產業集聚影響下區域科技創新效率的集聚效應與擁擠效應
——基于北上廣深面板數據的實證分析

陳 亮

（深圳信息職業技術學院財經學院，廣東深圳 518172）

1 研究背景

產業集聚是指在特定地理區域內同一產業的高度集中，產業資本要素不斷集聚的過程。馬歇爾［1］在其名著《經濟學原理》一書中，首次提出了產業聚集及內部聚集和空間外部經濟的概念，并闡述了存在外部經濟與規模經濟條件下產業聚集產生的經濟動因。當前，國內外關于產業集聚與區域科技創新效率關系的研究，主要集中于以下3 個領域：

一是產業集聚對區域科技創新效率的影響機制理論研究。基于兩個視角：（1）產業集聚導致知識溢出效應，對區域科技創新效率產生影響。如Mihn［2］研究發現專業化和多樣化集聚都能夠促進知識溢出，進而影響產業創新產出；Carlino 等［3］基于城市就業密度視角的研究發現產業集聚通過增強知識空間溢出能夠顯著推動區域創新發展；張萃［4］將產業集聚對區域創新效應的微觀機制梳理概括為知識溢出機制、知識特有屬性機制以及集聚企業互動機制；韓術斌［5］指出生產性服務業集聚分別通過專業化知識溢出和多樣化知識溢出影響區域創新產出；王彩萍等［6］提出制度環境是決定產業集聚知識溢出效應能否發揮的重要影響機制，產業集聚的知識溢出效應在民營企業、社會信任和市場化水平較高的地區更為顯著。（2）產業集聚使得人才集聚，最終促進創新產出。如王文翌等［7］指出集聚區內的知識的專業化溢出效應形成人才集聚，從而進一步鞏固產業集聚，促進創新產出；趙青霞等［8］研究發現產業集聚與科技人才集聚聯合更能顯著推動區域創新能力提升；王振宇［9］對山東省科技人才集聚與產業協同集聚之間的單項匹配、局部協同、系統耦合3 種關系進行了系統性分析。

二是產業集聚對區域科技創新效率的積極影響實證研究。產業集聚通常被細分為制造業集聚和生產性服務業集聚。（1）制造業集聚對區域科技創新效率提升積極影響方面：Baptista 等［10］基于英國數據進行分析，發現制造業企業集聚的創新能力顯著；劉軍等［11］使用國內省際面板數據證實了制造業集聚能夠有效促進產業創新；張萃［12］證實了中國的制造業集聚能顯著提升技術創新水平。（2）生產性服務業集聚對區域科技創新效率影響方面：Illeris［13］認為服務業存在著無法儲存、無法物化、無法分解的性質，比制造業集聚效應更加明顯；Eswaran 等［14］認為生產性服務業集聚能夠吸引專業人才集聚，促進區域科技創新效率；何守超等［15］基于行業和地區異質性視角實證檢驗生產性服務業集聚有助于促進技術創新。（3）制造業與生產服務業關聯集聚對區域科技創新效率積極影響方面：Wetering 等［16］提出制造業與生產性服務業協同集聚能夠激發研發創新活動產生；Yuan 等［17］基于城市內部角度分析了兩者協同集聚效應和影響因素；孟衛軍等［18］指出我國高技術制造業的創新效率整體較低，而科技服務業與高技術制造業協同集聚的創新效率促進效應均顯著；陳春明等［19］也指出先進制造業與科技服務業協同集聚與區域創新效率在地理層面具有空間相關性，且對本地區域效率具有促進作用。

三是產業集聚對區域科技創新效率的消極影響實證研究。許多學者研究表明產業集聚過度可能對區域科技創新效率起到負向作用，這種現象被學術界稱為產業集聚擁擠效應；Sedgley 等［20］研究發現制造業過度集聚時出現的擁擠效應顯著抑制了專利產出；Broersma 等［21］研究認為荷蘭制造業過度集聚引起擁擠效應，導致產業增長緩慢；國內學者張杰等［22］通過對江蘇省制造業的數據研究發現，由于企業處于無序集聚狀態，最終導致其產業集聚對江蘇省內制造業企業創新能力的影響并不顯著；汪彩君等［23］基于產業規模指數發現長三角地區已出現產業集聚導致的生產要素擁擠現象，導致行業生產效率下降。產業集聚通過知識溢出、人才效應影響區域科技創新水平提升，又會對人才、資源與信息形成虹吸效應，反作用力于產業集聚，二者之間更有可能是耦合協調關系；劉信恒［24］指出產業集聚對出口產品質量的影響并不是簡單的線性關系，而是倒“U”型關系；趙世柯［25］實證研究發現安徽省制造業和生產性服務業集聚均對區域科技創新效率同時存在集聚效應和擁擠效應。

