邻近对知识溢出的影响

姚德文 韦林源

摘 要：关于邻近与知识溢出二者之间的关系在经济学界已经有了不少的经济学者对此做了相关的研究，本文以长三角地区4个省市26个城市（上海、南京、苏州、无锡、常州、南通、镇江、泰州、扬州、盐城、杭州、绍兴、宁波、嘉兴、舟山、湖州、台州、金华、合肥、芜湖、滁州、安庆、马鞍山、宣城、铜陵、池州）的专利申请量和研发投入数据作为观察样本，通过莫兰指数与空间滞后模型进行分析，发现，长三角地区专利申请量与地理邻近是正相关的。

关键词：地理邻近;知识溢出;长三角地区;专利数量;空间分析

中图分类号：F270      文献标识码：A      文章编号：1008-4428（2018）12-0008-04

一、 引言

目前我们身处的21世纪是关注知识经济的时代，创新、知识与科技已经是世界各国在发展经济时都十分重视的因素。知识也就成为几个传统生产要素之外促进经济增长的重要因素进入经济学家们的研究视野，但是由于知识自身不易度量的属性，如何分析知识，就成为经济学中的一个重要的主题。自19世纪以来，已经有许多科学家通过邻近的角度来分析知识独特的外溢现象，到如今已经有许多进展，提出了很多相关的理论，从概念界定到实证研究，经济学家们用各种不同的方式来分析了不同种邻近与知识溢出之间存在着联系。

二、 文献综述

（一）知识溢出

包含诸如信息、技术、管理经验等的各类知识利用交易或者非交易的形式流出之前拥有知识的主体，这就是我们常说的知识溢出（Knowledge Spillovers）。知识本身所具有的稀缺性、流动性和扩散性特征是知识外溢产生的根源。将知识溢出概念归类于内生增长理论以及新经济地理学的知识范畴是当今经济学界所普遍采用的方式，经济学者们也常用知识溢出来解读集聚现象、创新以及区域经济增长。马歇尔（1890）在其对于外部性的研究中也阐述了自己对于知识溢出的看法，他认为知识溢出是一种正外部性的表现，是影响产业集聚的重要因素之一。麦克·杜格尔（1960）在研究东道主国家接受外国直接投资的获益问题时，认为在FDI（Foreign Direct Investment）问题上，知识溢出产生了十分重要的影响。阿罗（1962）是率先阐述知识累积过程及其主要经济学内涵的经济学家，他的主要观点是认为知识与公共物品存在着相类似的属性，在企业的技术研发过程中，一个企业不付出任何费用，就可以获取研发企业的技术知识，这种情况就是知识溢出。在阿罗（1962）的研究基础上，罗默（1986，1990）在其关于内生增长理论的研究中，首次将知识要素纳入了生产函数之中，并认为知识溢出出现的重要原因在于知识本身所固有的非竞争性与部分排他性。格里利谢斯（1992）将同产业间相似企业在生产活动中可以通过交互从其他企业取得好处的情形定义为知识溢出。贾菲（1996）对于知识溢出的定义是，模仿企业通过信息交流的方式获取了创新企业创造的知识，但模仿企业没有对其所获取的创新知识付费，或者所支付的费用低于创新企业创造知识的成本。将知识溢出概念引入对于产业的研究之后，则有了两种关于知识溢出的基本分类，也即，MAR溢出与Jacobs溢出。MAR溢出是自马歇尔开始，其后是由阿罗和罗默继续发展研究，是对行业内知识溢出的研究，也被称为专业化溢出。Jacobs溢出是雅各布斯研究的行业间发生的知识溢出现象，认为邻近行业的多样性可以促进本行业发展，因此被称为多元化溢出。法拉赫等人（2004）区分了“知识溢出”和“知识转移”的概念。他们认为“知识溢出”是交际过程中不同主体发生的无意识知识传播，“知识转移”则是有意识的知识传播。

