2. 华东师范大学 城市与区域科学学院, 上海 200241;
3. 华东师范大学 中国行政区划研究中心, 上海 200062;
4. 华南师范大学地理科学学院, 广州 510631
2. School of Urban and Regional Science, East China Normal University, Shanghai 200241, China;
3. Institute of Urban Development, East China Normal University, Shanghai 200062, China;
4. School of Geography, South China Normal University, Guangzhou 510631, China
习近平总书记指出,我国经济已经由高速增长阶段转向高质量发展阶段。一方面,区域创新能力日益成为推动区域经济发展的关键动力[1],创新的来源也逐渐从强调外部知识的引入购买转向强调区域内部的知识生产。另一方面,国家的区域发展战略日益强调区域之间的相互协作,提高整体的协同创新能力。在这一背景下,有必要关注如何推进区域的内生创新和协同创新。其中,一个重要的问题是区内不同类型产业和知识的组合与不同组合间的空间溢出是否有助于推动区域创新产出。
地区的产业基础、知识和技能的组合被认为是一种本地能力的体现,对于推动地区创新和经济发展具有重要影响。区域专业化、产业集聚与区域发展的关系是经济地理学长久关注的议题[2]。早期研究主要从产业集群[3]和地理邻近性[4]两个角度理解三者之间的关系。自2007年Frenken等创造性地提出相关多样化和非相关多样化概念[5]以来,越来越多的研究开始探讨产业的多样化对区域经济发展的影响。
现有文献主要关注产业的多样化和关联度对区域经济发展的影响。Frenken等人[5]首次提出熵指标法,基于标准工业分类和荷兰地区各行业就业人口数据,分析了相关多样化与非相关多样化对区域发展的影响,发现相关多样化有助于地区就业的增长,而非相关多样化能够有效降低失业率。此后,Boschma等人[6]利用意大利地区的商品进出口数据,发现进出口部门的相关多样化对地区经济发展有正向促进作用。Hausmann和Hidalgo[7]认为,一个国家现有的行业往往决定了其新产业的发展方向。孙晓华[8]等基于不同产业部门的就业人数指标,发现相关多样化有利于区域经济增长,而非相关多样化有助于维持区域经济稳定(降低地区失业率)。魏玮等人[9]也基于产业部门就业人数,探讨不同类型的产业结构对城市经济增长的促进作用。刘修岩[10]等基于进出口产品数据,发现出口水平多样化和出口垂直多样化对地区经济增长有显著作用,且垂直多样化的影响更大。
还有一些研究考察技术的相关性对区域多样化发展的影响。如李振发、贺灿飞等[11]利用2个产品同时出现在一个城市的条件概率构建产品技术关联密度,发现关联产业的知识溢出有利于提升出口产品地区专业化水平。Boschma[12]利用专利数据定义了“技术空间”(technology spaces),说明了本地现有的知识结构如何决定地方的多样化发展。Neffke[13]基于瑞典地区新产业进入不同区域的实证分析发现,当某产业在技术上与该地区原有产业相关时,其进入该地区的概率较高。
国内外一些研究也已开始关注产业多样化对区域创新产出的作用。如Aarstad[14]等对挪威地区的实证分析发现,区域的产业相关多样化对于企业的产品创新有积极影响;Ejermo[15]指出瑞典地区部门的专业化程度对专利申请量有显著的正向影响;Huallachain和Lee[16]发现城市的创新水平受技术专业化和多样化的影响,最具创造力的城市在不同的技术领域都有着比较好的技术专长;Kogler等[17]考察了美国城市的技术相关性与其发明增长的关系;苏楠[18]基于全国产业部门就业数据,指出多样化对地区创新能力提升有正向作用,且相关多样化的作用较非相关多样化更为重要。
尽管目前国内外已经有大量研究考察产业多样化对经济发展和创新产出的影响,但是国内对于区域的知识多样化与区域创新产出的关系讨论不足。正如Cooke[19]所指出,产业的多样性与技术或知识结构的多样化是不同的。不同产业部门之间可能基于相似的技术——如旅游业和制造业可能都会用到智能机器人技术,而无论基于何种产业分类二者都属于不相关产业。反过来,同一行业中的研发人员、管理人员以及生产人员的知识结构完全不同,彼此之间很难进行有效的交流。因此,现有从产业角度研究地区多样化与知识溢出的关系是不全面的[20]。考虑到知识/技术本身作为企业创新的前置环节,其多样化与知识溢出可能有更为直接的相关性。另外,现有研究很少考虑多样化对区域创新产出的空间效应,而少数研究已经表明,多样化对区域创新产出的影响具有空间依赖性和区域异质性[21],地理邻近性也是跨区域协同创新的重要影响因素[22]。为此,本文拟运用专利数据和空间计量分析方法,基于专利分类而非产业部门分类构建多样化指标,并分析相关多样化与非相关多样化对区域创新产出的影响。
