政府科技资助提升企业生产率的空间计量实证分析

方勇华,饶水林

(广东机电职业技术学院　经济贸易学院，广州　510515)



政府科技资助提升企业生产率的空间计量实证分析

方勇华,饶水林

(广东机电职业技术学院经济贸易学院，广州510515)

[摘要]本文利用中国高技术产业分地区工业企业面板数据，采用空间计量分析方法，实证考察了政府科技资助对工业企业生产率的影响。研究发现，政府科技资助显著地促进了工业企业生产率的提升，且其提升机制主要是通过影响政府科技资助的技术进步效应来实现的，对效率改善的作用并不明显；企业R&D存量和人力资本水平的提高，均有助于政府科技资助技术进步效应的发挥，而企业规模则产生显著的负向影响，本文结论为我国政府科技资助相关政策的科学制定提供启示。

[关键词]政府科技资助；企业生产率；空间计量

一、引言

如何科学、有效地处理政府与市场的关系，是新时期我国深化经济体制改革的核心问题，亦是我国转变经济发展方式，促进未来经济持续、健康发展的重要内容。在市场经济中，政府的职能主要是完成市场调节无法完成的任务，比如公共服务、基础设施建设以及科技创新等。本文主要关注我国政府对科技创新的干预。现实中，政府对科技创新的干预主要有税收优惠和直接资助两种工具。而这两种工具中，尤以直接资助引人注目。这是因为：一方面，我国正处于经济转轨的特殊时期，社会各方面对公共资本的需求都很大，而来自于公共财政预算的政府科技资助如果利用不当，就会造成公共资源的严重浪费，进而影响纳税人的利益和经济、社会的稳定发展；另一方面，尽管从理论上来讲，政府的科技资助有利于降低企业研发成本、不确定性和风险，也有利于提高企业研发创新的积极性，但在实际操作层面，却很可能由于政府科技资助的不同偏好(白俊红，2011)，以及企业在申请资助时所传递的虚假信号和逆向选择等行为(安同良等，2009)，使得政府的科技资助并没有达到预期的理想效果。在此情形下，科学评估我国政府科技资助的实施效果就显得尤为必要。具体地，本文着重回答以下三个系列相关的问题：第一，政府科技资助促进企业生产率提升的机理是什么；第二，我国政府科技资助的效果如何；第三，如何提升资助的效果。

现有关于政府科技资助的研究主要集中于以下两个方面：一是在理论上阐释政府干预企业科技创新的原因，比如Arrow(1962)、Romer(1990)、Hall(2002)关于R&D知识生产“市场失灵”的论述，以及Tassey(1997)提出的R&D活动不确定性理论均为政府干预企业创新提供了理论支持。第二方面的研究主要是对政府科技资助的效果进行检验。这方面的研究中，学者们通常以企业自身的研发支出为因变量，以政府的科技资助为自变量来构造计量模型。如果政府科技资助的系数显著为正，说明政府科技资助对企业研发支出有显著的激励效应；反之，如果显著为负，则说明有挤出效应；如果系数不显著，则无明显影响。相关的经验研究中，各类结果均有发现，比如Duguet(2003)、Czarnitzki和Hussinger(2004)、Gonzalez和Pazo(2008)、解维敏等(2009)及白俊红(2011)等人的研究发现政府科技资助对企业R&D投入有显著的激励效应；Wallsten(2000)及Görg和Strobl(2007)的研究则显示政府的科技资助挤出了企业的研发投资；而刘凤朝和孙玉涛(2007)的研究则发现我国政府科技资助的影响效应并不显著。

与以往研究不同的是，本文更关注政府科技资助对企业生产率的影响。政府科技资助除了具有吸引企业更多研发投资的功能外，亦可通过促进企业的技术进步、改善资源配置效率等途径提高企业的生产率水平，而这一作用机制并未得到以往研究的充分重视。本文将利用2000-2012年我国高技术产业工业企业分地区面板数据，对政府科技资助与企业生产率之间的关系作较为深入的分析，并揭示其内在作用机制。我们之所以选择高技术产业为考察样本，主要是因为高技术产业一直是我国政府科技资助的重点领域，对其资助效果的评估可以为未来高技术产业政府资助政策的科学制定提供启示。当然，选择高技术产业，而非所有的产业(包括传统产业)，也有利于克服由于高技术产业与传统产业之间差异较大而带来的估计偏差。

从研究方法方面来考虑，由于本文采用的是高技术产业工业企业的分地区数据，这就不能忽略被考察变量在地理空间上的自相关特性。空间自相关主要是指一些变量的观测数据，存在于地理空间上的，一种潜在的相互依赖关系。事实上，根据地理学第一定律：“任何事物都是相关的，但近处的事物比远处的事物相关性更强”(Tobler，1970)，而对于本文中的企业生产率这一被解释变量，这种地理上的空间依赖与自相关效应可能更为明显。这是因为，在资源可以自由流动的条件下，一个地区企业生产率的提高，必然吸引邻近地区的资源要素向本地区集聚，从而促进本地区经济的更快发展和生产力水平的进一步提升，而邻近地区则由于在生产要素的竞争中处于劣势地位而使经济发展陷入困境。当然，从另一方面来讲，低生产率水平地区可以通过向高生产率水平地区的企业学习而达到经济增长收敛的目的，特别是在两个地区越邻近的情况下，学习效应可能更为明显，因为地理邻近为企业间的知识交流和信息共享提供了便利，同时地区间邻近也更有利于高生产率企业知识溢出效应的发挥。可以看出，由于地区间企业生产率水平差异而引发的竞争效应、学习效应和知识溢出效应，使得其在空间上存在明显的自相关特性。如果我们在计量建模时忽略了这一特性，而仅将各个地区视作一个独立的样本，采用经典的计量模型进行分析，势必会使得估计结果产生偏误，而且也不能客观反映经济事物的空间联系。

