研发要素流动与高技术产业创新能力

宛群超,袁 凌,王博林

(湖南大学工商管理学院，湖南 长沙 410082)

0 引言

在中国创新驱动战略不断推进的宏观背景下，高技术产业作为知识性、先导性的战略性产业，已成为国际经济和科技竞争的关键领域。近年来，作为有效反映高技术产业创新能力的专利申请量[1]，由2004年的11026件增至2016年的185913件，这说明中国高技术产业创新能力取得了一定的进步。这可能由于各地区持续加大创新生产活动的投入力度，并出台一系列创新政策和产业政策，推动研发要素如R&D人员和R&D资本不断地流入本地区。研发要素在高技术产业之间的区际流动不仅促进创新知识在不同创新主体之间的互动，而且会优化研发要素的结构和配置效率，这有助于高技术产业创新能力的提升。那么，R&D要素流动是否会显著提升中国高技术产业创新能力？进一步地，其作用机制如何？对这些问题的探讨，其关键在于明晰R&D要素流动对中国高技术产业创新能力的作用机理。

经济政策不确定性是指经济主体无法准确地判断政府是否、何时及如何对目前的经济政策加以调整。随着2008年的金融危机、中美贸易摩擦和英国 “硬脱欧”等事件的不断出现，中国面临的经济政策不确定性和贸易政策不确定性逐年增加。为了应对这些政策不确定性带给中国的冲击，中国政府先后出台了诸如 “大众创业、万众创新” “中国制造2025” “长三角一体化”等重大经济政策。从2008年至今，中国经济政策不确定性和贸易政策不确定性呈现了 “下降—上升—再下降—再上升”的波动式态势。那么，这两类政策不确定性是否对研发要素流动的高技术产业创新效应产生调节作用？这些问题的有效探讨，对于中国创新驱动战略的有效落实、智慧城市的有序构建和高技术产业高质量发展具有一定的理论和实践价值。

关于R&D要素与高技术产业创新能力的研究主要基于静态视角、配置视角、行业异质性视角等。从静态视角看，学者考察R&D要素对高技术产业创新能力的促进作用[2-3]，如姚洋等[4]持有类似观点。从R&D资源配置视角，R&D经费投入对中国创新产出空间格局的演进产生了明显作用，而R&D人员的影响则不明显[5]。从行业异质性视角，学者从国内外角度探讨R&D要素对高技术产业创新能力的影响[6-7]。以上研究均忽视了高技术产业R&D要素的动态视角，即R&D要素流动，这可能难以科学地分析R&D流动的创新效应。

现有研究从微观层次探讨经济政策不确定性对企业研发投资的影响，主要有 “促进说” “阻碍说” “不确定说”这3种观点。 “促进说”认为，经济政策不确定性对企业创新产生明显的激励效应与选择效应，对上市公司的研发投入与专利申请量均具有明显的促进作用[8]。 “阻碍说”认为，从经济政策不确定性引致的多维效应看，经济政策不确定性对企业项目投资产生 “放缓效应”与 “延迟效应”[9]。基于实物期权理论视角，经济政策不确定性能够通过研发投资的 “延迟效应”对企业创新产生明显的抑制作用，且存在融资约束与企业性质的差异化作用[10]。 “不确定说”认为，政策不确定性与企业研发投入的关系会受到其他因素的异质性影响[11-12]。关于贸易政策不确定性的研究，涉及企业储蓄行为[13]、研发投资[14]和企业进口[15]。然而，现有研究主要将经济政策不确定性、贸易政策不确定性作为解释变量，而忽视其调节作用，考虑中国经济波动的实际情况，理应在研究高技术产业创新能力中考察经济政策不确定性和贸易政策不确定性的调节作用。

