创新价值链视角的创新投入结构与全要素生产率分析

余泳泽 张莹莹 杨晓章

创新价值链视角的创新投入结构与全要素生产率分析

余泳泽 张莹莹 杨晓章

创新投入是提高生产率的重要途径，而不同类型的创新投入对一国生产率改善的作用存在差异性。学理上的解释需深入研究创新活动的内部反应机制。从创新价值链视角将创新活动分为基础研究、应用研究和试验发展。基于研发资本存量的测算，构建反映创新投入结构与全要素生产率之间关系的理论模型，并以经合组织(OECD)23个国家2000-2013年的面板数据为样本，检验创新投入结构对生产率的异质性影响。结果表明:从时间维度来看，试验发展活动对当期全要素生产率增长具有显著的正效应，应用研究和基础研究功效的发挥存在一定时滞，且基础研究的滞后期更长；从影响程度来看，基础研究的偏效应最大，应用研究偏效应短期内为负值，而试验发展的作用虽然非常迅速，但其对生产率的带动效果相对较弱；就全要素生产率分解来看，基础研究和应用研究分别对技术效率和规模效率的偏效应最大，试验发展对全要素生产率三部分都有显著的正效应。因此，改善我国创新投入结构时应充分重视基础研究的投入和积累，以发挥其在促进生产率中的核心地位和长效作用。

创新价值链； 创新投入结构； 基础研究； 应用研究； 试验发展

一 引 言

改革开放近40年来，中国经济经过了高速增长，伴随着全球经济增长速度的放缓，逐渐步入“新常态”，经济发展方式亟需从要素驱动、投资驱动转向创新驱动。实施创新驱动发展是中国经济面对“新常态”的一项重要战略，同时也是提高我国全要素生产率的主要方式。从现有研究来看，创新活动对提高全要素生产率有显著的影响，并且近年来受到学者们的广泛关注(陈钰芬等，2013[1]；Englander et al., 1988[2])。

2006年我国开始实施创新发展战略，逐渐增加了研发活动的投入，2015年研发经费投入1.4万亿元，已接近中等发达国家水平，占GDP的比重由2006年的1.39%上升到2015年的2.1%。然而，就我国全要素生产率的涨幅而言，巨大的创新投入似乎并没有推动全要素生产率的快速增长。据统计，1995-2009年生产率平均每年以3.9%的速度增长，2011-2015年生产率增长速度下降到了3.1%*数据来源于中国社会科学院的测算。。究其原因，主要包括以下几个方面：首先政府对我国创新活动的干预较多，研究中普遍认为政府对R&D活动的干预会造成“市场失灵”，并且会在一定程度上抑制私营企业的R&D支出(张杰等，2012[3]；张杰和刘志彪，2007[4])。其次，R&D投入虽然逐年增加，但是创新效率并不高(白俊红和蒋伏心，2011)[5]，由于研发活动的高风险性和高投入性，企业R&D投入的积极性并不高，很多企业R&D投入的效率是低效甚至是无效的(Segerstrom et al.,1990)[6]。因此，R&D投入并不是越多就对全要素生产率提高越有利，过多效率低下的R&D 投入会造成社会资源的浪费，甚至可能降低经济增长速度(Englander et al.,1988[2];Verspagen, 1995[7])。最后，通过分析我国创新投入结构发现，我国研发经费更多的投入试验发展活动而非基础研究，基础研究经费占总经费的比重低于10%，而试验发展经费则高达85%。发达国家的基础研究经费比重则超过15%，试验发展经费占比只保持在60%左右。

本文针对上述情况，选取OECD国家2000-2013年的面板数据，基于创新价值链视角，将创新活动分为基础研究、应用研究和试验发展三个阶段，分析创新价值链各个阶段R&D投入对全要素生产率的影响机制，研究不同创新投入结构对全要素生产率贡献的异质性作用，进而找到我国全要素生产率低下的根源所在，为提高我国全要素生产率给出相应的建议。

二 文献综述

(一)创新投入模式

创新是一个多样而复杂的过程，从创新资源投入到产生创新成果，再到创新成果市场化要经过一系列的阶段。换而言之，创新成果产生的背后有着许多不被人们所看到的投入，但这些投入同样对一国经济发展产生一定的影响。为了更加清楚地了解创新背后的投入对于经济发展的作用，学者们也不遗余力的努力探索着。

陈劲和陈钰芬(2006)[8]将创新过程分为创新成果研发和创新成果应用两个阶段，发现成果研发阶段虽然历时较长，但对经济增长的促进作用最为显著(胡树华等，2015)[9]。余泳泽和刘大勇(2013[10]，2014[11])将创新过程细致划分为知识创新、科研创新和产品创新三个阶段，三者相互促进、相互联系，知识创新和科研创新的目的是为了产品创新，知识创新是科研创新和产品创新的理论基础；同时，三者又相互独立，各自为一个新的创新阶段。我国著名学者赵增耀等(2015)[12]将创新过程分为知识创新阶段和产品创新阶段，利用两阶段非合作博弈的创新效率评价方法，考察各个阶段的创新效率，研究创新活动对经济增长的影响。庞瑞芝等(2009)[13]将创新过程分为两个环节，第一个环节是由原始的技术创新投入转化为技术成果，第二环节是技术成果进一步转化为经济成果的过程。企业、高校和科研院所作为创新活动的主要研发主体，所从事的主要研发活动也大不相同，企业作为以盈利为目的的市场参与者，所从事的研发活动大多具有低风险、高回报的特性，如产品创新即创新成果的市场化；高校和科研院所作为我国科技研发活动主要的机构，承担了大部分风险大、周期长的研发活动，即知识创新和研发创新。但是，相比较而言，我国企业研发活动的创新效率是最低的(白俊红等，2009)[14]，科研院所的创新效率近年来也呈下降趋势(关忠诚等，2009)[15]，不过这与我国实际是相符的(余泳泽，2015)[16]。

