本站分享:大数据、数据分析师考试认证培训,包括:Python培训Excel培训Matlab培训SPSS培训SAS培训R语言培训Hadoop培训Amos培训Stata培训Eviews培训广告位

高技术产业的企业规模与技术创新_基于非线性面板平滑转换回归_PSTR_模型的分析

stata培训 cdadata 384℃

高技术产业的企业规模与技术创新_基于非线性面板平滑转换回归_PSTR_模型的分析

关键词:非线性回归多元非线性回归模型

高技术产业的企业规模与技术创新— — —基于非线性面板平滑转换回归 ( PSTR) 模型的分析Firm Size and Technological Innovation of Chinese High – tech Industries:An Analysis Based on Panel Smooth Transition Regression Model牛泽东NIU Ze – dong张倩肖ZHANG Qian – xiao王WANG Wen文( 西安交通大学经济与金融学院西安710061)[摘要] 本文采用中国高技术产业 2003 -2007 年的企业层面数据, 应用非线性面板平滑转换回归( PSTR) 模型对企业规模与技术创新之间的关系进行分析。 研究发现, 企业技术创新水平与企业规模的三种衡量指标之间都存在明显的先递增后递减的非线性关系, 理论上存在一个最适创新的企业规模。 对于目前中国高技术产业中的绝大多数企业来说, 企业规模与技术创新之间更多地表现为一种非线性的递增关系, 追求企业规模的合理扩张是促进企业技术创新水平提高的关键因素。

[关键词] 企业规模[中图分类号]技术创新[文献标识码]面板平滑转换回归模型[文章编号] 1000 – 1549 ( 2012) 10 – 0068 – 07F276. 44A

一、 引言世界经济发展的历史经验表明, 技术创新是推动一个国家 ( 地区) 经济发展的根本动力 ( 钱德勒,1999[1]) 。 中国作为一个转型经济大国, 随着社会主义市场经济体制的日 趋完善, 技术创新对经济增长的推动作用愈加明显。 经济学家和政策制定者逐渐达成共识: 只有进行技术创新, 才能提升中国产业的国际竞争力、 实现经济增长方式的根本转变和产业结构的优化升级。 在技术创新已成为中国经济发展的一项重要战略的大背景下, 如何在经验层面探寻技术创新的决定因素, 成为理论界和决策层关注的焦点。

