一、引言和文献回顾 企业R&D投入的回报有多大?张海洋(2005)运用中国1999-2002年34个制造业行业的面板数据研究发现，R&D投入对生产率的作用不显著，甚至为负，进而认为R&D投入对企业生产率的提高并没有明显作用。Hu等(2005)运用中国1995-1999年每年约10000个大中型制造企业数据研究发现，R&D投入产出弹性为0.027-0.029，进一步分解为高科技企业和非高科技企业，发现后者的R&D投入对生产率并没有显著影响。Jefferson等(2006)利用中国1997-1999年5451个大中型制造企业面板数据研究发现，R&D投入产出弹性约为0.24；然而使用工具变量法时R&D投入的产出弹性却变为-0.045。李小平和朱钟棣(2006)运用1998-2003年32个制造业行业的面板数据研究发现，R&D投入对行业技术进步、技术效率和全要素生产率的增长起阻碍作用。吴延兵(2006)运用中国2002年537个四位数制造业行业数据进行研究，得到了R&D投入对生产率有显著的促进作用的结论。不过在含有中间投入的生产函数中，R&D投入的产出弹性只有0.01-0.02。周亚虹等(2012)根据全部国有和规模以上非国有工业企业数据库中2005-2007年的企业累积R&D投入量构建了知识资本存量，对2007年的生产函数进行简单OLS回归，所得到的R&D投入的产出弹性为0.02，使用工具变量的回归结果为0.04-0.06。对其他国家R&D投入回报的估计也得到类似的结论。例如，Griliches(1979)最早估计了美国制造业的R&D投入产出弹性在0.07左右；Griffith和Reenen(2006)对英国的估计结果在0.03左右。偏低甚至为负的R&D投入回报，似乎指向一个结论：R&D投入对企业发展来说无关紧要。然而，经济增长理论却赋予企业R&D投入十分重要的意义，甚至认为它是增长的发动机(Romer，1990)。本文称这个理论与经验证据间的鲜明对照为“R&D投入回报之谜”。 R&D投入回报的不确定性、非线性和企业异质性是理解“R&D投入回报之谜”的关键环节。一方面，即使平均而言R&D投入的回报并不高，但由于存在企业异质性，不排除某些企业在特定情况下R&D投入存在高额的回报，这能够为这些企业进行R&D投入提供充分的激励。另一方面，R&D投入的直接成果，即新工艺和新产品具有很强的非竞争性，对于整个行业甚至经济具有很强的外溢作用。个别企业由高额预期回报驱动的R&D活动，可能获得行业生产技术和产品方面的重大突破，甚至可以成为推动整个经济增长的重要动力(Aghion和Howitt，1992)。因此，只要R&D投入回报具有较强的企业异质性，即使平均而言R&D投入的回报并没有很高的吸引力，但也不妨碍R&D投入在宏观上对于整个经济增长具有重要意义。 然而，评估R&D投入回报的标准模型——Griliches(1979)的知识资本模型，没有考虑不确定性、非线性和企业异质性。Griliches(1979)提出在生产函数中引入技术知识当前状态的测度，它取决于企业当前和过去的R&D投入即知识资本。知识资本作为与资本和劳动对应的另一生产要素，其产出弹性可以度量R&D投入的产出回报。经验研究中一般运用永续盘存法，根据企业各年R&D支出流量序列构建出知识资本存量的代理变量，然后运用双对数模型回归出生产函数中各要素的产出弹性系数。Griliches提供了可操作的工具，随后沿着这一思路考察R&D投入回报的文献大量涌现，并且Mairesse和Sassenou(1991)、Griliches(1995、1998)、Hall等(2010)对此作了比较全面的综述。知识资本模型目前仍然是评估R&D投入产出绩效的主要工具，国内也有一些研究运用这一方法(吴延兵，2006；陆国庆，2011；周亚虹等，2012)。很明显，在知识资本模型中，R&D投入的产出弹性如同生产函数的其他参数，在构建上，行业内所有企业都是相同的。因此，如果两个企业的R&D投入序列相同，其对产出绩效的效应必然完全一样。可见知识资本框架很难令人满意地处理R&D投入回报的不确定性、非线性和企业异质性问题。 评估R&D投入产出绩效的另一常见做法是先估计企业生产率，然后用R&D投入(加上其他控制变量)对其进行回归。①其中估计生产率的方法除了生产函数回归(Solow剩余)外，还包括数据包络方法(DEA)、随机前沿方法(SFA)和指数方法。如张海洋(2005)、李小平和朱钟棣(2006)均使用基于DEA的Malmquist生产率测度。这种方法在第一步估计生产率时没有充分考虑随机因素和不确定性，第二步回归在设定上假定R&D投入的产出(生产率)弹性对于所有企业都是同质的，从而仍然没有充分处理R&D投入回报的不确定性、非线性和企业异质性问题。而且，这种两步法需要应对明显的内生性挑战：R&D投入与生产率可能互为因果、可能存在同时影响两者的不可观测因素。宗庆庆等人(2013)、毛德凤等人(2013)尝试运用政策评估中的广义倾向得分匹配方法(PSM)估计R&D投入对生产率的处理效应。这仍然需要假定R&D投入和生产率间的确定性关系。 本文借鉴Aw等(2011)以及Doraszelski和Jaumandreu(2013)的思路，将R&D投入引入企业生产率演化的马尔科夫过程，从而使其对生产率的分布产生影响，进而建立结构模型正式考虑R&D投入回报的不确定性、非线性和企业异质性问题。在他们模型的基础上，我们进行了改进，明确考虑了溢价的企业异质性，并明确处理了影响企业需求的因素。正如Klette和Griliches(1996)所指出的，不完全竞争环境下企业层面的价格还受到需求方面因素的影响，用行业水平的价格指数平减企业销售收入作为产出的代理指标，会将企业的需求异质性引入生产率估计方程，从而造成生产函数参数与生产率估计的严重偏误。②考虑到不完全竞争环境是最近生产率文献的一个热点。例如，De Loecker(2011)在分析比利时纺织品市场贸易保护的下降对企业生产率的影响时，同时考虑了生产率异质性和需求异质性。De Loecker和Warzynski(2012)在分析溢价与企业出口行为间的关系时，其使用企业层面数据估计溢价的方法就是建立在不完全竞争企业短期成本最小化的基础之上。我们也将Olley和Pakes(1996)、Levinsohn和Petrin(2003)以及Ackerberg等(2006)的企业生产率结构估计思路扩展到不完全竞争环境下，同时考虑企业需求的异质性。
