高新技術產業創新效率及影響因素研究——基于安徽省與東部11省市的比較分析

許廣永，郝紅美

(安徽財經大學 工商管理學院，安徽 蚌埠 233000)

1 問題提出

技術和知識密集型產業對推動經濟長遠發展、產業結構升級和社會和諧穩定有著深遠的影響，在“十三五”時期，必須樹立落實“創新、協調、綠色、開放、共享”的發展理念。安徽省積極貫徹落實科技創新精神，推動創新驅動發展戰略，著力實施五大發展行動計劃，高新技術產業發展保持著穩健發展態勢，為安徽省的供給側結構性改革發揮重要的作用。在“十二五”規劃期間安徽省高新技術產業取到了顯著的突破，據安徽省最新統計年報，2017年，安徽省規模以上高新技術產業產值比2016年增長20.4%，增加值增長14.8%，高新技術產業增加值占全省規上工業增加值的比重為40.2%，比2016年提高0.4個百分點。全省規模以上高新技術產業對全省規模以上工業增加值增長的貢獻率為63.5%。可見，高新技術產業的發展在全省經濟發展中有著至關重要的地位。從縱向發展來看，安徽省高新技術產業取得了一定的成績，但是，和其他部分省市橫向比較，仍然較落后。楊清可[1]等，方大春[2]等在對省際高新技術產業創新效率的研究中發現，從橫向上對比北京、上海、江蘇、廣州等發達地區，安徽省高新技術產業的創新效率仍然處于落后態勢。為此，比較安徽省與東部11個省市的高新技術產業，力圖揭示安徽省在高新技術產業發展中創新效率存在的問題，從而提出有針對性的意見建議，改善安徽省高新技術產業的創新效率，從而推動安徽省經濟的發展和產業結構的升級。

關于高新技術產業創新效率的研究，從區域方面開展的，如陳紅梅[3]等采用綜合評價模型對30個省域的技術創新效率進行對比，發現各省區技術創新的總體效率水平都比較低，而且普遍存在創新投入不足的弊端。黃毅[4]從創新環境的視角對我國30個省市的技術創新效率進行了分析。趙文平[5]等運用超效率DEA方法測算絲綢之路經濟帶9省市區域創新效率,并對區域創新效率進行動態對比，研究表明不同的環境下創新效率的差異性較大。李牧南[6]等對廣東省19個地市專業鎮的創新效率開展了針對性研究；從行業層面分析各個行業創新效率的差異性，如龔光明[7]等基于動態網絡DEA模型，選取2001～2012年的相關數據，分別對高新技術產業的五大行業創新效率進行了測算和分析，研究發現我國高新技術產業創新效率在逐步增長，同時發現我國在專利利用上沒有得到有效的發揮，科技成果未能有效加以轉化；從企業層面評價創新效率，如Lu[8]等對臺灣地區194個高新技術企業進行研究，運用DEA方法中的BCC模型對企業的研發效率和績效水平做出分析與評價。肖仁橋[9]等采用共同前沿理論和DEA模型分析2005～2010年我國不同性質企業技術創新效率差異、損失來源以及影響機制。

在對高新技術產業的創新效率的研究方法和指標選取上，國內外學者常用非參數方法和參數方法，DEA模型和SFA回歸分析。如Wang[10]選取R&D投入、專利申請數、新產品銷售額等指標，并運用SFA方法對30個國家的創新效率展開了分析，發現各國收入水平和國家創新效率水平呈現正相關關系；余泳澤[11]從價值鏈的視角,分為技術開發和技術成果轉化兩個階段,并利用松弛變量的DEA模型分別對各階段效率及其影響因素開展了研究；Hu[12]等對24個國家1998～2005年相關數據進行整理，運用SFA的參數方法對R&D效率展開分析，研究表明政府參與、業務部門技術合作、研發設備集聚等都提高了研發效率；劉偉[13-14]運用DEA和SFA兩種方法相結合測算了中國15個高新技術產業細分行業研發創新效率，研究顯示在剔除環境變量和隨機干擾后，規模效率被高估，而純技術效率則被低估；龔光明[15]基于動態網絡DEA方法,計算了中國高新技術產業創新效率；王惠[16]等采用Super-SBM模型測度環境約束下中國高技術產業綠色創新效率。

