科技金融對生產性服務業與制造業協同集聚的影響研究

2018-04-19 02:47:12張玉華

中國軟科學 2018年3期

張玉華，張　濤

(上海師范大學商學院，上海　200234)

一、引言與文獻綜述

互聯網的快速發展，促使世界范圍內興起了一場新科技革命，我國為迎接德國“工業4.0”與美國國家制造創新網絡等挑戰，提出了“中國制造2025”戰略，并強調要將科技金融作為建設創新型國家的重要手段。而生產性服務業與制造業協同集聚發展，需要科技金融給予其人力、技術、資金等方面的支持。那么，哪些科技金融因素對生產性服務業與制造業協同集聚有顯著影響？兩產業協同集聚發展是否具有空間效應？哪些措施能夠在提高兩產業協同集聚水平的同時縮小不同省份間的差距？顯然，研究科技金融如何促進生產性服務業與制造業協同集聚，具有重要的理論與現實意義。

近些年關于生產性服務業與制造業協同集聚發展的研究一直被學術界高度重視。劉書瀚等(2010)運用投入產出的分析方法證明了我國生產性服務業與制造業之間的聯動發展程度較低，兩者存在很大的融合發展空間[1]。高覺民等(2011)運用聯立方程模型證明了生產性服務業與制造業存在聯動發展關系[2]。陳建軍等(2011)以浙江省的區域產業分布為研究對象，從空間角度分析了生產性服務業與制造業協同定位關系[3]。Yang等(2013)認為隨著經濟結構服務化程度的加深，生產性服務業不僅可以連接各種經濟活動，而且還能提高制造效率[4]。吉亞輝等(2017)認為生產性服務業集聚能夠創造出更多的服務門類，優化服務環境，從而有效提高工業廠商的生產效率，更有助于促進生產性服務業與工業互動創新[5]。任皓等(2017)研究發現知識密集型服務業與高技術制造業具有明顯的協同增長效應[6]。程中華等(2017)運用空間杜賓模型證明了生產性服務業促進了本地區和周邊地區的工業效率[7]。隨著產業結構轉型升級問題日益突出，為從空間區位的角度分析產業集聚的特征，國內外學者將新地理經濟學應用到產業集聚的研究領域，并從專業化分工、交易成本等角度分析了生產性服務業空間集聚對制造業效率的影響[8]。但也有學者提出了生產性服務業集聚機制與耦合悖論的問題，對此，吳福象等(2014)認為我國在國際分工中過度依賴加工貿易，阻礙了生產性服務業集聚，從而導致我國生產性服務業與制造業未協調發展[9]。

我國高新產業發展水平仍落后于美、歐等發達國家，對此我國提出從要素驅動、投資驅動轉向創新驅動的戰略發展方向。科技金融能夠促使生產要素的重新組合，從而優化我國科技和金融資源的配置效率，是深化我國自主創新發展和金融體制改革的新生事物。房漢廷(2015)的“本質論”理論認為，科技和金融是創新經濟發展的內在動因，科技創新與金融創新的耦合發展，促成了新的產業、新的社會組織模式[10]。季菲菲等(2013)從空間經濟學的角度說明了區域科技金融發展能夠促使產業結構輕型化以及創造新的產業空間[11]。章奇(2016)實證研究了科技創新與第二產業結構調整的關系，結果顯示科技金融是產業聯動發展的主要影響因素之一，且科技創新有利于促進第二產業結構升級[12]。Wang等(2016)以1646家制造企業和686家服務性公司的樣本進行實證研究，結果表明，市場化創新機制分別對服務企業和制造業企業的服務創新和產品創新產生積極影響，而這種影響受企業技術創新能力的調控[13]。從全球競爭力報告中我們也可以看出，美、英等西方發達國家，均利用較高的科技金融發展水平集聚生產性服務業，從而促進制造業向高端發展。在開放式創新背景下，科技金融的發展促進了知識信息在不同空間上的流動，提高了我國信息化水平，加劇了區域知識集聚，從而促進了生產性服務業集聚。盛豐(2014)采用空間計量的實證方法，證明了生產性服務業集聚有利于相鄰地區制造業升級，并提出區域基礎設施水平的提高促進了生產性服務業的集聚水平[14]。

