科技创新驱动城市经济增长关联性研究——基于城市面板数据

廖振盛

(福建工程学院 互联网经贸学院， 福州 350014)

随着中国人口红利逐渐减少，产业升级发展缓慢，过去依赖出口和投资拉动的传统经济增长模式已难以支撑经济高质量发展增长。中国经济已由高速增长转为中高速增长。中国经济增长动能未来应以提高经济增长质量为主要目标。创新是引领发展的第一动力，是建设现代化经济体系的战略支撑。根据中国统计年鉴统计数据，研发内部支出占国内生产总值比从2000年的0.89%提高到2019年的2.23%，虽然近20年来研发投入逐年增长，但创新驱动经济发展仍存在问题。目前中国自主创新能力仍然不足，虽然国内专利申请量逐年增加，但是否能够有效转化提升经济增长或提升要素生产力值得讨论。科技创新包括基于技术促进端的供给侧路径和基于市场需求端的需求侧路径，其中，强调供给侧路径彰显目前国家的战略意义，强调需求侧路径彰显国家现实经济增长要求，这两条前进路径缺一不可。

现有文献主要集中在省级面板数据的实证研究。中国城市化进程在经济高速增长的推波助澜下，发生了巨大的变化。刘笑男、倪鹏飞[1]实证研究发现影响国内外大中型城市竞争力因素中，科技创新是城市竞争力发展最重要的关键因素。如何由科技创新推动城市化高质量发展水平，是一个值得关注的议题。实际上，经济稳定且持续增长是科技创新不断发展的土壤，而持续不断地科技创新也会为经济增长提供源源不断的驱动力，故研究城市经济发展与科技创新的互动关系显得更为重要。

从微观层面分析科技创新对城市经济发展的互动效用，主要创新集中在以下两个方面：①过去有关科技创新与经济增长关联性的研究主要以财务指标如R&D支出、专利权申请数量等衡量科技创新，以致科技创新效用难以被准确测量，运用数据包络分析(data envelopment analysis, DEA)衡量中国各城市的科技创新效率，检验科技创新效率对全国城市经济增长作用的差异性，对于进一步阐明中国经济由要素驱动转向创新驱动的转型具有重要意义。②采用面板数据模型和Granger因果检定，分析科技创新效率在中国城市经济发展中的作用效果，为科技创新驱动与城市经济发展两者结合提供实证支撑。最后根据实证分析，提出改善科技创新效率的相对应做法和有益于城市经济增长的政策建议。

1.1 科技创新与经济增长关联性研究

国内外学者对技术创新对经济增长的影响表现出浓厚的兴趣。Schumpeter[2]首先指出创新理论从技术与经济结合的视角出发，强调生产技术创新在经济发展过程中所发挥的重要作用。后续的研究认为R&D投资对创新活动的产出与效率具有重要影响。因此提出基于R&D驱动的经济增长理论。国外的文献中，多数研究肯定科技创新对于一国(区域)经济发展或全要素生产率的提高具有正面的作用。Das和Mukherjee[3]表示产品创新带来的研发活动增加，通过溢出效降低生产成本，提高增加收入的机会，并对国家和世界整体国民收入的水平和增长产生积极影响。Evangelista等[4]以欧盟国家为研究样本，实证发现经济增长得益于技术专业化的改善，但不同地区的国家对此效果具有差异性，科技创新对西欧国家经济增长的促进作用更为显著，而对中欧国家的效果则不大。另一方面，部分学者提出不同见解，例如Hall[5]表明R&D支出不一定可改善一国真实所得。

国内关于科技创新对经济增长的影响主要从以下3个角度进行研究：

1)地域视角。杜两省等[6]基于31个省区市的面板数据运用联立方程模型分析，发现科技创新与区域经济增长之间相互促进的良好互动只在东部地区显现，科技创新对于经济增长的促进作用并不显著。除了采用全国省级数据的研究之外，杨力等[7]采用成渝地区双层经济圈42个市县数据，研究发现双层经济圈金融创新与技术创新的交互嵌合作用对经济增长具有显著促进效应；
黄浩等[8]利用2010—2019年福建省9地级市的面板数据对各城市科技创新与区域经济高质量协调进行动态评价，发现科技创新与区域经济高质量增长指数都呈现波动上升趋势，但区域发展不均衡。

2)方法视角。利用空间计量模型、耦合协调度、面板门槛模型等定量方法进行分析。于世海[9]采用桂、滇、黔3省数据进行分析，研究显示3省科技创新能力与经济增长质量之间协调发展度不高，系因科技创新产出结构不合理，以及科技成果产业转化率低。胡国晖等[10]利用区位entropy与DEA模型分别测算中国2006—2017年30个省市金融集聚水平和金融创新效率，研究发现金融集聚和金融创新均可以显著推动区域经济增长，溢出效应较强，但间接效应高于直接效应。

