数字化转型背景下技术邻近与跨区域协同创新质量——基于长三角的经验证据

王海花，李 烨，郭建杰，池长昀

（1. 上海大学 a.管理学院；b.科研管理部，上海 200444；2. 上海商学院 工商管理学院，上海 200235）

一、引 言

“十四五”规划纲要提出加快数字化发展，建设数字中国。在数字化转型的进程中，数字基础设施的建设、数字技术的发展应用［1］在很大程度上改善了沟通学习［2］、生产经营、关系管理［3］等方式，进而促进创新。与此同时，组织界限不断扩张，组织间呈现出日益增强的连通性与依赖性［4］，协同创新作为一种能够重新配置资源的解决方案［1］，有助于应对剧烈的环境变化。区域协同创新是深化协同创新实践的重要途径，主要涉及区域内和跨区域协同创新［5］，其中跨区域创新协同为创新要素的整合与流通提供了有效渠道［6］，通过打破区域壁垒助力实现区域间互联互通、互学互鉴的共赢［7］。同时创新资源的流通需要对接、融合的端口来跨越技术的边界［5］，而技术邻近表征合作主体之间技术经验和知识基础的相似程度［8］，是测度技术跨越程度的重要指标，受到广泛关注。

数字化时代创新资源涉及的技术要素更为繁杂，技术邻近能够促使双方高效地识别、转换和吸收新知识［9］，其对于协同创新的影响仍需进一步探索。梳理既有关于技术邻近性与协同创新的文献发现，大部分学者聚焦于技术邻近对协同创新绩效的影响，认为技术邻近与协同创新绩效呈正向［10］或倒U型［11］关系，但是较少关注其对协同创新质量的作用。而创新质量是创新成果难以被模仿或改进的表征［12］，能更好地体现区域间协同创新的价值，创新中所包含的知识越复杂、越广泛，其被模仿和替代的难度就越大，从而表现出的质量就越高［13-14］。同时，技术邻近程度越高的主体间越倾向于建立较为稳定的合作关系［10］，即增进关系强度，从而提升协同创新质量。因此，需要聚焦讨论技术邻近对协同创新质量的影响，并研究主体间关系强度在其中发挥的作用。

此外，城市群是推动我国数字化进程的中坚力量，全面推动城市数字化转型正成为抢占先机的焦点。长三角地区作为我国经济发展最活跃、科技创新能力最强的区域之一，其区域创新一体化发展卓有成效，各省数字化改革竞相发展。根据《数字中国指数报告（2020）》的数据，长三角数字化指数在全国城市群中占据前三，增速高达80%，其中上海市数字化指数规模达到48.15，而位于第二位的苏州市数字化指数规模不足10，表明区域间数字化水平存在显著差异。区域间数字化的发展不均衡会造成一定的数字鸿沟［15］，不利于跨区域的协作。有研究指出，当区域间数字化基础设施、数字技术水平等相适配时，有利于实现双向的知识溢出和创造［16］。在较高的数字化水平邻近下，区域间易于实现资源的高效流通与有效匹配［17］，促使相似技术精准对位并拓宽知识域，进而多样化的知识组合促成创新的提质增效。因此，探讨数字化水平邻近对跨区域协同创新的影响非常有必要。综上，本研究拟解决的问题是：城市数字化转型背景下，技术邻近能否真正带来跨区域协同创新质量的提升？关系强度在其中的中介作用如何？数字化水平邻近在上述关系中是否起到调节作用？

二、理论分析与研究假设

（一）技术邻近与跨区域协同创新质量

知识创造是创新的重要基础，技术邻近往往决定着合作主体之间的知识溢出量［17］。当合作双方拥有足够接近的技术基础时，主体间更易吸收和理解新知识，并进行知识的交互以完善资源储备和实现资源配置。首先，区域间较高水平的技术邻近提供相似的技术认知，易于区域间就共同利益达成共识［18］，推动同一领域的深入探究以拓展知识的深度，从而使创新技术更加精细化、复杂化，进而提升创新质量；其次，技术邻近意味着合作双方对相似技术的掌握程度及应用能力接近，共同的风险分担［7］促使更多的创新投入用于新想法的试验，通过反复实验论证新的创新组合；最后，相似的知识基础推动创新组合的快速演变［19］，可以挖掘创新方案潜在的价值。本研究认为，相近的技术基础促使跨区域协同创新主体间快速理解双方的创新意愿，并识别、吸收新知识以激发新思想，在知识交互过程中产生高质量的创新成果。基于此，本文提出假设1。

