中國19個城市群高新技術(shù)企業(yè)全要素生產(chǎn)率增長的區(qū)域差異與時空演進

孫紅軍 趙祚翔 甘克勤 李欣澤中國標(biāo)準(zhǔn)化研究院國家標(biāo)準(zhǔn)館北京 009中國科學(xué)院科技戰(zhàn)略咨詢研究院北京 0090 山東大學(xué)經(jīng)濟研究院濟南 5000

引 言

20世紀(jì)90年代，為提高自主創(chuàng)新能力和推動產(chǎn)業(yè)轉(zhuǎn)型升級，中國開始實施高新技術(shù)企業(yè)（以下簡稱高企）認(rèn)定和管理計劃。在新發(fā)展階段，各?。▍^(qū)、市）認(rèn)定的高企已成為創(chuàng)新驅(qū)動經(jīng)濟高質(zhì)量發(fā)展的主要引擎，著力推動著中國經(jīng)濟增長方式由要素驅(qū)動轉(zhuǎn)向創(chuàng)新或全要素生產(chǎn)率驅(qū)動［1，2］。

城市群作為未來中國區(qū)域經(jīng)濟最具活力和潛力的核心地區(qū)［3，4］，已經(jīng)成為支撐中國高企全要素生產(chǎn)率增長的戰(zhàn)略高地。2021年《中華人民共和國國民經(jīng)濟和社會發(fā)展第十四個五年規(guī)劃和2035年遠(yuǎn)景目標(biāo)綱要》中明確規(guī)劃建設(shè)的城市群數(shù)量已達(dá)到19個。因此，全面提升各個城市群高企全要素生產(chǎn)率是實現(xiàn)創(chuàng)新驅(qū)動經(jīng)濟高質(zhì)量發(fā)展的關(guān)鍵抓手。然而，由于受不同的、復(fù)雜的內(nèi)外部環(huán)境影響，不同城市群高企全要素生產(chǎn)率之間很難實現(xiàn)均衡增長，這不僅會加劇不同城市群高企全要素生產(chǎn)率的空間不平衡，而且也會給區(qū)域經(jīng)濟協(xié)調(diào)發(fā)展帶來巨大壓力。因此本文研究的問題有，十九大城市群高企全要素生產(chǎn)率究竟如何？是否存在明顯區(qū)域差異？呈現(xiàn)出何種時空演進規(guī)律？全面回答這些問題對于提高不同城市群高企全要素生產(chǎn)率和實現(xiàn)區(qū)域經(jīng)濟協(xié)調(diào)發(fā)展具有重大的理論和現(xiàn)實意義。

當(dāng)前關(guān)于城市群高企全要素生產(chǎn)率增長率的相關(guān)研究主要集中于以下3個方面：（1）就全要素生產(chǎn)率增長率測算方法而言，主要有非參數(shù)法和參數(shù)法。數(shù)據(jù)包絡(luò)分析方法——Malmquist生產(chǎn)率指數(shù)作為非參數(shù)方法，由于不需要提前設(shè)定生產(chǎn)函數(shù)，操作簡便易行等特點，受到了國內(nèi)外學(xué)者的青睞。毛蘊詩和李玉惠［5］采用DEA－Malmquist生產(chǎn)率指數(shù)測度了2009～2011年高企和傳統(tǒng)企業(yè)的全要素生產(chǎn)率增長率，結(jié)果發(fā)現(xiàn)高企和傳統(tǒng)企業(yè)的全要素生產(chǎn)率增長率并沒有明顯差異；紀(jì)培端［6］采用DEA－Malmquist生產(chǎn)率指數(shù)法測算了2014～2018年深圳市高企全要素生產(chǎn)率增長率，結(jié)果發(fā)現(xiàn)深圳市高企全要素生產(chǎn)率增長率呈逐年上升趨勢；陳抗和戰(zhàn)炤磊［7］利用DEA－Malmquist生產(chǎn)率指數(shù)測算了2009～2016年31個省（區(qū)、市）中國高新技術(shù)產(chǎn)業(yè)的全要素生產(chǎn)率增長水平，結(jié)果發(fā)現(xiàn)中國高新技術(shù)產(chǎn)業(yè)全要素生產(chǎn)率增長率呈下降態(tài)勢，下降的主要誘因在于技術(shù)進步的衰退。然而，該模型極易受隨機因素影響，由于DEA方法所得到的確定性前沿，僅僅由“最高”樣本的線性組合得到，因此“最高”樣本的隨機性變化直接影響到確定性前沿，進而影響由該方法得出的技術(shù)進步和技術(shù)效率［8，9］。索羅余值與隨機前沿分析模型均屬于參數(shù)分析方法，其中索羅余值方法受到眾多學(xué)者質(zhì)疑［10－13］。主要是因為該方法嚴(yán)苛理論假設(shè)條件（完全競爭、規(guī)模報酬不變和技術(shù)中性的假定），這些假設(shè)與現(xiàn)實不相符；也無法剔除測算誤差的影響，并將余值全部歸因于技術(shù)進步，這樣的劃分過于籠統(tǒng)和模糊。而超越對數(shù)生產(chǎn)函數(shù)的隨機前沿分析模型考慮了隨機因素與相對技術(shù)效率對全要素生產(chǎn)率的影響，并可對模型適用性進行檢驗，能夠較好模擬實際經(jīng)濟增長情況［14－16］；（2）就高企全要素生產(chǎn)率增長區(qū)域差異而言，現(xiàn)有文獻(xiàn)在分析全要素生產(chǎn)率增長的區(qū)域差異時普遍采用傳統(tǒng)基尼系數(shù)、變異系數(shù)、Theil指數(shù)等統(tǒng)計方法［17］。傳統(tǒng)基尼系數(shù)與變異系數(shù)無法準(zhǔn)確實現(xiàn)對區(qū)域差異進行區(qū)域內(nèi)、區(qū)域間差異分解；Theil指數(shù)沒有考慮子樣本分布狀況［18］，無法刻畫區(qū)域內(nèi)差異與區(qū)域間差異的交叉項（超變密度）對區(qū)域差異貢獻(xiàn)程度［3，19］。而Dagum基尼系數(shù)及分解方法能夠有效解決上述問題；（3）當(dāng)前研究較多采用直觀對比方法來揭示全要素生產(chǎn)率隨時間的變動趨勢［20，21］，但這種方法無法準(zhǔn)確揭示空間關(guān)聯(lián)效應(yīng)下的不同城市群高企全要素生產(chǎn)率增長的時空演進特征和分布規(guī)律。此外，現(xiàn)有研究缺少從十九大城市群視角展開區(qū)域差異的研究。

