📈 economics

The Structural Parameters of Scientific Knowledge Production: Panel Evidence on Homogeneity, Quality, and Global Redistribution

本文通过分析来自181个国家的面板数据，揭示了虽然科学产出量的增长是由知识存量的复利效应驱动的，从而导致G8国家的主导地位预计将会下降，但科学质量却依赖于人力资本和制度因素，由此产生了一种关键性的分歧，即产出量的领先并不一定能保证持久的质量领先。

原作者： Johannes W. Fedderke

发布于 2026-07-31

📖 1 分钟阅读☕ 轻松阅读

CC BY 4.0

原作者： Johannes W. Fedderke

原始论文采用 CC BY 4.0 许可（https://creativecommons.org/licenses/by/4.0/）。 ✨ 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。阅读完整免责声明

伟大的科学竞赛：为何有些国家变得更庞大，而有些国家变得更聪明

想象一下，全球科学界就像一个巨大的、不断在编写新书的全球图书馆。几十年来，少数几个强国掌握着最好的书桌、最舒适的椅子以及最深邃的旧书架钥匙。但最近，一波新的作者来到了这里，他们带来了自己的书桌，并用大量的崭新页面填满了图书馆。这引发了一个引人入胜的问题：旧有的巨人是否会继续编写最重要的故事，还是新来者将会接管？为了回答这个问题，我们需要理解两件事。首先，是“知识存量”（Knowledge Stock），它就像一个由一个国家写过的所有书籍组成的巨大雪球。你拥有的雪越多，就越容易滚出一个更大的球；过去的发现会让未来的发现变得更快、更容易。其次，是“人力资本”（Human Capital），这不仅仅是指有多少作者出现在图书馆，而是指他们受过多少训练以及技能有多精湛。未来的关键问题在于：拥有一个巨大的旧书雪球是否能保证你写出最好的新故事，还是仅仅能帮助你写出更多的故事？这一点至关重要，因为在科学领域领先的国家通常也会在技术、医学和经济实力方面领先，从而塑造了全球博弈中的赢家与输家。

论文的大发现：雪球 vs. 火花

在这项研究中，约翰内斯·费德克（Johannes Fedderke）扮演着侦探的角色，通过观察 181 个国家二十年间（2003–2022）的数据，试图弄清楚科学知识究竟是如何产生的。他构建了一个名为“知识生产函数”的数学模型，这基本上是一个将投入（如聪明的研究人员和旧书）转化为产出（新的科学论文）的配方。以下是他发现的核心内容，按故事的重要部分进行了拆解。

雪球效应确实存在（但仅限于数量）
第一个重大发现是，“雪球”确实发挥了作用。一个国家已经积累的知识越多，它就能生产出越多的论文。研究发现这种“复合”效应非常强大，其数值在 0.65 到 0.76 之间。这意味着，如果一个国家的既有知识存量翻倍，它的产出不仅仅是翻倍，还会获得巨大的提升。这证实了科学是一个半内生过程：过去在为未来提供动力。然而，论文明确排除了“雪球效应会让研究质量更好”的观点。雪球能帮你写出更多的页面，但它并不会自动让这些页面变得卓越非凡。

“多”与“好”的分野
这是故事变得有趣的地方。论文表明，写更多论文和写更好论文是两场完全不同的游戏，有着不同的规则。

针对容量（写得更多）： 你的知识雪球的大小是主要的引擎。如果你有一大堆旧的研究成果，你就可以快速地大量产出文章。
针对质量（写得更好）： 你的雪球大小几乎完全没有影响。研究发现，高引用率高质量论文的“知识存量”弹性极小——仅为 0.015 左右。这比对容量的影响要小两个数量级。相反，驱动高质量、改变世界的科学的唯一因素是人力资本的质量（即研究人员本身）。研究发现，在质量模型中，人力资本质量的弹性高达 2.19。这表明，拥有一些才华横溢、受过良好训练的科学家，对于产生顶尖科学而言，远比拥有一个庞大的旧书库更为重要。

质量的“制度秘密”
论文还发现，即使你拥有优秀的科研人员，还有其他因素也很重要。大约 65% 的关于“为什么有些国家比其他国家产生更多高引用论文”的差异，来自于“时不变的制度特征”（time-invariant institutional characteristics）。你可以把它想象成图书馆的文化、游戏的规则，或者一个国家奖励科学家的方式。这不仅仅是关于拥有工具，更是关于环境。相比之下，对于写出更多论文而言，实际的投入（研究人员的数量、资金投入）几乎解释了一切，而“文化”部分的影响微乎其微。

