国际人才流入对中国全要素生产率的影响研究

谷媛媛，Jhorland Ayala-García

（1.南京信息工程大学a.商学院；b.环境与健康研究院，江苏 南京 210044；2.Central Bank of Colombia，Cartagena Colombia 130027）

一、引 言

随着经济全球化的不断深入，大量的国际移民和频繁的人才跨国流动已经成为当今世界经济发展的重要现象之一。UNDESA统计数据显示，国际移民的数量从20世纪70年代的8 446万人增加至2019年的2.72亿人（1）。与此同时，在过去的四十多年，海外留学生人数也急剧上升，全球从1975年80万人增长至2017年的530万人，增长了5倍多。海外高层次人才流入对中国技术进步与创新具有重要的促进作用，对我国而言，在各类来华国际人才中，国际留学生是中国吸引国际人才的重要群体之一，大规模国际人才流入将成为中国释放“人才红利”的重要突破口。本文是基于留学视角的研究，选择来华的国际留学生作为研究对象，因此本研究主要关注的不是全部国际人才，而仅仅是国际留学生这一类人才。之所以选择国际留学生作为研究对象，主要基于以下三个方面考虑：

首先，在各类来华国际人才中，国际留学生是中国吸引国际人才的重要群体。相关统计数据显示，1999年，中国留学生总数为4.47万人，2010年增长至26.51万人，并且为了推动来华留学事业持续健康发展，教育部于2010年9月出台了《留学中国计划》，到2018年，国际留学生较1999年增长了10多倍，达到49.22万人。其次，国际留学生毕业后可选择留在中国工作。2016年4月首届来华留学人才招聘会的调查问卷显示，参加招聘会的留学生中，计划在中国进行短期实习的留学生比例达到86.1%，希望留在中国工作的留学生比例高达95%（2）。最后，考虑数据的可得性问题。由于国际组织官方数据库以及中国相关数据库均未提供中国省级层面国际人才流入的相关统计数据，而关于国际留学生方面的官方统计数据较为翔实，为本研究提供了良好的数据基础。

本文分别从全要素生产率变化指数、技术进步变化指数、技术效率变化指数三个维度，实证分析国际留学生人才流入对中国全要素生产率的促进作用。本文可能的边际贡献是：第一，与国内大多数关于全要素生产率的研究不同，本文重点分析国际留学生人才对中国全要素生产率的影响，具有一定的创新性；第二，本研究在处理可能存在的内生性问题时，同时使用留学生规模的滞后项和各省份空气质量状况（PM2.5）作为国际人才流入规模的工具变量，使研究结论更加稳健；第三，本研究在线性模型分析的基础上，进一步使用面板门限方法研究了国际留学生人才对全要素生产率的非线性影响机制。

二、文献综述与机制分析

（一）关于全要素生产率的相关研究

关于全要素生产率以及影响其增长的相关因素研究，一直以来都是学术界关注的热点问题。新古典经济增长理论认为，全要素生产率（Total Factor Productivity）的增长是经济持续增长的重要源泉。Solow（1957）提出将技术因素纳入经济增长的理论模型，开创了全要素生产率测算的先河［1］。Farrell（1957）进一步将全要素生产率分解为技术进步变化和技术效率变化［2］，技术进步主要包括技术创新和技术效率两个方面（苏治和徐淑丹，2015）［3］，经济组织的变化、劳动力人力资本存量的提升以及促使生产函数变化的各项因素均可纳入“技术变化”，而创新则更加偏向于新技术和新方法的发明（周兴和张鹏，2014）［4］。在封闭条件下，一国全要素生产率的高低主要取决于本国的研发（Research and Development，R&D）存量以及国内企业的研发投资规模；而在开放条件下，一国全要素生产率的高低不仅取决于本国的研发存量，同时还与国外的研发知识溢出有重要关系。因此，尤其对于技术水平相对较低的发展中国家和地区来说，利用发达国家的技术溢出是促进本国技术进步的重要途径之一。已有的关于影响全要素生产率因素的相关研究，主要包括国际投资与贸易（齐绍洲和徐佳，2018）［5］、基础设施建设（刘生龙和胡鞍钢，2010）［6］、金融发展水平（黄大为，2021）［7］以及人力资本水平（潘毛毛和赵玉林，2020；刘家悦等，2020）［8-9］。

