工业企业产品创新效率与区域经济增长
——基于省级面板数据分析

李 腾， 张钟元，2

(1.辽宁大学 经济学院， 辽宁 沈阳 110036； 2.辽宁石油化工大学 理学院， 辽宁 抚顺 113001)

一、引言

近几年中国政府持续推动产品、企业以及产业三个层面的创新发展，创新要素投入的增加不断带来创新能力提升，并形成区域内产业竞争优势。但中国经济发展依然不平衡，局部地区缺乏科学、合理的创新要素投入机制，出现了诸如规模效应递减、创新产出效率低下、经济增长萎靡不振等现象。从全球来看问题更为严峻，中国创新投入总量连年位居世界第二，2018年最新数据显示，中国全球创新指数仅排名第17位。面对美国、德国、日本等高端制造业大国高端产品技术封锁，分析区域创新效率差异，挖掘影响省区创新效率水平与经济发展关系，探析区域不均衡发展的“病源”，不仅可以有的放矢地促进创新效率提升，更为重要的是为加速供给侧结构性改革以及全面布局“中国制造2025”提供多样化创新驱动路径。

学者对创新效率的理论研究已初成体系。有学者最早使用创新要素投入产出比构建创新效率的测度模型，缺陷是未能具体反映出单个创新要素对整体创新效率的影响作用[1]。近些年关于创新效率研究日趋完善，许敏、谢玲玲基于工业企业短面板数据采用SFA模型对技术创新效率进行测度，发现全国自1996年到2006年持续稳定增长[2]，但区域间差异较大[3]；基于创新效率的区域差异，后续学者从区域间创新价值链分工着手将研究对象扩大到高新产业，进一步发现价值链中技术研发和成果转化的效率比较低，即区域创新分工是区域创新效率差异的根本原因[4]。目前，创新效率的重点从区域转向产业层面，集中反映了大部分行业工业技术创新效率偏低，并且在不同行业间存在较大差异[5]。

综上，已有关于创新效率和经济增长的研究基础较为完善，文献集中于创新效率、创新要素结构、创新环境等变量的测度和评价，研究对象大多为宏观层面的产业或区域，较少文献关注微观层面下企业产品创新的效率研究。而在创新产品视角对创新效率研究的文章多只针对高技术产业，随着中国经济发展，近些年加强创新已经成为企业提高竞争力的普遍策略，因此有必要扩展视域，从更为宏观的视角对工业企业产品创新效率与区域经济增长相关性进行系统分析。基于此，本文将使用面板数据进行创新效率测算、创新效率动态分析及创新效率与经济发展相关性分析，并给出相关结论。

二、理论基础及模型构建

创新效率测度的主流方法主要是SFA模型和DEA模型，后者更适合于解决创新要素多元投入及多元产出问题，其衍生出的BCC模型和M指数模型可结合进行可变规模收益条件下的创新效率的动态化测度。在创新效率对经济影响的研究上，熊比特最早发现技术对经济增长的促进作用，其后罗默建立了新增长理论进一步确立了相关理论函数。基于此，本文将对技术效率测算结果进行计量分析，确定各区域创新效率对经济增长的差异性影响。

1.可变规模效益下的BCC模型

Banker在CCR模型的基础上进行改良，在放宽锥性假设条件之后得到了BCC模型。事实上，创新活动中的政策偏好、寻租行为等不平等竞争现象违背CCR模型必须在理想化的最佳规模时才能测算的要求，BCC模型将CCR模型测度的综合技术效率进一步分解为纯技术效率和规模效率，使得VRS的效率测度拓宽了CCR对不变规模收益的约束条件要求。BCC模型包括输入变量(xij)、输出变量(yij)以及两者的权系数(ω)和(μ)，这四个参数满足线性规划：

2.M指数动态分解模型

创新活动也是生产活动的一种，因此企业进行产品创新的全要素生产率反映了总创新成果与全部创新要素真实投入量的比值，通过M指数模型可测算产品创新活动的全要素生产率变化指数以及技术进步指数(tech)、纯技术效率变化指数(pech)、规模效率变化指数(sech)3个分解项。在创新活动中，tech反映科研设备、技术的进步程度；pech反映了科研环节的管理、决策和执行方面的效率；sech则反映了创新要素的数量、质量、结构等是否达到最佳匹配程度。

pech×sech×tech

(3)

