分析科研经费投入结构对国家创新的贡献-职称论文网

【摘要】本文基于面板数据,重点分析了科研经费投入结构对国家创新的贡献｡结果表明,政府和企业科技投入对科研产出的具有显著的贡献,政府科技投入对科技创新的贡献最大,企业科技投入次之,研发人员全时当量对科技创新的贡献最低,银行科技贷款对科研创新的贡献不显著,其占科技投入的比例也在逐年下降,深层次暴露了科技金融体系中存在的一些问题｡

【关键词】科技金融;科技投入;科技产出;贡献

1 引言

科技创新的主体主要是广大高等院校､科研院所和企业｡科技投入包括人员投入､经费投入､设备投入等诸多方面｡科研经费投入包括政府财政科技投入,企业技术开发投入,高校､科研院所研究开发投入和银行科技贷款等｡由于科研院所､高等院校的科研经费投入绝大多数又间接来源于政府和企业,因此科研经费投入主要由政府投入､企业投入和银行贷款组成｡

金融对科技创新的支持也具有十分重要的作用,加速科技金融结合可以促进和推动我国自主创新进程,从近期看,有利于缓解科技投入短缺的问题,从长期看,有利于引导自主创新向更加贴近市场需求､更加注重创新的效益和效率的方向发展｡很多省市出台了一系列科技金融优惠政策,建立了科技型中小企业融资担保风险准备金,北京､宁波､青岛等城市创立了科技信用社､科技银行｡我国科研经费投入近年来取得了长足的进步｡1995年-2008年期间,我国的科研投入从962亿元增长到9124亿元,平均每年增长16.2%,远远高于GDP的增长｡其中增长最快的是企业科研经费,平均年增长22.5%,其次是政府投入,平均年增长14.5%,银行科技贷款平均年增长8.0%｡从结构看(图1),政府投入比例从1995年36.5%下降到2008年的21.9%,企业投入的比例从1995年的44.8%上升到2008年的73.4%,银行贷款科技投入的比例从1994年的18.7%下降到2008年的4.7%｡总体上,企业科研投入的态势不错,政府科研投入的态势尚可,银行科技贷款的后劲不足,总体上处于颓势｡那么金融支持､政府和科技投入对国家创新的贡献究竟如何?是什么原因导致国家创新体系中金融支持的力度下降呢?这是本文重点关注的问题｡

国外关于科技投入与科技产出关系的研究有不少成果｡Griliches[1,2]较早提出的知识生产函数,将科研过程的产出看作是研发资本和人力投入的函数,并根据美国1953年至1987年的数据,用知识生产函数研究了科研投入的量对专利数量的影响｡Hall[3]等采用泊松模型对数据进行估计,发现R&D对专利申请的时间滞后呈U型分布情形｡Lev[4]等采用实证研究的方法,以大量的来源于不同行业的高研发密度的企业为样本,研究每年R&D支出与下一年经营收入的关系｡研究表明,R&D费用的效益具有明显滞后性,其效益持续期各行业有明显的不同[1]｡Jeff[5]等选取158家高研发密度企业和487家低研发密度企业的数据进行实证研究发现,高研发密度的企业,市场流动性与R&D研发密度负相关｡认为这是由于R&D费用的会计处理方法引起的信息不对称造成的｡Inonu[6]研究了经济发展水平和文化因素对科研产出的影响,方法是根据每百万人口的学术出版物数量与人均GDP(依照购买力平价)两项指标对国家进行分类,描述了经济发展水平与科研产出的大致关系｡RousseauS[7]等根据不同国家数据,将GDP､科研人员与科研经费作为输入变量,学术出版物与专利作为输出变量,由此构建模型来分析评估国家科研投入获得产出的效率｡

图1科研经费投入结构变化

国内学者的实证研究主要集中在两个方面,一是各科技投入要素的贡献,二是科技投入产出的效率｡前者重点分析不同投入要素对产出的影响,以及同样的投入对不同性质的地区和机构的影响,后者本质上分析的投入产出比,注重绩效｡还有一些学者专著于科技金融的实证研究,即金融支持对科技的贡献｡