与既有研究相比，本文的贡献主要体现在以下3个方面：①高技术产业地区创新生产活动在空间和时间上均可能不是相互独立，而是存在空间相关性。本文利用动态空间计量模型，采用Han-Phillips的spregdpd命令对其创新能力的时间滞后效应、空间滞后效应及模型的内生性问题同时予以控制，考虑R&D要素的动态性，以科学分析R&D要素流动对其创新能力的影响机理，为深化认识高技术产业创新能力提升路径提供理论支撑；②将经济政策不确定性、贸易政策不确定性作为调节变量，以考察两类政策不确定性对R&D要素流动的创新效应的边界条件。在指标选取上，与经济政策调整的已有研究有所不同，本文采用Baker 等通过文本挖掘技术构建的经济政策不确定性指标来测度中国宏观经济政策不确定性。该指标覆盖范围更广，具有更强的连续性与时变性，更是为了客观地反映中国宏观经济政策的波动。同时，本文采用Davis等构建的贸易政策不确定性指数测度中国贸易政策不确定性；③为了较为深入地分析R&D要素流动对高技术产业创新能力的传导机制，利用中介模型和面板分位数回归模型分别分析R&D要素流动对高技术产业创新能力的基本传导机制与边际效应。

1 理论框架

高技术产业具有高知识性、高渗透性等特征，在市场竞争机制的驱动下，R&D要素的自由流动增强其知识、新技术等创新生产要素的空间流动与扩散效应，有力地推动了高技术产业各行业之间的相互融合、相互渗透和相互促进，这必然加强新工艺、新技术的广泛应用、新产品与市场的相互匹配，从而提升其创新能力。从本质上看，新技术的有效融合过程是 “技术—市场—产业”之间有序传导的过程，这一过程则是产业创新。这能够加快新知识的创造、集成、转移及其应用过程，进而促进R&D环节的有序循环，从而促进创新生产活动。同时，R&D要素流动在 “趋利性”驱使下促进高技术产业创新能力。利润是市场经济环境下高技术企业创新的商业化成果[16]。同时，R&D要素在其 “趋利性”的驱动下，为了实现知识价值最大化，自发地流向收益更高的高技术行业。R&D要素流动在一定程度上增强了高技术产业原始创新能力，引致高技术产品价值的提高，培育与强化企业核心竞争力，进而引致创新利润的增加，这进一步夯实了R&D要素的支撑能力。在市场机制的作用下，R&D要素与其他资源能够得到较好的优化配置，从而提升高技术企业创新生产效率。

R&D要素是高技术产业创新的核心要素，通过知识溢出效应和 “干中学效应”，会有效地促进其创新能力。R&D要素流动促进了高技术产业间R&D人员的分工与协作，促进创新生产要素的空间配置效应，加快新产品的市场化，实现创新收益。嵌入高技术产业的企业与合作伙伴，如高校、科研院所通过 “互联网+”实现创新信息、新颖性知识与先进管理模式的实时共享，形成高效互动的创新网络，进行知识重组，促进知识主体之间的内在关联，提高新产品开发能力[17]。通过创新知识网络不断获取企业创新所需的知识资源，并对其进行有效的集成、整合和利用，催生新产品、新工艺和新方法，从而塑造高技术企业的核心竞争优势。R&D要素流动在一定程度上促使知识转移，增强知识资源的集成和整合，促进创新成果产生[18]。知识转移也会推动知识的交流与共享，夯实创新的知识基础。此外，R&D要素的流入拓展了知识的本地化搜索范围，也会促进知识的实际应用，进而促进高新技术企业技术创新能力。

2 研究设计

2.1 基本模型

高技术产业创新生产活动并不是相互独立，经济关联地区创新活动对本地区创新产生 “示范效应”，能够促进知识、新技术的空间流动。故而，本文考虑空间因素对其进行分析。空间计量模型主要有3种类型：空间自回归模型 (Spatial Autoregressive Model，SAR)、空间误差模型 (Spatial Error Model,SEM)和空间杜宾模型 (Spatial Durbin Model,SDM)。Elhorst[19]指出 “动态非空间的，抑或空间非动态的面板数据均会产生有偏的估计量”。因此，本文同时考虑时间和空间维度，采用Han-Philips的动态空间计量模型予以检验。

以R&D人员流动示例，R&D资本流动类似。R&D人员流动影响高技术产业创新能力的动态空间计量模型可表示为：

lnhtinnovit=θ0+θ1lnhtinnovi,t-1+ρWij×

(1)

考察经济政策不确定性调节作用的动态空间计量模型可表示为：

lnhtinnovit=α0+α1lnhtinnovi,t-1+ρWij×

lnhtinnovit+α2lnrdpflit+α3lnepuit+α4lnrdpflit×

(2)

