张兴国，胡玉莹，唐家龙，3

（1.天津工业大学人文学院，天津 300387；2.天津工业大学经管学院，天津 300387；3.天津工业大学创新发展战略研究中心，天津 300387）

改革开放40 多年来，主要依靠要素投入、投资拉动，中国经济取得举世瞩目的伟大成就，经济总量已经稳居世界第二位，在全球经济和贸易中的份额屡创新高。但这种高投入、高消耗和高污染的模式难以持续，尤其是2008 年国际金融危机之后，我国经济从高速增长转向高质量发展。党和国家多次重申要实施创新驱动发展战略，把科技自立自强作为国家发展的战略支撑，推进关键核心技术攻关和自主创新，加快建设创新型国家和世界科技强国。数据显示，自2006 年《国家中长期科学和技术发展规划纲要》颁布以来，我国全社会研发投入从2006年的0.30 万亿元上升到2021 年的2.79 万亿元，研发投入强度（R&D/GDP）从1.42%上升到2.44%，国家创新指数排名从第25 位上升到2020 年的第14位，国家创新能力显著提升。通过依靠科技创新，实现质量变革、效率变革、动力变革，提高全要素生产率（TFP），已经成为实现经济增长阶段由数量扩张型增长向质量提升型转换的根本途径。

企业是经济活动的最微观单元。创新驱动发展的根本在于企业研发投入的加强，形成企业主导、创新有道的实践逻辑［1］。2006 年以来，我国企业研发投入从0.21 万亿元上升到2021 年的2.12 万亿元，达到了过去水平的10 倍量级，企业的技术创新主体地位日益凸显。尽管我国经历了持续可观的研发创新增长，但这种投入是否如愿以偿地带来了全要素生产率的增长呢？美国对我国中兴、华为等高科技企业的无理打压表明，国家发展仍然面临诸多“卡脖子”难题，没有关键核心技术的有力支撑，无论是微观企业还是中观产业乃至国家战略安全都难以得到有效保障。如果TFP 不能持续增长，那么国家可能会陷入“中等收入陷阱”［2］。因此,鼓励和促进创新等问题是国家创新体系建设中需要响应的必答题［3］，对企业创新行为的治理问题当属重中之重。

正如Griliches［4］的开创性文献指出，创新与生产率关系问题意义重大，但又面对理论模型、数据测量与更新、同时性偏差等方面的潜在问题，使得学术界关于研发与生产率的研究始终绵延不断而又长盛不衰。近年来关注创新与生产率的文献依然大量涌现，包括宏观和产业层面的研究如Englander等［5］和唐未兵等［6］，微观层面的企业研究也大幅增加［7-11］。既往文献为开展研发创新与生产率的研究奠定了非常好的基础，但当前有两个方面值得关注：首先，大多数文献不再把研发创新作为研究重心，偏向于探讨研发创新与其他因素的联合作用，或将研发作为一种中介机制进行分析；其次，当前研究一定程度上忽略了生产率持续变化的惯性——生产率动态带来的内生性问题，在讨论研发创新对生产率的影响时，忽略这种动态以及忽略研发创新对生产率影响的滞后性，导致理论和实证研究与现实的结合面临局限性。

对此，本文希望回归研发创新与生产率研究的中心问题，同时丰富拓展生产率动态性和研发效应滞后性的文献研究。本文的核心问题在于，企业研发创新投入大幅增加，能够有效促进企业生产率增长吗？如果考虑到生产率的动态性，研发创新的滞后效应仍然存在吗？研发创新推动生产率增长具有持续效应即较长的滞后效应吗？为了较好地回答这些问题，本文引入了动态面板系统广义矩估计（SYS-GMM）方法，以便较好地缓解遗漏变量、内生性和异方差等问题带来的参数估计偏误问题。通常，制造业企业研发活动较为密集，能够更好地代表区域或国家的技术创新能力。因此，本文将2011—2020 年中国沪深A 股上市制造业企业为研究对象，探索回答前述问题。

1 文献回顾

本文主要关注研发创新对企业生产率的影响，兼论前期生产率动态对当期生产率的影响。迄今为止，对TFP 的研究已经覆盖了广泛的国家、行业和企业。Griliches［4］、田先钰等［12］对研发创新和生产率进行了较为全面的综述，刘建翠［13］对生产率研究进行了系统回顾。基于前人文献，本文主要回顾三个方面文献。