在科技投入要素的贡献领域,李燕萍[8]等运用扎根理论,从环境因素､科研工作者､科研经费投入､科研产出4个方面构建了影响科研经费有效使用的四要素立体模型｡余昕[9]等以16个OECD国家作为研究对象,以SCI来源期刊论文量作为衡量一国科研产出的指标,通过面板数据(PanelData)分析方法建立了科研投入-科研产出关系模型,定量描述了发达国家科研产出与科研经费投入､科研人员数､时间等因素的关系｡赵正洲[10]等运用线性回归方法定量分析了高等农业院校的各项科研成果数量与科研经费､科研课题数､博士生人数､博士生导师人数4项投入变量的关系｡丁宁宁[11]等用高校论文数量作为科研产出,分析了人力资源投入数量､科研经费､课题数量对产出的影响,认为人力资源数量是最主要的因素｡谢亚兰[12]研究美国世界一流大学科研投入与产出之间的相关性,发现两者之间高度相关,相关系数在0.7以上,且公､私立大学间表现出了较大差异,私立大学科研投入与产出相关系数高达0.9｡李涛[13]等以披露研发信息的信息业与制造业上市公司为样本,利用面板数据建立多元线性回归方程模型,考察科研投入与企业绩效的关系｡结果表明,企业科研投入与盈利能力之间的关系并不明显,但对企业成长能力有显著的促进作用;高研发密度和高效率的人工费用投入,对制造业主营业务收入的增长能力有显著的贡献｡徐凯[14]等采用负二项分布对中国29个省､直辖市的高等院校14年(1990—2003)的R&D支出与专利申请量以及论文发表数的研究发现,中国高等院校投入与产出的直接关系非常弱,R&D支出的促进效果很不明显｡毛莉菊[15]等采用线性回归和层次分析法,对南京农业大学1993-2004年的科研经费投入､科研补助费､SCI论文量和SCI论文产出成本进行了统计分析,定量评价了南京农业大学科研投入和科研补助费与SCI论文量及SCI论文产出成本的关系｡余文盛[16]应用灰色关联分析法分析科研经费投入､科研奖励与论文产出成本的相关关系,发现科研经费投入与论文产出成本存在高度关联,科研奖励与论文产出成本间的相关性较为显著｡

在科技投入产出效率研究方面,雷彦斌[17]等以2008年17个行业207家中央级转制科研机构的数据作为样本,运用DEA模型对效率进行了比较和研究｡肖晋芬[18]等提出基于知识生产函数的科研投入产出模型,应用此模型对某综合类大学的8个不同学科领域的院系进行科研绩效评价,以解决高校不同学科领域院系之间的科研绩效评价问题｡孙世敏[19]等用DEA方法评价了我国29个省､市､自治区的高校科研投入产出效率,并计算各地区高校科研投入产出非DEA有效的产出不足量和投入冗余量｡骆珣[20]等从构建转制科研机构投入产出效率的评价指标体系入手,应用DEA方法对2004年北京市转制科研机构(按国民经济行业划分)的投入产出效率进行了评价｡赵强强[21]等构建了基于投入产出角度的全国31省市近五年科研经费使用效率评价的CCR模型,动态分析区域高校科研经费使用效率｡常家芸[22]等利用1978-2007年中国农业科研投入产出数据,运用数据包络分析法对这30年间的农业科研投入的有效性进行分析｡

在科技金融实证研究领域,王海[23]等根据科技资金投入与科技活动产出过程的特点,提出了评价科技金融结合效益的指标体系和效益评价模型｡肖科[24]利用联立方程模型测度政策性金融对我国自主创新成果转化的直接和间接贡献,模型中将政府财政科技拨款也作为金融的一部分｡

从目前的实证研究看,存在以下问题:

第一,从科技产出看,由于科技产出包括学术论文､专利､获奖成果等诸多因素,而现在许多学者的研究往往局限于科技产出的某个方面进行,比如单独用SCI论文或专利作为科技产出,必然带来研究的偏误｡

