基于向量自回归模型的技术创新、产业结构与经济增长的动态关系研究

杨兵+戴淑芬+葛泽慧

[摘 要] 本文选取我国1986-2015年的时间序列数据，通过构建技术创新、产业结构优化与经济增长三者间的向量自回归（VAR）模型，综合运用格兰杰因果关系检验、脉冲响应函数和方差分解的研究方法，对三者间的动态效应进行了实证研究。结果表明：技术创新与经济增长构成双向因果关系；经济增长是产业结构优化的格兰杰原因；产业结构优化是技术创新的格兰杰原因。技术创新、产业结构优化对经济增长具有明显的长期的正向冲击效应；经济增长对技术创新具有较长时期的正向冲击效应，产业结构优化对技术创新具有短期的正向冲击效应；经济增长对产业结构优化具有短期的正向冲击效应，技术创新对产业结构优化具有长期的负向冲击效应。

[关键词] 技术创新；产业结构；经济增长；VAR模型；脉冲响应函数

doi ： 10 . 3969 / j . issn . 1673 - 0194 . 2017. 21. 058

[中图分类号] F121.3；F124.3；F224 [文献标识码] A [文章编号] 1673 - 0194（2017）21- 0131- 08

1 引言及文献综述

作为经济增长的两个重要源泉，产业结构优化升级和技术创新不仅会对国民经济产生影响，而且相互作用：一方面，产业结构优化的过程中，创新资源的空间重置必然对创新产出产生影响；另一方面，技术创新在提高产业整体生产效率的同时，也促使生产要素从低效率产业向高效率产业的转移，从而实现产业结构的优化升级。随着社会的高速发展，科技的不断进步，技术创新与产业结构之间呈现出越来越强的相互渗透作用关系，它们之间所呈现的依赖性日益加深。因此，有必要深入考察和验证技术创新、产业结构优化这两个关键因素与经济增长三者间的关系。

对于技术创新与经济增长的关系，众多的学者都致力于此领域的研究，克鲁格曼在他的文章《亚洲奇迹的神话》中指出，大部分东亚国家和地区的经济增长主要依靠要素投入的增加，技术进步没有发挥显著作用。刘伟、张辉实证度量了产业结构变迁对中国经济增长的贡献，认为在1990—2002年期间，要素投入增长的贡献率和全要素生产率增长的贡献率呈现此消彼长的趋势，这和Chenery对所有工业化国家的研究有着相似的结论。张凤武研究了技术创新促进经济增长的过程与主要标志。陈英提出技术创新包含生产过程创新和产品创新两类。程开明利用省级面板数据的多模型估计发现，城市化与技术创新对经济增长具有正向促进作用。对于产业结构优化与经济增长的关系，李博研究分析了产业结构优化升级的机制及其与经济增长之间的关系，建立了一套基于静态投入产出模型的产业结构优化升级测度方法。付凌晖构造了一种新的产业高级化指标，发现我国经济总量增长明显带动了产业结构升级，而产业结构高级化对经济增长的促进作用并不显著；郑少智等通过构造产业结构高级化的指标对产业结构高级化与经济增长的关系进行了分析。对于技术创新与产业结构优化的关系，龚轶等对企业技术创新对产业结构优化的影响进行了分析。黄茂兴和李军军分析了技术选择、产业结构升级与经济增长之间的内在关系，认为通过合理的技术选择和资本深化，能够促进产业结构升级。

总结现有的相关研究成果来看，从技术创新或产业结构优化单个方面研究与经济增长的成果已经很多，且现有研究多从静态角度研究产业结构优化、技术创新对经济增长的单向影响，忽视了该影响在不同阶段可能发生的动态变化。因此，有必要深入研究技术创新、产业结构优化与经济增长三者间的关联性及动态发展，以求理解其关联机制与效应。

基于以上分析，本文运用我国1986-2015年的宏观经济数据，把技术创新、产业结构优化与经济增长放在一个分析框架中做进一步的量化分析，运用Eviews 8.0构建向量自回归模型VAR，运用格兰杰因果检验、脉冲响应函数和方差分解定量分析三者之间的动态传导机制。

