空間面板模型對我國省域創(chuàng)新知識效應分析

謝小義,胡錫健,張輝國

(新疆大學 數(shù)學與系統(tǒng)科學學院，新疆 烏魯木齊 830046)

摘要：基于2004-2012年我國專利的省際面板數(shù)據(jù)，以授權專利作為知識產權的產出變量，以申請專利作為知識存量的產出變量，通過拉格朗日乘子(LM)檢驗選擇合適的空間面板數(shù)據(jù)模型，分析研究專利授權對來自大專院校、科研單位、企業(yè)和個人的專利申請的彈性反應.結果表明，我國省域創(chuàng)新知識存在空間依賴關系，企業(yè)或個人的經(jīng)驗性知識累積對創(chuàng)新知識產出的效果明顯，且R&D人員全時當量的增加會顯著地增加周邊地區(qū)的知識產出.

關鍵詞：知識產權；知識生產；空間面板數(shù)據(jù)模型

中圖分類號：F224.7 文獻標志碼：A

收稿日期：2014-11-01

基金項目：國家自然科學基金資助項目(10272068)

作者簡介：陳婷，女，ting142679@163.com； 通信作者： 王利民,男，wanglimin@qtech.edu.cn.

文章編號：1672-6197(2015)05-0006-06

TheeffectanalysisofChina′sregionalinnovation

knowledgebyspatialpaneldatamodel

XIEXiao-yi,HUXi-jian,ZHANGHui-guo

(CollegeofMathematicsandSystemScience,XinjiangUniversity,Urumqi830046,China)

Abstract:Based on the province-level patenting over the period 2004-2012,we use the patents granted as a proxy for intellectual property,and past patent applications as a proxy for regional knowledge stocks,and choose the fit spatial panel data model by LM test to analyze the elasticity response of intellectual property to the patent applications classified by type of creator(universities and research institutes, enterprises，individuals).The results show that there is spatial correlation between the provinces, and the output effect of innovation knowledge from enterprise or individual empirical knowledge accumulation is obvious. The increase of R&D personnel of full-time equivalent will significantly increase the surrounding areas of knowledge production.

Keywords:intellectualproperty;knowledgeproduction;spatialpaneldatamodel

自我國加入世界貿易組織以來，從國家到公民都開始意識到知識產權的重要性.在美國，科技被視為經(jīng)濟增長和生產率提升的引擎，根本原因之一就是知識產權的力量.知識產權是創(chuàng)新知識的結晶，反映著一個國家或區(qū)域整體的創(chuàng)新能力水平，而從知識產權的內部組成來看，專利的地位尤其突出，國內外越來越多的文獻都將專利授權作為知識生產函數(shù)的產出，不光是因為數(shù)據(jù)上的可得性，也和專利能很好地代表國家或地區(qū)的創(chuàng)新知識整體水平不無關系.而對知識溢出效應的研究一直是經(jīng)濟學上的熱點，鄧明和錢爭鳴[1]利用空間面板模型分析了我國省際知識的空間溢出問題，發(fā)現(xiàn)知識生產活動存在正的空間溢出效應.徐盈之等[2]研究知識溢出與區(qū)域經(jīng)濟增長的關系，發(fā)現(xiàn)省際間存在知識溢出且對地區(qū)的經(jīng)濟增長有很明顯的推動作用.石沛和蒲勇健[3]對2004-2007年我國區(qū)域創(chuàng)新能力以及影響因素進行分析，發(fā)現(xiàn)我國區(qū)域創(chuàng)新能力存在逐年增強的空間依賴性.俞立平[4]以專利授權量作為應用技術的產出變量，研究了不同渠道經(jīng)費對科學與技術貢獻的差異，發(fā)現(xiàn)知識與技術溢出對研發(fā)要素投入彈性具有“擠出效應”.Lesage&Sheng[5]基于中國省際專利數(shù)據(jù)，利用空間面板數(shù)據(jù)模型分析了知識產權與知識存量的關系，討論了知識溢出效應在不同區(qū)域的影響，并就我國專利數(shù)量和質量對我國發(fā)展的影響進行了研究.近年來，我國專利申請量和授權量的增長速度很快，發(fā)明專利申請量自2011年來連續(xù)位居世界第一.在推動科學技術創(chuàng)新發(fā)展上，我國專利數(shù)量的劇增是否能彌補專利質量水平不高的缺陷也一直是研究和討論的熱點.基于此種想法，本文采用Lesage&Sheng[5]的部分研究成果，將專利申請作為知識存量的產出變量，又按照創(chuàng)造者的類型，將專利劃分為三類兩個等級，分別是大專院校與科研單位、企業(yè)和個人的專利申請，其中定義個人和企業(yè)的申請專利為高質量的，大學和科研結構的申請專利等級次之.采用知識生產函數(shù)，以專利授權為知識生產的產出，以知識存量、科技活動經(jīng)費和科技活動人員作為知識生產的投入要素，研究知識生產間的關系.通過Matlab軟件進行空間相關性檢驗和LM檢驗，進而選擇合適的空間面板數(shù)據(jù)模型，并進行參數(shù)估計.最后根據(jù)估計的結果分析各變量對知識產出的彈性反應和各變量的溢出效應.