考察贸易政策不确定性调节作用的动态空间计量模型可表示为：

lnhtinnovit=α0+α1lnhtinnovi,t-1+ρWij×

lnhtinnovit+α2lnrdpflit+α3lntpuit+α4

(3)

R&D要素如同其他创新生产因素，具有经济属性，在市场机制的驱动下自发流向经济收益相对较高的高技术产业。所以，本文从经济社会意义上构建空间权重矩阵，较为深入地探讨R&D要素流动对高技术产业创新能力的影响。借鉴李婧等[20]的做法，采用各地区2004—2016年间人均GDP设定经济权重矩阵W，测度公式为：

(4)

2.2 变量说明

(1)被解释变量：高技术产业创新能力。专利能够较好地反映一个国家或地区新知识、新技术的累积效应，是自主创新能够持续开展的主要来源。因此，选取其专利申请量的对数值来表征，并记为lnhtinnov。部分年份各省域高技术产业创新能力的核密度如图1所示。可以看出，在研究期内中国省域高技术产业创新能力提升进程表现出明显改变，具体表现在两个方面：①核密度曲线的波峰逐年向右推移、向右推移的速度较快，说明中国高技术产业创新能力呈现整体上升的趋势及其创新能力的提升进程相对较快；②核密度分布曲线的波峰呈现出逐年增高的趋势，但右端尾部并没有抬高。值得注意的是，2016年核密度曲线左端尾部抬高明显，说明中国省域高技术产业创新能力的区域差异有所扩大。

图1 各地区高技术产业创新能力核密度

(2)解释变量：R&D要素流动。引力模型能够较好地解释R&D要素流动的能力。借鉴白俊红等[21]的研究，利用引力模型对中国高技术产业地区之间R&D要素的流动量进行测度。

引力模型的一般表达式为：

(5)

式中，Fij表示两省域高技术产业的吸引力；Eij表示其引力系数，常取1；Ni和Nj分别表示某种要素的规模量；ki、kj表示引力参数，常取1；Rij表示其距离；b常取1。

R&D人员流动。在 “趋利性”和 “价值最大化”的市场机制驱动下，研发人员自发流向高技术产业产值较高的地区。因此，利用高技术产业地区产值差值作为吸引力变量，用于测度某个地区高技术产业流向另一个地区高技术产业的R&D人员流动量，具体测度公式如下：

(6)

式中，rdpflij为i地区高技术产业流向j地区高技术产业的R&D人员流动量；Ni表征i地区高技术产业R&D人员数；Prodi、Prodj分别为地区i、j高技术产业的产业总产值；Rij为i、j地区高技术产业之间的距离。

(7)

式中，rdpfli为统计年度内i地区高技术产业流到其他地区高技术产业R&D人员总流动量。

R&D资本流动量。借鉴白俊红等[21]的研究，利用引力模型测度R&D资本流动量。鉴于R&D资本存在 “趋利性”，高技术产业间的R&D资本流动受到企业利润水平影响很大。从而，本文选取高技术产业地区企业利润差值作为吸引力，来计算R&D资本流动量。

假定i地区高技术产业流动到j地区高技术产业的R&D资本为rdcflij；Capi为i地区高技术产业的R&D资本；Profiti和Profitj分别表示i、j地区高技术企业利润水平，则rdcflij可表示为：

(8)

式中，i地区高技术产业在研究期流动到j地区高技术产业的R&D资本流动总量为rdcfli，则其测度可以表示为：

(9)

参考吴延兵的研究，采用永续盘存法进行测度。

(3)中介变量：资源配置效率。Hsieh等[22]对资源错配与全要素生产率的关系进行了较为详细的阐述。可见，全要素生产率能够反映区域经济活动中的资源配置效率。借鉴徐升艳等[23]的研究，本文利用其全要素生产率来测度其资源配置效率，并认为资源配置效率的核心在于生产要素投入产出效率的提升。全要素生产率的测度方式主要有索罗余值法、数据包络分析法以及随机前沿分析方法等。郑京海等[24]的研究认为，尽管索罗余值法在测度TFP中受到争议，但若能够选择恰当的生产函数，该方法仍具有应用价值。鉴于此，本文以其全要素生产率作为资源配置效率的测度指标，取其对数，并记为lnalloc。