從已有的研究文獻來看，產業集聚通過規模經濟的優勢，可以在一定程度上形成對科技人才、資金、信息、知識產權、技術方法等的虹吸效應，從而推動本區域的科技創新效率提升，實現本區域經濟高質量發展。但是經濟學原理告訴我們，當產業規模發展到一定程度也可能導致規模不經濟，也即出現產業過度集聚現象。

2 變量選取與指標設置

2.1 被解釋變量

衡量一個國家（地區）區域科技創新效率水平的指標有很多，如R&D 各種投入、新產品產出量、高新技術企業總產值、國際國內專利數量，尤其是PCT 國際專利數量，當然這些指標本身就存在一定關聯性。但是R&D 人員投入、R&D 經費投入等這些都是刺激高新技術產品創新的原因，二者之間并不可畫等號，里面存在著很大的不確定性，比如全社會的創新環境、誠信環境等，而且從投入到產出之間存在一定時滯性，可以作為區域科技創新效率的被解釋變量。專利申請量與授權量一定程度代表著研發的直接成果，并且通過這種研發成果直接刺激新產品的產出，從而促進經濟增長。從全球的創新角度來看，專利授權量及其產生的經濟價值受到全世界認可，許多國家把專利授權量作為一個地區區域科技創新效率成效的主要衡量指標，考慮該數據的廣泛影響力、數據的可獲得性以及數據的完整性，我們決定采用PCT 國際專利申請量作為反映北京、上海、廣州和深圳科技創新效率的代理指標變量。

2.2 解釋變量

集聚是一個物理概念，如空間集聚、時間集聚、資源集聚、信息集聚等，集聚的衡量通常使用指數，常見的算法有赫芬達爾-赫希曼指數（HHI 指數）、區位熵指數（LQ 指數）等。然而，HHI 指數需要收集企業微觀層面的數據，對數據的統計調查要求極高，一般不容易操作與控制。相比較而言，LQ 指數則是學術界普遍用于衡量集聚程度的重要指標，本研究選用這種方法。本研究用行業就業人員人數來衡量產業集聚指標，具體計算公式為：

2.3 控制變量

影響科技創新效率的因素較多，典型的如科技資源投入等，為了更加準確衡量產業集聚對區域科技創新效率的影響，我們引入3 個控制變量對模型進行完善，分別是：

（1）R&D 人員投入。經濟增長領域的投入產出模型表明投入產出在一定程度存在正向關系，區域科技創新效率要提高，最直接的因素就是科技資源投入，當然從科技資源投入到區域科技創新效率成果的產出并不是直接線性關系，可能也受到某一國家的經濟體制、創新環境、知識產權保護等眾多因素的合力，但是科技資源投入無疑是其中一個重要的環節。因此，本研究依據Griliches-Jaffe 知識生產函數模型，認為科技資源投入對區域科技創新效率提高具有積極效應，因此R&D 人員投入可以構成區域科技創新效率成果的控制變量之一。

（2）R&D 經費投入。R&D 經費是支持研發的重要資本，有了經費支持才可以開展更多研發工作。R&D 經費包括政府部門投資基礎設施建設的經費，也包括科技型企業研發應用研究而投入的應用開發經費。R&D 經費與R&D 人員投入并不矛盾，二者是相輔相成的，因此R&D 經費可以作為區域科技創新效率水平的控制變量。

（3）R&D 人員與R&D 經費投入的交互項。資本資源與人力資源在一定程度上是可以相互轉化的，當擁有資本資源時，可以通過高薪聘請有專業技術能力、素質過硬的人到企業工作，當然企業擁有更多一流頂級人才的時候，企業就可以依托人才創造更有效的產出，從而為企業積累更多財富資本。R&D 人員與R&D 經費投入的交互項可以較好地表明兩者之間的關聯效應。

