地理研究  2019 , 38 (7): 1720-1732 https://doi.org/10.11821/dlyj020180097

论文

世界一流大学空间集聚对研发密集型企业空间布局的影响——以美国为例

侯纯光123, 杜德斌123, 史文天12, 桂钦昌12

1. 华东师范大学全球创新与发展研究院,上海 200062
2. 华东师范大学城市与区域科学学院,上海 200062
3. 华东师范大学国家教育宏观政策研究院,上海 200062

The influence of the spatial agglomeration of the world first-class universities on the spatial distribution of R&D intensive enterprises: A case study of the United States

HOU Chunguang123, DU Debin123, SHI Wentian12, GUI Qinchang12

1. Institute for Global Innovation and Development, East China Normal University, Shanghai 200062, China
2. School of Urban and Regional Science, East China Normal University, Shanghai 200062, China
3. National Institute of Educational Policy Research, East China Normal University, Shanghai 200062, China

通讯作者:  通讯作者:杜德斌(1963-),男,湖北宜昌人,教授,博士生导师,研究方向为世界地理和科技创新。E-mail: dbdu@re.ecnu.edu.cn

收稿日期: 2018-01-16

修回日期:  2019-05-10

网络出版日期:  2019-07-20

版权声明:  2019 《地理研究》编辑部 《地理研究》编辑部 所有

基金资助:  中国科学院战略性先导科技专项(A类)(XDA20100311)中国科协“高端科技创新智库青年项目”——博士生项目(CXY-ZKQN-2019-043)华东师范大学优秀博士生学术创新能力提升计划项目(YBNLTS2019-033)华东师范大学国家教育宏观政策研究院博士生科研项目(201902002S)

作者简介:

作者简介:侯纯光(1990-),男,安徽利辛人,博士研究生,研究方向为世界地理和科技创新。E-mail: 1570846532@qq.com

展开

摘要

以美国为例,运用矢量数据符号法、核密度估计,结合负二项回归模型,研究世界一流大学空间集聚对研发密集型企业空间布局的影响,得出以下结论:① 美国一流大学和研发密集型企业高等级集聚区主要有东北沿海大都市带、硅谷地区、芝加哥都市区和洛杉矶都市区,两者呈现高度的空间集聚性和空间匹配性。② 美国研发密集型企业偏向于选择与自身从事研发领域相关的一流学科空间集聚区进行布局。③ 美国一流大学和研发密集型企业的高值热点区集中在硅谷地区,呈半圆形辐射状,较高值热点区主要分布在东北沿海大都市带,呈带状辐射。④ 为寻求创新资源禀赋,获取知识溢出经济,共享创新基础设施,降低技术转移成本,获得创新集群优势,研发密集型企业优先选择一流大学集聚区进行空间布局。

关键词: 世界一流大学 ; 研发密集型企业 ; 空间布局 ; 影响机制 ; 美国

Abstract

The world first-class universities can continuously provide innovative talents, generate new knowledge and generate new businesses for the public, and have become the focus of global attention. The R&D intensive enterprises mean more investment in R&D, greater R&D strength, technology and innovation as the fundamental, realize its sustained and rapid development of enterprises, and the spatial distribution of R&D intensive enterprises is the microcosmic basis for understanding the regional economic transformation. This paper is based on the microcosmic data of world first-class universities and R&D intensive enterprises, by using vector data notation, kernel density estimation combined with the negative two regression model, taking the United States as an example, to study the influence mechanism of spatial agglomeration of world first-class universities on R&D intensive enterprises' spatial layout. The results shows that: (1) The world first-class universities and R&D intensive enterprises highly concentrated area mainly include the northeast coastal metropolitan zone, the Chicago metropolitan area, the Silicon Valley area and the Los Angeles metropolitan area, which present a high degree of agglomeration and spatial matching in the USA. (2) The software and computer services R&D enterprises are mainly concentrated in Silicon Valley, New York and Miami, the technology hardware and equipment R&D enterprises mainly concentrated in Silicon Valley, Los Angeles and New York; the pharmaceutical and biotechnology R&D enterprises mainly concentrated in Silicon Valley and New York; the health care equipment and R&D enterprises mainly concentrated in Silicon Valley and Boston, and R&D intensive enterprises prefer to choose the world first-rate subject space agglomeration area related to their own R&D field in the USA. (3) The high value hot spots in the first-class universities and R&D intensive enterprises are concentrated in the Silicon Valley area, showing a semicircular radiation pattern, and the higher value hot spots are mainly distributed in the northeast coastal metropolitan zone, showing the band radiation. (4) In order to seek innovative resource endowment, acquire knowledge spillover economy, share innovation infrastructure, reduce technology transfer cost, and get the advantage of innovation cluster, R&D intensive enterprises choose the first-class university agglomeration area for spatial layout.

Keywords: world first-class universities ; R&D intensive enterprises ; space layout ; impact mechanism ; United States

0

PDF (6708KB) 元数据 多维度评价 相关文章 收藏文章

本文引用格式 导出 EndNote Ris Bibtex

侯纯光, 杜德斌, 史文天, 桂钦昌. 世界一流大学空间集聚对研发密集型企业空间布局的影响——以美国为例[J]. 地理研究, 2019, 38(7): 1720-1732 https://doi.org/10.11821/dlyj020180097

HOU Chunguang, DU Debin, SHI Wentian, GUI Qinchang. The influence of the spatial agglomeration of the world first-class universities on the spatial distribution of R&D intensive enterprises: A case study of the United States[J]. Geographical Research, 2019, 38(7): 1720-1732 https://doi.org/10.11821/dlyj020180097

