如何推动产业转型升级——基于学习效应的视角①

杨继东，王薇安

一、导论

2018年的“中兴通讯事件”对中国芯片产业敲响了警钟，社会各界普遍呼吁国家层面加强对芯片行业的扶持力度。②2018年4月16日，美国商务部宣布，未来7年禁止美国公司向中兴通讯销售零部件、商品、软件和技术。禁售理由是中兴违反了美国限制向伊朗出售美国技术的制裁条款。而由于中兴的基带芯片、射频芯片、存储、大部分光器件均来自美国，短期内影响重大。此禁令一出，中兴未来业务基本处于瘫痪状态，市场反应剧烈。同时政府也做出了积极反应，于2018年5月17日发布了《2018-2019年中央国家机关信息类产品（硬件）和空调产品协议供货采购项目征求意见公告》，龙芯、申威、飞腾等国产CPU服务器都被列入了政府采购名录。中兴事件也再一次引发各界对于政府是否应该干预产业发展这一问题的关注。

学术界普遍认同，推动产业转型升级是实现高质量发展、跨越中等收入陷阱的重要途径。然而，如何才能实现产业转型升级呢？推动产业转型升级，是要依靠政府力量还是市场力量？在这些争论中，有两种截然相反的观点：一种观点主张通过政府政策推动产业转型升级。Peters等（2012）认为合适的产业政策有助于引导产业技术发展的方向，从而提高创新的效率；另一种观点主张通过自发的演化推动产业转型升级，认为产业政策不仅无效，而且可能还会带来新的失灵，李文溥和陈永杰（2003）指出我国20年来产业结构的演变和相应时期的产业政策之间不存在密切的因果关系。

然而，无论哪种观点，都不能否认经济发展是一个学习的过程，有文献表明，一地区的多样化发展不是凭空产生，而是从先前存在的区域产业结构演变而来，该地区拥有的一系列能力和资产决定了该地区能够发展的新路径和新行业（Boschma 等，2012；Hidalgo等，2007；Neffke等，2011）。Nelson 和 Winter（1982）认为经济会通过行业和企业网络中的能力积累来进行学习。换句话说，无论是政府主导，还是市场主导的产业转型升级，都应该遵循一定的经济发展规律，任何国家和地区推动产业转型升级，都应重视学习和积累过程。

学习效应被看作推动技术扩散、促进经济增长的重要力量。在关于产业发展的研究中，学术界认为，这种学习可以通过两种渠道实现：一是行业间学习效应。行业间学习理论认为，一个新行业的出现，依赖该地区是否存在可供学习的相关行业，新行业出现的概率会随着相关行业数目的增加而增加。Neffke等（2011）发现产品之间的技术相关性不仅通过相关品种的集聚外部性推动了现有工业的增长，而且还促进形成新的增长路径。另一种渠道是区域间学习效应，即存在相邻地区之间的学习。相邻地区之间的区域学习是促进一个地区出现新行业的重要因素。一个新行业的出现依赖于该行业在邻近区域的发展程度，新行业出现的概率随着拥有该行业的邻近区域相关行业密度的增加而增加。Boschma等（2016）使用美国的数据进行分析并发现，一个区域更可能发展那些邻近区域已经发展起来的行业。因此，根据学习效应有关理论的逻辑，相邻行业或者相邻省份相关产业的发展，能够为某一个产业的发展奠定基础。

本文以工业用地出让为例，新增工业用地出让能够反映地区招商引资情况，工业用地出让的行业结构差异和地区结构差异，可以在一定程度上表征该地区未来产业发展的趋势，据此可以讨论中国产业转型过程中，是否存在学习效应这一区域经济发展的内在规律。本文利用了2007-2015年的分省—分行业工业土地出让数据，假设一地区工业土地在各行业的出让情况能够反映该地区新增投资方向（杨继东和杨其静，2016），各行业的新增土地出让宗数和面积，能够反映该行业的发展方向以及相应的转型升级状况。参考 Boschma等（2016）关于学习效应的相关文献，本文基于该工业用地数据构造了相应指标，检验影响产业转型升级的学习效应。其中核心的指标是比较优势、活跃关联行业密集度和活跃邻省密集度，比较优势采用 Balassa（1965）提出的显示性比较优势指标，而活跃关联行业密集度和活跃邻省密集度都采用余弦相关度来计算。

