科技人才聚集与知识创新效率——基于人才数量和质量的分析.pdf

DOI 编码：10.19820/ki.ISSN2096-7411.2023.04.002JOURNAL OF STATISTICS科技人才聚集与知识创新效率基于人才数量和质量的分析李曼宁1，王书华2，胡中立1（1.山西财经大学 金融学院，山西 太原 030006；2.山西财经大学 晋商研究院，山西 太原 030006）摘要基于20092020年我国30个省市的面板数据，研究科技人才数量和质量聚集及其空间溢出对知识创新效率的影响。结果表明：中国知识创新效率尚未达到DEA有效状态；科技人才聚集存在空间溢出效应，且数量聚集对知识创新效率的影响为负，质量聚集的影响为正；数量聚集的负向影响是由聚集结构不合理、部分地区缺乏良好的科研环境所导致。关键词科技人才；数量聚集；质量聚集；知识创新效率中图分类号F061文献标识码A文章编号2096-7411（2023）04-0015-13Tech Talent Aggregation and Knowledge Innovation EfficiencyAnalysis Based on the Quality and Quantity of TalentsLI Man-ning1,WANG Shu-hua2,HU Zhong-li1（1.School of Finance,Shanxi University of Finance and Economics,Taiyuan 030006;2.Jinshang Research Institute,Shanxi University ofFinance and Economics,Taiyuan 030006,China）Abstract:Based on the panel data of 30 provinces and cities in China from 2009 to 2020,this paper studied how the quantityand quality aggregation of tech talents,as well as their spatial spillovers,have affected knowledge innovation efficiency.The resultsindicated that,the efficiency of knowledge innovation in China has not yet reached the DEA effective state.There was a spatialspillover effect in the aggregation of tech talents.Specifically,quantity aggregation had a negative effect on knowledge innovationefficiency,while the effect of quality aggregation was positive.The negative impact of quantity aggregation was caused by unreasonableaggregation structure and the lack of a good research environment in some regions.Key Words:tech talents;quantity aggregation;quality aggregation;knowledge innovation efficiency一、引言以习近平总书记为代表的党中央在二十大报告中强调“坚持科技是第一生产力、人才是第一资源、创新是第一动力，深入实施科教兴国战略、人才强国战略、创新驱动发展战略”，并提出“教育、科技、人才”三位一体的强国战略，明确指出了人才与创新在基金项目国家自然科学基金项目（71303142）；教育部人文社会科学研究青年项目（22YJC790024）；山西省高等学校科学研究优秀成果培育项目（2019SK024）；山西省哲学社会科学规划课题（2019B191）作者简介李曼宁（1993），女，山西晋城人，山西财经大学金融学院博士研究生，主要研究方向是金融发展；王书华（1978），男，山东菏泽人，山西财经大学晋商研究院教授，经济学博士，主要研究方向是金融计量分析；胡中立（1993），男，山西长治人，山西财经大学金融学院讲师，经济学博士，主要研究方向是金融发展。