2013年第3期（总第507期）May．，2013政府经济管理
Vol．35
No．03
*
黄阳华1，夏良科
2
（1.中国社会科学院工业经济研究所，北京100836；
2.宁波大学商学院，浙江宁波315211）
内容提要：本文将R＆D 投资和溢出、人力资本纳入到统一的框架之内，试图系统性地揭示导致
中国工业出现“R＆D 成倍增加—TFP 增速下降”悖论的内在机制。基于2000 2010年中国大中型工业企业数据，本文利用经过小样本调整后的两步系统GMM 方法研究发现，R＆D 资源误置、人力
资本效率不高以及过份依赖于外向型经济发展模式是导致这一悖论的主要原因。因此，有效提升中国工业TFP 不仅需要增加R＆D 投入规模，更重要的是优化R＆D 的投资结构，包括将R＆D 资源更多地配置于上游基础工业行业。同时，加强对适用性人才的培养也将有助于提升R＆D 投资的效率。 关键词：R＆D ；TFP ；人力资本；两步系统GMM
中图分类号：C812文献标志码：A 文章编号：1002—5766（2013）03—0012—14
收稿日期：2012－12－03
*基金项目：教育部人文社科基金青年项目“外资竞争策略演化对本土企业创新能力的动态影响研究”（12YJC790207）；中国社会科学院青年启动项目“演化产业经济理论与政策研究”；浙江省自然科学基金项目“外资进入时间、节奏与技术溢出效应的动态变化路径：基于浙江省的实证研究” （Y6110737）。作者简介：黄阳华（1984－），江西临川人。助理研究员，经济学博士，研究方向是产业创新与中小企业。E-mail ：huangyh-gjs@cass．org．cn ；夏良科（1978－），江西丰城人。讲师，经济学博士，研究方向是工业技术进步与创新、国际投资。E-mail ：xi-aliangke@nbu．edu．cn 。
①
数据来源：科学技术部发展计划司《科技统计报告》第21期（2012年1月19日）。
一、问题的提出
作为衡量经济投入产出效率的重要指标，全要素生产率（TFP ）被广泛应用。在当前我国生产要素成本不断增加、资源环境约束持续加紧、国际市场竞争进一步加剧的背景下，依赖低成本要素投入支撑的传统工业发展模式已经难以为继，提高生产效率对我国工业转型和升级具有重要的现实意义。因此，探究影响TFP 的因素及其作用机制的理论意义不言而喻。
在促进TFP 提升的诸多因素中，研究和开发（R＆D ）常被寄予厚望。自20世纪90年代以来，中国的R＆D 资源投入，无论是经费规模还是科技活动人员数量，都呈现了极快的增长。“十一五”期
间，
全社会R＆D 经费支出年均增长23.8%，高于“十五”期间年均增速5.3个百分点。“十一五”末，中国R＆D 总经费规模为1043.2亿美元，是2006年的2.4倍，成为仅次于美国和日本的世界第三大国，R＆D 人员数量占世界总量的23.6%，位居世界第一①。2011年，
中国R＆D 经费支出比上年增长21.9%，占国内生产总值的1.83%。因此，如果以R＆D 的投入规模衡量，中国已经成为全球最重要的研发投资国之一，研发对生产效率的促进效果理应非常显著。然而，越来越多的研究发现，中国上世纪90年代中期前TFP 保持较快增长，但之后TFP 增速明显放缓。郑京海等（2008）发现，
1978 1995年间，中国TFP 的平均增速是3.3%，但在1995 2005年间减至1.9%。Perkins ＆Rawski （2008）以
2
1
2013年第3期（总第507期
）
政府经济管理
及章上峰（2011）等也得出了20世纪90年代以后生产率增速放缓的结论。另外，有研究认为，中国经济增长很大程度上还是依靠要素驱动，大部分行业仍停留在以低技术为主要特征的“中国制造”阶段，也证明了中国TFP 仅为经济增长作出了有限的贡献（郭庆旺等，