本文的研究结果发现，第一，中国经济发展中存在产业间的学习效应和区域间学习效应，即一产业在发展过程中，能够通过关联行业及邻近省份得到学习，而这种学习效应的产生可能是通过吸取管理经验、人力资本流动等方式进行知识扩散来实现。第二，在发展比较优势产业的过程中，行业间学习效应和区域间学习效应之间具有替代性，一种学习渠道饱和时，另一种学习渠道的边际效应为负。第三，学习效应的发挥受到一区域市场化程度的影响。市场化指数对于比较优势的发展基本上起着负向的影响，即市场化程度越高，发展出比较优势的概率就越低，这与我们的直观感受一致，并且在加入市场化指数后，学习效应仍然是显著的。另外，面积数据和宗数数据的回归结果都显示，市场化程度并不会影响行业间学习效应，而市场化程度越高，区域间学习效应越小。

本文对于相关领域的文献做出了如下补充和贡献：

第一，国内研究产业转型升级的文献，主要关注货币政策（彭俞超和方意，2016）、金融市场（易信和刘凤良，2015）等方向，其中，彭俞超和方意（2016）对结构性货币政策促进产业结构升级和经济稳定的有效性进行了分析，发现非对称地实施结构性货币政策效果更好。易信和刘凤良（2015）发现金融发展能够通过技术创新的“水平效应”和“结构效应”推动产业结构的转型升级和经济增长。本文基于学习效应的视角，对产业转型升级的内在机制进行了分析。

第二，已经有一些学者利用中国的数据对学习效应进行检验，例如，Gao等（2017）利用中国1990年到2015年分省—分行业上市公司数目进行分析，发现中国存在行业间学习和地区间学习效应，这意味着对于某个省份来说，一个行业相关行业的密度越高，那么在该行业就越有可能产生上市公司；Zhu等（2017）则利用中国的出口数据，分析了发展中国家、区域在发展新行业时能否摆脱产业网络间的路径依赖性，并发现一区域可以通过发展区域外联系和内部创新来实现这种跳跃。但是这些研究仍然存在一定不足。使用上市公司数目可能很难真实反映内在的学习机制，一个地区上市公司数目受到政策影响很大，并且有些公司虽然没有上市却也在行业中占据着重要的位置。使用行业出口数据也存在问题，出口只是一个地区部分行业结构的反映，特别是内陆出口很少的省份，使用出口数据不能反映该地区新行业的产生和成长。而在本文中，我们采用的是工业土地出让的数据，一个地区新增行业的土地出让能够反映该行业的发展以及相应的转型升级状况。

第三，产业转型是靠政府还是靠市场，一直存在较大争议。工业用地较多受到政府控制，但是本文的结果表明，工业用地出让仍然遵循了一定的学习效应。这说明：或者政府在发展产业时遵循了演化规律，或者即使政府能够控制土地供应，但是企业存在自我选择，企业在选址的过程中，遵循了演化规律。此外，工业用地中很大一部分是通过工业园区形式出让土地，采用工业土地出让数据，分析结果也能在一定程度上反映工业园区的发展是否符合学习效应的理论预测。这对中国工业园区的招商引资具有一定的借鉴意义。

本文如下部分的结构这样安排：第二部分我们整理并回顾了学习效应方面的文献，提出本文的研究假说；第三部分我们对本文所采用的土地出让数据和建立的回归模型进行了介绍；第四部分展示了回归结果；最后对全文进行了总结。

二、文献综述与研究假说

演化经济学认为，产业或企业间网络可以进行能力上的积累，从而整个经济体可以从这种积累中进行学习（Nelson和Winter，1982）。这种学习是建立在产品空间理论基础上的。Hidalgo和Hausmann（2014）建立了产品空间理论，为经济发展问题提供了一个二维的网络视角。在产品空间的比喻中，产品空间相当于一片森林，把每一种产品都想象成一棵树，产品结构变化的过程就相当于猴子在不同的树之间进行跳跃，这种跳跃就意味着国家或地区将资源和能力配置到不同的行业进行生产。猴子只能在一定距离内跳到树上（即两个行业之间的相关性）。换句话说，一个国家或地区更有可能“跳跃”（或多样化）到与其现有行业密切相关的行业。

