推荐人：中南财经政法大学财政税务学院 孔子云
原文信息：Akcigit, U., Caicedo, S., Miguelez, E., Stantcheva, S., & Sterzi, V. (2018). Dancing with the stars: Innovation through interactions (No. w24466) . National Bureau of Economic Research.
原文链接：https://www.nber.org/papers/w24466
推文期数：147
一、引言
创新从何而来？当谈到创新如何产生时，发明家背后的研发投入只是冰山一角，发明家本身的知识才是关键的投入要素。这些知识可能来自于发明家与他人的互动，也可能来自于发明家自身经验的积累。当灵感到来时，发明家会组成不同规模的研发团队，并创造出不同质量的“想法”，这些想法能够促进技术进步，最终作用于经济增长。近年来，大量研究讨论了知识溢出对经济集聚、经济增长的影响，但由于数据难以获得、缺乏合适的理论模型等原因，其内在机制尚未明晰。本文将知识扩散模型与基于创新的内生经济增长模型相结合，强调了发明家交互对创新的重要性。
本文基于欧洲专利申请数据，使用消歧算法对发明家进行识别。通过对发明家过往合作经历、所属公司和地区三个维度对发明家交互进行衡量，作者发现，交互作用对于解释个人生产率和总增长方面至关重要。更进一步，本文发现，与生产率高于自身的发明家交互将交对创新质量提升有显著促进作用。
相较于以往研究，作者构建了包括研发团队和最终产品生产商的一般均衡创新模型框架，对发明家间知识流动进行捕捉，为以后相关研究提供理论基础。此外，作者使用了欧洲发明家专利申请的全新面板数据，对交互和外部学习渠道、发明家个体特征进行度量，为之后的实证研究提供数据支持。
二、理论模型
本研究中，作者将知识扩散模型与创新驱动的经济增长模型相结合，提出了一个包含研发团队和最终产品生产商的两部门模型，模型整体框架如表2所示。在该模型中，研发团队代表从事技术研究的劳动力，最终产品生产商代表无技能劳动力，二者之间不可内生转换。研发人员通过交互和经验积累两条渠道获得知识，生产总质量为A(t)的“想法”，最终产品生产商向研发团队购买技术，并组织无技能劳动力生产最终产品。
在研发部门，研发人员根据自身异质性生产率进行职业选择：存在一个生产率Z-(t)，当个人生产率Z(t)>Z-(t)时，研发人员选择成为团队领袖；当个人生产率Z(t)<Z-(t)时，研发人员选择成为团队成员。团队领袖雇佣研发人员组成研发团队，生产创新技术或想法，其质量是团队领袖的生产率和团队规模的函数。最后，研发人员的异质性生产率随着时间的推移而内生性演变，这种演变通过两个内生交互和外部学习渠道实现。
三、数据来源
本文使用了欧洲专利办公室（EPO）的专利申请数据，该数据包括2,955,055份专利申请，经过消歧处理后，该数据能够识别出3,474,514位研发人员。通过对数据进行分析，作者发现，每个发明者平均拥有2.2项专利。然而，如同其他科学或学术研究一样，专利也存在一种十分扭曲的现象：大多数发明家只拥有一项专利，较少的明星发明家拥有多项专利。图4展示了专利申请不超过20件的发明者分布（占总样本的99.33%）。可以看出91%的发明家在其职业生涯中申请1到4件专利，只有2%的发明家有超过10项的专利申请。
四、交互与生产率的联系
考虑到过往的交互会对当前的生产率产生影响，本文的基准回归模型如下：
其中，qj,t表示研发团队j在时间t的创新质量，通过该专利3年的引用数量衡量；i[j]表示研发团队j，r[j]、s[j]和f[j]分别表示研发团队所属的地区、部门和企业；Interactions表示研发团队领袖过去的互动；Age表示研发团队领袖的年龄；Teamsize表示团队规模；Firmsize表示企业规模；Bt表示年度固定效应，Bs[j]表示部门固定效应，Bf[j]表示企业固定效应，Br[j]表示地区固定效应。
