研發(fā)投入、知識傳播與農業(yè)新品種創(chuàng)新：路徑與瓶頸

熊　文，朱永彬

(1. 北京工商大學　經濟學院 ，北京　100048；2. 中國科學院　科技戰(zhàn)略咨詢研究院 ，北京　100190；3. 中國科學院大學，北京　100864 )

一、引言

隨著全球“六次產業(yè)化”的推進，第四產業(yè)的“互聯(lián)網(wǎng)+”，第五產業(yè)的“文化創(chuàng)意+”，乃至農業(yè)“接二( 產) 連三( 產) ”向第六產業(yè)的演化[1]，各國對于科技創(chuàng)新都有了更新更高的要求。法國在2017年發(fā)布的《國家科研戰(zhàn)略》中將“信息與溝通社會”作為十大挑戰(zhàn)之一，并將“大數(shù)據(jù)”列于5個首要行動計劃之首。俄羅斯2017年發(fā)布《數(shù)字經濟計劃》，提出至2024年的發(fā)展目標，包括規(guī)范管理、人才和教育、研究專長和技術儲備、信息基礎設施及信息安全等五大基本方向。英國科學辦公室發(fā)布《技術與創(chuàng)新的未來》報告，強調未來最大的機會來自技術融合和互動。日本文部科學省公布的《2017年度科技白皮書》，聚焦開放創(chuàng)新，并明確未來日本推進開放創(chuàng)新的方向。中國亦在十九大報告中提出了建設創(chuàng)新型國家的宏大目標，并強調農村一二三產業(yè)融合發(fā)展。

張來武(2016)[1]指出第六產業(yè)成為農業(yè)轉型發(fā)展的重要方向，以傳統(tǒng)的產業(yè)劃分理論來指導農業(yè)的創(chuàng)新創(chuàng)業(yè)已無法從根本上解決中國的“三農”問題。這就對我國農業(yè)科技創(chuàng)新提出了更高的要求。為此，理清農業(yè)創(chuàng)新的驅動機制，找出制約農業(yè)創(chuàng)新發(fā)展的關鍵瓶頸，已成為當前研究的重要命題。

植物新品種是農業(yè)科技創(chuàng)新的主要成果，是推動種子產業(yè)和現(xiàn)代農業(yè)發(fā)展的重要舉措，是農業(yè)科技創(chuàng)新的重要源動力[2]。近年來，對于農業(yè)植物新品種研究，主要集中在農業(yè)植物新品種權的現(xiàn)狀與對策[3]、農業(yè)植物新品種權的質量評估[4]、農業(yè)植物新品種保護制度對于農業(yè)技術創(chuàng)新的影響[5]等方面。而從農業(yè)科技創(chuàng)新的角度，其研究則會更加豐富，主要分為三個方面：一是研究農業(yè)科技創(chuàng)新對經濟增長的貢獻，如測算與分解我國農業(yè)技術進步貢獻率[6]，分析農業(yè)科技水平與農民收入的關系問題[7]等；二是從知識生產函數(shù)的角度探索影響農業(yè)科技創(chuàng)新的投入要素的貢獻問題[8]；三是研究農業(yè)科技創(chuàng)新的效率及能力評價[9-10]。

在此，我們關心影響技術創(chuàng)新的核心因素、作用大小及其路徑。技術創(chuàng)新的研究最早源于熊彼特的創(chuàng)新理論[11]，Lucas(1988)[12]認為物質資本與人力資本的積累對技術發(fā)展有重大作用，而Romer(1990)[13]的知識生產函數(shù)則指明研發(fā)人員、資本及知識積累三方面為其最核心要素。因此，大多數(shù)的文獻都是在這種理論框架下，研究各種資源投入對技術創(chuàng)新的影響力，并擴展到各方面的影響因素中去。

內在要素投入的影響力總是最核心的命題。有的學者指出技術進步自身與政府研發(fā)投入的重要性[14]，有的則強調人力資本投入的重要性[15]，還有的進一步探索物質資本或R&D資本的影響[16]，甚至還區(qū)分“硬”或“軟”的公共投資[17]，以及研究R&D投入的門檻效應[18]。這些研究都是關注要素的重要性問題，并不斷的將這些要素細分化而展開分析。

模仿創(chuàng)新亦是技術進步的一個重要環(huán)節(jié)，可以通過對國外技術的引進，亦可購買國內技術，研究的主旋律是引進技術或購買國內技術的好壞問題。

對于技術引進的作用，在學界一直未能達成共識。Hu等(2005)[19]指出技術轉讓通過與國內研發(fā)交互作用從而對行業(yè)創(chuàng)新效率產生影響；Chang和Robin( 2006)[20]認為技術購買與自主創(chuàng)新存在互補關系；許繼琴等(2008)[21]亦發(fā)現(xiàn)技術引進與研發(fā)對寧波技術進步均存在正向影響，但研發(fā)影響更大。而Pillai ( 1979)[22]則認為購買技術會替代自主創(chuàng)新；湯萱(2016)[23]發(fā)現(xiàn)直接購買的技術引進會抑制創(chuàng)新能力發(fā)展；聞雯等(2010)[24]發(fā)現(xiàn)我國工業(yè)技術引進不是技術進步的直接原因；保永文(2017)[25]則發(fā)現(xiàn)技術引進與自主研發(fā)之間既存在替代效應，也存在互補效應。

