创意产业集群、外部性与城市创新——基于空间杜宾模型

创意产业集群、外部性与城市创新——基于空间杜宾模型钟琴;葛家玮;黄明均;唐根年
【摘要】基于2005-2014年长三角26个市的统计数据,建立空间杜宾模型,运用matlab研究外部性,创意产业集群对城市创新的影响及空间溢出效应.实证结果表明金融与技术外部性不仅有效推动该市的创新,还存在较强的空间溢出效应,带动邻近城市的创新.创意产业集群对本市创新直接效应为正,对相邻城市创新间接效应为负.长三角各市之间存在较强的空间依赖性,城市创新互动明显,这为长三角地区合理利用外部性与创意产业集群大力提升城市创新水平提供政策依据.
【期刊名称】《科技与经济》
【年(卷),期】2017(030)006
【总页数】5页(P31-35)
【关键词】空间效应;外部性;创意产业集群;城市创新
【作者】钟琴;葛家玮;黄明均;唐根年
【作者单位】浙江工业大学经贸管理学院,杭州310023;浙江工业大学经贸管理学院,杭州310023;浙江工业大学经贸管理学院,杭州310023;浙江工业大学经贸管理学院,杭州310023
【正文语种】中文
0 引言
长三角作为我国综合实力最强的第一大经济区，其创意产业数量处于全国的领先地
位，创意产业因为对技术、空间溢出等高度依赖表现出在城市中心区的空间集群现象。

以规模收益递增的微观机制为依托，外部性是产业集群的源动力。

外部性驱动集群的创意产业进一步创新，同时营造并传播创新氛围，提高城市整体的创新活力，在空间上推动并优化着城市创新格局。

分析其基于外部性的创意产业集群与城市创新内在联系作用机制及空间格局演化特征，对长三角乃至全国的创新型城市建设有重要的意义。

国内外学者对创意产业集群、城市创新分别展开研究的情况较为常见。

Franz Huber对创意产业引入集群理论[1]，Lazzeretti L等对意大利和西班牙的创意产
业集群的影响因素进行比较研究[2]，国内学者们主要致力于创意产业集群的路径
和演化机理[3]、空间分布特征[4]与影响因素[5]方面的研究。

