论文部分内容阅读
自20 世纪 80 年代中期以来，中国高技术产业发展迅猛，并逐渐成为推动中国产业结构升级的重要力量。高技术产业是指依靠高技术研究开发成果进行高技术产品生产和服务的产业部门。与传统产业相比，高技术产业具有资源消耗少、附加值高，以及高投入、高风险、高回报、高渗透性等特征。
Romer和Lucas在世界经济增长主要依赖于知识的生产、扩散和应用的背景下提出了新经济增长理论后，知识也同其他生产资料一样被当作是促进经济增长一种重要资源。高技术产业是以知识密集型生产方式为主的产业。知识最明显的特征就是易于流动，当给定的行为主体生产的知识有利于其他行为主体的知识创造或创新时，知识就会明显地溢出。因此，知识溢出效应成为高技术产业集群创新的重要基础。产业集群内的知识溢出效应，使得集群内企业能够以最大程度获取所需的各种知识，成为高技术产业R&D集聚的主要动力之一。
一、模型建立、变量选取及数据
知识生产函数（KPF）是分析区域知识生产与溢出的一个强有力的工具。本文在综合分析了多种生产函数模型的基础上，分析了高技术产业在R&D过程中的多重投入性，以及知识存量的外溢性等因素，建立了一个更加贴合本文研究实际的知识生产函数模型：
（1）
其中，Iit代表t时期i区域高技术产业的创新产出，用t时期i区域高技术产业申请的发明专利数来表示。
Kit代表t时期i区域高技术产业创新产出的研发经费，用t时期i区域高技术产业R&D活动项目经费来表示。
Lit代表t时期i区域高技术产业创新产出的人力资源的投入量，用t时期i区域高技术产业R&D人员全时当量来表示。全时当量是指全时人员数加非全时人员按工作量折算为全时人员数的总和。
Pit代表t-1时期i区域高技术产业上一年的创新产出存量，用t-1时期i区域高技术产业的拥有发明专利数表示。
Uit代表t时期i区域高校在创新活动方面的投入，用t时期i区域高校R&D的经费支出来表示。
考虑到研发投入到产出需要有一个过程，故对上述模型进行扩展，并取对数后的模型如下：
（2）
本文的主要研究对象是中国大陆31个省、市、自治区高技术产业的发展状况。高技术产业在2006—2010年期间受金融危机影响较大，故为了平滑掉可能的短暂的影响，所有变量都取5年（2006-2010）数据的平均值，并取其对数。所有数据均来自2006年至2011年的《中国科技统计年鉴》。
二、实证结果分析
具体分析中，采用OLS方法对模型中的解释变量进行初步筛选，然后加入外部性因素，即空间依赖因素，利用SAR和SEM模型进行计量回归，根据解释变量的显著性和模型的判别比较统计计量，决定最终计量模型和相应解释变量。
表1是模型估计的最小二乘结果，检验指标显示OLS回归的结果是可靠的。拟合优度达到0.976，调整的拟合优度为0.972，表明模型整体的回归效果很好，所选取的变量对被解释变量有很好的解释力。在各解释变量中，lnKi，t-1的回归系数高达0.63，通过了在5%水平的T检验，说明高技术产业的研发经费投入对创新产出有很强的影响，高技术产业每增加1单位R&D项目经费的投入，将会引起0.63单位创新产出的变动，这也验证了高技术产业属于资本密集型产业这一特点。同时，lnPi，t-1的回归系数达到0.72，也通过了5%的显著性检验，表明地区专利发硬的知识存量水平有着很强的知识溢出作用。但劳动力投入和高校R&D经费支出的回归系数分别为-2.29和-0.11，且都没有通过显著性水平检验，说明这两项的R&D投入并没有对高技术产业的创新产出形成很好的溢出效果。
表1 OLS回归结果
同时，为了区分空间依赖的两种表现形式，本文使用的空间计量模型纳入了空间相关的回归模型，包括空间滞后模型（SAR）和空间误差模型（SEM）。表2是分别用SAR和SEM模型对样本数据进行计量分析的结果，SAR模型的拟合优度R2为97.6%，与OLS结果的R2几乎没有差别，而SEM模型的R2为98.2%，比OLS和SAR都有所提高，可以看出SEM比SAR模型更优。SAR的空间滞后项W_LNI的系数没有通过5%的显著性检验，而SEM得误差滞后项的系数则完全通过了5%的显著性检验，因此，本文选取空间误差模型为最后的模型。
表2 SAR模型与SEM模型回归结果
