中國制造業創新驅動增長及異質性考察

王秀婷，趙玉林

(武漢理工大學經濟學院，湖北 武漢 430070)

0 引言

伴隨著新一輪產業革命的到來和全球產業競爭范式的轉變，中國經濟發展階段逐步邁入工業化后期，經濟發展已逐步進入到增速換擋、結構優化、動力轉換的 “新常態”，制造業整體上承受著資源消耗過大、要素價格上漲、環境約束趨緊的壓力，亟須從要素驅動、投資驅動轉向通過技術進步提高全要素生產率(TFP)的創新驅動，提升高質量發展的創新含量。研究與開發(R&D)投入是創新活動的源泉，自20世紀90年代以來，中國制造業科技創新投入力度不斷加大，2015年規模以上制造業企業R&D經費內部支出為9650.0億元，是2005年的8.15倍。然而現有研究顯示，近年來中國制造業TFP增速呈現明顯的下滑態勢，生產率增速下降已經成為制約當前及未來中國制造業發展的嚴峻問題[1]。那么，不斷提高的R&D投資為什么沒有起到應有的效果? 這已成為學術界與政府共同關注的一個熱點問題，也是學術研究面臨的一個難題。要充分解釋這一問題，需要回答三個重要且相關的問題：一是R&D驅動TFP提升的機制是什么？二是相關因素對創新驅動過程有何影響？三是創新驅動過程是否存在行業差異？對這些問題的深入分析，有助于揭示創新驅動制造業TFP增長的復雜作用機制，深入挖掘促進創新驅動過程開展的關鍵要素，豐富創新驅動理論，同時揭示制約制造業TFP提升的瓶頸，對有效提高制造業TFP、實現制造業轉型升級具有重要的現實意義。

R&D投入是技術創新的動機和源泉，自1958年Griliches[2]的開創性研究起，R&D與生產率的關系就成為學術界普遍關注的熱點問題。總的來說，理論模型都把R&D視作生產率增長的一個重要引擎，而實證研究結論尚未統一，多數學者認為R&D投入對TFP的提升具有積極影響，也有學者發現，創新投入的時滯性和高風險等特征使其對TFP的影響并未得到充分顯現[3]，還有研究指出R&D投入對TFP的影響具有非線性特征[4]。這些研究結論的差異一方面來自不同研究樣本和方法的選取，另一方面也反映出R&D作用機制的復雜和多樣性。除了將R&D投資作為影響TFP的關鍵因素外，越來越多的研究還證實了要素市場扭曲、市場競爭、企業規模、所有權結構等因素對TFP增長有重要影響[5]。此外，根據新經濟增長理論，人力資本水平的提高能夠促使勞動力更高效地利用資本，同時提高勞動生產率與資本生產率，進而對TFP的變化產生積極影響。然而，現有研究多數是把人力資本作為一個整體來看待，較少區分不同類型的人力資本對制造業TFP的作用效果。Vandenbussche等的研究發現，接受過高等教育的人力資本而不是平均人力資本可以對TFP產生顯著促進作用[6]。顧婷婷等通過實證研究得出，合理的人力資本結構對企業技術創新的貢獻要大于人力資本水平[7]。

當前，多數相關實證研究都將R&D資本及其他影響因素直接引入一個生產函數中，然而，創新過程本身具有 “黑箱”性質，是一個從投入、產出到效率提升的不斷深化的過程[8]，用一個方程難以準確描述創新驅動的全過程。Crépon等提出了一種分析創新投入與生產率之間關系的新模型(簡稱CDM模型)，首次將創新投入、創新產出和生產率指標綜合運用到一個模型中，打開了創新中的 “黑箱”。傳統的CDM模型建立了一個明確的分析框架，能夠較好地揭示創新驅動增長的機制和過程，但未考慮最終產出對創新的反作用，王利[8]基于CDM模型的思想構建了考慮反饋機制的聯立方程模型，將最終產出對創新決策和創新投入的反饋影響納入到模型中，但研究中沒有考慮創新過程各階段生產時間上的滯后。事實上，由于建造時間、機會成本、創新過程中的不確定性等因素的影響，投入要素很難在當下收到立竿見影的效果，而且產出的反饋效應也不應局限于最終產出，創新產出也理應具有反饋作用。此外，國內的相關研究鮮有探究不同類型的人力資本對制造業創新過程的貢獻情況，也少有考察異質性制造業行業創新過程的差異，這些研究中的不足可能會導致所得結論有失偏頗。