(二)创新投入模式与技术进步

理论上讲，创新投入有特定的投资回报率。但由于数据、测量方法和变量选择的不同,不同学者在计量分析过程中得到的投资回报率也不相同。Griliches和Lichtenberg(1984)[17]利用不同方法回归得到的科研投资回报率为11%-62%；与前者不同的是，Boskin和Lau (2000)[18]计算出的创新投入对技术进步的贡献率在50%以上，数字波动范围较小。这些结论虽然不同，但都证明了创新投资能够促进技术进步和经济增长。

李宾(2010)[19]认为我国基础研究投入强度严重偏少，使得研究投入对技术进步产生负面影响,从而一定程度上抑制了经济的增长，因此中国应该增加基础研究投入强度。柳卸林和何郁冰(2011)[20]指出，核心技术的产生是长期大量基础研究积累的结果，中国当前研发投资结构比例失衡，对核心技术的创新发展产生了消极影响。孙晓华和王昀(2015)[21]发现试验发展活动能够显著促进当期全要素生产率的增长，基础研究对全要素生产率的促进作用显著大于应用研究，而试验发展对当期全要素生产率的促进作用非常显著，但对技术进步的带动作用相对较弱。而我国普遍存在研发投入中基础研究投入比重偏低，企业对基础研究投资不足的问题(温珂和李乐旋，2007[22]；李宾，2010[19])。杨立岩和潘慧峰(2003)[23]通过构建经济增长模型，将知识分为应用技术和基础科学知识两大类，发现基础科学知识更有利于经济长期增长。靖学青(2013)[24]分析我国研究投入结构与经济增长关系的结果表明，基础研究和试验发展与中国科技进步存在很强的关联性，而应用研究和技术进步之间的关系最微弱；同时，他们也发现基础研究投入对经济增长的促进作用很显著，但其作用有一定的滞后性，所以基础研究投入低对技术进步和发展不利。陈钰芬等(2013)[1]利用面板模型研究不同类型科研投资活动对技术进步的差异性作用,发现在中国试验发展对技术进步的促进作用非常显著，高于基础研究和应用研究对技术进步的影响。总之，不同数据源和不同分析方法对研究结论有很大的影响，有必要在理论上建立统一的标准。

截止目前，研究创新活动对技术进步影响的文献较多，创新投入对技术进步具有正向的促进作用，但创新效率低下，尽管如此，依旧没有分析清楚创新活动对技术进步背后的“反应”机制，也没有明确不同研发活动对技术进步的异质性作用。因此，本文的创新点主要包括：(1)剖析了创新活动从投入到创新成果市场化背后经历的一切“反应”，并且将创新投入-“反应”-创新成果市场化这一过程定义为创新价值链；(2)通过重新测算OECD国家不同创新活动的研发资本存量，更加准确地衡量创新投入对全要素生产率的作用；(3)不同于以往研究运用DEA法计算全要素生产率(潘丹和应瑞瑶，2013[25]；孙晓华等，2012[26])，本文选择基于参数的随机前沿SFA法计算OECD国家的全要素生产率；(4)利用OECD国家的数据，分阶段研究其创新活动的内部反应机制，借鉴OECD国家研发投资结构找到我国全要素生产率低下的主要原因，进而改善我国创新投资结构存在的问题。

三 数据处理与模型变量

(一)研究思路

自熊彼特提出“创新理论”以来，对创新的研究基本上分为两个方面：制度创新和技术创新，本文围绕技术创新理论展开。近年来，学者们细化了创新过程研究，最具代表性的就是Hansen和Birkinshaw(2007)[27]在《创新价值链》一文中首次提出创新价值链理论，系统地解释了创新过程的内在反应机制。本文在Hansen和Birkinshaw创新价值链理论的基础上，结合我国具体实践，给出我国创新价值链构成的逻辑图，如图1所示。

基于图1逻辑结构图的研究思路，本文在我国统计局划分的基础上，基于创新价值链视角，将创新投入分为三个阶段：基础研究、应用研究和试验发展，其中基础研究与创新的产生和知识创新相对应，应用研究与创新的转化和科研创新相对应，试验发展与知识的传播和产品创新相对应。

图1 创新价值链逻辑结构图

首先，分析OECD国家2000-2013年研究经费的投入情况，得到图2的R&D投资结构图。如图所示，在2000-2008年期间，OECD国家平均研发经费保持在较平稳的状态，基础研究经费占比在0.15左右，应用研究经费占比在0.2上下浮动，试验发展经费占比最大，保持在0.6以上。2009年以后，出现了一个较大的拐点，基础研究经费的比例上升到0.2，上升幅度较大，相应的试验发展和应用研究经费比例有所下降，但是下降幅度并不是很大。综合而言，观察OECD国家研发投资结构发现，基础研究经费占比在2008年以前是三者中最少的，2008年开始增大，仅次于试验发展经费的比重；应用研究经费的份额在2008年之前为20%，之后下降到15%；试验发展经费在2008年之前占比65%，之后下降了约5个百分点，但依旧是三者中占比最大的一部分。

