產業技術水平視角下R&D資本對全要素生產率影響的實證分析

■ 夏　雨　伏玉林　沈筠彬（、華東理工大學理學院　、華東理工大學商學院　上海　007　、同濟大學經濟管理學院　上海　0009）

產業技術水平視角下R&D資本對全要素生產率影響的實證分析

■ 夏雨1伏玉林2沈筠彬3（1、華東理工大學理學院2、華東理工大學商學院上海2002373、同濟大學經濟管理學院上海200092）

本文基于產業技術水平視角，采用2001～2007年中國工業企業大規模面板數據集，實證分析了制造業企業R&D資本對全要素生產率的影響。在考慮到R&D投入自選擇效應的基礎上，控制市場、產權和出口等因素的影響，結果表明：樣本期內企業R&D資本對全要素生產率存在顯著正效應，高技術產業的R&D產出彈性顯著大于非高技術產業的R&D產出彈性，高技術產業中R&D資本對全要素生產率的促進作用更大。

自選擇效應R&D資本全要素生產率

引言

改革開放以來，中國的工業化和經濟發展取得了舉世矚目的成就。在國際市場上，中國的主要加工制造業雖然被視為新崛起的強勁競爭對手，但是其全球競爭力卻主要來自于創新之外的過度資源投入，并引發了嚴重的資源環境問題。據2007年中國工業企業數據庫的336768家企業的統計資料顯示，絕大多數制造業企業仍然沒有研發支出、不具備研發主體地位，研發活動主要集中在10.16%的少數企業中，產業技術水平差異非常明顯。從技術經濟的角度看，中國制造業企業的R&D對于提高企業生產率的作用究竟怎樣？在不同技術水平的產業間，R&D投入對于提升企業生產率是否存在顯著差異？本文旨在采用微觀大規模面板數據集對這些問題展開實證研究。

文獻回顧

R&D投入是企業加強核心競爭力的重要手段，企業通過研發投資可以加強技術融合、降低成本、縮短生產周期，利用新技術和新產品提高產出效率。自20世紀60年代以來，很多學者考察了R&D投入對產出增長的積極影響（Griliches，1964；Mansfield，1965；Griliches，1979；Aghion，1992）。近年來，雖然大量文獻采用產業層面數據和不同研究方法測度了R&D投入的產出彈性，但鮮有文獻從產業技術水平的視角，采用企業層面數據測算和比較中國制造業企業全要素生產率的差異。

在產業層面上，Verspagen（1995）基于1973～1988年9個主要OECD成員國15個產業數據和標準Cobb - Douglas生產函數，分析了R&D投資對工業增加值的影響，并運用OECD分類標準劃分三類部門，發現高技術產業R&D投入對企業產出具有積極影響，中低技術產業部門的影響則不顯著。此外，Griffith 和Redding（2004）采用OECD產業面板數據的研究發現，R&D投入對于創新和技術趕超有著重要意義，但由于沒有考慮到R&D的吸收能力，基于美國數據的研究低估了R&D的投入回報。

在企業層面上，Griliches（1980）采用美國1959～1977年企業數據來測算R&D產出彈性，約為0.07； Cuneo和Mairesse（1984 ）采用法國1972～1977年182家有R&D投入的企業數據來測算R&D產出彈性，約為0.2，并比較了法國與美國企業R&D投入產出關系；而Hansen和Madsen（2000）采用日本企業數據來測算R&D產出彈性，在0.2-0.56之間；Potters（2010）采用2000～2005年歐洲532家企業面板數據所估計的R&D產出彈性，從低技術部門到高技術部門彈性單調增加，范圍處于0.05-0.16 。新近的研究采用1990～1999年西班牙制造業企業面板數據，證實了R&D投入是解釋企業生產率差異的重要因素（Doraszelsk，2013）。這些基于微觀層面數據所測算的R&D產出彈性有較大差異，而且大多以高技術產業為研究對象，但討論制造業企業R&D投入對生產率貢獻的跨部門差異的文獻屈指可數。