由上述文獻可知，國內外學者的研究大多集中于人才、資本、技術等對生產性服務業與制造業協同集聚的支撐作用，很少從科技金融的不同方面研究其對兩產業協同集聚的作用效果。另一方面，多數相關研究忽視了空間因素的影響，而且僅停留在靜態分析層面。基于此，本文在模型中納入滯后期的生產性服務業與制造業協同集聚指數作為解釋變量，從而更準確地研究分析科技金融對兩產業協同集聚的長期作用效果。

二、計量模型選擇

科技金融資源的時空配置可以集聚要素資源，提高產業技術創新效率，從而促進生產性服務業與制造業協同集聚，加速實現我國經濟結構轉型。另一方面，科技金融水平的提高促進了區域間人才和信息的流動，有利于行業間技術、知識交流，推動了地區產業發展。因此，生產性服務業與制造業協同集聚水平在地理空間上存在一定的相關性，我們在模型中引入空間因素更具有說服力。對此，我們選用空間面板模型來研究區域間科技金融對生產性服務業與制造業協同集聚的直接和間接溢出效應。與空間滯后模型和空間誤差模型相比，空間杜賓模型既考慮了自變量的空間相關性又考慮了因變量的空間相關性。本文的研究是在考慮自身和近鄰個體初始科技金融水平的基礎上，分析空間單元個體的生產性服務業與制造業協同集聚對相鄰單元個體兩產業協同集聚的影響。Elhorst[15](2010)的研究表明，此類問題適合利用動態空間杜賓模型(SDM)來分析，因此本文設定模型如式(1)。

(1)

其中，上式選取的空間權重矩陣wij為空間鄰接權重矩陣，即若i省與j省有相鄰邊界則取wij=1，反之，無相鄰邊界時取wij=0。ρ為空間自相關系數，X為對應的科技金融指標和控制變量，β為相對應的變量系數，γ為相對應的變量的空間效應系數，μi和vt分別為空間和時間固定效應，εit為誤差擾動項。

將式(1)進行轉換可得：

LAGGLOit=(I-ρW)-1τLAGGLOi,t-1+(I-ρW)-1(βXit+γWXit)+(I-ρW)-1(μi+vt)+(I-ρW)-1εit

(2)

其中，W為空間權重矩陣。

LeSage等人(2008)提出可以用偏微分的方法衡量區域間自變量發生變化時的平均溢出效應[16]。隨后Elhost(2010)將這種方法加以擴展，應用到動態SDM模型中。由公式(2)可知，在特定時點上，解釋變量X中第K個解釋變量從區域1到區域N對應的LAGGLO期望值的偏導數矩陣為：

(I-ρW)-1[β1kIN+β2kW]

(3)

這些偏導數表示一個特定區域的某個解釋變量的變化對其他區域因變量的影響。同理，可得到長期效應如下：

[(1-τ)I-ρW]-1[β1kIN+β2kW]

(4)

三、變量說明與數據描述

(一)變量選擇和測算

1、被解釋變量。生產性服務業*本文選取“交通運輸、倉儲和郵政業”、“信息傳輸、軟件和信息技術服務業”、“金融業”、“租賃和商業服務業”和“科學研究和技術服務業”代表生產性服務業。與制造業協同集聚發展是適應我國新型工業化發展，加速產業升級的必然趨勢，從本質上來講其屬于一種特殊的產業集聚現象。對于衡量產業集聚的方法，國內外研究成果較多，目前被廣泛使用的衡量指標有赫芬代爾系數、基尼系數以及區位熵與標準化區位熵等。由于本文主要側重行業和區域大小的影響，本文借鑒Holmes等[17](2002)的方法，使用區位熵作為生產性服務業聚集和制造業集聚的衡量指標，這一衡量方法將給定區域產業的就業相對集中度與全國產業就業的相對集中度進行比較。具體計算方法如下：

