王文成 隋 苑

(1. 吉林大学中国国有经济研究中心； 2. 吉林大学经济学院)

1 研究背景

一个国家或地区创新能力的提高,不能仅仅依靠研发投入数量上的持续增多，还在很大程度上依赖于创新过程中投入产出绩效的改善，即创新资源利用效率的提高[1，2]。围绕中国产业集聚对创新效率的影响，学者们展开了一系列研究，主要涉及高技术服务业、文化产业、金融业、高技术产业、创意产业、制造业、生产性服务业和技术密集型制造业。从研究结果来看，单一产业集聚对创新效率的影响多为正向促进效果[3～5]，也有一些学者得出了二者之间存在非线性关系的结论[6，7]。

相较于单一产业集聚，产业的协同集聚在经济活动中往往更普遍。ELLISON等[8]最早将产业在空间上临近集聚的现象定义为产业协同集聚。国内学者大多将研究视角聚焦于生产性服务业和制造业的协同集聚[9，10]，但目前研究二者协同集聚对创新效率影响的文献并不多见。

产业在空间上的协同集聚需建立在产业关联基础之上。生产性服务业知识密集度较高，因此与制造业中技术密集型行业协同集聚的程度更明显[11]，对区域创新效率的影响也更容易被观测到。故本研究认为,将高技术产业(制造业)和生产性服务业协同集聚作为研究对象更为合理。已经有学者探究了高技术产业和生产性服务业协同集聚对区域创新效率的影响。研究表明，长三角地区能通过产业协同集聚实现创新效率的提升[12]。但是，创新效率变化并非区域内部问题，随着市场一体化建设和区域协调发展战略的逐步实施，省际间要素流动程度不断加深，生产性服务业和高技术产业协同集聚的效应不仅会存在于本地区，还可能会对邻近地区产生一定影响，即涉及不同地区之间的联动效应，这是目前研究尚未涉及的。

鉴于此，本研究将生产性服务业和高技术产业协同集聚因素融入正规空间经济或集聚经济理论的框架中，探究生产性服务业和高技术产业协同集聚对区域创新效率的空间效应。本研究的边际贡献主要有以下两点：①直接以生产性服务业和高技术产业协同集聚为研究对象，在空间经济学框架中探究了其对区域创新效率的直接效应和间接效应，丰富了既有研究；②探究了创新效率分解、行业、区域3个异质性视角下生产性服务业和高技术产业协同集聚对区域创新效率的影响，多方面、多层次审视了生产性服务业和高技术产业协同集聚促进区域创新效率提升的有效性问题，为地区产业政策的制定提供经验支撑。

2 理论分析与研究假设

根据产业集聚理论，生产性服务业和高技术产业协同集聚可以带来规模经济和技术外溢。具体来说，可通过以下6种方式影响区域创新效率：①生产性服务业和高技术产业的协同集聚可以形成规模经济，节约集聚区内企业成本，增强创新主体进行技术研发的倾向性和强度。②根据产业价值链理论，生产性服务业位于产业价值链“微笑曲线”的两端，是产业竞争力的重要来源。生产性服务业和高技术产业的集聚发展，将会为高技术产业赋能，提升生产产品的附加值，这部分利润同样会带来研发投入的增加。③高技术产业和生产性服务业都属于知识技术密集型产业，二者的协同集聚相当于为地区提供了一个规模巨大的“创新要素池”，有利于区域内知识的扩散与共享，促进集体学习和知识社会化过程。④生产性服务业和高技术产业在业务上是互补的，具有密切的投入产出关系，因此二者之间存在需求引致效应。这会使技术研发少走弯路，降低创新过程的风险和不确定性，增强创新活动的决策效率和成功率，也会让研究成果的转化提速，研发与实际应用能够高度匹配起来。⑤由于生产性服务业和高技术产业的高知识技术密集性，二者协同集聚的辐射效果将大大增强。CZARNITZKI等[13]认为，知识密集型服务是创新的媒介。先进的技术知识可以通过生产性服务业溢出到其他行业，从而提高整个地区的创新效率。⑥循环累积因果效应，创新过程的复杂性和系统性决定了它的累积性特征，不断追加的创新簇群随着最初的革命创新选定的“技术轨迹”，加快了知识的积累和传播，使得地区的创新资源得以快速累积。研发活动的不断集中，强化了空间中创新集中的自发倾向，使得某一地区在良性循环下越来越具有创新优势。基于此，提出如下假设：

