习近平：一体推进教育科技人才发展

本研究将教育、科技、人才三大领域视为创新价值链的上中下游环节，三者之间存在的协调成本构成制度性交易成本。依据Williamson的治理结构理论，当跨领域交易的资产专用性较高时（如基础研究人才培养需对口科研岗位），层级治理相比市场治理更有效。据此提出H1：教育科技人才一体化改革（层级化治理机制）显著降低跨领域信息搜寻、谈判与执行成本。基于North的路径依赖理论，H2认为地方政府的历史制度遗产——如高校隶属关系、科研院所管理体制——会形成一体化的阻力，使改革效应呈现显著的区域异质性。H3从Ostrom制度嵌套出发，预测多层级制度规则的协调性（中央顶层设计与地方配套细则的一致度）决定了一体化改革的中长期效果。

本研究以2017年"双一流"建设启动、2020年《深化新时代教育评价改革总体方案》出台、2023年中央政治局第五次集体学习提出"教育科技人才一体统筹推进"作为三组准自然实验政策冲击。采用交错DID（Staggered DID）设计，处理组为上述政策出台后教育科技人才一体化的先行试点地区（如北京、上海、粤港澳大湾区），对照组为非试点地区。识别假定为平行趋势假设，即在政策冲击前，处理组与对照组在创新产出（人均专利、SCI论文数）和人才流动率上无系统性差异。通过事件研究法（Event Study）进行动态效应检验，捕捉政策的即时效应与滞后效应。

基准模型设定为双向固定效应面板模型：Y{it} = α + β·TreatPost{it} + γ·X{it} + μ{i} + λ{t} + ε{it}，其中Y{it}为省份i在年份t的创新产出（专利授权量的对数），TreatPost{it}为政策冲击虚拟变量，X{it}为控制变量向量（人均GDP、产业结构高级化指数、FDI存量）。进一步引入调节效应模型检验治理机制：Y{it} = α + β₁·TreatPost{it} + β₂·GovMode{it} + β₃·TreatPost{it}×GovMode{it} + γ·X{it} + μ{i} + λ{t} + ε{it}，其中GovMode为跨部门联席会议、领导小组等协同治理机制的活跃度指标。采用Callaway & Sant'Anna（2021）方法处理交错DID中的组群异质性偏误。

被解释变量：创新产出用有效发明专利授权量（对数）、国际合作SCI论文数衡量；交易成本降低用技术市场成交额占R&D经费比衡量。核心解释变量：TreatPost以政策出台年份为断点赋值，进一步构建"一体化程度指数"——以各省教育厅、科技厅、人社厅联合发文数量、跨部门编制共享数量为子指标，通过主成分分析法合成。控制变量包括：人均GDP（对数）、第二三产业增加值之比、FDI存量占GDP比、211/985高校数量。数据来源为2008—2026年《中国统计年鉴》《中国科技统计年鉴》《中国教育统计年鉴》及各省政府信息公开年报。

第一，替换被解释变量：将专利授权量替换为技术市场成交额、新产品销售收入占总收入比重，验证结论不依赖于特定创新产出指标。第二，安慰剂检验：将政策冲击时间随机提前2—4年进行伪回归，若伪政策效应不显著则增强因果推断可信度。第三，排除干扰政策：控制同期实施的R&D费用加计扣除比例提升、"揭榜挂帅"制度等科技政策的影响，剥离共线性政策的混杂效应。第四，PSM-DID：利用倾向得分匹配为每个处理组省份匹配特征最接近的对照组省份，缓解自选择问题。第五，空间杜宾模型，控制省份间人才流动与知识溢出造成的空间自相关。

