創新要素投入產出效率隨機變動測度與結果分析

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

當前，質量變革、效率變革、動力變革既是構建新發展格局的優先方向，也是實現經濟高質量發展的重要途徑。提高創新要素投入產出效率是“三大變革”的深刻內涵和必然要求。創新要素投入主要來源于隨機變動的技術成果，由于產出端受加工制造環節不可觀測變量沖擊，產出變動是不確定的。創新要素投入產出配置形成于多樣化的要素組合中，結果是隨機出現的。投入產出效率在不可觀測變量的作用下具有隨機變動特征，直接表現為自回歸擾動項的不規則變動。因此，測度投入產出效率隨機變動程度具有較高的理論研究價值。本文通過量化分析上市公司投入產出效率隨機變動程度，研究股票收益率、創新要素投入、時期選擇與新產品產出等信息，探析這種隨機變動過程中技術經濟之間的聯系與形成原因。

基于此，本文重點展開以下研究：①從創新要素投入產出大量數據集合中提取主成分，獲取共同因子，采集更多技術信息，反映創新要素投入產出效率隨機變動特征；②引入不可觀測變量，表示共同因子以外的大量技術信息，與共同因子組成投入產出效率預測器，構建因子增廣向量自回歸模型(FAVAR)，最大限度地覆蓋技術信息；③分析變量之間的脈沖響應關系，細化方差分解，逐一量化、解釋一階滯后自變量、共同因子和預測器單位擾動項沖擊引發的投入產出效率變動幅度，量化分析每次沖擊在投入產出效率方差中的貢獻份額，并確定相應時期長度，從而細化分析投入產出效率隨機變動構成。本研究的理論意義在于探析創新要素投入產出效率隨機變動形成原因、結構組成與變動過程，測度隨機變動程度，優化創新要素配置，改善投入產出比例，進而提出相關政策建議。

1 文獻綜述

1.1 創新要素投入產出分析與效率變動

廠商實際盈利、TFP與各自預測量離差反映效率隨機變動情況，是經濟衰退與效率下降的原因[1]。Bachmann等[2]認為，投入產出效率隨機變動是由經濟衰退造成的，而不是這種衰退的原因。技術經濟活動中隨機變動程度可用多種方法測度[3]。創新要素投入產出效率隨機變動影響因素包括技術信息[4]、進入時期與成本[5]和交易摩擦[6-7]。創新要素投入追求產出最大化，受風險因素和隨機變動的影響[8]。在區域差異化經濟發展水平下，相同創新要素投入產出效率相對較低，而有針對性地分配與使用創新要素能夠優化投入產出效率[9]。研究表明，隨機變動特征在創新要素配置中是不可避免的，存在多種形成原因，無論是在投入端還是產出端都產生著深刻影響，導致投入產出效率隨機變動起伏較大。因此，本文重點研究哪些因素引起這種隨機變動，通過分析與利用相應技術信息，精準測度投入產出效率隨機變動程度。

1.2 隨機變動過程測度與模型構建

隨著約束條件與環境的變化，投入產出模型也需要調整相應參數，由此引入隨機變動因素[10]。隨機變動因素對模型的影響形式表現為分布形狀差異和分布參數差異兩種[11-12]，隨機變動量化分析法包括金融市場波動[13-14]、因子預測誤差[15]和媒體關鍵詞頻率[16-17]等。王義中等[18]采用條件方差作為隨機變動程度的量化指標，分析要素投入受到的影響。上述研究表明，投入產出效率隨機變動可進行量化分析，測度結果與構成能夠反映其變動趨勢。因此，可根據技術經濟關系構建理論模型，通過計量分析檢驗相應參數，逐步獲得更加完整的技術信息，再進行參數調整與模型優化。另外，還可以運用因子分析(FA)和向量自回歸(VAR)法構建因子增廣向量自回歸模型(FAVAR)，分析技術信息如何導致投入產出效率隨機變動，并將其分解為具體構成因素進行細化分析。