雖然絕大多數研究表明，高技術產業R&D投入具有更高的生產率，也有些研究發現，非高技術產業盡管R&D投入較少，但由于整個市場技術改進的溢出效應而使其獲得了技術提高，同時高技術產業的邊際報酬遞減，因此非高技術產業的回報并不一定低于高技術產業（Mairesse和Mohnen，2001；Von，2005）。那么，中國制造業的高技術部門與非高技術部門R&D投入回報是否存在顯著差異？因此，按照技術密集度對中國制造業部門作出適當分類，分別考察R&D投入與生產率的關系十分必要。

近些年，有關中國企業R&D投入對生產率影響的文獻逐漸增多。Hu（2001）采用1995年北京市海淀區813個高技術企業樣本，研究發現私人R&D投入的產出彈性約為0.32。Hu （2005）采用中國1995～1999年每年約10000家大中型制造業企業數據，測算的R&D產出彈性約為0.027-0.029，在把所有產業劃分為高技術和非高技術兩個樣本后，高技術產業的R&D產出彈性為0.064，非高技術產業的R&D投入對生產率無顯著影響；Jefferson（2006）采用中國1997～1999年5451個大中型制造業企業面板數據，研究發現R&D產出彈性約為0.24。這些研究有助于認識中國企業R&D投入對生產率的貢獻，但也存在一些局限性。例如，企業是否進行R&D投入帶來的自選擇效應，可能導致估計的產出彈性有偏誤（Hu，2001；Hu，2005；Jefferson，2006）；由于數據獲得性問題，中國R&D存量的計算通常比較困難，有的研究還使用R&D流量進行估計（Hu，2001），特別是絕大多數研究只關注生產函數中可直接觀察到的各要素對產出增長的貢獻，而忽略了不可觀察到的技術進步、資源配置方式、專業化、組織創新、生產創新等因素對產出增長的貢獻，而這些因素剛好反映了中國經濟轉型期制造業部門的內在變化。針對上述問題，本文將采用微觀大規模面板數據集重新估計企業R&D資本對全要素生產率的影響。

表1　全要素生產率影響因素分析

數據、變量與方法

（一）產業分類

本文數據來源于國家統計局2001～2007年的中國工業企業數據庫，它涵蓋了全部國有和年主營業務收入500萬元及以上的非國有工業法人企業的大規模面板數據集，截止2007年，共收錄了33萬多家工業企業。2001～2007 年，中國工業企業數據庫包括 2228733個觀測值，提供了全部國有和規模以上工業法人企業的基本情況、財務及盈利狀況方面的信息，包括企業代碼、所在地區、行業類型、資本構成、資產負債情況、收入費用、中間投入和利潤分配等重要經濟指標。相比其他使用上市公司數據的文獻，本文樣本涵蓋了所有工業部門的非上市企業和中小企業，更能全面反映各類企業研發投入與生產率的關系。

為了考察R&D投入回報在不同技術部門之間的差異，本文將兩位數產業重新劃分為高技術產業和非高技術產業。由于中國R&D投入與其他國家有顯著差距，本文將通過計算R&D強度對中國的兩位數制造業重新進行分類。定義R&D強度為R&D投入與工業增加值的比重，以及R&D投入與銷售收入的比重兩個指標（為節約篇幅，具體表格未列出）。

（二）全要素生產率的估計

已有研究指出，運用簡單線性估計企業TFP，將不可避免地引起聯立性偏誤（simultaneity bias）和樣本選擇性偏誤（selectivity and attrition bias），其中前者更為突出。在實際生產過程中，企業的效率有一部分在當期是可以被觀測到的，企業決策者依據最大化原則和這些信息可以調整當期的要素投入，從而使得殘差項和回歸項相關。因此，采用普通最小二乘法的估計結果是有偏差的。為此，本文借鑒Levinsohn和Petrin（2003）在Olley和Pakes（1996）的基礎上發展的半參數估計方法來測度TFP，并用中間投入作為不可觀測生產率沖擊的代理變量。

（三）資本存量計算

在生產函數中，決定企業產出的是R&D資本存量而非流量，目前實證研究大多以R&D當期投入及其滯后結構來測算R&D存量。這里使用永續盤存法測算R&D資本存量，t期的R&D資本存量可用過去時期的R&D支出現值與t-1期R&D資本存量現值之和來表示。由于難以得到R&D支出的滯后結構，所以資本存量公式為：

