-
20世纪60年代以后,发达国家迫于劳动力成本上升和竞争压力,开始积极实施外向加工政策;同时,发展中国家和地区面临市场规模限制、效率低、寻租等问题,也逐步放弃进口替代型封闭战略,开始通过扩大和加深国际经济联系来谋求新的发展路径。这些新变化使得世界两大要素禀赋结构迥异的经济板块有了互动融合的契机,从而成为全球价值链(Global Value Chain,GVC)分工广泛深入发展的基本背景。再加上运输方式和信息通讯技术的迅猛发展,大幅降低了运输成本和信息成本等交易费用,推动国际分工由产业层面向产品层面再向工序层面不断深化,并使得产品内国际工序贸易成为当代经济全球化最重要、最普遍的贸易类型。产品内国际工序分工(或GVC分工)这一新型国际分工形式极大地拓展了国际贸易的范围、潜力和深度,其产生的为出口而进口、复进口、复出口现象是解释贸易增长快于GDP增长的重要原因[1]1。中国的改革开放由于正好契合了全球工序分工发展的大浪潮,得以在较短的时间里从一个近乎封闭的经济体演变成“世界工厂”。中间品贸易和加工贸易是全球价值链分工的典型形态。根据联合国COMTRADE数据库汇总计算,中国中间品进口金额从1995年的893亿美元增加到2018年的17 085.6亿美元,占总进口比重由49%提高到80%①;加工贸易出口额从1981年的11亿美元飞跃至2018年的7960亿美元,占总出口额的比重从1981年的5%上升到2005年的峰值55%,随后有所下降,但在2018年仍占32%②。加工贸易多年在中国贸易总额中占据了一半左右的份额,故嵌入全球价值链也是中国参与全球化大生产的主要途径和推动中国快速大幅开放的重要力量。
然而,在看到上述巨大成就的同时,我们也应该意识到如下事实:由于中国总体上是在高端创新要素稀缺、技术水平偏低的背景下,凭借非熟练劳动力、自然资源、环境投入等中低端要素融入国际分工的,这决定了中国在国际工序分工图景中仍主要集中在劳动密集型区段。这导致两方面的后果:第一,在GVC中还处于微笑曲线底部的中低附加值环节,获取的贸易利益较少;第二,产品价值链的核心环节和关键技术高度依赖国外供给,产业发展尚未实现主导可控,面临受制于人的风险。这事实上是一种新型的存在于全球价值链上的“中心—外围”(core-periphery)结构。如今,面对低成本优势丧失、资源生态危机、逆全球化和国际经济的百年大变局,中国必须转型升级传统的开放经济发展模式,实现由承接非核心零部件生产、代工、组装等GVC上的外围环节向主导总部、研发、物流、营销服务等知识密集型高附加值中心区段攀升。这样中国才能在失去传统比较优势的同时,逐步建立新生比较优势,打造安全可靠、自主可控的全球价值链体系,形成以国内大循环为主体、国内国际双循环相互促进的新开放发展格局。根据赫克歇尔—俄林理论,一国或地区在国际分工中的地位是由其要素禀赋结构内生决定的。所以,改善中国国际分工地位的根本途径在于优化中国的要素禀赋结构,其核心在于推进技术创新的步伐,持续提升科技创新对实体经济发展的贡献份额。但有一点必须明确的是,技术创新也是异质的,根据技术前沿程度和认可广泛性,技术创新有低端、中端、高端等多个层次。经济学理论以及国际经济发展史表明,不同层次的技术创新在驱动一国国际分工地位提升上的作用是截然不同的。越是高端的创新越能起到提升贸易利益和奠定产业安全的作用。经过多年积累,中国在简单复制、创意模仿等中低水平创新上已取得丰硕成果,但在前沿突破型高水平技术创新上仍然发展不足,存在较长的“卡脖子”技术清单。通过创新结构的整体优化来驱动国际分工地位攀升是中国经济高质量发展的必然要求。
本文在比较优势理论的指导下,立足中国经济现实并结合当代经济全球化发展图景,理论和实证研究多层次异质创新对中国加工贸易地位动态升级的差异化影响。从理论上看,这拓展和丰富了要素禀赋理论的分析逻辑,使之可以探讨异质创新对产品内贸易分工形态和动态升级的影响;在实证方法上,本文量化区分了技术创新的三个不同层次,并识别了各自对加工贸易升级的差异化影响;在实践层面,本文对开展何种创新才能切实提升中国在全球价值链上的分工地位给出了鲜明结论,对我们思考中国从GVC低端分工困境中突围,实现经济开放战略转型、构建自主可控的国际分工体系和形成国内国际双循环新发展格局具有重要意义。
-
关于技术创新对国际贸易表现的影响,有大量外文文献理论或实证研究了研发或技术创新活动对出口与否、出口规模、出口强度及进口量等贸易数量表现的影响[2-7]。但只有相对少量的文献探讨了技术创新对总体贸易结构升级的影响,并一致认为前者对后者有正向促进作用。早期的一些理论与实证研究指出,一国的要素禀赋结构(相对要素成本)将影响其创新模式,节约要素的市场力量将引导创新活动向密集使用该国相对昂贵(稀缺)生产要素的产业(赫克歇尔—俄林理论下的进口产业)集中,若这样的创新最终引起了出口,那么将导致与赫克歇尔—俄林理论预期不一致的贸易模式,这成为解释里昂惕夫悖论的一个新视角[8-11]。该研究的引申含义表明,技术创新将带来贸易模式改变和贸易结构优化。Redding[12]的理论分析指出,发展中国家可能在如下两种情形之间面临权衡取舍:第一,根据现有比较优势去专业化生产低技术产品;第二,直接进入当前缺乏比较优势,但可以通过潜在生产率增长而在未来获取比较优势的高技术产品生产部门。由于比较优势是由过去的技术变化内生决定的,同时塑造了现在的创新速率,因而,遵循自由贸易下的现有比较优势进行专业化可能导致福利损失,选择性干预可能带来福利提升。这一研究表面来看为实施赶超战略提供了理论基础,但实质上其实强调了技术进步和生产率增长对贸易结构优化的核心决定作用。Dipietro和Anoruo[13]的跨国回归分析发现,更高水平的创造性活动及其构成将带来技术产品在制造业出口份额中的提升。Sandu和Ciocanel[14]利用欧盟面板数据的实证也发现,私人和公共研发经费投入强度的提高将增加中、高技术产品的出口份额。
现有文献从技术创新以及其他广泛影响因素出发研究了加工贸易升级的原因。加工贸易是全球价值链分工的典型形态,诸多中文的实证研究文献一致发现技术创新促进了中国加工贸易升级,提升了中国在全球价值链中的分工地位[15-19]。此外,一些研究还发现人力资本促进了加工贸易升级和出口升级,人力资本的这一促进作用是通过直接效应或经由技术创新的中介效应而发生的[20-23]。一系列中外文文献还确认了制度环境、国际技术溢出、外资进入、城市劳动参与率、人口红利、融资约束、政策不确定性等因素对产品出口质量、加工贸易升级和GVC分工地位的重要影响[24-30]。这些文献为本文合理选择控制变量集,从而识别感兴趣变量的因果效应奠定了理论依据。
综上所述,已有研究拓展和加深了对技术创新影响总体贸易的数量、结构以及加工贸易升级的认识。但现有研究仍然存在如下两点值得推进的地方,这也构成本文的边际贡献之处。第一,已有研究没有模型化分析技术创新影响加工贸易升级的理论机制。本文借助代数与几何图形规范化分析了技术创新影响产品内国际工序贸易的理论机制,从而拓展和丰富了要素禀赋理论的分析逻辑,使这一传统贸易理论能够分析技术创新要素对全球价值链这一新型国际分工形态的影响。第二,已有文献在研究创新对加工贸易升级的影响时,对创新都是笼统处理,未将其按照技术前沿性区分为不同层次,更没有分别考察异质创新对加工贸易表现的差异化效应。本文从中国创新转型的经济现实出发,根据国内专利不同类别和国际PCT专利③在技术突破性和知识原创力方面的差别,将技术创新划分为低端、中端和高端三个层次,并实证研究了三者对加工贸易升级的异质影响。对于开展何种创新才能切实提升中国在全球价值链上的分工地位这一问题,本文给出了鲜明结论。在经济高质量发展和现代经济体系建设的当前阶段,对思考科技创新与实体经济的协同发展问题具有启发价值。
-
由于加工贸易在分工型态上属于典型的国际工序分工,所以这部分将在产品内国际工序分工的框架下来阐述技术创新对加工贸易升级的理论影响。虽然产品内分工意味着同一产品生产过程包含的不同工序、部件或区段,被拆散分布到不同国家或地区进行,形成了以工序、区段、环节为对象的国际分工新体系,使得国际分工已从产业和产品层面进入到工序层面。但产品内分工的起因、模式和动态演化仍然可以借助传统的比较优势原理来进行分析④。下面将首先利用要素禀赋理论解释产品内分工的利益起源,然后再阐释技术动态变化对加工贸易升级的影响。下述分析模型是在Deardorff[31-32]和卢锋[1]67-71的启发下构建的。
-
要素禀赋理论表明,若满足一些假定,则要素禀赋结构存在差异的两个国家,在生产要素密集度不同的产品时,其封闭条件下的相对价格将会有国际差异,从而通过国际分工与贸易可以产生额外经济利益。这些假定是:(1)两国相同商品的生产函数相同;(2)两国消费者偏好相同;(3)规模收益不变;(4)两国商品市场和要素市场都是完全竞争的,并且不存在外部经济性;(5)不存在运输成本或其他贸易障碍;(6)要素在一国内可自由流动,在国家间不能流动。要素禀赋理论是以产业和产品为分析对象的,假设特定产品的所有生产环节都必须在一国内部独立完成。但根据卢锋[1]70的研究,若同时满足产品生产过程包含不止一道工序、各工序的要素密集度不同、工艺和技术允许不同工序可在空间上分离且分离成本不高这三个条件,产品内国际工序分工将可能产生,且可以将要素禀赋理论的逻辑框架用于解释其起因。
在经济学中,技术创新根据需要可被处理为投入要素、生产函数或产出。为了利用要素禀赋理论框架来研究技术创新对加工贸易升级的影响,本文将创新当做投入要素来处理,并将所有要素划分为技术性投入要素(科技专利、科技人力资本、R&D经费投入、科研机构与设备等)和非技术性投入要素(如自然资源、物质资本、非熟练劳动力、企业家才能等)两类。如图1所示,纵轴OT表示技术投入要素,横轴ON表示非技术投入要素。假设产品X的生产包含两道工序:技术密集性工序X1(要素投入向量为OR)和非技术密集性工序X2(要素投入向量为OK)。加总向量OR和OK可得向量OP(ORPK为平行四边形),即为A国完成产品X生产的总要素投入向量。OX1和OX2分别为工序X1和X2的生产扩张线(在A国的相对要素价格下得到)⑤。AC和BD分别为A国和B国的单位等成本线,设二者相交于Q点。AC比BD更陡峭(斜率的绝对值更大)⑥,表明A国技术对非技术要素的相对价格更低,为技术丰裕的发达国家;而B国为非技术因素丰裕的发展中国家。根据赫克歇尔—俄林(Heckscher-Ohlin)定理,技术密集的工序X1应该在技术丰裕的A国进行生产,非技术密集的工序X2则应该在非技术因素丰裕的B国生产,由此便产生了同一产品生产的国际工序分工⑦。下面,在图1中展示国际工序分工的成本。由于OX2是在A国要素相对价格下(X2的等产量线与平行于AC的等成本线相切于K点)得到的,为了找出X2在B国的生产成本,将BD线向左下平移至B1D1,使之与X2的等产量线相切。B1D1与OQS交于K′,过K′做一条与AC平行的直线A1C1,则A1C1必定与B1D1具有相同的价值⑧,这就是工序X2在B国的生产成本,显然低于其在A国的生产成本(由过K点且平行于AC的直线表示。为简洁,未画出)。将工序X1的要素投入向量OR向右上平移至K′P′,则可得到产品内国际工序分工背景下X产品生产的要素总投入OP′,过P′点做平行于AC的直线A2C2,即得X产品在国际工序分工背景下的总生产成本。
