高技術產業與科技服務業協同集聚對高技術產業創新效率的影響*

高 智

（深圳職業技術學院 馬克思主義學院，廣東 深圳 518055）

1 引言與文獻綜述

高技術產業是資本和技術密集型的產業，與傳統產業相比有著更高的研發經費與研發人員投入，具有高投入、高創新、高風險、高附加值和高溢出的特征[1]，是一個國家或地區綜合競爭力的重要體現。近年來，我國的高技術產業獲得了較快的發展，日益成為促進經濟發展和產業結構升級的重要驅動力。而高技術產業作為我國創新驅動發展戰略的重要載體，其發展進程從政府引導、擴大規模向注重發展質量、提高創新效率轉變，不僅有益于高技術產業自身競爭力的提升，也對我國經濟的長期可持續發展有著十分重要的意義。

高技術產業與科技服務業協同集聚，是高技術產業創新效率的重要影響因素。Ellison和Glacser等最早提出了協同集聚的概念，并對其微觀機制做了深入探討，指出技術、知識密集型企業會傾向于向某一地區集中，以獲得技術外溢，提高企業生產率水平[2-4]。科技服務業作為高技術產業與傳統服務業融合的新興產業，天然的與高技術產業間存在深刻的產業關聯與協同關系。這兩大產業系統之間相互滲透，相互作用，促進了各自產業的升級進步和兩大產業鏈之間的新銜接，并且進一步加深了相互間滲透和協同發展[5]。在影響效應方面，朱月友等研究發現，高技術服務業對高技術產業主營業務收入和專利都具有比較明顯的促進作用，高技術服務業有利于高技術產業競爭力水平的提高[6]。李曉龍等實證考察了科技服務業集聚與高技術產業創新效率的關系，認為科技服務業空間集聚顯著提升了中國高技術企業創新效率[7]。孟衛軍等基于中國 2009-2017年數據，實證研究發現科技服務業與高技術制造業協同集聚的創新效率促進效應顯著[8]。

可見，已有文獻對于高技術產業與科技服務業之協同集聚及其對高技術產業創新效率的影響做了許多研究，但大都停留在定性分析層面，而定量分析更多是關注一個產業對另一個產業的影響，考察兩大產業的協同集聚與高技術產業創新效率關系的文獻相對較少。基于此，本文采用 2008-2020年的省級面板數據，構建相應的產業協同集聚指數，運用SFA隨機前沿方法測算高技術產業創新效率并分析兩大產業協同集聚對高技術產業創新效率的影響，并提出針對性的政策建議，以更好的促進我國高技術產業長期可持續發展。

2 變量選取與模型設定

2.1 變量選取

2.1.1 投入變量與產出變量

測算創新效率需要設置相應階段的投入產出變量。本文采用專利申請數作為技術研發階段的產出變量，以新產品銷售收入作為成果轉化階段的產出變量，分別記作Pat、Npr。在技術研發階段采用R&D內部經費支出和R&D人員全時當量作為投入變量，分別記作Rdk、Rdl；在成果轉化階段，以新產品開發投入和專利申請量作為成果轉化階段的直接投入變量，分別記作Npi、Pat。

2.1.2 創新效率的影響因素

（1）高技術產業與科技服務業協同集聚指數。目前，常用的衡量產業協同集聚的指標主要有Ellison、Glacser等[2-4]構建的 E-G指數和產業協同集聚相對指數。E-G指數經Devereux等[9]的簡化得到廣泛運用，該指數可以較好的反映不同產業的協同集聚程度，但對數據的要求較高，且只能反映全國的整體性協同集聚水平。為此，陳國亮和陳建軍[10]、楊仁發[11]等提出了產業協同集聚相對指數用以衡量單一區域的產業協同集聚水平，根據他們的思想，本文構建的高技術產業和科技服務業協同集聚指數具體計算公式如下：

其中，Cai代表i區域高技術產業和科技服務業的協同集聚指數，數值越高，代表協同集聚程度越高。Sij代表i區域高技術產業的集聚度，Sik代表i區域科技服務業的集聚度。

產業集聚度S采用區位商指標，計算公式如下：

其中，Sij為i區域j產業的區位商，eij為i區域j產業的就業人數，alli為i區域的總就業人數，etj為全國j產業的就業人數，allt為全國的總就業人數。

（2）控制變量。除高技術產業與科技服務業的協同集聚指數外，本文在綜合考察已有研究的基礎上，選擇如下影響高技術產業創新效率的因素作為控制變量：①企業規模，采用高技術產業的主營業務收入與企業數的比值衡量，記作Scale。②政府支持力度，采用高技術產業 R&D經費內部支出中政府資金所占比重衡量，記作Gov。③產權性質，采用高技術產業就業人數中國有企業就業人數的比重衡量，記作Own。