1.1 研发创新影响生产率的理论机制

Romer［14］指出，知识能够增加企业的边际生产力，从而避免收益递减，实现长期增长。按照熊彼特的逻辑，研发活动作为一个学习过程，包括获取、吸收、转化和开发四个维度［15-16］。首先，对企业自身而言，研发活动是一种获取知识的投入。企业进行研发活动能够提高知识存量，形成专利技术和商业秘密［17］，通过过程创新和产品创新等提高生产率［18］。持续的技术进步会改进现有产品，要么增加单位时间内的产出，取得价格方面的竞争优势，要么提高产品质量或者扩大产品生产的范围，形成新产品［19］。其次，研发活动还具有两面性，不仅有利于直接的内部生产，还有利于外部技术转移，提高企业对前沿技术的吸收能力，促进TFP 增长［20］。研发活动尤其是政府补助的R&D 活动还会产生明显的溢出效应［21-22］，能够带动领域内的技术转移和合作，有利于生产率增长。最后，研发创新具有中介效应，研发投入会改变企业内部要素的投入比例，从整体上扩大企业的规模经济［23］；人力资本结构、FDI、海外并购等因素会通过研发创新的中介效应提升企业的生产率［24］。

1.2 研发创新与生产率的测量问题

研究企业生产率，首要的是确定生产率的计算方法。宏观层面的生产率研究奠基于新古典增长模型［25］，其在研发创新与生产率研究中得到广泛使用［4］。如果在企业微观层面套用宏观模型，加总的生产函数方法由于忽略了生产函数的多样性、生产中的次要因素，可能带来较大的误差［26］。因此，国内多数文献都采用OP 方法［27］或LP 方法［28］来计算企业层面的全要素生产率，部分研究直接使用劳动生产率作为主指标或稳健性检验的指标［29-30］。在确实测算生产率的方法时，还需要对涉及到的产出指标、资本存量和劳动力以及其他要素进行计算，限于篇幅在这里不作赘述。

其次是确定研发创新的指标。从概念上看，根据1964 年经济发展与合作组织（OECD）出版的《为调查研究与发展活动所推荐的标准规范》（即《弗拉斯卡蒂手册》），R&D 指标是包括了投入产出类指标的一个体系，研发活动的投入本身可能包括人力、物力、财力等多种形式，产出形式也包括了知识、专利、技术成果等直接产出和增加值、生产率等间接产出。研发投入影响到研发产出，进而影响生产率的变化［31］。实证研究中，投入指标大多使用研发经费度量。区别在于，有的使用经费支出的存量［32］，有的使用人均量［33］，更多的是使用强度指标［17,29,34,35］。这是因为强度指标可以避免量纲差异问题［36］，亦不需要进行价格平减或计算存量，同时不会带来样本损耗［37］。研发产出指标大多选用专利数［38-39］，但大多会区分专利的有效性和专利的类型。研发投入产出与企业产出之间还存在着动态关系，前期投入或产出将对后续事件产生影响，这种影响具有时间和空间的差异［4］。因此，研究中会考虑专利、产出等变量的滞后性［40-41］及因果循环性［34］。

1.3 研发创新与生产率关系的经验证据

当前，大多研究都发现研发创新对于生产率具有正向的显著影响［42-44］。从企业层面的研究来看，Griliches［17］利用20 世纪70 年代美国企业的数据发现，研发投入有着较高的企业回报率，私人企业投入的回报超过了政府资助的研发活动。Crépon等［31］研究了企业层研发投入、创新产出与生产率的关系，在纠正样本选择性和同时性偏差的情况下，他们发现，研发投入正向影响创新产出，创新产出对生产率有显著正向影响。Vivero 等［29］对1990—1994 年间西班牙企业调查数据分析发现，不同的研发创新指标对生产率的作用不同，过程创新的经费支出指标对于生产率的影响大于研发投入强度的作用。Aldieri 等［7］对意大利企业的分析发现，过程创新和产品创新等研发活动对企业生产率具有积极影响。Bong 等［34］对韩国中小企业的研究发现，企业研发创新活动对生产率具有正向效应，同时生产率对R&D 投入具有影响。

