技术集聚何以提升城市劳动生产率？*——基于中国发明专利微观数据的解释

□ 陈锦其 李金昌

作者陈锦其，中共浙江省委党校马克思主义研究院副教授；（杭州 311121）李金昌（通讯作者），浙江财经大学党委书记、教授、博士生导师。（杭州 310018）

内容提要 以创新重构经济增长新动力和以生产率重塑经济质量新内涵是经济高质量发展的两大战略。本文利用中国发明专利微观数据测算了城市技术集聚水平，并在理论分析技术集聚影响城市劳动生产率机制的基础上，基于2003—2018年285个地级以上城市的面板数据进行实证检验。研究发现：技术集聚能显著提升城市劳动生产率，这一结论在经过一系列稳健性检验后仍然成立；机制分析表明，城市技术集聚主要通过优化就业结构、降低资本错配和激发创业活力等渠道提升劳动生产率；拓展分析表明，城市蔓延、技术市场和知识产权保护等环境因素在技术集聚提升劳动生产率的过程中都具有重要作用。研究结论对我国以创新驱动生产率提升为内核的高质量发展战略的政策设计具有一定的参考价值。

一、引言

提高劳动生产率能够在有效降低失业率的同时提高工资（邓红亮和陈乐一，2019），是经济高质量发展的内在要求和提升国际竞争力的核心内容，已然成为推进共同富裕的坚实基础。改革开放以来，我国积极发挥资源要素禀赋的比较优势，选择了投资带动的要素驱动发展模式，劳动生产率从1978年的917元/人提升至2021年的146380元/人，名义增长了159倍。①然而，我国的劳动生产率与发达国家还存在较大差距，尚不及OECD国家的一半，只相当于美国的1/12、日本的1/11（李竞博，2019）。更重要的是，新常态下受人口老龄化、投资边际效率下降、中美贸易摩擦升级等因素的影响，传统要素驱动生产率提升日趋乏力，难以有效支撑经济高质量发展。为此，中国经济亟待从规模速度型粗放增长转向质量效率型集约增长，从要素驱动转向创新驱动。基于此，本文重点关注的问题是：技术创新集聚能否有效驱动劳动生产率提升？其中影响路径是什么？深入回答这些问题，对有效实施创新驱动发展战略、推动经济高质量发展和推进共同富裕进程具有重要现实意义。

理论上，技术创新是提升劳动生产率、推动经济持续发展的主要动力。经验研究也证实，技术创新对经济增长及生产率提高的贡献都不容忽视（叶祥松和刘敬，2018）。直观上看，中国巨额的研发投入尽管带来了专利数量的迅猛增加，但生产率并未同步提高（孔令丞和柴泽阳，2021），科技创新似乎陷入了困境。对此，不少研究从创新动机失真、激励机制扭曲和创新测度有偏等角度展开了讨论。例如，刘林青和谭力文（2006）认为国内企业申请专利是出于防御性保护动机，这些创新不具备价值创造功能；黎文靖等（2021）指出现有知识产权保护未能有效矫正企业的策略性和象征性创新行为；还有研究认为传统指标未能揭示创新价值，有必要依据专利类型、被引次数、申请书长度等特征优化测度方法。然而，现有研究多数是基于同质性技术的假设，且只关注地理空间的集聚，未能识别技术种类的多样性，忽视了技术空间的集聚。

事实上，研发投入的提升不仅大幅增加了专利的数量，也使得专利的技术种类不断扩张。自1985年《专利法》实施至2018年，发明专利申请总量从4065件快速增长至1393815件；对应年份，专利技术小类从209类增长至609类，专利技术大类也从88类增长至122类，技术门类更加丰富、技术关联更加紧密，呈现技术集聚的特征。②那么，能否从技术集聚视角解释创新如何有效提升劳动生产率？关于这一问题的思考和回答，对于科学制定科技创新政策、有效提升劳动生产率具有重要的现实意义。