1 引言

知识化与全球化是当今世界发展的两大趋势[1]。在实践层面,随着知识经济蓬勃 兴起,被视为推动经济增长的四大要素:自然资源、资本、技术和教育,在影响经济 发展中的位序发生了显著变化,自然资源和物质资本的位序逐渐下降,科学技术和教育成为拉动经济增长的新“火车头”,科技创新俨然成为当今世界经济发展和社会进步最强大的驱动力。在理论层面,大学-产业-政府三螺旋理论已经成为创新研究的主流理论 之一,并在实践中彰显出强劲的生命力,该理论认为大学、企业和政府是推动区域发展的三大核心驱动要素,三者交互作用,形成螺旋上升的画面[2,3,4]。现代大学特别是世界一流大学具有知识传授、科学研究、创新创业三大基本功能,能不断向社会输出创新人才、产生新知识、衍生新企业,已成为全球关注的焦点,中国在2017年9月做出加快世界一流大学和一流学科建设的战略部署。作为区域创新系统的另一主体,研发密集型企业是指研发投入较多,研发强度较大,以技术创新为其根本,实现自身持续高速发展的企业,目前国际上比较公认的是将研发强度大于等于2%作为划分标准[5, 6],研发密集型企业的空间布局是理解区域经济转型和空间重构的微观基础。从全球范围来看,选取高校集中的地区进行研发密集型企业空间布局是许多国家或地区经济和科技腾飞的制胜 法宝,如美国的硅谷、波士顿128号公路、日本的筑波科学城、韩国的大德科学城等。可以看出,作为知识生产系统的大学和知识开发应用系统的企业两大创新主体之间的互动对于国家及区域创新系统的有效运作发挥着重要作用,受到各国政府和学者的广泛关注与重视。

通过梳理文献发现,相关研究成果主要集中在以下三方面:① 经济地理学区位论对研发密集型企业空间布局的借鉴。企业空间布局和区位选择一直是经济地理学研究的核心命题,形成了深厚的理论基础。杜能、韦伯、克里斯塔勒、廖什等人构建的古典、新古典区位论主要从成本、运费和市场的角度解释企业等经济活动的空间布局[7,8,9,10]。随着全球化的发展,现代区位论、商业地理学等主要从跨国公司的空间组织、企业的空间行为等视角对跨国公司的全球布局进行研究[11,12,13]。随着区域一体化和新技术革命等深入发展,经济地理学开始向制度、文化、关系、演化等多维转向,新经济地理学、新区域经济学等从集聚经济、规模经济的视角对企业的空间布局进行解读[14,15,16,17]。② 有关高校对研发密集型企业的知识溢出效应的研究。高校周围是知识、信息、创新人才等创新要素集聚的地区,同时也是实验室、研发中心等创新基础设施最完备的地区,研发密集型企业为了能获得优质的创新要素,降低自身的研发风险,往往选择距离高校特别是一流大学较近的地区布局,研究发现得益于高校的知识溢出效应,高校的研发活动与企业的创新成果呈显著的正相关关系[18,19,20]。③ 有关高校与研发密集型企业合作模式的研究。美、日等发达国家在促进产学研合作的实践过程中形成了多种模式,一是高校根据自身学科优势和技术创新能力,通过创新创业衍生校办型企业;二是企业结合自身研发需求和高校专业优势,双方共同合作研究相关技术课题;三是高校和企业建立长期有效的合作机制,共同运营研究中心;四是双方建立科技园区和创新中心等[21,22,23,24]

研究发现:① 传统的区位理论从成本最小化和利润最大化的角度解释企业的区位选择,对着眼于知识经济,更加看重技术创新的研发密集型企业空间布局的解释具有一定的局限性;② 已有文献在对高校和企业创新合作的实证研究中,仅仅从知识溢出、合作模式等角度对高校与企业之间的关系进行研究,而随着知识经济的兴起,亟待开展对 高校特别是世界一流大学空间集聚对研发密集型企业空间布局影响的探讨。综上,论文将研究焦点落在世界一流大学空间集聚对研发密集型企业空间布局的影响上。美国是 世界一流大学和研发密集型企业数量最多、科技创新实力最强的国家,硅谷、波士顿128号公路等地区凭借世界一流大学的空间集聚效应,优化研发密集型企业空间布局,实现了经济和科技的腾飞发展,论文以美国为例,从“空间+格局”“因素+机理”的视角全面揭示一流大学与研发密集型企业的空间匹配特征及一流大学对研发密集型企业空间布局的影响机制。旨在为中国推进世界一流大学和一流学科建设,实现创新驱动发展提供参考。

2 数据来源与研究方法

2.1 数据来源与处理

研究采用上海交通大学世界一流大学研究中心——2016世界大学学术排名(Academic Ranking of World Universities)及世界一流学科排名(Global Ranking of Academic Subjects)数据 (上海交通大学世界一流大学研究中心世界大学学术排名由于其评价指标选取的客观性,成为目前全球最具影响力的大学排名之一,其指标主要包括:获诺贝尔奖和菲尔兹奖的校友折合数、获诺贝尔科学奖和菲尔兹奖的教师折合数、各学科领域被引用次数最高的科学家数量、在《Nature》和《Science》上发表论文的折合数、被科学引文索引(SCIE)和社会科学引文索引(SSCI)收录的论文数量等指标,与本文的研究相契合,故选用其作为本文的一项重要基础数据。)和欧盟2016年发布的“全球2500家企业R&D投入排行榜”(EU R&D Scoreboard 2016 : World - 2500 companies ranked by R&D)前1000强企业数据作为论文研究世界一流大学对研发密集型企业空间布局影响的基础数据。选择世界一流大学和研发密集型企业最多的美国为例,通过邮件、维基百科、谷歌地图等网络搜索方式对大学和企业的地址进行详细查询,确定每个样本的坐标数据。需要说明的是本研究的目的是从空间尺度上刻画研究世界一流大学和研发密集型企业的空间匹配特征及一流大学空间集聚对研发密集型企业空间布局的影响,不存在时间尺度上的趋势性分析,因此采用2016年的时间截面数据是可行的。大学师生数据来自美国教育统计年鉴2016(Digest of Education Statistics 2016);高校论文数据来自Web of Science数据库的核心合集;高校专利授权数据来自美国国家科学基金会(National Science Foundation)、国家科学与工程统计中心(National Center for Science and Engineering Statistics)、高校研发调查(higher Education Research and Development Survey)和美国专利商标局(U.S. Patent and Trademark Office.)的专利授权书目数据;高校负责运营管理的国家级实验室数据来自美国国家科学基金会(National Science Foundation)、美国能源部(Department of Energy);美国各州县的经济发展水平数据、对外开放水平数据、风险投资水平数据来自美国商务部普查局(CB/DOC)、商务部经济分析局(BEA/DOC)及万得资讯(Wind)数据库。

