王 嶠 劉修巖 陳 露

一、引言

在過去的四十多年，中國城市化快速推進，城市高密度緊湊化發(fā)展趨勢愈發(fā)明顯，涌現(xiàn)出北京、上海、深圳等特大城市，也形成了中關(guān)村、深圳粵海、張江高科、武漢光谷等一大批高密度的創(chuàng)新街(園)區(qū)。因此，城市集聚不僅表現(xiàn)在城市整體密度的提升，也表現(xiàn)為因城市內(nèi)部各個經(jīng)濟活動中心形成而導致的街區(qū)密度增加。在經(jīng)濟較為發(fā)達的美國，小型高密度街區(qū)如硅谷(Silicon Valley)等是較為突出的技術(shù)創(chuàng)新中心，紐約硅巷等創(chuàng)新街區(qū)也集合了大量創(chuàng)新知識流。在中國，中關(guān)村、蘇州工業(yè)園區(qū)等園區(qū)初具規(guī)模，深圳的粵海街道云集了華為、大疆、中興等高技術(shù)創(chuàng)新企業(yè)，逐步成為城市內(nèi)部創(chuàng)新街區(qū)的代表。這些城市內(nèi)部的創(chuàng)新中心不斷集聚與擴張，形成了知識溢出集合。高密度發(fā)展意味著單位空間吸收的生產(chǎn)要素較多，生產(chǎn)主體能夠更加方便地接觸到各種要素，有利于生產(chǎn)主體間的知識溢出。對這個方面的研究能夠促使政策制定者在考慮城市長期增長時明確技術(shù)進步這一目標，從街區(qū)視角深入考慮集聚經(jīng)濟，識別與解釋對集聚經(jīng)濟可能產(chǎn)生的利于創(chuàng)新的外部性，并制定針對性的政策。在中國，城市化完成度較高的城市相對較少，大部分城市依然處于中小規(guī)模，且依然處于要素由中小城市向大型、超大型城市集聚的態(tài)勢。如果盲目強調(diào)城市整體層面的高密度發(fā)展，一方面，對于大城市而言，其享受集聚正外部性的同時容易衍生出集聚不經(jīng)濟，且大城市面臨擴張的橫向與縱向空間約束，難以從整體層面挖掘集聚優(yōu)勢；另一方面，對于中小城市而言，城市之間的要素流動趨勢導致其難以形成整體層面的高密度進而衍生出規(guī)模效應。因此，研究城市內(nèi)部的局部高密度發(fā)展是十分必要的。

眾多學者圍繞城市密度導致的正外部性與額外成本展開了廣泛討論(Combes 等，2012；Henderson 等，2019)，普遍強調(diào)密度較大的城市能夠提升生產(chǎn)力和創(chuàng)新能力、改善獲得商品和服務(wù)的機會、鼓勵更加節(jié)能的交通方式以及共享稀缺的城市便利設(shè)施等(Duranton 和Turner，2018)，但密度提升與土地混合利用也會導致地價與房價受到一定推升，且高密度可能衍生出擁堵甚至疾病快速傳播(Xiao 等，2021)等城市問題。部分學者從密度的正外部性出發(fā)，圍繞密度與城市技術(shù)進步的關(guān)系展開了大量研究?；诔鞘袑用娴拿芏扰c專利等創(chuàng)新數(shù)據(jù)的分析發(fā)現(xiàn)，高密度城市往往擁有較強的創(chuàng)新強度與知識溢出(Carlino 等，2007；王永進和張國鋒，2015；Ahfeldt 和Pietrostefani，2019)。

本文的邊際貢獻分為理論與現(xiàn)實兩個方面。理論方面，本文嘗試對國內(nèi)外學者廣泛討論的城市密度與創(chuàng)新這一領(lǐng)域進行進一步拓展，從既有研究較少涉及的城市內(nèi)部街區(qū)這一視角切入，嘗試盡可能剝離集聚中的共享與匹配機制，更為細致地觀測高密度發(fā)展導致的技術(shù)外溢改善效應，結(jié)合既有的經(jīng)典理論與多種微觀數(shù)據(jù)識別出城市內(nèi)部高密度發(fā)展知識溢出行為的因果效應?，F(xiàn)實方面，本文的研究為城市如何在既有的橫向擴張范圍內(nèi)進行進一步集約化發(fā)展提供了有益的參考。當前中國諸多大型、超大型城市的向外橫向擴張趨勢因建設(shè)用地資源約束受到限制，且城市內(nèi)部正逐漸形成一批技術(shù)與經(jīng)濟集聚中心。本文嘗試在城市內(nèi)部的街區(qū)尺度分析當前中國城市內(nèi)局部化縱向開發(fā)模式的經(jīng)濟效益，對既有的城市局部化開發(fā)模式進行較為系統(tǒng)的評估，從而為未來面臨向外擴張約束的大中型城市進行集約化發(fā)展提供一定的學術(shù)參考與依據(jù)。而對于中小型城市，本文的系統(tǒng)化分析也能夠為其在城市化進程尚未成熟的階段如何進行高質(zhì)量發(fā)展提供較為清晰的思路。

本文基于街區(qū)尺度密度促進企業(yè)創(chuàng)新的理論機制，結(jié)合中國專利信息、工業(yè)企業(yè)數(shù)據(jù)庫以及LandScan 人口分布數(shù)據(jù)等微觀數(shù)據(jù)來識別城市密度產(chǎn)生的創(chuàng)新外部性，并檢驗內(nèi)在機制。研究結(jié)果表明，首先，密度發(fā)揮著顯著正外部性作用，能夠促進企業(yè)專利水平的提升。平均而言，企業(yè)周圍五千米范圍內(nèi)人口密度每提升1%，其專利數(shù)量可提升0.0119%，說明城市密度對企業(yè)創(chuàng)新的正外部性。勞動力規(guī)模相對較大的企業(yè)受到正向影響更強，生產(chǎn)率較高企業(yè)也更易捕捉城市密度的好處；此外，隨著企業(yè)所在行業(yè)成熟度的提高，企業(yè)從高密度發(fā)展中獲得的正外部性呈現(xiàn)先上升后下降的倒U 形關(guān)系，且技術(shù)密集型行業(yè)內(nèi)企業(yè)對城市密度正向影響更為敏感。隨著城市的擴張與城市化的推進，城市面臨形態(tài)松散化及多中心分化的發(fā)展態(tài)勢，企業(yè)周邊的高密度發(fā)展能夠有效幫助企業(yè)凝結(jié)創(chuàng)新要素，減緩分散化趨勢的危害。其次，密度產(chǎn)生的創(chuàng)新外部性存在空間衰減效應，即創(chuàng)新溢出會隨著地理距離的增加而衰減，街區(qū)之間難以形成有效溢出。企業(yè)周圍的企業(yè)高密度發(fā)展和勞動力高密度發(fā)展均能夠顯著促進創(chuàng)新，而企業(yè)密度導致的相互交流對創(chuàng)新尤為重要，創(chuàng)新型企業(yè)與勞動力密度能夠發(fā)揮較大效用。企業(yè)周圍專利活動的高密度發(fā)展能夠直接催生知識溢出效應，刺激企業(yè)對創(chuàng)新知識流的吸收與學習，幫助企業(yè)在本地較為便捷地尋找創(chuàng)新所需的知識流，緩解地理距離帶來的知識溢出衰減效應。對于中心企業(yè)而言，與同行業(yè)相比，跨行業(yè)企業(yè)、勞動力與專利密度所產(chǎn)生的溢出效應更強。