国内学者发现研发创新对于生产率的影响具有门槛效应和异质性。孙晓华等［45］将有研发和无研发企业对照，利用PSM 方法考察研发活动对工业企业生产率的影响，他们发现研发强度与生产率间存在正U 型关系，但99%的工业企业没有达到正向促进效应的门槛值。徐长生等［38］利用我国A 股上市公司2000—2016 年数据，基于多元回归和PSM 方法，分析有无某类有效专利的二值变量对TFP 的影响，他们发现拥有实用新型专利对TFP 的影响显著大于发明专利，外观设计专利对TFP 的影响受到扭曲。张广胜等［46］利用2009—2017 年制造业上市公司样本，发现研发投入显著促进企业全要素生产率提升,作用效果具有滞后效应且随时间推移而减弱，且这种作用具有股权、市场化水平等方面的异质性。

从既有文献来看，越来越多的研究聚焦于微观企业的研究。在研究结论上，大多数研究发现了研发活动对生产率增长具有正向效应，但部分研究得到不完全一致的结果［45］。限于研究年代和数据可得性，主要采用了较早期数据，同时在数据测量和方法上还存在着忽略同时性、选择性和滞后性等因素的问题。Griliches［4］指出，一些变量会随着时间和空间发生同时的变化，例如R&D 本身会受到过去的利润和生产率的影响，需要更复杂的技术来解决这些问题。事实证明，这一判断今天依然有效。

对此，本文将利用2011—2020 年我国A 股上市制造业企业的动态面板数据，运用SYS-GMM 方法，系统考察生产率动态下研发创新对生产率的影响，为我国企业提升生产率实现高质量发展提供经验证据支持。本文的边际贡献和创新点可能在于：（1）基于SYS-GMM 方法，引入生产率的滞后性，探讨生产率惯性下研发创新对生产率的影响，缓解了内生性问题。（2）借助SYS-GMM 方法同时考虑了研发创新对生产率影响的滞后效应问题。（3）从地域、所有制、股权和行业集中度等不同层面考察了控制生产率动态下研发创新对生产率影响的异质性。

2 研究设计

2.1 样本选取和数据说明

本文以中国沪深A 股上市制造业企业为研究对象。企业基本特征、财务数据、股权数据和研发数据等来源于同花顺问财数据库，企业所在省市区经济变量、行政区划分区数据来自于国家统计局官网。根据证监会的制造业行业分类，剔除了非制造业企业。遵循既有文献惯例，删除了ST 企业及企业资产、收入、股权结构等关键指标缺失的企业，剔除了ST 或PT 的企业。为了消除价格变动带来的影响，以2010 年为基年对企业收入类指数使用生产者价格指数进行了平减，对资产、资本性支出按照固定资产价格指数进行了平减。为了避免异常值的影响，对所有连续变量进行了1%的双尾缩减处理,最终获得2011—2020 年共10 年15 261 个观测值，属于典型的“大N小T”型面板数据类型。

2.2 计量模型

为估计生产率的动态效应和研发创新对生产率的滞后效应，本文使用适用于“大N小T”型面板数据分析的系统广义矩估计法（SYS-GMM）。在动态面板数据中，由于引入被解释变量的滞后项作为解释变量，使用传统的OLS 回归和固定效应模型得到的估计结果可能有偏且非一致。GMM 方法在存在单位根的情况下仍然有效，而且能够通过引入有效的工具变量和识别解决内生性问题，捕捉时间因素变化带来的影响。在SYS-GMM 估计中，使用水平变量滞后项作为差分方程的工具变量，同时使用差分变量的滞后项作为原水平方程的工具变量，以便更准确地估计研发创新以及生产率滞后项的统计量。模型设定如下：

其中，i和t代表第i家企业和第t年；被解释变量tfpit代表企业的生产率；核心解释变量Rd 代表企业年度研发强度；X是以企业层面为主的控制变量的集合；ηi是企业个体效应；dummies 是固定效应的集合，包括年份固定效应；α是常数项，μit是随机扰动项。变量下标i,t-1 或i,t-2 代表该变量的滞后一期或二期数值。当样本数据不满足SYS-GMM 条件时，将使用差分GMM 进行估计。

