专利与RD资源：中国创新的投入产出分析.docx

专利与 R&D 资源：中国创新的投入产出分析古利平 张宗益 康继军（重庆大学经济与管理学院）创新在当今世界性竞争中起着越来越关键的作用，是一个国家竞争力的主要源泉作为追赶世界先进水平的发展中国家，中国的创新资源——无论是用于创新投入的资金或是受过相当教育的研发人员，均十分稀缺这就要求在对国家创新投入进行决策时，必须要有坚实的科学根据，以使我们有限的创新资源能得到充分利用但是长期以来，由于科技数据的限制，有关中国创新投入产出的定量分析相对贫乏本文希望通过对创新投入产出的数量分析，为相关政策制定者提供依据，使决策更为科学客观一、研究背景和相关文献目前国外关于创新投入产出的数量研究较多，这为我们研究中国的创新投入产出问题提供了指导库兹涅兹 1962 年提出——理解技术变化在经济中所起作用的最大障碍在于学者们难以将创新量化技术变化的衡量涉及到创新过程的三个主要方面：①创新投入，如资金和人力资源；②中间产出，如新发明和新知识；③创新的最终产出，如不断提高的收入和利润（Acs 等，2002 [1]）经济学界在衡量创新的投入产出时一般采用研发投入和专利活动作为近似指标（Cuddington, 2001 [2] ）。

在考察创新投入时，研究者一般采用 R&D 费用或从事研究的科学家和工程师数量这两项指标创新产出数量指标有一个发展过程，20 世纪 50 年代至 60 年代，经济学家们通过 R&D 这种创新投入来近似表示创新产出，但自 20 世纪 70 年代以来专利作为衡量创新产出水平指标得到了广泛应用（Griliches, 1990 [3] ）专利数据在创新分析中越来越显示出其重要性（Arundel 2001 [4] ）有的学者认为专利作为创新产出指标有其天然的局限性（Furman 等，2002 [11] ），因为不同产业、不同地区、不同时期的专利倾向不同（Griliches, 1990 [3] ），不同行业和公司究竟是采取专利还是商业秘密来保护创新成果，要看哪一种方式更能防止竞争者模仿，哪一种方式带来的利益更大（Arundel, 1998 [12] ）不是所有发明都可获得专利，不是所有创新都会申请专利，不同专利质量不同，由此带来的经济效益也有天壤之别尽管存在一些问题，由于数据容易获取，和创新关系密切，而且多年来专利标准客观、变化缓慢，所以专利仍是衡量创新活动的相当可靠的指标（Griliches，1990 [3]；Acs 等，2002 [1]）。

学术界利用专利数据对创新活动进行了广泛研究——有些学者从宏观角度利用专利分析技术进步和经济发展的关系（Mazzoleni 等, 1998 [5]，Jaffe 2000 [6]，Groshby, 2000[7]），或是估计国家或国际创新过程（Guellec 等, 2001 [8] ），有些从产业角度来衡量创新（Abraham，2001 [9]），有些学者从微观角度利用专利分析帮助公司制定创新策略（Waterson 1990 [10]，Arundel, 2001 [4]）利用专利来分析创新的投入产出数量关系始于 20 世纪 60 年代，Schmookler（1966）、Scherer（1965）是早期研究专利与 R&D 关系的两位学者，80 年代后从事相关研究者甚多，如 Pavitt（1983）、Acs 等（1989），他们的研究结果表明 R&D 和专利之间存在显著相关性，R 2超过 0.9，对美国的研究表明专利对 R&D 的弹性在 0.3~0.6 之间，即使考虑到滞后效应也是如此（Griliches, 1990 [3] ）遗憾的是，尽管利用专利分析创新的论著非常丰富，绝大多数研究却是针对发达国家的（Mahmood 等，2003 [13] ），对发展中国家的研究甚少。