为看出国际工序分工带来的成本节约,我们考虑X产品生产的另外三种方式:(1)全能生产。A国既生产工序X1,也生产工序X2。根据向量加法,将OR平移至KP,过P点的直线AC即为此时的生产成本。AC在A2C2外侧,表明生产成本更高,原因是A国生产了不具比较优势的工序X2。AC与A2C2间的差距即为国际工序分工的成本节约。(2)赶超战略。B国既生产工序X1,也生产工序X2。将BD平行外移,直至与X的单位价值等产量线相切(未画出)。由于AC与BD价值相同,故赶超战略下的生产成本还要高于全能生产,原因在于技术不丰裕的B国在技术密集型工序X1的生产上没有比较优势;另一方面可见,将工序X1和X2的要素投入进行向量加总后(OP代表),X整体而言是技术密集的,故技术不丰裕的B国没有比较优势。由此也可以看出,在要素禀赋基础不具备的情况下,强行生产高技术密集性的工序环节,由于没有比较优势,企业会缺乏独立生存能力,使得这种赶超战略难以持续,从而也不能作为促进产业内分工地位改善和产业内贸易升级的可行举措。(3)国际错误分工。A国生产X2,B国生产X1。这种情况下的总生产成本同样可以用前述向量加总的方法得出,但为避免图1过于繁杂,没演示这种情形。很显然,由于每道工序的生产都与比较优势分工原理相悖,成本必然最高,X的总生产成本无疑也将最高。对比X生产的四种方式,产品内国际工序分工的成本是最低的,也显示了根据国家要素禀赋结构和工序要素密集度决定的比较优势进行国际分工,会产生新的利益。
-
在要素禀赋理论框架下,技术变化会以两种方式对产品内国际工序贸易产生动态影响:(1)产品生命周期理论。同一工序的要素密集度随时间发生变化,但国家的要素禀赋结构不变。(2)动态要素禀赋结构理论。这也是罗伯津斯基定理(Rybczynski Theorem)所探讨的内容,此时国家要素禀赋结构发生改变,但工序的要素密集度保持不变。这两种技术变化方式对加工贸易升级的影响是不同的,下面分别进行具体分析。
-
由Vernon[10]提出的产品周期理论表明,在同一产品的不同生命周期阶段,各种投入在总成本中的相对重要性(要素密集度)将发生变化,因而拥有比较优势的国家也将随之动态变迁,从而引起国际投资变向、贸易模式重组和全球产业转移。这里我们想阐明:作为发展中国家,若其非技术丰裕的要素禀赋结构本身未发生改变,工序生命周期理论所蕴含的技术变化无法助推发展中国家实现加工贸易升级。这一点可以通过图2加以说明。
假设从初始期到成长期再到成熟期,原本技术密集性工序X1的技术要素投入比重不断下降,而非技术要素投入占比不断上升。这在图2中表现为X1的等产量线由Q1移至Q2并进一步下移至Q3,对应的生产扩展线分别为OX11、OX12和OX13,其斜率依次降低,表明技术密集度在不断下降。图2中,AC和BD分别表示A国和B国具有相同价值的等成本线。对于OX12,与等产量线Q2相切的B1D1平行于BD外侧,表明A国在成长期生产工序X1的成本低于B国。同理,A国生产初始期的工序X1(由过Q1的等产量线反映)当然也有比较优势。故技术丰裕的A国在初始期和成长期的X1生产上拥有比较优势。然而,若X1的技术密集度进一步下降至OX13的水平,从而进入成熟期,此时与Q3等产量线相切且平行于BD的等成本线B2D2位于BD的左下方,表明B国生产X1的成本小于A国。B国获得了成熟期工序X1生产的比较优势,A国不再具有此阶段X1生产的比较优势。但这并不能反映B国在国际分工中的地位得到了提升,因为B国本质上仍然生产的是低技术、低附加值的工序环节。所以,在要素禀赋结构不变时,被动地等待工序技术密集度下降后去承接国际产业转移的做法,将永远处于微笑曲线的底部和全球价值链分工体系的不利地位,不可能促进加工贸易升级。
-
下面在罗伯津斯基定理的框架下,分析非技术丰裕的B国通过技术创新对其产品内工序分工地位的影响。技术创新会提高B国技术要素相对非技术要素的比例(假定B国非技术要素保持不变),从而优化B国的要素禀赋结构。在要素需求不变的假定下,B国技术要素T的价格
${\varphi _B}$ 会下降,非技术要素N的价格${\zeta _B}$ 则不变。A国和B国的等成本线的方程分别为$$\varphi_{A} × T+\zeta_{A} × N=\eta_{A} $$ (1) $$\varphi_{B} × T+\zeta_{B} × N=\eta_{B}$$ (2) 出于分析的需要,仍然考虑A国和B国具有相同价值的等成本线的情形,即
${\eta _A} = {\eta _B} = \eta $ 。B国的等成本线可变形为$$T = \eta /{\varphi _B} - ({\zeta _B}/{\varphi _B}) × N$$ (3) 这条直线与纵轴和横轴的交点坐标分别为
$(0,\eta /{\varphi _B})$ 和$(\eta /{\zeta _B},0)$ 。由于B国技术创新使${\varphi _B}$ 下降,而${\zeta _B}$ 不变,故与创新前相比,创新后B国的等成本线与横轴的交点不变,但与纵轴的交点会远离原点,斜率${\zeta _B}/{\varphi _B}$ 也将更大。如图3所示,在B国发生技术创新前,具有相同价值$\eta $ 的A国等成本线AC和B国等成本线BD相交于Q点。当B国技术创新发生后,根据上述推导,B国等成本线(价值仍为$\eta $ )会由BD旋转至BD2,而A国价值为$\eta $ 的等成本线AC则保持不变(假定A国没有发生技术创新以及非技术要素的变化,故${\zeta _A}$ 和${\varphi _{\rm{A}}}$ 不变),BD2与AC交于Q′点。OQ′S′一定会比OQS陡峭⑨,从而将A国和B国具有相同价值$\eta $ 的等成本线的包络线由创新前的BQC变为创新后的BQ′C,这使得B国在创新后能够生产某些创新前不具比较优势的高技术密集环节,比如图3中的工序环节Xn,该工序的等产量线与A国的等成本线AC相切于一点。在B国创新之前,其生产工序Xn的成本为B1D1,高于A国的生产成本AC(=BD),说明此时B国的技术要素积累还较弱,不具生产该高技术密集工序的比较优势。而在B国创新之后,其与A国等值的等成本线由BD变成BD2,则此时B国生产Xn的成本为B2D3(通过向内平移BD2直至与Xn的等产量线相切而得到),可见B2D3位于BD2内侧,低于A国的生产成本AC(=BD2)。这表明技术创新使得原本技术不丰裕的B国拥有了生产较高技术密集性工序Xn的比较优势,同时A国丧失了生产Xn的比较优势。可将上述分析总结如下:赶超战略以及工序生命周期演化不能真正驱动加工贸易升级。只有通过技术创新来积累更多的技术要素,动态改善一国的要素禀赋结构,才能降低技术要素的价格,从根本上助推一国获取技术密集性环节或高附加值工序的比较优势,优化国际工序分工的地位和促进加工贸易升级,从而获得更多的贸易利益。据此,可进一步提出如下理论假说:
假说1.国家或地区技术创新的层次越高,将会使其要素禀赋结构更加高端化,降低更高端技术要素的价格,从而在更高端技术密集性或贸易附加值越高的工序环节上赢得比较优势,故越能助推该国或地区实现加工贸易升级。
-
由于面板数据具有能解决个体异质性、扩大样本量、提供更丰富的经济行为信息等优点[33],采用中国大陆2002—2016年30个省级行政区的面板数据来研究技术创新对加工贸易升级的影响⑩。具体的静态面板数据计量模型设定为
$$ \begin{array}{c} {\rm GV}{{\rm C}_{it}} = {\beta _1} × {\rm LL}{{\rm I}_{it}} + \beta × {\rm ML}{{\rm I}_{it}} + {\beta _3} × {\rm HL}{{\rm I}_{it}} + {\boldsymbol X}_{it}^{'}{\boldsymbol \delta} + {u_i} + {\lambda _t} + {\varepsilon _{it}}\\ i = 1,2,\cdots,30\;\;\;\;\;\;t = 2002,2003,\cdots,2016 \end{array} $$ (4) 其中,
$i$ 表示省份截面;$t$ 表示时间序列;GVC表示加工贸易升级程度;区别于研究笼统创新对产品内贸易的总体影响,本文试图识别多层次技术创新对加工贸易升级的异质效应,故将技术创新细分为低水平创新LLI、中等水平创新MLI和高水平创新HLI三类;${{\boldsymbol X}^{'}}$ 为控制变量矩阵;${\boldsymbol \delta}$ 为相应的控制变量系数矩阵;${u_{\rm{i}}}$ 表示不可观测的省份异质性;${\lambda _t}$ 为时间个体效应;${\varepsilon _{it}}$ 代表随个体和时间而变的随机扰动项。对于个体效应存在与否以及是否与解释变量相关等问题,将通过一系列规范的假设检验加以判断,以在混合OLS回归、随机效应、固定效应模型(单向或双向)之间选择适当的方法加以估计,确保实证结论的准确性。 -
利用三个层次的专利数据来度量低端、中端和高端创新。具体来讲,由于国内专利中的外观设计和实用新型专利更多具有辨识、观赏和实用价值,其授权标准、创造性和技术水平较低,故用万人均外观设计和实用新型专利来代表低端创新水平;国内专利中的发明专利具有较高的新颖性、创造力和知识含量,故采用万人均发明专利来测度中端创新水平⑪;PCT专利与中国国内专利相比,申请更具创造性、国际认可性、规范性和潜在商业价值,更能反映技术创新在世界上的前沿程度。创新强国(如美、日、德等)以及高科技企业(如英特尔、华为、三菱等)都在PCT申请上有杰出表现⑫。基于此,采用万人均PCT国际专利拥有量来衡量各省高端创新的发展程度。
-
加工贸易包括了免税进入一国、将用于生产出口商品的进口,以及依赖特定投入品进口的出口,是最能反映一国参与产品内国际工序分工情况的贸易方式。加工贸易增值率水平既反映了加工贸易在特定地域内加工链条的长短,更反映了该区域在全球分工体系中的位置和层次,很多学者用之作为度量加工贸易利得的重要指标[20]26[27]43。故以加工贸易增加值率来测度中国各省加工贸易升级的程度。加工贸易增加值率的具体计算公式如下:
加工贸易增加值率=(加工贸易出口额–加工贸易进口额)/加工贸易进口额
加工贸易=进料加工贸易+来料加工装配贸易
-
影响加工贸易升级的因素是复杂多样的,控制了它们的作用,才能准确地验证本文感兴趣变量与因变量间的预期理论关系[24-30]。为此,结合现有理论分析、实证研究以及经济常识,从多方面进行了控制变量选取,以尽可能地使得扰动项条件均值独立于感兴趣变量的假设得以满足,避免遗漏变量导致的内生性偏差,从而得到感兴趣变量回归系数的一致估计,进而可以对感兴趣变量的回归系数赋予因果关系解释。为简洁起见,通过表1集中反映了包括这些控制变量在内的所有变量的测度指标与数据来源。
表 1变量测度与数据来源
变量类型 变量名称 字母代码 测度指标 数据来源 因变量 加工贸易升级 GVC 加工贸易增加值率 国研网 感兴趣变量 低端创新 LLI 万人均国内实用新型和外观设计专利 EPS数据库 中端创新 MLI 万人均国内发明专利 EPS数据库 高端创新 HLI 万人均PCT国际专利 国家知识产权局专利统计年报 控制变量 基础设定 创新商业化 TIC 技术市场成交额/GDP 中国科技统计年鉴 企业家精神 ENT 私有单位就业人员比重 中经网及各省年鉴 金融结构 FST (股票+PEVC)/(债券+贷款) Wind资讯;中国人民银行 市场化程度 MAR 四项指标算术平均 Wind资讯;中经网;国研网;
