创业投资对高技术产业创新效率的影响研究

宋 罡, 徐 勇

(中山大学 管理学院, 广东 广州 510275)

一、 问题的提出

近几年,随着我国创业投资体系建设的不断完善,创业投资对高技术产业的支持力度不断加强。但是加大高技术产业资金投入只是促进高技术产业发展的必要条件而非充分条件,高技术产业要保持持续的发展,必须依赖创新效率水平的提高。有关我国高技术产业创新效率问题已受到学者们广泛关注,也取得了一些有益的成果。朱有为和徐康宁(2006)利用随机前沿分析方法实证测算了我国高技术产业的研发效率,并检验了市场结构、企业规模和所有权结构等因素对研发效率的影响[1];刘志迎等(2007)分析了中国高技术产业发展过程中技术效率和总量增长模式的情况[2];韩晶(2010)分别以新产品销售收入和申请专利为输出指标对我国高技术产业创新效率进行了测算[3];李向东等(2011)分别运用DEA和SFA方法对我国高技术产业创新效率进行了测算[4];孙玮等(2011)运用随机前沿分析方法测算了我国高技术产业国有和非国有部门创新效率的变化,并按所有制结构分组检验FDI质量特征的溢出效应[5]。但目前将创业投资作为影响因素,考察创业投资对高技术产业创新效率影响的研究成果却相对少见,而这又是新的发展形势下急需探究的一个重要问题。对此,本文旨在通过对高技术产业创新效率进行测算,揭示创业投资对高技术产业创新效率的作用机制。

二、 研究方法

参照Griliches(1990)等学者的思想[6],本文将各个省份的高技术产业视为投入一定的生产资源从事创新活动的生产单元,生产资源的合理使用程度及投入总量决定了一个省份高技术产业创新活动的技术效率,简称创新效率。技术效率主要用来衡量生产单元在投入等量生产资源情况下,实际产出与生产前沿面之间的距离,距离越小,表明技术效率越高[7]。通常采用两种方法测算技术效率,一种是数据包络分析(data envelopment analysis, 简称DEA),DEA是一种非参数方法,无需设定生产函数具体形式,因此避免了生产函数形式误设问题,但这种方法将所有对生产前沿的偏离均视为无效率部分,不考虑测量误差的存在,因而可能会高估效率损失[1]。另一种方法是随机前沿分析(stochastic frontier analysis, 简称SFA),SFA是一种参数方法,可以在测算生产单元技术效率的基础上,进一步检验相关因素对技术效率差异的影响,但这种方法限定了生产前沿函数形式,因此,有可能导致技术效率测算出现偏差。就方法本身而言,DEA和SFA各有利弊,由于本文使用的是2006—2009年我国28个省份高技术产业的面板数据,不同时期不同地区高技术产业的创新效率会有显著的差别,换言之,随机误差项的影响是很大的。此外,本文旨在揭示创业投资对高技术产业创新效率的作用机制,因此,SFA方法更适合本文研究的需要。

随机前沿分析由Aigner等(1977)、Meeusen & Broeck(1977)最早提出[8-9],Battese & Coelli(1992,1995)进行了不断完善[10-11], Kumbhakar & Lovell(2001)给出了随机前沿生产函数模型的一般形式[12]。

在选择生产函数形式时,目前较为常用的两种生产函数形式是科布—道格拉斯生产函数和超越对数生产函数。科布—道格拉斯生产函数形式简单,易于估计和分解,但假定产出弹性固定和技术中性[13];超越对数生产函数的优点在于放宽了产出弹性固定和技术中性的假设[14],形式更加灵活,能够有效地避免函数形式的误设问题[15]。本文分析使用的是面板数据,从时间维度来看,产出弹性固定和技术中性问题均不能事先确定,因此超越对数生产函数形式的随机前沿模型更适合本文研究的需要。

