【新思想引领新征程】加快高水平科技自立自强 奋进科技强国建设

基于内生增长理论（Romer, 1990），研发活动是知识资本积累和经济长期增长的核心引擎。然而，知识生产具有显著的非线性特征——研发投入需要达到一定规模后才能产生有效的知识溢出和规模报酬递增效应（Aghion & Howitt, 1992）。在研发投入强度较低阶段，研发活动可能面临"最小有效规模"约束，难以形成持续的技术进步驱动力。国家创新体系理论进一步指出，创新效率不仅取决于投入总量，还受到制度环境、人力资本存量等互补要素的影响。新闻显示我国研发经费从2012年1万亿元增至2025年近4万亿元，这一快速增长为检验门槛效应提供了理想的时间窗口。

据此提出以下假说：
- H1：研发投入强度与全要素生产率之间存在显著的正向门槛效应——当研发投入强度超过特定临界值（约2.0%-2.5%）后，其对TFP的边际贡献显著上升。
- H2：门槛效应具有区域异质性——东部地区由于互补要素（人力资本、市场化程度）更充分，门槛值更低且跨越后边际效应更大。
- H3：基础研究占比的提升能够降低应用研发投入的TFP转化门槛值。

本文采用Hansen（1999）面板门槛回归模型，其核心优势在于门槛值由数据内生决定，而非人为预设。研发经费投入强度的跨省差异和时间变动提供了充分的识别变异——2005年至2025年间，各省研发投入强度从0.5%-6.0%不等，且存在显著的时间趋势差异。为应对研发投入与TFP之间的反向因果（高TFP地区可能更有能力增加研发投入），本文采用系统GMM估计，以研发投入的滞后项和差分滞后项作为工具变量。关键识别假定包括：（1）门槛变量（研发投入强度）在门槛值附近不存在跳跃性的不可观测因素变化；（2）工具变量满足外生性条件，即滞后研发投入仅通过当期投入影响TFP。

基准面板门槛回归模型设定为：

TFP_it = μ_i + β₁ · RD_it · I(RD_it ≤ γ) + β₂ · RD_it · I(RD_it > γ) + δ · X_it + λ_t + ε_it

其中，TFP_it 为省份 i 在 t 年的全要素生产率（以OP法测算），RD_it 为研发经费投入强度（研发经费/GDP），γ 为内生决定的门槛值，X_it 为控制变量向量（人力资本、FDI、基础设施、市场化程度），μ_i 为省份固定效应，λ_t 为时间固定效应，ε_it 为随机扰动项。核心参数 β₁ 和 β₂ 分别衡量门槛值两侧研发投入对TFP的边际效应，预期 β₂ > β₁ > 0。系统GMM模型进一步引入被解释变量滞后项 TFP_{i,t-1} 以控制动态调整效应。

被解释变量：全要素生产率（TFP），采用Olley-Pakes（OP）方法，以各省工业企业的产出（工业增加值，经PPI平减）和投入（资本存量以永续盘存法估算、劳动人数）进行测算。核心解释变量：研发投入强度，以各省R&D经费内部支出占GDP比重衡量（《中国科技统计年鉴》），数据经GDP平减指数折算为实际值。门槛变量同为核心解释变量（单一门槛模型）。控制变量包括：人力资本（每万人在校大学生数）、FDI强度（实际利用外资/GDP）、基础设施（人均公路里程）、市场化程度（樊纲市场化指数）、政府干预程度（财政支出/GDP）。样本区间：2005-2025年，30个省份（不含西藏），年度频率，共630个观测值。

• **替换TFP测算方法**：以Levinsohn-Petrin（LP）方法和随机前沿分析（SFA）替代OP法重新测算TFP，检验门槛效应是否对全要素生产率的测算方式敏感——预期三种方法得出的门槛值和系数方向一致。
• **多门槛扩展检验**：将单一门槛模型扩展为双门槛模型（Hansen, 1999），检验是否存在第二个临界值（如研发投入强度达到3.0%后的"创新驱动"阶段），并通过Bootstrap LR统计量检验门槛数目的显著性。
• **排除同期政策干扰**：在模型中控制"创新型省份"试点、"国家自主创新示范区"设立等同期科技政策的虚拟变量，确保门槛效应来源于研发投入强度本身而非制度安排。
• **分区域子样本估计**：将样本按东、中、西部分组重新估计门槛模型，直接检验H2关于门槛值区域异质性的假说，并通过组间系数差异的Chow检验评估统计显著性。