中国劳动统计年鉴经济开放度 OPE 进出口贸易额/GDP 中国统计年鉴 国际技术溢出 HTT 高技术产品贸易额/GDP 中国科学技术部 人口结构红利 PST 人口总抚养比 中国统计年鉴 信息化水平 NET 互联网普及率(上网人数/常住人口数) 国研网 公共文化环境 PCE 每人拥有公共藏书量 中国文化文物统计年鉴 知识产权保护 IPP 专利纠纷结案率 中国知识产权年鉴 备选设定 政府规模 GOV 一般公共预算支出/GDP 中国财政年鉴 交通基础设施 COM 公路与铁路里程密度之和 中国统计年鉴 人力资本 HUM 平均受教育年限 中国统计年鉴 其中,专利数据都为申请数;私有单位就业人员比重=私营企业和个体劳动者就业人员数/全部就业人员;金融结构度量中,分子为权益性金融,包括股票(为社会融资规模增量统计中的非金融企业境内股票融资额)和PEVC(来自Wind数据库的私募和风险资本投资额)两部分;分母为债务性金融,包括社会融资规模统计中的贷款(含人民币贷款、折合人民币外币贷款、委托贷款、信托贷款和未贴现银行承兑汇票)和企业债券;市场化水平=(国企固定资产投资占全社会固定资产投资完成额的比重+国有单位就业人员占全部就业人员比重+国有及国有控股工业企业主营业务收入占规模以上工业企业主营业务收入比重+公共管理与社会组织就业人员数占总人数比重)/4;专利纠纷结案率=(侵权纠纷累计结案数+其他纠纷累计结案数)/(侵权纠纷累计立案数+其他纠纷累计立案数);交通基础设施=(公路里程+铁路里程)/地区年末人口数;人力资本=6Prime+9Middle+12High+16University,其中Prime、Middle、High和University分别表示小学、初中、高中和大专以上文化程度教育人数占6岁以上总人口的比重。表1将控制变量分成了基础设定和备选设定两部分,旨在分别进行基准回归和稳健性检验。
-
表2报告了本文涉及的所有变量的面板总体(Overall)基本统计信息。此外,考虑到本文选取的自变量较多,有可能存在多重共线性问题,故在表2最后一列还报告了各个自变量的方差膨胀因子(VIF),以检验共线性问题。首先,变量间在数量级上差别较为悬殊,直接回归可能导致计算机运算误差和不便于回归系数理解。为此,在回归前对相关变量按比例进行了数量级缩放;其次,从共线性检验结果来看,VIF的最大值为11.38,平均值为4.29,故依据经验法则变量间的多重共线性问题不太严重。
表 2变量描述性统计与共线性检验
变量 样本量 均值 标准差 最小值 最大值 中位数 偏度 峰度 VIF GVC 450 1.141 4 1.829 7 −1.000 0 22.245 0 0.779 9 5.767 7 51.447 5 LLI 450 5.698 2 8.582 3 0.139 1 53.648 1 2.391 2 2.797 0 11.541 3 5.430 0 MLI 450 3.017 2 5.552 0 0.059 7 48.156 0 0.894 1 3.897 5 22.918 3 11.380 0 HLI 450 0.085 5 0.363 3 0.000 0 5.620 4 0.008 4 10.163 9 134.795 5 2.470 0 TIC 450 0.009 3 0.020 1 0.000 2 0.153 5 0.003 5 5.054 7 31.173 7 5.580 0 ENT 450 0.228 3 0.138 9 0.039 3 0.874 7 0.189 3 1.754 7 6.637 9 5.220 0 FST 450 5.966 3 7.507 9 0.000 0 82.386 8 3.644 5 4.042 2 31.099 7 1.210 0 MAR 450 0.219 8 0.082 2 0.074 1 0.403 6 0.217 5 0.210 4 2.095 3 2.980 0 OPE 450 0.321 1 0.394 8 0.030 0 1.720 0 0.130 0 1.944 5 5.855 0 3.350 0 HTT 450 0.173 4 0.152 0 0.010 4 0.691 4 0.113 0 1.181 8 3.516 4 1.570 0 PST 450 0.368 7 0.069 1 0.192 7 0.575 8 0.374 2 −0.014 4 2.522 6 3.030 0 NET 450 0.284 9 0.197 5 0.012 3 0.777 7 0.273 2 0.376 5 2.076 1 7.080 0 PCE 450 0.542 9 0.524 6 0.128 9 3.395 9 0.402 1 3.918 8 19.447 3 3.280 0 IPP 450 0.838 8 0.104 2 0.473 7 1.123 5 0.845 7 −0.597 4 3.770 0 1.300 0 GOV 450 0.204 0 0.091 4 0.076 8 0.626 9 0.186 2 1.578 4 6.701 9 4.800 0 COM 450 30.770 9 20.792 0 3.820 0 136.480 0 25.974 3 2.031 8 9.066 5 3.660 0 HUM 450 8.582 4 1.002 8 6.040 0 12.300 0 8.495 0 0.620 9 4.190 1 6.300 0 -
根据上部分的实证研究设计,这里对多层次技术创新影响产品内贸易地位的理论关系进行基准实证检验。以示对比,根据式(4)进行了计量经济分析,表3同时报告了混合回归(POLS)、随机效应(RE)和固定效应(FE)的回归结果,以示对比。其中,模型(1)~模型(3)的解释变量只包含了感兴趣变量——三个层次的创新指标,模型(4)~模型(8)则加入了表1中控制变量的基础设定部分。模型(1)~模型(6)括号内为普通标准误;模型(7)和模型(8)采用省份聚类稳健标准误对模型(5)和模型(6)重新进行了回归,这样做虽未改变回归系数,但标准误有了明显差异。
表 3基准回归结果
变量 (1) POLS (2) RE (3) FE (4) POLS (5) RE (6) FE (7) RE (8) FE LLI −0.000 5 −0.001 2 −0.001 4 0.001 3 0.003 1 0.007 2 0.003 1 0.007 2 (0.003 3) (0.003 8) (0.004 0) (0.004 2) (0.004 4) (0.004 7) (0.003 7) (0.004 3) MLI 0.001 6 0.003 1 0.003 5 0.012 7 0.023 2** 0.024 6** 0.023 2** 0.024 6** (0.006 6) (0.007 1) (0.007 4) (0.010 7) (0.010 1) (0.010 2) (0.011 3) (0.011 4) HLI −0.032 3 −0.013 1 −0.011 1 0.022 6 0.206 1 0.363 8** 0.206 1** 0.363 8*** (0.069 8) (0.061 7) (0.062 7) (0.136 3) (0.141 0) (0.155 7) (0.102 0) (0.127 0) TIC −4.139 7* −7.694 1** −9.112 9*** −7.694 1* −9.112 9 (2.278 3) (3.005 6) (3.473 1) (4.136 0) (5.471 2) ENT 0.650 0*** −0.044 2 −0.282 8 −0.044 2 −0.282 8 (0.246 2) (0.295 2) (0.317 6) (0.423 3) (0.408 6) FST −0.002 4 −0.001 3 −0.001 4 −0.001 3 −0.001 4 (0.002 4) (0.002 0) (0.002 0) (0.003 7) (0.003 5) MAR 0.649 0** 0.423 7 0.268 5 0.423 7 0.268 5 (0.297 8) (0.462 7) (0.535 0) (0.537 8) (0.605 1) OPE 0.075 9 0.314 6*** 0.590 1*** 0.314 6** 0.590 1*** (0.070 3) (0.118 8) (0.173 7) (0.131 7) (0.183 2) HTT −0.318 4** 0.037 9 0.096 0 0.037 9 0.096 0 (0.136 6) (0.165 1) (0.174 9) (0.195 8) (0.215 7) PST −0.096 3 0.029 2 0.205 1 0.029 2 0.205 1 (0.336 8) (0.424 7) (0.462 4) (0.420 8) (0.516 1) NET −0.281 9* −0.084 4 0.254 9 −0.084 4 0.254 9 (0.159 0) (0.186 1) (0.236 9) (0.245 6) (0.340 0) PCE −0.078 6** −0.240 6*** −0.490 1*** −0.240 6* −0.490 1** (0.035 0) (0.078 0) (0.134 5) (0.126 3) (0.210 7) IPP −0.158 8 −0.279 0 −0.278 9 −0.279 0 −0.278 9 (0.187 9) (0.231 5) (0.252 2) (0.415 5) (0.390 7) C 1.063 6*** 1.061 4*** 1.061 0*** 1.636 3*** 2.862 2*** 4.494 2*** 2.862 2** 4.494 2** (0.020 5) (0.047 1) (0.018 6) (0.446 5) (0.687 7) (1.039 8) (1.130 3) (1.670 8) 省份个体效应 否 是 是 否 是 是 是 是 时间个体效应 否 否 否 否 否 否 否 否 Hausman检验 14.70 过度识别检验 40.928*** 样本量 450 450 450 450 450 450 450 450 组内R2 0.000 6 0.000 6 0.000 6 0.087 1 0.104 4 0.115 4 0.104 4 0.115 4 F/Wald 0.083 6 0.200 0 0.082 9 2.760 3*** 41.970 0*** 3.524 0*** 414.720 0*** 153.182 8*** 注:模型(1)~模型(6)括号内为普通标准误,模型(7)~模型(8)括号内为省份聚类稳健标准误;*表示P < 0.1,**表示P < 0.05,***表示P< 0.01;对于模型整体显著性的检验,POLS和FE模型报告的是F统计量,RE模型报告的是Wald统计量。 模型(1)~模型(4)均显示,三个感兴趣变量的系数都不显著,但由于存在忽视个体效应、遗漏变量或未考虑聚类稳健标准误等问题,这些回归结果并不可靠。所以,有必要进行模型设定检验以选择适当的模型。在FE模型(6)中,针对“H0: 所有ui=0(可以用混合回归)”的F检验统计量为10.97,相应P值为0;此外,在FE模型(8)中,对所有省份虚拟变量的联合显著性F检验也强烈拒绝“无省份固定效应”的原假设。此外,在RE模型(5)和模型(7)中,对于“H0:不存在个体随机效应”的LM检验均强烈拒绝原假设。总之,上述针对RE和FE模型分别在普通标准误与省份聚类稳健标准误下的检验都表明,不应进行混合回归,应在模型中纳入省份个体效应,但到底是采用FE模型还是RE模型还需进一步检验。首先,针对普通标准误下的RE模型(5)和FE模型(6),Hausman检验的卡方统计量为14.7,不显著,表明应采用RE模型(5)。但这一传统的Hausman检验是在普通标准误下得出的,而在聚类稳健标准误与普通标准误差异较大时(本文属于这种情形),传统的Hausman检验是不适用的。为此,针对模型(7),进一步实施了适用于聚类稳健标准误情形的过度识别检验,所得Sargan-Hansen统计量为40.928,P值为0.000 3,表明应采用FE模型(8)。
