下载掌阅APP，畅读海量书库
立即打开
要发挥创新对经济增长的驱动作用，关键是提高微观主体的创新绩效。根据创新的阶段性和过程性特征，对创新投入产出的效率分析就成为创新绩效评估的重要内容。基于Griliches（1979）提出的知识生产函数理论研究框架，作为创新投入的R＆D投资可以通过增加知识存量，促进创新产出，最终通过提高生产率促进产出。此外，关于创新投入产出效率的测算包括在具有具体生产函数情况下的随机前沿分析（SFA）方法，以及在具有多种投入和多种产出（Wang and Huang，2007）下的研发投资效率测算。以上这些方法都是将创新生产过程视为“黑箱”，无法揭示企业创新过程的多阶段性（Hage and Hollingsworth，2000）。Griliches（1990）较早地使用创新投入产出的多方程模型改进了对创新过程的绩效评价，此后，多方程模型受到较多的应用和改进。最具有代表性的模型是Crepon、Duguet和Mairesse（1998）提出的四方程非线性递归系统，也称为CDM模型。其包括：第一个方程为研发投入决策方程；第二个方程为研发强度函数，即创新投入的影响因素模型；第三个方程为创新方程，可以分为专利函数和创新收入函数；第四个方程为生产率函数，原模型推荐采用渐进最小二乘法对以上模型进行估计。CDM模型通过分析创新过程的各个阶段完善了Griliches（1979）的框架。由于CDM模型证明了R＆D投资增加了创新产出，而创新产出又促进了企业生产率的提升，并且在技术层面通过对企业是否参与创新活动的选择进行建模，纠正了研发和创新产出的内生性。在过去的20年中，CDM模型成为分析R＆D投资，创新成果（如新产品推出和专利）与生产率之间关系的大量经验文献的基础（Lööf et al.，2017）。学者们所研究的样本遍布全球，如使用欧洲企业创新调查数据（CIS）对欧洲国家制造业企业的研究、亚洲国家企业以及拉丁美洲国家企业的研究（Lee and Kang，2007；Raffo et al.，2007）。Wadho和Chaudhry（2018）使用巴基斯坦企业调查数据，发现创新使得人均创新销售额增长10%，劳动生产率和劳动生产率增长率提高10%以上。Morris（2018）使用世界银行多国制造业和服务业企业调查面板数据，发现企业研发、资本强度和人力资本影响产品和流程创新，进而显著地提高了生产率。并且，在研究方法、对象、模型上，许多学者对CDM模型进行拓展，如Baumann和Kritikos（2016）使用人均R＆D投入估计值取代实际值估计创新方程，以创新产出概率值取代创新产出实际值估计生产率函数。还有学者（Raymond et al.，2015）针对CDM模型，在创新过程中考虑了产出对创新的反作用。
本章的目标是在企业层面估计创新决策以及创新产出的预期回报。CDM模型不仅需要考虑选择性偏差，还需要考虑解释变量的内生性问题以及在创新方程中的被解释变量异质性问题，最适宜的估计方法是使用微观企业截面或面板数据，通过控制个体效应，一定程度上减小估计偏差。本章结合我国典型自主创新示范区内技术型企业面板数据，结合两阶段最小二乘法（Two Stageleast Square，2SLS）并利用CDM模型评估企业创新绩效，探讨以下问题：（1）哪些因素影响企业参与创新的决定？企业内部特征（规模、年龄、类型、出口、竞争情况等）还是外部政策和金融支持使其更易于投资于创新？这些不同的属性是否同时决定了企业创新的投入量？（2）企业的创新投入是否进行了知识转化？投资于创新的企业是否创新成果更多，或者获得了更高的商业化绩效？哪些因素会影响知识转化？（3）具有更高创新产出的企业是否生产率更高？