1 理论假设多样化主要通过地理集中带来的外部性、知识溢出和路径依赖等过程推动区域发展。很多研究都曾指出,产业集聚会促进知识溢出[23],从而有利于激发新思想、形成新技术、发展新产业,进而推动地方经济发展。不过,学术界对于哪些产业集聚在一起更有利于创新存在分歧。Marshell等人[24]认为同一产业内的企业在区域内的集聚(即专业化)有利于知识的扩散与外溢,从而推动区域知识的创新与经济的发展。而Jacobs等[25]提出都市化经济环境与不同产业间的交流(即多样化)才是推动地方创新、经济发展的更重要因素。Frenken[5]等人通过对Jacobs外部性进行分解,提出知识溢出只会发生在具有一定相似知识体系的产业间,而相关程度很低的两个产业难以产生知识溢出。而Porter和Castaldi[26]等认为,知识基础的不相关多样化发展能促进跨学科交流,进而有利于打破路径锁定、激发突破性创新。
基于这些已有理论,本文提出图 1所示的区域知识技术多样化对地区创新产出影响的理论模型。
首先,区域主要基于相似的认知能力和技能,通过原有知识基础拓展到相关知识空间(相关多样化)推动创新。各地区可基于相关知识基础升级知识复杂性[27]。基于合作的知识溢出与知识匹配性,企业在进行技术合作时要选择知识差异度适中的伙伴[28]。区域内拥有相似知识背景的创新主体集聚,有利于不同主体之间资源、信息和知识的共享和交互学习,从而促进新技术的扩散与创新能力的提升,最终加快区域创新产出进程。为此,本文提出假设一:区域知识技术的相关多样化会提高区域创新产出。
其次,区域也可以通过扩展全新知识领域(非相关多样化)实现知识重组,推动地区激进式创新。一般认为,拥有不同知识结构和知识背景的人们相互交流会形成不同类型知识的重组效应,从而更容易激发突破性的新技术、新产品和新工艺,并更好地抵御外部冲击。从这一角度看,非相关多样化会提高区域创新产出。然而,由于不同类型知识之间的“认知”距离会限制区域内不同创新主体之间的互相沟通和知识溢出,因此过度的非相关多样化可能限制不同部门间的知识溢出,阻碍地方的创新产出。为此,本文提出假设二:区域知识技术的非相关多样化对区域创新产出的影响不确定。
此外,邻近地区的相关多样化与非相关多样化程度也可能影响本地的创新产出。地理邻近性是促进知识溢出的重要影响因素[29],跨地区的合作创新往往会促进本地创新,而邻近地区往往基于相似的知识体系实现合作与协同发展[30]。如果邻近地区的相关多样化较高且与本地的产业或技术类型差别较大,其与本地的知识交集可能减少,从而降低区域间产生知识交流的可能性、阻碍区域之间的协同创新。为此,本文提出假设三:空间邻近地区的相关多样化和非相关多样化会影响本地的创新产出,且邻近地区相关多样化较高可能不利于本地创新产出。
2 研究设计 2.1 案例地区本文以长三角城市群作为实证研究的案例地。长三角是我国经济活动最活跃、区域一体化发展程度最高、创新能力最强的地区,经济总量占全国四分之一,年研究经费支出占全国三分之一。中共中央、国务院印发的《长江三角洲区域一体化发展规划纲要》明确了长三角在我国率先实现更高质量一体化发展的区域发展定位。一方面,长三角地区创新资源丰富、创新能力位于全国前列,是创新驱动发展战略的示范区[21],根据《中国区域创新指数报告(2018)》,创新能力排名前十位的城市中来自长三角地区的就有5座(苏州、杭州、南京、宁波、无锡)。另一方面,这一区域的一体化程度较高、城市间创新合作较为密切,也是目前国家推动区域一体化的战略承载地区,分析长三角区域内部不同城市间的空间溢出效应具有代表性。根据国务院2016年批复的《长江三角洲城市群发展规划》,本文的长三角城市群涵盖上海市及浙江省、江苏省、安徽省的26座地级及地级以上城市。
2.2 模型设定为了分析邻近地区的空间效应,一般采用面板空间回归模型。常用的空间回归模型包括两类——空间滞后模型(Spatial Lag Model,SDE)和空间误差模型(Spatial Error Model,SEM),分别控制因变量的空间滞后项和模型整体的空间误差项。为了进一步控制自变量的空间效应,近年来进一步发展出包含空间滞后的内生变量和外生变量的空间杜宾模型(Spatial Durbin Model,SDM)[31],并已在地理学中被广泛应用。参考已有研究,本文构建如下空间杜宾模型,分析相关多样化和非相关多样化对长三角各城市创新产出的影响:
(1) |
