国家级新区对区域创新的影响——基于中国280个城市的实证.pdf

统计与决策2023年第18期总第630期国家级新区对区域创新的影响基于中国280个城市的实证卢飞1，袁苏湘1，范斐2（1.西南财经大学 中国西部经济研究院，成都 611130；2.武汉大学 经济与管理学院，武汉 430072）摘要：文章基于专利数量和专利质量衡量区域创新水平，结合多期DID模型考察了国家级新区对区域创新的影响，结果表明国家级新区对区域创新水平的净效应达到18.4%，且这一结论通过了平行趋势检验和安慰剂检验，并在更改考察样本、研究方法以及有效控制内生性后仍然稳健。异质性分析结果表明，位于南方城市的国家级新区对区域创新的促进作用更强，位于东北地区的国家级新区的创新绩效相对欠佳，其城市群的网络协同创新效应有待强化。机制分析结果表明，国家级新区通过高技能劳动力集聚、企业活跃度提升两条渠道推动了区域创新，政府科创投入的创新绩效则有待进一步提升。关键词：国家级新区；区域创新；多期DID；IV-2SLS中图分类号：F062.9文献标识码：A文章编号：1002-6487（2023）18-0179-05基金项目：国家自然科学基金面上项目（42071154）作者简介：卢飞（1991），男，山西运城人，博士，讲师，研究方向：城乡与区域经济发展。袁苏湘（1998），女，山东青岛人，硕士研究生，研究方向：城市与区域经济开发。范斐（1984），男，河南南阳人，博士，教授，研究方向：城市与区域创新。0引言对于创新，发展经济学在理论层面为其发挥经济增长核心的作用提供了理论解释。按照蔡昉（2018）1的观点，从发展经济学到新古典增长，经济模型的演进揭示了“劳动力供给资源重置科技进步”三个增长阶段，对应于要素投入、资源重置、全要素生产率三大动能。基于大国背景，我国经济增长的“领头雁”主要位于东部地区沿海以及中西部地区省会等发达区位，国家级新区在这些区域中担纲创新高地与发展引擎。因此，国家级新区能否推动区域创新关乎增长动能转换与科技强国建设的发展大局，具有重要的理论与现实意义。国家级新区是承担国家重大发展和改革开放战略任务的综合功能区，在建成规模、行政等级、功能定位等方面强于国家级开发区、国家级高新区等。我国目前共有19个国家级新区。2021年国家级新区以全国0.061%的国土面积（未考虑海域）产出了全国4.9%的GDP，是重要的产业聚集区和高质量发展支撑区2。2015年以来，关于促进国家级新区健康发展的指导意见（发改地区 2015 778号）、关于支持国家级新区深化改革创新加快推动高质量发展的指导意见（国办发 2019 58号）等系列文件多次重申国家级新区在区域发展、扩大开放、改革创新等方面发挥的带动作用。已有研究在国家级新区对经济增长的促进作用方面达成共识，较少有文献考察其对扩大开放与推进创新的影响2,3，但国家级新区的创新驱动机制未能得到有效验证。有关开发区（Specialeconomic zone）的研究验证了其对人力资本积累和全要素生产率的推进效力，作为相比开发区更高级别的国家级新区，其能否推动区域创新需要给出更加精确的结论。本文将国家级新区的设立作为准自然实验，考察其对区域创新的影响及其机制，主要做了如下工作：一是创新作为国家级新区的设立目标，直接对其进行考察。二是专利申请的数量和质量是知识产权强国建设的重要标准，因此按照专利质量赋权专利数量，进而形成专利综合指标4,5。三是借助渐进DID模型考察国家级新区的创新绩效，并选取市域高程数据（DEM）作为工具变量以控制内生性问题，并对模型进行安慰剂检验、内生性问题处理和异质性分析。1理论分析与研究假设在关于开发区的研究中，已有文献指出国家级开发区的设立在地区就业、经济增长、发展水平等方面均具有显著促进效应。同时，在与创新相关的文献中，林毅夫等（2018）6、Chen等（2019）7均强调国家级开发区能够显著促进企业全要素生产率增长，邱洋冬（2020）8指出开发区的政策效应促进了企业专利数量的增加和专利质量的提高。以此为基础，作为更高层级的国家级新区，其对创新的促进作用理应存在放大效应。基于此，本文提出：假设1：国家级新区的设立将显著推动区域创新。关于区位导向型政策的研究表明，空间集聚是区位导向型政策发挥作用的重要渠道。一般而言，发展中国家通常将开发区的目标区域设立在基础条件较好的地区，以便通过集聚效应培育增长极9。区位导向型政策通过集聚发管 理 决 策DOI:10.13546/ki.tjyjc.2023.18.034179统计与决策2023年第18期总第630期挥作用的路径主要包括：一是区位导向型政策推动经济集聚，产生厚劳动力市场，从而为要素匹配、学习效应等创造基础条件10。