中国R&D 结构对生产率影响的比较分析

蒋殿春 王晓娆

一、引 言

理论研究和经验研究都表明，通过促进知识资本的积累，R&D 投入的增加能够显著地影响全要素生产率。在Solow(1956)之后，经济增长理论快速发展，通过Lucas(1988)、Romer(1991)、Helpman 和 Grossman(1989)等人的努力，到20 世纪90 年代初期新古典增长理论得以建立。它在动态一般均衡框架下将技术内生化，并将知识资本与人力资本对经济增长的贡献分离出来，揭示出R&D 投入不仅能够通过知识资本的累积而驱动经济的增长，而且能够影响均衡的经济增长速度。实证方面，在20 世纪七八十年代的两次世界经济危机期间，大多数国家的全要素生产率都出现较大幅度的下降，大量研究表明R&D 投入的减少正是这种全要素生产率下降情况发生的主要原因(Griliches，1973、1980；Mansfield，1974；Jorgenson，1988)。

近年来，伴随经济高速增长，我国全要素生产率(TFP)也在快速提升。1998 年至2011 年，中国的平均全要素生产率(以1998 年为基期)从0.823 上升到4.05，年均增长率约为12.1%,；同期研发投入存量也从1300.8 亿元增加到6957.2 亿元，年均增长率约为12.7%,。在过去的14 年间，二者基本上保持了同步的增长。不过，关于我国R&D 投入对TFP 作用的经验实证研究中，并没有得到一致的结果。如吴延兵(2006)和夏良科(2010)等的研究证实了R&D 对TFP 的提升作用，而李小平(2006)、张海洋(2005)和谢建国、周璐昭(2009)等则得到R&D 效果不显著或显著为负的结论。这些研究结果的差异一方面来自不同研究的样本和方法选择，另一方面也反映了R&D 作用机制的复杂和多样性。因此，进一步深入分析R&D 投入结构(不同执行部门及类型)的影响，比仅仅分析R&D 总量的生产率效应更为重要，也更具建设性。

在我国，依据类型的不同R&D 经费支出可分类为：基础研究、应用研究和试验发展三类。三类研发活动侧重点各不相同，其中基础研究更多地是为了获得关于现象和可观察事实的基本原理的新知识而进行实验性或理论性的研究，所以这种投入的影响一般是长期的；而应用研究和试验发展更着眼于特定的实际目标或新产品的实际生产，从而能够迅速地转化为产出和销售收入。此外，依据执行部门的不同，研发主体可分为高等学校、科研机构和大中型工业企业三类，其各自的专业分工和协同合作存在着较大的差异。因此，如果笼统地将R&D 投入对全要素生产率的影响仅以加总的方式处理，可能会忽略很多重要的信息。遗憾的是，目前对区分不同执行部门和类型的R&D 投入进行研究的文献并不多见①严成樑 、龚六堂(2013)运用 1999—2009 年我国 31 个省区不同执行部门和不同类型R&D 投入的数据对经济增长速度影响进行分析，但该文并没有进一步考察其对经济增长效率的影响。。

本文仍选择从R&D 投入的角度考察其对全要素生产率的直接影响，并结合以下几个方面进行完善：本文利用中国1998—2011 年30 个省市面板数据，通过动态面板模型比较分析了不同类型及执行部门的R&D 投入对全要素生产率的影响。在控制了因R&D 投入与全要素生产率之间相互作用引起的内生性问题之后，我们得到了不同R&D 作用效果的强弱排序。剩余内容的安排为：第二部分和第三部分是模型设定和变量构造，第四部分为实证分析，最后部分为本文结论。

二、模型设定

1. 理论模型

从20 世纪50 年代以来，大批学者针对R&D 投入对经济增长的影响进行了深入的研究(Minasian，1962；Griliches，1964；Mansfield，1965)，直到80 年代后期，以Lucas和Romer 为代表的新古典经济增长理论兴起，人们(Romer，1990；Grossman 和Helpman，1991；Aghion 和Howitt，1992)才逐渐在动态一般均衡框架下将技术内生化，将知识资本与人力资本对经济增长的贡献分离出来。实证方面，学者们分别从企业、行业、国家的层面上就R&D 投入对全要素生产率的影响进行研究①关于R&D 与全要素生产率更多的文献综述可见于(“R&D and Productivity Growth：A Review of the Literature”，Leo Sveikauskas，U.S.Bureau of Labor Statistics，2007)。。这些研究都揭示出R&D 投入不仅通过知识资本的累积驱动了经济增长，而且决定了均衡的经济增长速度。本文参考Griliches(1979)的模型，将生产函数简化为如下形式(暂不考虑时间趋势)：

