1. 引言
在全球化竞争加剧与技术创新驱动发展的背景下，出口产品质量已成为衡量国家与区域经济竞争力的重要指标(Hallak & Schott, 2011) [1]。出口产品质量不仅反映了一国产业升级和技术进步的水平，更直接关联到国际市场份额的争夺与贸易利益的分配(Schott, 2004) [2]。因此，提升出口产品质量是中国推动质量变革、打造贸易强国的重要内容。但与迅速腾飞的出口贸易规模相比，中国的出口产品质量仍然与世界主要发达国家之间存在不同程度的差距(Feenstra & Romalis, 2014) [3]。现阶段，加大力度破局出口贸易“大而不强”的境况，填补“质量缺口”成为经济发展的主攻方向(王一鸣，2020) [4]。
技术创新是驱动出口产品质量升级的核心动力。现有研究表明，企业研发(施炳展，2013) [5]、国际技术合作(殷静然，2023) [6]以及区域知识溢出(张可，2019) [7]均能显著提升出口产品质量。
随着互联网、大数据等技术的突破，知识、技术与资本的跨区域流动日益频繁，城市群作为创新要素集聚的高地，其内部创新合作网络正成为技术扩散与质量升级的新载体。长三角地区作为中国创新能力最强的区域之一，其城市间技术协同、产业联动与政策对接的实践，为研究跨区域创新合作的经济效应提供了典型样本。Freeman (1991)最早提出了区域创新网络的概念[8]。区域内各创新主体在协同过程中会出现协同创新效应，区域合作过程中会产出空间关联效应，在演化过程中共同构成了区域创新网络。创新是推动城市群经济增长和区域协同发展的核心动力(Porter, 1998; Cooke, 1992；方创琳，等，2021) [9]-[11]。知识转移、人才流动等因素在城市群协同创新中的重要因素(Ma, 2022) [12]。城市群作为创新活动的主要集聚地，其创新能力对于区域经济的影响日益增强。多项研究指出，地理位置和经济发展水平对城市群协同创新有显著影响(Li et al., 2023；李琳和彭璨，2020) [13] [14]。地理邻近性和区域经济互补性促进了城市群内部和跨城市群的协同创新(Breschi & Lissoni, 2001；冯粲等，2023) [15] [16]。尤其对于长三角城市群这个复杂的经济体系，通过城市间的紧密合作和资源共享(彭翀等，2021) [17]，整体创新效率和经济竞争力的提升能促进城市间的协同创新发展。
尽管学术界对合作创新与出口质量的关系展开了一定探讨(卿陶，2020；刘信恒，2020；曲如晓和王陆舰，2023；韩亚峰和付芸嘉，2018) [18]-[21]。但现有研究仍存在不足：其一，理论视角多聚焦于企业或产业层面，对城市群等中观尺度创新合作的研究尚不充分；其二，实证分析多采用省级数据，忽略了地级市层面创新合作的异质性特征。
本文以长三角地级市为研究对象，利用2011~2020年中国工业企业数据库与中国海关数据库的匹配数据，构建出口产品质量数据，结合城市创新合作强度指标，系统考察城市创新合作对出口质量的影响机制。研究从理论层面拓展了协同创新与贸易质量的研究边界，揭示了城市群战略下质量升级的新路径；从实践层面为长三角一体化发展提供了政策启示，并为其他区域通过创新合作提升出口竞争力提供借鉴。通过填补现有文献空白，本文旨在为中国经济高质量发展提供兼具学术价值与现实意义的创新解决方案。
2. 理论框架与研究假设
城市创新合作对出口产品质量的影响可以被许多理论解释。一方面，2003年Chesbrough提出的开放式创新理论为城市创新合作提供了理论支撑，该理论强调城市在创新过程中不应局限于本地资源，而应构建开放型创新网络，通过与外部创新主体深度互动共同推进技术突破与产业升级。这种跨区域创新协作模式有效打破了行政边界对创新要素流动的制约，促使人才、资本、技术等关键要素在城市群内部形成自由流动的创新生态。通过构建跨城市创新共同体，各城市可充分挖掘区域创新资源潜力，在产业关键技术攻关、公共技术平台共建、创新政策协同等领域开展深度合作的过程中获取互补的创新资源，这些资源的共享与使用，能够极大地加快研发速度，缩短产品研发周期，并提高整体创新效率。同时，通过合作创新，合作城市能够接触到更多异质性的资源和信息，这有助于减少重复研究，避免资源的浪费，从而提高研发效率。在资源有限的情况下，高研发效率意味着企业能够在相同时间内扩大产出，加速新产品、新技术的诞生(李凡等，2022) [22]。研发效率的提升对于提升出口产品质量起着关键的作用(罗丽英和齐月，2016) [23]。
