对外直接投资、逆向技术溢出与省域创新能力——基于中国省际面板数据的门槛回归分析

杜龙政，林润辉

(1.内蒙古财经大学 工商管理学院， 内蒙古 呼和浩特 010070；2.南开大学 中国公司治理研究院，天津 300071)

一、引言

众多国内外的学者通过实证研究表明，对外直接投资(OFDI)在促进国内技术进步、提升创新能力方面发挥着重要作用。技术获取型OFDI(以获取技术为目的)成为我国企业走出去的主要动机之一，例如2008年世界金融危机就成为获取优质国际企业资产的良机，2008、2009年我国各地OFDI大幅提高，此后进入快速扩张期。2015年我国对外直接投资流量创下1456.7亿美元的历史新高，全球第二，仅次于美国。对比2008年到2015年我国OFDI的数据，多数地区增长10倍以上，北京、上海则从低于10亿美元分别增至387.99亿美元、583.62亿美元规模，增长超过30倍;西部的四川、重庆也从无到有，分别从0.2亿美元、0.04亿美元增至46.59亿美元、39.08亿美元。2016年我国科技进步对经济社会的贡献率为56.2%(发达国家多在70%以上)，追赶势头良好。

当前我国处于一个重要的历史拐点时期，我国正在实现从“引进来”为主向“走出去”为主的战略转变，“一带一路”不仅对发展中国家，而且对发达国家也彰显出强大的吸引力。同时，环境制约、效率约束迫使我国经济发展向“创新驱动”转型，我国各地区如何结合一带一路战略，合理有效地进行对外投资布局，以更好更快地带动本省域创新能力的提升，推动“创新驱动”战略的转型，成为各地关注的焦点。随着创新能力的研究逐渐从国家层面转向区域层面[1]，区域创新能力成为影响经济质量的关键变量之一。一般学者们所指区域往往是我国东中西部的划分，本文认为省域作为我国最重要的产业集群集聚与创新的活动区域，例如广东的珠三角，浙东、苏南、胶东等经济最活跃的集聚区一般在一省之内，故站在省域创新能力的层面，研究各省市对外投资对省域技术进步和生产效率的影响，是否存在逆向技术溢出，影响是正面还是负面等等，这些问题的进一步厘清，对于省域政策的制定和调整极有必要。

文章下文结构安排如下：第二部分是回顾已有的国内外相关文献，并进行文献综述；第三部分是构建计量模型和列出所用变量的数据出处及处理方法；第四部分是对模型的实证分析；第五部分是总结实证结果得出的结论并提出相应的对策建议。

二、 文献综述与问题提出

(一)OFDI逆向技术溢出综述

开放环境下一国技术进步依赖于国内和国外两种研发资本，而国外研发资本需通过各种渠道的技术外溢来促进东道国技术进步：一类称为物化技术溢出(Embed Spillovers)，知识体现于有形商品中通过商品的流动而间接产生了技术溢出，该类研究集中在FDI、OFDI、进出口贸易等方面。非物化技术溢出是指通过会议、期刊、培训、论文、专利许可等形式发生技术外溢，研究相对较少。

技术溢出是指跨国企业直接投资于被投资国，对当地企业技术的促进；逆向技术溢出则是指投资母国通过OFDI渠道，吸收被投资国的知识、技术，带动母国技术进步。Driffield 等(2008)[2]把OFDI区分为“技术获取型”、“效率寻求型”，前者是对高R&D密集的东道国投资，后者是对低R&D密集的东道国投资，实证发现这两类对外投资均能促进英国生产率的增长。Driffield和Chiang(2009)[3]将台湾因投资中国大陆而对台湾生产率的提高，归之于效率寻求型OFDI。本文研究的重点是OFDI逆向技术溢出，属于技术获取型OFDI，实证中就以中国各省份(含直辖市、自治区，以下同)对发达的“G7国家+韩国”的直接投资为主。Chen等(2012)[4]认为新兴市场国家对发达国家的OFDI，主要是寻求知识和技术的，并实证检验了逆向技术溢出的存在。

现有文献正关注和跟进OFDI的逆向技术溢出效应。OFDI逆向技术溢出效应及其对母国创新能力的影响如何，学者观点不一，可以分为以下三类。

第一类是OFDI的逆向技术溢出可以促进本国的创新能力的提升。最早是Kogut和Chang(1991)[5]以日本对美投资企业为对象，验证了逆向技术溢出效应的存在；Coe和 Helpman(1995)[6]最先采用国际R&D溢出回归方法，实证得出通过进口贸易的R&D溢出的存在性。Branstetter(2006)[7]从企业层面上实证分析了日美公司间OFDI所带来的技术溢出效应，认为存在双向外溢效应。OFDI能从东道国获得先进的经验和技术，带动母国技术进步，即认为存在逆向技术溢出效应[4, 8-10]。OFDI的逆向技术溢出对国内创新能力存在显著的正面效应[11-14]，且呈现出显著的地区差异[15]。

