知識溢出,地理鄰近與區域異質性的空間關系

楊貴彬,李婉紅

(哈爾濱工程大學經濟管理學院,黑龍江 哈爾濱150001)

1 引 言

地理鄰近作為空間經濟學的核心概念,常被當成一個內生變量來描述區域間的經濟關系,即經濟主體在追求經濟利益時,地理區位始終是重要的考慮因素,經濟主體會從與同行、顧客和競爭對手的鄰近所產生的正外部性中受益[1].在區域知識溢出研究領域,國內外學者們從不同角度探討了地理鄰近與知識溢出的關系,通常可分為以下三類觀點：

1)地理鄰近對知識溢出具有促進作用.該類觀點認為,由于知識通常是非正式、緘默及不可編碼[2],這就暗示了短距離更益于擴散,即創新知識的適用性和可靠性會隨著地理距離的增加而衰減,進而降低行為主體之間發生創新聯系的概率[3].Anselin等[4]在Jaffe等[5]的知識生產函數中增加了一個空間滯后變量,并以美國都市區層次的高科技企業為樣本,分析了大學研究與私人研發活動對區域創新模式的影響,發現大學研究對環大學80 km區域內的創新活動產生顯著的正面影響.Funke等[6]對德國75個地區的橫截面分析顯示,知識溢出主要在鄰近地區發生,知識溢出源對創新活動的正效應每隔23 km～30 km減少50%.Bottazzi等[7]采用劃分溢出區間的方法來測度知識溢出的地理界限.他們通過分析歐洲86個州級區域1977年～1995年的研發和專利數據發現,知識溢出對周邊地區創新活動產生顯著正面影響的空間距離可達到300 km,隨后影響明顯減弱.Woodward等[8]發現在距離大學233 km的空間范圍內,新建企業數量與大學研發溢出呈現較為顯著的正相關關系.李琳等[9]從地理鄰近和網絡位置視角出發,提出對于同一產業或相關產業內的組織而言,地域上的鄰近有利于知識尤其是隱性知識的吸收和傳遞.

2)地理鄰近對知識溢出具有負面作用.持有這一觀點的學者們認為,由于產業集群“擁擠效應”的存在,地理鄰近對知識溢出存在負面影響[10].Maskell等[11]發現過高的地理鄰近會導致集群內技術和產品高度相似,進而出現惡性競爭以及知識產權保護問題,所以會抑制集群的創新活動.Sedgley等[12]研究美國制造業單位資本投入的創新效應時發現,過度的地理集中導致的“要素擁擠效應”對專利產業具有顯著的消極影響.Sornn-Friese等[13]則指出忘卻學習是學習的重要部分,地理鄰近有助于學習知識,但卻不利于忘卻知識,另外距離太近容易導致聯結鎖定,因而不利于知識溢出.Boschma[14]認為當一個區域變得過分的鄰近和內向時,區域內主體的學習能力會減弱到失去創新能力和不能對外部的變化作出反應的境地.Callois[15]則建立微觀經濟模型研究了地理臨近與知識溢出及企業創新的關系.他通過研究發現,由于過度的鄰近性趨于限制企業與外部網絡的聯系,通常會導致在產業集群中傳播的知識和思想冗余,因此并不利于知識溢出及企業創新.Carrincazeaux等[16]提出地理鄰近性并非靈丹妙藥,過度地理鄰近不僅造成土地、勞動和資源價格上升,環境污染加劇,而且由于本地的競爭壓力造成非自愿知識外溢和不信任感,因此在過度地理鄰近性的情況下,企業會面臨知識壟斷使用等問題,從而導致產業集群不穩定和脆弱.

3)地理鄰近與知識溢出的關系不明顯.隨著研究的深入,亦有相當數量學者認為雖然地理鄰近有利于行為主體間進行面對面交流,促進隱性知識的傳播從而推動創新,但由于技術發展的階段、空間傳播方式的改進等,地理鄰近與知識溢出的關系并不明顯.Thompson等[17]對Jaffe等[5]在1993年的研究方法進行了改進,并采用了與Jaffe大致相同的樣本,只是將選取控制樣本的技術等級進行了細分,發現知識溢出的本地化特征并沒有那么明顯.李琳等[18]從集群周期演化的角度,表明地理鄰近對集群創新的動態影響大體上呈倒“U”型變化,在集群形成初期和成長期,地理鄰近促進了集群的創新,到集群成熟期時,這種促進作用逐漸減少,衰退期地理鄰近對集群創新的影響轉化為負效應.呂國慶等[19]認為在新技術的早期階段,知識的隱性程度往往很高,公司和個人很大程度上可以受益于地理鄰近;當該技術逐漸成長并發展成熟時,知識變得規范化,創新合作將突破地理空間的束縛轉而向更遠的地方轉移,即隨著時間的推移,地理鄰近在創新網絡形成中的重要性逐漸降低.常紅錦等[20]通過研究提出知識及信息的生成與傳播具有明顯的空間不均等性,呈現出強烈的隨著地域擴散而衰退的特征.然而,企業間頻繁的接觸增加了企業間的信任水平,促進了企業間隱性知識的傳遞,減小由于距離產生的知識轉移障礙.