二、文獻綜述與理論分析

既有研究主要討論了城市內(nèi)部高人口密度發(fā)展可能導致的正外部性與負外部性，其核心理論支撐依然圍繞城市內(nèi)集聚經(jīng)濟展開(Duranton 和Turner，2018)。而本文選取的主要研究點是城市內(nèi)部的街區(qū)密度，以刻畫當前中國城市發(fā)展過程中城市內(nèi)局部的人口、企業(yè)和專利等方面的高密度發(fā)展對知識溢出活動的正向影響。大量國內(nèi)外學者圍繞城市層面人口和勞動力密度，分析城市平均意義上的高密度發(fā)展對創(chuàng)新水平的影響(Andersson 等，2005；王永進和張國鋒，2015)。Carlino 等(2007)集中分析了城市層面的就業(yè)密度和城市規(guī)模如何影響城市創(chuàng)新績效，并嘗試分析高密度促進知識溢出這一核心機制。Lobo 和Strumsky (2008)將研究視角轉(zhuǎn)換為城市發(fā)明者密度，研究了1977—2002 年發(fā)明者呈現(xiàn)高密度集聚對大都市專利申請數(shù)量的影響。Hamidi 和Zandiatashbar (2019)從區(qū)域及街區(qū)兩個層面，結(jié)合人口密度考察城市內(nèi)部人口集聚對創(chuàng)新的影響，雖然其將城市內(nèi)部的街區(qū)尺度納入密度對創(chuàng)新的影響分析框架中，但缺乏進一步的細化分析與機制探討。知識溢出具有空間局部性，較為依賴空間漸進性，故現(xiàn)實中的知識溢出活動往往高度集中于城市內(nèi)部。

總體而言，既有研究存在可以拓展之處:第一，現(xiàn)有研究主要關(guān)注城市層面的密度影響，少有研究直接測度城市內(nèi)部街區(qū)尺度高密度發(fā)展對創(chuàng)新的影響(Duranton 和Kerr，2015)。現(xiàn)有文獻大多以城市層面行政區(qū)劃內(nèi)單位面積上的人口或勞動力作為城市密度，更多的是捕捉空間一般均衡條件下的城市規(guī)模效應，而非知識溢出導致的創(chuàng)新增長效應，難以準確反映城市集聚現(xiàn)狀。第二，城市整體層面的分析范圍較為廣泛，可能會對城市內(nèi)部局部溢出的渠道分析與探索有所限制(Li 等，2020)。這是因為，知識和信息交流的收益在一定程度上依賴于近距離的面對面接觸，知識溢出行為高度局限于城市內(nèi)部，尤其是較小的空間尺度，鮮有研究嘗試直接通過捕捉密度對企業(yè)間互動的影響來解釋核心機制。第三，基于傳統(tǒng)城市間比較的分析框架難以科學且綜合識別城市密度對創(chuàng)新的因果效應。基于城市層面密度的分析能夠觀測到的干擾因素有限，而從城市內(nèi)部考量密度可以控制更多微觀特征，緩解遺漏變量帶來的內(nèi)生性問題。

城市高密度發(fā)展并非僅僅是人口密度的攀升，還有企業(yè)、勞動力、創(chuàng)新等多個方面的高密度集聚，而城市內(nèi)部高密度發(fā)展導致的知識溢出正外部性對研發(fā)和創(chuàng)新尤為重要。城市內(nèi)部的學習效應和知識溢出可以不斷提升人力資本水平，加快新思想的產(chǎn)生，產(chǎn)生知識溢出，有助于提升創(chuàng)新生產(chǎn)力。新思想的誕生在很大程度上依賴編碼型知識和隱性知識的傳播與交流，編碼型知識可以通過通信手段流動，受集聚影響較?。欢[性知識的擴散主要依賴于面對面交流(Rosenthal 和Strange，2008)。對于企業(yè)創(chuàng)新而言，城市密度的外部性雖然會反映在城市整體層面，但更多地體現(xiàn)在城市內(nèi)部街區(qū)尺度的密度上，尤其是知識溢出。傳統(tǒng)的集聚經(jīng)濟理論強調(diào)高密度集聚能夠形成知識溢出、共享和匹配(Duranton 和Puga，2001)三種正向外部性。共享與匹配主要體現(xiàn)在城市整體層面，企業(yè)之間的風險分擔以及勞動力與企業(yè)的匹配需要以城市整體規(guī)模的提升為基礎(chǔ)，企業(yè)可以在城市整體范圍內(nèi)或者跨越城市邊界搜尋共享與匹配的目標，其受到地理鄰近性的影響相對較小。知識溢出依賴于面對面交流，知識不但需要在城市內(nèi)部形成有效交流，還需要在近距離的交談中形成高頻率的“碰撞”。一項專利的發(fā)明人更有可能引用周圍企業(yè)或個人的專利(Jaffe 等，1993)，研發(fā)活動中的部分流程、技術(shù)可能受到周圍研發(fā)活動的啟發(fā)。在街區(qū)尺度內(nèi)，研發(fā)活動集聚能夠促進高效率知識流的運轉(zhuǎn)，從事研發(fā)活動的企業(yè)以及勞動力是研發(fā)溢出的主要來源及高質(zhì)量知識的集合，能夠為其他企業(yè)帶來大量的創(chuàng)新機遇。知識溢出活動存在空間衰減的特性(Kerr 和Kominers，2015)，而城市內(nèi)部往往也會出現(xiàn)較長通勤距離(Xiao 等，2021)，企業(yè)與其他集聚區(qū)域企業(yè)之間的內(nèi)部距離難以保持普遍的鄰近性。城市內(nèi)部街區(qū)之間交流頻率相對較低，在給定通信與交通基礎(chǔ)設(shè)施的情況下，人與人之間的交流、企業(yè)與企業(yè)之間的互動、技術(shù)與技術(shù)之間的碰撞主要集中于單一街區(qū)內(nèi)部，即知識溢出存在顯著的本地化特征。因此，基于街區(qū)尺度開展分析有助于本文剝離出集聚趨勢下的知識溢出機制。

企業(yè)是創(chuàng)新的主體，會主動甄別與自身創(chuàng)新有關(guān)的外部性，企業(yè)間建立的合作關(guān)系能夠直接地傳導知識溢出(Henderson，2003)；而勞動力之間的交流，通過學習獲得知識儲備需要較長時間，難以在短期獲得效益。勞動力集聚更多的是提供勞動力池效應，為勞動力提供就業(yè)的通勤便利性，而這一效應在較小的街區(qū)尺度上可能并不明顯。企業(yè)自身的特征如所處市場地位、規(guī)模、生產(chǎn)率也會使得其受到密度的影響存在差異，在市場中不斷有新的進入者，密度較高的城市或是街區(qū)可能會吸引新的進入者，而由于沉沒成本較低，進入者對創(chuàng)新活動激勵相對較高，從而使得城市密度的效應產(chǎn)生差異(王永進和張國峰，2015)。此外，交通基礎(chǔ)設(shè)施能夠在一定程度上加強城市內(nèi)部的連通性，減小通勤成本同時促進知識溢出，從而改進城市內(nèi)部地理空間因素帶來的知識流擴散衰減現(xiàn)象。而在街區(qū)內(nèi)部，公共交通設(shè)施的引入能夠大大加強街區(qū)內(nèi)部的可達性，使得街區(qū)內(nèi)部能夠通過交通設(shè)施實現(xiàn)交流，加強街區(qū)之間的進一步互動。從行業(yè)層面來看，一方面，企業(yè)能夠從同行業(yè)內(nèi)以及不同行業(yè)間汲取創(chuàng)新養(yǎng)分，不同行業(yè)間的溢出效應有助于推動不同部門之間相互借鑒工藝從而促進創(chuàng)新。企業(yè)接觸不同行業(yè)的新思想，能夠增加知識廣度，促成自身技術(shù)的突破。另一方面，雖然同行業(yè)集聚能夠加快專業(yè)化知識傳播，但同行業(yè)內(nèi)部可能存在的知識固化以及較為激烈的同行競爭也可能阻礙創(chuàng)新的發(fā)生(Boschma 和Lambooy，2002)。此外，企業(yè)所屬行業(yè)的差異如成熟度、技術(shù)密集度等特性也會左右其對集聚效應的汲取(王嶠等，2021)。當前中國城市化處于快速推進的關(guān)鍵階段，不同城市在擴張過程中空間發(fā)展模式存在差異，而這一差異可能引起創(chuàng)新個體對高密度發(fā)展與溢出依賴性的差異。綜上，我們提出本文的主要假說。