另一方面，知识溢出效应阐述了新知识既能促进本地区生产具有排他性的产品也能溢出到其他地区并促进这些地区的创新，这些创新的技术知识又会溢出从而形成不间断的城市间相互知识溢出，使得创新收益递增(Audretsch and Feldman, 1996) [24]。同时，知识溢出和创新合作的内生互动机制使得知识溢出影响着创新活动的空间分布，反过来创新活动的空间分布也会对知识溢出产生影响。知识溢出的存在促使创新活动空间集中，空间集中导致的地理邻近不仅降低了创新活动内在面临的成本，而且提高了地区间合作交流的可能性以及意识到最初重要知识价值的可能性，特别是降低了技术研发和商业化的成本，进而促进集群创新网络的发展和整体的创新能力(Jaffe et al., 1993; Audretsch & Feldman, 2004) [25] [26]。
因此基于以上分析，本文假设城市创新合作对出口产品质量有正向促进作用。
3. 研究数据与研究设计
3.1. 变量的定义与测量
3.1.1. 解释变量
解释变量为城市创新合作(inno)。本文采用城市发明专利申请量的对数对城市创新合作的程度进行刻画。相较于科技论文等传统创新指标，专利作为技术成果转化应用的载体，在科技创新生态中具有更显著的产业化导向特征。其中，发明专利因其技术突破性和市场转化潜力，在三类专利类型中占据核心地位，能够更精准地反映区域创新活动的实质性产出。基于此，本研究采用城市层面的专利合作网络数据作为创新合作的观测窗口：当同一专利申请涉及两个及以上非自然人主体时，即界定为创新合作行为。通过解析专利权人登记地址的地理信息，可进一步量化城市内部协同创新强度与跨城市创新联动规模。这种分析框架既凸显了专利作为知识生产向经济价值转化关键节点的属性，又通过合作网络的拓扑结构揭示了城市创新生态系统的互动特征。城市专利数据来源为incoPat全球专利数据库。
3.1.2. 被解释变量
被解释变量为出口产品质量(quality)。测算出口产品质量的国内外研究较为丰富(Hallak, 2006；张杰等，2014；李坤望等，2014) [27]-[29]，本文参考马淑琴(2018)和钞小静(2020) [30] [31]的做法，根据HS2位编码产品分类的出口贸易数据先计算各类产品的出口技术复杂度再加权计算出各地区出口产品质量后取对数。
3.1.3. 控制变量
本文借鉴了一系列出口产品质量影响因素的研究(杨航英和强永昌，2024；刘文革等，2024) [32] [33]，试图控制以下因素对出口产品质量的影响，控制变量包括：经济发展水平(gdp)，采用城市实际GDP衡量；对外开放水平(open)，采用城市实际使用外资金额与GDP之比衡量；融资约束程度(fin)，采用城市存贷款余额之比衡量；劳动力成本(wage)，采用城市城镇就业人员平均工资衡量；人力资本(human)，采用城市每百万人在校大学生人数衡量；产业结构(stru)，采用城市第三产业和第二产业的总产值之比衡量；信息化程度(infor)，采用城市互联网宽带接入用户数量与户籍人口之比衡量；基础设施建设(infra)，采用城市人均道路面积衡量；科研教育支出(tech)；采用城市教育科研支出与GDP之比衡量。本文在实证分析时将非比值变量进行对数化处理。控制变量如表1所示。
Table 1. Control variable table
表1. 控制变量表
变量 |
含义 |
度量方式 |
gdp |
经济发展水平 |
采用城市实际GDP的对数衡量 |
open |
对外开放水平 |
采用城市实际使用外资金额与GDP之比衡量 |
fin |
融资约束程度 |
采用城市存贷款余额之比衡量 |
wage |
劳动力成本 |
采用城市城镇就业人员平均工资衡量 |
human |
人力资本 |
采用城市每百万人在校大学生人数的对数衡量 |
stru |
产业结构 |
采用城市第三产业和第二产业的总产值之比衡量 |
infor |
信息化程度 |
采用城市互联网宽带接入用户数量与户籍人口之比衡量 |
infra |
基础设施建设 |
采用城市人均道路面积衡量 |
tech |
科研教育支出 |
采用城市教育科研支出与GDP之比衡量 |
3.2. 数据来源
本文所使用数据来源于中国海关数据库、中国互联网络信息中心、中国城市统计年鉴、incoPat全球专利数据库。
3.3. 模型设定
为检验城市创新合作对出口产品质量的正向促进作用，本文构建了以下模型：
其中，被解释变量
代表城市i在j年的出口产品质量；核心解释变量
表示i城市在j年的创新合作的程度。
是常数项，
是本文所关注的核心解释变量系数，
至
是控制变量向量的系数；
，
分别是城市固定效应以及年份固定效应;是随机扰动项，
