EN中文

经济地理 >

2021 , Vol. 41 >Issue 11: 9 - 18

DOI: https://doi.org/10.15957/j.cnki.jjdl.2021.11.002

区域经济与理论方法

研发要素流动的时空特征及对中国经济高质量发展的影响

  • 王兵 , 1 ,
  • 徐霞 1 ,
  • 吴福象 , 1, 2, ※
展开
  • 1.南京大学 经济学院，中国江苏 南京 210093
  • 2.南京大学 长江产业经济研究院，中国江苏 南京 210093
※吴福象（1966—），男，安徽安庆人，博士，教授，博士生导师，研究方向为区域经济发展和全球创新链治理。E-mail：

王兵（1991—），男，河南濮阳人，博士研究生，研究方向为全球化与中国区域经济发展。E-mail：

收稿日期: 2021-03-04

  修回日期: 2021-09-17

  网络出版日期: 2025-04-17

基金资助

国家社会科学基金重大项目(20&ZD123)

国家自然科学基金面上项目(72073061)

国家社会科学基金青年项目(20CJL034)

南京大学博士研究生创新创意研究计划项目(CXCY19-20)

江苏省软科学项目(BR2021055)

收起

Spatio-temporal Characteristics of the R&D Element Flow and Its Impact on the High-quality Development of China's Economy

  • WANG Bing , 1 ,
  • XU Xia 1 ,
  • WU Fuxiang , 1, 2, ※
Expand
  • 1. School of Economics，Nanjing University，Nanjing 210093，Jiangsu，China
  • 2. Yangtze Industrial Economic Institute，Nanjing University，Nanjing 210093，Jiangsu，China

Received date: 2021-03-04

  Revised date: 2021-09-17

  Online published: 2025-04-17

Fold

摘要

创新驱动发展是中国新旧动能转换阶段的重大战略，研发要素作为参与创新过程、影响创新绩效、体现创新结果的重要因素，是影响经济高质量发展的关键。运用对数双引力模型测算2008—2018年研发要素省际流动指数，描述其时空特征和地理分异现状，并采用动态空间杜宾模型分析了其对经济高质量发展的空间效应。结果发现：①研发要素省际流动具有较强的网络特征和一定程度的“中心—外围”特征。②其对经济高质量发展的影响同时受“惯性效应”“示范效应”和“制约效应”的作用，且在全国范围及“胡焕庸线”两侧呈现一定程度的异质性。通过建立以合作为导向的省际联系，引导研发要素有序流动，兼顾本土培育与国际引进，促进研发要素在中西部地区汇聚，是破解创新要素空间流动的“胡焕庸线”分割难题，实现区域协调和高质量发展的可行思路。

关键词： 研发要素流动; 高质量发展; 对数双引力模型; 动态空间杜宾模型; 胡焕庸线

本文引用格式

王兵 , 徐霞 , 吴福象 . 研发要素流动的时空特征及对中国经济高质量发展的影响[J]. 经济地理, 2021 , 41(11) : 9 -18 . DOI: 10.15957/j.cnki.jjdl.2021.11.002

Abstract

Innovation-driven development is a major strategy in the transformation phase of old-new driving force of China's economic growth. R&D elements, as important factors that participate in the innovation process, affect innovation performance and reflect innovation results,are the key to high-quality economic development. This study uses the logarithmic dual gravity model to calculate the inter-provincial flow index of R&D elements from 2008 to 2018, and describes its spatio-temporal characteristics and the status quo of geographic differentiation. Based on the dynamic spatial Dubin model, it analyzes its spatial effects on high-quality economic development. The results are showed that: Firstly, the inter-provincial flow of R&D elements has strong network characteristics and a certain degree of "core-periphery" characteristics. Secondly,its impact on the high-quality economic development is also affected by "inertia effect","demonstration effect" and "restriction effect", it shows a certain degree of heterogeneity across the whole country and on both sides of the "HU Huanyong Line". It puts forward some suggestions for solving the dilemma of innovation elements' spatial flow in the both sides of the "HU Huanyong Line" and realizing regional coordination and high-quality development,which include establishing cooperation-oriented inter-provincial links,guiding the orderly flow of R&D elements, taking into account local R&D element cultivation and international R&D element introduction, and promoting the convergence of R&D elements in the central and western regions.

Key words： flow of R&D elements; high-quality development; logarithmic dual gravity model; dynamic spatial Dubin model; HU Huanyong Line

