高技術產業資本配置效率實證研究

摘 要：高技術產業是國民經濟的先導產業，以2010—2017年我國滬深股市高技術產業上市公司為研究樣本，運用Wurgler的經典彈性系數模型測算和分析高技術產業總體資本配置效率現狀。未來可以進一步進行影響因素分析，為提高高技術產業資本配置效率的進一步提升提供參考，促進高技術產業更好發展。

關鍵詞：高技術產業;資本配置效率;Wurgler彈性系數模型

中圖分類號：F2 文獻標識碼：A doi：10.19311/j.cnki.1672-3198.2019.20.001

1 引言

高技術產業作為科技發展的主力軍，已成為全球各國轉型升級戰略的關鍵突破口。產業的健康發展離不開大規模的資金。要增強高技術產業的整體實力，實現可持續發展，規模發展是遠遠不夠的，資本的“催化”才是實現高技術產業化發展的決定性因素，產業資本配置有效與否關乎該產業的健康發展。因此，合理測度高技術產業的資本配置效率，分析我國高技術產業的資本配置效率現狀，是理論界和實務界需要深入探討的重要課題。

關于高技術產業效率方面的研究，目前國內外學者大多數都是從技術開發和成果轉化的角度出發，研究高技術產業的技術開發效率、經濟轉化效率以及總體的研發創新效率，鮮有學者對高技術產業的資本配置效率進行研究。例如陳瑩文、王美強和陳銀銀等（2018）研究發現我國高技術產業各地區整體效率值不高，且技術開發效率普遍高于經濟轉化效率。彭峰和周淑貞（2017）運用我國2000—2015年省際高技術產業面板數據進行實證分析，研究發現環境規制下，本土技術轉移與我國高技術產業創新效率顯著正相關。因此，本文對高技術產業資本配置效率的研究，拓寬了資本配置效率的研究視角。

2 研究設計

2.1 模型構建

借鑒Wurgler彈性系數模型，構建模型（1）對我國高技術產業資本配置效率進行測度。

InIi，tIi，t-1=α+ηInVi，tVi，t-1+εi，t（1）

η>0，表明在t年度行業i的固定資本形成總額的變動與工業增加值的變動呈現正相關關系，即當行業i的工業增加值在第t年相對于前一年增加（或減少）時，即表明第t年行業i資本配置效率越高。

η<0，表明在t年度行業i的固定資本形成總額的變動與工業增加值的變動呈現負相關關系，即當行業i的工業增加值在第t年相對于前一年增加（或減少）時，其固定資本形成總額會相應的減少（或增加）η倍，體現成長較差的行業反而會得到更多的資金注入，而成長性較好的行業所得到的資金注入較少，即行業i的資本配置效率越低。

η=0，表明行業i的固定資本形成總額的變動與工業增加值的變動不相關，工業增加值增加或減少不會引起固定資本形成總額變動，即不同成長性的行業資金流入是相同的。

2.2 指標選取

在模型（1）中，I代表企業的資本存量，V代表企業的盈利水平;下標i為各研究樣本企業個體，下標t為年份;系數η反映高技術產業總體的彈性值，即衡量高技術產業總體資本配置效率水平的指標;截距項α和εi，t綜合反映了高技術產業非市場配置的投資水平。本文選擇凈利潤平均余額作為指標V，以固定資產凈值平均余額作為指標I。

2.3 樣本選取

由于我國的統計年鑒在2008年及以后年度不再公布Wurgler彈性系數模型中的關鍵變量工業增加值的數據，本文以2010—2017年滬深股市高技術產業制造業上市公司為研究對象。剔除以下樣本公司：被ST、PT及數據不全或存在異常的上市公司。基于以上方法，本文最終選取了2010—2017年滬深股市高技術產業350家上市公司，共得到2800組觀測值。

2.4 數據來源

樣本數據來源于同花順iFinD數據庫，并利用Excel2013進行數據整理，利用Eviews10.0進行測度。

3 實證分析檢驗

3.1 面板數據單位根檢驗

由于本文使用樣本公司的面板數據，因此進行回歸分析之前要進行單位根檢驗，以檢驗變量的平穩性，這是避免出現偽回歸的前提條件。常見的面板數據單位根檢驗方法有適用于“共同根”條件的LLC檢驗、HT檢驗和Breitung檢驗，以及適用于“不同根”條件的IPS檢驗和Fisher檢驗，本文參考已有文獻的常用做法，采用LLC和IPS兩種方法檢驗面板數據的平穩性，其中LLC檢驗要求每個個體的自回歸系數相等，而IPS檢驗剛好能克服這一缺點，結果如表1所示。

LLC和IPS檢驗的原假設都是存在單位根，從表1可以看出外，高技術產業LLC檢驗的p值和IPS檢驗的p值均低于5%，應拒絕原假設，即本文選取產業樣本公司面板數據不存在單位根，各變量是平穩的。

