基于城市创新力的长三角城市群高学历流动人口空间溢出效应研究

夏基洋 ， 张 越

(1.浙江大学 建筑工程学院，杭州 310000； 2.浙大城市学院，杭州 310000)

0 引言

创新引领和驱动下的新发展模式是调整我国城市群产业结构与增加城市竞争力的重要手段。创新的根本在于人才，党的十九大报告中人才强国战略指出要在城市与区域发展中充分发挥人才在提高城市创新与竞争能力中的重要作用。高学历人才作为提高城市经济发展活力与创新水平的关键要素[1]受到多方青睐。近年来各地政府、企业纷纷出台的人才政策将学历作为重要的人才筛选指标。

高学历人才通常被定义为具有普通高等学历及以上的人口。现有研究多关注高学历人才的空间分布格局与演化特征[2-4]、调控人才流动的驱动因素[1,5-6]等，并指出我国高学历人才的空间分布格局表现出极大的不均衡性与高流动性[2-4]。然而，少有着眼于这一群体的流动对外部环境尤其是城市创新力可能产生的反作用力研究。此外，在城市创新研究中，学者普遍关注高等院校、科研机构以及企业等创新主体的空间分布和创新差异[7-9]，或以作为城市常住人口的相关行业从业人员为目标[10-12]，上述群体在一定程度上体现着一个城市的显性创新力。但高学历流动人口作为隐性的城市创新力不应该被地方政府与学者所忽视。相反，尊重高学历人口的流动规律与特征，为他们提供更宽松、顺畅的流动路径，探索并利用流动过程可能产生的空间溢出效应，如知识溢出与示范效应等，有利于城市潜在创新能力的最大激发。

长三角地区作为高学历流动人口流入规模最大的区域[1]以及我国的创新高地，高学历流动人口对长三角地区城市乃至区域创新能力的影响值得关注。2018年长三角地区的流动人口数量达到2 905.89万[13]，其中高学历流动人口占比高于17%。基于此，本研究以长三角城市群26个城市为研究对象，探讨高学历流动人口与城市创新能力的关系并进行相应的空间效应分析，揭示目标群体流动过程中可能产生的空间溢出效应，为缓解区域人才发展趋于同质化竞争的危机提供参考，为长三角地区高学历流动人口的空间导控和优化配置提供重要的理论支持。

1 研究区域、变量选取及研究方法

1.1 研究区域

2018年长三角城市群生产总值17.86万亿元，占全国地区生产总值的20%，专利申请数量121.9万件，占全国专利申请数量的29%，创新能力表现突出。根据2016年国务院批准的《长江三角洲城市群发展规划》，选取其中26个城市作为研究区域，包括上海，浙江省的杭州、宁波等8个城市，江苏省的无锡、南京等9个城市以及安徽省的芜湖、合肥等8个城市。

1.2 变量选取

本研究将城市创新能力作为因变量，将高学历流动人口作为核心自变量，在参考相关研究[12,14]的基础上设置创新环境、创新规模、创新综合投入等控制变量。

1.2.1因变量。专利申请行为在一定程度上代表了创新活动的发生,以城市专利的年申请量(PA)来测度城市的创新能力。

1.2.2核心自变量：高学历流动人口(HEM)[2,15]。先通过各城市统计年鉴数据计算出年流动人口，再根据国家卫健委和国家地球系统科学数据中心(http://www.geodata.cn/)提供的中国分市流动人口特征数据，利用其受教育程度项计算并剥离出目标人口。本研究将高学历流动人口净流出的区域HEM赋值为0。

1.2.3控制变量。① 高校在校大学生数(CS)：高校学生是高校创新活动的重要参与者与发起者，在提高城市创新能力中扮演十分活跃的角色。② 研发经费投入强度(RG)：全社会研究与试验发展经费(R&D)占国内生产总值(GDP)的比重被广泛用于描述某地区在科技创新方面的投入程度。③ 人均生产总值(AGDP)：其代表的城市经济发展水平与城市创新的活跃度密切相关。④ 规模以上工业企业数(ASI)：规模以上的工业企业是城市创新活动的主要聚集地与发生地。⑤ 外商投资企业数(FIE)：外资企业具有的先进技术及设备能促进城市的相关创新活动。综上，将CS作为城市创新环境因子，RG，AGDP作为城市创新综合投入因子，ASI，FIE作为城市创新规模的控制变量。