H1：技术邻近对跨区域协同创新质量有显著正向影响。

（二）关系强度的中介作用

关系强度反映了合作主体之间的交互频率［20］，较高的关系强度意味着区域间长期合作建立起的稳定合作关系。技术资源是个体独有的资源与能力，通常难以与合作伙伴的资源直接匹配［21］。一方面，伴随技术邻近性的提高，区域间知识实现高度共享与协调整合，促使新知识的融合门槛和资源匹配难度降低，能够巩固合作双方的合作关系，进而增强关系强度；另一方面，相似的技术基础促进知识的紧密联系与频繁交流［22］，使信息在合作主体间高效转移，双方资源的有效对接推动合作关系意愿的强化。本研究认为，合作双方的技术基础越接近，合作关系就越稳固［23］。基于此，本文提出假设2。

H2：技术邻近对关系强度有显著正向影响。

跨区域协同创新是知识创造的过程，涉及显性知识和隐性知识的传递［24］，而关系强度的水平决定了沟通协调、相互支持的程度［16］。关系强度对跨区域协同创新质量的作用体现在以下几个方面：第一，从显性知识的交换来看，合作主体通过强化关系联结，形成、拓展知识交换的渠道，促使知识交换愈发频繁，从而促进知识的编码、转移与转化效率的稳步提高［25］，进而丰富知识基础以提升创新质量；第二，由于知识具有默会性特征，隐性知识的传递需要通过频繁的人际交互才能实现［2］，当关系强度较高时，双方通过对复杂知识的深入理解与反复交互，深化对创新转化的认知，促成创新成果的高质量转化；第三，区域间基于较高的关系强度来评估相互的创新资源和能力，深入挖掘对方的知识体系和技术潜能［23］，最大化协同效应以推动创新提质增效。基于此，本文提出假设3。

H3：关系强度对跨区域协同创新质量有显著正向影响。

基于上述理论分析，关系强度在知识整合和转化过程中至关重要，较高的关系强度能够提升知识传递的有效性［26］，在资源高度共享、知识流动密集的协同创新主体中，技术邻近的主体间倾向于建立密切的合作关系，通过加强关系强度以促进知识的转移、整合与创造，达成高质量的协同创新。结合假设2 和假设3 的分析，本研究认为区域间越高程度的技术邻近会导致双方较高水平的关系强度，从而提升跨区域协同创新质量。基于此，本文提出假设4。

H4：关系强度在技术邻近与跨区域协同创新质量间起中介作用。

（三）数字化水平邻近的调节作用

区域层面的数字化指社会生活在基础设施、经济发展等多领域的重组方式，是对数字技术的采用或增加使用［27］。数字化改变了知识的更新迭代速率、储存方式、流通渠道等，而传输和接收的区域拥有相近的配置，即区域间数字化水平邻近时，利于从知识溢出中受益［16］。首先，当数字化水平邻近较高时，拥有相似技术基础的区域间能够快速调动自有知识储备以整合并搭建共有的临时知识库［28］，储存和调度未充分利用的资源，促使相似技术的完善和新技术的开发，增加创新价值；其次，相近的数字化水平意味着合作双方拥有较为对等的配置进行知识的交互，当创新合作领域的技术邻近增加时，跨区域资源整合效率随之提高［2］，保障知识整合和重组的高效性；最后，有学者认为技术邻近较大导致主体之间知识互补性较小，难以激发创新方案的产生［9］，而较高的数字化水平邻近能够破解这种认知阻碍［29］，促使技术接近的主体间开拓多元领域的创新，依托数字化工具挖掘潜在的知识组合，推动创新方案产生，进而带来创新质量的提升。本研究认为，当跨区域协同创新主体间数字化水平邻近程度较高时，技术接近的主体可以依托数字技术实现知识流通与转化，深度挖掘创新潜能，从而对创新质量的正向影响就越显著。基于此，本文提出假设5。