现有文献中，与本文相关的一类是关于劳动生产率影响因素的研究，大体可以划分为要素驱动和创新驱动两个阶段。针对要素驱动阶段，提升劳动生产率主要通过增加要素投入和改善要素配置来实现，相关文献从资本投入、FDI、资源配置、基础设施建设等多个角度对影响中国劳动生产率提升的成因开展了深入的研究。进入到创新驱动阶段，提升劳动生产率主要依靠创新驱动和组织变革来实现，且传统要素的边际效应也更加依赖于技术禀赋条件（Ballestar et al.，2020）。相关文献认为创新投入、教育质量、互联网发展、ICT投资、人工智能等知识和技术要素成为影响生产率的主因。例如，胡晟明等（2021）基于中国劳动力动态调查数据的研究发现，人工智能应用对劳动生产率的作用呈现“倒U型”关系，过度的人工智能应用会引发“生产率悖论”现象。

与本文相关的另一类文献是关于集聚经济效应的研究，但是现有文献主要以产业尤其是制造业为样本，结论尚存争议。范剑勇（2006）较早指出，非农产业规模报酬递增的地方化是产业集聚的源泉，提高了地区劳动生产率，后续诸多研究得到了类似的结论。其他研究还发现金融集聚、人口集聚、出口集聚等也能促进经济发展，而且集聚效应往往会随着时间的推移呈现逐渐增强的趋势（Brülhart & Mathys，2008）。但是，如果经济集聚只有正外部性，那么一个地区的集聚水平将会无限增加，这显然不符合实际。事实上，产业集聚会同时产生“拥塞效应”和“集聚效应”，当拥塞效应大于集聚效应时，就会产生抑制经济增长的现象。孙浦阳等（2013）的研究表明，集聚初期拥塞效应占主导地位，集聚并不利于劳动生产率提升。刘和东和刘繁繁（2021）的研究表明，要素集聚对高新技术产业发展存在边际递减效应。不难发现，关于集聚经济是否有利于经济发展存在一定争议，本质上应该是经验问题，其结果会受到特定情景和具体领域的影响。

综上，目前学界关于如何提升劳动生产率已经开展了深入的讨论，并就创新驱动的重要性形成了广泛的共识。然而，现有研究主要集中在创新数量层面，忽视了技术门类多样性的作用，而深入到技术集聚影响机制的研究则更加匮乏。基于此，本文构建了城市技术集聚测度指标，采用2003—2018年285个地级以上城市的面板数据，进一步对其影响劳动生产率的作用机制开展理论分析和实证检验。与现有文献相比，本文的边际贡献主要体现在三个方面：（1）从技术集聚的视角切入，通过一千万余件中国发明申请专利数据测算了技术集聚水平，有效弥补了测度指标内涵单一、结果有偏的缺陷。（2）深入分析了技术集聚通过就业结构、资本配置和创业活力等渠道影响城市劳动生产率的机理，加深了技术集聚影响生产率的认识和理解。（3）考察了城市蔓延、技术市场和知识产权保护等环境因素的调节效应，使研究结论在政策层面更具启示意义。

二、理论机制分析

技术集聚具有地理空间成“群”和技术空间成“网”的双重集聚特征，既能发挥地理空间集聚的规模优势，还能发挥技术空间集聚的关联优势，有助于将区域技术创新能力转化为经济发展新动能，提升城市劳动生产率。本文通过梳理相关领域的研究成果，定性地归纳出技术集聚将通过就业结构、资本配置以及创业活力等渠道影响劳动生产率。

（一）就业结构的渠道作用

技术集聚有利于厚植城市的知识基础，还会影响科技人才在产业间和区域间的流动，从而影响就业结构。一方面，在要素自由流动的情况下，技术集聚程度高的城市，借助其创新的规模效应和技术的关联效应将吸引高科技人才、管理人才等高端劳动力不断流入。另一方面，技术集聚增加了部门之间劳动力的技术关联性，降低了高技能劳动力跨区域跨部门流动的技术障碍。高新技术集聚区畅通了知识在劳动力之间的传播渠道，强化了劳动力之间的技能匹配，加速了各项技能和创意的溢出，这种知识共享自然提升了劳动力的各项能力，让他们得以更自主地择业，从而优化了就业结构。

