基础研究与工业全要素生产率提升

奥鹏网院作业

基础研究与工业全要素生产率提升
——任正非之问的实证检验
王娟 任小静
(西安交通大学经济与金融学院，陕西 西安 710061)
摘 要： 中国经济正处在转变发展方式、优化经济结构、转换增长动力的攻坚期，仅依靠加大应用研究投入难以突破前沿关键技术瓶颈。自中美经贸摩擦以来，任正非曾多次表达对中国缺乏基础科学领域的人才、成果和转化机制的担忧。本文利用1998-2017年中国省级面板数据，基于有限分布滞后模型，实证检验了基础研究和应用研究对工业TFP的影响。研究发现：短期内应用研究的资本存量对工业TFP的正向作用强于基础研究；长期内基础研究和应用研究对工业TFP的增进作用均强于短期，其中基础研究的长期效应更为突出；基础研究对工业TFP的长期贡献，一部分是通过技术积累作用于应用研究而实现的；基础研究对工业TFP的长期贡献，在东部地区最明显，其技术积累效应也最为突出。为推动工业高质量发展，中国应加强基础科学研究以推动自主型原始创新，通过扩大基础研究的投入规模、优化其投入模式和创新主体，为产业效率提升注入原动力。
关键词： 基础研究； 应用研究； 全要素生产率； 有限分布滞后模型
一、引言
2019年5月，美国商务部工业和安全局宣布把中国华为列入“实体清单”，向其针对性地采取高技术及中间品“断供”。2019年6月17日，华为CEO任正非在与吉尔德、内格罗蓬特的会谈中提到，中国取得的科技创新多是应用科学上的，在基础科学的创新方面仍面临很大挑战。任正非还多次表达对中国缺乏基础科学领域的人才、成果和转化机制的担忧。在任正非看来，中美经贸摩擦深刻揭示了中国在基础科学上投入不足的短板，这一问题的严重性远大于对个别企业的直接短期冲击。尽管G20大阪峰会后美国宣布准备向华为部分解禁，但关键技术被“扼住咽喉”的事实，作为中国制造的“痛点”，已成为了社会关注的焦点。由此引发的“任正非之问”或“任正非之忧”，亟待得到深入而系统的学术回答。
科学技术研究可分为基础研究与应用研究。基础研究是指认清现象、揭示出规律，获取新知识、原理和方法的一种研究活动。相比应用研究，基础研究具有目的性相对间接、成果规律性更强、转化周期更长等特点，但其创新成果构成了科学发展、技术进步的认知起点。对发展中国家来说，随着技术水平提升、与技术前沿差距不断缩小，应果断减少对国外的技术依赖，更加注重加强基础研究，推动形成自主研发与原始创新为主的发展模式[1]。随着中国商用产品和商用科技的快速发展，基础科学的前瞻、先导和支撑作用日益凸显，基础研究的相对不足逐渐成为了科技进步的突出短板。近几年来中国基础研究投入规模尽管逐年攀升，但依然不及应用研究的增长幅度，使得基础研究投入占比不升反降。《中国科技统计年鉴》数据显示，2017年全国R&D经费内部支出中用于基础研究的份额仅为5.5%，基础研究占GDP比重仅为1.18%，尽管绝对数量逐年上升，但远低于应用研究占GDP的比重，亦远低于美国等发达国家的基础研究强度[2]。对工业部门来说，能耗高、技术含量低、产能过剩等问题已成为制约工业发展的重要障碍[3]。正如Lucas(1988)[4]、Romer(1990)[5]所说，科技创新是经济实现内生增长的重要动力。以技术创新为引领，提升全要素生产率(TFP)，构成了工业高质量发展的驱动力。然而，不少研究发现中国的研发投入对工业技术进步或TFP的贡献较为有限[6]。可见，要借助科技创新增进工业绩效，除了加大研发投入力度，更需要优化调整研发投入结构，合理配置不同类型和属性的研发资源，包括基础—应用研究的优化配置。从另一角度说，对“任正非之问”的回答和解决，应当跳出中美经贸摩擦的即期视野，置于以创新引领工业供给体系质量提升的框架中。要培育基础科学的人才和成果，首先应形成对基础—应用研究资本存量在工业内生增长中作用的全面认知，分析基础研究通过知识积累而产生的间接效应，以及不同的滞后分布设定下二者的跨期差异，得到研发资源错配情况的清晰判断，进而对建设创新型国家形成更加合理化的建议。
本文以1998-2017年中国省级地区为样本，采用有限分布滞后模型，在对基础研究与应用研究的不同滞后期给出准确界定的基础上，实证检验二者及其交互项对工业TFP的影响机制。
二、文献综述
研究R&D与生产率关系的理论基础来源于20 世纪80 年代提出的新经济增长理论，即R&D投资是生产率增长最重要的源泉。自Solow将外生技术进步引入经济增长模型并提出新古典增长理论之后，对于经济增长的模型分析主要围绕索洛增长模型中储蓄率、生产率变化、人口增长率三者的内生化展开。其中R&D内生增长理论对R&D与生产率的关系进行了深入的理论探讨。Romer(1990)[5]的中间产品种类模型、Grossman和Helpman(1991a)[7]的产品质量阶梯模型、Aghion和Howitt(2001)[8]的新熊彼特增长模型均认为创新取决于R&D部门的劳动、资本量和社会知识存量，技术创新已成为经济增长的决定性因素。
