《实证分析不同来源科技投入对经济增长的贡献——基于中国与美国、日本研发数据的对比-陈实.pdf》由会员分享，可在线阅读，更多相关《实证分析不同来源科技投入对经济增长的贡献——基于中国与美国、日本研发数据的对比-陈实.pdf（14页珍藏版）》请在taowenge.com淘文阁网|工程机械CAD图纸|机械工程制图|CAD装配图下载|SolidWorks_CaTia_CAD_UG_PROE_设计图分享下载上搜索。
1、第35卷第8期2017年8月科学学研究Studies in Science of ScienceV0135 No8Aug2017文章编号：10032053(2017)081143一13实证分析不同来源科技投入对经济增长的贡献基于中国与美国、日本研发数据的对比陈 实1，王 亮2，陈 平3(1北京师范大学政府管理学院，北京100875；2中国人民财产保险股份有限公司山东省分公司，山东济南2501003中国人民财产保险股份有限公司，北京100014)摘要：本文通过建立长期均衡方程、误差修正模型、向量误差修正(VEc)模型和贝叶斯VAR模型，分析了中国不同来源科技投入对经济增长的影响，考察了不同来源科
2、技投入间的动态关系，通过与美国、日本同类模型的对比，比较清晰地反映出中国各类科技投入对经济增长的实际贡献以及相互影响，从模型层面呈现并验证了中国科技投入中需要关注的问题，为政府科学决策和管理提供依据。关键词：科技投入；RD经费；VAR模型；VEc模型；Bayesian VAR模型中图分类号：F0623 文献标识码：A新经济增长理论认为，经济增长最持久的源泉在于知识生产和人力资本积累，技术进步和创新是一个国家经济发展的推动力。发达国家和新兴工业化国家的经济发展经验也表明：加大科技投入，促进技术进步，是经济可持续增长的重要保证。尽管科技(RD)投入与经济增长间的动态关系具有一定的普遍性，但毫无疑问
3、，不同国家处于不同的经济发展阶段，采取不同的科技发展政策，必然造成两者关系的特殊性和多样性。我国有关科技投入与经济增长的研究始于1999年1。，20042008年是研究论文集中出版时期，目前已有近2000篇，是一个研究相对成熟的领域。这些论文因研究范围、研究对象、研究方法的不同而不同：范围有全国性的，更多是区域性的；研究对象虽然都包含科技投入与经济增长，但早期仅限于双变量，而且因为财政科技拨款有长期系统的统计数据，以财政科技拨款替代科技投入的做法很普遍，后期的研究对象丰富为多变量，通常会加入劳动力、资本存量、外商投资、高科技产业、科技成果等，也有专门从经费类别出发(基础研究、应用研究、试验开发
4、)开展的研究2。；几乎常用的计量经济学方法都有采纳，包括灰色关联度模型。、DEA模型。4。、sFA模型。5。、cobbDouglas生产函数。6儿“、协整关系”。与VAR模型9、平滑转换回归(sTR)模型1叫等。但还没有专门研究不同来源科技投入对经济增长影响的论文，而这部分工作确有研究的必要性。大多数国家科技投入(或R&D经费投入)主要是政府和企业两大渠道，从表观数据看，中国科技投入规模、结构已经与美国、日本等发达国家、新兴工业化国家类似，但是我国科技投入是否确实推动了经济增长?政府和企业各自的贡献如何?不同科技投入彼此问是否有相互影响，这些贡献与影响同美国、日本比较有哪些差异?这些显然是当前
5、建设创新型国家的过程中，特别需要给出明确答案的问题。对于这些问题的解答以往更多是猜测和估算，但通过模型分析，可以给出更为精确的定量结果，更容易验证，也便于寻求产生问题的深层次原因。本文采用了多种模型建构，首先利用常规线性方程给出定量结果，然后结合动态模型分析变量间的相互影响，包括采用贝叶斯VAR模型。生成的分析结果，确能反映实际问题，得到一系列比较明确的研究结论，为科技管理提供定量分析的依据。收稿日期：2016一12一15；修回日期：2017一04一17基金项目：中央高校基本科研业务费专项资金资助(310422106)；地表过程与资源生态国家重点实验室自由探索项目(2015一zY03)作者简介
