Flow of Innovation Elements and Urban Green Innovation Development:The Spatial Moderating Effect of Data Elements' Flow Environment

Peng Ying, Li Shimei

(School of Economics, Jilin University, Changchun 130012, China)

Abstract：In the high-quality development stage of China's economy,green innovation is the fundamental driving force for green growth and green welfare which are the ultimate goals of green innovation. Strategies of green sustainable development and innovative development are inevitable choices for China's high-quality economic development. It is also a must to realize the domestic cycle to promote the free flow of innovation elements in the construction of a unified national market. In addition, a good sharing and circulation environment of data element can not only promote the effective flow of data elements and deeply tap the potential of data elements and fully release the dividends of data elements, but also guide the orderly flow and precise matching of innovative elements such as talents and capital. Then does innovation elements mobility promote urban green innovation development? What exactly is the role of the flow environment of data elements in the development of urban green innovation? An in-depth exploration of the above two issues provides an empirical reference for the formulation of policies related to the synergistic development of "innovation" and "green" in cities in the digital economy to fully explore the potential value of data elements and enable the development of urban green innovation.

This study uses the panel data of 280 prefecture-level cities in China from 2004 to 2019,and employs the gravity model to measure the flow of innovation elements and the environment index of data-flow. Then it measures the development efficiency of urban green innovation by the SBM-undesirable model, and uses the spatial Durbin model to empirically analyze the spatial impact of the flow of innovation elements on the development of urban green innovation, and explore the mitigation effect of innovation element mismatch in the flow environment of data elements, as well as its spatial adjustment effect on the development of urban green innovation.

The research finds that firstly, the flow of innovation elements only promotes the development of local green innovation by improving the efficiency of green technology, but also inhibits the development of green innovation in neighboring areas. Secondly, the flow environment of data elements can ensure the free flow of talents and capital innovation elements in an orderly manner, and improve the matching efficiency of urban talents and capital innovation elements, and there is an effect of mitigating the mismatch of innovation elements. Thirdly, under the spatial adjustment effect of the flow of data elements, from the perspective of local effects, the flow of talent innovation elements promotes the development of urban green innovation by affecting the efficiency of green technology and the progress of green technology, showing the characteristics of "dual-track drive"; while the element flow of capital innovation only improves green technological efficiency and the level of urban green innovation and development, showing the characteristics of "single-track drive". From the spatial spillover effect, the flow environment of data element can reasonably regulate the spatial flow of talent and capital innovation, generate mismatch mitigation effect of innovation elements and a positive spatial spillover effect on green innovation development in neighboring regions through improving green technology efficiency and enhance green technology progress. Thus, under the spatial regulation of flow environment of data elements, the driving characteristic of innovation elements flow to urban green innovation development is changed from being "single-track driven" to "double-track driven", and innovation elements flow has a strong positive spatial spillover effect on urban green innovation development.

The conclusions of this paper enrich the research on the relationship between the flow of innovation elements, the flow environment of data elements and the development of green innovation. Different from the previous literature, this study innovatively uses the gravity model to measure the flow environment indicators of urban data elements, and selects the number of employees in the ICT industry as the core variable. It takes the urban market environment, communication environment, and Internet environment as attractive variables, and uses the spatial Durbin model to test the spatial correlation and technology transmissions path related to the flow of innovation elements, the flow environment of data elements, and the development of green innovation. The research conclusions provide policy support for guiding the free flow of innovation elements in an orderly manner, fully releasing the dividends of data elements, and realizing the development of urban green innovation.

Key Words:Flow of Innovation Elements; Flow Environment of Data Elements; Green Innovation and Development; Spatial Spillover Effects

收稿日期：2022-03-09

修回日期：2022-05-13

基金项目：国家建设高水平大学公派研究生项目(202006170081)

作者简介：彭影(1991-)，女，吉林通化人，吉林大学经济学院博士研究生，研究方向为技术创新与经济可持续发展；李士梅 (1963-)，女，辽宁辽中人，博士，吉林大学经济学院教授、博士生导师，研究方向产业发展理论与产业政策。本文通讯作者：李士梅。

DOI：10.6049/kjjbydc.2022030221

开放科学(资源服务)标识码(OSID)：

中图分类号：F290

文献标识码：A

文章编号：1001-7348(2023)01-0030-10

0 引言

《“十四五”数字经济发展规划》指出：继农业经济、工业经济之后，数字经济已经成为一种新经济形态，数据要素是全要素数字化转型的核心引擎，数据要素蕴藏巨大的价值。数据要素作为一种新型创新要素，能够推动其它创新要素优化配置，引发创新方式深刻变革，为经济创新发展带来强劲动力[1]。数据要素的市场化配置，即有效的流通，是提升数据要素配置效率的重要手段[2]。与人才、资本等创新要素不同，数据要素并不能直接生产物质资料与产品，但数据要素的流动与共享可以缩短人才、资本等创新要素的生产和流通时间，优化创新要素空间配置，提升创新要素匹配效率[3]。因此，良好的数据要素共享与流通环境不仅能推动数据要素有效流动，深度挖掘数据要素潜能，充分释放数据要素红利，还能引导人才、资本等创新要素有序流动和精准匹配。

