城市密度如何影響企業創新??
——來自中國城市街區尺度密度的證據

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展趨勢愈發明顯，涌現出北京、上海、深圳等特大城市，也形成了中關村、深圳粵海、張江高科、武漢光谷等一大批高密度的創新街(園)區。因此，城市集聚不僅表現在城市整體密度的提升，也表現為因城市內部各個經濟活動中心形成而導致的街區密度增加。在經濟較為發達的美國，小型高密度街區如硅谷(Silicon Valley)等是較為突出的技術創新中心，紐約硅巷等創新街區也集合了大量創新知識流。在中國，中關村、蘇州工業園區等園區初具規模，深圳的粵海街道云集了華為、大疆、中興等高技術創新企業，逐步成為城市內部創新街區的代表。這些城市內部的創新中心不斷集聚與擴張，形成了知識溢出集合。高密度發展意味著單位空間吸收的生產要素較多，生產主體能夠更加方便地接觸到各種要素，有利于生產主體間的知識溢出。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進步這一目標，從街區視角深入考慮集聚經濟，識別與解釋對集聚經濟可能產生的利于創新的外部性，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勢。如果盲目強調城市整體層面的高密度發展，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模效應。因此，研究城市內部的局部高密度發展是十分必要的。

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)，普遍強調密度較大的城市能夠提升生產力和創新能力、改善獲得商品和服務的機會、鼓勵更加節能的交通方式以及共享稀缺的城市便利設施等(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，圍繞密度與城市技術進步的關系展開了大量研究?；诔鞘袑用娴拿芏扰c專利等創新數據的分析發現，高密度城市往往擁有較強的創新強度與知識溢出(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實兩個方面。理論方面，本文嘗試對國內外學者廣泛討論的城市密度與創新這一領域進行進一步拓展，從既有研究較少涉及的城市內部街區這一視角切入，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展導致的技術外溢改善效應，結合既有的經典理論與多種微觀數據識別出城市內部高密度發展知識溢出行為的因果效應?，F實方面，本文的研究為城市如何在既有的橫向擴張范圍內進行進一步集約化發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用地資源約束受到限制，且城市內部正逐漸形成一批技術與經濟集聚中心。本文嘗試在城市內部的街區尺度分析當前中國城市內局部化縱向開發模式的經濟效益，對既有的城市局部化開發模式進行較為系統的評估，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展提供一定的學術參考與依據。而對于中小型城市，本文的系統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量發展提供較為清晰的思路。

本文基于街區尺度密度促進企業創新的理論機制，結合中國專利信息、工業企業數據庫以及LandScan 人口分布數據等微觀數據來識別城市密度產生的創新外部性，并檢驗內在機制。研究結果表明，首先，密度發揮著顯著正外部性作用，能夠促進企業專利水平的提升。平均而言，企業周圍五千米范圍內人口密度每提升1%，其專利數量可提升0.0119%，說明城市密度對企業創新的正外部性。勞動力規模相對較大的企業受到正向影響更強，生產率較高企業也更易捕捉城市密度的好處；此外，隨著企業所在行業成熟度的提高，企業從高密度發展中獲得的正外部性呈現先上升后下降的倒U 形關系，且技術密集型行業內企業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，城市面臨形態松散化及多中心分化的發展態勢，企業周邊的高密度發展能夠有效幫助企業凝結創新要素，減緩分散化趨勢的危害。其次，密度產生的創新外部性存在空間衰減效應，即創新溢出會隨著地理距離的增加而衰減，街區之間難以形成有效溢出。企業周圍的企業高密度發展和勞動力高密度發展均能夠顯著促進創新，而企業密度導致的相互交流對創新尤為重要，創新型企業與勞動力密度能夠發揮較大效用。企業周圍專利活動的高密度發展能夠直接催生知識溢出效應，刺激企業對創新知識流的吸收與學習，幫助企業在本地較為便捷地尋找創新所需的知識流，緩解地理距離帶來的知識溢出衰減效應。對于中心企業而言，與同行業相比，跨行業企業、勞動力與專利密度所產生的溢出效應更強。