第二类是认为OFDI的逆向技术溢出对本国创新能力的提升作用不显著。Btitzer和 Görg(2010)[16]对OECD17个国家产业层面数据的检验发现，OFDI对全要素生产率的影响为负，但国与国之间差异明显。Lee(2006)[17]、Bitzer 和 Kerekes(2008)[18]也得出类似结论。OFDI逆向技术溢出对我国科技进步的作用，李梅等(2012)[19]认为比较微弱，甚至会起到阻碍作用[20-21]。笔者认为不显著的原因可能在于门槛，没有达到门槛时就不显著，因为技术吸收能力弱等原因；当超过门槛时，就会显著。21世纪之初的入世对中国企业走出去开拓了道路，2008年金融危机更是走出去的良机，以获取海外技术资产为目的的OFDI剧增。

第三类学者认为OFDI的逆向技术溢出对本国创新能力的影响需要全面的分析，是一种非线性的关系，一般会引入门槛变量。OFDI和FDI能否产生技术溢出，与东道国和地区的发展水平密切相关，只有超过了这一门槛，才能够产生良好的溢出，这就是门槛效应。如Borensztein等(1998)[22]和Görg 等(2004)[23]的研究表明，OFDI能否促进母国技术进步，与母国在人力资本等吸收能力有关，达到“门槛值”后，才能对本国技术进步产生显著的外溢效应。陈岩(2011)[24]认为OFDI能否促进国内企业创新，受所在区域经济开放程度的制约；还有学者从技术吸收能力方面进行了研究，当吸收能力较弱时，对外直接投资不利于国内技术创新；只有当吸收能力较强时，才能促进国内技术创新[25]。这种解释具有较高的合理性，与中国经济发展的现实有较高的契合度，例如改革开放以来我国技术进步的速度呈现加速度的趋势，研发学习能力和水平的整体提升是重要原因。

(二)自变量、门槛变量选择及文献述评

我国OFDI的逆向技术溢出应该存在门槛变量。一般学者们认为创新能力更强的沿海省份的OFDI的逆向技术溢出应该大于创新能力相对落后的内陆省份，原因在于前者的技术吸收能力更强，同样情况下获得知识溢出更多，这种技术吸收能力就是门槛，而吸收能力则来自于研发和创新能力，故可以设计一省(直辖市、自治区)创新能力为门槛变量，后面简称省域创新能力。省域创新能力弱，OFDI水平低，逆向技术溢出小，甚至可能为负；省域创新能力强，OFDI水平更高，逆向技术溢出更显著。综合我国华为、海尔、潍柴、吉利等企业OFDI成功的案例，企业所在省份广东、山东、浙江等省域创新能力已经越过门槛。因为沿海省份技术能力强，OFDI也就更加偏向于投资技术水平更高的产业和公司，母公司由此获得的逆向技术溢出也就更多。横向看，各地区的省域创新能力会差异较大。纵向看，则与我国的发展阶段有关，入世前中国处于工业化初级阶段，自身产业技术含量低，对外投资自然也是低技术产业；而入世后，技术获取型OFDI大大加快，获取逆向技术溢出也更加容易，因此本文计划采用2003-2015的数据进行验证。

解释变量如下：(1)出口。出口渠道的外溢效应，主要源于出口部门有更高的边际要素生产率，出口部门的管理、技术、营销及基础设施可用于国内部门。Levin等(1997)[26]对发展中国家和地区的研究发现，出口渠道的技术外溢效应主要集中于工业制成品，初级产品的影响很小。(2)进口。Coe和Helpman(1995)[6]最先采用国际R&D溢出回归方法，假定一国全要素生产率(TFP)与国内国外两种研发资本存量有关，使用22个国家1971-1990年的面板数据，实证得出西方国家之间通过进口渠道的R&D溢出的存在性。(3)OFDI。Potterie和Lichtenberg(2001)[9]在C-H模型基础上增加FDI和OFDI渠道的外国研发资本存量溢出的计算，即L-P模型，结果是进口、FDI与OFDI对本国全要素生产率(TFP)的影响弹性分别为0.151、-0.006、0.072，证明进口和OFDI都是国际技术外溢的重要渠道。(4)人力资本。在国际R&D溢出的过程中，人力资本是一个重要的推动因素。人力资本投资可以促进国内研发(正向研发和正向人力资源投入可以提升自主创新能力)，同时又能影响技术吸收能力的重要变量得到认可[23, 26-29]，因此也纳入我们研究的解释变量。国内研发资本存量是得到公认的主要解释变量，另外我们为考察国际技术进口的影响，也引入该变量。故本文将以C-H模型、L-P模型为基础，以国内研发资本存量、人力资本、OFDI、进口、出口和国际技术引进为主要自变量，对比分析各变量对TFP的贡献率，对技术进步影响的大小。

学者们对于门槛变量的设定有很多：经济开放度[19, 24]、技术差距[30-32]、知识产权保护[33]等。母国的研发投资和人力资本投入越大，创新能力越好，越有利于OFDI的逆向技术溢出。这一点多数认可的。

技术吸收能力与创新能力密切相关，有学者就区域创新能力的不同对逆向技术溢出的影响进行了研究。尹建华等(2014)[31]基于全要素生产率分析OFDI的逆向技术溢出，均以技术差距为门槛变量，差别是尹建华文章基于资本密集度计算技术差距，刘明霞文章是基于人均GDP计算技术差距，这两种方法不能充分表达出创新水平。李燕等(2011)[32]和尹建华等(2014)[32]认识到了“门槛效应”会导致的非线性关系的出现，二者以技术差距GAP为门槛变量，但前者是以人均GDP的差距为度量基础，后者以各省与G7国家总体的资本密集度之比来度量。李燕的结论是中等技术差距差距最佳，而尹建华的结论却是高技术落差最佳。资源型国家人均GDP高、老工业国家资本密集度高，不代表技术水平高，这种衡量技术差距的方法有一定的局限性。李娟等(2017)[15]、沙文兵(2014)[34]以创新产出(专利授权数)作为因变量，代替全要素生产率，分析东中西部OFDI的逆向技术溢出，但没有引入门槛变量。

