俞立平

(浙江工商大学 统计与数学学院，浙江 杭州 310018)

0 引言

随着中国经济发展由追求数量转向追求质量，创新质量越来越受到重视。创新质量是企业全方位各领域质量的综合体现，包括产品与服务质量、运作过程质量以及企业管理质量，可通过绩效、数量、有效性、可靠性、特征、时间性、客户价值、成本、创新程度、复杂性等指标体现[1]。进入21世纪以来，随着创新驱动发展战略的实施，我国创新水平提升很快。据国家统计局公布的数据显示，目前我国发明专利申请量和研发人员数量已经位列世界第一，科技论文数量和研发经费数量位列世界第二，但我国创新质量仍然不高。由世界知识产权组织等发布的《2020年全球创新指数报告》显示，我国创新质量位列全球第16位，在基础研究、关键技术研究以及吸引全球创新资源等方面还存在一定差距。

技术积累对企业创新无疑具有十分重要的意义。技术积累是指企业技术知识、技术能力的增加与递进，包括研究与开发能力、生产能力、工艺能力等，是企业已积累的技术存量[2]。丰富的技术积累不仅有利于企业开发新产品，而且有助于提高生产与工艺水平，使得新产品能够快速量产，从而获得较强竞争优势。技术积累是企业创新的基础，而企业创新反映了技术积累水平。因此，研究技术积累与创新数量、创新质量的关系具有重要意义。只有少量研究关注技术积累与创新关系，没有进一步从创新数量、创新质量角度作深入分析，相关问题包括：①技术积累与创新数量/创新质量的作用机制；②技术积累与创新数量/创新质量的线性关系；③技术积累对创新数量/创新质量的作用特征、规律以及存在问题；④创新数量/创新质量对技术积累的反馈机制与影响效应等。开展上述问题研究不仅有利于推进技术创新机制与创新质量理论建设，而且对于加强技术积累、提高创新质量、提升企业创新效率具有重要意义。本文将以高技术产业为例，从宏观区域视角研究技术积累与创新数量/创新质量的关系，从而为高技术产业创新政策制定提供借鉴。

1 文献综述

关于创新质量的界定与测度，Lanjouw等[3]、Teemu等[4]认为，创新质量既包含创新的技术价值，也包含由此带来的商业价值；姜博、马胜利等[5]提出，高技术产业创新质量包括创新生成质量、创新应用质量、创新扩散质量和创新转化质量等；Guellec等[6]指出，授权专利拥有比未被授权专利更高的质量；Rubashkina等[7]、Johnstone等[8]认为，应基于专利信息衡量创新质量，其中，专利引用数是衡量创新质量的一个较好指标；Schettino等[9]采用主成分分析法提炼出同族专利规模、专利申请宽度、专利前向引用和后向引用4个指标，用以衡量创新质量；闫绪娴、曾强[10]指出，研究创新质量不应仅从微观企业层面着手，还应该关注宏观区域与产业层面。

关于创新质量的影响因素，李长英、赵忠涛[11]认为，技术多样化对创新数量与创新质量具有倒U型影响，不相关技术多样化对创新数量与创新质量具有正向影响；李扬、樊霞等[12]研究了产学研合作对科学与技术研发质量的影响，发现基于理论的产学研合作较弱但创新质量更高，基于实践的产学研合作较强但创新质量较低；陈战光、李广威等[13]研究发现，研发投入能够显著提升企业创新质量，知识产权保护与企业创新质量呈显著的倒U型关系；宾厚、马全成等[14]发现，产学研协同创新中的合作开发、人才输送模式与技术创新质量呈正相关关系，技术转让模式与产业技术创新质量关系不显著；黄倩、宋鹏等[15]研究了人民币汇率、中间品进口对出口产品质量的影响；李晓龙、冉光和[16]研究了数字金融对创新质量的影响；袁胜军、俞立平等[17]研究了创新政策对创新质量的影响，发现创新政策以提升创新数量为主，对创新质量的影响不显著，我国创新政策必须从重视创新数量转向重视创新质量。