對于國內技術的學習方面，Hagedoorn和Wang (2012)[26]發(fā)現(xiàn)，對于公司創(chuàng)新，投資水平較高時，內部研發(fā)與外部研發(fā)有互補效應，反之則有替代效應。李光泗等(2011)[27]發(fā)現(xiàn)各地區(qū)技術引進與購買國內技術的首要目的是改進產品供應、提高市場占有率，而企業(yè)核心技術能力主要依賴企業(yè)的自主創(chuàng)新。侯建等(2016)[28]則發(fā)現(xiàn)當區(qū)域已有技術水平跨越“臨界值”時，國內技術購買的技術創(chuàng)新路徑最為有效。

綜上，無論是對于內在的要素投入，還是對國內外技術的學習模仿，乃至外部環(huán)境因素，其研究無外乎影響的正負、大小、重要性幾方面，都缺乏對影響技術創(chuàng)新的傳導路徑(或者說是這些影響因素的內在邏輯與動力機制)進行探索。同時，對于外部技術的學習模仿，不僅取決于所引進的國外技術、所購買的國內技術，還取決于獲取這些知識的途徑的通暢性與穩(wěn)定性。因此，本文將以農業(yè)新品種創(chuàng)新為研究對象，在知識生產函數(shù)的基礎上引入知識傳播因子，展開中介變量模型檢驗，探索研發(fā)人員、資本及知識積累三要素投入與知識傳播途徑對農業(yè)新品種創(chuàng)新的貢獻力量，以及這些力量發(fā)揮的動力傳導機理，進而找到其中的關鍵環(huán)節(jié)或瓶頸約束。

二、模型與識別

我們將在Romer(1990)[13]的知識生產函數(shù)基礎上建立實證模型來檢驗以下四個問題：(1)研發(fā)人員、資本及知識積累對于農業(yè)科技的貢獻如何？(2)三者的影響如何產生，傳導機制如何？(3)知識傳播對農業(yè)新品種創(chuàng)新有何影響？(4)知識傳播的力量是怎樣傳導的？(5)誰是農業(yè)新品種創(chuàng)新的關鍵環(huán)節(jié)？誰又是其制約瓶頸？具體模型設置如下：

(一)知識生產函數(shù)

對于問題(1)、(3)，根據(jù)Romer(1990)[13]，本文假設農業(yè)新品種創(chuàng)新由研發(fā)人員、資本及知識積累三方面核心因素決定，并引入知識傳播因子，具體模型如下：

(1)

(二)傳導機制的識別

對于問題(2)、(4)及(5)，本文使用“中介效用”來檢驗各要素對農業(yè)新品種創(chuàng)新的傳導機制，以及判定關鍵環(huán)節(jié)。

1.基本的中介模型

中介效用是心理學術語(Baron和Kenny, 1986)[29]，社會學最早使用的是間接效用 (Alwin和Hauser, 1975)[30]，而流行病學則稱其為代理效用(Freedman和Schatzkin, 1992)[31]，具體講就是指一個變量先對中介變量發(fā)生影響進而間接作用到因變量之上的過程(MacKinnon等，2002)[32]，一般由三個方程組成。

Y=γ1+τX+ε1

(2)

Y=γ2+τ′X+βI+ε2

(3)

I=γ3+aX+ε3

(4)

其中，Y為因變量，X為自變量，I為中介變量，γ為截距項，ε為誤差項。τ、τ′、α、β為回歸系數(shù)。τ顯著表示自變量X與因變量Y存在線性關系；β顯著表示中介變量I與自變量X存在線性關系；τ′顯著且明顯小于τ，同時α、β、τ均顯著，表示引入中介變量I后有利于自變量X對因變量Y的關系解釋，表明存在中介作用，其作用大小由τ′顯著且明顯小于相對于τ的變化量反映，亦可用中介效應與直接效應之比(即中直比)αβ/τ′或中介效應占總效應比例(即中介占比)αβ/(αβ+τ′)表示；若τ′不顯著，但α、β、τ均顯著，則表示存在完全的中介作用，自變量X對因變量Y的影響完全通過中介變量I實現(xiàn)；若α與β至少有一個不顯著，表明I不存在中介作用。另外，如果α、β符號為正，而τ′符號為負，則表明存在抑制效應；如果αβ與τ′符號相反則存在不一致的中介效應[33]。以上便是最常用的逐步法[29]，但近年來受到了廣泛的批評與質疑[34]。

除了逐步法，還有差異系數(shù)法，對兩個回歸系數(shù)差值τ-τ′的檢驗，如Clogg 等(1992)[35]的tn-2=(τ-τ′)/|ρXIστ′|等，其中σ為回歸系數(shù)的標準差，ρXI為X與I的相關系數(shù)。但由于第一類錯誤率太高，被系數(shù)乘積檢驗所替代[32]。