使用我国企业或产业数据对CDM模型进行检验的研究较早见于Hu（2001），作者对比了中国企业中政府研发、私人研发和生产率之间的关系。Jefferson等（2006）运用增加了利润方程的CDM模型分析了2万多家大中型企业的创新状况，发现新产品销售收入代表的创新产出可以解释12%的利润回报，企业对R＆D的投入带来的回报远高于固定资产投资的回报。Feng等（2008）和Guo Dan bo（2008）运用CDM模型，使用国家统计局行业数据，分别研究了中国的纺织行业和医药行业的创新与绩效之间的关系。王小童、高昌林（2009）使用2007年国家统计局河北开发区统计数据，构建包括创新决策方程和一个创新强度方程、知识生产方程和企业绩效方程的方程组。吴延兵（2012）在CDM模型的基础上，考虑创新投入、创新中间产出及最终产出的内生性，构建了由3个联立方程模型构成的循环结构模型，分析比较不同产业的创新绩效。吴翌琳、谷彬（2012）构建企业创新系统的三阶段递推CDM模型，以北京市海淀区638家企业数据为样本，使用三阶段回归方程进行分析。周芳（2014）使用北京市制造业企业数据和CDM模型原估计方法（渐进最小二乘法），发现内部R＆D通过激励新产品产出，促进了生产率的提升。王利（2015）也使用中国工业企业数据实证检验了CDM模型。刘和旺等（2015）则将联立方程组形式的循环CDM模型推广到大样本微观数据（2001—2007年中国工业企业数据库），并被认为是第一篇基于大样本微观数据和CDM（结构）模型全面考察中国国有企业、民营企业在创新投入、产出和企业绩效等方面的差异的文献。王娟（2017）利用世界银行企业调查数据和扩展的CDM模型，通过创新投入的决定因素、创新的生产函数和生产率方程三阶段实证检验了信息与通信技术（Information and Communication Technology，ICT）对中国劳动生产率的影响。以上的研究中使用不同的数据，对CDM模型进行实证分析，检验中国企业创新和生产率的关系。但目前尚没有针对科技企业创新和生产率的研究，本章尝试将CDM模型框架引入科技企业。
创新决策是企业创新活动的第一步，企业的创新决策包括两个方面：决定是否进行创新项目的投资以及投入多少。与普通投资不同的是，创新活动具有投资大、周期长、风险高以及正外部性等特点（李汇东等，2013）。现有文献主要从创新资源及创新意愿两大维度对企业创新的影响因素展开研究。从市场机制的角度来看，企业的研发和创新行为一方面受产品市场竞争的影响，另一方面金融市场及其发展有助于降低企业融资和交易成本并促进创新。根据开放式创新思想（Chesbrough，2003），创新投入的前提是要进行知识生产，知识可以来源于内部知识积累，也可以通过“用中学”“干中学”以及正式或非正式的创新网络等途径获得外部知识。因此，从多个角度来看，企业的创新决策不仅取决于内部资源，还取决于外部资源获取能力。
根据融资优序理论，企业在进行融资时，应遵循内部融资、债务融资、股权融资的顺序。由于企业创新投入主要表现为研发人员（科学家和工程师）的工资，因此，融资成本低的内部融资就成为创新项目融资的主要途径。企业可以使用当前现金流量、保留的过去收益和借款对研发进行融资。但是，创新产品非竞争性和部分排他性的特征，又导致内部研发投入难以达到最优水平。同时，在创新项目初期企业往往难以有较高的盈利，难以产生留存收益，导致仅通过内部融资（注册资本、企业现金流和盈余积累等）难以维持企业高额的研发费用。因此，企业通过寻求外部创新资源进行创新活动：第一种情况是企业通过技术引进或合作开发。技术引进可以包括企业从境外引进先进技术的活动，也可以包括企业从境内其他单位引进先进技术的活动。合作开发指的是企业委托境内外高等院校、科研院所或者企业进行的研发活动；技术的合作开发一般包括企业委托大学或科研院所进行的研发活动。第二种情况是企业通过与风险投资机构、银行、政府等部门的合作，获得创新活动所需要的资金支持。第三种情况是企业的出口活动。出口企业通过学习出口市场先进的技术和产品设计以及组织管理方式，或引进先进的生产设备等，进而促进国内创新活动和生产率水平的提高（Damijan et al.，2010）。
