政府研发资金补贴对医药制造业创新产出的影响

2022-07-11张学凤李敬然

中国药业 2022年13期

张学凤，李敬然，梁会，邢花

（沈阳药科大学工商管理学院，辽宁沈阳 110016）

近年来，我国医药制造业已发展为兼顾社会效益和经济效益的高技术知识密集型产业［1］。为支持医药制造业健康、有序发展，并不断提升自主创新能力水平，政府除在政策方面予以倾斜外，还投入大量研发资金补贴。据统计，我国医药制造业科技活动经费中，政府研发资金投入由1995 年的2 703.0 万元增至2015 年的208 934.4 万元，占政府向高技术产业科技活动经费筹集总额的比例由2.3%上升至9.9%。但对于政府研发资金补贴将如何影响企业创新产出尚未得出一致结论。熊凯军［2］研究中国制造业上市公司2007 年至2018年专利数据后得出结论，政府对企业的资金补助与企业的创新产出呈正相关。颜晓畅［3］研究各省规模以上工业企业2008 年至2016 年的数据时证明，政府资金补贴对企业创新产出有促进作用。李磊［4］对2009 年至2016年沪深新能源汽车行业上市公司的研究证明，政府资金补贴与行业技术创新产出呈正相关。但也有学者得出不同的结论。张卿等［5］研究政府资金补贴与企业自身研发经费投入及企业创新产出之间的关系后得出结论，政府给予企业研发活动的资金对企业技术创新效率造成了负面影响，可能与政府与企业之间存在信息不对称有关。另有学者认为，政府研发资金补贴对企业创新产出的影响并不呈线性关系。周京奎等［6］通过1998年至2007年中国大型工业公司相关数据研究政府科研补助对企业技术创新的影响认为，政府经费补贴和企业创新绩效之间有显著“倒U 型”关系。王文煜等［7］研究2008 年至2013年中国上市公司的数据后发现，政府研发资金补贴与企业研发投资和研发产出之间存在“倒U型”关系，表明只有适度的研发资金补贴才能产生最有效的创新激励效果。可见，政府研发资金补贴对企业创新绩效产出影响的研究多集中于新兴产业和高技术产业，且研究结论不一致，而针对医药制造业的相关研究较少。本研究中通过分析政府研发资金补贴与医药制造业创新产出之间的关系，构建模型探讨了政府研发资金补贴对我国医药制造业创新产出的影响，为政府制订更有效的资金支持政策提供参考。现报道如下。

1 资料与方法

1.1 模型设定

Griliehes 于1980 年就对研发投入因素如何影响生产率建立模型进行了研究。模型中将企业研发投入、新技术投入和政府研发补助作为解释变量，研究这3个因素对企业生产率的影响［8］。原始模型见公式（1）。

其中，Y为生产率；R1为企业研发投入经费；R2为政府对企业研发的补助；R3为新技术投入。

本研究中主要探讨我国政府研发资金补贴对医药制造业创新产出的影响，故将政府对企业的补助作为重要自变量，企业自身投入的研发资金和人员作为控制变量，结合柯布道格拉斯生产函数表达式，设立研究模型，见公式（2）。

其中，Y为企业创新产出能力；K为资本投入，其中Kg为政府对企业的研发补贴资金，Ke为企业研发投入；L为人力资本投入；常数C 为系统内影响创新产出的其他确定性因素。

公式（2）两边取对数，得到研究模型，见公式（3）。

1.2 资料来源

专利常作为研究创新和技术进步的指标［9］，故本研究中用医药制造业专利申请量（件）衡量企业创新产出。模型（3）中的专利申请数（件）、政府研发资金补贴（万元）、企业研发资金（万元）、研发人员（人）数据出自2010 年至2020 年的《中国高技术产业统计年鉴》。由于该年鉴2018 年未出版，经绘制2009 年至2016 年上述变量各自的散点图发现，数据变化具有一定趋势性，故可使用Trend 函数预测2017 年各指标数值来填补缺失值，以保证数据的完整性。对涉及资金的变量用消费者价格指数平减（1978 = 100），消除价格因素的影响［10］。因西藏、云南、青海的关键数据缺失，故本研究中采用Stata 13.0软件对其余28个省（自治区、直辖市）的相关数据进行回归分析。