关于技术积累的界定与内涵，Arrow[18]开创了技术积累研究，提出技术进步与技术积累既相互联系又有所区别，技术进步是技术积累的结果，但技术积累并不一定带来技术进步；Hayek[19]指出，企业知识来自企业内部，并通过日常经营积累或研发产生新知识；宋宝香、彭纪生等[20]认为，技术能力是企业在持续的技术学习与变革中进行产品生产或服务提供的累积性知识、技能与经验，是企业持续进行技术积累的结果；邢丽娜[21]提出，技术积累是一个知识吸收与应用过程，是企业技术能力形成的关键；曹勇、赵莉等[22]认为，技术积累不仅是企业知识性资源，也是研发投入的具体体现，能反映企业研发支出范围，是对技术创新过程的一种投入；滕璐璐、王传磊[23]将技术积累划分为狭义技术积累、组织积累和文化积累3个层面。

关于技术积累的测度，Porter等[24]以专利申请授权量作为核心变量，通过永续盘存法测度技术积累；杨菲、安立仁等[25]采用因子分析法，从自主积累、开放式积累两个角度综合评价我国区域技术积累能力，分析地区技术积累能力结构；孙菁、王京等[26]选取无形资产中的专利、专有技术或非专有技术以及软件等净值反映技术积累；岳宇君、孟渺[27]采用发明专利申请数作为技术积累的替代变量。

关于技术积累现状及影响因素，万广华、范蓓蕾等[28]认为，由于地理、资源禀赋和历史等因素，我国东中西部的技术创新能力始终存在无法忽视的差距；Sydow等[29]研究发现，技术积累过程既受到成本约束，也受组织刚性和技术路径影响；Hobday[30]研究了代工企业通过技术转移实现技术积累的机制，包括来自客户的支持、员工培训、接入国际市场、追赶国际技术前沿等。

关于技术积累与创新的关系，Cohen[31]认为，技术积累是企业形成消化吸收能力的基础，更是二次创新的关键；Oded[32]研究发现，随着技术积累水平提升，研发投入产出的边际收益降低，技术积累水平在研发投入与创新绩效间发挥负向调节作用；郭秀强、孙延明[33]研究了研发投入、技术积累与高新技术企业市场绩效之间的关系机理；尚涛、郑良海[34]研究发现，在技术转移后期，随着企业技术能力增强，跨国公司通过市场势力与资源需求控制阻止代工企业技术升级，表现为对技术升级倾向、技术升级投入、技术转移内容的抑制与控制。

从现有研究看，关于创新质量的界定既有广义的，也有狭义的，主要从微观企业层面界定创新质量，从产业层面开展的研究并不多，且关于创新质量的测度方法也较成熟。关于创新质量的影响因素，现有研究涉及技术多样化、产学研合作、研发投入、协同创新、创新文化、顾客创新、创新政策等。关于技术积累的界定，学术界并没有太大争议，由于技术能力与技术积累密切相关，因此两者演化趋同。有关技术积累的实证研究不多，其影响因素研究包括积累模式、成本、组织刚性、技术路径、技术转移等。综上所述，本文将从以下方面作深入分析：

第一，在创新与技术积累关系的研究中，只有少量文献涉及创新数量，缺乏对创新质量的研究。因此，本文针对技术积累对创新质量的影响机制作进一步探究。

第二，从实证研究角度，有必要厘清技术积累与创新数量/创新质量的关系，包括线性关系和非线性关系，从而掌握技术积累对创新数量/创新质量的作用特征、作用规律以及存在问题。

第三，关于技术积累对创新数量/创新质量的反馈机制以及反馈效应缺乏研究，有必要作深入分析。

本文以高技术产业为例，在分析技术积累对创新数量/创新质量影响的基础上，综合采用联立方程模型、面板门槛模型、向量自回归模型开展研究。本文创新之处是开创了技术积累对创新质量影响的新研究领域，研究方法也体现了综合性、系统性和稳健性，对于提高我国创新质量具有重要借鉴意义。

2 理论分析与研究方法

2.1 理论分析

2.1.1 技术积累分类

本文将技术积累总体上分为生产技术积累与研发技术积累两类。生产技术积累包括生产工艺与生产技术积累、检测与配套技术积累两个方面，这是企业实现规模生产的前提条件。研发技术积累包括传统技术积累、相关技术积累和新兴技术积累三类。其中，传统技术积累是采用传统技术路径通过不断优化、升级形成的技术积累；相关技术积累是与传统技术创新相关的一些技术领域的积累，如创新拓展、创新集成等；新兴技术积累是采用全新知识或技术进行研发而产生的相关技术积累。