内生增长理论把知识看作是和劳动力、土地、资本一样重要的生产要素，但是相较于另外三个要素来说，知识由于其难以准确计量的个性而显得尤为特别。迈克尔·波兰尼（1958）提出了重要的隐性知识的概念，由此，知识可以根据知识是否可以清晰地表达和有效传达来分为显性知识和隐性知识。显性知识是指“可以明确表达的知识”，即人们可以通过口头传授、教科书、参考资料、期刊杂志、专利文献、视听媒体、软件和数据库等方式获取，可以通过语言、书籍、文字、数据库等编码方式传播，并且这些方式也很容易为人们所学习。隐性知识就是与显性知识相对的一个概念，指那些不能或者难以通过编码的方式进行传播交流的知识，它内隐于个人的身上，这类知识的学习与传播需要依赖的是人与人之间进行面对面的谈话与交流。

（二）邻近

邻近性（proximity）通常指的是物体间在地理位置上的相互接近或靠近，即地理邻近。但是，在邻近概念被提出以后，经济学家们认为邻近不只是地理邻近一个维度，邻近是一个多维的概念，可以区分为技术邻近、组织邻近、制度邻近、认知邻近、社会邻近、文化邻近等维度。地理邻近是其中最为简单的邻近，指的是不同交流主體之间的地理距离或者空间距离是相近的，这有助于主体间进行信息的交流。

（三）邻近与知识溢出的关系

正是由于隐性知识只能通过“面对面”直接交流进行传播的特性，经济学家普遍认为地理距离这个因素在知识溢出的过程中发挥了重要的作用。贾菲等（1993）在研究中使用的一个指标是专利引用数，借此来研究知识溢出的地理特性。在之后的研究中，许多研究者也将专利相关数据作为知识溢出的重要测量指标。奥德斯和费尔德曼（1996）在产业活动中观测产业地理集群与知识溢出的相关现象，发现在知识溢出的影响下，新技术产业更容易发生产业集群现象。奥兰多（2000）认为相较于地理邻近来说，技术邻近更有助于企业间R&D知识溢出。随着空间计量技术的发展，越来越多的研究者借助空间计量的手段研究知识溢出问题。费雪与瓦尔加（2003）在研究知识溢出存在空间效应问题上利用了空间计量方法，认为知识溢出的空间效应可以超越行政区域的地理距离，并伴随有明显的地理距离减弱倾向。在研究20世纪90年代的德国时，波特（2004）采用了计量方法，引入了空间交易成本概念，认为，总体上来说，区域间知识溢出对于区域间创新具有正向的积极作用，但如果把空间交易成本也纳入考虑范围的话，就会发现事实上只有部分的知识溢出是可以被利用到的。空间交易成本概念的提出也意味着地理距离较小的区域由于空间交易成本也相对较小，因此可以从区域间知识溢出中获取更大收益。汤普森和福克斯基恩（2005）通过研究发现证明知识溢出具备明显的区域性特征，随着距离的扩大，知识溢出的区域性特性会随之衰减，并认为决定知识溢出对创新影响的重要因素是地理距离。

袁立科（2007）运用博弈论的分析方法，在寡头垄断市场中构建企业研发战略和企业距离之间的互动关系模型，在这种外溢的情况下，利用模型分析了企业的地理位置和研发投资选择之间的战略互动。认为针对不同可达性的背景，一个区域的规模和地域位置影响着连贯的区域创新系统的发展。王庆喜和王巧娜（2013）使用中国31个省级行政区在2001—2010年间的高新技术产业的数据，通过空间滞后面板模型，测试了技术邻近度，地理接近度和综合邻近度对地区知识溢出效果的影响。并认为在考虑了邻近效应后，一个省的R&D投入对其产出具有显著的正向影响，各省之间的知识溢出效应非常明显。叶静怡、林佳、姜蕴璐（2016）基于2001—2012年间长三角城市群的数据，考察了知识溢出效应和城市间距对创新的影响。研究发现，地理距离与经济距离的距离越近，大学知识溢出对城市创新的积极影响越大;位于前排城市的创新主要取决于他们自己的研发，同时也受到其他城市大学知识溢出的影响;落后的城市创新也受到其他城市大学的知识溢出影响，但其自身研发的影响并不显著。

