高校密度如何影响企业创新

高校密度如何影响企业创新*
——来自中国制造业上市公司的证据
黄凯南 苗滋坤 乔元波

[提 要] 本文尝试从微观视角考察企业所处区域内的高校密度对企业创新的影响。在构建理论模型的基础上，本文利用2011—2017年沪深两市制造业上市公司数据和教育部公布的历年普通高校名单，以每家企业所处一定地理空间内的高校数量作为衡量高校密度的指标，实证分析了高校密度对企业创新的影响。研究表明，高校密度对企业创新具有明显的促进作用，不同层次高校对企业创新的促进程度存在显著差异;高校密度对企业创新在创新类型、企业规模和企业所处地区等方面都具有异质性影响。同时，本文从研发合作和知识溢出两个方面分析了高校密度影响企业创新的中介机制。

[关键词] 高校密度；企业创新；中介机制

一、引言
中国经济增长正在从要素投资驱动转向创新驱动，亟须加快推动经济高质量发展。2020年我国研发投入占GDP的比重已经达到2.4%，绝对规模和相对规模都创下新高。我国研发投入中超过70%的投入来自企业，企业是我国创新的第一大主体(严成樑等，2016)。高校和科研机构是基础研究的重要主体，也是创新的重要策源地，产学研的紧密结合成为推动创新的重要引擎。如何打通产学研合作的“最后一公里”、加快推动创新驱动战略，日益成为高校和企业亟待破解的命题。

随着创新理论和实践的发展，创新活动的主体不再局限于企业家和企业内部的研发团队。日益开放的创新活动突破企业边界延伸到企业间，与企业与高校及科研院所等各种类型的组织之间的复杂互动与合作一道，构成了创新的网络集聚和空间集聚，形成了创新生态系统和区域创新系统(黄凯南和乔元波，2018；Bassis & Armellini，2018)。高校对企业创新的影响可以简单分为直接影响和间接影响。直接影响主要表现为，高校和企业基于各自知识和资源的优势与互补性，针对技术转让、技术开发、技术创新和人才培养等合作建立的各种正式合约和共同研发组织，以实现知识的有效利用与协同创新(涂振洲和顾新，2013；吕国庆等，2014；白俊红和蒋伏心，2015；Scandura，2016)。高校与企业之间的合约类型、组织模式以及合作剩余的分配机制等都会影响企业的创新水平，企业技术进步同样也会促进产学研合作模式的演进，高校与企业的合作推动了企业技术与相关制度的协同演化(Murmann，2003；Dias et al.，2014)。间接影响主要是指高校的知识溢出效应，它通常发生在高校与企业的多层级和多主体的互动过程中，体现了高校知识供给的正外部性。相较于由正式合约治理的合作创新，知识溢出通常依赖于各种非正式制度的交往惯例和社会互动网络体系(赖德胜等，2015；曾德明等，2015)。通过吸收和利用高校溢出的知识，企业能够以较低的成本获得创新所需的知识存量、增强创新能力(Scandura，2016)。

无论是直接影响的合作创新还是间接影响的知识外溢，地理空间距离都会在一定程度上影响高校对企业创新的促进作用。许多研究表明，在其他条件既定的情况下，空间距离越近、互动成本越低，空间距离的增加在一定程度上阻碍了高校与企业的合作创新(Petruzzelli，2011；Hong & Su，2013；陈光华等，2015)。知识溢出效应也受区域空间的限制，随着地理距离的增加而不断减弱(Maietta，2015；叶静怡等，2016)。Maietta(2015)研究表明，来自本地大学的知识外溢非常重要，距离大学150公里范围内的公司比距离更远的公司具有更高的产品创新可能性。

在上述研究基础上，本文尝试进一步推动该领域的研究，从微观视角考察企业所处区域的高校密度对企业创新的影响。本文的主要创新有以下三点。第一，本文从微观企业层面研究了高校与企业的空间关系对企业创新的影响。目前大多数文献聚焦于高校研发投入对企业创新和区域创新能力的影响，例如高校研发投入能够明显提高企业的创新能力和创新效益(张德茗和谢葆生，2014)，而且在提高区域创新能力方面具有积极的正向作用(郭泉恩和孙斌栋，2017；顾芸和董亚宁，2018)。尽管这些研究都考虑了空间因素，但大多以高校研发投入为研究对象，并聚焦于省级面板数据，既缺乏微观企业层面的研究，也没有考虑高校自身的存在能否对企业创新绩效产生影响，忽视了高校这一知识生产部门在经济发展中的重要作用，难以解释高校的存在是通过何种渠道影响了微观层面的企业创新。第二，本文将理论模型与实证分析建立在统一框架之下，改变了部分研究以实证分析为主，缺乏经济理论模型推导的不足。本文在易信和刘凤良(2015)研究的基础上对模型进行改进，通过求解理论模型得出有待检验的理论命题，即企业所处区域的高校数量越多，企业可获得的高校创新资源就越多，企业创新水平就越高。在此基础上，本文利用2011—2017年中国沪深两市A股制造业上市公司数据和教育部公布的历年普通高校名单，结合百度地图确定高校的经纬度，以企业为圆心、200公里为半径的区域内的高校数量来度量每家企业的高校密度，采用计量回归模型实证分析高校密度对我国制造业上市公司创新水平的影响，并进一步分析不同层次的高校对企业创新的影响以及高校密度对企业创新在创新类型、企业规模和企业所处地区的异质性影响。第三，本文还分析了高校密度影响企业创新的中介效应机制。以往研究在中介效应分析中忽视了空间距离的影响，而本文研究的核心问题是制造业上市公司一定地理范围内高校的数量对企业创新的影响，无论是在基准回归部分还是异质性分析部分都考虑了空间因素。在中介效应分析中本文也纳入了空间距离因素，在考虑地理距离的基础上从研发合作和知识溢出两个方面分析了企业所处区域高校密度影响企业创新的中介机制。