近年来关于生产要素错配导致全要素生产率损失的实证研究层出不穷，但关于创新要素错配引发绿色创新效率损失的研究不够丰富。市场扭曲是引发错配的根源，要素市场扭曲会显著抑制创新效率[4]。劳动力市场和资本市场双重扭曲是制约各地区创新发展及创新效率损失的重要因素[5]。创新研发活动需要高质量、高水平的创新要素投入以及更为复杂的创新环境作为支撑，创新要素空间错配、不同类型创新要素错配及投入结构的差异都可能诱发创新效率损失[6]。创新要素自由流动是改善创新要素错配、优化创新要素空间配置的根本手段。时空压缩下的创新要素流动对城市绿色创新效率的推动作用更显著，并且存在区位异质性，如东部地区的创新要素吸引能力较强，对城市绿色创新效率的作用更显著，而中西部地区受经济、地理位置等多种因素限制，创新要素流动对城市绿色创新效率的影响较弱[7]。创新要素流动的空间溢出效应有助于协调优化创新要素的空间配置，加强区域间绿色技术合作，加快绿色技术成果转化，推动城市高质量发展[8]。因此，本文将基于数据要素流动环境的空间调节作用，深入探究创新要素流动与城市绿色创新发展的内在逻辑关联。

虽然现有文献已经为研究数据要素流动环境奠定了良好的理论基础，但在城市层面关于数据要素流动环境的测度是当前实证研究的瓶颈。基于此，本文可能的边际贡献在于：①运用引力模型选取ICT产业从业人员数为核心变量，以城市市场环境、通信环境和互联网环境作为吸引力变量，尝试测度城市数据要素流动环境指数；②使用空间杜宾模型分析人才和资本要素流动对城市绿色创新发展的空间影响，并进一步探究创新要素流动空间溢出效应的技术传导路径；③在数据要素流动环境的空间调节作用下，揭示创新要素流动、空间错配与绿色创新发展三者之间的内在逻辑关联，运用空间调节效应模型实证检验三者间的空间关联及技术路径。

1 理论分析与研究假设

1.1 创新要素流动对绿色创新发展的空间影响机制

(1)创新要素流动的创新发展空间溢出效应。第一，创新要素的空间流动有助于优化地区创新要素配置，提高创新要素配置效率，随着创新要素不断流入，创新要素存量增加，巩固了流入地创新要素基础，进而提升了技术创新水平[9]；第二，创新要素在流入地会产生集聚效应，在规模经济效应的作用下，创新要素投入的边际报酬增大，有助于激发地区创新活力，强化流入地区技术溢出效应，提高创新能力[10]；第三，创新要素流动本身具有较强外部性，其区际流动有助于整合空间内闲置、分散的创新资源，促进创新知识跨区域传播和交流，推动区域间异质性创新主体研发合作，形成相互合作、优势互补的创新网络，而由知识外溢带来的异质性知识嵌入将进一步提升地区创新能力[11]。

(2)创新要素流动的经济增长空间溢出效应。一方面，内生经济增长理论认为，内生技术进步是经济增长的动力，知识积累是经济持续增长的源泉，而创新以知识积累、全要素生产率提升以及创新空间溢出效应等方式促进经济增长[12-13]；另一方面，产业结构变迁也是促进经济增长的主要动力，创新要素流动通过调整创新资源在产业间的配置促进产业结构变迁，进而对经济增长产生积极作用——产业结构变迁所产生的结构红利从数量和质量两个方面推动经济增长[14]。

(3)创新要素流动生态环境效应的空间溢出。创新要素流动尤其是与绿色技术创新相关的高素质人才区际流动，有助于绿色技术、管理等知识扩散，通过知识溢出效应推动地区绿色发展效率提升[15]。高铁开通后，城市间经济联系愈加紧密，提升了城市间竞争强度，而绿色创新也是市场竞争的重要手段之一，通过市场竞争效应提高城市绿色创新效率[7]。由此，本文提出如下假设。

H1：创新要素流动不仅有利于本地区绿色创新发展，而且对邻近地区绿色创新发展也具有正向溢出效应。

1.2 数据要素流动环境的空间调节机制

已有研究证明，创新要素错配是导致创新效率损失的重要原因，并且创新要素自由流动是缓解地区创新要素错配的主要手段[16]。那么，数据要素流动环境是否能通过调节人才、资本等创新要素的自由流动缓解创新要素空间错配？数据要素的最大价值在于提供真实可靠的经济信息，降低经济活动中的不确定性。在数字产业化阶段，数据并不是以一种独立的创新要素形态存在，而是嵌入在各种数字化经济活动中，为其它创新要素提供基础信息环境，通过调节人才、资本等创新要素流动，缓解创新要素的空间错配程度；在产业数字化阶段，数据开始以独立形态融入经济系统，成为推动不同产业创新发展的核心要素，并通过大数据提高人才和资本创新要素的流转效率[17]。因此，数据要素流动环境在经济系统中与人才、资本等创新要素互动、循环和相互作用，通过引导人才、资本要素流动显著降低创新要素空间错配程度，进而推动城市间绿色创新协调发展。