其中，i 指地区(i =1 ,2, … ,n)，t 为时间下标(t =1,2，…， T)，Yit表示总产出，Cit表示物质资本存量，Lit表示劳动投入，Kit表示知识资本存量(本文假定知识资本的积累都来源于R&D 投入)，D 为固定常数，α、β、γ 为待估参数。

另外，本文还将人力资本因素纳入分析框架中。如果将劳动投入分解为人力资本(平均的劳动投入质量)与简单劳动投入的乘积，那么式(1)可改写为：

与索洛余值原理相同，式(2)所代表的生产函数中除去物质资本存量和简单劳动投入，余下的产出贡献因素即为全要素生产率。若将技术水平记为A，则有：

左边等式即是计算全要素生产率的一般公式，而右边等式则是本文直接探析全要素生产率来源的主要依据。该等式揭示出全要素生产率可能来自于三大部分：一是知识资本存量；二是人力资本存量；三是其他因素，如外国直接投资、对外贸易、经济政策、制度因素等。对式(3)右边等式取对数可得：

一般地，我们很难确定技术水平A 的绝对值，而是以其增长率代替，该增长率即为全要素生产率。

2. 计量模型

根据上式(4)，本文设定回归模型为如下形式：

其中，t fpit为全要素生产率，r dit衡量知识资本存量对全要素生产率的直接贡献，以R&D 投入存量的对数值来代表；h u manit衡量人力资本存量对全要素生产率的直接贡献，以科学家和工程师的总数的对数值来代表。在参考现有文献的基础之上，本文考虑了外国直接投资(fdi)、贸易开放程度(open)、政府干预经济程度(gov)，以及经济制度(institution)等控制变量，以期全面地反映改革开放以来影响中国经济快速发展的

因素。ηi为地区固定效应，εit为随机干扰项。具体地，本文的基本模型1 为：

正如不同行业的企业投入—产出效率存在差异一样，不同研发执行部门(或类型)的投入—产出效率也是不一样的。本文假定不同研发执行部门(或类型)投入对总量的影响是相互独立的，具有Cobb-Douglas 函数的组合形式，并能够独立地对全要素生产率产生影响：

其中 j = 1 ,2, … ,J表示来自第j 个执行部门(或类型)的研发投入存量。Kit代表R&D 投入量值。研发执行部门的分类参照《中国科技统计年鉴》，主要分为高等学校、科研机构和大中型工业企业三类。对于不同研发执行部门的R&D 投入存量，其总量对应为：

三、数据及变量构造

由于部分数据统计的缺失，本文以我国30 个省、市、自治区(除西藏自治区外)1998—2011 年的全要素生产率和R&D 投入存量数据为研究对象。本文所选用的数据均来自《中国统计年鉴》、《中国科技统计年鉴》和《新中国六十年统计资料汇编(1949—2008)》。

1. 全要素生产率

全要素生产率(TFP)的测算存在多种方法，不同方法的测算结果也有差异。在地区总量水平上，我们认为数据包络分析(DEA)不失为一个良好的测算方法，而且近年来得到了广泛的应用。DEA 作为一种估计TFP 及其变化的非参数方法，不仅对样本容量的要求较低，而且对生产函数的具体设定没有要求，因此完全避免了由于随意假定生产函数而导致的衡量误差。因此，本文也利用DEA 方法通过计算地区Malmquist 指数来测算其TFP。在计算过程中，由于Malmquist 指数仅仅衡量全要素生产率当期相对于前一期的增长率，因此我们通过对结果进行调整，得出各省当年的全要素生产率，见下式(11)：

