《R&D与生产率——基于中国制造业的实证研究.doc》由会员分享，可在线阅读，更多相关《R&D与生产率——基于中国制造业的实证研究.doc（12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、吴延兵 : R&D 与生产率 R&D 与生产率 基于中国制造业的实证研究 吴延兵 内容提要 : 本文运用中国四位数制造产业数据对 R&D 与生产率之间的关系进行了实 证检验 。 通过估计两种不同的生产函数模型 , 本文发 现 R&D 对生产率有显著正影响 。 在 控制了市场因素和产权因素的影响后 , R&D 与生产率之间仍旧表现出显著的正相关关 系 。 本文还发现 , R&D 对生产率的促进作用也依赖于产业技术机会 , 高科技产业的 R&D 产出弹性显著大于非高科技产业的 R&D 产出弹性 。 关键词 : R&D 生产率 实证研究 一、引 言 早在 20 世纪 60 年代 早期 , 学者们就已
2、开始从计量角度对 R&D 在经济增长中的作用进行了研 究 ( Minasian, 1962; Griliches, 1964; Mansfield, 1965) 。这些研究将 R&D 存量 ( 或知识存量 ) 作为一个独 立的生产要素纳入传统柯布 道格拉斯生产函数中 , 试图测算出 R&D 产出弹性或 R&D 收益率。 虽然早期的研究在理论框架上尚不成熟 , 但均发现 R&D 对生产率有显著促进作用。 20 世纪 80 年 代 , 新经济增长理论兴起 , R&D 与生产率之间关系的理论研究框架趋于成熟 ( Griliches, 1979) , 继而 在企业层面和产业层面上均涌现出大量经验性研究
3、文献。 在企 业 层面 上 , Griliches ( 1980a ) 、 Griliches 和 Mairesse ( 1984) 、 Griliches ( 1986) 、 Adams 和 Jaffe ( 1996) 利用美国企业数据测算的 R&D 产出弹性分别约为 0 07、 0 05、 0 1 和 0 08。 Cuneo 和 Mairesse ( 1984) 、 Hall 和 Mairesse( 1995) 、 Mairesse 和 Hall ( 1996) 运用法国制造企业数据测算的 R&D 产出弹 性分别为 0 20、 0 17 0 25、 0 09。 Griliches&Mair
4、esse( 1990) 、 Harhoff ( 1998) 、 Dilling Hansen 等 ( 2000) 利用日本、德国和丹麦的企业数据测算的 R&D 产出弹性分别为 0 20 0 56、 0 13、 0 12 0 15。 在产业层 面上 , Griliches( 1980b) 利用美 国 1959 1977 年 39 个制造 产业数 据、 Sveikauskas 等 ( 1982) 利用美 国 1959 1969 年 144 个制造产 业数据 , 测算的 R&D 产出弹性 分别为 0 03 0 07、 0 22 0 25。 Mansfield( 1988) 利用日本制造产业数据、 B
5、ernstein( 1988) 利用加拿大制造产业数据 , 分 别发现 R&D 产出弹 性为 0 42 和 0 12。 Englander 等 ( 1988) 利用 6 个国 家的 产业数 据、 Verspagen ( 1995) 利用 11 个 OECD 国家的产业数据 , 分别发 现 R&D 产出弹性为 - 0 16 0 50、 - 0 02 0 17。 由于研究者采用的数据层次和研究方法的不同 , 测算的 R&D 产出弹性也有较大差异。企业层面上 的 R&D 产出弹性为 0 05 0 60, 产业层面上的 R&D 产出弹性为 0 0 50, 主要分布在 0 10 0 20 * 吴延兵 ,
