廣東省科技投入與經濟增長之間的關聯影響及貢獻程度

侯小星，周 燁，羅 軍，陳之瑤，陳夢婷，曾樂民

（廣東省技術經濟研究發展中心，廣東廣州 510070）

1 研究背景

習近平總書記在黨的二十大上強調科技是第一生產力、人才是第一資源、創新是第一動力。科學技術的進步能夠促使社會生產的手段、方法、條件、組織及管理績效得到持續改進，推動社會生產率大幅提高，進而提升整個經濟社會的發展速度和增長質量。開展科技創新必須以科技投入作為后臺保障，在這方面不僅需要有一定規模的科技投入總量，更為關鍵的因素是科技投入產出效率。自黨的十八大以來，隨著創新驅動發展戰略的實施，加快實現高水平科技自立自強的觀念日益深入人心，從中央到地方普遍加大了在科技創新上的投入力度，并且進一步呈現出地方財政科技投入占比逐漸增大的趨勢。在這方面，廣東近些年來一直走在全國前列。2022年8 月國家統計局［1］發布的公告顯示，2021 年度廣東省研究與試驗發展（research and experimental development，R&D）經費投入位列全國首位，達到4 002.2 億元，投入強度為3.22%。在此背景下，對自進入新發展階段以來，廣東在科技投入大幅度增長的同時地方科技投入與經濟增長相關關系、區域科技投入產出效率究竟如何，還需持續深入研究。有鑒于此，通過深入梳理研究區域科技投入與經濟增長間的相互關系，對提高對科技投入的認識，在增加科技投入規模的同時優化科技投入結構，加速經濟社會發展都具有重要理論和現實意義。

當前，關于科技投入與經濟增長相關關系的研究已經有不少積累，呈現出來的研究特點也比較明顯。歸納起來，這些研究大致可以劃分為兩條路徑分別展開：一是按照索羅增長核算理論展開；二是沿著綜合路徑展開。在用于研究科技投入與經濟增長相關關系的方法上，最主要的方法有因子分析法、數據包絡分析法、灰關聯分析法以及向量自回歸分析法等分析方法。盡管這些分析方法在研究科技投入與經濟增長之間關系時有一定借鑒意義和不可替代的作用，但其局限性也非常明顯。即由于經濟社會是一個具有多層界面的復雜系統，并且科技投入與經濟增長涉及多個變量和不同量綱，所以不同學者的研究角度不同，往往在研究對象、變量設置以及研究樣本等方面存在差異，從而導致得出的研究結論也不盡相同。具體到廣東的相關研究，雖有采用數據包絡分析法、灰關聯分析法等方法進行分析，但分析研究時間距離當前較長，已經無法用于衡量進入新發展階段之后的廣東實際情況。因此，本研究在前人研究的基礎上，通過對已有相關研究進行總結提煉，改進向量自回歸模型（vector autoregressive model，VAR），將科技投入拓展到科技經費投入、科技人員投入以及科技成果投入3 個維度，選取廣東省2001—2020 年的相關數據作為研究樣本，對廣東省的科技投入、經濟增長等相關變量進行實證研究，檢驗變量互動關系，同時使用脈沖響應和方差分解分析等方法做變量影響定量分析，以彌補現有相關研究在分析變量和研究方法等方面存在的不足，為進一步探究科技創新如何影響廣東經濟發展模式、考察廣東科技投入與經濟增長的長期動態均衡關系，以及為推動廣東制定科技發展政策提供理論證據和實踐參考。

2 模型選擇與指標配置

盡管可用于分析科技投入與經濟增長相關關系的方法很多，但由于科技創新、經濟社會運行本身固有的屬性，使得建立一套系統化、科學化的分析方法變得很困難，這就需要在實際分析研究工作中根據具體需求對不同的評價分析方法進行組合使用。本研究借鑒內生增長理論，把技術進步作為內生變量的理念納入向量自回歸模型，各取分析方法之所長。

