長三角區域高技術產業技術創新效率評價與影響因素研究

吳鋮鋮,譚 慶,項桂娥

(池州學院 商學院,安徽 池州 247000)

創新是產業轉型升級發展、融入“雙循環”新發展格局與促進經濟增長的首要動力。黨的二十大報告指出,堅持創新在我國現代化建設全局中的核心地位,加快實施創新驅動發展戰略,優化配置創新資源,增強自主創新能力。高技術產業知識資本密集、高投入高附加值且可持續發展能力強,近年來我國高技術產業創新投入和創新產出逐年增長,技術創新能力與技術創新效率不斷提升,《中國高技術產業統計年鑒(2021)》顯示2020年我國高技術產業R&D經費內部支出為4649.09億元,R&D人員折合全時當量為990314人年,專利申請數為348522件,其中發明專利申請數為174641件,新產品銷售收入高達68549.14億元,高技術產業已逐漸成為經濟發展的戰略性先導產業與科技創新的重要陣地。但相比其他發達國家,我國高技術產業發展仍存在區域不均衡、核心技術少、應用轉化能力弱以及技術創新效率低等問題,高技術產業整體處于全球價值鏈的中低端環節且呈現“南高北低”“南快北慢”的發展格局,解決上述問題的關鍵在于激發技術創新效率對于產業高質量發展的引導作用,形成具有全球競爭力的開放創新生態。因此,如何有效評價高技術產業技術創新效率是促進經濟高質量發展的關鍵,也是激發高技術產業創新活力、提高自主創新能力與提升技術創新效率的重要路徑。

技術創新效率與創新投入或者創新產出存在顯著區別,其更加關注創新投入與創新產出之間的轉化效率。從現有研究成果來看,大部分集中探討技術創新效率評價指標體系、評價方法與影響因素,其中以DEA模型為代表的非參數分析法和以SFA模型為代表的參數分析法應用廣泛。易明等(2019)[1]利用SFA模型分析發現我國高技術產業創新效率整體水平較低,創新產出中新產品銷售收入的創新效率顯著性最強。楊青峰等(2013)[2]利用SFA模型分析不同區域高技術產業研發創新效率及其影響因素。在技術創新效率影響因素方面,楊嶸等(2022)[3]利用Tobit模型實證分析發現勞動者素質、產學研合作水平等對高技術產業創新效率的提升作用最為顯著。方大春等(2016)[4]基于面板數據隨機前沿模型研究發現市場結構、企業規模與產業利潤顯著影響技術創新效率。肖紅(2020)[5]運用DEA-Malmquist指數法分析發現安徽省裝備制造業技術創新效率整體偏低,并提出市場需求、研發經費投入強度、研發人員專業化程度等是促進技術創新效率的主要因素。羅志紅等(2023)[6]運用SBM-Tobit模型研究發現我國高技術產業綠色技術創新效率增長緩慢,且效率提升重心在優化內部發展條件。上述研究多從全局視角或者某個單一區域視角測度技術創新效率,且大多考慮不同外部因素對創新效率的影響,鮮有以長三角區域高技術產業為研究對象評價其技術創新效率,并從不同維度考察技術創新效率的內、外部影響因素。

基于上述分析,以2017—2021年長三角區域高技術產業為研究對象,立足“技術創新效率評價與影響因素”這一根本問題,利用DEA-BCC模型與DEA-Malmquist指數法從靜態與動態2個角度分析長三角高技術產業技術創新效率整體情況及其變動趨勢,并結合Tobit面板回歸模型從內部與外部2個維度探究長三角高技術產業技術創新效率的影響因素。可能貢獻如下:第一,重點測度長三角區域高技術產業技術創新效率動態變化,將研究范圍劃定為長三角區域高技術產業;第二,將外部影響因素與內部影響因素嵌入“技術創新效率影響因素”分析范式,檢驗不同因素對長三角高技術產業技術創新效率的影響程度。

