中国制造业创新驱动增长及异质性考察

王秀婷，赵玉林

(武汉理工大学经济学院，湖北 武汉 430070)

0 引言

伴随着新一轮产业革命的到来和全球产业竞争范式的转变，中国经济发展阶段逐步迈入工业化后期，经济发展已逐步进入到增速换挡、结构优化、动力转换的 “新常态”，制造业整体上承受着资源消耗过大、要素价格上涨、环境约束趋紧的压力，亟须从要素驱动、投资驱动转向通过技术进步提高全要素生产率(TFP)的创新驱动，提升高质量发展的创新含量。研究与开发(R&D)投入是创新活动的源泉，自20世纪90年代以来，中国制造业科技创新投入力度不断加大，2015年规模以上制造业企业R&D经费内部支出为9650.0亿元，是2005年的8.15倍。然而现有研究显示，近年来中国制造业TFP增速呈现明显的下滑态势，生产率增速下降已经成为制约当前及未来中国制造业发展的严峻问题[1]。那么，不断提高的R&D投资为什么没有起到应有的效果? 这已成为学术界与政府共同关注的一个热点问题，也是学术研究面临的一个难题。要充分解释这一问题，需要回答三个重要且相关的问题：一是R&D驱动TFP提升的机制是什么？二是相关因素对创新驱动过程有何影响？三是创新驱动过程是否存在行业差异？对这些问题的深入分析，有助于揭示创新驱动制造业TFP增长的复杂作用机制，深入挖掘促进创新驱动过程开展的关键要素，丰富创新驱动理论，同时揭示制约制造业TFP提升的瓶颈，对有效提高制造业TFP、实现制造业转型升级具有重要的现实意义。

R&D投入是技术创新的动机和源泉，自1958年Griliches[2]的开创性研究起，R&D与生产率的关系就成为学术界普遍关注的热点问题。总的来说，理论模型都把R&D视作生产率增长的一个重要引擎，而实证研究结论尚未统一，多数学者认为R&D投入对TFP的提升具有积极影响，也有学者发现，创新投入的时滞性和高风险等特征使其对TFP的影响并未得到充分显现[3]，还有研究指出R&D投入对TFP的影响具有非线性特征[4]。这些研究结论的差异一方面来自不同研究样本和方法的选取，另一方面也反映出R&D作用机制的复杂和多样性。除了将R&D投资作为影响TFP的关键因素外，越来越多的研究还证实了要素市场扭曲、市场竞争、企业规模、所有权结构等因素对TFP增长有重要影响[5]。此外，根据新经济增长理论，人力资本水平的提高能够促使劳动力更高效地利用资本，同时提高劳动生产率与资本生产率，进而对TFP的变化产生积极影响。然而，现有研究多数是把人力资本作为一个整体来看待，较少区分不同类型的人力资本对制造业TFP的作用效果。Vandenbussche等的研究发现，接受过高等教育的人力资本而不是平均人力资本可以对TFP产生显著促进作用[6]。顾婷婷等通过实证研究得出，合理的人力资本结构对企业技术创新的贡献要大于人力资本水平[7]。

当前，多数相关实证研究都将R&D资本及其他影响因素直接引入一个生产函数中，然而，创新过程本身具有 “黑箱”性质，是一个从投入、产出到效率提升的不断深化的过程[8]，用一个方程难以准确描述创新驱动的全过程。Crépon等提出了一种分析创新投入与生产率之间关系的新模型(简称CDM模型)，首次将创新投入、创新产出和生产率指标综合运用到一个模型中，打开了创新中的 “黑箱”。传统的CDM模型建立了一个明确的分析框架，能够较好地揭示创新驱动增长的机制和过程，但未考虑最终产出对创新的反作用，王利[8]基于CDM模型的思想构建了考虑反馈机制的联立方程模型，将最终产出对创新决策和创新投入的反馈影响纳入到模型中，但研究中没有考虑创新过程各阶段生产时间上的滞后。事实上，由于建造时间、机会成本、创新过程中的不确定性等因素的影响，投入要素很难在当下收到立竿见影的效果，而且产出的反馈效应也不应局限于最终产出，创新产出也理应具有反馈作用。此外，国内的相关研究鲜有探究不同类型的人力资本对制造业创新过程的贡献情况，也少有考察异质性制造业行业创新过程的差异，这些研究中的不足可能会导致所得结论有失偏颇。

