📈 economics

All proximities matter: A Bayesian combination approach to inter-firm spillovers and economic performance

本研究提出了一种贝叶斯方法，用于整合多种地理与语义邻近网络，并证明了整合这些多维度的企业间联系能显著增强对米兰科技生态系统中知识溢出及其对企业绩效影响的理解。

原作者： Andrea D'Isidoro, Roberto Benedetti, Alessandro Marra

发布于 2026-07-14

📖 1 分钟阅读☕ 轻松阅读

原作者： Andrea D'Isidoro, Roberto Benedetti, Alessandro Marra

原始论文采用 CC BY 4.0 许可（https://creativecommons.org/licenses/by/4.0/）。 ✨ 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。阅读完整免责声明

想象一下米兰的商业世界是一个由505家科技公司组成的巨大、繁忙的蜂巢。长期以来，经济学家一直认为，一家公司的成功秘诀仅仅在于其办公室距离邻居有多近。他们相信，如果你坐在某人的旁边，你就会像感冒一样感染他们的好想法。

但这篇文章表明，这仅仅是故事的一半。这不仅关乎谁住在隔壁，更关乎你如何与他人“思考一致”、你是否使用相同的技术语言交流，以及你是否在同一个行业中工作。作者们（Andrea, Roberto 和 Alessandro）决定通过构建一个超级复杂的数字显微镜来测试这些公司究竟是如何连接在一起的，以此来验证这一观点。

“六种风味”的汤
研究人员并没有仅仅测量办公地点之间的距离，而是观察了六种不同的“风味”接近度：

地理性： 建筑物之间有多远？
通用性： 它们的网站是否讨论了相似的广泛话题？
技术性： 它们是否使用相同的技术工具？
认知性： 它们是否拥有相同的思维模型和知识？
基于能力的： 它们是否拥有相同的特定技能？
产业性： 它们是否处于同一个业务领域？

为了衡量这些指标，他们并没有直接询问公司，而是阅读了公司自己的网站。他们使用了一个智能计算机程序，将这些网站上的文本转化为一个“相似度得分”。如果两家公司以相似的方式讨论“人工智能”和“区块链”，计算机就会说：“嘿，这两家公司的认知非常接近！”

神奇的搅拌碗
这里是数学变得高级的地方。作者们并没有只挑选一种“最好的”风味。他们使用了一种特殊的贝叶斯方法（可以把它想象成一个超级聪明的搅拌碗）将所有六种风味混合成一锅巨大的“接近度汤”。他们想要看看有多少“成功风味”来自于地理位置，又有多少来自于技术或共享知识。

他们使用了一个名为空间杜宾模型（SDM）的模型进行了实验。把 SDM 想象成一个比标准地图更先进的版本。简单的地图可能只会说：“你的邻居的成功会影响你”，而这个先进的模型则会说：“你的邻居的成功会影响你，而且你邻居的技能也会影响你，甚至你邻居的邻居的技能也会影响你。”它捕捉到了一个在整个城市中传播的涟漪效应。

大揭秘：不仅仅是关于位置
当他们品尝这锅汤时，结果令人惊讶。

地理位置依然存在，但它只是个配菜。 公司之间的物理距离确实重要，但它仅占总影响力的 12.5%。
真正的明星是“思维层面”的事物。 驱动成功的最大风味是技术接近度（约 32%）和认知接近度（约 29%）。这意味着，即使不在同一栋建筑里，如果公司与使用相似技术和思维方式的人在一起，它们的成长速度也会更快。
产业接近度（即处于同一部门）也是一个强有力的因素，占比 25%。

研究明确排除了另外两种风味，认为它们是多余的。“通用”相似度和“基于能力”的相似度在包含其他四种因素后，并没有增加任何新信息。这就像是在一道已经有很多盐和胡椒的菜里再加盐和胡椒一样，只会碍手碍脚。

