知识基础、认知邻近与城市突破性创新——基于772万条发明专利的实证分析

徐 洁，李 琳

(1.清华大学公共管理学院，北京 100084；2.湖南大学经济与贸易学院，湖南 长沙 410079)

0 引言

随着创新驱动发展战略的深入实施，中国已成为名副其实的创新大国，但在关键核心技术、前沿颠覆性技术等突破性创新方面仍与发达国家存在较大差距[1]。党的二十大报告强调，要加快实现高水平科技自立自强，坚决打赢关键核心技术攻坚战。当前，突破性进展越来越依赖于多样化、跨领域知识融合，城市因其高集聚性、高交互性等特征，成为突破性技术的孵化器[2]。因此，中国必须加快建设若干具有强大带动力的突破性创新城市。如何有效测度突破性创新？一个城市如何发展其突破性创新能力？如何针对不同区域制定突破性创新政策？对这些问题的回答具有重要的理论意义和现实需求。

创新的本质是对现有知识元素进行有效重组，区域知识基础理论为揭示区域知识重组和突破性技术演化的复杂过程提供了有效视角[3-4]。现有文献[5-6]普遍认为多样性知识基础对区域创新具有积极影响，Frenken等[7]进一步指出，比多样性更重要的是多样性要素之间的相互关联程度，并将知识多样性划分为相关多样性和非相关多样性。具有较高关联性的相关多样性更容易产生知识溢出，进而促进区域创新，而对非相关多样性的影响未形成一致性结论[5，8-10]。国内研究集中于考察产业部门多样性的影响[11-12]，对知识层面多样性关注不足，且囿于城市层面数据难以获得等问题，相关定量研究缺失[13]。因此，对于何种知识基础更有助于城市突破性创新还有待考察。

区域知识基础理论重视本地知识溢出，忽视了跨空间知识联系对区域创新的影响[14]。外部联系可以为本地创新系统注入新知识，实现区内-区外跨领域的知识互动，打破本地知识重组可能造成的路径锁定[15]。现有文献从FDI[16]、创新网络[17]、国际贸易[18]等视角检验了外部联系对区域创新的作用，部分研究[17-18]表明跨区域联系有助于为城市注入异质性知识，避免区域陷入能力陷阱。也有学者[19]认为，跨区合作增加了知识搜索和管理成本，从而对创新造成负面影响。外部联系并不必然带来创新突破，外部知识能否被有效利用取决于外部知识与本地知识库之间的认知邻近性[20]。现有文献对本地知识基础与区域知识联系的互动关系缺乏关注，因此，有必要将知识多样性和认知邻近纳入统一框架进行分析。

在区域创新水平测度方面，目前使用最多的代理变量是专利申请数[22]和专利授权数[23]。专利数量一定程度上能衡量区域创新水平，但以各项专利价值相等为前提的简单加总计数难以反映每项专利所蕴含的知识复杂性和价值差异性[24]。近年来，有学者采用发明专利数[25]或发明专利占三类专利之比[26]衡量突破性创新。不可否认，相较于实用新型专利和外观设计专利，发明专利具有更高的技术含量，但大部分发明专利并不具备技术突破性。因此，亟需一个国际学术界广泛认可的测量方法对中国突破性创新水平进行评价。

相较于现有研究，本文可能的创新点在于：①研究视角上，将区域知识基础与跨区创新合作纳入统一分析框架，着重探讨二者的互动关系对城市突破性创新的影响，从而更好地把握城市突破性创新的影响机制；②研究内容上，通过考察知识非相关多样性与突破性创新的倒U形关系，对现有文献中非相关多样性的不确定性影响做出回应，从认知邻近视角回答何种模式的区域知识合作更有助于城市突破性创新，一定程度上弥补了区域知识基础文献中对区外知识联系研究的不足；③实证研究上，突破以往研究中难以量化突破性创新的瓶颈，采用被引数前2%的发明专利对城市突破性创新进行测度，运用面板固定效应模型和面板分位数模型讨论驱动因素对不同创新等级城市的异质性影响，以期为高质量发展背景下指导地方政府创新实践提供新的思路和依据。