綜上所述，本文基于2014～2019年十九大城市群高企的面板數(shù)據(jù)，運用超越對數(shù)的隨機前沿生產(chǎn)函數(shù)、Dagum基尼系數(shù)、傳統(tǒng)與空間Markov鏈分析等方法，對十九大城市群高企全要素生產(chǎn)率增長的區(qū)域差異與時空演進進行實證研究，在此基礎(chǔ)上提出對策建議。

1 方法與數(shù)據(jù)

1.1 Dagum基尼系數(shù)及分解方法

本文將采用Dagum基尼系數(shù)及其分解方法來測算和分解全要素生產(chǎn)率增長的區(qū)域差異，Dagum基尼系數(shù)定義如式（1）所示：

式（1）中，G表示總體基尼系數(shù)，G的數(shù)值越大表示十九大城市群高企總體全要素生產(chǎn)率增長的區(qū)域差異越大。k為劃分的城市群個數(shù)，i、r分別為各個城市群內(nèi)包含的城市個數(shù)，nj（nh）為j（h）城市群內(nèi)城市的個數(shù)，yji（yhr）為j（h）城市群中任意一個城市里的高企全要素生產(chǎn)率增長率，n為城市個數(shù)，ˉY為十九大城市群高企總體全要素生產(chǎn)率增長率的均值。需要說明的是采用Dagum基尼系數(shù)分解方法時，應(yīng)先按照各城市群高企全要素生產(chǎn)率增長率均值大小對城市群進行排序，如式（2）所示：

根據(jù)Dagum分解方法，可將基尼系數(shù)分解為3個部分，分別是區(qū)域內(nèi)差異的貢獻(xiàn)Gw、區(qū)域間差異的貢獻(xiàn)Gnb、超變密度（Intensity of Transvariation）的貢獻(xiàn)Gt，其中超變密度是由于子區(qū)域間交叉項的存在對整體區(qū)域差異產(chǎn)生的影響，三者滿足G＝Gw＋Gnb＋Gt的關(guān)系。具體計算式如下：

式（3）和（4）分別為j城市群內(nèi)高企全要素生產(chǎn)率增長率的基尼系數(shù)Gjj和區(qū)域內(nèi)差異的貢獻(xiàn)率Gw；式（5）和（6）分別為j、h城市群高企全要素生產(chǎn)率增長率的區(qū)域間基尼系數(shù)Gjh和區(qū)域間差異的貢獻(xiàn)率Gnb；式（7）表示超變密度的貢獻(xiàn)率為j、h城市群高企全要素生產(chǎn)率增長率的相對影響，其定義如式（8）所示。式（8）中djh表示j、h兩城市群間高企全要素生產(chǎn)率增長率的差值，即j、h城市群中所有yji－yhr＞0的樣本值加總的數(shù)學(xué)期望，pjh表示超變一階矩，即j、h城市群中所有yhr－yji＞0的樣本值加總的數(shù)學(xué)期望。式（9）、（10）中Fh和Fj分別是h、j區(qū)域的累積密度分布函數(shù)。

1.2 傳統(tǒng)與空間Markov鏈方法

Markov鏈方法主要思想是通過構(gòu)建Markov轉(zhuǎn)移概率矩陣來探究各個城市群高企在不同樣本考察周期內(nèi)全要素生產(chǎn)率增長的空間演進特征。Markov鏈方法是一個隨機過程，即｛Xa，a∈A｝，它的取值為有限集合M，該集合中元素均為隨機過程的狀態(tài)，指數(shù)集合A為各個時期。令隨機變量Xa＝j(luò)，表示在b時期的系統(tǒng)狀態(tài)為j，該系統(tǒng)的馬爾科夫性滿足式（11）。因此，Markov鏈特殊性就在于狀態(tài)Xb的條件分布僅取決于狀態(tài)Xb－1。假如Pij為某一區(qū)域全要素生產(chǎn)率從b－1年i狀態(tài)轉(zhuǎn)移到b年j狀態(tài)的轉(zhuǎn)移概率，那么Pij＝nij／ni。其中，nij表示從b－1年i狀態(tài)轉(zhuǎn)移到b年j狀態(tài)的區(qū)域數(shù)量，ni表示在b－1年處于i狀態(tài)的區(qū)域數(shù)量。