上述研究多按照东中西部区域进行分类，一般认为东部地区的OFDI的逆向技术溢出优于中西部。其实东部各省跨越门槛有先有后，中西部也有创新能力好的省份，这一点我们将进一步研究。本研究以省域创新能力为门槛变量，研究在不同创新能力的情况下，OFDI的逆向技术溢出的门槛效应。因专利数是其创新能力的直接表达，许多学者通常使用全部专利申请授权数作为区域创新能力的代理指标[34-36]。在三种专利中，实用新型专利和外观专利的价值主要在商业化推广方面，而技术含量相比发明专利低，发明专利授权数是最核心、最有技术含量的，代表性更强，可以更好的反应一省的创新能力，故以发明专利申请授权量来作为省域创新能力的表征指标。

就研究方法而言，由于统计方法和数据来源的限制，不少文献采用线性模型对OFDI逆向技术溢出效应进行检验。若研究对象具有非线性特征，使用线性模型估计是有偏的[37]；传统手段以分组检验或构造连乘模型为主来检验门槛效应，无法对OFDI逆向技术溢出的“门槛效应”和门槛值进行相关的实证检验及估计。Hansen(1999)[38]提出的非动态面板门槛回归模型能够弥补以往方法的不足，可准确估算出门槛值，且能对门槛值的正确性及门槛效应进行显著性检验。因此本文借鉴Hansen的方法，利用2003-2015年我国省际面板数据，构建非线性面板门槛模型，实证分析我国OFDI的逆向技术溢出效应与省域创新能力的关系，并据此有针对性地提出政策。

三、 模型构建

(一)模型的设定

Coe和 Helpman[6](简称C-H，1995)最早提出国际研发溢出模型，并实证考察了进口渠道传导的国际研发资本技术外溢。

(1)

在此基础上，Lichtenberg和Pottelsberghe(2001)[9]对进口、外商投资和对外投资三种渠道的国际研发资本对技术外溢进行研究，其模型简称L-P模型。本文的研究，以这两个模型为基础，与以往基于国家层面的面板数据不同，将采用省际面板数据，研究OFDI的逆向技术溢出，以检验对技术进步的贡献率：

(2)

在模型(2)中，TFP为全要素生产率，在C-H模型基础上，国外研发资本存量溢出渠道还包括进口、出口、国际技术进口等，同时考虑到人力资本对于技术研发和吸收的重要性[23]，增加人力资本变量，建立模型如下：

(3)

模型(3)是没有考虑“门槛效应”的OFDI逆向技术溢出效应模型。为考察省域创新能力对中国OFDI逆向技术溢出效应的影响，本文借助Hansen(1999)[38]非动态面板门槛模型，在模型(3)的基础上，以省域创新能力(INO)(发明专利申请授权数)为门槛变量，构建如下面板门槛模型：

(4)

其中，模型(4)为单门槛模型，INO为门槛变量；φ为未知门槛值，I(·)为指示函数，当相应条件取值1时成立，取值0时不成立。从实际的计量角度看，可能会存在多个门槛，可在模型(4)的基础上通过扩展单一门槛模型得到双门槛模型(5)，多门槛模型可通过类似的方法进行扩展得到。

(5)

(二) 模型估计及检验方法

进行门槛分析，关键就是要解决两方面的问题：一是确定门槛值；二是检验门槛效应的显著性和门槛值的真实性。

(三) 数据样本及变量说明

1. 全要素生产率(TFP)的测算

本文采用国内外较流行的基于非参数数据包络分析方法(DEA)的Malmquist指数法来测算全要素生产率(TFP)，并利用DEAP 2.1 软件测算中国各地区相对全要素生产率的增长率(即Malmquist 生产率指数)，该方法可以有效避免生产函数形式设定偏误产生的误差问题，相对传统的参数方法(索洛残余法)具有更显著的优越性。计算方式有两种：一种是基于投入的，一种是基于产出的。L-P模型用的就是产出法，考虑到数据的易得性，我们也用产出法，产出变量用各地区每年实际生产总值来表示，投入变量用各地区每年实际固定资本存量和年末从业人员数量来表示。其中地区生产总值全部折算为以2003年为基期的可比价，固定资本存量用永续盘存法按不变价格计算，基本公式为：

Kit=Iit+(1-δ)Ki,t-1

(6)

在式(6)中，Iit表示第t年i省的名义固定资产投资额，δ为资本折旧率，固定资产折旧率取9.6%。其中各地区名义固定资产投资额和各地生产总值的原始数据来源于2004-2016年《中国统计年鉴》，各地区年末从业人员数来源于2004-2016年《中国劳动统计年鉴》。

