农业科技创新资金与科技人力资本支农绩效实证分析

常文涛

（信阳师范学院 当代马克思主义研究所，河南 信阳 464000）

0 引言

缺乏农业的高质量发展，国家的全面现代化就难以实现。对于现有耕地面积占世界耕地面积约7%，人口数量占世界总人口比重为18.8%的我国来讲，农业科学技术的重要作用更是毋庸置疑。农业科技创新资金和农业人力资本投入的充分有效利用不仅仅有助于优化我国农业生产发展布局，促进农业生产由“增产”转向“提质”，快速实现农业现代化；在当今信息化背景下还有利于带动我国农业全程社会化服务进步，促进农村一二三产业融合发展。研究我国农业科技创新资金投入、农业科技人力资本支出与农业经济发展之间的关系，对树立实现我国农业现代化的理论自信，提高我国科技创新支农能力和水平，促进农业经济发展具有重要和迫切的现实意义。

1 理论分析

1.1 理论基础

为了在现有经济增长理论研究的基础上构建实证模型分析我国农业科技创新资金投入和农业科技人力资本支农绩效，本文以涉及这些变量的索洛经济增长理论模型为基础进行分析。索洛（Robert Solow）在哈罗德-多马模型的基础上，进一步指出技术发展对经济增长持续性的解释力更强；同时，他以柯布—道格拉斯生产函数（Cobb-Douglas production function）为出发点，构建了索洛经济增长模型，其函数表达式如下：

索洛将技术进步（T）作为一个外生经济变量引入到他的经济增长模型中，并指出：在资本和劳动增长率不变的假设条件下，技术进步也能够提高生产率。索洛经济增长模型虽然在一定程度上弥补了古典经济增长理论，但是对技术进步产生的内在效应研究存在不足。本文将以索洛经济增长模型为基础，以农业科技创新资金和农业科技人力资本作为解释变量分析两者的支农绩效。

1.2 支农机理分析

在影响经济增长效率的诸多因素中，科学技术投入对经济增长具有举足轻重的地位和作用，尤其是在当前知识经济与信息经济蓬勃发展的时代背景下，掌握了先进的科学技术就等于掌握了市场核心竞争力。为了有力解释实证研究的结果，本文先定性描述农业科技创新资金投入与农业科学技术人力资本支农的作用机理。

首先，农业科技创新资金投入与农业科技人力资本是农业科学技术发展的前提和基础，没有两者的有效投入，就没有农业科学技术的提升和农业产出的增长，更遑论农业经济发展效率的提升。农业科技创新资金投入与农业科技人力资本主要通过农业科学技术的提升效应——提高劳动力素质、劳动生产效率和农产品质量直接促进农业经济增长。

其次，农业科技创新资金投入与农业科技人力资本还可以通过转化成农业科学技术专利和发明等科技成果间接促进农业经济增长。

据此本文在实证检验之前先做出两个假定。假定1：农业科技创新资金投入、农业科技人力资本与农业经济增长之间存在稳定的均衡关系；假定2：农业经济增长对农业科技创新资金一个标准差波动的反应程度大于对农业科技人力资本一个标准差波动的反应程度。若该假定成立，就意味着农业科技创新资金在研究期间的整体支农效应大于农业科技人力资本。

2 实证分析

2.1 变量界定

结合本文研究目标、内容及数据的可获取性，在选取农业科技创新资金变量数据时，分别用《中国科技统计年鉴》中分行业自然科学领域研究与开发机构内部经费支出总额（1998—2002）、分行业研究与开发机构科技活动内部支出（2003—2008）、按服务的国民经济行业分研究开发机构R&D经费内部支出（2009—2017）进行度量，且用英文缩写字母RD（R&D）标示该经济变量。并利用式（2）进行计算：

农业科技创新人力资本运用《中国科技统计年鉴》（1998—2017）中农业R&D机构从事科技活动人数和《中国统计年鉴》（1998—2017）中农业人口数量构建指标进行度量，同时用英文缩写HC（Human Capital）标示该变量，其具体计算途径如式（3）所示：

式（3）中的计算方法吸收了国内外学术界的通行做法，需要强调的是农业R&D从事科技活动人数的单位是人，农业人口数量的单位是万人，也即用每一万名农业人口中农业R&D机构科技活动人员数（HC）来度量农业科技创新人力资本。