党的十八大以来，创新驱动发展战略始终被摆在国家发展全局的核心位置。研发要素作为参与创新过程、影响创新绩效、体现创新结果的重要因素，是保障中国经济新旧动能顺利转换和高质量发展的关键。然而，中国创新要素的禀赋条件和配置水平存在明显的省际不平衡问题。历年《全国科技经费投入统计公报》显示，各省份研发经费投入强度具有较大的变异性和离散性。此外，长期以来，都市“欢宴效应”产生的强大吸引力，也驱动着创新人才向发达地区流动和集聚[1]，尤其是引领区域经济发展的东部沿海城市和国家中心城市[2]。一个自然引申的问题是，以研发资本和研发人才为代表的创新要素的空间流动与再分布，是否能够有效驱动中国经济的高质量发展?因此，通过准确测度研发要素的省际流动指数，客观描述其空间分布的特征事实和地理分异现状，实证考察其影响中国经济高质量发展的空间效应，有利于指导创新驱动中国经济高质量发展的实践。
中国经济进入高质量发展阶段以来，国内学者对经济高质量发展的研究日益丰富，涵盖了从高质量发展的内涵与测度、影响因素、现实困境、动力转换到实现路径的完整链条。与本文研究相关的文献，主要包括对经济高质量发展的内涵和测度的研究以及驱动经济高质量发展的影响因素两个方面。其中，关于经济高质量发展的内涵和测度的研究，经历了从单一维度到多维度的演变。然而，目前学术界对经济高质量发展的内涵和测度尚未达成一致，争议的重点主要体现在维度选择的不全面性和维度权重分配的不统一性，但基本的共识是经济高质量发展至少应包含经济的持续增长和居民福利改善两个方面。比如，欧进锋等基于五大新发展理念对经济发展质量的测算表明，经济增长是高质量发展的基础，在经济规模不断扩大的基础上，才能实现产业结构转型升级、效益提升和经济的质变发展[3]；金碚基于福利视角，指出发展质量的高低是以经济发展能否满足人民日益增长的美好生活需要为判断准则[4]。
在关于驱动经济高质量发展的影响因素研究中，“创新是推动经济高质量发展的第一驱动力”已经得到大量文献的支持。最具代表性的是，相关学者构建的R&D驱动的内生经济增长理论。在此基础上的相关研究主要从以下三个视角开展：①对创新要素投入与配置影响经济高质量发展的考察。比如，相关学者认为人力资本禀赋[5]、金融资本配置[6]、R&D要素配置水平[7-8]等是驱动经济高质量发展的基础。②对创新要素流动影响经济高质量发展的内在机制探究。比如，相关研究认为创新要素的空间流动可通过提升全要素生产率[9]、通过规模效应和外溢效应提升区域创新绩效[10]、推动技术创新和产业结构升级[11]以及助力本土企业生产扩张、新企业产生和外来企业向本地的生产转移[12]等机制驱动经济的高质量发展。③将内生增长理论与新经济地理学理论的自然结合也为创新驱动经济高质量发展提供了一个逻辑严谨的研究范式。比如，在此范式下，相关学者对研发要素流动影响经济增长的空间机制的研究[13]；对要素流动影响区域福利水平的考察[14]；对技能劳动力及R&D部门迁移影响区域经济增长和福利的综合分析[2,15]；对研发要素外部性特征的探索[16-17]等。
综上所述，相关文献对研发要素流动的介绍多采用数量和规模等相对静态指标展开分析，缺乏从推拉力角度对研发要素省际流动的时空差异特征进行动态描述；同时，现有研究往往仅关注研发要素对经济高质量发展所产生的单一空间效应，对其空间流动时所可能产生的空间相关性有所忽略。鉴于此，本文使用2008—2018年中国省级空间面板数据，选取经济增长和居民福利指标反映经济高质量发展的内涵，运用对数双引力模型测算研发要素省际流动指数，描述其时空特征和地理分异现状，并运用动态空间杜宾模型分析其对经济高质量发展的空间效应以及在“胡焕庸线”两侧的异质性。

1 研发要素流动的地理分异与空间特征

1.1 R&D要素省际流动指数的测度

1.1.1 R&D人员省际流动指数的测度

在描述R&D人员省际流动的时空特征之前，首先需要对R&D人员的省际流动进行测度。经验研究表明，工资是劳动力流动的主要引力因素，而房价是劳动力流入的重要推力因素[18-19]。考虑到地区间工资差和房价差之间高与低的四种组合对引力大小的影响，本文改造了白俊红等的测算方法[13]，使用工资差值（拉力）与房价差值（推力）的合力作为对数双引力模型的吸引力变量，来测度R&D人员的流动指数。计算公式如下：
f r d p i j = l n H i ∙ w a g e j - w a g e i - h p j - h p i ∙ d i j - 2
式中： f r d p i j为地区i的R&D人员流向地区j的流动指数； H i为i省的R&D人员数量（规模以上企业R&D人员全时当量）； w a g e i、 w a g e j分别为i省和j省的城镇单位就业人员平均工资； h p i、 h p j分别为i省和j省的商品房平均销售价格； d i j为两地区省会城市之间的距离（km）。若 f r d p i j为正，则表示地区i的R&D人员流入地区j；若 f r d p i j为负，则表示地区j的R&D人员流入地区i；对 f r d p i j取绝对值，则表示地区i与地区j省际间的R&D人员流动指数（absfrdp）。此外，i省在统计年度内R&D人员的总流入指数（ f r d p i）可以表示为：
f r d p i = ∑ j = 1 n f r d p i j

1.1.2 R&D资本省际流动指数的测度

同理，参考白俊红等的测算方法[13]，选取规模以上企业工业成本费用率差值和金融市场化程度差值作为驱动R&D资本区际流动的双引力，运用对数双引力模型核算R&D资本的流动指数。计算公式如下：
f r d c i j = l n S R D C i ∙ f m i j - f m i i + r p c j - r p c i ∙ d i j - 2
式中： f r d c i j为地区i的R&D资本流向地区j的流动指数；SRDCi为i省的规模以上企业R&D资本存量； f m i i、 f m i j分别为i省和j省的金融市场化程度指数；rpci、rpcj分别为i省和j省的规模以上企业工业成本费用利润率。若 f r d c i j为正，则表示地区i的R&D资本流入地区j；若 f r d c i j为负，则表示地区j的R&D资本流入地区i；对 f r d c i j取绝对值，则表示地区i与地区j省际间的R&D资本流动指数（absfrdc）。此外，i省在统计年度内R&D资本的总流入指数 f r d c i可以表示为：
f r d c i = ∑ j = 1 n f r d c i j
需要说明的是，对于R&D资本存量的测算，本文借鉴了吴延兵的方法[20]，将各省（自治区、直辖市）规模以上工业企业的R&D经费支出以2008年为基期按照R&D支出价格指数平减为实际值，并使用永续盘存法核算为R&D资本存量，核算公式为SRDCi，t=（1-Δ1）RDCi，t-1+FRDCi，t-1。其中，SRDCi，t表示i地区第t期的R&D资本存量，Δ1为R&D资本折旧率，FRDCi，t表示t期的R&D经费实际支出；设定R&D支出价格指数=0.6×消费价格指数+0.4×固定资产投资价格指数[13]；设定SRDC0=FRDC0/（g+Δ1），其中，SRDC0和FRDC0分别表示基期R&D资本存量和基期R&D经费实际投入值，g为考察期内实际R&D经费支出的平均增长率，Δ1为15%[20]。
运用金融业的市场竞争和信贷资金分配的市场化两项基础指数近似衡量金融市场化程度[21]。由于金融业市场竞争指数度量指标的可得性和连续性难以保证，因此本文选用信贷资金分配的市场化指数作为金融业市场化指数的替代变量，信贷资金分配的市场化用规模以上非国有及非国有控股企业负债占规模以上企业全部负债的比重来替代。

