Comprehensive Innovation Reform Experiment, Soft Environment and Resilience of Regional Innovation Ecosystem:A Quasi-Natural Experiment Based on SDID and DML

Lyu Kun1,Pan Junbai2,Li Beiwei3

(1.Business School, Ningbo University, Ningbo 315211,China;2.School of Economics Lanzhou University, Lanzhou 730099,China;3.School of Business and Management, Jilin University, Changchun 130022,China)

Abstract：The Chinese government is endeavoring to implement the strategy of innovation-driven development.From the perspective of regional innovation, research on regional innovation ecosystem based on niche theory has become the focus of academic research. A regional innovation ecosystem is a system formed by the material exchange, energy exchange, and information exchange between each innovation subject and its environment in a specific space and time range, and its resilience is considered to be the ability of the system to resist external shocks and disturbances, adjust and recover itself through the coordination of internal entities, resource integration and energy flow. Although there were 10 regions selected for comprehensive innovation reform pilot experiments, few studies have explored the impact mechanism of comprehensive innovation reform on the overall regional innovation ecosystem and its resilience. In addition, each evolution stage of the regional innovation ecosystem is closely related to the regional marketization process, economic development level, government behavior, resource stock and other environmental factors. The soft environment represented by laws and regulations, market price mechanism flexibility, and financial trading activity is profoundly affecting the evolution of the regional innovation ecosystem. Moreover, the comprehensive innovation reform test clearly takes policy measures and institutional arrangements as the key tasks of the reform. Therefore, it is necessary to incorporate the comprehensive innovation reform experiment, the soft environment and the resilience of regional innovation ecosystem into a unified research framework for analysis.

This paper designs a set of quasi-natural experiments based on the SDID model and the DML model, and with the panel data of 30 provinces in mainland China (except Tibet) from 2009 to 2021, it conducts empirical research on the five mechanisms involved in the research system of "comprehensive innovation reform experiment—soft environment—resilience of regional innovation ecosystem": (1) the impact mechanism of comprehensive innovation reform experiment on the resilience of regional innovation ecosystem; (2) the impact of soft environment on the resilience of regional innovation ecosystem; (3) how the spatial effects of comprehensive innovation reform experiment and soft environment affect the resilience of regional innovation ecosystem respectively; (4) whether the comprehensive innovation reform experiment can adjust the influence mechanism of soft environment on regional innovation ecosystem, and whether the adjustment effect is positive or negative; (5) the role of soft environment in the path of comprehensive innovation reform experiment on the resilience of regional innovation ecosystem.

It is concluded that, first, comprehensive innovation reform can impact innovation accumulation, knowledge aggregate and resource allocation optimization, which has a significant promoting effect on improving the resilience of regional innovation ecosystem. Among them, the comprehensive innovation reform can play a direct positive impact on the evolution, mobility and coordination of the regional innovation ecosystem, but the direct effect on diversity is not significant, indicating that the short-term economic behavior of local governments is not conducive to the development and scale expansion of multiple innovation entities in the regional innovation ecosystem. In addition, due to the siphon effect and disorderly competition between regions, comprehensive innovation reform will strengthen the geographical polarization of the resilience of regional innovation ecosystems.Second, a high-quality soft environment can provide favorable market competition conditions, stable social order, and structural improvement of the regional innovation ecosystem in terms of institutional arrangements and innovation ecological construction. Therefore, the positive factors in the region can be mobilized to strengthen the complexity, self-organization and self-recovery abilities of the regional innovation ecosystem, and enhance its resilience. In addition, the soft environment can also realize the spillover effect based on the economic spatial weight matrix. Finally, comprehensive innovation reform can strengthen the enhancement effect of soft environment on the resilience of regional innovation ecosystem, and the optimization of soft environment can adjust the negative spatial spillover effect of comprehensive innovation reform on the resilience of regional innovation ecosystem due to the spatial siphon effect. Meanwhile, comprehensive innovation reform can optimize the soft environment to promote the diversity, buffering, evolution, mobility and coordination of regional innovation ecosystem, especially for diversity. Although the comprehensive innovation reform itself has a limited impact on the diversification and scale development of innovation entities, it can have a positive indirect impact on diversity by adjusting the soft environment.

Key Words：Comprehensive Innovation Reform; Soft Environment; Resilience of Regional Innovation Ecosystem; SDID; DML

DOI：10.6049/kjjbydc.YX202305069

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)16-0024-13

收稿日期：2023-05-16

修回日期：2023-07-02

基金项目：国家社会科学基金青年项目(22CTQ028)

作者简介：吕鲲(1988—),男,浙江宁波人,博士,宁波大学商学院特聘副研究员,研究方向为技术创新管理、大数据分析与挖掘;潘均柏(2001—),男,浙江宁波人,兰州大学经济学院硕士研究生,研究方向为区域经济;李北伟(1963—),男,吉林长春人,博士,吉林大学商学与管理学院教授、博士生导师,研究方向为技术经济及管理。本文通讯作者:李北伟。

