經濟集聚、空間結構與城市創新
——基于233個地級及以上城市數據的實證研究

倪進峰，李 華

(1.蘭州大學經濟學院，甘肅 蘭州 730000；2.銅陵學院會計學院，安徽 銅陵 244061)

1 引言與文獻回顧

歷經30多年的高速增長，支撐中國經濟 “量”上膨脹的紅利基礎逐漸消失，隨著新常態的到來，人們對經濟發展在“質”上飛躍產生了迫切需要。眾所周知，技術創新是提升經濟發展質量的重要保障，黨的十八大明確將科技創新擺在國家發展全局的核心位置，提出實施“創新驅動發展戰略”。可見，在今后推進創新驅動發展的進程中，準確把握決定創新能力的核心因素、科學認識各核心因素的內在關聯，將十分關鍵。受Schumpeter[1]的影響，早期對創新問題的探討聚焦于企業或產業視角，將技術創新與產業的生命周期相聯系，強調技術創新主體——企業的興衰對創新產出狀況的決定性影響。后來，創新的地理集中現象引起關注，學者們一方面將空間和集聚要素納入創新活動的分析框架，另一方面，由于觀察到大量的專利等技術創新產品總是產出于城市化和大都市區域，區域科學學家逐漸將城市置于影響技術創新過程的中心位置，認為創新無法脫離城市而存在，城市是涵養創新活動、激發創新產出的容器[2]。

作為各種經濟資源的匯集地，城市不僅為創新活動提供了有形的設施場所，更提供了無形的集聚效應。然而，城市間的技術創新能力卻存在顯著差異，以中國地級及以上城市為例，以每萬人專利申請數作為衡量標準，2015年創新能力前五位的城市分別是蘇州、無錫、北京、常州和紹興，它們創新能力的平均值是后五位城市：商丘、信陽、周口、綏化和臨滄創新能力平均值的109倍，其中最高的蘇州市，每萬人專利申請數是最低的臨滄市的202倍，233個城市創新能力的標準差達到24.33。是什么導致了城市間如此大的創新差別？最重要原因歸結于異質的城市特征。在這些特征中，首先，城市的經濟集聚度對技術創新具有重要影響，緊湊的空間距離和密集的社會關系網絡不僅方便人們進行知識交換和積累，也提高了人們之間的接觸頻次。知識交換和積累是創新的基礎[3]，更高的接觸頻次提高了創新的可能性，進而推動創新能力的增強。城市的經濟集聚度越高，創新能力也就越強嗎？現有文獻在該問題上仍未形成一致觀點，Carlino等[4]利用美國城市數據，發現人均專利數與城市化部門的就業密度正相關，控制其他情況不變，一個城市就業密度是另一個城市的兩倍時，前者的人均專利數將比后者高出20%。基于中國城市數據的經驗研究中，郭潔等[5]的研究顯示，城市擁堵的存在使得集聚的邊際創新效應遞減，得到最大人均專利數量的最優城市就業規模為30～50萬。高翔[6]分別采用人口規模和就業密度衡量城市經濟集聚度，發現僅有前者對城市人均創新產出有顯著的促進作用。其次，空間既然是重要的，那么城市的空間特征對于其技術創新會有怎樣的影響？直接探討城市空間結構與技術創新能力關系的研究并不多見，在一些主旨相近的文獻里，Parr[7]認為城市內部的多中心結構將伴隨較高的交通成本和較低的通勤效率，對信息的傳播和知識的交換不利。郭騰云和董冠鵬[8]利用數據包絡分析方法，結合 Malmquist模型與GIS分析工具，對中國特大城市的空間緊湊度與城市效率的相關關系進行了研究，得出的結論：隨著城市空間緊湊度的提高，技術進步得到明顯改善。

