我國高新技術產業創新效率靜態與動態測度

仵鳳清　施雄天

摘 要：應用靜態、動態效率測度模型，研究了2013—2021年我國高新技術產業創新效率整體和區域變化情況，并對高新技術產業創新效率影響因素進行分析，發現從靜態模型測度，消除了環境變量和隨機誤差影響后，我國高新技術產業創新效率均值為0.725，還有一定的上升空間，且東、中、西部地區高新技術產業創新效率存在差異，表現為東＞中＞西；從動態模型測度，2013—2021年我國高新技術產業創新效率為1.009，表明從動態趨勢上2013—2021年高新技術產業創新效率呈現上升趨勢；從市場結構、政府投資、外商投資、勞動力素質、地區經濟發展水平這些影響因素均對高新技術產業投入松弛變量產生不同的顯著影響。結果表明：在生產前沿的條件下，東部、中部、西部地區高新技術產業的技術還未達到有效；東、西部高新技術產業創新效率增長需要技術效率的提升，中部高新技術產業創新效率增長需要技術效率的提高和技術進步。

關鍵詞：高新技術產業；創新效率；影響因素；靜態；動態

中圖分類號：F 276.44 文獻標識碼：A 文章編號：1672-7312（2023）03-0262-09

The Static and Dynamic Analysis of Innovation Efficiency of Chinese High-tech Industry

WU Fengqing，SHI Xiongtian

（School of Economics and Management，Yanshan University，Qinhuangdao 066000，China）

Abstract：By applying static and dynamic efficiency measurement models，this paper studies the overall and regional changes of innovation efficiency in high-tech industries during 2013—2020，and analyzes the influencing factors of innovation efficiency in high-tech industries.It is found that the average value of innovation efficiency in high-tech industries is 0.725，based on the static model measurement and eliminating the influence of environmental variables and random errors.There is still a certain room for improvement，and there are differences in the innovation efficiency of high-tech industries in the east，central and western regions，showing that East>middle>West；From the dynamic model measurement，the innovation efficiency of our high-tech industries during 2013—2020 is 1.009，which indicates that the innovation efficiency of our high-tech industries during 2013—2020 remains

increasing from the dynamic trend.Factors such as market structure，government investment，foreign investment，labor quality and regional economic development level all have different significant influences on the input relaxation variables of high-tech industry.The results show that the technology of high-tech industry in eastern，central and western regions has not been effective under the condition of production frontier.The growth of innovation efficiency of high-tech industries in eastern and western China requires the improvement of technological efficiency，while that of high-tech industries in central China requires the improvement of technological efficiency and technological progress.

Key words：high-tech industry；innovation efficiency；influencing factors；static；dynamic

0 引言

中國政府為高新技術產業發展制定的政策，體現了政府對高新技術產業的高度重視和堅定發展決心。然而我國各省（市、區）高新技術產業發展不均衡，需要測度不同省（市、區）高新技術產業創新效率，以進一步分析這幾年來我國高新技術產業創新效率的變化。

從高新技術產業細分行業進行研究的學者居多，如張志強等對我國高新技術產業細分的行業進行創新效率測度研究，但研究高新技術產業創新效率地域間差異的學者較少[1]。學者們從高新技術產業的某一角度進行研究，如從產出角度：劉和東等通過界定原創性高新技術產業類別，認為發明專利數更能反映高新技術產業原始創新能力[2]；從行業細分角度：沈曉梅選取江蘇省高新技術產業中的5個行業，分析高新技術行業創新效率及其動態演變趨勢[3]；從產業集聚角度，王黎明等研究了我國高新技術產業多樣化集聚、專業化集聚對綠色創新效率的影響[4]；從創新培育角度，汪錦熙研究了創新驅動戰略是否對高新技術產業創新能力提升作用[5]。靜態、動態模型在高新技術產業創新效率的測度上應用廣泛，劉琪用靜態DEA模型測度山西省高新技術產業的研發效率[6]；MAVI R K使用二階段DEA研究高新技術產業靜態生態效率[7]；LAMPE H W和HILGERS D使用DEA和SFA模型研究高新技術產業靜態組織績效效率[8]；郭海紅使用Malmquist指數模型，從動態層面測度山東省生態創新效率[9]；王冰清等使用靜態DEA模型測度了高技術產業二階段創新效率[10]；張冀新等使用靜態DEA模型測度了高技術產業制造業和高技術產業服務業創新效率[11]。從現有的研究方法動態或靜態的高新技術產業創新效率的測度，一方面是容易忽略高新技術產業環境因素的影響，另一方面是沒有從動態與靜態兩方面對高新技術產業創新效率進行全面分析。

