人力资本对我国区域创新及经济增长的影响    ——基于空间计量的实证研究

【原文出处】数量经济技术经济研究

【原刊地名】京

【原刊期号】20104

【原刊页号】107～121

【英文标题】Influence of Human Capital on Regional Innovation and Economic Growth in China: A Spatial Econometric Study

【标题注释】本文得到国家自然科学基金项目“对半参数模型设定的稳健性检验方法研究”（编号：10801086）资助。

【作 者】钱晓烨/迟巍/黎波

【作者简介】钱晓烨、迟巍、黎波，清华大学经济管理学院。

【内容提要】内生经济增长理论认为，人力资本通过影响技术创新和传播间接贡献于经济增长。本文利用省际数据，引入空间回归方法，包括空间滞后模型和空间误差模型，首先估计了人力资本对技术创新水平的影响；再进一步引入二阶段回归模型，加入空间依赖性，来估计人力资本通过创新影响经济增长的间接作用。本文的主要实证发现包括，从业人员接受高等教育的比例与省域技术创新活动有着显著的正相关关系，但对经济增长的间接贡献不明显。

【摘 要 题】社会发展统计

【英文摘要】Endogenous growth theory suggestes that human capital leads to greater innovation and, through technology innovation and diffusion, contributes to economic growth. Using the Chinese provincial data, this study estimates the effect of human capital on innovation based on spatial regression models, specifically spatial lag model and spatial error model. Furthermore, this study estimates the indirect effect of human capital on growth through innovation using spatial two-stage regression model. The main finding is that the workers' tertiary education is significantly and positively related to provincial innovative activities measured by invention patent applications per capita, however its contribution to economic growth through technology innovation is not evident.

【关 键 词】人力资本/技术创新/专利/经济增长/空间计量
    human capital/innovation/patent/economic growth/spatial econometrics