二、研究内容与指标选择（一）研究内容本文的研究始于我们注意到的一个不寻常现象，就是中国的专利与科学家和工程师比率、专利与实际 R&D 费用比率（图 1）随年份而呈现的变化趋势与发达国家有很大的不同实际 R&D 费用指换算成不变价格的 R&D 费用，采用实际 R&D费用是为了消除价格变动因素以使各年指标具有可比性，本文使用 GDP 缩减因子，将各年 R&D 费用折算成 1990 年不变价从图中我们可以看到，我国的专利与科学家和工程师之比在 18 年间总体呈增长态势，专利与实际 R&D 费用的比率变化比较平稳，而美国自 20 世纪 60 年代以来，专利与实际 R&D 费用的比例及专利与科学家和工程师数量的比率一直稳定下降，其他国家如英国、德国、法国也是如此（Kortum，1993 [14]，Evenson, 1993 [15]）1990 年美国专利与科学家和工程师比例只有 1969~1970 年水平的 40%普遍认为，发达国家的创新投入产出比率不断下降的原因是由于技术机会耗尽导致了发明者生产效率下降Griliches（1984）则认为专利倾向下降也会引起比率下降，Evenson 认为需求是专利与科学家和工程师比例降低的主要因素，其他学者论证了包括法律成本的变化、专利过程延迟等因素也会引起比率稳步下降。

中国的趋势为什么如此不同，这一点引起了我们的高度关注在中国，创新的投入与产出之间到底是什么关系，和美国是否有本质区别？这正是我们要分析的内容， 本文将在后面对此进行详细分析二）指标选择本研究采用了国际通行的指标——专利与创新投入资金和研发人员，对中国创新的投入产出进行数量分析虽然有建议认为作为发展中国家，应超出传统的投入指标（财政资源和人力资源）和产出指标（出版物，专利，技术贸易支付差额，高科技贸易，等等）的范围，建立一套可测量其科技能力和科技活动对生活质量影响的系统方法（联合国教科文组织统计研究所，2002 [16] ），然而在找到更合适的指标以前，我们认为利用专利、资金和人力资源研究创新仍然是适合发展中国家的实际上，中国科技发展战略研究小组（2003 [17] ）在研究中国区域创新能力时就用到了传统的指标目前国内学者一般采用 R&D 指标来进行创新研究（陈劲等，2003[18]；赵喜仓等，2003[19]；鲁文龙等，2003[20]），使用专利和创新资源对中国的创新系统进行投入产出分析的，就作者了解国内尚无先例，本文的研究拟填补这方面的空白三）数据说明创新投入产出分析中，选用专利申请数据体现产出水平。

专利数据包括专利申请量和专利授权量，国外经济学界常采用专利申请量而不是专利授权量来衡量创新（Groshby, 2000）Griliches（1990） [3]论证了专利申请量比专利授权量更能反映创新的真实水平，因为专利授权量受到政府专利机构等人为因素的影响较大，使专利授权量由于不确定性因素增大而容易出现异常变动因为创新投入是中国大陆的统计数据，为了投入与产出的匹配，所以本文的专利申请数据，不包括香港、台湾、澳门创新投入包括资金投入和人才投入，国外一般采用为 R&D 费用与科学家和工程师这两项指标由于我国 1988 年才首次获得 R&D 活动的统计数据，比较可靠R&D 数据则从 1990 年才开始，从统计可靠性上来看数据长度稍嫌不足，所以我们采取了科技活动经费筹集额作为创新的资金投入衡量指标我们的数据来源始于 1985 年的科技普查中国科技领域的规范统计数据从1985 年全国性的科技普查以来才开始收集，迄今为止我们拥有了 18 年统计资料，足以对创新的投入产出作可靠的回归分析，本文数据（附表）主要来源于《全国科技普查数据》、《科技统计数据集》、《中国科技统计年鉴》、《中国统计年鉴》三、模型与结果（一）模型在创新投入产出分析中，通常采用柯布·道格拉斯生产函数（Jaffe，1989 [21]；Adam，1993 [22]；Jones，1995 [23]），我们将模型表达为（1）两边取对数得到（2）其中，t 是专利数，t 是科技活动经费，t 是从事科技活动的科学家工程师人数。

