摘要：人工智能高层次人才是国家重要的科技战略资源和支撑产业发展的重要力量。本文从全球人工智能领域高层次人才的流动角度，构建人才流动对科研绩效影响机制的概念模型，并运用结构方程模型和偏最小二乘算法估计模型参数。研究发现：①流动贯穿科研人员职业生涯全生命周期，可以从积累人力资本和社会资本两个维度对个体科研绩效产生影响，但在不同阶段，流动所积累的资本类型有所不同。在教育阶段，流动更多地以不断提升人力资本为主，在工作阶段，流动除了寻求自身人力资本提升外，更重要的是构建科研合作网络，通过增进社会资本提升科研的产出和影响力。②产学跨界流动使得科技人力资源在不同部门之间优化配置，对科研人员的科研产出和科研影响力具有促进作用，产学跨界流动虽然能提升人力资本、构建合作网络，但由于不同部门的价值体系不同，进入新环境的适应成本更高，因此对绩效的影响比非跨界流动略低。本研究结论对于合理促进新兴领域科研人员良性有序流动，在产学融合的背景下完善科研评价机制，以及注重新兴领域人才产学协同培养具有一定启示。
1 引言
党的二十大报告指出，“必须坚持科技是第一生产力、人才是第一资源、创新是第一动力，深入实施科教兴国战略、人才强国战略、创新驱动发展战略，开辟发展新领域新赛道，不断塑造发展新动能新优势。”高层次人才是国家重要的科技战略资源和支撑产业发展的重要力量，是实现科技自立自强和高质量发展的重要保障，尤其在人工智能（Artificial Intelligent，AI）等关系国家创新发展、具有重要社会影响的新兴科技领域，高层次人才的集聚和培养至关重要。各国非常重视人工智能发展，自2013年开始，人工智能发展上升至国家战略，其中人工智能人才，尤其是高层次人才引进和培养是重要的政策支柱[1]。
自党的十八大以来，我国高度重视人工智能发展，人工智能被列为“十四五”期间的重要发展领域。但我国人工智能人才供给尚不能满足人工智能产业的发展需求，尤其是高层次人才供给不足，成为制约我国人工智能长期、可持续发展的因素。
有研究发现，人工智能高层次人才具有较强的集聚性和流动性，流动促进人力资本的集聚和跃升，带来知识的交互和融合[2]，对科学家的科研绩效、职业发展以及组织或国家的科技实力和创新能力产生重要影响[3]。然而，目前关于科研流动的研究多关注跨境流动对科研绩效的影响[4-7]，对不同阶段流动对个体科研绩效的影响机制以及跨部门流动的关注较少，仅有少部分研究从技术转化视角研究了人才从学术界流动到产业界的知识溢出效应，但缺乏关于产学跨界流动对科研绩效影响的研究[8]，而不同阶段流动和跨界流动对科研绩效的影响对于人才培养和流动政策的制定具有重要意义[9-10]。
本研究以人工智能领域的高层次人才为研究对象，分析科研人员教育阶段流动和工作阶段流动对科研绩效的影响机制，并重点分析产学跨界流动对个体科研绩效的影响及其机制，为我国制定人工智能领域高层次人才培养提供借鉴。
2 文献综述与研究假设
2.1 教育阶段流动对工作阶段流动影响的研究假设
对科研人员来说，流动是一种“改变”，按照不同的划分标准，可将科研流动分为不同类型，例如：
- 跨国流动和境内流动、交换（exchange）与移民（migration）、学科之间流动与跨部门（intersector）流动等[4]；
- 按照科研人员的职业生涯阶段划分，可将科研流动分为两个比较明显的阶段：教育阶段流动和工作阶段流动[8]，因为教育阶段和工作阶段性质不同，其流动属性、流动动因、流动部门以及流动效应都存在较大差异，因此，本研究将分别考虑教育阶段流动和工作阶段流动对科研绩效的影响。
此外，有学者提出流动可能具有路径依赖性[8]。因此，本研究认为，科研流动在一个人的职业生涯中可能具有一致性。
基于此，提出假设1：教育阶段流动对工作阶段流动具有正向影响。
2.2 教育阶段流动对科研绩效影响的研究假设
科研人员流动影响科研绩效主要是通过人力资本和社会资本的积累，传统人力资本理论认为科研人员流动是人力资本和知识配置的一种机制，内嵌于个体的知识将随个体的移动而移动[11]，从而会对流入方的科研绩效产生积极影响。
- Bozeman等人提出科学与技术人力资本（Scientific and Technical Human Capital，STHC）概念，认为STHC包括无连接和连接两个维度，包括“认知技能和技术知识等”，基于情景和社会网络的关系（relational）和权变 （contingent）情景[12]，即流动会增值人力资本和社会资本，解释了高技术移民所带来的知识和技能的流动和创新[13-14]以及科研流动带来的连接效应[15-17]。
