不同高技术产业创新路径绩效比较研究——基于系统广义矩与分位数回归模型的估计

俞 立 平

(宁波大学 商学院，浙江 宁波 315211)

不同高技术产业创新路径绩效比较研究
——基于系统广义矩与分位数回归模型的估计

俞 立 平

(宁波大学 商学院，浙江 宁波 315211)

绩效是创新路径选择的重要依据，利用高技术产业省际面板数据，采用系统广义矩估计与分位数回归方法，研究企业自主研发、引进国外技术、引进国内技术、更新改造四种不同途径科技投入对创新产出的贡献。结果表明：企业自主研发投入贡献最大，引进国外技术投入次之，更新改造投入贡献最小。高技术企业自主研发投入与引进国外技术的结合较好。引进国内技术投入对最高科研产出水平地区的贡献比较显著，研发人员全时当量的贡献总体较低，并且随着科技产出的提高，其贡献越来越低，说明高科研产出地区研发人员的绩效较低。

高技术产业； 自主研发； 引进技术； 更新改造； 绩效

一、 引 言

高技术产业的创新水平是一国科技创新水平和创新能力的重要标志。高技术产业包括5大行业，即医药制造业、航空航天器制造业、电子及通讯设备制造业、电子计算机及办公设备制造业与医疗设备及仪器仪表制造业。根据《2014年中国高技术年鉴》，2013年，高技术产业共有企业研发机构4 583个，研发人员510 507人。R&D经费内部支出1 734.37亿元，R&D人员折合全时当量559 229人年。投入技术引进及相关消化吸收经费66.22亿元，购买国内技术31.26亿元，技术改造经费367.15亿元。实现新产品销售收入29 028.84亿元，获得授权发明专利115 884件。以科技创新引领的高技术产业已经成为国家科技创新与成果转化的重要力量，对经济发展与产业升级具有重大作用。

高技术产业的创新路径主要包括自主研发、技术引进、技术改造三个方面，其中，技术引进又包括国外技术引进与国内技术引进。自主创新是高技术产业创新的主要途径，根据经济学理性人原则，高技术企业以追求最大利润为目标，如果自主研发不能满足需求，那么购买技术也是高技术企业生存和发展的重要渠道。此外，原有设备的更新改造对高技术企业创新也十分重要，因为它利用了现有成熟技术，基本没有创新风险，而且其效果可以立即在生产经营中得到体现。对高技术产业不同创新路径的绩效进行分析和比较，有利于发现其中存在的问题，同时也便于政府从宏观角度加强对高技术产业创新的管理，从而对优化科技资源配置，提高科技创新绩效具有十分重要的意义。不同创新路径投入产出关系如图1所示。

图1 创新投入产出关系

国外关于R&D研发投入产出关系及研发投入的影响和溢出效应的研究成果较多。Kuen-hung(2004)[1]对台湾电子行业的R&D活动进行实证研究后发现，R&D产出弹性为0.19，平均投资回报率在22%左右。Mclean(1978)[2]利用澳大利亚980个制造业企业1971至1972年的数据，研究企业R&D投入和产出之间的关系，发现R&D产出和R&D投入显著正相关。Billings等(1995)[3]对美国和日本14个工业组织的R&D效率进行了比较研究，发现美国的食品、纺织、化工、橡胶、金属等制造工业的R&D效率具有比较优势，而日本的造纸、石油、机械和科学仪器设备制造工业的R&D效率具有比较优势，两国的电子设备、运输及采掘业的效率大致相当。

在研发投入的影响及溢出效应实证研究领域，Martin(2007)[4]利用OECD数据研究R&D投入对国家经济长期发展的作用，发现工商企业R&D支出占GDP的比例、高科技产业R&D投入份额对单位资本和单位劳动力的产出有明显的正向影响。Carpon(1997)[5]估计了研发经费各种资金来源的效率，同时还估计了这些经费对于自身R&D投资的刺激效应。Katharine(2001)[6]利用C-D生产函数对英国公司进行分析，发现公司研发支出对产出增长有显著的正向影响。Bulent(2008)[7]利用11个OECD国家1973至1994年的数据，研究R&D活动在贸易中的溢出效应，发现人力资本对R&D产出有直接影响。Lakshmi(1995)[8]借助1975至1986年间印度私营制造企业的面板数据，通过实证研究发现，研发投入溢出效应比较明显，会带来产出的额外增加。

