企业集聚、学习效应与城市创新
——同行切磋，还是跨界融合？

2022-06-11 02:46邱楚芝欧锦文

暨南学报(哲学社会科学版) 2022年5期

邱楚芝，欧锦文

一、问题的提出

改革开放以来，中国经历了世界历史上规模最大、速度最快的工业化和城镇化进程。随着人口和企业快速向城市特别是向东部沿海地区的城市转移和集中，中国城市经济发展的空间格局发生了巨大调整，与此同时，中国城市创新能力的空间版图也发生了明显变化。珠江三角洲、长江三角洲等沿海地区那些新兴的制造业城市创新能力明显抬升，而那些大学和科研院所相对较多，但产业发展滞后的内地城市创新能力却在相对下降。2020年12月，科技部和中国科学技术信息研究所公布《国家创新型城市创新能力评价报告2020》，中国各城市的创新能力动态调整，参差不齐，深圳的创新能力位列全国各大城市榜首。事实上，最近这些年，在各种关于城市创新能力的排行榜中，深圳大多位居榜首，超越了北京、上海这些大学和科研机构扎堆的大城市。许多数据和现象表明，深圳强大的创新能力主要来自创新型企业的推动。由此引出一个重要的问题：是不是企业集聚程度才是解释城市间创新能力差距的关键原因。进一步，微观层面的企业集聚行为影响宏观层面的城市创新能力的内在机制具体是什么呢？这个问题既有待进一步实践探索，也需要深入进行理论研究。

从企业价值链结构来看，Feldman指出，不仅加工组装等生产性价值环节呈现出空间集聚趋势，研发等创新性价值环节的空间集聚现象更为突出。基于美国、英国等发达国家企业空间集聚与城市创新版图的早期经验研究发现，企业在地理上的集中分布会带来明显更高的创新产出水平(Baptista 和 Swann)。现代企业区位理论模型表明，空间层面的规模报酬递增规律引致企业向城市集聚，进而为城市带来各种形式的外部性优势，如劳动力池效应、中间品共享效应、学习效应等(Glaeser 和 Kerr)。这种外部性优势有利于降低企业创新发展的经营成本，提高创新活动的投入产出效率，是企业源源不断向城市集聚并持续加大研发投入的市场“无形之手”的驱动力量。随着城市群内部分工的深入演化，那些内部价值链成熟的企业倾向于将其价值链环节布局到多个地理区位，例如企业将附加值偏低的生产制造活动布局在中小城市，而将高附加值的研发等创新性活动布局在大城市，进而使得城市之间的创新能力出现明显的地理分化过程，可见微观层面企业价值链的区位选择会影响宏观层面城市之间创新能力的差距(Duranton 和 Puga)。在中国，地方政府通过积极的招商引资政策和产业园区开发政策吸引企业到当地投资兴业，特别是可观的税收优惠、财政补贴、金融支持、土地供应等多种政策优惠很可能干扰到企业区位选择，从而偏离市场最优的配置。也就是说，地方政府可能因急于招商引资而忽视产业选择，入驻企业之间缺乏产业关联，进而空间经济学所强调的因关联性集聚而产生的创新效应未必能够得到有效发挥。本文认为，在中国，企业的空间集聚过程究竟能否影响城市创新能力，特别是其内在机制如何仍然需要进一步的理论研究和经验证据。

既往文献关注到本地化学习效应对产业集群和区域创新能力的影响，重点讨论了知识属性、行业结构、学习渠道、人口集中度、职业结构等经济社会因素对本地化学习效应的影响(赵勇和白永秀；芮明杰等；李宇和唐蕾)。特别是，彭向和蒋传海、柳卸林和杨博旭等的文献分别基于产值数据测量行业多样化和专业化进而检验行业内和行业间的本地化学习过程及其对当地创新绩效的影响。王永进和张国峰则利用行业间职业结构数据来刻画行业间学习过程及其对当地创新的影响。然而，既往文献提供的方法均是间接测度行业间知识溢出，例如利用行业产值规模来测量行业多样性，问题是行业规模大，未必知识存量大，也未必创新活跃。因此类似产值等方面的数据很难直接捕捉特定行业的知识存量和知识流量，进而难以直观而有效地反映行业内外的本地化学习效应，这就需要寻找新的指标和数据以便更直观地测量本地化学习过程，并检验其对当地城市创新的影响。

