《Papers in Regional Science》:Migration and local innovation: Evidence from fine-grained data from OECD countries
编辑推荐:
移民的存在是否影响地方层面的创新?本文利用一项包含19个OECD国家1990–2014年期间移民人口细粒度信息和专利位置地理编码(geo-coded)数据的新数据集来回答这一问题。研究人员发现,当地移民份额每增加一个百分点,专利申请量增加2.5%。这一效应由城
移民的存在是否影响地方层面的创新?本文利用一项包含19个OECD国家1990–2014年期间移民人口细粒度信息和专利位置地理编码(geo-coded)数据的新数据集来回答这一问题。研究人员发现,当地移民份额每增加一个百分点,专利申请量增加2.5%。这一效应由城市化程度更高和经济更发达、创新水平本已较高的地区驱动。然而,当在更大地理级别汇总观测值时,这种影响变得不显著,表明移民对创新的影响集中在空间上,并具有高空间衰减率(spatial decay)。
**论文解读:移民与地方创新的空间局部性——基于OECD国家细粒度数据的证据**
**研究背景与问题提出**
创新是区域经济增长和生产率提升的关键驱动力,不同地区间的创新绩效差异在很大程度上解释了区域发展不平衡现象(Fagerberg, 2006)。移民作为知识流动和人力资本的重要载体,被视为促进地方创新的潜在渠道。已有研究表明,移民发明者显著贡献于专利活动(Kerr, 2019),且移民整体能提升区域生产率(Peri, 2012;Desmet et al., 2018)。然而,现有研究多聚焦于国家或较大区域(如NUTS2
(欧盟统计区域分类第二级,相当于中等规模区域))层面,缺乏对移民创新影响的空间异质性和精细尺度的考察。此外,描述移民效应在空间上如何衰减的实证证据极为有限。近期区域增长模型强调,移民的贡献可能高度地方化,其知识溢出效应难以均匀扩散至周边地区(Desmet et al., 2018;Peters, 2022)。因此,在跨国背景下利用高空间分辨率数据检验移民对地方创新的影响,并揭示其空间边界,具有重要的学术与政策意义。
**研究内容与主要结论**
本文旨在回答“移民是否影响地方创新”这一核心问题,并量化其空间衰减程度。研究人员利用OECD Municipal Migration Database(Astruc-Le Souder et al., 2024)提供的19个OECD国家1990–2014年地方行政单元(Local Administrative Unit, LAU)层面的移民人口数据,以及de Rassenfosse et al.(2019)构建的专利地理编码(geo-coded)数据,首次在跨国LAU尺度上展开实证分析。主要结论如下:地方移民份额每增加一个百分点,专利申请量平均增加约2.5%。这一正向效应完全由城市化程度高、经济发达且创新基础已较强的LAU驱动,并集中于事前创新水平最高的五分位区域。当将数据聚合至NUTS3
(欧盟统计区域分类第三级,相当于小规模区域)和NUTS2层面时,效应显著减弱甚至消失,表明移民对创新的影响具有高度空间局部性,且存在快速的空间衰减(spatial decay)。该研究发表在国际期刊《Papers in Regional Science》上。
**关键方法**
本文采用泊松伪最大似然估计(Poisson pseudo-maximum likelihood, PPML)模型,以处理专利数量作为计数变量且存在大量零值(47.8%)的问题。样本覆盖19个OECD国家(澳大利亚、奥地利、比利时、丹麦、芬兰、法国、德国、意大利、日本、卢森堡、墨西哥、荷兰、挪威、葡萄牙、西班牙、瑞典、瑞士、英国、美国)的LAU层面数据,时间跨度为1990–2014年。模型包含LAU固定效应(吸收时间不变的地方特征)、年份固定效应(吸收共同冲击)以及NUTS2区域时间趋势(控制区域层面差异化趋势),并控制地方人口对数、基于人口密度或夜间灯光(nightlight)估算的GDP对数。异质性分析按城市化程度、GDP水平、NUTS2区域层面的移民教育程度和失业率差异、以及事前创新分位数进行分组回归。空间聚合分析将数据从LAU依次聚合至NUTS3和NUTS2层面重新估计同一模型。稳健性检验包括留一法(leave-one-out)、改变聚类层级、加入国家时间趋势、使用滞后移民份额、以及标准化变量等。
