异质性_教育发展与国家创新能力_基于面板分位数模型的研究_王素

2015年第6期（总第425期）No.6，2015General，No.425EDUCATIONALRESEARCH异质性、教育发展与国家创新能力——基于面板分位数模型的研究王素浦小松［摘要］建立固定效应模型和面板分位数模型，发现后者能够更深入地揭示不同创新水平下教育发展对创新能力的影响。

使用PISA测试成绩建模的结果显示，阅读成绩对创新指数有重要的正向影响，创新能力对其的弹性约为2.49，即阅读成绩提高1%将使创新指数提高2.49%；数学成绩和科学成绩对创新指数的影响为负但基本不显著。

平均受教育年限对创新指数有显著的正效应，创新能力对其的弹性约为0.38，即平均受教育年限提高1%将有助于创新指数提高0.38%，而且这一影响在创新能力的不同层次下保持稳定。

根据所选国家是否为OECD成员国进行分组，对OECD国家数据重新建模，得到了与全样本一致的结果，证明结论具有稳健性。

研究表明，阅读能力、平均受教育年限等教育发展指标对提升创新能力有显著的促进作用。

［关键词］国家创新能力；PISA测试；面板分位数模型［作者简介］王素，中国教育科学研究院国际比较教育研究中心主任、研究员；浦小松，中国教育科学研究院国际比较教育研究中心博士（北京100088）创新是经济发展的根本动力，社会经济发展依靠创新能力的不断增强，一个国家只有具备了较强的创新能力才具备社会经济发展的巨大潜力。

1912年，美国著名经济学家熊彼特首次提出了创新的概念，认为创新是把一种从来没有过的关于生产要素的“新组合”引入生产体系。

［1］1987年，Freeman融合熊彼特的创新思想以及List的“国家专有因素”（national specific factors），首次提出了“国家创新系统”的概念。

［2］以此为基础，Freeman 研究了20世纪70年代以来日本的“技术立国”政策和国家技术创新机制以及企业组织、生产组织、企业间关系、政府的作用，认为国家技术创新系统在日本经济高速发展中起着重要作用。

［3］丹麦经济学家Lundvall自1985年起开始从事关于“技术创新作为一种学习过程”的研究，并在Freeman研究的基础上提出“国家创新体系是由一些要素及其相互联系作用构成的复合体”的观点。

［4］此后，Nelson［5］、Edquist［6］等学者进行深入研究并分别提出了新的定义，突出了国家创新系统中知识创新的地位，将知识列为经济发展的重要资源。

经济合作与发展组织（以下简称OECD），对知识经济和国家创新系统的建设与研究表现出极大的关注，1994年启动了“国家创新系统项目”，并陆续公布了一系列研究报告。

在1996年的年度报告《以知识为基础的经济》中给予定义：“国家创新体系是政府、企业、大学、研究院所、中介机构等为了一系列共同的社会和经济目标，通过建设性的相互作用而构成的机构网络，其主要活动是启发、引进、改造和扩散新技术；创新是这个体系变化和发展的根本动力。

”［7］创新不仅需要知识和技术的基础，更需要强烈的创新意识和创新精神，这依赖于长期的教育和培养，使创新意识和创新精神的培养渗入各级各类教育，为国家提供优质的劳动力，通过发挥其作为整个社会“知识生产器”的作用，引领国家创新系统。

随着国家创新能力在经济发展中的作用日益增强，教育成为国家创新能力的基础。

参考Freeman、Nelson等人以及OECD在知识经济与国家创新系统的关系方面的研究，本文试图探讨教育发展对国家创新的内在影响。

基于这一思想，笔者建立面板分位数模型分析不同创新水平下教育发展对创新能力的影响，以期揭示处于不同创新水平的国家影响其创新能力的指标差异和深层原因。

一、模型与数据本文使用面板分位数模型对世界上具有代表性的44个国家的创新指数进行研究，探寻不同分位数水平下影响创新指数因素的差异。

由于世界各国政治、经济、文化等各方面均存在明显差异，本文使用面板分位数模型提取数据中的异质性，能够得到更为可靠的结论。

（一）理论模型面板分位数模型是面板模型和分位数模型的有机合成。

面板数据最早由Mundlak［8］、Balestra和Nerlove［9］引入计量分析中。

在数据的统计分析过程中，将截面数据和时间序列数据混合构成的面板数据能够在时间维度上增加个体的异质性，在截面维度上增加时间的异质性，减弱多重共线性，有助于正确地分析变量间的联系。

［10］因此，大量关于面板数据的研究不断出现在经济学、管理学、社会学及心理学等社会科学领域。

面板模型的基本形式为：y it＝βx it＋αi＋εit，i＝1，2，…，N，t＝1，2，…，T，（1）其中，y it为被解释变量，x it为解释变量，β为回归系数，αi为表示第i个个体与其他个体的差异，εit为残差。

［11］在一般的经济研究中，经典的最小二乘回归分析应用的范围非常普遍。

然而，由于存在多重共线性、异方差、自相关等问题，在实际问题中，应用最小二乘法进行回归所能提供的信息是有限的。

因此，国内外学者在应用经典回归分析的同时也在不断地探索性质更优良的方法。

1978年，Koenker和Bassett 提出了分位数回归的概念。

［12］与经典的线性回归模型类似，分位数回归模型假设因变量和自变量在各个分位点满足线性关系，对于任意实值随机变量Y，设其观测值为y1，y2，…，y n，分布函数F（y）＝Pr（Y≤y）可以揭示其全部数学性质。