假设1生产性服务业和高技术产业协同集聚能够提升本地区创新效率。

诸多学者研究表明，创新具有空间扩散性，并受地理距离以及经济距离的影响[14,15]。生产性服务业和高技术产业协同集聚促进了创新资源的集聚以及技术进步，而创新资源和知识技术的空间扩散特征使二者的协同集聚产生了溢出效应。按照溢出方向，可将该效应进一步分解为直接效应和间接效应，分别对应区域内部溢出(即假设1)和区域外部溢出。白俊红等[16]指出，区域创新系统之间存在要素流动,由于其主要反映了创新活动在地域空间上的关联效应,可将其称之为空间关联。

据此，以区域间经济联系、创新要素流动为前提，一个区域的生产性服务业和高技术产业协同集聚，可能会对另一个邻近地区的创新效率产生影响，即区域外部溢出效应。本研究所探究的区域外部溢出效应，将产业协同集聚、区域创新效率、空间关联纳入统一研究框架下，有助于揭示我国区域创新能力的协调发展水平。需要注意的是，这种区域外部溢出效应的结果具有一定的不确定性，即存在正向溢出和负向溢出两种可能性。HIRSCHMAN[17]提出经济活动的空间集聚往往会产生极化效应与涓滴效应。基于此，提出如下假设：

假设2生产性服务业和高技术产业协同集聚可能对区域创新效率产生外部溢出效应，该效应受区域间创新要素流动的限制，并具有不确定性。

生产性服务业是一个复合性定义，其内部包含不同的行业门类，这些行业门类有着各不相同的服务内容，与高技术产业的经济技术联系亦有所差别。一个行业的知识技术密集度与创新活动紧密相关，而生产性服务业里既包含像交通运输、仓储和邮政业这样知识技术密集度一般的行业，也包含像信息传输、软件和信息技术服务业这样知识密集度十分高的门类。国内学者在研究过程中亦会关注生产性服务业的子行业异质性问题[18]。那么，生产性服务业内部的不同行业分别和高技术产业协同集聚对区域创新效率的影响有何差别？

此外，中国区域发展不平衡问题比较突出，受改革开放战略的影响，形成了一批以东部沿海地区为代表的“先富地区”，与中部、西部地区在经济发展水平、产业发展阶段存在差异。生产性服务业和高技术产业均属于知识技术密集度高的行业，二者的融合和协同集聚发展是工业化程度逐步加深的产物。换言之，二者协同集聚对区域创新效率的影响与地区经济水平密切相关。就区域创新效率这一指标而言，虽然测度的方法和时间区间有所差异，但整体呈现了东部地区创新效率具有绝对优势、远高于中部和西部地区的特点[19]。这种差异是本研究所不能忽视的，依据循环累积因果理论，创新的初始条件对于区域创新效率的提升至关重要。那么在初始创新条件参差不齐的情况下，生产性服务业和高技术产业协同集聚对区域创新效率的影响是否存在着区域差异化特征？比如，在创新初始水平较低的中部地区和西部地区，生产性服务业和高技术产业协同集聚所累积的知识技术密集度也会比较低，因此不能显著地带动区域创新效率提升。并且由于经济水平不高，各省份吸纳先进知识技术的能力有限，可能导致无法产生有效的区域外部溢出效应。基于此，提出如下假设：

假设3生产性服务性和高技术产业协同集聚对区域创新效率的影响，存在着行业特征依赖以及地区特征依赖。

3 研究设计

3.1 模型构建

如前文所述，在提升区域创新要素投入、提高创新要素匹配质量、增强知识溢出等效应的作用下，生产性服务业和高技术产业的协同集聚能够提升区域创新效率，并且这种效应从理论上讲应存在跨区域现象。因此，本研究将生产性服务业和高技术产业协同集聚水平(XT)和区域创新效率(CX)分别作为核心解释变量和被解释变量。此外，选取政府干预(GO)、市场化水平(MA)、对外开放(OP)、城市化水平(UR)作为控制变量。为减弱模型中数据的异方差性和偏态性，但同时不影响对核心解释变量系数的直观解释，本研究对控制变量取自然对数(后续的稳健性分析中也将对不取自然对数的情况进行讨论)，构建如下实证分析模型：

