开放科学(资源服务)标识码(OSID)：
开放科学(资源服务)标识码(OSID)：
近10年，随着经济增长速度的结构性下滑，中国经济发展进入“新常态”，开启了一条由要素驱动高增长向效率驱动高质量转型的发展道路[1]。十九大报告指出，中国经济正处在转变发展方式、优化经济结构、转换增长动力的攻关期，建设现代化经济体系是跨越关口的迫切需要，也是中国发展的战略目标，加快建设创新型国家则是构建现代化经济体系的重要举措。不仅如此，2020年10月审议通过的“十四五”规划明确要求，坚持创新在中国现代化建设全局中的核心地位，把科技自立自强作为国家发展的战略支撑，深入实施科教兴国战略、人才强国战略、创新驱动发展战略，进一步强调了技术创新在经济向高质量转型发展过程中的战略支撑作用。
作为技术创新过程中的核心要素投入，人力资本对技术创新的影响受到国内外学者的广泛关注和研究。由内生增长理论可知，人力资本积累有利于提高经济主体的自主技术创新能力和外部溢出知识吸收能力，以技术创新为媒介，通过技术进步间接促进经济可持续增长[2]。国内外学者大多在实证分析过程中利用人力资本总量指标探讨人力资本与技术创新之间的内在关联[3-5]，忽视了研发人力资本的特殊性和专用性，即并不是所有人力资本都作为研究与开发部门的人力资本投入到技术创新活动中，因此，以往研究结果可能存在偏差。此外，人力资本积累并不是经济高质量发展的充分条件，其有效利用需要制度以及经济、政治和社会环境的共同作用[6]。只有在人力资本配置与经济结构、经济发展水平相匹配时，人力资本对经济增长才能发挥最大作用[7,8]。教育无疑是人力资本构成的主要方面，也是人力资本的最关键因素。由于在知识存量、知识结构与逻辑推理等方面存在差异，不同教育层次研发人力资本对技术创新的影响可能存在异质性特征。
为此，本文着眼于研发人力资本配置与技术创新之间的内在联系，探讨研发人力资本配置现状，进一步放宽研发人力资本对技术创新的同质性假设，根据教育层次将研发人力资本划分为本科及以下、硕士、博士3种类型，研究不同教育层次研发人力资本作用于技术创新的异质性特征。本文贡献主要在于：①结合中国教育以及研究与开发统计数据，分析中国研究生教育人力资本在技术创新领域的配置现状，丰富人力资本配置相关研究；②抛开研发人力资本作用于技术创新的同质性假设，从不同教育层次的视角研究研发人力资本对技术创新的差异化作用，弥补国内这一研究的空白；③在剖析不同科研主体创新产出结构的基础上，构建更为合理的创新投入与创新产出关系，且进一步从不同创新类型(发明专利与实用新型专利)视角检验不同教育层次研发人力资本对技术创新的影响。
现有文献一致认为，人力资本对经济增长的影响大致分为直接作用与间接机制两种。直接作用理论认为，人力资本积累有助于劳动人员更加有效地使用现存实物资本，提高投入产出转化率，进而推动经济增长。而间接机制理论认为，人力资本积累可以提高经济主体的自主技术创新能力和外部溢出知识吸收能力，以技术创新作为媒介，通过技术进步推动经济可持续增长。
人力资本是蕴含在劳动人员身上的知识、技能、经验等属性以及由此体现出的劳动力[9]。正规教育、在职培训、干中学等都是人力资本积累的重要来源。人力资本这一概念本身具有复杂性，很难在现实中找到一个数据指标准确反映经济主体人力资本水平。因此，国内外学者在研究人力资本与技术创新之间的内在联系时，采用的人力资本代理指标也不尽相同。
(1)以某个教育层次的入学率、劳动人员所占比例，或者所有劳动人员的平均受教育年限等总量指标表征经济主体人力资本水平。Cinnirella等[3]以识字率与中等教育入学率等指标作为人力资本的代理变量，发现人力资本对技术创新(专利数量)具有显著正向效应；Este等[10]基于西班牙微观企业的技术创新调查数据研究发现，人力资本(本科及以上教育员工人数的比例)可以显著降低因知识短缺和市场不确定性产生的技术创新壁垒，进而促进微观企业技术创新行为；Fonseca等[4]以本科及以上教育员工所占比例作为人力资本的代理指标，研究人力资本对技术创新(是否技术创新的二元变量、新产品销售额)的影响。国内学者在人力资本与技术创新间内在联系方面也取得了一些研究成果。如李建强等[5]以历年大学毕业生人数与企业数量比值的平均值度量人力资本水平，发现人力资本有助于企业技术创新数量和创新质量的提升；许爱顺等[11]将人力资本细分为高管人力资本、员工人力资本与技术人力资本3种类型，探讨不同人力资本对中小企业技术创新能力的影响。研究表明，3种类型人力资本(平均受教育年限)对中小企业技术创新能力(专利申请数)具有显著正向影响。
(2)以研发人员、技术人员数量作为研发人力资本的代理指标。Ramirez等[12]以研发人员数量占员工人数的比例表征人力资本水平，实证分析人力资本对技术创新的影响。结果表明，人力资本对企业技术创新(是否进行技术创新的二元变量)具有正向影响；马颖等[13]基于中国资本密集型与技术密集型行业的样本数据，利用研发人员全时当量表征人力资本水平，实证分析人力资本对行业技术创新(专利申请总量与3种细分专利申请数)的影响，发现人力资本的增加对资本与技术密集型行业技术创新具有显著正向效应；梁超[14]基于中国1999-2010年行业面板数据，以行业中工业企业科技人员数作为人力资本的代理变量，运用动态面板回归模型实证研究人力资本对技术创新(新产品产值)的影响，发现人力资本及其吸收能力显著促进行业中工业企业技术创新产出的提高。
(3)以公共教育支出、在职培训与健康等指标表征人力资本水平。Teles等[15]以1960-2000年27个国家数据作为研究样本，利用面板协整检验分析了人力资本与技术创新之间的协整关系，研究表明以公共教育支出和平均受教育年限表征的人力资本与以专利申请授权数代表的技术创新具有显著协整关系；Zhou等[16]利用向量自回归模型，研究了中国经济增长(GDP增长率)、技术创新(专利申请授权数增长率)与人力资本(公共财政教育支出增长率)三者之间的动态内生关系，发现人力资本对技术创新和经济增长都具有显著正向效应。与上述研究不同的是，Gallie等[17]以在职培训表征人力资本水平，基于法国微观企业数据，运用动态计数回归模型研究了人力资本对技术创新(专利申请数)的影响，结果表明人力资本对技术创新具有显著正向效应，且技术创新具有显著动态效应，上一期技术创新对当期技术创新具有显著负向作用。