1.3 技術進步隨機變動因素分析

Scotti等[19]將宏觀經濟不確定性與技術進步隨機變動融合在一起，基本經濟指標包含隨機變動因素[20]。技術進步隨機變動表達方式包括指標離差和VAR擾動項兩種，反映一定時期內投入產出效率隨機變動情況[13]。研究發現，技術進步是多種因素共同作用的結果，之前難以預測出現什么樣的技術成果。因此，需要深入分析創新要素投入對產出水平的影響效應。

創新要素投入產出效率隨機變動不僅表現為單個變量離差或回歸擾動項的變動幅度，通過分析其中的技術信息，還能夠深入挖掘隨機變動的多種來源、影響因素與構成比例。與以往同類研究不同，本文創新之處在于，投入產出環節存在許多不可觀測變量，包含大量技術信息，通過構建因子增廣大向量自回歸模型(FAVAR)可以深度挖掘和有效轉化不完全技術信息，使之更加充分地反映投入產出效率隨機變動趨勢與特征，精準量化投入產出效率隨機變動程度及份額。另外，運用脈沖響應分析和方差分解可以揭示這種隨機變動的主要來源、結構組成與影響程度。

2 模型構建

2.1 通過主成分分析提取共同因子

本文借鑒不確定性測度模型[15]研究創新要素投入產出效率隨機變動情況。假設Dt=(D1t,…,DNt)′為創新要素投入產出中的大量數據集合，投入產出效率包括兩個影響因素，即共同因子和不可觀測變量。構建以下回歸模型：

(1)

(2)

2.2 通過挖掘投入產出信息構建FAVAR模型

(3)

(4)

2.3 FAVAR回歸分析結果與投入產出效率隨機變動測度

(5)

(6)

由此，形成研究思路Ⅰ：從創新要素投入產出大量數據集合中提煉共同因子，與反映其額外信息的不可觀測變量構成預測器，將其納入創新要素投入產出一階自回歸分析，構建因子增廣向量自回歸模型(FAVAR)，使技術信息覆蓋投入產出效率隨機變動完整過程，將回歸擾動項轉換為隨機變動方差，以精準測度隨機變動程度。

2.4 投入產出效率隨機變動程度方差分解

投入產出效率隨機變動主要由預測器Hit產生，影響變量包括共同因子Rt和不可觀測變量Ut兩種類型，它們間接影響投入產出效率隨機變動程度，方差分解可以深入分析自回歸擾動項如何導致這種隨機變動程度。以共同因子Rt為例(對不可觀測變量Ut的討論也采用類似方法)，構建回歸分析模型。

(7)

ΠR(k)=ΠR(k-1)+(ΦR)2(k-1)(ηR)2

(8)

式(8)揭示投入產出效率隨機變動方差ΠR(k)、共同因子Rt方差(ηR)2、滯后一期自回歸系數ΦR之間的內在聯系。滯后一期自回歸系數ΦR包含大量額外信息，在時期長度k與共同因子R方差(ηR)2的共同作用下，導致投入產出效率隨機變動方差ΠR(k)大幅度變動。通過自回歸過程細化分解方差(ηR)2，以更加深入地分析方差(ηR)2在投入產出效率隨機變動中產生的沖擊效應。本文通過對數化消除異方差，構建一階自回歸模型。

(9)

式(9)主要細化分解方差(ηR)2在投入產出效率隨機變動中的影響效應，包括3項內容：①水平效應κR，當期方差為0時，即在方差變動初始狀態下，帶來下一時期方差變動的一般水平；②規模效應σR，即加劇自回歸擾動項隨機變動幅度；③穩定性效應εR，當期方差信息向下一期傳遞，使方差變動在前后兩期保持相對穩定。通過結構化分析共同因子方差自回歸結果，可以精準測度投入產出效率隨機變動情況。

由此，得出研究思路Ⅱ：在FAVAR模型中，共同因子和不可觀測變量構成預測器，在創新要素投入產出效率隨機變動過程中產生3種沖擊效應，分別是線性沖擊作用水平效應、非線性沖擊作用規模效應和穩定性效應。

