The Mechanism of the Influence of Information Technology Investment on the Efficiency of Regional Innovation in Two Stages from the Perspective of Spatial Correlation

Zhang Zhiguang,Bai Yangrui,Hu Haiqing

(College of Economics and Management,Xi'an University of Technology,Xi'an 710054,China)

Abstract：The issues of resource endowment, low input-output efficiency and uneven spatial distribution of resources are restricting the implementation of China's regional innovation development strategy, resulting in obvious spatial agglomeration characteristics and huge regional differences in China's innovation efficiency. It has become the key to achieving innovation-driven development by improving innovation efficiency and the quantity and quality of innovation output on the basis of limited innovation resource input. To solve the various contradictions in the current economic development and make technical breakthroughs in the high-tech field, it is necessary to further improve the level of national innovation as a driving force. Because of the differences in innovation resource allocation, innovation environment and industrial base, the innovation process and innovation efficiency of different innovation stages should be treated specifically.

As an important means to create and cultivate new economic momentum and new economic growth points, information technology has become a key support point for innovation-driven high-quality economic development, and is significant for optimizing regional resource allocation and industrial structure adjustment. Information technology not only provides high-quality R&D personnel, accelerates organizational learning and knowledge flow and reduces organizational costs of technology R&D, but also promotes the quality and efficiency of traditional industries through penetration and substitution effects, deriving various emerging economies and digital platforms, thereby improving regional productivity and achieving innovation-driven development. In addition, there is a close geospatial relationship between regional innovation systems and their innovation elements, and it is necessary to include spatial econometric models in the research process to examine the innovation effect of information technology investment and the phenomenon of spatial agglomeration.

According to the innovation value chain theory and geographical economics, the regional innovation process is divided into technology research and development stage and market transformation stage, and the regional innovation efficiency of China from 2012 to 2020 is calculated based on the panel stochastic frontier analysis, and the impact of information technology investment on the two-stage innovation efficiency from the perspective of spatial effect is empirically examined, and the moderating effect of information technology industry scale is tested. The results show that the regional innovation efficiency in China's technology R&D stage shows an increasing trend year by year, and the market transformation stage shows a U-shaped pattern of first declining and then rising. There is a significant positive spatial correlation between the efficiency of two-stage innovation. There is a positive U-shaped relationship between information technology investment and innovation efficiency in the technology R&D stage, and an inverted U-shaped relationship with innovation efficiency in the market transformation stage. The scale of information technology industry is negatively and positively moderating respectively the impact of information technology investment on regional innovation efficiency in the stage of technology research and development and market transformation. Hence,it is vital to strengthen the quality of innovation in the stage of technology research and development, attach importance to basic research and rational allocation of the scale of information technology industry, and avoid serious excessive industrial convergence and waste of resources.

In order to improve the efficiency of regional innovation in China, the following policy suggestions are hereby put forward. First, in the stage of technology research and development, governments should further improve the construction of innovation ecosystem, actively implement scientific research and innovation reward and subsidy policies,and strengthen the quality of basic research investment and infrastructure construction. Secondly, in the stage of market transformation, all regions should improve the matching mechanism of scientific and technological achievements and market transformation, and accelerate the promotion of industry-university-research cooperation, and improve the trading and supervision system of the technology market to ensure the efficient operation of scientific research achievement transformation activities; in addition, since the impact of information technology investment on regional innovation efficiency in the two stages is different,each region should form its own unique information technology development strategy and industrial planning to prevent homogeneous competition and low-level duplicate construction, forming dislocation development; finally, it is essential to focus on the spatial agglomeration in innovation activities, give play to the synergy and complementary mechanism of regional high-tech industries, and explore cross-regional innovation cooperation models.

Key Words：Regional Innovation Efficiency; Information Technology Investment; Space Effect; Industrial Scale; Stochastic Frontier Analysis

收稿日期：2022-06-22

修回日期：2022-11-21

基金项目：国家自然科学基金面上项目(72072144);中国博士后科学基金项目(2018M633551);陕西省自然科学基金项目(2021JQ-491)

作者简介：张之光(1985-),男,陕西乾县人,博士,西安理工大学经济与管理学院副教授、硕士生导师,研究方向为高新技术产业与创新管理;白阳瑞(1996-),女,陕西渭南人,西安理工大学经济与管理学院硕士研究生,研究方向为投融资决策与风险管理;胡海青(1971-),男,陕西西安人,博士,西安理工大学经济与管理学院院长、教授、博士生导师,研究方向为创业管理与区域经济发展。

