产业集聚的知识溢出对企业创新的影响

史 伟，蔡慧芝

(西北大学 经济管理学院，西安 710127)

一、引言

产业在特定空间分布上的集聚已成为世界范围内的普遍经济现象。世界各主要经济体的发展历程表明，各国(地区)具有竞争优势的产业往往都集聚于一定区域内，并凭借其强大的综合竞争力，对国家和区域经济发展做出巨大贡献，例如从大地理范围来看，长三角城市群中的26个城市2016年GDP达到14.7万亿，用仅占全国面积2.2%的土地，创造了全国19.8%的经济总量；从小地理范围来看，国家高新区已经成为区域经济发展的引擎，2015年有21家国家高新区生产总值占所在城市的比重超过30%，其中7家超过50%。

产业集聚所显现出来的强大竞争力，吸引了各种经济学理论对其进行深入研究。尽管各种理论的研究侧重点有所不同，但一个共同的特点是，都强调外部性在产业集聚形成和发展中的重要作用。作为经济内生增长的源泉之一的产业集聚的知识溢出可以看作是产业集聚技术外部性的表现形式。因此，要充分理解产业集聚所带来的经济增长现象，就必须系统分析产业集聚所带来的知识溢出究竟是如何影响企业的创新行为的。

进入新时代，中国经济发展质量提升的关键是将创新转化为推动经济发展的驱动力。而在实践中，各级政府往往担负着规划、建设企业集聚区的责任，探索产业空间结构与知识溢出、企业创新之间的关系已成为各级地方政府亟需解决的重要课题。对于企业来说，是选择与同行业企业空间临近，以获取知识溢出进而促进研发和创新，还是选择靠近具有多样性和差异化的经济个体，以互补知识的交流、差异化思维的碰撞，产生更多的创新回报，也是需要慎重考虑的问题。

二、文献回顾

知识溢出作为产业集聚技术外部性的特定形式，可以形成集聚区域内的公共知识池，并增加区域内集聚企业的知识存量，使企业可以进行更加有效的研发和生产，从而推动集聚企业创新。Glaeser等指出，在同一地理空间内，相同或不同产业的劳动人口的大量聚集，为人与人之间迅速传递和分享知识创造了环境，有助于当地的产业创新。[1]在研究初期，学者们主要采取定性研究方法分析产业集聚知识溢出对企业创新的影响。而随着Griliches将专利作为衡量创新的指标后[2]，这一领域涌现出了大量的实证研究。[3][4][5][6]这些研究都承认产业集聚知识溢出有助于企业创新活动，但是对何种类型的知识溢出推动了创新仍存在着较大的争议。

第一种观点是由Marshall、Arrow以及Romer提出的。他们认为，特定产业集中在某一区域将促进知识在特定行业的企业间溢出，并能促进该地区这一产业的创新。专业化的集聚有利于企业通过产品和流程的模仿、业务交流、公司间熟练工人的流动等方式，进行编码知识和缄默知识的传输和交换。集聚的专业化程度越高，越有利于知识溢出，也越有利于创新。这一类集聚被称作专业化集聚，对应的知识溢出被称作MAR溢出。[1]

第二种观点则宣称推动创新的主要动力是不同产业之间的知识溢出，认为具有多样性和差异化的经济个体之间更有意愿进行互补知识的交流、差异化思维的碰撞，更容易产生创新回报，因此空间集聚的多样化更有助于知识溢出和企业创新。这种观点最早是由Jacobs在1969年提出的，因此这类集聚被Glaeser等称作多样化集聚，对应的知识溢出被称作Jacobs溢出。[1]随着研究深入，以Frenken为代表的演化经济地理学家们认为，并不是所有的多样化集聚都会带来知识溢出，在两个完全无关的产业间可能根本不存在有效的知识溢出途径。传统上对产业多样化的界定只考虑了跨产业的就业分布，而并没有充分反映行业间的投入产出关系。因此，Frenken将多样化区分为相关多样化和无关多样化，并指出只有那些存在一定的产业联系和技术关联的产业才能进行有效的知识溢出，那些无关多样化并不能产生Jacobs所期望的知识溢出。[7]

上述两种观点从本质上而言，都认可产业集聚的知识溢出对企业创新有着重要的影响。所不同的是，对何种类型的集聚、何种类型的知识溢出对创新产生影响有争议。因此，本文将从实证层面以中国制造业企业的数据为样本，用企业新产品产值数据从创新决策和创新强度两个层面来衡量企业的创新能力，检验MAR溢出和Jacobs溢出对企业创新决策和强度的影响，以期为这一争论寻找新的答案。