三、 数据选取与变量选择

本文使用的研究样本为2006—2009年我国高技术产业分地区面板数据,其中高技术产业及价格指数方面的数据来源于《中国高技术产业统计年鉴》和《中国统计年鉴》,创业投资方面的数据来源于ChinaVenture投中集团的CVSource专业金融数据库。从CVSource数据库提供的数据来看,2006年以前我国部分省份未有创业投资事件发生,为了能够全面地考察创业投资对我国各个地区高技术产业创新效率的影响,因此本文以2006年为基期进行研究。本文的研究对象为我国28个省份的高技术产业,由于西藏、青海和新疆的高技术产业数据存在不同程度的缺失,因此没有包含在研究样本内。此外,为了研究需要,按照传统的区域划分方式对我国进行东、中、西部划分,其中东部地区包括北京、天津、河北、辽宁、山东、上海、江苏、浙江、福建、广东和海南11个省市;中部地区包括山西、吉林、黑龙江、安徽、江西、河南、湖北和湖南8个省份;西部地区包括重庆、四川、贵州、云南、陕西、甘肃、宁夏、内蒙古和广西9个省区市。具体数据处理及变量设定如下:

1. 投入变量

以往研究中通常选用研发人员投入和研发经费投入作为创新活动投入变量的衡量指标[16-17]。根据创新活动的特征及我国统计指标的特点,本文选取研发人员全时当量作为衡量创新活动的人员投入指标。

通常选用研发经费支出来表征创新活动的研发经费投入,但研发经费投入对创新产出的影响不仅体现在当期,而且会对后续的创新产出产生影响。因此,测算创新效率时应该首先对研发经费投入的资本存量进行核算,但我国现行的统计年鉴中仅记录了历年各省份高技术产业的研发经费投入数据,并没有提供研发资本存量的相关数据。因此,本文参照吴延兵(2008)的做法[18],采用永续盘存法来核算研发经费投入的资本存量,计算公式如式(1)所示:

Kit=(1-δ)Ki(t-1)+Eit

(1)

式(1)中,Kit和Ki(t-1)分别为省份i的高技术产业在第t和t-1期的研发资本存量;Eit表示省份i的高技术产业在第t期的实际研发经费支出,考虑到价格波动的影响,运用朱平芳和徐伟民(2003)构造的研发支出价格指数[19],对名义研发经费支出进行指数平减;δ为折旧率,根据吴延兵(2006)等对研发资本折旧率的估计[20],本文取δ=15%。

估算研发基期资本存量时,参照白俊红等(2009)的做法,假定研发经费支出的增长率等于研发资本存量的增长率[17]。则研发基期资本存量的估算公式如式(2)所示:

Ki0=Ei0/(δ+g)

(2)

式(2)中,Ki0表示研发基期资本存量,Ei0表示研发基期实际研发经费支出,δ为折旧率,g表示观察期内研发经费支出的平均增长率。据此可以计算出我国28个省份高技术产业的研发资本存量。

2. 产出变量

关于创新活动中的产出变量,以往研究中通常选用新产品开发数或专利数作为创新活动产出的衡量指标[21-22],但新产品开发数和专利数不能很好地体现出创新成果的质量水平和商业价值,而新产品销售收入能够有效地反映出创新成果的商业价值,因此本文选用新产品销售收入作为创新产出的衡量指标。考虑到价格波动的影响,参照李向东等(2011)做法[4],用工业品出厂价格指数对其进行指数平减。

3. 影响因素

本文主要基于创新活动资金支持的角度,重点考察创业投资对高技术产业创新效率的影响;同时考虑到政府对高技术产业创新活动的大力支持与投入,因此,本文将政府科技投入亦作为影响高技术产业创新效率的重要考察因素。

随着金融体制改革的不断深化和创业投资体系建设的不断完善,创业投资作为技术创新的重要引擎,与高技术产业联系越来越紧密,其作用也日益突显。创业投资机构不仅可以为创新项目提供资金支持,而且可利用其人才优势为企业提供专业增值服务,从而提高资金运营效率并加速科技成果转化。因此,创业投资是影响高技术产业创新效率的重要因素。