本文以創新生產過程為切入點，構建動態循環聯立方程模型，該模型不僅可以直接考察創新過程各階段產出對其他階段的反饋效應及其滯后性，還能分析不同類型人力資本等一系列創新要素在創新過程不同階段的作用效果，從而更全面地刻畫創新驅動過程，彌補經典CDM模型的不足。在此基礎上，基于行業異質性，對不同技術密集度的制造業行業的創新過程及影響因素進行對比分析，探索各類行業創新驅動過程的差異，從而深入揭示創新驅動制造業TFP增長的復雜作用機制及關鍵要素，避免單一視角分析所造成的偏差和片面性。

1 研究設計

1.1 模型設定

從生產過程來看，創新是從要素投入到產品產業化的一個多階段、多要素的價值鏈傳遞過程[9]，大致可分為創新決策、技術開發、成果轉化三個階段(見圖1)。在創新決策階段，企業根據前期的創新投入、創新產出及生產經營水平，并結合其他客觀創新環境要素，進行創新投入決策，確定當期的R&D投入水平及研發方案；進入技術開發階段，通過開展研究、開發、測試等活動，將創新投入要素轉化為創新產出，這一階段是創新的核心階段，技術含量較高，對創新人力資本質量具有較高要求；創新第三階段是新知識擴散和價值實現的階段，前一階段的技術成果轉化為顯性產品，經過商業運作、市場推廣以及產業化等一系列經濟活動，實現生產率提升。三個階段相互關聯、相互依存，前一階段的產出是后一階段的投入要素，同時后一階段的產出又會對前階段的創新生產過程產生反饋效應。此外，創新過程的各個階段還會受到政府政策、企業規模、產權性質及外商直接投資等要素的綜合影響。

圖1 制造業創新驅動過程框架圖

借鑒并延伸王利[8]的研究思路，本文構建了考慮反饋機制的動態聯立方程模型，該模型是一種循環結構方程系統，不僅有利于解決變量內生性問題導致的估計結果偏誤，還能夠更為清晰地反映變量之間的內在傳導機制，進而從創新投入、創新產出和最終產出三個角度來評價不同行業創新驅動增長的表現。該模型由三個方程組成：第一，創新決策方程，考察影響創新(R&D投資)投入大小的因素；第二，技術開發方程，考察包括創新投入在內的各種因素對創新產出的影響；第三，成果轉化方程，考察創新產出、物質資本、人力資本等要素對TFP增長的作用情況。另外，在模型估計時，引入各投入產出變量的滯后項，以考察創新過程的時滯特征。具體模型設置如下：

lnRDit=α0+α1lnPit+α2lnTFPit+α3lnSIZEit+

α4lnFDIit+α5SOEit+α6GOVit+YearDummies+μit

(1)

lnPit=β0+β1lnRDit+β2lnTFPit+β3lnRHit+

β4lnSIZEit+β5lnFDIit+β6SOEit+YearDummies+πit

(2)

lnTFPit=γ0+γ1lnPit+γ2lnCAPit+γ3lnNHit+

γ4lnSIZEit+γ5lnFDIit+γ6SOEit+YearDummies+εit

(3)

其中，i(i=1,2,K,27)代表制造業各細分行業，t(t=2009,2010,K2015)代表年份,μit、πit、εit分別代表隨機誤差。

1.2 變量說明

(1)被解釋變量。RDit代表創新投入。企業在創新決策階段確定當期的R&D投入方案，其中最主要的就是R&D資金投入量，故選取R&D投資代表該階段的產出變量。由于R&D投資又作為生產要素嵌入到下一階段的生產中，因此RDit既是模型(1)的被解釋變量，又是模型(2)的解釋變量。采用傳統的永續盤存法計算R&D資本存量衡量。