【正 文】
引言
自内生增长理论将人力资本纳入经济增长模型以后，就有大量的研究关注教育对一国或一个地区经济增长的作用。如Ahlburg和Jensen(2001)，McMahon(1999、1998)，Ito和Krueger(1995)，World Bank(1993)等对亚洲“四小龙”的研究发现，这些地区的经济增长奇迹与它们增加人力资本投资，提高从业人员的教育水平密切相关。关于我国经济增长的模式却未有定论。多数学者的观点是中国的经济增长主要是由固定资产投资带动，人力资本的作用则相对较小。Arayama和Miyoshi(2004)，Wei等(2001)，Chen和Fleisher(1996)的研究给出了支持这一观点的实证证据。但也有一些研究得出了人力资本与经济增长显著相关的结论（Ding和Knight，2008；Song等，2000；Yao和Zhang，2001）。Chi(2008)的研究在一定程度上调和了这两种对立的观点，指出劳动者的教育水平对经济增长起作用，但是一种间接贡献。这就可以解释为什么教育对经济增长的直接效果在数据中得不到检验。
总的来看，尽管已经有大量的相关文献，但教育对我国经济增长的作用仍有待进一步的研究。而本文正是针对这一议题，探讨联系人力资本与经济增长的一个可能机制，即人力资本首先作用于创新活动，进而实现对经济增长的作用。
使用1997～2006年的中国省域数据，本文首先对创新行为在省域间的明显差异进行了统计描述，然后回归检验了教育对区域创新行为和对经济增长的影响。本文的一大特点是使用了空间计量方法，在回归分析中考虑了各变量在省际间的空间依赖，而各变量的空间相关关系会导致最小二乘估计值出现偏差。本文主要运用了空间误差模型(Spatial Error Model, SEM))和空间滞后模型(Spatial Lag Model，SLM))以及使用二阶段最小二乘法估计技术创新对经济增长的作用时引入了考虑空间相关性后的一般矩估计(Spatial General Method of Moment, GMM))的标准误差。
一、文献综述
    Nelson和Phelps(1966)，Romer(1990)，Grossman和Helpman(1991)，Aghion和Howitt(1992)在内生增长理论中提出，人力资本是促进经济增长的重要因素。他们强调了从业人员的教育水平会通过技术创新和技术外溢带来经济增长。遵从这一理论成果，许多实证研究使用了跨国的数据来检测人力资本对经济增长的作用（Barro, 1991、2001; Benhabib和Spiegel，1994；Barro和Sala-i-Martin, 1995; Barro, 2001; Gemmell, 1996; Bils和Klenow, 2000）。多数实证研究发现，人力资本的存量在经济增长中扮演着重要的角色，Gemmell(1996)的论文更发现了人力资本的存量和增量对经济增长都有作用。但需要注意的是，内生增长理论的核心是人力资本首先作用于创新和知识外溢，再间接影响经济增长。而已有的实证研究大多数关注人力资本对经济增长的直接作用，估计人力资本对技术创新的影响，以及通过技术创新对经济增长的作用的研究则相对较少（Papageorgiou, 2003; Paganetto和Scandizzo,2003）。
研究我国人力资本与经济增长的文献也十分丰富。但同样研究人力资本在技术创新中的作用的文献也相对较少。目前已有的相关研究是几位学者关于外商直接投资(FDI)影响本国技术创新活动的实证分析。Cheung和Lin(2004)发现FDI对我国国内专利申请量的正效果，这一发现支持了Grossman和Helpman(1990、1991)提出的理论，即国际贸易作为知识外溢的渠道推动了内生经济增长。在这一理论中，本国人力资本被认为会影响吸收外国知识和技术的能力。在另两项研究中，Lai等(2006)，Kuo和Yang(2008)使用中国的省际数据进行了回归分析，在模型中引入了人力资本与FDI的交互项来模拟人力资本对外国知识技术的吸收是如何影响经济增长的。这两项研究都发现国外技术和知识是否能使中国获益取决于我国国内的人力资本水平。受过高等教育的从业人员是一个尤其重要的因素，他们可以更好地吸收FDI带来的国外技术。
本文的研究与这些文章有较大的差异。不同于强调本国人力资本对国外知识吸收转换的视角，本文着眼于人力资本对本国创新的作用，考察的是一个国家的自主创新能力。此外，本文还将空间依赖性和外溢性纳入了模型，在考察了人力资本对技术创新和经济增长的作用时还处理了数据空间相关性的问题。
二、数据与变量
本文中使用的数据来源于1997～2006年的《中国统计年鉴》和《中国劳动统计年鉴》。选择了省域GDP、人口总数、劳动力总数、从业人员受教育程度、固定资本投资和专利申请这几个指标。选择自1997年起的数据主要因为从业人员受教育程度自1996年才统计在《中国劳动统计年鉴》中。此外空间计量模型SLM，SEM和GMM都需要一个表征空间特征的空间加权矩阵。本文使用了两种标准的空间加权矩阵(Spatial Weighted Matrixes)，一个是邻近标准，即用两个省域共享地理边界作为空间相关的标志。另一个是距离标准，即使用各省的行政中心的经纬度来定义相邻两省的直线距离从而考察它们的空间紧密程度，后一标准中的经纬度数据来自于国家基础地理信息系统。
作为本文的主要自变量，人力资本由两个大类指标衡量。一类是初、中、高等教育水平的从业人员占总从业人员的比重，另一类是从业人员的平均受教育年限。采用劳动者的教育水平作为衡量人力资本的指标是由于这一指标被广泛使用，并被认为优于常见的各级各类在校学生人数的数据。前者更能反映一个地区真正的人力资本水平，而不需受制于各地区高等院校数量这一由历史原因影响的变量。基于三类教育水平的从业人员占比的数据，本文计算出了从业人员的平均受教育年限。
由于直接衡量技术创新的指标并不存在，现有文献中常见的近似指标是专利申请量或专利授权量。本文采用专利申请量而非授权量是考虑到专利局审批专利直至授权具有较长时间的滞后性。因此使用专利授权量无法及时反映各个地区的技术创新产出。遵从国际上的统一标准，我国的专利分为发明专利、实用新型和外观设计专利三种。其中发明专利更能反映出新的知识与技术创新成果，因此本文选择了发明专利申请量作为衡量技术创新的指标。为了确保估计结果的稳健性，本文也使用了总专利申请量和总专利授权量作为技术创新的指标进行回归，结果并没有显著差异。
三、计量方法及模型建立
由于交互作用和外溢效用的存在，相邻的区域通常会比相隔遥远的区域有更多的共性。一些研究表明，创新行为的空间交互作用是存在的。而GDP、劳动力人数、固定资本投资也可能存在空间相关性。最小二乘法回归估计(OLS)中，一个重要的假设就是每一个观测值都是独立不相关的。观测值间的空间相关性会导致传统的OLS分析失效(Anselin, 1988)。而横截面空间回归模型纳入了空间的依赖性，从而可以得到更加稳健精确的估计，参见Anselin(2009)。在我们的实证分析中，我们先用Moran's I指数来判定横截面空间回归模型的必要性，然后再分别用空间滞后模型(SLM)和空间误差模型(SEM)来估计教育以及其他的变量对技术创新和经济增长的影响，最后用基于空间计量模型一般矩估计(GMM)来估计技术创新对经济增长的贡献。
    1.估计方法
本文首先使用衡量空间自相关程度的Moran'sI指数。这一指数从整体上刻画了中国省域空间层面和变量的空间依赖情况。Moran'sI指数计算如下：
     
