基于技术视角的产业关联影响因素分析

石媛

嫄，黄鲁成(北京工业大学经济与管理学院，北京 100124)

基于技术视角的产业关联影响因素分析

石媛

嫄，黄鲁成(北京工业大学经济与管理学院，北京 100124)

随着技术迅猛发展，以其为纽带的产业关联表现出高度复杂化，影响因素也呈现多元化，并逐渐成为学术界研究的热点领域，但现有研究缺乏从技术视角对产业关联影响因素进行系统性分析。以3D打印技术相关产业为例，利用专利引文数据计算产业关联强度，建立产业关联强度与研发投入、研发机构、研发人员、市场容量之间的VAR模型。对模型进行Granger因果关系检验、脉冲响应函数分析和方差分解等实证检验，结果表明产业关联强度受自身及其余四个因素影响，且影响具有一定持续性，不同因素对产业关联的影响程度存在较大差异性。

技术；产业关联；影响因素；VAR模型

大量研究及事实表明，在新技术迅猛发展时期，中国企业大多仍集中于低端制造业，产业间发展不平衡、不协调、不可持续问题仍然突出[1]，主要原因是发展方式粗放，创新能力不强，部分行业产能过剩严重。因此，“十三五”规划中提出了创新是引领发展的第一动力，协调是持续健康发展的内在要求，将工作重点放在深化科技体制改革，引导构建产业技术创新联盟，推动跨领域跨行业协同创新。可见，协调产业间关联特别是包含创新性技术的产业间关联对于中国未来发展具有重大意义。这一工作的基础必须是建立在对产业关联关系深刻认识和把握基础上，否则产业政策是缺乏科学依据且难以发挥有效作用的。因此，从技术视角研究产业关联，揭示其变化规律性，更加具有紧迫性。

1 研究综述

在理论应用中，产业关联理论主要被用于对产业进行分类和定位，分析产业结构变化方向，规划产业发展。大量学者通过对投入产出表的分析，计算影响力系数与感应系数，确定主导产业。投入产出表法在应用层面上由最初一国经济分析扩展至国际、地区、部门甚至企业层面；另一方面其应用领域也在不断扩展，人们运用投入产出基本原理和方法研究经济生产外的各类问题，如环境保护、能源应用以及人口问题等。

1.1 产业关联分析视角相关研究综述

由于技术对产业发展及变革影响增强，清晰刻画技术变革给产业之间带来的复杂关联关系成为重要研究课题。但以技术为中介观察产业间关联的研究由于相关数据较难以获得，受到了一定制约，多数仍用财务指标从技术的商业化角度出发进行间接研究。直到2000年，Los[1]受产业关联分析基本模型启发，在Jaffe[2]以申请专利数来刻画产业间技术相似性这一工作基础上，利用产业关联分析模型发展了新的产业间技术相似性测量方法。在基于技术溢出更有可能发生于生产技术类似、具有相似投入产出结构的相关产业间理论基础上，指出使用投入产出表所构造的直接消耗系数矩阵来衡量产业间技术特征相似性不失为一种好办法。Namuk Koa[3]等通过将不同技术进行产业划分，运用专利引文数据构建了产业关联关系，评价各产业在关联关系中的地位，为我们利用专利数据分析产业间关联提供了方法基础。

1.2 产业关联影响因素相关研究综述

近年随着产业关联理论及其应用的不断发展，产业关联影响因素分析逐渐受到国内外学者重视。国外学者多从经济贸易视角分析。Rui Yang[4]等人分析了金融危机通过股票市场对产业关联带来的影响，发现中国的产业关联受政府影响较大。Richard Baldwin[5]等人认为贸易和产业政策对产业关联具有影响。Yir-Hueih Luh[6]等人研究结论表明中国贸易相关溢出效应对OECD国家的产业关联能够产生影响。Anca Dachin[7]等人的研究结果揭示了在成长期间和在危机的冲击之下产业关联强度差异。Izunildo Cabral等人[8]提出了一种分析方法用于分析业务互操作性对合作产业网络性能的影响。中国学者多从地理贸易视角研究。陈曦[9]研究与某一制造业细分行业具有较强产业关联的其他制造业细分行业与其空间分布之间是否存在相关性。孙加韬[10]提出中国海陆产业关联度主要受海陆产业结构、海陆产业空间布局和海洋资源生态环境承载力等三大因素的制约和影响。中国还有很多学者[11-14]从其他关联特性进行了分析。

