政府补贴、企业R&D投入与高科技产业创新效率——基于中国省级面板数据的实证分析

张 卿，刘昭乐

(中共广东省委党校，广东 广州 510053)

一、问题的提出

改革开放以来，我国的高科技产业在创新和技术发展方面取得了长足的进步，经济发展动力正由要素、投资驱动为主向创新驱动为主转变。[1]2007年至2016年中国高科技企业数由21517个增加到30798个，增长了43%；专利申请数由34446项增加到131680项，增长了近3倍(见表1)。

表1 2007年—2016年中国高科技产业的发展情况

创新研发一般周期较长，不确定性乃至风险较大，需要大量专项资金投入。一方面需要政府和社会的补贴投入，以克服创新市场薄弱的失灵，另一方面需要企业增强创新意识，加大自主创新投入力度。20世纪80年代以来，我国大力实施高科技产业发展的火炬计划等战略。统计显示，在过去四十年间政府投入约1513.7亿元用于推动研发活动，其中高新技术产业的补助总额已从2007年的65亿元增加到2016年的213.1亿元，年均增长率为12.6%。同时，高科技企业R&D内部经费支出由1995年的18亿元增加到2016年的2438亿元，年均增长率为25%；R&D人员全时当量投入由57838人增加到580248人，22年间增长了9倍。

然而，政府补贴是否“挤占”企业R&D投入？政府补贴和企业R&D投入能否显著提升创新效率？这是两个经济学界颇为关注的问题。本文拟采用随机前沿生产函数来考察政府补贴与企业R&D投入之间的关系，以及政府研发补贴和企业R&D投入对高科技产业创新效率的影响性。

二、文献综述

关于公共补贴是否挤占企业R&D投入。Leyden和Link观察到补贴、技术和知识溢出之间的互补性，并指出政府研发支持可能增加私人支出。然而，当政府的研发支持用于私人研发回报已经很高的领域时，可能会对私人研发支出产生负面影响。[2]Wallsten使用1990年至1999年参与小企业创新研究(SBIR)项目公司的数据集，发现政府资助与企业研发投入之间有明显的“挤出效应”。[3]Hussinger研究了1980年至2000年120个德国制造业公司的样本，认为公共研发资金并没有挤出企业自身的研发支出。[4]姜宁、黄万利用高技术产业2003—2008年的数据进行分析，发现政府补贴并不一定会促使企业增加R&D投入水平，其效应与政府补贴率r有关。[5]白俊红、李俊运用随机前沿模型，对1998—2007年中国大中型工业企业分行业进行了实证分析，结果是企业自身R&D投入的提高有利于其吸收和利用政府的R&D资助。[6]李林木、郭存芝以2008—2010年为研究期，基于全国高新技术产业减免税调查和相关指标的省级面板数据，实证研究发现政府减免税能有效刺激企业增加研发投入，但短期对研发产出、产业发展速度与规模没有明显效应。[7]

关于政府补贴对高科技产业创新效率的影响。樊琦、韩民春通过对1992—2008年28个省域面板数据的考察，发现我国政府R&D补贴投入政策对提高国家及区域自主创新产出有十分显著的影响。[8]张同斌、高铁梅构建了高新技术产业的可计算一般均衡(CGE)模型，借助2007年中国投入产出表，发现政府财政激励政策能有效地促进高新技术产业的产出和效率增长。[9]罗雨泽、朱来军、陈衍泰以2005—2009年中国高新技术产业数据为样本，运用收入型全要素生产率函数进行实证检验，并未观察到政府补贴投入对生产效率有显著促进作用，我国政府过去所主导的研发投入模式与实际生产需要结合度不够高。[10]

关于企业R&D投入对高科技产业的创新效率的影响。朱有为、徐康宁利用随机前沿生产函数，采用中国1995—2004年13个细分行业的面板数据进行分析，发现企业资金规模和市场竞争程度与研发效率之间存在着显著的正相关关系。[11]薛庆根考察了1998～2011年历年中国高技术产业的Moran’sI指数，得出结论是企业经费投入的创新绩效显著。[12]李海东、马威运用2010年中国24个省级面板数据，构建投入产出指标体系，研究发现了企业在技术创新过程中的主体作用得到体现，但是企业R&D资金直接投入对于高技术产业技术创新效率具有显著抑制作用。[13]

综上所述，中外学者关于政府补贴与企业R&D投入的关系、政府补贴和企业R&D投入对高科技产业创新效率的影响得出的结论不一致。这既有时序和区域的差别，又有变量选取、研究方法的差异。本文则采用随机前沿分析法(SFA)，基于2007至2016年中国28个省级面板数据，共同探讨政府补贴、企业R&D投入和高科技产业创新效率之间的关系，并为中国高科技产业的发展提出相关见解。