得益于Paelinck和Klaassen(1979)、Anselin(1988)、Anselin等(1996)以及Elhorst(2003、2005)等的贡献，空间计量经济学得到长足的发展。空间计量经济学克服了经典计量经济学中数据无关联和匀质性假设，通过设置空间权重，并将其纳入计量模型来反映空间数据之间的自相关关系，使得计量模型更贴近客观实际(李婧等，2010)。基于此，本文亦将利用空间计量分析技术来考察我国政府科技资助与工业企业生产率之间的相关关系。文章的后续安排为：第二部分分析政府科技资助对企业生产率的影响机理；第三部分构造研究模型；第四部分简要介绍所使用的变量及数据来源；第四部分给出结果，并对其进行分析和讨论；最后是本文研究的结论。

二、政府科技资助影响企业生产率提升的机理

由于科技创新具有较强的外部性，致使其社会收益大于企业自身的收益，并且科技创新还伴随着巨额的研发投入以及受益的不确定性等特点，因此就需要政府出面干预，对企业的科技创新活动予以弥补资助。政府科技资助可以通过技术进步效应和效率改善效应对企业的生产率变化产生影响。我们用图1来说明这两种效应。

图1　政府科技资助的技术进步效应与效率改善效应

(1)

政府科技资助的技术进步效应与效率改善效应具有不同的经济含义。技术进步主要是指通过新知识、新技术、新工艺和新发明创造而带来的生产前沿面的向外移动，而效率改善主要是指通过制度创新、管理变革以及由于规模效率提升和资源配置效率提高，而带来的生产前沿面下方的点向前沿面的靠近。政府通过对企业研发创新的资助补贴，弥补了企业研发资金的不足，促进了企业的知识创造和新产品开发，从而提升了企业的技术水平，使前沿面从St提高到St+1，这也即是政府科技资助的技术进步效应。而对于政府科技资助的效率改善效应，一方面，政府对企业的科技资助，扩大了企业的投资规模，从而有利于企业规模经济的发挥；另一方面，政府在甄选资助对象时，往往需要企业在制度设计、管理水平以及人员配备等方面具备一定的条件，这样企业为获得政府的科技资助就需要在这些方面做出改进，从而也提升了企业的效率水平，使其与生产前沿面之间更为接近。这样，政府科技资助就通过技术进步效应和效率改善效应，促进了企业生产率的提升。当然，政府的科技资助并不是总能够发挥积极的效应。当企业将科技资助作为其弥补亏损的途径时，企业将失去创新的动力，甚者，当企业为获得资助而采取寻租行为，抑或政企合谋等时，将严重削弱政府科技资助的补贴功效(庄子银，2007)。

三、模型设定

假定企业的全要素生产率受到政府科技资助的影响，建立如式(2)所示的生产函数：

Y=A(G,t)f(L,K)

(2)

其中，Y为产出，G为政府的科技资助，L为劳动力投入，K为资本投入，t为时间因素。式(2)表明，政府的科技资助主要通过影响全要素生产率来影响企业的产出。

假定生产函数满足希克斯中性，借鉴Hulten等(2006)的研究，A(G,t)可设定为式(3)的形式：

A(G,t)=AGβeλt

(3)

其中，A为常数，β为政府科技资助对全要素生产率影响的参数，λ为外生的技术进步速度。

将式(3)代入式(2)，并且等式两边均除以f(L, K)，可得全要素生产率的计算公式：

tfp=Y/f(L,k)=AGβeλt

(4)

式(4)两边取对数，可得：

lntfp=lnA+βlnG+λt

(5)

在式(5)基础上，建立本文研究的计量模型，如下式所示：

(6)

式(6)中，α=lnA，i为地区，t为时间，εit为随机误差，X为其他控制变量，j为第j个控制变量，δ为控制变量的系数。

式(6)所示的计量模型并未考虑企业生产率在地区间的空间自相关效应。正如引言中所述，由于地区间竞争效应、学习效应以及知识溢出效应的存在，使得地区企业的生产率水平并非一个完全独立的变量，因而需要考虑变量数据的空间自相关效应，建立空间计量经济学模型。

根据Anselin(1988)，空间计量经济模型主要有空间自相关模型(Spatial Autoregressive Model, SAR)和空间误差模型(Spatial Error Model, SEM)两种形式。当变量的空间依赖性对计量模型非常关键而形成了空间相关性时，即为空间自相关模型，而当计量模型的误差项在空间上自相关时，即为空间误差模型。

(7)

(8)

式(7)和式(8)即分别为空间自相关模型和空间误差模型。其中，W为空间权重矩阵，依据地区相邻原则对其进行赋值，如果两个地区相邻，权重赋予1，否则赋予0；ρ为空间自回归系数，θ为空间误差系数；μ、ε为误差项。其他变量定义与上文相同。后文中，我们还将对式(7)和式(8)中的全要素生产率进行分解，以明确政府科技资助的技术进步效应与效率改善效应。