包括未观测到影响出口产品质量的其他因素。
4. 实证结果与分析
4.1. 描述性统计
通过对变量的描述性统计(表2)，可以得知变量的平均值、标准差、最小值、中位数与最大值。样本覆盖了2011年至2020年期间41个长三角地级市的数量。其中，出口产品质量(quality)，均值12.876，标准差0.387，范围从11.883到14.049。这说明出口产品质量在不同城市间存在一定差异，但整体波动不大。城市创新合作(inno)的均值是4.271，标准差1.660，范围从0到8.064有些城市的创新合作指标为零，而最大值较高，说明城市间创新合作水平差异较大。控制变量方面，经济发展水平(gdp)，均值17.102，标准差0.956，范围从15.131到19.774，显示各城市GDP水平相近，波动较小。对外开放水平(open)，均值0.028，标准差0.018，范围0.002到0.093，表明不同城市的开放程度差异不大，但存在极端值。融资约束程度(fin)，均值0.770，标准差0.134，范围从0.408到1.100，波动较小。劳动力成本(wage)，均值11.069，标准差0.316，范围10.222到12.071，表明各城市劳动力成本较为集中。人力资本(human)，均值5.038，标准差0.857，范围2.890到7.148，显示不同城市间人力资本存在一定差异。产业结构(stru)，均值0.987，标准差0.339，范围0.313到2.751，表明不同城市间产业结构差异较大。信息化水平(info)，均值2.928，标准差1.832，范围0.323到9.224，波动较大，可能存在极端值。基础设施建设(infra)，均值22.697，标准差7.192，范围4.040到46.400，表明不同城市间基础设施水平差异显著。科研教育支出(tech)，均值0.034，标准差0.011，范围0.017到0.072，不同城市间投入或水平差异较小，但仍有波动。
Table 2. Descriptive statistics
表2. 描述性统计
VarName |
Obs |
Mean |
SD |
Min |
Median |
Max |
quality |
410 |
12.876 |
0.387 |
11.883 |
12.888 |
14.049 |
inno |
410 |
4.271 |
1.660 |
0.000 |
4.317 |
8.064 |
gdp |
410 |
17.102 |
0.956 |
15.131 |
17.114 |
19.774 |
open |
410 |
0.028 |
0.018 |
0.002 |
0.024 |
0.093 |
fin |
410 |
0.770 |
0.134 |
0.408 |
0.774 |
1.100 |
续表
wage |
410 |
11.069 |
0.316 |
10.222 |
11.072 |
12.071 |
human |
410 |
5.038 |
0.857 |
2.890 |
5.115 |
7.148 |
stru |
410 |
0.987 |
0.339 |
0.313 |
0.943 |
2.751 |
infor |
410 |
2.928 |
1.832 |
0.323 |
2.586 |
9.224 |
infra |
410 |
22.697 |
7.192 |
4.040 |
23.052 |
46.400 |
tech |
410 |
0.034 |
0.011 |
0.017 |
0.032 |
0.072 |
4.2. 相关性分析
通过相关性分析表(表3)，城市创新合作(inno)与出口产品质量(quality)的相关系数为0.6092，呈显著正相关，这初步支持了本文的假设，即城市创新合作会促进出口产品质量。同时，在进行共线性诊断后，发现VIF值均小于4，表明模型不存在严重的多重共线性。
Table 3. Correlation analysis table
表3. 相关性分析表
|
quality |
inno |
gdp |
open |
fin |
wage |
human |
stru |
infor |
infra |
tech |
quality |
1 |
|
|
|
|
|
|
|
|
|
|
inno |
0.6092* |
1 |
|
|
|
|
|
|
|
|
|
gdp |
0.5531* |
0.8884* |
1 |
|
|
|
|
|
|
|
|
open |
−0.1814* |
−0.0558 |
−0.0666 |
1 |
|
|
|
|
|