此外，数据要素流动环境主要通过以下两个方面赋能城市绿色创新发展的空间溢出效应：第一，数据要素流动环境能够有效整合不同地区创新资源，通过提高创新要素配置效率促进本地和邻近地区绿色创新发展。蔡跃洲等[18]认为，互联网传播技术能显著降低数据要素流动成本，数据要素自由流动不仅有助于降低本地区人才和资本创新要素错配程度，还能够提高邻近地区创新要素匹配效率。金环等[19]指出，数据要素流动环境依托现代信息网络打破城市间空间壁垒，不仅能缩短创新要素流动时间，还能降低创新要素流动成本，增强创新要素流动的空间关联性，优化创新要素空间配置，在促进本地绿色创新发展的同时对邻近地区绿色创新发展产生空间溢出效应。第二，数据要素流动环境通过调节人才、资本等创新要素自由流动产生集聚效应，通过促进绿色技术创新和绿色技术溢出带动邻近地区绿色创新发展。新经济地理学理论认为，生产要素跨区域自由流动必然会产生集聚效应，进而诱发规模经济效应[20]。在规模经济效应作用下，绿色创新成本大幅降低，有助于绿色技术进步，同时，空间集聚又会促进地区间绿色知识、绿色技术自由流动，通过绿色技术进步的空间溢出效应实现本地和邻近地区绿色创新发展。由此，本文提出研究假设：

H2：数据要素流动环境通过引导人才、资本有序流动和精准匹配，缓解创新要素错配。

H3：在数据要素流动环境的空间调节作用下，创新要素流动能有效缓解创新要素错配，并通过提升绿色技术效率和促进绿色技术进步对城市绿色创新发展产生空间溢出效应。

2 研究设计

2.1 模型构建

基于创新要素空间流动视角，考察创新要素流动对城市绿色创新发展的影响以及城市绿色创新发展的空间相关性，构建如下空间杜宾模型：

GTFPit=βt0+ρ1W·GTFPit+βt1Tflit+βt2Xit+δt1W·Tflit+δt2W·Xit+εit

(1)

GTFPit=βc0+ρ2W·GTFPit+βc1Cflit+βc2Xit+δc1W·Cflit+δc2W·Xit+εit

(2)

式中，GTFPit为城市绿色创新发展效率，Tflit和Cflit分别是人才要素流动与资本要素流动，Xit为一系列控制变量。ρ为空间自回归系数，W为空间权重矩阵，β为解释变量回归系数，δ为解释变量的空间回归系数，εit为随机干扰项。

由于数据要素流动环境对人才、资本要素流动存在调节作用，分别引入数据要素流动环境与人才、资本创新流动的交叉项(Dtfl、Dcfl)，以及人才、资本要素错配指数(γLit、γKit)，考察在数据要素流动环境的调节作用下，人才和资本要素流动通过改善创新要素空间错配对城市绿色创新发展的空间影响。考虑到数据要素流动环境的空间调节作用可能存在滞后性，动态空间杜宾模型更为适用，构建模型如式(3)和式(4)所示。

GTFPit=βdt0+ρ3GTFPit-1+ρ4W·GTFPit+βdt1Dtflit+βdt2γLit+βdt3Dtflit×γLit+βdt4Xit+δdt1W·Dtflit+δdt2W·γLit+δdt3W·Dtflit×γLit+δdt4W·Xit+εit

(3)

GTFPit=βdc0+ρ5GTFPit-1+ρ6W·GTFPit+βdc1Dcflit+βdc2γKit+βdc3Dcflit×γKit+βdc4Xit+δdc1W·Dcflit+δdc2W·γKit+δdc3W·Dcflit×γKit+δdc4W·Xit+εit

(4)

式中， γLit 为人才创新空间错配指数，γKit 为资本要素空间错配指数，βdt3与βdc3为调节作用的回归系数，δdt3与δdc3为调节作用的空间回归系数。

2.2 变量测度

2.2.1 被解释变量

被解释变量为绿色创新发展效率。在经济高质量发展阶段，绿色发展内涵被进一步拓展和延伸，绿色可持续发展战略与创新发展战略是我国经济实现高质量发展的必然选择。周亮等[21]认为，绿色创新是实现绿色增长和绿色福利的根本动力，绿色增长和绿色福利是绿色创新的最终目的，绿色福利即生态环境效益，也是体现绿色经济增长的一个方面。基于此，本文在绿色发展理念基础上融合创新发展理念，形成“绿色创新—绿色增长—绿色福利”的绿色创新发展理念。绿色全要素生产率是目前评价绿色经济发展的重要手段，其基于效率视角，从投入产出角度测度绿色创新发展效率，无需考虑价格因素，因此测度过程和结果相对客观，具有一定先进性。本文综合考虑创新、经济增长与能源环境的投入产出关系，并借鉴董会忠等[22]、曹莉等[23]的指标选取方法，选取劳动力投入、资本投入、能源投入和研发投入为投入指标，以经济产出与创新产出为期望产出，环境污染为非期望产出，构建城市绿色创新发展效率投入产出评价指标体系。