表1 給出了實證分析過程中的變量類型、指標設置、指標數學代碼以及選取的具體實證代理變量和對應的單位。

表1 變量選取與指標設置

3 數據來源、時間序列圖與描述性統計

3.1 數據來源

本文選取北京、上海、廣州和深圳四大一線城市2010—2020 年的面板數據進行實證研究。其中，北京、上海、廣州和深圳的基礎數據來源包括：生產制造業就業人員數、生產性服務業就業人員數、R&D 內部經費支出、R&D 研發人員數量的數據來源于各城市的統計年鑒，PCT 國際專利授權量來自《北上廣深科技統計年鑒（2021）》，其他數據均由《北上廣深科技統計年鑒（2021）》相應數據，按照區位熵公式（1）計算而來。

3.2 數據時間序列圖

圖1 給出了北上廣深圳2010—2020 年的PCT 國際專利授權量。截至2020 年，深圳PCT 國際專利授權量位居四大一線城市第1 名，專利授權量共計222 400 件，遠高于同期北京、上海、廣州的專利授權量；圖2 給出了2010—2020 年北上廣深R&D 人員全時當量，可以看出，深圳一直都十分重視科技人才投入，2020 年深圳R&D 人員全時當量為32.33 萬人年，是同期廣州市R&D 人員全時當量16.04 萬人年的2 倍。深圳R&D 人員投入強度較高，對支持深圳科技創新具有一定的支撐作用。

圖1 2010—2020 年北上廣深PCT 國際專利授權量

圖2 2010—2020 年北上廣深R&D 人員全時當量

圖3 2010—2020 年北上廣深R&D 資金支出

資金投入量一直穩居全國前列。深圳R&D 內部資金投入起點較低，2010 年僅有333.31 億元，但是增長幅度較快，到2020 年深圳R&D 內部資金投入已經高達1543.82 億元，增長了近5 倍；圖4 展示了2010—2020 年北上廣深R&D 人員與內部資金投入交互項。2010 年北京市R&D 人員與資金交互項為15 762.57，到2020 年北京市R&D 人員與資金交互項為782 42.89，10 年間增長了接近5 倍。深圳R&D 人員與內部資金投入交互項起點較低，2010 年僅為5 246.3，但是增長幅度較快，到2020 年深圳R&D人員與資金交互項為499 11.70，增長了近10倍。

圖4 2010—2020 年北上廣深R&D 交互項

圖5 展示了2010—2020 年北上廣深制造業就業人員集聚規模，相比于北京、上海和廣州，深圳制造業集聚規模較高；圖6 展示了北上廣深2010—2020 年服務業就業人員集聚規模，相比于北京、上海和廣州，深圳服務業集聚規模較低。

圖5 2010—2020 年北上廣深制造業就業人員集聚規模

圖6 2010—2020 年北上廣深生產服務業集聚規模

圖7 展示了2010—2020 年北京、上海、廣州和深圳制造業與服務業就業人員交互集聚規模，相較北京、上海和廣州，深圳制造業與服務業就業人員交互集聚規模較高。

圖7 2010—2020 年北上廣深制造業與服務業交互集聚規模

3.3 數據描述性統計分析

表2 給出了變量的描述性統計分析結果，樣本總觀測值為44 個。其中，PCT 國際專利授權量對數化后最大12.310 0，最小值9.620 0，均值11.070 0，最大值與最小值相差不大，這表明四個一線城市科技成果差距是存在的，但是他們之間差距較小，沒有非常顯著的差距。制造業集聚規模取對數后變為負值，均值為-0.465 0，最大值為-0.210 0，最小值為-1.140 0，服務業集聚規模取對數后盡管符號未發生變化，均值為0.439 7，最大值為0.770 0，最小值為0.210 0，相差超過3 倍。從研發投入來看，R&D 人員均值為2.860 6，最大值為3.520 0，最小值為1.890 0，相差接近2 倍，R&D 內部資金均值為6.6665，最大值為7.750 0，最小值為5.260 0，二者相差不大。

表2 變量的描述性統計分析

4 實證研究計量模型設計與相關檢驗

4.1 實證研究計量模型設計

本文選擇Griliches-Jaffe 知識生產函數模型的變形模式，在該模型基礎上進行拓展，擴展后的模型數學表達式為：

式（2）中，i表示不同地區與區域，t表示不同年份與時間，Q表示區域科技創新效率的產出，A表示希克斯中性技術進步效率函數，K表示科技資金投入，L表示科技人才投入，α表示科技資金投入產出彈性，β表示科技人才投入產出彈性，K×L表示科技資金投入與科技人才投入的交互項，δ表示科技資金投入與科技人才投入交互項的產出彈性，ε為隨機干擾項。