本文以创新生产过程为切入点，构建动态循环联立方程模型，该模型不仅可以直接考察创新过程各阶段产出对其他阶段的反馈效应及其滞后性，还能分析不同类型人力资本等一系列创新要素在创新过程不同阶段的作用效果，从而更全面地刻画创新驱动过程，弥补经典CDM模型的不足。在此基础上，基于行业异质性，对不同技术密集度的制造业行业的创新过程及影响因素进行对比分析，探索各类行业创新驱动过程的差异，从而深入揭示创新驱动制造业TFP增长的复杂作用机制及关键要素，避免单一视角分析所造成的偏差和片面性。

1 研究设计

1.1 模型设定

从生产过程来看，创新是从要素投入到产品产业化的一个多阶段、多要素的价值链传递过程[9]，大致可分为创新决策、技术开发、成果转化三个阶段(见图1)。在创新决策阶段，企业根据前期的创新投入、创新产出及生产经营水平，并结合其他客观创新环境要素，进行创新投入决策，确定当期的R&D投入水平及研发方案；进入技术开发阶段，通过开展研究、开发、测试等活动，将创新投入要素转化为创新产出，这一阶段是创新的核心阶段，技术含量较高，对创新人力资本质量具有较高要求；创新第三阶段是新知识扩散和价值实现的阶段，前一阶段的技术成果转化为显性产品，经过商业运作、市场推广以及产业化等一系列经济活动，实现生产率提升。三个阶段相互关联、相互依存，前一阶段的产出是后一阶段的投入要素，同时后一阶段的产出又会对前阶段的创新生产过程产生反馈效应。此外，创新过程的各个阶段还会受到政府政策、企业规模、产权性质及外商直接投资等要素的综合影响。

图1 制造业创新驱动过程框架图

借鉴并延伸王利[8]的研究思路，本文构建了考虑反馈机制的动态联立方程模型，该模型是一种循环结构方程系统，不仅有利于解决变量内生性问题导致的估计结果偏误，还能够更为清晰地反映变量之间的内在传导机制，进而从创新投入、创新产出和最终产出三个角度来评价不同行业创新驱动增长的表现。该模型由三个方程组成：第一，创新决策方程，考察影响创新(R&D投资)投入大小的因素；第二，技术开发方程，考察包括创新投入在内的各种因素对创新产出的影响；第三，成果转化方程，考察创新产出、物质资本、人力资本等要素对TFP增长的作用情况。另外，在模型估计时，引入各投入产出变量的滞后项，以考察创新过程的时滞特征。具体模型设置如下：

lnRDit=α0+α1lnPit+α2lnTFPit+α3lnSIZEit+

α4lnFDIit+α5SOEit+α6GOVit+YearDummies+μit

(1)

lnPit=β0+β1lnRDit+β2lnTFPit+β3lnRHit+

β4lnSIZEit+β5lnFDIit+β6SOEit+YearDummies+πit

(2)

lnTFPit=γ0+γ1lnPit+γ2lnCAPit+γ3lnNHit+

γ4lnSIZEit+γ5lnFDIit+γ6SOEit+YearDummies+εit

(3)

其中，i(i=1,2,K,27)代表制造业各细分行业，t(t=2009,2010,K2015)代表年份,μit、πit、εit分别代表随机误差。

1.2 变量说明

(1)被解释变量。RDit代表创新投入。企业在创新决策阶段确定当期的R&D投入方案，其中最主要的就是R&D资金投入量，故选取R&D投资代表该阶段的产出变量。由于R&D投资又作为生产要素嵌入到下一阶段的生产中，因此RDit既是模型(1)的被解释变量，又是模型(2)的解释变量。采用传统的永续盘存法计算R&D资本存量衡量。