2005；吴延瑞，2008）。通过上述事实和相关研究的对比，不难发现，中国R＆D 投资成倍增长与TFP 增速放缓构成了一对矛盾，
不妨称之为“R＆D 投资成倍增加—TFP 增速下降”悖论①
。不仅如此，这一悖论在工业经济中同样存在。一方面，
近年来工业行业R＆D 投入增长迅速。2000 2010年，大中型工业行业R＆D 经费内部支出年均增长28.5%，
2010年达到3446.2亿元，是2000年的11倍之多②；另一方面，新近的研究越来越多的揭示出近年来中国工业TFP 增速趋缓的现象。刘舜佳、王耀中（2010）对2001 2006年我国36个5位代码的工业部门面板数据的研究发现，与资本、劳动和中间投入的弹性系数相比，各部门TFP 贡献普遍较低，
平均值仅为0.3%，全部工业部门TFP 的平均贡献甚至为－9.6%。类似的研究中，李胜文、李大胜（2008）对1986 2005年工业细分行业的研究也发现，中国工业TFP 增长呈现由慢到快、进而停滞、然后又缓慢回升的特点③。①
虽然理论分析多支持R＆D 经费数量对TFP 的促进作用，但是，对于新兴经济体或发展中经济体的实证研究显示，
R＆D 对TFP 的影响在统计上不显著（Nadiri ＆Kim ，1996）。国内学者也发现，R＆D 对于生产率作用不明显甚至为负的结论（李小平等，
2006；张海洋，2005）。②数据来源：中国科技统计年鉴［
M ］．北京：中国统计出版社，2011。③
对中国工业TFP 变化轨迹的研究尚未有统一的结论，有的研究还认为近年来中国工业TFP 保持了较快的增速（涂正
革、肖耿，2005；Selin Ozyurt ，2009）。郑京海等（2008）认为1995 2005年间的TFP 增长减缓与工业上广泛的无效率相一致。事实上，李胜文等（2008）发现在TFP 增长速度上，资本技术密集型行业与传统的劳动、资源密集型行业并没有显著差异；刘舜佳等（2010）发现TFP 保持较快增长的行业
基本上是劳动密集型制造业和采掘业，而TFP 增长率较低的行业基本上是资本密集型制造业。由于资本密集型行业R＆D 投入一般也较多，这也间接揭示了“高R＆D 投入－低TFP 增速”这一悖论。
④对TFP 决定因素一个非常好的综述可以参见Chad Syverson （2011）。
⑤R＆D 投资的两面性是指企业进行R＆D 投资不仅可以产生新的知识，而且也可以提升企业对现有知识的吸收能力。⑥
关于R＆D 与生产率关系一个最近的综述可以参见田先钰等（2011）。
一个自然而然的研究问题是：为什么R＆D 投入的大幅增长并没有如预期的那样促进TFP 增速的提高？对于这个问题，
可以有诸多的理论解释。比如，
R＆D 投资的边际效率服从递减规律；或者随着技术机会的减小，生产效率进一步改善的空间逐渐变小。但是，这些解释都是理论假说，缺乏足够
的经验证据加以佐证。要充分解释上述悖论，需要
回答两个重要且相关的实证问题：一是影响TFP 的因素有哪些？二是这些因素影响TFP 的机制是什么？这正是本文关注的问题。
在影响TFP 的因素方面，除了一般地认为R＆D 会推动技术进步进而影响TFP 之外，越来越多的研究还证实了要素市场扭曲、对外贸易、FDI 、市场竞争、甚至企业所有权结构都是影响TFP 的重要因素（罗德明等，2012；Mary 等，2007；Suyanto 等，2009；简泽，
2011）④
。对于R＆D 与TFP 关系的研究文献，
研究者主要基于R＆D 经费投入的两面性⑤（Cohen ，Levinthal ，1990），利用行业、地区或者企业层面的数据进行实证检验（李宾，
2010；李燕萍等，2012）⑥。这些研究主要采用简约化方法，即在控制其他因素的情况下，研究R＆D 与TFP 之间的数量关系，对研究结论难以进行理论解释。按照新经济增长模型，人力资本对经济增长的贡献同样重要。令人感到
