中国双向FDI对创新效率的影响及异质性考察

王亚飞,权天舒,王亚菲

(1.重庆师范大学 经济与管理学院,重庆 401331;2.北京师范大学 统计学院,北京 100875)

一、引言

自1978年改革开放以来,中国产业逐步融入全球价值链分工体系,充分发挥“比较优势”和“后发优势”,产业技术进步取得显著成效,科技水平和产业竞争力与美国、日本等先发国家的总体差距持续收敛。特别是21世纪以来,随着《国家中长期科学和技术发展规划纲要(2006—2020年)》、“创新驱动发展战略”等一系列旨在提升国家科技实力和全球竞争力的顶层设计出台及深入实施,中国综合创新能力和水平得到显著稳步提升。由世界知识产权组织发布的2019年全球创新指数报告显示,中国创新指数全球(129个样本国家)排名,已由2013年的35位跃升至2019年的14位。此外,中国在诸多技术领域如中国天眼、量子通信、高铁等已接近或领先全球。然而,中国整体创新能力与全球第二大经济体的“身份”仍不够匹配,在全球价值链分工协作体系中,诸多产业领域仍处于价值链的中低端环节。美国对中兴通讯的技术制裁和对华为的技术封杀等诸多“卡脖子”事件表明,中国在一些关键核心技术受制于人的局面尚未得到根本性的逆转。如不实现中国制造业由大转强的产业转型和技术水平提升以占据全球创新链的“制高点”,中国产业安全乃至国家整体安全将面临严峻挑战。并且,21世纪以来,全球科技创新进入空前密集活跃的时期,新一轮科技革命和产业变革正在重构全球创新版图、重塑全球经济结构。在此背景下,中国制定了建设世界科技强国的宏伟目标及其“三步走”的路线图,而这一战略目标的实现离不开创新效率的改善和科技能力的提升。此外,中国正处于由经济高速增长向高质量发展转换的关键历史“窗口”,提升以创新效率为原动力的全要素生产率成为了经济高质量发展的核心要义和路径选择。由此,细致刻画中国创新效率的事实特征并揭示其影响机制,无疑具有重大的理论和现实意义。

在开放经济条件下,中国产业技术进步路径的选择既要强调自主创新,也要充分借助外商直接投资的技术溢出和对外直接投资逆向技术溢出。自2001年底中国加入WTO以来,外商直接投资和对外直接投资均呈现出持续快速的增长态势,截至2017年底,中国已成为全球第二大外商直接投资和第三大对外直接投资经济体。近年来,学者们围绕外商直接投资和对外直接投资的创新效应研究虽异常丰富,但主要集中在对技术进步的影响上,且至今仍存在广泛争论:一是外商直接投资对技术进步的促进作用[1]、抑制作用[2]、门槛效应[3];二是对外直接投资对技术进步的促进作用[4]、抑制作用[5]、门槛效应[6]。并且,对外商直接投资和对外直接投资影响中国创新(投入—产出)效率的相关文献却相对较为匮乏,且主要围绕总体创新效率展开[7]。事实上,根据熊彼特的创新价值链理论,科技创新的过程可以分解为创新知识形成(知识凝结)和成果转化两个阶段。由此,对外商直接投资和对外直接投资影响中国创新效率的评价,只有借助创新价值链理论分阶段展开,才能更科学而精准地刻画双向投资对中国创新效率的影响及其可能存在的异质性。

此外,经济活动的集聚化趋势使得产业集聚成为资本配置的重要承载平台,产业在地理上的集中有利于新知识、新技术的流动,区域内企业享有的“零成本”或“低成本”技术溢出效应,有助于推动域内或相邻区域的产业技术进步[8-9]。同时,产业集聚(区)日益成为ifdi的流入地和ofdi的策源地,由此产业集聚与外商直接投资或对外直接投资的协同作用可能进一步增进创新效率。再者,中国在积极推进商品市场化进程的同时,也在逐步推行相对滞后的要素市场化改革。理论上创新效率的提升离不开科技要素的顺畅流动和跨区域、跨行业、跨所有制的优化配置,要素市场化引致的创新要素再配置效应与外商直接投资的知识技术溢出效应、对外直接投资的逆向溢出效应的协同作用,可能对创新效率具有改善作用。而上述猜想均有待检验。

