城市知识环境对创业活动的影响及空间异质性——基于中国275个城市的实证检验

吕拉昌; 赵彩云

doi:10.13284/j.cnki.rddl.003719

热带地理 >

2023 , Vol. 43 >Issue 8: 1479 - 1488

DOI: https://doi.org/10.13284/j.cnki.rddl.003719

创新地理

城市知识环境对创业活动的影响及空间异质性——基于中国275个城市的实证检验

吕拉昌 ^,¹^,³ ,
赵彩云 ¹^,²

展开

^1. 首都师范大学，资源环境与旅游学院，北京 100048
^2. 首都师范大学，北京城市创新与发展研究中心，北京 100048
^3. 河北地质大学管理学院，石家庄 050031

吕拉昌（1963—），男，陕西宝鸡人，教授，博士生导师，主要研究方向为城市地理、创新地理与区域发展，（E-mail）lachanglu@163.com。

收稿日期: 2022-09-24

修回日期: 2022-12-23

网络出版日期: 2023-08-14

基金资助

国家自然科学基金面上项目“中国三大城市群创新机制与空间组织模式的比较研究”(41971201)

收起

Urban Knowledge Environment on Entrepreneurship: Influence and Spatial Heterogeneity Analysis: The Empirical Analysis of 275 Cities in China

Lachang Lyu ^,¹^,³ ,
Caiyun Zhao ¹^,²

Expand

^1. College of Resources Environment and Tourism, Capital Normal University, Beijing 100048, China
^2. Beijing Urban Innovation and Development Research Center, Capital Normal University, Beijing 100048, China
^3. School of Management, Hebei GEO University, Shijiazhuang 050031, China

Received date: 2022-09-24

Revised date: 2022-12-23

Online published: 2023-08-14

Fold

本文亮点

从城市知识存量和知识基础设施2方面构建了城市知识环境指数，测度了中国275个地级及以上城市知识环境指数的空间分布特征，在此基础上采用空间回归模型方法，分析了城市知识环境对创业活动的影响。结果表明：1）中国城市知识环境指数空间格局呈现东中西部依次下降，直辖市、副省级城市、省会城市及主要城市群的城市具有较高的知识环境指数；2）城市知识环境对创业活动具有促进作用，在其他因素得到控制的情况下，城市知识环境指数越高，创业活动越活跃；3）城市知识环境对创业活动的作用程度存在空间异质性，表现为东部城市高于中西部城市，同一地区的省会及以上级别的城市高于一般地级城市。

本文引用格式

吕拉昌 , 赵彩云 . 城市知识环境对创业活动的影响及空间异质性——基于中国275个城市的实证检验[J]. 热带地理, 2023 , 43(8) : 1479 -1488 . DOI: 10.13284/j.cnki.rddl.003719

Highlights

In the era of the knowledge economy, with the increasing role of knowledge and entrepreneurship in cities, the impact of the urban knowledge environment on entrepreneurship has become an important research topic. Cities are the primary carriers of knowledge and entrepreneurship. However, few studies examine the impact of an urban knowledge environment on entrepreneurship. The impact of the urban knowledge environment on entrepreneurship in China remains unclear. Therefore, this study constructs an urban knowledge environment index from the two aspects of urban knowledge stock and knowledge infrastructure, measures the spatial distribution characteristics of the knowledge environment index of 275 cities at the prefecture level and above in China, and analyzes its impact using a spatial regression model. The results show that: (1) The urban knowledge environment index in the eastern coastal areas is relatively high, while that in the central and western areas is relatively low. Cities in major urban agglomerations, such as the Beijing Tianjin Hebei, Shandong Peninsula, Yangtze River Delta, Pearl River Delta, and Chengdu Chongqing urban agglomerations, have a high urban knowledge environment. The level of urban knowledge environment in provincial capitals and above is relatively high, whereas it is relatively low in general, prefecture-level cities. (2) Urban knowledge environments promote entrepreneurship. When other factors are controlled, entrepreneurship increases by 0.239% for every 1% increase in the urban knowledge environment index. (3) Spatial heterogeneity exists in the influence of the urban knowledge environment on entrepreneurship, and its marginal effect differs among cities in different regions and levels. Cities in the east had higher values than those in the central and western regions, and cities at or above the provincial capital level in the same region had higher values than ordinary prefecture-level cities. Among these, the increase in entrepreneurship caused by improving the knowledge environment index of cities at the provincial capital level and above is the largest, nearly three times higher than that of the eastern, central, western, and general cities. This study provides a theoretical basis and practical reference for the development of urban entrepreneurship in China in the new era by revealing the internal laws and impact mechanisms of the urban knowledge environment.

党的二十大报告提出“完善促进创业带动就业的保障制度，支持和规范发展新就业形态。”作为推动经济增长和解决就业难题的创业活动，其形成和发展与城市环境紧密相关（Fogel, 2001）。知识经济时代，城市环境中较为重要的是知识环境。知识作为城市创新发展和维持竞争优势的重要驱动力，知识的生产、应用和扩散，推动着新思想、新组织形式和新企业不断形成（Florida et al., 2017）。因此，探讨城市知识环境对创业活动的影响机制，成为当前社会需求与研究的重要议题。

