专利与RD资源中国创新的投入产出分析13页word资料.docx
《专利与RD资源中国创新的投入产出分析13页word资料.docx》由会员分享，可在线阅读，更多相关《专利与RD资源中国创新的投入产出分析13页word资料.docx（26页珍藏版）》请在冰豆网上搜索。
专利与RD资源中国创新的投入产出分析13页word资料
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，2019[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,2019 [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（Arundel2019 [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，2019 [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,2019[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，2019[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,2019[5]，Jaffe2019[6]，Groshby,2019[7]），或是估计国家或国际创新过程（Guellec等,2019 [8] ），有些从产业角度来衡量创新（Abraham，2019 [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（Waterson1990[10]，Arundel,2019[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，R2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，2019 [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，2019 [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（2019[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，2019[18]；赵喜仓等，2019[19]；鲁文龙等，2019[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,2019）。
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，2019[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EViews4.1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
变量
水平值
一阶差分值
结论
ADF
PP
ADF
PP
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
25.52
K ≤1
K＝2
0.382
11.54
15.41
20.04
7.708
14.07
18.63
K ≤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，将科技资金投入换成国家财政科技拔款或是政府科技资金、企业科技资金等再次对方程进行回归，得到了极为相似的结论，说明我们的结论是可靠的。
研究认为研发投入与专利申请几乎没有滞后效应（Jaffe，2019），或滞后效益对结论的影响不明显（Griliches,1990 [3] ），因此本研究没有考虑创新投入与专利产出之间的滞后效应。
四、经济分析
中国的创新资金投入产出弹性为0.465，说明我国科技资金投入每增加1%，我国的专利就增加0.465%，这个结果和美国是类似的，美国专利对R&D的弹性在0.3~0.6%之间。
我国科学家和工程师对专利这一创新产出的弹性高达1.201，意味着增加1%的研发人员，专利产出增加1.021%。
国外一般而言投入的产出弹性不会高于1，这一异常的现象需要我们进一步分析。
如我们前面的描述，专利与科学家和工程师比率在美国等发达国家是逐年稳步下降，在中国却呈向上发展趋势，而回归结果显示中国科学家和工程师投入对专利弹性大于1。
这个结果，和专利与科学家和工程师比率上升的发展趋势是吻合的。
分析原因有以下几个方面：
1．研究人员质量的提高和信息渠道的增加提高了科研人员技术生产效率。
中国科研人员由于文化大革命的影响，以前水平较差，信息闭塞，随着改革开放的深入，我国科研人员质量上的提高胜于数量上的扩张，尤其与国外交流增多，信息渠道日渐畅通，科研及经济信息的来源较以前要广阔得多，信息质量得以提升，正是由于人才和信息质量的大幅度提高使科研人员的生产率迅速提高，从而使产出弹性超出1的水平。
2．科研人员人均科研经费的提高。
我国经济发展迅速，科学家与工程师的实际人均科研费用得到不断提高，2019年为1985年的1.42倍，人均经费的提高增加科研人员可以利用的资源，促进了科研人员的生产率。
3．科研人员人均技术机会和技术需求不断增长。
由于我国技术基础薄弱，科技研究起点低，与国外技术的差距大，所以改革开放后技术研究机会空间很大，加上我国经济发展非常迅速，由此技术需求不断增加，但研发人员的培养需要较长的时间。
技术机会和技术需求的增长速度比研发人员增长速度更快，使人均技术机会和技术需求增加，导致研发人员生产率上升。
4．科研人员的专利意识在不断提高。
我国以前的科研人员知识产权意识薄弱，且知识创新和价值创造脱节严重，故此以前的科研成果一般仅作为学术成就发表而大多未采用专利形式进行保护，现在科技人员的知识产权意识大为提高，专利申请和授权数量也随之大幅度攀升。
5．统计数据的影响。
本文研究采用国家统计数据，而国家科研投入的统计数据主要来源于科研机构、大学和大中型企业，没有包括个人的科技投入，而专利数据则同时包括了机构和个人的科研成果，中国的个人发明者申请的专利比例甚高，达到了40%（Mahmood等，2019），这个因素在本研究中未分离出来，可能对结果有一定影响。
五、结论和建议
本文通过实证分析论证了中国R&D资源对专利产出具有正的、显著的影响，说明增加科研投入确实可以极大提高我国的创新能力。
现阶段，由于创新投入产出弹性很高，尤其是科研人员投入对创新的产出弹性高达1.201，所以培养科研人员对我国创新能力的提高具有特别重要的意义，无论是政府还是企业界都应该重视科研人员的投入，尤其是政府。
研究发现，政府的引导性创新投入非常重要，无论发达国家还是发展中国家均是如此。
政府在国家科技资源的分配中起重大作用，决定技术进步的速度和方向（Lichtenberg,1988 [24]），而且公共政策在形成国家创新能力中起作重要作用，不仅仅是政府本身研究投入的增加，而且对人力资本的投资、创新激励、产业环境、政府与企业间的关系均有重要影响（Furman，2019）。