6、：陈实(1970一)，女，江苏常州人，教授级高工，博士，研究方向为政府创新管理。Email：kjchenshbnueducn。王亮(1982一)，男，山东潍坊人，初级经济师，硕士，研究方向为政府创新管理。陈平(1989一)，男，山东济宁人，硕士，研究方向为政府创新管理。万方数据科学学研究 第35卷1数据收集与整理考虑到经济增长是一个数量概念，是指一个国家或地区在一定时期包括生产的物质产品和服务在内的经济总量或人均收入的增加，所以通常表现为GDP或人均GDP的增加。科技投入则是反映一个国家和地区社会进步和经济增长的重要指标，国际上通常采用R&D经费衡量科技进步与创薪，但鉴于中国的R&D统计开展较
7、晚(始于1991年)，尤其是以RD经费来源为统计口径的时间更晚(始于2003年)，因此无法得到足够的样本数。而中国的科技统计数据相对完善，不仅具有科技投入大样本数据(共计61年)，也有分不同来源的科技投入统计数据(共计18年)；而且直到目前，中国的R&D统计依然建立在常规科技统计基础上，因此采用科技投入数据符合中国国情，且在一定程度上，可以替代尚在逐步完善的RD统计数据，易于得到比较有说服力的结论。中国数据来源：19912008年GDP与国家财政科技拨款摘自2015年的中国统计年鉴“，考虑到国家统计局2005年和2013年两次对1978年改革开放以后的GDP进行了修订，财政部2叭3年也对200
8、72011年的国家财政科技拨款进行了修订，文章采用修订后的数据。199l一2008年不同来源科技经费摘自中国科技统计年鉴。1，分为政府资金、企业资金、金融机构贷款、其他资金四部分(2008年后中国科技统计年鉴不再统计科技投入，改为统计R&D投入)。为消除时间序列的异方差和减少数据变动，对以上统计数据分别取对数后，得到如下变量：GDPc代表经济增长，TOTc代表全社会科技投入(即全国科技活动经费筹集总额)，INDC指科技投入中的企业资金、GOVTC代表科技投入中的政府资金、FINc代表金融机构贷款、OTHERc指其他资金。美国数据来源：19532012年GDP和R&D统计数据摘自美国国家科学基金
9、会(NSF)网站“，共计60个样本。全社会RD经费(简写为total)根据来源分类，包括联邦政府资金(federal)，企业资金(industry)，大学(university)、其他非盈利部门(othernonprofit)和地方政府(other government)资金，因为后三者的额度都不高，合计只占到全社会R&D总经费的7，故合并为一个变量，简写为Other。本文采用以2005年为基年不变价格平减后的各项经费取对数，分别得到变量GDPu、TOTu、GOVu、INDU、0THU。日本数据来源：GDP和R&D统计数据采用0EcD数据库(19712014年，共计44个样本)“，同样将各类经
10、费取对数后得到以下变量：cDP-J代表经济增长、TOTj指RD总经费、GOV-J指R&D总经费中政府投人、INDJ指RD总经费中企业投入、0TH_J指R&D总经费中其他经费来源，主要是大学的R&D投入。本文采用Eviews80作为分析用软件。2 中国不同来源科技投入与经济增长的协整关系研究21 全社会科技投入与经济增长的协整关系研究(1)变量的平稳性检验和方程的协整关系检验对于平稳随机过程，OLS方法是可行的，然而大多数经济时间序列都是非平稳的，如果将一个非平稳时间序列对另一个非乎稳时间序列进行回归可能导致谬误回归，必须先进行平稳性检验，本文均采用ADF单位根检验法。表1 中国科技投入模型中各
11、变量单位根检验结果万方数据第8期 陈实王亮陈平：实证分析不同来源科技投入对经济增长的贡献尽管多数宏观经济中时间序列是非稳定的，但是经济理论指出，某些经济变量之间确实存在着长期均衡关系，这种均衡关系意味着经济系统不存在破坏均衡的内在机制，如果变量在某时期受到干扰后偏离其长期均衡点，则均衡机制将会在下一期进行调整以使其重新回到均衡状态，这种长期的稳定关系就是协整关系，可以使用经典回归方程模拟，但其残差序列必须是平稳序列，即线性组合抵消了两个时间序列中的随机趋势。鉴于全社会科技投入TOTc和GDPc都符合一阶单整的前提条件，可以建立协整方程：长期均衡方程：=078+551+肛。 (1)(192013
