摘要：本文采用向量自回归模型，以1986—2011年我国农业科技投入与农业经济增长相关数据为基础，运用脉冲响应函数，分析了我国农业科技投入与农业经济增长之间的相关性。实证结果表明：单方面增加农业科技投入，对农业经济增长的促进作用是有限的。优化农业科技资源配置，比片面增加农业科技投入具有更加重要的意义。政府农业科技投资应与社会资本、民间资本适度分工，即：政府资金应更多地投向基础研究领域，而社会和民间资本则主要投向那些投资周期短、回报率高的应用研究领域。
关键词：农业科技投入；农业经济增长；动态关联性；
迫于人口、资源与环境压力，我们必须尽快转变农业发展方式。转变农业发展方式的要义在于发展农业科技、转变传统农业发展方式。2012年中央一号文件《关于加快推进农业科技创新持续增加农产品供给保障能力的若干意见》的出台，彰显了党中央、国务院通过发展农业科技促进农村经济发展的信心和决心。为探讨农业科技投入对农业经济增长的影响，需要考察农业科技投入与农业GDP增长之间的动态关联性，论文以1986—2011年农业科技投入与农业经济增长数据为依据，采用向量自回归模型，结合脉冲响应函数、协整检验、格兰杰因果关系检测等数理分析方法，对中国农业科技投入与农业经济增长的相关性展开实证分析，为优化农业科技投入机制、促进农业经济增长提供理论依据。
一、科技投入促进农业经济增长的理论探讨
科技投入与经济增长之间的关系，早已被国内外学界所关注，例如：索络(R.Solow.，1957)运用柯布—道格拉斯函数，以美国1909—1949年的统计数据为基础，分析了技术变动率与产出增长率之间的关系；丹尼森(Denison，1967)在充分考虑劳动质量和资本类型的基础上，全面、深入地分析了资源配置、知识进步等因素对经济增长的贡献率；保罗·罗默(P.Romer.M，1986)提出了内生增长理论，认为技术进步是经济增长的源泉和决定性因素。杨灿(2008)利用投入产出系数法和索罗模型法，研究了广东省科技进步对经济增长的贡献率；王姝(2007)利用弹性分析法，根据1986—2005年的数据，计算了吉林省科技经费支出对GDP的弹性系数等等。类似方法，同样被广泛运用于农业经济研究领域，例如：Griliches早在1958年就运用计量经济学方法，计算了美国杂交玉米技术的投资回报率问题；在此基础上，Akino、Masakatsu&YujiroHayami(1975)把研究的重心放到了公共农业科研的回报及其在生产者之间的分配上，其研究结果表明，即使在日本、美国等发达国家，品种改良研究的社会回报率相当高，在发展中国家的社会回报率只会更高；RobertE.Evenson(1997)对农业科研投入回报率进行了国际比较分析，通过对全球375项农业科研投入回报率的研究结果考察，得出了全世界农业科研投入回报率高达49%的结论。
国内方面，樊胜根(1997)分别采用可变系数模型和固定系数模型，对中国农业科研投入的效益进行了测算，得出中国农业科研投入的收益率高达44%~169%。黄季焜等(2000)采用CAPSIM模型对农业科研投入的效率进行模拟推算得出：在市场开放条件下，中国农业科研投入回报率达到59.6%，而在市场不开放的条件下，农业科研投入回报率也达到55.8%。赵芝俊等(2005)采用柯布—道格拉斯生产函数计算了农业科研投入的总收益、边际收益和长期边际收益；张晓慧等(2011)采用实证分析的方法，研究了农业科技进步对农村不同部门劳动力从业量的影响，以及由此产生的对农村居民劳动力转移和农村居民家庭收入的影响。类似研究，不胜枚举。尽管由于研究方法和统计口径的不同，不同学者研究结论有所差异，但都得出了农业科技投入对农业经济增长具有显著贡献的结论，在此基础上强调加大农业科技投入的重要意义。
二、科技投入促进农业经济增长的实证分析
综观理论界多数研究成果，大多是通过静态实证分析的方法，得出农业科技投入对农业经济增长的重要贡献。笔者认为，增加农业科技投入、转变传统农业发展方式，无疑是促进农业经济增长的重要措施。但作为一个财力相对有限的发展中国家，现阶段我国政府对农业科技的投资能力是有限的。同时，农业科技投资本身具有投资额度大、回收周期长、风险高等特征，难以形成对社会资金的有效吸引。因此，在现阶段，增加农业科技投入是促进农业经济增长的必然选择，而优化农业科技资源配置是解决问题更重要、更有效的手段。为探讨农业科技投入对农业经济增长的影响，需要考察农业科技投入与农业GDP增长之间的动态关联性，笔者采用向量自回归模型，以1986—2011年我国农业科技投入与农业经济增长相关数据为基础，运用脉冲响应函数，分析了我国农业科技投入与农业经济增长之间的相关性。
(一)研究方法与数据说明
