异质性无形资本投资与生产率增长差异——基于跨国行业数据检验

于 诚 胡晓曼

一、引言

相较于有形资本，无形资本具有非实体性、知识性、技术性等典型特征(Nakamura，1999；Bond et al.，2000)，已逐渐成为新经济时代的基本动能(Corrado et al.，2005；胡鞍钢等，2016；郑世林和杨梦俊，2020)。从广义的经济学角度来看，诸如知识资本、研发支出、组织资本等活动，旨在增加未来消费支出且区别于厂房、设备等物质资本的投资，均可视为无形资本(Corrado et al.，2005；Peters & Taylor，2017)。世界知识产权组织针对制造业全球价值链的相关研究发现，品牌、设计、技术等无形资本在制成品价值中的贡献率超过30%。(1)世界知识产权组织发布的《2017年世界知识产权报告：全球价值链中的无形资本》。国外学者估算发现，欧美发达国家无形资本投资的增速在1990年之后远超有形资本，引致二者规模差距的不断缩小(Marrano et al.，2009；Corrado et al.，2009；Fukao et al.，2009；Corrado et al.，2021)，投资的“无形化”已成为全球经济增长中的一个重要趋势。

无形资本的组成具有一定的异质性，Corrado等(2005)在其开创性研究中将无形资本大致划分为三类，分别为计算机信息化资本、创新资本和提升经济竞争力资本，为后续无形资本分类测度和效应研究提供了范式框架——CHS框架(2)本文将这种计量无形资本的框架简称为“CHS 框架”，“CHS”为Corrado、Hulten和Sichel(2005)一文中三位作者名的首字母缩写。(见表1)。计算机信息化资本包括嵌入在计算机程序和数据库中的知识。提升经济竞争力资本指嵌入公司的特定人力、结构资源的品牌名称和其他知识的价值，包括广告、市场研发在内的特定人力资本和组织资本的支出。创新资本包括嵌入在专利、许可和通用技术中的科学知识，以及“商业版权、许可及设计中的创新和艺术内容”。关于中国的研究也验证了无形资本崛起的趋势。郑世林和杨梦俊(2020)发现，2000～2016年，中国无形资本投资规模快速攀升，其存量年均增长约23%，但从异质性视角观察，中国经济竞争力资本占无形资本比重远低于美国。

表1 CHS框架下无形资本的异质性分类

探寻无形资本投资对于国家、行业以及企业的生产率提升效应，已成为当前研究的热点。Corrado等(2005)认为，无形资本的投入使得美国1995～2002年的生产率比1973～1995年提高了1.25%。Edquist(2011)、Roth和Thum(2013)沿用CHS框架所做的研究，也支持了上述论断。Corrado等(2012)利用欧洲数据进行实证研究指出，无形资本投资为欧洲生产率提升贡献了75%。Hulten 和 Hao(2012)针对中国的研究也支持了上述论断，随着中国加大无形资本投入，其与发达国家的生产率水平正不断缩小。Rico等(2020)对于西班牙酒店企业的研究发现，在规模较小的酒店公司中，无形资本对于生产率的贡献弹性更高。无形资本的生产率效应也具有行业异质性(Chen et al.，2016；Nonnis et al.，2021)。金融业和制造业受无形资本的生产率影响效应更加明显，而这些无形资本密集型行业能够带来更多的创新(Chen et al.，2016)。Hosono等(2020)利用2000～2013年日本企业层面的面板数据研究表明，随着有形资本和无形资本之间的互补性越来越强，企业的有形投资与无形投资之间的正相关关系越来越强，有必要考虑有形资本和无形资本在互补性方面的动态关系，以准确理解企业增长的控制机制。