12、)(176995)R2=09584 DW：03596残差平稳(10显著性水平)，可以将方程(1)得到的残差引入误差修正模型(2)：VGDPCt=075VGDPC一。一1+022VmtoO20肛。 (2)(123690) (40519) (一44601)R2：08879 DW：20902LM(1)=0654l LM(2)=03747DW的检验显示序列不相关，BreushGodfreyLM检验得到LM(1)、LM(2)均显著地大于5临界值，方程也不存在高阶自相关。可以看到，全社会科技投入对GDP的贡献，长期为1：078；短期GDP对本身的贡献仍占主导，大约为l：075，全社会科技投入1：022，说
13、明1990年以后全社会科技投入对GDP增长有贡献，误差修正系数为一020。(2)格兰杰因果关系检验虽然回归分析考虑一个变量对另一个变量的依赖关系，但不一定意味着因果关系，格兰杰因果检验可以检验两个平稳变量间的因果关系，即如果变量x是变量Y的(格兰杰)原因，则x的变化应先于Y的变化；反之亦然。因为TOTc与GDPc是一阶平稳的，因此可以考虑分析两者的格兰杰因果关系。表2 ToTC与GDPC的格兰杰因果关系检验结果从表2可以看到，滞后12期，全社会科技投入在5的显著性水平下是GDP的格兰杰原因，但是GDP始终不是全社会科技投入的格兰杰原因。为验证格兰杰检验结果，我们尝试建立GDPc对TOTc的协整
14、方程，但参数无法通过显著性检验，表现出全社会科技投入更多是时间变量的函数，说明GDP对全社会科技投入的贡献不显著。22 不同来源科技投入与经济增长的协整关系研究(1)变量的平稳性检验表1显示各变量基本都是一阶平稳，只有金融贷款FINc本身弱平稳，该变量原则上不适合与其他变量建立协整方程，因此考虑将金融贷款与其他资金合并，再取对数，形成新变量0THc，该变量符合一阶平稳的前提。首先建立GDP(GDPc)与企业资金(INDc)、政府资金(GOVTc)、其他资金(0THc)的回归方程，但是企业资金INDc(p=O7339)无法通过t一检验，尝试将变量“政府资金”换为“财政科技拨款”(新变量取名：GO
15、Vc，两者的含义类似，后者取自中国财政年鉴钊)，建立GDP(GDPc)与企业资金(INDc)、财政科技拨款(GOVc)、其他资金(0THc)的回归方程，GOVc能在10显著性水平下通过t一检验，D形显示序歹0不相关，可以对GDPC、GOVc、INDC、OTHC四个变量建立协整方程：长期均衡方程为：GDPC。=018啪一C。+022G0yC。+O89D硝一C。+3，36+肛。 (3)(27221) (16477) (91531) (111561)尺2=09955 DW=18708 LM(1)=万方数据科学学研究 第35卷08719 LM(2)=04159误差修正模型为：VGDPC。=013VIN
16、DC。+029VOTHC。一012VOTHC“一2)+069VGDPCft一1)一074(1-1)(61989) (33756) (一21160)(84791) (一65753) (4)R2=09501 DW=23090 LM(1)=01053 LM(2)=02732长期均衡方程(3)稳定，而且残差通过平稳性检验肛(0，0，0)，ADF=一39199t。05，p=00006，反映出企业资金对GDP的贡献为1：018，财政科技拨款为l：022，其他资金最高为1：089。误差修正模型(4)则存在比较严重的多重共线性，删除财政科技拨款后勉强通过高阶自相关检验，显示短期只是企业资金和其他资金有贡献，而
17、且程度都不高，更多来自于GDP自身的增长贡献。由于中国分来源统计的科技投入样本量较少，建立的长期均衡方程(1)稳定性较差，与VEc模型的长期趋势也存有差异，考虑到比较系统的科技投入统计数据是国家财政科技拨款，从19542014年共有61年的数据，因此我们补充建立了国家财政科技拨款GOVC与GDPC的大样本协整方程(两者都符合I(1)的前提)如下：GDPC。=46778+10045GOI，_C。+肛。 (5)(292100) (327130)尺2=09478 DW=01886残差项肛(0，0，1)平稳，ADF=一3。5624，但是建立的误差修正模型无法通过参数检验，且存在高阶自相关，说明无法建立