梳理已有研究發現，首先，由于在研究視角、樣本選擇、估計方法等方面的差異，文獻對城市經濟集聚與技術創新關系的認識并不統一。那么，在中國的城市中，抑制創新的“擁擠效應”究竟是否存在？對這一疑問的深思也引申出一個爭論已久的話題，即在中國的城鎮化發展過程中，究竟是優先發展大城市，還是應該推動中小城市占主導的發展模式？如果通過實證檢驗發現，集聚的創新效應是遞增的，那么至少從推動創新的角度來看，應支持優先發展大城市，反之，如果集聚對創新的推動效應是遞減的或是存在拐點，那么應以中小城市發展為主導。其次，實證研究城市空間結構對技術創新影響的文獻十分缺乏。中國眾多城市在經濟發展狀況、城市化水平等方面存在差異，反映在城市內部，是人口分布和基礎設施布局的不同，最終在城市間形成有區別的空間結構。由此引發聯想，有區別的城市空間結構與分異的城市技術創新能力之間會有怎樣的聯系？相對集中還是分散的空間結構更有利于技術創新？最后，經濟集聚與空間結構彼此相關，一方面，空間結構反映了經濟集聚具體的空間組織形態，另一方面，集聚效應的發展變化也為空間結構的適時調整提出要求，不考慮空間結構去討論集聚的創新效應，可能會遺漏必要的空間內涵。于是，經濟集聚與空間結構之間，是否存在作用技術創新的交互關系？交互關系如果存在，方向如何？經濟集聚與空間結構以怎樣的匹配關系，最有利于城市創新？對這些問題的研究不僅有助于理解城市的技術創新規律，為有效實施創新驅動戰略提供參考。還有助于發現技術創新能力在城市間分異的原因，為中國統籌區域協同創新、縮小區域發展差距提供思路。

2 研究設計

2.1 實證模型的設定

本文的實證模型如下:

lninnov=α0+α1shhi+α2shhi2+α3lnaggl+α4lnaggl2+α5lnaggl*mono+z′β+ε

(1)

其中，innov是衡量城市技術創新能力的因變量，shhi是衡量城市空間結構的變量，aggl是衡量經濟集聚度的變量，z′是控制變量向量，ε是隨機誤差項。

考慮到城市空間結構、經濟集聚對技術創新可能有多種作用方式，實證分析中分步驟將變量添加入回歸模型。第一步，利用城市空間結構、經濟集聚變量的一次項同技術創新變量建立計量模型，試探空間結構、經濟集聚對技術創新的線性影響。第二步和第三步，分別引入城市空間結構和經濟集聚變量的二次項，考察二者對技術創新的影響是否存在“先升后降”或“先降后升”的拐點。在第四步中，引入城市空間結構與經濟集聚的交互項，探究二者對技術創新的影響是否需要對方作為中介和條件，如果交互項系數估計值顯著的話，符號的正負情況還能反映出在推進城市創新進程中，城市空間結構的集中與經濟集聚程度的提升究竟是相互促進還是彼此制約。第五步，統一考察和比較相關變量的一次項、二次項以及交互項的估計系數，可以得到城市空間結構、經濟集聚對技術創新非線性影響的拐點值，了解城市空間結構與經濟集聚在怎樣的匹配下，會產生最大的技術創新效應。

2.2 空間結構的概念及其量化

經濟集聚度體現了區域經濟活動的密集程度，反映了單位土地上的經濟規模，在土地面積給定的情況下，經濟集聚度實際上刻畫了區域經濟發展的總量。空間結構描繪了區域內部經濟活動的空間組織和布局，是與“總量”或“密度”等規模含義相對應的“結構”概念。 空間結構這一命題來源于城市規劃研究中對城市體系 “單中心”和“多中心”相關話題的探討。早期研究多采用人口的規模分布度量城市體系的空間結構，然而這一方法存在一些弊端，首先，較小地理尺度上詳細精確的人口分布數據較難獲取，一般只能在普查年份得到，囿于此種局限現有文獻探討空間結構問題時多采用截面數據進行分析，缺乏時間維度。其次，中國一些年鑒在統計人口數據時是基于“戶籍人口”口徑，在“城鄉分割”的戶籍制度下這一統計口徑遺漏了大量的進城務工人員，用這種人口指標量化空間結構不能準確把握經濟活動真實的空間布局狀況，會產生一定的偏誤。

為了克服現有數據的不足，再加上近年來DMSP/OLS夜間燈光數據的可靠性逐漸被中外學界所證實[9]，已有學者開始采用DMSP/OLS夜間燈光數據量化區域空間結構[10-11]。DMSP/OLS夜間燈光數據來源于美國國防氣象衛星(DMSP)搭載的業務掃描傳感器(OLS)，該傳感器拍攝全球夜間燈光影像最初的目的在于氣象監測，后來由于使用的光學倍增管具有很強的光電放大能力,OLS傳感器逐漸被應用于探測人類地表活動。OLS傳感器具有很高的探測精度，甚至能探測到城市內部小規模居民地、車流等發出的低強度燈光，其“穩定燈光影像”去除了云、光火及油氣燃燒等噪聲影響，較好地捕捉了城市、鄉鎮內持久光源場所的亮光狀況，因此，DMSP/OLS夜間燈光影像較準確地提供了城市空間信息，可以作為探察人類城市空間活動很好的數據來源[12-15]。

