中國R&D 結構對生產率影響的比較分析

蔣殿春 王曉嬈

一、引 言

理論研究和經驗研究都表明，通過促進知識資本的積累，R&D 投入的增加能夠顯著地影響全要素生產率。在Solow(1956)之后，經濟增長理論快速發展，通過Lucas(1988)、Romer(1991)、Helpman 和 Grossman(1989)等人的努力，到20 世紀90 年代初期新古典增長理論得以建立。它在動態一般均衡框架下將技術內生化，并將知識資本與人力資本對經濟增長的貢獻分離出來，揭示出R&D 投入不僅能夠通過知識資本的累積而驅動經濟的增長，而且能夠影響均衡的經濟增長速度。實證方面，在20 世紀七八十年代的兩次世界經濟危機期間，大多數國家的全要素生產率都出現較大幅度的下降，大量研究表明R&D 投入的減少正是這種全要素生產率下降情況發生的主要原因(Griliches，1973、1980；Mansfield，1974；Jorgenson，1988)。

近年來，伴隨經濟高速增長，我國全要素生產率(TFP)也在快速提升。1998 年至2011 年，中國的平均全要素生產率(以1998 年為基期)從0.823 上升到4.05，年均增長率約為12.1%,；同期研發投入存量也從1300.8 億元增加到6957.2 億元，年均增長率約為12.7%,。在過去的14 年間，二者基本上保持了同步的增長。不過，關于我國R&D 投入對TFP 作用的經驗實證研究中，并沒有得到一致的結果。如吳延兵(2006)和夏良科(2010)等的研究證實了R&D 對TFP 的提升作用，而李小平(2006)、張海洋(2005)和謝建國、周璐昭(2009)等則得到R&D 效果不顯著或顯著為負的結論。這些研究結果的差異一方面來自不同研究的樣本和方法選擇，另一方面也反映了R&D 作用機制的復雜和多樣性。因此，進一步深入分析R&D 投入結構(不同執行部門及類型)的影響，比僅僅分析R&D 總量的生產率效應更為重要，也更具建設性。

在我國，依據類型的不同R&D 經費支出可分類為：基礎研究、應用研究和試驗發展三類。三類研發活動側重點各不相同，其中基礎研究更多地是為了獲得關于現象和可觀察事實的基本原理的新知識而進行實驗性或理論性的研究，所以這種投入的影響一般是長期的；而應用研究和試驗發展更著眼于特定的實際目標或新產品的實際生產，從而能夠迅速地轉化為產出和銷售收入。此外，依據執行部門的不同，研發主體可分為高等學校、科研機構和大中型工業企業三類，其各自的專業分工和協同合作存在著較大的差異。因此，如果籠統地將R&D 投入對全要素生產率的影響僅以加總的方式處理，可能會忽略很多重要的信息。遺憾的是，目前對區分不同執行部門和類型的R&D 投入進行研究的文獻并不多見①嚴成樑 、龔六堂(2013)運用 1999—2009 年我國 31 個省區不同執行部門和不同類型R&D 投入的數據對經濟增長速度影響進行分析，但該文并沒有進一步考察其對經濟增長效率的影響。。

本文仍選擇從R&D 投入的角度考察其對全要素生產率的直接影響，并結合以下幾個方面進行完善：本文利用中國1998—2011 年30 個省市面板數據，通過動態面板模型比較分析了不同類型及執行部門的R&D 投入對全要素生產率的影響。在控制了因R&D 投入與全要素生產率之間相互作用引起的內生性問題之后，我們得到了不同R&D 作用效果的強弱排序。剩余內容的安排為：第二部分和第三部分是模型設定和變量構造，第四部分為實證分析，最后部分為本文結論。

二、模型設定

1. 理論模型

從20 世紀50 年代以來，大批學者針對R&D 投入對經濟增長的影響進行了深入的研究(Minasian，1962；Griliches，1964；Mansfield，1965)，直到80 年代后期，以Lucas和Romer 為代表的新古典經濟增長理論興起，人們(Romer，1990；Grossman 和Helpman，1991；Aghion 和Howitt，1992)才逐漸在動態一般均衡框架下將技術內生化，將知識資本與人力資本對經濟增長的貢獻分離出來。實證方面，學者們分別從企業、行業、國家的層面上就R&D 投入對全要素生產率的影響進行研究①關于R&D 與全要素生產率更多的文獻綜述可見于(“R&D and Productivity Growth：A Review of the Literature”，Leo Sveikauskas，U.S.Bureau of Labor Statistics，2007)。。這些研究都揭示出R&D 投入不僅通過知識資本的累積驅動了經濟增長，而且決定了均衡的經濟增長速度。本文參考Griliches(1979)的模型，將生產函數簡化為如下形式(暫不考慮時間趨勢)：

