1、外商直接投资行业间技术溢出效应实证分析概要第33卷第1期财经研究Vol133No11 2007年1月Journal of Finance and Economics J an12007外商直接投资行业间技术溢出效应实证分析姜瑾,朱桂龙(华南理工大学工商管理学院,广东广州510640摘要:文章选取19992003年的行业层面板数据,考察了FDI对中国工业部门内资企业生产率的影响。在考虑了多重共线性问题并控制住不可观测的时间效应和行业效应之后,研究结果显示,FDI产生了显著的行业内溢出和前向联系溢出,但后向联系溢出为负。此外,对技术差距最优区间的分析表明,当内资企业生产率为相应外资企业生产率的30
2、%70%时,前向联系溢出能实现最大化。关键词:外商直接投资;溢出效应;前向联系;后向联系;技术差距中图分类号:F276.7文献标识码:A文章编号:100129952(200701011210一、前言近年来,许多国家尤其是发展中国家纷纷制订各种“一揽子”的激励政策,鼓励跨国公司前来投资。它们相信FDI能够通过溢出效应(spillover effect的方式促进当地的技术进步,帮助本国经济走上内生化的增长道路。虽然这种信念确有其理论上的合理性,但有关的经验证据却不容乐观:至少就发展中国家和转型经济国家而言,迄今微观层面的研究基本上未能发现FDI行业内正溢出的证据(G org和Greenaway,2
3、004。至于为什么实证结果会与理论预期不符,国外学者提出过各种不同的解释。就本文的研究需要,我们将其分为以下三类:第一类是条件溢出的观点。目前大多数学者都认为,FDI技术溢出并不是无条件、自动发生的。照此推断,现有结果只能说明:(1研究对象确实没有满足FDI溢出发生的必要条件;(2研究者本身就没有控制住某些关键因素对溢出效应的影响。第二类观点强调计量估计过程的严谨性。例如,是否选取了微观层的面板数据,是否遗漏了不可观测的变量,是否考虑了内生性的解释变量问题等。显然,这些研究方法上的问题也会直接影响到估计结果的客观性。最后一类观点认为,以往的研究是在一个错误的地方寻找FDI溢出(J avorci
4、k,2004。从逻辑上说,收稿日期:2006211207作者简介:姜瑾(1970-,男,江西南昌人,华南理工大学工商管理学院博士研究生,江西财经大学经济学院讲师;朱桂龙(1964-,男,安徽庐江人,华南理工大学工商管理学院教授,博士生导师。姜瑾、朱桂龙:外商直接投资行业间技术溢出效应实证分析FDI溢出机制更有可能是在行业间运行,而非以前所预期的行业内。因此, FDI的前、后向联系效应更有理由成为研究者关注的目标。我们发现,目前国内还很少有学者留意第三类观点。为此,本文选用行业层面板数据,考察了FDI对中国工业部门行业间溢出的情况,以弥补当前研究之不足。二、相关文献回顾11FDI行业间技术溢出理
5、论背景早期的理论文献一般把跨国公司拥有的先进技术视作公共物品,因此FDI溢出能“自动发生”。然而,Wang和Blomst rom(1992认识到,无论是跨国公司还是当地企业,都在为实现利润最大化而进行各自的投资决策,它们之间存在策略性的相互作用(即博弈关系。因此,在“溢出效应市场”上,就不应该只考虑东道国及其当地企业一方的意愿和能力。从某种程度上说,由于在国际技术转移中处于主导地位,跨国公司的意志对于决定哪种方向(水平/垂直上的溢出发生其实影响更大。首先,为实现利润最大化,跨国公司希望尽可能地减少水平溢出。因为模仿和劳动力流动会导致其公司特定优势的扩散,它们将很难再与那些对当地市场、消费者偏好
6、更加熟悉的本土企业竞争,所以跨国公司会采取策略性行动,关闭这二条FDI行业内收益的溢出通道。103其次,跨国公司愿意(甚至有意地提供垂直溢出,因为通过与当地企业的前、后向联系,它们能够从对下游顾客或上游供应商的知识扩散中获益。71311总之,在跨国公司看来,当技术在其子公司的上下游扩散时,FDI溢出代表了一种收益,而在行业内扩散时则意味着一种损失。以前的实证研究中恰恰忽视了这一点。21国外经验证据相比多年来行业内溢出研究上的丰硕成果,目前行业间溢出的经验证据无疑单薄得多。事实上,在Kugler(2000以前,还没有哪位学者考虑过用计量经济学技术检验FDI行业间效应的可能性。近几年,少数国外学者
