美国科技产业集群之间的创新溢出效应

《JOURNAL OF FINANCIAL ECONOMICS》：Innovation spillovers across U.S. tech clusters

　　泽维尔·吉鲁德 | 欧内斯特·刘 | 霍尔格·穆勒
哥伦比亚大学，美国

**摘要**
绝大多数美国发明家受雇于那些在其他科技集群中也拥有发明家和工厂的公司。通过合并美国专利商标局（USPTO）与美国人口普查局（U.S. Census Bureau）的工厂级数据，我们发现大型科技集群不仅提高了当地发明家的生产力，还提升了通过其母公司创新工厂网络与这些集群相连的遥远集群中发明家和工厂的生产力。为了解释这些发现，我们构建了一个考虑了集群内部和跨集群创新溢出的空间创新模型。在该模型中，我们推导出一个用于衡量特定地点创新的社会回报与私人回报之间差异的充分统计量。将模型应用于实际数据后，我们发现地点之间的创新差异与这些地点与其他科技集群的连接程度之间存在41%的相关性。

**引言**
创新活动在空间上的分布并不均匀。在美国，像硅谷、波士顿、纽约、洛杉矶、圣地亚哥或西雅图这样的大型科技集群占据了创新产出的大部分。这些大型集群不仅产生了更多的专利，而且每位发明家创造的专利数量也更多。重要的是，这并非因为更高效的发明家选择了这些集群，而是因为大型集群本身提高了发明家的生产力（莫雷蒂，2021年）。虽然确定这种生产力提升的确切原因很困难，但文献指出这可能是由于马歇尔式的集聚外部性，特别是当地知识溢出效应，因为知识是创新过程的关键投入。关于创新背景下的知识溢出，有各种证据，从萨克森尼安（Saxenian）在1994年对硅谷与波士顿128号公路地区的比较研究中的著名引用来看，到贾菲等人（Jaffe et al., 1993）开始的大量实证研究，这些研究表明专利引用具有高度的地域性。或许最直接和令人信服的证据来自阿特金等人（Atkin et al., 2022）的一项研究，他们利用智能手机地理位置数据识别了硅谷不同公司员工之间的面对面交流。研究发现，这些面对面交流显著增加了后续的相互专利引用，这与当地知识溢出效应一致。

一个鲜为人知的事实是，80.7%的发明家受雇于那些在其他科技集群中也拥有发明家的公司。如果知识在不同公司的发明家之间在本地传播，人们会预期这些发明家会将这种知识传递给自己公司内的其他生产单位，包括其他集群中的发明家，从而产生“跨集群创新溢出”。在公司内部，知识传播不必依赖面对面交流，也可以通过电子邮件、内部备忘录或视频会议等常规渠道实现。此外，由于知识在公司内部是非竞争性的，其他生产单位可以几乎不花费额外成本就能使用这些知识，从而创造显著的成本和范围经济。

本文提供了跨集群创新溢出的有力证据。大型科技集群不仅提高了当地发明家的生产力，还提升了与这些集群相连的其他集群中发明家的生产力，这些发明家之所以与这些集群相连，是因为他们受雇于同时在两个集群中拥有发明家的公司。关键在于，只有当公司在某个集群中拥有发明家时，才能从更大的集群中受益。如果一家公司在某个集群中设有工厂但没有发明家，那么更大的集群既不会对该公司的本地工厂产生好处，也不会对其其他工厂（或发明家）产生好处。相反，如果一家公司在某个集群中设有拥有发明家的工厂，那么更大的集群仍然可以通过提高工厂的生产力来惠及该公司的其他（遥远）工厂，即使这些接收工厂本身没有发明家。因此，发明家实际上起到了“天线”的作用，他们处理本地知识并将其传递给公司内的其他生产单位。另一方面，接收知识的工厂不一定需要拥有自己的发明家，这表明部分共享知识对公司的益处超出了提高发明家生产力的范畴。