基于知识生产函数框架（Griliches, 1979），创新产出是研发投入的函数，其中基础研究作为"知识源头"对应用技术开发具有正外部性。Nelson（1959）和Arrow（1962）的公共品经济学理论指出，基础研究具有高社会收益率但低私人收益率的典型公共品特征，导致市场自发配置下基础研究投入不足。Jaffe（1989）进一步证明，大学和科研机构的基础研究产出通过知识溢出渠道（论文发表、人才流动、学术合作）显著促进周边企业的专利产出。新闻指出我国基础研究实现"多点突破"，且在物质结构、量子计算等前沿领域取得重要进展，这为检验基础研究溢出效应提供了丰富的数据变异。

据此提出以下假说：
- H1：省级基础研究经费存量对本地应用技术专利产出具有显著正向溢出效应，且溢出存在2-4年的滞后结构。
- H2：基础研究的知识溢出具有空间衰减特征——地理距离每增加100公里，溢出效应下降约20%-30%。
- H3：基础研究的社会收益率（包含溢出效应）显著高于其私人收益率（仅考虑直接产出），二者差距在3-5倍以上。

本文采用知识生产函数的结构估计方法，核心识别逻辑为：将基础研究投入视为"准公共品"输入，通过控制应用研发投入、人力资本和其他创新投入，分离基础研究对专利产出的"纯溢出"效应。为解决基础研究投入的内生性（地方政府可能根据创新绩效调整基础研究拨款），本文利用国家自然科学基金（NSFC）项目经费的外生分配作为工具变量——NSFC项目通过全国同行评审竞争获取，与地方产业政策的直接关联较弱，满足外生性条件。空间维度上，利用省份间地理距离和高铁通达性构造空间权重矩阵，识别溢出的空间衰减结构。关键识别假定：（1）NSFC经费分配在控制省份创新能力和高校数量后与专利产出的扰动项不相关；（2）知识溢出的空间传导主要通过地理邻近性实现。

基准知识生产函数设定为Cobb-Douglas对数线性形式：

lnPatent_ijt = α + β₁ · lnAppliedRD_ijt + β₂ · lnBasicRD_it-k + β₃ · lnHumanCap_it + ρ · W · lnPatent_ijt + θ · W · lnBasicRD_it-k + μ_i + ν_j + λ_t + ε_ijt

其中，Patent_ijt 为省份 i 行业 j 在 t 年的发明专利申请量，AppliedRD_ijt 为行业层面的应用研发支出，BasicRD_it-k 为省份层面的基础研究经费存量（以永续盘存法构造，折旧率15%，取k=1,2,3,4年滞后），HumanCap_it 为R&D人员全时当量。W 为空间权重矩阵（地理距离逆矩阵），ρ 为空间自回归系数，θ 捕捉基础研究的空间溢出效应。μ_i、ν_j、λ_t 分别为省份、行业和时间固定效应。核心参数 β₂ 衡量基础研究的本地直接溢出弹性，θ 衡量空间溢出弹性。

被解释变量：发明专利申请量（国家知识产权局CNIPA专利数据库），取对数形式。核心解释变量：基础研究经费存量——以各省基础研究经费内部支出（《中国科技统计年鉴》）为基础，采用永续盘存法（折旧率15%）构造存量指标，经GDP平减指数折算为实际值。工具变量：各省获得的NSFC项目经费总额（国家自然科学基金委员会年度报告），经同行评审竞争获取，具有外生性。控制变量：应用研发支出（行业层面，《中国科技统计年鉴》）、R&D人员全时当量、高校数量、技术市场成交额。空间权重矩阵：基于省会城市间大圆距离构造的地理距离逆矩阵 W_ij = 1/d_ij（标准化处理）。样本区间：2008-2025年，30个省份 × 制造业2位码行业，年度频率。