18、短期财政科技拨款与GDP的平稳方程。再考虑GDPC对GOVC的贡献：GOI，_C。=一41624+09435GDPC。+p。 (6)(一148320) (327130)R2=09478 DW：02残差项肛(0，0，1)平稳，ADF=一40837，在此基础上建立的误差修正模型为：VGOV C=08174 x VGOV C+16349VGDPC。一1。3723VGDPC。一10。6842。一，(7)(56418) (49241) (一38746)(一37522)R2=0544l DW=20710 LM(1)=04412 LM(2)=O1800长期均衡方程(6)显示GDPc对GOVc的贡献是094，
19、短期误差修正模型(7)则表明GOVc的增加更多来自上一期财政拨款的贡献(081)，虽然本期GDP增加1单位，GOVc增加164，但会被上一期GDP的作用抵消，抵消后GDPc的贡献粗略计算只有027。如果只设一个自变量GDPc，建立的模型也能通过统计学检验，但是无法通过高阶自相关检验，决定系数也较低(035)，说明还有一些滞后项没有被分离，所以当增加GDPc(一1)项后，决定系数增加，模型也通过高阶自相关检验，说明上一期GDP的影响不能忽略。误差修正项肛川对偏离均衡有比较大的修订作用(一o68)，系统对于均衡状态的调整力度较大。(2)Granger因果关系检验对于特殊的一阶单整变量，如果有协整关
20、系，则必然存在因果关系。1“。Johansen协整关系检验结果(表3)显示，迹检验与最大特征根检验方法的结果基本一致，GDPC、GOVC、INDC、0THC这4个变量之问存在协整关系，可以对4个变量构成的group进行因果关系检验(表4)。表3 Johansen协整关系检验结果从表4可以看到，滞后1期时，财政科技拨款GOVc、企业资金INDC都是GDPc的格兰杰原因；滞后2期时，GOVc、INDc和其他资金0THc都是GDPc的格兰杰原因。此外，GDPc始终是0THc的格兰杰原因(包括滞后14期)；滞后1期时，GOVc、INDc都是OTHc的格兰杰原因；但是滞后34期时，GOVC一直是INDC
21、的格兰杰原因，4个变量的相互关系可以用图1表示。根万方数据第8期 陈实王亮陈平：实证分析不同来源科技投入对经济增长的贡献据内生变量与外生变量定义，内生变量是由模型系统内部因素决定的变量，表现为具有一定概率分布的随机变量，是模型求解的结果。外生变量是指那些在模型或系统中，只起解释变量作用的变量，可以影响其他变量，而不受其他变量的影响，又称政策性变量，帮助政府实现其政策目标。在路径图中，只有指向其他变量的箭头，没有箭头指向它的变量均为外生变量。图1中所有变量都无法解释财政科技拨款，所以我们初步判定财政科技拨款是外生变量。表4格兰杰因果关系检验结果滞后34期图1 中国不同来源科技投入与GDP间格兰杰
22、因果关系图(3)向量误差修正模型(VEc)的建立向量误差修正模型是以协整关系为约束条件的向量自回归模型(VAR)。VAR模型是非结构化的多方程模型，把系统中每一个内生变量作为系统中所有内生变量的滞后值的函数来构造模型，估计出全部内生变量的动态关系。对于非平稳时间序列，传统的VAR理论需要经过差分，得到平稳序列再建立VAR模型，这样通常会损失水平序列所包含的信息，而且没有考虑变量间的长期关系，而随着协整理论的发展，可以建立向量误差修正模型(VEC)反映这种关系。方程(3)的四个变量原则上可以建立相应的VEc模型，并借此考察变量间的动态关系。通过格兰杰因果关系分析，我们可以判定财政科技拨款GOVC
23、是外生变量，因此我们将GDPC、INDC、OTHC作为内生变量，GOVc作为外生变量建立VEC模型。对于本项研究，样本量非常小，最多取2万方数据科学学研究 第35卷阶滞后，因此建立的模型无法全面反映所有的动态信息，部分结论需要通过比较与推导才能得到。该模型一共有4(变量)2(滞后)=8(根)，滞后结构检验一AR根的倒数都小于1，即都在单位圆内，模型稳定。在估计VEC模型前需进行Johansen协整检验，以确定协整关系的数量，表5中迹检验和最大特征根检验都显示模型在5显著性上能建立3个协整方程。表5 VEC模型协整关系检验结果V鼢憾26卜；+VI，D c =i 568 I口ecm；+l Dzw
