开放是中国的基本国策。习近平总书记不断强调“推动建设开放型世界经济”,“引导经济全球化朝着更加开放、包容、普惠、平衡、共赢方向发展”,“秉持更加开放包容的姿态”,“不断把对外开放提高到新的水平”,并在庆祝改革开放40周年大会上指出“开放带来进步,封闭必然落后”。但是,当前不断加剧的逆全球化浪潮给中国开放带来了巨大挑战,正在从贸易层面深入到产业层面。始于2018年6月的中美贸易摩擦直接发生在贸易层面,不断加征的关税使中国2019年对美出口下降了12.5%,间接波及中国对外经济贸易全局,通过舆论和心理作用加剧了不确定性,增加了在华企业的迁出倾向。2020年以来新冠疫情的爆发,使各国加强了产业回迁。人民网刊文《防“全球产业链去中国化”,重在不可替代性”》[1],基于日本企业“召回”计划、美国库德洛对企业回流的鼓励、部分企业向东南亚迁移事件以及新京报对福耀集团董事长曹德旺的专访等一系列代表性事件,认为“出现了全球产业链正在‘去中国化’的猜测”。
扩大进口既是“稳住外贸外资基本盘”的重要方向,又是“双循环”的重要构成部分。2020年7月21日,习近平总书记在企业家座谈会上特别强调:“以国内大循环为主体,绝不是关起门来封闭运行。”事实上,扩大进口早已是中国外贸政策实践的重要组成部分,此前已有一些扩大进口的举措,包括2012年《国务院关于加强进口促进对外贸易平衡发展的指导意见》、2018年7月《关于扩大进口促进对外贸易平衡发展的意见》、2018年11月开始的“中国国际进口博览会”、2020年2月《关于积极扩大进口应对新冠肺炎疫情有关工作的通知》等。2020年3月,《关于用好内外贸专项资金支持稳外贸稳外资促消费工作的通知》提出“稳住外贸”措施以及3条“促进国内消费”的措施。但是,庄芮等[2]、赵新泉等[3]都认为2012年以来的进口扩大举措在操作层面比较单一,主要表现为进口关税下调、进口通关便利化以及与进口相关的配套服务体系仍不完善等。
完善进口扩大政策需要更加充分的学术研究作为支撑。钱学峰等[4]将2008-2011年的进口措施概括为“为平衡而进口”。2012年以来的进口扩大政策仅是平衡政策的延续,只有确认进口对经济增长的积极作用之后,才能在政策实践中坚定地完善进口扩大举措。因为在学术研究上,进口作用的结论始终存在争议。凯恩斯主义认为进口是“漏出”,但是内生增长理论却认为其能够促进技术进步。实际上,部分学者认为进口促进了技术进步,也有部分学者认为进口削弱了本国企业创新能力。在当前复杂严峻的国际经济贸易形势下,扩大进口是明显有效的应急举措,但其对创新的影响如何?创新是增长的源泉,如果扩大进口无益于创新,就需要及早规划政策退出,以避免“漏出”扩大化拖累中国经济增长;如果进口能够显著促进创新,正面效应大于“漏出”效应,也需要尽快将扩大进口政策明确化和制度化,充分发挥其作用。
关于进口的影响,学界仍有争议。在传统层面上,出口被认为是拉动增长的“三驾马车”之一。凯恩斯主义认为进口是国民经济的“漏出”,这在当前统计实践中得以体现,因为进口是GDP核算中的减项。重商主义是另一个长期支持减少进口的理论。按照重商主义的解释,接受进口是为了更好地出口,钱学峰等[4]将中国1994-2007年概括为“为出口而进口”的阶段;戴翔等[5]认为,尽管重商主义在理论上已经受到较为彻底的批判,但是进口妨碍增长这种认知始终没有得到根本性改变。特朗普政府将逆差等同于贸易利益损失和经济增长损失并发起对华贸易摩擦的理论依据正是重商主义。
21世纪以来,美国、欧洲和日本进口都有大幅度增长,并产生了无法忽视的影响,促使经济学家展开深入讨论。尽管也有学者发现来自中国的进口竞争促使美国企业增加了专利申请、研发支出和计算机使用,提高了全要素生产率[6],但更多的却是负面结论。Feng等[7]分析新贸易理论框架认为,中国企业生产率在对美贸易中得到提升之后转变为竞争优势,造成一批美国企业破产;Hummels等[8]、Pierce & Peter[9]也得出相似结论,认为来自中国的进口增加了美国失业人口。在创新方面,Autor等[10]认为来自中国的进口竞争实际上不仅导致美国公司专利申请量下降,还导致受影响行业的盈利和研发投资减少。
关于进口对中国的作用,学者大多得出肯定结论。例如,李平和郭娟娟[11]发现中间品进口数量增长有利于企业技术水平提升;黄新飞等[12]研究发现,中间投入品进口企业比非进口企业生产率高出6.5%;黄漓江[13]研究结果显示,进口竞争和企业更替均显著提高了存活企业生产率,最终显著促进总量生产率增长;姜超和兰宜生[14]研究“一带一路”沿线国家进口发现,扩大进口贸易政策促进了创新研发;李平和史亚茹[15]研究进口对企业创新的作用发现,企业生产率越高,进口对企业创新的积极作用越大。而且,进口对企业创新并无阻碍作用,即便是生产率最低的一般贸易企业,进口也对其创新具有激励作用。
当前,对于“双循环”背景下进口的作用,学界大多持积极态度,且主张扩大开放。魏建国[16]认为两个循环不是对立的,而是相互补充和叠加的,扩大开放、增强国际循环是国内循环建设的内在要求;刘志彪[17]指出双循环新格局意味着中国进入主场全球化阶段。在过去40多年中,因为国内市场容量不足,中国总体上以国际市场为导向,主要是全球化的跟随者。当前,中国经济发展已经达到较高水平,尤其是在“一带一路”、“上海合作组织”和“东盟10+3”区域,中国已经是贸易伙伴的重要市场和重点关注方向。内循环建设是培育和扩大国内市场的重要方式,进口是联结中国与区域贸易伙伴的重要纽带,区域产业链构建是中国应对全球产业链去中国化的重要途径。