在既定人力资本水平的情况下，人力资本配置对经济主体的技术创新与经济增长具有重要影响。已有研究表明，中国市场机制和政策制度的不完善容易导致人力资本在不同经济部门、生产行业之间的错配，使得人力资本不能有效地促进经济可持续增长[18-20]。因此，除人力资本绝对水平对经济主体技术创新的影响外，少量文献基于人力资本配置视角探讨人力资本在不同行业、部门之间的配置对经济主体技术创新的影响。赖德胜等[21]构建了一个人力资本在市场部门、政府部门与垄断部门的三部门配置模型，探讨人力资本配置对技术创新的作用机制，实证分析发现，市场部门的人力资本对技术创新具有正向效应，而政府部门与垄断部门的人力资本对技术创新产生不同程度抑制效应，相对报酬结构差异引致不同部门间人力资本错配，不利于技术创新产出的增长；纪雯雯等[22] 以人力资本沉淀系数表征人力资本配置状态，利用行业面板数据探讨人力资本配置对创新绩效(行业增加值)的影响。研究表明，人力资本在不同行业之间存在错配现象，而人力资本低效配置不利于创新绩效提高。
综上所述，国内外学者对人力资本与技术创新之间的内在关联进行了广泛研究，并取得了丰富的研究成果。但也存在不足：①以某个教育层次入学率与劳动人员所占比例，或者所有劳动人员平均受教育年限等总量指标表征人力资本水平，忽视了研发人力资本的特殊性和专用性，即并不是所有人力资本都作为研发人力资本作用于技术创新活动，以人力资本总量指标表征研发人力资本会存在偏差；②以研发人员或技术人员数量作为研发人力资本的代理指标，从人力资本在不同行业或部门间横向配置角度探讨人力资本与技术创新的内在关联，相关研究有一个隐含假设，即不同教育层次的研发人力资本对技术创新的影响具有同质性。然而，由于在知识存量、知识结构以及逻辑推理等方面存在差异，不同教育层次研发人力资本对技术创新的影响可能呈现异质性特征，因而同质性假设与现实不符。
根据人力资本作用于经济增长的直接与间接机制，本文将人力资本划分为研发人力资本与一般人力资本。具体而言，研发人力资本是指经济主体中专注于技术创新活动的人力资本，如研发人员的教育、技巧与经验等属性特征，而其它没有作用于研究与开发工作的人力资本统称为一般人力资本。本文关注不同教育层次研发人力资本对地区技术创新的影响，创新投入与产出关系是重要的影响机制。早期实证模型来源于Jaffe[23]的知识生产函数，是学者们研究技术创新及其影响因素的重要基础模型，基本形式如下：
(1)
其中，i表示个体，t表示时间，innov为创新产出，ci为截距项，表示横截面个体异质性，rdl为研发人力资本投入，rde为研发经费投入，z为控制变量，反映其它知识生产投入，β1、β2、βj为相关参数，ε为随机误差项。研究与开发活动产生的新技术和新知识具有外部性特征，而FDI和OFDI作为国际技术溢出的两条重要渠道，对东道国或投资母国的技术创新、生产技术水平与经济增长具有显著正向溢出效应。此外，研发投入到科研成果产出存在一定时滞[23]，同时，为了避免因反向因果关系产生的内生性问题，在式(1)中加入FDI和OFDI作为控制变量，且对所有解释变量作滞后一期处理，即：
lninnovit=ci+β1lnrdlit-1+β2lnrdeit-1+β3lnfdiit-1+β4lnofdiit-1+εit
(2)
为了探讨不同教育层次研发人力资本对技术创新活动的影响，在知识生产函数(1)和(2)的基础上，根据教育水平将研发人力资本细分为博士、硕士、本科及以下学历3种类型，分别得到不含国际技术溢出和含国际技术溢出的知识生产方程，即：
lninnovit=ci+β11lnrdl_docit-1+β12lnrdl_masit-1+β13lnrdl_budit-1+β2lnrdeit-1+εit
(3)
lninnovit=ci+β11lnrdl_docit-1+β12lnrdl_masit-1+β13lnrdl_budit-1+β2lnrdeit-1+β3lnfdiit-1+β4lnofdiit-1+εit
(4)
其中，rdl_doc、rdl_mas与rdl_bud分别表示具有博士、硕士、本科及以下教育的研发人力资本。上述模型都是静态面板数据模型，而一些经济理论认为，由于惯性或者部分调整的原因，横截面个体的当期行为可能取决于过去的行动[24]。技术创新是在现有知识存量的基础上对知识进行重组和整合，上一期的知识产出可以作为下一期技术创新的知识投入，使得经济主体的技术创新可能存在一定的动态特征[25]。此外，动态面板数据模型还可进一步缓解遗漏变量问题，对其它随时间变化的影响因素进行有效控制。基于此，在方程(3)和(4)的右端加入被解释变量的滞后一期，构建动态知识生产函数模型，即：
lninnovit=ci+β0lninnovit-1+β11lnrdl_docit-1+β12lnrdl_masit-1+β13lnrdl_budit-1+β2lnrdeit-1+εit
(5)
lninnovit=ci+β0lninnovit-1+β11lnrdl_docit-1+β12lnrdl_masit-1+β13lnrdl_budit-1+β2lnrdeit-1+β3lnfdiit-1+β4lnofdiit-1+εit
(6)
