开放科学(资源服务)标识码(OSID)：
Addressing this gap, the study distinguishes productive entrepreneurship into two analytically separable dimensions:prevalence (the rate of productive entry, operationalized as innovative startup density per 10 000 population) and persistence (the temporal stability of such entry, measured as the inverse coefficient of variation over rolling time windows). It constructs a dynamic joint framework linking ecosystem quality with both outcomes and employed panel vector autoregression (PVAR) on panel data covering 23 countries from 2016 to 2024. The PVAR approach offers distinct methodological advantages for this inquiry. First, by treating all variables as endogenous within a simultaneous system, it mitigates endogeneity concerns without requiring a priori assumptions about causal direction. Second, through impulse response functions and multi period lag structures, it captures the temporal sequencing and cumulative effects of mutual influence, particularly the lagged feedback from entrepreneurship to ecosystem restructuring. Third, variance decomposition enables quantification of how shocks to different dimensions propagate through the system, revealing asymmetric feedback intensities. Thus, the study systematically analyzes temporal responses, feedback mechanisms, and lag structures.
The results reveal three main findings. First, ecosystem quality and the prevalence of productive entrepreneurship display a significant bidirectional dynamic relationship, with Granger causality tests confirming mutual predictability. In contrast, no significant dynamic association is identified between ecosystem quality and persistence of productive entrepreneurship, suggesting that ecosystems are more effective at activating entry than sustaining long-term stability. Second, impulse response analysis shows that the stimulative effect of ecosystems on entrepreneurial entry peaks in the first period and then gradually declines, forming an inverted V-shaped pattern. Conversely, feedback from productive entrepreneurship to ecosystem quality emerges with a clear time lag, becoming pronounced only after the second period, indicating that ecosystem restructuring requires cumulative institutional absorption. Third, variance decomposition demonstrates that while ecosystem self-shocks dominate short-term fluctuations, productive entrepreneurship increasingly contributes to ecosystem variance over time, stabilizing at approximately 16% by the tenth period. Meanwhile, ecosystem quality accounts for roughly 6% of the long-run variance in entrepreneurial prevalence, underscoring the persistent influence of structural conditions.