已有文献大多认为,进口对美国的影响是消极的,对中国的影响是积极的。但这只是对已有经验的总结,不一定能在未来成立,尤其是在“逆全球化”兴起阶段[18],国内外局势已然不同。在国外实行保护政策之际,中国是否应该坚持扩大进口?在国外进行关键零部件出口限制之际,中国继续扩大进口是否会加重对进口品的依赖?这些疑问都会动摇中国的进口扩大政策。
本文贡献在于:①明确结论,有助于中国坚定地扩大进口并完善相关政策;②研究进口促进创新的邻里效应,不仅可以补充进口促进创新的一个重要方面,而且估测发现其量值远超过本地效应;③使用宏观数据测算邻里效应;④基于微观数据的研究主要使用“中国工业企业数据库”,最新数据截至2013年,本文数据截至2017年,政策意义的时效性更强。
进口既会影响本地创新(本地效应),又影响邻里地区创新(邻里效应)。通过空间计量实证分析可以估计得到两个效应的定量结果,但在理论上首先需要确认两种影响传导机制,主要涉及两个方面:一是进口对创新的影响;二是经济活动的邻里效应。本文综合两个领域文献阐明进口影响创新的本地效应和邻里效应。
进口通过3个机制直接影响本地企业创新。如果进口的是本地市场没有的产品,可能产生替代效应,阻碍创新。Liu & Qiu[19]认为需求是激发创新的重要力量,对新产品的需求如果迅速被国外企业供给满足,本地企业创新动力就将减弱。即便是本地企业产生内部需求,如果有低价易得的进口品,也会增加企业选择“购买”的可能;如果没有进口品可用,企业“创新”意愿就会更强。可见,高质量投入品进口对本地企业创新具有替代效应。
如果进口的是本地市场已有的产品,则可能产生挤出效应,并阻碍创新。在本地市场已有供应的情况下仍有进口,通常是因为进口品更加便宜。进口品以低价挤占本地企业市场份额将导致本地企业收入、利润及创新投入能力下降,产生挤出效应[20]。例如,中国产品进入欧美市场最显著的便是价格优势。Atkinson[21]认为来自中国的进口对美国企业创新产生了显著挤出效应。
进口的是本地市场已有产品,也有可能产生机会成本效应,促进创新。本地企业利润受到低价进口品侵蚀之后,用于当前产品(Old Goods)生产要素的价值下降,促使企业放弃当前产品生产,转向新产品(New Goods)开发。Bloom等[6]将用于当前产品生产的要素视作陷入要素(Trapped Factors)。尽管与国际先进水平相比,该产品生产已属低效,但因为仍能产出一定利润,所以要素不会轻易退出。进口冲击降低了当前产品生产者利润,加速了要素优化配置,有利于激发企业创新。
进口影响创新除前述替代效应、挤出效应和机会成本效应外,还有模仿效应和竞争效应。假设本地企业主要供应本地市场,潜在创新机会被进口品替代的主要是本地企业;经济绩效受到影响的也主要是本地企业,替代效应、挤出效应和机会成本效应都不会显著影响邻里地区,但是模仿效应和竞争效应对本地和邻里地区的影响效应均比较显著。
Broda & Weinstein[22]发现,相比国内产品,进口的通常是新型产品。新型产品在本地或是邻里地区出现,更容易激发本地和邻里地区企业模仿意愿,尤其是当新型产品在本地或邻里地区有良好的市场表现时,这一理论得到实证研究的支撑。Broda等[23]、Amiti & Konings[24]分别以印度和印尼数据证实进口产生的模仿效应。
竞争效应是指进口品在本地市场上获得市场份额时,会改变本地和邻里地区企业对未来的判断,加大企业创新心理压力。Aghion等[25]认为,在激烈的市场竞争中,企业须通过创新提高自身竞争能力。本地企业比较容易达成非正式均衡或是某种形式的同盟,同盟越稳定,创新动力越弱,而国外产品进口则会打破这种均衡或同盟,迫使企业不得不进行创新,以与国外产品制造商竞争。
空间计量模型构建的前提除前文所述邻里效应之外,还需要设置流动障碍。产品和要素区域流动成本越接近于0,区域差异显著性越弱。此时,某地进口对全国各地的影响是相似的,也就不存在所谓的区域间传递。中国内地31个区域间的流动障碍在文献中被概括为市场分割,马述忠和房超[26]认为主要有两个来源:一是自然性市场分割;二是制度性市场分割。其中,自然性市场分割主要是指由地理空间距离造成的运输成本。孙浦阳等[27]认为高铁建设具有时空压缩效应,显著降低了国内运输成本;朱廷珺和刘子鹏[28]认为内陆运输距离显著影响国内各地对外贸易。在制度研究方面,范欣等[29]发现中国省区间长期存在市场分割现象,并建议加强基础设施建设;张昊[30]以“价格法”测算我国2006-2017年市场统一度发现,运输成本正在下降,而“地区间软环境差异却未能同步改善”。另一些学者研究市场分割的影响。如吕越等[31]发现中国国内市场分割阻碍出口产品国内增加值率提升;马述忠和房超[26]认为线下市场分割是线上市场发展的重要原因。
知识生产函数(Knowledge Production Function,KPF)是构建回归模型的理论基础,本文参考Autant-Bernard & LeSage[32]、Hazir & Autant-Bernard[33]的做法选择解释变量,构建回归模型如式(1)和式(2)所示。
patent=α+ρ·tw·patent+β1·import+β2·personrd+β3·gdpind+β4·gdppc+β5·k+β6·profit+θ1·tw·import+θ2·tw·personrd+θ3·tw·gdpind+θ4·tw·gdppc+θ5·tw·k+θ6·tw·profit+ψi+φt+μ