就业结构升级也是与劳动力资源配置优化同步的过程，具体表现为劳动力资源在产业、区域等层面的优化配置来提升劳动生产率。改革开放以来，我国农村剩余劳动力向工业、服务业的转移有效提升了劳动生产率，以城市化为主要载体的服务业发展进一步优化了城市就业结构，提升了劳动生产率（黄繁华和郭卫军，2020）。就业结构升级的生产率提升效应还体现在劳动力技能的工资溢价上，这就会激励人们不断提升自身技能以获得更理想的职位，激发劳动力对自身能力提升的自我投资，从而提高城市整体的人力资本水平，有效提升劳动生产率。

（二）资本配置的渠道作用

技术集聚会引导资本投向技术密集型产业，有利于优化资本配置、降低资本错配程度。一方面，随着创新地理集聚程度的提高，资本的集聚程度也随之提高，会在区域层面形成金融机构以及各项业务的专业化分工模式（王如玉等，2019）。针对创新创业的专项资本往往会整合金融机构、社会、政府等多元融资渠道筹建创新创业投资基金，将资金配置到收益率高的领域和项目，从而提升金融机构和金融部门整体的资本配置效率。另一方面，技术集聚有助于金融机构更好地识别技术及其产业化前景，降低科技金融的风险，从而能更好地围绕创新链打造资金链，形成金融与其他相关部门间的协同合作。以技术关联为纽带，金融机构和相关企业还会通过基础设施共享、知识信息快捷流动以及相关业务的合作交流等途径降低运营成本，形成金融、科技和产业之间的良性互动，降低资本错配程度（崔书会等，2019）。

资本是经济发展的重要因素，完善的资本市场体系能够使闲散资金流向高回报率的项目，推动劳动生产率提升。事实上，无论是在城市、产业还是在企业层面，金融和资本市场发展都能够显著提升生产率。在高技术集聚区，金融机构还能够率先发挥科技对金融系统的支持作用，如近年来涌现出的互联网金融、科技金融等诸多新业态新产品，都是从高技术集聚区孵化形成的。金融领域的创新，不仅会提升金融机构的效率、优化金融体系，还会提高城市整体的资本配置效率，更好地发挥金融对实体经济的支持能力。金融机构还会借助信息和大数据等科学技术进一步推动产业链金融的发展，用金融支持传统产业链向工业互联网转型升级，整体推动生产率的提升。

（三）创业活力的渠道作用

技术集聚增加劳动力、资本、科技等要素和资源的匹配程度，完善创业生态体系，提升城市的创业活跃度。一方面，技术集聚有助于形成地理邻近且技术关联的高技能劳动力池，能够快捷有效地进行相互匹配和合作。同时，技术集聚有助于形成以企业为核心，涵盖大学、科研院所、政府、创业投资机构、中介服务组织等多元化主体的区域创业生态体系，降低高技术创业的风险和门槛，为高技能团队自主创业提供了一体化平台。另一方面，技术集聚也会积极发挥新技术的先行先试和近距离溢出优势，如近年来的互联网、云计算、大数据等数字技术为创业提供了便利和机会（赵涛等，2020），为创业活动提供了便利化的技术支持。

创业是经济发展的内在动力，通过推动新技术、新产业和新模式的变革，提升劳动生产率。一方面，创业是要素资源整合优化的过程，具有示范带动效应。通过创业活动，将劳动力、技术、资本等生产要素重新组合，提升了新技术的商业化运用效率，形成新的产业部门，推动经济发展。另一方面，创业是迭代提升的动态过程，不断带动区域经济转型升级。随着创业的代际延续，企业会不断积累知识、经验、资源，也会遇到来自市场、技术、管理等不同领域的机遇和挑战，这就会激励或者倒逼企业家持续提升个人能力、增加研发投入、扩大社会网络，从而会在城市层面表现为产业的转型升级、劳动力工资提升和劳动生产率提高（刘伟丽和杨景院，2022）。