2.2 模型設定

常用的測算效率的方法有數據包絡分析方法（DEA）和隨機前沿分析方法（SFA）。DEA 方法假設不存在隨機誤差的影響，將實際產出與生產前沿面的偏離全部歸結為技術無效率，而SFA方法則是將偏離分解為隨機誤差項和技術無效率項，從而有利于提高模型的適用性[12]，因此本文采用隨機前沿模型研究。目前學術界采用SFA方法測算效率，常用的生產函數主要有柯布—道格拉斯（C-D）生產函數，和超越對數生產函數兩種形式。由于超越對數生產函數克服了C-D生產函數替代彈性固定為1缺點，在形式上更具靈活性，能夠避免函數形式誤設導致的估計偏差[13-14]，因此本文構建了考慮技術進步的超越對數生產函數實證模型。具體的隨機前沿生產函數和技術無效率函數如下：

技術研發階段生產函數：

成果轉化階段生產函數：

技術無效率項函數：

此外，R&D活動的投入和產出之間往往存在一定的時滯，本文借鑒朱有為等[15]的思想，選擇 1年作為高技術產業創新活動投入和產出的滯后期。

2.3 數據來源與處理

本文選取中國30個省市（香港、澳門、臺灣以及西藏統計數據缺失嚴重，故舍去）2008-2020年的高技術產業及相關數據作為研究基礎（2008年數據為滯后變量，實際研究跨度為 2009年-2020年共12年）。數據來源為2009-2021年的《中國高技術產業統計年鑒》、《中國第三產業統計年鑒》、《中國科技統計年鑒》、《中國統計年鑒》及相應年份的各省市統計年鑒。缺失數據采用線性插值法補齊。

3 實證分析

3.1 模型的檢驗

使用Frontier4.1軟件對中國高技術產業創新效率及其影響因素進行隨機前沿分析。在分析之前需要對以下問題進行檢驗：①SFA方法是否適用；②超越對數生產函數是否適用；③是否存在前沿技術進步；④是否為中性技術進步。采用如下LR似然比統計量對模型進行檢驗：

式（6）中L(H0)和L(H1)分別是零假設H0（有約束模型）和備擇假設H1（無約束模型）下的對數似然函數值，檢驗統計量（LR）服從自由度為約束變量個數的混合x2分布。檢驗結果見表1。

表1 隨機前沿模型假設檢驗結果

根據表1結果得知，超越對數SFA方法適用本研究，但技術研發階段的超越對數生產函數中不存在前沿技術進步的假設無法在5%的水平上被拒絕。因此，本文最終確定的技術研發階段的隨機前沿生產函數實證模型由式（3）退化為如下形式：

成果轉化階段的隨機前沿生產函數實證模型不變，依然采用式（4）的形式。

3.2 模型估計和結果分析

最終估計結果如表2、表3、圖1、圖2所示。表2為高技術產業技術研發和成果轉化階段的待估參數值估計結果；表3為高技術產業技術研發和成果轉化的效率值；圖1圖2分別為高技術產業技術研發和成果轉化效率值的時間趨勢圖。

表2 隨機前沿模型估計結果

表3 全國及各區域高技術產業2009-2020年技術研發及成果轉化效率值

圖1 技術研發效率時間趨勢

圖2 成果轉化效率時間趨勢

通過表2可知，兩個模型的γ值都大于0.5，且在 1%水平上顯著，這表明技術非效率因素是高技術產業創新產出未達到前沿面產出水平的重要原因，也進一步說明了隨機前沿方法的適用性。下面將進行具體分析。

3.2.1 效率分析

結合表3和圖1圖2對我國高技術產業創新效率進行分析。從全國層面來看，我國高技術產業技術研發效率在2009年至2020年間呈現波動上升趨勢，從2009年的0.776上升到2020年的0.823；成果轉化效率在2009年至2017年間呈現波動上升趨勢，從2009年的0.588上升到2017年峰值的0.748，隨后在2018年至2019年間出現小幅回落，2020年又有所回升。總體看來，我國高技術產業雖依然存在技術研發效率高于成果轉化效率的“高投入、低效益”的矛盾，但隨著成果轉化效率近年來的不斷提高，這種矛盾已經出現了很大的緩和。

從區域層面來看，東部地區高技術產業技術研發效率2009-2020年間的最高點為2011年的0.842，之后至 2016年間出了下降趨勢，隨后保持平穩，至2020年有所回升；成果轉化效率從2009年的0.705波動上升至2018年峰值的0.785，隨后出現一定程度下降。

