基于FAVAR模型的技術創新效率不確定性測度

王必好，梁榮成

(1.華東交通大學經濟管理學院，江西 南昌 330013;2.中國人民大學勞動人事學院,北京 100872)

0 引言

中國經濟已經轉向高質量發展階段，必須推動經濟發展質量變革、效率變革、動力變革。技術創新效率變革在 “三大變革”中發揮先導性作用，受大量隨機因素影響，許多不可觀測變量會發生不確定性變化，表現為自回歸擾動項變動幅度較大。因此，如何測度技術創新效率不確定性程度，提高測度結果精準化水平是一個很好的研究選題。尤其是，研究測度上市公司在產業層面的技術創新效率不確定性程度，分析股價指數、時期長度、創新要素投入、新產品產出等信息在這種不確定性變動中的作用，使測度結果能準確反映技術創新效率不確定性的變動幅度與特征。

測度技術創新效率不確定性程度，在觀察時期長度、信息獲取、模型構建、方差分解等方面存在許多可以深入研究的問題。本文以上市公司技術創新效率不確定性測度作為重點內容，研究技術創新效率在哪個時期保持最優狀態，引入哪些變量或變量組合可以準確反映技術創新效率實際變動情況，能否在創新要素投入與產出環節中提煉出共同因子，識別與吸納更多技術創新效率變動信息，探索技術創新效率不確定性測度結果有哪些構成，可以細化分解為哪些影響效應，從而提高測度結果精準化水平。

基于此，本文重點研究3個方面：①運用主成分分析方法，從大量數據集合中提煉共同因子，吸納更多信息，全面準確反映技術創新效率變動趨勢。②建立因子增廣向量自回歸模型 (FAVAR)，把創新要素投入與產出環節中大量數據集合分為兩種變量，即共同因子和反映其額外信息的不可觀測變量，構建技術創新效率預測器，獲取更多技術創新活動信息。③運用脈沖響應和方差分解方法，分析共同因子等影響因素的單位擾動項沖擊導致技術創新效率變動幅度，測度每一次沖擊對技術創新效率方差的貢獻份額及其相應的時期長度，真實反映技術創新效率不確定性程度。本文的理論貢獻在于，更加真實反映技術創新效率不確定性變動的來源、生成過程以及擴散傳導，進一步提高不確定性測度精準化水平，引導創新主體選擇合理的創新要素投入階段，改善投入產出比例，實現最優技術創新效率，在此基礎上提出相關政策建議。

1 文獻綜述

1.1 技術經濟現象不確定性測度

不確定性技術經濟現象研究，主要通過單一變量波動幅度和離差反映其變動情況，運用VAR方法估計，變量新息 (Innovation)測度結果表明，不確定性對產出和雇工在6個月內仍然產生作用[1]。實際經濟活動的不確定性變動，由不同廠商、不同產業盈利、TFP與預測量離差作為衡量變量，經濟衰退是由不確定性增加所引起的，進而導致生產率下降[2]。這些研究認為不確定性變量具有明顯的隨機變動特征，而德國調查公司數據分析發現，不確定性出現是衰退的結果而不是原因[3]。早期不確定性問題研究的重點是各種測度方法[4]，即使測度結果是無偏的，分析者對測度結果的分歧不等于其具有不確定性[5]。國內學者構建中國季度宏觀經濟政策分析模型，研究1996—2007年經濟運行不確定性特征[6]。然而，導致技術經濟現象不確定性因素及構成份額受到多種因素影響，本文將在增加信息量、模型升級以及實證方法改進等方面深化研究，拓展對不確定性現象的認識。

1.2 FAVAR模型建立與應用

VAR模型的分析功能是通過與因子分析相結合而得以拓展[7]。共同因子和因子增廣向量自回歸模型 (FAVAR)具有處理高維度時間序列數據的優勢，動態因子包含著豐富的宏觀經濟信息，解釋產出、就業、價格等主要變量的大部分方差[8-9]。提取的因子可以視作宏觀經濟變量，從而擴大FAVAR模型的應用領域[10-11]。國內學者[12]以FAVAR模型測度2003—2016年中國經濟不確定性，分析中國貨幣政策的宏觀經濟效應[13]，計算中國CPI宏觀成分并且揭示宏觀沖擊效應[14]。與上述文獻不同，本文以滬深股市6個產業上市公司技術創新活動信息集為主要數據來源，利用FAVAR模型在處理高維度數據方面的優勢，測度技術創新效率不確定性程度，進而應用脈沖響應函數，揭示共同因子和不可觀測變量對技術創新效率的沖擊效應，以新的研究視角和方法，對不確定性方差進行結構性分解，提高測度結果精準化水平。