The practical inspirations of this research are as follows:(1) Given the pronounced short-term activation effect, policymakers may use entry-related indicators, such as venture capital-backed start-ups or gazelle firms, as timely feedback signals for ecosystem adjustment, with one- to two-year policy cycles. When such indicators decline, immediate-response instruments (e.g., seed funding, streamlined certification) should be prioritized. (2) Because of the lagged feedback and limited ecosystem influence on persistence, policies should be temporally differentiated:early-stage interventions should focus on reducing experimentation and entry costs, while long-term institutional arrangements should encourage successful entrepreneurs to reinvest in the ecosystem through angel investment, mentorship, and entrepreneurial education.Policymakers should regard volatility in high-growth entrepreneurship as a structural feature rather than a policy failure and avoid rigid performance targets for sustained high-growth firm counts.
开放科学(资源服务)标识码(OSID)：
创业被广泛视为推动经济增长的重要驱动力,是实现国家经济高质量发展的关键引擎[1]。并非所有创业活动都对经济有同等推动作用,一部分创业仅表现为对既有企业的替代或资源再配置,难以提升整体生产率,甚至可能加剧市场拥挤与低效率竞争[2]。鉴于此,越来越多的国家开始将政策重点从支持一般性创业转向重点扶持能显著提升生产率、创造就业和驱动创新的生产性创业(productive entrepreneurship)[3-4]。生产性创业是指任何直接或间接提升经济净产出或未来产出能力的创业活动[5],通常以独角兽企业、瞪羚企业等高成长企业为代表[3-4, 6],成为各国政策扶持的重点方向。
随着政策目标升级,创业生态系统(entrepreneurial ecosystems)逐渐成为理解生产性创业生成机制的核心分析视角[6-8]。与将创业视为个体行为的研究不同,创业生态系统强调,创业活动嵌入由制度环境、金融基础设施、知识供给、社会网络与文化规范等要素共同构成的系统中[9]。该系统并非静态要素的简单集合,而是在特定历史情境下逐步演化形成,因而表现出显著路径依赖与结构惯性[10]。一方面,既有制度安排与资源配置塑造创业活动的可能性空间;另一方面,创业活动又通过创业循环与资源再配置对生态系统结构产生反馈[6,10]。基于这一逻辑,近年来的相关研究逐步突破单向因果框架,提出创业生态系统与生产性创业之间可能存在双向动态关联[6,11]。
围绕这一双向关系,现有研究主要从三个方面展开:一是检验创业生态系统对生产性创业的影响,重点关注其对生产性创业发生率(prevalence of productive entrepreneurship)以及生产性创业持续性(persistence of productive entrepreneurship)的作用[4,12-16];二是从反向视角考察生产性创业活动对创业生态系统要素的反馈效应,并指出相较于一般创业,生产性创业具有更强的系统塑造能力[17];三是从理论层面构建包含“向上—向下”的创业生态系统分析框架,以创业生态系统为输入、生产性创业为系统产出,据此解释区域间创业绩效差异[6,10]。上述研究从不同层面丰富了对创业生态系统与生产性创业关系的认识,但其隐含着一个关键前提:创业生态系统与生产性创业之间的动态关联在不同创业结果维度上具有相对对称的重要性,即创业生态系统不仅能够持续激活生产性创业进入,也能够稳定支撑其长期延续[15]。
然而,近年来的前沿研究开始质疑这一对称性假设[4,16,18]。一方面,创业生态系统的核心要素(如制度环境和创业文化等),通常表现出较强的稳定性[4];另一方面,生产性创业产出往往呈现出显著波动性,并缺乏明确的时间持久性[19]。这种“稳定输入—波动输出”的现象提示,创业生态系统对生产性创业的作用可能并非在所有结果维度上同样有效。然而,现有研究尚缺乏系统动态的实证分析,以检验创业生态系统与生产性创业之间的互动关系,是否在不同结果维度上呈现结构性非对称。
本文将研究重点从是否存在“向上—向下”因果关系,进一步拓展至创业生态系统与生产性创业之间的互动是否在不同结果维度上呈现非对称结构。具体而言,引入面板向量自回归(PVAR)模型,将创业生态系统质量与生产性创业发生率、生产性创业持续性纳入统一动态分析框架,利用2016—2024年全球23个国家的面板数据,系统刻画二者之间的双向动态关联,旨在揭示创业生态系统在激活生产性创业进入与吸纳高成长成果方面的作用边界,为理解生产性创业的生成与演化提供机制层面的经验证据,并为面向高质量创业的政策设计提供更具有针对性的理论依据。
既有研究普遍认为,创业生态系统是理解生产性创业生成机制的重要分析框架[6-8],但围绕创业生态系统能否持续孕育高质量创业产出,学界尚未形成一致结论。现有文献虽从不同角度探讨了创业生态系统与生产性创业间的关系,但相关证据在不同创业结果维度上呈现明显分化,尤其在生产性创业持续性问题上引发了争议。
从生产性创业发生率视角看,学界基本形成共识,即高质量创业生态系统能够显著提升区域内生产性创业进入水平。早期研究多从整体层面论证创业生态系统对高成长创业活动的正向作用,指出制度环境、金融支持、人才供给等要素的共存,对生产性创业具有积极影响[12,14]。随着研究的深入,学者们逐渐认识到创业生态系统的作用并非源于要素简单叠加,而在于不同要素间的协同配置及其所形成的系统性支持能力[20-22]。相关研究表明,创业生态系统通过降低创业进入壁垒、加速机会识别与资源动员,在较短时间内对生产性创业发生率产生显著影响[11-14]。
生产性创业发生率的研究结论相对一致,但创业生态系统能否在更长时间尺度上支持生产性创业持续性,始终是理论与实证研究中的核心分歧点[4,15-16]。Coad等[4]研究发现,区域生产性创业缺乏持续性,即当期生产性创业活动水平较高的地区不一定在未来时期仍然领先,并指出使用相对稳定的创业生态系统要素预测高度波动的高成长创业产出,在方法论上存在内在张力,其后续研究进一步强化了这一“稳定输入—波动输出”的批判视角[19]。近期研究基于改进的数据与方法发现,创业生态系统质量对生产性创业持续性仍具有正向影响,但该影响随着生态系统质量提升而呈现边际递减特征[15]。这一分歧表明,创业生态系统对生产性创业持续性的作用并非线性或自动发生,其作用与时间特征仍有待进一步厘清。
在反向作用方面,关于生产性创业如何塑造创业生态系统的实证研究相对有限,但已有证据表明,相较于一般创业活动,生产性创业活动对创业生态系统的反馈效应更显著[17]。相关研究指出,高成长企业通过推动政府政策调整、加速知识扩散和资本再配置,在一定程度上重塑创业生态系统的制度环境与资源结构[17]。企业层面的相关研究显示,成功的生产性创业活动不仅提升个体企业生存与成长能力,也通过示范效应和资源回流,为创业生态系统注入新的活力[23]。然而,这类研究多关注特定要素或局部机制,尚未从系统层面揭示生产性创业反馈作用的时间结构及其稳定性。
