高新技术产业创新效率及影响因素研究——基于安徽省与东部11省市的比较分析

许广永，郝红美

(安徽财经大学 工商管理学院，安徽 蚌埠 233000)

1 问题提出

技术和知识密集型产业对推动经济长远发展、产业结构升级和社会和谐稳定有着深远的影响，在“十三五”时期，必须树立落实“创新、协调、绿色、开放、共享”的发展理念。安徽省积极贯彻落实科技创新精神，推动创新驱动发展战略，着力实施五大发展行动计划，高新技术产业发展保持着稳健发展态势，为安徽省的供给侧结构性改革发挥重要的作用。在“十二五”规划期间安徽省高新技术产业取到了显著的突破，据安徽省最新统计年报，2017年，安徽省规模以上高新技术产业产值比2016年增长20.4%，增加值增长14.8%，高新技术产业增加值占全省规上工业增加值的比重为40.2%，比2016年提高0.4个百分点。全省规模以上高新技术产业对全省规模以上工业增加值增长的贡献率为63.5%。可见，高新技术产业的发展在全省经济发展中有着至关重要的地位。从纵向发展来看，安徽省高新技术产业取得了一定的成绩，但是，和其他部分省市横向比较，仍然较落后。杨清可[1]等，方大春[2]等在对省际高新技术产业创新效率的研究中发现，从横向上对比北京、上海、江苏、广州等发达地区，安徽省高新技术产业的创新效率仍然处于落后态势。为此，比较安徽省与东部11个省市的高新技术产业，力图揭示安徽省在高新技术产业发展中创新效率存在的问题，从而提出有针对性的意见建议，改善安徽省高新技术产业的创新效率，从而推动安徽省经济的发展和产业结构的升级。

关于高新技术产业创新效率的研究，从区域方面开展的，如陈红梅[3]等采用综合评价模型对30个省域的技术创新效率进行对比，发现各省区技术创新的总体效率水平都比较低，而且普遍存在创新投入不足的弊端。黄毅[4]从创新环境的视角对我国30个省市的技术创新效率进行了分析。赵文平[5]等运用超效率DEA方法测算丝绸之路经济带9省市区域创新效率,并对区域创新效率进行动态对比，研究表明不同的环境下创新效率的差异性较大。李牧南[6]等对广东省19个地市专业镇的创新效率开展了针对性研究；从行业层面分析各个行业创新效率的差异性，如龚光明[7]等基于动态网络DEA模型，选取2001～2012年的相关数据，分别对高新技术产业的五大行业创新效率进行了测算和分析，研究发现我国高新技术产业创新效率在逐步增长，同时发现我国在专利利用上没有得到有效的发挥，科技成果未能有效加以转化；从企业层面评价创新效率，如Lu[8]等对台湾地区194个高新技术企业进行研究，运用DEA方法中的BCC模型对企业的研发效率和绩效水平做出分析与评价。肖仁桥[9]等采用共同前沿理论和DEA模型分析2005～2010年我国不同性质企业技术创新效率差异、损失来源以及影响机制。

在对高新技术产业的创新效率的研究方法和指标选取上，国内外学者常用非参数方法和参数方法，DEA模型和SFA回归分析。如Wang[10]选取R&D投入、专利申请数、新产品销售额等指标，并运用SFA方法对30个国家的创新效率展开了分析，发现各国收入水平和国家创新效率水平呈现正相关关系；余泳泽[11]从价值链的视角,分为技术开发和技术成果转化两个阶段,并利用松弛变量的DEA模型分别对各阶段效率及其影响因素开展了研究；Hu[12]等对24个国家1998～2005年相关数据进行整理，运用SFA的参数方法对R&D效率展开分析，研究表明政府参与、业务部门技术合作、研发设备集聚等都提高了研发效率；刘伟[13-14]运用DEA和SFA两种方法相结合测算了中国15个高新技术产业细分行业研发创新效率，研究显示在剔除环境变量和随机干扰后，规模效率被高估，而纯技术效率则被低估；龚光明[15]基于动态网络DEA方法,计算了中国高新技术产业创新效率；王惠[16]等采用Super-SBM模型测度环境约束下中国高技术产业绿色创新效率。

