城市密度如何影响企业创新?∗——来自中国城市街区尺度密度的证据

王 峤 刘修岩 陈 露

一、引言

在过去的四十多年，中国城市化快速推进，城市高密度紧凑化发展趋势愈发明显，涌现出北京、上海、深圳等特大城市，也形成了中关村、深圳粤海、张江高科、武汉光谷等一大批高密度的创新街(园)区。因此，城市集聚不仅表现在城市整体密度的提升，也表现为因城市内部各个经济活动中心形成而导致的街区密度增加。在经济较为发达的美国，小型高密度街区如硅谷(Silicon Valley)等是较为突出的技术创新中心，纽约硅巷等创新街区也集合了大量创新知识流。在中国，中关村、苏州工业园区等园区初具规模，深圳的粤海街道云集了华为、大疆、中兴等高技术创新企业，逐步成为城市内部创新街区的代表。这些城市内部的创新中心不断集聚与扩张，形成了知识溢出集合。高密度发展意味着单位空间吸收的生产要素较多，生产主体能够更加方便地接触到各种要素，有利于生产主体间的知识溢出。对这个方面的研究能够促使政策制定者在考虑城市长期增长时明确技术进步这一目标，从街区视角深入考虑集聚经济，识别与解释对集聚经济可能产生的利于创新的外部性，并制定针对性的政策。在中国，城市化完成度较高的城市相对较少，大部分城市依然处于中小规模，且依然处于要素由中小城市向大型、超大型城市集聚的态势。如果盲目强调城市整体层面的高密度发展，一方面，对于大城市而言，其享受集聚正外部性的同时容易衍生出集聚不经济，且大城市面临扩张的横向与纵向空间约束，难以从整体层面挖掘集聚优势；另一方面，对于中小城市而言，城市之间的要素流动趋势导致其难以形成整体层面的高密度进而衍生出规模效应。因此，研究城市内部的局部高密度发展是十分必要的。

众多学者围绕城市密度导致的正外部性与额外成本展开了广泛讨论(Combes 等，2012；Henderson 等，2019)，普遍强调密度较大的城市能够提升生产力和创新能力、改善获得商品和服务的机会、鼓励更加节能的交通方式以及共享稀缺的城市便利设施等(Duranton 和Turner，2018)，但密度提升与土地混合利用也会导致地价与房价受到一定推升，且高密度可能衍生出拥堵甚至疾病快速传播(Xiao 等，2021)等城市问题。部分学者从密度的正外部性出发，围绕密度与城市技术进步的关系展开了大量研究。基于城市层面的密度与专利等创新数据的分析发现，高密度城市往往拥有较强的创新强度与知识溢出(Carlino 等，2007；王永进和张国锋，2015；Ahfeldt 和Pietrostefani，2019)。

本文的边际贡献分为理论与现实两个方面。理论方面，本文尝试对国内外学者广泛讨论的城市密度与创新这一领域进行进一步拓展，从既有研究较少涉及的城市内部街区这一视角切入，尝试尽可能剥离集聚中的共享与匹配机制，更为细致地观测高密度发展导致的技术外溢改善效应，结合既有的经典理论与多种微观数据识别出城市内部高密度发展知识溢出行为的因果效应。现实方面，本文的研究为城市如何在既有的横向扩张范围内进行进一步集约化发展提供了有益的参考。当前中国诸多大型、超大型城市的向外横向扩张趋势因建设用地资源约束受到限制，且城市内部正逐渐形成一批技术与经济集聚中心。本文尝试在城市内部的街区尺度分析当前中国城市内局部化纵向开发模式的经济效益，对既有的城市局部化开发模式进行较为系统的评估，从而为未来面临向外扩张约束的大中型城市进行集约化发展提供一定的学术参考与依据。而对于中小型城市，本文的系统化分析也能够为其在城市化进程尚未成熟的阶段如何进行高质量发展提供较为清晰的思路。

本文基于街区尺度密度促进企业创新的理论机制，结合中国专利信息、工业企业数据库以及LandScan 人口分布数据等微观数据来识别城市密度产生的创新外部性，并检验内在机制。研究结果表明，首先，密度发挥着显著正外部性作用，能够促进企业专利水平的提升。平均而言，企业周围五千米范围内人口密度每提升1%，其专利数量可提升0.0119%，说明城市密度对企业创新的正外部性。劳动力规模相对较大的企业受到正向影响更强，生产率较高企业也更易捕捉城市密度的好处；此外，随着企业所在行业成熟度的提高，企业从高密度发展中获得的正外部性呈现先上升后下降的倒U 形关系，且技术密集型行业内企业对城市密度正向影响更为敏感。随着城市的扩张与城市化的推进，城市面临形态松散化及多中心分化的发展态势，企业周边的高密度发展能够有效帮助企业凝结创新要素，减缓分散化趋势的危害。其次，密度产生的创新外部性存在空间衰减效应，即创新溢出会随着地理距离的增加而衰减，街区之间难以形成有效溢出。企业周围的企业高密度发展和劳动力高密度发展均能够显著促进创新，而企业密度导致的相互交流对创新尤为重要，创新型企业与劳动力密度能够发挥较大效用。企业周围专利活动的高密度发展能够直接催生知识溢出效应，刺激企业对创新知识流的吸收与学习，帮助企业在本地较为便捷地寻找创新所需的知识流，缓解地理距离带来的知识溢出衰减效应。对于中心企业而言，与同行业相比，跨行业企业、劳动力与专利密度所产生的溢出效应更强。