24、cJ 1048 J雎二端篙瓣+ 445 030 215 lVI州DC +ro73一o08一o36 GDPc725 一o25 一o6l lVl，D c +L 014 006 0。53J L 0r日CJ融6+卜。 GDPclo阳一cJ。趋势看，科技投入对经济增长有明显的促进作用，科技金融贷款的增加对经济增长的促进作用几乎是成增长更多依靠上一期的GDP，企业资金与金融贷款等其他资金没有直接的促进作用。VGDPC。=一026ecm。+l。61 VGDPC。l一073 VGDPG。一2017 V，DC。一1008 V，DC。一2一O02 VD哪一C。一1036 VD明一C瑚 (10)(4)脉冲响应函数与
25、方差分解由于VAR模型是一种非理论性模型，它无需对变量作任何先验性约束，因此在分析VAR模型时，往往不分析一个变量的变化对另一个变量的影响如何，而是分析当一个误差项发生变化，或者说模型受到某种冲击时对系统的动态影响，即脉冲响应函数。方差分解是将系统中每个内生变量的波动按其成因分解为与各方新息相关联的组成部分，从而了解各新息对模型内生变量的相对重要性。为了避免“正交”脉冲响应函数对于变量顺序的依赖，我们采用广义脉冲响应函数，并以组合方式构建图形，建立的VEC模型的脉冲响应函数及方差分解图形(图2)如下。3 美国R&D投入与经济增长VEC模型的建立首先还是检验各变量cDPu、TOTu、GOVu、I
26、NDu、OTHu的平稳性，发现全社会研发经费TOTu和政府资金GOVu本身即平稳，而其他变量都符合I(1)的条件，因为不满足同阶单整的前提条件，因此无法建立GDPu与ToTu的线性方程。万方数据第8期 陈实王亮陈平：实证分析不同来源科技投入对经济增长的贡献 1149RPsnse f)f(jDP(：If)(；pnPraIizP1()11PS D Inll【HaIjns V“洲P Dmposllinof GDP一(：12 L儿J 一8008一60-0440 一00、。p一 20一一n “Hl2。3。456。78。9lo ：。2。3。4。56。；i。9l石一(；DPC IND一(：一()THr 一(
27、jDP一(： 一IND一(：一()THC胁叩警。f、!n_c l“廿”lid va“P D叩siIif)们ND cnnP S n T11nnI；rm 1一I一2 J、，1 飞f 80 0 60 X义一1一 八厂 40 一2 一 20一 ， k-一-， Ul 2 3 4 5 6 7 8 9 10 l 2 3 4 5 6 7 8 9 10一(：【)P一(： 一IND一(：一()THC 一(；DP一(： 一IND一(：一()THCRe8p)flsP r)f()TH一(：(；flnPrazP(1()n9 、_anan(P DP(1mn(1sili(m(f OTH CC n T。、： 16 、12- ，
28、 80 6 。口一08- _广 60-()4 4000 厂一一一一04- 。20九o一 l 2 3 4 5 6 7 8 9 10 l 2 3 4 5 6 7 8 9 lO一(如P一(： 一IND_(：一()TH一(： 一(；DPC IND_(：一(1TH_(：图2 中国科技投入与GDP增长VEC模型的脉冲响应函数与方差分解图表6 美国R&D投入各变量单位根检验结果变量 检验类型(c，t，k) ADF统计量 ADF临界值(5水平) 概率值(Prob) 系数8 结论GDPU (O，O，O) 一3130l 19465 00023 一O2960稳INDu (O，O，0) 一35145 一19465 O
29、0007 03563 平稳GOVU (c，O，1) 一34744 29126 00122 00574 平稳0THU (c，O，0) 一28144 29126 O0625 一O2688 平稳TOTu (c，O，1) 一47287 34892 O0017 01586 平稳同样原因，无法建立经济增长与联邦政府资金、企业资金、其他资金之间的VEc模型，因此我们暂不考虑政府资金，单纯分析GDP与企业资金、其他资金的动态关系，先建立GDPu与INDu、0THu的长期均衡方程：GDPU。=023O阻U。+037，DU。+953 (11)(43117) (55913) (383496)R2=09945 DW=