三、研究设计

(一)数据来源和样本匹配

综合考虑数据可得性和有效性的情况后，本文选取2005—2007年中国工业企业数据库的相关数据作为数据来源，并在匹配样本和适当数据处理后，整理得到以企业ID和年份为二维的面板数据。

在使用中国工业企业数据库进行研究时，很难找到一个统一的变量用来识别样本企业并对其进行编码。Brandt et al作为较早对该数据库进行样本匹配的文献，其所用的序贯识别法被多数研究所沿用，但这一方法也有明显缺陷。[8]借鉴聂辉华等、范剑勇等的识别方法，在进行匹配前，我们首先按照年份分别对企业代码和企业名称进行查重，将同一年份中，企业代码相同或企业名称相同的观测值筛查出来，并予以人工识别。[9][10]在人工识别时，根据企业的其他信息对重复值进行逐一分析，并决定取舍。然后用以下优先次序进行样本匹配：(1)法人代码；(2)企业名称；(3)法人姓名+区域代码+行业代码；(4)企业电话号码+省地代码；(5)企业所在乡镇(街道)名称+企业主要产品1+四位数行业代码+企业开业年份+企业所在省份代码。经过匹配，共得到在2005—2007年持续存在的154418家企业的458007个观测值的平衡面板数据。最后，依据国家统计局2007年投入产出表中的135个部门对样本企业的行业归属进行重新合并调整，最终将样本企业分类归入81个制造业部门。

(二)模型设定及变量选择

1.模型设定。本文采用新产品产值指标来衡量企业的创新决策和强度，而在我们的样本数据中，由于有大量企业的新产品产出为0，因此被解释变量——企业的创新决策以及创新强度中存在大量的零点，即样本数据为典型的截断数据。对于截断数据，为了避免数据样本的选择性偏误，多数文献都采用Heckman二元选择模型进行估计，即首先使用所有样本企业数据构建企业是否进行创新的选择方程，以便处理因为样本选择引起的模型内生性问题，然后再利用有创新活动企业的数据估计创新强度方程，以分析创新企业创新强度的影响因素。[11]即建立以下两个估计方程：

INNOPi=∑αZi+ε

(1)

式(1)中的INNOPi表示企业是否进行创新，创新则取1，不创新取0；Zi表示影响企业创新决策的各种因素，为随机干扰项。

E(INNOi|INNOPi=1)=∑βXi+γδ+μ

(2)

式(2)中的INNOi表示企业的创新强度，Xi表示影响企业创新强度的各种因素，δ是根据方程式(1)的估计结果得到的逆-米尔斯比率，μ为随机干扰项。ρ则是式(1)和式(2)随机干扰项的相关系数，当ρ≠0 时，式(1)与式(2)是相关的，此时如果忽略其中任何一个方程，直接使用OLS进行估计会造成另一个方程估计系数的偏误，而换作采用Heckman二元选择模型估计则可以得到一致估计值。

按照构建Heckman二元选择模型的思路，我们可以知道，式(1)和式(2)的属性是不同的。式(1)一般被称作选择方程，式(2)一般被称作强度方程。综合考虑现有研究结果，选择显著影响企业创新的各种因素作为控制变量，同时建立创新选择方程(3)和创新强度方程(4)两个方程，即：

INNOPij=α1+β1lnmarijγ+β2lnJacobsijγ+β3Sizei

+β4Sizei2+β5Profiti+β6rddumi

+β7expdumi+β8ownerslipi

+βAgei+εi

(3)

INNOij=α2+γ1lnMARijr+γ2lnJacobsijr+γ3Sizei

+γ4Sizei2+γ5Profiti+γ6Rdi+γ7Expi

+γ8Ownerslipi+γδ+μ

(4)

其中，i，j，r分别表示企业、行业和地区，ε和μ为随机干扰项。

2.变量定义。在本文的研究中，被解释变量是企业的创新决策及其创新强度；所关心的核心解释变量为企业在集聚区内获取的二种知识溢出，即MAR溢出和Jacobs溢出；同时选取其他影响企业创新的因素和排除性约束的工具变量作为控制变量。

各变量的详细定义及计算方法如表1所示：

表1 各变量含义及计算方式

(三)数据处理及描述统计

1.Jacobs溢出指标计算。本文认为企业的知识溢出更可能发生在有技术相关性的产业间，而非任意产业间。因此，不同于传统文献中直接用多样化指数来衡量Jacobs溢出，我们用能够反映产业之间技术相关程度的相关多样化指数来对Jacobs溢出进行度量。而在进行相关多样化的研究时，利用熵指标方法对产业多样化进行分解的关键是产业关联程度的识别，基础是明确产业大类部门及其细分产业。针对现有方法的缺陷，本文从相关多样化的本质入手，采用多维标度法来测算产业的投入产出关联和技术相近程度，并依此对产业进行划分。