（二）关于技术溢出效应的相关研究

TFP的增长来源于本国研发能力和对海外研发资本知识溢出的吸收能力，已有大量文献对国际知识溢出的潜在渠道进行了研究。知识溢出（Knowledge Spillovers）是知识外部性的一种表现，是指包括信息、技术、管理经验在内的各种知识通过交易或非交易的方式流出原先拥有知识的主体（3）。传统观点认为，国际知识溢出效应主要是通过国际贸易、外商直接投资、对外直接投资等渠道产生的（吴哲等，2015；蔡伟毅和陈晓薇，2018；蒋含明，2019）［10-12］。FDI可以通过技术外溢效应提高中国的全要素生产率，同时通过技术寻求型对外直接投资获取东道国的技术溢出也是促进本国技术进步的重要途径之一（Kee，2015）［13］。Keller（2002）发现，进口贸易会产生技术溢出效应，且产业内贸易比产业间贸易更容易吸收相关技术知识，从而加速国际知识溢出［14］。人力资本流动是知识溢出的另一个重要渠道，劳动力在发达国家与发展中国家间的流动，将通过知识技术的流动促进发展中国家的技术进步和经济增长（Gagliardi，2015）［15］。国际人才流动是促进科技在全球范围内迅速扩散的重要机制，Le（2008）研究发现劳动力跨国流动能有效地促进技术转移，由于人力资本的流入增强了东道国吸收国外技术的能力［16］，因此对研发溢出过程起着决定作用（王芳，2016）［17］。此外，相关研究也发现，海归回流和国际人才流入能够有效促进我国的技术进步和创新效率的提升（牛雄鹰等，2018）［18］。

（三）人力资本流动与技术进步

1.人力资本的外部性

人力资本的外部性主要是指技术和知识的外溢和扩散，现代经济增长理论强调人力资本外部性如何改变特定工人的生产率。一个突然被许多高技能工人包围的工人将通过接触新的思想和观念来提高自己的生产力（Borjas，2014）［19］。然而，这种生产力溢出效应总是与经济学分析中的核心法则，即传统的稀缺性法则和收益递减法则并存。根据Jones and Romer（2010）［20］的研究，本文假设生产函数取决于研究思想存量A、资本存量K、工人的数量L，并假设K和L有不变的回报。因此，生产函数可以进一步写为：

其中，φ表示“外部性的弹性”，即研究思想存量每增长1%所带来的产出增长的百分比。在已有文献中，通常假定研究思想存量与工人数量成正比（或者简化为A=L）。因此，高技能移民的边际产出可表示为：

高技能移民的大量流入同时增加了研究思想和工人数量，这里可以从短期和长期两个角度来阐释该模型的含义。根据经济学定义，资本存量K在短期内是固定的，但长期来看是完全可调整的。如果投入品市场是具有竞争性的，那么额外的资源将不断地进入投入品市场，直到这些资源的回报率r再次等于世界水平，同时资本存量变化率等于劳动力规模变化率。那么，引起高技能工人边际产出的变化可表示为：

其中：m=dlogL；s k表示资本在收入中所占的份额。通过（3）式，可以清楚地看出短期内溢出效应与收益递减规律之间的关系。如果弹性φ足够大，那么高技能工人边际产出的价值则会增加。否则，短期内对工人边际产出的影响将是负面的。该式还表明，从长期来看，当资本存量完全适应高技能供给的冲击之后，高技能工人边际产出必然上升。因此，长期来看人口规模增加能够带来收益，这主要是因为与资源稀缺性的负面影响相比，可利用的研究思想存量的增加带来的正面影响处于主导地位（Jones and Romer，2010）［20］。

