科技支持、补贴陷阱与区域创新能力

吴晓飞

(山东大学 经济学院，山东 济南 250100)



科技支持、补贴陷阱与区域创新能力

吴晓飞

(山东大学 经济学院，山东 济南 250100)

利用1998—2013年的省际面板数据，运用固定效应模型，从科技补贴强度的角度进行实证分析。研究表明：地方政府科技补贴强度与区域创新能力之间存在着较为明显的倒U型关系，这意味着如果政府支持强度超过某一临界点，就可能会落入“补贴陷阱”；东部地区和中西部地区倒U型关系存在一定差异，东部地区表现较为显著，而中西部地区并不明显。

科技补贴强度； 区域创新能力；地区差异

创新是经济增长和社会发展的重要源泉，但由于创新具有正外部性，所以科技创新过程往往面临着市场失灵的困扰(Arrow，1962；Tassey，2004)。为了弥补因市场失灵所造成的创新不足，各国政府一般会对本国的科技创新给予一定的政策支持。自提出建设创新型国家以来，中国各级地方政府纷纷加大了对本地区科技研发的财政支持力度，地方科技财政支出占比逐年升高。地方政府创新支持力度的加大，一方面有利于扩大创新产出，提升区域的创新能力；但另一方面，也可能对企业等创新主体的研发投入产生“挤出”效应，从而对区域创新产生不利影响。基于此，本文从地方政府科技补贴强度的角度出发，探讨了地方财政支出对区域创新能力的影响，并对东部地区和中西部地区进行了比较分析。

一、文献评述

政府科技补贴与创新之间关系的讨论由来已久。早期研究主要集中于创新的正外部性以及政府科技补贴的必要性。一般而言，为了纠正研发活动存在的“市场失灵”，政府应该进行创新补贴。Hamberg(1966)利用厂商截面数据发现，政府R&D补贴能够促进企业增加研发支出；Lichtenberg(1987)则尝试将政府R&D补贴内生到其计量模型中，但研究结论却并不稳健，在采用工具变量法时政府R&D补贴与企业研发之间存在替代关系，而采用固定效应法时二者则存在互补关系。这些早期的研究尝试为后续研究开拓了视野，提供了思路。

Almus et al.(2003)、Lee(2011)均在一定程度上证实，政府的创新补贴可以刺激企业的研发活动，科技补贴对企业创新存在着杠杆效应。解维敏等(2009)、顾元媛等(2012)、陆国庆等(2014)进一步验证了上述结论。但Lach(2002)认为，企业为了获得政府R&D补贴可能会倾向于迎合政府的引导，而减少政府补贴之外的创新活动；Link et al.(2009)以美国小企业为例，发现政府支持的小企业创新研究计划(SBIR)的商品化概率仅为0.47，表明政府支持的效果并不理想；樊琦等(2011)的研究证实，政府R&D补贴对经济落后地区的影响要弱于经济发达地区，R&D补贴绩效存在地区差异。

针对政府科技补贴究竟是促进还是抑制企业的研发，有学者尝试从正反两个方面加以研究。通过分析政府R&D补贴对企业研发支出的影响，刘虹等(2012)认为政府补贴对研发支出可能同时存在激励效应与挤出效应，两种效应的分布呈倒U型，但是这一研究没有对不同的地区做出进一步区分，同时也没有考虑区域创新能力问题；范允奇等(2014)的研究则表明，当存在腐败时，政府R&D投入对技术创新效率的影响可分解为负向的规模效应和正向的结构效应，而净效应则取决于这两种效应的相对大小。

有学者则关注政府的不同政策对企业研发活动所产生的影响。Hall et al.(2000)、Bloom et al.(2002)在考察税收政策对R&D活动的作用后发现，政府的税收优惠政策有助于增加R&D支出。戴晨等(2008)比较了税收优惠与财政补贴对企业研发的不同影响后，认为税收优惠比财政补贴更有助于促进企业研发。熊维勤(2011)认为，较高的税率会显著降低企业的研发收益以及研发努力。在政府科技财政支出方面，生延超(2008)的研究表明，如果政府介入技术联盟创新系统，那么创新产品补贴将比创新投入补贴更加有效；胡志国等(2013)发现，政府直接进行R&D有利于促进经济增长，但政府R&D补贴却更有利于改善社会福利。上述研究意味着，政府合理选择创新补贴方式是十分重要的现实问题。