1.3 研究方法

面板数据的一种极端估计策略为混合回归，即假设个体之间无差异，回归方程完全相同。混合回归忽略了个体间的异质性，该异质性可能与解释变量相关，导致估计结果不一致。实践中常用估计策略是个体效应模型，即假定个体回归方程斜率相同、截距不同以捕捉异质性。若扰动项与某个解释变量相关，则为固定效应模型；若扰动项与所有解释变量不相关，则为随机效应模型。本研究中将混合回归结果作为参考值，通过拉格朗日乘子检验判断混合回归和随机效应模型的优劣；通过豪斯曼检验判断固定效应模型和随机效应模型的优劣，通过比较确定最佳研究模型，并对固定效应模型进一步采用最小二乘虚拟变量法，证明个体固定效应的存在；并通过对各省（自治区、直辖市）时间序列数据进行普通最小二乘估计，分别得出政府研发资金补贴的投入对创新产出的影响。研究思路见图1。

图1 研究思路Fig.1 Research flow chart

2 实证分析

2.1 自变量相关性检验

多重共线性即本应独立的变量之间存在非常高的相关度。模型中出现严重的多重共线性而不采取措施干预，可能导致回归结果与预期不一致，而变量相关性检验能检验变量之间的相关性及相关程度，故在研究前需先进行变量相关性检验。自变量相关系数见表1。可见，lnL和lnKg与lnKe的相关系数分别为0.86 和0.97，lnKe和lnKg的相关系数为0.88，均大于0.85，说明三者间存在共线性，且共线性程度较高。

表1 自变量相关系数Tab.1 Correlational coefficients of independent variables

通过方差膨胀因子（VIF）进一步判断变量相关的程度，VIF 值越大表明共线性越严重，当VIF ＞10 则可认为共线性较强。自变量方差膨胀因子见表2。

表2 自变量方差膨胀因子Tab.2 Variance inflation factors of independent variables

可见，lnKe和lnL的VIF 值均大于10，故多重共线性问题严重，可能会使回归结果与实际相悖，则必须处理。参考文献［11］，将lnKe和lnL从模型中剔除。修正后的研究模型见公式（4）。

2.2 描述性统计分析

对变量先进行简要的描述性统计分析，结果见表3。可见，lnKg与lnY样本值均为308，无缺失值。lnY的最大值和最小值之间差距较大，证明专利产出具有明显的地域差异性；lnKg的最大值和最小值之间差距也较大，标准差为1.28，说明大部分的数值和其平均值之间差异较大。因此，判定各省（自治区、直辖市）政府研发资金补贴金额差异较大。

表3 变量描述性统计分析Tab.3 Descriptive statistical analysis of variables

2.3 混合回归分析

作为参照，先进行混合回归分析。混合回归是将面板数据混合在一起视为截面数据，对数据进行普通最小二乘估计。混合回归分析结果见表4。可见，lnKg系数符号为正，说明投入政府研发资金补贴会促进企业专利数量的产出，与经济理论相符；lnKg的系数估计值为0.800，P值为0.000，说明其在1%水平上具有显著差异；混合回归R2值为0.65，说明模型的解释力度可以接受；模型的F值为185.93，P值为0.000，说明模型整体有显著差异。

表4 混合回归分析结果Tab.4 Results of the pooled regression analysis

2.4 固定效应模型回归分析

由于不能确定面板数据模型的不可观测成分是否与解释变量相关，故对数据分别进行固定效应模型和随机效应模型回归分析，通过豪斯曼检验判断应使用固定效应模型还是随机效应模型。固定效应模型回归分析结果见表5。rho 表示个体误差在全体误差中所占的比例，表5中rho值为0.68，说明个体误差较好地解释了复合扰动项的方差变动。lnKg的P值为0.000，说明政府研发资金补贴与医药制造业专利产出有显著关系。由于政府研发资金补贴占企业总研发投入的平均比重为6.50%，对专利产出的促进作用不会很明显，即系数并不会很大，故lnKg的系数由0.800（混合回归分析结果）下降为0.382，估计结果更合理。

表5 固定效应模型回归分析结果Tab.5 Results of the fixed effects model regression analysis

2.5 最小二乘虚拟变量法

通过最小二乘虚拟变量法可知，多数省（自治区、直辖市）的虚拟变量系数在5%水平上显著，故拒绝“所有个体虚拟变量系数都为0”的假设，即认为存在个体固定效应。

2.6 随机效应模型回归分析

随机效应模型回归分析进一步检验个体效应是否以随机效应的形式存在，结果见表6。可见，rho 值为0.45，小于固定效应模型的0.68，说明固定效应模型的解释力度更好。

表6 随机效应模型回归分析结果Tab.6 Results of the random effects model regression analysis

2.7 拉格朗日乘子检验

拉格朗日乘子检验用于判断混合回归和随机效应模型如何选择，结果见表7。可见，检验P值为0.000，故强烈拒绝“不存在个体随机效应”的原假设，认为存在个体随机效应，不能选择混合回归。