---

新古典增长理论将技术进步视为外生给定，而Aghion & Howitt内生增长理论强调R&D投入是技术进步的内生驱动力。然而，中国面临的关键瓶颈并非R&D投入总量不足——2025年R&D经费已达GDP的2.68%——而是教育产出的知识人才与科技创新需求之间的结构性错配。本文将这种错配定义为"创新链的纵向协调失灵"。基于新结构经济学，H1提出：教育科技人才一体化程度越高，人力资本积累与产业技术需求的匹配度越优，TFP增长率越高。H2基于Hanushek的认知技能假说，认为基础研究人才的培养质量（非数量）是TFP长期增长的关键中介变量。H3从Aghion的创造性破坏理论出发，预测一体化改革将提升"前沿创新"（frontier innovation）在全部创新中的比重，推动经济增长从"追赶型"向"前沿型"转型。

核心挑战在于将"教育科技人才一体化"这一制度变量从诸多发展因素中分离出来。本研究构造"创新链协调指数"（Innovation Chain Coordination Index, ICCI）作为核心解释变量，通过以下策略识别：使用2008—2026年面板数据的系统GMM估计，以内生变量的滞后项作为工具变量，控制增长回归中TFP与制度质量的双向因果问题。进一步采用Bartik工具变量法（Bartik Instrument），以全国层面教育科技人才政策强度与各省初始产业结构（2005年制造业就业占比）的交互项作为外生变动来源。识别假定为该交互项通过影响地方一体化改革强度影响TFP，而不通过其他渠道直接影响经济增长，满足排斥性约束。

基准回归设定为动态面板模型：lnTFP{it} = α + β₁·lnTFP{i,t-1} + β₂·ICCI{it} + β₃·lnHC{it} + β₄·lnRD{it} + γ·X{it} + μ{i} + λ{t} + ε{it}。中介效应模型采用温忠麟等（2004）三步法：第一步，以ICCI对TFP回归；第二步，以ICCI对中介变量（人才-产业匹配度Match{it}）回归；第三步，将ICCI与Match同时纳入TFP回归。若第二步和第三步中β系数均显著，则中介效应成立。门限回归模型用于检验ICCI对TFP的非线性效应：是否存在一体化改革的"门槛值"，超过该门槛后创新驱动效应加速显现。TFP采用Malmquist-DEA方法测算。

被解释变量：TFP基于柯布-道格拉斯生产函数，以实际GDP为产出，固定资本存量（永续盘存法，折旧率9.6%）和从业人员数为投入，通过DEAP 2.1软件测算Malmquist指数。核心解释变量ICCI构造：教育维度（高校理工科毕业生占比）、科技维度（R&D经费中基础研究占比）、人才维度（研发人员全时当量增长率）三者的耦合协调度（Coupling Coordination Degree）。人力资本LnHC使用Jorgenson-Fraumeni方法测算的省级人均人力资本（来自中央财经大学人力资本中心）。控制变量涵盖城镇化率、基础设施密度（公路里程/面积）、对外开放度（贸易总额/GDP）。

第一，替换TFP测算方法：采用Levinsohn-Petrin半参数法替代DEA方法，控制投入要素的内生性问题。第二，更换工具变量策略：使用Lewbel（2012）基于异方差构造的内部工具变量，在排除外部工具变量的有效性疑虑下重新估计。第三，剔除直辖市样本：北京、上海、天津、重庆的高校和科研机构集聚程度远超一般省份，可能存在极端值偏误，剔除后看系数稳定性。第四，非线性模型：采用面板平滑转换回归（PSTR）替代门限回归，允许ICCI对TFP的边际效应在不同"区制"间连续平滑转换而非跳跃。第五，空间溢出效应：全球 Moran'I 检验后，若存在空间自相关则运用空间杜宾模型（SDM），控制邻近省份教育科技人才政策对本省TFP的溢出影响。

---

基础研究具有高不确定性、长回报周期和强外部性特征，使传统的短期绩效薪酬（pay-for-performance）激励面临严重的多任务代理问题——Holmström & Milgrom（1991）指出当任务可度量性不同时，强激励会导致代理人将努力从不可度量任务（如探索性研究）转移到可度量任务（如发表短平快论文）。"破四唯"政策的本质是将激励合约从以论文、职称、学历、奖项为绩效指标的显性合约转向以原创贡献为准则的隐性合约。基于Lazear的锦标赛理论，H1提出：在基础研究中，固定工资+长周期评估的组合优于锦标赛式短期竞争，前者促进探索性创新，后者促进开发性创新。H2从Akerlof效率工资出发，预测基础研究人才薪酬若低于其"公平工资"参照点（同龄产业界从业者），将导致逆向选择——高能力者退出而低能力者滞留。