3)科技中介视角。Levine[11]认为金融集聚之所以对经济增长有正向促进效用，主要原因在于金融集聚地发展有利于累积资本和提升技术进步，Levine将科技创新促进经济增长的直接互动关系，更进一步讨论到促进科技创新驱动因素。学者们纷纷考虑第三因素并分析三者之间的关联性。李翔等[12]利用空间计量技术以及面板门槛技术，结果显示空间关联是科技创新与产业升级、促进经济增长过程中不可忽略的重要因素，二者的协同效应对经济增长的影响为正；
谢婷婷等[13]表明单独的金融创新对经济增长具有抑制效用，而考虑技术创新与金融创新交互作用，则对经济增长起显著的正向作用。

综合上述，大多数研究表明科技创新对于经济增长具有正向效用，但其关联性并非绝对的正向作用，在某些情况下，科技创新反而会产生抑制作用。其次较少有研究经济增长对于创新效率的影响，两者间是否为双向关系、单向关系或无相关性，此问题值得讨论。因此提出以下理论假设。

假设1:科技创新效率对城市经济增长具有正向积极作用。

假设2:城市经济增长对科技创新效率具有正向促进作用。

1.2 科技创新指标的评量研究

针对科技创新投入对于科技创新驱动产出的影响问题及如何有效且精确地评估科技创新效率问题，学者们相继提出了定性和定量的方法进行分析。在具体测算时主要从投入产出和多项指标体系综合衡量，其中较常见的投入产出视角进行测算主要使用的方法有参数法与非参数法。参数法如随机前沿法(SFA)、自由分配法(DFA)，由于需要设定生产函数形态，因此在实证上有些限制；
非参数法则是以DEA法为主，相关研究如Afzal[14]、许潇文[15]、田新民等[16]，DEA法已经普遍被研究者所接受，并作为衡量科技创新效率的广泛研究方法。

衡量科技创新效率主要的问题是投入与产出变量的定义。衡量科技创新的投入单位主要以最少的成本，达到经济高质量发展的目的，因此R&D支出是科技创新过程中不可或缺的要素，而其效率准确合理地衡量，不仅有利于资源的有效配置，还有利于提高科技产业的快速发展，最终达到高质量的经济增长。另一方面，科研投入通常包括资本和劳动力两方面，因此代表劳动力的科研人员投入也被国内多数学者所采用，如黄浩等[8]、于世海[9]。科研效率产出项主要以专利授权数量为主，部分学者采用科研论文产出、高技术企业数量、新产品销售收入等变量进行衡量，但这些方法缺乏一致的共识，仅有专利授权数量是国内学者普遍接受的衡量科技创新效率的产出变量。

综合上述，多数研究仍认为科技创新对经济增长具有积极正向作用，但多数采用单一指标进行分析，对于两者间的关联性分析不够精确，采用科技创新效率值可以更好地理解两者间的关联性。

1.3 文献述评

综合上述，科技创新与经济增长关联性研究一直是热门议题。科技创新驱动经济增长的关键在于研发投入通过技术创新、制度创新和知识创新对高质量经济发展的驱动机制。传统财务指标衡量科技创新绩效存在的不足，更进一步使研究者引入计量模型评估科技创新效率。国内的研究结果大致上肯定科技创新对于经济增长的正向促进关系，但存在明显的地域差异，区域经济圈的形成也显现出强者更强的趋势。顺应计量经济学发展的潮流，在研究方法上的推陈出新，使得估计结果更具有可信赖性与稳健性。

虽然研究成果颇为丰硕，但其对科技创新促进经济增长的相关政策效率评价和发展机制等方面研究仍有改善空间。主要表现为:①对科技创新促进经济发展的因果关系论述不够深入，科技创新驱动区域经济增长，而经济增长是否会成为科技创新效率的驱动力是一个值得关注的议题，两者之间的因果关系必须要更进一步厘清。②现有研究多数仍以省级面板数据为主，讨论城市经济增长的研究则仍以单一指标为评估方法。石哲羽等[17]以研发投入经费为核心解释变量分析江苏省13个地级市研发与经济增长间的关联性，分析科技创新效率对城市经济增长的影响，更有助于了解科技创新与城市经济增长的关联性。③研究聚焦在科技创新的意欲产出，较少讨论科技创新的非意欲产出，科技研发投入的抑制作用的探讨需要更多的关注，对此问题有待更进一步讨论，未来可以在这方面进行分析。