一、研究設計

1.研究方法

(1)DEA-BCC模型

DEA模型(數據包絡分析法)是基于投入產出數據的一種相對有效性的客觀評價方法,不需要對衡量指標賦權與無量綱化處理,是評價技術創新效率的主要方法,主要包括規模報酬不變的DEA-CCR模型與規模報酬可變的DEA-BCC模型。本文研究對象為長三角高技術產業上市公司,創新邊際收益具有不確定性且技術創新投入規模存在差異,因此構建規模報酬可變條件下的DEA-BCC模型測度長三角高技術產業綜合技術效率。DEA-BCC模型將測度效率的組織稱為決策單元,其能夠有效解決規模報酬可變決策單元(DMU)的效率測算問題。假設有n個決策單元(j=1,2,3,…,n),各項決策單元均有m項投入(i=1,2,3,…,m)和s項產出(r=1,2,3,…,s),若xij為第j決策單元的第i項投入,yrj為第j決策單元的第r項產出,則決策單元j(DMUj)的投入向量為Xj=(x1j,x2j,x3j,…,xmj),產出向量為Yj=(y1j,y2j,y3j,…,ymj),評價決策單元(DMU)有效性的DEA-BCC模型如式(1)、式(2)。

(1)

其對偶形式為式(2)。

(2)

(2)DEA-Malmquist指數

DEA-BCC模型僅能對決策單元綜合技術效率、技術效率與規模效率進行靜態分析,其僅考察某一靜態時間內的綜合技術效率。若使用面板數據,則需要考慮時間序列以及長三角區域高技術產業某一動態時間段內技術創新效率的變化,引入DEA-Malmquist指數可以解決上述問題。DEA-Malmquist指數是一種基于效率測度的非參數方法,其基于面板數據通過距離函數運算投入產出效率,并動態分析多個決策單元相對效率的變化趨勢。Malmquist指數以決策單元的定向輸入和定向輸出定義距離函數,其輸出變量的距離函數表達式如式(3)。

D0(x,y)=inf{δ:(x,y)/δ∈p(x)}

(3)

其中,D0(x,y)為輸出變量的距離函數;x,y分別表示輸入矩陣與輸出矩陣;p(x)表示所有可行的生產效率可能集合;δ表示輸出效率標量。第t時期到t+1時期Malmquist生產率指數M(xt+1,yt+1,xt,yt)表示為式(4)。

M(xt+1,yt+1,xt,yt)

(4)

(5)

其中,TFP為全要素生產率變化指數,TFP=Effch*Tech;Effch為技術效率指數,表示第t時期到第t+1時期技術創新能力與規模變化程度;Tech為技術進步指數,表示第t時期到第t+1時期由技術進步引起的效率變化。

另外,部分學者對Malmquist生產率指數中技術效率指數進行分解,將技術效率指數(Effch)分解為純技術效率指數(PE)與規模效率指數(SEC),其中純技術效率指數是規模報酬變動情況下的效率之比,規模效率指數是規模經濟對全要素生產率(TFP)的影響。因此,Malmquist生產率表達式為式(6)。

TFP=Effch×Tech=PE×SEC×Tech

(6)

2.指標選取

技術創新效率是企業創新投入與創新產出之間的轉化率,準確反映創新投入與創新產出是評價技術創新效率的關鍵,其中,創新投入包括研發資金投入與研發勞動力投入,創新產出包括創新成果產出率及其轉化效果。

創新投入:新古典經濟理論認為人力與資本積累是經濟增長的主要來源。技術創新活動需要貨幣資金與人力資本作為物質基礎與智力支撐,現有學者將研發經費投入、技術人員投入、資本支出、無形資產積累等指標納入衡量范圍,周開國等(2011)[7]、吳鋮鋮等(2021)[8]分別選用研發密度(研發資金投入/營業收入)、技術人員比率(技術人員總數/員工總數)衡量技術創新投入;苑澤明等(2016)[9]提出研發經費與研發人員是不同層面技術創新效率的評價指標。基于上述分析,選取研發投入費用(R&D經費支出)與研發人員數量(R&D人員全時當量)作為技術創新投入的測度指標。