2.5 投入產出效率隨機變動測度結果構成分析

2.5.1 隨機變動信息識別與獲取

(10)

(11)

(12)

2.5.2 投入產出效率隨機變動測度結果構成

(13)

由此，得出研究思路Ⅲ：創新要素投入產出效率隨機變動測度結果主要由4部分構成：投入產出效率一階自回歸擾動項及相應隨機變動方差、預測器方差及其與投入產出效率的協方差。

3 指標選取與數據處理

3.1 指標選取

創新要素投入產出效率隨機變動在時間上是連續的，上下波動是接連不斷發生的。本文觀測變量時間范圍為2002年1月至2017年12月。創新要素投入產出大量數據集合涵蓋32個指標，歸納為7大類，具體分類情況如下：①科技活動產出類指標包括主營業務收入、新產品銷售收入、新產品銷售利潤、每股收益、每股盈余公積、凈資產收益率、新產品產值、科技成果轉讓收入8個二級指標；②科技活動投入類指標包括R&D經費支出、研發人員全時當量、每股凈資產、購建無形資產支付的現金、處置無形資產的損失、當期計提折舊與攤銷、無形資產攤銷、專利權減值準備8個二級指標；③技術獲取和技術改造支出類指標包括引進國外技術經費支出、引進技術消化吸收經費支出、購買國內技術經費支出和技術改造經費支出4個二級指標；④科技活動效率類指標包括投入產出效率、開發新產品比重、能源利用效率、R&D人員勞動生產率和R&D經費投入產出效率5個二級指標；⑤資本市場信息類指標包括上證指數、高科技公司股價指數和上證加權平均市盈率3個二級指標；⑥進出口類指標包括高新技術產品進口額和高新技術產品出口額2個指標；⑦價格指數類指標包括高新技術產品生產者價格指數和高新技術產品消費者價格指數2個二級指標。本文以669家上市公司為研究對象，涉及滬深股市中軟件開發業、通信設備業、電子元器件業、醫藥生物業、汽車零部件業和電氣設備業6個產業。

3.2 數據處理

本文對數據進行如下處理：①時期處理：參考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數據，將669家上市公司年報數據、半年報數據細分為月度、季度數據，短時間內比較分析投入產出效率變動情況；②異方差處理：首先對4種不同時期數據進行差分變換，消除異方差；③數據可比性處理：由于投入產出效率隨機變動受創新要素投入與產出兩個環節的影響，需要緩解短期投入產出錯配對實證結果的影響，因此對投入類、產出類指標進行去量綱化處理。本文采用Stata12.0軟件，運用加權合并方式吸納更多信息量，分別體現投入產出環節中技術信息識別、吸納與變動情況，保持數據可比性。

4 實證結果分析

4.1 共同因子提取

根據研究思路Ⅰ，運用有限變量獲取更大份額的技術信息，并將額外信息納入不可觀測變量，組成創新要素投入產出效率預測器，以實現技術信息全覆蓋，從而準確完整地反映投入產出效率隨機變動情況。從32個指標中提取主成分，對每個主成分特征值進行降序排列，獲得相對應的貢獻率和累計貢獻率，再根據解釋程度需要達到的水平選擇主成分數量。最終，選取7個主成分，每個主成分的貢獻率均在1.5%以上，累計貢獻率達到96.75%；并且，根據共同因子與主成分特征向量之間的對應關系，得到相應實證分析指標。表1結果顯示，通過主成分分析法提煉的7個指標解釋程度達到96.75%，基本獲取創新要素投入產出兩個環節的全部信息。