6、 中国社会科学院经济研究所 , 邮政编 码 : 100836, 电 子信箱 : wyb1229 163 com。本文是作 者博士学 位论文 R&D、 创新与生产率 中国工业产业的经验证据 !的 一部 分。作者感 谢导师刘 小玄研究 员对本文 写作的指 导和帮 助 , 感谢 平新乔 教 授、韩朝华研究员、剧锦文研究员、张平研究员和高明华教授在作者论文答辩时提出的有益评论。同时 , 作者感 谢两位匿名审 稿人 富有建设性的评审意见。当然 , 文中可能的错误由作者负责。 关于 R&D 与生产率关系的更详细的文献综述 , 可参见 Congeress of the United States( 2005
7、) 。 60 * 之间 ( Griliches, 1988; Mairesse 和 Sassenou, 1991) 。 2006 年第 11 期 最近几年 , 国内外一些学者也关注了中国的 R&D 在经济增长中的作用 , 通过利用不同的数据 样本实证检验了 R&D 对生产率的影响。 Hu( 2001) 运用北京市海淀区 1995 年 813 个高科技企业样 本 , 研究发现 , 私人 R&D 的产出弹性约为 0 32。 Jefferson 等 ( 2004) 利用中国 1997 1999 年 5451 个 大中型制造企业面板数 据 , 研究发 现 , R&D 产出弹性约为 0 24。 Hu 等
8、 ( 2005) 运 用中国 1995 1999 年每年约 10000 个大中型制造企业数据 , 研究表明 , R&D 产出弹性约为 0 027 0 029。把所有 企业划分为高科技企业和非高科技企业两个样本后 , 高科技企业的 R&D 产出弹性为 0 064, 非高科 技企业中 R&D 对生产率并没有显著影响。张海洋 ( 2005) 运用中国 1999 2002 年 34 个工业行业面 板数据 , 检验了自主 R&D 与外资活动对内资工业行业生产率的影响。研究发现 , R&D 对生产率和 技术效率有不显著作用或负作用 , 只对技术进步有促进作用。 上述研究有助于我们认识中国背景下 R&D 在
9、经济增长中的作用。但也存在某些局限性。例 如 , Hu( 2001) 使用的为高科技企业样本 , Jefferson 等 ( 2004) 、 Hu 等 ( 2005) 使用的为有正式研发活动 的企业样本。由于存在样本选择问题或样本缺乏代表性 , 因而结论只能部分地反映 R&D 对生产率 的贡献 。张海洋 ( 2005) 的研究中 , 样本仅包括 4 年面板数据 , 样本数量过小 ; 在研究方法上 , 模型中 同时包含 R&D 支出比例、 R&D 支出比例与外资比例的乘积等变量 , 可能会因存在严重的共线性问 题而使估计结果有偏。本文使用中国 2002 年四位数制造产业数据 , 四位数产业是中国
10、目前最细的 产业分类 , 产业的同质性最好。本文使用的四位数产业分属于 28 个两位数制造产业 , 产业覆盖面 广 , 那些没有正式研发支出的企业也计总到产业数据中。因此 , 可以克服上述研究中存在的样本选 择问题 , 运用这类数据测 算的 R&D 产出弹性应该更为可靠和客观。 本文 在考察 R&D 与 生产率的关系时 , 还考虑 了 R&D 的测量问 题、 R&D 的双重计算 ( double counting) 问题以及生产函数模型的选择问题。通过运用两种不同的生产函数形式 , 本文发现 , R&D 对生产率有显著正影响 ; 在控制了市场因素 ( 企业规模、市场集中、进入壁垒和产品差异性等
11、 ) 和产 权因素 ( 产权结构 ) 对生产率的影响后 , R&D 与生产率之间仍旧存在着显著的正相关关系。本文还 考察了产业技术机会对 R&D 与生产率之间关系的影响 , 研究发现 , 高科技产业的 R&D 产出弹性显 著大于非高科技产业的 R&D 产出弹性 , 这表明高科技产业中的 R&D 更是促进生产力增长的因素。 本文第二部分描述了 R&D 与生产率关系的理论研究框架 , 讨论了实证研究中需要注意的问 题 ; 第三部分是中国制造产业 R&D 产出弹性的估计结果 ; 第四部分在控制市场因素和产权因素的 基础上进一步探讨了 R&D 与生产率的关系 ; 第五部分为结论及相应的政策含义。 二、
