R&D投入、技術引進對高技術產業全要素生產率影響研究

汪泉

【關鍵詞】DEA—Malmquist指數;全要素生產率;R&D投入;技術引進;高技術產業

【中圖分類號】F276.44;F832.4【文獻標識碼】A【文章編號】1674-0688（2021）07-0006-03

0 引言

目前，我國經濟發展已經進入新的階段，發展速度從高速轉變為中高速，從要素驅動、投資驅動轉向創新驅動。面對這些變化，我國的經濟發展遇到了重大的挑戰。經濟發展方式和經濟效率一方面受到生產成本高、產品供求不匹配、資本邊際效率下降等結構性等問題的制約，另一方面會影響全面建成小康社會目標的實現（馮志峰，2016） [1]。2015年首次提出的供給側結構性改革就是要明確市場與政府的關系，充分發揮市場在資源配置中的主導作用，實現經濟的持久健康發展。現階段，供給側結構性改革的重中之重就是進行要素市場化改革，實現生產要素的最優配置，從而全面提高全要素生產率（劉世錦，2016） [2]。這就需要產業升級與發展生產力，提高供給質量和生產效率，進行技術創新。隨著當今世界經濟發展的一體化和國際市場競爭的日益加劇，高技術產業已經成為國際競爭的核心部分，是經濟增長的主要動力，也是促使經濟發展的主導產業。高技術產業的發展對推動國民經濟發展、優化產業結構及提高經濟效益有著重要的作用，而高技術產業全要素生產率能夠反映高技術產業的發展質量。所以，研究我國高技術產業全要素生產率并分析其影響因素意義深遠。

1 文獻綜述

很多學者都對高技術產業全要素生產率進行了深入研究。Sun and Kalirajan（2005） [3]通過利用DEA的Malmquist生產率指數計算6個高技術行業的效率值比較每個行業績效的高低。Raab and Kotamraju（2006） [4]利用DEA模型計算美國各個州的高技術產業效率，并進行排名，最后得出部分地區的高技術產業是經濟發展動力主要來源的結論。梁云、鄭亞琴（2015） [5]利用1991—2011年的省際面板數據和Malmquist指數法測算了地區全要素生產率，并證明了FDI促進生產率增長是通過FDI—技術創新—生產率提升的完整路徑產生作用的。

也有不少的國內學者對高技術產業全要素生產率的研究集中于影響全要素生產率增長的相關因素。比如，魯煒、嚴夏（2012） [6]通過高技術產業相關面板數據進行實證，構建了基于DEA的Malmquist生產率指數及其分解指數。呂海萍、池仁勇（2015） [7]基于DEA的Malmquist指數測算浙江省高技術產業全要素生產率，證明了R&D具有兩面性。姜彤彤（2013） [8]對我國30個省、市、自治區的高技術產業全要素生產率及其分解情況進行測度和研究，認為影響全要素生產率增長的主要原因是技術進步。李洪偉、任娜等人（2013） [9]證明了我國高技術產業的全要素生產率會受到環境變量和隨機因素的影響。

綜上，本文基于DEA的非參數方法，采用Malmquist指數測算全要素生產率，再研究R&D投入、技術引進對高技術產業全要素生產率的影響。

2 研究方法、變量與數據

2.1 全要素生產率的測算

2.1.1 基于DEA的Malmquist指數分析法

測算全要素生產率的方法主要有兩種：一是索洛余值法，二是基于DEA的非參數Malmquist生產率指數法。基于DEA的Malmquist指數不用設定生產函數，不需要投入產出指標的價格信息，適用于不同區域、產業或單位的跨期樣本分析，所以本文選擇Malmquist指數測算省際高技術產業的全要素生產率。

2.1.2 投入產出變量的選擇和計算

Malmquist指數分析法需要確定投入和產出的相關變量，投入與產出變量之間不能有太強的相關性;變量個數之和不能超過決策單元數的一半，否則會對結果有較大的影響。結合上述條件并借鑒大量相關研究，產出指標最終選擇當年價總產值和專利申請數，分別用來反映產業產出整體水平和R&D產出水平;投入指標要考慮資本和勞動力兩個方面的投入，因為勞動力質量不同，最終選定從業人員年平均數和研發人員全時當量作為勞動力投入指標，投資額和R&D經費內部支出作為資本投入指標。本文選取2000—2016年的全國高技術產業相關數據，考察范圍為除西藏和新疆外的29個省（直轄市、自治區），使用的所有數據均來自《中國高技術產業統計年鑒》。

2.1.3 全要素生產率計算結果

由測算可知，2000—2016年中國高技術產業整體全要素生產率為1.02，是指全要素生產率平均增長2%;技術進步率為1.019，即技術進步平均增長1.9%，說明生產率的提高主要依靠技術進步拉動;純技術效率是1.006，而規模效率是0.995，略小于1，說明整體處于規模效應遞減狀態。結果表明，技術進步率提高是高技術產業TFP增長的主要原因。

2.2 R&D投入、技術引進對全要素生產率的影響

2.2.1 模型構建

本文借鑒Krugman的技術差距模型，構建R&D投入、技術引進對中國高技術產業TFP增長影響的模型如下：

其中，TFP表示高技術產業全要素生產率，RD表示高技術產業的R&D投入，TI表示技術引進，RD*TI表示R&D的吸收能力，即研發投入吸收先進技術的能力。所以，β有兩層經濟含義，一是表示R&D投入對外來技術的吸收能力，二是表示R&D與技術引進相結合對高技術產業全要素生產率的影響。上述模型進行計量檢驗時，為了有效減少或消除內生性、共線性、相關性及異方差等計量問題，保證計量結果的科學性和有效性，本文擬運用一階差分法和加權最小二乘法進行計量檢驗，構建的一階差分模型如下：

