EN中文

GEOGRAPHICAL RESEARCH >

2022 , Vol. 41 >Issue 9: 2385 - 2403

DOI: https://doi.org/10.11821/dlyj020220080

The impact of inter-cluster networks on firms' TFP: A case study of China's automobile manufacturing industry

  • LIN Bingquan , 1, 2, 3 ,
  • SUN Bindong , 2, 3, 4
Expand
  • 1. Department of Economics and Management, Party School of Jiangsu Provincial Committee of CPC, Nanjing 210009, China
  • 2. Research Center for China Administrative Division, East China Normal University, Shanghai 200241, China
  • 3. School of Urban and Regional Science, East China Normal University, Shanghai 200241, China
  • 4. Institute of Eco-Chongming, Shanghai 202162, China

Received date: 2022-01-24

  Accepted date: 2022-06-29

  Online published: 2022-11-10

Fold

Abstract

The debate between agglomeration externality and network externality is the current research hotspot in the field of regional science. With the intensification of globalization and localization, the cooperation of firms will be more frequent. In this context, Global Cluster Network is an emerging theme in the field of economic geography. We discuss network externality in the direction of industrial cluster. Since relational data to measure cooperation between clusters is difficult to obtain, most of the existing literature uses patent data to analyze innovation cooperation between clusters and firms' innovation performance. Existing research lacks the discussion on the total factor productivity of firms. The paper constructs a theoretical analysis framework for the influence of industrial clusters on TFP under different research paradigms, and uses firm-level patent data and supply chain cooperation data to describe the innovation cooperation network and supply chain in automobile manufacturing industry clusters cooperation networks, and use fixed effects panel regression models to compare and analyze the influences of network externality and agglomeration externality on TFP. Industrial clusters are widely networked by supply chain cooperation and innovation cooperation. Among them, supply chain cooperation between clusters is more intensive than innovation cooperation, but the average connection strength of the latter is greater than that of the former. The results show that the supply chain cooperation networks have significant and heterogeneous effects on TFP. For firms with stable supply chain cooperation relationships, for every 100 additional supply chain cooperation between their industrial clusters and other clusters, the firms' TFP will increase by 0.422. For firms lacking stable supply chain cooperation, the TFP is mainly due to the agglomeration externalities caused by intensive supply chain cooperation within the cluster. Further analysis of the mediation effect finds that the influence of network externalities on TFP stems from the learning and matching mechanism, that is, supply chain cooperation between clusters can improve the level of firms' research and development, enhance the matching efficiency to supply chain partners, and then improve firms' TFP. The paper finds that cluster networks are important influencing factors of firms' TFP, which have been widely ignored in existing research. The conclusions enrich the theoretical framework of the Global Cluster Networks and have important policy implications.

Key words： cluster networks; network externalities; supply chain cooperation; firms' productivities; automobile manufacturing

Cite this article

LIN Bingquan , SUN Bindong . The impact of inter-cluster networks on firms' TFP: A case study of China's automobile manufacturing industry[J]. GEOGRAPHICAL RESEARCH, 2022 , 41(9) : 2385 -2403 . DOI: 10.11821/dlyj020220080

1 引言

“集聚外部性”与“网络外部性”之争是当前国际区域科学领域的研究热点[1,2]。在产业集群研究方向上,与网络外部性相呼应的是Harald Bathelt等在2014年提出“全球集群网络”理论[3]。相比于“本地蜂鸣-外部通道”分析框架下主要关注单一集群及其对外联系[4],“全球集群网络”理论基于“多集群”视角,认为处于不同区位的产业集群之间由于存在投资、技术、供应链等不同方式的合作,形成跨越地理边界的全球集群网络。特别是,随着全球化和地方化的加剧,集群内企业的对外合作更加频繁,跨集群的联系会日趋密集（图1）。在此背景下,集群内企业的生产率既受到所在集群的影响,还受到集群网络的影响。该理论通过多层次的嵌套关系,纳入了集群内企业、产业集群和集群网络等多个跨地理边界和空间尺度的要素,在产业集群研究领域引发很大反响。目前,学界已有少量的跟进研究,并集中在集群网络的刻画与时空演化特征[5⇓-7]、网络形成机制等方面[8⇓-10],对其产生的网络外部性研究较少。在区域科学领域,Capello认为“网络外部性是指,得益于各类功能网络的存在,区域之间能够产生协同作用和互补性”[11]。在全球集群网络理论中,网络外部性主要探究集群间合作对处于地方尺度的产业集群和集群内企业的影响。目前,由于测度集群间合作的关系型数据难以获取,已有文献大多使用专利数据,分析集群之间的创新合作及其引发的创新绩效,缺少对企业全要素生产率（以下简称“TFP”）的探讨。
图1 “多集群”视角下的集群网络示意

Fig. 1 Schematic diagram of cluster networks from the perspective of multi-cluster

汽车制造业具有产业链长、带动效应大的特点[12],且集群特征明显。20世纪下半叶以来,汽车制造业已经由福特制转变为以定制化、柔性生产为代表的温特制,能够依据生产标准在不同地方配置模块化生产,使得传统的大批量、集中式布局分散到不同地区,实现产品内分工。汽车制造业企业由整车企业和零部件企业构成。出于研发、供应链等合作需求,企业之间需要建立相对稳定的合作关系[13],从而形成集群内部合作网络和集群间合作网络（本文将“集群间合作网络”简称为“集群网络”）。
中国的汽车制造业已成为全球汽车工业体系中的重要组成部分,在引入外资企业、推动跨国产业合作与技术合作的同时,也在构筑国内的创新体系和生产体系。汽车制造业在国内一些地方集中分布,如上海、广州、重庆、宁波、长春等城市被誉为“汽车城”,形成汽车产业集聚区域或产业集群。这些区域在汽车制造业及相关产业上依据区位优势进行价值链分工,并通过供应链、创新链等实现跨集群合作,形成国家内部尺度的集群网络。特别是,在当前全球新冠疫情大流行以及错综复杂的国际背景下,跨国合作机会降低、国际技术创新有所放缓,倒逼中国构建更加安全、可控的汽车产业供应链体系与创新体系,国家内部的集群间合作会愈发密集。在此背景下,产业集群和集群内企业如何参与到集群网络之中,又如何受到集群网络的影响值得深入研究。
囿于关系型数据难以获取,当前出现了实证研究滞后于理论研究的局面。为此,本文通过实证研究重点解决如下问题：中国汽车制造业的“集群网络”呈现什么样的空间图景?在创新合作和供应链合作2种维度上,集群网络的时空演化有哪些差异性?上述集群网络产生的网络外部性如何影响企业TFP?对上述问题的研究,既有掌握转型期中国汽车制造业集群网络发展现状的现实需要,也有深化“全球集群网络”和“网络外部性”的理论需求。
通过分析中国汽车制造业集群网络,本文发现：集群间合作网络是企业TFP的重要区位因素,这在现有研究中被广泛忽视。特别是,集群之间的供应链合作关系能够影响企业TFP。其中,具有稳定的供应链合作关系的企业,该网络对其产生显著的正向影响;对于缺失稳定的供应链合作关系的企业,其TFP的提升主要得益于集群内部密集的供应链合作引发的集聚外部性。
本文以下部分安排如下：第二部分为文献综述;第三部分为数据来源与处理;第四部分识别产业集群和刻画集群网络;第五部分探究集群网络对企业TFP的影响;第六部分给出结论与政策讨论。