創新產出:專利是技術創新的直接成果,專利申請量或者授權量僅是創新投入轉化為知識產出的結果,其能否產生經濟價值有待考量,但專利申請量衡量技術創新產出可以避免政府部門、專利中介機構等人為因素的主觀影響,黨國英等(2015)[10]、高宏霞等(2021)[11]均以專利申請數(專利總數)衡量技術創新產出。創新產出是創新活動最終成果及其經濟效益的集中體現,苑澤明等(2016)[9]認為產品銷售收入是企業創新成果、知識產出經濟價值的直接體現,可以有效彌補以專利申請量或者授權量衡量創新產出的不足之處。因此,以專利申請數與主營業務收入作為企業創新產出測度指標。具體技術創新效率評價指標選取如表1所示。

表1 技術創新效率評價指標體系

3.數據來源

選取2017—2021年長三角區域信息傳輸、軟件和信息技術服務業、科學研究和技術服務業與部分制造業上市公司技術創新數據,實證分析長三角區域高技術產業技術創新效率動態變化及其影響因素。所有樣本數據均來自CSMAR數據庫、各上市公司年報,主要通過DEAP2.1與STATA15.0進行數據處理與分析。

二、長三角區域高技術產業技術創新效率實證分析

1.基于DEA-BCC模型的技術創新效率靜態分析

2017—2021年長三角區域高技術產業綜合技術效率、純技術效率與規模效率情況如表2所示。

表2 2017—2021年長三角區域高技術產業技術創新效率及其分解效率

表2結果表明,2017—2021年長三角區域高技術產業綜合技術效率均值為0.12,綜合技術效率由2017年的0.113上升至2021年的0.131,說明長三角區域高技術產業技術創新效率處于上升趨勢,但整體創新效率仍處于較低水平,創新投入難以有效匹配創新產出。從效率有效的企業數量來看,各年度達到DEA有效水平的企業數量均較少,多數企業均存在不同程度的投入冗余或產出不足,僅有部分企業投入一定人力資本與資金要素能夠獲得顯著的創新產出。

2.基于Malmquist指數的技術創新效率動態分析

(1)不同年度技術創新效率分析

為進一步判斷長三角區域高技術產業技術創新效率的時間序列變化情況,選擇規模報酬可變的投入導向BCC模型,利用Malmquist指數測算技術效率、技術進步、純技術效率、規模效率與全要素生產率,分析2017—2021年長三角區域高技術產業技術創新效率進行時間序列與區域動態變化情況,具體分析結果如表3所示。

表3 2017—2021年長三角區域高技術產業技術創新Malmquist指數及其分解

表3結果表明,長三角區域高技術產業2017—2021年全要素生產率均值為1.047,全要素生產率變化指數均值大于1,年均增長幅度4.7%,說明2017—2021年全要素生產率基本呈現增長趨勢,但增長速度有待提高。從整體上看,僅有2019—2020年全要素生產率小于1,其他年份全要素生產率均大于1,說明大多數年份全要素生產率表現較好,均處于上升態勢。技術效率指數下降1.3%、技術進步指數增長6.1%,可見全要素生產率的增長主要依賴于技術進步,高技術產業技術進步推動技術創新效率提升,說明2017—2021年長三角區域高技術產業技術進步獲得顯著提升。結合各年度增減趨勢可知,2017—2018年全要素生產率增長幅度為5.4%,2018—2019年增長幅度為9.2%,2020—2021年增長幅度為9.6%,僅2019—2020年全要素生產率有所降低,下降幅度為4.8%,這一結果同樣說明2017—2021年長三角高技術產業全要素生產率整體呈現上升的發展趨勢。