DOI：10.6049/kjjbydc.Q202206002

开放科学(资源服务)标识码(OSID)：

中图分类号：F061.5

文献标识码：A

文章编号：1001-7348(2023)23-0062-10

0 引言

随着我国经济由高速增长阶段转向高质量发展阶段,培育和打造新增长动能、实现从要素驱动转向效率驱动和创新驱动,成为当前区域经济高质量发展的核心问题和重点任务。破解经济发展中存在的各种矛盾和高新技术领域“卡脖子”技术难题,必须进一步提升国家创新水平,发挥创新在经济高质量发展中的引领作用[1]。然而,当前仍存在创新资源配置不均衡和创新产出水平不高、创新活力缺乏、创新生态有待优化等现实问题,对实现经济高质量发展带来巨大挑战[2]。尤其是受区域创新资源禀赋、研发要素流动以及空间溢出效应等因素影响,我国创新效率具有明显的空间集聚特征且区域差距较大(黄明凤等,2022)。根据创新价值链理论,区域创新是科学技术实现市场价值的全过程,包括技术研发和成果转化阶段。受创新资源配置、创新环境和产业基础的影响,不同阶段的创新要素和创新效率不同,但既有文献关注较少[3]。科学合理地描述和区分两阶段区域创新表现及投入产出要素,构建创新效率测算方法和驱动因素模型,是提升两阶段区域创新效率和探索其影响机制的重要前提。

信息技术投资被认为是培育经济新动能与经济新增长点的重要手段,是驱动经济高质量发展的关键支撑,对于优化区域资源配置和调整产业结构具有重要意义[4]。在技术研发阶段,信息技术投资使得信息获取方式和渠道更加多样化,从而有助于降低研发活动门槛,减少障碍,缩短研发周期,实现技术知识外溢。在市场转化阶段,信息技术投资通过渗透效应和替代效应,推动传统产业提质增效,提高区域生产率并实现创新驱动发展。此外,产业规模越大,产业集聚效应越明显,信息技术投资通过集聚更多的研发资本与研发人员,实现创新活动的规模效应(谢子远等,2017)。因此,研究信息技术投资对不同阶段区域创新效率的影响及作用机制,以及信息技术产业规模的调节效应,对于信息技术经济价值实现和创新生态体系构建具有一定的理论价值。

根据地理经济学理论,信息技术投资与区域创新系统关系受空间格局的影响(李婧等,2010)。因此,有必要纳入空间计量模型,探索信息技术投资影响创新效率的空间集聚效应。本文运用随机前沿方法测算和对比我国两阶段区域创新效率,实证检验信息技术投资影响两阶段区域创新效率的作用机制、空间效应和信息技术产业规模的调节效应,以期为提升不同阶段创新效率、缓解地区创新资源不均衡并实现区域协调发展提供理论支撑。

1 文献综述

作为国家创新体系的重要组成部分,区域创新系统已成为地方政府驱动经济转型和实现“追赶超越”的战略支撑,是驱动区域经济高质量发展和获取竞争优势的重要载体,因此被置于新时代国家建设的重要位置[5]。作为反映创新资源配置水平的重要指标,创新效率是反映区域创新系统竞争力的核心指标,也是衡量区域经济发展水平的关键因素[6]。众多学者采用不同方法测度和比较区域创新效率。如有学者采用非径向SE-C2R模型测算中国内地30个省域创新效率,研究发现,创新效率总体水平偏低,经济发达地区创新效率高于经济欠发达地区(王春枝等,2015);马大来等[7]运用SFA方法测度各省域区域创新效率,结果表明,区域创新效率整体上呈现上升趋势并表现出区域差异性;还有学者使用超效率共同边界函数测算各省域创新效率,发现集聚外部性是影响创新效率的重要因素(张斌等,2021);冉茂盛等[8]运用DEA-Tobit模型,研究经济不确定性对区域创新效率的影响及作用机理,研究发现,经济不确定性通过削弱企业家精神阻碍区域创新效率增长;陈银娥等[9]应用DEA模型和时空地理加权回归模型,研究区域科技创新效率的时空异质性,认为科技创新纯技术效率与规模效率不同导致区域创新效率存在一定差异。可见,当前针对区域创新效率的测度主要集中在市场转化阶段,缺乏对市场转化前因即技术形成过程的考量。