知识积累是技术积累的重要基础。通常情况下，传统知识是传统技术积累以及相关技术积累的基础，比如传统的化学感光知识积累催生了胶片相机技术积累；而前沿知识是新兴技术积累的基础，比如电子感光理论的出现催生了数码相机的相关技术积累。

2.1.2 技术积累与创新数量

创新数量是一个总量概念，由于绝大多数创新以传统创新为主，因此技术积累与创新数量关系的研究应重点从传统创新角度展开。

技术积累与创新数量关系包括以下方面：第一，传统技术积累对创新数量的作用机制包括完善效应、拓展效应。其中，完善效应是指沿着原有技术路径不断完善、优化现有产品设计；拓展效应是在现有技术不变的情况下，通过实用新型或外观设计进行创新。第二，基于相关技术积累进行集成创新，从而增加创新数量。第三，基于生产技术积累进行工艺改进，提高产品质量、扩大产能、降低废品率等，进而增加创新数量。

需要说明的是，创新数量对技术积累具有反馈作用，如技术积累较多，会带来创新数量增加，实现较高收益，进而促进企业进一步加大技术积累投入，形成良性循环。

2.1.3 技术积累与创新质量

关于创新质量与创新类型的关系，Schumpeter[35]提出创新的5种类型，分别是开发新产品、采用新生产方式、开辟新市场、发现新原材料或半成品来源、形成新工业组织。从技术创新角度，新产品、新生产方式、新原材料或半成品来源均与重大创新或创新质量相关。

技术积累与创新质量的关系包括：第一，新兴技术积累具有两个作用，即提供新产品与新材料半成品来源，这无疑对创新质量具有重大意义。第二，重大相关技术积累会产生重大集成创新，如载人航天、高铁技术等，它们同样属于创新产生新产品的范畴，也是创新质量的重要组成部分。第三，重大生产技术积累会催生新生产方式，这同样是创新质量的体现。

同时，创新质量对技术积累也具有反馈作用，如良好的技术积累会带来创新质量提高，进而带来高额回报，促进企业进一步加大新兴技术积累、重大相关技术积累、重大生产技术积累等投入，形成良性循环。

2.2 研究框架

本文研究框架如图1所示。Griliches[36]在经典Cobb-Douglus生产函数的基础上，提出以科研成果作为产出、研发经费作为投入建立知识生产函数，而后Jaffe[37]在投入变量中引入研发人员变量，这就是著名的Griliches-Jaffe知识生产函数。本文借鉴上述理论模型，将科技创新成果分为创新数量、创新质量两个维度。鉴于研发投入、技术积累与创新数量/创新质量之间存在复杂的互动关系，并且创新数量与创新质量之间也存在互动关系，因此本文首先采用联立方程模型研究技术积累与创新数量、创新质量之间的关系，从而得出它们之间的平均弹性系数，这是一种线性关系模型。然后，为了进一步刻画技术积累与创新数量/创新质量之间的关系特征、作用规律和存在问题，继续采用面板门槛模型开展研究，这是一种非线性关系模型。最后，为了研究技术积累与创新数量/创新质量之间的互动关系，进一步采用贝叶斯向量自回归模型开展研究，重点从脉冲响应函数角度分析变量间的互动关系，以弥补线性关系与非线性关系静态研究的不足。

图1 研究框架Fig.1 Research framework

2.3 研究方法

2.3.1 面板联立方程模型

采用联立方程模型估计技术积累与创新数量/创新质量、研发经费、研发人员等变量之间的复杂关系，联立方程模型如下：

式中，Y1为创新数量，Y2为创新质量，K为研发经费、L为研发人员，T为技术积累。cij表示回归系数，其中,i表示方程序号，j代表变量序号，i,j=1,2,3,4,5。

方程(1)为创新数量方程，影响因素包括研发经费、研发人员、技术积累、创新质量。考虑到相关要素对创新数量的作用存在滞后性，因此研发经费、研发人员、技术积累3个变量均滞后1期，但对创新质量没有设置滞后期。

