开放科学(资源服务)标识码(OSID)：
开放科学(资源服务)标识码(OSID)：
当前中国经济进入从高速增长向高质量发展、从传统经济向现代经济过渡、从要素驱动向创新驱动的转型升级关键阶段，区域经济发展所需要素发生了巨大改变，自然资源的作用逐步下降，区域创新能力取而代之，成为产业竞争中最重要的优势和资源。区域经济高质量发展既要注重比较优势原则，利用原有自然资源优势，更要把创新驱动作为竞争优势。现实中，存在资源富集地区经济增长速度较慢的现象，即资源诅咒[1]，原因在于资源型地区具有技术创新挤出效应，但并非所有资源富集地区的区域创新能力都会受到冲击。究竟丰富的自然资源对区域创新是福是祸？如何实现资源比较优势和创新竞争优势的均衡？本文从创新视角切入资源诅咒问题。
当前，亟待破解的难题是资源密集地区所面临的“四多四少”问题——传统产业多、新兴产业少，资源型产业多、高附加值产业少，低端产业多、高端产业少，劳动密集型产业多、资本技术密集型产业少。资源密集地区是指以自然资源开采、加工为主导产业的区域，通常长期依赖资源优势，经济在一段时间内快速增长，但大多受到资源诅咒，表现出短期经济增长波动剧烈、长期滞缓、产业结构刚性、全要素生产率低等现象，原因是创新基础薄弱且区域创新能力匮乏，从而制约了该区域经济的稳定、可持续、高质量增长。资源型地区在创新驱动中所处地位特殊，对实施创新驱动这一事关国家未来发展的战略有着至关重要的影响。因此，必须重视资源型地区区域创新能力提升。
现有相关研究发现，资源依赖对技术创新存在挤出效应，对经济增长存在门槛效应。资源依赖是否对整体区域创新能力存在挤出效应？区域创新能力能否反作用于资源依赖程度？厘清二者间关系和传导机制，探寻资源型地区区域创新能力提升路径，对进一步揭示资源诅咒内部技术挤出效应机理具有一定的现实价值，同时对当前资源型地区实现动力转换、结构调整、经济高质量发展具有重要意义。
1.1.1 资源密集型地区
资源密集型地区是指自然资源丰富的地区，通常采用资源丰裕度和资源依赖度两种不同的指标衡量。自然资源丰裕度一般使用资源绝对储量、人均储量或地均储量评估，而自然资源依赖度一般使用当地产业发展中对资源型产业的依赖程度评价[2]。本文中资源密集型地区使用资源依赖度作为衡量指标，是指以开采、加工当地自然资源等初级产业为主导的地区，上述地区既是重要的战略资源保障基地，也是我国经济持续健康发展的支撑和载体。本文使用资源诅咒指数[3]这一概念，通过测度某地区自然资源富集程度与经济增长速度之间的偏离程度，评估各省资源密集程度。
1.1.2 区域创新能力
区域创新能力是指在某一区域内合理配置信息、人才、技术和资金等创新资源，运用技术基础设施结合不同手段完成多种类型、层次的创新活动，进而促进经济和社会发展的能力[4]。根据创新市场化内涵，区域创新能力强调区域产生的创新流快速转化为商业价值的潜在能力，是指特定区域为满足市场需求而将知识转化为新产品、新工艺、新流程、新原料来源、新市场、新服务的能力[5]。据此，国内外学者构建多种综合指标体系评价区域创新能力，本文使用中国科技发展战略小组研发的区域创新能力评价指标体系。
1.1.3 挤出效应
挤出效应原意是指由于政府增加支出引发市场上私人消费或投资降低的后果，后引申至FDI的技术挤出效应，是指由于国内投资受到外商直接投资冲击，导致本地技术进步和生产率增长受到抑制、技术扩散受阻或先进技术情报被窃取等负面效应。本文中挤出效应是指自然资源禀赋对区域技术创新存在负面效应，资源富集地区确实存在技术创新能力不足的事实，技术挤出是西部地区遭受资源诅咒的主要原因之一[6-7]。丰富的资源一方面会通过降低劳动力供给水平直接抑制经济增长，另一方面会通过降低创新相关部门劳动力投入比重使知识增长率下降，进而间接阻碍经济增长。自然资源丰裕和资源价格较高，使得劳动力从技术含量相对较高的制造业和R&D相关部门流动到缺乏技术含量的初级资源开采部门，导致技术创新速度减缓以及长期经济增长潜力下降。
1.1.4 资源诅咒
自资源诅咒假说提出后，学术界存在3种不同的观点：一是资源诅咒现象客观存在。自然资源短期内会促进一国经济增长，但从长期看会制约经济增长[8]。资源依赖通过制度质量对经济增长产生间接负向影响[9]；二是资源诅咒不存在。资源诅咒现象主要是由信贷市场不健全引起的，与自然资源富足与否无关[10]；三是资源诅咒有条件存在。把政府干预、开放程度、市场投资等作为控制变量时，经济增长受资源富集度的负向影响不再显著[11]。自然资源对经济增长具有门槛效应，当自然资源资本占总资本的比重超过某一门槛时，自然资源对经济增长的影响将由正向转为负向[12]。较多学者从省级层面验证了我国西部、东北地区存在资源诅咒现象，并认为技术挤出是资源诅咒产生的重要传导因素。
在探究资源诅咒产生和传导机理过程中，大量国外研究认为，主要存在价格剧烈波动、挤出效应、制度弱化、“荷兰病”、对教育的忽视5种可能传导机制，而在挤出效应中大部分涉及对技术的挤出。技术挤出有3种路径：一是制造业的“干中学”效应，即自然资源越丰裕就越能够吸引劳动力集中于初级产业，制造业部门的劳动力和资本减少，进而引发制造业错失技术进步机遇，降低经济增长速度和潜能[13]；二是“贪食效应”，即社会中各类利益集团在攫取自然资源时获得经济租，导致制度弱化[14]，影响科技进步，给经济长期增长带来副作用[15-16]；三是人力资本流失，即创新者和企业家会被较高的资源租金吸引，聚集于初级产业部门，极大限制了整个社会企业家精神和创新活力，最终导致整个经济缺乏效率和推动力[17]。由此得出，资源开发对技术创新具有显著挤出效应，技术创新是规避资源诅咒的有效措施[18]。
从创新视角出发探讨资源诅咒的国内研究较少，大多将技术挤出作为资源诅咒的传导机制。最经典的观点由邵帅和齐中英[19]提出：自然资源禀赋对区域技术创新存在挤出效应。他们针对我国西部地区进行实证研究，分析自然资源开发、区域技术创新和经济增长三者间的关系，得出能源开发对技术创新确实具有挤出效应的结论，资源富集地区确实存在技术创新能力不足的事实，技术挤出是西部地区遭受资源诅咒的主要原因之一。随后，进一步解释在不考虑资源开采部门对技术创新存在贡献的条件下[20]，丰富的资源会降低劳动力供给水平，进而直接抑制经济增长，同时通过减少创新相关部门的劳动力投入使知识增长率下降，进而间接阻碍经济增长。劳动力特别是技术密集型人才会被较高的资源价格吸引，从事缺乏技术含量的初级资源开采活动，导致制造业部门和R&D部门的劳动力流失，从而阻碍技术创新并削弱长期经济增长潜力。可见，抑制技术创新和技术水平低下是我国发生资源诅咒现象的原因[21-22]。我国省级层面资源诅咒现象存在的关键原因是人力资本投入不足和技术创新能力欠缺，因而加大人力资本投入在某些地区可以有效解决资源诅咒[23-24]。此外，可以通过严格控制自然资源利用和开采、加大科技投入、提高创新效率、加快产业转型升级走出陷阱[25]。