已有较多文献从经济学、地理学、社会学和人口学等视角，对影响创业活动的传统区域因素进行了大量研究（Delgado et al., 2010; Sambharya et al., 2014; Lounsbury et al., 2019; Tajpour et al., 2019）。近年来，随着城市中知识要素密集度提升，较多学者逐渐关注城市知识环境对创业活动的影响研究。目前主要围绕创业知识溢出理论（Ghio et al., 2014; Iftikhar et al., 2020）、创新体系理论（Ylinenpää, 2009; Mi et al., 2022）、本地蜂鸣和全球管道理论（Bathelt et al., 2004）等，探讨知识对创新创业活动形成和发展的影响；在实证研究方面，国外以欧美发达国家城市为例，分析了城市知识环境对创业活动的作用机制（Pancholi et al., 2014; Qian, 2017），国内仅有少数文献基于省级尺度或企业个体层面探讨了知识对创业活动的影响（齐玮娜等，2014；孙启新等，2021）。城市是知识和创业活动的主要载体，而基于城市尺度的知识环境对创业活动的影响研究较缺乏，中国城市知识环境对创业活动的影响机理尚未厘清。为此，本文拟通过实证分析，重点探讨：中国城市知识环境如何影响创业活动？其作用机制是什么？以及这种影响是否存在空间异质性？

为回答上述问题，本文在回顾已有研究基础上，构建城市知识环境对创业活动影响的理论分析框架，基于中国275个地级及以上城市数据，采用空间回归模型方法探讨城市知识环境对创业活动的影响，揭示中国城市知识环境对创业活动作用的内在规律与影响机制。以期为新时期中国城市创业发展提供理论依据和实践参考。

1 文献综述

1.1　创业活动的影响因素

创业活动的影响因素研究已取得丰富成果，创业活动受制度环境、社会文化、产业集群、基础设施、资源要素以及创业者个体特征等多种因素的影响。其中，制度环境是创业活动形成与发展的重要条件，自由的市场经济体制、良好的营商环境、优惠的税收政策等均对创业活动具有促进作用（Davari et al., 2018）；文化多样性能显著提升创业活力，文化多样性越高，城市创业越活跃（Sobel et al., 2010）；产业集聚形成的知识溢出效应和专业化分工体系，有利于新企业产生（符文颖，2018）；传统基础设施通过促进信息、资源和要素的快速流通，带来更多创业机会，而新型信息基础设施建设对提升数字化创业活跃度具有增强作用（Audretsch et al., 2015）。数字经济可以通过促进科学技术创新、拓宽信息获取渠道、组合知识创新要素等多种方式，培育创业机会，激发创业活力（Yin et al., 2019）。地区创业活跃程度还取决于本地人力资源储备量，丰富的人力资源为创业活动提供人才保证和智力支持（Tajpour et al., 2019）。创业者个体的创业意愿，不仅受到成功创业者的示范效应，还与其自身的受教育程度、人格特征、风险偏好、职业经历、家庭环境、经济收入等因素密切相关（Del et al., 2021; Mayr et al., 2021）。总之，上述研究从不同尺度、不同地区、不同角度对创业活动的影响因素进行较全面的分析。随着知识经济发展，城市知识环境对创业活动的影响逐渐成为研究的重要方向。

1.2　城市知识环境对创业活动的影响

关于城市知识环境研究，Knight（1995）提出以知识为基础的发展（Knowledge-Based Development），认为知识资源为地方发展服务并对可持续发展提供基础。此后，知识环境（Knowledge Environment）、知识城市（Knowledge City）、以知识为基础的城市发展（Knowledge-Based Urban Development）等研究迅速增加。知识城市强调知识在城市中的重要性，注重经济、社会、建筑、空间、环境等方面发展，把可持续性发展作为知识城市的终极目标（Edvardsson et al., 2016）。以知识为基础的城市发展，旨在建立环境保护、经济安全、社会公正和管理良好的具有知识生产和流通功能的城市（Yigitcanlar, 2011）。上述这些概念与理论，虽然都指出知识在城市环境中的重要作用，但内容过于宽泛且较为综合，没有凸显城市知识本身的特征。因此，本文基于以上概念，聚焦于城市知识特征，对城市知识环境作如下定义：城市中支撑各类知识活动的物质条件和服务条件的环境总和。城市知识环境可以分为城市知识硬环境和城市知识软环境2类。城市知识硬环境主要指为城市提供知识活动的硬件设施，包括大学、科研机构、图书馆、科技馆等知识基础设施；城市知识软环境主要指为城市提供知识活动服务的知识资源，包括论文、专利、图书等知识存量。

城市知识环境对创业活动的影响研究，按照研究对象的不同，可分为2类：1）以城市知识要素为研究对象，分析城市中知识对创业活动的影响。如较多学者基于创业知识溢出理论，探索知识溢出效应对创业活动的影响，认为未被利用的新知识是创业机会的内生动力来源，可以激发创业活动产生（Acs et al., 2009;Qian et al., 2013）。但知识溢出并不会自动产生创业机会，还取决于创业者对知识的吸收能力、社会资本等因素（Marks et al., 2020）。也有学者基于本地蜂鸣和全球管道理论，探讨本地知识和外部知识对创业活动的影响，本地知识基础对知识型创业存在显著积极作用，本地知识存量越丰富，知识型创业水平越高（齐玮娜等，2014）；外部知识有助于创业者获取互补性的新知识（郭润萍，2016）。还有学者基于创新体系理论视角，探讨知识基础设施对创业活动的影响，发现在大学、科研机构附近，创新型企业容易产生（Guerrero et al., 2016）；本地孵化器有助于提高创业成功率（Del Bosco et al., 2021）。2）以城市知识环境为整体，综合分析城市知识环境对创业活动的影响。在案例选取上，主要集中在发达国家城市。如有学者以欧盟60个城市为例，建立由经济、社会、环境、创新、创业组成的以知识为基础的城市发展创业（Knowledge Based City Developing Entrepreneurship）指数，分析了以知识为基础的城市环境对创业活动的影响，得出以知识为基础的城市环境促进创业，良好的社会教育对创业具有积极影响（Penco et al., 2020）。然而，这些研究采用的城市知识环境测度指标较宽泛，包含经济、社会、生态、管理等多方面内容，难以凸显城市的知识对创业活动的影响。