2.2 研究方法

(1)矢量数据符号法。基于世界一流大学和研发密集型企业的数量,利用矢量数据符号法[6]对美国世界一流大学和研发密集型企业的空间分布进行可视化表达,以揭示世界一流大学和研发密集型企业的空间数量等级特征以及世界一流学科与研发密集型企业的空间匹配特征。

(2)核密度估计。核密度(Kernel Density)估计是地理学空间分析中常用的一种非参数分析方法[25, 26],可以衡量具有点或线特征的地理要素在地理单元内的分布密度,被广泛应用于空间结构研究中。核密度估计以特定点或线为中心,将该点或线属性分布在设定的搜索半径内,中心位置的密度最大,并随地理距离增加消减,直到为零。其计算公式如下:

fnx=1nhni=1nKx-xihn(1)

假设x1,x2,x3,…,xn是密度函数f的总体中抽取的独立分布样本,fx点的密度估计值为fnx);n为样本数;K(*)为核函数;h为带宽;x-xi为估计点x到样本点xi的距离。利用Arc GIS中的空间平滑技术,对点状数据进行空间平滑处理,使样本点周围产生光滑表面,以此来估计样本点周围的密度。在二维空间中,核密度函数的一般形式如下:

s=l=1n1πr2ϕ(dlsr)(2)

式中:∂(s)为s点的核密度估计;n为样本数;r为搜索半径; ϕ为点ls距离dls的权重。

(3)负二项回归模型。鉴于学校和企业的数量只能取非负整数,并具有离散特性,可采用泊松回归模型[27]对企业区位选择的影响因素进行测度,但该模型的局限是要求因变量“均等分散”(期望和方差相等),而非独立事件的计数数据往往存在“过度分散”(方差大于期望),从而导致估计结果出现偏差,因此这种情况应使用负二项回归模型[28]。其公式如下:

Companyi=α+β1Schooli+β2Teacheri+β3Studenti+β4Knowledgei+β5Technologyi+β6Infrastructurei+β7Economici+β8Openi+β9Venturei+εi(3)

式中:α为常数项;εi为随机误差项;Companyi是地方i研发密集型企业的数量,是模型的被解释变量;SchooliTeacheriStudentiKnowledgeiTechnologyiInfrastructurei是模型的核心解释变量,分别表示地方i的一流大学数量、大学教师数量、在校生数量、知识创新能力(用学校发表论文量作为其替代变量)、技术创新能力(用学校专利授权数作为其替代变量)、创新基础设施(高校负责运营管理的国家级实验室数量作为其替代变量);EconomiciOpeniVenturei是模型的控制变量,分别表示地方i的经济发展水平,用GDP衡量、全球化水平,用外商投资总额衡量、风险投资水平,用风险投资金额衡量。

3 一流大学、研发密集型企业的空间匹配特征

3.1 一流大学和研发密集型企业空间数量等级特征

以县为基本空间单元,根据美国各县一流大学和研发密集型企业的数量,将其分别划分为4个空间数量等级,等级越高表明空间单元内的一流大学和研发密集型企业数量越多(图1)。总体来看,美国一流大学空间分布呈现明显的空间集聚性,主要集聚在美国东北沿海地区、密歇根湖南岸以及加利福尼亚州沿海地区,其他地区则相对稀疏零散。一流大学高等级集聚区主要有波士顿-纽约-费城-华盛顿一线的东北沿海大都市带、芝加哥都市区、硅谷地区和洛杉矶都市区。与一流大学空间分布相适应,美国研发密集型企业的空间集聚性更加明显,主要集聚在波士顿至华盛顿的东北沿海大都市带、硅谷地区、芝加哥都市区和洛杉矶都市区,与一流大学的空间分布具有高度的空间匹配性,表明世界一流大学的空间集聚对研发密集型企业的空间布局产生影响,导致研发密集型企业偏向一流大学集聚地区进行空间布局。

图1   一流大学和研发密集型企业空间数量等级特征
注:美国阿拉斯加州、夏威夷州没有数据,不在本文的研究范围之内,图件忽略;文中提及的地区或都市区的具体方位见图3

Fig. 1   The spatial quantitative characteristics of first-class universities and R&D intensive enterprises

3.2 一流学科与研发密集型企业空间匹配特征

进入世界研发投入1000强的美国研发密集型企业63%从事软件与计算机服务、技术硬件与设备研发、药物与生物技术、医疗保健设备与服务四个行业的研发,为进一步研究一流大学对研发密集型企业空间布局的影响,论文对这四个行业的研发密集型企业与相关一流学科的空间匹配特征进行刻画(图2)。总体来看,四个行业的研发密集型企业与相关一流学科呈现高度的空间匹配性,研发密集型企业偏向于选择与自身从事研发领域相关的一流学科空间集聚区进行布局。美国软件与计算机服务研发企业主要集聚在硅谷、迈阿密、纽约和波士顿,这些地区也是计算机科学与工程等世界一流学科的空间集聚区;技术硬件与设备研发企业主要集聚在电力电子工程、通讯工程等世界一流学科集聚的硅谷、洛杉矶、纽约等地;药物与生物技术研发企业主要集聚在药学、生物学等世界一流学科较为集中的硅谷、波士顿、纽约等地区;医疗保健设备和服务研发企业主要集聚在生物医学与工程等世界一流学科集中的硅谷和波士顿地区。

图2   研发密集型企业与相关一流学科空间匹配特征
注:美国阿拉斯加州、夏威夷州没有数据,不在本文的研究范围之内,图件忽略;文中提及的地区或都市区的具体方位见图3

Fig. 2   Spatial matching characteristics of R&D intensive enterprises and related first-class disciplines.

