投入、科技人力资源的投入以及政府资金的支持都是促进高技术产业增长的不可忽略的影响因素，并且大部分学者起初都把注意力放在经济发展水平对高技术产业的影响上，后来虽然对R&D经费投入的关注有所加重，但大都未考虑到我国宏观经济形势的一些变动情况，而宏观经济形势的转变，如国家财政支出用于科学研究的支出势必会影响到高技术产业的发展程度。在定量分析方面，基本上是应用回归模型进行分析，本文也是基于前人研究的基础上，根据1990年以来宏观经济实际情况的变动，利用最新的宏观经济数据，运用理论基础完备和应用广泛的VAR模型从现状描述和实证分析的角度全面分析R&D经费、R&D人员全时当量、国家财政支出用于科学研究的支出对高技术产业的作用程度。
三、我国高技术产业发展现状
上世纪九十年代以来，高技术产业规模不断扩大，高新技术产品进出口总额不断攀升，贸易逆差不断缩小，但是出口产品仍以加工贸易为主。2003年我国高技术产业总产值为16864.22亿元，比1995年的1375.26亿元增加了11倍。同期高技术产业增加值为5034亿元，占制造业增加值的比重为10.5%，比1995年地6.2%增加了4.3个百分点。可见我国高技术产业规模发展迅速。
高技术产业开发区发展迅速，但是产业集群优势不明显，地区行业之间发展不平衡。1990-2009年，53个国家高新技术产业开发区营业总收入从90亿元增加到59566.7亿元，年均增长60%，净利润从78亿元增加到3278.5亿元，年均增长52%，上缴利税从326.2亿元提高到4660.3亿元，可见高技术产业对推动经济发展具有不可忽视的作用。
高技术企业融资渠道狭窄，对外资依赖程度高。由于投资创业机制还未真正建立起来，高技术企业的速效渠道较为单一。高技术研究拨款有限，没有足够的高技术产品开发基金，以银行为贷款主体的融资渠道限制了高新技术的发展，同时社会风险资本严重短缺，致使高技术研究成果难以转化为高技术产品。但是随着我国投资环境的不断优化，这一情况会得到逐渐缓解。
基础技术和关键技术落后，我国一些产业发展所需的核心技术依赖于进口，产品附加值低，并且我国对引进的技术消化吸收能力远落后于韩国和日本。
四、向量自回归（VAR）模型介绍
（一）VAR模型的构造
4
一般传统的回归模型都以经济理论为基础，应用模型对经济主体的行为做出适当的描述，然后分析外生变量如何影响内生变量。但是这种模型存在一些缺陷，一种缺陷是把一些变量看成是内生的，而把另一些看成外生的或前定的，这种决定往往是主观的，因为有可能这两个变量是互为因果的；另一种缺陷是在构造联立方程模型时，为了使模型可识别，必须在某个方程中舍去某些变量。VAR模型的核心思想就是不考虑经济理论，而直接考虑时间序列的各经济变量间的关系。
VAR的一般形式为:
pYt?????Yii?1t?i??t （3.1）
其中，E(?t)=0，E(?t，Yt?i)=0，i=1，2，?p；
Yt是(n×1)向量组成的同方差平稳的线性随机过程，?i是(n×n)的系数矩
阵，Yt?i是Yt向量的i阶滞后变量，?t是误差项，在本模型中可视为随机干扰项。
（二）VAR模型最佳滞后期数的确定
由于VAR方程滞后期的确立受变量影响较大，故需首先进行变量的平稳性检验。早期在Box一Jenkins的分析中，常以自相关系数图作判断，如果自相关系数随着滞后期数的增加而快速下降，就称为平稳序列；反之，则称为不平稳序列。然而此为一主观判断性的检验，因此，Dickey和Full提出DF统计量来检验变量是否为平稳序列，其后又进行了修正和改进，引入ADF统计量来进行检验。检验模型如下：
p?yt??yt?1???i?1i?yt?i??t （3.2）
其中，t为时间趋势项，?,?为参数，?为误差项。其检验的原假设为H1：
??0，对立假设为H0：??0。若原始数据无法拒绝原假设，将进行一次差分，
并将差分后的序列重新进行ADF检验，待变量为平稳序列后建立VAR模型。目前，可用于确定滞后期的检验较多，但常用的有AIC和SIC准则。
AIC标准的计算方法为:
AIC?lnSSRTk?2kT （3.3）
5
Schwarz的SIC准则，定义如下:
SIC?lnSSRTk?k(lnT)T （3.4）
其中，k为变量滞后期，T为样本数，SSRk为残差平方和。最佳滞后期根据
AIC和SIC准则的值进行确定。
（三）VAR模型的脉冲响应函数
为直接观察变量间的互动关系，Sims建议可经由Wald分解定量转换成移动平均的表示方式，转换过程如下所示:
pYt???p??Yii?1t?i??t （3.5）