CXit=β0+β1XTit+β2lnKit+μi+γt+εit，

(1)

式中，i和t分别代表省份和年份；Kit代表一系列省份层面的控制变量；μi和γt分别代表个体效应和时间效应，控制了省份层面不随时间变化的影响因素和全国层面宏观经济影响因素；β0代表截距项；β1、β2为各解释变量的系数；εit为随机扰动项。

由于创新活动本身容易受到学习和模仿，加上信息交流的日益便捷，所以地区之间的创新效率存在空间上的关联性，本研究进一步将式(1)扩展为空间计量模型：

(2)

式中，ρ为空间自回归系数；n为省份总数；j为不包含省份i在内的其余n-1个省份；ωij为n×n维空间权重矩阵W中的元素，代表省份i和j的空间关联程度；θ1、θ2为各解释变量空间交乘项的系数；αi代表空间效应。

3.2 变量设定与数据说明

本研究使用省级层面数据，以2001～2019年总计中国30个省级行政区(剔除港澳台和西藏地区)的相关数据为样本。数据来源于2002～2020年的《中国劳动统计年鉴》和《中国高技术产业统计年鉴》《中国科技统计年鉴》，缺失的数据使用《中国统计年鉴》和各省级行政区《统计年鉴》补齐，共获取570个观测值。详细的变量测度如下。

(1)被解释变量被解释变量为各省级行政区的区域创新效率(CX)。区域创新效率反映了一个地区创新行为过程中投入与产出的集约性水平[19]，常见的测量方法主要分为两种：①参数类型的随机前沿分析法(SFA)；②非参数类型的数据包络分析法(DEA)。两种方法各有优缺点，随机前沿分析法(SFA)最突出的优点是可以考虑到随机因素对于产出的影响，但模型基本假设较为复杂，对投入产出数据要求高；数据包络分析法(DEA)虽难以考虑随机扰动因素对产出的影响，但对数据要求低，模型简单易扩展[20]。三阶段DEA方法正是从原始DEA方法中扩展而来，综合了DEA方法和SFA方法的优势，能够剔除环境因素和随机误差因素的影响，从而得到纯净的效率值。因此，在数据允许的情况下，该方法具有明显的优势。

本研究采用三阶段DEA的方法对区域创新效率进行测度，具体的测算步骤如下：第一阶段，使用传统DEA模型分析初始效率。使用的投入指标为R&D内部经费支出和R&D人员当时全量[21]，产出指标为国内3种专利授权数和技术市场成交额，并将相关数据换算为可比价格。第二阶段，根据FRIED等[22]的方法，选取人均GDP、政府科技支出、对外开放、所有制结构、基础设施情况5个环境变量，利用似SFA回归剔除环境因素和随机误差，得到调整后的投入变量值。第三阶段，使用调整后的投入产出变量再次进行DEA效率测算，得到调整后的各区域创新效率。使用三阶段DEA模型测度区域创新效率的变量汇总见表1。

表1 三阶段DEA变量汇总

(2)解释变量解释变量为各省级行政区生产性服务业和高技术产业协同集聚指数(XT)。该指数代表了两个产业在空间上的协同程度，目前常见的测算方法主要有DURANTON等[23]构建的D-O指数、ELLISON等[8]构建的E-G指数，以及陈建军等[9]构建的修正后的E-G指数。其中，D-O指数受数据限制较大，适用性不高；而修正后的E-G指数与原E-G指数相比更符合中国实际情况，得到国内学者的广泛使用。因此，本研究采用修正后的E-G指数来测算二者的协同集聚指数，计算公式如下:

(3)

式中，SAis、HAih分别表示i地区生产性服务业(s)、高技术产业(h)的区位商；Lis、Lih分别表示i地区生产性服务业、高技术产业从业人员数；Ls、Lh分别表示全国生产性服务业、高技术产业从业人员数；Li、L分别表示各地区和全国的从业人员总数。进一步，生产性服务业和高技术产业协同集聚指数构建如下：