面板数据模型具有样本容量大而估计精度高、有效缓解遗漏变量问题、降低变量间多重共线性等优势，但是，在实证过程中需要审慎地对面板数据模型进行选择。对于静态面板回归模型，一般在“混合回归模型”与个体效应模型的“固定效应模型”和“随机效应模型”之间进行抉择。因此，在静态面板回归过程中，本文利用“固定效应模型”下F统计量与虚拟变量最小二乘(LSDV)方法对“混合回归模型”和“个体效应模型”进行检验，且利用Hausman检验和辅助回归法对个体效应模型的“固定效应模型”与“随机效应模型”进行选择。
对于短面板数据而言，由于时间维度T相对较小，每个横截面个体的信息较少，伪回归问题往往不严重，一般不需进行单位根检验与协整检验，且假设随机误差项{εit}服从独立同分布。即使如此，为了减少横截面个体异方差和序列相关对统计检验的影响，本文在静态面板回归过程中利用聚类稳健标准误对回归系数进行显著性检验。对于动态面板回归模型，常用的估计方法为差分GMM和系统GMM，但这两种估计方法的应用前提是随机误差项不存在序列自相关[26,27]。基于此，在利用两步法拟合动态面板回归模型的过程中，本文运用Arellano-Bond检验随机误差项是否存在序列自相关，以验证差分GMM(DGMM)和系统GMM(SGMM)的适用性。此外，利用差分GMM和系统GMM的估计过程中需要大量滞后变量作为工具变量，本文进一步在模型估计结果的基础上进行Hansen检验以避免模型过度识别。
作为技术创新活动的关键产出，专利是衡量技术创新的常用代理指标。根据类型不同，专利可进一步细分为发明专利、实用新型专利与外观设计专利。外观设计专利主要是指对产品的形状、图案或者其结合以及色彩与形状、图案的结合所作出的富有美感的新设计，对技术创新的贡献相对有限，故本文将其剔除。借鉴以往相关研究[28,29]，本文以地区专利申请数(剔除外观设计专利申请数)、发明专利申请数与实用新型专利申请数作为技术创新的代理指标，即被解释变量。本文核心解释变量为不同教育层次研发人力资本，以本科及以下教育、硕士教育与博士教育研发人员数量表示。在控制变量方面，遵循以往研究惯例，本文以研发资本存量作为技术创新过程中研发经费投入的代理变量。研发资本存量由永续盘存法计算得到[30]，公式如下：
rdeit=(1-δ)rdeit-1+Iit/pt
(7)
其中，rdeit为个体i在t时期的研发资本存量，Iit表示个体i在t时期的研发经费内部支出，pt为t时期的综合价格指数，以居民消费价格指数×0.55+固定资产投资价格指数×0.45计，基期为2009年，δ为折旧率，设定为15%[31]。研发资本存量的初始值由如下公式得到：
rdei0=Ii0/(δ+g)
(8)
其中，g表示研发经费支出增长率，以样本期间研发经费支出环比增长率平均值表示[30]。需要注意的是，在高等院校2018年专利产出中，理工农医高校的专利产出占比高达96.72%，人文社科高校的专利产出比例仅为3.28%。此外，即使产生少量专利，由于学科范围的研究特点，人文社科高校的专利产出主要是外观设计专利。鉴于此，本文在刻画技术创新产出、研发人力资本与研发经费内部支出时，剔除人文社科高校对应的数据，更加准确地构建地区技术创新投入与产出关系。在全球经济一体化背景下，作为国际技术溢出的两条重要渠道，FDI和OFDI技术溢出效应已经得到学者们的广泛证实。外商直接投资与对外直接投资的统计数据以美元计价，且为了消除价格因素的影响，本文以经年日均汇率和固定资产价格指数调整的实际利用外商直接投资和对外直接投资存量表征FDI、OFDI的技术溢出[32,33]，控制国际技术溢出效应对中国地区技术创新的影响。西藏样本数据缺失严重，在样本中予以剔除。样本数据中，地区专利申请数、研发人力资本与研发经费投入来源于历年《中国科技统计年鉴》；实际利用外商直接投资数据来自于各省份统计年鉴；对外直接投资存量数据来源于历年《中国对外直接投资统计公报》；居民消费价格指数、固定资产投资价格指数与年日均汇率来自历年《中国统计年鉴》。
3.1.1 研究生教育毕业生人数和研发人力资本存量趋势
中国博士和硕士毕业生人数与研发人员存量趋势如图1、图2所示。由图1可知，2009-2018年中国博士毕业生和博士教育研发人力资本存量呈现稳健上涨趋势。此外，博士研究生毕业后从事研究与开发工作的比例在55%水平上下浮动，且总体表现出一定的上升态势。与博士研发人力资本不同的是，硕士研发人力资本占硕士毕业生人数的比例总体低于20%，且呈现出一定的下滑趋势。上述分析表明，相比于博士教育的人力资本，硕士教育层次的人力资本在研究与开发活动中配置比例相对偏低，大多数硕士教育的人力资本没有作为研发人力资本从事科技创新工作，而配置于一般生产性部门和公共部门。上述结果进一步反映在硕士研究生扩招的背景下，新增硕士毕业生从事研究与开发活动的比例呈现下滑趋势，暗示着就业市场上研究与开发工作的岗位供给相对不足，难以与不断扩大的研究生教育规模相匹配。由图1和图2可知，2009-2018年研究生教育(博士和硕士)研发人力资本占研究生毕业人数存量的比例呈现下滑趋势。
图1 中国博士毕业生人数与博士R&D人员存量趋势
图2 中国硕士毕业生人数与硕士R&D人员存量趋势
3.1.2 中国地区不同教育层次研发人力资本配置现状
中国地区不同教育层次研发人力资本配置情况如表1所示。在博士教育研发人力资本配置方面，只有北京、吉林和上海3个地区博士研发人员配置比例高于10%，而山东、河北、浙江、广东和河南5个地区博士研发人员配置比例低于4%。相比于博士研发人力资本，硕士研发人力资本配置比例更高，但配置比例依旧有限，其中，吉林地区配置比例最高，达到25.2%，而浙江地区配置比例最低，仅为8.4%。由上述分析可知，中国地区本科及以下教育的研发人力资本在研究与开发活动中配置比例最高。即使北京地区本科及以下教育研发人力资本配置比例最低，也依旧达到58.8%，而浙江地区本科及以下教育研发人力资本配置比例最高，达到88%。可见，不同地区在不同教育层次研发人力资本配置方面存在明显差异，且对于一个地区而言，不同教育层次研发人力资本配置比例不平衡，本科及以下教育研发人力资本配置比例最高，硕士次之，博士最低。这一结果显示，中国地区研发人力资本投入量与教育层次呈现“金字塔”型，与“科研创新水平和教育层次正相关”的理论预期相背离。产生这一结果可能的解释是，中国高等教育尤其是研究生教育起步较晚，早期高等教育主要集中在大专生与本科生培养，而不同教育层次研发人员流动性不足和低效率配置使研发人力资本呈现以本科及以下学历为主的情形。然而，随着中国高等教育尤其是研究生教育的不断发展，高层次研究生教育人力资本已经具有一定规模基础，中国各地区现阶段不同教育层次研发人力资本配置的合理性和有效性亟需进一步研究。
