“淺嘗輒止”抑或“鉆之彌堅”：中國生物醫藥行業多維技術溢出與原創性創新研究

摘 要： 中國生物醫藥產業邁向原始創新是實現產業轉型升級的必由之路。以2005-2020年中國生物醫藥A股上市公司作為研究樣本，利用高維固定效應面板模型，實證分析多維技術溢出對醫藥企業原創性創新的因果效應與影響路徑。研究發現：行業內、行業間以及本地化技術溢出顯著提升醫藥企業原創性創新水平，而研發投資激勵效應是其中的影響路徑，市場競爭在其中發揮著負向調節作用。異質性分析表明，多維技術溢出對國有、大規模以及高新技術企業的積極影響更大。研究結論為激勵生物醫藥企業原創性創新活動、助推中國生物醫藥產業創新升級提供了參考依據。

關鍵詞： 原始創新；中國生物醫藥產業；多維技術溢出

中圖分類號： R 194; F 062.9

文獻標志碼： A

收稿日期：2024-05-20

基金項目：2020年度教育部人文社會科學研究項目“非正式制度與企業創新——基于鄉土文化視角的研究”（20YJC790175）

作者簡介：李卓璘（1998—），男，山東濰坊人，上海海洋大學經濟管理學院，碩士研究生，研究方向：產業組織與產業發展。平瑛（1964—），女，浙江杭州人，上海海洋大學經濟管理學院，教授、博士生導師，管理學碩士，研究方向：產業組織與產業發展、農業經濟管理。潘旺（1999—）（通信作者），男，湖北武漢人，上海海洋大學經濟管理學院，碩士研究生，研究方向：農業管理。

文章編號：1005-9679（2024）05-0066-09

Can Diverse Technology Spillover Enhance the Innovation Originalityof Firms？ Multidimensional Technology Spillover andOriginal Innovation Research in China’s Biomedical Industry

LI Zhuolin PING Ying PAN Wang

（College of Economics and Management ， Shanghai Ocean University， Shanghai 201306）

Abstract： China’s biomedical industry towards original innovation is the only way to realize industrial transformation and upgrading. Taking the 2005-2020 Chinese biomedical A-share listed companies as the research sample， the high-dimensional fixed-effect panel model is used to empirically analyze the causal effect and influence path of multi-dimensional technology spillover on the original innovation of pharmaceutical enterprises. The study found that： intra-industry， inter-industry and localized technology spillover significantly improves the original innovation level of pharmaceutical enterprises， and the incentive effect of R & D investment is the influence path， and market competition plays a negative role in regulating it. Heterogeneity analysis shows that multi-dimensional technology spillover has a greater positive impact on state-owned， large-scale and high-tech enterprises. The research conclusions provide a reference for encouraging the original innovation activities of bio-pharmaceutical enterprises and boosting the innovation and upgrading of China’s bio-pharmaceutical industry.

Key words： original innovation; China’s biomedical industry; multidimensional technology spillover

0 引言

受限于醫藥研發的高風險、高投資、長周期的特點［1，2］，醫藥企業在研發過程中面臨著發現新靶點、引入新分子實體或者直接進行藥物仿制之間的權衡［3］。原研藥核心專利的到期為仿制藥生產提供了市場機遇。醫藥企業通過對劑型、給藥途徑進行改進或發現新的適應癥，能夠避開原研藥的非核心專利限制。由于仿制藥的活性成分與原研藥相同，并且通常不需要進行化合物研究階段的試驗，這使得臨床前和臨床試驗的難度大幅降低。研發難度的降低減少了研發失敗的可能性，同時帶來研發周期的大幅縮短，最終導致仿制藥研發具有較大的成本和時間優勢。仿制藥的研發過程涉及對原研藥的模仿、改進和再創新，具有明顯的技術溢出特征，這在中國醫藥研發中非常普遍。技術溢出所帶來的時間和成本優勢可能導致醫藥企業的創新惰性。這是由于難仿藥或原研藥的研發難度相較之下極大，醫藥企業很有可能選擇規避此類風險并失去進行原創性創新的機會。然而，技術溢出的這些優勢也可能促使企業實行仿創結合［4］的研發模式，對仿制藥控本增效，并以仿制藥研發的低風險對沖原始創新的高投資風險和長研發周期，從而支持原始創新。那么，醫藥行業的技術溢出是否能夠激勵企業提升技術原創性呢？哪些因素促使企業選擇“仰之彌高，鉆之彌堅”的深度技術研發而非進行“淺嘗輒止”的改良式或模仿式創新呢？

