楼 永，王留瑜，郝凤霞

（同济大学经济与管理学院，上海 200092）

1 研究背景

建国七十周年以来，我国人口年龄结构发生了巨大变化，人口发展经历了高出生率、高死亡率向低出生率、低死亡率的转变。根据联合国老龄化标准，自2000 年以来中国已正式进入老龄化社会，且老龄化进程不断加剧，具体情况如图1 所示。截至2018年末，60 岁以上的老年人口约2.49 亿人，占总人口比重为17.90%；65 岁以上的老年人口约1.67 亿人，占总人口比重为11.90%；整个社会老年抚养比达到16.80%。

图1 人口老龄化进程

我国的人口增长率呈现“过山车”式，中国的崛起也在很大程度上得益于“人口红利”，而老龄化时代的到来则意味着“人口红利”逐渐消失，经济增长需要寻求新动力。内生经济增长理论指出：技术进步是经济增长的唯一动力源泉。在依靠廉价劳动力和资源开发促进经济增长的方式不可持续后，创新成为引领经济发展的第一动力，是建设现代化体系的战略支撑。创新活动中人才资源是最为活跃、最为积极的因素，而目前我国老龄化进程正在不断加深，因此在经济发展步入新常态的背景下，研究老龄化对我国科技创新的影响具有重要意义。

对于人口老龄化如何影响科技创新，目前学术界存在三种不同的观点。第一，消极影响：胡伟略［1］从宏观、微观角度出发，用老年抚养比量化老龄化程度，认为养老负担的加重会对技术进步产生不利影响。姚东旻等［2］基于2003—2012 年的省际面板数据研究，发现人口老龄化不利于科技创新；汪伟等［3］采用DFA 方法测度我国29 个省份的创新能力，认为人口老龄化会对科技创新产生两种对立的结果，一方面人口老龄化会提高科研工作者的工作效率，另一方面人口老龄化会降低人力资本投资和加重养老负担，但总体表现出负向作用。第二，积极观点：王笳旭等［4］等利用1997—2014 的省级面板数据模型，发现人口老龄化对技术创新和经济增长产生促进作用；Hsu 等［5］基于包含生育率、教育决策和要素积累的一般均衡世代交叠模型，研究了中国生育率衰退与人口老龄化对技术进步和经济增长的影响，认为预期寿命的延长能够促进技术进步和长期经济增长；邓翔等［6］选用OECD 成员国的跨国面板数据作为研究样本，发现人口老龄化对全要素生产率的影响显著为正。第三，倒U 型影响：高越［7］基于中国省级面板数据，采用老年抚养比作为老龄化指标，发现人口老龄化与科技创新水平之间存在倒U 型影响；杨校美［8］利用G20 国家的面板数据，也发现人口老龄化与技术创新呈现出倒U 型关系。

可以发现，目前关于人口老龄化对我国科技创新水平的研究较少，且尚未得出一致结论，大多数文章仅仅研究了人口老龄化与科技创新两者的关系，未深入探讨其内在的影响机制。仅有的几篇机制研究大多采用在线性模型基础上引入作用机制代理变量与老龄化指标变量的交叉项进行分析。但连续变量的交叉项主要解释联动效应，而非传导机制。本文将基于中国“未富先老”的特殊国情，继续探究人口老龄化对科技创新的影响，厘清其内在的中介效应传导机制，并纳入空间因素进行稳健性检验。

2 理论分析

一个国家人力资本水平的高低与该国的科技创新水平基本上呈现出正相关关系，而人口老龄化又是影响人力资本水平积累的重要因素。同时，人口老龄化比重增加意味着适龄劳动力人口比重的减少，带来资本-劳动力投入比例发生改变，进而影响科技创新。因此，本文将从以下两个途径梳理人口老龄化影响技术创新的理论机制。

2.1 人力资本途径

人力资本指的是个人拥有的所有能够用于生产的劳动能力，主要包括身体机能、知识积累和经验技能三个方面。首先，个人的身体机能随着年龄的老化出现不同程度的下降，Verhagen 等［9］对91 篇研究整个生命周期中人的心智能力是如何发展和变化的文献进行聚类分析，发现认知能力到50 岁会严重退化，例如记忆、推理和信息加工的速度等。Czaja 等［10］也发现了认知能力会在衰老的过程中出现不同程度的弱化。

