R＆D投入、技术外溢对高新技术企业研发绩效的影响——基于知识资本积累模型

韩亚峰，樊秀峰，周文博

(西安交通大学经济与金融学院，陕西 西安 710061)

一、引 言

自从Schumpeter(1912)第一次提出“创新”概念以来，经济学得到了明显的快速发展。创新作为经济增长的重要来源，为鼓励企业研发，我国设立了多种形式的高新科技园区，并给予园区内认定的高新技术企业资金支持或税收优惠。国内外学者围绕创新绩效问题展开了多维度的研究，但关于企业研发绩效的结论则存在较大的差异。Hall＆Mairesse的研究表明法国制造企业的R＆D的产出弹性为0.2－0.25［1］。Griliches＆Mairesse利用日本制造企业数据测算出R＆D的产出弹性为0.2－0.56［2］。Adams＆Jaffe利用美国企业数据测算出R＆D的产出弹性仅为0.08左右［3］。Dietmar Harhoff通过C-D生产函数对德国制造企业研究发现R＆D的产出弹性为0.14左右［4］。Gayle的研究表明企业市场份额和企业规模对企业的创新绩效有显著的正影响［5］。丁勇利用2002－2006年江西省高新技术企业数据，认为研发能力与高新技术企业绩效有显著正相关关系，而企业规模的提升与绩效大致呈上升趋势且存在U型关系［6］。郭研和刘一博等利用92家中关村高科技企业研发绩效，发现企业规模对R＆D投入密度具有显著的负相关影响，民营企业的研发绩效高于国有控股企业［7］。陈志军等通过对企业集团内部协同度的研究，表明母子公司间、子公司间及公司内部研发协同水平均对研发绩效具有显著正向影响［8］。

上述研究结果差异较大，主要是由学者引入的被解释变量和知识资本积累模型不同引起的。对企业绩效的衡量，大多数学者选取企业的销售收入作为企业生产的绩效变量或选择企业拥有的专利技术数量作为企业技术水平的衡量指标。企业销售收入不仅取决于产品生产能力和水平(如技术水平、生产要素投入数量和产品质量等)，也取决于企业的市场溢价能力(如企业的市场地位、销售渠道、营销策略、产品偏好和地域差异等)。而企业技术不仅包括专利技术，还包括不易衡量的专有技术、技术秘密等技术内容。单一的利用上述两种指标作为研究企业绩效的指标是有偏的。在知识资本积累模型构建方面，诸多学者设定知识资本的折旧率为10%－15%［6］［9］［10］［11］，但由于各行业的异质性，知识资本折旧速度并不一致，因而折旧率也会不同。另外，由于技术研发成本高和风险大的特点，大多数情况下只有大企业才能负担起研发项目费用，进而获得较高的创新收益［12］。因此，组建企业集团或合作研发的形式进行技术知识和信息共享，共同承担研发风险逐渐成为一种重要的研发组织模式［13］。但合作创新的过程中也面临着知识窃取行为，造成合作创新的技术泄露风险［14］。当模仿和复制等侵权行为得不到有效制止时，它会减弱企业的研发动机，影响企业的研发绩效［15］。

综上所述，虽然国内外学者对高新技术企业研发绩效进行了实证分析，但都普遍忽略了单一指标估计的有偏性和协同创新过程中技术外溢对研发绩效的影响。基于此，本文利用Klette知识资本积累模型并对其进行改进［16］，估计我国上市公司披露研发数据最多的四个行业的企业R＆D投入的技术形成效率和知识资本积累的折旧率，并引入技术外溢变量，估算企业集团化和关联企业之间技术外溢对企业技术形成的影响，从而为我国高新技术企业发展和产业政策制定提供相应的理论支持。

二、研究模型与变量选取

(一)研究模型

1．知识资本积累估计方法的调整

对知识资本积累的估计大多采用物质资本积累的方法(如“永续盘存法”)，即

其中，i表示企业个体;t表示时期;测算企业的研发绩效，常采用C－D函数，即

Klette认为知识资本的积累不仅取决于前期的知识资本存量和当期的R＆D投入数量［16］，还取决于知识资本积累的规模效应。不同于物质资本积累，知识资本积累的数量更多地来源于前期的R＆D投入［2］［16］。此外，企业或行业的知识资本折旧存在较大的差异性，利用(1)式简单对其折旧率进行估计具有较大的偏差性。基于上述知识资本存量计算方法的缺陷，Klette(1996)采用新产业组织理论对知识资本积累进行了改进，其计算公式为