在计算的过程中，产出以实际的地区产值来衡量，简单劳动投入使用的是各地区的从业人员总数。由于目前尚无官方的资本存量统计数据，因此本文采用大多数学者使用的永续盘存法对其进行估算。其中价格指数的构造和资本的折旧率参照张军等(2004)的处理方法。由于数据的缺失，广东省1998—2000 年的固定资产价格指数采用指数平滑法计算。

2. R&D 投入

现有文献大多采用R&D 当期流量来衡量研发投入，但无论是研发规模还是研发结果显然都依赖于研发的全部历史投入。因此，本文采用R&D 投入存量的指标来衡量知识资本存量对全要素生产率的直接贡献。具体来讲，我们选取各地区R&D 经费的内部支出(包括技术开发经费支出和其他技术活动经费支出)衡量R&D 投入的水平。虽然R&D 经费内部支出仅仅衡量了有正式预算且拥有正式科研机构的企业的R&D 投入，而在大量的微小企业中也存在着很多非正式的R&D 活动(吴延兵，2006)，但鉴于数据搜集的困难，我们认为这是最具代表性的衡量方法。R&D 投入均参照吴延兵(2006)的做法通过永续盘存法得到存量值。对于R&D 支出价格指数的构造，我们参考朱平芳、徐伟民(2003)的做法将其设定为消费物价指数和固定资产投资价格指数的加权平均值，二者权重比为 55：45，并将 R&D 投入存量的折旧率设定为15%,(Griliches，1980,a)。

根据前面的分析，R&D 投入依据执行部门和类型的不同进行细分。根据执行部门的不同，我们分别采用高等学校、科研机构、大中型工业企业的R&D 经费内部支出数据。根据R&D 投入类型的不同，我们又分别采用基础研究、应用研究、试验发展的R&D 经费内部支出数据。以上数据均按照永续盘存法得到存量数据。

3. 人力资本

人力资本是衡量劳动力质量的指标，反映了劳动力接受教育的程度、工作经验、健康状况等，在本文中我们采用存量的衡量方式。人力资本至少可以通过两种机制促进全要素生产率的提高，一是提升国家的技术自主创新能力，二是加快从国外吸收新的知识以及学习速度(Benhabib 和Spiegel，1994)。本文采用历年科学家和工程师的总数来衡量人力资本。

4. 其他控制变量

外资企业的进入可以通过技术溢出等机制带动内资企业的技术进步，从而提高一个地区的全要素生产率。本文使用外商及港、澳、台商投资的固定资产额占各地区全社会固定资产总额的比重衡量外资流入的溢出效应。商品和服务的贸易也能带动技术的转移，比如具有更高质量的服务和贸易会加剧产业内的竞争，促使技术革新的发生。本文采用各省进出口总额占本省GDP 的比例来衡量开放度水平。政府通过财政和货币政策以保证经济有效和平稳地运行，因此地区的财政支出与产出增加值的比例大体地反映出政府干预经济的程度。另外，增量性的制度改革奠定了中国经济高速增长的基础。在这个过程中，市场经济的地位和作用不断得到加强，不仅提升地区的经济活力，还有力地促进了地区经济资源的有效配置。在本文中，我们采用蒋殿春、张宇(2008)的调整方法，利用内资部门中非国有经济发展的程度作为衡量制度的一种指标。出于全面性考虑，我们取非国有化产值比重、固定资产比重和劳动力比重这三个都能反映非国有化率的指标的算术平均值作为各省市制度因素的指标，并同样以全部省市在样本时段内最低的指数作为基准进行标准化处理。

表1 列出了变量的统计性描述。

表1 变量的统计性描述

四、实证分析

在计量检验中，我们首先估计了R&D 总投入对全要素生产率影响的回归系数，作为分析R&D 结构对生产率影响的基础。其次，比较分析了不同执行部门和类型的R&D 投入对全要素生产率的影响，并分析其影响效果存在的差异。最后，充分考虑到R&D 投入的长期效应，在模型中加入交叉项，对不同执行部门和类型的R&D 交互影响予以检验。