由于空间计量模型的建模思想违背了数据独立的经典假设，因而如果仍然采用传统的最小二乘法对其进行估计，对于空间误差模型而言，其结果虽然是无偏的，但不具有有效性；而对于空间自相关模型而言，其估计结果不仅是有偏的，而且是不一致的。Anselin(1988)的研究证明极大似然法可以克服上述缺陷。由于本文采用的是面板数据形式的空间计量经济学模型，因而我们将应用Elhorst(2003)提出的基于空间面板数据的极大似然法对计量模型进行估计。

四、数据与变量

本文采用2000-2012年中国高技术产业工业企业分地区的样本数据进行研究，原始数据来源于2001-2013各年的《中国高技术产业统计年鉴》、《中国统计年鉴》以及各省区《统计年鉴》。由于考察期内，西藏、海南、青海、新疆等省区存在较多年份数据的缺失，研究中暂时不予考虑。剔除缺失样本后，共选取27个省区的351个样本进行研究。

(一)全要素生产率的测算

关于全要素生产率的测算，目前主要有参数法和非参数法两大类。前者包括索罗剩余法、随机边界法等。此类方法的优点是具有明显的经济理论基础，但其缺点是需要事先设定生产函数的具体形式，如果生产函数的形式设定错误，结果也将有较大的偏差。后者则以基于数据包络分析(Data Envelope Analysis, DEA)技术的Malmquist指数法为代表。该方法采用线性规划技术求解，不需要事先设定生产函数，而且计算简便，因而在研究中得到广泛应用。本文也采用Malmquist指数法来测算高技术产业工业企业的全要素生产率水平，并将其分解为技术进步和技术效率变化。

假定每个省区为一个决策单元，(xt，yt)、(xt+1，yt+1)分别表示某一地区第t和t+1期的投入产出量。根据Fare等(1994)，利用Malmquist生产率指数，全要素生产率的变动(tfp)可分解为技术进步(tc)与技术效率变化(tec)的乘积，即：

tfp(xt,yt,xt+1,yt+1)=tc(xt,yt,xt+1,yt+1)×tec(xt,yt, xt+1,yt+1)

(9)

其中，如果tfp、tc、tec大于1，表示全要素生产率增长、技术进步和技术效率改善，反之，则表示全要素生产率退步、技术退步和技术效率恶化①。

利用上述Malmquist生产率指数进行核算时，投入变量为各地区高技术产业工业企业就业人数(L)和资本存量(K)，产出变量为各地区高技术产业工业企业主营业务收入(Y)，并用工业品出厂价格指数平减成2000年不变价。对于资本存量，我们沿袭张军等(2004)的思路，采用永续盘存法进行估算，其公式为：

Kit=Kit-1(1-δ)+Iit

(10)

其中，Kit、Kit-1分别为第i个地区第t年和第t-1年的资本存量。I为当年的固定资本投资额，我们根据历年各地区固定资产价格指数将其换算成2000年为基期的实际值。折旧率亦按照张军等(2004)的设置，取其值为9.6%。

表1报告了考察期内我国高技术产业工业企业分地区的全要素生产率变动指数、技术进步指数和技术效率变化指数的均值。

表1　各地区三项指数均值

从表1可看出，考察期内我国大部分地区高技术产业工业企业全要素生产率均显示出增长的态势，且由于各地区的技术进步值均大于相应的技术效率变化值，因此技术进步也成为推动各地区全要素生产率增长的主要动力，这与多数学者所发现的我国省域全要素生产率增长动力来源相一致(Zheng和Hu，2006；王志刚等，2006；舒元和才国伟，2007；张成等，2011)。从全国整体的均值来看，高技术产业工业企业全要素生产率年均增长约7%，这其中技术进步贡献约5.7%，技术效率改善贡献约1.3%，技术进步仍然是全要素生产率增长的主要动力。

接下来，我们应用空间Moran's I指数对上述三项指数是否具有空间相关性予以检验，并借此验证本文是否有必要采用空间计量模型。结果如表2所示。

从表2可看出，三项指数的Moran's I值均显著大于零，表明其在空间上的分布并非是随机的，而是具有明显的正向空间相关性，从而也验证了本文采用空间计量模型的必要性。

表2　区域创新绩效空间MoranI指数核算结果

注：括号内为显著性概率；***表示显著性水平小于0.01；/表示该项为空.

