技术距离、地理距离对大学-企业协同创新的影响研究

史 烽 高 阳 陈石斌 蔡 翔

(1.中南大学商学院； 2.桂林电子科技大学商学院)



技术距离、地理距离对大学-企业协同创新的影响研究

史 烽1,2高 阳1陈石斌2蔡 翔2

(1.中南大学商学院； 2.桂林电子科技大学商学院)

扩充技术距离为横向的技术相似度与纵向的技术深度，并以铁路时间定义地理距离，采用改进的Jaffe-Griliches知识生产函数模型，选用2006～2014年间我国31个省级地区的大学-企业协同创新活动的数据，探讨技术距离、地理距离对大学-企业协同创新活动的影响。实证发现：横向、纵向的技术距离对大学-企业协同创新活动均有显著的促进作用，尤其是横向的技术相似度是影响协同创新的最主要因素之一；以铁路时间测度的地理距离越近越有利于协同创新开展。

协同创新； 技术距离； 地理距离； 知识生产函数

1 研究背景

近年来，地理距离已是经济地理学、区域经济学与空间经济学等多学科比较感兴趣的重要主题，地理距离也已开始进入主流经济学的视野，特别是著名经济学家克鲁格曼一直主张和推崇“将地理空间纳入主流经济学”[1]。如今，距离问题作为创新活动的关键变量受到了创新经济学派的重视。到目前为止，相关研究成果均认为，地理距离上的相邻有利于大学、企业等研究机构的知识转移，因而将地理距离解读为形成产业集聚或技术集聚产生的原因。随着交通成本不断下降与通讯技术的迅猛发展，不少学者根据经验做出“地理已死”的预言，认为地理距离对创新的影响正在不断减弱甚至消失。笔者认为，这种“地理距离对创新影响力减弱”论断忽视了地理距离更受到日益快捷交通运输带来的时空压缩效应。以中国为例，随着高速铁路的进一步完善，全国范围的时空收缩，在冲击局部经济的同时促进了地区间创新活动的协同合作。GRILICHES[2]将距离的定义从狭义的地理距离拓展到产业间的“技术距离”。由于创新活动的产出知识有着较强的外部性，而从事创新活动的大学、企业等主体并不是处于完全相同的技术水平相似度与技术深度，存在一定的技术距离，因此势必导致技术溢出效应。尤其是对于大学-企业协同创新活动，为提升合作双方的技术水平、创新绩效与协同程度，更为重视大学与企业之间的资源整合与资源配置优化，“距离”因素对其影响要强于一般创新活动。因此，研究地理距离与技术距离对大学-企业协同创新活动的影响就成为一个关键问题。

在研究大学-企业协同创新活动内在影响因素的测度模型中，知识生产函数模型是最为常见的。知识生产函数模型是通过知识溢出角度的测度模型而采用添加了空间变量(空间权重矩阵)的Jaffe-Griliches知识生产函数，在解决了创新活动的空间集聚效应的同时，分析了影响创新产出的各类因素[3]。此后，ANSELIN等[4]在这一模型基础上添加了空间权重矩阵以解决创新的空间相关性问题。添加了空间滞后项的Jaffe-Griliches知识生产函数模型简单明了且很好地反映了创新活动，被越来越多的研究者采用并不断改进，以适用于不同的创新，成为研究创新活动的最经典模型之一，不少中国学者也借鉴这一模型研究创新活动[5～7]。然而，这一模型至少存在两个不足：①没有从更深层次的生产率角度挖掘协同创新的内在机理；根据四因素经济增长理论，知识劳动生产率与知识资本生产率也影响着创新活动。②虽然讨论了一部分距离造成的影响因素，但缺乏对距离定义的深刻分析，如CAPALDO等[8]考虑技术距离但缺乏对地理空间相关性的研究。

针对以上情况，本研究拟在3个方面对已有研究进行拓展：①采取全要素生产率视角下的改进的Jaffe-Grilliches知识生产函数模型。这一模型不但诠释了创新活动绩效的内在影响机理，测算了大学-企业协同创新活动的空间相关性，还深入比较大学-企业协同创新绩效的相关影响因素。②扩展了技术距离的内涵。JAFFE[3]、CAPALDO等[8]虽然认可技术距离对创新活动的影响，但这一技术距离的定义仅限于技术相似度；FAGERBERG[9]研究技术差异与深度的影响，但并未承认技术距离的概念；张保胜[10]虽然认为技术距离应该分为横向与纵向两种，但并未给出具体的计量定义。由此，本研究将扩充以技术距离为横向的技术相似度与纵向的技术深度，从一定程度上扩充了技术距离的定义。③采用基于铁路时间的地理距离，这也是具有创新的新尝试。符淼[5]、项歌德[6]均选用直线距离表示地理距离，这种方法强调空间距离，简单通用，但对于两地之间的可达性与交通时间成本估计不足，也导致地理距离对创新活动的影响作用不准确。由此，本研究拟扩展地理距离的内涵，以时空距离对地理距离做出新的尝试，重新估计地理距离的影响。