式中Y是被解释变量,即i城市t时期的创新产出;W是空间加权矩阵,本文使用空间邻接矩阵;V为i城市t时期地方知识的相关多样化和非相关多样化变量矩阵;X为控制变量;ε为扰动项;γ和ρ分别是变量对应的空间自回归系数;β1、β2分别是模型的待估计参数向量。模型参数运用Stata 15估算。
2.3 变量定义与数据来源本文的分析时段为2011年至2016年。其中,因变量(区域创新产出)为人均专利申请数量。自Jaffe(1993)[32]首次将该指标用于表征区域的创新产出后,大量研究开始使用专利数据对城市创新进行研究。本文中长三角各城市历年专利申请数量的数据来自国家知识产权局(http://www.sipo.gov.cn/)。
相关多样化和非相关多样化一般通过按照技术或产业的分类在不同聚合级别(levels of aggregation)上的熵值来衡量[5, 26],其中相关多样化的聚合层级更低。考虑到前述产业分类的局限,本文采用各个城市不同位数国际专利分类(IPC)的熵值计算相关和非相关多样化指标。IPC分类将专利技术领域分为部、大类、小类、大组、小组5个不同等级,本文主要运用前三位数专利分类,这种分类与Castaldi文中所采用的由Hall等提出的专利分类方法[26, 33]相近。一位数专利分类包括人类生活需要、作业&运输、化学&冶金、纺织&造纸、固定建筑物、机械工程等、物理、电学8个部。这八种部之间的技术壁垒较高,难以出现知识溢出。由此,非相关多样化(UV)以各城市一位数分类的专利分布熵来衡量,计算公式为:
(2) |
式中,Pk, it代表i城市第t年一位数(部)k类专利占该城市当年所有专利的比重。若同一专利分属于两个或多个分类,则在每类中都计入。
由于IPC分类中二位数分类技术之间的相关性较低(如帽球类与医药类同属于A类),因此一般采用三位数分类衡量相关多样化(RV)。故根据Theil等的熵值分解公式[34],相关多样化使用三位数分类熵值与二位数分类熵值的组间差异来表示,其计算公式为:
(3) |
式中,Pm, it和Pn, it分别代表i城市第t年三位数专利类别m类专利和二位数专利类别n类专利占该城市该年所有专利数的比重。其中,二位数专利分类包括129个大类,三位数专利分类共有646个小类。
其他控制变量根据柯布—道格拉斯知识生产函数选取,包括R&D投入强度、人力资本水平、城市经济发展水平与市场潜力四个主要变量。其中,研发投入可以反映每个城市的科技创新活动规模及科技投入强度,本文用各城市每年的全社会R&D投入规模衡量[35];人力资本水平是知识生产函数的另一核心变量,用城市规模以上企业R&D研发人员以及科研院所研究人员数量总和来衡量,理论上认为城市人力资本水平的增加会显著促进区域的经济发展[36];城市经济发展水平会影响城市的产业结构和创新模式,一般认为经济发展水平较高的城市其创新产出也相对较高,本文用城市人均GDP衡量,其中GDP已通过平减指数折算到当年的真实GDP[37];市场潜力旨在捕捉来自该地区以外的需求的影响,企业出售产品难以衡量流向具体城市,采用国内其他城市人口数代表周边市场需求。本文采用全国其他地级市的人口与该城市到目标地地理距离的倒数乘积和来衡量目标城市潜在需求量[38]。以上数据均出自历年中国城市统计年鉴及各城市历年的统计年鉴,部分缺失数据运用线性插值法补全。各变量的描述性统计特征如表 1所示。
图 2-a展示了2016年长三角各城市专利数申请量的空间分布。可以发现,长三角地区的创新高地集中在合肥—上海—杭州—宁波的“z”字型廊道,这也与长三角的高铁网络、经济空间结构等吻合。其中,上海市与苏州市的专利申请数量遥遥领先,在10万件左右;杭州市、无锡市与南京市位于第二梯队,专利申请数量在5万件左右;最低的宣城市与池州市专利申请数仅有4千件左右。图 2-b和图 2-c则展示了长三角各城市的相关多样化与非相关多样化指数的空间分布,可以发现:①两个指标的省际差异较大。相关多样化和非相关多样化指数呈现沿海高、内陆低的东高西低趋势,且安徽省的两个多样化指数均显著低于其他二省一市,合肥市的多样化指数同样低于上海、杭州与南京。②省域内部同样存在差异。省会城市周边呈现高—低集聚态势,即省会城市的多样化指数高于周边城市。③相关多样化与非相关多样化布局呈现相似性。各城市相关多样化与非相关多样化指数之间的相关系数为0.631,二者在1%的水平上显著,说明不管是相关多样化或非相关多样化都是城市本身知识结构的体现,二者是可以共存的,城市对相关知识领域或非相关知识领域上的拓展很大程度上是同时进行的。
表 2报告了多样化对创新产出影响的普通面板回归和空间面板回归模型结果(F检验与Hausman检验等结果拒绝了混合模型与随机效应模型,因此这里仅报告固定效应模型结果)。可以发现,两个模型中解释变量的系数方向和显著性差别不大。不过,考虑到多个空间滞后项的系数显著,本文以空间回归分析结果为主展开讨论。