一个地区或国家从现有产业转移到邻近产业是一个学习的过程。目前，学术界认为，这种学习可以通过两种渠道实现，即行业间学习和区域间学习。行业间学习理论认为，一个新行业的出现依赖该地区是否存在可供学习的相关行业。新行业出现的概率会随着相关行业发展程度的增加而增加。而区域间学习理论认为，区域之间也存在着学习行为，相邻地区之间的区域学习是促进一个地区出现新行业的重要因素，一个新行业的出现依赖于该行业在邻近区域的发展程度，新行业出现的概率随着拥有该行业的邻近区域相关行业密度的增加而增加。

学术界对于这两种学习效应都使用不同层面的数据进行过实证分析。

（一）假说一：行业间学习效应

行业间学习效应认为一个行业发展成为具有比较优势的行业，受到相邻行业密度的影响。相邻的行业中比较优势行业越多，该行业越有可能发展成为比较优势的行业。

在国家层面，Hidalgo等（2007）及Hausmann和Hidalgo（2014）都使用出口数据进行了分析，并得出一个国家在某个新产品上发展出比较优势的概率极大地取决于它所出口的关联产品的数量。Hidalgo等（2007）发展了产品空间的概念，并画出了国家—产品网络图，将产品升级所蕴含的比较优势演化与一个国家产业升级的路径和经济绩效联系起来。

而在区域层面，部分学者（Boschma, 2017; Delgado等，2016; Semitiel-Garcia和Noguera-Mendez，2012; Boschma和Iammarino，2009; Frenken等，2007）使用投入产出关系、劳动力流动和产品组合等数据来衡量产业之间的相关性。Neffke等（2011）使用瑞典的制造业产品数据，发现在一个地区，某行业进入或者退出该地区的概率随着该地区的关联产业数量的增加而增加。

而在公司层面，Teece（1980）认为，当产品的发展需要利用专有知识和不可分割的物质资产时，联合的多产品企业（生产多种相关产品组合的企业）是组织经济活动的有效方式。Neffke和Henning（2013）使用劳动力流动的数据建立起了产业之间的关联，他们认为那些需求技能相近的产业更可能会交换劳动力。利用他们建立起来的技能关联度矩阵，他们发现公司进行多元化发展时更可能生产与现有产品相关联的新产品。

（二）假说二：区域间学习效应

区域间学习效应认为一个省份发展出具有比较优势的行业，受到活跃邻省密度的影响。其邻省中在该行业发展出比较优势的省份越多，它就越可能在该行业发展出比较优势。

对于区域间学习来说，这部分的文献比较少。在国家层面，Bahar等（2014）发现即使抛开产品空间中关联行业的影响，当一个国家的邻国成功出口某商品时，该国出口这个商品的可能性会显著增加。在区域层面，Acemoglu等（2015）研究了哥伦比亚本地能力的直接和溢出效应，发现这种溢出效应非常大，约占本地能力扩张影响的50%。Boschma等（2016）使用美国的数据表明，一个区域更可能发展那些邻近区域已经发展起来的行业。在公司层面，Holmes（2011）研究了沃尔玛在美国的选址问题，发现沃尔玛新店会选择沃尔玛密度较大区域的邻近地区，从而节省货运成本以及选址成本。

还有一些学者也利用中国的数据来研究中国经济是否存在着产业间学习和区域间学习的效应。Gao等（2017）利用1990年到2015年中国各省份各行业上市公司的数量，发现中国经济确实存在产业间学习和区域间学习效应，并且这两种效应极大地促进了中国经济的发展。而上市公司只是国内公司的一小部分，其数量并不能完全代表某个产业发展的状况，而土地出让的数量可以在一定程度上反映某个行业的成长状况，所以本文采用新增工业用地出让的数据来对这个问题进行分析。Zhu等（2017）区分了两种区域多样化形式——路径依赖和路径断裂，研究发展中国家能否突破产品空间的桎梏，实现向新产品跨越，从而实现经济增长。文章使用了2001到2013年间中国的进出口数据，分析出中国内地的工业发展在2007-2013年期间呈现出更多的路径断裂模式，可能不仅是由于产业转移，也由于中央政府颁布了缩短区域差距和促进欠发达地区发展的政策。