国内关于产业与企业层面技术创新投入产出关系的研究也比较丰富。王国顺、张涵等(2010)[9]通过实证研究发现，研发要素投入对产业技术创新效率提高具有基础性促进作用，其中外资产权比例上升能够提高行业整体技术创新效率，但对内资企业技术创新效率有负向影响趋势。沙文兵、李桂香(2011)[10]的研究表明，内资企业自主研发投入是创新能力形成的最主要因素；外资企业研发活动对内资企业具有一定的知识溢出效应，能够推动内资企业创新能力的提高。千慧雄(2011)[11]的实证研究发现，我国存在重视国外技术引进，轻视后续消化吸收的问题。黄静、吴和成等(2010)[12]发现研发经费投入对产出具有较强的促进作用，而人员投入只对部分产业的产出有显著贡献。李平、张俊飚等(2010)[13]发现高技术产业R&D资源投入与产业发展存在协整关系，产业R&D经费与产业发展具有正向长期均衡关系，产业专利申请数与产业发展具有反向长期均衡关系，而研发人员数量投入与产业发展之间的关系并不明显。孙冰、林婷婷(2011)[14]运用灰色关联方法分析技术创新能力指标对高技术产业竞争力综合指数的影响，发现新产品的研发与市场运作状况是影响竞争力的重要因素，专利申请及专利拥有是影响竞争力的次重要因素，而政府、金融机构等创新环境对高技术产业竞争力的作用并不大。王达政(2009)[15]以专利申请量作为自主创新的产出指标，以研发经费数和研发人员数作为投入指标，通过回归分析发现我国自主创新活动呈现显著的规模报酬递增特征。邓路、高连水(2009)[16]发现内资企业自身R&D资本和研发人员对创新产出的提高具有显著的促进作用；高技术产业总体国内技术购买、技术引进及外资企业本土化R&D投入对自主创新效率存在显著正向溢出效应。

国内外关于科技创新投入产出的研究成果均较多，包括创新中投入产出关系、科技创新的影响因素、创新投入产出效率等诸多方面。研究有的从区域层次，有的从行业层次，有的从企业层次，有的从高校层次。总体上尚存在以下问题：

第一，缺乏从企业自主创新、购买国外技术、购买国内技术、更新改造4个不同创新途径视角进行的研究，因此，对不同途径创新方式的绩效缺乏很好的把握，当然也难以分析其中存在的问题。

第二，缺乏针对不同水平创新产出，同一投入要素贡献弹性系数变化规律的研究，也就是说，现有的研究都假定投入要素对不同创新产出水平贡献的弹性系数是一样的，这明显不符合经济学的常识，缺少理论支撑。

第三，从研究方法看，现有的研究采用的方法主要有普通回归、面板数据、向量自回归模型、灰色关联分析等，较少考虑到变量的内生性问题，从而导致模型估计结果是有偏误的。部分研究没有进行面板数据的平稳性检验，有可能出现伪回归问题。此外，还有一些研究没有处理多重共线性、异方差、遗失重要变量等问题，会导致结果偏误。

本文采用省际高技术产业省际面板数据，首先采用系统广义矩估计方法对面板数据进行估计，分析不同创新途径贡献的弹性系数，然后采用分位数回归模型，分析不同创新产出水平下，投入要素贡献的变化规律，最后对高技术企业创新途径的选择进行总结。

二、 研究方法

(一) 基本方程

Griliches(1979)[17]认为创新产出是R&D资本投入的函数，最早提出了“知识生产函数”的概念。Jaffe(1989)[18]认为有经济价值的知识是企业追求的重要目标，人力资源是创新中不可忽略的因素，科技创新是R&D经费和人力资源共同作用的结果，这也就是著名的Griliches-Jaffe知识生产函数：

(1)

公式(1)中，Y表示科技创新产出，K表示R&D经费投入，L表示R&D人员投入，α1、α2表示弹性系数，A为常数项，表示科技投入的全要素生产率。

考虑到高技术企业创新途径包括企业自主研发投入(K1)、引进国外技术投入(K2)、引进国内技术投入(K3)和更新改造投入(K4)4大类，将其带入公式(1)。考虑到消除异方差需要，公式两边取对数，整理变换得：

(2)