1.2 R&D要素省际流动的时空特征

1.2.1 R&D人员省际流动的时空特征

根据对R&D人员流动指数的测算，本文绘制了2008、2013、2018年以及2008—2018年R&D人员省际流动网络。限于篇幅，仅展示2008—2018年R&D人员省际流动网络，如图1。分析图1a和图1b（图1b隐藏了图1a第一类网络线）可知，R&D人员省际流动呈现出复杂的网络特征，主要表现在以下两点：①东部沿海地区和部分中部省份之间具有较强的R&D人员流动性，东部发达省份间的R&D人员流动性最强，东部与西部省份之间的R&D人员流动性相对较弱。②R&D人员省际流动呈现出一定的“中心—外围”特征。从全国层面看，东部沿海地区是全国经济增长极，如北京、上海等发达地区对全国几乎所有的省份均具有吸引力，流入的R&D人员来自全国各地。从省际层面看，R&D人员省际流动呈现出一定的地理邻近特征，地理邻近的省份R&D人员流动性相对更强。此外，从图1c可以看出，北京、上海、重庆以及青海始终是R&D人员主要流入区域。需要指出的是，青海R&D人员规模较小，按照上述对数双引力模型的计算，青海R&D人员对外流出指数较小，而其他省份R&D人员对青海的流入相对较大，尤其是甘肃的R&D人员对青海的流入指数最大，因此拉高了青海的R&D人员流入指数。此外，从时间轨看，代表性年份R&D人员流入指数的极差逐渐变大，这说明全国R&D人员省际流动性有增强趋势。
图1 2008—2018年R&D人员省际流动网络和流入指数

Fig.1 Inter-provincial flow network and inflow index of R&D Personnel in 2008-2018

事实上，R&D人员的省际流动增强，原因可能在于近年来两类空间压缩技术（交通运输技术和信息通信技术）的不断发展，为R&D人员流动提供了便利。也可能是由于地区间人才与技术资源共享机制存在相辅相成的关系，一方面，地区之间的人才互动有助于促进地区间的创新合作，另一方面，邻近区域间频繁的R&D人员流动，有助于形成区际间研发活动的“合作默契”，从而形成地区间R&D人员交流与互动的正向循环。

1.2.2 R&D资本省际流动的时空特征

同理，图2仅展示2008—2018年R&D资本省际流动网络。可以看出，R&D资本省际流动与R&D人员省际流动的时空特征类似，即同样具有较强的网络特征和一定程度的“中心—外围”特征。主要表现在：①东部和中部地区间具有较强的R&D资本相对流动性。②R&D资本的流入主要集中在沿海工业发达省市，且具有“邻近相吸”的特征。比如上海的R&D资本对江苏和浙江流入的相对指数较大，而其他省市的R&D资本对上海的流出指数相对较小，以至于上海的R&D资本总流入指数为负；又如北京地区R&D资本对天津的流入指数最大等。
图2 2008—2018年R&D资本省际流动网络

Fig.2 Inter-provincial flow network and inflow index of R&D Capital in 2008-2018

1.3 R&D要素省际流动的空间关联性特征

1.3.1 R&D要素省际流动的特征指标选择

从R&D人员和R&D资本的省际流动时空特征分析中已经可以看到中国研发要素的流动具有明显的空间集聚、空间相关以及空间分布不平衡的特征性事实。通过测算R&D要素流动指数的基尼系数、全局Moran's I和局部Moran's I可从理论上明确这种空间相关程度以及空间集中程度。
①基尼系数。使用绝对基尼系数和相对基尼系数测度R&D要素省际流动的集中度，计算公式为：
G N ≡ 1 2 n 2 x ¯ ∑ i = 1 n ∑ j = 1 n x i - x j
式中：i、j=1，2，…，n，代表n个区域；当x控制地理单元总体规模后，测算的基尼系数为相对基尼系数，否则当x未控制地理单元的总体规模时，测算的基尼系数为绝对基尼系数。基尼系数的取值范围为（0，1-1/n），将基尼系数同乘n/（n-1），将其最大值标准化为1，因此基尼系数值越接近1，表示集中程度越高。本文分别测算了中国各省级行政区R&D人员流入指数和R&D资本流入指数的相对基尼系数和绝对基尼系数。其中，测算R&D人员流入指数的相对基尼系数时，控制了各省级行政区R&D人员全时当量；测算R&D资本流入指数的相对基尼系数时，控制了各省级行政区R&D资本存量。
②莫兰指数。使用全局Moran's I和局部Moran's I测度R&D要素流动的空间相关性。

1.3.2 R&D要素省际流动的空间关联性分析

表1报告了历年R&D要素流动指数的基尼系数。可以看出，2008—2018年，R&D人员流动指数和R&D资本流动指数的相对基尼系数较大，绝对基尼系数较小，并且R&D人员流动指数呈现出稳中趋强的空间集中特征，R&D资本流动指数则呈现出稳中趋弱的空间集中特征，这与R&D人员和R&D资本流动在时间轨上的空间网络特征基本一致。
表1 历年R&D要素流动指数的基尼系数

Tab.1 Gini coefficient of the flow index of R&D elements over the years

年份 R&D人员
流动指数
的相对GN		 R&D人员
流动指数
的绝对GN		 R&D资本
流动指数
的相对GN		 R&D资本
流动指数
的绝对GN
2008 0.798 0.624 0.875 0.564
2009 0.727 0.615 0.819 0.603
2010 0.728 0.631 0.777 0.607
2011 0.758 0.681 0.702 0.585
2012 0.744 0.684 0.691 0.565
2013 0.759 0.684 0.686 0.536
2014 0.740 0.667 0.644 0.539
2015 0.756 0.668 0.647 0.526
2016 0.755 0.660 0.637 0.505
2017 0.793 0.681 0.703 0.537
2018 0.835 0.661 0.697 0.499
表2报告了历年R&D要素及其流入指数的全局Moran's I（GMI）。从R&D人员和R&D资本存量规模的GMI来看，中国R&D要素存量分布具有显著的空间正相关性，表明R&D要素在规模特征上存在显著的“高高”集聚和“低低”集聚的现象，这符合中国R&D要素存量规模分布不均衡的现状。比如，中国东部沿海地区尤其是以上海为中心的长三角地区聚集了大量的R&D人才以及较多的R&D经费投入，是吸引创新要素集聚的“蓄水池”；而西部地区往往缺乏R&D要素集聚的比较优势条件而长期处于“低低”知识互动的尴尬境地。
表2 历年R&D要素及其流入指数的全局莫兰指数