上述研究从不同角度分析了产业关联的内涵、定义以及影响因素。但研究缺乏从技术视角衡量产业关联并探寻影响其形成发展的因素。本文将产业关联强度定义为产业之间技术供给与需求关系的强弱，描述技术视角的产业间相互依赖与支持程度，通过借助专利引文数据测度产业间技术知识流动对产业关联强度进行计算。在此基础上探寻关联影响因素，运用向量自回归模型方法，在确定影响因素体系基础上，得出各影响因素的不同重要程度以及影响方式、作用时间，并对各不同种类影响因素间的相互关系及其重要性程度进行分析，从而对如何进一步提高产业关联程度、优化产业关联结构提出建议。

2 模型建立与变量设定

本文主要研究方法是Granger因果关系检验、向量自回归模型(VAR模型)、脉冲响应函数和方差分解。传统的结构化模型在描述经济变量间关系及处理具有动态特性的经济变量时，需要具有复杂的经济理论基础。然而，对某些经济理论，特别是复杂系统，难以用一个结构化模型来描述变量间的动态关系，而且在结构化模型中，内生变量既可出现在方程左端又可出现在右端，使得参数估计和模型推断变得更加复杂。为解决这些问题，出现了一种用非结构性方法来建立各个变量之间关系的模型，VAR模型就是一种经典的非结构化模型。

由于产业关联的影响较为复杂，在技术发展过程中各因素对其贡献不同，且关联关系的发展变化也会对其自身产生影响，为描述这些多变量之间的系统影响以及影响的滞后性，采用VAR模型进行分析较为合适。模型基本形式为：

(1)

其中，n维向量Yt=(Y1t，Y2t，…,Ynt)为模型要考察的n个时间序列变量，Ai为自回归系数矩阵，εt为满足均值为0、方差和协方差不随时间变化的白噪声扰动项。

在VAR模型的基础上，可运用脉冲响应函数和方差分解分析变量间的动态关系。脉冲响应函数描述了来自随机扰动项的一个标准差大小的信息冲击对变量当前和未来取值的影响，它能够形象刻画出变量间动态作用的路径变化。通过脉冲响应函数可检验产业关联的变化对各变量的影响强度和持续时间。方差分解法把系统中每个内生变量的波动按其成因分解成各随机扰动项影响的总和，通过方差贡献度的大小，可衡量随机扰动项对变量的相对重要程度。

基于技术视角的产业关联受制于众多因素，构建较完善的产业关联影响因素体系是分析的前提和基础。现阶段的产业发展具有显著不同于以往的特征，在研发者、技术转移者、新产品采用者的空间分布上具有动态演化和快速增长等特性。通过对产业关联特性的分析，把影响产业关联的因素分为外因与内因两类，其中外因主要指的是社会以及市场环境，内因主要指的是资金及人员等方面的投入因素。同时，产业关联高级化进程是系统自身的扬弃过程，前期产业关联高级化程度对后期具有动态影响机制[15-18]。因而以产业关联强度作为研究对象，选择研发投入、研发机构、研发人员及市场规模作为影响产业关联的主要影响因素构建关联体系，各因素间关系如图1所示。

图1 产业关联影响因素关系图

(1)研发投入。知识经济时代，研发投入是重要战略决策，对企业的成长发展十分重要。但迄今为止，对中国研发投入状况的描述主要集中在产业、区域及国家宏观层面，所依据的是相关统计年鉴[19]。近几年企业研发投入及影响的相关研究已引起足够重视，大企业的研发投资对于技术以及相关行业、产业发展具有较大影响，因而本文选择代表企业研发投入数据进行分析。

(2)研发机构数量。专利中包含的专利权人是专利权的所有人及持有人的统称，专利权人既可以是单位，也可以是个人。此处的研发机构特指将专利权人限定为企业，企业作为营利性组织追求专利技术商业化的动机更加明显[20]。