R&D对生产率影响的实证研究则主要从三个方面展开。一是分析主体自身研发投入对主体生产率的直接效应：Hall等(2013)[9]认为R&D对生产率是有着积极贡献的，主体的研发活动可以提高其生产率水平；吴延兵(2006)[10]用2002年中国制造业的面板数据研究发现研发对工业(制造业)TFP存在正向影响；吕大国、沈坤荣(2016)[11]使用2004-2007年中国工业企业层面数据得到了上述正向的结论。其次诸多学者分析了主体外部(包括国外及国内其他主体)的研发投入对主体生产率的溢出效应。Coe和Helpman(1995)[12]提出一种由国际贸易渠道溢出的国外R&D资本存量的测算方法，为后续文献提供了基本的国外研发资本溢出分析框架。蒋殿春等(2015)[13]基于中国1998-2011年以及2004-2013年的省际面板数据，证实了正向FDI溢出效应的存在。除自身研发的直接效应、研发溢出效应的间接影响外，环境变量对研发的直接效应的调节效应也是现有文献考察的一个重要层面。
近年来，越来越多学者从不同类型研发的角度对研发与生产率的关系予以深入考察。在理论分析方面，循着Romer(1990)[5]的建模思路，学者们在区分基础研究和应用研究的基础上，分析了不同类型研发对长期经济增长的影响。Park(1998)[14]在区分私人研发和政府研发的基础上构建中间产品扩张型技术进步模型，分析了政府研发对长期经济增长的影响，模型分析表明经济体的长期均衡增长率与政府研发部门的规模之间具有倒U型关系。Prettner和Werner(2016)[15]从比较静态的建模角度分析了基础研究对经济增长的长期效应和短期效应，研究表明扩大基础研究虽有助于基础知识的累积，但在短期内却会导致产出和应用知识增长率的下降。国内文献方面，杨立岩和潘慧峰(2003)[16]着重探讨了基础研究和人力资本对经济增长的作用，他们的研究表明，经济的长远增长率和基础科学知识的长远增长率成正比，而决定基础科学知识长远增长率的最终变量为经济体中的人力资本存量。
除纯理论分析外，还有一些研究同时从理论和经验两方面对不同类型研发的效应进行了分析。Luintel和Khan(2011)[17]通过对10个OECD 国家的面板数据进行计量分析，发现通过提高基础和应用研究以及试验发展，均对国内产出和生产率提高具有促进作用。Toole(2012)[18]对美国医药产业进行了考察，发现在医药产业的早期创新中，基础研究具有非常显著的作用。Akcigit等(2013)[19]利用2000-2006年间法国企业层面的数据所进行的分析发现企业的应用研究支出已经过多，政府应该加强对企业基础研究的补助。
国内学者严成樑、龚六堂(2013)[20]以研发投入替代人力资本，建立了包含基础研究和应用研究在内的研发驱动经济增长模型，结果表明基础研究更能促进长期经济增长，然而中国产业核心技术发展不足的原因之一即来自于基础研究的投入不足。陈钰芬等(2013)[21]利用2000-2010年中国30个省市的面板数据研究发现基础研究、应用研究和试验发展都对TFP有显著促进作用，但是基础研究的TFP 弹性明显小于应用研究和试验发展的TFP 弹性。蒋殿春和王晓娆(2015)[13]采用了1998-2011年中国30个省市数据，比较分析了不同执行部门和类型的R&D投入对TFP的影响。研究结果表明，基础研究的积极影响虽然弱于试验发展，但仍明显高于应用研究。杨玲和许传龙(2016)[22]的研究则进一步区分了不同类型研发作用的长期和短期效果，从短期看基础研究对TFP 的促进作用不明显，长期基础研究则对TFP 的促进作用最大。孙早和许薛璐(2017)[2]构建了包含技术前沿国家先进技术的中间品内生增长模型，发现随着前沿技术差距的缩小，应用研究与产业TFP之间呈现倒U型关系。
国内学者之所以出现差异化的结论，可能有如下原因：一是现有研究较少考虑科学研究作用于产业绩效的滞后期，或选择的滞后期缺乏足够依据；二是有的研究没有纳入基础研究对于应用研究的知识积累作用，未控制二者的交互状态，从而可能低估基础研究投入对产业绩效的促进作用；三是较少关注基础研究成果对多行业的共享性和溢出作用，导致样本处理可能存在一定偏误。若不解决上述实证不足，则可能仅能得到“中国作为发展中国家，随着技术水平与前沿差距缩小，产业要继续迈向全球价值链中高端，必须以强大的基础研究能力为引擎”的结论，仍无法回答基础—应用研究的配置比例、投入模式等应如何调整，两类研发投入的跨期整合、多行业共享、区域间协同等具体方案难以得到充足的学术支撑。从实证路径上解决了上述问题，较准确地判断基础研究与工业TFP的关系，清楚地揭示以加大基础研究为抓手推动工业高质量发展的条件和机制，有利于为建设创新型国家过程中优化科研资源的配置，为增强我国产业创新力和竞争力、摆脱关键技术和产业发展被“扼住咽喉”的困境，提供学理依据和有益的现实启示
