農業科技創新資金與科技人力資本支農績效實證分析

常文濤

（信陽師范學院 當代馬克思主義研究所，河南 信陽 464000）

0 引言

缺乏農業的高質量發展，國家的全面現代化就難以實現。對于現有耕地面積占世界耕地面積約7%，人口數量占世界總人口比重為18.8%的我國來講，農業科學技術的重要作用更是毋庸置疑。農業科技創新資金和農業人力資本投入的充分有效利用不僅僅有助于優化我國農業生產發展布局，促進農業生產由“增產”轉向“提質”，快速實現農業現代化；在當今信息化背景下還有利于帶動我國農業全程社會化服務進步，促進農村一二三產業融合發展。研究我國農業科技創新資金投入、農業科技人力資本支出與農業經濟發展之間的關系，對樹立實現我國農業現代化的理論自信，提高我國科技創新支農能力和水平，促進農業經濟發展具有重要和迫切的現實意義。

1 理論分析

1.1 理論基礎

為了在現有經濟增長理論研究的基礎上構建實證模型分析我國農業科技創新資金投入和農業科技人力資本支農績效，本文以涉及這些變量的索洛經濟增長理論模型為基礎進行分析。索洛（Robert Solow）在哈羅德-多馬模型的基礎上，進一步指出技術發展對經濟增長持續性的解釋力更強；同時，他以柯布—道格拉斯生產函數（Cobb-Douglas production function）為出發點，構建了索洛經濟增長模型，其函數表達式如下：

索洛將技術進步（T）作為一個外生經濟變量引入到他的經濟增長模型中，并指出：在資本和勞動增長率不變的假設條件下，技術進步也能夠提高生產率。索洛經濟增長模型雖然在一定程度上彌補了古典經濟增長理論，但是對技術進步產生的內在效應研究存在不足。本文將以索洛經濟增長模型為基礎，以農業科技創新資金和農業科技人力資本作為解釋變量分析兩者的支農績效。

1.2 支農機理分析

在影響經濟增長效率的諸多因素中，科學技術投入對經濟增長具有舉足輕重的地位和作用，尤其是在當前知識經濟與信息經濟蓬勃發展的時代背景下，掌握了先進的科學技術就等于掌握了市場核心競爭力。為了有力解釋實證研究的結果，本文先定性描述農業科技創新資金投入與農業科學技術人力資本支農的作用機理。

首先，農業科技創新資金投入與農業科技人力資本是農業科學技術發展的前提和基礎，沒有兩者的有效投入，就沒有農業科學技術的提升和農業產出的增長，更遑論農業經濟發展效率的提升。農業科技創新資金投入與農業科技人力資本主要通過農業科學技術的提升效應——提高勞動力素質、勞動生產效率和農產品質量直接促進農業經濟增長。

其次，農業科技創新資金投入與農業科技人力資本還可以通過轉化成農業科學技術專利和發明等科技成果間接促進農業經濟增長。

據此本文在實證檢驗之前先做出兩個假定。假定1：農業科技創新資金投入、農業科技人力資本與農業經濟增長之間存在穩定的均衡關系；假定2：農業經濟增長對農業科技創新資金一個標準差波動的反應程度大于對農業科技人力資本一個標準差波動的反應程度。若該假定成立，就意味著農業科技創新資金在研究期間的整體支農效應大于農業科技人力資本。

2 實證分析

2.1 變量界定

結合本文研究目標、內容及數據的可獲取性，在選取農業科技創新資金變量數據時，分別用《中國科技統計年鑒》中分行業自然科學領域研究與開發機構內部經費支出總額（1998—2002）、分行業研究與開發機構科技活動內部支出（2003—2008）、按服務的國民經濟行業分研究開發機構R&D經費內部支出（2009—2017）進行度量，且用英文縮寫字母RD（R&D）標示該經濟變量。并利用式（2）進行計算：

農業科技創新人力資本運用《中國科技統計年鑒》（1998—2017）中農業R&D機構從事科技活動人數和《中國統計年鑒》（1998—2017）中農業人口數量構建指標進行度量，同時用英文縮寫HC（Human Capital）標示該變量，其具體計算途徑如式（3）所示：

式（3）中的計算方法吸收了國內外學術界的通行做法，需要強調的是農業R&D從事科技活動人數的單位是人，農業人口數量的單位是萬人，也即用每一萬名農業人口中農業R&D機構科技活動人員數（HC）來度量農業科技創新人力資本。