通過總結上述文獻可以發現,1)目前研究主要集中在知識溢出與地理鄰近的直接關系,通過對知識類別的劃分或對區域地理距離的測度,研究地理鄰近對知識溢出產生的直接影響.然而在創新研究的視野中,分析地理鄰近與知識溢出問題時不能將地理鄰近單獨割離,需要關注其它結構變量的權變影響[21];2)中國經濟發展的特征之一在于地區間的異質性[22],即我國各個區域在地區科技支持政策、資源稟賦、經濟發展水平等方面具有差異,而這種區域異質性極有可能對區域間的知識溢出也產生重要影響.然而值得重視的是,現有文獻研究區域間知識溢出時,基本假定所有區域具有同質性,忽視了區域異質性的作用,從而可能導致對知識溢出的有偏估計;3)在利用知識生產函數測度知識溢出與地理鄰近的關系時,現有研究大多采用傳統計量模型進行估計,也有部分學者注意到傳統模型估計存在的偏誤問題,開始應用空間計量模型對知識溢出進行研究[23,24],然而這種模型尚未被應用于知識溢出與地理距離的研究領域.

因此,基于上述分析,本文在研究地理鄰近與區域間知識溢出關系時,嘗試增加區域異質性變量,并結合修正的Griliches-Jaffe知識生產函數[5]構建空間計量模型,深入探究在未考慮和考慮區域異質性情況下區域間知識溢出與地理鄰近的關系,進而為制定區域政策、推動地區間知識有效溢出提供理論借鑒.

2 知識溢出與地理鄰近關系模型

有關區域知識溢出的測度通常采用知識生產函數法(knowledge production function,KPF).知識生產函數最初由Griliches[25]于1979年提出,而Jaffe等[5]對Griliches的生產函數模型進行了改進,在模型中引入了空間維度且將大學納入研究,并估算了知識溢出的空間尺度和乘數效應,率先運用知識生產函數建模技術來測度地理空間上的知識溢出.這種經過修正的Griliches-Jaffe知識生產函數是一種具有兩項投入的柯布–道格拉斯生產函數(Cobb-Douglas production function),其對數形式為

其中Q代表知識產出,α0為常數項,K代表研發經費投入,L代表研發人員投入,α1和α2分別為研發經費投入和研發人員投入的產出彈性,i代表區域,ε為隨機擾動項.

同時,基于空間經濟學,本文考慮到一個區域知識產出不僅受到區域內研發經費投入和研發人員投入的影響,還會受到來自于其它地區知識產出的影響,因此在模型中增加地理鄰近與其它區域知識產出變量.此外,考慮到我國各個區域在地區科技支持政策、資源稟賦、經濟發展水平等方面具有差異性,將區域異質性增加為研究變量,比較未考慮和考慮區域異質性兩種情況下區域間知識溢出與地理鄰近的關系.因此,構建如下兩個模型

其中d為地理鄰近,表示除本區域之外的其它區域知識產出,表示以某區域為中心,以一定距離為半徑,所構成的一個圓環范圍內區域知識產出的加權和[23,26],Z表示區域異質性,a,b分別為未考慮和考慮區域異質性情況下的相關變量.

變量的具體意義和測度方法如下:

1)知識產出.由于專利通常代表新知識的產生,常被視為與研究開發本身具有密切聯系的數據,且具有很強的客觀性和可測性,因此成為測度知識產出的重要指標.同時,關于知識產出的測度通常包括專利申請量和專利授權量.目前較多使用專利申請量,但本文認為,專利申請量并非創新能力強弱的指標,且專利申請未獲授權也不能代表新知識的產生,同時專利申請可能存在重復現象,而專利授權量更能體現新知識產出.因此,本文選取專利授權量作為知識產出的測度指標.此外,考慮到知識生產的周期性1根據我國專利法的規定,從專利申請到授予專利的時間大約為兩年,故將第t年的專利授權量看作是第t?2年研發經費投入和研發人員投入所帶來的知識產出.,本文選取滯后期為兩年的專利授權量作為被解釋變量進行研究.

2)研發經費投入.對于研發經費的測量通常包括流量和存量指標,由于某期研發經費投入不僅影響當期知識產出,對后期知識產出也有影響[26],因此采用研發經費存量衡量對知識產出的影響較為準確.

參考Goto等[27]的方法,研發經費存量采用永續盤存法進行計算,公式為

其中GRD代表研發經費存量,I代表各滯后期的研發經費投入,t代表時間,s代表滯后期,μ代表各滯后期研發經費存量對當期存量的貼現比例,δ表示研發經費的折舊率[28].

對于滯后期結構問題,一般以平均滯后期ρ進行估算,即s=ρ時,μs=1;s/=ρ時,μs=0,最終得出

依據吳延兵[29]的研究,假定ρ=1,即平均滯后期為1年,折舊率則采用較常用的15%來估算.基期研發經費存量采用下式進行估算,即

其中γ為研發經費投入的年平均增長率,通常將樣本年份的研發經費投入轉化為可比價格,然后計算出樣本年份的平均增長率,最終得出基期存量,再根據式(5)計算出各地區對應年份的研發經費存量2由于統計口徑的不同,我國從1998年開始對“各地區研究與發展經費內部支出”數據進行統計,因此本文將各地區研發經費存量的計算基期確定為1998年..

3)研發人員投入.該變量指各區域從事研發活動的人員投入,通常采用“各地區研究與試驗發展(R&D)人員全時當量”來表示.