在衡量创业投资对高技术产业创新活动的支持程度时,本文选用地区创业投资强度,即用地区创业投资金额占当地GDP的比重来表征创业投资对创新活动的支持力度。

地方政府对技术创新活动有效开展起着重要的作用,地方政府通过税收优惠、财政拨款及政府采购等方式对创新活动进行直接支持;亦可通过颁布促进创新活动有效开展的法律法规,改善地区基础设施条件等措施为创新活动提供间接支持。因此,政府的支持与投入是影响高技术产业创新效率的重要因素。

在衡量地方政府对创新活动的支持程度时,其考察指标的选取应当与地方经济发展状况相结合,即用地方政府科技拨款占当地GDP的比重来表征,这样才能更好地体现出政府对创新活动的支持力度。

创业投资和政府科技投入作为支持创新活动的主要资金来源,分析其二者在影响创新效率过程中的关系亦很重要,因此,本文引入了创业投资和政府科技投入的交互项,以便进一步探究其二者在影响高技术产业创新效率过程中是互补关系还是替代关系。

此外,为准确地估计创业投资、政府科技投入对高技术产业创新效率的影响,结合以往研究及我国统计指标的特点,本文还设定了一些控制变量,包括:教育水平、出口贸易规模及经济发展水平,分别用各省份每百万人中普通本专科在校学生数量、各省份高技术产业出口额占当地GDP的比重和各省份经指数平减的GDP来衡量。

综上所述,在本文选取的创新活动投入产出及其影响因素指标框架内,运用随机前沿分析的方法,构建超越对数生产函数模型如下:

式(3)中,Yit、Cit和Lit分别表示省份i的高技术产业在时期t的新产品销售收入、研发资本存量和研发人员全时当量;vit-uit为误差项。式(4)中,VC表示创业投资对创新活动的支持;GOV表示政府对创新活动的投入;EDU、EXP、GDP分别表示教育水平、出口贸易规模和经济水平;wit为误差项。

四、 结果分析

1. 生产函数及其效率影响因素估计结果分析

运用Frontier 4.1软件对上述模型和数据进行估计,模型的估计结果见表1。

表1 模型参数估计及相关检验结果

续表1

(1)从表1的模型估计及统计检验结果可以看出,生产函数和无效率函数的系数大多通过了1%和5%水平下的显著性检验,LR统计检验在1%水平下显著,说明误差项vit-uit具有十分显著的复合结构,验证了本文采用随机前沿技术的合理性;γ=0.74且通过了1%水平下的显著性检验,表明前沿生产函数的复合误差项中有74%的成分来自技术非效率的影响,统计误差等不可控因素产生的噪声仅占较小比重,同时显著的γ值也验证了模型选择的正确性。

(2) 创业投资变量的估计系数显著为负,表明创业投资投入越大,越有助于高技术产业创新效率水平的提高。由此可见,创业投资能够有效激励技术创新,促进科技成果转化,创业投资日益成为促进高技术产业发展的重要引擎,因此,为了提升高技术产业创新效率,促进产业升级转型,大力发展创业投资行业是一个可行和必要的选择。

(3) 政府支持变量的估计系数显著为负,表明政府对科技活动投入力度越大,高技术产业创新效率越高,由此可见,政府资助有利于降低创新成本和风险,激发创新主体积极性,对创新产出具有积极的影响。

(4) 创业投资和政府支持交互项的估计系数显著为正,表明在创业投资和政府科技投入的共同作用下,反而不利于高技术产业创新效率的提升。同时也反映出创业投资和政府科技投入的替代关系,以至于二者在影响高技术产业创新效率过程中产生相互排挤的现象,从而抑制了创新效率提升。

(5) 在控制变量中,代表地区教育水平的EDU变量和代表地区经济发展水平的GDP变量的系数均为负数,且通过了显著性检验,表明其对高技术产业创新效率存在显著的促进作用,也就是说,一个地区的教育水平越高,经济越发达,高技术产业创新效率就越高。但表示产品出口贸易规模的EXP变量对高技术产业创新效率的提高没有促进作用,且统计上不显著。

