“浅尝辄止”抑或“钻之弥坚”：中国生物医药行业多维技术溢出与原创性创新研究

摘 要： 中国生物医药产业迈向原始创新是实现产业转型升级的必由之路。以2005-2020年中国生物医药A股上市公司作为研究样本，利用高维固定效应面板模型，实证分析多维技术溢出对医药企业原创性创新的因果效应与影响路径。研究发现：行业内、行业间以及本地化技术溢出显著提升医药企业原创性创新水平，而研发投资激励效应是其中的影响路径，市场竞争在其中发挥着负向调节作用。异质性分析表明，多维技术溢出对国有、大规模以及高新技术企业的积极影响更大。研究结论为激励生物医药企业原创性创新活动、助推中国生物医药产业创新升级提供了参考依据。

关键词： 原始创新；中国生物医药产业；多维技术溢出

中图分类号： R 194; F 062.9

文献标志码： A

收稿日期：2024-05-20

基金项目：2020年度教育部人文社会科学研究项目“非正式制度与企业创新——基于乡土文化视角的研究”（20YJC790175）

作者简介：李卓璘（1998—），男，山东潍坊人，上海海洋大学经济管理学院，硕士研究生，研究方向：产业组织与产业发展。平瑛（1964—），女，浙江杭州人，上海海洋大学经济管理学院，教授、博士生导师，管理学硕士，研究方向：产业组织与产业发展、农业经济管理。潘旺（1999—）（通信作者），男，湖北武汉人，上海海洋大学经济管理学院，硕士研究生，研究方向：农业管理。

文章编号：1005-9679（2024）05-0066-09

Can Diverse Technology Spillover Enhance the Innovation Originalityof Firms？ Multidimensional Technology Spillover andOriginal Innovation Research in China’s Biomedical Industry

LI Zhuolin PING Ying PAN Wang

（College of Economics and Management ， Shanghai Ocean University， Shanghai 201306）

Abstract： China’s biomedical industry towards original innovation is the only way to realize industrial transformation and upgrading. Taking the 2005-2020 Chinese biomedical A-share listed companies as the research sample， the high-dimensional fixed-effect panel model is used to empirically analyze the causal effect and influence path of multi-dimensional technology spillover on the original innovation of pharmaceutical enterprises. The study found that： intra-industry， inter-industry and localized technology spillover significantly improves the original innovation level of pharmaceutical enterprises， and the incentive effect of R & D investment is the influence path， and market competition plays a negative role in regulating it. Heterogeneity analysis shows that multi-dimensional technology spillover has a greater positive impact on state-owned， large-scale and high-tech enterprises. The research conclusions provide a reference for encouraging the original innovation activities of bio-pharmaceutical enterprises and boosting the innovation and upgrading of China’s bio-pharmaceutical industry.

Key words： original innovation; China’s biomedical industry; multidimensional technology spillover

0 引言

受限于医药研发的高风险、高投资、长周期的特点［1，2］，医药企业在研发过程中面临着发现新靶点、引入新分子实体或者直接进行药物仿制之间的权衡［3］。原研药核心专利的到期为仿制药生产提供了市场机遇。医药企业通过对剂型、给药途径进行改进或发现新的适应症，能够避开原研药的非核心专利限制。由于仿制药的活性成分与原研药相同，并且通常不需要进行化合物研究阶段的试验，这使得临床前和临床试验的难度大幅降低。研发难度的降低减少了研发失败的可能性，同时带来研发周期的大幅缩短，最终导致仿制药研发具有较大的成本和时间优势。仿制药的研发过程涉及对原研药的模仿、改进和再创新，具有明显的技术溢出特征，这在中国医药研发中非常普遍。技术溢出所带来的时间和成本优势可能导致医药企业的创新惰性。这是由于难仿药或原研药的研发难度相较之下极大，医药企业很有可能选择规避此类风险并失去进行原创性创新的机会。然而，技术溢出的这些优势也可能促使企业实行仿创结合［4］的研发模式，对仿制药控本增效，并以仿制药研发的低风险对冲原始创新的高投资风险和长研发周期，从而支持原始创新。那么，医药行业的技术溢出是否能够激励企业提升技术原创性呢？哪些因素促使企业选择“仰之弥高，钻之弥坚”的深度技术研发而非进行“浅尝辄止”的改良式或模仿式创新呢？

