基于两阶段的中国高技术产业创新效率研究——来自省级面板数据的实证分析

杨向阳，童馨乐，李 霓

(1.南京财经大学 国际经贸学院，江苏 南京 210046；2.南京农业大学 经济管理学院，江苏 南京 210095)

一、引 言

国家“十二五”规划明确提出，要加强财税金融政策支持，推动高技术产业做强做大，充分发挥其对产业结构升级、增长质量提升、发展方式转变的引领和促进作用。统计资料显示，2010年中国高技术产业产值达到7.47万亿元，占国内生产总值的18.62%，是国民经济发展的重要支撑。与此同时，在金融危机和欧洲债务危机的影响下，当前的全球经济仍处于不稳定时期，中国所处的国际经济环境日趋复杂，新兴产业快速发展，技术、商业模式和产业组织形式的创新十分活跃，经济转型将面临更大的挑战。在这种新形势下，为积极应对上述挑战，研究和加快发展中国高技术产业，是推进产业结构升级和构建国际竞争优势的迫切需要，也是实现中国经济可持续发展的必然选择，具有十分重要的现实意义。从现实情况来看，近年来，中央政府和地方政府均对中国高技术产业给予了高度关注，先后颁布了一系列政策措施，支持高技术产业发展，并取得了积极成效。但值得注意的是，在政府支持高技术产业发展的过程中，如何更加科学合理地进行政策和制度设计，充分发挥市场机制的调节作用，促进资源整合，提高资源配置效率，仍存在诸多问题，亟待研究和解决。创新作为高技术产业的核心特征，其绩效状况将直接决定高技术产业发展水平和对国民经济的贡献，因而备受政府部门和学术界的关注。为此，科学合理测度中国高技术产业创新绩效至为关键，这也是本文研究的基本出发点。

围绕中国高技术产业创新效率的测算问题，研究者主要从以下几个层次展开：首先，高技术产业创新效率研究方法的选择。概括而言，度量高技术产业创新效率的方法包括两种：一种是非参数分析方法，以数据包络分析(DEA)方法和因子指标体系法为代表，适用于多投入多产出过程中的效率度量，无需建立变量间的严格函数关系；另一种是参数分析方法，以随机前沿分析(SFA)方法为代表，主要依据数据的随机性假设估算前沿生产函数，经济理论基础坚实，并可根据统计检验值来判定模型是否适用［1-3］。就本质而言，尽管不同的研究者在使用时存在着一定偏好，但这两类方法并不存在简单的孰优孰劣问题，关键取决于具体分析情形［4-6］。其次，分行业高技术产业创新效率的估计。从动态发展趋势来看，中国高技术产业创新效率整体偏低，但呈逐年上升态势［7］，这主要由技术进步推动，资源配置效率的贡献较小［8］，而纯技术效率在逐年改善，但规模效益较差，规模效率逐年下降［9］。值得注意的是，2002年后中国高技术产业全要素生产率出现下降，其发展已由单纯追求技术创新向技术创新与制度创新相结合转变［10］。再次，分地区高技术产业创新效率的测度。从不同地区的情况看，中国高技术产业技术效率存在显著的地区差异，东部地区高于中西部地区，但落后地区的追赶效应明显［11］。高技术产业研发创新的全要素生产率与技术进步均有所增长，多数地区的技术进步增长率高于全要素生产率增长率［12］。最后，不同阶段高技术产业创新效率的考察。从不同阶段的表现来看，高技术产业的转化效率要低于创新效率［13］，这在原创性高新技术产业尤为明显，其主要原因在于，技术开发阶段存在原创性产出不足，成果转化阶段存在竞争性产出不足［14］。但这同时也意味着，技术开发效率和成果转化效率都有进一步改善的空间［15］。此外，不同行业投入产出链效率差异较大，且同一行业科技投入产出链的不同阶段效率存在明显不同［16］。