(3)研发人员数量。研发人员创造力是企业技术进步的重要源泉[21]。作为研发核心推动力量的研发人员是创新活动中最具活力与创造力的异质性人力资本，更是提升产业研发能力最重要的驱动力与核心源泉。现阶段出现越来越多的独立研发人员，他们不从属任何企业或研发机构，独立或结伴进行自主研发活动。

(4)市场规模。市场对于产业关联的影响可分为反应性市场驱动以及主动性市场驱动。全球巨大的人口规模和高速的经济增长，推动了市场的迅速扩张[22]。从技术的角度来看，市场规模效应能够推动技术创新，从而驱动产业关联以及相关经济的经济长效发展[23]。

主要考虑VAR模型中的以下关系：

(2)

其中IR为产业关联强度，RI为研发投入，RO为研发机构数量，RP为研发人员数量，MC为市场规模。

3 实证研究——以3D打印技术相关产业为例

3.1 数据源

本文考察期为1994—2015年，共22年数据。研发投入指标数据来源于Wind数据库，专利指标数据来源于Derwent Innovations Index专利数据库，市场指标数据来源于iiMedia Research研究报告。在实证分析中，上述指标均取自然对数。

统计产业间专利引文数量，以其所表征的产业关联强度变化趋势如图2所示。

图2 产业关联强度变化图

产业关联强度随时间推移波动较大。VAR模型要求序列是平稳的，通过单位根检验发现除产业关联强度为平稳序列外，其他各序列均为一阶单整序列，检验结果如表1所示。

表1 单位根检验结果

注：变量名称后加上′的均为原始数据进行一阶差分后的序列。

3.2 VAR模型设定

根据模型设定，首先要确定模型的最佳滞后期以使参数具有较强的解释力[24]，软件给出了不同信息准则下的分析结果显示模型的最优滞后阶数为3阶。

为进一步分析产业关联强度与各内外变量间动态关系，构建5维向量自回归模型。模型拟合优度为0.973682，拟合效果较好。通过计算模型的AR特征多项式，发现特征多项式根的倒数全部位于单位圆内，如图3。表明所建立的VAR模型是稳定的。即当模型中某个变量发生变化时，会使其他变量发生变化，但随时间推移，影响逐渐消失。

图3 特征多项式逆根图

3.3 格兰杰因果关系检验

格兰杰因果关系检验可用来分析VAR模型中各要素与产业关联强度之间是否具有因果关系及因果关系的方向。表2给出了格兰杰因果关系检验。

表2 因果关系检验

产业关联强度受到专利权人、发明人数量增长影响十分显著，表明各研发机构、企业的发展及研发人员数量的增长会给产业关联产生及发展带来较大的影响。产业关联强度的增加主要依赖于各企业以及研发人员对该领域研发关注度的增加及政府、企业研发投入的增大。

在5%的显著水平下，RI和AE是IR的Granger原因，即研发投入与研发机构数量的波动将会带来产业关联强度波动；在10%的显著水平下，AU是IR的Granger原因，即研发人员数量变化将会带来产业关联强度变化。研发机构对技术和市场机会的把握，对促进产业关联发展具有重要作用。发展策略方面各公司呈现出不同特征：有的企业为拓展技术及产品多元化发展，将不同技术分散在不同子公司；有的企业为开辟新业务领域选择并购或与相关企业合作；有的企业本身是某一技术或行业的领先企业，一直在领域内进行技术积累。无论采取何种策略，当研发机构进入某一产业领域时，就可以据此判断该领域具有一定研发意义。因而专利权人增多，往往会伴随跨产业研发、产业间技术融合以及某项技术应用领域的增多，产业关联强度往往随之增强。技术视角下的产业关联中研发的核心是人才。信息量的爆炸式增长使得技术研发更离不开众多研发人员的通力协作，除首席专家，研发中也出现了越来越多起到核心作用的人才。一项技术往往是多个发明人共同研究的成果，随着技术不断发展，逐渐形成了以研发基础技术为主、以研发核心技术为主、多方出击、全方位技术研发等几类不同特征的发明人。研发人员间关系呈现出全球化趋势明显、再次合作明显增强及合作领域不断扩大的特征。

3D打印技术作为高新技术，其资本密集特性在一定程度上决定了研发投入的重要性。研发投入能够从总量与结构两方面影响产业关联强度。随着研发投入不断增加及结构不断优化，产业关联强度会出现一定程度提高。