关于城市创新，Makkonen T等和Caragliu A等通过实证研究得出创新奖励与乐观积极的风险态度是推动城市创新的工具[6-7]。

国内学者在城市创新方面更关注空间差异与空间
相关性[8-11]。

也有一些学者将产业集群与城市创新联系起来，Yu W等和Zhang
H Y的研究分别表明创意产业集群直接和间接促进区域的创新和经济的增长[12-
13]。

王猛、宣烨等构建了外部性对城市创新的影响机制[14]。

综观国内外已有文献，目前鲜有学者深入分析创意产业集群、外部性与城市创新三者作用机制，且较少采用空间计量方法考虑空间溢出效应以及直接间接效应。

鉴于此，本文收集了长三角26个市10年的有关面板数据，采用空间杜宾模型研究长
三角的创意产业集群、外部性对城市创新的作用机制。

1 研究方法、指标选取与数据来源
1.1 研究方法
研究首先选取各个变量的评价指标，为了排除评价指标体系中不同量纲所带来的影响，将数据归一标准无量纲化。

然后通过全局moran’s I值进行城市创新空间相关性的初步探索，最后利用空间杜宾模型探究创意产业集群、外部性对城市创新的
影响机制。

1.2 指标选取和数据来源
针对城市创新的测度，学术界较多采用单一指标的方法，本研究采用综合指标度量。

由于目前没有明确的创意产业衡量指标，根据Florida口径选取国民经济行业中的计算机服务和软件业等9个行业作为创意产业[15]，利用区位熵计算创意产业的集群度。

本研究将政府支持力度与创新环境作为控制变量，因为其在理论上会影响创新。

金融外部性、文化外部性与技术外部性及各个变量的测度见表1，所需数据来源为各市《统计年鉴》以及《中国城市统计年鉴》。

表1 相关变量的综合评价指标体系一级指标二级指标三级指标城市创新创新投入
水平R&D经费支出创新产出水平万人专利申请数高新技术产品产品产值率创新效率水平人均GDP资源消耗水平工业固体废物综合利用率创意产业集群地理聚集程度区位熵值金融外部性市场潜力地区国内生产总值文化外部性文化资源剧院、剧场数百人公共图书馆藏书技术外部性国外研发资本存量溢出外商直接投资国际互联网人均占有率控制变量政府支持力度一般预算财政支出中科学支出占比创新环境绿化覆盖率
2 空间初步探索、模型选择与结果分析
2.1 空间初步探索
采用全局空间Moran’s I指数对2005—2014年城市创新的空间相关度进行初步探索，由图1可见Moran’s I值都大于0，且其形状呈现w型，长三角城市创新存在空间正相关，2008年长三角城市群城市创新的空间相关度最高，创新氛围最为活跃。

图1 2005—2014长三角城市创新Moran’s I值
2.2 模型选择
鉴于长三角城市创新存在空间相关性，本研究需要采用空间计量模型，其主要有三
种：空间自回归模型(SAR)、空间误差模型(SEM)以及空间杜宾模型(SDM)。

空间
杜宾模型(SDM)除了能囊括空间自回归模型和空间误差模型，同时也考虑了自变量的空间溢出效应，其面板模型表达式如下：
(1)
通过两步法来判断适合长三角26个城市10年面板数据的模型。

第一步对研究的
因变量和误差项同时进行无空间效应面板的拉格朗日乘数检验(LM检验)和稳健的
拉格朗日乘数检验 (Robust LM检验)，通过分析对应的P值来得出是否存在空间
滞后和空间误差的结论；第二步在SDM 面板模型即假设存在空间滞后和空间误差基础上进行Wald和 LR检验。

如果这两个假设都被拒绝即P值显著，而且第一步的LM检验与Robust LM检验表明因变量存在空间自相关，选择SDM面板模型
最为合适；如果存在空间滞后的假设不能被显著的拒绝，存在空间误差的假设被显著的拒绝，简化为 SAR 面板模型较合理；如果存在空间滞后的假设被显著拒绝，存在空间误差的假设不能被显著拒绝，并且第一步已显示残差项存在空间自相关的，把SDM简化为SEM面板模型最为恰当。

根据计量经济学理论，空间个体效应可以细分为空间固定和随机效应两类模型。

当我们研究的对象是不间断的空间相邻单元的时空数据时，采用固定效应模型比随机效应模型更恰当。

考虑到研究范围界定在空间相邻的长三角26个市，理论上应偏向于固定效应模型。

除此之外，由于采用的是面板数据，必须充分考虑到空间效应、时间效应、空间时间效应，选择最为合理的模型，需要对程序运行结果进行分析判断。

第一步在不考虑空间效应的基础上，通过Matlab运行LM检验和稳健LM检验的程序包，其面板数据运行结果见表 2。

分析表2数据结果，普通混合面板模型和空间固定效应在LM 检验和稳健的 LM
检验中均处于1%显著水平拒绝假设，时间固定效应的LM 检验在10%水平，稳
健的LM 检验在5%水平拒绝原假设。

双固定模型的LM 检验在5%水平拒绝假设，稳健的LM 检验无法拒绝“无因变量空间滞后”。

分析“无残差项空间滞后”的LM 检验数据表明，普通混合面板模型、空间固定效应和时间固定效用在1%水平
显著拒绝检验，双固定模型在5%的水平拒绝检验，稳健的LM 检验除了时间固定模型在1%的水平拒绝该假设，其他三个模型均接受原假设。

鉴于以上数据分析，不能完全明确模型是存在空间滞后项还是自相关的残差项。

进一步通过分析LR 检验数据结果来选择空间个体效应。

从表2看出空间固定效应和时间固定效应模型
的LR检验都在1%水平拒绝假设，所以在下面的建模中还应当同时考虑到空间固
定效应、时间固定效应。

表2 无空间效应面板LM检验和稳健LM检验普通混合面板空间固定时间固定空
间时间固定
Lmtestnospatiallag50．1898p=0．000108．9935p=0．0002．5173p=0．1 135．1463p=0．023RobustLMtestnospatiallag15．8747p=0．00071．419
8p=0．0004．1656p=0．0410．1256p=0．723Lmtestnospatialerror36．06 71p=0．00039．5295p=0．0007．2206p=0．0075．0758p=0．024Robust LMtestnospatialerror1．7519p=0．1861．9558p=0．1628．8689p=0．003 0．0551p=0．814LR379．5328p=0．000165．2229p=0．000
注:p为相对应的概率
第二步，通过分析空间滞后和空间误差的Wald检验、LR检验对应的P值来判断较复杂的空间杜宾面板模型是否可以用空间自回归或空间误差模型来替换，检验结果见表3。