3.3 一流大学与研发密集型企业空间热点特征

利用核密度空间分析方法对美国一流大学和研发密集型企业的空间热点特征进行刻画(图3)。发现,美国一流大学和研发密集型企业的空间热点特征进一步验证了上文得出的世界一流大学空间分布与研发密集型企业的空间分布具有高度的空间匹配性的研究结论。美国一流大学和研发型企业的高值热点区集中在以硅谷为中心的高密度区,且对外呈半圆形辐射状,浓度值逐渐降低;较高值热点区主要分布在以波士顿-纽约-费城-华盛顿一线为中心的东北沿海大都市带,呈带状辐射,从中心向外围浓度逐渐降低;中值热点区主要集中在以洛杉矶、芝加哥和底特律为中心的地区,密度较低;较低值热点区稀疏零散地分布在西雅图、达拉斯、休斯顿、迈阿密、亚特兰大、格林斯伯勒等地区,其余地区为低值热点区。

图3   一流大学和研发密集型企业空间热点特征
注:美国阿拉斯加州、夏威夷州没有数据,不在本文的研究范围之内,图件忽略。

Fig. 3   The spatial hot spots features of first-class universities and R&D intensive enterprises

4 一流大学空间集聚对研发密集型企业空间布局的影响

研发密集型企业的空间布局是理解区域经济转型的微观基础。传统的经济地理学区位理论着眼于从成本和运费的高低以及市场的扩大和优化层面解释企业的区位选择,主要适用于对成本和收益比较敏感的,追求利润最大化的传统企业,而着眼于知识经济的研发密集型企业,其空间布局不仅要权衡成本和收益,更关注知识、信息、高新技术、人才等创新要素的易获得程度,与传统的区位理论不同,创新要素的获取以及企业的社会资本成为研发密集型企业空间布局的决定性因素。

通过上述对世界一流大学与研发密集型企业空间匹配特征的刻画分析来看,以高校为代表的知识生产系统和以企业为代表的知识开发应用系统在地理上表现出高度的空间匹配性。结合新区位理论,研究先分析世界一流大学空间集聚如何影响研发密集型企业空间布局的作用机理,然后再实证检验和比较世界一流大学空间集聚对研发密集型企业空间布局的作用效果。

4.1 影响机制分析

理论上而言,世界一流大学通过人力资本支持效应,科学研究推动效应,创新创业衍生效应致使其周围成为知识、信息密集区,各种创新要素集聚区,创新基础设施完善,对研发密集型企业形成区位创新优势,为寻求优势创新资源禀赋,获取知识溢出经济,共享创新基础设施,降低技术转移成本,获得创新集群优势,研发密集型企业往往选择一流大学集聚区进行空间布局(图4)。

图4   一流大学空间集聚对研发密集型企业空间布局的影响机制

Fig. 4   The influence mechanism of the first-class universities on the space layout of R&D intensive enterprises.

研发密集型企业根据一流大学空间集聚形成的区位创新优势,做出的区位选择模式如下:

(1)寻求创新资源禀赋。研发创新从本质上说是一种高度智能性活动,是脑力驱动和知识密集型活动,其发生与发展高度依赖创新资源的积累和充分运用。所以,“近水楼台”的创新资源禀赋是研发密集型企业空间布局时的首位区位因素。世界一流大学学科门类齐全、人才荟萃、教学与科研结合密切并且国际交流广泛,吸引了大批杰出的科学家、学者和优秀青年学子,并且通过教育,持续不断的录取和毕业过程,保证了新思想的输入和输出,使一流大学的空间集聚区成为激发思想和创新的最佳场所。一流大学的基础研究实力雄厚,学生通过课堂学习和科研实践开发智能,培养创新能力,正是通过人力资本的支持效应和科学研究推动效应,使得优质创新资源在地理空间上集聚,从而有效降低企业对创新资源的搜寻成本和交易成本。例如,硅谷的很多企业都是由斯坦福大学的师生创办的,他们深知企业发展必须依靠科学技术支撑,往往通过多种方式建立与斯坦福大学的创新联系,或建立联合研究中心,或签订长期稳定的研究项目,源源不断的把斯坦福大学的科研成果转化成公司的经营产品。

(2)获取知识溢出经济。世界一流大学集知识传授和知识创造于一体,是科学研究特别是基础研究的重镇和重大原创性成果的诞生地。知识的非竞争性和非排他性使得知识会在一定空间范围内产生知识溢出效应。而知识溢出具有明显的地理距离衰减效应,地理临近可以增加知识的交流频率,加速创新扩散,地理距离阻隔会延长知识流动的时间,降低知识互动的频率,增加知识获取成本。知识溢出是研发密集型企业空间集聚的关键向心力和内生动力,知识溢出能够促使企业获得更多的外部知识、信息、技术,并把它们内生为自身的创新能力,从而直接或间接地减少企业研发投入,降低研发风险,并缩短企业创新产出周期。所以为了能获取更多知识溢出的外部经济,企业在进行空间布局时必然尽可能地靠近作为知识创新系统的一流大学空间集聚区,以提高与知识原创者交流的机会和频率。诸如哥伦比亚大学著名教授诺贝尔生理学奖获得者坎德尔研究发现了“记忆在神经元中存储的生理基础”,相关生物医药企业很快将此项研究成果转化成治疗帕金森等精神或神经疾病的新药物,推动了哥伦比亚大学所在的纽约地区相关生物医药企业的发展。