Ang.，2023Vol.4 No.42023年8月第4卷 第4期15统计学报2023 年第 4 期李曼宁，等：科技人才聚集与知识创新效率国家发展中的重要性。现如今中国已经进入了创新型国家行列，科技创新水平逐年提高，但是仍然存在诸多“卡脖子”的关键问题，而解决这些问题的关键在于提升知识创新水平。淤从科学研究的角度来看,知识创新是研究与开发（R&D 研究）的过程（杨文明、韩文秀，2003）1，是一切创新活动和经济发展的基础。但是，研究知识创新水平单单分析其产出水平是不够的，应在考虑知识创新要素投入的基础上分析其知识创新效率，实现知识创新效率的提升更有助于实现经济的高质量发展。由知识生产函数可知，人力与资本是最基本的生产要素。习近平总书记于 2020 年 9 月在科学家座谈会上强调，“创新驱动本质上是人才驱动，人才是我们实现民族振兴、赢得国际竞争主动的战略资源”。充足的科技人才支撑是吸收和创造新技术的关键，是技术进步的主要驱动力（Coe et al.，2009）2。尤其是高层次高素质人才，可以更加高效地发挥其主观能动性，进行知识创新活动。2023 年年初，我国以两院院士、国家重大人才工程入选者等为主体的高层次科技型人才数量超过了 4 万人，我国已经成功跨入世界上高质量科技人力资源较为丰富的国家行列。因此，对科技人才的研究不仅应关注科技人才数量，还应关注科技人才质量。科技人才会在不同省市间自由流动，在流动过程中会形成聚集现象。这一方面会促进科技人才之间的交流合作，产生信息共享效应和知识溢出效应，形成科技人才聚集的经济性，提升知识创新效率；另一方面会受到科技人员配置结构不合理、地方条件限制等因素的影响，使得科技人才聚集出现不经济性，进而抑制知识创新效率（牛冲槐等，2006）3。综合考虑科技人才数量聚集与质量聚集对知识创新效率的影响，具有重要的理论与现实意义。由于中国科技人才分布和知识创新效率存在严重的空间不均衡（刘晔等，2019；陈钰芬、范嵩盈，2022）4，5，因此本文在空间相关性的基础上，从科技人才数量聚集和质量聚集两方面探索科技人才聚集及其空间溢出对知识创新效率的影响。从科技人才聚集方面探究提升中国知识创新效率的方法和途径，并提出相应的政策建议。本文的边际贡献在于：其一，重点关注中国的原始创新能力，对知识创新效率进行测算，更切实际地反映地区基础创新水平；其二，考虑科技人才的数量聚集和质量聚集，深入分析科技人才聚集对知识创新效率的影响，完善了针对科技人才空间溢出的研究；其三，深入分析科技人才数量聚集结构和科技人才聚集的区域结构，丰富了现有的相关研究。二、文献综述（一）科技人才聚集科技人才聚集具体是指在一定时间内，随着人才的流动，大量同类型或相关人才按一定规律，在某一物理空间或行业虚拟空间形成的聚类现象（牛冲槐等，2012）6。关于科技人才聚集指标的测度，卓乘风等（2017）7在研究创新要素聚集时，利用各地区R&D 人员占全国 R&D 人员数的比重代表 R&D 人员的集聚度。赵晨等（2020）8基于区位熵指数，运用（地区科技人才总数/地区总人数）与（全国科技人才总数/全国总人数）之比进行测算。郭金花和陈鑫（2021）9采用区位熵指数进行测度，即（各地市 R&D人员全时当量/全部从业人员数）与全国比重之比。（二）知识创新效率提及知识创新效率首先需明确知识创新的概念，已有研究提出了以下三种观点：其一，1997 年出版的 面向知识经济的创新战略 一书中首次提及知识创新涵盖了新知识从产生到应用的全过程（He，1999；徐芳等，2013）10，11；其二，强调获取新知识的过程，其目的在于为技术创新和制度创新提供理论依据（刘劲杨，2002；唐青青等，2018）12，13；其三，强调新知识的应用过程，认为知识创新是将新知识应用于实践并开发生产出新产品的过程（晏双生，2010）14。本文借鉴刘劲杨（2002）12、唐青青等（2018）13的研究，将知识创新定义为获取新知识、新理论、新方法的过程。近年来，诸多学者对我国区域创新效率进行了实证研究，但对知识创新效率的研究相对较少。陈钰芬和范嵩盈（2022）5基于创新价值链理论，构建了相关指标体系对我国知识创新水平进行测算，发现我国知识创新水平较低，且存在空间异质性。