如表1所示，在投入指标测算上，劳动力投入采用城市年末单位从业总人数测度；固定资本存量估算采用永续盘存法，借鉴张军等[24]的做法，以2003年为基期，采用公式Kit=(1-δ)Kit-1+Iit测算固定资产存量，δ为资本折旧率，取值为9.6%；能源投入以城市全社会用电量表示；研发人员投入采用科研、技术服务和地质勘查业从业人员衡量；研发资本投入采用各地区科技支出资本存量衡量，利用公式Kt=Dt-1+(1-ϑ)Kt-1计算，其中，Dt-1为t-1期实际研发资本存量，ϑ为折旧率，一般取值为15%，研发投资价格指数=0.6*消费者价格指数+0.4*固定资产投资价格指数，以2003年为基期，平减得出实际研发资本投入[25-27]。在期望产出方面，经济产出以2003年不变价的城市实际GDP表示；创新产出采用3种专利申请数表示，参考白俊红等[5]的做法，分别赋予发明专利、实用新型专利和外观专利的权重为0.5、0.3以及0.2。在非期望产出方面，选取工业废水排放量、工业二氧化硫排放量和工业烟粉尘排放量表示，采用熵值法测算环境污染综合指数。此外，参考余奕杉等[28]做法，选用考虑非期望产出的SBM-Undesirable模型测算绿色全要素生产率，为进一步分析创新要素流动影响城市绿色创新发展的技术传导路径，采用全局参比的Globe-Malmquist-Luenberger指数法将其分解为绿色技术效率指数和绿色技术进步指数。在此基础上，将测算结果转化为以2003年为基期的累计增长指数。

2.2.2 核心解释变量

核心解释变量为人才要素流动和资本要素流动。参考白俊红等[27]的研究，运用引力模型对城市创新要素流动水平进行度量。引力模型的一般表达式为：

(5)

式(5)中，Fij为i地区对j地区的流动性吸引力；Gij为i地区与j地区的引力系数，通常取值为1；Ni和Nj分别表示经济社会某要素的度量；α表示引力参数，通常取值为1；Rij为i地区到j地区的地理距离；b为距离衰减指数，通常取值为2。参照上述引力模型，考虑到人才要素流动和资本要素流动的不同特征，分别构建测算人才要素流动和资本要素流动的引力模型。

就人才要素流动而言，安琥森等[29]研究得出，工资与房价对人才要素流动具有较大吸引力，是影响人才要素流动的核心因素；卞元超等[30]认为，教育水平、环境污染对人才要素流动的影响力逐渐增强。因此，本文选取工资、房价、教育和环境污染作为影响人才要素流动的吸引力变量。计算公式为：

Tflij=lnrdti×ln (wagej-wagei)×ln (pricej-pricei)×ln (educationj-educationi)×ln (pollutionj-pollutioni)R-2ij

(6)

式(6)中，Tflij为i地区流动到j地区的人才要素数量；rdti为i地区人才要素数量，用科研、技术服务和地质勘查业从业人员数表示；wage为各地区城镇单位职工平均工资水平；hprice为各地区住宅平均销售价格水平；education为各地区教育水平，用财政教育支出衡量；pollution为各地区环境污染情况，用工业烟尘粉尘排放量衡量。

Tfli为i地区在统计年度内的人才要素总流动量，计算公式为：

(7)

就资本要素流动而言，参考王欣亮等[31]的研究，由于资本具有逐利性，企业利润水平、投资环境是影响资本要素流动的主要因素。因此，选取各地区平均利润水平和金融市场发展水平作为资本要素流动的吸引力变量。计算公式为：

(8)

式(8)中，Cflij为i地区流动到j地区的资本要素数量；rdci为i地区资本要素数量，用各地区科技支出总额表示；profit为各地区企业利润水平，用规模以上工业企业平均利润衡量；finance为各地区金融市场发展水平，用年末金融机构各项贷款余额占固定资产投资总额的比重衡量。

Cfli为i地区在统计年度内的资本要素总流动量，计算公式如下：

(9)

2.2.3 调节变量

调节变量为数据要素流动环境。引力模型在社会科学领域常被用于研究空间相互作用问题，借鉴王钺等[32]的研究方法，应用引力模型测度城市数据要素流动环境。参考杨艳等[3]的研究，一方面，数据要素作为一种新型创新要素，同样具有趋利性特征；另一方面，数据要素流动还受到通信环境、互联网环境等流动环境影响。因此，选取各地区平均利润水平、通信环境和互联网环境作为吸引力变量。数据要素流动环境的计算公式为：

(10)

式(10)中，Dflij为i地区流动到j地区的数据要素数量；datai为i地区数据要素数量，在数字经济背景下数字技术主要集中在ICT部门，故选用信息传输、计算机服务和软件业从业人员数表征各地区数据要素规模；profit为各地区企业利润水平，用规模以上工业企业平均利润衡量；telecom为各地区通信环境水平，用电信业务总量衡量；internet和phone分别为各地区互联网与移动通信环境，分别用国际互联网用户数和移动电话年末用户数表示。