2 理论分析与研究假设

2.1 技术距离对大学-企业协同创新绩效的影响

GRILICHES[11]在研究创新研发活动的投入与产出时，首次提出技术因素对创新活动存在重要影响。他认为，企业从其他企业获取的知识总量取决于两者之间的技术相似性，即所谓的“技术距离”。此后，JAFFE[3]正式定义技术距离为两个产业之间的技术相似程度，并使用产业的“技术定位向量”的内积表示技术距离。这一公式是现阶段测度技术距离的主要方法之一。

根据JAFFE[3]的技术距离理论，在水平的技术市场中，相似的产品可以从彼此的创新研发活动中获益。由于世界上并不存在技术水平程度完全一样的两个地区或企业，势必会造成知识的溢出，因此技术距离对其他地区的创新活动的影响是客观存在的事实，GOTO等[12]、SAMPSON[13]的研究都证实了这一点。然而，技术距离对协同创新活动，尤其是大学-企业协同创新活动是否也同样具有影响呢？

从已有文献看，虽有相当数量的文献以不同角度研究表明技术距离是知识溢出效应重要的影响因素，但少见涉及技术距离对大学-企业的协同创新绩效的影响研究。大多数研究协同创新绩效问题的文献为简化问题，忽略了距离因素；而少量考虑距离因素的研究，仅仅考虑传统意义上的距离(即地理距离)，忽视了技术距离这一重要因素。近年来，关注技术距离因素的文献逐渐增多，并一致认为技术距离对大学-企业协同创新活动起着重要的作用。KNOBEN等[14]从邻近的概念入手，通过对相关文献的整理研究，认为技术距离与地理距离都是影响大学-企业协同创新活动的重要影响因素之一；KIM等[15]针对比利时大学与企业的特点选择了创新调查数据，得出相类似的结论。

综上所述，不少研究者认为技术距离会抑制大学-企业协同创新，但多数实证研究表明，技术距离对大学-企业协同创新绩效影响呈现倒U性曲线关系。如果合作双方的技术距离太过接近，则由于知识技术的相似会使得创新缺乏新意，反而会影响协同创新效果；如果两者之间的技术距离过大，则存在着沟通与理解上的障碍，也不利于创新的产生。LIN等[16]从创新吸收能力的角度出发，通过分析美国证券公司专利的相关数据，发现对企业间的技术距离为中等时创新绩效达到最高峰，即呈倒U型分布。CAPALDO等[8]采用JAFFE[3]的技术距离公式对欧盟12国的研发能力最强的高校与其联合申请的专利的相关企业进行分析，同样发现技术距离与高校与企业间协同创新绩效存在一个倒U型的曲线关系。

从国内研究文献来看，目前对于技术距离的研究(尤其是技术距离对协同创新活动的影响研究)依然处于起步阶段，且结论各异。龙勇等[17]采取技术距离公式研究企业间的合作效应，发现技术距离对合作关系的企业尤其是竞争性的关系的合作绩效有显著的促进作用。王菁等[18]通过相关文献研究了技术距离对区域间大学-企业协同创新绩效之间存在着倒U型的关系。张丽华等[19]利用我国省级地区近10年的专利数据做出实证分析发现，技术距离过于接近时并不利用创新绩效的提升。张保胜[10]认为，技术距离应该分为横向技术距离(技术相似性)与纵向技术距离(技术差异性)，两者之间存在一定的关系，共同制约创新绩效。单洁含[20]将中国按地区分类后，对技术距离影响大型企业的协同创新绩效进行测评，发现技术距离对我国不同地区的影响存在着一定的差距；而从全国范围来看，技术距离具有明显的促进作用，其中在我国的东部地区，这种现象更加明显。值得注意的是，以中国为研究对象的讨论中并没有明显的倾向于倒U型，反而认为技术距离越大，越有利于大学-企业的协同创新活动。以单洁含[20]为代表的研究认为，这是由于我国大学-企业协同创新并未发展到倒U型曲线峰值位置，仍处于起步阶段。

2.2 地理距离对大学-企业协同创新绩效的影响

地理距离作为经济增长理论的重要概念，比“技术距离”得到了更多的关注。经济地理学、区域经济学与空间经济学(也称新经济地理学)都将“地理距离”作为其主要研究对象。近年来，越来越多的创新学派学者把目光转移到地理距离对创新活动的影响上，这一影响主要在知识溢出效应中体现。

最早证明地理距离对知识溢出效应有影响的是COE等[21]提出的Coe-Helpman知识溢出模型(即CH模型)。此后，ANSELIN等[4]创立基于空间计量经济学的SAR模型与SEM模型，解决了创新活动的空间相关性问题，此后的地理距离与创新活动的研究大多基于这一模型。通过分析相关研究发现，学者们一致认为地理距离对创新活动存在着明显的负相关关系。换言之，随着地理空间距离的扩大，创新活动的效应随之减弱。