图2 OECD国家和中国不同研发类型平均经费投入比例

如图2所示，对于我国而言，创新价值链各个阶段的平均经费投入明显不同于OECD国家。基础研究经费比重一直保持在0.1以下，且近15年来变动不大，主要原因可能是基础研究在我国一般都是政府资助，企业参与较少，而政府对基础研究的资助受财政预算约束相对平稳，所以波动并不明显。应用研究经费比重稳定在0.2以下，且2006年开始下降，2013年占比已经下降到0.1。相反的，试验发展经费的比重在2006年之前，处于0.8以下，2006年之后不断上升，当然，这种上升是以减少应用研究经费比重和基础研究经费比重为代价的，2013年占比已经逼近0.85，远超OECD国家的0.6水平，这可能是三个创新阶段的性质差异性造成的。基础研究侧重于研究发展规律，短期难以看到结果，且风险大，大多数企业不愿意投入太多的资金；反之，试验发展则是根据市场需求做出反应，见效快、风险小，并且我国在改革开放以来，一直提倡以应用为导向的发展战略，无论政府还是企业都愿意把钱投入到能够在短期内出成果的研究当中，严重忽视了其他两类研发活动的投入，尤其是对于我国产业转型极其重要的基础研究。

(二)模型设定

按照以上分析，本文基于创新价值链视角分析创新投入结构对全要素生产率的影响，设定基本回归模型如下：

TFPit=α0+α1knowit+α2applyit+α3experimentit+α4informationit+α5educationit

+α6eximportit+α7gdpiit+α8fdiit+α9infrastructureit+εit

(1)

其中，i代表国家，t代表年。TFP代表全要素生产率，know、apply、experiment分别代表基础研究、应用研究和试验发展资本存量占GDP的比重，information、education、eximport、gdpi、infrastructure分别反映各国信息化程度、教育支出、进出口贸易、GDP增长率以及基础设施的支出。

(三)数据说明

本文基于创新价值链，研究OECD国家创新投入结构与我国创新投入结构的差异性。所选数据均来源于世界银行和OECD国家数据库。鉴于变量数据的完整性，本文参照孙晓华和王昀(2015)[21]的面板数据来源，剔除比利时、智利、德国、希腊、瑞典、以色列和土耳其等变量数据严重缺失的国家，选择澳大利亚、奥地利、捷克、丹麦、爱沙尼亚、法国、匈牙利、冰岛、爱尔兰、意大利、日本、韩国、墨西哥、新西兰、挪威、波兰、葡萄牙、斯洛伐克、斯洛文尼亚、西班牙、瑞士、英国和美国共23 个OECD 国家2000-2013年的面板数据作为研究样本。

(四)变量说明

本文从创新价值链视角出发，将研发活动分为基础研究、应用研究和试验发展三个阶段，在不同阶段，其投入产出变量也存在差异。现有数据中缺乏对OECD国家研发资本存量的统计，为了更好地衡量创新价值链各个阶段创新投入对全要素生产率的贡献，本文首先对OECD国家的研发资本存量进行了计算，选取创新价值链中研发资本存量与GDP的比重衡量创新投入强度。

其次，影响全要素生产率进步的因素有很多，本文选择控制变量时，尽可能全面覆盖影响全要素生产率的所有变量。因此，本文选取的控制变量主要包括：进出口贸易、经济发展、基础设施、信息化、教育和外资参与程度。其中，进出口贸易状况eximport用进出口商品贸易总额占GDP的比重来衡量，经济发展速度gdpi用GDP增长率表示，基础设施infrastructure用交通基础设施投资与维护支出占GDP的比重来表示，信息化程度information用每百人固定宽带互联网用户数衡量，教育变量education用教育公共开支总经费占GDP的比重衡量，外资参与程度fdi用外国直接投资净流入占GDP的比重来衡量。涉及到价格因素的变量均以2005年不变价数据加以处理。对各变量具体表述概括见表1。

表1 变量解释

(五)OECD国家全要素生产率计算

本文运用SFA方法测算全要素生产率。在已有文献中，SFA生产函数通常被设定为柯布-道格拉斯生产函数和超越对数生产函数，本文选取超越对数生产函数，其具体形式如下：

lnYit=β0+β1lnLit+β2lnKit+β3t+1/2β4(lnKit)2+1/2β5(lnLit)2+1/2β6t2+β7lnKitlnLit+β8tlnLit+β9tlnKit+vit-uit

(2)

式(2)中，K、L分别表示物质资本和劳动力数量；vi为随机干扰项，服从标准正态分布；ui为技术无效率项，服从零点截断的半正态分布；η为技术效率水平的时变参数。为了检验以上函数形式的适宜性，本文作出如下假设：(1)生产前沿函数为柯布道格拉斯形式；(2)超越对数形式中系数不显著为0。SFA模型设定中所涉及的假设都可以使用广义似然率统计量(LR)来检验，λ=-2ln[L(H0)/L(H1)]，L(H0)、L(H1)分别是零假设H0和备择假设H1前沿模型的似然函数值。

基于上述估计结果，根据Kumbhakar(2000)[28]的分解法，将生产函数对t求导，为了简洁省略下标it。

(3)

(4)

(5)

(6)

(7)

(8)

在计算OECD国家全要素生产率的过程中，涉及的投入产出指标的处理过程如下：

1.产出指标。产出以各国生产总值(GDP)来表示。数据均以2005年为不变价处理。

2.投入指标。投入指标包括总的劳动力数量和资本存量两大类，由于OECD数据库没有直接给各个国家的资本存量，本文借鉴张军(2004)[29]资本存量的计算方法，即模型：

Kt=Kt-1(1-δt)+It

(9)

式(9)中涉及4个变量：(1)当年投资I的选取；(2)价格指数的构造，以折算到不变价；(3)经济折旧率δ的确定；(4)基期资本存量K的确定。

当年投资I的选择。选取方式主要包括两种：一是采用全社会固定资产投资额，如王小鲁和樊纲(2000)[30]；二是固定资本形成总额或资本形成总额。由于全社会固定资产投资额是中国特有的指标，适用范围较小，因此本文中当年投资I用固定资本形成总额来代替。