基于這些問題，通過手動檢索得到生物醫藥A股上市企業46.5萬余條專利的詳細數據，并將其與企業財務、基本工商信息數據相匹配。在深入分析技術溢出與醫藥企業原創性創新之間內在邏輯的基礎上，以計量經濟學面板數據模型驗證理論的正確性并探索其中的作用機理。預期將拓展技術溢出理論研究，豐富相關經驗證據，并為醫藥行業創新升級提供政策參考。

1 理論分析與研究假設

1.1 技術溢出與藥企原創性創新

提高生物醫藥研發的原創性和新穎性已成為困擾世界醫藥行業的難題，而這在很大程度上歸因于醫藥研發高投資、高風險、高利潤和長周期的特征。為了回避高額研發投資所帶來期望報酬的巨大波動性，醫藥企業通過投資組合最小化財務風險，更加關注增量創新而非質量創新［5］。醫藥企業在研發活動中所固有的風險規避特征是導致藥物創新缺乏新穎性和原創性的深層原因［6］。因此，如何幫助醫藥企業削減研發成本、平衡研發風險、保障研發投資持續性，將對原創性創新活動產生較大激勵作用。

首先，技術溢出具有削減研發成本的作用。多元化技術外溢為研發企業創設了良好的外部知識環境，降低了醫藥企業搜尋、獲取、轉移、利用知識的成本［7］。這允許企業“站在巨人的肩膀上”進行新的創新，有效避免了重復性研發投資所耗費的大量人力資本和物質資本，并有助于優化研發分工和提升研發效率。另外，技術外溢為研發企業提供了f79ef689648d15d190875663d99d5db6成功經驗與失敗教訓，醫藥企業通過研發信息獲取與研發路徑追蹤，能夠幫助研發過程更為順利，減少因頻繁研發失敗而產生的沉沒成本。

其次，技術外溢能夠有效降低研發風險。由于較高的探索成本以及高波動性的研發收益，導致多數醫藥企業不愿意成為“第一個吃螃蟹的人”。而技術溢出過程通常伴隨著研發交流與技術學習，這促使隱性知識和隱藏信息通過科研人員在企業間進行傳播［8，9］。這有助于加深研究人員對所在研發領域的認識，警惕和防范研究過程中的風險，最終減少原創性技術研發過程中的不確定性。

最后，技術外溢有助于增強研發投資的持續性。技術領導企業的創新示范效應能夠激勵同類企業的技術研發過程［10］。在利潤導向的驅動下，行業內其他企業將追隨領導者的技術更新與迭代步伐，促使醫藥企業不斷投入研發資金進行新一輪的創新。此外，我國生物醫藥產業具有集群化發展的特征［11］。本地化的技術溢出為醫藥企業研發創造了有益的研發環境和創新氛圍，有助于協同研發行為的開展，從而產生更多高質量創新成果［12］。這進一步通過“成功孕育成功”的機制，激勵企業進行新一輪的創新，從而提高企業研發創新投入的連續性［13］。

由此，提出研究假設H1：多維技術溢出激勵醫藥企業開展原創性創新活動。

1.2 研發投資的中介作用

技術溢出通過改變醫藥企業利潤回報預期，產生研發投資激勵效應，激勵企業原創性創新活動。這主要體現在以下兩個方面：其一，技術溢出增強醫藥企業研發投資意愿。醫藥企業的研發決策主要基于期望收益與成本決策，技術溢出過程的正外部性特征能夠改善企業利潤回報預期。經驗證據顯示，技術溢出能夠增加企業研發后營業收入［14］，即使領先技術企業通過技術交易市場內部化外溢的知識（或創新準租金），溢出過程仍能強化企業營收預期［15］，并增強企業研發投資激勵［16］。其二，技術溢出有助于改善醫藥企業研發投資結構。技術溢出的本質是對核心技術知識和異質性知識的獲得、整合和運用［17］。這為醫藥企業接觸前沿技術信息和最新市場需求提供了機遇，有助于企業學習吸收新思想和新方法解決技術難題，從而實現技術的迭代升級。