由于技術升級的速度影響R&D存量的折舊，通常用科技進步年平均增長速度來代替折舊率（程華和吳曉暉，2006）：

其中，σ表示科技進步平均增長速度；y表示GDP年均增速；k表示固定資產投資年均增速，l表示從業人員年均增速；α表示資本產出彈性；β表示勞動產出彈性。采用國家發改委、國家統計局在測算全社會科技進步時取α=0.35和β=0.65的建議。

假定R&D資本存量K的平均增長率等于R&D支出E平均增長率：

其中，g2為R&D支出E的平均增長率。當t=1時，K1=（1+g2）K0。由此得：

綜合可得：

為剔除價格因素的影響，工業增加值用工業品出廠價格指數平減（程華和吳曉暉，2006），平減指數基期為1998年。

（四）自選擇效應的處理

由于并非所有企業在樣本期內都選擇進行R&D投入，為此使用Heckman兩步法來處理這種自選擇效應，然后再對R&D投入產出彈性進行估計。

第一步，運用probit模型考察企業是否具有正的R&D存量。如果企業R&D存量為正值，pro（R&D）為1，否則為0。具體公式如下：

Pro（R&D）=α+β·x+y

其中，x為影響企業R&D投入決策的因素，包括滯后一期的R&D投入、度量融資約束的資產負債率、市場規模、市場規模的二次方、廣告投入強度、人力資本、資本密集度、出口強度、企業年齡以及市場集中度。

Heckman第一步probit模型計算出逆米爾斯比率ηit（inverse Mill's ratio），加入到第二步的回歸方程中，以克服樣本的選擇性偏誤。如果ηit顯著不為零，表明存在樣本自選擇效應，從而支持本文采用Heckman模型。

計量方程

首先，運用固定效應模型估計R&D資本的產出彈性。設定計量模型的基本形式如下：

在上面的公式中，下標s表示產業，i為企業，t為時期。TFPit為全要素生產率，Kit為R&D資本，α1為R&D資本產出彈性。為保證R&D產出彈性的穩定性，需要控制一些影響全要素生產率的市場因素和制度因素： Xsit表示企業層面的控制變量：包括市場規模、企業規模的平方項、資產負債率、廣告投入強度、資本密集度、企業年齡、出口值和所有權性質。本文選擇集體企業為基準，比較其他不同產權相對于集體企業對全要素生產率的影響。Zst是產業層面的特征變量；Dt為時間虛擬變量，Ds為產業變量，以廢棄資源和廢舊材料回收加工業（代碼43）為參照系，設置了29個產業的虛擬變量以控制除了Zst之外產業特異性的影響；uit為隨機誤差項；ηit為第一步計算的逆米爾斯比率。

考慮到全要素生產率和R&D投入之間可能的互為因果關系引起的內生性問題（宗慶慶、周亞虹，2013），運用工具變量兩階段最小二乘法（2SLS）糾正偏誤。因此，估計R&D資本產出彈性的計量方程為：

采用R&D資本一階滯后項、企業規模、企業規模的平方項、資本密集度以及市場集中度和廣告投入強度作為R&D資本存量的工具變量。其中，X*包括資產負債率、企業年齡、出口額、所有產權啞變量。

實證結果分析

本文分別以2001～2007年中國工業企業數據庫中全部制造業樣本、高技術產業樣本和非高技術產業樣本進行估計，表1報告了三類樣本的估計結果。

本文使用Heckman兩步法對企業自選擇效應進行了處理。表1的第2、第4和第6欄中的逆米爾斯比率ηit均顯著不為零，表明對自選擇效應進行處理是必要的。

表1分別顯示了全部制造業樣本、非高技術產業以及高技術產業的三組樣本的估計結果。其中，第1、第3和第5欄是使用固定效應的估計結果，第2、第4和第6欄為兩階段最小二乘法的估計結果，可以看出，存在的內生性問題使得采用固定效應法得出的估計結果有顯著偏誤。從表1還可以看到，以全部制造業企業為樣本的R&D資本產出彈性為0.23，對應地非高技術產業R&D資本產出彈性為0.20，明顯低于高技術產業產出彈性0.29。這不僅證實了R&D投入對企業全要素生產率確實有顯著的積極影響，與已有的文獻結論相一致，同時也表明在高技術產業中R&D資本對全要素生產率的促進作用更大。