本文不再局限于上述研究中研发主体、资金来源、风险属性等异质性，而是从研发活动的不同学科类型入手，根据各自作用于工业部门的渠道和时滞差异，观察了二者对工业TFP的影响，从理论上回应了对中国基础研究与工业发展关系的热点，也丰富了新时代创新引领发展的理论内涵。
三、理论框架
本文构建类似于Park(1998)[14]四部门经济系统的基准模型，即最终产品部门、中间投入品生产部门、基础研究部门和应用研究部门。整个经济体系的运行机制如下：基础研究部门使用投入的人力资本，结合现有的基础知识存量，生产新的基础知识；应用研究部门使用投入的人力资本，结合现有的基础知识存量和应用知识(技术)存量研发，将研发成的中间产品初步方案出售给下游中间产品厂商；中间产品厂商进一步将中间产品初步方案转换为新的中间产品，并租赁给其下游的最终产品厂商；最终产品厂商使用人力资本以及通过租赁的中间产品，生产最终产品。
则最终产品生产企业的生产决策可表示为如下的利润最大化问题

(1)
其中：HY为投入最终产品部门的人力资本；xi和分别代表投入最终产品生产的国内中间产品和国外中间产品；A和A*则代表国内和国外的应用技术可能性边界；α和β分别为人力资本和资本的产出弹性；λ表示开放程度，即为投入到本国最终产品生产的有效国外中间投入品数量；wHY表示在最终产品部门投入时的人力资本的工资水平，分别表示国内和国外中间产品的租赁价格。
进而推导出在均衡路径(BGP)上的长期均衡增长率为
(2)
即长期均衡增长率g取决于本国人力资本存量(H)、本国基础知识存量(B)和应用知识存量(A)、国外基础知识存量(B*)和应用知识存量(A*)、开放程度(λ)以及技术参数(δ、β、θ、η)和偏好参数(σ、ρ)。
1. 直接影响
重点关注本国基础研究和应用研究对均衡增长率的影响，由式(2)可得
(3)

(4)
其中，式(3)表明，基础研究对均衡增长率有正效应，这意味着通过增加基础研究的投入，可以提高一国基础知识的存量，进而可推动均衡增长率的提升。从式(4)可以看出，在A*/A较大即距离国际前沿的技术差距较为明显时，应用研究的开展才存在长期的增长效应。
此外，基础研究和应用研究的长期作用和短期作用也不同。从短期来看，增加基础研究投入会导致投入最终产品部门和应用研发部门的人力资本投入减少，这势必会造成当期产出和生产率一定程度的下降，所以基础研究对产出增长的短期效应并不明显。基础研究的发挥作用具有滞后性，只有在长期等基础研究的成果得以有效转化之后，才能转化成对现实生产力的支撑。而开展应用研究虽然会减少基础研究的人力资本投入，从而对长期均衡增长率造成一定的负面影响，但由于暂时提升了可用的应用知识(技术)存量导致产出增加，因而具有短期的产出增加效应，有助于改善生产率。
2. 基础研究的间接效应
作为积累和拓展通识型知识的唯一来源，基础研究可增强企业对先进知识和技术的理解力，因而有助于企业吸收能力的提升)[23]，孙早、许薛璐(2017)[2]称之为基础研究的技术吸收效应。吸收能力的提升会促进研发效率的改善和人力资本的再配置，进而对均衡增长率产生正面影响。因此，基础研究对产出增长的作用还表现为如下机制的间接效应：基础研究→吸收能力提升→均衡增长率提高。除技术吸收效应外，基础研究还会提升整个社会的认知水平和研发积极性；同时，企业或一国消化、吸收和转化既有技术、以及进行再创新的能力会随着基础研究成果的增强而提升，表现为企业应用已有知识生产新知识的能力的增强[24]。因此，基础研究可通过增强企业的自主创新能力而促进均衡增长率提升，即表现为如下机制的间接效应：基础研究→自主创新能力提升→均衡增长率提高。
基于以上，本文提出如下假说。
假说1 从当期或短期看，基础研究对工业产出(或全要素生产率)增长的促进作用弱于应用研究；随着时间推移，基础研究的生产率效应不断提升，长期逐渐超越应用研究带来的作用。
假说2 基础研究对工业产出(或全要素生产率)增长的长期促进作用，依赖于应用研究的技术积累，即较强的技术应用和成果转化能力是基础研究的生产率效应得以发挥的重要条件。
三、计量模型设定、变量与数据处理
1. 计量模型
借鉴Griliches(1979)[25]的经济增长模型，将人力以及知识资本引入以柯布—道格拉斯函数形式表示的工业部门生产函数

(5)
其中，i和t分别为地区和时间；Yit为地区工业增加值；Kit为工业物质资本投入；Lit为工业的劳动投入，可分解为简单劳动投入(Nit)和人力资本(Hit)的乘积；Zit表示地区知识资本存量。假定一个地区工业的产出不仅取决于企业自身的知识存量，还与地区知识资本存量相关。根据索洛余值，总产出中扣除物质资本投入和简单劳动投入后的剩余部分即为全要素生产率(TFPit)。因此有