4)地理鄰近.地理鄰近主要用來表示各區域在地理空間上的接近程度,其衡量方法包括最短直線距離和最短交通時間.本文考慮到獲取數據的難易及準確程度,將選取第一種方法,以城市地理坐標為依據,利用ArcGIS中Point Distance功能生成各省會城市之間的地理距離,并參考文獻[23],以300 km作為省會城市地理距離的間隔標準將省會城市之間的聯系表示為五個區間:(100,300),(300,600),(600,900),(900,1200),(1200,1500).

5)區域異質性.依據文雁兵[30]的研究,資源稟賦差異性是區域間異質性的最突出特征之一.同時,隨著各地區經濟發展條件變化和區域政策的適時調整,區域異質性對地區經濟行為選擇和演變也會產生動態影響.因此,基于這一觀點,并借鑒于明超等[31]、黃奇等[32]以及沈能等[33]有關區域異質性的研究,本文將影響知識溢出的區域異質性變量總結為以下三類：

(a)制度類,表示各區域科技支持政策對知識溢出的影響差異.本文應用地方財政科技撥款占地方財政總支出的百分比對該指標進行測度;

(b)資源類,表示各區域資源稟賦對知識溢出的影響差異.資源稟賦是指自然資源、人力資本(包括勞動成本、人力資本的豐裕程度和受教育程度等)、資金技術等與經濟增長相關的生產要素[34].由于人力資本受教育程度與知識溢出具有密切關系,因此本文采用各地區每十萬人口擁有的大專及以上學歷人口對該指標進行測度;

(c)發展類,表示各地區經濟發展水平對知識溢出的影響差異.在本文中應用地區生產總值對該指標進行衡量3按當年價格計算.2004年以前地區生產總值數據執行《國民經濟行業分類》(GB/T4754–1994),2004～2012地區生產總值數據執行《國民經濟行業分類》(GB/T4754–2002)..

基于以上變量解釋,所要研究的計量模型為

其中dn為五個區間的地理鄰近(n=1,2,...,5),P代表制度類區域異質變量,E代表資源類區域異質變量,D代表發展類區域異質變量.

3 知識產出的空間相關性

目前傳統的計量回歸分析方法實質是對線性變量在時間序列層面的經驗研究,未考慮區域(或截面單元)之間的空間關聯.然而,一個地區空間單元上的某種經濟地理現象或某一屬性值與鄰近地區空間單元上同一現象或屬性值是相關的[35],因而假定區域之間的經濟行為在空間上具有異質性可能更加符合現實.以此推理,各省份和直轄市知識產出不僅受到地區內相關因素的影響,而且可能還會受到周邊其它地區的影響.但在證實這些關系之前,還需要對變量的空間相關性進行分析,以判斷知識產出是否具有空間相關性,進而確定是否應用空間計量模型對知識產出、地理鄰近等關系進行驗證.

3.1 基本原理

空間自相關分析通常包括全域空間相關性(global spatial autocorrelation,GSA)分析和局域空間相關性(local indicators of spatial association,LISA)分析,全域空間相關性分析是指從區域空間的整體上刻畫區域經濟行為的空間分布集聚情況,而局域空間相關性則主要基于局部空間的特征來衡量每個空間單元的局部空間相關性[36].

1)全域空間相關性.全域空間相關性常用的有Moran’s I指數或Geary’s C指數,其中Moran’s I指數的顯著水平可以得到檢驗且自相關圖已標準化,可進行不同尺度間的比較研究,因此得到廣泛應用.本文使用全域Moran’s I指數來分析,其計算公式為

其中表示第i地區的觀測值,n為地區總數,Wij為空間權值系數.一般I的取值范圍為?1≤I≤1,其中I為正值,表示各區域間的經濟行為呈現正相關,該值越大則相關性越大;I為負值,表示負相關,各區域的經濟行為呈離散分布;I為零表示各區域的經濟行為是隨機分布的.

2)局域空間相關性.全局空間相關性指標反映出整個區域的空間相關趨勢,對這一趨勢的判斷是基于整個空間為同質的假定條件而做出,但事實上空間異質性普遍存在,因而全域空間相關性指標無法揭示局部空間特征[36],有必要通過局部統計指標來衡量每個空間單元的局部空間相關性.

本文采用局域Moran’s I繪制的散點圖(稱為Moran散點圖)和LISA集群地圖來衡量局部空間自相關.其中局域Moran’s I定義為

其中Ii＞0表示第i地區的觀測值與鄰接地區存在較強的正空間自相關性,呈空間集聚;Ii＜0表明負相關,呈空間離散.

在Moran散點圖中,橫軸和縱軸分別代表觀測變量及其空間滯后變量,且包括四個象限,其中第I象限(H-H)和第III象限(L-L)分別表示被研究區域與其鄰近區域具有同樣的高觀測值或低觀測值(空間正相關);第II象限(H-L)和第IV象限(L-H)分別表示具有低或高觀測值的被研究區域被高或低值鄰近區域所包圍的空間集聚現象(空間負相關).

3.2 數據來源

由于部分省份的數據無法獲得,因此以我國大陸31個省份和直轄市為研究樣本進行數據選取4不包括香港特別行政區,澳門特別行政區,臺灣省的數據..知識產出采用的研究期為2000年～2013年,其它變量的研究期為1998年～2011年,數據來源于《中國科技統計年鑒》、《中國工業統計年鑒》、《中國統計年鑒》和《中國教育統計年鑒》等,且部分變量通過年鑒數據計算得出.同時,為消除可能存在的異方差,對原始數據進行了對數處理.

