多尺度视角下技术转移网络对城市创新能力的影响_栾心晨.pdf

栾心晨,朱晟君,毛熙彦.多尺度视角下技术转移网络对城市创新能力的影响 J.地理科学,2023,43(1):11-19.Luan Xinchen,Zhu Shengjun,Mao Xiyan.Impact oftechnology transfer network on urban innovation capability from a multi-scale perspective.Scientia Geographica Sinica,2023,43(1):11-19.doi:10.13249/ki.sgs.2023.01.002多尺度视角下技术转移网络对城市创新能力的影响栾心晨1，朱晟君1，毛熙彦2（1.北京大学城市与环境学院，北京 100871；2.南京大学地理与海洋科学学院，江苏 南京 210023）摘要摘要：在多尺度视角下探讨技术转移网络对城市创新能力的影响及机制。结果表明：中国城市技术转移强度空间分布不均衡，技术转移网络等级分布明显。中国技术转移网络全行业网络集中度较高，不同尺度分网络差异显著。不同尺度的技术转移均有助于提升城市创新能力，但存在尺度差异。城市尺度作用最强，国家尺度次之，省域尺度影响最小。说明地理邻近对创新有显著促进作用，同时，知识的复杂程度影响创新，获取知识的复杂程度越高，越有利于提升城市创新能力。关键词关键词：创新地理；技术转移；创新能力；社会网络中图分类号中图分类号：K902文献标识码文献标识码：A文章编号文章编号：1000-0690(2023)01-0011-09 科学技术成为社会发展的重要驱动，各国围绕创新制定政策促进国家发展1。人类社会进入创新主导时代，不确定性成为新发展阶段下中国社会的整体特征2。党的“十八大”提出“创新驱动发展”战略，明确提出要走中国特色自主创新道路。城市是创新资源高度集聚的场所，创新驱动下的城市建设如火如荼，城市创新成为城市综合能力的重要维度。技术转移是推动资源跨区域流动、促进创新和区域协调的重要途经3。中国的技术转移日益活跃，跨地区、跨层级转移紧密。技术转移是一个本地与非本地联系并存的过程，在不同地理尺度下，技术转移规模、结构不同，对城市创新的影响也不同。为此，理解技术转移与城市创新的关联具有积极意义。已有关注技术转移与城市创新关联的研究主要从以下几个方面展开：本地技术转移对创新的影响：创新活动需要嵌入不同地理环境，受空间邻近和集群影响，表现地理邻近特征，本地相关技术更容易传播4。技术转移不局限于本地，非本地转移对区域创新能力同样具有重要影响5。知识创造需要本地和非本地联系的平衡6，城市间创新联系表现强溢出和交流效应7。知识流动网络影响区域创新格局，网络效应和地理因素对创新能力的影响相互依赖8-9。现有的研究已关注到本地和非本地知识溢出对城市创新的差异影响，但是这些大多从单一地理尺度进行探讨，尺度间割裂10。同时，中国针对技术转移与创新绩效的研究大多在省域和跨城市尺度，较少探讨更微观的城市尺度。因此，本文综合多尺度视角，并选择城市、省域、全国 3 个地理尺度，揭示技术转移网络对城市创新能力的影响。本文回答以下科学问题：技术转移是否有助于提升城市的创新能力？技术转移对城市创新能力的影响在不同地理尺度有何差异？技术转移对城市创新能力提升的作用机理是什么？这对厘清多尺度联系对区域创新的影响，推动中国创新驱动发展战略具有重要意义。1 理论基础与研究假说技术知识是促进城市创新的重要因素。通常情 收稿日期收稿日期：2021-12-21；修订日期修订日期：2022-03-22基金项目基金项目：国家自然科学基金项目（41971154，42122006，41731278）资助。Foundation:National Natural Science Foundation of China(41971154,42122006,41731278).作者简介作者简介：栾心晨（1999），女，江苏南京人，博士研究生，研究方向为经济地理。