基于非线性STR模型的要素投入与技术创新关系的实证研究

摘要：基于1995～2010年我国高技术产业面板数据，采用非线性STR模型，对要素投入与技术创新之间的关系进行实证研究。研究发现：要素投入与技术创新之间存在非线性关系；在不同的区位条件下，各要素投入对技术创新的作用发生了显著变化；以对外开放程度为转换变量的模型最为准确地反映了要素投入与技术创新之间的非线性关系。

关键词：要素投入；技术创新；高技术产业；STR模型

中图分类号：F062.9；F224文献标识码：A文章编号：1001-8409（2013）09-0007-06

1引言

就企业层面而言，技术创新不仅可以增加新产品的销售额，提高企业市场占有率，而且可以增加产品的技术含量，帮助企业开辟新的市场。就产业层面而言，技术创新有利于发展战略性新兴产业，促进传统产业优化升级，有助于调整产业布局，完善产业链，提升产业核心竞争力。就国家层面而言，技术创新是国家经济的重要保障，是国家核心竞争力的重要影响因素，是各经济强国抢占未来经济发展主动权和制高点的主攻方向。而技术创新的关键在于要素投入，技术创新的过程中需要投入大量的科研人员与科研经费。2010年全国科技经费投入统计公报数据显示：我国2010年R&D经费投入70626亿元，全国R&D经费投入强度为176%，远低于发达国家水平；各地区间R&D经费投入强度差异较大，北京最高为582%，研究发展活动已处于高级阶段，新疆最低仅为049%，还处于低级阶段。专业技术人才缺乏、R&D资金投入不足严重地制约着我国技术创新的步伐。因此，在资源有限的情况下，如何科学有效地配置资源、提高技术创新能力，研究要素投入与技术创新之间的关系具有十分重要的现实意义。

在知识经济背景下，高技术产业已发展成为我国战略性支柱产业，是我国经济增长的主要推动器，帮助加快经济结构调整，增加国家核心竞争力，对于我国社会经济发展意义重大。高技术产业又是技术密集型产业，其产品的整个生产周期都与技术创新密切相关，高技术产业要取得突破性成果必须依靠技术创新。同时，高技术产业的发展又离不开要素投入，在产品研制到产品投入市场的过程中需要大量科研人员的参与和大量科研经费的投入，因此，以高技术产业为研究对象研究要素投入与技术创新的关系具有代表性。

2文献回顾

自熊彼特在《经济发展理论》中提出技术创新理论以来，有关技术创新的报道和学术研究成果充斥着各种媒体和期刊杂志。按照研究层次的不同，国外针对要素投入与技术创新关系的研究可分为以下三类：第一类从微观层面研究要素投入与企业技术创新关系[1～3]；第二类从中观层面研究要素投入与产业技术创新关系[4，5]；第三类从宏观层面研究要素投入、技术创新与经济增长三者之间关系[6～8]。国内学者对技术创新的研究也已经涵盖到国民经济的各个领域，但是对要素投入与技术创新关系的研究相对较少。任翔以天津市为研究对象，考察要素投入对技术创新成果的影响，用两种不同的方法得到人力投入与经费投入对技术创新能力的影响权重[9]。近期研究成果主要围绕R&D投入与企业技术创新之间的关系进行研究，安同良等考察政府对企业R&D活动进行补贴是否对企业技术创新具有激励效应，研究结果表明在信息不对称时，政府R&D补贴不仅不能激励企业技术创新，还会出现企业逆向选择的现象[10]。白俊红等同样考察政府补贴对企业技术创新的影响却得到截然相反的结论，指出政府R&D补贴对企业技术创新有正向影响[11]。詹宇波以内资企业为研究对象，分析R&D投入对技术创新的影响，结果表明内资企业R&D投入通过创新能力和吸收能力达到提高技术创新能力的效果[12]。张杰等以我国2001～2007年间工业企业为研究样本，研究要素市场扭曲是否会影响企业技术创新投入[13]。

综上所述，国内针对要素投入与技术创新关系的研究侧重于R&D投入与技术创新关系，特别是政府R&D补贴投入对企业技术创新的作用大多没有考虑到劳动投入的影响，缺乏对要素投入与技术创新关系全面、系统性的研究，研究深度也还有待进一步挖掘。目前所使用的方法也局限于采用线性模型进行研究，而线性模型将复杂问题过于质点化、简单化，导致线性模型在解释一些经济现象时得出的结论与现实偏离较远，甚至完全相反。基于以上不足，本文采用非线性平滑转换回归模型考察要素投入与技术创新之间的关系。