Pit代表創新產出。通過研究、開發、測試等一系列創新活動，創新要素將轉化為創新產出，轉化速度越快、數量越多代表創新能力越強，創新能力提升最直接的表現是專利數量的增加，采用專利申請數表征創新產出水平。由于專利會作為技術投入要素嵌入到創新生產的其他階段，因此Pit既作為模型(2)的被解釋變量，同時作為解釋變量加入模型(1)和(3)，分別考察創新產出對創新投入的反饋效應以及作為技術投入對TFP增長的影響情況。

TFPit表示全要素生產率。考慮到TFP提升可能會對創新過程產生反饋作用，TFPit不僅作為模型(3)的被解釋變量，還將作為解釋變量嵌入到模型(1)和模型(2)中。選取Malmquist指數法測算制造業各細分行業TFP，總產出用各行業工業銷售產值衡量，并按工業品出廠價格指數折算為2009年不變價；資本投入用永續盤存法估算的資本存量衡量，估算過程中使用的各行業投資額和折舊率參照陳詩一[10]的計算方法；勞動投入用行業年平均就業人數衡量。

(2)其他解釋變量。根據人力資本在創新過程各階段的作用差別，將其劃分為創新人力資本RHit和一般人力資本NHit，創新人力資本用R&D人員全時當量衡量，考察創新人員對創新產出的貢獻情況；最終產出階段的生產工作主要由普通員工完成，用行業年平均就業人數與R&D人員的差值衡量。CAPit代表新增固定資產投資，根據陳詩一[10]計算資本存量時采用的投資額方法，即當年和上年固定資產原價之差計算。

(3)控制變量。根據熊彼特理論，不同規模的企業具有不同的資源優勢，可能會影響行業的技術創新意愿和創新績效，因此考慮企業規模SIZEit對創新驅動過程的影響，用各行業工業銷售產值與企業單位數之比衡量；外商直接投資FDIit提供的資金支持和技術外溢會影響創新驅動各階段的生產情況，用三資企業資產所占比重測算；根據肖興志的研究，政府對產業創新的支持主要是通過引導企業增加R&D投入實現[11]，即政府政策的導向作用集中體現于創新投入階段，因此本文著重考察政府政策GOVit對創新投入的影響，用各行業來自政府的R&D經費占R&D經費內部支出的比重表示。管理激勵措施、項目審核機制、融資方式及預算約束硬度等在不同所有制企業中存在差異，因此考慮國有經濟比重SOEit對創新驅動過程的影響，用國有工業銷售產值與工業銷售值之比衡量。以2009年為參照變量，設置其他年份的時間虛擬變量，控制技術變化以及宏觀經濟和政策變化的影響，具體指標設置見表1。

表1 變量含義及計算方法

1.3 數據來源及處理

由于國家統計局于2011 年對 《國民經濟行業分類標準》進行了調整，為了保持數據的連貫性，本文將汽車制造業和鐵路、船舶、航空航天和其他運輸設備制造業合并為交通運輸設備制造業，將塑料制品業和橡膠制品業合并為橡膠和塑料制品業，剔除數據缺失較多的行業，最終調整為27個行業。鑒于存在數據缺失、指標統計口徑不一致等問題，截取2009—2015年中國制造業27個細分行業的面板數據進行實證研究，相關數據來源于2010—2016年 《中國工業經濟統計年鑒》 《中國科技統計年鑒》及 《工業企業科技活動統計年鑒》。

1.4 基于技術密集度的行業異質性分類

技術密集度的差異可能會導致各行業在創新過程中的表現大相徑，因此本文不僅對制造業整體進行分析，還基于技術密集度的不同，考察制造業創新驅動增長的行業差異。為了避免單一指標度量帶來的偏差，同時采用R&D經費支出占主營業務收入的比重、R&D人員占從業人員比重表征行業技術集約程度，通過聚類分析，將制造業劃分為高技術、中高技術、中低技術及低技術產業四類(見表2)。

表2 行業異質性分類

2 實證分析

由于本文在各方程中分別引入滯后期被解釋變量和解釋變量，使得方程呈現動態變化特征，可能會導致解釋變量與隨機擾動項相關，系統GMM估計方法在差分GMM的基礎上引入水平方程，增加差分變量的滯后項作為水平方程相應變量的工具變量，可大大提高估計結果的有效性和一致性，較其他方法更加穩健。故選取系統GMM作為基本估計方法，運用Stata 13.0軟件對模型進行估計。