30、03488方程(11)残差稳定，其误差修正模型为：WD尸U，=026 刚D U，+022阳删一uH一020肛c-1 (12)(40727) (35246) (一26397)尺2：01】3】 DW：18672万方数据1150 科学学研究 第35卷LM(1)=05679 LM(2)=03742长期均衡方程显示，美国经济增长中，其他资金的贡献是023，企业资金的贡献是037；误差修正模型显示，短期看，企业资金的贡献有所降低，其他资金的贡献变化不大，由此建立的VEc模型如下：GDPu r o24Vf，Du =I o29 l秽ecm。+l or日一uj。 lo15jr028 01 007 r GDPuo
31、80 o38 o lVI删Du +L022 007 055j L D阿UJ，r 006 022 008 厂GDPUh：6赫黑J1篇小+L 002 009 011j L 0r日UJRe8ponse of GDP_U to eeneralized One一(；DPUINDU一0THURe8ponse of INDU to Genemlized 0neGDPU一INDUOTHtGDPIJINDU一0THU对序列秽ecm，=GDPU1 一o69 o05】l，A田u 一84 (14)lo册一uJ做单位根检验，已是平稳序列，验证协整关系是正确的，GDPU。I =口ecm。+069，DU。一1一O05D删一
32、u。+84，从长期看，GDP的贡献来自于企业资金，后者每增长1个单位，GDP增长069；而其他资金有负作用，每增长1个单位，GDP会减少005，但影响有限。在此基础上建立VEc模型的脉冲响应函数，并进行方差分解(图3)。一GDPUIND一【J一0THIGDPUIND一【JOTHUGDPUINDIJ一0THU图3 美国RD投入与GDP增长VEc模型的脉冲响应函数与方差分解图1，J42O0000L万方数据4 日本RD投入与经济增长VAR模型的 描辅。然葚鬻嚣嚣：!二，善磊蒜再响盂函数日本的R&D数据经过平稳性检验(表6)，显示r GDP一门1州DI，Il Gou rlo明一，J。rGDP一门1 j
33、D一-，II GD止，I1Lo删一，Jm118017O82311r 176 1l 362 1怔引O03133025162RPspnnse nf INDj fn mneralid0ne胁p。nse。f GDPj m Generalized 0n。一INDj一(如Pjo03 o06 一o05_0f 37 o36 -001 lo12 一o12 一o01132 018 012jResponse of GOVj toGeneralized OneINDj。一GDPjGOVj一0THjResp。nse。f 0THj I。(；eneralized0ne图4 日本R&。投入与G。P增长VAR模型的脉冲响应函数
34、图(15)”弱9酡O0L1如加mojju眦肌眺唧阱毗“mmmm毗88舛11immJJVH0TG0二黼二JJVHOTG0二端=JJVHOTG0二万方数据科学学研究 第35卷一IND_JCOVjGDPj一0THjINDjGOVjGDPj一0THjINDjGOVjGDPj一()THjINDjGOVJGDPj一()THj图5 日本RD投入与GDP增长VAR模型的方差分解图5 中国科技投入与经济增长贝叶斯(Bayesian)VAR模型的建立因为22部分建立的VEc模型中，中国政府的财政科技拨款GOVc是作为外生变量进行分析，因此建立的VEC模型(8)中无法包含政府资金的影响。为此我们尝试建立GDPC与G
35、OVC、INDC、0THc四个变量间的贝叶斯VAR模型。该模型需要设定先验参数，经过多次比较与分析，我们采用Litte珊anMinnesota先验模式，“初始残差协方差选项”采用诊断型VAR估计。如果满足GOVC平稳的要求(AR根在单位圆内)，就必须设先验参数得到其脉冲响应函数与方差分解图(图6、图7)，可以与日本研发经费的VAR模型进行比较。6结论61 一般性结论通过对中国科技投入四类模型(长期均衡方程、误差修正模型、VEC模型、贝叶斯VAR模型)的分析，首先得到一些概括性结论：(1)格兰杰因果关系分析显示，全社会科技投入TOTC在5的显著性水平下是GDPC的格兰杰原因，对GDPc有长期的促