表1 2009-2018年中国地区不同教育层次研发人力资本配置比例分析
地区博士教育研发人力资本平均值最小值最大值排序硕士教育研发人力资本平均值最小值最大值排序本科及以下教育研发人力资本平均值最小值最大值排序北京0.181 0.149 0.201 1 0.231 0.213 0.252 3 0.588 0.550 0.631 30 吉林0.136 0.107 0.204 2 0.252 0.231 0.324 1 0.612 0.472 0.662 29 上海0.103 0.095 0.113 3 0.170 0.157 0.181 12 0.728 0.716 0.744 24 甘肃0.089 0.068 0.131 4 0.184 0.134 0.231 6 0.726 0.637 0.796 25 黑龙江0.088 0.058 0.154 5 0.193 0.151 0.281 5 0.719 0.566 0.790 27 海南0.086 0.057 0.124 6 0.178 0.152 0.231 9 0.736 0.645 0.779 23 辽宁0.085 0.067 0.107 7 0.171 0.148 0.199 11 0.744 0.698 0.784 21 云南0.076 0.069 0.088 8 0.184 0.171 0.200 7 0.740 0.714 0.761 22 新疆0.075 0.040 0.100 9 0.237 0.158 0.281 2 0.688 0.620 0.802 28 广西0.070 0.054 0.093 10 0.210 0.180 0.256 4 0.719 0.651 0.757 26 湖北0.070 0.064 0.079 11 0.133 0.125 0.142 21 0.797 0.789 0.805 15 四川0.070 0.051 0.092 12 0.172 0.155 0.198 10 0.758 0.711 0.794 19 陕西0.068 0.055 0.096 13 0.182 0.152 0.220 8 0.750 0.684 0.792 20 重庆0.067 0.056 0.073 14 0.150 0.136 0.164 15 0.783 0.769 0.796 17 天津0.063 0.056 0.074 15 0.134 0.116 0.151 19 0.803 0.777 0.828 13 贵州0.059 0.051 0.070 16 0.163 0.130 0.189 13 0.779 0.741 0.817 18 湖南0.058 0.050 0.070 17 0.152 0.134 0.175 14 0.790 0.773 0.813 16 青海0.056 0.036 0.084 18 0.134 0.091 0.184 20 0.810 0.732 0.874 12 山西0.054 0.035 0.081 19 0.147 0.115 0.178 16 0.799 0.742 0.849 14 安徽0.047 0.034 0.055 20 0.130 0.118 0.142 24 0.823 0.807 0.837 9 宁夏0.044 0.031 0.061 21 0.131 0.104 0.163 23 0.825 0.782 0.865 8 内蒙古0.043 0.034 0.061 22 0.141 0.130 0.168 18 0.816 0.772 0.836 11 江苏0.043 0.036 0.050 23 0.107 0.089 0.127 28 0.850 0.823 0.875 4 福建0.042 0.032 0.051 24 0.093 0.070 0.118 29 0.865 0.830 0.898 2 江西0.042 0.028 0.049 25 0.122 0.114 0.138 25 0.836 0.813 0.858 6 山东0.039 0.035 0.049 26 0.114 0.103 0.131 26 0.847 0.821 0.859 5 河北0.035 0.029 0.047 27 0.142 0.126 0.176 17 0.822 0.776 0.842 10 浙江0.035 0.032 0.039 28 0.084 0.076 0.092 30 0.880 0.869 0.892 1 广东0.034 0.028 0.039 29 0.132 0.099 0.149 22 0.834 0.812 0.871 7 河南0.031 0.024 0.040 30 0.110 0.096 0.127 27 0.859 0.834 0.880 3
3.2.1 地区专利申请总量样本下的实证分析