2.1 來自總體樣本的實證檢驗及結果分析

(1)多重共線性檢驗及單位根檢驗。出于嚴謹考慮，在進行回歸前，需要對多重共線性、面板單位根等問題進行檢驗。根據程慧芳等[12]的研究，若解釋變量的兩兩之間的相關系數≥0.85，或各變量的方差膨脹因子VIF≥3，則可認為模型存在嚴重的多重共線性。通過計算發現，本文所有解釋變量兩兩之間的相關系數均沒有超過0.85，各變量的VIF 值也都沒有超過3，可以判斷變量間不存在嚴重的多重共線性。此外，由于各指標數據均為面板數據，非平穩的變量間可能表現出共同的變化趨勢，引發 “偽回歸”問題。本文同時采用了檢驗共同單位根存在性的LLC檢驗以及判別個體單位根存在性的ADF檢驗對數據的平穩性進行檢驗，結果表明，各變量的一階差分都拒絕單位根的存在，即為平穩數據。

(2)實證結果分析。根據秩條件和階條件判定三個方程均可識別，可以做進一步估計。結合AIC等信息準則判定，在各方程中分別引入1階滯后解釋變量和被解釋變量，選取滯后解釋變量作為工具變量，Sargan過度識別檢驗的結果均顯示不能拒絕工具變量有效性的零假設，模型的二階序列相關檢驗AR(2)的結果均支持方程不存在二階序列相關的假設，意味著模型設定總體上是可取的。對制造業27個產業全樣本的估計結果如表3所示，觀察可知：

在創新決策階段，滯后一期TFP對R&D投資具有顯著的正向影響，驗證了TFP對R&D投資的反饋效應的存在，說明生產率較高的企業更傾向于在后續的生產中增加研發投入以擴大競爭優勢。滯后一期R&D投資、當期和滯后一期專利產出都會對企業當期的創新投入產生正向影響，并且滯后的影響效果更大。政府資助和FDI對企業的創新投入都具有促進作用，來自政府和FDI的資金支持可以緩解企業的融資困難，激發創新活動的熱情；企業規模對創新投入具有顯著的負向影響，這可能是因為大企業往往擁有較強的市場勢力，行業進入壁壘相對較高，競爭壓力相對較小，導致大企業的創新激勵下降。國有化程度對R&D投資的影響顯著為正，解維敏等[13]研究指出，國有企業往往可以得到更多的資金支持，創新投入能力更強，而非國有企業的融資能力較差，考慮到創新的高風險性及長周期性，增加研發投資可能有所顧忌。

在技術開發階段，滯后一期R&D投資的估計系數顯著為正，當期影響顯著為負，說明R&D投資對創新產出影響具有時滯性。創新人力資本對創新產出也具有顯著的促進作用，但影響系數比滯后一期R&D投資小，表明R&D資本投入相對于創新人力資本具有更重要的創新產出貢獻。滯后一期TFP對當期的創新產出具有正向反饋效應；企業規模對創新產出的影響不顯著，大企業中普遍存在的機構臃腫、缺乏競爭壓力等問題會制約其創新效率，而小企業組織機構安排靈活、富有彈性，能更好地捕捉創新機遇，這兩方面效應相抵消，致使企業規模影響不顯著。FDI能夠促進創新產出的增加，說明外資的外溢效應對中國制造業創新產出具有正向影響，但也暗示當前制造業的技術創新對外依賴仍然較大[14]。國有經濟比重對創新產出的影響顯著為負，國有企業創新低效率已經被很多研究證實，吳延兵[15]認為已有國有企業改革措施并不能實現創新中的剩余索取權與剩余控制權的匹配，無法改善國有企業的創新效率。