|
|
fin |
0.3147* |
0.3798* |
0.2869* |
−0.1212* |
1 |
|
|
|
|
|
|
wage |
0.8917* |
0.6353* |
0.5473* |
−0.1141* |
0.4340* |
1 |
|
|
|
|
|
human |
0.1247* |
0.4651* |
0.3882* |
0.1777* |
0.2176* |
0.2951* |
1 |
|
|
|
|
stru |
0.8368* |
0.5275* |
0.5185* |
−0.1861* |
0.1001* |
0.6864* |
0.1478* |
1 |
|
|
|
infor |
0.7077* |
0.7216* |
0.6869* |
−0.1227* |
0.5129* |
0.7897* |
0.4043* |
0.5444* |
1 |
|
|
infra |
0.00460 |
−0.1208* |
−0.1477* |
0.0260 |
0.0494 |
−0.0305 |
−0.4519* |
−0.1291* |
−0.0716 |
1 |
|
tech |
−0.0572 |
−0.5042* |
−0.4635* |
−0.0698 |
−0.3463* |
−0.1702* |
−0.4938* |
0.0523 |
−0.4409* |
0.0899 |
1 |
注：*p < 0.05。
4.3. 多元回归分析
为了检验城市创新合作对出口产品质量的影响，本文根据假设的模型进行了回归分析，回归结果如表4所示。其中第(1)列控制了城市与年份固定效应，在排除了一系列控制变量的情况下，创新合作(inno)的系数为0.03，且在1%的统计水平上显著。加入了一系列的控制变量后，第(2)列，第(3)列交替加入城市固定效应和年份固定效应后，创新合作(inno)的系数依旧为正且显著，第(4)列为去除双向固定效应后的结果。第(5)列在加入一系列控制变量以及双向固定效应后，城市创新合作(inno)的系数为0.023，且在1%的统计水平上显著。由列(1)~(5)的回归结果可知，城市创新合作均显著正向影响出口产品质量，表明城市创新合作是提升出口产品质量的关键因素。
Table 4. Correlation analysis table
表4. 多元回归分析表
VARIABLES |
(1) |
(2) |
(3) |
(4) |
(5) |
inno |
0.030*** |
0.013** |
0.032*** |
0.018** |
0.023*** |
|
(3.30) |
(2.24) |
(3.97) |
(2.33) |
(3.18) |
gdp |
|
0.024** |
0.593*** |
−0.005 |
0.077 |
|
|
(2.24) |
(9.07) |
(−0.36) |
(1.02) |
open |
|
−0.049 |
1.167** |
−0.123 |
0.741* |
|
|
(−0.19) |
(2.08) |
(−0.34) |
(1.93) |
fin |
|
0.052 |
−0.113 |
0.020 |
0.129* |
|
|
(1.33) |
(−1.48) |
(0.36) |
(1.79) |
wage |
|
0.171*** |
0.249*** |
0.716*** |
−0.312*** |
|
|
(3.06) |
(3.74) |
(17.95) |
(−4.85) |
human |
|
−0.036*** |
−0.028*** |
−0.066*** |
0.014 |
|
|
(−4.43) |
(−3.38) |
(−6.84) |
(1.16) |
stru |
|
0.495*** |
0.345*** |
0.463*** |
0.272*** |
|
|
(18.17) |
(5.43) |
(13.01) |
(4.91) |
infor |
|
0.009** |
0.014** |
0.007 |
−0.032*** |
|
|
(2.40) |
(2.30) |
(1.32) |
(−5.00) |
infra |
|
−0.003*** |
0.009*** |
0.001 |
0.004** |
|
|
(−3.13) |
(3.29) |
(0.85) |
(2.35) |
tech |
|
−1.010 |
4.849*** |
−0.113 |
2.186* |
|
|
(−1.57) |
(3.26) |