基于上述背景,本文选择从创新价值链的视角,将创新划分为从创新要素投入到创新知识的凝结阶段,即知识凝结阶段,以及创新产品市场化阶段,即市场转化阶段,采用DEA-SBM指数模型分别测度两个阶段的创新(投入—产出)效率。在此基础上,将外商直接投资和对外直接投资同时纳入创新效率分析框架,采用动态空间面板模型和系统GMM估计方法揭示外商直接投资和对外直接投资对知识凝结和市场转化两阶段创新效率的影响效应及可能存在的异质性,并进一步讨论产业集聚、要素市场化与外商直接投资或对外直接投资对两阶段创新效率的共同影响机制。

二、创新效率的测度

(一)测度方法

数据包络分析法(DEA)对投入—产出效率的测度,难以克服因径向角度和松弛变量的选择差异而导致的结果偏差,Tone将松弛变量引入目标函数中,提出了基于松弛的(Slack-based Measure,SBM)非径向和非角度的DEA-SBM模型,大幅提高了效率测度的稳健性[10]。本研究采用该方法对创新效率进行测度。

对于创新效率采用的m种投入和s种产出,假设λ为调整矩阵,Xλ为前沿上的投入量,Yλ为前沿面上产出量。将其生产可能集表示为:

P={(x,y)|x≥Xλ,y≤Yλ,λ≥0}

(1)

(2)

s.t.x0=Xλ+s-

y0=Yλ-s+

λ≥0,s-≥0,s+≥0

(二)投入—产出指标的选取及数据来源

创新价值链是描述创新成果从创意的生成到商品化生产实现的整个过程的链状结构,揭示了知识、技术围绕创新价值链上下游流动、转化及增值的本质特征。Hansen等在其《创新价值链》一文中围绕创意的产生、转化及传播过程,系统阐释了创新价值链的概念框架[11]。为此,本研究将创新过程划分为知识凝结和市场转化两个阶段,分别测度每个阶段的创新效率,第一阶段刻画了知识创新主体(高校和科研机构)和技术创新主体(企业)的创新投入—产出效率,第二阶段是知识凝结成果商品化的效率,即在上一阶段知识凝结成果基础上,外加试验与发展R&D经费和新产品开发费用等继续投入而转化为商业利益的投入—产出效率。知识凝结阶段与市场转化阶段的逻辑关联如图1所示。

图1 创新效率两阶段的逻辑关联

基于上述分析框架,分别测算知识凝结阶段和市场转化阶段的创新效率,两个阶段的投入产出指标见表1,数据来源于2004—2017年《中国统计年鉴》《中国科技统计年鉴》《中国城市统计年鉴》以及各省统计年鉴。

(三)演进态势

基于2004—2017年中国30个样本省份(不包括港澳台、西藏地区)的创新效率投入、产出面板数据,采用DEA-SBM指数模型测算两阶段的创新效率。图2呈现了全国及东部、中部、西部地区2005—2017年两阶段创新效率的演进态势,从全国整体上看,知识凝结阶段的创新效率除2016—2017年有显著陡增外,其余年份大致保持相对稳定的状态,市场转化阶段的创新效率在样本年份呈现出微弱的“U”型特征。从三大地区看,东部地区在两个阶段的创新效率均在波动中缓慢上升,中部和西部地区在两个阶段的创新效率均未表现出明显的增进态势(中部地区2015—2017年除外);并且,两阶段创新效率均表征为明显的东部大于中部、中部大于西部的梯度特征,这与三大地区经济发展水平及科技要素禀赋条件具有高度的耦合性。

表1 两阶段创新效率投入、产出指标说明

图2 2004—2017年知识凝结阶段和成果转换阶段创新效率发展趋势

表2呈现了2004—2017年间中国30个省级样本两阶段的创新效率均值。可直观地发现,在知识凝结阶段,创新效率位列前四的分别为广东(0.613)、北京(0.603)、上海(0.593)和浙江(0.593),位列倒数后四位的分别为青海(0.473)、甘肃(0.483)、宁夏(0.502)和新疆(0.512);在成果转换阶段,创新效率排名列在前四位的依次为北京(0.645)、上海(0.624)、江苏(0.594)和广东(0.593),位列倒数后四位的则依次为青海(0.492)、新疆(0.502)、甘肃(0.503)和内蒙古(0.504),再次说明两阶段创新效率最高的省份均为经济发达及科技要素禀赋占优的东部地区,而西部地区两阶段创新效率均较为低下。