Dfli为i地区在统计年度内的数据要素流动环境总指数，计算公式如下。

(11)

2.2.4 其它变量

在数据要素流动环境的调节作用下，为进一步探究创新要素流动所产生的创新要素错配缓解效应，借鉴Aoki[33]的研究方法测度创新要素错配水平，假设研发生产函数为规模报酬不变的C-D形式，即

(12)

式(12)中，Y为创新产出，用专利申请数表征创新产出水平；Kit为研发资本投入，用研发资本存量表示；Lit为研发人员投入，用各地区科研、技术服务和地质勘查业从业人员数衡量；σi为研发资本弹性。人才要素错配与资本要素错配的测算公式如下：

(13)

式(13)描述各地区实际创新要素配置与理想情况的比值，γLit和γKit分别表示各地区人才要素错配程度与资本要素错配程度。其中，为各地区创新产出份额，是以产出份额为权重的加权平均弹性。

2.2.5 控制变量

控制变量包括可能影响城市绿色创新发展的主要因素：①经济发展水平(Pgdp)，采用人均GDP表征；②基础设施发展水平(Inf)，以公路客运、铁路客运和航空客运总量占各地区总人口的比重表示；③城市人口规模(Ups)，用年末总人口数衡量；④财政支出(Gov)，以一般公共预算支出占城市GDP的比重表征；⑤市场化水平(Mar)，采用城镇私有部门从业人员数占城镇从业人员总数的比重表示；⑥对外开放水平(Open)，以进出口贸易总额占地区GDP的比重表征。

2.3 样本与数据

数据来源于《中国城市统计年鉴》《中国环境统计年鉴》及各省市统计年鉴和统计公报。剔除数据缺失严重的城市，利用线性插值法补齐部分城市的缺失数据，最终选取2004—2019年我国内地280个地级市的面板数据，变量描述性统计结果见表2。

3 实证结果及分析

3.1 空间效应检验

3.1.1 空间自相关检验

如果城市绿色创新发展效率存在空间依赖性，采用传统非空间计量方法的估计结果可能存在偏差，而运用空间计量模型能够更加客观真实地反映创新要素流动对城市绿色创新发展效率的影响。在地理距离矩阵下，采用莫兰指数(Moran's I)对城市绿色创新发展效率的空间相关性进行检验。表3为空间相关性检验结果，可以发现，在研究期内，除2004年和2006年城市绿色创新发展效率的空间相关性不显著外，其它年份的城市绿色创新发展效率在地理距离矩阵中的Moran's I均通过显著性检验，并且Moran's I值均大于零，表明城市绿色创新发展效率存在显著的空间正相关性，因此使用空间计量模型进行回归。

3.1.2 空间杜宾模型回归结果

由于Wald检验和LR检验结果均拒绝原假设，Hausman检验通过显著性检验。因此，为检验H1，选用控制个体效应和时间效应的空间杜宾模型(SDM)进行回归更合适。表4为空间杜宾模型的估计结果，可以发现，模型(1)和(4)的空间自相关系数均显著为正，表明本地区绿色创新发展受到邻近地区绿色创新发展的加权影响，并且本地区绿色创新发展对邻近地区存在正向空间溢出效应。人才要素流动和资本要素流动对本地区绿色创新发展的影响系数分别为0.040与0.021，空间滞后项回归系数分别为-0.122与-0.121，且均通过显著性检验，表明人才要素流动、资本要素流动能显著促进本地绿色创新发展，但对邻近地区绿色创新发展起抑制作用，即存在负向空间溢出效应。

从创新要素流动影响城市绿色创新发展的技术路径看，在地理距离矩阵中人才和资本要素流动对本地绿色技术效率的影响系数显著为正，空间滞后项系数均显著为负，说明创新要数流动能显著促进本地绿色技术效率提升，但对邻近地区绿色技术效率存在负向溢出效应。这可能归因于：创新要素从低效率地区流向高效率地区，并通过效率机制改善资源配置效率，提升本地区绿色技术效率。然而，由于存在地方竞争、制度壁垒等因素，导致创新要素流动对邻近地区绿色技术效率产生消极影响。人才和资本要素流动对本地绿色技术进步的影响系数显著为负，但对邻近地区绿色技术进步的影响并不显著，说明人才和资本要素流动对本地绿色技术进步产生消极影响，对邻近地区绿色技术进步也没有形成有效的辐射带动效应。这主要是因为当前的人才和资本要素更多地集中在ICT产业，更多地关注高技术创新和数字技术发展，对绿色技术创新的关注度不足。

综上结果，从本地效应看，人才和资本要素流动仅通过改善绿色技术效率推动本地绿色经济发展，呈现出“单轨驱动”特征；从空间溢出效应看，人才和资本要素流动对城市绿色技术效率存在负向溢出效应，而对城市绿色技术进步无显著影响，意味着创新要素流动对城市绿色创新发展的空间溢出效应尚未得到有效发挥。