此外,相关学者针对区域创新效率的影响因素展开大量实证研究。如有学者认为,区域创新效率受科技研发和成果转化两个阶段的共同影响,金融发展通过对外开放促进区域创新效率提升(赵增耀等,2016);柳卸林等[10]将区域创新效率分为技术创新效率和商业效率,政府研发补贴和研发费用加计扣除对两者都有显著影响;有研究发现,政府科技投入对区域创新效率具有抑制作用,区域产学研协同度存在地区差异(杨柏等,2021)。从区域异质性和空间溢出效应来看,互联网发展对区域创新效率的影响具有主体异质性[11];数字金融及发展广度、深度和数字化程度都正向影响区域创新效率,且数字金融创新存在空间溢出效应,具有主体异质性和区域异质性(郑万腾等,2021)。可见,在考虑区域异质性和空间溢出效应的影响下,分阶段研究区域创新效率至关重要。

信息技术具有高渗透性、战略性和先导性,对社会经济系统产生巨大的正外部性[12]。其有助于提高知识管理水平,并成为获取外部知识的重要途径,因而有利于提升创新绩效[13]。Nada et al[14]研究发现,作为盈利能力和可持续发展的关键要素,信息技术投资可为组织带来有形或无形的经济资源,进而提升组织创新绩效。作为信息技术发展的新形态,数字化通过产业创新效应促进区域经济增长,但也造成区域间“数字鸿沟”扩大(柳卸林等,2021)。从微观层面来看,信息技术投资与企业创新绩效呈U型关系,与技术创新动态能力呈显著的倒U型关系[4]。此外,信息技术投资与R&D投入具有显著的协同效应,R&D投入有助于提高IT投资绩效[15]。可见,信息技术投资对创新活动具有重要影响,尤其是对创新资源配置(创新效率)的影响值得进一步探讨。

区域创新产出并不是无规律的随机分布,而是存在显著的正向空间相关性,受地理区位特征与社会经济特征的影响(李婧等,2010)。因此,空间效应对区域创新能力[16]和区域创新效率都具有显著影响。苏屹和林周周[17]研究发现,区域创新活动具有正向空间相关性,且呈现明显的空间集聚特征;江春和冯阿美[18]研究发现,各省域创新效率存在正向空间相关关系且具有明显的空间集聚分布特征,地区创新活动与其邻近地区存在空间依赖性。在创新资源分配不均衡下,探索信息技术投资驱动创新效率提升的空间效应可为区域创新政策工具选择提供理论依据。

基于以上分析可知,既有研究针对创新效率测度及其影响因素进行了丰富和深入的探讨,但仍存在以下不足:①创新效率测算或者集中于市场转化阶段,或者未对创新阶段进行划分,针对市场转化阶段的前因,即技术形成阶段的创新效率缺乏测量;②尽管既有文献识别了大量的创新效率影响因素,但作为具有重要创新驱动和引领作用的信息技术投资未引起重视,尤其是缺乏信息技术投资如何影响两阶段区域创新效率的实证检验;③尽管区域创新过程具有明显的空间效应,但对信息技术投资影响区域创新效率的空间效应缺乏探讨。本研究在构建技术研发阶段和市场转化阶段创新资源投入及产出指标的基础上,测算两阶段创新效率,实证检验空间效应下信息技术投资对两阶段区域创新效率的影响,以及信息技术产业规模的调节作用。

2 研究设计与分析方法

2.1 两阶段区域创新过程的随机前沿模型

随机前沿生产方法将技术损失从误差项中分离,以参数形式对效率进行估计,由于与具体生产函数相结合,具有经济学涵义,因此更接近实际创新过程。在技术研发资源转化为研发产出(专利)、专利与市场资源转化为市场产出(经济增长)的过程中受到很多可控和不可控因素影响。SFA不仅能够计算区域创新效率,而且能够量化创新投入对创新产出的影响,其基本模型如式(1)(2)所示。

lnYit=βlnXit+Vit-Uit

(1)

TEit=exp(-Uit)

(2)

其中,lnYit为某地区i在t时期消除量纲差异并取对数后的创新产出,lnXit为某地区i在t时期消除量纲差异并取对数后的创新投入,Vit为观测误差或其它随机因素,服从正态分布N(0,σit2),Uit为非负随机变量,服从|N(0,σit2)|分布,TEit为某地区i在t时期的创新效率,取值范围是0—1,越接近于1代表创新效率越高。