表2 2004—2017年间中国30个样本省份两阶段创新指数

三、外商直接投资和对外直接投资影响创新效率的实证检验

(一)模型、估计方法与变量

1.模型及估计方法

考虑到资本、人才、信息及管理经验等创新要素因跨区域流动或互动而使得创新效率可能呈现出空间关联特征,由此引入空间计量模型,对两阶段创新绩效可能存在的空间关联进行揭示。借鉴周平录等的研究[7,12],本文构建如下外商直接投资和对外直接投资与两阶段创新效率关系的回归模型:

crste1=ρwcrste1+δ1crsteit-1+δ2ifdi+δ3Xit+εit

(3)

crste2=ρwcrste2+δ1crsteit-1+δ2ifdi+δ3Xit+εit

(4)

crste1=ρwcrste1+δ1crsteit-1+δ2ofdi+δ3Xit+εit

(5)

crste2=ρwcrste2+δ1crsteit-1+δ2ofdi+δ3Xit+εit

(6)

其中,ifdi和ofdi为核心解释变量,分别代表外商直接投资和对外直接投资;crsten为被解释变量,代表创新效率;crste1为知识凝结阶段的创新效率、crste2为市场转化阶段的创新效率;w为空间权重矩阵,反映不同地区之间的空间联系;wcrste为被解释变量的空间滞后项,以此控制地区之间创新效率的空间关联特征;crsteit-1为被解释变量的一阶滞后项,以控制各地区创新效率在时间上的路径依赖。此外,X为控制变量集合,ε是随机扰动项。

ρwcrsten和crsteit-1的引入使得式(3)～(6)成为动态空间面板模型,这也使得模型存在内生性问题。虽然传统的工具变量法能够控制内生性问题,但不能有效解决动态面板偏误。然而,Arellano等在差分GMM方法基础上发展而来的系统GMM方法却能有效解决上述问题;Blundell等利用蒙特卡罗模拟实验也证实,在有限样本下,系统GMM比差分GMM估计的偏差更小、效率也有所改进[13]。因此,本文采取系统GMM估计方法。

2.空间权重矩阵的构建

本文将采用地理距离与经济距离加权的形式,加权权重矩阵的采用不仅考虑了地理距离的空间影响,同时也反映了经济因素在地区间溢出的客观事实。空间权重矩阵设定为:

w=σweco+(1-σ)wdis

(7)

其中,0<σ<1,用以表示经济距离空间权重和地理距离空间权重所占的比重,本文选取σ=0.5。weco为经济距离权重矩阵,定义为:

(8)

式(8)中,|gdpij|为两个地区的经济距离,本文采用人均GDP之差来表示。wdis为地理距离权重,定义为:

(9)

其中,dij为两个省会城市的地理距离。Moran’sI反映了观测值与空间滞后项的相关关系,其定义为:

(10)

式(10)中Wij为空间权重矩阵。Moran’sI∈[-1,1],其值大于零,即说明具有正的空间相关性;其值小于零,则说明具有负的空间相关性。

3.变量界定

(1)被解释变量。crsten为被解释变量,crsten代表n阶段的创新效率。crste1为知识凝结阶段的创新效率,crste2为市场转化阶段的创新效率,上述两阶段创新效率均采用DEA-SBM指数模型进行测算,具体测算方法、指标选取及结果见前文。

(2)核心解释变量。考虑到数据的可获得性,参照李善民等人的做法[14],本文选取各省实际利用外商直接投资额占GDP比重表征外商直接投资(ifdi),选取对外直接投资存量占GDP比重表征对外直接投资(ofdi)。由于ifdi和ofdi的货币单位为万美元,故GDP以当年平均汇率进行换算。

(3)控制变量。城镇化率(urb):以往的研究中,关于城镇化率的测度主要包括人口城镇化、经济城镇化、空间城镇化、环境城镇化以及综合测度的新型城镇化等。考虑到城镇化最直接的结果就是人口从农村向城市的集聚过程以及由此对经济社会发展产生的影响,因此本研究选择采用传统以人口城镇化率作为城镇化水平的评价方法,即用各省城镇人口占常住人口的比重表示。