1. 模型1：R&D 投入总量

表2 列出了模型1 的所有回归结果。Hausman 检验的结果显示本文应该选择固定效应模型。然而，对于个体固定效应模型，Wald 异方差检验的2χ 统计量为4495.4，强烈地拒绝同方差的原假说；组内自相关的Wooldridge 检验的F 统计量为72.9，也强烈拒绝不存在组内一阶自相关的原假说；组间截面相关检验的结果表明残差截面间相关性的存在。为此，本文继续采用包含个体虚拟变量的广义最小二乘法(GLS)模型(表2的第3 列)进行改进。

表2 R&D总量投入对全要素生产率影响的回归结果

我们注意到，地区生产率水平可能影响区内未来的研发投入水平：一方面一个地区的TFP 越高，可能它的产业结构更倾向于技术密集特征，因此决定了它的R&D 投资也更高；另一方面，生产率水平较高同时也可能意味着研发成本较低，激励更多的R&D 投资。果真如此的话，上面的模型将受到内生性问题的影响而出现估计偏差。通过计算Hausman 统计量和Davidson-MacKinnon 统计量，结果表明主要变量为严格外生的原假说基本都在5%,的水平上被拒绝(如表3)，也就是模型中存在内生性问题。

表3 内生性检验

应用较广的解决单方程模型内生性的方法主要是面板工具变量法和动态面板模型。从外部引入合适的工具变量的难度较大，常见选择是自变量的滞后项。Arellano 和Bond(1991)认为，应充分利用所有的矩条件以提高估计系数的有效性，提出了差分矩估计模型(Differentiated-GMM)。然而，这种方法可能存在自变量滞后项和自变量差分滞后项的相关性不高从而导致的弱工具变量的问题。 Arellano 和Bover 又基于Ahn和Schmidt(1995)的研究成果，以自变量的差分滞后项作为水平方程的工具变量完善了水平矩估计模型(Level-GMM)理论。到1998 年，Blundell 和 Bond 将差分工具变量矩阵与水平工具变量矩阵结合在一起，提出了更有效的系统广义矩估计模型(System-GMM)。GMM 估计的主要思想在于对待估计模型进行一阶差分后，将前定变量滞后二期以及滞后二期后的水平值(或差分值)作为工具变量(包群，2010)①包群、邵敏，《出口贸易与我国工资的增长：一个经验分析》，《管理世界》，2010(9)。。此外，动态面板模型能够放松经典模型的同方差限制，使得异方差不会对估计结果形成不利的影响。本文同时列示了两种回归结果，但由于系统GMM 更加有效，因而本文主要依据系统GMM 的结果作为解释和分析的依据。

在进行GMM 回归之前，我们首先需要决定将哪些变量归于内生变量、前定变量或严格外生变量，以此来确定差分GMM 和系统GMM 对于工具变量的选择。基于本文的研究目的以及前述内容，我们将人力资本(lnhuman)视为内生变量，开放度水平(open)为前定变量，将其一阶和二阶滞后变量作为工具变量，这是因为全要素生产率会明显反过来影响人力资本和开放度水平，例如在我国东部沿海地区，由于产业结构的优化生产率的提高吸引了越来越多的人才聚集，也促进了进出口贸易的增多，另外将其他控制变量视为外生变量①由于这些变量对全要素生产率的影响并非本文重点，因此忽略这些变量的内生性可能对估计系数产生的影响。。基于此进行差分GMM 的回归，结果在表2 的第4列，AR检验的结果表明回归残差满足扰动项存在一阶自相关且无二阶自相关的要求，过度识别约束有效的Sargan 检验结果也表明工具变量的设定是有效的。

