凡是搞计量经济的，都关注这个号了
稿件：econometrics666@126.com
所有计量经济圈方法论丛的code程序, 宏微观数据库和各种软件都放在社群里.欢迎到计量经济圈社群交流访问.
关于下方文字内容，作者：王奕松，格拉斯哥大学亚当斯密商学院，通信邮箱：2495262W@student.gla.ac.uk
注：这篇文章影响力很大，建议各位学者进一步阅读原文。
Bloom, Nicholas, Charles I. Jones, John Van Reenen, and Michael Webb. 2020. "Are Ideas Getting Harder to Find?" American Economic Review, 110 (4): 1104-44.Long-run growth in many models is the product of two terms: the effective number of researchers and their research productivity. We present evidence from various industries, products, and firms showing that research effort is rising substantially while research productivity is declining sharply. A good example is Moore's Law. The number of researchers required today to achieve the famous doubling of computer chip density is more than 18 times larger than the number required in the early 1970s. More generally, everywhere we look we find that ideas, and the exponential growth they imply, are getting harder to find.
这篇文章数据扎实。首先，本文选取的角度十分微观。在创新研究上，本文没有采用宏观数据分析，而是将常用的假设置于检测和怀疑的位置上，这意味着这篇文章的数据必定是详细而庞大的。诚然，从公开的资料看，本文使用至少7个数据库，涉及医疗、农业、教育、工业制造，乃至普查数据，无一例外都是“细颗粒度”的数据（granular data）。论文作者研究了5万家以上上市企业的数据后，显示科研效率呈下降趋势，这一点说明在经济的“基本盘”里，科研效率的下降是一个普遍现象。除此之外，文章还通过半导体行业和医疗行业的案例分析，具体解释了这个结论。
科研效率是内生增长模型里很重要的参数。如果科研效率的假设发生了变化，那么，经济学家们构建更复杂的经济模型时就需要调整。这篇文章为经济学家的研究提供了实证参考。
摘要：在许多经济模型中，长期增长是两个变量（有效科研人员人数和科研效率）的乘积。从多个行业、产品和企业中得到的证据显示：科研投入越来越多了；可是，科研效率却在下降。摩尔定律就是一个很好的例子。为了达到著名的“每两年翻一番”，今天我们需要的科研人员数量是上世纪70年代的18倍以上。更普遍地说，我们发现创新越来越难。
有很多证据显示，科研投入在显著增加，另一方面，科研效率却在明显下降。举例而言，摩尔定律预测集成电路上可容纳的晶体管数目，约每隔两年会增加一倍（援引百度百科）。这相当于每年增长35%。本文将说明：这种增长是通过吸引越来越多的科研人员来实现的——如今将芯片密度提高一倍所需的研究人员数量比20世纪70年代初期多18倍，这相当于科研效率以每年7％的速度在下降。不少研究都关注了这个问题。例如，Griliches(1994)回顾了很多显示单位美元能带来的创新在下降的文献；Kogan等(2017)提供了更多最新的证据; Kortum(1993)提供了更细节的证据；Scannell等(2012)和Pammolli，Magazzini和Riccaboni(2011)则指出每1美元科研投入的药物创新在下降。许多较早的研究都使用专利数量作为衡量创新的指标。