上述文献从区域、行业、企业层面对高新技术产业创新效率进行了研究，不同学者在研究方法和指标选取上也不尽相同，但在环境因素影响和不同指标的关联性，以及区域之间的比较研究等方面仍然需要进一步探索和挖掘。文中将安徽省高新技术产业与东部11个省市进行了对比研究，在研究方法上，利用因子分析和DEA三阶段相结合，既保留了原有指标的特性，也剔除了环境因素和随机干扰因素，在数据处理上考虑到了无量纲化和滞后期等因素，使准确性更高。另外，从省际角度、行业角度对安徽省的高新技术产业进行了比较分析。

2 研究设计

2.1 模型构建方法与步骤

利用DEA三阶段模型进行效率的测算，模型的步骤具体如下。

第一阶段Fried[17]等采用的是规模报酬可变的BCC模型，假设有n个决策单位DMU(DMU1，DMU2，…，DMUn)，每个决策单元都有m种类型的投入量和s种类型的产出量，对于任一个决策单元DMU，鉴于BBC模型较为成熟这里不再多做介绍。

第二阶段通过构建SFA模型对可能造成投入松弛的因素进行分离，通过剔除环境和随机误差的影响得到仅由管理无效率造成的投入冗余情况。回归方程如下：

Sni=fn(zi;βn)+vni+uni,i=1,2,…,I,

(1)

根据罗登跃[18]给出的测算管理无效的公式：

(2)

由式(2)计算得出uni，此时可以根据式(3)推出vni，即

vni=Sni-fn(zi;βn)-uni,

(3)

最后借助Battese和Coelli编写的Froniter 4.1软件，投入的调整公式为：

(4)

第三阶段为调整后的DEA模型，经过第二阶段SFA回归，计算得出剔除环境变量和随机误差后的投入变量，将调整后的投入变量和原产出变量再重新进行第一阶段的BCC模型分析，此时得出的效率值排除了环境因素和随机误差的影响。

2.2 样本的选取与数据的来源

鉴于数据的适用性和可获得性，选取了安徽省及北京、天津、河北、辽宁、上海、江苏、浙江、福建、山东、广东、海南等东部11个省市高新技术产业的相关指标数据，时间跨度范围为5年，借鉴大多数学者对滞后期的处理(刘伟[14]；傅为忠[19]等)，采用滞后期为1年，即投入指标的数据为2011～2015年，产出指标的数据为2012～2016年，对部分缺失的数据采用指数平滑法进行预测，所用的主要数据来自相应年份的《中国高技术产业统计年鉴》。

2.3 指标体系的构建和环境变量的选择

(1)投入产出指标选取。借鉴经济学家熊彼特对创新的阐释，认为创新真正意义上体现在研发活动的一系列过程，在投入要素的选择上资本和劳动力是最重要的投入指标，研究与发展经费投入和研发劳动投入对创新效率有直接影响。赵琳[20]等、李向东[21]等、刘满凤[22]等将R&D人员和科技活动人员作为投入指标，因此，将R&D人员折合全时当量以及从事研发的研究人员作为劳动力投入。对于资本投入方面，陈程[23]等学者选用用于基础研究、应用研究和试验发展等相关项目R&D内部经费支出作为资本投入，而新产品开发经费支出、引进技术经费支出、消化吸收经费支出、购买国内技术经费支出和技术改造经费的支出对新产品的产出有直接影响。由于引进技术经费、消化吸收经费和购买国内技术经费支出的大量缺失性，故不做考虑，仅用技术改造经费支出也具有代表性，因此，将新产品开发经费支出和技术改造经费支出作为投入指标。部分学者把新增固定资产作为新产品开发前期的资本投入，鉴于本文通过运用因子分析方法来提取主成分，也将新增固定资产作为投入指标。