目前，国外文献中关于地理距离与协同创新活动的影响研究还不多见，而且其研究结论多认为地理距离对大学-企业协同创新绩效有负向影响。FABRIZIO[22]对生物技术与制药行业的相关大学与企业联合发布的专利进行了抽样统计与分析，认为地理距离的增大会导致协同创新的传播能力的降低； ABRAMOVSKY等[23]通过对英国的大学研究所与企业R&D研究所之间的地理距离对其创新能力进行了分析，发现两者之间存在着负相关性，即两者之间的距离越接近，协同创新的效果就会越好。D’ESTE等[24]对英国工程和物理科学研究理事会近15年中所资助的大学与企业之间的合作项目的数据进行统计分析，发现地理距离越小，合作就越明显，而且这种合作关系对于工程类的协同创新活动的影响力更显著。此外，CAPALDO等[8]收集了来自欧洲专利局(EPO)的欧盟12国研发能力最强的高校近6年的数据进行分析发现，大学-企业协同创新对协同创新具有负向影响，但地理距离越大其合作水平可能越高。

国内少数学者考察了地理距离对我国协同创新绩效增长的关系，多数也支持了地理距离对协同创新具有抑制作用的观点。HONG等[25]将我国大学和企业的联合专利为测度指标，研究了地理距离与大学-企业协同创新绩效的影响，认为地理距离对协同创新绩效的增长呈现阻碍作用。刘志迎等[26]以地区为划分单位，通过以中国各地区最顶尖的大学与其联合申请专利的企业的相关数据为样本，分析了地理距离对大学-企业协同创新的影响，认为地理距离对中国各地区的协同创新绩效有着明显的抑制作用。党兴华等[27]对中国省级地区的近10年间的大学与企业间的联合申请的专利数据进行研究，发现地理距离对协同创新的绩效有着明显的促进作用，并且通过对比还发现，地理交通-时间距离要比传统意义上的地理直线距离对协同创新绩效的影响更显著。陈光华等[7]以广东省的产学研协同创新的研发项目作为研究对象，研究了地理距离对产学研协同创新尤其是对于跨区域的产学研协同创新的影响力，并认为当以专利作为协同创新绩效的衡量标准时，两者之间的相互作用不显著，但当以新产品的产值作为衡量标准时，两者成明显的负相关关系。

综上所述，本研究认为，技术距离增大有利于大学-企业协同创新绩效提升，而地理距离减小有利于大学-企业协同创新绩效提升。据此，提出以下假设：

假设1 技术距离对大学-企业协同创新绩效具有正向促进作用。

假设2 地理距离对大学-企业协同创新绩效具有抑制作用。

3 实证模型确立与样本选取

本研究试从大学-企业协同创新绩效的影响因素作为突破点，对Jaffe-Grillches知识函数进行扩充，在考虑距离因素的同时，将距离分为技术距离与地理距离两大因素，并对两者的内涵进行了新的补充。此外，由于大学-企业协同创新活动的空间自相关性和空间异质性，普通的OLS方法并不能准确估计大学-企业协同创新的绩效。为此，本研究采取空间计量的方法对协同创新绩效做出新的估计测量。首先研究了地理距离与技术距离的测算方法；然后阐述Jaffe-Grilliches的知识生产函数的基本模型；最后根据大学-企业协同创新活动的特点建立回归模型，估计大学-企业协同创新活动绩效。

3.1 技术距离

技术距离起初是用来测量两个企业之间研发活动相似度对生产率的影响，对于技术对大学-企业协同创新绩效而言，不仅仅受到技术相似度的影响，而一个企业本身的技术深度也会影响到该企业与大学进行协同创新。由此，本研究对技术距离的测算指标有两个：①横向的技术相似度，用符号Tecij表示；②纵向的技术深度，用符号TDepthij表示。

技术相似度按照JAFFE[3]所提出的定义加以推广，即

(1)

式中，F表示按行业划分的专利数，以向量形式表示；F′是F的转置；fik表示在某年内i大学在第k类专利中申请的发明专利数；fjk表示在某年内j企业在第k类专利中申请的发明专利数。本研究采取国际专利分类标准(IPC)中的8大类划分法所计算的技术相似度与JAFFE[3]选用IPC标准中的120个小分类划分法所计算出的结果会存在一定的误差，但考虑到本研究所选取样本量较大，简化版的技术相似度也同样具有较好的解释力。特别说明的是，由于JAFFE[3]定义的技术相似度与熟悉的距离定义相反，本研究特选取了1与“技术定位向量”内积的差来表示技术距离。

技术深度是根据英国学者SOETE等[28]所提出的“显性技术优势”公式进行如下改造

(2)