3平滑转换模型

非线性平滑转换回归模型（STR模型）由诺贝尔经济学奖得主Granger和瑞典统计学家Terasvirta于1993年提出，是Quandt（1958）提出的转换回归模型的进一步延伸。STR模型克服了传统的转换回归模型固有的缺点，逐渐成为国内外学者追逐的焦点，特别是在汇率研究和商业周期研究中应用十分广泛，实践也证明它确实能够很好地解释复杂经济现象。要素投入与技术创新之间的关系复杂，并不是简单的线性模型所能解释的，因此本文探索性地使用非线性STR模型对要素投入与技术创新关系进行研究。

标准的STR模型定义如下：

模型中，yit为被解释变量；zit=（w′it，x′it）'为解释变量，w′it=（1，yit-1，…yit-p）′，yit-p为被解释变量yit的p阶滞后项，x′t=（x1t，…，xkt）′，x′t为外生变量；=（0，1，…，m）′，θ=（θ0，θ1，…θm）′是（（m+1）×1）阶参数矩阵；εit为残差项，假设εit～iid（0，δ2）；sit为转换变量，通常有三种选择方式，分别以yit-p，xkt和时间变量t充当；G（γ，c，sit）是转换变量sit的有界函数，对于任意sit的值均连续，取值介于0和1之间；γ是斜率参数，决定转换速度的大小；c=（c1，…cK）′，c1≤…≤cK是位置参数向量。常用的转换函数有逻辑函数和指数函数，文中采用最一般的逻辑函数，形式如下：

通常地，取K=1或K=2。当K=1时，函数+θG（γ，c，sit）随着转换变量sit的变化由增加到+θ，研究的模型在高低两种体制和+θ之间平滑转换；当γ∞且sit≠ck时，limγ∞-γ（sit-ck）=∞，模型转变为PTR模型。当K=2时，转换函数有两个位置参数，形如G（γ，c1，c2，sit），关于（c1+c2）/2对称，且在该点达到最小值，最小值范围在0到12之间。当γ∞时，最小值为0；当γ

应用STR模型解决问题首先需对模型的非线性性进行检验，但由于模型中含有未知参数γ和c，不能直接检验模型的非线性性。本文参照Gonzalez等[14]的做法，选取原假设H0：γ=0，在γ=0处将逻辑函数G（γ，c，sit）进行一阶泰勒展开，如下所示：

将式（3）带入式（1），重新参数化后得到辅助回归方程如下：

在辅助回归方程中检验假设H*0：β1=β1=…=βm=0。然后用线性固定效应模型的残差平方和SSR0与辅助回归方程的残差平方和SSR1构造服从χ2分布的统计量LM=TN（SSR0-SSR1）SSR0，对假设H*0进行检验，如果拒绝原假设表示具有非线性性，可以考虑估计一个STR模型。常用的估计STR模型参数的方法是结合使用固定效应模型组内回归和非线性最小二乘法。估计斜率系数γ和未知参数c通常采用模拟退火算法或网格搜索法，本文使用网格搜索法。

4变量选取和数据来源

从上文对模型的介绍可知，建立平滑转移回归模型需要选择适当的变量充当转换变量，解释变量与被解释变量也需要合适的指标来表征，下面就变量的选取和数据来源作简要介绍。

41技术创新指标

目前，技术创新指标的选取主要包括三种方法：第一种是以R&D人员投入或R&D经费投入衡量的投入法；第二种是以申请专利数量或新产品销售收入衡量的产出法；第三种是运用索洛余值法、数据包络分析法或随机前沿分析法测算TFP贡献率。由于本文研究要素投入和技术创新之间的关系，投入指标不能同时用于衡量要素投入和技术创新，因此将第一种方法予以排除。第三种方法本身是建立在一定假设基础之上，在假设条件无法满足时得出的结论不具有可信度，鉴于此也予以排除。本文采用第二种方法选取技术创新指标，但稍作变动，以高技术产业新产品销售收入与高技术产业销售收入的比值作为技术创新指标，这样可以避免受地区销售规模的影响，用TI表示。

42要素投入指标

最初的道格拉斯生产函数中包括劳动和资本两种要素投入。本文以高技术产业为研究对象，鉴于其受人力资本因素影响较大，将人力资本因素也纳入到要素投入中，指标具体界定如下：