12、基本模型 按照 R&D 与生产率研究文献的一般做法 , 本文的模型也是基于扩展的柯布 道格拉斯 生产函 数。在传统柯布 道格拉斯生产函数基础上 , 在投入要素中加入 R&D 资本 , 扩展后的柯布 道格 i i i i Q 、 C、 L 、 K 分别代表产出、物质资本投入、劳动投入及 R&D 资本。 A 为常数。 、 、 分别表示资 本的产出弹性、劳动的产出弹性和 R&D 资本的产出弹性。 !为随机误差项。 ( 1) 式两边取对数 , 则可得 , qit = a + ci + li + rki + !i ( 2) 其中 , q、 c、 l 、 k 分别代表相应变量的对数形式。 运用 ( 2)
13、式进行生产函数估计时 , 物质资本投入、劳动投入和 R&D 资本之间可能存在共线性问 题。为了减少共线性 , 通常将 ( 2) 式以人均形式表示。设 + + = , 将 ( 1) 式两边同除以 L , 并 在他们的研究中 , 当用工具变量 ( IV)法时 , R&D 产出弹性却变为 - 0 045。 61 ! i 吴延兵 : R&D 与生产率 取对数后 , ( 1) 式变为 : ( q i - li ) = a + ( ci - l i ) + r ( ki - li ) + ( - 1) l i + !i ( 3) 运用 ( 3) 式回归分析时 , - 1 的估计值决定了生产函数规模报酬的性
14、质。如果 - 1 显著异 于零 , 则生产函数具有规模报酬可变的特征。进一步 , 如果 - 1 显著大于零 , 则生产函数表现为 规模报酬递增特征 ; 如果 - 1 显著小于零 , 则生产函数表现为规模报酬递减特征。在规模报酬不 变的假定下 ( 即 = 1) , ( 3) 式由于包括更少的变量 , 也可以大大减少变量之间的共 线性问题。 我们重点关注的是 R&D 的产出弹性 。在对 的估计中 , R&D 的测量、产出的测量、计量方 法的选择等 , 均会对估计结果造成影响。下面逐一讨论这些问题 , 并尽可能地予以克服。 首先 , R&D 的测量问题。在对 R&D 产出弹性的估计中 , 如果使用的
15、是时间序列数据 , 一般是 在核算 R&D 存量的基础上再测算 R&D 产出弹性。在横截面数据的分析中 , 由于无法计算出 R&D 存量 , 文献中通常用 R&D 流量代替 R&D 存量。由于 R&D 存量核算中要做出许多假定 ( 吴延兵 , 2006) , 这些假定对 R&D 产出弹性估计的准确性有一定影响 , 因而使用 R&D 流量也具有一定的合 理性。特别是 , 在一定的假设条件下 , 可以推导出 R&D 支出的对数值约等于 R&D 存量的对数值 ( Bound 等 , 2002) 。如果用永续盘存法 ( PIM) 核算 R&D 存量 , 其公式为 , Kt = ( 1- #) K t-
16、 1 + Rt ( 4) ( 4) 式中 , K 表示 R&D 存量 , R 表示 R&D 支出 , #为 R&D 存量的折旧率 , t 表示时间。 设 R&D 存量以稳定的增长率 ( 用 g 表示 ) 增长 , 则 R&D 存量也可表示为 , Kt = ( 1 + g) Kt- 1 ( 5) 将 ( 5) 式代入 ( 4) 式 , 消掉 K t- 1 项 , 可得 , Rt = ( #+ g ) ( 1+ g ) # K t ( 6) ( 6) 式两端分别取对数 , LnRt = Ln ( #+ g ) ( 1 + g) + LnK t ( 7) 由于知识的更新速度较快以及知识扩散造成的知识