产业结构合理化(theil):本文借鉴干春晖等提出的泰尔指数来度量产业结构合理化程度[15],其公式为:

m=1,2,3分别代表一、二、三产业;yi,m,t刻画t时期i地区m产业占地区生产总值的比重,Li,m,t表征t时期i地区m产业从业人员占总就业人员的比重,该指标不仅包含产业升级的数量上的关系,更包含产业结构升级质的内涵,因此本文借鉴此做法。

人力资本水平(rt):现有文献中衡量人力资本的方法较多,采用的指标各异,如平均受教育年限、中小学入学率、人口中识字率、每万人中大学生人数、教育支出占GDP比率等。本文采用目前实证研究中使用较为普遍的指标,即以各省大专以上学历人口数占各省总人口数的比重表示。

政府政策支持(gp):政府支持一直都是研究创新的重要维度,在选取政府支持指标时,主要考虑到政府可通过采用直接或者间接的手段对创新活动进行调控。直接活动主要包括对部门或者企业进行一定的资金、设备支持,间接活动是给予政策上的优惠;但由于人力、物力、政策等无法量化且难以计量,因此本研究从资金方面来衡量政府对企业的支持程度,即用各省科学技术支出额占各省财政支出额的比重表示。

所有制结构(os):选取“资产结构法”更能反映不同经济成份的变化,用各地区非国有企业固定投资与全社会总固定投资比重来体现所有制结构的变化。本文所使用的主要变量及定义如表3所示。

表3 主要变量定义

(4)数据来源。本文采用的统计数据主要来自EPS数据库、《中国统计年鉴》《对外直接投资统计公报》《中国分省份市场化指数报告》和《全国科研经费投入统计公报》。考虑到数据的可获得性和样本的完整性,部分数据通过各省统计年鉴进行补充,缺失数据通过插值法处理,最终本文使用的数据为2005—2017年中国30个样本省份(不包括港澳台、西藏地区)的面板数据,变量描述性统计见表4。

(二)结果与讨论

首先,对中国30个省份的两阶段创新绩效的Moran’sI进行了空间自相关检验。将截面空间矩阵转化为面板空间矩阵后,两阶段创新效率的Moran’sI值均在1%的置信水平上显著为正,表明各省级层面的两阶段创新效率水平均具有显著的空间正关联特征。

表4 变量描述性统计

随后,进行了一系列检验以选取合适的计量模型。空间滞后模型的LM检验及Robust LM检验均显著地拒绝无空间自相关的原假设,而空间误差模型的Robust LM检验则不能拒绝无空间自相关的原假设,因此本文最终将模型设定为空间滞后模型,以式(3)为例具体检验结果见表5。

表6报告了基于模型(3)至模型(6)及系统GMM估计的实证结果:列(1)至列(4)中,AR(1)的P值均小于0.1而AR(2)的P值均大于0.1,说明Arellano-Bond序列相关检验拒绝模型不存在一阶序列相关的原假设,但不能拒绝模型不存在二阶序列相关的原假设;Hansen检验不能拒绝工具变量有效的原假设(P值均大于0.1)。以上检验结果表明,本文采用系统GMM的估计结果是有效的。

表5 模型识别检验

从列(1)至列(4)的估计结果看,被解释变量的空间滞后项wcrste均在1%的水平上显著为正,这再次表明无论是知识凝结阶段还是市场转化阶段,中国各省份的创新效率均存在显著的空间关联特征,相邻省份的创新效率提升能有效促进本地区创新效率的改善。这说明创新知识要素配置及效率存在着典型的空间溢出效应,推进区域经济一体化以消除创新要素配置的行政“壁垒”或“地方保护主义”,深化创新要素的市场化改革,加强区域间政府、高校、科研院所及行业间的协同创新,有助于提升中国整体创新效率。被解释变量的滞后项crsteit-1同样均通过了1%的显著性水平检验,且系数均为正,说明无论是知识凝结阶段还是市场转化阶段,中国的创新效率在时间维度上存在显著的“累积强化效应”。因此,中国创新效率的提升是一个循序渐进的演进过程,注重创新效率提升的长远规划和顶层设计,加强创新人才培养与创新要素及能力积累,是实现创新效率持续改善的必然选择。