柯布-道格拉斯(C-D)生产函数以简单形式表示区域创新资源最优投入与最优产出的生产关系,本文采用C-D生产函数进行随机前沿分析,测算两阶段区域创新效率。鉴于不同创新阶段创新资源与创新产出存在差异,分别构建技术研发与市场转化阶段的随机前沿生产函数模型。

在技术研发阶段,区域研发人员和研发资本作为创新投入,专利作为创新产出,具体模型如式(3)所示。

lnPit=α0+α1lnRDPit+α2lnRDCit+Vit-Uit

(3)

其中,lnPit代表区域i在t时期消除量纲差异并取对数后的研发阶段创新产出,用专利申请数表示;lnRDPit代表消除量纲差异并取对数后的创新人力资本,用区域研发人员数表示;lnRDCit为消除量纲差异并取对数后的研发阶段创新资本投入,用区域研发内部支出表示;α为待估参数,Vit为生产函数的随机误差项,Uit是技术非效率项。

在市场转化阶段,技术研发阶段的最终产出与其它市场转化资源最终转变为区域经济增长(GDP)。在该阶段,物质资本、从业人员和专利申请数作为区域创新投入指标,具体模型如式(4)所示。

lnGDPit=α0+α1lnLit+α2lnKit+α3lnPit+Vit-Uit

(4)

其中,lnGDPit是某地区i在t时期消除量纲差异并取对数后的地区生产总值,lnLit为消除量纲差异并取对数后的区域从业人员工资总额,lnKit为消除量纲差异、取对数后的区域传统资本,用区域资本总额表示;lnPit为消除量纲差异并取对数后的研发阶段创新产出专利申请数,α为待估参数,Vit为生产函数的随机误差项,Uit是技术非效率项。

2.2 两阶段创新效率的空间相关性检验

检验各区域创新效率是否具有空间相关性是进行空间计量模型分析的基础。不同省域在地理空间上具有一定关联性,且创新活动具有溢出性,因此要判断两阶段区域创新效率是否存在空间相关性,通常使用Moran I指数和局部空间自相关进行检验。其中,空间权重矩阵Wij代表各区域相互依赖程度,进而构建地理邻接空间权重矩阵和地理距离空间权重矩阵。

(1)地理邻接空间权重矩阵:根据空间单元间是否相邻判定区域间空间关联程度。若某地区i和某地区j邻接,用1表示,即存在空间相关性,否则用0表示,代表不存在空间相关性。

(2)地理距离空间权重矩阵:根据地理学第一定律,空间单元间相关性与距离成反比。某地区i与某地区j的距离越小,表示两者的空间相关性越高,反之,则越低。其值采用省会城市距离倒数的平方表示。

Moran I指数表示区域的全局相关性,取值范围为-1～1,当取值大于0时,表示某地区创新效率具有正向空间相关性,当取值小于0时,表示某地区创新效率具有负向空间相关性,绝对值越接近于1表示空间相关性越强,取值等于0表示无空间相关性。本文采用Moran I散点图描绘局部区域空间相关性,可以反映两阶段高创新效率观测值或低创新效率观测值的空间集聚分布。其中,横坐标和纵坐标分别表示某地区与邻近地区创新效率的空间分布关系,具体包括4个象限。

2.3 信息技术投资影响两阶段区域创新效率的空间计量模型

传统计量模型未考虑空间因素,基于地理经济学视角,本研究运用空间计量模型进行分析。最常用的空间计量模型包括空间自相关模型(SAR)、空间误差模型(SEM)和空间杜宾模型(SDM)等。在空间分析中,选取合适的模型是保证计量结果准确的先决条件。本文根据统计量R2、Log-L,利用LM方法检验地理邻接矩阵和地理距离矩阵下SDM模型对技术研发阶段和市场转化阶段的适用性。通过检验发现,两种矩阵在技术研发阶段和市场转化阶段的LR值均在1%的水平下显著,表明SDM模型不能退化为SEM和SAR模型,确保了SDM模型的适配性。