基于上述分析，提出研究假設H2：多維技術溢出通過研發投資激勵效應提升企業技術原創性。

1.3 市場競爭的調節作用

市場競爭在企業創新過程中表現出雙重影響：熊彼特效應和逃避競爭效應［18］。中國生物醫藥企業的研發領域和作用機制集中度較高［19］，這導致企業彼此之間的技術和產品替代性較強，并成為醫藥研發競爭激烈的深層原因。因此，此時制約創新的熊彼特效應相對于激勵創新的逃避競爭效應可能更占據主要地位。國外的經驗證據表明，更激烈的市場競爭可能改變生物醫藥企業的研發方向，促使企業選擇風險低、收益穩定而社會福利小的研發項目，這在新冠疫情期間世界醫藥研發活動中有較好的體現［20］。此外，來自中國藥品集中帶量采購政策實施的經驗證據也顯示，較低的市場競爭程度更有助于發揮集采的創新效應［21］。這與生物醫藥的研發特征有著密切的關聯，更激烈的市場競爭可能導致醫藥企業急于收回研發成本，疲于應對市場生存壓力，而忽視對高質量創新連續、大量的投入。

由此，提出研究假設H3：市場競爭對技術溢出影響醫藥企業原創性創新具有負向調節作用。

2 研究方法

2.1 數據來源

以2005—2020年生物醫藥A股上市公司作為研究樣本。企業數據來自CSMAR和CCER經濟金融數據庫，按照申銀萬國2021版行業分類標準確定企業行業歸屬。考慮到專利被引用所需的時間，數據截止到2020年末。專利數據來自PatSnap智慧芽數據庫、Google專利檢索系統以及國家知識產權局專利檢索及分析系統，使用企業中文或英文全稱手動檢索并基于Python編程匹配原始專利的前、后向引文及其所屬企業。為了剔除無效的專利申請，將檢索范圍限定在全球164個國家（或地區）的知識產權局，包含法律狀態為公開、實質審查、授權、期限屆滿、未繳年費、權利恢復、部分無效的專利。

2.2 數據處理

為確保數據的可靠性與完整性，對研究樣本作如下處理：①剔除當年上市狀態為ST、*ST、暫停上市或退市的樣本。②剔除連續三年以上觀測值缺失的樣本。③基于隨機森林算法進行鏈式方程多重插補，選取插補后不改變原有數據分布、均值變化量小于5%的數據集作為分析對象。進行此項處理的目的在于盡可能保證數據完整性，盡量避免樣本選擇偏差。④對所有連續變量進行前后1%的縮尾處理，以避免極端值對實證結果的影響。經處理，最終得到341家生物醫藥A股上市公司的2863個企業-年度觀測值。其中，匹配得到的（去重后的）專利數據（包含原始專利及其前、后向引文）共計46.5萬條。

2.3 變量說明

2.3.1 被解釋變量

原創性創新水平（Origin）。利用申請專利的原創性指數反映企業原創性創新水平。在測度中借鑒Trajtenberg等［22］的研究，使用原始專利的后向引文信息將專利原創性定義為：

Originq=1-∑Kk=1BCitedqkBCitedq2（1）

Originit=∑Qk=1Originitq/patit（2）

式中，BCitedq為專利q的后向引文總數，BCitedqk為q專利在k技術子類的后向引文數量。Originq越高，則專利的原創性越高。企業層面的專利原創性（Originit）則為企業i在t時期所申請的所有專利原創性的平均值。

2.3.2 主要解釋變量

行業內溢出（within_spill）。參考Lucking等［23］的方法，首先以k維列向量Si，T=（Si，1，T，Si，2，T，Si，3，T，…，Si，k，T）表示企業i于T時期（2005—2020年）在所有技術子類的專利份額矩陣。其中，Si，k，T表示k技術子類的份額，定義為企業i所申請的專利中k技術子類的IPC代碼個數與IPC代碼總個數之比。專利份額矩陣均基于3位IPC代碼計算，并進行去重處理。然后，將k維列向量Si，T標準化后得到Si，T=Si，T/（S′i，TSi，T）12。i企業j與企業的技術鄰近度則為二者標準化專利份額矩陣的點積，即ωji，T=S′i，TSi，T（i≠j）。之后，參考Hall［24］的經典方法計算企業知識資本存量lnRdStockjt，計算過程中折舊率取15%。企業i在t時期的行業內溢出則為企業i與企業j（j=1，2，…，N-1）的技術鄰近度與企業j知識資本存量自然對數的乘積之和，即