方程(2)为创新质量方程，影响因素包括研发经费、研发人员、技术积累、创新数量。同样，考虑到时间滞后性，研发经费、研发人员、技术积累3个变量均滞后1期，但对创新数量没有设置滞后期。

方程(3)为研发经费影响因素方程，包括研发人员、创新数量、创新质量等变量，所有变量均滞后1期。方程(3)没有引入技术积累，主要原因是技术积累对研发经费投入的影响既有正向效应，也有负向效应，叠加后总效应较弱。

方程(4)为研发人员影响因素方程，包括研发经费、创新数量、创新质量等变量，所有变量均滞后1期。技术积累对研发人员的影响总体较弱，因此没有引入。

方程(5)为技术积累影响因素方程，包括研发经费、研发人员、创新数量、创新质量等变量，所有变量均滞后1期。

以上方程均进行取对数处理，主要原因有两个：①取对数后所有回归系数均变成弹性系数，且不同方程的回归系数可以直接比较，变量计量单位对回归结果无影响；②可以有效降低异方差影响，使回归精度更高。

2.3.2 面板门槛回归模型

为了研究技术积累与创新数量、创新质量的非线性关系，需要采用面板门槛回归模型[39]进行分析。该模型中，因变量包括创新数量、创新质量，核心变量为技术积累，门槛变量包括创新数量、创新质量、研发经费、研发人员、技术积累等，理论上共包括10个模型。对于创新数量而言，通过识别技术积累对创新数量的贡献可以分析创新数量门槛、技术积累自身门槛、创新质量门槛、研发经费门槛、研发人员门槛；对于创新质量而言，技术积累对创新质量的贡献可以研究创新质量门槛、技术积累自身门槛、创新数量门槛、研发经费门槛、研发人员门槛。以技术积累对创新质量贡献的研发经费门槛为例，建立如下模型：

(6)

式(6)考虑了双门槛情形，即存在2个研发经费门槛θ1和θ2，使得技术积累对创新质量的弹性出现显著差异，当K≤θ1时，T对创新质量的弹性为η1；当θ1θ2时，T对创新质量的弹性为η3。

具体门槛数量需要通过门槛效应检验获得，并综合考虑研究问题、数据量等诸多因素。

2.3.3 贝叶斯向量自回归模型

为了研究技术积累与创新数量、创新质量的互动关系，采用贝叶斯向量自回归模型进行动态分析。贝叶斯向量自回归模型(Bayesian Vector Autoregressions，BVAR)是Litterman[39]将贝叶斯推断理论与传统VAR模型高度融合的结晶，其最大优势是通过对少数超级变量的估计，弥补VAR模型对众多参数估计的不足，从而最大限度地节省自由度，提高模型估计精度与预测效果。

2.3.4 BP人工神经网络

为了对技术积累与创新数量、创新质量的回归结果进行稳健性检验，借鉴BP人工神经网络模型，将研发经费、研发人员、技术积累作为投入变量，创新数量、创新质量作为产出变量，建立BP人工神经网络机器学习模型，并对其进行训练，从而得到技术积累、研发经费、研发人员权重。这本质上与回归系数含义接近，通过对比分析实现稳健性检验。虽然这种稳健性检验属于方法层面的，但是在研究计量模型不唯一的情况下具有重大意义。

BP神经网络模型能够模拟人类大脑神经网络基本特征与工作原理，同时，可进行并行计算和分布式信息处理[40]。常见的BP人工神经网络由输入层、隐含层、输出层组成，其中，隐含层可以是多个。BP人工神经网络的学习原理是通过不断调整网络连接权重，使得网络总体误差最小化。最小误差的学习阈值可以通过人工设定，目前技术成熟，已经广泛应用在管理学、心理学、人工智能等诸多领域。

3 研究数据与实证结果

3.1 研究数据

本文以高技术产业为例展开研究。由于创新数量侧重于总量，且创新数量包括不同水平创新，因此借鉴蔡绍洪、俞立平等的研究，采用新产品销售收入表示。创新质量的测度方法较多[6-8]，有的采用发明专利数，有的采用指标体系测度，本文基于宏观产业层面开展研究，因此采用发明专利授权数占申请数的比重表示。技术积累是企业长期努力的结果，是存量概念，因此本文采用有效发明专利数表示。研发经费采用研发经费内部支出表示，研发人员采用研发人员折合全时当量表示，这也是学界的通行做法。