(6)
由于知识资本的积累主要来自整个地区研发投入，因此可将知识资本分解为基础研究(BR)与应用研究(AR)两部分，进而两边取对数引入控制变量和残差项，则可构建如下的如下待估计的计量模型
lnTFPit=β0+β1lnBRit+β2lnARit+ΣρjXjit+μi+εit
(7)
其中，Xj为一组可能影响地区工业TFP的控制变量(其中包括式(6)中的人力资本H)。BRit、ARit分别为该地区用于基础研究的资本存量和用于应用研究的资本存量，μi为地区固定效应，εit为随机扰动项。
考虑到研发活动对工业TFP的影响存在一定滞后性，借鉴陈雁和张海丰(2016)[26]的思路，并考虑到可能存在的多重共线性问题，在式(7)的基础上，建立如下的有限分布滞后模型
ΣρjXjit+μi+εit
(8)
其中，p、q分别为基础研究与应用研究对工业TFP影响的滞后期数，β1、β2分别表示基础研究和应用研究对工业TFP的长期影响。
2. 工业TFP测算
本文测算TFP所用的随机前沿模型主要是基于Battese和Coelli(1992)[27]提出的单阶段随机前沿模型。本文将生产函数设定为C-D函数形式，并引入时间趋势变量，构建如下随机前沿生产函数模型
lnYit=β0+β1lnKit+β2lnLit+β3t+vi,t+εit
(9)
其中，Yit、Kit、Lit分别代表地区i的工业在t年的工业增加值、固定资本存量及从业人员数；t为时间趋势，衡量自身技术进步对产出的影响；vit为的随机误差项，与uit互相独立，主要为测量误差和不可控的随机因素；uit为非负的技术无效率项，假定其变动函数为uit=uiexp[η(t-T)]，服从分布，此处η为技术效率指数的变动率。工业增加值采用以1998年为基期的工业品出厂价格指数(PPI)进行平减；固定资本存量采用永续盘存法，构造价格指数的方法和资本折旧率的选择参照张军等(2009)[28]的做法。参照刘秉镰等(2010)[29]的做法，地区i在t年的工业TFP表示为
TEPit=exp(β0+β3t)×TEit
(10)
其中，TEPit=E[exp(-uit)|eit=vit-uit]，表示随机前沿模型测算获得的技术效率。
基于1998-2017年中国工业省际面板数据，采用Frontier4.1软件对式(9)的随机前沿模型进行估计，估计结果如表1所示。
表1 基于省级面板数据的工业随机前沿生产函数估计结果

注：***、**、*分别代表1%、5%、10%的显著性水平。
表1的结果显示，模型回归整体效果较好，变量的系数均在5%及以上的水平上显著。资本投入和劳动投入的系数为正，劳动投入的产出弹性(0.502 3)要高于资本投的产出弹性(0.431 2)，二者之和小于1，表明中国工业呈现一定程度的规模报酬递减。时间趋势项的系数为0.021 2，表明样本期内中国工业存在自发的技术进步。技术效率的时变参数为负，说明样本期间内各地区工业技术效率水平逐渐下降。衡量的是复合误差项的方差中技术无效率项方差所占比重，系数高达0.981 5，表明模型存在明显的复合结构，并且LR检验也显著拒绝了技术无效率项不存在的原假设，相应地，较传统平均响应函数模型而言，随机前沿模型更适合于刻画中国各地区工业的生产过程。进而，基于表1估计结果，利用式(10)即可计算出1998-2017年中国各省级地区的工业TFP。囿于篇幅，TFP估算结果未予报告。
3. 基础研究与应用研究的资本存量
核心解释变量包括基础研究(BR)与应用研究(AR)，采用研发经费内部支出来衡量研发资本投入(外部支出占比很小且不直接作用于研发主体内部，故未考虑)。2009-2017年数据来自历年《中国科技统计年鉴》中分研发类型的研发经费内部支出；1998-2008年数据采用《中国科技统计年鉴》中高等学校和研发机构的三种研发类型的研发经费内部支出数据以及测得的规模以上工业企业分类型研发经费内部支出数据的加总。对于规模以上工业企业三种类型的研发支出，首先处理了统计数据口径不一致问题，将规模以上工业企业的研发经费内部支出区分为基础研究、应用研究和试验发展三部分(后二者合并为广义应用研究)。
对于获得的基础研究和应用研究的研发经费内部支出，采用永续盘存法将其转化为相应的R&D资本存量
RDit=(1-δ)×RDit-1+Iit
(11)
其中，RDit、RDit-1分别为地区i在第t年和t-1年的研发资本存量，Iit为地区i在第t年的研发经费内部支出，δ表示研发资本的折旧率。参照吴延兵(2006)等的算法，设定δ=15%。计算研发资本存量需要首先估算出各地区基年研发资本量，假定研发资本存量的增长率与R&D支出增长率相等，则第i个地区基期(1998年)研发资本存量RDi0为