二、理论模型与研究命题
假设经济中存在两类生产企业，最终产品生产企业和中间产品生产企业，其中最终产品生产企业通过使用劳动和一系列的最新中间产品来生产最终产品，中间产品生产企业一方面使用最终产品来生产最新的中间产品以获得利润，另一方面将部分所得利润投入研发，不断提高中间产品的生产能力，以维持其生存和发展。

最终产品生产企业具体的生产函数为柯布-道格拉斯型：

width=196,height=35,dpi=110
(1)

式中，Yt为第t期生产的最终产品数量，Lt为最终产品生产企业投入的劳动，xt(i)为最终产品生产企业使用的第i种中间产品数量，At(i)代表了第t期第i种中间产品的生产能力，i为表示中间产品种类的指标，将其标准化为从0到1的连续统。考虑到一致性问题和经济含义，本文将第i种中间产品的生产能力和第i种中间产品的投入数量进行捆绑，即At(i)xt(i)；此外，0<α<1。

最终产品生产企业通过调整劳动Lt和最新中间产品xt(i)的投入量来实现利润最大化，其最优化生产的目标函数为：

width=269,height=35,dpi=110
-width=14,height=32,dpi=110Pt(i)xt(i)di

(2)

式中，Pt，Wt和Pt(i)分别为最终产品、劳动力和第i种中间投入品的价格。

最终产品生产部门的利润最大化条件为：

width=266,height=35,dpi=110
(3)

width=214,height=17,dpi=110
(4)

第i种中间产品的生产企业通过选择最优的最终产品投入量来实现利润最大化，假设一单位最终产品能转化为一单位的中间品，其最优化目标函数为：

width=184,height=29,dpi=110
(5)

将第i种中间产品的需求函数式(4)代入式(5)，得到：

width=248,height=29,dpi=110
(6)

求解得到第i种中间产品的最优产量为：

width=164,height=26,dpi=110
(7)

可以看出，中间产品的最优生产量与最终产品生产企业的劳动和中间产品自身的生产能力正相关，这与其需求主要为最终产品生产所导致的引致需求是一致的。

Romer(1990)和Schumpeter(1942)都认为企业创新是为了获得垄断利润，但是在市场竞争不断加剧的情况下，垄断利润会不断被侵蚀以致消失，因此企业为了生存将不得不不断进行创新。对于企业的生存来说，创新是必要的，但创新并不仅仅是为了获得垄断利润。为了简化模型分析，本文假设中间产品生产企业通过创新来获得利润或维持生存。无论企业是为了生存的目的还是其他目的，企业都是通过自身产品的独特性来获得利润。由于中间产品生产企业负责最新的中间产品的生产，可以认为企业通过创新来获得利润。将中间产品生产企业的最优产量式(7)代入式(6)，可以求得其利润为：

width=222,height=26,dpi=110
(8)

假设中间产品生产企业通过创新来提高中间产品的生产能力，但是创新具有风险，只能以一定的概率获得成功。假设创新成功的概率为μt(i)，成功之后生产能力可以提升为原生产能力的γt(i)≥1倍，若创新失败，则中间产品的生产能力不变。因此，可以得到：

width=284,height=44,dpi=110
(9)

参考易信和刘凤良(2015)的模型设定，假设中间产品生产企业通过增加研发投入来提高创新成功的概率μt(i)，创新的生产函数为：

width=167,height=44,dpi=110
(10)