价格指数的处理。基于OECD 国家数据的可得性，将数据以2005年为不变价处理。

经济折旧率的确定。不同研究选择的折旧率不同，Perkins(1998)[31]、胡永泰(1998)[32]均假定折旧率为5%，张军(2004)[29]假定折旧率为9.6%，单豪杰(2008)[33]选择10.96%的折旧率。考虑到本文要计算23个OECD国家的资本存量，而目前又没有统一的折旧率估计值，并且将这个统一的估计值分配到各个国家，因此本文借鉴张军(2004)[29]的折旧率计算方法，即9.6%。

基期资本存量的确定。国际研究中有很多关于基期资本存量的确定方法，例如Hall和Jones(1999)[34]在估计各个国家1960年的投资及资本存量时，就利用1960年的当年投资与1960-1970年投资的几何平均数加上折旧率的比值。但是OECD国家较多，差异较大，难以找到一个统一的基期资本存量数值，因此本文借鉴Young(2000)[35]的估计方法，即用各个国家当年的固定资本形成总额除以10%作为基期资本存量。

表2 OECD国家生产函数模型的估计

注：*、**、***分别代表在10%、5%、1%的水平上显著。

(六)OECD国家研发资本存量再估算

研发资本存量的计算方法与资本存量计算方法类似。根据研发资本存量的特殊性，本文借鉴余泳泽(2015)[16]研发资本存量的估算模型：Kt=(1-δ)Kt-1+(1-0.5δ)It，采用永续盘存法对OECD国家资本存量进行再测算。

在计算过程中主要涉及基期资本存量、价格指数和折旧率三个重要指标。首先，初始资本存量的确定。用永续盘存法计算研发资本存量时，初始资本存量估算得精确与否对估算结果具有重要意义，特别是对于时限比较短的情况。因此，在计算初始资本存量时，考虑的时间越早对结果的影响越小。OECD国家的数据统计得相对较完整，不用再特殊处理。本文借鉴Griliches(1980)[36]、Coe和Helpman(1995)[37]的初始研发资本存量计算方法，假设研发资本存量的增长速率与研发资本的增长率相同，即(Kt-Kt-1)/Kt=(It-It-1)/It=g,其中g为研发投入的增长率，根据上式可得到：Kt-1=It(1-0.5δ)/(g+δ)。其次，价格指数的确定。基于数据的可得性，本文选取消费者价格指数对研发资本投入进行平减。最后，折旧率的确定。目前有关资本存量折旧率的确定主要选择10%-20%，吴延兵等(2009)[38]在计算时采用了15%的折旧率，黄勇峰等(2002)[39]采用了17%的折旧率，张翼(2010)[40]、周密(2012[41])选择了20%的折旧率，这种方法虽然简单，但是却不适用于OECD国家，原因在于大部分OECD国家在2008年研发投入增长率都小于-20%，特别是应用研究和试验发展的投入，若继续使用统一的折旧率计算，资本存量就会出现负值，为避免出现这种情况，根据了解到的数据特征，对基础研究、应用研究和试验发展三者赋予不同的折旧率，分别为15%、20%、25%。

基于以上分析与测算，各变量的描述性统计见表3。

表3 变量描述性统计

四 实证分析

考虑到模型潜在的异方差和序列相关问题，本文所有回归的标准误都在国家水平聚类(Cluster)。首先忽略创新投入结构的内生性问题，分别采用普通面板固定效应模型和系统GMM模型对参数进行估计，然后将全要素生产率分解为技术效率、规模效率和技术进步，并分别作为因变量采用固定效应模型对参数进行更加细致的估计。其中系统 GMM 估计中，为避免工具变量选择的偏差，本文将因变量的一阶滞后项看作内生变量；同时为了使样本量最大化，本文选择基础研究作为工具变量。此外，本文中参数估计的统计量均采用稳健性(Robust)估计量。

(一)基本回归结果

基本回归结果见表4。考虑到研发资本存量对TFP产生的滞后效应，本文分别对自变量滞后一期进行回归，得到模型(1)-模型(3)。模型(4)是对三者都滞后一期进行回归，模型(5)是利用当期数据进行回归。

观察模型(5)，在没有对自变量滞后回归时，试验发展系数为正，且通过了1%的显著性检验。这说明，当期试验发展资本存量越高对全要素生产率的提高也越明显。基础研究的系数虽然为正，但没有通过显著性检验。应用研究系数虽然不显著，但是为负数，这也说明了当期的基础研究投入对全要素生产率的增长作用不大，应用研究的投入甚至会带来全要素生产率的负增长。再看模型(1)-模型(3)，模型(1)中，对基础研究滞后一期回归后发现，基础研究和试验发展系数显著为正且通过了1%的显著性检验，而应用研究系数依旧为负；模型(2)中，对应用研究滞后一期回归发现，应用研究系数为正，通过了10%的显著性检验，这说明，应用研究对全要素生产率的增长具有滞后效应，原因可能在于当期应用研究的投入挤占了对其他阶段的投入，进而对全要素生产率产生了负影响；模型(3)中，对试验发展滞后一期回归，结果显示试验发展系数的显著性没有发生变化，但对全要素生产率的偏效应减小；模型(4)中，对三者同时滞后一期回归发现，基础研究和试验发展的系数显著为正，应用研究系数为正但是不显著。