3.4 脉冲响应分析

之前VAR模型参数估计与因果关系检验主要集中在系数层面，仅为局部的动态关系，而脉冲响应分析能直观地展现出各要素变化对产业关联强度在一段时间内的动态影响路径，及在随机误差项上施加一个标准差的冲击后对内生变量未来产生的动态影响。图4给出了脉冲响应分析图，横轴表示冲击作用的滞后期间数(单位：年)，纵轴表示产业关联的变化程度；实线代表脉冲响应函数，虚线代表两倍标准差的偏离线，由于施加的新息为标准差，故即使变量间的量纲不同，其结果之间也有一定的可比性。

图4 因素脉冲响应分析图

由图4a可知，产业关联受到来自自身的一个标准差的正冲击后立即有显著响应，在第1期该响应就达到最大值1.192976，但随即由强正效应变为负效应，之后正负效应交替出现，但是正向效应持续相对较长，影响总体表现为初期较大、逐渐减弱的趋势，并存在持续影响，随着预测期的增加，产业关联的波动幅度越来越小。从第14期后影响基本消失。主要原因可能是技术的快速发展使得越来越多的产业涉及到关联体系之中，相互之间的关联日趋复杂，因而现有关联的自我增强作用逐渐被弱化。

从图4b可知，产业关联对研发投入的一个标准差的正向新息，在第1期的响应为零，第2期产生1.17723个单位的正向影响且在第三期后有所减弱，之后正负效应交替出现且影响波动性有所减弱，相比而言正向效应持续相对较长。第12期之后，产业关联变化逐渐消失。研发投入对产业关联影响效率较高且产生作用时间较长，说明3D打印技术相关产业现阶段研发投入的质量与结构较好，对研发投入的吸收能力较强。

从图4c可知，产业关联对来自研发机构一个标准差的冲击在第1期无响应，且在其后的期间内响应基本是正向的，并在第2期应达到最高值0.462989后逐渐回落，在第5期又回升至0.462373，此后一直呈现小幅波动，第8期后影响逐渐消失。这说明研发机构受到外部条件的某一冲击后，给产业关联带来同向的冲击，即研发机构的正冲击对产业关联强度的增加具有显著促进作用和较长持续效应。

由图4d可知，研发人员的冲击在前5期内给产业关联带来略微负面影响，但第5期后，将对产业关联产生一定正面影响。这表明，研发人员数量的增多在初始阶段不利于产业关联强度的增大以及产业关联深度扩展，这可能是由于各独立研发人员的研究领域较为分散且专业，相互之间的研发交互发展、互相借鉴需要较长的时间与过程。

由图4e可知，产业关联对市场规模一个标准差的冲击在第1期无响应，在第2期达到最高值0.069125，且之后的响应都是正向，变化浮动较小，第7期后影响逐渐消失。主要原因可能是市场中对于产业交叉产品的需求不断增大、各产业对于该类技术都具有需求性，使得市场变化对产业关联发展具有一定影响性。

总的来看，产业关联自身、产业研发投入、研发机构数量都会给产业关联强度的变化产生影响，这种影响具有较快反应性，且有一定持续性。产业关联对研发人员数量以及市场规模的冲击在短期内有微弱反映，呈现小幅度波动，在短时间内冲击消失。

3.5 方差分解

脉冲响应函数是随着时间推移，观察模型中产业关联强度对各变量的冲击是如何反应的，但不能定量把握各变量对产业关联的影响程度。方差分解提供了另外一种描述系统动态的方法，将系统中某一个变量的预测均方差分解成由系统中各变量冲击所带来的影响部分，记录系统中每一变量冲击的影响，从而进一步评价不同变量冲击对产业关联变化的相对重要性。图5为各变量冲击对产业关联强度变化的贡献程度。横轴表示冲击作用的滞后期间数(单位：年)，纵轴表示各变量对产业关联强度的贡献率(单位：%)。从图5可以看出，产业关联自身冲击对其贡献程度最大，但随时间推移贡献率逐渐下降但不低于65%；研发机构数量对产业关联强度贡献率在第2期达到最高，为25%左右，之后基本保持稳定；研发人员、研发投入以及市场规模的贡献率在前6期缓慢递增，从第7期达到最大后趋向平稳，这两项影响因素的贡献率相对较小，仅为5%左右。可见，产业关联自身变化对产业关联强度的影响最大，然后依次为：研发机构数量、研发投入、研发人员数量和市场规模。