鉴于此，本文将本地化学习效应区分为产业内“同行切磋”型学习和产业间“跨界融合”型学习，尝试从学习效应的视角来考察企业集聚行为对当地城市创新的影响。为此，本文利用夜间灯光数据构建企业集聚程度指标，利用专利数据在四位数制造业行业层面测量不同类型的学习效应，构建起时间—城市—行业维度约200万个观测值的中国城市制造业创新大样本数据对理论假说进行实证检验。

与既往研究相比，本文的创新主要有以下两点：其一，与传统上关注大学和科研机构的创新驱动效应不同，本文从市场化导向的企业对中国城市创新发展的影响出发，强调从微观层面企业集聚的市场行为来解释宏观层面的城市创新能力差距，进而有利于更好地理解在城市创新体系建设过程中要强化企业创新主体地位，要突出技术创新市场导向机制。其二，与传统上间接测量特定地区、特定行业的知识存量不同，本文利用大规模的专利数据库开发出新的方法来直接测量特定城市和特定行业的知识存量，进而更直接地捕捉和解释本地化学习效应，并将学习效应区分为产业内“同行切磋”型学习和产业间“跨界融合”型学习，这有利于更好地理解本地化学习过程，特别是城市规模对集聚类型和学习效应的影响，为中国不同规模城市推动产业集群创新发展提供了新的理论解释和政策启发。

二、理论假设

(一)企业集聚与城市创新

企业区位选择理论认为，企业在城市的集聚会带来种种外部性优势，主要体现在特定地理空间上的共享(Sharing)、匹配(Matching)和学习(Learning)三大效应，这些均有利于提高当地的创新产出(Puga)。首先，地理空间上的邻近性有利于企业共享不可分割的公共设施或服务、中间投入品、专业化分工收益(Marshall)，从而降低企业的创新成本，缩短创新周期。其次，企业在城市的集聚有利于人才、资本等生产要素的供给方和需求方在当地实现更高概率和更高效率的匹配(张萃)，这是创新要素实现有效配置的基础条件。再次，集聚缩短了企业在空间上的距离，从而为各类型人才面对面地交流提供了便利条件，人与人之间频密的学习活动促进了新思想的迸发(Glaeser等；Marshall)，特别是有利于隐性知识的传播，进而加速新技术在当地的扩散、吸收和再创新。同时，以共享、匹配和学习三大效应为依托，产业集群内部企业之间可以形成更为紧密的经济社会联系，有利于企业之间共担创新风险，分摊创新成本，共享创新收益，减少创新过程的不确定性。

在中国，市场体系建设尚欠成熟，企业的区位选择还受到政府公共政策的深度影响。在工业化和城市化推进过程中，特别是在经济增长考核和地方财政分权的背景下，地方政府既有动力又有资源采取措施吸引企业入驻当地发展。地方政府吸引企业集聚的政策主要包括招商政策和园区政策两类。一方面，在招商引资过程中，地方政府通过税收、补贴、土地、金融等方面的优惠政策吸引企业入驻，特别是吸引企业进入所在城市的高新区、开发区等产业园区集聚发展(胡晨光等)；另一方面，产业园区通常会制定主导产业选择标准，这有利于增强入驻企业的产业关联程度，特别是当地政府围绕产业园区加强市政交通、教育医疗、住房保障等公共服务配套建设，这些高品质的公共服务设施为吸引高端创新人才创造了关键条件。当地政府所制定的这些公共政策有利于为企业集聚过程中的共享、匹配和学习效应创造更好的支撑条件，进而推动城市整体层面创新能力的提升。这正是中国地方政府作为发展型政府角色功能的重要体现。