由表2可知，不考虑国际技术溢出效应和不同教育层次的研发人力资本时(见模型(1)与(2))，研发人员全时当量对地区专利申请数的回归系数都是负数但不显著，表明研发人力资本对地区专利申请数呈现一定负向作用。这一结果表明单一研发人力资本投入的增加并不一定带来创新产出增长，也暗示着通过细分教育层次研究研发人力资本对技术创新的异质性特征是非常必要的。与研发人力资本不同的是，研发经费投入对专利申请数的回归系数均为正数，且在固定效应模型下显著，表明研发经费支出对地区专利申请具有一定的正向作用。此外，在动态面板回归模型中，滞后一期的专利申请回归系数为0.459，且在1%水平下显著，表明地区技术创新活动具有显著动态特征，上一期创新产出可作为下一期技术创新过程的知识投入，推动创新成果进一步增长。引入FDI和OFDI的国际技术溢出效应后(见模型(3)与(4))，上述结果基本保持不变。
为进一步研究不同教育层次研发人力资本对技术创新活动的差异化影响，根据教育层次异质性将研发人员细分为本科及以下、硕士与博士学历3种类型，重复上述回归分析过程，结果见表2。在不考虑国际技术溢出的情形下(见模型(5)-模型(7))，博士教育研发人员的回归系数可正可负，均不显著，难以准确判断博士研发人力资本对地区专利申请数的影响。但截然不同的是，硕士教育研发人员的回归系数均为正数，且在个体固定效应与差分GMM模型下显著，表明硕士研发人力资本有助于地区专利申请的增长。本科及以下教育研发人员的回归系数均为负数，且在个体固定效应模型下显著，表明本科及以下研发人力资本对地区专利申请具有一定抑制效应。此外，在细分研发人力资本教育层次的情况下，地区专利申请仍然呈现显著动态特征。进一步考虑国际技术溢出效应后(见模型(8)-模型(10))，以上研究结果基本保持不变，因此，上述结果具有一定稳健性。
表2 研发人力资本对地区总量专利申请数的回归分析结果
变量专利申请数(剔除外观设计专利申请数)(1)(2)(3)(4)(5)(6)(7)(8)(9)(10)FEDGMMFEDGMMFEDGMMSGMMFEDGMMSGMMlnpat_apt-10.459***0.432***0.363***0.884***0.340***0.813***(0.088)(0.077)(0.101)(0.068)(0.091)(0.074)lnrdlt-1-0.331 -0.017-0.214 -0.026(0.264)(0.159)(0.180)(0.155)lnrdl_doct-10.0050.057-0.2780.0620.033-0.235(0.286)(0.115)(0.192)(0.257)(0.110)(0.320)lnrdl_mast-10.751**0.360**0.1860.633**0.329**0.114(0.326)(0.151)(0.192)(0.257)(0.142)(0.209)lnrdl_budt-1-0.490*-0.175-0.092-0.382**-0.146-0.052(0.258)(0.117)(0.196)(0.186)(0.133)(0.196)lnrdet-11.758***0.791***1.323***0.714***1.378***0.773***0.1461.028***0.715***0.086(0.173)(0.174)(0.226)(0.174)(0.272)(0.208)(0.206)(0.355)(0.188)(0.265)lnfdit-1-0.0340.051*-0.0350.051*0.017(0.081)(0.030)(0.073)(0.029)(0.044)lnofdit-10.153*0.0430.131*0.0450.065(0.077)(0.034)(0.069)(0.035)(0.040)cons-13.734***-9.885***-12.901***0.690-9.346***1.059(1.356)(2.195)(1.561)(1.016)(2.446)(1.181)N270240270240270240270270240270AR(2)0.0560.1000.1130.0520.1720.050Hansen0.2440.2370.2530.1430.3010.798R20.8810.8900.8920.899NCS30303030303030303030
注：*、**、***分别表示在10%、5%和1%水平下显著，括号中数值为稳健标准误差，pat_ap表示专利申请数(剔除外观设计专利)，inv_ap表示发明专利申请数，uti_ap表示实用新型专利申请数，rdl表示研发人力资本总量，rdl_doc表示博士教育研发人力资本，rdl_mas表示硕士教育研发人力资本，rdl_bud表示本科及以下教育研发人力资本，rde表示研发经费投入，fdi表示FDI技术溢出，ofdi表示OFDI技术溢出，cons表示截距项，N为样本量，AR(2)为二阶序列相关性Arellano-Bond检验的P值，Hansen 为工具变量过度识别Hansen检验的P值，R2为模型拟合优度，NCS 为横截面个体数，下同
3.2.2 地区细分专利类型样本下的实证分析
不同类型的技术创新在前沿性、创新性与复杂性方面存在差异，对研发人员知识存量、知识重组以及知识转化能力也存在不同要求，可能导致专利申请总量这个单一指标无法准确刻画不同教育层次研发人力资本对不同类型创新产出的作用。因此，本文从发明专利和实用新型专利视角对上述问题进行再讨论。如表3所示，与专利申请总量回归结果基本一致的是，无论是否加入国际技术溢出效应和技术创新的动态特征，硕士研发人员的回归系数都是正数且整体上显著，表明硕士研发人力资本对地区发明专利具有显著正向作用。然而，与专利申请总量不同的是，博士研发人员的回归系数为正数但不显著，表明博士研发人力资本对地区发明专利具有一定正向效应，而本科及以下研发人员的回归系数可正可负但均不显著，表明本科及以下研发人力资本对发明专利没有明显影响。国际技术溢出方面，外商直接投资的回归系数均为正数，且在差分GMM下显著，表明外商直接投资对地区发明专利具有显著正向溢出效应，而对外直接投资对地区发明专利没有类似溢出效应。
表3 研发人力资本对地区发明专利申请数的回归分析结果