三、技术集聚的测算与典型事实

（一）技术集聚的测算

测算城市的技术集聚水平，一个重点是确定该城市的某类技术相对于其他城市来说是否具有比较优势。方法上，一般采用Balassa（1965）提出的显示性比较优势（Revealed Comparative Advantage，RCA）指数，具体由一个城市某种技术专利数量占该城市技术专利总量的份额与全国此种技术专利数量占全国所有技术专利数量的份额之比来表示。如果RCA大于等于1，说明该城市此种技术具有比较优势；如果RCA小于1，则说明该城市此种技术没有比较优势。以patentsikt表示城市i在t年的专利技术k的数量，那么相应的技术比较优势指数表述如下：

取RCA=1作为界定城市的某技术是否具有显示性比较优势的临界值。如果RCA≥1说明该技术具有显示性比较优势，记为x=1；相反，如果RCA<1说明该技术不具有显示性比较优势，记为x=0。具体如下：

测算城市的技术集聚水平，另一个重点是合理测算每一对技术之间的关联程度。沿用产品空间理论（Hidalgo et al.，2007）相似的方法，即共址邻近性，定义为在同一城市具有比较优势的任意两种技术共同出现的最小概率。其逻辑是，如果两种具备显示性比较优势的技术在不同城市共同出现的次数越多，那么表明开发这两种技术所需的创新能力越相似，也就是技术之间转换的难度越小，技术之间的关联程度就越高。具体如下：

式（3）中，xikt表示技术k具备显示性比较优势的情况，xilt表示技术l具备显示性比较优势的情况。P（xikt｜xilt）表示在技术l具备显示性比较优势的条件下，技术k也具备显示性比较优势的条件概率。同理，P（xilt｜xikt）表示在技术k具备显示性比较优势的条件下，技术l也具备显示性比较优势的条件概率。考虑到P（xikt｜xilt）与P（xilt｜xikt）的取值不一定相等，设定取二者的较小值，这样能规避相同技术之间可能出现的不同关联程度，同时也满足了条件概率值的对称性要求。

基于以上技术显示性比较优势及其关联系数的测算，可以参照Balland et al.（2018）的思路计算每种技术的关联密度指标。技术的关联密度反应了该技术与其它技术关联的密集程度。如果将这些技术都限定于某一城市范围内，那么可以计算该城市任意技术的关联密度。具体而言，城市i中技术k的关联密度等于该技术与城市i其它技术之间的关联密度之和，除以该技术与全国所有其它技术的总和。那么，城市i的技术k的关联密度指标表示如下：

根据指标结构，技术关联密度介于0和100之间。其含义为：如果技术k的关联密度等于0，那么表示城市i没有与技术k关联的技术；相反，如果技术k的关联密度等于100，那么表示城市i的技术k与所有技术都密切关联。进一步地，对于整个城市而言，如果拥有N项比较优势技术，其技术集聚等于N项技术关联密度的平均值。具体如下：

式（5）中，TAit表示城市技术集聚指标，同样介于0和100之间，其反应了城市i在地理空间范围内集聚的以关联密度为权重的技术集聚平均水平。

（二）技术集聚的典型事实

依据城市、IPC小类、年度三个属性，本文对国家知识产权局公开公布的1985—2018年10072416件发明申请专利进行分类统计，并根据上述指标测算了城市技术集聚水平。③考虑到历年城市技术集聚实际数据都在0~50之间，本文采用间隔为10的等距分层法将城市划分为高水平、中高水平、中等水平、中低水平与低水平五类。

结果表明，1985年至2018年中国城市技术集聚的空间分布格局变化较为明显。1985年，中国城市技术集聚的整体水平较低，尚无中等水平以上的城市，绝大部分城市为低水平区域，仅北京和上海的技术集聚程度为中低水平区域。究其原因，1985年才开始系统记录专利数据，尚不能全面反应各地的创新能力及其技术集聚程度，导致技术集聚程度系统性偏低。2001年，城市技术集聚程度总体上有了大幅提高，北京已经跃升为高水平组，另有南京、天津、广州等6市迈入中高水平组，上海、哈尔滨、大连等11市迈入中等水平组，合肥市、佛山市、宁波市等23市跳出低水平组加入中低水平组。2008年，城市技术集聚程度进一步提高，高水平组保持6市，中高水平组增加至21市，中等水平组增加至36市，中低水平组增加至51市。至2018年，高水平组达22市，中高水平组达63市，中等水平组为117市，中低水平和低水平组分别仅剩62市和21市，城市技术集聚程度整体跃升。