    则可估计出
     
     
    估计该方程组，可得参数的估计量 。
四、估计结果
    1.各省市创新活动的空间地图
首先本文使用空间地图来展示我国1997～2006年创新活动的空间分布及变化。本文将各个省每万人发明专利申请数平均分为5个等级。每万人发明专利申请数位于最低20分位的省份组成了第一等级，一直到位于最高20分位的省份组成了第五等级。地图中，由浅至深的5种颜色分别代表了第一至第五等级的每万人发明专利申请数。
     
    图1　中国区域技术创新的空间地图（1997～2006年）
图1显示，从1997～2006年，全国范围内创新活动都有了大幅度增加。1997年，第一等级的省份的每万人发明专利申请数为0.004～0.05，第五等级的每万人发明专利申请数为0.11～1.35。到了2006年，这两个值大幅提高到0.07～0.26和2.29～9.00。
虽然从全国范围来看，创新活动呈现增长趋势。但各个地区却有着程度不同的变化。1997年的地图上，北京、上海是两个非常显著的创新活动密集地区，而这两个区域也一直保持着领先优势。而另一个在期初也处于最高等级的创新中心——东北地区（包括内蒙古与东三省），经过10年变化，却落人了第三等级。与其相反，广东省创新活动的强度从第三等级升入了第二等级。
值得一提的是，东部沿海地区，如广东、福建、浙江一直是中国近20年来经济增长最快速的地区，但却并不是创新活动最密集的地区。这可能是因为这三个省份是我国劳动密集型产业最集中的地区，依靠低技术、低成本劳动力的规模经济带动经济增长，而并非依靠技术或产品创新。
图1中还有一点值得注意，那就是经过10年的演变，我国出现了两条知识创新带，一条是东部沿海一带，另一条在中国的中部，包括湖南、湖北和陕西。在这两条创新带中间的几乎为白色的区域为河北、河南、安徽和江西四省。地图显示这些区域的创新活动程度较低。
表1中报告了1997～2006年的Moran's I统计量以及其Z值。在多数年份，Moran's I在百分之五或更低的水平下是显著的，这说明创新活动在省域间存在着空间相关性，一个省份较高的创新活动与相邻省份较高的创新行为相关。这种相关性可能是由地区间的知识溢出导致的。随着两省间距离的增加，知识溢出的效果逐渐减弱。此外，表1中，Moran's I由1997年的0.88上升到2006年的0.174，显示出省域创新活动的空间相关性在增加。
     