借鉴索罗增长核算方程的思路，假定规模报酬不变，柯布—道格拉斯生产函数为：

(10)

对式 (10) 进行相应的转化，应用公式

ln(Yit/Lit)=lnAi0+σt+α×ln(Kit/Lit)+εit

(11)

式中，Y为总产出，K为资本存量，L为劳动力数量，A为全要素生产率，α为资本产出弹性。借鉴单豪杰[24]的研究，利用永续盘存法来测度其地区资本存量K，利用地区就业人数测度劳动力投入量。利用静态面板数据模型对资本产出弹性进行估计，根据Hausman检验结果，选择固定效应模型。考虑变量自相关和异方差对参数估计的影响，本文使用StataSE15.0 软件中的xtscc命令来估计固定效应模型 (F统计量=685.71，P值=0.000)，2004—2016 年中国资本产出弹性α =0.5873 (t统计量=17.22，P值=0.000)，这与多数学者对中国资本产出弹性的测度结果集中在0.4～0.6之间相一致。因此，全要素生产率的计算公式为TFPit=Yit/K0.5873L0.4127。

(4)调节变量。经济政策不确定性。经济政策不确定性能够促使企业加强研发活动来实现自我发展[12]，通过自身研发努力传导到高技术产业，有助于创新活动的可持续性。采用Baker等构建的中国经济政策不确定性指数，采用简单加权的方式予以表征，取其对数来测度，记为lnepu。

贸易政策不确定性。贸易政策不确定性对企业R&D投资产生明显的促进作用，会促进研发要素的流动，夯实创新活动的研发要素基础。本文采用Davis等构建的贸易政策不确定性来测度中国贸易政策不确定性，计算其月度数据的均值，取其对数，记为lntpu。

(5)控制变量。控制变量有以下4个。

产业集聚。周明等[25]的研究表明，产业集聚及其知识溢出会明显地促进区域高技术产业创新能力。用高技术产业就业人员数据，利用区位熵指数测度产业集聚，公式为：

(12)

式中，indclit表示高技术产业集聚水平的高低，htpit、htpt分别为i省域在j年高技术产业的就业人数、总就业人数；sumpit、sumpt分别表示第j年高技术产业的就业人数、总就业人数，取其对数值，记为lnindclit。

研发支出密度。研发技术资源丰裕度越高，活力越强，创新动能培育越好，就越会驱动高技术产业创新能力。用Allen等[26]提出的方法，测度高技术产业研发支出密度，取其对数，记为lnhyfmit。

企业规模。一般而言，高技术企业规模越大，自身的抗创新风险能力越强，投入研发活动的资源越多，对企业创新能力的促进作用越强。利用其主营收入与企业数量的比值，取其对数，记为lnhscaleit。

市场竞争。市场竞争越激烈，高技术企业通过市场机制配置自身资源进行创新的意愿越大，对创新活动平的有序开展越有利。采用地区高技术企业个数来测度，取其对数，记为lnhmarit。

2.3 数据来源

由于2018年 《中国高技术产业统计年鉴》缺失，原始数据来自中国大陆30个省级行政单位 (西藏数据缺失较多，不予以考虑)2005—2017年 《中国高技术产业统计年鉴》 《中国统计年鉴》 《中国科技统计年鉴》及地方统计年鉴。

3 实证结果与分析

3.1 中国高技术产业创新能力的空间相关性

Moran I指数[27]是测度省域高技术产业创新能力是否存在空间相关性的有效统计工具。2004—2016年省域高技术产业创新能力的Moran I指数及其变动情况见表1。可以看出，2004—2016省域高技术产业创新能力的Moran I指数值在0.175～0.396波动，几乎通过了1%显著性检验水平，意味着其创新能力均存在明显的正向空间自相关性，即省域高技术产业创新活动的有序进行会受到邻近省域高技术产业创新行为的影响，且呈现出明显的空间集聚特征，这与邱士雷等的研究相一致。