- Ca?ibano[18]在前人的基础上提出了一种人力资本的替代演化理论，认为人力资本概念是一种补充性网络和一个自我发现的过程，即认为人力资本具有关系性（relational）和程序性（processual）[19]，是一个复杂动态网络系统中的一部分[16]。当科学家发生流动时，他们将转变他们的网络，从而具有获取新知识的机会，他们置身于一个新的环境中，扩展了他们之前熟悉的环境[20]，这些都有利于个体的想象力、创造力的发展和新发现的产生[21]，科研流动对科研人员个体和科研网络系统而言，是一种潜在的转型，这种理论对于科研人员流动与绩效之间的关系做了更充分的解释。
在教育阶段，除短暂的交换或联合培养外，科研流动的一种重要表现方式是本、硕、博在不同机构中，这种求学的不同阶段与机构建立的联系常被称为“学缘关系”[22-24]，学缘关系往往与科研人员的后期研究绩效有关系：
- 一是从构建社会资本来看，复杂的学缘关系能为学者搭建双边的网络关系，有利于个体社会资本的建设，从而对于学者后期发展具有积极的影响，例如扩展学者的科研合作网络，从而提高科研产出和科研影响力；
- 二是从人力资本积累来看，复杂的学缘关系对于个体成长和发展具有复杂的影响，教育阶段变换机构、面临新的知识环境，使得学者在求学的不同阶段接触到多样的知识、方法和工具，产生多源灵感，从而提高学者的创造力和创新能力，但在一个领域知识积累不够深厚的情况下，也可能会因为转换方向而导致科研效率低下，不利于在一个领域“深耕细作”，从而对科研产生不利影响，但从长期看，这种负面效应会逐渐减弱。因为人工智能领域具有学科交叉的特征，知识迭代更新快，需要多领域知识的融合，人工智能领域学者知识的多样性会对科研绩效产生正向影响。
基于此，提出假设2：教育阶段流动对科研产出具有正向影响，对科研影响力有正向影响，且科研合作网络和知识多样性在其中起到中介作用。
2.3 工作阶段流动对科研绩效影响的研究假设
在工作阶段，一方面，科研流动能扩展科研人员的科研网络[25]，有利于科研人员进入跨国或跨机构的杰出人才科研网络中[26]，积累个体的社会资本，而社会资本对于合作、信任具有重要的影响，从而影响个体科研绩效[23,27-28]，Wang等[29]、Bernard等[30]的研究都说明了流动对科研人员合作网络多样性的促进作用，从而促进知识交流和转化。
另一方面，科研流动关系着知识流动、知识传播和知识扩散，是获得科研资源、默认知识、“know-how”和“know-who”的一种重要机制[31]，科研流动能提高个体科学家获得新资源和新知识的机会并丰富相应途径[26]，通过塑造个体的空间维度[32]形成科研人员个体身份[21]和知识生产模式，从而大大提升个人的科研绩效。
此外，流动频繁的科学家更可能转换自己的研究方向，而研究主题转换丰富了科学家的知识结构，在整个职业生命周期上表现为研究的多样化（diversity），一定程度上有利于个体创造力和科研绩效的提升。因此，本研究认为在工作阶段，科研流动能通过构建社会资本，积累和丰富知识，从而提升科研产出和科研影响力。
基于此，提出假设3：工作阶段流动对科研产出和科研影响力具有正向影响，科研合作网络和知识多样性在其中起到中介作用。
2.4 产学跨界流动对科研绩效影响的研究假设
产学跨界流动（intersectoral mobility）是指高校中的人在企业中获得一个工作岗位，或从产业界流动到学术界[8]，是工作阶段的一种特殊的流动形式。基于科学和产业是两个独立系统的基本假设，不同部门会有不同的评价标准和奖励体系，研究人员在不同部门之间流动可能会对其职业生涯产生不同的影响[8]。但科学发展日益复杂且渗入到经济社会方方面面，科学的发展已不再是线性模式，目前推动科学发展的源动力更多地来自产业界和社会需求，尤其是信息技术领域，很多前沿问题产生于企业，产业界成为了除科研机构和大学外的又一重要的研究场所。“大科学”的出现要求政府、大学、产业界之间通力合作才能解决现在面临的重大挑战，产学研合作成为推动科学发展的重要模式，因为很多知识具有内嵌性和缄默性，科研人员是知识生产和传播的重要载体，科研人员的跨界流动是知识在不同部门之间流动的重要机制，并能产生知识溢出效应[27]。