综上，创业活动的影响因素随着时代发展而变化，知识经济时代，城市知识要素密集度提升，知识环境对创业活动的影响增加。已有研究主要集中在西方发达国家城市，而以中国城市为案例的研究较少。同时，以往研究中，城市知识环境测度指标过于综合，未聚焦于城市知识特征，对城市知识环境影响创业活动的作用机理及异质性研究存在不足。因此，本文基于上述城市知识环境定义和已有研究基础，从知识存量和知识基础设施2方面，构建城市知识环境指数，探讨中国城市知识环境对创业活动的影响（图1）。

显示原图|下载原图ZIP|生成PPT

图1 城市知识环境对创业活动影响的理论分析框架

Fig.1 Theoretical analysis framework of urban knowledge environment on entrepreneurship

2 研究方法、指标体系及数据来源

2.1　城市知识环境评价指标和方法

从知识存量和知识基础设施2方面，对城市知识环境水平进行评价（表1）。1）知识存量指标，参考李志宏等（2013）的研究，选择专利、论文、图书等数据表示。2）知识基础设施指标，在借鉴王艳（2007）研究的基础上，采用城市高等院校、研究机构、图书馆、科技馆、博物馆、天文馆、美术馆的POI数据表示。

表1 城市知识环境和创业活动评价指标体系

Table 1 Evaluation index system of urban knowledge environment and entrepreneurship

一级指标	二级指标	指标表示	数据来源
城市知识环境	知识存量	专利授权数量/个	国家知识产权局（https：//www.cnipa.gov.cn/）
		论文数量/篇	中国知网（https：//www.cnki.net/）
		图书数量/千册	《中国城市统计年鉴》（国家统计局城市社会经济调查司，2016）
	知识基础设施	高等院校、研究机构、图书馆、科技馆、博物馆、天文馆、美术馆的数量/个	百度地图POI开放平台（https：//lbsyun.baidu.com/）
创业活动	新企业	新注册企业数量/个	爱企查官网（https：//aiqicha.baidu.com/？from=pz）
	企业精英	独角兽企业数量/个	中国独角兽官网（https：//www.chinagazelle.cn/unicorn/index）
	企业精英	瞪羚企业数量/个	中国独角兽官网（https：//www.chinagazelle.cn/unicorn/index）

采用Pena Distance（也称为“DP2”）方法分析以上指标数据，计算城市知识环境（Urban Knowledge Environment）指数，记为UKE。该方法克服了传统方法如主成分分析法和数据包络分析法，在指标复合计算中权重分配的任意性、信息冗余等缺陷（Penco et al., 2019），具有特定优势。Pena Distance表达式为：

D P 2 (j) = ∑ i = 1 n [(d i j σ i) (1 - R 2 i, i - 1, . . . 1)]

（1）

式中：i是变量，i =1, 2,…, n；n是变量个数；j是样本城市，j=1, 2…, m；m是城市数量；

d i j = x j i - x * i

，d_ij 表示样本城市j在变量i方面，与变量i基准参考值的偏离程度；

x * i

是变量i的基准参考，通常选择0或者最小值，本文选择0作为基准参考值，即

x * i

=0。

x j i

是变量i在城市j中的值；

σ i

是变量i的标准差；

R 2 i, i - 1, ⋯ 1

是

x i

与

x i - 1

，

x i - 2

，…，

x 1

线性回归的系数，其中，

R 1 2

=0。

2.2　城市创业活动评价指标和方法

较多研究选取私营企业创业指数、自我雇佣比率、企业所有权比率、企业进入率和退出率、新企业成立数量、每万人拥有的中小企业数量等指标测度城市创业活动（郭琪等，2014；杨晨等，2021）。近年来，国外研究选取每千名工作年龄人口中新注册企业数量和独角兽企业数量评估城市创业活动（Henrekson et al., 2020; Kotha et al., 2022）。因此，借鉴已有研究（Penco et al., 2020），结合中国城市企业现实情况，采用新注册企业、独角兽企业及瞪羚企业的数量测度城市创业活动（Entrepreneurship）指数，并使用Pena Distance方法进行计算，记为ENP。

2.3　空间计量模型

空间计量模型可以较好地反映解释变量在空间层面产生的影响，本文采用此模型方法来分析城市知识环境对创业活动的影响。构建如下基本模型：

l n E N P i = α 0 + α 1 l n U K E i + α 2 l n C o n t r o l i + u i

（2）

式中：

E N P i

表示第i个城市创业活动指数，作为本研究的被解释变量。

U K E i

表示第i个城市知识环境指数，作为本研究的核心解释变量。Control _i 表示第i个城市控制变量。

α 1

、

α 2

分别为核心解释变量和控制变量对城市创业活动的回归估计系数；

α 0

为截距项。

u i

为随机扰动项。

模型中控制变量设定如下（表2）：HR为人力资源（Human Resources），代表开展创业活动的潜在企业家，使用每万人口中拥有大学及以上学历的人口数量表示；VC为创业资本（Venture Capital），创业者自身拥有的资本积累是创业初期资金的重要来源，参考已有研究（丁玥等，2017），采用城乡居民储蓄年末余额占GDP比重表示；MS为市场规模（Market Scale），市场规模越大、需求越多，吸引更多的人选择创业，采用城市年平均人口表示；BE为营商环境（Business Environment），选取城市商业信用环境指数，反映城市市场信用交易和营商环境状况；CD为文化多样性（Cultural Diversity），地区创业活跃程度与当地社会文化有较大关系，借鉴已有研究（Lyu et al., 2019），采用迁移人口来源城市多样性表征城市文化多样性，并使用改进的赫芬达尔指数测度迁移人口来源城市多样性。