假說1:街區(qū)尺度形成高密度發(fā)展能夠提升企業(yè)的創(chuàng)新績效，其相比城市整體層面的集聚趨勢更為重要。

假說2:街區(qū)尺度高密度的作用機制在于，本地化尺度上的高密度發(fā)展能夠縮短創(chuàng)新個體間的地理距離，增加知識溢出的頻率，刺激新知識的產(chǎn)生。

三、識別策略與數(shù)據(jù)

(一)識別策略

本文著重對街區(qū)尺度密度進行創(chuàng)新效應識別，以分析較小尺度的高密度發(fā)展是否能發(fā)揮 正 外 部 性 (Duranton 和Turner，2018；Duranton 和Puga，2020；Henderson 等，2019)。我們將街區(qū)密度導致的創(chuàng)新外部性納入集聚經(jīng)濟函數(shù)中，構(gòu)造以下模型:

其中，m表示企業(yè)個體，p表示企業(yè)所在省份，c表示企業(yè)所在城市，d則為企業(yè)所在區(qū)縣；lninnovationmt表示企業(yè)層面創(chuàng)新水平的對數(shù)形式；densitymt表示街區(qū)密度，從企業(yè)—街區(qū)層面進行考量；Ζpt表示省份層面隨時間變化的特征，包括省份—時間交乘固定效應；λct代表城市層面隨時間變化的特征，包括城市—時間交乘固定效應；Xdt表示區(qū)縣層面隨時間變化的特征，包括區(qū)縣—時間交乘固定效應；φm為企業(yè)層面固定效應，控制企業(yè)層面難以觀測的固定特征；Ymt代表企業(yè)層面創(chuàng)新投入使用的其他特征，我們需要關(guān)注回歸后densitymt的系數(shù)；εmpcdt為隨機誤差項。

(二)變量、數(shù)據(jù)與處理①因篇幅所限，本文省略了主要變量含義及描述性統(tǒng)計，感興趣的讀者可在《經(jīng)濟科學》官網(wǎng)論文頁面“附錄與擴展” 欄目下載。

(1)創(chuàng)新。本文從創(chuàng)新產(chǎn)出角度來測度企業(yè)層面創(chuàng)新水平，選取企業(yè)每年經(jīng)過申請且截至2019 年(本文所獲取的所有專利信息均截至2019 年)已獲授權(quán)的專利數(shù)量作為創(chuàng)新績效衡量指標，將其加1 后取自然的對數(shù)構(gòu)建變量ln(patent＋1)。專利數(shù)量通過匹配中國工業(yè)企業(yè)數(shù)據(jù)庫和國家知識產(chǎn)權(quán)局發(fā)布的專利信息并計算得出。我們使用中國企業(yè)專利數(shù)據(jù)庫中關(guān)于企業(yè)已授權(quán)的專利文件，將這些專利文件與中國工業(yè)企業(yè)數(shù)據(jù)庫中的企業(yè)進行匹配，將企業(yè)名稱與法人代碼和專利信息中的第一申請人進行對應匹配。在匹配過程中，我們對工業(yè)企業(yè)名稱與企業(yè)法人代碼進行篩選處理，將兩個信息中包含的可能影響后續(xù)匹配的非正常信息予以剔除，比如將企業(yè)名稱中包含的諸如“有限責任公司”、“集團” 以及“廠” 等字段信息全部剔除，僅保留工業(yè)企業(yè)名稱中較為關(guān)鍵的所屬地區(qū)、企業(yè)主要產(chǎn)品、企業(yè)核心名稱等字段信息，保證匹配的準確性。最后，我們針對每一個匹配完成的工業(yè)企業(yè)以及其名下專利文件，采取逐年計數(shù)的方式計算每個企業(yè)每年專利申請數(shù)量以及已授權(quán)專利數(shù)量。

(2)街區(qū)尺度密度?；诔鞘袃?nèi)部街區(qū)尺度密度，我們考察城市密度與企業(yè)創(chuàng)新之間關(guān)系，思路是以企業(yè)為中心圈定一個街道尺度大小的圓形區(qū)域，測度該區(qū)域內(nèi)的平均密度。參考Duranton 和Turner (2018)及Henderson 等(2019)對于街區(qū)尺度的劃分方法，我們以企業(yè)周圍五千米范圍內(nèi)平均密度的自然對數(shù)作為城市內(nèi)部密度的指標。這一密度由LandScan 人口分布數(shù)據(jù)計算得來，該數(shù)據(jù)主要囊括了城市內(nèi)部24 小時平均人口分布狀況，能夠捕捉到城市內(nèi)部平均柵格層面不同經(jīng)濟活動中的人口數(shù)量，基于該數(shù)據(jù)能夠觀察企業(yè)所處環(huán)境的密度分布。②LandScan 全球人口動態(tài)分布數(shù)據(jù)由美國能源部橡樹嶺實驗室(ORNL)開發(fā)，其根據(jù)各地的人口普查數(shù)據(jù)、行政區(qū)劃數(shù)據(jù)、Landsat TM 影像數(shù)據(jù)、道路、高程、坡度、海岸線數(shù)據(jù)和高分辨率的衛(wèi)星影像及夜間燈光數(shù)據(jù)，采用地理信息系統(tǒng)、遙感影像與多元分區(qū)密度模型相結(jié)合的方法，生成世界范圍內(nèi)30 秒分辨率的活動人口分布數(shù)據(jù)庫。該數(shù)據(jù)庫地址為:https://landscan.ornl.gov。計算之前我們將工業(yè)企業(yè)所有對應地址信息進行了搜集與處理，主要針對企業(yè)地址信息結(jié)合百度地圖搜索接口(API)以及高德地圖API進行經(jīng)緯度的搜索匹配，識別具體的經(jīng)緯度信息。最后通過Arcgis 將LandScan 數(shù)據(jù)與工業(yè)企業(yè)數(shù)據(jù)進行匹配，以工業(yè)企業(yè)為中心畫緩沖圈，緩沖圈內(nèi)的人口柵格則為本文需要提取的人口數(shù)據(jù)單元。我們剔除了人口為0 的數(shù)據(jù)單元，然后將這些柵格進行人口加總并求取平均密度。

