The Spatial Effect of Innovation Factors and Economic Resilience

Zhu Lin,Dong Fan

(School of Government,Beijing Normal University, Beijing 100875,China)

Abstract：It is vital to improve economic resilience and build resilient cities for China's high-quality economic development. Previous studies on the measurement and influencing factors of China's economic resilience have generally shown that innovation capability is an important influence on regional economic resilience. However, the proxy variable selection of innovation capability in previous studies was generally limited to the number of patents or R&D investment of enterprises), and the interference of industrial structure heterogeneity on the result of resilience is often ignored in the measurement of economic resilience. Therefore, this paper selects four key indicators as the proxy variables of innovation elements from the macro and micro levels, and further analyzes the impact of innovation drivers on economic resilience; meanwhile,in order to eliminate the interference of industrial structure heterogeneity on the measurement results of economic resilience, this paper creatively uses the shift share method to extract industrial resilience from economic resilience, and compares the impact of innovation factors on different industrial resilience.

This study selects the period from the impact of Sino US trade friction in 2018 to the duration of the COVID-19 epidemic in 2021 as the sample interval for measuring China's economic resilience. It chooses a single dimensional variable elasticity evaluation model to measure the resilience of China's regional economy within the sample interval. However, the impact of different industries on economic resilience is ignored in the traditional economic resilience measurement model. When the impact of exogenous risks on different industries is heterogeneous, the weight of regional industrial structure will interfere with the measurement of regional economic resilience. Therefore, this paper uses the shift share decomposition method to divide the resilience characteristics into regional economic resilience and industrial resilience. In terms of the selection of innovation factor indicators, innovation drive is shown as the improvement of total factor productivity at the macro level and the growth of social innovation factors at the micro level. At the macro level, TFP is decomposed into the efficiency change index and technology change index, and they serve as the core explanatory variables of spatial effect research. At the micro level, the aggregation index of innovation input factors and the aggregation index of innovation output factors are selected as the micro proxy variables of innovation drive, and they are jointly incorporated into the spatial effect research model to study the spatial correlation between them and regional economic resilience.

Because regional economic resilience and innovation elements can flow freely at the spatial level, a spatial econometric model should be established to conduct empirical analysis and test on spatial relevance. First, the difference in per capita GDP between regions is used as an indicator to predict the economic distance between regions to build a spatial economic weight matrix, and on this basis, a spatial autocorrelation test model is determined. The test shows that if the variables have spatial autocorrelation, the linear regression model in classical econometrics will lead to errors in the test results, so a spatial econometric test model needs to be built.By the spatial Dubin model and geographic detector model, the empirical tests confirm that (1) China's regional economic resilience has a spatial correlation, and the closer the economic level is, the closer its economic resilience will be; (2) on the whole, innovative development can significantly enhance China's economic resilience, and this impact has a significant spatial spillover effect; (3) in terms of the sub-industries, the direct effect of scientific and technological innovation on the resilience enhancement of the secondary industry is significantly higher than that of other industries, and the spatial spillover effect on the resilience of the tertiary industry is most significant. However, the resilience growth of the primary industry mainly depends on the efficiency improvement brought about by large-scale development rather than technological progress.

On the basis of the above research conclusions, this paper reveals the important role of scientific technological development in the construction of resilient cities, and puts forward the innovative development policy driven by "scientific and technological innovation" and "institutional innovation", and suggests that regional economic resilience should be enhanced according to the regional factor endowment and industrial structure characteristics.

Key Words：Economic Resilience; Innovation Factor; Total Factor Productivity; Spatial Effect; Geographic Detector

DOI：10.6049/kjjbydc.2022080635

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(2024)02-0057-11

收稿日期：2022-08-23

修回日期：2022-11-12

基金项目：国家自然科学基金面上项目(71441002);北京师范大学社科横向项目(SKHX2020456)

作者简介：朱琳(1990-),女,天津人,博士,北京师范大学政府管理学院博士研究生,研究方向为应用经济;董藩(1967-),男,吉林白山人,博士,北京师范大学政府管理学院教授、博士生导师,研究方向为城市经济。本文通讯作者:董藩。

武汉大学区域经济研究中心 协办

0 引言

经济韧性是对抗风险冲击的有力支撑,是经济高质量发展的重要体现。2022年《政府工作报告》强调,“继续优化经济结构与区域布局,增强经济发展韧性”。韧性(Resilience)在工程物理学中表示物体在塑性与断裂过程中吸收能量的能力,后来引入生态学研究领域,表示生态系统在其结构发生变化前吸收扰动的阈值[1]。当延伸至社会领域后,基于系统动态演化视角的区域韧性则被定义为城市系统应对外界压力、扰动所表现出来的改变、适应和转型能力[2],而演化经济地理学理论则将城市系统微观化于区域经济范畴内,由此城市(区域)经济韧性被定义为抵御风险冲击和驾驭不确定性的发展能力[3]。

提升经济韧性、构建韧性城市,已经成为中国经济实现高质量发展的重要一环。然而理论界针对中国经济韧性的测度及影响因素研究起步较晚:早期研究中仅使用经济弹性作为经济韧性的代理变量,且一般采用DEA方法对中国各省域经济韧性进行探索性测度[4];随着经济韧性测度模型的逐渐统一[5],中国学者开始深入探究国家经济韧性的核心影响因素。其中,大多数研究聚焦于分析产业集聚、多样性与区域经济韧性关系。如徐媛媛等[6]使用GDP作为地区敏感度指数,对中国城市的经济韧性进行测度并分析产业多样性与经济韧性的关系;冯苑等[7]将城市经济韧性进行分解,分析产业结构与城市竞争力对经济韧性的贡献度。上述研究均表明,经济集聚有助于提升区域经济韧性,然而进一步将经济聚集分解为相关多样性与无关多样性后,研究结果表明,产业相关多样性是促进经济韧性提升的关键要素[8]。当前中国经济从高速增长转向高质量发展阶段,中共二十大报告强调“坚持创新在我国现代化建设全局中的核心地位”。但是,理论界针对创新要素与经济韧性关系的研究有限。如徐圆等[9]将专利数量作为创新产出的代理变量,研究发现,创新能力是产业相关多样性提升中国经济韧性的中介变量;程广斌等[10]进一步借助中介效应模型分析得出,创新能力通过优化资源配置和增强人才储备显著提升城市经济韧性。

