EN中文

地理研究 >

2025 , Vol. 44 >Issue 4: 1048 - 1066

DOI: https://doi.org/10.11821/dlyj020240426

第二十七届中国科协年会学术论文

中国高技能劳动力迁移网络对城际技术创新网络的影响研究

  • 姜菁 , 1, 2 ,
  • 敖荣军 , 1, 2 ,
  • 陈京 1, 2 ,
  • 周笑琦 1, 2
展开
  • 1.华中师范大学地理过程分析与模拟湖北省重点实验室，武汉 430079
  • 2.华中师范大学城市与环境科学学院，武汉 430079
敖荣军（1974-），男，湖北老河口人，博士，教授，博士生导师，主要研究方向为人口与区域可持续发展。E-mail:

姜菁（1998-），女，山东济南人，博士研究生，主要研究方向为人口与区域创新。E-mail:

收稿日期: 2024-05-11

  录用日期: 2024-08-23

  网络出版日期: 2025-04-16

基金资助

国家自然科学基金项目(42271188)

收起

Impact of China's high-skilled labor migration networks on inter-city technological innovation networks

  • JIANG Jing , 1, 2 ,
  • AO Rongjun , 1, 2 ,
  • CHEN Jing 1, 2 ,
  • ZHOU Xiaoqi 1, 2
Expand
  • 1. Hubei Provincial Key Laboratory for Geographical Process Analysis & Simulation, Central China Normal University, Wuhan 430079, China
  • 2. College of Urban & Environmental Sciences, Central China Normal University, Wuhan 430079, China

Received date: 2024-05-11

  Accepted date: 2024-08-23

  Online published: 2025-04-16

Fold

摘要

高技能劳动力是区域创新的核心因素，高技能劳动力迁移对区际技术创新网络的形成和发展具有重要驱动作用。以中国大陆337个地级及以上行政区为研究对象，基于人口抽样调查微观数据和专利数据构建“高技能劳动力迁移-城际技术创新”双层网络，分析其结构特征，并利用QAP回归模型实证探究高技能劳动力迁移网络对城际技术创新网络的影响。研究发现：① 中国城际“迁移网”与“创新网”的结构特征高度一致。“北上广深”一线城市在两个网络中均占据核心地位，网络整体均呈现清晰的层级结构，双层网络的重叠度较高。② 高技能迁移劳动力积极促进“迁出-迁入”城市间建立技术创新网络。高技能迁移劳动力既可以作为创新势能外溢的重要“通道”，显著促进网络边缘城市与核心城市跨层级建网；又可以助力东西部城市跨区域建立技术创新网络。③ 基于职业类型和创新组织规模的异质性分析结果显示，专业人员迁移对“大”“小”和“大-小”规模组织间的跨城合作创新均具有较强的促进作用。除专业人员外，大规模创新组织间的跨城合作主要受技术人员迁移的影响，中小微企业间的跨城合作创新则更受管理人员迁移的影响。加快发展新质生产力，应重视并充分发挥高技能劳动力迁移网络在城际技术创新网络中的推动作用。

关键词： 高技能劳动力; 劳动力迁移; 创新网络; QAP回归

本文引用格式

姜菁 , 敖荣军 , 陈京 , 周笑琦 . 中国高技能劳动力迁移网络对城际技术创新网络的影响研究[J]. 地理研究, 2025 , 44(4) : 1048 -1066 . DOI: 10.11821/dlyj020240426

Abstract

High-skilled labor is a critical factor in regional innovation, and its migration plays a crucial role in the formation and development of interregional technology innovation networks. Using 337 administrative regions at the prefecture level and above in China as our research scope, this paper constructs a dual-layer network of “high-skilled labor migration - intercity technological innovation” based on microdata from population sampling surveys and patent data. We examine the structural characteristics of this network and employ the QAP regression model to empirically investigate the impact of high-skilled labor migration on intercity technological innovation networks. The research reveals that: (1) The structural characteristics of China's intercity “migration networks” and “innovation networks” exhibit remarkable consistency: Beijing, Shanghai, Guangzhou, and Shenzhen hold central positions in both networks. Moreover, the entire networks display a distinct hierarchical structure with a high degree of overlap between the two layers. (2) Highly skilled migrant labors actively facilitate the establishment of technological innovation cooperation among intercity organizations. Serving as a crucial “channel” for the diffusion of innovation potential, highly skilled migrant labors significantly foster the cross-level networking of innovative organizations. Furthermore, they aid in the establishment of cross-regional technological innovation networks between cities in the eastern and western regions of China. (3) Based on the heterogeneity analysis of occupation types and innovative organization scales, the results show that professional mobility significantly promotes cross-city collaborative innovation among “large”, “small”, and “large-small” scale organizations. Apart from professionals, cross-city collaborative innovation among large-scale innovative organizations is primarily influenced by technical personnel mobility, whereas collaboration among small and medium-sized enterprises is more influenced by managerial personnel mobility. To accelerate the development of new-quality productive forces, it is essential to emphasize and fully leverage the role of high-skilled labor migration networks in driving intercity technology innovation networks.

Key words： high-skilled labor force; labor migration; innovation networks; QAP regression

1 引言

知识经济时代，人才与创新是经济社会发展的主要驱动力。党的二十大报告提出了“加快实施创新发展战略”和“深入实施人才强国战略”，要求推动创新链产业链资金链人才链深度融合，加快形成新质生产力。“四链”中，创新链是动力，人才链是主体力量[1]。实现两者融合需要厘清中国创新发展与人才资源的关系现状。当前，创新活动向网络化发展，城际技术创新网络是微观创新主体技术合作在宏观尺度的重要表现[2]。网络化创新模式不仅提升了企业、大学等创新组织的创新能力，增加了创新产出，同时也是城市创新发展的内在动力[3]。顶尖人才、技术人员和企业家等高技能人才是经济增长和技术创新的主要驱动力，也是创新过程中至关重要且相对稀缺的资源[4]。因此，吸引和留住人才以推动经济发展、科技创新与社会进步，是国家、城市、企业等多层次主体的共同目标。在城市间日益激烈的“抢人大战”以及飞速发展的城市化进程中，高技能劳动力的跨城迁移变得愈加活跃[5]，同样呈现网络化趋势。城际技术创新网络与高技能劳动力的跨城迁移是新时代背景下城市关系的重要表现，两者之间关联紧密。分析中国高技能劳动力迁移网络影响城际技术创新网络的理论机制与表现，将为推动人才链创新链融合提供重要的理论支撑。
由于城市间的知识流动与科技分工合作愈来愈强，探讨城市间的创新合作关系成为新的社会需求与研究话题[6]。相关研究多借助社会网络分析方法刻画城市创新网络的拓扑结构特征[7]，关注核心创新城市在网络中的作用[8]；并基于邻近性视角，实证分析地理邻近、认知邻近、制度邻近、技术邻近等多维邻近性对城市创新网络的作用机制[9,10]。高技能人才迁移同样备受关注，相关研究从城市[11]、国家[12]以及全球[13]尺度刻画分析人才流动网络特征，归纳人才流动规律，分析人才迁移流动的影响机制与效应。其中，高技能劳动力迁移的创新效应引起了广泛讨论。已有研究表明，高技能迁移劳动力在缓解迁入地研发劳动力短缺，扩大研究人员队伍以及增加团队、公司和城市各层面多样性方面发挥关键作用[14]。高技能劳动力迁移有效促进科学技术的长距离转移[15]，为迁入地增添了新的技能、知识与观点，甚至可能影响当地的技术变革方向[16]。并且，部分高技能迁移劳动力凭借专业知识和双重社会嵌入性，促进了迁入地与迁出地间知识交流[17,18]，积极推动两地创新发展[19]。
随着创新网络研究的不断深入，少部分学者开始关注个体社交以及迁移活动与创新结网的关系：李迎成等关注邻近视角下个体间的社会关系影响多尺度创新网络形成的微观机制，探究个体之间的地缘、学缘和业缘关系如何促进不同尺度下的知识流动[20]。Brailly等聚焦个人和组织间的交互关系，探究个人-组织多层次网络在临时接近环境中的交互影响，认为个人的交流有利于组织机构间建立合作关系[21]，进而影响特定行业的经济结构。Martinus等关注全球偏远或乡村地区的创新活动，研究发现劳动力迁移通过延伸较小型边陲社区的社会资本网络，促进隐性知识传输，是影响偏远地区创新结网的重要因素[22]。Scheffrna等研究表明移民社会网络促进社会资本构建，提高迁出地的社会弹性，并通过转移知识、技术、汇款或其他资源实现跨区域创新合作[23]。
有关城际技术创新网络与高技能劳动力迁移的相关研究成果丰富，但仍需要进一步补充，具体体现在以下三点：① 高技能劳动力迁移网络对城际技术创新网络的影响本质是城市间“流”与“合作”的关系。已有研究多关注迁移流对迁入地和迁出地内部创新发展的影响，却相对忽视了其对两地合作创新的作用。② 高技能劳动力是创新发展的重要因素，但已有研究在分析高技能劳动力对创新的影响时，多以受教育水平划定高技能劳动力范畴，忽视了高技能劳动力的多元性和多层次性特征[24]，且难以衡量高技能劳动力的技能和职业特征对创新合作的影响。③ 中国作为一个后发型大国，地区科技资源分布不均衡[25]，城际技术创新网络与高技能劳动力迁移网络存在显著的空间异质性与结构异质性。分析比较两类网络的结构特征与空间格局，并探究高技能劳动力迁移网络影响城际技术创新网络的异质性表现，是推动区域内以及区域间高技能劳动力与创新发展深度融合的基础。因此，本文立足职业技能视角建立高技能劳动力迁移网络影响城际技术创新网络的理论分析框架，构建“高技能劳动力迁移-城际技术创新”双层网络，对比分析两者的空间与结构特征，在此基础上利用QAP（quadratic assignment procedure）回归模型重点探究高技能劳动力迁移网络影响城际技术创新网络的异质性表现。