2.“干中学”效应

国际人才的流入一方面可以通过自身的专业技术优势直接促进流入国的技术进步，另一方面还可以通过本国企业间的技术扩散进一步提升当地技术水平。首先，跨国人才较多企业通过自身拥有的人员和技术优势，借助研发合作协议等形式对当地企业实行技术转移，促进行业整体技术水平的提高；其次，国际人才较多企业具有较强的国际化视野，其先进的技术知识和生产管理经验可能会对本土人才较多企业产生一定的示范效应，本土人才较多企业通过对跨国人才较多企的模仿与学习可以实现“干中学”（Learning By Doing）式的技术进步（Zucker and Darby，2009）［21］；最后，两类企业间的人才流动也可能通过技术外溢效应，带动本土高技术人才的培养，本土劳动力通过“干中学”不断向国际人才学习，吸收掌握先进技术，员工间的示范效应产生“干中学”式的技术扩散与普及，从而进一步提高劳动力的总体素质。

本研究重点关注的是国际人才流入对技术进步的影响，一方面，国际人才流入无疑会直接增加当地的人力资本存量水平；另一方面，国际人才在流动过程中也会进一步促进知识溢出和技术扩散。因此，基于上述分析，本文提出如下研究假设：国际人才流入可以通过人力资本的外部性产生知识溢出效应，从而有效地促进地区全要素生产率的提升。

三、计量模型构建与变量选取

（一）计量模型构建

借鉴郭家堂和骆品亮（2016）［22］、Beugelsdijk et al.（2018）等有关全要素生产率的实证研究模型［23］，本文构建如下回归方程：

其中：i表示地区；t表示时间；Y为被解释变量，指各省份的全要素生产率（TFP）及其分解指标，包括技术进步（Tech）和技术效率（Eff）；fore_stu表示国际人才流入规模；CV表示控制变量；μi表示非观测的个体固定效应；τt表示时间固定效应；εit表示随机误差项。

（二）变量选取与数据来源

1.被解释变量

全要素生产率及其分解指标为被解释变量。本文运用Malmquist指数法计算全要素生产率，其理论方法已相对较为普及（许培源，2012；肖挺，2021）［24-25］。该方法将TFP分解为技术进步和技术效率两个部分，可以避免在研究中技术进步与技术效率的相互掩盖，结论更加准确（郭家堂和骆品亮，2016）［22］。采用该方法测算全要素生产率时所用的产出变量和投入变量如下：

（1）产出变量。采用1999—2018年中国31个省份的生产总值和生产总值指数，以此计算中国各省份实际生产总值（以1978年为基期）来衡量各省份的产出，数据来源于《中国统计年鉴》。

（2）投入变量。包括劳动力投入和资本存量。劳动力投入以中国各省份的就业人口来衡量；关于资本存量数据，鉴于中国目前尚无这方面的直接统计数据，本章借鉴单豪杰（2008）的估算方法［26］，采用永续盘存法进行估算，即某期物质资本的存量由上期的资本存量减去当期的折旧再加上当期物质资本投资得到。估算公式为：

其中：i代表省份；t代表年份；K代表实际的资本存量；I代表固定资产总额（当年价）；P为固定资产投资价格指数；δ为折旧率，参考单豪杰（2008）的做法，取值10.96%。

2.核心解释变量：国际人才流入规模

本研究是基于留学视角的研究，选择国际留学生作为研究对象，因此主要关注的是国际留学生这一类人才。因此，核心解释变量的选择，参考谷媛媛和邱斌（2019）［27］的研究，使用各省份国际留学生数量作为国际人才流入规模的代理变量，包括学历留学生（大专学生、本科生、硕士生和博士生）和非学历留学生（访问学生、高级访问学生、语言访问生和短期留学生）。这里使用的中国留学生统计数据包括毕业生、在中国留学的新生以及同年继续留学的学生，该统计数据仅包括中国大陆的留学生。