二、文献综述与理论分析

既有研究主要讨论了城市内部高人口密度发展可能导致的正外部性与负外部性，其核心理论支撑依然围绕城市内集聚经济展开(Duranton 和Turner，2018)。而本文选取的主要研究点是城市内部的街区密度，以刻画当前中国城市发展过程中城市内局部的人口、企业和专利等方面的高密度发展对知识溢出活动的正向影响。大量国内外学者围绕城市层面人口和劳动力密度，分析城市平均意义上的高密度发展对创新水平的影响(Andersson 等，2005；王永进和张国锋，2015)。Carlino 等(2007)集中分析了城市层面的就业密度和城市规模如何影响城市创新绩效，并尝试分析高密度促进知识溢出这一核心机制。Lobo 和Strumsky (2008)将研究视角转换为城市发明者密度，研究了1977—2002 年发明者呈现高密度集聚对大都市专利申请数量的影响。Hamidi 和Zandiatashbar (2019)从区域及街区两个层面，结合人口密度考察城市内部人口集聚对创新的影响，虽然其将城市内部的街区尺度纳入密度对创新的影响分析框架中，但缺乏进一步的细化分析与机制探讨。知识溢出具有空间局部性，较为依赖空间渐进性，故现实中的知识溢出活动往往高度集中于城市内部。

总体而言，既有研究存在可以拓展之处:第一，现有研究主要关注城市层面的密度影响，少有研究直接测度城市内部街区尺度高密度发展对创新的影响(Duranton 和Kerr，2015)。现有文献大多以城市层面行政区划内单位面积上的人口或劳动力作为城市密度，更多的是捕捉空间一般均衡条件下的城市规模效应，而非知识溢出导致的创新增长效应，难以准确反映城市集聚现状。第二，城市整体层面的分析范围较为广泛，可能会对城市内部局部溢出的渠道分析与探索有所限制(Li 等，2020)。这是因为，知识和信息交流的收益在一定程度上依赖于近距离的面对面接触，知识溢出行为高度局限于城市内部，尤其是较小的空间尺度，鲜有研究尝试直接通过捕捉密度对企业间互动的影响来解释核心机制。第三，基于传统城市间比较的分析框架难以科学且综合识别城市密度对创新的因果效应。基于城市层面密度的分析能够观测到的干扰因素有限，而从城市内部考量密度可以控制更多微观特征，缓解遗漏变量带来的内生性问题。

城市高密度发展并非仅仅是人口密度的攀升，还有企业、劳动力、创新等多个方面的高密度集聚，而城市内部高密度发展导致的知识溢出正外部性对研发和创新尤为重要。城市内部的学习效应和知识溢出可以不断提升人力资本水平，加快新思想的产生，产生知识溢出，有助于提升创新生产力。新思想的诞生在很大程度上依赖编码型知识和隐性知识的传播与交流，编码型知识可以通过通信手段流动，受集聚影响较小；而隐性知识的扩散主要依赖于面对面交流(Rosenthal 和Strange，2008)。对于企业创新而言，城市密度的外部性虽然会反映在城市整体层面，但更多地体现在城市内部街区尺度的密度上，尤其是知识溢出。传统的集聚经济理论强调高密度集聚能够形成知识溢出、共享和匹配(Duranton 和Puga，2001)三种正向外部性。共享与匹配主要体现在城市整体层面，企业之间的风险分担以及劳动力与企业的匹配需要以城市整体规模的提升为基础，企业可以在城市整体范围内或者跨越城市边界搜寻共享与匹配的目标，其受到地理邻近性的影响相对较小。知识溢出依赖于面对面交流，知识不但需要在城市内部形成有效交流，还需要在近距离的交谈中形成高频率的“碰撞”。一项专利的发明人更有可能引用周围企业或个人的专利(Jaffe 等，1993)，研发活动中的部分流程、技术可能受到周围研发活动的启发。在街区尺度内，研发活动集聚能够促进高效率知识流的运转，从事研发活动的企业以及劳动力是研发溢出的主要来源及高质量知识的集合，能够为其他企业带来大量的创新机遇。知识溢出活动存在空间衰减的特性(Kerr 和Kominers，2015)，而城市内部往往也会出现较长通勤距离(Xiao 等，2021)，企业与其他集聚区域企业之间的内部距离难以保持普遍的邻近性。城市内部街区之间交流频率相对较低，在给定通信与交通基础设施的情况下，人与人之间的交流、企业与企业之间的互动、技术与技术之间的碰撞主要集中于单一街区内部，即知识溢出存在显著的本地化特征。因此，基于街区尺度开展分析有助于本文剥离出集聚趋势下的知识溢出机制。