基于这些问题，通过手动检索得到生物医药A股上市企业46.5万余条专利的详细数据，并将其与企业财务、基本工商信息数据相匹配。在深入分析技术溢出与医药企业原创性创新之间内在逻辑的基础上，以计量经济学面板数据模型验证理论的正确性并探索其中的作用机理。预期将拓展技术溢出理论研究，丰富相关经验证据，并为医药行业创新升级提供政策参考。

1 理论分析与研究假设

1.1 技术溢出与药企原创性创新

提高生物医药研发的原创性和新颖性已成为困扰世界医药行业的难题，而这在很大程度上归因于医药研发高投资、高风险、高利润和长周期的特征。为了回避高额研发投资所带来期望报酬的巨大波动性，医药企业通过投资组合最小化财务风险，更加关注增量创新而非质量创新［5］。医药企业在研发活动中所固有的风险规避特征是导致药物创新缺乏新颖性和原创性的深层原因［6］。因此，如何帮助医药企业削减研发成本、平衡研发风险、保障研发投资持续性，将对原创性创新活动产生较大激励作用。

首先，技术溢出具有削减研发成本的作用。多元化技术外溢为研发企业创设了良好的外部知识环境，降低了医药企业搜寻、获取、转移、利用知识的成本［7］。这允许企业“站在巨人的肩膀上”进行新的创新，有效避免了重复性研发投资所耗费的大量人力资本和物质资本，并有助于优化研发分工和提升研发效率。另外，技术外溢为研发企业提供了f79ef689648d15d190875663d99d5db6成功经验与失败教训，医药企业通过研发信息获取与研发路径追踪，能够帮助研发过程更为顺利，减少因频繁研发失败而产生的沉没成本。

其次，技术外溢能够有效降低研发风险。由于较高的探索成本以及高波动性的研发收益，导致多数医药企业不愿意成为“第一个吃螃蟹的人”。而技术溢出过程通常伴随着研发交流与技术学习，这促使隐性知识和隐藏信息通过科研人员在企业间进行传播［8，9］。这有助于加深研究人员对所在研发领域的认识，警惕和防范研究过程中的风险，最终减少原创性技术研发过程中的不确定性。

最后，技术外溢有助于增强研发投资的持续性。技术领导企业的创新示范效应能够激励同类企业的技术研发过程［10］。在利润导向的驱动下，行业内其他企业将追随领导者的技术更新与迭代步伐，促使医药企业不断投入研发资金进行新一轮的创新。此外，我国生物医药产业具有集群化发展的特征［11］。本地化的技术溢出为医药企业研发创造了有益的研发环境和创新氛围，有助于协同研发行为的开展，从而产生更多高质量创新成果［12］。这进一步通过“成功孕育成功”的机制，激励企业进行新一轮的创新，从而提高企业研发创新投入的连续性［13］。

由此，提出研究假设H1：多维技术溢出激励医药企业开展原创性创新活动。

1.2 研发投资的中介作用

技术溢出通过改变医药企业利润回报预期，产生研发投资激励效应，激励企业原创性创新活动。这主要体现在以下两个方面：其一，技术溢出增强医药企业研发投资意愿。医药企业的研发决策主要基于期望收益与成本决策，技术溢出过程的正外部性特征能够改善企业利润回报预期。经验证据显示，技术溢出能够增加企业研发后营业收入［14］，即使领先技术企业通过技术交易市场内部化外溢的知识（或创新准租金），溢出过程仍能强化企业营收预期［15］，并增强企业研发投资激励［16］。其二，技术溢出有助于改善医药企业研发投资结构。技术溢出的本质是对核心技术知识和异质性知识的获得、整合和运用［17］。这为医药企业接触前沿技术信息和最新市场需求提供了机遇，有助于企业学习吸收新思想和新方法解决技术难题，从而实现技术的迭代升级。