（三）假说三：制度环境与学习效应

企业或行业通过向相邻行业和区域进行学习从而实现能力上的积累，这个学习的过程伴随着资源、人力、知识的交流和沟通，而每个区域不同的制度环境也会影响沟通和交流的效果，从而影响学习效应的发挥。近年来，学界分别从企业规模（张杰等，2008）、企业研发投入（戴觅和余淼杰，2012）、企业所有制（荆逢春等，2013）等角度分析了影响学习效应的因素。张先锋等（2016）利用 2005—2007 年中国工业企业数据库和海关数据库的合并数据库，实证检验制度距离如何影响企业的出口学习效应。研究结果表明，经济制度距离与出口学习效应显著正相关，而法律制度距离和文化制度距离与出口学习效应显著负相关。

制度环境影响学习效应的机制可以从以下两个方面理解：（1）邻省区域之间的制度环境（比如经济制度、法律制度、文化制度等）差距过大，会阻碍区域之间资源和交换行为，例如，法律制度差异会增加合同签定与执行成本，这会导致学习行为受阻，从而降低学习效应的效果；当一个区域同另一个制度环境较为宽松的区域交流时，企业更有可能学习到对方的知识、技术和经验，从而有利于学习效应的提升；（2）当一个区域的制度环境较为宽松时，区域内部各企业之间的沟通和交流也会更顺畅，从而提升学习效应的效果。

本文也对制度环境是否影响学习效应进行了研究，着重考察区域的市场化程度是否会影响区域间或区域内部学习效应的发挥。

三、模型构建和数据说明

（一）变量选取和模型设定

1. 被解释变量及测度

产业结构的升级是否通过现有产品结构演化而来，即一产品发展或维持比较优势是否受到邻近产业或地区的影响。测度产品的比较优势一般使用显示性比较优势（Revealed Comparative Advantage，RCA），这一指数由 Balassa（1965）提出，原始指数采用的是出口值数据，指标含义为某国家在某行业的出口额占某行业总出口的份额与某行业全球的出口额占全球所有行业出口额的份额之比。在本文中我们用工业土地出让数据来计算这一指标。

使用工业土地出让面积（或宗数）的数据，这个指标的含义为一个地区出让给某行业的土地面积（或宗数）占该地区土地出让的份额与全国范围内出让给该行业的土地面积（或宗数）占全国土地出让的面积（或宗数）总量的份额之比。如果比率大于或等于1，说明某一行业在这个地区有着比较优势，该地区重点发展该行业，如果小于1，则说明没有比较优势。对于某一行业来说，具有比较优势意味着得到重点发展，也就是该行业成为产业转型升级的重要方向。值得指出的是，由于出让面积大小可能未必反映投资大小，比如一些西部地区出让土地面积可能较大，有鉴于此，我们也考察了土地出让宗数，宗数能够较好反映招商引资的项目多少。

如果用 xi,a,t表示省份在t年出让给a行业的土地出让面积（宗数），那么RCA指标的具体计算公式为：

同时，结合前面关于RCA指标的定义，我们设定当 R CAi,a,t≥1时，Ui,a,t=1，反之则 Ui,a,t=0。被解释变量则为 Ui,a,t+3，之所以选择滞后三期，是因为一般认为三年是一个比较合适的产业发展时间。

2. 解释变量及其测度

在考察行业间学习效应时，我们的主要解释变量是活跃关联行业的密集度，为了计算这个指标，首先要计算行业与行业之间关联度大小。参考Gao等（2017）的做法，在本文中我们采用余弦相似度的方式来计算，具体的计算公式为：