表1 主成分分析法共同因子分析結果

4.2 不同時期數據創新要素投入產出效率隨機變動程度分析

4.2.1 基于月度數據的創新要素投入產出效率隨機變動程度分析

(1)表2第(1)～(6)列結果顯示，投入產出效率一階自回歸系數相對較低，受不可觀測變量的沖擊，不能完全識別技術信息變動。創新要素沒有足夠時間進行調試與糾錯，容易產生錯配。多種創新要素在較短時期內同時完成配置，要素投入沒有得到充分利用，產出水平仍然存在增長潛力，投入產出效率波動幅度較大，未達到最優狀態。而主營業務收入、上證加權平均市盈率一階自回歸系數相對較高，通過產品市場、資本市場供求選擇機制的作用，剔除大量隨機變動因素，不可觀測因素相對較少，各時期指標相關性較高。

(2)投入產出效率隨機變動程度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，明顯低于主營業務收入、上證加權平均市盈率與3個變量之間的相關程度。根據研究思路Ⅱ、Ⅲ進行深化分析，在短期內，階段性技術進步在創造性破壞因素作用下具有非線性趨勢和異質性特征。新產品產出過程呈不規則變化，與傳統定制產品相比，創新要素規格、數量、種類、投入時機與方式等在短期內難以消除隨機因素的影響。同時，知識形態技術成果滲透到實體形態要素受現有裝備水平、技術參數、配套功能與適應性的影響，不確定性因素增加。新產品功能組合越復雜，技術含量越高，制造裝配難度越大，投入產出效率隨機變動幅度越大。隨機變動結構組成復雜化，各種沖擊效應持續放大。相應地，主營業務收入和上證加權平均市盈率在市場機制作用下，通過甄別與篩選創新要素投入、產出、銷售信息和企業市值信息，獲取更多完全技術信息。回歸結果包含少量隨機因素，干擾程度較小。投入產出比例得到優化，貼近新產品生產需求，從而能夠準確、詳盡地反映新產品產值在不同時期變動情況。

(3)投入產出效率隨機變動程度與R&D經費投入環比發展速度、前2期和前4期發展速度相關性系數均低于主營業務收入、上證加權平均市盈率與3個變量的相關程度。在短期內，R&D經費投入首先需要購買知識形態技術成果，技術進步是隨機變動的，僅是階段性完成創新要素配置，投入產出環節高度契合概率較低，R&D經費投入中產出份額存在較大的不確定性。而主營業務收入、上證加權平均市盈率與R&D經費投入之間關聯程度較高，R&D經費投入可以帶來更高性能的產品與企業價值。產品市場與資本市場能夠緩解創新要素投入中干擾因素帶來的產出波動，兩者之間存在較高的相關性。

4.2.2 基于季度數據的創新要素投入產出效率隨機變動程度分析

(1)表2第(7)～(10)列回歸結果顯示，相對于新產品銷售利潤，投入產出效率隨機變動程度一階自回歸系數相對較低，且存在較大的估計標準誤差，其偏度低于新產品銷售利潤，而峰度又高于新產品銷售利潤。根據研究思路Ⅱ可知，隨機變動來源于規模沖擊效應和穩定性沖擊效應，主要體現在創新要素需求轉化為產出過程中。創新要素投入產出匹配依靠要素市場完成，要素需求是一種引致需求。這種需求既來自于下游生產廠商在要素市場上對中間產品的需求，又依賴于中間產品的技術含量。選擇中間產品作為要素投入，需要邊際要素成本等于邊際產品價值，即每增加一單位創新要素投入所產生的成本增量等于相應產出增量。當邊際要素成本小于邊際產品價值時，現有創新要素投入的產出潛力沒有得到充分挖掘，只有持續增加投入才能帶來更高水平的產出。當邊際要素成本大于邊際產品價值時，單位要素投入產出增量小于相應成本投入增量，因此此時應當減少創新要素投入。