在地理距离矩阵下，将人才和资本要素流动对城市绿色发展的总效应分解为直接效应与空间效应(间接效应)。如表5所示，人才和资本要素流动的直接效应显著为正，而空间效应和总效应均显著为负，表明创新要素在城市间流动具有明显的直接效应，其带来的空间溢出效应对绿色创新发展存在显著抑制作用。创新要素流动对城市绿色创新发展存在负向空间溢出效应的原因为：一是城市绿色创新发展存在较强的地区锁定效应，绿色技术扩散、知识溢出和知识共享尚未在空间上实现自由流动，导致空间溢出效应不显著；二是创新要素流动所产生的空间溢出效应更多地体现在创新产出和经济产出方面，对绿色发展的关注度较低，无序的创新要素流动引致负向空间溢出效应。此外，创新要素流动的空间效应强于直接效应，进一步说明创新要素流动的空间溢出效应对城市绿色创新发展具有重要贡献。

3.1.3 稳健性检验

表6为稳健性检验结果，本文采用3种方法进行稳健性检验：①替换空间权重矩阵，采用地理邻接矩阵(0-1矩阵)代替地理距离矩阵,重新回归，结果显示，创新要素流动对本地绿色创新发展的回归系数在方向和显著性上均未发生根本性改变，证明研究结果是稳健的；②运用动态SDM模型回归，考虑到绿色创新发展可能受到前期城市绿色创新发展水平的影响，引入被解释变量二阶滞后项进行回归估计，结果表明，创新要素流动对本地绿色创新发展的影响系数显著为正，对邻近地区绿色创新发展效率的回归系数显著为负，检验结果与前文结果一致；③采用空间GMM模型，在模型回归中，考虑到可能存在遗漏变量以及创新要素流动与城市绿色创新发展两者间可能存在逆向因果关系等内生性问题，因此应用空间SEM模型的GMM方法，选取W*Tfl/W*Cfl为工具变量进行稳健性检验，该结果与SDM回归结果相比并未发生根本性改变，进一步证实研究结论是稳健可靠的。

3.2 数据要素流动环境的空间调节作用检验

3.2.1 创新要素错配缓解效应检验

人才和资本要素在推动城市创新发展中的重要作用毋庸置疑，因此城市间对创新资源的争夺愈演愈烈，创新要素的空间错配现象也日益显著。根据前文创新要素错配的测算方法，得出城市人才和资本要素错配指数。创新要素错配指数大于1，意味着创新要素配置过度；创新要素错配指数小于1，意味着创新要素配置不足。2004-2019年，我国东部、中部和西部地区人才要素错配均值分别为0.656、0.688以及0.693，说明各地区人才要素配置均呈现出不足状态；东、中、西部地区资本要素错配均值分别为1.421、1.019和1.068，说明各地区资本要素配置整体略微过剩，且区域内部资本要素配置极不均衡。

在数字经济背景下，数据要素流动环境的价值主要体现在适当调节人才和资本要素的区际流动，缓解城市创新要素错配，优化创新要素空间配置，进而推动城市绿色创新发展。为保持创新要素错配指数回归方向的一致性，取人才、资本要素错配指数对数的绝对值进行回归分析，数值越大表示创新要素错配程度越严重。为检验H2，深入探究数据要素流动环境的创新要素错配减缓效应，分别引入数据要素流动环境与人才、资本要素流动的交叉项(Dtfl、 Dcfl)进行估计。由于创新要素错配缓减效应可能存在滞后性，故选用动态空间杜宾模型进行回归分析。

表7为数据要素流动环境的创新要素错配缓解效应检验结果。结果显示，Dtfl对本地人才要素错配的回归系数显著为负，对邻近地区人才要素错配的回归系数也为负，但未通过显著性检验，说明数据要素流动环境能合理引导人才要素流动进而降低城市人才创新要素错配程度。Dcfl对本地资本要素错配的影响系数为负，对邻近地区资本要素错配的影响系数为正，且均通过显著性检验，说明数据要素流动环境能有序引导资本要素流动，降低本地资本要素错配程度。总而言之，数据要素流动环境能有序引导人才和资本要素流动，精准匹配城市间人才和资本要素，具有创新资源错配缓解效应。

3.2.2 空间调节效应检验

为检验H3，进一步研究数据要素流动环境对城市绿色创新发展的空间调节效应，在数据要素流动环境与人才要素流动、资本要素流动交叉项的基础上，分别引入其与人才要素错配、资本要素错配的交互项，即Dtfl×γL和Dcfl×γK。此外，数据要素流动环境对绿色创新发展的空间调节作用可能存在滞后性，故选用动态SDM模型进行回归估计。

表8为数据要素流动环境空间调节作用的检验结果。模型(1)和(4)为数据要素流动环境通过影响人才与资本要素流动，调节创新要素空间错配程度，进而作用于城市绿色创新发展的回归结果。结果显示，Dtfl×γL对本地绿色创新发展的影响系数为0.565，且通过显著性检验，意味着数据要素流动环境能通过调节人才要素空间流动推动本地绿色创新发展；而γK和Dcfl×γK对本地城市绿色创新发展的影响分别为-0.101、0.093，意味着数据要素流动环境能有效引导资本要素流动，通过缓解资本要素错配，促进本地绿色创新发展效率提升。在空间影响上，Dtfl×γL和Dcfl×γK的空间滞后项对邻近地区绿色创新发展的回归系数显著为正，表明数据要素流动环境能合理调节人才、资本要素的空间流动，改善邻近地区创新要素错配程度，并对邻近地区绿色创新发展存在正向溢出效应。