其次，在知识积累方面，国内学者闫钟［11］指出，高龄员工知识结构陈旧、创新能力不足。同时，经济学中著名的职业生涯理论发现：年轻人倾向于努力干活，突出表现，以便于在市场上找到高工资的工作；老龄人一方面享受年轻时努力带来的报酬，另一方面觉得自己的职业生涯即将结束，因此相比年轻人就会降低积累知识、卖力工作的动机［12］。Rouvinen［13］通过对芬兰生产部门的产品创新和生产过程创新进行研究，发现企业中员工的平均年龄越高，企业的创新可能性就越弱。年轻的员工更容易接受新的知识，而年老的员工更偏向于不改变。向志强［14］研究发现老龄化导致高龄员工一方面几乎消耗殆尽原先累计的人力资本存量，而另一方面又不能有效的地吸收新知识提升自己的人力资本质量，从而很难跟上技术进步的速度。Lancia 等［15］发现了类似的观点，证明老龄人一般倾向于否决某种新技术的应用。除此之外，Asplund［16］指出私人企业通常也倾向于为老龄员工提供更少的正规培训，不利于老年人积累新知识。所以拥有年轻员工多的公司容易采用新技术，而拥有高龄员工多的公司难以采用新技术［17］。

最后，从经验技能方面上看：老龄员工随着工作年限的增加会产生“干中学”效应。1962 年Arrow 最早提出了 “干中学”概念，指的是人们在工作过程中也在不断地积累经验，从经验中获得知识，从而有助于提高生产效率和增加知识总量，极大地促进生产发展。Bloom 等［18］发现劳动力年龄结构老化，的确能够使高龄员工发挥“干中学”效应，促进创新。但干中学效应积累的工作经验具有局限性，一旦技术创新替代了原有的工作岗位，老年人的人力资本将很难在不同的工作之间进行转换［19］。老龄化不仅意味着员工年龄结构老化，也会带来高龄员工的大量退休。Ashworth［20］以美国的电能行业为研究样本，认为退休的高龄员工增多会给企业带来短期甚至长期的知识流失，在中国老龄化人口基数大，出生率水平低的国情下，大规模的老年人口退出工作岗位，将很难在短时间内被补充。

人力资本与科技创新之间存在明显的正向作用机制。无论是充沛的体力，还是更多的知识积累以及丰富的工作经验，都是科技创新过程中重要影响因素，一个国家科技创新能力的强弱在很大程度上取决于人力资本水平的高低［21］，人力资本对科技创新具有正向促进作用。

2.2 资本-劳动力禀赋途径

要素禀赋指的是一个国家或地区拥有的各种生产要素的数量，现代西方经济学认为生产要素包括劳动力、资本、土地和企业家才能。老龄化时代对资本-劳动力要素结构造成了很大影响，中国人口老龄化同样伴随着少儿比重的逐渐减少。2000—2018 年我国老年人口比重逐渐增大，2018 年我国65岁以上的老年人口达到16 658 万人，与2000 年相比增加了7 837 万人，平均每年增加435.39 万人。而2000—2018 年我国的出生率，除2016 年“二胎政策”的实行带来短暂上升外，整体呈现下降趋势。2018年大陆全年出生率为10.94‰，出生人口为1 523 万人，较2017 年减少200 万人。中国人口年龄结构改变使得我国劳动力市场出现了供给不足的“新常态”［22］，劳动力供不应求以及劳动保护制度日益完善带来了用工成本持续上升［23］。阿西莫格鲁指出要素价格反映出要素的稀缺性，Irmen［24］利用内生经济增长的世代交叠模型，也发现老龄化到来使得劳动力相对于资本更加稀缺。企业为了节约成本，要么采用资本替代劳动，要么进行技术创新。在“人口红利”时期，劳动力资源丰富，国家不需要投入过多的资本进行研发，只需要扩大生产规模，充分利用劳动力，符合经济发展“后发优势”特点。但“刘易斯拐点”的到来，让中国工业及制造业的集中地区出现用工荒现象，企业转而投向引入工业机器人，填补原有的劳动力空缺。根据国际机器人联合会（IFR）发布的统计数据显示，2018 年中国工业机器人的安装量为13.32 万台，连续6 年稳居全球第一。同时，廉价劳动力成本优势消失，企业开始投入大量资本进行技术创新，提升市场竞争力，资本-劳动力的比值呈现出逐年增大的状态。而经典的经济学理论指出：随着一种生产要素相对于另一种生产要素投入比例增加，就会使得第一种生产要素的边际报酬递减，所以不能无限制地用资本替代劳动，这必然会引起整个社会重视技术进步，催生出新科技成果［25］。蔡昉［26］也提出了类似的观点，认为劳动力成本的上升会迫使企业更加注重全要素生产率提高以保持利润。