0 引言

中共二十大报告提出,“深入实施科教兴国战略、人才强国战略、创新驱动发展战略,开辟发展新领域新赛道,不断塑造发展新动能新优势”。区域创新视阈下,以生态位理论为基础的区域创新生态系统研究已经成为学界关注的焦点。区域创新生态系统是指特定时空范围内各创新主体与所处环境进行物质交换、能量交流、信息交互而形成的系统。同时,韧性被认为是系统抵御外部冲击和扰动,并通过内部主体协同、资源整合、能量流动对自身进行调整的能力[1]。在新旧动能转换、关键核心技术面临“卡脖子”的形势下,区域创新生态系统需要强化自身韧性,以应对外部冲击和风险。

2015年9月,中共中央、国务院印发《关于在部分区域系统推进全面创新改革试验的总体方案》(以下称《方案》),开启了首轮全面创新改革试验。自《方案》实施以来,部分学者认为,全面创新改革能够调整产业结构、优化资源配置、深化创新驱动[2],对经济社会发展全局具有深远影响。全面创新改革能够有效调动区域内部有利于创新的要素[3],但鲜有研究探究全面创新改革对区域创新生态系统整体及其韧性的影响机制,故本文将其作为研究方向。

此外,区域创新生态系统各演化阶段与区域市场化进程、经济发展水平、政府行为、资源存量等环境因素密不可分(廖凯诚等,2022)。基于新制度经济学视角,社会中任何系统均会受硬环境和软环境两个方面的影响[4]。其中,软环境包括法律法规、市场价格机制灵活度、金融交投活跃度等,可为区域发展提供制度安排。现有研究主要探讨软环境对区域创新生态系统的影响机制,如对人才流动、产业结构升级的影响(孙博等,2022),鲜有研究基于区域创新生态系统全局视角,分析软环境对区域创新生态系统韧性的影响。

《方案》明确指出,全面创新改革的任务在于通过调整知识产权保护力度、促进市场公平竞争等方式促进区域创新发展。这实质上强调全面创新改革应对软环境发挥政策效应。因此,有必要将全面创新改革、软环境和区域创新生态系统韧性纳入统一研究框架,探究全面创新改革和软环境对区域创新生态系统韧性的联合影响机制。

1 文献回顾与理论机制

1.1 全面创新改革与区域创新生态系统韧性

以促进科技与经济融合、激发创新活力和深化开放创新为目标的全面创新改革能够通过加强创新主体间联合协同、优化创新资源配置、改善政策环境等方式,营造有利于强化区域创新生态系统韧性的条件[5]。

在创新主体上,《方案》指出,既要加快推进高校、科研院所建设和改革,也要激发企业提升创新实力。各试点地区进行全面创新改革试验进程中,促进创新主体转型升级的相关举措与《方案》保持高度协同,如上海积极推进国家重点实验室、研究机构和研究基地等创新基础设施建设,并为企业创新活动提供信息、技术、资金等支持[6]。上述举措能够增强区域创新生态系统主体多样性。

在创新资源上,全面创新改革强调创新主体应加强对现有知识的应用,并引导企业等创新主体充分利用创新资源。此外,在地方政府一揽子政策的引导下,从探索技术转移机制、建设创新资源共享平台、提升创新资源配置效率等方面,为强化区域创新生态系统韧性创造有利条件。

在创新积累和创新协同方面,《方案》明确提出,要促进知识产权质量和效益显著提升。这一举措旨在提升区域技术、知识存量和质量,增加区域技术、知识积累,有利于区域创新生态系统利用已有技术和知识实现自恢复、自学习、自进化,从创新要素储备上强化创新生态系统抵抗外源压力的能力[7]。同时,《方案》强调推动科技和知识产权赋能产业发展,促进产学研融合任务和目标实现。上述举措能够有效促进创新生态系统内生产者与消费者的有机对接,以此增强区域创新生态系统韧性。

同时,《方案》指出,全面创新改革试验区需要具备“创新活动高度集聚、科技实力强、承担项目多”等条件。由此表明,被选中的试验区具有良好的创新资源禀赋。鉴于发达地区对后进地区存在虹吸效应,在创新资源禀赋较好的地区进行全面创新改革试验会进一步强化这一空间极化效应,进而对受政策支持的地区创新生态系统韧性产生负向影响。

基于上述分析,本文提出如下假设:

H1:国家全面创新改革显著增强区域创新生态系统韧性。

H2:国家全面创新改革对区域创新生态系统韧性发挥显著负向空间溢出效应。

1.2 软环境与区域创新生态系统韧性

区域创新生态系统演化与发展需要创新生态系统主体和外部环境进行持续信息交互、资源交换及技术交流,以地理位置、产业结构、基础设施等为代表的硬环境受区域本身发展禀赋的制约,短期内难以调整[8]。与硬环境相比,软环境作为对经济社会和生产生活的人为干预,具有较强的敏感性和弹性,决策者能够短期内运用相关政策工具对其进行调整[9]。

从内容上看,区域软环境分为市场环境、法制环境、政府治理环境、金融环境和创新环境(郭韬等,2017)。开放、竞争、协同、包容的市场环境下,市场主体能够体充分开展创新创业活动,促使区域创新生态系统吸纳更多的生产者[10]。此外,良好的市场环境有助于创新主体对消费结构升级产生的价格信号作出快速反应,加快新产品研发和生产,从而强化创新生态系统进化性[11]。