1.3 技術創新效率不確定性變動及影響因素

吸納應用先進技術并不一定帶來要素集約利用，其效率變化具有隨機性特征[15]。技術升級在高、中、低3個階段中是不確定的，其投入產出比例隨機變動特征明顯[16]。技術創新效率隨機變動加大其離散程度，由標準方差表示，并可運用統計指標進行調整[17]。國內學者[18]從制度性改革角度分析未來中國全要素生產率 (TFP)增長潛力和驅動因素，研究政策實施過程中風險和不確定性。長期和短期機構投資者的技術創新效率有著顯著差異， “短視論”不能解釋機構投資者的投資行為[19]。全要素生產率提升的3個途徑是技術進步、技術效率提升和結構轉換[20]。然而，技術創新效率不確定性受到自變量擾動項的沖擊，可以運用主成分分析方法提煉共同因子，構建FAVAR模型進行理論分析，最大限度地吸納技術創新活動信息，從而定量測度技術創新效率不確定性。

上述文獻中，技術創新效率研究與不確定性測度主要依靠單一指標，通過單變量離差、時間序列無條件波動和回歸擾動項進行分析。本文創新點在于，把因子分析 (FA)與向量自回歸分析 (VAR)結合起來，把不確定性看作是不可觀測變量的變動結果，在投入產出兩個環節中吸納更多技術信息。通過提煉共同因子，有效擴大信息量，精準測度技術創新效率不確定性程度。引入脈沖響應函數，分析自變量每單位方差帶來因變量方差的變動幅度，更準確地反映變量之間的沖擊程度與響應關系，精準測度技術創新效率不確定性變動特征。

2 理論模型分析

2.1 提煉共同因子

本文把不確定性測度模型[21]應用到技術創新效率研究領域。假設St= (S1t,…,SNt)′為技術創新活動中大量數據集合，既包含技術創新效率不確定性變動的共同因子，也有不可觀測變量，對St進行對數或微分變換，保證序列穩定性。通過以下形式，在Sit中提煉共同因子，獲得不可觀測變量的信息,公式為：

(1)

(2)

2.2 構建技術創新效率FAVAR模型

(3)

(4)

2.3 基于FAVAR模型的技術創新效率不確定性測度

(5)

(6)

根據以上分析形成研究思路Ⅰ：因子增廣向量自回歸模型 (FAVAR)運用主成分分析方法，從大量數據集合中提煉共同因子，與滯后l時期長度的技術創新效率同時納入自回歸分析，采集不可觀測變量的更加完全信息，回歸擾動項變換為不確定性測度方差，經過正交化后求得平方根，反映技術創新效率不確定性程度。

2.4 技術創新效率不確定性程度的方差分解

技術創新效率預測器Mit是主要影響因素，存在著許多直接或間接變量，導致技術創新效率不確定性變動，新的擾動項又加劇這種不確定性變動。對其中的共同因子Ct(不可觀測變量At的討論也是相似的)進行自回歸分析，模型可表示為：

(7)

ΔC(l)=ΔC(l-1)+ (ΘC)2 (l-1)(ζC)2

(8)

式中，共同因子Ct引起技術創新效率不確定性測度方差ΔC(l)變化，主要受到時期長度l及其方差 (ζC)2的沖擊作用。特別地，共同因子Ct對技術創新效率不確定性變動形成的沖擊效應可以通過其方差 (ζC)2自回歸分析進行細化分解，對數化消除可能的異方差，模型可表示為：

(9)