基于上述分析，提出研究假设H2：多维技术溢出通过研发投资激励效应提升企业技术原创性。

1.3 市场竞争的调节作用

市场竞争在企业创新过程中表现出双重影响：熊彼特效应和逃避竞争效应［18］。中国生物医药企业的研发领域和作用机制集中度较高［19］，这导致企业彼此之间的技术和产品替代性较强，并成为医药研发竞争激烈的深层原因。因此，此时制约创新的熊彼特效应相对于激励创新的逃避竞争效应可能更占据主要地位。国外的经验证据表明，更激烈的市场竞争可能改变生物医药企业的研发方向，促使企业选择风险低、收益稳定而社会福利小的研发项目，这在新冠疫情期间世界医药研发活动中有较好的体现［20］。此外，来自中国药品集中带量采购政策实施的经验证据也显示，较低的市场竞争程度更有助于发挥集采的创新效应［21］。这与生物医药的研发特征有着密切的关联，更激烈的市场竞争可能导致医药企业急于收回研发成本，疲于应对市场生存压力，而忽视对高质量创新连续、大量的投入。

由此，提出研究假设H3：市场竞争对技术溢出影响医药企业原创性创新具有负向调节作用。

2 研究方法

2.1 数据来源

以2005—2020年生物医药A股上市公司作为研究样本。企业数据来自CSMAR和CCER经济金融数据库，按照申银万国2021版行业分类标准确定企业行业归属。考虑到专利被引用所需的时间，数据截止到2020年末。专利数据来自PatSnap智慧芽数据库、Google专利检索系统以及国家知识产权局专利检索及分析系统，使用企业中文或英文全称手动检索并基于Python编程匹配原始专利的前、后向引文及其所属企业。为了剔除无效的专利申请，将检索范围限定在全球164个国家（或地区）的知识产权局，包含法律状态为公开、实质审查、授权、期限届满、未缴年费、权利恢复、部分无效的专利。

2.2 数据处理

为确保数据的可靠性与完整性，对研究样本作如下处理：①剔除当年上市状态为ST、*ST、暂停上市或退市的样本。②剔除连续三年以上观测值缺失的样本。③基于随机森林算法进行链式方程多重插补，选取插补后不改变原有数据分布、均值变化量小于5%的数据集作为分析对象。进行此项处理的目的在于尽可能保证数据完整性，尽量避免样本选择偏差。④对所有连续变量进行前后1%的缩尾处理，以避免极端值对实证结果的影响。经处理，最终得到341家生物医药A股上市公司的2863个企业-年度观测值。其中，匹配得到的（去重后的）专利数据（包含原始专利及其前、后向引文）共计46.5万条。

2.3 变量说明

2.3.1 被解释变量

原创性创新水平（Origin）。利用申请专利的原创性指数反映企业原创性创新水平。在测度中借鉴Trajtenberg等［22］的研究，使用原始专利的后向引文信息将专利原创性定义为：

Originq=1-∑Kk=1BCitedqkBCitedq2（1）

Originit=∑Qk=1Originitq/patit（2）

式中，BCitedq为专利q的后向引文总数，BCitedqk为q专利在k技术子类的后向引文数量。Originq越高，则专利的原创性越高。企业层面的专利原创性（Originit）则为企业i在t时期所申请的所有专利原创性的平均值。

2.3.2 主要解释变量

行业内溢出（within_spill）。参考Lucking等［23］的方法，首先以k维列向量Si，T=（Si，1，T，Si，2，T，Si，3，T，…，Si，k，T）表示企业i于T时期（2005—2020年）在所有技术子类的专利份额矩阵。其中，Si，k，T表示k技术子类的份额，定义为企业i所申请的专利中k技术子类的IPC代码个数与IPC代码总个数之比。专利份额矩阵均基于3位IPC代码计算，并进行去重处理。然后，将k维列向量Si，T标准化后得到Si，T=Si，T/（S′i，TSi，T）12。i企业j与企业的技术邻近度则为二者标准化专利份额矩阵的点积，即ωji，T=S′i，TSi，T（i≠j）。之后，参考Hall［24］的经典方法计算企业知识资本存量lnRdStockjt，计算过程中折旧率取15%。企业i在t时期的行业内溢出则为企业i与企业j（j=1，2，…，N-1）的技术邻近度与企业j知识资本存量自然对数的乘积之和，即