由此提出假设H1：企业创新决策不仅受到内部资源的影响，而且受到外部资源获取的影响。
企业创新是一个学习知识、积累知识和创造知识的知识生产和运用的过程。知识生产本身就是一个复杂的过程。通过知识获取活动，企业所形成的知识资本以创新投入的形式进行创新生产方程。通过知识转化过程将知识转化为创新产出。创新产出包括技术产出和经济产出。一方面，企业创新活动的产出是新的知识，而知识是无形的，只能通过专利、软件著作权等科技成果以及新产品等载体的形式体现出来。很多的研究发现专利活动与创新投入之间存在积极联系（Marisa and Knut，2018）。在我国，技术创新产出不仅受到创新投入的影响，还受到政府知识产权激励政策的影响。2008年国家知识产权战略实施后，各级地方政府通过向企业和科研院所提供专利费用或者对专利申请人进行物质奖励的方式支持创新，但是只有能完成政府计划的企业才能获取这些政策支持。这导致企业追求数量上、形式上的短期创新，表现为企业专利数量的激增（Li，2012；Dang and Motohashi，2015）。另一方面，创新投入也促进了经济产出，Chun等（2015）发现企业研发投入在技术创新和商业化推广阶段的作用，即研发投资通过对新技术、新产品的开发向市场推出新服务或新产品（Freeman and Soete，1997），以获取经济回报。Cohen和Levinthal（1989）、Coe和Helpman（1995）、Yang和Chen（2012）研究了研发投资对企业生产率和销售额的影响。并且研发投资对销售增长和市场表现的影响表现出一致性（Fortune and Shelton，2014）。
由此提出假设H2：创新投入影响创新产出，政策支持也会影响创新产出。
Crespi和Zuniga（2012）的研究发现，创新型企业和非创新型企业之间的制造业部门生产率存在较大差距。因此，可以认为创新活动通过将无形知识转化为有形产出，从而促进生产率的提升。Hall（2011）使用CDM模型调查了25篇研究论文，并强调创新与生产率之间的正向关系主要归因于产品创新，认为创新通过提高资源利用效率促进创新企业形成可持续的竞争优势。创新对生产率的影响有多种渠道，包括研发投资通过增加对知识的吸收，新知识的产生可以刺激新部门的形成，以及生产的专业化，促进知识密集型产业发展。
由此提出假设H3：创新产出促进了生产率的提升。
为考察从技术创新决策到技术创新绩效这一全过程，参考CDM模型，构造包括创新决策方程在内的四方程模型。以企业是否进行创新投入作为判断企业创新决策的标准，使用两个方程Heckman选择模型分析企业创新的决定以及创新投入强度的影响因素；第三个方程描述知识生产过程，分析创新投入如何转化为创新产出；第四个方程则说明创新产出对生产率的影响。
创新投入强度的决定方程：
由于只有创新投入的企业该变量才有取值，因此，在估计研发强度的决定方程前使用Heckman选择模型对企业的创新决策进行分析：
其中， st _ d it 为企业创新投入决策，当企业当期研发投入大于0时，取值为1； X jit 代表变量向量，解释企业创新决策； μ 0 i 表示不可观测的企业异质性因素； λ 0 t 表示时间效应； ε 0 it 为误差项。在公司 i 决定进行创新投入的条件下，估算创新投入强度的方程式如下：
其中，
反映创新投入强度的未观察到的潜在变量，
X
jit
是解释变量。
时，可观测到的
st
_
d
it
取值为1，
st
it
为创新投入强度。在假设误差项满足零均值和解释变量外生的情况下，对方程（5.2）和方程（5.3）使用Heckman两步样本选择模型进行估计。
用知识生产函数描述知识生产过程，其中创新产出取决于创新投入和其他解释变量，包括创新决策方程中得出的逆米尔斯比率，用以控制选择偏差。
其中，