式中，N表示与i大学所有联合申请专利的企业总数。

显然有：i与j的技术结构越相似，Tecij的值越接近1，反之，Tecij的值越接近0；而当一个公司的专利集中于某几项专利类别的话，TDepthij的值就越大，与其他竞争者相比，就更容易得到与大学进行合作的机会。

3.2 地理距离

大学-企业协同创新活动的地理距离本意是指大学与企业之间的地理距离，绝大多数文献均直接采用两个中心城市的直线距离来测度地理距离，但是我国疆域辽阔，不同地区之间的空间地形复杂，单纯的计算直线距离并不能准确的分析大学与企业之间的距离影响力；此外，在我国以高速铁路为代表的快速铁路交通迅猛发展，不但改变了可达性，引起了沿铁路线的时空收缩，还引起了高铁途径区域的局部经济冲击，促进了技术的空间溢出现象[29]。综上，本研究选取铁路时间来估计地理距离，并在进行实证检验时取其对数表示，用符号Geoij表示i大学到j企业之间的距离。

除此之外，由于大学-企业协同创新活动所具有的空间自相关性和空间异质性的特征，需要考虑对省域之间的相互作用性，因此，衡量两地区之间空间距离的“空间权重矩阵”也属于地理距离的范畴。对于空间权重矩阵的设定，最简单的处理方式可以是以省域之间是否接壤而设定0-1值，这种方法重在处理两地之间的地理邻接性；还有方法选择省会城市之间的直线距离表示i地区到j地区之间的空间地理距离。从实际情况看来，大学-企业协同创新活动并不仅仅与地理邻接性相关，也不能完全通过空间直线距离来反映。在我国高铁运输业迅猛发展的当下，地理距离被极大的拉近了。由此，本研究决定采用铁路时间来表示空间权重矩阵W，其中第i行第j列元素为wij，代表省份i省会城市与省份j省会城市之间的地理距离

(3)

式中，sij表示省份i省会城市与省份j省会城市之间的最短铁路时间。

3.3 修正的Jaffe-Griliches知识生产函数模型与变量说明

(4)

(5)

式中，εit=λWεit+uit，RDit表示技术距离(实际上只是技术相似度)。

这一模型被奉为研究创新活动的经典模型，此后的研究基本上都是基于这一模型展开的。由于上述知识生产函数模型，只考虑到了创新活动人员数投入、创新活动的经费投入与技术距离。本研究借鉴四因素经济增长方程理论，并综合距离因素的考量，在考虑知识劳动投入量的增长与知识资本投入量的同时，增加知识劳动生产率与知识资本生产率这两个影响因素，并添加距离因素；其中，距离因素可分为地理距离与技术距离两大距离变量，并将技术距离分为技术相似度与技术深度两大指标。由此，基于距离因素的大学-企业协同创新绩效评估模型应当为

(6)

(7)

式中，εit=λWεit+uit；PL表示知识的劳动生产率；PK表示知识的资本生产率。

综上所述，大学-企业协同创新活动的绩效不仅与本身的劳动、资本投入相关，更与劳动、资本投入的生产率相关，同时也与其地理距离与技术距离相关。

下面对式(6)与式(7)中的各修改变量进行操作性定义：

(1)Iit代表i大学第t年内所有与企业联合申请的专利量(件)。选用大学与其联合发表的专利授权量作为大学-企业协同创新活动产出的指标。虽然这一指标表示创新产出也不够全面，但却能在反映协同创新活动过程的同时在一定程度上反映协同创新的成果质量与水平。这一指标的原始数据通过中国国家知识产权局的专利检索系统查询统计而得。

(2)WIit代表其他地区第t年对i大学的所有与企业联合申请的专利量的影响量，其中空间权重矩阵W原始数据来自于中国铁路局网站12306。

(3)Lit代表i大学第t年滞后期所投入的研发人员数(人)采用研究与发展人员的总量。由于大学-企业协同创新绩效的研究不但侧重于研发活动的精确度，更要求综合评价协同创新活动的质量与效率，应当重视研究与发展人员的总量更能表明科研活动的全部覆盖范围。由此，选取研究与发展人员的总量比教学与科研人员数等更能体现这一特征。

(4)Kit表示i大学第t年滞后期所投入的大学科技经费数(百万元)，采用科技活动筹集经费拨入总额。科技活动筹集经费拨入总额包括政府与企事业单位对创新活动的投入量，能准确地反馈投入与产出的直接关系，反映大学-企业协同创新的实际绩效情况。

(5)PLit与PKit分别代表i大学第t年滞后期关于与企业联合申请的专利量的劳动生产率与资本生产率，具体的计算公式计算如下

(8)

(9)

(6)Tecit表示i大学第t年滞后期与其所合作的所有企业的技术相似度综合系数；TDepthit表示相较与i大学第t年滞后期所合作的所有企业的技术深度综合系数，都是技术距离的测度指标，选取与i大学所有联合发表专利的企业的技术相似度与技术深度的平均值作为该高校的技术相似度与技术深度的综合水平，分别用Tecit与TDepthit表示。其原始数据同样来源于中国国家知识产权局的专利检索系统。