二是厚劳动力市场有利于形成高技能劳动力集聚区，强化知识外溢、推动知识共享和科技创新11。三是以人才、信息等要素集聚为基础，区位导向型政策通过增强信息网络、劳动力市场网络等孵化区域协同创新网络12。四是区位导向型政策发挥厚劳动力市场和知识外溢作用需要立足统一大市场。2022年，中共中央 国务院关于加快建设全国统一大市场的意见 提出要坚持有效市场与有为政府的工作原则。新结构经济学主张“市场有效以政府有为为前提，政府有为以市场有效为依归”。政府有为表现为增加科创投入、营造良好创新环境、推动区域科技创新。市场有效则表现为对企业创新活力的激发。在现有关于企业创新来源的研究中，技术创新包含在位者的自我突破、新进入者的创造性破坏及全新产品这三类13，表象为企业活跃度的提升。基于此，本文提出：假设2：国家级新区通过高技能劳动力集聚、政府科创投入以及企业活跃度的提升推动区域创新。2研究设计我国19个国家级新区的设立时间不一致，适宜设定多期DID模型进行考察。考虑到上海浦东新区是我国最早设立的国家级新区，且上海作为我国经济中心，可能会加重样本的自选择偏误问题，另外，天津市滨海新区无法满足平行趋势检验需要至少提前一年的要求（2006年被设立为国家级新区），本文没有将其纳入考量。多期DID模型设计如下：lninnovationit=0+1NNZit+AControlsit+t+i+it（1）式（1）中，lninnovationit表示第t年城市i的科技创新水平对数值，以发明专利、实用新型专利和外观设计专利按照0.5、0.3和0.2的权重求取加权平均值。核心解释变量NNZit是城市i在第t年是否设立了国家级新区的二元虚拟变量。若1显著大于0，则表明国家级新区的设立显著促进了科技创新，假设1得到验证。Controlsit为一系列控制变量：（1）地区经济发展水平（lnpgdp），采用人均GDP的对数表示；（2）地区教育水平（lnedu），采用普通高等学校在校人数的对数来衡量；（3）地区对外开放水平（lnopenness），采用当年实际使用外资金额的对数来衡量；（4）信息基础设施水平（lninf），采用互联网宽带接入用户数的对数衡量；（5）地区市场规模（lnmarket），采用社会消费品零售总额的对数来衡量；（6）地区金融发展水平（lnfinance），采用年末金融机构人民币各项贷款余额的对数来衡量。t、i和it分别代表时间固定效应、城市固定效应与残差项。在式（1）的基础上，考虑到模型中可能存在内生性问题，采用IV-2SLS方法对模型内生性进行控制，相应的两阶段估计方程如下：NNZit=0+1IVit+BControlsit+t+i+it（2）lninnovationit=0+1NNZit+CControlsit+t+i+it（3）模型（2）为线性概率模型（LPM）。IVit为本文基于高程数据构建的工具变量。在得到基准回归结果后，进一步开展平行趋势检验和安慰剂检验，并通过变更估计样本、估计方法以及有效控制内生性来检验模型稳健性，最后考察区域异质性。针对假设2，本文设定如下模型考察国家级新区影响区域创新的三条作用渠道：channelsit=0+1NNZit+DControlsit+t+i+it（4）式（4）中，channelsit表示假设2中的三个中介机制变量。其中，高技能劳动力集聚（lnhighskill）采用科研、技术服务和地质勘查业从业人员数的对数来衡量；政府科创投入（lngov）采用政府科学技术财政支出的对数作为衡量指标；企业活跃度（lnenterprise）采用北京大学企业大数据研究中心发布的 中国区域创新创业指数构建与空间格局：19902020 中的新建企业得分数据，并对其取对数。其余变量含义同式（1）。本文整理得到20052019年我国280个城市的面板数据，数据主要来自20062020年 中国城市统计年鉴、各省份统计年鉴和统计公报。主要变量的说明及描述性统计见下页表1。3实证结果分析3.1基准回归采用式（1）进行回归分析，结果见下页表2模型（1）和模型（2）。为了有效控制模型中可能存在的遗漏变量问题，两个模型均控制了城市固定效应、时间固定效应以及城市时间联合固定效应。可以发现，无论是否加入控制变量，国家级新区均能在1%的水平上显著正向促进城市创新。以加入控制变量的模型（2）为例，国家级新区使城市创新水平提高了18.4%，表明国家级新区可以显著带动区域创新，假设1得到验证。