企业是创新的主体，会主动甄别与自身创新有关的外部性，企业间建立的合作关系能够直接地传导知识溢出(Henderson，2003)；而劳动力之间的交流，通过学习获得知识储备需要较长时间，难以在短期获得效益。劳动力集聚更多的是提供劳动力池效应，为劳动力提供就业的通勤便利性，而这一效应在较小的街区尺度上可能并不明显。企业自身的特征如所处市场地位、规模、生产率也会使得其受到密度的影响存在差异，在市场中不断有新的进入者，密度较高的城市或是街区可能会吸引新的进入者，而由于沉没成本较低，进入者对创新活动激励相对较高，从而使得城市密度的效应产生差异(王永进和张国峰，2015)。此外，交通基础设施能够在一定程度上加强城市内部的连通性，减小通勤成本同时促进知识溢出，从而改进城市内部地理空间因素带来的知识流扩散衰减现象。而在街区内部，公共交通设施的引入能够大大加强街区内部的可达性，使得街区内部能够通过交通设施实现交流，加强街区之间的进一步互动。从行业层面来看，一方面，企业能够从同行业内以及不同行业间汲取创新养分，不同行业间的溢出效应有助于推动不同部门之间相互借鉴工艺从而促进创新。企业接触不同行业的新思想，能够增加知识广度，促成自身技术的突破。另一方面，虽然同行业集聚能够加快专业化知识传播，但同行业内部可能存在的知识固化以及较为激烈的同行竞争也可能阻碍创新的发生(Boschma 和Lambooy，2002)。此外，企业所属行业的差异如成熟度、技术密集度等特性也会左右其对集聚效应的汲取(王峤等，2021)。当前中国城市化处于快速推进的关键阶段，不同城市在扩张过程中空间发展模式存在差异，而这一差异可能引起创新个体对高密度发展与溢出依赖性的差异。综上，我们提出本文的主要假说。

假说1:街区尺度形成高密度发展能够提升企业的创新绩效，其相比城市整体层面的集聚趋势更为重要。

假说2:街区尺度高密度的作用机制在于，本地化尺度上的高密度发展能够缩短创新个体间的地理距离，增加知识溢出的频率，刺激新知识的产生。

三、识别策略与数据

(一)识别策略

本文着重对街区尺度密度进行创新效应识别，以分析较小尺度的高密度发展是否能发挥 正 外 部 性 (Duranton 和Turner，2018；Duranton 和Puga，2020；Henderson 等，2019)。我们将街区密度导致的创新外部性纳入集聚经济函数中，构造以下模型:

其中，m表示企业个体，p表示企业所在省份，c表示企业所在城市，d则为企业所在区县；lninnovationmt表示企业层面创新水平的对数形式；densitymt表示街区密度，从企业—街区层面进行考量；Ζpt表示省份层面随时间变化的特征，包括省份—时间交乘固定效应；λct代表城市层面随时间变化的特征，包括城市—时间交乘固定效应；Xdt表示区县层面随时间变化的特征，包括区县—时间交乘固定效应；φm为企业层面固定效应，控制企业层面难以观测的固定特征；Ymt代表企业层面创新投入使用的其他特征，我们需要关注回归后densitymt的系数；εmpcdt为随机误差项。

(二)变量、数据与处理①因篇幅所限，本文省略了主要变量含义及描述性统计，感兴趣的读者可在《经济科学》官网论文页面“附录与扩展” 栏目下载。

(1)创新。本文从创新产出角度来测度企业层面创新水平，选取企业每年经过申请且截至2019 年(本文所获取的所有专利信息均截至2019 年)已获授权的专利数量作为创新绩效衡量指标，将其加1 后取自然的对数构建变量ln(patent＋1)。专利数量通过匹配中国工业企业数据库和国家知识产权局发布的专利信息并计算得出。我们使用中国企业专利数据库中关于企业已授权的专利文件，将这些专利文件与中国工业企业数据库中的企业进行匹配，将企业名称与法人代码和专利信息中的第一申请人进行对应匹配。在匹配过程中，我们对工业企业名称与企业法人代码进行筛选处理，将两个信息中包含的可能影响后续匹配的非正常信息予以剔除，比如将企业名称中包含的诸如“有限责任公司”、“集团” 以及“厂” 等字段信息全部剔除，仅保留工业企业名称中较为关键的所属地区、企业主要产品、企业核心名称等字段信息，保证匹配的准确性。最后，我们针对每一个匹配完成的工业企业以及其名下专利文件，采取逐年计数的方式计算每个企业每年专利申请数量以及已授权专利数量。

(2)街区尺度密度。基于城市内部街区尺度密度，我们考察城市密度与企业创新之间关系，思路是以企业为中心圈定一个街道尺度大小的圆形区域，测度该区域内的平均密度。参考Duranton 和Turner (2018)及Henderson 等(2019)对于街区尺度的划分方法，我们以企业周围五千米范围内平均密度的自然对数作为城市内部密度的指标。这一密度由LandScan 人口分布数据计算得来，该数据主要囊括了城市内部24 小时平均人口分布状况，能够捕捉到城市内部平均栅格层面不同经济活动中的人口数量，基于该数据能够观察企业所处环境的密度分布。②LandScan 全球人口动态分布数据由美国能源部橡树岭实验室(ORNL)开发，其根据各地的人口普查数据、行政区划数据、Landsat TM 影像数据、道路、高程、坡度、海岸线数据和高分辨率的卫星影像及夜间灯光数据，采用地理信息系统、遥感影像与多元分区密度模型相结合的方法，生成世界范围内30 秒分辨率的活动人口分布数据库。该数据库地址为:https://landscan.ornl.gov。计算之前我们将工业企业所有对应地址信息进行了搜集与处理，主要针对企业地址信息结合百度地图搜索接口(API)以及高德地图API进行经纬度的搜索匹配，识别具体的经纬度信息。最后通过Arcgis 将LandScan 数据与工业企业数据进行匹配，以工业企业为中心画缓冲圈，缓冲圈内的人口栅格则为本文需要提取的人口数据单元。我们剔除了人口为0 的数据单元，然后将这些栅格进行人口加总并求取平均密度。