在此基础之上，本文提出如下假说：

H1：企业向城市集聚带来的外部性优势，有利于降低个体企业的创新成本，提高其创新效率，推动城市整体层面创新能力的提升。

(二)学习效应

本地化学习(Local learning)是城市创新发展的基础性支撑(赵勇和白永秀；李宇和唐蕾)。Glaeser等的研究指出，正是由于大量来自相同或不同行业的企业和劳动力在邻近空间上的集聚促进了集群内部成员之间的各种正式和非正式学习，使得集聚区内的知识存量不断累积，进而推动区域创新水平提高。

1. 基于“同行切磋”的学习效应

由于地理上的邻近性和同一产业内的分工，产业集群内的企业更容易获得新思想、新创意，“集群中飘荡着行业秘密的空气”，当某一企业在技术、信息和管理等方面处于优势时，很容易引发其他企业的模仿和学习(Beaudry和Breschi)，从而在集群层面形成持续的集体创新过程，增强集群发展的内生动力。由于产业集群内的企业往往处于相同或相似产业，其所需的知识技术和物质资本等生产要素相似甚至相同即具有专用性特征，故企业能最大限度地将学习到的知识与自身生产经营相结合(赵勇和白永秀)。通常，产业集群或产业园区会定期或不定期地举办一些专业性较强的产品交流会、专家研讨会、前沿讲座、专业培训等活动。那些存在技术劣势但具有一定知识吸收能力的企业通常可以从这些活动中获得知识溢出效应，更有将其转化为创新能力的可能性(芮明杰等)。特别是，作为知识载体的科学家、工程师和管理者等高端人才，在企业间的流动也是知识在产业集群内得以扩散的有效途径(Fosfuri和Ronde)。Almeida和Kogut以美国半导体行业为例，考察了工程技术人员在集聚区内更换就业单位对区域创新的影响。研究显示，技术工人在企业间的高流动率是产业集群维持高创新频率的重要源泉。尤其是对于高新技术产业集群而言，新技术、新知识相对更为丰富，知识型员工的自由流动有利于增强企业间的学习效应，促进企业技术累积和创新能力提升，进而增强当地城市的整体创新能力。

基于以上分析，本文提出如下假说：

H2：企业之间基于“同行切磋”的产业内学习过程对当地城市创新能力提升具有积极的推动作用，是企业集聚促进城市创新的微观机制之一。

2. 基于“跨界融合”的学习效应

不同的产业往往在技术领域具有不同程度的差异，因此不同产业的企业在邻近地区的集聚有利于为企业创新提供来自不同产业领域的技术知识，特别是为产业之间的跨界融合创新提供了条件。齐讴歌等的研究指出，异质性产业在城市的集聚为不同产业和学科领域人员之间的交流创造了更多的机会，创新主体之间因差异化的知识背景而更容易在沟通过程中获得新启发、碰撞出新思想。来自不同产业的企业在城市集聚可以降低异质性知识对接和匹配的成本，可以提高知识匹配的效率和质量，特别是对于那些具有潜在或外在互补性的产业而言，企业之间互补知识的分享和传播更利于新想法和新产品的产生，这些企业之间的技术合作往往有利于拓展不同产业的技术可能性边界(Duranton和Puga)。特别应该指出的是，那些最前沿的新知识往往是隐性的，这些隐性知识往往附着于科学家、工程师、管理者等高端人才，而企业的集聚拉近了高端人才的地理距离和社会距离，进而为不同产业和学科领域的隐性知识的传播创造了难得的条件。隐性知识的特性决定了其传播形式更多依赖于非正式交流，人际接触面越广，接触频率越高，其传播速度就越快(柳卸林和杨博旭)。不同产业的企业聚集在一起，通过非正式交流网络将来自于不同源泉的知识集中起来形成本地化的知识池，进而促进当地企业对知识技术的吸收、分享与创新。