東部地區高技術產業無論技術研發效率還是成果轉化效率皆表現出“高位運行”的特點，12年間平均值為三大區域最高，但與其他地區相比增幅相對較小，甚至出現一定下降趨勢，似乎達到效率進一步改進的瓶頸。中部地區高技術產業技術研發效率從2009年的0.809波動上升至2013年的0.813，首次實現對東部地區的超越，隨后至2018年出現明顯下降趨勢，但2019年后迅速回升，至2020年達到12年間最高點的0.847，連續兩年超越東部地區，位居三大區域之首；成果轉化效率12年間呈現顯著的上升趨勢，從2009年的0.567上升至峰值2019年的0.771，隨后2020年出現一定下降，期間2015年和2020年與東部地區持平，2016年和2019年則超過東部地區。西部地區高技術產業技術研發效率2009年至2020年間呈現顯著上升趨勢，從2009年的0.688上升至2020年的0.811，與東部和中部地區差距已不明顯，其中在2017年和2018年甚至超過中部地區；成果轉化效率在從2009年的0.486波動上升至2017年的0.734，與中部地區基本持平，但之后兩年出現較大幅度下降，2020年有所回升。總體而言，各區域的高技術產業從十二年間的平均值來看無論是技術研發效率還是成果轉化效率依然呈現出東部大于中部大于西部的特征，但這種差距正在逐漸縮小。東部地區經濟實力雄厚，集聚大量高技術產業和創新資源，因而高技術產業創新效率一開始遙遙領先，但隨著資源日益集聚，擁擠效應也日益顯現，自然會出現效率進一步提升的瓶頸。而中西部地區高技術產業發展相對較晚，但這也意味著有更大的提升空間，而隨著近年來經濟的不斷發展和科技水平的進步，高技術產業的創新效率日益提升，與東部地區的差距逐漸縮小。

3.2.2 模型參數分析

（1）生產方程參數分析。由表2可知，高技術產業技術研發和成果轉化階段的生產方程中大部分變量的系數都較為顯著。由于本文采用超越對數生產函數，生產方程中某個投入要素的產出彈性需通過對生產函數求關于該投入要素的偏導數而得出。經計算，技術研發階段的資本投入變量lnRdk的產出彈性為0.636，人員投入變量lnRdl的產出彈性為0.299，資本投入的產出彈性大于人員投入產出彈性，這與高技術產業的特點以及我國的國情有關。第一，高技術產業的發展往往需要大量的資金和人員投入，但一方面技術產出需要一個過程，具有高風險的特征，另一方面我國是一個人力資源大國，因此相較于技術人員，用于技術研發的資金稀缺性相對更大，產出彈性也相對更高。第二，我國雖然是一個人力資源大國，但高端技術人才依然較為缺乏，高技術產業技術研發人員的整體素質與發達國家相比還存在一定差距，因此人員投入的產出彈性相對較低。在成果轉化階段，資本投入變量lnNpi的產出彈性為 0.391，專利投入變量 lnPat的產出彈性為0.590，專利投入的產出彈性大于資本投入的產出彈性，這符合高技術產業的特點。高技術產業與一般制造業相比科技含量更高，其市場價值的實現對技術的依賴性更大，而成果轉化階段的專利投入變量正是技術研發階段的產出變量，這也表明創新能力與創新水平是高技術產業的核心競爭力所在。

（2）技術無效率項影響因素分析。由表2的效率方程可知，在技術研發階段和成果轉化階段變量Ca的系數分別為-6.425和-1.470，且都通過了 5%的顯著性檢驗，這表明高技術產業與科技服務業協同集聚對高技術產業技術研發效率和創新成果轉化效率均有著顯著的正向影響。科技服務業作為利用現代科學知識、技術與方法，以及經驗、信息等要素向社會各行業提供智力服務的新興產業[16]，不僅直接為高技術產業提供技術支持，還有利于技術信息向高技術產業流動，降低高技術產業技術信息搜尋成本，并通過專業服務利用市場資源不斷促進高技術產業成果的轉化。兩大產業協同集聚下，區域創新體系、創新網絡得以不斷優化，并通過產業關聯效應帶動高技術產業發展；同時，分工的不斷深化和知識、技術的溢出，為高技術產業帶來更多的外部性收益，最終降低創新成本，提高創新效率。但是值得注意的是，成果轉化階段Ca系數的絕對值明顯小于技術研發階段的絕對值，這說明高技術產業與科技服務業協同集聚對高技術產業成果轉化效率的提升作用明顯小于其對技術研發效率的提升作用。這可能與我國科技服務業發展相對滯后有關。科技服務業作為一個新興產業，在我國起步較晚，總體上仍處于發展初期。因此，成果轉化階段Ca系數絕對值大大小于技術研發階段Ca系數絕對值反映出現階段我國科技服務業的服務水平特別是促進企業技術創新成果向市場轉化方面的服務水平還存在較大不足，通過產業關聯效應帶動相關產業發展的能力尚未充分發揮。