杨树旺等（2018）15基于 20052014 年长江经济带 11 个省市的面板数据，选用专利申请授权数作为创新产出的代理变量，运用 SBM-DEA 模型对其绿色创新效率进行测算，发现长江经济带绿色创新效率总体上呈现上升趋势，但仍存在较大的改善空间。刘思明等（2011）16采用 20002010 年我国省市面板数据，选用专利数量作为创新产出的代理变量，运用 SFA 测算区域创新效率，结果表明我国创新效率较低，且存在明显的区域差异。（三）科技人才聚集对创新能力的影响关于科技人才聚集对创新能力的影响，牛冲槐等（2010）17提出科技型人才聚集会产生聚集经济效16统计学报2023 年第 4 期应，可极大提升区域科技创新能力。芮雪琴等（2015）18基于 20012010 年 31 个省的省级面板数据，发现聚集规模与区域创新能力只存在单向互动，聚集效应同区域创新能力存在双向互动，仅仅依靠科技人才聚集难以提升区域创新能力。修国义等（2017）19基于 20052015 年的面板数据，运用超越对数随机前沿距离函数模型，构建科技人才聚集规模、强度和均衡度指标，研究科技人才集聚对中国区域科技创新效率的影响。结果表明，规模和均衡度的提升可以提高区域科技创新效率，而强度的提升会抑制科技创新效率。孙文浩（2020）20基于当前各个城市争夺人才的政策不断颁布的情形，运用全国创新调查企业数据库的相关数据研究科技人才聚集规模对企业创新的影响，结果发现科技人才的聚集对企业创新并非是纯粹的积极影响，应结合城市自身特征制定人才引进政策。随着经济地理学研究的不断深入，诸多学者在研究创新时关注到了科技人才聚集的空间溢出效应。孙红军等（2019）21基于 2000 年至 2015 年中国30 个省市的省级面板数据，采用相邻矩阵、地理距离矩阵和经济距离矩阵，运用空间计量模型进行实证分析后发现，科技人才集聚存在显著的正向空间溢出效应，对区域技术创新具有显著的促进作用。郭金花和郭淑芬（2020）22运用 20092017 年的省级面板数据，通过空间杜宾模型研究发现创新人才集聚的空间溢出效应明显，且对 TFP 呈显著的正向影响。张莉娜和倪志良（2022）23基于省级面板数据，运用 SDM 模型研究发现科技人才聚集对区域创新效率存在正向的空间溢出效应。（四）文献述评综合现有研究发现，多数学者采用 R&D 人员全时当量（林光平，2005；陈得文、苗建军，2010）24，25代表科技人才数量，于而这一指标涵盖了从事 R&D 活动的所有人员，在此基础上计算出的科技人才聚集指标仅仅关注了从事 R&D 活动的人员数量的聚集。目前进一步考虑高质量人才聚集的文献有限，而高质量人才能力更强，在提升知识创新效率中的作用更不容忽视。此外发现，测算创新效率的研究较多，而对于知识创新效率的测算较少。许多学者在测算创新效率或技术创新效率时，运用的创新产出指标是专利数量，而专利数量更多代表的是知识创新的直接产出，因此所测算出的结果更适合代表知识创新效率，且研究结论表明我国创新效率较低，区域差异较大。考虑到科技人才聚集和知识创新产出存在明显的空间相关性（李婧等，2010；宋旭光、赵雨涵，2018）26，27，本文从空间地理角度出发，假定各省市并非相互独立，运用空间计量模型，从数量和质量两方面分析科技人才聚集及其溢出效应对知识创新效率的影响。三、理论分析科技人才聚集现象与其他经济现象相同，都具有经济性效应和不经济性效应。所谓经济性是指科技人才聚集于一定区域内，形成紧密联系，发挥出的效应大于单独个体效应的加总，其基础在于满足各种内外部条件。所谓不经济性是指科技人才聚集于一定区域内所发挥的效应低于单独个体效应的加总（牛冲槐等，2010）17。本文从数量聚集和质量聚集两方面研究科技人才聚集对知识创新效率的影响。（一）科技人才数量聚集对知识创新效率的影响当科技人才大量聚集在某一地区时会促进科技人才间的竞争，进而提升知识创新效率，同时会削弱信息不对称程度，实现科技人才间的信息共享，通过沟通、交流、合作等方式产生知识溢出效应，促进隐性知识的传播，出现空间溢出效应（王春杨、孟卫东，2019）28。但是，由于科技人才数量聚集对知识创新效率的影响会受到多方面因素的限制，因此存在不经济性。究其原因，其一，科研人才配置问题。由 中国科技统计年鉴 可知，科技人员主要分为三类，即基础研究人员、应用研究人员和试验发展人员。基础研究人员是指为获取基本原理的新知识而进行实验性或理论性研究的人员，应用研究人员是指为获取新知识而进行创造性研究的人员，试验发展人员是指利用现有知识作实质性改进而进行系统性工作的人员。