Tab.2 Global Moran's index of R&D elements and their inflow index over the years

年份 R&D人员的GMI R&D人员流入
指数的GMI		 R&D资本的GMI R&D资本流入
指数的GMI
2008 0.018（1.484） -0.098*（-1.935） 0.026*（1.680） -0.163***（-3.616）
2009 0.038**（2.044） -0.084（-1.481） 0.031*（1.824） -0.150***（-3.237）
2010 0.037**（2.025） -0.078（-1.297） 0.034*（1.906） -0.154***（-3.321）
2011 0.036**（2.003） -0.113**（-2.369） 0.035*（1.943） -0.156***（-3.330）
2012 0.030*（1.870） -0.112**（-2.361） 0.036**（1.965） -0.159***（-3.408）
2013 0.041**（2.163） -0.103**（-2.087） 0.036**（1.981） -0.151***（-3.144）
2014 0.048**（2.345） -0.114**（-2.434） 0.037**（2.009） -0.148***（-3.052）
2015 0.055**（2.529） -0.100**（-1.991） 0.039**（2.043） -0.141***（-2.870）
2016 0.127***（4.432） -0.098*（-1.941） 0.056**（2.523） -0.138***（-2.774）
2017 0.052**（2.439） -0.105**（-2.131） 0.053**（2.449） -0.134***（-2.689）
2018 0.040**（2.158） -0.123***（-2.726） 0.053**（2.442） -0.134***（-2.689）

注：***、**、*分别表示双尾检验下1%、5%、10%的显著性水平；括号内数字为z统计量。表4同。

从R&D要素流入指数的GMI来看，中国R&D要素流入指数存在显著的空间负相关性，表明R&D要素的流动现状存在“高值”周边被“低值”围绕，“低值”周边被“高值”围绕的情况，这事实上反映了R&D要素在流动特征上存在区域上的“中心—外围”现象，即中心地区对邻近的外围地区的R&D要素存在较强的吸引力，这也基本符合R&D要素流动的空间网络特征。
进一步地，通过计算历年R&D要素规模及R&D要素流入指数的局部Moran's I（LMI）可知，在2008—2018年样本期内，江苏、浙江和广东的R&D要素规模在多数年份的LMI均表明可以强烈拒绝“无空间自相关”的原假设，上海的R&D要素规模在个别年份的LMI也表明可以强烈拒绝“无空间自相关”的原假设，这与全局空间自相关的检验结果基本一致。因此，可以认为，随着时间的推移，中国R&D要素规模的空间分布存在局部集聚特征，且演化趋势基本一致。同时，北京、天津、上海和浙江的R&D人员流入指数以及北京、天津、山西、上海、江苏、安徽的R&D资本流入指数的LMI同样表明可以强烈拒绝“无空间自相关”的原假设，这也与全局空间自相关的检验结果相一致，也一定程度上证明了R&D要素的省际流动存在空间网络特征。

2 实证研究方法、数据来源与变量说明

2.1 一般空间计量模型

对空间数据进行分析所采用的建模方法，通常遵循从一般模型到特殊模型的基本思路。又因为经济高质量发展的当期结果可能会取决于上一期的发展水平，存在一定的惯性效应和马太效应。因此，按照Manski构建一般空间计量模型的经验[22]，并借鉴Elhorst的做法[23]，本文构建了一个包含动态效应的一般空间计量模型，如下：
l n y i t = β 0 + γ l n y i t - 1 + η ∑ j ≠ i N w i j y j t - 1 + ρ ∑ j ≠ i N w i j y j t + β 1 f r d p i t + β 2 f r d c i t + ∑ k = 7 β k X k , i t + θ 1 ∑ j ≠ i N w i j f r d p j t + θ 2 ∑ j ≠ i N w i j f r d c j t + ∑ k = 7 θ k ∑ j ≠ i N w i j X k , j t + μ i t
u i t = λ ∑ j ≠ i N w i j u j t + ε i t
式中：y为各省份反映宏观经济增长的GDP指标和反映经济发展质量的居民福利指标；frdp为各省份R&D人员省际流入指数；frdc为各省份R&D资本省际流入指数；X为各省份若干个常规解释变量和控制变量，包括就业人数（l）、物质资本存量（k）、交通基础设施水平（inf）、人力资本水平（edu）、市场化指数（mkt）、外商投资强度（fdii）和城市人口密度（dens）等； w i j表示空间权重矩阵W中的元素； w i j u j t表示不同空间观测单元的误差项之间存在的交互效应；γ、η、ρ分别为被解释变量的时间滞后、空间滞后和时空滞后的待估参数。

2.2 样本选取与数据来源

鉴于数据可得性和R&D要素省际流动网络的完整性，本文采用2008—2018年除中国香港、澳门、台湾、西藏以外的中国30省（自治区、直辖市）的空间面板数据。数据来源于国家基础地理信息网、历年《中国统计年鉴》以及各省（自治区、直辖市）统计年鉴、历年《中国劳动统计年鉴》和Wind数据库。其中，少量缺失数据，采用线性推算法进行插值补全。

2.3 空间权重矩阵

本文选用地理距离权重矩阵来表征区际间的空间效应，即主对角线元素为0，非主对角线上的元素wij为1/d，d表示中国省级行政区省会i和j之间的地理距离（100 km）。因此，由wij构成的矩阵为对称矩阵。省会地理距离根据国家基础地理信息系统1∶400万的电子地图的省会经纬度，使用ArcGIS 10.2软件计算得到。