通过检验可知,在地理邻接矩阵下,技术研发阶段和市场转化阶段的Hausman值分别为58.6与13 321.34,均在1%的水平显著;在地理距离矩阵下,技术研发阶段和市场转化阶段的Hausman值分别为96.83与22 322.39,均在1%的水平下显著。可见,对于两种矩阵,两阶段创新过程均适合使用固定效应模型。结合LR检验可知,对于地理邻接矩阵和地理距离矩阵,技术研发阶段和市场转化阶段均适合采用地区固定效应模型。因此,两阶段区域创新效率的空间计量模型构建如式(5)所示。

TE1it/TE2it=α+ρWTE1it/WTE2it+β1ITit+β2ITit2+β3Scaleit+β4ITit2*Scaleit+β5Laborit+β6Infrait+β7Struit+γ1WITit+γ2WITit2+γ3WScaleit+γ4WITit2*Scaleit+γ5WLaborit+γ6WInfrait+γ7WStruit+μit+λit+εit

(5)

其中,TE1it表示某地区i在t时期的技术研发阶段创新效率,TE2it表示某地区i在t时期的市场转化阶段创新效率;ITit、Scaleit、Laborit、Infrait、Struit分别表示某地区i在t时期的信息技术投资、信息技术产业规模、劳动力、基础设施、产业结构;α为常数,β为参数,W为空间权重矩阵,分别代表地理邻接矩阵和地理距离矩阵;ρ表示空间相关系数;γ为空间滞后变量系数,μ为空间固定效应,λ为时间固定效应,ε为随机误差项。

3 变量设计与数据收集

3.1 变量说明

技术研发—市场转化阶段的创新产出指标:专利申请数更能体现区域创新产出潜力且不用考虑滞后效应,故本研究使用发明专利、实用新型专利和外观设计专利申请数之和表征第一阶段创新产出,使用国内生产总值作为区域创新成果转化的经济测度指标,市场转化阶段的创新产出以各地区GDP作为测度指标。

技术研发—市场转化阶段的创新投入指标:在技术研发阶段,创新投入为区域研发人员和区域研发资本,其中,区域研发人员以各地区研发人员全时当量表示,区域研发资本以各地区研发内部支出表示,并采用永续盘存法计算各区域研发资本存量(王欣亮等,2020)。市场转化阶段的创新投入为区域专利申请数、劳动力和物质资本。本文采用研发阶段的创新产出专利申请数作为转化阶段的技术投入,以各地区年末就业人数工资总额和区域资本存量分别作为劳动力与物质资本的替代变量。

信息技术投资(IT)与产业规模(Scale):参考Lin et al[19]的计算方法,通过IT=ITt+3ISt求得信息技术投资水平值。其中,ITt为信息技术硬件费用支出与信息技术软件费用支出之和,ISt为计算机服务费用支出,采用信息系统员工成本表示。为消除区域经济发展差异的影响,采用信息技术投资强度(IT/GDP)表征信息技术投资水平。调节变量信息技术产业规模(Scale),采用信息技术制造业与软件服务业企业数之和表示。

其它变量:以劳动力(Labor)、基础设施(Infra)、产业结构(Stru)3个变量作为控制变量。选取每十万人口高等教育平均在校生数作为劳动力测度指标;选取邮电业务总量除以国内生产总值作为基础设施测度指标;选取规模以上高技术产业主营业务收入除以规模以上工业企业主营业务总收入作为产业结构测度指标。

3.2 数据来源

选取全国内地30个省、自治区、直辖市作为研究对象,西藏因数据不全不作考量。根据经济发展水平,将研究样本划分为八大经济区域。东北地区:黑龙江、辽宁、吉林;北部沿海地区:北京、天津、河北、山东;东部沿海地区:上海、江苏、浙江;南部沿海地区:福建、广东、海南;黄河中游地区:山西、陕西、内蒙古、河南;长江中游地区:安徽、湖北、湖南、江西;西北地区:甘肃、青海、宁夏、新疆;西南地区:广西、贵州、四川、云南、重庆。数据来源于《中国统计年鉴》《中国信息产业年鉴》和《中国电子信息产业统计年鉴(软件篇)》。

4 实证结果分析

4.1 随机前沿分析模型估计结果

运用随机前沿分析方法测算2012-2020年中国技术研发阶段和市场转化阶段区域创新效率。根据模型(1)-(4),利用Stata16.0软件对两阶段区域创新效率进行估计,结果如表1所示。