综上所述，国内外学者对于资源依赖和区域创新能力进行了大量研究，但仍存在以下不足：一是资源诅咒主要集中于资源依赖程度对经济增长的影响，技术作为影响经济增长的一个传导中介确实具有挤出效应，而在资源依赖对技术创新能力的直接影响方面学者们研究较少，二者作用关系仍未被完全揭示；二是仅强调资源依赖对创新能力的单方向传导，未涉及二者互动关系；三是技术创新能力不等同于区域创新能力，它包括除技术创新行为外的企业、机构、设施、政策等多主体生态环境，现有文献使用的是技术创新概念。为此，本文是解决上述理论研究缺乏和弥补应用研究不足的新尝试。
在学术理论方面，本文聚焦于区域创新能力与资源依赖之间的关系，在现有文献的基础上，使用更合理的指标建立模型，省级层面采用区域创新能力指数衡量区域创新能力，采用资源诅咒指数测算资源依赖程度，通过GMM方法和VAR模型实证研究资源依赖与区域创新能力的关系，并就资源依赖程度对区域创新能力的负面效应和区域创新能力对资源依赖的反作用进行研究。在实际应用价值方面，在把握二者关系和传导机制的基础上，打破传统路径，针对典型地区探讨未来区域经济通过创新驱动发展实现转型升级的通用和特有思路与对策，从而推动我国创新型国家战略实施和经济高质量发展。
资源对区域创新能力的影响大体有两种：一种是自然资源成为经济社会发展的基础和要素，丰裕的自然资源能够给地区经济发展带来必要的物质基础，促进产业发展，进而通过汇聚其它地区的生产要素产生洼地效应，促进本地区经济发展、基础设施建设和社会环境优化，最终提升区域创新能力。因此，自然资源有利于提升区域创新能力，存在资源福音。另一种是自然资源会对区域创新造成不利影响，即资源诅咒，传导途径包括：一是“挤出”投资，减少创新研发投入资金。丰裕的自然资源能够带来持续收入和利润，在高收益驱使下大部分生产要素都会向资源型行业聚集，从而阻碍其它行业特别是制造业资本投入，抑制企业技术研发和创新；二是鼓励寻求资源租金，弱化创新研发动力。受丰裕资源低投入高回报的诱惑，企业家偏重向决定资源分配的权力部门寻租，而不是通过技术研发、产品升级获取消费者认可，故会削减技术创新动力和精力；三是鼓励当期消费可能会动摇创新研发的文化基础。自然界的“慷慨馈赠”使财富获取更为容易，导致人们形成注重当期消费甚至攀比炫耀的社会心理，从而动摇致力于技术研发的文化基础。区域创新能力对资源依赖的影响相对单一，即区域创新能力较高，说明该地区能够用于创新的人力资本、物质资本和资金较为充足且高效。因此，产业更加多元化，倾向于技术密集型，经济发展对于资源型产业的依赖程度较低。反之，区域创新能力较弱，本地区产业结构单一，仅聚焦于靠山吃山的资源开发等初级产业。因此，区域创新能力提升会降低资源依赖程度。通过以上分析，本文提出以下假设：
H1：资源依赖程度高会导致区域创新能力下降，存在挤出效应。
H2：区域创新能力低下会使资源依赖程度提升，存在双向作用关系。
2.1.1 区域创新能力
区域创新能力指数采用科技部下属中国科技发展战略小组研发的区域创新能力评价指标体系[26]。该指标由知识创造、知识流动、技术创新经济绩效、企业创新和创新环境5个二级指标、145个三级指标构成。本文以2001—2017年中国(内地)30个省份(西藏因数据不全未纳入统计)作为样本收集数据，见表1。
表1 各地区区域创新能力指数(2001—2017年)
地区20012002200320042005200620072008200920102011201220132014201520162017广东49.68 44.53 46.83 49.32 50.22 50.58 51.62 52.65 53.65 51.89 54.88 49.38 53.00 52.44 52.71 53.62 55.24 江苏43.20 43.31 42.61 48.52 48.41 47.50 48.16 48.81 55.63 52.27 55.49 53.84 57.58 58.86 58.01 57.20 53.30 北京58.27 59.79 56.53 54.82 56.11 56.66 54.43 52.20 53.19 47.92 50.31 46.11 50.73 50.11 50.45 52.61 52.56 上海58.33 54.72 56.35 57.16 56.97 57.09 55.04 52.99 52.44 46.23 49.98 42.28 47.18 46.59 45.62 46.04 44.81 浙江34.74 36.85 37.40 41.19 45.29 39.92 40.51 41.09 44.61 41.23 42.83 38.48 42.40 41.46 42.05 37.94 37.66 山东37.82 37.15 36.82 39.93 37.96 37.69 37.83 37.96 40.41 37.34 39.04 36.71 37.73 37.93 37.49 36.29 33.77 天津34.20 36.16 38.60 39.61 37.43 41.04 39.14 37.24 37.44 35.89 38.29 34.09 36.13 36.61 36.49 34.15 33.71 重庆23.70 23.64 25.47 29.73 28.63 29.89 28.67 27.44 29.53 29.85 30.77 28.08 33.88 32.90 32.29 32.04 30.05 湖北25.53 25.62 27.06 27.74 26.92 27.56 28.58 29.60 32.76 30.61 29.35 28.35 28.71 28.82 28.59 29.07 29.35 安徽23.64 21.65 21.70 25.10 26.97 25.02 26.77 28.51 31.92 28.56 27.81 30.08 29.75 30.47 29.86 30.02 28.36 四川26.73 23.57 25.57 27.93 23.37 24.76 26.93 29.10 33.61 29.95 31.07 28.35 27.16 26.98 26.39 29.08 27.52 湖南23.99 24.17 24.59 25.53 25.16 27.01 27.34 27.67 28.94 29.79 29.81 28.45 28.25 28.59 29.01 27.77 26.63 陕西26.83 28.75 26.43 27.38 27.27 28.26 28.24 28.21 29.12 27.79 29.80 27.84 27.68 26.86 27.14 29.29 26.05 福建33.80 28.94 28.97 29.80 30.74 26.39 27.28 28.16 29.86 24.16 28.62 26.48 29.33 28.80 29.25 27.20 25.77 河南23.09 24.16 21.60 24.10 23.30 24.49 25.65 26.80 28.40 25.96 27.05 25.26 26.21 24.33 25.90 26.44 24.23 海南20.79 13.98 18.17 20.53 20.84 18.19 20.80 23.40 