(3)共享创新基础设施。创新基础设施是为创新、研发活动等提供便利条件的设施和设备,被视为创新发展的前提条件。由于科学技术的复杂性,科研难度加深,使得企业难以制备所需的全部创新基础设施,大型先进的创新基础设施的创建与共享成为企业实现技术创新的关键。世界一流大学空间集聚区往往集聚了设施先进的教育基础设施、研发中心、国家级实验室和海量的信息数据平台。由于创新基础设施具有供给“不可分性”和配置“初始集聚性”的特点,投入规模大、配套性强,在发展的过程中借助市场机制充当着科技与经济结合的纽带,从而减少了企业创新需求与供给空间错位不匹配的问题,提高了企业的创新效率,缩短了其研发链条的进程。同时,企业还可以借助一流大学空间集聚区的创新基础设施平台收集竞争对手的创新成果,探寻企业未来的技术轨迹。因此,能够共享一流大学集聚区的创新基础设施,也是企业选择一流大学集聚区布局的关键因素。例如,由麻省理工学院和美国政府共同建立的麻省理工学院“新产品开发创新中心”,通用汽车公司、福特汽车公司、施乐公司等企业与之合作研发,成为麻省理工学院直接为企业提供研发服务的重要途径。

(4)降低技术转移成本。技术转移是各创新主体之间技术转入或转出的活动过程,包括宏观尺度的国家之间、中观尺度的区域之间,以及微观尺度的企业、行业之间[29]。技术转移涉及到创新成果、创新能力的转让、消化吸收、普及推广等,主要途径有:创办新企业、技术帮助与对接、技术交流与合作等。世界一流大学的一项主要功能就是参与科研服务、科技成果转化与应用、技术转让、国际科技交流与合作等活动,是高技术领域新创企业形成的源泉。大学所创办的衍生企业,其形式主要有高校师生创办的高技术企业、技术转让产生的企业、高校员工乃至高校持股企业等。由于一流大学的空间集聚,增大了企业与技术原创者的直接接触的可能性,提高了双方交流的频率。地理空间上的临近使得创新主体之间的信任度更高,更有利于企业和高校战略联盟、技术合作。例如,斯坦福大学设置有“斯坦福大学技术许可办公室”,负责学校科研成果的转移和转化管理,学校师生也通过这个渠道创办衍生高新技术企业实现科研成果的商业化,这一机制大大降低了技术转移的成本,促进了斯坦福大学与硅谷的计算机、信息技术、医疗器械等相关产业的互动。

(5)获得创新集群优势。创新理论大师熊彼特强调:“创新并不是孤立的,总会趋于集群,成簇地发生,形成不均匀的空间分布。”[30]得益于一流大学空间集聚区营造的创新环境,当这一区域的学校或企业发生创新时,会吸引更多灵敏的企业加入相似的创新之列和发生创新的区域。相同性质的企业选择布局在同一区域,有利于“搭便车”,通过吸收其他创新主体的技术和信息,降低自身的研发成本,从而使集聚产生的外部规模经济内生为其自身的经济效益。一流大学空间集聚产生的初始集聚性促使研发密集型企业集聚,从而产生群体性竞争,竞争无论对失败者还是成功者都能产生激励作用,失败者总结经验,努力提高自身创新水平,胜利者保持竞争优势,进一步提高自身的创新能力。一流大学空间集聚区优越的创新环境会吸引若干创新“引擎”型企业,它们的创新能力、技术水平会吸引更多创新中小企业布局,从而形成“领头羊”效应,实现这一区域创新发展的良性循环。例如,哥伦比亚大学凭借其药学、生物学、生物医学工程等世界一流学科优势,在生物学、医学方面产生了一批原创性成果,诸如心脏移植技术、心脏导管检查技术、癫痫治疗药物苯妥英钠等,吸引了瑞辉、惠氏等一批生物医药企业集聚,形成了纽约生物医药企业创新集聚。

4.2 回归结果分析

利用负二项回归模型,从州域、县域、都市区等3个空间尺度,检验世界一流大学的空间集聚对研发密集型企业空间布局的影响效果(表1)。从模型拟合度来看,Alpha在3个空间尺度上的参数均大于0,表明使用负二项回归模型的合理性。同时,各因变量多在1%、5%和10%水平上显著,表明模型拟合程度较好,具有较好的解释力。

表1   回归结果

Tab. 1   Regression results

变量被解释变量Company
州域样本县域样本都市区样本
School0.552***(0.075)0.479***(0.061)0.326**(0.044)
Teacher0.263**(0.039)0.122*(0.030)0.105(0.027)
Student0.561***(0.107)0.534***(0.093)0.479***(0.101)
Knowledge0.370**(0.046)0.272**(0.034)0.132*(0.022)
Technology0.443***(0.019)0.439***(0.183)0.381**(0.042)
Infrastructure0.243**(0.108)0.191*(0.081)0.125*(0.061)
Economic0.604***(0.018)0.628***(0.024)0.594***(0.012)
Open0.207*(0.007)0.109(0.031)0.211*(0.021)
Venture0.554***(0.057)0.566***(0.032)0.601***(0.106)
α0.147*(0.126)0.013(0.019)0.106(0.110)
样本量4925615
Alpha0.8431.0360.719
Log pseudolikelihood-461.074-507.393-479.446

注:*、**和***分别表示10%、5%和1%水平上显著。

新窗口打开

从核心解释变量的评估结果来看,大学数量、学生数量和大学技术创新能力对研发密集型企业空间布局的影响在1%和5%水平上显著。大学的知识创新能力在州域和县域尺度上对研发密集型企业空间布局的影响在5%水平上显著,都市区尺度在10%水平上显著。州域尺度上,大学的创新基础设施对研发密集型企业空间布局影响在5%水平上显著,县域尺度和都市区尺度在10%水平上显著。大学教师数量对研发密集企业的影响在州域尺度上是5%水平显著,县域尺度是10%水平显著,在都市区尺度上没有通过显著性检验。总体而言,州域样本和县域样本的评估结果要好于都市区样本评估结果,这在一定程度上表明地理空间距离临近性对研发密集性企业空间布局在州域和县域尺度上影响较显著,由于美国大学往往布局在都市区以外的郊区,而研发密集型企业往往选择大学集聚区附近的城市进行空间布局,并不意味着在都市区尺度上一流大学的空间集聚对研发密集型企业空间布局没有影响。