Pit代表创新产出。通过研究、开发、测试等一系列创新活动，创新要素将转化为创新产出，转化速度越快、数量越多代表创新能力越强，创新能力提升最直接的表现是专利数量的增加，采用专利申请数表征创新产出水平。由于专利会作为技术投入要素嵌入到创新生产的其他阶段，因此Pit既作为模型(2)的被解释变量，同时作为解释变量加入模型(1)和(3)，分别考察创新产出对创新投入的反馈效应以及作为技术投入对TFP增长的影响情况。

TFPit表示全要素生产率。考虑到TFP提升可能会对创新过程产生反馈作用，TFPit不仅作为模型(3)的被解释变量，还将作为解释变量嵌入到模型(1)和模型(2)中。选取Malmquist指数法测算制造业各细分行业TFP，总产出用各行业工业销售产值衡量，并按工业品出厂价格指数折算为2009年不变价；资本投入用永续盘存法估算的资本存量衡量，估算过程中使用的各行业投资额和折旧率参照陈诗一[10]的计算方法；劳动投入用行业年平均就业人数衡量。

(2)其他解释变量。根据人力资本在创新过程各阶段的作用差别，将其划分为创新人力资本RHit和一般人力资本NHit，创新人力资本用R&D人员全时当量衡量，考察创新人员对创新产出的贡献情况；最终产出阶段的生产工作主要由普通员工完成，用行业年平均就业人数与R&D人员的差值衡量。CAPit代表新增固定资产投资，根据陈诗一[10]计算资本存量时采用的投资额方法，即当年和上年固定资产原价之差计算。

(3)控制变量。根据熊彼特理论，不同规模的企业具有不同的资源优势，可能会影响行业的技术创新意愿和创新绩效，因此考虑企业规模SIZEit对创新驱动过程的影响，用各行业工业销售产值与企业单位数之比衡量；外商直接投资FDIit提供的资金支持和技术外溢会影响创新驱动各阶段的生产情况，用三资企业资产所占比重测算；根据肖兴志的研究，政府对产业创新的支持主要是通过引导企业增加R&D投入实现[11]，即政府政策的导向作用集中体现于创新投入阶段，因此本文着重考察政府政策GOVit对创新投入的影响，用各行业来自政府的R&D经费占R&D经费内部支出的比重表示。管理激励措施、项目审核机制、融资方式及预算约束硬度等在不同所有制企业中存在差异，因此考虑国有经济比重SOEit对创新驱动过程的影响，用国有工业销售产值与工业销售值之比衡量。以2009年为参照变量，设置其他年份的时间虚拟变量，控制技术变化以及宏观经济和政策变化的影响，具体指标设置见表1。

表1 变量含义及计算方法

1.3 数据来源及处理

由于国家统计局于2011 年对 《国民经济行业分类标准》进行了调整，为了保持数据的连贯性，本文将汽车制造业和铁路、船舶、航空航天和其他运输设备制造业合并为交通运输设备制造业，将塑料制品业和橡胶制品业合并为橡胶和塑料制品业，剔除数据缺失较多的行业，最终调整为27个行业。鉴于存在数据缺失、指标统计口径不一致等问题，截取2009—2015年中国制造业27个细分行业的面板数据进行实证研究，相关数据来源于2010—2016年 《中国工业经济统计年鉴》 《中国科技统计年鉴》及 《工业企业科技活动统计年鉴》。

1.4 基于技术密集度的行业异质性分类

技术密集度的差异可能会导致各行业在创新过程中的表现大相径，因此本文不仅对制造业整体进行分析，还基于技术密集度的不同，考察制造业创新驱动增长的行业差异。为了避免单一指标度量带来的偏差，同时采用R&D经费支出占主营业务收入的比重、R&D人员占从业人员比重表征行业技术集约程度，通过聚类分析，将制造业划分为高技术、中高技术、中低技术及低技术产业四类(见表2)。