2.1 科技创新效率测量

采用DEA法衡量各城市科技创新效率，已被广泛运用于计算受测单位的技术与规模效率。DEA的数学模式，Charnes等[18]提出固定规模报酬模型(又称为CCR模型)，用来评估非营利组织的经营效率观念，以线性规划的技术，将观测值形成一线型平面，此平面即构成效率前缘观测值，与此效率前缘的距离即为该单位无效率程度。CCR模型对于生产技术的假设如下：①生产集合为一凸集合；
②强势自由处置；
③固定规模报酬；
④再以Shephard的距离函数推导出技术效率。由于CCR模型假设为固定规模报酬，因此Banker等[19]以生产可能集合的4个公理(又称为BCC模型)，Shephard的距离函数推导出衡量纯粹技术效率与规模效率模式，故假设生产技术满足凸性、可变动的规模报酬(variable return to scale, VRS)，则投入导向效率值为

minθ,λθ

(1)

式中：各地级城市为i；
j为投入变量数；
r为产出变量数；
x为投入要素；
y为产出要素；
θ为决策单元的有效值；
λ表示第j个项投入和第r项产出的权系数。利用数据包络分析衡量各城市创新效率，参考相关文献[15-16]，并考虑到数据可取性，其中投入项采用R&D人员数、R&D内部经费支出，产出项采用专利授权数来表示。

2.2 变量定义与模型建构

1)被解释变量。经济增长指标(ln GDP):采用人均地区生产总值(GDP)来表示城市经济发展状况，一个地区人均GDP越高意味着经济越发达，可持续发展的潜力也就越强。

2)核心解释变量。①科技创新技术效率(TE):反映城市在既定投入下获得最大产出的能力，技术效率值介于0～1，越趋近于1表示该城市科技创新的产出能力越大。②科技创新规模效率(SE):当一城市科技创新投入等比例增加，产出呈现递增的比例增加，表示该城市具有规模效率。

3)控制变量。根据现有文献，采用如下控制变量以减轻遗漏变量可能带来的内生性偏误。①创新科技力(IT):参考杜两省等[6]的做法，科技成果转换率与资金在不同产业的分配比重会影响研发投入的效率，故采用城市科学研究和技术服务业从业人员与每年专利授权数比例来衡量，该比例越高表示创新科技力越好。②政府支持度(GOV):采用科学技术财政支出占城市人均地区生产总值比例来衡量，该比例越高，表示政府对于研发支持力度越大。③工业化水平(IL):采用第二产业占城市人均地区生产总额的比重进行衡量，此比例越高，表示该城市工业化水平越高。④市场化水平(ML):参考李翔等[12]的衡量方法，采用第三类产业占地区生产总额的比重进行衡量，此比例越高，表示该城市市场化水平越高。⑤科教投入(SEE):一般而言，科教支出对地方经济增长具有促进效用，并有利于人力资本的累积，参考沈立等[20]的研究，采用城市财政科技和教育支出占地方财政支出的比例进行衡量。

根据上述变量定义，计量模型的基本形式为

ln GDPit=β0+β1TEit+β2SEit+β3ITit+

β4GOVit+β5ILit+β6MLit+β7SEEit+εit

(2)

式中：ln GDPit表示城市i在第t年的人均地区生产总值对数值；
TEit表示城市i在第t年的科技创新技术效率值；
SEit表示城市i在第t年的科技创新规模效率值；
εit为残差项。

2.3 数据来源

使用的数据主要为中国各城市经济发展数据，选取的时间范围为2018—2020年。数据来源于《中国科技统计年鉴》《中国统计年鉴》《中国城市统计年鉴》等，删除数据严重缺失的城市，不列入为研究对象，共选取264个中国城市为研究样本。其中，对于少数城市存在部分缺失数据指针的问题，采用移动平均法、均值插补法估算逐一补齐。变量描述统计见表1。

表1 变量描述性统计

因为各城市体量具有较大的差异性，在衡量区域技术创新效率之前，先对原始数据进行标准化处理，计算公式为

(3)

式中：i表示各地级城市；
max(xj)和min(xj)分别为j个投入产出变量的极大值和极小值。

利用Pearson相关系数分析变量间的线性相关，由表2可发现，人均GDP除了政府支持度变量之外，所有的变量都是正相关，虽然相关系数值偏低。经济增长与科技创新规模效率相互共变程度为所有变量中最大值，而政府支持度提升对经济增长反而是负相关。