2.4 变量说明

关于被解释变量，分别考察反映经济增长和居民福利的3组被解释变量。经济增长指标使用各省份GDP（gdp）表示，以2008年为基期进行不变价处理并取自然对数；居民福利指标分别以城镇居民福利水平（urban_w）和农村居民福利水平（rural_w）表示，其中，城镇居民福利水平=城镇居民人均可支配收入/城镇居民人均消费性支出，农村居民福利水平=农村居民人均可支配收入/农村居民人均消费性支出，两者的值越大，表示居民福利水平越高。需要说明的是，对于居民福利的衡量，究竟是选取收入还是消费作为居民福利指标仍然存在争议，而且中国目前尚没有完善的区域性福利水平测度标准[24]。鉴于中国人普遍存在“手中有粮，心中不慌”的储蓄动机，本文衡量区域居民平均福利水平，综合考虑了居民人均收入和人均消费的情况。
关于核心解释变量，R&D人员流入（动）指数（frdp、absfrdp）和R&D资本流入（动）指数（frdc、absfrdc）分别沿用第一部分的测算结果。关于常规解释变量，劳动力（l）用各省市就业人数表示。各省区物质资本存量（k）的测算，采用全社会固定资产投资来衡量资本，并使用固定资产投资指数进行平减，并进行自然对数化处理。需要说明的是，关于物质资本初始期的确定，使用以1952年为基期计算的2006年度省级层面的资本存量[25]，设定固定资产折旧率（Δ2）为10.96%，It表示当年全社会固定资产投资，2008—2018年的永续盘存投资通过Kt=（1-Δ2）Kt-1+It求得。
关于控制变量，交通基础设施（lninf）用各省市铁路运行里程数的自然对数表示[26]；人力资本水平（edu）用各省份就业人员人均受教育年限衡量[27]；城市人口密度（lndens）用各省份每平方公里人口数的自然对数表示[28]；外商直接投资强度（fdii）用各省份实际利用外商直接投资总额占固定资产投资总额的比重表示[29]；市场化指数（mkt）来源于中国各省份市场化指数报告[21]，并对缺失值进行线性插值法补全。

3 研发要素流动对经济高质量发展影响的实证分析

3.1 空间计量模型选择与实证结果分析

为了确定空间计量模型的具体估计形式，本文对空间计量方程分别进行拉格朗日乘数（LM）检验、似然比（LR）检验、Hausman检验和Wald检验，采用偏误修正的准最大似然估计法（BC-QML）预估计非动态空间杜宾模型和动态空间杜宾模型[30]，最终选择具有个体固定效应的空间杜宾模型。此外，与非动态SDM相比，动态SDM还同时拥有时间滞后效应以及空间滞后效应，且参数估计结果对计量模型具有更强的解释力。表3列出了分别考虑R&D要素流入和流动对经济高质量发展影响的动态空间杜宾模型估计结果。
表3 考虑R&D要素流动的动态空间杜宾模型估计结果

Tab.3 Estimation results of DSDM considering the inflow of R&D elements

变量 被解释变量Y：lngdp 被解释变量Y：urban_w 被解释变量Y：rural_w
模型（1） 模型（2） 模型（3） 模型（4） 模型（5） 模型（6）
frdp 0.001**（2.51） -0.048（-0.55） 0.199（1.44）
frdc 0.683***（3.91） -82.880（-1.39） -373.082***（-3.80）
absfrdp 0.000（0.05） -0.056（-0.50） 0.070（0.36）
absfrdc 0.091（0.48） -132.416**（-2.30） -101.061（-1.02）
L.lnY 0.881***（37.14） 0.914***（36.99） 0.727***（16.26） 0.722***（15.91） 0.687***（16.33） 0.739***（16.76）
L.W×lnY -0.091***（-3.16） -0.107***（-3.31） -0.210***（-4.76） -0.224***（-5.08） -0.176***（-5.27） -0.187***（-5.36）
W×frdp -0.001***（-3.95） 0.211**（2.07） -0.131（-0.80）
W×frdc -0.251（-0.74） -190.409*（-1.68） 281.92（1.52）
W×absfrdp -0.001**（-2.45） 0.287**（2.40） -0.098（-0.48）
W×absfrdc -0.115（-0.39） 73.972（0.77） 61.250（0.37）
ρ 0.158***（6.24） 0.149***（5.53） 0.063*（1.70） 0.746**（2.07） 0.167***（6.94） 0.155***（6.07）
省份固定效应 是 是 是 是 是 是
Log-L 928.9421 909.6419 -818.9703 -816.9702 -965.4360 -981.0363
R2 0.9980 0.9978 0.5554 0.5604 0.6388 0.6079

注：***、**和*分别表示在1%、5%和10%的显著性水平上显著，括号内为z统计量，Log-L为Log-likelihood值，L.Y表示被解释变量Y的滞后一期，L.W×Y表示滞后一期Y的空间滞后项，样本量为300。限于篇幅，表中未报告常规变量和控制变量的参数估计结果，留存备索。