变量发明专利申请数(1)(2)(3)(4)(5)(6)FEDGMMSGMMFEDGMMSGMMlninv_apt-10.571***0.986***0.541***0.996***(0.108)(0.077)(0.107)(0.083)lnrdl_doct-10.0100.0290.109-0.0270.0200.103(0.405)(0.166)(0.238)(0.396)(0.162)(0.250)lnrdl_mast-10.797**0.396**0.1600.783**0.389**0.120(0.349)(0.201)(0.238)(0.333)(0.195)(0.235)lnrdl_budt-1-0.1460.1070.103-0.1480.0300.052(0.258)(0.236)(0.321)(0.251)(0.211)(0.291)lnrdet-11.128***0.210-0.4871.010*0.351-0.436(0.405)(0.263)(0.318)(0.496)(0.280)(0.388)lnfdit-10.0480.096**0.013(0.066)(0.040)(0.064)lnofdit-10.055-0.025-0.006(0.075)(0.062)(0.064)cons-14.156***4.457***-13.340***4.417***(2.010)(1.504)(2.977)(1.658)N270240270270240270AR(2)0.0970.0900.1510.097Hansen0.1300.1750.1630.215R20.8390.840NCS303030303030
实用新型专利的回归结果如表4所示，不管是否考虑国际技术溢出，博士研发人员回归系数可正可负，且仅在系统GMM方法下显著为负，表明博士研发人力资本对地区实用新型专利没有明显影响。与博士研发人力资本不同的是，硕士、本科及以下研发人员的回归系数分别均为正数与负数，且基本上显著，表明硕士、本科及以下研发人力资本对实用新型专利分别具有显著正向作用与负向效应。国际技术溢出方面，与发明专利不同的是，对外直接投资的回归系数均为正数，且在个体固定效应与差分GMM模型下显著，表明对外直接投资对地区实用新型专利具有显著的逆向技术溢出效应，而外商直接投资对实用新型专利没有类似的溢出效应。出现这一结果可能的解释是，一方面，相比于中国本土企业，外商投资企业通常在生产技术水平、经营管理水平等方面具有明显优势，对本土企业经营管理具有强烈的市场竞争效应[34]，迫使本土企业通过高前沿性的发明专利研究最大限度地提高生产技术水平，开发差异化产品和服务，维持产品市场竞争优势和市场份额；另一方面，根据投资目标不同，对外直接投资可进一步划分为市场寻求、效率寻求、资源寻求与战略资源寻求4种类型[35]。早期中国地区对外直接投资的主要目的是扩大海外市场份额与谋求本土稀缺的要素资源，获取国外先进生产技术和管理经验等战略性资源的对外直接投资比例相对较低[36,37]，在东道国经营管理过程中可能更多的是获取当地居民特殊的市场需求和产品偏好，通过知识逆向溢出促进母公司对现有技术与产品进行优化或改进，推动实用新型专利的增长。
表4 研发人力资本对地区实用新型专利申请数的回归分析
变量实用新型专利申请数(1)(2)(3)(4)(5)(6)FEDGMMSGMMFEDGMMSGMMlnuti_apt-10.502***0.809***0.213**0.728***(0.106)(0.049)(0.098)(0.071)lnrdl_doct-10.0680.009-0.461***0.1940.111-0.493***(0.354)(0.133)(0.167)(0.274)(0.105)(0.178)lnrdl_mast-10.736*0.1860.0420.530**0.226*0.096(0.378)(0.135)(0.165)(0.234)(0.123)(0.160)lnrdl_budt-1-0.728**-0.398***-0.226-0.531**-0.312**-0.145(0.321)(0.123)(0.141)(0.198)(0.134)(0.172)lnrdet-11.473***0.821***0.671***0.907**0.891***0.617***(0.257)(0.169)(0.171)(0.331)(0.163)(0.154)lnfdit-1-0.092-0.004-0.027(0.083)(0.055)(0.045)lnofdit-10.205**0.106i*0.057(0.076)(0.058)(0.055)cons-12.692***-2.557**-6.710**-2.512**(1.798)(1.140)(2.710)(1.070)N270240270270240270AR(2)0.2580.2370.1820.179Hansen0.2780.1800.1030.144R20.8740.893NCS303030303030