表2 模型变量指标和数据来源

Table 2 Model variable indicators and data sources

变量名称	变量指标	变量表示	数据来源
被解释变量	城市创业活动指数（ENP）	城市创业活动综合得分	由城市创业活动评价指标计算
核心解释变量	城市知识环境指数（UKE）	城市知识环境综合得分	由城市知识环境评价指标计算
控制变量	人力资源（HR）	每万人口中拥有大学及以上学历人口数	根据第六次全国人口普查和2015年全国1% 人口抽样调查计算
	创业资本（VC）	城乡居民储蓄年末余额占GDP比重	《中国城市统计年鉴》（国家统计局城市社会经济调查司，2016）
	市场规模（MS）	城市年平均人口	《中国城市统计年鉴》（国家统计局城市社会经济调查司，2016）
	营商环境（BS）	城市商业信用环境指数	中国市场信用网（http：//www.chinacei.org/）
	文化多样性（CD）	迁移人口来源城市多样性	腾讯位置服务（https：//heat.qq.com/qianxi.php）

已有研究表明创业活动具有空间相关性（杨晨等，2021），因此，为探讨城市知识环境对创业活动的空间效应，在式（2）中引入空间变量，构建空间计量模型，并进一步判断出最适合本研究的模型，具体计算公式和判断方法详见参考文献（丁玥等，2017）。

2.4　数据来源

以中国城市为研究单元，所需数据来源见表1、2所示。囿于大学及以上学历人口数据来源于人口普查和抽样调查资料，2020年的商业信用环境等相关数据获取受限。因此，为包含尽可能多的样本城市，选择2015年度数据作为研究基础，以中国275个地级及以上城市为研究对象，香港、澳门和台湾未包含在内。

3 结果与分析

3.1　中国城市知识环境特征

依据自然间断点分级法，将城市知识环境指数划分为5级（图2）。城市知识环境高水平的城市有31个，包括北京、上海、广州、南京等城市；处于较高水平的城市有54个，包括南通、兰州、厦门、乌鲁木齐等城市；一般水平的城市有77个，包括泰安、大庆、阜阳等城市；较低水平的城市有75个，包括渭南、荆门、舟山等城市；低水平的城市有38个，包括广安、石嘴山、武威等城市。城市知识环境指数最高水平与最低水平相差6.22，说明中国城市知识环境水平分布不平衡，差距较大，未来应提高落后地区的城市知识环境水平。

显示原图|下载原图ZIP|生成PPT

图2 中国城市知识环境指数空间格局

注：该图基于国家测绘地理信息局标准地图服务网站下载的审图号GS（2020）4619的标准地图制作，底图无修改。

Fig.2 Spatial Patterns of knowledge environment index in Chinese cities

中国城市知识环境水平呈现以下特征：1）东部沿海地区城市知识环境指数相对较高，中部和西部城市知识环境指数相对较低。2）京津冀城市群、山东半岛城市群、长三角城市群、珠三角城市群、成渝城市群等主要城市群的城市具有较高城市知识环境水平。3）直辖市、副省级城市、省会城市的知识环境水平最高，一般地级市的知识环境水平较低。这可能是由于东部和行政级别较高的城市，经济水平和科技创新发展较快，高水平的大学和研究机构集聚，吸引了大量高学历人才，产生更多的知识存量，从而促进城市知识环境水平提升。

3.2　回归结果分析

3.2.1　全部样本回归结果

全部样本分析结果（表3）显示，由模型判断方法得出空间误差模型是最合适的模型，城市知识环境指数在1%统计水平上显著，系数为0.239，表明在其他变量得到控制的情况下，城市知识环境指数每提高1%，城市创业活动将增加0.239%。城市知识环境对创业活动存在正效应，城市知识环境指数越高，创业活动越活跃。其他控制变量，人力资源和市场规模均在1%水平上显著，系数分别为0.196和0.732，反映人力资源和市场规模对创业活动具有显著促进作用。文化多样性在5%水平显著，系数为0.821，说明文化多样性对创业活动有积极影响。创业资本和营商环境变量虽未通过10%显著性检验，但不表示两者对创业活动没有影响，后续还需进一步分析；由其回归系数分别为0.034和0.763，说明创业资本和营商环境均与创业活动存在正向联系。

表3 城市知识环境对创业活动的回归结果

Table 3 Regression results of urban knowledge environment on entrepreneurship

变量		OLS		SLM		SEM		统计值	P值
变量		系数	P值	系数	P值	系数	P值	统计值	P值
lnUKE		0.241^***	0.000	0.244^***	0.000	0.239^***	0.000	—	—
lnHR		0.260^***	0.001	0.246^***	0.001	0.196^***	0.009	—	—
lnVC		0.041^**	0.048	0.020	0.338	0.034	0.121	—	—
lnMS		0.661^***	0.000	0.647^***	0.000	0.732^***	0.000	—	—
lnBS		0.756	0.392	0.971	0.254	0.763	0.381	—	—
lnCD		0.365	0.364	0.525	0.175	0.821^**	0.034	—	—
常数项		-10.582	0.004	-11.178	0.001	-10.257	0.004	—	—
样本量/个		275	—	275	—	275	—	—	—
ρ		—	—	0.141	—	—	—	—	—
λ		—	—	—	—	0.365	—	—	—
R ²		0.845	—	0.853	—	0.859	—	—	—
Loglikelihood		-133.204	—	-127.045	—	-125.153	—	—	—
AIC		280.407	—	270.089	—	264.306	—	—	—
SC		305.725	—	299.023	—	289.623	—	—	—
残差空间依赖检验	Moran's I	—	—	—	—	—	—	4.028	0.000
	LM-Lag	—	—	—	—	—	—	12.886	0.000
	RobustLM-Lag	—	—	—	—	—	—	4.330	0.037
	LM-Error	—	—	—	—	—	—	13.870	0.000
	RobustLM-Error	—	—	—	—	—	—	5.313	0.02