7、正是由此入手,从而取得了自Caves(1974以来有关溢出效应研究的一大突破。姜瑾(2006对此进行了较为全面的回顾与分析。从现有经验证据中,我们可以发现以下两点共识:(1FDI的行业间溢出确实存在,且较行业内溢出而言更为重要和现实;(2这种行业间的联系效应能否发生也受到某些因素的影响,如技术差距、出口导向、来源地差异以及外资所有权程度等。至于其确切影响,上述研究结果不一(只能说发现正溢出的较多。我们注意到,这些研究大多都未能考虑样本的选择性偏差以及溢出变量与微观样本单元之间的层面冲突等问题;如果纠正了此类问题,结论可能更财经研究2007年第1期加客观、令人信服。三、数据、模型与变量11数据描
8、述本文计量所用的行业数据根据20012004年中国工业经济统计年鉴以及20002004年中国科技统计年鉴中相关资料整理得来。为保持口径的连续性,原始数据集中没有包括2002年行业分类调整中删除的“武器弹药“工艺品及其他制造“木材及竹材采运业”以及新增的“其他采矿业”、制造业”、业”、“废弃资源和废旧材料回收加工业”。此外,“石油和天然气开采业”由于外资数量过少,因而也没有包括在内。在剔除上述部门之后,原始数据集中包含了新国民经济行业分类国家标准(G B/T4754-2002中35个二位码的工业部门19992003年的175个观测值。考虑到本文重点是测度FDI的行业间联系效应,故投入产出表中的数
9、据极为关键。为最大限度地利用这些技术系数,我们按1997年中国投入产出表的统计口径,对这35个部门进行了归口,重组为最终数据集中的21个部门。关于数据的选取:外资企业数据直接采自“外商投资和港澳台投资工业企业”对应指标,内资企业数据则由行业内“全部国有及规模以上非国有工业企业”与外资企业对应指标相减而来。这些数据所需的平减指数,如各年份的工业品出厂价格指数、固定资产投资价格指数、城市居民消费价格指数等,摘自中国统计年鉴(2005;而实证中涉及的“直接消耗系数”取自中国投入产出学会官方网站提供的1997年中国投入产出表。21模型与变量定义为测度FDI参与对中国工业部门内资企业生产率的影响,本文通
10、过加入垂直溢出变量,将Liu等(2001、Flores等(2002的模型扩展,得到以下计量方程:L P it=+1CI it+2ES it+3L Q it+4RD it+5T G it+6HS it+7FS it+8BS it+i+t+it(1这里,下标i和t分别代表行业和时间,i为不可观测的行业效应,t为不可观测的时间效应,it为随机扰动项,它服从独立同分布。其余变量具体含义如下:L P为全员劳动生产率,以“工业增加值”与“全部从业人员年平均人数”之比表示。为消除时间价格因素的影响,我们以1999年为基期,用分行业的工业品出厂价格指数对其他年份的各部门工业增加值(当年价格进行调整。CI为资本
11、密集度,即“固定资产净值年平均余额”除以“全部从业人员年平均人数”。由于中国统计年鉴中没能给出分行业的固定资产投资价格指数,因此本文通过各年度总体的固定资产投资价格指数直接对最终数据集中的21个部门数据进行缩减,基期同样为1999年。姜瑾、朱桂龙:外商直接投资行业间技术溢出效应实证分析ES为企业规模,以“产品销售收入”与“企业单位数”之比表示。“产品销售收入”的缩减方法与“工业增加值”相同。LQ为劳动力质量或人力资本,以“科技活动人员”占“全部从业人员年平均人数”的比率表示。RD为R&D强度,以“科技活动经费内部支出总额”占“产品销售收入”的比率表示。为剔除通胀因素,我们同样以1999年为基期
12、,用各年份的城市居民消费价格指数对前者进行平减。T G为技术差距,以内外资企业间“全员劳动生产率”之比表示。HS为FDI水平溢出效应,以外资企业“工业总产值”占全行业(即“全部国有及规模以上非国有工业企业”的比例表示。FS为FDI前向联系效应,定义为除行业i本身外,其所有上游行业k中,即FS it=k,kiik HS kt。式中权重ik是产出部门i的产品(货物或服务提供给各投入部门k中间使用的数量,该参数可以从投入产出表“直接消耗系数表”中各行取得(剔除对角线上的元素是因为前面的水平溢出变量HS已经考虑了这种行业内效应。BS为FDI后向联系效应,定义为除行业i本身外,其所有下游行业m中外资企业