但科技创新并非外生给定，其本身也是一种知识产出，并非独立于生产要素，而是与资本和劳动耦合共振，资本、劳动作为投入要素应该满足边际报酬递减规律，考虑投入成本与取得收益的关系，高投入不一定能带来高产出。Edquist 等［27］指出国家内部创新体系可能存在着系统失灵，投入企业的资本由于损失效率而无法取得预期收益。杨武等［28］发现资本投入对技术创新具有先促进后抑制的影响关系，而现阶段人员投入对技术创新具有促进作用。中国一直以来是一个制造业大国，老龄化时期劳动力的稀缺的确会刺激人们加大资本投入，促进偏向节约劳动型技术进步的产生，而这些创新产生的过程中也需要高质量劳动力的参与。当前我国的就业系统存在低端锁定，大量劳动力漂移在低端就业市场，且大规模工业化资本积累导向模式的任务主要在于进行产品生产而非知识技术生产。资本-劳动力禀赋的改变会“倒逼”企业进行科技创新，但并非盲目地重资本、轻劳动，而应该将要素比例控制在一个合适的范围，在加大资本投入的同时，注重提升劳动力的效率，增加实际劳动供给。

3 人口老龄化影响技术创新的实证检验

3.1 模型设立与变量说明

文献梳理发现人口老龄化对科技创新既有正面影响，也有负面影响。在前人研究的基础上，建立以下基准模型：

式（1）中，下标i表示样本中的各个省份，t表示样本中各个时间。lnallpat表示本文研究的被解释变量科技创新水平，oldrate是本文研究的核心解释变量老龄化水平，X 代表本文所选用的控制变量矩阵，表示随机干扰项。

为了进一步研究老龄化对科技创新水平的影响的内在机制，结合前文理论机制分析，建立如下模型进行中介效应检验：

被解释变量（lnallpat）：选取各省份（直辖市）当年的专利申请受理数量作为各地区科技创新的代理指标。虽然也有学者选择专利授权数量作为一个地区的创新水平的代理变量，但笔者认为选用专利授权数量作为创新的代理变量存在一定的缺陷：（1）专利从申请到授权一般都会经历1～3 年的时间，因此选用专利申请数量更能体现一个地区当期创新能力；（2）授权专利还需要一定的限制条件，并非所有的创新活动都能授予专利；（3）专利从申请到授权需要经过层层审核，所以选用专利申请数量可以在很大程度上避免由于专利机构工作效率、偏好等外部因素带来的影响。

核心解释变量：人口老龄化程度（oldrate），选用65 岁以上人口占总人口的比重表示。

中介变量：（1）人力资本水平（lnshijirl）。劳动经济学认为人力资本是可以被市场化的劳动能力，其主要包括个人的能力、知识、技能，但这些能力是否能够转化为生产力还会受到个人工作意愿的影响，因此对于我国各地区具体人力资本的测算相对复杂。长期以来，大多数文献采用平均受教育程度度量人力资本水平，但这似乎不能完全综合地反映人力资本的状况。本文选用中央财经大学李海峥教授等［29］的研究成果——《中国人力资本报告2018》中的劳动力人力资本水平作为代理变量。该报告中的人力资本水平是采用微观调查数据和省级层面的数据与Mincer 方程相结合，对国际上广泛使用的Jorgenson-Fraumenni 收入计算法（以下简称J-F方法）进行改进，最终使用改进后的J-F 方法，更加全面综合地计算中国的人力资本存量。（2）资本-劳动力禀赋（lnzbld），选用实际固定资产存量与年末就业人口数的比值作为代理变量，借鉴单豪杰［30］中的永续盘存法（PIM）计算年末资本存量，具体公式如下:

其中K表示资本存量，δ为折旧率，统一取10.96%［30］。I为每年新增固定资产实际投资额，采用名义固定资产形成额除以平减指数计算得到。考虑到基期的选择越早对后续年份的估计误差影响越小，因此选择正式进入老龄化社会的2000 年为基期，采用永续盘存法的公式进行后续资本存量的计算，2000 年的资本存量采用2001 年的固定资产实际形成额比上平均折旧率10.96%与2001—2005 年间实际固定资产投资增长率的平均值（0.197）之和得到。

表1 2001—2005 实际固定资产投资增长率

控制变量：根据相关文献的整理，主要选取一些其他影响科技创新水平的变量：（1）经济发展水平（lngdp）,选用该地区的GDP 表示，经验表明一国的经济发展水平越高，越有利于科技创新；（2）城镇化水平（cityrate），目前我国正在推进城市化进程，城市化水平高的地方容易吸引更多的知识型人才，也更容易形成产业集聚，有利于形成“知识溢出”效应，从而有利于创新；（3）技术市场活跃程度（markegdp），选用科技市场成交量与GDP 的比值表示。需求是一切经济活动的起点，活跃的科技成交市场能够使企业的创新成果快速的转变为收益，从而激励公司进行科技创新；（4）对外开放程度（lnopen），采用各地区按经营单位所在地划分的货物进出口总额与该地区的GDP 比值衡量，该比重越大，说明经济对外依赖程度越高。一方面，当前我国的自主创新能力还不强，许多高精尖产品还需要从国外进口，所以可以通过进口，学习国外的先进技术和生产方法，利于我国的科技创新；另一方面出口能够增加我国的GDP 水平，有利于经济增长，从而为科技创新提供给良好的经济环境。（5）引进外资水平（lnfdi），以外商投资企业注册资本中直接来自外商部分的数额表示，外商直接投资一般都具有针对性，一方面可以通过技术溢出效应直接促进创新，另一方面外资进入可以弥补国内资金空缺，有助于研发资金投入。

3.2 数据来源与描述性统计

样本数据是以省份为单元的面板数据集，选取2006—2016 年省级面板数据进行计量分析。基础数据主要来源于中国国家统计局、各省份统计年鉴、《中国人口与就业统计年鉴》及wind 数据库，人力资本水平来源于中央财经大学发布的《中国人力资本报告2018》，资本-劳动力要素禀赋变量由笔者借鉴前人方法计算获得。西藏由于部分数据的缺失而被剔除，因此最终选用中国30 个省份2006—2016 年的平衡面板数据。表2 是所用到变量的描述性统计：

表2 各变量的描述性统计

4 实证结果与分析

4.1 老龄化对科技创新水平的直接影响

表3 报告了计量方程（1）的估计结果，为了初步检验科技创新水平与老龄化比重之间的关系，第（1）列只纳入老龄化指标，采用普通最小二乘法（OLS）估计发现oldrate2系数在1%的水平上显著为负，初步验证了科技创新水平与人口老龄化之间存在倒U 型关系。第（2）列引入其他控制变量，发现老龄化指标对科技创新水平的影响不显著，这可能是因为面板数据存在显著的个体效应导致估计结果不准确，后经Hausman 检验最终选用固定效应模型进行回归分析。第（3）列报告了固定效应模型组间估计量法的回归结果，oldrate2系数仍然在1%的显著性水平上为负，为了避免遗漏变量带来的偏误，第（4）列在第（3）列的基础上控制时间效应，oldrate2系数在5%的显著性水平上为负。由于组间估计量方法无法估计不随时间而变的变量之影响，所以进一步采用最小二乘虚拟变量法（LSDV）进行固定效应模型估计，表（5）报告了LSDV 方法的双固定效应模型估计，oldrate2系数在1%的显著性水平上为负，证明了科技创新水平与老龄化比重之间先增加后下降的倒U 型关系。同时，为了避免科技创新水平与GDP 水平同期反向因果关系导致的内生性问题，有必要使用工具变量对第（5）列进行重新估计，第（6）列报告了采用GDP 滞后一期作为工具变量的GMM 估计结果，oldrate2估计系数仍然在1%的显著性水平上显著为负。