within_spill=∑N-1j=1ωji，TlnRdStockjt（3）

式中，ωji，T为技术邻近度矩阵，lnRdStockjt为知识资本存量矩阵。在回归中对计算得到的技术溢出除以1000以缩小变量间的单位差异，以下相同。

行业间溢出（inter_spill）。借鉴Schnitzer和Watzinger［25］的方法，使用原始专利的前向与后向引文数据对技术邻近度矩阵进行加权，以计算跨行业技术溢出。首先，定义一个标准化的k维列向量Zi，T，用以反映原始专利前、后向引文的（3位）IPC代码分布情况。将此列向量Zi，T与Si，T对应元素相乘得到gi，T，从而对初始的专利份额矩阵进行加权。此时，企业i与企业j的技术邻近度矩阵变为ωcites_augji，T=g′i，tgi，t（i≠j），对此矩阵进行标准化后得到ωcites_aug_stdji，T，进而计算得到行业间技术溢出如式（4）所示。

inter_spillit=∑N-1j=1ωcites_aug_stdji，TlnRdStockjt（4）

本地化溢出（techgeo_spill）。技术溢出具有随地理距离增加而衰减的特征［26，27］。因此，通过引入距离矩阵以反映溢出的本地化特征。首先，以企业总部办公地点的经纬度定义企业的实际位置，并计算企业i与其他所有企业j的地理距离。之后，考虑一个随地理距离线性衰减的知识流动矩阵ωdisji，T=max（Dji，T）-dji，Tmax（Dji，T），其中max（Dji，T）为样本中所有企业之间距离的最大值，dji，T为企业i与j之间的实际距离。由此得到距离加权的技术邻近矩阵ωdis_augji，T=ωji，Tωdisji，T（i≠j）。将此矩阵内所有元素取值映射到［0， 1］区间得到ωdis_aug_stdji，T。最后，将距离加权的技术邻近度与企业知识资本存量相乘得到企业i在t时期的本地化技术溢出如式（5）所示。

techgeo_spillit=∑N-1j=1ωdis_aug_stdji，TlnRdStockjt（5）

2.3.3 控制变量

借鉴相关研究，将企业总资产（lnassed）、是否为国有企业（SOE，国有=1，民营=0）、实际营业收入（lnRevenue）、企业年龄（lnage）、资产负债率（Lev）、总资产周转率（Tirmpver）、政府补贴（lnsub）作为控制变量。文中所有变量，若在计算过程中涉及研发投入，则使用研发投资价格指数进行平减［28］；若涉及营业收入，则使用医药制造业工业品出厂价格指数进行平减。为缩小变量间单位差异，对部分连续变量取自然对数。

2.3.4 中介变量

研发投资强度（lnRdInt），定义为企业实际研发投入与实际营业收入之比的自然对数。

2.3.5 调节变量

勒纳指数（Lernerit），定义为（营业收入-营业成本-销售费用-管理费用）/营业收入［29］，用以衡量企业面临的市场竞争程度。勒纳指数越高，说明企业市场势力越大，同时面临的市场竞争越小。

2.4 计量模型设定

以高维固定效应线性回归作为基准模型，用以验证假设H1。设定的回归形式为：

Originit=β0+β1Spillit+βkXit+ηi+τyear+φInd+εit（6）

其次，为验证假设H2，采用两步回归法检验中介效应：

MVit=γ0+γ1Spillit+γkXit+ηi+τyear+φInd+εit（7）

Originit=η0+η1Spillit+η3MVit+ηkXit+ηi+τyear+φInd+εit（8）

最后，为验证假设H3，设定调节效应模型为：

Originit=α0+α1Spillit×Lernerit+α2Spillit+α3Lernerit+αkXit+ηi+τyear+φInd+εit（9）

其中，Originit为专利原创性，是企业原创性创新水平的代理变量。Spillit为主要解释变量，表示多维技术溢出，包括行业内溢出（within_spill）、行业间溢出（inter_spill）以及本地化溢出（techgeo_spill）。Xit为控制变量。MVit为中介变量。在回归中控制三位代码行业固定效应（Ind）、企业固定效应（ηi）以及年份固定效应（τyear）三重固定效应，以此控制未观测到的外部冲击和企业异质性。εit为随机误差项。

3 实证结果与分析

3.1 描述性统计分析结果

表1展示了变量的描述性统计结果。分析可知，企业专利原创性的取值区间为［0， 0.690］，而均值和标准差分别为0.220和0.170，表明医药企业间技术原创性差距较大，且总体水平不高。行业内、行业间以及本地化溢出的大小相仿，并且测算得到的行业内溢出最大。