控制变量方面，四个模型的参数在数值、符号和显著性上基本保持一致。具体的，宽带互联网用户数的系数在1%的水平下显著为正，符合预期，互联网有利于信息知识迅速传播并广泛应用于理论，以了解和学习世界上最尖端的科学技术，促进国家之间文化与贸易的交流，进而提高了全要素生产率。进出口额的系数在四个模型中显著为负值，说明对于OECD国家而言，进出口并不能促进其全要素生产率的提高。道路铺设的系数在四个模型中显著为负，原因可能是对于OECD国家，其经济结构转化已经由初级上升为中高级，基础设施基本得到完善，继续增加对基础设施的投入反倒对全要素生产率的增长起了反作用。GDP增长率系数在1%的水平下显著为正，表明经济发展越快对全要素生产率的推动更为明显，当然，这也可能是因为全要素生产率快速增长导致了经济的发展。外商直接投资系数在四个模型中并不都显著为负，这说明，对于OECD国家，外商直接投资并不一定能带来先进的生产技术和高效的管理水平，反而可能挤出了当地企业，阻碍全要素生产率的提高。教育公共支出占GDP比重的系数在四个模型中显著为负，原因可能在于教育投入对提高全要素生产率的时滞更长，当期的教育投入反而会抑制当期全要素生产率的增长。

表4 面板数据固定效应回归结果

(续上表)

变量TFP(1)TFP(2)TFP(3)TFP(4)TFP(5)gdpi0 162∗∗∗0 162∗∗∗0 159∗∗∗0 159∗∗∗0 160∗∗∗(0 009)(0 009)(0 008)(0 008)(0 008)informatization0 012∗∗∗0 012∗∗∗0 010∗∗∗0 011∗∗∗0 011∗∗∗(0 003)(0 003)(0 003)(0 003)(0 003)education-0 002-0 003-0 004-0 004-0 006(0 019)(0 019)(0 019)(0 019)(0 017)eximport-0 002-0 001-0 001-0 002-0 002(0 002)(0 002)(0 002)(0 002)(0 002)fdi-0 013∗∗∗-0 012∗∗∗-0 011∗∗∗-0 012∗∗∗-0 011∗∗∗(-0 004)(-0 004)(-0 004)(-0 004)(-0 004)infrastructure-0 209∗∗∗-0 208∗∗∗-0 218∗∗∗-0 210∗∗∗-0 214∗∗∗(0 066)(0 066)(0 065)(0 064)(0 062)＿cons8 941∗∗∗9 014∗∗∗8 894∗∗∗8 904∗∗∗9 055∗∗∗(0 229)(0 229)(0 224)(0 220)(0 217)N276276276276299

注：*、**、***分别代表在10%、5%、1%的水平上显著。

整体来看，当期基础研究投入对全要素生产率的提升没有显著影响，当期应用研究对TFP的作用虽然不明显，但是偏效应为负数，当期试验发展对TFP的作用非常显著。自变量滞后回归发现，基础研究对TFP的偏效应显著增大，试验发展偏效应显著为正但有所减小，应用研究偏效应依旧不显著。

(二)系统GMM回归结果

固定面板回归结果假设异方差不存在，采用此方法得到的估计结果可能是有偏的，而系统GMM正好能解决这个问题。本文研究的问题是创新价值链对生产率的影响，但同时，生产率的变化在一定程度上会影响创新价值链。若生产率增速显著，无论国家或者企业都会进一步加大对研发活动的投入。故选择基础研究作为工具变量，估计结果如表5。

与固定效应面板回归结果相比，系数显著性发生了较大的变化且系数绝对值都有相应的减小。为检验系统GMM方法估计出来的结果具有一致性，对残差差分项进行序列相关检验，结果既不存在一阶序列相关也不存在二阶序列相关，系统GMM回归是有效的。观察回归结果，模型(2)中，应用研究对生产率回归发现，应用研究对全要素生产率的偏效应显著为负；模型(3)中，试验发展对生产率的回归发现，试验发展对全要素生产率的作用并不显著；模型(2)和模型(3)中基础研究对生产率的作用仍然显著为正；GDP增长率对生产率具有显著的正影响，外资投入对生产率的作用也显著为负。其他控制变量均不显著。

表5 系统GMM回归结果

注：*、**、***分别代表在10%、5%、1%的水平上显著。

表6 生产率分阶段回归

(续上表)

变量TE(1)(2)(3)(4)TP(1)(2)(3)(4)experiment-0 086∗∗-0 026∗ -0 020∗∗ 0 399∗∗∗ 0 389∗∗∗ 0 395∗∗∗(0 039)(0 012)(0 009)(0 078)(0 081)(0 082)L know0 957∗∗∗0 318(0 186)(0 278)L apply-0 085∗∗-0 638∗∗∗(0 035)(0 120)L experiment-0 008 0 414∗∗∗(0 100)(0 848)informatization0 030∗0 0280 0290 0280 002∗∗∗0 002∗∗∗0 002∗∗∗0 002∗∗∗(0 017)(0 017)(0 017)(0 017)(0 000)(0 000)(0 000)(0 000)education0 0010 0140 0120 011-0 187∗∗∗-0 181∗∗∗-0 179∗∗∗-0 181∗∗∗(0 512)(0 046)(0 045)(0 048)(0 023)(0 023)(0 024)(0 024)eximport0 026∗∗∗0 021∗∗∗0 021∗∗∗0 022∗∗∗0 013∗∗∗-0 013∗∗∗-0 013∗∗∗-0 013∗∗∗(0 008)(0 007)(0 007)(0 007)(0 001)(0 001)(0 001)(0 001)fdi-0 016-0 012-0 009-0 0110 0020 0010 0010 001(0 019)(0 014)(0 013)(0 015)(0 006)(0 006)(0 006)(0 006)gdpi0 156∗∗∗0 143∗∗∗0 149∗∗∗0 147∗∗∗-0 025∗∗-0 025∗∗-0 022∗-0 025∗∗(0 027)(0 029)(0 027)(0 025)(0 012)(0 012)(0 012)(0 012)infrastructure-0 836∗∗-0 764∗∗-0 737∗∗-0 775∗∗-0 071-0 079-0 089-0 083(0 365)(0 338)(0 324)(0 330)(0 079)(0 082)(0 081)(0 082)＿cons93 19∗∗∗93 19∗∗∗93 24∗∗∗93 17∗∗∗11 27∗∗∗11 28∗∗∗11 30∗∗∗11 27∗∗∗(0 669)(0 651)(0 668)(0 698)(0 175)(0 183)(0 182)(0 183)N299276276276299276276276R20 1870 190 0 2000 189 0 596 0 587 0 594 0 590 变量SE(1)(2)(3)(4)know0 0130 0230 030(0 024)(0 023)(0 023)apply0 026∗∗0 021∗∗0 019∗∗(0 011)(0 010)(0 010)experiment0 052∗∗0 052∗∗0 050∗∗(0 021)(0 020)(0 019)