3.控制变量

Mankiw et al.（1995）认为，教育在技术进步外生的新古典增长模型中是一个附加的生产性因素［28］，能够有效地促进生产率增长。为了得到无偏的估计结果，参考已有文献（郭家堂和洛品亮，2016）［22］，本研究进一步加入各省份的专利申请水平（Patent）、国有企业改革（Noe）、外商直接投资（FDI）、对外开放程度（Open）、基础设施状况（Infra_stru）、人均教育支出（Edu_exp_pc）等控制变量。

本研究使用各省份历年的专利申请数量来衡量其技术创新水平；使用非国有企业的就业人数在总就业人口中所占的比例来衡量我国国有企业的改革程度；使用各省份外商直接投资额来衡量其外商投资水平；使用进出口贸易总额来衡量各地区的对外开放程度；使用各省份铁路公里数与公路公里数之和与其面积之比衡量地区的基础设施水平；关于人均教育支出，使用各省份历年地方政府教育支出经费额除以各地区的小学、初中、高中以及高等院校的在校生人数总和得到，所有控制变量中使用外币表示的均折算为人民币价格，同时相应的价格指数调整为2018年不变价格，以剔除价格因素的影响。

此外，考虑在样本期间内所发生的重大政策变化或外部冲击可能会对被解释变量产生一定的影响，2008年一场始发于美国的金融危机对全球经济产生了重要影响，因此，本研究在实证分析部分还加入了衡量经济环境突变的虚拟变量Dummy2008，即在2008年之前该变量取值为0，在2008年及2008年之后取值为1。

通过检验方差膨胀因子方法得到，所有变量VIF均值为4.12，小于10，从而排除了模型可能存在的多重共线性问题；同时，考虑31个样本省份在人文地理、经济发展、社会风俗等方面存在一定的差异，为控制住个体效应和时间效应，最终将模型确定为包含个体效应和时间效应的双向固定效应模型。

（三）数据来源与描述性统计

鉴于来华留学生统计的相关数据始于1999年，且目前最新资料只更新至2018年，故本文选取1999—2018年31个省份（不包括港澳台地区）共计562个观测值的面板数据作为研究样本。其中计算各省份人均人力资本数据来源于2000—2019年《中国人口和就业统计年鉴》，各省份国际留学生规模数据来源于1999—2018年《来华留学生简明统计》，其他相关数据来源于2000—2019年《中国统计年鉴》。

从表1可以看出，1999—2018年，31个省份全要素生产率变化指数（TFP）、技术进步变化指数（Tech）和技术效率变化指数（Eff）3个指标的对数均值分别为0.995 3，1.001 1和0.994 3。在国际流入人才规模方面，人才规模的对数均值为7.593 5，标准差为1.957 5，与被解释变量以及其他控制变量相比，国际流入人才规模的离散程度较大。至于专利申请水平（Patent）、国有企业改革（Noe）、外商直接投资（FDI）、对外开放程度（Open）、基础设施状况（Infra_stru）、人均教育支出（Edu_exp_pc）等7个控制变量，各省份之间或同一省份的不同时期也存在一定差异。从标准差看，技术创新水平和外商直接投资2个变量的离散程度相对较为明显，国有企业改革变量的离散程度最小；而从最大值与最小值之间的差距看，技术创新水平和基础设施状况2个变量差距较为明显。

表1 变量的描述性统计

四、实证结果分析

该部分利用1999—2018年省级层面的面板数据分析国际人才流入对我国全要素生产率的影响。

（一）基准回归结果分析

如上文所述，本研究在分析中使用了全要素生产率变化指数（TFP）、技术进步变化指数（Tech）、技术效率变化指数（Eff）3个指标分别作为被解释变量。表2汇报了全样本下国际人才流入影响全要素生产率的固定效应估计结果。