根据上述的测算方法和测算指标，我们用DEAP2.1测算出来2003-2015年各地区的Malmquist生产率指数(MI)，并借鉴文献常用的做法(尹建华等，2014)[31]，即假定2003年的TFP等于1，则2004年的TFP等于1乘以2003年的MI值，以此类推，计算出2005-2015年的TFP，原始数据来源于《中国统计年鉴》各期，2003-2015年各地区的Malmquist生产率指数均值如表1所示。

(7)

表1 2003-2015年各地区Malmquist生产率指数均值

在式(7)中，RDi,2003为i省份(地区)2003年的R&D支出，g为2003-2015年间R&D支出的年算术平均增长率，δ为折旧率，采用9.6%。C-H(1995)[6]用的是5%，考虑到研发资产折旧与20年前相比大为加速，另外也与固定资本形成总额、TFP计算时9.6%的折旧率保持一致。接下来2004-2015年的研发资本存量利用 “永续盘存法”来进行计算，

(8)

国外研发溢出测算根据L-P的方法，分OFDI、进口、出口3种渠道所产生的溢出：

根据我国对外投资的主要去向和研究目的，即主要定位于技术获取型OFDI的逆向技术溢出，截至2015年年底，中国对外投资较多的发达国家和地区中，最多的是香港近900亿美元，新加坡、荷兰均超过100亿美元，澳大利亚34亿美元。香港、新加坡、荷兰均为港口贸易型，非工业技术先进型，故排除在外，最终选择技术能力最强的G7：美国、英国、德国、法国、加拿大、意大利、日本，外加韩国，共8国作为研究对象，它们的研发存量是我们OFDI的国外研发溢出的主要来源。8国固定资本形成额和GDP 来自世界银行WDI数据库的《World Investment Report 2016》，我国对8国的对外投资存量数据，以及各地对外直接投资存量来源于2003-2015年《中国对外直接投资统计公报》；我国对8国进出口数据，以及中国各地进出口数据来源于2004-2016年《中国统计年鉴》。8国2003-2015 年的研发资本存量与中国国内研发资本存量的计算方法相同，并按每年年末汇率的中间价及价格指数折算成人民币的实际价格。中国对外直接投资数据来自2004-2016年《中国统计年鉴》。

4. 人力资本水平(HR)

国际上对人力资本存量的测算，通常采用Barro等(1993)[39]提出的劳动力平均受教育年限来近似计算。李梅等(2012)[19]、徐磊等(2009)[36]在具体计算时，把小学、初中、高中和大专、本科的受教育年限分别记为6年、9年、12年和16年，计算公式为：小学比重×6+初中比重×9+高中比重×12+大专及以上学历比重×16。为了更加准确，我们加入研究生的计算，因为创新研发的主体正在向研究生转移，用劳动力平均受教育年限来测算各省份的人力资本水平(HR)，计算公式为：

HR=6a+9b+12c+15d+16e+19f

(9)

在式(9)中，a、b、c、d、e、f为小学、初中、高中、大专、本科、研究生及以上受教育程度人口与6 岁以上人口的比值，6、9、12、15、16、19为各级教育(小学、初中、高中、大专、本科、研究生及以上)的规定年限。数据来源于2004-2016年《中国统计年鉴》。

5. 国外技术引进(INN)

本文借鉴夏京文等(2014)的方法来测算国外技术引进，用2003-2015年各省份的国外技术引进合同金额来衡量，先用2003-2015年间各省份年末的中间汇率将美元折算成人民币，再用R&D支出平减指数将之折算为2003年不变价格的实际金额。原始数据来源于2004-2016年《中国科技统计年鉴》。

6. 门槛变量为省域创新能力(INO)

本文以发明专利申请授权量来作为省域创新能力的表征指标，而且数据具有易得、完整和准确的特点，原始数据来源于2004-2016年《中国科技统计年鉴》。

7. 数据说明

商务部自2003年才开始公布中国对外直接投资的年度数据，且2016年部分数据不齐，故本文将样本研究区间定为2003-2015年，而且西藏地区数据缺失严重，因此以中国30个省域单位为研究对象。原始数据来自历年的《中国统计年鉴》《中国科技统计年鉴》《中国对外直接投资统计公报》和各地区统计年鉴。为了消除价格的影响，对本文所涉及货币计量的变量全部用GDP平减指数折算为2003年的实际价格。变量的描述性统计见表2。

表2 变量的描述性统计(2003-2015年，N=30地区，T=13年，NT=390)

注：由于西藏的数据缺失严重，未纳入研究样本。

四、实证分析

(一)面板单位根检验和协整检验

为了避免出现伪回归，在面板模型进行回归分析之前需要进行单位根检验。本文运用软件EViews9.0对变量分别采用LLC 检验、IPS检验、Fisher-ADF检验和Fisher-PP检验，这四种检验方法的原假设均为含有单位根。各变量的二次差分检验结果如表3所示。由表3的单位根检验结果可知，二次差分检验的结果都不存在单位根，即所有变量二次差分后都是平稳的。

但是没有协整关系的单整变量回归仍然是伪回归，因此本文使用Kao检验和Pedroni 检验对本文所用变量的面板数据进行协整检验，检验结果如表5所示。Kao检验结果显示，在1%显著性水平上拒绝没有协整关系的原假设。根据Pedroni检验结果，除Panel v-Statistic、Panel rho-Statistic、Group rho-Statistic没有通过显著性检验外，其他统计量在5%的显著水平都拒绝不存在协整关系的原假设。因此，综合上述检验结果可得变量之间存在长期稳定的协整关系，可以进行回归分析。