文中基于前人的研究，從靜態和動態兩方面進行測度，使得研究更有嚴謹性、全面性。從靜態測度，考慮到各省（市、區）高新技術產業內部資源稟賦和宏觀環境存在著不同，所以需要消除環境變量和隨機誤差的影響，真實反映各省（市、區）高新技術產業創新效率。從動態測度，考慮高新技術產業會隨時間演進進行縱向變化，反映各省（市、區）高新技術產業創新效率動態變化趨勢。

1 研究設計

1.1 靜態測度模型及動態測度模型設定

1.1.1 靜態測度模型設定

1.2 變量選取

1.2.1 高新技術產業創新效率測度投入產出指標的選取

選取高新技術產業R&D人員投入、高新技術產業R&D經費內部支出、高新技術產業企業數為高新技術產業創新效率測度投入指標。

選取高新技術產業專利申請授權量、高新技術產業新產品的銷售收入和技術收入、高新技術產業上繳稅費為高新技術產業創新效率測度產出指標。

1.2.2 高新技術產業創新效率測度環境變量的選取

在參考相關文獻，環境變量的選取主要考慮市場結構、政府投資、外商投資、勞動力素質、地區經濟發展水平這5個方面。各創新效率測度相關變量具體含義見表1。

1）市場結構。

市場集中度能反映出市場結構情況，但是由于市場集中度的計算數據無法獲得，所以采用一些學者的做法[12-13]，用企業數反映市場結構。由于不同年份的企業數可以反映出行業的進入和退出情況，也能代表行業內的競爭化程度。所以文中選用規模以上工業企業數代表市場結構。

2）政府投資

政府的財政支出會直接影響了R&D經費投入。受政府政策的影響，對研發經費投入的增減具有不確定性。所以文中選用R&D經費內部支出中政府財政支出比重代表政府投資情況。

3）外商投資。

一些學者[14-16]認為外商直接投資具有溢出效應，對產業勞動生產率的提高具有一定的影響。因此，參考劉偉、李星星做法[17]，文中選取外商實際投資額占GDP比重代表外商投資情況。

4）勞動力素質。

新經濟增長理論認為人力資本有助于知識和創新思想的傳播，有助于產生技術創新的溢出效應。一些學者[18-20]認為地區勞動力素質對當地的高新技術產業發展也有一定的影響，所以文中選取大專以上受教育人數占比反映勞動力素質情況。

5）地區經濟發展水平。

一些學者[21-23]認為地區經濟發展水平也會影響地區的高新技術產業創新效率，所以文中選取各省（市、區）人均GDP反映各省（市、區）地區經濟發展水平。

1.3 數據來源

選取我國2013—2021年30個省（市、區）高新技術產業面板數據進行測度，剔除了港澳臺地區和西藏地區。文中數據來源于《中國火炬統計年鑒》《中國城市統計年鑒》《中國科技統計年鑒》《中國統計年鑒》、EPS統計庫。

2 實證結果分析

2.1 靜態測度研究結果分析

利用Deap 2.1和Frontier 4.1軟件對高新技術產業創新效率測度。由于環境變量和隨機誤差對高新技術產業創新效率的影響不一致，所以需要對高新技術產業創新效率測度的投入變量進行調整，以準確測度創新效率。高新技術產業創新效率測度投入變量調整前后數據對比描述性統計見表2。

2.1.1 各省（市、區）高新技術產業創新效率分析

利用調整后的各省（市、區）高新技術產業投入變量進行BCC模型創新效率測度，得到了消除環境變量和隨機誤差干擾的高新技術產業創新效率，與初始效率測度結果對比見表3。其中創新效率=純技術效率×規模效率；drs、-、irs分別表示規模報酬下降、不變、上升。