有些国家政府创新的投入比例很高：
巴西甚至达到81.9%（1994），美国43.3%（1992）（Freeman,2019 [25] ）。
发展中国家的企业，由于技术能力有限，开始主要是模仿发达国家的先进技术，由于创新所要求的投入尤其是人力投入较高，必须要有相应高素质的研发人员，而创新的收益虽大，风险更高，因此，发展中国家的企业从技术层面上来说，更关注模仿，尤其在知识产权保护力度不足的情况下，模仿显然比自己创新更为合算（Mazzoleni等，2019）。
因此我国大多数企业技术以模仿为主，企业创新投入不足，自主创新的比率较少。
鉴于创新对经济发展的关键作用，在企业创新投入不足的情况下，发展中国家的政府在创新投入中起到的作用更加重要。
近年来我国企业在科技资金投入上所占的比例越来越高，然而在中国的创新系统中，国家应该是主要力量。
实际上中国政府的创新投入在创新中取得了很高的回报，通过对国家财政的科技投入作回归，发现其产出弹性很高，在1%的显著性水平下高达0.494。
自2019年全国技术创新大会以来，实施技术创新战略更成为全国上下的共识，但作为发展中国家，我国政府的科技投资却只占科技活动经费筹集额的26%左右的比例，多年来无大的变化，建议我国加大政府的科研资金投入，培养更多的科研人才。
附表 有关数据
年份
当年价（亿元）
GDP减
缩因子
1990年不变价（亿元）
科学家和工程师
（万人）
国内专利申请受理
量（项）
国家财政科技拨款
科技活动
经费筹集额
其中：
政府拨款总计
国家财政科技拨款
科技活动
经费筹集额
其中：
政府拨款总计
1985
102.6
172.1
79.0
70.6
145.4
243.8
112.0
46.4
9410
1986
112.6
212.8
90.1
73.8
152.6
288.4
122.1
61.7
13680
1987
113.8
219.5
91.0
77.5
146.7
283.1
117.4
73.3
21663
1988
121.1
277.4
96.9
87.0
139.3
318.9
111.4
85.4
28440
1989
127.6
309.3
98.8
94.7
134.8
326.8
104.4
96.6
26964
1990
139.1
403.3
124.1
100.0
139.1
403.3
124.1
100.1
35590
1991
160.7
427.0
126.4
106.7
150.5
400.0
118.4
132.1
44042
1992
189.3
557.3
160.0
115.1
164.4
484.1
138.9
137.2
58397
1993
225.6
675.5
175.4
131.9
171.0
512.1
133.0
137.2
62892
1994
268.3
788.9
218.1
158.1
169.7
499.1
138.0
153.9
62985
2019
302.4
962.5
248.7
178.9
169.0
538.1
139.0
155.4
63925
2019
348.6
1043.2
272.0
189.5
184.0
550.5
143.5
168.8
76060
2019
408.8
1181.9
309.9
191.0
214.1
618.9
162.3
166.8
81793
2019
438.6
1289.8
353.8
186.4
235.4
692.1
189.9
149.0
87591
2019
543.9
1460.6
473.0
182.2
298.5
801.7
259.6
159.5
100464
2019
575.6
2346.7
593.4
183.9
313.0
1276.3
322.7
204.6
128174
2019
703.3
2589.4
656.4
183.5
383.4
1411.5
357.8
207.2
149345
2019
816.2
2938.0
776.2
181.4
450.0
1619.8
427.9
217.2
187600
注：
我们使用GDP指数构造缩减因子，将创新投入资金折算成1990年不变价格的实际科研资金投入，和Griliches（1990）[3]采用GNP缩减因子虽略有不同，但并不影响回归的有效性。
参考文献
[1]Acs.ZJ.,Anselin.Luc,Varga.Attila.Patentsandinnovationcountsasmeasuresofregionalproductionofnewknowledge[J].ResearchPolicy,2019,31:
1069～1085
[2]Cuddington.JohnT,Moss.DianaL.Technologicalchange,depletion,andtheU.S.petroleumindustry[J]. TheAmericanEconomicReview,2019,91:
11351～148
[3]Griliches.Zvi.PatentStatisticsasEconomicIndicators:
ASurvey[J]. JournalofEconomicLiterature,199028:
1661～1707
[4]Arundel.Anthony.Therelativeeffectivenessofpatentsandsecrecyforappropriation[J]. ResearchPolicy,2019,30:
611～624
[5]Mazzoleni.Roberto,Nelson.RichardR.Thebenefitsandcostsofstrongpatentprotection:
acontributiontothecurrentdebate[J].ResearchPolicy,2019,27:
273～284
[6]Jaffe.AdamB.TheU.S.patentsystemintransition:
policyinnovationandtheinnovationprocess[J].ResearchPolicy,2019,29:
531～557
[7]Groshby.Mark.Patents,innovationandgrowth[J].EconomicRecord,2019,76:
255～262
[8]Guellec.Dominique, BrunovanPottelsberghedelaPotterie.Theinternationalisationoftechnologyanalysedwithpatentdata[J]. ResearchPolicy,2019,30:
1253～1266
[9]Abraham.BijuPaul,Moitra.SoumyoD.Innovationassessmentthroughpatentanalysis[J].Technovation,2019,21:
245～252
[10]Waterson.
升级会员 