基于以上分析，本文提出如下假说：

H3：企业之间基于“跨界融合”的产业间学习过程对当地城市创新能力提升具有积极的推动作用，也是企业集聚促进城市创新的微观机制之一。

3. 城市规模与学习效应

马歇尔外部性表明，围绕同一产业上下游进行的专业化集聚为产业内专有性知识交流提供了便利条件，降低了创新的学习成本，故城市应该趋于专业化。雅各布斯外部性则表明不同产业间的企业集聚使得多样性和互补性知识得到更好的匹配，促进知识的交流和人力资本的积累，进而提高当地城市创新水平。那么，究竟是专业化还是多样化更有利于提升学习效应呢？程开明的研究表明这一看似矛盾的问题可通过城市规模的差异来解释。通常，大城市更偏向于多样化，主要原因在于大城市更有能力提供多样化的中间投入品、较高水平的研发投入和人力资本，不同来源的知识和技术广为扩散。多样化的城市环境降低了企业的“试错”成本，企业可以尝试运用不同的生产要素组合和生产技术进行生产，多样性和互补性知识学习的便利性孕育了创新的“种子”(Duranton和Puga)。Paci和Usai的研究表明马歇尔外部性和雅各布斯外部性均能促进区域创新水平的提高，但雅各布斯外部性在大型城市中更为显著。与大城市不同，中小城市更趋向于专业化，因为小城市的人力资本、科技资源等均不如大城市丰富，多样化发展势必加剧对有限创新资源的竞争，降低创新资源的配置效率。相反，围绕专业化生产形成的产业内关联降低了企业的生产成本，为更高效率的学习效应知识溢出创造了条件，即中小城市的创新过程更得益于产业内学习效应。

基于以上分析，本文提出如下假说：

H4：由于不同规模城市在产业集聚形态方面的差别，大城市的创新能力提升更得益于企业间的“跨界融合”，而中小城市的创新能力提升更得益于企业间的“同行切磋”。

三、研究设计

(一)数据来源

本文以“城市—行业”作为城市创新能力的观测单元，城市创新数据来源于复旦大学产业发展中心编制的《中国城市和产业创新力报告2017》，夜间灯光数据来源于国家青藏高原科学数据中心，其他数据来源于《中国城市统计年鉴》。本文样本涵盖2001—2016年中国239个地级以上城市、522个四位数制造业行业，形成时间—城市—行业维度约200万个观测值。

(二)模型设计

本文借鉴Glaeser和Kerr设立如下基准模型检验企业集聚对城市创新能力的影响。

(1)

其中，表示城市，表示四位数行业，表示年份。代表城市行业在年份的创新水平；代表城市在年份的企业集聚程度；表示一系列对城市创新可能产生影响的控制变量集合。和分别表示城市固定效应和二位数行业—年份交乘固定效应，是随机误差项。

根据Nunn的模型设定方法，采用如下机制检验模型，验证在企业集聚过程中如何通过产业内和产业间学习效应来影响城市创新发展。

(2)

模型中×代表企业集聚与学习效应的交乘项。其中，产业内学习效应用专业化学习指数-衡量；产业间学习效应区分为多样化学习效应-和互补性学习效应-。为避免回归中同时加入集聚指标单独项和乘积项会产生严重的多重共线性问题，参照王永进和张国峰的做法，模型中未加入企业集聚水平的独立项，而是通过时间、城市和行业的固定效应来控制。

(三)变量测量

1. 城市创新()

参考王峤等，本文采用《中国城市和产业创新力报告》中测算的城市层面四位数行业创新指数来衡量城市创新，具体方法参见寇宗来和刘学悦。为了更灵活地考虑创新指数为零的观测值的影响，本文借鉴Liu和Qiu的方法，将城市创新定义如下：

(3)

其中，表示四位数行业的创新指数。

2. 企业集聚()

城市经济活动的密集性通常可以用地区生产总值、人口数量、就业人数加以衡量，但这些统计数据不可避免地存在偏误。而夜间灯光数据能够更直观地反映经济活动在地理空间维度的活跃性和动态变化，是人类活动监测研究的良好数据来源(王贤彬和黄亮雄)。简言之，夜间灯光越明亮的地区表明人类生产和生活活动越频繁或越密集。鉴于此，本文使用夜间灯光数据并取自然对数，作为企业集聚的替代变量。