从空间回归模型结果可以得出以下几点结论。首先,多样化对区域创新产出具有重要影响。相关多样化的系数显著为正,说明相关多样化能够显著促进地区的创新产出。这一结果与Frenken[5],孙晓华[8]、刘岩修[39]等人认为地区产业相关多样化的提升能够促进地区的经济发展水平的结论相似,也证实了前文提出的假设一。类似地,非相关多样化二次项系数显著为负而一次项系数显著为正,这说明非相关多样化与区域的创新产出之间呈倒U型关系,即非相关多样化较低时,对区域创新产出有正向作用,而超过一定值后就转为负向影响。这一结果验证了假设二,表明非相关多样化较低时能够通过对不同知识类型的知识重组,推动突破性创新、促进区域的创新产出;而当其超过一定数值后,认知邻近性的降低会减少知识溢出,从而阻碍区域的创新产出。
其次,区域的创新产出受相邻地区的影响。一方面,模型中专利申请数的空间加权项系数显著为正,说明长三角各城市的创新产出水平受到相邻区域创新产出水平的正向溢出效应影响。另一方面,相关多样化的空间滞后项在5%的显著性水平下显著为负,而非相关多样化及其二次项的系数均未通过显著性检验。这一结果说明,区域内相邻城市的相关多样化比较高反而不利于区域间的知识溢出和创新合作,对本地的创新产出有抑制作用。这验证了本文的假设三,也与长三角地区的现状较为吻合。目前,长三角不同城市之间的技术和产业结构总体上呈现一定的分化(如上海以高端制造为主而苏州以外资主导的传统制造为主,技术水平相差较大),因此如果邻近地区都以相关多样化形式推动创新,则其本地技术领域范围仍然较小,难以与相邻地区产生大范围的知识交集,不易形成创新合作或知识溢出。尽管非相关多样化及其所代表的城市化经济可能为邻近地区带来创新机会(如上海的综合技术门类较齐全,非相关多样化水平较高,因此可能对周边地区的技术创新都有支持作用),但是可能知识重组与认知非邻近效应相互抵消(trade-off),导致其空间效应不显著。
最后,各个控制变量的影响基本与已有研究的发现类似。其中,城市R&D投入强度对其创新产出具有显著的正向影响,这与Audretsch与Feldman的研究一致,他们发现创新活动发生在直接知识生产投入(例如研发投入)最多的地区。城市高科技人力资本对城市的创新产出影响均不显著,可能原因为长三角地区内R&D研发人员数标准差较小,区域内部不同地区间的差异相对较小[35, 39]。与已有研究发现类似[40],市场潜力对区域的创新产出水平具有显著的正向影响,表明区域外的市场需求一定程度上推动了本地的创新产出。城市经济发展水平对城市创新产出的影响,在1%的水平上显著,体现了城市经济体量对于本地区创新产出有一定推动作用。
4 结论与启示本文研究了不同类型的技术知识多样化对地方创新产出的影响,并借助空间杜宾模型探讨了其对邻近地区创新产出的空间效应。研究发现,相关多样化对于城市创新产出具有显著的正向影响,说明区域创新经济活动普遍受本区域相关多样化的影响,且地方技术知识的相关多样化能够有效促进本区域的创新产出;非相关多样化对于城市创新的影响呈现倒U型关系,说明适当的非相关多样化会通过知识重组推动本地创新,而过度的非相关多样化则会限制知识溢出,从而不利于本地创新;从空间溢出效应角度看,相邻地区技术知识的相关多样化不利于本地创新,可能原因为本地与相邻地区创新领域自成体系,限制了彼此之间的创新合作和知识共享,进而不利于区域整体的创新产出。
本文是目前国内经济地理学最早分析知识多样化与区域创新产出关系的研究之一。此前的研究更多关注产业多样化对区域经济发展和区域韧性的影响,对区域创新和技术多样化的关注不多。而创新不仅是区域发展的重要推动力,也是经济地理学重点研究的方向,值得未来更多研究关注。本研究在借鉴Frenken等关于相关多样化与非相关多样化对区域经济发展影响的研究基础上,构建了技术多样化影响区域创新产出的理论框架,细化了地理分布对创新产出影响的理论分析。具体而言,地方内部相关多样化程度较高的创新主体通过分享共通知识,形成地理邻近与知识结构邻近的叠加效应,从而推动创新产出。这与Hidalgo等提出的相关性原则一致[7],应该经得起未来在其他地区的实证检验。不过,非相关多样化的效应不确定。虽然非相关多样化的技术门类之间存在一定的互补性,能够促进知识重组和激进式创新[41],但是正如郎咸平等对公司多样化扩张效果的批评[42],过度的技术非相关多样化会阻碍创新。此外,本文运用了最近几年兴起的空间杜宾模型,进一步探讨了邻近地区多样化对本地创新产出的影响,对邻近地区多样化对本地创新产出的效应进行了研究。这一方法不仅降低了忽略空间自相关效应而对分析结果造成的估算偏误,而且能够更好地揭示创新的空间交互作用和区域溢出效应。当然,本文对技术多样化与创新产出关系的研究还有待未来研究进一步拓展。一方面,从理论上应该进一步揭示相关与非相关多样化和本地与邻近地区多样化程度对本地创新的影响机制;另一方面,从方法上应该进一步拓展捕捉、刻画相关多样性和空间溢出效应的模型方法,尤其可以通过结合网络分析方法细化空间溢出的具体通道[43]。