表2 行业异质性分类

2 实证分析

由于本文在各方程中分别引入滞后期被解释变量和解释变量，使得方程呈现动态变化特征，可能会导致解释变量与随机扰动项相关，系统GMM估计方法在差分GMM的基础上引入水平方程，增加差分变量的滞后项作为水平方程相应变量的工具变量，可大大提高估计结果的有效性和一致性，较其他方法更加稳健。故选取系统GMM作为基本估计方法，运用Stata 13.0软件对模型进行估计。

2.1 来自总体样本的实证检验及结果分析

(1)多重共线性检验及单位根检验。出于严谨考虑，在进行回归前，需要对多重共线性、面板单位根等问题进行检验。根据程慧芳等[12]的研究，若解释变量的两两之间的相关系数≥0.85，或各变量的方差膨胀因子VIF≥3，则可认为模型存在严重的多重共线性。通过计算发现，本文所有解释变量两两之间的相关系数均没有超过0.85，各变量的VIF 值也都没有超过3，可以判断变量间不存在严重的多重共线性。此外，由于各指标数据均为面板数据，非平稳的变量间可能表现出共同的变化趋势，引发 “伪回归”问题。本文同时采用了检验共同单位根存在性的LLC检验以及判别个体单位根存在性的ADF检验对数据的平稳性进行检验，结果表明，各变量的一阶差分都拒绝单位根的存在，即为平稳数据。

(2)实证结果分析。根据秩条件和阶条件判定三个方程均可识别，可以做进一步估计。结合AIC等信息准则判定，在各方程中分别引入1阶滞后解释变量和被解释变量，选取滞后解释变量作为工具变量，Sargan过度识别检验的结果均显示不能拒绝工具变量有效性的零假设，模型的二阶序列相关检验AR(2)的结果均支持方程不存在二阶序列相关的假设，意味着模型设定总体上是可取的。对制造业27个产业全样本的估计结果如表3所示，观察可知：

在创新决策阶段，滞后一期TFP对R&D投资具有显著的正向影响，验证了TFP对R&D投资的反馈效应的存在，说明生产率较高的企业更倾向于在后续的生产中增加研发投入以扩大竞争优势。滞后一期R&D投资、当期和滞后一期专利产出都会对企业当期的创新投入产生正向影响，并且滞后的影响效果更大。政府资助和FDI对企业的创新投入都具有促进作用，来自政府和FDI的资金支持可以缓解企业的融资困难，激发创新活动的热情；企业规模对创新投入具有显著的负向影响，这可能是因为大企业往往拥有较强的市场势力，行业进入壁垒相对较高，竞争压力相对较小，导致大企业的创新激励下降。国有化程度对R&D投资的影响显著为正，解维敏等[13]研究指出，国有企业往往可以得到更多的资金支持，创新投入能力更强，而非国有企业的融资能力较差，考虑到创新的高风险性及长周期性，增加研发投资可能有所顾忌。

在技术开发阶段，滞后一期R&D投资的估计系数显著为正，当期影响显著为负，说明R&D投资对创新产出影响具有时滞性。创新人力资本对创新产出也具有显著的促进作用，但影响系数比滞后一期R&D投资小，表明R&D资本投入相对于创新人力资本具有更重要的创新产出贡献。滞后一期TFP对当期的创新产出具有正向反馈效应；企业规模对创新产出的影响不显著，大企业中普遍存在的机构臃肿、缺乏竞争压力等问题会制约其创新效率，而小企业组织机构安排灵活、富有弹性，能更好地捕捉创新机遇，这两方面效应相抵消，致使企业规模影响不显著。FDI能够促进创新产出的增加，说明外资的外溢效应对中国制造业创新产出具有正向影响，但也暗示当前制造业的技术创新对外依赖仍然较大[14]。国有经济比重对创新产出的影响显著为负，国有企业创新低效率已经被很多研究证实，吴延兵[15]认为已有国有企业改革措施并不能实现创新中的剩余索取权与剩余控制权的匹配，无法改善国有企业的创新效率。