為了有效地利用各種方法展開分析，溫忠麟等(2014)[34]總結了一套檢驗流程，其主要思想為：優(yōu)先采用逐步法，不顯著時進行Bootstrap法，并報告αβ區(qū)間估計。

2.中介模型的調節(jié)效應

Y=c1X+c2W+c3XW+ε1

(5)

M=a1X+a2W+a3XW+ε2

(6)

(7)

在本文中，首先構建知識生產函數(shù)，若存在中介效應，則用逐步法初步判斷，然后用Bootstrap法展開檢驗，文中涉及回歸采用Eviews8.0，Bootstrap法用M-plus6編程運算。

圖1　中介與調節(jié)效應的三種類型注：有調節(jié)的中介模型包括實線與短虛線路徑；有中介的調節(jié)模型包括實線與長虛線路徑；混合模型包括所有路徑。此圖根據(jù)王孟成(2014)[39]綜合整理得到。

三、變量與數(shù)據(jù)

(一)數(shù)據(jù)來源

本文的數(shù)據(jù)主要源自兩方面：農業(yè)部植物新品種保護辦公室(http://www.cnpvp.cn/)與《中國科技統(tǒng)計年鑒》[40]。歷年數(shù)據(jù)從2005年起，累積數(shù)據(jù)從1999-2004年起。故本文樣本年份為2005-2015年。經比對兩處來源數(shù)據(jù)匹配，不存在統(tǒng)計口徑差異。

(二)變量說明

1.農業(yè)新品種創(chuàng)新及其積累

對于農業(yè)新品種創(chuàng)新(AS)，由于授權數(shù)受諸多人為影響，申請量更能反映創(chuàng)新真實水平[41]，且無法獲得其累積數(shù)，本文選用農業(yè)植物新品種權申請數(shù)(單位：件)進行衡量。知識積累是知識創(chuàng)新的基礎，需要構造農業(yè)新品種創(chuàng)新積累指標(ASL)。例如，對于2005年創(chuàng)新對應的知識累積，其數(shù)據(jù)為1999-2004年的累積數(shù)。

2.農業(yè)科技研發(fā)投入

農業(yè)科技研發(fā)投入分為人員與資本，分別選用農業(yè)R&D人員全時當量(人/年)與農業(yè)R&D經費內部支出(萬元)表示；同時兩者又分為總體指標與類別指標(包括基礎研究、應用研究與試驗發(fā)展三類)。

3.知識傳播指標

技術擴散也是重要的影響因素，創(chuàng)新活動與領先者的技術進步率有關，技術擴散則關系到跟隨者的技術進步方式，跟隨者可以通過模仿來分享領先者創(chuàng)造的技術[42]，而模仿正是創(chuàng)造的某種新開始。如何更好的吸取外來知識，這就需要良好的知識傳播環(huán)境。這種環(huán)境好壞，則取決于其有序或者無序。為此，本文選用歷年我國各地技術市場交易情況來構建知識傳播的有序性指數(shù)，根據(jù)宋琦等(2010)[43]，引入信息熵并展開計算，具體如下：

(8)

其中，Sj為知識有償傳播熵，j=1,2,3,4分別表示輸出地域合同數(shù)(項)、輸出地域合同金額(萬元)、流向地域合同數(shù)(項)及流向地域合同金額(萬元)等4方面；pij表示各地合同數(shù)或金額占全國的比例，i為我國31個省市區(qū)?？傡豐為四種熵之和。

根據(jù)方程(8)，計算得到歷年國內知識有償傳播熵。結果顯示，知識有償傳播總熵呈現(xiàn)出早期大幅度熵減后期熵增的過程，其熵減力量主要來自輸出地域(合同金額)熵，而熵增力量則主要來自流向地域(合同金額)熵方面。另外，輸出地域(合同數(shù))熵與流向地域(合同數(shù))熵均在高位呈小幅波動。

四、農業(yè)新品種科技創(chuàng)新動力、阻力及傳導路徑

(一)研發(fā)投入對農業(yè)新品種創(chuàng)新的影響與路徑

1. 基本知識生產函數(shù)構建

無論農業(yè)R&D人員投入(RDLQSDL)還是經費投入(RDK)，均分為基礎研究、應用研究及試驗發(fā)展三方面。在此，以AS為因變量，采用逐步回歸法，對如何投入進行初步判定。分析發(fā)現(xiàn)，無論人員還是經費投入，其基礎研究方面都表現(xiàn)更為穩(wěn)健、顯著(見表1中模型1-5與1-6，簡稱M_1-5與M_1-6)，故選取基礎研究作為農業(yè)R&D人員(RDLQSDLJ)與經費(RDKJ)投入變量。

表1　農業(yè)新品種創(chuàng)新基本知識生產函數(shù)構建

注：*、**、***分別表示通過10%、5%、1%顯著性檢驗，括號內為t檢驗值，由于篇幅原因，本文只給出關鍵性結果；本文變量均為其對數(shù)形式，如RDLQSDLJ表示ln(RDLQSDLJ)；下同。