根据工作阶段科研人员流动前后所处机构的属性，可以将科研人员流动分为非跨界流动（高校到高校，企业到企业）和跨界流动（高校到企业，企业到高校），本研究认为这四种流动对科研人员个体科研绩效产生不同的影响，其中非跨界流动与以往研究文献中的基本假设一致，对于跨界流动，尽管不同部门的评价和奖励体系不同，可能会对科研人员发表论文有一定的影响，但正如之前所述，知识的交叉融合、产学研的协同发展等越来越将知识的生产和传播从学术界到产业界的单向转变成多主体网状结构，科研人员不再仅与学术界的人员合作，也与企业界的研究人员合作；人工智能产业的高层次人才不断地将产业前沿问题和知识带到学术界，在人员维度实现了学术界和产业界的深度交互，更有可能实现创新链和产业链的深入融合。
基于此，提出假设4：产学跨界流动对科研产出和科研影响力具有正向影响，科研合作网络和知识多样性在其中起到中介作用。
2.5 科研流动对科研绩效的影响机制概念模型
基于上述分析，总结提炼出概念框架模型如图1所示，其中工作阶段流动除了总流动次数外，还包括非跨界流动和产学跨界流动两种基本类型。
3 测量指标与研究方法
3.1 测量指标的选择
本研究将科研流动对科研绩效影响机制概念模型中，用于反映科研产出、科研影响力、合作网络、知识多样性、教育阶段流动和工作阶段流动的指标具体设计为如表1所示。
3.1.1 反映科研绩效的测量指标
科研绩效主要包括科研产出和科研影响力。科研产出用发文数量和能动性来衡量，能动性是用作者发文时间作为权重而合成的发文数量指标，即对作者最近发表的论文给予更高的权重而形成的指标，最终根据二阶因子分析将发文数量和能动性合成为科研产出进入模型。科研影响力是指研究者科研活动所产生的影响，一般用论文的总被引频次作为代理指标，也有构造h指数和g指数等方式综合考虑作者的科研影响力，本研究选择被引频次、h指数和g指数合成的综合指标作为科研影响力的测度。
3.1.2 反映科研流动的测量指标
科研流动主要分为教育阶段流动和工作阶段流动。教育阶段流动是指本硕博求学期间的流动情况，本研究将教育阶段流动处理为分类变量进入模型，即本硕博同校的赋值为1，本硕同校、硕博异校，或本硕异校、硕博同校的赋值为2，本博同校、硕不同校的赋值为3，本硕博异校赋值为4。
工作阶段流动主要是指科研人员工作阶段的流动情况，具体表现为总流动次数，以及产学跨界流动和非跨界流动。产学跨界流动是指科研人员在高校与企业之间的流动情况，非跨界流动是指科研人员在高校之间或者企业之间的流动情况，凡出现高校到企业流动的，即视为产学跨界流动。
3.1.3 反映中介作用的测量指标
本研究的中介变量有两个，分别是合作网络和知识多样性，合作网络用作者的合作者数量来表征合作网络规模，认为科研流动能扩展科研人员的合作网络规模。知识多样性则用作者研究领域的多样性，即跨领域的数量来表征。
3.2 研究方法
在科研流动对科研绩效影响机制的概念模型指标体系中，科研产出、科研影响力、合作网络、知识多样性、教育阶段流动及工作阶段流动都是“潜变量”，即不可被直接观测，需要通过“可测指标”来度量。通过研究假设与概念模型可知，不同潜变量之间存在具有方向性的结构关系，而这些潜变量与一个或多个可测变量之间又有直接的对应关系。本质上，这两种关系共同构成结构方程模型。结构方程模型中的结构模型用于表述不同潜变量之间的结构关系，而测量模型用于表述不同潜变量与其相应可测变量之间的对应关系。
结构方程模型中需要估计的未知量包括表达潜变量间结构关系的路径系数、表达潜变量与可测变量间的载荷系数以及潜变量的得分。目前，结构方程模型中常用的参数估计方法包括极大似然估计、偏最小二乘估计和贝叶斯估计。与简单相加法、层次分析法、综合指数法等主观赋权法相比，这三种参数估计方法均属于客观赋权范畴，避免由于人为主观因素造成估计结果的差异。极大似然估计需要数据服从正态分布假设，其基本原理是基于协方差矩阵更新计算，无法得到潜变量得分。贝叶斯估计需要根据已知的先验分布信息来推断未知参数，而有时先验信息的获取极具挑战。相比之下，偏最小二乘估计不要求数据分布，在完成未知参数估计的同时，也能获得潜变量得分，因此在很多领域得到广泛应用。作为一种常见的非参数检验方法，Bootstrap方法生成多组偏最小二乘估计结果，计算均值、标准差、置信上限和置信下限，构造90%置信区间，验证估计结果的显著性。