17、专用性的下降 , R&D 存量 ( 知识存量 ) 的折 旧率通常较高 ( Pakes & Schankerman, 1984) 。因而 , 可以认为 ( 7) 式中的 Ln ( #+ g) ( 1+ g) 接近于 零 , 此时 , LnRt LnKt , 即在 t 期 R&D 支出的对数值约等于 R&D 存量的对数值。本文使用的是横 截面数据 , 无法计算 R&D 存量 , 在回归分析中我们将以 R&D 支出代替 R&D 存量。 其次 , 研究 R&D 与生产率关系 的文献中往往存 在着 R&D 的双 重计算 ( double count ing) 问题 ( Schankerman, 1981
18、; Cuneo 等 , 1984; Hall 等 , 1995) 。 R&D 的双重计算问题是这样产生的 : R&D 投入 主要由资本投入 ( 主要是指设备购置费 ) 和 R&D 人员投入 ( R&D 人员数量 ) 构成。同时 , 物质资本 投入中包括了 R&D 资本投入部分 , 劳动投入 ( 劳动人数 ) 中包括了 R&D 人员投入 ( R&D 人员数量 ) 部分。因此 , 如果将 R&D 投入作为一个独立的生产要素和物质资本投入 ( C) 、劳动投入 ( L) 同时进 入生产函数时 , R&D 投入部分就会被重复计算 , 这样估计的 R&D 产出弹性是有偏的。 本文使用的四位数制造业数据可
19、以避免通常出现的 R&D 双重计算问题。在我们的数据中 , R&D 支出是管理费用的一部分 , 并不包括科技人员的工资 ( 劳务费 ) , 这样 R&D 支出主要是指设备 购置费。所以 , 当在生产函数中同时纳入 R&D 支出与职工人数这两个变量时并不存在 R&D 重复 计 算问题。同时 , 管理费用中的 R&D 支出 ( 由上述说明可知 , R&D 支出主要是指设备购置费 ) 与固 定资产净值是并列关系。所以 , 在生产函数中以 R&D 支出与固定资产净值作为投入变量时也不存 在 R&D 的重复计算问题。这样 , 物质资本投入 C、劳动人数 L、 R&D 经费支出是三个并列的投入要 素 ,
20、两两之间均不存在包含关系 , 避免了 R&D 双重计算问题。 再次 , 在测算 R&D 产出弹性时 , 对产出的不同定义也会影响到估计结果。用销售收入代替增 加值作为产出变量时 , Cuneo 等 ( 1984) 发现 R&D 产出弹性由 0 21 下降至 0 14, Mairesse 等 ( 1996) 发 现 R&D 产出弹性由 0 16 下降至 0 09。为了更全面地考察 R&D 对生产率的影响 , 我们分别使用增 62 2006 年第 11 期 加值和销售产值来衡量产出。在以销售产值作为产出变量时 , 由于销售产值包括生产过程中物质 消耗转移的价值 , 因而投入要素中应该包括中间投入部
21、分。这时 , ( 3) 式可以 扩充为如下 : ( q%i - li ) = a + ( ci - li ) + r ( ki - l i ) + #( mi - li ) + ( - 1) li + !i ( 3) % m= LnM, M 表示中间投入。 q%i = LnQ%, Q%表示销售产值。 #表示中间投入的产出弹性。我 们将分别利用 ( 3) 式和 ( 3) %来估计 R&D 产出弹性。 最后 , 计量方法的选择也会影响估计结果。由于每个产业所具有的特性或技术机会不同 , 其生 产函数的性质肯定也有差异。忽视 不同产业之间生产技术上的差异会造成估计结果的较大偏差。 一些研究使用了产业
22、虚拟变量以控制产业效应的影响 ( Griliches, 1986) 。本文使用的四位数制造产 业数据 , 分属于不同的二位数产业 , 通过设定二位数产业虚拟变量可以控制具有不同生产技术的产 业之间的差异。另外 , 我们还将所有的四位数产业按照其技术进步程度划分为高科技产业和非高 科技产业两个组别 , 分别考察这两组样本的 R&D 产出弹性。 Griliches 等 ( 1984) 、 Cuneo 等 ( 1984) 、 Hu 等 ( 2005) 都曾发现技 术机会多的产业 R&D 产出弹性也较高。我们也预期高科技产业的 R&D 产出 弹性大于非高科技产业的 R&D 产出弹性。 另外 , 横截面