由列(1)和列(3)可知,外商直接投资在知识凝结阶段的系数在1%的水平下显著为正,而在市场转化阶段的系数为正但不显著,说明外商直接投资有效促进了知识凝结阶段的创新效率,而对市场转化阶段创新效率的改善作用则不明显。原因可能在于,知识凝结能力与知识溢出(尤其是隐形知识溢出)密切相关。改革开放以来,中国凭借劳动力、土地等要素优势,采用“以市场换技术”的策略,吸引了大量拥有先进技术的外商投资,这些外资利于提高技术研发成果与效率,从而通过技术、知识溢出效应带动了各区域知识凝结阶段的创新效率。但是,ifdi对市场转化阶段的创新效率虽然为正影响但不显著,原因可能在于,在市场转化阶段创新投入到大规模新产品生产销售的渠道更长、影响因素更多,如新产品的推出既受制于对市场需求及技术发展趋势的精准把握,还依赖于适应新产品量产的新型原材料供给能力、生产工艺的配套改进以及消费者对新技术、新产品的接纳度。

表6 模型估计结果

由列(2)和列(4)可发现,对外直接投资在知识凝结阶段和市场转化阶段的系数均显著为负,且分别通过了1%和5%的显著性检验,说明对外直接投资对上述两个阶段的创新效率均具有明显的抑制作用。原因可能在于,近年来,中国的对外直接投资虽迅猛发展,但其目的更多的是以扩大产品国际市场、寻求成本低廉的全球供应链为主,这种市场寻求型而非技术寻求型的跨国投资,无助于国内创新效率的提升,并且长期形成的“路径依赖”或“创新惰性”对创新效率改善具有抑制作用。此外,中国ofdi的存量大多投向了亚洲的东盟国家,对美日等技术领先国家的ofdi比重不高,使得对外投资可能不仅难以学习到新的技术,对母国创新及人才投资的“挤出效应”也可能导致创新效率降低。

(三)稳健性检验

1.基于不同空间权重矩阵的稳健性检验

本文在所构建的计量模型中引入了被解释变量创新效率的空间滞后项,被解释变量空间滞后项的引入也使得模型成为典型的空间滞后模型,而空间计量模型的估计结果受空间权重矩阵选取的影响较大,因此针对不同空间权重矩阵进行稳健性检验是有必要的。据此,本文采用地理距离以及经济距离矩阵作为空间权重矩阵,基于系统GMM估计方法对空间滞后模型进行估计,结果发现核心解释变量外商直接投资和对外直接投资的估计系数的符号方向及显著性水平均未有明显变异,这说明本文的估计结果是可靠的。不同空间权重矩阵估计结果见表7。

2.基于Tobit模型的稳健性检验

本文的基准模型采用的是动态空间面板模型,那么在不考虑空间溢出效应和被解释变量滞后项的情形下,ifdi和ofdi对两阶段创新效率的影响是否具有稳健性?鉴于被解释变量创新效率的值在[0,1],属受限制变量,为此本研究采用Tobit模型做进一步的检验。Tobit模型是由Tobin提出,其一般形式如下:

(11)

表7 不同空间权重矩阵的稳健性检验

在利用面板Tobit进行回归分析前,应先进行适宜模型的选择,通过Hausman检验后,本文最终选择固定效应模型。由于半参数估计方法不需要假定残差的具体形式,即使个体存在异方差的情况也能得到一致估计量[16],因此本文采用该方法对模型进行回归,结果如表8所示。结果显示:外商直接投资与对外直接投资的系数、符号方向以及显著性水平均未发生较大的变化,再次说明研究结论的稳健性。

表8 基于Tobit模型的稳健性检验结果

四、影响机制检验

(一)产业集聚

产业经济活动的集聚化趋势,使得区域创新能力及效率呈现出地理区位上的非均衡性,产业集聚水平与创新能力具有高度的耦合性且具有地域上的一致性。例如,中国长三角、珠三角地区的创新能力较强,而恰恰产业集聚水平也较高。这说明创新能力及效率与产业集聚存在某种内在关联,且得到了学界的广泛证实:区位选择在高密度产业集聚区的企业,能大幅降低创新成本、提升创新产出效率;产业集聚通过创新溢出效应和规模效应提升了区域整体的创新能力和水平;产业协同集聚通过交易成本节约、研发激励、人才流动及创新合作等多维路径,增进了区域创新效率[17]。基于此,本研究进一步检验制造业集聚、生产性服务业集聚和制造业—生产性服务业协同集聚等三种类型产业集聚,与外商直接投资、对外直接投资对创新效率的共同影响机制。