对于系统GMM 估计是否能够得到一致估计系数，关键在于工具变量选择的有效性以及残差项不存在二阶自相关，我们将人力资本(lnhuman)、开放度水平(open)作为内生变量，R&D 投入(lnrd)、外商直接投资(fdi)和政府干预程度(gov)，制度因素(insitution)作为前定变量，在此基础上逐步添加各变量的滞后项和差分项，利用Sargan 检验和Hansen J 检验来选择合适的工具变量，最终，系统GMM 的回归结果(表2 的第5 列)通过了过度识别约束有效的Sargan 检验和Hansen J 检验。这表明差分GMM 模型和系统GMM 模型的回归结果是可以接受的。同时我们注意到，研发投入存量和人力资本存量的回归系数也更加地趋于合理。以系统GMM 的结果来说，研发投入存量的回归在1%,水平上显著为正，说明研发投入存量每增加1 个百分点，全要素生产率能增加0.47。对人力资本而言，其弹性系数约为0.36，该值略显偏高，这可能与我们采用工程师和科学家来衡量人力资本有关，毕竟这两个群体的人力资本水平都非常高，能够有效地促进全要素生产率的提升。这个结论也表明接受教育的程度越高，全要素生产率的增长得越快。教育不仅能够提高劳动者掌握新技术，适应新生产环境的能力(Nelson 和Phelps，1966)，而且能够提高劳动者进行技术创新和技术模仿(Lucas，1988)以及合理配置资源的能力。

外商直接投资的增加、对外贸易自由度的提高，以及市场化取向的改革都能够显著地提高全要素生产率。这些控制变量对全要素生产率的影响都比较小，比如外国直接投资的弹性系数仅约为0.02。政府经济干预对全要素生产率具有显著的不利影响，其弹性系数为-0.016。这表明依赖政府大规模经济刺激推动经济发展的模式大大地挤占了R&D 投入和人力资本发挥有效作用的空间，导致全要素生产率的下降。因此，当前中国经济的转型升级需要更多地依赖研发投入和人力资本的增长，而非政府“看得见的手”。

2. 模型2 和模型3：不同执行部门和类型的R&D 投入

在前面模型1 的基础上，我们进一步检验R&D 各构成部分的不同影响。表4 的第2 和第3 列给出了其主要回归结果(内生性检验结果见表3)。在此系统GMM 模型的回归中，我们仍然选择人力资本(lnhuman)和开放度水平(open)作为内生变量，基础研究(lnbasic)作为前定变量，而对模型3 中，高等学校R&D 投入(lnuni)、科研机构R&D 投入(lnre)、大中型工业企业R&D 投入(lnen)为前定变量，同样我们在以其滞后一阶和二阶变量作为工具变量基础上，增加其他变量滞后变量作为工具变量，直到通过Sargan 检验和Hansen J 检验，从而得到相对最为合适的工具变量。

表4 不同执行部门和类型的R&D投入存量对全要素生产率影响的回归结果

回归结果来看，三个执行部门的研发投入存量对全要素生产率的影响在1%,的水平下均显著为正值。然而不同部门的弹性系数存在差异，大中型企业研发投入存量的弹性系数最高，达到约0.24；科研机构次之，约为0.16；而高等学校最末，仅约为0.15。出现这种结果可能是由于不同执行部门研发侧重的领域存在差异，比如大中型企业强调实用新型和外观设计等专利的研发从而更好更多地推出新型产品以确保自身的市场竞争地位，企业作为完完全全的市场上自负盈亏的经纪人，不仅能够敏锐地感知市场上信息的变化给予参研人员较高的报酬激励，而且不必受到代理成本和激励契约的约束。高等学校则注重基础研究从而需要较长的时期才能够体现为新产品的产值增加。近几年来，高等学校对政府资金的依赖逐渐减小，管理体制和激励制度也逐渐完善，实际上R&D 效率也在不断提高。

表4 的第4 和第5 列给出了模型3 的回归结果。从系统GMM 的结果来看。基础研究、应用研究和试验发展对全要素生产率均具有显著地促进作用。模型3 结果的鲜明特点是试验发展对全要素生产率的促进作用十分明显，其弹性系数达到约0.34。

回归结果进一步表明，不论是解释变量回归系数的大小还是其显著性，基本上都保持在较一致的水平上，比如就系统GMM 模型来说，人力资本存量的回归系数在上述三个模型中分别为：0.364,7、0.420,3 和0.392,5，而显著性水平均达到了1%,，从而较好地印证了本文设定的计量模型具有较好地稳健性。