本文所有数据均来自《中国高技术产业统计年鉴》，由于发明专利授权数与申请数于2010年才开始公布，因此本文数据范围为2010-2019年。另外，西藏、新疆、宁夏、青海数据缺失较多，因此未纳入统计与研究，实际取样为27个地区的省际面板数据。变量描述性统计结果如表1所示。

表1 变量描述性统计结果Tab.1 Variable descriptive statistics

3.2 联立方程估计结果

基于式(1)～式(5)的联立方程模型进行估计，估计方法采用二阶段最小二乘法，工具变量借鉴Blundell的研究，采用各变量一阶滞后项表示，估计结果如表2所示。5个方程的拟合优度分别为0.869、0.204、0.937、0.927、0.899，除创新质量方程拟合度偏低外，其它方程拟合度总体较高，模型总体拟合效果较好。创新质量方程拟合度偏低的原因是，目前我国高技术产业创新质量不高，加上一些影响因素难以量化。

表2 联立方程估计结果Tab.2 Estimation results of simultaneous equation model

式(1)中，研发经费的弹性系数最高，为0.571，其次是技术积累，弹性系数为0.287，第三是创新质量，弹性系数为-0.789，三者均通过统计性检验。研发人员的弹性系数为0.233，没有通过统计检验。创新质量对创新数量的影响系数为负，说明要提高创新数量，必须牺牲创新质量，两者协调性不佳。

式(2)中，研发经费的弹性系数最高，为0.121，其次是技术积累，弹性系数为0.106，第三是创新数量，弹性系数为-0.077，第四是研发人员，弹性系数为-0.156，以上均通过统计性检验。创新数量的弹性系数为负，说明要提高创新质量，必须牺牲创新数量，两者不协调。研发人员的弹性系数为负数，原因有两方面，一方面是从提高创新质量角度考虑，我国研发人员素质有待提高；另一方面是目前的变量无论是采用研发人员折合全时当量还是研发人员数量，均无法反映不同水平研发人员的贡献，且数据获取有限。

式(3)中，研发人员的弹性系数最大，为0.680，其次是创新数量，弹性系数为0.288，第三是创新质量，弹性系数为0.268，三者均通过统计性检验，说明创新数量、创新质量提升对研发经费均具有较好的反馈作用。

式(4)中，研发经费的弹性系数最大，为0.709，其次是创新数量，弹性系数为0.153，第三是创新质量，弹性系数为-0.560，三者均通过统计性检验。这是因为创新数量由于重视量的扩张，因此对研发人员具有较好的正向反馈，而创新质量提升较困难，需要以科研精英和团队作为支撑，因此对一般意义的研发人员折合全时当量难以产生正向反馈。此外，由于研究数据所限，难以区分不同研发人员的贡献，这也是导致创新质量对研发人员难以产生正向反馈的一个重要原因。

式(5)中，创新质量的弹性系数最大，为0.831，其次是研发经费，弹性系数为0.793，第三是创新数量，弹性系数为0.217，三者均通过统计性检验。研发人员的弹性系数为-0.062，没有通过统计性检验。从技术积累角度，创新质量的反馈作用比创新数量显著，这是值得肯定的。

联立方程可视化结果如图2所示，图中实线表示正相关，虚线表示负相关，箭头表示变量影响方向，线宽表示弹性大小。图中可以明显看出，创新数量提升有较好的方法，总体线条较宽，而创新质量提升尚缺乏有效手段，总体线条较窄。技术积累对创新数量的贡献大于创新质量，并且创新质量的反馈对技术积累的影响更显著。

图2 联立方程可视化结果Fig.2 Visualization results of simultaneous equations

3.3 面板门槛回归模型估计结果

3.3.1 技术积累对创新数量、创新质量的技术积累门槛

分别以创新数量、创新质量作为因变量，研发经费、研发人员作为控制变量，技术积累作为核心变量，同时，将技术积累作为门槛变量，采用面板门槛回归模型进行回归。为了便于比较，通常采用双门槛模型进行估计，除非门槛检验未通过，否则采用双门槛回归结果。实证结果如表3所示。