二、 企业规模与技术创新关系研究综述Schumpeter ( 1942)[2]以大企业研发实力和抗风险能力对技术创新的绝对作用为依据提出了 “企业规模越大越有利于技术创新” 的观点, 指出 “大企业是整个经济进步的发动机”, 称为 “熊彼特假说”。熊彼特的 “大企业创新优势论” 得到了 Galbraith ( 1952)[3]和 Villard ( 1958)[4]等人的支持。 然而, Mans-field ( 1968)[5]却认为, 大企业的垄断地位一旦形成, 企业就会丧失技术创新的动力, 企业规模过大还会降低效率, 不利于技术进步。 进一步地, Gellman ( 1976)[6]的研究表明, 由于机制灵活以及面临的竞争压力较大, 小企业技术创新效率明显高于大企业。 与 Gellman 类似, Katrak ( 1994)[7]等人的研究也发现小企业承担了更大比例的创 新份额。 还有一些研究表明 企业规模与技术创 新之间的关系并不是线性的。Bound etal.( 1984)[8]运用美国 1976 年 1479 个企业的数据研究发现, 企业规模和研发支出之间存在 “正 U型” 关系: 研发强度先随企业规模下降而后又上升, 小企业和大企业比中等规模的企业具有更大的研发强度。 Scherer ( 1965a)[9]运用 1955 年世界 500 强企业中的 448 家企业数据为样本进行分析, 结果发现企业规模与创新投入之间存在先减后增的 “倒 U 型” 关系。 也就是说, 存在一个阈值, 当企业规模小于该阈值时, 研发强度随规模的扩大而增加; 当企业规模大于该阈值时, 研发强度随规模增加而下降。收稿日 期: 2012 – 06 – 05作者简介: 牛泽东, 男, 山西长治人, 西安交通大学经济与金融学院博士研究生, 研究方向: 产业经济学; 张倩肖, 女, 陕西渭南人, 西安交通大学经济与金融学院教授, 博士生导师, 研究方向: 产业经济学; 王文, 女, 陕西西安人, 西安交通大学经济与金融学院博士研究生, 研究方向: 产业经济学。86中央财经大学学报2012 年第 10 期
上述文献都是以发达国家为研究样本, 在有关中国企业规模与技术创新的研究方面, 周黎安和罗凯( 2005)[10]采用 1985 -1997 年的省际面板数据研究发现, 只有在一定的企业治理结构下, 企业规模与技术创新之间才呈现正相关。 彭征波 ( 2006)[11]采用 2000 – 2003 年 5 个行业的数据研究了企业规模、 市场集中度等与技术创新之间的关系, 结果表明, 企业规模、 市场结构与技术创新之间不存在简单的线性关系,在不同的行业, 它表现为 “正 U 型” 或 “倒 U 型” 曲线。 朱恒鹏 ( 2006)[12]运用中国 2006 年 800 余家民营企业的调查数据, 考察了企业规模、 市场力量、 行业特征和地区差异等因素对企业技术创新的影响,结果发现: 企业规模与民营企业研发强度之间呈较明显的 “倒 U 型” 变化关系。 吴延兵 ( 2008)[13]运用中国 2002 年 4 位数制造业的横截面数据, 从创新产出的角度对 “熊彼特假说” 进行了验证, 结果表明对几乎所有的 4 位数制造业而言, 企业规模与创新产出之间表现为一种非线性递增关系。综合以上理论和经验研究的结果可以发现, 企业规模和技术创新之间存在正相关、 负相关、 “正 U型” 和 “倒 U 型” 四种变化关系。 虽然由于数据样本和计量方法选择的不同以及企业规模和技术创新的衡量指标选择的差异会导致研究结论的不一致 ( 吴延兵, 2008[13]) , 但目 前理论界比较一致的看法是, 由于大企业和小企业在技术创新方面各具优劣, 企业规模与技术创新之间的变化并非简单的线性关系可以刻画, 二者间的关系应是非线性的。 同时我们发现, 目前对于中国企业规模与技术创新之间关系的研究主要是以分省或者分行业数据为样本, 从企业层面对二者之间关系的研究比较缺乏。 另外, 已有研究对非线性关系的刻 画主要是通过在模型中引 入企业规模的平方项 (彭征波, 2006[11]; 朱恒鹏, 2006[12 ]; 吴延兵,2008[13]) 或通过建立企业规模的 3 次方程式 ( Scherer, 1965a[9]) 来进行的, 这种方式简单原始, 无法精确刻画企业规模与技术创新之间复杂的变动关系。 因此, 本文采用中国高技术产业的企业层面数据, 运用非线性面板平滑转换回归 ( PSTR) 模型对企业规模与技术创新之间可能存在的非线性关系进行分析, 以揭示二者之间复杂而微妙的变化规律。