3.2 基准回归结果

表2展示了基准回归结果，列（1）、（2）、（3）主要解释变量分别为行业内、行业间和本地化溢出。这些估计系数至少在1%的显著水平下为正值，说明技术溢出效应将提高医药企业专利原创性。在技术邻近性不变的前提下，其他企业的知识资本存量每增加1%，则企业i的专利原创性将增加0.098ji，T或0.104ji，T，其中ji，T为企业i与其他所有企业技术邻近性的均值。由此，假设H1得证。

3.3 稳健性检验

使用工具变量解决内生性问题。考虑到测度误差、遗漏解释变量、反向因果等带来的内生性问题及其导致的估计系数不一致性，参考杨立成等［32］构造移动份额工具变量（SSIV）并进行面板工具变量回归。回归过程中，先对固定效应模型进行离差变换，再对变换后的模型进行两步GMM估计。表3第（1）到（3）列展示的估计结果表明，在解决内生性问题后结论仍然有效，并且估计系数和显著性几乎没有发生变化。

a括号内为P值，检验结果强烈拒绝不可识别的原假设。

b括号内为Stock-Yogo弱工具变量10%临界水平，检验结果拒绝弱工具变量的原假设。

c由于只有一个工具变量，因此恰好识别，不存在过度识别问题。

更换聚类层次。表4 Panel A将聚类层次更改为“年份×行业”，在更改聚类层次后多维技术溢出的估计系数基本不变，并且仍至少在1%的显著水平下为正数。

替换解释变量。3位IPC代码可能并不能充分反映企业所发明技术的异质性，因此使用4位IPC代码重新计算多维技术溢出变量，之后引入基准模型重新回归。如表4 Panel B所示，在更改IPC代码位数后结论仍然稳健。

缩小样本时间窗口。重大新药创制国家科技重大专项于2008年启动，新冠疫情于2020年初开始在全国范围内蔓延，二者对生物医药产业产生了巨大的外部冲击。因此剔除2008年之前和2020年之后这一段时期，并重新估计基准模型。如表4 Panel C所示，在缩小时间窗口后，多维技术溢出估计系数的显著水平有所下降，但仍至少在5%的显著水平下成立。

3.4 研发投资的中介效应

原创性创新需要大量资金支持，技术溢出能够通过激励企业增加研发投资来支持高质量创新活动。表5展示了作用机制分析结果，研发投资在行业内、行业间以及本地化溢出的中介效应分别为0.0055、0.0036、0.0061，占总效应比重分别为5.58%、3.65%、5.86%。中介效应检验的Sobel统计量在［2.1， 2.3］的区间内，且至少在5%的显著水平下成立，这证实技术溢出能够通过投资激励效应支持原创性创新，从而验证了假设H2。

3.5 市场竞争的调节作用

市场竞争是企业创新过程中的重要外部变量，竞争程度的强弱驱使企业作出不同的创新决策，并对溢出效应具有调节作用。表6展示了调节效应回归结果，勒纳指数与行业内、行业间溢出的交互项分别至少在10%、5%的显著水平下成立，而与本地化溢出的交互项仍为正但不显著。这说明更激烈的市场竞争可能驱使医药企业增加短期主义创新倾向，并减少知识共享。这不利于行业内外的知识传播，也不利于企业原创性创新水平的提升。这些结果与唐运舒等［21］的观点相似。由此，假设H3得证。

3.6 拓展性分析：技术溢出的异质性影响

企业产权性质的异质性。国有企业是政府解决市场失灵的工具，其技术创新行为需要充分考虑研发的社会效益，并在研发实践中从事更多基础性研究。而民营企业在研发活动中主要基于利润最大化决策，在创新中主要从事应用型研究。国有与民营企业在创新过程中社会分工的差别，导致二者研发基础以及吸收能力的差异。表7第（1）、（2）列分别展示民营和国有企业的回归系数，可以看出，多维技术溢出效应对国有企业技术原创性的积极影响更大，这可能归因于国有企业较好的研发基础。