(3)企業(yè)特征。我們在模型中加入企業(yè)年齡的自然對數(shù)(age)，以控制企業(yè)層面成熟度所帶來的干擾，且加入了企業(yè)年齡二次項(age2)進一步控制企業(yè)層面可能存在的企業(yè)自身年齡這一特征帶來的非線性沖擊；加入企業(yè)員工人數(shù)自然對數(shù)(size)，一方面用于控制企業(yè)的規(guī)模因素并加入其二次項(size2)控制人員規(guī)模特征潛在的非線性擾動沖擊，另一方面用于控制企業(yè)層面針對創(chuàng)新的勞動力投入；加入企業(yè)層面的勞均資產(chǎn)自然對數(shù)(assetp)，用于控制企業(yè)層面的創(chuàng)新資本投入；加入企業(yè)層面勞均營業(yè)收入自然對數(shù)(incomep)，用于控制企業(yè)層面的勞動生產(chǎn)率，進而剝離企業(yè)層面一些與創(chuàng)新可能相關(guān)的隨時間變化的擾動沖擊。最終，針對工業(yè)企業(yè)的總體樣本進行處理，我們保留2000—2013 年的企業(yè)樣本，同時剔除其中企業(yè)層面各項變量缺失、銷售收入小于2 000萬元(樣本數(shù)據(jù)包括了2011 年前后的樣本，我們統(tǒng)一將規(guī)模以上企業(yè)的條件調(diào)整至2011年的2 000 萬元準入標準)、從業(yè)人員小于30 人等不符合規(guī)模以上條件的樣本，并剔除了企業(yè)年齡出現(xiàn)異常樣本。

(4)城市特征。在識別過程中還需要剝離城市層面對企業(yè)創(chuàng)新可能產(chǎn)生影響的其他擾動因素，因此我們控制了城市層面人均生產(chǎn)總值自然對數(shù)(gdppercapita)，城市中每萬人高校在校生人數(shù)自然對數(shù)(edu)，人均道路面積自然對數(shù)(proadpercapita)，城市開通人均地鐵站數(shù)量的自然對數(shù)(subpercapita)，城市政府R＆D 支出占比(rd)，這部分特征主要來源為《中國城市統(tǒng)計年鑒》。針對2000—2013 年樣本集，我們搜索了其中與企業(yè)創(chuàng)新有關(guān)的部分特征并進行了提取。

四、實證檢驗

(一)基準回歸

基準部分的回歸策略為:首先，使用混合截面回歸，不控制任何固定效應，控制城市層面以及企業(yè)層面隨時間變化的特征變量，剝離部分城市層面可能與企業(yè)創(chuàng)新有關(guān)的擾動因素；其次，在原有模型基礎(chǔ)上控制企業(yè)固定效應以及時間固定效應，剝離企業(yè)層面不隨時間變化的特征以及宏觀層面的沖擊；最后，逐步加入省份—年份交乘固定效應、城市—年份交乘固定效應、區(qū)縣—年份交乘固定效應以及2 位數(shù)行業(yè)—年份交乘固定效應，不斷剝離更小層面上的擾動差異?；貧w結(jié)果如表1 所示，在第(1)列回歸中企業(yè)周邊5 千米范圍內(nèi)人口密度系數(shù)顯著為正；從第(2)列開始我們逐步對于控制規(guī)范進行改進，依然能夠捕捉到正項系數(shù)，且結(jié)果通過1%顯著性檢驗；在控制因素最為嚴格的第(6)列中，人口密度系數(shù)為0.0119①需要注意的是本文系數(shù)相對較小，主要是因為本文所捕捉的是企業(yè)的平均效應；另外，我們的樣本企業(yè)中有部分為非創(chuàng)新型企業(yè)，從而可能對效應存在稀釋。我們將在穩(wěn)健性檢驗中進行進一步的檢驗與解釋。，說明企業(yè)周圍5 千米范圍內(nèi)人口密度每提升1%，平均而言每個企業(yè)的專利授權(quán)量會提升0.0119%，即企業(yè)周圍人口密度的提升能夠促進企業(yè)自身的創(chuàng)新。我們在進行識別時控制了區(qū)縣—年份交乘以及行業(yè)—年份交乘固定效應，即嚴格剝離了企業(yè)所屬不同街區(qū)以及行業(yè)隨時間變化的擾動沖擊，依然得到顯著的結(jié)果，說明基準分析結(jié)果較為可靠。我們在估計過程中控制了城市層面人口密度因素，依然得到顯著的街區(qū)尺度密度效應，說明街區(qū)密度對企業(yè)創(chuàng)新的重要性。本文的街區(qū)密度使用LandScan 環(huán)境人口分布數(shù)據(jù)測度，其包括人口密度以及企業(yè)等經(jīng)濟活動的密度，該正效應說明城市內(nèi)部街區(qū)尺度的勞動力、企業(yè)等方面的高密度發(fā)展能夠形成本地化知識溢出外部性，幫助企業(yè)不斷吸取新知識，改善企業(yè)創(chuàng)新產(chǎn)出績效。②廣延邊際的分析結(jié)果請見《經(jīng)濟科學》官網(wǎng)“附錄與擴展”。

表1 街區(qū)層面密度對創(chuàng)新影響的回歸

(二)內(nèi)生性檢驗

雖然我們已經(jīng)盡量避免在估計密度對創(chuàng)新產(chǎn)生影響過程中的內(nèi)生性偏差，但是從理論與實際出發(fā)，密度和企業(yè)創(chuàng)新活動水平還可能存在一些難以克服的內(nèi)生性。從街區(qū)尺度密度來看，企業(yè)周圍密度的變動受中心企業(yè)創(chuàng)新水平影響的可能性相對較低，但不能排除部分特大型企業(yè)存在較強的創(chuàng)新能力可以左右周圍的集聚情形。創(chuàng)新活動水平較高企業(yè)周圍的基礎(chǔ)設(shè)施等方面可能發(fā)展較好，會使得該區(qū)位其他企業(yè)集聚提升經(jīng)濟密度，從而導致偏差。對于高密度街區(qū)而言，該區(qū)位自身的優(yōu)勢可能會造成企業(yè)選址的非隨機性，從而導致企業(yè)層面的自選擇效應，即企業(yè)分布非隨機而是受到街區(qū)層面密度的影響。雖然我們在識別階段可以盡可能控制不同層面的沖擊、剝離干擾因素，但依然可能遺漏一些同時影響企業(yè)創(chuàng)新活動的不可觀測因素。基于此，本文嘗試從外生沖擊的角度出發(fā)，尋找街區(qū)密度工具變量，從而更為準確地識別密度效應，同時檢驗本文基準識別設(shè)計克服的內(nèi)生性程度。

密度變異主要受政策、自然地理和社會經(jīng)濟等因素的影響。自然地理因素自身屬性決定其與城市經(jīng)濟發(fā)展、創(chuàng)新活動之間難以形成直接聯(lián)系(Ahlfeldt 和Pietrostefani，2019)，基本不會受到城市當前經(jīng)濟水平與創(chuàng)新活動水平的影響，一般間接影響創(chuàng)新活動，在區(qū)域城市經(jīng)濟學領(lǐng)域是較為優(yōu)良的外生沖擊(Combes 等，2010)。與城市密度息息相關(guān)的地理因素中，城市地形因素、日照時間 (Carlino 等，2007)、土壤成分(Combes 等，2010)、地理位置 (張浩然，2018)、建造高層建 筑 的 土地適宜性(Rosenthal 和Strange，2008)等都較為常用。