3.3 全域空間相關性分析

本文使用OpenGeoda軟件并選擇基于二進制的Rook鄰近權值對2000年～2013年數據進行分析,以判斷知識產出的空間自相關性5本文選擇二進制的Rook鄰近權值(contiguity weight)和k最近鄰(k-nearest neighbors)空間矩陣計算了基于r1～r4,k5～k6的Moran’s I檢驗結果.結果發現,基于r1的Moran’s I空間自相關性指數,刻畫的31個省份和直轄市知識產出空間自相關性最明顯..

基于空間權值矩陣的2000年～2013年知識產出的全域Moran’s I指數及其它數據如表1所示.表中2000年～2013年所有全域Moran’s I指數為正,說明這些省份和直轄市的知識產出具有空間正相關性.

表1 知識產出的全域Moran’s I指數Table 1 Global Moran’s I of knowledge output

為了檢驗全域Moran’s I是否顯著,在OpenGeoda中采用蒙特卡羅模擬方法來檢驗,通過改變排列計算999次,全域Moran’s I通過了1%的正態分布顯著性水平檢驗,即在1%的顯著性水平下拒絕不存在空間相關性的假設,表明我國省份和直轄市知識產出在空間上呈現集聚,并在整體上存在顯著的空間自相關性.由于涉及分析圖較多,而且相鄰年份空間特征差異較小,僅提供2000年,2003年,2008年和2013年知識產出的蒙特卡羅模擬結果6由于R&D經費數據的基年為1998年,滯后2年的專利授權量從2000年開始計算,因而此處選擇以2000年為起點.同時,考慮到以中期階段(通常為5年)對知識產出結果進行觀測較為適宜,并結合觀測期(共14年)的限制,觀察到2003年的全域Moran’s I指數在2008年之前為最大值,因此本文將觀測年份確定為2000年,2003年,2008年和2013年.(如圖1所示).

3.4 局域空間相關性分析

由于全域Moran’s I指數無法刻畫31個省份和直轄市知識產出的局域空間自相關性特征和局域空間集群趨勢特性,應用局域指標集群分析方法,通過繪制Moran散點圖及LISA集群地圖,進一步揭示這一變量的局域空間特征.2000年,2003年,2008年和2013年知識產出Moran散點圖如圖2所示.

圖2中,該四年所示的Moran’s I指數均為正,表明空間相關性顯著,與表1結果相一致.同時31個省份和直轄市依據知識產出的不同,聚類分布在第I象限(H-H)、第II象限(H-L)、第III象限(L-L)、第IV象限(L-H)以及跨界狀態中,且各象限的集聚省份和直轄市隨著時間的推移產生空間遷移現象,其具體集聚分布和遷移狀況見表2.

從表2可以看出,隨著時間推移,多數省份和直轄市的知識產出保持了時空穩定性.2000年、2003年、2008年和2013年北京、河北、上海、江蘇、浙江、福建、山東、河南、湖北、湖南等十個省份和直轄市均處于第I象限(H-H)聚集區;云南、西藏、甘肅、青海、寧夏、新疆、內蒙古等七個省份處于第III象限(L-L)聚集區;江西、廣西、貴州等三個省份處于第II象限(H-L)集聚區,黑龍江、四川兩個省份處于第IV象限(L-H)聚集區;僅有少數地區發生了位次變化和時空遷移,如天津和重慶這兩個直轄市從2000年所處的集聚區躍遷到第I象限聚集區,但吉林落在下一個象限聚集區.LISA集群地圖能夠進一步說明以上特點,如圖3所示.

圖1 知識產出的蒙特卡羅模擬結果Fig.1 Monte Carlo simulation results of knowledge output

表2 知識產出的Moran空間分布Table 2 Moran spatial distribution of knowledge output

圖3 知識產出的LISA集群地圖Fig.3 LISA clustering maps of knowledge output

由圖3可知,我國大陸31個省份和直轄市知識產出的時空特征如下:

1)知識產出呈現明顯的由東向西梯度遞減規律,東南沿海地區為高知識產出區域,其中包括2000年以江蘇、安徽、上海、福建為中心、2013年以山東、江蘇、安徽、浙江、上海、福建為中心的H-H集聚區.而西部地區知識產出最低,形成了2000年以新疆、青海為中心、2013年以新疆、青海和甘肅為中心的L-L集聚區.

2)知識產出的時空特征中,與2000年比較,2013年山東、浙江出現在H-H集聚區,甘肅出現在L-L集聚區,說明該階段山東、浙江、甘肅周邊出現了與其知識產出相同的鄰居,而這一點在全域空間自相關中沒有體現.

因此我國省份和直轄市知識產出存在比較明顯的局域空間集群特征和局域空間自相關性,如果忽視空間相關性,會造成理論研究與實際情況的不符,應考慮使用空間計量模型對知識產出與其它變量關系進行估計.

4 空間計量模型估計

依據時空特征分析,本文以我國31個省份和直轄市為空間單元,使用空間計量模型對知識溢出、地理鄰近、區域異質性的關系進行檢驗和估計.

4.1 空間計量模型估計

由于空間相關性是空間效應識別的一個來源,主要表現在空間實質相關(spatially substantive dependence)和空間擾動相關(spatial nuisance dependence)兩個方面,因而空間相關性表現出來的空間效應可以用空間滯后模型(spatial lag model,SLM)和空間誤差模型(spatial error model,SEM)來表征和刻畫[37].