2 文献综述

集聚外部性和网络外部性在空间尺度、合作方式、测度方法、作用机制等方面存在差异。图2展示了这两种研究范式的差异与联系。
图2 分析框架

Fig. 2 Diagram of research framework

产业集聚是指经济主体由于共同处于特定区域能够获得额外好处,包括知识溢出带来的学习机会、要素共享带来的成本降低和效率提升[14]。相关研究主要从区域规模、多样化经济、专业化经济等指标分析在特定空间范围内企业等经济要素的地理集中现象,强调这种集聚现象能够通过共享、匹配、学习3个机制引发“集聚外部性”。在产业集聚的基础上,区域内相同或相关行业的企业产生专业化的合作能够进一步形成产业集群[15]。相比于产业集聚,产业集群理论更加强调本地的产业关联性和经济主体之间实际发生的互动合作[5,16]。近年来,相关研究开始反思产业集聚理论存在的不足：一是,产业集聚也会产生负外部性,并对区域和企业绩效产生负效应[17,18];二是,企业的合作伙伴并不局限于本地,也需要广泛地与其他集群建立合作以获得外部知识和资源[19,20]。
“全球集群网络”理论基于“多集群”视角,认为处于不同区位的产业集群之间由于存在投资、技术、供应链等不同方式的合作,形成跨越地理边界的全球集群网络[8,21]。在全球集群网络理论中,网络外部性主要探究集群间的合作关系对产业集群和集群内企业的影响。相比于Harald Bathelt等在2014年提出“全球集群网络”理论之时,采用加拿大的跨国企业的对华投资数据进行分析,以此刻画出不同国家、不同地方的产业集群之间的合作关系[3]。后续已有一些研究基于不同空间尺度对集群间创新、供应链、投资、劳动力流动等多种合作方式进行探究[5,22]。相关学者基于产业内分工视角,将水平方向和垂直方向的合作网络细分为“创新合作网络”和“供应商链合作网络”。水平分工主要集中于同行企业之间的创新合作,集群内企业建立跨集群的合作能够便于获得互补性的技术和知识[23];垂直分工主要面向上、下游企业的供应链合作[7,9],促使企业之间建立层次分明的供应商链合作体系。在研究对象上,已有研究集中在集群网络的刻画与时空演化特征[6,7]、网络形成机制等方面[8,10],但对网络外部性的关注较少。特别是缺少对企业TFP的探讨。
已有研究认为集群网络能够通过“匹配机制”和“学习机制”产生网络外部性。“匹配机制”主要是指因企业位于集群网络之中,便于在所在集群和其他集群中快速匹配供应商、采购商,从而高效率地获取中间投入品。特别是对于汽车企业,为了保证零部件供应商的生产质量,整车企业和零部件企业通常会共享技术和产品标准,促使汽车产业的供应链关系能够跨越产业集群实现高效率地匹配[24,25]。“学习机制”是指由于产业集群之间合作关系的存在,技术能够在集群之间扩散,便于企业学习新产品、技术创新成果和管理方法。产业集群的对外连通性能够给本地带来外部的资本、技术和产品[26],有助于解锁本地的演化路径。关于北京生物医药产业集群的研究认为,产业集群不仅可以从邻近集群获益,还可以通过集群间合作网络在全球范围内获得创新资源[6]。关于印度影视产业集群和电子信息产业集群的研究发现,当地通过与美国相关产业集群的合作,实现集群的快速升级[27]。集群间合作有利于提升产业集群的创新绩效,但知识密集型和劳动密集型集群的获益程度存在差别,前者主要受到创新合作的影响,后者更得益于集群间供应链合作[9]。关于底特律汽车集群的研究发现,得益于与全球多个集群开展技术合作和供应链合作,当地企业能够获得技术支持,使得底特律从创新岛（Innovative island）升级为创新枢纽（Innovative hub）[5]。集群内企业与位于其他集群的企业开展合作,既能够提高自身的生产效率[27],也能够提升本地其他企业的效率[28]。关于上海张江和台湾新竹产业集群的研究发现,集群间合作能够共享产业优势、整合创新资源[29]。
集群网络也会产生诸多负外部性。作为整体网络,集群网络会提升先行者的优势,但会对欠发达地区的集群内企业造成限制。集群网络会抑制产业多样化和知识多样化,因而可能会阻碍新知识的合作、产生及应用[30]。以底特律为例,在集群间创新合作的影响下,虽然底特律由汽车制造业中心转变为知识中心[31]。但这也改变了当地人员的知识结构,限制新的制造企业在此成立。需要注意的是,集群网络引发的网络外部性受到集群的行业类别与组织形式、企业的技术水平与所处的价值链环节[32]、开放程度[33]、对外合作程度[34]等多种因素的影响。
综上,集聚外部性与网络外部性的主要差别和联系在于：① 空间尺度上,集聚外部性主要关注地方尺度,网络外部性可以关注全球、国家、地方多尺度。集聚外部性的强度随距离递减,网络外部性与集群间合作强度相关;② 合作关系上,集聚外部性关注本地的专业化合作,网络外部性关注集群之间的合作关系;③ 作用机制上,集聚外部性的产生得益于本地的共享、匹配、学习机制,而网络外部性主要通过匹配和学习机制发挥作用;④ 要素构成上,产业集聚由特定区域内部的以企业为主的经济主体构成;全球集群网络具有多层次性,由多个产业集群和大量的集群内企业共同构成。全球集群网络理论的提出并不否定产业集聚理论,产业集聚对全球集群网络具有支撑作用。
现有研究已经对集群网络的形成及演化、网络外部性对企业创新绩效等开展了初步探索,但在以下方面有待突破：① 现有研究尚未论证集群网络能否影响企业TFP;② Turkina等已经从水平分工和垂直分工的角度区分了集群间创新合作和供应链合作[7],但现有关注网络外部性的文献局限于创新合作网络,对供应链合作网络缺少关注;③ 已有研究已经关注了因“先行者优势”而存在的区域异质性,但尚未分析企业异质性。鉴于此,本文基于企业层面的专利合作和供应链合作数据,描绘中国汽车制造业产业集群之间的创新合作网络和供应链合作网络,采用计量模型对比分析集聚外部性和网络外部性对企业TFP的影响,并探讨其背后的影响机制与企业异质性,以期推动制定更加科学合理的产业集群政策。

3 数据来源与实证设计

3.1 数据来源与处理

获取关系型数据是研究“集群网络”的重要基础。参考相关研究[7,9],本文收集了企业层面的专利申请数据和十分难得的供应链合作数据,其他数据还包括企业名录数据和部分年鉴数据。
（1）专利数据。专利数据来源于国家知识产权局网站（www.cnipa.gov.cn）,本文共收集到汽车行业的136万余条专利申请数据。将该数据“申请人”条目中至少包含2家企业的专利视为企业之间在专利层面发生创新合作。在相关研究中,不同类型的专利数据常被用于分析创新网络。专利引用数据可以挖掘专利申请人在技术层面的参考、引用行为,专利转让数据体现转让主体之间对专利权的转让行为。这两种情形下均未必发生创新合作。联合申请专利数据可以体现申请者之间正式的共同研发行为,目前已成为研究创新合作的重要数据源[35]。
（2）供应链数据。企业间的供应链数据源于在汽车行业具有较高认可度的供应商资料①( 相关资料包括：北京西实谊汽车图书公司开发的电子数据库“中国汽车OEM供应商手册”信息系统;北京西实谊汽车图书公司和中国汽车报社在2001年编制的纸质资料《中国汽车零部件供应商手册》;中国汽车工业协会和中汽华轮公司于2013年在人民交通出版社股份有限公司出版的纸质资料《中国汽车工业企事业单位信息大全（2013版）》。)。上述资料将汽车制造业企业依据汽车整车、发动机零部件、车身零部件、底盘零部件、电子电器零部件、通用件零部件、汽车用品及工具等门类进行细分。作者将这些资料逐条录入计算机,建立“中国汽车企业供应链数据库”。以此,提取出各年份每一家整车企业、零部件及配件企业的供应商和采购商名录。
（3）企业名录数据。企业层面的微观数据源于锐思数据库（www.resset.cn）提供的《工业企业数据库》。数据预处理主要包括以下环节：统一各年数据的变量名;参照《国民经济行业分类（GB/T4754-2011）》[36]统一各年的国民经济行业代码;参照2013年末的行政区划标准,统一各年的政区代码;删除核心变量为空值的企业样本。参考相关研究[37,38],以“逐步添加”的方式对样本进行匹配。鉴于《工业企业数据库》中2011—2013年的工业增加值和投资存在缺失,参考相关研究估算,即当年工业增加值等于应付工资总额与劳动产出弹性之比,投资等于当年固定资产减上一年固定资产再加上当年折旧[38,39]。本文测算了2001年、2007年及2013年的企业TFP。