作为无形资本的重要组成部分，研发类无形资本投资对生产率的影响得到学者的广泛认可。研究者普遍指出：研发类无形资本投资不但是行业、企业乃至国家生产率提升的关键来源，同时，研发类无形资本投资还存在明显的溢出效应。Bengoa等(2017)强调，私人部门和公共部门的研发活动均会对生产率产生长期作用，并且公共研发投资的效果甚至高于私人的研发投资效果。尽管研发类无形资本投资对生产率的作用毋庸置疑，但现有的很多文献可能过度解读了研发在创新过程中的作用，事实上，创新不仅来自研发，也可能来自非研发活动(Lopez-Rodriguez & Martinez-Lopez，2017)。根据第三次欧盟创新调查，15个国家中几乎有一半的欧盟创新企业没有进行研发投资，而且发现自身创新能力微弱、缺乏受过高等教育的员工和专家的小型企业更有可能在没有进行研发投资的情况下进行创新，来自供应商和竞争者的原始信息使得企业更倾向于通过非研发活动进行创新。BRDIS(Business R&D and Innovation Survey)对美国120万家盈利性公司的调查数据显示，2011年只有5%的公司开展研发或资助研发活动，没有研发活动的公司约占95%(其创新率要低很多)。(3)National Science Foundation, National Center for Science and Engineering Statistics. Business R&D and Innovation: 2011. Detailed Statistical Tables NSF 15-307. Arlington, VA. 2014.

综上所述，现有文献对无形资本界定及其引致的生产率效应研究已较为完备，为后续研究提供了坚实的理论基础，但仍有值得深化的空间。无形资本具有一定的异质性，不仅包含研发类无形资本投资，也包含大量的计算机信息化资本、提升经济竞争力资本以及其他创新资本(非研发类无形资本投资)。值得注意的是，目前，针对无形资本投资中非研发类无形资本投资的生产率效应关注较少。从学术研究和政策实践角度看，研发类和非研发类无形资本投资对国家和行业生产率提升的影响均十分重要，都值得学者和政府当局重视。本文的创新点主要在于不仅重视了无形资本投资过程中研发类无形资本投资对生产率的影响，而且将非研发类无形资本投资作为单独变量列入考察范围，分析非研发类无形资本投资对生产率的影响及其在不同行业间的影响程度是否有所差别。通过国际经验的实证研究，以期为我国在创新驱动发展战略下有效引导无形资本投资提供事实依据和决策参考。

二、模型设定、变量选取与数据来源

(一)模型设定

根据传统的内生增长理论，研发投资行为被视为促进国家生产率增长的重要因素。本文核心假设是非研发类无形资本投资引起的创新动力也会对生产率增长产生显著影响，试图将非研发类无形资本投资作为单独变量列入方程。从宏观视角出发，一个国家或地区有很多企业，企业的研发类无形资本投资或者非研发类无形资本投资可以体现为国家或地区的产出提高，根据新古典主义生产理论：

Yi,t=Ai,tF(Li,t,Ki,t)

(1)

其中，i表示国家或地区，t表示时间，Y表示总产出，L和K分别表示劳动力和资本这两个因素。A表示技术进步下的生产率函数，通常被认为是TFP，而过去认为TFP主要依赖于研发的投资水平(Aghion & Howitt，2006)，本文将非研发资本作为驱动TFP增长的另外一个重要原因，因此，认定研发类无形资本和非研发类无形资本投资都是驱动TFP的重要因素，即：

Ai,t=φ(rdi,t,nonrdi,t)

(2)

根据前文理论模型，一国生产率增长将受到异质性无形资本投资(研发类和非研发类无形资本投资)的共同影响，故将模型设定为：

TFPi,t=α+β1rdi,t+β2nonrdi,t+γ1Di+εi,t

(3)

其中，i表示国家或地区，t表示时间，TFPi,t表示各国在t时刻的TFP增长率，rd与nonrd分别表示各国的研发类和非研发类无形资本投资增长率(以对数差分形式获得)。加入国家固定效应Di，用来控制可能会独立影响TFP增长率的个体因素，以使回归结果更加稳健。εi,t表示残差项。