在理论层面,学者们逐渐认识到创业生态系统与生产性创业之间存在动态关联[10]。基于过程视角的研究强调,创业生态系统与生产性创业之间的互动体现为资源持续创造、流动与再循环。其中,成功创业活动既消耗系统资源,也通过人才、资本和知识回收与再投入不断重塑系统结构[11]。基于要素视角的研究则进一步构建综合分析框架,明确区分创业生态系统对创业产出的“向上因果”作用与创业活动对生态系统的“向下因果”反馈[6],并将路径依赖机制纳入对系统演化的解释之中[10]。尽管上述理论框架为理解创业生态系统动态演化提供了重要启示,但相关分析多停留在概念层面,缺乏对不同创业结果维度下互动结构差异的实证检验。
综上所述,现有研究虽在理论层面普遍承认创业生态系统与生产性创业之间存在双向动态关联,但在实证层面仍存在以下不足:一方面,多数研究未能在同一分析框架中同时刻画创业生态系统与生产性创业的双向作用过程[6];另一方面,既有研究往往隐含假设创业生态系统对生产性创业发生率与持续性具有相似的影响[15],尚未系统检验二者间的动态关联是否在不同结果维度上呈现结构性差异。基于此,本文进一步从动态视角考察创业生态系统与生产性创业之间的动态关联,重点识别其在不同结果维度上的非对称作用结构。
通过已有文献梳理发现,创业生态系统与生产性创业之间存在双向动态关联。在现有研究的基础上,本文旨在阐释二者动态关联的理论根源与作用机制,构建两者动态关联理论模型[6,17,24],如图1所示。
图1 创业生态系统与生产性创业动态关联理论模型
Fig.1 Theoretical model of the dynamic linkages between entrepreneurial ecosystem and productive entrepreneurship
在理论渊源方面,创业生态系统可追溯至产业集群、区域创新系统和创业情境研究等多个学术脉络[10-11]。相较于传统区域发展理论,创业生态系统理论实现了双重转向:第一,分析重心从一般性创业活动转向对经济增长具有实质性贡献的生产性创业;第二,创业生态系统强调创业者等行动者并非被动适应环境,而是具备塑造系统内部结构的能动性[6]。主体能动性与系统结构间的相互作用,主要通过向上因果与向下因果两类机制实现,从而在创业生态系统与生产性创业活动间形成双向动态关联[10]。
在作用机制方面,创业生态系统对生产性创业的核心作用机制是通过资本积累过程将系统要素转化为生产性创业活动的驱动力[24]。具体而言,创业生态系统各要素并非孤立影响创业,而是共同促进四种关键资本积累(金融资本、知识资本、制度资本与社会资本),从而为生产性创业提供必要的资源与条件。其中,金融资本积累依赖于创业生态系统中市场可及性与融资环境优化。市场需求与多元化融资渠道不仅为初创企业提供启动资金,也通过规模经济与风险分担机制降低创业壁垒,推动企业向高增长方向发展[25]。知识资本的形成得益于创业生态系统内的人才、科研转化能力及创业教育培训体系,这些要素共同构成知识溢出与创新能力提升的基础[6,26],为生产性创业提供智力支持。制度资本体现为政府政策、法规框架及中介服务的有效协同。透明的商业法规、简化的行政程序、税收激励政策以及孵化器、科技园区等基础设施,能够系统性降低制度性交易成本,提升创业行为的合法性与可持续性[6,27]。社会资本通过信任文化、网络关系与创业榜样等“软要素”发挥作用。高密度的社会互动与协作规范有助于信息流动、资源整合与风险共担,提升创业者的机会识别能力与行动可行性认知[11,28]。通过持续积累上述资本,创业生态系统为生产性创业提供结构性支撑。
生产性创业活动通过资源拉动效应、成功示范效应与制度压力效应,反向塑造创业生态系统[10-11,17]。第一,成功企业能优化本地创业融资环境,通过成功退出案例吸引更多风险投资、天使投资和金融中介进入,完善创业生态系统内的金融基础设施[23]。同时,企业成长经验可融入高校与培训机构的课程体系,推动创业教育与培训质量提升,并通过产学研合作强化研发体系与技术转移机制,从而提升知识资本供给水平[29]。第二,标志性高成长企业的成功案例进入区域叙事与媒体空间,能够显著提升社会对创业的认同感与对失败的容忍度,培育创业文化与优化社会规范[11,30]。第三,在制度层面,高成长企业在税收、监管、人才政策等方面与政府频繁互动,推动制度优化,促使相关政策更具针对性地支持高潜力创业[17]。值得注意的是,这种反向作用具有一定选择性:生产性创业对金融设施、创业文化、研发体系及促进高潜力创业的专门制度支持具有显著影响,而对物理基础设施、一般性政府政策等“硬要素”的作用相对有限,因为后者往往需要更长期、宏观层面的制度安排[17]。
现有研究在分析创业生态系统与生产性创业关系时,通常将生产性创业划分为发生率与持续性两个结果维度,但关于创业生态系统能否在这两个维度上产生一致作用,尚未形成明确共识[4,15-16]。创业生态系统与生产性创业持续性的研究结论分歧,表明创业生态系统与生产性创业间的双向动态关联可能并非在不同结果维度上以相同强度和相同节奏发挥作用。作为复杂的自适应系统,创业生态系统对生产性创业进入的影响,更多体现为对创业机会识别与资源动员的直接支持,其作用往往在较短期内显现;生产性创业持续性的形成,则依赖于企业层面的能力积累、技术路径选择以及更广泛制度环境的长期塑造[4,15],其与创业生态系统的关系更为间接,且更易呈现时滞性与路径依赖特征。因此,尽管理论上普遍承认创业生态系统与生产性创业之间存在双向动态关联,但该作用在“激活创业进入”与“支撑长期存续”两个层面是否呈现对称结构,仍有必要在动态框架下进行系统检验。基于此,本文以保持生产性创业作为分析对象,将其操作性划分为发生率与持续性两个维度,并将二者与创业生态系统纳入统一动态分析框架,以识别双向动态关联的存在性及其在不同结果维度上的时滞特征与演化路径。
为系统刻画创业生态系统与生产性创业间的动态关联,本研究采用PVAR模型进行建模。Holtz-Eakin等[31]在研究中提出该方法,其放松了传统VAR模型需要较大样本观测值的要求,已发展成为相对成熟的计量分析工具,被广泛应用于变量间的动态关联分析。本研究采用PVAR模型主要基于以下考量:第一,有效处理双向互动引致的内生性问题。创业生态系统与生产性创业之间可能存在互为因果的内生关系,若采用传统固定效应模型或联立方程模型,需预设变量间的因果关系方向,易导致估计偏误。PVAR模型将所有变量视为内生变量,通过引入变量滞后项捕捉相互影响,在无需先验区分解释变量与被解释变量的情况下,缓解双向因果关系导致的内生性问题[31]。第二,捕捉动态互动中的时滞效应。通过引入变量多期滞后项,PVAR模型能够识别变量间影响的时序路径与累积效应[32],尤其是创业生态系统与生产性创业之间可能存在的时滞反馈机制。第三,基于系统视角展开分析。PVAR模型既可通过格兰杰因果检验判断变量间是否存在预测关系,也可通过脉冲响应函数描绘某变量受到外部冲击后对整个系统的动态影响路径,并通过方差分解量化不同冲击对系统波动的贡献度,从而更全面地揭示创业生态系统与生产性创业间的互动结构与强度演进[32]。
综上所述,PVAR模型在处理内生性、捕捉动态性与系统分析等方面的优势,为检验创业生态系统与生产性创业间的双向动态关联提供了合适的方法论框架。该模型将创业生态系统与生产性创业视作内生互动系统,能够有效处理变量间的相互影响与时序依赖,从而系统回应本研究关注的核心问题。参考陈景信等[33]构建两变量PVAR模型的做法,本文以创业生态系统和生产性创业作为系统内生变量构建PVAR模型,模型设定如下:
(1)
式中,Y表示包含创业生态系统和生产性创业两个内生变量的列向量,i、t分别代表地区和年份;μ0为截距项;j代表滞后阶数;μj为滞后内生变量的j阶参数矩阵;βi、γi分别代表固定效应和时间效应;εit为模型随机误差项。
2.2.1 创业生态系统质量(EEQ)
创业生态系统质量反映一个地区在创业所需要素方面的总体实力与支持水平[12,15]。借鉴既有研究[21],本研究采用全球创业观察(GEM)发布的国家专家调查(NES)报告所提供的国家创业条件指数(National Entrepreneurial Context Index,NECI)度量国家层面的创业生态系统质量。NES每年邀请各国专家对本国创业框架条件进行评分,并基于这些数据计算出NECI单一指数值,能够综合反映一国创业所依赖的创业生态系统整体质量,具有高度可比性与跨国适用性,已成为国际上衡量创业生态系统质量的公认工具[21,34]。
2.2.2 生产性创业发生率(PREPE)
跨国比较情境下,对生产性创业进行直接统一的测量面临数据可得性与统计口径差异的挑战。为此,学界普遍采用具有高成长潜力的创业活动作为代理指标,并通过标准化处理提升指标可比性[12,15]。创新型初创企业具备高成长潜力,被广泛视为未来高增长企业的先导群体,其数量能有效反映一个区域孕育生产性创业的活跃程度[12,15]。遵循这一思路,本文借鉴Leendertse等[12]的研究,采用每10 000人口中新成立的创新型初创企业数量度量生产性创业发生率。该指标能够有效反映区域内以高成长为目标的创业活动水平,较好地体现区域生产性创业发生率[12,15]。
2.2.3 生产性创业持续性(PERPE)
生产性创业持续性是指区域内创新型初创企业发生率随时间变化的稳定程度[15],用以衡量一个地区能否持续、平稳地催生生产性创业活动,而非出现大幅年度波动。在统计学意义上,波动性是稳定性的直接对立面,因而可通过度量创业发生率时间序列的波动程度,反向推断其稳定水平。变异系数(coefficient of variation, CV)作为衡量相对波动性的标准化统计量,已在经济地理与区域研究的稳定性分析中得到广泛应用,其优势在于能够消除规模影响,实现不同区域间的可比性。本文借鉴Van Dijk等[15]的研究,采用生产性创业发生率随时间变化的变异系数的负数衡量其持续性。具体计算步骤如下:对于每个区域i,在滚动的两年时间窗口内,计算该区域生产性创业发生率的标准差σi与均值μi。例如,2017年生产性创业持续性指标是基于2016—2017年生产性创业发生率序列,计算其标准差σi与均值μi。考虑到标准差越大意味着波动性越强,即持续性越弱,为了使指标方向符合“值越大表示持续性越强”,对变异系数取负数。具体公式如下:
(2)
本文研究数据主要来源如下:首先,创业生态系统数据来源于GEM发布的NES报告。GEM并非一般意义上的宏观经济指数,而是专门为跨国比较创业生态系统而构建的国际协调数据体系[24]。与侧重于宏观经济的传统指数不同,NES聚焦于创业生态系统要素,而非一般宏观经济条件,更契合创业生态系统研究的理论内涵。在跨国可比性方面,GEM通过严格的调查与数据协调机制降低制度背景差异带来的偏差。具体而言,每年在每个GEM报告所调查的经济体中,至少有36位创业领域专家参与统一设计的问卷调查;所有国家数据收集完成后,均由GEM国际团队进行集中式标准化与一致性校验,确保跨国可比性[24]。因此,该报告已被广泛用于衡量和比较各国创业生态系统质量及其对创业活动的影响[21,34],为本研究跨国比较提供了可靠的数据基础。其次,生产性创业活动数据主要来源于全球知名创业数据库Crunchbase。该数据库被认为是全球最全面的创新型初创企业数据集[12],主要记录以风险投资为导向、具有增长潜力的企业信息,涵盖成立年份、行业领域及总部位置等多维特征,较少收录缺乏成长意图的传统企业,因而被广泛用于衡量潜在高成长企业[12,35]。Crunchbase的数据主要来源于全球活跃的风险投资网络和社区用户自发上传的信息,并通过人工智能、机器学习算法与其他数据源交叉验证[12],在数据完整性与可追溯性方面具有显著优势,已被广泛用于生产性创业相关研究[12,15]。最后,国家人口数据来自世界银行数据库,用于标准化计算国家层面的生产性创业发生率。
数据筛选与匹配步骤如下:首先,为确保数据具有良好的可比性与时效性,本文选取2016—2024年NES报告中公布国家创业条件指数的国家为样本。在基于二手数据开展的国家层面创业生态系统研究中,国家样本数量一般控制在18～45个较为常见。例如,Harms等[36]基于18个国家的数据展开分析;Simmons等[37]使用了35个国家的数据;Lafuente等[38]基于45个国家样本开展研究。本文样本覆盖23个国家,包括13个欧洲国家、4个美洲国家、5个亚洲国家和1个非洲国家,具体见表1。其次,在确定国家样本后,本研究借助Crunchbase数据库,基于企业成立年份(Founded)和总部位置(Headquarters Location)信息,筛选2016—2024年新成立且总部位于表1所列国家的创新型初创企业数据,并结合世界银行数据库公布的人口数据(鉴于世界银行尚未公布2024年各国人口数据,参考2022年与2023年的人口数据并取其算术平均值以估算2024年人口。该数据主要用于计算生产性创业发生率等标准化指标的分母,其基数较大,故采用平均值近似替代对相关指标计算结果的影响较小,具有合理性与可操作性),计算各国生产性创业发生率和生产性创业持续性。各变量描述性统计结果见表2。
表1 样本基本情况
Table 1 Sample description
序号国家 区域序号国家 区域1危地马拉北美洲13西班牙欧洲2美国北美洲14瑞典欧洲3摩洛哥非洲15瑞士欧洲4巴西南美洲16英国欧洲5智利南美洲17意大利欧洲6克罗地亚欧洲18拉脱维亚欧洲7塞浦路斯欧洲19印度亚洲8德国欧洲20卡塔尔亚洲9希腊欧洲21韩国亚洲10卢森堡欧洲22沙特阿拉伯亚洲11波兰欧洲23阿拉伯联合酋长国亚洲12斯洛文尼亚欧洲
表2 变量描述性统计结果
Table 2 Descriptive statistics of variables
变量平均值最小值最大值标准差创业生态系统质量4.801 53.560 07.600 00.779 2生产性创业发生率0.349 10.000 61.661 30.415 0生产性创业持续性-0.214 9-1.166 0-0.000 60.203 4
内生变量的平稳性是构建PVAR模型的前提条件。面板单位根检验的原假设为该变量存在单位根,即变量为非平稳面板序列,若单位根检验结果拒绝原假设,则认为变量满足平稳性要求。为保证结论的稳健性,本研究同时采用LLC检验、IPS检验、HT检验和Fisher ADF检验四种单位根检验方法,对模型中所有变量平稳性进行检验。表3结果显示,所有数据均在1%显著性水平上拒绝非平稳面板序列的原假设,可认为创业生态系统、生产性创业发生率、生产性创业持续性为平稳面板序列。
表3 面板单位根检验结果
Table 3 Unit root test results of panel data