其中，i 指地區(i =1 ,2, … ,n)，t 為時間下標(t =1,2，…， T)，Yit表示總產出，Cit表示物質資本存量，Lit表示勞動投入，Kit表示知識資本存量(本文假定知識資本的積累都來源于R&D 投入)，D 為固定常數，α、β、γ 為待估參數。

另外，本文還將人力資本因素納入分析框架中。如果將勞動投入分解為人力資本(平均的勞動投入質量)與簡單勞動投入的乘積，那么式(1)可改寫為：

與索洛余值原理相同，式(2)所代表的生產函數中除去物質資本存量和簡單勞動投入，余下的產出貢獻因素即為全要素生產率。若將技術水平記為A，則有：

左邊等式即是計算全要素生產率的一般公式，而右邊等式則是本文直接探析全要素生產率來源的主要依據。該等式揭示出全要素生產率可能來自于三大部分：一是知識資本存量；二是人力資本存量；三是其他因素，如外國直接投資、對外貿易、經濟政策、制度因素等。對式(3)右邊等式取對數可得：

一般地，我們很難確定技術水平A 的絕對值，而是以其增長率代替，該增長率即為全要素生產率。

2. 計量模型

根據上式(4)，本文設定回歸模型為如下形式：

其中，t fpit為全要素生產率，r dit衡量知識資本存量對全要素生產率的直接貢獻，以R&D 投入存量的對數值來代表；h u manit衡量人力資本存量對全要素生產率的直接貢獻，以科學家和工程師的總數的對數值來代表。在參考現有文獻的基礎之上，本文考慮了外國直接投資(fdi)、貿易開放程度(open)、政府干預經濟程度(gov)，以及經濟制度(institution)等控制變量，以期全面地反映改革開放以來影響中國經濟快速發展的

因素。ηi為地區固定效應，εit為隨機干擾項。具體地，本文的基本模型1 為：

正如不同行業的企業投入—產出效率存在差異一樣，不同研發執行部門(或類型)的投入—產出效率也是不一樣的。本文假定不同研發執行部門(或類型)投入對總量的影響是相互獨立的，具有Cobb-Douglas 函數的組合形式，并能夠獨立地對全要素生產率產生影響：

其中 j = 1 ,2, … ,J表示來自第j 個執行部門(或類型)的研發投入存量。Kit代表R&D 投入量值。研發執行部門的分類參照《中國科技統計年鑒》，主要分為高等學校、科研機構和大中型工業企業三類。對于不同研發執行部門的R&D 投入存量，其總量對應為：

三、數據及變量構造

由于部分數據統計的缺失，本文以我國30 個省、市、自治區(除西藏自治區外)1998—2011 年的全要素生產率和R&D 投入存量數據為研究對象。本文所選用的數據均來自《中國統計年鑒》、《中國科技統計年鑒》和《新中國六十年統計資料匯編(1949—2008)》。

1. 全要素生產率

全要素生產率(TFP)的測算存在多種方法，不同方法的測算結果也有差異。在地區總量水平上，我們認為數據包絡分析(DEA)不失為一個良好的測算方法，而且近年來得到了廣泛的應用。DEA 作為一種估計TFP 及其變化的非參數方法，不僅對樣本容量的要求較低，而且對生產函數的具體設定沒有要求，因此完全避免了由于隨意假定生產函數而導致的衡量誤差。因此，本文也利用DEA 方法通過計算地區Malmquist 指數來測算其TFP。在計算過程中，由于Malmquist 指數僅僅衡量全要素生產率當期相對于前一期的增長率，因此我們通過對結果進行調整，得出各省當年的全要素生產率，見下式(11)：