調整后創新效率整體下降、規模效率整體下降。調整前后，DEA仍有效率的省（市）有8個，分別為北京、廣東、河南、江蘇、山東、四川、天津、浙江，占比26.67%，較之未剔除環境變量影響前減少2個；8個省（市）規模效率有效，分別為北京、天津、江蘇、浙江、山東、廣東、河南、四川，占比達到26.67%，較之未剔除環境變量影響前減少3個；同時18個省（市、區）規模報酬也發生了改變，占比60%。通過與初始效率的對比，調整后的創新效率降低了14.2%、規模效率降低了13.4%，表明初始效率測度結果低看了創新效率的無效率以及低估了規模無效率，造成了創新效率的提高。其中，北京、河南、江蘇、天津、浙江5個省（市）高新技術產業各項創新效率值調整前后值均為1，說明這5個省（市）的高新技術產業發展在全國處于較領先地位。甘肅、吉林、青海、新疆、重慶調整后技術效率值由1調整后為小于1，說明環境因素對這5個省（市、區）高新技術產業創新效率有所影響，表示創新效率原本有效的原因是投入指標沒有受到環境因素的影響。而甘肅、貴州、海南、內蒙古、寧夏在調整后的創新效率值均低于0.5，這時則需要判斷該地區的純技術效率與規模效率的情況，從而確定導致創新效率無效的原因，需要調整資源配置或是需要增加技術管理水平。

為進一步觀察30個省（市、區）高新技術產業創新效率情況分布，以純技術效率和規模效率值（0.8.0.8）為坐標原點建立坐標，將創新效率分布四象限對應的4種類型，圖1為調整后的創新效率值分布坐標圖。

由圖1可知，第1類是處在第Ⅰ象限的“高高型”，表示規模效率和純技術效率都比較高，共有16個省（市）的高新技術產業創新效率分布在此區域中，占比53.33%，根據高新技術產業地區發展情況來看，河南、江蘇、浙江、廣東、山東、北京、四川、天津地區生產總值領先全國，高新技術產業持續增長，另外吉林、重慶純技術效率為1，從坐標點來看，位于X軸上方說明這2個省（市）創新效率弱有效，即技術層面上沒有繼續調整的必要；第2類是第Ⅱ象限的“低高型”，共5個省位于此區域，即遼寧、湖北、安徽、河北、江西，未來發展需要結合純技術效率值來提高對高新技術產業整體管理水平及對先進技術的開發使用能力；第3類是第Ⅲ象限的“低低型”，山西、云南分布在此區域中，需要在未來發展中注意投入和產出的資源浪費，并注重科技水平和管理能力的提高；第4類是第Ⅳ象限的“高低型”，共7個省（市、區），在未來發展中需要根據規模報酬趨勢對當地高新技術產業的規模和投入進行調整以提高規模效率。

2.1.2 東部、中部、西部高新技術產業創新效率分析

消除環境因素和隨機誤差影響后，分析東、中、西部高新技術產業創新效率，如圖2所示。

東、中、西部高新技術產業創新效率存在差異，表現為東＞中＞西，其中東部和中部高新技術產業創新效率小于1，說明東部和中部高新技術產業在生產前沿的條件下，但技術上還未達到有效。從純技術效率來看，西部均值明顯大于中部和東部，達到0.940，接近于1，說明西部目前投入資源使用效率優于中部和東部，這可能得益于“一帶一路”倡議給西部地區帶來優質的科技創新人才和高新技術項目的重點支持。從規模效率來看，西部均值遠遠低于東部和中部，反映了西部高新技術產業現實規模與最優生產前沿面的差距仍然很大。

2.1.3 靜態測度模型檢驗

為檢驗靜態模型測度的真實性，將初始測度和調整投入后測度的創新效率與產出變量專利申請授權量進行Pearson相關系數檢驗，見表4。

消除影響后測度的創新效率，技術效率、純技術效率、規模效率與專利申請授權量的Pearson相關性系數明顯提高且均表現出線性相關，表明消除影響后的高新技術產業創新效率測度比初始創新效率測度更能反映出真實的高新技術產業創新效率情況。因此，靜態模型測度的創新效率結果明顯優于傳統的只考慮投入產出變量的DEA模型，測算結果更真實、精確。