地表起伏度指數(shù)可以作為自然沖擊一個較為優(yōu)良的工具變量，其對密度的塑造效應在于，從街區(qū)形成的視角來看，當?shù)匦尾灰?guī)則時，建筑安全會受到影響，因此城市發(fā)展過程中建成區(qū)位置往往優(yōu)先選擇在相對平坦的地區(qū)。地形導致的安全性也會使得建筑建造難度加大、成本升高(Burchfield 等，2006；Nunn 和Puga，2012)，城市區(qū)域的開發(fā)難度上升，城市化進程受到阻礙。并且，地形的不規(guī)則化會導致周圍地區(qū)居住舒適度下降，對企業(yè)、居民等經(jīng)濟個體的吸引力降低。此外，地形起伏度較大、土地開發(fā)難度上升會限制建筑的可建成高度與深度(Koster 等，2014)，其容積率可能因此下降(劉修巖等，2019)，單位面積可容納人口數(shù)量偏低。

借鑒Nunn 和Puga (2012)的研究，本文采用地表起伏度指數(shù)的自然對數(shù)(teruggedness)作為地形復雜度的代理變量，基于中國DEM 高程數(shù)據(jù)中柵格層面高程值，采取與提取人口數(shù)據(jù)類似的方法，對于企業(yè)周圍5 千米尺度的高程單元進行提取，并參考Nunn 和Puga (2012)的計算方法，采用測算高程標準差均值作為地形起伏度指數(shù)?；诠ぞ咦兞康膬呻A段最小二乘估計(2SLS)，參照基準部分OLS 回歸的控制規(guī)范，在不控制企業(yè)固定效應的情況下進行回歸，表2 第(1)列至第(6)列展示了所有結(jié)果，在經(jīng)過工具變量識別后街區(qū)尺度高密度發(fā)展依然對企業(yè)創(chuàng)新產(chǎn)生顯著的正向影響。①第一階段的回歸分析結(jié)果請見《經(jīng)濟科學》官網(wǎng)“附錄與擴展”。

表2 工具變量回歸

(三)穩(wěn)健性檢驗

(1)考察創(chuàng)新時滯。前文所有識別均是基于當期密度與當期企業(yè)創(chuàng)新績效，然而企業(yè)專利活動并非一項瞬時行為，從專利研發(fā)到最終申請與授權(quán)可能需要經(jīng)歷1—2 年甚至更長時間。在此，出于時滯效應的考慮，我們將解釋變量均進行滯后處理。我們依然遵從基準部分的識別策略，對街區(qū)尺度人口密度進行穩(wěn)健性檢驗，并針對滯后1—2 期分別進行回歸。結(jié)果如表3 所示，街區(qū)密度滯后回歸結(jié)果如第(1)列和第(2)列所示。可以看出，街區(qū)尺度的人口密度對企業(yè)創(chuàng)新的正向效應依然存在，考慮創(chuàng)新產(chǎn)出的滯后效應后結(jié)論依然成立。

表3 穩(wěn)健性檢驗

(2)檢驗工具變量的排他性。雖然基于自然地理特征測算的工具變量存在較好的外生性，不會因為企業(yè)創(chuàng)新績效產(chǎn)生額外的擾動變異，但是地理特征可能會對創(chuàng)新產(chǎn)生直接影響。我們假設(shè)，在當前的控制規(guī)范下，地表起伏度僅通過密度這一渠道影響企業(yè)創(chuàng)新，因此需要對這一排他性假設(shè)進行檢驗。我們根據(jù)基準回歸的控制規(guī)范，將街區(qū)尺度密度以及地表起伏度同時放入模型進行回歸，回歸結(jié)果如表3 第(3)列所示，地表起伏度系數(shù)并不顯著，而街區(qū)密度的系數(shù)依然顯著。

(3)控制更多因素。我們在基準部分做出了較為嚴格的效應控制并結(jié)合了工具變量識別，雖然能夠盡可能避免聯(lián)立性偏誤，但是依然可能存在由一些沒有觀測到的因素導致的遺漏性偏誤。我們額外針對企業(yè)上一期專利、企業(yè)盈利水平以及企業(yè)周圍5 千米范圍內(nèi)地鐵站數(shù)量進行控制。由于興趣點(Point of Interests，POI)數(shù)據(jù)可得性，我們僅收集了2011 年數(shù)據(jù)，并計算企業(yè)周圍大學、研究機構(gòu)以及公交站點數(shù)量并控制時間固定效應、加入4 位數(shù)行業(yè)—時間交乘固定效應進行OLS 回歸；此外，我們在2SLS 估計時額外控制部分企業(yè)層面不隨時間變化的特征，比如企業(yè)是否為在位企業(yè)以及企業(yè)與CBD 距離并控制時間固定效應。回歸結(jié)果如表3 第(4)列所示，針對企業(yè)周圍密度進行OLS 回歸，第(5)列則進行工具變量回歸，在這一層面我們依然得出了顯著為正的估計系數(shù)，在進行了更為嚴格的因素控制之后整體結(jié)果較為穩(wěn)健，且Kleibergen-Paap rk WaldF值為2 623.265，遠大于10，支持了本文基準部分與內(nèi)生性檢驗部分對于街區(qū)密度效應識別的穩(wěn)健性。

(4)比較街區(qū)間密度差異。出于穩(wěn)健性考慮，我們參考Carlino 等(2007)的做法，通過截面數(shù)據(jù)回歸來比較街區(qū)間密度差異帶來的創(chuàng)新效應。我們計算企業(yè)層面專利授權(quán)數(shù)量、街區(qū)密度及其他企業(yè)層面特征變量的年平均值，進行截面數(shù)據(jù)回歸并控制區(qū)縣與行業(yè)固定效應，結(jié)果如表3 第(6)列所示，發(fā)現(xiàn)街區(qū)密度提升導致的正向效應。①其他穩(wěn)健性分析結(jié)果請見《經(jīng)濟科學》官網(wǎng)“附錄與擴展”。

五、進一步分析

(一)機制分析:街區(qū)密度與知識溢出

密度的效應更多地反映在街區(qū)尺度內(nèi)的企業(yè)互動上，即知識流的相互碰撞。為了進一步驗證街區(qū)尺度的高密度發(fā)展與知識溢出的內(nèi)在機制，我們一方面使用企業(yè)周圍5 千米內(nèi)專利密度(den5)測度企業(yè)周圍創(chuàng)新知識流分布情況，另一方面將每家企業(yè)在申請專利時引用其他專利的次數(shù)進行加總并計算出企業(yè)當年引用其他專利的總次數(shù)(lnct)，以及剔除自引的總次數(shù)(lnnsct)考察企業(yè)研發(fā)過程中對外界知識流的學習強度。為了消除企業(yè)專利申請數(shù)量帶來的引用情況變異，我們將其除以企業(yè)當前專利總數(shù)，分別計算總體的平均次數(shù)(lnctper)以及剔除自引的平均次數(shù)(lnnsctper)以更為準確地測度企業(yè)對創(chuàng)新知識流的學習。我們將企業(yè)周圍5 千米內(nèi)專利密度(den5)作為解釋變量，分別對上述關(guān)于引用次數(shù)的四個變量進行回歸，結(jié)果如表4 所示，密度系數(shù)顯著為正。②區(qū)分同行業(yè)與不同行業(yè)密度外部性的分析結(jié)果請見《經(jīng)濟科學》官網(wǎng)“附錄與擴展”。

表4 街區(qū)密度與知識溢出(企業(yè)層面)