本研究的结果对于长三角地区推动城市和区域创新产出也具有重要的政策启示:首先,应支持与区域已有技术相关度高的知识分支进行深化探究,引导区域创新水平的进一步提高。考虑到长三角地区各城市的相关多样化对本地创新产出具有积极影响,各区域在制定产业发展政策和推动创新产出中应该围绕当前的优势产业和技术门类,积极发展相近技术门类的产业,并促进区域内部相似技术门类创新主体之间的沟通和合作,提高区域创新效率,提升市场竞争力。其次,应控制区域同时进行多门类技术创新,引导区域创新高质量发展。由于知识技术的非相关多样化与地区创新产出呈现倒U型关系,因此,地方在推动创新时需要保持谨慎的态度,不能盲目推广尝试新兴科技方向,尤其不能同时扩展到多个不相关的技术门类,以防出现技术方向过于分散而阻碍区域创新的进一步发展。最后,促进长三角地区知识和技术的跨区域协同合作,形成长三角地区整体创新产出的最优解。目前长三角地区技术多样化水平差异较大,一线城市知识技术的相关多样化和非相关多样化水平都比较高。根据本文研究结论,邻近地区的非相关多样化对本地创新无显著影响、邻近地区的相关多样化高反而会阻碍本地创新。因此,未来推进长三角各城市之间的分工协作中,应综合考虑区域的空间、技术知识的差异,促进区域内部协同发展和高质量发展。
[1] |
成长春. 长江经济带协调性均衡发展的战略构想[J]. 南通大学学报(社会科学版), 2015, 31(1): 1-8. [Cheng Changchun. The overall framework and strategy of the Yangtze River Economic Zone's coordinated equilibrium development[J]. Journal of Nantong University (Social Sciences Edition), 2015, 31(1): 1-8.] |
[2] |
贺灿飞, 谢秀珍. 中国制造业地理集中与省区专业化[J]. 地理学报, 2006, 61(2): 212-222. [He Canfei, Xie Xiuzhen. Geographical concentration and provincial specialization of Chinese manufacturing industries[J]. Acta Geographica Sinica, 2006, 61(2): 212-222.] |
[3] |
周灿, 曾刚. 经济地理学视角下产业集群研究进展与展望[J]. 经济地理, 2018, 38(1): 11-19. [Zhou Can, Zeng Gang. Progress and prospect of international research on industrial cluster:A perspective from economic geography[J]. Economic Geography, 2018, 38(1): 11-19.] |
[4] |
Boschma R. Proximity and innovation:A critical assessment[J]. Regional Studies, 2005, 39(1): 61-74. DOI:10.1080/0034340052000320887 |
[5] |
Frenken K, Van Oort F, Verburg T. Related variety, unrelated variety and regional economic growth[J]. Regional Studies, 2007, 41(5): 685-697. DOI:10.1080/00343400601120296 |
[6] |
Boschma R, Iammarino S. Related variety, trade linkages, and regional growth in Italy[J]. Economic Geography, 2009, 85(3): 289-311. DOI:10.1111/j.1944-8287.2009.01034.x |
[7] |
Hidalgo C A, Hausmann R. The building blocks of economic complexity[J]. Proceedings of the National Academy of Sciences of the United States of America, 2009, 106(26): 10570-10575. DOI:10.1073/pnas.0900943106 |