第二,从投入要素看,一些研究尚值得商榷,比如科研课题数一般不宜作为科技投入,不同获奖成果相差很大,一般也不能简单地用获奖成果数量作为科研产出｡

第三,从数据处理看,很多学者没有考虑到科技投入与产出的滞后期问题,一些学者虽然考虑到,但处理方法不够科学｡

第四,从研究方法看,由于科技投入要素间往往存在多重共线性,从而导致模型不够稳定,甚至投入要素的系数符号出现错误｡此外,采用时间序列数据的一些研究没有进行平稳性检验,有可能导致伪回归问题｡

第五,从研究领域看,现有的研究包括高校､企业､国家层面的科技投入要素贡献,但缺乏从不同科研经费来源渠道进行研究的视角｡

本文根据中国科技投入与产出的面板数据,首先采用TOPSIS对科技产出进行评价,得到唯一的结果,然后采用面板数据模型分析不同科技投入要素对科技产出的影响,在此基础上进行原因分析｡

2 研究方法

2.1 TOPSIS评价

由于科技产出指标众多,要分析不同科技投入要素对科技产出的影响,首先必须对科技产出进行评价,得到唯一评价值,然后才能进行回归分析｡

TOPSIS[25](TechniqueforOrderPreferencebySimilaritytoIdealSolution)是一种常用的有限方案多目标决策与评价方法,它根据各被评估对象与理想解和负理想解之间的距离来排列对象的优劣次序｡与简单的加权平均汇总相比,该法计算简便,注重评价指标体系的系统性,强调指标体系总体水平的协调,评估结果较合理｡

需要说明的是,对于科技产出进行评价,可以采用各种多元统计评价方法,当然由于方法不同评价结果也不尽一致,但一般而言,不同评价结果之间往往存在着较高的相关系数,因此并不会影响回归分析｡

2.2 面板数据

面板数据最早是Mundlak[26]引入到经济计量中,也被翻译为“平行数据”､“嵌入数据”､“综列数据”,指在时间序列上取多个截面,在这些截面上同时选取样本观测值所构成的样本数据｡

对于第一种情况,在横截面上无个体影响､无结构变化,则普通最小二乘估计给出了α和β的一致有效估计｡相当于将多个时期的截面数据放在一起作为样本数据｡对于第二种情况,称为变截距模型,在界面上个体影响不同,个体影响表现为模型中被忽略的反映个体差异的变量的影响,可分为固定影响和随机影响｡对于第三种情况,称为变系数模型,除了存在个体影响外,在横截面上还存在变化的结构,因而结构参数在不同的横截面单位上是不同的｡典型的面板数据模型是截面单位较多而时期较少的数据｡

在面板数据中,如果对于不同的截面或不同的时间序列,模型的截距是不同的,则可以采用在模型中加虚拟变量的方法估计回归参数,此时模型为固定效应模型｡

在固定效应模型中采用虚拟变量的原因是用于解释被解释变量的信息不够完整｡也可以通过对误差项的分解来描述这种信息的缺失,此时模型称为随机效应模型｡

随机效应模型和固定效应模型比较,相当于把固定效应模型中的截距项看成两个随机变量｡

一个是截面随机误差项(ui),一个是时间随机误差项(vt)｡如果这两个随机误差项都服从正态分布,对模型估计时就能够节省自由度,因为此条件下只需要估计两个随机误差项的均值和方差,可以对随机效应模型进行广义最小二乘估计｡

究竟采用固定效应还是随机效应,可以采用Hausman[27]检验,其零假设为H0:Cov(xit,αi)=0,即αi与X不相关,在该假设不能被拒绝时,随机效应(RandomEffect)是一致有效的估计方法,而固定效应(FixedEffect)是一致但非有效的｡反之,该假设被拒绝时,固定效应是一致有效的,而随机效应是一致但非有效的｡