注： ^*、^**、^***分别表示在10%、5%、1%的统计水平显著；表4同。

城市知识环境的分指标，知识存量（模型1）和知识基础设施（模型2）对创业活动的影响见表4所示。空间误差模型显示，知识存量指数和知识基础设施指数均显著为正，说明知识存量和知识基础设施对创业活动均有积极促进作用。其中，知识存量指数在1%水平上显著，系数为0.209，说明知识存量对创业活动具有显著促进作用，即具有更多知识存量的城市，创业活动越活跃。知识基础设施也在1%水平显著，系数为0.153，表明知识基础设施对创业活动也存在显著促进效应。进一步发现，知识存量的系数高于知识基础设施的系数，这可能是因为具有编码形式的知识存量容易被创业者吸收，而知识基础设施溢出的隐性知识不能全部被显性化表示，需要创业者领悟体会后，将其转化成个人能力，再应用到创业中。

表4 知识存量和知识基础设施对创业活动的估计结果

Table 4 Estimates of knowledge stock and knowledge infrastructure on entrepreneurship

变量	模型1		模型2
变量	系数	P值	系数	P值
lnKS	0.209^***	0.000	—	—
lnKI	—	—	0.153^***	0.003
lnHR	0.280^***	0.000	0.270^***	0.000
lnVC	0.037_*	0.085	0.043^**	0.048
lnMS	0.693^***	0.000	0.739^***	0.000
lnBS	0.532	0.544	0.770	0.382
lnCD	0.723^*	0.065	0.894^**	0.022
常数项	-9.978	0.005	-11.160	0.002
样本量/个	275	—	275	—
λ	0.305	—	0.376	—
R²	0.856	—	0.855	—
Loglikelihood	-126.251	—	-128.465	—
AIC	266.501	—	270.929	—
SC	291.819	—	296.247	—

3.2.2　空间异质性分析

由于地区发展阶段、经济水平、社会文化、人力资源、市场环境等条件不同，城市知识环境水平和创业活动水平在空间分布上存在较大差异。因而，不同区域、不同层级的城市知识环境对创业活动的影响，可能存在空间异质性。为此，在区域上将城市分为东部、中西部；在层级上，将直辖市、副省级城市和省会城市记为重点城市，其他地级市记为一般城市。

空间异质性分析结果（表5）显示，东部的LM-Error、LM-Lag、Robust LM-Error、Robust LM-Lag均显著，进一步比较SLM和SEM两个模型的拟合优度（R² ），最后判断得出，东部最优模型为SEM；中西部为SEM；重点城市的残差项未通过显著性检验，即空间效应不显著，因此选择OLS模型；而一般城市的最优模型为SEM。由结果可知，城市知识环境指数在东部、中西部、重点城市和一般城市均在1%统计水平上显著，且系数均为正，说明城市知识环境对创业活动具有显著促进作用。城市知识环境指数的回归系数在东部、中西部城市、重点城市和一般城市存在较大差异，分别为0.207、0.214、0.727和0.228，表明东部、中西部、重点城市、一般城市的城市知识环境指数每提高1%，对应的城市创业活动分别增加0.207%、0.214%、0.727%和0.228%。其中，重点城市的城市知识环境指数提高带来的创业活动增加最多，比东部、中西部、一般城市要高出近2倍，系数值也高于全部样本回归的0.239。这可能是由于直辖市、副省级城市和省会城市的知识存量较多，知识基础设施集聚，在知识主体的相互交流作用下形成大量高价值、多样化的知识，这些知识通过扩散、溢出等方式，产生较多的创业机会，为创业活动提供更多的资源和服务，促进创业活动的产生。

表5 城市知识环境对创业活动的空间异质性分析结果

Table 5 Analysis results of spatial heterogeneity of urban knowledge environment on entrepreneurship