1.3 数据来源

因变量及控制变量数据均来源于2015—2019年各城市的统计年鉴、各城市的国民经济和社会发展统计公报以及《中国城市统计年鉴》等，相关变量描述性统计见表1。由于城市创新活动的投入与产出在时间上具有滞后性，本研究将高学历流动人口与城市创新能力的关系进行滞后1年处理，避免变量间的内生性问题。

表1 变量描述性统计

1.4 研究方法

1.4.1莫兰指数及双变量LISA模型。空间上任何地理要素都具有相关性与异质性。先对长三角城市群高学历流动人口(HEM)及城市创新能力(PA)分别进行单变量的全局空间莫兰指数(Global Moran’sI)检验[16]，以判别两者是否具有空间自相关性。在单变量检验的基础上，进一步计算双变量全局空间莫兰指数(Bivariate Moran’sI)[16]，以识别高学历流动人口与城市创新能力在空间上的相互关联程度和依赖特征。

全局空间自相关检验常忽略了局部空间的异质性[17]。为进一步探究某区域高学历流动人口与相邻区域的创新能力之间的关联程度和空间差异情况，进行双变量局部空间自相关性检验[18]。双变量局部莫兰指数检验结果分为高-高、低-低、高-低、低-高4种集聚模式。其中前两种表示某区域的高学历流动人口(HEM)与周边邻接区域的创新能力(PA)呈正相关关系，高-高和低-低分别表示HEM与PA为高值或低值相关；后两种说明HEM与PA的值呈负相关关系，高-低和低-高分别对应HEM和PA的高低或低高相关。

1.4.2空间面板杜宾模型(SPDM)。SPDM模型是考察地理事物空间关联性的主要模型[18]，可以用来揭示高学历流动人口等自变量和因变量城市创新能力的空间依赖效应，并在此基础上分析相关变量对城市创新能力的相关空间效应。SPDM的基本形式如J.P.Elhorst[19]及J.Lesage等[20]所述。为排除SPDM模型中解释变量的空间滞后项对反馈效应带来的影响，参考J.Lesage等[20]、王坤等[21]提出的偏微分法，测算模型中空间依赖的直接/间接效应(即本地自变量对因变量/邻近地区因变量的影响)和总效应(直接效应与间接效应之和)。

2 空间格局与空间相关性检验

2.1 空间格局特征

研究时期内，长三角城市群内的相关流动人口总量以及专利申请总量总体呈上升趋势。对2014—2018年长三角城市群高学历流动人口规模及城市专利申请量所表征的城市创新能力进行空间可视化处理(图1)。高学历流动人口规模具有显著的东高西低的分布特征，形成以上海为核心向周边城市等级扩展的“核心-边缘”分布格局。此外，长三角城市群创新人口净流入的城市数量由2014年的9个上升至11个,新增城市为金华、镇江，说明这两个城市对流动人口的吸引增加，符合2016年以来各地政府广泛出台相关人才政策的背景。金华、镇江分别临近人口流入值较高的杭州与南京，高学历流动人口的聚集呈现出空间相关性。此外，长三角城市群中人口净流出城市数量占据了总体数量的58%，这提示如何充分发挥流动人口乃至高学历流动人口的红利是今后长三角一体化发展的重要问题。

长三角城市群多个城市的创新能力强度等级随着时间变化而波动且总体呈现东高西低的分布特征(图2)。创新能力中值区域随时间在空间上发生变化，而创新能力高值与低值区域则较为稳定。对比高学历流动人口规模分布(图1)发现，相对稳定性较差的城市创新能力中值区域所包含的城市(如镇江、泰州、绍兴)多与高学历流动人口规模中值区域的城市(如南京、无锡、杭州)相邻，而相对稳定性较好的城市创新型能力高值区(如上海、苏州)与低值区的城市(如安庆、滁州)则分别对应高学历流动人口流入中心(如上海、苏州)和净流出地区(如安庆、滁州)，说明城市的创新能力受到自身或邻近区域高学历流动人口的影响并在高学历流动人口聚集流动的区域表现明显。总体来说，长三角城市群内不同经济发展程度的城市创新能力差异明显，江浙两省的创新能力整体高于安徽省；高学历流动人口对城市创新能力有显著影响，在高学历流动人口活跃区域，城市的创新能力在研究时期内随时间发生显著变化。