共同因子Ct方差 (ζC)2在t時期和t+l時期之間可以細化分解為n階段，每個階段對不確定性的沖擊仍然存在著3種效應，即水平效應μC、規模效應ρC和穩定性效應ηC。在每個階段中，后一時期沖擊效應都是獨立于前一時期，共同因子Ct導致技術創新效率不確定性具有隨機特征，期望方差隨機變動可分解為：

(10)

根據以上分析形成研究思路Ⅱ：提煉的共同因子納入FAVAR模型分析，獲取不可觀測變量的更多信息，對技術創新效率不確定性產生沖擊作用，主要是由水平效應、規模效應和穩定性效應3個方面構成的。其中，規模效應和穩定性效應表現為非線性沖擊作用，水平效應表現為線性沖擊作用。

2.5 技術創新效率不確定性測度結果分析

2.5.1 不確定性變動信息的識別與獲取

(11)

(12)

(13)

當l=3時，兩個變量擾動項的FAVAR模型可表示為：

(14)

2.5.2 技術創新效率不確定性測度結果的構成

(15)

由向量自回歸原理可知，在t時期變動到t+l時期后，技術創新效率xjt、共同因子Ct和不可觀測變量At等3個變量形成新的自回歸擾動項，其平方期望值等于各自方差期望值，即有：

根據以上分析形成研究思路Ⅲ：當期技術創新效率變動和預測器對下期技術創新效率不確定性產生顯著沖擊效應。這種不確定性測度主要來自當期技術創新效率一階自回歸擾動項、預測器方差及其與技術創新效率協方差，技術創新效率隨機變動方差是不確定性主要構成部分。

3 指標選擇與數據處理

3.1 指標選擇

技術創新效率不確定性變動是通過時期指標反映的，時期跨度為2002年1月至2017年12月，研究對象是滬深股市669家上市公司，分布在軟件開發業、電氣設備業、電子元器件業、汽車零部件業、通信設備業和醫藥生物業6個產業。指標來自于上市公司年度和半年度財務報表，分類情況說明如下。

(1)投入類指標，主要有R&D經費支出，無形資產攤銷，購建無形資產支付的現金，處置無形資產的損失，R&D人員全時當量由其應付職工薪酬表示。

(2)產出類指標，包括每股收益、每股盈余公積、主營業務收入、上證加權平均市盈率、新產品總產值、新產品銷售收入、新產品銷售利潤等。

(3)技術創新效率指標，反映上市公司技術創新活動投入產出比例，信息來源于投入和產出兩個環節，包含有不可觀測變量，隨機因素較多，其變動是不確定性的。結合上市公司技術創新狀況，實證分析中大量數據集合{Xit}包括的實證分析指標有7類，具體指標見表1。

表1 上市公司技術創新活動大量數據集合的指標體系

3.2 數據處理

數據取自中國證券網上證報數據平臺，實證分析利用國家統計局大中型工業企業行業數據和上市公司業績預報等資料，對其半年報數據進行細化分解，獲得相應的月度數據和季度數據。為消除可能存在的異方差，對數據進行一階差分變換，把全部變量轉變為平穩序列。本文研究的主要指標是技術創新效率不確定性程度，為使其包含更多信息量，對投入類和產出類指標分別進行去量綱化處理，再加權合并，綜合反映技術創新效率變動情況，實證分析軟件是Stata12.0。

4 實證結果分析

4.1 提取共同因子

根據研究思路Ⅰ，實證分析首先在大量數據集合中提取共同因子，充分挖掘既定變量所包含的技術信息，精準測度技術創新效率不確定性程度。通過運用主成分分析方法，從32個指標中提取7個共同因子，即R&D經費投入、研發人員全時當量、上證加權平均市盈率、新產品銷售收入、新產品產值、主營業務收入、新產品銷售利潤。

主成分分析結果表明，第1個主成分對技術創新效率不確定性變動的解釋程度達到0.6760，特征值和差異值分別為13.5202、11.5842，第2～7個主成分解釋程度分別為0.0968、0.0524、0.0497、0.0405、0.0336、0.0185。7個主成分累計解釋程度達0.9675，最大程度地包含技術創新效率不確定性變動信息。實證分析還顯示出7個共同因子所對應的指標與特征向量，7個指標能夠最大程度地覆蓋技術創新活動投入產出信息。