针对（1）式，本文将引入混合数据普通最小二乘法OLS 回归、个体时间双固定效应模型和SYSGMM 模型，对比确定δ1，从而选择合适的解释模型，并报告研发强度当期和滞后期的回归结果β0、β1、β2。在实证分析中，β0、β1、β2是本研究关注的核心变量的回归系数及其显著性，当SYS-GMM 得到的估计结果δ1的大小介于普通OLS 相应回归系数（上限）和固定效应回归模型对应系数（下限）之间时，为适宜的解释模型［47］。

2.3 变量定义和描述性统计

被解释变量：全要素生产率。计算企业TFP 的方法很多，常用的包括OLS 法、固定效应法、Olley-Pakes 法（以下简称“OP 法）、Levinsohn-Petrin 法（以下简称“LP 法）以及GMM 法等［26,48］。本文参考Rovigatti 等［49］和宋敏等［50］的文献，采用OP 法测算TFP。OP 方法可以克服企业投入产出过程中的同时性偏误和样本选择偏差，计算得到的生产率用OP 表示。同时参考李卫兵等［30］的研究，使用企业劳均营业收入即劳动生产率进行稳健性检验。

核心解释变量：研发创新Rd。参考既有文献［35,51］，使用研发投入与营业收入之比作为研发创新的测量指标。这一指标通常称之为研发强度，在微观、中观和宏观层面具有广泛的应用。该指标的优势在于可以避免量纲差异和样本损失问题［36］。

控制变量。参考既有文献［35,52-56］,引入了企业规模（Size）、托宾Q 值（Q）、资产收益率（ROA）、杠杆率（LEV，总资产负债率）、流动比率（LIQ）、所有权结构（Hold，最终控制人持股比例）、行业集中度（HHI，赫芬达尔指数）、企业年龄（Age）、企业性质（SOE,为国有企业时SOE=1）以及区域经济变量各省市人均生产总值GDP 等。对于Size、Q、HHI、LIQ、GDP 等变量进行了对数化处理，减少变量的异方差干扰。

表1 列示了各变量的具体说明和简单描述性统计量。

表1 变量说明和描述性统计

从被解释变量与研发强度的相关性看，当期水平的研发投入与OP 呈现明显的负相关关系，相关系数为-0.348 且在1%的统计水平上显著。这表明当期研发投入会降低企业的全要素生产率，与经验观察和理论预期一致。但这种投入对生产率的影响是否存在滞后效应，还需要后续的实证检验。

3 实证分析

本文使用系统广义矩方法（SYS-GMM）估计研发创新与生产率的关系。SYS-GMM 是对差分GMM的扩展，使用变量滞后阶作为差分方程的工具变量，同时使用差分变量的滞后项作为水平方程的工具变量，既能够同时控制个体效应、时间效应的影响，还能够较为容易地找到理想的工具变量。避免了传统的工具变量法中恰好识别和过度识别问题带来的效率难题［57］。SYS-GMM 能够修正未观察到的异方差问题、遗漏变量偏差、测量误差和潜在的内生性问题，因此得到广泛的应用。本文使用统计软件包STATA15.0，利用Roodman［47］提供的用于系统和差分广义矩的外部命令xtbaond2 进行。为控制异方差的影响，估计时使用了稳健标准误。

根据Roodman［47］的做法，使用SYS-GMM 时需要注意回归得到的滞后一期的被解释变量的回归系数δ1应当介于OLS 回归和固定效应回归的系数之间，前者是δ1的上限，后者是δ1的下限。同时，模型还必须满足两个条件：一是估计结果的残差存在1 阶序列AR(1)相关但不存在2 阶序列AR(2)相关，即矩条件不被过度约束。通常使用Arellano-Bond 检验，要求AR(1)检验的P＜0.1，AR(2)检验的P＞0.1。二是使用的工具变量有效的，水平方程和差分方程中使用的工具变量必须同时满足外生性检验的要求。实证中一般使用Hansen 检验进行判断，要求P 值＞0.1。基于此，本文利用普通最小二乘OLS、固定效应模型FE、SYS-GMM 方法得到基准模型的回归结果，如表2 所示。

