科技合作对黄河流域城市创新能力影响的实证检验

郭淑芬，温璐迪

（山西财经大学a.公共管理学院；b.工商管理学院，太原 030006）

0 引言

2022 年3 月，科技部等九部门印发的《“十四五”东西部科技合作实施方案》明确指出，东西部科技合作是完善区域科技创新体系，推动区域和跨区域协同创新的重要举措，对于解决发展不平衡不充分问题具有重要意义。黄河流域横跨东、中、西部三大板块，流域内城市开展科技合作是其中之义。但相较于京津冀、长江经济带、粤港澳大湾区、长三角等其他战略区域，黄河流域整体上科技水平与创新能力相对薄弱，与流域外城市开展科技合作也是应然要求。在创新资源空间分布不均衡的背景下，科技合作能够促进创新要素和知识技术在不同主体、不同地区之间流动与共享[1]，有助于构建区域间优势互补的发展格局，释放更大的创新潜能。本文尝试以黄河流域的城市为研究样本，将区域内、跨区域的科技合作同时纳入分析框架，考察科技合作对城市创新能力的影响效应及其作用机制，并利用2013—2020 年黄河流域地级市面板数据进行实证检验。与已有文献相比，本文的贡献主要体现在：第一，基于区域内、跨区域双维空间视角，首次分析验证了科技合作对黄河流域城市创新能力的提升效应，丰富了目前针对创新发展相对滞后地区创新能力的研究。第二，充分考虑了因要素流动而建立的城际创新网络、因教育投入而形成的本地吸收能力以及科技合作的空间溢出等的影响，深入揭示了区域内、跨区域的科技合作对黄河流域城市创新能力的作用机制与情景条件。同时还基于城市地理区位细分了上、中、下游城市的异质性影响，有助于提出具有针对性的建议。第三，通过搜集、筛选以及多渠道匹配研究期间国家知识产权局专利数据库中的共同专利数据，计算构建了黄河流域99个城市与流域内外部城市的专利合作频次数据库。这既克服了采用引力模型分析区域间科技合作时产生的与事实相偏离的问题，也避免了仅基于区域内部共同专利做分析时存在的数据遗漏问题，从而得到更为精确的结论。

1 理论分析与研究假设

1.1 科技合作与黄河流域城市创新能力

科技合作的本质是科技创新主体之间基于共同的技术目的，整合与共享知识、技术等要素的创新互动。按照相对地理位置，城市科技合作可划分为区域内、跨区域两类模式[2]。从黄河流域全局视角，区域内科技合作是指流域内部知识技术重组，跨区域科技合作则是指流域外部知识技术获取应用。

一方面，外部性理论认为，区域内部创新主体的合作可以通过行业内或行业间的知识技术转移与扩散提高创新活动效率，从而提升城市整体的创新能力[3]。有关地理邻近性的研究认为，创新主体选择地理邻近的组织开展科技合作，有利于降低信息搜寻、匹配、验证成本以及交通成本[4]，成本降低效应推动创新主体建立信任关系和沟通机制[5]，进一步持续提升区域创新能力。Yao和L（i2020）[5]的研究也表明，与地理集聚相关的区域内科技合作有助于创新主体获得知识并增加互动学习的机会，产生具有正外部性的隐性知识溢出，从而推动创新本地化。因而，深化区域内科技合作是促进全流域城市创新发展的重要路径之一。

另一方面，跨区域科技合作有利于补充与整合更为多样化的新知识，推动创新资源在更大空间范围流动与共享。尽管地理邻近在信息交换与隐性知识溢出方面存在优势，但创新主体也可以基于技术、认知、组织、制度邻近性等[4]，通过开展突破区域壁垒的跨区域科技合作拓宽创新网络，获取异质性、多元化的知识[3]，可以有效缓解由区域内部知识技术趋同导致的创新锁定困境[6]。同时，De Noni 等（2018）[7]的研究认为，嵌入创新密集型地区的创新合作网络对创新发展滞后地区提升创新绩效具有积极影响。因而，拓展跨区域科技合作是加速全流域城市创新发展的重要路径之一。

总之，城市科技合作有助于不同技术、组织和环境的知识技术重组，从而提高区域创新能力，区域内科技合作支持区域创新系统内部主体之间的知识技术共享，跨区域科技合作提供互补多元的知识来源，克服创新路径空间锁定。囿于本地创新资源相对有限的困境，深化对内开放和区际开放是黄河流域实现高质量发展的有效途径[8]。基于上述分析，本文提出：