本研究利用2018年以来多所"双一流"高校陆续推行"长周期考核+年薪制"改革作为准自然实验。由于各高校启动改革的时间不一致，形成交错处理组设计（Staggered Treatment）。采用Sun & Abraham（2021）的交互加权估计量（Interaction-Weighted Estimator），以避免传统双向固定效应DID在交错处理中的负权重问题。对于选择偏误，采用Heckman两阶段模型：第一步估计科研人员留在学术界的概率（Probit），第二步在加入逆米尔斯比率的基础上估计薪酬改革对科研产出的因果效应。识别假定为：截至改革当年，改革高校与非改革高校在科研产出趋势上满足平行趋势。

第一阶段（科研产出）：Pub{ijt} = α + β·SalaryReform{jt} + γ·X{ijt} + μ{i} + λ{t} + ε{ijt}，其中Pub{ijt}为科研人员i在机构j第t年的发表产出（对数化），SalaryReform{jt}为机构j在t年是否实施薪酬改革的二值变量。第二阶段（职业选择）：Stay*{ijt} = θ·SalaryReform{jt} + φ·WageGap{ijt} + δ·(SalaryReform{jt}×Ability{i}) + ψ·Z{ijt} + ν{ijt}，其中WageGap为学术界-产业界薪酬差距，Ability为个人能力（以早期发表记录衡量），交叉项捕捉改革对高能力者留任的差异化效应。同时对科研产出类型进行区分：探索性创新（高被引论文、新领域开辟）与开发性创新（常规发表量），以验证H1。

被解释变量包括：科研产出（Web of Science论文数、篇均被引次数、Top1%高被引论文数、跨学科合作指数）；职业选择（是否在改革后3年内离开学术界）。核心解释变量SalaryReform以各高校人事处公布的薪酬制度改革文件日期为断点。能力变量Ability以科研人员获得NSFC面上/杰青项目的年龄和项目评分构造。薪酬差距WageGap以各行业薪酬调查中"科学研究和技术服务业"与"信息传输、软件和信息技术服务业"的薪酬比率计算。控制变量涵盖学科固定效应、机构类型（985/211/双非）、导师效应（导师是否为院士/杰青）。数据来源为NSFC项目数据库（2008—2026）与手动匹配的个人发表记录。

第一，替换工具变量策略：以各省"破四唯"政策文件的发布时间与科研人员所在机构的交互项作为工具变量，利用省级政策推动的准外生变动。第二，排除"985"高校样本：由于顶尖高校在改革前已享有较高薪酬和科研自主权，改革效应可能被稀释，剔除后看系数变化。第三，倾向得分匹配后DID：以机构特征（科研经费总额、博士生规模、学科结构）为协变量进行PSM匹配，再执行DID。第四，安慰剂终点：将改革时间提前3年，若安慰剂效应不显著则增强结论可信度。第五，Bounding分析：运用Oster（2019）方法评估不可观测混淆变量的敏感性，计算使β=0所需的不可观测选择比。

---

Lucas（1988）将人力资本积累视为经济增长的引擎，Romer（1990）强调R&D部门的知识生产对技术进步的驱动。但在中国财政实践中，教育支出归教育部管理，科技支出归科技部管理，人才支出分散于多个部门，三者缺乏统一的配置优化框架。本研究在Lucas-Romer框架基础上，构建包含教育部门（人力资本生产函数）、科技部门（知识生产函数）和人才部门（人力资本-知识匹配函数）的三部门内生增长模型。H1提出：存在一个使稳态增长率最大化的教育-科技-人才支出配置比例（黄金法则比例），任何偏离该比例的结构性错配将导致增长率低于潜在水平。H2从Barro公共支出理论出发，认为教育-科技-人才公共支出的经济增长效应呈倒U型关系，即在低水平时边际收益递增（互补性），在高水平时边际收益递减（挤出效应）。H3基于Arrow干中学假说，预测人才存量对科技投入的边际产出弹性为正且显著——即人才越多，科技支出的转化效率越高。