1 理论基础与研究假设

1.1 知识相关多样性与突破性创新

多样性知识基础是指一个地区中不同领域技术的丰富程度[4]。区域内现有知识多样性水平决定了本地知识重组的空间，知识相关性捕捉一个区域内各部门之间的认知邻近程度[7]。知识相关多样程度高意味着区域内成员分享相似的知识库，进一步密切组织联系、社会联系和制度联系[20]，形成地理邻近和认知邻近的叠加效应，促进知识溢出、提升知识吸收能力，因此更容易重组形成新知识，是突破性创新的重要来源。相关多样性知识基础促进区域突破性技术创新的内在机制可概括为：①促进了基于产业链的知识溢出，受益于相似的关键共性技术，大量技术关联企业、衍生行业企业集聚，分享相同的知识并产生地方化的集体学习效应，形成了基于上下游产业链的知识溢出[6]；②共享具有相似技能的熟练劳动力，大量相关行业集聚产生大量劳动力需求，吸引具有相似技能的劳动力，降低了企业劳动力搜寻和培训成本，劳动力在相关企业间的便捷流动也促进了相关行业的知识溢出[21]；③共享专门的技术服务和科研设施，大量相关行业的创新服务机构集聚促进了专业化分工，通过服务外包提升创新效率，共享大科学装置、联合实验室、技术转移等研发服务，为各行业之间交互、分享和重组知识提供了机会。因此，本文提出假设1：相关多样性知识基础对城市突破性创新具有正向影响。

1.2 知识非相关多样性与突破性创新

知识非相关多样性衡量一个地区在不同领域知识的多样化程度。突破性创新是对现有技术路径、市场需求的颠覆性技术变革，往往需要更多异质性、隐性知识的融合[22]。非相关多样性知识基础促进区域突破性技术创新的内在机制可概括为：①促进隐性知识传播和降低知识搜索成本，虽然信息技术的发展使知识传播更加便利，但承载更多复杂信息的隐性知识传播仍离不开面对面的交流，尤其是跨行业间的知识流动更依赖地理邻近[23]。多领域知识集聚为企业知识搜索提供了丰富的知识库，降低了企业知识搜索成本，新旧知识的多样化组合为突破性创新制造了条件；②高技能劳动力流动和匹配，非相关多样性知识集聚为企业提供了多样化人才和大量学习新技能的机会，随着劳动力在企业间流动实现更优的劳工匹配和广泛的知识传播；③增强技术突破窗口的识别能力，技术突破是现有技术在已有技术轨道上实现更新迭代，或开辟新的技术轨道实现快速跃迁，这都需要对技术突破窗口期进行准确识别，非相关多样性知识集聚有助于创新主体系统把握技术生命周期和颠覆式创新的跨产业转移现象，提高突破性创新成功率[24]。

然而，非相关多样性知识基础与突破性创新之间并非线性关系。适度的认知距离有利于行业间知识溢出，促进异质性知识重组创新，过大的认知距离可能会降低知识重组的空间、增加学习成本，进而阻碍突破性创新[25]。非相关多样性知识提高了城市内不同产业、不同技术领域间知识交流、知识溢出的可能性，有利于打破技术壁垒，促进异质性知识融合，提高技术突破的可能性。相反，城市内若集聚过量的非相关领域知识，导致创新主体间的认知距离过大，反而会阻碍知识传播，不利于突破性技术创新。因此，本文提出假设2：非相关多样性知识基础与城市突破性创新具有倒U形关系。

1.3 区域间认知邻近性与突破性创新

区外链接通道已成为地方技术创新路径突破的重要动力，这种知识流动通常通过跨区域知识合作实现。城市间知识合作是一种正式且稳定的关系，跨区域合作能够扩展城市与外界的学习互动范围，在广泛的知识空间获取隐性知识和复杂知识，进而提高本地突破性创新的可能性[17]。然而，区外知识能否被有效利用取决于外部知识和本地知识基础的认知邻近性[26]。认知邻近性是指本地知识基础与区外合作知识的相似性、关联性，当外部知识与本地知识具有较高的关联性时，区外知识可以很容易被吸收，同时较低的认知距离使得各方更容易对彼此转移的知识进行编码和扩散，从而减少知识转移与共享的成本[27]。认知基础的差异性影响合作主体间的互动频率，认知距离越大越需要更加频繁的互动，从而增加合作成本，也增加了异质性知识被理解吸收的可能性。可以预期，区外知识与本地知识具有较高的认知邻近性时，跨区域知识合作有助于突破性创新。因此，本文提出假设3：跨区合作知识与本地知识基础的认知邻近性与突破性创新正相关。