本文使用 E Views 4.1 软件包，在向量自回归（VAR）模型框架下对我国技术发展创新能力的投入产出进行实证研究二）普通最小二乘法（OLS）回归结果首先，本文假设满足 OLS 条件，使用 OLS 对方程（2）回归，得到以下结果：（3）N =18， R2 =98.5%，2 =98.3%， F = 488.434***， D－ Wd =1.999从结果来看，资金投入和人力投入对创新产出的系数均为正，和我们预期符号一致，各个自变量的系数都通过了 1%显著性水平的 t 检验，杜宾-瓦尔森 d 为 1.99，可以断定无自相关三）变量的单位根检验对于宏观的经济时间序列，绝大多数时序变量都是非平稳的，时序变量的非平稳性将改变 OLS 估计值的渐进分布结果，可能产生伪（spurious）回归问题，由此而引发协整（Cointegrated）的检验和估计问题，而且即使在协整成立的前提下，使用有限样本对协整向量进行 OLS 估计仍有实质性偏差本文采用扩展的 Dickey-Fuller 单位根检验（ADF） 和 Phillips-Perren 检验（PP）对各个变量进行单位根检验，根据数据图形选取适当的带截距项和趋势项的模型，使用最小信息准则— Akaike 信息准则（AIC）和 Schwarz 贝叶斯信息准则（BIC）选取 ADF 检验滞后阶，根据 Newey-West 建议值选取 PP 检验滞后阶，ADF 和 PP 检验（结果见表 1）判定所有变量都是 1 阶求积的。

表 1　扩展的 Dickey-Fuller 单位根检验（ADF）和 Phillips-Perren 单位根检验（PP）结果水平值 一阶差分值变量ADF PP ADF PP结论LogP -0.681 -2.308 -2.956** -2.907** I（1）LogR -0.951 -0.989 -4.126*** -4.130*** I（1）LogS -2.894 -3.248+ -3.838*** -3.898*** I（1）注：上标 ***， **， *，＋分别代表 1%，5%，10%和接近 10%的显著性水平，以下同四）协整检验由于各个变量均为 1 阶求积关系，所以直接使用 OLS 估计的方程（3）有可能导致谬误回归，必须对其进行处理本文采用 Johansen 协整检验对系统的协整关系进行检验和估计（结果见表 2），迹检验和最大特征根检验的结果都表明系统在 5%和 1%的水平下协整个数 k = 1表 2 Johanson 协整检验结果零假设 备择假设 特征值 λ-trace 5%临界值 1%临界值 λ-max 5%临界值 1%临界值K = 0 K＝1 0.888 46.57 29.68 35.65 35.026 20.97 25.52K ≤ 1 K＝2 0.382 11.54 15.41 20.04 7.708 14.07 18.63K ≤ 2 K＝3 0.213 3.83 3.76 6.65 3.832 3.76 6.65由于协整关系的存在，VAR 模型可由协整所派生的误差校正模型（VECM）表出，这样，我国技术发展创新能力的投入产出关系可由以下协整方程表出：（4）协整方程（4）和原 OLS 估计方程（3）的形式是一致的，同时克服了可能出现的伪回归问题。

这样，我们可以使用所得到的协整方程（4）对中国创新投入产出进行分析根据协整方程（4）的结果，投入资金对创新产出的系数是0.465，投入人力资源对创新产出的系数是 1.201技术发展创新能力的投入产出方程（4）表明，中国科技资源的投入，无论是科技活动经费，还是科学家工程师的产出弹性都很高，对创新的影响不仅为正的且极为显著，表明我们的科技投入确实取得了相应的创新回报，更证实当增加创新投入时创新产出有更快的增长为验证本文的结论，我们利用其他创新投入指标对模型进行同样的回归估计，将科技资金投入。