H5：数字化水平邻近正向调节技术邻近对跨区域协同创新质量的促进作用。

随着城市数字化水平邻近的提升，空间集聚和扩散的灵活性显著增加，促使不同区域内的要素根据多样化的需求进行高效地联结和重组［30］。在此情境下，区域间信息互动呈现双向、连续、实时的特点［31］，促进合作双方在原有相似技术基础上深入挖掘彼此的知识构架，一定程度的知识整合增加了共同应对外部机遇与风险的灵活性［32］，进而坚定合作的信心和意愿，从而使合作主体间的关系强度增强。同时，资源流动的过程趋向透明化，双方得以相互追踪、监管资源动向及存量，以实现相似技术的匹配效率最大化，进而激发深入合作的动机。当数字化水平邻近调节程度较低时，技术邻近的主体间协同创新受到知识集成难以跨越地理距离、技术边界等限制［2］，会弱化双方的关系强度。基于此，本文提出假设6。

H6：数字化水平邻近正向调节技术邻近对关系强度的促进作用。

基于以上论述，本研究认为技术邻近通过关系强度的中介作用对跨区域协同创新质量产生间接影响，而数字化水平邻近在此过程中发挥了调节作用，即这是一个有调节的中介模型。具体而言，当数字化水平邻近程度较高时，技术邻近对跨区域协同创新质量的正向影响较大，关系强度更多地传导了技术邻近对跨区域协同创新质量的直接效应；反之，当数字化水平邻近程度较低时，由于技术邻近对跨区域协同创新质量的正向影响较弱，技术邻近对跨区域协同创新质量的直接效应也就较少地通过关系强度的传导。基于此，本文提出假设7。

H7：数字化水平邻近调节了关系强度在技术邻近与跨区域协同创新质量间的中介作用，即在数字化水平邻近程度较高和较低时，关系强度在技术邻近与跨区域协同创新质量间的中介效应有显著差异。

综上所述，本研究构建的研究模型如图1所示。

图1 研究模型

三、研究设计

（一）样本选取和数据来源

本研究选取2011—2018年长三角41个城市的面板数据进行实证研究，主要关注跨区域协同创新主体以专利合作关系形成的820 个城市组合，如“上海—南京”为一个组合。专利分为发明专利、实用新型专利和外观设计专利三种，其中发明专利最具创新性且技术含量较高［7］，因此，本研究借鉴夏丽娟等（2017）［9］、Guan 等（2015）［33］的研究，选用跨区域产学研创新主体联合申请专利数据来衡量跨区域协同创新，根据每年产学研专利申请人所在城市与其他城市联合申请的发明专利数量来测量跨区域协同创新，最终得到2013—2018 年联合申请的发明专利信息，共计4 022条专利数据。

此外，技术邻近数据来源于大为INNOJOY 专利数据库，与城市主体有关的变量分别来自《中国城市统计年鉴》和《中国科技统计年鉴》。由于在创新过程中创新投入与产出绩效之间往往存在2～3年的滞后期［3］，同时为了最小化内生性关系，本研究对因变量做2年的滞后处理，即自变量技术邻近数据时间跨度为2011—2016 年，因变量协同创新质量数据时间跨度为2013—2018年。

（二）变量测量

（1）被解释变量：跨区域协同创新质量（quality）。参照 Aghion 等［14］的专利宽度法，采用知识宽度法来衡量创新质量。为了测算协同创新质量，本研究使用国家知识产权局城市间联合申请的专利中IPC 分类号的数据信息。在发明专利中，IPC 专利分类号一般采用“部—大类—小类—大组—小组”的格式，大组与小组之间用“/”隔开。由于每项专利可能包含多个专利分类号，本研究基于赫芬达尔—赫希曼指数（HHI）的逻辑思路，从专利分类号大组层面进行测算，合作专利知识宽度的具体计算方法为quality=1-∑α2，其中α表示专利分类号中各大组分类所占的比重。quality越大，专利分类号之间的差异越大，该项专利涉及的领域就越多，意味着合作专利的知识宽度就越大，创新质量越高。同时，本研究借鉴张杰和郑文平［13］的做法，采用均值加权方式将各项合作专利的质量加总到城市组合层面，形成城市组合-年份的面板数据。