向量自回归模型(VAR)是基于数据的统计性质而构建的动态模型，它将系统中每一个内生变量作为系统中所有内生变量的滞后值的函数来构造模型，从而把单变量自回归模型推广到多元时间序列变量组成的“向量”自回归模型。目前国内存在少数关于我国农业科技投入对经济增长影响的实证研究，也存在极少数关于政府农业科技投入与农业经济增长关系的实证研究。从这些相关研究的实证分析的方法看，有的是直接对农业科技投入和农业总产值进行单整检验和协调检验，并利用格兰杰检验方法对其因果关系进行检验；有的研究则基于VAR模型对我国农业科技投入与农业经济增长关系进行实证检验。由于VAR模型是基于数据的统计性质而构建的动态模型，主要用于相关时间序列系统的预测和随机扰动对变量系统的动态影响，因而本文也采用VAR模型来研究农业科技投入与农业经济增长的动态关联性。与单一的基于VAR模型的分析不同，本文增加了协整检验和格兰杰因果关系检验两个步骤，可以在一定程度上说，这里的研究方法和相关步骤更为完善，因而所得出的结论也更为可靠。
笔者正是希望在构建VAR模型的基础上，通过脉冲响应函数来研究我国农业科技投入与农业经济增长之间的动态关系。在此，本文采用的数据是1986—2011年中国农业科技投入数据和农业GDP数据(见表1)。其中：“ASTT”表示“公共农业科技投入”、“AGDPR”表示“农业GDP”，作为我国农业经济增长的代表性指标。
(二)实证分析
1.单位根检验。
由于向量自回归模型要求系统中的变量具有平稳性特征，而脉冲响应函数的检验结果也严格依赖于误差向量满足白噪声序列向量假设，因而需要先对模型时间序列变量进行平稳性检验(彭水军等，2006)。本文利用协整检验(ADF检验)农业科技投入变量序列和农业GDP变量序列的水平值和一阶差分值，并运用SC准则来确定检验过程中的滞后阶数，其检验结果见表2。
由表2中检验结果可知，关于我国农业科技投入变量序列和农业GDP变量序列都是非平稳序列，但经过一阶差分后，序列不存在单位根，是平稳序列，即序列LASTT和LAGDP都是一阶单整序列。
2.协整检验与误差修正模型。
虽然时间序列LASTT和LAGDP都是非平稳的，但它们之间还是可能存在某种平稳的线性组合，而且这种线性组合反映的是变量之间存在的长期稳定关系，即协整关系。由前面对序列的单整检验可知，序列LASTT和LAGDP都是一阶单整序列，满足进行协整检验的前提条件。EG两步法在对两个时间序列存在唯一的协整关系时，是一种非常有效的协整检验法，因而我们可以利用EG两步法来对序列LASTT和LAGDP进行协整检验。利用最小二乘法估计序列LASTT和LAGDP的长期线性均衡关系可得：
式中，括号内的数据表示相应估计量的t统计值。上述回归分析结果显示，方程的拟合优度非常好，各项检验参数也比较显著，说明回归方程的统计性质较好。该回归方程的重要经济意义在于，自1986年以来，我国农业科技投入与农业经济增长之间存在显著的相关关系，农业科技投入对农业经济增长的弹性高达0.6823。然而，如果序列LASTT和LAGDP存在协整关系，那么其回归后的残差序列应该是平稳序列，对序列进行单位根检验可得：
ADF值为-2.3105，小于5%显著性水平下的临界值-1.9534，说明残差项不存在单位根，即为平稳序列。据此可以判断，我国农业GDP与农业科技投入之间存在唯一的协整关系。由于误差修正模型(ECM)既能反映时间序列之间的长期均衡关系，又能体现短期偏离长期均衡的修正机制，因而对我国农业经济增长与农业科技投入序列构建如(2)式所示的误差修正模型(ECM)，以进一步考察农业科技投入的资源配置效率及其对我国农业经济增长的影响。
(2)式误差修正模型的回归结果表明，其拟合优度一般，但DW值的大小令人满意，模型基本上反映了我国农业GDP与农业科技投入之间的关系。从模型结果来看，农业科技投入对农业经济增长的影响系数为0.0488，表明我国农业科技投入变动1%，农业经济增长相应地变动0.0488%，与(1)式得出的我国农业科技投入对农业经济增长的弹性高达0.6823相比，农业科技投入对农业经济增长的短期影响明显要小于其长期影响。
3.格兰杰因果关系检验。
协整检验结果表明，LAGDP与LASTT之间存在长期的均衡关系，但这并不能确定它们之间是否存在相互影响的因果关系，因而还需要进行因果关系检验。利用EViews6.0软件可得到LAGDP与LASTT之间的Granger因果关系检验结果(见表3)。
表3的检验结果表明，在5%的显著性水平上拒绝LASTT不是LAGDP的格兰杰原因，即认为LASTT是LAGDP的格兰杰原因；在1%的显著性水平上拒绝LAGDP不是LASTT的格兰杰原因，也就是说LAGDP是LASTT的格兰杰原因。