劳动投入：国民经济中任何产业产品的生产都离不开劳动者的参与，在高技术领域中，具备扎实的专业知识和创新精神的科研人员无疑是高科技产品生产的生力军，推动着高技术产业技术创新能力不断提高。正是如此，过去学者多用R&D人员数作为衡量高技术产业劳动投入的主要指标。为消除地区人口规模的影响，本文使用R&D人口占就业人口的比重作为劳动投入指标，用Labor表示。

资金投入：实践证明，资金投入对推动产业技术创新能力提高起到了重要的积极作用。一方面，科研资金为技术创新搭建良好的平台，无论是对原始创新还是集成创新都起到了支撑作用。另一方面，充足的资金引导创新成果转化为创新产品，取得更好的业绩，激励下一次加大科研资金投入，进一步促进技术创新。高技术产业资金投入包括购买国内技术经费、技术改造经费、技术引进经费、消化吸收经费，而最能体现技术创新的则是技术改造经费，因此，本文用技术改造经费占四种经费支出的比重衡量高技术产业资金投入，用Fund表示。

人力资本投入：本文采用各地区人均受教育年限衡量人力资本投入，计算方式如下：未上学人口、小学人口、初中人口、高中人口、大专及以上人口分别赋予权重0、6、9、12、15，用对应的人口数乘以相应的权重得到地区总人口受教育年限之和除以总人口，即为各地区人均受教育年限，用Human表示。

43转换变量

地区技术创新能力与区位因素的影响是分不开的，本文以区位因素作为转换变量。一般而言，影响技术创新的区位因素主要包括以下几个方面：

经济基础：经济基础是影响技术创新的一个重要因素，经济基础较好的地区技术创新能力越强，主要是因为经济发展为产业技术升级提供了坚实的物质保障。本文采用剔除物价变动的人均GDP的对数衡量各地区经济基础，用Economy表示。

对外开放程度：对外开放有利于高端人才、高端技术、高端产业活动以及外资流入，不仅为引进国外先进技术提供了方便，而且为本地技术创新提供了优秀的人才和丰厚的资金，极大地促进了技术创新能力的提高。本文用地区进出口总值占地区GDP的比重衡量各地区对外开放程度，用Open表示。

金融发展水平：地区金融发展水平对产业技术创新发挥着重要的作用，一方面，金融发展水平高的地区可以给予高技术产业更多的资金支持，解决产业发展资金难题，推动技术创新；另一方面，金融发展水平越高，控制风险的能力就越强，可以降低高技术产业进行技术创新的风险，引导技术创新向正确方向发展，实际上推动技术创新。本文用金融机构贷款额占筹集经费之比作为衡量金融发展水平的指标，用FD表示。

科技发展水平：地区科技水平通常以拥有专利数或申请专利数衡量，考虑到研究对象为高技术产业，只有高技术产业拥有的专利数才对高技术产业科技创新能力产生作用，因此，本文用各地区高技术产业拥有专利数的对数衡量各地区科技水平，用SAT表示。

44数据来源

本文选用的有关高技术产业的数据来自《中国高技术产业统计年鉴》（1995～2010），其他相关数据来自《中国统计年鉴》（1995～2010）。为了充分利用历年各地区数据，缺失数据用平滑递推法补齐，由于重庆和缺失数据较多，予以剔除，最终得到29个省15年的面板数据。

5实证研究与结果分析

本文实证分析由软件MATLAB70完成。

51模型设定

为考察要素投入在不同区位因素下与技术创新的关系，在模型（1）基础上，分别以技术创新为被解释变量，要素投入为解释变量，经济基础、对外开放程度、金融发展水平、科技水平为转换变量，假定转换函数个数均为1个的情况下，建立面板平滑转换模型如下：

52非线性性检验及转换函数个数的确定

在模型设定阶段，建立了平滑转换模型，并假定转换函数个数为1个，但前提是必须进行非线性性检验，并对转换函数个数为1个的假定进行验证，以证明模型设定正确。检验结果如表1所示。