二、文獻綜述與理論分析

既有研究主要討論了城市內部高人口密度發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集聚經濟展開(Duranton 和Turner，2018)。而本文選取的主要研究點是城市內部的街區密度，以刻畫當前中國城市發展過程中城市內局部的人口、企業和專利等方面的高密度發展對知識溢出活動的正向影響。大量國內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展對創新水平的影響(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密度和城市規模如何影響城市創新績效，并嘗試分析高密度促進知識溢出這一核心機制。Lobo 和Strumsky (2008)將研究視角轉換為城市發明者密度，研究了1977—2002 年發明者呈現高密度集聚對大都市專利申請數量的影響。Hamidi 和Zandiatashbar (2019)從區域及街區兩個層面，結合人口密度考察城市內部人口集聚對創新的影響，雖然其將城市內部的街區尺度納入密度對創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，故現實中的知識溢出活動往往高度集中于城市內部。

總體而言，既有研究存在可以拓展之處:第一，現有研究主要關注城市層面的密度影響，少有研究直接測度城市內部街區尺度高密度發展對創新的影響(Duranton 和Kerr，2015)?，F有文獻大多以城市層面行政區劃內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模效應，而非知識溢出導致的創新增長效應，難以準確反映城市集聚現狀。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間互動的影響來解釋核心機制。第三，基于傳統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生性問題。

城市高密度發展并非僅僅是人口密度的攀升，還有企業、勞動力、創新等多個方面的高密度集聚，而城市內部高密度發展導致的知識溢出正外部性對研發和創新尤為重要。城市內部的學習效應和知識溢出可以不斷提升人力資本水平，加快新思想的產生，產生知識溢出，有助于提升創新生產力。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，受集聚影響較小；而隱性知識的擴散主要依賴于面對面交流(Rosenthal 和Strange，2008)。對于企業創新而言，城市密度的外部性雖然會反映在城市整體層面，但更多地體現在城市內部街區尺度的密度上，尤其是知識溢出。傳統的集聚經濟理論強調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在城市整體層面，企業之間的風險分擔以及勞動力與企業的匹配需要以城市整體規模的提升為基礎，企業可以在城市整體范圍內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”。一項專利的發明人更有可能引用周圍企業或個人的專利(Jaffe 等，1993)，研發活動中的部分流程、技術可能受到周圍研發活動的啟發。在街區尺度內，研發活動集聚能夠促進高效率知識流的運轉，從事研發活動的企業以及勞動力是研發溢出的主要來源及高質量知識的集合，能夠為其他企業帶來大量的創新機遇。知識溢出活動存在空間衰減的特性(Kerr 和Kominers，2015)，而城市內部往往也會出現較長通勤距離(Xiao 等，2021)，企業與其他集聚區域企業之間的內部距離難以保持普遍的鄰近性。城市內部街區之間交流頻率相對較低，在給定通信與交通基礎設施的情況下，人與人之間的交流、企業與企業之間的互動、技術與技術之間的碰撞主要集中于單一街區內部，即知識溢出存在顯著的本地化特征。因此，基于街區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。

企業是創新的主體，會主動甄別與自身創新有關的外部性，企業間建立的合作關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，為勞動力提供就業的通勤便利性，而這一效應在較小的街區尺度上可能并不明顯。企業自身的特征如所處市場地位、規模、生產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可能會吸引新的進入者，而由于沉沒成本較低，進入者對創新活動激勵相對較高，從而使得城市密度的效應產生差異(王永進和張國峰，2015)。此外，交通基礎設施能夠在一定程度上加強城市內部的連通性，減小通勤成本同時促進知識溢出，從而改進城市內部地理空間因素帶來的知識流擴散衰減現象。而在街區內部，公共交通設施的引入能夠大大加強街區內部的可達性，使得街區內部能夠通過交通設施實現交流，加強街區之間的進一步互動。從行業層面來看，一方面，企業能夠從同行業內以及不同行業間汲取創新養分，不同行業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新。企業接觸不同行業的新思想，能夠增加知識廣度，促成自身技術的突破。另一方面，雖然同行業集聚能夠加快專業化知識傳播，但同行業內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新的發生(Boschma 和Lambooy，2002)。此外，企業所屬行業的差異如成熟度、技術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鍵階段，不同城市在擴張過程中空間發展模式存在差異，而這一差異可能引起創新個體對高密度發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:街區尺度形成高密度發展能夠提升企業的創新績效，其相比城市整體層面的集聚趨勢更為重要。