(2)投入產出效率隨機變動程度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系數均低于新產品銷售利潤與3個變量的相關程度，前者存在較高的估計標準誤差，其偏度高于后者，而峰度又低于后者，這種隨機變動程度相對較大。創新要素投入產出效率隨機變動程度作為被解釋變量，間接受到產品市場需求的影響。消費者預期受多種因素的影響，如相關商品性價比。如果新產品性價比高于相關產品，消費者將優先選擇新產品，從而拉動創新要素投入，改善投入產出比例。創新產品需求價格彈性也會影響消費者預期，當需求價格富有彈性時，單位價格變動帶來新產品需求量更大幅度的反向變動，消費者將在合適的價格水平下形成較大的購買需求，從而帶來相應創新要素需求。然而，消費品供求均衡條件比較嚴格，消費者邊際效用等于貨幣邊際價值，兩者難以長期保持相等狀態，從而導致投入產出效率隨機變動程度較大，因此與3個變量的相關性較弱。而新產品銷售利潤與3個變量有較強的相關性。根據研究思路Ⅱ，創新要素在新產品加工制造應用過程中對市場信息變動比較敏感，規模沖擊效應比較顯著。當形成寡頭壟斷市場結構時，市場競爭以價格和產量為主，分別形成伯特蘭均衡和古諾均衡，兩者對激勵創新、優化投入產出效率造成差異化影響結果。以價格競爭為主的伯特蘭均衡比古諾均衡更能夠促進創新，新產品市場供求銜接緊密，價格信息傳遞靈敏，生產與銷售環節沒有出現要素閑置浪費和產品過剩短缺，從而實現邊際成本等于邊際收益。中間產品利用程度持續提升，技術進步不確定性因素得到有效改善。

(3)投入產出效率隨機變動程度與R&D經費投入環比發展速度、前2期和前4期定基發展速度相關系數顯著低于新產品銷售利潤與3個變量之間的相關系數。投入產出配置需要持續增加知識形態技術成果投入，而技術進步受多種因素的制約，技術存量變動只能通過離散變量反映，其對投入產出效率形成明顯沖擊。創新要素在投入環節需要連續購買知識形態技術成果，因為其在引進消化吸收過程中，受技術性能改進、加速折舊及創造性破壞等因素的影響。當技術進步實現跨越式發展后，創新要素配置存在較大差異，技術進步隨機變動受到多種沖擊而發生擴散與放大，技術成果投入難以完全適應生產環節需要，無法實現深層次轉化利用，導致投入產出效率呈曲線變動，而非持續平穩上升。當以新產品銷售利潤作為被解釋變量時，新產品產值受到市場供求狀況與價格波動的影響，僅從產出端觀察投入產出效率與新產品銷售利潤之間的關聯性，發現兩者相關程度相對較高。

4.2.3 基于半年度數據的創新要素投入產出效率隨機變動程度分析

(1)表2第(11)～(14)列回歸結果顯示，投入產出效率隨機變動程度一階自回歸系數低于新產品銷售收入，前者偏度高于后者，而峰度又低于后者，說明投入產出兩環節包含更多不可觀測變量，創新要素投入產出效率隨機變動程度較大。由研究思路Ⅲ可知，隨著觀察期延長，技術成果生成概率低，隨機變動測度結果反映多種干擾項變動信息。創新要素投入能夠緩解階段性技術進步對產出效率的負面沖擊，使投入產出效率趨于平穩。而新產品銷售收入一階自回歸僅取決于市場供求狀況和產品價格因素，其它隨機因素影響較小，影響程度與變動趨勢相對平穩。

(2)投入產出效率隨機變動程度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均低于新產品銷售收入與3個變量的回歸系數。根據研究思路Ⅱ可知，創新要素投入產出配置隨著觀察期逐步延長，技術進步受更多隨機因素的沖擊，給階段性技術進步預測帶來難度，投入產出效率隨機變動規模效應趨于顯著。兩階段技術進步之間的概率集合交集越大，這種影響效應越容易識別，技術向更高階段升級的概率就越大。前后兩階段技術進步界限模糊，只能將有限的關聯性信息轉化為由原因到結果的條件概率，創新要素投入產出隨機變動程度與新產品產值之間的回歸系數較低。