在計算的過程中，產出以實際的地區產值來衡量，簡單勞動投入使用的是各地區的從業人員總數。由于目前尚無官方的資本存量統計數據，因此本文采用大多數學者使用的永續盤存法對其進行估算。其中價格指數的構造和資本的折舊率參照張軍等(2004)的處理方法。由于數據的缺失，廣東省1998—2000 年的固定資產價格指數采用指數平滑法計算。

2. R&D 投入

現有文獻大多采用R&D 當期流量來衡量研發投入，但無論是研發規模還是研發結果顯然都依賴于研發的全部歷史投入。因此，本文采用R&D 投入存量的指標來衡量知識資本存量對全要素生產率的直接貢獻。具體來講，我們選取各地區R&D 經費的內部支出(包括技術開發經費支出和其他技術活動經費支出)衡量R&D 投入的水平。雖然R&D 經費內部支出僅僅衡量了有正式預算且擁有正式科研機構的企業的R&D 投入，而在大量的微小企業中也存在著很多非正式的R&D 活動(吳延兵，2006)，但鑒于數據搜集的困難，我們認為這是最具代表性的衡量方法。R&D 投入均參照吳延兵(2006)的做法通過永續盤存法得到存量值。對于R&D 支出價格指數的構造，我們參考朱平芳、徐偉民(2003)的做法將其設定為消費物價指數和固定資產投資價格指數的加權平均值，二者權重比為 55：45，并將 R&D 投入存量的折舊率設定為15%,(Griliches，1980,a)。

根據前面的分析，R&D 投入依據執行部門和類型的不同進行細分。根據執行部門的不同，我們分別采用高等學校、科研機構、大中型工業企業的R&D 經費內部支出數據。根據R&D 投入類型的不同，我們又分別采用基礎研究、應用研究、試驗發展的R&D 經費內部支出數據。以上數據均按照永續盤存法得到存量數據。

3. 人力資本

人力資本是衡量勞動力質量的指標，反映了勞動力接受教育的程度、工作經驗、健康狀況等，在本文中我們采用存量的衡量方式。人力資本至少可以通過兩種機制促進全要素生產率的提高，一是提升國家的技術自主創新能力，二是加快從國外吸收新的知識以及學習速度(Benhabib 和Spiegel，1994)。本文采用歷年科學家和工程師的總數來衡量人力資本。

4. 其他控制變量

外資企業的進入可以通過技術溢出等機制帶動內資企業的技術進步，從而提高一個地區的全要素生產率。本文使用外商及港、澳、臺商投資的固定資產額占各地區全社會固定資產總額的比重衡量外資流入的溢出效應。商品和服務的貿易也能帶動技術的轉移，比如具有更高質量的服務和貿易會加劇產業內的競爭，促使技術革新的發生。本文采用各省進出口總額占本省GDP 的比例來衡量開放度水平。政府通過財政和貨幣政策以保證經濟有效和平穩地運行，因此地區的財政支出與產出增加值的比例大體地反映出政府干預經濟的程度。另外，增量性的制度改革奠定了中國經濟高速增長的基礎。在這個過程中，市場經濟的地位和作用不斷得到加強，不僅提升地區的經濟活力，還有力地促進了地區經濟資源的有效配置。在本文中，我們采用蔣殿春、張宇(2008)的調整方法，利用內資部門中非國有經濟發展的程度作為衡量制度的一種指標。出于全面性考慮，我們取非國有化產值比重、固定資產比重和勞動力比重這三個都能反映非國有化率的指標的算術平均值作為各省市制度因素的指標，并同樣以全部省市在樣本時段內最低的指數作為基準進行標準化處理。

表1 列出了變量的統計性描述。

表1 變量的統計性描述

四、實證分析

在計量檢驗中，我們首先估計了R&D 總投入對全要素生產率影響的回歸系數，作為分析R&D 結構對生產率影響的基礎。其次，比較分析了不同執行部門和類型的R&D 投入對全要素生產率的影響，并分析其影響效果存在的差異。最后，充分考慮到R&D 投入的長期效應，在模型中加入交叉項，對不同執行部門和類型的R&D 交互影響予以檢驗。