表3 技术积累自身的门槛效应估计结果Tab.3 Estimation results of technology accumulation′s threshhold effect

当因变量是创新数量时，技术积累存在两个门槛，对应值分别为5.208、8.367，将技术积累分为低水平、中等水平、高水平三类，数量分别为22、163、58个，以技术积累中等水平地区为主。技术积累对创新数量的弹性系数分别为0.514、0.403、0.352，均通过统计性检验，说明随着技术水平提高，其对创新数量贡献的弹性总体是下降的，呈规模报酬递减特征。

当因变量是创新质量时，技术积累同样存在两个门槛，其对应值分别为5.369、8.811，将技术积累分为低水平、中等水平、高水平3类，数量分别为28、173、42个，同样以技术积累中等水平地区为主。技术积累对创新数量的弹性系数分别为-0.003、0.031、0.043，但只有后者通过统计性检验，说明只有当技术积累水平很高时，才能有效提高创新质量。

3.3.2 技术积累对创新数量、创新质量的创新数量门槛

分别以创新数量、创新质量作为因变量，研发经费、研发人员作为控制变量，技术积累作为核心变量，创新数量作为门槛变量，采用面板门槛回归模型进行回归。实证结果如表4所示。

表4 技术积累的创新数量门槛估计结果Tab.4 Threshhold estimation results of technology accumulation′s innovation quantity

当因变量是创新数量时，创新数量存在两个门槛，其对应值分别为12.697、14.499，将创新数量分为低水平、中等水平、高水平3类，数量分别为28、71、144个，以创新数量高水平地区为主。技术积累对创新数量的弹性系数分别为0.049、0.165、0.277，但第一个弹性系数没有通过统计性检验。也就是说，当创新数量较低时，技术积累与创新数量无关，这是因为在上述情况下，企业创新能力弱，技术积累水平不高，两者难以形成有效的互促关系。随着创新数量增加，技术积累对创新数量的影响弹性逐步增强。

当因变量是创新质量时，创新数量存在两个门槛，对应值分别为11.888、12.261，将创新数量分为低水平、中等水平、高水平3类，数量分别为12、6、225个，以创新数量高水平地区为主。技术积累对创新数量的弹性系数分别为0.092、0.015、0.053，但第二个弹性系数没有通过统计性检验。也就是说，当创新数量较低时，技术积累对创新质量的影响弹性较大，但由于数据量太少，该结论价值不高。总体上，对于创新数量较多地区而言，技术积累对创新数量的弹性影响系数处于中等水平。

3.3.3 技术积累对创新数量、创新质量的创新质量门槛

分别以创新数量、创新质量作为因变量，研发经费、研发人员作为控制变量，技术积累作为核心变量，创新质量作为门槛变量，采用面板门槛回归模型进行回归，实证结果如表5所示。

表5 技术积累的创新质量门槛估计结果Tab.5 Threshhold estimation results of technology accumulation′s innovation quality

当因变量是创新数量时，创新质量存在两个门槛，对应值分别为-1.092、-1.020，将创新质量分为低水平、中等水平、高水平3类，数量分别为16、8、219个，以创新质量高水平地区为主。技术积累对创新数量的弹性系数分别为0.224、0.891、0.217，但第二个弹性系数没有通过统计性检验。也就是说，当创新质量较低时，技术积累对创新数量的弹性系数较大，而当创新质量较高时，技术积累对创新数量的弹性系数较小。这是因为当创新质量较低时，企业技术积累的主要贡献是提高创新数量，当创新质量较高时，企业技术积累对创新质量的作用更显著，同时，对创新数量的弹性影响有所降低。

当因变量是创新质量时，创新质量存在两个门槛，对应值分别为-0.694、-1.012，将创新质量分为低水平、中等水平、高水平3类，数量分别为26、91、126个。技术积累对创新质量的弹性系数分别为-0.024、0.021、0.052，但只有第三个弹性系数通过统计性检验，说明只有当创新质量较高时，技术积累才能有效促进创新质量提升，当创新质量较低或者中等时，技术积累难以有效促进创新质量提升。