不同创新阶段所需要的科技人员类型存在差异，当科技人才配置同创新阶段不相符时，就会限制当地及周边地区知识创新效率的提升。现如今，中国知识创新总体水平较低，对研究新知识、新理论的人员需求更大，但各地区试验发展人员明显多于基础研究人员与应用研究人员，科技人才配置类型同现阶段的需求存在差距。其二，环境限制。相比较于东部地区，中部和西部地区受到经济发展、交通条件等因素的限制，难以为科技人才提供良好的科研环境与合作平台。科技人才缺乏交流互动，导致“各自为政”，不仅不会提升知识创新效率，反而会产生摩擦，相互制约对方的科研能力。科技人才的交流合作是科技人才数量聚集发挥经济性效应的基础，仅仅在区域内实现数量的增长，却没有紧密的联系，就会产生非经济性。当前，各省市不断强调人才引进，中西部地区人才引进的力度明显大于东部地区，使得中李曼宁，等：科技人才聚集与知识创新效率17统计学报2023 年第 4 期西部地区的科技人才数量聚集程度总体上升，但是仅仅引进科技人才，却无法为科技人才提供良好的科研环境与交流合作平台，就无法充分发挥科技人才能力与科技人才聚集的正向溢出效应。基于此，本文提出假设 1 至假设 3。假设 1：科技人才数量聚集存在空间溢出效应，对知识创新效率的影响为负。假设 2：科技人才数量聚集的负向影响与科技人才聚集的配置有关。假设 3：科技人才数量聚集对知识创新效率的影响存在区域异质性。（二）科技人才质量聚集对知识创新效率的影响科技人才质量聚集更多的强调高质量高学历人才的聚集，重点关注中级及以上职称或博士的聚集。由于高质量高学历人才拥有更强的个人能力与创新能力，其聚集更容易促进隐性知识的传播，对一般科技人才的知识溢出效应更大，因此有助于提高当地及周边地区的知识创新效率。同时，由于高质量高学历人才数量相对较少，但在知识创新效率提升中所发挥的作用较大，因此更容易受到当地政府与所在单位的重视，所拥有的科研环境更优，合作平台更广，交流机会更多，科技人才质量聚集的经济性会大于不经济性。基于此，本文提出假设 4。假设 4：科技人才质量聚集存在空间溢出效应，对知识创新效率的影响为正，且有助于缓解科技人才数量聚集的负向影响。四、研究设计（一）变量选择与数据来源本文样本数据时间跨度为 20092020 年，考虑到数据的可得性，选取我国 30 个省市（西藏除外）的面板数据，主要来源于 20102022 年的 中国统计年鉴、中国科技统计年鉴、中国环境统计年鉴以及 Wind 数据库。盂1.知识创新效率，本文选取带非期望产出指标的超效率 SBM 模型对知识创新效率（te）进行测算。测算指标主要包括要素投入指标（Input factors，if）、期望产出指标（Expected output factors，eof）和非期望产出指标（Unexpected output factors，uof），具体指标选取如表 1 所示。关于要素投入指标，学者将 R&D 要素投入与创新产出间的关系函数称为知识生产函数。根据知识生产函数可知，知识创新的基本投入要素为 R&D 资本投入和 R&D 人员投入。其中，以 R&D 人员全时当量衡量 R&D 人员投入。考虑到资本投入的滞后性，采用永续盘存法计算 R&D 资本存量用于衡量 R&D资本投入，测算公式为 KDit=RKit+（1-啄）KDi，t-1，i 为地区，t 为时间，KD 表示 R&D 资本存量，RK 代表 R&D的实际资本投入，啄 为折旧率。首先，构造 R&D 价格指数（PI），借鉴学者吴延兵（2006）29研究中关于构造 R&D 价格指数的方法，以 2009 年为基期，计算公式为 PI=（K1/NK）伊PIIFA+（K2/NK）伊CPI+（K3/NK）伊PIO，其中 NK 表示 R&D 的名义资本投入，包括固定资产购建费 K1、人员劳务费 K2 以及其他费用 K3三部分。榆PIIFA 为固定资产投资价格指数，CPI 为消费价格指数，PIO 为其他价格指数。虞其次，计算实际R&D 资本投入 RK，公式为 RK=NK/PI。再次，设定折旧率 啄 和 R&D 投资增长率 g，计算基期 R&D 资本存量 KDi1。借鉴吴延兵（2006）29的研究，假定 啄=15%，通过计算可知 20092020 年 R&D 实际投入的年平均增长率为 11%，因此假定在 2009 年之前R&D 资本投入呈几何级数衰减，并设定其平均增长率 g=11%，则 KDi1=RKi1/（啄+g）=RKi1/（15%+11%）。