盡管DMSP/OLS夜間燈光影像十分有研究價值，但該影像也存在一些問題，主要包括影像像元亮度值(DN值)飽和、同年兩個衛星拍攝的影像存在差異以及一些影像像元異常波動三種問題，于是很多研究在應用DMSP/OLS夜間燈光影像前對其進行了校正。本文參考了Elvidge等[16]的做法，利用“不變目標區域”和“影像序列相互校正”法對燈光影像進行校正，考慮到利用長時序的影像資料可以獲得更好的校正效果，本文選取了2000—2013年共22期的DMSP/OLS夜間燈光影像進行校正，以獲得考察期內的城市空間結構數據。操作中參考了曹子陽等[17]的方法，首先，選用鶴崗市轄區作為不變區域，結合亮值像元回歸的方法進行了飽和校正。其次，通過取平均值對同年兩個衛星拍攝的影像進行了校正。最后，利用影像序列進行相互校正以消除像元異常波動的現象。具體的校正步驟可參考曹子陽等[17]的研究。

2.3 變量與數據

(1)變量設定與指標選取。因變量——技術創新能力(innov)。創新產出是創新能力的直觀體現，在表征創新產出的指標中，專利數據由于其相對完整并與創新產出關聯性較強而常常被采用，相對于受時滯性和機構偏好干擾較大的專利授權量，專利申請量可以更好地度量區域技術創新狀況[18-19]，結合我國的專利制度，有的研究選用了“發明專利”的申請數，有的研究用包含“發明”、“實用新型”和“外觀設計”三類專利申請數之和衡量區域創新能力，考慮到接近一半的地級市專利數據來源于各市的《國民經濟與社會發展公告》，而在這些報告中很多僅給出了專利申請總數，并未指明專利類型結構，且專利申請總數的口徑更寬，反映區域創新活動更加全面[20]。因此本文選用三類專利申請受理總數與城市年末人口數(萬人)之比，作為因變量技術創新能力的衡量指標。

核心自變量——城市空間結構(shhi)。現有研究多采用“城市首位率”來衡量區域空間結構，然而此方法是一種數據受限情況下的折中方法，如果能獲取較小空間尺度的優質數據，赫芬達爾—赫希曼指數(HHI)可以更完整地度量整個區域單元的體系結構[21-22]。完整、客觀、跨區可比的夜間燈光數據和功能強大GIS軟件為采用HHI衡量區域空間結構提供了技術可能，因此本文借助這些工具，并設定空間赫芬達爾—赫希曼指數(shhi)來衡量地級市市域的空間結構，shhi的計算方法如下：

(2)

其中，DNi表示燈光影像中某市市域范圍內第i個區域單元的影像DN合計值，SDN表示該市所有區域單元DN值總和。按照中國的行政區劃體制，地級及以上城市一般下轄區、縣或縣級市，考慮到市轄區作為城市核心區域集中連片，而縣和縣級市散布在城市周邊相對獨立，參考孫斌棟等[23]的工作，本文將市轄區、每個縣和每個縣級市分別作為一個獨立的區域單元(或稱中心)，n表示該市包含的區域單元個數。同產業組織理論中的赫芬達爾—赫希曼指數相似，shhi∈(0,1)反映了經濟活動在區域中的集中程度，shhi越大說明經濟活動集中于少數區域單元，城市的單中心程度較高。shhi越小表明經濟活動在各個區域的布局越為平衡，整個城市擁有多個中心，呈分散化結構。

核心自變量——經濟集聚(aggl)。自Ciccone等[24]使用非農就業密度衡量區域經濟集聚度，后續研究大多沿用了他們的做法。為了便于文獻間結論的參照和比較，本文也使用該指標衡量城市經濟集聚度，以各市“第二和第三產業城鎮單位就業人員數”與“城鎮私營和個體從業人員數”之和比上各市“行政區域土地面積”。

控制變量。技術創新投入(input)，鑒于目前在中國地級市層面難以獲取完整詳實的R&D經費數據，考慮到地方政府在推動技術創新中的重要作用，參照已有研究，選取各市地方財政支出中的“科學技術支出”與GDP的比重代理技術創新投入。人力資本(hc)，國內外文獻在分析截面數據時多采用大學畢業生數衡量城市人力資本水平，但城市層面的詳細學歷數據一般僅能在普查年份獲得，缺少連續的時序數據。參考現有文獻，本文采用“普通高等學校在校生人數”與城市人口數(萬人)之比予以代理。固定資產投資(invest)，用各市“固定資產投資”與GDP之比表示。運輸條件(trans)，借鑒余永澤等[25]，在數據受限情況下用“交通發達程度”代理，用每萬人“全市貨運總量”衡量。