3.2 模型设定与变量选取

本文在2000年、2006年和2012年三个年份识别中国汽车制造业产业集群、刻画集群网络;在2001年、2007年、2013年三个年份测算企业TFP,共计涉及到10425个汽车制造业企业样本。为了对比分析集聚外部性与网络外部性对企业TFP的影响,本文采用固定效应面板回归模型：
T F P c , t = β 0 + β 1 P u r c h a s e _ w d c , t - 1 + β 2 I n n o v a t i o n _ w d c , t - 1 + β 3 A G G c , t - 1 + β 4 X c , t - 1 + ω c + μ t - 1 + ε c , t - 1
式中：被解释变量为企业层面的TFP。在各类测算TFP的方法中,OP方法与LP方法在解决内生性问题上具有优势[40]。本文在基准模型中使用OP方法,稳健性检验部分使用LP方法。β0为常数项;核心解释变量Innovation_wd和Purchase_wd表示网络外部性;AGG代表一系列的集聚外部性变量;Xc,t-1为控制变量;β1、β2、β3和β4为系数;ωc是产业集群的个体固定效应;μt-1是年份固定效应;εc,t-1为随机误差项。具体如下：
（1）网络外部性变量。现有研究主要采用3种方式表征网络外部性：① 采用引力模型、市场潜能等公式,利用经济总量、从业人口、常住人口、地理距离等数据估算区域之间的联系强度[41];② 使用空间计量模型,将区域间的关系流转换为空间关联矩阵进行回归分析[42,43];③ 使用社会网络分析方法,利用节点的网络特征值分析其对外连接性[44,45]。在这3种方法中,第一种方式属于估算方法,并非区域间实际的联系强度,而空间计量模型不便于同时分析多个关联网络。因此,本文采用第三种方式,将处于地方尺度的产业集群视为网络节点,并使用节点的加权度表征网络外部性。Innovation_wd和Purchase_wd分别是指产业集群在“集群间创新合作网络”和“集群间供应商链合作网络”中的节点加权度。加权度是对节点的每一次对外联系的强度都进行加权,具体测算方法见公式（2）和公式（3）,利用社会网络分析软件Gephi 0.9.2求得。
P u r c h a s e _ w d c = ∑ n = 1 n P u r _ C o n n e c t c , n
I n n o v a t i o n e _ w d c = ∑ n = 1 n I n n _ C o n n e c t c , n
式中：Pur_Connectc,n是产业集群c和n之间的供应链合作频次;Inn_Connectc,n是指产业集群c和n之间的创新合作频次。
（2）集聚外部性变量。学界对集聚外部性开展了较为系统的研究,本文利用多样化经济（Div）、区域规模（Sca）、专业化合作（Innovation_intracluser和Purchase_intracluser）表征集聚外部性[46]。其中：① 多样化经济为区位基尼系数的倒数,若系数为正,表明企业TFP主要得益于多样化经济。反之,表明产业门类越集中对企业TFP越重要。② 区域规模为产业集群内的全部职工数。③ 专业化合作采用集群内汽车制造业企业的合作频次。现有研究对专业化经济的研究,主要利用区位熵、产业份额、从业人员比例等指标测算。但这些指标仅能够从总量或结构上测算本地的专业化优势,无法关注产业集群内部企业间真实的合作关系。虽有少量的研究利用问卷调查、实地访谈等方式分析集群内部的专业化合作,但此类研究主要在地方尺度下分析单个产业集群[47,48]。本文为了与集群间合作方式保持一致,参照Turkina的分类方法,将集群内部合作依据水平合作和垂直合作进行区分[7],具体包括产业集群内部企业间的创新合作频次（Innovation_intracluser）和供应链合作频次（Purchase_intracluser）。
（3）控制变量：① 企业平均薪资（wage）,用于反映工人的专业技术水平。② 企业经营时间（age）。得益于“干中学”效应[49],企业年龄有助于提高企业TFP。但企业年龄的增长也可能导致理念固化、设备陈旧等问题,而阻碍企业的TFP。③ 出口交货值（exp）。出口贸易便于引发学习效应,但相关研究还发现了“生产率悖论”,即出口份额较大的企业,其TFP相对较低[50,51]。④ 资产负债率（Debt）,即负债与资产之比,能够体现企业的资金风险和利用资金扩展业务的能力。资产负债率过高会阻碍企业发展[52]。⑤ 企业所有制（ownership）[40]。⑥ 资本密集度（kl）,即企业资本除以职工总数。该指标可以反映企业使用新的技术和生产设备的能力[53]。

4 识别产业集群与刻画集群网络

4.1 在县区尺度上识别产业集群

本文将产业集群置于县（区）级尺度开展研究,主要依据如下：① 地方政府通常以辖区内的经济技术开发区、产业园区为载体发展专业化的产业集群。实地调研发现,每个县区通常有1~2个具有专业化倾向的园区[54];② 县域通常具有功能完备的综合经济体系[49];③ 相关研究认为,集聚外部性仅会在50 km内发生[55],这和县、区的空间范围较为相近。
识别产业集群是刻画集群网络的基础工作。在国内外文献中,区位熵法已经被广泛应用于集群研究中[7],即如果特定区域的汽车制造业从业人口的区位熵大于1,其集聚强度高于全国平均水平,本文将其视为一个产业集群。本文在2000年、2006年及2012年三个年份均进行识别,合计发现203个汽车制造业产业集群（图3）。从空间分布来看,这些集群集中分布在长三角、珠三角、京津冀三大经济区,以及湖北省和成渝地区。
图3 中国汽车制造业产业集群的空间分布

注：该图基于自然资源部地图技术审查中心标准地图(审图号为(GS(2020)4619号）绘制,底图无修改。

Fig. 3 Spatial distribution of local clusters of automobile manufacturing industry