3 数据

本文数据来自于2002-2009年期间的中国统计年鉴､中国科技年鉴,实际数据为2001-2008年的数据｡选取的科技投入指标有政府科研经费投入､企业科研经费投入､银行科技贷款､研究与试验发展人员全时当量,选取的产出指标有技术市场成交额､SCI检索论文数､EI检索论文数､ISTP检索论文数､发明专利数量､实用新型专利数量､外观设计专利数量｡需要说明的是,由于无法获得科研资本投入的存量数据,因此本文只能用流量数据替代,采用研究与试验发展人员全时当量数据比单纯采用科研人员数量更加合理｡一些科研产出数据由于难以处理或数据无法获得也进行了省略｡西藏地区由于数据为零的数据和缺失数据较多,因此没有选取西藏地区的数据｡为了减少异方差,同时增加结果的解释性,本文数据全部取对数进行处理｡

还有一个问题是关于科技投入与产出的滞后期选择问题｡科技投入与产出之间的滞后期包括两个部分,一是科技投入到科技实际产出完成之间的时间,称为实际产出滞后期｡比如通过实验,得出一个重要的科技发现,假设这个滞后期是1年｡二是科技实际产出完成到成果化之间的时间,称为成果化滞后期｡比如将科技发现写成论文进而发表,假设这个滞后期也是1年｡从科研投入开始到科技产出的成果化,花费的时间是2年｡但真正的成果完成所花费的时间只有1年｡在研究科技投入产出的模型中,从科学的角度出发,应该选择实际产出滞后期,而不应该选择科技投入开始到成果化完成之间的总滞后期,在以往的研究中,尚没有学者注意到这个问题｡

不同类型的科技产出,其总滞后期(实际产出滞后期与成果化滞后期的总和)是不一样的,

一般科研论文的滞后期1-2年,技术市场成交额的滞后期一般1年,正常发明专利仅申请时间需要2-3年,实用新型和外观设计申请时间约1年,实际滞后期1-2年｡特别是各种专利,申请手续需要1-3年,而成果其实早就完成了｡本文综合考虑,认为应该减去成果化滞后期,采用实际产出滞后期进行估计,综合选定实际产出滞后期为1年,如果这样,实际只有7年的面板数据｡

4 实证结果

4.1 科研产出评价

首先采用TOPSIS对科技产出进行评价,由于是8年30个省市的面板数据,必须放在一起评价才有意义｡评价时先对数据进行标准化,方法是用各指标值除以8年中该指标的极大值再乘以100｡为了减少误差,本文对TOPSIS的评价结果再乘以100｡由于篇幅所限,加上评价的目的是为了获取中间数据,本文省略了评价结果｡

4.2 面板数据的单位根检验与协整

无论是科技投入还是产出数据都是典型的时间序列数据,若时间序列的均值或自协方差函数随时间而改变,则该序列就是非平稳时间序列｡对非平稳的时间序列进行时间序列分析会产生“伪回归”问题,为使回归有意义,可对其进行平稳化,然后对差分序列进行回归｡单位根检验就是一种检测时间序列是否平稳的方法,常用的单位跟检验方法有ADF检验､PP检验和LPSW(Im,PesaranandShinW-stat)检验等,本文采用常见ADF单位根检验,结果如表2所示｡银行科技贷款在所有情况下都是平稳的,其他变量经过一阶差分都是平稳的｡

时间序列虽然是非平稳的,具有各自的长期波动规律,但是它们的某种组合却可能表现出平稳性,反映了它们之间的长期稳定的比例关系,称为协整关系｡协整的另外一个优点是可以避免差分可能导致的两个变量之间长期关系的信息丢失｡由于是面板数据,本文采用基于EngleGranger的Kao检验,结果发现在1%的水平上拒绝没有协整关系的原假设,也就是说,可以进一步采用面板数据对科技投入与产出之间的关系进行分析｡表2面板数据单位根检验

4.3 面板数据分析结果

采用面板数据回归分析科技投入与产出之间的关系,首先进行Hauseman检验,发现相伴概率为0.011,也就是说,应该采用固定效应进行回归分析｡为了减少截面数据的异方差,采用截面加权,结果如表3中的固定效应1所示,银行科技贷款系数没有通过统计检验,将其删除,继续进行Hauseman检验,相伴概率为0.004,说明应该采取固定效应模型进行估计,同样采用截面加权减少异方差,最终结果如表3中的固定效应2所示｡为了对比,表3同时还给出了混合回归结果｡