3.3.4 技术积累对创新数量、创新质量的研发经费门槛

分别以创新数量、创新质量作为因变量，研发经费、研发人员作为控制变量，技术积累作为核心变量，研发经费作为门槛变量，采用面板门槛回归模型进行回归，实证结果如表6所示。

表6 技术积累的研发经费门槛估计结果Tab.6 Threshhold estimation results of R&D expenditure for technology accumulation

当因变量是创新数量时，研发经费存在两个门槛，对应值分别为11.744、13.251，将研发经费分为低水平、中等水平、高水平3类，其数量分别为87、86、70个，数量相近。可以发现，技术积累对创新数量的弹性系数分别为0.223、0.313、0.277，均通过统计性检验。当研发经费处于中等水平时，技术积累对创新数量的弹性系数较高，其它情况下则较低。当研发经费较少时，由于保障创新数量的基本条件不具备，所以技术积累的弹性系数较小，而当研发经费充足时，技术积累的边际贡献会出现递减，同样，弹性系数也有所降低。

当因变量是创新质量时，研发经费存在两个门槛，对数值分别为9.646、14.111，将研发经费分为低水平、中等水平、高水平三类，数量分别为14、205、24个，以研发经费中等地区居多。技术积累对创新质量的弹性系数分别为0.007、0.059、0.082，但第一个没有通过统计性检验，说明当研发经费较少时，技术积累与创新质量无关，当研发经费水平逐步提高时，技术积累对创新质量的贡献不断增大。

3.3.5 技术积累对创新数量、创新质量的研发人员门槛

分别以创新数量、创新质量作为因变量，研发经费、研发人员作为控制变量，技术积累作为核心变量，研发人员作为门槛变量，采用面板门槛回归模型进行回归，实证结果如表7所示。可以发现，当因变量是创新数量时，研发人员存在两个门槛，对应值分别为11.744、13.251，将研发人员分为低水平、中等水平、高水平三类，数量分别为25、161、57个，以中等水平人员居多。技术积累对创新数量的弹性系数分别为0.353、0.286、0.246，均通过统计性检验。这意味着随着研发人员增多，技术积累对创新数量的弹性系数总体呈降低趋势，符合边际贡献递减规律。其根本原因是创新成果已经具有一定规模，在这种情况下，随着研发人员增多，技术积累对创新数量的作用出现减弱。

表7 技术积累的研发人员门槛估计结果Tab.7 Threshhold estimation results of R&D personnel for technology accumulation

当因变量是创新质量时，研发人员存在两个门槛，对应值分别为6.504、10.585，将研发人员分为低水平、中等水平、高水平三类，数量分别为11、206、26个，同样以中等水平人员居多。技术积累对创新质量的弹性系数分别为0.009、0.062、0.086，但第一个弹性系数没有通过统计性检验。这是因为科技人员是创新的重要力量，当研发人员较少时，技术积累难以提升创新质量。随着研发人员增多，技术积累对创新质量的弹性系数逐步增大，符合我国创新质量提升空间较大的现实。

3.4 贝叶斯向量自回归模型估计

建立贝叶斯向量自回归模型，滞后期检验结果显示滞后2期最佳，单位圆检验结果显示所有的点都位于单位圆内，因此模型总体是稳健的。

创新数量的脉冲响应函数如图3所示。可以发现，来自研发经费一个标准差的正向冲击对其影响最大，当期为0，随后逐渐提升并趋于稳定；其次是技术积累的冲击，当期也为0，随后略有提升并趋于稳定；再次是研发人员的冲击，当期为0，总体作用较弱，但影响时间较长；最后是来自创新质量的冲击，当期为0，随后急剧下降，表现为负向弹性，作用时间较长，说明创新质量的冲击不能提高创新数量。

图3 创新数量的脉冲响应函数Fig.3 Impulse response function of innovation quantity

创新质量的脉冲响应函数如图4所示，可以发现，首先，研发经费的冲击对其影响最大，当期为0，总体较弱，但是作用时间较长；其次是技术积累的冲击，也比较弱，特征类似；再次是研发人员的冲击，但结果显示为负向弹性，总体较弱，说明研发人员的冲击难以有效提高创新质量；最后是创新数量的冲击，同样表现为负向弹性，当期为0，作用时间较长，说明创新数量的冲击难以提高创新质量。

