创新政策的测度及不同政策效果比较研究

俞立平，钟昌标，王安然，林强文

(1.浙江工商大学统计与数学学院，浙江 杭州 310018；2.云南财经大学商学院，云南 昆明 650221；3.西交利物浦大学国际商学院，江苏 苏州 215123；4.广州商学院科研处，广东 广州 511363)

近年来，随着经济发展进入新常态，产业发展需要转型升级，创新驱动发展是必由之路。为了鼓励企业进行创新，政府不断加大创新政策的实施力度，也取得了一定成绩，在 《2020全球创新指数》(GII)中我国综合创新指数全球排名第14位，从2013年到2020年提升了21位。创新政策可分为直接创新政策与间接创新政策，直接创新政策是指政府对创新企业的财政科技补贴和投入 (包括税收减免)；间接创新政策是指其他所有技术、人才、科技中介、科技金融政策等。更广义的间接创新政策还包括与创新相关的经济、产业、环境政策等。

本文从广义创新政策界定角度出发，建立创新政策的定量测度模型，以中国高技术产业的省际面板数据开展研究，运用面板数据模型、门槛模型、贝叶斯向量自回归模型对直接和间接政策的绩效进行全方位研究，分析直接与间接政策之间的关系，对创新政策绩效做全面的评估。

1 文献综述

由于研究目的不同，创新政策的分类视角是多种多样的。Rothwell等[1]从政策工具理论视角出发，将创新政策分为供给型、需求型和环境型，认为供给政策对科技活动有直接作用，而环境政策工具属于间接作用型政策。Ekboir[2]依据市场失灵、任务使命、合作互惠，把区域科技创新政策划分为政府对科技创新的直接投资政策、间接支持政策及外围促进政策。Helfand等[3]以创新系统演化为分类依据，将创新政策划分为4种类型：研发刺激、技术转移、创新瓶颈突破和系统创新。Bataille[4]将创新政策划分为预见型、任务导向型、扩散导向型。Klein等[5]根据政府运用资源的方式不同，把政策划分为信息型、权威型、组织型及财政型。Phaal等[6]依据政府对市场的参与程度分为自愿型、强制型、混合型政策。

关于创新政策绩效研究的成果也较为丰富。Falk[7]从定性定量两个方面对澳大利亚的直接与间接政策进行研究，发现这两种政策间存在互补关系，在共同作用下企业会加大R&D投入，从而使企业具有更高的生产绩效，提升突破性创新的可能。目前，部分学者关注政府的财税政策对企业创新的影响，Hall等[8]研究证实税收优惠对企业技术创新具有明显提升作用，但提升效果的大小受到国别和地区差异的影响。Bloom等[9]发现在固定国家特征、经济波动等影响因素后，税收减免对研发投资水平和研发强度有激励作用。李翠芝等[10]认为，财税政策扶持强度大更有利于非国有企业、中小企业的创新水平。姜安等[11]发现研发税收优惠激励企业研发投资，有利于创新质量的提升。武倩等[12]发现，随着时间的推移创新型城市建设政策对城市生产率提升显著。

关于创新政策的测度一直是个关键问题。Lis等[13]从创新政策的内容分析出发，对政策互补性、协调性以及对创新的影响等进行评估，多采用文本挖掘法。也有学者从政策的实效效果出发，判定政策的有效性，多采用构建指标体系法，还有学者采用专家打分法等其他方法进行评价。例如：Hultink 等[14]从计划层次、公司利润、产品层次、顾客接受度和财务状况五个方面对荷兰技术政策绩效进行评估；李强[15]对产业创新政策进行抽象与量化，筛选具体地方政策进行结构分析。

从现有研究看，关于创新的作用机制以及绩效的研究成果较为丰富。关于创新政策的定量测度，多从政策内容与政策实效出发，采用文本挖掘、指标体系、专家打分等方法。总体上，以下领域需要进一步深入研究：第一，比较直接与间接创新政策绩效的研究成果较少，需要加强该领域的研究；第二，进一步深入探讨直接创新政策与间接政策的关系及协调情况；第三，目前尚没有较好的创新政策测度工具，需要深入研究。

2 理论基础与研究方法

2.1 创新政策与创新成果的互动机制

在科技创新投入产出中，主要的投入变量包括企业研发经费投入、研发人员投入和创新政策 (见图1)。在投入变量中，必须处理好直接创新政策与间接创新政策的协调关系，如果间接创新政策能够取得相对较好的结果，那么可以适当减少直接创新政策，毕竟财政科技资源是宝贵的，要将其应用到最重要的领域。