4.2 中国汽车制造业集群网络的刻画

根据企业位置,将企业之间的合作关系转化为2种类型的集群间合作关系。再利用ArcGIS绘制集群网络图（图4）。数据分析发现：
图4 中国汽车制造业集群网络示意

注：该图基于自然资源部地图技术审查中心标准地图(审图号为(GS(2020)4619号）绘制,底图无修改。

Fig. 4 Schematic diagram of China's automobile manufacturing cluster networks

（1）创新合作网络。总体呈现出“由零星出现到北上广三地集群间密切联系,再到北上广青津为主的跨区域创新合作以及在长三角、珠三角内部密切合作”的演化过程。2000年,创新合作零星地发生在天津、上海及其周边地区。2006年,主要以零部件企业为主开展对外创新合作（如：思源电气股份有限公司、坤孚车辆配件有限公司、上海龙华汽车配件有限公司等）,并塑造了集群间创新合作网络。北京、上海、广州组成强烈的三角合作关系。此外,沈阳、长春、青岛、武汉的产业集群与上海产生创新合作。在长三角地区,上海、宁波、无锡、苏州等地的产业集群之间产生密集的创新合作。2012年,主要由大型整车集团和零部件集成商推动创新合作（如：上海汽车集团股份有限公司、上海汽车制动系统有限公司、浙江吉利控股集团有限公司等）。北京、上海、广州、青岛、天津等地的产业集群之间产生密集的创新合作。此外,在长三角地区和珠三角地区内部以及国内多个产业集群与这两个地区产生创新合作。
（2）供应链合作网络：总体呈现出“采购地相对集中,供给地相对分散”的空间分布特征。2000年,以远距离的跨区域合作为主,主要由国有和中外合资的大型整车企业（如：东风汽车公司、上海大众汽车有限公司、上海通用汽车有限公司、中国第一汽车集团公司、重庆长安铃木汽车股份有限公司等）为主要采购商推动集群间供应链合作。长春、重庆、武汉、上海等地的产业集群之间产生密集的供应链合作。2006年,随着国有汽车集团的空间扩张以及合资汽车企业日益增加,整车企业数量快速增加。轿车、专用车、客车等多类型的汽车产品供给与需求产生了空间分工,供应链网络的参与主体和合作频次快速增加。在长春、重庆、武汉、上海、广州形成合作密切的骨干网络,其他集群围绕这些集群也产生很多低频次的供应链合作。2012年,形成了多层级的供应链合作网络。该时期,中国的汽车产业政策重点强调“汽车产业兼并重组、创造公平竞争的市场环境”。在此背景下,合资企业、民营企业与国有企业共同快速成长,推动供应链合作网络的扩充。首先,在长春、重庆、武汉、上海、广州、北京等地的产业集群之间形成供应链合作骨干网络（东风汽车股份有限公司、中国第一汽车集团公司、重庆长安铃木汽车有限公司、神龙汽车有限公司、上海大众汽车有限公司、广州本田汽车有限公司等整车企业为主要采购商）;其次,围绕上述骨干网络,苏州、南京、宁波、成都、厦门、青岛、十堰、温州、合肥等地的整车企业与零部件集成商推动供应链合作（如：浙江吉利罗佑发动机有限公司、东风朝阳朝柴动力有限公司、奇瑞汽车股份有限公司、厦门金龙联合汽车工业有限公司、比亚迪汽车有限公司等）;最后,由各类零部件企业推动其他产业集群与上述集群地区产生低频次的供应链合作。由于这些零部件企业大多聚焦于细分领域,虽然供应链合作频次较低,但参与主体众多。

4.3 集群网络的网络特征

本部分利用社会网络分析方法探究2种类型集群网络的演化过程（表1）。在研究期内,两个网络的网络规模和密度均持续增加。在2006年以后供应链合作网络的规模和密度均大于创新网络。从平均加权度来看,参与到供应链合作网络中的产业集群更多,参与到创新网络中的产业集群较少,但集群之间的创新合作频次较高。社团分析进一步表明,创新合作网络的社团数量持续增加,社团划分效果显著提高,产业集群之间的创新合作趋于“地方化”。基于创新合作,产业集群之间能够在更大的空间尺度上形成多个内部联系密切的“集群的集群（The Cluster of Clusters）”。与此不同是,供应链合作网络的Q值（用于反映社团划分效果）逐渐降低,表明产业集群在供应链合作方面更能够超越地理边界和地理距离的限制,因而未能形成若干个边界清晰的社团。
表1 创新合作与供应链合作网络的网络特征

Tab. 1 Network characteristics of innovation cooperation and supply chain cooperation networks

类别 创新合作网络 供应链合作网络
2000年 2006年 2012年 2000年 2006年 2012年
平均度 2.030 2.374 4.335 1.941 4.167 12.842
平均加权度 0.039 3.054 82.473 2.552 5.813 24.241
网络直径 2 7 9 5 7 7
网络密度 0.010 0.012 0.021 0.010 0.021 0.064
社团划分效果Q值 0.440 0.547 0.661 0.420 0.321 0.227
社团数量 2 8 15 5 7 5

5 集群网络对企业全要素生产率的影响

5.1 基准模型的回归结果

在基准模型中（表2）,模型（1）面向全部集群内企业。在控制其他因素后,产业集群在供应链合作网络中的节点加权度（Purchase_wd）对本地企业的TFP在1%的统计显著性水平上具有阻碍作用。但是,现有研究已经发现技术并非是普遍扩散的,网络外部性的发生受到企业技术水平、开放程度等多方面的影响[32]。作者实地调研也发现,大量企业因生产技术、产品质量、环保水平等方面存在不足,未能与其他企业建立稳定的供应链合作关系。如上汽DZ汽车有限公司L经理表示：“我们集团在江苏的仪征市也有分部。虽然当地原来就有很多汽车零部件企业,但仅有3~4家能够满足我们的要求,成为我们的零部件供应商”。为此,本文将企业样本分为两类,进行分样本估计：Ⅰ类型企业是指没有稳定的供应链合作关系的企业;Ⅱ类型企业是指在集群内部能够与其他企业建立稳定的供应链合作关系的企业（图5）。
表2 基准模型的回归结果

Tab. 2 Regression results of the benchmark model

被解释变量：TFP 模型（1） 模型（2） 模型（3） 模型（4） 模型（5）
全样本 Ⅰ类型企业 Ⅱ类型企业 2001—2007年 2007—2013年
网络外部性 Innovation_wd -0.003 -0.005 -0.001 -0.007 -0.001
(0.003) (0.004) (0.001) (0.030) (0.001)
Purchase_wd -0.001*** -0.008* 0.004** 0.001 0.005**
(0.004) (0.004) (0.002) (0.008) (0.002)
集聚外部性 Sca -0.009 0.004 -0.012* -0.003 -0.013
(0.002) (0.002) (0.006) (0.009) (0.010)
Div -0.305** -0.198 -0.526* -0.188 -0.767*
(0.137) (0.151) (0.305) (0.509) (0.409)
Innovation_intracluser 0.032 0.018 -0.009 0.013 -0.001
(0.031) (0.084) (0.053) (0.066) (0.002)
Purchase_intracluser 0.027*** 0.024*** -0.035 -0.009 -0.051
(0.006) (0.007) (0.028) (0.058) (0.034)
控制变量 Wage 8.618** 6.576 2.639 -25.550 -1.436
(4.361) (4.934) (13.980) (165.200) (14.810)
Age -0.001 0.009 0.003 -0.019 0.001
(0.003) (0.003) (0.009) (0.012) (0.016)
Exp 0.004** 0.002 0.004*** 0.001 0.004**
(0.002) (0.002) (0.001) (0.001) (0.002)
Debt -0.018 -0.048 -0.301* -0.012 -0.330
(0.088) (0.114) (0.170) (0.407) (0.221)
Ownership 0.054 -0.099 0.376 0.256 0.384
(0.092) (0.139) (0.239) (0.191) (0.297)
kl 0.001*** 0.001** 0.0001*** -0.00001 0.001***
(0.0004) (0.001) (0.0001) (0.0001) (0.0001)
年份固定效应 Y Y Y Y Y
个体固定效应 Y Y Y Y Y
_cons 3.213*** 3.819*** 3.167*** 4.083*** 3.849***
(0.161) (0.408) (0.172) (0.598) (0.620)
N 7904 6745 1159 404 1051

注：***、**、*分别代表1%、5%、10%的统计显著性水平;括号内为系数估计的标准误。因多个年份的企业数据为非平衡面板数据,部分非连续的企业样本在固定效应回归模型中被自动剔除。