2.2 動態測度研究結果分析

運用Deap 2.1軟件對2013—2021年我國各省（市、區）高新技術產業創新投入產出相關數據進行測度，得到各省（市、區）高新技術產業Malmquist指數及分解指數。其中創新效率=技術效率變化指數×技術進步變化指數，技術效率變化指數=純技術效率變化指數×規模效率變化指數，見表5。

由表5可知，2013—2021年我國高新技術產業的創新效率總體均值為1.009，表明從動態趨勢上2013—2021年高新技術產業創新效率保持上升。從2013—2021年技術進步變化指數的均值為1.017，略大于1，而技術效率變化指數均值為0.983，小于1，說明我國高新技術產業創新效率維持不變主要依靠技術進步。有14個省（市、區）創新效率值大于1，占比46.67%，說明這14個省（市、區）高新技術產業整體創新效率呈現增長的態勢。

從東、中、西部高新技術產業創新效率差異分析，東部創新效率均值為1.020，而效率變化指數均值小于1，且小于技術進步變化指數均值，說明影響東部高新技術產業創新效率增長需要技術效率的提升；中部創新效率均值為0.971，而技術效率變化指數和技術進步變化指數均值均小于1，說明中部高新技術產業創新效率增長需要技術效率的提升和技術進步；西部地區創新效率均值為1.031，技術效率變化指數均值小于1，且小于技術進步變化指數均值，說明西部高新技術產業創新效率增長需要技術效率的提升。

根據各省（市、區）高新技術產業創新效率的差異，將這些省（市、區）分為4類：第1類是技術效率變化指數和技術進步變化指數共同推動創新效率值增長，包括上海、海南、安徽、云南、甘肅、青海、新疆；第2類是技術效率變化指數推動創新效率值增長，包括廣東、江西；第3類是技術進步變化指數推動創新效率值增長，包括北京、天津、河北、遼寧、福建、山東、山西、黑龍江、河南；第4類是技術效率變化指數和技術進步變化指數共同抑制創新效率值增長，包括江蘇、浙江、吉林、湖北、湖南。

為進一步分析各年度我國高新技術產業Malmquist指數變化，表6和圖3詳細的給出了2013—2021年我國高新技術產業創新效率Malmquist指數及其指數分解結果。

從圖3可知，創新效率變化呈現3個上升高峰和2個下降波谷，3個上升的高峰分別為2014—2015年、2016—2018年、2019—2020年、2020—2021年，2個下降波谷為2015—2016年、2018—2019年。2014—2015年、2017—2018年、2019—2020年、2020—2021年創新效率值均大于1，說明這3個年度我國高新技術產業創新效率呈現動態增長的趨勢；2013—2014年、2015—2016年、2016—2017年、2018—2019年創新效率值均小于1，說明這4個年度我國高新技術產業創新效率呈現動態下降的趨勢。對這些年度的高新技術產業創新效率進行分類：第1類是依靠技術進步變化指數推動創新效率值增長，包括2013—2014年、2014—2015年、2016—2017年、2017—2018年、2019—2020年、2020—2021年；第2類是依靠技術效率變化指數推動創新效率值增長，包括2015—2016年、2018—2019年。

2.3 影響因素分析

被解釋變量為靜態效率測度第一步所得的各省（市、區）高新技術產業投入松弛變量，解釋變量為市場結構、政府投資、外商投資、勞動力素質、地區經濟發展水平，使用Frontier 4.1軟件測度。由表7可知，LR值（自由度為5）均通過10%水平以上的顯著性檢驗，說明了似SFA回歸模型的合理性，也說明環境因素和隨機誤差對高新技術產業3個投入松弛變量有顯著影響。3個松弛變量gamma值均小于1，說明管理無效率產生的影響大于隨機擾動因素帶來的影響。此外，當環境變量系數為正時，說明該值增加會導致創新效率降低；而環境變量系數為負時，說明該值增加會導致創新效率增加。

從市場結構角度來看，市場結構對3個投入松弛變量影響為負且顯著，說明較低的市場集中度會使企業間產生競爭，能減少研究投入資源成本的浪費，也說明合理的市場競爭機制有利于激勵高新技術產業的研究投入，促進創新效率的提高。