A可以比較客觀地反映科技生產函數規模報酬遞增或遞減的現象，如果某些區域在某些時期形成產業集聚效應，則可以形成一定規模經濟效應，從而降低信息結構壁壘，擴大知識技術外溢，增加創新的邊際回報，提高整體區域科技創新效率產出水平，但如果產業集聚過度，形成了一定程度擁擠效應，并且導致行業“內卷”時，產業集聚則會導致區域科技創新效率產出降低。因此，A對區域科技創新效率產出的影響存在兩方面：一是正向的集聚效應；二是反向的擁擠效應。需要通過實證數據判斷和檢驗。

在此，我們假設希克斯中性技術進步效率函數Ait可以表示為產業集聚效應ICit的函數，也即：

式（3）中，λ為常量，γ為產業集聚對區域科技創新效率產出的彈性。將公式（3）代入公式（2）中，我們得到：

兩邊取對數，得到：

產業可以分為生產制造業與生產性服務業兩類，或者生產制造業與生產性服務業兩者的交互項，為了讓研究更加細致，將產業集聚細分為生產制造業集聚、生產性服務業集聚以及二者的交互項，用公式表示即為：

將公式（6）兩邊取對數，得到：

歐洲化石能源的產量不高，并一直致力于開發新的清潔能源，推動全球減排的巴黎協定能夠使其獲得長久的經濟效益，且占據了政治正確的話語權。而作為二氧化碳排放大國，對排放進行嚴格管控不可避免地損害美國的利益，由于特朗普總統上臺后奉行的是全球收縮的外交政策，美國不再愿意承擔國際責任，喊出“美國至上”的口號，而美國的退出也導致巴黎協定事實上的破產。

將公式（9）代入公式（5）中，我們得到面板回歸模型的最終形式，具體如下公式所示：

4.2 相關檢驗

4.2.1 平穩性檢驗

本文所應用的數據是面板數據，對其中的時間序列數據，需要檢驗其平穩性，因為不平穩的時間序列數據經常會表現出某種共同變化的趨勢，從回歸結果看，則會誤以為他們之間具有某種關聯性，統計結果來看，這些回歸的擬合優度也常常表現得很高，但是這樣的回歸結果并沒有多大的現實價值，這種回歸稱之為偽回歸或者假回歸。在計量模型檢驗中，為了避免偽回歸的發生，我們需要對實證變量進行時間序列的平穩性檢驗。平穩性檢驗常見的方法就是單位根檢驗法，具體計量檢驗方法有LLC檢驗和ADF 檢驗，本研究采用實證研究變量進行LLC 檢驗和ADF 檢驗，結果如下表3 所示。

表3 變量的單位根檢驗

從單位根檢驗結果來看，被解釋變量ln(Qit)都在1%的統計顯著性水平通過了時間序列平穩性檢驗，解 釋 變 量ln［LQij(MAit)］、ln［LQij(LSit)］和ln(［LQij(MAit)×［LQij(LSit)］］)也都通過了10%的統計顯著性水平上通過了平穩性檢驗，控制變量ln(Kit)、ln(Lit)和ln(Kit×Lit)也都通過了1%的統計顯著性水平上通過了平穩性檢驗。單位根檢驗結果表明通過面板數據的實證分析是可行的，實證結論具有一定科學意義。

4.2.2 實證研究模型協整檢驗

經典回歸模型是建立在平穩時間序列基礎上的，非平穩的時間序列回歸可能會產生偽回歸問題。對于非平穩時間序列進行計量研究，通常采用協整理論及其方法。該理論認為盡管一些經濟中的變量本身是非平穩的時間序列數據，但是當他們通過一定線性組合后，可能會將原本非平穩的時間序列數據變為平穩的時間序列數據，這種線性關系表達式被稱為協整方程，并且這種組合可以解釋其與被解釋變量之間的長期穩定均衡關系。為研究北上廣深4個城市產業集聚與區域科技創新效率之間的關系，本文采用固定控制變量下的逐步回歸法進行回歸，結果如下公式（11）所示：

