科技金融政策能否提升科技人才集聚水平——基于多期DID的经验证据

谢文栋

(上海财经大学 公共经济与管理学院，上海 200433)

“人才聚则事业兴”，随着新一轮科技革命和知识经济的快速发展，科技人才已成为推动经济发展的关键要素之一。截至2020年，我国人才总量已逾1.8亿，但人才队伍“大而不强”的问题日益显现。中共十九届五中全会提出，“坚持创新在我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”。科技人才是现代科技发展和高技术产业发展必不可少的核心要素与先决条件[1]，没有人才优势，就不可能有科技优势、创新优势和产业优势[2]。科技人才是科技创新的关键力量，而金融资本是科技创新的重要支撑。融资难、融资贵等问题是我国科技型中小企业科技创新能力提升的主要掣肘，也是导致地区科技人才匮乏的重要原因。为突破企业融资障碍，增强企业自主创新能力，转变经济发展方式和全面建设创新型国家，2011年科技部联合一行三会在全国16个地区开始实施科技和金融结合试点政策(简称科技金融政策)，该项政策旨在通过金融手段助推企业突破融资约束，提高企业自主创新能力，推动科技产业和战略性新兴产业发展，促进产业结构优化升级。科技人才是推动高技术产业发展的核心要素，那么，科技金融政策的实施能否提升城市科技人才集聚水平，发挥科技人才集聚效应？若能，其影响科技人才集聚水平的作用机制是什么？存在怎样的异质性？回答这些问题，对进一步发挥政策优势，提升地区科技人才集聚水平，落实人才强国战略，加快实现我国科技自立自强具有重要现实意义。

本文将科技金融政策作为一项准自然实验，结合多期双重差分法评估科技金融政策对城市科技人才集聚水平的影响。边际贡献在于：第一，在研究视角上，将科技金融政策的政策效应聚焦于科技人才集聚水平，丰富科技金融政策评估和科技人才集聚相关研究；
第二，在识别策略上，立足于双重差分估计框架，识别科技金融政策影响城市科技人才集聚水平的“净效应”，同时，考虑到试点城市选择的非随机性，采用PSM-DID纠正潜在选择性偏误，并采用安慰剂检验等多种方法进行稳健性检验，提高研究结论可靠性；
第三，在实证分析上，借助中介效应模型考察科技金融政策影响城市科技人才集聚水平的作用机制，有助于进一步厘清其内在逻辑和传导路径。考虑科技金融政策对不同行政级别城市科技人才集聚水平的差异化影响，为进一步推广科技金融政策提供经验证据。

1.1 文献综述

相关研究主要涉及3个方面内容：一是科技金融政策，二是科技人才集聚水平，三是科技金融政策对科技人才集聚水平的影响。本文将从这3个方面对现有文献进行梳理。

(1)科技金融政策。从国外研究来看，有学者认为科技与金融结合是指新技术早期崛起阶段资本家为了获取高额利润，将大量金融资本投入技术领域，使得科技创新与金融资本耦合发展[3]。也有学者认为金融与科技之间存在密切关联性，一方面，金融资本能够为创新活动提供资金支持，推动技术创新；
另一方面，技术创新会产生多样化金融需求，促进金融业发展，两者相互影响、相互促进[4]。国内关于科技金融的研究主要聚焦于科技金融的经济增长效应[5]、产业结构升级效应[6]和创新提升效应[7]。科技金融政策实施效果引起学者广泛关注，已有研究表明，在宏观层面，科技金融政策显著促进地区产业结构高度化和合理化，推动产业结构转型升级[8]，同时，显著提升地区创新水平[9]，提高城市全要素生产率[10]，促进试点地区经济增长[11]；
在微观层面，科技金融政策可以提升民营企业创新水平[12]和中小高新技术企业生产效率，推动科技型中小企业高质量发展[13]。