三、 地理邻近与知识溢出的空间自相关分析

本文主要理论依据是空间经济学知识，运用空间计量工具，通过对长三角地区26个城市的专利数据与地理数据进行统计以及空间计量分析，证实在长三角地区城市群中，地理位置的邻近作为一个重要的因素，影响了城市间知识的溢出，并提出相关政策建议。

（一）空间计量建模与分析

传统的计量经济学模型能够处理单一性质的时间序列数据与界面数据或者两种属性叠加的面板数据，但是在探究与空间地理相关问题时，传统的模型就有限制性。但空间计量模型是以传统的计量模型作为基础，在此之上同时引入了空间结构因素，这也就意味着将地区之间产生的相互作用纳入考察范围。通过估计空间相关系数，就可以了解地区间的空间关联度。

通过大量阅读现有的文献，可以了解到地理邻近与知识溢出之间存在关联，因此在前人的研究基础之上，本文旨在从地理邻近的角度，利用实证分析的方法分析地理邻近对于知识溢出的影响。由于本人知识积累与能力有限，关于知识溢出具体测度的问题依旧没有更加创新且合理的方式，因此，在下文中采用研究该问题的各位学者广泛使用的专利申请数作为衡量知识溢出的指标。在实证分析过程中，本文主要采用的是2016年长三角地区城市群的专利数据，通过研究它们的专利申请量与城市间的地理鄰近是否存在空间上的关联性，以此证明在长三角区域内地理邻近影响着知识溢出的发生与传递。

（二）指标与数据

1. 指标

邻近指标：就邻近来说，包含着多种邻近，本文使用的邻近指标是地理邻近，也即长三角26个城市之间的地理距离。

2. 空间邻近的测度

构建空间权重矩阵。为了揭示空间存在的相关性，我们需要探索空间对象的空间依赖性。在空间统计和计量中，空间权重矩阵可以用来表现这种空间依赖关系。“邻接性”空间依赖关系相对应空间权重矩阵元素值的定义是：邻接为1，不邻接为0。目前在研究中经常使用的空间权重矩阵有两种形式：“车式（rook）”邻接和“后式（queen）”邻接。“后式”邻接指如果两个地域单元之间存在公共边或公共顶点，就定义它们为“邻接”，否则，就定义为“不邻接”;“车式”邻接则是指如果两个地域单元存在公共边就可以定义为“邻接”。

在本文中将使用空间统计分析软件GeoDa来直接生成“车式”地理邻近的空间权重矩阵，解释各个城市间的空间效应，并在此基础上进行后续分析。

3. 知识溢出指标

本文采用的用于衡量知识溢出的指标是各个城市的专利数据，与专利相关的常见数据有专利申请量和专利授权量两种，但由于专利授权量相较于专利申请量来说更受到专利部门政策等的影响，而专利申请量则更能反映一个地区自发性的知识产出，于是本文使用了专利申请量作为具体的指标。

4. 数据来源

本文所使用的数据来自26个城市2016年的《国民经济与社会发展统计公报》，以及对应省市知识产权局的统计数据。

（三）专利申请量的空间自相关分析

空间自相关概念：变量在空间中的集聚意味着在某个区域内，这个变量在每个地理单元之间具有正自相关性：某个地理单位的某个变量较高，那么其周围区域单位该变量也较高;地理单位的变量较低，周围地理单位中的变量也较低。反之则表现出负的空间自相关性。空间自相关性说明的是某一空间上的某一属性的值与其相邻空间上的属性值之间的关系。在测度空间自相关性时，通常采用的指标有全局莫兰指数I和盖里指数C，本文采用全局莫兰指数I作为标准检验空间自相关性。