(3)企业特征。我们在模型中加入企业年龄的自然对数(age)，以控制企业层面成熟度所带来的干扰，且加入了企业年龄二次项(age2)进一步控制企业层面可能存在的企业自身年龄这一特征带来的非线性冲击；加入企业员工人数自然对数(size)，一方面用于控制企业的规模因素并加入其二次项(size2)控制人员规模特征潜在的非线性扰动冲击，另一方面用于控制企业层面针对创新的劳动力投入；加入企业层面的劳均资产自然对数(assetp)，用于控制企业层面的创新资本投入；加入企业层面劳均营业收入自然对数(incomep)，用于控制企业层面的劳动生产率，进而剥离企业层面一些与创新可能相关的随时间变化的扰动冲击。最终，针对工业企业的总体样本进行处理，我们保留2000—2013 年的企业样本，同时剔除其中企业层面各项变量缺失、销售收入小于2 000万元(样本数据包括了2011 年前后的样本，我们统一将规模以上企业的条件调整至2011年的2 000 万元准入标准)、从业人员小于30 人等不符合规模以上条件的样本，并剔除了企业年龄出现异常样本。

(4)城市特征。在识别过程中还需要剥离城市层面对企业创新可能产生影响的其他扰动因素，因此我们控制了城市层面人均生产总值自然对数(gdppercapita)，城市中每万人高校在校生人数自然对数(edu)，人均道路面积自然对数(proadpercapita)，城市开通人均地铁站数量的自然对数(subpercapita)，城市政府R＆D 支出占比(rd)，这部分特征主要来源为《中国城市统计年鉴》。针对2000—2013 年样本集，我们搜索了其中与企业创新有关的部分特征并进行了提取。

四、实证检验

(一)基准回归

基准部分的回归策略为:首先，使用混合截面回归，不控制任何固定效应，控制城市层面以及企业层面随时间变化的特征变量，剥离部分城市层面可能与企业创新有关的扰动因素；其次，在原有模型基础上控制企业固定效应以及时间固定效应，剥离企业层面不随时间变化的特征以及宏观层面的冲击；最后，逐步加入省份—年份交乘固定效应、城市—年份交乘固定效应、区县—年份交乘固定效应以及2 位数行业—年份交乘固定效应，不断剥离更小层面上的扰动差异。回归结果如表1 所示，在第(1)列回归中企业周边5 千米范围内人口密度系数显著为正；从第(2)列开始我们逐步对于控制规范进行改进，依然能够捕捉到正项系数，且结果通过1%显著性检验；在控制因素最为严格的第(6)列中，人口密度系数为0.0119①需要注意的是本文系数相对较小，主要是因为本文所捕捉的是企业的平均效应；另外，我们的样本企业中有部分为非创新型企业，从而可能对效应存在稀释。我们将在稳健性检验中进行进一步的检验与解释。，说明企业周围5 千米范围内人口密度每提升1%，平均而言每个企业的专利授权量会提升0.0119%，即企业周围人口密度的提升能够促进企业自身的创新。我们在进行识别时控制了区县—年份交乘以及行业—年份交乘固定效应，即严格剥离了企业所属不同街区以及行业随时间变化的扰动冲击，依然得到显著的结果，说明基准分析结果较为可靠。我们在估计过程中控制了城市层面人口密度因素，依然得到显著的街区尺度密度效应，说明街区密度对企业创新的重要性。本文的街区密度使用LandScan 环境人口分布数据测度，其包括人口密度以及企业等经济活动的密度，该正效应说明城市内部街区尺度的劳动力、企业等方面的高密度发展能够形成本地化知识溢出外部性，帮助企业不断吸取新知识，改善企业创新产出绩效。②广延边际的分析结果请见《经济科学》官网“附录与扩展”。

表1 街区层面密度对创新影响的回归

(二)内生性检验

虽然我们已经尽量避免在估计密度对创新产生影响过程中的内生性偏差，但是从理论与实际出发，密度和企业创新活动水平还可能存在一些难以克服的内生性。从街区尺度密度来看，企业周围密度的变动受中心企业创新水平影响的可能性相对较低，但不能排除部分特大型企业存在较强的创新能力可以左右周围的集聚情形。创新活动水平较高企业周围的基础设施等方面可能发展较好，会使得该区位其他企业集聚提升经济密度，从而导致偏差。对于高密度街区而言，该区位自身的优势可能会造成企业选址的非随机性，从而导致企业层面的自选择效应，即企业分布非随机而是受到街区层面密度的影响。虽然我们在识别阶段可以尽可能控制不同层面的冲击、剥离干扰因素，但依然可能遗漏一些同时影响企业创新活动的不可观测因素。基于此，本文尝试从外生冲击的角度出发，寻找街区密度工具变量，从而更为准确地识别密度效应，同时检验本文基准识别设计克服的内生性程度。

密度变异主要受政策、自然地理和社会经济等因素的影响。自然地理因素自身属性决定其与城市经济发展、创新活动之间难以形成直接联系(Ahlfeldt 和Pietrostefani，2019)，基本不会受到城市当前经济水平与创新活动水平的影响，一般间接影响创新活动，在区域城市经济学领域是较为优良的外生冲击(Combes 等，2010)。与城市密度息息相关的地理因素中，城市地形因素、日照时间 (Carlino 等，2007)、土壤成分(Combes 等，2010)、地理位置 (张浩然，2018)、建造高层建 筑 的 土地适宜性(Rosenthal 和Strange，2008)等都较为常用。