3. 学习效应：“同行切磋”与“跨界融合”

(1)基于“同行切磋”的产业内学习效应。参照Glaeser和Kerr的做法，本文采用区位熵来刻画目标城市的知识专业化程度。具体测算方法如下：

(4)

其中，表示城市，表示四位数行业，表示年份，表示全国，是四位数行业创新指数，反映特定城市特定行业内的知识存量。指数-越大，表明该目标城市目标行业的知识专业化程度越高，即该城市的产业内学习效应越强。

(2)基于“跨界融合”的产业间学习效应。为弥补既有研究割裂产业间互补关联度的缺陷，借鉴彭向和蒋传海，本文用多样性学习指数和互补性学习指数共同刻画产业间学习效应。多样性学习指数通过描述城市内其他产业的分散程度来反映产业多样性；互补性学习指数通过进一步刻画城市内其他产业与该样本产业的关联程度来反映产业互补性。二者结合既刻画了城市内产业的差异性，又反映了产业间的关联性，从而更好地衡量了产业间学习效应。

多样性学习指数。借鉴彭向和蒋传海，使用指数衡量产业多样性。具体计算公式如下：

(5)

该指数越大，表明该城市产业分散程度越大，城市内融合的差异化知识越丰富。

互补性学习指数。根据现有研究，首先根据投入产出表中的所有部门完全消耗系数表和“国民经济行业分类与代码(GB/T4754-2017)”将四位数制造业子行业分类汇总，得到完全消耗系数表。然后对每个样本行业，为其他行业赋予代表该产业与样本产业关联强度的权重，以反映各个行业之间互补程度的差异。具体计算公式如下：

(6)

其中，表示权重。该指数越大，表明该城市内与该产业关联性强的产业比重越大。

4. 控制变量

为减小因遗漏变量所带来的误差，以剥离出企业集聚对城市创新活动的影响，借鉴现有文献，本文在模型中加入了以下控制变量：城市劳动力平均工资()，以衡量城市经济发展水平；固定资产占地区生产总值的比重()，用来反映城市物质资本水平；每万人在校大学生人数()，用来反映城市人力资本水平。同时，以人均道路面积()反映城市交通基础设施；以国际互联网用户占比()反映城市网络基础设施建设；以城市科学事业费支出占财政支出比重()反映城市层面的R&D投入。

本文主要变量描述性统计见表1。全样本统计结果显示：城市创新能力()的平均值为0.008 5，最大值与最小值分别为4.055 8和0，说明样本城市创新能力存在较大差异，总体来看，分布比较正态。企业集聚程度()的平均值为15.763 9，最大值为17.704 2，最小值为13.041 0，说明样本城市间企业集聚水平差异较大，分布也比较正态。其余变量均处于正常范围内。

表1 主要变量的描述性统计

四、结果分析

(一)基准结果

表2报告了模型的基准回归结果。第(1)列未加入相关控制变量和固定效应，第(2)列加入城市层面的相关控制变量，第(3)列进一步控制了行业固定效应和二位数行业×年份固定效应，结果发现企业集聚的系数均在1%的水平上显著为正。可见，企业集聚程度越高，当地城市的创新能力越强，假说H1得到验证。