为清晰显示选取的81个制造业产业部门的技术相近程度，我们将产业i和产业j的技术距离定义为1和产业相似度的差值。对于产业相似度指标，沿用潘文卿等的方法，采用中国投入产出表的135部门数据来测算产业相似度Wij，定义两个产业i、j的相似度为两个产业直接消耗系数结构向量的角余弦。[12]然后，通过多维标度法就可以绘制出一幅二位平面图，在图中每个产业部门都会被标识为一个点，而每两个点之间的直线距离就可以用来表示两个产业间的“技术距离”。两个点之间越接近，表示这两点所代表的产业越相似，而当若干个点聚集在某一个区域时，即表示这些点所代表的产业在技术上越相近，可以被归为同一个大类别的产业。

结果显示，在81个制造业部门中存在着4个大类集合，分别是：第1类是以农林牧渔等产品为中间投入的制造业;第2类是化学工业行业;第3类是以金属制品为依托的各类制造业;第4类则是对技术及中间投入要求较高的先进制造业门类。

在完成产业分类后，用样本数据对产业多样化指数进行分解，从而得到Jacobs溢出的替代衡量指标。具体方法是：假设某个地区中有s个大类产业部门，而这s个大类产业部门又可以细分为n个小类产业部门(nls)，Pij为第i个小类产业部门在地区j的从业人员占整个地区j就业人数的比重，那么Jacobs溢出的替代衡量指标——相关多样化(RVj)可表示为

(5)

2.描述统计。全样本、有创新活动样本中相关变量的描述统计见表2。全体样本中共有458007个观测值，而创新企业共有43923个观测值，约占全体样本的9.6%。通过对比创新企业和非创新企业可以看到，创新企业组的各变量均值都要大于非创新企业组的各变量均值。

表2 变量描述性统计结果

资料来源：根据样本数据计算得到。

四、实证分析

(一)全体样本结果分析

产业集聚的知识溢出对企业创新的影响。在考虑时间和行业固定效应的情况下，基于全部样本对模型进行估计，结果见表3。Wald检验表明，对模型的估计通过了总体显著性检验，而且似然比检验和Lambda回归系数也是显著的，都支持选择Heckman模型的合理性。

表3 Heckman选择模型估计结果

注：括号内的数字表示标准差， ***、**、*分别表示在 1%、5%、10%水平上显著。

从表3中可以看到，在创新选择方程中，MAR溢出变量的估计系数显著为正，即在其他条件都相同的情况下，MAR溢出就越大，企业创新的倾向越大。表明在同一区域内同一产业的企业集聚带来的MAR溢出，有利于提高该产业内企业的创新倾向。进一步分析创新强度方程的估计结果，可知MAR溢出对创新强度的作用并不显著，这表明对已创新企业来说，MAR溢出对其创新投入强度的影响并不重要。也就是说，MAR溢出的增加会提高企业创新的概率，但是对已创新企业的创新强度并不会有显著的影响，这与MAR外部性理论的预期不完全一致。

而对于Jacobs溢出在创新选择方程的估计结果中，其估计系数显著为正，表明在其他条件相同的情况下，企业获得的Jacobs溢出越大，企业创新倾向就越大。即在同一区域内技术相近产业的空间集聚，能激发不同企业研发人员的思维碰撞，促进Jacobs溢出，进而有利于提高企业的创新倾向。在创新强度方程的估计结果中，Jacobs溢出变量的估计系数显著为正，表明在其他条件相同的情况下，企业获得Jacobs溢出越多，企业创新强度将越大。

在模型中加入的其他控制变量，如企业规模、研发投入等企业个性特征，在两个方程中的估计系数与前期的分析基本一致。而产权结构对企业创新活动的影响则与现有多数研究的结论有所差异，如在企业创新选择方程和创新强度两个方程中，国有企业虚拟变量的估计系数都是显著为正，说明国有企业有着更高的创新倾向和创新强度。而这与国有企业效率较低、行业垄断性高的一般“印象”有着明显的冲突。[13]本文认为，出现这种结果，可能有两个原因：一是国有企业的相对垄断地位和政府政策的支持，使得国有企业进行创新的风险承受能力高于非国有企业，一定程度上提高了国有企业进行创新的可能性。二是国有企业内部的预算刚性，使得国有企业对研发部门的人员和资金的投入往往难以根据市场变化予以快速调整，形成习惯性的、持续性的创新投入。