表2 国际人才流入影响全要素生产率的基准回归结果（OLS）

回归结果显示，国际人才流入规模能够显著促进地区全要素生产率的提升：国际人才流入规模每增加1%，全要素生产率变化指数（TFP）将增加0.000 055，且在5%水平下显著；其对技术效率变化指数（Eff）的影响为：国际人才流入规模每增加1%，技术效率变化指数（Eff）将增加0.000 047，且在5%水平下显著；对技术进步变化指数（Tech）没有显著的影响。正如前面理论机制部分的分析，这主要是因为，一方面，国际人才的流入直接充裕了流入地区的知识库，提升了人力资本存量（魏浩和袁然，2018）［29］。流入中国的国际人才是在国外接受过或正在接受高等教育或者拥有一定国外相应技术领域工作经验的短期移民，这类人群一般具有较高的技能水平，掌握相关领域一定的专业技术知识，其流入中国可以提升中国劳动力的平均技术水平，从而直接促进中国人力资本量的积累和质的提升（李平和许家云，2011）［30］。另一方面，国际人才的流入不仅可以通过人力资本的外部性促进国际知识溢出，促进技术进步，同时还可以通过促进对外贸易、外商直接投资以及专利的投资和引用，间接促进国际知识溢出水平。

其他控制变量中，基础设施水平对提升全要素生产率具有显著的积极作用。同时回归结果还显示，技术创新水平和对外开放程度也可以在一定程度上促进地区全要素生产率的提升，而经济环境的突变对全要素生产率具有显著的负影响。

（二）分样本回归结果分析

1.按国际留学生人才是否获得学历证书分组分析

为了进一步探索来不同类型的国际留学生人才是否对全要素生产率存在不同的促进作用，这里将样本分为学历留学生组和非学历留学生组进行子样本分析，表3汇报了子样本的回归结果。根据回归结果，可以发现国际留学生人才对全要素生产率的促进效应主要来自学历留学生。这可能是由于：一方面，学历留学生通常学习周期较长，其在中国生活和学习的时间较长，有更多的机会参与到高校企业的项目研究开发或到企业中积累实习工作经验，而非学历留学生则在中国的学习时间较短，因此产生的影响并不明显；另一方面，学历留学生在取得中国的学历学位证书后，一旦有机会，更有可能选择继续在中国工作和生活，因此其对全要素生产率产生的促进效应更为明显。

表3 按是否获得学历证书分组回归结果

2.按国际留学生人才是否获得中国政府奖学金分组分析

为了促进中国与世界各国在各个领域的交流与合作，中国政府于20世纪50年代开始设立中国政府奖学金，用于资助世界各国学生、学者到中国高等学校学习和研究。中国政府奖学金按学生类别分为本科生奖学金、硕士研究生奖学金、博士研究生奖学金，汉语进修生奖学金、普通进修生奖学金和高级进修生奖学金。因此，这里分别检验了获得中国政府奖学金留学生和自筹经费来华学习留学生对地区全要素生产率的不同效应。表4的回归结果显示，国际留学生人才对全要素生产率的促进效应更多地来自自筹经费留学生，而获中国政府奖学金留学人才的促进效应相对较弱，仅在10%的水平下显著，此外，自筹经费人才还对技术效率有一定的正向影响。