13、产出所占比例的加权平均,即BS it=m,miim HS mt。式中权重im是投入部门i在生产过程中消耗各产出部门m的产品(货物或服务的数量,该参数采自投入产出表“直接消耗系数表”各列(剔除对角线上元素的理由同上。31面板数据模型的设定由于本文所探讨的问题包含横截面与时间序列上的信息,我们决定采用面板数据模型。严格地说,在进入正式回归分析之前,我们首先要在以下三种模型设定之间做出选择:混合OL S、双向固定效应模型和随机效应模型。其中,混合OL S与双向固定效应模型之间的比较,以F统计量进行检验;混合OL S与随机效应模型之间的比较,以Lagrange Multiplier(L M检验进行;双
14、向固定效应模型与随机效应模型之间的比较,以Hausman检验进行。四、实证检验结果与分析11多重共线性检验模型(1的建模思想主要源于Liu等(2001提到的“生产率溢出模型”。然而,把劳动力质量与R&D强度一同纳入回归模型,我们怀疑可能会引起多重共线性问题。因为这二者均可视为企业自主研发能力的指代(王红领、李稻葵、冯俊新,2006,为此应该加以检验。从各解释变量之间的相关系数来看,L Q与RD间的Spearman rank相关系数与Pearson相关系数分别高达0.785和0.738,且均在1%水平上显著。相比之下,其他解释变量之间的相关系数及显著性均在可接受的范围之内。为进一步确认这一问题,
15、我们采用了Gujarati(1995提到的辅助回归法。结果发现,当以劳动力质量为被解释变量时,其拟合度高达0.704(调整后的R2亦达到0.686;而以其他解释变量做同样尝试时,除R&D强度稍高些外(0.619,基本上均在0.20.4之间。这表明,如果L Q与RD同时进入模型,确实可能会产生多重共线性问题。因此,后文的分析中,我们将L Q与RD 分别作为企业吸收能力的代理变量。21回归分析结果我们以内资工业企业为样本对模型(1进行回归分析。估计结果见表1。在OL S1、FE1和RE1中,企业吸收能力的代理变量是劳动力质量;在OL S2、FE2和RE2中,相应的代理变量是R&D强度。由于面板数据
16、同时包含了横截面和时间序列上的信息,容易产生异方差性和序列相关性问题,为此我们采用估计的广义最小二乘法(EG L S进行回归分析,其中混合OL S与双向固定效应模型选择横截面加权,而随机效应则用SwamyArora方式加权。从表1中可以发现,除了资本密集度、企业规模、技术差距三个变量均保持高度显著性之外,其他变量尤其是三种溢出变量在不同模型设定下得到的结果是完全不同的,这向我们强烈地暗示了正确选择模型类型的重要性。另外,值得注意的是,除了双向固定效应模型之外,其余两种设定下的DW值都相当低(均在0和1.46之间,表明存在严重的正自相关。表1模型(1的估计结果OL S1FE1RE1OL S2FE
17、2RE2CI 0.145333(0.0150.122333(0.0260.170333(0.0210.151333(0.0150.132333(0.0260.179333(0.022ES 0.958333(0.3282.567333(0.6992.641333(0.3831.227333(0.2852.727333(0.7272.586333(0.425LQ 44.132333(10.274-14.7653(7.644-9.061(7.490RD 94.89633319.23010.386(12.77715.824(15.234T G 5.253333(0.6272.905333(0.7205
18、.618333(0.6044.969333(0.5583.003333(0.7275.920333(0.598HS -0.332(1.14114.179333(2.0434.090333(1.432-0.457(1.08414.177333(2.1683.85033(1.614FS -2.160(1.58041.506333(8.6135.2143(2.645-2.5643(1.54840.106333(8.8225.1463(3.084BS -14.235333(4.089-52.85633(22.09410.400(7.431-13.211333(3.820-44.0863(24.5539
19、.389(8.617Adj.R20.7400.9840.6860.7520.9740.693 D-W0.419 1.9650.8530.478 1.9340.927 F50.25180.1833.4153.62129.4534.59 Obs.105105105105105105OL S/FE26.3633325.03333OL S/RE595.58333560.13333FE/RE61.1333359.16333注:括号内数字为标准差。333,33,3分别表示在1%,5%,10%水平上显著。软件为Eviews5.0。财经研究2007年第1期再从面板模型设定的检验结果来看,无论企业吸收能力的代理