表3 人口老龄化对科技创新水平的直接影响

表3 中的模型在控制时间和个体的固定效应后，均显示出人口老龄化对我国的科技创新水平之间存在显著的倒U 型关系，其经济含义在于：在控制其他因素不变的情况下，人口老龄化对科技创新水平带来的边际效应呈现递减趋势。当边际效应大于0 时，人口老龄化会促进科技创新水平的产生，而当边际效应小于0 时，人口老龄化就会对科技创新产生不利影响，所以表现为先促进后抑制的倒U型关系，本文研究中拐点对应的老龄化水平大约为10.21% 。除此之外，回归结果显示出城镇化水平、对外开放程度以及当地经济发展水平都会在1%的水平上对我国的科技创新产生促进作用，所以在人口老龄化进程中应该继续推进城镇化水平建设，注重对外开放，促进经济增长。

4.2 中介效应

根据上文理论机制分析，人口老龄化会通过人力资本途径和资本-劳动力禀赋途径对科技创新水平产生影响，因此采用中介效应两步法模型逐一检验作用机制是否成立，表4 报告了对计量模型（2）（3）和计量模型（4）（5）的回归分析结果：

表4 中介效应检验

表4 报告了人口老龄化影响科技创新水平的中介效应回归结果，第（1）列中oldrate的回归系数在1%的显著性水平上为负，证明人口老龄化会降低人力资本水平，第（2）列lnshijirl的回归系数显著为正，说明劳动力人力资本水平与科技创新水平之间存在显著的正向促进作用，发现人口老龄化会降低劳动力人力资本水平，从而不利于科技创新的产生。第（3）列中人口老龄化oldrate系数在1%的水平上显著为正，表明人口老龄化会增大资本-劳动力的比值。这主要是因为老龄化比重加大，一方面带来适龄的年轻劳动力人口减少；另一方面劳动力资源因稀缺而变得昂贵，用工成本上升，企业为了节约成本就会采用资本替代劳动，所以资本-劳动力的比值增大。第（4）列中lnzbld2系数在1%的显著性水平上为负，表明资本-劳动力禀赋与科技创新水平之间存在倒U 型关系。在老龄化时期，随着资本投入加大会在一定程度上促进创新，但其边际效应递减，当投入的资本-劳动力超过一定的比值时，边际效应小于0，就会带来生产的无效率，从而不利于科技创新的产生。进一步采用IV-GMM 估计对第（2）列和第（4）列的模型估计，依旧表明人力资本对科技创新水平之间存在显著的正向促进关系，资本-劳动力禀赋与科技创新水平之间的倒U 型关系依然成立。至此，证明了人力资本水平、资本-劳动力禀赋是人口老龄化影响科技创新水平的两个中介效应。

5 稳健性检验

内生经济增长理论指出知识具有溢出效应，张玉明等［31］利用中国各省区域的专利数据作为衡量创新产出的指标，发现中国各省际区域的科技创新水平不是随机的，而是呈现出空间集聚和空间依赖的特点，因此在基准模型的基础上纳入空间因素进行稳健性检验。

5.1 空间相关性分析

在确定能否在计量方程中纳入空间因素之前，首先要判断数据的空间依赖性，目前在研究空间关联性方面最流行的是“莫兰指数I”（Moran's I），其取值一般介于-1 到1 之间，当莫兰指数大于0，表示存在正相关关系，代表高值与高值相邻，低值与低值相邻；当莫兰指数小于0，代表负相关，即高值与低值相邻；如果莫兰指数接近于0，则代表不具有空间相关性。首先，采用全局莫兰指数分析科技创新水平整体相关性，借鉴Bavaud［32］的方法构建邻接0-1 矩阵W。当两个地区相邻时，则该权重矩阵的对应元素取值为1；当两个地区不相邻时，该权重矩阵的对应元素取值为0。具体表示如下：

基于以上空间权重矩阵计算得到科技创新的全局莫兰指数，如表5 所示。2006—2016 年中国各省份的科技创新水平的全局莫兰指数均在1%的显著性水平上为正，表明科技创新水平存在显著的“高值-高值”或“低值-低值”分布特征。为了进一步观看空间集聚的分布状态，将空间权重矩阵进行标准化处理，通过局部莫兰指数绘制散点图，如图2 所示。

表5 科技创新水平全局莫兰指数

图2 2016 年科技创新水平的莫兰散点图

图2 绘制的莫兰散点图显示出，中国省际创新能力呈现出“高值-高值”和“低值-低值”集聚的特点，在第一象限中代表“高值-高值”正相关的省份，主要是东部地区以及与东部联系较为紧密的中部地区；第二象限代表自身创新水平比较低，但其周围创新能力比较高的省份；第三象限表示“低值-低值”正相关的省份，主要是西部地区和东北地区；第四象限代表自身的创新水平比较高，但其周围的科技创新水平较低的省份。