空間滯后模型描述的是空間實質相關,主要研究現實中存在的相鄰地區行為(所有解釋變量)對該地區觀測值(被解釋變量)存在的影響程度.其模型表達式為

其中Y=(Y1,Y2,...,YN)T為被解釋變量,X=(X1,X2,...,Xk)為解釋變量矩陣,ρ為空間效應系數,β=(β1,β2,...,βk)T為參數向量,W 為空間矩陣,ε為隨機誤差項向量.

空間誤差模型描述的是空間擾動相關和空間總體相關,主要度量鄰接地區關于因變量的誤差沖擊對本地區觀測值的影響程度.其模型表達式為

其中λ為空間誤差相關系數,ξ為正態分布的隨機誤差向量.

SLM、SEM的選擇一般通過Moran’s I檢驗、兩個拉格朗日乘數(Lagrange multiplier)形式LM(error)和LM(lag)、穩健(robust)的R-LM(error)和R-LM(lag)來進行[38].

由于事先無法根據先驗經驗推斷在SLM和SEM模型中是否存在空間依賴性,有必要構建一種判別準則,以決定哪種空間模型更加符合客觀實際.Anselin[35]提出了如下判別準則:如果在空間依賴性的檢驗中發現,LM(lag)較之LM(error)在統計上更加顯著,且R-LM(lag)顯著而R-LM(error)不顯著,則可以斷定適合的模型是SLM模型;相反,如果LM(error)比LM(lag)在統計上更加顯著,且R-LM(error)顯著而R-LM(lag)不顯著,則可以斷定SEM模型是恰當的模型.

除了擬合優度R2檢驗以外,常用的檢驗準則還有自然對數似然函數值(Natural logarithm likelihood,Ln L)、赤池信息準則(Akaike information criterion,AIC)、施瓦茨準則(Schwartz criterion,SC),Ln L值越大,AIC和SC值越小,模型擬合效果越好.

4.2 理論模型的空間計量估計

空間自相關性檢驗結果證明,我國知識產出存在較強的空間特征.為了分析空間特征的形成原因,可考慮對理論模型使用空間計量進行檢驗和估計.為了比較,首先采用OpenGeoDa軟件對模型(7)和模型(8)進行普通最小二乘法估計,結果如表3和表4所示.

表3和表4分別表示未考慮和考慮區域異質性情況下不同地理鄰近區間與知識溢出關系的OLS估計結果.依據上述表中結果可知,OLS估計的R2adj分別達到0.936 1和0.958 2,表明模型具有高擬合優度,同時在未考慮和考慮區域異質性時,不同地理鄰近區間的知識溢出呈現出不同特點.然而,由于知識產出的空間自相關估計結果已表明,我國31個省份和直轄市知識產出存在較明顯的空間自相關性特征,因此還需進一步運用空間計量模型進行估計,并對比表3和表4進行結果分析.

此外,表3中未考慮區域異質性時,Moran指數檢驗(Moran’s I(error))、兩個拉格朗日乘數(LM(lag)、LM(error))顯著性水平分別為0.006 2,0.014 8和0.087 9;表4中考慮區域異質性時,Moran指數檢驗(Moran’s I(error))、兩個拉格朗日乘數(LM(lag)、LM(error))顯著性水平分別為0.004 6,0.023 6和0.072 7.這些結果顯示經典回歸誤差的空間自相關性明顯,因此忽視空間自相關性直接采用OLS估計會存在一定問題,還需運用SLM或SEM模型對知識溢出、地理鄰近及區域異質性之間的關系進行驗證.

表3 模型(7)的OLS估計結果Table 3 OLS estimates of the model(7)

表4 模型(8)的OLS估計結果Table 4 OLS estimates of the model(8)

對于SLM或SEM模型的選擇,可依據判別準則進行.表3中LM(lag)和R-LM(lag)通過了5%水平的顯著性檢驗,LM(error)通過了10%水平的顯著性檢驗,R-LM(error)未能通過10%水平的顯著性檢驗.表4中LM(lag)通過了5%水平的顯著性檢驗,R-LM(lag)和LM(error)通過了10%水平的顯著性檢驗,R-LM(error)未能通過顯著性檢驗.因此,初步判斷SLM更適用于本文研究.為了進行模型估計結果對比,本文應用極大似然法(maximum likelihood,ML)對模型進行SLM和SEM估計,其參數結果見表5和表6.

4.3 模型估計結果分析

1)未考慮區域異質性的相關估計結果分析

未考慮區域異質性的相關估計結果如表5所示.通過分析表5中SLM的估計結果可知,研發經費投入對知識產出的影響為正且達到5%的顯著性,其彈性系數為0.519 0,表明前兩年的研發經費投入每增加1%,則會帶來0.519 0%的知識產出增加;研發人員投入的影響為正且達到5%的顯著性,其彈性系數為0.320 1,表明前兩年研發人員投入每增加1%,則會帶來0.320 1%的知識產出增加,因此研發經費投入對知識產出的貢獻相對研發人員投入較大.與表3相比較,OLS估計的研發經費投入對知識產出的彈性系數僅為0.391 5,研發人員投入的彈性系數為0.228 1,相對于表5中的SLM估計結果而言,OLS忽略了鄰近地區前兩年研發經費投入與研發人員投入對本地區知識產出的影響,且估計結果僅通過10%的顯著性檢驗,具有較低的解釋意義.