假如將城市群高企全要素生產(chǎn)率增長率劃分為N種狀態(tài)，就可以構(gòu)造出N×N的轉(zhuǎn)移概率方陣，然后就可以根據(jù)轉(zhuǎn)移概率分析城市群高企全要素生產(chǎn)率增長的時空演進規(guī)律。如果將空間關(guān)聯(lián)的理念引入其中，就可以將上述N×N轉(zhuǎn)移概率矩陣轉(zhuǎn)化為N×N×N的轉(zhuǎn)移矩陣，則Pij為在某一區(qū)域b－1年空間關(guān)聯(lián)狀態(tài)為Ni的情況下，創(chuàng)新能力從b－1年i狀態(tài)轉(zhuǎn)移到b年j狀態(tài)的轉(zhuǎn)移概率，據(jù)此就能夠揭示空間關(guān)聯(lián)效應(yīng)對城市群高企全要素生產(chǎn)率轉(zhuǎn)移特征的影響。值得注意的是，空間滯后值是城市附近區(qū)域高企全要素生產(chǎn)率的空間加權(quán)，本文根據(jù)各城市是否相鄰原則建立空間權(quán)重矩陣，即城市相鄰則賦值為1，否則為0。

1.3 研究對象與數(shù)據(jù)來源

本文以京津冀、長三角、珠三角、成渝、長江中游、山東半島、粵閩浙沿海、中原、關(guān)中平原、北部灣、哈長、遼中南、山西中部、黔中、滇中、呼包鄂榆、蘭州－西寧、寧夏沿黃、天山北坡19個城市群高企為研究對象。本文數(shù)據(jù)來源于科技部火炬中心面向全國高企開展的年度調(diào)查統(tǒng)計，該調(diào)查統(tǒng)計由《國家高新區(qū)和高新技術(shù)企業(yè)統(tǒng)計報表》、《高新技術(shù)企業(yè)綜合統(tǒng)計快報表》和《年度高新技術(shù)企業(yè)發(fā)展情況表》三部分組成，包含20余萬家高企綜合信息。參照牛沖槐等［22］、夏文飛等［23］的做法，依據(jù)高企注冊地將高企上報指標(biāo)進行加總，考慮到數(shù)據(jù)可獲性和準(zhǔn)確性，最終選擇2014～2019年209家地級市層面高企數(shù)據(jù)展開研究。

2 十九大城市群高企全要素生產(chǎn)率增長水平與區(qū)域差異

2.1 城市群高企整體全要素生產(chǎn)率增長率表現(xiàn)

本文主要采用方差參數(shù)檢驗［14，15］和假設(shè)檢驗等方法對超越對數(shù)生產(chǎn)函數(shù)的隨機前沿模型適用性進行判定。檢驗結(jié)果顯示：采用超越對數(shù)生產(chǎn)函數(shù)形式的隨機前沿分析模型來測算城市群高企全要素生產(chǎn)率增長率是合適的①。在上述模型測算中，參照方文中和羅守貴［2］的做法，以高企營業(yè)收入衡量生產(chǎn)產(chǎn)出，以高企年末從業(yè)人員數(shù)量衡量勞動投入，以高企年末資產(chǎn)合計（火炬統(tǒng)計有標(biāo)準(zhǔn)口徑的年末資產(chǎn)合計指標(biāo)，避免了資本存量統(tǒng)計口徑不一致與不同折算方法所帶來的誤差）衡量資本投入。圖1報告了十九大城市群高企整體全要素生產(chǎn)率增長率及分解結(jié)果。

圖1 十九大城市群整體高企全要素生產(chǎn)率增長率分布圖

整體TFP（全要素生產(chǎn)率增長率）表現(xiàn)由圖1可知，整體高企全要素生產(chǎn)率增長率呈現(xiàn)持續(xù)上升態(tài)勢，由2015年的1.0000%增長至2019年的5.1188%，2015～2019年的均值為3.1138%。同時，現(xiàn)有研究［24－28］表明中國?。▍^(qū)、市）全要素生產(chǎn)率增長率在2011年后基本維持在1%左右。表明各城市群高企著力推動著我國經(jīng)濟增長方式由投資驅(qū)動向全要素生產(chǎn)率驅(qū)動轉(zhuǎn)變。此外，還可發(fā)現(xiàn)該折線圖由陡峭變得平緩，說明整體全要素生產(chǎn)率增長速度由快變慢。