進一步，根據(jù)方程(1)，展開基本知識生產函數(shù)構建。結果顯示，RDLQSDLJ、RDKJ以及ASL三者無法同時存在(見M_1-1)，甚至其中兩個共存都有難度(見M_1-2, 1-3, 1-8)，僅RDLQSDLJ與ASL有可能(見M_1-7)。其中RDLQSDLJ表現(xiàn)最好(見M_1-3, 1-7)。由此表明，可能存在多重共線性或相互替代問題，需展開中介檢驗。

2.阻力與傳導路徑

(1)基本中介路徑分析。在M_1-3、M_1-7及M_1-8中RDLQSDLJ與RDKJ都較為顯著，RDLQSDLJ可能成為RDKJ及ASL兩者的中介變量，而RDKJ則可能成為ASL的中介變量，為此我們將兩者分別作為中介變量展開檢驗，具體結果見表2。

首先，我們以AS為因變量展開檢驗，具體見檢驗1-檢驗3。對于檢驗1與檢驗2，無論基本中介檢驗，還是Bootstrap法，其結果均不顯著。但我們發(fā)現(xiàn)，對于RDKJ與RDLQSDLJ共同存在的模型，兩者系數(shù)均由顯著變?yōu)椴伙@著，表明兩者可能存在相互干擾。檢驗1，αβ為正，τ′為負，可能存在抑制傾向；檢驗2，αβ為負，τ′為正，則可能存在不一致中介傾向；兩種傾向均表達了遮掩效果的可能。對于檢驗3，α與τ均通過至少5%水平t檢驗，z_Sobel及t_Clogg通過1%水平檢驗，特別是Bootstrap法通過檢驗(τ′與系數(shù)乘積αβ的置信區(qū)間均不包括0)，然而τ′較τ其值由正變負，而αβ為正，表明RDLQSDLJ對于ASL存在抑制效應。

表2　研發(fā)人員、資本及知識積累的傳導路徑

注：z_Sobel、t_Clogg 分別表示Sobel (1982)、Clogg等(1992)提出的z或t檢驗方法。

接著，以RDLQSDLJ為因變量，ASL為自變量，RDKJ為中介變量展開檢驗(見檢驗4)。結果顯示，α、τ、z_Sobel及t_Clogg均通過1%水平檢驗，Bootstrap法亦通過檢驗，而τ′不顯著，且其置信區(qū)間包括0，表明RDKJ對于ASL存在完全中介效用。

最后，以AS為因變量，ASL為自變量，RDKJ為中介變量展開檢驗(見檢驗5)。可以看到，α、z_Sobel及t_Clogg均通過1%水平檢驗，τ通過5%水平檢驗，Bootstrap法亦通過檢驗，而τ′不顯著，且置信區(qū)間包括0，表明RDKJ對于ASL存在完全中介效用。需要注意的是，由于τ′置信區(qū)間小于0的概率偏高，可能存在抑制傾向。

從以上分析可知，RDKJ與RDLQSDLJ均對AS產生影響，但相互之間存在嚴重干擾。而ASL則可能存在某種鏈式路徑，如ASL到RDKJ，再到RDLQSDLJ，最后到AS的過程。因此，需要進一步展開多層中介模型檢驗。

(2)鏈式中介路徑分析。在此，按照ASL→RDKJ→RDLQSDLJ→AS的路徑，采用Bootstrap法展開中介分析，其基線模型擬合x2=83.717，df=6，p=0，CFI=0，TLI=0，RMSEA=0，各指數(shù)比較理想。模型估計的間接效應系數(shù)見表3。

根據(jù)中介效應分解原理，ASL到AS直接效應為-0.534，ASL到AS的間接效用為3個特定中介效應之和0.861，ASL到AS的總效應為中介效應與間接效用之和0.327。雖然這些效應都未能通過顯著性檢驗，很可能是受到RDKJ與RDLQSDLJ相互干擾的影響，但我們還是可以通過其大小及正負方向，結合前面的基本中介分析做出一些判斷。

從表中可以看到，ASL→RDKJ→RDLQSDLJ→AS路徑上的影響力最大為0.587，其次是ASL→RDKJ→AS路徑上的影響力0.308，而ASL→RDLQSDLJ→AS路徑上的影響力為負。這里的直接效應為負，而我們知道ASL到AS的總效應是正的，表明ASL對AS的影響，在3個特定中介過程中，正向影響可能受到不同程度的削弱，負向影響可能得到加強。結合前面的基本中介分析可以判定，ASL的力量經過RDKJ時是通暢的，表明ASL→RDKJ→AS路徑上的影響力可能沒有損失；而這種阻礙主要來自RDLQSDLJ，且主要是阻礙了ASL→RDKJ→RDLQSDLJ→AS路徑上的正向影響力。由于ASL→RDLQSDLJ→AS路徑上影響力的p值達到0.938，表明ASL直接通過RDLQSDLJ施加影響是微乎其微的，這也應證了RDLQSDLJ的削弱力量主要施加在ASL→RDKJ→RDLQSDLJ→AS路徑上。