（2）解释变量：技术邻近性（tec）。借鉴Jaffe（1986）［34］、党兴华和弓志刚（2013）［35］等的做法，按照国际专利分类标准（IPC）中的专利部，检索长三角41个城市2011—2016年申请的发明专利的全部专利信息，根据各专利的专利号将全部专利进行分类，计算专利中三位数IPC 子类的专利数比重，并利用工业结构相似系数公式计算两城市间的专利结构相似系数，最后得到两两城市间的技术邻近性。测量公式为：

其中，Xik、Xjk分别表示观察年份内城市i和城市j前三位IPC 分类号k部的发明专利数占该城市发明专利总数的比重。tecij值范围为0～1，越接近1表示两两城市间的技术邻近性越高。

（3）中介变量：关系强度（rel）。借鉴王巍等（2019）［36］的方法，使用两两城市间合作的次数来表示关系强度的强弱程度，即以合作申请的专利数量作为关系强度的测量指标，并对该变量进行加1取自然对数处理。

（4）调节变量：数字化水平邻近（dig）。用互联网普及率、相关从业人员情况、相关产出情况和移动电话普及率4个指标表示互联网发展水平［20］，并增加中国数字普惠金融指数［37］构建综合指标，通过主成分分析的方法，将以上5个指标的数据标准化后进行降维处理，得到数字化水平综合指数。由于数字化水平综合指数存在负权数，而两城市间邻近性水平应介于0～1之间，进一步通过平移使之归结为结构相对数则取相应地其中：k为平移量；wi为数字化水平综合指数［38］。

此外，为了测量两两城市间数字化水平的邻近性（dig），借鉴党兴华和弓志刚（2013）［35］测量区域间相似性的做法，采用两区域指标比值与均值的乘积作为度量。

其中，Di、Dj分别表示城市i和城市j的数字化水平结构相对数。

（5）控制变量。既有研究表明，地理邻近和制度邻近是影响协同创新的重要因素［7］，因此本研究将地理邻近和制度邻近作为控制变量。

其一，地理邻近（geo）。借鉴Wei和Su（2013）［39］的研究，首先测量两两城市间市政府之间的球面距离，球面距离的具体计算方式为：

其中：dij表示两城市间的球面距离；6 371 km表示地球的平均半径；lati、latj分别表示城市i和城市j的纬度；longi、longj分别表示城市i和城市j的经度。接着，用球面距离平方根的倒数作为两城市间的地理邻近性，具体计算方式为：

其二，制度邻近（ins）。以往对合作创新相关的实证研究在探讨制度邻近时，大多数考虑属于同一类型的组织来表示制度邻近，本研究采用类似的测量方式来设置虚拟变量，若两城市属于同一省份则为1，否则为0。

此外，跨区域创新合作还会受到区域差异性因素的影响，本研究选取开放度差异（fdi）、科技支出差异（tsp）、人力资源水平差异（hum）、人均GDP差异（GDP）来控制对跨区域研发合作的影响。分别使用两两城市在观察年份FDI 差的绝对值、科技支出差的绝对值、城市高等学校在校生数差的绝对值、人均GDP 差的绝对值来表示［6］，同时对上述变量均进行加1取自然对数处理。

各变量的描述性统计见表1所列。

表1 描述性统计

（三）模型构建

（1）基准模型。考察技术邻近对跨区域协同创新质量的直接影响效应：

其中：i为样本，表示820个城市组合；t为年份，代表2013—2018年；ε为随机误差项。

（2）中介效应。为了检验技术邻近是否通过关系强度而间接影响跨区域协同创新质量，在基准模型的基础上进行中介效应检验：

方程（6）检验技术邻近对中介变量（关系强度）的影响是否显著；方程（7）在控制技术邻近的影响后，检验中介变量（关系强度）对协同创新质量的影响是否显著。

（3）调节效应。检验数字化水平邻近对于技术邻近与协同创新质量间的关系、技术邻近与关系强度间关系的调节效应，模型如下：

其中，quality、tec、dig、rel分别表示经过中心处理后的协同创新质量、技术邻近、数字化水平邻近和关系强度。

四、实证分析

（一）回归分析结果

见表2所列，模型1至模型7依次进行主效应、中介效应和调节效应检验。由于跨区域协同创新质量的数值介于0～1 之间，且有大量的零值，数据存在截断特征，若直接使用普通最小二乘法回归，参数估计值将偏向于0。因此，本研究根据F 检验和LR检验拒绝原假设的结果，采用Tobit随机效应面板模型检验被解释变量为跨区域协同创新质量时的假设。模型1、模型2显示，技术邻近对跨区域协同创新质量存在显著的正向影响（β=2.758，p＜0.01），验证了H1。

