-
中国发展环境正面临深刻复杂的变化，党的十九届五中全会明确提出“要建设更高水平开放型经济新体制，全面提高对外开放水平”。但是，目前我国发展不平衡不充分问题仍然突出，重点领域关键环节改革任务艰巨，特别是创新能力不适应高质量发展要求。不少地方政府积极响应中央全面深化改革和高水平对外开放的战略部署，主动求变，正在通过建设“金融集聚区”“自由贸易区”或“在自由贸易区内建设金融集聚区”等举措努力提升区域创新能力，推动区域高质量发展。近年来，利用金融集聚和贸易开放提升区域创新绩效的问题也引起了学术界广泛关注（Aghion等，2009；刘焕鹏和严太华，2015；杜传忠和张远，2020）。已有研究从金融发展或对外直接投资的角度思考较多，鲜有对金融集聚、对外开放与区域创新绩效三者之间的相互关系与影响机制的研究；没有关注区域创新活动不仅存在“协同效应”，也存在一定的“挤占效应”（余泳泽，2015）。因此，探讨金融集聚、贸易开放与区域创新绩效的关系，为各级政府合理规划区域创新要素投入，完善和制定区域创新发展政策提供理论依据，对提高我国创新能力、促进经济高质量发展具有重要意义。
持续的贸易开放为推进中国区域创新发展提供了良好环境，特别是十九大提出“推动形成全面开放新格局”的要求和中共中央、国务院发布关于推进贸易高质量发展的指导意见以来，中国进一步提升开放水平，促进全球创新要素的再配置，贸易结构更加优化，贸易效益显著提升，贸易实力进一步增强。我们也清楚地看到，中国当前创新能力尚不能完全满足对外贸易高质量发展的要求。已有研究表明，完善的金融市场可以有效缓和创新活动在资源、风险等方面的困难（于斌斌，2017）。然而，由于中国金融资源的空间流动性和分布差异，金融改革试验区仍处于探索建立的过程，金融集聚对创新绩效的影响路径尚未有严谨的论证，准确测度和评价创新绩效的方法尚不明确，贸易开放影响创新绩效的作用路径尚不清晰；随着国内金融集聚的进一步深化和贸易的高质量开放，国内资本与国际资本的碰撞对创新绩效的影响是否会发生不同改变？对于不同金融集聚发展水平的区域而言，影响是否存在差异？这些问题亟须在高质量创新发展视阈下进行研究。
基于以上认识，本文在现有研究的基础上，实证测度中国区域创新绩效，分析金融集聚和贸易开放与区域创新绩效的相互关系和影响机制，同时考虑不同金融集聚水平与贸易开放对区域创新绩效的异质性影响，以期为中国各省市制定高质量发展战略提供理论依据。
-
已有研究从多个角度探讨金融集聚对创新的促进效应。研究表明金融集聚形成的规模效应能够使资金周转速度加快，从而降低融资成本与企业的投资风险（武鹏和余永泽，2010），有效缓解因金融市场不健全导致的资源配置问题（陈创练等，2016），既能为企业提供稳定充足的外部环境，激发创新积极性，又有利于将本地与邻近地区的资源共享，促进金融资源配置利用，更好地让金融资源在创新中发挥作用，推动创新绩效的提高。路启梅等（2019）从金融发展的角度，建立面板门槛回归模型进行研究，发现金融业的深层次发展能够提高制造业创新能力。Jeffrey（2000）、Heitor和Wolfenzon（2005）研究也表明完善的金融体系能够有效提升资本配置效率。但随着研究的深入，金融集聚对创新绩效的影响逐渐从最初的“线性促进”影响向边际效用“先增后减”转变。潘敏和袁歌骋（2019）认为，对于企业的技术创新而言，金融中介创新的影响呈非线性的倒U型，即存在临界值点，从促进向抑制转变，并且对不同的类别存在异质性。王少华等（2020）从企业金融化出发，探讨了其与创新之间的动态关系，肯定金融化能有效缓解现金流压力，促进创新行为。
从创新活动本身来看，创新过程具有高度的不确定性（Hall，2002），面临的信息不对称问题也增加了创新失败概率（周铭山和张倩倩，2016）。创新需要大量、长期稳定的资金供给，这使得企业的融资过程困难重重。在以往的金融结构中，企业主要依靠以银行为主的金融机构贷款，但这类机构更偏向于可抵押的实体资产，对于耗时长、不确定性高的创新企业约束性较强。而优质的金融服务能够有效缓和企业融资的困难，从而更好地为企业创新提供支持（武力超等，2019），金融集聚能够带动各种资源集中流动，通过信息共享，降低信息的搜集与分析成本，减少企业在创新中存在的信息不对称问题，避免资源与资金错配，降低道德风险发生的可能性，使创新企业的融资门槛相对降低，有效缓解融资约束（Humphrey和Schmitz，2002；Giuliani等，2005）。同时，金融集聚区往往拥有丰富的人力、资本、技术资源，高流动性能够提升区域内技术更新迭代的速度，形成良性竞争的氛围，带来创新绩效的提高。
基于以上分析，本文提出如下假说：
H1：金融集聚可以显著提高区域创新绩效。
-
经济全球化背景下，贸易开放促进了技术、知识和服务的空间溢出效应，发展中国家在“干中学”效应下能够以更低的成本学习世界前沿技术，实现本国的技术进步和创新（Robert and Lucas，1988；Romer，1986）。王静和张西征（2012）利用面板数据研究，发现高科技产品的进口溢出能够有效提升该区域创新能力，贸易开放能够促进人才交流，从而提高创新能力。国际贸易的快速发展，深化了国际产业分工，促使生产要素在各国产业间重新分配（Bloom等，2016；赵娜和肖楠，2018）。技术引进、人才交流等能有效促进研发进程，外商直接投资、外贸依存度等因素也会影响资源的配置效率，从而提高创新绩效（李青原等，2010）。在研发中期，企业面临着资金缺口大、技术攻坚瓶颈期长等问题，外商直接投资能够为企业注入新鲜活力。Grossman和Helpman（1990）研究表明，贸易开放使国内资本和国际资本在世界范围内流通，推动技术进步影响企业的创新水平。Berthou等（2020）构建不完全竞争市场模型，发现本国贸易开放与生产资源的有效配置显著相关。周申等（2020）从最终品与中间品的角度进行实证研究，结果显示贸易自由化能够有效改善中国制造业的劳动力资源配置。在研发后期，广阔的市场有利于推动企业创新成果“走出去”，对带动区域协同发展和国际竞争优势的形成起到促进作用。贸易开放促使本土企业走向国际化，加速市场规模的扩张，从而降低了企业技术创新的投资成本（Alla和Daniel，2010）。简泽等（2014）研究表明，对于高效率企业而言，进口竞争能够获得正向的规模效应。从中国目前的形势来看，对外开放促使中国产业创新从封闭走向开放，使创新体系逐渐多元化、层次化（黄烨菁，2009；张宽和黄凌云，2019a）。
基于以上分析，本文提出如下假说：
H2：贸易开放可以显著提高区域创新绩效。
-
已有研究对金融集聚与对外贸易关系的研究较多，Kletzer和Bardhan (1987) 首次将金融发展与出口纳入H-O模型进行研究。其后，Beck (2002)、Manova (2008)、Amiti和Weinstein (2011)等运用国际数据进行研究，实证表明：金融发展能够有效促进对外贸易。Feenstra等（2014）、潘锡泉（2016）、范兆斌和张柳青（2017）等结合中国数据也同样验证了以上观点。目前，已有研究大多以美国等发达金融市场为研究对象，鲜有对金融集聚、贸易开放与区域创新绩效三者之间关系的研究。Evans和Hnatkovskaa（2014）研究发现，资本在开放环境下流动门槛降低，能够有效减少成本，实现资本与资源的自由跨境流动。但对于中国而言，不同区域间金融集聚水平、贸易开放程度均存在差异，汇率、税率的变动会对中国进出口产生非对称性影响，且具有较大的波动性（邹宏元和崔冉，2020）。因此，研究中国金融集聚与贸易开放对区域创新绩效的影响有重要意义。张宽和黄凌云（2019b）从中国对外贸易的角度研究金融发展对区域创新质量的影响，发现金融发展可以通过贸易交流对区域创新质量产生正向影响。本文在此基础上，进一步研究金融集聚与贸易开放的空间效应以及金融集聚的异质性问题。其影响机制分析如图1所示。