(12)
其中，Ii0为地区i在基年的研发经费内部支出，gi为样本期间内地区研发经费内部支出年均增长率，δ=15%。由式(11)、(12)可以估算出1998-2017年间中国各省区的基础研究资本存量和应用研究资本存量。
同时，以1998年为基期，采用R&D价格指数对各省区的基础研究支出和应用研究支出进行平减。R&D价格指数(RDPI)的计算参照朱有为和徐康宁(2006)[30]，其计算公式为：RPI=0.75PPI+0.25CPI。其中，PPI为工业生产者出厂价格指数，CPI为居民消费价格指数。
4. 控制变量
(1)人力资本(H)。通常拥有越多人力资本的地区越希望进行研发活动，因为研发活动有助于提升该地区的工业生产率。人力资本的度量使用就业人员受教育年限，首先将统计年鉴中的受教育程度转换为受教育年限(1)文盲为0年，小学毕业为6年，初中为9年，高中为12年，大学专科和本科为16年，研究生及以上为20年。，再用各学历层次的年限与权数(各学历层次人数占工业总就业人数的比例)相乘得到相应的受教育年限数据。
(2)经济发展水平(Dev)。通常经济发展程度较高的地区，市场化程度也会较高，激烈的竞争和良好的进入退出机制会倒逼企业提升生产率水平。因此，本文预期地区经济发展水平与工业生产率是正相关的，采用地区人均GDP来度量地区经济发展水平。
(3)政府干预程度(Gov)。因中国经济发展具有典型的政府干预特征，故此对地区工业生产率收其影响较为严重。政府对经济进行干预的主要手段是财政和货币政策，因此采用地区财政支出比重来度量政府干预程度。
(4)外商直接投资(Fdi)。外资企业的进入一方面加剧了国内的市场竞争，另一方面通过技术外溢带动了企业技术进步，提高TFP。因此，当前中国经济发展的一项显著特征即为外向型发展，外商直接投资使用各地区全固定资产投资中的港澳台商以及外商投资所占比重来度量。
(5)贸易自由度(Tra)。商品和服务贸易也能带动技术转移，加剧产业内竞争，促进技术革新。以各地区进出口总额占地区生产总值的比重来衡量贸易自由度。
四、实证结果与分析
1. 基本回归结果
首先利用各变量的当期值对式(7)进行回归，估计结果报告在表2的列(1)中。进一步，对包含基础研究(BR)和应用研究(AR)滞后项的式(8)进行回归。在选择BR与AR的滞后期数时，考虑到基础研究成果发挥作用的时间较之应用研究成果要长，并参照已有研究的滞后期选择，将滞后期数(p,q)依次设定为(1,0)、(2,1)、(3,2)。这4种滞后期设定的回归结果分别报告在表2的列(2)-(4)中。按照F检验、BP-LM检验和Hausman检验结果，列(1)-(3)应采用固定效应模型，列(4)适合随机效应模型。
表2列(1)中基础研究变量的回归系数虽为正但不显著，表明当期基础研究投入对工业TFP的提升作用不明显；应用研究的系数为正且在5%水平上显著，说明当期应用研究对工业TFP有显著正效应。列(2)中应用研究仍设为不滞后、基础研究的影响设为滞后1期，结果显示基础研究的回归系数有明显提升，在10%水平上显著；应用研究系数较列(1)变化不大，但仍高于基础研究的系数，表明短期内基础研究对工业TFP的效果小于应用研究。列(3)将基础研究滞后2期、应用研究滞后1期，发现基础研究和应用研究的系数均显著为正，对工业TFP的作用较列(2)明显增大，基础研究的系数(0.480)明显大于应用研究的系数(0.401)，说明长期基础研究对工业TFP的正效应大于应用研究，也印证了基础研究和应用研究作用于工业TFP的滞后性存在差异，基础研究的时滞更长。
为进一步验证研发投资的长期作用，在表2列(4)中进一步将基础研究滞后3期、应用研究滞后2期处理，结果显示基础研究对工业TFP的促进作用进一步加大(系数变为0.557)，应用研究的效果同基础研究的差距进一步拉大，这表明从长期看，基础研究对工业TFP的提升作用更大。总之，短期内应用研究对工业TFP的促进作用更大，基础研究发挥作用的时间则相对较长，长期来看基础研究对工业TFP的促进作用高于应用研究。
表2 基础研究、应用研究对工业TFP影响的基本回归结果

注：***、**、*分别代表1%、5%、10%的显著性水平。括号内为t统计量。表3-5同此例。
2. 加入交互项的回归结果
基础研究成果是开展应用研究的基础，为应用研究提供智力成果支持和技术积累，应用研究更多是在基础研究成果的基础上，旨在确定基础研究成果用途或是更好地利用已有知识和技术去创造新技术、新方法和新产品。因此，在分析二者对工业TFP的影响时，有一种效应无法忽视，那就是应该充分考虑基础研究对应用研究所具有的基础支撑作用。因此，在式(7)和式(8)的基础上，进一步引入基础研究(BR)与应用研究(AR)的交互项做回归。估计结果报告见表3。