假设1：科技合作有助于提升黄河流域城市创新能力。

1.2 科技合作影响黄河流域城市创新能力的作用机制

伴随科技合作的开展，创新要素会形成跨城市流动共享，这就在宏观层面形成了相互连接的城际创新网络，各城市则在其中拥有不同地位。基于社会网络分析理论，每个节点城市在城际创新网络中所处的位置会进一步影响其对科技活动信息、资源、知识、技术等的控制能力[9]。处于创新网络中心位置的节点城市，可以掌握更多的资源与信息，了解位于不同地区的创新主体的技术动向[10]，降低创新不确定性。有研究指出，城市科技合作质量与合作规模是决定其在城际创新网络中地位的重要因素[7]。黄河流域城市通过加深或拓展与内外部地区科技合作，不断加强创新联系，可能会提升其在国家城际创新网络中的地位，进而提升城市整体创新能力。基于上述分析，本文提出：

假设2：科技合作通过增强黄河流域城市在国家城际创新网络的中心性，进而提升城市创新能力。

2 研究设计

2.1 计量模型构建

本文同时考察黄河流域城市区域内、跨区域的科技合作对城市创新能力的影响，构建如下基准回归模型：

其中，Inv为城市创新能力，Int为区域内科技合作，Ext为跨区域科技合作，Xcontrol为系列控制变量，μ为个体固定效应，λ为时间固定效应，ε为随机扰动项。下标i表示城市，t表示年份。为了减轻逆向因果所导致的内生性问题，对解释变量和所有控制变量均作滞后一期处理。

为进一步考察科技合作影响黄河流域城市创新能力的作用机制，本文构建如下网络中心性的中介效应模型：

其中，Net为网络中心性。如果系数β1与γ3均显著，且符号与γ1一致，说明区域内科技合作可以通过影响城市网络中心性进而影响城市创新能力；如果系数β2与γ3均显著，且符号与γ2一致，说明跨区域科技合作可以通过影响城市网络中心性进而影响城市创新能力。

2.2 变量选取与说明

2.2.1 被解释变量：城市创新能力（Inv）

专利作为刻画创新产出的核心指标，被广泛用于城市层面创新能力的度量[11]。专利一般分为发明、实用新型和外观设计三类。相较于后两类专利，发明专利蕴含的技术进步更大，而且通过国家知识产权局审核授权的专利质量具有可靠性与一致性，因此本文采用发明专利授权衡量城市创新能力。进一步地，为避免人口规模的影响，将城市常住人口数作为标准化基数，以城市每万人发明专利授权量作为城市创新能力的测度指标，并加1后取对数以消除异方差。

2.2.2 解释变量：区域内科技合作（Inv）和跨区域科技合作（Ext）。

专利合作可用于反映位于同一地区或不同地区的产学研等创新主体在科技创新方面的合作情况[5]。因此，本文从国家知识产权局收集了黄河流域各城市在流域内、外部真实展开的专利合作频次，并以城市人口数标准化后加1后取对数，分别表征区域内科技合作、跨区域科技合作。

2.2.3 中介变量：网络中心性（Net）

基于社会网络分析理论[12]，以点度中心度、中间中心度、接近中心度量化分析黄河流域城市在国家创新网络中的地位，并利用熵权法加权处理得到表征城市网络中心性的指标。其中，点度中心度是指与节点i直接相连的其他节点个数，将其应用于城际创新网络，可以反映城市创新收益能力及其对其他城市的影响力；中间中心度衡量经过两个节点的节点i对这两个节点间互动的控制能力，反映了城市对整个网络创新资源的控制程度。接近中心度测度的是节点i与其他节点之间的捷径距离，表示节点i不受其他节点控制的程度，反映了城市创新影响的稳定性及独立性[9]。

2.2.4 控制变量

黄河流域城市创新能力的提升可能会受到本地创新要素、创新环境等方面的影响，因此，本文从创新要素与创新环境方面选取了以下控制变量。（1）创新人员集聚（Tal），以城市层面科研、技术服务和地质勘查业从业人员数近似替代城市创新人员数[13]，并通过计算该指标的区位熵衡量。（2）政府支持程度（Gov），以地方财政支出中科学技术支出所占比重来衡量。（3）金融环境（Fin），以金融机构存贷款余额与GDP之比来反映。（4）对外开放水平（FDI），以实际利用的外商直接投资与GDP之比衡量。（5）人口密度（Pop），以建成区每平方公里人口数测度。