企業(yè)整體的專利信息所反映的知識溢出效應有限，因此仍需判斷企業(yè)是否在享受周圍街區(qū)高密度發(fā)展外部性后依然能夠與其他知識流發(fā)生顯著碰撞。我們使用專利引用數(shù)據(jù)結(jié)合谷歌專利(Google Patent)數(shù)據(jù)庫進行匹配，獲取更為詳細的專利引用信息，構(gòu)建約140 萬條工業(yè)企業(yè)發(fā)明專利引用—被引用的配對信息，并基于這一層面嘗試細化高密度發(fā)展對知識溢出的作用機制。借鑒Kerr 和Kominers (2015)識別知識溢出的方法，我們采用專利引用配對信息作為知識溢出的“額外噪音”，以捕捉街區(qū)尺度高密度發(fā)展對知識溢出造成的影響。

我們將專利文件中申請人與被申請人的所在地理位置進行對比，構(gòu)造如下指標:存在引用行為的專利是否與被引用專利處于同一城市虛擬變量(samecites)，存在引用行為的專利是否與被引用專利之間地理距離在5 千米的街區(qū)尺度之內(nèi)虛擬變量(localcites)，存在引用行為的專利與被引用專利之間的地理距離(dist)。以這些指標作為被解釋變量進行回歸，結(jié)果如表5 所示。第(1)列中，企業(yè)周圍專利密度系數(shù)顯著為正，說明企業(yè)周圍的本地化知識流高密度趨勢有助于企業(yè)獲取與學習同城市內(nèi)部其他知識；第(2)列發(fā)現(xiàn)本地化的知識流密度可以顯著促進企業(yè)對周圍5 千米內(nèi)其他知識的學習；第(3)列將樣本限制為引用同城市的專利配對后發(fā)現(xiàn)本地化效應顯著為正；第(4)列發(fā)現(xiàn)本地化知識流高密度發(fā)展會縮短專利的引用地理距離；第(5)列將樣本限制在同城市的引用配對后發(fā)現(xiàn)這種效應更為顯著，而第(6)列將樣本改為不同城市的引用配對后發(fā)現(xiàn)街區(qū)尺度高密度發(fā)展的效應不再顯著，其對跨城市的知識溢出影響并不明顯。總體結(jié)果說明，本地化知識高密度發(fā)展會使得知識溢出形成本地化趨勢，增加街區(qū)尺度內(nèi)知識溢出活動的強度，讓創(chuàng)新個體在街區(qū)尺度內(nèi)獲取其想要的知識，從而避免較長地理距離可能導致的知識溢出衰減。此外，城市內(nèi)部的集聚主要對城市內(nèi)部的溢出產(chǎn)生影響，即知識溢出活動實際是高度集中于城市內(nèi)部的。①使用人口密度作為解釋變量的分析結(jié)果請見《經(jīng)濟科學》官網(wǎng)“附錄與擴展”。

表5 街區(qū)密度與知識溢出(專利引用配對層面)

(二)異質(zhì)性分析

(1)企業(yè)在位—進入異質(zhì)性。我們進一步針對在位—進入企業(yè)異質(zhì)性進行檢驗。我們一方面直接分析企業(yè)周圍的密度，截取周圍密度較高(高于均值)的樣本，然后識別該企業(yè)是新進入企業(yè)還是在位企業(yè)，比較周圍密度產(chǎn)生的效應差異。另一方面，我們識別企業(yè)是否在城市中央商務(wù)區(qū)(CBD)周圍5 千米內(nèi)，重點關(guān)注距CBD 5 千米內(nèi)的企業(yè)樣本，分析這些企業(yè)的進入者與在位者異質(zhì)性。最終回歸結(jié)果如表6 第(1)、(2)列所示，在關(guān)注集聚區(qū)內(nèi)的企業(yè)后，是否為在位企業(yè)虛擬變量與密度的交互項顯著為正，即在位企業(yè)受到的正效應更強。

表6 異質(zhì)性分析

(2)企業(yè)人員規(guī)模異質(zhì)性。由于缺乏研發(fā)人員規(guī)模的數(shù)據(jù)，本文認為在人員規(guī)模較大的企業(yè)中，研發(fā)人員規(guī)模相對較大；相反，人員規(guī)模較小的企業(yè)中研發(fā)人員規(guī)模也較小，因此我們將研發(fā)人員規(guī)模異質(zhì)性轉(zhuǎn)換為人員規(guī)模異質(zhì)性進行分析，以捕捉部分因研發(fā)人員規(guī)模變異導致的差異。我們構(gòu)建密度與企業(yè)人員規(guī)模(size)交乘項，結(jié)果如表6第(3)列所示。企業(yè)人員規(guī)模對街區(qū)密度效應有正向調(diào)節(jié)效應，對人員規(guī)模較大的企業(yè)而言，密度正向效應相對更強。

(3)企業(yè)的生產(chǎn)率異質(zhì)性。我們基于工業(yè)企業(yè)數(shù)據(jù)庫，采用LP 估計法進行全要素生產(chǎn)率計算，但是基于這一方法僅能得出2000—2007 年企業(yè)全要素生產(chǎn)率(2007 年以后部分指標缺失導致無法計算全要素生產(chǎn)率)。在此基礎(chǔ)上，我們進一步計算了每個企業(yè)樣本期內(nèi)全要素生產(chǎn)率均值，然后基于均值取中值，繼而生成虛擬變量(tfphigh)。該虛擬變量取1 則說明企業(yè)生產(chǎn)率高于均值，屬于生產(chǎn)率較高企業(yè)，相反則屬于生產(chǎn)率較低企業(yè)。之后，我們構(gòu)建生產(chǎn)率分類虛擬變量與密度交乘項，結(jié)果如表6 第(4)列所示。交互項系數(shù)均顯著為正，全要素生產(chǎn)率分類虛擬變量對街區(qū)密度效應有正向調(diào)節(jié)效應，全要素生產(chǎn)率較高的企業(yè)密度正向效應相對更強。

(4)交通設(shè)施異質(zhì)性。我們以企業(yè)所處區(qū)位為研究對象，根據(jù)前文穩(wěn)健性檢驗中收集的企業(yè)周圍公交站點數(shù)量進行異質(zhì)性分析。我們構(gòu)建街區(qū)尺度內(nèi)公交車站密度(bus)與街區(qū)密度的交乘項重新回歸，結(jié)果如表6 第(5)列所示。交互項系數(shù)顯著為正，說明企業(yè)周圍街區(qū)尺度內(nèi)交通設(shè)施越好，企業(yè)本身能夠接受的集聚正外部性越強，交通基礎(chǔ)設(shè)施能夠提升街區(qū)內(nèi)的交流以及街區(qū)與其他街區(qū)之間的互動。

(5)企業(yè)所屬行業(yè)異質(zhì)性。我們參考沈體雁等(2016)的做法，根據(jù)工業(yè)企業(yè)數(shù)據(jù)庫將行業(yè)內(nèi)成熟企業(yè)的市場份額標準化作為成熟度指數(shù)，構(gòu)建密度與行業(yè)成熟度(ind)以及行業(yè)成熟度二次項交乘項與密度交乘并進行回歸，結(jié)果如表6 第(6)列所示?？梢钥闯觯袠I(yè)成熟度以及二次項與街區(qū)密度交乘項系數(shù)均顯著為負，說明行業(yè)成熟度與街區(qū)密度效應存在倒U 形調(diào)節(jié)效應。計算行業(yè)成熟度拐點后發(fā)現(xiàn)，其落在本文行業(yè)成熟度樣本區(qū)間內(nèi)，說明非線性的調(diào)節(jié)效應真實存在。