图 1 金融集聚与贸易开放对区域创新绩效的影响机理
基于以上分析，本文提出如下假说：
H3：不同水平的贸易开放与金融集聚对区域创新绩效有异质性影响。
-
目前，学术界关于区域创新绩效的测度尚未形成统一标准。部分学者直接采用某一产出指标作为衡量标准，例如王金波（2019）将专利申请数作为区域技术创新的代理变量，但单一指标的衡量不够全面；也有学者在建立科技创新指标体系后通过熵值法（张林，2016）、因子得分法（路启梅等，2019）测度区域创新绩效，这类方法在指标体系的建立上没有形成统一选取标准，且熵值法在权重赋予过程中易受主观因素干扰。因此，本文对区域创新绩效测度方法的选取进行进一步探讨。Farrell（1957）最早提出效率可以分为技术效率（固定投入下的最大产出）和配置效率（分配资源的能力），两者结合构成总经济效率的测度体系。Charnes等(1979)在规模报酬不变的假设下提出了数据包络分析，通过投入主导型来评价相对有效性，能够排除环境变量和随机干扰因素的影响。实证研究发现，当不考虑环境因素时，该方法更符合经济实情，能客观反映出待测指标（白俊红和蒋伏心，2011），而传统DEA模型在测度中会明显高估效率从而导致偏误(韩兆洲和程学伟，2020），因此，本文选取三阶段DEA进行区域创新绩效测度，排除环境因素的干扰。
三阶段DEA的总体思想是（苌千里和徐蕾，2018）建立传统DEA中BCC模型计算效率，得到投入变量的冗余值，随后构建随机前沿模型，通过回归得到的结果对原始投入值进行调整，最后对调整后的值再次建立第一阶段中的BCC模型，得到更加精确的效率值。
-
参考蒋萍和王勇（2011）的研究，首先对每个省构建投入导向下规模报酬可变的BCC模型：
$$ \left\{ {\begin{array}{*{20}{c}} {\min \left[ {\theta - \varepsilon \left({\sum\limits_{j = 1}^m {{s^ - } + } \sum\limits_{j = 1}^n {{s^ + }} } \right)} \right] = {\nu _d}\left(\varepsilon \right)} \\ {s.t.\sum\limits_{j = 1}^{31} {{\lambda _j}{x_j} + {s^ + } = \theta {x_0}} } \\ {\sum\limits_{j = 1}^{31} {{\lambda _j}{y_j} - {s^ - } = {y_0}} } \\ {{s^ + } \geqslant 0,{s^ - } \geqslant 0,\sum\limits_{j = 1}^{31} {{\lambda _j} = 1} } \end{array}} \right. $$ (1) 其中，
$m\text{、}n$ 分别为投入和产出的变量数，${x}_{j}\text{、}{y}_{j}$ 是第j个省的投入和产出变量，${s}^{+}\text{、}{s}^{-}$ 是松弛变量，$ \varepsilon $ 是非阿基米德无穷小量。以科技创新绩效为测度对象，参考白俊红和蒋伏心（2011）、韩兆洲和程学伟（2020）的做法，从人力资源（R&D人员折合全时当量）、财政资源（R&D经费内部支出）、物力资源（R&D人员仪器和设备支出）三个角度选取投入指标，从科技产出（发明授权数）、经济效益产出（技术市场成交额）两个方面选取产出指标，并选取政府支持（政府资金/内部研究经费）、开放水平（外商直接投资额/GDP）和外贸依存度（货物进出口总额/GDP）为环境因素指标。考虑数据可得性，本文选取2007−2018年中国大陆除西藏外的30个省（市）间面板数据为研究样本，数据均来源于《中国统计年鉴》和《中国科技统计年鉴》。选定30个决策单元远大于投入产出指标数量（5个）的两倍，满足DEA模型的要求（杨晓琳，2017），同时表1 PEARSON相关检验结果均满足了投入产出指标间显著正相关关系的要求。因此，可建立基于投入导向的BCC模型，得到中国30个省（市）的技术效率、纯技术效率和规模效率。
表 1 pearson 相关检验
产出\投入 R&D人员折合全时当量 R&D经费内部支出 R&D仪器和设备支出 发明授权数 0.935** 0.880** 0.767** 技术市场成交额 0.411** 0.573** 0.498** 注：***、**和*分别表示在1%、5%和10%水平上显著。 -
Fried等（2002）指出传统的DEA模型忽视了松弛变量受到管理效率外其他因素的影响，例如环境因素、随机因素等，故而并不准确，所以在第二阶段对投入变量进行调整。依旧是投入导向的回归分析，对每个决策单元的投入变量进行随机前沿回归，方程为：
$${S_{ni}} = {f^{\;n}}\left({{Z_i},{\beta ^n}} \right) + {V_{ni}} + {U_{ni}}$$ (2) 其中，
${S_{ni}}$ 为第$i$ 个决策单元的每个投入变量的松弛变量，${V_{ni}}\sim N\left({0,\sigma _{vi}^2} \right)$ 为随机误差，${U_{ni}}\sim {{\rm{N}}^ + }\left({{\mu ^i},\sigma _{ui}^2} \right)$ 为混合误差项，两者之间相互独立并不相关。${\;f^{\;n}}\left({{Z_i},{\beta ^n}} \right)$ 衡量的是不同的环境变量对松弛的影响，即：$${f^{\;n}}\left({{Z_i},{\beta ^n}} \right) = {Z_i}{\beta ^n}$$ (3) 其中，
$ {Z}_{i} $ 表示第$i$ 个决策单元的环境变量，$ {\;\beta }^{n} $ 为对应的环境变量。同时，定义
$\gamma = \displaystyle\frac{{\sigma _{ui}^2}}{{\sigma _{ui}^2 + \sigma _{vi}^2}}$ ，当$ \gamma \to 1 $ 时，管理无效率占主要影响方面；当$ \gamma \to 0 $ 时，随机误差对松弛变量的影响更大，并通过该值来判断SFA模型的建立是否合理。将第一阶段DEA模型中各个DMU投入变量的松弛变量作为被解释变量进行SFA回归，得出LR检验在1%的显著水平下均显著，说明运用SFA模型排除环境因素的干扰是有必要的，需要对投入变量进行调整。Fried等(2002)虽区分了随机误差和管理无效率，但没有给出计算后者的方法，因此，本文借鉴罗登跃（2012）给出的第二阶段修正投入变量的具体计算过程进行测度：
$$E\left[ {{v_{ni}}\left| {{v_{ni}} + {u_{ni}}} \right.} \right] = \frac{{\sigma \lambda }}{{{\rm{1}} + {\lambda ^{\rm{2}}}}}\left[ {\frac{{\varphi \left({\frac{{{\varepsilon _i}\lambda }}{\sigma }} \right)}}{{\Phi \left({\frac{{{\varepsilon _i}\lambda }}{\sigma }} \right)}} + \frac{{{\varepsilon _i}\lambda }}{\sigma }} \right]$$ (4) 其中，