2 研究方法与指标选取

2.1 研究方法

VAR模型。联立方程组等结构性方法需要通过经济理论来构建变量间的关系，但那些理论通常又不足以说明变量之间的动态联系。VAR模型不带有任何事先约束条件，将产业结构优化、技术创新与经济增长均视作内生变量，避开了结构建模中需要对系统内每个内生变量滞后值函数建模的问题，使用模型中所有当期变量对每个变量的若干滞后值进行回归，分析随机扰动对变量系统的动态影响，从而估计全部内生变量的相互动态关系。

最一般的VAR（P）模型如式（1）。

yt=A1yt-1+…+Apyt-p+B1xt+…+Brxt-r+εt（1）

式中，yt是m维内生变量向量；xt是d维外生变量向量；A1，…，Ap和B1，…，Br是待估计的参数矩阵，内生变量和外生变量分别有p和r阶滞后期；εt是随机扰动项，同期之间可以相关，但不能有自相关，不能与模型右边的变量相关。

2.2 指标选取与数据来源

为了保证数据统计口径的一致性与可得性，本文选择时间跨度为1986-2015年的数据。

（1）经济增长（GDP）以全国各年的实际GDP值衡量，利用GDP平减指数对名义GDP进行平减，基期为1986年，数据来源于历年的《中国统计年鉴》，单位为“亿元”。

（2）产业结构优化率（CYYH）以“第二、第三产业生产总值之和占总产值比重”来衡量，数据来源于历年的《中国统计年鉴》，单位为“%”。根据产业组织理论中配第-克拉克定理，本文选择产业结构优化率（CYYH）来表示产业结构优化升级情况，CYYH=（第二产业产值+第三产业产值）/GDP，数据来源于历年的《中国统计年鉴》，单位为“%”。

（3）技术创新（ZL）借鉴李从荣等以国内专利授权量作为技術创新能力和水平的衡量指标，数据来源于历年的《中国科技统计年鉴》，单位为“件”。

3 模型与实证分析endprint

3.1 平稳性检验

由于大多数宏观时间序列具有趋势特征，直接对这些时间序列进行回归会产生虚假回归现象，因此我们在对这些时间序列进行回归分析之前，有必要对这些时间序列进行单位根检验，以判断该序列是否平稳，只有平稳的时间序列才能进行回归分析，因此本文采用ADF方法（Augmented Dickey-Fuller）来进行平稳性检验。对样本数据的检验结果如表1所示。

时间序列往往具有非平稳的特点，为避免估计结果和检验统计失去通常的性质，而得出错误的结论，在建立模型之前首先要对各时间序列进行平稳性检验。在模型的构建过程中，为了消除序列中存在的异方差，减少数据的波动，本文对各变量进行了对数化处理，变量的原始序列为GDP、ZL、CYYH，处理后的变量依次记为LGDP（经济增长取自然对数）、LZL（技术创新取自然对数）、LCYYH（产业结构优化取自然对数）。

本文采用Eviews 8.0软件中ADF检验分别对GDP、ZL、CYYH、LGDP、LZL以及LCYYH进行单位根检验，检验结果如表1所示。

注：（1）***表示在1%的显著性水平上通过检验

（2）（c，t，q）表示序列ADF检验形式，c，t，q分别代表常数项、时间趋势和滞后阶数。

从表1的结果中可以看出，变量的原始序列GDP、ZL、CYYH均为非平稳序列，上述三个变量在对数水平上均通过了ADF单位根检验，而且都为零阶单整序列I（0），因此可以用这三个序列构建VAR模型。

3.2 滞后阶数选择（VAR模型滞后期的选择）

建立VAR模型除了要满足平稳性条件外，还要确定最大滞后期。对于滞后长度的选取，一般希望滞后数足够大以便能够较好地反映所构造模型的动态特征。但是滞后数越大，模型中待估计的参数也越多，模型的自由度也越小。在无约束（unrestricted）VAR（P）模型条件下，可依据LR、FPE、AIC、SBIC、HQIC等多种检验准则，通过测试不同VAR（P）模型对应的值，得出VAR（P）的最佳滞后阶数。结果如表2所示，LR、FPE、AIC、SBIC、HQIC等检验准则均表明应该选择滞后3阶的VAR模型比较合适（打星号者）。根据单位根图（图1）可知，向量自回归的根都在圆内，所以建立的3阶向量自回归模型是稳定的。