2.3 数据来源与处理

本文的研究样本为2013—2020年黄河流域99个地级市（剔除数据严重缺失的海东市以及各相关自治州）组成的面板数据。被解释变量城市发明专利授权数通过国家知识产权局公布的专利信息获得；解释变量的数据获取过程见上文。其余控制变量涉及的数据均来源于历年《中国城市统计年鉴》的全市口径数据，并结合地方统计年鉴、统计公报或使用线性插值法补齐个别样本缺失值。各变量具体描述性统计结果见表1。

表1 变量描述性统计

3 结果与分析

3.1 黄河流域城市科技合作特征分析

根据上述搜集整理的专利合作数据，计算得到相应年份黄河流域整体区域内、跨区域人均科技合作频次（见图1）。需要说明的是，考虑到国家知识产权局公布的专利数据存在三年左右的时滞，部分2020 年申请专利的具体信息尚未公开，故区域内、跨区域人均科技合作数据为滞后一期的2012—2019年。可以看出，黄河流域区域内、跨区域科技合作均呈现明显的增长趋势，分别从2012 年的0.157次/万人、0.233次/万人，增长为2019年的0.712次/万人、0.686次/万人。

图1 2012—2019年黄河流域区域内、跨区域科技合作演变

进一步根据区域内科技合作、跨区域科技合作频次组合城市类型。选取2012年、2019年的合作频次数据，按数值大小分别将两类合作数据的原始值映射到1～99正整数集，并以序数中位数50为基准，将黄河流域99个城市划分到4个象限，如图2所示。借鉴曹湛等（2022）[14]的研究，将位居Ⅰ、Ⅱ、Ⅲ、Ⅳ象限的城市依次称为网络型、外向型、孤岛型、内向型类型。可以看出，无论是2012 年还是2019年，沿黄9 省（区）的省会城市均是网络型城市，省会城市与黄河流域内外城市均建立了紧密的科技联系，处于黄河流域下游的山东省网络型城市数量较多，反映整体创新能力较强；孤岛型城市则大多位于中上游地区；2012—2019年，外向型、内向型城市数量均有所减少，城市类型分布由“四象限发散”演变为“对角线收敛”，表明黄河流域城市区域内与跨区域两类科技合作模式逐渐趋于协调发展，但同时也存在知识技术获取途径固化的可能。其中，鄂尔多斯、酒泉、眉山等中上游城市从外向型跨入网络型，而临沂、日照、枣庄等下游城市从内向型转为网络型。这也在一定程度上说明，黄河流域城市区域内、跨区域科技合作对城市创新能力的影响可能因情景而异，科技合作与城市创新能力的关系有待进一步做翔实的实证检验。

图2 黄河流域城市科技合作象限图

3.2 基准回归结果分析

下页表2 报告了科技合作对黄河流域城市创新能力影响效应的基准回归结果，其中，列（1）至列（4）分别单独加入区域内科技合作、跨区域科技合作，列（5）、（6）同时加入两类科技合作。Hausman 检验结果表明固定效应模型优于随机效应模型，故以列（2）、（4）、（6）估计结果进行分析。结果显示，无论是单独考察某一类科技合作模式，还是同时考察两类科技合作模式，区域内科技合作、跨区域科技合作的回归系数均显著为正，表明科技合作有助于提升黄河流域城市创新能力。因而，假设1得到验证。积极开展区域内外科技合作，建立与其他城市的创新联系，是黄河流域城市提升创新能力的重要途径。胡双钰等（2022）[3]基于中国省域层面的数据得到，区域内合作正向促进了创新绩效，但区域间合作与区域创新绩效呈“倒U”型关系。本文基于黄河流域城市层面的数据表明，在研究期内，跨区域科技合作对城市创新能力的提升效应整体上强于区域内科技合作的效应，这一方面可能归因于黄河流域整体创新发展相对滞后，流域内创新能力较低的城市数量较多，另一方面也反映出黄河流域城市跨区域科技合作尚未达到最优水平。

表2 基准回归结果

3.3 稳健性检验

（1）控制内生性问题。本文将解释变量区域内科技合作、跨区域科技合作等滞后一期作为工具变量，进行两阶段最小二乘（2SLS）估计。下页表3的列（1）汇报了两个工具变量的估计结果，工具变量的KP-LM检验统计量明显大于10%水平下16.39的临界值，说明不存在弱工具变量问题[15]。

表3 稳健性检验结果

（2）替换城市创新能力的度量指标。参考北京大学企业大数据研究中心发布的《中国区域创新创业指数构建与空间格局：1990—2020》的做法，根据发明专利、实用新型专利和外观设计专利的科技含量，分别对其赋予0.5、0.3、0.2 的权重，计算黄河流域各城市三类专利授权的加权平均值，以城市常住人口规模进行标准化后加1 取对数处理，构成新的城市创新能力度量指标。