通过梳理已有中国经济韧性影响因素与作用机理相关研究,可以将其研究脉络简单概括为经济聚集→产业相关多样性→创新能力→经济韧性,然而创新能力代理变量的选择较狭窄(普遍选择专利数量或企业研发投入),而且在测度经济韧性时也往往忽视产业结构异质性的干扰。本文的边际贡献在于:①从宏观与微观两个层面选择4个关键指标作为创新要素的代理变量,更加深入地分析创新驱动对经济韧性的影响;②为剔除产业结构异质性对经济韧性测度结果的干扰,使用Shift-Share法将产业韧性从经济韧性中分离出来,并就创新要素对不同产业韧性的影响程度进行比较;③首次对自2018年开始的贸易摩擦以及2020年爆发的新冠肺炎两个重大风险冲击事件下的中国经济韧性进行测度,并使用空间计量模型与地理探测器模型对其影响因素进行空间效应检验。

1 变量设定:经济韧性测度模型与创新要素指标选取

1.1 经济韧性测度模型

当前理论界采用的经济韧性评价模型主要分为多维指标系统评价模型与单维变量弹性评价模型两种[11]。其中,多维指标系统评价模型涵盖经济稳定性、经济效率、治理体系和社会发展等多元维度以对区域经济韧性进行综合测度。这种多维度评价模型能够避免单变量冲击带来的结果偏误,使度量结果具有全面性和稳健性,因此区域经济智库普遍采用该类测度方法进行持续性研究。但是由于多维指标选取、权重确定及测度方法存在差异,导致研究结论不一致,无法比较不同模型之间的测度结果,使得该研究模型在理论分析时准确性不高[12]。因此,大多数区域经济理论研究采用单维变量弹性评价模型进行经济韧性测度与评价。

单维变量模型通常选择就业率或经济产出作为核心指标,并借鉴经济学中的弹性测度模型,研究冲击发生时该经济变量变化程度。在单变量模型中,经济韧性与经济弹性具有相似性,测度的均是相对波动量而非绝对值。例如当冲击发生后区域经济变量下降幅度小于整体经济变化幅度时,则表明该地区经济韧性较强。Martin[5]最早使用敏感指数与平均就业增长率进行评价,区域经济韧性度β可以表示为:

βL=(ΔEL/EL)/( ΔEN/EN)

(1)

其中,E是就业人数,(ΔEL/EL)和( ΔEN/EN)分别表示地区(Local)与全国(Nation)就业水平变化率,因此经济韧性表示为冲击期区域就业水平波动率与全国就业水平波动率的相对变化程度,如果β>1则表明相对全国来说,该地区就业率波动程度整体表现较好,可以认定该区域对经济冲击具有较高抵抗韧性。但以上模型是以1为经济韧性标尺的,评估结果存在符号不一致的问题[5],使得模型测度结果易产生偏误。后续研究中Lagravinese[13]将Martin的经济韧性模型进行修正,重新构建了经济韧性指数模型,如式(2)。

(2)

其中,(ΔEt+k)预期表示按照全国平均增速预期的区域就业率水平,因此该修正模型中的区域经济韧性β表示在冲击测度区间(t+k)该区域实际就业水平相对按照全国平均增速预期就业水平的变化率,若β>0则表示该地区就业水平高于冲击期全国平均水平,即该地区经济韧性较强。

以上模型的核心指标均为就业水平,该指标用于经济韧性研究缺乏适用性,原因是中国以公有制经济占主导,国有企业肩负部分社会职能,使得其在冲击期内的失业率依然保持较低水平,这与以往选择欧洲地区作为样本的研究结论存在显著差异,因此选择就业率指标无法有效体现外生风险发生期间中国经济遭受的冲击以及经济韧性表现。与此同时,在研究新冠疫情期间经济韧性时发现,新冠疫情对服务业的冲击较大,而服务业中的灵活用工占比较多,因此由疫情冲击造成的实质性就业率锐减无法通过就业统计数据证实。基于以上分析可知,就业水平指标在研究贸易摩擦及新冠疫情冲击下的中国经济韧性时略显失灵,因此本文以经济产出(GDP)作为核心指标进行区域经济韧性测度。在已有的中国区域经济韧性研究中,学者们也普遍选择GDP作为单变量弹性系统评价模型的核心研究变量[14]。将Martin [5]和Lagravinese [13]的模型进行综合并将GDP纳入表达式,可以构建中国区域经济韧性测度模型,如式(3)。

(3)

其中,RESL表示省域L的区域经济韧性,GLt表示区域L在冲击初始期t的地区生产总值,gNt+k表示在冲击测度周期(t+k)内的全国平均经济增长率,因此(ΔGLt+k)预期表示按照全国平均增速g预期的区域L的GDP水平。