奇怪的是，
对于同样被认为是促进内生技术进步重要引擎的人力资本对中国TFP 的影响，国内外的研
究都较为分散，对于其作用机制的规范分析则又几近空白。
总体来看，现有研究对于决定TFP 因素的研究已经比较深入，实证研究进一步推进的方向是在数据可获得的基础上，
选择适合的变量和模型以最大程度地减少选择偏误或遗漏变量导致的估计偏差。相比之下，对于R＆D 投入影响TFP 机制的研究则明显不足，目前仍未得到解答的问题至少包括：R＆D 经费与人力资本之间存在什么关系？一个行业R＆D 增加是否会对关联行业的TFP 产生影响？这种影响是否存在行业差异？
3
1
2013年第3期（总第507期
）
政府经济管理
我们认为，只有解答这几个方面的问题，才能对我国R＆D投入与TFP之间的关系给出具有说服力的解释。
本文基于2000 2010年中国大中型工业企业数据，拟从以下几方面对现有研究进行扩展：第一，现有研究R＆D溢出效应的文献更多关注外国R＆D 对本国的溢出效应，鲜有学者研究从产业链着眼，细化某一产业R＆D对于其上游或下游产业TFP的影响。本文在分析框架中引入行业间R＆D溢出效应，并将其区分为前、后两个方向。因此，相比现有文献，本文能够更为全面地研究R＆D对TFP的作用机制；第二，新经济增长理论指出R＆D和人力资本都是促进生产效率的重要因素，然而现有研究中国工业TFP影响因素的文献常常将这两个变量“人为地”分开（李小平等，2006；张海洋，2005），鲜有研究综合考虑R＆D与人力资本对工业TFP的影响。从实证研究的角度看，如果R＆D和人力资本都是决定TFP的重要因素，那么在计量回归分析中仅考虑其中之一就可能造成因重要变量缺失而损害估计结果的一致性和有效性的问题。为了避免这样的实证问题，本文在实证研究中考虑人力资本与R＆D变量的交互作用，将人力资本、R＆D投资和溢出纳入到统一的研究框架之内；第三，本文采用两步系统GMM方法研究R＆D与人力资本对TFP的作用，有助于提高估计结果的可信度。GMM模型相比于现有实证研究普遍采用的固定效应或随机效应面板数据模型，能更为有效地控制变量内生性对估计结果的影响。此外，本文还考虑了被解释变量自回归项的影响，将静态分析扩展到动态，以判断TFP的跨期
效应，增强模型的信息量。
二、研究设计
1、模型构建
假设行业i的增加值，在时间t期内由劳动投入（L）、物质资本（K）和中间投入（M）依照新古典生产技术获得，并且满足Cobb-Douglas生产函数形式：
Y it =TFP
it
F
it
（K
it
，L
it
，M
it
）（1）
其中，TFP即是全要素生产率，满足希克斯中性技术进步；F（·）是一阶奇次函数，且满足边际收益递减规律。依照新经济增长理论，并参考Fu （2005）、李小平等（2008）的方法，进一步假设TFP 是知识资本的函数：
ln TFP
it
=β
+β
R
ln R
it
+β
X
ln X
it
+η
i
+γ
i
+ｔ
it
（2）对该模型进行分析的最重要的工作就是确定知识资本向量（R it）和各个控制变量（X it）。知识资本包含了R＆D变量和人力资本变量（H），而且R＆D变量不仅包括行业自身R＆D的投入效率、还包含其他行业R＆D投资所引致的溢出效应；向量
X
it
表示除知识资本之外影响TFP的各个因素，作为模型的控制变量；η和γ分别表示行业和时期的固定效应。
具体地，本文将R＆D溢出（SR it）细分为前向R＆D溢出（SR U）和后向R＆D溢出（SR D）。前者衡量上游企业增加R＆D投入后，通过提供更先进、质量更好或价格更低的中间产品而影响下游企业的TFP；后者衡量由下游企业R＆D变化对上游企业TFP的影响，主要作用机制包括：直接的技术转移；对中间投入品的要求提高导致下游企业增加R＆D 投入或提高技术和管理水平；中间投入需求的增加，使下游企业实现规模经济；为了能够获得提供中间品的机会，上游企业间竞争加剧亦可能有助于其TFP的提高。
