数字产业化与高技术产业研发效率——基于随机前沿方法的实证研究

张钟方, 侯立军

(1.南京财经大学 粮食和物资学院,江苏 南京 210046; 2.南京财经大学 工商管理学院,江苏 南京 210046)

1 引言

2019年中央经济工作会议首次提出大力发展数字经济,2021年政府工作报告再次明确指出“加快数字化发展,打造数字经济新优势”,数字经济已成为我国经济发展的重大战略。数字经济分为数字产业化和产业数字化两个领域,其中数字产业化代表了数字技术的新方向和新成果,更能体现数字经济的特征[1]。高技术产业是引领经济增长的先导产业,其高质量发展是提升我国综合实力的关键路径,但我国高技术产业研发效率仍然与欧美等发达国家存在一定差距。那么在数字经济的快速发展阶段,数字产业化带来的数字技术与产业化成果能否提升我国高技术产业的研发效率呢?对其进行研究有助于拓展对数字经济与企业创新能力之间关系的认识。同时,数字产业化是一个系统工程,涉及多个国民经济领域,其重要意义在于对其他领域效率的提升作用。本文以高技术产业为切入点,研究数字产业化对企业创新效率的影响,力求为其他领域特别是粗放式管理现象普遍存在的工程管理等领域提供借鉴,以达到通过对本领域数字产业化水平的调整提升企业效率的目的。

目前,已有文献对数字经济的研究主要集中在数字经济的内涵和发展现状[2]、数字经济的特征[3]与发展对策[4]、数字经济对全要素生产率和国民经济高质量发展的驱动机制[5]等方面。对研发效率的研究主要从研发效率的测度和影响因素两个方面展开。研发效率的测度方法包括以数据包络分析(DEA)为代表[6]的非参数方法和以随机前沿方法(SFA)为代表[7]的参数方法;研发效率的影响因素主要包括企业内部因素、产业因素和环境因素等三个方面。其中内部因素涉及企业规模[8]、董事会资本[9]、研发禀赋结构和研发人员学历[10]等;产业因素涉及产业外向度[11]、空间集聚[12]与市场结构[13]等;环境因素涉及政府支持[10]、税收优惠政策[14]、生产性服务业发展[15]和市场化程度[16]等方面,且不同测度方法会导致不同的研究结论。

相较于已有相关研究,本文的边际贡献在于:第一,在研究指标上,构建了一套时间跨度大、指标可获得性强、可推广应用的衡量地区数字产业化水平的指标体系。为数字产业化和数字经济的后续研究提供数据支撑。第二,实证检验了地区数字产业化水平对高技术产业研发效率的影响,为提升高技术产业研发效率和创新能力探索了新路径。第三,从企业规模、技术密集度和地区市场化程度等三个方面考察了数字产业化水平对高技术产业研发效率的异质性影响,不仅有助于深化对数字产业化与高技术产业研发效率关系的认识,还有助于提出更具针对性的对策建议。

2 理论基础与研究假设

2.1 数字产业化对高技术产业研发效率的影响

数字经济以使用数字化的知识和信息作为关键生产要素,通过对信息技术的有效使用从而提升效率和优化经济结构。数字产品制造业和服务业的发展水平越高,多样化数字产品的供给能力和后期维护能力越强,本质上降低了高技术企业购买和使用数字产品的成本,提高了生产和研发活动中资本品的投入力度,有助于提升研发活动的数字化水平。数字技术应用业和数字要素驱动业具有较强的网络型特征,数字经济的快速发展,使信息和知识传播的速度和范围得到大大提升,从根本上改变了信息不对称所造成的市场失灵,降低了企业在研发劳动、研发合作伙伴等方面的搜寻成本,扩大了企业的市场范围。互联网平台技术的发展有助于降低企业研发部门和消费者之间的沟通成本,提高沟通效率,完善供需对接机制,使得最终消费者对新产品、新技术的体验、意见和建议等很快能够反馈到研发部门,加快产品的更新换代。网络的高度互通性产生的外部效应能够促进高技术企业实现规模经济[17]。另外,研发活动具有投入产出周期长、风险高、资金需求量大的特点,而构成数字产业化重要组成部分的互联网金融和数字普惠金融的发展能够降低高技术企业,尤其是中小微企业的融资成本,提供相对充裕的研发资金,保证研发活动顺利进行[18]。数字产业的发展还有助于加速技术与产品的更新力度,缩短研发周期,弱化地域差异,强化市场化竞争,促使企业在研发活动中将要素投入到自身具有比较优势的技术能力上,积极优化分工并寻求合作。