Mcmorrow等(2009)诠释了全要素生产率提升的技术势能因素，认为TFP存在国家间溢出效应，技术落后国家能够利用与技术前沿国家的技术势能落差，提升本国的TFP。因此，本文将国家的TFP增长率(TFPL,t)和各国与前沿国家的技术差异(dTFPi,t-1)纳入计量模型。同时考虑到无论是自主创新还是模仿创新，最终都需要研发人员去具体实现，需要充足的人力资本积累，人力资本主要体现在研发人员数量和研发人员综合素质，故将人力资本(humani,t)也纳入模型中，形成如下模型：

TFPi,t=α+β1rdi,t+β2nonrdi,t+β3humani,t+β4TFPL,t+β5dTFPi,t-1+γ1Di+εi,t

(4)

结合本文的研究主旨，需针对不同国家具体行业进行分析，探讨各个行业的研发类和非研发类无形资本投资分别对TFP增速的影响，并对比分析这种影响的行业间差异。最终本文建立如下的三维面板数据模型：

TFPi,j,t=α+β1rdi,j,t+β2nonrdi,j,t+β3humani,t+β4TFPL,j,t+β5dTFPi,j,t-1+γ1Di+γ2Dj+εi,j,t

(5)

上式下标中i,j,t分别代表国家、行业、时间。Di表示国家效应，Dj表示行业效应。本文采用动态面板进行回归，并以被解释变量的滞后一期作为解释变量。

(二)变量及数据来源

1.被解释变量

全要素生产率TFP。本文使用TFP的变化率作为被解释变量，TFP是指生产活动在一定时间内的效率，是用来衡量生产效率的指标。其主要有三个来源：一是效率的改善；二是技术进步；三是规模效应。大量文献使用TFP的增长来衡量企业创新与技术进步，本文考察研发类和非研发类无形资本投资对TFP增长的影响，实质上是在研究如何通过调整研发类和非研发类无形资本投资提高企业的创新能力，从而表现为国家创新力的增长。TFP的原始数据来源于EU KLMES数据库，取对数差分形式作为TFP的增长率，记为TFPi,j,t。EU KLMES数据库提供了欧盟27个成员国整体和19个行业的生产率测度数据。

2.解释变量

(1)研发类和非研发类无形资本投资的增长率。本文的核心解释变量为研发类和非研发类无形资本投资的增长率，研发的概念较为清晰，主要是指通过科学研发(R&D)投资实现的知识创造过程。该指标在CHS框架下创新资本栏中有单独的统计，并见于intan-invest数据库。(4)intan-invest数据库提供了国际上很多国家无形资本总量及异质性分类口径下规模，具体见网址http: // www. intan-invest. net /。非研发类无形资本投资的数据则用无形资本总额减去研发类无形资本投资的数值得到，无形资本的数据也来源于intan-invest数据库，这里使用对数差分形式作为研发类和非研发类无形资本投资的增长率，分别记为rdi,j,t与nonrdi,j,t。选取欧洲10国作为研究对象，可以发现1999～2017年，非研发类无形资本投资平均增速高于研发类无形资本投资0.671个百分点(见表2)。

表2 欧洲10国无形资本投资情况

(2)技术差异与前沿国家的TFP增长率。TFPL,j,t表示前沿国家不同行业的TFP增长率，dTFPi,j,t表示分行业领域各国与技术前沿国家的技术差异。参照Mcmorrow等(2009)中的测算，令dTFPi,j,t=log(TFPi,j,t)-log(TFPL,j,t)，这一指标显示各国通过采用最新技术可以使TFP增长率增加的空间。

(3)人力资本。教育程度的高低也决定了人力资本的多寡，因此，教育指标法成为衡量人力资本水平的主流工具，常见的思路是统计学校入学率。本文利用世界银行WDI数据库提供的中学入学率来近似衡量各国人力资本数，标记为humani,t。