表1 2004—2016年高技术产业创新能力的Moran I指数

为了进一步考察中国高技术产业创新能力空间分布的局部特征，用Moran I散点图直观地观察。2016年省域高技术产业创新能力的Moran I散点图如图2所示。可以看出，中国省域高技术产业创新能力存在明显的空间分布规律。处于 “高—高”象限的很多是处于东部沿海的省份，如广东、江苏、山东、上海等；接近一半的西部地区省份高技术产业创新活动对于经济上 “临近”区域具有 “低—低”相关性,主要有云南、贵州、甘肃、宁夏、青海及新疆；而位于 “低—高”象限的广西和内蒙古，虽临近高技术产业创新能力较高的部分省份，但囿于自身创新基础相对薄弱，创新要素支撑能力不足以及吸收能力有限，对高技术产业创新活动的推动步伐相对缓慢。

图2 2016年省域高技术产业创新能力的Moran I散点图

3.2 实证结果分析

R&D人员流动和R&D资本流动的动态空间计量回归结果见表2。

由表2可知，Moran MI的系数显著为正，说明高技术产业创新活动存在明显的全域自相关性，其空间集聚特征较为明显，ρ值均为正，通过统计显著性，这说明本地高技术产业创新能力对其周围地区均产生了显著的空间溢出效应。L_lnhtinnov值均为正，通过统计显著性，这意味着高技术产业创新过程均存在明显的路径依赖性和动态扬弃机制，这与吕承超和商圆月的研究较为一致。以下侧重分析两类研发要素流动对高技术产业创新能力的影响及其lnepu和lntpu的调节作用。

表2 动态空间计量的回归结果

模型 (1)和 (4)分别考虑两类研发要素流动对高技术产业创新能力的影响。lnrdpfl、lnrdcfl的系数均为正，且均通过相应的显著性水平，这意味着研发要素流动对高技术产业创新能力产生了明显的 “挤入效应”。其原因在于：①随着 “互联网+”和5G技术等新工具的逐渐普及，流入地的R&D人员会有效克服信息不对称性，能够根据市场供求的变化，进行研发努力，通过新工艺、新生产流程、新产品获取创新的私人收益，强化其经济属性，反过来对经济关联地区研发人员产生了 “吸引力”，使其不断流向该地区，从而强化其创新生产活动的创新人员支撑能力；②高技术产业R&D资本 “撬动”国内R&D资本的区际流动增加了流入地R&D资本，R&D资本的流向和规模能够为流入地高技术产业创新生产活动提供资金支持，导致具有较大市场效益的创新项目在市场机制的驱动下高效率地运行，将企业资源投向更加市场价值的R&D项目，从而促进了其创新能力。

模型 (2) (5)分别考察经济政策不确定性对两类研发要素流动与高技术产业地区创新能力之间的调节作用。两个交互项的系数均为正，仅lnrdpfl×lnepu的系数通过统计显著性，表明经济政策不确定性在R&D人员流动与高技术产业创新能力之间的关系具有显著正向调节作用。可能的理由是经济政策不确定性强化了R&D人员流动的经济属性和社会功能属性而增强其创新能力。流入的R&D人员与本地高技术企业、高校和科研院所等创新主体构建协同创新网络。通过创新网络嵌入，各种创新主体能够获取具有前瞻性的异质性知识，通过新知识流动会拓展创新合作深度，加强了隐性知识的实际利用。同时， “高风险—高收益”机制促使创新项目的 “孵化—加速”，获取高技术产业规模效益，夯实了产业创新活动的资源基础，引致知识资源的集聚效应，进而促进创新能力。

模型 (3) (6)分别考察贸易政策不确定性对两类研发要素流动与高技术产业创新能力之间的调节作用。其交互项的系数均为正，仅lnrdpfl×lntpu的系数通过统计显著性，表明贸易政策不确定性在R&D人员流动与高技术产业创新能力之间存在显著的正向调节作用。其解释可能在于：地区高技术企业研发活动的特殊性使其难以与外界独立，需要与其他创新主体，如政府、科研院所，进行合作创新。随着贸易政策不确定性不断增加，地方政府为了保市场主体、保产业链稳定、保创新活动的持续开展，平滑其波动，通常会加大对高技术企业的支持力度，激发研发人员的创造力，改善企业创新环境，共建企业创新生态系统，夯实产业创新生产活动的运行基础，进而对创新产生了激励效应。