    2.空间回归估计结果
本文使用OLS，SEM和SLM模型对人力资本对技术创新活动的作用进行估计见表2。表2中前四列报告了OLS估计值，其中每一列都使用了不同的人力资本指标。SEM和SLM估计的结果见其余的8列。表2中所有的模型估计都包括了控制变量，固定资本投资的对数和就业人员的对数值。本文对所有年份进行了估计，由于篇幅有限，只选择了部分年份的结果。本文还进行了不包括控制变量的估计，结果并没有很大差异。
表2显示，从业人员的教育水平是解释一个省份创新水平的重要因素。其中高等教育水平的从业人员对创新活动的影响尤为明显。2006年，高等教育从业人员占总从业人员的比重在全国范围的平均值是8.2%，而在教育水平最低和最高的省份，这一比例分别为0.5%和36%。表2回归估计揭示高等教育水平的劳动者的比例每增加一个百分点，每万人发明专利申请数就增加九个百分点。表2还显示，在控制了劳动人数和固定资本投资额之后，调整后的R[2]接近0.8，这说明模型有很好的解释力。即使没有控制变量，人力资本变量也可以解释60%～70%的创新活动。
但值得注意的是，高等教育对创新活动的作用正在逐年下降。OLS和空间模型都显示，劳动者的高等教育对省域创新活动的边际效应明显下降。这一发现是与经典生产理论中投入要素的边际效应递减规律相吻合的。随着1999年高校扩招，大学毕业生人数增长了近两倍。1998年大学毕业生人数为80万人，到2005年，大学毕业生人数增加至308万人①。随着接受过高等教育的从业人员数量的增加，高等教育对创新活动的边际贡献在下降。
表2　人力资本对区域创新活动的影响
     
    注：表中报告了对OLS估计的检验统计量。因变量是专利申请的对数，解释变量包括平均教育年限，对数固定资本投资和对数就业人数。系数估计中的***，**和*分别代表在1%，5%和10%的概率下的显著性水平。
从计量方法的角度来看，表2比较了OLS估计与SEM和SLM估计值。三组估计的结果是相对稳健的，计量方法的不同并没有带来结果的显著差异。本文还使用了极大似然法对经典回归模型进行估计，对数似然比(Log L)在最后一行。对比三组对数似然比可以发现，空间回归模型的数值略大于经典回归模型估计的数值，这意味着空间回归模型比经典模型更优。本文还对经典回归模型中的空间依赖度进行了更严格的诊断，结果见表3。其中有几年的检验值是显著的，这也说明了使用空间模型的必要性。
     
    为了考察创新活动对经济增长的作用，本文使用OLS与SEM，SLM方法进行估计，使用各省当年的对数GDP相比上一年的增加值衡量经济增长。这一结果见表4的前四列。结果显示，除个别年份，如2001年和2005年，其余年份技术创新对经济增长的贡献都不显著。空间回归模型中空间相关系数的估计值在一些年份显著，这表明了模型中涉及的变量可能存在空间依赖。
出于考察人力资本对我国经济增长的贡献的目的，本文首先使用OLS方法对人力资本与经济增长的相关性进行了估计，但结果并不显著，于是进一步考察人力资本对经济增长可能的间接作用。本文使用受过高等教育的劳动者占总从业人员的比例作为技术创新的工具变量。表2的结果显示这一变量与解释变量（技术创新）有显著的相关关系，而与被解释变量（经济增长）无直接联系，说明该变量可以作为工具变量引入二阶回归。式(9)二阶段模型第二阶段的估计结果见表4的后三列，第一阶段的结果已在表2中体现。可以看到，只有2005年的OLS估计和IV估计得到了显著的结果。
总体而言，表4并未提供有力证据支持较高的专利申请量带来较快的经济增长这一假设，进而也未能提供充分的证据证明人力资本通过促进创新带来经济增长。这一结果存在几种可能的解释。第一，技术创新对经济增长确实有作用，只是专利申请量仅为技术创新的一个近似衡量指标，而由于申请的专利质量不高、专利的商业价值不大，从而较难转化为生产力，不足以带动经济增长；第二，专利的质量和商业价值可能较高，但转化为生产力的过程不顺畅，发明专利被束之高阁、无人知晓，浪费了宝贵的技术资源；第三，从宏观角度来看，这一结论也可能与我国总体的经济增长模式有较大关系，中国经济增长的动力可能仍然主要来自劳动密集型的产品加工和制造，而技术和产品创新还不是中国经济增长的主要驱动力。
此外，比较OLS和IV结果可以发现，使用人力资本作为工具变量的二阶段工具变量法估计出的系数大于使用OLS方法的估计值。这说明两阶段模型没能验证人力资本通过发明专利间接作用于经济增长的理论。由于并未发现发明专利对经济增长的作用，也就不难理解为何没有人力资本通过专利促进经济增长的证据。
最后值得一提的是，比较表4中的最后两列，可以看出，使用GMM方法调整空间依赖性后的标准误并不一定比2SLS的标准误更大。Conley(1999)的文章中解释了这一现象。
表4　教育和技术创新对经济增长的影响
     