• **替换基础研究测度**：以NSFC论文被引次数（Web of Science数据）替代基础研究经费存量作为核心解释变量，检验"知识产出"而非"经费投入"维度的溢出效应是否一致，排除经费使用效率差异带来的测度偏误。
• **替换空间权重矩阵**：分别以高铁通达时间矩阵、技术市场交易关联矩阵替代地理距离矩阵，检验知识溢出的主要传导渠道是地理邻近性还是制度关联性。
• **分布式滞后敏感性**：将基础研究滞后期从1-4年扩展至1-6年，检验溢出的时间衰减结构是否呈倒U形（峰值在2-3年），排除过短或过长滞后期设定对结论的影响。
• **排除应用研发的挤出效应**：在模型中引入基础研究经费与应用研发经费的交互项，检验二者是互补关系还是替代关系——若交互项系数显著为正，则基础研究对应用研发具有"催化"而非"挤出"效应。

基于交易成本经济学（Williamson, 1985），科技成果转化面临高昂的交易成本——成果定价困难（资产专用性高）、供需双方信息不对称、产权归属不清导致的"反公地悲剧"（Heller, 1998）。传统体制下，科技成果归单位所有，科研人员缺乏转化激励，形成"沉睡专利"问题。不完全契约理论（Grossman & Hart, 1986）指出，当契约不完全时，剩余控制权的配置决定投资激励——将成果所有权或长期使用权赋予科研人员，能够内化其转化收益预期，降低谈判和决策环节的交易成本。新闻指出我国"深化体制机制改革打通科技成果转化堵点，强化企业创新主体地位"，这正是产权激励改革的体现。

据此提出以下假说：
- H1：科技成果转化权改革试点显著提升了试点单位关联企业的发明专利产出和专利转让活跃度，处理效应为正且统计显著。
- H2：改革主要通过降低"谈判成本"（产权明晰减少审批环节）和"激励成本"（科研人员收益份额提升）两条路径促进成果转化。
- H3：改革效应在技术密集度高的行业更强——资产专用性越高，产权界定带来的交易成本节约越显著。

本文利用科技成果转化权改革的分批试点构造多期DID。2016年首批试点涵盖20家高校和科研院所，2020年扩展至第二批50家单位，形成了处理组进入时间差异的外生变异。试点单位的选择由科技部依据科研能力和成果储备确定，在控制单位规模、学科分布和历史专利存量后，试点进入时间与结果变量的扰动项相关性较弱。本文采用Callaway & Sant'Anna（2021）提出的异质性稳健DID估计量，避免传统双向固定效应在多期处理下因"负权重"问题导致的估计偏误。关键识别假定：（1）平行趋势——在无改革情况下，试点单位与非试点单位的创新产出趋势一致（通过事件研究法检验）；（2）不存在显著的溢出效应（SUTVA），即试点不显著影响对照组的行为。

采用Callaway & Sant'Anna（2021）的组-时平均处理效应（ATT(g,t)）框架：

ATT(g,t) = E[Y_t - Y_{g-1} | G_g = 1] - E[Y_t - Y_{g-1} | C = 1, Y_{g-1}]

其中，g 为试点进入年份（2016或2020），G_g 为组别指示变量，C 为从未处理的对照组。Y_it 为创新产出（专利数/专利转让额/技术合同成交额）。总体平均处理效应通过加权汇总获得：

ATT_overall = Σ_{g,t} ATT(g,t) · w(g,t)

事件研究法以改革前2年为基准期，检验平行趋势假定并刻画动态处理效应。中介效应模型进一步分解传导机制：

TransactionCost_it = α + β · Reform_it + γ · X_it + μ_i + λ_t + ε_it

Innovation_it = α' + β' · Reform_it + θ · TransactionCost_it + γ' · X_it + μ_i + λ_t + ν_it