output
jit
中令
j
=1、2，
output
1
it
为创新技术产出，表示企业获得专利申请或者软件著作权等科技成果；
output
2
it
表示创新经济产出，表示企业新产品或技术的商业化。如果存在与创新决策（第一阶段）和知识生产相关（第二阶段）的无法观察到的特征，就会导致内生性问题，内生性意味着
与
ε
2
it
相关，将导致
β
2
j
的估计偏差。为校正解释变量的内生性问题，一种方法是以创新投入强度的预测值
为解释变量，在CDM模型中，将
定义为以潜变量表示的创新努力，由于并不是所有创新活动的企业都有创新投入，但样本中78%的企业汇报有创新活动，说明企业都作出过创新努力，在
独立于
ε
2
it
的假设下，使用预测的创新投入强度校正可能的内生性，以解释企业获得创新产出的可能性。另一种方法是使用两阶段最小二乘法，找到内生解释变量创新投入的工具变量。Morris（2018）选择使用创新投入强度回归方程的残差项作为创新投入的工具变量，该工具变量满足与解释变量相关，且与被解释变量不直接相关的特征。
Controls
it
为其他影响创新产出的变量，包括从第一阶段开始的逆米尔斯比率，以控制选择偏差。
ε
2
it
为残差项，均值为0，标准差为常数，且与解释变量不相关。
μ
2
i
表示不可观测的企业异质性因素。
λ
2
t
表示时间效应。
通过扩展的生产函数模型模拟知识产出对企业生产率的影响。方程表示如下：
其中，
y
it
为生产率，用营业收入除以员工数目表示；
中令
j
=1、2，其中
为技术产出，
为经济产出；
Z
jit
为影响企业生产率的企业解释变量；
μ
3
i
表示不可观测的企业异质性因素；
λ
3
t
表示时间效应；
ε
3
it
为残差项，均值为0，标准差为常数，且与解释变量不相关。为解决解释变量的内生性问题，仍然使用两种方法：一种是使用方程（5.4）中被解释变量的预测值；使用该种方法估计方程（5.4）以及方程（5.5）时，经常使用三阶段最小二乘方法（3SLS）。由于本章所设置的创新产出的代理变量不止一种，导致难以使用联立方程模型。因此，另一种是使用两阶段最小二乘法，使用方程（5.4）的残差作为方程（5.5）内生解释变量的工具变量。
参考Hall（2006）、周芳等（2014）采用科技活动经费支出
来测度创新投入的思路。具体包括以下内容：（1）企业内部科技活动经费；（2）使用来自政府部门的科技活动资金进行的科技活动支出；（3）委托外单位开展科技活动的经费支出。
如果一家公司有以下任何一项科技活动，则认为企业进行了创新决策：（1）企业内部科技活动；（2）使用来自政府部门的资金进行科技活动；（3）委托外单位开展科技活动。
影响创新决策的因素包括：公司特征（规模、年龄、员工的受教育程度、是否亏损，是否高新技术企业、所属行业，是否出口企业）；产品多样性、市场竞争程度；政策支持；技术引进；外部融资。具体而言：
（1）大规模企业更适合于产品创新所需的大量固定成本及资本投入，中小型企业则缺乏财务资源，因而同时会影响创新决策和创新投入强度。
（2）企业年龄：熊彼特（1990）主张，新进入者是新颖和技术上优越的产品和工艺的重要来源，这使得年轻的公司比年老的公司更有可能进行创新。但企业成立时间可以代表过去生产经营中获取的经验及知识累积，因此，也有可能成立时间长的企业更易于创新。
（3）员工受教育程度：增长理论认为，人力资本（教育）提高了创新能力，并促进了新技术的采用。
（4）出口企业更有可能在国际市场上遇到更激烈的竞争。出口有利于获取更多的产品和技术信息，有利于企业创新决策。
（5）考虑到创新活动的高风险性，创新企业与外部资金获取者之间的信息不对称，企业倾向于选择成本较低的创新活动，更依赖于内部资金渠道，如企业现金流、留存收益进行创新型投入。
（6）获得高新技术企业认证的企业，其创新努力更为突出。