就TC（技術(shù)進步率）而言，由圖1可知，TC與全要素生產(chǎn)率增長率呈現(xiàn)出相同態(tài)勢，表現(xiàn)出持續(xù)上升趨勢，由2015年的－5.4936%增長至2019年的－0.0296%，2015～2019年的均值為－2.8376%，表明整體高企技術(shù)出現(xiàn)了衰退。這個結(jié)果與陳抗和戰(zhàn)炤磊［7］、匡遠(yuǎn)鳳和彭代彥［29］研究結(jié)果類似?？赡茉蛴校菏車腋咂笳J(rèn)定政策的影響，2016年適當(dāng)放寬了高新技術(shù)企業(yè)的認(rèn)定條件，如將企業(yè)科研人員占比由不低于30%調(diào)整為不低于10%。由此判斷，盡管現(xiàn)有單個企業(yè)的技術(shù)前沿水平并沒有發(fā)生倒退，但由于新增企業(yè)（尤其是技術(shù)含量較低的企業(yè)）可能會拉低城市群高企整體的技術(shù)前沿水平，進而帶來整體技術(shù)衰退；另外，從微觀生產(chǎn)過程而言，當(dāng)高企對所需生產(chǎn)技術(shù)提出更高的要求，前沿技術(shù)水平卻無法滿足需求，這實質(zhì)也是相對技術(shù)倒退［30－32］。值得注意的是，按照TC變動趨勢預(yù)測，在修訂后高企認(rèn)定政策推行的第5年，即在2020年TC可能由負(fù)增長變?yōu)檎鲩L。

就TEC（技術(shù)效率變化）而言，由圖1可知，高企整體TEC呈現(xiàn)出持續(xù)緩慢下降的變化態(tài)勢，由2015年的5.1059%下降至2019年的4.3445%，2015～2019年的均值為4.7182%。這個研究結(jié)果與大多研究結(jié)論高度一致。究其原因，由于技術(shù)衰退對全要素生產(chǎn)率拉低效應(yīng)的存在，使得各個城市群高企逐漸傾向于以技術(shù)效率彌補技術(shù)衰退來提升全要素生產(chǎn)率，正是由于這種技術(shù)效率追趕機制推動企業(yè)生產(chǎn)活動越來越逼近最優(yōu)前沿產(chǎn)出，同時受技術(shù)無效率、隨機因素的影響，逼近最優(yōu)產(chǎn)出會變得越來越困難。因此，TEC呈現(xiàn)出了持續(xù)穩(wěn)定下降態(tài)勢。

續(xù) 表

就SEC（要素規(guī)模效率變化）而言，由圖1可知，SEC呈現(xiàn)出“下降－上升－下降”的變動態(tài)勢，下降幅度明顯大于上升幅度，由2015年的1.6997%下降至2019年的0.7722%，2015～2019年均值為1.3557%，表明城市群高企存在要素規(guī)模效率遞增的現(xiàn)象。進一步將SEC分解為SECK（資本要素規(guī)模效率變化）和SECL（勞動要素規(guī)模效率變化），后兩者變動趨勢與SEC一致。

2.3 各個城市群高企全要素生產(chǎn)率增長率表現(xiàn)

圖2展示了京津冀、長三角、珠三角、成渝、長江中游、山東半島、粵閩浙沿海、中原、關(guān)中平原城市群高企全要素生產(chǎn)率增長率，圖3展示了北部灣、哈長、遼中南、山西中部、黔中、滇中、呼包鄂榆、蘭州－西寧、寧夏沿黃、天山北坡城市群高企全要素生產(chǎn)率增長率。經(jīng)濟越發(fā)達(dá)城市群（如珠三角、長三角等）高企全要素生產(chǎn)率增長率越低，越是經(jīng)濟欠發(fā)達(dá)城市群（如呼包鄂榆、蘭寧－西寧等）高企全要素生產(chǎn)率增長率越高。這一研究結(jié)論與李靜等［33－35］等研究結(jié)論相似。究其原因，經(jīng)濟發(fā)達(dá)城市群高企率先實現(xiàn)高質(zhì)量發(fā)展進而導(dǎo)致全要素生產(chǎn)率增速放緩，欠發(fā)達(dá)城市群高企由于存在經(jīng)濟后發(fā)追趕優(yōu)勢，其發(fā)展質(zhì)量正處于上升階段，技術(shù)進步與效率提升空間大，其全要素生產(chǎn)率增速相對較快。就全要素生產(chǎn)率增長率變化態(tài)勢而言，十九大城市群高企全要素生產(chǎn)率增長的時間演進態(tài)勢呈現(xiàn)出明顯的區(qū)域異質(zhì)性。

圖2 各個城市群高企全要素生產(chǎn)率增長分布圖（1）

圖3 各個城市群高企全要素生產(chǎn)率增長分布圖（2）

2.4 十九大城市群高企全要素生產(chǎn)率增長的區(qū)域差異

參照已有研究［18，36，37］的普遍做法，以2014年為基期（即以2014年為1）對全要素生產(chǎn)率增長率進行累計處理，從而獲得2015～2019年累計全要素生產(chǎn)率增長指數(shù)（如無特殊說明，下文均指累計全要素生產(chǎn)率增長指數(shù)）。隨后，采用Dagum基尼系數(shù)及分解方法測度和分解十九大城市群高企全要素生產(chǎn)率增長的區(qū)域內(nèi)差異、區(qū)域間差異以及差異來源，測算結(jié)果如表1所示。