(7)Geoit表示i大学第t年滞后期与其所合作的所有企业的平均地理距离。其中的原始数据来自于中国铁路局网站12306。

值得注意的是，由于大学-企业协同创新产出指标选取的是专利授权量，而专利从发明到授权成功需要经历“发明→申请专利→专利局批准→专利”的过程，因此，使用专利授权量测度大学-企业协同创新绩效本身就具有一定的滞后性。大多数学者均承认资本投入的延后性，但对应当滞后几期的取法各不相同。从现有文献分析发现，专利的滞后期从1～4年，取法各不相同。本研究通过对大学-企业联合发表专利从申请到授权所花费时间进行统计发现，所需平均时间在1年左右，因此本研究设定时间滞后期指数为1。对于劳动力投入指标极少有文献研究劳动力投入的滞后性，但高校研发人员的增长来源主要是新近的博士毕业生。这些人员在入校后有一个环境适应和组织社会化过程，其劳动力投入具有一定的滞后性。此外，考虑到高水平高校的研发人员数会产生一定的波动现象，导致较高的高校研发人员涨幅但却并不是很明显，因此，本研究对劳动力投入进行了移动平缓指数处理。上述变量原始数据均来自2006～2014年《高等学校科技统计资料汇编》。

3.4 样本选取

大学样本选取方面，为数据统计与创新活动的空间相关性处理方便，本研究选取具有一定距离间隔的高水平高校作为研究样本，特采用“一省一校”的基本原则对大学样本进行筛选。由于“211工程”是我国为面向21世纪重点建设学科、人才与专业技术水平的高等教育重点项目，入选“211工程”的这些院校均是国家重点培育的对象，相较之下，这类院校拥有更为优越的研发环境、更高层次的合作平台与最杰出的研发人员，是科学研发特别是协同创新的主要生力军。故按每一个省区各选取一所“211工程”所属高校作为研究对象，共31所大学*各省市高校选取分别为：清华大学、天津大学、燕山大学、太原理工大学、内蒙古大学、大连理工大学、吉林大学、哈尔滨大学、上海交通大学、南京大学、浙江大学、中国科学技术大学、厦门大学、南昌大学、山东大学、郑州大学、华中科技大学、中南大学、中山大学、广西大学、重庆大学、四川大学、贵州大学、云南大学、西藏大学、西安交通大学、兰州大学、青海大学、宁夏大学、新疆大学、海南大学，共31所高校。。其中，若某一地区存在多所高校同属于211高校，则根据1989～2013 年我国高校的专利奖申请数据排名情况择优*特别需要说明的是，考虑到河北省的历史与地理特殊性以及燕山大学的专利奖排行与专利奖申请数据排行的综合实力情况，本研究特选取非“211”院校燕山大学作为河北省的研究对象。。

企业样本选取依靠所选择的31所高校目标，选取2006～2014年间与其合作发表联合专利的高校作为企业的研究样本。依照上述选取方式，对所有符合标准的企业的数据进行统计汇总，在删除重复企业与国外企业，将剩余7 985所企业作为企业的研究样本。由于企业数据量过大，此处不再详细列出具体企业位置。

4 修正的Jaffe-Griliches知识生产函数模型回归结果分析

对Jaffe-Griliches知识生产函数模型回归，首先，对样本进行描述性统计量分析。主要变量的描述性统计见表1。

表1 描述性统计(N=279)

注：本研究数据均由Stata 12.0给出。

根据上述数据对31个省级地区9年的数据进行层级回归分析，一方面验证技术距离、地理距离对大学-企业协同创新的影响(尤其是空间距离的影响力)，另一方面验证大学-企业协同创新活动受各变量影响的强弱程度。根据Stata 12.0计算结果看来，SEM模型的结果不显著而SAR模型结果显著，因此说明大学-企业协同创新活动满足SAR模型，具有明显的空间效应。SAR回归结果见表2。

表2 回归模型结果(SAR空间模型)(N=279)

注：*、**、***分别表示在10%、5%、1%显著性水平下通过检验。

综合表2来看，上述SAR模型基本通过显著性检验，说明数据的拟合度较高，说明回归结果具有很强的说服力。其中变量WI的系数较大且十分显著，这就充分说明了大学-企业协同创新活动的绩效不仅与本地区的协同创新水平有关，更受到周边地区协同创新活动的影响，具有明显的空间相关性。由于变量WI的系数均为正数，这就说明周边地区的协同创新活动对本地有明显的促进作用。在SAR模型中资本投入与劳动力投入变量均为正，且大部分都为显著的。这说明充裕的科研资金投入与科研人才引入对大学-企业协同创新活动的影响力是毋庸置疑的。需要注意的是，本研究为对比方便同时进行了普通OLS模型的回归。结果与SAR模型结果基本类似，但其中劳动力投入变量L与劳动力生产率PL的系数偏低且不显著，这主要是源于研发人员的流动性，更从另一侧面反映出了大学-企业协同创新活动具有强空间相关性。关于资本投入、劳动投入与其生产率对大学-企业协同创新的影响，在本研究所做的相关研究中有着详尽的分析且得到了相一致的结论，因此不再过多阐述。