从已有文献来看，政府科技补贴与创新之间的关系是国内外众多学者关注的焦点。相关研究主要包括政府R&D补贴对企业创新的影响、政府不同支持政策对创新的作用效果等。尽管现有研究已经做出了许多有益探索，但对于政府科技补贴如何影响创新仍未达成共识。正如顾元媛等(2012)所言，由于缺少中国政府对企业进行R&D 补贴的数据，因此部分研究在计量分析的数据处理方面有失精准。本文从政府科技补贴强度的视角，用地方财政科技拨款占地方财政支出总额的比重表示政府科技补贴强度，某种程度上可以弥补现有研究因数据缺失的缺憾；另外研究中还进一步对政府科技补贴强度的临界点进行了估算，评估政府科技补贴强度对东部地区和中西部地区的影响的差异。

二、研究设计

(一)数据来源

本文选取除西藏以外的30个省、直辖市、自治区的相关面板数据，样本的时间为1998—2013年。对政府科技补贴强度这一主要解释变量，以地方财政科技拨款占财政总支出的比重来衡量，相关数据来源于中国统计年鉴和各省市统计年鉴；而对于区域创新能力这一因变量，用样本各省市的专利申请总数和授权总数来表示(Li，2009；漆艳茹 等，2013)，相关数据主要来源于中国科技统计年鉴和各省市统计年鉴；回归分析中其他各控制变量的数据则主要来源于中国统计年鉴、中国科技统计年鉴、各省市统计年鉴以及有关统计公报。

(二)模型设定

已有研究多将创新过程视作一种知识生产过程，用扩展形式的柯布-道格拉斯函数(C-D函数)来表示(李晓钟 等，2008；姜明辉 等，2013)。本文从已有研究出发，引入C-D函数形式的区域创新模型：

Y=Af(K,L,H)

(1)

其中：Y表示地区创新产出，用以衡量区域创新能力；A为前期的知识存量；K和L分别表示区域创新的资本和人力投入；H则代表除资本和人力以外影响创新能力的其他因素，如政府对创新的支持力度、技术市场因素等。

在式(1)的基础上，借鉴已有研究成果(Li，2009；刘虹 等，2012)，将基本回归模型设定如下：

Ln TZL=β0+β1FIN+β2FIN2+β3Ln PGDP+β4Ln PEO+β5Ln MKT+δt+δi+μ

(2)

其中：向量Ln TZL为回归的因变量，由Ln TZLA和Ln TZLL两个分量组成，这两个分量分别表示专利申请总数和专利授权总数的自然对数，用以衡量区域创新能力；FIN为本文重点关注的解释变量，即政府科技补贴强度，用地方财政科技拨款占财政总支出的比重来衡量；为了考察政府科技补贴强度与区域创新能力之间是否存在二次曲线关系，引入FIN的平方项*为了避免引入平方项后所带来的共线性问题，参照吴晓云等(2013)的做法对变量进行了标准化处理。；借鉴Furman et al.(2002)的办法，以人均GDP的自然对数(Ln PGDP)来衡量地区前期的知识存量；Ln PEO表示R&D人员全时当量的自然对数，用来反映地区创新的要素投入；Ln MKT则为技术市场成交额的自然对数，反映了市场环境对创新的影响；δt和δi分别为年度固定效应(YEAR)和地区固定效应(PROVINCE)；μ为模型的随机误差项。

式(2)并没有包含创新的资本投入变量，原因在于R&D人员全时当量与研发资本投入之间存在高度相关性，检验表明二者在取自然对数后相关系数达到了0.94，若将两个变量同时加入回归方程可能会导致结果出现偏差，因此在本研究中仅以R&D人员全时当量作为创新投入的基本变量。此外，由于从专利申请到获得授权往往需要一段较长的时间，若以专利数量作为区域创新能力的指标则需要考虑时间滞后关系。对此，本文着重分析两种滞后情形：一是以专利申请数为因变量时，自变量不滞后和滞后一期；二是以专利授权数为因变量时，自变量分别滞后两期和三期(Li，2009；岳鹄 等，2009)。通过上述回归模型可以系统考察政府科技补贴强度对区域创新能力的影响。