4 进一步讨论

4.1 研发要素流动对高技术产业创新能力的基本传导机制

以上空间计量经验结果说明，研发要素流动对高技术产业创新能力产生了显著的 “挤入效应”。那么，这种 “挤入效应”究竟何以发生呢？从创新理论和资源配置理论上看，研发要素流动在创新生产活动中会起到优化配置的作用。因此，本文从中国高技术产业资源配置效率视角较为深入地分析其影响机制。借鉴Hayes的研究，并考虑经验结果的稳健性，引入被解释变量的一阶滞后项作为解释变量，同时考虑研发要素流动在时间维度上的扩散效应和空间维度上的溢出效应，利用Han-Philips动态空间计量模型予以检验，具体步骤如下。

(1)从整体上检验R&D人员流动对高技术产业创新能力的关系。

lnhtinnovit=α+f1lnhtinnovi,t-1+ρW×

(13)

(2)检验R&D人员流动是否会改善资源配置效率。

(14)

(3)检验R&D人员流动、资源配置效率影响高技术产业创新能力。

(15)

中介模型的估计结果见表3，模型 (1)～ (6)的F值和空间效应系数ρ均显著为正，且高技术产业创新能力和资源配置效率的一阶滞后项系数均通过统计显著性，说明利用Han-Philips动态空间计量模型，对其动态性进行检验是合适的。

表3 中介效应的估计结果

模型 (1) (4)中lnrdpfl、lnrdcfl的系数为正，且均通过0.05显著性水平，这说明R&D人员流动和R&D资本流动均对高技术产业创新能力产生了明显的 “挤入效应”。模型 (3) (6)中lnalloc的系数均为正，通过统计显著性，这说明资源配置效率在R&D人员流动和R&D资本流动促进高技术产业创新能力的过程中均具有中介效应，这进一步验证了资源配置效率在高技术产业创新活动中的重要性，拓展了资源基础理论的适用范围。这种中介机制可能通过以下两个方面发挥作用。

第一，研发要素本身具有较多的知识与技术，其区际流动会更有助于创新知识空间溢出机制的发挥，使得研发要素处于一种被激活和活化的状态，知识要素的自我动态调试功能够更大程度地促使流入地创新资源发挥其基础性作用。研发网络有助于具有研发优势的主体和整合本地高技术产业的生产要素，进而吸引流出地具有研发优势的群体进入本地研发网络中。凭借嵌入其中多元化的正式或非正式关系，具有优势的本地高技术产业会促使研发要素流动呈现科学化和规范化，为创新生产过程夯实了显性知识共享和隐性知识共享的基础，积极营造便捷的创新条件，会促进R&D资源的优化配置效率，进而提高研发投入产出效率，通过资源效率的改进，从而推动高技术产业创新能力的整体提升。同时，在技术效率改进的驱动下，各种创新生产要素资源能够得到更有效率的利用，也会促进高技术产业创新能力。

第二，研发要素具有利益最大化的趋近倾向，研发要素的区际流动能够提高地区资源配置机制的改进，助推研发资源的利用效率，有助于新产品与新技术的产出，进而加强高技术产业创新能力。值得注意的是，R&D人员自我创新效能感被感知的认知能力较强，在面临危机和压力等否定性情景刺激时其积极思维反应方式和心智模式更有可能被打破，研发凝聚力和向心力得以进一步增强，促进了研发人员之间的交流与互动，引致研发要素的协同效应，更能促使本地知识资源的优化配置效率，通过知识网络传导到高技术产业进而促进其创新能力。同时，研发资本是创新的核心资本。中国高技术产业知识资本较为丰富，在市场基础性作用的导向下，R&D资本流动加速其扩散效应与乘数效应，其研发部门知识资本比重上升，能够促进其技术水平的提升。

4.2 研发要素流动对高技术产业创新能力的边际效应分析

本文利用面板分位数回归模型进一步考察两种研发要素流动对高技术产业创新能力的边际效应。利用面板分位数回归是估计研发要素流动对整个条件分布的影响，即在不同高技术产业地区创新能力的分位数下，估计研发要素流动对高技术产业创新能力的影响，这不仅可以弱化极端值对估计结果的影响，还可以获得较为全面的条件分布信息。构建的面板分位数回归模型为：

Qlnhtinnovit(τ|xit,λit)=αit+β1τlnrdpflit+

β2τlnrdcflit+β3τlnindclit+β4τlnhyfmit+β5τlnhscaleit+β6τlnhmarit

(16)