$\varphi$ 、$\Phi $ 分别为标准正态分布的密度函数和分布函数，将公式：$${\sigma ^{\rm{2}}} = \sigma _u^2 + \sigma _v^2,\lambda = \frac{{{\sigma _u}}}{{{\sigma _v}}},{\varepsilon _i} = {v_{ni}} + {u_{ni}}$$ (5) 代入并调整后得到计算公式如下：
$$X_{ni}^* = {X_{ni}} + \left[ {MA{X_i}\left\{ {{Z_i}{\beta ^n}} \right\} - {Z_i}{\beta ^n}} \right] + \left[ {MA{X_i}\left\{ {{V_{ni}}} \right\} - {V_{ni}}} \right]$$ (6) 其中，
$\left[ {MA{X_i}\left\{ {{Z_i}{\beta ^n}} \right\} - {Z_i}{\beta ^n}} \right]$ 是将所有决策单元调整到相同环境，$\left[ {MA{X_i}\left\{ {{V_{ni}}} \right\} - {V_{ni}}} \right]$ 是将所有决策单元的随机误差调整到相同水平。 -
通过第二阶段修正后的投入变量替代原先的投入变量，建立BCC模型，从而使得到的效率值和规模报酬情况更加准确，对比修正前后2018年的结果发现，北京、浙江、广东、青海四个技术前沿地区中，青海在综合技术效率和规模效率中有较为明显的下降，其他三个省（市）保持不变。而除山东和江苏有不足0.1的提升之外，大部分地区的规模效率都有不同程度的下降，包括海南、新疆、宁夏、内蒙古、甘肃等经济较落后的地区，规模效率下降幅度尤其明显，超过了0.5，而经济较为发达的重庆、湖南、江苏、湖北等地区变化幅度在0.3以内，说明经济欠发达地区受环境影响反而大，也从侧面说明了地区间创新绩效的差距明显。相应地，绝大部分地区的纯技术效率有所提高，但在波动上小于综合技术效率的变化。同时，除规模报酬不变的地区外，调整后各地区都处于规模报酬递增阶段。
-
贸易开放水平的测度，本文参考大多数学者的衡量标准，从外商投资情况与贸易依存度两方面考虑，以外商直接投资额与国内生产总值占比为外商投资水平的代表，以货物进出口总额与国民生产总值之比为外贸依存度的代表，并计算二者的平均数来刻画贸易开放水平。
金融集聚水平的测度，本文参考俞颖等（2017）的测度方法，通过区位熵计算金融集聚程度的指标，具体计算公式为：
$${Q_{it}} = \frac{{{M_{{\rm{it}}}}/{M_t}}}{{{P_t}/{P_{it}}}}$$ (7) 其中，
${Q_{it}}$ 代表第$i$ 个省（市）$t$ 年的金融集聚水平，${M_{it}}\text{、}{P_{it}}$ 为第$i$ 个省（市）$t$ 年的存贷款总额及人口数量，${M_t}\text{、}{P_t}$ 为$t$ 年的全国总存贷款总额与人口总数。 -
控制变量的选取，本文从城市经济发展水平、市场化程度、知识产权保护水平、城镇化水平等多个角度选取控制变量，各变量指标的测度方法如表2所示，测度变量指标的基础数据分别来源于《中国统计年鉴》《中国科技统计年鉴》《中国金融年鉴》等。为了去除量纲化影响，实证分析使用的是对数化处理的数据。
表 2 变量的描述性统计
变量 测度方法 平均值 中位数 最小值 最大值 区域创新绩效 三阶段DEA测度得到 0.452 0.413 0.008 1.000 金融集聚 区位熵测度得到 1.198 0.808 0.133 6.824 贸易开放 外商投资水平和外贸依赖度
综合得到754.174 280.412 12.025 8811.521 市场化水平 非国有企业员工占比 0.711 0.728 0.441 0.902 经济发展水平 人均生产总值 18664.573 14418.297 783.613 89705.232 城镇化水平 城镇人口/总人口 53.897 51.628 28.240 89.600 产业结构 第三产业占比 42.832 40.800 28.600 80.600 知识保护水平 借助G-P指数测度得到 0.010 0.000 0.000 0.162 -
变量的描述性统计（表2）可以看到创新绩效的平均值均略大于中位数，最大最小值差距明显，但标准差较小，说明中国创新绩效分级呈现出“两头小，中间大”的形态，即大部分省（市）创新绩效较为接近且集中在略低于平均水平的阶段。而金融集聚和贸易开放度指标数值分布右偏，且标准差大，两极分化严重。
-
莫兰指数常用来刻画各要素观测值之间的关联程度，莫兰指数的取值范围为
$ \left[-\mathrm{1,1}\right] $ ，当其为零时，说明不存在空间相关性，为正时是正相关，反之负相关。具体的计算公式如下：$$I = \frac{{n\sum\limits_{i = 1}^n {\sum\limits_{j = 1}^n {{W_{ij}}\left({{x_i} - \bar x} \right)\left({{x_j} - \bar x} \right)} } }}{{\sum\limits_{i = 1}^n {{{\left({{x_i} - \bar x} \right)}^2}} \sum\limits_{i = 1}^n {\sum\limits_{j = 1}^n {{W_{ij}}} } }}$$ (8) 其中，
$ n $ 为样本数量，$ {W}_{ij} $ 为空间权重矩阵。表3结果表明，在地理权重矩阵和经济权重矩阵下莫兰指数从2009年开始显著为正，说明区域创新绩效呈明显的空间自相关。
表 3 Moran’s I 检验结果
年份 地理权重矩阵 经济权重矩阵 2007 0.006 −0.004 2008 0.030 0.009 2009 0.036* 0.028* 2010 0.073** 0.052** 2011 0.101*** 0.082*** 2012 0.089*** 0.068*** 2013 0.085*** 0.060*** 2014 0.086*** 0.050*** 2015 0.091*** 0.055*** 2016 0.102*** 0.056*** 2017 0.096*** 0.040*** 2018 0.086*** 0.051*** 注：*、**和***分别表示在10%、5%和1%水平上显著，下同。 -
考虑到区域创新绩效可能存在的惯性影响，以及地区间的相互影响，本文在模型中引入因变量的滞后期，构建动态空间面板模型（刘晓瑞和孙涛，2019），分析空间效应与动态效应。动态空间杜宾面板数据模型构建为：
$${y_{it}} = \alpha + \lambda {y_{i(t - 1)}} + \delta \sum\limits_{j = 1}^n {{w_{ij}}{y_{it}} + } \sum\limits_{j = 1}^n {{w_{ij}}{x_{ij\left({t - 1} \right)}}\chi + } {x_{it}}\beta + \sum\limits_{j = 1}^n {{w_{ij}}{x_{ijt}}\kappa + } {\mu _i} + {\nu _i} + {\varepsilon _{it}}$$ (9) 其中，