(1)
μ=λ·(tw·μ)+ε
(2)
在式(1)和式(2)中,α、ρ、β、θ为外生参数;ψ和φ分别表示个体效应和时间效应;μ、ε为随机扰动项,其中ε为独立同分布的随机变量,且ε~N(0, σε2INT);μ的分布取决于式(2);tw为时空权重矩阵。各变量含义和样本描述性统计特征如表1所示,进口的作用前文已有详述。其中,研发人员、工业产值、人均GDP、物质资本存量、营业盈余的本地效应在理论上都应为正,但是区域间效应较难推断。
表1中的patent、import、gdpind、gdppc、profit来源于《中国统计年鉴》;personrd来源于《中国科技统计年鉴》;kd来源于《中国统计年鉴》的固定资产折旧,是在固定资产折旧比例固定假设下以折旧(discount)作为物质资本存量(k)的代理变量;kf来源于范巧和郭爱君[34]的建议,数据截至2016年,将地区i的数据记作kf2016i,kf2016表示31个地区之和,kd2016和kd2017同理。则,kf2017i的算法如式(3)所示。
(3)
样本数据覆盖中国内地31个省区,始于1997年,因为更早年份没有重庆数据;截至2017年是因为2018年profit和k的数据尚未发布。这两个数据在国家统计局网站“地区数据”栏目和各省统计年鉴中均能找到,但比大多数指标延迟一年,2019年年鉴仅统计到2017年。本文使用所有变量除以地区GDP得到的相对值,以降低异方差的影响,也更符合经济分析逻辑。表1是所有变量的描述性统计结果。
表1 变量描述性统计结果
变量名称观察值平均值方差最小值最大值patent专利申请受理量(项)6511.7591.5010.0938.743import进口额(百万美元)6511.9423.0510.05920.340personrd研发(R&D)人员全时当量(人年)6516.4614.9700.95344.747gdpind工业增加值(亿元)6510.3720.0960.0680.530gdppc人均地区生产总值(千元/人)6515.1236.9590.90240.704kd物质资本存量-折旧(亿元)6510.1440.0260.0900.306kf物质资本存量-范(亿元)6511.3800.5170.7003.817profit营业盈余(亿元)6510.2280.0660.0230.380
数据来源:《中国统计年鉴》和《中国科技统计年鉴》等
时空权重矩阵(tw)包括空间和时间两个维度。初始空间权重矩阵(w)没有时间维度,只考虑空间关联,并以数值加以量化描述。例如,中国内地31个地区间的相互影响会因为距离远近而有明显差别。一种思路是将相邻地区数值设为1,不相邻地区数值设为0,被称作0~1矩阵;另一种思路是取距离的倒数,称作反距离矩阵。又如,各地区体量大小和水平高低不同,对其它地区的影响程度也不同,因此也可设定经济社会发展水平矩阵,见图1。
w5ij=e-0.02·dij ,
(4)
e为自然数,dij为i、j两地的省会距离。
本文计算得到5种常用空间权重矩阵。其中,w1是根据是否相邻而设定的0~1矩阵;w2是省会城市间公路距离倒数矩阵;w3是根据Egger等[35]设定的经纬度矩阵;w4是根据Shao[36]设定的经济规模矩阵;w5是根据Fingleton[37]设定的有限距离矩阵,当两地距离小于所有地区间距离的平均值时取值w5ij,计算方法如式(4)所示,其余元素取值为0。5种空间权重矩阵的非零元素可视化如图1所示。
基于5种空间权重矩阵计算得到的莫兰指数如图2所示。其中,根据经纬度计算得到负值,且总体趋势平稳;另外4种为正值,总体呈上升趋势,表明中国区域间经济联系逐渐增强。
图1 空间权重矩阵(w)的非零元素可视化
在空间维度的基础上添加时间维度成为时空矩阵(tw),因为区际影响强度随时间推移而变化。例如,创新在地区间会产生双向溢出效应[38],因此权重也需要随时间而变化。或者,当被解释变量存在空间自相关时,前一期产生的影响叠加到后一期,也会导致权重的时序变化。本文借鉴LeSage & Pace[39]、Mata & Llano[40]设定的时间权重矩阵,将空间权重矩阵和时间权重矩阵通过克罗内克积组合形成时空权重矩阵,以使邻里效应的时间转移传导得到反映。借鉴范巧和石敏俊[41]的做法,基于标准化的时间权重矩阵和空间权重矩阵的克罗内克积构建时空权重矩阵(tw)。表2给出5种时空权重矩阵与被解释变量矩阵间的相关系数和T统计值。从中可以看出,变量间存在空间邻里效应。相关系数最大的是基于省会公路距离倒数构建的tw2,因此tw2为最适合的时空权重矩阵。
图2 基于5种空间权重矩阵计算得到的全局莫兰指数
表2 5种时空权重矩阵与被解释变量矩阵的相关系数及T统计值
twtw1tw2tw3tw4tw5系数0.2930.724 60.299 90.205 10.183 5T统计量值199.48684.4204.68136.41121.49
计量模型如式(1)和式(2)所示,但其中的ρ、θ和λ都有可能为0。排列组合共有8种可能:ρ、θ、λ都为0是没有空间效应的(NSM)模型,都不为0是广义嵌套空间(GNS)模型;仅θ为0是空间自相关(SAC)模型,仅λ为0是空间杜宾(SDM)模型,仅ρ为0是空间杜宾误差(SDEM)模型;θ和λ为0是空间自回归(SAR)模型,ρ和λ为0是空间X滞后(SLX)模型,ρ和θ为0是空间误差(SEM)模型。当前,具有嵌套关系的空间计量模型检验容易识别,不具有嵌套关系的较难识别。例如,SDM与SAC模型之间,或者SAR与SEM模型之间都较难识别。