上述文獻從區域、行業、企業層面對高新技術產業創新效率進行了研究，不同學者在研究方法和指標選取上也不盡相同，但在環境因素影響和不同指標的關聯性，以及區域之間的比較研究等方面仍然需要進一步探索和挖掘。文中將安徽省高新技術產業與東部11個省市進行了對比研究，在研究方法上，利用因子分析和DEA三階段相結合，既保留了原有指標的特性，也剔除了環境因素和隨機干擾因素，在數據處理上考慮到了無量綱化和滯后期等因素，使準確性更高。另外，從省際角度、行業角度對安徽省的高新技術產業進行了比較分析。

2 研究設計

2.1 模型構建方法與步驟

利用DEA三階段模型進行效率的測算，模型的步驟具體如下。

第一階段Fried[17]等采用的是規模報酬可變的BCC模型，假設有n個決策單位DMU(DMU1，DMU2，…，DMUn)，每個決策單元都有m種類型的投入量和s種類型的產出量，對于任一個決策單元DMU，鑒于BBC模型較為成熟這里不再多做介紹。

第二階段通過構建SFA模型對可能造成投入松弛的因素進行分離，通過剔除環境和隨機誤差的影響得到僅由管理無效率造成的投入冗余情況。回歸方程如下：

Sni=fn(zi;βn)+vni+uni,i=1,2,…,I,

(1)

根據羅登躍[18]給出的測算管理無效的公式：

(2)

由式(2)計算得出uni，此時可以根據式(3)推出vni，即

vni=Sni-fn(zi;βn)-uni,

(3)

最后借助Battese和Coelli編寫的Froniter 4.1軟件，投入的調整公式為：

(4)

第三階段為調整后的DEA模型，經過第二階段SFA回歸，計算得出剔除環境變量和隨機誤差后的投入變量，將調整后的投入變量和原產出變量再重新進行第一階段的BCC模型分析，此時得出的效率值排除了環境因素和隨機誤差的影響。

2.2 樣本的選取與數據的來源

鑒于數據的適用性和可獲得性，選取了安徽省及北京、天津、河北、遼寧、上海、江蘇、浙江、福建、山東、廣東、海南等東部11個省市高新技術產業的相關指標數據，時間跨度范圍為5年，借鑒大多數學者對滯后期的處理(劉偉[14]；傅為忠[19]等)，采用滯后期為1年，即投入指標的數據為2011～2015年，產出指標的數據為2012～2016年，對部分缺失的數據采用指數平滑法進行預測，所用的主要數據來自相應年份的《中國高技術產業統計年鑒》。

2.3 指標體系的構建和環境變量的選擇

(1)投入產出指標選取。借鑒經濟學家熊彼特對創新的闡釋，認為創新真正意義上體現在研發活動的一系列過程，在投入要素的選擇上資本和勞動力是最重要的投入指標，研究與發展經費投入和研發勞動投入對創新效率有直接影響。趙琳[20]等、李向東[21]等、劉滿鳳[22]等將R&D人員和科技活動人員作為投入指標，因此，將R&D人員折合全時當量以及從事研發的研究人員作為勞動力投入。對于資本投入方面，陳程[23]等學者選用用于基礎研究、應用研究和試驗發展等相關項目R&D內部經費支出作為資本投入，而新產品開發經費支出、引進技術經費支出、消化吸收經費支出、購買國內技術經費支出和技術改造經費的支出對新產品的產出有直接影響。由于引進技術經費、消化吸收經費和購買國內技術經費支出的大量缺失性，故不做考慮，僅用技術改造經費支出也具有代表性，因此，將新產品開發經費支出和技術改造經費支出作為投入指標。部分學者把新增固定資產作為新產品開發前期的資本投入，鑒于本文通過運用因子分析方法來提取主成分，也將新增固定資產作為投入指標。