利用区位熵分别度量制造业集聚度(magg)和生产性服务业集聚(sagg)(1)基于数据可得性,制造业相关数据直接来源于《中国统计年鉴》所公布的制造业总量数据;生产性服务业产业包括交通运输仓储和邮政业,信息传输计算及服务和软件业,批发和零售业,金融业,租赁和商务服务业,科学研究、技术服务和地质勘察业,水利环境和公共设施管理业7大类行业汇总数据。。具体而言,由每一城市制造业或生产性服务业从业人数占当地从业人数比例/制造业或生产性服务业从业人数占全国从业人数比重来构造:

(12)

其中,aggi代表制造业或者生产性服务业集聚指数;qi代表城市i的某产业的从业人员数,q为全国该产业从业人员数;Qi为城市i就业人数,Q为全国就业总人数。对于制造业与生产性服务业协同集聚,本文参考崔书会等的做法[18],测算公式为:

(13)

在模型(3)～(6)中分别加入核心解释变量(ifdi/ofdi)与制造业集聚交互项(ifdi×magg、ofdi×magg)、核心解释变量(ifdi/ofdi)与生产性服务业集聚交互项(ifdi×sagg、ofdi×sagg)以及核心解释变量(ifdi/ofdi)与制造业—生产性服务业协同集聚交互项(ifdi×coagg、ofdi×coagg),基于系统GMM估计方法对空间滞后模型进行估计,估计结果如表9、表10所示。其中,表9为产业集聚与外商直接投资的交互项对创新效率的影响,表10为产业集聚与对外直接投资的交互项对创新效率的影响。

表9 产业集聚与外商直接投资的交互项对创新效率的影响

由表9列(1)至列(3)可以看出:外商直接投资与制造业集聚的交互项(ifdi×magg)、外商直接投资与生产性服务业集聚的交互项(ifdi×sagg)以及外商直接投资与制造业—生产性服务业协同集聚的交互项(ifdi×coagg)的系数至少在5%的水平下显著为正,说明制造业集聚、生产性服务业集聚以及制造业—生产性服务业协同集聚与外商直接投资的协同,有助于提升知识凝结阶段的创新效率。根据列(4)至列(6)的结果,同理可知,外商直接投资与制造业集聚、制造业—生产性服务业协同集聚的协同有助于增进市场转化阶段的创新效率,而外商直接投资与生产性服务业集聚的协同,对市场转化阶段创新效率的增进效应不够明显。

由表10列(1)至列(6)的结果,同理可知,制造业集聚与对外直接投资的协同,对两个阶段的创新效率均具有正向的提升作用;生产性服务业集聚与对外直接投资的协同,有助于显著提升知识凝结阶段的效率,而对市场转化阶段创新效率的促进作用为正但不显著;制造业—生产性服务业协同集聚与外商直接投资的协同,显著提升了两个阶段的创新效率。

上述结果综合表明,三种类型产业集聚与外商直接投资的协同,对知识凝结阶段或市场转化阶段的创新效率的影响,发挥出了不同程度的提升作用(ofdi与sagg的协同效应不显著除外)。这隐含着,中国在积极推行“引进来”和“走出去”的开放战略进程中,不仅要继续扩大外商直接投资和对外直接投资的规模,还应通过政策支持和市场引导相结合,提升国内制造业集聚和生产性服务业以及二者协同集聚的水平,充分发挥产业集聚与外商直接投资、对外直接投资对创新效率提升的协同作用。