23、数据的计量分析中往往存在着异方差问题。 White( 1980) 在假定估计方程的残差 是非序列相关的条件下 , 推导出一个异方差一致协方差矩阵 ( Heteroskedasticity Consistent Covariance Matrix) , 用于计算标准误差与 t 统计量。本文所运用的样本是横截面数据 , 并不存在序列相关。所 以 , 在用 OLS 对 ( 3) 式和 ( 3) %式进行估计时 , 我们使用 White 异方差一致协方差矩阵对估计结果进行 了修正 , 从而消除了异方差的影响 , 使估计结果更为可靠。 三 、 R& D 产出弹性估计结果 本文的数据来源于 2002 年中
24、国工业企业普查数据。样本中共有 28 个二位数制造业 , 每个二 位数制造业中又包括若干个四位数制造业 , 共计有 538 个四位数制造业。剔除有变量缺失值的样 本后 , 共计有 537 个样本。本文以四位数制造业作为分析的基础。 生产函数中 , 产出分别用增加值和销售产值来表示 , 资本投入用固定资产净值表示 , 劳动 投入 以从业人员数量表示 , R&D 投入以 R&D 经费表示。增加值、销售产值、资本投入、中间投入和 R&D 投入的单位均以千元计 , 从业人员数量的单位为个。 运用基本模型 ( 3) , 以增加值为产出变量的生产函数估计结果见表 1。按照全部制造业、高科 技产业和非高科技
25、产业三个样本在规模报酬不变或可变的假定下对生产函数分别进行了估计。首 先看全部制造业中的 R&D 产出弹性。在不考虑 R&D 投入的生产函数中 , 即表 1 中的 ( T. 1) , 由于 - 1 的估计值在 5% 以上的置信水平上显著 , 且 - 1 小于零 , 所以生产函数表现出规模报酬递减的 特征 , 此时物质资本的产出弹性约为 0 58。表 1 中的 ( T . 2) 、 ( T . 3) 将 R&D 投入作为一个独立生产 要素进入生产函数 , 并分别假定规模报酬不变和规模报酬可变。与 ( T . 1) 相比 , 在生产函数中加入 R&D 投入后 , 拟合优度有所提高 , 增加了大约
26、8% 。在 ( T . 3) 中 , 由于 - 1 的估计值是负的并且高 度显著 , 因而全部制造业的三要素生产函数表现为规模报酬递减的特征。此时 , 物质资本的产出弹 性约下降 了 10% ; R&D 对产出表现出高度显著的正作用 , R&D 产出弹性约为 0 12, 即 R&D 投入每 增加 1% , 产出约增加 0 12% 。 将所有的四位数产业划分为高科技产业 和非高科技产业两个组别后的估计结果分别如表 1 的 ( H. 1) ( H. 3) 和 ( N. 1) ( N. 3) 所示。在高科技产业中 , 由 ( H. 2) 可见 , 加入 R&D 投入后 , 如果假 定规模报酬不变 ,
27、 R&D 的产出弹性约为 0 18; 由 ( H. 3) 可见 , - 1 的系数是正的 , 如果接 受 15% 的 高科技产业的定义使用了 中国统计年鉴 !中的标准。 63 吴延兵 : R&D 与生产率 显著性水平 , 则高科技产业中存在着规模报酬递增的特征 , 此时 R&D 的产出弹性上升至 0 2。在非 高科技产业中 , 由 ( N . 3) 可见 , - 1 的系数是负的且高度显著 , 说明非高科技产业中存 在着规模报 酬递减。此时 R&D 产出弹性约为 0 11, 比全部制造业的 R&D 产出弹性 ( 0 12) 略微有所下降 , 更比 高科技产业的 R&D 产出弹性 ( 0 20)