三、模型设定与变量选取

(一)模型设定

从生产力分析的角度来看，创新是一个知识生产过程。SFA(随机前沿分析法)是一种计量经济学技术，它使用回归分析来估计传统的成本函数，不同之处在于使用估计方程中的残差来测量技术的效率，其中误差项被分为随机误差项和系统无效项。该方法基于回归模型，该模型允许统计噪声和假设检验。在处理异质性和异常值方面，它优于非参数方法：数据包络分析法(DEA)。在本研究中，采用随机前沿生产函数来实证分析效率因素对高技术产业创新的影响。下面简要介绍SFA模型。

Aigner,Lovell and Schmidt[14]和Meeusen and Van DenBroeck[15]分别独立提出了如下随机前沿生产函数模型：

lnyi=xiβ+vi-uii=1，2，……，N

(1)

随机前沿分析的目的在于预测无效效应(也可以称为技术无效率程度)。最常用的产出导向的技术效率等于可观测的实际产出与相应的随机前沿产出之比：

(2)

由(2)式所得的技术效率测算了第i个厂商的产出与完全有效厂商使用相同投入量所能得到的产出之间的相对差异，取值范围是[0，1]。显然，要预测技术效率TEi首先需要估计随机前沿生产模型(1)中的参数。

以上模型都是截面数据模型，通常，我们期望获得更有效的未知参数的估计量以及更有效的技术效率预测式。Battese and Coelli[16]提出了一个适用于(非平衡)面板数据的随机前沿生产函数模型，该模型假设无效率项服从截断正态分布，也允许其随时间变化，因此也被称为时变无效性随机生产前沿模型(BC92模型)，该模型的基本形式如下：

yit=xitβ+(vit-uit)，i=1,2,……,Nt=1,2,……,T

uit=uiexp[-η(t-T)]

(3)

长期以来，运用随机前沿模型的实证研究都是根据估计生产函数随机前沿并预测企业效率，然后用预测得到的效率值对特定变量(如管理经验，所有权特征等)进行回归，试图找出企业之间存在效率差异的原因。这种研究模式属于两阶段估计过程，即先通过随机前沿模型估计得到企业效率值，然后以效率值为因变量对相关影响因素进行回归。但是，这种两阶段估计模式也被视为一个阶段，并且两个阶段中关于无效率项的假设是不一致的。这样的两阶段估计过程是不可能得出和一阶段估计同等有效的结果的。

这一问题由Kumbhakar,Ghosh and McGukin[17]和Reifschneider and Stevenson[18]提出，他们认为随机前沿的无效率项(ui)可以表示为厂商特定变量和随机误差的确定性函数。Battese and Coelli[19]提出了一个和Kumbhakar,Ghosh and McGukin[17]等价的模型，同时增加了配置效率分析、去除了利润最大化的一阶条件并适用于面板数据。这一模型也被称作BC95模型，该模型形式如下：

yit=xitβ+(vit-uit)，i=1,2,……,N；t=1,2,……,T

(4)

mit=zitδ

(二)变量选取

1.创新产出。为了衡量和测算高科技产业科技创新效率中产出水平，本文采用中国大陆28个省份2007年至2016年的专利申请数量来作为创新效率中的因变量，由于数据的可获得性，本文剔除了西藏、新疆和青海。尽管有些学者提出用专利申请数量来衡量产出水平存在一定的缺陷，但是大多数研究人员却认为专利申请是最合适的创新绩效指标之一。Kang and Park发现专利申请最重要的优势是其相对较高的标准化和随时可用性。[20]Bransetter和Sakakibara也指出，在分析政府补贴的有效性和效率时，专利提供了明确的产出绩效指标用于研发。[21]因此，本文选用各个省份的专利申请数作为被解释变量(Y)来测算高技术产业创新产出。

2.投入因子。根据上文讨论的概念和框架，本文的解释变量分为投入因子和效率因子。资本和人力是被视为创新活动的直接投入因素。因此本文选用R&D经费内部支出作为衡量投入的第一个因素，即：资本投入(K)；用R&D人员折合全时当量作为测算投入的第二个因素，即：劳动力投入(L)。

3.效率因子。政府不仅通过法律和政策支持创新活动，而且还为企业提供直接的财政支持或研究补助。总体而言，政府是企业创新不可或缺的重要角色，特别是在高科技产业。因此，我们使用政府补贴：GG(Goverment Grant)来衡量政府在科技活动中的支持。企业资金是高科技企业研发资金的重要组成部分，在研发活动中可以视为市场行为的一部分。企业是创新的主导力量，因此我们采用研发筹资额中企业R&D投入：EF(Enterprise Funding)来表明企业对创新的意愿。同时，金融机构被视为可以为企业创新活动提供资金的支持机构，因此我们利用金融机构的研发资金金融贷款：FL(Financial Loan)来量化他们对研发活动的支持。