四、研究设计

（一）模型设定

为了考察技术集聚对城市劳动生产率的影响，借鉴经济发展领域相关文献的通常做法（孙浦阳等，2013），设立如下计量模型：

式（6）中，下标i、t分别表示城市和年份。LP表示被解释变量劳动生产率。核心解释变量TA表示技术集聚。α0为常数项，α1和γX为模型的待估参数。X为一组控制变量，用于控制影响城市劳动生产率的其它因素，包含物质资本（Inv）、研发水平（R&D）、政府作用（Gov）、对外开放水平（FDI）、人力资本（Edu）、互联网发展（Internet）和基础设施（Infr）等变量。同时，模型控制了城市个体特征（μ）以及所有城市共同面临且随时间变化的趋势效应（η），ε表示随机误差项。所有回归的标准误差在城市层面进行聚类调整。

（二）变量说明

1.劳动生产率（LP）。劳动生产率是被解释变量，本文采用相关文献常用的以城市实际产出与劳动力数量之比来测算（孙浦阳等，2013）。其中，劳动力为各城市单位从业人员数加上城镇私营和个体从业人员数，实际产出是以2003年为基期利用价格平减指数对城市名义生产总值进行平减所得。

2.技术集聚（TA）。技术集聚是本文的核心解释变量，采用上文式（5）的技术集聚指标进行测算。

3.控制变量。（1）物质资本（Inv）：中国经济增长的历史表明，投资在其中发挥了重要作用。本文选用城市固定资产投资与地方GDP的比值测算物质资本投入。（2）研发水平（R&D）：研发水平的提高有利于效率改善和生产可能性边界扩张，是生产率提升的重要支撑力量（关书和成力为，2020）。本文选用软件、科技和教育三类从业人员占全社会从业人员的比重来测度研发水平。（3）政府作用（Gov）：政府支出是地方政府治理区域经济的重要政策工具，在提升劳动生产率中发挥着重要作用。本文采用地方政府一般性支出占地方GDP的比重作来衡量政府作用的强度。（4）对外开放水平（FDI）：对外开放水平对生产率的影响具有增效和“被俘获”的两面性作用。本文采用外商直接投资占固定资产投资的比重反映城市的对外开放水平，测算过程中利用当年实际汇率换算成人民币。（5）人力资本（Edu）：人力资本有助于增强人们吸收新知识的能力，对劳动生产率具有倍增效应。本文通过计算人均受教育年限衡量人力资本。（6）互联网发展（Internet）：互联网提升劳动生产率的事实已得到诸多研究的验证（程名望等，2020）。本文参照黄群慧等（2019）的测算方法，通过主成分法综合互联网普及率等四个基础指标形成综合指标，以此代理互联网发展水平。（7）基础设施（Infr）：基础设施通过降低运输成本和交易费用促进劳动生产率的提升。本文采用城市道路面积占建成区面积的比例来衡量各个城市的基础设施水平。

（三）数据来源与描述性统计

专利技术数据来源于中国国家知识产权局专利数据库，具体包含10072416件发明申请专利。其他数据均来自《中国城市统计年鉴》、《中国城市建设统计年鉴》、《中国区域经济统计年鉴》、部分地级市统计年报以及EPS数据库，个别城市的缺失数据采用线性插值法予以补充。鉴于城市层面数据可获得性以及专利数据发布的滞后性，本文的样本区间设定为2003—2018年，包含了除拉萨、巢湖、毕节、铜仁、三沙和海东之外的285个地级及以上城市，形成了4560个观测值。本文数据的描述性统计见表1。