未来：移动的世界地图
利用这些规则，作者进行了模拟，以观察 2047 年 的世界可能是什么样子。

容量的转移： 如果各国继续保持目前的科研投入增长速度，世界地图将发生剧变。中国的全球科学产出份额预计将从 2022 年的 22.6% 上升到 2047 年的近 28%。与此同时，目前持有约 14% 份额的美国，预计将萎缩至不足 3%。其他所有主要的 G8 国家（如德国、日本和英国）也预计会失去显著的份额。这是因为“雪球”效应帮助快速发展的国家实现赶超并超越了那些较慢的国家。
质量的转折： 这里有一个细微差别。如果只看研究人员的质量（忽略他们写的论文数量），美国及其盟友失去的阵地并没有那么多。他们在全球顶尖引用科学中的份额可能仅下降约 4.4 个百分点，而不是在容量中所见的 11 个百分点 那样大幅下降。这是因为美国仍然拥有高质量的研究队伍。
警告： 然而，论文警告说，你不能忽视容量。如果将容量的下降与质量的下降结合起来看（研究中的方法 B），美国的顶尖引用科学份额可能会下降 16.4 个百分点。论文指出，如果一个国家停止产出足够的论文，最终，即使是其最优秀的研究人员也可能无法维持其在质量上的领先地位，仅仅是因为其科研生态系统的规模整体缩减了。

论文排除了哪些可能性
值得注意的是，这项研究明确指出哪些不是答案。

它排除了不同国家拥有根本不同的“科学制造技术”的观点。研究发现，几乎所有国家的“配方”（参数）都是相同的。谁赢谁输的区别在于他们增加“原料”（投入）的速度快慢，而不是因为某些国家拥有某种秘密的魔力配方。
它排除了“拥有庞大的旧知识库会自动让你的新作品变得更好”的观点。数据表明，积累的知识有助于你产出更多，但并不能帮助你产出更好。
它排除了“美国的衰落只是暂时性波动”的观点。预测表明，这是一个由复合增长的数学逻辑驱动的结构性转变，而不仅仅是一个可以被轻易修复的政策失误。

我们有多确定？
作者对关于容量的“雪球效应”和关于质量的“人力资本”驱动力的结论非常有信心，因为这些是通过先进的统计工具进行高精度测量的。然而，对于 2047 年的预测，被描述为“条件情景预测”，而非“水晶球式的预言”。这些预测展示的是：如果当前的趋势持续下去且科学的规则保持不变，将会发生什么。论文承认，如果人口结构发生变化或各国改变了教育投资方式，数字可能会有所不同。但根据过去二十年的数据，趋势指向一个这样的世界：科学的容量正迅速向新玩家转移，而关于最佳科学的争夺战，仍是那些拥有最优秀的人才和最完善体系的国家之间的激烈角逐。

技术摘要：科学知识生产的结构性参数

问题陈述
本文探讨了全球科学产出分布的变化，其特征是新兴经济体（特别是中国、印度和土耳其）的快速扩张以及既有 G8 国家力量的相对衰落。核心研究问题包括：(1) 哪些结构性参数支配着研究投入向科学知识的转化？(2) 国家间的产出差异是由效率差异（异质技术）驱动，还是由投入积累历史的差异驱动？(3) 这些参数在科学产出的“总量”与“质量”（引用影响力）之间有何不同，以及它们对本世纪中叶全球科学领导力的未来分布意味着什么？本研究侧重于总绝对量而非人均生产率，因为总量规模驱动着地缘政治和经济优势。

研究方法
作者估算了 181 个国家在 2003–2022 年期间的知识生产函数（KPF）。实证框架基于内生增长理论（Romer, 1990; Jones, 1995），将新知识创造率建模为人类资本 ( $H$ )、累积知识存量 ( $A$ ) 和产品多样性项 ( $Q$ ) 的函数。

数据： 研究利用了来自美国国家科学基金会（NSB）科学与工程指标的文献计量数据。因变量包括全计数（whole-count）和分数计数（fractional-count）的文章数量，以及用于质量分析的经过 Logit 转换的前 1% 引用份额。投入变量包括原始研究人员数量和经质量调整的人类资本指数（PWT）。
估算策略： 考虑到科学生产是一个产生横截面相关性的全球过程（由于共同的科学前沿），作者采用了能够处理具有异质载荷的未观测共同因素的异质面板估计量。
- 主要估计量： 使用增广均值组（AMG）和共同相关效应均值组（CCEMG）来处理横截面相关性和斜率异质性。
- 同质性检验： 使用组合均值组（PMG）估计量来正式检验各国间长期系数的同质性。
- 质量设定挑战： 一项方法论创新解决了质量设定中的积分阶数不匹配问题，即因变量（Logit 引用份额）是平稳的 ( $I(0)$ )，而回归变量是非平稳的 ( $I(1)$ )。标准估计量（FE, AMG, CCEMG, 标准 PMG）在这种设定下会产生不稳定的结果。作者采用了 PMG+CSD（经由横截面均值修正增强的 PMG），该方法通过短期均值增广项吸收横截面相关性，而无需要求 $I(0)$ 与 $I(1)$ 变量之间存在协整结构。
预测： 利用面板均值弹性系数和特定国家的投入积累趋势，生成到 2047 年的条件情景预测。针对质量分析使用了两种方法：直接从要素投入进行预测（方法 A），以及结合总量动态的质量加权总量预测（方法 B）。