首先，模型（1）、模型（3）和模型（5）为考虑R&D要素流动方向对经济高质量发展影响的情况。从各动态SDM模型的参数估计结果看：①经济高质量发展各项指标的空间项系数（ρ）均显著为正，表明本省的经济高质量发展水平会受到其他省份经济高质量发展水平的加权影响。②GDP滞后一期、城镇居民福利滞后一期以及乡村居民福利滞后一期的参数估计均显著为正，说明各地区经济高质量发展在时间上存在明显的“惯性效应”，上一期地区经济高质量发展状况对当期经济发展具有正向促进效果。而3个被解释变量滞后一期的空间滞后项的参数估计均显著为负，意味着上一期其他地区经济的高质量发展状况与本地区经济发展状况具有负向关联效应，即邻近地区在上一期为经济高质量发展作出的努力会对本地区经济发展产生一定的“制约效应”。这一“制约效应”或许是源自于邻近地区对本地创新要素及其他资源要素的虹吸作用。③R&D人员流入指数和R&D资本流入指数对经济增长的参数估计均显著为正，这意味着R&D要素的流入能够促进本地经济增长，这一定程度上支持了R&D驱动的内生增长理论的相关观点，即R&D要素的流入可以通过数量和规模效应促进本地经济增长[8]。④R&D人员流入指数和R&D资本流入指数对城镇居民福利的参数估计均为负且不显著，而R&D人员流入指数对农村居民福利的参数估计却为正且不显著，R&D资本流入指数对农村居民福利的参数估计显著为负。这意味着R&D要素的流入对居民福利的本地效应有一定的不确定性。因此，对R&D要素流入影响本地福利水平的讨论，可能涉及到要素流入所伴生的正负外部性权衡问题。⑤从R&D人员流入指数的空间滞后项看，R&D人员流入指数的空间滞后项对本地经济增长具有显著负向影响，这说明，R&D人员流入其他地区对本地经济增长具有负的空间效应。可能的原因是，R&D要素是稀缺的，这类要素在空间上的流动往往呈现此消彼长的态势，因此，R&D人员对其他地区的流入，一定程度上可视为对本地区的挤出。从这个角度看，R&D人员对流入地的经济增长带来一系列正外部性效应的同时，也对其他地区产生了负外部性。同时，R&D人员流入指数的空间滞后项对本地城镇居民福利具有显著正向影响，而对农村居民福利的负向影响不显著。这说明，R&D人员对其他地区的流入仅对本地城镇居民福利具有正的空间效应。⑥从R&D资本流入指数的空间滞后项看，R&D资本流入对本地经济发展基本上不存在显著的空间效应。可能的原因是R&D资本往往具有更强的流动性[31]。此外，可以看出，R&D要素流入对经济高质量发展的本地效应与空间效应基本上存在反向关联关系。
其次，当仅考虑R&D要素流动时，可能会引致不同的估计结果。模型（2）、模型（4）和模型（6）为仅考虑R&D要素流动对经济高质量发展影响的情况。从参数估计的结果看：①除了R&D资本流动指数对城镇居民福利的参数估计显著为负外，R&D要素流动指数对经济增长和居民福利的参数估计均不显著。这说明，当仅考虑R&D要素的流动时，R&D要素的省际流动并不必然对经济高质量发展产生积极影响。②除了R&D人员流动指数的空间滞后项对城镇居民福利的参数估计显著为正以外，R&D要素流动指数的空间滞后项对经济增长和居民福利的参数估计均不显著，这说明，R&D要素流动对经济高质量发展的空间效应并不确定。一个隐含的结论是，R&D要素的省际流动所引致的创新空间扩散效应并不必然促进经济的高质量发展。其中的政策含义在于，国家在鼓励R&D要素流动的同时，要更加关注R&D要素的流动方向。
最后，当模型设定中包含全局效应时，还需要进一步测算各核心解释变量的直接效应和间接效应[23]。动态空间SDM包含了滞后一期的被解释变量以及滞后一期被解释变量的空间滞后项，因而动态SDM的直接效应和间接效应还包含了短期效应和长期效应。表4报告了动态SDM的短期和长期直接效应和间接效应。
表4 R&D要素流动对经济高质量发展的短期与长期直接效应和间接效应

Tab.4 Effects of R&D element flow on the high-quality economic development

变量 效应类型 lngdp urban_w rural_w
frdp 短期直接效应 0.000（1.46） -0.028（-0.33） 0.197（1.36）
短期间接效应 -0.010***（-2.68） 0.896*（1.94） -0.605（-0.44）
长期直接效应 0.012（0.05） -0.329（-0.93） 0.686（1.59）
长期间接效应 0.309（0.05） 1.212**（2.06） -1.192（-0.65）
frdc 短期直接效应 0.657***（3.08） -92.432（-1.48） -327.072***（-2.69）
短期间接效应 -1.045（-0.41） -818.369（-1.57） 1 650.063（1.11）
长期直接效应 5.820（0.23） -191.999（-0.85） -1 200.281（-3.87）
长期间接效应 -23.840（-0.08） -750.345（-1.32） 2 849.178（1.48）
absfrdp 短期直接效应 -0.000（-0.30） -0.025（-0.22） 0.081（0.39）
短期间接效应 -0.007**（-1.97） 1.307**（2.10） -0.360（-0.22）
长期直接效应 -0.003（-0.04） -0.401（-0.95） 0.364 （0.52）
长期间接效应 -0.029（-0.03） 1.615**（2.56） -0.697（-0.33）
absfrdc 短期直接效应 0.078（0.38） -128.125**（-2.15） -92.145（-0.81）
短期间接效应 -0.659（-0.32） 282.195（0.63） 325.395（0.27）
长期直接效应 0.968（0.07） -583.525***（-2.60） -401.293（-1.07）
长期间接效应 -18.521（-0.06） 712.956（1.51） 692.287（0.42）
可以看出，在考虑R&D要素流向的情况下，R&D人员的流入对经济增长有显著负向的短期间接效应，对城镇居民福利有显著正向的短期间接效应和长期间接效应，而其他效应却不显著；R&D资本的流入对经济增长有显著正向的短期直接效应，对乡村居民福利具有显著负向的短期直接效应，而其他效应不显著。只考虑R&D要素流动不考虑流向的情况下，R&D人员的流动同样仅对经济增长有显著负向的短期间接效应，对城镇居民福利有显著正向的短期间接效应和长期间接效应，而其他效应不显著；R&D资本的流动仅对城镇居民福利具有显著负向的短期和长期的直接效应。总体上看，这一结论，事实上意味着R&D要素流动并不必然对经济高质量发展产生明确的本地效应和空间外溢效应。其中，可能的原因是，在国家鼓励创新要素流动的背景下，虽然地方政府积极响应国家政策，广泛引进创新要素，但是却忽视了创新要素流动的有序性和优化配置要求，甚至长期存在“抢人”“挖人”乱象。或者在创新产业支持政策上，地方政府背离本地比较优势和资源禀赋特征而盲目推进创新产业落地，虹吸创新要素，从而导致R&D要素流动与R&D部门之间出现“错配悖论”以及重复建设和恶性竞争等问题。在缺乏有效规划情况下，创新要素流动引致的“都市欢宴”与“地方蒙尘”现象得以共存，从而背离了新发展理念中关于创新、协调和共享的要求，以致不能显著促进经济的高质量发展。