1. 模型1：R&D 投入總量

表2 列出了模型1 的所有回歸結果。Hausman 檢驗的結果顯示本文應該選擇固定效應模型。然而，對于個體固定效應模型，Wald 異方差檢驗的2χ 統計量為4495.4，強烈地拒絕同方差的原假說；組內自相關的Wooldridge 檢驗的F 統計量為72.9，也強烈拒絕不存在組內一階自相關的原假說；組間截面相關檢驗的結果表明殘差截面間相關性的存在。為此，本文繼續采用包含個體虛擬變量的廣義最小二乘法(GLS)模型(表2的第3 列)進行改進。

表2 R&D總量投入對全要素生產率影響的回歸結果

我們注意到，地區生產率水平可能影響區內未來的研發投入水平：一方面一個地區的TFP 越高，可能它的產業結構更傾向于技術密集特征，因此決定了它的R&D 投資也更高；另一方面，生產率水平較高同時也可能意味著研發成本較低，激勵更多的R&D 投資。果真如此的話，上面的模型將受到內生性問題的影響而出現估計偏差。通過計算Hausman 統計量和Davidson-MacKinnon 統計量，結果表明主要變量為嚴格外生的原假說基本都在5%,的水平上被拒絕(如表3)，也就是模型中存在內生性問題。

表3 內生性檢驗

應用較廣的解決單方程模型內生性的方法主要是面板工具變量法和動態面板模型。從外部引入合適的工具變量的難度較大，常見選擇是自變量的滯后項。Arellano 和Bond(1991)認為，應充分利用所有的矩條件以提高估計系數的有效性，提出了差分矩估計模型(Differentiated-GMM)。然而，這種方法可能存在自變量滯后項和自變量差分滯后項的相關性不高從而導致的弱工具變量的問題。 Arellano 和Bover 又基于Ahn和Schmidt(1995)的研究成果，以自變量的差分滯后項作為水平方程的工具變量完善了水平矩估計模型(Level-GMM)理論。到1998 年，Blundell 和 Bond 將差分工具變量矩陣與水平工具變量矩陣結合在一起，提出了更有效的系統廣義矩估計模型(System-GMM)。GMM 估計的主要思想在于對待估計模型進行一階差分后，將前定變量滯后二期以及滯后二期后的水平值(或差分值)作為工具變量(包群，2010)①包群、邵敏，《出口貿易與我國工資的增長：一個經驗分析》，《管理世界》，2010(9)。。此外，動態面板模型能夠放松經典模型的同方差限制，使得異方差不會對估計結果形成不利的影響。本文同時列示了兩種回歸結果，但由于系統GMM 更加有效，因而本文主要依據系統GMM 的結果作為解釋和分析的依據。

在進行GMM 回歸之前，我們首先需要決定將哪些變量歸于內生變量、前定變量或嚴格外生變量，以此來確定差分GMM 和系統GMM 對于工具變量的選擇。基于本文的研究目的以及前述內容，我們將人力資本(lnhuman)視為內生變量，開放度水平(open)為前定變量，將其一階和二階滯后變量作為工具變量，這是因為全要素生產率會明顯反過來影響人力資本和開放度水平，例如在我國東部沿海地區，由于產業結構的優化生產率的提高吸引了越來越多的人才聚集，也促進了進出口貿易的增多，另外將其他控制變量視為外生變量①由于這些變量對全要素生產率的影響并非本文重點，因此忽略這些變量的內生性可能對估計系數產生的影響。。基于此進行差分GMM 的回歸，結果在表2 的第4列，AR檢驗的結果表明回歸殘差滿足擾動項存在一階自相關且無二階自相關的要求，過度識別約束有效的Sargan 檢驗結果也表明工具變量的設定是有效的。