三、 模型、 变量和数据( 一) 模型的构建1. 非线性面板平滑转换回归模型。 本文采用 Gonzalez etal.( PSTR) 模型对企业规模与技术创新之间关系进行考察。 包含两机制 ( Regime) 的基本 PSTR 模型形式如下:( 2005)[14 ]提出的非线性面板平滑转换回归yit= μi+ β’0xit+ β’1xitG ( sit; γ, c)+ uitG ( sit; γ, c)= ( 1 + exp (- γ∏mk = 1( sit- ck) ) )- 1, γ >0, c1≤c2≤…≤cm( 1)其中, yit为被解释变量, xit= ( w’it, z’it) ‘为解释变量, wit= ( yit – 1, yit – 2, …, yit – p) ‘, zit= ( zit1,zit2, …, zitl) ‘。 p 为滞后阶数, l 为外生变量的个数。 β0和 β1依次为线性部分和非线性部分的参数向量。μi为截面固定效应, uit为残差项。 转换函数 G ( sit; γ, c) 通常采用逻辑函数形式, 转换变量 sit可以是xit向量的组成部分、 组成部分的函数或一个不包含在 xit内的外生变量。 γ 为平滑参数, 表示从一个机制转移到另一个机制的转换速度或调整的平滑性; c 为转换发生的位置参数, 即机制转换发生的临界值,决定了模型动态变化发生的位置。 在转换函数 G ( · ) 中, m 通常取 1 或 2。 m = 1 时, 转换函数称为LSTR1 型, 关于 sit单调递增。 当 G ( · )换函数值在 0 和 1 之间平滑转换, 从而模型也在两机制之间平滑转换。 位置参数 c 代表从低机制向高机= 0 时, 模型称为低机制; 当 G ( · )= 1 时, 称为高机制。 转制转换的过渡点。 m =2 时, 转换函数称为 LSTR2 型, 关于 sit非单调。 G ( · )= 1 的极限状态称为外机制; 在 ( c1+ c2) /2 处, G ( · ) 达到最小值, 对应机制为中间机制。 而且, 线性固定效应模型和面板门限回归 ( PTR) 模型均为 PSTR 模型的特殊情形。

2. 计量模型。 除企业规模外, 还有诸多其他因素会对企业的技术创新活动产生影响。 根据已有相关文献, 这些因素主要包括: ( 1) 产权结构。 作为转型经济国家, 产权结构对中国企业创新行为有重要影响。 理论上, 产权结构会影响企业激励机制和经理行为的长期性, 导致国有和非国有企业具有不同的创新激励。 本文将产权结构变量 ( OWN) 纳入分析模型, 以控制不同性质的产权结构对技术创新活动的影96中央财经大学学报2012 年第 10 期
响。 ( 2) 技术机会。 不同产业所具有的特性和产品特征决定了该产业的创新程度, 已有文献大都采用产业变量衡量技术机会 ( 吴延兵, 2008[13]) , 本文也采取同样做法, 在模型中引入产业虚拟变量 ( IND) 来控制产业因素对企业技术创新活动的影响①。

( 3) 地区差异。 中国高技术产业在各地区发展不平衡, 技术创新活动也是如此。 为此, 我们在回归分析中加入地区虚拟变量 ( REG) 。我们在 ( 1) 式的基本 PSTR 模型的基础上, 综合考虑以上因素, 同时还在解释变量中加入因变量的滞后项以控制企业技术创新水平的滞后效应, 最终得到如下的 PSTR 模型:INNit= μi+ β01INNit – 1+ β02SIZEit+ β03OWNit+ β04INDit+ β05REGit+ β1SIZEitG ( SIZEit; γ, c)+ εit( 2)其中, INN 表示企业的技术创新水平, INNit – 1为其一期滞后; SIZE 为企业规模; OWN、 IND、 REG分别代表产权结构虚拟变量、 产业虚拟变量、 地区虚拟变量。 i 代表企业, t 代表时间。 εit为随机误差项。 在 ( 2) 式中, 企业规模变量 SIZE 既是解释变量, 也是转换变量。 将 ( 2) 式对企业规模变量 SIZE求导, 可得 SIZE 的回归系数为:β02+ β1G( · ) + β1γSIZEit( G( · ) – G( · )2),当模型形式为 LSTR1时β02+ β1G( · ) + β1γSIZEit( 2SIZEit- c1- c2) ( G( · ) – G( · )2),当模型形式为 LSTR2{( 二) 变量的度量1. 技术创新水平。 已有文献大多采用两类指标来衡量技术创新水平: 一类是从创新投入的角度, 采用的dINNit/dSIZEit=时( 3)指标主要包括研发经费支出、 研发人员数等; 另一类是从创新产出的角度, 采用的指标包括专利数量、 新产品产值等。 创新投入只能衡量技术创新活动消耗的资源, 不能测度创新活动的实际效果; 以专利数量衡量创新也存在一定问题, 因为并不是所有的新技术都会申请专利。 采用新产品产值衡量创新则可以克服这些缺陷, 而且它在一定程度上考虑了产品创新的市场价值和重要程度 ( Acs & Audretsch, 1991[15 ])。 由于不同企业之间新产品产值差异较大, 我们最终选择新产品产值占总产值的比重作为企业技术创新水平的衡量指标。

