我国大陆沿海地区高技术产业创新效率评价分析——基于11个省市的实证研究

王淑君



我国大陆沿海地区高技术产业创新效率评价分析
——基于11个省市的实证研究

王淑君

（南京财经大学产业发展研究院，南京210046）

采用基于DEA的BC2模型测算2008—2012年中国大陆沿海地区11个省市区域的高技术产业的研发创新效率，并使用DEA-Malmquist指数测算11个省市区域高技术产业全要素生产率（TFP）的变动。研究表明除少数欠发达省份外，大部分省份呈现出规模报酬递减的特征；广东、江苏、上海等经济发达地区纯技术效率相对较高；2008年国际金融危机一定程度上影响了我国大陆沿海地区高技术产业的全要素生产率；技术进步对TFP的促进作用不明显。

高技术产业；创新效率；DEA；Malmquist指数

一、引言

自2014年以来，中国经济逐渐过渡到经济发展新常态阶段。此阶段既呈现出中国经济发展速度的放缓，又伴随着经济结构的优化调整。经济新常态阶段中国经济的发展动力何在，现阶段如何进一步提升中国发展的质和量等一系列问题成为专家学者讨论的热门话题。通过讨论，大家普遍认为创新驱动是现阶段中国经济发展的新引擎。在创新驱动的大背景下，本文尝试对我国大陆沿海地区11个省市区域高技术产业的研发创新效率做一些评价和分析，试图找出制约我国技术创新能力提升的主要因素。

二、文献综述

国内对高技术产业的效率研究最早可追溯到邵一华和马庆国的研究。该文献通过对比中国高技术产业与传统产业的投入、产出和全要素生产率（TFP）增长情况，分析认为应重视高技术产业在国民经济结构调整的积极作用［1］。之后，国内关于高技术产业的技术创新效率研究开始逐渐发展起来。现有研究多分为两个维度，一方面以高技术产业内各行业为研究对象，另一方面则是分区域、分省市研究高技术产业的技术创新效率。同时在大量的实证研究中，这两个维度的研究又体现了技术创新效率的多种测度方法。根据以上分类思想对现有文献做一个简要总结。

（一）高技术产业内分行业的技术创新效率研究

刘志迎、叶蓁基于非参数的Malmquist指数方法分析了中国高技术产业17个分行业1995—2004年间的技术效率变化情况，研究认为在这10年间技术进步水平的提高是高技术产业TFP增长的主要原因［2］；路永明利用数据包络分析（DEA）方法对我国高技术产业各行业在2002—2006年间的科技投入产出效率进行评价，分行业指出了我国高技术产业目前在科技投入产出效率、规模收益等方面存在的一些问题。之后又加入了关于投入冗余和产出不足的分析，认为我国高技术产业普遍存在科技人力资源的利用率不高以及产品的国际市场占有率偏低，国际竞争力不足等问题［3］；党国英和秦开强根据随机前沿分析（SFA）模型对2008—2012年中国高技术产业五大类23个分行业的技术创新效率进行分析。研究结果表明：不同行业技术创新效率差异显著，技术创新产出主要由研发人员投入驱动。在影响技术创新效率的诸因素中，知识产权保护水平存在显著的正向影响，技术差距与经济发展水平有着不明显的负向影响［4］；李向东等以1995—2006年中国高技术产业分行业面板数据为基础，同时为了使结果更为可靠，分别应用随机前沿分析（SFA）和数据包络分析（DEA）两种方法实证测算了高技术产业的研发创新效率。结果发现：DEA方法测算的效率高于SFA方法，但后者具有较强的稳定性；虽然两种方法测算的效率在均值上具有显著差异，但在排序方面却显示出高度的一致性［5］。

（二）分区域、分省市的高技术产业技术创新效率研究

刘俊杰、傅毓维以2006年中国高技术企业统计数据为依据，运用DEA方法对30个省份的高技术企业创新的有效性进行实证分析，并根据技术有效与否和规模有效与否大致把我国大陆30个省份高新技术企业创新的投入产出情况划分为六大类，分别予以探析［6］；李邃等以2000—2008年中国大陆28个省份的面板数据为基础，应用超越对数随机前沿模型，实证测评了各地区高技术产业研发创新的相对效率与全要素生产率增长情况。研究显示，各地区高技术产业研发创新技术效率存在差异，且东部地区高于中、西部。技术进步是全要素生产率增长的主要动力，而技术效率在考察期内并未发生明显变化［7］；牛冲槐、曹海曼利用中部6省1998—2009年的研发投入数据和2001—2012年的研发产出数据，运用超效率DEA方法，测算了各省高技术产业每年的研发创新效率及排序［8］。