DSGE模型的参数校准采用贝叶斯估计方法，利用中国2008—2026年宏观时间序列数据（GDP增长率、R&D经费增长率、高等教育毛入学率、研发人员全时当量增长率）对模型结构参数进行后验推断。对三部门支出的最优配置比例，采用Grid Search方法在参数空间（教育支出占比∈[0.3, 0.7]、科技支出占比∈[0.1, 0.4]、人才支出占比∈[0.05, 0.3]）内搜索使稳态消费最大化的配置组合。对于配置效率损失的实证估计，采用Kumbhakar & Lovell随机前沿分析，将省份实际TFP与前沿TFP的差距分解为配置效率损失和技术效率损失，以教育-科技-人才支出结构偏离度作为配置无效率的解释变量。

随机前沿模型设定：lnY{it} = lnf(X{it}, β) + v{it} - u{it}，其中Y{it}为省份i第t年的GDP，f(·)为前沿生产函数，v{it}为随机误差（正态分布），u{it}为无效率项（半正态分布，条件均值为z{it}δ）。配置无效率方程：u{it} = δ₀ + δ₁·Misallocation{it} + δ₂·(Misallocation{it})² + ω·W{it} + ξ{it}，其中Misallocation为各省教育-科技-人才支出比例与DSGE模型最优比例的欧氏距离，引入二次项捕捉非线性效应。DSGE模型线性化后以Dynare工具箱求解脉冲响应函数（IRF），模拟1%正向教育支出冲击对GDP、TFP和人力资本积累的动态影响路径。

生产函数投入变量：资本存量K以永续盘存法计算（基年2000年，折旧率9.6%）；劳动L以从业人员数衡量；人力资本H以平均受教育年限与健康人力资本（预期寿命）的几何平均衡量。财政配置变量：教育支出以公共财政教育支出占GDP比衡量；科技支出以公共财政科学技术支出占GDP比衡量；人才支出以"人才专项经费"（包括各类人才计划、博士后基金、海外引才支出等）的省级汇总数占GDP比衡量。数据来源为2008—2026年财政部全国财政决算、各省财政决算报告、《中国教育经费统计年鉴》《中国科技统计年鉴》。由于人才支出分散于多个预算科目，通过关键词检索各省决算报告中"人才""引智""博士后"等关键词进行手工整理。

第一，替换生产函数形式：采用超越对数生产函数（Translog）替代Cobb-Douglas，允许要素投入之间的替代弹性非固定。第二，替换无效率分布假设：将u{it}的分布从半正态改为截断正态和指数分布，检验效率损失估计对分布假设的敏感性。第三，改变DSGE校准目标：将贝叶斯估计的先验分布从Beta分布更换为均匀分布，检验后验均值对先验选择的稳健性。第四，Bootstrap抽样：对省级面板进行1000次Bootstrap重抽样，报告配置效率损失估计的置信区间。第五，排除计划单列市与经济特区：这些城市享有特殊的财政体制和中央直拨资金，其财政支出结构不具有一般性，剔除后重新估计。

---

中国政治体制的核心特征是"政治集权、经济分权"（Xu, 2011），这一制度安排在动员地方积极性发展经济方面极为成功，但在需要跨领域协调的教育科技人才一体化中却面临结构性张力。基于周黎安的行政发包制理论，H1提出：在以GDP增速和财政收入为核心的晋升锦标赛中，地方政府倾向于将财政资源投向短期经济回报明确的基础设施和产业补贴，而非回报周期长的教育和基础研究——由此形成"重科技产业化、轻基础研究教育"的结构性偏移。H2从Acemoglu & Robinson国家能力概念出发，认为中央政府通过"领导小组"、巡视督察和专项转移支付等机制增强的"穿透性国家能力"（infrastructural power），有助于纠正地方支出偏好偏差。H3基于Evans的嵌入式自主性，预测当地方政府与本地高校、科研机构、企业形成制度化的协商网络（如省部共建、校地合作理事会）时，教育科技人才一体化的执行效果优于纯粹的行政指令推动。