表3　特定間接效應分析

因此，綜合基本中介與鏈式中介分析，可做出如下判斷：(1)RDLQSDLJ與RDKJ均對AS產生重要影響，但兩者會相互干擾。(2)ASL會通過三種渠道對AS產生影響，其中在ASL→RDKJ→RDLQSDLJ→AS路徑上影響力最大，但卻由RDLQSDLJ的抑制作用被大幅削弱；在ASL→RDKJ→AS路徑上的影響力其次，但實際正向影響最大，其路徑通暢、無阻礙；ASL→RDLQSDLJ→AS路徑上影響力微弱，且為負。(3)由于RDLQSDLJ對RDKJ的干擾，以及對ASL的抑制，使其成為整個傳導路徑的瓶頸。

(二)知識傳播的影響

1.知識傳播對農業(yè)科技發(fā)展的影響

由于知識有償傳播的總熵包括四方面類別熵，采用逐步回歸法，判定其影響特征。結果顯示，總體變量S作為單獨變量時不能通過檢驗，而S4在多變量參與時不能通過檢驗，且將其去除后模型F值明顯提高，表明S1、S2及S3分別對AS存在負、正、正的顯著影響。在進一步減少變量的過程中，發(fā)現(xiàn)S1與S2之間可能存在某種調節(jié)效應；而S3則較為穩(wěn)健，表明其對AS可能存在著穩(wěn)健的正向影響。另外，對于不顯著的S4，經過一系列模型構建與中介變量檢驗發(fā)現(xiàn)其不存在中介效用，且與ASL共同作用于RDKJ，較之于僅有ASL的模型其R2由0.9242上升到0.9766，表明S4對AS有著一定影響。

2.知識傳播的影響路徑

針對S1與S2之間可能存在的調節(jié)效應，運用Bootstrap法，分別以RDLQSDLJ、RDKJ及ASL為中介變量展開分析，經過一系列嘗試，最終發(fā)現(xiàn)RDLQSDLJ存在有中介的調節(jié)效應。

表4　有中介的調節(jié)效應估計結果

表4的結果顯示，在方程(6)中，各參數(shù)的置信區(qū)間均不包括0，通過1%顯著性檢驗；而在方程(7)中，除了b1，其他參數(shù)的置信區(qū)間均包括0，未能通過檢驗。表明該模型的調節(jié)效應完全通過中介效應影響因變量。這里需要說明的是，在Bootstrap法分析時，S3的樣本方差太小，接近0，分析失效。因此，此處有中介的調節(jié)效應模型并不包含S3，而前面對于其影響穩(wěn)健的判斷亦存在疑問。

而對于間接調節(jié)效應的進一步計算，取決于調節(jié)變量取值，表示在調節(jié)變量為某值時，自變量通過中介變量作用于因變量的效應。在此，我們將以S1或S2為自變量，S2或S1為調節(jié)變量(在設置輔助變量時取值為μS2或μS1)，取值包括所有樣本點。在此，按照從大到小的順序設定調節(jié)值，展開Bootstrap分析，每次Bootstrap分析設置為1000步，基本在300多步收斂，具體見表5。

從表5可以看到，無論S1或S2作為調節(jié)變量，隨著調節(jié)取值的變大，自變量對因變量的間接調節(jié)效應都會逐步減小，最終由正轉為負。而對于直接調節(jié)效應，無論S1或S2作為調節(jié)變量，無論如何取值，其置信區(qū)間均包括0，不顯著。這與前面結果一致，表明所有效應均通過中介變量RDLQSDLJ影響因變量AS。

進一步，從具體年份來分析調節(jié)效應的變化。對于S1作為調節(jié)變量的情況，由于μS1整體較高并呈現(xiàn)出一個較穩(wěn)定的狀況，在1.0044及其以下時(也即是2006-2008年、2014-2015年兩個時段)，其置信區(qū)間不包括0，通過顯著性檢驗，且間接調節(jié)效應為正；而其他時段間接調節(jié)效應不顯著。由于在2006-2008年期間，間接調節(jié)效應為正，若此時S2為增加的趨勢，則其對AS的影響就為正，然而期間S2上下波動，表明此時S2對AS的影響并不穩(wěn)定。而在2014-2015年期間，間接調節(jié)效應亦為正，而期間S2呈現(xiàn)穩(wěn)步上升過程，表明此時S2對AS的影響穩(wěn)定為正。對于S2作為調節(jié)變量的情況，μS2整體處于較低的水平(除了2005年較高)并呈現(xiàn)出先小幅波動然后緩步上升的過程，且所有檢驗的置信區(qū)間均不包括0，顯著。在μS2較低(即2006-2012年)時，間接調節(jié)效應為正；而在μS2較高時(即2005年、2013-2015年時段)，間接調節(jié)效應則為負。由于在2006-2012年期間，間接調節(jié)效應為正，而此時S1較高且較為穩(wěn)定，但主體上呈現(xiàn)一個微弱的增加態(tài)勢，表明此時S1對AS主要為正向影響。而在2005年、2013-2015年期間，間接調節(jié)效應為負，而在2005-2006年、2013-2015年期間S2呈現(xiàn)下降態(tài)勢，表明此時S1對AS的影響亦穩(wěn)定為正。