式中，λt(θ)表示研发效率，为企业周边高校密度θ的函数。尽管企业和高校之间存在一定程度的竞争，尤其是当校企之间的定位把握不够准确时，可能会出现因错位导致的竞争关系(丁烈云，2012)。但总体来看，产学研各参与主体结合在一起是为了通过资源共享和优势互补来提升创新能力、获得竞争优势(吴悦和顾新，2012；周正等，2013)。一般而言，企业和高校之间合作的程度更有可能高于竞争的程度。因此本文认为，企业周边高校密度越大，那么高校能够为企业的研发提供的支持就越多，研发效率就越高，即width=126,height=35,dpi=110为研发投入量，width=46,height=17,dpi=110为创新目标。这一函数形式表明，创新成功的概率与研发效率和投入正相关，与所设定的创新目标负相关。

为求出中间产品生产企业最优的创新投入，先将上面的创新生产函数式(10)转换为：

width=166,height=38,dpi=110
(11)

由于创新投入与创新成功概率为单调递增关系，因此求解最优创新投入和选择最优创新成功概率以取得最大期望利润是一致的。若创新成功，中间产品生产企业将获得正的创新收益πt(i)，若创新失败，则创新收益为0。因此创新的期望收益为μt(i)πt(i)，创新的成本为PtRt(i)，中间产品生产企业关于创新的最优化问题为：

width=322,height=38,dpi=110
width=46,height=17,dpi=110
(12)

求解得到最优的创新成功概率为：

width=275,height=35,dpi=110
(13)

由此可以看出，最优的创新成功概率与研发效率的平方成正比，表明研发效率越高，企业创新成功的可能性就越大。由于前面假设高校密度θ越高，企业的研发效率λt(θ)就越高，所以得到高校密度对于整个经济的影响机制为：高校密度越大，中间产品生产企业的研发效率就越高，企业就愿意在创新上加大投入以提高创新成功的概率。创新成功概率越大，中间产品的生产能力就越强，中间产品企业获得的利润就越大。利润越大，企业越有能力进行创新活动，从而实现高校密度带动企业创新的增加。

因此，本文得到如下有待检验的命题：企业所处区域高校的数量越多，企业可获得的高校创新资源就越多，企业创新水平就越高。

三、研究设计
(一)样本选择与数据来源
本文以沪深两市A股制造业上市公司和全国普通高等学校之间的关系为研究对象。上市公司和宏观控制变量相关数据来源于万得数据库(WIND)、国泰安数据库(CSMAR)、《中国城市统计年鉴》和《中国科技统计年鉴》；高校数据来源于教育部，涵盖了中国全部的本、专科高校以及独立学院(不含军事院校和各高校分校)，并通过百度地图确定各高校的经纬度信息，时间跨度为2011年到2017年。之所以选择制造业企业作为研究对象，主要是因为制造业企业在上市公司中所占比重较高、样本量大；同时在全国范围内分布广泛、代表性较强，同一行业的企业之间可比性更高。

对于制造业上市公司的异常数据，本文按照如下方式进行删除：(1)ST类的上市公司;(2)部分数据缺失较为严重的上市公司。最终得到1 483家制造业上市公司作为分析样本。截止到2017年12月31日，中国沪深两市制造业上市公司共有2 181家，样本公司占全体制造业上市公司的比重为68%。

(二)变量定义和度量
1.创新。关于上市公司创新能力的度量，目前学界主要有创新投入和产出两个角度。由于创新投入有较大的不确定性和可能的投机成分，因此本文考虑从产出的角度来衡量创新水平。此外，从本质上来说专利到了申请环节就意味着产出。为了更好地贴合研究主题，本文在基准分析中采用上市公司专利申请的数量作为衡量企业创新的指标，用patent来表示；在稳健性检验中本文还将把企业研发投入金额(万元)的对数lnrdsp和授权专利数量grant分别作为被解释变量进行替换，以尽可能保证结果的可靠性。

2.高校密度。为了度量一国高校数量规模，反映一国高校数量与人口规模的相对水平，联合国教科文组织下属的世界高等教育数据库最早提出了高校密度这一概念(郑浩和张印鹏，2017)。本文重点关注企业所在区域高校密度对企业创新的影响，这里按照如下方法确定企业高校密度：首先确定各制造业上市公司和高校的经纬度，求得企业和高校之间的直线距离，以上市公司所处的地理位置为圆心、一定距离为半径，将这一圆形区域内的普通高等院校的数量作为企业的高校密度，用coll表示，以保证每家制造业上市公司的高校密度都取决于其自身。同时，周密和孙哲(2016)对京津冀区域的研究发现，专利转移的有效吸收半径是200公里。因此本文把上述半径定义为200公里(在稳健性检验部分也采用100公里和300公里为半径进行分析)。

3.微观控制变量：(1)企业规模。将上市公司各年份年末的员工数量(人)的对数作为企业规模的衡量指标，用lnstaff来表示。(2)企业年龄。以“报告数据的年份”与“公司成立的年份”的差值来定义，用age来表示。(3)股权集中度。以第一大股东持股比例(%)来衡量，用shrcr1来表示。(4)相对价值。以托宾Q值即市值与资产总计的比值来衡量，用q来表示。(5)盈利能力。以营业利润率即营业利润与营业收入的比值来衡量，用opr来表示。