表5 模型(7)的SLM和SEM估計結果Table 5 SLM and SEM estimates of the model(7)

同時,如表5中SLM的估計結果所示,不同地理鄰近區間內的知識溢出也不同,(100,300)和(300,600)兩個區間內的彈性系數分別為0.437 9和0.328 4,且通過5%的顯著性檢驗,表明當地區之間的地理距離處于這些區間時,其它地區的知識存量對本地區知識產出的影響為正;(600,900)和(900,1 200)區間的彈性系數為負,未通過5%的顯著性檢驗;(1 200,1 500)區間的彈性系數為?0.540 7,通過了1%的顯著性檢驗,表明當地區之間的地理距離處于這一區間時,其它地區的知識存量對本地區知識產出的影響為負,即盡管存在知識的跨地區溢出效應,但由于“門檻效應”比溢出效應更大,因而其余地區知識存量對本地區知識產出的影響為負[24].與表3對比,OLS估計的五個區間彈性系數符號與SLM結果相同,但數值存在較大區別,例如,OLS估計的(100,300)區間彈性系數僅為0.035 1,遠低于SLM估計的0.437 9,而(300,600)區間彈性系數為0.400 2,高于 0.328 4.此外,兩種方法對其它區間的估計結果也有很大差異.

2)考慮區域異質性的相關估計結果分析

考慮區域異質性的相關估計結果如圖6所示.通過分析表6中SLM的估計結果可知,研發經費和研發人員投入對知識產出的影響為正且達到了5%的顯著性,其中研發經費投入的彈性系數為0.442 1,表明前兩年的研發經費投入每增加1%,則會帶來0.442 1%的知識產出增加;研發人員投入的彈性系數為0.270 1,表明前兩年的研發人員投入每增加1%,則會帶來0.270 1%的知識產出增加.與表4相比較,OLS估計的研發人員投入彈性系數為0.287 7,低于表6中的SLM估計結果,從而相對忽略了前兩年研發人員投入對知識產出的影響.OLS估計的研發經費投入對知識產出的彈性系數未通過顯著性檢驗,因此其結果不具有解釋意義.

同時,表6中SLM的估計結果顯示,(100,300)和(300,600)區間的知識溢出彈性系數分別為1.015 1和0.560 1,且通過了5%的顯著性檢驗,表明這一地理區間內其它地區的知識存量對于本地區知識產出的影響為正;(600,900)和(900,1 200)區間的彈性系數為正,但未通過5%的顯著性檢驗;(1 200,1 500)區間的彈性系數為負,通過了5%的顯著性檢驗,即當地區之間的地理距離落在此區間時,其它地區知識存量對本地區知識產出的影響為負.將這些結果與表4對比時發現,OLS估計結果與SLM估計結果差異較大,(100,300)和(900,1200)兩個區間的彈性系數符號并不一致,其它區間雖然符號一致,但數值存在較大區別,例如,OLS估計的(300,600)區間彈性系數僅為0.158 0,遠低于SLM估計的0.5601;區間(600,900)和(900,1 200)的彈性系數在OLS估計中通過了5%的顯著性檢驗,(1 200,1 500)則未通過顯著性檢驗,這些結果與SLM估計相異.

表6 模型(8)的SLM和SEM估計結果Table 6 SLM and SEM estimates of the model(8)

此外,表6中SLM的估計結果顯示,區域科技支持政策(彈性系數為1.108 8)和經濟發展水平(彈性系數為0.376 3)對知識產出具有正向促進作用,即當區域科技支持政策越強或經濟發展水平越高,越能促進知識產出,而資源稟賦對知識產出具有負向作用(彈性系數為?0.745 1),可能在于資源稟賦的區域異質性使得鄰近地區產生虹吸效應,會吸引較多知識型人才的流入,導致本地區知識產出減少.

3)未考慮和考慮區域異質性的對比分析

通過對比分析表5和表6中的SLM估計結果可發現,在未考慮區域異質性時,前兩年研發經費投入和研發人員投入對知識產出的影響高于考慮區域異質性時的影響,原因可能在于未考慮區域異質性時,估計過程忽略了區域間由于區域科技支持政策、資源稟賦、經濟發展水平等差異而產生的知識溢出,或者將由于區域異質性的存在而產生的知識溢出納入了研發經費投入和研發人員投入的估計結果中,從而出現估計的偏誤.

此外,表6與表5中(600,900)和(900,1 200)區間的彈性系數均未通過顯著性檢驗,因此不具有解釋意義.其它區間的彈性系數符號一致,但數據存在差異,考慮區域異質性時的彈性系數要相對大于未考慮區域異質性的彈性系數,因而將區域間視為同質性,會在估計中弱化不同地理范圍內區域間的知識溢出效果,即考慮區域科技支持政策、資源稟賦、經濟發展水平等區域異質性時,區域異質性會成為促進鄰近地區之間知識溢出的重要因素.

5 結束語

地理鄰近對于區域間知識溢出具有深刻影響,但由于我國不同地區科技支持政策、資源稟賦、經濟發展水平等具有差異,因此在研究地理鄰近與知識溢出關系時,納入區域異質性變量尤為重要.基于此,本文應用空間計量經濟學理論,對我國31個省份和直轄市知識產出的空間相關性進行分析,并對未考慮區域異質性和考慮區域異質性情況下知識溢出與地理鄰近關系進行估計.估計結果顯示,知識產出具有明顯的空間相關性,在地理空間上存在集聚現象,在時間上體現出遷移特點.同時,區域異質性在不同地理區間具有不同作用,成為影響鄰近地區知識溢出的重要因素.此外,研發經費投入、研發人員投入、科技支持政策和經濟發展水平對知識產出具有正向作用,有助于促進地區間知識溢出,但資源稟賦的影響為負.