地表起伏度指数可以作为自然冲击一个较为优良的工具变量，其对密度的塑造效应在于，从街区形成的视角来看，当地形不规则时，建筑安全会受到影响，因此城市发展过程中建成区位置往往优先选择在相对平坦的地区。地形导致的安全性也会使得建筑建造难度加大、成本升高(Burchfield 等，2006；Nunn 和Puga，2012)，城市区域的开发难度上升，城市化进程受到阻碍。并且，地形的不规则化会导致周围地区居住舒适度下降，对企业、居民等经济个体的吸引力降低。此外，地形起伏度较大、土地开发难度上升会限制建筑的可建成高度与深度(Koster 等，2014)，其容积率可能因此下降(刘修岩等，2019)，单位面积可容纳人口数量偏低。

借鉴Nunn 和Puga (2012)的研究，本文采用地表起伏度指数的自然对数(teruggedness)作为地形复杂度的代理变量，基于中国DEM 高程数据中栅格层面高程值，采取与提取人口数据类似的方法，对于企业周围5 千米尺度的高程单元进行提取，并参考Nunn 和Puga (2012)的计算方法，采用测算高程标准差均值作为地形起伏度指数。基于工具变量的两阶段最小二乘估计(2SLS)，参照基准部分OLS 回归的控制规范，在不控制企业固定效应的情况下进行回归，表2 第(1)列至第(6)列展示了所有结果，在经过工具变量识别后街区尺度高密度发展依然对企业创新产生显著的正向影响。①第一阶段的回归分析结果请见《经济科学》官网“附录与扩展”。

表2 工具变量回归

(三)稳健性检验

(1)考察创新时滞。前文所有识别均是基于当期密度与当期企业创新绩效，然而企业专利活动并非一项瞬时行为，从专利研发到最终申请与授权可能需要经历1—2 年甚至更长时间。在此，出于时滞效应的考虑，我们将解释变量均进行滞后处理。我们依然遵从基准部分的识别策略，对街区尺度人口密度进行稳健性检验，并针对滞后1—2 期分别进行回归。结果如表3 所示，街区密度滞后回归结果如第(1)列和第(2)列所示。可以看出，街区尺度的人口密度对企业创新的正向效应依然存在，考虑创新产出的滞后效应后结论依然成立。

表3 稳健性检验

(2)检验工具变量的排他性。虽然基于自然地理特征测算的工具变量存在较好的外生性，不会因为企业创新绩效产生额外的扰动变异，但是地理特征可能会对创新产生直接影响。我们假设，在当前的控制规范下，地表起伏度仅通过密度这一渠道影响企业创新，因此需要对这一排他性假设进行检验。我们根据基准回归的控制规范，将街区尺度密度以及地表起伏度同时放入模型进行回归，回归结果如表3 第(3)列所示，地表起伏度系数并不显著，而街区密度的系数依然显著。

(3)控制更多因素。我们在基准部分做出了较为严格的效应控制并结合了工具变量识别，虽然能够尽可能避免联立性偏误，但是依然可能存在由一些没有观测到的因素导致的遗漏性偏误。我们额外针对企业上一期专利、企业盈利水平以及企业周围5 千米范围内地铁站数量进行控制。由于兴趣点(Point of Interests，POI)数据可得性，我们仅收集了2011 年数据，并计算企业周围大学、研究机构以及公交站点数量并控制时间固定效应、加入4 位数行业—时间交乘固定效应进行OLS 回归；此外，我们在2SLS 估计时额外控制部分企业层面不随时间变化的特征，比如企业是否为在位企业以及企业与CBD 距离并控制时间固定效应。回归结果如表3 第(4)列所示，针对企业周围密度进行OLS 回归，第(5)列则进行工具变量回归，在这一层面我们依然得出了显著为正的估计系数，在进行了更为严格的因素控制之后整体结果较为稳健，且Kleibergen-Paap rk WaldF值为2 623.265，远大于10，支持了本文基准部分与内生性检验部分对于街区密度效应识别的稳健性。

(4)比较街区间密度差异。出于稳健性考虑，我们参考Carlino 等(2007)的做法，通过截面数据回归来比较街区间密度差异带来的创新效应。我们计算企业层面专利授权数量、街区密度及其他企业层面特征变量的年平均值，进行截面数据回归并控制区县与行业固定效应，结果如表3 第(6)列所示，发现街区密度提升导致的正向效应。①其他稳健性分析结果请见《经济科学》官网“附录与扩展”。

五、进一步分析

(一)机制分析:街区密度与知识溢出

密度的效应更多地反映在街区尺度内的企业互动上，即知识流的相互碰撞。为了进一步验证街区尺度的高密度发展与知识溢出的内在机制，我们一方面使用企业周围5 千米内专利密度(den5)测度企业周围创新知识流分布情况，另一方面将每家企业在申请专利时引用其他专利的次数进行加总并计算出企业当年引用其他专利的总次数(lnct)，以及剔除自引的总次数(lnnsct)考察企业研发过程中对外界知识流的学习强度。为了消除企业专利申请数量带来的引用情况变异，我们将其除以企业当前专利总数，分别计算总体的平均次数(lnctper)以及剔除自引的平均次数(lnnsctper)以更为准确地测度企业对创新知识流的学习。我们将企业周围5 千米内专利密度(den5)作为解释变量，分别对上述关于引用次数的四个变量进行回归，结果如表4 所示，密度系数显著为正。②区分同行业与不同行业密度外部性的分析结果请见《经济科学》官网“附录与扩展”。