對于系統GMM 估計是否能夠得到一致估計系數，關鍵在于工具變量選擇的有效性以及殘差項不存在二階自相關，我們將人力資本(lnhuman)、開放度水平(open)作為內生變量，R&D 投入(lnrd)、外商直接投資(fdi)和政府干預程度(gov)，制度因素(insitution)作為前定變量，在此基礎上逐步添加各變量的滯后項和差分項，利用Sargan 檢驗和Hansen J 檢驗來選擇合適的工具變量，最終，系統GMM 的回歸結果(表2 的第5 列)通過了過度識別約束有效的Sargan 檢驗和Hansen J 檢驗。這表明差分GMM 模型和系統GMM 模型的回歸結果是可以接受的。同時我們注意到，研發投入存量和人力資本存量的回歸系數也更加地趨于合理。以系統GMM 的結果來說，研發投入存量的回歸在1%,水平上顯著為正，說明研發投入存量每增加1 個百分點，全要素生產率能增加0.47。對人力資本而言，其彈性系數約為0.36，該值略顯偏高，這可能與我們采用工程師和科學家來衡量人力資本有關，畢竟這兩個群體的人力資本水平都非常高，能夠有效地促進全要素生產率的提升。這個結論也表明接受教育的程度越高，全要素生產率的增長得越快。教育不僅能夠提高勞動者掌握新技術，適應新生產環境的能力(Nelson 和Phelps，1966)，而且能夠提高勞動者進行技術創新和技術模仿(Lucas，1988)以及合理配置資源的能力。

外商直接投資的增加、對外貿易自由度的提高，以及市場化取向的改革都能夠顯著地提高全要素生產率。這些控制變量對全要素生產率的影響都比較小，比如外國直接投資的彈性系數僅約為0.02。政府經濟干預對全要素生產率具有顯著的不利影響，其彈性系數為-0.016。這表明依賴政府大規模經濟刺激推動經濟發展的模式大大地擠占了R&D 投入和人力資本發揮有效作用的空間，導致全要素生產率的下降。因此，當前中國經濟的轉型升級需要更多地依賴研發投入和人力資本的增長，而非政府“看得見的手”。

2. 模型2 和模型3：不同執行部門和類型的R&D 投入

在前面模型1 的基礎上，我們進一步檢驗R&D 各構成部分的不同影響。表4 的第2 和第3 列給出了其主要回歸結果(內生性檢驗結果見表3)。在此系統GMM 模型的回歸中，我們仍然選擇人力資本(lnhuman)和開放度水平(open)作為內生變量，基礎研究(lnbasic)作為前定變量，而對模型3 中，高等學校R&D 投入(lnuni)、科研機構R&D 投入(lnre)、大中型工業企業R&D 投入(lnen)為前定變量，同樣我們在以其滯后一階和二階變量作為工具變量基礎上，增加其他變量滯后變量作為工具變量，直到通過Sargan 檢驗和Hansen J 檢驗，從而得到相對最為合適的工具變量。

表4 不同執行部門和類型的R&D投入存量對全要素生產率影響的回歸結果

回歸結果來看，三個執行部門的研發投入存量對全要素生產率的影響在1%,的水平下均顯著為正值。然而不同部門的彈性系數存在差異，大中型企業研發投入存量的彈性系數最高，達到約0.24；科研機構次之，約為0.16；而高等學校最末，僅約為0.15。出現這種結果可能是由于不同執行部門研發側重的領域存在差異，比如大中型企業強調實用新型和外觀設計等專利的研發從而更好更多地推出新型產品以確保自身的市場競爭地位，企業作為完完全全的市場上自負盈虧的經紀人，不僅能夠敏銳地感知市場上信息的變化給予參研人員較高的報酬激勵，而且不必受到代理成本和激勵契約的約束。高等學校則注重基礎研究從而需要較長的時期才能夠體現為新產品的產值增加。近幾年來，高等學校對政府資金的依賴逐漸減小，管理體制和激勵制度也逐漸完善，實際上R&D 效率也在不斷提高。

表4 的第4 和第5 列給出了模型3 的回歸結果。從系統GMM 的結果來看。基礎研究、應用研究和試驗發展對全要素生產率均具有顯著地促進作用。模型3 結果的鮮明特點是試驗發展對全要素生產率的促進作用十分明顯，其彈性系數達到約0.34。

回歸結果進一步表明，不論是解釋變量回歸系數的大小還是其顯著性，基本上都保持在較一致的水平上，比如就系統GMM 模型來說，人力資本存量的回歸系數在上述三個模型中分別為：0.364,7、0.420,3 和0.392,5，而顯著性水平均達到了1%,，從而較好地印證了本文設定的計量模型具有較好地穩健性。