21.31 21.95 21.46 23.30 24.10 26.79 28.03 25.68 22.49 辽宁 35.92 34.25 32.66 36.72 32.05 32.38 32.25 32.11 33.02 28.93 31.77 31.28 28.85 27.19 26.88 24.46 22.26 贵州16.89 17.10 16.71 19.89 18.16 19.15 20.14 21.13 23.31 19.00 22.62 20.77 22.60 20.41 21.22 25.64 22.19 江西18.57 17.72 20.72 21.70 21.90 20.68 22.58 24.48 25.82 22.07 24.52 24.32 23.53 21.86 23.34 21.85 22.04 广西19.06 18.84 18.98 21.06 21.34 21.43 21.15 20.87 22.70 22.56 23.41 22.67 23.06 22.30 23.62 22.81 21.19 甘肃19.24 20.02 18.44 19.95 17.24 18.39 18.80 19.21 20.93 19.83 22.41 19.70 22.20 23.58 21.68 22.06 20.82 宁夏17.48 16.67 18.86 18.00 16.95 15.85 16.99 18.12 20.16 20.89 19.72 16.80 20.32 17.64 18.52 20.04 20.68 河北25.51 21.67 22.39 24.58 23.47 22.48 22.51 22.54 25.20 23.26 24.44 26.67 23.02 20.88 21.14 20.89 20.50 云南18.92 16.38 16.67 18.39 16.43 18.95 20.32 21.69 24.32 20.74 21.87 19.37 21.32 21.13 20.30 19.72 20.43 新疆19.38 18.64 21.77 22.75 19.81 18.89 19.03 19.17 22.93 20.38 20.81 20.32 20.39 18.49 18.04 19.86 20.04 黑龙江23.36 24.68 26.13 26.61 25.26 25.07 25.18 25.28 27.67 22.84 24.05 24.61 23.55 21.22 20.65 21.16 19.51 吉林28.95 22.13 25.21 27.79 22.41 23.90 25.26 26.61 24.37 22.20 27.14 20.76 22.64 20.69 18.95 18.53 19.00 内蒙古17.74 18.41 20.62 21.92 22.61 21.23 20.79 20.35 21.87 20.46 23.49 26.18 23.73 19.23 21.44 18.22 18.32 青海15.01 18.04 20.64 18.69 15.36 17.13 17.59 18.05 18.99 16.30 18.41 17.62 17.65 16.19 17.71 15.78 18.13 山西19.75 25.09 22.92 27.77 24.18 24.55 23.78 23.01 24.69 23.83 23.16 20.68 21.68 21.20 20.61 18.17 17.93
注：其中2007年数据缺失，取2006年与2008年数据的算术平均得出
2.1.2 资源依赖度
使用资源诅咒指数衡量资源依赖度。资源诅咒指数是衡量经济增速是否与当地自然资源丰裕程度匹配的指标，地区受资源诅咒的程度越大，该指标值越大。部分文献在计算资源诅咒指数时通过资源丰裕度与经济增速之比，判定是否存在资源诅咒现象及经济增速受资源诅咒的影响程度。为达到指标同口径目的，郭建万和袁丽[27]在计算时着重考察自然资源富集对工农业产值的影响；苏晓燕和曾波[28]认为，研究经济增速的影响应聚焦于第二产业，因为能源资源大部分消耗于第二产业；罗倩文和许秀川[29]认为，自然资源特别是能源消耗与一产产值和三产产值负相关，而与二产产值正相关;姚予龙[30]认为,使用资源富集度与第二产业产值之间的比重衡量资源禀赋对经济增长的影响更为准确。目前,国内外考察资源诅咒现象时大多聚焦于能源资源如原煤、原油、天然气等，即资源诅咒指数仅用于衡量能源资源诅咒。王剑等[31]认为，能源资源富集度需要以其原始储量或在经济社会发展中的消耗量反映。根据数据可获取性，本文选取一次能源生产量衡量地区经济发展对能源资源的依赖程度[32]。借鉴姚予龙的研究成果，采用区位熵方法构建资源诅咒指数对全国各省份进行测算，具体计算公式如下：
(1)
式中，RCi表示资源诅咒指数，NROi是指i地区当年一次能源产量，SIOi为i地区当年第二产业增加值，n为涉及地区总数，本研究为30。由于不同一次能源原煤、原油、天然气产量的统计单位不统一，故需要统一能源产量单位。本文采用中国科学院提出的标准能源产量折算公式：一次能源产量(亿t)=原煤产量(亿t)×0.714t/t+原油产量(亿t)×1.43t/t+天然气产量(亿m3)×1.33t/1 000m3。由上述公式得出，资源诅咒指数采用某地能源产量占全国能源产量的比重除以该地第二产业增加值占全国第二产业增加值的比重所得。若该指标值大于1，则表明该地区拥有的能源产量所作出的贡献未与其在全国第二产业增加值中的比重相匹配，意味着其资源禀赋优势未能转化为与之相匹配的经济增长优势，即该地存在资源诅咒现象，测算值越大受到资源诅咒的程度越深。反之，该指标值小于1说明该地区经济发展没有受到资源诅咒。
基于2001—2017年数据，本文对中国内地30个省市、自治区(西藏因数据不全，未纳入统计分析)的资源诅咒指数进行测算。数据源自历年《中国统计年鉴》和《中国能源统计年鉴》。根据式(1)得出各地区2001—2017年资源诅咒指数值，如表2所示。
从表2可以大致看出，在样本考察期间，山西、内蒙古、宁夏、新疆、贵州、陕西、黑龙江等地区资源诅咒指数长期较高，存在资源诅咒现象，属于资源密集型地区，其它省份如安徽、四川、吉林、云南、河南等动态存在资源诅咒现象。如河南和安徽，资源诅咒程度随时间推移呈逐渐递减趋势，近期资源诅咒现象消失。部分省份如云南在2005年之前资源诅咒现象不显著，但从2005年后开始出现资源诅咒效应并随时间推移呈递增态势。此外，部分省市如广东、江苏、上海、北京、浙江等在观察期间未发现资源诅咒现象，不属于资源密集型地区。
表2 2001—2017年各地区资源诅咒指数