（7）企业所属的产业类型：每个产业所具有的技术机会仍然不同，表现在不同创新知识获取活动的参与不同或创新产出的表现不同。
（8）产品多样性：使用企业主营业务收入占比表示，产品/服务多样化，说明企业在不断地开发新产品/服务，而产品/服务多样化程度较低的公司可能并不愿意对创新进行投资。
（9）市场竞争程度：企业创新的目的在于获得垄断利润，当产业集中度较高时，说明市场垄断程度高，存在进入壁垒，企业可能会通过创新维持其垄断地位。当产业集中度较低时，创新成果较容易受到模仿。引入产业集中度来衡量市场竞争程度。
（10）研发加计扣除政策、补贴能够通过降低创新活动的短期或长期成本来激发企业创新的积极性。
（11）技术引进与企业科技活动之间可能存在替代或者互补的关系。
（12）外部资金：包括企业获得的商业银行贷款、企业通过资本市场获得的资金支持。无论企业通过债权融资还是股权融资，资金供给方会对资金的用途进行限制，尤其是公开上市的企业，需要定期披露企业投融资信息，会对企业的经营形成制约，从而影响创新决策。
使用专利等科技成果衡量企业创新的技术产出。“专利”主要是指专利权人对某一项发明创造所拥有的独享权益。日常生活中人们所说的专利又指新发明或者新技术。本章的专利采取两个维度的含义：既指新发明专有的独占权益，也就是专利权；又指取得专利权的新发明或新技术。以专利产出作为技术成果时，选用专利申请数而不采用专利授权数，主要原因是一项专利从申请到获得批准需要1～2年时间，并且专利是否授权也会受到专利机构工作效率和偏好等因素的影响。技术创新产出（数量）=企业当年获得的软件著作权+专利申请量+集成电路布图数量；并区分技术创新产出的数量和质量指标，根据2016年《高新技术企业认定管理工作指引》，发明专利和集成电路布图设计专有权作为第Ⅰ类质量的知识产出，本章选择更能代表专利目前以及未来价值的有效专利和集成电路布图设计作为技术创新产出的质量指标，即技术创新产出（质量）=有效专利数+集成电路布图。由于缺乏专利维持时间的数据，但是对于已授权的专利，专利权人通过缴纳年费以维持专利权的有效性，故有效专利的存在说明其尚在专利维持时间内，因此，选取有效专利指标与专利维持时间有相同的代表高质量专利的作用。
同时，使用创新收入（新产品销售收入+技术开发收入+系统集成收入+专利所有权转让及许可收入）衡量创新的经济产出。
影响创新产出的主要因素：（1）创新投入强度；（2）企业特征（规模、年龄、员工的受教育程度、技术引进、产品多样性）；（3）科技活动人员占比；（4）政策支持：税收减免额、财政补贴。
用每个工人产出的自然对数表示劳动生产率的影响因素：创新产出，固定资产投入，人力资本，企业规模。
采用中关村国家自主创新示范区企业2005—2015年调查数据。作为国内重点的高新技术产业园区，中关村内的企业均属国家重点支持的科技产业，包括电子与信息、核应用技术、生物工程和新医药、新材料及应用技术、先进制造技术、航空航天技术、现代农业技术、新能源与高效节能技术、环境保护技术、海洋工程技术等，这些产业也是风险投资重点支持的产业类型。数据集涵盖了各个年龄、规模和行业的科技型企业，涵盖了有或没有创新活动的企业。
为剔除异常值的影响，对数据进行如下清理：（1）删除某一样本中没有任何创新活动的观测值；（2）删除不符合逻辑关系的样本值，比如新产品销售收入大于总收入，固定资产大于总资产；（3）剔除总资产、销售收入、实收资本为零或负数的样本；（4）为了消除极端值的影响，对连续变量在1%和99%的水平上进行Winsorize处理。变量定义及描述性统计分析如表5-1所示。
表5-1 变量定义及描述性统计分析
续表
注：创新收入=新产品销售收入+技术开发收入+系统集成收入+专利所有权转让及许可收入。