3.2稳健性检验（1）平行趋势检验。DID模型估计需要实验组和控制组满足平行趋势假定。本文选取事件研究法（Eventstudy）对模型的平行趋势进行检验，模型如下所示：lninnovationit=0+kk-310Dcurrent+k+EControlsitit+t+i+it（5）式（5）中，Dcurrent+k是核心变量，体现国家级新区设立的时间动态效应，current为国家级新区的设立时间，k表示国家级新区设立时间与当期时间的间隔，k-310。若k-3，同样按k=-3处理。显然，若满足平行趋势假定，则k在k0时应与0无显著差异。由下页图1可以看出，第一，在国家级新区设立之前，即当处在政策时点小于0的区间时，处理效应的估计值接近0，且未通过10%水管 理 决 策180统计与决策2023年第18期总第630期平的显著性检验。这一现象更多体现在国家级新区设立前2年以上的样本，当处在政策实施前 1 年时，处理效应已经有所提升，可能与国家级新区设立前的准备工作等有关，但是置信区间仍包含 0，从而估计系数不显著。因此，国家级新区设立前处理组与控制组在科技创新水平上不存在系统性差异，符合共同趋势假定。第二，国家级新区设立后，处理效应开始显著为正，表明国家级新区一经设立就开始发挥创新提升效应，这一效应至少在4期的考察时间内可以显著促进城市科技创新水平的提升，并且国家级新区在考察期内对科技创新的支撑作用具有持续性。（2）多期 DID 安慰剂检验。安慰剂检验可以有效检验模型是否存在遗漏变量。本文借鉴Li 等（2016）14的做法，采取随机分配处理组的方式进行安慰剂检验，步骤如下：第一，考虑到DID模型需要在处理期之前和之后至少保留1期数据，因此先剔除2005 年和 2019 年的数据；第二，将 11 期处理组样本量1，2，2，4，8，11，16，17，17，17，17按照不放回抽样的方式依次随机分配至20062018年中的随机11年。第三，利用城市科技创新水平对随机生成的虚拟处理组变量进行回归，同时，为了保障安慰剂检验的稳健性，将上述过程重复 1000 次。下页图 2 的系数估计值均值为0.01252，相 比 基 准 回 归 非 常 接 近 于 0，且 标 准 差 为0.04738，表明随机分配的国家级新区并未能表现出科技创新效应。同时，基准回归的估计系数在整个随机分配实验的估计系数分布范围之外。总体而言，可排除非观测遗漏变量与非随机因素的影响，证明了本文结论具有稳健性。表2基准模型回归结果NNZlnheightlnpgdplnedulnopennesslnmarketlninflnfinanceConstantR-squaredKP rk LM-statisticLM P-valueKP rkwald FCity FEYear FECityYearObservationslninnovation（1）OLS0.1568*（0.0510）-369.412*（19.5129）0.9761YESYESYES4200（2）OLS0.1840*（0.0474）0.1618*（0.0484）0.0031（0.0154）-0.0035（-0.0081）0.0111（0.0098）-0.0011（0.0174）0.3841*（0.0525）-251.157*（21.4222）0.9792YESYESYES3917（3）OLS0.1179*（0.0577）-369.4121*（19.5216）0.9825YESYESYES990（4）OLS0.1708*（0.0518）0.1922*（0.0805）-0.0192（0.0251）0.0133（0.0128）0.0370（0.0236）-0.0644*（0.0385）0.3861*（0.0830）-239.8255*（24.6422）0.9839YESYESYES985（5）PSM-DID0.1682*（0.0556）0.1758*（0.0576）-0.0128（0.0187）0.0014（0.0101）0.0415*（0.0125）0.0174（0.0213）0.4170*（0.0569）-236.8926*（21.2727）0.9842YESYESYES3167NNZ（6）2SLS第一阶段3.0361*（0.8018）0.0260*（0.0130）-0.0260*（0.0106）0.0080*（0.0022）-0.0015（0.0018）-0.0559*（0.0120）0.0183（0.0113）-6.8901（6.9849）0.4913YESYESYES3917lninnovation（7）2SLS第二阶段2.4900*（0.9891）0.2125*（0.0654）0.1069*（0.0396）-0.0236*（0.0117）0.0266*（0.0723）0.2386*（0.0723）0.5186*（0.0609）-75.3507*（31.0471）0.932214.881*0.00014.337YESYESYES3917注：括号内为稳健标准误；*表示P0.01，*表示P0.05，*表示P0.1。