本文在参考上述文献的基础上，选择采用DEA-Malmquist指数方法对我国沿海地区11个省市区域高技术产业的创新效率进行测算，并给出评价分析。

三、基于DEA-Malmquist指数方法的实证检验

（一）研究方法介绍

目前学术上测度效率的主流方法通常分为非参数方法和参数方法两大类，而其中以DEA为典型代表的非参数方法因事先不用估计具体的生产函数形式，测算结果被证实仍然客观有效等优点而被大家广泛采用。本文基于简便性和有效性考虑决定采用DEA方法中的BC2模型，该模型假定规模报酬可变，此时将综合技术效率细分为纯技术效率和规模效率。BC2模型的对偶形式可表示为如（1）式：

（1）式中n为决策单元的个数，xij表示第i决策单元的第j项的投入要素，yir为相对应的产出要素，s-、s+为松弛变量。θ为决策单元DMU0的有效值，且0≤θ≤1。如果θ等于1，则表明决策单元技术有效，否则认为技术无效。θ值越高，表明技术效率越高。

由于上述BC2模型只能通过计算截面数据对研发效率进行分析，无法进行面板数据分析，而Malmquist指数方法可以弥补其不足，因此笔者进一步采用Malmquist指数方法对我国高技术产业区域研发效率进行分析，使得分析更加全面。

Malmquist指数分析基于Färe等对全要素生产率变化（TFPC）提出的FGLR分解【9】、FGNZ分解［10］，具体如（2）式：

TFPC=TC×TEC=TC×PTEC×SEC（2）

（2）式中指技术进步变化指数；是综合技术效率变化指数；而综合技术效率变化指数又可分解为纯技术效率变化指数（PTEC）与规模效率变化指数（SEC）的乘积。

实际判断中，若SEC＞1则意味着单位纵向时间跨度间生产的规模效率有所提高，PTEC＞1说明纯生产技术效率的提高，TC＞1则表明由于新技术的使用或新发明的出现，使得生产前沿面向前推移，实现技术进步。反之，上述指标小于1，则表明相应效率的退化。

（二）指标选取及数据说明

1.指标选取

参考借鉴以往学者们的研究，这里只考虑两种投入要素：资本和劳动。其中，选取R&D经费内部支出（X1）和新产品开发经费（X2）作为资金投入指标，选取R&D人员折合全时当量（X3）作为人力投入指标。而产出主要集中在专利发明和经济产出两个方面。因此，本文选取发明专利申请量（Y1）衡量其专利发明的产出，选取新产品销售收入（Y2）衡量其经济效益产出。

2.数据说明

本文选取中国沿海地区11个省市2008—2013年的相关经济数据进行分析。由于研发投入转化为最终经济产出具有一定的时滞性，本文按照通常的做法，取滞后期1年。投入指标为2008—2012年的数据，产出指标为2009—2013年的数据，所有数据均来自于2009—2014年的《中国高技术产业统计年鉴》。

表1　中国大陆沿海地区各省市的高技术产业研发创新效率

四、效率评价与分析

（一）基于BC2模型的我国沿海地区11省市区域的效率评价与分析

基于规模报酬可变的投入主导型的DEA模型，利用Deap2.1软件，逐年测算了我国大陆沿海地区11省市2008—2012年的技术效率值、纯技术效率值和规模效率值。表1分别列出了2008年、2012年的各效率值以及2008—2012年的各效率的均值。结合表1，可得如下结论。

（1）11个省市2008—2012年综合效率均值的排名依次是天津、上海、海南（三个省市并列第二）、广东、福建、江苏、山东、辽宁、广西、浙江、河北。天津历年纯技术效率和规模效率的值都为1，在所有年份都是DEA有效的。综合来讲，天津的研发创新效率是沿海地区区域中最高的。