农业经济增长采用农业劳动生产率进行度量，即《中国统计年鉴》（1998—2017）中经过价格指数平减后的实际农业生产总值与同年农业从业人口数量的比值，用英文缩写字母GA（Growth of Agriculture）标示，具体计算方法如式（4）所示：

为了消除价格波动对农业科技创新资金投入和农业生产总值的影响，本文以1998年的价格指数为基期对历年数据进行了平减处理，研究中所用的时间序列数据以RDt、HCt和GAt标示。同时，为了最大程度消除时间序列变量中存在的异方差影响，在实证时对这3个时间序列取自然对数，分别记为 LNRDt、LNHCt和 LNGAt，经济变量的一阶差分和二阶差分都是在此标示上进行。此外，研究过程中的实证分析借助于计量软件Eviews8.0完成。

2.2 数据来源与研究方法

在对《中国统计年鉴》（1998—2017）、《中国科技统计年鉴》（1998—2017）中有关数据进行计算整理的基础上，借鉴《中国人口和就业统计年鉴》（2016）、《中国劳动统计年鉴》（2016）和《国民经济和社会发展统计公报》（2017）中的统计结果对研究所需要的数据进行计算和补充，最终得到如表1所示的研究变量年度数据统计表。

表1 1998—2017年度相关数据统计

本文以索洛经济增长模型为基础，构建VEC计量模型，综合利用JOHANSEN检验、脉冲响应分析等方法分析农业科技创新资金投入与农业科技人力资本的支农绩效。

2.3 实证检验

根据表1中的统计数据和式（2）、式（3）、式（4）的计算方法，可以得出如表2所示的RDt、HCt和GAt数据。LNRDt、LNHCt和 LNGAt数据通过 Eviews计算获得。

表2 1998—2017年度 RDt、HCt和GAt

（1）ADF检验

首先，运用Eviews8.0 软件对RDt、HCt和GAt序列进行包含截距项的ADF平稳性检验，选取不同置信水平下的临界值，可以得到如表3所示的结果。

表3 RDt、HCt与GAt序列ADF检验结果

由表3的检验结果可知，在1%、5%、10%的置信水平上RDt、HCt、GAt序列为非平稳序列，取这3个序列的自然对数以并选取包含截距项检验对数序列平稳性，得到如表4所示的结果。

表4 LNRDt、LNHCt与LNGAt序列ADF检验结果

将表4中的ADF统计量与1%、5%、10%置信水平下的临界值对比可知，LNRDt、LNHCt与LNGAt序列非平稳，对这3个对数序列取一阶差分并检验平稳性，结果见表5。

表5 DLNRDt、DLNHCt与DLNGAt序列ADF检验结果

根据表5的检验结果可知，一阶差分后3个序列的ADF统计量均小于不同置信水平下的临界值，据此可知，LNRDt、LNHCt与 LNGAt序列为一阶单整平稳序列。

（2）Johansen协整检验

由于VEC模型仅仅适用于协积序列，在这里首先还要进行Johansen协整检验以确定这3个序列是否存在协积关系。因为Johansen协整检验的滞后阶数与VAR模型的最优滞后期数相等，这里运用Eviews8.0构建LNRDt、LNHCt与LNGAt序列的VAR模型以间接确定协整检验的阶数。选择滞后阶数为3可以得到表6所示的检验结果，根据FPE、AIC、SC、HQ准则可知协整检验滞后阶数为3。

表6 滞后阶数为3的检验结果

确定协整检验的阶数后，这3个序列的Johansen协积关系检验结果见表7：不存在协积关系假设的迹统计量T0=70.51035＞29.79707和至多存在1个协积关系假设的迹统计量T1=18.27225＞15.49471，但是至多存在2个协积关系假设的迹统计量T2=0.168583＜3.841446，不能拒绝该假设，这表明LNRDt、LNHCt、LNGAt这3个序列之间存在2个协积关系。

表7 Johansen协积检验结果

因为3个序列之间存在2个协整关系，据此可以构建VEC模型，协积方程的最大个数为模型内生变量个数减去1，在本文中即为1，因变量是LNGAt的协积方程为：

其中，LNRDt系数的 t值为 3.00693，LNHCt系数t值为8.65610，这2个系数在5%的置信水平上显著。由式（5）可知，农业科技创新投入的弹性系数22.02867大于农业科技人力资本的弹性系数13.83890。