在進行回歸檢驗之前，我們要對模型內各變量進行協整檢驗。本研究將應用協整檢驗方法，原假設是多元面板動態回歸中沒有協整關系條件下基于殘差進行面板協整檢驗的方法。檢驗的最終結果如下表4 所示。

表4 模型協整檢驗

從表4 實證研究模型的協整檢驗結果來看，模型①的單位根ADF 統計檢驗值為-11.235 6，通過了1%的統計顯著性水平檢驗，我們由此判斷模型①的變量之間是存在協整關系的；模型②的單位根ADF 統計檢驗值為-3.254 9，通過了1%的統計顯著性水平檢驗，我們由此判斷模型②的變量之間是存在協整關系的；模型③的單位根ADF 統計檢驗值為-18.396 2，通過了1%的統計顯著性水平檢驗，由此判斷模型③的變量之間是存在協整關系的；模型④的單位根ADF 統計檢驗值為-15.366 6，通過了1%的統計顯著性水平檢驗，由此判斷模型④的變量之間是存在協整關系的。

4.2.3 面板數據回歸模型選擇性檢驗

對于面板數據回歸，需要分析面板數據回歸模型的形式，到底是選擇固定效應回歸模型還是隨機效應回歸模型，因此，需要對數據進行Hausman檢驗。所謂固定效應回歸模型，是指對于不同的時間序列數據，截距不一樣，但是斜率項相同的面板數據回歸模型，而隨機效應回歸模型則是指將隨機變量作為回歸系數的模型，由于固定效應回歸模型能較好地利用面板數據優勢，控制實證誤差，大多會采用固定效應回歸模型。下表5 給出了Hausman 檢驗結果，從檢驗結果來看，在1%的統計顯著性水平上通過了模型①、②、③和④可以選擇固定效應回歸模型的結論。

表5 數據回歸模型選擇Hausman 檢驗

5 實證研究結果分析

5.1 產業集聚對區域科技創新效率影響的集聚效應

根據前文的實證檢驗結果，本研究采用固定效應回歸模型，并通過對北京、上海、廣州和深圳四大一線城市區域科技創新效率與生產制造業集聚規模、生產性服務業整體集聚規模以及生產制造業集聚規模與產性服務業整體集聚規模的交互項進行面板數據逐步回歸分析，回歸結果如下表6 所示。