(3)投入產出效率隨機變動程度與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均低于新產品銷售收入與3個變量的回歸系數。R&D經費投入、人力資本、知識資本等創新要素配置比例及產出份額不確定，而是隨著人力資本流動性、結構改進與實際利用、知識資本穩定性及替代比例等因素的變動而變動。最優投入產出比例的實現條件是每種創新要素的邊際要素成本等于邊際產品價值，依此不斷進行調整，創新要素投入產出對下階段實際效率的影響只能依據當前狀況預測，從而優先選擇可以多次反復使用的知識資本，最終優化投入產出效率。但是，知識形態創新要素需要融入一定份額的實體形態創新要素中，如實驗設備、耗材、研發樣品、試制車間等的購買、配置、流轉與使用周期相對較長。由研究思路Ⅱ可知，不同種類創新要素配置存在較大的不確定性，投入產出效率包含諸多隨機因素，上下波動起伏較大。而新產品銷售收入與R&D經費投入保持相同方向的變動。相對于一般產品，新產品由于增加R&D經費投入，提高產品技術含量，滿足消費者多樣化需求，新產品功能與消費者效用得到較好改進，能夠逐步占領更大的市場份額。因此，應該激勵更多廠商優先投入R&D經費，持續深化技術創新，通過提高產品附加值獲得更大市場份額，而不是通過產量競爭和低價傾銷占領市場。

表2 創新要素投入產出效率隨機變動程度回歸比較結果

4.2.4 基于年度數據的創新要素投入產出效率隨機變動程度比較分析

(1)表2第(15)～(18)列回歸結果顯示，投入產出效率隨機變動程度一階自回歸系數低于新產品產值。在較長時期內，投入產出效率隨機變動具有規模效應，這與研究思路Ⅱ的結果一致。創新要素投入包括購買技術成果與自主研發兩種方式。前者一次性投入較大，受技術市場選擇的影響，技術成果供給者往往利用獨占地位索取壟斷高價，技術水平出現驟升驟降，難以保持穩定的投入產出效率。而后者有著相對平穩的投入機制，但是研發成果生成與轉化應用存在許多偶然因素，投入產出效率一階自回歸出現較大波動。在較長時期內，中間產品加工制造程度持續深化，與人力資本、知識資本等創新要素配置存在較大不確定性。投入產出效率逐漸向高精尖方向轉變，技術進步難度加大，積累了較多技術風險因素。每次連續性技術研發投入不能等比例地提升產出水平，產出水平可能高于或者低于投入水平。較小階段技術進步可能帶來投入產出效率的大幅變動，從而導致創新要素投入產出效率隨機變動程度自回歸波動幅度較大。新產品產值通過先后選擇多種要素配置方式實現，要素選擇存在時間空檔，技術信息得到充分識別轉化，經過多次試錯，逐步達到效率優化狀態，使創新要素得到更加集約的高效利用，從而實現相對穩定的發展速度。

(2)創新要素投入產出效率隨機變動程度與R&D經費投入環比發展速度、前2期和前4期定基發展速度相關系數明顯低于新產品產值與3個變量的相關系數。R&D經費投入是連續完成的，在投入環節可根據風險判斷加以控制，而人力資本、知識資本配置帶來的技術進步是以離散方式實現的，其不確定性因素發生的時間、節點及作用效果等都難以捕捉，知識與技術成果加速折舊出現信息遺失。階段性技術進步融入連續性知識形態創新要素中存在許多時間間隙，導致創新要素閑置浪費，新產品產值與3個變量具有較強的相關性。R&D經費投入在新產品產值形成過程中具有一定的替代彈性，與其它創新要素配置存在較大的選擇空間，無論是在成果利用、配置比例還是信息傳遞、產出預測等方面，均能夠形成更加優化的創新要素配置比例，兩者之間具有較高的相關性。