由表2的SEM模型可知，高技术产业R&D项目经费投入以及省域创新产出存量的系数为正值，项目经费投入每增加1单位，对省域创新的贡献达0.77，高于OLS估计的结果，说明R&D项目经费投入对创新产出的影响正在显现；省域创新产出存量每增加1单位，对省域创新产出则有0.72的贡献，这表明高技术产业是资本密集型和知识密集型产业，这两项投入对创先产出的影响有决定性作用。但高技术产业R&D活动的劳动力投入，以及大学R&D经费投入的回归系数未能通过5%的显著性检验，且系数为负。
由此可得出以下两点结果：第一，高技术产业的劳动力投入对创新产出存在一定的抑制作用，这一结果很可能是因为新产品的生产，是企业的一种技术创新过程，更多依赖的是技术和设备，需要强大的经费支持。第二，我国并没有形成很强的产学研合作关系，大学知识创新能力较强，但大学R&D研发投入对本地区高技术产业知识外溢的作用并不明显。再从外部性影响来看，SEM模型的误差滞后项的系数显著，说明周边地区的创新产出确实对本地区的创新产出存在着一定的联系，相邻地区的创新产出在空间上具有相互影响的作用，表现为产业集聚的现象。
三、结论与建议
由以上实证分析可知，我国高技术产业的创新产出在空间上存在着集聚的现象，地理区位以及空间邻近都对创新集群存在着重要的影响，高技术产业表现出资本密集型和知识密集型产业的特性。
为了优化经济结构，使得高技术产业R&D投入产出更加合理，本文认为应该从以下几个方面进行改进，以提高高技术产业的竞争力：
（一）优化配置R&D人力资源，注重引进高技术核心人才
需要引入一些高技术核心人才来带动研发团队的合力发展，优化人力资源结构，增加科学家和工程师的比重，来提高高技术产业R&D人员的产出水平。
（二）进一步加强产学研的结合以及互相促进
在未来，高技术产业若能与高校研发活动相结合，以资本优势支持高校为其创新产出做贡献，高技术产业的发展将得到长足的进步，也更能提高高技术产业的市场和国际竞争力。
（三）加强区域合作，共同推进高技术产业的发展
随着社会化分工的细化，加强区域间合作，把资本优势与创新能力优势相结合，区位优势与资源优势相结合等，都将共同为高技术产业的转型升级与进一步发展提供良好的契机。
（作者单位：浙江工业大学经贸管理学院）
责任编辑：晓途
Romer和Lucas在世界经济增长主要依赖于知识的生产、扩散和应用的背景下提出了新经济增长理论后，知识也同其他生产资料一样被当作是促进经济增长一种重要资源。高技术产业是以知识密集型生产方式为主的产业。知识最明显的特征就是易于流动，当给定的行为主体生产的知识有利于其他行为主体的知识创造或创新时，知识就会明显地溢出。因此，知识溢出效应成为高技术产业集群创新的重要基础。产业集群内的知识溢出效应，使得集群内企业能够以最大程度获取所需的各种知识，成为高技术产业R&D集聚的主要动力之一。
一、模型建立、变量选取及数据
知识生产函数（KPF）是分析区域知识生产与溢出的一个强有力的工具。本文在综合分析了多种生产函数模型的基础上，分析了高技术产业在R&D过程中的多重投入性，以及知识存量的外溢性等因素，建立了一个更加贴合本文研究实际的知识生产函数模型：
（1）
其中，Iit代表t时期i区域高技术产业的创新产出，用t时期i区域高技术产业申请的发明专利数来表示。
Kit代表t时期i区域高技术产业创新产出的研发经费，用t时期i区域高技术产业R&D活动项目经费来表示。
Lit代表t时期i区域高技术产业创新产出的人力资源的投入量，用t时期i区域高技术产业R&D人员全时当量来表示。全时当量是指全时人员数加非全时人员按工作量折算为全时人员数的总和。
Pit代表t-1时期i区域高技术产业上一年的创新产出存量，用t-1时期i区域高技术产业的拥有发明专利数表示。
Uit代表t时期i区域高校在创新活动方面的投入，用t时期i区域高校R&D的经费支出来表示。
考虑到研发投入到产出需要有一个过程，故对上述模型进行扩展，并取对数后的模型如下：
（2）
本文的主要研究对象是中国大陆31个省、市、自治区高技术产业的发展状况。高技术产业在2006—2010年期间受金融危机影响较大，故为了平滑掉可能的短暂的影响，所有变量都取5年（2006-2010）数据的平均值，并取其对数。所有数据均来自2006年至2011年的《中国科技统计年鉴》。