控制變量中，Scale的系數在創新活動兩階段的都為負且通過了 5%的顯著性檢驗，表明企業規模對于創新效率有顯著的正向影響，企業規模越大，往往越能夠負擔起更多的創新資源投入，有利于創新效率的提升。Gov的系數在創新活動兩階段都為正，反映了政府的 R&D支持對企業創新效率存在負向影響，雖然這種負向影響在技術研發階段并不顯著，但在成果轉化階段通過了10%的顯著性檢驗，這似乎與事實不符，但分析數據可知，變量Gov度量的是企業 R&D投入中政府資金的比重，而自主創新能力較強的大型企業往往自主資金較多，自生能力較強，而創新能力較弱的中小企業往往自主資金不足，自生能力較差，企業內部 R&D投入更多靠政府扶持，因此Gov系數為正從某種程度反映了現階段高技術產業對政府存在一定“依賴性”。Own的系數在創新活動兩階段都為正且分別通過了 1%和 5%的顯著性檢驗，表明國有企業的創新效率相對較低，當然這也要客觀分析。國有企業不僅承擔了更多的社會責任，而且一些高質量的重大高精尖技術的研發和轉化都是由國有企業完成的，這些技術從研發到進入市場往往需要一個漫長的過程，在短期內的大量投入可能并不會馬上帶來相應產出，因而表現出效率低的情況，但這并不能否認國有企業在創新領域的重要作用。

4 主要結論與政策建議

本文利用我國30個省市2008-2020年的省級面板數據，構建超越對數隨機前沿模型分別測算了我國高技術產業技術研發階段和成果轉化階段的創新效率，分析高技術產業與科技服務業協同集聚對高技術產業創新效率的影響。

研究發現：我國高技術產業創新效率總體呈現東部高于中部高于西部的特征，但這種差距在逐漸縮小，表現出東部地區“高位運行”，中西部地區不斷追趕的趨勢。從要素的產出彈性來看，技術創新階段表現出明顯的資本推動型增長，說明單純的擴大技術人員的投入并非明智之舉，而是要重視技術人員的質量；成果轉化階段專利投入的產出彈性高于資本投入，說明創新活動的核心是技術水平，企業的長期發展和實現市場價值關鍵在于技術創新能力。從高技術產業創新效率的影響因素來看，高技術產業與科技服務業間的協同集聚對高技術產業的技術研發效率和成果轉化效率皆存在顯著正向影響，但對技術研發效率的正向影響遠大于成果轉化階段，說明現階段我國的科技服務業與高技術產業間的產業關聯與互動協同更多的發生在技術研發階段，在成果轉化階段影響尚存不足。控制變量方面，企業規模對兩階段創新效率都有顯著的正向影響，政府支持力度和國有產權則表現出負向影響。

根據以上結論，為更好的促進我國高技術產業創新效率的提升，推動我國高技術產業長期健康發展，本文提出以下政策建議：首先，對于高技術產業和科技服務業的發展應予以差別化和精細化引導。近年來東部地區依靠豐富的創新資源和經濟實力集聚了大量的高技術產業，而通過創新效率的分析，現階段東部地區高技術產業創新效率雖依然在高位運行，但表現出一定的下降趨勢，這反映出以往依靠擴大規模、集聚資源的方式在促進創新效率方面已經達到瓶頸，繼續推動東部地區高技術產業健康發展應格外重視高技術產業與科技服務業的協同質量，積極推動科技服務業發展，形成科技服務業與高技術產業協同發展的良性創新生態；對于中西部地區，政府應根據本地經濟發展實際情況，在大力發展高技術產業的同時，做好促進科技服務業發展的長期規劃，逐步形成不同層次、不同規模的科技服務業產業群。其次，應不斷完善政府對高技術產業扶持政策的長效機制。政府對高技術產業進行 R&D資助時不應僅單純投入資金，而是要做好長期跟蹤與成果評估，實現企業獲取政府R&D資助的優勝劣汰，使政府的R&D資助起到帶動企業資本投入的作用，最終激活企業的技術創新“自生能力”，真正推動高技術產業的健康可持續發展。