基于VAR模型的地方财政科技投入与经济增长的实证分析

    摘 要：根据内生经济增长理论，采用广东省1978—2007年的时间序列数据，通过建立VAR模型、协整分析及格兰杰因果关系检验对广东省财政科技投入与经济增长的相互关系进行实证分析。结果表明，研发投入对经济增长产生长期稳定的均衡作用，并且研发人员和研发投入两个变量之间存在相互促进作用。基于这一结论，提出了相关政策和建议，从而使财政科技投入更好地发挥其作用，促进经济的持续、健康、快速发展。
　　关键词：经济增长；财政科技投入；VAR模型；协整分析
 
　　引言
　　科技是促进经济增长的主要推动力量，而科技投资是科学创新和技术进步的基本前提和必要条件，因此科技投资对经济增长发挥着重要作用。目前很多国家和地区都把加大科技投入作为促进经济增长，提高综合竞争力的主要手段。我国财政科技投入占GDP的比重太少，平均仅为0.164%，与世界平均水平2.10%的比重及发达国家2.15%的比重均有较大差距。尽管我国R&D经费投入量及其占GDP的比重不断增加，平均仅为0.188%，日本为3.10%，美国为2.17%，韩国为2.16%，芬兰为2.19%，瑞典为3.19%。科技投入是从事科技活动的基本要素和重要基础，也是反映一个国家或地区科技进步和科技实力的重要指标。如何发展高新技术产业，促进产业结构升级，优化经济增长方式，是广东省的核心任务。
　　通过系统梳理国内外文献的研究脉络，财政科技投入与经济增长的实证分析有：以卢卡斯为代表的经济学家提出了新经济增长理论，将技术进步作为系统的内生变量，认为科学技术因素是经济增长的决定因素。因此，政府对科技的支持力度是影响经济增长的间接因素之一；肖利（2002）通过对美国企业界20世纪90年代R&D投入的分析表明，R&D投入的高速增长是推进美国技术创新和经济增长的主要动力；严四容等（2008）从科技投入总量、科技投入经费来源、科技投入结构三方面具体阐述我国科技投入的现状，并和其他一些国家进行比较分析；张绍佩（2009）根据江西省2000—2006年R&D经费支出、从事科技活动的人员数和GDP的数据，运用灰色关联度分析方法对江西省科技投入与经济增长关系进行了实证研究。得出江西省科技投入与经济增长有很强的正相关关系。并且，从事科技活动的人员数对经济发展的影响更为显著；阮敏（2008）运用传统增长理论和内生增长理论对上海近十多年来经济增长进行实证分析，得出技术进步对上海经济增长的贡献较低，在现阶段还没有出现内涵式经济增长的拐点；朱春奎（2006）通过对中国1978—2000年财政科技投入与经济增长的有关数据变量进行因果关系检验，揭示了财政科技投入与经济增长的动态关系，从总体上看，改革开放以来，中国财政科技投入是经济增长的充分而非必要条件，即财政科技投入是国民经济增长的原因，而经济增长对财政科技投入的贡献作用并不显著，仅在滞后期为两年时，经济增长构成财政科技投入变化的Granger原因。
　　综上所述，国内外学者的研究证明了科技投入对经济增长有着重要的作用。而以广东省为例来研究二者的关系比较少，这方面的研究对增强广东省财政科技投入对经济增长的贡献具有重要的理论和政策意义。由于地方财政科技投入对经济增长的作用期较长，因此本文针对广东省财政科技投入与经济增长的关系展开时间序列分析，包括单位根检验、建立VAR模型、协整检验、因果关系检验、建立误差修正模型、脉冲响应函数分析和方差分解，试图得到有价值的结论，以期为合理制定广东省财政科技投入政策提供参考。
　　一、模型设置
　　本文基于罗默R&D理论模型，采用广东省1978—2007年的时间序列数据，采用扩展的C-D生产函数，定量研究广东省财政科技投入对区域经济增长的影响程度，建立模型如下。
　　 lny=?茁0+?茁1ln1+?茁2lnk+?茁3 ln h+?茁4 ln R&D+?茁5 ln h*ln R&D+?滋
　　（3-1）