根据表3的检验结果，列(1)-(3)采用固定效应模型，列(4)适合随机效应模型。基础研究(lnBR)与应用研究(lnAR)的估计结果与表2中不引入交互项lnBR*lnAR时的结果基本一致，证明了表2中回归结果的稳健性，即基础研究与应用研究对工业TFP的影响均存在一定滞后，基础研究发挥作用的时滞更长，虽然基础研究的短期效果不明显，但长期看基础研究对工业TFP的促进作用高于应用研究。进而，观察表3中lnBR*lnAR的系数发现，列(1)中交互项的系数为正却不显著，基础研究分别做滞后一期、二期和三期处理后，其系数变为显著为正且逐渐变大(依次为0.032、0.036、0.043)，表明基础研究不会对当期应用研究的效果产生影响，但随着时间推移，其作用逐渐发挥出来，长期来看基础研究会通过促进应用研究而间接地促进工业TFP的提升。
表3 基础研究、应用研究对工业TFP影响的回归结果(包含交互项)

3. 对三大区域差异的检验结果
为考察基础研究和应用研究对工业TFP的影响的区域异质性，进一步利用东部、中部、西部三个子样本对式(7)和式(8)模型分组回归，结果如表4所示。此时限于篇幅，只展示了滞后期为(0,0)和(3,2)两种情形下的估计结果，目的是更好地对比是否考虑技术活动的长期效应对二者关系的影响，以及在三大区域间的差异。
根据表4的结果进行区域比较，可得出如下结论：(1)基础研究对工业TFP的长期促进作用呈现为“东部>中部>西部”的梯度态势。(2)东部地区应用研究的作用更大一些，而中部和西部地区基础研究作用相对弱一些，且二者基本上差距不大，不论将滞后期选择为(0,0)还是(3,2)都支持此结论，这表明在较为发达的东部，研发资源的利用效率更高一些，而这与东部地区市场化程度较高、竞争较为激烈、要素资源流动更为充分有关。(3)基础研究与应用研究的交互项lnBR*lnAR的系数在列(1)、(3)、(5)中均不显著，而在列(2)、(4)、(6)中显著为正，表明三大地区呈现出一种共同的状况，即基础研究不会影响当期应用研究的作用效果，但是却会对之后的应用研究提供支撑，从而促进工业TFP的提升。
表4 基础研究、应用研究对工业TFP影响的分地区回归结果

4. 内生性问题及其处理
在进行上述研究的同时，同样需要考虑变量之间存在的内生性。如人力资本和研发投入受地区工业生产率水平的影响，工业生产率较高的地区，其薪资水平也较高，更容易集聚高层次人才；技术密集、研发投入强度较大的产业也越容易集聚在工业生产率较高的地区。通过计算Hausman统计量和Dubin-Wu-Hausman统计量，在5%水平上拒绝了主要变量是外生性的原假设。因此进一步采用系统GMM方法对式(8)模型重新进行回归，弱化内生性问题，结果详见表5。
工具变量的有效性决定了系统GMM估计的一致性，表5是有关工具变量有效性检验的结果。Hansen J为过度识别约束检验，即在至少有一个外生工具变量为的情况下，其原假设为“H0：所有工具变量均为外生”；GMM估计要求残差项不存在二阶序列相关，AR(1)和AR(2)分别用来检验误差项存在一阶序列相关和二阶序列相关。表5显示Hansen J检验的p值在所有情形下均高于5%，不能拒绝所有工具变量均为外生的假设，即系统GMM的工具变量是有效的；Arellano-Bond检验不能拒绝不存在二阶序列相关的原假设。因此，系统GMM估计结果为一致估计。
表5 基础研究、应用研究对工业TFP影响的系统GMM估计结果

表5的结果显示，在(0,0)、(1,0)、(2,1)、(3,2)4种不同的滞后情形下，基础研究(lnBR)、应用研究(lnAR)以及交互项(lnBR*lnAR)的回归系数的符号和显著性与表3相比都没有发生太大变化。列(1)显示，当期基础研究对工业TFP的影响不显著，当期应用研究对工业TFP却有显著的促进作用；列(2)-(4)表明，随着滞后期数加长，基础研究对工业TFP的促进作用逐渐凸显，绝对值大小和显著性都有极大改善，应用研究的效果随滞后期数的增加也在增大，但增幅不如基础研究那么明显；交互项(lnBR*lnAR)的系数在列(1)中不显著，在列(2)-(4)中在不同的显著性水平下显著，表明基础研究的间接效应同样需要一定的滞后期才能发挥出来。这与前文的分析结论同样是一致的。
5. 稳健性检验
为了进一步检验本章分析结论的可靠性，从两方面进行稳健性检验。首先采用研发强度(各类型研发支出/地区总产值)替代研发资本存量进行估计；其次，对于被解释变量采用工业劳动生产率(工业增加值/从业人员数，单位：万元/人)替代TFP进行估计。当以研发强度替代研发资本存量进行回归时，全国总样本以及三大地区子样本的回归结果与前述实证检验相比，关键变量的系数、符号以及显著性并无明显变化，前文得出的结论依然受到了支持。当以劳动生产率替代TFP进行估计时，关键变量系数的符号、显著性以及排序仍与前述实证检验中基本一致。这表明，前文关于基础研究、应用研究对全国以及东、中、西部地区工业TFP的影响的估计结果是稳健的。