[8] |
孙晓华, 柴玲玲. 相关多样化、无关多样化与地区经济发展——基于中国282个地级市面板数据的实证研究[J]. 中国工业经济, 2012(6): 5-17. [Sun Xiaohua, Chai Linging. Related diversification, unrelated diversification and regional economic development:Evidences from panel data on China's 282 prefecture-level city[J]. China Industrial Economics, 2012(6): 5-17.] |
[9] |
魏玮, 周晓博, 牛林祥. 产业多样化、职能专业化与城市经济发展——基于长三角和中原城市群面板数据的分析[J]. 财经论丛, 2015(11): 3-9. [Wei Wei, Zhou Xiaobo, Niu Linxiang. Industrial diversification, functional specialization and urban economic development:An empirical analysis based on the panel data of Yangtze River Delta and Zhongyuan urban agglomeration[J]. Collected Essays on Finance and Economics, 2015(11): 3-9.] |
[10] |
刘修岩, 吴燕. 出口专业化、出口多样化与地区经济增长——来自中国省级面板数据的实证研究[J]. 管理世界, 2013(8): 30-40. [Liu Xiuyan, Wu Yan. The specialization of export, the diversification of export, and the growth of the regional economy:A case study based on the panel data of china's provinces and cities of the provincial levels[J]. Management World, 2013(8): 30-40.] |
[11] |
李振发, 贺灿飞, 黎斌. 中国出口产品地区专业化[J]. 地理科学进展, 2018, 37(7): 963-975. [Li Zhenfa, He Canfei, Li Bin. Regional specialization of China's export products[J]. Progress in Geography, 2018, 37(7): 963-975.] |
[12] |
Boschma R, Balland P A, Kogler D F. Relatedness and technological change in cities:The rise and fall of technological knowledge in US metropolitan areas from 1981 to 2010[J]. Industrial and Corporate Change, 2015, 24(1): 223-250. DOI:10.1093/icc/dtu012 |
[13] |
Neffke F, Henning M, Boschma R. How do regions diversify over time? Industry relatedness and the development of new growth paths in regions[J]. Economic Geography, 2011, 87(3): 237-265. DOI:10.1111/j.1944-8287.2011.01121.x |
[14] |
Aarstad J, Kvitastein O A, Jakobsen S E. Related and unrelated variety as regional drivers of enterprise productivity and innovation:A multilevel study[J]. Research Policy, 2016, 45(4): 844-856. DOI:10.1016/j.respol.2016.01.013 |
[15] |