$ \lambda $ 为被解释变量滞后期参数，$ \delta $ 为交互作用的参数，$ \;\chi $ 刻画空间溢出效应的参数，$ \kappa $ 反映了解释变量的空间溢出效应，$ {w}_{ij} $ 为空间权重矩阵，${\;\mu }_{i}\text{、}{\nu }_{i}$ 分别为空间效应和时间固定效应，$ {\varepsilon }_{it} $ 是误差项。在模型的估计上，大多研究采用GMM估计或极大似然估计，GMM估计在处理因变量存在较强自相关或个体效应波动远大于常规干扰项时存在一定的局限性。本文借鉴Hsiao等（2002）、Elhorst（2005）等的研究思路，认为极大似然估计比GMM估计更渐进有效，因此采用极大似然函数对动态空间模型进行估计。
-
空间权重矩阵的选择影响着参数的正确估计，为了使实证结果更具有稳定性，本文选取了以下两种权重矩阵（龙云安等，2019）进行估计：
-
根据地理学第一定律，认为空间上距离近的事物往往相关性更强，因此由两省间的距离构建地理距离权重矩阵。
$${W_{dl}} = \left\{ {\begin{array}{*{20}{c}} {1/d_{ij}^2}&{i \ne j} \\ {\rm{0}}&{other} \end{array}} \right.$$ (10) -
考虑到区域经济发展水平对创新绩效有不可忽略的影响，本文构建经济权重矩阵，以人均生产总值的差额为测度标准，构建公式如下：
$$ {W}_{jj}={W}_{01}\times \boldsymbol{G} $$ (11) 其中，
$ \boldsymbol{G} $ 矩阵对角线元素均为0，非对角线矩阵元素由平均生产总值的倒数构成：$${G_{ij}} = \frac{1}{{\left| {{{\bar Y}_i} - {{\bar Y}_j}} \right|}}$$ (12) 其中，
$ {\bar{Y}}_{i} $ 表示第$i$ 个省（市）2007−2018年的平均人均生产总值。 -
首先，本文通过LR与Wald检验结果选取空间杜宾模型（见表4），其次，结合豪斯曼检验结果选择固定效应，然后比较不同固定效应下的静态空间杜宾模型估计的调整R2和自然对数似然函数值，确定时空双固定效应的动态空间杜宾模型估计结果作为分析的依据（见表5）。
表 4 相关检验结果
检验 Chi2(8) Prob>Chi2(8) LR检验 162.300 0.000 Wald检验 78.740 0.000 Hausman检验 34.270 0.000 表 5 静态空间杜宾模型估计结果
变量 OLS估计 时间固定效应 空间固定效应 时空双固定效应 Fin 0.214*** 0.259** −0.179 −0.279** Open 0.414*** 0.016 0.009 0.165** fin×open −0.214*** 0.170 0.413* 0.577*** 控制变量 是 是 是 是 Sigma2 −0.012*** 0.006*** 0.006*** R2 0.629 0.362 0.590 0.604 Log−likelihood 254.667 368.360 385.496 表6结果显示，动态空间杜宾模型中，变量的显著性明显提高，并且在经济权重矩阵和地理权重矩阵下，在系数估计方向和显著性方面均相似，结果具有稳健性。自变量滞后项与主要解释变量滞后项均显著，说明区域创新绩效不仅受当期影响更会影响到下一时期的水平，存在空间滞后效应与动态惯性，对于创新要素的配置与创新水平的提高是一个耗时长、不稳定的过程，无法在短期内得到迅速提高，需要阶段性、层次性的递进提高。
表 6 动态空间杜宾模型估计结果
变量 （1） （2） （3） （4） WJJ WDL WJJ WDL WJJ WDL WJJ WDL fin 0.500*** 0.527*** 0.438*** 0.689*** 0.584*** 0.621*** open 0.023*** 0.018* 0.020** 0.122** 0.015* 0.012* fin×open 0.352*** 0.389*** L.cxxl 0.563*** 0.611*** 0.596*** 0.646*** 0.593*** 0.608*** 0.569*** 0.598*** 控制变量 是 是 是 是 是 是 是 是 固定效应 双固定 双固定 双固定 双固定 双固定 双固定 双固定 双固定 截距项 −2.602*** −3.462*** −0.794*** 1.517*** −2.036*** −3.514*** −1.862*** −2.659*** 调整后R2 0.543 0.652 0.650 0.817 0.514 0.634 0.520 0.675 观测数 330 330 330 330 330 330 330 330 在两种权重矩阵下，金融集聚水平对区域创新绩效均呈现显著的促进作用，且滞后作用不明显，金融集聚水平越高，资金、人才技术等方面的交流越密切，同时，由于金融集聚拓宽融资渠道，也使企业在融资过程中，加快审批流程，减少监督成本，资源的调动更加便捷,从而促进区域创新绩效的进一步提高。而在贸易开放方面，开放型环境促进作用明显，推动创新成果走向世界，有助于提高国际创新力，同时，通过贸易互动得到的利润能为下一阶段创新提供资金支持，实现良性循环。
-
为了更好地反应各解释变量对区域创新绩效的动态影响，各变量的长短期效应如表7所示：
表 7 长短期分解效应
变量 短期效应 长期效应 直接效应 间接效应 总效应 直接效应 间接效应 总效应 fin 0.228* −3.468** −3.240** 0.785 −1.581 −0.796 open −0.027*** −0.275** −0.303** 0.080* −0.947* −0.867* fin×open 0.366*** 1.206 1.573* 1.001 0.020 1.021 sch −0.024 −0.056 −0.383 −0.165 −3.866 −4.031 gdp 0.146 0.099 0.245 0.384 0.064 0.448 urban 0.056 3.289 3.345 0.212 10.873 11.085 third −0.201 −4.136 −4.337* −0.836 −19.782 −20.618 zsbh 2.815** 4.651 7.466 7.756 20.188 27.944 表7结果说明金融集聚与贸易开放对区域创新绩效的长短期影响效应存在差异，而控制变量的影响效应不明显，主要表现为，一是金融集聚对区域创新绩效的短期影响较为显著，长期不显著，说明金融集聚对本省（市）和其他省（市）的影响均较小，由于金融集聚的影响具有边际效应，短期反应更明显，而长期逐渐趋于平缓，当创新处于转型期时，金融集聚并非主要制约因素，从而影响不明显；二是贸易开放在短期内会对区域创新绩效带来负面影响，但长期效应为正，这是由于短期内外商投资的主要对象为非科创板企业所导致，而在长期作用下，良好的贸易交流有效地提升了资源的配置与利用效率，增强交流能够促进创新绩效提高，在二者交互项方面，短期有显著正面影响，而长期影响不显著，二者的有效融合在短期内能够带动区域创新绩效提升。
-
进一步研究金融集聚与贸易开放对区域创新绩效的长短期分解效应，结果显示金融集聚与贸易开放彼此间存在相互作用，并且对于不同集聚水平与开放进程，二者的相互作用存在差异。从中国目前的发展来看，各省（市）贸易开放和金融集聚水平差异较为明显，地区发展水平的不同对区域创新绩效的影响存在异质性，因此，本部分将基于不同水平的金融集聚和贸易开放，探讨两者对区域创新绩效的影响。
-