定义前向R＆D溢出SR U it为所有向行业i提供中间品的行业中R＆D投资的加权和：
SR U
it
=∑N
i≠j，j=1
铂热电阻θjtθji（3）其中，j代表向行业i提供中间品的上游行业；θji表示行业j的产品作为中间投入在行业i所购买的所有中间投入中所占的比重，可由最新的2007年中国投入—产出表计算得出；R jt是行业j第t年的R＆D存量。式（3）的经济学含义很明显，即上游产业的研发投入越强，和（或）上下游产业关联越紧密，则上游产业的R＆D对下游产业的溢出效应越强。类似的，定义后向R＆D溢出SR D it为：
SR D
it
=∑N
i≠k，k=1
θikθki（4）其中，θik为行业i的产品作为行业k的中间产品在行业k的所有中间投入中的比重；R kt是行业k 第t年的R＆D存量。式（4）的经济学含义也很明显，即下游产业的研发投入越强，和（或）上下游产业关联越紧密，则下游产业的R＆D对下游产业的溢出效应越强。
影响TFP的其他控制变量的选择主要参考现
41
2013年第3期（总第507期
）
政府经济管理
有的研究：（1）国有经济比重（SOE ）。刘小玄等（2008）发现，国有制比重与生产率显著负相关，国有企业的低效率一定程度上导致了社会整体效率
的低下；聂辉华等（2011）发现，
国有企业是资源误置的主要因素，市场经济越发达的地区，资源误置
程度越低，TFP 水平越高，反之亦然。（2）FDI 比重（FDI ）。国内外对FDI 与TFP 关系的研究非常丰
富，而且大部分实证研究都证实了FDI 对于TFP 具有显著的影响，只是这种影响是积极还是消极的则尚无定论①。（3）出口（EX ）。Wagner 等（2007）对1995 2006年期间发表的涉及34个国家的54篇实证文献进行了综述，发现出口企业的生产率水平明显高于非出口企业，但是，企业的出口并不一定
显著提升其生产率水平；Marian 等，
（2009）也认为，英国出口企业生产率的提升主要来自于国内资源
的重新分配。（4）人力资本（H ）与本行业R＆D 、行业间R＆D 溢出的相互作用。赖明勇等（2005）引入了人力资本与国外R＆D 交叉变量分析其对经济增长的影响，
发现人力资本有助于增强技术吸收的能力，进而促进经济增长。此外，尚缺乏对人力资本与R＆D 溢出交互作用的研究。本文定义X p
为人力
资本和R＆D 、R＆D 溢出的交互项，即｛H *LRD it ，H *SR U it ，H *SR D it ｝，用于刻画人力资本对于R＆D 、R＆D 溢出促进TFP 增长过程中所起的作用，如果交互项的系数显著为正，
表明人力资本的提高显著促进了相应R＆D 变量对于TFP 增长的作用；反之，则表明人力资本积累制约了R＆D 的效率。
①对FDI 影响东道国生产率方面研究较新的综述可以参见罗长远等（2008）和Jan 等（2011）。
②
经过调整之后的21个行业是，
H1：煤炭开采和洗选业；H2：石油和天然气开采业；H3：金属矿采选业；H4：非金属矿采选业；H5：食品制造及烟草加工业；H6：纺织业；H7：服装皮革羽绒及其制品业；H8：木材加工及家具制造业；H9：造纸印刷及文教用品制造业；H10：石油加工、炼焦及核燃料加工业；H11：化学工业；H12：非金属矿物制品业；H13：金属冶炼及压延加工业；H14：金属制品业；H15：通用、专用设备制造业；H16：交通运输设备制造业；H17：电气机械及器材制造业；H18：通信设备、计算机及其他电子设备制造业；H19：仪器仪表及文化、办公用机械制造业；H20：电力、蒸汽热水的生产和供应
业；H21：水的生产和供应业。