其中，Kt表示第t期的知识资本存量。对式(2)利用对数进行线性化处理，我们可以得到

2．Klette的研发绩效分析模型

为更准确地估计企业的研发效率，Klette构建基于内生经济增长模型的研发绩效分析框架［16］，内生经济增长模型认为技术进步和产量增加不仅来源于生产部门，还来源于研发部门。企业在利润最大化原则下将要素产出弹性调整至边际成本，其生产函数可以表示为①详细推导过程可参考:Tor Jakob Klette and Frode Johansen，“Accumulation of R＆D Capital Dynamic Firm Performance:A Not-so-fixed Effect Model”。

为更准确的估计企业的研发绩效，我们将企业销售收入进一步分离为产品产量和价格。令St=PtQt，St表示企业的销售收入，Pt表示产品的价格，Qt表示产品的产量。将St=PtQt两边取对数并进一步分离后可得

企业利润最大化生产位于边际成本处，即μ=η/(1+η)，则(6)式可以变为

其中，γ=αk/μ－ξ/μ。因此，知识资本积累的过程和结果都可以用参数γ表示，则生产效率的改变可以进一步变为

将知识资本积累方程^kt+1=(ρ－υ)^kt+υ^rt+^vt代入(9)式。当然，知识资本积累方程也可能与多个滞后期有关，即

如果滞后一期，利用(10)式消除(9)式中未知的知识资本存量^kit可以得到

其中，η、φ与企业具有的市场溢价和规模经济相关。

3．对Klette模型的调整

Klette在模型处理过程中没有采用一阶差分的方法来消除固定影响［16］，认为企业间技术水平差异性与知识资本投入、企业的规模存在正相关关系，科研投入多、规模大的企业往往知识资本积累也越迅速，其技术水平相对较高。但我国学者的研究表明高新技术企业研发绩效并非与科研投入量、企业规模呈完全正相关关系(如U型、S型、N型等多种关系)，而是与产权结构、激励措施、研发战略、行业差异等有一定的关系［5］［6］［17］［18］。

因此，本文将反映样本个体差异的特定常数项看作是跨个体的随机分布，在处理数据的过程中，Hausman检验也支持上述分析。据此，本文在回归分析时采用随机模型并对(11)式进行改进，将行业内普遍存在的规模弹性φ'和R＆D投入弹性γυ'分离出来，即

由于Hausman检验拒绝了回归方程存在固定效应的假设，因此常数项ai(ai=α+vi+τi)来源于三个方面:α表示方程的截距项;令vi=(γυ－γυ')^γit－1+(φ－φ')^xCit－1，它表示企业个体存在的规模弹性和R＆D投入弹性的差异;τi表示不同企业个体的产权结构、激励措施、研发战略的差异性，代表个体的随机影响。因此，我们构建的随机影响变截距模型为

此外，由前文的分析可以看出，高新技术企业研发绩效不仅取决于自身的R＆D投入，也可能取决于其他企业的技术外溢，因此将R＆D投入分解为企业自身的R＆D投入^r'it－1、企业集团或协作研发单位的R＆D投入和行业内其他企业的R＆D投入等3个部分，(13)式可以变为

(二)样本与变量选取

根据科技部、财政部和税务总局组成的全国高新技术企业认定管理工作领导小组认定的高新技术企业作为样本来源，参照证监会关于上市公司的行业分类，本文将2005－2013年公布研发数据较多的生物医药、电子通信、汽车制造、机械制造等四类制造业企业作为研究样本，生物医药企业18家、汽车制造企业18家、机械制造企业18家、电子通信企业10家，共计64家。为保证样本数据的真实可靠，本文采用的数据均来自审计后的上市公司年报，数据的可靠性较高。投入要素主要为劳动力投入、原料投入和资本投入等三类，R＆D投入主要用企业每年投入的研发费用支出表示，产出变量用企业的销售收入表示(如表1所示)。

表1 变量含义及说明

三、模型的识别和估计结果

本文利用Stata11.0软件进行回归分析，由于回归方程(14)中包含被解释变量滞后项，导致解释变量与随机扰动项之间相关，进而发生内生性问题，而直接利用OLS方法会出现估计结果有偏误，因此本文采用系统GMM(SYS-GMM)估计方法。

(一)R＆D投入对研发绩效的影响

为分析R＆D投入对高新技术企业技术形成的影响，本文首先利用(13)式对样本数据进行回归分析，结果都比较显著。从常数项看，生物医药和电子通信两个行业的样本企业呈现较大的差异性，而机械制造和汽车制造两个行业并没有呈现较大的差异性。