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

三、識別策略與數據

(一)識別策略

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

其中，m表示企業個體，p表示企業所在省份，c表示企業所在城市，d則為企業所在區縣；lninnovationmt表示企業層面創新水平的對數形式；densitymt表示街區密度，從企業—街區層面進行考量；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表示區縣層面隨時間變化的特征，包括區縣—時間交乘固定效應；φm為企業層面固定效應，控制企業層面難以觀測的固定特征；Ymt代表企業層面創新投入使用的其他特征，我們需要關注回歸后densitymt的系數；εmpcdt為隨機誤差項。

(二)變量、數據與處理①因篇幅所限，本文省略了主要變量含義及描述性統計，感興趣的讀者可在《經濟科學》官網論文頁面“附錄與擴展” 欄目下載。

(1)創新。本文從創新產出角度來測度企業層面創新水平，選取企業每年經過申請且截至2019 年(本文所獲取的所有專利信息均截至2019 年)已獲授權的專利數量作為創新績效衡量指標，將其加1 后取自然的對數構建變量ln(patent＋1)。專利數量通過匹配中國工業企業數據庫和國家知識產權局發布的專利信息并計算得出。我們使用中國企業專利數據庫中關于企業已授權的專利文件，將這些專利文件與中國工業企業數據庫中的企業進行匹配，將企業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，我們對工業企業名稱與企業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匹配的非正常信息予以剔除，比如將企業名稱中包含的諸如“有限責任公司”、“集團” 以及“廠” 等字段信息全部剔除，僅保留工業企業名稱中較為關鍵的所屬地區、企業主要產品、企業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企業以及其名下專利文件，采取逐年計數的方式計算每個企業每年專利申請數量以及已授權專利數量。

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

(3)企業特征。我們在模型中加入企業年齡的自然對數(age)，以控制企業層面成熟度所帶來的干擾，且加入了企業年齡二次項(age2)進一步控制企業層面可能存在的企業自身年齡這一特征帶來的非線性沖擊；加入企業員工人數自然對數(size)，一方面用于控制企業的規模因素并加入其二次項(size2)控制人員規模特征潛在的非線性擾動沖擊，另一方面用于控制企業層面針對創新的勞動力投入；加入企業層面的勞均資產自然對數(assetp)，用于控制企業層面的創新資本投入；加入企業層面勞均營業收入自然對數(incomep)，用于控制企業層面的勞動生產率，進而剝離企業層面一些與創新可能相關的隨時間變化的擾動沖擊。最終，針對工業企業的總體樣本進行處理，我們保留2000—2013 年的企業樣本，同時剔除其中企業層面各項變量缺失、銷售收入小于2 000萬元(樣本數據包括了2011 年前后的樣本，我們統一將規模以上企業的條件調整至2011年的2 000 萬元準入標準)、從業人員小于30 人等不符合規模以上條件的樣本，并剔除了企業年齡出現異常樣本。

(4)城市特征。在識別過程中還需要剝離城市層面對企業創新可能產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總值自然對數(gdppercapita)，城市中每萬人高校在校生人數自然對數(edu)，人均道路面積自然對數(proadpercapita)，城市開通人均地鐵站數量的自然對數(subpercapita)，城市政府R＆D 支出占比(rd)，這部分特征主要來源為《中國城市統計年鑒》。針對2000—2013 年樣本集，我們搜索了其中與企業創新有關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創新有關的擾動因素；其次，在原有模型基礎上控制企業固定效應以及時間固定效應，剝離企業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、區縣—年份交乘固定效應以及2 位數行業—年份交乘固定效應，不斷剝離更小層面上的擾動差異?；貧w結果如表1 所示，在第(1)列回歸中企業周邊5 千米范圍內人口密度系數顯著為正；從第(2)列開始我們逐步對于控制規范進行改進，依然能夠捕捉到正項系數，且結果通過1%顯著性檢驗；在控制因素最為嚴格的第(6)列中，人口密度系數為0.0119①需要注意的是本文系數相對較小，主要是因為本文所捕捉的是企業的平均效應；另外，我們的樣本企業中有部分為非創新型企業，從而可能對效應存在稀釋。我們將在穩健性檢驗中進行進一步的檢驗與解釋。，說明企業周圍5 千米范圍內人口密度每提升1%，平均而言每個企業的專利授權量會提升0.0119%，即企業周圍人口密度的提升能夠促進企業自身的創新。我們在進行識別時控制了區縣—年份交乘以及行業—年份交乘固定效應，即嚴格剝離了企業所屬不同街區以及行業隨時間變化的擾動沖擊，依然得到顯著的結果，說明基準分析結果較為可靠。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尺度密度效應，說明街區密度對企業創新的重要性。本文的街區密度使用LandScan 環境人口分布數據測度，其包括人口密度以及企業等經濟活動的密度，該正效應說明城市內部街區尺度的勞動力、企業等方面的高密度發展能夠形成本地化知識溢出外部性，幫助企業不斷吸取新知識，改善企業創新產出績效。②廣延邊際的分析結果請見《經濟科學》官網“附錄與擴展”。