关于公司规模的问题
研究人员还观察了公司规模如何发挥作用。他们发现：

规模大并不总是意味着增长更好。 起步销售额巨大的公司实际上增长得更慢（存在负面影响）。
扩大团队是一项超能力。 增加员工的公司看到了销售额增长的巨大提升。这种效应对于公司自身以及其邻居都非常显著。如果你的邻居雇佣了更多的人，你也会随之增长得更快。

他们有多确定？
作者们并没有凭直觉猜测；他们运行了数千次计算机模拟以确保万无一失。他们将这种高级的“六种风味”模型与仅关注一两个因素的简单模型进行了对比。结果非常清晰：融合了四种最佳风味（地理、技术、认知和产业）的复杂模型是最终的赢家，其正确的概率为 75%。

他们还将这种方法与另一种旧的混合数据的方法（称为 SAR 模型）进行了比较。他们的新方法（SDM）更符合现实世界的数据，具有更低的误差得分（AIC 分别为 62.07 对比 68.80）。

总结
因此，如果你想建立一个成功的科技中心，不要仅仅建造一堆挨在一起的办公室然后坐等奇迹发生。本文研究表明，真正的魔力发生在创造一个让公司能够共享相同技术和思维方式的生态系统时。

作者们建议，政府和商业领袖不应仅仅通过资助公司搬入同一栋大楼，而应该专注于“语义”层面的连接——帮助公司寻找那些能说同一种技术语言并拥有相同知识基础的合作伙伴。这不仅仅关乎谁住在隔壁，更关乎你能与谁进行一场深刻的对话。

技术摘要：基于贝叶斯组合方法的企业间溢出效应与经济绩效研究

问题陈述
企业绩效（尤其是在知识密集型部门）不仅受内部能力驱动，还受到其与其他企业邻近性的影响，这种邻近性促进了知识溢出。虽然传统文献承认邻近性不仅限于地理维度，还包括技术、认知和产业维度，但实证方法往往依赖于合成网络指数（如中心度度量）或单矩阵空间模型。这些方法经常忽视了多维度的企业间连接性质以及不同邻近维度之间复杂的相互依赖关系。此外，现有的结合多个邻近矩阵的最大似然方法通常局限于少数维度，且标准的空间模型可能无法捕捉多种邻近类型对溢出的共同贡献，也无法处理关于哪些特定维度驱动溢出的不确定性。

研究方法
作者提出了一个统一的框架，通过贝叶斯凸组合方法将多个邻近网络整合到空间杜宾模型（SDM）中。

语义邻近性构建：
- 研究并非依赖静态的行业代码或专利分类，而是利用公司网站的文本内容构建了六个邻近矩阵。
- 通过潜在狄利克雷分配（LDA）和自然语言处理（NLP）技术，将企业映射到共同的主题上，从而提取代表其技术、知识库、能力和专业化领域的向量。
- 成对的余弦相似度被转化为倒U型函数（遵循 Boschma, 2005; Nooteboom et al., 2007）以构建邻近矩阵。这种转换假设适度的相似性可以最大化溢出效应，而极端的相似或差异则会阻碍溢出。
- 这六个矩阵包括：地理、通用、技术、认知、基于能力以及产业邻近性。
SDM 中的贝叶斯凸组合：
- 研究将凸组合框架（Debarsy and LeSage, 2022）从空间自回归（SAR）模型扩展到了空间杜宾模型（SDM）。
- 定义了一个组合权重矩阵 $W_c(\Gamma)$ ，它是 $L$ 个个体邻近矩阵的加权和： $W_c(\Gamma) = \sum_{\ell=1}^{L} \gamma_\ell W_\ell$ ，其中 $\gamma_\ell$ 的总和为 1。
- 模型设定： 作者提出了一种特定的公式，其中相同的组合权重矩阵 $W_c(\Gamma)$ 同时控制因变量的空间滞后项和协变量的空间滞后项： $y = \rho W_c(\Gamma)y + X\beta + W_c(\Gamma)X\theta + \epsilon$ 。这与以往仅将组合应用于因变量滞后项的设定不同，具有更好的参数可解释性和简洁性。
- 估计： 模型使用马尔可夫链蒙特卡洛（MCMC）方法进行估计。该方法采用平坦先验，并使用蒙特卡洛迹估计器近似雅可比项，以处理不同抽样下的变化权重矩阵。
- 模型不确定性： 利用贝叶斯模型平均法（BMA）来解决模型不确定性问题。作者采用后向选择程序，根据对数边际似然和后验概率来识别最优的邻近矩阵子集。
影响计算：
- 通过对简化版 SDM 的偏导数推导出直接影响、间接影响（溢出效应）和总影响。
- 为了管理计算复杂度，作者使用基于迹的近似策略（将逆矩阵展开为无穷级数），从后验分布中计算影响的标量汇总度量。