表2 Pearson相关系数矩阵

3.1 科技创新效率实证分析

科技创新效率由纯技术效率指数和规模效率指数构成，其中，纯技术效率代表城市在既定投入下获得最大产出能力，规模效率代表当投入比例增加产出以递增的比例增加，这些指数越高，越能够推动区域或城市经济的发展，反之则反。

利用传统DEA模型中的CCR与BBC模型衡量城市的技术效率、纯粹技术效率与规模效率，实证显示城市科技创新技术效率2018—2020年依序为0.555、0.512、0.581，可知科技创新技术效率虽略有提升但变化并不大。孙超等[21]利用2003—2016年省级面板数据，实证发现区域科技研发阶段全国创新效率平均值为0.445。由此可知，采用数据包络分析衡量科技创新相对效率值，估计数值并不高，表明各城市间资源投入产出运用效率差距相当明显。平均技术效率值为0.549，有高达45.1%的资源运用无效率的情形，而且城市之间科技创新效率的差距颇大，说明了城市间科技创新投入产出存在严重的不足与无效率现象，建议应该要增加科技创新投入和充分有效利用科技创新投入资源。

探究技术无效率的主要因素，在短期不包含规模经济的因素下的科技创新效率，可透过纯粹技术无效率进行分析，抽离规模经济因素后，更可以清楚了解城市的投入资源是否存在无效率，而有资源浪费的情形，比较纯粹技术效率值与规模经济效率值，科技创新效率的技术无效率主要系来自规模无效率(0.379)甚于纯粹技术的无效率(0.101)。孟维站等[22]研究表明，中国高技术产业创新综合效率的提高主要的动力来自纯粹技术效率，而城市科技创新效率主要也是受到技术效率驱动所致。

3.2 面板模型实证估计分析

根据第2章建构的实证方程式，探讨经济增长与科技创新因素间关联性，采用普通最小平方法、固定效果模型与随机效果模型进行估计(1)根据Hausman检验固定效果模型为最适估计模型，因此估计结果分析主要依据固定效果模型为主，表3将其他模型一并列出作为参考。。在进行估计之前，若模型中的变量存在共线性，将产生线性重合问题，进而影响到回归估计的结果，为避免此问题的影响，故先利用方差膨胀因子(VIF)进行检定，一般判断准则，若VIF值大于10，则具有严重的共线性问题，检定结果显示所有的自变量其数值均小于10，故应该没有线性重合问题。

估计结果见表3。科技创新技术效率与经济增长为显著负相关，表示科技创新技术效率无法产生提升城市经济增长的正向效用,反而可能是抑制效应。科技创新与区域经济增长间相互促进的良好互动只在东部地区出现，而中西部及东北地区这种良性互动都没有显现。由此可得出，此现象的可能原因在于，各城市科研经费主要是由当地政府负担，国内城镇化差异极大，导致多数中西部城市资金不足，导致资金不能高效配置，资源集中在东部发达城市，而其他区域则发展极为缓慢。规模效率与经济增长为显著正相关，表示科技创新规模效率对经济增长为正向效应，虽然东西部经济发展有显著差异，但随着整体国内经济发展趋势带动下，研发资源投入持续增加促使经济增长呈现“递增”的趋势，最终达到规模经济。整体而言，仅有部分证据支持假设1成立，如何优化资金配置效率是政府相关机构需要积极思考解决的问题。

科技创新力对城市经济增长的作用为正相关，反映了科技创新转化率越高，有利于城市经济增长。政府支持度对于经济增长为显著负相关，可能是因为政府支持科技创新的资金很大的比例投入了国企和研究所，目标针对的是基础创新，但回收周期较长，反映在经济增长的贡献上相对较小；
而发明专利产出大多来自中小型科技企业，受到政府的支持力度较小。工业化水平、市场化水平与经济增长皆为显著正相关，表示工业化与市场化有利于促进城市经济增长。科教支出对于经济增长没有显著的关联性，这个结果与沈立等[20]研究不同，科教支出作为人力资本投资的主要形式，郭玉清等[23]认为科教支出的增加有助于扶持企业、大学和基础科研机构进行研发活动，增加知识存量推动技术。因此，此结果可能是因为人力资本没有发挥技术创新的中介效果，无法有效地促进产业升级，间接拉动城市经济增长。