本文使用欧洲10国及相关行业层面的面板数据，时间跨度为1999～2017年，行业涉及农业、采矿业、制造业、公共事业、建筑业、贸易业和金融业。各国分行业异质性无形资本投资数据来自intan-invest数据库，TFP数据搜寻于EU KLEMS数据库，其他变量数据来自WDI数据库。主要变量及其说明如表3所示。

表3 主要变量及其说明

续表

三、实证结果及分析

(一)跨国行业层面回归

在跨国行业层面的回归分析中采用系统广义矩估计(系统GMM)，该方法将内生变量的滞后性作为工具变量，能够较为有效地避免估计时变量间的内生性问题，被广泛采用。与差分GMM相比，系统GMM同时估计了水平项和趋势项，利用了更多的样本信息，相对来说更加有效。表4列出了异质性无形资本投资生产率效应的跨国分行业回归结果，其中，各方程的AR(2)统计量均大于0.1，说明通过了10%水平上的显著性检验，扰动项不存在二阶自相关，拒绝“扰动项无自相关”的靶假设。同时，Sargan统计量均在10%的水平上显著，表明无法拒绝“所有工具变量均有效”，进而证明模型中所选取的工具变量是可靠的。

表4中列(8)为跨国全行业样本角度下异质性无形资本投资的生产率效应测算结果。为了消除因加入技术前沿国家TFP增速而带来的自相关性，本文首先剔除了技术前沿国家的情形。在加入国家固定效应后，结果显示，rdi,j,t的系数为0.0248，且在10%的统计水平上显著为正，说明一国的研发类无形资本投资增速每增加1%，将会促进本国的TFP增速提高0.0248%。nonrdi,j,t也在1%的水平上显著为正，说明一国非研发类无形资本投资增速每增加1%，将会促进其TFP增速提高0.0114%。rdi,j,t与nonrdi,j,t显著为正的系数值表明，无形资本投资对一国TFP的提高有着显著的促进作用。随后加入了控制变量，rdi,j,t与nonrdi,j,t的系数符号和显著性均未发生明显偏转。两种类型的无形资本投资的生产率效应积极有效，因此，在创新过程中均需要得到充分重视，该结果也与Borgo等(2013)的研究结论一致。反映技术前沿国家TFP增速的变量TFPL,j,t，系数也在10%的水平上显著为正，表明技术前沿国家所产生的技术进步行为和成果，能够对其他国家产生显著的溢出效应。反映技术差异的变量L.dTFPi,j,t在1%的水平上显著为负，即当两国技术差异每扩大1个百分点时，将会使得落后国家的TFP增速增加0.108个百分点。可以利用经济收敛理论对该结果加以解释。当一国处于经济稳态边缘时，通过与技术前沿国家的交流能够更容易激发其利用自身研发和非研发行为来获取技术势能，实现TFP的快速增长。humani,t在1%的水平上显著为正。

针对具体行业进行异质性无形资本投资的生产率效应分析，结果如表4列(1)至列(7)所示。从研发类无形资本投资来看，在加入控制变量后，rdi,j,t对于制造业TFP的影响系数显著为正，达到0.303，且为各行业中最大系数。一方面，这表明研发类无形资本投资对于制造业TFP的提升作用最为明显；另一方面，也验证了研发类无形资本投资的生产率效应存在行业间差异。同时要说明的是由于intan-invest数据库中将金融业的研发类无形资本投资额列为0，故本文在回归中并未得到列(7)中金融业的rdi,j,t的系数值。nonrdi,j,t的系数在制造业中并不显著，而在诸如公共事业、贸易业、金融业等服务性行业中的系数较大，表明针对轻资产行业的非研发类无形资本投资表现出较好的生产率提升效应。

(二)行业间溢出效应分析

以上基于单行业的角度探讨了研发类和非研发类无形资本投资对本行业TFP水平的影响，但相关异质性无形资本投资对于TFP的增长是否存在着行业间的溢出效应，仍然值得进一步探讨。为此设定模型如下：