(二)政府科技资助

政府科技资助是本文的核心解释变量，其质量的优劣直接关系到本文研究结果的可靠性。可喜的是，《中国高技术产业统计年鉴》中定期公布了我国地区高技术产业工业企业获得的政府科技资助金额，我们用工业品出厂价格指数将其统一平减成2000年的实际值。魏守华和吴贵生(2008)曾认为政府的研发资助主要流向了大学和研究机构，因而他们采用《中国科技统计年鉴》中公布的大学与研究机构的研发经费之和作为地区政府R&D经费的替代指标，但显然，这与本文关注的企业主体不相符合。考察期内，我国政府对企业的科技资助获得了较快增长，从2000年的172756.20万元，增长到2012年的1156436.45万元，年均几何增长达到15.75%。当然，政府科技资助的地区差距也比较大。就我们的27个考察样本而言，得到资助最大的广东一共获得865028.09万元，而资助最小的青海，仅有8734.94万元，前者是后者的99倍之多。

(三)其他控制变量

参考以往研究，并基于数据的可得性，本文主要对企业R&D资本、企业人力资本、企业开放水平、企业规模水平以及基础设施环境等变量进行控制。

企业R&D存量(Sto)。企业R&D存量代表了企业自身的研发累积。R&D对经济增长、生产率提高的重要作用已得到大量研究的支持(Romer，1986；Coe和Helpman，1995；Hu等，2005；Jefferson等，2006；吴延兵，2006a)，因此本文也对其进行了控制。由于《中国高技术产业统计年鉴》只报告了各地区高技术产业工业企业的R&D经费这一流量支出，本文利用工业品出厂价格指数将其平减为2000年的实际值，并利用永续盘存法将其核算成R&D存量形式。核算方法与上文核算固定资本存量时一致，不过由于R&D资本具有较快的更新速度，我们取其折旧率为15%，这也是目前研究中采用较多的一个折旧水平(Griliches，1989；Hu等，2005；吴延兵，2006b；白俊红等，2009)。代入计量模型时，为了降低异方差的影响，我们对其进行对数处理。

企业人力资本(Hum)。人力资本对生产率的影响亦得到学界的广泛关注(Lucas，1988；Mankiw等1992；Aiyar和Feyrer，2002；魏下海，2009)。按照舒尔茨(1992)的定义，人力资本主要是指凝聚在人体之中的知识、技能和熟练程度等，因此，企业人力资本水平越高，越有利于其生产率的提高。对人力资本的衡量有平均受教育年限、出生率、识字率以及大学生数等，考虑到高技术产业高研发投入、高创造性的特点，本文以高技术产业科技活动人员占从业人员的比重来衡量其人力资本水平。

企业开放水平(Ope)。研究表明，发展中国家实行对外开放，与发达国家开展经济、技术以及管理经验的交流，有利于发展中国家的技术进步和生产率提升(Tybont和Westbrook，1995；毛其淋和盛斌，2011)。一般情况下，发展中国家主要通过对外贸易和引进外商直接投资(FDI)两种途径来实现国家的生产率提升。对外贸易，特别是出口贸易，由于企业直接与国际市场接触，有利于其从国外买方企业学习到包括产品工艺设计、业务流程改进以及组织结构设置等方面的新知识和技术，同时出口贸易所带来的规模经济以及买方企业对产品质量的严格控制和改进建议，亦都有利于本土企业生产率的提升。而FDI则通过技术扩散效应、演示-模仿效应、产业链关联效应、竞争效应以及人员培训效应等途径促进发展中国家生产率水平的提高(何元庆，2007)。此处，由于目前尚缺乏流入高技术产业分地区的FDI数据，我们仅从对外贸易方面来衡量对外开放水平。具体地，我们用高技术产业工业企业出口额占主营业务收入的比重来表征对外开放水平。

企业规模水平(Sca)。企业规模也是影响生产率水平的一项重要因素。规模大的企业可以发挥其规模经济和范围经济的优势，降低企业的成本，提升生产效率。另一方面，规模大的企业可以负担得起巨额的研发费用，因而在技术创新方面具有优势，这也有利于企业生产率的提高(Gayle，2001；吴延兵，2006b)。当然，大企业也可能由于其组织庞大、机构臃肿、信息反映迟钝、官僚作风等原因而降低了企业的生产率水平。相对而言，小企业虽然不具有规模和资金优势，但由于其组织结构灵活简单、对市场反应速度快以及经济决策高度集中等特点，亦可以取得较高的生产率水平。本文用地区高技术产业工业企业主营业务收入与地区企业数的比值来近似衡量地区企业的平均规模。

基础设施环境(Fou)。基础设施对经济增长和生产率的提高亦具有重要的影响。良好的基础设施条件不仅有利于改善企业经营环境，降低企业交易成本，提高交易效率(Moreno等，2003)，而且为企业间资源要素和产品货物的自由流动提供了便利，从而也优化了资源的配置，促进了企业生产率的提升(Yilmaz等，2002；刘秉镰等，2010)。本文研究中亦对基础设施进行控制，并用各地区邮电业务总量占GDP的比重来近似表征。

五、结果与讨论

分别以全要素生产率、技术进步和效率改善作为被解释变量，以政府科技资助和其他控制变量为解释变量，建立空间计量模型进行回归，估计结果如表3所示。由于Hausman检验支持了固定效应模型，表3中只报告了固定效应模型的回归估计结果。

表3　回归估计结果

注：括号内数值为显著性概率，*、**、***分别表示显著性概率为0.1、0.05和0.01.