下同。表1主要变量说明及描述性统计变量类型被解释变量解释变量工具变量控制变量中介变量变量名科技创新水平国家级新区设立城市平均高程地区经济发展水平地区教育水平地区对外开放水平信息基础设施水平地区市场规模地区金融发展水平高技能劳动力集聚政府科创投入企业活跃程度符号lninnovationNNZlnheightlnpgdplnedulnopennesslninflnmarketlnfinancelnhighskilllngovlnenterprise测算方式ln（0.5发明专利+0.3实用新型专利+0.2外观设计专利）0-1变量使用2019年中国市域矢量地图提取ASTER Global DEM数据，取倒数，并取对数地区人均GDP，取对数普通高等学校在校人数，取对数实际使用外资金额，取对数互联网宽带接入用户数，取对数社会消费品零售总额，取对数年末金融机构人民币各项贷款余额，取对数科研、技术服务和地质勘查业从业人员数，取对数政府科学技术财政支出，取对数使用北京大学企业大数据研究中心发布的 中国区域创新创业指数构建与空间格局：199902020 中的新建企业得分数据，取对数观测值420042004200420041063982419742004200419941964200均值5.81530.0326-5.461010.33901.21380.56693.598815.01606.7054-0.87470.38524.1583标准差1.84810.17771.42090.74881.37311.85581.16851.64991.27681.13451.69910.37720.50-0.5-1-3-2-1012345678910政策时点处理效应系数估计值图1 城市科技创新水平的平行趋势检验管 理 决 策181统计与决策2023年第18期总第630期-0.15-0.10-0.0500.050.100.150.20影响效应估计86420概率密度图2 安慰剂检验（3）调整考察样本。选取68个大中城市作为研究样本对基准模型进行回归，估计结果见表2模型（3）和模型（4）。结果显示，在仅考虑68个大中城市后，国家级新区对区域创新的“净效应”仍然显著，表明即使在发展相对较好的城市群体中，国家级新区在推动城市创新方面仍表现出明显优势。相比没有国家级新区的大中城市，拥有国家级新区的城市对创新的“净效应”达到11.79%17.08%。（4）更换估计方法。倾向得分匹配法（PSM）可以“修剪”研究样本，以确保控制组和实验组之间的同质性。具体而言，选用前述市域经济指标为协变量，借助Logit模型，采用1 1近邻匹配且有放回的抽样对处理组进行逐年匹配，以估计市域设立国家级新区的概率，匹配得到127个控制组样本，匹配后各变量不存在显著差异，匹配效果较好。PSM-DID的估计结果见表2模型（5），估计系数为0.1682，且在1%的水平上仍然显著为正。3.3内生性问题处理DID模型可以有效控制不随时间变化的非观测性因素，但由于以下原因仍不能完全处理内生性：一是遗漏变量问题，主要由于模型难以有效控制所有非观测性因素；二是样本自选择偏误问题，这主要由国家级新区并非随机设立引起，前文采用PSM-DID在一定程度上规避了这一问题，接下来选用工具变量法对该问题做进一步处理；三是其他问题如存在测量误差等。选取国家级新区所在城市平均高程的倒数（height）作为工具变量，主要有以下考虑：一方面，城市高程与城市设立国家级新区的概率具有较大关联性。一是海拔较低区域的气候相对适宜，是高层次人才流入的重要诱因15，利于形成地区人才高地，提高区域设立国家级新区的概率；二是海拔与城市地理、地貌密切相关，进而影响城市发展。一般而言，海拔较低区域的地势相对平坦，地貌多以平原为主，阻隔相对较少，有利于城市基础设施建设以及按照规则城市形态发展，而紧凑型的城市几何形态对城市发展发挥关键作用16。另外，城市高程为地理特征数据，符合严格外生标准。