表2 模型估计结果

接着，本研究需检验技术邻近通过关系强度影响协同创新质量的作用机制。由于关系强度为连续型变量，其取值中有大量的0值，本研究综合F检验和LR检验，仍然选用Tobit随机效应面板模型来检验被解释变量为关系强度时的假设。模型6回归结果说明，技术邻近对关系强度存在显著正向影响（β=0.637，p＜0.05）。Tobit随机效应面板模型（模型3、模型4）回归结果表明，关系强度对协同创新质量存在正向影响（β=0.318，p＜0.01），以自变量技术邻近和中介变量关系强度同时对因变量跨区域协同创新质量进行回归时，技术邻近对协同创新质量仍然存在显著正向影响（β=2.698，p＜0.01），效应系数由2.758降为2.698，表明关系强度在技术邻近与协同创新质量间存在部分中介作用，验证了H2、H3、H4。

在进行调节效应检验前，先对技术邻近、数字化水平邻近、关系强度和协同创新质量进行中心化处理，并构造技术邻近与数字化水平邻近的乘积项。在模型5 中加入控制变量、自变量（技术邻近）、调节变量（数字化水平邻近）和乘积项（技术邻近×数字化水平邻近），结果表明技术邻近与数字化水平邻近的交互作用对跨区域协同创新产生显著正向影响（β=2.515，p＜0.1），意味着数字化水平邻近正向调节技术邻近对跨区域协同创新质量的正向影响，H5得到验证。由模型7可知，数字化水平邻近正向调节技术邻近与跨区域协同创新质量的关系（β=1.867，p＜0.1），说明数字化水平邻近程度越高，技术邻近对关系强度的正向作用就越显著，H6得到验证。

为了更直观地展示数字化水平邻近的调节作用，绘制调节作用图如图2和图3所示。

图3 数字化水平邻近对技术邻近与关系强度之间关系的调节作用

（二）有调节的中介效应检验

本研究通过Bootstrap 法检验有调节的中介效应。由表3 可知，在数字化水平邻近程度高时，关系强度产生的间接效应显著（β=0.230，95%置信区间为［0.191，0.270］，不包含0）；在数字化水平邻近程度较低时，关系强度产生的间接效应显著（β=-0.121，95%置信区间［-0.156，-0.087］，不包含0）。由此可知，在数字化水平邻近的调节程度由低到高时，关系强度产生的中介效应值由负值转为正值且始终显著，说明有调节的中介效应成立，H7 得到验证。

表3 关系强度在不同数字化水平邻近调节下的中介效应

（三）内生性检验

本研究采用各主体所申请专利信息的接近程度来测量技术邻近以及采用主体间合作专利的宽度来测量跨区域协同创新质量，技术邻近与跨区域协同创新质量之间可能存在双向因果关系，即一方面技术邻近会对协同创新质量产生影响，另一方面协同创新质量也会影响技术邻近程度。本研究通过格兰杰因果关系检验表明，技术邻近是跨区域协同创新质量的格兰杰原因，而跨区域协同创新质量并未构成技术邻近的格兰杰原因，因此在实证上不存在双向因果关系。此外，尽管本研究控制了多个影响跨区域协同创新质量的因素，但仍可能遗漏一些重要变量，并且研究过程中可能存在变量的测量误差等引起内生性问题。因此，进一步采用工具变量法进行估计，以解决上述问题。

具体而言，本研究将技术邻近视为内生解释变量，借鉴Blundell 和Bond（1998）［40］的研究，选取技术邻近的二阶滞后项（tecII）作为工具变量，技术邻近的滞后项与其自身存在相关性，并且由于滞后变量已经发生，从当期的角度看，其取值已经固定，因而与当期的随机扰动项不相关［41］。此外，本研究以表2 的（2）作为基准回归模型，进行IV-Tobit 回归和2SLS回归，估计结果见表4所列。