表1 Dagum基尼系數(shù)及其分解結(jié)果

區(qū)域內(nèi)差異。由表1可知，城市群高企全要素生產(chǎn)率增長的整體基尼系數(shù)呈現(xiàn)出持續(xù)上升態(tài)勢，2015～2019年的均值為0.0508，表明城市群高企整體全要素生產(chǎn)率增長的區(qū)域差異持續(xù)擴大。就區(qū)域內(nèi)差異均值大小而言，北部灣、蘭州－西寧、呼包鄂榆、黔中、關(guān)中平原、哈長、粵閩浙沿海、寧夏沿黃、珠三角、中原、遼中南、天山北坡、成渝、長江中游、長三角、京津冀、山西中部、山東半島、滇中城市群高企全要素生產(chǎn)率增長的區(qū)域內(nèi)差異均值分別為0.1495、0.0769、0.0672、0.0605、0.0538、0.0460、0.0435、0.0417、0.0367、0.0345、0.0317、0.0296、0.0282、0.0264、0.0263、0.0243、0.0215、0.0190、0.0165，說明相較于發(fā)達(dá)城市群高企，欠發(fā)達(dá)城市群高企全要素生產(chǎn)率增長的區(qū)域內(nèi)差異相對較大。究其原因，發(fā)達(dá)城市群高企全要素生產(chǎn)率增速整體放緩，欠發(fā)達(dá)城市群內(nèi)由于一部分城市內(nèi)的高企依托自身發(fā)展基礎(chǔ)和優(yōu)勢，能充分發(fā)揮后發(fā)追趕優(yōu)勢，其全要素生產(chǎn)率增速較快，由此造成欠發(fā)達(dá)城市群高企全要素生產(chǎn)率增長的區(qū)域內(nèi)差異更大。就區(qū)域內(nèi)差異的演進趨勢而言，黔中城市群高企全要素生產(chǎn)率增長的區(qū)域內(nèi)差異呈現(xiàn)出先持續(xù)下降后持續(xù)上升的態(tài)勢，但上升幅度小于下降幅度，表明其區(qū)域內(nèi)差異整體呈現(xiàn)收斂態(tài)勢；寧夏沿黃、天山北坡城市群高企全要素生產(chǎn)率增長的區(qū)域內(nèi)差異均呈現(xiàn)出“擴大－收斂－擴大”的變化趨勢，擴大幅度明顯大于收斂速度；其他城市群高企全要素生產(chǎn)率增長的區(qū)域內(nèi)差異均呈現(xiàn)出持續(xù)擴大態(tài)勢，但擴大幅度各異。

區(qū)域間差異。本文按照《中華人民共和國國民經(jīng)濟和社會發(fā)展第十四個五年規(guī)劃和2035年遠(yuǎn)景目標(biāo)綱要》中對十九大城市群的發(fā)展定位，將十九大城市群高企劃分為3種類型：A類是需要優(yōu)化提升的城市群（京津冀、長三角、珠三角、成渝、長江中游城市群）高企，特點是經(jīng)濟發(fā)展規(guī)模大且發(fā)展質(zhì)量較高；B類是需要發(fā)展壯大的城市群（山東半島、粵閩浙沿海、中原、關(guān)中平原、北部灣城市群）高企，特點是經(jīng)濟發(fā)展規(guī)模和發(fā)展質(zhì)量次于A類；C類是需要培育發(fā)展的城市群（哈長、遼中南、山西中部、黔中、滇中、呼包鄂榆、蘭州－西寧、寧夏沿黃、天山北坡城市群）高企，特點是經(jīng)濟發(fā)展規(guī)模和發(fā)展質(zhì)量明顯落后于A類和B類。同時按照區(qū)域間差異大小平均分成高、低兩個水平。由表1可知，城市群高企全要素生產(chǎn)率增長區(qū)域間差異較大的主要集中于A類中的某一城市群高企與C類中的某一城市群高企之間（如珠三角與黔中城市群高企之間、珠三角與呼包鄂榆城市群高企之間、長三角與蘭州－西寧城市群高企之間、長江中游與黔中城市群高企之間）、B類中的某一城市群高企與C類中的某一城市群高企之間（如北部灣與黔中城市群高企之間、北部灣與呼包鄂榆城市群高企之間、北部灣與蘭州－西寧城市群高企之間、北部灣與天山沿黃城市群高企之間）；而區(qū)域間差異較小的主要集中于A類內(nèi)部、B類內(nèi)部以及C類內(nèi)部兩兩城市群高企之間（如A類中的長三角與成渝城市群高企之間、B類中的山東半島與關(guān)中平原城市群高企之間、C類中的山西中部與滇中城市群高企之間）。上述結(jié)果可能與區(qū)域經(jīng)濟差異與空間地理位置有關(guān)系。A類城市群高企與B類城市群高企的經(jīng)濟發(fā)展規(guī)模和質(zhì)量都明顯高于C類城市群高企，由此引致其區(qū)域間較大差異。相反，A類、B類、C類內(nèi)部中的兩兩城市群高企之間經(jīng)濟發(fā)展規(guī)模和質(zhì)量差異較?。涣硗?，就空間地理位置遠(yuǎn)近而言，A類城市群與B類城市群空間位置與C類城市群距離較遠(yuǎn)，受地緣位置、交通、行政等因素影響，協(xié)調(diào)難度更大，其區(qū)域間差異更大。相反，A類、B類、C類內(nèi)部中的城市群之間地理位置相對較近，協(xié)調(diào)難度較小，其區(qū)域間差異就小。因此，在后續(xù)分析全要素生產(chǎn)率增長率的轉(zhuǎn)移特征時，必須考慮空間關(guān)聯(lián)因素。就區(qū)域間差異演變態(tài)勢而言，黔中城市群高企與京津冀、中原、關(guān)中平原、哈長、遼中南、山西中部、滇中、寧夏沿黃等城市群高企全要素生產(chǎn)率增長的區(qū)域間差異呈現(xiàn)出波動下降態(tài)勢，表明其區(qū)域間差異存在收斂現(xiàn)象。除上述城市群高企之間，其他兩兩城市群高企全要素生產(chǎn)率增長的區(qū)域間差異均呈擴大態(tài)勢。究其原因，不同城市群高企之間尚未形成完善的跨城市群的緊密合作機制，在資源稟賦、經(jīng)濟發(fā)展、技術(shù)創(chuàng)新、政策支撐、地理位勢等方面存在較大差異，很難形成關(guān)聯(lián)互動、互通有無、互利共贏的發(fā)展模式，區(qū)域間差異的“馬太效應(yīng)”就此形成。