表1 街區層面密度對創新影響的回歸

(二)內生性檢驗

雖然我們已經盡量避免在估計密度對創新產生影響過程中的內生性偏差，但是從理論與實際出發，密度和企業創新活動水平還可能存在一些難以克服的內生性。從街區尺度密度來看，企業周圍密度的變動受中心企業創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存在較強的創新能力可以左右周圍的集聚情形。創新活動水平較高企業周圍的基礎設施等方面可能發展較好，會使得該區位其他企業集聚提升經濟密度，從而導致偏差。對于高密度街區而言，該區位自身的優勢可能會造成企業選址的非隨機性，從而導致企業層面的自選擇效應，即企業分布非隨機而是受到街區層面密度的影響。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創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，尋找街區密度工具變量，從而更為準確地識別密度效應，同時檢驗本文基準識別設計克服的內生性程度。

密度變異主要受政策、自然地理和社會經濟等因素的影響。自然地理因素自身屬性決定其與城市經濟發展、創新活動之間難以形成直接聯系(Ahlfeldt 和Pietrostefani，2019)，基本不會受到城市當前經濟水平與創新活動水平的影響，一般間接影響創新活動，在區域城市經濟學領域是較為優良的外生沖擊(Combes 等，2010)。與城市密度息息相關的地理因素中，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。

地表起伏度指數可以作為自然沖擊一個較為優良的工具變量，其對密度的塑造效應在于，從街區形成的視角來看，當地形不規則時，建筑安全會受到影響，因此城市發展過程中建成區位置往往優先選擇在相對平坦的地區。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)，城市區域的開發難度上升，城市化進程受到阻礙。并且，地形的不規則化會導致周圍地區居住舒適度下降，對企業、居民等經濟個體的吸引力降低。此外，地形起伏度較大、土地開發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量偏低。

借鑒Nunn 和Puga (2012)的研究，本文采用地表起伏度指數的自然對數(teruggedness)作為地形復雜度的代理變量，基于中國DEM 高程數據中柵格層面高程值，采取與提取人口數據類似的方法，對于企業周圍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?；诠ぞ咦兞康膬呻A段最小二乘估計(2SLS)，參照基準部分OLS 回歸的控制規范，在不控制企業固定效應的情況下進行回歸，表2 第(1)列至第(6)列展示了所有結果，在經過工具變量識別后街區尺度高密度發展依然對企業創新產生顯著的正向影響。①第一階段的回歸分析結果請見《經濟科學》官網“附錄與擴展”。

表2 工具變量回歸

(三)穩健性檢驗

(1)考察創新時滯。前文所有識別均是基于當期密度與當期企業創新績效，然而企業專利活動并非一項瞬時行為，從專利研發到最終申請與授權可能需要經歷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，對街區尺度人口密度進行穩健性檢驗，并針對滯后1—2 期分別進行回歸。結果如表3 所示，街區密度滯后回歸結果如第(1)列和第(2)列所示?？梢钥闯觯謪^尺度的人口密度對企業創新的正向效應依然存在，考慮創新產出的滯后效應后結論依然成立。