技术距离的系数均为正数且都通过了1%的显著性检验，这表明“技术距离”对大学-企业协同创新活动确实存在着一定的促进作用。其中技术相似度的系数要高于技术深度的系数，这说明在大学-企业协同创新的过程中技术相似度高的合作对象更容易产生创新成果。这一结果与NOOTEBOOM等[31]、ALDIERI[32]认为的“技术池”理论相一致，都表明技术水平太过相似并不利于于大学-企业协同创新的发展。技术深度的系数同样通过了1%的显著性检验，这说明技术深度在创新过程中也发挥着稳定而不可忽视的作用，这就需要在发展协同创新过程的同时不但要重视“技术池”的差异性开展大规模跨学科、跨领域的协同创新活动，开拓大学-企业协同创新活动的广度，更要重视大学、企业各自的专业领域的技术深度，加深专业性的合作。然而，对于国外学者提出的“倒U型”曲线趋势由于模型的限制并没有得到很好的证明，这有待于今后进一步的讨论。

值得注意的是，在大学-企业协同创新的模型中，技术距离的系数甚至超过了劳动力投入变量L与资本投入变量K，这一结果似乎与“资本驱动创新活动”的普遍认识并不相符，但这正是大学-企业协同创新活动的特殊性所在。协同创新活动侧重于整合创新资源、优化资源配置，并以高校为基础开展高技术领域的原始创新，是政府有意引导下的重要创新模式。拥有高层次创新人才的高水平研究型大学与实力强大、专业领域突出的优秀企业之间的合作研究更大程度上依赖与两者之间的技术水平与层次，技术距离对合作双方的影响力占据了重要地位也就不足为奇了。这也正是本研究不断强调技术距离的重要作用的主要原因，也是所得出的最有价值的研究结论。然而，资本生产率PK的系数仍然远大于其他影响因素，这表示我国大学-企业协同创新活动仍属于“资本驱动”型，与本研究进行的相关研究高度一致。此外，项歌德[6]在研究省级地区的R&D溢出效应时，添加了地区专业化与产业集聚度指标且系数明显高于劳动力、资本投入的系数，这两个指标很大程度上受到了技术距离的影响，这也从另一方面印证了本研究结果的正确性。

大学与企业之间的距离的系数为负且显著，进一步说明了地理距离对大学-企业协同创新活动存在一定的抑制作用，大学-企业协同创新活动存在明显的集聚现象。相较单洁含[20]所计算大学与企业之间的距离结果不显著，更说明了添加高铁因素的铁路运行时间作为距离指标的正确性。另外，本研究以铁路时间为空间权重矩阵标准，是由于铁路(尤其是高铁)不但可以将城市串联起来，还可以将各种资源向大城市进一步集聚，因此选择铁路时间更好地反映出大学-企业协同创新活动的空间相关程度，这也表明铁路时间指标对大学-企业协同创新绩效进行测度的科学性与必要性。

总而言之，无论是从普通模型还是空间SAR模型来看，大学-企业协同创新活动的绩效不但受到资本、劳动投入的影响，也受到两大距离因素——地理距离、技术距离的影响，并与周围地区的创新活动相关。这样的结论与之前所假设的理论假设模型相吻合。

5 研究结论与建议

本研究以中国31所大学及其存在协同创新关系的企业之间2006～2014年的大学-企业协同创新活动作为研究对象，构建含空间滞后项的Jaffe-Griliches知识生产模型，从生产率视角切入，挖掘大学-企业协同创新活动机理，研究了技术距离、地理距离对大学-企业协同创新活动绩效的影响。为准确、有效地衡量技术距离与地理距离对协同创新的影响，本研究首次对技术距离进行重新定义，将技术距离内涵扩展为技术相似度与技术深度两个方面；采用铁路时空距离计算空间地理距离，重新规定空间权重矩阵并补充现有的地理距离。

通过实证研究，本研究得出以下几个重要结论：①大学-企业协同创新活动一方面受到资本、劳动力及其生产率4个因素增长的影响，也受到距离因素，即地理距离、技术距离的影响。本研究从全要素的视角下采用改进的知识生产函数模型的研究结果来看，我国大学-企业协同创新是属于“资本驱动型”，资本生产率的增长是促进协同创新绩效提高的最重要的影响因素。②无论横向或纵向的技术距离都对大学-企业协同创新活动存在显著的促进作用，尤其是技术相似性(横向技术距离)对协同创新活动的影响力甚至超过了劳动力投入。这一点正是本研究重视技术距离的初衷，是大学-企业协同创新有别于一般意义创新活动的特点。此外，国外研究中认为出现的倒U型关系并没有得到验证，本研究认为这是由于中国国情下的大学-企业协同创新活动尚处于倒U型的前半段并未到达顶峰所致。③地理距离对大学-企业协同创新活动依然存在明显的负相关性。本研究选取铁路时间的地理距离测度，并证实了地理距离对协同创新活动的影响力依然显著，打破了单洁含[20]“地理距离的影响作用已经不再显著”的结论。