综合上述研究结果可知，由于本科教育主要是对学生在通识教育以及某一专业领域的基础和专业理论、知识和技能方面进行培养，重点是打基础，前沿领域的科研创新能力不足在预料之中。但需要注意的是，从投入产出效率来看，无论是专利申请总量、发明专利申请还是实用新型专利申请作为技术创新的代理指标，相比于博士研发人力资本，硕士教育研发人力资本具有更高的创新产出弹性，科研创新效率更高。这一结果与“教育层次与科研创新能力正相关”的理论预期相背离，产生上述情况一个可能的解释是，相比于硕士研发人力资本，博士研发人力资本的科研创新能力没有呈现明显优势。生源质量方面，在博士研究生快速扩招且招生制度不完善的情况下，博士生招生过程可能存在滥竽充数的现象[38]。现阶段，博士生招生方式以普通招考、“申请-审核”为主，这一过程赋予了博士生导师充分的自主选择权，容易滋生徇私行为而扭曲优质博士生选拔过程。截然不同的是，硕士生招生方式以全国统考为主，公平、严格的初试过程有力保障了硕士生生源质量。培养制度方面，研究生考核和评价主要以公开发表论文数量为标准，且相比于硕士研究生，培养机构对博士研究生在公开发表论文数量方面一般具有更高要求。因此，在有限的学制和奖学金制度下，相当一部分博士研究生为了能够拿到奖学金且达到公开发表论文数量的毕业标准，不得不将大部分精力用于论文赶制和发表上，一定程度上造成博士研究生在基础理论知识和专业知识方面不扎实，出现创新能力不足的情形[39,40]。综上，在博士生与硕士生培养模式无明显差别的环境下[40]，相比于生源更优的硕士研究生，科研高压下博士研究生的科研创新能力可能没有表现出预期优势。诚然，上述解释只是对本文研究结果产生原因的一种推测，其正确性以及是否存在其它因素(如科研主体的内部控制和薪酬制度、博士科研人员的其它特征等)导致上述结果有待进一步研究。
基于中国内地30个省市自治区(西藏数据缺失)2009-2018年省际面板数据，本文根据教育层次异质性将研发人力资本细分为博士、硕士、本科及以下教育3种类型，利用静态和动态面板数据模型，从创新总量与细分创新类型视角研究了不同教育层次研发人力资本对技术创新的作用。统计分析显示，中国高层次研究生教育人力资本已经初具规模，但研究生教育人力资本尤其是硕士教育人力资本，没有充分配置于研究与开发活动中。中国地区不同教育层次研发人力资本在技术创新活动中配置不平衡，本科及以下占比最高，硕士次之，博士最低。进一步实证分析表明，地区创新总量样本下硕士研发人力资本对技术创新产生了显著正向效应，本科及以下研发人力资本对技术创新具有一定负向作用，而博士研发人力资本对技术创新没有明显作用。在细分创新类型的子样本下，与地区创新总量结果不一致的是，博士研发人力资本对发明专利申请产生了一定促进作用，而本科及以下研发人力资本对发明专利申请的作用不明显。特别地，在3种不同创新产出指标下，相比于博士研发人力资本，硕士研发人力资本体现出更高创新产出弹性，在科研创新效率方面占据优势。此外，地区技术创新活动呈现显著动态特征，上一期创新产出可作为当期技术创新的知识投入进一步推动创新产出提高。不同类型的国际技术溢出对不同类型专利具有差异化作用，FDI渠道下国际技术溢出有助于发明专利申请增加，而OFDI渠道下国际技术溢出促进实用新型专利申请的增长。
本文研究结果对教育资源配置和技术创新管理具有一定政策启示：首先，无论是在地区创新总量还是细分创新类型的样本下，研发经费支出总体上都对中国地区技术创新具有显著正向作用，表明地方政府应当充分重视技术创新重要性，进一步加大研发经费投入，为研发人员提供良好的科研设备、办公环境以及具有竞争力的福利待遇，提高研发人员日常工作和科学研究积极性。除自主创新投入外，地方政府还应重视先进国际溢出知识的吸收和利用，积极通过“引进来”和“走出去”的技术溢出效应推动地区技术创新水平提高。其次，结合不同教育层次研发人力资本对地区技术创新的差异化作用，地方政府应当积极引导、建立科学合理的科研考核体系和人才流动机制，以实现不同教育层次研发人力资本的有效配置。具体而言，地方科研主体应当逐步降低本科及以下教育研发人力资本配置比例，提高研究生教育(尤其是硕士教育)研发人力资本投入比例，有效利用高层次研究生教育人力资本，推动地区技术创新水平进一步提升。最后，无论是在地区创新总量还是细分创新类型样本下，相比于硕士研发人力资本，具有最高教育层次的博士研发人力资本科研产出效率没有呈现出明显优势。在研究生教育扩招的背景下，高等教育机构应当建立科学合理的博士研究生选拔机制与培养体系，强化博士研究生专业知识和科学素养培育，提高博士研究生科研能力与创新水平。此外，高层次教育人力资本的有效配置离不开良好的政策制度环境支持，没有市场需求的高层次人力资本供给难免加剧“过度教育”、“就业难”等问题。由此，地方政府仍需进一步建立良好的科研创新体系和政策制度环境，加强知识产权保护体系建设，降低科研主体核心创新知识外溢成本，提高科研主体尤其是微观企业科研创新积极性，激发科研主体对高层次研究生教育人力资本的需求，引进高层次研究型人才，使高层次研究型人才的市场需求与教育供给形成良性循环，推动中国地区技术创新能力提升，助力中国经济向高质量转型发展。
[1] TUNG R L. Opportunities and challenges ahead of China's "new normal"[J]. Long Range Planning,2016,49(5):632-640.
[2] ROMER P M. Endogenous technological change[J]. Journal of Political Economy,1990,98(5,Part 2):S71-S102.
[3] CINNIRELLA F,STREB J. The role of human capital and innovation in economic development:evidence from post-Malthusian Prussia[J]. Journal of Economic Growth,2017,22(2):193-227.
[4] FONSECA T,DE FARIA P,LIMA F. Human capital and innovation:the importance of the optimal organizational task structure[J]. Research Policy,2019,48(3):616-627.
[5] 李建强,赵西亮,张畇彬. 教育扩招、人力资本与企业创新[J]. 中国经济问题,2019(3):81-94.
[6] 王士红. 人力资本与经济增长关系研究新进展[J]. 经济学动态,2017(8):124-134.