对于创新活动产出，从两个方面来衡量，一是科技产出，这里主要指科技论文数、专利数量；另一个是科技成果向商业化的转化，主要指新产品的开发数目、新产品的产值和收入情况。国际上对于创新活动中科技产出通用专利作为衡量指标，高新技术产业创新过程中专利是其产出的重要依据。钱丽[24]等、龚光明[15]等在研究高新技术产业效率时，选用专利申请数、拥有发明专利数作为产出指标。因此，用专利申请数和拥有发明专利数作为创新活动的科技类产出指标。对于科技成果商业化产出，选用新产品销售收入和新产品出口额作为产出指标，而新产品开发项目数也是创新活动中直接产出，因此，也将其作为产出指标加以考虑，具体的投入产出指标体系构建如表1所示。

表1 高新技术产业创新投入产出指标体系构建

(2)环境变量选择与说明。地区劳动者素质(QUA)。地区劳动者素质在高新技术产业创新研发中有着重要作用，主要体现在可以为高新技术产业提供高技术型人才和创新要素支持，能够提高地区创新研发效率水平。因此，选择高新技术产业R&D人员占从业人员比重来表示地区劳动者素质。

企业规模(SIZE)。规模反映行业的市场规模状态，相对于大型企业来说，规模大，有足够的人力和资金支持，在进行技术创新时，创新成本较低，创新利润较高；就小型企业来说，灵活性更强，能够迅速地进行更新，创新效率较高。因此，采用高新技术产业的主营业务收入与企业数的比重来表示企业规模。

政府支持(GOV)。政府高新技术产业研发创新过程中的支持体现在相关政策上，如制度支持、税收优惠、研发资金资助等。政府对高技术产业的投入主要在技术经费补助方面，政府的资金支持能够增加R&D投入，因此影响高新技术产业创新效率。考虑数据可得性，选择R&D经费内部支出中政府资金占比来表示政府支持。

外资影响(FDI)。外资可以通过以下方式对高新技术产业创新效率产生影响。一是可以通过研发资金投入、创新人才交流、先进技术设备引进对技术效率产生正向的外溢效应；二是会对内资企业展开资源的争夺，成为竞争对立面，对高新技术产业产生负向影响。因此，选择三资企业的新产品销售收入占比来表示外资的影响。

地区经济发展水平(GDP)。一般来说，地区经济发展水平对高新技术产业创新投入有重大影响，地区经济发展水平越高，相应的地区的高技术人才资源越多，资金储备越充沛，能够为高新技术产业的研发创新提供人力、物力、资金的支持力度就大。因此，采用各地区的人均GDP来表示地区的经济发展水平。

3 指标数据处理

3.1 对投入指标的处理

在数据处理上，先利用因子分析对原始数据进行标准化，之后对标准化的数据进行提取公因子，把几个相似的指标综合成一个公共因子，最后利用回归法等计算出成分得分系数矩阵，从而对每一因子函数中的变量系数加以确定。运用SPSS 19.0软件根据相关矩阵对数据进行相关性检验，首先对数据进行无量纲化处理，以消除不同量纲差别的影响，SPSS 19.0软件在进行因子分析时已经将数据进行了标准化处理，下面以2016年安徽省及东部11个省市的投入产出指标为例对数据进行处理。

(1)相关性检验。基于因子分析和DEA模型相结合，选取了6个创新投入指标和5个创新产出指标，首先对6项创新投入指标R&D人员折合全时当量X1、从事研发的研究人员X2、R&D内部经费支出X3、新产品开发经费支出X4、技术改造经费支出X5、新增固定资产额X6进行相关性检验，考察指标的选取是否适合做因子分析，具体输出如表2所示。从表2的相关系数矩阵中可以看出，6项创新投入指标之间的相关系数整体上比较高，因此分析时相关系数大于0.3，表示适合做因子分析，小于0.3则不适合做因子分析。表中所有变量的相关系数都高于0.3，表明该6项投入指标适合做因子分析。