表4 按是否获得中国政府奖学金分组回归结果

（三）内生性问题处理

为了进一步验证上述结果的稳健性，避免由于模型存在内生性问题而导致参数估计不一致情况的出现，在该部分进一步采用工具变量二阶段最小二乘法（IV-2SLS）进行分析。由于国际留学生规模可能与地区科技水平之间存在双向因果关系，即国际留学人才的流入可以促进地区科技水平的提升，同时科技水平较高的地区也可能吸引更多的国际留学人才，因此，这里选择国际留学生规模的滞后项作为工具变量进行分析。表5中的回归系数较OLS的结果有所增大，但无论是对TFP还是其分解变量的影响及显著性均未发生变化，结论与OLS的结论保持一致，这说明本文的研究结论是稳健的。进一步地，本文还使用各省份空气质量状况（PM2.5）作为工具变量再次进行稳健性检验。一方面，考虑空气质量状况具有较强的外生性，满足工具变量的外生性条件，另一方面，不同省份空气质量以及环境污染状况的确是影响国际人才选择的一个重要因素（李明和张亦然，2019）［31］，在其他条件不变的情况下，空气质量状况越好的地区越容易吸引更多的国际人才流入，因此满足工具变量的相关性条件。表5中第一阶段回归结果显示F统计量的值为71.77，根据一个经验规则，只要F统计量大于10，则不必担心弱工具变量问题，因此，空气质量状况是一个较好的工具变量。回归结果显示，在使用空气质量状况（PM2.5）作为工具变量进行回归时，基本结论依然稳健，即对TFP的影响结论是一致的，但是对于tech和eff的显著性发生了变化。出现这一结果可能是由于使用PM2.5作为国际留学生规模的工具变量时，考虑在其他条件不变的情况下，空气质量状况越好的地区越容易吸引更多的国际人才流入，而环境状况的好坏可能更多地是与技术进步（Tech）相关，而不是技术效率（Eff）。总体来看，在使用工具变量法时，并没有改变本文的核心结论。

表5 工具变量法回归结果（2SLS）

续表5

五、门槛效应分析

以上使用线性分析框架检验了各省份国际人才流入对全要素生产率的影响，然而31个省份在经济发展水平方面存在较大差异，国际人才流入对地区全要素生产率的影响很可能随着某个变量（门槛变量）而变化（吕延方等，2015）［32］。根据Hansen（1996）提出的“门槛回归”方法，该部分通过构建门槛回归模型进一步考察国际人才流入对全要素生产率的非线性影响［33］。

（一）门槛模型构建

根据Hansen（1999）提出的门槛面板回归模型［34］，同时考虑数据自身特点，采用如下两区制回归模型：

其中：i表示个体；t表示时间；Y it表示被解释变量；X it表示受到门槛变量影响的核心解释变量；q it表示门槛变量；φ表示给定的门槛值；CVit表示一组除核心解释变量以外的控制变量，θT表示控制变量的系数向量；λ1和λ2分别表示在门槛值q it≤φ和q-it＞φ时核心解释变量的系数；I(·)为示性函数，即当满足括号里的条件时取值为1，反之取值为0；εit为随机扰动项。

在回归模型（6）中，φ相应的残差平方和为S(φ)，根据已有研究，如果回归中的τ越接近真实的门槛值水平，则回归模型的残差平方和越小。因此，可以采用最小化S(φ)得到φ的估计值，即

在得到φ的估计值之后，进一步可估计出其他相关系数。

得到门槛回归的参数值后，应对门槛效应进行两个方面的检验，即门槛效应的显著性检验和门槛值的真实性检验，具体如下：

第一个显著性检验是检验回归模型（6）中的λ1和λ2是否具有显著的差异，如果通过检验发现λ1=λ2，则意味着该模型不存在显著的门槛特征。这里检验门槛效应的原假设为H0：φ1=φ2，相应的备择假设为H1：φ1≠φ2。Hansen（1999）提出的检验统计量如下［34］：

其中：S0表示在原假设（即无门槛效应）条件下的残差项平方和；S表示具有门槛效应时的残差项平方和；σ^2表示扰动项方差的一致估计。在无门槛效应H0假设条件下，门槛参数φ无法识别。因此，F统计量的分布是非标准的χ2分布。Hansen（1996）提出以统计量本身的大样本分段函数来转换［33］，得到大样本下的P值。在H0成立的条件下，证明P值统计量在大样本下渐近服从均匀分布。本文对F统计量的临界值使用自抽样法（Bootstrap）以检测门槛效应的显著性，并在此基础上构造其P值。如果接受原假设H0:φ1=φ2，则模型为线性模型，反之，则表示存在门槛效应。