表2 基准回归结果

3.1 基准分析

表2 中模型（1）—（3）报告了引入被解释变量滞后一期的OLS 回归、固定效应FE 回归、SYSGMM 回归结果。在STATA 程序中，设定内生变量为全要素生产率OP 的滞后一期，工具变量包括企业研发强度Rd、企业规模、托宾Q 值、资产收益率、杠杆率、流动比率、持股比例等企业层面的滞后变量和企业年龄、所有制性质、行业集中度、省区人均GDP 等。模型（3）的Arellano-Bond 检验结果表明，残差AR(1)的p=0.000，小于1%的统计性显著水平，AR(2)的p=0.345，大于10%的统计显著性水平，表明只存在1 阶自相关，不存在2 阶自相关；Hansen 检验的p=0.911，远远大于10%的统计性显著水平，说明所有的工具变量都是外生的，即不能拒绝工具变量有效的原假设。模型（3）中OP 的回归系数δ1=0.802，介于OLS1 和FE1 的回归系数0.861和0.418 之间。因此，模型（3）满足SYS-GMM 估计要求［47］，作为本文基准回归的估计结果。

从模型（1）—（3）的结果来看，TFP 滞后一期的结果对当期TFP 具有显著为正的影响。同时，OLS 回归高估了L.OP 的回归系数0.059，而固定效应回归低估了0.384，说明忽略被解释变量的滞后项将导致内生性问题，不适当的估计方法会导致生产率的动态效应估计出现明显的偏误。从本文重点关注的Rd 的当期及滞后两期对生产率的影响来看，在模型（1）的OLS 回归中，当期Rd 对OP 的影响为-0.055，且在10%的显著水平上为负，L.Rd 的影响为0.047，且在1%的显著水平上为正，L2.Rd 的影响为正但不显著，且回归数不大，只有0.002；在模型（2）的FE 回归中，相对于OLS 回归，Rd 及其滞后各阶的系数显著性、方向没有明显变化；但在模型（3）的SYS-GMM 回归中，可以观察到当期Rd 的影响系数增加到-0.112，在5%的显著水平上为负，L.Rd 的影响为正值0.042，且不具有统计显著性，L2.Rd 的影响为0.066，且在5%的统计水平上显著为正，相对于模型（1）和（2）中L.Rd 的系数变动不大（虽然不显著），但L2.Rd 的系数明显扩大（且显著）。

因此，引入OP 的滞后一期和Rd 以及企业规模、托宾Q 值、资产收益率等指标作为分析生产率动态变动的控制变量、工具变量后，可以发现：（1）生产率OP 的滞后一期对当期OP 具有显著为正的影响，即上一期的生产率影响到下一期的生产率，具有发展的延续性和惯性。（2）控制生产率动态滞后效应后，研发创新Rd 对生产率的影响同样具有滞后性，除了当期投入负向影响当期生产率以外，Rd 投入将在随后的两年内均对生产率带来正向的影响，有利于生产率的提高。当在模型中引入Rd 的3 阶及以上滞后期时，没有发现更长期且显著的滞后效应。

本文模型与前期文献的区别在于，当前大多数的实证研究中均未控制当期或滞后一期以外的控制变量对生产率的影响。对于企业规模、托宾Q 值、资产收益率、杠杆率、流动比率、持股比例等控制变量，由于我们控制了当期及滞后两期的数据，因此这些变量的回归结果与通常的截面回归结果呈现出更多的复杂性。在基准模型（3）中，以企业规模为例，从各个模型结果看，当期企业规模Size 具有正向影响，但在模型（3）SYS-GMM 估计中，这种影响呈现一种跨期的波动，但这种规模的影响仅在第三年才对生产率带来显著的影响模型（3）的控制变量中，除企业规模的滞后二期L2.Size、资产收益率L2.ROA、杠杆率的滞后一期L.LEV、当期行业集中度HHI 具有显著影响外，其余变量的影响均不显著。局部结果与部分学者一致，如Alam 等［58］发现Size 具有正影响，宋敏等［50］发现Size、ROA、LEV的正向效应，企业年龄等因素的影响具有不确定性［56］。区别在于，这里使用了滞后两期的控制变量，更多的控制变量缓解了遗漏变量的影响。