例如，Griliches（1994）和Kortum（1997）强调单位研究人员的专利数量在1920年至1990年之间急剧下降。然而现实已经不再如此。从上世纪80年代开始，美国专利商标局的专利授权数量增长加快，使得人均专利和单位研究人员的专利数据趋于稳定,甚至有所增加。从这个角度看，创新并没有变得困难。然而，50年前的专利与今天的专利意义不同。这是由于可以申请专利的内容（算法、软件）以及法律环境都发生了变化（参见Gallini（2002）、Henry and Turner（2006）和Jaffe 和Lerner（2006））。换而言之，专利数量和创新之间的关系随着时间的推移并不稳定，因此难以作为可靠的指标(Lanjouw和Schankerman,2004)。我们的论文用非专利的指标衡量创新，并提供解决上述问题的办法。在许多描述增长的经济模型里，核心的方程拥有如下形式：
公式中，代表整个经济体的全要素生产率（全要素生产率是指全部生产要素的投入量都不变时，而生产量仍能增加的部分——援引百度百科）。则是某种衡量科研投入的指标，常常使用的是科研人数。该等式说明，通过创新，经济增长的速度与科研人员数量成正比，即：
尽管这个公式描述的是一个宏观现象，但如果我们只关注宏观现象往往会得出误导性结论。为了理解这个问题，假设经济产生了种不同产品，每一个产品都具有一定的质量等级，创新可以使每个产品的质量随着时间的推移而提高：
在这里，指致力于提高第i种产品质量的科研人员的数量，如果我们假设对称，则。即使单个产品的生产函数都只显示出恒定的科研效率（α不变），宏观的增长仍然可以加速提高，这是因为产品的种类每年都会增加。换而言之，也许每种产品的科研人数没有增长，总体的科研人数仍然可以增长，此时经济增长告诉我们，每次经济增大时，我们增加了更多的产品。这种情况下，宏观的证据不会告诉我们有关与每个品种的质量的提高。相反，它掩盖了真正的微观层面的科研效率。正是这种潜在的问题给了本文主要的研究动机——我们希望能观察微观层面的科研效率，即单个产品的科研效率：
过去半个世纪经济增长的主要驱动力之一是摩尔定律，即封装在一个集成电路上的晶体管数量大约每两年增加一倍，这相当于每年35％的稳定指数增长。如果摩尔定律的输出端是稳定的指数经济增长，那在输入端，我们如何衡量有效科研人员的数量？为此，我们用半导体行业的名义的研发支出数据，经过高技术人员平均工资的平减，得到有效科研人数的估计。半导体科研投入时间序列的数据采集自英特尔、飞兆半导体、美国国家半导体、摩托罗拉、德州仪器、三星等多于24家公司。从我们的结果看，一个引人注目的现象是科研投入自1971年以来增加了18倍。这表明摩尔定律所暗示的持续指数增长只能通过大量增加资源来实现。假设摩尔定律的增长率恒定，这意味着科研效率下降了18倍，平均下降率为每年6.8％。换个说法，因为科研效率的下降，如今要实现相同的指数级增长要比1971年困难约18倍。我们做了稳健性检验：无论我们如何衡量研发支出，我们发现有效研究人员都大幅增加，科研效率大幅下降；即使采用最保守的数据，科研效率在1971年至2014年之间也下降了8倍。我们也考虑了另一种衡量创新产出的指标——我们用NBER/CES制造业数据库中的“半导体与相关设备制造业全要素生产率(TFP)增长率”(NAICS 334413)。由于TFP的平均增长率在20世纪90年代后期从每年约8％增长到每年约20％（仅提高了约1.5倍），科研效率的下降幅度较小；尽管如此，研究投入的增加量也远大于TFP增长率的增加。下一个研究的行业是农业。鉴于该行业的历史重要性，农作物的单产和农业研发支出都有比较准确的衡量指标。我们采用未来五年的全要素生产率增长率作为创新产出的衡量指标。结果表明，1970年至2007年之间，全要素生产率增长率略有下降，而有效科研人数却增长了约两倍。因此，科研效率在此期间约以年均3.7％的速度下降。本节的重点是研究每种农作物的科研效率。理想情况下，我们希望能把各个作物的全要素生产率作为我们的衡量。不幸的是，由于农场都是“多种投入、多种产出”的企业，其中资本、劳动力、材料和能源输入不容易分配给单个农作物。因此，我们使用每英亩（1英亩=6.02亩）的产量比率作为我们衡量创新的指标。对于农业部门而言，每英亩产量(以下简称：亩产)的增长和全要素生产率的增长是相关的。