定量识别采用两阶段策略。第一阶段：以地级市面数据（2008—2026年）检验地方财政支出结构如何响应中央政策信号。以中央层面每次重大教育科技人才政策宣示（如2017年"双一流"、2020年教育评价改革、2023年"一体统筹推进"）为事件节点，使用事件研究法估计地方教育科技人才支出占比在事件前后的跃变。第二阶段：利用各省省委书记/省长的任期周期作为准外生变动——新上任官员在晋升激励最强的任期初期（第1—2年）与任期后期（第4—5年）在支出偏好上可能存在系统性差异，通过官员个体固定效应模型识别激励强度对一体化支出的因果效应。定性识别依赖3个典型省份的过程追踪（process tracing）：浙江（市场化程度高、民营经济发达）、陕西（科教资源密集但经济欠发达）、辽宁（老工业基地转型），通过档案研究与半结构化访谈追踪政策从中央文件到省级落地的传导机制与关键节点。

基准回归设定：EduSciTalentShare{it} = α + β₁·CentralSignal{t} + β₂·FiscalAutonomy{it} + β₃·CentralSignal{t}×FiscalAutonomy{it} + β₄·GDPTargetPressure{it} + γ·X{it} + μ{i} + λ{t} + ε{it}。其中EduSciTalentShare为地级市教育+科技+人才支出占一般公共预算支出比重；CentralSignal以中央层面教育科技人才政策发布的累计数量衡量；FiscalAutonomy以本级财政收入占本级财政支出的比例衡量（自主度越高，越能偏离中央偏好）；GDPTargetPressure以实际GDP增速与年初设定目标的偏离度衡量（负偏离越大，短期增长压力越大，越可能挤出一体化支出）。官员激励模型另行估计：Share{it} = α + β₁·Tenure{jt} + β₂·Tenure²{jt} + β₃·PromotionChance{jt} + μ{j} + λ{t} + ε{ijt}，其中Tenure为市委书记的在任年数，PromotionChance为晋升概率的预测值。

被解释变量构造：《中国城市统计年鉴》中，教育支出科目直接可得，科技支出科目直接可得，人才支出因不设专门科目，以"其他教育支出"中的人才专项、科技支出中的人员补助及人社局人才工作的间接代理指标加总近似。核心解释变量FiscalAutonomy为（一般公共预算收入+中央税收返还+一般性转移支付）/一般公共预算支出；CentralSignal通过NLP文本分析将国务院历年政府工作报告中"教育""科技""人才"三词共现的频率作为政策信号强度。官员数据来自中组部公开的干部简历和中国政治精英数据库（CPED），涵盖市委书记的年龄、学历、任期、晋升来源（本地vs.外地）等信息。定性研究部分，通过访谈20—30位省级教育科技部门官员和高校管理者，以半结构化访谈和档案编码构建因果过程观察（Causal Process Observations）。

第一，替换被解释变量：以教育科技人才一体化政策的"落地速度"——即中央政策发布到省级配套文件出台的天数——替代支出占比，衡量行政执行效率。第二，弱工具变量检验：若将官员任期特征作为工具变量，需报告Cragg-Donald Wald F统计量和Stock-Yogo临界值，排除弱工具变量偏误。第三，安慰剂检验：将中央政策信号时间随机打乱，若随机化后CentralSignal系数不显著则支持因果解释。第四，排除省会城市和计划单列市：这些城市享有部分省级财政权限且高校科研机构高度集中，其支出结构与普通地级市不具有可比性。第五，定性部分的替代解释检验：在过程追踪中系统评估替代假说——包括"产业结构需求论"（制造业密集地区自然更重视科技投入）、"历史遗产论"（计划经济时期布局的科教资源决定当前投入）——通过比较案例分析排除或限定替代解释的解释力。

---