2.1 模型設定

本研究分析過程以采用VAR 模型為主，但模型變量之間的邏輯關系采用內生增長理論構建。VAR模型是由克里斯托佛·西姆斯（Christopher Sims）在1980 年首先提出來的分析工具［2］。該模型是基于數據的統計性質建立，把系統中每一個內生變量作為所有內生變量滯后值的函數來構造模型，從而將單變量自回歸模型推廣到由多元時間序列變量組成的向量自回歸模型［3］。由于VAR 模型不帶有任何事先約束條件，因而成為處理多個相關經濟指標分析與預測最容易操作的模型之一。該模型廣泛應用于預測有聯系的時間序列系統并分析隨機擾動對變量系統的動態沖擊，從而反映變量間交互影響和動態聯系。VAR 模型最突出的特點是不需要把嚴格的經濟理論作為依據，即科技投入與經濟增長之間已經大量證實確實存在相關關系，這既是該模型的優勢，也是其不足之處。

為有效解決VAR 模型存在的不足之處，本研究采用內生增長理論構建模型變量之間的邏輯關系。該理論的核心思想是，認為經濟能夠不依賴外力推動實現持續增長，內生的技術進步是保證經濟持續增長的決定因素［4］。與索羅經濟增長模型將技術進步劃為外生變量不同，內生增長理論認為技術進步應該屬于內生變量［5］?；诳萍纪度肱c經濟增長這個主題，將內生增長理論相關理念引入VAR 模型并進行融合，重點研究科技投入與經濟增長之間的相關關系。改進后的VAR 自回歸模型如下：

式（1）中：x、y均為內生變量，分別代表科技投入、經濟增長；ai為待估計參數；c為常數項；ε為隨機誤差項；p為滯后階數；t為樣本數量。

2.2 變量選取

為更好地理解經濟增長的真實推動因素和原因，在相關研究將科技經費投入、科技人員投入作為內生變量的基礎上，本研究嘗試將科技成果投入作為內生變量。這樣做主要有以下考慮：一是科技成果投入已經成為主要的社會生產要素之一，這一點在學界和業界均毋庸置疑；二是與科技經費投入、科技人員投入相比，科技成果投入在屬性上存在獨立性，使得將其納入內生變量范圍存在可能。

在表征經濟增長以及科技經費投入、科技人員投入、科技成果投入等內生變量的具體指標選擇上，遵循3 項基本標準：一是指標與研究主題密切相關。即所選指標應符合研究主題或能準確衡量對應變量，否則將對研究沒有任何用處。二是指標性質要存在互斥性。鑒于指標之間的高度重疊和高度相關會給模型分析造成困擾，為此所選指標不能存在明顯交叉關系，否則影響模型運算結果的準確和穩定，指標相互之間的線性關系不顯著才能夠有效解決變量多重共線性等回歸分析中面臨的問題。三是數據的可獲得性。在研究中，盡管有些指標的對應效果更好，但是如果在數據獲取方面存在問題，也不能夠采用該指標衡量變量。按照上述原則，基于由國際貨幣基金組織發布的主要國家短期指標（Main Short-term Indicators，MSTI）、瑞士洛桑國際管理發展學院發布的《世界競爭力年鑒》（World Competitiveness Yearbook，WCY）以及由世界銀行發布的世界發展指標（World Development Indicators，WDI），選取分析對象當年地區生產總值（GDP）、R&D 經費支出（FEE）、R&D 人員（PP）及專利申請量（PAT）分別作為經濟增長、科技經費投入、科技人員投入、科技成果投入4 個內生變量的表征指標。與科技論文、專利授權量等指標相比，選取專利申請量作為表征指標具有明顯的時效性和說服力：一是專利申請量是距離經濟增長相對較近的一類科技成果；二是盡管也有當年發明專利授權量等其他指標，但專利申請量是之前的專利申請在本年度的確權。

在表征指標確定之后，為消除異方差以便獲得平穩數據，在不改變時間序列性質的前提下，對4個指標數據取自然對數作為樣本數據，即分別變換為Ln GDP、Ln FEE、Ln PP、Ln PAT。