综合上述分析，研究者对中国高技术产业创新效率问题已经开展了一系列研究，并取得了较为丰富的研究成果，这为后续研究提供了重要基础。但是，有必要指出的是，已有文献在研究视角拓展、研究对象聚焦、研究内容深化等方面仍有一定的不足之处，有待作进一步的补充和完善。正是基于这一背景，本文在将高技术产业创新过程划分为技术开发阶段和技术成果转化阶段的基础上，运用省级面板数据，借助基于非参数的Malmquist指数方法，具体考察中国高技术产业的创新效率变化情况。在借鉴前人研究成果的基础上，本文尝试对已有文献进行拓展，这主要体现在：一方面，研究内容进一步深化。结合高技术产业的基本特征和创新过程，进一步区分其创新要素投入和产出成果的具体形式，由此将高技术产业创新过程划分为技术开发阶段和技术成果转化阶段，以更加细致深入地考察其创新状况，为准确度量高技术产业创新效率提供依据。另一方面，研究视角进一步聚焦。从影响中国高技术产业发展的主体构成来看，地方政府在当前和今后一段时期都是重要组成部分，考虑到在经济转型时期，市场配置资源的机制仍存在诸多不完善之处，在这种情况下，选择行政省为研究视角，而不是行业，将具有更为积极的政策参考价值。本文以下部分的结构安排如下：第二部分介绍研究方法，并交代数据来源与处理情况；第三部分报告实证分析结果，并进行相应的分析和解释；第四部分为主要结论。

二、研究方法和数据说明

(一)研究方法

在考察中国高技术产业创新效率时，本文把中国大陆地区的每个行政省作为一个基本决策单元，具体研究方法选择的是基于非参数分析的Malmquist指数方法。Malmquist指数最初由Malmquist［17］提出，Caves等［18］首先将其应用于生产率变化的测算之中，此后与Charnes等建立的数据包络分析理论相结合，在生产率测算中的应用日益广泛［19］。在度量效率变化的实证分析中，研究者经常采用Fare等构建的基于非参数的Malmquist指数［20］。Malmquist生产率指数主要具有三个方面的优点：①不需要相关的价格信息，这对实证分析特别重要，因为，一般情况下，相关投入和产出的数量数据比较容易得到，而要素价格等信息的获取通常比较困难，有时甚至不可能；②适用于多个国家或地区跨时期的样本分析；③可以进一步分解为技术效率变化指数和技术进步指数。从时期t到时期t+1，度量全要素生产率增长的Malmquist指数可以表示为：

其中，(xt+1,yt+1)和(xt,yt)分别表示时期t+1和时期t的投入和产出向量；和分别表示以时期t的技术Tt为参照，时期t和时期t+1的距离函数。根据以上分析，以时期t的技术Tt为参照，基于产出角度的Malmquist指数可表示为：

类似地，以时期t+1的技术Tt+1为参照，基于产出角度的Malmquist指数可表示为：

为避免时期选择的随意性可能导致的差异，仿照Fisher理想指数的构造方法，可以用上述两个公式的几何平均值作为衡量从时期t到时期t+1生产率变化的Malmquist指数。该指数大于1时，表明从时期t到时期t+1全要素生产率是增长的。根据上述处理得到的Malmquist指数具有良好的性质，因为它实际上包含了Fisher指数和Tornqvist指数，是更为一般性的生产率指数，并可分解为不变规模报酬假定下技术效率变化指数(EC)和技术进步指数(TP)。综上所述，可以将Malmquist指数的具体分解过程用如下公式表示：

在这里，技术效率(EC)指的是在给定技术水平下，各省高技术产业实际产出水平与理论最佳产出水平(即生产可能性边界)的比值，其经济学含义是，每个省高技术产业从时期t到时期t+1的技术效率变化。技术进步(TP)指的是各省高技术产业生产可能性边界发生了移动，向外移动表示技术进步水平提高，反之则表示技术进步水平下降，其经济学含义是时期t到时期t+1的技术进步，即对于要素投入量处于区间[xt,xt+1]内的省份而言，高技术产业生产可能性边界提高之后所引起的产量提高。其中，技术效率变化指数(EC)还可进一步分解为纯技术效率指数(PC)和规模效率指数(SC)。综上所述，为考察从时期t到时期t+1第i个省高技术产业全要素生产率的变化，需计算如下四个基于DEA的距离函数：