主要贡献

文献计量 KPF 证据： 本文提供了全面的跨国 KPF 分析，利用科学出版物计数，补充了目前由基于专利的创新研究主导的现有文献。
方法论严谨性： 实现了专门为处理全球科学数据中横截面相关性而设计的估计量（AMG, CCEMG, PMG），纠正了在此背景下标准固定效应模型的不一致性。
参数同质性： 研究证实，长期的 KPF 弹性在各国之间在统计上是同质的。这意味着各国知识生产份额的差异主要是由投入积累的历史和初始条件驱动的，而非由异质的生产技术驱动。
结构性不对称： 研究识别了科学总量生产与科学质量生产之间根本的结构性区别。虽然总量受益于知识存量的复合增长，但引用质量则不然。
质量估算创新： 在 $I(0)/I(1)$ 质量设定中应用 PMG+CSD，恢复了其他估计量难以观察到的稳定且精确估计的人类资本弹性。

结果

知识存量弹性 ( $\hat{\phi}$ ): 产出对累积知识存量的弹性为正，估计精确且显著，在优选设定中介于 0.65 至 0.76 之间。这表明学术科学处于半内生增长机制（ $0 < \phi < 1$ ）的高端（此前的专利研究估值通常在 0.3–0.5 之间）。这表明知识复合是学术产出的主要引擎。
人类资本弹性 ( $\hat{\sigma}$ ): 人类资本质量是产出的重要驱动力。在高于中位数的样本中， $\hat{\sigma} \approx 2.30$ (AMG) 且 $\approx 1.8$ (PMG+CSD)，表明人类资本质量具有超比例回报。在包含广泛边际进入者的非零样本中，弹性甚至更高（ $\approx 3.6–4.2$ ），表明人类资本是进入全球科学体系国家的约束性因素。
总量与质量的分歧：
- 总量： 由人类资本和知识存量复合（ $\hat{\phi} \approx 0.65$ ）共同驱动。
- 质量： 引用影响力受一个结构性截然不同的过程支配。质量的知识存量弹性微乎其微（ $\hat{\phi}_q \approx 0.015$ ），比数量弹性低两个数量级。相反，人类资本质量是主要驱动力（ $\hat{\sigma}_q = 2.19$ ）。此外，不随时间变化的制度特征解释了65% 的引用质量跨国差异，而对于总量而言这一比例仅为 5%，这表明质量领先高度依赖于特定的制度环境。
预测 (2022–2047):
- 总量： 在当前投入轨迹下，预计中国的全球份额将从约 22.6% 上升至约 29.8% 的峰值（2030 年代中期），然后回落至约 27.8%。美国的份额预计将从 14.0% 下降至 3.0% 以下。所有非中国的 G8 经济体在总量份额上均有所下降。
- 质量： 预测更为细致。如果仅根据要素投入预测质量（方法 A），美国的质量领导地位更为持久，仅从 21.5% 下降至 17.1%。然而，当纳入总量动态时（方法 B），质量加权后的下降加速，美国的份额将降至约 2.8%，与总量下降趋势一致。这一差距警告称，总量侵蚀最终可能通过未建模的渠道传导至质量领导地位的丧失。

意义与主张
本文声称为理解全球科学的未来提供了结构性基准。其主要意义在于证明，新兴经济体的“追赶”是由结构性复合机制和投入积累驱动的，而非更优越的生产技术。参数同质性的发现验证了使用面板均值弹性进行预测的有效性，表明科学的未来分布取决于投入的轨迹（人类资本和知识存量积累），而非效率冲击。

研究提醒不要对质量领导地位掉以轻心。虽然人类资本动态表明，与总量份额相比，既有强国的质量份额侵蚀速度较慢，但总量与质量之间的结构性联系意味着，持续的总量下降最终可能会削弱质量领导地位。预测并非无条件的预报，而是作为一种条件情景练习，通过量化在既定结构参数下维持当前投入轨迹所产生的后果，从而规范政策讨论。论文总结道，历史上科学领导者的更迭往往发生在人们低估追赶速度的数十年之后，而估计的 KPF 结构表明，此类轨迹目前正在发生。

伟大的科学竞赛：为何有些国家变得更庞大，而有些国家变得更聪明

论文的大发现：雪球 vs. 火花

类似论文