其中，φα,β,t是t年α行业和β行业之间的相关性， xi,a,t表示i省份在t年出让给α行业的土地出让面积（宗数）。

而活跃关联产业的密集度是指，在同一省份内某产业的关联产业中显露出比较优势的那部分占关联产业总数的比例，用公式来表示即为：

ωi,α,t表示i省份t年α行业的活跃关联产业密集度， Ui,β,t代表i省份t年β行业是否具有比较优势，若有比较优势，则为1，否则为0。

同样的，我们构建了一个活跃邻省密集度指标——一个省份地理意义上的邻省在某行业具有比较优势的数量占总邻省距离的比重，距离越远，影响越小。该指标的具体计算方式如下：

其中，Ωi,α,t表示t年i 省α行业的活跃邻省密集度， Di,j则表示省份i和省份j之间的地理距离，用省会城市之间的直线距离来表示。

3. 其他控制变量和模型

考虑到计量结果的稳健性和数据的可获得性，参考Gao等（2017）及一些同类研究，本文将一些其他的控制变量加入到了模型中，包括行业活跃省份的数量、省份活跃行业的数量等。本文为了研究区域内部市场化程度对学习效应是否有影响，还将市场化指数也加入了模型中。

据此，本文设定如下回归模型：

此模型用来研究行业间学习效应，其中，Ma,t=∑iUi,a,t是在某行业有比较优势的省份数量总和，Ni,t=∑aUi,a,t是在某省份有比较优势的行业数量总和。εi,a,t是误差项，μt是时间固定效应，控制了省份和行业特征中随时间变化的那部分，我们使用Ma,t和Ni,t代替了省份固定效应和行业固定效应，意义就在于Ma,t和Ni,t代表了省份和行业因素中与学习效应直接相关的因素，同时，短期内省份活跃行业数目和行业的活跃省份数目随时间变化不大。

同样地，为了研究区域间的学习效应，我们使用了如下模型：

其中，Ωi,a,t表示t年i省α行业的活跃邻省密集度，其他的变量含义与产业间学习的方程相同。在分别分析了产业间学习效应和区域间学习效应之后，我们还将两种效应结合起来进行了分析，所用到的具体回归模型为：

其中的变量含义与前面模型中相同。

在本文的最后，我们还加入了各省份的市场化指数，以研究市场化程度的高低对于学习效应的发挥是否有影响。我们用θi,t表示i省t年的市场化指数，加入模型中，具体的模型如下：

（二）数据来源和描述性统计

在研究产业间学习效应和区域间学习效应时，以往的文献使用的是出口数据或者上市公司数量，这两者在一定程度上能反映一地区的产业结构以及行业发展状况，但也存在着缺陷。首先，影响产品出口的因素有很多，只看出口数据无法反映一个地区真实的产业发展状况；其次，类似Gao等（2017）使用上市公司数量也无法反映这一问题，有些公司虽然没有上市，但也是行业龙头企业，在行业中占据着重要的位置。而地方政府每年出让给各行业的土地出让宗数和面积，则在一定程度上可以反映各行业在各地区的新增投资状况以及地方政府的支持情况，因此在本文中，我们使用地方政府制造业土地出让面积和宗数来研究行业间学习效应和区域间学习效应。

本文以中国省份为空间单位进行分析，其中不包括香港、澳门、西藏和台湾，总计包括30个空间单位。产业范围仅仅包括制造业，根据国家标准国民经济行业分类（GB/T 4754-2011）将整个制造业分为29个细分子行业。土地出让的数据来源于中国土地网（http://www.landchina.com/），时间跨度为2007年到2015年，总共有6 852个有效样本，见表1和表2。

表1 各主要变量的统计性质

表2 中国2007年-2015年间土地出让整体情况

从整体情况我们可以看出，中国各地区之间土地出让面积和宗数存在着较大的差异，这主要是由各地区的经济基础和地理状况决定的。一般情况下，企业都会更倾向于在经济发达地区进行投资，因此经济发展好的省份倾向于出让更多的土地。而各省份之间地理状况的不同也会影响土地出让状况，省份之间存在着可出让土地数量的差别。除此之外，地方政策的不同也会影响土地出让情况，特别是会影响省份之间对于制造业各细分行业的扶持态度。但整体而言，在制造业中，随着时间变化，我国出让给重工业和高精尖制造业的土地较多。