在探讨法制环境对创新问题的影响机制时,较多学者关注知识产权保护这一法制环境变量(张樨樨等,2022)。知识产权可为创新主体的有序竞争、创新成果转化和创新资源流动提供法律保障,在赋予知识排他性的同时,将知识向学习者公开,有利于知识溢出与边际创新[12],能够促进区域创新生态系统创新积累,强化其韧性。

良好的区域政府治理环境能够显著强化区域创新生态系统韧性。首先,政府可以通过实施税收补贴和税收优惠政策、提供科研经费、设立科研基金降低高校、科研院所及企业研发边际成本[13],从而提升区域创新生态系统多样性。其次,政府能够为创新主体提供技术咨询、科技培训、技术转移等公共服务,从而提高区域创新生态系统协调性和创新要素流动性。

良好的金融环境可为区域创新生态系统提供风险投资、股权投资等融资支持,促进初创企业和高新技术企业发展,同时能够直接形成资金流并驱动人才、信息流动,进而增强区域创新生态系统流动性。

创新环境是能够激励和驱动创新活动的短期人为干预因素的总和。一个资源充裕、政府关注、尊重知识和追求科技创新的软环境能够持续吸引人才,并驱动人才专注创新研发,进而增加区域创新积累,增强区域创新生态系统缓冲性。

此外,其它地区软环境的改善会产生空间外溢效应,对本地区创新生态系统韧性具有促进作用。软环境的改善能够驱动区域形成开放竞争市场、灵活有效的制度及交投活跃的金融体系,进而促进产业链上下游跨区域协同发展,通过统一开放的市场将知识、资金、信息、技术、人才溢出至周边地区,强化其它地区创新生态系统韧性。

基于上述分析,本文提出如下假设:

H3:软环境会显著强化区域创新生态系统韧性。

H4:软环境会对区域创新生态系统韧性发挥显著正向空间溢出效应。

1.3 全面创新改革进程中的软环境与区域创新生态系统韧性

从各地贯彻落实全面创新改革进程可见,全面创新改革主要通过优化软环境对区域创新生态系统韧性产生促进作用。从具体路径看,全面创新改革能够通过软环境对区域创新生态系统韧性的5个方面(缓冲性、流动性、进化性、多样性、协调性等)产生影响,由此衍生出5条机制路径。

(1)多样性。多样性主要表现在区域创新生态系统创新主体、种群、群落的种类、数量和规模上,系统多样性程度越高,越能抵御外部扰动。全面创新改革有助于营造良好的市场环境和创新环境,进而培育和吸引更多创新型企业,同时促使相关研发机构数量增多与规模扩张,增强区域创新生态系统多样性。

(2)缓冲性。缓冲性是区域创新生态系统抵抗外部冲击的能力特性[14]。从内容上看,地区创新资源禀赋和创新积累及其构成的复杂结构能够强化区域创新生态系统的缓冲性。全面创新改革通过促进创新主体与企业、金融机构、社会中介组织等其它区域创新生态系统主体融合,形成复杂的主体社会网络结构,从而增强区域创新生态系统缓冲性。

(3)流动性。流动性是区域创新生态系统内部和外部资金流、信息流、人才流、技术流等交织形成的特性。全面创新改革能够营造开放包容、竞争有序的市场环境和交投活跃、供求均衡的金融环境,有利于资金、信息流动,进而优化法制环境与创新环境。

(4)进化性。进化性需要依靠区域创新生态系统内创新主体、种群、群落等要素在与外部环境进行信息交互、物质交换、能量交流过程中,不断壮大规模、升级结构、提升能量加以体现。全面创新改革能够营造良好的金融环境、法制环境和创新环境,通过政策扶持、变革制度安排等方式引导科研院所、高校、企业整合现有资源,不断提高创新效率(张明喜,2023),从而显著增强区域创新生态系统进化性。

(5)协调性。协调性既体现了区域创新生态系统内创新主体、种群、群落通过知识溢出、技术合作、信息共享等方式形成的复杂关系,也体现了知识和技术对当地产业的赋能情况。全面创新改革能够在制度层面为技术转移、创新成果转化、产学研合作提供政策工具和交互渠道,在金融层面协调风险投资、股权投资等金融资源,进而为企业知识转化、技术引进提供融资支持。

由此,本文提出如下假设:

H5:全面创新改革能够强化软环境对区域创新生态系统韧性的促进作用。

H6:软环境在全面创新改革与区域创新生态系统韧性间发挥显著正向中介作用。

H6a:软环境在全面创新改革与区域创新生态系统多样性间发挥显著正向中介作用;

H6b:软环境在全面创新改革与区域创新生态系统缓冲性间发挥显著正向中介作用;

H6c:软环境在全面创新改革与区域创新生态系统流动性间发挥显著正向中介作用;

H6d:软环境在全面创新改革与区域创新生态系统进化性间发挥显著正向中介作用;

H6e:软环境在全面创新改革与区域创新生态系统协调性间发挥显著正向中介作用。

综上所述,本文构建研究假设机制如图1所示。

2 准自然实验设计、变量解释与数据来源

2.1 模型构建

鉴于研究主线为“全面创新改革试验和软环境对区域创新生态系统韧性有何种影响机制”,兼论“全面创新改革和软环境能否对周边地区创新生态系统韧性发挥虹吸或溢出效应”,本文构建空间双重差分模型和双重机器学习模型进行准自然实验。