(2)科技人才集聚水平。一是探讨科技人才集聚的影响因素，主要包括：经济因素，如地区经济发展水平、工资水平和市场化程度[1]、房价、产业规模[14]等；
社会环境因素，如公共服务水平[15]、城市化水平[16]、城市基础设施[17]等；
政策环境因素，如科技人才政策[18]、科研投入[19]、社会保障等[20]；
文化教育环境因素[21]等。二是探讨科技人才集聚效应，诸多研究表明科技人才集聚对地区经济增长、技术创新和高新技术产业发展具有重要推动作用。在经济增长方面，马茹等[22]研究发现科技人才集聚促进中国经济高质量发展，但目前这一促进效应的提升幅度总体较小，仍有巨大潜能可以释放；
郭金花等[23]研究发现，科技人才集聚对城市全要素生产率的影响呈倒U型。在技术创新方面，芮雪琴等[24]认为科技人才集聚与地区创新能力之间存在双向因果关系，可以通过发挥科技人才集聚效应，提升地区技术创新水平；
修国义等[25]研究发现科技人才集聚可以提升区域科技创新效率，但该提升效应存在区域差异性，东中西部地区依次递减。在产业发展方面，李敏[26]等研究发现科技人才集聚与高新技术产业发展之间存在相互促进关系。

(3)科技金融政策对科技人才集聚水平的影响。目前国内外鲜有文献直接对此进行探讨，李志强等[27]研究科技金融对区域经济增长质量的影响时发现，科技金融发展到一定程度会促进科技人才集聚，增加产业内竞争，提高经济增长质量；
孟添等[28]认为科技人才是科技金融创新主体，也是科技金融政策有效运行的重要支撑，科技人才不足会阻碍地区科技金融协调发展；
吕途等[29]研究发现科技人才是科技金融影响区域绿色创新效率的重要因素，科技金融对区域绿色创新效率的促进作用以人力资本水平达到阈值为前提。

综上可见，关于科技金融和科技人才集聚单方面的研究都较为充分，但关于科技金融对科技人才集聚影响的研究显得不足，只有少量相关文献而且只是稍加解释和讨论，尚未有学者深入探讨科技金融政策对科技人才集聚的影响。

实际上，科技金融政策是影响城市科技人才集聚水平的重要因素，一方面，科技金融政策的实施促使地区为科技型中小企业提供优质的科技创新金融服务，推动大量金融资本参与企业创新活动，激发企业提高创新积极性和增加科技项目研发投入，促进地区科技产业发展和创新水平提升[9]，扩大企业科技人才需求，创造科技型就业岗位。另一方面，科技金融政策通过一系列优惠举措，改善试点地区创新环境和创新基础条件。在试点政策的推动下，诸多城市开启“抢人大战”，在安家落户、教育医疗、科研经费、科研团队建设等方面给予科技人才支持，在试点地区形成政策洼地，使得大量科技人才向试点地区流动，提升科技人才集聚水平。基于上述分析，提出如下假设：

H1:科技金融政策显著提升城市科技人才集聚水平。

1.2 影响机制分析

根据科技金融政策实施方案和目标任务，科技金融政策的实施会加大地区财政科技支持力度，改善试点地区创新环境，推动产业结构优化升级，而政府政策支持、产业结构和创新环境均对科技人才集聚具有重要影响。本文从政府干预效应、结构升级效应和创新驱动效应3个方面，探讨科技金融政策对科技人才集聚水平的影响机制，理论框架如图1所示。

图1 科技金融政策影响科技人才集聚水平的作用机制Fig.1 Mechanism of science and technology financial policy"s impact on the agglomeration level of S&T talents

(1)政府干预效应。科技金融政策对科技人才集聚的影响除自身政策效应外，也依赖地方政府因势利导的推动。对于科技金融政策试点城市，地方政府在横向竞争压力下，通常采取一系列举措促进政策有效实施，例如，对企业科技创新活动实施更为积极的财政补贴政策，加大财政科技投入，完善创新基础环境，强化科技创新激励等。这些举措都会增强试点城市对科技人才的吸引力，推动科技人才集聚。首先，按照试点政策的要求，试点城市将综合运用多种创新补偿方式，引导金融资本参与实施各项国家科技计划，激励企业开展创新活动，而这些创新计划的实施和创新活动的开展都需要大量科技人才作为支撑，从而增加地区科技人才需求。其次，科技人才是科技创新活动的最核心要素，科技竞争归根结底是人才的竞争。为满足地区科技产业发展的人才需求，试点城市会出台一系列人才激励政策，完善科技创新配套服务，引进和吸引科技人才。最后，地方政府搭建科技服务平台，深化科技保险工作，加大科技人员保险力度，维护科技人员合法权益，完善科技创新保障机制。在政府各项政策举措的激励下，试点城市对科技人才的吸引力不断提升，促进城市科技人才集聚。据此，提出如下假设：