在成果轉化階段，作為技術投入的專利產出在滯后一期對TFP增長表現出顯著的促進作用，當期影響為負，這可能是因為專利從申請、授權到應用需要一定時間，短時間內難以轉化為TFP的提高。凈從業人員平均數對TFP的影響顯著為負，隨著勞動年齡人口的減少，人力資本改善速度也將明顯放慢，若不能很好地與新技術和新設備匹配，勢必會對創新生產起到阻礙作用。資本投入對TFP的影響顯著為正，物質資本形成特別是新機器的投入應用，是內嵌于設備資本的體現式技術進步。伴隨FDI涌入國內市場的先進管理經驗、市場開拓和銷售技能等，會對中國制造業TFP的提升產生積極的推動作用。企業規模對TFP的提升表現出促進作用，大企業有更完善的市場營銷、財務計劃等非生產性活動的支撐，可以更充分地利用創新成果并將其推向市場。國有經濟比重對TFP增長的影響顯著為負，企業平均生產率以及資源配置效率的差異可能是國有企業TFP低于非國有企業的主要原因。

表3 制造業整體的估計結果

注:括號內為T統計值，***、**、*分別代表在1%、5%和10%的水平上顯著；Sargan檢驗、AR(2)檢驗、F統計量均給出顯著性P值,下同。

(3)穩健性檢驗。為了檢驗估計方法的合理性及估計結果的可信度，同時考慮了另一種系統估計方法三階段最小二乘法(3SLS)。通過對比發現，各變量的系數和顯著性沒有出現較大變化，判定系數表明估計結果的擬合程度較好，綜合來看，系統GMM法對動態聯立方程組的估計結果是穩健可靠的。

2.2 按技術密集度分組的實證檢驗及結果分析

分別對高技術、中高技術、中低技術及低技術產業的模型進行系統GMM估計，結果見表4。縱觀四類行業的創新驅動過程，總體來說，R&D投入都可以實現創新產出的增加，但中低技術產業和低技術產業的專利成果沒能有效轉化為TFP的提升，同時各階段的創新要素的作用情況存在差別。具體情況如下：

在創新決策階段，四類行業滯后一期專利產出和TFP都對創新投入產生顯著的促進作用，表明創新投入都會受到其他兩個階段產出的正向反饋效應，且該效應具有滯后性，其中，高技術和中高技術產業的創新決策受專利產出影響較大，中低技術和低技術產業則更多關注于生產率的變化情況，這是因為創新是高技術密集度產業賴以生存的根本，而低技術密集度的產業更關注短期利益。企業規模僅對低技術產業有顯著的正向影響。政府資助、FDI對創新投入也具有顯著的正向影響。高技術產業的國有化程度對創新投入的影響顯著為負，其他三類行業的國有化程度影響顯著為正，且系數隨著技術密集度的下降而增大，這是因為初級產業受國家政策影響較大，重點企業多為國有或國有控股。

在技術開發階段，與制造業整體估計結果一致，四類行業的R&D資金投入對專利產出的促進作用都具有滯后性，且隨著技術密集度的降低，R&D資金對創新產出的貢獻也在減弱。創新人力資本對創新產出的正向影響也隨著技術密集度的降低而下降，這可能是由制造業創新人才分布不均衡所致，高端人才向重視人才培育的高技術密集度行業集聚。國有化程度對創新產出的影響均顯著為負，與制造業整體估計結論吻合；滯后一期TFP有利于促進各類行業創新產出的增加，表現出正向反饋作用；中高技術產業和中低技術產業的企業規模對創新產出不具有顯著影響；FDI對低技術產業的創新產出的影響不明顯，該類行業多是一些以廉價勞動力為競爭優勢的中小型企業，對技術的學習多停留在簡單的模仿階段，難以實現二次創新，隨著技術密集度的提高，FDI對產業技術創新的溢出效應表現的越發明顯。

在最終產出階段，中高技術產業專利產出對TFP的提升作用最明顯，高技術產業的專利產出僅在滯后一期產生正向影響，且系數小于中高技術產業，這可能是由于中高技術產業多生產應用性較強的產品，而高技術產品對技術精度要求更高，要經過長時間的中試才能實現產業化；中低技術產業和低技術產業的專利產出在考察期內對TFP的影響都顯著為負，說明這兩類產業的專利轉化情況較差。杜偉在其研究中指出，中國的科技成果轉化率僅有25%，而真正實現產業化應用則不足5%，大量的科技成果只能淪為 “展品”，科研價值無法有效地轉化為生產力[16]。一般人力資本僅對中低技術和低技術產業的影響顯著為正，當前傳統生產模式仍然廣泛存在于技術密集度較低的產業，而對于技術密集度較高的產業，其技術和產品更新換代較快，對勞動者素質要求較高。企業規模、FDI對各類行業的TFP增長都具有顯著的正向影響，國有化程度對TFP增長的影響均顯著為負，與整體估計結果一致。