变量LLC统计量P值IPS统计量P值HT统计量P值Fisher ADF统计量P值创业生态系统质量-10.800 20.000 0-3.771 40.000 1-0.027 60.000 089.553 60.000 1生产性创业发生率-22.869 60.000 0-4.121 20.000 0-0.101 10.000 0235.080 60.000 0生产性创业持续性-14.425 50.000 0-5.137 80.000 0-0.017 60.000 0203.993 10.000 0
在确定各变量是平稳序列后,采用Pedroni方法进行面板协整检验,考察变量间长期的均衡关系。表4显示,在1%显著性水平上各变量间存在协整关系,即创业生态系统与生产性创业活动存在稳定均衡关系,可构建PVAR模型。
表4 面板协整检验结果
Table 4 Panel cointegration test results
Pedroni检验 创业生态系统与生产性创业发生率统计量P值创业生态系统与生产性创业持续性统计量P值Modified Phillips-Perron t3.570 70.000 23.265 90.000 5 Phillips-Perron t-14.296 90.000 0-8.256 70.000 0 Augmented Dickey-Fuller t-17.424 80.000 0-14.090 4 0.000 0
为构建符合条件的PVAR模型,本研究需要根据信息量指标对协整模型的最优滞后阶数进行设定。对于信息量指标的选择,文献中最常用的信息量指标是赤池信息量指标(Akaike information criterion, AIC)和贝叶斯信息量指标(Bayesian information criterion, BIC),均是数值越小,该滞后阶数越优。这两个信息量指标的思想均是选择拟合程度最优和滞后阶数最小的模型,区别在于权重不同,BIC指标对高阶滞后阶数的惩罚更大,倾向于选择较小的滞后阶数[39]。在宏观研究中,所用数据多为年度数据且时间跨度有限,样本容量相对较小,更易因模型阶数过高导致自由度显著损失,影响参数估计的稳健性。因此,参考既有文献[39],本研究主要采用BIC作为选择最优滞后阶数的判别标准,同时以AIC作为参考,选取结果见表5。
表5 最优滞后阶数检验结果
Table 5 Test results of optimal lag order
滞后阶数创业生态系统与生产性创业发生率AICBIC创业生态系统与生产性创业持续性AICBIC11.175 0102.131 9703.777 6304.734 59020.732 0211.877 470*2.601 3103.746 76030.617 498*2.001 9001.094 420*2.478 820*
注:*表示根据AIC准则或BIC准则确定的最优滞后期数
表5显示,创业生态系统与生产性创业发生率模型的BIC指标在滞后2阶时达到最小,因而选择最优滞后阶数为2;创业生态系统与生产性创业持续性模型的BIC指标在滞后3阶时达到最小,因而选择最优滞后阶数为3。
PVAR模型利用内生变量的滞后项作为工具变量,运用系统GMM方法消除模型中的内生性,并通过截面均值差分法和前向均值差分法(Helmert)剔除模型中的时间效应和个体效应。与传统计量模型不同,PVAR模型是一种乏理论(A-theoretic)模型,并非建立在传统经济理论体系上,其估计结果涉及的参数估计值的正负、大小和显著性并没有实际经济意义,一般只关注其引出的脉冲响应函数和方差分解,分别用以分析随机扰动的一个单位标准化信息对内生变量的影响和结构冲击对内生变量波动的贡献度[40]。PVAR模型的GMM估计结果如表6、表7所示。
表6 创业生态系统质量与生产性创业发生率PVAR模型的GMM估计结果
Table 6 Generalized method of moments (GMM) estimation result of PVAR model of EEQ and PREPE
变量h_EEQh_PREPEL1.EEQ-0.178-0.093(-0.83)(-0.92)L1.PREPE0.655**0.924***(2.49)(4.20)L2.EEQ-0.1070.008(-0.83)(0.18)L2.PREPE-0.495*0.083(-1.72)(0.43)
注:L1、L2分别表示滞后1期、滞后2期;*、**和***分别表示在10%、5%和1%水平上显著;()内为Z值,下同
表7 创业生态系统质量与生产性创业持续率PVAR模型的GMM估计结果
Table 7 Generalized method of moments (GMM) estimation result of PVAR model of EEQ and PERPE
变量h_EEQh_PERPEL1.EEQ-0.5143.404(-0.47)(0.96)L1.PERPE-3.9562.152(-0.63)(1.08)L2.EEQ-0.2251.298(-0.57)(1.11)L2.PERPE0.124-0.106(0.77)(-0.18)L3.EEQ0.0080.249(0.05)(0.59)L3.PERPE0.0760.375(0.32)(0.55)
注:L1、L2、L3分别表示滞后1期、滞后2期、滞后3期
利用PVAR模型探究创业生态系统与生产性创业活动的动态关系前,需要检验变量间是否存在格兰杰因果关系。本研究各内生变量均通过平稳性检验,可在此基础上采用面板Granger因果检验对各变量因果关系进行验证,结果见表8。
表8 Granger因果检验结果
Table 8 Results of Granger causality test
原假设卡方值p值检验结果创业生态系统质量不是生产性创业发生率的格兰杰原因7.587 90.023拒绝生产性创业发生率不是创业生态系统质量的格兰杰原因5.448 40.066拒绝创业生态系统质量不是生产性创业持续性的格兰杰原因4.938 60.176接受生产性创业持续性不是创业生态系统质量的格兰杰原因3.115 50.374接受
由表8可见,创业生态系统质量与生产性创业发生率之间存在显著双向Granger因果关系,表明二者在统计意义上能够相互预测对方未来变动。这一结果验证了创业生态系统与生产性创业发生率之间存在稳定双向动态关联。此外,创业生态系统质量与生产性创业持续性之间未检验出显著双向Granger因果关系,表明当前样本期内,二者间尚未形成可识别的中短期动态因果路径。
这一差异反映了创业生态系统对生产性创业在不同结果维度上的结构性非对称作用。具体而言,创业生态系统通过积累金融资本、社会资本、知识资本和制度资本,在较短时间内持续降低创业进入门槛、提升机会识别与资源配置效率,从而显著激活新的生产性创业进入。这一激活机制决定创业生态系统对生产性创业发生率具有直接、快速且可重复的正向作用,并由此形成显著双向动态关联。
然而,生产性创业持续性并非创业生态系统能够通过同一机制直接生成的结果,而是一种高度依赖系统吸纳与沉淀能力的结构性产出。生产性创业持续性并非创业机会的简单重复出现,而是一种高度依赖企业能力积累、技术路径锁定、组织学习及其与本地制度和网络深度嵌入的结构性结果[4,19]。这些过程往往超出创业生态系统要素在中短期内可直接塑造的范围[4]。因此,即便创业生态系统能够反复激活创业进入,也难以在宏观层面表现为稳定、可预测的持续性产出。由此,创业生态系统在激活能力与吸纳能力之间的结构性不匹配,构成其与生产性创业在发生率和持续性维度上作用不对称的根本原因。