（3）改变时间序列。考虑到国家知识产权局公布的专利数据存在三年左右的时滞，研究期内尤其是2020 年申请的专利尚未全部公开，本文进一步将研究期缩短为2013—2019年，对基准模型重新进行回归。

（4）克服样本选择偏误。与其他地级市相比，省会城市、副省级城市的经济社会发展资源与环境存在明显的差异，其城市等级的特殊性可能会掩盖科技合作对黄河流域城市创新能力更为普遍的影响效应。因此，在样本中剔除沿黄9省（区）的省会城市与副省级城市。

以上稳健性检验的回归结果依次对应表3的列（1）至列（4），稳健性检验结果均表明，科技合作能显著提升黄河流域城市创新能力，证明本文的主要研究结论是稳健的。

3.4 地理区位异质性分析

有研究指出，黄河流域城市创新能力呈现“上游＜中游＜下游”的空间非均衡特征。因此，本文借鉴王必达和赵城（2020）[8]的做法，将99 个城市进一步归类为上游、中游、下游城市进行异质性分析。估计结果见表4。从表4可以看出，研究期间的两类科技合作模式的影响效应表现不一。其中，中游城市受区域内科技合作的影响更明显，上、下游城市则是跨区域科技合作更显著。其可能的原因是，上游城市整体创新资源稀缺，当前阶段与区外合作还是重点；中游地区相对而言，目前与流域内城市科技合作受益更多；下游城市的创新能力在流域内最强，相对侧重于拓展与区外合作更符合当地发展要求。

表4 地理区位异质性分析结果

3.5 作用机制分析

网络中心性的中介效应回归结果如下页表5所示，其中，列（1）至列（4）分别单独考察了网络中心性对区域内科技合作、跨区域科技合作的创新能力提升效应的中介效应；列（5）、（6）则同时考察了网络中心性对两类科技合作模式对城市创新能力影响的中介效应。结果表明，无论是单独考察还是同时考察，黄河流域城市区域内科技合作、跨区域科技合作均显著提升了城市在国家城际网络中的地位，并且科技合作产生的网络中心性强化效应进一步带动了城市创新能力的提高。因此，网络中心性的中介机制成立，假设2得到验证。已有研究肯定了创新网络对区域创新绩效的积极作用[1]，本文基于黄河流域城市层面的数据进一步发现，区域内科技合作、跨区域科技合作均能通过创新网络影响城市创新能力。

表5 网络中心性的中介机制检验结果

4 进一步讨论：门槛条件与空间效应

4.1 本地吸收能力的门槛条件检验

根据区域创新吸收理论，创新吸收能力是区域从外部新知识、新技术中获益的前提[16]。区域的本地吸收能力可能存在量变到质变的积累过程，黄河流域城市只有具备一定规模与质量的吸收能力，才可能对流域内外部地区的信息流、知识流、技术流进行有效地获取消化与整合应用，将外生知识根植为内生动能。因此，为进一步揭示在不同吸收能力条件下，科技合作对黄河流域城市创新能力的影响效应差异，构建了如下门槛回归模型：

其中，Hum 为门槛变量本地吸收能力，参考王之禹和李富强（2021）[17]的研究，采用城市普通本专科及以上人口占总人口的比重衡量一个城市的吸收能力；τ代表门槛变量的阈值；I(·) 为示性函数，即如果括号内表达式为真则取值为1，反之则为0。如果系数δ1、δ2、δ3部分或全部显著，说明区域内科技合作对城市创新能力的影响会因本地吸收能力所处区间不同而产生差异；如果系数δ4、δ5、δ6部分或全部显著，说明跨区域科技合作对城市创新能力的影响会因本地吸收能力所处区间不同而产生差异。

利用Bootstrap 反复抽样方法对本地吸收能力的门槛特征予以检验，抽样次数设置为1000次，结果如表6所示，3 组结果依次为分别单独考察本地吸收能力对区域内科技合作、跨区域科技合作效应的门槛特征，以及同时考察本地吸收能力对两类科技合作效应的门槛特征。可以得出，无论是单独考察还是同时考察，本地吸收能力均表现出显著的双门槛特征。

本地吸收能力的双门槛模型回归结果如下页表7 所示，列（1）至列（3）分别考察本地吸收能力在区域内科技合作、跨区域科技合作影响城市创新能力过程中的门槛效应，以及同时考察本地吸收能力在两类科技合作模式影响城市创新能力过程中的门槛效应。结果显示，无论是单独考察还是同时考察，本地吸收能力对科技合作对黄河流域城市创新能力的影响都存在显著的门槛效应，随着本地吸收能力跨入更高的门槛区间，科技合作对城市创新能力的影响效应增强。这一结果强调了本地吸收能力在科技合作中的重要性，通过教育积累人力资本、加强本地吸收能力，有助于学习、消化、吸收外部知识技术，将外部知识转化为城市内生创新动能。