这样，借助线性规划方法即可估算出Malmquist全要素生产率指数，进而展开相应分析。

(二)数据说明

如前所述，本文将高技术产业创新过程划分为技术开发阶段和技术成果转化阶段。其中，在技术开发阶段，主要是通过研发投入进行高技术开发，其结果往往表现为专利和非专利技术等创新成果，这是高技术产业新知识和新技术形成的过程；在技术成果转化阶段，主要是运用开发出来的高技术，或者对引进技术进行改造和消化吸收，生产新产品并向市场销售，获取利润，这是技术开发成果转换为现实生产力的过程。因此，为具体考察中国高技术产业创新效率，本文在借鉴已有研究成果的基础上，结合数据的代表性和可得性，最终确定两个阶段的投入产出指标；分析样本方面，山西、黑龙江、湖南、广东、广西、陕西、甘肃、青海等8个省份因数据缺失较多，所以最终用于实证分析的为23个省份，所有基本数据均来源于历年《中国高技术产业统计年鉴》和《中国科技统计年鉴》。下面对各指标的选取和数据处理情况予以说明。

技术开发阶段：①投入指标。投入指标选择的是研发人员和研发资金。其中，研发人员用R&D活动人员折合全时当量、科学家和工程师人数两项投入来替代；研发资金用R&D经费内部支出、购买和引进技术经费两项投入来替代。②产出指标。产出指标选择的是专利申请数和拥有发明专利数。其中，专利申请数反映所在省份高技术产业技术创新活动的活跃程度与申请者寻求专利保护的积极性，而拥有发明专利数反映所在省份高技术产业的自有知识产权拥有量、市场竞争能力与未来发展潜力。

技术成果转化阶段：①投入指标。投入指标选择的是技术、资金和人员。其中，技术用技术开发阶段取得的成果——专利申请数和拥有发明专利数替代；资金用新产品开发经费、技术改造和消化吸收经费来替代；人员用科技活动人员来替代。②产出指标。产出指标选择的是新产品销售收入和利润总额，反映的是技术创新成果最终在市场上的表现。

在进行实证分析之前，仍有两个问题需要解决：一是消除价格因素的影响，这里采用1990年不变价格指数对相关变量进行了平减处理；二是消除研发滞后的影响，考虑到本文所选指标与高技术转化周期趋于缩短的特点，同时借鉴Furman等［21］的做法，这里将研发滞后期设置为3年。

三、估计结果分析

综合上述分析，本文使用1997-2010年中国省级面板数据，借助软件DEAP2.1［22］估算了各省高技术产业逐年的Malmquist全要素生产率指数，并对其进行了进一步分解。在此基础上，将各省的估算结果进行汇总平均，由此得到全国高技术产业全要素生产率增长情况。

(一)技术开发阶段的估计结果分析

表1列出了技术开发阶段中国高技术产业Malmquist生产率指数及其分解结果。

表1 技术开发阶段中国高技术产业Malmquist生产率指数及其分解结果

根据表1的估计结果可以看出，在技术开发阶段：①1997-2010年期间，中国高技术产业全要素生产率的平均增长率为21.03%，这主要是技术进步水平迅速提高所带来的结果，其平均增长率达到18.49%；同时，技术效率的改善也起到了一定的积极作用，其平均增长率为2.76%。就变化趋势而论，中国高技术产业全要素生产率总体上保持快速增长，并表现出阶段性的波动性特征。其中，1997-2000年为快速下降阶段，2000-2003年为快速回升阶段，2003-2010年为缓慢下降阶段。②1997-2010年期间，中国高技术产业技术进步的平均增长率为18.49%，其动态演进特征与全要素生产率保持着很强的一致性，增长率最高的年份为1998年，达到47.1%；增长率最低的年份是2000年，只有-13.3%。③1997-2010年期间，中国高技术产业技术效率的平均增长率为2.76%，尽管年际间存在一定的小幅波动，但总体上呈平稳增长态势。从技术效率的分解情况来看，在样本期内，中国高技术产业纯技术效率的平均增长率为1.61%，规模效率的平均增长率为1.12%，且纯技术效率和规模效率在增长特征上均与技术效率保持较好的一致性。