表6 樣本城市產業集聚對科技創新效率影響的集聚效應分析結果

從表6 的回歸結果來看，模型①、②、③和④的估計效果較好，擬合優度較高，F值較高，表明多元回歸模型中解釋變量存在多重共線性的可能性較低，變量之間具有相對較高的獨立性。由于本研究采用公式（11）的逐步回歸模型，從模型①的實證結果來看，反映四大城市科技創新效率的實證代理變量與生產制造業集聚規模的區位熵代理變量回歸系數為-0.745 8，t統計值為-2.569 7，通過了1%的統計顯著性水平檢驗，控制變量中R&D 內部資金投入回歸系數為-0.154 2，并且沒有通過10%的統計顯著性水平檢驗，R&D 人員投入回歸系數為0.1384，t統計值為2.364 8，通過了5%的統計顯著性水平檢驗，R&D 內部資金投入與R&D 人員投入交互項回歸系數為1.869 5，通過了1%的統計顯著性水平檢驗，這表明四大城市的生產制造業集聚的規模對其科技創新效率可能存在一定負面效應，有可能是生產制造業過度集聚造成了擁擠效應，因此導致創新環境惡化與創新要素成本劇增，抑制該地區科技創新效率，與此同時，科技資源投入，尤其是科技人才投入在一定程度上對該地區科技創新水平也具有較強的推動作用；從模型②的實證結果來看，反映四大城市科技創新效率的實證代理變量與生產性服務業集聚規模的區位熵代理變量回歸系數為0.569 8，t統計值為2.153 4，通過了5%的統計顯著性水平檢驗，控制變量中R&D 內部資金投入回歸系數為-0.085 9，沒有通過10%的統計顯著性水平檢驗，R&D 人員投入回歸系數為0.119 8，t統計值為2.243 6，通過了5%的統計顯著性水平檢驗，R&D 內部資金投入與R&D 人員投入交互項回歸系數為2.135 6，通過了1%的統計顯著性水平檢驗，這表明四大城市生產制造業集聚的規模對其科技創新效率可能存在一定積極影響，與此同時，科技資源投入，尤其是科技人才投入在一定程度上對該地區科技創新水平也具有較強的推動作用；從模型③的實證結果來看，反映四大城市科技創新效率的實證代理變量對生產制造業集聚規模與生產性服務業聚規模交互影響的區位熵代理變量回歸系數為從表6 的回歸結果來看，模型①、②、③和④的估計效果較好，擬合優度較高，F值較高，表明多元回歸模型中解釋變量存在多重共線性的可能性較低，變量之間具有相對較高的獨立性。由于本研究采用公式（11）的逐步回歸模型，從模型①的實證結果來看，反映四大城市科技創新效率的實證代理變量與生產制造業集聚規模的區位熵代理變量回歸系數為-0.745 8，t統計值為-2.569 7，通過了1%的統計顯著性水平檢驗，控制變量中R&D 內部資金投入回歸系數為-0.154 2，并且沒有通過10%的統計顯著性水平檢驗，R&D 人員投入回歸系數為0.138 4，t統計值為2.364 8，通過了5%的統計顯著性水平檢驗，R&D 內部資金投入與R&D 人員投入交互項回歸系數為1.869 5，通過了1%的統計顯著性水平檢驗，這表明四大城市的生產制造業集聚的規模對其科技創新效率可能存在一定負面效應，有可能是生產制造業過度集聚造成了擁擠效應，因此導致創新環境惡化與創新要素成本劇增，抑制該地區科技創新效率，與此同時，科技資源投入，尤其是科技人才投入在一定程度上對該地區科技創新水平也具有較強的推動作用；從模型②的實證結果來看，反映四大城市科技創新效率的實證代理變量與生產性服務業集聚規模的區位熵代理變量回歸系數為0.569 8，t統計值為2.153 4，通過了5%的統計顯著性水平檢驗，控制變量中R&D 內部資金投入回歸系數為-0.085 9，沒有通過10%的統計顯著性水平檢驗，R&D 人員投入回歸系數為0.119 8，t統計值為2.243 6，通過了5%的統計顯著性水平檢驗，R&D 內部資金投入與R&D人員投入交互項回歸系數為2.135 6，通過了1%的統計顯著性水平檢驗，這表明四大城市生產制造業集聚的規模對其科技創新效率可能存在一定積極影響，與此同時，科技資源投入，尤其是科技人才投入在一定程度上對該地區科技創新水平也具有較強的推動作用；從模型③的實證結果來看，反映四大城市科技創新效率的實證代理變量對生產制造業集聚規模與生產性服務業聚規模交互影響的區位熵代理變量回歸系數為0.435 5，t統計值為2.342 2，通過了1%的統計顯著性水平檢驗，控制變量中R&D內部資金投入回歸系數為0.213 3，沒有通過10%的統計顯著性水平檢驗，R&D 人員投入回歸系數為0.0958，t統計值為1.588 8，也沒有通過了10%的統計顯著性水平檢驗，而對R&D 內部資金投入與R&D 人員投入交互項回歸系數為0.095 8，也沒有通過10%的統計顯著性水平檢驗，這表明四大城市生產制造業集聚規模與生產性服務業集聚規模交互項對其科技創新效率可能形成一定正向沖擊，通過二者軸帶作用與雙輪驅動，可以有效促進城市科技創新產出效率，生產性服務業經常被認定為是生產制造業的“潤滑劑”，二者的高度關聯與融合可以有效促進上下游產業協同發展，交互融合在一定程度上可以直接降低需要頻繁互動的配套的生產性服務，從而間接降低企業在生產過程中的運營成本，使得企業能夠將更多資源投入到科技研發活動中，產生更高的附加值；模型④是在模型①、②、③的基礎上進行了一個綜合回歸，回歸結果顯示與模型①、②、③的實證結論基本一致，北上廣深整體的科技創新效率與生產制造業集聚規模的區位熵代理變量回歸系數為-1.763 4，t 統計值為-3.643 5，通過了1%的統計顯著性水平檢驗，與生產性服務業集聚規模的區位熵代理變量回歸系數為1.623 5，t統計值為2.987 7，通過了1%的統計顯著性水平檢驗，與生產制造業和生產性服務業交互集聚規模的區位熵代理變量回歸系數為0.687 7，t統計值為5.327 4，通過了1%的統計顯著性水平檢驗。這一結論表明，北上廣深產制造業集聚規模可能超過了本身的負荷承載量，可能出現過度集聚現象，生產性服務業則還未達到飽和狀態，可以有效促進其科技創新效率，生產制造業與生產性服務業二者的協調融合與關聯集聚在一定程度上也可以有效促進北上廣深的科技創新效率。