2.3 數據來源

本研究數據主要來自《廣東統計年鑒》，數據時間跨度涵蓋了2001—2020 年度，個別年份R&D經費支出數據來自其他專家學者的已有統計［6］。在進行正式的分析運算之前，首先運用國內生產總值物價平減指數（GDP Deflator）分別對GDP 和FEE按照可比價格進行換算，對照基期為1978 年。

3 實證分析及結果

在建立VAR 模型和數據標準化基礎上，使用EViews10 軟件進行平穩檢驗、協整檢驗、脈沖響應分析和方差分解分析，對研究期間廣東省科技投入與經濟增長關系進行實證研究，并對數據分析運算結果展開討論。

3.1 平穩性檢驗

由于本研究模型確定的4 個指標數據均為時間序列數據，隨時間變動較大，為此必須在模型運算之前檢驗時間序列變量是否平穩，即單位根檢驗，以避免出現偽回歸問題。采用ADF（augmented Dickey-Fuller）檢驗方法對4 個指標數據的單位根進行檢驗，如表1 所示，在5%的顯著性水平下4 個時間變量數據的原序列均不滿足平穩性要求，但在Ln GDP、Ln PP、Ln PAT 服從一階差分并且Ln FEE服從二階差分的情況下均滿足平穩性要求，因此初步確定可以采用Ln GDP、Ln PP、Ln PAT 一階差分以及Ln FEE 二階差分構建VAR 模型。

表1 樣本變量平穩性檢驗結果

在此基礎上，根據最終預測誤差（final prediction error，FPE）、赤池信息量準則（Akaike's information criterion，AIC）、漢南-奎因信息準則（Hannan and Quinn information criterion，HQIC）、施瓦茨信息準則（Schwarz's Bayesian information criterion，SBIC）等統計量應當遵循的原則，對4 個指標數據進行綜合比較下，認為在選擇滯后1 期的情況下VAR 模型擬合 效果最好（見表2）。

表2 樣本變量滯后階數選擇檢驗結果

3.2 協整檢驗

為考察本研究的4 個指標數據之間是否存在長期均衡關系，采用Johansen 檢驗方法進行分析，結果如表3 所示，4 個時間變量數據之間只存在一個長期穩定的協整關系，這與業界長期以來關于科技投入與經濟增長一般規律性的認識相吻合，也意味著此協整關系支持采用VAR 模型進行后續的研究分析［7］。

表3 樣本變量的協整檢驗結果

3.3 構建模型

采用EViews 軟件，對Ln GDP、Ln PP、Ln PAT一階差分和Ln FEE 二階差分數據建立VAR 模型，其中經濟增長指數VAR 模型如式（2）所示。各變量的系數如表4 所示，可見影響當期經濟增長的最大因素來自上1 期經濟增長情況。

為進一步驗證本研究所建立VAR 模型的客觀性和合理性，基于R&D 經費投入強度（R&D 經費投入/區域當年GDP）、R&D 人員投入強度（R&D 人員投入/區域年末常住人口）以及科技成果投入產出強度（規模以上工業企業新產品銷售收入/技術合同成交額）等3 個相對指標，對Ln FEE、Ln PP、Ln PAT 在2016—2020 年間的變動情況進行深入縱向分析，同時，基于上述3 個指標數據規模上的可比性，選擇與廣東一并處于全國前列的江蘇和浙江兩省進行橫向比較分析。如表5 所示，相比較之下，2016—2020 年間廣東省的R&D 經費投入平均強度高于江蘇和浙江兩省，但R&D 人員投入平均強度明顯低于江蘇和浙江兩省并且差距較大，說明廣東省還需要在整合域內外人才資源、強化R&D 人員投入上深挖潛力；在科技成果投入產出平均強度上，廣東省亦低于江蘇和浙江兩省，說明廣東省在單位科技成果轉化后的經濟效益實現上也存在一定差距。此結果與上述VAR 模型系數所得出結論大致吻合。