图4 创新质量的脉冲响应函数Fig.4 Impulse response function of innovation quality

技术积累的脉冲响应函数如图5所示。可以发现，首先，研发经费一个标准差的正向冲击对其影响最大，当期就发挥效用，至第四期达到极大值后略有下降；其次是创新数量的冲击，当期发挥效用，随后迅速提高，作用时间较长，说明创新数量对技术积累具有较强的正向反馈；再次是研发劳动力的冲击，当期发挥效用，总体较平稳，作用时间较长；最后是创新质量的冲击，其当期发挥效用，但是弹性系数总体不大，并且从第四期开始衰减为负数，说明创新质量对技术积累的反馈作用有待提高。

图5 技术积累的脉冲响应函数Fig.5 Impulse response function of technology accumulation

3.5 稳健性检验

为了对技术积累与创新数量、创新质量的关系进行稳健性检验，以创新数量、创新质量作为产出，研发经费、研发人员、技术积累作为投入变量，基于BP人工神经网络进行稳健性检验。人工神经网络的学习阈值总误差设定为0.000 000 1，一旦到达该阈值则停止学习。由于BP人工神经网络模型每次学习结果不一样，因此采用5次学习的平均值结果作为最终结果。

创新数量的稳健性检验结果如表8所示，可以发现，研发经费的权重最高，为46.15，其次是技术积累，权重为36.27，最小的是研发人员，权重为17.58，排序与式(1)-(6)的估计结果一致，说明研究结果稳健。

表8 稳健性检验结果Tab.8 Robustness test results

4 研究结论

4.1 技术积累对创新数量的贡献大于创新质量

联立方程估计结果表明，技术积累对创新数量的弹性影响要远远高于创新质量。各种面板门槛效应的估计结果也表明，技术积累对创新数量的弹性影响也远远大于创新质量。其主要原因是，我国创新数量总体较大，但创新质量不高，并且颠覆性创新、重大创新、重大生产工艺改进等相对滞后，新兴技术积累、重大相关技术积累、重大生产技术积累不足。

4.2 创新数量与创新质量协调水平不高

联立方程估计结果表明，创新数量对创新质量的弹性系数为负，创新质量对创新数量的弹性系数也为负。贝叶斯向量自回归模型结果显示，创新质量冲击对创新数量的影响呈负向，创新数量冲击对创新质量的影响总体较弱，但长期表现为负向。这充分说明我国高技术产业创新数量与创新质量协调度较低，尽管创新数量是创新质量的基础，创新质量是创新数量的高端化，但由于创新质量不高，导致两者不平衡。

4.3 技术积累对创新数量的贡献中其自身、研发人员、创新质量的门槛效应呈递减特征

在技术积累对创新数量的贡献中，技术积累自身、研发人员、创新质量对其的弹性系数均为非线性，且作用特征相似，随着这些门槛变量水平提高，技术积累对创新数量的弹性系数总体上呈降低趋势。这说明从提高创新数量角度，技术积累尽管具有重要作用，但如果缺乏根本的基础理论突破和重大技术突破，技术积累的作用有限。

4.4 随着创新数量增加技术积累对创新数量的弹性影响系数逐步增大

当企业拥有较多创新数量和较高水平技术积累后，企业存在较大的选择空间和更多技术路径，因此更有利于创新数量增加。创新数量作为一种创新挖潜途径，还有较大提升空间。

4.5 当研发经费处于中等水平时技术积累对创新数量的弹性影响系数最大

面板门槛回归结果表明，当研发经费处于中等水平时，技术积累对创新数量的弹性影响最大。这是因为研发经费不足导致技术积累难以促进创新数量增加，而当研发经费水平较高时，企业能将更多精力放在提高创新质量上。

4.6 技术积累对创新质量的弹性影响具有较强的规模经济效应

面板门槛回归模型结果表明，当创新数量、创新质量、研发经费、研发人员以及技术积累自身水平较低时，技术积累与创新质量无关，只有当上述水平均有提高时，技术积累才与创新质量正相关，并且当研发经费、研发人员投入从中等水平提升到高水平后，技术积累的弹性系数才会有所增大，这主要是因为我国高技术产业规模不大、创新质量整体不高。