产业发展是经济增长的基础,但是不同产业面对风险冲击的韧性表现不尽相同。如果设定产业i在冲击初始期t时刻的产值为Git,占经济总产出GDP的比重为nt%,那么在冲击测度期(t+k)内整体经济增速(gt+k)与产业i增速(git+k)的关系可以使用Shift-Share分离法表示,如式(4)。

(4)

通过式(4)可以发现,当某产业在冲击初始时刻t的GDP占比较大而当风险冲击对该产业的负向冲击大于其它产业时,必然导致该产业的GDP占比下降(即nt+k%/nt%<1),使得地区整体经济表现好于该产业发展(也即gt+k>git+k)。将式(4)带入式(3)并通过计算可得,区域经济韧性不仅与产业增速相关,而且与产业结构存在相关性,这可能是因为产业结构差异对区域经济韧性测度形成干扰。以新冠疫情冲击为例进行说明:假设A省域的第三产业占比极高、B省域的第一、二产业占比较高,在新冠疫情冲击下第三产业产值下降幅度远大于第一、二产业,因此即使A省域第三产业的抵抗力强于B省域,但由于其占比较高而最终显示A省域的经济韧性低于B省域。

以上分析表明,当外生风险对不同产业存在异质性冲击时,则产业结构会对区域经济韧性测度产生干扰,即当某地区各产业韧性均强于其它地区时,由于遭受冲击最严重的产业在该地区经济结构中占比较大,进而出现该地区经济韧性整体低于全国均值的测度结果。为了更加准确地测度创新要素对区域经济韧性的空间影响效应,需要对区域经济的产业韧性进行单独测度并作为核心研究变量纳入后续实证模型中,故构建区域产业韧性的测量模型如式(5)所示:

(5)

其中,RESi,L表示地区L的i产业韧性,Gi,Lt表示区域L在冲击初始点t的i产业经济发展水平,ΔGi,Lt+k表示区域L在冲击周期(t+k)内的i产业生产总值变化幅度,gi,Nt+k表示在冲击周期(t+k)内的i产业在全国范围内的经济增长率,因此(ΔGi,Lt+k)预期表示区域L中产业i按照全国平均增速预期的发展水平。

1.2 创新要素指标选取

已有研究表明,由于创新驱动的本质是为科技进步带来生产效率提升,进而驱动经济总量增长与质量提升,因此创新驱动在宏观层面上表现为全要素生产率提升,在微观层面上表现为社会创新要素增加。因此,本文中的创新驱动变量需要从宏观与微观两个层面进行考量。

1.2.1 宏观层面的创新要素指标选取

在宏观层面上,全要素生产率(TFP)作为分析经济增长来源与路径的重要工具,有助于识别当前经济增长是属于投入增长型还是效率增长型,因此众多宏观研究中选择TFP作为创新驱动的代理变量。全要素生产率的测算方式主要包括参数法与非参数法两种。其中,参数法主要基于索洛残差理论设定生产函数,通过计算产出增长率并剔除要素投入增长的残差值得出数值;非参数法主要基于数据包络分析法(Data Envelopment Analysis, 简称DEA模型),通过线性规划计算生产前沿。由于不需要构建具体的生产函数模型,因此该方法具有评价结果不受投入产出指标量纲影响的优势[15]。在使用DEA模型进行TFP测度时,普遍选择Malmquist-Luenberger指数函数,通过构造经济系统的生产可能性边界,利用方向性距离函数计算每个生产决策单位与可能性边界之间的距离,进而计算决策单位的投入产出效率,计算模型表示如式(6)所示。

(6)

其中,i和t分别表示地区与时刻,因此TFPit+1表示地区i在t+1时刻的全要素生产率变化率。其中,x和y分别表示投入与产出,因此dit(xit, yit)表示地区i在时刻t生产可能性边界的距离函数。式(6)等号右边第一项dit+1(xit+1, yit+1)/dit(xit, yit)表示从时刻t到时刻t+1由于投入产出规模变动带来的效率变化,第二项则为剔除规模报酬可变干扰后纯粹由技术进步带来的经济产出增长。因此,式(6)等号右边两项可以重新表示如下:

(7)

基于式(7)分析可知,全要素生产率来源包括效率提升与技术进步。由于本文是要探究创新要素与经济韧性的空间关联,若使用全要素生产率作为创新要素的代理变量则会存在规模报酬变化下效率变动对最终结果的干扰,因此将全要素生产率分解为效率变动指数(EFFCH)和技术变动指数(TECHCH)并共同作为空间效应研究的核心解释变量。

1.2.2 微观层面的创新要素指标选取

在微观层面上,创新驱动可以理解为区域创新要素增长量,其中,创新要素具有投入与产出两个维度。其中,创新要素投入体现为该地区创新方面的投入总量及变化,普遍选择R&D从业人员数量或者R&D投入资本作为代理变量;创新要素产出体现为该地区创新成果数量,往往选择专利申请量作为衡量指标,为剔除重复性创新对测度结果的干扰,普遍选择专利授权量作为代理变量。

在投入维度上,以往研究大多直接选择投入变量或产出变量作为创新要素的代理变量,在进行实证分析时进行对数化处理以使回归结果更加平稳。但是这种直接选择方式仅考虑了创新要素在该地区的绝对性聚集,忽视了相对规模的变化,因此本文借鉴白俊红等[16]的研究,构建创新要素的空间聚集指数,表示如下:

RDIL=ln(EMPR&D)×ln(EMPR&D/POPL)

(8)

其中,RDIL为地区L的创新投入要素聚集指数,表示地区L从事R&D的就业人口数量(EMPR&D)及其与该地区人口规模(表示POPL)的比值,因此该指标能够较真实地反映各省域创新投入要素的相对规模与绝对规模变化。