1950年，莫兰提出了全局莫兰指数I，它可以反映整个研究区内每个地理单位与其相邻地理单位之间的相似性，有单变量全局莫兰指数与交叉变量全局莫兰指数。本文采用的单变量全局莫兰指数I的计算公式为：

I=n∑ni=1∑nj=1wij（xi-x）（xj-x）S2∑ni=1∑nj=1wij

公式中Wij为空间权重矩阵，I为莫兰指数，S2=∑i（xi-x）2，x=1n∑ni=1xi。莫兰指数I的取值一般落在[-1，1]的范围内，大于0时意味着存在正的自相关，与1接近则意味着相似的属性产生了集聚（高高邻近、低邻近）;小于0则说明负相关，与-1接近时表明具有相异的属性发生了集聚（高低邻近、低低高邻近）;为0时表明空间事物的属性不存在空间相关性，空间分布是随机的。

如下图1就是通过GeoDa分析软件，在rook邻接的方式下生成的长三角26个城市2016年专利申请量的莫兰散点图，计算得出的全局莫兰指数I约为0.11，存在着较为显著的正的空间自相关性。

莫兰散点图中的四个象限代表了四种类型的空间联系形式：第一象限是高高邻接，即高观测值与高观测值邻接;第二象限是低高邻接，表示低观测值的区域被高值的区域包围;第三象限是低低邻接，表示低观测值区域被低观测值区域所包围;第四象限是高低邻接，表示高观测值区域被低值区域包围。其中第一象限和第三象限表现出的是正的自相关性，第二象限和第四象限表现出相邻区域的负空间自相关性。

通过莫兰散点图可以得出图2即长三角26个城市具体在四个象限的分布。从图中可以看出，位于高高象限的城市有上海、苏州、无锡、南通、绍兴、宁波，说明这6个城市自身是专利申请量较高的区域，并且与他们相邻的也是专利申请量较高的地区;处在高低象限的有常州、南京、杭州、合肥，说明这4个城市在2016年中专利申请量较高，但这四个城市的相邻城市的专利申请量较低;位于低低象限的城市有镇江、泰州、扬州、盐城、台州、芜湖、金华、滁州、安庆、马鞍山、宣城、铜陵、池州，说明这13个城市自身的专利申请量较低，并且围绕在城市周边的相邻城市的专利申请量也较低;位于低高象限的城市有嘉兴、舟山、湖州，意味着这3个城市自身的专利申请量较低，但与其相邻的周边邻近城市的专利申请量却较高。统计之后可以发现，共有19个城市位于第一象限或者第三象限，占样本总数的73.1%，这意味着长三角区域大部分城市的专利申请量有正的空间自相关性。

对莫兰指数I的显著性进行检验，需要利用GeoDa软件进行检验（图3），得到的p-value值为0.113，说明在88.7%置信度下空间相关是显著的。

从上述分析中，可以看到2016年长三角26个城市间的专利申请量存在着某种程度上的空間集群，这表明某一区域的创新行为会影响邻近区域的创新活动，也就是说在这些邻近的区域内发生了知识溢出的现象，也因此，在知识溢出的研究中，将空间上的相关性纳入考虑范围是很有必要的。

（四）空间滞后模型分析

由于空间自相关性的存在，在利用空间数据研究变量间相互关系的时候，需要在一般回归模型的基础上加入空间自相关因素，由此形成了空间自回归模型。空间自回归是指在因变量中囊括有因变量的其他地理单位的值。格里夫和奥德于1981年率先在经典的回归模型中融入了空间自相关因素，初步形成了空间自回归模型。随后，安塞林于1988年正式提出了空间自回归一般模型，即：Y=ρW1Y+Xβ+ε。在一般模型的基础上又派生出了三种特殊的空间自回归模型：一阶空间自回归模型、空间滞后模型和空间误差模型。