表2 基准回归

(二)稳健性检验

1.内生性问题

从理论和现实来看，企业集聚与城市创新之间可能存在着两方面的内生性问题。首先，模型可能受随时间改变的不可观测因素的影响；其次，城市创新与企业集聚之间可能互为因果。随着企业集聚程度的提高，当地城市创新能力会增强，然而随着城市创新环境的改善和创新氛围的增强，可能吸引更多的企业集聚于此，进而形成循环因果。结合既往文献的研究，本文考虑引入自然地理因素来克服内生性问题。作为一种自然地理因素，城市地形的自身属性决定其与城市创新活动之间难以形成直接联系，基本不会受到城市创新活动的影响(王峤等)。然而地形可以间接地影响城市经济活动的集聚和创新发展，因为地形起伏程度越小，地形越平坦，越适宜人口和企业的集聚与扎堆。因此，城市地形具有足够的外生性，是比较科学的工具变量选择策略。为进一步缓解内生性问题，借鉴Nunn和Puga，本文以地形起伏度指数作为企业集聚的工具变量进行两阶段最小二乘估计(2SLS)。结果显示，Kleibergen-Paap rk LM统计量的值为0.000，在1%的水平上拒绝了工具变量不可识别的零假设；Cragg-Donald Wald F统计量大于Stock-Yogo检验10%水平上的临界值，拒绝了弱工具变量的假定；Hansen J统计量对应的值为 0.000，接受了工具变量外生的原假设，表明工具变量满足有效性假设。表3第(1)列的回归结果显示企业集聚的回归系数仍然在1%的水平上显著为正，表明企业集聚有利于推动当地城市创新，与假设H1相符。

2.观测样本的调整

本文做以下三方面的样本调整：其一，本文在基准回归中所使用的数据是基于四位数行业代码的“城市—产业”数据，为保证结果的准确性，在稳健性检验中分别使用二位数行业代码对模型(1)进行实证分析。其二，北京、深圳和上海这三个城市属于创新指数里的第一梯队，其他城市和它们的差距相对较大，因此将这部分样本剔除。其三，利用2001—2013年中国工业企业数据库进行微观层面检验，这里除控制城市层面特征变量外，还控制了企业规模、企业年龄、企业劳均资产、企业劳均主营业务收入等企业特征。表3第(2)～(4)列是分别对应以上三类样本的回归结果，企业集聚程度的回归系数均显著为正，与基准模型实证结果保持一致，即企业集聚程度与城市创新水平之间呈现显著的正相关关系。

3.替换关键变量

本文核心解释变量企业集聚程度是利用夜间灯光数据进行衡量的，这种方法可能还是会存在一些不可忽视的测量误差，如受灯光亮度地理空间分辨率影响，一些区域的灯光亮度可能存在不同程度的测量偏差。为此，借鉴王永进和张国峰以人口规模作为集聚程度的衡量标准。结果如表3第(5)列所示，企业集聚的系数仍然显著为正，依然支持企业集聚促进城市创新的基本结论。

4.调整聚类尺度

在以上回归中，为解决异方差和序列相关问题，本文采用的标准误均是聚类到城市——四位数行业层面的。稳健性检验中，我们用二位数行业聚类代替基准回归中的四位数行业聚类，回归结果如表3第(6)列。可见，核心解释变量企业集聚的系数依然显著为正，表明基准回归结果是稳健的。

表3 稳健性检验

五、机制检验

(一)学习效应：同行切磋与跨界融合

前文的回归结果稳健地支持了企业集聚对城市创新的正面影响，下文尝试从本地化学习效应的视角深入考察其背后的作用机制，也就是说，企业集聚行为对当地城市创新的影响究竟是源自“同行切磋”的产业内学习过程，还是源自“跨界融合”的产业间学习过程。表4第(1)列考察基于“同行切磋”产业内学习效应的影响，发现企业集聚与专业化学习的交乘项×-在1%的水平上显著为正，说明企业之间基于“同行切磋”的产业内学习过程对当地城市创新能力提升具有积极的推动作用，是企业集聚促进城市创新的微观机制之一，假说H2得到验证。第(2)、(3)列考察基于“跨界融合”的产业间学习效应的影响，发现企业集聚与多样化学习的交乘项×-以及企业集聚与互补性学习的交乘项×-均在1%的水平上显著为正，表明多样化学习和互补性学习的两类“跨界融合”对当地城市创新能力提升均具有积极的推动作用，也是企业集聚促进城市创新的微观机制之一，假说H3得到验证。以上估计结果表明，本地化学习过程是微观层面企业集聚行为影响宏观层面城市创新能力的有效机制，这种本地化的学习效应既包括基于“同行切磋”的产业内学习，又包括基于“跨界融合”的产业间学习。特别是，不同产业主体之间的空间邻近和相互学习为新思想、新创意提供了“天然的土壤”(Glaeser和Kerr)，城市内融合的产业越多样，越有利于具有不同专业知识的人聚集在一起交流，迸发出新创意；而与目标产业互补性强的产业越多，越有利于生产成本节约，创新活动越活跃。