表10 产业集聚与对外直接投资的交互项对创新效率的影响

(二)要素市场化

作为正处于经济转型和体制转轨期的发展中大国,中国基于市场化导向的制度变迁或政策调整,为经济主体的创新活动营造了良好的市场环境。已有大量文献证实,市场化进程是影响区域或产业创新效率的重要因素,提升市场化进程有助于增进区域或产业创新能力或效率[19]。经历了40年的改革开放,中国仍面临着市场化特别是要素市场化进程总体滞后于经济规模增长的典型事实。《中共中央国务院关于新时代加快完善社会主义市场经济体制的意见》明确了当前和今后一段时期中国推进要素市场化改革的总体思路,其目的是创新要素市场化配置机制和方式,挖掘要素配置的创新潜力。基于此,本研究进一步检验要素市场化与外商直接投资、对外直接投资对创新效率的共同影响机制。要素市场化指数用“金融市场化”“人力资源供应条件”和“技术成果市场化”三个细分指数合成,用其刻画中国要素市场的发育水平[20]。因此,本研究借鉴该要素市场化指数,在模型(3)至模型(6)中分别加入核心解释变量(ifdi/ofdi)与要素市场化指数的交互项(ifdi×mar、ofdi×mar),基于系统GMM估计方法对空间滞后模型进行估计,估计结果如表11所示。

表11 双向fdi与要素市场化的交互项对创新效率的影响

由列(1)和列(3)可以看出,外商直接投资与要素市场化的交互项的系数均显著为正,说明外商直接投资与要素市场化的协同有助于提升两个阶段的创新效率。可能的原因在于,要素市场化增强了创新要素、人力资本跨地区、行业、所有制的交流与互动,有助于释放外商直接投资企业向国内科研机构或产业关联企业的知识、技术及人力资本的溢出效应,提升了创新资源的配置效率。由列(2)和列(4)可知,对外直接投资与要素市场化的交互项均显著为正,说明对外直接投资与要素市场化的协同有助于提升知识凝结阶段与市场转化阶段的创新效率。

上述实证结果具有丰富的政策蕴含,中国在积极扩大外商直接投资与对外直接投资的同时,应进一步破除创新要素市场化流动的体制机制障碍,其主旨是横向层面促进人才、技术、信息等创新要素的跨区域、行业、所有制的顺畅流动和优化配置,纵向层面推动知识凝结阶段与市场转化阶段的创新要素的系统整合,以实现创新效率的全面提升。

五、结论与启示

中国加快建设创新型国家和世界科技强国的战略目标,决定了其实现路径既要重视科技创新要素的投入或培育,也要强调创新效率的不断提升。本文尝试将创新价值链引入创新效率测度框架,采用DEA-SBM指数模型分别测算了2005—2017年知识凝结阶段和市场转化阶段的创新效率,基于动态空间面板模型和系统GMM估计方法,实证考察了外商直接投资与对外直接投资对两阶段创新效率的影响及效应,并讨论了产业集聚、要素市场化与外商直接投资、对外直接投资对两阶段创新效率的共同影响机制。研究表明:首先,外商直接投资与对外直接投资对两阶段创新效率的影响存在典型的异质性,外商直接投资显著提升知识凝结阶段的创新效率而对市场转化阶段的创新效率影响不明显,对外直接投资对两阶段创新效率均具有显著的抑制作用;其次,三种类型的产业集聚与外商直接投资的协同均有助于提升知识凝结阶段与市场转化阶段的创新效率;制造业集聚、制造业—生产性服务业协同集聚与对外直接投资的协同能提升两阶段的创新效率,而生产性服务业集聚与对外直接投资的协同对两阶段创新效率均有增进作用;最后,要素市场化与外商直接投资的协同、对外直接投资与要素市场化的协同均有助于增进两阶段的创新效率。

本研究的政策启示为:中国在进一步扩大开放、引进外资的同时,应提升引进外资的科技含量,并通过政策引导和市场机制相结合,激励外资与高校、科研院所、关联企业等进行研发合作,不断提升创新效率;在积极实施“走出去”开放战略的同时,通过国家层面的协调或“搭桥”,逐步扩大对外直接投资在发达国家或地区的投资规模,鼓励对外投资企业制定和实施更多的“技术寻求型”投资战略,采取与跨国公司联合投资、对技术类跨国公司实施参股或并购等多种形式,在全球范围内获取或整合创新资源,增加自身的创新能力和创新产出。此外,在实施“引进来”和“走出去”发展战略的同时,在国内培育和壮大高质量的产业集聚区,提升制造业集聚、生产性服务业集聚以及二者协同集聚的质量和水平,并引导外商投资企业和对外投资企业向产业集聚区“落户”,促进创新资源的溢出或扩散;构建有助于创新要素流动的市场机制和制度安排,打破创新要素跨地区、所有制、行业流动的“行政”或“制度”壁垒,实现创新要素的协同整合和优化配置。