表1的检验结果表明，在5%水平下，模型1至模型4均具有非线性性，转换函数个数为1个的假定正确。

53模型参数估计

在证明模型设定正确的基础上对模型的参数进行估计，估计结果如表2所示。表1非线性检验及转换函数个数选择结果

根据表2中模型参数估计结果，做出如下解释：

模型1以经济基础为转换变量。参数估计结果表示：经济基础不同，要素投入对技术创新的作用也发生了显著变化。由于模型中只含一个转换函数，对应一个位置参数，因此，该模型是一个两体制模型。位置参数为10026，当Economy10026时处于高体制，有86个观测值属于该范畴，占总观测值个数的1977%。从历年各地区经济基础指标平均值来看，北京、天津、上海处于高体制，其他的省份处于低体制。从低体制到高体制，变量Labor的系数由16241变为-23259，说明经济基础较差的地区劳动投入对技术创新促进作用明显，而经济基础较好的地区反而表现为抑制效应，这可由美国经济学家库兹涅茨提出的倒U型曲线解释，在达到一定高度之后会呈现下降趋势；低体制时，变量Fund的系数不显著，高体制时为-02103，说明在经济基础较差的地区资金的作用相对不明显，经济基础较好的地区资金的投入对技术创新起抑制作用；变量Human的系数由00178增加到00222，说明经济基础较好的地区人力资本要素更能促进技术创新。

模型2以对外开放程度为转换变量。参数估计结果表示：对外开放程度不同，要素投入对技术创新的作用存在显著差异。该模型也是一个两体制模型，位置参数为0535，当Open0535时处于高体制，有82个观测值属于该范畴，占总观测值个数的7885%。从历年各地区对外开放程度指标平均值来看，5个省份处于高体制，24个省份处于低体制。在这两种体制转换过程中，劳动要素投入与资金要素投入对技术创新的影响与模型1相似，人力资本要素对技术创新的影响与模型1存在差异，低体制时，人力资本要素指标系数不显著，高体制时，人力资本要素系数为00355，说明在对外开放程度高的地区人力资本对技术创新促进作用更加明显。

模型3以金融发展水平为转换变量。参数估计结果表示：金融发展水平不同，要素投入对技术创新的作用存在显著差异。该模型的位置参数为00981，当FD00981时处于高体制，有145个观测值属于该范畴，占总观测值个数的3333%。从历年各地区金融发展水平指标平均值来看，8个省份处于高体制，21个省份处于低体制。模型3的参数估计结果与模型1、模型2都存在较大的差异。具体表现为，在金融发展水平低的地区，劳动要素投入对技术创新没有明显的促进作用，资金要素投入对技术创新具有抑制作用，人力资本要素投入对技术创新有显著的促进作用；在金融发展水平高的地区，劳动要素投入和资金要素投入对技术创新都具有促进作用，人力资本水平对技术创新具有抑制作用。

模型4以科技水平为转换变量。参数估计结果表示：科技水平不同，要素投入对技术创新的作用存在显著差异。该模型的位置参数为40019，当SAT40019时处于高体制，有180个观测值属于该范畴，占总观测值个数的4138%。从历年各地区科技水平指标平均值来看，处于高体制的有11个省份，处于低体制的有18个省份。该模型参数估计结果与模型2参数估计结果相似，低体制时，劳动要素投入指标系数为19705，高体制时，劳动要素投入指标系数为-16527，表示科技水平较低的地区劳动要素投入对技术创新具有显著的促进作用，科技水平较高的地区劳动要素投入对技术创新具有抑制效应。低体制时，资金要素投入对技术创新的影响不显著，高体制时，资金要素投入指标系数为-00741，即对技术创新具有抑制作用。低体制时，人力资本要素投入指标系数为00173，高体制时，人力资本要素投入指标系数为00121，对技术创新都具有正向影响。

54最优模型

表1中，模型2最强地拒绝了线性原假设，按照Gonzalez提出的模型选择原则，模型2为最优模型，且模型2的残差平方和最小，进一步说明模型2最优，即以对外开放程度为转换变量的模型能最为准确地反映要素投入与技术创新之间的非线性关系。根据模型2考察各省历年劳动投入平均值、资金要素投入平均值和人力资本投入平均值与技术创新的非线性关系，图1至图3可以直观地反映出来。

从图1中可以看出，在不受其他因素影响的情况下，对外开放程度对劳动要素投入对技术创新的影响走势和分布特征。随着对外开放程度的提高，劳动要素投入对技术创新的影响却由正逐渐变为零，当对外开放程度指标达到05350后，劳动要素投入对技术创新的影响变为负，即当对外开放程度达到一定水平之后，劳动要素投入不再是促进技术创新的主要因素。