表5 三省主要創新資源投入及產出強度比較

3.4 穩定性檢驗

模型參數穩定性檢驗的有關方法有多種，一般是通過AR 特征根進行檢驗。選擇在滯后1 期的情況下采用AR 根圖對上述VAR 模型的穩定性進行分析檢驗，如圖1 所示，所有根的倒數皆比1 小，均落在圓圈內部，說明模型的穩定性非常好，可以繼續開展后續分析。

圖1 VAR 模型穩定性檢驗結果

3.5 脈沖響應分析

為進一步了解所構建VAR 模型中變量之間的動態影響關系，按照順序繼續采用脈沖響應進行深度分析，通過賦予科技投入或經濟增長某變量一個沖擊，得到該變量對其他變量的反應靈敏程度和沖擊程度，從而挖掘一個內生變量（沖擊變量）帶來的沖擊給其他內生變量（受沖擊變量）造成的影響。采用Eviews 軟件，通過運算得到科技投入與經濟增長指標數據脈沖響應關系（見圖2），可以看出在Ln GDP 的沖擊下，Ln FEE 脈沖響應呈現出先升后降、逐漸趨于平穩的變化態勢，在這個過程中脈沖響應函數始終為正值并在受到沖擊后的第3 年達到最大值；Ln PP、Ln PAT 脈沖響應均呈現出先下降后逐漸趨于平穩的變化態勢，在這個過程中脈沖響應函數始終為負值并在受到沖擊后的第5 年達到最小值。Ln GDP 沖擊下的脈沖響應變化態勢說明，其對Ln FEE 整體上呈現正向促進作用，但對Ln PP、Ln PAT 整體上呈現負向抑制作用；相比之下，在Ln PP、Ln FEE、Ln PAT 分別沖擊下，Ln GDP 脈沖響應則有所不同，其中在Ln PAT 的沖擊下基本保持平穩并且脈沖響應函數始終為正值，在Ln PP 的沖擊下呈現出先升后降、逐漸趨于平穩的變化態勢且脈沖響應函數在第3 年實現由負轉正并在此后始終為正，在Ln FEE 的沖擊下呈現出先升后降、逐漸趨于平穩的變化態勢且脈沖響應函數在第二年實現由負轉正并隨著時間延長呈現出不顯著態勢。表明研究期間廣東省的R&D 經費投入、R&D 人員投入以及專利申請量在整體上對區域經濟增長呈現正向促進作用，其中R&D 人員投入與專利申請量的正向促進作用更加穩定、持久，而R&D 經費投入的正向促進作用時間相對較短。不同科技投入的脈沖響應差異較大，可能與科技投入要素性質有關，即R&D 人員投入屬于可作用于經濟增長的長期循環投入，專利申請量雖屬于一次性投入但作用于經濟增長的時間也較長，而R&D 經費投入可作用于經濟增長的時間一般局限于研發活動周期之內，研發活動結束之后即轉化為其他形式存在。除此之外，廣東省的經濟增長對R&D 經費投入呈現正向促進作用，但對R&D 人員投入、專利申請量呈現一定程度的負向抑制作用，這一點可從廣東省科技投入與經濟增長總體情況看出端倪：按照可比價格，廣東省2020 年度的經濟總量是2001 年度的6.08 倍，但2020 年度的R&D 人員投入、R&D 經費投入和專利申請量卻分別是2001 年度的14.90 倍、17.25 倍和35.05 倍。也就是說，廣東省以高于經濟增長的速度加大了科技投入，顯得經濟增長沒有跟上科技投入的步伐。