表3 面板数据单位根检验结果

注：检验类型(C,t,k)分别表示单位根检验中是否会有常数项C、时间趋势项t以及滞后期数k，滞后阶基于AIC和SC值确定。

表4 面板数据的协整检验

注：(1)除Panel v-Statistic 为右尾检验外，其余统计检验量均为左尾检验；(2)***表示在1%的水平上显著。

(二)实证结果

基于前文的门槛模型和估计方法，本文借助Stata13.1进行门槛回归分析。为了确定门槛的个数，分别在单门槛、双门槛和三门槛的的假设下对门槛效应进行分析，首先检验单门槛模型是否通过了检验，表5报告了这三种情况下对门槛效应进行分析后得到的F统计量值和采用自体抽样法(500次)模拟得到的 P值。从表5不难看出，用发明专利申请授权数表征的省域创新的门槛效应检验的单门槛在5%显著性水平下显著，双门槛在1%显著性水平下显著，但三门槛效应检验不显著，故后文基于双门槛模型(5)展开实证讨论。

表5 门槛效应检验结果

注：(1)**、***分别表示在5%、1%的显著性水平；(2)P值和临界值为采用自抽样(bootstrap)法500次后得到的结果。

(三)门槛估计值及真实性检验

门槛条件通过检验时，需要就双门槛模型(5)的门槛值进行检验。在5%的显著性水平下，似然比统计量LR的临界值为7.35。本文运用Stata13.1软件绘制了似然比和门槛参数的关系图，图中虚线为似然比统计量的临界值。

从图1可以看出，当门槛参数为189和5730时，似然比统计量为0，当门槛1估计值处于[183，190]区间内和门槛2估计值处于[5384，5856]区间内时，似然比值小于5%显著性水平下的临界值，处于原接受域内，即两个门槛值1和门槛值2都与实际门槛值相等。表6报告了双门槛模型门槛值的估计结果与以门槛值的95%置信区间。门槛φ1和门槛φ2估计出来后便可以对双门槛模型(5)进行参数估计，其参数估计结果列于表7。

图1 门槛1和门槛2的估计值及95%的置信区间

(四)稳健性检验

本文通过改变门槛变量的衡量指标来进行稳健性检验，将省域创新能力的衡量指标改为各地区研发支出。实证检验表明，INO的门槛1在5%显著水平上显著，门槛2在1%显著水平上显著，而且当INO跨越门槛水平时OFDI对TFP的促进作用更大，研究结果和表6、表7一致，因此可以认为本文的实证研究结果是稳健可靠的。

(五)结果分析与相关讨论

如表6，存在门槛值189和门槛值5730。而从表7的双门槛模型参数估计结果可以看出，对外直接投资(OFDI)成为逆向技术溢出的重要途径，在我国逆向技术溢出效应与省域创新能力直接存在非线性的关系，低于门槛1时，OFDI对该地区的逆向技术溢出效应不显著；越过门槛1，OFDI对该地区的逆向技术溢出效应为0.03；越过门槛2，OFDI对该地区的逆向技术溢出效应为0.043。王英、刘思峰(2008)[20]认为OFDI的逆向技术溢出对全要素生产率有积极影响，但在统计上不显著，他们是采用中国1985-2005年数据，此阶段技术寻求型OFDI所占比例较小，海外投资集中在技术密集度低的行业。而我们分析2003-2015年阶段数据，中国技术获取型投资已经大为提高，OFDI进入新阶段。

李梅等(2012)[19]以研发强度(研发投入与GDP之比)为门槛变量所做的回归结果显示：当研发强度大于单门槛值1.3546%时OFDI逆向技术溢出为正，系数是0.034；小于门槛值时，系数是负值(-0.0178)。由表7，国内研发资本存量对技术进步的影响系数为0.089，结果显著，多数学者的结论也认可国内研发资本存量对技术进步的价值，而李梅等(2012)[19]的结果是研发资本存量对技术进步的影响是负值(-0.0232)，与其前文所述相矛盾，与多数学者的研究结果也不一致。李梅所用数据是七年数据(2003—2009年)，本文扩展到13年(2003-2015年)。由表9，2006年后中国多数省份跨入门槛1进入创新启动阶段，此后OFDI持续多年50%以上的年增长率，技术获取型OFDI被认可，启动创新发展转型成为多数省份的发展战略，而获取海外技术，通过逆向技术溢出效应反向推动本土创新提升成为重要路径。我们实证检验认可了这一点，逆向技术溢出的系数为0.03(这与李梅的0.034类似)；而沿海发达省份普遍在2010年前后进入创新加速阶段，跨过门槛2，逆向技术溢出系数达到0.043，提高43%，显然沿海获取西方技术溢出的水平更高。

如表7，除了国外技术引进和出口对地区技术进步没有显著的促进作用，其余三个控制变量对地区技术进步都有显著的促进作用。其中，人力资本作为企业创新的主要力量，对技术进步促进作用最大，达到0.194的水平。人力资本的发展是技术效率最重要的影响因素，它决定着一个地区的研发创新和吸收先进技术的能力。地区人力资本的水平较高，就能更容易整合国内外研发资源，融合创新。