28、 下降了 9 个百分点。 表 1 R&D 产出弹性估计 ( 一 ) 0 5827 - 1 - 0 0345 常数项 1 6728 F 值 Adj. R 2 样本数 全 部 ( T. 1) (13 62) * ( - 2 34) * * ( 7 45) * 20 8914 0 5184 537 制 造 业 高 科 技 产 业 非 高 科 技 产 业 ( T. 2) ( T. 3) (H. 1) (H. 2) (H. 3) ( N. 1) ( N. 2) ( N. 3) 0 4661 ( 10 37) 0 4755 ( 10 53) 0 5153 ( 3 26) 0 4073 ( 2 95) 0
29、3834 ( 2 88) 0 5933 ( 13 31) 0 4723 ( 9 92) 0 4848 ( 10 11) 0 1126 ( 6 47) 0 1179 ( 6 95) 0 1768 ( 2 52) 0 2000 ( 2 68) 0 1051 ( 5 93) 0 1141 ( 6 64) - 0 0347 ( - 2 62) 0 0664 ( 0 96) 0 1028 ( 1 58) - 0 0458 ( - 2 83) - 0 0493 ( - 3 61) 2 0182 ( 9 75) 2 3467 ( 9 94) 1 1771 ( 1 20) 2 3537 ( 3 83) 1 2
30、448 ( 1 47) 1 7502 ( 7 10) 1 9659 ( 9 02) 2 4571 ( 9 64) 25 9112 25 7424 7 6072 9 7546 9 2608 20 1099 24 5250 25 1813 0 5796 0 5862 0 4102 0 4796 0 5036 0 5369 0 5942 0 6089 525 525 58 58 58 479 467 467 著。 注 : ( 1) 参数估计值下面括号中的数字 表示 t 检验值。 * * * * * * # 分 别代表 参数估 计值 在 1% 、 5% 、 10% 、 15% 水平上 显 ( 2) 全
31、部回归分析中都控制了产业虚拟变量 , 因篇幅所限而未报告。在高科技产业的生产函数估计中 , 以医药制造业 为参 照变量。在非高科技产业的生产函数估计中 , 以非金属矿物制品业为参照变量。 从不同角度考察 R&D 产出弹性 , 以销售产值为被解释变量 , 分别在生产要素中加入或不加入 中间投入变量 , 运用基本模型 ( 3)%, 对生产函数进行了重新估计。估计结果如表 2。从全部制造业 的估计结果来看 , 在不加入中间投入的情况下即 ( T . 1) ( T. 3) , R&D 产出弹性约为 0 1; 在生产 要 素中加入中间投入后即 ( T. 4) , 中间投入对产出的影响非常大 , 物质资本
32、和 R&D 的影响相对较小 , R&D 产出弹性下降为 0 01。在高科技产业的 ( H. 3) 中 , R&D 产出弹性为 0 16; 考虑中间投入后 , 如 ( H. 4) 所示 , R&D 产出弹性下降为 0 02。在非高科技产业中 , 考虑中间投入前后的 R&D 产出弹性 分别约为 0 1 和 0 01。在未含有中间投入的生产函数中 , R&D 产出弹性在 0 1 以上 ; 而在含有中间 投入的生产函数中 , 销售产值已绝大部分被中间投 入所解释 , R&D 产出弹性仅为 0 01 0 02。 不管怎样 , 均能发现 R&D 对生产率有显著正作用 , 而且高科技产业的 R&D 产出弹性
33、大于非高 科技产业的 R&D 产出弹性 , 这意味着高科技产业中的 R&D 投入更是推动生产力增长的因素。 64 * * * * * * * * * * * * * * * * # * * * * * * * * 表 2 R&D 产出弹性估计 ( 二 ) 2006 年第 11 期 0 5902 # - 1 - 0 0259 常数项 2 7464 F 值 Adj. R 2 样本数 全 (T . 1) ( 13 69) * ( - 1 63) # ( 12 04) * 17 5924 0 4731 537 部 制 造 业 高 科 技 产 业 (T . 2) (T . 3) (T . 4) ( H.