　　这里，模型中R&D人员和R&D投入的交叉项是来检验它们的共同影响。（3-1）式中k为可比价固定资产投资总额，l代表全省从业人员数，h表示R&D人员，R&D表示地方财政科技投入，以人均国民收入y为被解释变量。
　　所有数据通过1979-2008年《中国统计年鉴》、《中国科技统计年鉴》和《广东省统计年鉴》整理得到。其中，1995-2000年的固定资产投资价格指数用商品零售价格指数代替，1995年以前该指数变化较小，本文用全国零售价格指数代替。R&D价格指数没有准确的统计数据，多数研究用加权平均值的估算方法( Jaffe，1972；朱平芳、徐伟民，2003)，而本文直接使用GDP平减指数作为R&D价格指数的近似，这是基于对R&D内部支出的整体考虑。以上数据均以1978年为基期进行折算。y的单位以元计，k，R&D的单位以亿元计，l，h的单位以万人计。
　　二、实证结果分析
　　（一）协整检验和因果关系检验
　　首先进行单位根检验，以确定变量单整阶数，只有当变量的单整阶数都相同时，才能进行协整检验。表1给出了单位根检验结果。
　　本文选择了ADF检验和PP检验两种检验统计量来验证时间序列的单整阶数，结果都显示，这几个时间序列的水平值都是非平稳的，其一阶差分变量的单位根过程都是平稳的，因此这些时间序列都是一阶单整I(1)序列。基于表1的研究结论，可采用Johansen协整检验来对这几个变量进行协整分析。Johansen检验分析的前提为VAR（向量自回归）模型的残差项必须是白噪声序列，而这能够通过选择VAR模型适当的滞后阶数（K）来实现，因此本项研究根据Johansen协整检验来确定协整向量的个数。
　　得到VAR模型如下：
　　为了确保VAR模型的残差项是白噪声序列，根据A IC准则或SC准则，我们可以确认这个VAR系统的最优滞后阶数为2阶。在此基础上我们进行协整检验的目的是探索同阶变量间是否存在长期的、稳定的动态关系。检验结果如表2。
　　表2的第一列CE表示协整关系的个数，由上表得出模型存在6个协整向量，5个协整方程。如在5%的临界水平下，轨迹统计量418.9＞临界值117.7，应该拒绝没有协整关系（CE=0）的原假设，对应的接受存在一个协整关系；最大特征值统计量也是拒绝CE=0，接受CE<=1，即最多存在1个协整关系。同时，模型的残差均为零阶单整。结果表明变量间存在一阶协整关系。
　　有了一阶协整关系的成立，就可以测算出协整方程，即变量间存在长期稳定的关系。模型中解释变量对经济增长作用的5个具体的协整方程分别为：
　　ln y=-2.3671 ln l+0.2309lnk-2.6232ln h-1.2348ln R&D+
　　2.5619ln h*ln R&D-0.0182@TREND(79)（3-3）
　　(0.01763) (0.00159) (0.01480) (0.00466)
　　 (0.01108) (0.00024)
　　ln y=0.1789 ln k-3.5027ln h-1.2158ln R&D+
　　2.8893ln h*ln R&D-0.0341@TREND(79)（3-4）
　　 (0.02002)(0.18870) (0.05866)

    (0.14240)(0.00230)
　　ln y=-3.3074 ln h-0.8668ln R&D+2.2780ln h*ln R&D-
　　0.0098@TREND(79)（3-5）
　　 (0.30640) (0.08925)(0.22083) (0.00148)
　　ln y=-1.2754 ln R&D-0.6715ln h*ln R&D-
　　0.0914@TREND(79)（3-6）
　　(1.15033)(1.55888)(0.03155)
　　 ln y=-０．０８０６ ln h*lnR&D-0.0240@TREND(79)（3-7）
　　(0.03485)(0.00152)
　　 其中，括号内为t统计量值。