[7] ADIL J,PETKOVOVá L,BLATNá D. Human capital,economic structure and growth[J]. Procedia Economics and Finance,2014,12:85-92.
[8] TEIXEIRA A A C,QUEIRóS A S S. Economic growth,human capital and structural change:a dynamic panel data analysis[J]. Research Policy,2016,45(8):1636-1648.
[9] SCHULTZ T W. Investment in human capital[J]. American Economic Review, 1961, 51(1):1-17.
[10] D'ESTE P,RENTOCCHINI F,VEGA-JURADO J. The role of human capital in lowering the barriers to engaging in innovation:evidence from the Spanish innovation survey[J]. Industry and Innovation,2014,21(1):1-19.
[11] 许爱顺,罗鄂湘. 人力资本、薪酬激励和中小企业创新能力的关系研究[J]. 科技与管理,2012,14(6):112-117.
[12] RAMíREZ S,GALLEGO J,TAMAYO M. Human capital,innovation and productivity in Colombian enterprises:a structural approach using instrumental variables[J]. Economics of Innovation and New Technology,2020,29(6):625-642.
[13] 马颖,何清. 人力资本与中国资本和技术密集型产业技术创新:基于分位数回归模型的经验研究[J]. 当代财经,2017(10):3-11.
[14] 梁超. 垂直专业化、人力资本与我国的技术创新能力:基于工业行业动态面板的实证研究[J]. 产业经济研究,2013(2):65-73.
[15] TELES V K,JOIOZO R. Human capital and innovation:evidence from panel cointegration tests[J]. Applied Economics Letters,2011,18(17):1629-1632.
[16] ZHOU G Y,LUO S M. Higher education input,technological innovation,and economic growth in China[J]. Sustainability,2018,10(8):2615.
[17] GALLIé E P,LEGROS D. Firms' human capital,R&D and innovation:a study on French firms[J]. Empirical Economics,2012,43(2):581-596.
[18] 李静,楠玉,刘霞辉. 中国经济稳增长难题:人力资本错配及其解决途径[J]. 经济研究,2017,52(3):18-31.
[19] 马颖,何清,李静. 行业间人力资本错配及其对产出的影响[J]. 中国工业经济,2018(11):5-23.
[20] 李静,楠玉. 人力资本错配下的决策:优先创新驱动还是优先产业升级[J]. 经济研究,2019,54(8):152-166.
[21] 赖德胜,纪雯雯. 人力资本配置与创新[J]. 经济学动态,2015(3):22-30.
[22] 纪雯雯,赖德胜. 人力资本配置与中国创新绩效[J]. 经济学动态,2018(11):19-31.
[23] JAFFE A. Technological opportunity and spillovers of R&D:evidence from firms' patents,profits and market value[R]. National Bureau of Economic Research,1986.
[24] YAO S J,WANG P,ZHANG J,et al. Dynamic relationship between China's inward and outward foreign direct investments[J]. China Economic Review,2016,40:54-70.
[25] GHIGLINO C,TABASSO N. The dynamics of innovations and citations[J]. Economics Letters,2015,131:94-97.
[26] ARELLANO M,BOND S. Some tests of specification for panel data:monte carlo evidence and an application to employment equations[J]. The Review of Economic Studies,1991,58(2):277-297.
[27] BLUNDELL R,BOND S. Initial conditions and moment restrictions in dynamic panel data models[J]. Journal of Econometrics,1998,87(1):115-143.
[28] WANG X,FANG H,ZHANG F,et al. The spatial analysis of regional innovation performance and industry-university-research institution collaborative innovation—an empirical study of Chinese provincial data[J]. Sustainability,2018,10(4):1243.
[29] LIU D Y,CHEN T,LIU X Y,et al. Do more subsidies promote greater innovation? evidence from the Chinese electronic manufacturing industry[J]. Economic Modelling,2019,80:441-452.
[30] WANG H,LIU H F. An empirical research of FDI spillovers and financial development threshold effects in different regions of China[J]. Sustainability,2017,9(6):933.
[31] LIN J,YU Z,WEI Y D,et al. Internet access,spillover and regional development in China[J]. Sustainability,2017,9(6):946.
[32] 赵树宽,余海晴,姜红. 技术标准、技术创新与经济增长关系研究:理论模型及实证分析[J]. 科学学研究,2012,30(9):1333-1341,1420.
[33] 徐德英. 多渠道国际技术溢出下区域创新门槛效应研究[J]. 科研管理,2017,38(S1):53-62.
[34] KINOSHITA Y. R&D and technology spillovers via FDI:innovation and absorptive capacity[J]. SSRN Electronic Journal,2000:1-25. DOI:10.2139/ssrn.1524289.
[35] DUNNING J,LUNDAN S M. Multinational enterprises and the global economy[J]. Transnational Corporations,2010,19(3):103-106.
[36] BUCKLEY P J,CLEGG L J,CROSS A R,et al. The determinants of Chinese outward foreign direct investment[J]. Journal of International Business Studies,2007,38(4):499-518.
[37] 李梅. 对外直接投资的技术进步效应:基于1985—2008年的经验研究[J]. 经济管理,2010,32(12):40-48.
[38] 张颖,辛东亮. 当前我国博士生质量存在的问题及原因分析:基于5所研究型大学的调查[J]. 长春工业大学学报(高教研究版),2010,31(1):25-27.
[39] 张倩苇,崔灿,黄曼琳. 研究生科研能力现状分析与提升策略[J]. 现代教育论丛,2017(2):40-45.
[40] 李立国. 20年步入世界一流, 中国大学何以做到[N]. 光明日报, 2018-01-16(13).