3.2 模型效應類型檢驗

從數理統計的角度，為克服結果隨個體或時間的影響，在對面板數據進行回歸分析之前，還需對模型進行混合效應、隨機效應或固定效應的選擇，其中，固定效應還分為個體固定效應、時間固定效應和個體時間雙固定效應。

為了對混合效應、隨機效應和固定效應模型類型進行選擇，將我國高技術產業滬深兩市350家上市公司2010—2017年度的2800組觀測值代入模型（1），運用Eviews10.0進行面板數據回歸，分別進行了Likelihood Ratio檢驗和Hausman檢驗。檢驗結果分別如表3-3和表3-4所示，Likelihood Ratio檢驗的Prob值為0.003，遠小于0.005，因此拒絕模型（1）采用混合效應的假設;Hausman檢驗的Prob值為0.0000，遠小于0.05，因此拒絕了模型（1）為隨機效應模型類型的原假設，因此應采用固定效應模型。為了進一步對個體固定、時間固定和個體時間雙固定效應模型類型的選擇，本文依次對三種模型類型進行檢驗發現個體時間雙固定效應模型的檢驗效果最好。

綜上，本文在運用Eviews10.0進行模型（1）的測算時，選擇個體時間雙固定效應，應用最小二乘法進行估計，以克服結果隨個體和時間變化的影響。

3.3 測度結果

高技術產業總體資本配置效率測度結果如表4所示。

實證檢驗的系數η為0.2998，說明高技術產業總體資本配置效率是有效的。實證檢驗的標準誤差（Std.Error）越小，T檢驗值（t-Statistic）越大，說明回歸系數的估計值越可靠，系數η的標準誤差為0.0129，T檢驗值為23.2402，說明系數η估計值準確性強。實證檢驗P值（Prob）為理論T值超越樣本T值的概率，越小說明了因變量與自變量之間的相關性越好，本次檢驗P值為0.0000，說明因變量與自變量之間有非常顯著的相關關系。實證調整的R2代表回歸直線的擬合程度，該值越大越好，R2為0.6987，說明回歸直線對觀測值的擬合程度較好。實證檢驗的DW統計量（Durbin-Watson stat）用于檢驗序列的自相關，一般而言，DW值的取值區間為0—4，當DW值很小時（大致lt;1）表明序列可能存在正自相關，當DW值很大時（大致gt;3）表明序列可能存在負自相關，當DW值在2附近時（大致在1.5到2.5之間）表明序列無自相關，其余的取值區間表明無法確定序列是否存在自相關，實證DW值為1.7107，說明序列無自相關。

整體來看，模型（1）的回歸與解釋效果較好，自變量的回歸系數η具有較強的可信度。2010—2017年，我國高技術產業資本配置效率測度值為0.2998，截距α為0.1369，說明我國高技術產業資本配置效率除了受到產值影響外，還受到其他因素如政府政策、經濟周期等的影響。

4 結論

實證結果表明我國高技術產業整體的資本配置效率是有效的，但相對而言，這種配置值還處于較低水平。早在2000年，Wurgler對1963—1995年65個國家的資本配置效率值進行測度，測度結果顯示65個國家的平均資本配置效率為0.429，德國的最高，為0.988。說明我國高技術產業資本配置總體上做到了由低效向高效行業流動，但資本配置效率仍然偏低，究其原因主要在于高技術產業特別是部分先導型、支柱性產業的發展周期長，技術研發與產業化方向的不確定強，風險高，產業發展初期投入大，而產出小并且不穩定，這種產業特性成為資本流入及其配置效率提升的一大障礙。我國銀行體系高負債經營的特點決定了其在資金借貸中更注重安全性與流動性，對高風險、周期長的高技術產業往往敬而遠之。而服務于高技術產業的資本市場與風險投資尚未發展完善，缺乏專業化與效率。這也說明我國高技術產業資本配置效率有著巨大的提升空間，處于發展初期的高技術產業需要宏觀產業政策和金融市場的有效支撐引導。

參考文獻

[1]陳瑩文，王美強，陳銀銀，耿建國.基于改進兩階段DEA的中國高技術產業研發創新效率研究[J].軟科學，2018，32（09）：14-18.

[2]彭峰，周淑貞.環境規制下本土技術轉移與我國高技術產業創新效率[J].科技進步與對策，2017，34（22）：115-119.

[3]Jeffrey Wurgler.Financial Markets and the Allocation of Capital[J].Journal of Financial Economics，2000，58（1-2）：187-214.

[4]楊松令，吳平，劉亭立.我國戰略性新興產業資本配置效率的測算及分析——基于Wurgler模型的實證研究[J].科技管理研究，2018，38（03）：76-85.