本文所涉及的金融集聚水平的高低和贸易开放程度的对比更多是一个相对量，而非绝对量，因此，本文以50%为界，将金融集聚水平前50%的省（市）列为高集聚地区，其余列为低集聚地区，同样，将贸易开放水平前50%的省（市）列为高开放地区，其余为低开放地区，将研究对象进一步划分为：高集聚、高开放，高集聚、低开放，低集聚、高开放，低集聚、低开放。对研究对象分类回归后，主要结果如表8所示：
表 8 不同水平组合下模型结果
变量 区域创新绩效 （1） （2） （3） （4） 高集聚、高开放 高集聚、低开放 低集聚、高开放 低集聚、低开放 Fin 0.160* 0.688* −0.532*** −0.260** Open 0.077** 0.014* −0.005 −0.136* fin×open 0.327*** −2.518** 2.775* −2.025*** 控制变量 是 是 是 是 个体固定效应 是 是 是 是 时间固定效应 是 是 是 是 R2 0.752 0.801 0.819 0.790 其中，模型（1）表示金融集聚和贸易开放度双高地区，模型（2）表示金融集聚水平高但贸易开放度低的地区，模型（3）表示金融集聚水平低，但贸易开放度高的地区，模型（4）表示金融集聚和贸易开放度双低地区。结果表明，当金融集聚处于高水平时，贸易开放对创新绩效有正向促进作用，且在贸易开放程度高的地区更为显著，说明二者之间存在互相激励作用，能够形成强效应优势。交互项在贸易开放程度高和低的地区呈现出相反的作用，高开放地区，交互项促进作用显著，开放水平低时则表现出抑制作用，说明当集聚达到一定水平后，需要开放的环境，有效地进行技术、人才等创新要素交流，才能使创新绩效上升到新台阶。而当金融集聚水平较低时，贸易开放产生负面影响，反而抑制了创新绩效的提升，虽然贸易开放为部分资金缺口大的企业提供了新的资金来源，带来了资源流入，但是总体而言，资源质量和投资比例不高，且大多投资在较为低级的生产阶段，要素流动不均衡，形成“高投入、低产出”的低效率局面，而交互项与集聚水平较高的地区类似，高水平的开放能够有效地辅助二者对区域创新绩效产生积极的正向作用。因此，对于该类地区，应当采取渐进性开放策略，注重引进并培养自我创新技术，鼓励企业走出去向外输送。
由金融集聚和贸易开放双重作用下的差异可以看出，分地区分阶段制定相关政策的必要性，鼓励双高地区促进金融发展，推动贸易交流，鼓励企业参与国际贸易持续创新来提升竞争力，并带动中国低水平地区的发展；而对于发展较为缓慢的地区而言，找准开放环境下的自我定位，配以相关政策减弱开放局面带来的负面作用，例如加强产权保护，减少贸易壁垒等，以强带弱，在提高金融集聚水平的同时，阶梯式地提升贸易开放度与开放水平。
-
本文选取以下两种方法进行稳健性检验。一是替换主要变量的测度方法，在创新绩效的测度方面，选取了以对数化后的专利申请数代替三阶段测算的结果；在贸易开放方面，以对数化后贸易进出口总额作为衡量标准进行。二是在不同空间权重矩阵之下进行回归，选取地理权重和经济权重两个矩阵进行实证分析。稳健性检验结果与上述分析基本一致，说明本文研究结果具有可靠性。
-
本文探讨了高质量发展视阈下区域创新绩效的测度问题，重点研究了金融集聚、贸易开放对区域创新绩效的影响，并分析不同金融集聚和贸易开放对区域创新绩效的异质性影响，研究发现：（1）三阶段测度的区域创新绩效，排除环境因素和随机因素的干扰后，效率值大多有所下降，并处于规模效率递增阶段。（2）通过模型检验与对比分析，最终建立时空双固定的动态空间杜宾模型，发现金融集聚、贸易开放对区域创新绩效有显著的正向影响，进一步探讨二者的共同作用，发现二者在不同水平组合下，影响存在差异，说明在加强金融集聚与促进贸易开放的同时，要理性正视地区差异，制定相应政策。（3）通过长短期的直接间接效应分解，发现贸易开放的长短期效应都很显著，而金融集聚的短期效应更加显著，对邻省（市）的影响则更多体现在短期。
结合研究结论，本文提出如下政策性建议：
第一，虽然金融集聚与贸易开放的影响大体上呈现出正向促进作用，但两者不同水平的组合对最终结果影响存在差异。因此，为了使两者的边际效益最大化，根据各区域具体情况寻找最佳切合点是提升创新绩效的必要途径。政府在制定引导高质量发展政策时要综合考虑各区域金融集聚与贸易开放水平，理性正视区域差异，注意寻求各区域金融集聚与贸易开放的最佳效益组合。
第二，提高金融集聚程度，有利于改善中小企业融资难、资源短缺的现状，从而促进创新绩效的提升。但由于地理位置、经济水平等的制约，导致东中西部各地区发展不均衡，聚合作用不明显，不利于区域经济的协调发展与创新绩效的普遍提高。因此，我国应加快中西部地区的金融集聚速度，充分发挥高水平地区的辐射带动作用，对金融集聚边际效用明显的地区重点扶持，力争在中西部条件成熟的地区形成新的高水平金融集聚区，充分发挥金融资源的集聚优势，为创新绩效的提高提供支持。
第三，从本文实证研究可以看出，现阶段，我国各区域创新绩效水平存在差异，但提升绩效水平是一个长期而缓慢的过程，同时，地区之间也存在互相影响的过程，不能孤立地看待或规划区域的发展战略，需要加强区域间的合作互补，实现互利共赢，避免出现过大的两极分化。因此，从国家层面合理规划自贸区和金融集聚区的全国布局和发展战略至关重要，这样，能充分发挥东部地区的带动作用，加大中西部金融集聚区建设的推动力度。
第四，金融集聚不仅直接作用于区域高质量发展，还通过贸易开放间接提升区域创新质量，因此，应着力构建区域金融集聚、贸易开放和区域高质量发展的协同机制，不断创新完善金融体系，提升金融服务对外贸易和技术创新的普惠性水平，强化对外贸易发展的金融支持功能，加大对国内企业特别是民营企业科技创新的金融支持力度，鼓励和扶持更多国内企业参与国际竞争，构建开放型、高质量经济发展新体制，形成高质量贸易开放新格局，增强国家创新能力。
第五，自贸区的贸易便利化措施带来投资便利化，自贸区创建过程中出现的金融集聚效应对提升区域创新绩效至关重要；各区域在打造“自由贸易区”和“金融集聚区”的过程中，应认真分析本区域金融集聚与贸易开放的现状，将金融集聚与贸易开放战略调整到最佳状态，同时，打破自由贸易区和金融集聚区的界限，引导推动自贸区金融产业的聚集进程，提高自由贸易区的金融集聚水平，提升区域创新绩效。
-
摘要: 基于2007−2018年中国省际间面板数据，运用三阶段DEA模型测度区域创新绩效，并构建静、动态空间杜宾模型实证分析金融集聚、贸易开放对区域创新绩效的空间效应、分解效应和异质性效应。研究显示：金融集聚、贸易开放对区域创新绩效有显著促进作用；金融集聚、贸易开放对区域创新绩效具有正向空间相关性；金融集聚水平和贸易开放水平对区域创新绩效产生异质性影响；贸易开放的长短期效应均显著，而金融集聚的短期效应更加显著，对邻省的影响更多体现在短期。
Regional Innovation Performance:Spatial Effect of Financial Agglomeration and Trade Openness