E-mail:通讯作者通讯作者：朱晟君。E-mail: 第 43 卷第 1 期地理科学Vol.43 No.12023 年 01 月Scientia Geographica SinicaJan.,2023况下，城市储备的技术知识种类越多以及规模越大，城市创新能力越强。集聚经济理论指出，企业通过共享、匹配和学习等机制提高企业生产率11，促进创新。与外部交流也是提升本地技术知识储备的重要途径，创新更多来源于行动者的互动和合作12，因而创新受网络空间和互动的影响13。技术转移是技术所有者将拥有的技术及相关权利转移给他人的行为。知识流入有利于接受方节省基础研究的费用和市场开拓等成本，在较短时间内获得输出方的知识和经验14，与已有的知识整合，发展新知识，实现追赶，知识流出有利于输出方嵌入更大范围的网络，接触更多样的创新主体，增加学习机会15，获得多元信息。所以技术转移通过加强知识流动、提高技术创新、强化转移双方合作学习等途径提升城市创新能力。本文提出假设 1：技术转移有助于提升城市创新能力。缄默知识在技术转移促进城市创新过程发挥重要作用。技术知识扩散受地理环境、人际关系等制约，不容易共享。知识也是缄默的，无法外显或直接传达，往往通过非正式途径习得16。地理邻近加强联系和缄默知识交换16，Bathelt 提出“地方蜂鸣（local buzz）”概念，从空间角度解释知识传播，指出本地集群中知识扩散和共享对创新的重要性17。同时，缄默知识传递方式的特殊性使得本地技术转移对创新促进更强。这对编码知识同样适用，因为编码知识需要缄默知识辅助18。地理邻近有利于地方主体面对面交流，促进缄默知识传播，加强学习和创新。邻近主体也更容易建立信任、共担风险，知识的可靠和适配性更高12。因而，本文提出假设 2：本地技术转移对城市创新能力的提升强于非本地技术转移作用。缄默知识传播随距离衰减19。尽管缄默知识在技术转移促进城市创新过程中发挥重要作用，然而不少学者也指出地理邻近的有限性。他们指出，地理邻近通过与其他邻近性相互作用，如促进社会、制度等维度的邻近，才促进创新18。知识溢出本质上源于发明者的关联网络和流动，而这些发明者在空间有一定范围，才使知识溢出存在地理范围20。此外，过度地理邻近可能因为区域内信息来源相对统一、行为模式固定导致锁定，阻碍新知识进入，削弱创新18。可见，地理邻近对创新的影响并非单向线性变化，而受多重因素影响。随尺度增加，创新主体来源更多样，有利于异质性知识引入，突破锁定。所以，不同尺度下技术转移对创新的影响不同，本文进一步提出假设 3.1：省域尺度技术转移对城市创新能力的提升强于全国尺度；假设 3.2：全国尺度技术转移对城市创新能力的提升强于省域尺度。中国的创新活动日益活跃，意味着创新发展需要的知识种类以及信息更多。但是并非所有知识都有相同作用，知识复杂程度越高，不可替代性越高，发挥作也用越大，就更有利于区域增长21。反映在空间上，复杂程度高的知识不是普遍分布的，其来源往往十分稀缺，因而获取的难度大，但是收益也更大。知识复杂度随尺度有差异，一般在更大尺度下，复杂度更高。比如一些复杂技术在发展中国家尚处于引进阶段，而在全球一些发达国家可能已处于成熟阶段，更易获得。不同尺度下高复杂知识的传播也是有限和有难度的，对创新能力的总效应不同。所以，知识的复杂程度随尺度不同，对城市创新也存在差异影响。本文提出假设 4：创新主体从所处网络获得知识的复杂程度越高，城市创新能力提升越显著。综上，本文从克服距离衰减和获得知识复杂度两个角度考察技术转移网络对城市创新能力的影响，具体考察技术转移强度和整体网络属性，并选择城市、省域和全国 3 个尺度进行分析。