表6 门槛值估计结果及其置信区间

表7 门槛参数估计结果

注：**、***分别表示在5%、1%的显著性水平。

表8 2003-2015年处于不同创新能力区间的省(市、区)份数

表9 低中高创新能力的省域分布

注：括号内年份均为略写，如(03-04)就是指2003-2004年。

其次是国内研发资本存量，系数为0.089。一个地区对于研发的持续投入是其创新竞争力的基础，没有持续的投入，不可能形成自身的技术积累，也无从谈起技术学习吸收能力，地区发展不可能有竞争力。进口对于我国技术进步的影响是正面和积极的，作用系数达0.037，这验证了我国坚持对外开放国策的正确，进口我们所缺少的关键零部件，本身也是构成我们自主研发的重要部分，然后通过自身技术提升逐步取代进口。我国每一关键产品、零部件研发的成功，往往会导致进口产品价格约1/3的降低。而出口贸易对创新没有显著的促进作用，出口对于经济发展的促进作用主要是出口创汇，一般是嵌入全球价值链、作为西方跨国公司的生产基地而起作用，以生产为主而非研发为主，跨国公司对于技术研发的垄断使得我们获取技术溢出困难。

值得注意的是，国外技术引进对地区技术进步促进作用不明显，只有0.008，而且不显著。我国地区的技术进步并非主要来源于国外技术引进。实地调研中我们发现，美国最新研发出来的芯片首先在本土应用，半年后转移欧洲日本，再过一年才转移发展中国家，所以我们获取的芯片至少落后2年以上。在对云天化的调研中发现两个子公司对比鲜明，一个子公司资金充裕，整体引进生产线；另一个因资金不足，半引进、半开发，自己研发设计一些装备，结果快速成长起来，获得了自主创新能力。而全引进被对方路径锁定，多年后举步维艰。全盘引进技术是一种逆向创新战略，得到的往往是二流技术，而正向创新战略才是提升自主创新能力的正道[28-29]，创新性活动成为企业价值创造的核心[40]，通过人力资本的投资、持续的研发投资形成核心竞争力，华为每年销售额的10%投资于研发，由此就形成巨大的研发资本存量；小米公司人员的主要组成就是研发人员。人力资本和研发资本存量二者对技术进步的贡献率最高，这在本文实证中得到检验。

(六)创新三阶段及讨论

分析表8、表9，横向看，将我国30个省份分成3个不同的区域：低创新能力区域(INO≤189)、中创新能力区域(189

纵向看，门槛1和门槛2将省域创新能力划分为三阶段：创新前阶段、创新启动阶段、创新加速阶段。当省域创新能力低于门槛值1时，这一阶段可以称为“创新前阶段”，创新对于经济发展的贡献还很低，要素驱动是经济发展的主要动力；但当省域创新能力处于门槛1与门槛2之间时，这一阶段可以称为“创新启动阶段”，创新作为经济增长的驱动力开始发挥作用，但对于经济发展的贡献还是处于较小；当省域创新能力跨越了门槛2后，这一阶段可以称为“创新加速阶段”，创新称为经济增长的驱动力开始发挥重要作用，我国向创新型国家全面推进。

进一步分析，创新前阶段OFDI不存在逆向技术溢出(系数是-0.001，且不显著)，进入门槛之前是负值，也就是OFDI对国内地区的创新是起反作用，而越过门槛后才起正面作用。逆向技术溢出是有条件的，若一个地区的区域创新水平过低，即使可供其技术模仿和学习的机会很多，但由于自身没有足够的吸收能力把国外的技术转化为自身技术，导致最后逆向技术溢出效果不显著。创新前阶段的省域创新能力很低，对外投资对于省域创新没有促进作用，系数是-0.001，且不显著，可忽略不计。迈入门槛1进入创新启动阶段，逆向技术溢出开始发挥正面作用，系数为0.03；当进入创新加速阶段，发挥作用更大，系数达到0.043。现实中研发集聚可以促进地区产业升级[41]，我国优秀企业如华为、海尔等通过对外直接投资、设立国外研发机构，整合全球创新资源，在提升自主创新能力的同时，促进了所在省份省域创新能力的提高，华为驻地广东和海尔驻地山东分别于2008年、2011年越过门槛2。

五、小结

(一)结论及对策

本文利用2003-2015年中国省际面板数据，在C-H国际R&D溢出回归方法的基础上，运用Hansen(1999)[38]面板门槛回归模型，实证检验了省域创新能力对OFDI逆向技术溢出的效应的影响，得到以下基本结论：我国OFDI存在显著的逆向技术溢出效应，但对全要素生产率(TFP)的促进作用小于人力资本、国内研发投入等，而这构成了自主创新的主要部分。省域创新能力对OFDI的逆向技术溢出有重要影响，存在双门槛效应，在门槛1之前，处于“创新前阶段”，逆向技术溢出不显著；而当跨越门槛值1时(创新启动阶段)，逆向技术溢出才显著；当跨入门槛2时(创新加速阶段)，作用会提升43%。这说明省域创新能力的双门槛会显著影响OFDI的逆向技术溢出效应，且呈现非线性的特征。到2015年我国17省份跨过门槛1，进入创新启动阶段；13省份跨过门槛2，进入创新加速阶段，但主要集中在东部，中部和西部地区整体创新水平亟待提升。基于本文的研究，提出以下相关政策建议。