二、实证结果分析
具体分析中，采用OLS方法对模型中的解释变量进行初步筛选，然后加入外部性因素，即空间依赖因素，利用SAR和SEM模型进行计量回归，根据解释变量的显著性和模型的判别比较统计计量，决定最终计量模型和相应解释变量。
表1是模型估计的最小二乘结果，检验指标显示OLS回归的结果是可靠的。拟合优度达到0.976，调整的拟合优度为0.972，表明模型整体的回归效果很好，所选取的变量对被解释变量有很好的解释力。在各解释变量中，lnKi，t-1的回归系数高达0.63，通过了在5%水平的T检验，说明高技术产业的研发经费投入对创新产出有很强的影响，高技术产业每增加1单位R&D项目经费的投入，将会引起0.63单位创新产出的变动，这也验证了高技术产业属于资本密集型产业这一特点。同时，lnPi，t-1的回归系数达到0.72，也通过了5%的显著性检验，表明地区专利发硬的知识存量水平有着很强的知识溢出作用。但劳动力投入和高校R&D经费支出的回归系数分别为-2.29和-0.11，且都没有通过显著性水平检验，说明这两项的R&D投入并没有对高技术产业的创新产出形成很好的溢出效果。
表1 OLS回归结果
同时，为了区分空间依赖的两种表现形式，本文使用的空间计量模型纳入了空间相关的回归模型，包括空间滞后模型（SAR）和空间误差模型（SEM）。表2是分别用SAR和SEM模型对样本数据进行计量分析的结果，SAR模型的拟合优度R2为97.6%，与OLS结果的R2几乎没有差别，而SEM模型的R2为98.2%，比OLS和SAR都有所提高，可以看出SEM比SAR模型更优。SAR的空间滞后项W_LNI的系数没有通过5%的显著性检验，而SEM得误差滞后项的系数则完全通过了5%的显著性检验，因此，本文选取空间误差模型为最后的模型。
表2 SAR模型与SEM模型回归结果
由表2的SEM模型可知，高技术产业R&D项目经费投入以及省域创新产出存量的系数为正值，项目经费投入每增加1单位，对省域创新的贡献达0.77，高于OLS估计的结果，说明R&D项目经费投入对创新产出的影响正在显现；省域创新产出存量每增加1单位，对省域创新产出则有0.72的贡献，这表明高技术产业是资本密集型和知识密集型产业，这两项投入对创先产出的影响有决定性作用。但高技术产业R&D活动的劳动力投入，以及大学R&D经费投入的回归系数未能通过5%的显著性检验，且系数为负。
由此可得出以下两点结果：第一，高技术产业的劳动力投入对创新产出存在一定的抑制作用，这一结果很可能是因为新产品的生产，是企业的一种技术创新过程，更多依赖的是技术和设备，需要强大的经费支持。第二，我国并没有形成很强的产学研合作关系，大学知识创新能力较强，但大学R&D研发投入对本地区高技术产业知识外溢的作用并不明显。再从外部性影响来看，SEM模型的误差滞后项的系数显著，说明周边地区的创新产出确实对本地区的创新产出存在着一定的联系，相邻地区的创新产出在空间上具有相互影响的作用，表现为产业集聚的现象。
三、结论与建议
由以上实证分析可知，我国高技术产业的创新产出在空间上存在着集聚的现象，地理区位以及空间邻近都对创新集群存在着重要的影响，高技术产业表现出资本密集型和知识密集型产业的特性。
为了优化经济结构，使得高技术产业R&D投入产出更加合理，本文认为应该从以下几个方面进行改进，以提高高技术产业的竞争力：
（一）优化配置R&D人力资源，注重引进高技术核心人才
需要引入一些高技术核心人才来带动研发团队的合力发展，优化人力资源结构，增加科学家和工程师的比重，来提高高技术产业R&D人员的产出水平。
（二）进一步加强产学研的结合以及互相促进
在未来，高技术产业若能与高校研发活动相结合，以资本优势支持高校为其创新产出做贡献，高技术产业的发展将得到长足的进步，也更能提高高技术产业的市场和国际竞争力。
（三）加强区域合作，共同推进高技术产业的发展
随着社会化分工的细化，加强区域间合作，把资本优势与创新能力优势相结合，区位优势与资源优势相结合等，都将共同为高技术产业的转型升级与进一步发展提供良好的契机。
（作者单位：浙江工业大学经贸管理学院）
责任编辑：晓途