地区20012002200320042005200620072008200920102011201220132014201520162017平均值北京0.196 9 0.219 4 0.162 8 0.151 3 0.146 9 0.116 9 0.100 0 0.103 3 0.095 8 0.074 1 0.073 5 0.069 7 0.085 9 0.099 3 0.114 2 0.106 4 0.081 0 0.121 7 天津0.706 8 0.741 4 0.632 3 0.562 8 0.581 7 0.608 7 0.593 1 0.518 7 0.556 7 0.726 4 0.636 8 0.564 1 0.548 70.518 1 0.625 9 0.666 9 0.692 9 0.616 5 河北0.836 9 0.755 5 0.685 5 0.608 6 0.618 4 0.583 6 0.589 7 0.495 3 0.526 5 0.545 4 0.512 8 0.540 3 0.395 3 0.358 9 0.391 1 0.369 2 0.363 3 0.557 2 山西9.284 3 6.566 1 6.109 9 6.049 0 7.782 6 7.729 7 7.626 6 6.993 6 6.784 4 7.104 9 7.248 6 7.782 4 8.510 0 9.072 0 11.958 12.16110.3388.149 5 内蒙古4.161 5 3.660 5 3.756 5 4.294 0 4.775 2 4.591 3 4.635 4 4.888 4 5.360 8 6.200 0 6.720 1 6.790 1 6.601 5 6.686 1 6.459 3 7.219 0 11.265 5.678 7 辽宁 0.993 5 0.952 2 0.920 2 0.919 4 0.781 6 0.807 5 0.669 8 0.566 3 0.505 0 0.481 8 0.420 1 0.378 7 0.339 1 0.305 9 0.341 9 0.534 8 0.503 0 0.638 6 吉林0.986 1 0.872 2 0.825 8 0.803 2 0.816 7 0.842 0 0.801 9 0.797 9 0.759 6 0.768 5 0.702 9 0.753 2 0.418 8 0.406 5 0.392 0 0.341 1 0.321 4 0.701 0 黑龙江2.979 5 2.702 7 2.436 3 2.122 6 2.114 7 2.115 1 2.141 7 1.932 6 1.940 2 1.826 3 1.703 5 1.688 3 1.728 1 1.739 1 1.985 6 2.307 5 2.703 7 2.180 4 上海0.024 0 0.020 4 0.015 9 0.013 7 0.012 3 0.010 9 0.010 2 0.008 1 0.007 1 0.005 4 0.005 0 0.004 7 0.004 4 0.003 8 0.003 9 0.004 4 0.003 9 0.010 1 江苏0.184 5 0.159 4 0.140 0 0.112 6 0.098 7 0.101 0 0.083 9 0.074 0 0.068 3 0.057 1 0.054 4 0.053 0 0.050 6 0.048 0 0.045 5 0.036 3 0.033 9 0.089 5 浙江0.009 1 0.007 5 0.005 9 0.005 0 0.000 0 0.000 0 0.000 0 0.000 0 0.000 0 0.000 5 0.000 5 0.000 5 0.000 3 0.000 0 0.000 0 0.000 0 0.004 1 0.002 4 安徽1.408 0 1.390 4 1.320 6 1.334 4 1.251 8 1.120 2 1.153 7 1.281 8 1.190 3 1.040 6 0.934 3 0.917 8 0.810 8 0.706 5 0.779 8 0.758 9 0.729 5 1.089 2 福建0.195 9 0.089 8 0.103 4 0.123 7 0.187 5 0.188 2 0.196 2 0.187 1 0.189 9 0.168 4 0.159 3 0.115 5 0.090 0 0.078 2 0.078 0 0.071 6 0.058 5 0.131 3 江西0.613 0 0.453 1 0.251 3 0.238 7 0.448 5 0.423 4 0.421 6 0.394 5 0.349 1 0.285 3 0.279 3 0.243 7 0.234 9 0.208 2 0.174 7 0.129 0 0.077 9 0.337 7 山东1.149 5 1.092 7 0.942 1 0.739 8 0.617 7 0.575 5 0.577 9 0.506 1 0.488 3 0.504 1 0.496 9 0.520 1 0.455 3 0.429 6 0.421 5 0.407 1 0.427 7 0.634 8 河南1.363 9 1.254 7 1.222 8 1.180 5 1.211 1 1.133 6 1.038 3 0.975 1 1.015 1 0.892 0 0.787 1 0.582 3 0.619 2 0.5296 0.5156 0.4783 0.4663 0.9205 湖北0.238 5 0.102 3 0.088 6 0.077 2 0.136 5 0.139 3 0.130 5 0.126 5 0.097 7 0.097 1 0.064 8 0.055 2 0.067 6 0.061 1 0.050 4 0.036 6 0.023 2 0.095 8 湖南0.841 3 0.360 1 0.408 5 0.426 8 0.721 6 0.677 4 0.651 8 0.553 0 0.529 4 0.540 1 0.495 6 0.493 1 0.379 6 0.274 3 0.179 0 0.152 4 0.109 0 0.454 3 广东0.209 6 0.164 7 0.129 8 0.132 6 0.121 7 0.097 6 0.091 5 0.094 6 0.088 8 0.088 1 0.080 5 0.082 4 0.083 5 0.078 9 0.096 7 0.095 4 0.094 9 0.115 1 广西0.252 7 0.182 5 0.125 0 0.126 1 0.154 8 0.137 7 0.121 7 0.075 3 0.068 2 0.084 9 0.076 6 0.069 6 0.070 7 0.060 1 0.041 6 0.046 8 0.057 1 0.115 1 海南0.014 2 0.019 0 0.026 1 0.060 8 0.215 0 0.071 6 0.067 9 0.071 9 0.073 5 0.064 7 0.059 2 0.051 0 0.064 3 0.060 4 0.069 1 0.068 0 0.064 3 0.062 3 重庆0.735 3 0.392 9 0.410 9 0.417 9 0.774 