根据估计的本地化经济效应，本文计算了样本中的一个平均企业从2001年至2007年的专利数量对数变化中来自本地化经济效应的贡献。在本文的样本中，2001年企业平均专利数量对数为0.45，而2007年则为0.93，增长了0.48个对数单位。2001年一个平均企业拥有的同行业企业数量对数为4.21，到2007年这一数量变为4.98，增长了0.77个对数单位。根据估计的本地化集聚经济效应系数0.06计算，本地化经济效应贡献了0.046个对数单位，相当于平均专利数量对数增长的9.6%。从这个意义上来说，本地化经济效应解释了2001年至2007年间专利数量对数增长的9.6%，因而它是近年来专利数量迅速增长的一个重要影响因素。

在控制变量方面，研发支出对数logR&D和企业员工数量对数logSize的系数与预期一致，均显著为正。此外，企业前一年的销售利润率Profit显著为正，表明企业经营效率与企业研发效率正相关。企业的人均净固定资产logCapital的系数也显著为正，这与Hall and Ziedonis^[34]的研究是一致的。Private和Foreign的系数均显著为正，表明国有企业吸纳民营资本或外资入股达到一定比重时，能够提高企业的创新效率。这一结果与Wei et al.^[3]在2017年的研究是一致的。行业级控制变量和城市级控制变量的系数均在统计上不显著，因篇幅限制未在表3中列出。

（二）对作用机制的检验

1.研发支出规模与集聚经济效应

正如本文第二部分的分析所表明的，如果技术溢出是集聚经济效应的一个重要来源，则企业的研发支出规模越大，获得的技术溢出效应就越强，从而也有更强的集聚经济效应。为了检验这一假设（假设2），本文在回归方程（1）中加入了研发支出与两类集聚变量的交互项^③，结果见表4第（1）列和第（2）列。结果表明：研发支出与本地化集聚变量的交互项（logR&D×logFirmSIC2）的系数为0.0128，且在0.01水平上显著；研发支出与其他行业规模的交互项（logR&D×logFirmOTHER）的系数也显著为正，而与行业多样性的交互项（logR&D×Diversity）的系数为负，且在统计上不显著。这验证了假设2，即企业研发支出规模越大，获取的集聚经济效应越强。估计结果表明，研发支出每新增1%，本地化经济效应将提高0.0128%，城市化经济效应中的其他行业规模增长带来的效应将提高0.0194%，而城市行业多样性带来的效应则在统计上不显著。

为了进一步检验结果的稳健性，本文以样本中位数作为标准，根据企业的研发支出对数，将样本划分为低研发支出和高研发支出两个子样本，分别估计模型（1），结果列于表4的第（3）列和第（4）列。这两列结果表明：在本地化经济效应方面，低研发支出子样本的本地化集聚变量logFirmSIC2系数非常小，且在统计上不显著；而高研发支出子样本的估计系数为0.1778，且在统计上显著。在城市化经济效应方面，两个子样本的估计系数均与0没有显著差异。这一结果再一次表明：在专利的研发过程中，较高的研发支出规模有助于企业获取本地化集聚经济效应^④。

表4 研发支出规模与集聚经济效应

注：*、**、***分别表示在0.1、0.05、0.01水平上显著。括号中是标准差，在企业级别聚类。所有回归均控制了全部企业级控制变量、行业级控制变量以及城市级控制变量。此外，所有回归均控制了企业固定效应、城市固定效应、省份-年度固定效应、行业-年度固定效应。

2.企业人力资本水平与集聚经济效应

假设3提出，较高的人力资本水平有助于企业获益于集聚经济。受限于数据的可得性，我们仅能得到企业在2004年的人力资本水平HMCP，即大专及以上学历员工占全部员工的比例。本文以该变量作为样本期间企业平均人力资本水平的度量指标。由于选取的样本年度包括2001年、2005年、2006年以及2007年，年份较为接近，如果年度间企业人力资本水平变化不大，则我们的做法具有合理性。