3. 模型 4：R&D 投入結構交互影響

模型3 結果的鮮明特點是試驗發展對全要素生產率的促進作用十分明顯。目前，中國投向試驗發展研發領域的資金主要來自于企業，而大中型工業企業的R&D 投入亦顯著地促進全要素生產率的增長，這表明大中型工業企業應成為我國研發的主體，而試驗發展研究領域則應成為研發的重點。然而，我們不應該簡單地就得出上述結論，而應該充分考慮到基礎研究是否對應用研究、試驗發展起到基礎支撐作用，以及考察高校和科研機構的研發到底對企業產生怎樣的影響？因此，為了得到上述探討兩個問題的答案，本文將高等學校R&D 投入與大中型工業企業R&D 投入以及科研機構與大中型工業企業R&D 投入兩個交互項加在模型2 之中，得到模型4 結果列示在下表5中的第2 列，另外將基礎研究R&D 投入與應用研究R&D 投入以及基礎研究投入與試驗發展R&D 投入的交互項加入到模型3 中，得到模型5，回歸結果列示在表5 中的第3 列。

由表5 可知，在加入高等學校R&D 投入與大中型工業企業R&D 投入以及科研機構與大中型企業R&D 投入兩個交互項之后，高等學校R&D 投入對生產率影響的系數不再顯著，而高等學校R&D 投入與大中型工業企業R&D 投入的交互項在1%,水平上顯著為正。這說明，高等學校與企業研發之間具有正的交互影響，即高等學校的R&D雖然沒有直接對生產率起到促進作用，但通過增加企業R&D 的效率間接地促進了全要素生產率的提高。在加入基礎研究R&D 投入與應用研究R&D 投入以及基礎研究

投入與試驗發展R&D 投入的交互項之后，基礎研究R&D 投入對生產率影響也不再顯著，但基礎研究R&D 投入與應用研究R&D 投入的交叉項系數為正(0.0658)，并在5%,水平上顯著，說明基礎研究通過促進應用研究，間接地對生產率起到促進作用。

表5 加入交互項后的R&D結構對全要素生產率影響的回歸結果

五、結 論

通過改進實證分析方法，本文利用省域的面板數據印證了新古典增長理論關于研發投入促進全要素生產率提升的觀點。在分析總量模型的基礎之上，本文還依據不同的分類標準探析了不同的研發投入對全要素生產率的直接貢獻。從細分的不同執行部門的研發投入來看，企業研發投入的促進作用是最高的；從細分的不同類型的研發投入來看，試驗發展研發投入的影響最大。同時，在加入交叉項的模型中，我們發現高等學校通過提高大中型工業企業對全要素生產率的影響強度起到間接的促進作用，而基礎研究作為試驗發展的基礎，同樣也加強了試驗發展對于全要素生產率的提升作用。所以，本文研究具有的政策指導意義為：一方面，從部門來看，R&D 投入應該繼續增加高等學校和企業所占的份額；從類型來看，不僅應該進一步地擴大對試驗發展的R&D投入，對全要素生產率具有長期效應的基礎研究仍應得到加強。另一方面，應該不斷提高研發體制的效率，減少研發體制的委托—代理成本，包括運行、監督和申報等成本。總之，在經濟轉型升級時期，中國研發體制的改革仍應繼續沿著以企業R&D 為主體，依靠高等學校加強基礎研究和應用研究，加快向科研機構市場化方向改革的路徑前行。

［1］ 蔣殿春，張 宇. 經濟轉型與外商直接投資技術溢出效應[J]. 經濟研究，2008(7)：26-38.

［2］ 李小平，朱鐘棣. 國際貿易，R&D 溢出和生產率增長[J]. 經濟研究，2006(2)：31-43.

［3］ 吳延兵. R&D 存量，知識函數與生產效率[J]. 經濟學，2006，5(4)：1129-1156.

［4］ 吳延兵. R&D 與生產率——基于中國制造業的實證研究[J]. 經濟研究，2007，41(11)：60-71.

［5］ 夏良科. 人力資本與 R&D 如何影響全要素生產率——基于中國大中型工業企業的經驗分析[J]. 數量經濟技術經濟研究，2010(4)：78-94.

［6］ 謝建國，周露昭. 進口貿易，吸收能力與國際 R&D 技術溢出：中國省區面板數據的研究[J]. 世界經濟，2009，(9)：68-81.

［7］ 樑嚴成 ，龔六堂. R&D 規模、R&D 結構與經濟增長[J]. 南開經濟研究，2013(02)：3-19.