在产出维度上,专利授权量往往被作为创新产出的度量指标,但是发明专利、实用新型专利与外观设计专利在创新价值方面存在显著差异,因此单纯选择专利总量代表区域创新产出水平会存在较大误差。针对专利价值差异问题,寇宗来等[16]构建了专利更新模型并评估了每类专利的平均价值。借鉴该成果,本文通过设定不同类型专利的权重指标,进而根据专利权重对不同地区专利授权数量进行修正,最后将修正后的变量带入式(3)计算创新产出要素聚集指数(INN),具体表示为:

(9)

其中,Patenti,L表示地区L第i种类型专利的授权量,ni%为根据寇宗来等[16]的专利更新评估模型获得的该类型专利价值权重,因此PIL就是修正后的地区L专利授权量。式(9)中地区L的创新产出要素聚集指数(INNL)可以理解为修正后的该地区专利授权量(PIL)与占该地区企业总数(CL)的比值。

综上,本研究选择创新投入要素聚集指数(RDIL)与创新产出要素聚集指数(INNL)作为创新驱动微观代理变量,纳入空间效应模型,研究其与区域经济韧性的空间关联性。

2 研究设计

2.1 样本数据选择

根据上文区域经济韧性测度模型的分析可知,经济韧性表示以冲击发生时点为基期,分析风险冲击后区域经济波动相对全国经济波动平均水平的偏离程度。自2018年以来全球单边主义盛行、中美贸易摩擦加剧,不确定性加大,加之2020年爆发的新型冠状病毒肺炎疫情(简称“新冠疫情”)让中国乃至世界经济急速停摆,形成巨大的风险性冲击。因此,本研究拟选择2018-2021年为中国经济韧性测度区间。

单变量弹性系数评价模型特征决定了只有当冲击波动达到一定强度后才使用该模型测度区域经济韧性。因此,经济韧性的测度区间需要基于韧性波动进行确认,而经济韧性测度变量通常涵盖经济增长(GDP)和就业率两个方面。

首先,基于经济增长(GDP)层面进行样本期的冲击观察。图(1a)显示,中美贸易摩擦冲击期前后以及新冠疫情冲击使得中国经济增长出现显著停滞,这轮冲击无论是波及范围还是影响程度均达到了可观测范围,但是仅从GDP变化无法确认2018-2019年间冲击对中国经济波动的影响程度。基于此,进一步选择GDP(不变价)同比增长率作为观测数据,见图(1b),可以发现,中美贸易摩擦使得2018年的中国经济增长率出现较大幅度下降,尽管2019年经济增速下行趋势放缓,但是2020年的新冠疫情冲击再一次让经济增速出现断崖式下跌。在2020年底至2021年初的疫情平复期,中国经济增速出现大幅上扬,表现出较强的经济韧性。

其次,基于就业率层面进行样本期的冲击观察。从就业率指标而言,无论是中美贸易摩擦还是新冠疫情冲击期间,由于中国是以公有制经济为主体,该体制优势使得中国就业率受到的经济影响较小,根据就业率波动确定样本观察期可能存在较大误差。因此,本研究借鉴冯苑等[7]的研究思路,以常住人口增加和减少分别定义区域扩张与收缩,通过区域扩张与收缩情况划定风险冲击观察期。利用WIND数据库中的城市常住人口数据,计算2016—2021年的扩张城市占比,见图2。结果显示,在2018年贸易冲突爆发时扩张城市占比从77.2%快速下降至70.6%,伴随其后的产业结构调整,扩张城市占比又快速上升至75%左右,基本恢复至冲突发生前水平,但是新冠疫情的冲击使得大量城市人口外移返乡,2020—2021年扩张城市占比显著下降至70%以下。

综上,无论是从经济增长还是人口扩张视角,在贸易摩擦叠加新冠疫情的影响下,2018—2021年经济增长均呈现明显的波动趋势,达到了可观测的外生冲击标准,因此本研究选择的测度区间是合理的。

2.2 空间计量模型

由于经济韧性与创新要素在空间层面是可以自由流动的,因此应当构建空间计量模型对空间关联性进行实证检验。首先,设定空间权重矩阵并确定空间自相关检验模型,若确定检验变量存在空间自相关性,再通过构建空间计量检验模型进行关联因子的实证检验。

2.2.1 空间权重矩阵设定与空间相关性检验

构建合适的空间权重矩阵是进行空间特征检验的基础,基于传统地理科学的空间权重矩阵更多是以地理空间相邻作为关联空间划分的标准。但是经济流动,尤其是创新要素流动是可以低成本跨空间流动的,因此若仅以地理空间相邻为划分依据则忽略了经济发展水平差异对相邻地区的影响。

借鉴赵培阳等[17]的研究方法,通过使用区域人均GDP差值作为预测地区经济距离的指标,构建空间经济权重矩阵,其表达式如式(10)所示。

(10)

其中,PGDP表示样本观察期人均GDP的算术平均值,则(PGDPi- PGDPj)表示地区i与地区j的人均GDP差值,代表两区域的空间经济距离。因此,空间经济权重矩阵(Wi,j)使用区域经济距离代替地理距离,重新构建“0-1”邻近空间矩阵。

在确定空间权重矩阵后需要构建空间相关性模型,用以检验核心变量在空间分布上是否存在自相关性,这是分析空间溢出效应的前提。空间自相关模型通常使用统计量莫兰指数(Moran' I)表示如式(11)。

Moran'I=

(11)

式中,RES是根据单变量弹性评价系统模型测算的区域经济韧性指数,S2是样本方差,Wi,j是确定的空间经济权重矩阵。i与j均表示区域,n表示研究区域总数。Moran' I∈[-1 , 1],当取值为正时表明研究变量存在空间自相关,即空间经济距离相邻的区域,其经济韧性也具有正相关性;反之,当I取值为负时,表明经济韧性存在空间负相关,即韧性低值区与经济高值区相邻。