2 研究综述与理论分析框架

城际技术创新网络的发展直观表现为城市节点的增加与升级，以及城际合作关系的建立与加强。据此，本研究以高技能劳动力与技术创新合作的关系为前提，从高技能劳动力迁移的知识转移交流效应对城市节点的作用，以及高技能迁移劳动力的社会资本作用对城际合作关系的影响两方面，构建高技能劳动力迁移网络影响城际技术创新网络的理论分析框架（图1）。
图1 高技能劳动力迁移网络影响城际技术创新网络的理论分析框架

注：图例中颜色灰色填充图标为新增节点，空白图标为原节点。

Fig. 1 Theoretical analysis framework of the impact of high-skilled labor migration networks on intercity technological innovation networks

2.1 高技能劳动力与技术创新合作

高技能劳动力的职业职能与技能决定了其在创新合作中的关键地位。技能本质上反映了劳动者完成工作的能力，职业提供了一个关于“人的才能或能力如何被经济体吸收和利用”的思想[26]，越来越多的学者提出以职业测度技能[27]。基于该思想，职业属于管理人员、专业人员和技术人员范畴的劳动力普遍掌握丰富的专业知识，并具有较高的才能与能力，可以视为高技能劳动力[24,28,29]。管理人员、专业人员和技术人员在技术创新合作中发挥着重要作用：① 作为组织内政策、活动和计划的制定者与主要参与人员，管理人员在企业、大学等创新组织寻求创新合作对象时具有决策权[30]，他们直接决定是否与其他创新组织建立正式且稳定的创新合作关系。② 以科学研究人员为主的专业人员是创新研究活动的主要参与者，他们能够根据创新研究的现实需求和技术突破的需要来寻找创新合作对象，从而提高创新产出。③ 技术人员一方面作为应用技术的实际操作者，为科技创新提供坚实的技术支持；另一方面作为专业人员的重要助手与合作对象，积极参与并促进技术合作创新。此外，这三类高技能劳动力基于广博的专业理论知识、出色的人际交往能力以及优秀的读写计算能力建立了深入的合作关系。专业人员和技术人员为管理人员提供参考建议，帮助他们选择高价值的合作对象；管理人员则为专业人员和技术人员的科学研究与技术合作提供支持和保障，协同推动创新合作关系的构建。

2.2 高技能劳动力迁移与知识转移交流

创新主体的知识规模和对外界知识的本地化能力决定了其创新能力和在创新网络中的地位[31]。高技能劳动力的跨城迁移从扩大知识规模、促进知识传播和助推知识本地化三方面为城市寻求更多的合作对象提供知识资本，进而推动城市进入创新网络或提升其在创新网络中的地位。具体来说，① 高技能劳动力通常掌握某一专业领域的核心知识与技能，其中包含大量的“缄默知识”。其所持有的知识通常具有独特性，甚至为“垄断”知识[32]。高技能迁移劳动力作为“外部知识”的承载者，有效促进了知识在不同城市间的长距离空间转移。并由于其携带知识的独特性，显著扩大了迁入地的知识规模。② 高技能劳动力出色的沟通与交际能力有助于“外部知识”在迁入地的传播，并能更大程度地实现缄默知识的编码表达，促进其传播。进而通过集体学习机制，推动集体知识的更新与迭代。③ 高技能劳动力普遍具有较强的吸收和处理知识的能力[33]。他们在促进自身携带知识传播的同时，还能通过快速理解掌握迁入地的知识，加强本地知识和外部知识的交流融合，发挥“守门人”[34]作用，推动外部知识在迁入地的本土化。
个体社交网络是高技能迁移劳动力实现知识转移与交流的重要途径。具体表现在以下三点：① 高技能迁移劳动力通过“面对面”交流、业务合作等方式与当地高技能劳动力建立信任关系，扩展当地高技能劳动力的社交网络规模，促进社交网络内部知识的多样化发展与更新，并吸引更多高技能劳动力加入。② 高技能劳动力通常处于领导或社交中心地位[35]。他们在接触其他高技能劳动力的同时，也会直接或间接地领导大量一般技能劳动力。从而加强高技能劳动力社交网络与一般技能劳动力社交网络的联系，并促使新知识在一般技能劳动力间快速且准确地交流传播。③ 个体间的联系会影响组织之间的关联[21]。因高技能迁移劳动力加入而扩大的个体社交网络为当地创新组织提供了更多合作机会，并促进了迁入地创新组织间的知识转移与交流。综上所述，高技能迁移劳动力通过拓展“个体-组织”网络增加城市知识资本，提升城市创新能力，进而推动城市融入更广泛的创新网络，或提升城市在创新网络中的地位。

2.3 高技能劳动力迁移与社会资本作用

高技能迁移劳动力通过充分发挥社会资本的作用，积极推动城际合作关系的建立与加强。社会资本通常指个人通过社会联系获取稀缺资源并从中获益的能力[36]，其有助于个人更好地获取社会资源、知识和社会支持[37]。高技能劳动力往往拥有更丰富的社会资本，并能更有效地发挥其作用[38]。高技能迁移劳动力在迁出地的社会联系不会因位置的改变而消失[39]，这些联系包括与原工作机构的信任关系以及与原住地居民的亲友关系[20,40]。这部分社会资本为他们在迁入地的进一步发展提供了重要支持。具体而言，在进入新的就业环境时，高技能迁移劳动力往往面临资源较为匮乏的情况。调动迁出地的社会资本是他们更快融入组织并发展的重要手段[41]。因此，高技能迁移劳动力会持续与迁出地的社交网络保持联系，以利用并巩固他们在迁出地积累的社会资本。他们在迁出地和迁入地的个体社交网络中扮演“结构洞”或“中间人”的角色[42]，进而积极构建跨城个体社交网络，以加强迁入地和迁出地之间的社会联系。此外，随着交通和互联网通信技术的飞速发展，跨区域联系变得更加便捷，更易实现迁入地和迁出地之间社会联系的长期维持与发展。
高技能迁移劳动力搭建的城际社会联系对城际创新组织间的合作创新产生了积极影响。首先，高技能劳动力在特定专业领域内具备深厚的知识与技能。为了减少迁移成本并增加就业机会[43]，高技能迁移劳动力通常选择与自身专业知识和技能相匹配的职业[44]。因此，其在迁出地和迁入地任职的企业、大学等创新组织在行业、技术领域等方面具有高度的关联性，这为两地创新组织间的合作提供了基础。高技能迁移劳动力为促进个人发展，积极调动自身的社会资本，充分发挥“中间人”的作用。一方面，他们直接为迁入地与迁出地创新组织间的合作创新牵线搭桥；另一方面，他们积极推动两地的创新组织建立经济合作关系，如供应链合作关系，促使短期合作发展为长期合作，非正式合作转化为正式合作，从而为两地创新合作奠定信任基础和保障[45]，间接推动城际组织的合作创新。值得注意的是，大企业、中小微企业、大学和科研机构等创新组织在规模类型、创新能力[46]、管理制度、合作诉求[47]等方面存在显著差异。因此，隶属于不同类型创新组织的高技能迁移劳动力对组织间建立合作关系的影响也有所不同。大企业、大学和科研机构一般具备更为完善的管理体系和制度，因此个人对此类组织间合作的影响较小；而中小微企业的管理制度更为灵活，个人决策对企业合作的影响较大。
进一步而言，高技能迁移劳动力通过调动社会资本促成其前后任职机构之间的合作创新，为城际合作创新奠定了良好基础。随着合作的深入，迁入地和迁出地的创新组织将有机会与对方城市的其他创新组织开展合作交流。这种跨越城市边界的合作有助于建立和加强迁入地与迁出地之间的城际创新网络连接，进而整体提升城际技术创新网络的连接密度与强度。
综上所述，高技能劳动力作为技术创新合作的主要参与者，其迁移活动通过加强知识转移交流和发挥社会资本的作用，积极推动了城际技术创新网络的发展。