本文采用偏最小二乘估计的结构方程模型来验证概念模型及估计系统，并用Bootstrap检验模型的有效性，为避免由于Bootstrap方法次数（即生成结果的数量）导致估计效果不佳，本研究分别设置300次、500次和1000次Bootstrap，以验证偏最小二乘估计结果的稳健性和可行性。
4 应用分析
4.1 数据来源与统计描述
本研究所用数据主要来自Aminer平台上AI2000（
https://www.aminer.cn/ranks/home.）学者的数据，其中因变量科研绩效用的是Aminer平台上学者的发文数量、按时间加权的发文数量、被引频次、学者的h指数和g指数，中介变量使用的是Aminer平台上给出的作者合作者的数量和作者跨领域的数量，自变量科研流动则是从Linkedin、ResearchGate、学校官网、作者个人网站等多源搜集研究人员的个人履历，对其中教育阶段和工作阶段所在机构进行编码，其中对同一时间段内出现多个机构的学者，以持续最长的机构作为该学者的隶属机构，学者机构发生变化记为一次流动。
经数据清理和初步整理，形成样本量为550的人工智能领域高影响力学者的学术影响力数据集。由表1可知，反映科研产出、科研影响力、合作网络、知识多样性的可测变量属于连续型变量（共7个），反映教育阶段流动和工作阶段流动的可测变量属于离散型变量（共4个）。首先对7个连续型可测变量的最值、均值、中位数和标准差，以及4个离散型可测变量的频数进行统计描述，具体如表2和表3所示。
不难发现，7个连续型可测变量在除最小值以外的其他统计特征中均表现出数量级相差较大的特点。比如，被引频次（IY21）的均值最大，取值为14689，合作网络规模（IM11）和知识多样性（IM21）的均值最小，取为4.91和2.07。为避免模型参数估计受到数据量级差异所带来的影响，本文对数据进行标准化处理。
此外，本硕博流动情况（IX11）的频数统计结果表明，本硕博同校（取值为1）有95例，本硕同校、硕博异校，或本硕异校、硕博同校（赋值为2）有340例，本博同校、硕不同校（赋值为3）仅7例，本硕博异校（赋值为4）有108例。与预期相符，绝大多数学者在教育阶段存在流动情况，其中本硕博阶段均存在流动的案例占比近20%，本硕博阶段中有两个阶段连续在同一所学校求学的占比68%。
工作流动的总流动数（IX21）的频数统计结果显示，绝大部分学者在不同类型工作单位流动的次数不超过6次，占总数的90%，少数学者发生较为频繁的不同类型工作单位流动现象（占比10%）。
关于工作阶段流动方面，本文从跨界流动（IX22）和非跨界流动（IX23）两个角度进行分析，即某位学者从高校进入企业工作或者从企业进入高校工作，在跨界流动方面计1次。同样地，某位学者从高校到高校的流动以及从企业到企业的流动，在非跨界流动方面计1次。绝大多数学者在跨界流动次数方面不超过4次，占比超过97%，在非跨界流动次数方面不超过5次，占比超过95%。
为进一步分析属于同一潜变量下的可测变量的相关性，本文计算了科研产出（Y1）、科研影响力（Y2）、工作阶段流动（X2）共3个潜变量内部各自包含的可测变量间的相关系数。其余3个潜变量因仅包括1个可测变量，因此不涉及同一潜变量下的可测变量间相关系数的计算。
可以发现，同一潜变量下的可测变量存在不同程度的相关性。发文数量（IY11）和能动性（IY12）之间的相关系数为0.36，被引频次（IY21）和h指数（IY22）、被引频次（IY21）和g指数（IY23）、h指数（IY22）和g指数（IY23）之间的相关系数分别为0.74、0.81和0.95。被引频次、h指数和g指数之间的相关系数相对较大，均大于0.70。尤其是h指数和g指数之间的相关系数，达到0.95。综合考虑，本文将h指数和g指数同时保留在指标体系中，为后续模型参数估计和检验提供基础。
总流动数（IX21）和跨界流动（IX22）、总流动数（IX21）和非跨界流动（IX23）、跨界流动（IX22）和非跨界流动（IX23）之间的相关系数分别为0.78、0.89和0.41。与预期相符，总流动次数与跨界流动、非跨界流动具有相对较高的相关程度，相关系数取值均大于0.7。作为反映工作阶段流动的可测指标，一方面需要总体流动次数来反映工作阶段的整体流动情况，另一方面需要从不同工作流动类型，进一步细分为跨界与非跨界，以便在追溯科研产出和科研影响力时，区分跨界流动和非跨界流动的不同程度的重要性。
4.2 模型参数估计与检验
4.2.1 路径系数与载荷系数估计结果分析