表2 相关系数矩阵

KMO和Bartlett的检验如表3所示，再一次对变量进行相关性检验，通过KMO检验和Bartlett检验进行，KMO的取值在0.5～1.0之间时，表示适合做因子分析，越接近1，因子分析效果越好，表中的KMO的取值为0.783，表示适合做因子分析；另外，Bartlett检验中，相应的显著性概率(sig)为0.000，也表示该数据适合用因子分析方法。

表3 KMO和Bartlett的检验

(2)公因子的提取和命名。通过SPSS 19.0软件对6项投入指标数据进行提取公因子，在因子分析中累计方差贡献率大于85%时的特征值个数即为公因子数，具体如表4所示。从表4中可以看出，累计方差贡献率为98.215%，大于85%，因此这里的创新投入指标提取了2个主因子，记为F1、F2。

表4 解释的总方差分析表

旋转成份矩阵如表5所示。由表5可知，主因子F1所代表的是研究人员X2、R&D内部经费支出X3、新产品开发经费支出X4、R&D人员折合全时当量X1，在这里把F1命名为创新研发投入因子；主因子F2所代表的是技术改造经费支出X5、新增固定资产额X6，这里命名为创新基础投入因子。

表5旋转成份矩阵

成份12研究人员X20.9840.151R&D内部经费支出X30.9730.228新产品开发经费支出X40.9670.238成份12R&D人员折合全时当量X10.9400.324技术改造经费支出X50.1910.963新增固定资产额X60.2600.944

(3)计算因子综合得分。成份得分系数矩阵如表6所示。表示的是原始指标对公因子指标的贡献率，因此可以计算出公因子F1、F2的得分值，即为提取后的投入指标。

F1=0.246*ZX1+0.298*ZX2+0.278*ZX3+0.274*ZX4-0.146*ZX5-0.119*ZX6

F2=-0.02*ZX1-0.120*ZX2-0.070*ZX3-0.062*ZX4+0.563*ZX5+0.536*ZX6

ZX表示原始指标数据已经进行标准化后的数值。

表6成份得分系数矩阵

成份12R&D人员折合全时当量X10.246-0.002研究人员X20.2980.120R&D内部经费支出X30.2780.070成份12新产品开发经费支出X40.274-0.062技术改造经费支出X5-0.1460.563新增固定资产额X6-0.1190.536

3.2 对产出指标的处理

对产出指标的处理方法相同，首先进行相关性检验，其次提取公因子，并命名，最后计算公因子得分，以2016年为例，具体如表7～表10所示。由表7、表8、表9、表10可知，安徽省高新技术产业创新产出的指标提取了一个公因子F3，这里命名为创新产出因子，因子的得分计算如下所示：

F3=0.211*ZY1+0.206*ZY2+0.98*ZY3+0.210*ZY4+0.204*ZY5,

以上是对2016年安徽省及东部11个省市原始的投入产出数据进行因子分析结果，这里的投入已经采用了滞后一期，即2015年的原始投入数据，提取了2个投入公因子和一个产出公因子，同理对2012年、2013年、2014年、2015年的原始创新投入进行提取公因子，分别计算公因子的得分值。

由于DEA在评价指标数据时不能为负值，在计算已经标准化的得分值中会存在负值，此时可以通过无量纲化方法对数据进行处理，具体的公式如下：

通过公式可以将SPSS 19.0运算得出的各因子得分进行归一化处理，上述处理只是对变量的值进行数学方式的处理，并不影响实际的DEA评价结果。

表7 KMO和Bartlett的检验

表8 解释的总方差矩阵

表9成份矩阵

成份1新产品销售收入Y10.995专利申请数Y40.993新产品的出口额Y20.972成份1拥有发明专利数Y50.963新产品开发项目数Y30.936

表10成份得分系数矩阵

成份1新产品销售收入Y11新产品的出口额Y26新产品开发项目数Y38成份1专利申请数Y40.210拥有发明专利数Y50.204

4 结果分析

研究采用DEA模型中投入导向规模报酬可变(VRS)下的松弛变量对高新技术产业相关的创新投入和产出数据进行效率测算，第一阶段和第三阶段均使用DEAP 2.1分析软件，第二阶段使用Frontier 4.1软件对投入的松弛变量和环境变量进行测算，从而经过剔除环境变量和随机干扰的影响得出调整后的投入指标，进一步经过第三阶段测算出高新技术产业的创新效率。