图5 产业关联影响因素方差分解图

4 研究结论与建议

通过上述分析，发现产业关联自身波动、研发投入、研发机构数量、研发人员数量、市场规模等都会对产业关联强度产生影响且具有一定持续效应。从时间看，产业关联短期内受自身波动、研发投入、研发机构数量的影响较大；从空间看，各影响因素对产业关联的影响程度也存在差异，产业关联自身波动、研发机构影响最为显著。

(1)产业关联强度受自身波动的影响最大。这意味着，产业关联发展中不确定性较多，以往及现有关联产业的关联情况进而可能对未来产业关联强度及方向产生较大影响。因此，为加强产业关联，须大力加强现有关联关系，提高其自身强化能力；其次应进一步挖掘潜在的可能关联产业并提供发展机会。

(2)研发机构数量对产业关联影响显著。研发机构的数量及多样性的增加能够给产业发展带来良好机会。因此，政府一方面应监测各相关研发机构的变化情况，相应地调整研发策略；另一方面应当积极引导不同类型的企业特别是大型企业进入相关领域。

(3)研发投入也是影响产业关联的重要因素。从研发投入规模看，产业关联发展还有较大扩张空间；从研发投入结构看，现有的产业产出相对较低，盈利能力不强。由于3D打印技术相关产业还处于高投资拉动增长阶段，若要逐渐向集约型增长方式转变，政府应对各类研发投入进行调整和优化，鼓励资金投向产业辐射带动和技术溢出能力强的项目。

(4)研发人员数量对产业关联产生的影响较小。研发人员的增多在一定程度上能够促使产业关联强度增大，但由于个人知识以及研究专长的局限，对产业关联强度增加的促进作用非常有限。因此，为提高产业关联程度，企业应当多进行团队研发，引进不同领域的专家人才进入团队进行合作研发，才能更好地促使产业关联发展。

(5)市场因素会影响产业关联发展，使其方向及程度发生变化。健全的技术创新市场导向机制是实施创新驱动发展战略和建设创新型国家的重要环节。对3D打印技术相关产业而言，市场对产业关联影响较小，市场规模的不断增加并未给产业关联的深化带来深刻影响。在未来应加强对市场需求的迎合，利用现有市场的导向性，释放创新潜能，增强竞争优势。

从技术角度看，产业间存在相互供给、需求以及合作研发，使它们形成了相互依赖、相互制约的关联关系。产业以及其之间的关联关系构成了产业关联体系，当外部刺激如研发投入、技术进步或新市场需求等作用于这一体系时，这种刺激会通过不同产业间的关联关系扩散出去。不同的关联体系有不同的资源禀赋，也具有不同的关联特性，从而影响因素对于其作用也有所差别。产业关联体系中存在综合性、渗透性、关联性比较强的产业，也存较弱的产业，为了挖掘产业关联的深厚基础、广阔空间以及改善产业间关联结构，推动产业关联良性发展，探寻影响产业关联的影响因素具有重要意义。

[1]LOS B.The empirical performance of a new inter-industry technology spillover measure[J].Technology and knowledge，2000，118：151.

[2]JAFFE A B.Technological opportunity and spillovers of R&D：evidence from firms’ patents，profits and market value[J].American economic review,1986，76(5)：984-999.

[3]KO N，YOON J，SEO W.Analyzing interdisciplinarity of technology fusion using knowledgeows of patents[J].Expert systems with applications，2014,41：1955-1963.

[4]YANG R，LI X，ZHANG T.Analysis of linkage effects among industry sectors in China’s stock market before and after the financial crisis[J].Physica A：Statistical mechanics and its applications，2014，411：12-20.

[5]KAWABATA Y Venables.Trade policy and industrialisation when backward and forward linkages matter[J].Research in economics，2015，69(2):123-131.

[6]LUH Y H，JIANG W J，HUANG S C.Trade-related spillovers and industrial competitiveness：exploring the linkages for OECD countries[J].Economic modelling，2016(54):309-325.