從政府投資角度來看，政府支持對3個投入松弛變量影響為正且顯著，說明政府資金支持越多，反而增加創新資源的浪費。由于高新技術產業獲得資金支持，對研發資金粗獷式的使用，造成資源的浪費。另外，各地政府對高新技術產業政策扶持力度情況不一致，不能顯著提高高新技術產業創新效率。

從外商投資角度來看，外商投資對3個投入松弛變量影響為正且顯著，說明外商投資沒有促進高新技術產業創新效率的提升，外商投資越多反而抑制我國高新技術產業的創新效率。

從勞動力素質角度來看，勞動力素質對R&D經費內部支出、R&D人員投入松弛變量影響為負且顯著，隨著義務教育的普及和勞動力素質的提高，創新人才的增多會加大高新技術企業和政府的投資，能顯著提高高新技術產業創新效率。

從地區經濟發展水平角度來看，地區經濟水平對R&D經費內部支出投入松弛變量影響為正且顯著，說明地區經濟實力越強越容易增加研發資源浪費的可能性，需要進一步改善資源配置才能提高創新效率。地區經濟水平對高新技術產業R&D人員、企業數投入的松弛變量影響為負且顯著，說明地區經濟水平的提高會吸引創新型人才的加入和高新技術企業當地的投資建設。

3 結語

1）從靜態效率來看，消除環境變量和隨機誤差的影響后，2013—2021年我國高新技術產業創新效率均值為0.725，還有一定的上升空間，其中16個的省（市、區）純技術效率和規模效率處在有效的生產前沿面。東、中、西部高新技術產業創新效率存在差異，表現為東＞中＞西，東、中、西部高新技術產業創新效率均小于1，說明在生產前沿的條件下，東部、中部、西部地區高新技術產業的技術還未達到有效。

2）從動態效率來看，2013—2021年我國高新技術產業平均創新效率為1.009，表明從動態趨勢上2013—2021年高新技術產業創新效率呈現上升趨勢。東部和西部高新技術產業創新效率增長需要技術效率的提升；中部高新技術產業創新效率增長需要技術效率的提升和技術進步。

3）消除環境變量和隨機誤差干擾后的創新效率與初始測度創新效率對比，創新效率整體下降、規模效率整體下降。通過靜態模型檢驗，進一步說明消除環境變量和隨機誤差干擾測度的創新效率準確性。同時，對影響因素分析，從市場結構、政府投資、外商投資、勞動力素質、地區經濟發展水平這些角度均對投入松弛變量產生不同的顯著影響。

4）我國各省（市、區）應根據自身高新技術產業發展情況制定產業發展對策。對于純技術效率較低的省（市、區），可進行優秀管理制度及管理理念的學習；對于規模效率較低的省（市、區），發揮地方領先高新技術企業的帶頭作用，擴大企業規模；對于創新效率較低的省（市、區），需要優化高新技術產業資源使用效率和資源配置，加強高新技術產業的技術創新和經營管理能力。

5）提高高新技術產業投入質量。一是要完善投入經費監管制度，對經費使用情況進行系統、全面的審查，并制定合理獎懲制度，對嚴重浪費情況給予處罰，對有效利用情況給予獎勵。二是提高高新技術產業研發人員的技術水平，注意的人才培養。

6）從市場結構來看，低市場集中度有利于高新技術產業創新效率的增長，應鼓勵高新技術企業間的競爭。從政府投資來看，應進一步規范政府資金投入使用，加強資金監管，避免浪費；從外商投資來看，應逐漸引導外商進行技術投資和創新人才投資。從勞動力素質來看，鼓勵發展和引進創新型人才。從地區經濟發展水平來看，減少研發資源浪費，需要進一步改善資源配置。

7）鼓勵提升高新技術產業整體進步。一是加強各省（市、區）高新技術產業關聯企業間知識與技術交流，促進知識溢出。二是建立和完善高校、高新技術企業、政府部門、研發機構的信息交流平臺，鼓勵建立合作。三是加強科技進步的傳導，建立高新技術服務機制。

參考文獻：

[1] 張志強，張璽.我國高新技術細分行業技術創新驅動出口貿易發展效率異質性研究[J].科技管理研究，2020，40（17）：118-123.