表3列出8种模型的混合效应回归结果。从中可见,对于核心解释变量import而言,不存在模型识别问题,因为全部模型回归结果一致。import对本地和邻里创新都有显著正向效应。已有研究普遍使用企业数据,难以捕捉邻里效应,低估了进口对创新的作用。
从系数量值看,邻里效应远超本地效应,表明空间计量刻画的邻里效应在评估进口的创新促进作用上意义重大。邻里效应超过本地效应是因为信息相比产品而言具有更强的邻里传递能力[42]。进口对创新既有积极作用,也有消极影响。本地效应在积极和消极方面都较强,邻里效应虽然两个方面都弱一些,但在消极方面弱更多。在进口影响创新的6种效应中,替代效应为负,其传递媒介是产品,邻里传递能力较弱;模仿效应和心理压力效应为正,其传递媒介是信息,邻里传递能力较强。综合而言,进口促进创新的邻里效应显著超过本地效应。
因变量区际影响的ρ显著为正,表明创新本身具有邻里效应。A地创新增加会溢出到邻里地区,符合理论预期,但是创新生产要素在地区间即存在竞争。在知识生产函数理论框架下,personrd是促进创新的直接生产要素,k是间接生产要素。两个要素在表3中展示的是刘和东[43]论证的创新要素集聚虹吸效应,抑或是余永泽[44]论证的“挤占效应”。即本地为增加创新虹吸收邻里地区的创新要素,阻碍邻里地区创新。personrd的本地效应显著为正,符合理论预期。k的本地效应虽不显著,但profit显著。根据前文Acharya & Keller[20]等论述的挤出效应,进口影响本地创新的渠道便是减少本地企业利润,使本地创新投资能力受到影响。表3中kd和profit可能存在一定程度的共线性,因而前者仅邻里效应显著,后者仅本地效应显著。
8种模型中有4种不包含w·x,容易因为变量遗漏而使估计结果有偏。本文在其余4种模型中选择当前文献使用较多的SDM和SDEM进行固定效应回归,分别以s、t表示空间和时间,以fix标记固定效应,结果如表4所示。与表3相比,虽然各变量回归系数显著性水平有所不同,但在符号方向上高度一致。
由表4可以看出,双向固定效应下进口促进本地创新的作用不显著。虽然双向固定效应回归遗漏变量的可能性更小,但是根据Anselin等[45]的研究,空间计量中双向固定效应回归需要大样本容量,否则容易出现较强的共线性,影响显著性水平的可靠性。因此,仅有时间和截面固定效应的回归结果仍有较高的参考价值,进口对本地有显著促进作用这一结论仍比较稳健。就本文的另一核心问题而言,进口对创新的邻里作用在SDMtfix之外的5个模型中都显著为正,在SDMtfix中也仅仅是不显著,而非相反,由此支持表3结果的稳健性。此外,与表3结果高度一致的是kd显著为负的邻里效应,表明区域间在资本要素上存在竞争。
资本存量因为没有直接统计数据可用,故学界普遍采用的是根据各种方法资料估算得到的间接结果,数值争议较多。本文以kf替代kd重新进行回归,结果如表5所示。与表3、表4相比,关于进口对创新的本地效应和邻里效应得到完全一致的结论,在系数符号和量值两个方面,表5有力地证明了前文结论的稳健性。
表3 8种模型回归结果(kd)
变量NSMSXLSARSDMSEMSDEMSACGNSconstant1.693***(4.036)12.309***(7.164)0.276(0.716)11.073***(6.807)18.147***(10.291)25.809***(7.774)7.967***(4.235)20.058(0.531)import0.246***(13.827)0.157***(9.357)0.222***(14.024)0.166***(10.482)0.202***(11.876)0.172***(10.572)0.190***(12.531)0.178***(11.153)personrd-0.009(-0.879)0.067***(6.293)0.011(1.144)0.067***(6.659)0.039***(3.565)0.062***(6.084)0.052***(5.350)0.062***(6.336)gdpind-0.102(-0.138)1.242(1.628)0.008(0.013)1.526**(2.116)0.599(0.925)1.128(1.547)0.710(1.229)1.423**(1.978)gdppc-0.033***(-3.486)-0.008(-0.950)-0.030***(-3.576)-0.007(-0.905)-0.020**(-2.241)-0.013(-1.470)-0.019**(-2.386)-0.011(-1.236)kd-5.036**(-2.304)2.511(1.308)-3.735**(-1.921)2.340(1.290)-5.407***(-2.683)1.167(0.636)-2.512(-1.397)1.293(0.725)profit2.550***(2.642)1.919**(2.158)1.777**(2.070)2.007**(2.389)1.304(1.436)2.171***(2.522)1.257(1.551)2.123***(2.548)tw*import0.991***(6.866)0.715