Ejermo O. Technological diversity and Jacobs' externality hypothesis revisited[J]. Growth and Change, 2005, 36(2): 167-195. DOI:10.1111/j.1468-2257.2005.00273.x |
[16] |
Huallachain B O, Lee D S. Technological specialization and variety in urban invention[J]. Regional Studies, 2011, 45(1): 67-88. DOI:10.1080/00343404.2010.486783 |
[17] |
Kogler D, Rigby D, Tucker I. Mapping knowledge space and technological relatedness in US cities[J]. European Planning Studies, 2013, 21(9): 1374-1391. DOI:10.1080/09654313.2012.755832 |
[18] |
苏楠, 肖晓勇, 宋来胜. 外部知识、本地知识多样化类型对地区创新能力影响的实证研究——基于2000年-2011年的动态面板数据的广义矩分析[J]. 经济经纬, 2016, 33(5): 19-23. [Su Nan, Xiao Xiaoyong, Song Laisheng. The impacts of external and different types of knowledge diversity to the regional innovative ability:GMM estimation based on dynamic panel-data model during 2000-2011[J]. Economic Survey, 2016, 33(5): 19-23.] |
[19] |
Cooke P. To construct regional advantage from innovation systems first build policy platforms[J]. European Planning Studies, 2007, 15(2): 179-194. DOI:10.1080/09654310601078671 |
[20] |
Desrochers P, Leppala S. Industrial symbiosis:Old wine in recycled bottles? Some perspective from the history of economic and geographical thought[J]. International Regional Science Review, 2010, 33(3): 338-361. DOI:10.1177/0160017610375441 |
[21] |
曾刚, 王丰龙. 长三角区域城市一体化发展能力评价及其提升策略[J]. 改革, 2018(12): 103-111. [Zeng Gang, Wang Fenglong. Evaluation and promotion strategies of urban integration development capability in the Yangtze River Delta region[J]. Reform, 2018(12): 103-111.] |
[22] |
Essletzbichler J. Relatedness, industrial branching and technological cohesion in US metropolitan areas[J]. Regional Studies, 2015, 49(5): 752-766. DOI:10.1080/00343404.2013.806793 |
[23] |
Krugman P. Increasing returns and economic-geography[J]. Journal of Political Economy, 1991, 99(3): 483-499. DOI:10.1086/261763 |
[24] |
Marshall A. Principles of Economics[M]. London: Macmillan, 1890: 6-13.
|
[25] |
Jacobs J. The Economies of Cities[M]. New York: Vintage Books, 1969: 55-57.