五、结论与建议
随着中国工业技术水平与世界前沿的差距不断缩小，商用产品、商用科技及相关产业的发展可能会触碰到“天花板”，仅依靠加大应用研究投入难以突破一些关键共性技术、前沿引领技术瓶颈，亟待加强基础科学研究以推动自主型原始创新，为产业效率提升注入原动力。正如华为CEO任正非所提出的，中国在基础科学研究上的人才储备和成果积累较为薄弱，这一问题的弊端在中美经贸摩擦中充分显露，若不改变难以支撑实体经济供给体系质量提升。为观察基础研究和应用研究分别对工业TFP的影响机制，本文基于有限分布滞后模型，运用1998-2017年中国省级面板数据，实证检验了二者在不同滞后期设定下对工业TFP的影响。实证结果显示：(1)从即期或较短的滞后期来看，应用研究的资本存量对工业TFP提升的作用更为直接，其增进效应强于基础研究；(2)设定的滞后期越长，基础研究和应用研究对工业TFP的增进作用就越明显，也就是说无论哪一类型研究投入，其长期效应强于短期效应，而且基础研究的长期效应更为突出；(3)基础研究资本存量与应用研究资本存量的交互项在较长的滞后期下显著为正，这说明了基础研究对工业TFP的长期贡献，一部分是借助知识积累和应用型转化的过程而实现的；(4)在东部省份样本组中，基础研究对工业TFP的长期贡献最明显，其知识积累效应的表现也优于中西部地区。
根据本文研究，中国基础研究对工业高质量发展的促进作用已开始凸显，其长期作用日益值得重视。若不抓住新一轮科技革命机遇，强化基础研究，实现前瞻性基础研究、引领性原创成果重大突破，则可能在长期的全球科技竞争中失速，面对美国等发动的经贸摩擦容易处于不利地位，阻碍以实体经济为主的现代化经济体系的构建。党的十九大报告提出“要瞄准世界科技前沿，强化基础研究，实现前瞻性基础研究、引领性原创成果重大突破”；2018年1月国务院发布了《关于全面加强基础科学研究的若干意见》；2019年7月科技部等四部门联合制定了《关于加强数学科学研究工作方案》。可见，我国政府在制定科研管理方案和创新政策基础时，已充分认识到科学研究是建设创新型国家和世界科技强国的基础这一基本规律。为进一步加强基础科学研究、提升原始创新能力、实现创新引领发展，我国政府、产业部门及科研机构还应注重优化基础研究的投入模式和创新主体，注重结构调整和资源优化配置等方面的制度设计与政策落实，以促进基础研究积累与转化，具体如下：
第一，进一步加大对基础研究的各级财政投入，同步推进“长期稳定支持”和“竞争性支持”并提升二者的搭配协调度，探索实施中央和地方共同出资、共同组织国家重大基础研究任务的新机制，构建成熟的基础研究多元化投入体系。第二，扩大高等学校、科研院所、科学家团队的学术自主权和科研课题选择权，为基础研究的研究周期和成果转化周期提供更大的自由度，扩大数学等理论学科的研究生招生规模，适度提高理论学科的人才引进比重和资助力度。第三，构建先进应用技术对基础研究和理论探索的“反哺”机制，引领市场主体参与跨学科、大协同的创新攻关和国家实验室建设，在加强基础研究创新基地建设的过程中注重发挥企业的创新主体作用，注重吸收商用技术和国际前沿科技成果，支持基础研究主体与工业企业之间构建起需求表达、成果转移和知识双向扩散的有效渠道，推动基础研究、应用研究与产业化对接融通。第四，结合不同地区工业绩效对基础—应用研究的弹性差异，强化、优化基础研究系统部署，把基础研究投入优先配置到成果转化条件好、国际创新合作机会多、基础研究人才密集地区，鼓励人才在高校及科研院所与创新型企业双向流动的同时，推动人才在区域间的自由流动和优化配置，激励应用型研发人员随产业梯度转移配置到中西部地区，为战略科技人才、科技领军人才、中青年基础研究人才及与基础研究紧密相关的实验技术人才提供优厚待遇和广阔发展空间。
本文虽然侧重讨论了基础研究作用于工业生产的滞后性和持续性，并给出了严谨的经验证据，但是暂时没有考虑相关制度变量的调节效应。由于内容抽象性特征，基础科学成果对成果转化和人才供给有更高的要求，围绕基础研究的产学研合作平台和鼓励高校研究人员双创的机制，已经日益受到重视，这些制度因素若能得到量化，并纳入实证分析，将更深刻地揭示基础研究、应用研究与工业TFP的关系。
参考文献
[1]WORLD BANK. Korea as a knowledge economy: evolutionary process and lessons learned overview:World Bank Working Paper [R].[S.l.:s.n.], 2006.