本文在一般模型的基础上选取其中派生的空间滞后模型进行分析，这里的“滞后”一词与传统意义上的“滞后”不一样，此处的“滞后”指某一地域单元的一种变量通过反馈效应与其周围地区相同的变量产生相互影响。同时在研究专利申请量的问题上，本文认为不同地区的年度研发投入即R&D经费支出在很大程度上会对专利申请数量产生影响，因此在构建的空间自回归模型中引入R&D经费投入这个变量，由此本文生成的模型为：PAT=ρWPAT+RD+ε，式中W为上文所构建的空间权重矩阵，ρ为空间滞后系数，度量地理邻近城市的专利申请量对其他城市的影响，PAT则是指各个城市的专利申请量。利用GeoDa软件进行分析，得出的估计结果如表1。

从表1中可得到的回归模拟结果为：PAT=15704.9+0.0837PAT+126.494RD。由回归结果可知，空间滞后参数ρ为正值，但统计检验结果显著性不明显，这说明在长三角地区城市群的实证分析中地理邻近对于知识溢出存在正向的但在模型上不太显著的影响。实证中出现这种情况的原因可能是耿一村（2013）在研究中提到的知识溢出的负面效应，他认为知识溢出的接受方可能会产生“搭便车”的心理，将会降低生产知识的积极性。因而可以知道，地理邻近对于知识溢出产生正向影响不显著的原因也可能是长三角部分邻近城市不自觉的“搭便车”影响了各个城市的专利申请量。模型同时说明了各个城市的R&D经费投入对于城市的专利申请量有比较大的影响，R&D投入每增加1亿元，专利申请量增加约126个。

四、 研究结论与政策建议

长三角地区城市群当中邻近城市的专利申请量存在溢出效应。通过空间自相关性的分析可知，长三角26个城市中大部分城市的专利申请量呈现正的空间自相关性，在上海市周围形成了高专利申请量与高专利申请量的邻近格局，说明在此区域内的邻近城市间可能产生了比较强烈的知识溢出，某一城市的创新活动也说明该区域范围内的创新活动十分频繁，有较高的创新水平。而在长三角区域的东部，以安徽省所属城市为主的范围内，则形成了低专利申请量与低专利申请量邻近的格局，这说明该区域内的知识溢出现象较弱，创新活动较弱。

地理邻近对知识溢出产生了影响。正如地理学第一定律所说的那样，任何东西都存在着相关性，并且相近的事物比距离较远的事物之间的相关性更强烈。通过对比长三角地区行政区划图与上文莫兰散点图中各个城市的坐标分布，可知与上海这个东部创新活动异常密集的城市的邻近城市也产生了较为密集的创新活动，与上海存在着地理上的邻近关系是影响这些城市创新活动的重要因素之一。

从长三角26个城市在莫兰散点图四个象限的分布中除了可以看出一三象限城市间相似属性的集群属性外，还可以发现江苏省、浙江省以及安徽省三省的省会城市南京、杭州与合肥三个城市都位于第四象限——高低象限，意味着三个省会城市自身的创新活动较为活跃，表现为专利申请量较高，但是与这三个省会城市相邻的周边城市的专利申请量却较低，创新活动较不活跃。由于省会城市在一个省份中的特殊政治地位以及经济地位，经济实力较强，创新活动较为活跃是正常的。但同时从上述分布情况也可以看出三个省会城市对于周围邻近城市在创新活动方面的辐射作用是比较弱的，并且在创新活动、知识产出方面表现较为活跃的大学高校与研究所一般都分布在省会城市，由此也可以看出作为一省知识产出中心的省会城市没有实现对于周边城市良好的知识溢出。这个现象就值得我们去关注，并且思考要采取什么样的方式扩大知识产出高的城市对于周边其他城市的知识溢出，带动提升周边其他城市的知识创新能力，由上海市周围形成的高值围绕着高值的集群情况来看，这种想法是非常必要并且可行的。