最后可通过永续盘存法计算出各省市区 20092020年的 R&D 资本投入存量。关于期望产出指标，在相关研究中一般将专利数量作为知识创新的直接产物，加之数据便于统计，诸多学者利用专利数据衡量创新产出，但部分学者认为专利数量这一指标并不能完全代表知识创新产出水平（Scherer，1965）30。肖振红和范君荻（2019）31运用“国外主要检索工具（SCI、EI 和 ISTP）收录我国科技论文数”衡量知识创新产出。综上所述，本文选取“专利申请数”和“国外主要检索工具（SCI、EI 和ISTP）收录我国科技论文数”作为知识创新效率的期望产出变量。关于非期望产出指标，基于绿色发展理念，借鉴王惠等（2016）32、张莉娜和倪志良（2022）23的研究，本文将二氧化硫排放量指标与废水排放量指标用于衡量绿色知识创新的非期望产出。表 1知识创新效率测算的指标选取测算指标所需具体变量要素投入指标R&D资本存量R&D人员全时当量期望产出指标专利申请数国外主要检索工具（SCI、EI和ISTP）收录我国科技论文数非期望产出指标二氧化硫排放量废水排放量李曼宁，等：科技人才聚集与知识创新效率18统计学报2023 年第 4 期通过对我国 30 个省市（西藏除外）知识创新效率的计算可得出我国不同区域的知识创新效率平均值，如表 2 所示。由表 2 可以看出，我国平均知识创新效率由2009 年的 0.584 提升到 2020 年的 0.792，总体呈现上升趋势，但效率值仍低于 1，尚未达到 DEA 有效状态，表明我国知识创新效率仍处于较低水平。2009年，我国东部地区的平均知识创新效率高于全国平均水平，为 0.692，中部和西部地区低于全国平均水平，为 0.531 和 0.493。到 2020 年，我国东中西部地区的 平均知识创新效率分别为 0.883、0.679 和0.785，西部地区的平均知识创新效率虽然低于全国平均水平，但已超过中部地区。通过东中西部地区的比较可以发现，我国知识创新效率的确存在较大的区域差异。2.科技人才聚集指标。以往学者常采用 R&D人员全时当量作为创新活动中劳动力投入的代理指标（焦翠红、陈钰芬，2018；孟凡蓉等，2019）33，34，该指标统计以报告期 R&D 人员按实际从事 R&D 活动时间计算的工作量为准，可以更全面地反映科技人力资源的数量和强度。因此，本文同样采用 R&D人员全时当量（l）表示科技人才数量。借鉴王素素等（2022）35测度创新人力集聚中的关于劳动力数量聚集和质量聚集的方法，对科技人才聚集数量指标和质量指标进行计算。关于科技人才数量聚集指标（lei），基于芮雪琴等（2015）18、修国义等（2017）19的研究，借鉴科技人才集聚均衡度系数的相关概念，定义 Li为当地总就业人口，运用区位熵对科技人才数量聚集程度进行计算，具体方法如式（1）所示。这里，leii值越大，意味着地区 i 的科技人才占总就业人口的比重高于全国水平，表明科技人才数量聚集程度越高。leii=li/Li移l/移L（1）关于科技人才质量聚集指标（leiq），在考虑科技人才数量的基础上进一步考虑高质量研发人才，R&D 人员全时当量中中级及其以上职称或博士被称为 R&D 研究人员，本文定义其为 t。同样运用区位熵对科技人才质量聚集程度进行计算，具体方法如式（2）所示。这里，leiqi值越大，意味着地区 i 的高质量科技人才占科技人才的比重高于全国水平，表明科技人才质量聚集程度越高。leiqi=ti/li移t/移l（2）3.控制变量，张玉明和李凯（2008）36认为除基本要素投入（劳动力和资本）外，一个地区的创新水平必然受到产业结构、制度保障、基础设施等因素的综合影响。诸多学者在运用省级面板数据讨论区域创新时会考虑地区层面的影响，引入地区相关指标。白俊红和蒋伏心（2015）37在研究协同创新与空间关联对区域创新绩效的影响时，引入地区产业结构、地区经济发展水平和地区对外开放水平等一系列控制变量。卓乘风等（2017）7在实证中引入基础设施水平、地区开放程度和产业结构等控制变量，研究创新要素流动对区域创新能力的影响。孙红军等（2019）21在研究科技人才集聚及其空间溢出如何影响区域技术创新时，引入人均实际 GDP、产业结构、制度环境和交通条件等控制变量。