參考沈體雁等(2016)的分類方法，我們將工業(yè)企業(yè)按照所屬2 位數(shù)行業(yè)分為技術(shù)密集型行業(yè)與非技術(shù)密集型行業(yè)并構(gòu)建虛擬的分類變量(skill)，構(gòu)建行業(yè)技術(shù)密集度分類變量(skill)與街區(qū)密度交乘項并進行回歸，結(jié)果如表6 第(7)列所示。交乘項系數(shù)均顯著為正，意味著對技術(shù)密集型行業(yè)內(nèi)企業(yè)而言，其受到密度正向效應相對非技術(shù)密集型行業(yè)內(nèi)企業(yè)更強，說明技術(shù)密集型行業(yè)由于其自身較高的技術(shù)投入需求，更依賴于密度產(chǎn)生的正外部性。①城市擴張模式的異質(zhì)性分析相關(guān)結(jié)果請見《經(jīng)濟科學》官網(wǎng)“附錄與擴展”。

(三)關(guān)于密度的進一步討論

1.城市平均密度與街區(qū)密度的比較分析

我們基于LandScan 遙感人口數(shù)據(jù)來計算城市層面的密度以驗證其效應，并進一步比較在城市發(fā)展過程中整體層面密度與局部街區(qū)密度的重要性差異。我們在基準模型中加入城市層面的密度，同時控制基準回歸中涉及的城市層面人均GDP、每萬人高校在校生人數(shù)等一系列城市層面的特征以及規(guī)模、年齡等企業(yè)層面特征，并額外控制省份—時間交乘固定效應，以剝離省份層面隨時間變化的異常沖擊。

結(jié)果如表7 第(1)列所示，城市層面人口密度系數(shù)顯著為正，驗證了城市整體密度的正外部性。隨后，我們加入人口規(guī)模以及人口規(guī)模二次項，以剝離人口密度可能包含的城市規(guī)模外部性，使得所觀測的城市層面密度更為準確，結(jié)果如第(2)列所示。城市層面密度系數(shù)顯著為正，說明城市人口密度每提升1%，則平均而言每個企業(yè)專利水平可能會提升0.0151%。我們在前文論述了街區(qū)密度代表的城市內(nèi)部局部均衡的重要性，為了驗證其合理性，我們在捕捉城市層面密度的同時加入街區(qū)密度，觀測出城市層面密度系數(shù)的變化，用于比較城市層面密度與街區(qū)層面密度效應的差異?；貧w結(jié)果如表7 第(3)列所示，額外加入街區(qū)密度后城市層面密度系數(shù)有所下降，且街區(qū)密度系數(shù)顯著為正，相對城市層面密度效應更大。為了方便兩者系數(shù)的比較，我們對兩項密度進行標準化并重新回歸，結(jié)果如第(4)列所示。街區(qū)尺度系數(shù)依然相較城市層面系數(shù)更大，說明在觀測城市密度對創(chuàng)新的影響時，從街區(qū)尺度考慮密度變異能夠捕捉更多正向的知識溢出效應。

表7 城市層面密度

2.密度效應的空間衰減性

為了驗證密度效應的空間衰減性，我們在Henderson 等(2019)做法的基礎(chǔ)上加以調(diào)整，在原有的0—5 千米街區(qū)尺度密度按照地理距離向外增加環(huán)形區(qū)域，重新計算企業(yè)周圍6—10 千米尺度內(nèi)的密度以及11—15 千米范圍內(nèi)的密度，以考察隨著距離的增加，外部性對中心企業(yè)的作用是否會減弱。我們先單獨估計了企業(yè)周圍6—10 千米范圍內(nèi)的密度與11—15 千米范圍內(nèi)的密度效應，然后將兩者密度與我們測度的街區(qū)尺度密度放入回歸中進行比較，最終回歸結(jié)果如表8 所示。第(1)列僅考察企業(yè)周圍6—10 千米的密度，其回歸系數(shù)顯著為正；第(2)列僅考慮企業(yè)周圍11—15 千米的密度，系數(shù)依然為正，但是并不顯著；第(3)列將0—5 千米范圍內(nèi)密度以及6—10 千米范圍內(nèi)密度同時進行回歸，結(jié)果發(fā)現(xiàn)0—5 千米內(nèi)的密度效應比6—10 千米更強，且6—10 千米的密度系數(shù)顯著性有所下降；第(4)列將0—5 千米的密度與11—15 千米的密度同時回歸后依然得出相似結(jié)論，且11—15 千米的密度系數(shù)依然不顯著；最后，我們將三項密度都放入模型進行回歸，并且將三項密度系數(shù)進行標準化處理，結(jié)果顯示密度效應系數(shù)最大的是0—5 千米內(nèi)，其次是6—10 千米，最后是11—15 千米，隨著地理距離增大呈遞減趨勢，且后兩者密度系數(shù)并不顯著。①衰減性的穩(wěn)健性分析結(jié)果請見《經(jīng)濟科學》官網(wǎng)“附錄與擴展”。

表8 密度外部性的空間衰減性

3.其他類別街區(qū)尺度密度與創(chuàng)新

城市內(nèi)部密度分布還可以采用其他不同形式來衡量，比如企業(yè)分布、勞動力分布以及創(chuàng)新活動分布等，企業(yè)周圍這些因素的分布是企業(yè)外部性的重要來源，因此我們遵循Duranton 和Turner (2018)的檢驗方式，聚焦企業(yè)層面，探索企業(yè)周圍其他方式的密度對企業(yè)創(chuàng)新的影響。第一，我們從企業(yè)周圍5 千米范圍內(nèi)其他企業(yè)的密度進行分析。我們首先計算企業(yè)密度(den1)，若中心企業(yè)周圍其他企業(yè)密度有所提升，中心企業(yè)與這些企業(yè)相互合作、學習加深，企業(yè)間溢出效應可能會逐漸增強。第二，我們從企業(yè)周圍的工業(yè)企業(yè)就業(yè)密度(den2)角度進行分析。第三，我們還使用企業(yè)周圍5 千米內(nèi)創(chuàng)新型企業(yè)密度(den3)以及創(chuàng)新型企業(yè)員工密度(den4)進行分析?；貧w結(jié)果如表9 所示。從第(1)列到第(4)列回歸結(jié)果可以看出，我們所考慮的這些因素均有利于企業(yè)的專利活動。具體來看，企業(yè)周圍5 千米內(nèi)，其他企業(yè)密度(den1)每增加1%，企業(yè)自身專利授權(quán)數(shù)量會上升0.0207%；其他企業(yè)從業(yè)勞動力密度(den2)每增加1%，企業(yè)專利授權(quán)數(shù)量會上升0.0064%；創(chuàng)新型企業(yè)密度(den3)每增加1%，企業(yè)專利授權(quán)數(shù)量會上升0.0704%；創(chuàng)新型企業(yè)從業(yè)勞動力密度(den4)每增加1%，企業(yè)自身的專利授權(quán)數(shù)量會上升0.0064%。

表9 勞動力、企業(yè)密度與創(chuàng)新

進一步地，我們將街區(qū)企業(yè)密度與勞動力密度同時對專利進行回歸，計算標準化系數(shù)并進行比較，結(jié)果如表9 第(5)列與第(6)列所示。相對勞動力密度(den2 和den4)，企業(yè)周圍所有企業(yè)密度(den1)與創(chuàng)新型企業(yè)密度(den3)系數(shù)更大，說明對中心企業(yè)而言，其與周圍企業(yè)的互動往往更為重要，這一點與Henderson (2003)的結(jié)果較為契合。第(7)列中den3 的系數(shù)相對den1 更大，第(8)列中den4 的系數(shù)相對den2 更大，說明企業(yè)間及勞動力間的溢出效應主要來源于創(chuàng)新型企業(yè)及勞動力。