*表示该标准选择的滞后阶数

3.3 格兰杰因果检验

Granger（1969）提出一种如何检验变量之间因果关系的方法，用于分析时间序列变量之间的因果关系，主要看现在的变量在多大程度上被过去的其他变量解释。对于多变量情形（VAR），Eviews将进行成对的格兰杰因果检验。

根据格兰杰因果分析，本研究对应的三变量模型为：

如果同时考虑检验模型的序列相关性以及赤池信息准则（AIC），可以发现本文所构建的技术创新、产业结构优化与经济增长模型中，滞后3阶的检验模型不具有1阶自相关性，而且也拥有较小的AIC值，因此下面利用格兰杰因果检验分析它们之间作用力的方向即因果关系进行检验，结果如表3所示。

由表3的结果可知，1986-2015年期间，在经济增长的方程中，技术创新在5%的显著性水平下拒绝原假设，表明技术创新是经济增长的格兰杰原因；在10%的显著性水平下接受产业结构优化不是经济增长的格兰杰原因的原假设。在技术创新的方程中，经济增长在1%的显著性水平下拒绝原假设，表明经济增长对技术创新具有显著的格兰杰影响；产业结构優化的格兰杰因果检验在5%的显著性水平上拒绝原假设，说明产业结构优化在格兰杰意义下影响技术创新，产业结构优化是技术创新的格兰杰原因。在产业结构优化的方程中，经济增长在1%的显著性水平下拒绝原假设，说明经济增长对产业结构优化具有显著的格兰杰影响；技术创新在10%的显著性水平下接受原假设，说明技术创新在格兰杰意义下对产业结构优化不具有显著的影响。

综上可知，在格兰杰意义下，技术创新与经济增长构成双向因果关系。经济增长是产业结构优化的格兰杰原因，而产业结构优化不是经济增长的格兰杰原因。产业结构优化是技术创新的格兰杰原因，而技术创新不是产业结构优化的格兰杰原因。由此可见，我国经济增长的驱动力是技术创新，经济增长对于产业结构优化和技术创新具有重要的推动作用，产业结构优化对于经济增长的促进作用可以通过技术创新这个中介变量来实现。

3.4 变量的脉冲响应分析

以上的分析只是根据历史统计数据来反映技术创新、产业结构优化以及经济增长之间的关系，其分析的基础是外部环境保持稳定。而如果要在外部环境不断变化的情况下分析技术创新、产业结构优化与经济增长三者间的长期作用就需要借助脉冲响应函数方法（Impulse Response Function，IRF）。

在实际应用中，由于VAR模型是一种非理论性的模型，它无需对变量做任何先验性约束，因此在分析VAR模型时，往往不分析一个变量的变化对另一个变量的影响如何，而是分析当一个误差项发生变化，或者说模型受到某种冲击时对系统的动态影响，这种分析方法称为脉冲响应函数方法。该方法可以表现出变量的单位变化通过其内在联系对整个系统的扰动，以及各变量对这些扰动的综合反应。

因此本文利用脉冲响应函数对各变量之间的系统关系进行脉冲响应分析，找到各变量脉冲扰动的长期反应，进而确定各变量之间的长期关系。

图2-图4的脉冲响应图中，横轴代表冲击作用的滞后期间数（单位：年度），纵轴则代表响应变量的响应值。图中的实线为脉冲响应函数，虚线则表示正负两倍标准差偏离带。

由图2可以看出，在本期内经过一个标准差的冲击后，经济增长对其自身的一个冲击有明显的正向响应，第三期达到最大的正向响应，随后逐步下降，第九期达到最小响应值，此后逐渐平稳上升。经济增长对技术创新有一个明显的一期时滞，随后逐步平稳上升，第五期达到最大响应值，持续形成对技术创新的正向响应。这说明技术创新对经济增长冲击的后期影响持续时间较长，正向效应不断增加。在本期给产业结构优化一个正向冲击后，经济增长对其有一个明显的一期时滞，随后逐步上升在第六期最显著，此后均为正向效应。endprint