变量	东部			中西部			重点城市			一般城市
变量	OLS	SLM	SEM	OLS	SLM	SEM	OLS	SLM	SEM	OLS	SLM	SEM
lnUKE	0.226^** （0.044）	0.138 （0.153）	0.207^** （0.034）	0.189^** （0.014）	0.187^** （0.013）	0.214^*** （0.004）	0.727^** （0.030）	0.715^** （0.013）	0.702^** （0.014）	0.228^*** （0.000）	0.233^*** （0.000）	0.228^*** （0.000）
lnHR	0.257^** （0.033）	0.269^*** （0.008）	0.178 （0.111）	0.264^*** （0.005）	0.265^*** （0.004）	0.198^** （0.034）	-0.140 （0.691）	-0.123 （0.700）	-0.117 （0.705）	0.311^*** （0.000）	0.291^*** （0.000）	0.254^*** （0.001）
lnVC	0.161^*** （0.001）	0.167^*** （0.000）	0.192^*** （0.000）	-0.005 （0.828）	-0.005 （0.842）	-0.005 （0.831）	0.127 （0.161）	0.128 （0.101）	0.131 （0.107）	0.028 （0.183）	0.018 （0.406）	0.028 （0.213）
lnMS	0.572^*** （0.000）	0.598^*** （0.000）	0.635^*** （0.000）	0.738^*** （0.000）	0.739^*** （0.000）	0.794^*** （0.000）	0.237 （0.205）	0.238 （0.141）	0.245 （0.131）	0.685^*** （0.000）	0.676^*** （0.000）	0.740^*** （0.000）
lnBS	2.201 （0.148）	2.409^* （0.061）	2.232^* （0.086）	0.069 （0.948）	0.059 （0.955）	0.203 （0.848）	2.631 （0.333）	2.627 （0.267）	2.629 （0.264）	1.812 （0.110）	1.611 （0.145）	1.545 （0.164）
lnCD	0.048 （0.959）	0.434 （0.591）	-0.662 （0.465）	0.431 （0.315）	0.424 （0.315）	0.789^* （0.060）	-0.276 （0.926）	-0.279 （0.915）	0.032 （0.990）	0.294 （0.465）	0.233 （0.557）	0.658^* （0.097）
常数项	-15.977	-17.014	-15.611	-8.391	-8.376	-8.468	-11.26	-11.448	-11.527	-15.811	-14.635	-14.316
样本量/个	99	99	99	176	176	176	33	33	33	242	242	242
ρ	—	0.282	—	—	-0.005	—	—	-0.023	—	—	0.093	—
λ	—	—	0.554	—	—	0.241	—	—	-0.11	—	—	0.293
R²	0.856	0.887	0.891	0.834	0.834	0.840	0.793	0.793	0.794	0.797	0.800	0.810
Loglikelihood	-39.316	-28.221	-30.022	-78.828	-78.824	-76.440	-11.122	-11.102	-11.080	-112.248	-110.148	-106.855
AIC	92.632	72.442	74.045	171.655	173.647	166.880	36.243	38.204	36.161	238.495	236.295	227.710
SC	110.798	93.203	92.210	193.848	199.011	189.073	46.719	50.176	46.636	262.918	264.207	252.132
Moran's I	4.587^*** （0.000）	—	—	2.322^** （0.020）	—	—	-0.281 （0.779）	—	—	3.404^*** （0.001）	—	—
LM-Lag	24.709^*** （0.000）	—	—	0.007 （0.931）	—	—	0.050 （0.823）	—	—	4.232^** （0.040）	—	—
RobustLM-Lag	11.917^*** （0.001）	—	—	1.714 （0.190）	—	—	0.018 （0.892）	—	—	0.275 （0.600）	—	—
LM-Error	15.758^*** （0.000）	—	—	4.150^** （0.042）	—	—	0.069 （0.792）	—	—	9.582^*** （0.002）	—	—
RobustLM-Error	2.966^* （0.085）	—	—	5.857^** （0.016）	—	—	0.038 （0.846）	—	—	5.625^** （0.018）	—	—

注：1）^*、^**、^***分别表示在10%、5%、1%的统计水平显著；2）括号内为P值。表6同。

其他控制变量在不同区域、不同层级的城市也具有异质性。如人力资源在中西部和一般城市的回归系数均显著且为正，说明在中西部和一般城市地区增加人力资源对创业活动有正向作用；而在东部和重点城市不显著，这可能是因为这些城市拥有的企业数量多，就业机会多，在就业得到满足的情况下，潜在创业者可能考虑到市场竞争激烈和创业风险成本，创业意愿下降，选择就业的可能性比较大。市场规模在东部、中西部的影响均在1%统计水平显著，且系数均为正，分别为0.635和0.794，说明提高东部、中西部的市场规模均能有效促进城市创业活动，但其效应存在区域差异，中西部城市提高市场规模产生的创业活动效应更强。

同理，得出城市知识存量和知识基础设施对创业活动影响的异质性分析结果（表6），可知，在不同区域、不同层级的城市知识存量和知识基础设施对创业活动的作用程度不同，但两者均对创业活动具有促进作用，与上文分析结果保持一致，各变量均显著且正负方向未发生变化，表明本研究结果具有一定的稳健性。

表6 知识存量和知识基础设施对创业活动的异质性分析结果

Table 6 Analysis results of spatial heterogeneity of urban knowledge stock and knowledge infrastructure on entrepreneurship

变量	东部		中西部		重点城市		一般城市
变量	模型3	模型4	模型5	模型6	模型7	模型8	模型9	模型10
lnKS	0.159^*（0.068）	—	0.126^*（0.082）	—	0.378^**（0.040）	—	0.183^***（0.002）	—
lnKI	—	0.106^*（0.065）	—	0.165^***（0.007）	—	0.265^*（0.055）	—	0.160^***（0.002）
控制变量	控制	控制	控制	控制	控制	控制	控制	控制
样本量/个	99	99	176	176	33	33	242	242
R²	0.855	0.851	0.834	0.839	0.789	0.760	0.805	0.806

4 结论与政策启示

以中国275个地级及以上城市为案例，分析了中国城市知识环境空间分布特征，并采用空间回归模型方法，探讨了中国城市知识环境对创业活动的影响及其空间异质性，主要结论有：

1）中国城市知识环境指数空间格局呈现东中西部依次下降，直辖市、副省级城市、省会城市及主要城市群的城市具有较高的知识环境指数。东部和行政级别较高的城市，聚集大量高学历人才、高水平大学和研究机构等知识源，在知识主体之间相互交流的作用下形成大量高价值和多样化的知识，促进城市知识环境水平提升。

2）中国城市知识环境对创业活动存在显著促进作用。在其他因素得到控制的情况下，城市知识环境指数每提高1%，创业活动将增加0.239%。城市知识环境中的知识存量和知识基础设施均对创业活动具有促进作用，相比较来说，前者对城市创业活动的促进作用程度较大。

3）城市知识环境对创业活动的影响存在空间异质性，城市知识环境带来的边际效应，在不同区域、不同层级的城市之间存在着较大差异。省会及以上行政级别的城市知识环境水平提高，带来的创业活动比东部、中西部、地级市要高出近2倍。