表5　有中介的調節(jié)效應分解

綜合來看，在早中期(即2005-2013年)，S1通過RDLQSDLJ對AS展現(xiàn)了穩(wěn)定的正向影響，然而S1與S2步調不協(xié)調(S2對AS的影響表現(xiàn)不穩(wěn)定)；在后期(即2014-2015年)，S1與S2均通過RDLQSDLJ對AS展現(xiàn)了穩(wěn)定的正向影響，兩者達到了完美的協(xié)調。這種完美的協(xié)調具體表現(xiàn)為，S1的下降，讓μS1帶來正向的協(xié)調影響，而S2的上升給AS帶來正向影響；S2的上升，讓μS2帶來負向的協(xié)調影響，而S1的下降亦給AS帶來正向影響。可以說，S1的下降與S2的上升是一種給AS帶來正向影響的最佳配合。

五、結論與討論

十九大報告指出，創(chuàng)新是引領發(fā)展的第一動力，是建設現(xiàn)代化經濟體系的戰(zhàn)略支撐。本文立足農業(yè)科技創(chuàng)新問題，探索農業(yè)創(chuàng)新的驅動機制、路徑與瓶頸，通過在知識生產函數(shù)中引入知識傳播因子，并運用中介模型檢驗方法，發(fā)現(xiàn)創(chuàng)新的動力機制存在復雜的傳導路徑，知識傳播通過各種形式發(fā)揮作用，而人則是創(chuàng)新發(fā)展的瓶頸。

(1)基礎研發(fā)投入在農業(yè)新品種創(chuàng)新中起著最重要的影響作用，而其中的研發(fā)資本投入、科技人員投入以及知識的累積均是創(chuàng)新的核心動力源泉。①資本與科技人員均直接對創(chuàng)新產生重要作用，然而兩者之間卻存在嚴重的相互干擾力。②知識累積則通過間接的方式對創(chuàng)新產生影響，并包括三種渠道。最主要是通過研發(fā)資本對創(chuàng)新產生正向影響，這部分力量初始不是最大，但貴在路徑通暢；而另一部分正向影響則通過研發(fā)資本傳遞到科研人員進而傳遞到創(chuàng)新，這部分力量雖然初始時最大，但在通過科研人員的過程中受到抑制而被大幅削弱；此外還有一種力量通過科研人員對創(chuàng)新發(fā)生影響，但影響力微弱，且為負向。③科研人員存在瓶頸效應?？蒲腥藛T雖然對創(chuàng)新的直接作用是正向的，且很重要，但卻干擾資本對創(chuàng)新的影響，抑制知識累積的正向影響。

因此，我們認為，在農業(yè)科技投入方面，應該加強對基礎研發(fā)的重視程度，進一步提高基礎研發(fā)投入的比例；而在研究經費的具體分配上，應強調“以人為本”，加大對科技人員本身的支撐力度，增強對科研人員研發(fā)的激勵機制，從而改善科研人員對研發(fā)資本、知識累積的瓶頸約束作用，提升研發(fā)投入的創(chuàng)新效率。

(2)知識的有償傳播在創(chuàng)新過程中發(fā)揮著重要作用，可以從供給方(輸出地域)、需求方(流向地域)角度看，亦可從數(shù)量(合同數(shù))、金額(合同金額)角度看。

①從供給方面看，數(shù)量熵與金額熵需要相互調節(jié)，并完全通過科技人員的中介作用，對創(chuàng)新形成影響。由于供給數(shù)量熵一直維持在一個較高的水準，在很多時候，在其調節(jié)下，金額熵對創(chuàng)新的間接調節(jié)效應無法確定；當供給數(shù)量熵有所下降時，在其調節(jié)下，金額熵對創(chuàng)新存在正向的間接調節(jié)效應。供給金額熵整體處于較低水平，并呈現(xiàn)逐步上升的過程，在其調節(jié)下，數(shù)量熵對創(chuàng)新的間接調節(jié)效應存在正、負兩種情況，但由于數(shù)量熵的變化方向，其對創(chuàng)新的影響實際上總是正向的。另外，需要特別指出的是，隨著技術供給市場的發(fā)展，在樣本后期，數(shù)量熵與金額熵形成了一種完美的調節(jié)搭配，數(shù)量熵下降，帶來金額熵對創(chuàng)新正向的間接協(xié)調效應，而金額熵的上升給創(chuàng)新帶來正面影響；金額熵上升，帶來數(shù)量熵對創(chuàng)新負向的間接協(xié)調效應，而數(shù)量熵的下降則給創(chuàng)新帶來正面影響。因此，降低供給數(shù)量熵和提高供給金額熵，是創(chuàng)新發(fā)展的需求。這表明，供給數(shù)量熵減，形成有序的技術輸出市場、穩(wěn)定的知識有償傳播渠道，對于科技人員穩(wěn)定地獲取知識有著重要意義。供給金額熵增，更多的地方獲得更高的技術收益，能很好地鼓勵各地出現(xiàn)更多的技術供給，有利于科技人員獲取更多樣的知識。