本文采用偏最小二乘算法对结构模型中潜变量间关系的路径系数，以及测量模型中潜变量与可测变量间关系的载荷系数进行估计，结果如表4的“R.E.”一列所示。
由模型参数估计结果可知，教育阶段流动（X1）对工作阶段流动（X2）路径系数非常小，且为负值（-0.03），这说明教育阶段流动并不能对工作阶段流动产生正向影响，有可能是不相关或者是负向影响，在此样本中，假设1没有得到验证。
教育阶段流动（X1）对科研产出（Y1）和科研影响力（Y2）的路径系数分别为0.01和0.05，可以认为教育阶段流动对科研产出影响微乎其微，但有助于提升科研影响力；教育阶段流动（X1）到合作网络（M1）和知识多样性（M2）的路径系数分别为0.03和0.08，合作网络（M1）到科研产出（Y1）和科研影响力（Y2）的路径系数分别为0.59和0.67，知识多样性（M2）对科研产出（Y1）和影响力（Y2）的作用甚微（0.01）或为负（-0.02），可以认为教育阶段流动对科研产出和科研影响力的正向效应主要通过科研合作网络的扩展；同时教育阶段流动会增进科研人员的知识多样性，但涉及过多领域可能会对科研影响力产生不利的影响，因此，假设2得到部分支持。
工作阶段流动（X2）对科研产出（Y1）、科研影响力（Y2）的路径系数分别为0.16和0.14，说明人才流动（尤其是工作阶段流动）对科研成果的发表和引用起到相对较大的正向促进作用，工作阶段流动（X2）到合作网络（M1）和知识多样性（M2）的路径系数分别为0.10和0.06，且正如上文所述，合作网络对科研绩效的影响更为显著，说明工作阶段流动主要通过促进学术合作实现了对科研产出和科研影响力的正向促进作用，假设3得到部分支持。
4.2.2 基于不同次数的Bootstrap非参数检验结果
偏最小二乘估计算法不要求数据服从正态分布，对估计参数的检验不能采用通常的统计检验方法。本文分别通过300次、500次和1000次Bootstrap抽样技术，进行参数估计检验，计算结果如表4所示。表4给出了参数估计结果（raw estimates，R.E.）及基于不同次数Bootstrap的偏差 （Bias）、标准误差（SE）和90%置信区间的上限（CI0.1）与下限（CI0.9），可以看出，无论选择哪种Bootstrap方案，所有路径系数均位于90%置信区间的上限（CI0.1）和下限（CI0.9）之间，在一定程度上表明估计结果的稳定性。
由表4可知，从300次Bootstrap估计到1000次Bootstrap估计，参数估计结果的估计值（Esti.）、估计偏差（Bias）、标准误差（SE）和90%置信区间的上限（CI0.1）与下限（CI0.9）均非常接近。而且，估计偏差均接近于0，而在标准误差和置信区间方面也具有相对较好的表现。因此在无偏性（估计偏差）和有效性（标准误差）方面说明参数估计量优良的统计性质，同时完成对模型中参数估计结果显著性（置信区间）的验证。
4.3 人才流动对科研绩效的效应测算与发现
4.3.1 工作阶段跨界流动对科研绩效的效应测算与发现
为验证工作阶段产学跨界流动和非跨界流动对科研绩效的影响，本研究测算了产学跨界流动（IX22）和非跨界流动（IX23）对合作网络（M1）、知识多样性（M2）、科研产出（Y1）和科研影响力（Y2）之间的交叉效应，如表5所示。可以看出，产学跨界流动和非跨界流动对科研产出和科研影响力都有正向影响，从影响机制来看，产学跨界流动对合作网络和知识多样性具有较为明显的正向影响，这说明产学跨界流动对科研绩效的影响是通过合作网络和知识多样性两条路径，而非跨界流动（IX23）与知识多样性（M2）的交叉效应为0，说明非跨界流动主要通过拓展科研合作网络提升科研绩效，假设4得到部分支持。
4.3.2 人才流动对科研绩效的效应测算与发现
基于表4所示的不同潜变量间路径系数的估计结果，可进一步测算出总体意义上人才流动对科研绩效的总体效应。
具体来说，人才流动通过合作网络、知识多样性对科研绩效的效应总计为0.16。其中，科研流动通过合作网络对科研绩效的效应为0.16，科研流动通过知识多样性对科研绩效的效应总计为0.00（-0.0014）。另一方面，科研流动对科研绩效的直接效应为0.36。通过对上述两类效应加总，科研流动对科研绩效的综合效应测算为0.52。
由此发现，科研流动对科研绩效的直接效应大于通过合作网络、知识多样性的间接效应，而以所有路径系数估计结果大小为参照，科研流动对科研绩效表现出相对较大的正向综合效应，说明总体上人才流动对科研绩效产生的影响不容忽视，尤其针对人工智能领域高层次人才群体，一定程度上，人才流动对推动科研产出、提升科研影响力形成较大的作用。