假设3的检验方法与假设2类似。本文在基本回归方程（1）中分别加入企业的人力资本水平与集聚变量的交互项（HMCP×logFirmSIC2、HMCP×logFirmOTHER，以及HMCP×Diversity），并使用面板固定效应模型进行估计。我们关心的是这几个交互项的系数^⑤，估计结果列于表5的前两列。在第（1）列中，交互项HMCP×logFirmSIC2的系数估计值为0.4003，且在0.01水平上显著。在第（2）列中，交互项HMCP×logFirmOTHER的系数为0.5449，且在0.01水平上显著，而交互项HMCP×Diversity的系数在统计上不显著。这表明企业人力资本水平越高，本行业规模（本地化集聚水平）以及其他行业规模（城市化集聚水平）对专利研发效率的影响越大，但企业人力资本水平对于企业受益于行业多样性并无显著作用。

为了验证结果的稳健性，我们根据人力资本水平HMCP的样本中位数将样本划分为低人力资本子样本和高人力资本子样本，并分别估计方程（1），结果分别列于表5的第（3）列和第（4）列。结果表明：低人力资本子样本的本地化集聚变量logFirmSIC2的系数为0.030 3，且在统计上不显著；高人力资本子样本的相应系数为0.1028，且在0.1水平上显著。这进一步验证了企业人力资本水平越高，获得的本地化集聚经济效应越强。在城市化经济方面，低人力资本子样本估计结果显示：城市化集聚变量logFirmOTHER和行业多样性变量Diversity符号都为负，且在统计上不显著。相应的系数在高人力资本子样本中的估计值为正，尽管也在统计上不显著，但两个子样本在这两个系数估计值中的差异与表5第（2）列的结果是一致的^⑥。

表5 企业人力资本水平与集聚经济效应

注：*、**、***分别表示在0.1、0.05、0.01水平上显著。括号中是标准差，在企业级别聚类。所有回归均控制了全部企业级控制变量、行业级控制变量以及城市级控制变量。此外，所有回归均控制了企业固定效应、城市固定效应、省份-年度固定效应、行业-年度固定效应。

五、稳健性检验

第四部分的估计结果表明，在两类集聚经济中，企业从本地化经济中获得的好处更为显著，并且研发支出规模越大或者人力资本水平越高，企业得到的本地化经济效应越显著。为了检验这些结果的可靠性，本文进行了以下稳健性检验：

第一，本文尝试进一步减轻企业的自选择对回归结果的影响^⑦。如果创新效率更高的企业倾向于向更专业化的城市集中，则回归结果将导致正向偏误，即高估了集聚的本地化经济效应；而如果创新效率更高的企业倾向于向更多样化的城市集中，则回归结果将高估了集聚的城市化经济效应。本文在设定回归模型时，由于担心企业的这种自选择问题带来的估计偏误，控制了许多不同维度的固定效应以及不同层级的控制变量（详见第三部分中对回归方程的解释）。但为了验证结果的稳健性，本文进一步从减轻企业自选择问题的角度对样本进行了选择。首先，去掉了样本期间变换过行业或城市的观测值，这排除了企业创立后发生的自选择问题对估计结果的影响；其次，去掉了样本中的年轻企业，这减轻了企业在创立时发生的自选择问题，本文将样本中企业年龄的1/4分位数（即5年）作为参照标准，小于或等于该年龄的则为年轻企业，因而仅保留企业年龄大于5年的样本进行分析。我们使用该样本再一次估计回归方程（1），结果列于表6第（1）列。结果表明：本地化集聚变量的系数为0.0624，且在0.1水平上显著；两个城市化集聚变量系数均为负，且在统计上不显著。这一结果与表3的基准回归结果是一致的，验证了假设1的成立，也表明企业的自选择问题并未导致严重偏误。这说明本文使用的回归模型已经较好地控制了应该控制的因素。