34、 1) ( H. 2) ( H. 3) ( H. 4) 0 4991 ( 10 16) 0 5089 ( 10 29) 0 0209 ( 3 12) 0 5204 ( 2 61) 0 4522 ( 2 15) 0 4149 ( 2 11) 0 0244 0 0935 ( 4 59) 0 0977 ( 4 92) 0 0138 ( 4 55) 0 1238 ( 1 33) 0 1600 ( 1 60) 0 0175 0 9406 ( 147 25) 0 9564 * - 0 0274 ( - 1 75) - 0 0030 ( - 1 33) 0 1312 ( 1 53) 0 1603 ( 1 9
35、2) - 0 0076 3 0285 ( 13 10) 3 2882 ( 12 37) 0 5089 ( 11 14) 1 4393 ( 1 14) 3 2225 ( 3 45) 1 4935 ( 1 26) 0 4731 19 9771 19 5749 1858 3320 7 1557 6 8793 7 0600 1292 7550 0 5123 0 5154 0 9910 0 3932 0 3823 0 4267 0 9945 525 525 525 58 58 58 58 ( 1 75) * * * ( 3 08) * ( 75 27) * ( - 0 79) ( 4 63) * 非 高
36、 科 技 产 业 ( N. 1) ( N. 2) ( N. 3) ( N. 4) 0 6012 ( 13 72) 0 5014 ( 9 92) 0 5136 ( 10 19) 0 0234 ( 3 17) 0 0911 ( 4 43) 0 0999 ( 5 08) 0 0128 ( 3 93) 0 9370 ( 128 68) * - 0 0443 ( - 2 67) - 0 0482 ( - 3 12) - 0 0023 ( - 1 01) 2 8967 ( 11 87) 3 0144 ( 12 76) 3 4947 ( 12 84) 0 5071 ( 9 84) 17 4105 19 69
37、75 20 0371 1508 5660 0 4989 0 5378 0 5507 0 9901 479 467 467 467 注 : 同表 1 注。 四、 R&D 与生 产率关系的进一步分析 在投入要素转化为产出的过程中 , 存在着诸多影响生产效率的因素。下面在控制这些影响因 素的基础上重新估计 R&D 产出弹性。分析的基本思路是 , 先计算出全要素生产率 ( TFP) , 然后在控 制更多的生产率影响因素的情况下 , 重新考察 R&D 与生产率之间的关系。 ( 一 ) R&D 与生产率模型的拓展 : 控制更多影响 因素 首先计算出全要素生产率 ( TFP) , TFPi = Qi ( C
38、iLi ) ( 8) i i i i LnTFPi = LnA + rLnKi + !i ( 9) 其中 , 为 R&D 产出弹性。为了验证 R&D 产出弹性的稳定性 , 需要控制某些影响生产率的因 素。市场因素和体制因素是令人感兴趣的控制变量。市场因素 , 如企业规模、市场集中、进入壁垒 65 * * * * * * * * * * * * # * # * * * * * * * * * * * * * * * * * * * * ! i 吴延兵 : R&D 与生产率 和产品差异性等对生产率可能有重要影响。另外 , 在中国经济转轨过程中 , 产权性质对生产率的影 响值得特别关注。综上 , 将
39、 TFP 的决定因素模型设定为如下形式 : LnTFPi = #+ LnK i + 1 SIZEi + 2 CON i + 3 CAPi + rADVi + tOWN i i ( 10) 式中 , SIZE 表示企业平均规模 , 用资产总额 企业数量表示。 CON 表示市场集中度 , 以四位 数产业赫芬达尔指数表示。 CAP 表示资本密集度 , 以资产总额 销售产值表示。 ADV 表示广告密集 度 , 以广告支出 销售产值表示。 OWN 是产权结构变量的统称 , 将考虑国有资本比重 ( SOE) 、集体资 本比重 ( COE) 、法人资本比重 ( COR) 、个人资本比重 ( PRI) 、港澳
40、台资本比重 ( HMT ) 和外商资本比重 ( FOR) 等不同性质的产权结构各自对生产率的影响。 DEBT 表示资产负债率 , 用于控制行业资金约 束状况对 TFP 的影响。 IND 表示产业变量 , 以非金属矿物制品业为参照系 , 设置了 27 个产业虚拟 变量。 &为随机误差项。 ( 二 ) R&D 与生产率关系的估计结果 首先观察 R&D 与全要素生产率之间的关系。以增加值为产出变量 , 根据表 2 中全部制造业 ( T. 1) 的估计结果可知 , 生产函数具有规模报酬递减的性质 , 此时物资资本的产出弹性 = 0 5827, 经计算可得劳动的 产出弹性 = 0 3828。将 、 的估