这就是本文的基本方程，公式(2)中，c=log(A)，表示常数项，α1、α2…α5为弹性系数。

(二) 面板数据的系统广义矩估计

面板数据最早由Mundlak[19]引入到经济计量学中，它是同时在时间序列和截面上存在的数据，因此又称为平行数据。面板数据一般采用普通的最小二乘法(固定效应)或广义最小二乘法(随机效应)进行估计，然而当存在内生变量时，原有的基于最小二乘法估计将会失效，必须采用基于工具变量的两阶段最小二乘法(2SLS)或广义矩法等进行估计。工具变量能够较好处理模型估计中的变量的内生性问题，但对于面板数据而言，数据的可获得性较低，工具变量的选取更加困难，一般情况下难以找到合适的工具变量。为此，Arelano等(1991)[20]提出了差分广义矩(DIF-GMM)方法，其原理是首先对原始模型进行一阶差分，然后利用被解释变量和其他内生性变量的高阶滞后项作为工具变量，这样处理拓展了工具变量的选取空间。进一步研究认为，差分广义矩法估计量较易受弱工具变量的影响，其后果是容易产生有限样本偏误，特别是当T较小时，估计结果会出现比较严重的偏误。为此，Arellano et al(1995)[21]、Blundell et al(1998)[22]给出了另外一种克服上述问题的估计方法——系统广义矩法(SYS-GMM)，相对于差分广义矩估计而言，该方法增加了被解释变量的一阶差分滞后项作为水平方程的工具变量。

企业自主研发投入明显是内生变量，在科技投入有限的情况下，研发投入必然挤占购买技术及更新改造投入的空间，因而它们之间是相关的，此时需要采用系统广义矩法进行估计。

(三) 分位数回归

分位数回归描述解释变量如何影响被解释变量的中位数、1/3分位数、3/4分位数等，这些不同分位数代表处于不同水平的被解释变量。不同分位数的参数估计量是不同的，代表着同样的影响因素对处在不同水平的被解释变量作用大小是不同的。

分位数回归具有很多优点，第一，它对数据中出现的异常点具有较好的耐抗性；第二，一般线性回归需要满足一系列较强的假设条件，如不能出现异方差，不能有自相关等，而经济变量往往难以做到。但是分位数回归对模型中的随机扰动项不需做任何分布假定，参数估计量优于传统的线性回归，具有较强的稳健性。第三，分位数回归还具有良好的弹性性质，对因变量具有单调变换性，参数估计结果具有在大样本下的渐进优良性质。

三、 数 据

高技术产业创新产出的测度指标选取比较复杂。以往实证研究选取的指标主要有专利授权数量(Groot al.，2001[23])和新产品销售收入(Griliches，1990[24]；Liu al.，2007[25])。采用专利授权量主要存在三个问题：首先，专利包括发明、实用新型、外观设计三大类，真正属于技术创新的是发明专利，中国统计年鉴中甚至只公布了高技术企业发明专利数量，其他专利都没有公布。其次，专利从申请到授权一般有1至3年时间的滞后，难以确定滞后期。最后，部分企业为了保密，不一定申请专利，也不排除少数专利没有太大的商业价值。采用新产品销售收入作为创新产出存在的问题是，新产品的界定并没有统一的标准，少数新产品并不一定有太大的创新，但是新产品综合反映了创新的市场价值，因此本文选取新产品销售收入作为高技术产业创新产出的替代变量。

高技术企业自主研发投入变量选取企业R&D经费内部支出。引进国外技术包括技术引进投入和后期消化吸收支出，因此将两者相加作为引进国外技术数据。引进国内技术和更新改造投入有现成的数据。由于引进国外技术、购买国内技术、技术改造三项投入的周期较短，因此可以采用流量数据。而R&D经费内部支出的投入产出周期一般较长，必须采用存量数据。所以，借鉴Griliches(2000)[26]的方法，采用永续盘存法R&D经费内部支出的存量进行估算。

研发人力资本投入数据有R&D人员数量和R&D人员全时当量两个指标，本文选取后者，它能更加准确地反映高技术产业研发人员的投入情况。此外，高技术企业研发人员负责企业所有的技术相关事宜，包括引进技术的消化、更新改造中技术支持等等。

本文所有数据来自于1997至2013年的中国高技术年鉴，实际数据为1996至2012年17年的省际面板数据。西藏和台湾地区由于数据缺失过多，因此加以省略。数据的描述统计量如表1所示。