2 研究方法与数据来源2.1数据来源和处理数据来源和处理本文专利数据来源于国家知识产权局记录的专利转让和授权数据（https:/ 2015 年专利转让和 2017 年专利授权数据进行基准回归，用 2016 年专利授权数据进行稳健性检验，其余数据来源于各地级市统计年鉴（https:/ IPC（Inter-national Patent Classification，国际专利分类）主分类号确定并依据国际专利分类表（2017 版）（ht-tps:/ 23 个分部；用登12地理科学43 卷 记生效日识别专利转让年份。此外，用专利授权数据表征城市创新能力，地理信息配对、行业识别等处理同上。2.2变量设置与计量模型设定变量设置与计量模型设定1）因变量：专利授权数与城市创新能力。本文用专利授权表征城市创新能力。城市创新能力是一个综合的概念，中国科技发展战略研究小组从创新环境、创新绩效、城市创造能力、知识获取能力和企业创新能力 5 方面建立指标框架22进行测度。实证研究中，由于多要素复合的指标体系常存在数据匹配度低、指标重复计算等弊端23，不少学者仅选取代表性维度测度。创新产出是资源投入和使用的直观体现，专利是创新的直接产物和创新产出的重要成果，专利是科学创新领域最早和最广泛使用的数据24，本文用专利测度创新。专利授权代表经过实审、认证的专利，发明专利技术和创新性更大24，故最终选取“发明专利授权数”测度城市创新。考虑到不同城市不同行业的发展基础、发展趋势不同，本文将专利授权数合并到“城市行业”维度，以专利授权数表示当某创新主体嵌入某城市某行业网络时取得创新的潜力，即本文定义的“城市创新能力”，表示为 Patentsi,t。2）自变量：技术转移网络表征。本文用点度中心度表征技术转移强度，节点所处网络密度和中心度综合刻画网络特征。专利转移的对象数目和数量对创新主体获取知识都有重要影响，故用加权中心度表示个体属性，表示某城市与其他城市发生转移专利数，表示为 Degree。在尺度处理上，城市尺度即同城市内部同行业所有企业专利转让条数之和，代表“本地联系强度”；省域尺度剔除同城市内部转移，即仅考虑同省域内部跨城市专利转移，代表某行业所有企业省内跨城市技术转移强度；全国尺度剔除同省域内部转移，即仅考虑全国不同省域间专利转移，代表某行业所有企业跨省域技术转移强度。根据假设 1，技术输入和输出对城市创新均有促进作用，故不区分出度和入度。预判各尺度 Degree 均有正影响，且城市尺度 Degree 系数值最大。整体网络用集中度和密度刻画，分别表征网络知识分布的均衡性和疏密程度，表示为 Centraliza-tion 和 Density，都用有向网络指标计算。尺度处理上，城市尺度不构成网络，仅考虑省域和全国尺度。根据假设 4，高复杂度的知识总量少且集中在少数地区，故预判网络集中度影响为正、网络密度影响为负。主要变量的统计特征见表 1。3）模型设定。由于因变量是计数变量，取值为非负整数，且存在“过度分散”问题，本文用负二项回归模型25探究技术转移网络对城市创新能力的影响，构建模型如下：Patentsi,t+2=+1Degreei,t+2Centralizationi,t+3Densityi,t+4ControlVariablesi,t+i,t式中，因变量做滞后处理：被解释变量 Patentsi,t+2为个体 i 在第 t+2 年的专利授权数，核心解释变量是Degreei,t（个体 i 在 t 年的加权中心度）、Centraliza-tioni,t（个体 i 在 t 年的网络集中度）和 Densityi,t（个体 i 在 t 年的网络密度）、ControlVariablesi,t（个体 i在 t 年的经济发展水平、人力资本、高等教育基础、FDI 规模和制度因素影响）为一组控制变量；1、2、3、4分别表示各自变量及控制变量对城市创新能力的影响，本文主要关注 1、2、3的大小和显著性水平。根据文献调研，本文控制了对城市创新能力 表表 1主要变量统计特征主要变量统计特征Table 1 Descriptive statistics of main variables 变量观测值均值标准差最小值最大值Patentsi,t+22 141142.693592.650017 18