人才聚集效应视角下创新效应的空间计量分析*1

牛冲槐，宋 磊

(太原理工大学 经济管理学院，山西 太原 030024)

一、引言

创新是一个国家经济增长的前提[1]，一个国家创新能力的强弱将决定国家的经济发展水平，而人才是创新的主体，一个国家是否具备创新能力，很大程度上是由人才决定的。人才并不是孤立存在的，在一定范围内会形成人才聚集现象，产生人才聚集效应，因此准确了解人才聚集效应对创新的影响是十分必要的。

国外尚未明确提出人才聚集的概念，因此也不存在人才聚集效应对创新影响的研究，但国外学者在研究其他事物时提出了一些相关见解。经济学家ROSEN认为人与人关联性的增加会增强知识累积能力[2]，这种知识的累积会对创新产生积极影响。人才聚集恰好为增加人与人的关联提供了条件，因此人才聚集会促进创新的产生。此外，还有学者从产业人力资产角度探讨了这一问题。J.H.LOVE 和S.ROPER认为产业聚集所导致的人力资本聚集与集群技术创新活动有很强的正相关关系[3]。R.BAPTISTA指出企业、研究机构、大学在形成集群之后，由于其从业人员大都具有较高的知识水平，会形成科技型人力资本聚集，使区域内创新活动大量增加，增强了创新效应[4]。

国内就人才聚集对创新影响的研究也不多，但相对来说概念较为明确。文献[5]在提出人才聚集效应的同时暗示了其八个子效应存在着某种关联，即人才聚集的某些效应对创新效应是有影响的，但是没有进行进一步描述。芮雪琴等通过研究创新网络中的科技型人才聚集效应，发现创新网络中的技能净增量与知识存量是人才聚集效应的体现，这意味着人才聚集在创新网络中扮演着促进者的角色[6]。郭丽芳等以山西省为例研究了科技投入对科技型人才聚集效应的影响，认为科技投入会促进科技型人才的创新[7]。

通过文献梳理发现，虽然人才聚集效应与创新存在着显著的关联性，但国内外对其研究并不是很充分，因此，本文试图以人才聚集效应为视角，利用空间计量经济学方法，以揭示区域创新效应的空间特性，以及人才聚集效应对其的影响。

二、人才聚集效应对创新的影响分析及假设提出

人才聚集效应是在人才聚集现象的基础上形成的。所谓人才聚集现象，指在一定的时间内，随着人才流动，大量同类型或者相关人才按照一定关系，在某一地区或某一行业所形成的聚类现象[5]。大量人才聚集在一起，在适宜环境作用下，容易具有人才聚集的经济性，即出现人才聚集效应。人才聚集效应可以分为组织效应、环境效应与成员自身效应三大方面，在此基础上又细分为信息共享效应、集体学习效应、知识溢出效应、规模效应、时间效应、激励效应、区域效应、创新效应八个子效应[5]。这八个子效应并不是各自孤立存在的，而是相互作用、相互影响的，本文主要分析各个效应对创新效应的影响。

信息共享效应指人才聚集条件下信息获得者会提供免费或者价格低廉的信息给大家使用。知识的积累和获得是创新的基础，易得且价格低廉的信息为人才获取知识进行创新提供了一个途径。随着人才聚集程度的加大，提供的信息量会越来越大，而由人才聚集所造成的人才交流，会使被共享的信息进一步扩大，为创新提供了有效的知识储备。为此提出假设H1：信息共享效应会促进创新效应的产生。

知识溢出效应指人才聚集过程中会产生知识的溢出，特别是隐性知识的溢出。隐性知识是难以传递的，人才的聚集为人才相互交流提供了条件，随着人才之间的交流增多，隐形知识传递的机会也就增多，产生的溢出效应也就越大。由于隐性知识所包含的技巧方法较多，因此在知识生产中起的作用也越大，对创新的推动作用也就越突出。为此提出假设H2：知识溢出效应能促进创新效应。

集体学习效应指知识溢出的联动效应。人才聚集条件下，人们为了获取知识，会更愿意创造一种积极学习机会，以期得到更多的知识，集体学习效应的增强意味着交换知识机会的增多，有助于推动知识溢出效应的产生，溢出知识越多对创新推动越大。为此提出假设 H3：集体学习效应有助于创新效应。