5.2 產業集聚對區域科技創新效率影響的擁擠效應

產業過度集聚就有可能出現擁擠效應，產品市場擁擠與生產要素雙重擁擠帶來的競爭環境惡化與創新成本提高，抑制了該地區科技創新效率提升。為了驗證北上廣深的生產制造業集聚與生產性服務業集聚是否導致了擁擠效應，阻礙了其科技創新效率提升，我們在此引入非線性二次函數模型到公式（11）中，得到公式（12）如下所示：

表7 中模型⑤是引入二次項后四大城市科技創新效率的實證代理變量與生產制造業集聚規模的區位熵代理變量單獨的非線性回歸結果，不難發現，科技創新效率的實證代理變量與生產制造業集聚規模的實證代理變量回歸系數為2.532 8，t統計值為2.969 7，通過了1%的統計顯著性水平檢驗，并且科技創新效率的實證代理變量與生產制造業集聚規模的實證代理變量的平方項回歸系數為-2.231 8，t統計值為-2.463 2，也通過了1%的統計顯著性水平檢驗，這表明生產制造業集聚開始階段的確可以促進區域科技創新效率，但是超過一定集聚規模后，則不僅不會促進科技創新效率反而會成為科技創新的累贅，即北上廣深科技創新效率與生產制造業集聚區位熵之間呈現倒“U”型關系，北上廣深生產制造業集聚出現了擁擠效應；模型⑥引入二次項后四大城市科技創新效率的實證代理變量與生產性服務業集聚規模的區位熵代理變量的非線性回歸結果，科技創新效率的實證代理變量與生產性服務業集聚規模的實證代理變量及其平方項回歸系數都是正數，但是t 統計值檢驗表明這一回歸并不顯著，結合之前公式（11）中模型②的估計結果，我們認為生產性服務業集聚規模并未出現生產制造業那樣的“U”型發展態勢，而是還處在未飽和需要發展和完善的階段，二者之間非線性關系也并不明顯，北上廣深科技創新效率與生產性服務業集聚區位熵之間呈現單調遞增的線性關系；模型⑦引入二次項后四大城市科技創新效率的實證代理變量與生產制造業集聚規模的區位熵、生產性服務業集聚規模的區位熵以及生產制造業集聚規模與生產服務業集聚規模關聯交互的非線性回歸結果，科技創新效率的實證代理變量與生產制造業集聚規模的實證代理變量及其平方項回歸系數都不顯著，而與生產制造業集聚規模與生產服務業集聚規模產業間關聯集聚回歸系數為5.688 8，t統計值為3.286 6，通過了1%的統計顯著性水平檢驗，與其平方項的回歸系數為-2.235 8，t統計值為-2.374 2，通過了1%的統計顯著性水平檢驗，這表明北上廣深四大一線城市產業間生產制造業與生產性服務業的關聯集聚與其科技創新效率發展也呈現出倒“U”型非線性關系，關聯集聚也出現擁擠效應。

表7 樣本城市產業集聚對科技創新效率影響的擁擠效應分析結果

6 研究結論與政策建議

本文將Griliches-Jaffe 知識生產函數進行拓展、重整并對數化處理，構建產業集聚對區域科技創新效率影響的基準對數線性回歸模型與包含二次項的非線性回歸模型，并應用區位熵模型構建衡量生產制造業與生產性服務業集聚規模的實證代理變量，實證研究了我國四大一線城市北京、上海、廣州和深圳2010—2020 年的生產制造業集聚、生產性服務業集聚以及生產制造業與生產性服務業關聯集聚同科技創新效率之間的關系，研究結論主要有如下3 個：

一是四大城市產業內生產制造業集聚規模與其科技創新效率發展呈現出倒“U”型非線性關系，也即產生擁擠效應。通過對北上廣深2010—2020 年的宏觀面板數據進行實證分析，我們發現單獨就生產制造業而言，對其科技創新效率的提升存在先上升而后下降的表現，這表明北上廣深生產制造業出現了過度集聚現象，也即擁擠效應。生產制造業的過度集聚，加大了制造業企業之間的惡性競爭與生產內卷，可能會在一定程度上削弱市場的創新環境，內耗帶來企業生產成本的加大與產品價格的下降可能導致企業家悲觀的預期，進一步削弱了企業在科技投入方面的支出，從而導致區域科技創新效率逐漸弱化。