综合相关文献，考虑到影响区域绿色知识创新效率的指标，本文选取以下地区层面的控制变量：地区经济发展水平（lnagdp），以地区人均 GDP 为代理变量，为了消除物价变动对本文分析的影响，根据估算的 GDP 平减指数计算出其实际值，并进行对数处理；地区信息化水平（il），以当地邮政业务总量同该地区 GDP 的比值作为代理变量；地区政府支持程度（gov），以当地的财政支出同该地区 GDP 之比来衡量；地区交通条件（tc），以当地铁路运营里程数为代理变量。表 220092020 年不同区域的知识创新效率平均值年份全国地区东部地区中部地区西部地区20090.5840.6920.5310.49320100.6060.6640.5690.56420110.5820.6240.5370.57220120.5880.6120.5510.59220130.6170.6480.5570.63720140.6660.6760.5990.72020150.6360.6860.5710.63520160.7100.7720.6450.69120170.7390.7960.6620.73920180.7670.8540.6950.72420190.7890.9000.6980.73220200.7920.8830.6790.785李曼宁，等：科技人才聚集与知识创新效率19统计学报2023 年第 4 期所用指标的描述性统计如表 3 所示。本文对所用指标进行 LLC 单位根检验，所有指标均在 5%的显著性水平下拒绝面板包含单位根的原假设，因此认为面板数据为平稳过程。（二）模型设定空间计量模型主要包括四种：空间自回归模型（SAR）、空间误差模型（SEM）、空间自相关模型（SAC）以及空间杜宾模型（SDM）。不同的空间计量模型设定的空间传导影响因素不同，经济含义也存在差异。空间自回归模型（SAR）表示被解释变量可能相互依赖，即该地区知识创新效率可能会受到相关区域知识创新效率的空间溢出效应的影响。模型设定为：teit=茁0+籽Wteit+茁1leiit+茁2leiqit+茁3lnagdpit+茁4ilit+茁5govit+茁6tcit+着it（3）空间误差模型（SEM）认为空间依赖性是通过误差项体现的，即该地区知识创新效率可能会受到相关区域误差扰动的影响。模型设定为：teit=茁0+茁1leiit+茁2leiqit+茁3lnagdpit+茁4ilit+茁5govit+茁6tcit+滋it滋it=姿W滋it+着it，着N（0，滓2In）（4）空间自相关模型（SAC），该模型将空间自回归模型与空间误差模型结合起来，表示该地区知识创新效率可能会受到其他地区知识创新效率和误差扰动的影响。模型设定为：teit=茁0+籽Wteit+茁1leiit+茁2leiqit+茁3lnagdpit+茁4ilit+茁5govit+茁6tcit+滋it滋it=姿W滋it+着it，着N（0，滓2In）（5）空间杜宾模型（SDM），该模型同时考虑了解释变量和被解释变量的空间滞后算子，其解释变量的变化不仅影响本地区的被解释变量，也会影响到其他地区的被解释变量，表示该地区知识创新效率可能会受到其他地区知识创新效率和科技人才聚集空间溢出的影响。模型设定为：teit=茁0+籽Wteit+茁1leiit+茁2leiqit+茁3lnagdpit+茁4ilit+茁5govit+茁6tcit+酌1Wleiit+酌2Wleiqit+酌3Wlnagdpit+酌4Wilit+酌5Wgovit+酌6Wtcit+着it（6）在空间模型的选择上，大部分学者的处理有待商榷，部分选用空间自回归模型和空间误差模型进行分析，部分直接选用空间杜宾模型进行研究。本文运用四种模型分别进行回归后发现，空间杜宾模型的拟合效果明显优于其他三种模型，回归系数的显著个数也最多。经过 Wald 检验和 Lratio 检验发现，Wald 和 Lratio 检验分别在 1%的显著性水平下拒绝了 茁2=0 和 茁2=-籽茁1的假设，表明空间杜宾模型不会退化为空间自回归模型或空间误差模型。基于此，本文选择空间杜宾模型进行回归分析。进行空间计量分析的前提是构建空间权重矩阵，用于度量区域间的空间距离，空间权重矩阵的设定方法会直接影响空间计量模型的实证结果。由于各地区经济交流越来越频繁，经济联系日益紧密，因此，本文基于经济距离空间权重矩阵进行实证分析。具体设 定为 20092020 年人均地区生产 总值（agdp）差额的倒数，区域 i 与 j 的经济距离（Wij）表示如下：Wij=1|agdpi-agdpj|，（i屹j）Wij=0，i=j（7）确定是否可以使用空间计量模型的前提就是观察数据是否存在空间依赖，Moran s I 是用于度量空间自相关最普遍的指标，一般取值介于-1 与 1 之间。