图1 创新政策与创新成果的互动机制

创新政策除了对科技成果的直接贡献外，还有对企业研发投入的间接作用机制，即有益的创新政策可以促进企业增加创新投入，从而使得企业能够获得更好的创新效果。直接创新政策即政府研发经费与企业研发经费的关系比较复杂，学术界主要持两种观点，一种认为两者是互补关系，即政府研发经费能够促进企业加大研发投入。Czarnitzki 等[16]认为政府补贴对于企业研发项目而言仅占很少一部分，大部分资金还是企业的自发投入，通过提供政府对企业的研发补助资金，总的来说提升了企业整体的研发投入。Guellec等[17]研究发现研发支出税收政策可为企业直接降低研发成本，激励企业增大研发投入。另一种观点认为两者是替代关系，即政府研发经费补贴会促使企业减少研发投入。Lach[18]认为当政府的补贴计划实施时，企业通常会申请政府补贴计划内的研发项目，因为这对企业来说边际成本机会为零，这时 “挤出效应”出现，政府的补贴挤出了企业的研发支出。

从反馈效应看，如果创新政策能够取得较好的创新成果，在一定程度上会促进政府继续出台相关政策，或者加大研发经费投入，从而形成良性循环。除非在创新成果非常显著的情况下，创新政策的反馈效应才有所减弱。反馈效应同样适用于研发经费与研发人员，在创新成果较好的情况下会激励企业继续加大经费与人员投入。

2.2 创新政策的测度

本文将创新政策分为直接政策P1与间接政策P2，P是直接政策与间接政策的总和，即P=P1+P2。直接政策不需要测度，可以通过财政科技投入以及政府税收补贴来反映，在这种情况下，无论是测度出P2或者P，都能解决创新政策的测度问题。当然，无论是P1还是P2，都必须进行标准化处理，如极大值均是100，这样P的极大值就是200。

本文基于知识生产函数，从全要素生产率分解的角度测度创新政策，进而计算出间接创新政策。知识生产函数是Griliches[19]、Jaffe[20]在Cobb-Douglas生产函数的基础上建立的，即Y=AKαLβ，式中Y、K、L分别为创新成果、研发经费、研发劳动力，α、β为弹性系数，A为全要素生产率 (TFP)。Ray等[21]将TFP指数分解为技术进步指数TP、技术效率指数TE，TE又可分解为纯技术效率指数PTE和规模效率指数STE，即TFPch=TPch×TEch=TPch× (PTEch×STEch)。Färe等[22]进一步明确了TFP的指数性质，在计算各相关指数时要用几何平均法，当上述各种指数的数值大于1时代表指数提高、小于1时代表退步、等于1时代表维持不变。

全要素生产率综合表示科技投入产出中的技术进步和管理水平，如果基于宏观数据研究，那么管理水平就是政策水平。对于宏观创新投入产出而言，除了技术进步，其他都由宏观管理因素决定，这些本质上都是广义创新政策，把自身的技术进步变量引入知识生产函数中，这样TFP就可以表示创新政策。决定创新投入产出技术进步的因素有很多，如科研仪器设备的重大技术进步、人才培养水平的快速提高、革命性的通用技术取得突破等。对于我国科技发展而言，最近几十年来最大的技术进步就是以计算机、互联网为代表的信息化，因此在上述基础上增加信息化变量I，即Y=A′KαLβIγ。信息化变量I的引入使得全要素生产率A′中已经没有技术进步的影响，此时的A′综合代表所有创新政策因素，包括直政策和间接政策。

以上计算得到全要素生产率是每年各单位的指数，需要注意的是，创新政策具有存量属性。新的一年开始，政策并不是从零开始，而是继续维持在去年年底的水平，并且随着新的政策变化而变化，所以要定量测度创新政策，必须将基年政策乘以各年的全要素生产率指数，即：

(1)

式中，Pij表示区域创新政策，i表示地区，j表示年度，t表示当前年度，区域创新政策就是TFP指数的累乘结果。

创新政策计算出来后，对其进行标准化，再减

去直接政策，就得到间接政策：

(2)

公式 (2)是一种线性变换，不影响后续基于面板数据进行回归的实证研究。

2.3 直接创新政策与间接创新政策绩效及协调

在知识生产函数中，进一步引入直接创新政策与间接创新政策：

logY=c0+c1logK+c2logL+c3logP1+c4logP2+μ

(3)

公式 (3)可以直接估计出直接创新政策与间接创新政策的弹性，对其平均贡献做一个估计。如果要进一步估计出直接创新政策与间接创新政策的作用规律，可以进一步引入2次项，进行非线性估计，即：

logY=c0+c1logK+c2logL+c3logP1+c4logP2+c5log2P1+c6log2P2+μ

(4)