四、主要结果

本文的实证结果按照以下结构进行报告。首先，我们构建了类似产品空间的行业空间来研究产业间的学习效应，并依照工业土地出让面积和宗数数据研究当活跃关联产业密集度变化时，某产业发展出（或维持）比较优势的概率是否会变化。接着，我们研究区域间学习效应，也就是一个省份在某一产业发展或维持比较优势的概率是否会随着邻近省份该产业的发展而增加。随后我们将这两种效应结合在一起分析，考察两种学习效应在产业发展中的相互作用。最后，我们将整个研究进一步深入，利用市场化指数分析市场化程度对学习效应的发挥是否有影响。

（一）产业间学习

本文通过研究一个地区某产业发展或维持比较优势的概率是否会随着关联产业数量的增加而增加，来考察产业之间的学习效应。

首先，我们根据2015年各省份工业土地出让的面积数据建立了一个网络图。

图1 2015年基于工业土地出让数据的中国制造业结构网络图

图中每个节点代表着不同的制造业子行业，节点上的数字标签是行业代码，节点的大小参考2015年各省政府出让给每个行业的工业用地面积总和，出让面积多的行业，其节点就越大，反之则越小。节点之间的连接则是依据2015年行业之间的关联度，行业之间关联度越强，则相应节点之间的连线越粗，反之则越细。整个网络图的绘制方法参考Gao等（2017）的五步绘制法，先搭建整体框架，然后再叠加其他连接。

从图中可以看出，比较大的节点是26化学原料和化学制品制造业、33金属制品业、35专用设备制造业，这三个制造业细分行业在全国范围内的土地出让面积最大。对比行业代码可以看出，2015年中国的制造业产业结构可以粗略分为两部分，一部分是左边密集关联的包括金属制品业、化学制品业在内的技术含量较高的制造业，另一部分则是右边包括食品制造业、纺织业在内的技术含量较低的轻工业，显而易见的是，2015年中国各省份土地出让更集中于重工业制造业，而不是轻工业制造业。

图2用白色圆圈表示2007年、2010年、2013年和2015年中北京、上海、四川和浙江的行业中有比较优势的行业。在这四个例子中，我们可以看到，每个省份都有的新兴行业往往与该省其他行业有联系。比如北京的制造业从黑色金属冶炼和压延加工业逐渐向其他关联制造业转移，最后在汽车制造业、铁路、船舶、航空航天和其他运输设备制造业等发展出了比较优势。

图2 2007年至2015年中国省级产业结构的演变

为了研究产业间学习效应，本文使用2007-2015年的工业土地出让数据进行了回归分析，研究了某行业在一个省份发展出比较优势或者维持比较优势的概率是否会随着活跃关联行业密集度而变化。我们将数据集分成了两组，一组是所有的省份—行业组合都显示出比较优势（因此也可能失去比较优势），另一组是所有的省份—行业组合都没有显示出比较优势（因此有发展出比较优势的潜力）。

分别按照这两组进行回归，一个回归解释了具有比较优势的行业在三年内保持这种比较优势的概率，而另一个则解释了在某个省份中不具有比较优势的行业在三年内发展出比较优势的概率。同时我们还在回归中加入了其他的控制项，包括某省份具有比较优势的行业数量、在某行业中具有比较优势的省份数量，用来控制省份和行业因素中与学习效应直接相关的部分。

表3 衡量产业间学习的OLS回归模型

我们在表3中同时展示了使用出让面积数据和出让宗数数据进行回归的结果。表3的前两列展示了关联产业密集度、某行业活跃省份的数量及某省份活跃行业的数量对一个产业维持比较优势的概率的影响，后两列则表示这些变量对一个产业发展出比较优势的概率的影响。

在面积数据下维持比较优势的回归中核心解释变量密集度的系数为2.203，在1%统计水平下显著，这意味着活跃关联行业的密集度每增加1%，则该行业维持比较优势的概率会增加2.2%，在宗数数据下，这个值达到了2.795；另外，发展比较优势时，活跃关联行业密集度的系数为1.694，在宗数数据下约为 1.804。这说明在维持和发展比较优势中展示出显著正向的作用，说明密集度越高，即关联行业发展得越好，该行业就更容易维持和发展出比较优势，这为产业间学习效应的存在性提供了证据。即一产业在发展过程中，能够从关联行业中得到学习效应，而这种学习效应的产生可能是通过吸取管理经验、人力资本流动等方式。