Abstract: Based on China’s inter-provincial panel data from 2007 to 2018, this paper uses the three-stage DEA model to measure regional innovation performance, constructs the static and dynamic spatial Dubin model to empirically analyze the spatial effect and decomposition effect of financial agglomeration and trade openness on regional innovation performance, and further explore the impact of heterogeneity. Key findings emerge: financial agglomeration and trade openness significantly promote regional innovation performance; financial agglomeration and trade openness have a positively spatial correlation to regional innovation performance; levels of financial agglomeration and trade openness have heterogeneous effects on regional innovation performance; the long-term and short-term effects of trade openness are both significant, while the long-term effects of financial agglomeration are more significant, and the impact on neighboring provinces is more significant in the short-term. -
表 1 pearson 相关检验
产出\投入 R&D人员折合全时当量 R&D经费内部支出 R&D仪器和设备支出 发明授权数 0.935** 0.880** 0.767** 技术市场成交额 0.411** 0.573** 0.498** 注：***、**和*分别表示在1%、5%和10%水平上显著。 
下载: 导出CSV
表 2 变量的描述性统计
变量 测度方法 平均值 中位数 最小值 最大值 区域创新绩效 三阶段DEA测度得到 0.452 0.413 0.008 1.000 金融集聚 区位熵测度得到 1.198 0.808 0.133 6.824 贸易开放 外商投资水平和外贸依赖度
综合得到754.174 280.412 12.025 8811.521 市场化水平 非国有企业员工占比 0.711 0.728 0.441 0.902 经济发展水平 人均生产总值 18664.573 14418.297 783.613 89705.232 城镇化水平 城镇人口/总人口 53.897 51.628 28.240 89.600 产业结构 第三产业占比 42.832 40.800 28.600 80.600 知识保护水平 借助G-P指数测度得到 0.010 0.000 0.000 0.162
下载: 导出CSV
表 3 Moran’s I 检验结果
年份 地理权重矩阵 经济权重矩阵 2007 0.006 −0.004 2008 0.030 0.009 2009 0.036* 0.028* 2010 0.073** 0.052** 2011 0.101*** 0.082*** 2012 0.089*** 0.068*** 2013 0.085*** 0.060*** 2014 0.086*** 0.050*** 2015 0.091*** 0.055*** 2016 0.102*** 0.056*** 2017 0.096*** 0.040*** 2018 0.086*** 0.051*** 注：*、**和***分别表示在10%、5%和1%水平上显著，下同。
下载: 导出CSV
表 4 相关检验结果
检验 Chi2(8) Prob>Chi2(8) LR检验 162.300 0.000 Wald检验 78.740 0.000 Hausman检验 34.270 0.000
下载: 导出CSV
表 5 静态空间杜宾模型估计结果
变量 OLS估计 时间固定效应 空间固定效应 时空双固定效应 Fin 0.214*** 0.259** −0.179 −0.279** Open 0.414*** 0.016 0.009 0.165** fin×open −0.214*** 0.170 0.413* 0.577*** 控制变量 是 是 是 是 Sigma2 −0.012*** 0.006*** 0.006*** R2 0.629 0.362 0.590 0.604 Log−likelihood 254.667 368.360 385.496
下载: 导出CSV
表 6 动态空间杜宾模型估计结果
变量 （1） （2） （3） （4） WJJ WDL WJJ WDL WJJ WDL WJJ WDL fin 0.500*** 0.527*** 0.438*** 0.689*** 0.584*** 0.621*** open 0.023*** 0.018* 0.020** 0.122** 0.015* 0.012* fin×open 0.352*** 0.389*** L.cxxl 0.563*** 0.611*** 0.596*** 0.646*** 0.593*** 0.608*** 0.569*** 0.598*** 控制变量 是 是 是 是 是 是 是 是 固定效应 双固定 双固定 双固定 双固定 双固定 双固定 双固定 双固定 截距项 −2.602*** −3.462*** −0.794*** 1.517*** −2.036*** −3.514*** −1.862*** −2.659*** 调整后R2 0.543 0.652 0.650 0.817 0.514 0.634 0.520 0.675 观测数 330 330 330 330 330 330 330 330
下载: 导出CSV
表 7 长短期分解效应
变量 短期效应 长期效应 直接效应 间接效应 总效应 直接效应 间接效应 总效应 fin 0.228* −3.468** −3.240** 0.785 −1.581 −0.796 open −0.027*** −0.275** −0.303** 0.080* −0.947* −0.867* fin×open 0.366*** 1.206 1.573* 1.001 0.020 1.021 sch −0.024 −0.056 −0.383 −0.165 −3.866 −4.031 gdp 0.146 0.099 0.245 0.384 0.064 0.448 urban 0.056 3.289 3.345 0.212 10.873 11.085 third −0.201 −4.136 −4.337* −0.836 −19.782 −20.618 zsbh 2.815** 4.651 7.466 7.756 20.188 27.944
下载: 导出CSV
表 8 不同水平组合下模型结果
变量 区域创新绩效 （1） （2） （3） （4） 高集聚、高开放 高集聚、低开放 低集聚、高开放 低集聚、低开放 Fin 0.160* 0.688* −0.532*** −0.260** Open 0.077** 0.014* −0.005 −0.136* fin×open 0.327*** −2.518** 2.775* −2.025*** 控制变量 是 是 是 是 个体固定效应 是 是 是 是 时间固定效应 是 是 是 是 R2 0.752 0.801 0.819 0.790
下载: 导出CSV
-