从表1可以看出,在技术研发阶段,研发人员和研发资本的弹性系数在1%的水平下分别为0.476与0.336,表明研发人员和研发资本对研发阶段的专利申请数均有显著正向影响,且研发人员对创新效率的影响强于研发资本,表明当前我国研发产出更多依赖于研发人员投入。因此,增加研发人员投入成为技术研发阶段的主要任务。

在市场转化阶段,物质资本和人力资源对市场转化阶段的地区生产总值均有显著正向影响,人力资源和物质资本的弹性系数在1%的显著水平下分别为0.645与0.195,但专利申请数对市场转化阶段地区生产总值的影响不显著。这些表明人力资源对创新效率的影响强于物质资本和专利申请数,其中,专利申请数的影响最弱。因此,应重视专利申请质量和基础研究的持续投入。

4.2 两阶段创新效率测度

4.2.1 技术研发阶段

表2为2012-2020年中国技术研发阶段区域创新效率测度值。从我国整体来看,技术研发阶段区域创新效率呈逐年提高趋势,数值从0.311上升到0.586,增长了88.42%。这与中国近年来在基础研究领域的高投入、技术与市场机制体制不断完善和创新驱动发展战略实施密不可分。但是,技术研发阶段的区域创新效率总体水平仍然偏低。因此,有必要提升创新资源配置效率、优化创新生态体系并全面提升区域创新协同水平。

从各经济带来看,技术研发阶段的区域创新效率高于全国平均水平的经济带依次为:东部沿海地区(0.704)、西南地区(0.505)、长江中游地区(0.482)、南部沿海地区(0.481)。低于全国平均水平的经济带包括北部沿海地区(0.413)、黄河中游地区(0.322)、东北地区(0.292)、西北地区(0.288)。此外,在该阶段长江中游以南地区的创新效率普遍高于长江中游以北地区,初步表明我国技术研发阶段的区域创新效率存在较强的地理空间集聚效应。因此,创新效率较低地区应更加重视研发投入与资源配置效率,强化区域技术研发的空间溢出效应。

从省域来看,技术研发阶段的区域创新效率也存在较大差异,创新效率最高的3个省份分别为江苏(0.879)、浙江(0.830)和安徽(0.719)。相比而言,这些省份的研发人员和研发资本较充裕,且相邻地区经济快速发展。创新效率最低的3个省域分别为吉林(0.236)、青海(0.205)和内蒙古(0.180)。这些省域应通过制定研发激励政策,深入实施创新驱动发展战略,不断提高技术研发产出和专利申请量。

4.2.2 市场转化阶段

表3为2012-2020年中国市场转化阶段的区域创新效率。从全国整体来看,市场转化阶段的区域创新效率呈现先下降后上升的发展趋势,但数值从2012年的0.722下降到2020年的0.719。相比而言,市场转化阶段的区域创新效率值(0.719)远高于技术研发阶段数值(0.450)。这得益于近年来高度重视知识产权保护和科技资源优化配置,加强科技成果转化平台建设,并不断完善技术市场体系。

从各经济带来看,市场转化阶段的区域创新效率高于全国平均水平的经济带依次为:长江中游地区(0.855)、黄河中游地区(0.757)、东部沿海地区(0.756)、北部沿海地区(0.753)、东北地区(0.738)、南部沿海地区(0.721);低于全国平均水平的经济带包括西南地区(0.705)和西北地区(0.481)。

从分省域来看,市场转化阶段区域创新效率最高的3个省份分别为山东(0.979)、河北(0.957)和湖南(0.955),区域创新效率最低的4个省市区分别为新疆(0.483)、宁夏(0.483)、北京(0.433)和青海(0.415)。这些地区应尽快破除技术研发与成果转化间的制度壁垒,提高区域科技资源整合与配置能力,以市场化手段促进创新资源自由流动。

4.3 空间相关性检验

利用2012-2020年两阶段区域创新效率值,采用Stata16.0测算全局Moran I指数并绘制Moran I指数分布散点图,以检验两阶段区域创新效率的空间相关性,并对比地理邻接矩阵和地理距离矩阵的Moran I值,结果如表4、表5所示。

从表4可以发现,在技术研发阶段,两个矩阵的区域创新效率Moran I指数值均为正,表明技术研发阶段的区域创新效率存在正向空间相关性。以地理邻接矩阵为例,Moran I指数从2012年的0.399上升至2020年的0.438,且通过1%水平下的显著性检验,表明技术研发阶段区域创新效率的空间效应逐渐增强,区域创新效率在空间上并不是随机分布的,而是受到邻近地区的影响,呈现出明显的空间集聚和空间溢出效应。