1模型的設定及方法

1.1　變量的選擇和數(shù)據(jù)來源

基于Lesage&Sheng[5]的研究，本文將授權專利作為知識產權的產出變量，申請專利作為知識存量的產出變量，又為了考慮不同創(chuàng)作者的申請專利對授權專利的彈性反應，將申請專利按創(chuàng)造者類型分為三類，即大學及研究機構、企業(yè)、個人.根據(jù)知識生產函數(shù)的原理，知識生產函數(shù)投入變量為研發(fā)資本、研發(fā)勞動力和知識存量.參照已有的文獻，并考慮到數(shù)據(jù)的可得性，研發(fā)資本選為R&D經(jīng)費內部支出，研發(fā)勞動力選為R&D人員全時當量.故本文選定R&D經(jīng)費內部支出(K)、R&D人員全時當量(L)、專利申請量(大專院校和科研單位(R1)、企業(yè)(R2)、個人(R3))為解釋變量，專利授權量為被解釋變量. 而專利申請到專利授權的平均年限為2年，本文便設定t+2年的專利授權量是第t年的知識生產的產出.

本文研究的樣本為我國除西藏外的30個省市自治區(qū)的2004-2012年的專利授權量，2002-2010年的R&D經(jīng)費內部支出、R&D人員全時當量、大學研究機構、企業(yè)、個人專利申請量. 數(shù)據(jù)來源于《中國統(tǒng)計年鑒》、《中國科技統(tǒng)計年鑒》和國家知識產權局的官網(wǎng).

1.2　模型的設定

面板數(shù)據(jù)回歸模型為

ln(Yi t+2)=lnβ0+β1ln(Kit)+β2ln(Lit)+

β3ln(R1,it)+β4ln(R2,it)+β5ln(R3,it)+

μi+ηt+εit

(1)

其中：μi表示個體效應；ηt表示時間效應；并假設εit~N(0，σ2In).

當知識存在空間溢出效應時，模型(1)便不能用來研究和解釋研究對象間的關系，根據(jù)Elhorst[6]理論可知，有以下三種最基本的空間面板數(shù)據(jù)模型可用來研究.

(1)空間滯后面板數(shù)據(jù)模型(SAR)

ln(Yi t+2)=ρWnln(Yi t+2)+lnβ0+β1ln(Kit)+

β2ln(Lit)+β3ln(R1,it)+β4ln(R2,it)+

β5ln(R3,it)+μi+ηt+εit

(2)

其中Wn是n×n的空間二元鄰接矩陣. 考慮到海南省是個島，但只和廣東省隔條海峽，故設定海南的鄰接為廣東省. 此時，模型假定周邊區(qū)域的創(chuàng)新知識產出會影響本地的知識產出.

(2)空間誤差面板數(shù)據(jù)模型(SEM)

(3)

此時假定空間相關性存在于不可觀測的變量中.

(3)空間Durbin面板數(shù)據(jù)模型(SDM)

ln(Yi t+2)=ρWnln(Yi t+2)+lnβ0+β1ln(Kit)+

β2ln(Lit)+β3ln(R1,it)+β4ln(R2,it)+β5ln(R3,it)+

γ1Wnln(Kit)+γ2Wnln(Lit)+γ3Wnln(R1,it)+

γ4Wnln(R2,it)+γ5Wnln(R3,it)+μi+ηt+εit

(4)

此時假定周邊區(qū)域的知識投入和產出均對本地的知識產出有影響.