3. 模型 4：R&D 投入结构交互影响

模型3 结果的鲜明特点是试验发展对全要素生产率的促进作用十分明显。目前，中国投向试验发展研发领域的资金主要来自于企业，而大中型工业企业的R&D 投入亦显著地促进全要素生产率的增长，这表明大中型工业企业应成为我国研发的主体，而试验发展研究领域则应成为研发的重点。然而，我们不应该简单地就得出上述结论，而应该充分考虑到基础研究是否对应用研究、试验发展起到基础支撑作用，以及考察高校和科研机构的研发到底对企业产生怎样的影响？因此，为了得到上述探讨两个问题的答案，本文将高等学校R&D 投入与大中型工业企业R&D 投入以及科研机构与大中型工业企业R&D 投入两个交互项加在模型2 之中，得到模型4 结果列示在下表5中的第2 列，另外将基础研究R&D 投入与应用研究R&D 投入以及基础研究投入与试验发展R&D 投入的交互项加入到模型3 中，得到模型5，回归结果列示在表5 中的第3 列。

由表5 可知，在加入高等学校R&D 投入与大中型工业企业R&D 投入以及科研机构与大中型企业R&D 投入两个交互项之后，高等学校R&D 投入对生产率影响的系数不再显著，而高等学校R&D 投入与大中型工业企业R&D 投入的交互项在1%,水平上显著为正。这说明，高等学校与企业研发之间具有正的交互影响，即高等学校的R&D虽然没有直接对生产率起到促进作用，但通过增加企业R&D 的效率间接地促进了全要素生产率的提高。在加入基础研究R&D 投入与应用研究R&D 投入以及基础研究

投入与试验发展R&D 投入的交互项之后，基础研究R&D 投入对生产率影响也不再显著，但基础研究R&D 投入与应用研究R&D 投入的交叉项系数为正(0.0658)，并在5%,水平上显著，说明基础研究通过促进应用研究，间接地对生产率起到促进作用。

表5 加入交互项后的R&D结构对全要素生产率影响的回归结果

五、结 论

通过改进实证分析方法，本文利用省域的面板数据印证了新古典增长理论关于研发投入促进全要素生产率提升的观点。在分析总量模型的基础之上，本文还依据不同的分类标准探析了不同的研发投入对全要素生产率的直接贡献。从细分的不同执行部门的研发投入来看，企业研发投入的促进作用是最高的；从细分的不同类型的研发投入来看，试验发展研发投入的影响最大。同时，在加入交叉项的模型中，我们发现高等学校通过提高大中型工业企业对全要素生产率的影响强度起到间接的促进作用，而基础研究作为试验发展的基础，同样也加强了试验发展对于全要素生产率的提升作用。所以，本文研究具有的政策指导意义为：一方面，从部门来看，R&D 投入应该继续增加高等学校和企业所占的份额；从类型来看，不仅应该进一步地扩大对试验发展的R&D投入，对全要素生产率具有长期效应的基础研究仍应得到加强。另一方面，应该不断提高研发体制的效率，减少研发体制的委托—代理成本，包括运行、监督和申报等成本。总之，在经济转型升级时期，中国研发体制的改革仍应继续沿着以企业R&D 为主体，依靠高等学校加强基础研究和应用研究，加快向科研机构市场化方向改革的路径前行。

［1］ 蒋殿春，张 宇. 经济转型与外商直接投资技术溢出效应[J]. 经济研究，2008(7)：26-38.

［2］ 李小平，朱钟棣. 国际贸易，R&D 溢出和生产率增长[J]. 经济研究，2006(2)：31-43.

［3］ 吴延兵. R&D 存量，知识函数与生产效率[J]. 经济学，2006，5(4)：1129-1156.

［4］ 吴延兵. R&D 与生产率——基于中国制造业的实证研究[J]. 经济研究，2007，41(11)：60-71.

［5］ 夏良科. 人力资本与 R&D 如何影响全要素生产率——基于中国大中型工业企业的经验分析[J]. 数量经济技术经济研究，2010(4)：78-94.

［6］ 谢建国，周露昭. 进口贸易，吸收能力与国际 R&D 技术溢出：中国省区面板数据的研究[J]. 世界经济，2009，(9)：68-81.

［7］ 樑严成 ，龚六堂. R&D 规模、R&D 结构与经济增长[J]. 南开经济研究，2013(02)：3-19.