4.3 創新要素配置中投入產出效率隨機變動分析

在創新要素配置中，新產品產值按照增長速度分為正增長與負增長兩類，本文對投入產出效率隨機變動程度與兩類變量的相關性進行回歸分析。表3第(1)～(3)列回歸結果表明，兩者相關程度較低。這是因為，投入產出效率隨機變動在產出端受產品加工制造程度的影響，為實現跨越式技術進步，不得不迅速拉開技術進步距離。各階段技術進步之間存在較大空間，新產品產出水平起伏變動較大。技術進步觸發點不確定，而是隨著配套條件、制約因素的變動而改變。由研究思路Ⅱ可知，投入產出效率隨機變動程度無論是與正增長還是負增長新產品產值都弱相關。這是因為，技術信息水平效應和穩定性效應不顯著，不完全技術信息產生規模效應，隨機變動程度快速擴散與放大。剖析與識別這些不完全技術信息，可以精準測度投入產出效率隨機變動程度。

R&D經費投入存在正增長和負增長兩種效應，本文對創新要素投入產出效率隨機變動程度與兩者的相關性進行回歸分析。表3第(4)～(6)列回歸結果表明，兩者相關關系不顯著。R&D經費投入主要用于購買人力資本和知識資本，導致上一階段技術進步僅對當前階段產生影響，而與下階段技術進步無關。由研究思路Ⅱ可知，技術信息傳導、反饋機制不存在穩定性效應和水平效應，各種干擾因素是動態變化的，漸進式與跨越式技術進步隨時發生變換，既定R&D經費投入在要素配置中出現錯位時，規模效應顯著，投入產出效率隨機變動程度較大。

表3 創新要素配置投入產出效率隨機變動程度結果

4.4 創新要素投入產出效率隨機變動程度脈沖響應分析

4.4.1 變量選取與分析原理

在投入產出環節中產生脈沖變動的變量包括主營業務收入、研發人員全時當量和新產品銷售利潤，受這些脈沖變動影響的結果變量有5個，即t=1、6、12時期投入產出效率隨機變動程度、上證加權平均市盈率和新產品產值。分析原理來源于研究思路Ⅲ，刻畫k=6、12時期脈沖變量單位方差引起響應變量方差的變動情況，觀察響應變量方差最大值及其時間長度，從而量化分析方差變動幅度與趨勢，精準測度投入產出效率隨機變動程度。

4.4.2 主營業務收入

表4第(1)、(3)、(5)和(7)列回歸結果顯示，在k=6、12時期的脈沖變量作用下，t=1、6、12時期投入產出效率隨機變動程度、上證加權平均市盈率形成響應結果，通過深入挖掘不可觀測變量產生的隨機變動信息，能夠精準細致地量化其隨機變動過程。根據研究思路Ⅱ和Ⅲ，共同因子與不可觀測變量構成預測器，本文從多個構成部分對投入產出效率隨機變動程度形成較大的解釋份額，并與上證加權平均市盈率變動情況進行比較研究，以細化分析不完全技術信息擴散規模效應，測度投入產出效率隨機變動程度。投入產出效率隨機變動程度脈沖響應結果和一階自回歸擾動項是隨機變動測度結果的主要構成部分，在較短時期內出現大幅度波動。表4第(2)、(4)、(6)和(8)列回歸結果表明，當以新產品產值作為響應變量時，脈沖變量單位方差導致響應變量方差形成較大差異。這是因為，在創新要素配置過程中，既定創新要素投入在生產、加工、裝配、成果轉化等環節受各種不確定性因素的影響，難以實現最大化產出，與投入產出效率隨機變動程度的相關性較低。

4.4.3 研發人員全時當量

表4第(1)、(3)、(5)和(7)列回歸結果為在k=6、12時期脈沖變量的作用下，t=1、6、12時期投入產出效率隨機變動程度、上證加權平均市盈率等4個響應變量的方差、最大方差及相應時期長度。對應地，表4第(2)、(4)、(6)和(8)列回歸結果為，當以新產品產值作為響應變量時的方差變動幅度及相應時期長度。從中可見，當以研發人員全時當量作為脈沖變量時，技術積累速度加快，導致創新要素投入與技術進步需求不能完全同步，各種創新要素投入出現錯配，產出沒有達到最高水平，仍然存在增長潛力，投入產出效率不是一維線性變化，而是呈現隨機變動。由研究思路Ⅲ可知，在投入產出效率隨機變動程度一階自回歸分析中，共同因子與不可觀測變量構成預測器，與滯后一期因變量組成自回歸因變量，通過最大限度地覆蓋技術信息，能夠更加全面地反映投入產出效率隨機變動情況，量化分析投入產出效率隨機變動程度。