3 数据来源与研究方法

3.1 数据来源与处理过程

3.1.1 城际高技能劳动力迁移网络

空间OD流（origin-destination flow）是城际高技能劳动力迁移关系的空间表征[48]，直观地反映了“迁出-迁入”城市间的高技能劳动力迁移规模。如公式（1）所示，以各城市为网络节点，以空间OD流为连接线，构建城际高技能劳动力迁移网络。
S i j = 0 L 12 ⋯ L 1 ( j - 1 L 1 j L 21 0 ⋯ L 2 ( j - 1 L 2 j ⋮ ⋮ ⋱ ⋮ ⋮ L ( i - 1 ) 1 L ( i - 1 ) 2 ⋯ 0 L ( i - 1 j L i 1 L i 2 ⋯ L i ( j - 1 ) 0
式中：i和j分别代表不同城市；L为城际高技能劳动力迁移数量；Lij为城际迁出人口规模；Lji为城际迁入人口规模。
中国人口普查和抽样调查微观数据是分析劳动力职业特征的重要数据源[49]，本研究利用2015年人口抽样调查微观数据构建城市间高技能劳动力迁移网络。数据处理过程如下：① 《国际标准职业分类（2008）》（ISCO-08）的职业分类与技能划分相对应[50]，以该文件为基准，基于工作性质统一性原则，手动整合汇总GB/T6565-2015[51]的436个职业小类为ISCO-08标准的250个职业小类，然后筛选属于管理人员、专业人员和技术人员的职业类型，共80个职业小类。② 筛选从事管理人员、专业人员和技术人员职业的劳动力，并将职业层面的数据汇总到城市。③ 根据微观数据中“在本地居住时间”和“五年前常住地”两个指标确定2011—2015年跨城迁移的高技能劳动力，符合条件的迁移人数为2542，其中管理人员、专业人员和技术人员分别有365人、1096人和991人。

3.1.2 城际技术创新网络

联合申请专利是组织间知识共享、交流合作取得的共同成果，体现了合作创新关系。因此本文采用联合申请专利构建城际技术创新网络，专利数据源自Patsnap专利数据库。数据处理过程如下：① 从数据库中导出申请人大于等于2的联合申请专利；② 剔除申请人含有个人（因个人申请难以确定所在城市）、港澳台以及其他国家的联合申请专利；③ 申请人三人及以上的，采用两两交叉的方式记录为多条专利合作；④ 借助企查查和人工查找等多种方式，将申请人地址匹配到所在城市，并进一步剔除同城合作专利；⑤ 统计城市间联合申请专利数据并构建无向加权矩阵，构建城际技术创新网络。考虑到高技能劳动力迁移对城际技术创新网络可能产生的滞后影响，数据从2011年开始选取，截止到2017年，共筛选出符合条件的147441条专利数据。其中，两个申请人均为大企业、大学或科研机构的专利共75804条；两个申请人均为中小微企业的专利共17709条；申请人之一为大企业、大学或科研机构，之二为中小微企业的专利共53308条，企业规模划分以《统计上大中小微企业划分办法（2017）》为准。

3.2 网络分析方法

多路复用网络是一个由若干单层网络构成的集合，其中所有网络层由同一组节点构成，层间连边表示同一个节点在不同网络层的对应关系。多路复用网络为分析网络间关系提供了新视角[52]。城市高技能劳动力迁移网络与城际技术创新网络既可以视为两个单层网络，也可以看作基于共同城市节点的双层网络。因此，本研究在探究单层网络特征的基础上，构建了一个包含城际高技能劳动力迁移网络与城际技术创新网络的双层网络，并利用多层网络分析法探究两者的结构关系。具体研究方法如下：

3.2.1 多层网络的聚合表达

相关研究多采用超邻接矩阵表达多层网络，为了简化研究，Battiston等提出了多层网络的聚合表达，即通过一定的策略将多层网络压缩为单层聚合网络，聚合网络中连边的含义是两个节点在至少一层上共享一条边[52]。聚合邻接矩阵具体表示方式为 U = { u i j }，uij取值如公式（2）所示：
u i j = 1 ,   任 意 网 络 层 上 i ,   j 点 间 有 连 接 关 系 0 ,   任 意 网 络 层 上 i ,   j 点 间 无 连 接 关 系
因为高技能劳动力迁移流与技术创新合作数的量级差异较大，为避免标准化带来的网络联系强度的夸大或低估，本研究仅构建非加权聚合网。

3.2.2 网络基本结构特征

基于社会网络分析法，利用UCINET、Pajek和VOSviewer软件分析城市间高技能劳动力迁移网络、城际技术创新网络以及聚合网络的基本结构特征。具体包括：选取网络节点数量、网络密度和连接条数依次表征网络的规模、连接的紧密度和联系的广度[53]，刻画网络的整体特征；利用度中心度、加权度、中介中心度探测城市节点在网络中联系的广度、深度和对网络的控制程度，反映城市在网络中的地位[10]。

3.2.3 节点参与度

多层网络中节点i的度为 k i = { k i 1   ,   k i 2   ,   … , k i [ α ] }，式中， k i [ α ]表示节点i在 α层的度值。节点i在各个层中度值总和为重叠度(oi)，定义为 Q i = ∑ α = 1 m k i [ α ]。利用参与系数衡量节点在不同层中连边分布的异质性，计算公式为：
P i = m m - 1 1 - ∑ α = 1 m k i [ α ] o i
式中：m为网络层数。 P i ∈ [ 0,1 ]，当节点i的所有连边都在同一层时， P i为0；当节点i在不同的网络层中具有相同的连接方式时，Pi为1。根据参与系数值可以将节点划分为3类，即称 P i ∈ [ 0,0.3 ]集中型点；称 P i ∈ ( 0.3,0.6 ]混合型点；称 P i ∈ ( 0.6,1 ]为多重型点。

3.2.4 网络重叠性

网络的重叠性可以检测多层网络的相关性，包括节点重叠度和线重叠度。节点重叠度由两层网络共同出现的节点占所有节点的比例计算得到，计算公式为：
Q α ,   β = 1 n ∑ i = 1 n d i [ α ] d i [ β ]
式中：n为节点总数；di[α]、di[β]分别表示节点i在α层和β层中的活跃度。当节点i在α层（β层）中度值大于0，该值取1，表示活跃，否则取0。 Q α ， β ∈ [ 0,1 ]，当网络中所有节点在两层均为活跃状态，取值为1；若均为非活跃状态，取值为0。
线重叠度定义为两层网络中公共连接总数。为表征重叠连接对多路复用网络的重要性，通常对线重叠度进行归一化处理[54]，计算公式为：
O ^ [ α ,   β ] = ∑ i j a i j [ α ] a i j [ β ] ∑ i j ( a i j [ α ] + a i j [ β ] - a i j [ α ] a i j [ β ] )
式中： a i j [ α ]、 a i j [ β ]分别表示节点i、j在α、β层的连接情况，有连接取值为1，无连接取值为0； O ^ [ α ,   β ] ∈ 0,1，数值越大，说明重叠连接在多路复用网络中越重要。

3.3 QAP回归分析与变量选取

关系数据体现两个行动者的关系，城市之间的高技能劳动力迁移网络与技术创新网络均为城市关系数据。鉴于此，本文采用关系数据分析范式，利用QAP回归模型进行实证分析。QAP回归可研究多个矩阵对一个矩阵的回归关系，并对其拟合优度的显著性进行评价。与一般的多元回归分析要求变量间相互独立相比，QAP回归分析基于随机置换的非参数检验方法，无需假设各变量之间相互独立，即可有效解决模型指标间的自相关以及多种共线性问题，允许理论上有意义的相关变量都纳入到QAP回归分析模型中[55]。
本文以2011—2017年城际技术创新网络为因变量，以2011—2015年城际高技能劳动力有向迁移网络和管理人员、专业人员、技术人员有向迁移网络为自变量。并借鉴Boschma等研究成果[56]，选取城市间地理邻近度、制度邻近度、技术邻近度和社会邻近度四种邻近关系作为控制变量（表1）。其中，地理邻近度（Geoij）以城市间铁路最短通勤时间衡量，利用Python爬虫技术获取数据。制度邻近度（Insij）采用优势城市行政等级来表示：若两城市均为副省级以上城市则邻近性为3，仅一者为副省级以上城市定级为1，均为其他城市定级为0[10]。技术邻近度（Tecij）采用Jaffe技术距离公式[57]，利用2008—2010年间各城市IPC大类的发明专利量计算得到。社会邻近度（Socij）利用已有合作强度来表征，根据2008—2010城市间联合申请专利构建[58]。
表1 变量定义与解释