表1 主要变量的描述性统计

五、实证结果与分析

（一）基准回归结果

为了消除潜在内生性的影响，这里参考刘修岩等（2017）的处理思路，并考虑到创新影响经济的滞后性，将核心解释变量技术集聚（TA）滞后二期。④F检验和Hausman检验均拒绝随机效应模型，基准模型采用固定效应模型更合适。为便于比较，表2同时列出混合回归模型、随机效应模型和固定效应模型的估计结果。模型（1）的结果显示，技术集聚（TA）的系数值在1%的水平下显著为正，值为0.248，这说明技术集聚有效促进了城市劳动生产率提升。模型（2）是混合最小二乘法（POLS）的估计结果，技术集聚的系数显著为正且大于固定效应的系数。究其原因，一方面可能由于POLS回归方程中未控制年度效应和地区效应导致，另一方面可能因为POLS本身存在估计结果偏高的谬误。模型（3）是随机效应的估计结果，技术集聚系数显著为正且高于固定效应，这可能是由于未控制城市固定效应引起的。这一结果表明，技术集聚的确能提升城市劳动生产率。

表2 基准回归结果

（二）稳健性分析

前文已经对核心解释变量做滞后两期处理，有效控制了内生性问题。为进一步验证研究结论的可靠性，本文还从以下几个方面展开讨论：（1）增加控制变量，加入城市化水平（Urb）和产业高级化（Ind）两个变量；（2）考虑到4个直辖市在资源配置和政治地位的特殊性，在回归中剔除北京、上海、天津和重庆的样本；（3）通过5%双边缩尾重新选择样本。表3结果显示，核心解释变量对劳动生产率的影响在显著性水平、作用方向乃至系数值上都展现了稳健性，说明前文结论是可靠的。

表3 稳健性检验

（三）影响渠道分析

根据前文的理论机制分析，就业结构、资本配置和创业活力是技术集聚影响劳动生产率提升的三条渠道。

接下来本文通过以下步骤对渠道机制开展检验：第一步，技术集聚影响劳动生产率的基准模型估计；第二步，分别估计技术集聚对就业结构、资本配置和创业活力的影响；第三步，分别考察就业结构、资本配置和创业活力对劳动生产率提升的影响。借鉴中介效应的常用检验方法（温忠麟和叶宝娟，2014），采用如下递归模型进行分析：

其中，式（7）与式（6）相同。式（8）中，M表示中介变量，包括就业结构（Job）、资本错配（Mismatch）和创业活力（Entrep）三个变量。式（9）是在式（7）的基础上加入中介变量。如果β1和φ1、φ2都显著，可以依据公式计算出中介效应占总效应的比重。

三个中介变量分别为：（1）就业结构（Job）。鉴于本文考察的是创新型人员的就业结构，主要集中在工业和服务业领域，因此本文采用程名望等（2020）的方法，以第二三产业就业人数占总就业人数的比重来衡量就业结构。（2）资本错配（Mismatch）。借鉴崔书会等（2019）的方法计算各城市资本错配指数（Mismatch）。（3）创业活力（Entrep）。采用私营和个体从业人员占总就业人口的比重表示城市创业活力。该指标数值越大，表明就业群体中自我雇佣的比例越高，创业活力也越大。

表4给出了上述影响机制检验的结果。中介效应第二步检验的系数β1和φ2都显著，且第三步检验的系数φ1也显著，说明中介效应确实存在，不必进行Sobel检验（蔡海亚和徐盈之，2017）。

表4 机制检验结果

对于就业结构的渠道作用，表4模型1中技术集聚的系数显著为正（值为0.003），说明技术集聚显著优化了就业结构。从模型2可以看出，就业结构对劳动生产率的估计系数在1%的水平下显著为正（值为2.681），可以认为就业结构是影响劳动生产率的重要途径；同模型中，技术集聚的系数也显著为正（值为0.240），且小于基准回归系数，这说明技术集聚通过优化就业结构促进了劳动生产率的提升。对于资本配置的渠道作用，模型3中技术集聚的系数显著为负（值为-0.238），说明技术集聚显著降低了资本错配程度；从模型4可以看出，资本错配对劳动生产率的估计系数在1%的水平下显著为负（值为-0.232），可以认为资本配置是影响劳动生产率的重要途径；此外，技术集聚的系数显著为正（值为0.193），且小于基准回归系数，这说明技术集聚通过弱化资本错配提升了劳动生产率。对于创业活力的渠道作用，模型5中技术集聚的系数显著为正（值为0.127），说明技术集聚显著提升了创业活力；从模型6可以看出，创业活力对劳动生产率的估计系数在1%的水平下显著为正（值为0.295），可以认为创业活力是影响劳动生产率的重要途径；此外，技术集聚的系数也显著为正（值为0.211），且小于基准回归系数，这说明技术集聚通过提高创业活力促进了劳动生产率的提升。