4.宏观控制变量：(1)对外开放程度。以制造业上市公司所在地级市“当年实际使用外资金额”占GDP的比重来衡量，用fdi来表示。(2)经济发展水平。以地级市GDP增速来衡量经济发展水平(%)，用rgdp来表示。(3)基础设施发达程度。以地级市年末实有道路面积(万平方米)占行政区域土地面积(平方公里)的比值来表示，用ifstt来表示。(4)人力资本水平。以地级市普通高校在校学生数占年末总人口的比值来衡量，用hcpl来表示。(5)政府支持力度。以省级R&D经费内部支出中政府资金占比(%)来衡量，用rgov来表示。

(三)模型设定
为了研究高校密度对企业创新的影响，本文构建如下计量经济模型作为基准模型：

width=492,height=41,dpi=110
(14)

式中，patenti，t表示上市公司i在t年的创新水平，用专利申请量来表示；colli，t表示上市公司i在t年的企业高校密度；controlk，i，t表示一系列的控制变量，包括上市公司i在t年的微观层面的控制变量以及所在地区的宏观层面的控制变量；yeart表示上市公司数据所属的年份虚拟变量，industryi表示上市公司所属的行业虚拟变量，εi，t表示随机误差项。

根据第二部分理论模型的分析，如果式(14)中colli，t的系数β大于0且在统计学意义上显著，那么表明理论模型及命题是合理的。

四、实证结果及分析
(一)描述性统计
表1给出了主要变量的描述性统计。整体上制造业各上市公司的专利申请量较高，但各公司之间差距较大。以各上市公司为圆心、200公里范围内的高校数量较多，但城市之间差异巨大，主要表现为东部经济发达地区和西部地区的差异。

表1 主要变量的描述性统计

width=375,height=275,dpi=110
图1给出了2011—2017年间我国普通高等院校的发展情况，可以看出，在本文的研究时间段内，我国普通高等院校的数量从2011年的2 409所增加到2017年的2 631所，年均增长率1.48%；同时本科院校的数量也持续增加，从2011年的1 129所增加到2017年的1 243所，年均增长率1.62%。

width=368,height=189,dpi=110
图1 我国普通高等院校发展情况

(二)企业高校密度与制造业上市公司创新水平的回归分析
对企业高校密度和制造业上市公司创新水平之间的关系进行计量回归分析，结果如表2所示。首先，列(1)是在控制年份固定效应和行业固定效应的基础上，考察企业高校密度对制造业上市公司创新水平的影响，发现企业高校密度的增加能够提高制造业上市公司的创新水平，且在1%的水平上显著。更进一步，逐步将控制变量增加到回归模型中，回归结果见列(2)～列(4)。其中列(2)是增加企业规模、企业年龄、股权集中度、相对价值和盈利能力等五个微观控制变量之后的回归结果，列(3)是增加对外开放程度、经济发展水平、基础设施发达程度、人力资本水平和政府支持力度等五个宏观控制变量之后的回归结果，列(4)是同时考虑十个宏观和微观控制变量之后的回归结果。考虑到企业创新还可能会受到当地政策或者区域激励措施的影响，为控制这些影响因素，本文在列(5)额外控制了省份固定效应。从回归结果来看，企业高校密度的增加的确提高了制造业上市公司的创新水平，且回归系数均在统计意义上显著，这验证了理论模型部分提出的命题。

同时，在表2列(2)～列(4)中，就控制变量而言，企业规模、营业利润率、政府支持力度等变量与制造业企业的创新水平之间存在显著的正相关关系；企业年龄、股权集中度与制造业企业的创新水平之间存在显著的负相关关系；制造业企业的托宾Q值、当地的对外开放程度、经济增长速度、基础设施发达程度和人力资本水平对样本中的制造业上市公司创新水平的影响不显著。

(三)高校密度对企业创新水平影响的异质性分析(1) 限于篇幅，仅简单汇报结果。如有需要，可向笔者索取具体结果。
1.按学校层次划分的异质性分析。

为进一步研究企业高校密度与制造业上市公司创新水平之间的关系，本文考虑将企业高校密度按照学校层次进行划分，这是因为不同层次的院校之间存在较大差别。

按照上述思路，本文分别获取了以制造业上市公司为圆心、半径为200公里范围内的普通全日制专科院校数量、普通全日制本科院校数量、普通全日制公办本科院校数量、“211工程”院校数量、“985工程”院校数量、“世界一流学科建设高校”和“世界一流大学建设高校”的数量，回归分析结果表明：“世界一流大学建设高校”“985工程”院校、“211工程”院校、“世界一流学科建设高校”、普通全日制公办本科院校、普通全日制本科高校和普通全日制专科高校对企业创新水平的促进作用依次递减，且均在1%的水平上显著。与已有研究相比，本文在高校层次的划分上更加细致，除了传统的本专科院校、“985工程”院校和“211工程”院校之外，还考虑了“双一流”高校和普通全日制公办本科院校的影响。