**研究结果**
**3.1 实证策略**:研究人员采用式(3)的PPML模型,将专利数量对移民份额回归,并控制LAU、年份和NUTS2区域时间趋势固定效应。移民份额每增加1个百分点,专利申请数量增加约2.5%,对应平均每个LAU增加0.27件专利。
**3.2 可能机制**:尽管数据无法直接区分移民技能,但机制分析指出,移民通过直接参与知识创造(如创业、就业)、促进知识溢出(如职业流动、供应链整合)、强化集聚经济(扩大劳动市场、专业化服务)以及由于专利活动高度地方化而放大人口变化效应等途径影响创新。
**3.3 主要结果**:基准回归(表4)显示,移民份额系数在逐步加入控制变量后稳定在2.51(标准误0.60),在1%水平上显著。该结果对应平均移民份额(6%)增加17%时专利数量上升2.5%。
**3.4 异质性分析**:
- **城市化程度**:表5表明,正向效应仅存在于城市LAU(城市或城镇地区),农村LAU不显著。
- **经济繁荣程度**:表6显示,效应集中在GDP高于中位数或均值的LAU;低于中位数的LAU虽然系数为正,但基础专利水平极低,绝对增长可忽略。
- **NUTS2区域特征**:表7和表8显示,按移民教育程度(高技能移民比例)或移民与本地人失业率差异分组,效应大小相似,但高创新水平区域的绝对增量更大。
- **事前创新分位数**:表9通过交互项分析,发现效应完全由事前创新水平最高的第五分位LAU驱动,其他分位不显著。
**3.5 聚合层面影响**:将数据聚合至NUTS3(表10)和NUTS2(表11)后,移民份额系数大幅下降并失去统计显著性,部分情况下变为负值。标准化回归(表A.1)进一步确认,系数从LAU到NUTS3再到NUTS2逐步递减,明确体现了空间衰减。美国加州的例子(图4)直观展示了专利活动在LAU层面高度集中,而州层面掩盖了内部差异。
**3.6 稳健性**:留一法(图3)显示排除任一国家后系数保持正显著;排除美国后系数略降但仍显著。改变权重、聚类层级、加入国家时间趋势、使用对数移民份额或滞后值(表A.2–A.5)均支持基准结果。
**总结讨论与结论**
讨论部分指出,移民对创新的正向效应高度地方化,仅在精细空间尺度(LAU)上可被识别,宏观聚合数据会掩盖这一真实贡献。这意味着相关研究若仅依赖省级或国家层面数据,可能低估移民在创新集群中的实际作用。政策启示在于,支持移民融入和创新的政策应聚焦于移民聚集的特定城市区域,并探索如何促进其效益向周边扩散。
**结论部分翻译**:移民对创新有何地方影响?这一问题在关于移民对东道社区经济贡献的政治辩论中至关重要。本文利用创新和移民人口的极细粒度信息,首次在跨国背景下考察了移民与专利活动的关系,为移民如何影响创新并进而促进地方经济绩效提供了新实证证据。计量框架利用数据精细性估计了丰富固定效应结构,控制了广泛潜在混淆因素。结果表明,移民份额每上升一个百分点,专利申请量增加2.5%。这一正向效应仅出现在创新性地方,且在城市化和经济发达LAU中最强。这些发现凸显了空间异质性的重要性,而这种异质性在使用聚合数据时会被掩盖。事实上,聚合程度越高,地方差异越被隐藏,估计效应越弱或消失。总体而言,这些发现对移民的区域影响提出了警示:由于移民倾向于集中在城市地区,仅依赖聚合数据的研究可能通过掩盖地方化效应而歪曲其真实贡献。未来研究可进一步探讨不同移民群体对创新的贡献,以及地方政策能否促进这些效益向移民居住地以外的区域扩散。