(续上表)

变量SE(1)(2)(3)(4)L know0 030 (0 022)L apply0 021 (0 013)L experiment 0 060∗∗(0 025)informatization 0 052∗∗∗0 053∗∗∗0 053∗∗∗0 053∗∗∗(0 003)(0 003)(0 003)(0 003)education0 0170 0160 0160 010(0 011)(0 010)(0 010)(0 011)eximport0 0030 0040 0040 003(0 002)(0 002)(0 002)(0 002)fdi-0 010∗∗-0 010∗∗∗0 010∗∗-0 010∗∗∗(0 004)(0 004)(0 004)(0 003)gdpi0 016∗0 015∗0 014∗0 010(0 009)(0 008)(0 008)(0 008)infrastructure-0 291∗∗∗-0 281∗∗∗-0 294∗∗∗-0 281∗∗∗(0 076)(0 067)(0 064)(0 063)＿cons100 1∗∗∗100 1∗∗∗100 1∗∗∗100 1∗∗∗(0 162)(0 142)(0 146)(0 157)N299276276276R20 772 0 767 0 765 0 768

注：*、**、***分别代表在10%、5%、1%的水平上显著。

(三)对生产率分解回归

以上回归中，基础研究和试验发展对生产率具有正向影响，而应用研究则是负向作用。为了进一步分析三者对全要素生产率不同组成部分的作用，选择技术效率、技术进步和规模效率分别作为因变量，利用动态面板固定效应进行回归，得到结果如表6。根据表中结果，得到以下几点结论：

第一，基础研究对技术效率的作用非常显著，对技术进步和规模效率的偏效应虽然为正但是并不显著，基础研究滞后一期后，技术效率系数显著增大，可见基础研究对技术效率滞后作用非常明显，对技术进步和规模效率的作用即使滞后也没有太大的变化。一方面技术进步是显示在成果上的，而基础研究作为创新价值链的第一阶段，对技术进步作用不显著也是可以理解的。另外一方面，就规模效率而言，前文已经看到，近10年来基础研究经费投入并没有发生太大的波动，反而是试验发展增长很快，在模型中对规模效率的影响也非常显著。

第二，应用研究对技术进步和技术效率的负向作用非常显著，甚至在滞后一期以后，系数的绝对值增大。应用研究作为创新价值链的第二个阶段，承接基础研究，是将理论转化为成果的一个重要阶段，对于企业而言同样也是风险较大的阶段，尽管应用研究对规模效率的作用显著为正，但是就对生产率总体而言是负向作用。近些年来，OECD国家对应用研究的投入逐渐减少，这也侧面说明了，应用研究活动在创新活动中虽然必不可少，却带来了相反的效果，有必要减少应用研究的投入以提高全要素生产率。

第三，试验发展对技术效率的偏效应显著为负，说明试验发展资本存量的投入会带来技术效率的减小，原因可能在于基础研究投入对技术效率具有显著的正向作用，试验发展投入增加挤占了基础研究的投入，进而影响了技术效率。观察滞后一期的结果发现，试验发展对技术进步的偏效应显著增大，毋庸置疑，试验发展投入是风险最小，最容易看到成果的，对技术进步的作用当然也是最为显著的。技术效率系数绝对值显著减小，也说明试验发展与技术效率之间的关系并不是很紧密。规模效率系数与显著性并没有发生较大的变化。

整体来看，基础研究对技术效率影响显著，应用研究对技术效率和技术进步都是负影响，而试验发展对三者都是正向影响，对技术进步的偏效应最为明显。观察其他控制变量发现，控制变量的系数和显著性变化并不大。信息化能够带来技术进步和规模效率显著增大，随着互联网使用的普及，信息获得更加方便快捷，生产过程也由普通的生产模式转向数字化生产，进而推动技术进步和规模效率增大；教育和外商投资的回归结果与表2相差不大，对三者具有负作用但并不显著； GDP增长率显著影响技术进步、技术效率和规模效率；基础设施建设对三者具有显著的负效应，对于OECD国家而言，基础设施基本已经完善，对基础设施的再投入会挤占对创新活动的投入。

六 结论与政策建议

本文基于创新价值链视角，将研发活动分为基础研究、应用研究和试验发展三个阶段，考虑到研发投入对全要素生产率的累积作用，对三个不同阶段的资本存量进行了再测算。选择SFA法计算OECD国家的全要素生产率，构建反映基础研究、应用研究和试验发展与全要素生产率关系的理论模型，就基础研究、应用研究和试验发展资本存量对一国全要素生产率的异质性作用进行实证研究。结果发现：从时间维度来看，基础研究对当期全要素生产率的作用并不明显，但对基础研究做滞后一期处理后，偏效应显著为正；应用研究的资本存量对当前全要素生产率的增长作用不显著为负，对其做滞后一期处理以后，对全要素生产率起正向作用，但结果仍旧不显著；试验发展活动则对当期生产率产生了促进作用。从影响效果来看，基础研究的滞后一期系数大于当期的系数，说明基础研究对生产率的滞后效应明显，而试验发展对生产率的推动效果虽然十分迅速，但其对生产率的带动作用相对较弱，应用研究的偏效应最弱，甚至可能抑制生产率的增长。为了更细致地解释创新价值链对全要素生产率的作用，将生产率分解为技术效率、技术进步和规模效率三个部分，分别进行固定效应检验。结果发现：基础研究对技术效率的影响最为显著，对其他两个部分虽然都是正向影响，但是并不显著；应用研究除了对规模效率呈显著正影响外，对其余两者都是负向作用；试验发展对三部分的作用都是正向显著的。以上结论可以概括为：在短期内，试验发展对全要素生产率的影响作用非常明显，但是其影响作用具有短期且不可持续的特性，应用研究甚至会抑制后续生产率的增长，因此简单增加试验发展和应用研究的经费投入并不是提高全要素生产率的根本方法；其次，要提高技术效率，就要加大对基础研究和试验发展的投入，减少应用研究投入。相对而言，基础研究虽然在短期内的效果较弱，但对生产率的增长作用却是长期的和可持续的。