Tab.1 Variable definition and explanation

变量类型 变量名称 符号 指标解释
因变量 城际技术创新网络 Innij 城市间联合申请专利数量
自变量 高技能劳动力迁移网络 Skiij 城市间高技能劳动力空间OD流
管理人员迁移网络 Mngij 城市间管理人员空间OD流
专业人员迁移网络 Profij 城市间专业人员空间OD流
技术人员迁移网络 Tecmij 城市间技术人员空间OD流
控制变量 地理邻近度 Geoij 城市在地理空间上的远近程度
制度邻近度 Insij 城市间正式、非正式创新规则的相似性
技术邻近度 Tecij 城市间已有知识基础结构或技术结构的相似性或关联度
社会邻近度 Socij 城市间社会嵌入性关系的远近

4 实证结果

4.1 高技能劳动力迁移网络与城际技术创新网络的结构特征

4.1.1 一线城市占据网络核心地位，多重型节点占比高

中国高技能劳动力迁移网络与城际技术创新网络具有无标度特征，均呈现显著的“核心-边缘”结构，北京、上海、广州和深圳四个一线城市在网络中占据核心地位。在高技能劳动力迁移网络中（图2a），深圳、北京、上海和广州的加权总度值（入度与出度之和）依次为181、158、154、147，链接城市数量依次为63、80、75、43个，辐射范围广泛，在网络中处于中心地位，是全国范围内主要的人口迁移集散中心。其中，作为全国的政治经济中心，北京在网络联系中覆盖范围最广，尤其与中国北方城市往来密切。上海辐射范围次之，主要与东部沿海城市和中西部省会城市联系密切。广州和深圳辐射城市相对较少，是广东、广西、贵州等泛珠三角区域人口迁移的集散中心。除了一线城市外，武汉、长沙、成都等省会城市同样具有较高的加权中心度，但它们的辐射范围相对较窄，主要与本省或邻近省份的城市保持密切的劳动力迁移往来，是区域网络的中心。
图2 高技能劳动力迁移网络与城际技术创新网络

注：基于自然资源部地图技术审查中心标准地图服务网站的标准地图（审图号：GS(2020)4619号）绘制，底图边界无修改。

Fig. 2 High-skilled labor migration networks and inter-city technological innovation networks

2011—2017年中国城际技术创新网络（图2b）整体呈现以“京津-上海-广深-成渝”为顶点的十字形骨干支撑的菱形结构。北京的加权中心度为83341，占网络总度数的28.38%，并与308个城市建立了网络连接，占城市总数的91.39%。其网络连接覆盖范围极广，在城际技术创新网络中处于绝对的中心地位。上海、深圳和南京为次中心，加权中心度依次为18599、12851、12328，连接城市数量依次为219、172、190，辐射范围较广。此外，杭州、广州、成都、武汉、天津和合肥这六个城市的加权中心度均超过5000，并且具有较高的中介中心度。这些城市不仅是区域创新网络的核心，还与北京、上海、深圳等创新核心城市保持着紧密的合作关系。综上所述，中国高技能劳动力迁移网络与城际技术创新网络的中心节点高度一致。城市迁移中心度与创新中心度的相关性系数为0.612，通过了1%的显著性检验，进一步表明城市创新水平与高技能劳动力迁移程度之间存在显著的正相关关系。
在双层网络聚合网中，城市节点的中心度排序与单层网络基本一致。北京依然占据网络中心地位，上海紧随其后。武汉、南京、广州、深圳等省会城市在双层网络中同样表现活跃，发挥着重要的支撑作用。在双层网络中，节点的参与系数进一步展示了城市在双层网络中的参与程度（图3）。可以看到，集中型节点共有49个，数量最少，主要分布在以新疆、西藏为代表的西部地区，例如阿勒泰地区、阿坝藏族羌族自治州与和田地区。这些节点大多只参与城际技术创新网络，而几乎不参与高技能劳动力迁移网络。混合型节点共114个，分布较为广泛，在吉林、山东、湖北等多个省份均有分布，代表城市有烟台、保定、廊坊等。这些城市虽然同时参与迁移网络和创新网络，但它们在两层网络中的参与程度并不均衡，在某一单层网络中更为活跃。多重型节点共174个，占城市总数的52%，数量最多，广泛分布在东部和中部地区。例如，广东、福建和陕西三个省份的城市几乎全部为多重型节点，且“北上广深”四个一线城市均为多重型节点。多重型节点城市在迁移网络和创新网络中均有较高的参与度，并在两个网络中的参与程度基本一致，是真正的复用节点。综上所述，中国的大部分城市积极参与高技能劳动力迁移网络和城际技术创新网络，在双层网络的发展与匹配中发挥了重要作用。
图3 城市节点参与系数分布图

注：基于自然资源部地图技术审查中心标准地图服务网站的标准地图（审图号：GS(2020)4619号）绘制，底图边界无修改。

Fig. 3 Distribution of urban node participation coefficient

4.1.2 高技能劳动力向中心城市集聚，技术创新网层级结构清晰

高技能劳动力向中心城市集聚，中心城市对周边地区的高技能劳动力产生显著的“虹吸”效应。根据高技能劳动力迁移网络中城市的点入度与点出度的差值X，按照X≥5、-5≤X≤5、X≤-5标准将城市划分为“强迁入城市”“迁移均衡城市”和“强迁出城市”，并绘图表示（图4a）。可以看到，入度和出度相对平衡的迁移均衡城市有156个，占城市总数的46%，数量众多，说明高技能劳动力在城市间迁移活动较为自由。这些城市广泛分布在中西部与东北地区，代表城市如重庆、廊坊和长春等。入度显著盈余的强迁入城市共53个，数量最少，多为一线或省会城市，仅占城市总数的16%。然而，这53个强迁入城市的总入度为1776，占总迁移人口的72.43%，说明高技能劳动力向中心城市集聚的趋势显著。另外，出度显著盈余的强迁出城市共99个，这些城市广泛分布在北京、上海、广州、深圳、武汉、长沙等网络中心的周边地区，说明高技能劳动力具有显著的就近迁移趋势，中心城市对周边城市人才的“虹吸”作用显著。
图4 城际高技能劳动力与技术创新网络层级结构

Fig. 4 Hierarchical structure of intercity high-skilled labor and technological innovation network

城际技术创新网络由高到低呈现出“骨干网-次核心网-区域网-边缘网”的金字塔型层级结构。将城市加权中心度划分为5个等级[8]，解析网络层级结构特征（图4b）如下：① “骨干网”城市的加权中心度大于5000，包括北京、上海、深圳、南京、杭州、广州、成都、武汉、天津和合肥这10个城市。这些城市两两间创新合作强度超过500，彼此联系紧密，搭建起中国城际技术创新网络的骨干。② “次核心网”城市的加权中心度介于1000~5000，共有34个城市。此类城市多为省会城市或经济发达城市，通常是地区创新网络的“守门人”，占据地区与骨干网连接的中介位置。代表城市包括西安、昆明和哈尔滨等，这些城市既与骨干网的城市保持紧密的创新合作关系，同时也是省内城市创新网络的中心。③ “区域网”城市的加权中心度介于100~1000，包含125个城市。此类城市的创新能力相对较弱，主要与邻近城市保持密切的创新合作关系。代表城市如长治、桂林和临沂等。④ “边缘网”城市的加权中心度小于100，共有168个城市。此类城市数量众多，位于创新网络的边缘末梢。其多受限于自身经济或自然条件，自身创新能力较弱，与其他城市创新合作强度较低。
综上所述，高技能劳动力迁移网络与城际技术创新网络均具有清晰的层级结构。一线城市与省会城市既是高技能劳动力迁移的目的地，又是创新网络的骨干中心。高技能劳动力的主导迁移流向为“边缘城市”至“中心城市”，而高层级创新城市的技术创新要素在势差作用下向低层级城市转移扩散，即技术溢出的方向为“中心城市”至“边缘城市”。尽管两者的方向相反，但其路径存在一致性。