［8］ 张海洋. R&D 两面性，外资活动与中国工业生产率增长[J]. 经济研究，2005，5(1)：07-11.

［9］ 张 军，吴桂英，张吉鹏. 中国省际物质资本存量估算：1952-2000[J]. 经济研究，2004(10)：35-44.

［10］ 赵彦云，刘思明. 中国专利对经济增长方式影响的实证研究：1988-2008 年[J]. 数量经济技术经济研究，2011，28(4)：34-48.

［11］ 郑京海，胡鞍钢. 中国改革时期省际生产率增长变化的实证分析(1979—2001 年)[J]. 经济学(季刊)，2005，(1)：263-296.

［12］ 郑京海，胡鞍钢，Bigsten，A. 中国的经济增长能否持续?—一个生产率视角[J]. 经济学(季刊)，2008(03)：777-808.

［13］ 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[J]. 经济研究，2003，6(5)：l.

［14］ Aghion，P.，Howitt，P. A Model of Growth through Creative Destruction[J]. Econometrica，1992，60(2)：323-51.

［15］ Ahn，S. C.，Schmidt，P. Efficient Estimation of Models for Dynamic Panel-Data[J]. Econometrics，1995，68(1)：5-27.

［16］ Arellano，M.，Bond，S.Some Tests of Specification for Panel Data-Monte-Carlo Evidence and an Application to Employment Equations [J]. Rev Econ Stud，1991，58(2)：277-97.

［17］ Arellano，M.，Bover，O. Another Look at the Instrumental Variable Estimation of Error-Components Models [J]. J Econometrics，1995，68(1)：29-51.

［18］ Benhabib，J.，Spiegel，M. M. The Role of Human-Capital in Economic-Development Evidence from Aggregat Cross-Country Data [J]. J Monetary Econ，1994，34(2)：143-73.

［19］ Griliches，Z. Research Expenditures，Education，and the Aggregate Agricultural Production Function [J]. American Economic Review，1964，54(6)：961-74.

［20］ Griliches，Z. Research Expenditures and Growth Accounting[J]. Science and Technology in Economic Growth，1973：59-95.

［21］ Griliches，Z. R&D and the Productivity Slowdown [J]. National Bureau of Economic Research Cambridge，Mass，USA：1980.

［22］ Grossman，G. M.，Helpman，E. Trade，Innovation，and Growth [J]. American Economic Review，1990，80(2)：86-91.

［23］ Grossman，G. M.，Helpman，E. Trade，Knowledge Spillovers，and Growth[J]. European Economic Review，1991，35(2)：517-26.

［24］ Grossman，G. M.，Helpman，E. Endogenous Product Cycles [J]. Econ J，1991，101(408)：1214-29.

［25］ Jorgenson，D. W. Productivity and Postwar United-States Economic-Growth[J]. J Econ Perspect，1988，2(4)：23-41.

［26］ Lucas，R. E. On the Mechanics of Economic-Development [J]. J Monetary Econ，1988，22(1)：3-42.

［27］ Maddison，A. Growth and Slowdown in Advanced Capitalist Economies-Techniques of Quantitative Assessment [J]. J Econ Lit，1987，25(2)：649-98.

［28］ Mansfield，E. Technological Changes-Stimuli，Constraints，Returns-Rates of Return from Industrial-Research and Development [J]. American Economic Review，1965，55(2)：310-22.

［29］ Minasian，J. R. Technical Change and Production Function [J]. Econometrica，1962，30(2)：370-71.

［30］ Nelson，R. R. Denison，E.，Sato，K.，Phelps，E. S. Investment in Humans，Technological Diffusion，and Economic Growth [J]. American Economic Review，1966，56(2)：69-82.

［31］ Pakes，A.，Griliches，Z. Patents and R-and-D at the Firm Level-a 1，st Report [J]. Econ Lett，1980，5(4)：377-81.

［32］ Romer，P. M. Endogenous Technological-Change [J]. J Polit Econ，1990，98(5)：71-102.

［33］ Solow，R. M. A Contribution to the Theory of Economic-Growth [J]. Q J Econ，1956，70(1)：65-94.