2 0.805 6 0.775 7 0.6331 0.570 2 0.529 3 0.435 0 0.343 6 0.411 5 0.378 8 0.380 3 0.314 1 0.215 4 0.501 1 四川1.264 9 0.825 0 0.787 1 0.828 0 1.168 2 1.125 8 1.181 0 1.035 8 0.859 7 0.793 1 0.717 7 0.652 0 0.478 5 0.545 7 0.548 6 0.635 5 0.636 0 0.831 1 贵州3.640 4 3.167 4 4.150 7 4.481 3 4.354 1 4.462 6 4.052 6 3.895 4 4.232 9 4.448 8 3.920 2 3.878 9 3.430 9 2.933 4 2.644 2 2.642 2 2.406 5 3.660 8 云南0.888 8 0.392 1 0.405 7 0.414 2 1.508 2 1.566 6 1.600 8 1.604 5 0.989 2 1.520 3 1.452 5 1.348 0 1.312 7 0.544 1 0.611 6 0.588 0 0.599 4 0.985 9 陕西2.844 4 2.654 7 2.706 8 2.578 2 3.434 5 3.548 4 3.779 2 3.738 1 4.148 7 4.273 2 4.186 9 4.236 3 4.399 9 4.301 8 4.757 7 5.092 1 5.255 9 3.754 8 甘肃1.342 5 1.362 5 1.455 3 1.423 0 1.488 5 1.470 4 1.332 9 1.279 5 1.195 9 1.215 8 1.120 0 1.107 8 1.032 0 1.033 2 1.158 0 1.257 4 1.193 6 1.267 7 青海1.854 1 1.777 9 1.814 2 1.746 6 1.822 8 1.778 1 2.071 5 2.076 0 1.962 8 2.314 0 2.135 7 2.212 7 2.543 2 1.745 6 1.261 0 1.378 7 1.704 5 1.886 1 宁夏3.806 3 3.385 0 3.115 3 3.064 6 3.059 8 3.434 5 3.492 3 3.188 3 3.792 3 4.130 5 4.274 4 4.286 6 4.244 7 3.927 6 3.706 3 3.470 5 3.847 7 3.742 8 新疆4.156 7 3.281 6 2.933 4 2.632 8 3.040 5 3.087 9 3.561 5 3.633 2 4.067 0 3.815 2 3.694 3 4.190 7 4.254 3 3.992 3 4.650 7 5.327 1 5.270 2 3.886 2
进一步直观对比各省市资源诅咒相对程度，本文计算了2001-2017年中国(内地)30个省(直辖市、自治区)资源诅咒指数均值，如图1所示。
图1 2001-2017年中国(内地)各省市资源诅咒指数平均值
在区域分布方面，我国资源密集型地区主要集中于西部地区，究其原因是我国西部地区自然资源相对富集，其经济发展过度依赖资源型产业，久而久之形成资源要素驱动的粗放型经济发展方式。短期看，确实带来了经济快速增长，但长期看以资源为导向的粗放式发展会导致创新要素被挤出、资源能源过度消耗、生态环境严重破坏等负向效应。反观东部地区，尤其是沿海省份自然资源相对贫乏，但依靠制度创新、技术进步、人力资本积累驱动经济增长，摆脱自然资源约束，走集约式技术密集型发展之路，平均经济发展水平和增长速度远高于西部地区，因而并未出现资源诅咒现象。
为探究区域创新能力指数和资源诅咒指数间的关系，采用回归分析法进行判定。依据区域创新能力影响因素和资源诅咒传导机制，选取变量构建回归模型，并结合数据可得性，构建基础模型如下：
yit=c+α1yi,t-1+α2rdit+α3zit+εit
(2)
式(2)中，yit为各省区域创新能力指数，yi,t-1为滞后一期的各省区域创新能力指数，rdit为各省资源依赖度，zit为控制变量。其中，i代表不同地区，t代表不同年份，c是常数项，εit为随机误差项。由于创新能力通常具有一定的惯性，即前期区域创新能力会直接影响当期区域创新水平，故本文在方程(2)中纳入滞后一期区域创新能力指数以考察区域创新能力变化的滞后效应，使方程(2)成为一个较为合理的动态面板回归模型(见式(3))。梳理相关文献和理论后，本研究认为，控制变量zit需要包含人力资本水平(hcit)、物质资本投入(mcit)、对外开放水平(odit)、制造业水平(mlit)、市场化程度(mdit)，将解释变量作为控制变量以便更准确地把握资源依赖度对区域创新能力的真实影响。
yit=c+β1yi,t-1+β2rdit+β3mcit+β4hcit+β5mlit+β6odit+β7mdit+εit
(3)
2.3.1 被解释变量
使用各省份区域创新能力指数为回归模型的被解释变量(y)。之所以使用区域创新能力指数而非R&D投入作为被解释变量，是因为前者更能全面地体现一个地区的综合创新水平。
2.3.2 核心解释变量
使用资源依赖度(rd)作为回归模型的核心解释变量。现有文献经常混淆资源富集度(或资源丰裕程度、资源禀赋水平)与资源依赖程度这两个概念，实际上二者完全不同。资源富集度是指某地区可用于经济社会发展的自然资源多寡或丰裕程度，资源依赖度则是指一个国家或地区经济发展对自然资源的依赖程度，主要体现在资源型产业对地区经济的产业结构、就业结构、技术进步水平、发展速度和发展方向的重要程度及影响强度上[33]，即资源产业对本国或本地区经济发展所作出的贡献。要确保实证结果具有说服力，就必须选取合适的度量指标，本文使用资源诅咒指数，即各省一次能源产量占全国一次能源产量的比重与各省二产增加值占全国二产增加值比重的比值，以此表示本研究中各地区资源依赖程度。
2.3.3 控制变量
(1)人力资本水平(hc)。借鉴相关研究，本研究选取各省市普通高等学校在校学生人数与当地人口数之比衡量人力资本水平。
(2)物质资本投入(mc)。本研究选取国内生产总值中全社会固定资产投资所占比重评估物质资本投入水平。
(3)对外开放水平(od)。根据数据可得性，采用FDI即外商直接投资额占当地GDP的比重区衡量对外开放水平。
(4)制造业水平(ml)。根据文献综述发现，“荷兰病效应”是挤出效应的重要传导途径，即过度依赖自然资源会导致当地大力开发自然资源，消耗人力物力，从而抑制具有技术溢出效应的制造业发展，进而对本地区经济增长产生负向影响。本文选取制造业固定资产投资占全社会固定资产投资之比衡量制造业发展水平。
(5)市场化程度(md)。在社会主义市场经济体制完善进程中，可以看出我国市场化进程与私营经济发展水平息息相关。因此，在一定程度上，市场化程度可以采用地区经济中私营经济所占比重反映。本研究选取各地区从业总人口中个体单位和城镇私营从业人员数占比衡量市场化程度。
