&Venables[37]的处理方法,采用城市半径的2/3作为内部距离,计算公式为

其中,si为城市土地面积。表1为各变量描述性统计结果。

3 空间计量分析

3.1 城市创新效率空间相关性分析

采用Moran's I指数检验城市创新效率的空间自相关性,其计算公式如式(6)所示。

其中,

为样本方差,xi和xj分别表示地区i与地区j的观测值,wij为空间权重矩阵。空间权重矩阵用来描述空间依赖性,包括基于地理距离构造的空间距离矩阵、基于空间距离求倒数获得的反距离矩阵和基于人均GDP构造的经济距离矩阵等。由于基于地理距离构造的空间距离矩阵忽略了不同地区经济发展差异对相邻城市影响的差异化问题,而经济距离空间权重矩阵在一定程度上弥补了空间距离矩阵的局限性,因此本文选择经济距离矩阵(we)为空间权重矩阵,其计算公式如式(7)所示。

其中,

表示城市i的人均

表示城市j的人均GDP,经济距离矩阵主要衡量经济距离邻近性。距离越小,反映出城市经济发展关联性越强。Moran's I指数取值一般在-1～1之间,如果Moran's I指数大于0说明空间自相关为正,即高值与高值邻近、低值与低值邻近;反之,Moran's I指数小于0则说明空间自相关为负,即高值与低值相邻;Moran's I指数等于零,表示各地区之间独立无关联。

基于经济距离权重矩阵测度的城市创新效率全局Moran's I指数如表2所示,结果显示,2009-2019年城市创新效率的Moran's I指数均通过了显著性检验,并且结果显著为正,说明各城市创新效率并非为随机分布结果,而是呈现出较强的空间正相关性,创新效率高值地区与高值地区邻近,低值地区与低值地区邻近。从测算结果看,除2012年和2014年外,2009—2016年城市创新效率的Moran's I指数呈稳步上升趋势,从2009年的0.021上升至2016年的0.159,2016-2019年略有下降,城市创新效率的空间依赖性有所减弱但仍然维持在较高水平,2019年Moran's I指数为0.138。因此,可以认为,样本城市创新效率存在较强的空间关联性,基于空间自相关结果,本文采用空间计量模型进行实证检验。

3.2 基准空间计量回归结果分析

根据Elhorst[38]的检验思路以及曾艺[12]的检验方法,采用空间计量模型进行实证检验。首先,进行LM检验。检验结果显示,LM-lag检验、R-LM-lag检验、LM-err检验、R-LM-err检验在1%水平下通过检验,说明SAR模型和SEM模型都适用。其次,对SDM模型进行豪斯曼检验,检验结果显示,在1%水平下通过显著性检验,说明模型应该选用固定效应的SDM模型。最后,对SDM模型进行简化检验,结果显示,LR检验拒绝了原假设,说明该模型不可退化为SAR模型和SEM模型,应选用SDM模型。基于此,本文选择SDM模型结果作为最终计量结果,为便于比较以及检验稳健性,表3中第(1)—(3)列分别为SEM模型、SAR模型以及SDM模型的固定效应回归结果。

根据表3结果,第(3)列中空间杜宾模型的空间自回归系数在5%水平下通过了显著性检验,说明不仅存在影响解释变量数字服务业集聚的外生交互效应,而且存在影响被解释变量城市创新效率的内生交互效应。城市创新效率不仅会受到邻近城市创新效率的影响,而且会受到本地与邻近城市数字服务业空间集聚的影响。在SDM模型检验结果中,数字服务业集聚的回归系数显著为正,空间滞后项系数也通过显著性检验,但是由于表3中的空间杜宾模型包含全局效应,导致空间滞后项不能很好地体现解释变量的边际影响,参数估计值不能直接反映解释变量对被解释变量的全部影响,需要进一步进行直接效应和间接效应分解。