本文进一步筛选出以制造业上市公司为圆心、半径为200公里范围内的理工类高校和综合类高校数量进行分析，回归结果表明：理工类高校和综合类高校都能促进制造业上市公司的创新水平，但相较而言综合类高校的促进作用更大。此外，以制造业上市公司与“985工程”院校和“世界一流大学建设高校”的最短直线距离重新进行回归，结果显示：无论是“985工程”院校还是“世界一流大学建设高校”，制造业上市公司位置与其之间的最短距离和创新水平之间存在显著的负相关关系，表明“985工程”院校和“世界一流大学建设高校”对制造业企业的创新作用随着地理距离的增加而减弱。这与Fischer & Varga(2003)、叶静怡等(2016)的研究结论相一致，即高校的溢出效应随着地理距离的增加而衰减。

2.按专利类型划分的异质性分析。

为进一步研究企业高校密度与制造业上市公司申请的专利类型之间的关系，本文通过将专利申请细分为发明专利申请、实用新型专利申请和外观设计专利申请三大类，然后分别作为新的被解释变量。回归结果显示：企业高校密度显著增加了发明专利申请、实用新型专利申请和外观设计专利申请的数量；从回归系数的大小来看，发明专利申请>实用新型专利申请>外观设计专利申请。因此，从专利申请类型上来看，企业高校密度对发明专利申请的促进作用最大，对外观设计专利申请的促进作用最小。

表2 企业高校密度与制造业上市公司创新水平的基准回归

width=744,height=680,dpi=110
注：***，**和*分别表示在 1%，5%和10%水平上的统计显著性，括号内数据为稳健标准误。

3.按企业规模和地理位置划分的异质性分析。

根据国家统计局印发的《统计上大中小微型企业划分办法(2017)》，本文从样本企业中筛选出大型企业和中型企业分别进行回归，结果表明：无论是大型企业还是中型企业，企业高校密度均能提高制造业上市公司的创新水平；与中型企业相比，大型企业创新水平提升得更多。尽管本文采用的企业规模划分标准与梁俊伟和黄德成(2020)的研究有所不同，但企业高校密度对大型企业创新水平提升更多的结论是一致的。

此外，考虑到我国东西跨度大且经济发展水平存在差异，本文将制造业上市公司按照其所处地理位置分为东、中、西三个子样本分别进行回归，结果显示：在东部地区，企业高校密度能够显著促进企业创新;但在中部和西部地区,企业高校密度对企业创新水平的影响不显著。之所以出现这种结果，一方面是因为本文的研究对象是制造业上市公司而非全部上市公司，制造业上市公司在我国东部地区的分布相对集中；另一方面是由于制造业企业的发展会受到地形和交通条件的较大影响，东部地区高校的综合实力较强，而且基础设施水平相对较高，因此高校和企业之间联系更加密切，企业能够在更短的时间内吸收高校的最新研究成果，而中西部地区高校的综合实力相对较弱，同时受制于地形和交通运输条件，因此高校对提升制造业上市公司的创新水平影响也比较有限。

五、影响机制分析
基于前面的理论分析和实证研究，本文证实了企业高校密度对制造业企业创新水平的促进作用。为进一步探究其影响机制，本文利用中介效应模型，从地理距离的视角出发，用合作研发效应和知识溢出效应两种机制来解释高校密度和制造业上市公司创新水平之间的关系。

(一)直接机制:合作研发效应
产学研合作一直是我国科技体制改革的核心议题之一，它是一个从确定协同目标，到协调研发资源，再到共同研究，并最终取得创新成果的过程，涉及企业、高校和科研机构多个部门，是提高创新水平的重要手段。赵增耀等(2015)认为，由于生产要素难以不受限制地自由流动，较短的地理距离更有利于研发合作，同时技术外溢的成本也会随着地理距离的减小而减少。企业和高校作为产学研一体化的重要承担者，二者之间的地理距离是影响产学研进程的重要因素，也是影响企业创新水平的重要因素。因此，本文认为，企业和高校之间的距离越近，二者之间的交流合作就更加频繁，企业的创新水平也就越高，即企业高校密度通过影响企业与高校之间的合作频率，进而影响企业的创新水平。为了检验这一作用机制，本文根据incopat专利数据库，以上市公司为圆心、200公里为半径的圆形区域内当年有过专利申请合作的高校(2)仅考虑中国内地的普通高校，不包括军事院校和中科院各研究所。数量加1的对数，作为研发合作效应的代理变量，用变量lncprt2表示，来进行中介效应分析。