②從需求方看，需求數(shù)量熵處于較高水平，符合“積累的知識流向更多需求的地方去”的要求，表明了我國各地對已有知識學習需求的可能的旺盛狀況，然而由于其變化微弱，雖然在回歸時顯示了正向影響，但由于本文樣本容量小，無法提供更穩(wěn)健的檢驗支撐。另外，需求金額熵對研發(fā)資本有正向影響，特別是其后期存在大幅上升的狀況。熵增反映了需求方技術購買金額的不確定性，說明技術需求競價的加大，在某種意義上提高了各地獲得技術的成本。但由于并沒有發(fā)現(xiàn)中介效應的存在，無法判斷技術需求的競價對創(chuàng)新的影響，需要進一步的探索研究。

綜合知識供需特點，本文認為，對于知識傳播渠道建設，應加強技術市場建設，形成穩(wěn)定的、高效的技術交易渠道，從而讓科技人員能夠更輕松、便捷地獲得所需知識，降低其獲取知識的交易成本；同時應進一步提高知識交易的公開、透明程度，形成良性的知識交易競價機制，保障知識提供者權益，繁榮我國技術市場活力，從而刺激技術創(chuàng)新發(fā)展。

另外，我們必須意識到創(chuàng)新里面首先是原始創(chuàng)新、基礎領域層面的創(chuàng)新，明白原始創(chuàng)新在創(chuàng)新發(fā)展中的核心驅動作用。無論是基礎研發(fā)的重要性，研發(fā)投入的以人為本，還是知識傳播渠道的間接作用，其最后的落腳點均是對原始創(chuàng)新的推動。應在政策上引導，強調原始創(chuàng)新的重要意義，將人財物更多地向原創(chuàng)性研究領域傾斜。

最終，對于農業(yè)科技發(fā)展，我們要高度重視原始創(chuàng)新，強化基礎研究，著力發(fā)揮研發(fā)投入與知識渠道建設的雙重作用，實現(xiàn)前瞻性、引領性科技原創(chuàng)成果重大突破，并培養(yǎng)造就一大批具有國際水平的農業(yè)戰(zhàn)略科技人才、領軍人才、青年人才和高水平創(chuàng)新團隊。當然，需要注意的是，由于農業(yè)新品種的研發(fā)、申請和授權并不像工業(yè)產品那樣更接近于市場，用數(shù)理統(tǒng)計分析存在一定局限性；而肥料、農藥、耕作等方面也都是農業(yè)科技創(chuàng)新的重要內容，本文僅探討了農業(yè)新品種創(chuàng)新，結論的適應性亦存在限制，有待進一步探索。

參考文獻：

[1]張來武．以六次產業(yè)理論引領創(chuàng)新創(chuàng)業(yè)[J]．中國軟科學, 2016(1):1-5.

[2]胡凱，張鵬．我國植物新品種權申請授權狀況分析[J]．技術經濟與管理研究, 2013(1):124-128.

[3]王仁富. 我國農業(yè)植物新品種權保護現(xiàn)狀及完善[J]．農村經濟, 2011(11):45-48.

[4]任靜，宋敏. 基于邏輯回歸的植物新品種權質量評估研究——以雜交水稻品種權為例[J]. 中國農業(yè)科技導報, 2016, 18(1):209-216.

[5]劉輝，許慧. 植物新品種權制度對農業(yè)技術創(chuàng)新主體申請量影響的實證分析[J]. 軟科學, 2010, 24(4):24-28.

[6]張莉俠，張睿，林建永．1990-2009年三大都市農業(yè)科技進步貢獻率的測算及比較[J]．中國科技論壇, 2012(11):104-109.

[7]范金，任會，袁小慧. 農民家庭經營性收入與科技水平的相關性研究:以南京市為例[J]. 中國軟科學, 2010(1):67-77.

[8]李想，穆月英. 農業(yè)科技創(chuàng)新投入要素貢獻的動態(tài)分析——基于狀態(tài)空間模型的實證[J]. 經濟經緯, 2013(4):39-43.

[9]李楊，楊錦秀，傅新紅．我國區(qū)域農業(yè)技術創(chuàng)新能力評價[J]. 中國軟科學, 2009(1):84-89.

[10]張莉俠，俞美蓮，王曉華. 農業(yè)科技創(chuàng)新效率測算及比較研究[J]. 農業(yè)技術經濟, 2016(12):84-90.

[11]〗約瑟夫·熊彼特.經濟發(fā)展理論[M]．北京:商務印書館,1990.

[12]LUCAS R E. On the mechanics of economic development [J]. Journal of Monetary Economics, 1988, 22(1): 3-42.

[13]ROMER P M. Endogenous technological change [J]. Journal of Political Economy, 1990, 98(5): 71-102.

[14]李曉宏，孫林巖，何哲．中國技術進步影響因素研究(1981-2006年)——基于向量自回歸模型實證分析[J]. 軟科學, 2008, 22(7):24-29.