4.2 技術創新效率不確定性比較分析

4.2.1 基于月度數據的技術創新效率不確定性比較分析

實證結果表明，技術創新效率不確定性程度在產出環節上，與新產品產值環比發展速度、前2期和前4期定基發展速度相關性不顯著，相關系數僅為0.0045、-0.0019、0.0014，而主營業務收入、上證加權平均市盈率與之相關系數為0.0117、-0.0232、0.0448，0.0019、-0.0029、0.0792。9項相關系數的估計標準誤分別是0.0619、0.2815、0.4721，0.0091、0.0061、0.0079，0.0024、0.0018、0.0025。由研究思路Ⅰ和Ⅱ可知，技術創新效率不確定性程度與產出指標相關性不顯著，存在著不可觀測變量。這種變動具有規模效應，逐步擴散放大，兩者不是一維線性變動關系。

技術創新效率不確定性程度在要素投入環節中，與R&D經費投入環比發展速度、前2期和前4期定基發展速度的相關系數分別為0.0002、0.0020、 -0.0609，均低于主營業務收入和上證加權平均市盈率的回歸系數0.0682、0.0917、0.6963，0.0011、0.0022、0.0316。相應的估計標準誤分別為0.3935、0.4821、0.5019，0.0120、0.0075、0.0080，0.0043、0.0025、0.0023。技術創新效率不確定性程度在R&D經費投入中受到不可觀測變量的沖擊影響，連續作用于多個時期，而且具有一定的穩定性效應，存在著難以識別的技術信息，估計標準誤處于較高水平，其不確定性程度波動起伏較大，具有明顯的規模效應。

4.2.2 基于季度數據的技術創新效率不確定性比較分析

技術創新效率不確定性程度與新產品銷售利潤進行比較分析，技術創新效率不確定性程度在全樣本、半樣本時，一階自回歸系數為-0.1680、0.1928，而新產品銷售利潤一階自回歸系數為 -0.2709、-0.6734。相應的估計標準誤分別為0.6106、0.7288，0.0153、0.0941。由研究思路Ⅰ和Ⅱ可知，技術創新效率不確定性程度一階自回歸系數明顯低于新產品銷售利潤，而估計標準誤又相對較高，不可觀測變量較多，隨機變動特征明顯。另外，技術創新效率不確定性偏度峰度為-2.1709、12.1147，而新產品銷售利潤偏度峰度為0.7151、7.4593。技術創新效率不確定性偏度小于新產品銷售利潤偏度，而峰度又大于新產品銷售利潤峰度，其上下波動幅度明顯大于后者，不確定性程度遠遠高于新產品銷售利潤。

技術創新效率不確定性程度主要取決于投入產出兩個環節技術信息量，而新產品銷售利潤僅僅受到產出環節技術信息影響。兩者分別與新產品產值環比發展速度、前2期和前4期定基發展速度回歸系數分別為0.0001、0.0089、0.0136，0.2009、0.3842、0.5422，估計標準誤分別為0.2946、0.4196、0.7182，0.0361、0.0530、0.0698。與R&D經費投入環比發展速度、前2期和前4期定基發展速度回歸系數為-0.0036、0.0718、0.0830，0.0549、0.3086、0.5550，估計標準誤為0.6685、0.8246、0.9261，0.0419、0.1545、0.1795。由研究思路Ⅱ可知，技術創新效率不確定性程度與兩個變量3種不同發展速度之間回歸系數相對較低，估計標準誤又相對較高。技術創新效率中不完全技術信息較多，這種沖擊作用在較短時期內是連續的，具有穩定性效應。受到大量不可觀測變量的影響，其不確定性程度形成規模效應，得到快速擴散放大。

季度數據分析結果表明，技術創新效率不確定性程度、新產品銷售利潤分別與新產品產值、R&D經費投入環比發展速度回歸系數，低于與前2期定基發展速度回歸系數，與前2期定基發展速度回歸系數又低于前4期定基發展速度。定基發展速度反映的時期越長，所體現的信息量越多，變量之間相關程度越高，回歸系數越大，而所反映的時期越短，信息量越少，變量之間相關程度越低，回歸系數越小。