表3报告了空间自相关模型(Sar)和空间误差模型(Sem)的回归估计结果。至于空间自相关模型和空间误差模型哪个更适宜描述样本数据，Anselin等(1996)建议采用两个拉格朗日乘数(LM-sar和LM-Sem)及其稳健形式(RLM-sar和RLM-Sem)来判断，其原则是：如果空间自相关模型和空间误差模型所分别对应的两个统计量LM-sar与LM-Sem，一个显著，一个不显著，则显著的即为要选择的模型；如果两个都显著，则需要进一步比较RLM-sar和RLM-Sem，显著的即为适宜的模型。根据这一判断准则，无论是对于全要素生产率，还是技术进步、效率改善的回归模型，其LM-sar与LM-Sem均显著，而RLM-Sem显著，RLM-sar不显著，因此空间误差模型更为恰当。同时，从调整后R2以及极大似然函数值(Log L)来看，也显示出空间误差模型优于空间自相关模型的情形。因此，我们选择空间误差模型的回归估计结果进行分析和讨论。

从估计结果来看，全要素生产率、技术进步与效率改善的空间误差系数均显著为正，说明这三项指数均存在明显的正向空间自相关性，即邻近地区的各项指数越高，本地区的相应指数也越高。地理空间邻近，不仅有利于降低生产要素的运输成本，便利生产要素的流动，提高了资源的利用效率，而且有利于人们面对面的交流，以及知识、技术的传播、扩散和应用，进而也促进了企业生产率的提升。显著的空间误差系数同时也印证了本文采用空间计量方法的必要性和合理性。

政府科技资助对全要素生产率增长有显著的正向影响，且这种影响主要是通过技术进步产生的，对效率改善的作用并不明显。政府的科技资助降低了企业研发创新的风险，弥补了企业研发资金的不足，有力地促进了企业新知识和新技术的诞生，从而也推动了企业的前沿技术进步；同时，由于并不是所有的企业都能够获得政府的资助，因此得到资助本身就是对企业前期积累的肯定，这一有利信号的传递也有助于企业获得更多的外部研发资源(Kleer，2008)，促进了企业技术水平的提升。但可能由于政府科技资助作为引导资金，本身占企业研发经费的比重就比较低，因而并没有起到规模经济的效果，同时也可能源于我国目前政府科技资助的投放依然比较粗放，以及企业在申请资助时的策略性逆向选择行为(安同良等，2009)等原因，使得政府科技资助的效率改善效应并不明显。总之，目前我国政府的科技资助主要是通过影响企业技术进步来促进全要素生产率提升的，效率改善的作用还未得到充分有效地发挥。

从控制变量来看，企业R&D资本存量对全要素生产率亦有显著的正向影响，说明企业的研发知识累积有利于生产率的提升，且其提升机制主要是通过促进企业新知识、新技术和新产品、新工艺的开发，进而推动前沿面技术进步引起的，而对企业的效率改善并无明显作用。企业人力资本水平对全要素生产率、技术进步和效率改善均有显著的正向影响。企业人力资本水平越高，意味着凝聚在人身上的知识、经验及技能水平等就越高，这不仅有利于推动企业的前沿技术进步，而且有利于企业更加有效地利用资源要素，组织生产，从而也提升了企业的效率水平。人力资本通过技术进步效应和效率改善效应，共同促进了企业生产率的提高。企业开放水平对全要素生产率和技术进步有显著的正向影响，对效率改善的作用并不显著，这在一定程度上说明目前我国的对外开放，主要是通过引起国外技术来促进企业生产率提升的，在学习国外先进管理经验和制度创新等方面还并不理想。企业规模水平对全要素生产率、技术进步和效率改善影响均不显著，一定程度上说明大企业和小企业在组织结构、技术创新等方面各具利弊，并不能成为影响企业生产率水平的关键因素。基础设施对三项指数均有显著的正向影响，说明加强基础设施建设，改善基础设施水平，有利于企业生产率的提升。

上文中，我们对政府科技资助影响企业生产率的效果进行了评估，并分析了其影响机制。事实上，我们更关心的一个问题是如何提升政府科技资助的效果呢？回答这一问题对于政府科技资助政策的科学制定，以及帮助企业更加有效地利用政府的科技资助，从而更好地发挥政府科技资助的功效具有重要意义。具体地，我们通过在计量模型中加入政府科技资助与企业R&D存量、企业人力资本水平、企业开放水平、企业规模水平以及基础设施水平等条件因素变量的交互项，来对这一问题进行考察。如果交互项系数显著为正，表明该条件因素的提高，有利于政府科技资助促进企业生产率水平提升功效的发挥②。

表4　加入交叉项后的回归估计结果

注：括号内数值为显著性概率，*、**、***分别表示显著性概率为0.1、0.05和0.01.

表4报告了加入交互项后，空间计量模型的回归估计结果。由于两个拉格朗日乘数及其稳健形式检验依然显示空间误差模型具有较好的拟合效果，因此我们依然据此模型结果进行分析讨论。