就區(qū)域差異的來源而言，表1匯報了十九大城市群高企全要素生產(chǎn)率增長區(qū)域差異的來源及其貢獻(xiàn)率。在樣本考察周期內(nèi)，區(qū)域間差異來源最大，超變密度差異次之，區(qū)域內(nèi)差異來源最小，區(qū)域間差異平均貢獻(xiàn)率為61.2953%，超變密度差異平均貢獻(xiàn)率為33.3447%，區(qū)域內(nèi)差異平均貢獻(xiàn)率為5.3600%。

3 十九大城市群高企全要素生產(chǎn)率增長的時空演進特征

3.1 傳統(tǒng)Markov鏈估計結(jié)果

表2匯報了傳統(tǒng)Markov鏈估計結(jié)果，對表2結(jié)果具體分析如下：

表2 傳統(tǒng)Markov鏈估計結(jié)果

（1）在樣本考察周期內(nèi)（2015～2019年），城市群高企全要素生產(chǎn)率增長率的向上與向下轉(zhuǎn)移概率呈現(xiàn)非對稱分布現(xiàn)象。由表3可知，轉(zhuǎn)移概率主要分布于對角線右上方，即低水平、中低水平、中高水平的城市群高企向上轉(zhuǎn)移概率明顯大于其向下轉(zhuǎn)移概率（僅為0.0192），說明不同水平的城市內(nèi)高企全要素生產(chǎn)率增長率均呈現(xiàn)出了向更高水平邁進的趨勢，這個結(jié)論與前面論述的十九大城市群高企全要素生產(chǎn)率增長率均呈上升趨勢的結(jié)論一致。

（2）十九大城市群高企全要素生產(chǎn)率增長率存在“俱樂部收斂”和“跨層次躍升”的現(xiàn)象。在2015～2019年，處于高水平城市群高企保持穩(wěn)定水平的概率為1.0000，向下轉(zhuǎn)移概率均為0，表明高水平城市群高企全要素生產(chǎn)率呈明顯趨同增長趨勢，其能依賴前期經(jīng)驗和已有路徑，通過持續(xù)開展創(chuàng)新創(chuàng)業(yè)活動和促進產(chǎn)業(yè)轉(zhuǎn)型升級，助推技術(shù)創(chuàng)新和效率提升，進而保持其領(lǐng)先狀態(tài)。同時，低水平、中低水平、中高水平城市群高企的全要素生產(chǎn)率增長率存在“跨層次躍升”的現(xiàn)象，低水平、中低水平、中高水平向高水平轉(zhuǎn)移概率分別為0.5385、0.9615、1.0000。值得注意的是，中低水平直接跳過中高水平躍升至高水平，中高水平則全體向高水平躍升。

（3）不同發(fā)展階段，城市群高企全要素生產(chǎn)率增長率的轉(zhuǎn)移特征不同。相較于2015～2017年，2018～2019年城市群高企全要素生產(chǎn)率增長率向下轉(zhuǎn)移概率明顯降低，由0.0958下降至0.0192，表明近兩年城市群高企全要素生產(chǎn)率增長率整體向好；另外，與2015～2017年相比，2018～2019年低水平城市群高企全要素生產(chǎn)率增長率保持穩(wěn)定水平概率降低，中低水平保持穩(wěn)定水平的概率不變，中高水平、高水平保持穩(wěn)定水平的概率增加，表明近兩年低水平城市群高企全要素生產(chǎn)率增長率趨向更高水平，中高水平、高水平更傾向于保持自身已有的領(lǐng)先優(yōu)勢。