2.2.2 空间计量检验模型构建

采用经典计量经济学中的线性回归模型会导致检验结果偏误,因此需要构建空间计量检验模型。在不考虑自变量空间自相关的情形下,普遍采用空间滞后模型(SARM)和空间误差模型(SEM),如式(12)所示。

εit=λ×Wεit+μ,|μ～N(0,σ2I)

(12)

式中,核心解释变量分别为全要素生产率的效率变动指数(EFFCH)、全要素生产率的技术变动指数(TECHCH)、创新投入要素聚集指数(RDI)和创新产出要素聚集指数(INN),Controls为一系列控制变量。此外,θ=0表示不考虑自变量的空间自相关,若同时λ=0则该模型为空间滞后模型(SARM),若ρ=0则该模型为空间误差模型(SEM)。但当自变量的空间自相关也具有显著性时,空间检验模型中需要引入自变量的空间滞后项(即θ≠0,λ=0),则该空间计量模型属于空间杜宾误差模型(SDM)。

在进行空间面板模型选择时,通常先采用LM进行检验,然后采用Wald检验和LR检验分别对原假设与进行检验。若成立则采用空间滞后模型(SARM),若通过检验则采用空间误差模型(SEM),若两个原假设均未成立则选择空间杜宾模型(SDM)。

空间计量模型的控制变量(Controls)可以参考现有区域经济韧性研究进行确定:①经济密度(Agg):经济集聚效应能够通过产业分工与规模经济优势提升外部风险抵御能力[18],采用区域生产总值(万元)与区域建设用地面积(平方公里)的比值度量,以反映经济活动在单位空间内的集聚程度;②开放度(Open):以贸易摩擦为代表的外生冲击是通过国际市场传导形成的,而对外开放带来的产业结构多样化有利于增强抵抗力,因此区域经济开放程度与经济韧性关系较复杂,本模型采用进出口总额占GDP的比重表示区域开放程度;③行政干预(Gov):基于中国的公有制经济主体地位特征,使得风险冲击发生后行政部门能够显著干预资源再配置并进行结构性调整,进而影响区域经济韧性,本模型采用政府财政支出占区域GDP的比重度量行政干预程度;④金融发展水平(Fin):金融业既能够通过杠杆效应放大外生风险的负面冲击,也能够通过优化资源配置提升区域应对风险冲击的抵抗能力,因此金融发展水平与区域经济韧性关系也是复杂的,故采用区域新增社会融资总额占地区国内生产总值的比例度量。

2.3 地理探测器模型

传统空间计量模型可以较清晰地呈现单个创新因素对经济韧性的空间影响效应,然而创新因素对经济韧性的影响并非孤立的,在将影响因子进行组合并探究其叠加效应时,则对样本期限提出了更高要求,即长区间样本才会使得检验模型具有显著性。由于本研究选取的样本区间较短,在进行影响因素叠加效应分析时易导致经典空间计量模型的显著性不强、拟合优度较差。鉴于此,本研究改为使用对样本数量及假设条件要求较低的地理探测器模型,既能实现对单个因素空间效应的稳健性检验,又能够探究影响因子的叠加组合效应。

地理探测器最初应用于地方性疾病与相关地理影响因素研究,由于相较于传统计量方法,该模型在假设前提方面受到的制约较少,因此广泛应用于城镇化与经济增长等经济地理领域的研究[19]。本研究主要采用地理探测器模型中的因子探测模块和交互探测模块以识别影响区域经济韧性的创新驱动因子及其交互作用。

因子探测模块用于检验创新要素(影响因子)是否对区域经济韧性(被解释变量)的空间分布产生影响,通过比较该因子在不同分层上的方差之和与该因子在整体研究区域上的总方差,观察该创新因素(影响因子)与经济韧性(被解释变量)的变化在空间层面是否具有显著一致性,若具有一致性,则说明该创新因子对被解释变量具有决定意义。其计量模型如下:

(13)

其中,h表示被解释变量的分层,h=1,2…,L;N和Nh分别表示样本总量与第h层的样本数量,σ2和σh2则分别表示样本方差与第h层的样本方差。因此,SSW表示不同分层上的样本方差之和,SST代表全部样本总方差。q∈[0 , 1],为地理探测器模型的驱动因子解释力,q越接近于1表明该因子对被解释变量(区域经济韧性)的影响力越显著。

为了更精确地检验两个不同因子叠加后的影响效果,使用地理探测器模型中的因子交互探测模块,具体方法是将两个影响因子A和B的属性进行空间叠加并形成组合后的新图层。因此,新图层(因子组合项)属性是由影响因子A和B共同决定的,可以通过比较A和B在因子探测模型的影响力与新图层的因子影响力,判断两个影响因子组合后的交互作用对被解释变量的作用程度相对于单个影响因子的作用程度是强化还是弱化了,如果组合后的作用强度小于两个影响因子的独立作用(即q(A∩B)max{q(A), q(B)}),则认定该交互作用为双因子增强,但若交互项的作用强度大于两个影响因子独立作用强度之和(即q(A∩B)>q(A)+q(B)),则认定该情形下的交互作用为非线性增强。

3 实证分析

3.1 空间效应实证检验

选择2018-2021年区域经济韧性与创新要素数据作为实证样本,其中,区域经济韧性相关数据来自《中国统计年鉴》和国泰安数据库,而创新投入与产出要素数据来自《中国科技统计年鉴》《中国城市统计年鉴》以及WIND数据库。样本数据的描述性统计分析结果见表1。