    注：(1)因变量为GDP增长，由GDP对数的年增长衡量；(2)2SLS估计了认为专利申请是内生的，使用“高等教育”（接受高等教育及以上的从业人员占总从业人员的比重）作为工具变量进行估计。空间GMM标准误依据Conley(1999)的方法进行估计.
    五、总结
本文的实证结果显示，从业人员的教育水平与省域创新活动是高度相关的。高等教育水平的劳动者对技术创新的贡献显著地大于中等或初等教育水平劳动者的贡献。但实证结果也发现劳动者高等教育水平对技术创新的贡献在这十年间正逐年递减，而实证结果也没有发现技术创新对经济增长有着显著的作用。
根据这些实证发现，本文提出两点政策建议，一是要提高专利的质量，加强发明专利的商业转化和应用，使新的技术能更快更好地转化为现实生产力，为经济增长做出贡献。二是转变我国的经济增长模式，调整产业结构，实现由劳动密集型产业为主向技术密集型产业的转变，增强技术产品创新在经济发展中的作用。
注释：
①数据来自于《中国教育统计年鉴》，2006年。

【参考文献】
    [1]张继红、吴玉鸣、何建坤：《专利创新与区域经济增长关联机制的空间计量经济分析》[J]，《科学学与科学技术管理》2007年第1期。
    [2]张玉明、李凯：《中国创新产出的空间分布及空间相关性研究》[J]，《中国软科学》2007年第11期。
    [3]张红霞、肖玲：《中国智力资源空间分布及其影响因素研究》[J]，《云南地理环境研究》2005年第7期。
    [4]Aghion, P., Howitt, P., 1998. Endogenous Growth Theory [M]. Cambridge, MA: MIT Press.
    [5]Ahlburg, Dennis A., Jensen, Eric R., 2001. Education and the East Asian Miracle [M]. In: Mason, Andrew, (Eds.), Population Change and Economic Development in East Asia: Challenges Met, Opportunities Seized, Stanford University Press, 231～254.
    [6]Anselin, L., 1988. Spatial Econometrics: Methods and Models [M], Kluwer Academic, Dordrecht.
    [7]Anselin, L., 2009. Spatial Regression [M]. In A. Stewart Fotheringham, Peter Rogerson (Eds.), The SAGE Handbook of Spatial Analysis, SAGE Publications Ltd, 2554275.
    [8]Arayama, Y., Miyoshi, K. , 2004. Regional Diversity and Sources of Economic Growth in China[J], World Economy, 27 (10), 1583～1607.
    [9]Barro, R. J., 1991. Economic Growth in a Cross Section of Countries [J], Quarterly Journal of Economics, 106 (2), 407～443.
    [10]Barro, R. J., 2001. Human Capital and Growth [J], American Economic Review, 91 (2), 12～17.
    [11]Barro, R. J., Sala-i-Martin, X., 1995. Economic Growth [M], NY: McGraw-Hill.
    [12]Benbabib, J., Spiegel, M. M., 1994. TheRole of Human Capital in Economic Development: Evidence from Aggregate Cross-country Data [J], Journal of Monetary Economics, 34 (2), 143～174.
    [13]Bils, M., Klenow, P. J., 2000. Does Schooling Cause Growth? [J], American Economic Review,90 (5), 1160～1183.
    [14]Bramwell, Allison; Wolfe, David A., 2008. Universities and Regional Economic Development: The Entrepreneurial University of Waterloo [J], Research Policy, 37 (8), 1175～1187.
    [15]Chen, J. , Fleisher, B. M. , 1996. Regional Income Inequality and Economic Growth in China [J], Journal of Comparative Economics, 22 (15), 141～164.
    [16]Chi, W. , 2008. The Role of Human Capital in China's Economic Development: Review and New Evidence [J], China Economic Review, 19, 421～436.
    [l7]Cheung, K. , Lin, P. , 2004. Spillover Effects of FDI on Innovation in China: Evidence from the Provincial Data [J], China Economic Review 15, 25～44.
    [18]Conley, T.G. , 1999. GMM Estimation with Cross Sectional Dependence [J], Journal of Econometrics 92, 1～45.
    [19]Ding, S., Knight, J., 2008. Why has China Grown So Fast? The Role of Physical and Human Capital Formation [R], University of Oxford, Department of Economics, Economics Series Working Papers:414.
    [20]Gemmell, N., 1996. Evaluating the Impacts of Human Capital Stocks and Accumulation on Eco nomic Growth: Some New Evidence [J], Oxford Bulletin of Economics and Statistics, 58 (1), 9～28.