企业规模的异质性。不同规模的企业盈利能力存在差异，而生物医药技术的研发需要持续性的创新投入。因此，大规模企业由于具有稳固的市场地位，其研发投入现金流的连续性更强，具有更多的研发固定资产，并且能够承担更多研发风险。而中小企业受限于融资约束，可能在研发活动中更少从事原始性创新活动。表7第（3）、（4）列分别展示了大规模企业和中小企业的回归系数。回归结果证实，相比于中小企业，技术溢出对大规模企业原始创新的刺激作用更强。

企业技术性质的异质性。不同技术水平的企业由于研发实力不同，对技术溢出效应的感应能力可能存在差异。高新技术企业由于技术水平相对较高，在研发过程中的技术约束较少，因此可能具备相对于非高新技术企业的研发优势。表7第（5）、（6）列分别展示了非高新技术和高新技术企业的回归结果。可以看出，高新技术企业受到技术溢出的刺激作用更强但显著性略低，而非高新技术企业则相反。这可能是由于，高新技术企业技术水平较高，在获取外部知识后能够有效转化为技术创新，因而表现为多维溢出的估计系数更高。但是高技术水平也使得可供借鉴的、有价值的知识更少，因而表现为更低的显著水平［16］。

4 结论与政策建议

利用2005—2020年生物医药A股上市公司匹配数据，实证检验了多维技术溢出对医药企业原创性创新的影响。研究发现：行业内、行业间以及本地化技术溢出通过研发投资激励效应对医药企业原创性创新产生积极影响，市场竞争在其中发挥负向调节作用，国有、大规模、高新技术企业相比于民营、中小和非高新技术企业受到技术溢出效应的积极影响更明显。

对此，提出如下政策建议：第一，建立和完善良性知识流转机制。在制度实践中，应当完善技术交易市场机制，搭建多元研发交流平台，促进研发知识大范围、多层次、合法性流动。注重搭建跨行业、跨学科技术合作平台，引导行业外知识流入，丰富生物医药产业创新实践。第二，建设生物医药产业发展集群。制定政策促进生物医药产业集群化发展，充分利用规模经济优势，促进集群内知识和信息共享，带动地域邻近企业提升技术创新能力。第三，稳定市场竞争环境。政府应当严格执行医药行业准入规范，监管医药企业竞争行为，防止不正当竞争和寻租行为。加强药品市场价格监管，建立规范有序的市场竞争框架，从而激励全体企业的高质量研发活动。第四，优化研发补贴结构与数量。政府研发补贴政策应当兼顾初创民营企业、中小企业以及非高新技术企业的研发需求和利益，注重培养“小而专、小而精”的小巨人企业，帮助具有研发潜力的企业从事研发活动。

参考文献：

［1］ DIMASI J A， GRABOWSKI H G， HANSEN R W. Innovation in the pharmaceutical industry： new estimates of R&D costs［J］.Journal of Health Economics， 2016， 4720-4733.

［2］ RICHARDS D. Drug development and regulation［J］.Medicine， 2008， 36（7）： 369-376.

［3］ GRABOWSKI H. Patents， innovation and access to new pharmaceuticals［J］.Journal of International Economic Law， 2002， 5（4）： 849-860.

［4］ 敖翼， 濮润， 卢姗， 等. 我国新药创制的模式选择与发展思考［J］.中国新药杂志， 2020， 29（2）： 136-142.

［5］ KRIEGER J L， LI X， THAKOR R T. Find and replace： R&D investment following the erosion of existing products［J］.Management Science， 2022， 68（9）： 6552-6571.

［6］ DRANOVE D， GARTHWAITE C， HERMOSILLA M. Does consumer demand pull scientifically novel drug innovation？［J］.The RAND Journal of Economics， 2022， 53（3）： 590-638.

［7］ TSENG C Y， PAI D C. Knowledge search， spillover and creation capability in India’s pharmaceutical industry［J］.Technology Analysis & Strategic Management， 2014， 26（2）： 207-222.

［8］ BRAUNERHJELM P， DING D， THULIN P. Labour market mobility， knowledge diffusion and innovation［J］.European Economic Review， 2020， 123（2020）： 103386.

［9］ TZABBAR D， LEE J， SEO D. Collaborative structure and post-mobility knowledge spillovers： A dyadic approach［J］.Strategic Management Journal， 2022， 43（9）： 1728-1762.