4.1 无环境变量比较分析

利用DEAP 2.1分析软件对高新技术产业相关的创新投入和创新产出数据进行效率的测算，第一阶段和第三阶段均使用DEAP 2.1分析软件，第二阶段使用Frontier 4.1软件对投入的松弛变量和环境变量进行评价，从而经过剔除环境变量和随机干扰的影响测算出高新技术产业的创新效率。具体第一阶段调整前的创新效率和第三阶段调整后的创新效率如表11所示。由表11可以看出，运用DEA模型在第一阶段和第三阶段测算的效率值发生了明显的变化，总体来看，技术效率值有所下降，但是河北、辽宁、海南等省调整后的技术效率值反而提高了。从五年的技术效率均值来看，调整前，河北、辽宁、山东、海南的效率值分别为0.571、0.575、0.738、0.544，剔除环境因素和随机干扰的影响，技术效率值分别为0.651、0.613、0.807、0.651，这表明原先处于不利环境状态下导致技术效率被拉低，当处于相同的环境下技术效率的真实值有所提高，而一些环境较好的省市由于环境因素和随机干扰的影响虚高了技术效率值，安徽省调整前的技术效率为0.791，调整后下降为0.703，这表明安徽省与河北、辽宁、山东、海南等相比高新技术产业的创新环境反而有优势。为了证明第三阶段对高新技术产业创新效率的测算值比第一阶段测算的更加准确和真实，此时运用Spearman等级相关系数进行检验。选用安徽省与东部11个省市拥有的专利产出与第一阶段和第三阶段测算的创新效率值进行检验，Spearman等级相关系数如表12所示。由表12可以看出，调整后比调整前的技术效率、纯技术效率、规模效率与拥有专利的产出Spearman相关系数有显著的提高，这表明第三阶段对高新技术产业创新效率的测算更加准确，更能反映实际的创新效率情况，因此采用调整后的创新效率进行分析。

从表12调整后的创新效率值来看，江苏省和广东省2012～2016年都处在相对技术有效前沿面上，其他省市处于非技术有效前沿面上，表明创新要素并未充分得到利用，安徽省高新技术产业2012～2016年的创新效率均值为0.703，低于北京、天津、上海、江苏、浙江、福建、广东，高于河北、辽宁、海南等地。为了便于安徽省与东部11个省市高新技术产业创新效率的比较，安徽省与东部11个省市的技术效率、纯技术效率、规模效率调整后的均值情况如表13所示。从表13中可以看出，安徽省的整体创新效率相比较东部11个省市来说较低，但总体上，从2012年到2016年安徽省的技术创新效率在逐步增长，部分年份出现下滑，但下滑幅度较小，表明安徽省高新技术产业的创新效率在稳步的提升，资源的利用逐步合理化；从纯技术效率来看，安徽省与东部11个省市的差距不大，相差0.019，几乎是接近，这说明2012～2016年间安徽省在高新技术产业领域的管理水平和技术水平正在加强；从规模效率来看，安徽省的规模效率远低于东部11个省市，表明规模效率拉低了安徽省的整体创新效率，安徽省依然需要通过扩大要素投入规模来提高高新技术产业的创新效率。

表11 2012～2016年安徽省高新技术产业创新效率

表12 Spearman等级相关系数

注：***,**分别表示1%和5%的显著水平上显著。

表13 安徽省与东部11省市高新技术产业效率值

4.2 有环境变量比较分析

第二阶段是利用Frontier 4.1进行SFA回归分析，考察环境变量的影响情况，下面给出了2016年的SFA回归结果，具体如表14所示。

表14 基于SFA的第二阶段估计结果

注：***，**和*分别表示1%，5%，10%的显著水平，模型1、模型2分别表示创新研发投入因子和创新基础投入因子，括号内为标准差。

根据SFA回归分析结果可以看出环境变量和松弛变量之间的关系，具体表现为两种关系：一是当环境变量对松弛变量的系数显示负值时，说明环境变量的增加对减少被解释变量的投入冗余是有利的，从而提高其资源的利用效率；二是当环境变量对松弛变量的系数显示为正值时，说明环境变量的提高反而加重了被解释变量的投入冗余。