(−0.15) |
(1.77) |
Constant |
13.062*** |
9.960*** |
−1.762** |
4.784*** |
14.482*** |
|
(185.45) |
(15.70) |
(−2.19) |
(10.48) |
(8.98) |
Observations |
410 |
410 |
410 |
410 |
410 |
R-squared |
0.969 |
0.955 |
0.963 |
0.909 |
0.981 |
Year Effect |
YES |
YES |
NO |
NO |
YES |
Id Effect |
YES |
NO |
YES |
NO |
YES |
r2_a |
0.965 |
0.953 |
0.958 |
0.907 |
0.977 |
F |
278.4 |
451.2 |
274.5 |
371.9 |
520.8 |
注：***p < 0.01，**p < 0.05，*p < 0.1。
4.4. 稳健性检验
4.4.1. 缩尾处理
为证明结论的稳健性，本文通过缩尾处理以减少数据中的极端值对分析结果的影响。回归结果如表5所示，第(1)列在加入了一系列控制变量并控制了城市与年份固定效应后，城市创新合作系数为0.025，且在1%的统计水平上显著。表明城市创新合作对出口产品质量有显著正向影响。这与之前的相关性分析和回归分析结果一致，证实了城市创新合作在提升出口产品质量中的关键作用。
Table 5. Regression results
表5. 回归结果
VARIABLES |
(1) |
inno |
0.025*** |
|
(3.38) |
gdp |
0.238** |
|
(2.57) |
open |
0.870** |
|
(2.24) |
fin |
0.080 |
|
(1.15) |
wage |
−0.154** |
|
(−2.00) |
human |
0.011 |
|
(0.84) |
stru |
0.301*** |
|
(5.96) |
infor |
−0.027*** |
|
(−3.92) |
infra |
0.005*** |
|
(2.60) |
tech |
2.930** |
|
(2.15) |
Constant |
9.546*** |
|
(4.14) |
Observations |
410 |
R-squared |
0.978 |
Year Effect |
YES |
Industry Effect |
YES |
r2_a |
0.974 |
F |
506.7 |
注：***p < 0.01，**p < 0.05，*p < 0.1。
4.4.2. 替换变量
为了进一步证明模型的稳健性，本文将被解释变量出口产品质量(quality)替换为出口产品技术复杂度(tcf)。替换变量的测度方法参考相关文献(潘爽，2024) [34]。更换被解释变量后的结果如表6所示。第(5)列为在加入一系列控制变量以及双向固定效应后的结果，城市创新合作(inno)系数为0.027，且在1%的统计水平上显著。其余(1)~(4)列的城市创新合作(inno)系数也均为正，且大部分在统计上显著。其回归结果综合证明了本文的假设是稳健的。
Table 6. Replacement of explained variable measurement table
表6. 更换被解释变量衡量表
VARIABLES |
(1) |
(2) |
(3) |
(4) |
(5) |
inno |
0.035*** |
0.013** |
0.034*** |
0.016* |
0.027*** |
|
(3.43) |
(2.18) |
(3.84) |
(1.92) |
(3.32) |
gdp |
|
0.042*** |
0.638*** |
0.015 |
0.086 |
|
|
(3.76) |
(9.31) |
(1.01) |
(1.09) |
open |
|
0.136 |
1.645*** |
0.032 |
1.380*** |
|
|
(0.51) |
(2.79) |
(0.08) |
(3.47) |
fin |
|
−0.035 |
−0.167** |
−0.072 |
0.122* |
|
|
(−0.89) |
(−2.13) |
(−1.21) |
(1.66) |
wage |
|
0.143** |
0.236*** |
0.741*** |
−0.336*** |
|
|
(2.49) |
(3.25) |