3.2 空間Markov鏈估計結(jié)果

表3報告了空間Markov鏈估計結(jié)果，對表3結(jié)果具體分析如下：

表3 空間傳統(tǒng)Markov鏈估計結(jié)果

（1）傳統(tǒng)和空間Markov鏈估計的空間轉(zhuǎn)移特征存在明顯差異。在2015～2019年，在低水平、中低水平城市群高企全要素生產(chǎn)率增長率的鄰域環(huán)境下，初始狀態(tài)為低水平、中低水平的城市群高企向高水平轉(zhuǎn)移的概率明顯小于不考慮空間關(guān)聯(lián)環(huán)境的概率，表明倘若不考慮低水平、中低水平空間關(guān)聯(lián)因素會高估低水平、中低水平向高水平轉(zhuǎn)移概率；另外，2015～2019年，在中高水平、高水平城市群高企全要素生產(chǎn)率增長率的鄰域環(huán)境下，初始狀態(tài)為低水平、中低水平的城市群高企向高水平轉(zhuǎn)移的概率明顯大于不考慮空間關(guān)聯(lián)環(huán)境的概率，表明倘若不考慮中高水平、高水平空間關(guān)聯(lián)因素會低估低水平、中低水平向高水平轉(zhuǎn)移的概率。該結(jié)論直接揭示了空間關(guān)聯(lián)因素對城市群高企全要素生產(chǎn)率增長率轉(zhuǎn)移特征的影響程度。

（2）十九大城市群高企全要素生產(chǎn)率增長率的轉(zhuǎn)移規(guī)律表現(xiàn)出顯著空間依賴性。表4中所展示空間關(guān)聯(lián)視角下的4個轉(zhuǎn)移概率并不相同，表明不同全要素生產(chǎn)率增長水平的領(lǐng)域環(huán)境對城市群高企全要素生產(chǎn)率增長率的轉(zhuǎn)移概率影響不同。在高水平領(lǐng)域環(huán)境下，其全要素生產(chǎn)率增長率向下轉(zhuǎn)移概率為0，顯著小于低水平領(lǐng)域環(huán)境下的轉(zhuǎn)移概率；而在中低水平領(lǐng)域環(huán)境下，其全要素生產(chǎn)率增長率向上轉(zhuǎn)移概率總體小于中高水平領(lǐng)域環(huán)境下的轉(zhuǎn)移概率，如PⅡ－Ⅳ／Ⅲ大于PⅡ－Ⅳ／Ⅱ（PⅡ－Ⅳ／Ⅲ中的Ⅲ指處于中高水平領(lǐng)域環(huán)境，Ⅱ－Ⅳ指由中低水平轉(zhuǎn)向高水平，下同）、PⅠ－Ⅳ／Ⅲ大于PⅠ－Ⅳ／Ⅱ。

（3）不同水平的鄰域環(huán)境對城市群高企全要素生產(chǎn)率增長率向上轉(zhuǎn)移的作用不同。水平較高的鄰域環(huán)境對臨近城市群高企全要素生產(chǎn)率提升具有 明 顯 促 進 作 用，如PⅠ－Ⅳ／Ⅳ大 于PⅠ－Ⅳ／Ⅰ，PⅡ－Ⅳ／Ⅳ大于PⅡ－Ⅳ／Ⅰ，表明高水平的高企對周邊城市群高企全要素生產(chǎn)率提升具有引領(lǐng)帶動作用，這主要是由于相互競爭與知識溢出效應(yīng)推動了臨近城市群高企全要素生產(chǎn)率協(xié)同增長。相反，水平較低的鄰域環(huán)境對臨近城市群高企全要素生產(chǎn)率增長具有明顯抑制作用，如PⅡ－Ⅰ／Ⅰ明顯大于PⅡ－Ⅰ／Ⅱ、PⅡ－Ⅰ／Ⅲ、PⅡ－Ⅰ／Ⅳ。

（4）相鄰城市群高企全要素生產(chǎn)率增長差異的大小對城市群高企全要素生產(chǎn)率增長率轉(zhuǎn)移概率的影響不同步。當(dāng)鄰域環(huán)境依次為低水平、中低水平、中高水平、高水平時，初始狀態(tài)為低水平向上轉(zhuǎn)移的概率依次為0.5789、0.7333、0.8182、1.0000。究其原因，當(dāng)相鄰城市群高企全要素生產(chǎn)率增長差異越大時，低水平城市群高企越易受到高水平領(lǐng)域環(huán)境的輻射帶動作用，知識和技術(shù)溢出就越頻繁，同群效應(yīng)就越明顯，從而低水平的城市群高企越容易提升全要素生產(chǎn)率，這也進一步解釋了前文數(shù)據(jù)分析的結(jié)果“城市群高企全要素生產(chǎn)率增長的區(qū)域差異越大，這些城市群高企全要素生產(chǎn)率增長就越快”。