2. 企业规模。 企业规模的衡量, 通常采用销售收入、 总资产或员工人数来表示 ( 朱恒鹏, 2006[12 ]) 。 这三个指标中, 由于销售收入相对于生产要素构成来说处于中立地位, 而且企业 R&D 预算往往以销售收入作为依据, 因此被认为是更好地衡量企业规模的指标 ( Scherer, 1965b[16 ]) 。 为验证企业规模与技术创新之间非线性关系的稳定性, 本文在回归分析中同时采用销售收入、 总资产、 从业人数三个指标作为企业规模的代理变量, 分别用 SIZE1、 SIZE2、 SIZE3表示。

3. 产权结构。 我们采用所有制结构的虚拟变量来表示产权结构。 由于所有制结构分为国有企业( 110) 、 集体企业 ( 120) 、 股份合作企业 ( 130) 、 联营企业 ( 140) 、 有限责任公司 ( 150) 、 股份有限公司 ( 160) 、 私营企业 ( 170) 、 其他内资企业 ( 190) 、 港澳台投资企业 ( 200) 、 外商投资企业 ( 300) 共10 种所有制类型, 因此, 本文以其他内资企业 ( 190) 为参照系, 设置 9 个虚拟变量。

4. 产业虚拟变量。 我们选取中国高技术产业作为研究对象, 剔除数据缺失严重或服务于国防建设的特殊行业后, 剩余样本企业覆盖 13 个行业②。 我们以化学药品制造为参考, 设置 12 个虚拟变量。

5. 地区虚拟变量。 我们以北京市为参考, 设置 30 个地区虚拟变量。( 三) 数据来源考虑到数据的可得性, 本文以 2003 -2007 年中国高技术产业企业层面数据作为分析样本, 这些数据来自2003 -2007 年的 《中国工业企业数据库》。

由于破产、 兼并、 法人代码变化等原因, 每年都有一些企业进入或退出高技术产业。 剔除新企业的进入与旧企业的退出, 样本期间内始终存在的企业共有 4588 家。 在删除了总07中央财经大学学报2012 年第 10 期①②对企业层面数据来说, 行业集中度的三个衡量指标 ( 4 厂商集中度、 8 厂商集中度和赫芬达指数) 皆无法计算, 而产业特性和产品特性在一定程度上决定了该产业的竞争程度, 因此本文在回归分析中引入产业虚拟变量也可以看成是对市场结构变量的一种控制。13 个行业包括: 化学药品制造、 中药材及中成药加工、 生物制品制造、 通信设备制造、 电子器件制造、 电子元件制造、 家用视听设备制造、 其他电子设备制造、 电子计算机整机制造、 电子计算机外部设备制造、 办公设备制造、 医疗设备及器械制造、 仪器仪表制造。
产值为 0 和企业规模为 0 的无效样本后, 最终得到的样本包括4529 家企业, 共计 22645 个观测点。四、 回归结果与分析本文采用 R2. 11. 1 计量分析软件。 首先要检验模型是否存在非线性, 构建辅助回归: yit= μi+ β* ‘* ‘1xitsit+ … + β* ‘0xit+β3xits3it, 非线性检验0 = … = β*的原假设为: H0∶H0被拒绝表明存在非线性关系。 非β*3 = 0。线性关系确定后, 再根据最强拒绝原则来确定转换函数的具体形式。 依次检验原假设: H03∶ β*换函数形式为 LSTR2。 反之, 则选取 m =1, 转换函数形式为 LSTR1。 本文通过构造 F 统计量对线性原假设进行检验①, H0、 H03、 H02、 H01对应的 F 统计量分别为 F、 F3、 F2和 F1。