当取值大于 0 时，表示空间分布呈现正相关；当取值小于 0 时，表示空间分布呈现负相关；当接近于0 时，表示不存在空间自相关，空间分布是随机的。知识创新效率的莫兰指数如表 4 所示，可以看出，基于经济距离空间权重矩阵计算的 20092020 年我国 30 个省份专利授权数的 Moran s I 指数值均大于表 3描述性统计代理变量变量名称观测值平均值标准差最小值最大值te知识创新效率3600.6620.3340.1261.747lei科技人才数量聚集3601.0591.0450.1796.549leiq科技人才质量聚集3601.1220.2110.6191.644lnagdp地区经济发展水平36010.5260.4619.28911.814il地区信息化水平3600.0060.0060.0010.051gov地区政府支持程度3600.2580.1130.1100.758tc地区交通条件3600.3690.2160.0301.300李曼宁，等：科技人才聚集与知识创新效率20统计学报2023 年第 4 期变量直接效应间接效应总效应SDM1SDM2SDM1SDM2SDM1SDM2lei-0.114*（-2.54）-0.097*（-2.12）-0.209*（-3.06）-0.160*（-2.15）-0.323*（-3.67）-0.257*（-2.77）leiq0.163*（2.73）0.378*（2.67）0.541*（2.39）lnagdp0.679*（4.07）0.703*（4.24）0.568*（1.87）0.401（1.29）1.247*（4.65）1.104*（4.22）变量SDM1SDM2变量SDM1SDM2lei-0.126*（-2.77）-0.107*（-2.34）Wlei-0.284*（-3.47）-0.223*（-2.48）leiq0.185*（2.93）Wleiq0.507*（2.01）lnagdp0.7714*（4.35）0.710*（4.36）Wlnagdp0.861*（2.37）0.680*（1.86）il6.886*（2.80）6.840*（2.77）Wil-4.807*（4.93）-6.467（-1.32）gov0.906*（2.49）0.789*（2.18）Wgov2.201*（2.65）1.760*（2.10）tl0.302（1.60）0.475*（2.42）Wtl0.743（1.17）1.233*（1.89）籽0.249*（2.50）0.268*（2.68）Log239.6860243.5207Sigma0.014*（12.78）0.013*（12.77）N3603600，空间分布呈现显著正相关（正态统计量 Z 大于 10%显著水平的临界值），表明以 te 为代表的我国各省份的知识创新效率的空间分布呈现出显著的正相关。五、实证结果（一）基准回归为验证理论分析，本文首先就科技人才的数量聚集对知识创新效率的影响进行回归分析，即SDM1。随后引入科技人才的质量聚集进一步进行回归，即 SDM2。从数量和质量两方面分析科技人才聚集对知识创新效率的影响，回归结果如表 5 所示。由表 5 可知，基于 SDM1和 SDM2的空间相关系数 籽 和 Sigma均在 5%的显著水平下为正，表明存在正向空间溢出。为深入了解解释变量的空间溢出效应，本文基于效应分解（Lesage 和 Pace）进行分析，结果如表 6 所示，可以发现在 SDM1和 SDM2中，科技人才数量聚集的直接效应回归系数、间接效应回归系数和总效应回归系数均在 5%或 1%的显著水平下显著为负，表明科技人才数量聚集抑制了知识创新效率的提高，符合假设 1。在 SDM2中，科技人才质量聚集的回归系数在 5%或 1%的显著水平下为正。对比数量聚集和质量聚集对知识创新效率的影响程度可以发现，科技人才质量聚集对知识创新效率的影响要显著高于科技人才数量聚集，同时在引入科技人才质量聚集这一指标后，科技人才数量聚集对知识创新效率的负向影响相对减弱，符合假设 4。