某省份活跃行业的数量起着显著负向的作用，这说明在某省份发展出比较优势的行业越多，则在该行业发展和维持比较优势的概率就越低。而行业活跃省份数量的系数显著为正，意味着对于某一行业来说，发展出比较优势的省份数越多，则一省份更有可能发展出或维持比较优势。

（二）区域间学习效应

在用工业土地出让数据研究行业之间的学习效应之后，我们还考察了区域之间的学习效应，相比于前者，学术界对区域间学习效应的研究要少了许多。要探究区域间学习效应，我们可以研究地理位置相近的省份是否具有相似的产业结构。同理，我们用活跃邻省密集度这个指标来研究一个省份未来在某行业发展出比较优势的概率是否与它的邻省在该行业的发展状况相关，这个指标可以衡量某省在某行业有比较优势的邻省密集情况。

类似产业间学习效应，在这里我们也使用了一个OLS模型进行回归分析（见表4），研究了活跃邻省的密集度如何影响一个省份在某个行业中发展出或者维持比较优势的概率。同样地，我们也控制了一个省份内发展出比较优势的行业总数和在一个行业上发展出比较优势的省份总数。

表4 衡量区域间学习的OLS回归模型

相应的，我们也在表4中展现了用面积数据和宗数数据分析的结果。与分析产业间学习效应时一样，我们还是将整体的数据分为了两组，一组是没有显露出比较优势的省份—行业组（因此未来可能会发展出比较优势），另一组是显露出了比较优势的省份—行业组（因此未来有可能失去这种比较优势）。

从表格中可以看出，不论是对于维持比较优势还是发展比较优势，区域间学习都起着显著正向的作用，即一省份可以从邻近省份中进行学习。在控制了时间固定效应后，在面积数据下维持比较优势的回归中核心解释变量密集度的系数为 0.142，在 1%统计水平下显著，密集度每上升1%，则维持比较优势的概率会上升0.142%；同时，在三年内发展出比较优势的情况下，密集度系数为0.17，说明密集度每上升1%，则发展出比较优势的概率会上升0.17%，宗数数据的回归结果与面积数据大致相近。这为区域间学习效应的存在性提供了证据。

（三）产业间学习与区域间学习互动

在前面两个部分我们通过使用工业土地出让数据分别研究了产业间和区域间的学习效应，但是在现实情况中，两种效应是同时存在的，因此我们还需要将这两种效应结合起来去考察其作用情况。通过建立模型并进行回归，我们发现活跃关联省份的密集度和活跃关联产业的密集度不管是对于维持比较优势还是发展比较优势都有着显著正向的作用，也就是说行业间和区域间的学习效应是存在的，一个行业可以通过关联行业获得发展经验、劳动力等资源来发展自己，同理，一个区域也可以受益于邻近区域的发展。基于上面的分析，我们在表5模型中，同时加入了活跃关联省份密集度和活跃关联产业的密集度以及两者的交互项。

表5 将区域间学习效应与行业间学习效应相结合

同时考虑行业间学习效应与区域间学习效应之后，我们发现对于在三年内维持比较优势而言，只有面积数据中的行业间学习是显著的，这意味着两种学习效应在维持比较优势中几乎都没有发挥作用。这可能是由于那些已经发展出比较优势的行业和省份，其发展已经基本成熟，学习效应的帮助非常有限。而在三年内发展出比较优势而言，对于那些原本没有比较优势的行业，只有宗数数据下的活跃邻省密集度是不显著的，这说明产业间学习效应和区域间学习效应对于发展出比较优势有帮助。

用工业土地出让面积的数据估计出在三年内发展出比较优势的情况下，活跃关联行业的密集度系数为0.784，意味着当密集度上升1%，发展出比较优势的概率上升0.784%，这一数字在宗数数据下是0.398。并且结果表明，在发展出比较优势的情况下，两种学习效应的交互项是负的，这说明当一种学习渠道饱和时，另一种学习带来的边际效应为负。