自2006年我国实施创新战略以来，研发投资活动的经费迅速上涨，然而由于基础研究周期长、风险大的原因，企业一般缺乏进行基础研究的动力，因此基础研究经费投入仅占研发投资活动的5%左右，这也可能是我国研发经费投入巨大但是创新效率依旧低下的根本原因。为改善这种现状，就要提高企业对基础研究的投入，解决仅依赖于政府、高校等做基础研究的问题。一方面，政府引导企业在基础研究创新项目投资，通过税收优惠和财政补贴鼓励企业增加研发投资，并建立相应的研发机构。另一方面，适当减少对应用研究的投入，通过对比OECD国家发现，应用研究对全要素生产率的偏效应非常小，滞后一期以后的应用研究甚至对生产率产生反向作用。当然，本文研究对因变量最多滞后一期，已有研究发现，一个科技成果从研发到市场化至少要经过15年的时间，可见从创新投入到成果产生的过程是非常漫长的，因此滞后一期对于生产率的作用并不是特别准确，后续研究需要对自变量滞后期数做相应的调整。

[1] 陈钰芬, 黄娟, 王洪刊. 不同类型研发活动如何影响TFP?——基于2000-2010年我国省际面板数据的实证[J]. 科学学研究, 2013, (10): 1512-1521.

[2] Englander, A., Evenson, R., Hanazaki， M.. R&D, Innovation and the Total Factor Productivity Slow Down[J].OECDEconomicStudies, 1988, 11: 7 -42 .

[3] 张杰, 芦哲, 郑文平等. 融资约束、 融资渠道与企业R&D投入[J]. 世界经济, 2012, (10): 66-90.

[4] 张杰, 刘志彪. 需求因素与全球价值链形成——兼论发展中国家的“结构封锁型”障碍与突破[J]. 财贸经济, 2007, (6): 1-10.

[5] 白俊红, 蒋伏心. 考虑环境因素的区域创新效率研究[J]. 财贸经济, 2011, (10): 104-112.

[6] Segerstrom, P., Anant, T. C., Dinopoulos, E.. A Schumpeterian Model of the Product Life Cycle[J].AmericanEconomicReview, 1990, 80(5): 1077-1091.

[7] Verspagen, B.. Convergence in the Global Economy. A Broad Historical View Point[J].StructuralChangeandEconomicDynamics, 1995, 6(2): 143-165.

[8] 陈劲, 陈钰芬. 企业技术创新绩效评价指标体系研究[J]. 科学学与科学技术管理, 2006, (3): 86-92.

[9] 胡树华, 张俊, 杨晓璇等. 基于两阶段测度的中小企业创新效率评价研究[J]. 经济体制改革, 2015, (6): 107-112.

[10] 余泳泽, 刘大勇. 中国传统产业和新兴产业差异性技术进步路径选择研究[J]. 财贸经济, 2013, (2): 93-116.

[11] 余泳泽, 刘大勇. 创新价值链视角下的我国区域创新效率提升路径研究[J]. 科研管理, 2014, (5): 1-18.

[12] 赵增耀, 章晓波, 沈能. 区域协同创新的多维溢出效应[J]. 中国工业经济, 2015, (1): 32-44.

[13] 庞瑞芝, 杨慧, 白雪洁. 转型时期中国大中型工业企业技术创新绩效研究——基于1997～2005年工业企业数据的实证考察[J]. 产业经济研究, 2009, (2): 63-69.

[14] 白俊红, 江可申, 李婧. 应用随机前沿模型评测中国区域研发创新效率[J]. 管理世界, 2009, (10): 51-61.

[15] 关忠诚, 杨志, 李宇红等. SFA在研究所技术效率评估中的应用[J]. 产业经济研究, 2009, (6): 151-155.

[16] 余泳泽. 中国区域创新活动的“协同效应”和“挤占效应”[J]. 中国工业经济, 2015, (10): 37-52.

[17] Griliches, Z., Lichtenberg, F.. Interindustry Technology Flows and Productivity Growth: A Reexamination[J].ReviewofEconomics&Statistics, 1998, 66(2): 324-329.

[18] Boskin, M. J., Lau, L. J.. Generalized Solow-neutral Technical Progress and Postwar Economic Growth[J].NBERWorkingPapers, No.8023, 2000.

[19] 李宾. 国内研发阻碍了我国全要素生产率的提高吗? [J]. 科学学研究, 2010, (7): 1035-1059.

[20] 柳卸林, 何郁冰. 基础研究是中国产业核心技术创新的源泉[J]. 中国软科学, 2011, (4): 104-117.

[21] 孙晓华, 王昀. 何种类型的研发投资更有利于提高一国生产率? [J]. 科学学研究, 2015, (2): 203-210.