三、实证结果与分析

(一)描述性统计

表1　主要变量的描述性统计

主要变量的描述性统计特征结果见表1。从中可知，不同年份、不同地区的专利申请总数和专利授权总数均存在较大差异。其中，专利申请总数在取自然对数后的最小值为4.82，最大值为13.13；专利授权总数在取对数后的最小值为4.13，最大值为12.51；FIN的最小值和最大值分别为0.39和7.31，这说明各样本省市之间在创新水平和政府科技补贴方面存在较强的个体特征。因此，需要在回归模型中对年度固定效应和地区固定效应进行控制。其他各回归变量的描述性统计结果如表1所示，在此不再赘述。

(二)实证结果与分析

正如上文所言，由于R&D人员全时当量与研发资本投入之间存在高度相关性，因此在回归模型中去除研发资本投入变量，剩余各自变量之间的Pearson相关系数绝对值最大为0.75，模型不存在严重的共线性问题。由于采用省级面板数据进行实证分析，故以Hausman检验来确定模型的具体形式，检验结果表明，在各种情形下固定效应模型更优(Prob>chi2=0.000)。因此，后文中将以双向固定效应模型作为回归的基本方法。

1.全样本的回归结果

从表2全样本条件下的回归结果可知，无论是以专利申请总数还是以专利授权总数为因变量，政府科技补贴强度变量FIN的系数均显著为正，这说明地方政府科技补贴强度越大，科技补贴水平越高，对地区创新能力的正向推动作用也就越强。同时，FIN2的回归系数均为负值且较显著，表明在控制其他因素的条件下，区域创新能力是政府科技补贴强度的二次函数，呈现出“倒U型”的特征，这意味着在初始阶段，政府科技补贴强度对区域创新能力会起到较为明显的促进作用，但这种激励效应随着补贴强度的增强而减弱，超过一定强度后甚至可能会对地区创新产生负面影响，落入所谓的“补贴陷阱”。经推算，倒U型曲线的拐点出现在政府科技补贴强度大约5%左右的范围内。目前，各省市的科技补贴强度多数情况下均低于5%，仍处于倒U型曲线的上升阶段。

表2　全样本回归结果

注：***、**、*表示1%、5%、10%的显著水平；括号中给出了各回归结果的t统计量。下同。

政府科技补贴强度与区域创新能力之间的倒U型关系，可以从两个方面来解释：一方面，在合理的范围内，加大政府科技补贴强度有利于激发企业等主体的创新活力，促进地区创新水平的提高。由于科技创新具有正外部性，使得企业等主体从事研发创新的动力有所不足，创新活动面临着“市场失灵”的困扰，而政府科技补贴则是纠正这一问题的重要手段。在初始阶段，提高政府科技补贴强度会对企业创新活动起到补偿的作用，激发企业的创新热情，提高地区创新能力。但政府科技补贴不可能无限度的发挥作用，科技补贴资金也会面临边际报酬递减问题。因此，一旦政府科技补贴强度超出合理的界限，就可能会使创新产出产生递减的趋势。在科技补贴强度较高时，会对企业研发投资产生“挤出”效应，导致地区创新产出下降，从而影响到区域创新能力的提升。根据前述推算，在全国层面上这一合理界限为政府科技补贴强度在5%。

另一方面，科技补贴强度指标也反映了科技财政与其他财政支出的对比情况。政府科技补贴力度加大，相应其他财政支出往往就会减少，因为财政支出总量是相对固定的，一个领域投入多了，对其他领域的投入也就相应的少了，但是创新过程也离不开上述这些相关的“软件”和“硬件”条件的支持。而从更广泛的意义上，一个地区基础设施的完善程度、教育投入力度等也是构成地区创新环境的重要部分。政府科技补贴强度超过一定界限，可能会影响到对这些配套设施和领域的投入，反而不利于区域创新能力的有效提升。因而，需要强调科技财政支出与其他财政支出的合理平衡，如果只是单纯的提高科技补贴强度而忽略其他影响因素，最终也只会造成财政资源配置上的低效率，甚至还可能阻碍区域创新能力的提升。

表2中控制变量Ln PGDP的回归系数为正值，但是显著性较弱，说明前期的知识存量对区域创新能力存在一定程度的正向影响；R&D人员全时当量Ln PEO的回归系数为正且较为显著，这意味着研发要素投入对区域创新能力具有明显的正向推动作用；Ln MKT的回归系数同样为正且十分显著，表明技术市场的活跃程度同样是影响区域创新能力的重要因素。从上述实证结果以及模型的F值和修正的R2值来看，采用的回归模型拟合较好。根据回归结果，要提高区域创新能力，政府相关部门必须合理地把握对科技创新的补贴强度，完善研发人员激励政策，引导创新要素高效率配置，同时还要营造有利于研发创新的市场环境，以推动地区创新水平向更高层次演进。