从估计结果来看，企业R&D存量与政府科技资助的交互项系数，在全要素生产率与技术进步回归模型中均显著为正，表明企业R&D存量的提升有利于发挥政府科技资助的技术进步效应，进而也促进企业全要素生产率的提高。企业的R&D存量不仅体现出企业的研发累积和创新能力，而且也提高了企业对外来资金的吸收能力(Coe和Helpman，1995；张海洋，2005)，从而也有利于企业的技术进步和全要素生产率提升。企业人力资本对政府科技资助的技术进步效应和效果改善效应的发挥均有显著的正向影响。企业人力资本水平的提高，不仅有利于提高企业的技术水平和创新能力，也有利于企业更加有效地利用政府的科技资助，从而也助推了企业全要素生产率水平的提升。企业对外开放、基础设施环境与政府科技资助交互项的系数在三项指数回归中均不显著，这在一定程度上说明，企业的对外开放水平以及外部基础设施环境并不影响政府科技资助功效的发挥。企业的对外开放和基础设施环境仅代表了企业与国外的交流互动以及外部环境条件，并不能成为影响政府科技资助绩效水平的关键性因素。值得注意的是，企业规模与政府科技资助的交互项系数在全要素生产率以及技术进步的回归模型中均显著为负，表明企业规模越大，越不利于政府科技资助功效的发挥。其原因可能在于，相对于小企业，大企业一般实力雄厚，并不缺乏研发资金，因此政府科技资助可能挤出了大企业自身的研发投资；而小企业由于自身资金受限，政府的科技资助可以有效弥补其研发经费的不足，而且小企业组织结构灵活，决策能力强，这些均有助于其对政府科技资助的充分利用，进而促进了企业技术水平的提升和全要素生产率的提高。

上文中，作为建立空间计量模型时的关键要素之一——空间权重，我们将其设置为(0，1)形式的空间邻接矩阵。这种设置方法假设如果两个地区在地理位置上空间相邻，其之间就有联系，否则就无关联，这显然与事实并不相符。比如，北京与河北相邻，与山东不相邻，但我们不能认为北京与河北之间有联系，而与山东之间就没有联系。为了克服这一不足，我们参照Paas和Schlitte(2006)提出的空间距离权重③，重新设置空间计量模型，对回归结果的稳健性予以检验。由于两个拉格朗日乘数以及其稳健形式检验仍然支持了空间误差模型，所以限于篇幅，我们只给出了未控制交互项与控制交互项时的空间误差模型回归估计结果，如表5所示。

表5　空间距离权重的回归估计结果

注：括号内数值为显著性概率，*、**、***分别表示显著性概率为0.1、0.05和0.01；“/”表示该项为空.

从表5可看出，无论是加入还是未加入交互项，三项指数的空间误差系数均显著为正，这也再一次表明全要素生产率、技术进步与效率改善均存在显著的空间自相关性。在未加入交互项时，政府科技资助对全要素生产率与技术进步均有显著的正向影响，政府科技资助主要通过其技术进步效应促进了企业全要素生产率的提升。企业R&D存量和对外开放水平亦主要通过促进企业的技术进步来提高企业的全要素生产率水平，而企业的人力资本不仅有助于企业的技术进步，而且有利于企业的效率改善，进而也共同促进了企业全要素生产率水平的提高。企业规模对三项指数的影响均不显著，说明大企业和小企业在生产率表现方面并不具明显差异。当加入交互项以后，企业R&D存量、企业人力资本与政府科技资助的交互项系数均显著为正，但企业R&D存量主要是通过影响政府科技资助的技术进步效应来起作用的，而企业人力资本则有利于政府科技资助技术进步效应和效率改善效应的共同发挥。对外开放水平、基础设施环境与政府科技资助的交互项系数均不显著，而企业规模与政府科技资助交互项系数显著为负。这些均与前文一致。改变空间权重以后，并没有影响文章的基本结论。结果具有稳健性。

六、结论

如何提升政府科技资助的效率，充分发挥其资助的功效，是学界和政界共同关注的一项重要议题。本文采用2000-2012年中国高技术产业分地区工业企业面板数据，应用空间计量分析方法，在探讨政府科技资助促进企业生产率提升的机理的基础上，实证分析了政府科技资助对企业全要素生产率、技术进步和效率改善的影响。主要的研究发现有：

全要素生产率、技术进步与效率改善均具有明显的正向空间自相关效应。地区企业的技术进步与效率改善，不仅促进了本地区企业全要素生产率的提高，而且可以通过竞争效应、溢出效应与学习效应等途径影响周边地区企业全要素生产率的提升，且地区间地理位置越临近，这种空间自相关效应越明显。因此，从政策层面来讲，应充分考虑地区间空间自相关效应的存在，进一步健全市场导向机制，破除地区间的资源要素流通壁垒，促进资源要素的合理流动，同时加强地区间的交流、合作与知识、信息、资源共享，将有利于我国企业全要素生产率的整体提升。

政府科技资助对企业全要素生产率有显著的正向影响，且其主要是通过影响政府科技资助的技术进步效应来实现的，对效率改善的作用还未明显显现。企业R&D存量和对外开放水平有助于促进企业的技术进步，并通过这一效应，促进了企业全要素生产率的提高。企业人力资本水平和基础设施环境对全要素生产率、技术进步和效率改善均有显著的正向影响，而企业规模的影响并不显著。这些结论的政策含义在于，加大政府科技资助有利于我国企业全要素生产率的提升，当然，为了更好地发挥其功效，还需在改善政府科技资助的投放方式、严格考核企业的申请条件，以促进其效率提升等方面大下功夫。另外，为了促进企业全要素生产率的提高，鼓励企业增强R&D存量、提高人力资本水平、扩大对外开放水平，并且政府进一步改善基础设施环境均具有重要意义。

研究还发现，企业R&D存量的提高还有利于政府科技资助技术进步效应的发挥，而企业人力资本水平的提升，不仅有利于发挥政府科技资助的技术进步效应，而且有利于发挥其效率改善效应，进而通过两者共同作用促进了企业全要素生产率的提升。企业对外开放和基础设施环境并不影响政府科技资助功效的发挥，而企业规模则产生显著的负向影响。这些结论的政策含义也是明显的，企业R&D资本的累积和人力资本水平的提高均有助于发挥政府科技资助提升企业全要素生产率的功效，这两项因素也可作为政府在甄选资助对象时重要考虑的两个条件因素，而至于企业对外开放水平如何、地区的基础设施环境如何，并不影响政府的甄选决策，适当加强对小企业的资助也有利于发挥政府科技资助的功效。

[注释]

①关于Malmquist生产率指数的具体计算过程，可参见Fare等(1994)及国内外的相关文献，此处就不再赘述.