上海和海南虽然并列第二，但通过对综合效率的分解可以发现两个地方的创新效率还是有不同之处：海南的纯技术效率均值为1，显示为DEA有效，但最终因规模效率相对较低从而拉低了综合效率水平；不同于海南，上海凭借较高的规模效率一定程度上弥补了纯技术效率的缺失，最终综合效率与海南持平。另外，在规模报酬方面，上海总体呈现出规模报酬递减，海南则为规模报酬递增或不变。

（2）11个省市2008—2012年纯技术效率均值的排名依次是天津、广东、海南（并列第一）、江苏、上海、山东、福建、广西、辽宁、河北、浙江。与上面综合效率均值的排名相比，浙江除外，这里的排名与当地的经济发展水平更加吻合。因为纯技术效率反映的是企业在一定投入要素时（最优规模时）由于管理和技术等因素影响的生产效率，广东、江苏、上海等经济发达地区因汇集了大量科技和管理类的高端人才，再加上雄厚的资金支持，所以纯技术效率相对较高。唯一例外的浙江的较低纯技术效率可能是由于当地高校资源较少、科研人员和高端人力资本的不足所导致的，此结果与严焰、徐超的研究相一致［11］。

（3）通过统计我国大陆沿海地区11省市区域高技术产业2008—2012年规模收益变化情况，本文发现5年间只有2009年一年呈现规模收益递增的省份数略大于呈现规模收益递减的省份数，其他年份呈现规模收益递增的省份数远低于呈现规模收益递减的省份数。其中，广西完全表现为规模递增，上海、山东完全表现为规模递减。少数欠发达地区（如广西、河北）还可通过扩大规模提高效率，但大多数地区因规模过大反而阻碍了效率的提升，这类地区应细心研究，着手优化资源配置，切忌盲目扩张。

表2　历年平均Malmquist生产率指数及其分解

（二）基于Malm quist指数的我国大陆沿海地区11省市区域的效率评价与分析

为了说明不同时期我国大陆沿海地区区域研发创新效率变动情况，本文借助Deap2.1软件对2008—2012年我国大陆沿海地区11省市区域的研发投入—产出的面板数据进行分析。表2反映了沿海地区区域作为一个整体的效率变动情况。

从表2可以看出，2008—2012年我国大陆沿海地区区域高技术产业研发创新的全要素生产率年均增长率为-8.4%。其中，技术进步年均增长率为-6.6%，技术效率变化年均增长率为-2%。进一步细分技术效率变动情况，纯技术效率平均增长-3.2%，规模效率平均增长1.3%。总体来看，这段时间沿海地区区域高技术产业的技术效率呈现出负增长趋势。分阶段来看，2008—2009年出现了巨大的效率和技术衰退，探其原因，2008年国际金融危机首当其冲。伴随金融危机而来的市场（尤其国际市场）低迷对主要依靠国际市场的沿海地区的经济产生重大不良影响，进一步影响该地区高技术产业的投入和产出；2009—2010年的突然上扬部分可归因于政府宏观调控的影响。

表3　中国大陆沿海地区各省市2008—2012年平均Malmquist生产率及其分解

表3对5年间的效率变动情况做了省域对比。根据表3将各省市按全要素生产率年均增长率高低排序，依次是天津、山东、江苏、广西、浙江、广东、上海、福建、辽宁、河北、海南。除天津外，其他省市的全要素生产率年均增长率均为负值。发现天津和海南的全要素生产率的增长均可全部由技术进步解释，区别是天津技术进步年均增长率为7%，而海南技术进步年均增长率为-28.3%。技术进步的这种下降趋势有可能成为海南高技术产业可持续发展的制约因素。

另外，通过对比技术效率指数和技术进步指数，发现在天津、江苏、福建、山东，技术进步是推动其全要素生产率增长的关键因素；而在其他省市技术进步放缓，技术效率变化的增长成为了其全要素生产率增长的动力来源。在以技术效率变化的增长为主导的全要素生产率增长的省市中，只有上海、广西技术效率变化的增长主要来源于纯技术效率的提高，而河北、辽宁、浙江、广东技术效率变化的增长主要来源于规模效率的提高。但是，随着中国高技术产业的规模扩张，大多省份呈现规模报酬递减的状况，资源投入过剩，产出不足的现象仍然存在，致使规模效率的增长并不明显，从而未能阻止全要素生产率增长率的下降。