表4 街区密度与知识溢出(企业层面)

企业整体的专利信息所反映的知识溢出效应有限，因此仍需判断企业是否在享受周围街区高密度发展外部性后依然能够与其他知识流发生显著碰撞。我们使用专利引用数据结合谷歌专利(Google Patent)数据库进行匹配，获取更为详细的专利引用信息，构建约140 万条工业企业发明专利引用—被引用的配对信息，并基于这一层面尝试细化高密度发展对知识溢出的作用机制。借鉴Kerr 和Kominers (2015)识别知识溢出的方法，我们采用专利引用配对信息作为知识溢出的“额外噪音”，以捕捉街区尺度高密度发展对知识溢出造成的影响。

我们将专利文件中申请人与被申请人的所在地理位置进行对比，构造如下指标:存在引用行为的专利是否与被引用专利处于同一城市虚拟变量(samecites)，存在引用行为的专利是否与被引用专利之间地理距离在5 千米的街区尺度之内虚拟变量(localcites)，存在引用行为的专利与被引用专利之间的地理距离(dist)。以这些指标作为被解释变量进行回归，结果如表5 所示。第(1)列中，企业周围专利密度系数显著为正，说明企业周围的本地化知识流高密度趋势有助于企业获取与学习同城市内部其他知识；第(2)列发现本地化的知识流密度可以显著促进企业对周围5 千米内其他知识的学习；第(3)列将样本限制为引用同城市的专利配对后发现本地化效应显著为正；第(4)列发现本地化知识流高密度发展会缩短专利的引用地理距离；第(5)列将样本限制在同城市的引用配对后发现这种效应更为显著，而第(6)列将样本改为不同城市的引用配对后发现街区尺度高密度发展的效应不再显著，其对跨城市的知识溢出影响并不明显。总体结果说明，本地化知识高密度发展会使得知识溢出形成本地化趋势，增加街区尺度内知识溢出活动的强度，让创新个体在街区尺度内获取其想要的知识，从而避免较长地理距离可能导致的知识溢出衰减。此外，城市内部的集聚主要对城市内部的溢出产生影响，即知识溢出活动实际是高度集中于城市内部的。①使用人口密度作为解释变量的分析结果请见《经济科学》官网“附录与扩展”。

表5 街区密度与知识溢出(专利引用配对层面)

(二)异质性分析

(1)企业在位—进入异质性。我们进一步针对在位—进入企业异质性进行检验。我们一方面直接分析企业周围的密度，截取周围密度较高(高于均值)的样本，然后识别该企业是新进入企业还是在位企业，比较周围密度产生的效应差异。另一方面，我们识别企业是否在城市中央商务区(CBD)周围5 千米内，重点关注距CBD 5 千米内的企业样本，分析这些企业的进入者与在位者异质性。最终回归结果如表6 第(1)、(2)列所示，在关注集聚区内的企业后，是否为在位企业虚拟变量与密度的交互项显著为正，即在位企业受到的正效应更强。

表6 异质性分析

(2)企业人员规模异质性。由于缺乏研发人员规模的数据，本文认为在人员规模较大的企业中，研发人员规模相对较大；相反，人员规模较小的企业中研发人员规模也较小，因此我们将研发人员规模异质性转换为人员规模异质性进行分析，以捕捉部分因研发人员规模变异导致的差异。我们构建密度与企业人员规模(size)交乘项，结果如表6第(3)列所示。企业人员规模对街区密度效应有正向调节效应，对人员规模较大的企业而言，密度正向效应相对更强。

(3)企业的生产率异质性。我们基于工业企业数据库，采用LP 估计法进行全要素生产率计算，但是基于这一方法仅能得出2000—2007 年企业全要素生产率(2007 年以后部分指标缺失导致无法计算全要素生产率)。在此基础上，我们进一步计算了每个企业样本期内全要素生产率均值，然后基于均值取中值，继而生成虚拟变量(tfphigh)。该虚拟变量取1 则说明企业生产率高于均值，属于生产率较高企业，相反则属于生产率较低企业。之后，我们构建生产率分类虚拟变量与密度交乘项，结果如表6 第(4)列所示。交互项系数均显著为正，全要素生产率分类虚拟变量对街区密度效应有正向调节效应，全要素生产率较高的企业密度正向效应相对更强。

(4)交通设施异质性。我们以企业所处区位为研究对象，根据前文稳健性检验中收集的企业周围公交站点数量进行异质性分析。我们构建街区尺度内公交车站密度(bus)与街区密度的交乘项重新回归，结果如表6 第(5)列所示。交互项系数显著为正，说明企业周围街区尺度内交通设施越好，企业本身能够接受的集聚正外部性越强，交通基础设施能够提升街区内的交流以及街区与其他街区之间的互动。

(5)企业所属行业异质性。我们参考沈体雁等(2016)的做法，根据工业企业数据库将行业内成熟企业的市场份额标准化作为成熟度指数，构建密度与行业成熟度(ind)以及行业成熟度二次项交乘项与密度交乘并进行回归，结果如表6 第(6)列所示。可以看出，行业成熟度以及二次项与街区密度交乘项系数均显著为负，说明行业成熟度与街区密度效应存在倒U 形调节效应。计算行业成熟度拐点后发现，其落在本文行业成熟度样本区间内，说明非线性的调节效应真实存在。