表3 空间面板模型wald检验和LR检验空间固定时间固定双固定waldtestspatiallag18．7970p=0．00219．0053p=0．108920．4299p=0．0
010LRtestspatiallag17．8522p=0．0031-
6．3242p=121．2024p=7．4173e-
04waldtestspatialerror52．5108p=4．2382e-
104．6236p=0．463521．4899p=6．5436e-
04LRtestspatialerror55．2882p=1．1388e-10-
19．7104p=119．3811p=0．0016
注:p为相对应的概率
以第一步的结论为基础，本文必须同时考虑空间固定、时间固定、双固定三种模型。

观察表3数据，在空间固定效应模型和双固定模型中，Wald检验和LR检验p值均小于1%，显著拒绝SDM面板模型可以简化为SAR或SEM模型原假设，所以不管在空间固定还是在双固定模型中都应该采用SDM模型。

对于时间固定模型，SDM面板模型空间误差的Wald检验和LR检验p值均大于10%，接受能简化为SEM模型假设，但是空间滞后的Wald 检验p值小于10%，但LR检验的p值大于10%，很难明确的拒绝不能简化为SAR面板模型。

综上所述，时间固定效应也应该采用SDM面板模型。

表4为SDM面板模型具体四种效应的运行结果。

R2适用于传统模型的比较判断，对于本文研究的具有空间效应的模型，通过比较不同模型的Corrected R2比直接比较R2更合理更科学。

模型3中R2为0.661 2，Corrected R2为0.313 4，模
型4可以看出， R2为0.921 0，Corrected R2仅为0.233 9，这两组数据都相差较大，表明结果不稳定，说明研究所涉及的样本数据，经济问题不能很好的用时间固定效应模型和双固定效应模型来解释。

接着观察模型1模型2的对应数值，从
模型2可以看出， R2为0.910 1，Corrected R2为0.800 0，比模型1对应的0.648 4和0.589 3的拟和优度高的多，而且σ2较小，似然函数值 (logL) 较大。

从以上统计分析可以明确空间固定模型最合适。

以空间固定效应反映随区位变化、
时间固定效应反映随时间变化的变量对模型结果稳定性的影响为基础，同时考虑到研究数据样本的时间区间为2005—2014年，跨度较短，但研究空间范围是长三角26个市，空间个体相对较多，各个市之间存在异质性。

显而易见，区位变化比时间变化更能影响稳态水平，因此，以上理论分析也更倾向于空间固定效应模型。

所以适用于研究长三角创意产业集群，外部性影响城市创新的模型最终选定为空间固定效应模型。

为更深入地进行实证分析，接下去将总效应划分为直接效应和间接效应。

表4 SDM面板模型的四种效应设定结果1无固定效应2空间固定3时间固定4双固定
Clu0．0362∗(1．6478)0．0635∗∗(2．2141)0．0126(0．5505)0．0665∗∗∗(2．5535)Fio-0．0313(-
0．4052)0．1837∗∗(2．3316)0．0131(0．1685)0．1314∗(1．8091)Cuo-0．0649(-1．0873)-0．0166(-0．3911)-0．0271(-0．4343)-0．0763∗(-1．9250)Teo0．7674∗∗∗(4．9207)0．6604∗∗∗(6．5538)0．6544∗∗∗(4．03 11)0．4628∗∗∗(4．5400)cv0．5289∗∗∗(9．9459)0．2476∗(5．5382)0．512 0∗∗∗(8．6858)0．2141∗∗∗(4．9541)W×clu-0．0242(-0．9135)-0．0549(-1．0509)-0．0304(-1．1079)-0．0417(-
0．8409)W×fio0．3243∗(1．8450)0．3971∗∗∗(2．5799)0．3287∗(0．3287) 0．2983∗∗(1．9984)W×cuo-0．1063(-0．7933)-0．1333(-1．4605)-0．0254(-0．1723)-0．3116∗∗∗(-3．5298)W×teo-0．1124(-
0．2712)0．6773∗∗(2．1659)-0．5098(-1．1313)0．1626(0．5008)W×cv-0．2284∗∗∗(-2．5555)-0．1253∗∗(-1．9657)-0．1651(-1．5589)-0．1117(-
1．5529)W×dep．var0．4589∗∗∗(7．4356)0．4389∗∗∗(7．1027)0．3429∗
∗∗(5．0891)0．1720∗∗(2．2478)σ20．00820．00230．00820．0018R20．6 4840．91010．66120．9210correctR20．58930．80000．31340．2339logL 248．1360425．4633238．5539446．4282
注:括号内为t值，***、**、*分别表示 1%、5%、10%显著水平
2.3 直接效应和间接效应分析
直接效应局限在单个个体中，指某地的自变量对该地的因变量的影响；间接效应表示两个个体相互作用，指某地自变量的变化对相邻区域因变量的影响。