2.1.1 空间双重差分模型构建

采用传统双重差分模型(DID)进行参数估计的前提是每个决策单元都不受其它决策单元处理的影响,即基于个体处理稳定性假设。本文采用空间面板数据,需要考虑地理单元间空间依赖性,因而参考Chagas等[15]的研究成果,构建空间双重差分模型如式(1)-(3)所示。

Resit=ρW·Resit+α1DIDit+α2SMit+∑βXit+γt+ui+εit

(1)

Resit=α1DIDit+α2SMit+∑βXit+γt+λW·vit+ui+εit

(2)

Resit=ρW·Resit+α1DIDit+α2SMit+∑βXit+θW(DIDit+SMit+∑Xit)+γt+ui+εit

(3)

模型(1)-(3)分别为基于空间自回归模型(SAR-DID)、空间误差模型(SEM-DID)和空间杜宾模型(SDM-DID)的空间双重差分模型。其中,Resit为被解释变量区域创新生态系统韧性,α1、α2分别为全面创新改革试验区政策事件虚拟变量(DIDit)和区域软环境指数(SMit)的系数,∑βXit为各协变量与其系数乘积的集合,W为空间权重矩阵,ρ为被解释变量Resit的空间自回归系数,θ为解释变量与控制变量在空间权重矩阵下的空间溢出效应系数集合,vit为外界冲击变量,ui为地区固定效应,γt为时间固定效应,εit为随机扰动项。

为验证假设H5,本文在模型中引入核心解释变量的交互项(DIDit×SMit),此处仅报告模型3中引入交互项的情况,由此构建模型如式(4)所示。

Resit=ρW·Resit+α1DIDit+α2SMit+α3DIDit×SMit+∑βXit+θW(DIDit+SMit+DIDit×SMit+∑βXit)+γt+ui+εit

(4)

2.1.2 双重机器学习模型构建

为弥补空间双重差分模型在实证分析过程中因维数诅咒、关键协变量难以穷举带来的估计偏误问题,本文采用机器学习模型进行准自然实验。同时,为解决该模型的正则化偏差问题,参考Chernozhukov等[16]、张涛和李均超[17]的研究成果,本文引入双重机器学习模型(DML)进行实证检验并构建模型如式(5)-(7)所示。

Resit=α1DIDit+g(Xit)+Uit

E(Uit|DIDit,Xit)=0

(5)

Resit=α2SMit+g(Xit)+Uit

E(Uit|SMit,Xit)=0

(6)

Resit=α3DIDit×SMit+g(Xit)+Uit

E(Uit|DIDit×SMit,Xit)=0

(7)

在模型(5)-(7)中,α1、α2、α3分别为全面创新改革试验区政策事件虚拟变量(DIDit)、区域软环境指数(SMit)及二者交互项系数,Xit为多维协变量集合(模型(7)中加入DIDit和SMit),g(Xit)的具体函数形式及其估计量需要通过机器学习模型获得。其中,模型(5)、模型(6)用以检验假设H1和H3,模型(7)用以检验假设H5。

在具体参数估计过程中,以模型(5)为例,DIDit的系数估计量在机器学习模型引入正则项降维后方差缩小,但却存在正则化偏误,因而需要构造辅助方程如式(8)所示。

DIDit=m(Xit)+Vit,E(Vit|DIDit,Xit)=0

(8)

式(8)中,需要采用机器学习模型对m(Xit)进行估计,以获得该函数估计量再对残差Vit进行估计,如式(9)所示。

(9)

此时,可将作为DIDit的工具变量,通过机器学习算法估计出和如式(10)所示。

(10)

式中,n为样本总量。

对于假设H6a-H6e,参考何锦安等(2022)的研究成果,本文构造基于双重机器学习算法的中介效应模型(模型8),如式(11)所示。

(11)

其中,式(11)中方程1用以检验DIDit对区域创新生态系统韧性(Resit)及其分指标(Divit,Bufit...)的总效应,方程2用以估计DIDit对中介变量(SMit)的影响效应,方程3用以估计在中介变量影响下,DIDit对被解释变量的影响效应。

2.2 变量解释与数据来源

2.2.1 被解释变量:区域创新生态系统韧性(Res)

参考刘和东和鲁晨曦[18]的研究成果,区域创新生态系统韧性主要分为多样性、缓冲性、进化性、流动性,故被称为区域创新生态系统的四维韧性特征。在此基础上,本文认为,区域创新生态系统韧性除基础维度(多样性)、外变维度(缓冲性)、表征维度(进化性)和内驱维度(流动性)外,还应考虑融合维度,以表征创新生态系统内部生产者(高校、科研院所、企业研发部门等创新主体)、消费者(创新技术应用主体)和分解者(基地、园区、孵化器等知识转化主体)交互、融合及协同程度。因此,本文将共生维度(协调性)纳入区域创新生态系统韧性表征框架,如图2所示。