4.1.3 双层网络具有高重叠度，局部重叠网结构东西差异显著

网络重叠度反映了高技能劳动力迁移网络与城际技术创新网络的匹配程度。经计算，双层网络的节点重叠度为0.91，在中国337个地级及以上行政区中，有308个城市同时活跃于高技能劳动力迁移网络和城际技术创新网络。这表明双层网络具有高水平的节点重叠度。双层网络的聚合网络共有5353条链接，其中有747条为重叠链接。双层网络线重叠度的归一化指数为0.14。这说明重叠网是双层网络的重要组成，但其具有较大的发展空间。为了直观展示双层网络的重叠网结构特征，并分析各省份及主要城市群之间的重叠网络的结构差异，本文绘制了整体重叠网（图5a）和局部重叠网（图5b）。由图5a可见，共有290个城市参与了重叠网络，其余47个孤立城市主要集中在西藏、青海等西部地区。重叠网络整体呈现出以“京津-上海-广深-成都”为顶点的菱形结构。与单层网络一致，北京、上海、深圳和广州仍然是网络中心；然而，与单层网络相比，武汉、长沙、郑州等省会城市的中心度显著提升。大部分省会之间的关联密切，中介作用更加突出，充分发挥着连接区域与全国的“中间人”作用。
图5 高技能劳动力迁移-技术创新重叠网

注：基于自然资源部地图技术审查中心标准地图服务网站的标准地图（审图号：GS(2020)4619号）绘制，底图边界无修改。

Fig. 5 High-skilled labor migration-technology innovation overlapping networks

局部重叠图（图5b）展示了各省内部以及三大沿海城市群内部高技能劳动力迁移网络与技术创新网络的重叠匹配情况。可以看到，在东部地区，山东、江苏、浙江、福建、广东五个东部沿海省份的网络发育完善，趋近于连通网。东部三大沿海城市群内部网络同样十分紧密。具体的，河北省内部网络较为稀疏，但北京和天津加入后，京津冀城市群创新网络联系紧密，说明京津两市在京津冀城市群网络中的核心地位显著。但也表明京津对河北省内其他城市间的人才迁移和技术合作创新的带动作用相对较弱。相比之下，长三角城市群内部26个城市之间的联系更为紧密，形成了多个连通子图。作为长三角城市群的重要组成部分，江苏、浙江和安徽省内网络发育更加成熟。珠三角城市群内的城市关联同样非常紧密，作为广东省的发展中心，显著带动了广东省内部其他城市间的人才迁移和技术合作。与东部沿海城市群和省份相比，湖北、云南、新疆等中西部省份的重叠网呈现明显的省会为中心的放射型结构，“核心-边缘”特征显著，省内城市关联相对薄弱。西藏、青海、黑龙江和海南四个省份是重叠网孤立点的主要分布区域，这些省份的网络连接最为薄弱。综上所述，重叠网络在省域尺度上呈现明显的东西差异，东部沿海地区的双层网络关联更为紧密，而中西部地区的网络则较为稀疏。

4.2 高技能劳动迁移网络对城际技术创新网络的影响

城际高技能劳动力迁移网络与技术创新网络的结构特征高度一致，这从空间结构视角说明两者高度相关。然而，两个网络的层级性和东西分异特征显著，并且创新组织的异质性同样不容忽视。因此，本节在进行基准回归的基础上，从网络层级性、东西区域性以及创新组织规模差异3个方面探究高技能劳动力迁移网络影响城际技术创新网络的异质性表现。实证分析借助3000次的随机置换后的QAP回归实现，较高的调整后R2说明下述模型的解释性较强，并得到变量可比的标准化回归系数。

4.2.1 高技能劳动迁移促进迁出-迁入城际创新合作

在基准回归模型M1中（表2），高技能劳动力迁移网络的影响系数为0.071，通过了1%的显著性检验，说明存在高技能劳动力迁移往来关系的城市间更容易构建创新合作关系，这与本文的理论推导结果一致。在M2模型中，管理人员、专业人员、技术人员迁移网络的影响系数依次为0.023、0.044、0.028，均通过了1%的显著性检验。这说明三类职业人员的城际迁移活动均对城际技术创新网络的发展产生促进作用。相比之下，专业人员迁移网络对城际技术创新合作关系的促进作用最为显著，其次是技术人员，管理人员的影响最弱。城际技术创新网络的构建更多地依赖直接参与创新研究的专业人员和技术人员。
表2 基准回归结果

Tab. 2 Baseline regression results

变量 M1 M2 M3
Skiij 0.071***
（0.000）		 0.092***
（0.000）
Mngij 0.023***
（0.000）
Profij 0.044***
（0.000）
Tecmij 0.028***
（0.000）
Socij 0.762***
（0.000）		 0.762***
（0.000）		 0.590***
（0.000）
Tecij 0.005
（0.208）		 0.005
（0.202）		 -0.077***
（0.001）
Geoij 0.018***
（0.001）		 0.018***
（0.000）		 0.104***
（0.000）
Insij 0.086***
（0.000）		 0.086***
（0.000）		 0.090***
（0.000）
Adj R2 0.629 0.629 0.410
网络节点规模 337 337 152

注：括号里为P值，***表示P<0.01。

上述分析虽然以有向迁移网络进入模型，但同时考虑了城市间高技能劳动力的迁入和迁出对创新网络的影响。为了进一步体现城际高技能劳动力迁移的方向性，本研究构建“强迁出→强迁入”城际高技能劳动力迁移网络。该网络以53个强迁入城市和99个强迁出城市为节点（强迁入城市与强迁出城市划分标准见4.1.2），仅记录“强迁出城市→强迁入城市”的单向高技能劳动力迁移流，形成152×152的迁移网络。采用相同方法，提取对应的创新网络和邻近性矩阵，进行回归分析（M3）。回归结果显示，“强迁入→强迁出”城际高技能劳动力迁移网络的影响系数为0.092，同样通过了1%显著性检验。进一步证明，高技能劳动力的迁入和迁出能够促进城市与对应的迁出地和迁入地建立创新合作关系。

4.2.2 高技能劳动力迁移助力创新势能跨层级外溢

城际技术创新网络呈现明显的层级结构，由北京、上海、广州、深圳等10个城市（具体见4.1.2）构成的骨干网作为网络核心，掌握着丰富的先进知识与技术资源。因此，与骨干网的城市建立创新合作关系，将获取更多网络资本，加快知识共享速度，进而显著提升其余城市的创新能力。高技能劳动力同样向北上广深等创新骨干城市集聚。在此背景下，高技能劳动力的跨城迁移是否可以作为骨干网城市创新势能（高-低层级创新城市的技术创新要素势差）外溢的“通道”值得探讨，即研究次核心网、区域网和边缘网城市与骨干网城市之间的高技能劳动力迁移是否有助于创新网络的跨层级连接。为此，提取高技能劳动力迁移网络中骨干网与次核心网间劳动力往来的关系数据，构建“骨干网-次核心网”劳动力迁移网络。然后以该网络为基准，提取对应的创新网络和控制变量矩阵，进行回归分析，结果见M1模型。采用相同方法，得到“区域网-骨干网”回归模型M2，以及“边缘网-骨干网”回归模型M3。回归结果显示（表3），“次核心网-骨干网”“区域网-骨干网”和“边缘网-骨干网”的高技能劳动力迁移网络的影响系数依次为0.173、0.078、0.186，均显著为正。这说明高技能劳动力迁移积极促进低层级创新网络城市与骨干网城市合作创新。对于大量处于创新网络边缘的中小城市而言，高技能劳动力迁移网络可以被视为其与北京、上海、广州、深圳、武汉等科技创新中心城市建立联系的“捷径”。
表3 不同层级间创新网络回归结果

Tab. 3 Regression results of innovation networks between different levels

变量 M1 M2 M3
Skiij 0.173***
（0.000）		 0.078***
（0.000）		 0.186***
（0.000）
Socij 0.591***
（0.000）		 0.461***
（0.000）		 0.340***
（0.000）
Tecij -0.345**
（0.020）		 -0.239***
（0.007）		 -0.103***
（0.008）
Geoij 0.403**
（0.012）		 0.310***
（0.006）		 0.226***
（0.000）
Insij 0.140**
（0.014）		 0.164***
（0.009）		 0.138***
（0.010）
Adj R2 0.539 0.360 0.285
网络节点规模 44 135 178