综合考虑上述一系列模型设定检验的结果,最可信的是表3中的FE模型(8),故将之作为基准回归的结果。三个感兴趣变量回归系数的符号、显著性和大小表明:万人均实用新型和外观设计专利数LLI的增长未能提升加工贸易增加值率,而万人均发明专利MLI和万人均PCT国际专利量HLI的增加均显著提升了加工贸易增加值率,且万人均PCT国际专利量HLI对加工贸易增加值率的促进作用比万人均发明专利MLI的高出约10倍⑬。这验证了本文提出的理论假说:层次越高的创新对加工贸易升级的促进作用越大。具体来讲,低端创新不能促进加工贸易升级;中端创新和高端创新均可以助推加工贸易升级,且高端创新对加工贸易升级的促进作用远大于中端创新。
-
为了进一步考察上述基准回归结论的可靠性,这里从以下三方面进行了稳健性检验和内生性处理,其结果如表4所示。
表 4稳健性检验与内生性处理结果
变量 (1)
RE(2)
FE(3)
RE(4)
FE(5)
RE(6)
FE(7)
RE(8)
FE(9)
TFELLI −0.0000 0.0030 0.0021 0.0061 0.0018 0.0061 0.0020 0.0067 0.0038 (0.0036) (0.0036) (0.0039) (0.0045) (0.0038) (0.0046) (0.0037) (0.0046) (0.0044) MLI 0.0225** 0.0232** 0.0211* 0.0222* 0.0225** 0.0220* 0.0232** 0.0225* 0.0318** (0.0109) (0.0110) (0.0110) (0.0109) (0.0114) (0.0112) (0.0114) (0.0114) (0.0119) HLI 0.147 6 0.271 2** 0.137 3 0.288 8** 0.147 0* 0.287 0** 0.126 4 0.269 5** 0.2143** (0.098 0) (0.123 5) (0.095 3) (0.121 9) (0.085 0) (0.116 9) (0.0849) (0.114 6) (0.091 0) TIC −4.929 8 −7.166 2 −7.227 2* −8.432 5 −7.247 6* −8.369 7 −6.843 5* −8.268 2 −6.113 9 (3.876 4) (5.659 9) (3.889 8) (5.163 0) (3.856 5) (5.114 5) (3.965 0) (5.093 0) (4.516 9) ENT −0.349 2 −0.503 1 0.020 1 −0.241 0 0.015 4 −0.236 5 0.062 7 −0.195 6 0.271 7 (0.416 6) (0.445 3) (0.418 9) (0.385 1) (0.394 7) (0.370 6) (0.377 8) (0.356 1) (0.371 5) FST −0.000 8 −0.000 8 −0.001 6 −0.001 9 −0.001 9 −0.001 8 −0.001 9 −0.001 9 −0.003 9 (0.001 2) (0.001 2) (0.003 6) (0.003 1) (0.003 3) (0.003 0) (0.003 3) (0.003 0) (0.002 6) MAR 0.304 1 0.365 8 0.444 6 0.062 9 0.614 5 0.031 7 0.583 8 −0.023 4 −1.173 3 (0.487 6) (0.626 6) (0.516 1) (0.627 1) (0.599 0) (0.646 0) (0.613 1) (0.659 9) (1.134 4) OPE 0.167 9* 0.402 6*** 0.283 9** 0.564 7*** 0.283 6** 0.567 1*** 0.298 2** 0.576 4*** 0.536 3** (0.094 0) (0.124 2) (0.142 1) (0.192 0) (0.138 6) (0.194 8) (0.138 5) (0.195 5) (0.212 5) HTT −0.050 4 0.019 8 0.005 4 0.058 2 0.003 2 0.056 6 0.006 8 0.063 6 0.157 5 (0.155 3) (0.186 8) (0.191 9) (0.209 5) (0.193 8) (0.210 8) (0.192 8) (0.212 0) (0.213 9) PST −0.020 6 0.280 9 0.052 3 0.121 0 0.107 0 0.111 7 −0.071 6 −0.049 5 0.659 2 (0.338 6) (0.471 6) (0.396 0) (0.489 5) (0.367 4) (0.464 9) (0.402 0) (0.452 3) (0.592 2) NET −0.132 0 0.253 0 0.258 7 0.501 6* 0.204 3 0.509 5 0.286 9 0.587 7* 1.462 4* (0.182 1) (0.201 7) (0.246 1) (0.294 6) (0.250 9) (0.302 5) (0.266 4) (0.336 8) (0.838 7) PCE −0.040 4 −0.277 6** −0.296 0* −0.471 6* −0.267 2* −0.475 4* −0.265 3* −0.466 4* −0.414 8 (0.072 6) (0.107 4) (0.154 1) (0.257 7) (0.150 3) (0.263 5) (0.146 0) (0.258 4) (0.253 5) IPP 0.413 4 0.392 2 −0.330 0 −0.302 3 −0.302 2 −0.305 8 −0.323 0 −0.342 1 −0.326 9 (0.278 1) (0.319 7) (0.392 1) (0.357 9) (0.356 4) (0.342 7) (0.349 2) (0.326 0) (0.312 8) GOV −1.131 2 −1.346 0 −1.433 0 −1.302 5 −1.434 2 −1.275 8 −0.573 8 (0.969 2) (1.367 9) (1.258 9) (1.551 9) (1.246 5) (1.535 6) (1.739 0) COM 0.002 6 −0.000 4 0.002 6 −0.000 2 −0.000 9 (0.003 9) (0.003 4) (0.003 9) (0.003 3) (0.004 3) HUM −0.050 5 −0.060 8 0.029 0 (0.048 0) (0.072 2) (0.073 2) C 0.934 5 2.417 6** 3.445 2*** 4.678 2** 3.151 6** 4.719 9** 3.617 1*** 5.226 3** 4.013 6** (0.652 4) (0.869 2) (1.335 5) (1.857 1) (1.242 9) (1.864 1) (1.161 2) (1.960 8) (1.752 3) 省份个体效应 是 是 是 是 是 是 是 是 是 时间个体效应 否 否 否 否 否 否 否 否 是 过度识别检验 47.733*** 53.834*** 65.515*** 66.333*** 样本量 390 390 450 450 450 450 450 450 450 组内R2 0.138 4 0.163 3 0.123 1 0.133 3 0.118 8 0.133 4 0.120 8 0.134 8 0.184 8 F/Wald 245.900 0*** 547.351 4*** 532.530 0*** 259.360 3*** 485.690 0*** 240.009 9*** 584.180 0*** 222.632 2*** 注:括号内均为省份聚类稳健标准误;*表示P< 0.1,**表示P< 0.05,***表示P< 0.01;对于模型整体显著性的检验,FE模型报告的是F统计量,RE模型报告的是Wald统计量;模型(1)和模型(2)剔除了宁夏、青海、新疆和重庆四个样本,其他均为全样本。 -
通过查看数据时间趋势发现,宁夏、青海、新疆和重庆四个省级行政区的加工贸易增加值率数据在短期内起伏很大,这与经济常识不太符合。所以,剔除掉这四个样本后,重新做了表3模型(7)和模型(8)所示的回归,结果列示在表4的第(1)列和第(2)列中。过度识别检验显示,在表4模型(1)与模型(2)之间应选模型(2)。与表1基准回归结果(8)相比,表4模型(2)感兴趣变量的回归系数和显著性虽有所下降,但结果基本上是一致的。
-
为了检视表3模型(8)的基础设定形式是否还存在因遗漏变量导致的内生性偏差,考察随着更多备选控制变量的逐个加入,基准回归结论是否依然成立,在表3模型(8)的基础上依次加入了来自表1备选设定部分的三个新控制变量,结果列示在表4模型(3)~模型(8)中。每一个新控制变量的加入都同时报告了RE和FE的结果,但过度识别检验表明都应该选择FE模型。模型(4)、模型(6)和模型(8)的结果显示,随着GOV、COM和HUM的不断加入,感兴趣变量回归系数的符号、显著性和大小与基础设定形式相比并无大的改变,且三个新增控制变量的系数也都不显著,这说明表3模型(8)已使得扰动项条件均值独立于感兴趣变量的假设得以满足,结果具有可靠性。
-