我们将发明家视为“天线”的解释与科恩和莱文塔尔（Cohen and Levinthal, 1989）提出的“吸收能力”概念一致。在一篇有影响力的论文中，作者指出：“企业投资研发不仅是为了直接推动新的工艺和产品创新，也是为了利用外部可用的信息”（第593页）。这些外部可用信息明确包括了当地知识溢出；为了从中受益，企业会投资于吸收能力（第570页）：“经济学家认为，公共领域的科技知识是一种公共产品。就像无线电信号或烟雾污染一样，其影响可以被位于排放源附近的所有人免费获得。……我们认为，如果这些成本相对较低，那是因为‘排放源’附近的企业已经进行了大量的研发；这些企业已经在相关领域投资于吸收能力的发展。”为了探讨发明家和工厂在促进跨集群创新溢出中的作用，我们将美国专利商标局的专利数据与美国人口普查局的保密工厂级数据进行了合并。在莫雷蒂（Moretti, 2021）的实证研究基础上进行扩展，我们通过工厂内部“连接集群”规模的变化来识别跨集群溢出——即工厂所在城市中其他公司的发明家数量，这些公司的母公司也在其他城市拥有拥有发明家的工厂。例如，我们考察了如果硅谷的发明家和工厂所在城市的其他公司（如波士顿128号公路地区的公司）拥有更多发明家，硅谷的发明家和工厂是否会更加高效。

关于美国专利活动的一个鲜为人知的事实是，80.7%的发明家受雇于那些在其他科技集群中也拥有发明家的公司。如果知识在不同公司的发明家之间在本地传播，人们会预期这些发明家会将这种知识传递给自己公司内的其他生产单位，包括其他集群中的发明家，从而产生“跨集群创新溢出”。在公司内部，知识传播不必依赖面对面交流，也可以通过电子邮件、内部备忘录或视频会议等常规渠道实现。此外，由于知识在公司内部是非竞争性的，其他生产单位可以几乎不花费额外成本就能使用这些知识，从而创造显著的成本和范围经济。

我们的研究提供了跨集群创新溢出的有力证据。大型科技集群不仅提高了当地发明家的生产力，还提升了与这些集群相连的其他集群中发明家的生产力，这些发明家之所以与这些集群相连，是因为他们受雇于同时在两个集群中拥有发明家的公司。关键在于，只有当公司在某个集群中拥有发明家时，才能从更大的集群中受益。如果一家公司在某个集群中设有工厂但没有发明家，那么更大的集群对该公司的本地工厂或其他工厂（或发明家）都没有好处。另一方面，如果一家公司在某个集群中设有拥有发明家的工厂，那么更大的集群仍然可以通过提高工厂的生产力来惠及该公司的其他（遥远）工厂，即使这些接收工厂本身没有发明家。因此，发明家实际上起到了“天线”的作用，他们处理本地知识并将其传递给公司内的其他生产单位。另一方面，接收知识的工厂不一定需要拥有自己的发明家，这表明部分共享知识对公司的好处超出了提高发明家生产力的范畴。

我们将发明家视为“天线”的解释与科恩和莱文塔尔的观点一致。在他们的研究中，作者认为企业投资研发不仅是为了追求新的工艺和产品创新，也是为了利用外部可用的信息（第593页）。这些外部可用信息明确包括了当地知识溢出；为了从中受益，企业会投资于吸收能力（第570页）。为了探讨发明家和工厂在促进跨集群创新溢出中的作用，我们将美国专利商标局的专利数据与美国人口普查局的保密工厂级数据进行了合并。在莫雷蒂（Moretti, 2021）的实证研究基础上进行扩展，我们通过工厂内部“连接集群”规模的变化来识别跨集群溢出——即工厂所在城市中其他公司的发明家数量，这些公司的母公司也在其他城市拥有拥有发明家的工厂。我们需要考虑可能同时影响发明家或工厂生产力以及其他公司发明家流入或流出的因素。例如，由于企业的创新工厂网络是非随机的，企业在这些城市中的创新工厂可能会受到相关（城市-领域特定）技术冲击的影响。这些冲击可能导致工厂的生产力提高，同时这些工厂所在的集群可能会吸引更多发明家的流入。我们的实证设计通过包括高度细粒度的城市×领域×年份固定效应，以及工厂固定效应，来考虑这些和其他被忽略的因素。实际上，我们比较的是同一城市、同一研究领域和同一年份中属于不同母公司（这些母公司拥有不同创新工厂网络）的工厂。