(17.39) |
(−4.97) |
human |
|
−0.024*** |
−0.030*** |
−0.056*** |
0.012 |
|
|
(−2.92) |
(−3.30) |
(−5.54) |
(0.95) |
stru |
|
0.490*** |
0.340*** |
0.455*** |
0.279*** |
|
|
(17.43) |
(5.21) |
(11.97) |
(4.78) |
infor |
|
−0.005 |
0.002 |
−0.009* |
−0.040*** |
|
|
(−1.39) |
(0.24) |
(−1.65) |
(−6.08) |
infra |
|
−0.001 |
0.010*** |
0.003** |
0.005** |
|
|
(−1.33) |
(3.79) |
(2.24) |
(2.57) |
tech |
|
−1.898*** |
6.052*** |
−0.994 |
2.869** |
|
|
(−2.87) |
(3.91) |
(−1.26) |
(2.21) |
Constant |
10.205*** |
7.163*** |
−5.280*** |
1.430*** |
11.711*** |
|
(134.39) |
(10.83) |
(−6.50) |
(2.95) |
(7.01) |
Observations |
410 |
410 |
410 |
410 |
410 |
R-squared |
0.963 |
0.951 |
0.959 |
0.896 |
0.978 |
Year Effect |
YES |
YES |
NO |
NO |
YES |
Industry Effect |
YES |
NO |
YES |
NO |
YES |
r2_a |
0.957 |
0.949 |
0.953 |
0.893 |
0.974 |
F |
219.8 |
382.5 |
229.6 |
297.6 |
402.6 |
注：***p < 0.01，**p < 0.05，*p < 0.1。
4.5. 拓展分析
4.5.1. 空间计量分析
考虑到城市创新合作和出口产品质量在空间集聚和溢出效应特征，城市创新合作不仅直接影响本地出口产品质量，也会通过虹吸效应间接影响到周边地区出口产品质量提升(BALLAND, 2017) [35]。本文将空间因素纳入模型之中)。采用空间滞后模型(SAR)、空间误差模型(SEM)和空间杜宾模型(SDM)对空间溢出效应进行分析。
4.5.2. 空间相关性检验
通过空间自相关检验，验证空间计量回归的必要性。本文采用反距离矩阵和经济距离矩阵进行估计，出口产品质量的全局Moran’I指数结果如表7所示。2011~2020年出口产品质量的Moran’I指数通过了显著性水平检验，并且均为正，存在空间相关性。
Table 7. Moran’s I measurement table
表7. 空间自相关检验表
Year |
反距离权重 |
经济权重 |
2011 |
0.1081*** |
0.3714*** |
2012 |
0.1125*** |
0.3815*** |
2013 |
0.1130*** |
0.3878*** |
2014 |
0.1301*** |
0.4178*** |
2015 |
0.1217*** |
0.3570*** |
2016 |
0.1114*** |
0.3337*** |
2017 |
0.0705*** |
0.1862** |
2018 |
0.0694*** |
0.2402*** |
2019 |
0.0071* |
0.1157* |
2020 |
0.0173** |
0.1262* |
注：***p < 0.01，**p < 0.05，*p < 0.1。
4.5.3. 空间计量结果
此外，在进行空间计量分析前，还需要进行模型识别的相关检验，通过LM检验对比空间滞后模型(SAR)和空间误差模型(SEM)的适配性，进一步采用LR和WALD检验空间杜宾模型(SDM)是否可退化为空间滞后和误差模型。其结果具体见表8。反距离权重矩阵的LM检验显示只有LM-Spatial error和Robust LM-Spatial error通过1%的显著性水平检验，经济距离权重的LM-Spatial error检验不显著，而空间滞后检验显著，因此选择空间误差模型(SEM)和空间滞后模型(SAR)进行分析。
Table 8. LM measurement table
表8. LM检验表