農業經濟增長采用農業勞動生產率進行度量，即《中國統計年鑒》（1998—2017）中經過價格指數平減后的實際農業生產總值與同年農業從業人口數量的比值，用英文縮寫字母GA（Growth of Agriculture）標示，具體計算方法如式（4）所示：

為了消除價格波動對農業科技創新資金投入和農業生產總值的影響，本文以1998年的價格指數為基期對歷年數據進行了平減處理，研究中所用的時間序列數據以RDt、HCt和GAt標示。同時，為了最大程度消除時間序列變量中存在的異方差影響，在實證時對這3個時間序列取自然對數，分別記為 LNRDt、LNHCt和 LNGAt，經濟變量的一階差分和二階差分都是在此標示上進行。此外，研究過程中的實證分析借助于計量軟件Eviews8.0完成。

2.2 數據來源與研究方法

在對《中國統計年鑒》（1998—2017）、《中國科技統計年鑒》（1998—2017）中有關數據進行計算整理的基礎上，借鑒《中國人口和就業統計年鑒》（2016）、《中國勞動統計年鑒》（2016）和《國民經濟和社會發展統計公報》（2017）中的統計結果對研究所需要的數據進行計算和補充，最終得到如表1所示的研究變量年度數據統計表。

表1 1998—2017年度相關數據統計

本文以索洛經濟增長模型為基礎，構建VEC計量模型，綜合利用JOHANSEN檢驗、脈沖響應分析等方法分析農業科技創新資金投入與農業科技人力資本的支農績效。

2.3 實證檢驗

根據表1中的統計數據和式（2）、式（3）、式（4）的計算方法，可以得出如表2所示的RDt、HCt和GAt數據。LNRDt、LNHCt和 LNGAt數據通過 Eviews計算獲得。

表2 1998—2017年度 RDt、HCt和GAt

（1）ADF檢驗

首先，運用Eviews8.0 軟件對RDt、HCt和GAt序列進行包含截距項的ADF平穩性檢驗，選取不同置信水平下的臨界值，可以得到如表3所示的結果。

表3 RDt、HCt與GAt序列ADF檢驗結果

由表3的檢驗結果可知，在1%、5%、10%的置信水平上RDt、HCt、GAt序列為非平穩序列，取這3個序列的自然對數以并選取包含截距項檢驗對數序列平穩性，得到如表4所示的結果。

表4 LNRDt、LNHCt與LNGAt序列ADF檢驗結果

將表4中的ADF統計量與1%、5%、10%置信水平下的臨界值對比可知，LNRDt、LNHCt與LNGAt序列非平穩，對這3個對數序列取一階差分并檢驗平穩性，結果見表5。

表5 DLNRDt、DLNHCt與DLNGAt序列ADF檢驗結果

根據表5的檢驗結果可知，一階差分后3個序列的ADF統計量均小于不同置信水平下的臨界值，據此可知，LNRDt、LNHCt與 LNGAt序列為一階單整平穩序列。

（2）Johansen協整檢驗

由于VEC模型僅僅適用于協積序列，在這里首先還要進行Johansen協整檢驗以確定這3個序列是否存在協積關系。因為Johansen協整檢驗的滯后階數與VAR模型的最優滯后期數相等，這里運用Eviews8.0構建LNRDt、LNHCt與LNGAt序列的VAR模型以間接確定協整檢驗的階數。選擇滯后階數為3可以得到表6所示的檢驗結果，根據FPE、AIC、SC、HQ準則可知協整檢驗滯后階數為3。

表6 滯后階數為3的檢驗結果

確定協整檢驗的階數后，這3個序列的Johansen協積關系檢驗結果見表7：不存在協積關系假設的跡統計量T0=70.51035＞29.79707和至多存在1個協積關系假設的跡統計量T1=18.27225＞15.49471，但是至多存在2個協積關系假設的跡統計量T2=0.168583＜3.841446，不能拒絕該假設，這表明LNRDt、LNHCt、LNGAt這3個序列之間存在2個協積關系。

表7 Johansen協積檢驗結果

因為3個序列之間存在2個協整關系，據此可以構建VEC模型，協積方程的最大個數為模型內生變量個數減去1，在本文中即為1，因變量是LNGAt的協積方程為：

其中，LNRDt系數的 t值為 3.00693，LNHCt系數t值為8.65610，這2個系數在5%的置信水平上顯著。由式（5）可知，農業科技創新投入的彈性系數22.02867大于農業科技人力資本的彈性系數13.83890。