(二)进一步分析

1.高技术行业和中低技术行业。不少学者对产业集聚的MAR溢出和Jacobs溢出对不同技术水平行业的影响做了实证研究，Henderson et al.采用美国数据进行研究后，发现Jacobs溢出对高科技行业产生的影响更大，而MAR溢出对非高科技行业产生的影响更大。[14]为进一步搞清楚产业集聚的知识溢出对高技术行业和中低技术行业企业创新的影响差异，我们分两组进行实证检验。

结果显示，MAR溢出对高技术行业企业的创新选择和创新强度的影响均不显著，而对于中低技术行业企业的创新选择的影响显著为正，但对已经开展创新活动的中低技术企业创新强度的影响并不显著，这可能是因为中低技术行业企业往往从事的是相对标准化的生产，MAR溢出对其是否进行创新有着较重要的影响。Jacobs溢出对高技术行业企业和中低技术行业企业的创新选择和创新强度的回归结果都显著为正，并且高技术行业企业创新强度方程的回归结果为0.0434，远高于中低技术行业企业的0.0256，这表明Jacobs溢出对高技术行业企业和中低技术行业企业的创新有着显著的促进作用，并且对高技术行业企业创新的促进作用显著高于中低技术行业企业。各控制变量的回归结果与全部样本的结果基本一致，这进一步验证了结果的稳健性。

2.企业年龄、知识溢出与企业创新。为分析知识溢出与企业创新随企业年龄变化的关系，我们在企业创新强度方程式(4)中引入二种知识溢出分别与企业年龄、企业年龄二次项的交乘项。扩展后，我们将关注的重点放到了二种知识溢出分别与企业年龄、企业年龄二次项的交乘项的系数大小和变动方向。表4报告了回归结果，其中列(1)仅加入二种知识溢出与企业年龄的交乘项，列(2)则同时加入知识溢出与企业年龄一次项、二次项的交乘项。

表4 引入企业年龄后的Heckman选择模型估计结果

注：由于创新选择方程估计结果、其他控制变量完全同表2，为控制篇幅，此处省略相关结果，括号内的数字表示标准差， ***、**、*分别表示在 1%、5%、10%水平上显著。

从表4的结果可知，在列(2)中，MAR溢出与年龄一次项交乘项的估计系数为正，且在统计上显著，但与年龄二次项交乘项的估计系数为负，且在统计上显著，这表明MAR溢出对企业创新强度的影响随着年龄增加而递增，在达到一定年龄后，MAR溢出对企业创新强度的影响将逐渐减少，即MAR溢出对企业创新强度的影响随着企业年龄的变化呈现倒U形关系。而Jacobs溢出与年龄一次项交乘项的估计系数为负，且统计上显著，其与年龄二次项交乘项的估计系数为正，但并不显著。这表明Jacobs溢出对企业创新强度的影响随着企业年龄的增加而递减。

可以推断出，产业集聚的知识溢出对不同年龄段企业的创新活动的影响各有不同。对于新生或者初创期的企业来说，会更多受益于产业相关多样化集聚所带来的Jacobs溢出，其对企业创新的促进作用更加明显，而随着企业年龄的不断增加，Jacobs溢出的促进作用将逐渐减弱。产业专业化集聚所带来的MAR溢出对企业创新的促进作用随着年龄的增加逐渐增强，且这一促进作用在达到一定年龄后才会逐渐减弱。本文将企业年龄引入产业集聚的知识溢出与企业创新关系的研究，在一定程度上解决了现有文献关于到底是哪种类型的知识溢出影响了企业创新的争论，为后续研究提供了一个新的视角。

五、结论及政策建议

研究从创新选择和创新强度两个维度上衡量企业的创新能力，基于2005—2007年中国制造业企业数据采用Heckman二元选择模型，检验MAR溢出和Jacobs溢出对企业创新行为和程度的影响。得到三点结论：第一，MAR溢出的增加会提高企业创新的概率，但是对已创新企业的创新强度不会有显著的影响；Jacobs溢出的增加既能提高企业创新的概率，又能增加已创新企业的创新强度。第二， MAR溢出对高技术行业企业的创新选择和创新强度都没有显著影响，而对中低技术行业企业的创新选择的影响显著为正。Jacobs溢出对高技术和中低技术行业企业的创新选择和创新强度都有显著的正向作用，但是对高技术行业企业的作用更加明显。第三，产业集聚的知识溢出对不同年龄段企业的创新活动的影响有着较大不同。Jacobs溢出对新生或初创期企业的创新促进作用更加明显，而随着企业年龄的增加，Jacobs溢出的促进作用将逐渐减弱。而MAR溢出对企业创新强度的影响随着企业年龄的变化呈倒U形关系。