3.2 异质性分析

本文基于基准模型的设定，参考既有文献，考察东中西部地区、企业所有制性质、股东持股比例、企业面临的市场竞争度与行业集中度四个方面的异质性。如表3 和表4 所示，毫无例外地发现，SYSGMM 方法下生产率OP 的滞后一期对当期生产率具有显著的正向影响，而且均达到1%的统计显著性。因此，下面主要报告研发创新对生产率的影响情况。

表3 东中西部地区、所有制性质的异质性分析

表4 所有权结构、行业集中度的异质性

（1）东中西部地区。

我国幅员辽阔，东中西部地区在经济发展水平、企业意识、创新氛围等方面存在巨大的差距。参照既有文献，根据基准模型生产率滞后一期情况进行模型SYS-GMM 回归设定，划分东部地区、中部地区、西部地区，考察Rd 对OP 影响的地域异质性。如表3 所示，模型（4）—（6）分别代表东部、中部、西部地区样本下的SYS-GMM 回归结果，与模型（3）的最大不同之处在于，仅东部地区样本模型（4）的L2.Rd 具有显著为正的滞后效应，而中西部地区研发强度Rd 对当期生产率不具有显著的影响。

仅从样本企业数量来看，东部地区10 年的样本量达到了10 569 家（回归模型中因滞后期存在样本仅为7 677 家），企业研发强度的平均水平达到了4.32%，而中部地区10 年间的样本量仅为3 394 家，平均强度为3.87%，西部样本为1 298 家，平均强度为3.04%。因此无论从样本量、研发强度来看，只有东部地区企业研发投入能够显著促进生产率增长并不令人意外。这一结果与大多同类研究结果相似。

（2）所有制性质。

不同产权性质下企业创新能力和生产率的表现是国内研究文献研究关注的焦点。过去的文献通常发现国有企业会抑制创新投入对生产率的积极效应，但本文发现国有和非国有企业的研发创新对生产率均具有显著的促进效应。模型（7）—（8）的结果表明，当期投入会降低企业生产效率，促进效应体现为滞后一期的L.Rd对OP具有显著的正向促进作用。而且，非国有企业相对国有企业有着更显著的促进作用，表现为滞后一期L.Rd 的回归系数0.086 在1%的统计水平上显著，而国有企业对应L.Rd 的回归系数为0.039，其在5%的统计水平上显著。

既有文献对非国有企业创新投入的显著效果已经有诸多解释［59］，这里主要说明国有企业研发创新投入正向效应的可能原因：一是国有企业界定的范围扩大。对国有企业进行界定时，本文将中央、省属、地方控股的国有企业均包含其中，但这些上市企业中多数已经不是纯粹的国有企业，有的已经实施了混合所有制改革，有的属于国有参股民营经济。混合所有制改革和国有注资可能会提高管理层能力或通过吸纳人才流入，提升民营企业生产率［60-61］。二是国有企业管理层作为代理人的行为偏好发生了转变。中央和地方近年来高度重视国有企业的创新活动，有研究发现中央的巡视监督、业绩考核，可能有益于生产率的增长［62-63］。

但必须注意，国有企业样本未通过SYS-GMM水平方程关于内生检验的要求，表中报告的是差分GMM 的结果。这表明非国有企业数据的结果可能具有更高的可靠性。

（3）所有权结构。

股权结构是现代公司治理的重大问题，对企业行为偏好有显著影响。传统的资本所有者目的在于利润最大化和市值最大化［64］。研发创新对生产率影响的后果取决于不同股权比例的控制人在最大化目标下的行为偏好。模型（9）—（10）的结果表明，最终控制人持股比例高低，对企业研发创新与生产率的关系产生了显著不同的影响。最终控制人持股比例较低的企业，除了当期Rd 显著的负向影响外，滞后一期和二期的研发投入对生产率均具有正向影响，回归系数分别达到0.052 和0.063，分别在10%、5%的显著水平上通过检验。而持股比例高于50%即拥有通常意义上的绝对控股权的企业，其滞后期研发创新的影响虽然为正但均不显著。