within_spill=∑N-1j=1ωji，TlnRdStockjt（3）

式中，ωji，T為技術鄰近度矩陣，lnRdStockjt為知識資本存量矩陣。在回歸中對計算得到的技術溢出除以1000以縮小變量間的單位差異，以下相同。

行業間溢出（inter_spill）。借鑒Schnitzer和Watzinger［25］的方法，使用原始專利的前向與后向引文數據對技術鄰近度矩陣進行加權，以計算跨行業技術溢出。首先，定義一個標準化的k維列向量Zi，T，用以反映原始專利前、后向引文的（3位）IPC代碼分布情況。將此列向量Zi，T與Si，T對應元素相乘得到gi，T，從而對初始的專利份額矩陣進行加權。此時，企業i與企業j的技術鄰近度矩陣變為ωcites_augji，T=g′i，tgi，t（i≠j），對此矩陣進行標準化后得到ωcites_aug_stdji，T，進而計算得到行業間技術溢出如式（4）所示。

inter_spillit=∑N-1j=1ωcites_aug_stdji，TlnRdStockjt（4）

本地化溢出（techgeo_spill）。技術溢出具有隨地理距離增加而衰減的特征［26，27］。因此，通過引入距離矩陣以反映溢出的本地化特征。首先，以企業總部辦公地點的經緯度定義企業的實際位置，并計算企業i與其他所有企業j的地理距離。之后，考慮一個隨地理距離線性衰減的知識流動矩陣ωdisji，T=max（Dji，T）-dji，Tmax（Dji，T），其中max（Dji，T）為樣本中所有企業之間距離的最大值，dji，T為企業i與j之間的實際距離。由此得到距離加權的技術鄰近矩陣ωdis_augji，T=ωji，Tωdisji，T（i≠j）。將此矩陣內所有元素取值映射到［0， 1］區間得到ωdis_aug_stdji，T。最后，將距離加權的技術鄰近度與企業知識資本存量相乘得到企業i在t時期的本地化技術溢出如式（5）所示。

techgeo_spillit=∑N-1j=1ωdis_aug_stdji，TlnRdStockjt（5）

2.3.3 控制變量

借鑒相關研究，將企業總資產（lnassed）、是否為國有企業（SOE，國有=1，民營=0）、實際營業收入（lnRevenue）、企業年齡（lnage）、資產負債率（Lev）、總資產周轉率（Tirmpver）、政府補貼（lnsub）作為控制變量。文中所有變量，若在計算過程中涉及研發投入，則使用研發投資價格指數進行平減［28］；若涉及營業收入，則使用醫藥制造業工業品出廠價格指數進行平減。為縮小變量間單位差異，對部分連續變量取自然對數。

2.3.4 中介變量

研發投資強度（lnRdInt），定義為企業實際研發投入與實際營業收入之比的自然對數。

2.3.5 調節變量

勒納指數（Lernerit），定義為（營業收入-營業成本-銷售費用-管理費用）/營業收入［29］，用以衡量企業面臨的市場競爭程度。勒納指數越高，說明企業市場勢力越大，同時面臨的市場競爭越小。

2.4 計量模型設定

以高維固定效應線性回歸作為基準模型，用以驗證假設H1。設定的回歸形式為：

Originit=β0+β1Spillit+βkXit+ηi+τyear+φInd+εit（6）

其次，為驗證假設H2，采用兩步回歸法檢驗中介效應：

MVit=γ0+γ1Spillit+γkXit+ηi+τyear+φInd+εit（7）

Originit=η0+η1Spillit+η3MVit+ηkXit+ηi+τyear+φInd+εit（8）

最后，為驗證假設H3，設定調節效應模型為：

Originit=α0+α1Spillit×Lernerit+α2Spillit+α3Lernerit+αkXit+ηi+τyear+φInd+εit（9）

其中，Originit為專利原創性，是企業原創性創新水平的代理變量。Spillit為主要解釋變量，表示多維技術溢出，包括行業內溢出（within_spill）、行業間溢出（inter_spill）以及本地化溢出（techgeo_spill）。Xit為控制變量。MVit為中介變量。在回歸中控制三位代碼行業固定效應（Ind）、企業固定效應（ηi）以及年份固定效應（τyear）三重固定效應，以此控制未觀測到的外部沖擊和企業異質性。εit為隨機誤差項。