LeSage&Pace[32]利用偏微分法将SDM模型分解为直接效应和间接效应,可有效避免由点估计造成的溢出效应偏误。直接效应表示本地区解释变量对被解释变量的影响,体现了本地效应;间接效应则表示本地区解释变量对邻近地区被解释变量的影响,体现了空间溢出效应。表4展示了经济距离矩阵下SDM模型的直接效应和间接效应估计结果,结果表明,数字服务业集聚对城市创新效率的直接影响效应和间接影响效应均显著为正,即数字服务业集聚无论是对本地区创新效率还是周边地区创新效率提升都存在显著正向效应。

直接效应结果显示,回归系数为0.115,通过了5%水平下的显著性检验,说明本地区数字服务业集聚能够显著驱动本地区创新效率提升。这是因为数字服务业集聚通过吸引数字服务型人才流入,在其集聚区内形成知识交换场所,促进集聚区企业直接接触和交流合作,降低知识壁垒,减少人才匹配成本与信息匹配成本,促进创新知识与人才积累,激励创新,助力本地创新效率提升。根据前文研究,我国创新效率较高城市主要集中在东部沿海地区或者为西部各省会城市,同时,数字服务业集聚程度较高城市亦集中在东部沿海地区或为各省会城市,如杭州、南京等城市,其数字服务业集聚通过创新人才与数据要素汇聚、上下游产业关联以及创新成本降低等方式,促进本地创新效率提升,从而验证了前文研究假设H1。

间接效应结果显示,数字服务业集聚对周边地区创新效率提升的空间溢出效应显著为正,即本地区数字服务业集聚会提升邻近地区创新效率。这是因为,在数字服务业集聚区形成的创新知识会随着企业选址而扩散和溢出,通过企业异地办厂以及创新人才跨区流动形成创新网络,促进周边城市创新效率提高。如上海数字服务业的空间集聚程度高,通过集聚规模对周边城市产生辐射效应,特别是对周边地区创新效率产生正向溢出效应。该结论验证了研究假设H2,即城市数字服务业集聚通过空间溢出效应显著促进邻近城市创新效率提升。

控制变量回归结果如下:第一,政府干预的直接效应和间接效应均显著为负,说明地方政府干预会对本地区及周边城市创新效率产生抑制作用,影响城市创新活力,降低城市创新效率。第二,基础设施的直接效应为正且通过显著性检验,间接效应未通过显著性检验,说明基础设施完善可以促进本市创新效率提升,吸引创新要素流入,但是对周边城市创新效率的影响不显著。第三,信息化水平和劳动力供给对城市创新效率的直接效应与间接效应均不显著。

3.3 稳健性检验

基于不同空间权重矩阵对基准回归结果进行稳健性检验,主要选择空间距离矩阵,参考程开明和章雅婷[39]的方法构建矩阵,如式(8)所示。

其中,dij表示城市间距离;dmax为城市间距离最大值, α和β分别表示城市纬度与经度,R是地球半径。基于以上空间权重矩阵,构建SDM模型,表5中第(1)-(4)列分别显示SDM模型结果、直接效应、间接效应以及总效应。稳健性检验结果表明,替换不同权重矩阵后,数字服务业集聚对城市创新影响的直接效应与间接效应均显著,该结果与以经济距离矩阵为权重的结果一致,说明模型估计结果具有稳健性。

4 机制检验:市场规模扩张效应

前文分析可知,数字服务业集聚可拓展本土市场规模,发挥超大规模市场优势,提升城市创新效率。为厘清这一机制,本文选择城市市场潜能(mp)衡量本地市场规模,并作为数字服务业集聚对城市创新效率影响的中介变量。借鉴Baron &Kenny[40]的检验方法,构建递归模型进行检验,中介模型如式(10)—式(12)所示。

其中,α0,Δ和

为常数项,xit是控制变量,ζi为随机误差项。首先,对式(10)进行估计,检验数字服务业集聚对城市创新效率的影响;其次,对式(11)进行计量分析,检验数字服务业集聚对城市市场潜能是否有显著影响,如果显著为正,说明数字服务业集聚对城市市场潜能具有显著促进作用;最后,对式(12)进行估计检验,如果系数