综上,数字产业化的发展一方面有助于降低研发活动中的劳动搜寻成本、数字化资本的使用和维护成本、研发部门和外部成员(包括消费者、研发合作伙伴)的沟通成本;另一方面通过与互联网生产和科技创新平台合作,可以完善研发策略,提升研发技术水平,从而提高研发成果成功走向产业化的可能性,最终提升研发产出。因此,本文提出如下假设:

假设1数字产业化水平能够有效促进高技术产业研发效率的提升。

2.2 企业规模的调节效应

任何企业研发活动都离不开人员、资金、技术等要素,企业规模的大小恰恰反映了企业在人员、资金、技术等方面的实力,也影响了这些要素在企业中的配置效率[19]。企业规模越大,数字产业化发展所带来的规模经济效应对高技术产业研发效率的促进作用越显著。一方面,企业规模越大,企业所雇佣的研发人员数量及其科研水平越高,对于数字产业化发展所带来的数字技术的掌握能力越强,运用速度越快,在一定程度上提高数字资本品的使用效率,从而提高研发效率;另一方面,企业规模越大,越有实力购买先进的数字化资本品,企业通过优化内部研发要素的资源配置,重新进行人机分工,形成新的人机协同,充分发挥研发规模经济优势,降低单位研发产出的投入量,减少研发投入的浪费,从而提升研发效率。高技术产业本身所需资金往往大于一般产业,相对于小企业来说,大企业融资能力和抵抗风险的能力较大,因而相对来说更具有创新优势。小企业由于融资的困难以及难以承担巨大的研发费用,难以进行大规模的研发活动。因此,本文提出如下假设:

假设2企业规模越大,数字产业化对高技术产业研发效率的促进作用越强。

2.3 技术密集度的调节效应

要素密集度反映的是产品生产对某种要素的依赖程度。技术密集度越高,产品生产过程中技术的贡献度越大,对技术的要求和依赖度越高,技术风险就越大[20]。与传统产业相比,高技术产业的技术密集度更高,高技术产业内部不同细分产业和不同地区之间也存在技术密集度差异。高技术产业对高技术含量和高技术要求的基础设施的依赖程度也较高,其核心竞争力在于技术的先进性与不可替代性。由于高技术产业的技术复杂程度高、更迭速度快,因而高技术企业必须更加注重研发投入。数字产业化的发展,有利于企业利用信息化成果构建高效率的研发平台,不断寻求与高校、科研院所等进行合作,提高研发水平,降低创新成果的难度系数。同时,信息的有效传递能为企业抓住市场机会提供条件,从而降低研发技术风险。即技术密集度越高,对信息的需求程度越高,越有利于企业充分利用数字产业化的成果,对数据这一生产要素进行综合运用,缩短研发周期,实现研发效率的提高。因此,本文提出如下假设:

假设3技术密集度越强,数字产业化对高技术产业研发效率的促进作用越强。

2.4 市场化程度的调节效应

市场化程度是指市场在资源配置中所起作用的程度,不同地区由于地理、历史和改革进程的差异,市场化程度存在一定差异。市场化程度越高,产品和要素市场的发育程度越高,有利于企业形成公平的竞争环境,技术落后、成本较高的企业会被淘汰,而充分利用数字产业化成果的高技术企业能够快速获得信息,有效地进行研发,从而降低了企业的市场风险,提高了信息的利用效率,促进研发效率的提高;同时市场化水平越高,要素市场的扭曲程度就越低,有利于资本的自由流动。数字产业化带来企业信息的有效传递,也提高了金融机构对企业风险识别的能力,缓解了金融机构和企业之间信息传递不对称,数字产业化与市场化程度相辅相成,降低了高技术产业研发的风险,提高了研发的效率。市场化程度越高意味着法律制度越完善,良好的法治环境对于企业生产率的高低起着非常重要的作用。知识产权制度的健全与否很大程度上体现了法治环境的优劣程度,高技术产业的研发活动和产业化成果依赖于知识产权制度的保护,通过对侵占知识产权的行为进行惩罚[21],能够激励企业的创新行为。数字产业化发展要求技术成果迅速转化,需要解决一系列技术难题并加速发明专利的产生;同时,法律法规制度及知识产权保护制度也对技术发明专利起到了保护的效果,从而促进数字产业化的快速发展,为高技术产业研发效率的提高创造了必要条件。因此,本文提出如下假设:

假设4市场化程度越高,数字产业化对高技术产业研发效率的促进作用越强。

3 方法、指标与数据

3.1 随机前沿方法

本文基于随机前沿方法使用Battese和Coelli[22]提出的技术效率模型估计高技术产业的研发效率。基于随机前沿方法的模型包含两个部分:第1部分为研发生产函数估计,第2部分为无效率程度影响因素估计。其中第1部分的具体表达式为

yit=α0+α1rdlit+α2rdkit+vit-uit

(1)

其中y为研发产出,rdl为研发劳动投入,rdk为研发资本存量,v为一般意义上的随机干扰项,u为无效率项,i为地区,t为年份。在估计时研发产出和研发投入变量均取对数。随机干扰项v和无效率项u的假设通常如下

(2)

(3)

第2部分的具体表达式为

(4)

其中z为地区的数字产业化程度,x为一系列控制变量,ε为随机干扰项。采用最大似然估计法对方程(1)和(4)中的模型参数同时进行估计,可得到相应的参数估计值。最后根据Battese和Coelli[23]所提出的计算公式将无效率程度转化为研发效率值,见(5)式

teit=E{exp(-uit)│εit}

(5)

3.2 指标与数据

3.2.1 研发投入、产出指标与控制变量

已有文献通过新产品销售收入和专利申请数衡量研发产出。由于两个指标在衡量研发产出时各有优劣势,因此,为了增强实证结果的稳健性,本文使用两种指标代理研发产出。研发投入要素通常包括研发劳动投入和研发资本存量,研发劳动投入使用研发人员全时当量指标代理,研发资本使用永续盘存法(PIM)进行计算。其中研发资本价格指数和折旧率的设定参照李彦龙[14]的做法,研发资本价格指数等于0.45×固定资产投资价格指数+0.55×居民消费价格指数;折旧率取15%。

借鉴已有相关文献,本文所选的控制变量包括地区人力资本水平(human)、地区科技发展水平(tech)、地区市场化程度(market)、地区高技术企业的平均规模(size)、地区高技术产业外向度(export)、时间趋势(t)和东部虚拟变量(east)。其中地区人力资本水平使用6岁及以上人口中不同受教育阶段人口占比乘以受教育年限计算得到;地区科技发展水平使用地区技术市场成交额来衡量;地区市场化程度使用地区个体和私营企业就业占地区城镇单位、个体和私营企业就业数的比重来衡量;企业平均规模使用主营业务收入与企业数的比值来衡量;高技术产业外向度使用出口交货值占主营业务收入的比重来衡量;时间趋势为虚拟变量;根据《中国高技术产业统计年鉴》,东部地区包括北京、天津、河北、山东、江苏、上海、浙江、福建、广东和海南共10个省(市)。

3.2.2 数字产业化指标

本文立足于中国国家统计局于2021年5月14日通过的《数字经济及其核心产业统计分类(2021)》标准,结合杨慧梅和江璐[5],张雪玲和焦月霞[24],刘军和杨渊鋆[25]关于数字产业化的指标选择,构建了数字产业化测度指标体系。详见表1。

表1 数字产业化测度指标体系

在指标权重方面,本文采用主成分分析法构建数字产业化水平测度指数。考虑到在进一步的回归中取对数计算的方便性,本文将总得分值进行标准化处理。

经过计算发现,(1)2020年30个省份数字产业化水平的平均值为3.78,仅有9个省份的数字产业化水平高于全国平均水平。这9个省份的数字产业化水平平均值高达6.07。(2)分地区看,从高到低分别是东部(5.56)、中部(3.28)、西部(2.74)和东北(2.61)。中部略低于全国平均水平,西部和东北远低于全国平均水平。

本文所构建的数据集为2003—2020年我国30个省市的面板数据。去掉西藏自治区的原因在于西藏自治区的高技术产业发展较为薄弱,数据缺失较为严重。数据来自于历年《中国统计年鉴》《中国高技术产业统计年鉴》《中国第三产业统计年鉴》《中国物价统计年鉴》和《中国工业统计年鉴》。