同理,从表5可以发现,在市场转化阶段,两个矩阵区域创新效率的Moran I指数值均为正,表明市场转化阶段区域创新效率存在正向空间相关性。以地理邻接矩阵为例,市场转化阶段区域创新效率的Moran I指数值在1%的水平下从2012年的0.251波动下降至2020年的0.250,说明此阶段区域创新效率的空间集聚效应逐渐减弱。与表4对比发现,技术研发阶段的空间相关性强于市场转化阶段。因此,技术研发阶段表现出更强的空间溢出性。

对两阶段区域创新效率进行局部Moran I指数检验,以地理邻接矩阵为例,结果如图1、图2所示。可以看出,约5/6的省域处于第一象限和第三象限,表明两阶段我国区域创新效率存在高—高聚集、低—低聚集现象。在技术研发阶段,江苏、浙江、安徽等地区位于第一象限,表明其研发资源质量高且地理位置优越,处于高—高聚集地域;内蒙古、吉林、宁夏等地区位于第三象限,处于低—低聚集地域;云南、湖南、湖北等省域创新效率不足,但是邻近地区的创新效率较高,因此处于第二象限;四川、陕西等地在周边高创新效率地区的带动下,其创新效率也不断提高,因此处于第四象限。

在市场转化阶段,山东、江苏、安徽等地区人力资源丰富,物质资本充裕,周围地区发展水平较高,有利于市场转化阶段区域创新效率提高,因此处于高—高聚集地域;青海、宁夏、新疆等地区由于人力资源不足,且周围地区经济欠发达,抑制了市场转化阶段创新效率的提升,因此处于低—低聚集地域;北京、上海、贵州等地由于创新效率低于周围省域,故处于第二象限;四川、内蒙古等地由于自身创新效率高于周围地区,故处于第四象限。

4.4 IT投资对两阶段区域创新效率影响的实证结果

4.4.1 描述性统计与相关性分析

表6为技术研发阶段和市场转化阶段的主要变量描述性统计与相关性分析结果。可以看出,技术研发阶段和市场转化阶段的区域创新效率标准差分别为0.193与0.159,表明我国创新效率不均衡,各区域创新水平相差较大。其中,信息技术产业规模的标准差为1.503,表明信息技术产业规模分布也不均匀。由于相关变量之间的相关系数较大,为了避免多重共线性问题,故进行方差膨胀因子(VIF)检验。结果显示,各变量VIF的最大值为4.57,远小于10,表明各变量之间不存在多重共线性问题。

4.4.2 空间计量模型估计结果

两阶段区域创新效率的空间计量结果如表7所示。可以看出,对于地理邻接矩阵,技术研发阶段与市场转化阶段的空间系数在1%水平下分别为0.767和0.641,表明两阶段区域创新效率均存在正向空间相关性,且技术研发阶段的区域创新效率比市场转化阶段表现出更显著的空间溢出效应。

进一步发现, IT投资与技术研发阶段、市场转化阶段区域创新效率在1%的显著性水平下分别呈正U型关系和倒U型关系,表明信息技术投资对两阶段区域创新效率的影响呈非线性。在技术研发阶段,信息技术初始投资会降低区域创新效率,当区域创新生态和经济发展适应技术变革带来的新变化后,加大信息技术投资有助于整合研发要素,促进区域创新产出,提高技术研发阶段的区域创新效率。相反,在市场转化阶段,信息技术初始投资通过降低区域信息获取成本,整合区域创新资源,提高创新要素使用效率,推动区域协同创新,从而提高技术研发阶段的区域创新效率。然而,在IT投资水平跨越临界值后,会导致资源过剩和研发资源利用效率降低,最终使得市场转化阶段的区域创新效率出现下降。

为进一步探讨信息技术产业规模在信息技术投资影响两阶段创新效率过程中的作用,本文检验了信息技术产业规模的调节效应。从表7可以看出,在技术研发阶段,信息技术产业规模与IT投资平方项的交互项系数值为-1.339,表明信息技术产业规模负向调节IT投资对技术研发阶段区域创新效率的正U型关系。这是因为当信息技术产业规模达到较高水平时,抑制了信息技术投资与创新效率间的正U型关系,使得正U型曲线变得更加平缓。在市场转化阶段,信息技术产业规模与IT投资平方项的交互项系数值为0.056,表明信息技术产业规模正向调节IT投资与市场转化阶段区域创新效率的倒U型关系。这是因为当信息技术产业规模达到较高水平时,将强化信息技术投资与创新效率间的倒U型关系,使得倒U型曲线变得更加陡峭。