[2]孙早, 许薛璐. 前沿技术差距与科学研究的创新效应——基础研究与应用研究谁扮演了更重要的角色[J]. 中国工业经济, 2017(3): 5-23.
[3]ZHUANG J, VANDENGERG P, HUANG Y, et al. Growing beyond the low-cost advantage: how the People’s Republic of China can avoid the middle-income trap [C]. [S. l.]: Asian Development Bank(ADB), 2012.
[4]LUCAS R E. On the mechanics of economic development [J]. Journal of Monetary Economics, 1988, 22(1):3-42.
[5]ROMER P. Endogenous technological change [J]. Journal of Political Economy, 1990, 98(5):71-102.
[6]范剑勇,冯猛,李方文. 产业集聚与企业全要素生产率[J]. 世界经济, 2014(5):51-73.
[7]GROSSMAN G M, HELPMAN E. Quality ladders in the theory of growth [J]. Review of Economic Studies, 1991, 58(1):43-61.
[8]AGHION P, HOWITT P. Competition, imitation and growth with step-by-step innovation [J]. Review of Economic Studies, 2001, 68(3): 467-492.
[9]HALL B H, LOTTI F, MAIRESSE J. Evidence on the impact of R&D and ICT investments on innovation and productivity in Italian firms [J]. Economics of Innovation & New Technology, 2013, 22(3): 300-328.
[10]吴延兵. R&D与生产率——基于中国制造业的实证研究[J]. 经济研究，2006(11)：60-70.
[11]吕大国，沈坤荣. 研发选择、市场拓展与生产率提升——出口企业的转型策略选择与绩效研究[J]. 国际经贸探索, 2016, 32(4):4-21.
[12]COE D T, HELPMAN E. International R&D spillovers [J]. European Economic Review, 1995, 39(5):859-887.
[13]蒋殿春,王晓娆. 中国R&D结构对生产率影响的比较分析[J]. 南开经济研究, 2015(2):59-73.
[14]PARK W G. A theoretical model of government research and growth [J]. Journal of Economic Behavior & Organization, 1998,34(1):69-85.
[15]PRETTNER K, WERNER K. Why it pays off to pay us well: the impact of basic research on economic growth and welfare [J]. Research Policy, 2016, 45(5):1075-1090.
[16]杨立岩，潘慧峰. 人力资本、基础研究与经济增长[J].经济研究，2003(4):72-78.
[17]LUINTEL K B, KHAN M. Basic, applied and experimental knowledge and productivity: further evidence [J]. Economics Letters, 2011, 111(1):71-74.
[18]TOOLE A A. The impact of public basic research on industrial innovation:evidence from the pharmaceutical industry [J]. Research Policy, 2012,41(1):1-12.
[19]UFUK A, DOUGLAS H, BENIGNO S V N A. Back to basics: basic research spillovers, innovation policy and growth [J]. SSRN Electronic Journal, 2013.
[20]严成樑,龚六堂. R&D规模、R&D结构与经济增长[J]. 南开经济研究, 2013(2):3-19.
[21]陈钰芬, 黄娟, 王洪刊. 不同类型研发活动如何影响TFP？——基于2000-2010年我国省际面板数据的实证[J]. 科学学研究, 2013(10):1512-1521.
[22]杨玲，许传龙. 分类型研发投资对TFP的影响——基于长江经济带11省市的实证分析[J].云南财经大学学报，2016(1)：72-80.
[23]COHEN W M, LEVINTHAL A. Innovation and learning: the two faces of R& D [J]. Economic Journal, 1989, 99(397):569-596.
[24]MARTINEZ-SENRA A I, QUINTAS M A, SARTAL A, et al. How can firms’ basic research turn into product innovation? The role of absorptive capacity and industry appropriability [J]. IEEE Transactions on Engineering Management, 2015, 62(2):1-12.
[25]GRILICHES Z. Productivity, R&D, and basic research at the firm level in the 1970’s [J]. American Economic Review, 1986, 76(1):141-154.
[26]陈雁,张海丰.专利保护强度与发展中国家的技术创新:理论、历史与逻辑[J].管理学刊,2018,31(4):10-16.
[27]BATTESE G E, COELLI T J. Frontier production functions, technical efficiency and panel data: with application to paddy farmers in India [J]. Journal of Productivity Analysis, 1992, 3(1-2):153-169.
[28]张军, 陈诗一, Gary H. Jefferson. 结构改革与中国工业增长[J]. 经济研究, 2009(7):4-20.
[29]刘秉镰,武鹏,刘玉海. 交通基础设施与中国TFP增长——基于省域数据的空间面板计量分析[J]. 中国工业经济, 2010(3):54-64.
[30]朱有为,徐康宁. 中国高技术产业研发效率的实证研究[J]. 中国工业经济, 2006(11):38-45.