41、计值代入 ( 8) 式 , 可以计算出每个四位数产业 的 TFP。图 1、图 2 和图 3 分别描绘了全部制造业、非高科技产业和高科技产业中 R&D 与 TFP 的关 系。由这三个图可知 , 在全部制造业中 , 随着 R&D 投入的增加 , TFP 有稍微上升的趋势 ; 非高科技 产业中 R&D 与 TFP 的关系表现得更弱一些 ; 高科技产业中随着 R&D 投入的增加 , TFP 增加的趋势 比较明显。这直观地说明 , R&D 对生产率的促进作用主要发生在高科技产业中。 图 1 全部制造业中 R&D 与 TFP 的关系 图 2 非高科技 产业中 R&D 与 TFP 的关系 下面运用基本模型
42、( 10) 进 行更细致的分析。 分别以全部制造产业、高科技产业和非高科技产 业为样本 , 得到的估计结果如表 3、表 4 和表 5 所 示。在表 3、表 4 和表 5 中 , 分别以六种不同性质 的产权结构 变量进入模型 , 因而得到六种不同 的估计结果。 先看 全 部 制 造 业 的 估 计 结 果。由 表 3 的 ( 3 1) ( 3 6) 的所有估计结 果可见 , 当 在模型中 控制了市场因素和产权结构等的影响后 , R&D 产 图 3 高科技产业中 R&D 与 TFP 的关系 分别以六种不同性质的产权结构变量进入模型 , 一方面是为了控制产权因素对生产 率的影响 , 另一方 面 也便
43、于比较 在其 他控制变量不变的条件下不同性质产权结构对生产率的影响方向和程度。 66 + DEBT + %IN D + v ( 10) & 表 3 R&D 与生产率 : 全部制造业 2006 年第 11 期 常数项 LnK SIZE CON CAP ADV OWN DEBT F 值 Adj. R 样本数 ( 3 1) 2 1594 ( 16 36) 0 0406 ( 5 38) 0 0212 ( 6 71) 0 0053 ( 3 07) - 0 0032 ( - 3 72) 0 0544 ( 6 53) - 0 0043 ( - 3 23) - 0 0062 ( - 3 95) 27 6265
44、 0 6334 525 ( 3 2) 2 2260 ( 18 14) 0 0393 ( 5 18) 0 0201 ( 6 68) 0 0039 ( 2 31) - 0 0036 ( - 4 10) 0 0598 ( 7 11) 0 0047 ( 1 87) - 0 0085 ( - 4 76) 25 8836 0 6175 525 ( 3 3) 2 2958 ( 19 07) 0 0377 ( 5 06) 0 0192 ( 6 59) 0 0037 ( 2 32) - 0 0036 ( - 4 05) 0 0578 ( 6 78) - 0 0006 ( - 0 59) - 0 0082 ( -
45、 4 53) 25 2812 0 6117 525 ( 3 4) 2 1836 ( 16 93) 0 0398 ( 5 39) 0 0204 ( 6 82) 0 0036 ( 2 28) - 0 0035 ( - 3 92) 0 0626 ( 7 11) 0 0036 ( 2 71) - 0 0082 ( - 4 63) 26 1198 0 6198 525 ( 3 5) 2 2759 ( 18 05) 0 0376 ( 5 03) 0 0192 ( 6 63) 0 0038 ( 2 33) - 0 0036 ( - 4 06) 0 0583 ( 6 81) 0 0003 ( 0 26) -
46、0 0081 ( - 4 58) 25 2580 0 6115 525 ( 3 6) 2 2092 ( 16 55) 0 0364 ( 4 76) 0 0189 ( 6 38) 0 0040 ( 2 49) - 0 0036 ( - 3 98) 0 0525 ( 6 11) 0 0019 ( 1 80) - 0 0075 ( - 4 37) 25 6037 0 6149 525 注 : ( 1) 在产权结构变量 ( OWN) 一行中 , 从左至右依次为国有 资本 ( SOE) 、集体 资本 ( COE) 、法 人资本 ( COR) 、个人资 本 ( PRI) 、 港澳台资本 ( HMT) 和外商资本 ( FOR) 。 ( 2) 其他注同表 1。 表 4 R&D 与生产率 : 高科技产业 常数项 LnK SIZE CON CAP ADV OWN DEBT F 值 Adj. R 样本数 ( 4 1) 1 3509 ( 2 09) 0 1171 ( 2 84) 0 0585 ( 1 04) 0 0143 ( 2 79)