考虑到模型不仅存在个体固定效应(不随时间而变但随个体而变),还可能兼具时间固定效应(不随个体而变但随时间而变),故在表4模型(8)基础上进行了双向固定效应(Two-way FE)估计⑭。相应结果列示在表4模型(9)中,篇幅所限,没有报告时间虚拟变量的回归结果。表4模型(9)显示的结果与表3模型(8)也是一致的。
综上,上述三方面的稳健性检验和内生性处理结果表明,基准回归结果具有良好的可靠性,可以作为最终实证结果加以接受。
-
基准回归和稳健性检验结果一致验证了本文提出的理论假说:层次越高的创新对加工贸易升级的促进作用越大。具体来讲,低端创新不能促进加工贸易升级;中端创新和高端创新均可以助推加工贸易升级,且高端创新对加工贸易升级的促进作用约为中端创新的十倍。原因在于,中国经济已经到了由低水平复制模仿型技术进步向中、高水平准前沿和前沿创新转型的阶段,实用新型和外观设计之类的专利,其创造性和技术含量较低,属于不再稀缺的低水平创新,难以为优化中国各地区的现有要素禀赋结构做出新贡献,从而也就不能为实现向全球价值链高技术密集工序或高附加值环节的攀升提供要素支持,不利于加工贸易升级;而国内发明专利的授权标准和技术新颖性都较高,国际PCT专利则具有更高的技术突破性和原始创造力,二者分别属于目前稀缺的中、高端创新,其专利数量反映了中国各地区由复制模仿型技术进步向准前沿、前沿创新转型的实践,能够切实提升现阶段各地区的要素禀赋结构,降低中、高端技术要素的价格,从而也为赢得高技术密集或高附加值环节的产品内分工优势奠定了基础,都能助推加工贸易升级;由于国际PCT专利相比国内发明专利属于更高层次的创新,所以在助推现有要素禀赋结构优化和产品内贸易地位升级上有更卓越的表现。
-
本文研究表明,异质创新对加工贸易升级存在差异化影响。具体来讲,低端创新对加工贸易升级的促进作用在统计上和经济上均不显著;中端创新和高端创新对加工贸易升级的促进作用在统计上和经济上均显著;且高端创新对加工贸易升级的促进作用在经济显著性上要远高于中端创新的。呈现出层次越高的创新对加工贸易升级的促进作用也越大的规律。由于本文是用加工贸易增加值率来度量加工贸易升级的,因此实证研究中只衡量了异质创新对提升贸易利益的差异化影响。但其实伴随贸易利益的提升,产业安全性和自主可控性也相应得到了提高。因此,越是高端的创新在提升贸易利益和确保产业安全上起到的作用越大。本文的探讨对中国实现科技和经济开放战略转型、构建自主可控的科技和国际分工新体系、形成科技创新与实体经济协同发展的新格局具有一定启发意义。
1. 不断促进要素禀赋结构优化,驱动全球价值链分工地位升级,在贸易利益和分工安全上赢得更有利的局面。虽然比较优势理论表明,国际贸易的所有参与者都能从贸易中获益,但处于全球价值链不同区段的参与者获得的贸易利益和主导权是不对称的。那些凭借优良制度、高新技术、人力资本、企业家精神等高端要素融入国际分工的一方,都占据着全球化生产的设计研发、品牌营销、物流、关键组件生产等高附加值中心环节,能从贸易中获益更多,且在全球价值链体系中具有更强的主导权和更低的国际分工风险。而那些利用自然资源、非熟练劳动力、环境污染等低端要素参与全球化生产的一方,只能从事代工、装配、非核心部件制造等低附加值外围区段,不仅获取的贸易利益较少,而且产业发展易受制于人,承受着较高的国际分工风险。原因在于高端要素市场是不完全竞争的,有很高的进入壁垒;而低端要素市场则是近乎完全竞争的,有很强的被替代性,故国际贸易条件和产业安全都对高端要素的拥有方有利。因此,存在于GVC上的微笑曲线,其本质是一种新型的“中心—外围”结构。本文研究表明,要优化产品内贸易结构、提升产业安全性,不思进取地被动承接国际产业转移(会落入比较优势陷阱)以及好高骛远的“赶超战略”都是不可取的,真正务实有效的方式在于通过良序制度培育、人力资本积累、企业家精神激发、高新技术发展等高端要素积累来不断提升要素禀赋结构,从而使国际工序贸易模式沿着CDM→OEM→ODM→OBM→OSM路径逐渐由外围升级到中心。
2. 坚持创新驱动发展战略,特别是加快推进高端前沿创新的步伐,为驱动中国加工贸易升级奠定技术根基。现阶段,复制模仿型低端创新对中国要素禀赋结构的提升作用已有限,从而难以驱动加工贸易升级;只有不断突破“卡脖子”技术难题,向准前沿、前沿型高水平技术创新转变,才能持续优化中国的技术创新结构,从而为贸易利益提升和自主可控的全球价值链体系打造奠定要素禀赋基础。虽然据全球创新指数(Global Innovation Index)显示,中国已由2007年该指数首次发布时的全球第29名攀升至2020年的第14名,但必须承认中国真正的前沿创新仍不丰富。如2018年的最新数据显示,中国每万人拥有的PCT专利申请量只有美国的22%。所以,在认识到技术创新重要性、异质性和差距性的基础上,必须坚持创新在中国现代化建设全局中的核心地位,要持续推进对世界核心科技的前沿攻坚战略以及对高端科技成果的商业转化战略,不断驱推动技术创新结构转型升级,这是中国坚持创新驱动发展战略、全面塑造发展新优势、充分提升科技创新对实体经济发展贡献份额的关键,也是解决技术“卡脖子”困境、确保核心技术自主可控以及加快建设科技自立自强的创新强国的必由之路。此外,中国除了整体高端技术创新水平仍比较落后外,高水平创新能力在企业和地区间的分布也是很不均衡的。如在2018年,仅华为和中兴两家企业的PCT专利申请数已占到全国的14%,仅广东一个省的PCT专利申请数已占到全国的47%⑮。所以,要全面提升中国在全球价值链中的分工地位,打造安全高效的国际供应链体系,不仅需要促进中国创新结构整体由低端向高端转型,还需要通过国内大市场优势和学习型社会构建,改变中国创新能力在部门间、地区间差距过大的现状,形成协同并进的创新合力。
The Different Effects of Heterogeneous Innovations on Upgrading of Chinese Processing Trade
——Theoretical Mechanisms and Empirical Studies
-
摘要:加工贸易升级是中国经济高质量发展的重要内容,技术创新又是驱动加工贸易升级的根本途径。在理论上,延承要素禀赋理论的分析逻辑,利用代数与几何方法模型化研究了技术动态演进影响产品内国际工序分工地位的内在机制。在实证上,根据中国PCT国际专利和国内专利不同类型在技术突破性和知识原创力方面的差别,量化识别了技术创新的低端、中端和高端三个不同层次,并基于中国30个省份2002—2016年的面板数据,利用静态面板固定效应模型实证研究了三层次异质创新对中国加工贸易升级的差异影响。基准回归和稳健性检验结果一致表明:(1)低端创新不能促进中国加工贸易升级;(2)中端创新和高端创新均可驱动中国加工贸易升级;(3)高端创新对中国加工贸易升级的促进作用远大于中端创新的。在实践上,从推进高端前沿创新以驱动国家创新结构和要素禀赋结构升级的角度,提出了使中国由全球价值链分工上的外围区段进入中心地位的对策。Abstract:The upgrading of processing trade is the key feature of Chinese high-quality economic development, but technological innovation is the necessary condition for global value chain upgrading. Theoretically, based on the analytic logic of factor endowment theory, this paper models the influence of technological innovation on intra-product international task trade via algebra and geometry method. Empirically, according to the differences between different categories of domestic patents and international PCT patents in terms of technological breakthrough and knowledge originality, three different levels of technological innovation, namely low-level, middle-level and high-level, are quantitatively distinguished, and their heterogeneous influences on Chinese processing trade upgrading are quantitatively identified. Using panel data of 30 provinces in China from 2002 to 2016, the benchmark regression and robustness tests of fixed effects model have consistently shown that the higher the level of technological innovation, the greater its promotion effect on Chinese processing trade upgrading. Specifically, low-level innovation can’t promote Chinese processing trade upgrading; Mid-level and high-level innovation can both promote Chinese processing trade upgrading, and high-level innovation’s promoting effect is about ten times bigger than Mid-level’s. Finally, this paper gives a clear view on improving China's labor division status in global value chain by driving high-level innovation.注释:1) 根据BEC(Broad Economic Catalogue)分类标准将中国海关数据库区分为有中间品进口和无中间品进口的企业,分别进行加总,计算得出中间品进口占总进口的比重。2) 根据《中国统计年鉴》《中国贸易外经统计年鉴》《中国商务年鉴》和全国年度统计公报提供的原始数据计算得到。3) 指通过专利合作条约(Patent Cooperation Treaty,PCT)申请获得的国际专利。4) 产品内国际工序分工的产生表明从产业或产品维度来界定要素密集度过于笼统;而从工序维度来界定更合理、更精准。比如,服装总体来说是劳动密集型产品,但其设计却是技术密集的;苹果手机是高科技产品,但其非核心零部件制造(如机壳等)以及组装等工序环节则是劳动密集的。在国际工序贸易背景下,H-O理论的比较优势分工原则事实上是将区位要素禀赋类型与产品工序区段(而非与整体产品或产业)匹配。5) 生产扩张线(production expansion path)是指在一定生产要素价格和生产函数下,连接不同等成本线与等产量线的切点所形成的轨迹。生产扩展线上的每一点都会使厂商实现既定产量下的最小成本或既定成本下的最大产量。故当厂商要调整生产规模时,沿着生产扩展线选择要素投入组合是最优的。 OX 1的斜率(技术投入与非技术投入之比)大于 OX 2,表明二者相比,工序 X 1为技术密集的,工序 X 2为非技术密集的。6) 根据下文方程(1)和方程(2),A国和B国等成本线斜率的绝对值分别为