最后，我们设立一个局部调整模型，即假设TFP 增长是一个动态的过程，不仅决定于当前条件，而且前期TFP 水平对于后期的冲击并不会马上消失，这样更吻合现实的情况。这种动态的调整过程可以表示为：
ln TFP it －ln TFP i ，t －1=λ（ln TFP *
it －ln TFP i ，t －1）
（5）
其中，
ln TFP *与等式（2）得到的TFP 相一致。因此，将等式（2）代入等式（5）得到最终的理论模
型为：
ln TFP it =α0+ρln TFP i ，t －1+β1ln LR it +β2ln R U
it +
β3ln R D
it +β4ln H it +β5ln FDI it +β6ln EX it +
β7ln SOE it +β'x ln X p
it +αi +λt +εit
（6）其中，α0=λβ0，β'x =λβx ，ρ=1－λ；εit IID （0，Ω）是随机扰动项。
2、数据处理
本文所有原始数据均来自历年《中国统计年鉴》
和《中国科技统计年鉴》，为保持数据的一致性，数据取自2000 2010年大中型工业企业的行业数据；参照2002年和2007年中国投入—产出表的分类，将工业行业合并为21个行业②。
（1）全要素生产率（TFP ）。本文基于数据包络方法（DEA ）获得Malmquist 生产效率指数来测算各行业的全要素生产率。这一方法在国内外已经得到了广泛的应用，其优点是采用非参数方法，并不需要事先假设方程的形式，避免了因方程假设错误而带来的偏差，且该方法还可以将生产率指数分解
成技术进步指数和效率变化指数，便于对生产效率的变动原因进行深入分析（Ku-mar ，2002）。假设在时期t ，第k （k =1，
2，…，K ）个生产单位使用n （n =1，2，…，N ）种投入x t k ，n 得到m （m =1，2，…，M ）种产出x t k ，m 。在固定规模报酬（C ）、
投入要素强可处置（简记为S ）条件下的潜在技术前沿定义为：
L t （y t
|C ，S ）=［x t
1，…，x t N ）：y
t k ，m
≤∑K
k =1
z t k y t
k ，m ，
世界史论文m =1，…，M ；∑K
k =1
z t k x t k ，n ≤x t
k ，n ，n =1，…，N ；z t k ≥0，k =1，…，K ］
（7）
其中，
z 表示每一个横截面观察值的权重向量。在此基础上，每一个生产单位基于投入的Farrell 技术效率非参数线性规划模型为：
5
爱玛先声夺人
1
2013年第3期（总第507期
）
政府经济管理
F t
i （y t，x t|C，S）=minθk，s．t y t
k，m
≤∑
K
k=1
z t
k
y t
k，m
，m=1，…，M；
疯狂英语阅读版∑K
k=1
z t
k
x t
k，n
≤θk x t k，n，n=1，…，N；z t k≥0，
k=1，…，K］（8）由此，F t i（y t，x t|C，S）=1意味着该生产单位位
于技术前沿水平，其生产是有效率的；F t i（y t，x t|C，S）的大小反映了生产单位偏离技术前沿水平的距离，该值越接近1，则生产单位越靠近技术前沿，其生产效率也就越高，反之则反。定义距离函数D t i（y t，x t）=1/F t i（y t，x t|C，S），因此，基于投入的Malmquist生产率指数定义为：
M t
i =D t
i
（x t，y t）/D t
i
（x t+1，y t+1）；
M t+1
i =D t+1
i
（x t，y t）/D t+1
i
（x t+1，y t+1）（9）