H2：科技金融政策通过政府干预效应提升城市科技人才集聚水平。

(2)结构升级效应。科技金融政策的实施可以优化地区产业结构，通过结构升级效应提升城市科技人才集聚水平。一方面，地区产业结构变动与地区金融发展水平密切相关，地区金融发展水平越高，越有利于促进地区产业结构升级[30]，科技金融政策主要采用金融手段扶持科技型中小企业发展，培育战略性新兴产业，并通过创新财政科技投入方式，引导科技与金融市场对接，实现科技创新链条与金融资本链条的有机结合，为不同发展阶段科技型企业提供差异化金融服务，增强科技型中小企业商业融资能力，降低企业融资成本。这一系列举措的实施，为地区科技产业发展注入强大动力，推动大数据、云计算和人工智能等新兴技术产业蓬勃发展，进而促进地区产业结构优化升级[8]。另一方面，新兴技术产业发展与地区科技人才集聚存在相互促进关系[1]，地区新一代新兴技术产业的发展为科技人才提供更好平台和更多发展机会，而且新兴技术产业往往具备充裕的研发资本和创新资源，能够为科技人才发挥个人才能、提升个人素质和实现个人价值提供平台支持，因而科技人才倾向于选择创新资源丰富、科技成果转化率高的新兴技术产业。因此，科技金融政策推动地区产业结构升级的同时，也会带动城市科技人才集聚。基于此，提出如下假设：

H3：科技金融政策通过结构升级效应提升城市科技人才集聚水平。

(3)创新驱动效应。科技金融政策通过提升城市创新水平、优化城市创新环境，提升科技人才集聚水平。一方面，科技创新具有投资大、周期长和风险高等特点，而且无法预期未来创新成果，传统金融机构不愿将大量资金投入科技研发领域，导致地区科技创新面临较大融资约束。而科技金融政策的实施，可以引导和促进银行业、保险业等金融机构改进服务模式、创新金融产品等，为科技型中小企业提供信贷支持，缓解企业创新融资约束，增强企业创新动力。同时，深化科技保险工作，建立创新风险分散机制，鼓励保险公司开展科技保险业务、创新科技保险产品，为科技创新企业提供保险综合服务，分散企业科技创新和成果转化风险，提升企业创新能力和创新效率，进而提高城市整体创新水平，优化城市创新环境[9]。另一方面，良好的创新环境是吸引科技人才集聚的重要因素，在某种程度上科技人才更加青睐于创新水平高和创新资源丰富的地区[31]。同时，科技人才作为创新活动的重要主体，与地区创新水平之间存在双向影响关系，地区创新水平提升会增加科技人才需求，促进科技人才集聚，而科技人才集聚也会提升城市创新水平，形成“创新—集聚—再创新”的良性循环和自我发展模式[32]。因此，提出如下假设：

H4：科技金融政策通过创新驱动效应提升城市科技人才集聚水平。

1.3 政策效应异质性：“边际效应递增”规律

城市经济发展水平和资源禀赋与其行政等级密切相关，城市行政级别一定程度上决定其能享有多少资源。因此，科技金融政策对不同行政级别城市科技人才集聚的影响必然有所不同。从城市资源禀赋角度来看，行政级别较高的城市在科技资源和金融发展水平等方面优于行政级别较低的城市，而且基础设施更完善，开放水平更高，教育、医疗等公共服务方面也更具优势[33]。因此，行政级别较高的城市实施科技金融政策能够更好地利用原有优势，更容易发挥科技人才集聚效应。国家对于不同行政级别城市的支持力度存在差异，行政级别较高的城市往往享有更多财政投入和经济权限。而且，行政级别较高的城市通常是各个区域经济中心或经济特区，享有地方各种资源的优先支配权。科技金融政策实施过程中，在“蒂伯特机制”的作用下，科技人才会过度聚集于“富裕的城市”，而行政级别相对较低的城市囿于自身科技资源匮乏和创新环境落后，其科技人才集聚效应也难以短时间内显现。基于上述分析，科技金融政策的实施对城市科技人才集聚的影响随着城市行政级别的上升而增大，呈现递增趋势。因此，提出如下假设：