(二)间接机制:知识溢出效应
吴要武和刘倩(2015)认为，高校扩招增加了全社会人力资本存量，对社会而言，这为经济增长提供了强大的动力；对个人来说，接受高等教育也是一种不错的人力资本投资。对企业而言，其周边高校的数量越多，意味着这家企业有更大的概率将这些高校的毕业生吸引过来，因此企业的人力资本存量有更大的概率得到提升；同时高校的知识溢出效应更容易在最短的时间内流入到企业之中，减少了知识在传递过程中的损耗，更有利于企业人力资本的提升。对于企业雇员来说，企业周边高校的数量越多，意味着雇员能够以更低的成本来提高自己的知识存量，进而提高整个公司的人力资本水平。综合这几个方面来看，企业周边的高校会通过影响企业内部的人力资本水平，进而对企业的创新水平产生促进作用。通常情况下，上市公司的董监高是代表该公司人力资本水平最高的群体。为检验这一作用机制，本文以上市公司董监高成员中，其毕业院校(3)仅考虑学历为大专、本科、硕士研究生、博士研究生和MBA/EMBA的情况；且只考虑中国内地的普通高校，对于被合并的院校，以合并之后的院校为准；不包括各地党校、管理干部学院、军事院校、社科院和中科院各研究所。和上市公司的距离在200公里以内的人数加1的对数值lnadmin2作为衡量制造业上市公司知识溢出效应的代理变量，利用中介效应模型进行检验。

上述合作研发效应和知识溢出效应的回归结果如表3所示。列(1)、列(2)和列(3)是对合作研发效应的检验，列(1)、列(4)和列(5)是对知识溢出效应的检验。对于这两条路径而言，其回归系数均显著为正，且高校密度的回归系数有所减小，表明合作研发效应和知识溢出效应这两个中介影响机制是存在的。

表3 企业高校密度与制造业上市公司创新水平的影响机制分析

width=744,height=422,dpi=110
注：***，**和*分别表示在 1%，5%和10%水平上的统计显著性，括号内数据为稳健标准误。

六、内生性问题和稳健性检验
(一)内生性问题
本文研究的是高校密度对企业创新的影响，但可能存在由于双向因果导致的内生性问题，即企业的存在也可能会影响高校的选址，尤其是对多元化发展的大企业而言，当其发展到一定阶段，也可能会进军教育行业，例如成立民办高校。为控制内生性问题，本文以“985工程”院校和“211工程”院校为代表，选取成立时间早于样本企业的高校，重新计算以上市公司为圆心、200公里为半径的圆形区域内高校的数量，以ncoll表示，来讨论双向因果关系导致的内生性问题。之所以选择“985工程”院校和“211工程”院校作为代表，是因为这两类高校的总体实力较强，对制造业企业创新活动的贡献程度更大。回归结果如表4的列(1)所示。可以看到，核心解释变量的系数依然显著为正，表明在考虑内生性问题之后，本文的研究结论依然成立。

(二)稳健性检验
1.替换解释变量。

史烽等(2016)以铁路时间定义地理距离，发现以铁路时间定义的地理距离越近，越有利于创新活动的开展。然而，近年来由于高速铁路在中国的迅速发展，相同铁路时间所定义的地理距离越来越远。为使研究能更好地符合中国快速发展的现实状况，本文考虑扩大半径范围，以制造业上市公司为圆心、半径为300公里的圆形区域范围内高校的数量college为高校密度的衡量指标，重新进行计量回归分析。相应地，中介效应的稳健性检验也由半径200公里扩大到300公里，合作研发效应的代理变量用lncprt3表示，知识溢出效应的代理变量用lnadmin3来表示。

此外，本文还考虑缩小半径范围，即以制造业上市公司为圆心、半径为100公里的圆形区域范围内高校的数量co为高校密度的衡量指标，重新进行计量回归分析。相应地，中介效应的稳健性检验也由200公里缩小到100公里，合作研发效应的代理变量用lncprt1表示，知识溢出效应的代理变量用lnadmin1来表示。

2.替换被解释变量。

对于企业创新水平的衡量，有投入和产出两个角度，投入角度主要是资金和人员投入，产出角度主要是专利和新产品产出(鲁桐和党印，2014)。由于在基准回归部分是从专利(产出)的角度出发的，因此本文在稳健性检验部分从投入的角度进行考虑，即以上市公司研发投入金额(万元)的对数lnrdsp为企业创新水平的衡量指标。此外，授权专利是经过国家知识产权部门确认的，能反映企业真实的创新水平，因此选取制造业上市公司每年授权专利的数量grant作为另一个稳健性检验的指标。

上述基准回归的稳健性检验的结果如表4列(2)～列(6)所示：企业高校密度的系数在1%的水平下依然显著为正，表明无论是把上市公司的半径距离缩小到100公里还是扩大到300公里，都不会改变企业高校密度对制造业上市公司创新水平的促进作用，因此本文的研究结论是稳健的。从解释变量的系数上来看，100公里以内高校的促进作用(0.361)>200公里以内的高校(0.216)>300公里以内的高校(0.169)，表明随着地理距离的增加，高校密度对制造业企业创新活动的促进作用逐渐递减。此外，无论是把专利申请量替换为研发投入金额的对数，还是专利授权量，均没有改变回归结果的系数正负和显著性，这进一步说明了研究结论的稳健性。