本文以2019年中国地级市矢量数据为底图，结合Arc GIS软件对ASTER DEM30m30m进行提取，得到市域层面的平均高程数据（单位：米），IV-2SLS模型两阶段的估计结果分别见表2模型（6）和模型（7）。模型（6）为2SLS的第一阶段结果，可以看出，城市平均高程越低，设立国家级新区的概率越大，表明二者具有显著的相关性。第二阶段回归结果，即模型（7）的估计结果显示，KP rk LM统计量在1%的水平上拒绝原假设，说明不存在不可识别问题，工具变量与内生变量显著相关。同时，KP rkwald F统计量为14.337（大于10），说明工具变量选择合理。结果表明，国家级新区的设立可以显著促进区域创新。3.4异质性分析异质性分析围绕城市是否处在“南北”或“东西”（四大板块），以及是否属于京津冀、长三角、粤港澳大湾区、成渝地区双城经济圈等规划范围（简记为“城市群”），估计结果见下页表3。模型（1）、模型（2）和模型（9）显示，南方城市的国家级新区对创新的促进作用更强，可带来约32.78%的创新“净效应”。然而这种效应在北方城市中并不明显。模型（9）将考察范围拓展到全国城市层面，同时引入是否位于南方城市的处置变量（region），估计结果证实了国家级新区对南方城市的作用更强。模型（3）至模型（6）显示，东部、中部和西部地区的国家级新区均可显著提升所在城市创新水平，但未能实现东北地区创新“净效应”。模型（7）和模型（8）显示，国家级新区对城市创新的促进作用可能与是否处在城市群无关。模型（10）为包含国家级新区（NNZ）和城市群（cluster）两个处置变量的模型，结果显示估计系数为正但并不显著，表明城市群内部国家级新区的创新绩效仍有待提升，城市群网络协同创新效应需要增强。4机制分析接下来对三条机制进行分析，并验证假设2。第一步是检验国家级新区对区域创新的推动作用，对此前文已经证实。第二步是验证国家级新区是否畅通了三条作用渠道，估计结果见下页表4。可以看出，在高技能劳动力集聚与企业活跃度提升两条作用机制的检验中，倍差项估计系数均显著为正，且小于基准回归系数0.1840，两条作用机制得以验证。对于政府科创投入机制，由 0.2151与-0.43060.0719异号可知存在遮掩效应，表明政府科创投入遮掩了国家级新区对区域创新的提升效应，如何发挥政府科创资金对区域创新资源的撬动能力仍是面临的重要课题。5结论国家级新区是区域经济发展、对外开放与改革创新的重要支撑，本文探讨了国家级新区的设立对区域创新的影响。研究发现：第一，国家级新区可以显著推动区域创新。整体上，国家级新区可以带动区域创新水平提升18.4%，这一结果在经过一系列稳健性检验后仍然成立。襄阳和大理由于缺乏数据，因此未纳入考察范围。管 理 决 策182统计与决策2023年第18期总第630期表3异质性分析回归结果NNZNNZregionNNZclusterregionclusterR-squaredCity FEYear FECityYearControlsObservations被解释变量：lninnovation（1）南方0.3278*（0.0552）0.9700YESYESYESYES2706（2）北方-0.0764（0.0945）0.9776YESYESYESYES1211（3）东部0.2574*（0.0924）0.9841YESYESYESYES1255（4）中部0.4052*（0.0852）0.9709YESYESYESYES1172（5）西部0.1879*（0.0686）0.9703YESYESYESYES1000（6）东北-0.1803（0.1627）0.9728YESYESYESYES490（7）城市群0.2039*（0.0734）0.9868YESYESYESYES265（8）非城市群0.1798*（0.0540）0.9787YESYESYESYES3652（9）全样本-南北-0.0610（0.0874）0.3654*（0.1030）-157.8820*（61.7689）0.9793YESYESYESYES3917（10）全样本-城市群0.1810*（0.0539）0.0202（0.0958）184.5017*（56.3951）0.9792YESYESYESYES3917注：region为表征南-北的虚拟变量，若城市位于南方则region=1，位于北方则region=0；cluster表示城市是否位于中国四大经济增长极，若处在该范围则cluster=1，否则为0。第二，国家级新区对区域创新水平的影响具有异质性。国家级新区的科技创新效应在南方城市更强，对东北地区的创新提升效应欠佳。