圖2 2001—2020 年廣東省科技投入與經濟增長的脈沖響應分析

3.6 方差分解分析

進一步進行方差分解分析，通過分析每一個變量指標對目標變量總變化的貢獻程度來評價不同變量指標動態變化的相對重要性。采用EViews 軟件，方差分解結果如圖3 所示；為便于反映各變量具體的方差分解結果，將各變量對自身的影響予以剔除，結果如表6 所示。可以看出，無論是科技投入指標還是經濟增長指標，其對自身的動態變化貢獻程度始終都是最大的；而在剔除對自身的影響后，Ln FEE 的貢獻程度始終處于最大值，呈現出先升后降趨于平穩的狀態，Ln PP 的貢獻程度逐年提升較快，最近一期的貢獻程度已經與Ln FEE 大致相當，Ln PAT 的貢獻程度雖亦在逐年提升，但始終處于最小值，相比之下表現不如其他兩個指標數據；在Ln GDP 對其他3 個指標的貢獻程度上，對Ln PP、Ln PAT 的貢獻程度始終處于前兩位，并且均呈現出先降后升趨于平穩的狀態，對Ln FEE 的貢獻程度雖亦在逐年提升，但始終處于最小值，相比之下表現不夠顯著。總體上來看，科技投入對經濟增長的貢獻呈現逐年遞增的發展態勢，第10 期貢獻程度合計已經達到8.623 8，在這其中Ln PP 發揮作用已經與Ln FEE 大致相當；經濟增長對R&D 人員投入的推動作用表現最為突出，最近一期的貢獻程度已經達到16.329 7。

圖3 2001—2020 年廣東省科技投入與經濟增長的方差分解分析

表6 2001—2020 年廣東省科技投入與經濟增長指標間的貢獻度分析

基于上述對VAR 模型開展方差分解分析的結果，盡管可以很方便地看出變量指標動態變化的解釋比例，但貢獻程度不高始終卻是個不爭的事實。針對這種情況，筆者深入分析研究后認為，產生這種情況的主要原因可能有兩個方面。一是用于構建VAR 模型的指標數量有限。區域經濟社會是個復雜的系統，影響經濟增長的科技投入指標也有很多，但研究對象的樣本數量及VAR 模型建模條件限制了可選擇指標數量；在條件允許的情況下，若能夠適當增加科技投入指標數量，那么其對經濟增長的貢獻程度也會隨之提高。二是尚未找到更加可靠的中間變量作為經濟增長的表征指標。本研究在建模之初選擇GDP 作為經濟增長的表征指標，但該指標與R&D 經費投入、R&D 人員投入以及專利申請量相比，在數量級上更大，對貢獻程度的計算會產生一定影響；如果有更加可靠的中間變量作為經濟增長的表征指標，運用VAR 模型計算的貢獻程度也會隨之提高?？偟膩碚f，即便存在上述情況，但從運用VAR模型開展方差分解分析結果來看，還是能在一定程度上夠說明科技投入與經濟增長之間的關系。

4 結論與建議

4.1 研究結論

本研究將廣東省2001—2020 年之間的科技投入與經濟增長數據作為樣本，分別選取當年GDP、R&D 經費支出、R&D 人員投入以及專利申請量作為內生變量表征指標，通過構建VAR 模型進行深入解析，并運用脈沖響應分析和方差分解進行實證研究，得到如下結論：

（1）廣東省的科技投入與經濟增長存在著長期、穩定的相關關系，這種關系符合業界內部一般規律性的認識。

（2）影響廣東省當期經濟增長的最大因素來自于上一期的經濟增長；在影響經濟增長的科技投入上指標上，按照影響程度大小依次分別為R&D 經費投入、R&D 人員投入、專利申請量，說明R&D 經費投入在當前及未來一段時間仍然是促進經濟增長的重要科技投入，而R&D 人員投入、專利申請量對經濟增長的作用潛力還需要挖掘。

（3）廣東省的科技投入整體上對區域經濟增長呈正向促進作用，為此應當繼續保持當前科技投入規模及其增長勢頭。具體來說，R&D 人員投入與專利申請量的正向促進作用更加穩定、持久，在這方面的投入應當高于科技投入整體上的增長水平；R&D 經費投入的正向促進作用時間相對較短，應當考慮完善R&D 經費投入結構，特別是需要進一步重視在基礎與應用基礎方面的R&D 經費投入。