[7]DACHIN A，BURCEA F C.Evaluations of driving effects of the automotive industry in the Romanian economy-a quantitative analysis[J].Procedia economics and finance，2014(10):207-216.

[8]CABRAL I，GRILO A，GONÇALVES-Coelho A，MOURO A.An agent-based model for analyzing the impact of business interoperability on the performance of cooperative industrial networks[J].Data & knowledge engineering，2015(9).

[9]陈曦,席强敏,李国平.制造业内部产业关联与空间分布关系的实证研究[J].地理研究,2015(10):1943-1956.

[10]孙加韬.中国海陆一体化发展的产业政策研究——基于海陆产业关联度影响因素的分析[C],复旦大学,2011.

[11]雷志梅,王延章,司雨昌.基于知识的产业关联网络模型分析[J].系统工程,2014(12):46-54.

[12]王娜,陈兴鹏,张子龙,逯承鹏.西北地区产业关联网络演变的社会网络分析[J].资源开发与市场,2015(09):1045-1051.

[13]王树乔,王惠.中国高技术产业科技效率与驱动因素研究——基于链式关联网络DEA模型[J].山东科技大学学报(社会科学版),2015(06):13-21.

[14]苗蕊,刘鲁.科学家合作网络中的社区发现[J].情报学报,2011,30(12)：1312-1318.

[15]JEON J，HONG S，OHM J，YANG T.Causal relationships among technology acquisition，absorptive capacity，and innovation performance：evidence from the pharmaceutical industry[J].Plos one，2015，10(7):1-14.

[16]GARRIDO-VEGA P，JIMENEZ C H O，MORITA M.Implementation of technology and production strategy practices：relationship levels in different industries[J].International journal of production economics,2015，3(161):201-216.

[17]付宏,毛蕴诗,宋来胜.创新对产业结构高级化影响的实证研究——基于2000—2011年的省际面板数据[J].中国工业经济,2013(09):56-68.

[18]张同斌.中国高新技术产业的发展及其影响因素研究[D].东北财经大学,2012.

[19]成力为,戴小勇.研发投入分布特征与研发投资强度影响因素的分析——基于中国30万个工业企业面板数据[J].中国软科学,2012(08):152-165.

[20]吴菲菲,黄鲁成,石媛嫄.基于产业专利权人的新兴技术应用领域变化研究[J].研究与发展管理,2013(04):96-103.

[21]顾远东,周文莉,彭纪生.组织支持感对研发人员创新行为的影响机制研究[J].管理科学,2014(01):109-119.

[22]张国胜,胡建军.产业升级中的本土市场规模效应[J].财经科学,2012(2)：78-85.

[23]杨浩昌,李廉水,刘军.本土市场规模对技术创新能力的影响及其地区差异[J].中国科技论坛,2015(01):27-32.

[24]赵树宽,余海晴,姜红.技术标准、技术创新与经济增长关系研究[J].科学学研究,2012(9)：1333-1420.

(责任编辑 刘传忠)

On the Influencing Factors of Industry Correlation Based on the Technology Perspective

Shi Yuanyuan，Huang Lucheng

(School of Economic and management,Beijing University of Technology，Beijing 100124,China)

With the rapid development of technology，industry correlation using technology as the link shows high complexity.The influencing factors of industry correlation are complicated and gradually becoming a hot academic research field.But existing researches lack the systematic analysis of the influencing factors of industry correlation from the perspectives of technology.It took the 3D printing related industries as an example，used patent citation data to compute industry correlation strength,and built the VAR model that included the factors of industry correlation strength，R&D investment，R&D organization，R&D stuff and market capacity.It conducted Granger causality test，impulse response，and variance decomposition analysis to the model.The empirical results showed that the volatility of the industry correlation was influenced by itself and other four factors.This effect was of certain continuity，but the influences of different factors on the industrial correlation degree had a great difference.

Technology；Industry correlation；Influencing factor；VAR model

国家社科基金重点项目(11&ZD140)。

2016-10-17 作者简介：石媛嫄(1987-)，女，山西太原人，北京工业大学经济与管理学院博士研究生；研究方向：技术创新管理。

F124.3

A