参考沈体雁等(2016)的分类方法，我们将工业企业按照所属2 位数行业分为技术密集型行业与非技术密集型行业并构建虚拟的分类变量(skill)，构建行业技术密集度分类变量(skill)与街区密度交乘项并进行回归，结果如表6 第(7)列所示。交乘项系数均显著为正，意味着对技术密集型行业内企业而言，其受到密度正向效应相对非技术密集型行业内企业更强，说明技术密集型行业由于其自身较高的技术投入需求，更依赖于密度产生的正外部性。①城市扩张模式的异质性分析相关结果请见《经济科学》官网“附录与扩展”。

(三)关于密度的进一步讨论

1.城市平均密度与街区密度的比较分析

我们基于LandScan 遥感人口数据来计算城市层面的密度以验证其效应，并进一步比较在城市发展过程中整体层面密度与局部街区密度的重要性差异。我们在基准模型中加入城市层面的密度，同时控制基准回归中涉及的城市层面人均GDP、每万人高校在校生人数等一系列城市层面的特征以及规模、年龄等企业层面特征，并额外控制省份—时间交乘固定效应，以剥离省份层面随时间变化的异常冲击。

结果如表7 第(1)列所示，城市层面人口密度系数显著为正，验证了城市整体密度的正外部性。随后，我们加入人口规模以及人口规模二次项，以剥离人口密度可能包含的城市规模外部性，使得所观测的城市层面密度更为准确，结果如第(2)列所示。城市层面密度系数显著为正，说明城市人口密度每提升1%，则平均而言每个企业专利水平可能会提升0.0151%。我们在前文论述了街区密度代表的城市内部局部均衡的重要性，为了验证其合理性，我们在捕捉城市层面密度的同时加入街区密度，观测出城市层面密度系数的变化，用于比较城市层面密度与街区层面密度效应的差异。回归结果如表7 第(3)列所示，额外加入街区密度后城市层面密度系数有所下降，且街区密度系数显著为正，相对城市层面密度效应更大。为了方便两者系数的比较，我们对两项密度进行标准化并重新回归，结果如第(4)列所示。街区尺度系数依然相较城市层面系数更大，说明在观测城市密度对创新的影响时，从街区尺度考虑密度变异能够捕捉更多正向的知识溢出效应。

表7 城市层面密度

2.密度效应的空间衰减性

为了验证密度效应的空间衰减性，我们在Henderson 等(2019)做法的基础上加以调整，在原有的0—5 千米街区尺度密度按照地理距离向外增加环形区域，重新计算企业周围6—10 千米尺度内的密度以及11—15 千米范围内的密度，以考察随着距离的增加，外部性对中心企业的作用是否会减弱。我们先单独估计了企业周围6—10 千米范围内的密度与11—15 千米范围内的密度效应，然后将两者密度与我们测度的街区尺度密度放入回归中进行比较，最终回归结果如表8 所示。第(1)列仅考察企业周围6—10 千米的密度，其回归系数显著为正；第(2)列仅考虑企业周围11—15 千米的密度，系数依然为正，但是并不显著；第(3)列将0—5 千米范围内密度以及6—10 千米范围内密度同时进行回归，结果发现0—5 千米内的密度效应比6—10 千米更强，且6—10 千米的密度系数显著性有所下降；第(4)列将0—5 千米的密度与11—15 千米的密度同时回归后依然得出相似结论，且11—15 千米的密度系数依然不显著；最后，我们将三项密度都放入模型进行回归，并且将三项密度系数进行标准化处理，结果显示密度效应系数最大的是0—5 千米内，其次是6—10 千米，最后是11—15 千米，随着地理距离增大呈递减趋势，且后两者密度系数并不显著。①衰减性的稳健性分析结果请见《经济科学》官网“附录与扩展”。

表8 密度外部性的空间衰减性

3.其他类别街区尺度密度与创新

城市内部密度分布还可以采用其他不同形式来衡量，比如企业分布、劳动力分布以及创新活动分布等，企业周围这些因素的分布是企业外部性的重要来源，因此我们遵循Duranton 和Turner (2018)的检验方式，聚焦企业层面，探索企业周围其他方式的密度对企业创新的影响。第一，我们从企业周围5 千米范围内其他企业的密度进行分析。我们首先计算企业密度(den1)，若中心企业周围其他企业密度有所提升，中心企业与这些企业相互合作、学习加深，企业间溢出效应可能会逐渐增强。第二，我们从企业周围的工业企业就业密度(den2)角度进行分析。第三，我们还使用企业周围5 千米内创新型企业密度(den3)以及创新型企业员工密度(den4)进行分析。回归结果如表9 所示。从第(1)列到第(4)列回归结果可以看出，我们所考虑的这些因素均有利于企业的专利活动。具体来看，企业周围5 千米内，其他企业密度(den1)每增加1%，企业自身专利授权数量会上升0.0207%；其他企业从业劳动力密度(den2)每增加1%，企业专利授权数量会上升0.0064%；创新型企业密度(den3)每增加1%，企业专利授权数量会上升0.0704%；创新型企业从业劳动力密度(den4)每增加1%，企业自身的专利授权数量会上升0.0064%。