Test |
反距离权重 |
经济权重 |
Spatial error: |
|
|
Lagrange multiplier |
144.004*** |
0.963 |
Robust Lagrange multiplier |
143.721*** |
1.015 |
Spatial lag: |
|
|
Lagrange multiplier |
0.435 |
3.485* |
Robust Lagrange multiplier |
0.152 |
3.537* |
注：***p < 0.01，**p < 0.05，*p < 0.1。
最后的结果如表9所示，在考虑两种权重矩阵和不同空间模型的情况下，城市创新合作(inno)的系数均为正，且都在1%的统计水平上下显著，表明城市创新合作对出口产品质量具有稳健的正向影响，且这一效应不依赖于空间模型设定或权重矩阵类型。在加入权重矩阵后，经济权重矩阵的间接效应估计系数为正，且在1%水平上显著，表明城市创新合作的提升对经济地理邻近城市的出口产品质量有正向促进作用。反距离权重矩阵的间接估计系数为负，虽然并不显著，但这可能表明城市创新合作的提升对邻近地区出口产品质量产生抑制作用。一方面，大部分创新合作活动集中在少数中心城市，形成以“北京–上海–深圳–成都–武汉”为核心辐射五大国家级城市群的“钻石型结构”(刘承良等，2018) [36]；另一方面，中心城市集聚高校、研究机构和科技型企业，对周边城市形成“虹吸”效应。
Table 9. Regression results
表9. 回归结果
VARIABLES |
反距离权重 |
经济权重 |
|
SEM |
SAR |
SEM |
SAR |
inno |
0.022*** |
0.022*** |
0.019*** |
0.019*** |
|
(3.59) |
(3.59) |
(3.43) |
(3.37) |
Spatial-rho |
0.593*** |
0.703*** |
0.543*** |
0.519*** |
|
(4.81) |
(8.24) |
(8.25) |
(9.74) |
Variance-sigma2_e |
0.003*** |
0.002*** |
0.002*** |
0.002*** |
|
(14.16) |
(14.13) |
(13.77) |
(13.99) |
Direct |
— |
0.021 |
— |
0.021*** |
|
|
(1.01) |
|
(3.39) |
Indirect |
— |
−0.018 |
— |
0.020*** |
|
|
(−0.02) |
|
(2.84) |
Total |
— |
0.003 |
— |
0.040*** |
|
|
(0.00) |
|
(3.29) |
R-squared |
0.016 |
0.299 |
0.020 |
0.116 |
Observations |
410 |
410 |
410 |
410 |
Number of ID |
41 |
41 |
41 |
41 |
Year Effect |
YES |
YES |
YES |
YES |
ID Effect |
YES |
YES |
YES |
YES |
注：***p < 0.01，**p < 0.05，*p < 0.1。
5. 研究结论
本文以2011年至2020年长三角地级市为研究对象，以开放式创新理论和知识溢出效应为基础，通过实证分析和空间计量分析，系统考察了城市创新合作对出口产品质量的影响机制。研究结果表明，城市创新合作对出口产品质量有显著的正向促进作用，且这一效应在空间上具有稳健性。城市创新合作通过促进技术突破和产业升级，提高研发效率，加速新产品、新技术的诞生，进而提升出口产品质量。同时，知识溢出效应也促进了集群创新网络的发展和整体创新能力的提升。
此外，本文的研究还发现，城市创新合作的提升对经济地理邻近城市的出口产品质量具有正向促进作用，这表明区域创新合作不仅有助于本地出口产品质量的提升，还能带动周边地区的经济发展。然而，少数中心城市凭借其完善的设施、政策支持以及创新资源，而形成“虹吸”效应，这可能对邻近城市的出口产品质量造成负面影响。
对于政策指导者而言，本文的研究不仅从理论层面拓展了协同创新与贸易质量的研究边界，还从实践层面为长三角一体化发展提供了政策启示，并为其他区域通过创新合作提升出口竞争力提供了借鉴。同时，也应关注国际贸易环境、政策变化等外部因素对城市创新合作与出口产品质量关系的影响，制定灵活多样的政策措施，以应对外部环境的变化。
NOTES
*通讯作者。