TFPi,j,t=α+β1rdi,j,t+β2nonrdi,j,t+β3otherdi,j,t+β4othernonrdi,j,t+β5humani,t

+β6TFPL,j,t+β7dTFPi,j,t-1+γ1Di+γ2Dj+εi,j,t

(6)

其中，变量otherdi,j,t与othernonrdi,j,t为具体分析的一个行业之外的其他全部行业研发类和非研发类无形资本投资变化情况，变量系数则反映出异质性无形资本的行业间溢出效应程度和方向。其他变量含义不变，回归结果如表5所示。

表5 行业间溢出效应回归结果

在全部行业样本数据回归中，otherdi,j,t在1%的水平上显著为正，达到0.0103，表明通过其他行业的研发资本积累，可以产生正向溢出效应，优化整个经济体的研发要素质量，有助于本行业全要素生产率的提升。涉及具体行业分析的回归结果中，可以发现，otherdi,j,t在大多数行业的回归系数显著为正，在制造业、建筑业和金融业尤为明显，说明这些行业受到其他行业的研发类无形资产投资溢出效应较为明显。othernonrdi,j,t系数虽然在公共事业与建筑业中显著为正，但其在大多数行业以及全样本中并不显著，说明整体来看非研发类无形资本投资的外溢效应并不明显。究其原因，非研发类无形资本中，经济竞争力资本往往具有较强的资产专用性和排他性(许祥云等，2018)，涉及大量的“默会知识”，不易于行业间交流传递，因此，行业间溢出效应并不明显，难以跨行业转化为生产率。

四、拓展分析

(一)技术差距影响无形资本投资的TFP提升效应吗

Aghion和Howitt(2006)认为，全要素生产率的增长一是取决于创新的速度，二是取决于“最先进”技术的传播与被采用的速度，且技术前沿国家的TFP增速主要依赖于最新技术的发展，而“跟随者”国家则主要通过采用已有的技术。但哪一种情形中的TFP增速更加明显，这在现有文献中鲜有讨论，本文通过分别引入rd、nonrd与dTFPi,j,t的交互项，验证各国与前沿国家的技术差距是否会对研发类和非研发类无形资本投资与TFP的关系产生影响。为此本文设定如下模型：

TFPi,j,t=α+β1rdi,j,t+β2nonrdi,j,t+β3humani,t+β4TFPL,j,t+β5dTFPi,j,t-1

+β6(rdi,j,t×dTFPi,j,t)+β7(nonrdi,j,t×dTFPi,j,t)+γ1Di+γ2Dj+εi,j,t

(7)

其中，rdi,j,t×dTFPi,j,t以及nonrdi,j,t×dTFPi,j,t分别表示研发类和非研发类无形资本投资增速与技术差距之间的交互项，其他变量含义不变，回归结果如表6所示。

表6 加入投资增速与技术差距交互项的回归结果

续表

全样本回归中，rd×dTFP的系数在5%的水平上显著为负，这说明研发类无形资本投资增速对行业TFP增速的影响确实受到了各国技术差距的影响，且当一国距离前沿国家技术差距越大时，1单位的研发类无形资本投资将带来更多TFP增速的增长。nonrd×dTFP的系数与rd×dTFP类似，在10%的水平上显著为负，说明当本行业处于技术越落后的阶段，非研发类无形资本投资增速将会对行业TFP增速产生越大的作用。

(二)无形资本投资生产率效应增强了吗

以上都是基于1999～2017年间数据进行的研究，但也有学者研究发现，随着科技水平的进步，研发类和非研发类无形资本投资对于TFP似乎发挥越来越重要的作用。在这部分研究中以2008年作为一个时间节点，考虑引进虚拟变量，探讨全球金融危机以来研发类和非研发类无形资本投资的作用差异，为此本文设定如下模型：

TFPi,j,t=α+β1rdi,j,t+θ1(I×rdi,j,t)+β2nonrdi,j,t+θ2(I×nonrdi,j,t)+β3humani,t

+β4TFPL,j,t+β5dTFPi,j,t-1+γ1Di+γ2Dj+γ3Dt+εi,j,t

(8)