1.4 知识基础、认知邻近和突破性创新

突破性创新受到城市内外两种知识来源的交互影响。当城市具有较高的非相关多样性知识基础时，建立认知邻近性较高的区外知识合作关系不仅可以在一定程度上弥补非相关多样知识所具有的缺陷，也使得城市在具备多样知识的基础同时拥有特定领域进行深度专业化研究的能力，因而有利于突破性创新[27]。较高的认知邻近意味着区外知识与城市自身技术领域存在较大程度的交叉，对于涉足广泛技术领域的城市而言，更容易在内外部知识元素空间找到合适的结合点[28]。非相关多样性知识基础的城市嵌入到认知邻近较高的合作关系，有助于补充在特定技术领域内深度专业知识的缺失，而嵌入高认知距离的合作关系难以避免知识过载的弊端[29-30]。

知识基础相关性较高的城市在特定领域具有深厚的知识积累，构建较低认知邻近的跨区知识合作关系有助于将外部异质性知识和自身专业化知识进行整合，形成互补效应，使城市兼具多样化和专业化特征，提升突破性创新的知识广度和深度[31]。具有较强相关性知识基础的城市嵌入到高认知邻近的合作关系中难以避免知识过度嵌入的风险，高认知距离带来的异质性知识有利于帮助城市摆脱相关性较强可能导致的路径依赖和能力陷阱[32-33]。相关性程度较高的城市一般缺乏多样化的异质性知识基础，而嵌入到低知识距离的合作关系中又使得上述劣势难以得到弥补。同时，较小的认知距离意味着转移和传播知识存在高度重叠，加剧了城市本就较为狭窄的技术领域。因此，本文提出假设4a：区域间的认知邻近正向调节非相关多样性与突破性创新的关系；假设4b：区域间的认知邻近负向调节相关多样性与突破性创新的关系。

2 数据来源与处理

本文以2000—2018年地级及以上城市为研究单元，所需数据包括两类。第一类为专利数据，采用大数据挖掘手段，获取国家知识产权局2000年1月至2018年12月接受申请的所有发明专利，共计982.36万条。剔除申请人为国外、港澳台地区专利后，最终实际使用专利772.75万条。每条专利记录提供有关本发明的技术信息 (技术类别分类、引用情况等)和申请者信息 (申请人名称、申请人地址等)，使用专利申请人地址识别专利申请人所在城市。对于多位申请人的联合发明专利，参考现有研究[34]，将专利分配给第一申请人所在城市，最终获取281个城市专利信息。使用国际专利分类系统 (IPC分类)进行专利技术类别匹配，所有专利归类为八大技术部门，进一步映射到131个三位数技术大类和635个四位数技术小类。第二类为城市面板数据，在进行回归分析时所涉及的控制变量数据以2001—2019年的城市统计年鉴为基础，以各省、市、自治区的统计年鉴为补充。

2.1 变量说明

(1)因变量：突破性创新 (Innovation)。突破性创新与渐进性创新的区别在于创新的程度不同，大部分创新是渐进性的，只有少部分创新是突破性的[34]。本文认为突破性创新是指具有技术变革性、市场影响力，能对后续技术演进和经济发展产生较大影响的发明。专利是衡量创新的关键指标，专利引用次数被广泛用于捕捉技术质量，因为得到更多引用的专利被认为具有更大的技术重要性，对后续技术创新产生了更大影响[8-9]，也被证明具有更高的社会经济价值[35]。本文定义每年各个技术类别所获引用数在前2%的专利为突破性创新[34，36]。此外，不同技术类别的专利引用差别较大，基于技术领域的异质性对引用指标进行调整，方法是用专利引用次数除以同年度同一技术领域引用的平均值。在城市层面，以当年该城市突破性专利数加1取对数衡量。在稳健性检验时，采用每年被引数前1%和前5%的发明专利进行稳健性检验[9]。

(2)自变量：包括以下三个变量。

①知识非相关多样性 (UV)。参考现有研究[7]，采用技术分类在不同聚合级别上的熵值来衡量区域知识基础相关和非相关多样性。知识非相关多样性指各城市八大技术部门的分布熵，衡量一个区域在不同类型的技术活动中多样化的程度。计算公式如下：

其中，i为城市，t为年份，pk是当年某一城市所有专利中属于技术部门k的专利所占份额。

②知识相关多样性 (RV)。知识相关多样性指各城市在131个技术大类的分布熵，属于同一技术领域的行业具有高度的认知邻近性。计算公式如下：

③认知邻近性 (Proximity)。认知邻近性指本地知识基础与合作城市知识基础的关联程度，本文筛选出专利申请人数量大于等于2的联合研发专利，进一步识别每个申请人所在城市，最终保留本地与其他城市合作研发专利。参考现有文献[36]，通过比较城市间专利结构来测度认知邻近。计算公式如下：

dijt=∑k(fik-fjk)2

其中，dijt为城市i与城市j在t年的认知邻近性，fik(fjk)为城市i(j)在技术领域k的专利占比。Proximityit是城市i在t年与合作城市的平均认知距离，n为合作城市个数。