5.2 空间计量模型设定与结果分析

以上莫兰指数检验说明了我国省级层面的科技创新水平之间存在明显的正相关，因此在计量模型（1）的基础上引入空间因素，建立空间自回归方程如下：

表6 人口老龄化对科技创新影响的空间溢出效应

空间自回归模型（SAR）的估计结果显示出科技创新的空间相关系数在1%的显著性水平上为正，oldrate2 系数在1%的显著性水平上为负，表明人口老龄化与科技创新水平之间的倒U 型关系在空间自回归模型中依然成立。考虑到空间因素还可能以其他形式存在，故采用空间误差模型（SEM）和空间杜宾模型（SDM）进行进一步检验，空间误差模型显示出各地区的随机干扰项在10%的显著性水平上正相关，空间杜宾模型显示在考虑了部分邻居自变量的影响后，科技创新的空间相关系数在5%的显著性水平上为正。三种形式的空间回归模型，均验证了人口老龄化与科技创新水平之间的倒U型关系，空间自回归模型和空间杜宾模型中的空间系数显著为正，说明了科技创新水平存在正的空间溢出效应，人口老龄化可以通过影响本地的科技创新从而对其他省份的科技创新产生间接影响。

6 结论与建议

本文利用2006—2016 年中国省级面板数据，选用专利申请受理数代表科技创新产出，在双固定效应模型和IV-GMM 估计的框架下，实证检验了人口老龄化对我国科技创新水平的影响。结果显示，人口老龄化与科技创新水平之间存在显著的倒U 型关系。进一步研究其内在中介效应传导机制发现，人口老龄化降低了劳动力的人力资本水平，而人力资本水平与科技创新水平之间存在显著的正向促进作用，表明在老龄化时期应该注重人力资本水平积累；人口老龄化会促进资本-劳动力比例的增加，在一定程度上“倒逼”企业进行科技创新，但资本-劳动力比重的增加对科技创新的边际效用逐渐降低，总体上表现出先促进后抑制的倒U 型关系，表明要注重资本-劳动力的合理配置，不能重资本、轻劳动。通过莫兰指数检验建立空间面板回归模型，发现老龄化与科技创新的倒U 型关系在纳入空间因素后依然稳健，并且空间自回归模型和空间杜宾模型均显著地证明了科技创新水平之间存在正向的空间溢出效应。结合实证结果，本文提出以下几点建议：

（1）提高全民受教育程度，加快人力资本水平积累。注重教育资源在区域之间平衡发展，提高整个社会受教育程度，建立相关职业学院，促进技能型人力资本积累，完善劳动力等级评定制度，促进劳动力结构升级。

（2）适当延长退休年龄、促进老龄人口再就业。效仿日本等老龄化严重的国家，适当延长工作人员退休年龄，同时提供一些老龄人口能够从事的岗位，号召具备工作能力的老龄人口实现再就业，一方面能够增加就业人数，另一方面能够让老龄人口继续为经济发展做出贡献，减弱老龄化带来的社会负担。

（3）提高工作效率，优化资源配置。充分利用现有的资本存量，注重人才培养，建立更加完善的考核制度和薪酬制度，让就业者真正在岗位上发光发热，通过提高劳动效率增加实际就业劳动量，减缓资本-劳动力比重过大带来的负面效应。同时，优化科研领域的组织机制建设，缩短科技项目审批流程，加大科研项目的后续监督管理，让资源能够得到合理配置。

（4）提高城镇化水平，促进经济发展。实证结果显示城镇化比率增加以及经济发展水平提高均有利于提高科技创新水平。城市人口增加，势必会带来产业结构转化，第一产业比重逐渐减少，二、三产业比重加大。故可以在提高城镇化水平的同时，顺应老龄化进程，大力发展“银发经济”，刺激老龄人口消费，让老年群体的需求成为拉动经济发展的新动力。

（5）加强交流合作，促进区域协同创新。充分利用科技创新的空间正向溢出效应，搭建地区间交流平台，促进信息、技术等创新资源的充分自由流动。完善知识产权保护法律制度，充分确保创新者的合法权益，推动区域间的合作交流。