在当前知识经济时代背景下，城市知识环境对创业活动的影响不断增加，本研究结论具有一定的理论意义及实践价值。1）相比以往研究，本研究聚焦于城市知识特征，构建了更加简洁且具有针对性的关键指标来测度城市知识环境。2）以往对城市创业活动的影响因素研究，较多是基于传统影响因素分析。而本研究立足于城市知识视角，探讨了城市知识环境对创业活动的影响，拓展了知识经济时代背景下关于知识环境要素对创业活动作用的理论研究。3）本研究的实践价值体现在，通过对中国城市的案例检验及将异质性纳入分析，完善了城市知识环境对创业活动的空间影响效应，为知识经济时代创业活动的影响因素研究补充案例，对未来如何发展城市创业具有一定的指导作用。

本研究的政策启示意义：知识经济时代，城市知识环境对创业活动存在显著促进作用，因此，未来推动创业发展的一个重要举措是通过改善并提升城市知识环境水平，为创业者提供更多的知识获得与应用机会，进而促进城市创新创业发展。城市知识环境对创业活动的空间异质性分析说明，一些具有较高知识环境水平的重点城市，应进一步提升城市知识环境的档次与质量，迈向世界的“知识港”“创新港”，努力打造成为全球顶级的创新创业生态城市。中国中西部城市知识环境水平较差，未来应增加本地知识存量，加强创新知识基础设施建设，将改善并提升城市知识环境水平作为推动城市创业发展的重要战略措施。另外，在国家整体层面上，应为不同区域、不同城市的知识要素流动和产学研合作，提供创新创业协同平台，形成一体化的发展，带动中西部城市创业发展。

本研究虽然在一定程度上揭示了影响中国城市创业活动空间分布的知识环境因素及规律特征，但也存在一些不足：由于数据获取受限，仅选择横截面数据，未来还需利用时间序列数据并结合城市知识流动和网络外部性进行深入分析。

脚注

吕拉昌：确定研究框架、论文撰写与修改指导；

赵彩云：数据获取与分析、论文撰写与修改。

参考文献

原文顺序 | 文献年度倒序 | 文中引用次数倒序

Acs Z J, Braunerhjelm P, Audretsch D B, and Carlsson B. 2009. The Knowledge Spillover Theory of Entrepreneurship. Small Business Economics, 32(1): 15-30.

Audretsch D B, Heger D, and Veith T. 2015. Infrastructure and Entrepreneurship. Small Business Economics, 44(2): 219-230.

Bathelt H, Malmberg A, and Maskell P. 2004. Clusters and Knowledge: Local Buzz, Global Pipelines and the Process of Knowledge Creation. Progress in Human Geography, 28(1): 31-56.

Davari A, Ramezanpor Nargesi G, Afrasiabi R, and Davari E. 2018. Effect of Entrepreneurship and Business Environment Policies on Entrepreneurship Development. Journal of Entrepreneurship Development, 11(2): 321-339.

Del Bosco B, Mazzucchelli A, Chierici R, and Di Gregorio A. 2021. Innovative Startup Creation: The Effect of Local Factors and Demographic Characteristics of Entrepreneurs. International Entrepreneurship and Management Journal, 17(1): 145-164.

Delgado M, Porter M E, and Stern S. 2010. Clusters and Entrepreneurship. Journal of Economic Geography, 10(4): 495-518.

丁玥，朱华晟，贺清灿. 2017. 广东省创业活动的地区差异及其影响因素. 经济地理，37（11）：92-98.

Ding Yue, Zhu Huasheng, and He Qingcan. 2017. The Regional Differences and Determinants of Entrepreneurship in Guangdong Province: Based on Spatial Autocorrelation Analysis. Economic Geography, 37(11): 92-98.

Edvardsson I R, Yigitcanlar T, and Pancholi S. 2016. Knowledge City Research and Practice Under the Microscope: A Review of Empirical Findings. Knowledge Management Research & Practice, 14(4): 537-564.

Florida R, Adler P, and Mellander C. 2017. The City As Innovation Machine. Regional Studies, 51(1): 86-96.

Fogel G. 2001. An Analysis of Entrepreneurial Environment and Enterprise Development in Hungary. Journal of Small Business Management, 39(1): 103-109.

符文颖. 2018. 地方创业与产业集群互动关系的研究进展与展望. 地理科学进展，37（6）：739-749.

Fu Wenying. 2018. Research Progress and Prospect on the Relationship between Industrial Clusters and Local Entrepreneurship. Progress in Geography, 37(6): 739-749.

Ghio N, Guerini M, Lehmann E E, and Rossi-Lamastra C. 2014. The Emergence of the Knowledge Spillover Theory of Entrepreneurship. Small Business Economics, 44(1): 1-18.

Guerrero M, Urbano D, and Fayolle A. 2016. Entrepreneurial Activity and Regional Competitiveness: Evidence from European Entrepreneurial Universities. The Journal of Technology Transfer, 41(1): 105-131.

国家统计局城市社会经济调查司. 2016. 中国城市统计年鉴. 北京：中国统计出版社.

Urban Socio-Economic Investigation Department, National Bureau of Statistics. 2016. China City Statistical Yearbook. Beijing: China Statistics Press.

郭琪，贺灿飞，史进. 2014. 空间集聚、市场结构对城市创业精神的影响研究——基于2001—2007年中国制造业的数据. 中国软科学，（5）：107-117.

Guo Qi, He Canfei, and Shi Jin. 2014. The Influence of Agglomeration and Market Structure on Urban Entrepreneurship in China. China Soft Science, (5): 107-117.

郭润萍. 2016. 手段导向、知识获取与新企业创业能力的实证研究. 管理科学，29（3）：13-23.

Guo Runping. 2016. An Empirical Study on Effectuation, Knowledge Acquisition and Entrepreneurial Capability of New Ventures. Journal of Management Science, 29(3): 13-23.

Henrekson M, and Sanandaji T. 2020. Measuring Entrepreneurship: Do Established Metrics Capture Schumpeterian Entrepreneurship?. Entrepreneurship Theory and Practice, 44(4): 733-760.

