空间杜宾模型在区域创新溢出效应中的估计.docxVIP

空间杜宾模型在区域创新溢出效应中的估计

一、空间杜宾模型的理论基础与适用性

（一）空间计量经济学的发展脉络

空间计量经济学自20世纪70年代由Paelinck和Klaassen提出后，逐步形成完整理论体系。Anselin（1988）系统阐述了空间自相关、空间异质性等核心概念，为空间杜宾模型（SpatialDurbinModel，SDM）的构建奠定基础。与传统OLS模型相比，SDM通过引入空间滞后项和空间误差项，能够有效捕捉地理邻近或经济关联地区的交互效应，这恰与区域创新活动的空间依赖性特征高度契合。

（二）区域创新活动的空间溢出机制

根据Jaffe（1989）的知识生产函数理论，区域创新产出不仅取决于本地研发投入，还受到邻近区域知识溢出的影响。这种溢出效应通过人才流动（Moretti，2004）、技术合作（BreschiLissoni，2001）和产业关联（AudretschFeldman，1996）三种渠道实现。以长三角地区为例，2020年三省一市技术合同成交额达1.5万亿元，其中跨区域交易占比超过35%（国家统计局数据），印证了空间溢出的客观存在。

（三）SDM模型的比较优势

相较于空间滞后模型（SAR）和空间误差模型（SEM），SDM同时包含被解释变量和解释变量的空间滞后项，其一般形式为：

[Y=WY+X+WX+]

其中，W为空间权重矩阵，ρ、β、θ为待估参数。LeSage（2009）通过蒙特卡洛模拟证明，当存在遗漏变量或模型误设时，SDM仍能保持估计结果的一致性，这使其在区域创新研究中具有更强的适应性。

二、模型构建与数据处理的关键环节

（一）空间权重矩阵的设定

常用的空间权重矩阵包括：

1.地理邻近矩阵：基于行政区划边界或地理距离（如30km阈值）

2.经济距离矩阵：采用人均GDP差异（KelejianPrucha，2010）

3.复合权重矩阵：融合地理邻近与经济关联（LesagePace，2014）

以京津冀城市群研究为例，李科等（2021）发现，采用经济-地理嵌套矩阵时，空间溢出效应估计值比单一矩阵提高12.7%。

（二）变量选择与测度方法

核心解释变量通常包括：

研发投入强度（RD经费/GDP）

人力资本（每万人研发人员数）

产业集聚度（区位熵指数）

被解释变量多采用专利授权量或新产品销售收入。需要特别注意的是，Gross（2020）建议对专利数据进行IPC分类加权，以消除不同技术领域创新难度的异质性。

（三）内生性问题处理

由于创新活动存在路径依赖，模型可能产生动态空间自相关。Blundell等（1995）提出的系统GMM方法，通过引入工具变量（如滞后两期的研发投入）可有效缓解内生性偏误。我国学者王铮（2019）利用省级面板数据验证，经GMM修正后，研发投入弹性系数从0.32提升至0.41。

三、区域创新溢出的实证研究发现

（一）空间溢出效应的异质性特征

基于中国287个地级市数据的实证研究表明（张军，2022）：

东部地区空间溢出半径达500km，而中西部地区仅300km

高技术产业的溢出弹性系数（0.18）显著高于传统产业（0.07）

城市群内部溢出效应比跨城市群高出40%

（二）政策干预的影响评估

自贸区设立对创新溢出具有显著促进作用。以广东自贸区为例，2015-2020年间，区内企业发明专利授权量年均增长25.6%，同时带动周边200km范围内城市创新产出提升8.3%（商务部研究报告）。这种政策外溢效应在SDM模型中表现为WXθ项的显著性水平（p0.01）。

（三）时空演化规律分析

运用时空双固定效应SDM模型发现：

创新溢出的空间衰减速率从2010年的0.85/km下降至2020年的0.62/km

数字经济时代，虚拟邻近（如互联网连通度）的影响权重提升至0.31

创新网络的”核心-边缘”结构日趋明显，前10%城市吸纳了68%的溢出效应

四、模型应用的局限性及改进方向

（一）数据可获得性约束

县域层面研发投入数据缺失率高达43%（国家统计局，2021），导致研究尺度多停留在省级层面。遥感夜间灯光数据（NTL）与创新活动的相关性研究（0.72）为数据补充提供了新思路（Henderson，2020）。

（二）模型设定偏差风险

空间权重矩阵的误设可能引致估计偏误。Elhorst（2014）建议采用Hausman-type检验选择最优矩阵，但实际应用中仅32%研究执行了该检验（文献计量分析结果）。

（三）非线性关系的忽视

传统SDM假设空间效应呈线性关系，而创新溢出的阈值效应客观存在。Hansen（1999）的门限回归模型与SDM的结合，可更好捕捉经济发展水平差异带来的非线性特征。

五、政策启示与实践应用

（一）区域创新共同体构建

基于SDM的溢出路径识别，建议：

1.