图2反映出，在不受其他因素影响的情况下，对外开放程度对资本要素投入对技术创新的影响走势和分布特征。随着对外开放程度的提高，资金要素投入对技术创新的影响与劳动要素投入对技术创新的影响具有相同的走势和分布特征，当对外开放程度达到一定水平之后，资金要素投入也不再是促进技术创新的主要因素。

图3反映出，在不受其他因素影响的情况下，人力资本要素投入对技术创新的影响和分布特征。随着对外开放程度的提高，人力资本要素投入对技术创新的推动作用越趋明显。

6结论与政策建议

本文基于我国29个省、直辖市、自治区1995～2010年高技术产业面板数据，使用面板STR模型对不同区位条件下要素投入与技术创新之间的关系进行研究，研究结果发现：（1）在我国高技术产业中，要素投入与技术创新之间存在显著的非线性关系；（2）在经济基础差、对外开放程度低、科技发展水平不高的地区，劳动要素投入和资金要素投入是限制高技术产业技术创新能力提高的主要因素；（3）在经济基础好、对外开放程度高和科技发展水平较高的地区，人力资本要素投入是推动高技术产业技术创新的主要动力；（4）在4个平滑转移回归模型中，以对外开放程度为转换变量的模型最为准确地反映出我国高技术产业要素投入与技术创新之间的关系，并且与现实较为贴切。

为了促进我国高技术产业技术创新能力的提高，根据实证研究所得结论提出如下政策建议：（1）在劳动要素、资金要素和人力资本要素有限的条件下，利用优惠政策引导要素科学合理地流动，避免一些地区因要素缺乏而无力进行科技创新，一些地区要素过剩而使技术创新效率低下；（2）在经济基础差、对外开放程度低、科技发展水平不高的地区，增加劳动要素投入和资金要素投入，解决这些地区因劳动和资金投入不足而难以发展高技术产业的难题；（3）在经济基础好、对外开放程度高和科技发展水平高的地区，注重人力资本要素的投入，为提高技术创新增加动力，促进这些地区高技术产业技术创新能力进一步提高。

参考文献：

[1]Atuahene-Gima K A. Differential Potency of Factors Affecting Innovation Performance in Manufacturing and Services Firms in Australia [J]. Journal of Product Innovation Management， 1996（13）： 35-52.

[2]Parthasarthy R， Hammond J. Product Innovation Input and Outcome： Moderating Effects of the Innovation Process [J]. Journal of Engineering and Technology Management， 2002（19）： 75-91.

[3]Hou Renyong， Fu Chaochao. Evaluation of Enterprise Technology Innovation Ability Based on Factor Analysis——Taking High-tech Enterprises of Six Provinces in Central China as an Example[C]. IEEE Xplore，2011.

[4]Hollenstein H. A Composite Indicator of a Firm's Innovativeness. An Empirical Analysis Based on Survey Data for Swiss Manufacturing [J]. Research Policy， 1996 （25）： 633-645.

[5]Fatur P， Likar B. Statistical Analysis for Strategic Innovation Decisions in Slovenian Mechanical Industry [J]. Journal of Mechanical Engineering， 2010 （56）：497-504.

[6]John C H， Fei， Ranis G. Innovation， Capital Accumulation and Economic Development [J]. The American Economic Review， 1963， 53（3）： 283-313.

[7]Howitt P， Aghion P. Capital Accumulation and Innovation as Complementary Factors in Long-run Growth [J]. Journal of Economic Growth， 1998， 3（2）： 111-130.

[8]Wang Yan， Yao Yudong. Sources of China's Economic Growth 1952–1999： Incorporating Human Capital Accumulation [J]. China Economic Review， 2003， 14（1）： 32-52.

[9]任翔.技术创新的主要投入因素对创新成果的影响[J].数量经济技术经济研究，2011（11）：19-22.

[10]安同良，周绍东，皮建才.R&D补贴对中国企业自主创新的激励效应[J].经济研究，2009（10）：87-98.

[11]白俊红，李靖.政府R&D资助与企业技术创新——机遇效率视角的实证分析[J].金融研究，2011（6）：181-193.

[12]詹宇波，刘荣华，刘畅.中国内资企业的技术创新是如何实现的？——来自大中型工业企业的省级面板证据[J].世界经济文汇，2010（1）：50-63.

[13]张杰，周晓艳，李勇.要素市场扭曲抑制了中国企业R&D [J].经济研究，2011（8）：78-91.

[14]Gonzalez A， Terasvirta T， Van Dijk. Panel Smooth Transition Regression Models [Z]. Working Papers， 2005.