36、进作用，长期贡献是078(方程1)，短期贡献是022(方程2)；但是经济增长对全社会科技投入的贡献不显著，GDP对财政科技拨款GOVc的影响也很有限，科技投入更多依靠自身的投入增长。(2)格兰杰因果关系显示，滞后12期时，财政科技拨款GOVc、企业资金INDc、其他资金0THc都是GDP增长的原因，说明对GDPc有贡献。将全社会科技投入按不同来源分解后建立长期均衡方程(3)显示，INDc每提高1，GDPc能增长18，GOVc每增长1，GDPC能提高22，而金融贷款等其他资金OTHc对GDPc的增长贡献最大，可以达到89。(3)但是通过VAR模型平稳性分析，财政科技拨款作为外生变量模型更稳定，同
37、时格兰杰因果关系检验也发现，GOVC是一种政策性投入，与其他变量之间只存在输出关系，没有输入关系，可以确定为外生变量；而且短期误差修正模型(方程4)排除了GOVC，只保留了企业资金INDC和其他资金0THC对GDPC的贡献，GDPc自身对其增长有比较大的促进作用。万方数据第8期 陈实王亮陈平：实证分析不同来源科技投入对经济增长的贡献 1153Re8ponsP of IND一(：10 Generalized 0nPSDInnovaions t(了净 。 。r厂一2 3 4 5 6 7 8 9 10一GDPCG()vCINDC一()THCResponse 0f COVC i(1 Generaliz
38、ed OneGDPCGOVCIND COTHC图6 中国科技投入与GDP增长贝叶斯VAR模型的脉冲响应函数图一(jDP-(：G0、1_(一IND_C一0TH-C 一(jDP_(：(；()VCIND-_C 一0TH二C图7 中国科技投入与GDP增长贝叶斯VAR模型的方差分解图62变量动态影响分析与结论通过分析中国科技投入VEc模型和贝叶斯VAR模型的动态变化，并与美国和日本R&D投入模型对比，让我们更细致考察不同来源科技投入对GDP的贡献，以及这些变量彼此间的动态关联。(1)各变量对经济增长的贡献。中国贝叶斯VAR方程的脉冲响应函数显示中国的财政科技拨款GOVC的影响在25期后超越了GDP自身的
39、贡32O2万方数据科学学研究 第35卷献，方差分解GOVc也是由低到高(030)，说明在不同科技经费来源中，财政科技拨款对经济增长的贡献最大。但日本是企业资金对GDP的贡献最大(方差分解比重为50，且长期稳定)；同样，美国VEC模型的vecm(方程14)反映的长期影响，也是企业资金INDu的贡献最大(1：069)，脉冲响应函数显示企业资金(INDU)在5期后超越了GDP自身的作用。此外，中国其他资金0THc对GDP有正向作用，VEc模型显示脉冲响应函数值比较高，甚至超过GDP本身的贡献，在长期均衡方程(方程3)、VEc模型vecm(方程9)中，其贡献比最高，达到1：09；但贝叶斯VAR模型与V
40、Ec模型不同，后期转为负，两者方差分解的比重都不大，说明这部分投入对GDP虽有帮助，但因额度不高，影响有限。以上分析显示，中国不同于日本和美国，对GDP贡献较大的不是企业资金，而是政府资金和以银行贷款为主的其他资金，虽然中国企业科技投入最高，2000年以后达到财政科技拨款的23倍，但较其他科技经费来源，中国企业资金对经济增长的贡献最低。(2)经济增长对各变量的影响。中国的经济增长(GDPC)不是全社会科技投入(TOTC)的格兰杰原因，说明经济增长并不能促进全社会科技投入；进一步分解变量显示，GDPc对企业资金INDc的影响最大。但是在日本，GDP_J对政府资金GOV-J的影响最大，而且因果关系
41、检验显示，变量中只有GDP-J始终是GOV-J的格兰杰原因(滞后14期)，证实经济增长只对政府科技投入有正向促进作用。因此，经济增长对各变量的影响中国又与日本相反，虽然在中国，GDP增长更多会促进企业资金增加，然而企业资金并不会反向支持经济增长，彼此不是一个互利互进的关系。(3)政府资金对其他变量的影响。贝叶斯VAR模型的脉冲响应函数显示，中国财政科技拨款(GOVc)对各变量的影响都是最大的，且长期稳定。日本相反，政府资金(GOV_J)的作用有限：对企业资金(IND_J)有一定正向贡献，但对自身和其他资金(OTH_J)的作用为负，说明政府投入本身有制衡，某一年的高投入可能会限制次年的投入，日本