五、结论

本研究基于规模报酬可变的假设，建立BC2模型，对中国大陆沿海地区11省市区域的高技术产业的研发创新效率进行了测算，并构建了Malmquist指数，探索各地区全要素生产率增长的源泉所在，研究结果如下。

（1）除少数欠发达省份外，大部分省份呈现规模报酬递减的状况，需要控制其高技术产业的发展规模，努力提升生产要素的生产使用效率。

（2）中国大陆沿海地区11个省市纯技术效率的排名与当地的经济发展水平更加吻合。广东、江苏、上海等经济发达地区因汇集了大量科技和管理类的高端人才，再加上雄厚的资金支持，所以纯技术效率相对较高。唯一例外的浙江的较低纯技术效率可能是由于当地高校资源较少、科研人员和高端人力资本的不足所导致的。

（3）受2008年国际金融危机的影响，我国大陆沿海地区区域高技术产业研发创新的全要素生产率在2008—2009年出现严重的负增长，而其在2009—2010年的突然上扬部分可归因于政府宏观调控的影响。但是从长期趋势看，宏观刺激政策并未带来持续的效率改善。

（4）技术进步指数的历年平均值和各省市平均值均低于相对应的技术效率指数，说明目前我国大陆沿海地区区域高技术产业研发创新的全要素生产率提升主要由纯技术效率和规模效率提升驱动，技术进步的作用不明显。在技术密集的高技术产业，技术进步或技术创新却未得到很大的提高，这一定程度上影响制约了中国的高技术产业的研发创新效率。如何促进企业的技术创新是一个要深入研究的课题。

［1］邵一华，马庆国.中国高技术产业与传统产业要素重配置效应分析［J］.科研管理，2001（2）：40-45.

［2］刘志迎，叶蓁.中国高技术产业各行业技术效率的实证分析：基于非参数的Malmquist指数方法［J］.科学学与科学技术管理，2006（9）：22-27.

［3］路永明.基于DEA的我国高技术产业科技投入产出效率评价［J］.经济师，2008（3）：46-48.

［4］党国英，秦开强.高技术产业的技术创新效率与影响因素：对五大类23个分行业的效率分析［J］.产经评论，2015（2）：15-27.

［5］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.

［6］刘俊杰，傅毓维.基于DEA方法的高技术企业创新效率研究［J］.科技管理研究，2008（3）：28-30.

［7］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（11）：169-175.

［8］牛冲槐，曹海曼.中部六省高技术产业研发创新的相对效率分析：基于超效率DEA方法［J］.工业技术经济，2015（2）：111-116.

［9］Färe R，Grosskopf S，Lindgren B，Roos P.Productivity change in Swedish pharmacies1980—1989：a nonparametric Malmquist approach［J］.Journal of Productivity Analysis，1992（1-2）：81-97.

［10］Färe R，Grosskopf S，Norris M，Zhang Z.Productivity Growth，Technical Progress and Efficiency Change in Industrialized Countries［J］.American Economic Review，1994（1）：66-83.

［11］严焰，徐超.浙江高技术产业技术效率评价研究［J］.经济研究导刊，2014（33）：50-51.

（编辑：张薛梅张雪梅）

Evaluation of Innovation Efficiency of High-Tech Industry in China's Main land Coastal Areas：An Em pirical Study

WANG Shu-jun
（Research Institute of Industrial Development，Nanjing University of Finance and Economics，Nanjing，210046，China）

Using the BC2model based on DEA method，this paper calculates the 2008—2012 innovation efficiency of high-tech industry in China's 11 coastal provinces，and measures TFP changes of the period with the method of DEA-Malmquist index.The study shows thatmost provinces'（except a few less developed ones）scale efficiency decreases progressively，that pure technical efficiency is relatively high in the developed areas，that TFP has been influenced to some extent by 2008 international financial crisis，and that technical progress does not affectobviously the increase of TFP.

high-tech industry；innovation efficiency；DEA；Malmquist index

F 127

A

1671-4806（2016）02-0048-05

2015-12-04

王淑君（1989—），女，安徽淮北人，硕士研究生，研究方向为区域经济、产业经济。