和f均显著且系数

相比式(10)中的a1有所降低,则说明不同城市规模在数字服务业集聚对城市创新效率的影响中具有部分中介效应。如果变量

不显著而f通过显著性检验,则说明城市规模在数字服务业集聚对城市创新效率的影响中存在完全中介效应。

式(10)—式(12)中的直接效应分别对应表6中第(1)(3)(5)列,间接效应对应第(2)(4)(6)列。根据直接效应结果看:第(3)列中,数字服务业集聚对本地市场规模的影响显著为正,系数为0.054,通过了5%水平下的显著性检验;第(5)列结果显示,本地市场规模扩张在数字服务业促进城市创新效率提升的影响中存在部分中介效应,即数字服务业集聚能够促进本地超大规模市场优势形成并驱动创新效率提升。从间接效应结果看,第(4)列中数字服务业集聚系数显著为正,表明数字服务业集聚可对邻近地区市场规模扩张产生正向空间溢出效应;第(6)列结果显示,数字服务业集聚能通过促进邻近地区市场规模扩张,对邻近地区创新效率提升发挥空间溢出效应。

5 异质性检验

5.1 行业异质性

不同数字服务业集聚可能由于行业异质性而对城市创新效率产生不同影响,本文将探究不同数字服务业行业集聚对城市创新效率的影响,结果如表7所示。研究结果表明,信息传输、软件和信息技术服务业以及科学研究、技术服务业对城市创新效率的直接效应显著为正,间接效应亦显著为正,说明上述行业集聚对提高本地创新效率有显著正向影响,对于邻近地区创新效率也具有正向空间溢出效应。究其原因是,信息传输、软件和信息技术服务业作为数字服务业的主要构成,也是创新活动开展较多的行业。一个城市的信息传输、软件和信息技术服务业集聚程度越高,就越有利于该地区优化配置创新要素、加强信息基础设施建设、吸引更多人才,从而促进当地城市创新效率提升。而科学研究和技术服务业是创新的先锋力量,该行业人才与企业集聚有助于创新效率提升。批发和零售业对本地创新效率以及邻近地区创新效率的影响均不显著,究其原因,批发和零售业虽高度依赖于数字平台与数字经济,但本身尚存在知识密集度与创新性不足问题,因此对创新效率的驱动效果不显著。

5.2 区域异质性

我国创新效率与数字服务业集聚程度均呈现明显的梯度性及不平衡性。本文参考程开明和章雅婷[35]的城市划分方法,将样本城市分成东部、中部和西部地区并进行区域异质性分析。表8展示不同地区数字服务业集聚对创新效率影响的SDM模型及其空间分解结果。可以看出,东部地区数字服务业集聚对本地城市创新效率呈正向影响,并通过显著性检验,但是会抑制周边城市创新效率提升,即数字服务业集聚的空间溢出效应为负。这是因为东部地区数字服务业集聚程度较高,不断吸引创新要素流入,从而提高本地区创新效率,而周边城市会因为创新要素流失导致创新效率下降。中部地区数字服务业集聚对本地创新效率产生正向影响,对周边城市创新效率的影响亦显著为正。西部地区数字服务业集聚的空间溢出效应通过检验,但本地效应未通过显著性检验。这是因为西部地区城市数字服务业集聚程度不高,受限于数字服务业基础设施不完善以及经济发展水平不高,对本地创新效率提升的作用不显著。