创新活动指的是，企业至少存在下列行为中的一种：（1）企业内部科技活动；（2）使用来自政府部门资金进行科技活动；（3）购买技术及消化吸收；（4）委托外单位开展科技活动；（5）购买或许可任何专利或非专利发明；（6）开发创新产品/服务。构造一个虚拟变量“创新活动”，如果至少一个“是”，则该变量的值等于1，否则为0。从描述性统计可以看出，有78%的观测值至少有一种创新活动，70%的观测值进行创新决策。25%的观测值为工业企业，63.6%的观测值为服务业企业，主要为电子信息产业。
Heckman样本选择模型的设定包括结果方程和选择方程，在本章的研究中，结果方程是创新投入强度方程，而选择方程是企业创新决策方程。对于选择方程和结果方程都需要指定解释变量。选择方程的设定涉及具体的识别问题。例如，如果Probit模型中非线性关系较弱则模型不好识别。由于这个原因，在实证分析中通常的做法是寻找排除性约束。也就是寻找那些对选择变量产生重要影响但不会对结果变量造成直接影响的变量。为了正确识别模型，创新决策和创新投入方程的解释变量并不相同，参考Morris（2018）的研究，在创新决策方程中加入企业是否有出口行为以及获得商业贷款额，两个变量可以对企业的经营决策进行约束而影响创新决策。
表5-2列出了创新决策的主要结果。系数为在样本均值上的边际效应，该边际效应是企业是否投资于创新以及投资多少。似然比检验结果显示，拒绝 ρ =0的原假设，说明选择方程和结果方程的扰动（Rho）之间的相关系数是负的且显著。因此，样本选择模型是有效性的。在选择的排除性约束条件中：无论是工业企业还是科技服务业企业，获得银行贷款或者出口的企业都有更大的可能性投资于创新。
表5-2 创新决策结果方程
续表
注：括号内为 t 统计量， * 表示 p ＜0.1， ** 表示 p ＜0.05， *** 表示 p ＜0.01，模型控制了行业和时间固定效应，并使用以企业为聚类的稳健标准误。下述回归结果相同。
同时影响创新决策和创新投入强度的解释变量中：规模越大的企业更有可能进行创新投资，但创新投资强度较低。增加具有本科学历的员工比例与投资创新的决定以及他们投资创新的强度呈正相关关系。亏损的企业不愿意进行创新投资，并且投资强度也较低。高新技术企业无论是投资意愿还是投资能力都较高；研发加计扣除政策、财政补贴以及股权融资均同时影响企业的创新决策和创新投资强度。这与Crespi和Zuniga（2012）对发展中国家的研究结论一致，说明对于创新活动的财政补贴被用于预定目的。同时，企业的技术引进促进了创新投资意愿和创新投资强度，与企业自主创新形成互补。
一些影响制造业创新投资强度的变量与对服务业的影响有差异：企业的年龄与创新投资决策没有显著性关系，但是年轻的科技服务业企业创新投资强度更高，而年轻的工业企业创新的投资强度更低。这说明科技服务业创新的进入门槛相对较低，新进入的企业可以迅速进行创新活动。产品多样化程度越低的科技服务业企业，越愿意进行创新决策；而产品多样化程度越高的工业企业，其创新投资强度越低。产业集中度越高的工业企业，投资创新的可能性越低；与Wadho和Chaudhry（2018）的结论一致，即熊彼特式的竞争对创新决策具有负面影响。这说明在产业中具有绝对垄断地位的工业企业，更不容易进行创新。
如表5-3所示，从回归结果可以看出，创新投入强度（每名员工在科技活动上的投资）与创新产出之间存在显著的正相关关系，尤其是创新科技投入促进了技术创新以及新产品开发。创新投入强度提高10%意味着企业进行技术创新产出的概率平均提高0.6%；进行新产品开发的概率平均提高2.6%，但是创新投入对技术服务开发没有显著的影响，与Wadho和Chaudhry（2018）的结论一致。因此，企业的科技活动是企业创新投入的主要形式，并且以获得商业化回报为主要目的。以上结果说明：创新产出取决于创新投入，尤其是创新收入受到创新投入的影响，由于创新科技投入不仅包括研发投入，还包括R＆D成果应用和科技服务活动的投入，而研发成果应用活动的主要目的就是促进研发成果的商业化。