(5)

其中Lij代表j地區i產業的集聚指數，Xij代表j地區i產業的從業人數，Yj代表j地區全部從業人數，Xi代表全國i產業的從業人數，Y代表全國的全部從業人數。

互聯網時代，生產要素和商品在區域間更加頻繁地流動，從而相鄰區域間的空間依賴性對相關產業的集聚發展具有重要的影響。本文考慮到生產性服務業與制造業之間的空間效應，并借鑒Ellison等[18](2010)以及張虎等[19](2017)的方法，構建協同集聚指數，如式(6)所示。

(6)

其中，LAGGLO為生產性服務業和制造業協同集聚指數，Lmanu為制造業集聚指數，Lpros為生產性服務業集聚指數。

綜合上述式(5)和式(6)的計算方法，我們可以得出全國各地區生產性服務業和制造業協同集聚指數。鑒于我國區域發展水平不均衡的特性，本文進一步計算得出2005-2015年我國生產性服務業與制造業協同集聚指數，并對全國各地區的生產性服務業與制造業協同集聚水平進行時間序列描述(見圖1)，以此來對比我國區域間兩產業協同集聚水平的差異。

結合圖1我們可以看出，上海、北京、天津、廣東、遼寧、江蘇、浙江的生產性服務業和制造業協同集聚水平明顯高于其他省份，而西藏、新疆、貴州、云南等西部偏遠地區兩產業協同度連年處于較低水平，可能是由于西部地區技術創新不足，高端制造業發展緩慢，與生產性服務業在產業結構上存在不匹配現象。

圖1　2005-2015年各地區平均生產性服務業與制造業協同集聚指數排序注：橫坐標數字1-30分別表示北京、天津、河北、山西、內蒙古、遼寧、吉林、黑龍江、上海、江蘇、浙江、安徽、福建、江西、山東、河南、湖北、湖南、廣東、廣西、重慶、四川、貴州、云南、西藏、陜西、甘肅、青海、寧夏、新疆。

2、解釋變量。科技金融是促進科技開發、成果轉化和高新技術產業發展的一系列金融工具、金融制度、金融政策與金融服務的系統性、創新性安排[20]。科技金融的內涵豐富、規模范圍較廣，加之我國獨具特色的社會主義經濟體系，所以單一的指標顯然很難客觀全面地衡量我國科技金融發展水平。基于以上情況，本文借鑒張玉喜[21]等(2015)、黃繼忠[22]等(2014)的研究成果，選取科技經費投入、政府科技支出、金融機構科技貸款和創業投資支持作為衡量科技金融的指標：(1)科技經費支出。衡量企業研發投入的力度，用研發經費支出占GDP的比重表示，記為STFUND。(2)政府科技支出。衡量政府對高科技企業創新發展的支持力度，用科技活動所籌經費中政府投入占比表示，記為FISC。(3)金融機構科技貸款。衡量金融機構對科技企業發展的支持力度，用科技活動所籌經費中金融機構貸款占比表示，記為FILOAN。需要說明的是，2008年之后《中國科技統計年鑒》不再報告金融機構貸款的數據，本文借鑒白俊紅等(2015)的計算方法[23]，利用研發資金減去政府、企業和國外的資金來作為金融機構科技貸款額。(4)創業投資支持。衡量科技企業金融市場融資力度，用創業投資額占科技經費支出的比重來表示，記為VC。

3、控制變量。根據曹顥[24]等(2011)的研究，除以上科技金融指標外，科技人力資源與專利擁有量也會促進企業創新發展。因此本文選取以上兩指標作為控制變量，用地區從業人員中科技活動人員占比表示科技人力資源，記為HR，科技人員流動帶來的知識溢出效應，能夠改善生產性服務業和制造業的專業化服務能力和創新技術能力。用萬人專利申請授權量表示專利擁有量，記為PATENT，不僅刻畫了地區高新技術集聚程度和專業化程度，更體現了區域技術創新能力。