進一步分析各分解效率指數可以發現,2017—2018年、2018—2019年、2020—2021年技術效率指數均大于技術進步指數,尤其是技術效率指數增長幅度較大,2017—2018年、2020—2021年全要素生產率提升主要原因是技術效率提高,2018—2019年全要素生產率提升主要原因是技術進步與規模效率提高,可見純技術效率變動與規模效率變動均是引起技術效率變動的主要原因,不同年度全要素生產率提升作用中各分解指標貢獻效應存在差異,長三角區域高技術產業應重點關注技術進步,以自主創新與高新技術引進引領產業發展。而2019—2020年全要素生產率下降的主要原因是技術效率指數出現大幅度下降,下降幅度為55.7%,其中純技術效率指數與規模效率指數分別下降22.4%與42.9%,但2019—2020年技術進步指數增長顯著,增長幅度高達114.7%,且技術效率指數遠遠小于技術進步指數,說明技術進步顯著提升難以彌補技術效率與規模效率對全要素生產率的抑制作用,所以長三角高技術產業仍需要優化技術創新過程,提高創新要素資源利用效率。

(2)不同省市技術創新效率分析

為進一步從區域維度分析長三角三省一市高技術產業技術創新Malmquist指數及其分解指標,本文從不同省市角度揭示長三角區域高技術產業技術創新效率的動態變化。不同省市技術創新效率情況如表4所示。

表4 長三角三省一市高技術產業技術創新Malmquist指數及其分解

由表4可知,上海市、江蘇省與安徽省全要素生產率均呈現增長態勢,長三角整體平均增長幅度為4.7%,技術進步指數增長幅度為6.1%,技術效率指數下降1.3%,其中純技術效率指數增長9.3%,規模效率指數下降9.7%,說明技術進步增長是長三角區域高技術產業全要素生產率提升的關鍵要素,長三角高技術產業需要進一步優化創新資源配置效率,提高技術創新能力與創新要素使用率。

從不同區域技術創新效率來看,長三角三省一市高技術產業技術創新全要素生產率及其分解指標技術效率指數未呈現統一的“同增同降”變化趨勢,即各區域技術創新效率存在一定程度的差異性。上海市、江蘇省、安徽省全要素生產率與技術進步指數變化規律相一致,均表現出不同幅度的增長趨勢,說明上述區域技術進步與全要素生產率同步性較強,但浙江省全要素生產率下降0.9%,主要原因是技術效率指數下降7%、規模效率指數下降13.2%,說明浙江省相較于長三角其他省市創新投入與創新產出匹配度有所欠缺,創新資源利用效率有待加強。

三、長三角區域高技術產業技術創新效率影響因素分析

上述研究利用DEA-BCC模型與Malmquist指數從靜態與動態視角對長三角區域高技術產業技術創新效率進行分析,研究發現大部分企業均處于非DEA有效狀態,技術創新投入無法有效匹配技術創新產出。為探究長三角高技術產業技術創新效率具體影響因素,本文從內部維度和外部維度建立影響因素指標體系,以長三角高技術產業綜合技術效率作為因變量構建Tobit面板回歸模型,從而判斷不同因素對高技術產業技術創新效率的影響情況。

1.影響因素指標體系構建

基于技術創新動力機制與影響因素研究現狀,借鑒劉永松等(2020)[12]、劉峰等(2016)[13]、項燕(2022)[14]的研究方法,本文從內部與外部雙視角構建技術創新效率影響因素指標體系,并將其納入Tobit面板回歸模型進行實證檢驗。具體影響因素指標體系見表5。

表5 長三角高技術產業技術創新效率影響因素指標體系

2.模型設定

以DEA-BCC模型測算結果(綜合技術效率)為被解釋變量,以上述長三角高技術產業技術創新效率內部影響因素與外部影響因素為解釋變量,構建技術創新效率影響因素分析的Tobit回歸模型,如式(7)所示。

