产能过剩治理对技术创新影响的回归分析

为了尽量减轻变量间可能存在的内生性问题，本章节选择系统GMM方法进行回归，并使用变量的滞后项作为工具变量，然后通过AR（2）和Hansen值判断工具变量的滞后阶数与模型的有效性。表9.3-1显示的是产能过剩治理对技术创新影响的回归结果，列Ⅰ—Ⅴ表示逐步加入控制变量后的情况，AR（2）和Hansen检验结果表明，本章节设定的模型是合理的，且没有过度识别工具变量。

表9.3-1的结果显示，在没有加入控制变量时，产能过剩治理对技术创新的影响在5%的水平上显著为正，在控制变量逐步加入后，产能过剩治理的系数显著性增强，回归结果表现出较好的稳定性，这说明中国对工业产能过剩的治理促进了技术创新水平提升。控制变量RD、GDP、RAI的回归结果与预期基本一致，说明研发投入、工业总产值和铁路里程对技术创新起到了正向促进作用。但EDU的回归系数表明，人力资本受教育程度对技术创新起到了反向抑制作用，这可能是由于中国人均教育水平的提高主要是中小学阶段义务教育的普及，对技术创新有着重要作用的高技术劳动者仍较为缺乏，因此通过低水平劳动者数量增长带来的人力资本提升会对技术创新产生负向影响。

表9.3-1　产能过剩治理影响技术创新的回归结果

(www.xing528.com)

续表

注：括号中为回归系数的异方差稳健标准误，*、**、***分别表示在10%、5%和1%的水平上显著；由于篇幅限制，不报告常数项，以下类同不再专门说明。