R&D投入、技术引进对高技术产业全要素生产率影响研究

汪泉

【关键词】DEA—Malmquist指数;全要素生产率;R&D投入;技术引进;高技术产业

【中图分类号】F276.44;F832.4【文献标识码】A【文章编号】1674-0688（2021）07-0006-03

0 引言

目前，我国经济发展已经进入新的阶段，发展速度从高速转变为中高速，从要素驱动、投资驱动转向创新驱动。面对这些变化，我国的经济发展遇到了重大的挑战。经济发展方式和经济效率一方面受到生产成本高、产品供求不匹配、资本边际效率下降等结构性等问题的制约，另一方面会影响全面建成小康社会目标的实现（冯志峰，2016） [1]。2015年首次提出的供给侧结构性改革就是要明确市场与政府的关系，充分发挥市场在资源配置中的主导作用，实现经济的持久健康发展。现阶段，供给侧结构性改革的重中之重就是进行要素市场化改革，实现生产要素的最优配置，从而全面提高全要素生产率（刘世锦，2016） [2]。这就需要产业升级与发展生产力，提高供给质量和生产效率，进行技术创新。随着当今世界经济发展的一體化和国际市场竞争的日益加剧，高技术产业已经成为国际竞争的核心部分，是经济增长的主要动力，也是促使经济发展的主导产业。高技术产业的发展对推动国民经济发展、优化产业结构及提高经济效益有着重要的作用，而高技术产业全要素生产率能够反映高技术产业的发展质量。所以，研究我国高技术产业全要素生产率并分析其影响因素意义深远。

1 文献综述

很多学者都对高技术产业全要素生产率进行了深入研究。Sun and Kalirajan（2005） [3]通过利用DEA的Malmquist生产率指数计算6个高技术行业的效率值比较每个行业绩效的高低。Raab and Kotamraju（2006） [4]利用DEA模型计算美国各个州的高技术产业效率，并进行排名，最后得出部分地区的高技术产业是经济发展动力主要来源的结论。梁云、郑亚琴（2015） [5]利用1991—2011年的省际面板数据和Malmquist指数法测算了地区全要素生产率，并证明了FDI促进生产率增长是通过FDI—技术创新—生产率提升的完整路径产生作用的。

也有不少的国内学者对高技术产业全要素生产率的研究集中于影响全要素生产率增长的相关因素。比如，鲁炜、严夏（2012） [6]通过高技术产业相关面板数据进行实证，构建了基于DEA的Malmquist生产率指数及其分解指数。吕海萍、池仁勇（2015） [7]基于DEA的Malmquist指数测算浙江省高技术产业全要素生产率，证明了R&D具有两面性。姜彤彤（2013） [8]对我国30个省、市、自治区的高技术产业全要素生产率及其分解情况进行测度和研究，认为影响全要素生产率增长的主要原因是技术进步。李洪伟、任娜等人（2013） [9]证明了我国高技术产业的全要素生产率会受到环境变量和随机因素的影响。

综上，本文基于DEA的非参数方法，采用Malmquist指数测算全要素生产率，再研究R&D投入、技术引进对高技术产业全要素生产率的影响。

2 研究方法、变量与数据

2.1 全要素生产率的测算

2.1.1 基于DEA的Malmquist指数分析法

测算全要素生产率的方法主要有两种：一是索洛余值法，二是基于DEA的非参数Malmquist生产率指数法。基于DEA的Malmquist指数不用设定生产函数，不需要投入产出指标的价格信息，适用于不同区域、产业或单位的跨期样本分析，所以本文选择Malmquist指数测算省际高技术产业的全要素生产率。

2.1.2 投入产出变量的选择和计算

Malmquist指数分析法需要确定投入和产出的相关变量，投入与产出变量之间不能有太强的相关性;变量个数之和不能超过决策单元数的一半，否则会对结果有较大的影响。结合上述条件并借鉴大量相关研究，产出指标最终选择当年价总产值和专利申请数，分别用来反映产业产出整体水平和R&D产出水平;投入指标要考虑资本和劳动力两个方面的投入，因为劳动力质量不同，最终选定从业人员年平均数和研发人员全时当量作为劳动力投入指标，投资额和R&D经费内部支出作为资本投入指标。本文选取2000—2016年的全国高技术产业相关数据，考察范围为除西藏和新疆外的29个省（直辖市、自治区），使用的所有数据均来自《中国高技术产业统计年鉴》。

2.1.3 全要素生产率计算结果

由测算可知，2000—2016年中国高技术产业整体全要素生产率为1.02，是指全要素生产率平均增长2%;技术进步率为1.019，即技术进步平均增长1.9%，说明生产率的提高主要依靠技术进步拉动;纯技术效率是1.006，而规模效率是0.995，略小于1，说明整体处于规模效应递减状态。结果表明，技术进步率提高是高技术产业TFP增长的主要原因。

2.2 R&D投入、技术引进对全要素生产率的影响

2.2.1 模型构建

本文借鉴Krugman的技术差距模型，构建R&D投入、技术引进对中国高技术产业TFP增长影响的模型如下：

其中，TFP表示高技术产业全要素生产率，RD表示高技术产业的R&D投入，TI表示技术引进，RD*TI表示R&D的吸收能力，即研发投入吸收先进技术的能力。所以，β有两层经济含义，一是表示R&D投入对外来技术的吸收能力，二是表示R&D与技术引进相结合对高技术产业全要素生产率的影响。上述模型进行计量检验时，为了有效减少或消除内生性、共线性、相关性及异方差等计量问题，保证计量结果的科学性和有效性，本文拟运用一阶差分法和加权最小二乘法进行计量检验，构建的一阶差分模型如下：