本文使用Matlab2015软件把总效应分解，表5为程序运行后，选择空间固效应的SDM面板模型的数据结果。

表5 累积效应变量的描述性统计变量直接效应T值间接效应T值总效应T值
clu0．06021．9513∗∗-0．0419-
0．47850．01830．1834fio0．24963．1201∗∗∗0．77993．2703∗∗∗1．029 53．7326∗∗∗cuo-0．0372-0．8082-0．2365-1．5242-0．2738-
1．5062teo0．79597．1666∗∗∗1．61623．3719∗∗∗2．41214．5592∗∗∗cv 0．24335．6168∗∗∗-0．0291-0．32740．21422．3150∗∗
注：***、**、*分别表示1%、5%、10%显著水平
创意产业集群的直接效应系数为0.060 2，在5%显著性水平下通过检验，间接效
应系数为负，没有显著通过负相关的检验，表明本市的创意产业集群能显著提升该市的创新水平，相邻城市的创意产业集群挤占了该城市的人才等创新资源，在一定程度上拉低了该城市的创新效率水平，总效应系数为正。

该结果虽然表明创意产业集群和城市创新呈正相关，但是并不显著，这警示我们应该更加重视本市自身的创意产业集群，替代相邻城市带来的负效应，为集群创造良好的条件，取得竞争优势。

在各个外部性中，金融外部性的直接效应、间接效应和总效应系数都在1%水平下
显著，金融外部性的直接效应回归系数为0.249 6，间接效应回归系数为0.779 9，总效应回归系数为1.029 5，表明本市的国民生产总值增加一个点，城市创新总效应几乎同比例的增加。

对本市创新贡献值增加0.25%，对邻近城市的创新却比本
市的贡献值提升3倍多。

可以看出金融外部性在长三角存在明显的空间外溢。

这
表明，金融外部性越强表明人们生活需求越高，越能促使城市加快创新步伐。

文化外部性对城市创新的直接效应、间接效应和总效应的系数都为负数，对城市创新水平有不显著的负向作用，表明城市人群没有好好的利用已有的文化资源，只是把文化财富当作一种形象上的摆设，文化资源越丰富，人们更缺少创新的动力。

技术外部性的直接效应、间接效应和总效应在1%水平下显著，表明本市的技术外部性存在明显的空间溢出，无论是本市的技术进步还是相邻城市的技术进步都能显著推动城市的创新，间接效应的系数为1.616 2，大约是直接效应系数的两倍，说明长三角地区城市对相邻城市技术溢出的吸收能力较强，城市应该以依靠自身技术外部性为主，吸收邻近城市技术外部性溢出为辅，牢牢掌握先进的技术，给城市的创新注入活力。

表4中W×dep.var.表示因变量城市创新的空间自回归系数，值为0.438 9，1%
的显著性水平体现了城市创新的空间滞后变量对城市创新的提升作用明显。

长三角26个市城市创新的辐射作用是显著的，创新能力高的城市对周边城市的创新产生
积极的影响和带动作用。

因此实施创新能力强的城市带动创新能力弱的政策是可行的，并且要充分考虑到与其他城市的协调发展。

3 结论
本文以空间面板数据为基础，通过模型的分析与筛选，最终选定空间固定效应的空间杜宾模型分析并检验长三角地区创意产业集群、外部性对城市创新的影响，从中得到以下结论。