(3)控制变量：①人口密度 (Pop)，使用每平方公里人口数衡量；②研发投入 (R&D)，使用城市科教支出占财政之比衡量；③人力资本 (Capital)，使用每万人在校大学生数衡量；④基础设施 (Fra)，使用每万人道路面积衡量；⑤外商投资 (FDI)，使用当年实际利用外资取对数衡量。主要变量的描述性统计结果见表1。

表1 变量描述性统计结果

3 实证结果分析

如图1所示，2000—2018年大部分城市知识相关多样性和知识非相关多样性得到了显著提高，二者均值分别从2000年的0.378和1.291提高到2018年的0.999和1.759 (虚线是当年均值线)。19年间大部分城市知识非相关多样性显著提高，而知识相关多样性提升缓慢。知识非相关多样性的快速提高可能归因于金融危机之后地方政府布局各类战略性新兴产业[37]，但忽略了本地原有的产业基础，引进与本地技术积累不适配的产业部门[38]，导致新引进产业与原有产业关联性差、认知距离不断拉大。可以发现，位于第四象限具有低非相关多样性水平的城市和位于第一象限具有高非相关多样性水平的城市均为突破性创新能力较低的区域，可以初步判断非相关多样性和突破性创新呈非线性关系。

图1 城市知识相关多样性 (RV)和知识非相关多样性 (UV)

3.1 回归结果分析

表2中的模型1～3列出了多样性知识基础对城市突破性创新的回归结果，所有回归模型结果中相关多样性回归系数均为正向，且均通过了1%的置信水平检验，说明知识基础相关多样性的提高对城市突破性创新有显著的促进作用，假设1得证。模型2和模型3加入了非相关多样性及其二次项，一次项系数为正且二次项系数为负，均通过5%水平的显著性检验，说明非相关多样性与城市突破性创新产生具有倒U形关系，假设2得证。适度的非相关多样性提高了城市不同领域技术间交流互动和知识溢出的可能性，利于打破 “技术隔离”，促进突破性创新产出[39]。对比模型1和模型2的结果，相关多样性对突破性创新的边际作用要大于非相关多样性的边际作用，说明相关多样性的知识基础是城市突破性创新的主导驱动力，这与美国以非相关多样性为主驱动城市突破性创新不同[8]，说明我国的突破性技术创新仍主要来源于相关产业内部的知识融合[25]。

表2 回归结果分析

表2中的模型4～6先后加入认知邻近变量及其与相关多样性、非相关多样性的交互项。认知邻近变量的系数稳定为正且显著，说明合作对象间的认知邻近有助于城市突破性创新产出，假设3得证。模型5的结果表明，认知邻近与知识非相关多样性二次项的交互项系数显著为负，且不改变知识非相关多样性本身的系数方向及显著性，这意味着认知邻近正向调节非相关多样性知识基础与城市突破性创新的倒U形关系，假设4a得证。换言之，对于非相关多样性知识基础而言，合作伙伴的高认知邻近对城市突破性创新的促进作用更加明显，倒U形曲线的拐点出现在突破性创新水平更高的状态。模型6的结果显示，认知邻近与知识相关多样性的交互项系数为负但不显著，说明合作对象间的认知邻近未对相关多样性知识基础产生显著的抑制效应。在现有文献[5]基础上本文进一步发现，区域知识合作不一定带来突破性创新，要建立适合本地知识基础的创新合作模式，形成本地知识溢出与外部知识吸收的有机融合，才更利于技术突破。

3.2 稳健性检验

(1)调整突破性专利门槛。使用专利被引数前1%和前5%衡量突破性创新，表3中的模型1和模型3列出了使用新因变量的回归结果，核心变量系数符号与显著性未发生变化，实证结果稳健。值得注意的是，随着突破性创新门槛提高，多样性知识基础系数值变大，特别是在前1%突破性创新中，非相关多样性超过相关多样性成为主导因素，说明本地多样性知识基础是城市突破性创新的重要源泉，越是新颖的技术往往来自非相关产业间的知识重组[3]。

表3 稳健性检验

(2)使用滞后一期。考虑到知识基础和知识合作对创新的影响是一个长期过程，本文将知识基础和认知邻近滞后一期进行稳健性检验，结果见表3中的模型2和模型4。核心变量系数符号及显著性未发生变化，实证结果稳健。