表 420092020 知识创新效率的莫兰指数年份Morans I指数年份Morans I指数20090.187*（1.901）20150.178*（1.961）20100.211*（2.071）20160.141*（1.449）20110.200*（1.966）20170.201*（1.986）20120.174*（1.750）20180.191*（1.938）20130.157*（1.640）20190.106*（1.411）20140.164*（1.930）20200.132*（1.945）注：*、*、*分别表示在 1%、5%、10%的显著性水平下显著。表 5科技人才聚集对知识创新效率的基准回归注：同表 4。表 6科技人才聚集对知识创新效率的影响效应分解李曼宁，等：科技人才聚集与知识创新效率21统计学报2023 年第 4 期变量直接效应间接效应总效应SDM1SDM2SDM1SDM2SDM1SDM2il7.350*（3.01）7.219*（2.79）-5.778（-1.43）-6.741（-1.54）1.572（0.41）0.478（0.12）gov0.813*（2.33）0.737*（2.10）1.712*（2.40）1.310*（1.91）2.525*（3.30）2.047*（2.66）tl0.274（1.51）0.432*（2.29）0.569（1.07）0.934*（1.72）0.843（1.51）1.366*（2.33）（二）异质性分析为具体分析科技人员聚集对知识创新效率的空间效应，本文基于原有的区域划分，将全国区域划分为东、中、西部三个区域进行异质性分析，回归结果如表 7 所示。研究发现，基于经济距离空间权重矩阵，东部、中部和西部地区的空间溢出系数 籽 和 Sigma均在1%的显著性水平下为正，籽 分别为 0.542、0.372 和0.162，表明三个区域均存在正向的空间溢出效应，且东部的系数最大，中部次之，西部最小。效应分解结果如表 8 所示，可以发现，东部地区科技人员的数量聚集和质量聚集均可显著提升当地知识创新效率，影响系数为 0.225 和 0.964，并存在显著的正向溢出效应，间接影响系数分别为 0.279和 0.091。就总效应而言，科技人员数量聚集的影响系数为 0.503，科技人员质量聚集的影响系数为1.055，表明在知识创新效率的提升中，科技人员质量聚集的总影响远大于数量聚集。中部地区科技人员数量聚集的直接影响系数为-0.208，间接影响系数为-0.025，总影响系数为-0.233，且均在 5%或 1%的水平下显著。质量聚集的直接影响系数为 0.368，间接影响系数为 0.407，总影响系数为 0.775。这表明在我国中部地区，科技人员数量聚集会显著抑制当地与周边相关地区的知识创新效率，而质量聚集会促进当地与周边相关地区的知识创新效率。西部地区科技人员数量聚集的影响系数在 5%或 1%的水平下显著，其中直接影响系数为-1.058，间接影响系数为 0.359，总影响系数为-0.709，表明科技人员聚集会抑制当地知识创新效率，促进周边相关地区知识创新效率的提升，但综合考虑科技人员数量聚集对知识创新效率的影响仍为负。质量聚集的影响系数在 5%或 1%的水平下显著，直接影响系数为0.034，间接影响系数为 1.735，总影响系数为 1.769。对比发现，就直接效应而言，东部科技人才数量聚集的影响为正，中西部为负，中部地区的负向影响最大，表明在中西部地区，单纯强调引进人才形成数量聚集难以发挥人才聚集的积极效应，使得当地知识创新效率不进反退。东中西部科技人才质量聚集对当地知识创新效率的影响显著为正，且东部的影响最大，西部最小。就间接效应而言，东西部科技人才数量聚集的影响为正，而中部为负，表明东西部科技人才数量聚集有助于提升周边相关地区的知识创新效率，而中部竞争更为激烈使得其间接效应为负。表 6（续）注：同表 4。表 7不同区域科技人才数量聚集对知识创新效率的影响变量东部中部西部lei0.154*（2.52）-0.220*（-2.30）-1.054*（-3.53）leiq0.985*（3.39）0.415*（2.39）0.098*（2.53）lnagdp0.354（1.45）0.852*（2.41）0.860*（2.40）il8.807*（3.70）-16.118（-0.89）-45.643*（-1.95）gov3.848*（5.41）0.161（0.14）-0.120（-0.27）tl0.999*（2.98）-7.761*（-2.66）0.549（1.37）Wlei0.590*（4.37）-0.141*（-2.33）0.188*（2.18）Wleiq0.675*（2.97）0.632*（2.46）1.946*（3.51