核心参数 β 衡量改革的总效应，θ 衡量交易成本的中介效应，β' 衡量控制中介后的直接效应。

被解释变量：（1）发明专利授权量——试点单位关联企业的年度发明专利授权数（CNIPA专利数据库）；（2）专利转让活跃度——试点单位年度专利转让和许可合同数（CNIPA专利变更登记数据）；（3）技术合同成交额——试点单位年度技术转让、技术开发、技术咨询合同金额（中国技术市场管理协会）。核心解释变量：Reform_it 为处理变量，试点单位在改革实施年份及之后取1，否则取0。中介变量：（1）审批周期——从成果评估到转让完成的平均天数（试点单位年报）；（2）科研人员收益份额——成果转化收益中个人分配比例（试点单位公示文件）。控制变量：单位规模（R&D人员数）、学科分布（理工科占比）、历史专利存量、财政拨款额。样本区间：2012-2025年，涵盖100家高校和科研院所（试点组+对照组），年度频率。

• **事件研究法检验平行趋势**：绘制改革前4年的动态处理效应系数图，检验各期系数是否统计上不显著区别于零——若改革前系数不显著而改革后系数显著上升，则平行趋势假定成立，排除预先存在的趋势差异。
• **安慰剂检验**：将改革时点人为前移2年（即假设改革在2014年和2018年发生），重新估计DID效应——若安慰剂处理效应不显著，则排除不可观测的同期冲击驱动结论的可能。
• **Bacon-Decomp分解**：对传统TWFE估计量进行Goodman-Bacon（2021）分解，量化"早处理vs.晚处理"和"处理vs.从未处理"不同比较组对估计结果的贡献权重，确保结论不受异质性处理效应下"负权重"问题的影响。
• **排除同期政策干扰**：在控制变量中加入"国家自主创新示范区"虚拟变量和"高校双一流建设"虚拟变量，确保科技成果转化改革的独立效应不被同期其他创新政策所混淆。

技能偏向型技术变革理论（Acemoglu, 2002）预测，技术进步倾向于增加对高技能劳动力的相对需求，因为新技术与高技能劳动力呈互补关系而与低技能劳动力呈替代关系。然而，Autor等（2003）的任务模型框架提出更精细的预测——AI主要替代"常规性"任务（包括部分中等技能岗位如会计、行政），而对"抽象性"任务（高技能分析型工作）和"手工性"任务（低技能服务型工作）的影响较小，导致就业极化（hollowing-out）。新闻显示我国"人工智能、大模型赋能千行百业、人形机器人迈入万台级商用阶段"，这一快速产业化为检验AI的就业结构效应提供了丰富的经验变异。

据此提出以下假说：
- H1：AI技术渗透度每增加1个标准差，行业高技能劳动力（本科及以上学历）的相对需求增加3%-5%，就业结构呈技能升级方向。
- H2：AI冲击导致就业极化而非单纯技能升级——中等技能常规性岗位（会计、行政、质检）的需求下降幅度大于低技能服务型岗位。
- H3：AI对高技能劳动力需求的拉动效应在制造业强于服务业——制造业中AI与工程师技能的互补性更强。

本文采用Bartik工具变量法（shift-share IV）解决AI渗透度与劳动力需求的联立性偏误。核心思路是利用全国层面AI技术增速（shift）与地区初始行业结构（share）的交互构造外生的地区AI冲击：

AI_Shock_rt = Σ_j (EmploymentShare_rj,2015 × NationalAI_Growth_jt)

其中，EmploymentShare_rj,2015 为地区 r 在基期（2015年）行业 j 的就业份额，NationalAI_Growth_jt 为行业 j 在 t 年的全国AI专利增长率。该工具变量的外生性来源于：（1）全国行业层面的AI技术增速由全球技术前沿驱动，与特定地区的劳动力市场冲击关联较弱；（2）基期行业结构在AI浪潮之前已经确定，不受后续AI冲击的影响。关键识别假定：基期行业结构不通过AI冲击以外的渠道影响劳动力需求变化（排他性约束）。

基准面板固定效应模型设定为：

ΔHighSkillShare_rt = α + β · AI_Shock_rt + γ · X_rt + μ_r + λ_t + ε_rt

其中，ΔHighSkillShare_rt 为地区 r 在 t 年高技能劳动力就业占比的变化（招聘平台数据中本科及以上学历岗位占比）。AI_Shock_rt 为Bartik工具变量构造的地区AI冲击。X_rt 为控制变量向量（地区GDP增速、产业结构、教育水平、互联网普及率）。μ_r 为地区固定效应，λ_t 为时间固定效应。核心参数 β 衡量AI冲击对高技能劳动力相对需求的因果效应，预期 β > 0。