同时，城市群的网络协同创新效应仍有待提升，值得进一步探究。第三，作用机制分析结果表明，高技能劳动力集聚与企业活跃度提升是推动城市科技创新的重要渠道。政府科创投入在一定程度上遮掩了国家级新区对地区创新的影响，未来可对如何发挥政府投入对创新的“撬动效应”可进行深入研究。参考文献：1蔡昉.农业劳动力转移潜力耗尽了吗?J.中国农村经济,2018,(9).2晁恒,满燕云,王砾,等.国家级新区设立对城市经济增长的影响分析J.经济地理,2018,38(6).3孙元元,杨壮.国家级新区如何促进地区经济增长人口规模的扩张还是发展质量的提升J.经济问题探索,2021,(10).4寇宗来,刘学悦.中国企业的专利行为:特征事实以及来自创新政策的影响J.经济研究,2020,55(3).5白俊红,蒋伏心.考虑环境因素的区域创新效率研究基于三阶段DEA方法J.财贸经济,2011,(10).6林毅夫,向为,余淼杰.区域型产业政策与企业生产率J.经济学(季刊),2018,17(2).7Chen B K,Lu M,Timmins C,et al.Spatial Misallocation:EvaluatingPlace-based Policies Using a Natural Experiment in China R.NBERWorking Paper,No.26148,2019.8邱洋冬.开发区设立、区域偏向与企业创新提质J.产业经济研究,2020,(4).9Zheng S,Sun W,Wu J,et al.The Birth of Edge Cities in China:Measuring the Spillover Effects of Industrial Parks J.Journal of UrbanEconomics,2017,100(5).10Neumark D,Simpson H.Place-based Policies R.NBER WorkingPaper,No.20049,2016.11Moretti E.The Effect of High-tech Clusters on the Productivity ofTop Inventors J.American Economic Review,2021,111(10).12王聪,周立群,朱先奇,等.基于人才聚集效应的区域协同创新网络研究J.科研管理,2017,38(11).13Garcia-Macia D,Hsieh C,Klenow P.How Destructive is Innovation?J.Econometrica,2019,87(5).14Li P,Lu Y,Wang J.Does Flattening Government Improve EconomicPerformance?Evidence From China J.Journal of Development Economics,2016,(123).15陆铭,欧海军,陈斌开.理性还是泡沫:对城市化、移民和房价的经验研究J.世界经济,2014,37(1).16Harari M.Cities in Bad Shape:Urban Geometry in India J.American Economic Review,2020,110(8).（责任编辑/方思）管 理 决 策表4作用机制分析NNZlnhighskilllngovlnenterpriseR-squaredCity FEYear FECityYearControlsObservations高技能劳动力集聚lnhighskill（1）OLS0.1259*（0.0328）0.9548YESYESYESYES3915lninnovation（2）OLS0.1758*（0.0472）0.0667*（0.0272）0.9793YESYESYESYES3915政府科创投入lngov（3）OLS-0.4306*（0.0877）0.9208YESYESYESYES3915lninnovation（4）OLS0.2151*（0.0490）0.0719*（0.0096）0.9796YESYESYESYES3915企业活跃度lnenterprise（5）OLS0.0249*（0.0149）0.9655YESYESYESYES3917lninnovation（6）OLS0.1771*（0.0467）0.2777*（0.0813）0.9793YESYESYESYES3917183