2. 高技术产业创新效率分析

从表2可以看出,我国高技术产业创新效率总体上呈现上升趋势,均值从2006 年的0.399上升到2009 年的0.468。但我们也应该注意到,我国高技术产业创新效率水平仍然比较低,最高的年份也仅为0.475,同最大可能水平相差52.5%,尚有很大的提升空间。我国高技术产业创新效率的标准差从2006年的0.249下降到2009年的0.231,表明我国各地区高技术产业创新效率的波动都呈现出逐步缩小的趋势。

表2 2006—2009年全国及东、中、西部地区高技术产业创新效率水平

从总体上看,东部地区历年的高技术产业创新效率相对较高,中西部地区则相对较低。为了进一步检验高技术产业创新效率的地区差异,对历年各地区高技术产业创新效率进行非参数两组秩和(Mann-Whitney U)检验。检验结果表明:各年份东部地区和中西部地区高技术产业创新效率均存在显著的地区差异,这与地区的经济发展水平是一致的,再次验证了经济发达程度与高技术产业创新效率水平之间呈正相关关系。

为了全面动态地反映各地区高技术产业创新效率的变化趋势,参考白俊红等(2009)的做法[23],本文借助经济增长收敛性分析中的β-收敛法来进一步检验我国各地区高技术产业创新效率的趋同性,β-收敛检验模型如式(5)所示:

ln(TEiT/TEi0)/T=α+βlnTEi0+εt

(5)

式(5)中,TEi0表示各省高技术产业期初的创新效率;TEiT表示各省高技术产业期末的创新效率;T表示考察期的时间跨度;εt为随机扰动项;α为常数项;β表示待估计的收敛系数。如果β<0,则表明高技术产业创新效率趋于收敛,反之则发散。可通过β=-(1-e-λT)/T进一步测算收敛或发散的速度λ。测算结果如表3所示。

表3 高技术产业创新效率的β-收敛检验结果

从测算结果来看,全国和东部地区的收敛系数显著为负,表明2006—2009年全国和东部地区高技术产业创新效率的发展趋于收敛,且收敛趋势显著;中西部地区的收敛系数为正,表明2006—2009年中西部地区高技术产业创新效率的发展趋于发散,但发散趋势不显著。

五、 主要结论与政策建议

本文以2006—2009年高技术产业省级面板数据为样本,运用基于超越对数生产函数的随机前沿分析模型就创业投资对高技术产业创新效率的作用机制问题进行了定量分析,其价值在于对我国各地区高技术产业创新效率进行测算,揭示创业投资对高技术产业创新效率的影响机制,从而为提升高技术产业创新能力、促进高技术产业成果转化提供支持和参考。

(1) 创业投资对高技术产业创新效率有显著的促进作用,因此政府应大力支持创业投资行业发展,完善创业投资体系建设,为其发展提供政策支持及培育良好的制度环境和金融环境;引导和扶植创业投资基金,对民间创业投资起到一种示范和导向作用,为技术产业化吸引初始资金;同时注意提高创业投资的质量,加强对创业投资人才的培养。

(2) 政府科技投入对高技术产业创新效率有显著的促进作用,因此政府应继续加大对高技术产业创新活动的投入力度。对于重大技术创新项目,政府必须给予大力支持;对于创新活动中的核心技术和关键技术给予重点支持;同时发挥政府采购在激励创新中的积极作用,创造和增加对技术创新成果的市场需求。

(3) 作为高技术产业创新活动的主要资金来源,创业投资与政府科技投入产生了挤出效应,对创新效率造成了负向影响。这也使我们深刻地认识到,在加大政府科技投入和发展创业投资行业的同时,更应注重资金的合理使用,加强政府对科技资金的调控,将资金重点投向大型企业的重大创新项目上;而创业投资主要用于扶持极具成长潜力的创新型中小企业,从而优化资金配置,使政府科技投入与创业投资形成良性的互补关系,真正起到提升高技术产业创新效率的作用。

(4) 我国高技术产业平均创新效率水平偏低,东部和中西部地区的高技术产业创新效率具有显著的差异,一定程度上说明高技术产业技术创新活动与区域经济发展之间的联系越来越紧密,高技术产业对地方经济发展的促进作用已初步显现。因此,东部地区要利用现有比较完善的产业创新环境,强化制度安排及管理创新,进一步提高创新效率;中西部地区要激发企业的研发创新动力,强化高技术企业的创新主体地位,并加强对创新型人才的引进和培养;同时政府应该大力促进中西部与东部地区之间的技术交流,中西部地区也要抓住“中部崛起”和“西部大开发”的历史性机遇,大力发展高技术产业,缩小与东部地区差距,实现共同发展。

参考文献:

[ 1 ] 朱有为,徐康宁. 中国高技术产业研发效率的实证研究[J]. 中国工业经济, 2006(11):38-45.