从数据要素流动环境空间调节效应的技术影响路径看，Dtfl×γL对本地绿色技术效率和绿色技术进步的回归系数显著为正，而Dcfl×γK仅对本地绿色技术效率存在显著正向影响，表明在数据要素流动环境的空间调节作用下，人才要素流动能缓解城市人才创新要素错配，并通过绿色技术效率和绿色技术进步两条路径提升本地城市绿色创新发展水平，而资本要素流动仅能通过影响绿色技术效率推动本地绿色创新发展。从空间溢出效应看，Dtfl×γL和Dcfl×γK的空间滞后项对绿色技术效率、绿色技术进步均具有显著正向作用，意味着数据要素流动环境通过调节人才和资本要素流动，缓解创新要素错配程度，并通过绿色技术效率和绿色技术进步两条传导路径对邻近地区绿色创新发展产生积极影响。

综上结果，就本地效应而言，数据要素流动环境能有效调节人才要素区际流动，提高城市人才要素配置效率，并通过影响绿色技术效率和绿色技术进步提升城市绿色创新发展水平，呈“双轨驱动”特征；而资本要素流动仅通过改善绿色技术效应作用于城市绿色发展，绿色技术进步的作用未得到有效发挥，呈“单轨驱动”特征。从空间溢出效应看，数据要素流动环境调节人才和资本要素流动，产生显著的创新要素错配缓解效应，通过提升绿色技术效率和绿色技术进步水平对邻近地区绿色创新发展产生正向空间溢出效应。

4 结论与展望

4.1 研究结论

本文基于2004-2019年我国内地280个地级市面板数据，运用空间杜宾模型评估创新要素流动对城市绿色创新发展的空间溢出效应，并采用动态空间杜宾模型进一步检验数据要素流动环境的创新要素错配缓解效应，及其对城市绿色创新发展的空间调节效应。主要结论如下：①人才和资本要素流动能显著促进本地绿色创新发展，但对邻近地区绿色创新发展起抑制作用。从本地效应看，创新要素流动仅通过提升绿色技术效率推动本地绿色创新发展，呈现出“单轨驱动”特征；从空间溢出效应看，创新要素流动对城市绿色技术效率存在负向溢出效应，而对城市绿色技术进步的空间效应尚未充分发挥；②数据要素流动环境能有序引导人才和资本要素自由流动，提升城市人才、资本要素配置效率，存在创新要素错配缓解效应；③在数据要素流动环境的空间调节作用下，从本地效应看，数据要素流动环境能有序引导人才要素自由流动，通过改善绿色技术效率和提升绿色技术进步水平促进城市绿色创新发展，呈“双轨驱动”特征，而资本要素流动仅通过改善绿色技术效率推动城市绿色创新发展，呈“单轨驱动”特征。从空间溢出效应看，数据要素流动环境调节人才和资本要素流动，并通过改善绿色技术效率和推动绿色技术进步对邻近地区绿色创新发展产生正向溢出效应。由此可见，在数据要素流动环境的空间调节作用下，人才要素流动对城市绿色创新发展的影响由“单轨驱动”转变成“双轨驱动”，且创新要素流动对城市绿色创新发展产生显著的正向溢出效应。

4.2 政策启示

基于上述结论，本文提出3点政策建议。第一，创新要素流动是推动城市绿色创新协调发展的重要动力，政府应加强对创新要素流动的科学管理，破除地方保护和区域壁垒，构建创新要素流动的全国统一大市场，引导人才和资本要素有序流动，充分发挥市场在创新要素配置中的重要作用，提高人才和资本要素的空间配置效率，避免创新要素拥挤造成资源浪费，最大限度地激发和释放创新要流动的空间溢出效应。第二，数据要素空间效应的发挥需依托数据要素流动环境，而当前数据要素流动的通信环境、互联网环境和市场环境还存在诸多问题。各地政府应优化完善“新基建”，加快数字基础设施建设和推广，通过大数据技术加快人才、资本等要素流动的技术转移网络建设，进一步提高创新要素流动的开放性和有序性。第三，建立城市间绿色创新合作组织，搭建绿色创新合作网络平台，深化创新要素市场转移转化体制改革，加强区域间绿色创新活动的互动，充分发挥城市群、都市圈对周边经济欠发达地区的带动作用，形成优势互补、区域协调发展的绿色创新新格局。

4.3 研究局限与展望

当前关于数据要素流动环境的测度尚未形成标准、权威的测算方法，并受到数据来源、样本范围和数量的局限。未来研究可以从中观和微观视角入手，深入探究更精确的数据要素流动环境测算方法，提高研究结果的精准度和适用性，探究数据要素流动环境在绿色创新发展中的深层次影响。

参考文献:

[1] 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,2021,38(3):3-22.