表4 基于行業異質性的創新驅動過程分析

續表4變量高技術產業中高技術產業lnRDitlnPitlnTFPitlnRDitlnPitlnTFPitlnTFPit-10.394***1.436***-0.285**0.476*0.539*0.072(0.07)(0.52)(0.09)(0.09)(0.35)(0.08)lnRHit0.109**0.087**(0.04)(0.03)lnNHit0.054*0.071***(0.03)(0.02)lnCAPit0.028***0.017**(0.06)(0.05)GOVit0.131**0.235*(0.34)(0.24)lnSIZEit-0.037*0.1210.031**0.038**0.115**0.029**(0.03)(0.05)(0.02)(0.02)(0.05)(0.14)SOEit0.111*-0.019**-0.047***0.139*-0.021*-0.069**(0.06)(0.03)(0.04)(0.08)(0.06)(0.43)lnFDIit0.138*0.159***0.121**0.203**0.0710.103*(0.07)(0.49)(0.51)(0.09)(0.49)(0.57)年份效應是是是是是是Sargan0.0820.0930.0780.1310.0770.079AR(2)0.5370.6220.5740.6320.4360.503

3 結論與建議

從整體來看，R&D投資能夠提高產業創新能力進而實現對TFP的提升，但這種機制的實現具有滯后性。各產出要素的反饋效應都具有明顯的滯后性，這些滯后的效應放大了創新驅動的行業差異。對于不同技術密集度產業，高技術和中高技術產業的創新決策受專利產出影響較大，中低技術和低技術產業則更多關注于生產率的變化情況，隨著技術密集度的降低，R&D資金和創新人力資本對創新產出的貢獻都在減弱，低技術密集度產業的R&D資金使用效率和創新人力資本水平亟待提升；一般人力資本阻礙高技術、中高技術產業生產率的提高；中低技術產業和低技術產業技術成果轉化為經濟效益的創新過程中存在 “脫節”現象。

其他影響因素方面，政府資助對各類行業的創新投入都產生正向激勵作用，這為政府提供進一步政策支持提供了依據；企業規模在創新過程的各階段和不同技術水平的產業間的作用效果存在差異，說明對熊彼特假說的解釋要依賴于條件的不同而有所差異；低技術密集度產業的二次創新能力較差，抑制了FDI創新溢出效應的發揮。國有化程度對各類產業技術開發和成果轉化都具有阻礙作用，深化國有經濟改革勢在必行。

由此可見，推進創新驅動制造業轉型升級，既應從大局出發，也應結合不同行業的特征和實際問題，制定相應的解決方案。第一，加強適用性人才的培養。重視勞動力技能與產業技術的匹配，強化職業教育和技能培訓，提高高技術和中高技術產業一般人力資本水平；創新人才合作培養機制，優化研發隊伍的結構，引導研發人才向技術密集度較低的基礎性行業流動。第二，加快專利成果轉化。加強交易平臺建設，引導產學研用的有序結合；完善對專利質量的考評，扭轉專利工作 “重量輕質”的觀念；鼓勵科研單位根據政府設定的分配框架制定科研人員參與技術成果轉化的收益分配方案，調動其參與科技成果轉化的積極性。第三，深化國有經濟改革。繼續推進國有企業優化重組以及央企股份制改革，提升核心競爭力；優化國資布局，促使創新資源向非國有企業，尤其是向非國有中小企業流動；完善國企創新機制，提高國有企業創新效率和生產效率。第四，強化二次創新能力。完善跨國公司在中國研發機構的配套環境，提高引資的質量，優化外資結構，尤其是創新能力較弱的低技術產業，應充分利用FDI帶來的技術溢出效應，重視對技術的消化吸收，提高自主創新能力。