表3 穩健性檢驗

(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，不會因為企業創新績效產生額外的擾動變異，但是地理特征可能會對創新產生直接影響。我們假設，在當前的控制規范下，地表起伏度僅通過密度這一渠道影響企業創新，因此需要對這一排他性假設進行檢驗。我們根據基準回歸的控制規范，將街區尺度密度以及地表起伏度同時放入模型進行回歸，回歸結果如表3 第(3)列所示，地表起伏度系數并不顯著，而街區密度的系數依然顯著。

(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合了工具變量識別，雖然能夠盡可能避免聯立性偏誤，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。我們額外針對企業上一期專利、企業盈利水平以及企業周圍5 千米范圍內地鐵站數量進行控制。由于興趣點(Point of Interests，POI)數據可得性，我們僅收集了2011 年數據，并計算企業周圍大學、研究機構以及公交站點數量并控制時間固定效應、加入4 位數行業—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層面不隨時間變化的特征，比如企業是否為在位企業以及企業與CBD 距離并控制時間固定效應?；貧w結果如表3 第(4)列所示，針對企業周圍密度進行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，在進行了更為嚴格的因素控制之后整體結果較為穩健，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生性檢驗部分對于街區密度效應識別的穩健性。

(4)比較街區間密度差異。出于穩健性考慮，我們參考Carlino 等(2007)的做法，通過截面數據回歸來比較街區間密度差異帶來的創新效應。我們計算企業層面專利授權數量、街區密度及其他企業層面特征變量的年平均值，進行截面數據回歸并控制區縣與行業固定效應，結果如表3 第(6)列所示，發現街區密度提升導致的正向效應。①其他穩健性分析結果請見《經濟科學》官網“附錄與擴展”。

五、進一步分析

(一)機制分析:街區密度與知識溢出

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

表4 街區密度與知識溢出(企業層面)

企業整體的專利信息所反映的知識溢出效應有限，因此仍需判斷企業是否在享受周圍街區高密度發展外部性后依然能夠與其他知識流發生顯著碰撞。我們使用專利引用數據結合谷歌專利(Google Patent)數據庫進行匹配，獲取更為詳細的專利引用信息，構建約140 萬條工業企業發明專利引用—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”，以捕捉街區尺度高密度發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 千米的街區尺度之內虛擬變量(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，結果如表5 所示。第(1)列中，企業周圍專利密度系數顯著為正，說明企業周圍的本地化知識流高密度趨勢有助于企業獲取與學習同城市內部其他知識；第(2)列發現本地化的知識流密度可以顯著促進企業對周圍5 千米內其他知識的學習；第(3)列將樣本限制為引用同城市的專利配對后發現本地化效應顯著為正；第(4)列發現本地化知識流高密度發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現這種效應更為顯著，而第(6)列將樣本改為不同城市的引用配對后發現街區尺度高密度發展的效應不再顯著，其對跨城市的知識溢出影響并不明顯。總體結果說明，本地化知識高密度發展會使得知識溢出形成本地化趨勢，增加街區尺度內知識溢出活動的強度，讓創新個體在街區尺度內獲取其想要的知識，從而避免較長地理距離可能導致的知識溢出衰減。此外，城市內部的集聚主要對城市內部的溢出產生影響，即知識溢出活動實際是高度集中于城市內部的。①使用人口密度作為解釋變量的分析結果請見《經濟科學》官網“附錄與擴展”。

表5 街區密度與知識溢出(專利引用配對層面)

(二)異質性分析

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

表6 異質性分析

(2)企業人員規模異質性。由于缺乏研發人員規模的數據，本文認為在人員規模較大的企業中，研發人員規模相對較大；相反，人員規模較小的企業中研發人員規模也較小，因此我們將研發人員規模異質性轉換為人員規模異質性進行分析，以捕捉部分因研發人員規模變異導致的差異。我們構建密度與企業人員規模(size)交乘項，結果如表6第(3)列所示。企業人員規模對街區密度效應有正向調節效應，對人員規模較大的企業而言，密度正向效應相對更強。