注：括号里为P值，**表示P<0.05，***表示P<0.01。

4.2.3 高技能劳动力迁移促进东-中西部区域内和区域间合作创新

中国省域高技能劳动力迁移-技术创新网络的重叠网结构呈现明显的东西差异。结合中国创新资源和高技能劳动力在东西部地区分布不均的现实情况，有必要探究高技能劳动力迁移网影响创新网的东西异质性。为此，以基准回归网络变量为基础，将迁移网、创新网以及控制变量矩阵划分为包含88个东部城市以及249个中西部城市的东部网络与中西部网络，并进行回归分析（表4）。M1模型和M2模型的结果表明，高技能劳动力迁移网络对东部和中西部区域内城际创新网络的影响系数分别为0.073和0.215，均显著为正。这表明高技能劳动力迁移网络在构建东部和中西部区域内创新网络方面具有显著的促进作用。尤其对于创新资源相对匮乏的中西部地区，高技能劳动力迁移网络对其创新网络的构建具有更为显著的推动作用。
表4 东、中西区域内与区域间创新网络回归结果

Tab. 4 Regression results of innovation networks within and between the eastern and central-western regions

变量 M1 M2 M3
Skiij 0.073***
（0.001）		 0.215***
（0.000）		 0.094***
（0.000）
Socij 0.779***
（0.000）		 0.529***
（0.000）		 0.638***
（0.000）
Tecij 0.008
（0.294）		 0.018**
（0.017）		 -0.013
（0.992）
Geoij 0.013
（0.192）		 0.031***
（0.000）		 0.013**
（0.029）
Insij 0.130***
（0.000）		 0.168***
（0.000）		 0.094***
（0.000）
Adj R2 0.699 0.414 0.450
网络节点规模 88 249 337

注：括号里为P值，**表示P<0.05，***表示P<0.01。

随着中国经济的发展和城市创新需求的提升，东部与中西部区域间的产业转移和技术创新合作变得更加频繁。在此背景下，为探究高技能劳动力迁移往来对东部与中西部城市跨区域建立技术创新网络的影响。本研究筛选出了涉及“东部-中西部”跨区域迁移的高技能劳动力，并构建了迁移网络。并以相同方法提取对应的创新网络和控制变量网络，进行回归分析（M3）。结果显示，高技能劳动力迁移对跨区域城际技术创新网络的影响系数为0.094，通过了1%的显著性检验，说明高技能劳动力迁移显著促进“东部-中西部”城市跨区域构建创新合作关系。跨区域的创新合作对于提升东部和中西部城市的创新能力，尤其是促进中西部城市的创新发展，具有极其重要的意义。同时也表明中央与地方长期的东西部人才交流政策实施意义深远。

4.2.4 基于职业类型与创新组织规模的异质性分析

企业、大学、科研机构等创新组织的异质性不同忽视，而规模大小是创新组织差异的直观表现。因此，为探究不同职业高技能劳动力迁移对不同规模创新组织城际技术创新网络的影响。本研究以创新组织的规模为标准，将大企业、高校和科研机构定义为大规模创新组织，将中小微企业定义为小规模创新组织。依次构建申请人均为大规模创新组织的创新网络，并以此为因变量建立模型M1和M2；申请人均为小规模创新组织的创新网络为因变量，建立模型M3和M4；申请人之一为大规模创新组织，之二为小规模创新组织的创新网络为因变量，建立模型M5、M6（表5）。M1、M3、M5模型的结果显示，高技能劳动力迁移网络对大规模创新组织、小规模创新组织和“大-小”规模创新组织间城际技术创新网络的影响系数依次为0.015、0.163和0.125，均通过了1%的显著性水平检验。这说明高技能劳动力迁移网络对不同规模创新组织的跨城合作创新均具有显著促进作用，对小规模企业跨城合作的促进作用最为显著。
表5 基于职业类型与创新组织规模的异质性分析结果

Tab. 5 Analysis of heterogeneity based on occupational types and organizational size of innovation

变量 M1 M2 M3 M4 M5 M6
Skiij 0.015***
（0.002）		 0.163***
（0.000）		 0.125***
（0.000）
Mngij 0.002*
（0.067）		 0.071***
（0.000）		 0.041***
（0.001）
Profij 0.006**
（0.018）		 0.106***
（0.000）		 0.082***
（0.001）
Tecmij 0.011***
（0.003）		 0.047***
（0.001）		 0.046***
（0.000）
Socij 0.808***
（0.000）		 0.808***
（0.000）		 0.383***
（0.001）		 0.379***
（0.000）		 0.398***
（0.000）		 0.397***
（0.001）
Tecij 0.002
（0.412）		 0.002
（0.420）		 0.010**
（0.013）		 0.010**
（0.018）		 0.008
（0.144）		 0.008
（0.139）
Geoij 0.013***
（0.001）		 0.013***
（0.000）		 0.004
（0.186）		 0.004
（0.192）		 0.024***
（0.000）		 0.024***
（0.000）
Insij 0.054***
（0.000）		 0.054***
（0.000）		 0.069***
（0.000）		 0.069***
（0.000）		 0.122***
（0.000）		 0.122***
（0.000）
Adj R2 0.670 0.670 0.207 0.209 0.222 0.222
网络节点规模 337 337 337 337 337 337

注：括号里为P值，*表示P<0.1，**表示P<0.05，***表示P<0.01。

进一步对比管理人员、专业人员和技术人员迁移网络的影响差异发现，专业人员迁移对大、小以及“大-小”规模组织的城际技术创新网络建立均有较强的促进作用，管理人员和技术人员对不同规模组织创新网络的影响则存在显著差异。对于大规模创新组织网络来说（M2），管理人员迁移网络的影响力低于专业人员和技术人员。可能的原因是大企业和大学具有更为完善的管理制度以及更高的技术突破追求，使其主要从科研技术的实际情况出发寻求合作对象。迁移专业人员和技术人员直接参与创新研究，成为迁入迁出城市的大规模创新组织间重要的沟通桥梁。而对于小规模创新组织网络来说（M4），管理人员迁移网络的影响力显著提升。这是因为在中小微企业中，管理者拥有较大的决策权和社交网络影响力，其对企业间建立和维护创新合作关系至关重要。最后，M6结果显示，相比管理人员和技术人员迁移网络，专业人员迁移网络对“大-小”创新组织间建立跨城合作关系的促进作用最强。
此外，社会邻近、距离邻近和制度邻近的影响系数在基准回归和异质性分析模型中显著为正。说明社会邻近、距离邻近和制度邻近显著促进了城际技术创新网络构建，且这种积极作用十分稳健，这与大部分已有研究[10,25]的结果一致。但是，技术邻近的影响系数在部分回归中并未通过10%的显著性检验，且在不同层级间的创新网络回归和“东部-中西部”跨区域回归中的系数为负值。说明对于跨层级和“东部-中西部”跨区域城际创新网络来说，技术邻近的影响并不突出，甚至过度的技术邻近会导致创新合作关系难以建立，即存在邻近悖论现象[56]。

5 结论与讨论

5.1 结论

本文基于人口抽样调查微观数据和专利数据构建城际“高技能劳动力迁移-城际技术创新”双层网络，刻画并分析网络结构特征，并在构建理论框架和总结网络结构的基础上实证分析了中国高技能劳动力迁移网络对城际技术创新网络的影响，主要结论如下：
中国城际“迁移网”与“创新网”结构特征高度一致。具体表现在：① “北上广深”一线城市在高技能劳动迁移网络、城际技术创新网络和双层聚合网中均占据网络核心地位，中国半数城市积极参与双层网络构建。② 高技能劳动力迁移网络与城际技术创新网络均表现出层级性特征。高技能劳动力向中心城市集聚，城际技术创新网络由高到低呈“骨干网-次核心网-区域网-边缘网”金字塔结构。③ 双层网络具有较高重叠度。局部重叠网结构存在明显的东西差异，京津冀、长三角和珠三角城市群以及东部沿海省份的重叠网密集，趋近连通图；中西部省内重叠网则多以省会城市为中心，呈现“核心-边缘”结构，网络较为稀疏。
基准回归结果显示，高技能劳动力迁移网络是构建城际技术创新网络的重要助力，显著促进迁出-迁入城市间建立创新合作关系。异质性分析进一步表明：① 高技能劳动力迁移网络有助骨干网城市的创新势能跨层级外溢，积极促进次核心网、区域网和边缘网城市与骨干网城市建立连接。② 高技能劳动力迁移网络对东部和中西部区域内和“东-中西”区域间创新网络的构建均具有显著促进作用。③ 基于职业类型与创新组织规模的异质性分析结果显示：专业人员迁移对大、小以及“大-小”规模组织的城际技术创新网络建立均有较强的促进作用。管理人员和技术人员对不同规模组织创新网络的影响则存在显著差异，技术人员迁移对大企业、大学和科研机构间的跨城合作有更强的推动作用，管理人员迁移对中小微企业间跨城合作创新的促进作用更为显著。