表2展示了基准回归结果。第1列表示有过合作（高质量交互）样本，可以看出，高质量交互对于专利质量有积极影响，即每增加一个高质量交互将使专利质量增加0.02个标准差。第2列中加入了低质量交互样本，系数为负表明低质量交互可能会“挤出”高质量交互。第3列表明，在高科技部门，高质量交互对专利质量的积极影响更强。第4列和第5列分别表示公司、区域层面明星发明家之间高质量交互的样本，结果仍旧显著。
此外，作者通过更换变量衡量方式及样本范围进行稳健性检验，结果表明，交互作用对专利质量具有显著的促进作用。
五、模型估计
接下来，作者将理论模型与实证结果相结合，并使用新数据对模型的有效性进行验证。
首先，对于任何给定的一组参数，作者使用给定的初始截面分布F(Z,0)对25年内1000000个个体进行模拟。其次，作者使用86个关键时刻数据（数据矩）对参数进行估计，具体参数、目标数据见表5、表6，此处未展示，拟合情况如图6所示。
最后，作者使用研发税收抵免、工资与团队规模等非目标时刻数据对模型进行拟合，模型的有效性得到进一步验证。
六、定量分析与政策实验
在上文中，作者通过将估计模型与目标时刻、非目标时刻数据进行拟合证明该模型足够解释知识扩散、生产率以及创新的变化。因此，作者将模型付诸实践，对四个政策实验进行定量分析。
该部分着重探讨交互对经济增长的贡献以及内外部渠道之间的关系。首先，作者依次关闭两个渠道，以计算其对经济增长的贡献。结果如表7所示：
通过表7可以得出一下三个结论:（1）关闭任一渠道都会导致经济增长的明显放缓；（2）交互渠道对于经济增长的贡献高于外部学习渠道；（3）交互和外部学习两个渠道之间存在较强的互补性。
随着信息技术的发展，人与人之间的交互成本显著下降。因此，作者考察交互成本下降对发明家会面频次、创新质量、经济增长和团队规模的影响。通过图10可以看出，交互成本的下降对发明家会面频次、创新质量和创新有积极影响。值得注意的是，交互成本的下降会导致团队规模缩小。当交互成本下降时，发明家会面频次增加导致发明家生产率上升，需要雇佣更多研发人员，因此团队规模会缩小。
6.3 限制获取外部知识
在某些领域，人才具有较强的地理集中倾向，会导致“聚集悖论”，即当具有相同知识结构的研发人员聚集时，可能会减少外部知识的流入，从而导致生产率下降。因此，作者考察了外部知识减少对创新质量、经济增长和团队规模的影响。从图11可以看出，外部知识的减少会导致创新质量的下降、经济增长的放缓以及团队规模的扩大。
6.4 不同劳动力市场中互动的影响:以美国和德国为例
本文认为，该模型同样可以研究不同经济环境中，交互作用如何影响生产率和经济增长，这里，作者主要对美国和德国这两个创新强国进行估算。通过图12可以看出，模型与数据拟合程度较好，德国的高质量交互和生产率高于美国，创新质量低于美国。
更进一步地，将美国的交互成本降低至与德国等同，以此进行反事实分析。结果表明，在所有年龄段，团队领袖的平均交互次数在增加，平均专利质量也在增加。
七、结论
本文从发明家和研发团队两个层面出发，构建了基于创新的内生增长模型，从微观视角对“创新从何而来”这一经济学问题进行解答。通过使用数据拟合、定量分析等方法对模型进行检验，作者发现，高质量交互和外部学习能够显著提升发明家生产率，提升创新质量，从而促进经济增长。
推荐理由：
创新是经济学历久弥新的研究问题。由于微观数据难以获得，以往文献聚焦于研究知识溢出对于创新的促进作用，并未打开“创新从何而来”的黑箱。本文通过刻画知识流动的内外部渠道，结合微观数据，解释了发明家之间的互动如何提高生产率，具有重大的理论和现实意义。近年来，发明家流动成为热点研究问题，本文也为移民政策等相关研究提供思路借鉴。