针对上述问题，本研究提出以下建议：①要继续加大协同创新活动的各类投入，尤其是资本投入，要特别重视提升创新资本投入的效率问题。我国大学-企业协同创新属于“资本驱动型”，资本投入及其生产率在协同创新体中起到“发动机”的重要作用，因而协同创新的资本要素投入对推动大学-企业协同创新是十分重要的。为此，需要切实贯彻落实《中共中央关于制定国民经济和社会发展第十三个五年规划的建议》中所指出的“加大金融支持和税收优惠力度”等有关创新激励政策，加大资本要素投入力度，推进科技与金融等资本的融合，促进创新成果商品化过程，从而使得资本驱动大学-企业协同创新活动获得稳定持续的发展。②要进一步深化协同创新体制改革，构建开放共享的创新合作网络，推进落实《国务院关于深化体制机制改革加快实施创新驱动发展战略的若干意见》明确指出的“构建以企业为主体的大学-企业技术创新联盟的协同创新体系”，通过搭建着实有效的科技合作平台，促进不同产业、不同专业领域的优秀企业与高校之间开展大规模跨学科、跨领域的协同创新活动，重视开展具有专业性、持续性大学-企业协同创新，从而不断拓展大学-企业协同创新活动的广度和深度。③应加快发展诸如高速铁路等快捷交通等基础设施建设，利用其地理时空的收缩效应，有效降低开展大学-企业协同创新活动的时间成本，充分发挥包括高速铁路在内的便捷交通运输网络对大学-企业协同创新的带动作用，促进大学-企业协同创新要素资源等流动整合与优化配置，从而推进协同创新活动的发展。可以预见，随着我国《中长期铁路网规划》的顺利实施，到2020年，我国将会构建以“四纵四横”为重点的快速客运网主要骨架。显然，这将突破传统地理局限，极大促进大学-企业协同创新活动的跨区域开展。

由于本研究仅以省域为研究单位探索距离因素，实际上不同产业、不同地区的大学-企业协同创新活动受技术距离与地理距离的影响大小应该不尽相同，因此需进一步细化研究。另外，本研究初步分析了距离因素对大学-企业协同创新活动的影响，得出了大学-企业协同创新活动具有空间相关性，但没有深入分析协同创新地理距离的衰减效应等问题。这些都是需要进一步研究分析的可能方向。

[1] 克鲁格曼 P. 发展、地理学与经济理论[M]. 蔡运龙，译. 北京: 北京大学出版社， 2000

[2] GRILICHES Z. The Search for R&D Spillovers[J]. Scandinavian Journal of Economics, 1994,94(S1): 29～47

[3] JAFFE A B. Technological Opportunity and Spillovers of R&D: Evidence from Firms' Patents, Profits and Market Value[C]. Cambridge: National Bureau of Economic Research, Inc, 2015:984～1 001

[4] ANSELIN L, VARGA A, ACS Z. Local Geographic Spillovers between University Research and High Technology Innovations[J]. Journal of Urban Economics, 1997, 42(3):422～448

[5] 符淼. 地理距离和技术外溢效应——对技术和经济集聚现象的空间计量学解释[J]. 经济学:季刊, 2009, 8(4):1 549～1 566

[6] 项歌德. R&D溢出效应的测度研究——基于空间计量经济学方法[D]. 上海：上海社会科学院数量经济研究中心, 2011

[7] 陈光华, 王烨, 杨国梁. 地理距离阻碍跨区域产学研合作绩效了吗?[J]. 科学学研究, 2015, 33(1):76～82

[8] CAPALDO A, PETRUZZELLI A M. Origins of Knowledge and Innovation in R&D Alliances: A Contingency Approach[J]. Technology Analysis & Strategic Management, 2015, 27(4):461～483

[9] FAGERBERG J. Technology and International Differences in Growth Rates[J]. Journal of Economic Literature, 1994, 32(3):1 147～1 175

[10] 张保胜. 技术距离、知识溢出与区域经济收敛:一个分析框架[J]. 科技进步与对策, 2012, 29(20):32～35

[11] GRILICHES Z. Patent Statistics as Economic Indicator: A Survey[J]. Journal of Economic Literature, 1990,28(4):1 661～1 707

[12] GOTO A, SUZUKI K. R&D Capital Rate of Return on R&D Investment and Spillover of R&D[J]. Review of Economics and Statistics, 1989,71(4):555～564