表9 劳动力、企业密度与创新

进一步地，我们将街区企业密度与劳动力密度同时对专利进行回归，计算标准化系数并进行比较，结果如表9 第(5)列与第(6)列所示。相对劳动力密度(den2 和den4)，企业周围所有企业密度(den1)与创新型企业密度(den3)系数更大，说明对中心企业而言，其与周围企业的互动往往更为重要，这一点与Henderson (2003)的结果较为契合。第(7)列中den3 的系数相对den1 更大，第(8)列中den4 的系数相对den2 更大，说明企业间及劳动力间的溢出效应主要来源于创新型企业及劳动力。

既有研究也不断强调同行业与不同行业间密度的重要性，在小范围内同行业内产生的知识溢出能够加快专业化知识传播，有助于模仿与学习；而不同行业间的溢出可以增加知识广度，有利于技术突破。我们采用企业周围同行业与不同行业所有企业的密度(den1same和den1cross)、从业人员密度(den2same和den2cross)、创新型企业的密度(den3same和den3cross)以及创新型企业从业人员的密度(den4same和den4cross)，将系数标准化后进行比较，回归结果如表10 所示。正如第(1)到(4)列的回归结果显示，我们所考虑的这些因素均有利于企业的专利活动。结合企业密度、从业人员密度、创新型企业密度、创新型企业从业人员密度以及专利密度可以看到，同行业与不同行业内的溢出与交流都较为重要，均能够显著促进企业创新。我们比较同行业各类密度与不同行业各类密度系数后发现，不同行业密度系数都明显高于同行业密度。

表10 同行业与不同行业的密度效应对比

六、结论与启示

本文以城市密度为主要研究视角来分析城市密度对企业创新的作用机制，并使用2000—2013 年工业企业数据库及其专利数据、LandScan 人口数据等数据样本综合识别城市内部密度对企业创新的因果效应。研究结果表明:第一，街区尺度密度对企业创新存在显著的正向影响，且该正向影响在我们使用地理因素进行因果识别后依然存在，在一系列稳健性检验后这一效应依然稳健存在。第二，异质性分析后我们发现，进入者与在位者之间受到密度正向影响的差异并不显著，但人员规模较大企业受到的正向外部性更强，高生产率企业对于密度的外部性更为敏感。当企业所属行业处于年轻阶段时，随着行业逐步成熟，企业所受的密度正向外部性也在变强；行业一旦成熟，密度影响会逐渐减弱，且技术密集型行业中企业更易吸收密度产生的外部性。对于城市发展而言，随着城市规模的不断扩张，城市内部形成的街区密度效应也会逐渐增强，城市扩张过程中形态分散化、多中心化发展导致的负外部性也会因为本地化的高密度发展而得到有效缓解。第三，进一步基于密度讨论后，我们发现密度所衡量的知识溢出存在局部性，密度所捕捉的外部性存在空间渐进性，会随着地理距离增大而衰减；街区尺度的企业密度、劳动力密度都发挥着显著作用，中心企业周围企业高密度集聚与创新型企业高密度集聚能够主导知识溢出效应，企业周围的创新高密度集聚能够促进企业对创新知识流的吸收与学习。对于中心企业而言，相比同行业密度，跨行业密度产生的溢出效应对企业研发的影响更为显著。第四，街区尺度的高密度发展有助于企业对城市内部其他知识流的捕捉，尤其是企业周围的街区能够为企业提供创新所必需的知识要素，缓解知识溢出存在的空间衰减性。

在当前城市化发展进程中，从长期来看，关注城市密度对企业创新产生的影响，对于促进经济发展、提升经济竞争力具有重要意义。结合分析与结论，我们提出如下政策建议:第一，政策制定者应利用补贴性引导政策，引导企业或知识流进入较小街区尺度的集聚中心进行研发与创新。积极发挥政府的示范效应与引导效应，通过研发补贴等奖励性政策有针对性地引导企业向诸如“创意街区” 等区域进行选址与集聚，避免部分具有创新潜力的企业个体因为成本对高密度街区望而却步。第二，在街区内部建立企业合作交流平台，提升知识流碰撞的机会，打造综合型集聚中心。鼓励街区内企业间交流，在街区内设立创新空间等场所，增加企业间技术交流、技术分享等会议或者活动，促进企业间的相互学习。通过设立餐厅、咖啡馆等服务性设施，为高技术劳动力提供交谈场所，增加人与人之间的学习频率。此外，在城市内部积极发展交通基础设施，加强各个街区内部以及街区之间的通勤便利性。第三，从街区尺度的集聚本身来看，需要有针对性地促进城市内部高密度街区的现代化转型，注重街区内部创新个体多样化集聚，提升街区尺度创新优势的形成。提升街区尺度内的行业多样性，鼓励不同行业知识流的汇聚，重点尝试促进新兴行业与成熟行业的共同集聚，发挥成熟行业的技术外溢性，带动新兴行业的研发与创新。在街区内提升技术密集型行业与非技术密集型行业的交流，加强部分具有潜力的非技术密集型行业的升级转型。基于公平与效率的原则，应更加关注中小企业、低生产率以及非创新型企业，通过补贴政策引导这些企业在优势集聚街区选址，提升中小企业、低生产率企业以及非创新型的创新潜力与动能。第四，中国正处于城市化不断推进的重要阶段，城市面临向外扩展的需求。在扩张过程中积极建设“创新街区” 以及“创新港” 等较小尺度的本地化集聚中心，在满足城市扩张过程中集聚经济的同时化解扩张松散化、蔓延化发展带来的负外部性。