6 结论与建议

本文以2009-2019年中国259个地级市面板数据为样本,结合国家统计局《数字经济及其核心产业统计分类(2021)》与区位熵指数测度各城市数字服务业集聚程度,利用数据包络分析法(DEA)的CCR模型测算城市创新效率,并基于空间杜宾模型探究数字服务业集聚对城市创新效率影响的本地效应与空间溢出效应。得到以下研究结论:第一,我国数字服务业集聚水平以及创新效率较高的城市主要集中在东部沿海地区或是西部省会城市。城市创新效率全局Moran's I指数结果显示,城市创新效率并非随机分布,而是呈现出较强的正向空间自相关。第二,数字服务业集聚对城市创新效率的本地影响效应与空间溢出效应均显著为正,即数字服务业集聚能够明显提高本地区及周边城市创新效率。第三,数字服务业集聚可通过市场规模效应,发挥超大规模市场优势,促进城市创新效率提升。第四,数字服务业集聚对创新效率的驱动作用存在行业与地区异质性,如信息传输、软件和信息技术业,科学研究和技术服务业集聚能够同时促进本地区与邻近地区创新效率提升,对于东部地区与中部地区而言,数字服务业集聚程度越高,越能提升城市创新效率,从其影响效果来看,对东部地区城市创新效率的影响更显著,中部地区次之。

基于以上结论,本文提出如下建议:首先,坚持集聚发展,提升产业竞争优势,促进信息技术服务业、数字内容服务、数字平台服务等数字服务业的空间集聚,实现对创新效率的驱动机能,突破空间限制,为创新发展赋能。各地区应鼓励出台数字服务业人才引进政策,培育新兴数字服务企业,出台专项扶持计划,促进数字服务业集聚。其次,不同城市需因地制宜,寻求合适的创新效率提升路径。东部和中部地区应加大数字服务业研发强度,吸引数字服务业专业人才流入,发挥知识溢出效应并实现中间品共享,促进创新效率提升;西部地区应制定优惠政策、吸引人才,提高本地区数字服务业发展水平,发挥本地产业优势,完善产业链,实现创新效率提升。此外,可充分发挥我国超大规模市场优势和内需潜力,通过数字服务业集聚推动数字基础设施连通,降低市场交易成本,加快统一大市场建设,构建国内国际市场双循环格局,共享创新成果。最后,城市间应突破行政边界,加强创新合作,通过知识转移和知识溢出等方式,带动周边地区创新发展与创新效率提升,促进创新成果转化,实现城市间协同创新。

[1] 陈晓红,李杨扬,宋丽洁,等.数字经济理论体系与研究展望[J].管理世界,2022,38(2):208-224.

[2] WANG E C, HUANG W. Relative efficiency of R&D activity: a cross-country study accounting for environment factors in the DEA approach[J]. Research Policy,2007(36):260-273.

[3] 白俊红,蒋伏心.协同创新、空间关联与区域创新绩效[J].经济研究, 2015, 50(7):174-187.

[4] 谢露露.产业集聚和创新激励提升了区域创新效率吗?来自长三角城市群的经验研究[J].经济学家,2019,31(8):102-112.

[5] 赵增耀,章小波,沈能.区域协同创新效率的多维溢出效应[J].中国工业经济,2015,33(1):32-44.

[6] 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):49-59.

[7] HENDERSON V,KUNCORO A,TURNER M． Industrial development in cities[J].Journal of Political Economy,1995,103(5): 1067-1090.

[8] ANDERSSON R, J QUIGLEY, WILHELMSSON M. Agglomeration and the spatial distribution of creativity[J]. Papers in Regional Science, 2005, (3): 445-464.

[9] 彭向,蒋传海.产业集聚、知识溢出与地区创新——基于中国工业行业的实证检验[J].经济学(季刊),2011,10(3):913-934.

[10] ESWARAN M, KOTWAL A. The role of service in the process of industrialization[J]. Journal of Development Economics,2002,68(2):401-420.

[11] KEEBLE D,NACHAM L.Why do business service firms cluster[R].Cambridge:Working Paper,2001

[12] 曾艺,韩峰,刘俊峰.生产性服务业集聚提升城市经济增长质量了吗[J].数量经济技术经济研究,2019,36(5):83-100.

[13] 余泳泽,刘大勇,宣烨.生产性服务业集聚对制造业生产效率的外溢效应及其衰减边界——基于空间计量模型的实证分析[J].金融研究,2016,32(2):23-36.