本文的研究結果對促進地區間知識溢出具有一定的指導意義.第一,各地區內除增加內部研發經費投入和研發人員投入外,還應強化與鄰近地區的知識交流,形成跨區域知識創新系統,并通過系統內部與系統之間的研發合作與技術模仿等方式,促進區域間知識溢出的多維傳導[39,40].第二,根據各區域經濟發展水平、資源稟賦特征制定差異化的地區科技支持政策,以緩解各區域知識產出能力差別較大的突出問題.例如東部地區應積極鼓勵通過知識網絡方式進行知識擴散與轉移,充分發揮對鄰近地區及中西部地區的知識產出梯度帶動作用;中西部地區應加大對知識創新主體的財政補貼,提升現有創新資源配置效率,并建立有利于知識溢出與產出的機制與環境,為承接與轉化來自其它地區的溢出知識形成完善的輸入通道.

[1]饒揚德,李福剛.地理鄰近性與創新：區域知識流動與集體學習視角.中國科技論壇,2006(6):20–24.Rao Y D,Li F G.Geographical proximity and innovation:Regional perspective of knowledge flows and collective learning.Forum on Science and Technology in China,2006(6):20–24.(in Chinese)

[2]Hood N,Vahlne J E.Strategies in global competition.//Pavitt K.International Patterns of Technological Accumulation.New York:Routledge,1988:126–157.

[3]Abramovsky L,Simpson H.Geographic proximity and firm-university innovation linkages:Evidence from Great Britain.Journal of Economic Geography,2011,11(6):949–977.

[4]Anselin L,Varga A,Acs Z.Geographical spillovers and university research:A spatial econometric perspective.Growth and Change,2000,31(4):501–515.

[5]Jaffe A B,Trajtenberg M,Henderson R.Geographic localization of knowledge spillovers as evidenced by patent citations.The Quarterly Journal of Economics,1993,108(3):577–598.

[6]Funke M,Niebuhr A.Spatial R&D Spillovers and Economic Growth:Evidence from West Germany.Hamburg:Hamburg Institute of International Economics,2000:1–28.

[7]Bottazzi L,Peri G.Innovation and spillovers in regions:Evidence from European patent data.European Economic Review,2003,47(4):687–710.

[8]Woodward D,Figueiredo O,Guimaraes P.Beyond the Silicon Valley:University R&D and high-technology location.Journal of Urban Economics,2006,60(1):15–32.

[9]李 琳,吳 越.地理鄰近,網絡位置對產學聯盟合作創新的影響.中國科技論壇,2014(9):75–78.Li L,Wu Y.Effect of geographical proximity,network position in industry-university alliance cooperative innovation.Forum on Science and Technology in China,2014(9):75–78.(in Chinese)

[10]Brakman S,Garretsen H,Gigengack R,et al.Negative feedbacks in the economy and industrial location.Journal of Regional Science,1996,36(4):631–651.

[11]Maskell P,Malmberg A.Localised learning and industrial competitiveness.Cambridge Journal of Economics,1999,23(2):167–185.

[12]Sedgley N,Elmslie B.Agglomeration and congestion in the economics of ideas and technological change.American Journal of Economics and Sociology,2001,60(1):101–121.

[13]Sornn-Friese H,Simoni S?rensen J.Linkage lock-in and regional economic development:The case of the?resund medi-tech plastics industry.Entrepreneurship&Regional Development,2005,17(4):267–291.

[14]Boschma R.Proximity and innovation:A critical assessment.Regional Studies,2005,39(1):61–74.

[15]Callois J M.The two sides of proximity in industrial clusters:The trade-off between process and product innovation.Journal of Urban Economics,2008,63(1):146–162.

[16]Carrincazeaux C,Lung Y,Vicente J.The scientific trajectory of the French school of proximity:Interaction-and institution-based approaches to regional innovation systems.European Planning Studies,2008,16(5):617–628.

[17]Thompson P, Fox-Kean M. Patent citations and the geography of knowledge spillovers: A reassessment. American Economic Review,2005: 450–460.

[18]李 琳,熊雪梅.產業集群生命周期視角下的地理鄰近對集群創新的動態影響:基于對我國汽車產業集群的實證.地理研究,2012,31(11):2017–2029.Li L,Xiong X M.Dynamic effect of geographic proximity on cluster innovation in perspective of industrial cluster’s life cycle:A case study of Chinese sutomobile industry.Geographical Research,2012,31(11):2017–2029.(in Chinese)

[19]呂國慶,曾 剛,顧娜娜.基于地理鄰近與社會鄰近的創新網絡動態演化分析:以我國裝備制造業為例.中國軟科學,2014(5):97–106.Lv G Q,Zeng G,Gu N N.Dynamic evolution of innovation network in China’s equipment manufacturing industry:Geographic proximity versus social proximity.China Soft Science,2014(5):97–106.(in Chinese)

[20]常紅錦,楊有振.地理臨近性與企業創新績效.中國科技論壇,2015(6):106–111.Chang H J,Yang Y Z.Geographic proximity and innovation performance.Forum on Science and Technology in China,2015(6):106–111.(in Chinese)