5 结论与讨论
5.1 研究结论
本研究通过对人工智能领域高层次人才科研流动和科研绩效的分析，发现高流动性对高层次人才的成长和科研绩效具有促进作用[33]，合作网络的形成和知识领域的拓展在其中起到重要的作用。
第一，教育阶段流动和工作阶段流动对科研产出和科研影响力均有促进作用[8]，但不同阶段的流动对科研绩效的影响效应大小不同
工作阶段流动对科研产出和科研影响力的影响效应要显著高于教育阶段流动（学缘关系）的效应，可见，虽然接受教育期间的行为可能对人才成长具有一定的影响，但后期的工作经验才是高层次人才成长的关键，有研究测算人工智能高层次人才每变动一次机构，其发文量平均增加2.55次[33]。本研究再次证明了流动对科研产出和科研影响力有重要影响，对于人工智能人才成长具有重要作用。
第二，教育阶段流动对知识多样性的影响要大于工作阶段流动的影响，工作阶段流动对合作网络的影响要大于教育阶段流动的影响
这说明，虽然流动可以从积累人力资本和社会资本两个维度对个体科研绩效产生影响，但在不同阶段，流动所积累的资本类型有所不同。
- 在教育阶段，流动更多地是为了接触新知识、学习新技能，为自身能力的提升奠定基础，流动选择策略应以增长自身知识优势、弥补自身知识缺陷为主以期不断提升人力资本，而构建合作网络仅是此阶段流动的“副产品”；
- 而在工作阶段，流动除了寻求自身人力资本提升外，更重要的是构建科研合作网络，通过增进社会资本提升科研的产出和影响力。
第三，产学跨界流动是人工智能领域高层次人才流动的重要特征之一，但非跨界流动比跨界流动产生的效应略大
一方面，不同部门的评价体系和奖励体系不同，根据人力资本替代演化理论，当个体置身于一个新的环境中时，需要一个适应过程[18]，从而带来“适应成本”，在短期内造成绩效下降；并且，因为产业界和学术界两个系统的评价和奖励体系差异较大[2]，产业界的研究更注重面向技术开发，而学术界的研究更注重面向科学前沿，这种差异可能导致流动到产业界的科研人员在发文方面的知识积累不够而影响其科研绩效。
另一方面，学者在产业界的经验也可能使得科研人员对科学问题有更深入的把握，从而对科研绩效产生积极的影响[2]，在人工智能等科技与产业深入融合的新兴领域，很多前沿问题来自于企业，尤其是大型企业中有大量的研发人员，这些人员在基础研究方面作出了突出的贡献，基础研究本身已经出现了跨界融合，因此，科研人员产学跨界流动对科研产出有促进作用。
此外，因为来自产业界的研究问题更加面向需求，需要融合跨领域的知识来解决，产学跨界流动增强科研人员知识的多样性，一定程度上能提升科研人员的绩效，但因为没有在一个领域开展深耕研究，在中短期内对科研成果的影响力有一定负面影响。
5.2 政策启示
第一，构建良性科研流动生态和机制，有利于科研绩效提升和科研人才成长
高层次人才作为一种重要的战略科技资源，有效流动能促进整个科研系统的健康运转，提升科研产出效率。在我国的一些人才流动研究中，发现人才流动对科研绩效呈现短期内增量、长期减量效应[9-10]，看似流动对科研绩效具有不利影响，与全球人工智能领域高层次人才流动与绩效的研究结果相悖，这主要是因为我国的人才流动并非遵循市场规律，出现了无序流动和争夺人才的情况，人才与环境之间的适配性差，从而导致人力资源配置不当、人力资本总价值和效用降低的现象[9]。因此，应营造良好的科研生态，引导高层次科研人员良性、有序流动，充分发挥高层次人力资源对科技经济的贡献。
第二，完善评价和考核体系，在新兴领域探索建立科学界和产业界互动的评价和晋升机制
在人工智能等新兴领域，产业需求常带动科技前沿，创新体系的发展已从产学研协同逐渐向产学研融合的方向发展，从而更好地实现创新链和产业链融合。作为重要的科技资源，科技人才要素频繁流动逐渐模糊了产业界和学术界两个系统的边界，从而提升创新体系的整体效能。然而，如果两个系统不能在价值体系上形成较为一致的认识，很难实现真正的融合。因此，应完善现有的科研绩效评价和考核体系，建立面向产业链和创新链融合发展的价值体系，降低科研人员的流动成本；同时，也应注重人工智能人才培养的产学研协同机制[34]。
5.3 不足与展望