|
[26] |
Castaldi C, Frenken K, Los B. Related variety, unrelated variety and technological breakthroughs:An analysis of us state-level patenting[J]. Regional Studies, 2015, 49(5): 767-781. DOI:10.1080/00343404.2014.940305 |
[27] |
Balland P A, Boschma R, Crespo J, et al. Smart specialization policy in the European Union:Relatedness, knowledge complexity and regional diversification[J]. Regional Studies, 2019, 53(9): 1252-1268. DOI:10.1080/00343404.2018.1437900 |
[28] |
赵落涛, 曹卫东, 魏冶, 等. 泛长三角人口流动网络及其特征研究[J]. 长江流域资源与环境, 2018, 27(4): 705-714. [Zhao Luotao, Cao Weidong, Wei Ye, et al. A study on population flow network and its characteristics in Pan-Yangtze River Delta[J]. Resources and Environment in the Yangtze Basin, 2018, 27(4): 705-714.] |
[29] |
Van Stel A J, Nieuwenhuijsen H R. Knowledge spillovers and economic growth:An analysis using data of Dutch regions in the period 1987-1995[J]. Regional Studies, 2004, 38(4): 393-407. DOI:10.1080/03434002000213914 |
[30] |
毛琦梁, 王菲. 地区比较优势演化的空间关联:知识扩散的作用与证据[J]. 中国工业经济, 2018(11): 136-154. [Mao Qiliang, Wang Fei. Spatial correlation in evolution of regional comparative advantages:Evidence on the impact of knowledge diffusion[J]. China Industrial Economics, 2018(11): 136-154.] |
[31] |
Ward M D, Gleditsch K S. Spatial Regression Models[M]. New York: Sage Publications, 2008: 35-86.
|
[32] |
Jaffe A B, Trajtenberg M, Henderson R. Geigraphic localization of knowledge spillovers as evidenced by paten citations[J]. Quarterly Journal of Economics, 1993, 108(3): 577-598. DOI:10.2307/2118401 |
[33] |
Hall B, Trajtenberg M, Jaffe A B. The NBER Patent Citation Data File:Lessons, Insights and Methodological Tools[M]. MA: MIT Press, 2002: 403-459.
|
[34] |
Bartholomew D J, Theil H. Statistical decomposition analysis with application in the social and administrative sciences[J]. Journal of the Royal Statistical Society, 1973, 136(3): 462. DOI:10.2307/2345011 |
[35] |
王丰龙, 曾刚, 周灿, 等. 中国地方政府科技财政支出对企业创新产出的影响研究——来自工业企业数据库的证据[J]. 地理科学, 2017, 37(11): 1632-1639. [Wang Fenglong, Zeng Gang, Zhou Can, et al. Effects of local expenditure for science and technology on firm innovation:Evidence from chinese industrial enterprises database[J]. Scientia Geographica Sinica, 2017, 37(11): 1632-1639.] |
[36] |
Feldman M P. Location and innovation:The new economic geography of innovation, spillovers, and agglomeration[J]. The Oxford Handbook of Economic Geography, 2000(1): 373-395. |
[37] |
李二玲, 崔之珍. 中国区域创新能力与经济发展水平的耦合协调分析[J]. 地理科学, 2018, 38(9): 1412-1421. [Li Erling, Cui Zhizhen. Coupling coordination between China's regional innovation capability and economic development[J]. Scientia Geographica Sinica, 2018, 38(9): 1412-1421.] |
[38] |
Cortinovis N, van Oort F. Variety, economic growth and knowledge intensity of European regions:A spatial panel analysis[J]. Annals of Regional Science, 2015, 55(1): 7-32. DOI:10.1007/s00168-015-0680-2 |
[39] |
刘修岩, 王璐. 集聚经济与企业创新——基于中国制造业企业面板数据的实证研究[J]. 产业经济评论, 2013, 12(3): 35-53. [Liu Xiuyan, Wang Lu. Agglomeration economics and firm innovation practices:Evidence from chinese manufacturing enterpris[J]. Review of Industrial Economics, 2013, 12(3): 35-53.] |
[40] |
汪浩瀚, 徐建军. 市场潜力、空间溢出与制造业集聚[J]. 地理研究, 2018, 37(9): 1736-1750. [Wang Haohan, Xu Jianjun. Market potential, spatial spillover and manufacturing industry agglomeration[J]. Geographical Research, 2018, 37(9): 1736-1750.] |
[41] |
Broekel T, Boschma R. Knowledge networks in the Dutch aviation industry:The proximity paradox[J]. Journal of Economic Geography, 2012, 12(2): 409-433. DOI:10.1093/jeg/lbr010 |
[42] |
Lang L H P, Stulz R M. Tobin's q, corporate diversification, and firm performance[J]. Journal of Political Economy, 1994, 102(6): 1248-1280. DOI:10.1086/261970 |
[43] |
Lin L, Wang F. Geographical proximity vs network tie:Innovation of equipment manufacturing firms in Shanghai, China[J]. Erdkunde, 2019, 73(3): 185-198. |