潘凌云等［65］专题研究了控股股东对企业全要素生产率的影响，发现持股比例与生产率之间存在正向的促进效应，与本研究对低持股比例的结论相吻合，但与绝对控股企业结果不完全一致。背后的原因可能是多样的：一是股权集中度过高时，大股东控制权会影响企业的创新投入［66］，从而抑制研发创新投入对生产率的影响。样本数据显示，最终控制人持股比例高于50%的高股权集中度企业的研发强度为4.01%，低于低股权集中度企业的4.13%。尽管均值差异不大，但考虑到低股权集中度企业的样本量达到了9 242，高股权集中度的企业本量只有1 893 家，这足以形成显著的统计差异。二是股权集中度与研发创新之间可能并非线性关系，不同分位点的股权集中度与企业创新关系可能存在差异［67］，持股比例与研发行为间还可能存在最优选择问题［68］。三是本研究使用SYS-GMM 方法，控制了生产率的动态惯性，缓解了内生性、遗漏变量等问题，可能造成研究结果的差异。

（4）行业集中度。

在一些研究中也将行业集中度称为市场竞争度。本文发现，当行业集中度低于样本均值水平时，样本数据满足SYS-GMM 方法的相应适用条件，当期Rd 具有显著的负向效应，而其滞后一期和二期研发创新均具有显著的正向影响，如表4 模型（11）所示。但当行业集中度高于均值水平时，样本数据SYSGMM 方法下对水平方程和差分方程的外生性检验均不能通过。因此本文使用了差分GMM 方法进行估计，作为一个参考，得到的结果如模型（12）所示。因此，当行业集中度过高即企业相对垄断地位较高、市场竞争激烈程度下降时，在差分GMM 方法下，研发创新对生产率的当期效应为负且不显著，其滞后效应仅第一期显著为正，第二期为正但不显著，且各回归系数的数值大小明显低于低行业集中度条件下的结果。

这一结果与前期文献既有相同也有区别之处。如沈鸿等［69］发现，制造业的市场集中不利于企业生产率的提高；李卫兵等［30］发现市场竞争程度不同的情况下，空气污染对生产率存在差异，市场竞争程度不同可能会在一定程度上抵消（加重）企业生产率的损失。但他们没有考虑到行业集中度高低可能带来的异质性问题。

4.3 稳健性检验

稳健性检验中，使用基准模型中的SYS-GMM方法，主要变量均保持不变，考察替换被解释变量或核心控制变量或变换样本后结果的稳健性。并且，均同时对相同变量设定下的OLS 回归和双固定效应回归，发现SYS-GMM 方法中得到的生产率滞后一期值的回归系数均在双固定效应回归和OLS 回归模型的系数值之间，满足SYS-GMM 模型设定的理论要求。限于篇幅，这里仅报告SYS-GMM 回归中主要关注的变量的生产率滞后一期和当期Rd 和滞后一期、二期的回归结果。

（1）替换被解释变量。

部分文献中直接使用劳动生产率（劳均企业营业收入）作为被解释变量。这里使用对数化劳动生产率（ln LP）替换OP 进行稳健性检验,表5 中报告了相关结果。模型（13）显示，劳动生产率的滞后一期对当期TFP 产生显著影响，而且Rd 在当前期具有显著的负向影响，其滞后一期具有显著的正向影响，在滞后二期的影响为正但不显著。这一结果与基准分析的结果基本一致，但基准分析中滞后一期效应不显著而滞后二期显著。

表5 基于替换被解释变量、样本变换的稳健性检验

（2）替换核心控制变量。

通常企业规模的统计有两个指标，一是企业资产规模，一是企业员工规模。大多数的研究使用前者，这里参照Bong 等［34］的研究，用企业员工数量对数Labor 替换基准回归中的资产规模。表5 模型（14）显示，劳动生产率的滞后一期对当期TFP 产生显著影响，而且当期Rd 具有显著的负向影响，其滞后一期、二期均具有显著的正向影响。