20、变量为谁, F检验、L M检验和Hausman检验均拒绝各自的原假设H0,表明采用双向固定效应模型和随机效应模型都优于混合OL S,而双向固定效应模型又优于随机效应模型。因此,下面的讨论将围绕双向固定效应模型的估计结果展开。从表1第3列和第6列来看,在控制了行业效应和时间效应之后,调整后的R2基本上在0.98左右,说明模型拟合得非常好;DW值亦在2.0附近,表明模型不存在自相关。除代理变量外,其他的控制变量和溢出变量在两种情况下的系数估计值相当接近,并且绝大多数是在1%水平上显著。但以下两点非常值得关注:(1代表企业吸收能力的劳动力质量和R&D强度,前者虽统计性显著(10%的水平上,但系数估计
21、值为负;而后者的系数估计值虽为正值,但统计性不显著。事实上,在进行变量的统计性描述时,我们已经发现,除C39、C40、C41等极少数行业外,其他行业的这两个指标都非常之低。它说明,在样本研究期内资企业不仅劳动力质量并无明显改善,而且从行业角度来看,研发投入依然相当有限。Liu等(2001在考察中国电子业的情况时,曾发现人力资本是内资企业生产率水平最重要的决定因素。但我们注意到,电子业恰恰是国内劳动力质量最高的行业。从本质上看,我们的结果与Liu和Lin(2004类似,他们在检验FDI对中国制造业部门的后向联系效应时,发现劳动投入变量的系数估计值居然为负,对此他们认为是内资企业中大量冗员所导致的
22、结果。综合上述因素,本文认为,发现劳动力质量和研发投入对内资企业生产率水平的贡献不显著,甚至为负应该是可以理解的。(2与国内现有文献一致,我们发现FDI与国内下游企业间的前向联系与内资企业的生产率水平显著正相关。但是,就FDI与国内上游企业间的后向联系而言,我们发现后向联系效应不仅显著性较低(分别在5%和10%的水平上,且其系数估计值为负。据我们所知,目前除Smarzynska和Spatareanu (2002,Yudaeva等(2003,Thangavelu和Patt nayak(2006外,还没有发现后向联系效应显著为负的,反倒是发现前向联系效应为负的多一些。但是,与上述文献一样,我们目前
23、也无法给出严谨的理论解释。31最优差距区间Flores等(2000以葡萄牙的行业层面板数据,考察了一个很有意义的问题。他们希望确定当内外资企业之间的技术差距处于什么样的特定区间时, FDI的行业内溢出能实现最大化。结果发现,当内资企业生产率为外资企业生产率的50%80%之间时,溢出效应最大。Proenca等(2002对Flores等(2000的模型略作了修改,以波兰的企业层面板数据进行了类似的研究,他们发现的“最优区间”则是60%95%。二者结论有些差异的原因可能是对技117术差距使用了不同的界定。现在,我们自然联想到一个问题:为了实现FDI的行业间溢出最大化,内外资企业间的技术差距应该处于一
24、个什么样的区间才好呢?解决这一问题的关键在于技术差距区间的划分。我们没有套用Flores等(2000和Proenca等(2002的区间选择,而是根据本研究中T G的直方图,设定了以下一系列区间:20%60%,20%70%,30%70%,30%80%,40%80%,40% 95%,50%80%,50%95%,60%95%。然后,我们定义一个虚拟变量D:如果某行业在某时期的技术差距在预设的区间内,其值取1,否则为0。将该虚拟变量分别与三个溢出变量构建交互项后,新模型如下:L P it=+1CI it+2ES it+3L Q it+4HS itD it+5FS itD it+6BS itD it +
25、i+t+it(2式中其余变量定义同模型(1。表2报告了当企业吸收能力的代理变量为L Q时,不同技术差距下FDI 技术溢出的情况。由于在20%60%,30%80%,40%80%这三个预设区间内,变量D与所有溢出变量的交互项均不显著,故没有报告其估计结果。从表2中不难发现,随着技术差距区间的上移,BS与T G交互项的系数估计值保持负值,但绝对值增加,由不显著变为高度显著;而FS与T G交互项的系数估计值则不断减小,显著性变化没有规律;在各个预设区间内,HS与T G 交互项均不显著。就数值上而言,前向联系效应的最优差距区间是30% 70%;而对于后向联系效应而言,相应区间则为60%95%(不过是负溢