其他解释变量中，规模大、科技人员占比较高的企业获得创新产出的概率较高，无论是技术产出还是经济产出；初创企业更容易进行低质量的技术创新和新技术（服务）开发；本科以上员工比重越高，企业越容易进行新技术（服务）的开发；企业的技术引进及消化吸收促进了技术创新产出，而对新产品和新技术开发没有影响，说明样本企业倾向于技术引进而弱化了对技术的消化吸收再创新。同时，与减税促进了所有类型的创新相比，财政补贴促进了低质量的技术创新和新产品及新技术（服务）开发，但无法激励高质量技术创新产出。同时可以发现，高新技术企业进行低质量技术创新和新技术（服务）开发的倾向更大。
表5-3 创新投入对创新产出（知识生产）的回归结果
注： * 表示 p ＜0.1， ** 表示 p ＜0.05， *** 表示 p ＜0.01。
结果表明，即使控制人均固定资本存量、就业和人力资本，创新经济产出对生产率的影响也是显著的。有新产品开发的企业比没有新产品开发的企业，生产率平均增加29.5%；进行新技术（服务）开发的企业，其生产率比没有新技术（服务）开发的企业平均高5%。但是，技术创新产出对生产率没有显著的正向影响，尤其是单纯进行技术创新的产业其生产率会下降，说明技术创新在转化为新产品、新技术方面仍然存在较大的不足，见表5-4。
表5-4 创新产出对生产率的影响
续表
在其他解释变量中，可以看到财政补贴降低了生产率，减税促进了生产率的提升。原因可能在于补贴与减税两种政策的实施成本不同。政府补贴根本上来自税收，补贴政策的实施依赖于征税，征税活动本身就需要付出成本，把征上来的税收一部分用于发放补贴又会发生实施成本。与补贴相比，减税更具公平性、合理性，更符合市场规则，实施成本也更低。减税既能达到补贴的效果，又不会出现补贴引发的成本。同时，与大规模企业相比，中小规模企业的生产率更高。
本章的主要目的是使用CDM框架检验创新对中关村科技企业生产率的影响。实证结果显示：企业的创新投入和人力资本在知识生产，促进技术创新产出中至关重要，将知识产出成果分为技术产出和经济产出，发现企业开发新产品和新技术的行为显著地提高了生产率；政策支持以及外部金融资源对创新活动的影响并不相同，其中，研发加计扣除政策、财政补贴以及企业通过股权融资（公开上市、接受风险投资或者大股东增资）有助于促进其创新决策和提高创新投入强度，而债权融资只影响企业创新决策。因此，创新政策的制定应适应市场环境对创新的影响。财政补贴和减税政策虽然都对创新产出有积极影响，但难以激励企业产生高质量的技术创新成果。同时，与财政补贴相比，减税更有利于生产力的提升，因此，与直接的财政补贴相比，减税更有利于高质量技术创新产出的形成，以及生产率的提高。
其他影响创新产出的因素上，技术引进虽然与企业科技活动形成互补关系，但仅有助于企业技术创新数量的增加，对新产品、新技术的开发以及高质量的技术创新产出的影响不显著，由此可见，增加产学研合作有助于提高创新能力，而非技术引进。对研发和技术的投资提高了企业进行新产品开发的可能性，科技人员的投入则提高了企业进行新技术（服务）开发的可能性，主要为科技服务业企业（电子信息产业），该类企业不仅从事科技产品开发，更重要的是进行新技术开发。
本章的研究还证明，与技术创新产出相比，企业进行新产品或新技术开发有助于提高生产率，而以专利、软件著作权为代表的技术创新则难以促进企业生产率的提高。该结论也可以说明为什么专利数量世界第一、互联网用量世界第一、大学学历人才数量世界第一、论文数量和科技投入位居世界第二的中国，却没有拥有数量巨大的创新产品，且创新对经济的驱动力不强。其中的一个原因在于科技成果与市场需求的连接度不高。这不仅体现为技术创新产出的质量不高，还体现为无法展示其基础性和原创性。还有一个原因是科技成果转化的机制不畅。因此，未来要实现创新驱动型经济增长，不仅需要充分认识创新经济增长规律，也需要从中找到能实现更高创新价值、促进创新更有效转化为生产力的关键因素。
执笔：崔静静 程郁