***(5.238)0.916***(6.421)0.694***(4.891)tw*personrd-0.402***(-11.240)-0.339***(-10.023)-0.248***(-5.074)-0.215***(-3.396)tw*gdpind-7.283(-1.439)-6.985(-1.460)-5.475(-1.104)-4.693(-0.969)tw*gdppc0.008(0.143)0.007(0.129)0.033(0.517)0.037(0.600)tw*kd-60.941***(-6.032)-55.169***(-5.777)-100.390***(-7.309)-83.722***(-5.119)tw*profit3.532(0.476)-1.712(-0.244)-4.414(-0.626)-8.414(-1.189)ρ0.985***(301.570)0.963***(114.180)1.482***(43.345)0.946***(2.960)λ0.970***(146.740)0.946***(75.946)0.970***(84.826)0.939***(2.542)R20.3440.5420.4750.5830.4440.5670.5580.595Sigma1.4781.0311.1700.9211.2380.9550.9860.894LogL-1 047.3-927.09-978.74-899.88-996.58-911.64-923.73-892.72
注:***、**、*分别表示在1%、5%和10%统计水平上显著;括号内为t值,下同
表4 固定效应回归结果(kd)
变量SDMsfixSDMtfixSDM2fixSDEMsfixSDEMtfixSDEM2fiximport0.066*(1.903)0.199***(12.554)0.038(1.097)0.068**(1.973)0.202***(12.874)0.048(1.374)personrd0.011(0.961)0.061***(6.170)0.007(0.617)0.017(1.484)0.060***(6.110)0.012(1.001)gdpind-3.036***(-3.797)1.339*(1.790)-3.078***(-3.726)-3.293***(-4.134)1.314*(1.725)-3.113***(-3.662)gdppc0.108**(2.407)-0.017**(-1.978)0.086*(1.925)0.075*(1.676)-0.018**(-2.020)0.092**(2.021)kd1.645(0.917)-0.619(-0.319)0.665(0.359)1.082(0.608)-1.135(-0.585)0.278(0.146)profit2.410***(3.006)1.851**(1.977)1.959**(2.274)2.864***(3.559)1.667*(1.775)1.875**(2.126)tw*import0.225*(1.863)0.087(0.852)0.433***(2.615)0.420***(2.724)0.218**(2.142)0.484***(2.818)tw*personrd0.206***(4.105)0.087(1.390)0.516***(7.593)0.332***(4.971)0.094(1.462)0.527***(7.522)tw*gdpind-3.150(-1.496)-0.520(-0.099)-0.025(-0.005)-8.266**(-2.123)0.798(0.148)-1.752(-0.318)
续表4 固定效应回归结果(kd)
变量SDMsfixSDMtfixSDM2fixSDEMsfixSDEMtfixSDEM2fixtw*gdppc-1.695***(-5.105)-0.099(-1.510)-1.364***(-2.711)-2.384***(-5.691)-0.088(-1.308)-1.252**(-2.460)tw*kd-10.788**(-2.438)-50.614***(-3.531)-43.656***(-3.124)-29.721***(-2.952)-51.174***(-3.447)-44.245***(-3.032)tw*profit0.312(0.156)-14.189**(-2.028)-12.696*(-1.935)3.902(0.889)-12.954*(-1.829)-12.227*(-1.815)ρ0.668***(14.923)0.438***(5.951)0.443***(5.751)λ0.758***(20.760)0.386***(4.573)0.291***(3.075)R20.7880.6230.7990.6790.6090.792Sigma0.5020.8750.4520.4670.8560.462LogL-695.8-875.218-669.942-693.32-876.357-674.188
表5 8种模型回归结果的稳健性检验(kf)