4.基于VAR模型的脉冲响应函数分析。
由于VAR模型具有良好而独特的动态结构性质，可以用于解释各种经济冲击对经济变量形成的影响，因而本文进一步利用脉冲响应函数来识别农业GDP变量或农业科技投入变量的一个随机扰动是如何通过模型来影响其他变量，进而最终反馈到自身上来的。本文基于表3中ADF检验结果中的平稳性序列而构建VAR模型，通过对比分析确定建立VAR(2)模型。图1是基于VAR(2)模型而形成的脉冲响应函数曲线，横坐标表示脉冲响应函数的追踪期，设定为10年；纵坐标表示一个变量对另一个变量的响应程度，图中的实线表示响应函数的计算值，虚线围成的区域代表两倍标准差的置信带。
这里主要考察LAGDP对LASTT的响应情况和响应路径以及LASTT对LAGDP的响应情况和响应路径。首先来看农业科技投入对农业GDP的响应情况和响应路径。从图1中不难发现：农业科技投入对于农业GDP一个标准新息的扰动的响应，一开始影响不大，且是正向响应，但此后9年多，一直为负向响应，而且前6年的负响应呈现缓慢加剧之势，而从第7年开始负响应趋于稳定。这说明，在短期内农业GDP的增长对于农业科技投入具有正向影响作用，但此后的影响都是负向的。图1还显示，农业科技投入对于农业GDP具有持续的正向影响作用，虽然在极短的时间内难以发觉这种正向影响，但从相对较长的时间段来看，这种比较稳定的正向影响的持续时间较长，说明农业科技投入对农业GDP的正向拉动影响不仅在短期内客观存在，而且在长期内更为显著和稳定。
三、基本结论与对策建议
协整检验结果表明，尽管我国农业科技投入变量序列和农业GDP变量序列都是非平稳序列，但两者之间存在某种长期稳定的协整关系。对我国农业科技投入和农业GDP之间的回归分析结果表明，两者具有显著的相关性：农业科技投入对农业经济增长的弹性高达0.6823，论证了农业科技投入与农业GDP之间存在唯一的协整关系。本文分析得出的农业科技投入对经济增长的弹性数据，与DenisonE.F.(1974)计算的美国1929—1969年农业技术进步贡献率(30.9%)、朱希刚(1997)计算的“九五”期间(1996—2000年)农业科技贡献率(42.11%)、王桂荣(2003)计算的20世纪90年代种植业科技贡献率(38.4%)相比，明显偏高。笔者认为，造成这一差异的主要原因可能与样本数据选取时期有关：农业科技投入具有累积效应，投入时间越长、投入绩效越显著。上述学者所采用的数据较早，而本文所采用的是1986—2011年的最新数据。进一步的误差修正模型分析得出，农业科技投入对农业经济增长的影响系数为0.0488，与回归分析中得出的我国农业科技投入对农业经济增长的弹性高达0.6823相比，农业科技投入对农业经济增长的短期影响明显要小于其长期影响。格兰杰因果关系检验结果表明，我国农业科技投入是农业经济增长的格兰杰原因，而农业经济增长也会对农业科技投入产生影响，两者之间存在双向影响的格兰杰因果关系。基于VAR模型的脉冲响应函数分析表明，农业科技投入对于农业GDP具有持续的正向影响作用，虽然在极短的时间内难以发觉这种正向影响，但从相对较长的时间段来看，这种比较稳定的正向影响的持续时间较长，说明农业科技投入对农业GDP的正向拉动影响不仅在短期内客观存在，而且在长期内更为显著和稳定。显而易见，这一结论支持了协整检验和格兰杰因果关系检验的实证结果，说明我国农业GDP增长与农业科技投入之间存在紧密的长期关系，但在短期内农业科技投入对于农业GDP增长的作用不大，这可能意味着短期内农业科技资源配置效率低下，限制了农业科技投入对农业GDP增长作用的充分发挥。即使从长期来看，农业GDP的增长也是边际递减的，说明单方面增加农业科技投入，对农业经济增长的促进作用是有限的。优化农业科技资源配置，比片面增加农业科技投入具有更加重要的意义。
农业科技投入对农业经济增长的短期影响明显要小于其长期影响，还可能与我国农业科技投入结构和农业科技投资属性有关：我国农业科技投入由政府主导，投向侧重于基础研究领域。同时，农业经济发展特征决定了农业科技投入的短期回报率不高，农业科技投资回收期长。因此，政府对农业科技的投资要着眼于长远利益，在基础研究和应用研究中合理配置资源，更多地承担基础研究的任务，并引导企业和民间资金积极参与农业科技活动，企业和民间资金主要进入回收周期较短、投资回报率较高的应用研究领域，以弥补政府公共投资的不足。
总之，资金投入和资源配置犹如一对孪生兄弟，共同影响着一国的农业科技发展水平。投入不足是影响我国农业科技发展的重要因素。但资源配置不合理、资源利用效率低下，是影响我国农业科技发展更重要的瓶颈。改革农业科技体制，优化农业科技资源配置，提高农业科技资源利用效率，则是推动我国农业科技发展的必然选择。