對于創新活動產出，從兩個方面來衡量，一是科技產出，這里主要指科技論文數、專利數量；另一個是科技成果向商業化的轉化，主要指新產品的開發數目、新產品的產值和收入情況。國際上對于創新活動中科技產出通用專利作為衡量指標，高新技術產業創新過程中專利是其產出的重要依據。錢麗[24]等、龔光明[15]等在研究高新技術產業效率時，選用專利申請數、擁有發明專利數作為產出指標。因此，用專利申請數和擁有發明專利數作為創新活動的科技類產出指標。對于科技成果商業化產出，選用新產品銷售收入和新產品出口額作為產出指標，而新產品開發項目數也是創新活動中直接產出，因此，也將其作為產出指標加以考慮，具體的投入產出指標體系構建如表1所示。

表1 高新技術產業創新投入產出指標體系構建

(2)環境變量選擇與說明。地區勞動者素質(QUA)。地區勞動者素質在高新技術產業創新研發中有著重要作用，主要體現在可以為高新技術產業提供高技術型人才和創新要素支持，能夠提高地區創新研發效率水平。因此，選擇高新技術產業R&D人員占從業人員比重來表示地區勞動者素質。

企業規模(SIZE)。規模反映行業的市場規模狀態，相對于大型企業來說，規模大，有足夠的人力和資金支持，在進行技術創新時，創新成本較低，創新利潤較高；就小型企業來說，靈活性更強，能夠迅速地進行更新，創新效率較高。因此，采用高新技術產業的主營業務收入與企業數的比重來表示企業規模。

政府支持(GOV)。政府高新技術產業研發創新過程中的支持體現在相關政策上，如制度支持、稅收優惠、研發資金資助等。政府對高技術產業的投入主要在技術經費補助方面，政府的資金支持能夠增加R&D投入，因此影響高新技術產業創新效率。考慮數據可得性，選擇R&D經費內部支出中政府資金占比來表示政府支持。

外資影響(FDI)。外資可以通過以下方式對高新技術產業創新效率產生影響。一是可以通過研發資金投入、創新人才交流、先進技術設備引進對技術效率產生正向的外溢效應；二是會對內資企業展開資源的爭奪，成為競爭對立面，對高新技術產業產生負向影響。因此，選擇三資企業的新產品銷售收入占比來表示外資的影響。

地區經濟發展水平(GDP)。一般來說，地區經濟發展水平對高新技術產業創新投入有重大影響，地區經濟發展水平越高，相應的地區的高技術人才資源越多，資金儲備越充沛，能夠為高新技術產業的研發創新提供人力、物力、資金的支持力度就大。因此，采用各地區的人均GDP來表示地區的經濟發展水平。

3 指標數據處理

3.1 對投入指標的處理

在數據處理上，先利用因子分析對原始數據進行標準化，之后對標準化的數據進行提取公因子，把幾個相似的指標綜合成一個公共因子，最后利用回歸法等計算出成分得分系數矩陣，從而對每一因子函數中的變量系數加以確定。運用SPSS 19.0軟件根據相關矩陣對數據進行相關性檢驗，首先對數據進行無量綱化處理，以消除不同量綱差別的影響，SPSS 19.0軟件在進行因子分析時已經將數據進行了標準化處理，下面以2016年安徽省及東部11個省市的投入產出指標為例對數據進行處理。

(1)相關性檢驗。基于因子分析和DEA模型相結合，選取了6個創新投入指標和5個創新產出指標，首先對6項創新投入指標R&D人員折合全時當量X1、從事研發的研究人員X2、R&D內部經費支出X3、新產品開發經費支出X4、技術改造經費支出X5、新增固定資產額X6進行相關性檢驗，考察指標的選取是否適合做因子分析，具體輸出如表2所示。從表2的相關系數矩陣中可以看出，6項創新投入指標之間的相關系數整體上比較高，因此分析時相關系數大于0.3，表示適合做因子分析，小于0.3則不適合做因子分析。表中所有變量的相關系數都高于0.3，表明該6項投入指標適合做因子分析。

表2 相關系數矩陣

KMO和Bartlett的檢驗如表3所示，再一次對變量進行相關性檢驗，通過KMO檢驗和Bartlett檢驗進行，KMO的取值在0.5～1.0之間時，表示適合做因子分析，越接近1，因子分析效果越好，表中的KMO的取值為0.783，表示適合做因子分析；另外，Bartlett檢驗中，相應的顯著性概率(sig)為0.000，也表示該數據適合用因子分析方法。