从控制变量的评估结果来看,经济发展水平和风险投资水平对研发密集型企业空间布局的影响在州域、县域和都市区3个空间尺度上均在1%水平上显著,表明区域的经济发展水平和风险投资水平也是研发密集型企业进行空间布局时的重要考量因素。经济发展水平高的地区交通、通讯、网络等基础设施较完善,生产要素高度集聚,市场成熟、规模大,这些都对研发密集型企业布局形成区位优势。由于研发、创新的高成本和高风险性,风险投资往往是研发密集型企业的主要融资渠道,为企业提供初始资本,因此风险资本丰富的地区往往集聚着众多中小型创新企业。在州域和都市区尺度上,全球化水平对研发密集型企业空间布局的影响在10%水平上显著,在县域尺度上没有通过显著性检验。

5 结论与启示

5.1 结论

基于世界一流大学和研发密集型企业微观数据,运用空间分析方法,对世界一流大学与研发密集型企业的空间匹配特征进行研究,并运用负二项回归模型对世界一流大学空间集聚对研发密集型企业空间布局的影响进行实证检验,进而揭示世界一流大学空间集聚对研发密集型企业空间布局的影响机制。主要得出以下结论:

(1)空间分布特征方面:从空间数量等级看,美国一流大学和研发密集型企业呈现高度的空间集聚性和空间匹配性,一流大学高等级集聚区主要有波士顿至华盛顿的东北沿海大都市带、芝加哥都市区、硅谷地区和洛杉矶都市区,研发密集型企业高等集聚区主要有波士顿至华盛顿的东北沿海大都市带、硅谷地区、芝加哥大都市区和洛杉矶都市区;从一流学科与研发密集型企业空间匹配特征看,研发密集型企业偏向于选择与自己从事研发领域相关的一流学科的空间集聚区进行布局;从空间热点特征看,一流大学和研发型企业的高值热点区集中在以硅谷为中心的高密度区,呈半圆形辐射状,较高值热点区主要分布在以波士顿-纽约一线为中心的东北沿海大都市带,呈带状辐射,中值热点区主要集中在以洛杉矶、芝加哥和底特律为中心的地区,密度较低。

(2)影响机制方面:世界一流大学通过人力资本支持效应,科学研究推动效应,创新创业衍生效应致使其周围成为知识、信息密集区,各种创新要素集聚区,创新基础设施完善,对研发密集型企业形成区位创新优势,为寻求优势创新资源禀赋,获取知识溢出经济,共享创新基础设施,降低技术转移成本,获得创新集群优势,研发密集型企业选择一流大学集聚区进行空间布局。

(3)回归结果方面:一流大学数量、学生数量和大学技术创新能力对研发密集型企业空间布局的影响在1%和5%水平上显著;大学的知识创新能力在州域和县域尺度上对研发密集型企业空间布局的影响在5%水平上显著,都市区尺度在10%水平上显著;大学的创新基础设施在州域尺度上对研发密集型企业空间布局影响在5%水平上显著,县域尺度和都市区尺度在10%水平上显著;大学教师数量对研发密集企业的影响在州域尺度上是5%水平显著,县域尺度是10%水平显著,都市区尺度没有通过显著性检验。区域经济发展水平和风险投资水平也是研发密集型企业进行空间布局时的重要考量因素。

5.2 启示

近年来,随着中国经济体制、教育体制和科技体制的改革,特别是“双一流”战略的实施,中国大学与产业界的互动进入了一个活跃期。但是,总体来看,中国在世界一流大学和一流学科建设以及企业的研发实力上与美国等发达国家相比存在不少差距,大学与企业之间的互动水平还处在较低的层面。通过对美国一流大学和研发密集型企业空间分布特征的刻画发现,二者存在明显的空间匹配特征,大学通过人力资本支持效应、科学研究推动效应、创新创业衍生效应等机制影响着研发密集型企业的空间布局,驱动企业创新发展。对于正在建设世界一流高校,实施创新驱动发展的中国来说,从中可以得到以下几个方面的启示:

(1)推进“双一流”建设,发挥一流大学人才的培养和集聚效应。大学与企业的互动发展需要完善的学科知识和强大的基础研究能力作为支撑。目前中国高校数量众多,但是知识创新能力相对较弱,重大原创性成果较少,很多高校发展目标错位,追求大而全,忽视自身优势,缺乏学科特色,致使中国高等教育发展存在严重的重复建设和资源低效率配置问题。可借鉴美国分学科管理的方法,对大学建设进行科学分类,明确大学发展定位,建设一批优势性学科群,把握国家战略性产业发展的前瞻性,培养和集聚一批处于产业科技前沿、引领未来科技和产业发展方向创新型人才,产生“领头羊”效应,将大学打造成为所在地区经济发展的“服务站”和“智囊团”。

(2)明确区域发展定位,推动优势支撑性学科与区域战略产业对接。美国西海岸的硅谷、东海岸的波士顿128号公路、纽约湾区等在成长和发展的过程中,政府部门对区域发展都进行了顶层战略规划和设计,即培育和吸引高新技术产业和研发机构入驻,促进企业与大学合作研发,为此各大学根据自身的学科优势,成立了包括“产品开发创新中心”、“材料研究科学与工程中心”、“技术许可办公室”、“工业联络办公室”、“科技转化办公室”等众多促进校企合作的研发中心和中介机构,一流的支撑性学科成为培育和吸引相关企业的重要根源。因此,要实现大学与企业互动发展,首先要根据本区域大学的学科优势明确区域发展定位,充分利用和整合区域创新资源,将大学周边地区打造成为区域经济发展的战略空间和高新经济发展的热点空间。

(3)构建区域创新网络,促进科研成果转化孕育高新技术企业。企业之所以选择一流大学和一流学科集中的地区进行空间布局,主要目的是分享大学的知识、信息和创新资源,高效的交流渠道是企业实现技术创新的重要保障。美国大学为了促进大学科研成果转化,搭建了诸如“信息交流中心”、“科技情报中心”等各种信息交流平台,同时建立了“技术许可办公室”、“工业联络办公室”等科研成果转化平台。因此促进科研成果转化,孕育高新技术企业,需要构建涵盖大学、企业、政府、中介机构为一体的区域创新网络系统,以研发项目或课题合作为纽带,大学和企业共同建设研发中心或实验室,将大学的科研成果、知识、信息等通过平台和中介结构向企业发布与企业的公关项目和技术难题相结合,促进企业创新发展。