二是四大城市產業內生產性服務業集聚規模與其科技創新效率發展呈現單調遞增正向線性關系，也即還存在集聚效應。生產性服務業是制造業集群化發展的重要配套資源，工業設計、法律、會計審計、管理咨詢、人力資源、檢驗檢測等生產性服務業是吸引高端人才就業的主要場所，通過北上廣深實證分析，我們發現四大城市的生產性服務業集聚還有較大的空間，遠未達到飽和狀態，促進生產性服務業高端發展，將有利于提升城市的科技創新環境，對區域科技創新效率將大有好處，這也與我國當前實現高質量發展的整體戰略相符。

三是四大城市產業間生產制造業與生產性服務業的關聯集聚與其科技創新效率發展也呈現出倒“U”型非線性關系，關聯集聚也出現擁擠效應。從實證分析的數據來看，衡量生產制造業與生產性服務業的關聯集聚也出現了擁擠效應，這種來自產業間的融合集聚，會因為規模大而難以協調，最終導致科技創新環境惡化，影響企業科技創新效率。通常情況下，生產制造業作為城市經濟的主導產業，生產性服務業則是生產制造業的配套產業，當主導產業出現擁擠效應與產業內卷的時候，盡管配套的生產性服務業可能還處于上升期，但是它們的關聯集聚卻會受到主導產業內卷的影響而出現擁擠現象。

基于研究結論，給出如下3 條政策建議：

第一，加快北上廣深生產制造業轉型升級，以品牌質量為核心抓手推動生產制造業高質量發展。生產制造業是城市經濟發展的重要動力，盡管北上廣深出現了生產制造業過度集聚的擁擠效應，但是這并不是說要這些城市放棄生產制造業，而是要將傳統生產制造業只注重量變的、簡單的、同質化的、無技術含量的、代加工的、粗放型的模式改造為更加注重質變的、復雜的、異質化的、技術含量高的、數智化的先進制造業，加快制造業轉型升級，對傳統制造業進行數智化、技術化與品牌化改造，從供給側而非需求端發力，提升產品質量與競爭力，推動產品個性化發展，避免簡單的價格競爭所導致的行業內卷，將產品的品牌質量放在企業發展戰略的最為核心位置。

第二，集聚國際創新資源，繼續做大做強北上廣深生產性服務業，打造國際化生產性服務體系。北上廣深生產性服務業集聚還未達到飽和狀態，可以繼續加大投資力度，吸引社會資源，形成產業進一步集聚，以打造國際一流生產服務體系為目標，依托北上廣深良好的經濟基礎與科技資源，盡早設立國際化創新平臺，集聚國際化創新資源，加強國際化創新合作交流，構建科技成果產業化服務體系，實現全產業鏈條科技創新服務體系，完善面向先進制造業集聚相配套的國際化生產性服務業體系，加大專業服務領域的國際化、市場化與法制化開放力度，應用大數據、人工智能、移動通信技術、云計算等創新技術，積極推動設計、法律、會計審計、管理咨詢、人力資源、檢驗檢測等生產性服務業高端化發展。

第三，促進北上廣深先進制造業與生產性服務業融合發展，對傳統的落后的制造業與配套的生產性服務業進行智能化、數字化改造升級。制造業是宏觀經濟的壓艙石，只有強大的制造業才需要配套完善科技含量高的生產性服務業，制造業的發展是城市發展的主導產業，北上廣深更是要依托自身優勢，加大制造業的轉型升級與精細改良，堅決克服“卡脖子”技術攻關難題，配套的生產性服務業要對標國際一流服務體系標準，實現先進制造業與生產性服務業協調發展的態勢。制造業的轉型升級，除了在“卡脖子”關鍵技術方面突破外，還需要培育工匠精神，并充分利用大數據、人工智能、云計算等先進技術，對傳統制造業進行數字化、智能化改造，實現采購、生產、銷售、人事、財務的云端化、流程化管理，始終堅持生產性服務業為先進制造業服務的本質，促進二者產業間的關聯協調。