在控制了政府支持力度和城市创新环境后，创意产业集群有助于城市创新，此外市
场潜力、外商直接投资与国际互联网人均占有率也在一定程度上促进了城市的创新。

站在空间视角上分析，长三角地区创意产业集群，金融外部性、技术外部性与城市创新的空间溢出显著地促进了城市的创新水平，创意产业集群与文化外部性存在负的溢出效应，但不显著。

直接效应、间接效应的回归结果表明，金融外部性与技术外部性的直接效应与间接效应均在1%水平上显著。

创意产业集群因为负空间溢出，总效应表现出对城市创新的促进作用不显著，文化外部性的负效应可能是因为给人们带来了极大的优越感与满足感，在一定程度上影响了城市创新水平的提升。

4 启示
首先长三角各地区应大力支持创意产业集群，鼓励创意产业集群式发展，推进区域之间的交流与合作，努力把负溢出效应转化成正溢出效应。

其次充分利用相邻城市间金融外部性的显著依赖性，通过降低或消除城市间资本要素自由流动的壁垒来进一步从金融外部性的溢出效应得益。

各级政府应该继续引进外商投资，在招商引资过程中统筹规划，引进外商带来的先进技术，并在此基础上创新，还应大力提倡人们加入国际互联网行列，力争落实到每家每户每人，坚决遏制文化外部性带来的负效应，充分利用文化资源，不能因为文化底蕴浓厚而失去创新的积极性。

政府应该进一步加大对城市创新的投资力度和对城市环境的重视程度，提升城市的创新水平。

利用长三角城市创新显著的空间溢出效应，逐步缩小长三角区域创新发展的差距，最终实现共同进步是长三角实现整体创新的必经之路。

参考文献
[ 1 ] HUBER Franz. Do clusters really matter for innovation practices in information technology? Questioning the significance of tech-nological knowledge spillovers[J]. Journal of Economic Geography，2012，
12(1):107-126.
[ 2 ] LAZZERETTI L， CAPONE F， BOIX R. Reasons for clustering of creative
industries in Italy and Spain[J]. European Planning Studies， 2012，
20(8):1243-1262.
[ 3 ] 杨永忠，黄舒怡，林明华. 创意产业集聚区的形成路径与演化机理[J]. 中国工业经济，2011(8):128-138.
[ 4 ] 黄江，胡晓鸣.创意产业企业空间分布研究——以杭州为例[J].经济地理，2011(11):34-35.
[ 5 ] 曹如中，史健勇，郭华，等.区域创意产业创新生态系统演进研究:动因、模型与功能划分[J]. 经济地理，2015，35(2):107-113.
[ 6 ] MAKKONEN T， INKINEN T. Innovation quality in knowledge cities:Empirical evidence of innovation award competitions in Finland[J]. Expert Systems with Applications， 2014，41 (12):5597-5604.
[ 7 ] CARAGLIU A， BO C F D， KOURTIT K， et al. The winner takes it all:Forward-looking cities and urban innovation[J]. Annals of Regional Science， 2016， 56(3):617-645.
[10] 吕拉昌，梁政骥，黄茹. 中国主要城市间的创新联系研究[J]. 地理科学，2015， 35(1):30-37.
[11] 王春杨，张超. 中国地级区域创新产出的时空模式研究:基于ESDA的实证[J]. 地理科学， 2014， 34(12):1438-1444.
[12] YU W， HONG J， ZHU Y， et al. Creative industry clusters， regional innovation and economic growth in China[J]. Regional Science Policy & Practice， 2014， 6(4):329-347.
[13] ZHANG H Y. How does agglomeration promote the product innovation of Chinese firms?[J]. China Economic Review， 2015， 35:105-120.
[14] 王猛，宣烨，陈启斐. 创意阶层集聚、知识外部性与城市创新——来自20个大城市的证据[J]. 经济理论与经济管理， 2016， 36(1):59-70.
[15] FLORIDA R. The rise of the creative class[J]. Washington Monthly，2002， 35(5):593-596.。