从总体上说，经济增长在其对自身冲击的影响下仍可保持平稳增长，并且影响的程度远大于技术创新与产业结构优化。当在本期分别给技术创新及产业结构优化一个正冲击后，二者均会给经济增长带来正面的影响，前五期中技术创新对经济增长的冲击幅度大于产业结构优化对经济增长的冲击，自第六期开始，技术创新对经济增长的正向影响开始小于产业结构优化。

从图3中可知，一个经济增长正交化冲击，在第一期就对技术创新产生正向影响，然后开始逐步减弱，到第四期逐渐趋于零，第五期变为负向影响，随后逐步产生正向影响，并在第八期达到最大的正向影响，第九期开始稳定增长。可见，经济增长受外部条件的某一冲击后，给技术创新带来同向的冲击，而且这一冲击具有显著的促进作用和较长的持续效应。

给技术创新一个正交化冲击后，在第一期就对自身有最大的正向影响，此后逐步下降，第四期达到最小响应值，随后逐步上升。

技术创新对产业结构优化有一个明显的一期时滞，在前3年內呈现正向响应并且显著为正。在随后的时间里，影响为负，并呈现向零效应收敛的迹象，自二十一期后开始变为正向的响应。

从总体上看，自第六期开始，经济增长对技术创新的正向冲击开始大于技术创新对其自身的冲击，产业结构优化对技术创新的冲击作用始终小于经济增长与技术创新。

从图4中可知，当经济增长冲击发生后，产业结构优化对其的一个标准差新息立刻有较强反应，第二期达到最大的正向响应，然后开始逐步减弱，第四期开始变为负向影响，第五期达到最大的负向响应，到第七期逐渐趋于零，随后又变为负向影响，其影响于第十期接近零，其后，保持较长时间的负向冲击效应。

给技术创新一个正的冲击，在第一期就对产业结构优化有负的影响，第七期达到最大的负的影响，然后开始逐渐减弱，但其影响都是负的，此后这种负向作用逐渐趋于0。

给产业结构优化一个正向冲击后，在第一期就对自身有最大的正向影响，此后开始逐步减弱，但其影响都是正的。产业结构优化自身的惯性影响随着时间的推移逐步趋于弱化，这也符合市场的规律。

从总体上看，产业结构优化对来自其自身的正交化冲击有最大的响应，而对于经济增长冲击的响应，前三期均为正值，其余时期均为负的响应值。可见经济增长对产业结构优化具有短期的正向冲击效应，经济增长加快了各产业之间的资源再配置，当生产要素从低效率产业向高效率产业转移时，生产率提高快的行业，其发展潜力就越大，而生产率增长相对较慢的行业，其在产业结构中的比重就会不断下降，从而实现了产业结构优化。技术创新的正交化冲击，对产业结构优化在长期内呈现负向效应。这可能是由于技术创新所具有的滞后性，当一项新技术出现的时候，在其对产业结构优化升级转变过程发挥作用前，往往需要经过新技术的商业化过程，而这个过程又包括产品开发、生产能力开发以及市场开发等过程，往往耗时很长。这也会导致技术创新对于产业结构优化的作用将不再那么的明显。

3.5 方差分解

对于VAR模型来说，还可以采用方差分解方法研究模型的动态特征。其主要思想是，把系统中每个内生变量（共m个）的波动（k步预测均方误差）按其成因分解为与各方程新息相关联的m个组合部分，从而了解各新息对模型内生变量的相对重要性。

方差分解通过分析每一个结构冲击对内生变量变化（通常用方差来度量）的贡献度，进一步评价不同结构冲击的重要性。它主要分析预测残差的标准差由不同新息的冲击响应的比例，从而分析对应内生变量对标准差的贡献比例。本文中将利用方差分析的基本思想分析经济增长（LGDP）、技术创新（LZL）与产业结构优化（LCYYH）三者分别对经济增长（LGDP）、技术创新（LZL）、产业结构优化（LCYYH）变动的贡献程度。