就业极化检验使用分位数回归：

Employment_jt(q) = α(q) + β(q) · RoutineIntensity_j + γ(q) · AI_Penetration_jt + δ(q) · X_jt + ε_jt(q)

其中 q 为就业增长分布的不同分位数，RoutineIntensity_j 为行业 j 的常规任务密集度。若 β(q) 在中等分位数为负、在两端为正，则验证就业极化假说。

被解释变量：（1）高技能劳动力需求占比——招聘平台（BOSS直聘/智联招聘）中各地区-行业-年度本科及以上学历岗位数占总岗位数的比重；（2）就业极化指标——中等技能岗位（大专学历、常规性任务岗位）就业增速与高/低技能岗位就业增速的差值。核心解释变量：地区AI冲击——Bartik工具变量构造，shift为全国行业层面AI专利增长率（CNIPA，按IPC分类号G06N、G06V、G10L等筛选AI专利），share为地区基期行业就业份额（2015年经济普查数据）。控制变量：地区人均GDP增速、第三产业占比、每万人在校大学生数、互联网宽带接入端口数、最低工资标准。样本区间：2016-2025年，31个省份 × 制造业和服务业2位码行业，年度频率。

• **替换AI渗透度测度**：以行业层面AI相关招聘岗位增速替代AI专利增速作为shift变量构造Bartik IV，检验结论是否对AI技术冲击的测度方式（供给侧专利vs.需求侧招聘）敏感——预期两种测度方式得出方向一致的结论。
• **排除自动化替代效应**：在模型中引入工业机器人渗透度（IFR国际机器人联合会数据构造的Bartik IV），控制传统自动化的就业替代效应后，检验AI的"净效应"是否仍然显著——区分AI（认知自动化）与传统机器人（物理自动化）的差异化就业影响。
• **Heckman样本选择校正**：招聘平台数据仅覆盖在线发布的岗位，存在样本选择偏误。采用Heckman两步法，第一步估计企业选择在线招聘的概率（probit模型，以企业规模、行业、地区为解释变量），第二步在就业需求方程中加入逆米尔斯比率校正选择偏误。
• **安慰剂检验**：以非AI类专利（如传统机械专利）增速构造虚假Bartik IV替代AI冲击，重新估计基准方程——若虚假冲击的系数不显著，则排除一般性技术进步（而非AI特有特征）驱动结论的可能。

晋升锦标赛理论（周黎安, 2007）指出，中国地方官员在GDP增速的相对绩效考核下展开激烈竞争。随着国家将科技创新纳入地方官员考核体系（"创新驱动发展"战略），地方政府的竞争焦点正从传统基建投资转向科技创新领域。标尺竞争理论（Besley & Case, 1995）预测，地方政府会参照邻近地区的科技政策力度来调整自身投入，形成"逐顶竞争"（race to the top）或"策略性模仿"。然而，公共选择理论（Tullock, 1980）警告，过度竞争可能导致资源错配——地方政府追求"创新面子工程"而非实质性技术突破，重复建设导致规模经济丧失。新闻指出我国系统性构建"新质生产力爆发的创新生态"，这一顶层设计与地方执行的互动关系值得深入检验。

据此提出以下假说：
- H1：地方政府科技竞争强度与区域创新效率呈倒U形关系——适度竞争提升效率，过度竞争导致资源错配和效率下降。
- H2：科技竞争具有显著的空间溢出效应——邻近地区科技竞争强度的提升对本地创新效率同时产生"示范效应"（正向）和"虹吸效应"（负向），净效应取决于距离和竞争维度。
- H3：官员晋升激励越强（以剩余任期短、年龄接近提拔门槛衡量），科技竞争对创新效率的正向效应越强，但资源错配风险也越大。