(2)數據說明、來源與描述。首先，考慮到2009年之后的城市專利申請數據相對完整，本文研究選取的考察期為2009—2015年。其次，根據專利申請數據的缺失狀況篩選出245個城市，在這245個城市中，僅轄有市區以至于shhi值在考察期內恒為1的12個城市也予以剔除，最終確定的研究區域包括233個城市。最后，一方面考慮到創新產出的時間滯后，也有必要減弱反向因果關聯帶來的內生性。另一方面，現有的夜間燈光數據僅更新到2013年。本文借鑒劉修巖等[11]的思路，將所有自變量進行了滯后兩期處理，因此因變量選取的是2009—2015年數據，全部自變量為2007—2013年數據。最后，獲取城市行政區劃信息的矢量地圖根據國家基礎地理信息系統1:400萬數據繪制獲得，行政區劃以2012底為標準。233個城市的專利申請數據來源于各省知識產權局網站、各市國民經濟和社會發展統計公報、各省科技廳網站、城市科技局網站或科技信息網。穩定燈光及輻射定標影像由NGDC網站獲取。其他數據來源于2008—2016年《中國城市統計年鑒》，少量缺失數據通過線性插值法內插或外推得到，變量數據的描述性統計見表1。

表1 各變量原始數據的描述性統計

3 實證分析

為了避免多重共線性對研究結論的干擾，在進行回歸分析之前對自變量間的相關性進行了檢驗，從表2顯示的檢驗結果來看，各變量間的相關系數都不超過0.5，表明模型中并不存在嚴重的多重共線性。

表2 自變量間的相關系數

面板數據兼有截面數據與時序數據的特征，也會存在異方差和自相關問題，然而本文的考察期僅有7年，但有233個截面，是典型的短面板數據。此外，涉及的233個城市分屬經濟社會發展存在一定差異的30個省區，地域范圍橫跨東中西，有的是直轄市，有的是副省級城市，其余是一般省會城市和非省會地級市，類型較多，個體間異質性較強，因此在檢驗時僅考慮異方差是否存在。豪斯曼檢驗(Hausman test)結果顯示，在最終模型中，不能拒絕固定效應與隨機效應系數估計值沒有系統差別的原假設，樣本更適用隨機效應模型。進一步的沃爾德檢驗(wald test)顯示，應拒絕同方差假設，組間異方差顯著存在。此種情況下，比較其他方法，可行性廣義最小二乘估計(FGLS)可以得到更有效的估計結果[26-27]，因此本文選用FGLS作為實證模型(1)～(4)的估計方法，具體的參數估計和假設檢驗結果如表3所示

表3 經濟集聚、空間結構對城市技術創新影響的回歸結果

注：估計值下方括號內顯示的是z值，***、**、*分別代表p<0.01、p<0.05和p<0.1。為了緩解引入高次項帶來的共線性，對變量shhi和lnaggl的二次項以及它們的交互項數據進行了中心化處理。

模型(1)的估計結果顯示，shhi和lnaggl的系數估計值在1%的水平下顯著為正，z統計量的值很大，說明初步來看，較集中的空間結構與高經濟集聚度對城市創新能力都有十分明顯的推動作用。模型(2)引入了單中心指數的二次項(shhi)2，(shhi)2與shhi都在1%水平通過了顯著性檢驗，且二次項系數為負一次項系數為正，表明城市的空間結構對技術創新具有非常顯著(z值很大)的非線性影響，二者之間的關系可以用一條開口向下、對稱軸在第一象限的二次函數描述，說明在考察期內單中心的空間結構對技術創新先促進后抑制，存在有利城市技術創新的“最優空間結構”。受到現有文獻討論“集聚不經濟”的啟發，模型(3)在模型(2)的基礎上加入了二次項(lnaggl)2，嘗試考察經濟集聚與技術創新的非線性關系，從結果來看，經濟集聚度變量的一、二次項系數估計值均通過了水平為1%的顯著性檢驗，且都顯著為正，表明可以用一條開口向上的二次函數大致描述集聚經濟與城市創新能力之間的關系。

模型(4)加入經濟集聚與空間結構的交互項shhi×lnaggl，目的在于一方面依托交互項的估計情況，判斷城市的經濟集聚與空間結構之間是否有、有的基礎上以怎樣的交互效應對技術創新施加影響。另一方面，結合具體的系數估計值，可以考察經濟集聚與空間結構以怎樣的匹配，對城市創新能力產生最有力的推動。結果顯示，第一，經濟集聚與空間赫芬達爾—赫希曼指數呈現顯著的負向互動關系，二者的上升對技術創新的促進，必須以對方下降為條件。說明在考慮經濟集聚對技術創新的推動時，不能忽略城市的空間結構因素，在集聚度高的單中心結構城市內部，出現了創新資源過度集中的“擁擠效應”，抑制了技術創新。而集聚度較低的多中心城市也對技術創新不利。相反，高集聚度與多中心結構融合，低集聚度與單中心結構匹配，都能形成推動創新的合力。第二，城市的單中心結構與技術創新呈倒U型關系。結合參數估計值有:

(3)

式中，當lnaggl取均值μlnaggl時，倒U型曲線最高點的空間赫芬達爾-赫希曼指數值為shhi*=0.113+μshhi=0.423，即平均看來，0.423是有利于城市技術創新的“最優空間結構”，如圖1所示(曲線下虛線左右兩邊的百分數分別代表shhi小于和大于拐點值的個體比重)。結合空間結構與經濟集聚的交互效應，如果某市經濟集聚度高于均值，則最優空間結構的shhi需向下調整，反之則向上調整指數值。第三，基于上文的初步推斷，城市的經濟集聚度與技術創新能力應呈正U型關系，但考慮到集聚程度(lnaggl)2的數據經過了中心化處理，需要結合具體數值考察二者的實際關系：

(4)

式中，當shhi取μshhi時，將均值μlnagg=3.914帶入，得到U型曲線最低點的經濟集聚對數值為lnaggl*=2.032，然而，在lnaggl的1631個觀測值中，小于2.032的觀測值僅有63個，僅占總觀測數的3.86%，說明u型曲線的遞減階段僅占3.86%，而在整個定義域超過96%區間內是u型曲線的遞增階段，如圖2所示。因此總體來看，經濟集聚的邊際創新效應遞增，經濟集聚度越高越有利于城市創新能力的提升。此外，從控制變量的估計結果來看，城市的創新投入、人力資本狀況、運輸條件和固定資產投資水平都對城市創新能力有顯著的正向促進作用。

圖1 空間結構與創新能力的正U型關系

圖2 經濟集聚與創新能力的倒U型關系

4 政策含義

根據本文的研究結論，可以得到很明顯的政策含義：

首先，依據研究結論，從推動城市創新能力的角度，并沒有發現高集聚度會帶來擁擠效應，反而觀察到經濟集聚度對創新能力的貢獻是邊際遞增的，由此可以認為，經濟密度高的大城市在發揮規模經濟和集聚效應上的作用仍十分關鍵，刻意強調“城市病”去限制大城市規模并剝奪大城市的優先發展權，會削弱大城市的創新能力，與“創新驅動發展”戰略相違背。那么，為了維護大城市在提升國家整體創新能力中的核心地位，保障措施應分別著力于“釋放集聚潛能”和“抑制集聚不經濟”，前者要求進一步提高大城市的經濟密度，掃除限制經濟資源在市場機制下自發集中的人為障礙，在國內限制資本跨區流動的“地方保護主義”不斷得到緩解的現狀下，更有意義的策略導向在于松動現有戶籍制度并完善人才引進政策，將提高人口規模和優化人力資源結構有機結合，在直接提高集聚度這一“量”的同時，提升集聚效應的“質”。對于后者，需要管理者革除“抑制集聚不經濟”等同于“管控人口規模”的舊式思維，集聚不經濟發生在交通擁堵、犯罪、環境污染等“城市病”出現的時候，那么只要能高效的“治理城市病”就可以一定程度上避免集聚不經濟的出現，并不必須以犧牲創新效率為代價。于是，加大地鐵和環城高架等交通基礎設施建設、增加警力等公共服務的提供、提升服務業比重或將成為切實可行的操作手段。

其次，平均來說，最大化創新能力的空間赫芬達爾-赫希曼指數為0.423，在城市規劃工作的實踐中，適宜將此指數與城市的經濟集聚度相結合，作為優化城市內部創新格局的評判標準。具體來說，中小城市為推動創新，應進一步鞏固市轄區的中心地位，加大配套措施投入，引導經濟資源強化在市轄區內的集中，嚴格限制核心區域的無序蔓延，以中心—外圍形態在全市形成一定的空間發展層次，在提高土地配置效率的基礎上走緊湊式空間發展道路。對于大城市而言，與多中心結構相結合的集聚是更有效率的集聚模式，在獲取高集聚度帶來的創新效應的同時，可以利用內部結構的分散化緩解擁擠。進一步的，適度的郊區化發展，不僅可以助力統籌城鄉創新資源的發展和配置，更有利于在市域范圍內形成各空間單元競爭和協作的創新網絡，最終推動大城市在“創新驅動發展”戰略中承擔更多的創新責任。