本研究从人工智能领域高层次人才自身求学和工作流动情况作为衡量人才流动的指标，而未考虑人工智能高层次人才的跨国流动情况，以及其对科研绩效的影响。根据现有研究基础发现，本文所涉及的人工智能高层次人才更多聚集在美国，且从跨国流动来看，美国是最大的吸引国，中国、印度、韩国等国家是人工智能人才的输出国。未来研究可基于现有研究，注入经济、社会、环境等多个因素，构建内涵更丰富的复杂统计模型。其中，本研究更加关注人工智能高层次人才跨国流动行为对科研绩效的影响。此外，从社会网络视角分析人工智能高层次人才跨国流动行为对科研绩效的网络化结构关系，并在研究过程中对复杂数据可能存在的不同程度的数据缺失进行适当的统计处理，均是下一步值得深入探讨的研究问题。
参考文献
[1] 施云燕,裴瑞敏,陈光,等.国外人工智能人才培养政策及对我国的启示——以美国、英国、 加拿大、日本为例[J].今日科苑, 2021, (05): 22-8.
[2] FernáNdez-Zubieta A, Geuna A, Lawson C. Mobility and productivity of research scientists [M]. Global mobility of research scientists. Elsevier. 2015:105-31.
[3] Kato M, Ando A. National ties of international scientific collaboration and researcher mobility found in Nature and Science [J]. Scientometrics , 2016, 110(2): 673-94.
[4] Gureyev V N, Mazov N A, Kosyakov D V, et al. Review and analysis of publications on scientific mobility: assessment of influence, motivation, and trends [J]. Scientometrics, 2020, 124: 1599-630.
[5] Conger D. Foreign-born peers and academic performance [J]. Demography, 2015, 52(2): 569-92.
[6] Payumo J G, Lan G, Arasu P. Researcher mobility at a US research-intensive university: Implications for research and internationalization strategies [J]. Research Evaluation, 2018, 27(1): 28-35.
[7] Jonkers K, Cruz-Castro L. Research upon return: The effect of international mobility on scientific ties, production and impact [J]. Research Policy, 2013, 42(8): 1366-77.
[8] Fernandez-Zubieta A, Geuna A, Lawson C. What do we know of the mobility of research scientists and impact on scientific production [M]. Global mobility of research scientists. Elsevier. 2015: 1-33.
[9] 乔锦忠,陈秀凤.高层次学术人才流动是否影响学术生产?——以生命科学领域为例[J].大学与学科, 2021, 2(03): 91-107.
[10] 黄海刚,曲越,白华.中国高端人才的地理流动、空间布局与组织集聚[J].科学学研究, 2018, 36(12): 2191-204.
[11] Canibano C, Otamendi J, Andujar I. Measuring and assessing researcher mobility from CV analysis: the case of the Ramon y Cajal programme in Spain [J]. Research Evaluation, 2008, 17(1): 17-31.