图5 集群网络中的Ⅰ类型和Ⅱ类型企业

Fig. 5 Type I and Type II enterprises in the cluster network

模型（2）分析Ⅰ类型企业,网络外部性变量Purchase_wd在10%的统计显著性水平上负向影响企业TFP。模型（3）分析Ⅱ类型企业,Purchase_wd能够正向影响企业TFP,产业集群与其他集群每增加100次供应链合作,企业TFP会增加0.422。在这种跨尺度的传导作用中,稳定的供应链合作关系对这些企业发挥两种作用：一是在外部集群向本地传输技术的过程中,这种稳定的合作关系便于企业及时获取所在集群新引进的技术;二是在汽车产业内部已形成“金字塔型”的供应链合作体系,供应链合作能够推动企业之间共享采购商、供应商渠道,有利于大幅度降低企业对供应商的匹配效率,进而提高企业TFP。为了对上述两种机制进行论证,下文的5.4部分将通过中介效应模型进行分析。
由于Ⅰ类型企业的样本量远大于Ⅱ类型企业,包含全样本企业的模型（1）更多地反映Ⅰ类型企业的特征,对于这些缺少稳定供应链合作关系的企业而言,集群网络对其产生排斥力,不利于这些企业提高效率。在企业样本具有显著异质性的情况下,分样本估计更为重要。Innovation_wd在上述三个模型中统计显著性均不显著。这与上文4.3部分相呼应,即大量的产业集群尚未参与到集群间创新网络之中,未能受到创新网络的影响。因此,集群网络对企业TFP的提升作用具有异质性,对于已经建立稳定供应链合作的企业,Purchase_wd能够产生促进作用。否则,产生阻碍作用。在集聚外部性变量中,区域规模（Sca）和集群内部的创新合作频次（Innovation_intracluser）在模型（（1）~模型（3））中均不显著;多样化经济（Div）在模型（1）和模型（3）中呈负向显著,表明集群中的产业门类越集中分布,越有利于企业TFP的提高;而集群内部供应链合作频次（Purchase_intracluser）能够对Ⅰ类型企业产生正向作用,对Ⅱ类型企业的影响并不显著。
在基准模型的基础上,进行时间异质性分析（表2的模型（4）和模型（5））。本文将基准模型的固定效应面板回归模型依据时间拆分并进行分样本估计。2001—2007年,2种类型的外部性因素均不显著;2007—2013年,随着集群之间供应链合作愈发频繁,集群之间的供应链合作网络的密度日趋增加。该合作网络产生的网络外部性在5%的统计显著性水平上影响企业TFP,而其他变量并不显著或统计显著性较低。因此,时间异质性分析发现,网络外部性的影响作用在不断加强,而集聚外部性的影响作用并不稳健。由于模型（2）中网络外部性变量的统计显著性较低,后文重点分析Ⅱ类型企业。
基准模型的理论贡献是,基于中国汽车产业集群网络归纳了网络外部性的如下特征：① 网络外部性具有网络类型的异质性。创新网络对企业TFP的影响作用并不显著,而供应链网络能够产生显著影响;② 网络外部性与集聚外部性存在互补作用。对于具有稳定供应链合作的企业,其TFP的提高主要受到网络外部性的影响。对于缺少稳定供应链合作关系的企业,其TFP的增加主要得益于集群内部密集的供应链合作引发的集聚外部性。总之,本文发现面向集群外部合作的网络外部性是分析企业TFP不可缺失的重要区位因素。

5.2 内生性讨论

由于TFP较高的企业拥有更强的供货能力和更大的采购需求,基准模型的研究思路可能会出现“反向因果关系”问题。对此,本文使用滞后6年的网络外部性变量作为工具变量,并对其进行2LS估计。
在估计结果中（表3）,模型（1）表明滞后项对解释变量具有较强的解释能力,这表明不存在弱工具问题。模型（2）发现,供应链合作网络对企业TFP仍能产生显著的影响。
表3 2LS的估计结果

Tab. 3 Estimated results of 2LS

变量 模型（1） 模型（2）
Purchase_wd TFP
网络外部性 Purchase_wd 0.007***
(0.002)
IV 0.073***
(0.004)
Innovation_wd 0.098*** 0.001
(0.033) (0.001)
集聚外部性 Sca -0.007 0.003***
(0.015) (0.005)
Div 3.984*** 0.203***
(1.238) (0.045)
Innovation_intracluser 0.041*** -0.012***
(0.091) (0.003)
Purchase_intracluser 6.616 -0.056***
(0.106) (0.016)
控制变量 Y Y
_cons 1.194 2.583***
(1.662) (0.062)
N 1159 1159

注：***代表1%的统计显著性水平;括号内为系数估计的标准误。

5.3 稳健性检验

5.3.1 稳健性检验1：采用LP方法测度TFP

本部分采用LP方法测算TFP并进行回归分析。估计结果（表4的模型（1）~模型（3））与基准模型基本一致,网络外部性变量Purchase_wd对全部企业的TFP产生显著的负效应。对于Ⅱ类型的企业,Purchase_wd可以显著地提高企业TFP。
表4 稳健性检验的估计结果

Tab. 4 Estimated results of robustness test

变量 模型（1） 模型（2） 模型（3） 模型（4） 模型（5） 模型（6）
全样本 Ⅰ类型企业 Ⅱ类型企业 全样本 Ⅰ类型企业 Ⅱ类型企业
网络
外部性		 Innovation_wd -0.004 -0.005* -0.004 -0.004 -0.007* -0.007
(0.003) (0.003) (0.007) (0.003) (0.004) (0.009)
Purchase_wd -0.008* -0.005 0.032** -0.001** -0.008 0.042**
(0.004) (0.004) (0.016) (0.004) (0.005) (0.020)
集聚
外部性		 Sca -0.008 0.002 -0.102* -0.002 0.002 -0.133**
(0.016) (0.016) (0.053) (0.002) (0.019) (0.066)
Div -0.177 -0.099 -0.414 -0.246* -0.124 -0.538*
(0.123) (0.140) (0.277) (0.149) (0.168) (0.302)
Innovation_intracluser 0.008 0.013* -0.009 0.008 0.015* -0.007
(0.006) (0.007) (0.018) (0.008) (0.009) (0.023)
Purchase_intracluser 0.226*** 0.220*** -0.024 0.025*** 0.023*** -0.036
(0.055) (0.068) (0.023) (0.007) (0.008) (0.029)
控制变量 Y Y Y Y Y Y
年份固定效应 Y Y Y Y Y Y
个体固定效应 Y Y Y Y Y Y
_cons 2.918*** 2.860*** 3.535*** 3.126*** 3.114*** 3.868***
(0.144) (0.159) (0.376) (0.174) (0.193) (0.405)
N 7904 6745 1159 6745 5612 1133

注：***、**、*分别代表1%、5%、10%的统计显著性水平;括号内为系数估计的标准误。

5.3.2 稳健性检验2：采用同一门槛的企业样本

2010年以后,“规模以上企业”的主营业务收入标准提高到2000万元[37]。为了解决因统计标准变化造成的估算偏差,将各年份的样本依据2011年的主营业务收入2000万元标准进行通货膨胀平减,计算出各年份新的“规模以上企业”门槛值。通过剔除各年份低于该门槛值的企业样本,获得同一“规模门槛”的样本。回归结果与基准模型相符（表4的模型（4）~模型（6））。

5.4 影响机制分析

在文献综述部分,本文归纳了集群网络对企业TFP的影响主要得益于学习机制和匹配机制。在外部集群向本地传输技术的过程中,这种稳定的合作关系便于企业及时获取所在集群新引进的技术。此外,在汽车产业内部已形成“金字塔型”的供应链合作体系,供应链合作能够推动企业之间共享供应链渠道,有利于大幅度降低企业对供应商和采购商的匹配效率,进而提高企业TFP。为了对上述两种机制进行论证,下文通过中介效应模型进行分析。