3.计量模型构建

基于柯布道格拉斯生产函数拓展计量模型，研究创新要素对区域经济增长的影响。近年来已有研究表明，除了影响经济生产的劳动力投入(L)和资本投入(K)以外，仍然存在“其他”难以量化的因素对生产效益存在影响。构建基准模型如下：

lnGDPi=β0+β1lnLABORi+β2lnCAPi+μi

学者们研究后认为这种额外的影响因素可以视作技术、知识带来的全要素增长率(A)[6]，但对其进一步的分解后影响尚不清晰。借助M指数分解模型，将工业企业产品创新活动的全要素增长率用技术进步情况(tech)、纯技术效率变化情况(pech)和规模效率变化情况(sech)解释。因此基于C-D生产函数引入产品创新活动的三个分解项，综合反映产品创新效率对经济增长的影响作用，线性回归模型构建如下：

lnGDPit=β0+β1lnLABORit+β2lnCAPit+

β3techit+β4pechit+β5sechit+εit

其中，国内生产总值GDPit、劳动力投入LABORit及资本投入CAPit分别经过对数化处理，技术进步增长率techit、纯技术效率增长率pechit以及规模效率增长率sechit是本年度数据与上一年度数据的比值，其指数特征能体现这些变量的动态优化程度。

三、实证分析

1.数据来源及变量选择

本文的实证分析基于面向我国30个省(直辖市、自治区)，创新要素投入及产出来自《工业企业科技活动统计年鉴》的整理(2006年—2015年)，使用短面板数据可在降低多重共线性的同时通过增加样本容量提升回归精度。在进行数据分析之前，对各变量进行了取对数处理以初步消除异方差，经过对内生性、异方差性检测后，对数据进行回归分析。

创新要素包括的范围比较广，分为创新主体要素(高校、科研型企业、服务中介以及科研机构等)、创新投入要素(政府部门、企业研发部门和金融风投等资金和设备投入)以及创新资源要素(人力资源、信息资源以及知识资源等)[7]。本文指标选取包括人力资本、内部资金和外部技术的投入要素及新产品情况的产出要素。具体为：

(1)人力资本指标，使用研究人员数量[8]来衡量，单位为人。创新研发领域的人力资本一般通过科研人员占员工总数比重、科研人员数量以及本科以上学历占员工总数比重等指标来衡量，考虑到在科技创新活动中研发人员起到的决定性作用。

(2)内部资金指标，使用R&D经费内部支出来衡量，单位为万元。内部资金主要体现为某个省份用于本省范围内企业内部创新活动的资金投入总和，包括人员劳务费、仪器和设备等费用支出，能够反映出某个省份内部开展研发活动的实际支出，是创新要素结构的重要部分[9]。

(3)外部技术指标，使用引进国外技术支出、改造国外技术支出、吸收国外技术支出和购买国内技术支出的总和来衡量，单位为万元。外来技术获取可明显提升新产品设计和研发进程，通过购买、学习等手段获取企业欠缺的技术，减少研发环节支出的同时降低了研发的时间成本[10]。

(4)新产品研发，使用新产品销售额作为新产品研发的指标，单位为万元。以往研究多通过专利和新产品两种指标来反映创新产出，本文着重研究产品创新，因此从新产品销售额的指标来反映创新产出[11]。

2.产品创新效率测度

通过BCC模型的计算，发现中国工业企业产品创新效率呈现五种类型的区域化特点(表1)。

表1 2006-2015年我国各省份创新效率对比表

(接上表)

第一种是以内蒙古、辽宁、吉林以及黑龙江为代表的东北老工业基地。这些区域产品创新活动的综合技术效率普遍不达标，虽然规模效率常年维持在高水平，但仍难抵挡来自纯技术效率的下滑，该特征从一定程度上解释了“产业供应能力强，但产品不受欢迎”的东北窘境，类似的区域还有能源产出大省山西以及钢铁产量大省河北。

第二种是以江苏、浙江和广东为代表的东南沿海经济带，其产品遍布全国并依靠技术创新占据重要的竞争地位。这些依托战略型新兴产业的地区，虽然产品创新的规模效率处于一般水平，但是纯技术效率位居全国前列。

第三种是以山东、河南、湖南、安徽、湖北为代表的中部省份，这些典型的发展落后区域借助产业转型升级逐步变为先进制造业省份。这些省份企业、资金、人才等资源充裕，其产品创新活动的规模效率近几年快速提升，不断拉近与东南沿海发达省份的差距。

第四种是以上海、北京、天津为代表的“龙头”区域，这些区域不论是产品创新的纯技术效率还是规模效率均在近十年时间里领先全国。

第五种是以青海、贵州、山西、云南等为代表的“待发展”地区，这些地区不论是纯技术效率还是规模效率均位居全国末流，急需政府通过政策引导集聚技术、人才等创新要素。

3.产品创新活动全要素生产率的分解

利用M指数模型不仅可以基于时间序列展示产品创新效率的动态优化过程，而且M指数模型能够有效地解析创新效率提升的内在机理，从技术革新、配置优化以及规模效益等多种路径推动产品创新效率提升。M指数模型的计算结果分为两部分，分别为以省份和年度为单元的平均指数(表2、表3)。