对合作研发效应和知识溢出效应的稳健性检验结果如表5和表6所示，可以看到：无论是把半径缩小到100公里还是扩大到300公里，合作研发效应和知识溢出效应的系数都是显著为正的，表明企业高校密度通过合作研发和知识溢出这两条路径来影响企业创新的结论也是稳健的。

表4 基准回归的稳健性检验

width=745,height=475,dpi=110
注：***，**和*分别表示在 1%，5%和10%水平上的统计显著性，括号内数据为稳健标准误。

表5 中介效应缩小半径的稳健性检验

width=745,height=328,dpi=110
注：***，**和*分别表示在 1%，5%和10%水平上的统计显著性，括号内数据为稳健标准误。

表6 中介效应扩大半径的稳健性检验

width=745,height=349,dpi=110
注：***，**和*分别表示在 1%，5%和10%水平上的统计显著性，括号内数据为稳健标准误。

七、结论与进一步研究方向
本文得出如下结论：(1)实证分析表明企业高校密度对制造业上市公司的创新水平具有促进作用，且这一结果通过了多种稳健性检验。(2)异质性分析显示，从学校层次上来看，本科院校对提升制造业上市公司创新水平的作用强于专科院校，“211工程”院校强于本科院校，同时“985工程”院校又强于“211工程”院校，“世界一流大学建设高校”强于“世界一流学科建设高校”，这符合不同层次高校综合实力存在差异的事实；此外，综合类高校对企业创新的促进作用强于理工类高校。与此同时，制造业上市公司与其最近的“985工程”院校和“世界一流大学建设高校”的距离越短，越有利于提升企业的创新水平。从专利类型上看，企业高校密度显著增加了发明专利申请、实用新型专利申请和外观设计专利申请的数量，但对发明专利申请的影响更大。从企业规模上来看，与中型企业相比，大型企业创新水平提升得更多。从地理区域上来看，企业高校密度主要促进了东部地区制造业企业的创新水平。(3)基于地理距离的视角，从合作研发和知识溢出两条路径验证了高校密度对企业创新水平影响的作用机制。企业高校密度越大，企业和高校之间的合作越容易发生，高校的研究成果就越容易转换为企业产品，越容易通过产学研结合促进企业创新水平的提升。企业高校密度越大，越能吸收高质量的人才加入其中，从而提升整个企业的人力资本存量，有利于创新成果的产出。

未来进一步研究的方向包括：(1)在理论上进一步深入考察高校和企业之间的正式制度和非正式制度对合作创新和知识溢出效应的影响机制，考察制度对技术创新的影响。同时，深入研究随着企业技术进步，企业与高校的互动模式和合作制度的演变，进而考察技术与制度的协同演化关系。(2)实证研究不同正式合约和组织形式对企业与高校合作创新效率的影响，以及高校与企业之间的社会互动网络结构对知识溢出效应的影响。(3)从目前对单家企业的创新效率的研究拓展到产业创新效率的研究，进一步考察高校密度对产业集聚创新和区域系统创新的影响。