如果技术冲击发生在更细粒度的层面上，仅比较同一城市、同一研究领域和同一年份的工厂可能不够充分。为了解决这个问题，我们提出了一种工具变量（IV）设计，该设计能够隔离可能源自这些集群外部的工厂连接集群规模的变化。这种IV设计基于那些在多个地点（包括工厂所在城市的连接集群）拥有发明家的公司。其思想是，当这些公司在美国扩大或缩减研发活动时，这些公司在其他城市（其母公司没有业务的地方）雇佣的发明家数量的变化可以预测工厂连接集群的规模，但这些变化不太可能与工厂生产力的未观察到的冲击系统性地相关。

在我们的基准模型中，工厂总要素生产率（TFP）对连接集群总规模的弹性为0.012，而发明家层面的生产率（每位发明家的专利数量）的弹性为0.021。这些弹性在经济上是具有意义的。假设我们根据工厂连接集群的大小对工厂进行排名，并考虑位于相应分布第25百分位的工厂。如果我们将这个工厂的连接集群替换为第75百分位的工厂的连接集群，工厂层面的发明家生产力将增加8.2%，工厂层面的TFP将增加4.7%。因此，位于（连接集群规模）分布顶端的工厂——即那些与多个集群相连的工厂，无论是与大型集群相连还是同时与多个集群相连的工厂——由于跨集群创新溢出而获得了显著的生产力优势。我们的IV估计结果略有波动，但与OLS估计结果（分别为0.014和0.023）相似，这表明未观察到的工厂生产力冲击并不是我们实证设计中的主要偏差来源。

关键在于，发明家在跨集群创新溢出中起着关键作用。如果我们根据母公司设有工厂但没有发明家的城市来构建“安慰剂连接集群”，我们没有发现跨集群创新溢出的证据。另一方面，我们发现非创新工厂从母公司拥有创新工厂的集群中获得了溢出效益：TFP弹性为0.006，仅为创新工厂TFP弹性的一半。因此，通过跨集群溢出传播的一些信息对生产力的提升具有更广泛的意义，即超出了提高发明家生产力的范畴。表1总结了我们的主要结果。只有创新工厂从本地、集群内部的溢出中受益。另一方面，无论是创新工厂还是非创新工厂都从遥远的跨集群溢出中受益（尽管程度不同），但这仅限于母公司在其连接集群中拥有创新工厂（即“天线”）的情况。

发明家作为“天线”的角色与知识扩散作为集群内部和跨集群创新溢出渠道的观点一致。我们提供了两个进一步支持知识扩散渠道的证据：
（1）公司内部的知识流动可以通过电子邮件、内部备忘录或视频会议等常规渠道在不同集群之间进行。因此，如果机制是公司内部的知识扩散，我们预计跨集群创新溢出不会随物理距离的增加而减弱。我们在数据中证实了这一点：如果我们排除以焦点工厂为中心、半径为100英里、250英里或500英里的连接集群，所有估计结果仍然稳定且显著。
（2）随着工厂连接集群规模的增加，工厂不仅引用了更多来自这些集群的专利（这可能是因为它本身创新更多，因此引用了更多专利），而且来自连接集群的专利引用比例也增加了。因此，工厂在较大的物理距离上更多地引用通过其创新网络连接的集群的专利，这再次与知识扩散一致。

为了解释我们的实证发现，我们构建了一个考虑了集群内部和跨集群创新溢出的空间创新模型。在模型中，企业可以投资于创新以提高工厂的生产力。虽然企业内部化了对自己其他工厂的溢出效应，但并未内部化对其他企业的溢出效应。跨集群溢出有两个原因：首先，一个工厂的创新投资会溢出到其他本地工厂，然后再溢出到这些公司在其他集群中的工厂；其次，一个工厂的创新投资会溢出到同一公司在其他集群中的工厂，然后再溢出到这些集群中的其他企业的工厂。集群内部和跨集群的溢出可能会以递归的方式相互作用，产生在整个经济中传播的更高阶溢出。