XT=[1-|SA-HA|/(SA+HA)]+

|SA+HA|。

(4)

(3)控制变量控制变量包括政府支出(GO)、对外开放(OP)、市场化指数(MA)以及城市化水平(UR)。具体来说，政府支出采用地区财政支出中科技支出占比衡量；对外开放采用货物进出口总额和GDP的比值衡量；2001～2016年的市场化指数来源于《中国分省份市场化指数报告》[24]，2017～2019年的市场化指数为依据报告指标自行测算所得；城市化水平采用城镇人口占比来衡量。模型中各变量的统计性分析见表2。

表2 变量描述性分析(N=570)

4 空间计量结果及分析

4.1 生产性服务业和高技术产业协同集聚对区域创新效率的空间效应

4.1.1空间权重矩阵与变量空间相关性分析

常见的空间权重矩阵有0-1邻接矩阵、反地理距离矩阵、经济距离矩阵、经济-地理嵌套矩阵。鉴于事实情况，地区之间的联系跟地理位置和经济水平都有关系，故本研究优先选择经济-地理嵌套矩阵作为实证分析的空间权重矩阵。则矩阵W中元素ωij的计算公式如下：

(5)

此外，本研究测得区域创新效率的面板全局Moran’sI值为0.452，协同集聚指数的面板全局Moran’sI值为0.396。两项指数均在1%的水平上显著，表明区域创新效率和协同集聚指数均存在空间相关性。

4.1.2实证检验与估计结果

在空间计量模型的选择上，本研究主要是考察生产性服务业和高技术产业协同集聚对区域创新效率的空间效应，这种空间效应从理论上讲分为区域内部和区域外部两种，如果要同时观测到这两种效应，理想的空间计量模型应是空间杜宾模型(SDM)。此外，莫兰指数测度也表明本研究的解释变量和被解释变量均存在空间相关性。但在使用空间杜宾模型之前，还应该进行空间模型检验。本研究依次进行了LM检验、SDM模型固定效应检验以及Hausman检验，结果显示应采用时空双重固定效应的SDM模型进行实证分析。为了便于比较，本研究将SAR模型、SEM模型、普通面板模型OLS回归结果一同罗列(见表3)。

由表3可知，SDM模型的空间自回归系数ρ在1%的水平通过检验。因此，可进一步依据LESAGE等[25]的方法分解经济-地理距离矩阵下SDM模型的直接效应与间接效应，结果见表4。

表3 生产性服务业和高技术产业协同集聚对区域 创新效率的空间效应(N=570)

表4 生产性服务业和高技术产业协同集聚对区域创新 效率的直接效应和间接效应(N=570)

首先，分析核心解释变量对区域创新效率的影响。由表4可知，生产性服务业和高技术产业协同集聚能够提升本地区创新效率，这表明在提升区域创新要素投入、提高创新要素匹配质量、强化创新成果辐射等机制的作用下，二者协同集聚对本地区创新效率的确产生了积极影响。协同集聚指数每提高1，将使本地区创新效率指数提升0.041，假设1得到验证。但是，生产性服务业和高技术产业协同集聚对区域创新效率的间接效应并未通过显著性检验，表明二者协同集聚的溢出效应不明显，该结果回应了假设2。这在一定程度上说明，中国各省份之间的创新要素流动不够充分。尽管区域一体化市场正在大力建设之中，但是地方保护主义、省际间的经济贸易壁垒仍然存在。事实上，各地政府在“锦标赛”式的政绩激励方式下，往往会选择优先保护发展本地区产业，甚至会阻碍本地区产业与其他地区产业产生空间联动，最终导致溢出效果的不显著。此外，当中央政府发布产业规划之后，各地方政府均会争相落实，引致重复建设现象严重。比如，本研究的30个样本中，每一个地区不论发达程度如何，都至少有一个国家级高新技术开发区，引导着生产性服务业、高技术产业这样的知识技术密集型行业在此集聚。如果每个地区都有门类相对齐全的生产性服务业和高技术产业，那么跨区域的产业分工和合作机制也会较难实现。并且，这样的重复建设往往难以保证质量，“全而不专”的配置导致生产性服务业和高技术产业协同集聚对创新效率的溢出效应大大缩减。