5.2 讨论

本研究可以为城际技术创新网络高质量发展提供如下政策启示。高技能劳动力迁移网络是构建城际技术创新网络的重要推动力，但高技能劳动力迁移网络与城际技术创新网络的空间匹配度仍有较大提升空间，因此需要进一步挖掘高技能劳动力迁移对城际技术合作与创新的促进作用。具体而言：① 主要迁出城市应积极利用高技能迁移劳动力带来的与中心城市的交流机会，并主动进行对外技术创新合作，以获取网络资本。② 边缘网和区域网城市应当积极培养当地高技能人才，并鼓励他们参与对外交流与合作。“骨干网”与“次核心网”城市在吸引大量高技能劳动力迁入的同时，应充分发挥高技能迁移劳动力在迁入地与迁出地之间的“桥梁”作用，以建立并深化城市间的创新联系，从而提升网络效率以增加创新效益。③ 在省域层面上，大多数中西部城市的网络更加依赖省会城市，而省内其他城市间的关联程度较低。因此，除了充分发挥省会城市的带动作用外，还需要结合城市发展需求，为省内其他城市之间的高技能劳动力往来与技术创新合作提供便利。④ 在个人层面上，高技能迁移劳动力应充分利用其在迁入地和迁出地的双重社会资本，积极推动两地创新组织之间的合作。中小微企业的管理人员应具备企业家精神，引领企业积极融入创新网络，以谋求更大的发展。专业人员和技术人员应扎实自身专业技能，寻求外部合作以提高创新产出，积极构建和深耕新时代的人才链和创新链。
本研究的边际贡献在于实证探究了城际高技能劳动力迁移网络对城际技术创新网络发展的重要作用，并从迁入迁出强度、层级结构、东西区域分异角度分析了中国高技能劳动力迁移影响技术创新网络的异质性表现，在一定程度上充实了人才迁移与创新发展的关系研究。然而，本文仍有以下不足。首先，由于人口抽样调查微观数据的局限，目前仅能表征中国城际高技能劳动力迁移网络的趋势特征，之后有必要结合百度腾讯人口迁移大数据、招聘数据、人才履历数据和现有人口普查数据进一步精确描绘当前城际高技能劳动力迁移网络的现状。此外，本文仅从宏观层面探讨高技能劳动力迁移对创新网络构建的影响，之后需要以典型技术开发区为案例，采用访谈、调查问卷等方式获取一手资料，进一步探究高技能劳动力迁移影响创新网构建的微观机制。

衷心感谢匿名评审专家在论文评审中所付出的时间和精力，评审专家对本文理论框架构建、变量指标选取、结果分析、结论梳理方面提出的一系列极具针对性、细致化的修改意见，使本文获益匪浅。

参考文献

原文顺序 | 文献年度倒序 | 文中引用次数倒序
[1]
赵剑波, 苏楠, 刘志迎, 等. 加快发展新质生产力. 区域经济评论, 2024, (2): 26-37.

[Zhao Jianbo, Su Nan, Liu Zhiying, et al. Accelerating the development of new productive forces. Regional Economic Review, 2024, (2): 26-37.]

[2]
戴靓, 曹湛, 马海涛, 等. 中国城市知识合作网络结构演化的影响机制. 地理学报, 2023, 78(2): 334-350.

DOI

[Dai Liang, Cao Zhan, Ma Haitao, et al. The influencing mechanisms of evolving structures of China's intercity knowledge collaboration networks. Acta Geographica Sinica, 2023, 78(2): 334-350.]

DOI

[3]
栾心晨, 朱晟君, 毛熙彦. 多尺度视角下技术转移网络对城市创新能力的影响. 地理科学, 2023, 43(1): 11-9.

DOI

[Luan Xinchen, Zhu Shengjun, Mao Xiyan. Impact of technology transfer network on urban innovation capability from a multi-scale perspective. Scientia Geographica Sinica, 2023, 43(1): 11-9.]

DOI

[4]
Glennon B. Skilled immigrants, firms, and the global geography of innovation. Journal of Economic Perspectives, 2024, 38(1): 3-26.

[5]
刘旭阳, 金牛. 城市“抢人大战”政策再定位: 聚焦青年流动人才的分析. 中国青年研究, 2019, (9): 47-53.

[Liu Xuyang, Jin Niu. Re-positioning urban “talent war” policies: An analysis focusing on the mobility of young talents. Chinese Youth Research, 2019, (9): 47-53.]

[6]
马海涛. 知识流动空间的城市关系建构与创新网络模拟. 地理学报, 2020, 75(4): 708-721.

DOI

[Ma Haitao. The theoretical construction and network simulation of intercity innovative relationships in knowledge flow space. Acta Geographica Sinica, 2020, 75(4): 708-721.]

DOI

[7]
周灿, 曾刚, 曹贤忠. 中国城市创新网络结构与创新能力研究. 地理研究, 2017, 36(7): 1297-1308.

DOI

[Zhou Can, Zeng Gang, Cao Xianzhong, Chinese inter-city innovation networks structure and city innovation capability. Geographical Research, 2017, 36(7): 1297-1308.]

[8]
Belderbos R, Benoit F, Derudder B. World city innovation and service networks and economic growth. Papers in Regional Science, 2022, 101(4): 979-1000.

[9]
段德忠, 杜德斌, 谌颖, 等. 中国城市创新网络的时空复杂性及生长机制研究. 地理科学, 2018, 38(11): 1759-1768.

DOI

[Duan Dezhong, Du Debin, Chen Ying, et al. Spatial-temporal complexity and growth mechanism of city innovation network in China. Scientia Geographica Sinica, 2018, 38(11): 1759-1768.]

DOI

[10]
周锐波, 邱奕锋, 胡耀宗. 中国城市创新网络演化特征及多维邻近性机制. 经济地理, 2021, 41(5): 1-10.

[Zhou Ruibo, Qiu Yifeng, Hu Yaozong. Characteristics, evolution and mechanism of inter-city innovation network in China: From a perspective of multi-dimensional proximity. Economic Geography, 2021, 41(5): 1-10.]

[11]
王秀梅, 黄春晓, 许宏福, 等. 高端人才流动的网络关联特征与影响因素分析: 对长三角地区高端人才流动的观察. 热带地理, 2023, 43(8): 1489-1500.

DOI

[Wang Xiumei, Huang Chunxiao, Xu Hongfu, et al. Network correlation characteristics and influencing factors of high-level talent flow: Observation of the high-level talent in the Yangtze River Delta. Tropical Geography, 2023, 43(8): 1489-1500.]

DOI

[12]
林赛南, 王雨, 马海涛. 中国高学历流动人口流动的空间特征及形成机制. 地理研究, 2022, 41(12): 3229-3244.

DOI

[Lin Sainan, Wang Yu, Ma Haitao. Spatial mobility pattern of highly educated migrants and its mechanisms in China. Geographical Research, 2022, 41(12): 3229-3244.]

[13]
Wang Yinqiu, Luo Hui, Shi Yunyan. Complex network of scientific talent migration in discrete dynamics from 2001 to 2013. Discrete Dynamics in Nature and Society, 2020, (1): 9248983.

[14]
Lissoni F, Miguelez E. Migration and innovation: Learning from patent and inventor data. Journal of Economic Perspectives, 2024, 38(1): 27-54.

[15]
Chang Shuhao. International technology market hotspots and development trends from the perspective of inventor mobility. Journal of the Knowledge Economy, 2023, 15(1): 2631-2382.

[16]
Miguelez E, Morrison A. Migrant inventors as agents of technological change. Journal of Technology Transfer, 2023, 48(2): 669-692.

[17]
Verfuerth P. Highly skilled (re-)migrants in multinational enterprises: Facilitators of cross-border knowledge transfers. Global Networks: A Journal of Transnational Affairs, 2022, 22(3): 447-465.

[18]
Miguelez E, Temgoua C N. Inventor migration and knowledge flows: A two-way communication channel?. Research Policy, 2020, 49(9): 103914.

[19]
Shan Hongxia. Expanding engineering practices: Immigrant accounts of innovation from a practice-based perspective. Studies in Continuing Education, 2024, 46(2): 160-176.

[20]
李迎成, 杨钰华, 马海涛. 邻近视角下长三角城市多尺度创新网络形成的微观机制. 地理学报, 2023, 78(8): 2074-2091.

DOI

[Li Yingcheng, Yang Yuhua, Ma Haitao. The micro-mechanisms of the formation of multi-scale urban innovation networks in the Yangtze River Delta megalopolis from the perspective of proximity. Acta Geographica Sinica, 2023, 78(8): 2074-2091.]