[21]黨興華,常紅錦.網絡位置,地理臨近性與企業創新績效:一個交互效應模型.科研管理,2013,34(3):7–30.Dang X H,Chang H J.Network position,geographical proximity,and innovation performance:An interactive effect model.Science Research Management,2013,34(3):7–30.(in Chinese)

[22]蔡 昉,王美艷,曲 玥.中國工業重新配置與勞動力流動趨勢.中國工業經濟,2009(8):5–16.Cai F,Wang M Y,Qu Y.Industrial and labor relocations among Chinese regions.China Industrial Economics,2009(8):5–16.(in Chinese)

[23]孫 建,齊建國.中國區域知識溢出空間距離研究.科學學研究,2011,29(11):1643–1650.Sun J,Qi J G.The study of spatial distance of knowledge spillover in Chinese regions.Studies in Science of Science,2011,29(11):1643–1650.(in chinese)

[24]李志宏,王 娜,馬 倩.基于空間計量的區域間創新行為知識溢出分析.科研管理,2013,34(6):9–16.Li Z H,Wang N,Ma Q.Knowledge spillovers analysis on interregional innovative behaviors based on spatial measurement.Science Research Management,2013,34(6):9–16.(in Chinese)

[25]Griliches Z.Issues in assessing the contribution of research and development to productivity growth.The Bell Journal of Economics,1979,10(1):92–116.

[26]趙建吉,曾 剛.創新的空間測度:數據與指標.經濟地理,2009,29(8):1250–1255.Zhao J J,Zeng G.Spatial measurement of innovation:Data and indicator.Economic Geography,2009,29(8):1250–1255.(in Chinese)

[27]Goto A,Suzuki K.R&D capital,rate of return on R&D investment and spillover of R&D in Japanese manufacturing industries.The Review of Economics and Statistics,1989(4):555–564.

[28]彭建平,李永蒼.FDI存量,R&D存量與自主創新:基于省際動態面板GMM估計的實證研究.經濟經緯,2014,31(1):79–83.Peng JP,Li YC.FDI stock,R&D stock and self-dependent innovation: A dynamic panel GMM analysis of provincial data. Economic Survey,2014,31(1):79–83.(in Chinese)

[29]吳延兵.R&D存量,知識函數與生產效率.經濟學(季刊),2006,5(3):1129–1156.Wu Y B.R&D Stock,knowledge function and productive efficiency.China Economic Quarterly,2006,5(3):1129–1156.(in Chinese)

[30]文雁兵.區域異質性視角下中國地方政府行為選擇及演變.中國人口科學,2014(3):66–76.Wen Y B.Under the regional heterogeneity of Chinese local government perspective evolution and behavior choice.Chinese Journal of Population Science,2014(3):66–76.(in Chinese)

[31]于明超,申俊喜.區域異質性與創新效率:基于隨機前沿模型的分析.中國軟科學,2010(11):182–192.Yu M C,Jia J X.Regional heterogeneity and innovation efficiency:An empirical research based on stochastic frontier model.China Soft Science,2010(11):182–192.(in Chinese)

[32]黃 奇,苗建軍,張菁菁,等.基于區域異質性的中國工業企業創新效率.系統工程,2014,32(7):20–26.Huang Q,Miao J J,Zhang J J,et al.Innovation efficiency of Chinese industrial enterprises based on regional heterogeneity.Systems Engineering,2014,32(7):20–26.(in Chinese)

[33]沈 能,王群偉.考慮異質性技術的環境效率評價及空間效應.管理工程學報,2015,29(1):162–168.Shen N,Wang Q W.Environmental efficiency evaluation and spatial effect taking account of technology heterogeneity.Journal of Industrial Engineering Management,2015,29(1):162–168.(in Chinese)

[34]趙丙奇,李玉舉.30個省市經濟增長的資源稟賦狀況研究.財經科學,2006(2):99–106.Zhao B Q,Li Y J.Research on resources endowment of economic growth of 30 provinces and municipals.Finance and Science,2006(2):99–106.(in Chinese)

[35]Ansel in L.Spatial Econometrics:Methods and Models.New York:Springer Science&Business Media,2013:7–14.

[36]Ansel in L.Local indicators of spatial association:LISA.Geographical Analysis,1995,27(2):93–115.

[37]李子奈,葉阿忠.高級應用計量經濟學.北京:清華大學出版社,2012:234-251.Li Z N,Ye A Z.Advanced Applied Econometrics.Beijing:Tsinghua University Press,2012:234–251.(in Chinese)

[38]吳玉鳴.空間計量經濟模型在省域研發與創新中的應用研究.數量經濟技術經濟研究,2006(5):74–85,130.Wu Y M.A spatial econometric model and its application to research&development and regional innovation.The Journal of Quantitative&Technical Economics,2006(5):74–85,130.(in Chinese)

[39]李婉紅.排污費制度驅動綠色技術創新的空間計量檢驗:以29個省域制造業為例.科研管理,2015,36(6):1–9.Li W H.Spatial econometrics test of pollutant discharge system’s driving on green technological innovation by:Taking 29 provinces and regions’manufacturing industries as examples.Science Research Management,2015,36(6):1–9.(in Chinese)

[40]周 文,陳 偉,郎益夫.集群創新網絡知識動態增長研究:基于過程視角.系統工程學報,2015,30(4):431–441.Zhou W,Chen W,Lang Y F.Knowledge dynamic growth in the innovation network of industrial cluster:Based on process perspective.Journal of Systems Engineering,2015,30(4):431–441.(in Chinese)