(二)技术成果转化阶段的估计结果分析

表2列出了技术成果转化阶段中国高技术产业Malmquist生产率指数及其分解结果。

表2 技术成果转化阶段中国高技术产业Malmquist生产率指数及其分解结果

根据表2的估计结果可以看出，在技术成果转化阶段：①1997-2010年期间，中国高技术产业全要素生产率的平均增长率为-6.05%，导致这一结果的主要原因是技术进步水平的快速下降，其平均增长率为-6.75%；而技术效率的平均增长率为3.79%。因此，在综合效果上，技术进步水平的下降在很大程度上抵消了技术效率改善的积极作用。从演进特征来看，样本期内中国高技术产业全要素生产率总体上呈不断下降趋势，2008年后开始回升到正增长状态，并保持了较高的增长率。②1997-2010年期间，中国高技术产业技术进步的平均增长率为-6.75%，并表现出明显的波动性增长特征，演进轨迹大致呈“W”型。其中，技术进步增长率最高的三个年份分别为2000年、2005年和2010年，其增长率分别为14.2%、15.6%和11.2%；增长率最低的两个年份分别为-28%和-45.1%。③1997-2010年期间，中国高技术产业技术效率的平均增长率为3.79%，具有显著的波动性特点。从技术效率的分解情况来看，在样本期内，中国高技术产业纯技术效率的平均增长率为3.4%，并与技术效率的变化特征保持高度一致；规模效率的平均增长率为0.41%，总体上比较平稳。

(三)技术开发阶段与技术成果转化阶段的估计结果比较

图1描述了技术开发阶段与技术成果转化阶段中国高技术产业Malmquist生产率指数的变化情况。

图1 技术开发阶段与技术成果转化阶段中国高技术产业Malmquist生产率指数比较

根据图1可以发现，1997-2010年期间，中国高技术产业在技术开发阶段与技术成果转化阶段的全要素生产率水平存在显著差异，两个阶段平均增长率的差距达到27.08%。从不同年份的情况来看，除2000年外，中国高技术产业在技术开发阶段的全要素生产率增长率均高于技术成果转化阶段，其最大差距出现在2003年，达到49.8%；差距最小的年份是2010年，只有8.7%。

上述结果也进一步表明，在中国高技术产业快速增长的同时，仍存在着创新效率低下等急需解决的问题。具体而言，尽管中国高技术产业创新效率在技术开发阶段保持良好发展态势，但在技术成果转化阶段的表现仍不容乐观。事实上，成果转化率偏低是中国科技创新面临的普遍性问题，这在高技术产业方面也得到了验证。因此，如何通过科学合理的制度安排和政策设计，明确政府和企业在创新中的定位，充分发挥政府在营造创新环境中的主导作用，逐步形成激发企业创新潜力的长效机制，提高技术成果转化效率，将是决定中国高技术产业创新效率的关键［23］。

四、结 论

当前，坚持创新驱动，着力推进产业结构优化升级，已经成为中国经济转型和发展方式转变的核心内容之一，这为今后一段时期的高技术产业发展创造了新的机遇，有利于进一步巩固和加强高技术产业在创新中的引领作用。因此，中国高技术产业创新效率能否持续提高，将在很大程度上影响产业创新能力，进而决定产业发展水平。正是在这种背景下，本文在将高技术产业创新过程划分为技术开发阶段和技术成果转化阶段的基础上，使用1997-2010年省级面板数据，采用基于非参数的Malmquist指数方法，定量考察了中国高技术产业创新效率状况。实证分析结果表明：①在技术开发阶段，中国高技术产业全要素生产率总体上保持快速增长，并表现出阶段性的波动性特征，其平均增长率为21.03%，这主要得益于技术进步水平的快速提高和技术效率的小幅改善，其平均增长率分别为18.49%和2.76%；②在技术成果转化阶段，中国高技术产业全要素生产率总体上呈不断下降趋势，其平均增长率为-6.05%，关键原因在于技术进步水平的明显下降，并在很大程度上抵消了技术效率的改善，其平均增长率分别为-6.75%和3.79%。

根据上述研究结果，为持续提高中国高技术产业创新效率，加快产业发展，发挥其技术创新的外溢效应，应积极采取措施，努力实现中国高技术产业创新由偏重技术开发向技术开发与技术成果转化并重转变。为此，识别影响中国高技术产业创新效率，特别是技术成果转化阶段效率的关键因素，剖析其作用机制，从政府和企业两个层面提出相应的政策设计及具体措施，将是笔者下一步的研究方向。

［1］周立群，邓路.企业所有权性质与研发效率——基于随机前沿函数的高技术产业实证研究［J］.当代经济科学，2009，31(4)：70-75.