这两个指数分别测度了在时期t和t+1的技术条件下的Malmquist生产率指数。为了避免在选择生产技术参照系时的随意性，通常利用这两个指数的几何平均数M i（x t+1，y t+1；x t，y t）来计算生产率的变化。M i（x t+1，y t+1；x t，y t）＞（=、＜）1表明t+1时期的生产率较t时期有所提高（没有变化、退化）。进一步将M i（x t+1，y t+1；x t，y t）分解为效率变化指数（EC）和技术进步指数（TC），前者测度规模报酬不变且要素自由处置条件下时期t到t+1每个观察单元到最佳实践前沿的追赶程度；后者测度的是时期t到t+1最佳技术边界的移动，表示技术进步。EC和TC＞（=、＜）1分别代表技术效率和技术进步改善（没有变化、退化）。
计算基于投入的Malmquist指数只需给出投入和产出变量。本文以各行业实际工业总产值作为产出变量；以实际固定资产存量、中间品投入和年末从业人员总数作为投入变量。其中，实际工业总产值由各行业工业品出厂价格指数（P1999=1）对名义工业总产值平减得到；中间投入定义为实际工业总产值与实际工业增加值之差。定义各行业历年的实际的固定资本存量为：
K j
t =K j
t－1
+ΔK j
t
/P j
t
（10）
①为节省篇幅，这里没有给出详细的Malmquist生产率指数及其分解的结果，有需要的读者可以向作者索取。
②由于数据的可获得性，R＆D数据仅从1996年才有完整统计，而本文计算TFP所需的大中型工业企业数据则只能获得
1999年之后的完整数据，所以这里t
0指的是1996年。
其中，ΔK j t表示第t年新增的固定资产投资，由行业j第t年和第t－1年的固定资产净值年平均余额之差得出，以1999年的固定资产净值年平均余额作为1999年固定资产存量；P j t是固定资产价格指数，计算方法参照李小平等（2005）。Malmquist 生产效率指数计算结果及其分解情况如图1所示
：
图1中国大中型工业企业TFP增长率
及其分解（2000 2010年）
结果显示，2001 2010年中国大中型工业企业Malmquist生产率增速呈下降趋势，这一趋势在2000 2004年更为明显，2005年之后TFP增速在1%左右徘徊。另外，近年来中国工业行业生产率的提升主要依赖于技术进步，2002年之后，技术效率反而逐渐恶化①。这在一定程度上印证了李小平等（2008）和涂正革等（2006）的结论。
（2）R＆D存量。为避免重复计算，本文用R＆D 数据由各行业历年新产品开发经费、技术改造经费、技术引进经费、消化吸收经费和购买国内技术经费等5项之和得出。对R＆D存量的计算采用广泛应用的永续盘存法，首先参照李小平等（2005）的方法计算得到固定资产投资价格指数，并对各行业R＆D流量进行平减，然后利用Young（1995）建议的方法计算初始R＆D存量，即在可获得的时间序列较短的情况下，利用区间之前5年投资的年均增长率代表整个投资的增长，在折旧率为正的条件下，R＆D投资存量可以表示为：
R j
=RD j
/（η+g j）（11）
R j
t
=RD j
t
+（1－η）R j
t－1
（12）其中，R j0指的是行业j在t0年R＆D的投资存量②；RD j0是经过平减的1996年R＆D的投资额；g
61
2013年第3期（总第507期
）
政府经济管理
是1996 2000年R＆D 投资的平均增长率；η是折旧率，这里取为10%①。R j t 和RD j
t 分别表示行业j 第t 年的R＆D 存量和R＆D 投资流量。
①
Coe and Helpman （1995）对OECD 国家的研究将折旧率δ取为15%；李小平等（2006）对中国的研究将该值取作5%。考
虑到中国是发展中国家，这里将折旧率定位10%，这和Henry 等，（2009）对发展中国家研究的取值相同。此外，理论上说，不同的行业这个折旧率也应该会有所差异，但是为简单起见，这里忽略这种差异。
②
详细的证明过程可以参见Blundell ＆Bond （1998）。
（3）人力资本积累及其他变量。很多国外研究通常利用劳动者受教育的年限来衡量人力资本