(3)企業的生產率異質性。我們基于工業企業數據庫，采用LP 估計法進行全要素生產率計算，但是基于這一方法僅能得出2000—2007 年企業全要素生產率(2007 年以后部分指標缺失導致無法計算全要素生產率)。在此基礎上，我們進一步計算了每個企業樣本期內全要素生產率均值，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 則說明企業生產率高于均值，屬于生產率較高企業，相反則屬于生產率較低企業。之后，我們構建生產率分類虛擬變量與密度交乘項，結果如表6 第(4)列所示。交互項系數均顯著為正，全要素生產率分類虛擬變量對街區密度效應有正向調節效應，全要素生產率較高的企業密度正向效應相對更強。

(4)交通設施異質性。我們以企業所處區位為研究對象，根據前文穩健性檢驗中收集的企業周圍公交站點數量進行異質性分析。我們構建街區尺度內公交車站密度(bus)與街區密度的交乘項重新回歸，結果如表6 第(5)列所示。交互項系數顯著為正，說明企業周圍街區尺度內交通設施越好，企業本身能夠接受的集聚正外部性越強，交通基礎設施能夠提升街區內的交流以及街區與其他街區之間的互動。

(5)企業所屬行業異質性。我們參考沈體雁等(2016)的做法，根據工業企業數據庫將行業內成熟企業的市場份額標準化作為成熟度指數，構建密度與行業成熟度(ind)以及行業成熟度二次項交乘項與密度交乘并進行回歸，結果如表6 第(6)列所示。可以看出，行業成熟度以及二次項與街區密度交乘項系數均顯著為負，說明行業成熟度與街區密度效應存在倒U 形調節效應。計算行業成熟度拐點后發現，其落在本文行業成熟度樣本區間內，說明非線性的調節效應真實存在。

參考沈體雁等(2016)的分類方法，我們將工業企業按照所屬2 位數行業分為技術密集型行業與非技術密集型行業并構建虛擬的分類變量(skill)，構建行業技術密集度分類變量(skill)與街區密度交乘項并進行回歸，結果如表6 第(7)列所示。交乘項系數均顯著為正，意味著對技術密集型行業內企業而言，其受到密度正向效應相對非技術密集型行業內企業更強，說明技術密集型行業由于其自身較高的技術投入需求，更依賴于密度產生的正外部性。①城市擴張模式的異質性分析相關結果請見《經濟科學》官網“附錄與擴展”。

(三)關于密度的進一步討論

1.城市平均密度與街區密度的比較分析

我們基于LandScan 遙感人口數據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展過程中整體層面密度與局部街區密度的重要性差異。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等一系列城市層面的特征以及規模、年齡等企業層面特征，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。

結果如表7 第(1)列所示，城市層面人口密度系數顯著為正，驗證了城市整體密度的正外部性。隨后，我們加入人口規模以及人口規模二次項，以剝離人口密度可能包含的城市規模外部性，使得所觀測的城市層面密度更為準確，結果如第(2)列所示。城市層面密度系數顯著為正，說明城市人口密度每提升1%，則平均而言每個企業專利水平可能會提升0.0151%。我們在前文論述了街區密度代表的城市內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密度，觀測出城市層面密度系數的變化，用于比較城市層面密度與街區層面密度效應的差異?；貧w結果如表7 第(3)列所示，額外加入街區密度后城市層面密度系數有所下降，且街區密度系數顯著為正，相對城市層面密度效應更大。為了方便兩者系數的比較，我們對兩項密度進行標準化并重新回歸，結果如第(4)列所示。街區尺度系數依然相較城市層面系數更大，說明在觀測城市密度對創新的影響時，從街區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)做法的基礎上加以調整，在原有的0—5 千米街區尺度密度按照地理距離向外增加環形區域，重新計算企業周圍6—10 千米尺度內的密度以及11—15 千米范圍內的密度，以考察隨著距離的增加，外部性對中心企業的作用是否會減弱。我們先單獨估計了企業周圍6—10 千米范圍內的密度與11—15 千米范圍內的密度效應，然后將兩者密度與我們測度的街區尺度密度放入回歸中進行比較，最終回歸結果如表8 所示。第(1)列僅考察企業周圍6—10 千米的密度，其回歸系數顯著為正；第(2)列僅考慮企業周圍11—15 千米的密度，系數依然為正，但是并不顯著；第(3)列將0—5 千米范圍內密度以及6—10 千米范圍內密度同時進行回歸，結果發現0—5 千米內的密度效應比6—10 千米更強，且6—10 千米的密度系數顯著性有所下降；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論，且11—15 千米的密度系數依然不顯著；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進行標準化處理，結果顯示密度效應系數最大的是0—5 千米內，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，且后兩者密度系數并不顯著。①衰減性的穩健性分析結果請見《經濟科學》官網“附錄與擴展”。