根据上述检验过程, 分别以 SIZE1、SIZE2、 SIZE3作为企业规模的衡量指标对企业规模与技术创新之间的关系进行非线性检验, 结果见表1。表1 的检验结果显示, 模型 1 -3 分别在 1%、 5%、 1%表 1模型的非线性检验F3模型转换变量FF2F1模型形式模型 1SIZE14. 459( 0. 004)7. 751( 0. 005)5. 283( 0. 022)0. 342( 0. 556)LSTR1模型 2SIZE22. 684( 0. 045)0. 797( 0. 372)3. 149( 0. 076)3. 876( 0. 049)模型 3SIZE39. 899( 0. 00000162)1. 117( 0. 291)24. 891( 0. 000000614)3. 684( 0. 055)注: 括号内为对应的 p 值; 模型 1 – 3 分别对应以 SIZE1、 SIZE2、 SIZE3作为企业规模衡量指标的 PSTR 模型。3=0 和 H01∶ β*3=0、 H02∶ β*2| β*1 =0 | β*3 = β*2=0。 若最强拒绝 H02, 则选取 m =2, 转的水平上显著拒绝了线性模型的原假设, 表明企业规模与技术创新之间存在明显的非线性关系, 本文采用 PSTR 模型是合适的。 模型1 中 F1对应的 p 值最小, 模型2 中 F1对应的 p值最小, 根据前文可知这 2 个模型中转换函数的形式应采用LSTR1; 模型 3 中 F2对应的 p 值最小, 转换函数的形式应为LSTR2。 本文采用网格搜索法确定平滑参数 γ 和位置参数 c的初始值, 表2 显示, 通过网格搜索所得到的 γ、 c 的初始值均落在了相应的构造区间之内。初始值确定后, 采用非线性最小二乘法 ( NLS) 估计模型 1 -3 中的参数, 估计结果见表 3。PSTR 模型 1 -3 的估计结果表 2 平滑参数、 位置参数初始值的选择模型 1模型 2模型 3RSS229328822936442285719γ5. 04. 01. 0区间( 0. 0, 10. 0)( 0. 0, 10. 0)( 0. 0, 10. 0)c117. 04. 05. 0c218. 0区间( 0. 0, 19. 0)( 0. 0, 8. 0)( 0. 0, 19. 0)表 3模型 1模型 2模型 3INN- 10. 2034 ( 6. 153)* * *0. 2028 ( 4. 181)* * *0. 2035 ( 5. 376)* *SIZE11. 0619 ( 1. 994)* *SIZE25. 8314 ( 1. 876)*SIZE315. 2162 ( 2. 435)* *- 18. 0234 ( 1. 692)*SIZE*G ( · )- 2. 3953 ( 1. 803)*- 7. 2047 ( 1. 978)* *4. 23 ( 1. 693)*γ4. 81 ( 1. 325)17. 69 ( 1. 819)*0. 34 ( 0. 579)5. 29 ( 1. 754)*c13. 95 ( 2. 128)* *c218. 78 ( 2. 106)* *虚拟变量OWNyesyesyesINDyesyesyesREGyesyesyesobs181161811618116注: 括号内为 t 统计量,* * *,* *,*分别代表变量通过了 1% 、 5% 和 10% 水平的显著性检验; 创新变量带有下标 “ – 1”, 表示滞后一期;yes 表示虚拟变量已控制, 因篇幅所限, 没有列出虚拟变量的估计系数。从表 3 中可以看出, 模型 1 -3 中, 被解释变量滞后项的系数为正且在统计上显著异于零, 表明在中国17中央财经大学学报2012 年第 10 期①戴维森和麦金农指出, 当约束模型和无约束模型均为线性回归模型时, LM 统计量并不包含比 F 统计量更多的信息 ( 古扎拉蒂, 2005 [17]) 。对于线性回归模型的检验, F 检验已足以胜任。