表4 产业内学习效应与产业间学习效应

(二)城市规模的调节作用

前文估计结果表明，企业集聚通过产业内与产业间两类学习效应促进了城市创新水平的提升。产业内学习效应意味着城市应该走专业化的道路，而产业间学习效应则意味着城市趋于多样化才会更有利于创新。然而，随着城市规模的壮大，其产业集聚特征也会发生相应的调整，为此，下文考察城市规模对本地化学习效应的影响。具体结果见表5。对于产业内学习效应，×-的系数在大城市和中小城市都显著为正；对于产业间学习效应，×-的系数在大城市显著为正，但在中小城市不显著；×-的系数在大城市和中小城市均显著为正。回归结果表明，假说H4得到部分验证。这意味着，大城市的创新发展既得益于产业间“跨界融合”型学习效应，又得益于产业内“同行切磋”型学习效应；中小城市的创新发展得益于企业专业化集聚过程所创造的产业内学习效应，同时也受益于互补性产业“跨界融合”型学习效应。同时，无论城市规模如何，互补性知识均是企业集聚促进城市创新的渠道之一，但是在作用强度上存在差异，互补性知识更有利于促进大城市的创新活动。知识互补性表现为不同企业之间技术上的知识相关程度，通常这种相关程度越低，企业内部研发创新的效率也会越低。因此，无论是在大城市还是中小城市，企业之间知识资源的互补性优势是形成城市内部创新遍地开花和协同创新格局的关键因素。

进一步而言，大城市资源要素辐辏、基础设施完善、市场开放活跃，更容易吸引企业家、科学家、投资家及不同专业背景的技术人员和创新人才集聚，因此城市的产业多样化程度更高；集群内部往往建有各类研究机构、科学家社区、产学研联盟等学习平台，推动产学研机构优势互补、资源共享、组织联动、协同创新。因此，城市规模的壮大是容纳和吸收多样性、互补性企业集聚的前提，也只有在大城市中产业间的学习效应才有可能具有规模收益递增的效果。如在特大城市广州，汽车、电子、石化等多样化产业集聚发展有利于推动城市创新；在特大城市深圳，电子信息产业的专业化集聚成就了其成为全球备受瞩目的创新型城市的事实。而对中小城市而言，其经济总量和资源要素有限，产业发展偏向于部门专业化，降低了多样化产业集聚对有限资源的争夺，因此小城市由此形成的专业化集聚更为显著。如云南玉溪和江西景德镇分别是中国重要的烟草和瓷器生产基地，城市小而精，围绕主导产业向上下游延伸产业链，使得专业化生产的规模经济优势得以充分发挥。

表5 不同规模城市的学习效应

六、结论与政策启示

企业的集聚行为和创新过程是中国城市创新版图动态变化的微观基础。研究企业向城市集聚过程中产生的本地化学习效应，有利于为解释城市创新能力差距提供新的理论视角。本文利用时间—城市—行业维度约200万个观测值的中国城市制造业创新大样本数据，分析了企业集聚对城市创新的影响及其作用机制。研究结果表明，企业在城市的集聚显著促进了当地创新水平的提高，并得到一系列稳健性检验的支持。机制分析表明，微观层面的企业集聚行为对宏观层面城市创新的影响取决于本地化学习效应，这既包括基于“同行切磋”的产业内学习效应，也包括基于“跨界融合”的产业间学习效应。进一步地，由于城市规模对集聚类型的影响，大城市的创新发展既得益于产业间“跨界融合”型学习效应，又得益于产业内“同行切磋”型学习效应；而中小城市的创新发展一方面得益于产业内学习效应，另一方面它仅受益于来自互补性产业间的学习效应，而非关联性不足的多样化产业间的学习效应。