[2]劉和東，陳程.中國原創性高新技術產業技術效率測度研究——基于創新鏈視角的兩階段分析[J].科技進步與對策，2011，28（12）：119-124.

[3]沈曉梅，李芝辰，王磊.江蘇高新技術產業效率評價與驅動因素分析——基于Malmquist—CLAD的實證檢驗[J].華東經濟管理，2020，34（07）：36-43.

[4]王黎明，趙彥琳，王帥.中國高新技術產業集聚模式對綠色創新效率的影響研究[J].管理現代化，2022，42（01）：17-23.

[5]汪錦熙.高新技術產業創新生態系統創新培育影響因素研究[J].技術與創新管理，2018，39（02）：148-152.

[6]劉琪.山西省高新技術產業創新效率分析[J].中北大學學報（社會科學版），2019，35（01）：86-90.

[7]MAVI R K，SAEN R F，GOH M.Joint analysis of eco-efficiency and eco-innovation with common weights in two-stage network DEA：A big data approach，Technological Forecasting and Social Change，2019，144：553-562.

[8]LAMPE H W，HILGERS D.Trajectories of efficiency measurement：A bibliometric analysis of DEA and SFA[J].European journal of operational research，2015，240（01）：1-21.

[9]郭海紅.山東省生態創新效率測度及影響機制[J].華東經濟管理，2021，35（03）：10-18.

[10]王冰清，羅鄂湘.知識產權保護與我國高技術產業兩階段創新效率研究[J].技術與創新管理，2021，42（02）：162-169.

[11]張冀新，劉燁，羅頡.國家高新區高技術產業技術效率研究[J].技術與創新管理，2020，41（06）：608-615.

[12]朱有為，徐康寧.研發資本累積對生產率增長的影響——對中國高技術產業的檢驗（1996—2004）[J].中國軟科學，2007（04）：57-67.

[13]馮根福，劉軍虎，徐志霖.中國工業部門研發效率及其影響因素實證分析[J].中國工業經濟，2006（11）：46-51.

[14]張斌，沈能.集聚外部性、異質性技術和區域創新效率[J].科研管理，2020，41（08）：49-59.

[15]劉偉.中國高新技術產業研發創新效率測算——基于三階段DEA模型[J].數理統計與管理，2015，34（01）：17-28.

[16]馮燕妮.山西省高新技術產業園區發展績效研究——基于三階段DEA模型的分析[J].技術經濟與管理研究，2021（10）：20-25.

[17]劉偉，李星星.中國高新技術產業技術創新效率的區域差異分析——基于三階段DEA模型與Bootstrap方法[J].財經問題研究，2013（08）：20-28.

[18]趙瑞靜，楊輝，李翠平.基于三階段DEA模型的河北省區域高新技術產業創新效率研究[J].統計與管理，2019（11）：34-44.

[19]

魏谷，湯鵬翔，楊曉非，段俊虎.基于三階段DEA的我國高新技術產業開發區內創新型產業集群創新效率研究[J].科技管理研究，2021，41（07）：155-163.

[20]方大春，曾志彪.長三角城市群國家高新區創新效率比較分析——基于三階段DEA模型[J].華中師范大學學報（自然科學版），2021，55（05）：780-790.

[21]方大春，曾志彪.長三角城市群國家高新區創新效率比較分析——基于三階段DEA模型[J].華中師范大學學報（自然科學版），2021，55（05）：780-790.

[22]王爍凱.省級創新效率測算——基于三階段DEA方法[J].大眾標準化，2021（21）：208-210.

[22]楊嶸，于楓敏，許晶晶.兩階段視角下我國高技術產業創新效率的時空演變及影響因素——基于三階段DEA-Tobit模型的實證研究[J].資源開發與市場：1-11.

（責任編輯：嚴焱）

收稿日期：2022-11-25

基金項目：河北省軟科學研究專項（20557637D）

作者簡介：仵鳳清（1964—），男，河北秦皇島人，教授，主要從事科技創新管理方面的研究工作。