从时间结构上看,这种“激活能力强、吸纳能力弱”的机制差异,意味着创业生态系统对生产性创业发生率的作用更可能在短期内集中释放,而生产性创业成果对创业生态系统的反馈则需要经历长期积累与制度吸收过程,因而难以在中短期内形成显著的动态因果关系[4]。由此,创业生态系统与生产性创业在发生率和持续性两个维度上的作用呈现显著不对称性。这一发现表明,创业生态系统要素在时间上的相对稳定性,与生产性创业高成长结果在宏观层面的波动性之间,并非源于测量误差或短期冲击,而更可能反映了生态系统在不同结果维度上所具有的非对称反馈结构,为既有研究提出的“稳定输入—波动输出”争议提供了机制层面的解释,也在一定程度上回应了Coad等[4]提出的“broken clock”批判。
基于上述Granger因果检验结果,本研究借助PVAR模型分析创业生态系统质量与生产性创业发生率间的动态关联,并采用脉冲响应函数与方差分解以揭示其时序效应与相对贡献。
为进一步考察创业生态系统与生产性创业间的动态关系,使用脉冲响应函数分析两者间的动态冲击效应。脉冲响应函数反映冲击变量在不同时间范围内对响应变量的动态影响过程,即当模型中的误差项受到一标准差的外部冲击后,响应变量当期及未来期随时间变化的趋势表现。借助脉冲响应能更直观、全面地反映变量间的关系,预测未来发展趋势。由于脉冲响应函数正交分解对各变量排序较为敏感,需要按照变量冲击影响的顺序进行排序。根据Stam等[6]、Wurth等[10]的观点,创业生态系统是输入,生产性创业是系统输出。因此,本研究在脉冲响应分析中,将创业生态系统前置,其后是生产性创业发生率,采用蒙特卡洛模拟方法(设定预测期为10期)计算出脉冲响应函数的标准误,进而得到置信水平为95%的置信区间。通过200次蒙特卡洛模拟,得到创业生态系统与生产性创业发生率间的脉冲响应函数图(见图2)。
图2 PVAR模型所估计的脉冲响应函数图
Fig.2 Impulse response function charts of PVAR model
注:横轴表示产生冲击作用的滞后期数,纵轴表示响应变量对冲击变量的响应程度;中间黑色曲线代表脉冲响应曲线,上下虚线则分别代表正负两倍的标准差偏离范围。误差带为双侧5%置信区间,通过200次蒙特卡洛模拟生成,下同
图2中的(a)(b)分别反映创业生态系统、生产性创业发生率对自身的冲击影响结果。第一,创业生态系统对自身冲击的响应结果显示,其质量在受到一个标准差的正向冲击后,立即产生显著正向响应,第1期达到峰值,随后逐步递减,并在第4期趋于稳态。这一响应模式表明,创业生态系统在短期内对既有状态具有较强的依赖性,体现出一定程度的路径依赖与有限的自我增强特征[10],即系统当前运行状态在短期内受到既有要素积累与结构特征的显著影响。同时,冲击效应随时间推移逐步衰减,也说明创业生态系统对单次正向冲击的响应具有阶段性特征,其动态调整过程并非无限放大。然而,其影响在中后期逐渐衰减,表明单纯依靠内部机制难以维持长期稳态,仍需政策持续介入和结构性更新。第二,生产性创业发生率的自我冲击分析表明,其响应在第1期达到最大值,之后持续递减,且在第10期尚未回落至零。该结果说明,生产性创业活动具有较强的惯性特征和一定程度的路径锁定效应,即高水平创业活动一旦形成,能够在较长时间窗口内延续其经济与制度影响。
图2中的(c)(d)分别反映创业生态系统对生产性创业发生率的冲击影响结果,以及生产性创业发生率对创业生态系统的冲击影响结果。第一,创业生态系统对生产性创业发生率具有正向冲击作用,能够促进生产性创业发生率提升,且在第1期达到最大值,随后正向响应逐步回落,形成典型倒“V”形响应曲线。该结果说明,创业生态系统整体对生产性创业活动具有显著促进作用,且这种作用在短期内快速释放。第二,生产性创业发生率对创业生态系统的冲击效应结果显示,第1期未见明显响应,第2期开始产生正向响应并达到峰值,之后逐步回落。这表明生产性创业活动对创业生态系统的反馈作用具有明显滞后性特征,即创业活动不会即时重塑生态系统结构,而需要经过一定时期的积累与转化,才能逐步影响创业生态系统运行状态。
与脉冲响应函数不同,方差分解既可比较各变量对同一内生变量的相对重要性,还可分析不同预测期内同一变量对该内生变量的累计贡献度。为进一步刻画创业生态系统与生产性创业之间的动态因果强度及其时间演进特征,本研究对PVAR模型进行方差分解分析,将其预测周期与脉冲响应函数预测周期均设定为10期,结果如表9所示。
表9 方差分解结果
Table 9 Variance decomposition results
期数响应变量:创业生态系统质量创业生态系统质量生产性创业发生率响应变量:生产性创业发生率创业生态系统质量生产性创业发生率10.9930.0070120.9360.0640.020.9830.8970.1030.0320.96840.8740.1260.0410.95950.8610.1390.0480.95260.8530.1470.0520.94870.8470.1530.0550.94580.8440.1560.0570.94390.8420.1580.0580.942100.8400.1600.0590.941
由表9可知,首先,关于创业生态系统质量的方差来源,第1期内其波动几乎完全由自身解释,贡献率为99.3%,而生产性创业发生率的解释力尚未显现。从第2期开始,生产性创业的影响逐步增强,至第4期,其对创业生态系统质量的方差解释率上升至12.6%,并在后续期数中稳定维持在15%左右。这一趋势表明,生产性创业在短期内对系统结构的冲击有限,但其长期反馈效应日益显现,成为驱动创业生态系统发展的关键因素之一。这一发现进一步验证了既有研究观点,即生产性创业并非创业生态系统的被动产出,而是能够通过实践、网络与制度反哺创业生态系统[6,10-11]。其次,在分析生产性创业发生率的方差来源时发现,其自身冲击在第1期的贡献率高达100%,即在初始阶段,其变动几乎完全源于内在惯性。随着时间推移,该比例逐步下降,创业生态系统质量对其的解释力逐渐增强,并在第4期后趋于稳定。
为增强研究结论的稳健性,本研究采取两种方式进行稳健性检验。使用系数矩阵的特征根检验模型的稳健性[41],检测估计参数是否随时间变化。当所有特征根的模(Modulus)均小于1时,即所有特征根均在伴随矩阵圆内部,则模型是稳定的。PVAR模型的特征根检验结果如图3所示,所有特征根均在单位圆内,表明所构建的PVAR模型是稳定的。
图3 特征根检验结果
Fig.3 Eigenvalue test results
通过样本截取的方法进行稳健性检验[32]。考虑到Crunchbase数据库中2024年创新型初创企业数据可能存在更新滞后问题,本研究在原始样本的基础上剔除2024年数据,构建新样本进行实证分析,结果显示,单位根检验结果稳定。脉冲响应图(见图4)显示,变量间的响应路径与前文结果大致相同,仅在响应强度上有细微变化,表明本文研究结果稳健。
图4 PVAR模型所估计的脉冲响应函数图(稳健性检验)
Fig.4 Impulse response function charts of PVAR model (robustness test)