2.东部和中西部地区的回归结果

由于东、中、西部地区在创新要素和创新基础方面存在的差异，政府科技补贴强度对区域创新能力的影响可能存在区域差异。因此，将样本各省市区分为东部地区和中西部地区两个子样本，分别进行回归检验*其中，东部地区包括北京、天津、河北、辽宁、上海、江苏、浙江、福建、山东、广东和海南等11个省市，其余各省市则划归为中西部地区。，具体结果见表3和表4。从表3可知，对东部地区而言，政府科技补贴强度变量FIN的回归系数为正且较为显著，FIN2的回归系数多数情况下显著为负，说明东部地区政府科技补贴强度与区域创新能力之间的倒U型关系存在且明显。根据测算，东部地区倒U型曲线的拐点出现在政府科技补贴强度6%左右。而从表4可知，对于中西部地区来说，FIN的回归系数仍然为正且十分显著，而FIN2的回归系数虽然为负却未通过显著性检验。因此，对于中西部地区而言，政府科技补贴强度与区域创新能力之间并不存在明显的倒U型关系。

表3　东部地区的回归结果

表4　中西部地区的回归结果

东部地区和中西部地区回归结果的不同，可能缘于二者经济发展水平以及创新基础等方面的差异。对子样本的描述性统计分析发现，东部地区的政府科技补贴强度最大值为7.31，而中西部地区最大值仅为3.30。由于经济发展水平较高，东部地区对创新投入也更为重视，因此政府会将更多的财政支出用于补贴地区的研发创新。但是如果政府科技补贴强度过高而超过某一合理水平，就会对私人部门的创新投入产生挤出效应；且过高的政府科技补贴强度也会影响到对其他相关公共目标的财政支出，从而降低财政科技补贴的效率。然而，由于中西部地区经济发展水平较低，目前公共财政用于科技创新补贴的比率仍然偏低，因此，中西部地区并未表现出明显的倒U型曲线关系。由于中西部地区的创新基础比较薄弱，当地政府部门也应该合理把握科技补贴的强度，以最大限度地发挥科技财政补贴对区域创新的推动作用。在表3和表4中，其他各控制变量的回归结果与全样本情况下的回归结果(表2)基本一致。

(三)稳健性检验与扩展研究

在本部分将验证结论的稳健性和适用性，具体做法是：首先，将发明专利申请数和授权数分离出来，单独进行回归分析，以验证主要结论的可靠性；其次，采用Tobit回归模型对上述研究结论加以验证；最后，检验模型是否存在内生性问题。限于篇幅，以下只汇报主要变量的检验结果。

1.发明专利申请数和授权数

在所有专利类型中，发明专利最能体现一个地区的创新能力和创新水平，因此可将发明专利的相关数据分离出来，单独进行回归检验。其中，发明专利申请数以Ln IZLA表示；发明专利授权数以Ln IZLL表示，对二者均进行了自然对数处理。另外，为与前文相对应，在以Ln IZLA为因变量的情况下，自变量分别采取不滞后和滞后一期两种情形；而在以Ln IZLL为因变量的情况下，自变量则分别采取滞后两期和滞后三期两种情形，具体检验结果见表5。从表5可知，在以发明专利申请数和授权数为因变量的情况下，主要解释变量的系数符号均与前文一致，而差别在于个别变量的显著水平有所上升或下降。因此，上文主要研究结论是较为稳健的。

表5　发明专利申请数和授权数的回归结果

2.Tobit检验

由于因变量的最低界限是0，其数据结构特征为下界单边截尾数据，Tobin(1958)针对这种具有截断值特征的因变量提出了截断回归模型(Censored Regression Model)。因此，在本部分采用这种方法对研究结论的稳健性进行检验，具体结果见表6。从表6的回归结果可知，在采用Tobit模型的情况下，主要解释变量的系数符号并未发生变化，但是个别变量的显著水平有所上升。尤其对于中西部地区而言，FIN2的回归系数在部分情况下通过了10%的显著性水平，这说明中西部地区的政府科技补贴强度虽然相对较低，但仍有可能会超过合理补贴水平，进而对区域创新能力产生负面影响。总体上，中西部地区政府科技补贴强度与区域创新能力之间的倒U型关系并不明显。表6的回归结果表明主要结论仍然稳健。