参考刘和东和鲁晨曦[18]的研究成果,本文构建区域创新生态系统韧性指标体系(见表1),并采用熵值法测算区域创新系统韧性综合指数及其分项指标,数据部分来源于2009—2021年《中国科技统计年鉴》《中国高技术产业统计年鉴》《中国统计年鉴》《中国火炬统计年鉴》《中国高校科技统计资料汇编》。知识赋能新兴产业和服务业发展数据来源于数据挖掘,参考《“十四五”国家科技创新规划》,选取深度学习、机器学习、区块链、人工智能、大数据等57个关键词,通过百度高级检索搜索2009—2021年与各省下辖地级市相关的上述关键词,并采用Python软件爬取与各地级市相关的上述关键词词频进行分省汇总,以总词频表征区域知识赋能新兴产业与服务业发展情况。

2.2.2 解释变量I:全面创新改革试验区政策事件(DID)

本文将试验期实验组的该变量赋值为1,其余均赋值为0。

在实验组的确定上,《方案》选取10个地区作为创新改革试验区,包括北京、天津、河北、上海、四川、广东、安徽7个省级行政区,以及西安、沈阳、武汉3个副省级行政区。考虑到样本数量和统计口径的一致性,本文采用2009—2021年中国内地30个省份(因数据不全,西藏地区未纳入统计)面板数据作为研究对象。构建空间双重差分模型需要考虑地理单元间的依赖性,参考王欣和杜宝贵[19]的研究成果,考虑到“强省会”对本省经济发展的辐射带动与政策溢出效应[20],本文将陕西、辽宁、湖北3个省份与其它7个省份确定为实验组,其余省份则作为对照组。在后续稳健性检验中,将这3个省份从全样本中剔除再进行参数估计,若结果一致,则认为结论具有稳健性。

在时间维度上,大部分研究将政策实施时间设定为2015—2018年,但这会导致研究缺乏时效性,且2018年后各试点区域各项全面创新改革措施、制度和模式都已成型,与其它地区相比存在政策优势。因此,可以将2018年以后年份作为处理时间。本文在稳健性检验中剔除2019—2021年样本数据,以此检验结论的稳健性。

2.2.3 解释变量II:区域软环境指数(SM)

参考张樨樨等(2022)的研究成果,本文从市场环境、政府治理环境、金融环境、法制环境和创新环境5个维度表征区域软环境,具体指标体系如表1所示。本文采用党文娟和罗庆凤[21]的测度方法,法制环境以知识产权保护指标表征,具体采用知识产权保护立法强度、执法强度和施行效用表征。

本文借助熵值法测得区域软环境指数,部分数据来源于《中国统计年鉴》《中国科技统计年鉴》《中国法律年鉴》《中国检察年鉴》《中国金融年鉴》《中国财政年鉴》和EPS数据库。此外,知识产权保护立法强度采用地方关于知识产权立法文件年度数量与当年该地方总立法数量之比表征,相关地方立法数据通过检索北大法宝数据库获得。创新环境中政府对前沿技术创新的关注度指标采用文本分析方法获得,具体而言,采用Python软件爬取2009—2021年各省市政府工作报告中涉及创新、大数据、数据挖掘、平台互联网、电子商务、集成电路、智能制造、数字农业、区块链、数字货币、人工智能、机器学习、智慧城市、数字乡村、5G、云计算、射频识别等相关词汇(121个)的词频数,将其占当年政府工作报告总词频的比重作为该地区政府对前沿技术创新的关注度,进而汇总为面板数据。

2.2.4 协变量

本文选取能源消费强度、产业结构高级化、产业结构合理化和财政透明度指数作为协变量。其中,能源消费强度(万t标准煤/亿元)主要采用能源消费总额和实际产出(GDP)之比衡量,产业结构高级化和合理化相关数据参考干春晖等[22]的研究方法测得,财政透明度指数采用上海财经大学发布的年度《中国财政透明度报告》中分省财政透明度指数。

2.2.5 空间权重矩阵

空间权重矩阵可以表征地理单元间的地理和经济关系。空间计量模型中,变量空间溢出效应需要借助基于地理位置关系或经济距离的空间权重矩阵实现。本文认为,区域创新生态系统内物质、资源、能量流动,以及软环境的溢出效应主要受地区间经济关系的影响,故构建经济空间权重矩阵,如式(12)所示。

(12)

式中,W为经济空间权重矩阵,Wiθ为W中的元素,yi、yθ分别为省份i和θ平均实际GDP。

3 实证分析与假设检验

3.1 空间双重差分模型分析

3.1.1 空间自相关性检验

本文需要基于经济空间权重矩阵对区域创新生态系统韧性进行空间自相关性分析,结果如表2所示。经测算,2009—2021年区域创新生态系统韧性全局Moran's I指数均通过1%显著性水平检验,且每年的Moran散点图均呈现“高—高”“低—低”集聚(见图3),表明本文被解释变量区域创新生态系统韧性具有较强的空间自相关性。

3.1.2 模型适用性检验

为了从模型(1)-(3)中选择合适的空间双重模型进行实证分析,本文采用LM及Robust LM统计量进行检验。结果显示,空间自回归模型(SAR)和空间误差模型(SEM)检验结果均显著,故本文采用空间杜宾模型(SDM)进行分析。由Hausman检验结果可知,应采用随机效应模型。此外,针对SAR和SAR的Wald检验、LR检验均显著拒绝SDM退化为SAR和SEM。以上检验过程及相应统计结果如表3所示。