1.3　分析方法

1.3.1　全局空間相關性

為驗證區(qū)域間是否存在知識溢出，首先要對數(shù)據(jù)進行空間相關性檢驗.利用Moran’I指數(shù)可以度量每年的專利授權量的空間相關性程度.

(5)

1.3.2　模型選擇

若Moran’I指數(shù)顯示結果顯著，則得考慮模型(2)~(4).對于模型的假設檢驗.按照Elhorst[6]的研究，首先利用拉格朗日乘子(LM)檢驗，將模型(1)與模型(2)、(3)進行比較，并初步判斷SAM和SEM哪個更好；接著用似然比(LR)檢驗個體效應和時間效應是否存在；最后通過檢驗原假設H0：γ=0；H0：γ+ρβ=0是否成立，檢驗SDM模型是否可以簡化為SAM或SEM. 若H0：γ=0檢驗結果顯著，表明SDM可簡化成SAR；若H0：γ+ρβ=0檢驗結果顯著，表明SDM可簡化成SEM；若兩個原假設結果都顯著，則表明SDM比SAR和SEM更適合樣本數(shù)據(jù).

2結果分析

2.1　知識生產的空間相關性分析

全局自相關性可以通過Moran’I指數(shù)來檢驗. Moran’I指數(shù)取值大于0表示正相關，小于0表示負相關，接近于0表示不存在空間自相關性. 通過Matlab軟件計算Moran’I指數(shù)，結果見表1.

表1　2004-2012年我國專利授權量的Moran’I指數(shù)

觀察表1可知，我國區(qū)域創(chuàng)新知識生產的空間相關性越來越強，這與我國區(qū)域間的交流越來越密切相關. 且2011年和2012年的相關性指數(shù)分別為0.224 8和0.228 5，所以模型的選擇應該考慮引入空間相關性. 基于此，可以選擇模型(2)~(4)中的一個去研究.

2.2　空間面板數(shù)據(jù)模型的結果分析

本文利用Matlab軟件進行空間面板數(shù)據(jù)模型的選擇，根據(jù)Elhorst[6]的研究步驟和思想對數(shù)據(jù)進行分析，具體估計結果見表2~表6.

根據(jù)表2可知，Robust LM檢驗在4個模型中都顯著(α=1%). LM檢驗在原假設H0：不存在空間滯后項下結果顯著(α=5%)；LM檢驗在原假設H0：不存在誤差滯后項下，在不含個體和時間效應的面板數(shù)據(jù)模型與時間固定效應的面板數(shù)據(jù)模型中結果以1%的水平顯著，在個體固定效應面板數(shù)據(jù)模型中以10%的水平顯著. 從而可知，對于樣本數(shù)據(jù)，空間滯后面板數(shù)據(jù)模型比空間誤差面板數(shù)據(jù)模型要優(yōu)越些.

表2　面板數(shù)據(jù)模型估計結果

觀察表3,對于個體固定效應和時間效應的存在性檢驗，LR檢驗結果在1%的水平下顯著，表明模型中應該含有個體效應和時間效應. 從而模型應該設定為two-way誤差成分的空間面板數(shù)據(jù)模型. 觀察表4可知，Husman test的檢驗結果也顯著(α=1%)，表明效應應該設定為固定效應，本文之前討論的固定效應下的面板數(shù)據(jù)模型的分析有效.

綜上可知對于樣本數(shù)據(jù)，模型應設定為two-way固定效應的空間面板數(shù)據(jù)模型. 按照Elhorst[6]的研究，還要對空間Durbin面板數(shù)據(jù)模型進行檢驗，即檢驗H0：γ=0；H0：γ+ρβ=0.而當模型中存在個體固定效應和時間固定效應時，若個體量很大且時間很長，參數(shù)估計值將會出現(xiàn)偏差，于是要對參數(shù)估計進行偏差修正. 模型的參數(shù)估計及相關檢驗的具體結果見表5.