本文将创业生态系统与生产性创业纳入同一研究框架,基于2016—2024年23个国家的面板数据,借助PVAR模型深入分析两者间的动态关联,得出如下主要结论:
(1)创业生态系统与生产性创业在不同结果维度上呈现出显著非对称互动结构。研究发现,创业生态系统质量与生产性创业发生率之间存在稳定双向动态关联;相较之下,创业生态系统与生产性创业持续性之间未形成显著动态关联。这一结果揭示了创业生态系统作用边界的结构性特征:创业生态系统通过降低进入门槛、提升机会识别效率激活创业进入,但其将个体企业的高成长成果稳定吸纳、沉淀并转化为区域层面长期持续产出的系统能力相对有限。
(2)创业生态系统与生产性创业发生率的动态演化受到路径依赖和时滞效应的共同约束。研究进一步表明,创业生态系统质量与生产性创业发生率均表现出显著路径依赖特征,且创业生态系统的动态轨迹具有更强的外部依赖性,其自我维持能力相对有限。同时,创业生态系统和生产性创业发生率的动态关联具有时滞效应:创业生态系统对生产性创业行为的激励在短期内快速释放,而生产性创业活动对创业生态系统的反馈则需经历一定的累积过程,影响强度在第2期后才逐步显现。
本文从动态互动视角,系统检验了创业生态系统与生产性创业之间的双向关联,突破了既有研究主要从单向因果或静态视角分析两者关系的局限[6,12-16]。不同于将创业生态系统视为均质输入、将生产性创业视为同构输出的隐含假设,本文进一步揭示创业生态系统与生产性创业在不同结果维度上呈现出结构性非对称的互动关系。具体而言,创业生态系统能够在较短时间内持续激活生产性创业进入,却难以在宏观层面将个体企业的高成长成果稳定沉淀为长期可再生产的区域产出。这一发现表明,创业生态系统的核心优势更多体现在机会激活而非成果吸纳,其作用机制并非线性、累积式地推动高成长结果,而是通过阶段性、进入导向型的激励反复触发创业活动。由此,本文从动态反馈结构层面,为理解创业生态系统要素在时间上相对稳定,而高成长创业产出在宏观层面呈现显著波动性的现象提供了机制性解释,并对Coad等[4]提出的“broken clock”批判作出了经验证据支持下的结构性回应。此外,本文将PVAR模型引入创业生态系统研究,揭示了上述非对称作用的时滞特征与动态演化路径,为从系统视角识别创业生态系统的作用边界与政策有效性提供了参考。
(1)以生产性创业进入为短期政策目标,构建快速响应型创业生态系统激活机制。在创业生态系统建设中,地方政府可以将生产性创业发生率而非高成长结果作为阶段性政策反馈信号。具体而言,围绕瞪羚企业数量、新获风险投资企业数量等指标,构建以1～2年为周期的动态监测与政策调整机制。当相关指标出现下降趋势时,优先启用具有即时效应的政策工具,例如加大种子基金和早期研发资助力度、优化高技术企业认定流程、简化创业合规要求等,以维持创业生态系统对新进入创业活动的激活能力。该类政策的重点在于快速修复和放大创业进入信号,而非直接干预长期结果。
(2)在时间维度上区分不同政策目标:在创业早期,政策重心放在降低创业进入与试错成本上;在创业进入后的一段时间内,避免过早以企业规模或高成长结果作为绩效考核标准。长期看,可通过制度性安排,引导成功企业以构建开放式创新平台、参与创业教育、设立地方天使投资基金等方式回馈创业生态系统,从而在更长时间尺度上促进资源循环与沉淀。相应地,在制定创业发展目标时,考虑到生产性创业在时间上的波动性与不确定性,避免将高成长企业数量持续增长设定为刚性考核指标。
本文存在以下不足:第一,关于生产性创业持续性的测量。本研究采用生产性创业发生率随时间变化的变异系数的负值衡量区域层面的稳定性,该指标一定程度上能够在跨国比较情境下消除规模效应,反映创业活动波动程度,却难以刻画微观企业个体长期存续、连续成长等动态过程。未来可进一步整合企业层面纵向数据,如同一批高成长企业在多个时期内的重复出现或连续增长,从而对生产性创业持续性进行更为精细和严格的刻画。第二,关于制度异质性与情境差异。本研究仅在跨国层面检验了创业生态系统与生产性创业之间的动态关联,未进一步区分不同制度环境下该互动机制的差异性。未来可基于更大样本或更长时间跨度,结合制度环境分组或分样本PVAR方法,进一步探讨制度异质性如何调节创业生态系统与生产性创业之间的动态关联。
[1] CHOWDHURY F, AUDRETSCH D B, BELITSKI M. Institutions and entrepreneurship quality[J]. Entrepreneurship Theory and Practice, 2019, 43(1):51-81.
[2] NIGHTINGALE P, COAD A. Muppets and gazelles:political and methodological biases in entrepreneurship research[J]. Industrial and Corporate Change, 2014, 23(1):113-143.
[3] TORRES P, GODINHO P. Levels of necessity of entrepreneurial ecosystems elements[J]. Small Business Economics, 2022, 59(1):29-45.
[4] COAD A, SRHOJ S. Entrepreneurial ecosystems and regional persistence of high growth firms:a 'broken clock' critique[J]. Research Policy, 2023, 52(6):104762.
[5] BAUMOL W J. Entrepreneurship:productive, unproductive, and destructive[J]. Journal of Political Economy, 1990, 98(5):893-921.
[6] STAM E, VAN DE VEN A. Entrepreneurial ecosystem elements[J]. Small Business Economics, 2021, 56(2):809-832.
[7] STAM E, THEODORAKI C, BOSMA N, et al. Opening entrepreneurial ecosystem black boxes[J]. Small Business Economics, 2025, 65(3):1535-1545.
[8] HESS S, WURTH B, STAM E, et al. The future of entrepreneurial ecosystems research:toward a policy-oriented research agenda[J]. Journal of Business Venturing Insights, 2025, 23:e00538.
[9] SPIGEL B. The relational organization of entrepreneurial ecosystems[J]. Entrepreneurship Theory and Practice, 2017, 41(1):49-72.