42、的政府资金更多需要考虑国家的财政平衡，因此无法保持长期稳定增长。这说明中国财政科技拨款有着重要作用，不仅从长期看会促进经济增长，而且投入增加会同时带来其他科技投入的增长；财政科技拨款与企业资金之问彼此都有正向作用，说明两者相互促进，这一点与日本类似。(4)企业资金对各变量的影响。中国企业资金INDc对其他资金0THc有负作用，而且对0THC的误差贡献最大(贝叶斯VAR模型4050，VEc模型7090)；同样，0THC对INDC也有负作用，且影响较大，反映出OTHc的一个正向变化对INDc有很强的反冲击，但方差分解的比重很小，说明误差影响有限。日本企业资金IND_J对其他资金0TH-J有正反波动
43、性作用，但方差分解所占比重很低；反之，OTH_J对INDJ也有负作用，同样影响不大。然而美国的企业资金INDU与其他资金0THU之间都是正向促进作用。从中国这种反常表现反映出企业资金与其他资金有可能没有剥离清晰，一个增加必定带来另一个的减少。(5)其他资金的作用。在中国，其他资金oTHc主要是银行科技贷款；而在日本，其他资金OTH_J主要是大学R&D投入，这部分受到GOV_J的影响，此消彼长。一个特殊情况是：中国OTHc对自身误差的贡献(方差分解)最小，而美国OTHu和日本0TH_J对自身影响都是最大(方差分解从100缓慢下降)，说明中国0THc更多受其他科技投入和GDPc的影响，其中GDPc
44、对0THc的影响较大，而且GDPc始终是0THc的格兰杰原因(14期)，反映出中国金融科技贷款尽管对GDP增长有明显的促进作用，且GDP增长对其也有长期正向影响，但金融科技贷款自身并没有形成良好的递进机制。63 总结本文通过模型构建与对比分析，考察中国科技投入与经济增长的关系，进一步明晰了不同来源科技投入对GDP的贡献，以及不同来源科技投入彼此问的相互影响，总结出比较突出的五个重点问题。第一，财政科技投入虽然对经济增长长期有促进作用，但是短期的影响很小，更多表现为政策性投入；反观经济增长对国家财政科技投入几乎没有贡献；然而财政科技投入对于企业科技投入和其他科技投入都有正向促进作用，所以今后还需
45、在如何提高国家财政科技投入实效性上多做文章。第二，企业科技投入无法有效促进经济增长。从相关数据引看，中国在2000年后似乎已经进入了企业主导型研发投入模式，企业研发投入已经占到总研发投入的74(2013年)，与美国(61，2013年)和日本万方数据第8期 陈实王 亮陈平：实证分析不同来源科技投入对经济增长的贡献 1155(76，2013年)相当，但是分析结果显示，在经济增长对企业资金有正向促进作用的前提下，企业资金对经济增长并没有正向回馈，反而有一定的反作用。反观日本和美国，企业资金不仅是全社会最高的科技投入，同时对经济增长的贡献也最大，深层次的原因可否理解为虽然GDP增长带来企业更高的收益，
46、但并未相应提高企业投资创新科技的热情，2015年新华网的一篇文章。2叫指出：“企业自主创新能力不足、技术创新投入不足、参与技术创新成果转化的动力也显不足。大量企业以引进技术、组装生产为主，技术对外依存度高达50以上，出口产品附加值和技术含量不高。在对未来发展具有关键、颠覆性影响的重大技术创新上，欧美国家的领先优势和我国的弱势地位形成鲜明对比”。第三，国家财政对企业科技投入是否有支持?从模型的分析结果似乎间接证明了这一点。首先中国财政科技拨款滞后34期是企业资金的格兰杰原因，但反向的因果关系不存在，对比日本的政府与企业资金之间没有任何关联。另一个间接表现是：中国贝叶斯VAR模型与VEc模型的不同之处是加入了政府资金，两类模型分析结果比较，加入政府资金后，企业资金对其他变量的影响都明显减弱，说明中国财政科技拨款与企业资金之间存在某种联系。结合目前对于国有企业科技资金来源的争论，是否间接证明了有关国有资产收入只有部分上交口川的推测?第四，企业资金与其他资金的双反向作用可能反映了两类经费没有剥离清晰，你中有我，我中有你，一方的增长必然带来另一方的下降，这可能是统计口径和调查数据带来的问题。第五，中国金融科技贷款尽管对GDP增长有明显的促进作用，且GDP增长对其也有长期正向影响，但金融科技贷款自身并没有形成良好的递进机制，需要政府通过政策引导各银行