表3 KMO和Bartlett的檢驗

(2)公因子的提取和命名。通過SPSS 19.0軟件對6項投入指標數據進行提取公因子，在因子分析中累計方差貢獻率大于85%時的特征值個數即為公因子數，具體如表4所示。從表4中可以看出，累計方差貢獻率為98.215%，大于85%，因此這里的創新投入指標提取了2個主因子，記為F1、F2。

表4 解釋的總方差分析表

旋轉成份矩陣如表5所示。由表5可知，主因子F1所代表的是研究人員X2、R&D內部經費支出X3、新產品開發經費支出X4、R&D人員折合全時當量X1，在這里把F1命名為創新研發投入因子；主因子F2所代表的是技術改造經費支出X5、新增固定資產額X6，這里命名為創新基礎投入因子。

表5旋轉成份矩陣

成份12研究人員X20.9840.151R&D內部經費支出X30.9730.228新產品開發經費支出X40.9670.238成份12R&D人員折合全時當量X10.9400.324技術改造經費支出X50.1910.963新增固定資產額X60.2600.944

(3)計算因子綜合得分。成份得分系數矩陣如表6所示。表示的是原始指標對公因子指標的貢獻率，因此可以計算出公因子F1、F2的得分值，即為提取后的投入指標。

F1=0.246*ZX1+0.298*ZX2+0.278*ZX3+0.274*ZX4-0.146*ZX5-0.119*ZX6

F2=-0.02*ZX1-0.120*ZX2-0.070*ZX3-0.062*ZX4+0.563*ZX5+0.536*ZX6

ZX表示原始指標數據已經進行標準化后的數值。

表6成份得分系數矩陣

成份12R&D人員折合全時當量X10.246-0.002研究人員X20.2980.120R&D內部經費支出X30.2780.070成份12新產品開發經費支出X40.274-0.062技術改造經費支出X5-0.1460.563新增固定資產額X6-0.1190.536

3.2 對產出指標的處理

對產出指標的處理方法相同，首先進行相關性檢驗，其次提取公因子，并命名，最后計算公因子得分，以2016年為例，具體如表7～表10所示。由表7、表8、表9、表10可知，安徽省高新技術產業創新產出的指標提取了一個公因子F3，這里命名為創新產出因子，因子的得分計算如下所示：

F3=0.211*ZY1+0.206*ZY2+0.98*ZY3+0.210*ZY4+0.204*ZY5,

以上是對2016年安徽省及東部11個省市原始的投入產出數據進行因子分析結果，這里的投入已經采用了滯后一期，即2015年的原始投入數據，提取了2個投入公因子和一個產出公因子，同理對2012年、2013年、2014年、2015年的原始創新投入進行提取公因子，分別計算公因子的得分值。

由于DEA在評價指標數據時不能為負值，在計算已經標準化的得分值中會存在負值，此時可以通過無量綱化方法對數據進行處理，具體的公式如下：

通過公式可以將SPSS 19.0運算得出的各因子得分進行歸一化處理，上述處理只是對變量的值進行數學方式的處理，并不影響實際的DEA評價結果。

表7 KMO和Bartlett的檢驗

表8 解釋的總方差矩陣

表9成份矩陣

成份1新產品銷售收入Y10.995專利申請數Y40.993新產品的出口額Y20.972成份1擁有發明專利數Y50.963新產品開發項目數Y30.936

表10成份得分系數矩陣

成份1新產品銷售收入Y11新產品的出口額Y26新產品開發項目數Y38成份1專利申請數Y40.210擁有發明專利數Y50.204

4 結果分析

研究采用DEA模型中投入導向規模報酬可變(VRS)下的松弛變量對高新技術產業相關的創新投入和產出數據進行效率測算，第一階段和第三階段均使用DEAP 2.1分析軟件，第二階段使用Frontier 4.1軟件對投入的松弛變量和環境變量進行測算，從而經過剔除環境變量和隨機干擾的影響得出調整后的投入指標，進一步經過第三階段測算出高新技術產業的創新效率。