第二个门槛值的真实性检验则是检验门槛估计值与真实值是否相等。Hansen（1996）使用极大似然法检验门槛值［33］，其似然比检验统计量如下：

其中，S()和依次表示在H0下估计参数时得到的残差平方和以及残差平方。Hansen（2000）得出在给定的显著性水平α（0.1，0.05或0.01）下，当时，则拒绝原假设。

以上是仅考虑单一门槛的情形，无论是从计量角度来看还是在实际的经济分析中，都有可能出现同时存在多个门槛值的情形。在此，以双重门槛模型为例：

这里的估计方法为假定单一门槛模型中估计出的1为已知，并在此基础上使用相同的方法进一步搜索φ2，即残差平方和最小时对应的2。接着对2进行门槛效应检验，原假设为H0：只存在单一门槛；H1：存在双门槛。其对应的检验统计量如下：

接着使用自抽样法来模拟似然比统计量的渐近分布，构造相应的P值，并判断是否接受原假设。这里需要注意的是，Bai（1997）研究表明，2是渐近有效的，但1不具有此性质［35］。因此，可以固定φ^2对1进行重新搜索，继而获得其优化后的一致估计量1。然后仍需进行门槛值的真实性检验，如检验结果依旧拒绝原假设，则继续重复上述步骤，直至接受原假设，则可确定具体的门槛个数，多重门槛模型即为双重门槛模型的扩展。

（二）门槛效应检验

由于地区基础设施水平是吸引人才流入的重要影响因素之一，因此本文选择地区基础设施建设水平作为门槛变量。基于回归模型（4），分别设定单一门槛模型和双重门槛模型，具体如下：

其中：i表示地区；t表示时间；Y为被解释变量，指各省份全要素生产率（TFP）以及其分解指标，包括技术进步（Tech）和技术效率（Eff）；fore_stu表示受门槛变量影响的核心解释变量；CV表示其他控制变量；q it为门槛变量。

1.门槛检验

首先对模型进行门槛效果检验，从而确定门槛的个数，进而确定具体的模型形式。该部分分别对模型在不存在门槛、存在一个门槛以及存在两个门槛的假设下进行估计，表6汇报了F统计量和采用自抽样法（Bootstrap）得到的P值。门槛检验结果显示，模型通过了单一门槛效应检验，且在1%水平下显著，但双重门槛效应则未通过检验，说明该模型只存在一个门槛值。同时，在表6中还列出了各门槛的估计值和相应的95%的置信区间。

表6 门槛效果检验

2.模型参数估计结果

表2的模型（4）汇报了以地区基础设施水平作为门槛变量的门槛回归模型结果。这里以门槛值0.139 9为标准，将基础设施水平划分为较高水平和较低水平，lnfore_stu_1和lnfore_stu_2两个变量分别对应于基础设施水平较低和基础设施水平较高两个区间的lnfore_stu变量。基础设施水平对全要素生产率的影响则呈现出单一门槛特征，当基础设施水平小于或等于门槛值0.139 9时，国际人才流入规模对全要素生产率变化指数的弹性系数为0.001 2，当基础设施水平跨越门槛值后，弹性系数则上升为0.007 5，且在1%水平下显著。这说明地方基础设施水平的提升能够显著吸引国际人才流入，但前提是基础设施要达到一定门槛值，这种促进效应才能更为有效地发挥出来。