变量NSMSXLSARSDMSEMSDEMSACGNSconstant2.091***(6.807)5.676***(4.171)0.567**(2.041)4.313***(3.357)11.775***(5.768)6.161***(4.145)5.096**(2.220)4.697***(3.186)import0.204***(11.433)0.167***(9.548)0.191***(11.867)0.172***(10.382)0.193***(11.147)0.178***(10.459)0.183***(11.842)0.181***(11.068)personrd0.032***(2.790)0.068***(6.194)0.041***(3.957)0.068***(6.477)0.042***(3.767)0.062***(5.726)0.055***(5.582)0.062***(5.999)gdpind-0.423(-0.611)0.553(0.705)-0.230-0.368)1.049(1.417)0.231(0.360)0.519(0.678)0.502(0.879)1.032(1.404)gdppc-0.018**(-2.084)-0.022**(-2.334)-0.020**(-2.452)-0.014(-1.622)-0.020**(-2.358)-0.022**(-2.377)-0.016**(-2.073)-0.014(-1.629)kf-0.888***(-7.942)0.231(1.516)-0.652***(-6.462)0.086(0.595)-0.390***(-2.547)0.063(0.420)-0.320**(-2.339)-0.044(-0.310)profit2.367***(2.686)0.552(0.654)1.650**(2.075)0.728(0.914)2.059**(2.424)0.627(0.760)1.577**(2.081)0.763(0.964)tw*import0.818***(5.128)0.624***(4.145)0.888***(5.696)0.691***(4.612)tw*personrd-0.306***(-4.447)-0.311***(-4.784)-0.263***(-3.569)-0.266***(-3.789)tw*gdpind-9.549*(-1.811)-8.880*(-1.784)-10.023**(-1.947)-8.382*(-1.700)tw*gdppc-0.145***(-2.673)-0.131***(-2.567)-0.148**(-2.446)-0.129***(-2.258)tw*kf-0.602(-1.342)-0.004(-0.009)-0.839(-1.590)-0.250(-0.505)tw*profit6.141(0.787)1.839(0.250)3.274(0.441)-1.494(-0.209)ρ0.982***(252.600)0.965***(123.780)1.438***(36.370)0.960***(29.946)λ0.967***(129.510)0.846***(19.643)0.973***(89.051)0.789***(3.439)R20.3970.5180.5040.5620.4430.5320.5580.570Sigma1.3571.0851.1060.9671.2401.0320.9850.949LogL-1 019.6-943.74-960.34-915.94-997.05-935.64-923.73-911.06
关于创新直接生产要素personrd的结论完全一致;间接生产要素k的直接效应与表3相似,都是部分模型显著为负,另一部分模型不显著。对照表4显示的固定效应回归结果,可认为k的直接效应不显著;再对照表3,可确认k的邻里效应显著为负。在周黎安[46]所述的地方官员晋升锦标赛思路之下,对照本文结论可以充分理解政府招商引资、人才竞争工作的力度和热情。
本文对1997-2017年中国内地31个省区市数据进行空间面板回归,检验进口对创新的作用,得出3个结论:
(1)进口显著促进本地创新。2008年以来后金融危机时代出现了逆全球化下的贸易保护主义思潮,美国对进口进行了更多限制。在中美贸易摩擦中,中国被迫在客观上增加进口限制。但是本文发现,进口对本地创新具有显著正向影响。尽管在理论上,进口的作用既可能是促进,也可能是限制,但在实证上却得到显著为正的稳健性结论。或许在其它国家有所不同,但在中国,进口对创新的积极作用确定无疑。
(2)进口促进创新有显著为正的邻里效应。已有文献广泛使用企业数据,本文转而采用省级数据。虽然不如企业数据样本容量大,但有两个优点:一是本文所用数据时效性更强,充分覆盖了2008年金融危机前后两段,对当前政策具有更好的指导意义;二是本文能够刻画邻里效应,这是企业数据无法实现的。显著为正的邻里效应且系数量值远超过本地效应,这一实证结果表明以企业数据为样本的已有研究大幅低估了进口对创新的促进作用。
(3)创新生产要素有显著为正的本地效应和显著为负的邻里效应。创新的直接生产要素是研发人员,间接要素是物质资本,二者都有显著为负的邻里效应。研发人员是创新主体,物质资本是创新支持条件。创新本身具有显著为正的邻里效应,本地创新会为邻里地区提供示范,并通过竞争效应产生创新激励作用;但是在创新生产要素上地区间存在竞争,邻里地区人才和资本空间集聚会形成增长极,对本地研发人员与物质资本形成虹吸,削弱本地创新能力。