5.4.1 学习机制：集群间合作提升企业研发水平

集群间合作能够为位于不同区位的集群内企业带来新知识和技术手段,也有利于提高企业的吸收与转化能力,进而提高企业TFP[52,56]。由于发明专利更加能够体现企业的核心研发水平,采用企业的发明专利数量（Invention）衡量企业的研发能力（表5的模型（1）和模型（2））。
表5 匹配机制和学习机制的中介效应分析

Tab. 5 Analysis of the mediating effect of learning mechanism

变量 模型（1） 模型（2） 模型（3） 模型（4）
TFP Invention TFP Buyersupplier
中介变量 Invention 0.006***
(0.001)
Buyersupplier 0.005***
(0.001)
网络外部性 Innovation_wd -0.008 0.013 -0.005 -0.033
(0.008) (0.036) (0.008) (0.069)
Purchase_wd 0.003 0.264** 0.002 0.442**
(0.002) (0.134) (0.002) (0.206)
控制变量 Y Y Y Y
年份固定效应 Y Y Y Y
个体固定效应 Y Y Y Y
_cons 3.596*** 38.110 3.740*** 17.140
(0.419) (32.580) (0.401) (34.980)
N 1159 1167 1159 1167

注：***、**分别代表1%、5%的统计显著性水平;括号内为系数估计的标准误。

模型（1）在面向Ⅱ类型企业的基准模型的基础上纳入企业的发明专利数量（Invention）,该变量在1%的显著性水平上提高企业TFP,而网络外部性变量（Purchase_wd）不再显著。模型（2）以发明专利的数量（Invention）为被解释变量,以网络外部性变量（Purchase_wd）为解释变量。估计结果表明,Purchase_wd能够在5%的显著性水平上增加企业发明专利的数量,因此该中介关系成立。这与Yeniyurt对美国和加拿大汽车制造业的分析结果一致,即供应链合作多方会加强科技成果的共享,进而提高合作企业的研发能力与TFP[57]。MBS汽车零部件有限公司研发工程师L表示：“整车厂关注的技术不外乎包含轻量化、轻成本、省油、环保、新材料等方面。但整车厂在技术上的变革相对较少,他们主要依靠零部件供应商为其考虑……比如上汽大众到长沙投产以后,很多具有长沙以外供应链合作的零部件企业,跟随上汽大众前往长沙建厂。为便于及时沟通交流,很多零部件企业派驻大量的工程师在各个整车厂及其研发中心,这也很有利于提升长沙本地的零部件企业的技术水平”。

5.4.2 匹配机制：有利于企业快速获取供应商合作机会

供应链合作能够推动企业之间共享合作渠道,提升企业对合作伙伴的匹配效率,提高企业TFP。在中介模型的设定中,以企业的供应链合作商数量（Buyersupplier）为中介变量（表5的模型（3）~模型（4））。模型（3）显示,中介变量Buyersupplier能够显著影响企业TFP。模型（4）发现,网络外部性变量Purchase_wd在1%的统计显著性水平上影响企业的供应链合作商数量（Buyersupplier）,所以该中介关系成立。集群间供应链合作能够促进企业获得供应商合作机会,进而提高企业TFP。作者实地调研的发现也支持上述机制。昆山HT汽车配件工业有限公司Y经理表示：“虽然昆山现在劳动力价格‘吓死人’。但我们很看重这里有很多能够进入大型主机厂供应商名录的企业,与他们合作使得我们也参与到大型整车厂的供应链体系中,便于我们获取到更多的合作伙伴”。

6 结论与讨论

本文基于“全球集群网络”理论,利用汽车企业的专利数据和供应链合作关系数据,刻画中国汽车制造业产业集群网络;利用固定效应面板回归模型,检验和对比网络外部性与集聚外部性对企业TFP的影响,主要发现：第一,产业集群在供应链合作和创新合作方面广泛结网。其中,集群之间的供应链合作比创新合作更加密集,但后者的平均联系强度大于前者。第二,集群间供应链合作网络对企业TFP具有显著且质性的影响。对于具有稳定的供应链合作关系的企业,其所在的产业集群与其他集群每增加100次供应链合作,企业TFP会增加0.422;对于缺少稳定供应链合作关系的企业,其TFP的增加主要得益于集群内部密集的供应链合作引发的集聚外部性。第三,网络外部性存在“学习机制”和“匹配机制”,即集群间的供应链合作能够提升企业研发水平、提高对供应链合作企业的匹配效率,提升企业TFP。
本文发现集群网络是企业TFP的重要影响因素,这在现有研究中被广泛忽视。网络外部性与集聚外部性存在互补作用。对于具有稳定供应链合作的企业,其TFP的提高主要受到网络外部性的影响。对于缺少稳定供应链合作关系的企业,其TFP的增加主要得益于集群内部密集的供应链合作引发的集聚外部性。此外,对集群网络影响企业TFP的影响机制进行探索,发现网络外部性也存在“学习机制”和“匹配机制”,丰富了全球集群网络的理论框架。最后,相比于现有研究主要关注区域异质性,本文深化了网络外部性所存在的企业异质性。
本文发现集群之间已建立多种渠道的合作,这些合作网络能够进一步影响企业TFP。因此,在区域和产业发展过程中,不仅要鼓励在特定区域范围内发展产业集群,也要充分挖掘集群网络的益处。制定面向外部合作网络的产业政策,积极利用网络外部性以提升企业绩效。地方政府应积极搭建企业合作平台,鼓励和支持本地汽车制造企业与外界企业之间建立稳定的供应链合作网络。尤其是,具有汽车制造业发展基础但产业发展水平相对落后的集群地区,应该积极拓展本地汽车企业与技术水平相对较高的产业集群的联系,如建立与上海、北京、广州、重庆等地的产业联系。积极利用外部供应链合作关系以获得当地难以产生和发展的重要知识和技术。
受限于全行业关系型数据的缺失,本文对产业集群限定于汽车制造业企业,缺少对产学研等多种合作关系的关注。此外,在网络外部性的“学习机制”中,管理效率的提升可能是集群网络影响企业TFP的一种路径。对此,有待企业层面的数据进一步完善之后开展相关研究。

真挚感谢匿名评审专家在论文评审中所付出的时间和精力,评审专家所提出的宝贵建议令本文的研究框架更为清晰、研究内容更加充实。也十分感谢华东师范大学的王俊松副教授、张婷麟副教授以及郑州大学的李琬博士等对本文提出的宝贵意见！

References

Publishing order | Descend order by publishing year | Descend order by cited within
[1]
Meeteren M V, Neal Z, Derudder B. Disentangling agglomeration and network externalities: A conceptual typology. Papers in Regional Science, 2016, 95(1): 61-80. DOI: 10.1111/pirs.12214.

DOI

[2]
林柄全, 谷人旭, 王俊松, 等. 从集聚外部性走向跨越地理边界的网络外部性: 集聚经济理论的回顾与展望. 城市发展研究, 2018, 25(12): 82-89.

[Lin Bingquan, Gu Renxu, Wang Junsong, et al. From agglomeration externalities to network externalities crossing geographical boundaries: A review and prospect of agglomeration economic theory. Urban Development Studies, 2018, 25(12): 82-89.]

[3]
Bathelt H, Li P. Global cluster networks-foreign direct investment flows from Canada to China. Journal of Economic Geography, 2014, 14(1): 45-71. DOI: 10.1093/jeg/lbt005.

DOI

[4]
Bathelt H, Malmberg A, Maskell P. Clusters and knowledge: Local buzz, global pipelines and the process of knowledge creation. Progress in Human Geography, 2004, 28(1): 31-56. DOI: 10.1191/0309132504ph469oa.