图1 2014—2018年长三角城市群高学历流动人口规模分布

图2 2014—2018年长三角城市群城市创新能力强弱分布

2.2 全局空间关联

为进一步探索高学历流动人口与城市创新能力之间的空间关联特征，对两者的单变量与双变量全局莫兰指数和显著性进行检验(表2)。研究时期内高学历流动人口的Moran’sI值(HEM)均大于0(p<0.01)，说明高学历流动人口高聚集的城市在空间上趋于邻近、低聚集的城市亦相邻。2014—2018年长三角城市群城市创新能力的Moran’sI值(PA)及其显著性(p值)均呈现先下降后上升的趋势，且仅在0.1水平上显著，说明区域中城市创新能力的空间相关性发生波动且显著性较低。上述变化说明，在研究时期内长三角城市群的创新空间格局不稳定，具有明显的复杂性与空间异质性，这与王承云等[11]的研究结论相符。

双变量Moran’sI值(HEM&PA)的范围为0.133～0.170(p<0.05)(表2)，说明高学历流动人口与城市创新能力总体的空间关联程度显著且稳定。总体来说，在长三角城市群中，高学历流动人口与城市创新能力的空间自相关性均呈现先下降后上升的变化趋势。究其原因可能是高学历流动人口的空间集聚受到相关政策的影响[22]。2016年人才政策进入初级发展阶段，人才政策门槛较高，各地政府对大多数具有普通高等及以上学历的人才引进和培养不足。2017年后，随着人才政策的完善[23]，区域内高学历流动人口的Moran’sI值(HEM)有所提升。

表2 高学历流动人口和城市创新能力的单变量和双变量Moran’s I统计值

2.3 局部空间关联

高学历流动人口与城市创新能力双变量LISA聚类结果(图3)显示，研究期间内，除不显著区域外，高学历流动人口与城市创新能力主要呈现高-高、低-低型的正相关集聚模式。随着时间推移，高-高、高-低型集聚模式的城市增加，低-低、低-高型城市减少，长三角城市群的创新格局变得复杂。具体来看，2014—2018年低-低型城市全部位于安徽省，说明池州、芜湖、合肥所在区域为长三角城市群高学历流动人口和城市创新能力冷点区域，这与安徽省的经济发展程度普遍弱于江浙两省且多数城市人口的净流出相关；低-高型城市为江苏省的南通市与浙江省的嘉兴市和湖州市，这与该三市分别在地理空间上邻接高-高型集聚模式的苏州和上海、形成高-高型的外围过渡区相关。2017—2018年，南京市表现为高-低型城市，说明南京的高学历流动人口规模增加但周围城市的创新能力水平较低。对比上海(高-高型)可以发现，高学历流动人口的空间溢出效应还与周边城市创新能力本值大小有关。总体来说，长三角城市群高学历流动人口与城市创新能力的局部空间关联有较大的异质性且核心城市表现出多种集聚模式。因此，有必要进一步考察高学历流动人口对城市创新能力的空间溢出效应。

图3 2014—2018年长三角城市群高学历流动人口与城市创新能力双变量LISA聚类图

3 空间溢出效应分析

3.1 模型识别

对变量进行的相关性及多重共线性检验结果表明，因变量与自变量的p值均通过显著性检验；方差膨胀系数VIF检验(<10)显示各自变量通过多重共线性检验，可进行下一步分析。OLS回归分析检验结果为0.546(p<0.01)，表明长三角城市群中高学历流动人口对城市创新能力具有显著正向作用；在Queen空间邻接权重矩阵下，拉格朗日乘数(LM)检验结果说明高学历流动人口对城市创新能力有空间作用且应采用空间面板滞后模型(SPEM)进行下一步分析[24]。利用SPDM模型进行瓦尔德(Walds)和似然比(LR)检验以对模型进行识别筛选。Walds和LR的检验结果显著拒绝了原假设(p<0.01)，说明高学历流动人口对城市创新能力影响的SPDM不能简化为SPEM。SPDM模型的Hausman检验结果表明本研究应采用固定效应(表3)。

表3 空间面板计量模型的检验结果

3.2 模型估计结果

分别采用时间固定、空间固定、时空双固定的SPDM模型进行参数估计(表4)。结果显示，时空双固定模型的对数似然值LogL(-60.500)和拟合优度R2(0.603)均优于时间固定模型；空间固定和时空双固定模型进行联合显著性检验的结果在1%水平上拒绝了选择空间固定模型的原假设，说明时空双固定的SPDM是本研究最优的模型。