方差分析结果分别见表4、表5及表6。

从表5可以看出，第1期，技术创新对其自身的方差贡献率达到最大值81.44%，经济增长对技术创新的方差贡献率为18.56%，产业结构优化对技术创新的方差贡献率为0。前七期，技术创新对其自身的方差贡献率一直大于经济增长的贡献率。第8期，经济增长对技术创新的方差贡献率开始超过技术创新，达到了45.84%。此后经济增长对技术创新的方差贡献率持续增加，直至第10期的方差贡献率达到了48.25%，反映出影响技术创新最大的因素仍然是经济增长。产业结构优化对技术创新的方差贡献率自第1期开始缓慢增加，直至第6期达到最大值13.17%，此后一直保持在10%的贡献率。这与前面脉冲响应函数的分析结果基本一致。

表6为 LCYYH进行方差分解的输出结果。由表可知，第1期，产业结构优化对其自身的方差贡献率达到最大值84.45%，第2期对其自身的方差贡献率达到最小值53.19%，此后持续增加，直至第10期的方差贡献率达到了66.56%。经济增长对产业结构优化的方差贡献率在第1期达到了15.50%，第2期达到了最大贡献率45.47%，随后逐步下降，第10期的贡献率达到25.99%。技术创新对产业结构优化的方差贡献率在第1期为0.06%，此后逐步上升，直至第10期的方差贡献率达到了7.46%。反映出影响产业结构优化最大的因素仍然是其自身。经济增长对产业结构优化的方差贡献率始终大于技术创新对产业结构优化的方差贡献率。值得关注的是，以专利申请授权量作为技术创新的衡量指标，对产业结构优化的方差贡献度较小，可能的原因是在其对产业结构优化升级转变过程发挥作用前，往往需要经过新技术的商业化过程，而这个过程又包括产品开发、生产能力开发以及市场开发等过程，往往耗时很长，这也会导致技术创新对产业结构优化的作用将不再那么的明显。这与前面脉冲响应函数的分析结果基本一致。

4 结 语

本文通过构建VAR模型，综合运用单位根检验、Granger因果检验、脉冲响应函数、方差分解等方法，实证分析了技术创新、产业结构优化与经济增长三者间的相互作用关系。得出以下结论：endprint

（1）当最优滞后期选择为3时，技术创新与经济增长之间构成双向因果关系；经济增长是产业结构优化的格兰杰原因，而产业结构优化不是经济增长的格兰杰原因，二者间存在单向的因果关系。产业结构优化是技术创新的格兰杰原因，而技术创新不是产业结构优化的格兰杰原因，二者间存在单向的因果关系。

（2）脉冲响应函数结果表明，从经济增长对技术创新的脉冲响应函数来看，经济增长的反应均为正值，并且影响具有较长的持续响应。从技术创新对经济增长的脉冲响应函数来看，经济增长对技术创新的冲击路径为先正向后负向再正向。二者相比较，可以看出经济增长对技术创新的冲击幅度会更大。

从经济增长对产业结构优化的脉冲响应函数来看，经济增长的反应均为正值，并且影响具有较长的持续响应。从产业结构优化对经济增长的脉冲响应函数来看，经济增长对产业结构优化的冲击路径为先正向而后负向。二者相比较，可以看出产业结构优化对经济增长的冲击幅度会更大。

从技术创新对产业结构优化的脉冲响应函数来看，技术创新在前三年内呈现正向响应并且显著为正，第2期达到最大响应值，第4期达到负向的最大响应值，在随后的时间里，影响为负，但在第20期后变为正向响应值。从产业结构优化对技术创新的脉冲响应函数来看，产业结构优化的反应均为负值。

从脉冲响应图中，可以看出产业结构优化对技术创新具有短期冲击效应，其后技术创新的脉冲响应值均为负值。其可能的原因是：本文认为常规的技术创新可以分为产品创新和过程创新。产品创新是指技术上有变化的产品的商业化。过程创新（或称工艺创新）是指产品的生产技术的变革，包括新工艺、新设备和新的组织管理方式变革等。在前三期中，之所以产业结构优化对技术创新的冲击作用比较显著，是因为产业结构的优化升级，短期内促进了产品创新，而后快速变为负向冲击的原因是过程创新规模过小，产出结构的改变也就相对较小。产业结构优化对技术创新的脉冲响应值始终为负值，其可能的原因是产业结构在短期内具有一定的刚性，技术创新需要经历较长时间的累积方可对产业结构优化的升级产生积极的影响。