4 結(jié)論與啟示

本文基于2015～2019年十九大城市群高企的經(jīng)濟投入和經(jīng)濟產(chǎn)出的面板數(shù)據(jù)，對十九大城市群高企全要素生產(chǎn)率增長水平、區(qū)域差異及其時空演進特征進行了實證研究。主要結(jié)論如下：19個城市群高新技術(shù)企業(yè)全要素生產(chǎn)率增長率呈增長態(tài)勢；整體、區(qū)域內(nèi)以及區(qū)域間差異均呈明顯擴大態(tài)勢；其時空轉(zhuǎn)移特征呈現(xiàn)出“非對稱向上”、“俱樂部收斂”和“跨層次躍升”的態(tài)勢；在不同領(lǐng)域環(huán)境下，其轉(zhuǎn)移特征表現(xiàn)出顯著空間依賴性。

根據(jù)以上結(jié)論，本文獲得以下啟示：

（1）加快創(chuàng)新型企業(yè)隊伍建設(shè)。各城市建設(shè)的高企已經(jīng)成為引領(lǐng)和帶動區(qū)域經(jīng)濟增長方式由要素驅(qū)動轉(zhuǎn)向創(chuàng)新或全要素生產(chǎn)率驅(qū)動的主要抓手。實施多元創(chuàng)新型企業(yè)培育計劃，引入或培育一批科技型領(lǐng)軍企業(yè)和高企，研究探索“瞪羚企業(yè)計劃”和“雛鷹企業(yè)計劃”，加快培育和孵化中小微科技企業(yè)，推動科技型企業(yè)在主板、中小板、創(chuàng)業(yè)板首發(fā)和借殼上市；鼓勵和支持企業(yè)建立企業(yè)技術(shù)中心、重點實驗室、工程技術(shù)研究中心等研發(fā)機構(gòu)，持續(xù)深化企業(yè)與國內(nèi)外知名院校的合作與交流，支持企業(yè)、科研院所等圍繞產(chǎn)業(yè)技術(shù)創(chuàng)新的關(guān)鍵問題，開展技術(shù)合作，實現(xiàn)知識產(chǎn)權(quán)共享，科技成果快速轉(zhuǎn)移轉(zhuǎn)化。

（2）明確定位，因區(qū)施策。各城市群高企全要素生產(chǎn)率增長水平及其區(qū)域內(nèi)差異不同，意味著各城市群要明確定位、因區(qū)施策、強化特色、走多元化道路。①優(yōu)化提升京津冀、長三角、珠三角、成渝、長江中游等城市群。提升高企自主創(chuàng)新和原始創(chuàng)新能力，瞄準(zhǔn)和鉆研國際前沿知識和關(guān)鍵技術(shù)，突破國外技術(shù)封鎖和壟斷，破解一系列核心技術(shù)“卡脖子”問題，持續(xù)引領(lǐng)關(guān)鍵技術(shù)與前沿知識的迭代升級；②發(fā)展壯大山東半島、粵閩浙沿海、中原、關(guān)中平原、北部灣等城市群。聚焦自身高企已有的技術(shù)優(yōu)勢和發(fā)展特色，大力實施特色發(fā)展戰(zhàn)略，持續(xù)加大技術(shù)研發(fā)投入，力爭在自身高企特色優(yōu)勢領(lǐng)域中取得重大技術(shù)創(chuàng)新突破，增強城市群高企國內(nèi)技術(shù)創(chuàng)新競爭力和影響力；③培育發(fā)展哈長、遼中南、山西中部、黔中、滇中、呼包鄂榆、蘭州－西寧、寧夏沿黃、天山北坡等城市群。積極引進和培育優(yōu)質(zhì)創(chuàng)新資源，尤其是要圍繞自身產(chǎn)業(yè)技術(shù)發(fā)展方向梳理前沿知識和先進技術(shù)，大力鼓勵和支持舉辦創(chuàng)業(yè)創(chuàng)新大賽、高端技術(shù)創(chuàng)業(yè)論壇等活動，激發(fā)全社會創(chuàng)新創(chuàng)業(yè)熱情。

（3）構(gòu)建跨城市群的高企開放合作機制。對于京津冀、長三角、珠三角、成渝、長江中游等城市群高企而言，擴寬對外發(fā)展的物理空間，發(fā)揮對落后城市群高企的輻射帶動作用，積極主動向其他城市群高企總結(jié)、推廣成功經(jīng)驗和做法，以項目合作為紐帶，幫助落后城市群提升創(chuàng)新發(fā)展水平；對于其他城市群高企而言，強化與較發(fā)達(dá)城市群高企之間的戰(zhàn)略合作，共同探索合作新模式，共建開放交流平臺（如科技商務(wù)平臺、人才交流平臺、技術(shù)成果跨區(qū)交易平臺、資本對接平臺、異地孵化平臺等），以期充分對接利用發(fā)達(dá)城市群高企創(chuàng)新創(chuàng)業(yè)資源。引導(dǎo)區(qū)內(nèi)大中小各類企業(yè)融通、抱團發(fā)展，壯大實力，通過大企業(yè)幫助一批中小企業(yè)進入國內(nèi)外市場，增強競爭力。

注釋：

①限于篇幅，未列出超越對數(shù)生產(chǎn)函數(shù)形式的隨機前沿分析模型的公式算法，也未報告方差參數(shù)檢驗和假設(shè)檢驗結(jié)果，如有需要可與作者聯(lián)系。