四、 实证研究结果

(一) 面板数据的平稳性检验

面板数据不平稳会产生伪回归问题，常见的面板数据单位根检验方法有ADF检验、Levin检验、PP检验等，由于检验原理不同，不同检验方法的结果不尽相同，本文以3种方法中至少两种结果一致为准。结果如表2所示，所有变量在0阶都是平稳时间序列，因此可以直接回归。

表1 数据摘要描述统计量

表2 面板数据单位根检验

注：单元格中上一行是检验值，下一行括号中为概率。*表示在10%的水平上统计检验显著。***表示在1%的水平上统计检验显著。

(二) 面板数据的广义矩估计

考虑到投入变量可能存在内生性问题，下面对其进行检验。第一步用自主研发投入作为因变量，其他所有外生变量和工具变量作为自变量进行回归，这里工具变量选取解释变量的一阶滞后项。第二步将第一步估计的残差加入到公式(2)，结果残差的回归系数为-0.116，相伴概率为0.055，说明残差的影响是显著的，也就是说，自主研发投入变量是内生的。采用类似的方法继续检验其他变量，引进国外技术投入、购买国内技术投入、更新改造投入变量均具有内生性问题。

下面采用系统广义矩法对面板数据进行估计。在估计时，首先引入全部变量采用随机效应进行估计，接着进行hauseman检验，发现hauseman检验值为1.806，相伴概率为0.875，不能拒绝随机效应的原假设，应选取随机效应模型进行估计。为了判断工具变量的选择是否存在过度识别问题，接着进行Sargan-Hansen检验，其原假设是全部工具变量已经联合有效，如果进一步引入其他变量会造成过度识别问题。结果Sagen检验的概率为0.715，不能拒绝工具变量联合生效的原假设。为了便于比较，表3还同时给出了普通面板数据固定效应模型的估计结果。

从最终结果看，R2值为0.652，属于中等程度的相关。首先是企业研发经费的弹性系数最大，投入每增加1%，会导致创新产出增加0.943%；其次是引进国外技术投入，每增加1%会带来创新产出增加0.380%；最后是更新改造投入，每增加1%，会带来创新产出增加0.250%。引进国内技术投入没有通过统计检验。研发人员变量的回归系数为负数，并且统计检验是显著的，这可能与无法区分不同水平研发人员的贡献、研发人员效率不够高等因素有关。

对比面板数据传统估计的结果，除了回归系数大小不同外，自主研发投入和更新改造投入的回归系数均为正值，并且通过了统计检验，国内引进技术投入均没有通过统计检验，研发人员全时当量的回归系数均为负值。传统面板数据估计结果中，引进国外技术没有通过统计检验，其相伴概率为0.146，也就是说，稍微放宽一下统计检验的限制是能通过统计检验的。因此，系统广义矩估计的结果总体是稳健的，与传统面板数据回归相比，估计结果更为可信。

表3 面板估计结果

注：*表示在10%的水平下统计检验显著，**表示在5%的水平下统计检验显著，***表示在1%的水平下统计检验显著。

(三) 分位数回归估计

分位数回归可以精确反映不同创新产出水平下投入要素贡献弹性系数的变化规律。与传统的均值回归相比，它能精确刻画不同特定数据分布下投入要素的边际贡献，与面板数据估计结合，可以全面反映不同创新途径的贡献。关于分位数的划分，分位数太少不能揭示出投入要素贡献的变化，分位数太多又容易损失自由度。本文根据经验采取10分位(τ=0.1～0.9)进行估计，结果如表4所示，为了进一步反映不同分位数下投入要素弹性系数的变化，将其绘图如图2所示。

从分位数回归的结果看，拟R2值在0.531～0.663之间，相关程度中等。企业自主研发投入的贡献最大，并且除了τ=0.3回归系数最低外，基本上回归系数呈倒U型分布，显示出中间大，两头小的规律，也就是说，对于科技产出较低地区和较高地区，自主研发投入的弹性系数小于科技产出中等地区，换句话说，科技产出中等地区其自主研发的绩效较高。

引进国外技术的弹性系数基本上呈现“中间小，两头大”的规律，即科技产出较低水平和较高水平地区引进技术的绩效较高，而科技产出中等水平地区引进技术的绩效较低。

只有当τ=0.9时，引进国内技术的弹性系数才是显著的，说明科技产出最高水平地区对购买国内技术比较感兴趣，应用效果良好。而其他地区虽然也购买国内技术，但总体绩效极低，其弹性系数没有通过统计检验。对比面板数据估计结果，由于只有科技产出最高水平地区引进国内技术的贡献才是显著的，从而导致平均水平面板数据估计的结果不显著。