从固定效应2的结果看,所有变量都通过了统计检验,R2很高｡对科技创新贡献最大的是政府科技投入,每提高1%,科技产出增加0.666%,其次是企业科技投入,每增加1%,科技产出增加0.339%,最后是研究与试验发展人员全时当量,每增加1%,科技产出增加0.088%｡表3面板数据回归结果

银行科技贷款对科技创新贡献的回归系数统计检验不显著,对比最近15年来科技投入统计分析,银行科技贷款无论从增长速度和结构比例都在下降,总体上结论是一致的,其中必然存在结构性的问题｡

那么什么原因导致银行科技贷款对国家创新贡献不显著呢?主要有以下三个方面:

第一,企业科技创新融资渠道相对单一｡政府主导的科技金融无疑对企业科技创新具有重要作用,但是规模上与企业对科技创新需求相差极大,政府也不能充当企业科技贷款的担保人,这不符合市场规律｡对于广大中小企业而言,风险投资应该成为科技创新经费的重要来源,但我国的科技风险投资公司无论从数量还是规模上远远不能满足需求｡银行往往没有能力对贷款单位的科技创新能力进行评估,加上科技开发贷款风险性高于其他贷款,出于经营的收益性原则,因此往往不太愿意发放科技贷款｡

第二,不排除部分企业以科技贷款的名义取得银行贷款挪作他用,一些企业对科技贷款的利用效率不高｡

第三,银行科技贷款的主体以企业为主,而科技产出中高等院校､科研机构又占据了相当大的份额,由于企业与科研机构关于创新的焦点不一致,比如企业一般对发表高质量的论文不感兴趣｡从而导致实证研究出现银行科技贷款与科技产出不相关的异常结果｡

5 结论与讨论

国家创新必须依靠企业､广大高等院校和科研机构,走市场化为主,政府投资为辅､科技金融作为必要补充的道路｡本文研究发现,我国科研经费投入结构总体上是合理的｡最近10多年来,国家不断优化科研经费投入结构,加强政府科研经费投入的管理,在保证国家科技投入占GDP的比重相对稳定的情况下,政府投入的比例在不断下降,企业科技投入不断上升,并且政府投入对科技创新的贡献和企业投入的作用基本一致,这都是可喜的现象｡

但是我们也应该看到,我国科技金融的发展还存在很多问题,银行科技贷款作为科技金融的一个缩影暴露出许多问题,科技贷款比例逐年缩小,对国家创新的影响不显著,需要对这个问题进行系统研究,并采取相应对策｡

[参考文献]

[8]李燕萍,郭玮,黄霞.科研经费的有效使用特征及其影响因素[J].科学学研究,2009(11):1685-1691.

[9]余昕,王冬,韩楠,王欣.发达国家科研投入效率初探[J].科技进步与对策,2007(8):129-131.

[10]赵正洲,王鹏.高等农业院校科研投入产出的定量研究[J].科技进步与对策,2005(2):145-147.

[11]丁宁宁,王红梅.高校论文成果与科研投入之间关系的实证研究[J].山东经济,2008(1):143-146.

[12]谢亚兰.美国世界一流大学科研经费投入与产出相关性实证研究[J].高教探索,2008(5):51-54.

[13]李涛,黄晓蓓,王超.企业科研投入与经营绩效的实证研究[J].科学学与科学技术管理,2008(7):170-174.

[14]徐凯,高山行.中国高等院校科研投入——产出研究[J].研究与发展管理,2008(2):97-101.

[15]毛莉菊,席庆奎,张彬,俞建飞,钱宝英.南农大SCI论文量与科研经费投入及科研激励机制的关系分析[J].农业情报图书学刊,2006(4):162-164.

[16]余文盛.新建本科院校科研经费投入与产出的灰色关联分析[J].四川文理学院学报,2010(1):53-57.

[17]雷彦斌,李徽,欧国立.基于政府科技投入的中国转制科研机构效率评价与研究[J].科学学与科学技术管理,2010(7):34-37.