其中，变量、系数含义同公式（1），下文的分析就以模型（2）的回归结果展开。

2.2.2 样本、数据和指标的選取

在做面板回归时，本文删去内蒙古、海南、青海、黑龙江、吉林、贵州、云南、甘肃、宁夏这几个TFP值比较异常的省份。在指标和数据的选取上，TFP沿用上文测算的各省份高技术产业TFP数据。R&D投入（RD）用R&D经费内部支出额表示;技术引进（TI）用技术引进经费支出、技术改造经费支出、国内技术购买经费支出和消化吸收经费支出之和表示。样本数据均来源于各年《中国高技术产业统计年鉴》，相关描述性统计见表1。

3 实证结果

3.1 面板数据单位根检验

进行面板数据回归前，要检验数据的平稳性，一般采通过单位根检验对面板数据是否平稳进行检验。本文采用Levin检验、ADF检验、PP检验进行单位根检验，对模型（2）的各一阶差分数列进行单位根的平稳性检验，结果显示所有变量均是平稳的。面板数据单位根检验见表2。

3.2 面板数据回归分析

本文使用EVIEWS软件对模型（2）进行面板回归分析，对于面板数据的实证通常有3种模型，分别是混合最小二乘法、固定效应及随机效应。在做实证时，Hauseman检验值为0.893，相伴概率为0.827 0，并未拒绝随机效应原假设，因此本文最终选择随机效应模型，结果见表3。

由表3可知：①研发投入对高技术产业TFP正向作用显著。R&D投入每增长1%，高技术产业TFP增长0.42%，说明R&D投入对高技术产业TFP有显著的积极作用。②技术引进对高技术产业TFP有轻微负影响。技术引进每增长1%，高技术产业全要素生产率降低0.088%。造成这一现象的原因可能是没有制定一套适合在本国发展的策略，未能较好地利用外来技术，使得部分引进技术最终没能真正被国内企业吸收和利用，造成一定的浪费，对高技术产业全要素生产率产生负面影响。③R&D吸收能力对高技术产业TFP有显著正影响。R&D与技术引进的交互项系数显著为正，意味着高技术产业R&D吸收能力比较好，引进的外部技术通过与R&D途径结合能够促进高技术产业TFP的增长，从而提高了高技术产业的生产率。这说明单纯靠引进外部技术不足以提高高技术产业TFP，创新才是企业发展的内部动力。

4 政策建议

（1）强化对引进技术的吸收能力。技术引进对TFP的抑制作用表明我国对先进技术的学习和吸收能力有所欠缺，在大力实施供给侧结构性改革的今天，我国高技术产业更应该充分消化、吸收及引进先进技术，推动高技术企业技术升级。

（2）增加对我国R&D的投入。R&D投入一方面可以促进促进高技术产业TFP的增长，另一方面可以和引进的外部技术结合促进高技术产业TFP的增长，从而促进生产率的提高。所以，要优化R&D投入结构，提高R&D投入的利用率，实现高技术产业的快速发展。

（3）重视自主创新能力的培养。高技术产业TFP增长主要依靠技术进步率的提高，而且只有将引进的外部技术与R&D途径相结合，才能更好地促进高技术产业TFP的增长，这些都说明自主创新能力是高技术产业发展的真正动力。所以，要通过学习先进技术和研发新技术相结合的方式提高企业的投入产出比，实现高技术产业的高质量发展。

参 考 文 献

[1]冯志峰.供给侧结构性改革的理论逻辑与实践路径[J].经济问题，2016（2）：12-17.

[2]刘世锦.“质量追赶型”中速增长期的机遇与挑战[J].中国经济报告，2016（6）：12-14.

[3]Sun C H，Kalirajan K P.Gauging the Sources of Growth of High-tech and Low-tech Industries：the Case of Korean Manufacturing[J].Australian Economic Papers，2005（2）：170-185.

[4]Raab R A，Kotamraju P.The Efficiency of the Hightech Economy：Conventional Development Indexes Versus a Performance Index[J].Journal of Regional Science，2006（3）：545-562.

[5]梁云，郑亚琴.FDI、技术创新与全要素生产率——基于省际面板数据的实证分析[J].经济问题探索，2015（9）：9-14.

[6]鲁炜，严夏.高技术产业R&D全要素生产率变动分析——基于DEA模型的Malmquist指数方法[J].西北农林科技大学学报（社会科学版），2012，12（3）：51-56.

[7]吕海萍，池仁勇.R&D两面性、技术引进与浙江省高技术产业全要素生产率增长[J].科技进步与对策，2015，

32（12）：67-71.

[8]姜彤彤.中国各省高技术产业全要素生产率研究[J].山东师范大学学报（人文社会科学版），2013，58（1）：

109-115.

[9]李洪伟，任娜，陶敏，等.我国高技术产业全要素生产率分析——基于三阶段Malmquist指数方法[J].技术经济与管理研究，2013（8）：41-46.