DOI

[5]
Hannigan T J, Cano-Kollmann M, Mudambi R. Thriving innovation amidst manufacturing decline: The Detroit auto cluster and the resilience of local knowledge production. Industrial and Corporate Change, 2015, 24(3): 613-634. DOI: 10.1093/icc/dtv014.

DOI

[6]
Bathelt H, Zhao J. Conceptualizing multiple clusters in mega-city regions: The case of the biomedical industry in Beijing. Geoforum, 2016, 75: 186-198. DOI: 10.1016/j.geoforum.2016.07.016.

DOI

[7]
Turkina E, Van Assche A, Kali R. Structure and evolution of global cluster networks: Evidence from the aerospace industry. Journal of Economic Geography, 2016, 16(6): 1211-1234. DOI: 10.1093/jeg/lbw020.

DOI

[8]
Li P, Bathelt H. Location strategy in cluster networks. Journal of International Business Studies, 2017, 49 (5): 1-23. DOI: 10.1057/s41267-017-0088-6.

DOI

[9]
Turkina E, Van Assche A. Global connectedness and local innovation in industrial clusters. Journal of International Business Studies, 2018, 49(6): 706-728. DOI: 10.1057/s41267-018-0153-9.

DOI

[10]
Turkina E, Oreshkin B, Kali R. Regional innovation clusters and firm innovation performance: An interactionist approach. Regional Studies, 2019, 53(8): 1-14. DOI: 10.1080/00343404.2019.1566697.

DOI

[11]
Capello R. The city network paradigm: Measuring urban network externalities. Urban Studies, 2000, 37(11): 1925-1945. DOI: 10.1080/713707232.

DOI

[12]
杜德斌. 世界经济地理. 北京: 高等教育出版社, 2009: 175-180.

[Du Debin. World Economic Geography. Beijing: Higher Education Press, 2009: 175-180.]

[13]
[姜静. 长三角地区汽车产业零部件供应中的交易关系研究. 上海: 上海社会科学院硕士学位论文, 2008: 4-6.

[Jiang Jing. Research on transaction relationship in the supply of parts of automobile industry in the Yangtze River Delta. Shanghai: Master Dissertation of Shanghai Academy of Social Science, 2008: 4-6.]

[14]
Rosenthal S S, Strange W C. Evidence on the nature and sources of agglomeration economies. In: Henderson V, Thisse J F. Handbook of Regional and Urban Economics: Cities and Geography. Amsterdam: North Holland, 2004: 2119-2171.

[15]
贺灿飞, 潘峰华. 产业地理集中、产业集聚与产业集群: 测量与辨识. 地理科学进展, 2007, 26(2): 1-13.

[He Canfei, Pan Fenghua. Industrial geographical concentration, industrial agglomeration and industrial clusters: Measurement and identification. Progress in Geography, 2007, 26(2): 1-13.]

[16]
Boschma R A, Wal A L J. Knowledge networks and innovative performance in an industrial district: The case of a footwear district in the South of Italy. Industry & Innovation, 2007, 14(2): 177-199. 10.1080/13662710701253441.

[17]
Giuliani E. Clusters, networks and economic development:An evolutionary economics perspectiveIn: Boschma R, Martin R. The Handbook of Evolutionary Economic Geography. Cheltenham: Edward Elgar Publishing, 2010: 261-340.

[18]
Glückler J. How controversial innovation succeeds in the periphery? A network perspective of BASF Argentina. Journal of Economic Geography, 2014, 14(5): 903-927. DOI: 10.1093/jeg/lbu016.

DOI

[19]
Morrison A, Rabellotti R, Zirulia L. When do global pipelines enhance the diffusion of knowledge in clusters? Economic Geography, 2013, 89(1): 77-96. DOI: 10.1111/j.1944-8287.2012.01167.x.

DOI

[20]
Awate S, Mudambi R. On the geography of emerging industry technological networks: The breadth and depth of patented innovations. Journal of Economic Geography, 2018, 18(2): 391-419. DOI: 10.1093/jeg/lbx032.

DOI

[21]
Turkina E. The importance of networking to entrepreneurship: Montreal's artificial intelligence cluster and its born-global firm Element AI. Journal of Small Business & Entrepreneurship, 2018, 30(1): 1-8. DOI: 10.1080/08276331.2017.1402154.

DOI

[22]
Engel J S, Del-Palacio I. Global networks of clusters of innovation: Accelerating the innovation process. Business Horizons, 2009, 52(5): 493-503. DOI: 10.1016/j.bushor.2009.06.001.

DOI

[23]
Berry H. Global integration and innovation: Multi-country knowledge generation within MNCs. Strategic Management Journal, 2014, 35(6): 869-890. DOI: 10.1002/smj.2140.

DOI

[24]
Pietrobelli C, Rabellotti R. Global value chains meet innovation systems: Are there learning opportunities for developing countries? World Development, 2011, 39(7): 1261-1269. DOI: 10.1016/j.worlddev.2010.05.013.

DOI

[25]
Alcacer J, Oxley J. Learning by supplying. Strategic Management Journal, 2014, 35(2): 204-223. DOI: 10.1002/smj.2134.

DOI

[26]
Martin R, Sunley P. Path dependence and regional economic evolution. Journal of Economic Geography, 2006, 6(4): 395-437. DOI: 10.1093/jeg/lbl012.

DOI

[27]
Lorenzen M, Mudambi R. Clusters, connectivity and catch-up: Bollywood and bangalore in the global economy. Journal of Economic Geography, 2013, 13(3): 501-534. DOI: 10.1093/jeg/lbs017.

DOI

[28]
Chesbrough H. The future of open innovation: The future of open innovation is more extensive, more collaborative, and more engaged with a wider variety of participants. Research-Technology Management, 2017, 60(1): 35-38. DOI: 10.1080/08956308.2017.1255054.

DOI

[29]
张云伟. 跨界产业集群之间合作网络研究. 上海: 华东师范大学博士学位论文, 2013: 36-39.

[Zhang Yunwei. Research on cooperation network between cross-border industrial clusters. Shanghai: Doctoral Dissertation of East China Normal University, 2013: 36-39.]

[30]
He J, Fallah M H. Dynamics of inventor networks and the evolution of technology clusters. International Journal of Urban and Regional Research, 2014, 38(6): 2174-2200. DOI: 10.1111/1468-2427.12007.

DOI

[31]
Klier T H, Rubenstein J M. The changing geography of North American motor vehicle production. Cambridge Journal of Regions, Economy and Society, 2010, 3(3): 335-347. DOI: 10.1093/cjres/rsq024.

DOI

[32]
Schulze-Ehlers B, Steffen N, Busch G, et al. Supply chain orientation in SMEs as an attitudinal construct: Conceptual considerations and empirical application to the dairy sector. Supply Chain Management, 2014, 19(4): 395-412. DOI: 10.1108/SCM-07-2013-0241.

DOI

[33]
Rodríguez-Victoria O E, Puig F, González-Loureiro M. Clustering, innovation and hotel competitiveness: Evidence from the Colombia destination. International Journal of Contemporary Hospitality Management, 2017, 29(11): 2785-2806. DOI: 10.1108/IJCHM-03-2016-0172.

DOI

[34]
Cantwell J A, Mudambi R. Physical attraction and the geography of knowledge sourcing in multinational enterprises. Global Strategy Journal, 2011, 1(3-4): 206-232. DOI: 10.1002/gsj.24.

DOI

[35]
Wal A L J T. Cluster emergence and network evolution: A longitudinal analysis of the inventor network in Sophia-Antipolis. Regional Studies, 2013, 47(5): 651-668. DOI: 10.1080/00343401003614258.

DOI

[36]
中华人民共和国国家质量监督检验检疫总局, 中国国家标准化管理委员会. 中华人民共和国国家标准国民经济行业分类(GB/T4754-2011), 北京: 中国标准出版社, 2011: 7-50.