H5：科技金融政策对城市科技人才集聚水平的影响随着城市行政级别的上升而产生边际递增效应。

2.1 识别策略与模型设定

2010年12月科技部联合一行三会出台《关于印发促进科技和金融结合试点实施方案的通知》，截至2020年底该项政策在全国先后开展了两批试点。第一批于2011年在江苏、上海等地区先行试点，涵盖41个城市。2016年将厦门和南昌等9个城市作为第二批试点，前后两批共50个城市作为科技金融政策试点区域。

本文采用双重差分法，评估科技金融政策对科技人才集聚水平的影响。双重差分法(difference-in-difference，简称DID)的主要思想在于考察外生政策冲击对不同个体在某时间节点前后造成的双重差异，识别政策“净效应”，能够有效避免内生性问题导致的估计偏差。科技金融政策分批实施，而传统DID仅能评估单一时点政策实施效果，因此，借鉴Beck等[34]、刘瑞明(2015)等的做法，采用多期DID进行估计，即在不同政策时点分别进行双重差分。根据各城市获批科技金融政策试点的时间，设置政策虚拟变量did，若某城市在当年成为科技金融政策试点城市，则该城市当年及以后年份did=1，否则did=0。据此构建双向固定效应模型进行双重差分估计。

STAit=β0+β1didit+β2Xit+ui+λt+εit

(1)

其中，STAit表示城市i在t年的科技人才集聚水平；
did表示科技金融政策虚拟变量;β1是核心参数，即科技金融政策效应；
Xit代表控制变量集；
ui代表城市固定效应；
λt代表年份固定效应；
εit为随机误差项。

2.2 变量说明

(1)被解释变量：科技人才集聚水平(STA)。科技人才集聚水平反映科技人才资源在各地区分布的集中性和聚合程度。在已有研究中，科技人才集聚水平的衡量主要采用以下几种方法：一是将从事科技工作的劳动者视为科技人才，采用城市科技从业人数占地区总人数的比重衡量[35]；
二是以地区就业人员中具有本科以上学历人员所占比重衡量[36]；
三是采用区位熵指数进行测度，即各地市科技从业人数占该地市总从业人数的比重与全国科技从业人数占全国总从业人数的比重之比[23]。对比上述几种衡量方式，区位熵指数能够有效排除地区人口因素和地理差异的影响，更能反映地区科技人才集聚水平。借鉴郭金花等[23]的研究，以科研、技术服务从业人员表征科技人才，采用区位熵指数测量科技人才集聚水平。其计算公式如下：

(2)

(2)核心解释变量：科技金融政策虚拟变量(did)。根据科技部官方网站公布的科技金融政策试点城市名单，按照试点城市批准的时间先后进行赋值，得到核心解释变量did。

(3)控制变量：根据已有研究，本文控制可能影响城市科技人才集聚水平的因素，包括：①经济发展水平(dev)，采用地区人均GDP的对数衡量；
②对外开放水平(open)，采用当年实际利用外资额占地区GDP比重的对数衡量；
③金融发展水平(finan)，采用年末金融机构存贷款余额占地区GDP比重的对数衡量；
④信息化水平(infor)，采用互联网宽带接入用户数占地区总人口比重衡量；
⑤公共服务水平，主要包含医疗服务水平(medi)和教育发展水平(edu)，医疗服务水平用医院和卫生院床位数占地区总人口比重衡量，教育发展水平用地区高等学校教师数占地区总人口比重衡量。

(4)中介变量：①政府干预(inter)，用财政科技支出占总财政支出的比重衡量；
②产业结构(ind)，用第二和第三产业从业人数占地区总从业人数比重衡量；
③创新水平(inno)，采用《中国城市和产业创新力报告》中的城市创新指数取对数衡量，具体计算方式参考寇宗来[37]等研究。

2.3 数据来源与描述性统计

本文数据主要来源于2004-2019年《中国城市统计年鉴》《中国城市和产业创新力报告》和科技部官方网站。数据缺失年份较多的城市予以剔除，只有部分缺失值的则采用线性插补法进行填补，最终得到2004-2019年281个城市平衡面板数据，主要变量描述性统计结果如表1所示。