(1)完善进口政策,充分放开进口。新冠疫情以来出现的关于全球化是否终结的讨论[47],是对近年来世界贸易总额趋于下降的担忧。“双循环”理念提出后也出现一些误解,开放这一基本国策受到质疑[48]。习近平总书记多次强调中国“开放的大门只会越开越大”,但是进口扩大政策的系统化和制度化仍存在一些不足[2,3]。中国国际进口博览会释放了积极信号,自由贸易试验区建设也能为扩大进口提供助力。但这些都是相对零散的“点”,政策体系制度化是影响更大的“面”。本文补充进口促进创新这一结论,扩充进口扩大政策的学术依据。根据本文结论,应进一步扩大进口,积极推动进口扩大政策体系的制度化。
(2)加强国内统一市场建设。本文研究发现进口促进创新有较强的邻里效应,国内市场一体化程度越高,越有利于邻里效应的实现。统一市场建设也是当前“双循环”强调“充分发挥我国超大规模市场作用”的内在要求。但是正如已有研究结论[28-31]所示,国内市场仍然存在较高程度的省区分割,这既不能满足国内大循环的要求,也不利于邻里效应的发挥。
(3)在地方政府层面,应在扩大进口的同时,加强人才和资本吸引。地方政府发展经济既要注重当前绩效,也要激发长期活力和动能。习近平总书记指出“只有开放,才能持久发展”。扩大进口虽然会对本地企业短期绩效产生影响,但如果有充裕的人才和资本,在面对进口带来的竞争压力时,也会激发企业创新意愿,不断提升企业创新能力,为地区经济发展带来长期活力和动能。
[1] 人民网.防“全球产业链去中国化”,重在不可替代性[EB/OL].http://yuqing.people.com.cn/GB/ n1/2020/ 0415/c209043-31673694.html,2020.
[2] 庄芮,杨超,常远.中国进口贸易70年变迁与未来发展路径思考[J].国际贸易,2019,37(4):34-45.
[3] 赵新泉,卫平东,刘文革.新时期主动扩大进口的理论机制及政策建议[J].国际贸易,2020,38(7):47-54.
[4] 钱学锋,裴婷.新时期扩大进口的理论思考[J].国际贸易,2019,37(1):12-17.
[5] 戴翔.主动扩大进口:高质量发展的推进机制及实现路径[J].宏观质量研究,2019,7(1):60-71.
[6] BLOOM N,MIRKO D,JOHN V R.Trade induced technical change? the impact of Chinese imports on innovation,IT and productivity [J].The Review of Economic Studies,2016,83(1):87-117.
[7] FENG L,LI Z,SWENSON D L.Trade policy uncertainty and exports: evidence from China's WTO accession [R].Cesifo Working Paper Series 4385,Cesifo Group Munich,2016.
[8] HUMMELS D,RASMAUS J, JAKOB R M, et al.The wage effect of offshoring: evidence from Danish matched worker-firm data [J].American Economic Review,2014,104(6):1597-1629.
[9] PIERCE J,PETER K S.The surprisingly swift decline of us manufacturing employment [J].American Economic Review,2016,106(7):1632-1662.
[10] AUTOR D,DAVID D,GORDON H H, et al.Foreign competition and domestic innovation: evidence from U.S.patents [R].Cesifo Working Paper Series 7865,CESifo Group Munich,2019.
[11] 李平,郭娟娟.全球价值链背景下中间品进口对企业全要素生产率的影响[J].上海财经大学学报,2017,19(6):31-42.
[12] 黄新飞,高伊凡,柴晟霖.中间投入品进口与企业生产率:短期效应与长期影响[J].国际贸易问题,2018,43(5):54-67.
[13] 黄漓江.进口竞争、企业退出和进入与全要素生产率[J].世界经济研究,2020,39(2):19-32.
[14] 姜超,兰宜生.中国及“一带一路”沿线主要国家进口贸易与创新研发关系研究[J].科技进步与对策,2019,36(12):27-36.
[15] 李平,史亚茹.进口贸易、生产率与企业创新[J].国际贸易问题,2020,41(3):131-146.
[16] 魏建国.如何构建新发展格局?专家:双循环相互促进,不可偏废[EB/OL].http://www.people.com.cn/BIG5/n1/2020/0807/c32306-31814539.html, 2020.
[17] 刘志彪.市场主体活力也是双循环发展格局的活力[EB/OL].http://www.rmlt.com.cn/ 2020/0803/588732.shtml, 2020.
[18] 佟家栋.分工与国际经济保护主义:驳“中国威胁论”[J].世界经济,2017,40(6):3-22.