觀察表5可知，Wald檢驗和LR檢驗結果值在1%水平下都顯著，表明空間Durbin面板數(shù)據(jù)模型不應簡化成空間滯后面板數(shù)據(jù)模型或空間誤差面板數(shù)據(jù)模型. 從而根據(jù)空間Durbin面板數(shù)據(jù)模型偏差修正估計結果對樣本數(shù)據(jù)進行分析.

偏差修正的結果表明區(qū)域知識存量對我國知識

產出的促進作用比較明顯；而R&D經(jīng)費內部支出和R&D人員全時當量的投入效果并不明顯，這可能與我國經(jīng)費制度存在一些問題，以及將人力資源優(yōu)勢轉成人力資本優(yōu)勢的速度比較緩慢、成效比較低等原因有關.

三類專利申請對我國知識產出的促進效果顯著，可見知識是個厚積薄發(fā)的過程，積累的越多，產出會越多. 且每1 000份大學和研究機構的專利申請平均會有113份得到授權，每1 000份企業(yè)的專利申請平均會有216份得到授權，每1 000份個人的專業(yè)申請平均會有218份得到授權. 可見企業(yè)和個人的專利授權率幾乎是大學和研究機構的2倍.

表3　個體和時間效應檢驗結果

表4　隨機效應和固定效應的檢驗結果

表5　空間面板數(shù)據(jù)模型估計結果

表6是空間Durbin面板數(shù)據(jù)模型偏差修正估計的直接效應和間接效應結果. 結果表明各變量的直接效應和表5中的參數(shù)估計存在一些差異，這與模型中存在自變量滯后項有關系. 另外，各類專利申請量的直接效應在1%的水平下均顯著，且值均為正，表明各地區(qū)的專利申請量增加會引起本地區(qū)的專利授權量的增加，這與事實基本吻合，而R&D人員全時當量的間接效應在1%的水平下顯著，且取值為正，表明各地區(qū)的R&D人員全時當量的增加會增加周邊地區(qū)的專利授權量.

表6　空間Durbin模型(偏差修正)的直接和間接效應分析

3結束語

影響創(chuàng)新知識生產的因素很多，本文從專利授權量的角度分析了2004-2012年我國省域科研人員、科研勞力及知識存量對知識產出的影響關系，采用空間面板數(shù)據(jù)模型很好地分析了我國省域間知識生產的空間影響機制.

通過Moran’I指數(shù)和LM等檢驗，最后選定最適合樣本數(shù)據(jù)的空間Durbin面板數(shù)據(jù)模型. 其中Moran’I指數(shù)檢驗表明我國知識產出存在一定的空間相關性，模型中應該考慮空間性質；LM等檢驗結果表明空間Durbin面板數(shù)據(jù)模型不應該簡化為SAR或SEM，于是采用空間Durbin面板數(shù)據(jù)模型的估計結果來分析. 三類專利申請的影響顯著且取值為正，表明知識的累積是創(chuàng)新的來源，特別是應該做好來自企業(yè)或個人的經(jīng)驗性知識累積. 而R&D經(jīng)費投入和人員投入的影響不顯著，表明我國在將人力資源優(yōu)勢轉變成人力資本優(yōu)勢上的成效不高，各類經(jīng)費支出制度有待改進和完善.

參考文獻:

[1] 鄧明，錢爭鳴. 我國省際知識存量、知識生產與知識的空間溢出[J]. 數(shù)量經(jīng)濟技術與經(jīng)濟研究, 2009(5):42-53.

[2] 徐盈之, 朱依曦, 孫剛. 知識溢出與區(qū)域經(jīng)濟增長：基于空間計量模型的實證研究[J]. 科研管理, 2010, 31(6):105-112.

[3] 石沛, 蒲勇健. 中國區(qū)域創(chuàng)新能力的空間計量經(jīng)濟研究[J]. 科技與經(jīng)濟, 2011,24(4):11-15.

[4] 俞立平. 不同渠道經(jīng)費對科學與技術貢獻的比較研究——基于空間面板模型的估計[J]. 統(tǒng)計與信息論壇, 2014, 29(3):95-113.

[5] Lesage J P, Sheng Y X. A spatial econometric panel data examination of endogenous versus exogenous interaction in Chinese province-level patenting[J]. J Geogr Syst, 2014,16:233-262.

[6] Elhorst J P . Matlab software for spatial panels[J]. International Regional Science Review, 2012,35：377-407.

(編輯：郝秀清)