表1 主要变量描述性统计结果Tab.1 Descriptive statistics of the main variables

3.1 基准回归

科技金融政策影响城市科技人才集聚水平的回归结果如表2所示，模型(1)和模型(2)为采用OLS回归得到的单差法估计结果，单一比较试点城市与非试点城市科技人才集聚水平差异。模型(3)和模型(4)为采用双向固定效应的多期双重差分法估计结果。从回归结果来看，无论采用单差法还是双重差分法，did回归系数均在1%水平上显著为正，表明科技金融政策显著提升试点城市科技人才集聚水平。对比模型(1)和模型(3)回归系数可知，使用单差法得到的结果大于双重差分法的评估结果，表明单差法虽能解释部分问题，但会高估科技金融政策对科技人才集聚的效果。因此，采用双重差分法估计的结果更为准确。模型(2)和模型(4)分别在模型(1)与模型(3)的基础上加入控制变量，回归系数的大小和显著性并未发生实质性改变，说明获批科技金融政策试点的城市可以通过有效发挥政策激励和政策引导的作用，提升城市科技人才集聚水平。因此，假设H1得到证实。

表2 基准回归结果Tab.2 Benchmark regression results

3.2 共同趋势与动态效应检验

使用双重差分法的前提条件是满足共同趋势假设，即在政策实施前处理组和对照组科技人才集聚水平变化趋势一致。同时，科技金融政策实施效果受到试点城市基础禀赋和实施强度的影响，因此，政策实施效果可能存在时间上的异质性。基于此，借鉴Jacobson等[38]和宋弘等(2019)的做法，采用事件分析法进行检验。其动态效应模型如下：

(3)

其中，Di,t0+k表示科技金融政策试点这一“事件”，是一个系列虚拟变量；
t0表示城市i实施科技金融政策试点的第一年，即政策实施当年，k表示科技金融政策实施后的第k年，研究样本时间跨度涉及政策实施前后共16年，为了避免多重共线性，将政策试点实施前的第7年作为基准年份，即在回归中不纳入该年份的虚拟变量；
βk是核心参数，表示科技金融政策实施的第k年处理组与对照组科技人才集聚水平差异，k<0时，若βk不显著异于0，则说明满足共同趋势假设，反之，则不满足共同趋势假设。

政策实施前后处理组与对照组科技人才集聚水平差异变化趋势如图2所示，在政策实施当年及以前，βk的估计值均未达到显著性水平，说明在政策实施前，试点城市和非试点城市科技人才集聚水平变化趋势不存在显著差异，因此，满足共同趋势假设。同时，科技金融政策对试点城市科技人才集聚水平的影响存在一定时滞性，政策效应在实施后的第二年开始显现，随着政策的推进，政策效果呈增强态势，说明科技金融政策对城市科技人才集聚水平的提升效应具有持久性和稳定性。

图2 共同趋势与动态效应检验结果Fig.2 Tests of common trend and dynamic effect

3.3 稳健性检验

(1)PSM-DID。采用双重差分法虽能有效识别科技金融政策对科技人才集聚水平的影响，但在实际操作过程中仍然可能存在一定选择性偏误，即政府选择试点城市过程中可能存在一定选择“标准”，如第一批试点城市大部分为直辖市和省会城市等经济较为发达城市，因而不能严格满足随机分组的假设条件，直接对比试点城市和非试点城市间差异可能存在选择性偏差。因此，采用倾向得分匹配法(PSM)来克服这一问题。

具体而言，采用较为严格的卡尺内(0.005)近邻匹配(1∶1)法进行匹配，降低试点城市与非试点城市之间的系统性差异，使两组样本具有相似的城市特征。如图3所示，匹配前各协变量之间存在较大偏差，匹配后各协变量标准化偏差明显缩小，且接近于0，说明匹配后显著削弱了两组样本的特征性差异。因此，匹配结果较好，采用PSM-DID估计具有较强适用性。

图3 协变量标准化偏差Fig.3 Covariate standardized deviation

PSM-DID估计结果如表3所示，模型(1)只包含政策虚拟变量，模型(2)加入控制变量，回归结果与基准结果基本保持一致。虽然回归系数有所下降，但足以证明科技金融政策能够显著提升城市科技人才集聚水平。