样本考察期为2001—2017年，样本截面使用全国内地30个省份(西藏因数据不全除外)。相关数据主要来源于《中国城市统计年鉴》、《中国城市年鉴》和《中国区域创新能力评价报告》(2001—2018年)。
由于回归模型(3)的解释变量中加入各省区域创新能力，即被解释变量的滞后项，通常会与随机干扰项εit存在一定的相关性，进而导致回归模型出现内生性问题。如果选择普通最小二乘法、固定效应或随机效应模型进行回归，可能会使解释变量系数的估计结果出现非一致或有偏现象。由于动态面板数据模型估计要规避传统工具变量法[34]，相对于传统回归模型估计方法要求随机误差项服从某一特定分布的前提，GMM估计法对于随机误差项的分布没有硬性要求，并且允许随机误差项存在异方差性，能够有效处理模型中内生性和异方差性等问题。与其它估计方法相比，GMM估计法能够得到更为合理的估计结果。因此，本文选取动态面板广义矩估计方法(GMM)进行回归。
GMM包含差分GMM和系统GMM。前者由Arellano提出，其思路是对计量模型进行一阶差分，得到差分方程，然后使用被解释变量的高阶滞后项作为差分项工具变量，存在容易产生弱工具变量等显著缺陷。在其基础上，Blundell & Bond[35]结合差分GMM和水平GMM，提出了系统GMM估计法以弥补差分GMM估计法的不足。该方法优化了变量系数的估计效果，特别是在样本数量不多时也能得到好的估计效果[36]。由于本文假设二者互为因果关系，而系统GMM估计方法采用内生变量的滞后项作为内生变量的工具变量，在一定程度上能够避免互为因果关系导致的估计偏差，故估计方法选取系统GMM。
进一步细分，系统GMM包含一步系统GMM和两步系统GMM，适用于不同样本，在样本量较小时后者估计量标准差会向下偏移。由于本研究样本属于小样本，故计量模型(3)的估计使用一步系统GMM最为合适。除使用一步系统GMM估计方法外，为了检验估计结果的稳健性，对回归方程使用混合OLS(Pooled OLS)模型和固定效应(FE)模型进行估计。
基于2001—2017年省级层面数据，本文选取系统GMM、混合OLS模型以及固定效应模型对方程(3)进行回归分析。在系统GMM方法具体估计中，为避免过度识别工具变量，对工具变量进行有效性检验，并将Sargan检验替换为Hansen检验，同时对模型施加Collapse选项，结果如表3所示。
表3 3种模型估计结果对比
变量一步系统GMM混合OLS模型固定效应模型 yt-10.571 3***0.834 6***0.357 2***(0.475)(0.1638)(0.188) rd-0.857***-0.946***-0.603*(-5.28)(-2.22)(-2.45) hc200.6**206.5*128.1*(2.83)(1.07)(2.02) mc368.4***376.3*56.90(11.23)(4.60)(1.75) od164.2**170.3*7.404(6.95)(2.90)(0.51) ml26.87*28.682.642(6.04)(2.37)(0.90) md32.40***35.72***4.624**(8.38)(3.61)(1.72)c (常数项)17.68***18.96**26.741***(13.20)(4.76)(25.33)R20.880 60.663 40.572 0AR(1)-P值0.021--AR(2)-P值0.783--Hansen test-P值0.373--
注：表中所列数值为解释变量系数的估计值，括号内数值为相应的标准误；***、**、*分别表示变量在1%、5%、10%的水平上显著，下同
表3结果所示，系统GMM估计中AR(1)对应的P值为0.021，表明随机误差项的差分存在一阶自相关，而AR(2)对应的P值为0.783，表明不存在二阶自相关。Hansen检验的P值为0.373，说明在检验是否过度识别约束过程中，模型使用的工具变量是有效的。因此，模型回归选取系统GMM估计是合理有效的。进一步验证其有效性以避免样本量较小或工具变量较弱导致GMM估计产生偏移，需要对比系统GMM、混合OLS和固定效应3种模型中被解释变量滞后项的估计值。参考Bond提出的方法，被解释变量滞后项的系数在混合OLS模型中通常被高估，在固定效应模型中通常被低估。若被解释变量滞后项系数在GMM的估计值处于二者之间，则说明该估计方法合理可靠。从估计结果可以看出，系统GMM的被解释变量滞后项估计值(0.571 3)恰好介于固定效应估计值(0.357 2)和混合OLS估计值(0.834 6)之间。从估计结果看，再次证明本文构建的模型、模型变量选取、采用的系统GMM法是合理有效的。
资源依赖度变量(rd)的估计系数在1%的显著性水平上为负，表明H1得到实证检验，资源依赖度对区域创新能力具有显著负向影响，资源依赖度提高降低了区域创新能力，存在挤出效应。资源型产业与非资源型产业相比属于初级产业，技术创新水平低、所需人力资本数量较少且质量较差、与产业链前向联系不确定且后向联系弱，故发展资源型产业难以成为促进区域创新能力提升的动力，反而会对生产要素产生特殊的吸纳效应，同时会因沉淀成本与路径依赖产生锁定效应，并通过相互作用形成自我强化机制。长期来看，会扭曲当地产业结构，使其愈发聚焦于初级产业而排挤技术密集型产业[37]，从而对地区综合创新能力产生不利影响。
控制变量方面，人力资本水平(hc)的估计系数为正且在5%的统计水平下显著，表明提高教育水平、积累人力资本对区域创新能力提升具有正向作用。物质资本投入(mc)的系数为正且在1%的统计水平下显著，表明加大物质资本投入能够提升区域创新能力。对外开放程度(od)系数为正且在5%的统计水平下显著，即扩大对外开放、充分利用外商直接投资对促进区域创新能力提高具有正向作用。制造业发展(ml)的估计系数同样为正，但显著性水平不高，说明当前中国制造业对区域创新能力应有的推动作用尚得到未充分发挥，反映出我国大多数制造业忽视了其对促进创新能力提升的职责。市场化程度(md)系数为正且在1%的统计水平上显著，即大力发展私营经济和推进市场化进程能够显著提升区域创新能力。事实上，在一定程度上，正是由于改革开放以来我国市场化进程加速和私营经济蓬勃发展，国家和区域创新能力才得以迅速提升[38]。因此，深化社会主义市场经济体制改革、加快市场化进程有助于区域乃至国家创新能力提高。
综上，资源依赖对区域创新能力存在挤出效应。在区域创新能力影响因素中，物质资本投资、人力资本积累、对外开放水平以及市场化程度均对区域创新能力具有积极正向作用。与此同时，制造业发展对其促进作用并不显著，这一结果表明，我国资源密集地区仍在采用资源能源导向的粗放型增长方式，大量资源型行业占用了较多的生产要素和资源，同时过度依赖资源型产业会在很大程度上抑制企业从事科技创新活动的积极性，在一定程度上对制造业发展产生挤出效应，使得制造业发展难以显著促进区域创新能力提升。