为了进一步研究直接政策与间接政策的关系和协调水平，在公式 (4)的基础上进一步引入直接创新政策与间接创新政策的交互项：

logY=c0+c1logK+c2logL+c3logP1+c4logP2+c5logP1logP2+μ

(5)

对于创新政策的非线性效应，可以进一步采用Hansen[23]提出的面板门槛回归模型进行估计。以直接创新政策和单门槛为例，其门槛模型为：

(6)

式中，τ为直接创新政策门槛，θ1、θ2分别为不同门槛下的政策弹性。

2.4 研发投入、创新政策与创新成果的互动关系

为了进一步综合分析直接创新政策、间接创新政策与研发经费投入、研发劳动力、创新成果之间的互动关系，进一步分析创新政策的绩效，继续采用贝叶斯向量自回归模型 (BVAR)进行估计。在贝叶斯推断理论与Sims[24]创立的传统向量自回归模型 (VAR)基础上，Litterman[25]提出贝叶斯向量自回归模型。与传统VAR模型的最大区别是，BVAR模型在进行参数估计时巧妙地节省了自由度，比如对于一个有m个内生变量、滞后阶数为p的VAR模型，估计参数多达m(mp+1 )个，而超级变量往往只有三个。对于BVAR模型，主要采用脉冲响应函数、方差分解等分析变量之间的动态关系，这样与面板数据模型、面板门槛模型相结合，可以全面比较分析直接创新政策与间接创新政策的绩效以及变量之间的关系。

3 实证结果

3.1 数据来源

本文以高技术产业为研究对象开展研究，其中研发经费变量采用高技术企业R&D经费内部支出，研发人员变量采用高技术企业研发人员折合全时当量，在创新政策中直接创新政策变量采用政府研发经费投入，关于创新成果，借鉴Griliches[26]的做法，采用新产品销售收入作为替代变量。

信息化变量借鉴俞立平[27]、李坤望等[28]的研究，用电信业务额作为替代变量。这是因为，由于时间跨度较长，采用指标体系缺失数据过多。邮政业务额中很大一部分是快递业务，早期快递业务不发达时可以代表信息化，现在电子商务非常发达，这样处理已经不合适。电信业务额包括信息化 (如互联网、手机、电话、数据业务等)的绝大多数内容。

本文的数据均来自历年中国高技术产业统计年鉴，由于重庆于1996年从四川省单列，因此本文起始年度从1997年开始。此外，青海、宁夏、新疆、西藏的高技术产业不发达，数据缺失严重，因此在模型计算中不计入内。相关变量根据物价指数进行相应的平减，变量的描述统计结果如表1所示。

表1 变量的描述统计结果

3.2 创新政策测度

历年创新政策如图2所示，相关数据已经过标准化处理，不同创新政策之间不具有可比性。从创新政策总量看，2015年与1998年相比略有提升，但总体提升幅度不大，创新驱动发展的基本格局和政策框架没有发生根本改变。直接政策总体上处于提升阶段，尤其从2007年开始，政府研发经费补贴处于快速上升状态，而间接政策总体上处于缓慢下降状态。

图2 历年创新政策

2015年直接创新政策与间接创新政策的地区比较如表2所示，直接创新政策即政府研发经费补助最高的省市以西部地区为主，这和东部地区高技术产业比较发达有关。

表2 地区政策比较

3.3 面板数据估计

(1)面板数据的平稳性检验。从数据上看面板数据时间跨度较长，为了防止在回归中出现伪回归问题，回归前对所有相关变量进行平稳性检验。本文的平稳检验方法分别采用levin Lin&Chu检验、ADF检验、PP检验，经过1阶差分，所有变量均为平稳时间序列。

(2)面板数据估计。面板数据的估计结果如表3所示，本文在综合评估中滞后期均选择1期，分别基于式 (3)(4)(5)估计直接创新与间接创新的平均弹性、非线性规律、交互作用效果，估计方法