[2] 孔艳芳,刘建旭,赵忠秀.数据要素市场化配置研究:内涵解构、运行机理与实践路径[J].经济学家,2021，33(11):24-32.

[3] 杨艳, 王理, 廖祖君. 数据要素：倍增效应与人均产出影响——基于数据要素流动环境的视角[J].经济问题探索,2021，42(12):118-135.

[4] 戴魁早,刘友金.要素市场扭曲与创新效率——对中国高技术产业发展的经验分析[J].经济研究,2016,51(7):72-86.

[5] 白俊红,卞元超.要素市场扭曲与中国创新生产的效率损失[J].中国工业经济,2016,34(11):39-55.

[6] 董直庆,胡晟明.创新要素空间错配及其创新效率损失:模型分解与中国证据[J].华东师范大学学报(哲学社会科学版),2020,52(1):162-178，200.

[7] 李涛,刘国燕.时空压缩下研发要素流动是否提升了区域绿色创新效率[J].科技进步与对策,2021,38(19):37-46.

[8] 海本禄,常鹏宇,张秀峰.创新要素流动与黄河流域高质量发展——基于地级市面板数据的空间计量研究[J].河南师范大学学报(自然科学版),2022,50(1):36-47.

[9] 卓乘风,邓峰.创新要素区际流动与产业结构升级[J].经济问题探索,2018,39(5):70-79.

[10] 周叔莲,王伟光.科技创新与产业结构优化升级[J].管理世界,2001,17(5):70-78，89-216.

[11] ZHAO S L,CACCIOLATTI,LEE S H,et al. Regional collaborations and indigenous innovation capabilities in China: a multivariate method for the analysis of regional innovation systems[J]. Technological Forecasting and Social Change,2015,94(1):202-220.

[12] 严成樑,龚六堂.熊彼特增长理论:一个文献综述[J].经济学(季刊),2009,8(3):1163-1196.

[13] 李政,杨思莹.科技创新、产业升级与经济增长:互动机理与实证检验[J].吉林大学社会科学学报,2017,57(3):41-52，204-205.

[14] SACCONE D, VALLI V. Structural change and economic development in China and India[J]. European Journal of Comparative Economics,2009,8:101-129.

[15] 周杰文,张云,蒋正云.创新要素集聚对绿色经济效率的影响——基于空间计量模型的实证分析[J].生态经济,2018,34(6):57-62.

[16] KLENOW H P J. Misallocation and manufacturing TFP in China and India[J]. Quarterly Journal of Economics, 2009, 4(4):1403-1448.

[17] 王建冬,童楠楠.数字经济背景下数据与其他生产要素的协同联动机制研究[J].电子政务,2020,17(3):22-31.

[18] 蔡跃洲,马文君.数据要素对高质量发展影响与数据流动制约[J].数量经济技术经济研究,2021,38(3):64-83.

[19] 金环,于立宏.数字经济、城市创新与区域收敛[J].南方经济,2021,39(12):21-36.

[20] 李士梅,彭影.区域制度环境对创新人才集聚的空间影响研究——基于人口老龄化的视角[J].吉林大学社会科学学报,2020,60(5):82-91,237.

[21] 周亮,车磊,周成虎.中国城市绿色发展效率时空演变特征及影响因素[J].地理学报,2019,74(10):2027-2044.

[22] 董会忠,李旋,张仁杰.粤港澳大湾区绿色创新效率时空特征及驱动因素分析[J].经济地理,2021,41(5):134-144.

[23] 曹莉,邓峰,卓乘风.产业转移一定能提升绿色创新效率吗[J].生态经济,2022,38(4):53-59.

[24] 张军,吴桂英,张吉鹏.中国省际物质资本存量估算:1952-2000[J].经济研究,2004,50(10):35-44.

[25] 吴延兵.R&D存量、知识函数与生产效率[J].经济学(季刊),2006,164(3):1129-1156.

[26] HALL B H, MAIRESSE J. Exploring the relationship between R&D and productivity in French manufacturing firms[J]. Journal of Econometrics, 1995,65(1)263-293.

[27] 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,2017,52(7):109-123.

[28] 余奕杉,卫平.中国城市绿色全要素生产率测度研究[J].生态经济,2021,37(3):43-52.

[29] 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,2011,55(4):41-54.

[30] 卞元超,吴利华,白俊红.财政科技支出竞争是否促进了区域创新绩效提升——基于研发要素流动的视角[J].财政研究,2020,41(1):45-58.

[31] 王欣亮,汪晓燕,刘飞.税收竞争有利于提升区域创新绩效吗——基于创新要素流动的空间机制分析[J].财贸研究,2021,32(6):98-110.

[32] 王钺,刘秉镰.创新要素的流动为何如此重要——基于全要素生产率的视角[J].中国软科学,2017,32(8):91-101.

[33] AOKI S. A simple accounting framework for the effect of resource misallocation on aggregate productivity[J]. Journal of the Japanese and International Economies, 2012, 26(4):473-494.

(责任编辑：胡俊健)