[12] Bozeman B, Dietz J S, Gaughan M. Scientific and technical human capital: an alternative model for research evaluation [J]. International Journal of Technology Management, 2001, 22(7-8): 716-40.
[13] Hsu J-Y, Saxenian A. The limits of guanxi capitalism: transnational collaboration between Taiwan and the USA [J]. Environment and Planning A, 2000, 32(11): 1991-2005.
[14] Saxenian A. International Mobility of Engineers and the Rise of Entrepreneurship in the Periphery [M]. WIDER Research Paper, 2006.
[15] Woolley R, TURPIN T, MARCEAU J, etal. Mobility matters: Research training and network building in science [J]. Comparative Technology Transfer and Society, 2008, 6(3): 159-84.
[16] Fontes M, Videira P, Calapez T. The impact of long-term scientific mobility on the creation of persistent knowledge networks [J]. Mobilities, 2013, 8(3): 440-65.
[17] Andújar I, Ca?ibano C, Fernandez-Zubieta A. International stays abroad, collaborations and the return of Spanish researchers [J]. Science, technology and society, 2015, 20(3): 322-48.
[18] Ca?ibano C, Potts J. Toward an evolutionary theory of human capital [J]. Journal of Evolutionary Economics, 2019, 29(3): 1017-35.
[19] Lawson T. Economics: some considerations for going forward[J]. Economics, the Situation is Serious, ISRF Bulletin, Issue, 2015, 8: 22-32.
[20] Bauder H. The international mobility of academics: A labour market perspective [J]. International Migration, 2015, 53(1): 83-96.
[21] Lam A. Boundary-crossing careers and the 'third space of hybridity': Career actors as knowledge brokers between creative arts and academia[J]. Environment and Planning A: Economy and Space, 2018, 50(8): 1716-41.
[22] 侯剑华,耿冰冰,张洋.中国高校科技人才学缘结构和流动网络研究[J].农业图书情报学报, 2021, 33(6): 66-80.
[23] Alipova O, Lovakov A. Academic inbreeding and publication activities of Russian faculty [J]. Tertiary Education and Management, 2018, 24(1):66-82.
[24] Yudkevich M, Altbach P G, Rumbley L E. Academic inbreeding and mobility in higher education: Global perspectives [M]. Springer, 2015.
[25] Collins H M. The TEA set: Tacit knowledge and scientific networks [J]. Science studies, 1974, 4(2):165-85.
[26] Laudel G. Migration currents among the scientific elite [J]. Minerva, 2005, 43(4): 377-95.
[27] Azoulay P, Zivin J S G, Sampat B N. The Diffusion of Scientific Knowledge across Time and Space [M]. University of Chicago Press, 2012.
[28] Autant-Bernard C, Mairesse J, Massard N. Spatial knowledge diffusion through collaborative networks [Z]. Wiley Online Library. 2007: 341-50
[29] Wang J, Hooi R, Li A X, et al. Collaboration patterns of mobile academics: The impact of international mobility [J]. Science and Public Policy, 2019, 46(3): 450-62.
[30] Bernard M, Bernela B, Ferru M. Does the geographical mobility of scientists shape their collaboration network? A panel approach of chemists’ careers [J]. Papers in Regional Science, 2020, 100(1): 79-99.
[31] Mahroum S. Brain gain, brain drain: an international overview; proceedings of the Austrian Ministry for Transport, Innovation and Technology Seminar, Alpbach, Austria, F, 2003 [C].
[32] Holden K. Lamenting the golden age: Love, labour and loss in the collective memory of scientists [J]. Science as Culture, 2015, 24(1): 24-45.
[33] Yuan S, Shao Z, Wei X, et al. Science behind AI: The evolution of trend, mobility, and collaboration [J]. Scientometrics, 2020, 124(2): 993-1013.
[34] 王路津,裴瑞敏.产学研协同的人工智能人才培养模式研究[J].中国科技人才, 2021, (04): 42-53.
作者：裴瑞敏1、程豪2*
1 中国科学院科技战略咨询研究院
2 中国科协创新战略研究院
项目来源：国家自然科学基金资助项目（71904185，72001197）；中国科学院科技战略咨询研究院前沿探索计划项目（E2X1261Z01）；国家统计局全国统计科学研究优选项目（2021LY052）；2022年度科技智库青年人才计划（20220615ZZ07110343）
本文原载于《今日科苑》2022年第11期
感谢您的支持与关注，欢迎赐稿交流
投稿邮箱：nais-research@cnais.org.cn