（3）置换样本检验。

数据显示，样本区间的选择往往对结果造成明显影响。本文对此进行了检验。基准回归中的样本为2011—2020 年，检验中依次删除2011、2011—2012、2011—2013 等年份的样本，发现：删除2011、2011—2012、2011—2013、2011—2014 时，样本满足SYS-GMM 方法的使用条件，生产率的滞后一期显著促进当期TFP 增长、当期Rd 显著抑制TFP，Rd 滞后一期不显著，滞后二期显著正向促进TFP，与基准回归一致；删除更多年份时，样本不再满足SYS-GMM 方法对水平差分方程的外生性检验要求。仅2016—2020 样本满足差分GMM 回归要求，此时生产率的滞后一期显著促进当期TFP 增长、当期Rd 显著抑制TFP，RD 滞后一期显著为正，但滞后二期效应不显著。当进一步删除样本时，不满足SYS-GMM 方法对“大N小T”中T的年份要求。为节省篇幅，表5 中仅报告了保留样本区间2015—2020 和2016—2020 时的结果。

总体看，结果与基准模型基本一致。主要的不同之处除了回归系数的大小外，Rd 对生产率的滞后效应要么为滞后一期显著，要么为滞后二期显著，仅替换核心控制变量企业资产规模Size 为员工规模时，Rd 的滞后一期和二期效应均显著。分析样本区间对适用的SYS-GMM 或差分GMM 有选择性，由此也对实证结果产生显著差异化的影响。

4 结论与建议

4.1 结论

在全球保护主义思潮和行为频仍之下，创新驱动发展成为国家高度重视的战略选择。上市制造业企业是国家产业竞争的重要核心力量，在破解我国关键核心技术领域“卡脖子”难题中肩负着重大的历史使命，必须将研发投入和生产率提升作为企业发展的重要命题。基于此，本文以2011—2020 年我国沪深A 股制造业企业为研究对象，基于全要素生产率模型分析了研发创新对于企业生产率是否具有促进作用。主要结论:

实证分析的基准回归发现，在控制企业全要素生产率滞后一期的内生性作用后，企业研发强度对当期生产率具有抑制效应，但滞后二期的研发投入具有显著的促进效应。

异质性分析发现,东部地区企业研发创新表现出与基准回归基本一致的结果，国有企业和非国有企业研发创新促进效应显著，而且非国有企业滞后一期和二期效应均显著为正，最终控制人持股比例高于50%和行业集中度高于样本均值时抑制研发创新。

稳健性分析表明，替换被解释变量对研发创新发挥促进效应的滞后期带来影响，替换核心控制变量企业资产规模为企业员工数量时研发创新促进效应在滞后一期和二期时均显著为正，通过依次删除样本的方式发现，大多数样本年份的回归结果不拒绝研发创新具有滞后一期或二期的显著正向促进效应。

本研究发现，引入被解释变量生产率的滞后效应后，模型更好地捕捉了研发创新对生产率的滞后效应。这表明我国实施创新驱动发展战略取得具有积极成效。同时，研发创新的滞后仅在一期或二期显著的结果也说明，创新的持续期限较短，可能需要更加关注创新投入的质量和经济效益，避免创新投入的泡沫及经济效益的短视性。

4.2 对策建议

本文研究结果对企业的微观创新实践和政府的宏观政策制定具有以下的启示意义：

（1）企业要构建持续创新格局，提升创新效益，避免思维短视。实证结果既表明了企业研发创新对于生产率增长的积极意义，也揭示了企业具有短视的局限性。面向高质量发展需求，企业要继续加大研发投入，无论国有企业和非国有企业要加大关键核心技术攻关，提高研发创新投入的质量，产出高价值的专利技术和创新性产品，为企业生产率增长提供支撑。

（2）政府要加强创新政策引导，规范公司治理，优化竞争行为。过度的股权集中和市场垄断行为会损害企业研发创新和生产率提升。政府在鼓励市场主体研发投入时，有必要加强对创新主体资本、市场竞争活动的监管，鼓励和引导企业适当降低股权集中度，遏制市场集中度过高对创新活动产生的负面后果。

（3）政府要优化区域创新格局，注重特色发展，促进共同发展。东部区域具有明显的创新优势和效率优势，这是马太效应和经济规律的结果。尽管不能实现完全的区域均衡，但中央可以考虑如何在追求效率的同时，通过提供便利和政策优惠使得产学研金跨区域配置，推动中西部地区创新效率提升。