表2 四类高新技术企业的研发绩效GMM估计结果

从四类高新技术企业的回归结果看，R＆D投入与研发绩效之间存在正相关关系，即R＆D投入增加，可以有效提升企业的技术水平。从各个行业看，不同行业的研发绩效呈现较大的差异性，汽车制造业R＆D投入每增加1%，企业的技术水平平均提升0.019%;生物医药行业R＆D投入每增加1%，企业的技术水平平均提升0.059%;电子通信行业R＆D投入每增加1%，企业的技术水平平均提升0.035%;机械制造业R＆D投入每提升1%，企业的技术水平平均提升0.039%。由此可见，在知识经济的大背景下，不断加大企业的R＆D投入，将是提高企业技术水平和核心竞争力的重要途径。从知识资本积累过程看，样本企业的知识资本存量的折旧率在0.2－0.4之间，大于此前学者们普遍采用的10%－15%折旧率，这可能是由于我国高新技术企业知识资本处于加速积累的阶段，技术更新替代速度较快，因而折旧率偏高。

此外，汽车制造、生物医药和机械制造等三个行业的企业规模与研发绩效都表现了显著的相关性，加之上述行业的资本进入门槛较高，其研发活动需求的资本投入量较大。企业规模扩张可以带来规模经济、范围经济和研发能力，充分利用各个研发单元、地域的优势和创新资源来提高创新效率。从组织结构看，企业规模扩大可以有效地增加研发活动的专业性，使研发与营销、制造等部门进行有效互补，利用各部门知识外溢来扩大优势。从承担风险角度看，企业规模扩大有助于提高企业的抗风险能力，增强研发费用的分摊基础，改善研发效率，从而提高产出水平。

(二)不同形式的技术外溢对研发绩效的影响

为进一步分析技术外溢是否对研发绩效产生影响，本文利用回归方程(14)对样本数据进行实证分析，并将企业集团和关联企业的R＆D投入^rGit－1进一步分解为行业内的关联企业或企业集团的R＆D投入^rGioit－1和行业间的关联企业或企业集团的R＆D投入^rGeoit－1。行业内的企业间技术外溢用变量表示①本文采用三类行业代码，依据证监会公布的上市公司“公司概况”一栏中“行业类别”来划分。，其核算方法利用企业自身的R＆D投入与所属范围内企业R＆D投入平均值的对数线性差表示。当系数为正时，表示随着企业R＆D投入而产生研发协同效应，可以有效地提高企业的研发效率;当系数为负时，表示随着企业R＆D投入增加而知识资本积累的差距变小，即企业间有技术外溢发生(由于本文选取的电子通信类样本企业数量较少，因此在考察技术外溢时并没有进行实证分析)。基于企业规模对企业研发活动具有显著的影响，本文遂将其纳入分析中(如表3所示)。

表3 三类高新技术企业的不同研发组织模式技术外溢GMM估计结果

由表3可以看出，企业研发活动在关联企业和企业集团表现出一定的技术外溢效应，但不同行业的技术外溢的方向却不尽相同。从行业内企业技术外溢看，汽车制造和生物医药表现出较为明显的技术外溢现象;从企业集团和关联企业看，行业内企业组建企业集团或关联企业可以提高R＆D投入的转化效率，表现出一定的技术协同性，这种组织形式可作为组建企业研发联盟和提高研发绩效的有效模式。而行业间的企业集团或关联企业间的技术外溢表现出明显的差异性，汽车制造和生物医药表现出技术外溢现象，而机械制造表现出一定的技术协同效应现象，这可能是由于不同类型企业技术存在差异性，企业吸收利用能力也不尽相同的结果。

从整体上看，生物医药和汽车制造表现出更多的技术外溢现象，这两个行业总体上处于对国外先进技术的消化吸收阶段，企业自身普遍缺乏核心技术，掌握的专利技术数量和水平偏低。另外，由于相关行业的专利技术保护的弱有效性，也是造成技术外溢的重要原因。以生物医药行业为例，据统计大约90%以上的为发达国家专利过期的药品或仿制非专利药品，尽管产量比较大，但技术含量不高、工艺水平低、资源过度分散，使医药企业长期处于无序的竞争状态。相对于国外汽车企业，我国汽车制造企业的主力多为合资企业，目前还处于外资汽车制造企业引进、消化、吸收阶段，自身技术研发能力较弱。此外，诸如哈飞、奇瑞、吉利等自主品牌企业依然处于发展阶段，其R＆D的人员数量、投入资金、技术体系建设等仍存在许多不足，自主技术开发和品牌建设还有很长的路要走。

四、结论及对策建议

针对“永续盘存法”估计知识资本积累过程中的局限性，本文引入Klette知识资本动态积累模型，构建新的R＆D投入与研发绩效分析框架，为准确估计知识资本积累的折旧率和测算研发绩效提供了可资借鉴的方法。实证研究表明，高新技术企业知识资本积累的折旧率大约在0.2－0.4之间，大于此前学者们普遍采用的10%－15%;R＆D投入对高新技术企业技术形成的贡献弹性为0.02－0.05，即R＆D投入每增加1%，高新技术企业技术形成提高0.02%－0.05%;行业内不相关企业间技术外溢在一定程度上减弱了企业的研发绩效，而同行业的关联企业或企业集团间的技术外溢在一定程度上提升了企业的研发绩效。