表6　Tobit模型的检验结果

3.内生性问题

由于R&D人员全时当量与研发资本投入之间存在着高度相关性，因此在回归中剔除了研发资本投入变量，以避税内生性问题对结果的干扰，保证回归结果的可靠性。为了解决这一问题，将验证模型的内生性问题，方法是在模型中剔除变量Ln PEO，引入研发资本投入变量Ln INVS，重新进行回归分析。由于主要解释变量FIN和FIN2与变量Ln INVS的相关系数较小(平均分别约为0.37和0.24)，如果引入Ln INVS后的回归结果与前文基本一致，则可认为不存在严重的内生性，具体检验结果见表7。

表7　内生性检验

从表7可知，在引入研发资本投入变量后，虽然回归系数的大小有所变化，但其系数符号并未改变，主要回归结果与前文的结果之间并未表现出明显差异，因此回归模型不存在严重的内生性，主要结论仍然稳健。

四、结论及启示

政府科技补贴对区域创新影响较大，但影响的方式、程度及范围仍然缺乏定论。本文从政府科技补贴强度的角度进行实证分析后，得出以下主要结论：首先，在全国层面上，政府科技补贴强度与区域创新能力之间存在较为明显的倒U型关系，其拐点出现在政府科技补贴强度5%左右的范围内。其次，对数据的描述性统计分析发现，当前各样本省(市)的科技补贴强度在多数情况下均低于5%，即总体上仍处于倒U型曲线的上升阶段。第三，在地区层面上，政府科技补贴强度对区域创新能力的影响存在着差异，东部地区倒U型关系较为显著，而中西部地区则并不明显。

通过对政府财政支持科技创新的研究，有助于进一步理解政府科技支持政策对区域创新能力的影响，从而在实践中采取更加有针对性的财政政策。具体政策含义主要包括：(1)政府相关部门必须合理把握对创新的补贴力度，以确保科技支持政策对区域创新发挥推动作用。在加大科技财政投入时，应当警惕政府科技补贴强度过高，以至于越过倒U型曲线的拐点，落入“创新补贴陷阱”。当前政府科技补贴强度的合理水平应该在5%左右，但大多数省市的科技补贴强度仍低于这一水平，因此，在现有的创新条件下，各省市应进一步提高科技补贴力度，同时注意使补贴比例不要超过上述合理的水平。(2)由于东部地区科技补贴强度较高，倒U型关系显著，因而东部省市要注意过高的科技补贴的潜在不利影响，需要优化财政支出结构，提高科技补贴效率。(3)中西部地区倒U型关系尚不明显，要继续提高科技财政支出的比重，以推动地区创新水平的提高；同时科技财政支出要向优化创新基础和改善创新环境等方面倾斜，以解决中西部地区创新基础较为薄弱的状况。

戴晨，刘怡. 2008. 税收优惠与财政补贴对企业 R&D影响的比较分析[J]. 经济科学(3)：58-71.

樊琦，韩民春. 2011. 政府R&D补贴对国家及区域自主创新产出影响绩效研究：基于中国28个省域面板数据的实证分析[J]. 管理工程学报(3)：183-188.

范允奇，徐玉生. 2014. 腐败、政府R&D 投入与高技术产业技术创新效率[J]. 财贸研究(6)：95-102.

顾元媛，沈坤荣. 2012. 地方政府行为与企业研发投入:基于中国省际面板数据的实证分析[J]. 中国工业经济(10)：77-88.

胡志国，严成樑，龚六堂. 2013. 政府研发政策的经济增长效应与福利效应[J]. 财贸经济(9)：112-120.

姜明辉，贾晓辉. 2013. 基于C-D 生产函数的产业集群对区域创新能力影响机制及实证研究[J]. 中国软科学(6)：154-161,183.

陆国庆，王舟，张春宇. 2014. 中国战略性新兴产业政府创新补贴的绩效研究[J]. 经济研究(7)：44-55.

刘虹，肖美凤，唐清泉. 2012. R&D 补贴对企业R&D 支出的激励与挤出效应：基于中国上市公司数据的实证分析[J]. 经济管理(4)：19-28.