激励效应是随着人才聚集程度的加大而产生，人才聚集所产生的激励与竞争是共生的关系，人才的增多会导致竞争，而竞争的本质是优胜劣汰。人才为了避免被淘汰会进行自我提高，努力提升自身的能力和知识水平，而人才是创新的主体，这种自身能力和知识水平的提高会有助于创新效应的产生。为此提出假设H4：激励效应会促进创新效应。

时间效应指人才所携带知识的时效性。当代社会科学技术飞速发展，知识更新速度加快，不同时效性的知识对创新的作用是不同的。新的、前沿性的知识对创新的推动力较大，而陈旧、将要淘汰的知识对创新的推动力较弱甚至没有，因此，知识的时效性很大程度决定了创新是否成功。为此提出假设H5：时间效应的增强会促进创新效应。

规模效应指随着人才规模的增加，人才聚集效应才会产生，才会发展。量变引起质变，事物只有达到一定规模才能引起质的变化。随着人才规模的扩大，人才之间的交流会增多，信息的共享强度会增强，共享知识的数量会加大。而由此产生的知识溢出也会随着人才交流的增多而增多，各种人才聚集效应会连锁式系统性的提升，根据知识生产理论[8-9]，由人才聚集所导致的知识投入增加，以及人员增加会提升创新效应。为此提出假设H6：规模效应的提升会促进创新效应。

区域效应指人才各种社会生产活动的区域特征，人才聚集效应的区域特征主要是指区域经济特征。区域经济的发展意味着可支配资源的增多，政府和企业会更有能力增加创新投入，创新投入的增加会导致区域创新效应提升，而区域经济的发展还会带动人才流动，为人才提供更适宜的环境，综合提升人才聚集效应。这些效应会系统性的提升，最终导致区域创新效应的增强。为此提出假设H7：区域效应的提升会促进创新效应。

三、创新的空间特性与空间计量经济学模型

对创新的传统研究大多采用时序数据进行分析，忽略了创新的空间特性，邻近区域的创新活动能够相互影响。传统的计量经济学方法无法衡量这种地理邻近性所带来的相互作用，但空间计量经济学很好地解决了这一问题。依据ANSELIN的观点，空间计量经济学是研究由空间导致的各种特性的区域科学模型统计分析方法[10]。本文以人才聚集效应为角度进行创新效应的空间计量分析，采用Moran指数法检验创新效应是否具有空间自相关性，如果具有，则运用空间计量经济学模型，进行区域创新效应的相关空间计量分析。

(一)空间自相关与创新效应空间计量分析的方法

通常认为，邻近地区的同一现象存在相关性，空间相关性的证实打破了经典统计分析中相互独立的基本假设，弥补了空间相关分析的空白。检验区域创新效应的空间相关性是否存在，空间计量经济学在分析时引入了Moran’s I指数的概念[11]，Moran’s I指数是一种分析空间相关性现象的统计分析技术，其定义如下：

(1)

Moran’s I指数可以看成各个区域观测值的乘积之和，取值范围为-1

(二)空间滞后模型、空间误差模型及估计技术

1.空间滞后模型[12]

空间滞后模型，即空间自回归模型(SLM)，其主要功能是探讨各个变量在该地区是否有扩散现象，其表达式为：

Y=ρWY+Xβ+ε.

(2)

式中，Y为因变量；X为n×k的外生解释变量矩阵；ρ为空间回归的相关系数；W为n×n阶的空间权重值矩阵，一般采用邻接矩阵；WY为空间滞后因变量；ε为随机误差项向量。

2.空间误差模型[12]

空间误差模型，即空间自相关模型(SEM)，其作用是度量邻接区域因变量的误差冲击对本区域观测值的影响，其数学表达式为：

Y=Xβ+ε.

(3)

ε=λWε+μ.