4 实证结果分析

4.1 研发生产函数选择

利用随机前沿方法估计研发效率时首先需要设定生产函数形式,文献中常见的函数形式包括Cobb-Douglas型和Translog型两种。表2为基于随时间衰减的SFA模型的研发生产函数估计结果。由于研发投入到产出存在时间差,因此在回归时通常取研发投入变量的不滞后、滞后1期或滞后2期的数据。

表2 以新产品销售收入为产出的不同研发生产函数估计结果

表2的6个模型中,Gamma的估计值均大于0.5,这说明复合扰动项中的主要成分为无效率项,而非一般意义上的随机干扰项,继而使用随机前沿方法估计研发生产函数是必要的。Eta均在1%水平上显著为正,说明随着时间推移,各地区研发效率均存在普遍上升的趋势。在多数模型中Mu显著为正,说明多数地区的研发活动并不处在最有效率的前沿面上,而是存在不同程度的效率损失,同时不能假设无效率项服从零均值的半正态分布,需要假设其服从正均值的截断正态分布,从而本次回归的模型选择(随时间衰减的SFA模型)是合理的。模型1估计了C-D型研发生产函数,研发劳动投入和研发资本的系数分别为0.261和0.640,且均在1%水平上显著,对数似然值为-576;模型2估计了Translog型研发生产函数,各研发投入均在1%水平上显著,对数似然值为-560,大于C-D型研发生产函数下的对数似然值。通过广义似然比检验(LR检验)模型设定,相应的p值小于0.01,因此认为Translog型研发生产函数更合理,这与孙早和徐远华[20],张玉和陈凯华[26]的估计结论是一致的。当研发投入滞后1期、滞后2期时这一结论仍然成立。为了进一步增强研究结论的稳健性,本文还使用专利申请数作为研发产出的代理变量重复了表2模型的回归过程,再次证明结论是稳健可信的。

4.2 数字产业化影响高技术产业研发效率的实证结果分析

表3报告了数字产业化水平影响高技术产业研发效率的实证研究结果。模型7～模型12中Lambda均大于1,且在1%水平上显著,再次说明复合扰动项的主要组成部分是无效率项,使用随机前沿方法同时估计研发生产函数和无效率项影响因素是必要的。在模型7中,数字产业化水平(lnz)的系数在1%水平上显著为负,即地区数字产业化水平越高,高技术产业的研发无效率程度越低,研发效率越高。使用滞后期变量,同时更换研发产出的代理变量,数字产业化水平(lnz)的系数均在1%的水平上显著为负,因此数字产业化有助于促进高技术产业研发效率提升的结论是稳健可信的。假设1得到证实。

表3 数字产业化对研发效率的影响

4.3 调节效应的实证结果分析

表4报告了企业规模、技术密集度和地区市场化程度的调节效应估计结果:模型13～模型18为企业规模的调节效应估计结果。其中lnzsize是lnz和lnsize的交乘项,模型13～模型15中lnzsize的系数在1%水平上显著为负,说明随着企业规模的不断扩大,数字产业化对高技术产业研发效率的促进效应越强,或者,相对于小企业而言,大企业从数字产业化中获得的益处更多。假设2得到证实。使用专利申请数作为因变量时,滞后2期的交互项回归系数显著性较弱,可能是当专利申请数作为研发产出代理变量时存在测量偏误问题。

表4 调节效应的估计结果

模型19～模型24为技术密集度(lntd)的调节效应估计结果。其中lnztd是lnz和lntd的交乘项。借鉴孙早和徐远华[20]的做法,使用物质资本存量与从业人员比值来衡量产业的技术密集度。其中物质资本存量采用PIM测算,折旧率假设为5%。模型19、22和23中交互项的回归系数至少在10%水平上显著为负,这说明技术密集度越高,数字产业化对高技术产业研发效率的促进效应越明显。相反,技术密集度越小,或劳动密集度越高,数字产业化对高技术产业研发效率的促进效应越小。假设3得到证实。模型20、21和24未成立的原因可能是滞后期样本量偏少,降低了显著性。

模型25～模型30为市场化程度的调节效应估计结果。其中lnzmarket是lnz和lnmarket的交乘项。6个模型中有3个模型(模型28、29和30)的交互项回归系数在10%水平上显著为负,这说明地区市场化程度在数字产业化与高技术产业研发效率关系间具有正向调节效应。地区市场化程度越高,产品和要素市场的发育程度越高,契约精神越完备,法律法规与研发合同能够被更好地执行和保护,因此数字产业化对高技术产业研发效率的促进效应越明显。假设4得到证实。模型25、26和27未成立的原因可能是当前市场化程度的调节效应主要发生在以专利为代表的技术开发阶段,而不是以新产品为代表的成果转化阶段。