[General Administration of Quality Supervision, Inspection and Quarantine of the People's Republic of China, Standardization Administration. Industrial Classification for National Economic Activities (GB/T4754-2011), Beijing: Standards Press of China, 2011: 7-50.]

[37]
[陈林. 中国工业企业数据库的使用问题再探. 经济评论, 2018, (6): 140-153.

[Chen Lin. A further study on the use of Chinese industrial enterprise database. Economic Review, 2018, (6): 140-153.]. DOI: 10.19361/j.er.2018.06.11.

DOI

[38]
王贵东. 1996-2013年中国制造业企业TFP测算. 中国经济问题, 2018, (4): 88-99.

[Wang Guidong. Calculation of TFP of Chinese manufacturing enterprises from 1996 to 2013. China Economic Studies, 2018, (4): 88-99.]. DOI: 10.19365/j.issn1000-4181.2018.04.08.

DOI

[39]
王贵东. 中国制造业企业的垄断行为: 寻租型还是创新型. 中国工业经济, 2017, (3): 83-100.

[Wang Guidong. The monopoly behavior of Chinese manufacturing enterprises: Rent-seeking or innovative. China industrial economics, 2017, (3): 83-100.]. DOI: 10.19581/j.cnki.ciejournal.2017.03.005.

DOI

[40]
聂辉华, 江艇, 杨汝岱. 中国工业企业数据库的使用现状和潜在问题. 世界经济, 2012, 35(5): 142-158.

[Nie Huihua, Jiang Ting, Yang Rudai. Current situation and potential problems of using Chinese industrial enterprise database. World Economy, 2012, 35(5): 142-158.]

[41]
[刘修岩, 陈子扬. 城市体系中的规模借用与功能借用: 基于网络外部性视角的实证检验. 城市问题, 2017, (12): 12-19.

[Liu Xiuyan, Chen Ziyang. Scale borrowing and function borrowing in urban systems: An empirical test based on the perspective of network externalities. Urban Problems, 2017, (12): 12-19.]. DOI: 10.13239/j.bjsshkxy.cswt.171202.

DOI

[42]
Gong Y, de Haan J, Boelhouwer P. Cross-city spillovers in Chinese housing markets: From a city network perspective. Papers in Regional Science, 2020, 99(4): 1065-1085. DOI: 10.1111/pirs.12512.

DOI

[43]
Huang Y, Hong T, Ma T. Urban network externalities, agglomeration economies and urban economic growth. Cities, 2020, 107: 102882. DOI: 10.1016/j.cities.2020.102882.

DOI

[44]
周文韬, 杨汝岱, 侯新烁. 高铁网络、区位优势与区域创新. 经济评论, 2021, (4): 75-95.

[Zhou Wentao, Yang Rudai, Hou Xinshuo. High-speed rail network, location advantage and regional innovation. Economic Review, 2021, (4): 75-95.]. DOI: 10.19361/j.er.2021.04.05.

DOI

[45]
盛科荣, 张杰, 张红霞. 上市公司500强企业网络嵌入对中国城市经济增长的影响. 地理学报, 2021, 76(4): 818-834.

DOI

[Sheng Kerong, Zhang Jie, Zhang Hongxia. The impact of the network embedding of the top 500 listed companies on the economic growth of Chinese cities. Acta Geographica Sinica, 2021, 76(4): 818-834.]. DOI: 10.11821/dlxb202104004.

DOI

[46]
Hanson G H. Scale economies and the geographic concentration of industry. Journal of Economic Geography, 2001, 1(3): 255-276. DOI: 10.1093/jeg/1.3.255.

DOI

[47]
王琛, 林初昇, 戴世续. 产业集群对技术创新的影响: 以电子信息产业为例. 地理研究, 2012, 31(8): 1375-1386.

[Wang Chen, Lin Chusheng, Dai Shixu. The impact of industrial clusters on technological innovation: Taking the electronic information industry as an example. Geographical Research, 2012, 31(8): 1375-1386.]. DOI: 10.11821/yj2012080003.

DOI

[48]
王仲智, 丛明珠, 沈正平. 地方产业集群内部网络关系及其绩效考察: 以盛泽丝绸纺织业集群为例. 经济地理, 2008, 28(5): 740-743.

[Wang Zhongzhi, Cong Mingzhu, Shen Zhengping. Internal network relationship and performance investigation of local industrial clusters:Taking Shengze silk and textile industry cluster as an example. Economic Geography, 2008, 28(5): 740-743.]

[49]
刘海洋, 刘玉海, 袁鹏. 集群地区生产率优势的来源识别: 集聚效应抑或选择效应? 经济学(季刊), 2015, 14(3): 1073-1092.

[Liu Haiyang, Liu Yuhai, Yuan Peng. Identifying the sources of productivity advantages in cluster areas: Agglomeration or selection? China Economic Quarterly, 2015, 14(3): 1073-1092.]. DOI: 10.13821/j.cnki.ceq.2015.03.011.

DOI

[50]
范剑勇, 冯猛. 中国制造业出口企业生产率悖论之谜: 基于出口密度差别上的检验. 管理世界, 2013, (8): 16-29.

[Fan Jianyong, Feng Meng. He mystery of the productivity paradox of China's manufacturing export enterprises: A test based on differences in export density. Journal of Management World, 2013, (8): 16-29.]. DOI: 10.19744/j.cnki.11-1235/f.2013.08.003.

DOI

[51]
杨汝岱. 中国企业“出口-生产率悖论”典型事实. 世界经济, 2015, 38(5): 182-183.

[Yang Rudai. Typical facts of the "export-productivity paradox" of Chinese enterprises. The Journal of World Economy, 2015, 38(5): 182-183.]

[52]
孙晓华, 王昀. 企业规模对生产率及其差异的影响: 来自工业企业微观数据的实证研究. 中国工业经济, 2014, (5): 57-69.

[Sun Xiaohua, Wang Yun. The impact of firm size on productivity and its differences: An empirical study from micro data of industrial firms. China Industrial Economics, 2014, (5): 57-69.]. DOI: 10.19581/j.cnki.ciejournal.2014.05.005.

DOI

[53]
施震凯, 邵军, 浦正宁. 交通基础设施改善与生产率增长: 来自铁路大提速的证据. 世界经济, 2018, 41(6): 127-151.

[Shi Zhenkai, Shao Jun, Pu Zhengning. Transport infrastructure improvements and productivity growth: Evidence from the railroad's great speed up. The Journal of World Economy, 2018, 41(6): 127-151.]

[54]
范剑勇, 冯猛, 李方文. 产业集聚与企业全要素生产率. 世界经济, 2014, 37(5): 51-73.

[Fan Jianyong, Feng Meng, Li Fangwen. Industrial agglomeration and enterprise total factor productivity. The Journal of World Economy, 2014, 37(5): 51-73.]

[55]
Duranton G, Overman H G. Testing for localization using micro-geographic data. The Review of Economic Studies, 2005, 72(4): 1077-1106. DOI: 10.1111/0034-6527.00362.

DOI

[56]
De Stefano M C, Montes-Sancho M J. Supply chain environmental R&D cooperation and product performance: Exploring the network dynamics of positional embeddedness. Journal of Purchasing and Supply Management, 2018, 24(4): 288-303. DOI: 10.1016/j.pursup.2018.10.003.

DOI

[57]
Yeniyurt S, Henke J W, Yalcinkaya G. A longitudinal analysis of supplier involvement in buyers' new product development: Working relations, inter-dependence, co-innovation, and performance outcomes. Journal of the Academy of Marketing Science, 2014, 42(3): 291-308. DOI: 10.1007/s11747-013-0360-7.

DOI

Options
Outlines

/

〈 〉