[15]TEIXEIRA A, FORTUNA N. Human capital, innovation capability and economic growth [J]. Fep Working Papers, 2004, 3(3): 205-225.

[16]趙志耘，呂冰洋，郭慶旺等．資本積累與技術進步的動態(tài)融合:中國經濟增長的一個典型事實[J]. 經濟研究, 2007(11): 18-31.

[17]苑德宇，韓俊霞．公共資本、省際溢出與技術進步——基于面板協(xié)整的經驗分析[J]. 中國軟科學, 2011(2):80-90.

[18]趙傳仁，韓先鋒，宋文飛．研發(fā)投資對企業(yè)技術進步影響的異質門檻效應[J]. 中國科技論壇, 2016(9):85-89.

[19]HU A G Z, JEFFERSON G H, QIAN J. R&D and technology transfer: Firm-level evidence from Chinese industry [J]. Review of Economics & Statistics, 2005, 87(4): 780-786.

[20]Chang C, Robin S. Doing R&D and/or importing technologies: The critical importance of firm size in Taiwan’s manufacturing industries [J]. Review of Industrial Organization, 2006, 29( 3) : 50-60．

[21]許繼琴，潘丹，黃亮．寧波市技術引進與技術進步關系的實證研究[J]. 寧波大學學報(人文版), 2008, 21(5):67-72.

[22]PILLAI P M. Technology transfer, adaptation and assimilation [J]. Economic & Political Weekly, 1979, 14(47):M121-M126.

[23]湯萱．技術引進影響自主創(chuàng)新的機理及實證研究——基于中國制造業(yè)面板數(shù)據(jù)的實證檢驗[J]. 中國軟科學, 2016(5):119-132.

[24]聞雯，胡登峰，胡成寶．技術引進與我國工業(yè)技術進步關系的實證研究[J].技術經濟,2010, 29(4):17-21.

[25]保永文．知識產權保護、技術引進與中國制造業(yè)技術創(chuàng)新——基于面板數(shù)據(jù)的實證檢驗[J]. 國際貿易問題, 2017(6):38-49.

[26]HAGEDOORN J, WANG N. Is there complementarity or substitutability between internal and external R&D strategies? [J]. Research Policy, 2012, 41(6):1072-1083.

[27]李光泗，沈坤榮．技術進步路徑演變與技術創(chuàng)新動力機制研究[J]. 產業(yè)經濟研究, 2011(6):71-78.

[28]侯建，陳恒．自主研發(fā)、技術轉移方式與區(qū)域創(chuàng)新質量[J]. 中國科技論壇, 2016(11):89-95.

[29]BARON R M, KENNY D A. The moderator-mediator variable distinction in social psychological research: conceptual, strategic, and statistical considerations [J]. Journal of Personality & Social Psychology, 1986, 51(6):1173-1182.

[30]ALWIN D F, HAUSER R M. The decomposition of effects in path analysis [J]. American Sociological Review, 1975, 40(1):37-47.

[31]FREEDMAN L S, SCHATZKIN A. Sample size for studying intermediate endpoints within intervention trails or observational studies [J]. American Journal of Epidemiology, 1992, 136(9):1148-1159.

[32]MACKINNON D P, LOCKWOOD C M, HOFFMAN J M, et al. A comparison of methods to test mediation and other intervening variable effects [J]. Psychological Methods, 2002, 7(1):83.

[33]TZELGOV J, HENIK A. Suppression situations in psychological research: Definitions, implications, and applications [J]. Psychological Bulletin, 1991, 2(109):524-536.

[34]溫忠麟，葉寶娟．中介效應分析:方法和模型發(fā)展[J]. 心理科學進展, 2014, 22(5):731-745.

[35]CLOGG C C, PETKOVA E, SHIHADEH E S. Statistical methods for analyzing collapsibility in regression models [J]. Journal of Educational and Behavioral Statistics, 1992, 17(1):51-74.

[36]SOBEL M E. Asymptotic confidence intervals for indirect effects in structural equation models [J]. Sociological Methodology, 1982, 13(13):290-312.

[37]EFRON B, TIBSHIRANI R J. An introduction to the bootstrap [M]. Chapman & Hall, 1993.

[38]NTZOUFRAS I. Bayesian modeling using WinBUGS [M]. Wiley, 2009.

[39]王孟成．潛變量建模與Mplus應用，基礎篇[M]. 重慶: 重慶大學出版社, 2014.

[40]國家統(tǒng)計局．中國科技統(tǒng)計年鑒(2006-2016)[M]. 北京：中國統(tǒng)計出版社, 2006-2016.

[41]GRILICHES Z. Issues in assessing the contribution of research and development to productivity growth [J]. Bell Journal of Economics, 1979, 10(1):92-116.

[42]崔鑫生．專利表征的技術進步與經濟增長的關系文獻綜述[J]. 北京工商大學學報(社會科學版), 2008, 23(1):124-128.

[43]宋琦，韓伯棠，王宗賜．基于知識溢出熵的創(chuàng)新集群生命周期演化研究[J]. 科學學與科學技術管理, 2010, 31(3):68-71.