4.1 無環境變量比較分析

利用DEAP 2.1分析軟件對高新技術產業相關的創新投入和創新產出數據進行效率的測算，第一階段和第三階段均使用DEAP 2.1分析軟件，第二階段使用Frontier 4.1軟件對投入的松弛變量和環境變量進行評價，從而經過剔除環境變量和隨機干擾的影響測算出高新技術產業的創新效率。具體第一階段調整前的創新效率和第三階段調整后的創新效率如表11所示。由表11可以看出，運用DEA模型在第一階段和第三階段測算的效率值發生了明顯的變化，總體來看，技術效率值有所下降，但是河北、遼寧、海南等省調整后的技術效率值反而提高了。從五年的技術效率均值來看，調整前，河北、遼寧、山東、海南的效率值分別為0.571、0.575、0.738、0.544，剔除環境因素和隨機干擾的影響，技術效率值分別為0.651、0.613、0.807、0.651，這表明原先處于不利環境狀態下導致技術效率被拉低，當處于相同的環境下技術效率的真實值有所提高，而一些環境較好的省市由于環境因素和隨機干擾的影響虛高了技術效率值，安徽省調整前的技術效率為0.791，調整后下降為0.703，這表明安徽省與河北、遼寧、山東、海南等相比高新技術產業的創新環境反而有優勢。為了證明第三階段對高新技術產業創新效率的測算值比第一階段測算的更加準確和真實，此時運用Spearman等級相關系數進行檢驗。選用安徽省與東部11個省市擁有的專利產出與第一階段和第三階段測算的創新效率值進行檢驗，Spearman等級相關系數如表12所示。由表12可以看出，調整后比調整前的技術效率、純技術效率、規模效率與擁有專利的產出Spearman相關系數有顯著的提高，這表明第三階段對高新技術產業創新效率的測算更加準確，更能反映實際的創新效率情況，因此采用調整后的創新效率進行分析。

從表12調整后的創新效率值來看，江蘇省和廣東省2012～2016年都處在相對技術有效前沿面上，其他省市處于非技術有效前沿面上，表明創新要素并未充分得到利用，安徽省高新技術產業2012～2016年的創新效率均值為0.703，低于北京、天津、上海、江蘇、浙江、福建、廣東，高于河北、遼寧、海南等地。為了便于安徽省與東部11個省市高新技術產業創新效率的比較，安徽省與東部11個省市的技術效率、純技術效率、規模效率調整后的均值情況如表13所示。從表13中可以看出，安徽省的整體創新效率相比較東部11個省市來說較低，但總體上，從2012年到2016年安徽省的技術創新效率在逐步增長，部分年份出現下滑，但下滑幅度較小，表明安徽省高新技術產業的創新效率在穩步的提升，資源的利用逐步合理化；從純技術效率來看，安徽省與東部11個省市的差距不大，相差0.019，幾乎是接近，這說明2012～2016年間安徽省在高新技術產業領域的管理水平和技術水平正在加強；從規模效率來看，安徽省的規模效率遠低于東部11個省市，表明規模效率拉低了安徽省的整體創新效率，安徽省依然需要通過擴大要素投入規模來提高高新技術產業的創新效率。

表11 2012～2016年安徽省高新技術產業創新效率

表12 Spearman等級相關系數

注：***,**分別表示1%和5%的顯著水平上顯著。

表13 安徽省與東部11省市高新技術產業效率值

4.2 有環境變量比較分析

第二階段是利用Frontier 4.1進行SFA回歸分析，考察環境變量的影響情況，下面給出了2016年的SFA回歸結果，具體如表14所示。

表14 基于SFA的第二階段估計結果

注：***，**和*分別表示1%，5%，10%的顯著水平，模型1、模型2分別表示創新研發投入因子和創新基礎投入因子，括號內為標準差。

根據SFA回歸分析結果可以看出環境變量和松弛變量之間的關系，具體表現為兩種關系：一是當環境變量對松弛變量的系數顯示負值時，說明環境變量的增加對減少被解釋變量的投入冗余是有利的，從而提高其資源的利用效率；二是當環境變量對松弛變量的系數顯示為正值時，說明環境變量的提高反而加重了被解釋變量的投入冗余。

(1)地區勞動者素質(QUA)。由計算結果可知，地區勞動者素質與創新研發投入因子的松弛變量為負值，且顯著，創新研發投入因子表示的是研究人員、R&D內部經費支出、新產品開發經費支出、R&D人員折合全時當量，說明地區勞動者素質的提高有利于創新研發投入資源的利用。