4.2.3 基于半年度數據的技術創新效率不確定性比較分析

技術創新效率不確定性程度、新產品銷售收入在全樣本時一階自回歸系數為0.6478、0.7878，而在半樣本時為0.3469、0.5584，估計標準誤分別為0.6403、0.2026，0.7557、0.3296。技術創新效率不確定性程度一階自回歸系數均低于新產品銷售收入，估計標準誤高于新產品銷售收入。技術創新效率不確定性自回歸結果存在較大幅度波動起伏，受到不可觀測變量的沖擊較大，具有顯著的隨機變動特征。同時，技術創新效率不確定性偏度峰度分別為-0.4947、5.8691，新產品銷售收入偏度峰度為1.5443、4.9288。由此可見，技術創新效率不確定性變動的偏度峰度存在較大落差，上下波動區間明顯大于新產品銷售收入。

技術創新效率不確定性程度、新產品銷售收入與新產品產值環比發展速度、前2期和前4期定基發展速度的回歸系數分別為0.0121、0.0127、0.0205，-0.0549、-0.0184、-0.0480，估計標準誤分別為0.5084、0.6055、0.9105，0.0433、0.1379、0.1580。而與R&D經費投入環比發展速度、前2期和前4期定基發展速度回歸系數分別為0.0225、0.0622、-0.0923，0.2098、0.4416、0.5155，估計標準誤分別為0.5321、0.8347、0.9487，0.0839、0.1635、0.2005。根據研究思路Ⅱ可知，與新產品銷售收入相比，技術創新效率不確定性程度對技術信息變動更加敏感，環比發展速度吸納的信息量相對較少，對不確定性變動會形成穩定的沖擊效應。而在前2期、前4期定基發展速度回歸分析中，連續觀察較長時期的產出水平變化，獲取與利用的信息更多，具有更加顯著的相關關系。

4.2.4 基于年度數據的技術創新效率不確定性比較分析

技術創新效率不確定性程度、新產品總產值全樣本一階自回歸系數為-0.3687、0.4834，半樣本為-0.7040、-0.9247，估計標準誤分別為0.8597、0.5048，0.2881、0.0001。技術創新效率不確定性程度自回歸系數仍然相對較低，波動起伏較大，估計標準誤相對較高，兩階段技術信息得不到充分吸納與傳遞。技術創新效率不確定性偏度峰度為0.1691、9.6857，而新產品產值偏度峰度為2.3856、7.9790。技術創新效率不確定性變動存在更多不完全技術信息，導致自相關系數相對較低，呈現出大幅度波動起伏變化。

技術創新效率不確定性程度、新產品產值分別與新產品產值環比發展速度、前2期和前4期定基發展速度回歸系數分別為0.0068、0.0156、0.0300，0.0279、0.0488、0.0681，相應的估計標準誤分別為0.3288、0.5074、0.7162，0.1448、0.2387、0.2849，兩者對技術信息敏感程度具有較大差異。由研究思路Ⅱ可知，技術創新效率不確定性程度在投入產出環節中存在不可觀測變量，難以充分識別技術信息，水平效應和穩定性效應不明顯，規模效應相對顯著，估計標準誤較高。較小幅度的外生性因素沖擊，帶來明顯的不確定性變化。技術創新效率不確定性程度、新產品產值與R&D經費投入環比發展速度、前2期和前4期定基發展速度的回歸系數分別為0.0813、0.1399、0.1633，0.1733、0.2273、0.7163，估計標準誤分別為0.3563、0.7357、0.9082，0.2634、0.6114、0.7011。技術創新效率不確定性程度與R&D經費投入3種不同發展速度的回歸系數相對較低，而估計標準誤又相對較高，受到大量干擾因素影響，投入信息沒有得到充分吸納。