我们分别获得了玉米、大豆、棉花和小麦的产量数据和科研支出数据。图6显示了亩产的5年平均年增长率(经过平滑处理以消除冲击后)。1960年以来，这四种作物平均每年的亩产增长率约为1.5％，不过伴随着很大的异质性。研究结果表明，从亩产角度衡量的科研效率大幅下降。一方面，亩产的增长率相对稳定甚至略有下降，年均下降4%到6%。另一方面，科研投入大大增加。例如，1969-2009年间，玉米和大豆的科研投入增长幅度超过23倍。如果亩产增长率保持恒定，那么科研效率则要以相同的倍率下降。健康支出约占美国GDP的18％，健康生活是我们最重要的需求之一。这一部分我们用一系列案例研究医学研究的生产率。第一个案例源自于医学领域众所周知的事实。新分子实体(NMEs）是构成新药基础的新型化合物。历史上，每年获得美国食品药品监督管理局(FDA)批准的NME数量没有呈现增长趋势，而在药物研究上的花费则急剧增长。我们用高技能员工的工资平减科研投入，作为我们衡量科研效率的数据。结果显示，到2007年，科研投入增加了9倍，而科研效率却下降了11倍。在整个时间周期上，研究投入以每年6.0％的速度增长，而研究生产率以每年3.5％下降。另一种案例关于预期寿命的延长。预期寿命是少数没有表现出指数增长的经济指标之一。采用线性的算术增长可以更好地描述预期寿命。自1950年以来，美国出生时的预期寿命以每十年增加1.8年的相对稳定的速度增长，而65岁的预期寿命则以每十年增加0.9岁的速度增长。线性的预期寿命的增加似乎与稳定的经济增长相吻合。因此，我们使用“挽救的寿命”，即预期寿命的变化，而不是它的增长率来衡量创新产出。如果使用预期寿命的增长率，我们的结果会更加显著。考虑和疾病相关的“挽救的寿命”。假设一个人面临两个与年龄无关的泊松过程，到达率分别为和。反映特定的疾病，如癌症或心脏疾病；描述所有其他变量。一个人的在a岁时预期寿命为：
当i型死亡率发生变化(i=1,2)，预期寿命将发生变化：
也就是说，由于癌症死亡率下降而挽救的预期寿命是三项的乘积，这三项分别是癌症导致的死亡比例、某人在a岁时死于癌症的平均寿命损失、以及癌症死亡率下降的百分比。旨在降低特定疾病死亡率的科研投入数据很难找到，尤其难以获得减少各种疾病的研究经费支出的数据。不过，我们通过测量科学出版物的数量来解决这个问题。例如，不少医学文章具有“肿瘤”作为MeSH(医学主题抬头)。MeSH是国家医学图书馆的特定词汇。我们通过两种方式衡量这一数据：宽口径的方法是搜索所有含有合适MeSH的出版物；窄口径的方法是进一步将我们的搜索范围限制为与临床试验有关的文献。科研效率计算为挽救的寿命与出版物数量的比值。结果显示，直到20世纪80年代中期，研究生产率一直在上升；此后，则开始下降。就本文研究的整个周期来看，所有癌症的科研效率下降了1.2倍（宽口径）或4.8倍（窄口径），乳腺癌和心脏病的科研效率下降幅度则更大。我们对半导体、农作物和医疗的研究具有启发性，但它们只是案例研究，我们想知道它们是否能代表更广泛的经济。为了解决这个问题，我们研究了两组企业级数据。我们的第一组数据是Compustat(2016)关于美国上市公司的数据。我们的第二组数据是来自制造业普查的管理数据。每组数据都有其长处：Compustat包括更长的时间序列以及制造业之外的公司；普查涵盖了制造业企业的整个领域，不只是公开交易的。我们使用销售收入、市值、就业和每个公司的劳动生产率的十年平均值来衡量创新，并且以十年作为我们的观察周期以消除波动。为什么这些指标会提供关于公司创新的信息？这是遵循了最近的文献。许多论文表明，新专利的新闻对公司的市值具有重大的即时影响，（例如，Blundell，Griffith和Van Reenen，1999；Kogan等，2015）。专利与公司随后的就业和销售增长也呈正相关。为了衡量科研投入，我们采用了来自Compustat的公司在研发上的支出。这意味着我们只关注对研发情况出具了正式报告的上市公司——众所周知，这类公司是一个个精选样本。我们关注1980年以来在研发上有过正支出的公司，这将样本限制在15,128家公司中。此外我们的筛选标准还包括：- 十年内至少观察到公司的3次年度增长数据。将这些增长率平均后，形成创新增长率- 仅考虑有正增长的十年(负增长显然不是公司创新的结果）- 要求对公司有连续两个十年的观察结果。