②以企业R&D存量(lnSto)与政府科技资助(lnG)的交互项为例.当我们在式(8)中加入企业R&D存量与政府科技资助的交互项lnSto×lnG时(假设其系数为φ)，政府科技资助对全要素生产率的偏效应，即∂lntfp/∂lnG=β+φ·lnSto.显然，如果φ显著为正，说明R&D存量越高，越有利于政府科技资助促进企业生产率水平提高功效的发挥.具体可参见伍德里奇(2003).

③Paas和Schlitte(2006)的空间距离权重为ωij=1/d2，其中d为两个地区中心位置间的距离.我们利用Geoda095i软件，并根据国家地理信息系统网提供的1:400万电子地图，得到此距离；i和j分别代表第i和第j个地区，如果i=j，权重设置为0.可见，该权重意味着距离越近，地区间的空间联系越紧密.

[参考文献]

[1]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).

[2]白俊红.中国的政府R& D资助有效吗?来自大中型工业企业的经验证据[J].经济学(季刊),2011,(4).

[3]白俊红,江可申,李婧.应用随机前沿模型评测中国区域研发创新效率[J].管理世界,2009,(10).

[4]何元庆.对外开放与TFP增长：基于中国省际面板数据的经验研究[J].经济学(季刊),2007,(4).

[5]李婧,谭清美,白俊红.中国区域创新生产的空间计量分析——基于静态与动态空间面板模型的实证研究[J].管理世界,2010,(7).

[6]刘秉镰,武鹏,刘玉海.交通基础设施与中国全要素生产率增长——基于省域数据的空间面板计量分析[J].中国工业经济,2010,(3).

[7]刘凤朝,孙玉涛.我国政府科技投入对其他科技投入的效应分析[J].研究与发展管理,2007,(9).

[8]毛其淋,盛斌.对外经济开放、区域市场整合与全要素生产率[J].经济学(季刊),2011,(1).

[9]舒元,才国伟.我国省际技术进步及其空间扩散分析[J].经济研究,2007,(6).

[10]王志刚,龚六堂,陈玉宇.地区间生产效率与全要素生产率增长率分解(1978-2003) [J].中国社会科学,2006,(2).

[11]魏守华,吴贵生.区域R&D经费空间分布及其变动特征研究[J].研究与发展管理,2008,(1).

[12]魏下海.贸易开放、人力资本与中国全要素生产率——基于分位数回归方法的经验研究[J].数量经济技术经济研究,2009,(7).

[13][美]伍德里奇.计量经济学导论：现代观点[M].北京：中国人民大学出版社,2003.

[14]吴延兵.R&D与生产率——基于中国制造业的实证研究[J].经济研究，2006a,(11).

[15]吴延兵.R&D存量、知识函数与生产效率[J].经济学(季刊),2006b,(4).

[16][美]西奥多·W·舒尔茨.论人力资本投资[M].吴珠华,等译.北京：北京经济学院出版社,1990.

[17]解维敏,唐清泉,陆姗姗.政府R&D资助，企业R&D支出与自主创新——来自中国上市公司的经验证据[J].金融研究,2009,(6).

[18]张成,陆旸,郭路,于同申.环境规制强度和生产技术进步[J].经济研究,2011,(2).

[19]张海洋.中国工业部门R&D吸收能力与外资技术扩散[J].管理世界,2005,(6).

[20]张军,吴桂英,张吉鹏.中国省际物质资本存量估算:1952-2000[J].经济研究,2004,(10).

[21]庄子银.创新、企业家活动配置与长期经济增长[J].经济研究,2007,(8).

[22]Aiyar S and J Feyrer.A Contribution to the Empirics of Total Factor Productivity[R].Working Paper,IMF and Dartmouth College,2002,(2-9).

[23]Anselin L.Spatial Econometrics: Methods and Model[M].Kluwer Academic Publishers,1988.

[24]Anselin L,R Florax,A K Bera and M J Yoon.Simple Diagnostic Tests for Spatial Dependence[J].Regional Science and Urban Economics,1996,(26):77-104.

[25]Arrow K.The Economic Implications of Learning by Doing[J].Review of Economic Studies,1962,(3):155-173.

[26]Coe D.and E Helpman.International R&D Spillovers[J].European Economic Review,1995,(5):859-887.

[27]Czarnitzki D and K Hussinger.The Link between R&D Subsidies, R&D Spending and Technological Performance[R].ZEW Discussion Paper,2004,(04-56).

[28]Duguet E.Are Subsidies a Substitute or A Complement to Privately Funded R&D? Evidence from France Using Propensity Score Methods for Non-experiment Data[R].University de Pair I:Working Paper,2003,(75).