（3）模型平稳性检验

VAR模型的平稳性是进行脉冲响应分析的前提条件，本文的检验方法是观察VAR模型特征根的倒数值是否全部落在单位圆内，如果全部落在单位圆内则表明模型为稳定的，否则表明模型不稳定。特征根检验结果如图1所示。

图1 特征根检验图

根据图1所示的特征根检验图，VAR（3）模型的6个特征根的倒数值全部位于单位圆内部，该结果表明VAR（3）模型是平稳的，前文假定1得到证实。

（4）VEC模型分析

通过构建VAR（3）模型证实了LNRDt、LNHCt与LNGAt这3个对数序列之间存在稳定关系，本文选取滞后期为1构建VEC模型分析RDt、HCt与GAt这3个经济变量的短期变动关系。以D（LNGAt）为因变量的方程式子如下：

其中，各个系数对应的t值分别为-4.42182、3.48233、-2.69762和-2.13368，均在10%的置信水平上显著。并且R2=0.787，SC=-3.26，AIC=-3.66，表明VEC模型拟合效果较好。模型分析得出的误差修正系数为-0.000787，与长期平稳的反向修正结果保持一致，表明农业经济增长的短期波动会向长期平稳收敛，但是收敛强度较低。同时，由式（6）可知，第t-1期GA增长1%，则第t期的GA增长0.978035%，然而，第t-1期RD增长1%，第t期的GA减少0.0006437%；第t-1期HC增长1%，第t期的GA减少0.223370%。这表明在短期内，农业经济增长对自身具有正向促进作用，而农业科技创新资金和农业科技人力资本投入的支农效应较微弱。

（5）Granger因果关系检验

对LNRDt和LNHCt与LNGAt这3个对数序列进行Granger因果关系检验，可以得到如下页表8所示的检验结果。根据表8第一行可知，P值=0.0079＜0.1，在1%显著水平上拒绝零假设“LNRDt不是LNGAt增长的原因”；第二行的P值=0.0098＜0.1，在1%显著水平上拒绝零假设“LNHCt不是LNGAt增长的原因”；第三行的P值=0.0024＜0.1，在1%显著水平上拒绝零假设“LNRDt和LNHCt不是LNGAt增长的原因”。这表明农业科技创新资金、农业科技人力资本与农业经济增长之间存在显著的Granger因果关系。

表8 Granger检验结果

（6）脉冲响应分析

在确定LNRDt、LNHCt与LNGAt之间存在Granger因果关系的基础上，本文利用脉冲响应分析判断LNGAt对LNRDt和LNHCt一个标准差大小波动的反应见图2。尽管LNRDt和LNHCt保持负增长并且在初期有递减的波动趋势，但是从长期看来，农业科技创新资金和农业科技人力资本支农效应为正，并且农业科技创新资金的整体支农效应较大，假定2得到证实。

图2 LNGAt对 LNRDt、LNRDt脉冲响应分析图

（7）方差分解

根据图3中LNHCt对数序列的方差分解结果可知，农业科技人力资本的支农效应在期初大于农业科技创新资金，但在第5期以后，略小于农业科技创新资金的支农效应，两者支农效应逐期趋于平稳，这同上文脉冲响应分析的结果一致。

图3 LNGAt、LNRDt和 LNRDt方差分解图

3 结论

农业科技投入与农业经济增长关系一直备受学界和实务界关注，但现有文献对农业科技创新资金和农业科技人力资本的支农绩效差异研究还存在不足。本文以索洛经济增长理论为基础，构建计量模型实证检验农业科技创新资金和农业科技人力资本的支农绩效，得到如下结论：农业科技创新资金和农业科技人力资本在长期内都具有显著的支农作用，但是支农绩效存在差异，这提醒我们要分类施策；短期内农业科技创新资金的支农效应要小于农业科技人力资本的支农效应，前者可能是由短期内农民对新技术或者新机器设备的不熟练和不适应造成的，后者可能是由农业生产的周期性、风险性造成的，这意味着要提高创新资金的使用效率；农业科技创新资金整体支农效应长期内大于农业科技人力资本的整体支农效应，这启示我们要重视科技创新资金的投入和监管。