表3 面板数据估计结果

采用系统广义矩 (SYS-GMM)，以处理内生性的影响。

式 (3)的Hausman检验结果为25.311，相伴概率为0.000，说明应采用固定效应模型进行估计。从直接创新政策与间接创新政策的弹性系数来

看均通过统计检验，P1的系数为0.095，P2为0.723，间接创新政策绩效要大于直接创新政策。此外研发经费通过检验，回归系数为0.808，研发劳动力没有通过统计检验。式 (4)的Hausman检验结果为44.694，相伴概率为0.000，表明估计模型应该选择固定效应模型。直接创新政策与间接创新政策2次项的回归系数均通过统计检验，并且都为正值。说明无论是直接创新政策还是间接创新政策，其对创新成果的贡献均呈U形非线性关系。此外研发经费通过检验，回归系数为0.804，研发劳动力同样没有通过统计检验。式 (5)的Hausman检验结果为31.949，相伴概率为0.000，同样说明应采用固定效应模型进行估计。直接创新政策与间接创新政策交互项的弹性系数均通过统计检验，其回归系数为-0.588，说明直接创新政策与间接创新政策协调状况不佳。此外研发经费通过检验，回归系数为0.798，研发劳动力还是没有通过检验。

(3)面板门槛回归模型估计。首先估计直接创新政策的门槛效应，单门槛F检验值为2.813、相伴概率为0.091，没有通过统计检验，不存在门槛效应。接着估计间接创新政策的门槛效应，单门槛F检验值为34.191、p值为0.000，双门槛F检验值为13.998、p值为0.000。继续进行三门槛检验，其F检验值为2.246、p值为0.149，最终采用双门槛模型估计，结果如表4所示。处于低、中、高门槛的数据记录分别为277条、95条、87条，大多数处在低门槛水平，随着门槛水平的提高，间接创新政策的弹性系数不断递增。面板门槛回归的结果与带有2次项的公式 (8)并不矛盾，在低门槛时，间接创新政策数据大多处在U形曲线的底端，其弹性系数较低，少数数据已经到了U形曲线的右端，因此随着门槛水平的提高，间接创新政策的弹性系数越来越大。

表4 间接创新政策门槛回归结果

3.4 贝叶斯向量自回归模型估计

由于科研劳动力的回归系数并不显著，因此选用研发经费、直接创新政策、间接创新政策、创新成果四个变量建立BVAR模型，滞后期综合均衡后选择2期，过短的滞后期不能体现研发投入产出之间的互动关系，过长的滞后期变量之间的互动关系也较弱。

图3所示为创新成果脉冲响应函数，研发经费一个标准差的正向冲击对其影响最大，当期为0，随后缓慢提高，第6期达到最大，这也从另外一个角度说明本文基于面板数据分析选择滞后1期是有道理的。间接创新政策的冲击对其影响次之，当期为0，随后缓慢上升，说明创新政策的持续时间较长，而直接创新政策的冲击对其影响最小，当期为0，第1期为比较小的正值，随后开始缓慢降低为负数。以上结果和面板数据回归的平均弹性大小排序是一致的。

图3 创新成果的脉冲响应函数

图4所示为直接创新政策脉冲响应函数，研发经费一个标准差的正向冲击对其影响最大，当期有效，效果平稳并且时间较长。创新成果的冲击对其影响次之，当期为0，随后第2期短暂调整为负数，从第三期开始逐渐缓慢提高，显示创新成果对政府经费有一定正反馈，但有较长滞后期。间接创新政策的冲击当期没有影响，但是随后变为负数并继续下降，说明间接创新政策的提升能够降低直接创新政策即政府的研发经费补贴，总体上值得肯定。

图4 直接创新政策的脉冲响应函数

图5所示为间接创新政策脉冲响应函数，创新成果的正向冲击对其影响显著，当期有效，之后大致维持水平不变，显示创新成果对间接创新政策有正向反馈。企业研发经费的冲击对其影响为负，并且缓慢降低，说明在市场机制的作用下，企业研发经费投入增加会弱化间接创新政策，毕竟企业是创新主体，总体上可以接受。直接创新政策的冲击对其影响同样为负数，并且也是持续下降的，说明直接创新政策的增加会弱化间接创新政策，要加以注意。

图5 间接创新政策的脉冲响应函数

图6所示为研发经费脉冲响应函数，创新成果的正向冲击对其影响最大，当期产生影响，随后在平稳中波动。直接创新政策的冲击对其影响次之，当期没有影响，随后缓慢升高，说明政府研发经费补贴能够促进企业增加研发经费投入。间接创新政策的冲击对其影响最小，当期没有作用，随后为负数并不断减小，说明间接创新政策对鼓励企业研发经费投入的影响不够。

图6 研发经费的脉冲响应函数

各变量的末期方差分解如表5所示，除了创新成果自身的方差分解，研发经费、间接创新政策的比重较大，分别为8.91%、8.22%，直接创新政策的比重极小，只有0.15%。企业研发经费的方差分解中，除了自身外，创新成果所占比重最大。直接创新政策的方差分解中，除了自身外，研发经费所占比重最高，其次是间接创新政策，最后是创新成果。间接创新政策的方差分解中，除了自身外，其余所占比重均不大。