基于以上研究结论，本文的政策启示如下：

其一，围绕企业集聚发展的综合性需求，加强城市产业集群建设，释放集聚经济的创新效能。本文结论表明，企业集聚的本地化学习过程对当地城市创新具有显著的促进作用。因此，围绕企业集聚发展，地方政府应重点抓好以下两方面的工作：一方面，城市政府要重视推动产业园区围绕主导产业加强招商引资和产业链建设。当前由于短期经济增长和财政收入的激励，中国许多城市政府招商引资缺乏产业选择性，导致产业园区主导产业不清晰，产业关联性不足，进而明显限制了关联性企业集聚带来的创新促进效应。另一方面，地方政府要围绕产业园区加强公共服务供给职能。由于城市规划和土地利用方面的原因，产业园区通常设立于城市外围区域，距离城市中心相对较远，因而公共服务的可达性偏低，商业配套也明显不足。这种产城分离问题使得园区难以吸引高端人才和优质企业集聚。为此，政府既要加强市政基础设施建设和公共服务配套，特别是交通基础设施、市政公共交通服务、基础教育服务、医疗卫生服务、保障性住房建设等，又要重视推动园区周边在购物、餐饮、娱乐、休闲等方面的商业配套，为优质企业和高端人才集聚发展创造良好的外部环境。

其二，依托重点产业链集群建设，搭平台、建网络，促联通、增互动，打通知识流动的经济社会瓶颈。本文结论表明，企业集聚对当地城市创新的影响依赖于本地化学习过程，这既包括产业内“同行切磋”型学习效应，也包括产业间“跨界融合”型学习效应。要聚焦当前城市创新活动“孤立化、碎片化”的问题，以重点产业链集群建设为依托，以增进本地化学习为目标，为本地创新主体搭建交流互动的平台和场所，如产学研联盟、产业联盟、企业家协会、产业沙龙等，为“同行切磋”和“跨界融合”创造社会性条件。要着力突破体制机制障碍，推动创新要素在更广阔范围、多类型产业、多元化主体间流动和配置，尤其要打破对人才流动和技术转移转化的限制，促进高质量创新要素的自由流动和优化配置。

其三，根据城市规模精准施策，制定差异化的产业集群政策和创新政策。本文结论表明，大城市创新同时得益于“跨界融合”与“同行切磋”，而中小城市主要得益于“同行切磋”以及互补性产业的学习效应。因此，类似深圳这样高度专业化的大城市——电子信息产业占绝对主导，一方面要继续发挥专业化发展创造的“同行切磋”型学习优势，另一方面要适度推动产业走向多样化发展，进而更好地挖掘和增强“跨界融合”型学习效应。类似广州这样高度多元化的大城市——支柱产业占比偏低，主导性特征不突出，一方面要充分利用好多元化产业发展创造的“跨界融合”型学习优势，另一方面要大力推动重点产业走向更高水平的专业化，进而更好地挖掘和提升“同行切磋”型学习效应。对于中小城市而言，应侧重推动产业专业化发展，进而增强“同行切磋”型学习效应，并且在当地经济规模逐渐壮大、上新台阶的过程中，应围绕主导产业适度推动互补性产业发展，进而获取互补性产业之间的“跨界融合”效应。

：邱楚芝：论文构思、数据处理与实证检验、初稿撰写及后期修改；欧锦文：论文思路及撰写指导，提出后期修改建议。

企业集聚、学习效应与城市创新——同行切磋，还是跨界融合？

一、问题的提出

二、理论假设

(一)企业集聚与城市创新

(二)学习效应

三、研究设计

(一)数据来源

(二)模型设计

(三)变量测量

四、结果分析

(一)基准结果

(二)稳健性检验

五、机制检验

(一)学习效应：同行切磋与跨界融合

(二)城市规模的调节作用

六、结论与政策启示

企业集聚、学习效应与城市创新
——同行切磋，还是跨界融合？