其中，變量、系數含義同公式（1），下文的分析就以模型（2）的回歸結果展開。

2.2.2 樣本、數據和指標的選取

在做面板回歸時，本文刪去內蒙古、海南、青海、黑龍江、吉林、貴州、云南、甘肅、寧夏這幾個TFP值比較異常的省份。在指標和數據的選取上，TFP沿用上文測算的各省份高技術產業TFP數據。R&D投入（RD）用R&D經費內部支出額表示;技術引進（TI）用技術引進經費支出、技術改造經費支出、國內技術購買經費支出和消化吸收經費支出之和表示。樣本數據均來源于各年《中國高技術產業統計年鑒》，相關描述性統計見表1。

3 實證結果

3.1 面板數據單位根檢驗

進行面板數據回歸前，要檢驗數據的平穩性，一般采通過單位根檢驗對面板數據是否平穩進行檢驗。本文采用Levin檢驗、ADF檢驗、PP檢驗進行單位根檢驗，對模型（2）的各一階差分數列進行單位根的平穩性檢驗，結果顯示所有變量均是平穩的。面板數據單位根檢驗見表2。

3.2 面板數據回歸分析

本文使用EVIEWS軟件對模型（2）進行面板回歸分析，對于面板數據的實證通常有3種模型，分別是混合最小二乘法、固定效應及隨機效應。在做實證時，Hauseman檢驗值為0.893，相伴概率為0.827 0，并未拒絕隨機效應原假設，因此本文最終選擇隨機效應模型，結果見表3。

由表3可知：①研發投入對高技術產業TFP正向作用顯著。R&D投入每增長1%，高技術產業TFP增長0.42%，說明R&D投入對高技術產業TFP有顯著的積極作用。②技術引進對高技術產業TFP有輕微負影響。技術引進每增長1%，高技術產業全要素生產率降低0.088%。造成這一現象的原因可能是沒有制定一套適合在本國發展的策略，未能較好地利用外來技術，使得部分引進技術最終沒能真正被國內企業吸收和利用，造成一定的浪費，對高技術產業全要素生產率產生負面影響。③R&D吸收能力對高技術產業TFP有顯著正影響。R&D與技術引進的交互項系數顯著為正，意味著高技術產業R&D吸收能力比較好，引進的外部技術通過與R&D途徑結合能夠促進高技術產業TFP的增長，從而提高了高技術產業的生產率。這說明單純靠引進外部技術不足以提高高技術產業TFP，創新才是企業發展的內部動力。

4 政策建議

（1）強化對引進技術的吸收能力。技術引進對TFP的抑制作用表明我國對先進技術的學習和吸收能力有所欠缺，在大力實施供給側結構性改革的今天，我國高技術產業更應該充分消化、吸收及引進先進技術，推動高技術企業技術升級。

（2）增加對我國R&D的投入。R&D投入一方面可以促進促進高技術產業TFP的增長，另一方面可以和引進的外部技術結合促進高技術產業TFP的增長，從而促進生產率的提高。所以，要優化R&D投入結構，提高R&D投入的利用率，實現高技術產業的快速發展。

（3）重視自主創新能力的培養。高技術產業TFP增長主要依靠技術進步率的提高，而且只有將引進的外部技術與R&D途徑相結合，才能更好地促進高技術產業TFP的增長，這些都說明自主創新能力是高技術產業發展的真正動力。所以，要通過學習先進技術和研發新技術相結合的方式提高企業的投入產出比，實現高技術產業的高質量發展。

參 考 文 獻

[1]馮志峰.供給側結構性改革的理論邏輯與實踐路徑[J].經濟問題，2016（2）：12-17.

[2]劉世錦.“質量追趕型”中速增長期的機遇與挑戰[J].中國經濟報告，2016（6）：12-14.

[3]Sun C H，Kalirajan K P.Gauging the Sources of Growth of High-tech and Low-tech Industries：the Case of Korean Manufacturing[J].Australian Economic Papers，2005（2）：170-185.

[4]Raab R A，Kotamraju P.The Efficiency of the Hightech Economy：Conventional Development Indexes Versus a Performance Index[J].Journal of Regional Science，2006（3）：545-562.

[5]梁云，鄭亞琴.FDI、技術創新與全要素生產率——基于省際面板數據的實證分析[J].經濟問題探索，2015（9）：9-14.

[6]魯煒，嚴夏.高技術產業R&D全要素生產率變動分析——基于DEA模型的Malmquist指數方法[J].西北農林科技大學學報（社會科學版），2012，12（3）：51-56.

[7]呂海萍，池仁勇.R&D兩面性、技術引進與浙江省高技術產業全要素生產率增長[J].科技進步與對策，2015，

32（12）：67-71.

[8]姜彤彤.中國各省高技術產業全要素生產率研究[J].山東師范大學學報（人文社會科學版），2013，58（1）：

109-115.

[9]李洪偉，任娜，陶敏，等.我國高技術產業全要素生產率分析——基于三階段Malmquist指數方法[J].技術經濟與管理研究，2013（8）：41-46.