为了确定哪些地点在创新上的投资不足，我们推导出一个基于模型的充分统计量——“社会-私人创新楔差”——该统计量衡量了特定地点创新的社会回报与私人回报之间的差异。这个充分统计量可以通过分析一个地点通过企业创新网络与其他地点的连接情况，结合我们的简化形式溢出弹性，在数据中进行测量。在论文的最后部分，我们将模型应用于实际数据。我们首先根据社会-私人创新楔差对所有美国科技集群进行排名。虽然大型集群表现出更大的楔差，但这并非由于当地知识溢出。相反，驱动排名的是集群通过企业创新网络与其他集群的连接程度。因此，硅谷集群具有较高的社会-私人创新楔差，并不是因为它产生了大量的本地溢出，而是因为它与许多其他集群相连，而这些集群又与许多其他集群相连，依此类推。我们通过一个反事实分析来结束我们的定量研究，在这个分析中，我们增加了美国科技集群之间的互联互通性。虽然这增加了（几乎）所有集群中的社会与私人创新之间的差距——从而加剧了投资不足的问题——但这种差距在那些规模较大且与其他集群联系紧密的集群中尤为明显。我们的论文为多个研究领域做出了贡献。首先，它丰富了关于创新溢出的文献。从Griliches（1979年）和Jaffee（1986年）开始的大量研究表明，企业可以从其他企业的研发活动中受益。在一篇重要的论文中，Bloom等人（2013年）区分了来自其他企业研发的（正面）知识溢出效应和（负面）商业窃取效应。虽然研发溢出文献主要关注来自其他企业研发的溢出效应，但Matray（2021年）则关注来自其他企业专利的溢出效应——具体来说，是公共企业的专利如何影响当地私营企业的专利申请活动。最后，Moretti（2021年）关注来自其他企业本地发明家的溢出效应。在Moretti的实证研究设计的基础上，我们展示了这些本地创新溢出可以通过企业的空间网络传播到整个经济体系，从而在其他科技集群中的遥远工厂产生更多的创新产出。此外，通过构建一个同时包含集群内部和跨集群溢出的空间创新模型，我们表明跨集群创新溢出可以在不同的美国科技集群之间产生显著的社会与私人创新回报差距。

其次，我们的论文也为关于企业创新的地方和公司层面决定因素的广泛研究做出了贡献。先前的研究已经考察了企业的信贷获取能力（Amore等人，2013年；Cornaggia等人，2015年；Hombert和Matray，2017年）、上市状态（Bernstein，2015年）、所有权结构（Aghion等人，2013年；Li等人，2023年）以及本地劳动力市场（Derrien等人，2023年）等因素。我们的论文重点关注两个决定因素之间的相互作用：本地科技集群的规模（即其他企业的发明家数量）——知识从这里“溢出”到企业的本地工厂——以及企业的空间创新网络，通过这个网络知识可以传播到企业的其他工厂，最终传播到其他科技集群。

最后，大多数关于区域溢出的公司层面研究都考察了企业之间的溢出效应。相比之下，很少有研究通过企业内部网络分析跨区域的溢出效应（例如，Cravino和Levchenko，2017年；Giroud和Mueller，2019年；Bena等人，2022年；Giroud等人，2024年；Biermann和Huber，2024年）。与这些研究相比，我们的论文表明，企业内部的工厂网络有助于跨科技集群的创新溢出。关键的是，仅靠工厂网络是不够的：工厂还需要拥有能够吸收和处理本地知识并将其传递给企业内部其他工厂和遥远集群中其他发明家的发明家。