[19] LIU Q,QIU L D.Intermediate input imports and innovations: evidence from Chinese firms' patent filings [J].Journal of International Economics,2016,103(11):166-183.
[20] ACHARYA R C,KELLER W.Estimating the productivity selection and technology spillover effects of imports [R].NBER Working Paper,No.14079,2008.
[21] ATKINSON R D.Innovation drag: China's economic impact on developed nations [J].Information Technology & Innovation Foundation,2020(1):1-26.
[22] BRODA C,WEINSTEIN,D E.Globalization and the gains from variety [J].The Quarterly Journal of Economics,2006,121(2):541-585.
[23] BRODA C,GREENFIELD J,WEINSTEIN D E.Fromground nuts to globalization: a structural estimate of trade and growth [R].NBER Working Papers,No.w12512,2006.
[24] AMITI M,KONINGS J.Trade liberalization,intermediate inputs,and productivity:evidence from Indonesia[J].The American Economic Review,2007,97(5):1611-1638.
[25] AGHION P,HARRIS C,HOWITT P.Competition,imitation and growth with step-by-step innovation [J].Review of Economic Studies,2001,68(3):167-192.
[26] 马述忠,房超.线下市场分割是否促进了企业线上销售——对中国电子商务扩张的一种解释[J].经济研究,2020,66(7):123-139.
[27] 孙浦阳,张甜甜,姚树洁.关税传导、国内运输成本与零售价格——基于高铁建设的理论与实证研究[J].经济研究,2019,65(3):135-149.
[28] 朱廷珺,刘子鹏.中国内陆运输距离与进出口贸易:引力模型拓展与实证[J].世界经济研究,2019,38(6):58-70,135.
[29] 范欣,宋冬林,赵新宇.基础设施建设打破了国内市场分割吗[J].经济研究,2017,63(2):20-34.
[30] 张昊.地区间生产分工与市场统一度测算:“价格法”再探讨[J].世界经济,2020,43(4):52-74.
[31] 吕越,盛斌,吕云龙.中国的市场分割会导致企业出口国内附加值率下降吗[J].中国工业经济,2018,35(5):5-23.
[32] AUTANT-BERNARD C,LESAGE J P.Quantifying knowledge spillovers using spatial econometric models [J].Journal of Regional Science,2011,51(3):471-496.
[33] HAZIR C S,AUTANT-BERNARD C.Determinants of cross-regional R&D collaboration: some empirical evidence from europe in bio-technology [J].The Annals of Regional Science,2014,53(2):369-393.
[34] 范巧,郭爱君.一种嵌入空间计量分析的全要素生产率核算改进方法[J].数量经济技术经济研究,2019,36(8):165-181.
[35] EGGER P,PFAFFERMAYR M,et al.Commodity taxation in a 'linear' world: a spatial panel data approach [J].Regional Science and Urban Economics,2005(35):527-541.
[36] SHAO Y.An application of spatial-panel analysis: provincial economic growth and logistics in China [J].Annals of the University of Petrosani Economics,2010,10(2):315-322.
[37] FINGLETON B.Prediction using panel data regression with spatial random effects [J].International Regional Science Review,2009,32(2):195-220.
[38] 程叶青,王哲野,马靖.中国区域创新的时空动态分析[J].地理学报,2015,69(12):1779-1789.
[39] LESAGE J P,PACE R K.Introduction to spatial econometrics [M].New York:CRC Press Taylor & Francis Group,2009.
[40] MATA T D L,LLANO C.Social networks and trade of services:modeling interregional flows with spatial and network autocorrelation effects [J].Journal of Geographical Systems,2013,15(3):319-367.
[41] 范巧,石敏俊.基于结构匹配性和有效相关性的内生时空权重矩阵遴选方法[J].数量经济研究,2018,35(2):114-135.
[42] SONG Y,JI Q,DU Y,et al.The dynamic dependence of fossil energy, investor sentiment and renewable energy stock markets [J].Energy Economics,2019(84):504-564.
[43] 刘和东.国内市场规模与创新要素集聚的虹吸效应研究[J].科学学与科学技术管理,2013,34(7):104-112.
[44] 余泳泽.中国区域创新活动的“协同效应”与“挤占效应”——基于创新价值链视角的研究[J].中国工业经济,2015,32(10):37-52.
[45] ANSELIN L,GALLO J L,JAYET H.Spatial panel econometrics [A].MáTYáS L,SEVESTRE P.The econometrics of panel data.advanced studies in theoretical and applied econometrics,vol 46 [M].Berlin,Springer,Heidelberg,2008.
[46] 周黎安.中国地方官员的晋升锦标赛模式研究[J].经济研究,2007,53(7):36-50.
[47] 文贯中.这一轮全球化已经终结,留给中国的时间窗口很有限[EB/OL].https://www.The paper.cn/newsDetail_forward_6952933,2020-04-12.
[48] 贾康.注重内循环绝不排斥对外开放[EB/OL].https://3w.huanqiu.com/a/de583b/3zKEre X5egj? agt=8om.2020-08-04.