为检验样本期经济韧性与产业韧性在空间经济权重矩阵下是否存在自相关,对区域经济韧性与产业韧性进行莫兰指数(Moran' I)计算,结果见表2。可以发现,区域经济韧性与产业韧性在大多数样本期的Moran' I值均显著为正,Z统计量普遍大于1.96,因此从整体上看经济韧性与产业韧性为正向空间自相关。其中,2020年前由于贸易摩擦冲击导致区域经济韧性(RES)的空间自相关不显著,但是在2020-2021年的新冠疫情冲击期间则表现出较为显著的正向空间自相关;在产业韧性方面,第一产业韧性(RES1)的空间自相关整体较弱,但是第二与第三产业韧性(RES2、RES3)在样本期间均整体表现出显著的正向空间自相关,其中,第二产业韧性表现尤其突出。

由于所选样本为面板数据,因此进行空间计量回归检验前需要对各变量进行平稳性检验。使用LLC、IPS和HT进行面板单位根检验发现,部分变量显示为非平稳序列,因此需要对模型研究变量进行协整检验。使用Kao检验与Pedroni检验进行协整分析,结果见表3,可知,模型变量之间存在协整关系,因此可以使用样本数据进行面板回归检验。

在进行面板空间计量回归前,空间计量模型的设定与选择至关重要。不同类型的空间计量模型由于其验证的空间传导机制不同,导致其经济学含义也有所差异。其中,空间面板误差模型(PSEM)假定空间效应通过误差项进行传导,其表示的经济韧性的空间溢出仅是随机冲击的结果;空间面板滞后模型(PSARM)也被称为空间自回归模型,其设定被解释变量区域经济韧性会通过空间作用对其它地区的经济韧性产生外溢影响;而空间杜宾模型(PSDM)既考虑了因变量自身的空间溢出效应,也考虑了自变量的空间交互影响,即某区域的经济韧性不仅受到本区域自变量的影响,而且受到其它区域经济韧性与自变量的共同影响。

首先,使用3种空间面板计量模型进行回归比较,经过Hausman检验,确定空间计量检验均选择固定效应。在3种空间计量模型中,被解释变量无论是选择区域经济韧性(RES)还是产业韧性(RESi),因变量的空间项系数ρ和自变量交互项的空间系数θ均显著不为零,通过Wald检验和LR检验,显示其空间误差系数λ显著为零,因此排除空间面板误差模型(SEM)。

其次,采用自然对数值(Log-L)对空间面板滞后模型(PSARM)和空间面板杜宾模型(PSDM)的拟合效果进行比较与检验,结果见表4。当选择区域经济韧性(RES)作为被解释变量时,空间杜宾模型(PSDM)的拟合效果更优、回归系数显著的个数更多、模型解释力(R2)更强;当选择产业韧性(RESi)作为被解释变量时,空间面板滞后模型(PSARM)的拟合效果更优。因此,选择PSDM作为区域经济韧性空间效应研究模型,而选择PSARM作为产业韧性空间效应实证分析模型。

在表4的PSDM实证检验结果中,宏观创新要素中的技术变动指数(TECHCH)与区域经济韧性(RES)显著正相关,而效率变动指数(EFFCH)的系数不显著,表明全要素生产率(TFP)中由技术变革带来的创新驱动相较于规模报酬带来的效率变动更加能够增强区域经济韧性。在创新驱动的微观代理变量中,创新投入要素(RDI)和创新产出要素(INN)与RES的相关性均显著为正,证实创新要素确实能够带来区域经济韧性的显著提升。同时,控制变量中的区域经济密度(Agg)和区域金融发展指数(Fin)也与区域经济韧性显著正相关,这也与已有研究中得出的 “区域经济集聚会增强经济韧性”和“金融投资增加会带来区域经济韧性提升”的结论一致[9]。

在表4的PSARM实证检验结果中,第一产业韧性(RES1)的空间效应系数ρ不显著,且其自变量系数也不显著,这是由于以农业为主的第一产业在受到外生风险冲击时较难通过创新变革在短期内实现调整。当选择第二产业韧性(RES2)作为被解释变量时,尽管工业与建筑业的规模报酬效应更显著,但是宏观创新要素中的效率变动指数(EFFCH)对第二产业韧性的驱动效果不显著,实证检验结果显示宏观指标中的技术变动指数(TECHCH)与微观创新要素中的创新产出聚集指数(INN)系数显著正相关,也证实了在风险冲击期间创新发展确实是增强第二产业经济韧性的重要驱动机制。表4的结果还显示,区域经济开放度(Open)对第二产业韧性具有负向作用,这是由于贸易摩擦首先爆发于国际贸易领域,进而传导至中国的生产制造领域,因此区域经济开放度越高,就越容易在外生冲击中受到影响与干扰。而第三产业韧性(RES3)与效率变动指数(EFFCH)、技术变动指数(TECHCH)、创新投入要素(RDI)以及创新产出要素(INN)均显著正相关,而且相较其它产业,其拟合优度更高、模型解释力更强,表明任何形式的创新发展,无论是科技创新还是机制创新均能显著提升第三产业经济韧性,印证了数字经济在消费、金融等第三产业的广泛应用是中国经济韧性提升的重要原因。

无论是在PSDM模型还是PSARM模型中,各创新要素的水平项和空间交互项系数对经济韧性与产业韧性均有显著影响,因此需要进一步分析作为自变量的创新要素对被解释变量的空间溢出效应,即各地区的经济韧性与产业韧性除受本地区创新要素作用外,还在多大程度上受到其它关联地区创新要素的空间影响。

