推文人 | 张强国

 

原文信息：Pierre-AlexandreBalland & David Rigby (2017).The Geography of Complex Knowledge [J] .Economic Geography, 93(1): 1-23.

 

引言

 

《三字经》有言：“昔孟母，择邻处。”孟母为何三迁？显然，直观的原因是：临墓地，孟子学丧礼之习；处闹市，学商贾之术；于文庙，学为人之礼。那么，深层次的原因又是什么呢？本文在构建“城市-技术知识网络”的基础上，基于200多万项技术专利信息，测度了美国366个城市的知识复杂性和438个类别的技术的知识复杂性，描绘了复杂知识在美国城市层面的区域分布及其演变，实证分析了复杂知识的空间粘性。正是由于地理距离限制了复杂知识的流动，为了让孟子拥有适宜的学习环境，孟母才会主动迁居，而不是坐等文庙里的礼仪传播到墓地旁或闹市间。

 

城市-技术知识网络的构建

 

测度知识复杂性的关键是构建城市—技术知识网络。每一项技术专利都包含三个关键信息：专利的申请时间、专利的主要所有者及其所在城市、专利的所属类别。因此，专利文件提供了不同类别的技术知识于何时产生于不同城市的详尽信息。随着时间的推移，城市C和技术T之间相互连接，产生了“城市—技术知识网络（图1）”。

 

基于美国专利商标局提供的数据，作者将2001-2010年期间美国各个城市的技术知识生产抽象为一个n*k的二模网络。该网络包括366个城市和438个技术类别，每条边Xc，i的值是城市C在技术类别i中拥有的专利数量。初步分析发现，圣何塞在计算机通信技术具有专业化优势，旧金山在生物医药知识领域表现突出。纽约和波士顿占据了知识空间的中心，它们与技术节点之间的联系非常紧密，洛杉矶和芝加哥稍微偏离了知识空间的核心，底特律、休斯顿、匹兹堡位于网络的边缘。

 

知识复杂指数（KCI）的测度

 

在城市-技术知识网络基础上，如果城市C在I类别的知识技术有相对优势（城市C拥有某类别的专利数量占该城市总专利数量的份额高于该类专利占全国总专利数量的份额）则相对应的值为1，没有相对优势则为0。

 

知识复杂指数包含两个因素：各个城市拥有相对优势的技术类别的多样性和各个类别的技术在城市中分布的稀缺性。这两个因素对应的是城市-技术知识网络中两组节点的中心度。其中，城市的中心度表征了城市在多少个类别的知识技术中有相对优势（多样性），即城市拥有技术的多样性；技术类别的中心度表示了多少个城市在该类别的知识技术中有相对优势（稀缺性），即技术在各个城市分布的稀缺性。根据这种思路，可以计算出各个城市的知识复杂指数和各种类别技术的知识复杂指数（具体逻辑推演和计算公式见原文）。

 

复杂知识的地理分布及演变

 

（1）复杂知识的地理分布。根据城市的知识复杂指数的计算结果，刻画了2001-2010年复杂知识在美国366个城市的分布（图4）。显然，美国复杂知识的地理分布具有显著的异质性，复杂知识生产核心城市往往都拥有知名研究型大学。进一步分析发现， 366个城市的KCI排名和人均专利数排名之间的斯皮尔曼等级相关系数仅为0.46，这说明知识技术结构最复杂的城市不一定具有最高的人均专利拥有率。

 

（2）复杂知识的地理分布的演变。图6揭示了从1975-1984年到2001-2010年美国各个城市的复杂知识分布的演变。有趣的是，对于大多数城市而言，知识复杂指数是相对稳定的，这说明知识技术结构演化的路径依赖性较强。例外的是，位于美国的“雨雪地带”的城市的知识复杂指数从1975-1984年到2001-2010年平均下降了33.8，而“阳光地带”的城市的知识复杂指数平均上升了72.2。

 

复杂知识空间粘性的实证分析

 

接下来，作者构建了计量回归模型，实证分析复杂知识的空间粘性。其中，因变量是知识的流动，用专利引用率度量；第一个解释变量是专利的知识复杂性，用它的知识复杂指数度量（它的回归系数很难预期，因为专利的知识复杂性越高，越有引用的价值，但引用的难度更高）；第二个解释变量是距离的虚拟变量，当被引用专利和引用专利位于相同的城市时取1，否则取0；第三个解释变量是知识复杂性和距离的交互项，它最为关键，零假设表明地理距离对复杂知识的流动没有影响；此外，还包含被引用专利和引用专利的技术关联性和时间差两个协变量。

 

由表3可知，线性概率模型(LPM)和Logit模型回归估计的结果相似。LPM回归结果中的常数项衡量了知识流动的期望概率，即截距等于因变量的均值，所以它对交互作用的经济解释更直接。知识复杂性与地理距离的交互项系数为负，说明当潜在的发明者不在研发中心时，更复杂的原始专利被引用的可能性大大降低（位于相同的城市中，增加复杂性增加10%会增加大约13%的知识流动的概率；然而，位于不同的城市中，被引用的概率不会随着复杂性的增加而增加）。这个结果证实了作者的直觉：地理距离限制了复杂知识的流动。

 

结论及政策建议

 

本文第一个发现是：美国城市层面的复杂知识分布具有显著的差异，只有少数几个大城市能产生出最复杂的新技术；而且，大部分城市的知识复杂性是相当稳定的。第二个关键结论是：并非所有的知识都具有空间粘性，复杂的知识往往在相对较少的地方产生，一旦产生就难以流动。本文对指导区域创新政策的制定和实施具有重要意义。创新政策不仅应支持已有比较优势的技术领域，还应鼓励发展更为复杂的技术，从而将区域技术知识从低复杂性升级为高复杂性，只有创造高价值的、稀缺的复杂知识才是区域维持竞争优势的关键所在。

 

Abstract

 

There is consensus among scholars and policy makers that knowledge is one of the key drivers of long-run economic growth. It is also clear from the literature that not all knowledge has the same value. However, too often in economic geography and cognate fields we have been obsessed with counting knowledge inputs and outputs rather than assessing the quality of knowledge produced. In this article we measure the complexity of knowledge, we map the distribution and the evolution of knowledge complexity in US cities, and we explore how the spatial diffusion of knowledge is linked to complexity. Our knowledge complexity index rests on the bimodal network models of Hidalgo and Hausmann. Analysis is based on more than two million patent records from the US Patent and Trademark Office that identify the technological structure of US metropolitan areas in terms of the patent classes in which they are most active between 1975 and 2010. We find that knowledge complexity is unevenly distributed across the United States and that cities with the most complex technological structures are not necessarily those with the highest rates of patenting. Citation data indicate that more complex patents are less likely to be cited than less complex patents when citing and cited patents are located in different metropolitan areas.