高技术产业中, 企业的技术创新水平具有明显的累积效应。 本文中, 我们主要研究在控制了产权结构、 产业以及地区虚拟变量的影响后, 企业规模的三种衡量指标对企业技术创新水平的影响, 下面逐一进行分析。1. SIZE1对企业技术创新的影响。 表 3 的估计结果显示, 模型 1 的线性部分是显著的, SIZE1的系数为1. 0619; 非线性部分 SIZE1* G ( · ) 的系数显著为负 (-2. 3953) 。 表明随着 SIZE1的扩大, 企业规模对技术创新的影响存在由正效应向负效应的转变。 平滑参数 γ 为 4. 81, 表明模型转换的速度较慢, 不同机制之间的转换是平滑的。 模型 1 只有一个位置参数, 引发企业规模对技术创新的影响发生由正向负转变的 SIZE1的临界水平为 17. 69 ( 百亿元) 。 图 1 绘制了 SIZE1系数的变动曲线。 可以看出, 当 SIZE1不超过 15. 90 时,系数变动很小, 企业规模对技术创新的影响基本保持线性; 当 SIZE1超过15. 90 时, 系数迅速由正转负, 企业规模与技术创新之间的关系也由近似线性转化为明显的非线性; 在位置参数 17. 69 处, SIZE1系数降至最低点 (-51. 0) 。 为准确反映企业规模与技术创新之间的关系, 图 2 绘制了排除其他因素影响后的技术创新与企业规模 SIZE1的变动曲线。 图 2 显示, 对中国高技术产业而言, 随着 SIZE1的不断扩大, 企业规模与技术创新之间呈现出明显的不规则 “倒 V 型” 关系。 经计算可知, 当 SIZE1为 16. 62 时, 系数为零, 此时企业的技术创新水平达到最大值。 在我们的样本中, 企业规模达到或超过最值点 16. 62 的样本点只有一个,因此, 虽然回归结果表明企业规模 SIZE1与技术创新之间呈现 “倒 V型” 关系, 但对本文的样本企业而言,二者之间主要呈现出一种非线性递增关系, 这与朱恒鹏 ( 2006)[12]采用民营企业面板数据的研究以及吴延兵( 2008)[13]采用中国四位数制造产业数据的研究得出的结论基本一致。 与他们不同的是, 本文研究得出的企业规模 SIZE1与技术创新之间的关系是 “倒 V型” 而非 “倒 U 型”。图 1SIZE1系数的变动趋势图 2技术创新与企业规模 SIZE1的关系2. SIZE2对企业技术创新的影响。 模型 2 的估计结果显示, 线性部分中 SIZE2的系数在 10% 的水平上显著为正 ( 5. 8314) ; 非线性部分 SIZE2* G ( · ) 的系数也显著为负 (- 2. 3953) 。 这表明与 SIZE1的回归结果一致, SIZE2对技术创新的影响同样存在由正效应向负效应的转变。 平滑参数 γ 为 4. 23, 模型在不同机制之间的转换缓慢而平滑。 模型 2 只有一个位置参数, 引发企业规模对技术创新的效应由正向负转变的 SIZE2的临界水平为 3. 95 ( 百亿元) 。 从图 3 中 SIZE2系数的变动曲线可以看出, SIZE2在低于 2. 20 或高于 5. 70 时, 系数的变动非常小, 企业规模与技术创新之间都基本保持线性关系。 当 SIZE2在 2. 20 -5. 70 之间时, 系数会经历一个先降后升的过程: 首先从 5. 77 迅速降至 – 27. 7 ( 在位置参数3. 95 处, SIZE2系数最低) , 然后又逐渐回升至 – 1. 46。 在这段区间内, SIZE2系数逐渐由正转负, 企业规模与技术创新之间的关系表现为明显的非线性关系。 在排除其他因素影响的同时, 我们绘制了中国高技术产业技术创新与企业规模 SIZE2的变动曲线 ( 图 4) 。 与 SIZE1的结论类似, SIZE2与技术创新之间也呈现出不规则的 “倒 V 型” 关系, 但是曲线更为平滑。 经计算可知, 当 SIZE2为 3. 24 时, 系数为零,企业的技术创新水平达到最大值。 此时, 企业若继续扩大规模, 将会导致技术创新水平的下降。 在我们的样本企业中, 企业规模达到或超过最值点 3. 24 的样本点仅有 9 个。 由此可见, 虽然回归结果表明企业27中央财经大学学报2012 年第 10 期
规模 SIZE2与技术创新之间呈现 “倒 V 型” 关系, 但对本文中的样本企业来说, 二者之间仍主要呈现出一种非线性的递增关系, 这与 SIZE1的分析结论是一致的。图 3SIZE2系数的变动趋势图 4技术创新与企业规模 SIZE2的关系3. SIZE3对企业技术创新的影响。 模型 3 的估计结果显示, 线性部分中 SIZE3的系数为正 ( 15. 2162) ,且在 5%的水平上显著; 非线性部分 SIZE3* G ( · ) 的系数在 10% 的水平上显著为负 (-18. 0234) 。 平滑参数 γ 为 0. 34, 表明模型机制转换的速度非常缓慢。 模型 3 包含 2 个位置参数: c1= 5. 