[10] WURTH B, STAM E, SPIGEL B. Toward an entrepreneurial ecosystem research program[J]. Entrepreneurship Theory and Practice, 2022, 46(3):729-778.
[11] SPIGEL B, HARRISON R. Toward a process theory of entrepreneurial ecosystems[J]. Strategic Entrepreneurship Journal, 2018, 12(1):151-168.
[12] LEENDERTSE J, SCHRIJVERS M, STAM E. Measure twice, cut once:entrepreneurial ecosystem metrics[J]. Research Policy, 2022, 51(9):104336.
[13] MIKIC M, HORVATINOVIC T, KOVAC I. Climbing up the regional intellectual capital tree:an EU entrepreneurial ecosystem analysis[J]. Journal of Intellectual Capital, 2021, 22(6):1030-1054.
[14] FOTOPOULOS G. Knowledge spillovers, entrepreneurial ecosystems and the geography of high growth firms[J]. Entrepreneurship Theory and Practice, 2023, 47(5):1877-1914.
[15] VAN DIJK J, LEENDERTSE J, STAM E, et al. The entrepreneurial ecosystem clock keeps on ticking——a replication and extension of Coad and Srhoj (2023)[J]. Research Policy, 2025, 54(2):105154.
[16] COAD A, SRHOJ S. Entrepreneurial ecosystems and the persistence of regional high-growth firm shares:a reply to van Dijk, Leendertse, Stam, and van Rijnsoever (2025)[J]. Research Policy, 2025, 54(10):105325.
[17] MART
NEZ-FIERRO S, BIEDMA-FERRER J M, RUIZ-NAVARRO J. Impact of high-growth start-ups on entrepreneurial environment based on the level of national economic development[J]. Business Strategy and the Environment, 2020, 29(3):1007-1020.
[18] COAD A, DOMNICK C, SANTOLERI P, et al. Critical perspectives on entrepreneurial ecosystems[J]. The Journal of Technology Transfer, 2026, 51(1):1-10.
[19] COAD A, DOMNICK C, SANTOLERI P, et al. Regional incidence and persistence of high-growth firms:testing ideas from the entrepreneurial ecosystems literature[J]. Regional Studies, 2025, 59(1):2433498.
[20] SLEUWAEGEN L, RAMBOER S. Regional competitiveness and high growth firms in the EU:the creativity premium[J]. Applied Economics, 2020, 52(22):2325-2338.
[21] MU
OZ P, KIBLER E, MANDAKOVIC V, et al. Local entrepreneurial ecosystems as configural narratives:a new way of seeing and evaluating antecedents and outcomes[J]. Research Policy, 2022, 51(9):104065.
[22] BENNETT D L,VEDULA S,ARAKI M. Different strokes for different folks:a configurational analysis of entrepreneurial ecosystems[J].Small Business Economics,2025,65(3):1547-1569.
[23] LERNER J, SCHOAR A, SOKOLINSKI S, et al. The globalization of angel investments:evidence across countries[J]. Journal of Financial Economics, 2018, 127(1):1-20.
[24] NICOTRA M, ROMANO M, DEL GIUDICE M, et al. The causal relation between entrepreneurial ecosystem and productive entrepreneurship:a measurement framework[J]. The Journal of Technology Transfer, 2018, 43(3):640-673.
[25] LAI Y Z, VONORTAS N S. Regional entrepreneurial ecosystems in China[J]. Industrial and Corporate Change, 2019, 28(4):875-897.
[26] QIAN H F, ACS Z J, STOUGH R R. Regional systems of entrepreneurship:the nexus of human capital, knowledge and new firm formation[J]. Journal of Economic Geography, 2013, 13(4):559-587.
[27] BROWN R, REES-JONES R. Learning to ride the high growth "rollercoaster":the role of publicly funded business accelerator programmes[J]. Small Business Economics, 2025, 64(2):511-530.
[28] KHLYSTOVA O, KALYUZHNOVA Y, BELITSKI M. Towards the regional aspects of institutional trust and entrepreneurial ecosystems[J]. International Journal of Entrepreneurial Behavior &Research, 2026, 32(3):720-748.
[29] MASON C M, HARRISON R T. After the exit:acquisitions, entrepreneurial recycling and regional economic development[J]. Regional Studies, 2006, 40(1):55-73.
[30] AUERSWALD P E, DANI L. The adaptive life cycle of entrepreneurial ecosystems:the biotechnology cluster[J]. Small Business Economics, 2017, 49(1):97-117.
[31] HOLTZ-EAKIN D, NEWEY W, ROSEN H S. Estimating vector autoregressions with panel data[J]. Econometrica, 1988, 56(6):1371-1395.
[32] 陈怀超, 田晓煜, 范建红. 数字经济、人才数字素养与制造业结构升级的互动关系——基于省级面板数据的PVAR分析[J]. 科技进步与对策, 2022, 39(19):49-58.
[33] 陈景信, 代明. 知识要素与创业绩效——基于PVAR模型和区域的视角[J]. 经济问题探索, 2020,41(1):38-48.
[34] HESS S, WAHL A, JOHNSON A R. Measuring entrepreneurial ecosystems across levels:a district approach[J]. Small Business Economics, 2025, 65(3):1617-1649.
[35] EL-DARDIRY R, VOGT B. How far do gazelles run? growth patterns of regular firms, high growth firms and startups[J]. Applied Economics, 2023, 55(37):4304-4318.
[36] HARMS R, GROEN A. Loosen up? cultural tightness and national entrepreneurial activity[J]. Technological Forecasting and Social Change, 2017, 121:196-204.
[37] SIMMONS S A, WIKLUND J, LEVIE J, et al. Gender gaps and reentry into entrepreneurial ecosystems after business failure[J]. Small Business Economics, 2019, 53(2):517-531.
[38] LAFUENTE E, ACS Z J, SANDERS M, et al. The global technology frontier:productivity growth and the relevance of Kirznerian and Schumpeterian entrepreneurship[J]. Small Business Economics, 2020, 55(1):153-178.
[39] 何平, 刘泽豪, 方志玮. 影子银行、流动性与社会融资规模[J]. 经济学(季刊), 2018, 17(1):45-72.
[40] 何文海, 张永姣. 环境规制、产业结构调整与经济高质量发展——基于长江经济带11省市PVAR模型的分析[J]. 统计与信息论坛, 2021, 36(4):21-29.
[41] 张振华, 唐莉, 刘薇. 环境规制科技政策对科技进步与经济增长的影响[J]. 科技进步与对策, 2020, 37(5):131-140.