[22] 温珂, 李乐旋. 从提升自主创新能力视角分析国内企业基础研究现状[J]. 科学学与科学技术管理, 2007, (2): 5-9.

[23] 杨立岩, 潘慧峰. 论基础研究影响经济增长的机制[J]. 经济评论, 2003, (2): 13-18.

[24] 靖学青. R&D投入类型结构与经济增长的灰色关联分析[J]. 东南大学学报(哲学社会科学版), 2013, (6): 26-29.

[25] 潘丹, 应瑞瑶. 资源环境约束下的中国农业全要素生产率增长研究[J]. 资源科学, 2013, 35(7): 1329-1338.

[26] 孙晓华, 王昀, 郑辉. R&D溢出对中国制造业全要素生产率的影响——基于产业间、 国际贸易和FDI三种溢出渠道的实证检验[J]. 南开经济研究, 2012, (5): 18-35.

[27] Hansen, M. T., Birkinshaw, J.. The Innovation Value Chain[J].HarvardBusinessReview, 2007, 85(6): 121-151, 142.

[28] Kumbhakar, S.C., Lovell, C. A. K..StochasticFrontierAnalysis[M]. Cambridge: Cambridge University Press, 2000.

[29] 张军, 吴桂英, 张吉鹏. 中国省级物质资本存量估算[J]. 经济研究, 2004, (10): 35-44.

[30] 王小鲁， 樊纲. 中国经济的可持续性——跨世纪的回顾与展望[M]. 北京： 经济科学出版社， 2000.

[31] Perkins, D. H.. Reforming China’s Economic System[J].JournalofEconomicLiterature, 1998, 26(2): 601 -645.

[32] 胡永泰. 中国全要素生产率: 来自农业部门劳动力再配置的首要作用[J]. 经济研究, 1998, (3): 31-39.

[33] 单豪杰. 中国资本存量K的再估算: 1952～2006年[J]. 数量经济技术经济研究, 2008, (10): 17-31.

[34] Hall, R. E., Jones, C. I.. Why Do Some Countries Produce So Much More Output Per Worker Than Others?[J].TheQuarterlyJournalofEconomics, 1999, 114(1): 83-116.

[35] Young, A.. Gold Into Base Metals: Productivity Growth in the People’s Republic of China During the Reform Period[J].NBERWorkingPaper, No.7856, 2000.

[36] Griliches, Z.. R&D and the Productivity Slowdown[J].AmericanEconomicReview, 1980, 70(2): 343-348.

[37] Coe, D. T., Helpman, E.. International R&D Spillovers[J].EuropeanEconomicReview, 1993, 39(5): 859-887.

[38] 吴延兵, 米增渝. 创新、 模仿与企业效率——来自制造业非国有企业的经验证据[J]. 中国社会科学, 2011, (4): 77-94.

[39] 黄勇峰, 任若恩, 刘晓生. 中国制造业资本存量永续盘存法估计[J]. 经济学(季刊), 2002, 1(2): 377-396.

[40] 张翼. 市场结构、 企业研发竞争与创新绩效[D]. 上海: 复旦大学, 2010.

[41] 周密. 研发存量、 研发经费来源与知识生产效率[J]. 经济评论, 2012, (5): 61-68.

The Structure of Innovation Investment and Total Factor Productivity ——Based on the Perspective of Innovation Value Chain

YU Yong-ze ZHANG Ying-ying YANG Xiao-zhang

R&D investment is an important way to improve productivity, different types of R&D activities have different effects on the productivity of a country. This paper constructs a theoretical model which reflects the relationship between basic research, applied research, experimental development and productivity. Based on the panel data of 23 countries from 1996 to 2013 which belong to OECD, this paper examines the effects of different R&D investment on productivity from the macro level. The results shows that the development activities have a significant positive effect on the total factor productivity growth in the current period, and there is a lag in the application and basic research functions, and the lag of basic research is longer. From the view of effect, the partial effect of the basic research is the biggest, and the partial effect of application research is negative. Although the experimental development works very quickly, its effect on the productivity is relatively weak. In terms of total factor productivity decomposition, basic research and applied research have the greatest influence on technical efficiency and scale efficiency respectively, while the effect on the other two parts is not obvious, and the experimental development has significant positive effects on the three parts. As a result, too much rely on applied research and experimental development investment is not an effective way to improve the efficiency of a country’s production. We should pay more attention to the input and accumulation of basic research to exert its core position and long-term effect in promoting productivity.

innovation value chain; structure of innovation investment; basic research; applied research; experiment development

2016-12-19

国家自然科学基金青年项目“适宜性创新模式选择与全要素生产率：基于创新价值链与空间外溢视角”(批准号：71403115，项目负责人：余泳泽)；江苏省社会科学基金项目“江苏现代服务业结构化路径研究”(批准号：13JDB012，项目负责人：余泳泽)；中国博士后基金特别资助项目“中国式分权、适宜性创新模式与全要素生产率提升”(批准号：2015T80176，项目负责人：余泳泽)；江苏高校哲学社会科学基金资助项目“创新价值链外溢视角下苏南苏北差异性创新模式及实施路径研究”(批准号：2016SJB790013，项目负责人：余泳泽)。

余泳泽，南京财经大学产业发展研究院副教授、硕士生导师，研究方向：产业发展与技术创新；张莹莹，南京财经大学产业发展研究院硕士研究生，研究方向：创新价值链与技术进步；杨晓章，南京财经大学产业发展研究院硕士研究生，研究方向：产业发展与技术创新。

F426

A

1674-8298(2017)03-0031-16

[责任编辑：陈 林]

10.14007/j.cnki.cjpl.2017.03.003

方式]余泳泽, 张莹莹, 杨晓章. 创新价值链视角的创新投入结构与全要素生产率分析[J]. 产经评论, 2017, 8(3): 31-46.