表8 密度外部性的空間衰減性

3.其他類別街區尺度密度與創新

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

表9 勞動力、企業密度與創新

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

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

表10 同行業與不同行業的密度效應對比

六、結論與啟示

本文以城市密度為主要研究視角來分析城市密度對企業創新的作用機制，并使用2000—2013 年工業企業數據庫及其專利數據、LandScan 人口數據等數據樣本綜合識別城市內部密度對企業創新的因果效應。研究結果表明:第一，街區尺度密度對企業創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，在一系列穩健性檢驗后這一效應依然穩健存在。第二，異質性分析后我們發現，進入者與在位者之間受到密度正向影響的差異并不顯著，但人員規模較大企業受到的正向外部性更強，高生產率企業對于密度的外部性更為敏感。當企業所屬行業處于年輕階段時，隨著行業逐步成熟，企業所受的密度正向外部性也在變強；行業一旦成熟，密度影響會逐漸減弱，且技術密集型行業中企業更易吸收密度產生的外部性。對于城市發展而言，隨著城市規模的不斷擴張，城市內部形成的街區密度效應也會逐漸增強，城市擴張過程中形態分散化、多中心化發展導致的負外部性也會因為本地化的高密度發展而得到有效緩解。第三，進一步基于密度討論后，我們發現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；街區尺度的企業密度、勞動力密度都發揮著顯著作用，中心企業周圍企業高密度集聚與創新型企業高密度集聚能夠主導知識溢出效應，企業周圍的創新高密度集聚能夠促進企業對創新知識流的吸收與學習。對于中心企業而言，相比同行業密度，跨行業密度產生的溢出效應對企業研發的影響更為顯著。第四，街區尺度的高密度發展有助于企業對城市內部其他知識流的捕捉，尤其是企業周圍的街區能夠為企業提供創新所必需的知識要素，緩解知識溢出存在的空間衰減性。

在當前城市化發展進程中，從長期來看，關注城市密度對企業創新產生的影響，對于促進經濟發展、提升經濟競爭力具有重要意義。結合分析與結論，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，引導企業或知識流進入較小街區尺度的集聚中心進行研發與創新。積極發揮政府的示范效應與引導效應，通過研發補貼等獎勵性政策有針對性地引導企業向諸如“創意街區” 等區域進行選址與集聚，避免部分具有創新潛力的企業個體因為成本對高密度街區望而卻步。第二，在街區內部建立企業合作交流平臺，提升知識流碰撞的機會，打造綜合型集聚中心。鼓勵街區內企業間交流，在街區內設立創新空間等場所，增加企業間技術交流、技術分享等會議或者活動，促進企業間的相互學習。通過設立餐廳、咖啡館等服務性設施，為高技術勞動力提供交談場所，增加人與人之間的學習頻率。此外，在城市內部積極發展交通基礎設施，加強各個街區內部以及街區之間的通勤便利性。第三，從街區尺度的集聚本身來看，需要有針對性地促進城市內部高密度街區的現代化轉型，注重街區內部創新個體多樣化集聚，提升街區尺度創新優勢的形成。提升街區尺度內的行業多樣性，鼓勵不同行業知識流的匯聚，重點嘗試促進新興行業與成熟行業的共同集聚，發揮成熟行業的技術外溢性，帶動新興行業的研發與創新。在街區內提升技術密集型行業與非技術密集型行業的交流，加強部分具有潛力的非技術密集型行業的升級轉型?；诠脚c效率的原則，應更加關注中小企業、低生產率以及非創新型企業，通過補貼政策引導這些企業在優勢集聚街區選址，提升中小企業、低生產率企業以及非創新型的創新潛力與動能。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“創新街區” 以及“創新港” 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濟的同時化解擴張松散化、蔓延化發展帶來的負外部性。