3.2 基于“胡焕庸线”分割的进一步分析

由于创新要素流动以及创新的空间扩散与集聚过程涉及地理空间问题，假定R&D要素流动在地理空间上具有异质性是符合现实的。因此，本文按照“胡焕庸线”分割的一般经验[32]，进一步估计了“胡焕庸线”东西两侧的R&D要素流动影响经济高质量发展的空间效应。
动态SDM模型估计结果显示：①经济增长、城镇居民福利和农村居民福利在“胡焕庸线”东侧表现出显著的惯性效应，这一结果与总体样本的估计结果一致，而在“胡焕庸线”西侧，仅经济增长、城镇居民福利表现出显著的惯性效应，农村居民福利的惯性效应并不明显。各被解释变量的空间滞后项仅对“胡焕庸线”东侧地区的抑制作用表现出显著的惯性效应，而对西侧基本不存在显著的惯性效应。这说明，经济高质量发展在“胡焕庸线”东西两侧的惯性效应略有差异。②R&D人员流入指数仅对“胡焕庸线”东侧地区经济增长有显著正向影响，对西侧地区经济增长的影响不显著，且其空间滞后项对两侧经济增长的影响均不显著。而R&D人员流动指数仅对“胡焕庸线”西侧地区经济增长有显著负向影响，对东侧经济增长影响不显著，且其空间滞后项仅对西侧地区经济增长具有显著负向影响。这一定程度上说明了，R&D人员在“胡焕庸线”东侧地区的流入或流出促进了东侧的经济增长，而在不考虑R&D人员流动方向的情况下，R&D人员在东侧地区的流动，并没有对东侧地区经济增长产生显著影响，东侧地区某省市R&D人员的流动也没有对东侧其他省市经济增长产生显著的空间效应。相反，R&D人员在西侧地区的流入或流出对西侧地区的经济增长并没有显著影响，而在不考虑R&D人员流动方向的情况下，西侧地区某省市R&D人员的流动则对西侧其他省市经济增长产生显著的空间抑制效应。此外，R&D人员在“胡焕庸线”东西两侧的流入（动）对居民福利的影响均不显著，其空间滞后项对两侧居民福利的影响与总体样本估计也不尽一致。③无论是否考虑R&D资本流动方向，R&D资本流入指数对“胡焕庸线”东侧地区各被解释变量的估计结果的系数符号与显著性与总体样本基本一致，R&D资本流入指数的空间滞后变量对“胡焕庸线”东侧地区各被解释变量的参数估计系数与总体样本方向也一致，但显著性有差异。而对于“胡焕庸线”西侧地区，在考虑R&D资本流动方向的情况下，虽然R&D资本流入指数对西侧地区各被解释变量的参数估计系数与总体样本方向一致，但其空间滞后变量对西侧地区各被解释变量的估计结果的系数符号和显著性与总体样本不尽一致；在不考虑R&D资本流动方向的情况下，R&D资本流动指数及其空间滞后变量对西侧地区经济高质量发展的各项指标估计结果的系数符号和显著性与总体样本也不尽一致。这说明，“胡焕庸线”东侧地区与总体样本的参数估计具有较强的一致性，同时也一定程度上说明了R&D资本要素流动对经济高质量发展的影响在“胡焕庸线”东西侧之间存在异质性。

4 结论与启示

本文首先通过分析2008—2018年中国R&D人员和R&D资本省际流动的时空特征和空间关联性，描述了R&D要素空间流动的网络化和“中心—外围”特征。然后，利用2008—2018年省级面板数据，采取动态空间杜宾模型实证分析了R&D要素流动对经济高质量发展的影响效应。研究结果表明：①各地区经济的高质量发展在时间上具有明显的“惯性效应”，本地经济高质量发展水平不仅会受到其他省份当期经济高质量发展水平的“示范效应”的影响，而且会受到其他省份上一期为经济高质量发展所做出的努力对本地经济产生的“制约效应”的影响。②当考虑R&D要素流动方向时，R&D要素流入对经济高质量发展的本地效应与空间效应基本上存在反向关联关系。其中，从本地效应上看，R&D要素的流入能够促进本地经济增长，而对居民福利影响具有不确定性；从空间效应上看，R&D人员的流入对经济增长具有负的空间效应，对城镇居民福利具有正的空间效应，而对农村居民福利的空间效应则不显著，R&D资本的流入对经济高质量发展也不存在显著的空间效应。当不考虑R&D要素流动方向时，R&D要素的流动并没有对经济高质量发展产生明确的本地效应和空间效应。③从“胡焕庸线”分割角度看，R&D要素流入（动）的估计结果在“胡焕庸线”东西两侧呈现出明显的空间异质性，其中，R&D要素在“胡焕庸线”东侧地区的流入（动）对经济高质量发展的影响的参数估计与总体样本估计具有较好的一致性，西侧地区样本与总体样本估计的一致性较差。以上结果的政策含义与启示具体表现为以下几个方面。
①促进经济高质量发展要放大各地区经济发展的“惯性效应”和“示范效应”，减弱地区间经济发展的“掣肘效应”和“制约效应”。因此，各地区在推进自身经济高质量发展的同时，要倡导建立以合作为导向的省际联系，交流和推广本地经济高质量发展的制度经验和实践经验，避免“以邻为壑”。
②国家在鼓励创新要素积极流动的同时，需要更加注重创新要素流动的有序性和方向性，以及对创新要素的本土培育和国际引进。一方面，“规划先行”，促进创新要素“人尽其才，钱尽其用”。各省市在创新产业支持政策和人才引进政策制定中，应顺应本地产业基础和资源禀赋优势，合理规划创新产业集群布局，引导创新要素有序注入本地创新产业集群，避免地方政府间盲目模仿而导致的创新要素错配、重复建设和恶性竞争等问题。另一方面，培育创新要素集聚能力，围绕供应链部署创新要素。在创新要素存量固定的情况下，地区间创新要素流动必然存在“此消彼长”的矛盾，这就需要国家和地区向创新要素存量空间要增量价值，注重本地创新要素培育和国际创新要素引进是其中关键所在。
③破除创新要素空间流动的“胡焕庸线”分割难题，需要弥补中西部经济发展在创新要素集聚、创新产业发展等领域的短板。中西部地区应充分利用国家“交通运输技术”和“信息通信技术”等“第二自然”“第三自然”因素的战略部署，借助新西部大开发、“一带一路”倡议、自贸试验区建设等国家战略背景下制度红利的释放[33]，充分发挥中西部地区资源要素的禀赋优势，促进创新要素在中西部地区汇聚，形成中西部地区发展的次级中心。事实上，近年来贵州省打造大数据中心、大生态试验区、大开放经济区就是中西部地区实践高质量发展的典范。
值得一提的是，研发要素流动驱动经济高质量发展是“创新重塑经济地理”这一时代命题的重要研究领域。本文仅重点关注了研发要素流动的时空特征及其对中国经济高质量发展的影响，未对经济高质量发展的多维内涵，以及研发要素流动与经济高质量发展间的因果关系和传导机制进行深入探究。这是本文研究之不足，也是下一步开展研究的方向。

参考文献

原文顺序 | 文献年度倒序 | 文中引用次数倒序
[1]
吴福象, 蔡悦. 中国产业布局调整的福利经济学分析[J]. 中国社会科学, 2014(2):96-115,206.