实证应用与结果
该框架应用于米兰科技生态系统中 505 家企业的数据库，以销售额增长率（2022–2023）作为因变量。

模型选择： 通过后向消除法和 BMA，研究确定了一个包含四个邻近矩阵（地理、技术、认知和产业）的模型为最佳拟合模型，其后验概率超过 75%。该设定显著优于全六矩阵模型以及所有 SAR 设定（后者获得的后验概率为零）。
邻近性权重： 在最佳设定中，技术邻近性的权重最高（ $\gamma \approx 0.32$ ），其次是认知邻近性（ $\gamma \approx 0.29$ ）和产业邻近性（ $\gamma \approx 0.25$ ）。地理邻近性依然显著但处于次要地位（ $\gamma \approx 0.13$ ）。通用和基于能力的邻近性被发现是冗余的，并在最优模型中被剔除。
溢出效应：
- 空间自回归参数 ( $\rho$ ) 较高（ $\approx 0.76$ ），表明存在强烈的整体依赖性。
- 企业规模（销售额）： 显示出负向直接效应和正向间接效应，表明存在来自邻居规模的补偿性溢出。
- 知识库（员工人数）： 表现出强劲的正向直接和间接效应，证实了人力资本扩张既驱动了内部增长，也驱动了外部溢出。
- 网络中心度： 当使用全量邻近矩阵时，单个网络中心度指数（如技术中心度）的显著性会减弱或发生变化，这表明邻近矩阵比合成中心度度量能更有效地捕捉潜在的关系结构。

主要贡献与意义
本文声称对文献有三个主要贡献：

方法论扩展： 这是首次将贝叶斯凸组合方法应用于企业层面的空间杜宾模型。作者认为，这种设定优于以往基于 SAR 或其他替代 SDM 的设定，因为它确保了相同的空间结构同时支配内生交互和外生溢出，从而提高了参数的可解释性并减少了估计参数的数量。
数据创新： 通过从公司网站文本而非静态行业代码或专利分类中提取邻近性度量，本研究捕捉了企业活动和知识概况的动态性及自我报告特征。这使得对企业间相似性的理解更加及时且细致。
实证见解： 研究表明，多维邻近网络通过特定的渠道驱动企业绩效。研究发现，尽管地理邻近性很重要，但技术和认知对齐是米兰科技生态系统中驱动溢出的主导因素。结果表明，政策干预应优先考虑语义对齐（如技术匹配、知识转移），而非简单的物理共存。

结论
文章得出结论，通过使用邻近矩阵保留完整的企业间连接拓扑结构，而非依赖合成中心度度量，能够更稳健地理解溢出机制。贝益斯框架成功处理了模型不确定性，识别出四个邻近维度（地理、技术、认知、产业）足以解释米兰科技生态系统中复杂的依赖结构。这些发现为基于空间的创新政策提供了具体指导，即促进技术和认知联系可能比通用的集群激励措施更为有效。

技术摘要：基于贝叶斯组合方法的企业间溢出效应与经济绩效研究

类似论文