[13] SAMPSON R C. R&D Alliances and Firm Performance: The Impact of Technological Diversity and Alliance Organization on Innovation[J]. Academy of Management Journal, 2007, 50(2): 364～386

[14] KNOBEN J, OERLEMANS L A G. Proximity and Inter-Organizational Collaboration: A Literature Review[J]. International Journal of Management Reviews, 2006, 8(2):71～89

[15] KIM C, SONG J. Creating New Technology through Alliances: An Empirical Investigation of Joint Patents[J]. Technovation, 2007, 27(8):461～470

[16] LIN C, WU Y J, CHANG C C, et al. The Alliance Innovation Performance of R&D Alliances:The Absorptive Capacity Perspective[J]. Technovation, 2012, 32(3):282～292

[17] 龙勇, 罗芳, 黄海波. 竞争性联盟中关于技术合作效应的实证研究[J]. 科学学与科学技术管理, 2009, 30(10):31～37

[18] 王菁, 李平. 距离对技术溢出影响效应:一个文献综述[J]. 山东理工大学学报：社会科学版, 2010, 26(6):16～22

[19] 张丽华,林善浪.技术距离对于我国区域技术创新产出的影响[J]. 研究与发展管理, 2011, 23(2):1～7

[20] 单洁含. 技术距离、地理距离与大学-企业协同创新效应——基于联合专利数据的研究[D]. 合肥：中国科学技术大学管理学院, 2014

[21] COE D T, HELPMAN E. International R&D Spillovers[J]. European Economic Review, 1995, 39(5): 859～887

[22] FABRIZIO K. The Use of University Research in Firm Innovation[J]. Open Innovation: Researching a New Paradigm, 2006: 134～160

[23] ABRAMOVSKY L, HARRISON R, SIMPSON H. University Research and the Location of Business R&D [J]. Economic Journal, 2007, 117(519):C114～C141

[24] D’ESTE P, IAMMARINO S. The Spatial Profile of University-Business Research Partnerships[J]. Papers in Regional Science, 2010, 89(2): 335～350

[25] HONG W, SU Y S. The Effect of Institutional Proximity in Non-Local University-Industry Collaborations: An Analysis Based on Chinese Patent Data[J]. Research Policy, 2013, 42(2):454～464

[26] 刘志迎,单洁含. 技术距离、地理距离与大学-企业协同创新效应——基于联合专利数据的研究[J]科学学研究,2013,31(9):1 331～1 337

[27] 党兴华,弓志刚. 多维邻近性对跨区域技术创新合作的影响——基于中国共同专利数据的实证分析[J].科学学研究, 2013,31(10):1 590～1 600

[28] SOETE L G,WYATT S. The Use of Foreign Patenting as an Internationally Comparable Science and Technology Output Indicator[J]. Scientometrics, 1983, 5(1):31～54

[29] SPIEKERMANN K, WEGENER M. The Shrinking Continent: New Time-Space Maps of Europe[J]. Environment and Planning. Part B, 1994, 21(6):653～673

[30] GRILICHES Z. Issues in Assessing the Contribution of R&D to Productivity[J]. Bell Journal of Economics, 1979, 10(1):92～116

[31] NOOTEBOOM B, HAVERBEKE W V, DUYSTERS G, et al. Optimal Cognitive Distance and Absorptive Capacity[J]. Research Policy, 2007, 36(7):1 016～1 034

[32] ALDIERI L. Technological and Geographical Proximity Effects on Knowledge Spillovers: Evidence from the US Patent Citations[J]. Dulbea Working Papers, 2011, 20(6):597～607

(编辑 丘斯迈)

Technological Distance, Geographical Distance and University-Enterprise Synergetic Innovation

SHI Feng1,2GAO Yang1CHEN Shibin2CAI Xiang2

(1.Central South University, Changsha, China;2.Guilin University of Electronic Technology, Guilin,Guangxi, China)

With the panel data of 2006～2014 from 31 provinces, this study examines the effects of technological and geographical distance on University-Enterprise synergetic innovation by extending the technological distance to the horizontal similarity and the vertical depth of technology, replacing geographical distance with rail time, and by improving the Jaffe-Griliches knowledge production function model. Results show that the horizontal and vertical technological distance have a significant enhancement to University-Enterprise synergetic innovation; the horizontal similarity is one of the most important factors; the closer geographical distance by rail time, the more beneficial to University-Enterprise synergetic innovation.

synergetic innovation; technological distance; geographical distance; knowledge production function

10.3969/j.issn.1672-884x.2016.11.011

2016-03-09

国家自然科学基金资助项目(71463010)

C93

A

1672-884X(2016)11-1665-09

史烽(1965～)，男，安徽安庆人。中南大学(长沙市 410083)商学院博士研究生；桂林电子科技大学(广西省桂林市 541004)商学院教授。研究方向为创新与创业管理。E-mail：stanfordshi@163.com