本文的其余部分安排如下：第2节介绍数据、分析样本和描述性统计；第3节讨论集群内部的创新溢出；第4节分析跨集群的创新溢出；包含我们的主要结果、稳健性检验、非创新工厂的结果以及工具变量估计；第5节探讨潜在机制；第6节发展了一个可行的空间创新模型并推导出“社会-私人创新差距”；第7节根据这一差距对所有美国科技集群进行排名并进行反事实分析；第8节总结。

**数据来源**
我们结合了美国专利商标局（USPTO）的专利数据库与美国人口普查局的纵向商业数据库（LBD）、制造业普查（CMF）和年度制造业调查（ASM）中的企业级机密数据。专利数据包括申请日期、专利授权日期、发明人和受让人的名称（例如企业、大学）、引用的其他专利、研究领域以及发明人的家庭地址。

**集群内部创新溢出**
为了提供一个基准并说明实证研究设计，我们首先分析了本地集群规模对本地工厂创新和生产力的影响。较大的本地集群意味着工厂所在城市和领域中有更多的发明家（来自其他企业），从而为本地知识溢出提供了更多机会。我们估计：
$$
\epsilon_{yicft} = \gamma_i + \gamma_{ct} + \gamma_{ft} + \gamma_{cf} + \beta \cdot \text{ClusterSize} \cdot \epsilon_{icft}
$$
其中 $y_{icft}$ 代表汇总到工厂层面的发明家生产力或工厂层面的全要素生产率（TFP）。

**跨集群创新溢出**
如果本地发明家将知识传递给企业的其他发明家和工厂，包括其他集群中的发明家和工厂，那么较大的本地集群不仅会影响本地工厂的创新和生产力，还会影响同一企业在其他城市的工厂的创新和生产力。为了检验同一企业在其他城市的工厂是否可以从较大的本地集群中受益，我们估计了以下方程的变体：
$$
\epsilon_{yicft} = \gamma_i + \gamma_{cft} + \beta \cdot \text{ClusterSize} \cdot \epsilon_{icft}
$$
其中 $\text{ClusterSize} \cdot \epsilon_{icft}$ 是所有企业的总规模。

**机制**
只有当母公司在这些集群中拥有发明家时，工厂才能从与其他集群的接触中受益。用Cohen和Levinthal（1989年）的话来说，发明家为企业提供了“吸收能力”，以收集和处理本地知识，并最终将这些知识传递给企业内的其他单位。我们现在提供两个额外的证据，表明基于地理邻近性的知识扩散是跨集群创新溢出的驱动力。

**理论框架**
为了合理解释我们的实证发现并为政策提供依据，我们发展了一个理论框架，在该框架中，企业在存在集群内部和跨集群创新溢出的情况下进行创新投资。我们模型的一个关键目标是推导出一个足够的统计量，以捕捉某个地点的社会与私人创新回报之间的差距。在第7节中，我们将模型应用于数据，并利用这一差距来显示哪些美国科技集群在创新投资上最为不足。

**将模型应用于数据**
我们的模型描述了某个地点的社会与私人创新回报之间的差距（“社会-私人创新差距”）。这个差距可以用一个简单的足够统计量 $\gamma_n / \beta_n$ 来表示。在第7.2节中，我们根据这一差距对所有美国科技集群进行排名；在第7.3节中，我们研究了科技集群之间互联互通性的增加如何影响每个地点的社会-私人创新差距。在这一节中，我们描述了如何...

**结论**
在企业内部，知识扩散不必依赖于面对面的互动，也可以通过常规渠道进行，如电子邮件、内部备忘录或视频会议。如果知识在不同企业的发明家之间在本地传播，那么我们预期这些发明家会将这些知识传递给同一企业在不同地点的其他发明家和工厂。换句话说，我们预期产生创新溢出的相同经济力量也会在不同地点之间发挥作用。

**作者贡献声明**
Xavier Giroud：撰写——原始草稿、方法论、正式分析、概念化。
Ernest Liu：撰写——原始草稿、方法论、正式分析、概念化。
Holger Mueller：撰写——原始草稿、方法论、正式分析、概念化。

**利益冲突声明**
我们没有需要披露的利益冲突。