${\zeta _A}/{\varphi _A} $ 和${\zeta _B}/{\varphi _B} $ ,故这里的含义是${\zeta _A}/{\varphi _A}> {\zeta _B}/{\varphi _B}$ 。 AC与 BD的斜率不同,故二者必相交于某一点 Q。7) 国际分工模式的划分标准如下:若产品 X的单位价值等产量线与折线 BQC( AC与 BD的包络线)率先相切于 CQ段,则该产品为技术密集的,应在技术丰裕的A国生产;若其与 BQC率先相切于 BQ段,则该产品为非技术密集的,应在非技术要素丰裕的B国生产;若其与折线 BQC同时相切于 BQ段和 CQ段,则该产品可同时在A国和B国生产。对于工序环节的国际分工,其划分标准也如此。8) 由下文方程(1)和方程(2)可得, AC与 BD交点 Q的坐标为$ \left[ {\left( {{\varphi _A} - {\varphi _B}} \right)/\left( {{\varphi _A} \cdot {\zeta _B} - {\varphi _B} \cdot {\zeta _A}} \right), \left( {{\zeta _B} - {\zeta _A}} \right)/\left( {{\varphi _A} \cdot {\zeta _B} - {\varphi _B} \cdot {\zeta _A}} \right)} \right] $ \normalsize ($ {{\eta _A} = {\eta _B} = 1} $ \normalsize ),则 OQS的斜率为$ \left( {{\zeta _B} - {\zeta _A}} \right)/\left( {{\varphi _A} - {\varphi _B}} \right) $ \normalsize 。那么, OQS上除原点外任意一点的坐标为$ \left[ {{N^*}, \left( {{\zeta _B} - {\zeta _A}} \right) \cdot {N^*}/\left( {{\varphi _A} - {\varphi _B}} \right)} \right] $ \normalsize ,将这一点代入方程(1)和方程(2)可得,$ {\eta _A} = {\eta _B} = \left( {{\varphi _A} \cdot {\zeta _B} - {\varphi _B} \cdot {\zeta _A}} \right) \cdot {N^*}/\left( {{\varphi _A} - {\varphi _B}} \right) $ \normalsize 。这证明,相交于 OQS上任意一点的A国和B国等成本线必定具有相同的价值。9) 由方程(1)和方程(2),可以算出 AC与 BD交点 Q的坐标为$ \left[ {\eta \cdot \left( {{\varphi _A} - {\varphi _B}} \right)/\left( {{\varphi _A} \cdot {\zeta _B} - {\varphi _B} \cdot {\zeta _A}} \right), \eta \cdot \left( {{\zeta _B} - {\zeta _A}} \right)/\left( {{\varphi _A} \cdot {\zeta _B} - {\varphi _B} \cdot {\zeta _A}} \right)} \right]$ $\left[ \left( {{\eta _A} = {\eta _B} = \eta } \right) \right]$ ,则 OQS的斜率为$ \left( {{\zeta _B} - {\zeta _A}} \right)/\left( {{\varphi _A} - {\varphi _B}} \right)$ 。可见,当$\left( {{\zeta _B} - {\zeta _A}} \right)/\left( {{\varphi _A} - {\varphi _B}} \right) $ 下降,而$ {\varphi _A}, {\zeta _B}$ 和$ {{\zeta _A}} $ 都不变时,该斜率一定变大,故 OQ′S′一定会比 OQS陡峭。10) 各省PCT国际专利申请数来自历年国家知识产权局专利统计年报(https: //www.cnipa.gov.cn/col/col61/index.html#mark),最早可获得2002年的,但2017年和2018年没有公布相应数据;此外,中国互联网络信息中心不再发布2016年以后的分省网民规模数据,控制变量“互联网普及率”也无法更新,因此本文可用的连续数据的最大跨度为2002—2016年。西藏由于缺失加工贸易进出口数据,只能剔除。11) 根据《中国科技统计年鉴》的指标解释,外观设计专利指对产品的形状、图案或者其结合以及色彩与形状、图案的结合所作出的富有美感并适于工业应用的新设计;实用新型专利指对产品的形状、构造或者其结合所提出的适于实用的新的技术方案;发明专利指对产品、方法或者其改进所提出的新的技术方案。12) PCT于1970年缔结,现有152个缔约国,是继《保护工业产权巴黎公约》之后国际专利保护领域的最重要进展。PCT方便申请人寻求对其发明的国际性专利保护,帮助专利局作出专利授予决定,便利公众查阅这些发明中涉及的丰富技术信息。通过该条约,申请人只需提交一份国际专利申请,即可同时在全世界大多数国家寻求对其发明的专利保护。13) 在模型(8)中,直观可见HLI的系数0.363 8远大于MLI的系数0.0246,但HLI对因变量IPT的促进作用大于MLI的,其更坚实的统计学证据在于:第一,MLI和HLI的回归系数都显著,且HLI的显著性更高;对“H 0:$ {\beta _2} = {\beta _3}$ (HLI的系数=MLI的系数)”的假设检验得 F=7.27,相应 P值为0.011 5,故可在5%的显著性水平下拒绝H0;第二,MLI真实系数的95%置信区间为[0.001 2, 0.048 0],HLI真实系数的95%置信区间为[0.104 0, 0.623 7]。故HLI系数置信区间的下界0.104 0大于MLI系数置信区间的上界0.048 0。故在数轴上,HLI与MLI系数的置信区间不重合,且HLI的置信集整体位于MLI的右边;第三,为了能在同一标准下进一步比较HLI和MLI对因变量的相对解释力,将所有变量标准化(减去均值后除以标准差)后重新进行模型(8)的回归(不含截距项),所得结果与表3模型(8)一致。14) 以2002年为基期,在回归中为2003—2016年引入了14个年度虚拟变量。所有年度虚拟变量联合显著性检验的 F值为5.48,相应 P值为0.000 1,强烈拒绝“无时间个体效应”的原假设,表明应在模型中纳入时间固定效应。15) 这里计算所需原始数据来自世界知识产权组织(WIPO)、国家知识产权局及Wind资讯。 -
表 1变量测度与数据来源
变量类型 变量名称 字母代码 测度指标 数据来源 因变量 加工贸易升级 GVC 加工贸易增加值率 国研网 感兴趣变量 低端创新 LLI 万人均国内实用新型和外观设计专利 EPS数据库 中端创新 MLI 万人均国内发明专利 EPS数据库 高端创新 HLI 万人均PCT国际专利 国家知识产权局专利统计年报 控制变量 基础设定 创新商业化 TIC 技术市场成交额/GDP 中国科技统计年鉴 企业家精神 ENT 私有单位就业人员比重 中经网及各省年鉴 金融结构 FST (股票+PEVC)/(债券+贷款) Wind资讯;中国人民银行 市场化程度 MAR 四项指标算术平均 Wind资讯;中经网;国研网;
中国劳动统计年鉴经济开放度 OPE 进出口贸易额/GDP 中国统计年鉴 国际技术溢出 HTT 高技术产品贸易额/GDP 中国科学技术部 人口结构红利 PST 人口总抚养比 中国统计年鉴 信息化水平 NET 互联网普及率(上网人数/常住人口数) 国研网 公共文化环境 PCE 每人拥有公共藏书量 中国文化文物统计年鉴 知识产权保护 IPP 专利纠纷结案率 中国知识产权年鉴 备选设定 政府规模 GOV 一般公共预算支出/GDP 中国财政年鉴 交通基础设施 COM 公路与铁路里程密度之和 中国统计年鉴 人力资本 HUM 平均受教育年限 中国统计年鉴 表 2变量描述性统计与共线性检验
变量 样本量 均值 标准差 最小值 最大值 中位数 偏度 峰度 VIF GVC 450 1.141 4 1.829 7 −1.000 0 22.245 0 0.779 9 5.767 7 51.447 5 LLI 450 5.698 2 8.582 3 0.139 1 53.648 1 2.391 2 2.797 0 11.541 3 5.430 0 MLI 450 3.017 2 5.552 0 0.059 7 48.156 0 0.894 1 3.897 5 22.918 3 11.380 0 HLI 450 0.085 5 0.363 3 0.000 0 5.620 4 0.008 4 10.163 9 134.795 5 2.470 0 TIC 450 0.009 3 0.020 1 0.000 2 0.153 5 0.003 5 5.054 7 31.173 7 5.580 0 ENT 450 0.228 3 0.138 9 0.039 3 0.874 7 0.189 3 1.754 7 6.637 9 5.220 0 FST 450 5.966 3 7.507 9 0.000 0 82.386 8 3.644 5 4.042 2 31.099 7 1.210 0 MAR 450 0.219 8 0.082 2 0.074 1 0.403 6 0.217 5 0.210 4 2.095 3 2.980 0 OPE 450 0.321 1 0.394 8 0.030 0 1.720 0 0.130 0 1.944 5 5.855 0 3.350 0 HTT 450 0.173 4 0.152 0 0.010 4 0.691 4 0.113 0 1.181 8 3.516 4 1.570 0 PST 450 0.368 7 0.069 1 0.192 7 0.575 8 0.374 2 −0.014 4 2.522 6 3.030 0 NET 450 0.284 9 0.197 5 0.012 3 0.777 7 0.273 2 0.376 5 2.076 1 7.080 0 PCE 450 0.542 9 0.524 6 0.128 9 3.395 9 0.402 1 3.918 8 19.447 3 3.280 0 IPP 450 0.838 8 0.104 2 0.473 7 1.123 5 0.845 7 −0.597 4 3.770 0 1.300 0 GOV 450 0.204 0 0.091 4 0.076 8 0.626 9 0.186 2 1.578 4 6.701 9 4.800 0 COM 450 30.770 9 20.792 0 3.820 0 136.480 0 25.974 3 2.031 8 9.066 5 3.660 0 HUM 450 8.582 4 1.002 8 6.040 0 12.300 0 8.495 0 0.620 9 4.190 1 6.300 0 表 3基准回归结果