（一）加强中心城市与周边城市间的交通建设

地理上的邻近对于隐性知识的溢出有着天然的优势，但是在如今时代车轮滚滚前进的情形之下，我们的交通出行方式已经变得越来越多样，尤其城际铁路的快速发展也使得各个城市间的时间距离越来越短。便利的交通条件便利了人们的出行，使得人们在邻近城市间的短时出行更加频繁，将会增加不同城市间人们之间的交流与沟通，自发的知识溢出也会增加。这将使得知识发挥更大的作用，不仅作用于知识产生的城市，也将作用相邻的城市，促进创新能力较低城市的知识水平提高，从而提高其经济发展水平，减小不同城市间的经济发展水平差距。

（二）构建城市间的知识溢出与交流平台

交通条件的改进促进人们的互动与交流，同时促进的是人们之间自发的知识交流与溢出，但在政府层面来看，应当对当前的城市间知识溢出做出合理的评判，利用政策优势，构建城市间良好的知识交流平台，为不同城市间的交流提供契机。创新水平较低的城市通过与水平较高城市的交流，可以从中了解比较前沿的知识动态，与自身的实际情况相结合之后，必定可以有新的知识创造。

（三）结合互联网，利用“互联网+”促进城市间知识溢出

21世纪是互联网的时代，在李克强总理提出“互联网+”的概念之后，互联网与实体经济的结合变得更加引人关注，而互联网本身就是传播知识的很好的载体。虽说显性知识通过文字的方式可以更好地进行传播与交流，而隐性知识则更多地依赖潜移默化的沟通，但是现在互联网已经不仅仅提供了文字传播的方式，也提供语音交流与视频交流的便利方式等，通过这些新颖的方式进行知识交流与分享，可以在一定程度上便利人们的沟通，促使一些隐性知识传播在看似随意的谈话中潜移默化地发生。而我们要做的就是利用好互联网的优势，形成优质的知识集群，将知识聚集然后进行传播与扩散，促进知识的溢出。

参考文献：

[1]Geert Vissers， Ben Dankbaar. Knowledge and Proximity[J]. European Planning Studies，2013，21（5）：700-721.

[2]Wang J， Zhang X， Yeh A G O. Spatial proximity and location dynamics of knowledge-intensive business service in the Pearl River Delta， China[J]. Habitat International，2016（53）：390-402.

[3]王庆喜，王巧娜，徐维祥.我国高技术产业省际知识溢出：基于地理和技术邻近的分析[J].经济地理，2013，33（5）：111-116.

[4]袁立科.邻近对技术创新的影响研究[D].重庆：重庆大学，2007.

[5]耿一村.产业集聚、知识溢出与城市经济增长——基于浙江省的实证研究[D].下沙：浙江工商大学，2013.

[6]李婧，何宜丽.基于空间相关视角的知识溢出对区域创新绩效的影响研究——以省际数据为样本[J].研究与发展管理，2017，29（1）：42-54.

[7]叶静怡，林佳，姜蕴璐.知识溢出、距离与创新——基于长三角城市群的实证分析[J].世界经济文汇，2016（3）：21-41.

[8]冯荣凯.知识溢出及其影响因素：一个文献綜述[J].商品与质量：理论研究，2012（4）：321.

[9]赵勇，白永秀.知识溢出：一个文献综述[J].经济研究，2009（1）：144-156.

[10]杨中楷，沈露威.基于GeoDA-GIS的我国有效专利空间分异研究[J].图书情报工作，2011，55（10）：69-73.

[11]唐晓旭，张怀清，刘锐.基于GeoDA的辽宁省GDP空间关联度分析研究[J].林业科学研究，2008，21（s1）：60-64.