在成果转化阶段，作为技术投入的专利产出在滞后一期对TFP增长表现出显著的促进作用，当期影响为负，这可能是因为专利从申请、授权到应用需要一定时间，短时间内难以转化为TFP的提高。净从业人员平均数对TFP的影响显著为负，随着劳动年龄人口的减少，人力资本改善速度也将明显放慢，若不能很好地与新技术和新设备匹配，势必会对创新生产起到阻碍作用。资本投入对TFP的影响显著为正，物质资本形成特别是新机器的投入应用，是内嵌于设备资本的体现式技术进步。伴随FDI涌入国内市场的先进管理经验、市场开拓和销售技能等，会对中国制造业TFP的提升产生积极的推动作用。企业规模对TFP的提升表现出促进作用，大企业有更完善的市场营销、财务计划等非生产性活动的支撑，可以更充分地利用创新成果并将其推向市场。国有经济比重对TFP增长的影响显著为负，企业平均生产率以及资源配置效率的差异可能是国有企业TFP低于非国有企业的主要原因。

表3 制造业整体的估计结果

注:括号内为T统计值，***、**、*分别代表在1%、5%和10%的水平上显著；Sargan检验、AR(2)检验、F统计量均给出显著性P值,下同。

(3)稳健性检验。为了检验估计方法的合理性及估计结果的可信度，同时考虑了另一种系统估计方法三阶段最小二乘法(3SLS)。通过对比发现，各变量的系数和显著性没有出现较大变化，判定系数表明估计结果的拟合程度较好，综合来看，系统GMM法对动态联立方程组的估计结果是稳健可靠的。

2.2 按技术密集度分组的实证检验及结果分析

分别对高技术、中高技术、中低技术及低技术产业的模型进行系统GMM估计，结果见表4。纵观四类行业的创新驱动过程，总体来说，R&D投入都可以实现创新产出的增加，但中低技术产业和低技术产业的专利成果没能有效转化为TFP的提升，同时各阶段的创新要素的作用情况存在差别。具体情况如下：

在创新决策阶段，四类行业滞后一期专利产出和TFP都对创新投入产生显著的促进作用，表明创新投入都会受到其他两个阶段产出的正向反馈效应，且该效应具有滞后性，其中，高技术和中高技术产业的创新决策受专利产出影响较大，中低技术和低技术产业则更多关注于生产率的变化情况，这是因为创新是高技术密集度产业赖以生存的根本，而低技术密集度的产业更关注短期利益。企业规模仅对低技术产业有显著的正向影响。政府资助、FDI对创新投入也具有显著的正向影响。高技术产业的国有化程度对创新投入的影响显著为负，其他三类行业的国有化程度影响显著为正，且系数随着技术密集度的下降而增大，这是因为初级产业受国家政策影响较大，重点企业多为国有或国有控股。

在技术开发阶段，与制造业整体估计结果一致，四类行业的R&D资金投入对专利产出的促进作用都具有滞后性，且随着技术密集度的降低，R&D资金对创新产出的贡献也在减弱。创新人力资本对创新产出的正向影响也随着技术密集度的降低而下降，这可能是由制造业创新人才分布不均衡所致，高端人才向重视人才培育的高技术密集度行业集聚。国有化程度对创新产出的影响均显著为负，与制造业整体估计结论吻合；滞后一期TFP有利于促进各类行业创新产出的增加，表现出正向反馈作用；中高技术产业和中低技术产业的企业规模对创新产出不具有显著影响；FDI对低技术产业的创新产出的影响不明显，该类行业多是一些以廉价劳动力为竞争优势的中小型企业，对技术的学习多停留在简单的模仿阶段，难以实现二次创新，随着技术密集度的提高，FDI对产业技术创新的溢出效应表现的越发明显。

在最终产出阶段，中高技术产业专利产出对TFP的提升作用最明显，高技术产业的专利产出仅在滞后一期产生正向影响，且系数小于中高技术产业，这可能是由于中高技术产业多生产应用性较强的产品，而高技术产品对技术精度要求更高，要经过长时间的中试才能实现产业化；中低技术产业和低技术产业的专利产出在考察期内对TFP的影响都显著为负，说明这两类产业的专利转化情况较差。杜伟在其研究中指出，中国的科技成果转化率仅有25%，而真正实现产业化应用则不足5%，大量的科技成果只能沦为 “展品”，科研价值无法有效地转化为生产力[16]。一般人力资本仅对中低技术和低技术产业的影响显著为正，当前传统生产模式仍然广泛存在于技术密集度较低的产业，而对于技术密集度较高的产业，其技术和产品更新换代较快，对劳动者素质要求较高。企业规模、FDI对各类行业的TFP增长都具有显著的正向影响，国有化程度对TFP增长的影响均显著为负，与整体估计结果一致。