本文利用空间计量模型识别地方政府科技竞争的策略互动行为和创新效率后果。核心识别策略分为两步：第一步，利用空间滞后项捕捉地方政府间的策略互动——若邻近地区科技支出增加导致本地科技支出跟增（空间滞后系数显著为正），则存在标尺竞争的证据。第二步，利用面板SFA估计各地区的创新效率（实际专利产出/前沿产出），并将效率得分作为被解释变量，检验科技竞争强度的影响。为解决科技竞争的内生性（创新效率高的地区可能主动加大科技投入），本文利用市委书记/市长的来源（本省提拔vs.中央空降）作为晋升激励的工具变量——中央空降官员面临更强的晋升竞争压力但初始创新效率与本地无关。关键识别假定：（1）官员来源不通过科技竞争以外的渠道直接影响创新效率（排他性约束）；（2）空间权重矩阵的设定不遗漏重要的空间关联渠道。

第一步，空间杜宾模型（SDM）检验科技竞争的策略互动：

S&TExp_it = ρ · W · S&TExp_it + β₁ · GDP_it + β₂ · FiscalRev_it + β₃ · Promotion_it + θ · W · X_it + μ_i + λ_t + ε_it

其中，S&TExp_it 为省份 i 在 t 年的科技支出占财政支出比重，W 为空间权重矩阵（地理邻接矩阵与经济距离矩阵），ρ 为空间自回归系数（若 ρ > 0 则存在标尺竞争）。

第二步，面板SFA估计创新效率：

lnPatent_it = β₀ + β₁ · lnR&D_it + β₂ · lnHumanCap_it + v_it - u_it

TE_it = exp(-u_it)

其中 v_it 为随机扰动，u_it ≥ 0 为技术无效项，TE_it 为创新效率得分（0到1之间）。

第三步，检验竞争对效率的影响：

TE_it = α + γ₁ · Competition_it + γ₂ · Competition²_it + δ · Promotion_it + η · (Competition_it × Promotion_it) + φ · X_it + μ_i + λ_t + ε_it

核心参数 γ₁ 和 γ₂ 检验倒U形关系（H1），η 检验晋升激励的调节效应（H3）。

被解释变量：区域创新效率（TE_it）——以面板SFA估计的技术效率得分衡量，1表示在给定研发投入下达到前沿产出水平。核心解释变量：（1）科技竞争强度（Competition_it）——以省政府工作报告中"创新""科技""研发"等关键词出现频率的标准化得分衡量（文本分析方法，参照余明桂等2016），辅以北大法宝数据库中省级创新政策年度新增数量；（2）晋升激励强度（Promotion_it）——以市委书记/市长剩余任期（距换届年数）和年龄（距60岁提拔红线年数）构造综合指标，剩余任期越短或年龄越接近红线，晋升激励越强。工具变量：官员来源虚拟变量（中央/外省空降=1，本省提拔=0）。控制变量：人均GDP、财政收入、FDI、高等教育毛入学率、市场化指数。空间权重矩阵：（1）地理邻接矩阵（相邻省份=1）；（2）经济距离矩阵（人均GDP差距的倒数）。样本区间：2008-2025年，30个省份，年度频率。

• **替换科技竞争测度**：以省级科技财政支出增速（而非政府工作报告文本频率）作为科技竞争强度的替代指标，检验结论是否对竞争测度方式敏感。同时以"创新政策数量"（北大法宝数据库）作为第三维度的替代指标，交叉验证三种测度的一致性。
• **替换空间权重矩阵**：分别使用地理邻接矩阵、经济距离矩阵和"官员交流网络"矩阵（历史上同省份调出官员的关联度）三种空间权重矩阵，检验空间溢出效应的稳健性——若三种矩阵下空间自回归系数均显著为正，则标尺竞争的证据是稳健的。
• **排除经济性替代解释**：在SDM模型中控制同期GDP增速竞争（财政支出增速的空间滞后项），确保识别到的策略互动来源于科技领域的专项竞争而非一般性财政竞争。
• **分样本检验晋升激励异质性**：将样本按官员来源（空降vs.本地提拔）和任期阶段（上任前两年vs.后两年）分组，检验晋升激励对科技竞争效应的调节作用——若空降官员和任期后期官员的科技竞争-效率关系更显著，则验证H3关于晋升激励的调节效应。