在时空双固定模型SPDM模型估计下(表4)，HEM估计系数(0.063)和加权空间滞后项Wx的HEM系数(0.111)均在0.01水平上显著，说明高学历流动人口对城市创新能力有显著的正向空间作用，在高学历流动人口流动聚集的情况下城市创新能力将会持续增长。此外，高学历流动人口在空间的聚集存在明显的知识溢出效应与示范效应。

表4 城市创新能力空间杜宾模型估计结果

3.3 空间效应分解

运用SPDM偏微分方法对时空双固定SPDM模型的估计系数进行分解(表5)，进一步考察区域高学历流动人口对城市创新能力的影响和边际效应，揭示其他控制变量对本地及其邻近城市创新能力的影响。从表5看出，长三角城市群高学历流动人口(HEM)对城市创新能力的直接效应为0.055(p<0.01)，表明本地区高学历流动人口规模每增加1%，在现有的经济社会发展条件和创新发展理念推动下，创新能力将增加0.055%。间接效应为0.070(p<0.01)，即本地区高学历流动人口规模每增加1%，会使邻近城市的创新能力增加0.070%，说明高学历流动人口的聚集存在知识溢出现象。此外，高学历流动人口的空间溢出效应大于直接效应，这可能是因为在现有经济发展条件和人才政策下创新人才聚集对城市创新能力提升的“边际效应”显著。

此外，研发经费投入强度(RG)、规模以上工业企业数量(ASI)、外资投资工业数(FIE)、人均生产总值(AGDP)和高校在校学生数量(CS)对长三角城市群创新能力的影响不尽相同(表5)。其中，RG对本地区而不是周边城市的创新能力提高具有显著作用，说明加大对本市研发经费的投入强度将有效地提高其创新能力；FIE对本地的创新能力影响为正，对周边地区的创新影响为负，但其相关性并不显著；AGDP对区域及周边地区的创新能力的正向影响未通过显著性检验，其原因可能为城市GDP增长与城市创新能力的提高相辅相成[25-26]。

表5 各因素对城市创新能力影响的SPDM时空双固定效应分解结果

综上，长三角城市群的创新能力主要受高学历流动人口聚集水平、研发经费(R&D)投入强度、高校在校学生数量等因素的影响。其中，区域高学历流动人口的规模将会对本地及周边城市的创新能力带来显著的正向作用，各市对研究与试验发展经费(R&D)投入的增加也会显著提高本市的创新能力。

4 结论与讨论

4.1 结论

(1)2014—2018年长三角城市群高学历流动人口规模与城市创新能力具有明显的东高西低分布特征，形成以上海为核心向周边城市等级扩展的“核心-边缘”分布格局；长三角城市群高学历流动人口的空间格局随时间变化表现平稳，而城市创新能力空间格局则随时间发生波动。长三角城市群高学历流动人口规模与城市创新能力强弱空间分布的中心城市效应明显。

(2)研究期内长三角城市群创新格局具有动态性和复杂性，表现为高学历流动人口具有随时间波动的显著空间自相关性。区域内高学历流动人口与城市创新能力呈现出稳定依赖空间的空间关联性。此外，长三角城市群内本地区高学历流动人口会对邻近城市创新能力产生明显影响，但两者局部空间所表现出的异质性提示它们之间的复杂关系。

(3)长三角城市群中的高学历流动人口会对区域的创新能力带来显著的正向空间效应，并且由于创新人才集聚存在的“边际效应”，所产生的间接效应大于直接效应。其间接效应主要表现为在区域创新协作或产学研结合下，本地区高学历流动人口规模的增加会加速知识和技术在区际间的传递和扩散，降低邻近区域的创新成本从而促使邻近区域创新能力的提升。

4.2 讨论

高学历流动人口已成为城市乃至区域创新能力提高的主要因素。在以创新为驱动的发展中，如何吸引高学历流动人口并发挥其空间溢出效应，是区域协调健康发展的关键因素。在未来对区域内各类要素的精细化管理中，地方管理者应完善对高学历流动人口的优化配置，尊重高学历人才的流动特性，避免区域内对人才吸引的同质化竞争，同时构建区域人才流动平台，鼓励人才在区域中自由流动，促进区域健康协调发展。此外，还应综合考虑研发经费投入强度、外资投资企业数量、高校在校学生数量等其他因素，才能更好地实现在新发展理念下提高城市发展竞争力的目标。

由于代表城市创新能力的控制变量尚无统一选取标准，加之研究数据的可获取性有限，本研究仍存在不足。在后续研究中，可以通过构建更为完善的指标体系、建立多样的空间权重矩阵等方法来进一步探究高学历流动人口与城市创新能力的关系。