(4)

式中，ε为随机误差项向量；λ为n×1的截面因变量空间误差系数；μ为正态分布的随机误差向量；参数λ用以衡量样本观察中的空间依赖作用，即相邻地的观测值对本地的观测值的影响方向和程度；参数β反映了自变量X对Y的影响。

3.估计技术

空间依赖性的估计比时间序列估计要复杂，OLS估计由于其有偏性是不准确的，因此，20世纪60-80年代许多学者研究了空间计量经济学的模型估计，到80年代以后，极大似然估计成为文献主流的估计方法，因此本文也采用ANSELIN建议的极大似然法来估计SLM和SEM参数[10]。

4.空间自相关检验及SLM、SEM的选择

Moran’s I检验只能对空间自相关的存在性进行检验，而要确定具体使用哪一个模型，则需要进行LM-lag检验和LM-error检验[12]。ANSELIN提出了以下判别标准：若空间相关性检验中的LMLAG比LMERR显著，并且R-LMAGE显著而R-LMERR不显著，则应采用空间滞后模型；反之，则应采用空间误差模型[10]。另外，在检测模型的显著性方面，传统的OLS回归主要采用R2拟合优度、自然对数似然函数值、赤池信息准则等，这些方法同样适用于SLM与SEM模型的检验。

四、变量选取、模型设定及数据来源

为了验证上文所提出的假设，本文基于文献[5]提出的人才聚集效应，用专利授权量(Y)作为创新效应的代理变量，亦是本文的被解释变量；公共图书馆藏书量(X1)作为信息共享效应的代理变量；R&D课题数(X2)作为知识溢出效应的代理变量；以集体学习场所数量(即高校与科研机构数量X3)作为集体学习效应的代理变量；以高级职业技能证书获得人数(X4)作为激励效应的代理变量；以国内外科技论文发表增量(X5)作为时间效应的代理变量；以研究与试验发展(R&D)人员全时当量(人年)(X6)作为规模效应的代理变量；以人均GDP(X7)作为区域效应的代理变量，设立双对数模型：

lnY=β0+β1lnX1+β2lnX2+β3lnX3+β4lnX4+β5lnX5+β6lnX6+β7lnX7+εi.

式中：β为回归参数；i为1，2，…，31个省域；ε为随机误差项。

研究中所用的中国省域矢量地图主要通过ArcGis9.3制作，随后运用GEODA0.9.5.i软件，将2009年31省市自治区的数据建立空间计量经济学模型，用以检验省域创新效应的空间相关性，以及人才聚集各效应对创新效应的影响。本文中所用数据均来自《2010中国统计年鉴》。

五、创新效应的空间统计描述

空间相关是指观测值与区位的一致性，即当一个地区的经济数据值较高时，周围地区的经济数据值也会相应高。为了验证省域创新效应的空间相关关系，本文采取Moran’s I指数法测算创新效应的空间相关性，其中空间权重采用一阶权重，测得Moran’s I为0.383 4，Moran Z为3.513 5，Z值超过了1.96，说明在0.05概率下的创新效应的空间相关性是显著的。为了更形象地展示省域创新集聚特征的存在，本文使用GeoDA0.9.5.i软件计算并给出了区域Moran’s I指数的散点图(见图1)。上述结果表明我国省域创新效应具有明显的正空间相关关系，省域创新效应强的地区其周围地区创新效应也强，创新效应弱的地区其周围地区创新效应也弱，形成了创新效应的空间集群现象。

图1 Moran’s I散点图

六、空间计量实证检验与结果分析

(一)模型的实证检验

上述结果已经证明了2009年31个省域之间创新效应存在着较强的空间相关性，说明本文以空间计量经济学方法来研究这个问题是恰当的，接下来将要探索人才聚集其他效应是否影响创新效应，以及影响程度如何。由此需要进行空间估计与结果检验，为了更好地说明空间模型要比传统的OLS检验优良，本文先进行传统的OLS检验，结果见表1。

通过OLS检验结果可知，模型的拟合度较好，能够解释这个问题。为了进一步进行空间计量经济

学分析，需要确定运用哪个空间模型，根据上文介绍的ANSELIN提出的判别标准[10]，结合表1数据发现：LMERR检验较之LMAGE检验更为显著，R-LMAGE检验与R-LMERR检验同样都是显著的，因此ANSELIN的判别方法在此处失效，无法确定具体运用哪一个模型，所以本文将两个空间模型的检验都给出，具体结果见表2。