[ 2 ] 刘志迎,叶蓁,孟令杰. 我国高技术产业技术效率实证分析[J]. 中国软科学, 2007(5):133-137.

[ 3 ] 韩晶. 中国高技术产业创新效率研究----基于SFA方法的实证分析[J]. 科学学研究, 2010(3):467-472.

[ 4 ] 李向东,李南,白俊红,等. 高技术产业研发创新效率分析[J]. 中国软科学, 2011(2):52-61.

[ 5 ] 孙玮,王九云,成立为. FDI质量对高技术产业自主创新效率的溢出效应----基于企业所有制结构视角的中国数据实证研究[J]. 科研管理, 2011(8):57-66.

[ 6 ] Griliches Z. Patents Statistics as Economic Indicators: A Survey[J]. Journal of Economic Literature, 1990,28:1661-1707.

[ 7 ] Farrel M J. The Measurement of Productive Efficiency[J]. Journal of Royal Statistical Society, 1957,120:253-281.

[ 8 ] Aigner D J, Lovell C A, Schmidt P. Formulation and Estimation of Stochastic Frontier Production Function Models[J]. Journal of Econometrics, 1977,6:21-37.

[ 9 ] Meeusen W, Broeck J V. Efficiency Estimation from Cobb-Douglas Production Functions with Composed Error[J]. International Economic Review, 1977,18:435-444.

[10] Battese E, Coelli T. Frontier Production Functions Technical Efficiency and Panel Data with Application to Paddy Famer in India[J]. Journal of Productivity Analysis, 1992,3:153-169.

[11] Battese E, Coelli T. A Model for Technical Inefficiency Effects in a Stochastic Frontier Production Function for Panel Data[J]. Empirical Economics, 1995,20:325-332.

[12] Kumbhakar S, Lovell C. Stochastic Frontier Analysis[M]. New York: Cambridge University Press, 2001.

[13] 王志平,陶长琪. 我国区域生产效率及其影响因素实证分析----基于2001—2008年省际面板数据与随机前沿方法[J]. 系统工程理论与实践, 2010(10):1762-1773.

[14] 傅晓霞,吴利学. 前沿分析方法在中国经济增长核算中的适用性[J]. 世界经济, 2007(7):56-66.

[15] 王争,史晋川. 转型时期中国工业生产绩效的地区差异及波动性的解释----基于随机前沿生产函数的分析[J]. 世界经济文汇, 2007(4):29-45.

[16] Sharma S, Thomas V J. Inter-country R&D Efficiency Analysis: Application of Data Envelopment Analysis[J]. Scientometrics, 2008,76:483-501.

[17] 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.

[18] 吴延兵. 中国地区工业知识生产效率测算[J]. 财经研究, 2008(5):4-14.

[19] 朱平芳,徐伟民. 政府的科技激励政策对大中型工业企业R&D投入及其专利产出的影响----上海市的实证研究[J]. 经济研究, 2003(6):45-54.

[20] 吴延兵. R&D存量、知识函数与生产效率[J]. 经济学季刊, 2006(4):1129-1156.

[21] 冯根福,刘军虎,徐志霖. 中国工业部门研发效率及其影响因素实证分析[J]. 中国工业经济, 2006(11):46-51.

[22] 吴延兵. 用DEA方法评测知识生产中的技术效率与技术进步[J]. 数量经济技术经济研究, 2008(7):67-79.

[23] 白俊红,江可申,李婧. 中国地区研发创新的相对效率与全要素生产率增长分解[J]. 数量经济技术经济研究, 2009(3):139-151.