[2]
王兵, 吴福象. 创新空间扩散、集聚租金与经济高质量发展[J]. 审计与经济研究, 2021(4):117-127.

[3]
欧进锋, 许抄军, 刘雨骐. 基于“五大发展理念”的经济高质量发展水平测度——广东省21个地级市的实证分析[J]. 经济地理, 2020, 40(6):77-86.

[4]
金碚. 关于“高质量发展”的经济学研究[J]. 中国工业经济, 2018(4):5-18.

[5]
李静, 刘霞辉, 楠玉. 提高企业技术应用效率加强人力资本建设[J]. 中国社会科学, 2019(6):63-84.

[6]
杨伟中, 余剑, 李康. 金融资源配置、技术进步与经济高质量发展[J]. 金融研究, 2020(12):75-94.

[7]
陶长琪, 徐茉. 经济高质量发展视阈下中国创新要素配置水平的测度[J]. 数量经济技术经济研究, 2021(2):1-20.

[8]
Ljungwall C, Tingvall P G. Is China different? A meta-analysis of the growth-enhancing effect from R&D spending in China[J]. China Economic Review, 2015, 36(C):272-278.

[9]
唐未兵, 傅元海, 王展祥. 技术创新、技术引进与经济增长方式转变[J]. 经济研究, 2014, 49(7):31-43.

[10]
卓乘风, 邓峰. 创新要素流动与区域创新绩效:空间视角下政府调节作用的非线性检验[J]. 科学学与科学技术管理, 2017, 38(7):15-26.

[11]
吴福象, 沈浩平. 新型城镇化、创新要素空间集聚与城市群产业发展[J]. 中南财经政法大学学报, 2013(4):36-42.

[12]
Olney W W. Immigration and firm expansion[J]. Journal of Regional Science, 2013, 53(1):142-157.

[13]
白俊红, 王钺, 蒋伏心, 等. 研发要素流动、空间知识溢出与经济增长[J]. 经济研究, 2017(7):109-123.

[14]
Redding S J. Goods trade,factor mobility and welfare[J]. Journal of International Economics, 2016, 101(4):148-167.

[15]
Fujita M, Thisse J-F. Does geographical agglomeration foster economic growth?And who gains and loses from it?[J]. The Japanese Economic Review, 2003, 54(2):121-145.

[16]
Audretsch D B, Feldman M P. R&D spillover and the geography of innovation and production[J]. American Economic Review, 1996, 86(3):630-640.

[17]
Shang Q, Poon J P H, Yue Q. The role of regional knowledge spillovers on China’s innovation[J]. China Economic Review, 2012, 23(4):1164-1175.

[18]
Hämäläinen K, Böckerman P. Regional labor market dynamics,housing,and migration[J]. Journal of Regional Science, 2004, 44(3):543-568.

[19]
安虎森, 颜银根, 朴银哲. 城市高房价和户籍制度:促进或抑制城乡收入差距扩大?——中国劳动力流动和收入差距扩大悖论的一个解释[J]. 世界经济文汇, 2011(4):41-54.

[20]
吴延兵. R&D存量、知识函数与生产效率[J]. 经济学(季刊), 2006, 5(4):1129-1156.

[21]
王小鲁, 樊纲, 胡李鹏. 中国分省份市场化指数报告(2018)[M]. 北京: 社会科学文献出版社, 2019.

[22]
Manski C F. Identification of endogenous social effects:The reflection problem[J]. Review of Economic Studies, 1993, 60(3):531-542.

[23]
Elhorst J P. Dynamics spatial panels:model,methods and inferences[J]. Journal of Geographical System, 2012, 14(1):5-18.

[24]
陈志鸿, 李扬. 中国分区域城镇居民福利水平测度[J]. 财经研究, 2018(10):111-124.

[25]
单豪杰. 中国资本存量K的再估算:1952—2006年[J]. 数量经济技术经济研究, 2008(10):17-31.

[26]
马光荣, 程小萌, 杨恩艳. 交通基础设施如何促进资本流动——基于高铁开通和上市公司异地投资的研究[J]. 中国工业经济, 2020(6):5-23.

[27]
王兵, 吴福象. 行业工资率差异、就业份额偏离与产业结构升级——基于省级面板数据的GMM分析[J]. 山西财经大学学报, 2019(5):40-53.

[28]
钟粤俊, 陆铭, 奚锡灿. 集聚与服务业发展——基于人口空间分布的视角[J]. 管理世界, 2020(11):35-49.

[29]
Varela L. Reallocation,competition,and productivity:Evidence from a financial liberalization episode[J]. Review of Economic Studies, 2018, 85(2):1279-1313.

[30]
韩峰, 阳立高. 生产性服务业集聚如何影响制造业结构升级?——一个集聚经济与熊彼特内生增长理论的综合框[J]. 管理世界, 2020(2):72-94.

[31]
Keen M, Marchand M. Fiscal competition and the pattern of public spending[J]. Journal of Public Economics, 1997, 66(1):33-53.

[32]
程名望, 贾晓佳, 俞宁. 农村劳动力转移对中国经济增长的贡献(1978-2015):模型与实证[J]. 管理世界, 2018(10):161-172.

[33]
吴福象, 王兵. “自然”本性、“一带一路”建设与供应链地理重塑[J]. 河北学刊, 2021(1):140-147.

Options
文章导航

/

〈 〉