表3 PSM-DID与安慰剂检验结果Tab.3 Tests of PSM-DID and placebo

(2)安慰剂检验。借鉴Topalova[39]的做法，改变政策实施时间进行安慰剂检验。选择政策试点实施前的2004-2010年，分别假设2006和2007年开始实施科技金融政策，并对虚拟的政策冲击效果进行DID估计，结果如表3模型(3)和模型(4)所示。无论是将政策实施时间设置为2006年还是2007年，虚拟的did估计系数均未达到显著性水平，表明虚拟的政策试点对城市科技人才集聚水平没有显著影响，这也从侧面说明试点城市科技人才集聚水平的提升确实由科技金融政策引起，而非其它因素所致。

(3)其它稳健性检验。在上述检验的基础上，展开一系列稳健性检验：一是删除直辖市和省会城市。直辖市和省会城市在资源禀赋、经济发展基础和科技发展水平方面均优于一般城市，对科技人才具有天然吸引力，可能导致高估该区域科技金融政策对科技人才的集聚效应，故将此类样本予以剔除；
二是缩短研究跨期，原研究样本跨期包含政策实施前后共16年，为了避免在此期间受到其它重大因素的干扰，将时间缩短为第一批政策实施前后3年，并采用单时点DID进行估计；
三是控制潜在遗漏变量，虽然采用双向固定的多期双重差分法可以有效控制大部分遗漏变量带来的问题，但仍然可能存在一些伴随省份和时间变化而无法观测的因素，因此，在基准模型的基础上加入省份和年份的联合固定效应进行控制；
四是排除离群值干扰，为防止个别离群值对回归结果产生干扰，对除政策虚拟变量外所有变量进行前后1%缩尾处理。检验结果如表4所示，各did回归系数大小虽然有所波动，但均在1%水平上正向显著，充分证明本文研究结论具有稳健性。

表4 稳健性检验结果Tab.4 Robustness test

4.1 影响机制检验

前文理论分析已初步推断科技金融政策可以通过政府干预效应、结构升级效应和创新驱动效应提升城市科技人才集聚水平，但这三大效应是否真正成立，需要采用专门计量方法进行验证。借鉴Baron等[40]提出的中介效应模型对其进行检验，模型设定如下：

STAit=β0+β1didit+β2Xit+ui+λt+εit

(4)

Medit=α0+α1didit+α2Xit+ui+λt+εit

(5)

STAit=φ0+φ1didit+φ2Medit+φ3Xit+ui+λt+εit

(6)

其中，Medit表示3个中介变量。三大影响机制检验结果如表5所示，模型(1)为基准回归结果，反映科技金融政策对城市科技人才集聚水平的总效应，其余模型反映各中介效应。

表5 影响机制检验结果Tab.5 Test of the impact mechanism

(1)政府干预效应检验。模型(2)反映科技金融政策对政府干预的影响，did系数在1%水平上显著为正，表明科技金融政策有利于激励地方政府加大财政科技投入力度，为推动科技金融政策有效实施提供财力支持。模型(3)在基准模型的基础上加入政府干预变量，结果显示，政府干预变量和政策虚拟变量did均达到显著性水平，说明政府加大财政科技投入能够有效吸引科技人才集聚，而且did回归系数由总效应的0.125降为0.107，表明政府科技干预在科技金融政策与城市科技人才集聚水平之间发挥部分中介作用，假设H2得到支持。

(2)结构升级效应检验。模型(4)反映科技金融政策对城市产业结构升级的影响，did系数在1%水平上正向显著，说明科技金融政策显著推动城市产业结构优化升级，加快城市产业结构高级化进程。模型(5)同时加入政策虚拟变量和产业结构升级变量，考察其对城市科技人才集聚的影响，结果显示，did和产业结构升级变量均在1%水平上正向显著，而且did系数由总效应的0.125降为0.089，表明产业结构升级是科技金融政策影响城市科技人才集聚水平的重要路径，即科技金融政策推动城市产业结构转型升级，进而提升城市科技人才集聚水平，假设H3得到证实。