(4)营造校企互动的创新环境,提升区域的整体创新能力。校企互动的创新环境是区域实现创新发展的重要保障,美国高校与企业合作紧密,一方面是由于美国竞争与合作的创新文化底蕴,大学的社会服务意识较强;另一方面,是政府完善的配套性服务设施促进了美国和大学互利共生,紧密合作。中国大学社会服务意识不强,大学与企业缺乏互动。地方政府应该借鉴美国经验,积极营造校企互动合作共赢的创新环境,激发大学和企业等创新主体合作的积极性,为学校和企业合作搭建平台,成立“技术银行”,促进成果快速转化。同时大学校园应该积极营造创新创业氛围,鼓励师生积极创业,加强与企业合作,利用高校创新平台积极将科研成果转化为经济效益,实现区域创新发展。

The authors have declared that no competing interests exist.


参考文献

[1] 杜德斌. 全球科技创新中心动力与模式. 上海: 上海人民出版社, 2015: 2-3.

[本文引用: 1]     

[Du Debin.Global Science and Technology Innovation Center: Power and Model. Shanghai: Shanghai People's Press, 2015: 2-3.]

[本文引用: 1]     

[2] e Silva Y F O, de Freitas C C, Paranhos J, et al.

University and the local development in Goiás-Brazil

. Procedia-Social and Behavioral Sciences, 2012, 52: 269-278.

https://doi.org/10.1016/j.sbspro.2012.09.464      URL      [本文引用: 1]     

[3] 柳岸.

我国科技成果转化的三螺旋模式研究: 以中国科学院为例

. 科学学研究, 2011, 29(8): 1129-1134.

[本文引用: 1]     

[Liu An.

Study on the triple helix model of the transformation of scientific and technological achievements in China: Take CAS as an example

. Studies in Science of Science, 2011, 29(8): 1129-1134.]

[本文引用: 1]     

[4] 胡曙虹, 黄丽, 杜德斌.

全球科技创新中心建构的实践: 基于三螺旋和创新生态系统视角的分析: 以硅谷为例

. 上海经济研究, 2016, (3): 21-28.

[本文引用: 1]     

[Hu Shuhong, Huang Li, Du Debin.

Practical exploration of constructing global science and technology innovation center based on theories of triple helix and innovation ecosystem: A case study of silicon valley

. Shanghai Economic Review, 2016, (3): 21-28.]

[本文引用: 1]     

[5] Marangos S, Warren L.

A mapping for managers: Open innovation for R&D intensive SMEs in the life sciences sector

. European Journal of Innovation Management, 2017, 20(2): 210-229.

https://doi.org/10.1108/EJIM-12-2015-0133      URL      [本文引用: 1]     

[6] 杨凡, 杜德斌, 段德忠, .

城市内部研发密集型制造业的空间分布与区位选择模式: 以北京、上海为例

. 地理科学, 2017, 37(4): 492-501.

[本文引用: 2]     

[Yang Fan, Du Debin, Duan Dezhong, et al.

The intra-metropolitan location of R&D-intensive manufacturing in Beijing and Shanghai

. Scientia Geographica Sinica, 2017, 37(4): 492-501.]

[本文引用: 2]     

[7] Szymańsk A I, Płaziak M.

Factors considered in location of construction enterprises in the Małopolska region

. Procedia - Social and Behavioral Sciences, 2014, 110(6): 381-389.

https://doi.org/10.1016/j.sbspro.2013.12.882      URL      [本文引用: 1]     

[8] Szymańsk A I, Płaziak M.

Enterprise and classical factors of its location on the market

. Procedia - Social and Behavioral Sciences, 2014, 120(3): 13-22.

[本文引用: 1]     

[9] 李小建.

经济地理学发展审视与新构思

. 地理研究, 2013, 32(10): 1865-1877.

[本文引用: 1]     

[Li Xiaojian.

Development evaluation and new framework proposal of economic geography

. Geographical Research, 2013, 32(10): 1865-1877.]

[本文引用: 1]     

[10] 符文颖, 吴艳芳.

德国在华知识密集制造业投资进入方式的时空特征及区位影响因素

. 地理学报, 2017, 72(8): 1361-1372.

[本文引用: 1]     

[Fu Wenying, Wu Yanfang.

Spatio-temporal characteristics and locational determinants for entry mode of German knowledge-intensive FDI in China

. Acta Geographica Sinica, 2017, 72(8): 1361-1372.]

[本文引用: 1]     

[11] 王俊松, 潘峰华, 郭洁.

上海市上市企业总部的区位分布与影响机制

. 地理研究, 2015, 34(10): 1920-1932.

[本文引用: 1]     

[Wang Junsong, Pan Fenghua, Guo Jie.

The spatial pattern of the headquarters of listed enterprises in Shanghai

. Geographical Research, 2015, 34(10): 1920-1932.]

[本文引用: 1]     

[12] Płaziak M, Szymańska A I.

Role of modern factors in the process of choosing a location of an enterprise

. Procedia - Social and Behavioral Sciences, 2014, 120: 72-83.

https://doi.org/10.1016/j.sbspro.2014.02.083      URL      [本文引用: 1]     

[13] 余官胜, 林俐.

企业海外集群与新晋企业对外直接投资区位选择: 基于浙江省微观企业数据

. 地理研究, 2015, 34(2): 364-372.

[本文引用: 1]     

[Yu Guansheng, Lin Li.

Enterprises overseas cluster and foreign direct investment location choice of new entrants: An empirical research based on micro enterprises data in Zhejiang province

. Geographical Research, 2015, 34(2): 364-372.]

[本文引用: 1]     

[14] 薛莹, 刘婷, 寻丹丹.

杭州文化创意特征产业的空间分布及其影响因素

. 世界地理研究, 2018, 27(6): 98-107.