我们的十年是指20世纪80年代、90年代、2000-2007年、以及2010-2015；因为金融危机，我们没有采用2008和2009年的数据。结果显示，在所有样本中，每个公司的有效科研人员数都有显著增长（平均年增长率在2.4％至8.8％之间）。然而，我们看到所有样本的公司级科研效率都在下降，年均下降率在-4.2%到-14.5%之间。整体平均后，科研效率的下降速度约为每年9％。以这个速率，30年的时间让研究生产率下降了15倍。换而言之，与30年前相比，我们需要15倍的科研人员以产生相同的公司收入增长率。简洁起见，我们报告的这些结果均以销售收入为创新指标；采用另外三重指标和其他时间范围，得出的结果都与以上结果相似。我们还考察了美国制造业普查中的公司（2015b），使用的是销售业绩和研发活动的调查数据。这一数据和Compustat有很多不同。首先，他们使用对官方调查的回应，而不是经过审核的财务帐目。所以这可能会导致一些测量错误，但也有助于解决有关上市公司的会计报告中的潜在偏差（例如，如果公司操纵其报告，以影响其股票市场价值）。其次，它们涵盖了在美国的公开上市或私有的公司，包括外国跨国公司的子公司。因此，较小的公司包括初创公司和海外公司的子公司也能包括在内。第三，普查数据排除了美国公司在国外的研发和销售活动，这些活动主要用于大型制造业；相比之下，Compustat报告了全球合并帐户，因此海外销售和研发将包括在总计中。第四，普查还收集有关从事研发的科学家和工程师人数的数据，提供科研投入的指标。最后，普查委员会根据管理数据(例如IRS纳税申报表和社会保障档案)确保数据准确性。我们的样本包括所有报告了工业品销售额的公司(1982年、1992年、2002年和2012年的经济普查)，以及至少在BRDIS（或2008年之前的SIRD）调查的研发支出中每十年至少有一次非零记录的公司。数据涵盖1,300家公司的2,700多个观测值。普查数据中的结果和Compustat的结果类似。在1992年至2012年之间，科研投入平均每年提高1.6％，然而科研效率平均每年下降7.8％。部分原因是我们的早期数据包括了“新经济”，而后期数据则包括了经济大衰退的影响——这是普查样本的局限性。许多内生增长模型的关键假数是恒定不变的科研效率。而在我们研究的各个领域内，科研效率都在急剧下降。以美国的宏观总体为例，科研效率每隔13年就会下降一半。因此，我们认为创新确实变得越来越困难。该分析对经济学家常用的增长模型很有警示意义。标准的增长模型一般都假设了恒定的科研效率，一部分原因是方便，另一部分是因为早期的文献在这一问题上尚无定论。我们相信我们提供的实证结果清楚地驳斥了这一假设。数据表明，科研效率正在急剧下降。如何解释这一现象是接下来的研究主题。一种解读是：我们必须投入的越来越多，来保持稳定的指数增长；而如果科研投入的增速放缓，就意味着经济增速的放缓。这或许是过去15年来全球生产率增长放缓的一个原因。其他的解读包括：Akcigit and Kerr（2018）提出的“跟进式”创新可能比“开创式”创新规模和影响都要小，而且科研效率随着公司变大而下降；因此，现有企业可能会转向“防御性”研发以保护其市场地位，这可能导致科研效率的下降（Dinopoulos和Syropoulos（2007年）给出了一个这样的模型）；又或许科研效率的下降与美国减少公共研究占GDP比重有关。显然，这将对政策决定产生重要影响。
附上一则关于任正非最新关于教育、创新的评述，以此共勉。
关于相关计量方法视频课程，文章，数据和代码，参看 1.面板数据方法免费课程, 文章, 数据和代码全在这里, 优秀学人好好收藏学习！2.双重差分DID方法免费课程, 文章, 数据和代码全在这里, 优秀学人必须收藏学习！3.工具变量IV估计免费课程, 文章, 数据和代码全在这里, 不学习可不要后悔！4.各种匹配方法免费课程, 文章, 数据和代码全在这里, 掌握匹配方法不是梦！5.断点回归RD和合成控制法SCM免费课程, 文章, 数据和代码全在这里, 有必要认真研究学习！6.空间计量免费课程, 文章, 数据和代码全在这里, 空间相关学者注意查收！7.Stata, R和Python视频课程, 文章, 数据和代码全在这里, 真的受用无穷！
下面这些短链接文章属于合集，可以收藏起来阅读，不然以后都找不到了。