第一，要继续加大研发投入，培育自主创新能力。国内研发资本存量是利用好国外研发资本存量的逆向技术溢出的关键，加大国内R&D投入、重视人力资本培养，是促进我国技术进步、提升自主创新能力的根本途径。国内R&D资本存量对全要素生产率的影响系数是0.089，研发投入的增加可促进技术积累，对新知识、新技术的诞生具有决定性作用，注意正向研发的投入，防止一味逆向模仿的抄袭，后者很难建立自主的技术路线和技术积累。磨刀不误砍柴工，对于一省来说，5730项发明专利的突破是一个门槛，越过这一门槛就进入创新加速阶段，自身创新能力的提高意味着技术吸收能力的提升，OFDI的逆向技术溢出也就显著。所以，对于尚未跨越5730这一发明专利数门槛的中西部省区，还需要加大在人力资本、研发的投入，努力在省域创新能力上实现突破，跨入创新加速阶段。

第二，人力资本对全要素生产率的的影响最大(0.194)，培养人才本身就是创造知识的过程，同时它又能加速OFDI逆向技术溢出的消化吸收，推动我国技术进步。人力资本的投入方面，要强化研究生阶段教育，增加硕士博士的培养，这对于研发人才梯队的建设具有重要意义；而针对相应高校和科研院所的优秀导师队伍的人才引进，对于中西部省区具有重要意义，可以带动整个研究生队伍的发展壮大，为省域研发机构和企业输送一流的人才队伍，加强省域创新能力。

第三，对于优势省份，可以制定鼓励企业走出去的配套政策。自主创新可以促进对外直接投资的逆向技术溢出，从我们的研究来看，我国主流省份已经跨越门槛2，进入创新加速阶段，此时加大技术获取型对外投资，可以整合全球资源、促进省域创新能力的提升。各省可以针对本省优势行业、企业，制定针对性的OFDI鼓励政策，加快本省企业的走出去步伐，实现经济赶超、创新能力提升。中联重科、三一集团对欧洲主流同行企业的兼并，对于提升自身创新能力作用显著，对于中部的湖南省域创新能力的提升作用也很明显。但现实中多数是企业自身行为，政府可以出台配套扶持政策，包括国家层面的差别化的创新支持政策[42]，加快走出去步伐，加快省域创新能力的提升。

总结来说，我国对外直接投资的逆向技术溢出效应呈现双门槛、非线性的显著特征，这说明OFDI在我们已经具备一定创新能力的情况下，可以促进技术进步。2005年前后我国基本跨过门槛1，进入创新启动阶段，2015年我国整体上跨过门槛2，进入创新加速阶段，逆向技术溢出效应又大为增加。这说明省域创新能力的提升对于OFDI 逆向技术溢出作用显著，而国内外技术交流学习的结果又能够促进省域创新能力，应积极推动中国对外直接投资与技术进步的良性互动，积极实施“走出去”战略推动中国的技术进步。

(二)不足与研究展望

其一，如何既考虑发明专利总数，又能比较人均创新数量，这样可以更加深入和全面；其二，本文主要基于各省市对G7国家和韩国的OFDI的研究，以色列、瑞典等其他发达国家因数据不全未考虑在内；其三，我们对香港的OFDI最大，但显然与对美国等国的OFDI不同，香港对大陆的意义主要在管理经验而非技术溢出，如何处理这种情况有待于进一步研究。同时如何结合一带一路政策，探究中国对沿线国家的OFDI的技术输出，值得进一步研究。

[1]魏守华，吴贵生，吕新雷. 区域创新能力的影响因素：兼评我国创新能力的地区差距[J]. 中国软科学，2010(9)：76-84.

[2]DRIFFIELD N，LOVE J H, TAYLOR K. Productivity and labour demand effects of inward and outward FDI on UK industry[J]. Manchester School，2008，77(2):171-203.

[3]DRIFFIELD N, CHIANG M. The effects of of fshoring to China：Reallocation，Employment and productivity in Taiwan[J]. International Journal of the Economics of Business，2009，16(1):19-38.

[4]CHEN VZ, LI J，SHAPIRO DM. International reverse spillover effects on parent firms: Evidences from emerging-market MNEs in developed markets[J]. European Management Journal，2012，30(3): 204-218．

[5] KOGUT B，CHANG S J. Technological capabilities and Japanese foreign direct investment in the United States[J]. Review of Economics and Statistics，1991，73(3): 401-413．

[6]COE D T， HELPMAN E. International R&D spillovers[J]. European Economic Review，1995，39(5):859-887.

[7]BRANSTETTER L. Is foreign direct investment a channel of knowledge spillovers? Evidence from Japan’s FDI in the United States[J]. Journal of International Economics，2006，68 (2):325-344.

[8]FOSFURI A，MOTTA M．Multinationals without advantages[J]. The Scandinavian Journal of Economics，1999，101(4): 617-630．

[9]LICHTENBERG F，POTTELSBERGHE B. Does foreign direct investment transfer technology across borders？[J]. Review of Economics and Statistics，2001，83(3):490-497．

[10]PRADHAN JP，SINGH N. Outward FDI and knowledge flows: A Study of the Indian automotive sector[J]. International Journal of Institutions and Economies，2008(11): 156-187．

[11]ZHAO W，LIU L，ZHAO T. The contribution of outward direct investment to productivity changes within China，1991-2007[J]. Journal of International Management，2010，16(2) : 121-130．

[12]宋跃刚，杜 江. 制度变迁、OFDI逆向技术溢出与区域技术创新[J]. 世界经济研究，2015(9):60-72.