［8］ 張海洋. R&D 兩面性，外資活動與中國工業生產率增長[J]. 經濟研究，2005，5(1)：07-11.

［9］ 張 軍，吳桂英，張吉鵬. 中國省際物質資本存量估算：1952-2000[J]. 經濟研究，2004(10)：35-44.

［10］ 趙彥云，劉思明. 中國專利對經濟增長方式影響的實證研究：1988-2008 年[J]. 數量經濟技術經濟研究，2011，28(4)：34-48.

［11］ 鄭京海，胡鞍鋼. 中國改革時期省際生產率增長變化的實證分析(1979—2001 年)[J]. 經濟學(季刊)，2005，(1)：263-296.

［12］ 鄭京海，胡鞍鋼，Bigsten，A. 中國的經濟增長能否持續?—一個生產率視角[J]. 經濟學(季刊)，2008(03)：777-808.

［13］ 朱平芳，徐偉民. 政府的科技激勵政策對大中型工業企業 R&D 投入及其專利產出的影響[J]. 經濟研究，2003，6(5)：l.

［14］ Aghion，P.，Howitt，P. A Model of Growth through Creative Destruction[J]. Econometrica，1992，60(2)：323-51.

［15］ Ahn，S. C.，Schmidt，P. Efficient Estimation of Models for Dynamic Panel-Data[J]. Econometrics，1995，68(1)：5-27.

［16］ Arellano，M.，Bond，S.Some Tests of Specification for Panel Data-Monte-Carlo Evidence and an Application to Employment Equations [J]. Rev Econ Stud，1991，58(2)：277-97.

［17］ Arellano，M.，Bover，O. Another Look at the Instrumental Variable Estimation of Error-Components Models [J]. J Econometrics，1995，68(1)：29-51.

［18］ Benhabib，J.，Spiegel，M. M. The Role of Human-Capital in Economic-Development Evidence from Aggregat Cross-Country Data [J]. J Monetary Econ，1994，34(2)：143-73.

［19］ Griliches，Z. Research Expenditures，Education，and the Aggregate Agricultural Production Function [J]. American Economic Review，1964，54(6)：961-74.

［20］ Griliches，Z. Research Expenditures and Growth Accounting[J]. Science and Technology in Economic Growth，1973：59-95.

［21］ Griliches，Z. R&D and the Productivity Slowdown [J]. National Bureau of Economic Research Cambridge，Mass，USA：1980.

［22］ Grossman，G. M.，Helpman，E. Trade，Innovation，and Growth [J]. American Economic Review，1990，80(2)：86-91.

［23］ Grossman，G. M.，Helpman，E. Trade，Knowledge Spillovers，and Growth[J]. European Economic Review，1991，35(2)：517-26.

［24］ Grossman，G. M.，Helpman，E. Endogenous Product Cycles [J]. Econ J，1991，101(408)：1214-29.

［25］ Jorgenson，D. W. Productivity and Postwar United-States Economic-Growth[J]. J Econ Perspect，1988，2(4)：23-41.

［26］ Lucas，R. E. On the Mechanics of Economic-Development [J]. J Monetary Econ，1988，22(1)：3-42.

［27］ Maddison，A. Growth and Slowdown in Advanced Capitalist Economies-Techniques of Quantitative Assessment [J]. J Econ Lit，1987，25(2)：649-98.

［28］ Mansfield，E. Technological Changes-Stimuli，Constraints，Returns-Rates of Return from Industrial-Research and Development [J]. American Economic Review，1965，55(2)：310-22.

［29］ Minasian，J. R. Technical Change and Production Function [J]. Econometrica，1962，30(2)：370-71.

［30］ Nelson，R. R. Denison，E.，Sato，K.，Phelps，E. S. Investment in Humans，Technological Diffusion，and Economic Growth [J]. American Economic Review，1966，56(2)：69-82.

［31］ Pakes，A.，Griliches，Z. Patents and R-and-D at the Firm Level-a 1，st Report [J]. Econ Lett，1980，5(4)：377-81.

［32］ Romer，P. M. Endogenous Technological-Change [J]. J Polit Econ，1990，98(5)：71-102.

［33］ Solow，R. M. A Contribution to the Theory of Economic-Growth [J]. Q J Econ，1956，70(1)：65-94.