通过检验中介机制发现，技术集聚可以通过优化就业结构、合理化资本配置和激发创业活力等机制间接提升城市劳动生产率。进一步的分析表明，由于劳动力、资本和企业家在资源配置中的流动性、灵活度等方面的差异，三类中介效应占总效应的比例存在较大差异，具体为资本配置的贡献率最大（占比为22.19%），创业活力次之（占比为15.06%），就业结构最小（占比为3.22%）。

六、拓展分析：技术集聚提升劳动生产率的环境效应

前文已经检验了技术集聚提升劳动生产率三条渠道的作用。但是，技术集聚能否有效提升城市劳动生产率可能还受到外部环境的影响，有待进一步理论分析和实证检验。

第一，低密度扁平化的蔓延式发展模式，增加了通勤距离、延长了通勤时间，影响了技术集聚提升劳动生产率所需的交流平台和知识溢出渠道（Martinus et al.，2020），会抑制技术集聚的生产率提升效应。第二，成熟的技术市场能够有效传递技术需求和技术供给等信息，降低信息不对称程度，及时将创新成果转移转化为新产品和新工艺，扩大技术的应用领域和应用对象（Zheng et al.，2017），优化创新要素配置效率，进而使得技术集聚持续有效地提升城市劳动生产率。第三，加强知识产权保护的核心是保护创新成果的产权，是创新成果转移转化的前置条件。有效保护知识产权，有利于正向引导创新人才的预期和创新资源的合理流动，促进产业结构优化升级（顾晓燕等，2020），有效促进技术集聚对城市劳动生产率的提升作用。

基于以上理论分析，实证检验将在式（6）的解释变量中分别加入技术集聚（TA）与城市蔓延指数（SPR）、技术市场发展（MT）和知识产权保护水平（IPR）乘积项，具体计量模型如下：

上式中，Z分别表示城市蔓延指数（SPR）、技术市场发展（MT）和知识产权保护水平（IPR）。具体而言，（1）城市蔓延指数（SPR）参考程开明和徐扬（2019）的思路，以人口变动率与城市建成区面积变动率的比值进行测算。（2）技术市场发展（MT）采用戴魁早（2018）的做法，选取技术市场交易额衡量。（3）知识产权保护水平（IPR）采用樊纲等（2011）编制的“中国市场化指数”分项指标“市场中介组织的发育和法律制度环境”作为代理指标。

表5模型1的估计结果显示，城市蔓延指数与技术集聚乘积项的系数显著为负，值为-0.116。这说明，在城市蔓延较慢的城市，技术集聚对劳动生产率的提升作用较强，而在城市蔓延较快城市，技术集聚对劳动生产率的提升作用相对较弱。或者说，城市蔓延会削弱技术集聚对劳动生产率的提升作用，这印证了毛文峰和陆军（2020）的结论。

表5模型2中加入了技术集聚与技术市场发展的乘积项，结果显示，其乘积项系数显著为正，系数值为1.424。这说明，在技术市场成熟的城市中，技术集聚对城市劳动生产率的作用更加明显；相反，在技术市场发展较差的地区中，技术集聚对城市劳动生产率的作用受到抑制。或者说，技术市场的改善在一定程度上能够促进技术集聚对城市劳动生产率的提升作用，能够协调技术供需双方的对接，强化了技术信息交流、沟通乃至合作的渠道。

表5模型3的估计结果可以看出，加入技术集聚与知识产权保护水平乘积项之后，乘积项的影响系数显著为正，系数值为0.021。这说明，在知识产权保护水平较高的地区，技术集聚影响劳动生产率的作用相对较大。换句话说，随着城市知识产权保护水平的不断提高，技术集聚对城市劳动生产率的提升作用会更加明显。