表5呈现的是不同核心自变量的直接效应、间接效应(空间溢出效应)和总效应的计量结果。其中,在产业韧性方面,由于第一产业韧性(RES1)的空间效应系数不显著,且核心自变量的水平项系数也不显著,因此表5仅反映了区域经济韧性(RES)、第二产业韧性(RES2)和第三产业韧性(RES3)作为被解释变量的空间溢出效应。

通过表5结果可知,宏观创新要素中的效率变动指数(EFFCH)仅对第三产业韧性具有显著的空间溢出效应,但其空间溢出效应占总效应的比重不足50%;宏观指标中的技术变动指数(TECHCH)对区域经济韧性与各产业韧性的直接效应以及空间溢出效应均显著为正,并且空间溢出效应占总效应的比重超过50%,说明由技术变革带来科技要素流动的空间溢出效应对中国经济韧性提升具有重要贡献。在微观创新指标中,创新投入要素(RDI)与产出要素(INN)对经济韧性以及产业韧性的空间效应均显著为正,且超过50%的占比,再次印证了创新要素空间流动对中国经济韧性的驱动价值。但通过第二产业与第三产业的比较可以发现,在创新要素(无论是宏观指标还是微观指标)对产业韧性的空间溢出方面,第二产业明显弱于第三产业,说明以金融、科技等服务业为代表的第三产业主要通过创新要素的区际流动提升产业韧性。

3.2 稳健性检验与因子交互检验

为进一步检验不同创新因素对经济韧性的综合影响,应该对创新变量的空间叠加效应进行分析。传统空间面板计量模型在进行短面板数据叠加效应检验时效果不显著,因此更换为对样本条件要求较低的地理探测器模型对创新要素与经济韧性的空间效应进行分析,这也是对前述空间效应研究结果稳健性的检验。

首先对研究模型中的自变量进行数据转换,由于地理探测器模型要求探测因子(自变量)不能够使用连续性变量,因此使用ArcGIS自然断点分级法对探测因子进行五级分类;其次,分别计算各探测因子(创新要素指标)对区域经济韧性与产业韧性的作用力指数,具体见表6,研究不同创新要素对中国经济韧性的影响强度。

通过表6结果可知,各创新要素对区域经济韧性与三大产业韧性的解释力均在10%水平上显著为正,表明在贸易摩擦冲突及新冠疫情冲击期间创新驱动确实对中国经济韧性提升具有显著推动作用。通过比较各探测因子可知,无论是区域经济韧性还是产业韧性,微观创新指标RDI和INN的解释力均强于宏观创新指标EFFCH与TECHCH,其中,解释力最强的为创新产出要素聚集指数INN,表明风险冲击期间区域创新产出是地区经济韧性的重要支撑。进一步将各产业韧性进行综合比较,可以发现,对于第一产业韧性(RES1)而言,相较其它探测因子,效率变动指数(EFFCH)的提升作用更显著,表明技术变革与创新产出对于以农业为主的第一产业韧性提升作用不大,但是由规模化发展带来的效率提升更能增强第一产业经济韧性;对于第二与第三产业韧性而言(RES2 和RES3),技术变动指数(TECHCH)、创新投入要素(RDI)与产出要素(INN)的解释力度更大,说明创新发展主要通过提升第二及第三产业韧性进而驱动中国经济韧性提升。其中,创新要素对第二产业韧性提升的影响力明显强于其它产业。上述检验结果与前述PSARM空间计量模型的检验结果一致,即以RES2为被解释变量时各自变量系数明显高于以其它产业韧性作为被解释变量的情形,表明科技创新发展对于以制造和建筑为主的第二产业韧性提升具有更显著的效果。

由于本研究将创新驱动分解为宏观与微观层面的4种创新要素,因此需要综合分析这些指标对经济韧性的影响。本文利用地理探测器模型中的交互探测模块,将各探测因子的影响指数进行叠加,以综合比较创新要素指标叠加后的作用与单独作用的差异,具体见表7。

表7结果显示,两两影响因素之间的交互作用都呈现增强关系,其中,大部分表现为非线性增强,少部分表现为双因子增强,没有出现非线性与单因子减弱关系。在宏观创新指标中,根据式(7)的计算结果,效率变动指数(EFFCH)与技术变动指数(TECHCH)的交互项即为全要素生产率(TFP),而在表7中二者交互叠加后的解释力显著提高并超过0.8,表明全要素生产率提升是经济韧性增强的主要促进机制;在微观创新指标中,创新投入要素(RDI)与创新产出要素(INN)交互叠加后的影响力也出现明显的非线性增强,这是由于创新研发投入与产出本身就具有较强关联性,再次印证了创新要素叠加越多对经济韧性的解释力就越强,表明科技投入与产出回报是中国经济韧性提升的重要支撑。此外,将宏观创新指标与微观创新指标进行交互后发现,其结果表现为双因子增强,虽然影响力增强幅度较小,但是再次证明创新驱动对经济韧性提升具有积极作用,并证明本模型从宏观与微观两个层面选择的创新驱动代理变量具有统计学意义。

4 结论与讨论

本研究利用演化经济地理学中的单变量弹性评价系统模型,对2018-2021年间的中国经济韧性进行测度并分析其空间效应影响机制,实证检验创新驱动发展对经济韧性的作用机理及影响程度。得出以下结论:

(1)中国的区域经济韧性在经济空间层面具有正向关联性,也即经济水平相近的地区,其经济韧性表现也相似;为剔除地区产业结构异质性对区域经济韧性测度结果的干扰,将经济韧性分解为区域经济韧性与产业韧性,其空间计量结果也表明经济韧性具有空间关联性。