［10］ 张豪， 张建华， 何宇， 等. 企业间存在全要素生产率的溢出吗？——基于中国工业企业数据的考察［J］.南开经济研究， 2018（4）： 102-119.

［11］ 李勋来， 刘晓倩， 李文琪. 生物医药产业集群创新发展的经济增长效应研究——以山东生物医药产业集群为例［J］.科技管理研究， 2023， 43（9）： 153-160.

［12］ 王便芳， 王新庆， 张省. 知识溢出、企业创新与组织协同研发行为［J］.企业经济， 2021， 40（4）： 153-160.

［13］ ADELHEID H， BETTINA P， CHRISTIAN R. Local knowledge spillovers and innovation persistence of firms［J］.Economics of Innovation and New Technology， 2023， 32（6）： 826-850.

［14］ ZACCHIA P. Knowledge spillovers through networks of scientists［J］.The Review of Economic Studies， 2020， 87（4）： 1989-2018.

［15］ ARQUE-CASTELLS P， SPULBER D F. Measuring the private and social returns to R&D： Unintended spillovers versus technology markets［J］.Journal of Political Economy， 2022， 130（7）： 1860-1918.

［16］ 庞瑞芝， 涂心语， 严晓玲. 产品市场竞争与知识溢出如何影响企业研发？——基于多维空间邻近的实证识别［J］.产业经济研究， 2021（2）： 1-14， 29.

［17］ 郑曼妮， 黎文靖， 谭有超. 技术转移与企业高质量创新［J］.世界经济， 2024（3）： 66-93.

［18］ AGHION P， BECHTOLD S， CASSAR L， et al. The causal effects of competition on innovation： Experimental evidence［J］.The Journal of Law， Economics， and Organization， 2018， 34（2）： 162-195.

［19］ KONG L， LI Q， KAITIN K I， et al. Innovation in the Chinese pharmaceutical industry［J］.Nature Reviews Drug Discovery， 2023， 22（1）： 12-13.

［20］ BRYAN K A， LEMUS J， MARSHALL G. R&D competition and the direction of innovation［J］.International Journal of Industrial Organization， 2022， 82（2022）： 102841.

［21］ 唐运舒， 叶徽， 焦建玲， 等. 药品集采、以量换价与药企创新：如何实现医药减负与药企创新发展的双赢？［J］.中国软科学， 2023（12）： 123-133.

［22］ TRAJTENBERG M， HENDERSON R， JAFFE A. University versus corporate patents： A window on the basicness of invention［Tc8LmkZek2Iu3lF1HhHQog==J］.Economics of Innovation and New Technology， 1997， 5（1）： 19-50.

［23］ LUCKING B， BLOOM N， VAN REENEN J. Have R&D spillovers changed？ ［R］： National Bureau of Economic Research， 2018.

［24］ HALL B H. The manufacturing sector master file： 1959-1987 ［R］： National Bureau of Economic Research Cambridge， Mass.， USA， 1990.

［25］ SCHNITZER M， WATZINGER M. Measuring the spillovers of venture capital［J］.Review of Economics and Statistics， 2022， 104（2）： 276-292.

［26］ LI Y A. Borders and distance in knowledge spillovers： Dying over time or dying with age？—Evidence from patent citations［J］.European Economic Review， 2014， 71152-71172.

［27］ MURATA Y， NAKAJIMA R， OKAMOTO R， et al. Localized knowledge spillovers and patent citations： A distance-based approach［J］.Review of Economics and Statistics， 2014， 96（5）： 967-985.

［28］ 朱平芳， 徐伟民. 政府的科技激励政策对大中型工业企业R&D投入及其专利产出的影响——上海市的实证研究［J］.经济研究， 2003（6）： 45-53， 94.

［29］ PERESS J. Product market competition， insider trading， and stock market efficiency［J］.The Journal of Finance， 2010， 65（1）： 1-43.

［30］ WOOLDRIDGE J M. Econometric analysis of cross section and panel data ［M］. MIT press， 2010.

［31］ CORREIA S. Singletons， cluster-robust standard errors and fixed effects： A bad mix［J］.Technical Note， Duke University， 2015， 7.

［32］ 杨立成， 周正， 张芸芸. 知识溢出与企业绿色创新——制度压力与吸收能力的调节作用［J］.软科学， 2023， 37（9）： 67-77.