[29]Elhorst J P.Specification and Estimation of Spatial Panel Data Models[J].International Regional Science Review,2003,(26):244-268.

[30]Elhorst J P.Unconditional Maximum Likelihood Estimation of Linear and Log-linear Dynamic Models for Spatial Panels[J].Geographical Analysis,2005,(37):85-106.

[31]Fare R ,S Grosskopf and C A K Lovell.Production frontiers[M].Cambridge:Cambridge University Press,1994.

[32]Gonzalez X and C Pazo.Do Public Subsidies Stimulate Private R&D Spending[J].Research Policy,2008,(3):371-389.

[33]Griliches Z. Patents: Recent Trends and Puzzles[A].Brookings Papers on Economic Activity, Microeconomics[C].Washington,D.C.:The Brookings Institution,1989.291-319.

[34]Görg H and E Strobl.The Effect of R&D Subsidies on Private R&D[J].Economica,2007,(5):215-234.

[35]Hulten C R,E Bennathan and S Srinivasan.Infrastructure, Externalities and Economic;Development:A Study of the Indian Manufacturing Industry[J].The World Bank Economic Review,2006,(2):291-308.

[36]Hall B.The Financing of Research and Development[J].Oxford Review of Economic Policy,2002,(1):35-51.

[37]Hu A G Z,G H Jefferson and J C Qian.R&D and Technology Transfer:Firm-Level Evidence from Chinese Industry[J].Review of Economics and Statistics,2005,(4):780-786.

[38]Jefferson G H,H Bai,X Guan and X Yu.R&D Performance in Chinese Industry [J].Economics of Innovation and New Technology,2006,(4-5):345-366.

[39]Kleer R.Government R&D Subsidies as A Signal for Private Investors[R].Bavarian Graduate Program in Economics,Discussion Paper,2008.

[40]Lucas R E.On the Mechanics of Economic Development[J].Journal of Monetary Economics,1988,(22):3-42.

[41]Mankiw G N,D Romer and D N Weil.A Contribution to the Empirics of Economic Growth[J].Quarterly Journal of Economics,1992,(7):407-437.

[42]Market P G.Concentration and Innovation:New Empirical Evidence on the Schumpeterian Hypothesis[R].Center for Economic Analysis,University of Colorado,Working Paper,2001,(01-14).

[43]Moreno R,E Lopez-Bazo,and M.Artís.On the Effectiveness of Private and Public Capital[J].Applied Economics,2003,(6):727-740.

[44]Paas T and F Schlitte.Regional Income Inequality and Convergence Processes in the EU-25[R].ERSA Conference Papers,2006,(6):229.

[45]Paelinck J and L Klaassen.Spatial Econometrics[M].Farnboroueh:Saxon House,1979.

[46]Romer P M.Increasing Returns and Long-Run Growth[J].Journal of Political Economy,1986,(5):1002-1037.

[47]Romer P M.Endogenous Technological Change[J].Journal of Political Economy,1990,(5):71-102.

[48]Tassey G.The Economics of R&D Policy[M].Quorum Books,Wcstport,CT.1997.

[49]Tobler W R.A Computer Movie Simulating Urban Growth in the Detroit Region[J].Economic Geography,1970,(2):234-240.

[50]Tybont J and M D Westbrook.Trade Liberalization and the Dimensions of Efficiency Changes in Mexican Manufacturing Industries[J].Journal International Economics,1995,(1-2):53-78.

[51]Wallsten S J.The Effects of Government-industry R&D Programs on Private R&D: The Case of the Small Business Innovation Research Program[J].RAND Journal of Economics,2000,(1):82-100.

[52]Yilmaz S,K E Haynes and M Dinc.Geographic and Network Neighbors,Spillover Effects of Telecommunications Infrastructure[J].Journal of Regional Science,2002,(2):339-360.

[53]Zheng J and A Hu.An Empirical Analysis of Productivity in China(1997-2001)[J].Journal of Chinese Economic and Business Studies,2006,(3):221-239.

[责任编辑：张晓娟]

Government S&T Subsidies and the Improvement of Industrial Enterprise Productivity: Based on the Spatial Econometric Method

FANG Yong-hua,RAO Shui-lin

(College of Economics and Trade,Guangdong Mechanical and Electrical Polytechnic, Guangzhou 510515, China)

Abstract:Based on the regional panel data of high technology industry enterprises in China, using spatial econometric analysis method, this paper examines the impact of government S&T subsidies on the industrial enterprise productivity. The study found that government S&T subsidies significantly promoted the industrial enterprise productivity, and its effect to the promotion mechanism are mainly through its influence on technology progress, to improve efficiency of effect is not obvious; the enterprise R&D and human capital stock are both helpful to the technology progress effect of government S&T subsidies, while firm size have a significant negative impact. The conclusion provides enlightenments for the government S&T subsidies policy of our government.

Key words:government S&T subsidies; enterprise productivity; spatial econometric

[中图分类号]F272.7

[文献标识码]A

[文章编号]2095-5863(2016)02-0100-13

[作者简介]方勇华(1981-)，男，江西婺源人，广东机电职业技术学院经济贸易学院讲师，硕士，从事金融市场研究.

[基金项目]广东省高等学校优秀青年教师培养计划资助项目(YQ201402)

[收稿日期]2016-02-03