其次，分析控制变量对区域创新效率的影响。政府支出、对外开放对区域创新效率的直接效应与间接效应均不显著。市场化指数对区域创新效率的直接效应和间接效应均显著为正，说明市场化程度的加深，资源配置合理性的改善，不仅可以提升本地区的创新效率，还能够将创新优势辐射至邻近地区，带来区域间的协同发展。可见，若想下好全国“一盘棋”，让各地区在发展中走向平衡，市场化建设的推进是行之有效的方法。城市化水平对区域创新效率的直接效应不显著，而间接效应显著为正，表明随着人口逐步从农村走向城市，劳动力数量和质量有所提高，但这并未提升本地区创新效率，而是促进了邻近地区创新效率的提升。可能的原因是，尽管存在一定户籍限制，劳动力在省际间的自由流动性仍是较强的，所以城市化进程快的地区会对慢的地区产生“极化”效应。

4.2 稳健性分析

本研究的稳健性分析如下。

(1)核心变量稳健性分析本研究的核心被解释变量CX，即区域创新效率，采用三阶段DEA方法测度，该方法的优势在于可以获取纯净的效率值，在很大程度上保证了被解释变量的准确性。本研究的核心解释变量XT，即产业协同集聚指数，采用的是目前国内学者较为通用的计算方法，即修正后的E-G指数进行测算，与既有研究具有一定的可比性。

(2)数据平稳性检验在计量开始之前，本研究对数据平稳性进行了检验，发现部分变量数据含有单位根。进一步，为避免非平稳性导致的伪回归现象，进行面板数据协整关系检验，看变量之间是否存在长期协整关系。本研究采用常用的Kao检验[26]、Pedroni检验[27，28]与Westerlund检验[29]，结果显示各变量在1%的水平上通过检验，即原估计模型是稳健的(1)限于篇幅，稳健性分析中(2)和(4)的检验结果未列出，留存备案。。

(3)更换空间权重矩阵为验证实证结果的稳健性，本研究进一步使用反地理距离矩阵、经济距离矩阵进行SDM模型分析，结果见表5。

表5 不同空间矩阵下的回归结果(N=570)

从更换空间权重矩阵后的实证结果来看，在反地理距离矩阵下，生产性服务业和高技术产业协同集聚对区域创新效率的影响与表4基本一致。在经济距离矩阵下，直接效应与表4中的结果一致，间接效应变得显著，表明经济水平上的邻近对生产性服务业和高技术产业协同集聚的区域创新效率溢出效应有明显影响。总体上，模型的估计结果具有一定的稳健性。虽然空间矩阵的不同会对估计结果有轻微影响，但从表5和表3中SDM模型回归结果的log-lik值和R2值来看，经济-地理矩阵下的回归结果拟合优度更佳。因此，本研究进一步的研究仍然采用经济-地理空间权重矩阵。

(4)不对控制变量取ln值构建模型过程中，为了减弱其中数据的异方差性和偏态性，本研究对控制变量取ln值。为了验证模型的稳健性，故不对各控制变量取ln值在不同空间权重矩阵下进行回归分析。从结果来看，经济-地理矩阵下核心解释变量的显著性未发生改变，系数与表4中结果相比差别不大。在反地理距离矩阵和经济距离矩阵下的回归结果与表5中的结果也基本一致。可以认为，模型中对控制变量取ln值并没有影响核心估计结果，即原模型是稳健的。

4.3 进一步分析

4.3.1基于创新效率分解的实证分析

本研究的被解释变量区域创新效率经过进一步分解，可呈现为区域创新纯技术效率和规模效率。本研究将式(2)原模型中的被解释变量依次替换为分解得到的创新纯技术效率和规模效率，使用经济-地理空间权重矩阵，运用时空双重固定效应的SDM模型进行空间面板回归，回归结果见表6。

表6 基于创新效率分解的回归结果(N=570)