（3）模型平穩性檢驗

VAR模型的平穩性是進行脈沖響應分析的前提條件，本文的檢驗方法是觀察VAR模型特征根的倒數值是否全部落在單位圓內，如果全部落在單位圓內則表明模型為穩定的，否則表明模型不穩定。特征根檢驗結果如圖1所示。

圖1 特征根檢驗圖

根據圖1所示的特征根檢驗圖，VAR（3）模型的6個特征根的倒數值全部位于單位圓內部，該結果表明VAR（3）模型是平穩的，前文假定1得到證實。

（4）VEC模型分析

通過構建VAR（3）模型證實了LNRDt、LNHCt與LNGAt這3個對數序列之間存在穩定關系，本文選取滯后期為1構建VEC模型分析RDt、HCt與GAt這3個經濟變量的短期變動關系。以D（LNGAt）為因變量的方程式子如下：

其中，各個系數對應的t值分別為-4.42182、3.48233、-2.69762和-2.13368，均在10%的置信水平上顯著。并且R2=0.787，SC=-3.26，AIC=-3.66，表明VEC模型擬合效果較好。模型分析得出的誤差修正系數為-0.000787，與長期平穩的反向修正結果保持一致，表明農業經濟增長的短期波動會向長期平穩收斂，但是收斂強度較低。同時，由式（6）可知，第t-1期GA增長1%，則第t期的GA增長0.978035%，然而，第t-1期RD增長1%，第t期的GA減少0.0006437%；第t-1期HC增長1%，第t期的GA減少0.223370%。這表明在短期內，農業經濟增長對自身具有正向促進作用，而農業科技創新資金和農業科技人力資本投入的支農效應較微弱。

（5）Granger因果關系檢驗

對LNRDt和LNHCt與LNGAt這3個對數序列進行Granger因果關系檢驗，可以得到如下頁表8所示的檢驗結果。根據表8第一行可知，P值=0.0079＜0.1，在1%顯著水平上拒絕零假設“LNRDt不是LNGAt增長的原因”；第二行的P值=0.0098＜0.1，在1%顯著水平上拒絕零假設“LNHCt不是LNGAt增長的原因”；第三行的P值=0.0024＜0.1，在1%顯著水平上拒絕零假設“LNRDt和LNHCt不是LNGAt增長的原因”。這表明農業科技創新資金、農業科技人力資本與農業經濟增長之間存在顯著的Granger因果關系。

表8 Granger檢驗結果

（6）脈沖響應分析

在確定LNRDt、LNHCt與LNGAt之間存在Granger因果關系的基礎上，本文利用脈沖響應分析判斷LNGAt對LNRDt和LNHCt一個標準差大小波動的反應見圖2。盡管LNRDt和LNHCt保持負增長并且在初期有遞減的波動趨勢，但是從長期看來，農業科技創新資金和農業科技人力資本支農效應為正，并且農業科技創新資金的整體支農效應較大，假定2得到證實。

圖2 LNGAt對 LNRDt、LNRDt脈沖響應分析圖

（7）方差分解

根據圖3中LNHCt對數序列的方差分解結果可知，農業科技人力資本的支農效應在期初大于農業科技創新資金，但在第5期以后，略小于農業科技創新資金的支農效應，兩者支農效應逐期趨于平穩，這同上文脈沖響應分析的結果一致。

圖3 LNGAt、LNRDt和 LNRDt方差分解圖

3 結論

農業科技投入與農業經濟增長關系一直備受學界和實務界關注，但現有文獻對農業科技創新資金和農業科技人力資本的支農績效差異研究還存在不足。本文以索洛經濟增長理論為基礎，構建計量模型實證檢驗農業科技創新資金和農業科技人力資本的支農績效，得到如下結論：農業科技創新資金和農業科技人力資本在長期內都具有顯著的支農作用，但是支農績效存在差異，這提醒我們要分類施策；短期內農業科技創新資金的支農效應要小于農業科技人力資本的支農效應，前者可能是由短期內農民對新技術或者新機器設備的不熟練和不適應造成的，后者可能是由農業生產的周期性、風險性造成的，這意味著要提高創新資金的使用效率；農業科技創新資金整體支農效應長期內大于農業科技人力資本的整體支農效應，這啟示我們要重視科技創新資金的投入和監管。