CRSi,t=α0+α1SIZEi,t+α2TOP10i,t+

α3ROAi,t+α4SAi,t+α5LEVi,t+α6GOVi,t+

α7FINTECHi,t+εi,t

(7)

式(7)中,CRSi,t表示企業i在第t年的綜合技術效率,α0為常數項,α1-α7為各種影響因素對技術創新效率的作用大小(回歸系數),ε為隨機誤差項。

3.Tobit回歸結果分析

為判斷不同影響因素對技術創新效率的作用大小,本文對Tobit回歸模型進行Hausman檢驗,以篩選模型偏好與降低原始數據波動對回歸結果的影響。對所有變量進行平滑性處理后Prob>chi2=0.2743,似然比統計量LR值在1%的置信水平上顯著,即不拒絕原假設,技術創新效率具有截斷特征且模型存在強烈的個體效應,所有應選擇隨機效應的Tobit面板回歸模型檢驗各種因素對技術創新效率的影響程度。綜合技術效率與各種影響因素回歸結果如表6所示。

表6 長三角高技術產業技術創新效率影響因素Tobit模型面板回歸結果

表6顯示長三角高技術產業技術創新效率影響因素回歸結果。從內部影響因素來看,企業規模、資產負債率與綜合技術效率相關系數分別為0.189、-0.172,均通過1%的置信水平檢驗,說明企業規模與技術創新效率顯著正相關、資產負債率與技術創新效率顯著負相關,擴大企業規模有助于合理布局產業結構與發揮規模經濟效應,從而優化創新資源配置、平衡創新投入產出以及激發規模效應對提升技術創新效率的促進作用,同時負債比例增加對提升技術創新效率具有負向影響,增加債務比例容易導致企業承擔過高的財務風險,大量流動資金需要償還不同期限的債務本金與利息,可能造成企業難以滿足技術創新活動的資金需求,從而抑制創新活動開展與技術創新效率提升。盈利能力、融資約束與綜合技術效率相關系數0.256、-0.149均在1%的置信水平上顯著,盈利能力與技術創新效率顯著正相關,融資約束與技術創新效率顯著負相關,說明盈利能力強有助于企業擴大創新要素投入規模,提高技術創新重視程度與創新研發動力,以擴大創新投入、優化創新過程以及引導創新產出提升企業技術創新效率。企業面臨較為嚴重的融資約束問題時,其可能開展無重大技術突破的策略性創新而放棄必要的實質性創新活動,表面上增加創新成果數量以降低經營風險、回收營運資金,最終導致企業創新資源投入不足、創新產出轉化受限,即融資約束制約企業技術創新效率的提升。股權集中度與技術創新效率在10%的置信水平上顯著正相關,說明股權集中有助于充分發揮股東的監督功能,通過優化創新資源配置、增強創新動力與提高創新能力促進企業提升技術創新效率。

從外部影響因素來看,政府補助、金融科技發展水平與技術創新效率相關系數分別為0.218、0.304,且均在1%的置信水平上顯著,說明政府補助、金融科技發展水平均與技術創新效率顯著正相關,提高政府補助與金融科技發展水平均可以正向促進企業提升技術創新效率。主要原因在于:第一,實質性創新活動周期長、難度大、不確定性高且資金需求大,政府補助能夠為項目研發、技術改造以及技術創新等活動提供專項資金支持,緩解資金不足等問題對技術創新活動的制約作用,從而激發創新動力、提高創新能力與提升創新效率。第二,金融科技發展是提升技術創新效率的核心動力與有效途徑,金融科技導致市場產品規模擴大、需求多樣和質量上升,引導企業不斷加大技術創新力度、提高技術創新產出效率以滿足消費市場不同層次、不同類型的產品需求,且其能夠緩解企業與投資者之間信息孤島問題,以優化要素資源配置,提高技術創新效率與創新成果產出率。