表7 特定时间前后模型回归结果

在分别对以上两个变量加入虚拟变量之后，I×rdi,j,t与I×nonrdi,j,t的系数在全样本以及大多数行业中也是显著为正，这说明研发类和非研发类无形资本投资对TFP的促进作用确实具有时间变动趋势，且也说明全球金融危机以来，研发类和非研发类无形资本投资对于TFP的促进作用变得更加明显。

五、结论与启示

前文基于CHS框架，将无形资本分为研发和非研发两类，并利用1999～2017年欧洲10国7个行业的面板数据，实证检验了异质性无形资本投资的生产率效应，主要形成了以下几点结论。一是在异质性无形资本投资过程中，不仅研发类无形资本投资能促进一国的TFP增加，非研发类无形资本投资也对一国的TFP增加有显著的正向作用，并且这种趋势在2008年全球金融危机后得到加强。二是涉及具体行业时，不同行业的研发类和非研发类无形资本投资的生产率效应作用有所差异。其中，研发类无形资本投资对制造业生产率增长的影响程度较高，非研发类无形资本投资对贸易业、金融业、公共事业的影响程度较大，表明服务性行业的技术进步更多地依赖于非研发类无形资本投资。三是研发类无形资本投资对其他行业生产率提升存在溢出效应，但受专用性和排他性的影响，非研发类无形资本投资整体上不存在行业间溢出效应。四是研发类和非研发类无形资本投资增速对行业TFP增速的影响都受到了各国技术差距的影响，且当一国距离前沿国家技术差距越大时，1单位的研发类和非研发类无形资本投资将带来更多TFP增速的增长，同时，技术差距影响非研发类无形资本投资的生产率效应在服务业表现最为明显。

本文针对跨国行业数据的经验分析对当前中国实施创新驱动发展战略也具有重要的启示。第一，高度重视无形资本生产率效应，持续加大无形资本投入。改革开放以来，中国凭借人口红利及其他初级要素优势，虹吸大量国际直接投资进而克服了资本缺口和边际收益递减的困境，奠定了“世界工厂”地位 。然而，当前以资本和要素规模投入为主要动力来源的中国经济增长正面临着不可持续性的挑战，全球价值链附加值含量不高的弱点进一步暴露，这些挑战不仅来自现实中资源“瓶颈”的约束，更来自内外部经济结构失衡和引擎转换的紧迫性。为实现技术进步和全球价值链攀升，必须坚持创新驱动发展，要通过加大无形资本投入，稳固创新核心动力源。第二，结合行业特征，调整无形资本投入结构。在着重发挥研发类无形资本投资作用的同时，不能忽视了非研发类无形资本投资表现出来的生产率促进作用。针对制造业，不仅需要继续加大对企业研发投入的支持力度，完善以研发费用加计扣除为主的税收优惠政策，也要鼓励企业积极开展创新合作，构建完备的创新生态，进而为制造强国建设提供不竭动力。第三，深入推进对外开放，积极吸收利用发达国家的无形资本。一方面，要充分利用与先进国家服务业的技术势能落差，实施有足够吸引力的举措，吸引更多跨国公司在我国设立全球或地区总部，以及研发中心、营销中心、结算中心等功能性机构，壮大国内无形资本总量。另一方面，积极鼓励我国企业“走出去”，通过设立跨界研发中心、全球孵化基地、海外创业联络服务站等载体，引导企业在海外就地吸纳无形资本，进一步提升创新的国际化水平。同时，中国政府及有关部门应该围绕数字经济、高端服务业、人才流动等重点领域，推动更高水平自由贸易协定或投资协定签署，如努力推进《中欧全面投资协定》(CAI)的早日批准和运作，尽快加入《全面与进步跨太平洋伙伴关系协定》(CPTPP)，通过对标高标准经贸规则加强无形资本的跨境流动。