(二)數據描述性統計

由于數據的可得性和完整性，本文選取的數據時間跨度為2005-2015年，橫截面個體為30個省市*由于本文使用空間鄰接權重矩陣，而海南省四面環水無鄰接省市，故刪去此樣本，港、澳、臺由于數據缺失，刪去此樣本。，文中涉及到的變量數據均來源于2006-2016年的《中國科技統計年鑒》、《中國統計年鑒》以及私募通數據庫。對原始數據做描述性統計如表1所示。

表1　變量的描述性統計

四、實證檢驗與結果分析

(一)空間相關性檢驗

根據上文構建的生產性服務業與制造業協同集聚指數，首先檢驗其全局相關性。Cliff等人[25](1973)最早提出了Moran’s I指數用于檢驗鄰近地區間的全局空間相關性，計算公式如下：

(7)

通過表2可以看出，各年度的生產性服務業與制造業協同集聚指數均在1%的顯著性水平下顯著且均為正值，說明我國生產性服務業與制造業協同集聚具有明顯的區域關聯性。從時間趨勢上看，2009年以前Moran’I值呈現逐漸遞增趨勢，但2009-2013年之間一直處于波動狀態，2013年之后恢復平穩上升的趨勢，說明了我國近幾年區域間、產業間頻繁轉型演化的現象。這也與張虎[19]等(2017)得到的結論一致。中國進入世界貿易組織以來，我國產業得到迅速發展，生產性服務業與制造業不斷集聚，其協同集聚水平也在不斷上升。但受2008年金融危機的影響，全球經濟低落，實體經濟得不到資金支持，導致產業發展受到嚴重損害，直接導致了產業集聚水平下降。為應對金融危機對我國經濟發展帶來的沖擊，國家實施了一系列宏觀調控政策，也取得了一定的效果。2013年以來，我國逐步開始實施創新驅動發展政策，大力發展科技金融，促進制造業向高端發展，有效提高了產業集聚水平。

表2　生產性服務業與制造業協同集聚指數Moran值

為進一步檢驗我國局部地區間生產性服務業與制造業協同集聚的空間相關性，本文選用Anselin[26](1995)提出的局部Moran’I指數來衡量某一區域與它相鄰區域間的空間關聯程度(見圖2)。

由圖2我們可以看出，高-高和低-低集聚為我國生產性服務業與制造業協同集聚的主要現象，而且區域差異化現象明顯，東部沿海省份大多處于高高集聚區，西部省份大多處于低低集聚區。對比2005年和2015年的局部Moran’I指數散點圖可知，我國局部生產性服務業與制造業協同集聚的空間分布比較穩定，大多數西部省份穩定在第三象限，十年間很少有轉移現象。值得注意的是第二象限部分省份經過不斷發展，已轉移到第一象限區域，達到高高集聚的水平。說明我國生產性服務業與制造業協同集聚水平存在明顯的兩極化現象，東部沿海地區的產業協調集聚發展帶動了處于第二象限過渡區省份的發展，同時也造成國內優勢資源集聚于東部沿海一帶，致使處于低低集聚區的中西部地區資源更加貧瘠，產業協同集聚缺乏增長動力，不利于我國區域均衡化發展戰略的推進。

(二)科技金融對生產性服務業與制造業協同集聚的影響分析

鑒于Elhorst(2012)提出無條件ML方法估計動態空間面板模型比較有效率[15]，本文利用軟件Stata 14.0對各變量作標準化處理，并使用聚類穩健的ML方法對靜態和動態空間杜賓模型進行估計，最后依據Hausman檢驗結果與擬合優度效果選擇空間和時間固定的動態SDM模型來分析報告結果*由動態SDM回歸可知變量STFUND、FISC、FILOAN和VC的空間滯后項不顯著，故在模型估計時去掉這四個空間滯后項[27]。。為了更好地對比分析，本文給出了系統GMM模型估計結果和靜態SDM模型的回歸結果(見表3)。

圖2　2005年(左)和2015年(右)的局部Moran’I指數散點圖

變量傳統動態面板估計靜態SDM動態SDML.LAGGLO0.853***(0.015)