3 實證結果與分析

3.1 描述性統計分析結果

表1展示了變量的描述性統計結果。分析可知，企業專利原創性的取值區間為［0， 0.690］，而均值和標準差分別為0.220和0.170，表明醫藥企業間技術原創性差距較大，且總體水平不高。行業內、行業間以及本地化溢出的大小相仿，并且測算得到的行業內溢出最大。

3.2 基準回歸結果

表2展示了基準回歸結果，列（1）、（2）、（3）主要解釋變量分別為行業內、行業間和本地化溢出。這些估計系數至少在1%的顯著水平下為正值，說明技術溢出效應將提高醫藥企業專利原創性。在技術鄰近性不變的前提下，其他企業的知識資本存量每增加1%，則企業i的專利原創性將增加0.098ji，T或0.104ji，T，其中ji，T為企業i與其他所有企業技術鄰近性的均值。由此，假設H1得證。

3.3 穩健性檢驗

使用工具變量解決內生性問題。考慮到測度誤差、遺漏解釋變量、反向因果等帶來的內生性問題及其導致的估計系數不一致性，參考楊立成等［32］構造移動份額工具變量（SSIV）并進行面板工具變量回歸。回歸過程中，先對固定效應模型進行離差變換，再對變換后的模型進行兩步GMM估計。表3第（1）到（3）列展示的估計結果表明，在解決內生性問題后結論仍然有效，并且估計系數和顯著性幾乎沒有發生變化。

a括號內為P值，檢驗結果強烈拒絕不可識別的原假設。

b括號內為Stock-Yogo弱工具變量10%臨界水平，檢驗結果拒絕弱工具變量的原假設。

c由于只有一個工具變量，因此恰好識別，不存在過度識別問題。

更換聚類層次。表4 Panel A將聚類層次更改為“年份×行業”，在更改聚類層次后多維技術溢出的估計系數基本不變，并且仍至少在1%的顯著水平下為正數。

替換解釋變量。3位IPC代碼可能并不能充分反映企業所發明技術的異質性，因此使用4位IPC代碼重新計算多維技術溢出變量，之后引入基準模型重新回歸。如表4 Panel B所示，在更改IPC代碼位數后結論仍然穩健。

縮小樣本時間窗口。重大新藥創制國家科技重大專項于2008年啟動，新冠疫情于2020年初開始在全國范圍內蔓延，二者對生物醫藥產業產生了巨大的外部沖擊。因此剔除2008年之前和2020年之后這一段時期，并重新估計基準模型。如表4 Panel C所示，在縮小時間窗口后，多維技術溢出估計系數的顯著水平有所下降，但仍至少在5%的顯著水平下成立。

3.4 研發投資的中介效應

原創性創新需要大量資金支持，技術溢出能夠通過激勵企業增加研發投資來支持高質量創新活動。表5展示了作用機制分析結果，研發投資在行業內、行業間以及本地化溢出的中介效應分別為0.0055、0.0036、0.0061，占總效應比重分別為5.58%、3.65%、5.86%。中介效應檢驗的Sobel統計量在［2.1， 2.3］的區間內，且至少在5%的顯著水平下成立，這證實技術溢出能夠通過投資激勵效應支持原創性創新，從而驗證了假設H2。

3.5 市場競爭的調節作用

市場競爭是企業創新過程中的重要外部變量，競爭程度的強弱驅使企業作出不同的創新決策，并對溢出效應具有調節作用。表6展示了調節效應回歸結果，勒納指數與行業內、行業間溢出的交互項分別至少在10%、5%的顯著水平下成立，而與本地化溢出的交互項仍為正但不顯著。這說明更激烈的市場競爭可能驅使醫藥企業增加短期主義創新傾向，并減少知識共享。這不利于行業內外的知識傳播，也不利于企業原創性創新水平的提升。這些結果與唐運舒等［21］的觀點相似。由此，假設H3得證。

3.6 拓展性分析：技術溢出的異質性影響

企業產權性質的異質性。國有企業是政府解決市場失靈的工具，其技術創新行為需要充分考慮研發的社會效益，并在研發實踐中從事更多基礎性研究。而民營企業在研發活動中主要基于利潤最大化決策，在創新中主要從事應用型研究。國有與民營企業在創新過程中社會分工的差別，導致二者研發基礎以及吸收能力的差異。表7第（1）、（2）列分別展示民營和國有企業的回歸系數，可以看出，多維技術溢出效應對國有企業技術原創性的積極影響更大，這可能歸因于國有企業較好的研發基礎。