[1] 白俊红, 蒋伏心. 2011. 考虑环境因素的区域创新效率研究——基于三阶段DEA方法. 财贸经济 (10): 104−112,136. [2] 苌千里, 徐蕾. 2018. 高技术产业、资本类型与企业创新效率——基于三阶段DEA模型的实证研究. 河南师范大学学报(哲学社会科学版) (3): 49−53. [3] 陈创练, 庄泽海, 林玉婷. 2016. 金融发展对工业行业资本配置效率的影响. 中国工业经济 (11): 22−38. [4] 杜传忠, 张远. 2020. “新基建”背景下数字金融的区域创新效应. 财经科学 (5): 30−42. [5] 范兆斌, 张柳青. 2017. 中国普惠金融发展对贸易边际及结构的影响. 数量经济技术经济研究 (9): 57−74. [6] 韩兆洲, 程学伟. 2020. 中国省域R&D投入及创新效率测度分析. 数量经济技术经济研究 (5): 98−117. [7] 黄烨菁. 2009. 开放进程下的中国产业技术创新——历史回顾与现状分析. 科技与经济 (6): 3−6. doi: 10.3969/j.issn.1003-7691.2009.06.001 [8] 简泽, 张涛, 伏玉林. 2014. 进口自由化、竞争与本土企业的全要素生产率——基于中国加入WTO的一个自然实验. 经济研究 (8): 120−132. [9] 蒋萍, 王勇. 2011. 全口径中国文化产业投入产出效率研究——基于三阶段DEA模型和超效率DEA模型的分析. 数量经济技术经济研究 (12): 69−81. [10] 李青原, 赵奇伟, 李江冰, 江春. 2010. 外商直接投资、金融发展与地区资本配置效率——来自省级工业行业数据的证据. 金融研究 (3): 80−97. [11] 刘焕鹏, 严太华. 2015. OFDI与国内创新能力关系中的“门限效应”:区域金融发展视角的实证分析. 科研管理 (1): 1−7. [12] 刘晓瑞, 孙涛. 2019. 技术进步对中国家庭部门生活能源消费的动态空间溢出效应. 软科学 (3): 36−39. [13] 龙云安, 张健, 冯果. 2019. 区域发展视角下金融深化、金融集聚与产业结构升级研究——以成渝城市群为例. 金融理论与实践 (11): 46−53. doi: 10.3969/j.issn.1003-4625.2019.11.007 [14] 路启梅, 马艳丽, 许佳琦. 2019. 科技金融影响制造业自主创新能力的实证研究. 金融理论探索 (6): 71−78. [15] 罗登跃. 2012. 三阶段DEA模型管理无效率估计注记. 统计研究 (4): 104−107. doi: 10.3969/j.issn.1002-4565.2012.04.017 [16] 潘敏, 袁歌骋. 2019. 金融中介创新对企业技术创新的影响. 中国工业经济 (6): 117−135. [17] 潘锡泉. 2016. 金融发展与贸易开放关系再评估——基于金砖国家的考察. 世界经济研究 (9): 60−72,136. [18] 王金波. 2019. 金融集聚、市场化进程与区域技术创新. 数学的实践与认识 (18): 75−88. [19] 王静, 张西征. 2012. 高科技产品进口溢出、创新能力和生产效率. 数量经济技术经济研究 (9): 22−39. [20] 王少华, 上官泽明, 吴秋生. 2020. 高质量发展背景下实体企业金融化如何助力企业创新——基于金融化适度性的视角. 上海财经大学学报 (3): 19−34. [21] 武力超, 张馨月, 童欢欢. 2019. 金融服务部门开放对制造业企业技术创新的影响. 财贸经济 (4): 116−129. doi: 10.3969/j.issn.1002-8102.2019.04.009 [22] 武鹏, 余永泽. 2010. 我国国家级高新区的产出效率及其影响因素. 西安交通大学学报(社会科学版) (5): 16−23. [23] 杨晓琳. 2017. 中国31省份文化产业投入产出效率实证研究——基于三阶段DEA模型及超效率模型. 艺术百家 (5): 47−52. doi: 10.3969/j.issn.1003-9104.2017.05.008 [24] 于斌斌. 2017. 金融集聚促进了产业结构升级吗:空间溢出的视角——基于中国城市动态空间面板模型的分析. 国际金融研究 (2): 12−23. [25] 俞颖, 苏慧琨, 李勇. 2017. 区域金融差异演进路径与机理. 中国工业经济 (4): 74−93. [26] 余泳泽. 2015. 中国区域创新活动的“协同效应”与“挤占效应”——基于创新价值链视角的研究. 中国工业经济 (10): 37−52. [27] 张宽, 黄凌云. 2019a. 贸易开放、人力资本与自主创新能力. 财贸经济 (12): 112−127. [28] 张宽, 黄凌云. 2019b. 金融发展如何影响区域创新质量?——来自中国对外贸易的解释. 国际金融研究 (9): 32−42. [29] 张林. 2016. 金融发展、科技创新与实体经济增长——基于空间计量的实证研究. 金融经济学研究 (1): 14−25. [30] 赵娜, 肖楠. 2018. 中国区域金融发展差异与贸易失衡关系研究. 经济问题探索 (8): 103−114. [31] 周铭山, 张倩倩. 2016. “面子工程”还是“真才实干”?——基于政治晋升激励下的国有企业创新研究. 管理世界 (12): 116−188. [32] 周申, 海鹏, 张龙. 2020. 贸易自由化是否改善了中国制造业的劳动力资源错配. 世界经济研究 (9): 3−18,135. [33] 邹宏元, 崔冉. 2020. 实际汇率和关税税率变动对中国进出口的影响. 数量经济技术经济研究 (2): 143−161. [34] Aghion, P., R. Blundell, R. Griffith, P. Howitt, and S. Prantl. 2009. The effects of entry on incumbent innovation and productivity. The Review of Economics and Statistics 91(1): 20−32. doi: 10.1162/rest.91.1.20 [35] Alla, L., and T. Daniel. 2010. Improved access to foreign markets raises plant-level productivity for some plants. Quarterly Journal of Economics 125(3): 1051−1099. doi: 10.1162/qjec.2010.125.3.1051 [36] Amiti, M., and D. E. Weinstein. 2011. Exports and financial shocks. Quarterly Journal of Economics 126(4): 1841−1877. doi: 10.1093/qje/qjr033 [37] Beck, T. 2002. Financial development and international trade: Is there a link? Journal of International Economics 57(1): 107−131. doi: 10.1016/S0022-1996(01)00131-3 [38] Berthou, A., J. J. H. Chung, K. B. Manova, and C. S. D. Bragard 2020. Trade, productivity and (Mis) allocation. IMF Working Papers. [39] Bloom, N., M. Draca, and J. Van-Reenen. 