[本文引用: 1]     

[Xue Ying, Liu Ting, Xun Dandan.

Distribution and influence factors of cultural creative characteristics industry in Hangzhou City

. World Regional Studies, 2018, 27(6): 98-107.]

[本文引用: 1]     

[15] 刘明, 范博凯.

空间演化、空间溢出与兰州都市圈工业经济发展

. 世界地理研究, 2019, 28(1): 130-138, 186.

[本文引用: 1]     

[Liu Ming, Fan Bokai.

Spatial evolution, spillover and the development of industrial economy in Lanzhou Metropolitan Area

. World Regional Studies, 2019, 28(1): 130-138, 186.]

[本文引用: 1]     

[16] Adler N, Hashai N.

The impact of competition and consumer preferences on the location choices of multinational enterprises

. Global Strategy Journal, 2015, 5(4): 278-302.

https://doi.org/10.1002/gsj.2015.5.issue-4      URL      [本文引用: 1]     

[17] Zwolińska-Ligaj M.

Location on natural valuable areas as a condition for the development of enterprises based on the use of natural resources - the Lublin Voivodeship (Poland)

. Acta Regionalia et Environmentalica, 2015, 12(1): 6-10.

https://doi.org/10.1515/aree-2015-0002      URL      [本文引用: 1]     

[18] 祝影, 邓小琪, 路光耀.

在华外资研发的区位因子与空间演变: 基于中国高技术产业的实证

. 世界地理研究, 2018, 27(6): 1-13.

[本文引用: 1]     

[Zhu Ying, Deng Xiaoqi, Lu Guangyao.

Location factor and space evolution of foreign R&D in China’s high technology industry

. World Regional Studies, 2018, 27(6): 1-13.]

[本文引用: 1]     

[19] 郭泉恩, 孙斌栋.

高校知识溢出对我国高技术产业创新的影响研究: 基于省级区域的空间计量分析

. 世界地理研究, 2017, 26(4): 82-92.

[本文引用: 1]     

[Guo Quanen, Sun Bindong.

Study on university knowledge spillover effects on regional innovation in high-tech industries: Based on the spatial econometric analysis in China

. World Regional Studies, 2017, 26(4): 82-92.]

[本文引用: 1]     

[20] 史烽, 陈石斌, 蔡翔, .

我国大学—企业协同创新的空间外溢效应

. 经济地理, 2016, 36(12): 21-27.

[本文引用: 1]     

[Shi Feng, Chen Shibin, Cai Xiang, et al.

The spatial spillover of university-industry collaborative innovation

. Economic Geography, 2016, 36(12): 21-27.]

[本文引用: 1]     

[21] Laursen K, Reichstein T, Salter A.

Exploring the effect of geographical proximity and university quality on university-industry collaboration in the United Kingdom

. Regional Studies, 2011, 45(4): 507-523.

https://doi.org/10.1080/00343400903401618      URL      [本文引用: 1]     

[22] Galvão A, Mascarenhas C, Gouveia Rodrigues R, et al.

A quadruple helix model of entrepreneurship, innovation and stages of economic development

. Review of International Business and Strategy, 2017, 27(2): 261-282.

https://doi.org/10.1108/RIBS-01-2017-0003      URL      [本文引用: 1]     

[23] 胡杨, 李郇.

多维邻近性对产学研合作创新的影响: 广州市高新技术企业的案例分析

. 地理研究, 2017, 36(4): 695-706.

[本文引用: 1]     

[Hu Yang, Li Xun.

The impact of multi-dimensional proximities on university-industry cooperative innovation: Case studies of high-tech enterprises in Guangzhou

. Geographical Research, 2017, 36(4): 695-706.]

[本文引用: 1]     

[24] 智瑞芝.

区域创新视角下大学衍生企业发展的影响因素: 以日本为例

. 经济地理, 2009, 29(8): 1336-1341, 1349.

[本文引用: 1]     

[Zhi Ruizhi.

An analysis of influencing factors of university spin-off companies' development in regional innovation perspective: A case study of Japan

. Economic Geography, 2009, 29(8): 1336-1341, 1349.]

[本文引用: 1]     

[25] Spencer C J, Yakymchuk C, Ghaznavi M.

Visualising data distributions with kernel density estimation and reduced chi-squared statistic

. Geoscience Frontiers, 2017, 8(6): 1247-1252.

https://doi.org/10.1016/j.gsf.2017.05.002      URL      [本文引用: 1]     

[26] McSwiggan G, Baddeley A, Nair G.

Kernel density estimation on a linear network

. Scandinavian Journal of Statistics, 2017, 44(2): 324-345.

[本文引用: 1]     

[27] Gomes M J T L, Cunto F, da Silva A R.

Geographically weighted negative binomial regression applied to zonal level safety performance models

. Accident Analysis and Prevention, 2017, 106: 254-261.

https://doi.org/10.1016/j.aap.2017.06.011      URL      [本文引用: 1]     

[28] 刘承良, 桂钦昌, 段德忠, .

全球科研论文合作网络的结构异质性及其邻近性机理

. 地理学报, 2017, 72(4): 737-752.

[本文引用: 1]     

[Liu Chengliang, Gui Qinchang, Duan Dezhong, et al.

Structural heterogeneity and proximity mechanism of global scientific collaboration network based on co-authored papers

. Acta Geographica Sinica, 2017, 72(4): 737-752.]

[本文引用: 1]     

[29] 郭东妮.

中国高校技术转移制度体系研究

. 科研管理, 2013, 34(6): 115-121, 160.

[本文引用: 1]     

[Guo Dongni.

Technology transfer system of Chinese universities

. Science Research Management, 2013, 34(6): 115-121, 160.]

[本文引用: 1]     

[30] 吕拉昌, 王承云, 汪涛, . 创新地理学. 北京: 科学出版社, 2017: 1-11.

[本文引用: 1]     

[Lv Lachang, Wang Chengyun, Wang Tao, et al.The Geography of Innovation. Beijing: Science Press, 2017: 1-11.]

[本文引用: 1]     

/