（四）学习效应与制度因素

在研究了学习效应的存在性之后，我们还研究了制度环境是否会影响学习效应的发挥。在各种制度因素中，我们考察市场化程度的影响，这种影响可能有正负两个方向：一方面，一个区域的市场化程度影响着该区域资源与信息交换的能力和速度，当一个地区市场化程度越高时，其学习效应也会越强，导致其更容易发展出比较优势；而另一方面，市场化程度高也会导致竞争强度大，发展出比较优势变得更加困难。一般而言，我们认为这种正的效应会大于负的效应。

为了研究这一问题，我们参考了中国分省份市场化指数报告（2016），该报告对2008～2014年我国各省、自治区和直辖市市场化改革进展的总体情况和不同方面的进展情况进行评价，并使用评分作为各区域的市场化指数数据。我们采用其对于各省份市场化情况的总体评分作为市场化程度的衡量，得到的回归结果如表6所示。

表6 市场化指数对于学习效应的影响

从表6中可以看出，市场化指数对于比较优势的发展基本上起着正向的影响，即市场化程度越高，发展出比较优势的概率就越大，这与我们的直观感受一致，并且在加入市场化指数后，学习效应仍然是显著的。另外，面积数据和宗数数据的回归结果都显示，市场化指数与关联行业密集度的交互项系数不显著异于零，这意味着，市场化程度并不会影响行业间学习效应。而市场化指数与活跃邻省密集度的交互项系数为负，这说明市场化程度越高，区域间学习效应越小。这一结论与我们的假设相反，按照前面所提到的市场化程度对学习效应的影响有两种方向的说法，目前看来负向的影响要大于正向的影响，导致市场化程度越高，地区间学习效应越小。

五、结论

在本文中，我们利用2007-2015年分省—分行业工业土地出让数据（包括面积数据和宗数数据），分析了中国经济中是否存在产业间学习和区域间学习效应。首先，我们构建了行业空间，并建立了回归模型，分析行业间学习效应，结果表明在一省份中，活跃行业密集度越高，则该行业在该省份中发展和维持比较优势的概率也会更大。接着，我们对区域间学习进行了分析，加入了地理距离数据，回归结果表明一行业发展和维持比较优势的概率，会随着该行业在邻近省份的发展程度的上升而上升。然后，我们结合了两种学习效应，分析其相互间的影响，结果表明两种学习效应在发展出比较优势的情况下具有替代性，一种学习渠道饱和时，另一种学习的边际效应为负。

此外，我们研究了制度因素对于学习效应的影响，在原模型中加入了市场化指数，结果表明市场化程度并不会影响行业间学习效应，但市场化程度越高，区域间学习效应越小。

我们的研究也存在着一些局限性。例如，首先，本文的研究对象是工业土地出让数据，虽然土地出让已经进入全面市场化阶段，但是土地出让具有随着省级党代会的召开时间而变化的政治周期性（余靖雯等，2015），土地出让的方式也受到地方政府财政缺口的影响（赵文哲和杨继东，2015），因此政府行为会影响土地出让结果，土地出让数据可能不能完全反映企业的学习效应，甚至有可能包含政府的学习效应在内。其次，土地出让数据可能不能完全反映行业发展的状况，毕竟对于土地的投资不能代表该行业所有的投资额，也不能代表该行业的产出额，所以土地出让数据可能不能作为行业发展状况的一个完美的替代指标。最后，空间分辨率有限。我们使用了各省份的土地出让数据，但在中国省份是一个比较大的行政单位，有些省份的人口数达到了1亿多，省份内部的经济发展也非常不平衡，因此，缩小空间分辨率也是一个比较好的改进方向。

本文的结论说明中国的经济发展中存在着行业间学习和区域间学习效应，因此，政府可以通过行业和区域之间的关联度，利用产业政策去引导区域的多样化发展方向，同时，加强交通、网络等基础设施建设，创造一个交流、沟通顺畅的环境，也有助于学习效应的发挥，从而带来经济的增长。

本文提供的证据支持了中国的经济发展存在着行业间和地区间学习效应的推断，也支持了经济发展是一个学习过程的观点，并且这种学习过程是有路径依赖性的。在目前中国正在寻求产业结构升级的大背景下，我们希望能够启发新的关于学习效应的研究，进一步分析具体的学习渠道和影响路径。