基于上述结论，本文认为提高企业的研发绩效需做以下的努力:(1)加大政府部门对研发部门的扶持力度，增强企业的研发实力。研发活动风险大，前期投入多，研究周期长，对高新技术企业的影响尤其明显。因此，政府部门要鼓励和扶持本土企业提升技术创新能力，不但要实施税收优惠、融资引导、研发鼓励等措施，还要为本土企业提供参与国家重大科研项目的机会，减少企业技术创新的风险。同时，可以采取激励措施鼓励大学、科研院所等公共研究部门进行技术创新，建立本土研发机构和外资企业及研发机构之间的良性互动机制，促进专利技术的有效市场转化。(2)在加速企业技术消化吸收的同时，注重保护企业的知识产权。目前，我国的汽车制造、生物医药等行业存在研发规模小、投入少、研发能力不足等现象，企业掌握的核心技术也相对较少，对国外的技术依赖性还较强，其进行的研究活动还存在较严重的技术外溢现象，这势必会打击企业研发的积极性。因此，应逐步完善有效的知识产权保护制度，使企业知识资产收益最大化，并为企业的R＆D投入提供有效的法律保障，激发企业自主研发的热情，促进企业的良性发展。(3)鼓励行业内企业构建企业集团或技术研发联盟。企业集团较之单个企业的研发活动更易于整合资源，一方面可以有效改变企业研发活动外部融资性成本高的问题，提升研发效应乘数和融资便利化，从而提升企业的研发水平;另一方面可以绕开制度障碍，减少弱产权保护的不利影响，利用组建企业集团获得创新的优势、外部经济的成本优势和企业关系专用性投资等形成差异化优势。

［1］Hall B．H．，Mairesse J．Exploring the relationship between R＆D and productivity in French manufacturing firms［J］．Journal of Econometrics，1995，(65):263－293．

［2］Griliches Z．R＆D and productivity:Measurement issues and econometric results［J］．Science，1987，(237):31－35．

［3］Adams J．D．，Jaffe A．B．Bounding the effects of R＆D:An investigation using matched establishment-firm data［J］．Round Journal of Economics，1996，27(4):1－39．

［4］Dietmar Harhoff．R＆D and productivity in German manufacturing firm［J］．Economics of Innovation and New Technology，1998，(6):29－50．

［5］Gayle P．G．Market Concentration and Innovation:New Empirical Evidence on The Schumpeterian Hypothesis［C］．University of Colorado Discussion Paper Series，2001．1－14．

［6］丁勇．研发能力、规模与高新技术企业绩效［J］．南开经济研究，2011，(4):137－148．

［7］郭研，刘一博．高新技术企业研发投入与研发绩效的实证分析——来自中关村的证据［J］．经济科学，2011，(2):117－128．

［8］陈志军，王晓静，徐鹏．企业集团研发协同影响因素及其效果研究［J］．科研管理，2014，(3):108－115．

［9］Hu Albert G．Z．，Jefferson G．H．，Qian Jinchang．R＆D and technology transfer:Firm level evidence from Chinese industry［J］．Review of Economics and Statistics，2005，(4):1－21．

［10］朱有为，徐康宁．中国高技术产业研发效率的实证研究［J］．中国工业经济，2006，(11):38－45．

［11］邓进．中国高新技术产业研发资本存量和研发产出效率［J］．南方经济，2007，(8):56－64．

［12］Whittington R．，Pettigrew A．，Peck S．，Fenton E．，Conyon M．Change and complementarities in the new competitive landscape:A European panel study 1992－1996［J］．Organization Science，1999，(5):583－600．

［13］茆训诚．基于技术溢出效应和产品差异化视角的企业研发组织模式动态选择研究［J］．上海经济研究，2009，(1):3－12．

［14］刁丽琳．合作创新中知识窃取和保护的演化博弈研究［J］．科学学研究，2012，(5):721－728．

［15］黄俊，陈信元．集团化经营与企业研发投资——基于知识溢出与内部资本市场化视角的分析［J］．经济研究，2011，(6):80－92．

［16］Tor Jakob Klette，Frode Johansen．Accumulation of R＆D capital dynamic firm performance:A not-so-fixed effect model［J］．Statistic Norway Research Department，1996，(11):1－38．

［17］康华，王鲁平，王娜．股权集中度、CEO激励与企业研发战略［J］．软科学，2011，(10):17－26．

［18］张耘，钟少颖．上市企业研发投入的现状和影响因素研究——基于跨行业数据的分析［J］．中国科技论坛，2014，(3):92－98．