（H ），由于无法获得中国各行业中各类员工所受教育年限的数据，这里仅利用各个行业中科技活动人员占全部从业人员的比重作为行业人力资本的代理变量。
国有企业比重（SOE ）和外资比重（FDI ）分别为大中型工业企业总产值中国有及国有控股和三资企业的工业总产值所占的比重；大中型工业企业出口交货值占工业总产值的比重用于代表出口比重（EX ）。
3、分析方法
对于动态面板数据模型，由于自相关和回归变
量的内生性等问题，
尤其是在类似本文截面个体较多（21个行业），时间序列较短（11年）的情况下，
OLS 估计的结果常常是上偏的；而广义距（GMM ）估计可以得出一致且有效的估计结果。
首先对理论模型取一次差分，以去除不随时间变化的具体行业效应（为简便起见，这里用Φ代表其他所有解释变量）；tfp 和Φ均是取自然对数后的值：
Δtfp it =α'Δfp i ，t －1+βΔΦit +λt +Δεit
（13）
去除行业效应可以减小被解释变量滞后项与
残差的自相关，
假设水平方程（方程6）的残差不存在序列相关，
那么，TFP 滞后2阶或更高阶的滞后项都可以作为差分方程（方程13）的工具变量，一阶距条件为E （tfp i ，t －s ，Δεit ）=0，t =3，…，8，s ≥2。前面设定的理论模型中，解释变量并不是完全外生的。比如，行业的R＆D 投资和人力资本常常受行业技术水平的影响，生产效率越高的行业其R＆D 投入常常越多，人力资本积累也往往越雄厚。为解决内生变量问题，我们可以建立距条件E （Δx i ，t －s ，Δεit ）=0，t =3，…，8，s ≥2。在建立该距条件下，可以利用差分GMM 方法对本文设定的理论模型进行
回归分析。然而，
这种方法的一个缺陷是，如果回归变量服从随机游走过程时候，回归变量的滞后项并不是有效的工具变量，
尤其在小样本情况下，差分GMM 不再有效②。为此，需要引入系统GMM 估计，
这种方法不仅将矩条件引入差分方程，还在水平方程中引入矩条件进行联合估计，
Blundell ＆Bond （1998）的结果显示，系统GMM 大大增加了估计结果的有效性和一致性。根据选择权重的不同，系统GMM 估计可分为一步和两步估计，研究认为，
两步估计的效果要好于一步估计。但是，Bond 等（2001）认为，在有限样本条件下，两步GMM 估计量的标准误严重下偏，从而影响统计推断。对此，
Windmeijer （2005）设计了针对两步GMM 标准误的小样本调整项，
该调整项能显著降低小样本情况下的估计偏差。蒙特卡洛模拟的结果表明，通过校正
阴道埋线
加拉茨钢铁后的两步估计能得出更精确的统计推断，估计效果要优于稳健的一步估计。本文比较了一步和两步系统估计，结果发现，经过小样本调整之后的两步估计无论是估计系数的标准误差、
显著性还是GMM 模型的检验统计量都优于一步系统估计。为此，本文均采用两步系统GMM 回归。
三、结果分析
为了更深入的揭示R＆D 变量影响TFP 的内在机制，
在以下的分析中，依次将Malmquist 生产率指数、效率变化指数（EC ）和技术进步指数（TC ）作为
被解释变量。在实际回归分析中，
本文先对未加入交互项的基础模型两步系统GMM 回归，然后逐步加入力资本与行业自身R＆D 投资、后向R＆D 溢出
及前向R＆D 溢出交互项。
1、对全要素生产率的分析
表1是以Malmquist 生产率指数（Mi ）为被解释变量的估计结果。其中，模型1是基础模型，模型2、模型3和模型4中分别加入人力资本（Ln （H ））与
行业自身R＆D 投资（Ln （LRD ））、
后向R＆D 溢出（Ln （SR D ））及前向R＆D 溢出（Ln （SR U ））交互项。表1中4个模型的Sargan 检验和Hansen 检验都无
7
1
豫公网安备41160202000603
站长QQ:729038198
关于我们
投诉建议