由表6可知，生产性服务业和高技术产业协同集聚对区域创新纯技术效率的直接效应显著为正，表明能够提升本地区创新纯技术效率，而间接效应不显著，说明对邻近地区创新纯技术效率没有明显影响；对区域创新规模效率的直接效应和间接效应均显著为正，表明二者协同集聚能够带来更充足的创新资源，增强创新资源投入规模的合理性，以此带动本地区和邻近地区创新规模效率的提升。此外，就直接效应而言，生产性服务业和高技术产业协同集聚对纯技术效率的提升幅度要小于规模效率，说明二者协同集聚在创新资源合理配置、技术水平提高中的作用需要进一步增强。

4.3.2基于生产性服务业细分行业的实证分析

上述的实证分析结果，均是从生产性服务业整体出发，探究其和高技术产业协同集聚对区域创新效率的影响。根据假设3，在本研究所探究的整体效果中可能包含行业异质性特征。为探究这种特征究竟如何，本研究分别测算了生产性服务业内部不同的行业与高技术产业的协同集聚指数，在经济-地理空间权重矩阵下，使用SDM模型进行空间面板回归，回归结果见表7。

表7 基于生产性服务业细分行业的 回归结果(N=570)

首先，分析回归结果中的直接效应。由表7可知，交通运输、仓储和邮政业，金融业，租赁和商务服务业，科学研究和技术服务业，这4个行业和高技术产业协同集聚对区域创新效率的直接效应均显著为正，说明能够明显地提升本地区创新效率，其中提升幅度最大的是交通运输、仓储和邮政业，最小的是租赁和商务服务业。信息传输、软件和信息技术服务业与高技术产业协同集聚对区域创新效率的直接效应未通过显著性检验，表明对本地区创新效率的提升没有显著影响。可能的原因是：地方经济发展一味追求高技术，但却忽视了产业之间的关联性，导致信息传输、软件和信息技术服务业未与本地区产业发展紧密结合。

其次，分析回归结果中的间接效应。5个生产性服务业细分行业和高技术产业协同集聚对区域创新效率的间接效应均表现为不显著，说明不能对邻近地区的创新效率产生显著影响。该结果与表4中的结果具有极高的一致性，区域间壁垒的存在影响了创新资源的空间流动，导致生产性服务业和高技术制造业协同集聚对邻近地区创新效率的辐射效果不强。

4.3.3基于东、中、西3个区域的实证分析

根据假设3，生产性服务业和高技术产业协同集聚对区域创新效率的影响可能存在地区特征依赖，如果忽视地区异质性的问题，将会掩盖本研究中重要的信息。因此，本研究将30个省级行政区样本分为东、中、西3组，分别测算3个区域的生产性服务业及5个细分行业和高技术产业协同集聚指数，构建3个区域的经济-地理空间权重矩阵，并使用SDM模型探究对区域创新效率的影响，结果见表8。

表8 基于东、中、西3个区域的回归结果

首先，分析三大区域整体回归结果。在东部地区和西部地区，生产性服务业和高技术产业协同集聚对区域创新效率的直接效应和间接效应均显著为正，表明既可以提升本地区创新效率，也可以对邻近地区创新效率产生溢出效应。且从系数绝对值来看，间接效应大于直接效应，侧面表明东部地区和西部地区内部各省份的经济技术联系较为充分。在中部地区，生产性服务业和高技术产业协同集聚对区域创新效率的直接效应和间接效应均未通过显著性检验。产生这一现象可能的原因是，中部地区创新效率处于中间水平，相比之下，生产性服务业和高技术产业协同集聚却仍处于低层次，不足以带动创新效率的进一步提升。相关研究表明，低层次的产业协同集聚易产生模仿性的低端创新，形成“创新惰性”[30]，集聚区内企业之间信任度低，学习、合作意识较弱，导致产业协同集聚对创新没有明显的促进效果。此外，虽然西部地区的回归结果显著为正，但其创新效率水平还处于初级阶段，在未来长期发展中也应警惕产业协同集聚“低层次锁定”的问题。