表2 2006-2015年我国各省份M指数及其分解

(接上表)

表3 2006-2015年我国各省年度M指数及其分解

从全要素效率指数的省份排名来看，经济发达地区的工业企业的产品创新效率增长幅度并不大，比如江苏、浙江、广东、北京、天津以及上海，究其原因可能是受制于空间、资源约束已经处于饱和状态。新疆和宁夏与之相反，因当地企业创新效率普遍偏低导致创新效率的稍微提升即产生很大的增长幅度，所以会比很多发达省份排名靠前。受益于中央政府对中部崛起的政策倾斜以及供给侧结构性改革红利，导致以河南、湖北、湖南、安徽为代表的中部省份的创新要素结构不断优化，这些地区工业企业的产品创新效率增长势头迅猛甚至超越了东南沿海的发达省份。以辽宁、吉林、哈尔滨、河北以及山西为代表的落后产能“重灾区”，其产品创新效率增长前景不被看好，亟待通过优化创新要素结构推动经济发展模式转型，对传统落后产业要有“壮士断腕”的决心。

各省份工业企业产品创新效率的平均指数能从时间序列上反映出中国近十年的整体发展情况。中国工业企业产品创新的全要素生产率仅2017-2018、2010-2011以及2013-2014年略微下降，其他时间的全要素增长率均为正，这说明了我国整体的创新效率不断提升，这与中国企业在全球价值链中位置不断攀升的现状相一致。通过对产品创新全要素增长率进行动态分解，发现纯技术效率对中国创新效率提升作用最大，然后是技术进步，最后是规模效率。这说明过去十多年，中国企业依靠“引进—消化—吸收—再创新”的创新模式快速提升了产品创新的效率，但是面对外部国际贸易保护新状况和内部产能过剩经济转型的双重压力，提升规模效率将产品创新重点从“速度”转换为“质量”，这也是未来创新发展的重中之重。

4.回归结果及分析

按照M指数模型对全要素增长率从大到小的排序，将各省份划分为三个梯队，依次是产品创新效率优化第一梯队区域(省份排名1-10)、第二梯队区域(省份排名11-20)以及第三梯队区域(省份排名21-30)，并据此展开回归分析(表4)。6个模型均使用短面板数据，经过霍斯曼检验发现除了基准模型Ⅱ和修正模型Ⅲ适用随机效应模型以外，其他均适用于固定效应模型。分别对三个梯队区域进行基准模型与修正模型的比较，发现可决系数R2均获得一定程度的提升，这意味着引入技术进步、纯技术效率增长以及规模效率增长三个自变量完全符合理论设定。不论是哪个区域，劳动力与资本投入对经济增长的作用无可替代，但值得注意的是，各梯队区域产品创新效率的相关变量对经济增长的影响呈现差异化。第一、二梯队区域的sech对经济增长产生正向影响且第一梯队的系数更大，效率增长最缓慢的第三梯队对经济增长则产生微弱的负向影响。这说明tfpch增长越快的地区，其规模效率越能转化为经济增长动力。除了第三梯队区域的pech系数不显著以外，其他两个梯队区域的该变量系数均产生负向作用，但比技术进步的影响作用小。这说明，企业的产品创新活动消耗大量成本，加上创新价值链产生时间滞后效应，研发投入很难快速转换为经济产出导致了对经济发展的挤出效应。不论是tech还是pech，从第三梯队向第一梯队跃迁的过程中，均呈现了“倒U”型的影响趋势，这意味着随着产品创新效率的增长技术进步和纯技术效率对经济增长的挤出效应会先加大后减少。

表4 分区域的回归模型分析

注：括号内数字为标准误差，***、**、*分别代表0.01、0.05和0.1的显著水平

四、结论与启示

中国工业企业在过去的近十年中，产品创新效率呈稳定增长的趋势，这在一定程度上佐证了供给侧结构性改革以及中国制造2025布局对创新驱动产业结构优化的正确性。但是，仍有一些省份的创新效率增长缓慢，比如青海、贵州、云南等，亟待地方政府联合企业、高校、科研院所等创新主体形成技术标准联盟，培育壮大创新成果转化的承接产业。另外，面对国家“去产能、去库存、去杠杆、降成本、补短板”的要求，优化我国工业企业创新要素结构、提升创新要素规模效率或将成为五大任务的攻坚“法宝”。

虽然从实证结果来看，区域注重产品创新效率容易短期内抑制经济增长(挤出效应)，但从长期来看，创新效率对经济增长的挤出效应却体现出“倒U”型趋势，随着中国工业企业创新效率的增长将逐步释放对经济增长的推动作用。