[14] 王猛,姜照君.服务业集聚区,全球价值链与服务业创新[J].财贸经济,2017,38(1):146-161.

[15] 谢露露.产业集聚和创新激励提升了区域创新效率吗——来自长三角城市群的经验研究[J].经济学家,2019,31(8):102-112.

[16] BRYNJOLFSSON E, COLLIS A. How should we measure the digital economy[J]. Harvard Business Review,2019,97(6):140-148.

[17] CHANIAS S, MYERS M D, HESS T. Digital transformation strategy making in pre-digital organizations: the case of a financial services provider[J]. The Journal of Strategic Information Systems,2019,28(1):17-33.

[18] 荆文君,孙宝文.数字经济促进经济高质量发展:一个理论分析框架[J].经济学家,2019,31(2):66-73.

[19] 王俊豪,周晟佳.中国数字产业发展的现状、特征及其溢出效应[J].数量经济技术经济研究,2021,38(3):103-119.

[20] ILLERIS S, PHILIPPE J.Introduction: the role of services in regional economic growth[J]. Service Industries Journal, 1993, 13(2):3-10.

[21] DURANTONG, PUGA D. Nursery cities:urban diversity,process innovation,and the life- cycle of products[J]. American Economic Review,2001,91(5):1454-1477.

[22] BAPTISTA R, SWANP. Do firms in clusters innovate more [J].Research Policy,1998(27):525-540.

[23] THOMPSON P WILLIAMS R, THOMAS B. Are UK SMEs with active web sites more likely to achieve both innovation and growth [J]. Journal of Small Business and Enterprise Development,2013,20(4):934-965.

[24] PEE L G. Customer co-creation in B2C ecommerce: does it lead to better new products [J]. Electronic Commerce Research,2016,16(2):1-17.

[25] ANSELIN L. Spatial econometrics: methods and models [M].Berlin: Springer Verlag,1988.

[26] 李斌,杨冉.生产性服务业集聚与城市经济绩效[J].产业经济研究,2020,19(1):128-142.

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

[28] KOLKO J. Can I get some service here? information technology, service industries, and the future of cities [R].SSRN Working Paper, 1999.

[29] 张虎,韩爱华,杨青龙.中国制造业与生产性服务业协同集聚的空间效应分析[J].数量经济技术经济研究,2017,34(2):3-20.

[30] SCHMOOKLER J. Invention and economic growth[J]. Economic History Review,1966, 20(1):135．

[31] SCHMIDT C G, WAGNER S M. Blockchain and supply chain relations: a transaction cost theory perspective[J]. Journal of Purchasing and Supply Management, 2019, 25(4):100552.

[32] LESAGE J P, PACE R K. Introduction to spatial econometrics[M].CRC Press,2009.

[33] 刘奕,夏杰长,李垚.生产性服务业集聚与制造业升级[J].中国工业经济,2017,35(7):24-42.

[34] 许宪春,张美慧.中国数字经济规模测算研究——基于国际比较的视角[J].中国工业经济,2020,38(5):23-41.

[35] 李腾,孙国强,崔格格.数字产业化与产业数字化:双向联动关系、产业网络特征与数字经济发展[J].产业经济研究,2021,20(5):54-68.

[36] HARRIS C D. The market as a factor in the localization of industry in the United States[J]. Annals of the association of American geographers, 1954, 44(4): 315-348.

[37] REDDING S, VENABLES A J. Economic geography and international inequality[J]. Anthony Venables, 2004, 62(1):53-82.

[38] ELHORST J P. Matlab software for spatial panels[J]. International Regional Science Review,2014,37(3):389-405.

[39] 程开明,章雅婷.中国城市创新空间溢出效应测度及分解[J].科研管理,2018,39(12):86-94.

[40] BARON R M, KENNY D A. The moderator variable distinction in social psychological research:conceptual, strategic and statistical considerations [J].Journal of Personality and Social Psychology,1986,51(6):1173-1182.