表4 分位数回归结果

图2 不同分位数投入要素的弹性系数变化

更新改造投入贡献的弹性系数变化的规律不太明显，并且当τ=0.2和τ=0.6时，没有通过统计检验，这可能与各地高技术企业行业不同、生产设备不同、技术状况不同等因素有关。

当τ>0.5时，研发人员全时当量对科技产出的贡献才是显著的，并且随着τ的增加，回归系数越来越小，而且全部是负数。说明低创新产出地区，研发人员的贡献相对而言是有效率的，而中等和高科技产出地区，研发人员对产出的贡献呈现低效率。各种科技产出水平地区研发人员贡献的最终结果就是面板数据估计中，研发人员全时当量的回归系数为负数，并且通过了统计检验。

对比企业自主研发经费与引进国外技术弹性系数曲线，它们之间存在一种互补关系，即如果自主研发水平较低地区，可能需要引进技术来进行补充，而自主研发水平较高的地区，相对而言引进技术要少。

五、 结 论

(一) 自主研发投入的绩效最高

在经济转型升级、创新驱动发展背景下，高技术企业必须走自主创新为主的道路。高技术企业自主研发投入占所有科技投入的比重最大，其对高技术企业创新产出贡献的弹性系数也最大，并且远远大于引进国外技术、引进国内技术和更新改造投入的弹性系数，说明我国高技术产业的技术创新路径总体是正确的。如果不依赖自主创新，高技术企业难以买到真正具有竞争力的技术，其生存发展必将是不可持续的。虽然我国与发达国家技术创新水平还有较大差距，但从绩效看，我国自主研发的总体态势较好。

(二) 多种创新途径必须进行有效的结合

实证研究结果表明，高技术企业自主研发、引进国外技术、更新改造的绩效总体较好。如果完全依赖自主创新，一旦短期内遇到技术难题不能克服，必然需要依赖外部的技术支持。更新改造是发挥原有设备产能，提高生产效率的行之有效的措施。高技术企业应该根据自身的条件，寻找最适合自己发展的科技创新之路，创新路径并不是单一的，应该采取以自主研发为主，多种创新路径相结合的创新道路。

(三) 必须注重引进国内技术

引进国内技术只对最高科技产出水平地区科技产出的贡献是显著的。这说明国内科研院所、高等院校等科研机构一样可以研发高技术。但由于历史原因，国内高技术企业在引进技术时，首先想到的是引进国外技术，从而导致国内技术存在严重的需求不足的现象，产生的直接后果是，国内科技成果转化率较低，产学研合作松散，导致国家和科技机构投入的大量科研经费浪费。国家在对高技术企业进行直接投资的同时，应采取措施鼓励高技术企业优先购买国内技术，一旦形成良性循环，会给中国的科技创新带来极大的推动。

[ 1 ] Kuen-hung Tsai. The R&D Performance in Taiwan Electronics Industry: a Longitudinal Examination[J]. R&D Management,2004(2):179-189.

[ 2 ] L W Mclean，D K Round. Research and Product Innovation in Australian Manafacturing Industries[J]. Journal of Industrial Economics,1978(1):1-12.

[ 3 ] B Billings，A Yaprak. Inventive Efficiency: How the U.S. Compares with Japan[J]. R&D Management,1995(4):365-376.

[ 4 ] Martin Falk. R&D Spending in the High-tech Sector and Economic Growth[J]. Research in Economics，2007(3):140-147.

[ 5 ] H Carpon, B Van Pottelberghe.Public Support to R&Dprogrammes: An Integrated Assessment Scheme[R]. Paris: OECD,1997:35-48.[ 6 ] Katharine Wakelin. Productivity Growth and R&D Expenditure in UK Manufacturing Firms[J]. Research Policy，2001(7)：1079-1090.

[ 7 ] U N Bulent. R&D Spillovers Through Trade in a Panel of OECD Industries[J]. The Jurnal of International Trade & Economic Development, 2008(1):105-133.

[ 8 ] Lakshmi K Raut. R&D spillover and productivity growth：Evidence from Indian private firms[J]. Journal of Development Economics,1995(1):1-23.