4.3 基于投入產出環節的技術創新效率不確定性分析

技術創新效率不確定性程度分別與正增長、負增長的新產品產值、R&D經費投入開展回歸分析。回歸結果表明，技術創新效率不確定性程度與新產品產值發展速度的相關關系，沒有隨著新產品產值增長或下降而發生同方向變化。在1、5、6、7、8、9、10、12月份中，技術創新效率不確定性程度與全樣本新產品產值之間相關系數分別為0.0071、0.0149、-0.0040、-0.0026、-0.0480、0.0605、0.0110、-0.0517，均處于與正增長和負增長新產品產值相關系數區間之外，技術創新效率不確定性具有隨機變動特征。由研究思路Ⅱ可知，技術創新效率不確定性程度與新產品產值等產出指標關聯程度較低，技術信息的水平效應和穩定性效應不顯著，包含著大量不可觀測變量。不完全技術信息得到擴散放大，對技術創新效率不確定性變動的沖擊作用得到迅速擴散，產生規模效應，直接或間接地影響技術創新效率變動，識別這些因素可以更加精細地測度不確定性程度。

R&D經費投入出現正增長或負增長，并不一定帶來技術創新效率相同方向變動，而是出現不確定性變動。實證結果分析表明，在3—11月的月度資料中，全樣本技術創新效率與R&D經費投入的相關系數分別為0.0130、0.0620、0.0010、-0.0135、0.0198、0.0094、0.0003、-0.0060和-0.0544，偏離與R&D經費投入正增長和負增長相關系數。由研究思路Ⅱ可知，R&D經費投入作為共同因子，技術信息在沖擊過程中沒有出現顯著的水平效應和穩定性效應，存在規模效應。技術創新效率不確定性程度沒有隨之增長而上升，也沒有隨之減少而下降，其變動趨勢是不規則的。

4.4 技術創新效率不確定性程度的脈沖響應分析

4.4.1 變量選擇

脈沖變量選擇上市公司主營業務收入、研發人員全時當量、新產品銷售利潤等3個指標，響應變量選擇t=1、6、12時期技術創新效率不確定性程度、上證加權平均市盈率和新產品產值等5個指標。首先分析時期長度h=6、12脈沖變量的單位方差變動對響應變量的方差貢獻份額。根據方差貢獻份額最大值及其所在的時期長度h，刻畫響應變量的方差變動幅度與趨勢，精準地測度技術創新效率不確定性程度。

4.4.2 選擇主營業務收入作為脈沖變量

實證結果分析表明，脈沖變量在時期長度h=6、12時，t=1、6、12時期技術創新效率不確定性程度、上證加權平均市盈率等4個變量作為響應變量，相應的方差貢獻份額分別為0.0138、0.0173、0.0509、0.0113，0.0933、0.1937、0.0200、0.0284，4個響應變量的最大方差貢獻份額分別為0.0206、0.0120、0.2002、0.0301，對應的測度時期長度為41、41、37、50。與之相對應，新產品產值在這4次脈沖響應變動中，時期長度h=6、12時方差分別為0.2052、0.3305、0.2084、0.3249，0.2231、0.3421、0.1968、0.3349，4次響應變動的最大方差貢獻份額為0.3464、0.3379、0.3604、0.3504，對應的測度時期長度為52、55、52、52。由研究思路Ⅱ和Ⅲ可知，t=1、6、12時期技術創新效率不確定性變動中包含有不可觀測變量，導致隨機變動特征明顯，技術創新效率方差和一階自回歸擾動項是其不確定性變動的主要構成部分。不完全技術信息較多，受到主營業務收入等脈沖變量影響，不確定性變動形成明顯的規模效應，在較短時期內出現大幅度波動變化。

4.4.3 選擇研發人員全時當量作為脈沖變量

脈沖變量在時期長度h=6、12時，t=1，6，12時期技術創新效率、上證加權平均市盈率等4個變量作為響應變量，相應的方差貢獻份額分別為0.0307、0.0508、0.0063、0.0075，0.0132、0.0186、0.0022、0.0024。4個響應變量的最大方差貢獻份額分別為0.0511、0.0076、0.0224、0.0024，對應的時期長度為36、25、39、33，方差貢獻份額在較短時期內出現較大變動。與之相對應，新產品產值在4次脈沖響應變動中，時期長度h=6、12時方差貢獻份額分別為0.0719、0.0772、0.0678、0.0728，0.0809、0.0832、0.0711、0.0772，4次響應變動的最大方差貢獻份額分別為0.0774、0.0735、0.0832、0.0777，對應的測度時期長度為47、46、42、49。根據研究思路Ⅲ可知，新產品產值作為共同因子，與上證加權平均市盈率構成預測器，技術創新效率與預測器協方差可以覆蓋更多的技術信息，比較全面地反映技術創新效率動態變化情況，更加精準地測度其不確定性程度。