企業規模的異質性。不同規模的企業盈利能力存在差異，而生物醫藥技術的研發需要持續性的創新投入。因此，大規模企業由于具有穩固的市場地位，其研發投入現金流的連續性更強，具有更多的研發固定資產，并且能夠承擔更多研發風險。而中小企業受限于融資約束，可能在研發活動中更少從事原始性創新活動。表7第（3）、（4）列分別展示了大規模企業和中小企業的回歸系數。回歸結果證實，相比于中小企業，技術溢出對大規模企業原始創新的刺激作用更強。

企業技術性質的異質性。不同技術水平的企業由于研發實力不同，對技術溢出效應的感應能力可能存在差異。高新技術企業由于技術水平相對較高，在研發過程中的技術約束較少，因此可能具備相對于非高新技術企業的研發優勢。表7第（5）、（6）列分別展示了非高新技術和高新技術企業的回歸結果。可以看出，高新技術企業受到技術溢出的刺激作用更強但顯著性略低，而非高新技術企業則相反。這可能是由于，高新技術企業技術水平較高，在獲取外部知識后能夠有效轉化為技術創新，因而表現為多維溢出的估計系數更高。但是高技術水平也使得可供借鑒的、有價值的知識更少，因而表現為更低的顯著水平［16］。

4 結論與政策建議

利用2005—2020年生物醫藥A股上市公司匹配數據，實證檢驗了多維技術溢出對醫藥企業原創性創新的影響。研究發現：行業內、行業間以及本地化技術溢出通過研發投資激勵效應對醫藥企業原創性創新產生積極影響，市場競爭在其中發揮負向調節作用，國有、大規模、高新技術企業相比于民營、中小和非高新技術企業受到技術溢出效應的積極影響更明顯。

對此，提出如下政策建議：第一，建立和完善良性知識流轉機制。在制度實踐中，應當完善技術交易市場機制，搭建多元研發交流平臺，促進研發知識大范圍、多層次、合法性流動。注重搭建跨行業、跨學科技術合作平臺，引導行業外知識流入，豐富生物醫藥產業創新實踐。第二，建設生物醫藥產業發展集群。制定政策促進生物醫藥產業集群化發展，充分利用規模經濟優勢，促進集群內知識和信息共享，帶動地域鄰近企業提升技術創新能力。第三，穩定市場競爭環境。政府應當嚴格執行醫藥行業準入規范，監管醫藥企業競爭行為，防止不正當競爭和尋租行為。加強藥品市場價格監管，建立規范有序的市場競爭框架，從而激勵全體企業的高質量研發活動。第四，優化研發補貼結構與數量。政府研發補貼政策應當兼顧初創民營企業、中小企業以及非高新技術企業的研發需求和利益，注重培養“小而專、小而精”的小巨人企業，幫助具有研發潛力的企業從事研發活動。

參考文獻：

［1］ DIMASI J A， GRABOWSKI H G， HANSEN R W. Innovation in the pharmaceutical industry： new estimates of R&D costs［J］.Journal of Health Economics， 2016， 4720-4733.

［2］ RICHARDS D. Drug development and regulation［J］.Medicine， 2008， 36（7）： 369-376.

［3］ GRABOWSKI H. Patents， innovation and access to new pharmaceuticals［J］.Journal of International Economic Law， 2002， 5（4）： 849-860.

［4］ 敖翼， 濮潤， 盧姍， 等. 我國新藥創制的模式選擇與發展思考［J］.中國新藥雜志， 2020， 29（2）： 136-142.

［5］ KRIEGER J L， LI X， THAKOR R T. Find and replace： R&D investment following the erosion of existing products［J］.Management Science， 2022， 68（9）： 6552-6571.

［6］ DRANOVE D， GARTHWAITE C， HERMOSILLA M. Does consumer demand pull scientifically novel drug innovation？［J］.The RAND Journal of Economics， 2022， 53（3）： 590-638.

［7］ TSENG C Y， PAI D C. Knowledge search， spillover and creation capability in India’s pharmaceutical industry［J］.Technology Analysis & Strategic Management， 2014， 26（2）： 207-222.

［8］ BRAUNERHJELM P， DING D， THULIN P. Labour market mobility， knowledge diffusion and innovation［J］.European Economic Review， 2020， 123（2020）： 103386.

［9］ TZABBAR D， LEE J， SEO D. Collaborative structure and post-mobility knowledge spillovers： A dyadic approach［J］.Strategic Management Journal， 2022， 43（9）： 1728-1762.