2016. Trade induced technical change? The impact of Chinese imports on innovation, IT and productivity. The Review of Economic Studies 83(1): 87−117. doi: 10.1093/restud/rdv039 [40] Charnes, A., W. W. Cooper, and E. Rhodes. 1979. Measuring the effciency of decision making ugnits. European Journal of Operational Research 3(4): 338−339. [41] Elhorst, J. P. 2005. Unconditional maximum likelihood estimation of linear and log-linear dynamic for spatial panels. Geographical Analysis 37(1): 85−106. doi: 10.1111/j.1538-4632.2005.00577.x [42] Evans, M. D. D., and V. Hnatkovska. 2014. International capital flows,returns and world financial integration. Journal of International Economics 92(1): 14−33. doi: 10.1016/j.jinteco.2013.10.007 [43] Farrell, M. J. 1957. The measurement of productive efficiency. Journal of the Royal Statistical Society 120(3): 253−290. doi: 10.2307/2343100 [44] Feenstra, R. C., Z. Y. Li, and M. J. Yu. 2014. Exports and credit constraints under incomplete information: Theory and evidence from China. Review of Economics and Statistics 96(3): 729−744. [45] Fried, H. O., C. A. K. Lovell, S. S. Schmidt, and S.Yaisawarng. 2002. Accounting for environmental effects and statistical noise in data envelopment analysis. Journal of Productivity Analysis 17(1/2): 157−174. doi: 10.1023/A:1013548723393 [46] Giuliani, E., C. Pietrobelli, and R. Rabellotti. 2005. Upgrading in global value chains:Lessons from latin American clusters. World Development 33(4): 549−573. doi: 10.1016/j.worlddev.2005.01.002 [47] Grossman, G. M., and E. Helpman. 1990. Trade,innovation,and growth. American Economic Review 80(2): 86−91. [48] Hall, B. H. 2002. The financing of research and development. Oxford Review of Economic Policy 18(1): 35−51. doi: 10.1093/oxrep/18.1.35 [49] Heitor. A., and D. Wolfenzon. 2005. The effect of external finance on the equilibrium allocation of capital. Journal of Financial Economics 75(1): 133−164. doi: 10.1016/j.jfineco.2004.06.001 [50] Hsiao, C., M. H. Pesaran, and A. K. Tahmiscioglu. 2002. Maximum likelihood estimation of fixed effects dynamic panel data models covering short time periods. Journal of Econometrics 109(1): 107−150. doi: 10.1016/S0304-4076(01)00143-9 [51] Humphrey, J., and H. Schmitz. 2002. How does insertion in global value chains affect upgrading in industrial clusters. Regional Studies 36(9): 1017−1027. doi: 10.1080/0034340022000022198 [52] Jeffrey, W. 2000. Financial markets and the allocation of capital. Journal of Financial Economics 58(1/2): 187−214. [53] Kletzer, K., and P. Bardhan. 1987. Credit markets and patterns of international trade. Journal of Development Economics 27(1/2): 57−70. [54] Manova, K. 2008. Credit constraints, equity market liberalizations and international trade. Journal of International Economics 76(1): 33−47. doi: 10.1016/j.jinteco.2008.03.008 [55] Romer, P. M. 1986. Increasing returns and long-run growth. Journal of Political Economy 94(5): 1002−1037. doi: 10.1086/261420 [56] Robert, E., and J. Lucas. 1988. On the mechanics of economic development. Journal of Monetary Economics 22(1): 3−42. doi: 10.1016/0304-3932(88)90168-7
点击查看大图
图(1) / 表(8)
计量
- 文章访问数: 266
- HTML全文浏览量: 171
- PDF下载量: 371
- 被引次数: 0