六、结论与建议

（一）简要结论

本文采用1999—2018年中国省级层面面板数据，分别从全要素生产率变化指数（TFP）、技术进步变化指数（Tech）、技术效率变化指数（Eff）三个维度实证分析了国际人才流入对中国全要素生产率的影响。研究发现，国际人才流入规模能够显著促进地区全要素生产率的提升：国际人才流入规模每增加1%，全要素生产率变化指数（TFP）将增加0.000 055，且在5%水平下显著；其对技术效率变化指数（Eff）的影响为：国际人才流入规模每增加1%，技术效率变化指数（Eff）将增加0.000 047，且在5%水平下显著；对技术进步变化指数（Tech）没有显著的影响。为了进一步探索来不同类型的国际人才是否对全要素生产率存在不同的促进作用，本研究还将样本分为学历留学生组、非学历留学生组和获得中国政府奖学金留学生、自筹经费来华学习留学生进行两组子样本分析，研究发现，国际人才对全要素生产率的促进效应主要来自学历留学生，流入的国际人才无论是否获取政府奖学金，均对全要素生产率有显著促进效应。同时，为了进一步检验本文实证结果的稳健性，分别使用留学生规模的滞后项和地区PM2.5作为工具变量，采用工具变量二阶段最小二乘法（IV-2SLS）进行检验。此外，考虑国际人才流入对全要素生产率的影响可能是非线性的，本文还通过构建门槛回归模型进一步分析，选择基础设施水平作为门槛变量，研究发现，基础设施水平对全要素生产率的影响均呈现单一门槛特征。

（二）政策建议

（1）由于国际留学人才对中国的全要素生产率有显著的促进作用，政府应高度重视国际人才因素在提升全要素生产率中的重要作用。在吸引国际留学生人才方面，Raycbaudburi et al.（2007）指出，人均GDP、高等教育入学率和生活成本等因素会影响留学生的目标决策［36］。因此，一方面，政府部门可以通过进一步扩大奖学金的覆盖范围和增设奖学金在各个地区的名额，从而吸引更多来自发达国家以及新兴发展中国家的人才；另一方面，在优惠政策覆盖面上可以适当地向来自发展中国家的留学生人才倾斜，尽可能地为有需要的学生提供帮助，以此来吸引更多的优秀人才。此外，还可创设专门针对海外华人华侨子女来华留学的奖学金政策，他们将有助于传播中国的文化思想，并在中国与世界各国的对接中发挥出重要的桥梁作用。

（2）大力推动中国各类人才合作项目的多元化发展。虽然本文重点关注的是国际留学生人才，但是国际人才的内涵远远超过留学生的范畴，因此在吸引国际留学生人才的同时，还应重视各类国际人才的引进，尤其是一些携带的先进技术和知识的高端国际人才。中国政府在设立各类外国留学生项目时应兼顾制定面向各类外国专家学者的一些高端人才项目，比如通过开展一些专门针对世界各国的政府官员和社会精英的高端培养项目。如美国的“富布莱特项目”（Fullbright Program）已与160多个国家和地区签订合作协议，据美国国务院教育文化局统计，包括“富布莱特项目”在内的美国国际学术交流项目中有395位项目成员成为各国国家或政府首脑，21位成员成为国际组织负责人，77位成员成为诺贝尔奖获得者。

（3）高校应依托国家政策支持，不断提升大学的国际声誉和教育水平。大学的国际声誉是影响国际留学生流动的重要因素之一（Beine et al.，2014）［37］，因此高校也应进一步提高自身办学质量及其国际知名度。如通过与国际知名高校合作，加大国际化课程比重，制定高层次国际化人才培养计划，同时采用联合培养的方式吸引生源，在国外与当地高校联合办学；从最新公布的2020“QS世界大学排名来看”，中国共有42所高校入围，除排名最高的清华大学名列第16位以外，还有12所高校也进入世界百强。高校在不断提升国际声誉与教育水平的同时，本就承担着为留学生提供教育的重要使命，因此还应努力构建一个包容开放的校园环境，尽可能地将世界各地的文化元素融合在校园里，并且向来自世界各地的国际留学生传递出所有师生的热情与友好，帮助他们更好地融入校园、融入中国。

注 释：

（1）数据来源于《世界移民报告2020》。

（2）数据来源于赵晓霞“来华留学生：在中国工作是个好选择”，载于人民日报海外版，2017年4月28日。

（3）数据来源于百度百科（https://doc.mbalib.com/tag/知识外溢）。