其次，分析三大区域内部分行业的回归结果。在东部地区，交通运输、仓储和邮政业，金融业，科学研究和技术服务业，这3个行业和高技术产业协同集聚对区域创新效率的直接效应和间接效应显著为正。在中部地区，5个生产性服务业细分行业和高技术产业协同集聚的直接效应和间接效应均不显著。在西部地区，交通运输、仓储和邮政业，金融业，科学研究和技术服务业，这3个行业和高技术产业协同集聚对本地区和邻近地区的创新效率均有显著的正向影响；此外，信息传输、软件和信息技术服务业与高技术产业协同集聚对邻近地区创新效率有明显的提升作用。这一系列结果再次表明，中部地区生产性服务业和高技术产业协同集聚质量并不高，各省份内部信息传输、软件和信息技术服务业与高技术产业的关联程度明显不足。

综上分析，假设3得到验证。

5 结语

本研究分析了生产性服务业和高技术产业协同集聚对区域创新效率的空间效应。研究表明，生产性服务业和高技术产业协同集聚能够显著提升本地区创新效率，但对邻近地区没有明显影响。从生产性服务业和高技术产业协同集聚对区域创新效率两个分解效率的回归结果来看，二者协同集聚能够提升本地区创新纯技术效率和规模效率，但仅能提升邻近地区的规模效率。从生产性服务业细分行业与高技术产业协同集聚的回归结果来看，交通运输、仓储和邮政业，金融业，租赁和商务服务业，科学研究和技术服务业，这4个行业和高技术产业协同集聚都能提升本地区创新效率，但均未能够提升邻近地区创新效率。从将30个省级行政区样本分为东、中、西三大区域的回归结果来看，东部地区与西部地区的生产性服务业和高技术产业协同集聚既能提高本地区创新效率，又能对邻近地区创新效率产生溢出效应；中部地区的则对本地区和邻近地区创新效率都没有明显的提升效果。进一步，东部地区和西部地区的交通运输、仓储和邮政业，金融业，科学研究和技术服务业，这3个行业和高技术产业协同集聚会对本地区和邻近地区创新效率产生明显提升作用；此外，西部地区的信息传输、软件和信息技术服务业与高技术产业协同集聚会提升邻近地区创新效率；中部地区的5个生产性服务业细分行业和高技术产业协同集聚对本地区、邻近地区的创新效率均未有显著影响。

综上分析，本研究提出以下建议：①整体上，生产性服务业和高技术产业协同集聚没有对邻近地区创新效率产生明显提升效果。这一结果表明地区间产业联系还不够紧密，创新要素没有充分流动，区域间协同发展机制难以发挥作用。若想释放生产性服务业和高技术产业协同集聚在创新效率上的辐射效应，必须加快推进区域一体化建设，着力打破区域间的经济壁垒，加强区域间产业关联。②生产性服务业和高技术产业协同集聚对地区自身创新纯技术效率的提高幅度要小于规模效率。这一结果说明，二者协同集聚对创新资源的配置作用、对技术水平的提高作用需进一步强化，以推动地区经济集约化发展，而不是主要依靠创新资源的不断投入提高整体创新效率。③不论在全国层面还是分东、中、西3个地区层面，信息传输、软件和信息技术服务业与高技术产业协同集聚都没有提升本地区创新效率。这一结果表明，作为高知识技术密集度的生产性服务业之一，信息传输、软件和信息技术服务业与高技术产业在各省份内部的关联程度还不够，不利于支撑制造业转型升级，应着力提升信息传输、软件和信息技术服务业与高技术产业的融合质量，加强业务契合度，促进二者的有效集聚。④中部地区的生产性服务业以及5个细分行业与高技术产业协同集聚都没有对本地区和邻近地区的创新效率产生提升效果。这一结果表明，中部地区的产业发展布局存在一定的短板，应注意推进生产性服务业和高技术产业协同集聚的政策力度，以及与本地区产业、经济发展水平的匹配度，警惕产业发展中“全而不专”“撒种子”或者盲目模仿的问题，着力优化产业布局，促进资源的合理配置。

本研究尚存在不足之处和拓展空间：①囿于城市数据，仅以省级数据为样本测算了区域创新效率，后续研究亦从省级层面展开，城市层面的研究有待进一步探索；②由于未能从城市层面展开分析，文中对于区域的分类略显粗糙，未能对区域异质性问题进行精准刻画；③未涉及生产性服务业和高技术产业协同集聚影响区域创新效率的机制检验，这也是后续研究需完善之处。