26、出最大化。表2不同差距区间的检验Gap 20%70%Gap30%70%Gap40%95%Gap50%80%Gap50%95%Gap60%95%CI 0.115333(0.0290.106333(0.0290.112333(0.0310.101333(0.0260.111333(0.0270.098333(0.025ES 3.582333(0.6413.571333(0.5843.540333(0.5433.450333(0.5233.301333(0.5283.244333(0.520LQ -12.607(7.901-9.463(7.860-12.206(8.988-10.0683(5.756
27、-11.3393(6.597-14.22833(5.867HS3D -1.128(0.886-0.945(0.8541.265(0.863-0.128(0.6931.195(1.1151.417(0.901FS3D 3.73433(1.5564.107333(1.5682.337(1.8521.93333(0.7631.452(1.1630.779(1.190BS3D -1.758(3.525-4.424(3.163-6.321333(2.052-6.432333(1.718-9.818333(2.052-9.926333(3.429Adj.R20.9850.9870.9810.9940.99
28、00.994 DW 1.65 1.69 1.79 1.95 1.84 1.78F229.4254.4181651.6346.7679.5 Obs.105105105105105105注:同表1。以上结果也有些出人意料:(1在考虑技术差距交互作用的情况下,行业内溢出失去了显著性,这与Flores等(2000和Proenca等(2002的发现完全811不同;(2技术差距与后向联系效应显著负相关,却与前向联系效应显著正相关,这看来也有点奇怪。我们认为,第一个问题可能与本文采用的数据聚合层次有关。一般认为,竞争是FDI行业内溢出效应的主导机制(Kulger,2005,而市场竞争激烈与否同企业间的技术差
29、距显然有很大关系。竞争应该是在细分市场上进行的,在二位码这么高的聚合层次上,技术差距对竞争效应的影响可能很难体现出来。但是,这种聚合层次对考察行业间溢出的影响相对会小一些,因为我们至少可以从投入产出表中明确发现行业间的供应链关系。对于第二个问题,我们的理解是:如果内外资企业间的技术差距太大,当地供应商就很难满足外资企业对中间投入品的质量要求,后者只有放弃当地采购,而改为从母国供应商或其他途径进口。这样一来,外资企业对中间投入品的需求效应就无法体现。然而,在前向联系中情况则不同,作为供应商的外资企业向内资企业提供高质量的中间投入品,此时的技术差距反而能为学习效应的发生提供可能。毕竟在竞争性的市场
30、中,买方一般都能拥有更多的话语权。当然,对于以上这种最优区间检验,Flores等(2000和Proenca等(2002都曾强调他们的发现只是数据驱动的(datadriven finding,本文同样如此。进行这种尝试,除了进一步证实技术差距在FDI溢出中的关键作用外,我们的主要目的还是希望为以前研究中所说的“适中的技术差距”赋予一个相对精确的量化概念,同时把它扩展到行业间溢出研究中去。五、结论本文选取行业层面板数据,考察了FDI对中国工业部门内资企业行业间溢出效应的存在性。相比国内现有的行业层研究,本文在计量经济学检验上作了如下改进:(1考虑了解释变量间的多重共线性问题。在Liu等(2001的“生产率溢出模型”中,我们怀疑劳动力质量和R&D强度一同进入,可能会造成严重的多重共线性。相关的检验也证实了这一点。(2考虑了不可观测的时间和行业效应。在国内文献和很多国外文献中,实际上是直接采用单向固定效应模型,这里进行的F检验、L M检验和Hausman检验向我们表明了在三种面板模型之间进行正确选择的必要性。而在研究内容创新方面,我们把Flores等(2000和Proenca等(2002有关技术差距最优区间的分析从行业内溢出拓展到了行业间溢出,从而为考察技术差距对FDI溢出效应的确切影响
