中国高技术产业创新效率影响因素空间异质效应.docVIP

中国高技术产业创新效率影响因素的空间异质效应 　　摘 要：首先借助超越对数生产函数形式的多产出随机前沿模型估算出2008年～2013年中国30个省域高技术产业创新效率，继而基于地理加权回归模型（GWR）研究了企业规模、市场结构、政府投入及研发支出结构对创新效率的影响。结果表明：中国30个省域高技术产业创新效率存在空间正自相关性；企业规模、市场结构及研发支出结构对创新效率产生正向影响，而政府投入阻碍了高技术产业创新效率；各影响因素对高技术产业创新效率的影响均具有空间异质性特征，且随着时间的推移稳定存在。最后提出相关政策建议。 　　关键词：高技术产业；创新效率；空间异质效应；地理加权回归模型 　　中图分类号：F429.9 文献标识码：A 　　当前中国经济正处于转型升级的关键时期，结构性变革带来的经济增速从高速向中高速转变已经是新常态的内涵。由于劳动力、土地等生产要素成本逐渐提升，即使是中高速的经济增长也需要形成新的驱动力。由于过去三十多年的改革发展主要依赖基于技术购买的技术创新，中国工业创新水平与发达国家仍存在较大差距。因此，新常态的另一个内涵是中国技术创新需要从中等的技术水平向中高等的技术水平转型，这就需要重点发展集中体现高层次前沿技术的高技术产业创新能力。虽然创新投入是提升高技术产业创新能力的必要条件，但创新效率对高技术产业创新能力的影响更加值得关注，尤其在处于技术后发劣势阶段且缺少研发高端人才和资金的中国。 　　创新效率存在较强的现实普遍性，因而一直是学术界讨论的热点问题。在估计创新效率使用的方法上，已有文献存在较大差别，分别采用了以数据包络分析模型为代表的非参数前沿分析法[1]及以随机前沿模型为代表的参数分析法[2]。但这些方法或多或少存在不足之处：数据包络分析模型既不考虑测量误差也不进行模型诊断，往往导致结论存在偏误，而随机前沿模型虽然有效避免了数据包络分析模型的不足，但由于以往文献采用的随机前沿模型仅能考虑一个产出，与数据包络分析模型相比又存在难以捕捉全部数据特征的问题。Coelli等采用基于超越对数的产出距离函数对传统随机前沿模型进行了修改[3]，基本解决了现有创新效率估计方法存在的不足，模型具体介绍见下文。在研究的视角上，已有研究高技术产业创新效率的文献仅仅停留在企业或产业层面，如Lee等的研究发现研发支出与企业长期绩效存在显著的正相关[4]，冯缨等从横向和纵向两个角度分析了江苏省5大高技术行业的创新效率[5]。即使考虑到区域因素，现有文献也未对区域之间的关联性进行进一步讨论[6-8]，遑论对高技术产业创新效率影响因素的区域异质性进行研究。 　　基于此，本文首先借助于多产出随机前沿模型估计中国30个省域高技术产业创新效率，利用Moran’s I验证高技术产业创新效率存在省域空间自相关性后，采用空间变系数模型中的地理加权回归模型（GWR）从局域视角出发对其影响因素的空间异质效应进行研究，以期对中国各省域加强高技术产业创新能力提供切实可行的政策建议。 　　1 研究方法、指标与数据 　　1.1 研究方法 　　1.1.1多产出随机前沿模型 　　Battese等提出的单阶段随机前沿模型可以区分确定性前沿产出和随机性前沿产出，且可以通过构造方差参数进行模型诊断，但是该模型仅能考虑一种产出，难以捕捉数据的全部特征[9]。本文借鉴Coelli[3]等的做法，改进后的模型能够处理多产出情况，一个M投入和N产出的超越对数产出距离函数具体形式如下： 　　式中，yit*=yit/yNit，表示yit*是使用yNit标准后的产出向量，？琢、？茁、？籽是一组待估计参数，vit是一般意义上的随机误差项，服从i.i.d.N（O，？滓v2），uit是非负的技术无效率项，表示相对前沿的技术效率水平，服从截尾正态分布N+（？滋，？滓u2）。似然函数中构造方差参数？酌=？滓u2/？滓u2+？滓v2。采用极大似然估计（ML）和齐次性条件估计参数，其中齐次性条件如下： 　　本来采用Moran’s I[10]检验高技术产业创新效率在中国省域间是否存在空间自相关性，具体计算公式如下： 　　式中，N表示地区单元数量，wij表示空间权重，xi、xj分别表示地区i和j的属性值，是属性的平均值。Moran’s I的取值范围是[-1，1]，可以计算Z统计量来判断Moran’s I值的显著性，计算公式如下： 　　1.1.3 GWR模型 　　传统计量模型假设空间事物无关联且均质分布，因而传统的最小二乘方法（OLS）只是对参数进行平均或全域的估计，并未能够反映参数的空间非平稳性特征。地理加权回归模型（GWR）对普通线性回归模型进行了拓展，采用了空间变系数的回归估计技术，可以有效解决系数空间非稳定特征难以捕捉的问题[11]，具体形式如下： 　　式