表5 方差分解

4 研究结论与政策建议

4.1 研究结论

(1)创新政策测度模型总体有效。本文把创新技术进步变量引入宏观知识生产函数，采用信息化作为创新技术进步的替代变量，剔除全要素生产率中的技术进步，此时全要素生产率就表示创新政策，然后用创新政策减去政府研发经费即直接创新政策，从而得到间接创新政策。实证研究表明，直接创新政策的弹性极小，根本不足以解释创新驱动发展取得的成绩，而间接创新政策弹性较大，效果比较显著，从另外一个角度也说明本文的创新测度方法是可靠的。

(2)间接创新政策的绩效超过直接创新政策。面板数据的研究结果表明，直接创新政策的弹性系数很小，而间接创新政策的弹性系数较大。在创新成果的脉冲响应函数中，来自间接创新政策正向冲击对创新成果的正向影响也远远超过直接创新政策。创新成果的方差分解中，间接创新政策所占比重也远远大于直接创新政策。虽然研究的模型不同，但是研究结论基本一致，充分说明间接创新政策大于直接创新政策的绩效。

(3)间接创新政策的弹性随着政策强度的提高而提升。间接创新政策对创新成果的弹性总体上呈现U形曲线，在U形曲线底端弹性系数最小。实际数据呈现两阶段门槛特征，即随着间接创新政策力度的提升，其对创新成果贡献的弹性系数也处在提高阶段，提高间接创新政策的支持水平更加有利于创新成果产出。目前高技术产业大多数地区还处在低创新政策区域，即U形曲线底端，还需进一步完善与提升间接创新政策。

(4)直接创新政策与间接创新政策协调水平有待提高。面板数据回归结果表明，直接创新政策与间接创新政策交互项的回归系数为负数并通过统计检验。脉冲响应函数的结果表明，直接创新政策的正向冲击对间接创新政策的影响为负数，也就是说，给企业直接的财政科技补贴反而会降低其他间接创新政策的效果，这是要注意的。间接创新政策的正向冲击对直接创新政策的影响也为负数，也就是说，完善的间接创新政策有利于降低政府的财政科技补贴，节省宝贵的政府科技资源，这是值得肯定的。

(5)创新政策对创新成果的影响存在阶段特征。脉冲响应函数的研究结果表明，直接创新政策的正向冲击对创新成果的影响当期为0，第1期为正值，随后缓慢下降为负值，而间接创新政策的正向冲击对创新成果的影响当期为0，随后稳步上升。说明创新政策对创新成果的影响具有阶段特征，在其影响后期间接创新政策的作用更加明显，而在其影响前期直接创新政策、间接创新政策均发挥正向影响作用，由此为了增加创新成果，发挥创新政策的最大效果，前期应更加重视直接创新政策与间接创新政策的相互协调，后期加大间接创新政策的力度。

(6)直接创新政策能更好地促进企业加大研发经费投入。研发经费的脉冲响应函数显示，直接创新政策的正向冲击对企业研发经费的影响为正，直接创新政策与企业研发经费是互补关系。而来自间接创新政策的冲击对企业研发经费的影响为负，说明应该出台更为有效的刺激企业加大研发经费的间接创新政策。

4.2 政策建议

(1)直接创新政策的绩效有待进一步提升。本文研究发现，直接创新政策的绩效低于间接创新政策，说明当前政府财政科技补贴的绩效不佳，深层次的原因是财政科技补贴的分配机制还需要进一步完善。第一，应该进一步优化财政科技补贴的分配方式，确保公平公正；第二，要注重财政科技补贴在不同行业、不同所有制、不同规模企业之间的均衡；第三，要注重财政科技补贴绩效的考核评估。

(2)重视分区施策，提升地区创新政策水平。间接创新政策的绩效要超过直接创新政策，并随着政策强度的提升而不断提高，由于经济发达地区创新水平较高，政策力度一般较强，往往其间接创新政策水平较高，政策效果总体较好；欠发达地区由于政策力度不强，相比间接创新政策，更加以直接创新政策为主。由此，国家层面应更重视分区施策，对于发达地区来说应加大简政放权力度，鼓励出台更多适合该地区的创新政策；对于欠发达地区来说应加大直接支持，从而有利于完善和提升间接创新政策绩效。

(3)提升直接与间接创新政策的协调水平。创新政策是个系统工程，单纯依靠提高财政科技补贴或者单纯依靠密集出台各类政策的效果都是有限的，一定要用好政策工具，从创新环境、创新激励、资金技术人才等全方位做好政策服务，不断提高直接与间接创新政策的协调水平。