表7 本地吸收能力的门槛条件检验结果

4.2 空间溢出效应检验

城市的创新活动也具有明显的空间关联，科技合作不断形成“本地蜂鸣”和“外部通道”，在一定程度上打破了创新要素流动的空间壁垒[14]。一方面，基于邻近性理论，城市创新主体通常会选择邻近城市进行科技合作，因而科技合作首先会对邻近城市产生直接影响；另一方面，科技合作的过程往往伴随着显性知识与隐性知识的溢出，通过知识溢出对邻近城市创新活动产生间接影响。此外，先行城市区域内、跨区域科技合作引领创新发展的成效，也会吸引流域内其他城市竞相通过科技合作提升城市创新能力，在空间层面产生“示范效应”。

为讨论区域内、跨区域科技合作对城市创新能力的空间溢出效应，构建了空间面板模型。由于空间杜宾模型（SDM）同时包含了解释变量与被解释变量的空间溢出效应，并且能通过偏微分方法得到无偏估计系数[18]，故本文采用SDM模型考察科技合作可能对黄河流域内其他城市的创新能力产生空间溢出效应。

其中，ρ为空间自回归系数；θ1为区域内科技合作空间滞后项的系数；θ2为跨区域科技合作空间滞后项的系数。W为标准化后的空间权重矩阵，本文采用的空间权重矩阵包括：空间邻接矩阵（W1）和经济距离矩阵（W2）。

在W1、W2权重矩阵设定下，本文首先利用全域Moran’s I 验证了黄河流域城市创新能力存在显著的正向空间关联特征，其次估计了SDM模型初步回归结果①限于篇幅，W1、W2 权重矩阵下黄河流域城市创新能力全域Moran’s I、SDM模型初步回归估计结果留存备索。，最后，由于涉及空间反馈循环过程，SDM模型的估计系数并不能直接体现科技合作对城市创新能力所产生的空间影响，需要进一步利用偏微分方法得到无偏的直接效应和间接效应[18]，结果如下页表8所示。可以发现，在两种权重矩阵设定下，区域内科技合作、跨区域科技合作的直接效应均在1%水平下显著为正，表明科技合作对黄河流域城市本地区创新能力存在积极影响，与主要研究结论一致。在W1权重矩阵下，区域内科技合作的间接效应显著为正，而跨区域合作的间接效应不显著；在W2权重矩阵下，则是跨区域科技合作的间接效应显著为正，而区域内科技合作的间接效应不显著。可以发现，伴随着知识技术的引进、学习、模仿、吸收和再创新的过程，科技合作不仅会引起黄河流域城市本地创新能力的变化，同时也会对流域内其他城市的创新能力产生影响，并通过空间溢出效应的正向反馈循环，有效提升黄河流域全域创新能力。

表8 城市科技合作空间效应的分解结果

5 结论

本文在理论分析区域内、跨区域的科技合作影响城市创新能力作用机理的基础上，构建多个计量模型，并基于2013—2020年黄河流域99个城市的面板数据实证检验了区域内、跨区域的科技合作对流域城市创新能力提升的影响效应与作用机制。得出如下结论：（1）研究期间黄河流域城市区域内科技合作、跨区域科技合作均呈现明显的增长趋势，前者的占比是先下降后上升，后者的占比则是先上升后下降。进一步地，以区域内、跨区域科技合作的实际数据为基础，可将黄河流域城市类型划分网络型、外向型、孤岛型与内向型四类，其间网络型、孤岛型城市数量有所增加，而外向型和内向型城市数量均有所减少，城市类型分布由“四象限发散”演变为“对角线收敛”。这表明黄河流域城市的区域内、跨区域两类科技合作模式逐渐趋于协调发展。（2）黄河流域城市的区域内、跨区域科技合作均有效促进了城市创新能力的提升，流域城市在国家城际创新网络的地位提升是两类科技合作促进城市创新能力的重要传导机制。（3）本地吸收能力在科技合作影响城市创新能力过程中存在明显的门槛效应，高吸收能力区间内科技合作对城市创新能力的提升效应更为明显。（4）科技合作对城市创新能力的影响存在显著的空间溢出效应，区域内科技合作有利于流域内空间相邻城市提升创新能力，跨区域科技合作则可促进流域内经济条件相似城市的创新能力提升。