参考文献

白俊红、蒋伏心，2015：《协同创新、空间关联与区域创新绩效》，《经济研究》第7期。

陈光华、王烨、杨国梁，2015：《地理距离阻碍跨区域产学研合作绩效了吗?》，《科学学研究》第1期。

丁烈云，2012：《实施“2011计划”的意义、重点与难点》，《中国高等教育》第20期。

顾芸、董亚宁，2018：《知识溢出、高校创新投入与经济增长——基于包含创新部门的新经济地理增长模型及检验》，《科技管理研究》第17期。

郭泉恩、孙斌栋，2017：《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》第4期。

黄凯南、乔元波，2018：《产业技术与制度的共同演化分析——基于多主体的学习过程》，《经济研究》第12期。

赖德胜、王琦、石丹淅，2015：《高等教育质量差异与区域创新》，《教育研究》第2期。

梁俊伟、黄德成，2020：《高校知识溢出与企业创新绩效》，《经济理论与经济管理》第1期。

鲁桐、党印，2014：《公司治理与技术创新:分行业比较》，《经济研究》第6期。

吕国庆、曾刚、郭金龙，2014：《长三角装备制造业产学研创新网络体系的演化分析》，《地理科学》第9期。

史烽、高阳、陈石斌、蔡翔，2016：《技术距离、地理距离对大学-企业协同创新的影响研究》，《管理学报》第11期。

涂振洲、顾新，2013：《基于知识流动的产学研协同创新过程研究》，《科学学研究》第9期。

吴要武、刘倩，2015：《高校扩招对婚姻市场的影响:剩女?剩男?》，《经济学(季刊)》第1期。

吴悦、顾新，2012：《产学研协同创新的知识协同过程研究》，《中国科技论坛》第10期。

严成樑、李涛、兰伟，2016：《金融发展、创新与二氧化碳排放》，《金融研究》第1期。

叶静怡、林佳、姜蕴璐，2016：《知识溢出、距离与创新——基于长三角城市群的实证分析》，《世界经济文汇》第3期。

易信、刘凤良，2015：《金融发展、技术创新与产业结构转型——多部门内生增长理论分析框架》，《管理世界》第10期。

曾德明、张丹丹、文金艳，2015：《基于专利合作的网络技术多样性对探索式创新的影响研究——网络结构的调节作用》，《情报杂志》第2期。

张德茗、谢葆生，2014：《理工农医类高校R&D投入对企业技术创新的知识溢出效应分析》，《科研管理》第10期。

赵增耀、章小波、沈能，2015：《区域协同创新效率的多维溢出效应》，《中国工业经济》第1期。

郑浩、张印鹏，2017：《中国高校数量规模对经济发展影响的实证研究》，《中国高教研究》第8期。

周密、孙哲，2016：《京津冀区域吸收能力的测算和空间协同研究》，《经济地理》第8期。

周正、尹玲娜、蔡兵，2013：《我国产学研协同创新动力机制研究》，《软科学》第7期。

Bassis，N.F.，and F.Armellini，2018， “Systems of Innovation and Innovation Ecosystems: A Literature Review in Search of Complementarities”，Journal of Evolutionary Economics，28(5):1053-1080.

Dias，M.F.P.，E.A.Pedrozo，and T.N.da Silva，2014， “The Innovation Process as a Complex Structure with Multilevel Rules”，Journal of Evolutionary Economics，24(5):1067-1084.

Fischer，M.M.，and A.Varga，2003， “Spatial Knowledge Spillovers and University Research: Evidence from Austria”，Annals of Regional Science，37(3):303-322.

Hong，W.，and Y.S.Su，2013， “The Effect of Institutional Proximity in Non-local University-industry Collaborations: An Analysis Based on Chinese Patent Data”，Research Policy，42(2):454-464.

Maietta，O.W.，2015， “Determinants of University-firm R&D Collaboration and Its Impact on Innovation: A Perspective from a Low-tech Industry”，Research Policy，44(7):1341-1359.

Murmann，J.P.，2003，Knowledge and Competitive Advantage: The Coevolution of Firms，Technology，and National Institutions，Cambridge: Cambridge University Press.

Petruzzelli，A.M.，2011， “The Impact of Technological Relatedness，Prior Ties，and Geographical Distance on University-industry Collaborations: A Joint-patent Analysis”, Technovation，31(7):309-319.

Romer，P.M.，1990， “Endogenous Technological Change”，Journal of Political Economy，98(5):71-102.

Scandura，A.，2016， “University-industry Collaboration and Firms’ R&D Effort”，Research Policy，45(9):1907-1922.

Schumpeter，J.，1942，Capitalism，Socialism and Democracy，New York: Harper Perennial.

HOW DOES THE DENSITY OF UNIVERSITIES AFFECT ENTERPRISE INNOVATION
——Evidence from Chinese Manufacturing Listed Companies
HUANG Kainan1,2 MIAO Zikun1 QIAO Yuanbo2

(1.Center for Economic Research，Shandong University；2.Institute for Studies in County Development，Shandong University)

Abstract： This paper tries to study the relationship between the density of universities in one certain area and enterprise innovation from the micro perspective.Based on a new theoretical model，this paper uses the data of manufacturing listed companies in Shanghai and Shenzhen stock markets and the list of ordinary universities published in the website of the Ministry of Education of China from 2011 to 2017，sets the number of universities in a certain area as the density of universities，and empirically analyzes the impact of the density of universities on enterprise innovation.The results show that the density of universities has a positive impact on enterprise innovation，and it varies with the level of universities，innovation types and company characteristics such as firm size and location.At the same time，this paper analyzes the two mediating mechanisms of R&D cooperation and knowledge spillover.

Key words： density of universities； enterprise innovation； mediating mechanism

* 黄凯南，山东大学经济研究院、山东大学县域发展研究院，邮政编码：250100，电子信箱：kennen@126.com；苗滋坤，山东大学经济研究院；乔元波(通讯作者)，山东大学县域发展研究院。本文得到国家社科基金重点项目“制度理性建构论与制度自发演进论的范式比较与融合研究”(21AJL005)、全国“文化名家”暨“四个一批”人才项目和“泰山学者工程专项经费”(TS201712006)的资助。感谢匿名评审人提出的修改建议，笔者已做出相应修改，本文文责自负。

(责任编辑：张雨潇)