既有研究也不斷強調(diào)同行業(yè)與不同行業(yè)間密度的重要性，在小范圍內(nèi)同行業(yè)內(nèi)產(chǎn)生的知識溢出能夠加快專業(yè)化知識傳播，有助于模仿與學習；而不同行業(yè)間的溢出可以增加知識廣度，有利于技術(shù)突破。我們采用企業(yè)周圍同行業(yè)與不同行業(yè)所有企業(yè)的密度(den1same和den1cross)、從業(yè)人員密度(den2same和den2cross)、創(chuàng)新型企業(yè)的密度(den3same和den3cross)以及創(chuàng)新型企業(yè)從業(yè)人員的密度(den4same和den4cross)，將系數(shù)標準化后進行比較，回歸結(jié)果如表10 所示。正如第(1)到(4)列的回歸結(jié)果顯示，我們所考慮的這些因素均有利于企業(yè)的專利活動。結(jié)合企業(yè)密度、從業(yè)人員密度、創(chuàng)新型企業(yè)密度、創(chuàng)新型企業(yè)從業(yè)人員密度以及專利密度可以看到，同行業(yè)與不同行業(yè)內(nèi)的溢出與交流都較為重要，均能夠顯著促進企業(yè)創(chuàng)新。我們比較同行業(yè)各類密度與不同行業(yè)各類密度系數(shù)后發(fā)現(xiàn)，不同行業(yè)密度系數(shù)都明顯高于同行業(yè)密度。

表10 同行業(yè)與不同行業(yè)的密度效應對比

六、結(jié)論與啟示

本文以城市密度為主要研究視角來分析城市密度對企業(yè)創(chuàng)新的作用機制，并使用2000—2013 年工業(yè)企業(yè)數(shù)據(jù)庫及其專利數(shù)據(jù)、LandScan 人口數(shù)據(jù)等數(shù)據(jù)樣本綜合識別城市內(nèi)部密度對企業(yè)創(chuàng)新的因果效應。研究結(jié)果表明:第一，街區(qū)尺度密度對企業(yè)創(chuàng)新存在顯著的正向影響，且該正向影響在我們使用地理因素進行因果識別后依然存在，在一系列穩(wěn)健性檢驗后這一效應依然穩(wěn)健存在。第二，異質(zhì)性分析后我們發(fā)現(xiàn)，進入者與在位者之間受到密度正向影響的差異并不顯著，但人員規(guī)模較大企業(yè)受到的正向外部性更強，高生產(chǎn)率企業(yè)對于密度的外部性更為敏感。當企業(yè)所屬行業(yè)處于年輕階段時，隨著行業(yè)逐步成熟，企業(yè)所受的密度正向外部性也在變強；行業(yè)一旦成熟，密度影響會逐漸減弱，且技術(shù)密集型行業(yè)中企業(yè)更易吸收密度產(chǎn)生的外部性。對于城市發(fā)展而言，隨著城市規(guī)模的不斷擴張，城市內(nèi)部形成的街區(qū)密度效應也會逐漸增強，城市擴張過程中形態(tài)分散化、多中心化發(fā)展導致的負外部性也會因為本地化的高密度發(fā)展而得到有效緩解。第三，進一步基于密度討論后，我們發(fā)現(xiàn)密度所衡量的知識溢出存在局部性，密度所捕捉的外部性存在空間漸進性，會隨著地理距離增大而衰減；街區(qū)尺度的企業(yè)密度、勞動力密度都發(fā)揮著顯著作用，中心企業(yè)周圍企業(yè)高密度集聚與創(chuàng)新型企業(yè)高密度集聚能夠主導知識溢出效應，企業(yè)周圍的創(chuàng)新高密度集聚能夠促進企業(yè)對創(chuàng)新知識流的吸收與學習。對于中心企業(yè)而言，相比同行業(yè)密度，跨行業(yè)密度產(chǎn)生的溢出效應對企業(yè)研發(fā)的影響更為顯著。第四，街區(qū)尺度的高密度發(fā)展有助于企業(yè)對城市內(nèi)部其他知識流的捕捉，尤其是企業(yè)周圍的街區(qū)能夠為企業(yè)提供創(chuàng)新所必需的知識要素，緩解知識溢出存在的空間衰減性。

在當前城市化發(fā)展進程中，從長期來看，關(guān)注城市密度對企業(yè)創(chuàng)新產(chǎn)生的影響，對于促進經(jīng)濟發(fā)展、提升經(jīng)濟競爭力具有重要意義。結(jié)合分析與結(jié)論，我們提出如下政策建議:第一，政策制定者應利用補貼性引導政策，引導企業(yè)或知識流進入較小街區(qū)尺度的集聚中心進行研發(fā)與創(chuàng)新。積極發(fā)揮政府的示范效應與引導效應，通過研發(fā)補貼等獎勵性政策有針對性地引導企業(yè)向諸如“創(chuàng)意街區(qū)” 等區(qū)域進行選址與集聚，避免部分具有創(chuàng)新潛力的企業(yè)個體因為成本對高密度街區(qū)望而卻步。第二，在街區(qū)內(nèi)部建立企業(yè)合作交流平臺，提升知識流碰撞的機會，打造綜合型集聚中心。鼓勵街區(qū)內(nèi)企業(yè)間交流，在街區(qū)內(nèi)設(shè)立創(chuàng)新空間等場所，增加企業(yè)間技術(shù)交流、技術(shù)分享等會議或者活動，促進企業(yè)間的相互學習。通過設(shè)立餐廳、咖啡館等服務(wù)性設(shè)施，為高技術(shù)勞動力提供交談場所，增加人與人之間的學習頻率。此外，在城市內(nèi)部積極發(fā)展交通基礎(chǔ)設(shè)施，加強各個街區(qū)內(nèi)部以及街區(qū)之間的通勤便利性。第三，從街區(qū)尺度的集聚本身來看，需要有針對性地促進城市內(nèi)部高密度街區(qū)的現(xiàn)代化轉(zhuǎn)型，注重街區(qū)內(nèi)部創(chuàng)新個體多樣化集聚，提升街區(qū)尺度創(chuàng)新優(yōu)勢的形成。提升街區(qū)尺度內(nèi)的行業(yè)多樣性，鼓勵不同行業(yè)知識流的匯聚，重點嘗試促進新興行業(yè)與成熟行業(yè)的共同集聚，發(fā)揮成熟行業(yè)的技術(shù)外溢性，帶動新興行業(yè)的研發(fā)與創(chuàng)新。在街區(qū)內(nèi)提升技術(shù)密集型行業(yè)與非技術(shù)密集型行業(yè)的交流，加強部分具有潛力的非技術(shù)密集型行業(yè)的升級轉(zhuǎn)型?；诠脚c效率的原則，應更加關(guān)注中小企業(yè)、低生產(chǎn)率以及非創(chuàng)新型企業(yè)，通過補貼政策引導這些企業(yè)在優(yōu)勢集聚街區(qū)選址，提升中小企業(yè)、低生產(chǎn)率企業(yè)以及非創(chuàng)新型的創(chuàng)新潛力與動能。第四，中國正處于城市化不斷推進的重要階段，城市面臨向外擴展的需求。在擴張過程中積極建設(shè)“創(chuàng)新街區(qū)” 以及“創(chuàng)新港” 等較小尺度的本地化集聚中心，在滿足城市擴張過程中集聚經(jīng)濟的同時化解擴張松散化、蔓延化發(fā)展帶來的負外部性。