本文进行准自然实验的目的是要考察核心解释变量的空间溢出效应,此视阈下空间杜宾模型优于空间误差模型和空间自回归模型,故本文选择空间双重差分模型作为实证分析模型。

3.1.3 空间双重差分模型回归分析

本文基于经济空间权重矩阵,采用随机效应SDM-DID模型对假设H1-H5进行机制检验,并将变量的空间效应分解为本地效应和邻地效应,本地效应用以表示解释变量对本地区被解释变量的影响,邻地效应用以表示其它地区解释变量对本地区被解释变量的影响,结果如表4所示。其中,空间自回归系数ρ在模型(3)、模型(4)中分别为0.239和0.503,通过5%和1%显著性检验,表明区域创新生态系统韧性在区域间能够实现联动协同发展。

模型(3)的参数估计结果显示,全面创新改革试验区政策事件变量(DID)的本地效应系数为0.036 7,区域软环境指数(SM)的本地效应系数为1.099,均通过1%水平上的显著性检验,假设H1和H3得证。DID的邻地效应系数为-0.094 2,在1%水平上显著,表明全面创新改革试验对区域创新生态系统韧性发挥负向空间传导效应,由此验证了假设H2;SM的邻地效应系数为0.346,通过5%水平上的显著性检验,表明区域软环境基于经济空间权重对区域创新生态系统韧性发挥显著正向空间传导效应,假设H4得证。

模型(4)在模型(3)的基础上引入DID与SM的交互项,DID×SM的本地效应系数为0.555,通过1%水平上的显著性检验,表明全面创新改革能够强化软环境对区域创新生态系统韧性的正向作用,假设H5得证。此外,DID×SM基于经济空间权重矩阵的邻地效应系数(0.535)在5%水平上显著。这一结果表明,软环境能够调节全面创新改革试验在局部地区产生的地理极化效应。

3.1.4 平行趋势检验

在基于双重差分模型进行准自然实验过程中,实验组和对照组需要满足平行趋势假设。本文参考马丽梅和司璐[23]的研究成果,设定平行趋势检验模型如式(13)所示。

Resit=λit+θ1policyi(t-5)+θ2policyi(t-4)+...+θ6policyit+...+θ11policyi(t+5)+θ12policyi(t+6)+αSMit+∑βXit+γt+ui+εit

(13)

式(13)中,policyi(t±n)分别是全面创新改革在i地区施行前后n年的虚拟变量(以t-6为基期)。若policyi(t-n)不显著,则说明政策施行前,实验组和对照组具有平行趋势;若policyi(t+n)显著,说明全面创新改革发挥良好的政策效应。图4表明,本文研究设定通过了平行趋势检验。

3.2 双重机器学习模型分析

3.2.1 基准回归

参考张涛和李均超(2023)的研究成果,本文采用样本分割比例为1∶4,并基于随机森林算法的双重机器学习模型对模型(5)～(7)进行参数估计,结果如表5所示。

表5显示,模型(5)、模型(6)中DID和SM的系数在1%水平上显著为正,分别为0.136和1.140。在模型(7)中,二者交互项系数(1.453)在1%水平上显著,由此验证了假设H1—H5,且与基于空间双重差分模型的本地效应参数估计结果相契合。

3.2.2 稳健性检验

(1)调整研究样本。依据上文,本文剔除陕西、辽宁、湖北3省样本,并将准自然实验时间设置为2009—2018年,采用调整后样本数据重新估计模型(5)—(7),结果如表6所示。表6结果与表5基本一致,验证了研究结论的稳健性。

(2)改变样本分割比例。本文将双重机器学习模型样本分割比例调整为1∶3和1∶7,以此重新估计参数,结果如表6所示。表6结果与前文相一致,再次验证了本文研究结论的稳健性。

(3)更换机器学习算法。本文将随机森林算法替换为神经网络算法与梯度提升算法,以此重新估计参数,结果如表6所示。表6结果与前文基本一致,表明本文研究结论具有稳健性。

3.2.3 扩展分析:全面创新改革试验对软环境不同维度的调节效应

上述实证分析结果表明,全面创新改革试验对区域创新生态系统韧性发挥显著强化作用。与一般试验试点政策相比,全面创新改革试验政策兼具综合性、全面性、多样性等特性,所锚定的经济因素较多。本文研究对象之一的软环境涉及市场环境、政府治理环境等5个维度。因此,为进一步消除内生性问题,探究全面创新改革试验和软环境对区域创新生态系统韧性的联合影响机制,本文将软环境分解为5个分项维度指标,以剖析全面创新改革试验对区域创新生态系统韧性的调节机制,结果见表7。

由表7可知,法制环境(SM-III)、金融环境(SM-IV)对区域创新生态系统韧性的直接影响系数分别为0.231和0.647,均通过1%水平上的显著性检验。DID×SM-III、DID×SM-IV的影响系数显著为正,表明法制环境和金融环境能够显著强化区域创新生态系统韧性,同时全面创新改革试验可以强化这一效应。