表4 工具变量估计结果

第一阶段先将工具变量对内生变量回归，结果显示工具变量与内生变量相关系数为0.662，且在1%的水平上显著，两者的正相关关系符合工具变量的基本假设条件。此外，Cragg-donald WildF统计量均大于10，说明研究拒绝存在弱工具变量问题的原假设，并且由于本研究所选取的工具变量数正好等于内生变量数，故不存在过度识别问题。第二阶段估计结果显示，无论是IV-Tobit 回归还是2SLS 回归，技术邻近对跨区域协同创新质量的估计系数在1%的水平上显著为正，与前文Tobit随机效应面板模型检验结果一致，说明估计结果是稳健的，在统计学上不存在内生性问题。

五、研究结论与启示

本研究探究了城市数字化转型背景下技术邻近对跨区域协同创新质量的影响机制，分析关系强度的中介作用和数字化水平邻近的调节作用，利用长三角41个城市间联合申请的专利数据进行实证研究，主要研究结论如下：

（1）技术邻近对跨区域协同创新质量有显著的正向影响。在跨区域协同创新的过程中，随着城市间技术邻近性的增加，主体之间基于共同的知识基础增进吸收能力［24］，以识别、理解和有效利用新知识，合作者能够加深对于彼此之间的理解，以合理配置创新资源，实现创新想法落地，从而提高创新质量。这一结论验证了技术邻近与跨区域协同创新的正向关系［8］，认为知识交互与创造在技术较为邻近的区域之间效果更好。

（2）关系强度在技术邻近与跨区域协同创新质量的关系间起中介作用。当城市间技术相似程度较高时，主体之间更易于进行资源上的匹配，能够有效集成和丰富知识储备，便于所需资源协调与整合效率的最大化。在这一过程中资源传递阻碍较小，复杂知识能够频繁交流、共同突破，双方越容易形成强烈的合作意愿并建立起长期合作的稳定关系，形成较高水平的关系强度。随着关系强度的增加，双方在已有的合作中挖掘创新潜能，基于共同的风险承担和利益共享，易于在原有的技术成果基础上实现再创新，最终提高协同创新质量。

（3）数字化水平邻近正向调节技术邻近与跨区域协同创新质量的关系。数字化水平邻近越大时，数字技术越能推动技术越邻近主体之间彼此获取有价值的知识，构建显性知识和隐性知识沟通的渠道，显著加强技术邻近提升跨区域协同创新质量的效果。此外，数字化水平邻近正向调节技术邻近与关系强度的关系。当数字化水平邻近越高时，创新主体间能够实时地互动与相互监管，促使技术邻近程度较高的双方更为高效地匹配创新资源，增强关系强度。同时，未充分利用的资源储存在共同的知识库中，为进一步的合作即提高关系强度水平提供基础。

（4）数字化水平邻近正向调节技术邻近→关系强度→跨区域协同创新质量这一中介机制。数字化水平邻近越大时，关系强度的中介效应就越显著。当数字化水平邻近程度较高时，相似的技术对跨区域协同创新质量的作用越大，长期稳定的合作关系更多地传导了两者间的直接影响。当数字化水平邻近程度较低时，区域间相似的技术在流通与转化的过程中效率较低，且更难突破区域的边界，因此对跨区域协同创新质量产生的正向影响较弱，其中的直接效应通过关系强度的传导就越少。

以上结论为数字化转型背景下我国跨区域协同创新的实践提供了一些启示。对于合作创新主体来说，在数字化转型情景下，为实现跨区域协同创新的提质增效，不仅寻求合作时需要考虑选择资源相匹配的合作伙伴以最大效能地转化创新方案，减少知识交互、沟通交流、资源整合与重组等方面的阻碍，还要关注合作双方的数字化水平接近程度，甄选出有助于推进合作的创新资源，提高资源传递、接收和应用的效率。对于政府来说，首先，出台相关政策鼓励知识储备相似且有合作经验的主体间推进更深层次的合作，搭建互信互惠、合作共赢的良好合作关系，在特定领域中实现更高的创新价值或将创新成果推广到新兴领域实现再创新；其次，面对新发展阶段的新机遇和新挑战，应加快推进城市的数字化建设，实现全方位赋能、革命性重塑，清除跨区域合作障碍，用数据要素配置链接各区域资源，大力激发长三角城市群的创造力。