表4 基于行业异质性的创新驱动过程分析

续表4变量高技术产业中高技术产业lnRDitlnPitlnTFPitlnRDitlnPitlnTFPitlnTFPit-10.394***1.436***-0.285**0.476*0.539*0.072(0.07)(0.52)(0.09)(0.09)(0.35)(0.08)lnRHit0.109**0.087**(0.04)(0.03)lnNHit0.054*0.071***(0.03)(0.02)lnCAPit0.028***0.017**(0.06)(0.05)GOVit0.131**0.235*(0.34)(0.24)lnSIZEit-0.037*0.1210.031**0.038**0.115**0.029**(0.03)(0.05)(0.02)(0.02)(0.05)(0.14)SOEit0.111*-0.019**-0.047***0.139*-0.021*-0.069**(0.06)(0.03)(0.04)(0.08)(0.06)(0.43)lnFDIit0.138*0.159***0.121**0.203**0.0710.103*(0.07)(0.49)(0.51)(0.09)(0.49)(0.57)年份效应是是是是是是Sargan0.0820.0930.0780.1310.0770.079AR(2)0.5370.6220.5740.6320.4360.503

3 结论与建议

从整体来看，R&D投资能够提高产业创新能力进而实现对TFP的提升，但这种机制的实现具有滞后性。各产出要素的反馈效应都具有明显的滞后性，这些滞后的效应放大了创新驱动的行业差异。对于不同技术密集度产业，高技术和中高技术产业的创新决策受专利产出影响较大，中低技术和低技术产业则更多关注于生产率的变化情况，随着技术密集度的降低，R&D资金和创新人力资本对创新产出的贡献都在减弱，低技术密集度产业的R&D资金使用效率和创新人力资本水平亟待提升；一般人力资本阻碍高技术、中高技术产业生产率的提高；中低技术产业和低技术产业技术成果转化为经济效益的创新过程中存在 “脱节”现象。

其他影响因素方面，政府资助对各类行业的创新投入都产生正向激励作用，这为政府提供进一步政策支持提供了依据；企业规模在创新过程的各阶段和不同技术水平的产业间的作用效果存在差异，说明对熊彼特假说的解释要依赖于条件的不同而有所差异；低技术密集度产业的二次创新能力较差，抑制了FDI创新溢出效应的发挥。国有化程度对各类产业技术开发和成果转化都具有阻碍作用，深化国有经济改革势在必行。

由此可见，推进创新驱动制造业转型升级，既应从大局出发，也应结合不同行业的特征和实际问题，制定相应的解决方案。第一，加强适用性人才的培养。重视劳动力技能与产业技术的匹配，强化职业教育和技能培训，提高高技术和中高技术产业一般人力资本水平；创新人才合作培养机制，优化研发队伍的结构，引导研发人才向技术密集度较低的基础性行业流动。第二，加快专利成果转化。加强交易平台建设，引导产学研用的有序结合；完善对专利质量的考评，扭转专利工作 “重量轻质”的观念；鼓励科研单位根据政府设定的分配框架制定科研人员参与技术成果转化的收益分配方案，调动其参与科技成果转化的积极性。第三，深化国有经济改革。继续推进国有企业优化重组以及央企股份制改革，提升核心竞争力；优化国资布局，促使创新资源向非国有企业，尤其是向非国有中小企业流动；完善国企创新机制，提高国有企业创新效率和生产效率。第四，强化二次创新能力。完善跨国公司在中国研发机构的配套环境，提高引资的质量，优化外资结构，尤其是创新能力较弱的低技术产业，应充分利用FDI带来的技术溢出效应，重视对技术的消化吸收，提高自主创新能力。