(2)企業規模(SIZE)。企業規模對創新研發投入因子的松弛變量為正值，且顯著，與創新基礎投入因子為負，但不顯著，表明企業平均規模提高反而導致了資源的冗余，企業規模小反而有利于資源要素的充分使用，但企業平均規模并不能說明大企業創新資源利用效率低下。

(3)政府支持(GOV)。政府的支持與創新研發的投入因子為負，與創新基礎投入因子為正，且都顯著。這與以往研究者對政府投入導致資源利用冗余結論有差異，這表明政府的資金在研發投入上逐步得到了合理的利用，但在基礎投入上仍然存在資源浪費嚴重現狀。

(4)外資影響(FDI)。對于外資的影響是促進還是溢出眾說紛紜，對安徽省高新技術產業的創新效率研究來看，外資對創新的投入都為負值，且顯著，表明外資能夠促進投入要素的有效利用。

(5)地區經濟水平(GDP)。從顯示的結果來看，地區發展水平與兩個投入松弛變量回歸系數為正值，人均GDP的提高反而導致了資源的冗余，這主要反映在發達地區資源消耗大，沒有得到充分的利用。

5 結論與建議

5.1 結論

通過對安徽省與東部11個省市的高新技術產業創新效率比較分析可以得出以下結論：

安徽省綜合創新效率偏低，純技術效率逐年增長，同時規模效率不高拉低了綜合創新效率。從綜合創新效率均值來看，2012～2016年安徽省與東部11個省市有一定差距，要遠低于北京、天津、上海、江蘇、浙江、福建、山東、廣東等地，但高于河北、遼寧、海南等地；從純技術效率來看，安徽省高新技術產業的純技術效率值較高，且與東部11個省市的純技術效率差距不大，但不是逐年穩定增長，有些年份存在下降，說明安徽省高新技術產業的創新效率在穩步提升，資源利用逐步合理化，但是仍需要加強技術管理水平；從規模效率來看，安徽省整體上規模效率要普遍低于純技術效率，規模效率的下降拉低了綜合技術效率水平，依然需要通過擴大要素投入規模來提高高新技術產業的創新效率。

安徽省高新技術產業創新過程中創新要素未得到充分利用。江蘇、廣東地區高新技術產業的創新效率處在技術的有效前沿面上，其技術管理水平較先進，資源的利用率相對更加合理，安徽相比較而言，處于落后地位。

外資和勞動者素質對于安徽省高新技術產業創新效率提升有顯著作用，而政府支持和地方經濟水平，可能由于存在投入冗余，作用不明顯。從SFA回歸分析中可以得出，地區勞動者素質和外資影響對安徽省高新技術產業都有促進作用，相反政府支持和地方經濟水平發達程度并未有顯著的促進作用，在不合理利用情況下反而導致了資源的浪費。

5.2 建議

擴大安徽省高新技術產業規模，提高規模效率。規模效率低下是制約安徽省高新技術產業發展的一大障礙，因此要鼓勵企業進行跨產業、跨地區的重組兼并，促進安徽省高新技術產業企業集聚，實現技術、資本、人力的有效整合，提高規模效益。

加強高新技術產業的國際合作。對于安徽省來說，要積極吸引國外的資金技術來支持高新技術產業的發展，引導外資的投向，比如投向風險大收益更大的航空、航天器及設備制造業，積極主動的學習國外先進的知識和技術水平，提高本省技術研發能力和人力資源的開發水平。

完善政府對高新技術產業的政策體系。合理配置資源，對政府資金的去向要嚴格把控，有效發揮政府職能，針對安徽省高新技術產業地區和行業的差異性，要具體分析制度環境、資源稟賦和競爭力等要素，對高新技術產業發展較為緩慢的地區要給予相應的政策傾斜，縮小差距，發揮協同創新能力。

學習借鑒發達地區的資源利用模式，提高安徽省的資源利用率。為了改善資源利用情況，可以結合安徽省的實際情況并借鑒學習江蘇、廣東地區的高新技術產業發展模式和資源利用模式，既要增加資源投入，又要減少資源的過度消耗，充分發揮創新投入資源的利用效率。