在进行脉冲响应函数分析之前，需要检验区域创新能力指数和资源诅咒指数之间的格兰杰因果关系，判断究竟是资源诅咒指数变化单向导致区域创新能力指数变化，还是区域创新能力变化反向影响资源依赖程度，抑或是双方互为因果？ 鉴于使用线性因果表述二者关系会产生较大偏差，因而使用非线性格兰杰因果关系检验。根据表4结果可以看出，资源诅咒指数和区域创新能力指数互为非线性因果关系，即资源依赖程度变化是引起区域创新能力指数变化的格兰杰因，同时区域创新能力指数变化也是资源依赖程度变化的格兰杰因，验证H2，即区域创新能力低下会导致资源依赖程度提升，两者存在双向作用关系。
表4 区域创新能力指数与资源诅咒指数的格兰杰因果关系检验结果
零假设Chi-sqPRC非线性Granger引起RIA13.631 20.000 9RIA非线性Granger引起RC0.584 20.002 6
基于存在的双向因果关系，本文重点使用VAR模型分析二者相互影响的情况。VAR模型最突出的特点是为了把单变量自回归模型拓展为多元时间序列向量的自回归模型，构造函数时把系统中任意内生变量都当作其它内生变量的滞后项。采用脉冲响应函数分析法测算随机干扰项波动对内生变量的冲击程度，即当一个单位标准差冲击作用于随机干扰项后，分析该冲击对内生变量当期值和未来值的影响，同时便捷地转换解释变量和被解释变量，以验证两者关系。
向量自回归法通过分析变量间的残差研究变量间的相互关系，其特点是并不以严格的经济学理论为依据，主要关注模型变量之间的相关性，从而有助于提升模型估计和预测的客观性。本文基于向量自回归(VAR)模型，采用脉冲响应函数，进一步考察验证资源依赖度和区域创新能力的关系。资源诅咒指数使用RC表示，区域创新能力指数使用RIA表示。构建模型的前提是两个变量RC和RIA同时满足同阶单整条件，因而本文在回归分析之前，对RC和RIA两组时间序列数据进行平稳性检验，选取ADF检验方法，结果见表5。
表5 RIA与RC平稳性检验结果
变量(C,t,q)TRC(C,t,1)-6.561 7***RIA(C,0,0)-4.270 6***
注：C、t、q分别表示带有常数项、趋势项、滞后阶数
根据Engle & Granger提出的协整理论，两组变量具有相同协整阶数是两组变量协整的必要条件。表5中RC和RIA具有相同的协整阶数，因而可进一步考察两变量的协整性。
由表6可得，通过检验发现资源诅咒指数和区域创新能力指数存在协整关系，故使用向量自回归(VAR)模型考察二者关系是合理的。通过综合考察LR、FPE、AIC、SC和HQ信息准则，确定模型中最优滞后阶数为2。因此，本文构建的向量自回归VAR模型如式(4)所示。
表6 RC与RIA协整检验结果
HypothesizedNo.of CE(s)EigenvalueTraceStatistic0.05Critical ValueProb.**None*0.832 328.262 619.469 20.006 2At most 1*0.506 98.623 84.908 80.008 8
(4)
其中，RIAt为区域创新能力指数，RCt为资源诅咒指数，C1、C2为常数项，ε1t、ε2t为扰动项。建立VAR模型要求系统平稳，进一步进行平稳性检验，单位根均处于单位圆之内说明模型平稳，如图2所示。
图2 平稳性检验
使用脉冲响应函数进行分析，本文选择平方根法使扰动项正交并调整了扰动项方差和协方差矩阵的自由度。设置完成后，将脉冲响应的观察期设置为滞后10期，分析结果详见图3。
图3中，实线表示区域创新能力受到系统单位标准差冲击后的反应，虚线代表波动正负方差范围。由图3可知，系统对资源诅咒指数产生一个单位标准差冲击后，区域创新能力指数会在第二期开始出现一个正向影响，但到第三期呈下降趋势，从第四期开始由正转负，即资源依赖程度提升开始对区域创新能力产生负向影响。由此可得，短时期内资源依赖对区域创新能力虽未产生负向影响，但随着时间推移，一段时间后资源依赖对区域创新的负向作用开始显现并存在自我强化现象。故得出结论，过度依赖资源的粗放型发展模式会使资源型地区出现技术挤出情况，进而抑制当地区域创新能力和经济社会持续健康发展潜力提升。
图3 区域创新能力指数对资源诅咒指数的脉冲响应
图4中，实线为资源诅咒指数受系统单位标准差冲击后的反应，虚线为波动正负方差范围。由图4可得，区域创新能力的系统冲击对资源诅咒指数在第一期后就产生负向影响，随后影响由强到弱。这一结果说明，区域创新能力对资源诅咒指数很快产生了负向影响，且随着时间推移不断凸显。可见，区域创新能力下降会进一步导致本地区更加依赖资源，进而形成恶性循环，最终危害整个区域经济健康发展。反之，区域创新能力提升有助于该地区摆脱资源依赖，为其后续发展提供强劲动力。故验证了H2，即区域创新能力低下会导致资源依赖程度提升，两者存在双向作用关系。
图4 资源诅咒指数对区域创新能力指数的脉冲响应
本文采用系统GMM模型研究资源依赖对区域创新是否存在挤出效应，在此基础上构建VAR模型，利用脉冲响应函数分析法验证二者的相互作用关系，得出以下结论：
(1)系统GMM估计结果显示，对资源型产业的过度依赖不利于区域创新能力提升，挤出效应得到验证。在区域创新能力影响因素中，物质资本投资、人力资本积累、对外开放水平以及市场化程度均对区域创新能力具有正向影响。制造业发展对创新能力的促进作用并不显著，这一结果表明，我国大部分地区特别是资源密集地区仍在采用资源能源导向的粗放型增长发展方式，过度依赖资源抑制了企业从事科技创新活动的积极性。同时，生产要素资源会被大量资源型行业占用，在一定程度上对制造业发展产生挤出效应，使得制造业发展难以显著促进区域创新能力提高。
(2)脉冲响应函数分析结果显示，区域创新能力指数对资源诅咒指数的脉冲响应在很短时间内就转为负值，表明随着时间推移，资源依赖对区域创新发展逐渐显现出不利影响。同时，区域创新能力指数的系统冲击对资源诅咒指数很快产生负向影响，意味着区域创新能力下降会进一步导致本地区更加依赖资源，区域创新能力提升则有助于该地区摆脱资源依赖。根据这一实证结果，二者互相产生负向影响，极易形成恶性循环。资源密集地区若继续固化原有资源型分工，则无法摆脱资源导向型发展模式的路径依赖，而且若不及时寻求新的发展方式和发展驱动力，则难以提升其区域创新能力，即抑制未来经济持续增长潜力和动力，从而难以实现经济社会高质量发展。
(3)资源密集地区需要从调整产业结构和实施创新驱动发展战略两个方面入手：①转变经济发展方式，主动摆脱资源路径依赖，通过发展理念更新、利益格局调整、产业结构升级等一系列举措降低本地区经济发展对资源的依赖程度，即降低资源密集型产业比重，提升技术密集型产业比重，在产业和企业发展中提升区域创新能力；②大力实施创新驱动发展战略，通过加大创新投入、加强人才培养、制定制度、营造氛围等方式，使本地区获得持续发展和高质量发展的根本驱动力——区域创新能力。二者形成良性循环，从而确保未来区域发展的增量、结构、质量和可持续性。
[1] AUTY R M.Sustaining development in resource economies: the resource curse thesis[M].London: Taylor&Francis Group,1993.
