中国四个企业数据库中“研发创新变量”的常见使用误区与合适计量方法选择问题 / 开普饭

之前，引荐过1.中国工业企业数据库的使用问题说明，2.经济学实证研究中的误区，全部是经验，3.计量经济学中的7大误区, 你踩雷了吗？4.产业经济学研究的十一个误区, 兼谈博士学位论文选题，5.关于模型中变量选择的五个误区, 譬如不显著的变量需要剔除还是保留？6.国内双重差分DID的研究现状与潜在问题，7.经济数据造假的学术后果？如何严肃地思考这个问题，都曾引起过很多学术讨论。

当前，研发创新已经成为国内学术圈顶级网红，很多学者都致力于挖掘影响企业研发创新的影响因素，但学术研究中仍面临着变量使用中的常见误区，以及选择不恰当计量方法的问题。鉴于此，今天，推荐一篇讨论“ 中国四个企业数据库中的“研发创新变量”的常见误区与合适计量方法选择问题”的文章。

内容提要: 当前，学术界对研发创新的关注持续升温，本文对研究中最常用的四个数据来源( 工业企业数据库、上市公司数据、世界银行企业调查数据、私营企业调查数据) 中制造业企业的研发创新变量进行分析，为相关研究提供基础信息支持与计量方法参考。主要发现包括: 1．中国制造业企业研发创新的发展态势较为乐观，常规年度工业企业数据库中研发支出与新产品产出为正的企业比例仅约10%的“创新荒漠”很可能是统计纰漏造成的假象。跨国比较揭示，中国企业的研发创新领先于其他新兴发展中国家; 2．近年，进行研发创新的制造业上市公司比例高于80%、投入强度持续上升，专利活动实现了数量与质量的双重提升; 3．当服从离散、混合、截断分布的研发创新数据作为被解释变量时，OLS 估计不一致，适用方法应为Probit 与Logit 模型、Tobit 模型、Truncation 模型与MLE 估计。

技术进步是经济发展的长期动力。在中国经济行至增长模式切换的“十字路口”之际，学术界对研发创新的关注持续升温，学者们多以研发支出、新产品产值、专利的申请与授权等可量化的研发创新指标为被解释变量，探索财税要素、市场竞争、政策的激励与扭曲、知识产权保护、FDI 技术溢出等因素的影响; 同时，许多关注中国经济发展的非专业研究者也借助各种新闻载体与自媒体表述了他们关于企业研发创新的看法。这些资料为洞悉中国企业研发创新的症结与困难提供了有益的启示，但本文梳理总结后发现: 一方面，受限于数据可获得性与统计质量问题，许多研究者未能对中国企业的研发创新状况形成全面的认识，往往在基本事实上陷入误区，观点过于悲观、甚至有“危言耸听”之嫌;另一方面，部分实证研究忽视了工业企业数据库、上市公司数据、企业调查数据等数据来源中研发创新变量呈现的离散选择、零值堆积、统计截断等分布特征，在将这些变量作为被解释变量时未能采取正确的计量方法进行处理，降低了实证研究的可信度。

因此，有必要对中国企业研发创新的基本事实进行系统整理，破除可能存在的误区，并尝试提供关于计量模型选择的建议。基于现有数据来源覆盖的行业范围与研发创新数据的可得性，本文仅对制造业企业进行研究。具体而言，本文对研究中最常用的四个数据来源( 即1998－2007 年的工业企业数据库、2007－2015 年的上市公司数据、2003 年/2005 年/2012 年世界银行企业调查数据、2002－2012年间六轮中国私营企业调查数据) 进行对比分析，尝试勾勒中国制造业企业研发创新的全幅图景。本文的一个重要发现是，常规年度工业企业数据库呈现的研发支出与新产品产出为正的企业比例仅约10%的“创新荒漠”现象很可能是统计纰漏造成的假象，严重低估了企业从事研发创新活动的比例———其他企业规模可比的数据来源( 例如2004 年全国经济普查、世界银行中国企业调查、中国私营企业调查) 显示该比例至少在35%以上。此外，尽管国有部门较低的创新效率与资源错配问题仍不容忽视，但整体而言中国制造业企业的研发创新呈现出较为乐观的态势，研发投入、新产品产出、专利的申请与授权在广延与强度边际上都实现了较快的增长，各项研发创新指标基本都领先于其他新兴发展中国家。最后，本文指出，当研发创新数据作为被解释变量时，其服从的离散、混合、截断分布将使线性模型的OLS 估计不一致，进而讨论Probit 与Logit 模型、Tobit 模型、Truncation 模型与MLE 估计的适用性。

当然，本文仅是数据的使用者、而非发布者，不能保证掌握这些数据来源的所有信息，也难以洞悉企业研发创新活动的所有细节。因此，本文仅“抛砖引玉”地呈现一些在“干中学”的研究中发现的重要现象、数据事实与相应的推测，其中可能会包含一些主观倾向。但本文希望，本文能够提供企业层面研发创新研究的背景信息支持，也为学者们提供计量模型选择的参考，以推动这一领域的研究发展。

注：以下内容PC端更令人舒服，文后提供了全文PDF供下载阅读。