第二，前文在估计研发支出与集聚变量的交互项系数时，并没有同时控制企业人力资本水平与集聚变量的交互项，这使本文的检验结果可能出现偏误。因此，我们在回归模型（1）中同时加入研发支出与本地化集聚变量的交互项logR&D×logFirmSIC2，以及企业人力资本水平与本地化集聚变量的交互项HMCP×logFirmSIC2，估计结果列于表6第（2）列。结果表明，两个交互项系数仍然显著为正，且系数大小与前文的估计非常接近。这说明前文关于假设2及假设3的结果是稳健的。

第三，本文在回归方程（1）中使用了不同的方法度量城市化集聚水平。我们加总企业所在行业以外的其他行业企业数量后取对数（命名为logFirmOTHER_A），并把它作为城市化集聚变量的另一个度量指标。该变量与基准回归中使用的变量的区别是：基准回归中度量企业所在行业以外的行业规模时，使用了其他行业与本行业之间的技术距离作为权重进行加总。估计结果列于表6第（3）列，结果表明：城市化经济效应系数仍然较小，且在统计上不显著；本地化经济效应的估计结果与表3一致，系数约为0.0649，且在0.1水平上显著。这说明前文对假设1的检验结果是稳健的。

表6 稳健性检验结果

注：*、**、***分别表示在0.1、0.05、0.01水平上显著。括号中是标准差，在企业级别聚类。列（1）至列（4）均控制了企业级控制变量、行业级控制变量以及城市级控制变量。第（5）列控制了除企业研发支出对数以外的所有控制变量。此外，所有回归均控制了企业固定效应、城市固定效应、省份-年度固定效应、行业-年度固定效应。

第四，本文用行业内的就业人数总量取对数（命名为logEmpSIC2）以及其他行业的就业人数总量取对数（命名为logEmpOTHER），作为本行业规模（即本地化集聚变量）以及其他行业规模（即城市化集聚变量）的度量指标，估计结果见表6第（4）列。结果表明，本地化集聚经济效应和城市化集聚经济效应均不显著。这一结果与Martin et al.^[17]的研究结果不同。他们发现以员工数量度量的本行业规模对企业的全要素生产率有显著的促进作用，但以行业内企业数量度量的本行业规模没有显著效应。因此，他们认为所发现的集聚经济效应主要源于劳动力市场集聚而非企业集聚。本文的结果表明，企业的专利产出主要受益于企业的集聚，而劳动力市场的集聚可能并不起主要作用。考虑到企业之间的技术溢出是产业集聚经济效应的重要来源，而企业又是技术溢出的基本单位^[15]，采用企业数量作为行业规模的度量指标时，该变量可能更多地衡量了企业集聚带来的外部技术溢出的来源。从事专利研发的人员主要为高技能的专门人才，这一点与企业中产品的生产有显著差异，因此，不区分技能水平的行业内工人的集聚可能无法捕获专利生产过程中人员要素的集聚。这解释了专利研发效率对行业内企业集聚的变化敏感，而对于劳动力集聚的变化并不敏感的原因。

最后，在前文的回归中我们均控制了企业专利生产的投入，即研发支出的对数，因而，本文估计得到的是集聚对专利产出效率的影响^⑧。但产业集聚也可能通过提高企业研发投入，进而提高企业专利产出数量。因此，在回归中对研发支出不加以控制所得到的相应系数则是产业集聚对专利产出数量的总效应。本文在模型（1）的回归中去掉企业的研发支出对数，所得结果列于表6第（5）列。该结果显示，本地化集聚变量logFirmSIC2的系数为0.0616，且在0.1水平上显著，而两个城市化集聚变量的系数均较小，且在统计上不显著。这与表3的基准回归结果是一致的。这一结果也表明，企业的研发支出可能并未受到产业集聚的显著影响^⑨。