式中，τ表示不同的分位点；βτ表示位于不同分位点解释变量的估计系数。

以研发人员流动为解释变量，可表示为：

Q[lnhtinnovit|Fit(lnrdpfl)]=F′(lnrdpfl)λ(k)

(17)

式中，Fit(lnrdpfl)表示高技术产业地区创新能力的影响因素，包括两类研发要素流动及其控制变量，Q[lnhtinnovit|Fit(lnrdpfl)]为给定影响因素Fit(lnrdpfl)的情况下，高技术产业地区创新能力在第k个分位数上的值；λ(k)为Fit(lnrdpfl)在第个分位数上的估计系数。为了实现参数估计，需要求解如下的极小化问题：

(18)

式中，n为样本容量，其他符号的含义如上。通常情况下，对研究样本来说，分位点越多，越可以反映条件分布的全面信息。本文遵循多数研究的做法，采取具有代表性的4个分位点 (20%、40%、60%、80%)予以检验，利用bootstrap抽取1000次，得到估计结果见表4。

表4 面板分位数回归结果

由表4可知，从R&D人员流动来看，R&D人员流动的系数在20%、40%、60%、80%均通过了相应的统计显著性检验，且系数呈现 “先增加后减小”的态势，这说明在高技术产业地区创新能力分布的不同分位点上，R&D人员流动对高技术产业地区创新能力的边际影响具有明显的倒U型特征，即高技术产业地区创新能力随着R&D人员流动的增大而增强；当R&D人员流动规模达到一个临界点时，高技术产业地区创新能力达到最大值，即最优流入度；当R&D人员流动越过最优流入度，创新能力开始弱化。同样地，R&D资本流动的创新效应也具有明显的倒U型关系，这可能在于研发要素的流入前期，研发要素的规模效应发挥主导作用，知识和技术的溢出效应逐步增强，而当越过最优流入度时，研发要素流动产生了拥挤效应，由此引致的边际成本大于边际效应，负效应开始占据主导作用。

5 结论与启示

基于创新驱动中国高技术产业高质量发展的战略目标，考虑R&D要素流动的视角，探讨R&D要素的区际流动对中国高技术产业创新能力的直接效应、中介效应、边界条件及其边际效应。本文结论如下：①中国高技术产业创新能力存在显著的空间正相关性、空间溢出效应和时间累积性。R&D人员流动与R&D资本流动对高技术产业创新能力产生了明显的 “挤入效应”。②经济政策不确定性、贸易政策不确定性对R&D要素流动与高技术产业创新能力之间的关系具有异质性调节作用，经济政策不确定性、贸易政策不确定性均显著地正向调节R&D人员流动与高技术产业创新能力之间的关系，而在R&D资本流动的创新效应中没有产生明显的调节作用；③中介效应估计结果表明，R&D人员流动与R&D资本流动均通过资源配置效应这一基本传导机制对高技术产业创新能力产生 “挤入效应”，且资源配置效率具有时间累积效应。面板分位数回归结果表明，R&D人员流动、R&D资本流动对高技术产业创新能力的边际效应均具有明显的倒U型曲线关系。

针对上述的研究结论，本文得出如下的政策启示：①地方政府多措并举地促进R&D要素的自由流动，积极发挥其空间知识流动效应和知识溢出效应，促进高技术产业创新能力。就R&D人员而言，要响应市场需求变化，地方政府、产业园区、企业、科研院所适时在线公布R&D岗位招聘信息，强化高技术产业研发的软件与硬件设施，加强对研发人才的 “吸引力”，夯实其创新人员基础。就R&D资本而言，地方政府要积极发挥科技金融对高技术产业R&D资本的 “传染效应”，积极利用科技金融信息技术，强化金融服务意识，大力引导R&D资本向高技术产业细分行业之间的流动。②政府要注重宏观经济政策的透明性、平稳性与连续性，减少经济波动引致的消极波动后果，更加注重高技术产业高质量发展。稳定的经济政策与较高的政策显性，使得各种经济主体会通过政策信息的市场信号机制，做出更加准确的创新投资决策。经济政策的可预期性亦会降低其不确定性，增加创新资产配置效率，提高创新资源的支撑能力，促进创新生产活动的有序开展。