［10］ 張豪， 張建華， 何宇， 等. 企業間存在全要素生產率的溢出嗎？——基于中國工業企業數據的考察［J］.南開經濟研究， 2018（4）： 102-119.

［11］ 李勛來， 劉曉倩， 李文琪. 生物醫藥產業集群創新發展的經濟增長效應研究——以山東生物醫藥產業集群為例［J］.科技管理研究， 2023， 43（9）： 153-160.

［12］ 王便芳， 王新慶， 張省. 知識溢出、企業創新與組織協同研發行為［J］.企業經濟， 2021， 40（4）： 153-160.

［13］ ADELHEID H， BETTINA P， CHRISTIAN R. Local knowledge spillovers and innovation persistence of firms［J］.Economics of Innovation and New Technology， 2023， 32（6）： 826-850.

［14］ ZACCHIA P. Knowledge spillovers through networks of scientists［J］.The Review of Economic Studies， 2020， 87（4）： 1989-2018.

［15］ ARQUE-CASTELLS P， SPULBER D F. Measuring the private and social returns to R&D： Unintended spillovers versus technology markets［J］.Journal of Political Economy， 2022， 130（7）： 1860-1918.

［16］ 龐瑞芝， 涂心語， 嚴曉玲. 產品市場競爭與知識溢出如何影響企業研發？——基于多維空間鄰近的實證識別［J］.產業經濟研究， 2021（2）： 1-14， 29.

［17］ 鄭曼妮， 黎文靖， 譚有超. 技術轉移與企業高質量創新［J］.世界經濟， 2024（3）： 66-93.

［18］ AGHION P， BECHTOLD S， CASSAR L， et al. The causal effects of competition on innovation： Experimental evidence［J］.The Journal of Law， Economics， and Organization， 2018， 34（2）： 162-195.

［19］ KONG L， LI Q， KAITIN K I， et al. Innovation in the Chinese pharmaceutical industry［J］.Nature Reviews Drug Discovery， 2023， 22（1）： 12-13.

［20］ BRYAN K A， LEMUS J， MARSHALL G. R&D competition and the direction of innovation［J］.International Journal of Industrial Organization， 2022， 82（2022）： 102841.

［21］ 唐運舒， 葉徽， 焦建玲， 等. 藥品集采、以量換價與藥企創新：如何實現醫藥減負與藥企創新發展的雙贏？［J］.中國軟科學， 2023（12）： 123-133.

［22］ TRAJTENBERG M， HENDERSON R， JAFFE A. University versus corporate patents： A window on the basicness of invention［Tc8LmkZek2Iu3lF1HhHQog==J］.Economics of Innovation and New Technology， 1997， 5（1）： 19-50.

［23］ LUCKING B， BLOOM N， VAN REENEN J. Have R&D spillovers changed？ ［R］： National Bureau of Economic Research， 2018.

［24］ HALL B H. The manufacturing sector master file： 1959-1987 ［R］： National Bureau of Economic Research Cambridge， Mass.， USA， 1990.

［25］ SCHNITZER M， WATZINGER M. Measuring the spillovers of venture capital［J］.Review of Economics and Statistics， 2022， 104（2）： 276-292.

［26］ LI Y A. Borders and distance in knowledge spillovers： Dying over time or dying with age？—Evidence from patent citations［J］.European Economic Review， 2014， 71152-71172.

［27］ MURATA Y， NAKAJIMA R， OKAMOTO R， et al. Localized knowledge spillovers and patent citations： A distance-based approach［J］.Review of Economics and Statistics， 2014， 96（5）： 967-985.

［28］ 朱平芳， 徐偉民. 政府的科技激勵政策對大中型工業企業R&D投入及其專利產出的影響——上海市的實證研究［J］.經濟研究， 2003（6）： 45-53， 94.

［29］ PERESS J. Product market competition， insider trading， and stock market efficiency［J］.The Journal of Finance， 2010， 65（1）： 1-43.

［30］ WOOLDRIDGE J M. Econometric analysis of cross section and panel data ［M］. MIT press， 2010.

［31］ CORREIA S. Singletons， cluster-robust standard errors and fixed effects： A bad mix［J］.Technical Note， Duke University， 2015， 7.

［32］ 楊立成， 周正， 張蕓蕓. 知識溢出與企業綠色創新——制度壓力與吸收能力的調節作用［J］.軟科學， 2023， 37（9）： 67-77.