创新环境(SM-V)的直接效应不显著,但DID×SM-V的影响系数为0.506,通过1%水平上的显著性检验。由此表明,我国当前区域创新体制和创新模式下,创新环境受创新链环节衔接不畅、创新主体协同性缺失、创新成果评价激励机制扭曲等不利因素影响,导致创新资源错配。同时,政府创新政策会因路径依赖支持成熟技术的线性创新,而忽视关键核心技术和基础研究的非线性创新。全面创新改革试验能够通过变革创新体制、促进创新链补链强链等方式矫正创新环境内部不利因素,从而强化区域生态系统韧性。

同时,参数估计结果显示,市场环境(SM-I)的直接效应显著,但DID×SM-V的影响系数不显著,可能原因在于,实行全面创新改革的地区为了在验收期内获得较好的验收成绩而忽视了基础研究主体,以及处于初创阶段且创新能力有限的科技企业,将过多的政策资源配置给成熟企业,进而陷入路径依赖,因而对区域创新生态系统韧性产生不利影响。

此外,政府治理环境(SM-II)的直接效应系数和DID×SM-II的影响系数均不显著,表明尽管政府治理绩效、地区治安水平、生态环境质量提升有利于吸引创新主体“用脚投票”,但与区域创新生态韧性的相关性不强,无法发挥显著效应。

3.2.4 基于双重机器学习的中介路径检验

针对机制假设H6a—H6e,本文构建基于双重机器学习算法的模型(8),以检验软环境在全面创新改革、区域创新生态系统韧性及分项指标间的中介效应,结果如表8所示。由Sobel、Aroian、Goodman检验结果可知,机制假设H6a—H6e成立。同时,经过Bootstrap抽样500次求出中介效应系数,并通过基于Pereentile方法和Bias-Corrected方法的置信区间判断所有路径的中介效应,Bootstrap检验结果见表9。

表8～9第(1)组回归中,软环境在全面创新改革与区域创新生态系统韧性间发挥显著正向中介效应,中介效应系数为0.517,中介占比为59.3%。

第(2)组回归中,软环境在全面创新改革与区域创新生态系统多样性间发挥显著正向中介效应,中介效应系数为0.013 6。但上述中介效应为完全中介效应,即全面创新改革对创新主体多样性的影响不显著。可能因为实行全面创新改革的地区为了在验收期内获得更多创新成果,忽视了基础研究主体,以及处于初创阶段且创新能力有限的科技企业,将过多的政策资源配置给成熟企业,导致多样性缺失,因而无益于强化区域创新生态系统韧性。这一结果再次印证了政策试点的短期经济行为对区域创新生态系统韧性的不利影响。

第(3)组回归结果与第(1)组回归结果一致,软环境在全面创新改革和区域创新生态系统缓冲性、进化性、流动性、协调性间均发挥显著正向中介效应,中介占比分别为66.6%、55.7%、53.4%、76.2%。由此表明,全面创新改革能够通过软环境强化区域创新生态系统的缓冲性、进化性、流动性、协调性等维度特性,从而验证了假设H6b—H6e。

4 结语

4.1 结论

本文采用空间双重差分模型、双重机器学习模型对“全面创新改革对区域创新生态系统韧性有何种影响机制”“软环境如何影响区域创新生态系统韧性”以及“全面创新改革和软环境对区域创新生态系统韧性具有何种联合影响”三大命题进行研究,得出以下主要结论:

(1)全面创新改革能够发挥创新积累效应、知识总量效应和资源配置优化效应,从而强化区域创新生态系统韧性。其中,全面创新改革对区域创新生态系统的缓冲性、进化性、流动性、协调性具有正向影响,但对于多样性的作用不显著,表明地方政府短期经济行为对区域创新生态系统的多元创新主体发展和规模扩张不利。此外,由于区域间存在虹吸效应和无序竞争,区域创新生态系统韧性会在全面创新改革的影响下形成地理极化。

(2)在制度安排和与创新生态建设上,良好的软环境能够为区域创新生态系统提供有利的市场竞争条件、稳定的社会秩序、良好的政商关系、适度的知识产权保护、活跃的金融活动,营造尊重人才、重视创新的氛围,从而增强区域创新生态系统韧性。此外,软环境能够基于经济空间权重矩阵发挥外溢效应,对区域创新生态系统韧性产生显著正向空间溢出效应。

(3)全面创新改革能够强化软环境对区域创新生态系统韧性的促进作用,良好的软环境能够调节全面创新改革对区域创新生态系统韧性的负向空间溢出效应。同时,全面创新改革能够通过优化软环境强化区域创新生态系统的多样性、缓冲性、进化性、流动性、协调性。

4.2 政策建议

(1)总结第一轮全面创新改革试验经验,在新一轮全面创新改革过程中,复制和推广成功经验。将全面创新改革目标和任务与防范化解重大风险的要求相结合,关注区域创新生态系统抵御由新旧动能转换、逆全球化浪潮、发达国家技术封锁带来的冲击,以强化区域创新生态系统韧性。

(2)新一轮全面创新改革试验中,要重点关注区域协同发展,将第一轮全面创新改革试验中的地理极化效应转变为地理涓滴效应。具体而言,构建跨区域创新资源共享机制,鼓励企业、高校、科研院建立跨区域研发联盟。先进地区可以引导本地区创新主体发挥改革示范效应,在后进地区围绕强化创新生态系统韧性实施改革。