[13]鲁万波，常永瑞，王叶涛. 中国对外直接投资、研发技术溢出与技术进步[J]. 科研管理，2015(3):38-48．

[14]林润辉，李康宏，周常宝，等. 企业国际化多样性、国际化经验与快速创新：来自中国企业的证据[J]. 研究与发展管理，2015，27(5)：110-121.

[15]李 娟，唐珮菡，万 璐，等. 对外直接投资、逆向技术溢出与创新能力：基于省级面板数据的实证分析[J]. 世界经济研究，2017(4):59-70.

[16]BITZER J，GÖRG H. Foreign direct investment，Competition and industry performance[J]. World Economy，2010，32(2):221-233.

[17]LEE G. The effectiveness of international knowledge spillover channels[J]. European Economic Review，2006，50(8):2075-2088.

[18]BITZER J，KEREKES M. Does foreign direct investment transfer technology across borders? New evidence[J]. Economics Letters，2008，100(3):355-358.

[19]李 梅，柳士昌. 对外直接投资逆向技术溢出的地区差异和门槛效应：基于中国省际面板数据的门槛回归分析[J]. 管理世界，2012(1)：21-32.

[20]王 英，刘思峰. 国际技术外溢渠道的实证研究[J]. 数量经济技术经济研究，2008，25 (4)：153-160.

[21]陈 强，刘海峰，汪冬华，徐 驰. 中国对外直接投资能否产生逆向技术溢出效应?[J].中国软科学，2016(7):134-143.

[22]BORENSZTEIN E，DE GREGORIO J，LEE J. How does foreign direct investment affect economic growth[J]. Journal of International Economics，1998，45(1): 115-135.

[23]GÖRG H, GREENAWAY D. Much ado about nothing? Do domestic firms really benefit from foreign direct investment?[J]. The World Bank Research Observer，2004，19(2):171-197.

[24]陈 岩. 中国对外投资逆向技术溢出效应实证研究:基于吸收能力的分析视角[J]. 中国软科学，2011(10): 61-72．

[25]蔡冬青，周 经. 对外直接投资反向技术外溢的国际经验：基于母国吸收能力的考察[J]. 财经科学，2014(3)：121-129.

[26]LEVIN A，RAUT L K. Complementarities between exports and human capital in economic growth: Evidence from the Semi-industrialized countries[J]. Economic Development & Cultural Change，1997，46(1):155-174.

[27]BENHABIB J, SPIEGEL M. The role of human capital in economic development：Evidence from aggregate Cross-country data[J]. Journal of Monetary Economics，1994，34(2)：143-173.

[28]李维安，薛 澜. 大型企业集团创新治理[M].北京：科学出版社，2012.

[29]杜龙政，林润辉，李维安，等.企业集团技术金字塔及其创新路径研究[J].中国软科学，2011(1)：113-123.

[30]刘明霞. 中国对外直接投资的逆向技术溢出效应：基于技术差距的影响分析[J]. 中南财经政法大学学报，2010(3)：16-20.

[31]尹建华，周鑫悦. 中国对外直接投资逆向技术溢出效应经验研究：基于技术差距门槛视角[J]. 科研管理，2014，35(3):131-138.

[32]李 燕，韩伯棠，张庆普. FDI溢出与区域技术差距的双门槛效应研究[J]. 科学学研究，2011，29(2)：220-229.

[33]衣长军，李 赛，张吉鹏. 制度环境、吸收能力与新兴经济体OFDI逆向技术溢出效应：基于中国省际面板数据的门槛检验[J]. 财经研究，2015，41(11)：4-17.

[34]沙文兵. 东道国特征与中国对外直接投资逆向技术溢出：基于跨国面板数据的经验研究[J].世界经济研究，2014(5)：60-65.

[35]ACS Z J，ANSELIN L，VARGA A. Patents and innovation counts as measures of regional production of new knowledge[J]. Research Policy，2002，31(7):1069-1085．

[36]徐 磊，黄凌云. FDI技术溢出及其区域创新能力门槛效应研究[J]. 科研管理，2009，30(2)：16-24.

[37]贺胜兵，杨文虎.FDI对我国进出口贸易的非线性效应研究：基于面板平滑转换模型[J]. 数量经济技术经济研究，2008，25(10):44-55.

[38]HANSEN B E. Threshold effects in Non-dynamic panels: Estimation，Testing and inference[J]. Journal of Econometrics，1999，93(2):345-368.

[39]BARRO R, LEE J W. International comparison of educational attainment[J]. Journal of Monetary Economics，1993，32(3):363-394.

[40]白极星，周京奎. 研发聚集、创新能力与产业转型升级：基于中国工业企业数据实证研究[J].科学决策，2017(1):1-17.

[41]吕文栋，赵 杨,田 丹，韦 远. 风险管理理论的创新：从企业风险管理到弹性风险管理[J].科学决策， 2017(9):1-24.

[42]王业强，郭叶波，赵 勇，胡 浩. 科技创新驱动区域协调发展:理论基础与中国实践[J].中国软科学，2017(11):86-100.