(3)创新驱动效应检验。模型(6)反映科技金融政策对城市创新水平的影响，did系数在1%水平上对城市创新水平具有显著正向影响，表明科技金融政策显著提升城市创新水平，优化城市创新环境。模型(7)将科技金融政策和城市创新水平同时纳入回归模型，结果显示，政策虚拟变量did和城市创新水平均对城市科技人才集聚水平具有显著正向影响。同时，科技金融政策对城市科技人才集聚的促进作用由总效应的0.125下降至0.118，说明城市创新水平在科技金融政策与城市科技人才集聚水平之间发挥部分中介作用。因此，创新驱动的中介效应得到证实，假设H4成立。

4.2 异质性分析：“边际效应递增”规律检验

为了检验假设H5，借鉴刘瑞明等(2015)的思路，设定直辖市、副省级城市、省会城市和一般城市4个级别，构建模型如下：

STAit=γ0+γ1didit*levelit+γ2Xit+ui+λt+εit

(7)

其中，levelit表示城市级别，包括直辖市(level1)、副省级城市(level2)、省会城市(level3)和一般城市(level4)；
γ1是交互项系数，衡量不同行政级别城市实施科技金融政策对城市科技人才集聚水平的影响。如果科技金融政策对城市科技人才集聚水平的影响在城市级别上存在边际递增效应，那么，γ1估计值将随着城市行政级别的升高而增大，呈现递增规律。

估计结果如表6所示，模型(1)-模型(4)分别反映不同行政级别城市实施科技金融政策对城市科技人才集聚水平的影响。回归结果显示，did与直辖市、副省级城市、省会城市的交互项均在1%水平上显著为正，而did与一般城市的交互项未达到显著性水平。同时，交互项系数随着城市等级的上升而逐步增加，说明不同行政级别城市实施科技金融政策对科技人才集聚水平的影响呈现逐级递增规律。也就是说，行政级别越高的城市，科技金融政策越能发挥科技人才集聚效应。因此，假设H5得到证实。

表6 “边际效应递增”规律检验结果Tab.6 Test results of the law of marginal utility increase

5.1 主要结论

本文将科技金融政策的实施视为一项准自然实验，基于2004—2019年281个城市面板数据，利用多期双重差分法实证分析科技金融政策对城市科技人才集聚水平的作用机制。得出如下结论：首先，科技金融政策显著提升城市科技人才集聚水平，政策效应存在两年滞后期，并且政策效应逐年增强；
其次，科技金融政策通过政府科技干预效应、结构升级效应和创新驱动效应三大作用路径，促进城市科技人才集聚水平提升；
最后，科技金融政策的科技人才集聚效应在城市行政级别上呈现边际效应递增规律，城市行政级别越高，科技金融政策越能发挥科技人才集聚效应。

5.2 政策建议

(1)推进科技金融政策有序扩散，强化科技金融政策的科技人才集聚效应。应以科技金融政策实施为契机，创新人才管理体制和人才激励机制，完善科技人才引进和培养体系。同时，以各种科技攻关、科技支撑计划等项目为依托，以“筑巢引凤”的方式吸引科技人才集聚，并借助高校科技创新能力和人才培养优势，推进区域产学研深度合作，培育重点专项科技人才，打造科技人才蓄水池，形成区域创新生态系统良性循环。

(2)拓展和优化科技金融政策提升科技人才集聚水平的作用路径。首先，配合试点政策出台相应人才政策，在住房、医疗等公共服务方面提供政策支持，解决科技人才“后顾之忧”，增强科技人才稳定性；
其次，推动试点城市大数据、人工智能等知识密集型产业发展，以产业结构转型升级为契机，发挥新兴产业发展对科技人才集聚的带动作用，实现科技人才与新兴产业发展的有机耦合；
最后，搭建和完善科技创新创业载体，构建科技人才集聚的创新生态，同时，优化科技资源配置，完善知识产权保护制度，营造良好和宽松的科技创新环境。

(3)设计科技金融政策梯度发展战略，促进地区间均衡协调发展。从实证结果看，科技金融政策的科技人才集聚效应在城市行政级别上表现出明显异质性，因此，推动地区科技金融发展的同时，也要注意地区间科技人才非平衡性发展趋势，避免产生大城市“虹吸效应”。人力资本尤其是科技人才区域分布不均是阻碍我国经济均衡发展的重要因素，推进科技金融政策实施的同时，应考虑城市因素带来的政策效应差异，采取差异化配套措施，加强区域间科技人才交流与合作，推动区域间创新资源互联互通。