4.控制变量。此外，我们还得考虑控制变量。本文选择企业规模(Size)和企业利润(Profit)作为控制变量。政府补贴和企业规模之间应该存在一些内生性，一般政府补贴多的企业有足够的资金来雇佣员工。企业规模一般用人数来衡量，所以我们使用每个省份高技术产业从业人员平均人数来衡量高技术产业的企业规模。政府也会选择盈利能力强的企业作为补贴对象，所以企业的利润额可以很好地衡量企业的盈利能力。

综上所述，本文运用创新产出，投入因子，效率因子和控制变量，通过利用随机前沿生产函数分析政府补贴，企业R&D投入和金融贷款对创新产出的影响来衡量创新效率。

(三)数据来源及处理

本文选用2007—2016年最近十年中国28个省级面板数据，共280个观测量，数据均来自于历年《中国高技术产业统计年鉴》《中国科技统计年鉴》和《中国统计年鉴》。其中，考虑到价格因素对R&D经费内部支出、政府补贴、企业R&D投入、金融贷款和利润额的影响，本文利用CPI价格指数将上述支出的名义价值转化为以2007年为基期的实际价值。各个变量的描述性统计分析见表2。

表2 变量的描述性统计分析

四、实证分析结果

运用Frontier4.1软件，我们构建了6个模型来估计政府补贴、企业资金和高科技产业创新效率的关系。主要是想解决两个问题：第一，在高科技产业中，政府补贴资金是否“挤占”了企业私人资金？第二，政府补贴和企业R&D投入是否能提升中国的高科技产业创新效率？利用随机生产函数最大似然估计，结果如表3所示。

表3 随机前沿生产函数最大似然估计结果

模型一模型二模型三模型四模型五模型六lnEF0.04860.0146-0.2054***-0.2504*0.0023(0.4824)(0.1428)(-3.1521)(-1.8686)(0.0221)lnFL0.0325*0.0220.0830.0304*(1.7884)(1.3547)(0.5161)(1.882)LnK*lnGG0.0405***(2.3903)LnK*lnEF0.0307(1.6478)LnK*lnFL-0.0137(-0.7329)LnL*lnGG0.0402*(1.7783)LnL*lnEF0.0249(1.2373)LnL*lnFL-0.0088**(-2.2419)sigma-squared0.3533***0.3407***0.3269***0.2957***0.2134***0.1797***(3.9299)(3.7907)(3.7894)(3.948)(4.4861)(5.2665)gamma0.5842***0.5676***0.5572***0.54***0.4128***0.2808**(5.3029)(4.7739)(4.5697)(4.3919)(3.1532)(2.1068)log-likelihood-158.0209-157.9021-155.9985-150.3749-138.142-141.1256LR-test82.858167.775170.391381.251593.774890.1032

在上一节的模型选取中我们讨论过γ的取值范围是[0,1]，如果γ=0则表示模型不存在技术无效效应，所有相对于前沿的偏离都是由随机噪声引起的。所以γ值越接近1，表明反映噪声和技术无效项的随机误差均存在，在对生产函数的研究中需要考虑技术无效因素。表3的结果显示，γ值基本在0.5以上，且在1%的水平下显著，说明利用随机前沿生产函数来分析政府补贴、企业资金和高科技产业创新效率的研究是合适的。

由模型一可以看出，β0、β1和β3的系数分别为-5.5615、0.6522和0.3931，且都在1%的水平下显著，说明资本和企业规模均会对高科技产业的创新效率产生影响，且都是正相关的。这与先前的研究也是一致的，Cohen指出，较大的企业享受的经济规模和资本市场准入、以及实现创新营销的互补性更容易，获得的效益也更高。[22]431-434其中，资本的影响度是0.6522，劳动力的影响程度仅仅才0.0349，且不显著，这说明研发资本投入对中国高科技产业创新效率的贡献超过了研发劳动力投入，在目前的中国国情下，高科技产业还是资本密集型产业，虽然人才是创新的第一要素，但是还需要不断加强人才引进政策，使得劳动力投入在高科技产业的创新效率中的贡献不断上升。

从模型二、三、四中，我们可以看出在没有政府补贴的情况下，企业R&D投入的系数为0.0486，且不显著；但是，当将政府补贴考虑在内，企业资金的系数变为-0.2054，且在1%的水平下显著。这说明，没有政府补贴时，企业R&D投入对高科技产业创新效率的影响是负相关的；有政府补贴时，企业资金对高科技产业创新效率是正相关影响。表明政府补贴并没有“挤占”企业R&D投入，企业R&D投入的提高有利于其吸收和利用政府的R&D资助。在模型四中，政府补助的系数是0.1506，且在1%的水平下显著，说明政府补贴对高科技产业创新效率存在显著的负相关影响。而企业R&D投入的系数为-0.2054，在1%的水平下显著，表明企业R&D投入对高科技产业创新效率存在显著的正相关影响。