（3）方差分解的结果表明，经济增长的方差分解进一步显示，影响经济增长最大的因素仍旧是其自身，直至第10期的方差贡献率仍保持在80%以上。技术创新对经济增长的影响表现为先递增后递减的态势，产业结构优化对经济增长的影响表现为递增态势。前六期，技术创新对经济增长的方差贡献率大于产业结构优化，自第7期开始，产业结构优化对经济增长的方差贡献率开始大于技术创新。

技术创新的方差分解进一步显示，前七期技术创新对其自身的方差贡献率一直大于经济增长的贡献率。第8期，经济增长对技术创新的方差贡献率开始超过技术创新，达到了45.84%，此后经济增长对技术创新的方差贡献率持续增加，直至第10期的方差贡献率达到了48.25%，反映出影响技术创新最大的因素仍然是经济增长。产业结构优化对技术创新的影响表现为先递增后递减态势，第6期达到最大值13.17%，其对技术创新的总体影响均小于经济增长与技术创新本身。

产业结构优化的方差分解进一步显示，影响产业结构优化最大的因素仍旧是其自身，直至第10期的方差贡献率仍保持在66%以上。经济增长对产业结构优化的影响表现为先递增后递减的态势，第10期的贡献率仍旧保持在25%以上。技术创新对产业结构优化的影响表现为递增态势，但是其方差贡献率均小于经济增长与产业结构优化。

实证结果显示，技术创新仍旧是经济增长的关键动力，因此，提高技术创新能力，加快新技术的商业化过程，对于推动我国经济增长具有重要意义。虽然产业结构优化对经济增长有一定的影响，但相较于技术创新的促进作用，其影响还较小，因此要通过优化调整产业内部结构，逐步将产业发展重心由低科技含量、粗放型产业转向技术型、集约型产业。鼓励和支持产业从加大技术创新力度入手，并注重利用先进技术改造和提升传统优势产业，提高生产效率和产品附加值，提升各行业在产业链条或产品工序所处地位及增值能力。在充分发挥第二产业对经济增长促进作用的同时，要加大力度发展第三产业，推进产业结构优化升级，积极转变经济增长方式，实现经济的可持续增长。

主要参考文献

[1]Krugman P.The Myth of Asias Miracle[J].Foreign Affairs，1994，73（6）：62-78.

[2]劉伟，张辉.中国经济增长中的产业结构变迁和技术进步[J].经济研究，2008（11）：4-15.

[3]Chenery H B，Robinson S，Syrquin M.Industrialization and Growth：A Comparative Study[M].NewYork，NY：Oxford University Press，1986.

[4]张凤武.技术创新促进经济增长的过程与主要标志[J].科技管理研究，1999（2）：42-43.

[5]陈英.技术创新与经济增长[J].南开经济研究，2004（5）：34-37.

[6]程开明.城市化、技术创新与经济增长——基于创新中介效应的实证研究[J].统计研究，2009，26（5）：40-46.

[7]李博，胡进.中国产业结构优化升级的测度和比较分析[J].管理科学，2008，21（2）：86-93.

[8]付凌晖.我国产业结构高级化与经济增长关系的实证研究[J].统计研究，2010，27（8）：79-81.

[9]郑少智，陈志辉.产业结构高级化与经济增长关系实证研究——基于全国、广东省及广州市数据的对比分析[J].产业评论，2011（3）：55-60.

[10]龚轶，王铮，顾高翔.技术创新与产业结构优化——一个基于自主体的模拟[J].科研管理，2015，36（8）：44-51.

[11]黄茂兴，李军军.技术选择、产业结构升级与经济增长[J].经济研究，2009（7）：143-151.

[12]易丹辉.数据分析与EViews应用[M].北京：中国人民大学出版社，2008.

[13]李从荣，祝翠华，王玉婷.技术创新、产业结构调整对就业弹性影响研究——以中国为例的经验分析[J].科学学研究，2010，28（9）：1428-1434.

[14]Granger C W J.Investigating Causal Relations by Econometric Models and Cross-spectral Methods[J].Journal of the Econometric Society，1969，37（3）：424-438.

[15]高铁梅.计量经济分析方法与建模——EViews应用及实例[M].北京：清华大学出版社，2009.endprint