29, c2= 18. 78, 在企业从业人数分别达到 5. 29 ( 万人) 或 18. 78 ( 万人) 的临界水平时, 企业规模对技术创新的效应将会发生转变。 从图 5 中 SIZE3系数的变动曲线可以看出, 这种转变首先是由负效应转为正效应, 再转为负效应。图 5 显示, 当 SIZE3低于 3. 70 或介于 7. 30 -16. 60 之间时, 系数的变动都非常缓慢, 企业规模与技术创新之间基本保持线性关系。 我们从图 5 还可以发现, 当 SIZE3介于 3. 70 -7. 30 之间时, 系数会逐渐由负转正:首先从 -2. 56 迅速上升至 102. 9 ( SIZE3系数的最高点在位置参数 5. 29 处得到) , 然后又逐渐降低至 15. 57;当 SIZE3高于 16. 60 时, 系数又会迅速地由正转负 ( 在位置参数 18. 78 处, SIZE3系数最低) 。 在这两个区间内, 企业规模与技术创新之间皆呈现出明显的非线性关系。图 5SIZE3系数的变动趋势图 6技术创新与企业规模 SIZE3的关系排除其他因素的影响后, 我们在图 6 中绘制了中国高技术产业技术创新与企业规模 SIZE3的变动曲线。 图 6 显示, 企业规模 SIZE3与技术创新之间呈现出明显的不规则 “倒 U 型” 关系。 经计算可知, 当SIZE3为 17. 66 时, 系数为零, 企业的技术创新水平达到最大值。 但是, 由于在本文所用样本中, 仅有 1个样本点的 SIZE3超过最值点 17. 66, 因此对于几乎所有的样本企业来说, 虽然回归结果表明企业规模SIZE3与技术创新之间呈现 “倒 U 型” 关系, 二者之间仍主要表现为一种非线性的先减后增的变化关系。 根据 Gonzalez etal.则, 并参照表 1 中非线性检验的结果, 可以判断在 3 个模型中, 模型 3 是最优的, 因而在所考察的企业( 2005)[14]提出的模型选择准则, 最强拒绝线性原假设的模型为最优。 依据该准37中央财经大学学报2012 年第 10 期
规模的三个衡量指标中, SIZE3对企业技术创新的影响最为显著。 与销售收入、 总资产相比, 企业的从业人数规模对中国高技术产业技术创新能力提升的制约作用更为明显。 此外, 对于 PSTR 模型实证结果评价的各项检验如: 参数一致性检验、 无剩余异质性检验、 无误差自 相关检验等均表现出了良好的合意性, 由于篇幅所限不再赘述。五、 结论本文采用中国高技术产业 2003 – 2007 年的企业层面数据, 应用非线性面板平滑转换回归 ( PSTR)模型对企业规模与技术创新之间的非线性关系进行了考察。 考虑到结论的稳健性, 本文在回归分析中同时采用销售收入、 总资产和从业人数作为企业规模的代理变量。 结果显示, 企业技术创新与企业规模的三种衡量指标之间都存在明显的非线性关系。 其中, 技术创新与企业销售收入规模、 总资产规模之间皆呈现出不规则的 “倒 V 型” 关系; 与企业从业人数规模之间呈现出不规则的 “倒 U 型” 关系。 虽然三个指标所反映的企业规模对技术创新影响的状态转化效应不完全相同, 但是企业规模与技术创新之间都存在明显的先递增后递减的非线性关系。 因此, 存在一个最适创新的企业规模, 一旦企业规模超过该最适水平, 由于组织官僚化、 研发动机减弱等原因, 企业的技术创新就会受到损害。 从三种衡量指标来看, 最适创新的企业规模分别为: 销售收入达到 16. 62 ( 百亿元) ; 总资产达到 3. 24 ( 百亿元) ; 从业人数达到 17. 66 ( 万人) 。 从中国高技术产业的现实来看, 达到如此规模条件的企业寥寥无几。 因此, 对于目前中国高技术产业中的绝大多数企业来说, 企业规模与技术创新之间更多表现为一种非线性递增关系, 追求企业规模的合理扩张仍是促进创新水平提高的关键因素。参考文献[1] 钱德勒 . 企业规模经济与范围经济— — —工业资本主义的原动力 [M] . 北京: 中国社会科学出版社, 1999.[2] Schumpeter J. A. Capitalism, Socialism and Democracy [M] . NewYork: Harper & Row, 1942.[3] Galbraith J. K. American Capitalism: The Concept of Countervailing Power [M] . Boston: Houghton Mifflin, 1952: 119 – 121.