Iftikhar M N, Ahmad M, and Audretsch D B. 2020. The Knowledge Spillover Theory of Entrepreneurship: The Developing Country Context. International Entrepreneurship and Management Journal, 16(4): 1327-1346.

Knight R V. 1995. Knowledge-Based Development: Policy and Planning Implications for Cities. Urban Studies, 32(2): 225-260.

Kotha S, Shin S J, and Fisher G. 2022. Time to Unicorn Status: An Exploratory Examination of New Ventures with Extreme Valuations. Strategic Entrepreneurship Journal, 16(3): 460-490.

李志宏，王娜，马倩. 2013. 基于空间计量的区域间创新行为知识溢出分析. 科研管理，34（6）：9-16.

Li Zhihong, Wang Na, and Ma Qian. 2013. Knowledge Spillovers Analysis on Interregional Innovative Behaviors Based on Spatial Measurement. Science Research Management, 34(6): 9-16.

Lounsbury M, Cornelissen J, Granqvist N, and Grodal S. 2019. Culture, Innovation and Entrepreneurship. Innovation, 21(1): 1-12.

Lyu L, Sun F, and Huang R. 2019. Innovation-Based Urbanization: Evidence from 270 Cities at the Prefecture Level or Above in China. Journal of Geographical Sciences, 29(8): 1283-1299.

Marks J, Dawa S, and Kanyemba S. 2020. Transnational Entrepreneurship in Sub-Saharan Africa: An Absorptive Capacity Theory of Knowledge Spillover Entrepreneurship Perspective. Journal of Entrepreneurship and Innovation in Emerging Economies, 6(1): 114-139.

Mayr S, Mitter C, Kücher A, and Duller C. 2021. Entrepreneur Characteristics and Differences in Reasons for Business Failure: Evidence from Bankrupt Austrian SMEs. Journal of Small Business & Entrepreneurship, 33(5): 539-558.

Mi Z, Shang Y, and Zeng G. 2022. The Impact of Knowledge Base on Technological Innovation of Emerging Industries from the Perspective of Related Variety: A Case Study of China's Fuel Cell Industry. Growth and Change, 53(1): 57-75.

Pancholi S, Yigitcanlar T, and Guaralda M. 2014. Urban Knowledge and Innovation Spaces: Concepts, Conditions and Contexts. Asia Pacific Journal of Innovation and Entrepreneurship, 8(1): 15-38.

Penco L, Ivaldi E, Bruzzi C, and Musso E. 2019. Entrepreneurship and the Cities in a Knowledge-Based Perspective: Evidences from EU. EuroMed Journal of Business, 14(3): 189-208.

Penco L, Ivaldi E, Bruzzi C, and Musso E. 2020. Knowledge-Based Urban Environments and Entrepreneurship:Inside EU Cities. Cities, 96: 102443.

Qian H, and Acs Z J. 2013. An Absorptive Capacity Theory of Knowledge Spillover Ereprennteurship. Small Business Economics, 40(2): 185-197.

Qian H. 2017. Knowledge Base Differentiation in Urban Systems of Innovation and Entrepreneurship. Urban Studies, 54(7): 1655-1672.

齐玮娜，张耀辉. 2014. 创业、知识溢出与区域经济增长差异——基于中国30个省市区面板数据的实证分析. 经济与管理研究，（9）：23-31.

Qi Weina, and Zhang Yaohui. 2014. Entrepreneurship, Knowledge Spillover and Regional Economic Growth Difference-An Empirical Analysis Based on Panel Data of 30 Provinces in China. Research on Economics and Management, (9): 23-31.

Sambharya R, and Musteen M. 2014. Institutional Environment and Entrepreneurship: An Empirical Study Across Countries. Journal of International Entrepreneurship, 12(4): 314-330.

Sobel R S, Dutta N, and Roy S. 2010. Does Cultural Diversity Increase the Rate of Entrepreneurship?. The Review of Austrian Economics, 23(3): 269-286.

孙启新，吴欣彦，颜振军，李建清. 2021. 创业孵化知识溢出的效果与差异. 科学学与科学技术管理，42（12）：113-129.

Sun Qixin, Wu Xinyan,Yan Zhenjun, and Li Jianqing. 2021. Effects and Differences of Knowledge Spillovers in Business Incubation. Science of Science and Management of S.& T, 42(12): 113-129.

Tajpour M, and Hosseini E. 2019. The Effect of Human and Social Capital on Entrepreneurial Activities: A Case Study of Iran and Implications. Entrepreneurship and Sustainability Issues, 6(3): 1393-1403.

王艳. 2007. 知识基础设施与城市竞争力关系的实证研究. 南京：南京航空航天大学.

WangYan. 2007. Empirical Study on Relationships between Knowledge Infrastructure and Urban Competitiveness. Nanjing: Nanjing University of Aeronautics and Astronautics.

杨晨，谢守红，甘晨. 2021. 中国私营企业创业活动的空间差异及影响因素. 经济地理，41（11）：141-148.

Yang Chen, Xie Shouhong, and Gan Chen. 2021. Spatial Differences and Its Influencing Factors of Entrepreneurship Activity of Chinese Private Enterprises. Economic Geography, 41(11): 141-148.

Yigitcanlar T. 2011. Position Paper: Redefining Knowledge-Based Urban Development. International Journal of Knowledge-Based Development, 2(4): 340-356.

Yin Z, Gong X, Guo P, and Wu T. 2019. What Drives Entrepreneurship in Digital Economy? Evidence from China. Economic Modelling, 82: 66-73.

Ylinenpää H. 2009. Entrepreneurship and Innovation Systems: Towards a Development of the ERIS/IRIS Concept. European Planning Studies, 17(8): 1153-1170.

Options

文章导航

模态框（Modal）标题