表5 城市技术集聚影响劳动生产率的调节效应检验

七、结论和政策含义

本文在理论分析技术集聚影响城市劳动生产率机理的基础上，采用2003—2018年中国285个地级以上城市的面板数据，从内部渠道和外部环境的双重角度，分别采用中介效应模型和调节效应模型对城市技术集聚影响劳动生产率的作用机制进行了实证分析。城市技术集聚影响劳动生产率受内部渠道和外部环境的双重影响。从内部渠道看，技术集聚可以通过优化就业结构、合理化资本配置和激发创业活力而间接提升城市劳动生产率；从外部环境看，城市蔓延、技术市场和知识产权保护等城市环境对技术集聚的生产率提升效应都具有重要的影响。基于上述研究结论，本文提出以下政策启示：

第一，优化创新目标导向，因地制宜地推动城市技术集聚。丰富技术集聚的政策视角，从地理空间集聚向地理和技术双重集聚转变，既要注重创新活动在空间层面集聚成“群”，更要结合城市经济发展阶段、创新资源禀赋等实际情况，围绕城市创新体系的优势技术、技术前沿领域、产业链需求方向等，因地制宜地集聚相互关联的创新资源和科创人才，更要让创新活动在技术层面集聚成“链”成“网”，充分发挥创新在地理和技术的双重集聚对推动技术进步和经济发展的整体效能。

第二，优化创新载体平台，梯次有序地建设创新空间体系。创新载体和创新平台往往以城市或更大区域的重大发展战略的需求为发展方向，具有明确的技术路线和持续的创新投入，是兼地理和技术双重集聚的创新空间，能较好地规避因城市蔓延等不利因素对技术集聚的影响。为此，要以城市创新需求为导向，以现有创新载体和创新能级为基础，重点打造由新型研发机构、高新区、科创走廊、自主创新示范区、创新策源地等梯次分明的创新空间体系，优化科创资源的空间配置。

第三，推进要素市场化配置，让创新要素有序流动。创新人才、科创资金和企业家精神等创新资源和要素是技术集聚积极推进城市劳动生产率提升的重要渠道。为此，要坚持科技面向经济社会发展的导向，充分发挥市场对创新要素资源配置的决定性作用。要以创新地理边界趋弱、创新要素流动日益便捷、创新的技术关联日趋稠密为契机，着力破除阻碍创新人才、科创资本等创新要素合理流动的体制机制障碍，改革人才引进、激励、发展和评价机制，强化创新创业激励导向，破除制约科技成果转移扩散的障碍，充分释放技术集聚对城市高质量发展的动能和效能。

第四，优化创新生态环境，完善科技创新服务体系。知识产权保护、技术市场乃至城市紧凑度等都是影响技术集聚效能发挥的创新生态环境因素。为此，要更好发挥政府在推动创新发展过程中的战略规划、制度规范、统筹协调、政策支持、环境营造等方面的引导作用。积极倡导创新文化，深入推进数字化改革，强化知识产权的创造、保护、运用；积极培育发展科技服务新业态，大力支持科技研发、互联网和软件等新兴服务业的发展；发展线上线下相融合的技术交易市场，积极推进大数据、云计算等先进技术建设，完善技术转移与交易、成果转化与产业化的科技服务体系，引导科技服务机构创新服务模式和商业模式，推进全链条全方位的科技服务体系建设。

注释：

①数据来源：1978年的数据来源于马晓河和赵淑芳（2008），2021年的数据来源于国家统计局《2021年国民经济和社会发展统计公报》。

②数据来源：发明专利申请总量数据来源于国家知识产权局编制的对应年份《中国专利统计年报》，专利技术分类数据由作者通过国家知识产权局专利数据库和国际专利分类表（IPC）的匹配测得。

③考虑到篇幅限制，测算结果留存备索。

④本文计算了自1985—2018年的技术集聚（TA）面板数据，因此，在实证中对其滞后二期并不会改变模型的样本量。