在模型五、模型六中我们加入了交互项来验证研发资本和劳动力对技术无效因子的创新效率的影响。结果表明，研发资本和政府补贴存在反向交互关系(系数为0.0405，在1%的水平下显著)，并显著影响高科技产业创新效率。说明在中国高科技产业中，研发资本的增加并不会帮助政府补贴来提升创新效率。劳动力投入与政府补贴的关系同样如此(系数为0.0402，在10%的水平下显著)。但是，劳动力与金融贷款相结合的系数为-0.0088，在5%的水平下显著，可以看出劳动力投入有助于金融机构提供贷款以提升我国高科技产业创新效率，这里研究人力资本和金融对高科技产业创新效率的影响，在未来的研究中可以进一步细化。

通过以上研究，我们可以发现，第一，在我国科技产业中，政府补贴对企业R&D投入不存在“挤占效应”，政府R&D补助资金可以和企业自身研发资金“并行不悖”。第二，政府补贴并不能提升我国高科技产业创新效率，反而会阻碍创新效率，但是，企业R&D投入对高科技产业的创新效率却存在显著的正面影响。一方面是因为政府资助的项目可能偏离市场的需求，而专利等相关的创新产出也不容易实现商业价值。另一方面，由于政府和企业信息不对称，存在事后“道德风险”，政府补贴企业后缺乏监督惩罚机制，受资助的企业可能会使用这些补助金用于其它目的并减少它们的整体创新投入。这些结果也表明，市场在资源配置中起决定性作用，企业私人资金投入带来的效果往往大于政府补贴，至少在高科技产业中是如此。

此外，图2显示了基于模型四的2007年至2016年我国高科技产业的创新效率。如图2所示，我国高科技产业创新效率十年间显著提升，从2007年的0.5375增加到2016年的0.7359，年均增长率为3.19%。这些结果表明，我国高技术产业的创新能力正在逐步提高，政府对这些行业的支持取得了一些成就。然而，创新效率仍相对较低，政府仍需要优化政策，以提高高科技产业的创新效率。研发资金投入可以快速提升高科技产业创新效率，但是，也不能忽略了科技人才队伍建设。

图2 2007年至2016年我国高科技产业创新效率

五、结论和建议

本文通过实证分析，得出以下结论：

第一，研发资本和企业规模对高科技产业的创新效率产生正向影响。研发人员对高科技产业的创新效率影响不大，目前，我国高科技产业还是资本密集型产业，资本在高科技产业中起主要作用。第二，在我国高科技产业中，政府补贴并没有“挤占”企业R&D投入，甚至还存在“诱导效应”。政府补贴可以与企业自有资金协调一致，共同提升高科技产业的创新效率。第三，政府补贴不能提升我国高科技产业的创新效率，存在显著的负相关影响；但是，企业R&D投入却可以显著地提升我国高科技产业创新效率。政府R&D补助可能不是促进我国高科技产业创新效率的最佳政策工具，企业R&D投入要以市场为导向，更加合理地配置资源。第四，政府补贴无论是和资本结合还是和劳动力交互，都会对高科技产业的创新效率起阻碍作用，这进一步佐证了上一条结论。而劳动力与金融贷款相结合可以促进创新效率的提高。

根据上述结论，我们可以提出以下政策和建议：

第一，改进政府R&D项目资助决策机制，以减少政府和企业之间信息不对称问题。企业是微观市场的主体，也是创新的主体，政府应该提供补助以降低企业创新成本和抵抗各种风险。但是，政府在资助对象的研发创新能力和资助项目的必要性的把握上处于不利地位，这就增加了事前“逆向选择”风险，造成科技资源配置不合理。[23]政府在做研发项目的资助决策时，应该用科学权威的方法进行决策，如：采用专家评审机制，建立专家评审责任制，保证评议的公正性和客观性。在此基础上建立科研成果评价体系，这不仅可以对企业申报的科研成果进行评价分级，也可以增加企业的“违约成本”。如果科研创新成果与预期目标偏差过大，企业不仅会受到相应惩罚，也可以对其他企业起到震慑效果。这种源头治理的方法，可以降低信息不对称性。第二，完善政府资金使用评估机制，提高资金使用标准。完善企业申请政府补助信息披露制度，降低事后“道德风险”。政府补贴的资金，由于缺乏监督惩罚机制，研发资金并不能合理地配置到创新项目的各个环节，结果偏离市场的需求。受政府补助的高科技企业会将资金非法挪用，降低了补贴资金的利用效率。应该在保证员工的工作积极性上，建立一个开放、透明的绩效考核结果数据库，保证考核结果的公正性和有效性。全程跟踪资助资金使用动态，并将评估结果作为进一步奖惩的依据。以此降低政府与企业之间的“道德风险”。