表1 OLS检验结果

注：***、**、*分别代表通过了10%、5%、1%水平下的显著性检验。

表2 省域创新效应全域空间估计

注：***、**、*分别代表通过了10%、5%、1%水平下的显著性检验。

由表2中两种估计方式的结果可以看出，SLM与SEM估计的R2值均大于0.8，AIC、SC检验等都在适宜范围内，说明运用空间计量经济学模型可以很好地解释问题，其中SEM模型的检验值要优于SLM模型。无论R2、LOGL、AIC、SC检验还是各个指标的显著性上，两个空间模型都比OLS估计要优良，说明考虑空间权重的SLM与SEM模型比不考虑权重的OLS估计要合理。比较SLM与SEM检验的结果发现，信息共享效应在两个检验中的符号相反，说明考虑空间滞后与考虑空间自相关时，信息共享效应对创新效应的影响是不同的，其影响究竟如何，本方法无法给出精确的判断，因此不对H1进行判断。知识溢出在两个检验中的系数都为正，但是都不够显著，说明知识溢出对创新效应的影响是正向的，但是在显著性上不强，与H2的分析基本一致。集体学习效应在两个检验中系数都为负，并且显著，因此H3被拒绝。激励效应在两个检验中的系数都为负，但不显著，因此拒绝H4。时间效应在两个检验中的系数为负，其中SLM检验结果显著，这说明知识有效性的提升并没有显著改善创新效应，因此拒绝H5，这可能是由于知识的使用需要与实际社会生产情况相结合，过于先进的理论在短期内很难形成有效的技术成果，也很难推动社会经济发展。规模效应在两个检验中系数都为正且显著，因此接受H6。本文对创新效应的衡量是用专利数量做代理变量，而人才规模的扩大导致创新活动的增多，作为创新产出的专利数量也会因此提升。区域效应在两个检验中符号相反，因此无法对H7进行判断。

(二)结论

(1)省域创新效应具有正的空间相关关系，出现了一定的空间聚集现象。(2)人才聚集效应中知识溢出效应、规模效应对创新效应有正向推动作用，而集体学习效应、激励效应与时间效应则对创新效应有负向作用，信息共享效应与区域效应的作用效果较为复杂，无法判断。(3)虽然经典的OLS模型与空间计量模型的估计结果基本一致，但考虑了空间权重的空间滞后模型在R2拟合度、AIC检验及整体的显著性上都比传统的OLS估计要好，这种改善对解释人才聚集效应对创新的影响更有说服力。

参考文献：

[1] 约瑟夫·阿洛斯·熊彼特.经济周期循环论[M].北京：中国长安出版社，2009.

[2] ROSEN S.Specialization and Human Captial[J].Journal of Labor Economics，1983(1)：43-49.

[3] J·H·Love，S·Roper.Location and Network Effects on Innovation Success：Evidence for UK，German and Irish Manufacturing Plants[J].Research Policy，2001(4)：643-662.

[4] R·Baptista.Research Round Up：Industrial Clusters and Technological Innovation[J].Business Strategy Review，1996(2)：59-64.

[5] 牛冲槐，接 民，张 敏，等.人才聚集效应及其评判[J].中国软科学，2006(4)：118-123.

[6] 芮雪琴，牛冲槐，陈新国，等.创新网络中科技人才聚集效应的测度及产生机理[J].科技进步与对策，2011(18)：146-151.

[7] 郭丽芳，杨彦超，牛冲槐，等.山西省科技投入对科技型人才聚集效应的影响研究[J].科技进步与对策，2011(5)：49-53.

[8] GRILICHES Z.Issues in Assessing the Contribution of R&D to Productivity Growth[J].Bell Journal of Economics，1979(1)：92-116.

[9] GRILICHES Z.Productivity，R&D，and Basic Research at the Firm Level in the 1970s[J].American Economic Review，1986(1)：141-154.

[10] ANSELIN L.Spatial Econometrics：Methods and Models[M].Dordrecht：Kluwer Academic Publishers，1988.

[11] 王立平，万伦来.计量经济学理论与应用[M].合肥：合肥工业大学出版社，2008.

[12] LESAGE J P.The Theory and Practice of Spatial Econometrics[M].University of Toledo，1999.