5 研发效率收敛性分析

5.1 研发效率及年均增速

研究期内我国东部、东北、中部和西部四大地区的高技术产业研发效率均存在明显上升趋势,增速从高到低分别是中部(11.21%)、西部(7.71%)、东北(2.74%)和东部(2.05%)。其中中部和西部的增速高于全国水平(4.57%),存在追赶和收敛趋势。到2020年,中国高技术产业的研发效率仅为0.523,这说明尽管中国高技术产业的研发效率有所改善,但未来仍有较大的提升空间。特别是西部(0.333)和东北(0.243)地区,是未来我国研发效率提升需要重点关注的区域。各地区具体数值详见表5。

表5 2020年各地区高技术产业研发效率及年均增速

5.2 收敛性分析

为了更详细地了解中国高技术产业研发效率的动态演进趋势,本文还对其进行了收敛性分析,包括β绝对收敛和β相对收敛。借鉴Baumol[27],Barro[28]的模型设定,β绝对收敛采用横截面数据进行,β相对收敛采用面板数据进行。具体方程设定如(6)式和(7)式。

gi=α0+α1lntei03+εi

(6)

lnteit-lnteit-1=β0+β1lnteit-1+ui+εit

(7)

其中gi为i地区研发效率的年均增速,tei03为i地区2003年的研发效率值,teit为t年i地区的研发效率值,ui为地区固定效应,εi和εit均为随机干扰项。

表6报告了分地区β绝对收敛和β相对收敛分析结果。其中所有地区的lntei03回归系数均显著为负,说明地区的研发效率初始值越高则提升速度越慢,即地区研发效率存在β绝对收敛趋势,研发效率落后的地区存在追赶趋势,同时研发效率先进的地区存在增速放缓趋势。从β相对收敛性分析结果中可以看出,lnteit-1的回归系数显著为负,说明高技术产业研发效率同时存在β相对收敛趋势。

表6 分地区β收敛情况

6 结论与对策建议

当前数字经济蓬勃发展,已经逐渐成为国民经济发展的助推剂。数字产业化作为数字经济发展的重要组成部分,其作用尤为重要。本文以2003—2020年30个省级面板数据为研究样本,探讨了数字产业化对高技术产业研发效率的影响,并在此基础上从企业规模、技术密集度和地区市场化程度等三方面考察了数字产业化水平对高技术产业研发效率的异质性影响。研究得出以下结论:(1)虽然各地区数字产业化水平均存在显著上升趋势,但多数地区低于全国平均水平。(2)地区数字产业化水平有助于提升高技术产业的研发效率,同时,企业规模、技术密集度和地区市场化程度在数字产业化与高技术产业研发效率关系间具有显著的正向调节效应。(3)我国高技术产业的研发效率尽管有所提高,但仍存在较大提升空间,且地区间存在显著的β收敛趋势。

本文的研究结论具有如下政策含义:第一,大力发展数字经济,推动数字产业化水平的不断提高。进一步加大财政、金融等方面的政策扶持力度,加快5G网络、数字中心等基础设施的建设,并不断完善互联网、人工智能等新一代数字信息建设,同时注重平台网络健康发展,提高数据安全性保障,提升网络服务水平。第二,进一步提高高技术企业规模。鼓励大量科技型中小微企业和创新创业企业“上规入统”。雇佣具有先进科研能力的人员,提高数字资本品的使用效率。优化企业内部研发资源配置效率,形成规模经济,降低单位科研产出成本。第三,提升高技术产业的技术密集度。加强信息基础设施建设,推动信息化与技术的融合,以利于高效率的科研平台的搭建。与高校和科研院所合作,降低创新难度系数,进行专业化分工,缩短研发周期,提升研发效率。第四,不断提升地区的市场化程度。充分发挥市场在资源配置中的决定性作用,为高技术产业发展提供更加公平的外部环境。进一步打破地方保护,扩大市场范围,规范市场交易行为,强化执法力度,提升监管的力度和水平,为高技术产业持续开展研发创新活动营造良好的外部氛围。