变量 (1) POLS (2) RE (3) FE (4) POLS (5) RE (6) FE (7) RE (8) FE LLI −0.000 5 −0.001 2 −0.001 4 0.001 3 0.003 1 0.007 2 0.003 1 0.007 2 (0.003 3) (0.003 8) (0.004 0) (0.004 2) (0.004 4) (0.004 7) (0.003 7) (0.004 3) MLI 0.001 6 0.003 1 0.003 5 0.012 7 0.023 2** 0.024 6** 0.023 2** 0.024 6** (0.006 6) (0.007 1) (0.007 4) (0.010 7) (0.010 1) (0.010 2) (0.011 3) (0.011 4) HLI −0.032 3 −0.013 1 −0.011 1 0.022 6 0.206 1 0.363 8** 0.206 1** 0.363 8*** (0.069 8) (0.061 7) (0.062 7) (0.136 3) (0.141 0) (0.155 7) (0.102 0) (0.127 0) TIC −4.139 7* −7.694 1** −9.112 9*** −7.694 1* −9.112 9 (2.278 3) (3.005 6) (3.473 1) (4.136 0) (5.471 2) ENT 0.650 0*** −0.044 2 −0.282 8 −0.044 2 −0.282 8 (0.246 2) (0.295 2) (0.317 6) (0.423 3) (0.408 6) FST −0.002 4 −0.001 3 −0.001 4 −0.001 3 −0.001 4 (0.002 4) (0.002 0) (0.002 0) (0.003 7) (0.003 5) MAR 0.649 0** 0.423 7 0.268 5 0.423 7 0.268 5 (0.297 8) (0.462 7) (0.535 0) (0.537 8) (0.605 1) OPE 0.075 9 0.314 6*** 0.590 1*** 0.314 6** 0.590 1*** (0.070 3) (0.118 8) (0.173 7) (0.131 7) (0.183 2) HTT −0.318 4** 0.037 9 0.096 0 0.037 9 0.096 0 (0.136 6) (0.165 1) (0.174 9) (0.195 8) (0.215 7) PST −0.096 3 0.029 2 0.205 1 0.029 2 0.205 1 (0.336 8) (0.424 7) (0.462 4) (0.420 8) (0.516 1) NET −0.281 9* −0.084 4 0.254 9 −0.084 4 0.254 9 (0.159 0) (0.186 1) (0.236 9) (0.245 6) (0.340 0) PCE −0.078 6** −0.240 6*** −0.490 1*** −0.240 6* −0.490 1** (0.035 0) (0.078 0) (0.134 5) (0.126 3) (0.210 7) IPP −0.158 8 −0.279 0 −0.278 9 −0.279 0 −0.278 9 (0.187 9) (0.231 5) (0.252 2) (0.415 5) (0.390 7) C 1.063 6*** 1.061 4*** 1.061 0*** 1.636 3*** 2.862 2*** 4.494 2*** 2.862 2** 4.494 2** (0.020 5) (0.047 1) (0.018 6) (0.446 5) (0.687 7) (1.039 8) (1.130 3) (1.670 8) 省份个体效应 否 是 是 否 是 是 是 是 时间个体效应 否 否 否 否 否 否 否 否 Hausman检验 14.70 过度识别检验 40.928*** 样本量 450 450 450 450 450 450 450 450 组内R2 0.000 6 0.000 6 0.000 6 0.087 1 0.104 4 0.115 4 0.104 4 0.115 4 F/Wald 0.083 6 0.200 0 0.082 9 2.760 3*** 41.970 0*** 3.524 0*** 414.720 0*** 153.182 8*** 注:模型(1)~模型(6)括号内为普通标准误,模型(7)~模型(8)括号内为省份聚类稳健标准误;*表示P < 0.1,**表示P < 0.05,***表示P< 0.01;对于模型整体显著性的检验,POLS和FE模型报告的是F统计量,RE模型报告的是Wald统计量。 表 4稳健性检验与内生性处理结果
变量 (1)
RE(2)
FE(3)
RE(4)
FE(5)
RE(6)
FE(7)
RE(8)
FE(9)
TFELLI −0.0000 0.0030 0.0021 0.0061 0.0018 0.0061 0.0020 0.0067 0.0038 (0.0036) (0.0036) (0.0039) (0.0045) (0.0038) (0.0046) (0.0037) (0.0046) (0.0044) MLI 0.0225** 0.0232** 0.0211* 0.0222* 0.0225** 0.0220* 0.0232** 0.0225* 0.0318** (0.0109) (0.0110) (0.0110) (0.0109) (0.0114) (0.0112) (0.0114) (0.0114) (0.0119) HLI 0.147 6 0.271 2** 0.137 3 0.288 8** 0.147 0* 0.287 0** 0.126 4 0.269 5** 0.2143** (0.098 0) (0.123 5) (0.095 3) (0.121 9) (0.085 0) (0.116 9) (0.0849) (0.114 6) (0.091 0) TIC −4.929 8 −7.166 2 −7.227 2* −8.432 5 −7.247 6* −8.369 7 −6.843 5* −8.268 2 −6.113 9 (3.876 4) (5.659 9) (3.889 8) (5.163 0) (3.856 5) (5.114 5) (3.965 0) (5.093 0) (4.516 9) ENT −0.349 2 −0.503 1 0.020 1 −0.241 0 0.015 4 −0.236 5 0.062 7 −0.195 6 0.271 7 (0.416 6) (0.445 3) (0.418 9) (0.385 1) (0.394 7) (0.370 6) (0.377 8) (0.356 1) (0.371 5) FST −0.000 8 −0.000 8 −0.001 6 −0.001 9 −0.001 9 −0.001 8 −0.001 9 −0.001 9 −0.003 9 (0.001 2) (0.001 2) (0.003 6) (0.003 1) (0.003 3) (0.003 0) (0.003 3) (0.003 0) (0.002 6) MAR 0.304 1 0.365 8 0.444 6 0.062 9 0.614 5 0.031 7 0.583 8 −0.023 4 −1.173 3 (0.487 6) (0.626 6) (0.516 1) (0.627 1) (0.599 0) (0.646 0) (0.613 1) (0.659 9) (1.134 4) OPE 0.167 9* 0.402 6*** 0.283 9** 0.564 7*** 0.283 6** 0.567 1*** 0.298 2** 0.576 4*** 0.536 3** (0.094 0) (0.124 2) (0.142 1) (0.192 0) (0.138 6) (0.194 8) (0.138 5) (0.195 5) (0.212 5) HTT −0.050 4 0.019 8 0.005 4 0.058 2 0.003 2 0.056 6 0.006 8 0.063 6 0.157 5 (0.155 3) (0.186 8) (0.191 9) (0.209 5) (0.193 8) (0.210 8) (0.192 8) (0.212 0) (0.213 9) PST −0.020 6 0.280 9 0.052 3 0.121 0 0.107 0 0.111 7 −0.071 6 −0.049 5 0.659 2 (0.338 6) (0.471 6) (0.396 0) (0.489 5) (0.367 4) (0.464 9) (0.402 0) (0.452 3) (0.592 2) NET −0.132 0 0.253 0 0.258 7 0.501 6* 0.204 3 0.509 5 0.286 9 0.587 7* 1.462 4* (0.182 1) (0.201 7) (0.246 1) (0.294 6) (0.250 9) (0.302 5) (0.266 4) (0.336 8) (0.838 7) PCE −0.040 4 −0.277 6** −0.296 0* −0.471 6* −0.267 2* −0.475 4* −0.265 3* −0.466 4* −0.414 8 (0.072 6) (0.107 4) (0.154 1) (0.257 7) (0.150 3) (0.263 5) (0.146 0) (0.258 4) (0.253 5) IPP 0.413 4 0.392 2 −0.330 0 −0.302 3 −0.302 2 −0.305 8 −0.323 0 −0.342 1 −0.326 9 (0.278 1) (0.319 7) (0.392 1) (0.357 9) (0.356 4) (0.342 7) (0.349 2) (0.326 0) (0.312 8) GOV −1.131 2 −1.346 0 −1.433 0 −1.302 5 −1.434 2 −1.275 8 −0.573 8 (0.969 