    [21]Griffith, D. and Sone, A. , 1995. Trade -offs associated with normalizing constant computational simplifications for estimating spatial statistical models [J], Journal of Statistical Computation and Simulation 51, 165～183.
    [22]Grossman, G.　M., Helpman, E., 1990. Trade, Knowledge Spillover, and Growth. NBER Working Paper No. 3485.
    [23]Grossman, G. M., Helpman, E., 1991. Innovation and Growth in the Global Economy [M], MIT Press, Cambridge, MA.
    [24]Ito, T. , Krueger, A.O. (Eds), 1995. Growth Theories in Light of the East Asian Experience[M], Chicago and London: University of Chicago Press and NBER.
    [25]Kuo, C., Yang, C., 2008. KnowledgeCapital and Spillover on Regional Economic Growth: Evidence from China [J], China Economic Review 19, 594～604.
    [26]Lai, M. , Peng, S. , Bao, Q. , 2006. Technology Spillovers, Absorptive Capacity and Economic Growth [J], China Economic Review 17, 300～320.
    [27]McMahon, Walter W. , 1998. Education and Growth in East Asia [J], Economics of Education Review, Vol. 17, No. 2, April 1998, 159～172.
    [28]McMahon, Walter W. , 1999. Education and Development: Measuring the Social Benefits [M], Oxford and New York: Oxford University Press, xiv, 299.
    [29]Nelson, R. R., Phelps, E. S., 1966. Investment in Humans, TechnologicalDiffusion, and Economic Growth [J], American Economic Review, 56 (1), 69～75.
    [30]Ord, J.K., 1975. Estimation Methods for Models of Spatial Interaction [J], Journal of the American Statistical Association 70, 120～126.
    [31]Pace, R. K. and Barry, R., 1997a. Sparse Spatial Autoregressions [J], Statistics and Probability Letters 33, 291～297.
    [32]Pace, R. K. and R. Barry, R., 1997b. Quick Computation of Spatial Autoregressive Estimators [J], Geographical Analysis 29, 232～246.
    [33]Paganetto, L. and Scandizzo, P. L. 2003. The Role of Education and Knowledge in Endogenous Growth [M], In: Paganetto, Luigi; Phelps, Edmund S, (Eds.), Finance, Research, Education and Growth. Palgrave Macmillan, Houndmills, U.K. and New York, xviii, 199.
    [34]Romer, P. M. , 1990. Endogenous Technological Change [J], Journal of Political Economy, 98(5), S71～S102.
    [35]Song, S., Chu, George S. F., Cao, R., 2000. Intercity Regional Dsparity in China [J], China Economic Review, 11, 246～261.
    [36]World Bank, 1993. The East Asian Miracle: Economic Growth and Public Policy [J], Policy Research Report. 389, Policy Research Department, The World Bank.
    [37]Wei, Y., Liu, X., Song, H., Romilly, P. , 2001. Endogenous Innovation Growth Theory and Regional Income Convergence in China [J], Journal of International Development, 13, 153～168.
    [38]Yao, S. , Zhang, Z. , 2001. On Regional Inequality and Diverging Clubs: A Case Study of Contemporary China [J], Journal of Comparative Economics, 29, 466～484.
    [39]Youtie, Jan., Shapira, Philip. , 2008. Building an Innovation Hub: A Case Study of the Transformation of University Roles in Regional Technological and Economic Development [J], Research Policy, 37(8), 1188～1204.