Yt???Yii?1t?i????t （3.6）
p(1??1L??2L????mL)Yt????t （3.7）
Yt??(1??1L??2L????mL)?2p?12?(1??1L??2L????mL)2p?1?t （3.8）
Yt????i?0Ai?t?i （3.9）
由式(3.9)可以看出，每个变量都可以表示成模型内变量当期和滞后期随机冲击项的线性组合，但是虽然这些随机冲击项没有序列相关的特性，却可能有当期相关的特性，因此用正交化来去除当期相关。
选择一个下三角形矩阵，对式(3.9)进行变换:
?Yt????i?0AiCC?1?t?i （3.10）
令Di?AiC,Ut?i?C?1?t?i，有：
?Yi????DU （3.11）
it?ii?0由式(3.11)可以看出，每个变量都可以表示成当期和滞后期随机冲击项的线性组合即脉冲响应函数(IRF)。脉冲响应函数用于衡量来自随机扰动项的一个标准差冲击对内生变量当前和未来取值的影响，能够比较直观地刻画出变量之间的
6
动态交互作用及其效应。
（四）协整关系检验
协整检验既是诊断变量之间是否存在长期依存关系的一种检验方法，同时又是具体建立变量之间长期稳定方程的一种方法。由于许多经济时间序列具有不平稳性，但是经过一次差分以后就平稳，称这种时间序列是I(l)序列。当两个或两个以上I(1)序列有可能存在的某个线性组合是I(0)序列时，则称这些变量是协整的。如果几个变量是协整的，那么它们之间就存在长期均衡关系，因此由这些变量建立的回归模型才是有意义的。
检验变量之间是否存在协整关系的方法有两种:EG两步法和Johansen极大似然法。前一方法主要适用于两个变量之间的协整检验，对于多个变量之间的检验不太方便，特别是当协整向量不止一个时更是如此。故这里用Johansen的检验方法，它是由Johansen提出的一种在VAR系统下用极大似然估计来检验变量之间协整关系的方法。
假设yt为k×1的I(l)向量序列，则其滞后p期的VAR可表示为:
yt?A1yt?1?A2yt?2???Apyt?p??t (3.12)
将上述方程改写为差分形式：
p?1?yt?i???yii?1t?i??yt?p??t （3.13）
pj其中，?i??Aj?1?I，???A?Ii?1
方程(3.13)中，?代表了所有的长期均衡信息，?yt?p也正是误差修正项，而?的秩则决定了Yt之间的协整向量，也就是决定变量间到底有多少个长期关系。
（五）Grange因果关系检验
变量之间因果关系的实证检验，通常采用由Grange（1969）提出，Sims（1972）推广的如何检验变量之间因果关系的方法。Grange因果检验是基于这样的思想：如果一个事件Y是另一个事件X的原因，则事件Y应领先于事件X。因此，我
7
们看现在的Y能够在多大程度上被过去的X解释，加入X的滞后值是否使解释程度提高。如果X在Y的预测中有帮助，或者X与Y的相关系数在统计上显著时，就可以说Y是由X的Grange引起的。
Granger检验假设有一变量Y和X的预测信息包含在它们的时间序列中，因此，
对于稳定变量X和Y，Granger检验采用如下变量自回归方程，即:
nmjYt??t???j?1nXt?j???k?1mkYt?k??t (3.14)
Xt??t???j?1??jXt?j???kYt?k??t (3.15)
k?1??此外，由于Granger检验受变量的滞后项个数m和n、变量序列的稳定性以及变量间协整关系存在的影响，因此，在进行Granger检验之前，首先要确定各变量的最佳滞后项个数，对变量序列进行稳定性检测和协整关系的检验。
五、模型建立前的准备
（一）指标的选取
本文主要研究高技术产业产值（LHTP）的影响因素，鉴于实际影响因素众多所以本文主要从以下四个指标进行研究。R&D项目经费（LRD）、R&D人员全时当量（LRY）和国家财政支出用于科学研究的支出（LZC）。
（二）数据的来源与预处理
本文实证分析所选用的变量数据为1993-2009年中国年度数据，所有原始数据来源于中国统计年鉴。为了使数据具有可比性，用高技术产业产值平减指数（1993=100）对所用数据进行平减。为了消除数据中可能存在的异方差，我们对上述序列取自然对数，变换后的变量相应的变为LHTP、LRD、LRY、LZC。本文实证分析所用的数据分析处理软件为Eviews5.0。
六、模型的构建与检验
（一）单位根检验
由于虚假回归问题的存在，所以在进行动态回归模型拟合时，必须先检验各序列的平稳性。本文采用ADF检验法对上述各序列的平稳性进行检验。
8