［2］方福前，张平.我国高技术产业的投入产出效率分析［J］.中国软科学，2009(7)：48-55.

［3］余泳泽，武鹏.我国高技术产业研发效率空间相关性及其影响因素分析——基于省级面板数据的研究［J］.产业经济评论，2010(3)：71-86.

［4］Gong B H，Sickles RC.Finite sample evidence on the performance of stochastic frontiers and data envelopment analysis using panel data［J］.Journal of Econometrics，1992，51(1/2)：259-284.

［5］Berger A，Humphrey D.Efficiency of financial institutions：International survey and directions for future research［J］.European Journal of Operational Research，1997，98(2)：175-212.

［6］Fethi MD，Pastiouras F.Assessing bank efficiency and performance with operational research and artificial intelligence techniques：a survey［J］.European Journal of Operational Research，2010，204(2)：189-198.

［7］李向东，李南，白俊红，等.高技术产业研发创新效率分析［J］.中国软科学，2011(2)：52-61.

［8］梁平，梁彭勇，黄馨.中国高技术产业创新效率的动态变化——基于Malmquist指数法的分析［J］.产业经济研究，2009(3)：23-28.

［9］官建成，陈凯华.我国高技术产业技术创新效率的测度［J］.数量经济技术经济研究，2009(10)：19-33.

［10］王大鹏，朱迎春.中国高技术产业生产率增长来源：技术进步还是技术效率［J］.中国科技论坛，2011(7)：24-31.

［11］范凌钧，李南，陈燕儿.中国高技术产业技术效率区域差异的实证分析［J］.系统工程，2011，29(2)：56-62.

［12］李邃，江可申，郑兵云，等.高技术产业研发创新效率与全要素生产率增长［J］.科学学与科学技术管理，2010，31(11)：169-175.

［13］贺京同，冯尧.中国高技术产业科技成果转化效率的实证研究——基于DEA-Malmquist指数方法［J］.云南社会科学，2011(4)：92-97.

［14］刘和东，陈程.中国原创性高新技术产业技术效率测度研究——基于创新链视角的两阶段分析［J］.科技进步与对策，2011(12)：119-124.

［15］余泳泽.我国高技术产业技术创新效率及其影响因素研究——基于价值链视角下的两阶段分析［J］.经济科学，2009(4)：62-74.

［16］冯锋，马雷，张雷勇.两阶段链视角下我国科技投入产出链效率研究——基于高技术产业17个子行业数据［J］.科学学与科学技术管理，2011，32(10)：21-26.

［17］Malmquist S.Index numbersand indifferencecurves［J］.Trabajos de Estatistica，1953(4)：209-242.

［18］Caves D W，Christensen L R，Diewert W E.The economic theory of index numbers and the measurement of input and output，and productivity［J］.Econometrica，1982(6)：1393-1414.

［19］Charnes A，Cooper W，Seiford L M.Data envelopment analysis：theory，methodology，and application［M］.Dordrecht：Kluwer Academic，1994：61-80.

［20］Fare R，Grosskopf S，Norris M，et al.Productivity growth，technical progress and efficiency changes in industrialized countries［J］.American Economic Review，1994，84(1)：66-83.

［21］Furman JL，Porter M E，Stern S.The determinants of national innovative capacity［J］.Research Policy，2002，31(6)：899-933.

［22］Coelli TJ.A guide to DEAPversion 2.1：a data envelopment analysis(computer)program［R］.CEPA Working Paper，Department of Econometrics，University of New England，1996.

［23］齐美东，胡洋阳.股份制对中国经济增长的影响——基于1999-2010年的数据分析［J］.经济管理，2011(10)：185-193.