(2)整体上,创新要素与经济韧性显著正相关,也即创新驱动是中国经济韧性提升的重要支撑。同时,创新要素对经济韧性的影响也呈现出显著的空间效应,这也说明区域科技创新能够提升本地区经济韧性,并且科技要素在区域间的流动能够提升中国经济的整体韧性。

(3)在宏观层面上,创新驱动表现为全要素生产率提升——全要素生产率越高的地区,其经济韧性表现越好。将全要素生产率进行分解后发现,全要素生产率中的技术变动才是经济韧性提升的主要助推器,而非规模报酬变化下的生产效率变动。

(4)在微观层面上,创新投入与创新产出增长均可以显著提升中国经济韧性,但是创新驱动对不同产业韧性的影响程度与作用机理不尽相同。对于第一产业而言,科技创新并非为经济韧性提升的关键,而规模化发展才是其抵抗经济波动、提升经济韧性的有效抓手;对于第二和第三产业而言,科技创新才是增强经济韧性的关键所在,其中,科技创新对第二产业韧性的增强效应显著高于第三产业。

以上研究结论对创新驱动背景下的经济政策制定具有重要启示。尽管经济危机、突发公共事件、自然灾害等事件无法完全避免,但是增强区域经济韧性是对抗冲击的有力支撑和有效途径。首先,在当前构建“韧性城市”的背景下,尤其应当重视创新投入与科技政策在经济韧性方面的重要价值,考虑到创新要素对经济韧性的显著空间效应,因此在创新发展过程中既要重视本区域的创新驱动,还应当重视科技要素(如人才、技术与资本)的跨区域流动。当前中央提出加强全国统一大市场建设对于鼓励创新要素流动以及中国经济韧性的整体提升均具有重要意义。其次,要坚持科技创新与制度创新双轮驱动。尽管研究表明,科技创新比机制创新更能够显著提升中国经济韧性,但是不同层面的创新对不同产业韧性表现出差异化影响。在当前以国内大循环为主体、国内国际双循环相互促进的新发展格局下,需要各产业均衡发展、协同进步,因此在创新驱动发展过程中不能仅重视科技创新而忽视制度创新。最后,增强城市经济韧性应当因地制宜。本研究结果表明,对于不同产业而言,其经济韧性的影响因子不尽相同,因此应当根据区域要素禀赋与产业结构特性增强本区域经济韧性。

参考文献：

[1] HOLLING C S. Resilience and stability of ecological systems[J]. Annual Review of Ecology &Systematic, 1973, 4(1):1-23.

[2] FOSTER K A . A case study approach to understanding regional resilience[D]. University of California, 2007.

[3] PENDALL R, FOSTER K A , COWELL M . Resilience and regions: building understanding of the metaphor[J]. Cambridge Journal of Regions Economy and Society, 2009, 3(1):71-84.

[4] 张岩, 戚巍, 魏玖长,等. 经济发展方式转变与区域弹性构建——基于DEA理论的评估方法研究[J]. 中国科技论坛, 2012,28(1):81-88.

[5] MARTIN R . Regional economic resilience, hysteresis and recessionary shocks[J]. Journal of Economic Geography, 2012, 12(1):1-32.

[6] 徐媛媛, 王琛. 金融危机背景下区域经济弹性的影响因素——以浙江省和江苏省为例[J]. 地理科学进展, 2017, 36(8): 986-994.

[7] 冯苑, 聂长飞, 张东. 中国城市群经济韧性的测度与分析——基于经济韧性的shift-share分解[J]. 上海经济研究, 2020,37(5): 60-72.

[8] 赵春燕, 王世平. 经济集聚对城市经济韧性的影响[J]. 中南财经政法大学学报, 2021,74(1): 102-114.

[9] 徐圆, 张林玲. 中国城市的经济韧性及由来:产业结构多样化视角[J]. 财贸经济, 2019, 40(7): 110-126.

[10] 程广斌, 靳瑶. 创新能力提升是否能够增强城市经济韧性[J]. 现代经济探讨, 2022,41(2): 1-32.

[11] SILVA, DA J . City resilience framework:city resilience Index[M]. 2014.

[12] KITSOS A, CARRASCAL-INCERA A, ORTEGA-ARGILéS R. The role of embeddedness on regional economic resilience: Evidence from the UK[J].Sustainability, 2019, 11(14): 3800.

[13] LAGRAVINESE, RAFFAELE. Economic crisis and rising gaps North-South: evidence from the Italian regions[J]. Cambridge Journal of Regions,Economy and Society, 2015, 8(2):331-342.

[14] 曾冰. 新冠肺炎疫情冲击下中国省域经济韧性发展评价[J]. 工业技术经济, 2021,39(7): 127-133.

[15] 李思龙,郭丽虹. 市场依赖度、资本错配与全要素生产率[J]. 产业经济研究, 2018,17(2): 103-115.

[16] 寇宗来, 刘学悦. 中国城市和产业创新力报告[M]. 复旦大学产业发展研究中心研究报告, 2017.

[17] 赵培阳, 吴海燕, 鲁志国, 等. 粤港澳大湾区FDI与区域创新能力的空间特征分析[J]. 经济问题探索, 2022,43(3): 139-157.

[18] CAILNELLI G, et al. Industrial relatedness and regional resilience in the European Union[J]. Paper Regional Science, 2019, 98(2): 755-778.

[19] WANG J, LI X, CHRISTAKOS G, et al. Geographical detectors -- based health risk assessment and its application in the neural tube defects study of the heshun region, China[J]. International Journal of Geographical Information Science, 2010, 24(1): 107-127.

(责任编辑：胡俊健)