李晓钟，张小蒂. 2008. 外商直接投资对我国技术创新能力影响及地区差异分析[J]. 中国工业经济(9)：77-87.

漆艳茹，刘云，侯媛媛. 2013. 基于专利影响因素分析的区域创新能力比较研究[J]. 中国管理科学(S2)：594-599.

任国良，蔡宏波，郭界秀. 2013. 政府R&D 政策评价研究的实证沿革与最新进展:综述与评价[J]. 世界经济文汇(6)：55-88.

生延超. 2008. 创新投入补贴还是创新产品补贴：技术联盟的政府策略选择[J]. 中国管理科学(6)：184-192.

吴晓云，李辉. 2013. 我国区域创新产出的影响因素研究:基于ICT的视角[J]. 科学学与科学技术管理(10)：69-76.

解维敏，唐清泉，陆姗姗. 2009. 政府R&D资助，企业R&D支出与自主创新:来自中国上市公司的经验证据[J]. 金融研究(6)：86-99.

熊维勤. 2011. 税收和补贴政策对R&D效率和规模的影响:理论与实证研究[J]. 科学学研究(5)：698-706.

岳鹄，康继军. 2009. 区域创新能力及其制约因素解析:基于1997—2007省际面板数据检验[J]. 管理学报(9)：1182-1187.

曾萍，邬绮虹. 2014. 政府支持与企业创新：研究述评与未来展望[J]. 研究与发展管理(2)：98-109.

ALMUS M, CZARNITZKI D. 2003. The effects of public R&D subsidies on firms′ innovation activities:the case of Eastern Germany [J]. Journal of Business & Economic Statistics, 21(2): 226-236.

ARROW K J. 1962. The Economic Implications of Learning by Doing [J]. The Review of Economic Studies, 29(3):155-173.

BLOOM N, GRIFFITH R, REENEN J V. 2002. Do R&D tax credits work? Evidence from a panel of countries 1979-1997 [J]. Journal of Public Economics, 85(1):1-31.

FURMAN J L, PORTER M E, STERN S. 2002. The determinants of national innovative capacity [J]. Research Policy, 31(6):899-933.

HALL B, REENEN J V. 2010. How effective are fiscal incentives for R&D? A review of the literature [R]. NBER Work Paper, 29(4-5): 449-469.

HAMBERG D. 1966. R&D: Essays on the economics of research and development [M]. New York:Random House.

LACH S. 2002. Do R&D subsidies stimulate or displace private R&D? Evidence from Israel [J]. Journal of Industrial Economics, 50(4): 369-390.

LEE C Y. 2011. The differential effects of public R&D support on firm R&D: Theory and evidence from multi-country data [J]. Technovation, 31(5):256-269.

LI X. 2009. China′s regional innovation capacity in transition: an empirical Approach [J]. Research Policy, 38(2):338-357.

LICHTENBERG F R. 1987. The effect of government funding on private Industrial research and development: A reassessment [J]. The Journal of Industrial Economics, 36(1):97-104.

LINK A N,SCOTT J T. 2009. Private investor participation and commercialization rates for government-sponsored Research and Development: Would a prediction market improve the performance of the SBIR program [J]. Economica, 76(302): 264-281.

TASSEY G. 2004. Policy issues for R&D investment in a knowledge-based economy [J]. Journal of Technology Transfer, 29(2):153-185.

TOBIN J. 1958. Estimation of relationships for limited dependent variables [J]. Econometrica, 26(1):24-36.

(责任编辑张坤)

Support of Science and Technology, Subsidy Trap and Regional Innovation Ability

WU XiaoFei

(School of Economics, Shandong University, Jinan 250100)

In general, there′s an obvious inverted U-shaped relationship between government subsidies strength of science and technology and regional innovation ability, which means that if government support strength is more than a certain critical point, it is likely to fall into “subsidies trap”. In addition, the inverted U-shaped relationship is different for the east region and the mid-west region, it′s more significant in east region but it′s no longer significant in mid-west region.

subsidies strength of science and technology; regional innovation ability; regional differences

2016-07-10

吴晓飞(1985--)，男，山东济南人，山东大学经济学院博士生。

国家社会科学基金重点项目“企业原始创新的决定因素与影响效应研究”(14AJL008)。

F061.5;F812

A

1001-6260(2016)05-0099-08