4.4.4 選擇新產品銷售利潤作為脈沖變量

脈沖變量在時期長度h=6、12時，t=1，6，12時期技術創新效率不確定性程度、上證加權平均市盈率等4個變量作為響應變量，方差貢獻份額分別為0.0187、0.0224、0.0061、0.0259，0.0666、0.1701、0.0165、0.0256，這4個響應變量最大方差貢獻份額分別為0.0258、0.0265、0.1784、0.0264，對應的時期長度為47、41、41、57。由研究思路Ⅲ可知，新產品銷售利潤作為脈沖變量，預測器包含有市場結構、新產品價格、銷售渠道等額外信息，預測器方差影響這種不確定性變動的趨勢與幅度。而新產品產值在4次脈沖響應變動中，時期長度h=6、12時方差分別為0.1981、0.3316、0.2000、0.3281、0.2134、0.3394、0.1972、0.3434，4次響應變動中最大方差分別為0.3428、0.3369、0.3521、0.3508，對應的時期長度為55、49、47、22。變動幅度分布時期相對較長，具有顯著的穩定性。

5 結論與政策建議

本文測度技術創新效率不確定性程度，運用主成分分析方法，在技術創新活動大量數據集合中提取共同因子，與其不能反映的不可觀測變量構成預測器，建立因子增廣向量自回歸模型 (FAVAR)，充分挖掘既定變量的信息，有效利用現有數據資源，提高測度結果精準化水平，避免引入較多變量而導致信息疊加程度過高。實證分析以滬深股市軟件開發業、電氣設備業、電子元器件業、汽車零部件業、通信設備業和醫藥生物業6個產業669家上市公司技術創新效率為研究內容，在32個指標構成的多維數據集合中提取7個指標作為共同因子，獲得最大化的技術信息量，使技術創新效率不確定性測度獲得更多信息來源。

研究發現，FAVAR模型通過提煉共同因子，構建預測器，吸納不可觀測變量的大量信息，技術創新效率自回歸擾動項變換為不確定性測度方差，正交化處理后即可獲得不確定性測度結果。方差分解結果發現，一階滯后因變量和預測器變動方差對技術創新效率不確定性測度結果形成3種沖擊效應，即線性的水平效應和非線性的規模效應、穩定性效應，從而提高技術創新效率不確定性測度精準化水平。技術創新效率不確定性程度由4項構成，即技術創新效率自回歸擾動項、預測器方差及其與技術創新效率協方差、技術創新效率隨機變動方差。由此提出以下政策建議。

(1)堅持效率原則。合理選擇創新要素投入時期，持續識別、吸納與利用技術信息，避免不完全技術信息導致的資源錯配和低效率利用，平緩技術創新效率隨機變動幅度，堅持效率優先，大力提高要素利用集約化水平。

(2)優化要素配置。政府需要積極完善技術、信息等要素市場，最大限度地吸納投入與產出環節中的技術信息，深度挖掘技術創新效率不確定性變動信息，準確識別與轉化技術進步中隨機因素，避免隨機因素對技術創新效率的沖擊，使其變動幅度控制在合理區間內。

(3)推進協同創新。以協同創新成果為支撐，使前后兩期創新要素配置實現穩定運行，有效集成技術進步中知識、技能 、人才、信息等創新要素，降低不可觀測變量在技術創新效率隨機變動中的擴散效應，在成果引進、消化、吸收等各環節中積累更多水平效應，減少信息空檔與斷點。

(4)保持科技政策連續性。以穩定提高技術創新效率為目標，細化分析創新要素投入產出過程中各類政策性影響因素，突出技術進步不確定性變動的預測與研判，強化技術創新風險管控，減少不可觀測因素的干擾，努力提高科技政策針對性和穩定性。