2) (1.367 9) (1.258 9) (1.551 9) (1.246 5) (1.535 6) (1.739 0) COM 0.002 6 −0.000 4 0.002 6 −0.000 2 −0.000 9 (0.003 9) (0.003 4) (0.003 9) (0.003 3) (0.004 3) HUM −0.050 5 −0.060 8 0.029 0 (0.048 0) (0.072 2) (0.073 2) C 0.934 5 2.417 6** 3.445 2*** 4.678 2** 3.151 6** 4.719 9** 3.617 1*** 5.226 3** 4.013 6** (0.652 4) (0.869 2) (1.335 5) (1.857 1) (1.242 9) (1.864 1) (1.161 2) (1.960 8) (1.752 3) 省份个体效应 是 是 是 是 是 是 是 是 是 时间个体效应 否 否 否 否 否 否 否 否 是 过度识别检验 47.733*** 53.834*** 65.515*** 66.333*** 样本量 390 390 450 450 450 450 450 450 450 组内R2 0.138 4 0.163 3 0.123 1 0.133 3 0.118 8 0.133 4 0.120 8 0.134 8 0.184 8 F/Wald 245.900 0*** 547.351 4*** 532.530 0*** 259.360 3*** 485.690 0*** 240.009 9*** 584.180 0*** 222.632 2*** 注:括号内均为省份聚类稳健标准误;*表示P< 0.1,**表示P< 0.05,***表示P< 0.01;对于模型整体显著性的检验,FE模型报告的是F统计量,RE模型报告的是Wald统计量;模型(1)和模型(2)剔除了宁夏、青海、新疆和重庆四个样本,其他均为全样本。 -
[1] 卢锋. 产品内分工[J]. 经济学(季刊), 2004(4): 55-82. [2] GREENHALGH C. Innovation and trade performance in the United Kingdom[J]. The Economic Journal, 1990, 100(400): 105-118.doi:10.2307/2234188 [3] ANDERTON B. Innovation, product quality, variety, and trade performance: An empirical analysis of Germany and the UK[J]. Oxford Economic Papers, 1999, 51(1): 152-167.doi:10.1093/oep/51.1.152 [4] BASILE R. Export behaviour of Italian manufacturing firms over the nineties: The role of innovation[J]. Research Policy, 2001, 30(8): 1185-1201.doi:10.1016/S0048-7333(00)00141-4 [5] ROPER S, LOVE J H. Innovation and export performance: Evidence from the UK and German manufacturing plants[J]. Research Policy, 2002, 31(7): 1087-1102.doi:10.1016/S0048-7333(01)00175-5 [6] GUAN J, MA N. Innovative capability and export performance of Chinese firms[J]. Technovation, 2003, 23(9): 737-747.doi:10.1016/S0166-4972(02)00013-5 [7] RODIL Ó, VENCE X, DEL CARMEN SÁNCHEZ M. The relationship between innovation and export behaviour: The case of Galician firms[J]. Technological Forecasting and Social Change, 2016, 113: 248-265.doi:10.1016/j.techfore.2015.09.002 [8] HICKS J R. The theory of wages[M]. London: Macmillan, 1932. [9] FELLNER W. Two propositions in the theory of induced innovations[J]. The Economic Journal, 1961, 71(282): 305-308.doi:10.2307/2228769 [10] VERNON R. International Investment and International Trade in the Product Cycle[J]. The Quarterly Journal of Economics, 1966, 80(2): 190-207.doi:10.2307/1880689 [11] DAVIDSON W H. Factor endowment, innovation and international trade theory[J]. Kyklos, 1979, 32(4): 764-774.doi:10.1111/j.1467-6435.1979.tb01144.x [12] REDDING S. Dynamic comparative advantage and the welfare effects of trade[J]. Oxford Economic Papers, 1999, 51(1): 15-39.doi:10.1093/oep/51.1.15 [13] DIPIETRO W R, ANORUO E. Creativity, innovation, and export performance[J]. Journal of Policy Modeling, 2006, 28(2): 133-139.doi:10.1016/j.jpolmod.2005.10.001 [14] SANDU S, CIOCANEL B. Impact of R&D and Innovation on High-tech Export[J]. Procedia Economics and Finance, 2014, 15: 80-90.doi:10.1016/S2212-5671(14)00450-X [15] 刘德学, 李晓姗. 加工贸易升级机制实证分析[J]. 国际经贸探索, 2010(8): 4-9. [16] 杜晓英. 中国加工贸易增值率影响因素的实证研究: 基于2001年—2010年省际面板数据的分析[J]. 经济经纬, 2014(3): 37-41. [17] 刘海云, 毛海欧. 国家国际分工地位及其影响因素: 基于“GVC地位指数”的实证分析[J]. 国际经贸探索, 2015(8): 44-53. [18] 尹华, 周任远, 孙元欣. 创新促进了加工贸易转型升级吗: 来自中国海关产品出口层面的证据[J]. 现代经济探讨, 2018(4): 34-42.doi:10.3969/j.issn.1009-2382.2018.04.005 [19] 凌丹, 张小云. 技术创新与全球价值链升级[J]. 中国科技论坛, 2018(10): 53-61+100. [20] 张明, 胡兵. 加工贸易增值率的实证研究[J]. 国际贸易问题, 2010(4): 25-31. [21] 程锐, 马莉莉. 人力资本结构高级化与出口产品质量升级: 基于跨国面板数据的实证分析[J]. 国际经贸探索, 2019(4): 42-59. [22] 周茂, 李雨浓, 姚星, 陆毅. 人力资本扩张与中国城市制造业出口升级: 来自高校扩招的证据[J]. 管理世界, 2019(5): 64-77+198-199.doi:10.3969/j.issn.1002-5502.2019.05.006 [23] 毛其淋. 人力资本推动中国加工贸易升级了吗?[J]. 经济研究, 2019(1): 52-67. [24] HAUSMANN R, RODRIK D. Economic development as self-discovery[J]. Journal of Development Economics, 2003, 72(2): 603-633.doi:10.1016/S0304-3878(03)00124-X [25] FARUQ H A. How institutions affect export quality[J]. Economic Systems, 2011, 35(4): 586-606.doi:10.1016/j.ecosys.2011.05.001 [26] 张庆霖, 陈万灵. 外资进入、内资研发与加工贸易升级: 基于面板数据的实证研究[J]. 国际经贸探索, 2011(7): 4-9. [27] 翟士军, 黄汉民. 人口红利、工资刚性与加工贸易增值强度[J]. 国际贸易问题, 2015(11): 39-50. [28] 马述忠, 张洪胜, 王笑笑. 融资约束与全球价值链地位提升: 来自中国加工贸易企业的理论与证据[J]. 中国社会科学, 2017(1): 83-107+206. [29] 张夏, 施炳展, 汪亚楠, 等. 经济政策不确定性真的会阻碍中国出口贸易升级吗?[J]. 经济科学, 2019(2): 40-52. [30] 铁瑛. 城市劳动参与率变迁与中国加工贸易升级: 基于出口国内附加值率的经验研究[J]. 中南财经政法大学学报, 2019(2): 116-127.doi:10.3969/j.issn.1003-5230.2019.02.012 [31] DEARDORFF A V. Weak links in the chain of comparative advantage[J]. Journal of International Economics, 1979, 9(2): 197-209.doi:10.1016/0022-1996(79)90003-5 [32] DEARDORFF A V. Fragmentation across cones[C]// KIERZKOWSKI H, ARNDT S. Fragmentation: New Production Patterns in the World Economy. Oxford: Oxford University Press, 2001. [33] STOCK J, WATSON M. Introduction to Econometrics[M]. USA: Pearson, 2019. -