表3 面板数据估计结果:科技创新效率

3.3 Granger因果检定分析

为了更进一步厘清科技创新与经济增长之间的因果关系，采用Granger 因果检定检验各变量间的因果关系。由表4可知，实证结果显示技术效率与经济增长间为单向关系，技术效率对经济增长之间具有Granger因果关系，但经济增长对技术效率并不具有Granger因果关系，规模效率的估计结果亦呈现相同的结果。由此可知，科技创新对经济增长具有影响，但经济增长并不会反馈影响科技创新效率，此现象的可能原因在于，区域城市发展的差异限制了经济发展成为科技创新的土壤。东部沿海城市科技创新转化率高，有效地提高了地区经济发展，而良好的经济环境也有利于创新的持续发展；
但中西部城市仍是以传统产业为主，以至于经济增长对于科技创新效率的影响并不显著。R&D投资科技创新成果产出与经济增长间关系较为复杂。过于注重对试验发展的投资，从长期来看不利于创新系统的发展[24]。由此可知，假设2不成立，表明中国高速经济增长的成果尚未转化成为发展科技创新的土壤，区域经济差异仍大，致使经济增长无法反馈促进科技创新效率。

科教支出与经济增长之间不存在Granger因果关系，与3.2节的估计结果相同，科教支出对于城市经济增长并没有显著的关联性。更进一步的解释此现象在于，科技创新除了投入资金之外，更关键的要素是人力资本投资，透过人力资本存量，促进知识技术创新，由此可推论目前人力资本存量仍不够满足科技创新需求，无法完全发挥促进经济增长加速器的效用。

表4 Granger 因果检定结果

3.4 稳健性检定

为了进一步验证上述研究结论的稳健性，采用现有文献中常用的科技创新投入指标:R&D支出、R&D人员数替代科技创新效率值并重新估计式(2)。由表5可知，估计结果显示R&D支出、R&D人员数对于经济增长具有显著正向关系，可知

表5 面板数据估计结果: 稳健性检定

采用单一计量指标的估计结果与采用科技创新效率的结论大致一致，除了科技创新技术效率之外，说明了科技创新资源的配置需进行结构优化，创新资源的投入可以提升城市经济增长，但是否能有效率地转化成为产值是一个需要重视的问题。整体而言，进一步证明了从实证角度分析科技创新对于城市经济发展的正向效应上的结果是稳健的。

基于2018—2020年中国大陆264个地级以上城市的面板数据，重点分析了科技创新效率对于城市经济增长的关联性，并且进一步利用Granger因果检定分析科技创新效率与经济增长的因果关系。主要结论如下:①实证证据支持科技创新对于经济增长的正向效应，科技创新规模效率与传统研发投入指标皆为显著正相关，虽然科技创新技术效率尚无法产生积极正向效用，因此仅有不完全充分的证据支持假设1成立。②政府支持度对于经济增长为显著负相关，表示资金分配效率不佳，导致无法发挥促进经济增长的作用。③科教支出作为人力资本投资的主要形式，但实证结果显示科教支出对于经济增长没有显著的影响。最后，利用Granger 因果检定科技创与经济增长的因果关系。显示科技创新与经济增长之间为单向关系，经济增长不会Granger影响科技创新，故证据显示假设2不成立。

基于上述结论，提出如下政策建议：①除了持续增加科技创新的要素投入时，应更关注创新科技资源投入对科技创新要素产出的效率，而且科技创新并不是对所有产业都起作用，仅有对高技术密集型产业有促进作用。②政府资金投入对象的分配需要改善，目前较大比例的资金投入在国企和研究所，其目标主要以基础创新、学术理论研究为主，反映在经济增长的贡献上相对较小，未来政府单位应关注如何提高科技创新成果的产业化和转化效率，特别是针对高新技术产业发展提供更有力的支撑。③提升科技成果质量和科教经费使用效率。经济增长应该是促进科技创新的土壤，把创新作为引领发展的第一动力，人才作为支撑发展的第一资源，发挥两者间的相互协同促进效果，使科技创新与经济增长迈入正向循环。

猜你喜欢 效率科技经济 “林下经济”助农增收今日农业(2022年14期)2022-09-15提升朗读教学效率的几点思考甘肃教育(2020年14期)2020-09-11增加就业， 这些“经济”要关注民生周刊(2020年13期)2020-07-04民营经济大有可为华人时刊(2018年23期)2018-03-21科技助我来看云少儿科学周刊·儿童版(2017年9期)2018-03-15科技在线儿童故事画报·发现号趣味百科(2017年4期)2017-06-30科技在线儿童故事画报·发现号趣味百科(2016年6期)2016-08-19科技在线儿童故事画报·发现号趣味百科(2015年10期)2016-01-20跟踪导练（一）2时代英语·高二(2015年1期)2015-03-16“钱”、“事”脱节效率低中国卫生(2014年11期)2014-11-12