[ 9 ] 王国顺，张涵，邓路. R&D存量、所有制结构与技术创新效率[J]. 湘潭大学学报：哲学社会科学版，2010(3)：71-75.

[10] 沙文兵，李桂香.FDI知识溢出、自主R&D投入与内资高技术企业创新能力[J]. 世界经济研究，2011(1)：51-56.

[11] 千慧雄. “重技术引进，轻消化吸收”问题研究[J]. 经济理论与经济管理，2011(9)：56-65.

[12] 黄静，吴和成，李慧. 基于面板数据的高技术产业R&D投入产出关系研究[J]. 科技进步与对策，2010(16)：58-62.

[13] 李平，张俊飚，徐卫涛，等. 高技术产业R&D资源投入与产业发展关系实证研究[J]. 资源科学，2011(11)：2107-2115.

[14] 孙冰，林婷婷. 我国高技术产业竞争力与技术创新能力的关联分析[J].科技与经济，2011(5)：48-52.

[15] 王达政. 自主创新还是技术引进[J].科技进步与对策，2009(24)：30-34.

[16] 邓路，高连水. 研发投入、行业内R&D溢出与自主创新效率[J]. 财贸研究，2009(5)：9-15.

[17] Z Griliches.Issues in Assessing the Contribution of Research and Development to Productivity Growth[J]. Bell Journal of Economics,1979(1):92-116.

[18] A B Jaffe. Real Effects of Academic Research[J].The American Economic Review,1989(5):957-970.

[19] Y Mundlak. Empirical Productions Free of Management Bias[J]. Journal of Farm Economics，1961(1)： 44-56.

[20] M Arrelano，S Bond. Some Tests of Specification for Panel Data：Monte-Carlo Evidence, and an Application to Employment Equation[J].Review of Economic Studies，1991(2):277-297.

[21] M Arellano，O Bover. Another look at the Instrument Variable Estimation of Error Compnents Models[J]. Journal of Econometrics，1995(1):29-51.

[22] R Blundell，S Bond.Initial Conditions and Moment Restrictions in Dynamic Panel Data Models[J]. Journal of Econometrics，1998(1):115-143.

[23] Groot de HLF, P Nijkamp. Knowledge Spillovers, Innovation and Regional Development[J]. Papers in Regional Science, 2001(3):249-253.

[24] Z Griliches. Patent Statistics as Economic Indicators: A survey[J]. Journal of Economic literature，1990(12):1661-1707.

[25] X H Liu, T Buck. Innovation Performance and Channels for International Technology Spillovers: Evidence from Chineses High-tech Industries[J].Research Policy, 2007(3):355-366.

[26] Z Griliches. R&D, Education, and Productivity[M]. Cambridge: Harvard University Press,2000.

(责任编辑：周成璐)

A Comparative Study of the Performance of the Different Channels of China’s High-tech Industry Innovation ——Based on the Assessment by Sys-GMM and Quantile Regression Models

YU Li-ping

(SchoolofBusiness,NingboUniversity,Ningbo315211,China)

Performance is an important gauge of the channels of innovation. Based on panel data of provincial high-tech industry, this paper analyzes the contributions of four channels of scientific and technological input to innovation output, namely, enterprises’ self R&D input, the import of foreign technology, the introduction of domestic technologies and equipment upgrading and transformation by using Sys-GMM and Quantile Regression Models. The results show enterprises’ self R&D input yields highest contribution, the import of foreign technology ranks the second, while equipment upgrading and transformation ranks the last. The combination of self R&D input with foreign technology importing yields better results in those enterprises with high technologies. The introduction of domestic technologies makes significant contribution in those areas with the highest level of scientific and technological output while the overall contribution of R&D staff is comparatively low and turns out to be worse with the increase of scientific and technological output, indicating comparatively poor performance of R& D staff in those areas with high level of scientific and technological output.

high-tech industry, enterprises’ self R&D input, introducing technology, equipment upgrading and transformation; performance

10.3969/j.issn.1007-6522.2015.06.008

2014-06-09

宁波市与中国社会科学院合作共建城市经济研究中心预研项目(ZX2015000098)

俞立平(1967- )，男，江苏姜堰人。宁波大学商学院教授，博士，主要从事计量经济、科学计量领域的教学科研工作。

F403.6

A

1007-6522(2015)06-0083-10