DOI

[21]
Brailly J. Dynamics of networks in trade fairs: A multilevel relational approach to the cooperation among competitors. Journal of Economic Geography, 2016, 16(6): 1279-1301.

[22]
Martinus K. Labor networks connecting peripheral economies to the national innovation system. Annals of the American Association of Geographers, 2018, 108(3): 845-863.

[23]
Scheffran J, Marmer E, Sow P. Migration as a contribution to resilience and innovation in climate adaptation: Social networks and co-development in Northwest Africa. Applied Geography, 2012, 33(1): 119-127.

[24]
敖荣军, 伊尔凡江·艾合买提江, 杨彬, 等. 技能劳动力区位选择的时空格局及影响因素. 地理研究, 2023, 42(9): 2451-2465.

[Ao Rongjun, Irfanjiang Ahematijiang, Yang Bin, et al. Spatio-temporal pattern and influencing factors of the location choice of skilled labor forces. Geographical Research, 2023, 42(9): 2451-2465.]

[25]
刘承良, 管明明, 段德忠. 中国城际技术转移网络的空间格局及影响因素. 地理学报, 2018, 73(8): 1462-1477.

DOI

[Liu Chengliang, Guan Mingming, Duan Dezhong. Spatial pattern and influential mechanism of interurban technology transfer network in China. Acta Geographica Sinica, 2018, 73(8): 1462-1477.]

DOI

[26]
Florida R, Mellander C, Stolarick K. Inside the black box of regional development-human capital, the creative class and tolerance. Journal of Economic Geography, 2008, 8(5): 615-649.

[27]
Ingram B F, Neumann G R. The returns to skill. Labour Economics, 2006, 13(1): 35-59.

[28]
刘晔, 王若宇, 薛德升, 等. 中国高技能劳动力与一般劳动力的空间分布格局及其影响因素. 地理研究, 2019, 38(8): 1949-1964.

DOI

[Liu Ye, Wang Ruoyu, Xue Desheng, et al. The spatial pattern and determinants of skilled laborers and less skilled laborers in China: Evidence from 2000 and 2010 censuses. Geographical Research, 2019, 38(8): 1949-1964.]

[29]
Consoli D, Sánchez-Barrioluengo M. Polarization and the growth of low-skill service jobs in Spanish local labor markets. Journal of Regional Science, 2019, 59(1): 145-162.

[30]
Marinoni A. Immigration and entrepreneurship: The role of enclaves. Management Science, 2023, 69(16): 1-19.

[31]
D'Ambrosio A, Montresor S, Parrilli M D, et al. Migration, communities-on-the-move and international innovation networks: An empirical analysis of Spanish regions. Regional Studies, 2019, 53(1): 6-16.

DOI

[32]
Bathelt H, Malmberg A, Maskell P. Clusters and knowledge: Local buzz, global pipelines and the process of knowledge creation. Progress in Human Geography, 2002, 28(1): 31-56.

[33]
Agrawal A, Cockburn I, McHale J. Gone but not forgotten: Knowledge flows, labor mobility, and enduring social relationships. Journal of Economic Geography, 2006, 6(5): 571-591.

[34]
Saxenian A L, Sabel C. Roepke lecture in economic geography venture capital in the “periphery”: The new argonauts, global search, and local institution building. Economic Geography, 2008, 84(4): 379-394.

[35]
Muller E, Peres R. The effect of social networks structure on innovation performance: A review and directions for research. International Journal of Research in Marketing, 2019, 36(1): 3-19.

[36]
边燕杰, 丘海雄. 企业的社会资本及其功效. 中国社会科学, 2000, (2): 87-99, 207.

[Bian Yanjie, Qiu Haixiong. Social capital of enterprises and its efficacy. Chinese Social Sciences, 2000, (2): 87-99, 207.]

[37]
Ueda K. The role of soft control and social capital in disaster risk management. Research on Social Enterprises, 2010, 3(2): 76-107.

[38]
陈斌开, 陈思宇. 流动的社会资本: 传统宗族文化是否影响移民就业?. 经济研究, 2018, 53(3): 35-49.

[Chen Binkai, Chen Siyu. Mobile social capital: Does traditional clan culture influence immigrant employment?. Economic Research, 2018, 53(3): 35-49.]

[39]
Miguelez E, Moreno R. Research networks and inventors' mobility as drivers of innovation: Evidence from Europe. Regional Studies, 2013, 47(10): 1668-1685.

[40]
Granovetter M S. The strength of weak ties. American Journal of Sociology, 1973, 78(6): 1360-1380.

[41]
杨孝良, 王崇举. 社会资本、 资源获取与移民创业绩效: 基于三峡库区的调研数据. 农村经济, 2019, (2): 62-69.

[Yang Xiaoliang, Wang Chongju. Social capital, resource acquisition, and immigrant entrepreneurial performance: Evidence from the Three Gorges Reservoir Area. Rural Economy, 2019, (2): 62-69.]

[42]
Lin N. Social structure and network analysis. Social Forces, 1985, 63(3): 854.

[43]
Ashourizadeh S, Saeedikiya M. Immigrant and native's export benefiting from business collaborations: A global study. European Journal of International Management, 2023, 19(3): 365-387.

[44]
Angeli F, Grandi A, Grimaldi R. Directions and paths of knowledge flows through labour mobility: A social capital perspective. Regional Studies, 2014, 48(11): 1896-1917.

[45]
Wang Dan. Activating cross-border brokerage: Interorganizational knowledge transfer through skilled return migration. Administrative Science Quarterly, 2015, 60(1): 133-176.

[46]
Christopherson S, Clark J. Power in firm networks: What it means for regional innovation systems. Regional Studies, 2007, 41(9): 1223-1236.

[47]
Van Hemert P, Nijkamp P, Masurel E. From innovation to commercialization through networks and agglomerations: Analysis of sources of innovation, innovation capabilities and performance of Dutch SMEs. Annals of Regional Science, 2013, 50(2): 425-452.

[48]
盛广耀. 中国省际人口流动网络的演化及其解释. 中国人口·资源与环境, 2018, 28(11): 1-9.

[Sheng Guangyao. Evolution and explanation of China's inter-provincial population flow network. China Population, Resources and Environment, 2018, 28(11): 1-9.]

[49]
Zhou Xiaoqi, Ao Rongjun, Aihemaitijiang Yierfanjiang, et al. Influence of skill relatedness on the location choice of heterogeneous labor force in Chinese prefecture-level cities. Plos One, 2023, 18(8): e0289803.

[50]
ILO. International Standard Classification of Occupations: ISCO-08: Vol.1 Structure, Group Definitions and Correspondence Tables. Geneva: International Labor Office, 2012.

[51]
国家职业分类大典修订工作委员会. 中华人民共和国职业分类大典(2015年版). 北京: 中国劳动社会保障出版社, 中国人事出版社, 2015: 6.

[Working Committee for revising National Occupational Classification. Natioanl Classification of Occupations of the People's Republic of China (2015 edition). Beijing: China Labor and Social Security Publishing House, China Personnel Publishing House, 2015: 6.]

[52]
Battiston F, Nicosia V, Latora V. Structural measures for multiplex networks. Physical Review E, 2014, 89(3): 032804.

[53]
杜亚楠, 王庆喜, 王忠燕. 多维邻近下中国三大城市群创新网络演化特征及机制研究. 地理科学, 2023, 43(2): 197-207.

DOI

[Du Yanan, Wang Qingxi, Wang Zhongyan. Characteristics and mechanism of innovation networks in three major urban agglomerations of China from the perspective of multidimensional proximities. Scientia Geographica Sinica, 2023, 43(2): 197-207.]

DOI

[54]
Bianconi G. Multilayer Networks:Structure and Function. New York: Oxford University Press, 2018.

[55]
古恒宇, 黎宇翔, 劳昕, 等. 疫情期间中国春运人口流动网络特征及其影响因素. 经济地理, 2024, 44(5): 53-63.

DOI

[Gu Hengyu, Li Yuxiang, Lao Xin, et al. Characteristics and Influencing Factors of Population Flow Network during China's Spring Festival under COVID-19 Pandemic. Economic Geography, 2024, 44(5): 53-63.]

DOI

[56]
Boschma R A. Proximity and Innovation: A Critical Assessment. Regional Studies, 2005, 39(1): 61-74.

[57]
Jaffe A. Technological Opportunity and Spillovers of R&D: Evidence from Firms' Patents, Profits and Market Value. The American Economic Review, 1986, 76 (5): 984-1001.

[58]
Gulati R, Gargiulo M. Where do interorganizational networks come from?. American Journal of Sociology, 1999, 104(5): 1398-1438.

Options
文章导航

/

〈 〉