4.4.4新產品銷售利潤

表4第(1)、(3)、(5)和(7)列回歸結果為在k=6、12時期脈沖變量的作用下，t=1、6、12時期投入產出效率隨機變動程度、上證加權平均市盈率等4個變量作為響應變量時的方差、最大方差及相應時期長度。由研究思路Ⅲ可知，預測器包含技術轉化、技術進步正外部性、負外部性等額外信息，預測器方差能夠更加精細化地反映投入產出效率隨機變動趨勢與程度。對應地，表4第(2)、(4)、(6)和(8)列回歸結果為新產品產值在4次脈沖響應關系中的方差變動趨勢，集中表現為最大方差及所在時期長度。從中可見，技術成果轉化率是提高新產品產值的必要條件。在正外部性條件下，完全競爭市場促進技術成果迅速轉化、新產品產值快速提升，而在負外部性條件下，新產品產值增長滯后，兩種外部性轉換受多種條件的制約。因此，新產品產值導致投入產出效率隨機變動程度呈不規則變化，通過挖掘和開發更多技術信息，可以細致深入地量化這種隨機變動程度。

表4 創新要素投入產出效率隨機變動測度方差分解結果

5 結語

本文重點測度創新要素投入產出效率隨機變動程度，運用主成分分析法，從技術創新活動大量數據集合中提取共同因子，與反映其額外信息的不可觀測變量組成預測器，通過構建因子增廣向量自回歸模型(FAVAR)，充分挖掘既定變量信息，有效利用現有數據資源，避免引入較多變量而導致信息疊加度過高。以669家上市公司投入產出效率為研究對象，從32個指標構成的大量數據集合中提取7個指標作為共同因子，獲取最大化技術信息量，使投入產出效率隨機變動測度能夠獲得更多信息來源。研究發現，一階滯后因變量和預測器變動方差對投入產出效率隨機變動測度結果形成3種沖擊效應，即線性水平效應、非線性規模效應和穩定性效應，投入產出效率隨機變動程度由4項構成：投入產出效率自回歸擾動項、預測器方差及其與投入產出效率的協方差及投入產出效率隨機變動方差。

未來可以細化分析創新要素供求雙方如何識別與判斷不完全技術信息，推理與歸納雙方收益最大化目標下的技術信息選擇策略，探討不同規模創新要素投入所包含的技術信息，分析這些信息在投入產出效率隨機變動中的差異化作用，論證技術信息獲取與轉化實現路徑。這些內容不僅是對本文研究主題的有益拓展，而且使技術效率與技術信息理論成果更加貼近實踐需求，具有較好的應用前景。據此，本文提出以下政策建議：

(1)政府層面需要完善創新要素市場。構建競爭有序適度、價格反應靈敏、供求銜接順暢、信息公開充分的技術成果交易市場，加大知識產權保護力度，充分發揮市場機制的作用，更好地激勵技術研發活動，優化資源分配，增強創新主體活力，實現效率提升有空間、產業成長有動能、資源集聚有回報。

(2)產業層面需要集約利用要素投入。對知識信息進行深度挖掘與開發，改變單純依靠R&D經費投入、R&D研發人員全時當量增加的規模式擴張，注重既有創新要素集約、高效利用，以創新要素投入產出效率為導向，實現內涵式創新驅動發展。

(3)微觀層面需要加快信息傳導擴散。發揮技術信息在創新要素配置中的神經傳輸功能，鼓勵技術信息廠商參與流通、交易、利用與轉化，顯著提高資源利用效率，避免要素閑置浪費與短缺，促進既定創新要素投入創造更多產出。