結論

本文基于產業技術水平的視角，采用2001～2007年中國工業企業大規模面板數據集測度了R&D資本對全要素生產率提高的貢獻率，檢驗了企業R&D存量與中國產業技術水平之間的關系。本文不僅證實了R&D投入對企業全要素生產率存在顯著的積極影響，同時表明了在高技術產業中R&D資本對全要素生產率的促進作用更大。

由于已有文獻大多未考慮到樣本的選擇性偏誤問題，本文利用Heckman兩步法證實了處理企業R&D投入自選擇效應的必要性；為避免使用普通最小二乘法引起的內生性問題，利用工具變量兩階段最小二乘法估計了R&D存量對全要素生產率的影響。在控制了市場、產權和出口因素的影響后，計量結果顯示R&D資本與全要素生產率之間存在顯著的正相關關系。全部制造業企業樣本的R&D資本投入產出彈性為0.23，而非高技術產業R&D彈性為0.20，顯著低于高技術產業的0.29。

樣本期內出口決策對企業全要素生產率提高也有顯著影響。說明中國政府的貿易政策需要適當放寬，鼓勵企業參與國外的激烈市場競爭，以自由貿易促進產業技術升級，增強創新驅動。研發投入雖然是技術進步的關鍵因素，但計量結果表明，除了R&D資本對企業全要素生產率有重要影響之外，出口決策等因素對企業全要素生產率提高也有顯著影響，不管是高技術產業還是非高技術產業，出口都有利于提高企業的全要素生產率。不同產權結構的企業對全要素生產率也有不同的影響。另外，市場規模對于企業是否作出R&D投入決策以及投入量大小有顯著的影響，一定程度的規模和市場競爭有利于企業創新，說明中國的科技政策不應該扶持壟斷程度較高的企業，也不應該扶持缺乏競爭的企業，而是應該側重于扶持具有一定規模但又未形成市場集中度的企業。

1.Griliches Z. Research expenditures， education and the aggregate production function［J］. American Economic Review， 1964，54（6）

2.Mansfield E. Rates of return from industrial research and development［J］. American Economic Review， 1965， 55（3）

3.Griliches Z. Issues in Assessing the Contribution of Research and Development to Productivity Growth［J］. Bell Journal Of Economics， 1979， 10（1）

4.Aghion P， Howitt P. A model of growth through creative destruction［J］. Econometrics， 1992， （60）

5.Griliches Z. R&D and the productivity slowdown［J］. American Economic Review，1980， 70（2）

6.Cuneo P， Mairesse J. Productivity and R&D at the firm Level in French manufacturing［M］. in Griliches，Z.（ed），R&D，Patentsand Productivity，Chicago：University of Chicago Press，1984

7.Dilling-Hansen M， ErikssonT， Madsen E S.The impact of R&D on productivity： evidence from Danish firm - Level data［J］.International Advances in Economic Research，2000，6（2）

8.Ortega-Argiles R， Potters L， Vivarelli M. R&D and productivity： testing sectoral peculiarities using micro data［J］. Empirical Economics， 2010， 41（3）

9.Doraszelski U， Jaumandreu J. R&D and productivity： estimating endogenous productivity［J］. Review of Economic Studies， 2013，80（4）

10.Mairesse，J.and P.Mohnen.To Be or not to be Innovative：An Exercise in Measurement［-J］，NBER working Paper 8644，National Bureau of Economic Research，Cambridge，MA.2001.11

11.Von Tunzelmann，N. and V.Acha. Innovation in Low - Tech Industries. in The Oxford Handbook of Innovation［M］. edited by J.Fagerberg，D.C.Mowery，and R.R. Nelson，New York：Oxford University Press，2005

12.Levinsohn James & Amil Petrin， Estimating Production Functions Using Inputs to Control for Unobservables［J］. Review of Economic Studies， 2003， 70（2）

13.Olley， S. and A. Pakes. The Dynamics Of Productivity in the Telecommunications Equipment Industry［J］. Econometrica， 1996，64（6）

14.程華，吳曉暉. R&D投入、存量及產出彈性研究——基于年份/功效函數的實證研究［J］. 科學學研究，2006，24（1）

15.宗慶慶，周亞虹. 內生情形下企業研發對生產率作用評估［J］.世界經濟文匯，2013（6）

F426

A