产业技术创新对就业质量影响的实证研究——基于广东省2001-2010年的面板数据

肖鑫钰，李强  

华南师范大学经济与管理学院  广东  广州  510006

摘要：本文根据广东省2001-2010年的面板数据，利用主成分分析法分析了产业技术创新对就业质量的影响。本文发现，技术创新人员投入比例、新产品销售收入比例与就业质量呈显著的正相关；技术创新经费投入比例与就业质量呈负相关，但结果并不显著；新产品出口比例则与就业质量呈负相关。

关键词：技术创新  就业质量  主成分分析    

中图分类号：F24      文献标识码：A

一、引言

有关理论研究和实证分析表明，增强技术创新能力，加大技术创新投入，提高产业技术创新水平是扩大就业的重要途径。但是技术创新对就业质量的影响如何，专家学者们研究的并不多，本文尝试从实证分析的角度，研究技术创新对就业质量的影响，以引发政府部门以及企业对技术创新政策、路径的思考。

二、研究设计

（一）数据来源及处理

本文选取2001-2010年广东省21个地市的面板数据作为研究的样本数据，所有数据均由历年（2001-2011）《广东统计年鉴》直接或者经过计算得出。

（二）模型设定

本文以广东省的数据研究技术创新对就业质量的影响，就业质量作为被解释变量，以技术创新的相关指标作为解释变量。由于反映就业质量的指标过多，故需要先用主成分分析法将众多指标整合成一个综合指标。

1、主成分分析

主成分分析的一般模型：

假设有n个样品，每个样品观测p个指标，这p个指标分别用X₁，X₂，···，X_p表示。用向量表示为X=（X₁，X₂，∧，X_p），对X进行线性变换，可以形成新的综合变量Y，即：

Y₁=a₁₁X₁+a₁₂X₂+···+a_1pX_p

Y₂=a₂₁X₁+a₂₂X₂+···+a_2pX_p

_·

Y_p=a_p1X₁+a_p2X₂+···+a_ppX_p

2、面板分析

面板模型的一般形式：

其中的Y_it是被解释变量，ａ_it代表的是那些影响被解释变量的全部不可观测到的因素，β_it表示的是解释变量的系数，X_it代表的是解释变量，ε_it表示随机扰动项。其下标i表示的是不同的个体，t表示的是研究时间。结合面板数据模型的一般形式，对模型形式设定如下：

f0_it=a_it+b_itx1+b_2itx2+b_3itx3+b_4itx4+u_it

其中f0代表各个地级市的就业质量，x1表示为科技活动人员投入比例，x2表示为科技经费投入比例，x3表示为新产品销售收入占总销售收入的比例，x4表示新产品出口占出口额的比例， i=1,2,3…21,分别代表广东省的21个地级市，t代表的是从2001年到2010年的时间序列。

三、主成分分析

为了考察技术创新对就业质量的影响，本文需要通过主成分分析得出就业质量的综合指标。利用主成分综合原始变量的信息，得出变量的综合指标。

从表1以可看出，本次主成分分析共提取了8个主成分，它们可以解释原来所有方差的90%，符合一般的统计要求。然后再对数据进行因子分析，提取出8个主成分的计算公式，再运用公式（f1+f2+f3+f4+f5+f6+f7+f8）/8得出总指标f0。

四、变量描述性统计

变量描述性统计见表2。

表2 变量描述性统计

五、实证分析

（一）面板单位根检验

为了避免模型出现伪回归，确保估计结果的准确和有效性，在对模型进行详细分析之前，需要对各面板数据的平稳性进行检验。本文使用LLC检验进行面板单位根检验，结果显示并非所有变量拒绝存在单位根的原假设，对变量加入趋势项，得出结果如表3，可看出P值都很显著，说明该变量一阶单整。

表3 面板单位根检验结果

注：上表中括号内的为P值。

（二）模型形式判定

面板数据模型包含混合效应模型、固定效应模型和随机效应模型三种形式，模型的选取对论文的研究也是非常重要的，本文通过使用stata11.0软件的相关检验，确定选用固定效应模型。从经济意义上来说，固定效应更倾向于研究样本空间的经济关系，而随机效应更倾向于从个体特征来解释总体特征。本文的研究侧重于解释变量对被解释变量的影响，所以从经济意义上来看，固定效应模型更为合适。

（三）多重共线性检验

为了避免多重共线性问题的影响，本文进行方差膨胀因子分析，回归结果见明各变量的膨胀因子远远小于10，容忍度也在0.1之上，因此可以判断各变量之间多重共线性问题不严重。

（四）进行组间自相关检验

由于经济变量的自身特点、数据特点、变量选择及模型函数形式会导致各期之间的随机扰动项不相互独立。而当回归模型的随机误差项与其滞后项存在相关关系时，导致变量的显著性失去意义。因此有必要对模型进行自相关检验。结果显示，F值为19.98，Prob>F=0.0000，拒绝模型不存在一阶序列相关的原假设，该模型存在一阶序列相关。

（五）进行组间异方差检验

异方差也会使变量的显著性变得毫无意义。因此需要对该模型进行异方差的检验。异方差的基本假设为：

H0：var(u_i)=常数

H1：var(u_i)≠常数

检验结果显示，统计量的P值均为0，模型存在异方差。

（六）模型回归分析结果

由于模型数据既存在自相关，也存在异方差，因此我们用FGLS进行估计。各变量的估计结果见表4。

表4  各变量回归结果
Table 7  The regression results of each variable
	(1)
	f0
x1	0.0293*
	(1.89)
x2	-0.0239
	(-1.55)
x3	0.143***
	(8.48)
x4	-0.0699**
	(-2.33)
_cons	21.05***
	(37.37)
N	备案信息 举报中心 举报中心 行业协会 网络110 互联网协会 举报热线 首都协会 本站持《出版物经营许可证》 仅从事《中国处方药》杂志的网上订阅工作,非任何杂志官网,并不涉及杂志社的出版等事务,特此声明！ 工信部备案：湘ICP备2025122662号-1，营业执照统一社会信用代码：91430721MAEHMRR7OE， 出版物经营许可证号：新安新出发证字第2025002号 特别声明:本站资料均源于网上的共享期刊资源，请特别注意，勿做其他非法用途。 如有侵犯您的版权或其他有损您利益的行为，请联系指出，期刊咨询服务平台会立即进行改正或删除相关内容! 扫码添加微信咨询 QQ客服：1663286777 电话：137-1883-9017 收到信息将及时回复