(3)更换估计方法。由于因变量0值较多，采用logit回归对原方程进行检验。此外，为了进一步规避模型中可能存在的内生性问题，本文采用GMM方法对方程进行估计。如表3中的模型5和模型6所示，核心变量系数符号及显著性未得到改变，实证结果稳健。

3.3 进一步分析

上文实证研究表明，城市多样性知识基础和区域间认知邻近对城市突破性创新产出存在不同的影响作用。进一步使用分位数回归考察不同等级突破性创新能力的城市，知识基础和认知邻近对城市突破性创新影响的异质性。选取具有代表性的10%、50%和90%三个分位数点进行参数估计，结果如表4所示。可以发现，相关多样性知识基础在各分位数水平上均有显著的促进作用，表明区域知识相关多样性带来的知识溢出在中国具有更强的创新影响。非相关多样性在10%分位数水平上具有显著的负效应，在50%分位数点上对突破性创新的正向影响不显著，仅在90%分位数水平上对突破性创新具有显著促进作用。结果表明，对于突破性创新水平较低的城市，异质性过高的知识基础不利于区域突破性创新，盲目拓展与本地知识基础非相关的产业领域反而会阻碍知识溢出。在创新水平较高的城市，非相关多样性对突破性创新的作用突显，因为创新能力较高的城市往往意味着具有较强的知识吸收能力和创新管理能力。在合作伙伴认知邻近性方面，仅在中高分位点上对突破性创新具有显著的促进作用，且随着分位数水平提高促进作用增加。这是因为创新能力较低的城市往往知识结构单一，认知距离过小的合作关系可能会加剧路径依赖，导致知识锁定。对于创新能力高的城市来说，构建认知邻近性较高的合作关系有利于深化某些领域的知识深度，进而促进突破性创新产出。

表4 分位数回归结果

4 结论和政策启示

4.1 结论

突破性创新来源于多样化知识重组，本地知识溢出和区外知识合作是城市创新的两大知识来源。本文以2000—2018年国内281个城市为研究对象，采用每年获得引用数前2%的发明专利衡量突破性创新，使用面板固定效应和面板分位数模型实证检验相关多样性、非相关多样性知识基础和区域合作认知邻近性对城市突破性创新的影响及其异质性效应。主要结论如下：①相关多样性知识基础是城市突破性创新的主要驱动力，在不同创新等级城市都发挥显著促进作用，说明技术突破主要源于相关联产业间的知识溢出；②非相关多样性知识基础与突破性创新呈倒U形关系，且仅在高创新等级城市发挥重要驱动作用，适度的非相关多样性有助于促成跨行业的知识溢出，进而提高突破性创新产出；③多样性知识基础和区域合作认知邻近的交互作用对城市突破性创新产生差异化影响，具有较高非相关多样性知识基础的城市更适合建立高认知邻近的跨区知识合作关系，而知识基础相关性较强的城市更适合高认知距离的跨区知识合作。

4.2 政策启示

(1)立足本地知识基础，推动与现有知识基础相关联的技术门类发展。知识相关多样性在不同等级城市对突破性创新都有重要促进作用，因此，产业政策应关注新旧产业间的技术关联性，围绕本地所具备的产业基础、技术积累进行布局和投资，切忌盲目超前引进不适宜本地技术基础的产业和技术。同时，为了避免过度关联引起潜在的锁定效应，在具备一定创新能力后应增强本地知识的非相关多样性，维持适当的认知距离。

(2)以关键核心技术为着力点，打造跨行业、多主体协同创新平台。研究结论表明，非相关多样性是高水平创新城市突破性创新的重要驱动力，因此，在创新较发达城市应着力促进本地非相关领域的知识融合。但是，跨领域的知识融合不易发生，因此要围绕关键核心技术为多元化的创新主体提供跨领域交流合作平台，加速跨学科、跨团队、跨领域资源整合，促进异质性技术知识流动与融合。

(3)构建适合不同知识基础城市的区域合作模式。非相关多样性知识基础为主的城市往往是创新能力强的国家级、区域性城市，应嵌入高认知邻近性的知识合作网络，在保持多样性优势的同时深化某些特定领域的知识积累来突破关键技术。具有较高关联性、同质性知识基础的城市往往是产业结构较单一、创新能力较弱的城市，更适合构建较高认知距离的区域合作关系，立足自身优势产业，从多元化技术领域选择合适的异质性知识进行创新突破。