(3)新一轮全面创新改革要以优化软环境为基础任务,既要根据创新生态系统演化和外部环境变化,运用政策工具对软环境进行灵活调整,又要维持相对稳定的软环境。同时,需要进一步加快建设开放有序的统一大市场,关注跨区域联结,进而强化软环境对区域创新生态系统韧性的正向空间溢出效应。

(4)新一轮全面创新改革要给予试验区适当的改革模式探索和战略实施时间,避免地方政府为应对政绩考核而采取短期经济行为。同时,要制定中长期计划,营造包容宽松的创新环境,从而强化区域创新生态系统韧性。

4.3 不足与展望

(1)本文探讨了全面创新改革通过软环境对区域创新生态系统韧性的影响,但全面创新改革也会对创新基础设施、企业转型产生影响,未来需要进一步探讨硬环境和其它环境因素在其中发挥的作用。

(2)本文仅基于省级面板数据对区域创新生态系统韧性进行了实证分析,但区域创新生态系统在不同行业、不同时空范围和不同细分技术环节的子系统间具有异质性,未来需要进一步探讨全面创新改革和软环境对产业创新生态系统、企业创新生态系统以及细分技术环节创新生态系统的影响机制。

(3)鉴于区域创新生态系统的自组织、自调节和自反馈特性,未来可以采用系统动力学、耗散结构理论等多元理论探讨系统动态演化引起的区域创新生态系统韧性的突变性、非线性变化。

参考文献：

[1] MEEROW S,NEWELL J P,STULTS M.Defining urban resilience:a review[J].Landscape and Urban Planning,2016,147(1):38-49.

[2] 张杰,付奎.创新制度改革与城市全要素生产率提升——来自全面创新改革试验区的经验证据[J].现代经济探讨,2021,40(9):26-35.

[3] 尹力.推进全面创新改革试验 打造四川高质量发展战略支撑[J].宏观经济管理,2018,34(10):14-15,20.

[4] 袁文融,杨震宁.营商环境如何影响居民创业——营商硬环境与软环境的异同[J].技术经济,2021,40(11):35-45.

[5] 王敏,张兴隆,段佳萌.全面创新改革试验区能否促进产业结构升级[J].财经科学,2022,66(3):135-148.

[6] 刘艳,曹伟,李石柱,等.上海市全面创新改革试验区相关政策研究[J].科技管理研究,2017,37(23):72-78.

[7] 朱松平,叶阿忠.技术进步视角下经济政策不确定性对经济增长的影响研究[J].系统科学与数学,2022,42(2):398-416.

[8] 晏小燕.硬环境、金融机会与区际发展差异——基于机会平等视角[J].商业经济研究,2015,690(35):84-87.

[9] 于东平,段万春.区域软环境、企业家能力与中小企业绩效[J].科研管理,2012,33(12):68-77.

[10] 夏绪梅,李翔.营商环境与城市创新创业质量的协同机制及其关系检验[J].统计与决策,2023,39(7):184-188.

[11] GARACIA F, JIN B, SALOMON R.Does inward foreign direct investment improve the innovative performance of local firms[J].Research Policy, 2013, 42(1):231-244.

[12] 章志华,贺建风.知识产权保护如何影响OFDI的绿色创新效率[J].暨南学报(哲学社会科学版),2023,45(4):73-88.

[13] MONTMARTIN B, HERRERA M.Internal and external effects of R&D subsidies and fiscal incentives:empirical evidence using spatial dynamic panel models[J].Research Policy, 2015,44(5):1065-1079.

[14] 梁林,赵玉帛,刘兵.国家级新区创新生态系统韧性监测与预警研究[J].中国软科学,2020,35(7):92-111.

[15] CHAGAS A L S, AZZONI C R, ALMEIDA A N.A spatial difference-in-differences analysis of the impact of sugarcane production on respiratory diseases[J]. Regional Science and Urban Economics, 2016, 59(6):24-36.

[16] CHERNOZHUKOV V, CHETVERIKOV D, DEMIRER M, et al.Double/debiased machine learning for treatment and structural parameters[J].The Econometrics Journal,2018,21(1):1-68.

[17] 张涛,李均超.网络基础设施、包容性绿色增长与地区差距——基于双重机器学习的因果推断[J].数量经济技术经济研究,2023,40(4):113-135.

[18] 刘和东,鲁晨曦.创新生态系统韧性对经济高质量发展的影响[J].中国科技论坛,2023,39(1):48-57.

[19] 王欣,杜宝贵.全面创新改革试验政策对科技成果转化的影响效应[J].科技进步与对策,2023,40(2):111-121.

[20] 吴传清,孟晓倩.虹吸还是溢出——“强省会”战略的经济增长极效应分析[J].安徽大学学报(哲学社会科学版),2022,46(1):124-136.

[21] 党文娟,罗庆凤.环境管制、知识产权保护与区域创新能力——基于我国省际面板数据的实证研究[J].重庆大学学报(社会科学版),2021,27(3):203-215.

[22] 干春晖,郑若谷,余典范.中国产业结构变迁对经济增长和波动的影响[J].经济研究,2011,46(5):4-16,31.

[23] 马丽梅,司璐.低碳城市与可再生能源技术创新[J].中国人口·资源与环境,2022,32(7):81-90.

(责任编辑：张 悦)