任给实数τ，其中0＜τ＜1，定义Q y（τ）＝inf｛y：F（y）≥τ｝为变量Y的τ分位函数，式inf为下确界，Q y（τ）是被解释变量条件分布函数的反函数，并将y1，y2，…，y n 分为两个部分，其中比例为τ的部分小于Q y （τ），比例为（1－τ）的部分大于Q y（τ）。

对于任意0＜τ＜1，定义ρτ（μ）为检验函数：其中Iμ＜0为示性函数。

给定x时y的条件分位数回归线性模型为：Q y（τx）＝β1（τ）x1＋β2（τ）x2＋…＋βp（τ）x p，（2）式中βi（τ）（i＝1，2，…，p）为τ分位数对应的参数。

［13］面板分位数模型在面板模型中考虑不同分位点的差异，从而增强对数据拟合的能力，并且可以用于提取个体信息有助于分析现实问题中的异质性。

在面板模型（1）式的基础上，Koenker考察了仅包括纯位置偏移效应的条件分位数模型［14］：并使用下式对其进行求解：ρτ（μ）＝μ（τ－Iμ＜0）＝τμμ≥0｛（τ－1）μμ＜0Q y it（τx it）＝αi＋x itβ（τ），i＝1，2，…，N，t＝1，2，…，T，（3）'其中ρτ（μ）＝μ（τ－I μ＜0）。

而后，Koenker 又进一步提出了使用惩罚最小二乘法求解（3）式，其解为：此后，Chernozhukov 等进一步提出了分位数回归工具变量估计量。

［15］本文在建立面板分位数模型的过程中使用了Koenker 的方法。

（二）数据选取本文选取全球创新指数作为被解释变量，使用PISA 测试的阅读、数学和科学三项成绩、平均受教育年限四个指标作为解释变量，将人均GDP 和科技期刊论文数量用作控制变量，分析教育发展对国家创新能力的作用。

（见表1）样本由2006年、2009年和2012年美国、英国、德国等44个国家的数据构成，为了弱化样本中的时间趋势和量纲差异，对所有数据进行了对数化处理。

二、实证分析首先确定面板模型的形式，随后分别建立固定效应模型和面板分位数模型，比较二者拟合效果的差异并利用面板分位数模型的结果分析教育发展对创新能力的影响。

（一）固定效应模型笔者利用R 软件对已有数据进行分析，建立44个国家的面板模型。

由于样本的时间跨度短，小于截面样本量，而且各国数据随时间的变化程度很小，故在建立模型时不考虑时间效应。

在这种情况下，无需检验样本的平稳性和协整性，可直接建立面板模型。

为确定面板模型的形式，需就所选数据适用于混合模型、固定效应模型还是随机效应模型进行判断，表2给出了混合模型检验和随机效应模型检验的结果。

表2中截面F 检验和截面卡方检验的P 值均小于0.05，说明固定效应模型优于混合模型；Hausman 检验的P 值小于0.05，说明固定效应模型优于随机效应模型。

因此，采用固定效应模型进行分析。

（二）面板分位数模型本文根据Koenker 的思想，在固定效应模型基础上加入分位数模型的成分，使用惩罚最小二乘法估计各个分位数的相关参数。

由于受到样本容量的限制，研究中选取具有代表性的10%、50%和90%分位点建立模型，并将面板分位数模型的结果与固定效应模型的结果进行对比。

根据模型（3），本文建立的面板分位数模型为：其中，i ＝1，2，…，N ，t ＝1，2，…，T 。

模型的参数估计结果（表3）说明：固定效应模型和面板分位数模型均反映PISA 测试的阅读成绩对创新指数的影响明显强于数学成绩和科学成绩等指标。

阅读成绩在10%、50%和90%分位点处变量gii rea mat sci yea pgdp jou指标名称全球创新指数阅读成绩数学成绩科学成绩平均受教育年限（15岁以上）人均GDP（2005年不变价美元）科技期刊论文数量数据来源欧洲工商管理学院年度报告经济合作与发展组织数据库经济合作与发展组织数据库经济合作与发展组织数据库世界银行数据库世界银行数据库世界银行数据库表1变量说明检验截面F 检验截面卡方检验Hausman 检验统计量值2.1735100.410454.3776自由度(43，82)436P 值0.00130.00000.0000表2混合模型与随机效应模型检验min ∑∑∑w j ρτj（y it －αi －x it β（τj ）），qj=1T N（α，β）t=1i=1'｛［β（τj ，λ）］，［αi （λ）］｝＝arg min ∑∑∑J j ＝1N i ＝1（α，β）Jj=1TNt=1i=1ˆˆw j ρτj（y it －αi －x it β（τj ））＋λ∑αi 。

i=1'NQ gii it（τrea it ，mat it ，sci it ，yea it ，pgdp it ，jou it ）＝αi＋β1（τ）rea it ＋β2（τ）mat it ＋β3（τ）sci it ＋β4（τ）yea it ＋β5（τ）pgdp it ＋β6（τ）jou it ，（4）以及固定效应模型中均显著，说明对阅读材料（文本）理解、运用和反思的能力对一国的创新能力有重要作用。

在一定程度上，通过长期阅读大量材料以及撰写多样化的研究性论文能够构建阅读与思考之间的关系，从而提升批判性思考与问题解决能力。

该变量的系数在1.6130～3.5921，说明阅读成绩提高1%将有助于创新指数提高大约1.61%～3.59%。

阅读能力的系数随着分位点的增大呈倒U型变化，即对于创新水平中等的国家，阅读素养对创新能力的影响强度最大；对于创新水平处于低层次和高层次阶段的国家，阅读素养对创新能力的作用均未得到充分体现。