四、結論與建議

本文采用DEA-BCC模型靜態分析高技術產業綜合技術效率,通過DEA-Malmquist指數分別從時間序列與區域維度動態分析高技術產業全要素生產率及其各項分解指標,并利用Tobit面板回歸模型探究長三角高技術產業技術創新效率的內外部影響因素。研究發現:第一,2017—2021年長三角高技術產業綜合技術效率均值為0.12,達到DEA有效水平的企業數量較少,整體技術創新效率仍處于較低水平,創新投入難以有效匹配創新產出,存在不同程度的投入冗余或產出不足。第二,2017—2021年長三角高技術產業全要素生產率均值為1.047,年均增長幅度達4.7%,呈現增長趨勢但增長速度有待提高。第三,長三角整體全要素生產率平均增長幅度為4.7%,技術進步增長是長三角區域高技術產業全要素生產率提升的關鍵要素。第四,Tobit面板回歸模型回歸結果表明企業規模、股權集中度、盈利能力是顯著提升技術創新效率的內部因素,融資約束、資產負債率是顯著抑制技術創新效率的內部因素,政府補助、金融科技是顯著提升技術創新效率的外部因素。基于上述分析,本文提出以下政策建議。

第一,發揮產業集群優勢,提高創新資源利用效率。長三角是我國經濟發展最活躍、創新能力最強的城市群之一,但大部分企業均存在技術創新規模效率遞減,說明創新資源未得到合理利用,存在不同程度的創新投入冗余或創新產出不足。加強長三角科技創新共同體建設,鼓勵產業內部整合重組創新資源、優化調整創新模式,以產業集群發展推動創新要素跨地區、跨行業流動,提高創新資源的區域流動效應與利用效率,平衡創新資源投入與創新成果產出,從而提升長三角高技術產業技術創新效率。

第二,激發技術創新動力,引導高技術產業由規模發展轉變為高質量發展。技術進步是長三角高技術產業提升全要素生產率的關鍵因素,產業發展應在擴大規模的基礎上提高創新要素投入強度,平衡規模擴張與發展質量之間的動態協調關系,轉變追求數量擴張的粗放發展方式,以質量提升推動產業發展“提質增效”。創新平臺、創新人才是激發技術創新動力的重要抓手,與高校、科研院所合作培養、引進高技術人才,強化政產學研合作力度,確保建立健全創新平臺、合作培養創新人才、協同研發關鍵核心技術和提升創新成果轉化能力逐漸成為高技術產業發展的核心動力,合理解決長三角高技術產業技術創新存在的規模報酬遞減效應。

第三,注重產業基礎與共性技術研發,加大政府科技創新扶持力度與金融科技支撐力度。技術創新過程需要投入大量要素資源,部分企業因資金限制等問題無法有效開展技術創新活動,這就需要政府部門加大高技術產業研發關鍵核心技術的資金補貼,支持創新平臺建設與創新要素投入,緩解技術創新過程企業可能面臨的融資約束等要素資源不足問題,從而充分發揮政府服務市場的重要作用。金融科技是提升企業信息披露質量、降低企業與相關利益主體間信息不對稱的有效手段,利用金融科技等數字信息技術深度挖掘、智能分析市場潛在需求,逐漸立足市場變化調整技術創新方向,從而提高策略性創新行為成功率與實質性創新行為成果轉化率。

第四,推進高技術產業治理結構改革,有效提升市場競爭力與盈利能力。上述分析顯示股權集中程度顯著影響高技術產業技術創新效率,股權適當集中有利于提升創新決策制定與創新要素投入的及時性,也是形成創新成果、提高創新成果市場轉化率的治理環境保障。同時,大部分高技術企業未達到創新投入與創新產出的最佳狀態,企業應優化技術創新管理過程,確保投資項目的盈利性和成功率,確保市場競爭力與盈利能力逐漸成為提升技術創新效率的重要基礎。