表7 拉格朗日乘子检验结果Tab.7 Results of the LM test

2.8 豪斯曼检验

通过豪斯曼检验判断应使用固定效应模型还是随机效应模型，以lnKg为变量，系数（b）FE，（B）RE，（b-B）Difference，sqrtIdiang（V _ b - V _ B）］Difference 分别为0.382，0.534，- 0.150，0.030，P值为0，故拒绝“H0：截距项与解释变量不相关”的原假设，认为应使用固定效应模型，由此可得到政府研发资金补贴对我国医药制造业创新产出影响的线性回归方程lnY= 5.404 +0.382 lnKg。

2.9 普通最小二乘回归

利用各省（自治区、直辖市）的时间序列数据对模型（4）进行普通最小二乘估计，得出政府研发资金补贴的投入对各省（自治区、直辖市）创新产出的影响。结果见表8。可见，天津、山西、内蒙古、黑龙江等15 个省（自治区、直辖市）的系数不显著（P＞0.05），无法根据其系数判断政府研发资金补贴对创新产出的影响；北京、河北、辽宁、吉林等13 个省（自治区、直辖市）政府研发资金补贴与其创新产出的关系显著（P＜0.05），甘肃省和新疆维吾尔自治区的创新产出弹性系数均为负值，北京、河北、山东、广东等11个省（自治区、直辖市）的创新产出弹性系数均为正值。

表8 政府研发资金补贴对各省（自治区、直辖市）创新产出影响的回归结果Tab.8 Regression results of the impact of government R & D subsidy on innovation output in each province（autonomous region and municipality）

3 讨论

3.1 政府研发资金补贴对企业创新产出的影响

本研究中基于2010 年至2020 年《中国高技术产业统计年鉴》医药制造业各省份政府研发资金补贴和专利申请量等面板数据，运用面板数据的分析方法，系统研究了我国医药制造业政府研发资金补贴对企业创新产出的影响。

1）我国政府研发资金补贴对提高医药制造业的创新产出具有显著影响。通过混合回归、固定效应模型、随机效应模型的分析，并结合最小二乘虚拟变量法检验证明个体异质性的存在，根据拉格朗日乘子检验和豪斯曼检验最终得出本研究最恰当的模型为固定效应模型。利用该模型分析可知，政府对医药制造业的研发资金补贴每增加1%，企业的专利申请量增加0.382%，且系数在1%水平上显著。

2）我国政府研发资金补贴对经济水平较发达和研发能力较强的省份创新产出的影响系数总体上显著大于经济水平较不发达和研发能力较薄弱的省份。通过各省份时间序列数据的普通最小二乘回归结果可判断各省份系数的差异，江苏、天津、四川、湖南、安徽、山东、浙江、广东等经济水平相对较发达省份的系数均在0.7 以上，即这些省份的政府对医药制造业的研发资金补贴每增加1%，其专利量会增加0.7%以上，创新效率水平较高；而相比之下，广西、山西、内蒙古、宁夏、甘肃、新疆等经济发展水平较不发达省份的系数均为负值，说明其政府对医药制造业的研发资金投入并不能有效促进医药制造业创新产出的增加。

3.2 建议

1）持续加大对医药制造业的研发资金补贴投入，激励医药制造业不断提升创新能力。鉴于政府研发资金补贴对医药制造业创新产出具有促进作用，应大力支持实施政府研发资金补贴政策。医药制造业同其他高技术产业一样，其研发活动需要持续、大量地投入资金、人力、物力，且研发产出结果具有不确定性，研发过程一旦失败，会给企业造成巨大的经济损失，一定程度上制约着医药制造业主动开展创新活动的积极性。然而，政府研发资金的资助可以分担企业创新活动的部分风险，也能在一定程度上促进企业创新决策的优化［12］。在政府资金的支持下，企业积极投身研发创新活动，将有利于不断提升我国医药制造业的创新能力，促进行业健康、可持续发展。

2）调整资源分配方式，促进创新效率提升，使有限的资源产出利益最大化。政府应当注重区域资源和资金的有效流动和合理配置［13］，对经济欠发达地区给予一定程度的资金支持和政策倾斜［14］，在技术方面提供必要的支持，对经济较发达地区保持政府研发资金补贴的持续投入。对于经济较不发达的省份，政府研发资金补贴对企业创新产出的激励效果并不理想，究其原因在于经济发展水平限制了技术创新水平，故在区域创新发展战略的实施过程中，政府要加强各省（自治区、直辖市）的经济交流活动［15］，通过区域间的合作共享，促进协同发展，对解决目前发展不平衡的问题具有重要意义。