《表2 估计结果：科技“双向”分权的创新效应研究》

  提示：宽带有限、当前游客访问压缩模式

本系列图表出处文件名：随高清版一同展现

《科技“双向”分权的创新效应研究》

1. 获取 高清版本忘记账户？点击这里登录

1. 下载图表忘记账户？点击这里登录

注:*、**、***分别表示p<0.10、p<0.05、p<0.01。下表同

由于样本期间较长，且考虑到创新产出的变化可能与个体效应相关，因而采用差分GMM方法进行估计，估计结果见表2。为了形成对比，表2还给出了固定效应模型的估计结果。固定效应模型显示，不论是否加入交互项，政府向市场分权（Mar）的系数符号和中央政府向地方政府分权（Gd）的系数符号虽然符合理论预期，但是都不具有统计显著性。在不加入交互项的情况下，无论采用一步差分GMM还是两步差分GMM进行估计，估计结果表明核心解释变量Mar的系数都没有统计显著性。然而，在加入交互项之后，采用一步差分GMM进行估计的结果表明，中央政府向地方政府分权（Gd）的系数和交互项的系数有统计显著性，同时，政府向市场分权（Mar）的系数和交互项的系数在15%的显著性水平通过联合显著性检验。采用两步差分GMM方法进行估计的结果表明，核心解释变量的系数和交互项的系数都具有统计显著性。这说明采用差分GMM方法进行估计是合适的，同时还应在回归模型中加入交互项。自相关检验表明，无论是采用一步差分GMM估计还是两步差分GMM估计，都不能拒绝不存在二阶自相关的假设。但过度识别约束检验表明，采用一步差分GMM估计时拒绝所有工具变量均有效的原假设，而采用两步差分GMM估计时无法拒绝所有工具变量均有效的原假设。因此，采用两步差分GMM进行估计更为合适。以上分析表明，表2中估计结果序列（6）应是我们重点关注的对象。