（4）廣東省科技投入對經濟增長的貢獻呈現逐年遞增的發展態勢，經濟增長對科技投入的貢獻在整體上要大于科技投入對經濟增長的貢獻，其中經濟增長對R&D 人員投入推動作用表現得最為突出和明顯。

總的來說，廣東省的科技投入與經濟增長存在長期、穩定的螺旋式遞推關系，即科技投入是推動經濟增長的主要動力之一，經濟增長又反過來為增加科技投入提供條件和保證。

4.2 對策建議

基于上述結論，為進一步推動廣東省的科技投入與經濟增長達到高效率互動循環，有效支撐區域經濟社會實現高質量發展，本研究認為未來一段時間廣東省應在繼續增加科技投入的同時適當調整科技投入結構，以保持相互之間的均衡性。為此，提出具體對策建議如下：

（1）改進科技經費投入方式方法。經過多年來的積累，廣東省的R&D 經費投入已經連續多年位居全國首位，R&D 經費投入強度亦高于歐盟平均水平和OECD 成員國的平均水平［8］。盡管廣東省的R&D 經費投入對區域經濟增長的貢獻程度始終處于最大值，但也面臨正向促進作用時間相對較短的情況，針對這種情況，廣東省應在繼續保持R&D 經費投入規模和強度的同時，探索改進R&D 經費投入的方式和方法，提高R&D 經費的使用效率和可持續性。一方面，推動政府設立的重大科技計劃向原創性、基礎性、公益性以及制約區域重點產業發展的關鍵核心技術方向傾斜，并與重大人才工程、重大科研平臺建設進行對接和協同，盡可能延長R&D 經費投入對經濟增長的支撐能力；另一方面，充分發揮市場創新資源配置主體地位，積極營造構建良好的創新創業生態環境，引導更多市場創新主體加大R&D經費投入力度，進一步提高對經濟增長的根植性。

（2）突出科技人員培養以及引進。人才是創新的第一資源，也是科研活動中最為活躍、最為積極的因素。盡管廣東省的R&D 人員投入對經濟增長的貢獻程度增長較快，但與兄弟省份相比還存在一定差距，為有效解決這個問題，必須更加突出對科技人員的培養以及引進力度，深挖廣東省作為全國第一人口大省蘊含的潛力，想方設法整合域內外人才資源，繼續提高R&D 人員投入平均強度。為此，可通過中央與地方聯動、粵港澳聯動、省市聯動等方式共建重大科研平臺、共設重大科研任務，加快推動高端創新人才團隊來粵集聚；同時，吸引國家級高校院所、大型央企來粵設立研發分支機構，聯合港澳共建國際化的國家實驗室、省實驗室以及新型研發機構。除此之外，應實施更加開放、靈活的引智引才政策，秉持“不求為我所有，但求為我所用”的理念，建立與科技創新發展相匹配的人才培養、引進、使用、評價、收益分配機制。

（3）強化科技成果創造以及轉化。專利申請量對廣東省經濟增長的貢獻程度始終最小并且提升緩慢，廣東科技成果投入產出平均強度距江蘇和浙江兩兄弟省份也存在不小差距，而相關研究顯示，國內科技成果轉化率之所以低于西方發達國家，很重要的原因就是具有市場前景的科技成果不夠多［9］。有鑒于此，廣東省要進一步強化科技成果對經濟增長的促進作用，首要工作應當是切實提高科技成果的質量和水平，即科技成果不僅要有足夠的數量，更要有過硬的質量，特別是要有一批高質量的核心成果、有效成果。在這方面，廣東省要從重大科技計劃設置的源頭抓起，緊密結合產業鏈部署創新鏈，強化其對省內重點產業技術需求的響應程度和支撐能力［10］；同時，加快布局建設一批科技成果轉化平臺，完善科技成果轉化服務體系，深化科技成果使用權、處置權和收益權改革，打通科技成果轉化“最后一公里”。