5 结论与政策建议

本文研究表明,技术研发阶段与市场转化阶段的区域创新效率差异较大,且存在显著的正向空间相关性,信息技术投资对两阶段区域创新效率的影响机制具有差异性。因此,为提升我国两阶段区域创新效率,提出以下政策建议:①进一步完善创新生态体系建设,积极实施区域科研创新奖励和补贴政策,提升基础研究投入质量,完善基础设施建设,激发区域创新活力;②充分发挥市场在创新资源配置中的决定性作用,健全科技成果转化与市场需求间的匹配机制,深入推进产学研合作,完善技术市场交易和监管体系,确保科技成果转化活动高效运行;③加强顶层设计,形成各具特色的信息技术发展战略及产业规划,防止低水平重复建设,实现信息技术产业错位发展;④重视创新活动的空间集聚现象,强化区域高新技术产业协同互补机制,促进地区间资源流动与知识共享,探索跨区域创新合作模式。

参考文献：

[1] 刘思明,张世瑾,朱惠东.国家创新驱动力测度及其经济高质量发展效应研究[J].数量经济技术经济研究,2019,36(4):3-23.

[2] 魏后凯,年猛,李玏.“十四五”时期中国区域发展战略与政策[J].中国工业经济,2020,37(5):5-22.

[3] 张之光,杜宁,马祎晗.区域创新环境是否提高了中国信息技术产业创新效率——基于两阶段创新过程的实证研究[J].科技进步与对策,2020,37(5):47-56.

[4] 李晓宇,陈国卿.信息技术投入、技术创新动态能力与企业绩效关系研究[J].科技进步与对策,2019,36(16):100-107.

[5] 宋旭光,赵雨涵.中国区域创新空间关联及其影响因素研究[J].数量经济技术经济研究,2018,35(7):22-40.

[6] SUJIN MIN,JUSEONG KIM,YEONG-WHA SAWNG. The effect of innovation network size and public R&D investment on regional innovation efficiency[J]. Technological Forecasting &Social Change,2020,155(8):119998.

[7] 马大来,陈仲常,王玲.中国区域创新效率的收敛性研究:基于空间经济学视角[J].管理工程学报,2017,31(1):71-78.

[8] 冉茂盛,陈亮,李万利.经济不确定性、企业家精神与区域创新效率[J].研究与发展管理,2021,33(3):149-162.

[9] 陈银娥,李鑫,李汶.中国省域科技创新效率的影响因素及时空异质性分析[J].中国软科学,2021,36(4):137-149.

[10] 柳卸林,朱浪梅,杨博旭.政府研发激励有利于提升区域创新效率[J].科研管理,2021,42(7):50-59.

[11] 韩先锋,宋文飞,李勃昕.互联网能成为中国区域创新效率提升的新动能吗[J].中国工业经济,2019,36(7):119-136.

[12] 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.

[13] 丁秀好,武素明.IT能力对开放式创新绩效的影响:知识整合能力的中介效应[J].管理评论,2020,32(10):147-157.

[14] AMRI MOHAMAD,et al. Does decentralized decision making increase company performance through its Information Technology infrastructure investment[J].International Journal of Accounting Information Systems,2017,27:1-15.

[15] 王宇,王铁男,易希薇.R&D投入对IT投资的协同效应研究——基于一个内部组织特征的情境视角[J].管理世界,2020,36(7):77-89.

[16] JIAN CHEN,LINGJUN WANG,YUANYUAN LI. Natural resources, urbanization and regional innovation capabilities[J]. Resources Policy,2020,66:101643.

[17] 苏屹,林周周.区域创新活动的空间效应及影响因素研究[J].数量经济技术经济研究,2017,34(11):63-80.

[18] 江春,冯阿美.外资进入、企业家精神与区域创新效率[J].预测,2021,40(4):9-16.

[19] WINSTON T LIN,YUEH H CHEN,BENJAMIN B M SHAO. Assessing the business values of information technology and e-commerce independently and jointly[J].European Journal of Operational Research,2015,245(3):815-827.

(责任编辑:胡俊健)