基于上述结论，从促进中国各地区制造业集聚创新发展的政策角度，本文提出如下政策建议：

第一，创造条件促进制造业创新发展在地理上的集聚。制造业特别是高端制造业创新发展是促进地区产业结构优化升级，促进地区创新驱动发展的重要途径。本文的研究结果表明，地理集聚带来的知识溢出会显著影响企业的创新活动，两种类型的知识溢出都会提高集聚企业的创新概率，而对企业创新活动的影响又因行业技术水平的不同有着明显差异。因此，通过产业集聚促进知识溢出，进而带动中国制造业创新发展的策略，必须把握好产业集聚过程中专业化集聚和相关多样化集聚的合理平衡。对于中国的大多数城市来说，应该坚持“有所为有所不为”的策略，从城市实际特点出发，在以市场选择为主的前提下，立足于本地产业基础和相关资源，科学选择主导性的产业，制定具有区域特点并切实可行的产业集聚发展方案。

第二，依据区域资源禀赋与发展目标，设计有针对性的鼓励政策。产业集聚的知识溢出对不同技术水平行业企业创新的影响存在差异，因此各区域应当采取差异化的政策：现以高技术行业为主或者计划发展高技术行业的区域，应采取有利于Jacobs溢出的相关多样化产业政策，促进高技术行业企业在集聚中的交流与合作；而现以中低技术行业为主或者计划发展中低技术行业的区域则可选择促进MAR溢出的专业化集聚的产业政策，并适当辅以与主导产业具有相关多样性产业的集聚的鼓励政策。

第三，根据产业集聚的知识溢出特征做好创新企业的培育和支持。如果城市的产业集聚偏向于相关多样化，知识溢出以Jacobs溢出为主的话，那么政府应该采取各种政策鼓励和培育新生和初创企业，培育良好的企业孵化生长环境，吸引符合相关多样化的新生和初创企业，从而使得企业的创新充分获益于Jacobs溢出；如果城市的产业集聚偏向于专业化，则可引导鼓励企业将主要资源集中于其最具竞争优势的领域，做好产品升级和优化，通过专业化的分工协作提升整个集聚区企业的生产效率。

参考文献：

[1] Glaeser EL, Kallal HD, Scheinkman JA, et al. Growth in cities[J]. Journal of political economy, 1992,100(6).

[2] Griliches Z. Issues in assessing the contribution of research and development to productivity growth[J]. The bell journal of economics, 1979.

[3] 苏红键,赵坚.产业专业化、职能专业化与城市经济增长——基于中国地级单位面板数据的研究[J].中国工业经济,2011,(4).

[4] 刘满凤,吴卓贤.高新技术产业集群知识溢出的Mar效应和Jac效应的实证研究[J].科学学与科学技术管理,2013,(8).

[5] 董晓芳,袁燕.企业创新、生命周期与聚集经济[J].经济学(季刊),2014，(2).

[6] 惠宁，刘鑫鑫.信息化对中国工业部门技术创新效率的空间效应[J].西北大学学报(哲学社会科学版),2017,(6).

[7] Frenken K, Van Oort F, Verburg T. Related variety, unrelated variety and regional economic growth[J]. Regional studies, 2007, 41(5).

[8] Brandt L, Van Biesebroeck J, Zhang Y. Creative accounting or creative destruction? Firm-level productivity growth in Chinese manufacturing[J]. Journal of development economics, 2012,97(2).

[9] 聂辉华,江艇,杨汝岱.中国工业企业数据库的使用现状和潜在问题[J].世界经济,2012,(5).

[10] 范剑勇,冯猛,李方文.产业集聚与企业全要素生产率[J].世界经济,2014,(5).

[11] 刘修岩,王璐.集聚经济与企业创新——基于中国制造业企业面板数据的实证研究[J].产业经济评论,2013,(3).

[12] 潘文卿,李子奈,刘强.中国产业间的技术溢出效应:基于35个工业部门的经验研究[J].经济研究,2011,(7).

[13] 聂辉华,谭松涛,王宇锋.创新、企业规模和市场竞争:基于中国企业层面的面板数据分析[J].世界经济,2008,(7).

[14] Henderson V, Kuncoro A, Turner M. Industrial development in cities[J]. Journal of political economy, 1995,103(5).