[2] 邵帅,范美婷,杨莉莉.资源产业依赖如何影响经济发展效率——有条件资源诅咒假说的检验及解释[J].管理世界,2013，188(2):32-63.
[3] 苏迅.资源贫困:现象、原因与补偿[J].中国矿业,2007,16(10):11-14.
[4] 李庭辉,范玲.中国地区区域创新能力的实证研究[J].统计与决策,2009(4):75-77.
[5] 柳卸林.中国区域创新能力的分布及成因分析[J].重庆商学院学报,2002(6):3-5.
[6] 邵帅,齐中英.西部地区的能源开发与经济增长——基于“资源诅咒”假说的实证分析[J].经济研究,2008，43(4):147-160.
[7] 邵帅,齐中英.自然资源开发、区域技术创新与经济增长——一个对资源诅咒的机理解释及实证检验[J].中南财经政法大学学报,2008(4):3-9.
[8] SACHS J D,WARNER A M.The curse of natural resources[J].European Economic Review,2001,45(4):827-838.
[9] COOK,BRACZYK,HEIDENREICH.Regional innovation system: the role of governance in a globalize world [M].London: UCL Press,1998.
[10] MALONEY W F,MANZANO O,WARNER A.Missed opportunities: innovation and resource-based growth in latin america [with comments][J].Economia,2002,3(1): 111-167.
[11] PAPYRAKIS E,GERLAGH R.The resource curse hypothesis and its transmission channels[J].Journal of Comparative Economics,2004,32(1): 181-193.
[12] DING N,FIELD B C.Natural resource abundance and economic growths[J].Land Economics,2005,81(4): 496-502.
[13] MATSUYAMA K.Agricultural productivity,comparative advantage,and economic growth[J].Journal of economic theory,1992,58(2): 317-334.
[14] 曹永利,刘畅.俄罗斯利用自然资源制度对中国的启示[J].俄罗斯研究,2018(1):15-18.
[15] GYLFASON T.Natural resources,education,and economic development[J].European economic review,2001,45(4): 847-859.
[16] FREEMAN C.Technology policy and economic performance: lessons from Japan [M].London: Printer Press,1987.
[17] SACHS J D,WARNER A M.Natural resource abundance and economic growth[R].Cambridge: National Bureau of Economic Research,1995.
[18] PAPYRAKIS E,GERLAGH R.The resource curse hypothesis and its transmission channels[J].Journal of Comparative Economics,2004,32(1): 181-193.
[19] 邵帅,齐中英.自然资源富足对资源型地区创新行为的挤出效应[J].哈尔滨工程大学学报,2009(12):140-150.
[20] 邵帅.煤炭资源开发对中国煤炭城市经济增长的影响——基于资源诅咒学说的经验研究[J].财经研究,2010,36(3):90-101.
[21] 杜栋,王锋正.资源产业依赖对我国西部地区技术创新能力的影响[J].科技和产业,2015(1):52-55.
[22] 马宇,杜萌.对资源诅咒传导机制的实证研究——基于技术创新的视角[J].经济学动态,2013(1):88-93.
[23] 胡援成,肖德勇.经济发展门槛与自然资源诅咒——基于我国省际层面的面板数据实证研究[J].管理世界,2007(4):15-23.
[24] 李丽.资源依赖对区域创新的挤出效应及传导机制——企业创新需求实证研究[J].科技进步与对策,2017(15):42-48.
[25] 孙维峰,王艺申.自然资源依赖、技术进步与经济增长[J].资源与产业,2018(1):83-89.
[26] 中国科技发展战略研究小组.2018年中国区域创新能力评价[M].北京: 科学技术文献出版社,2009.
[27] 郭建万,袁丽.自然资源丰裕、制度质量与经济发展关系的研究[J].南方经济,2009(10):69-80.
[28] 曾波,苏晓燕.中国产业结构变动的能源消费影响——基于灰色关联理论和面板数据计量分析[J].资源与产业,2006,8(3):109-112.
[29] 许秀川,罗倩文.重庆市产业结构、能源消费与经济增长关系的实证研究[J].西南大学学报(自然科学版),2008,30(1):160-164.
[30] 姚予龙,周洪,谷树忠.中国资源诅咒的区域差异及其驱动力剖析[J].资源科学,2011,33(1):18-24.
[31] 徐康宁,王剑.自然资源丰裕程度与经济发展水平关系的研究[J].经济研究,2006(1):78-89.
[32] 安锦,王建伟.资源诅咒:测度修正与政策改进[J].中国人口·资源与环境,2015,25(3):91-98.
[33] 韩军辉,柳典宏.R&D投入、资源依赖与区域经济增长——基于门槛模型的实证研究[J].工业技术经济,2017(3):139-146.
[34] CAMERON A C,TRIVEDI P K.Microeconometrics with stata[M].College Station,TX: Stata Corp LP,2009.
[35] BLUNDELL R,BOND S.Initial conditions and moment restrictions in dynamic panel data models[J].Journal of Econometrics,1998,87(1):115-143.
[36] ROODMAN,DAVID MALIN.How to do xtabond2: an introduction to "difference" and "system" GMM in stata[J].2009,9(1):86-136.
[37] 孙永平,叶初升.自然资源丰裕与产业结构扭曲:影响机制与多维测度[J].南京社会科学,2012(6):1-8.
[38] LOV I,TIAN X.Property rights,productivity gains and economic growth:the Chinese experience[J].Post-Communist Economies,2002,14(2): 245-258.