[4] Villard H. H. Competition, Oligopoly, and Research [J] . Journal of Political Economy, 1958, 66 ( 6) : 483 – 497.[5] Mansfield E. The Economics of Technological Change [M] . New York: Norton, 1968.[6] Gellman Research Associates ( 1976) . Indicators of international trends in technological innovation. Prepared for the National Science Foun-dation.[7] Katrak H. Imports of Technology, Enterprise Size and R&D – based Production in a Newly Industrializing Country: The Evidence from IndianEnterprises [J] . World Development, 1994, 22 ( 10) : 1599 – 1608.[8] Bound J. , Cummins C. , Griliches Z. , Hall B. H. , Jaffe A. ” Who Does R&D and Who Patents?” , in Griliches Z. ( ed. ) R&D, Patentsand Productivity [M] . Chicago: University of Chicago Press, 1984.[9] Scherer F. M. Size of Firm, Oligopoly, and Research: A Comment [J] . Canadian Journal of Economics and Political Science, 1965a, 31( 2) : 256 – 266.[10] 周黎安, 罗凯 . 企业规模与创新: 来自中国省级水平的经验证据 [J] . 经济学 ( 季刊) , 2005, 4 ( 3) : 623 – 638.[11] 彭征波 . 企业规模、 市场结构与创新— — —来自 不同行业的经验证据 [J] . 中南财经政法大学学报, 2007 ( 2) : 106 – 111.[12] 朱恒鹏 . 企业规模、 市场力量与民营企业创新行为 [J] . 世界经济, 2006 ( 12) : 41 – 52.[13] 吴延兵 . 创新的决定因素— — —基于中国制造业的实证研究 [J] . 世界经济文汇, 2008 ( 2) : 46 – 58.[14] Gonzalez A. , Terasvirta T. , van Dijk D. Panel Smooth Transition Regression Models [R] . Quantitative Finance Research Centure, Re-search paper 165, Augest, 2005, ISSN 1441 – 8010.[15] Acs Z. J. , Audretsch D. B. Innovation and Technological Change: An International Comparison [M]. Ann Arbor, MI: University ofMichigan Press, 1991.[16] Scherer F. M. Firm Size, Market Structure, Opportunity and the Output of Patented Inventions [J]. American Economic Review,1965b, 55 ( 5) : 1097 – 1125.[17] 古扎拉蒂 . 计量经济学基础 [M] . 北京: 中国人民大学出版社, 2005.( 责任编辑: 尹贤淑)47中央财经大学学报2012 年第 10 期

转载请注明:数据分析 » 高技术产业的企业规模与技术创新_基于非线性面板平滑转换回归_PSTR_模型的分析

喜欢 (0)or分享 (0)