(1)地区劳动者素质(QUA)。由计算结果可知，地区劳动者素质与创新研发投入因子的松弛变量为负值，且显著，创新研发投入因子表示的是研究人员、R&D内部经费支出、新产品开发经费支出、R&D人员折合全时当量，说明地区劳动者素质的提高有利于创新研发投入资源的利用。

(2)企业规模(SIZE)。企业规模对创新研发投入因子的松弛变量为正值，且显著，与创新基础投入因子为负，但不显著，表明企业平均规模提高反而导致了资源的冗余，企业规模小反而有利于资源要素的充分使用，但企业平均规模并不能说明大企业创新资源利用效率低下。

(3)政府支持(GOV)。政府的支持与创新研发的投入因子为负，与创新基础投入因子为正，且都显著。这与以往研究者对政府投入导致资源利用冗余结论有差异，这表明政府的资金在研发投入上逐步得到了合理的利用，但在基础投入上仍然存在资源浪费严重现状。

(4)外资影响(FDI)。对于外资的影响是促进还是溢出众说纷纭，对安徽省高新技术产业的创新效率研究来看，外资对创新的投入都为负值，且显著，表明外资能够促进投入要素的有效利用。

(5)地区经济水平(GDP)。从显示的结果来看，地区发展水平与两个投入松弛变量回归系数为正值，人均GDP的提高反而导致了资源的冗余，这主要反映在发达地区资源消耗大，没有得到充分的利用。

5 结论与建议

5.1 结论

通过对安徽省与东部11个省市的高新技术产业创新效率比较分析可以得出以下结论：

安徽省综合创新效率偏低，纯技术效率逐年增长，同时规模效率不高拉低了综合创新效率。从综合创新效率均值来看，2012～2016年安徽省与东部11个省市有一定差距，要远低于北京、天津、上海、江苏、浙江、福建、山东、广东等地，但高于河北、辽宁、海南等地；从纯技术效率来看，安徽省高新技术产业的纯技术效率值较高，且与东部11个省市的纯技术效率差距不大，但不是逐年稳定增长，有些年份存在下降，说明安徽省高新技术产业的创新效率在稳步提升，资源利用逐步合理化，但是仍需要加强技术管理水平；从规模效率来看，安徽省整体上规模效率要普遍低于纯技术效率，规模效率的下降拉低了综合技术效率水平，依然需要通过扩大要素投入规模来提高高新技术产业的创新效率。

安徽省高新技术产业创新过程中创新要素未得到充分利用。江苏、广东地区高新技术产业的创新效率处在技术的有效前沿面上，其技术管理水平较先进，资源的利用率相对更加合理，安徽相比较而言，处于落后地位。

外资和劳动者素质对于安徽省高新技术产业创新效率提升有显著作用，而政府支持和地方经济水平，可能由于存在投入冗余，作用不明显。从SFA回归分析中可以得出，地区劳动者素质和外资影响对安徽省高新技术产业都有促进作用，相反政府支持和地方经济水平发达程度并未有显著的促进作用，在不合理利用情况下反而导致了资源的浪费。

5.2 建议

扩大安徽省高新技术产业规模，提高规模效率。规模效率低下是制约安徽省高新技术产业发展的一大障碍，因此要鼓励企业进行跨产业、跨地区的重组兼并，促进安徽省高新技术产业企业集聚，实现技术、资本、人力的有效整合，提高规模效益。

加强高新技术产业的国际合作。对于安徽省来说，要积极吸引国外的资金技术来支持高新技术产业的发展，引导外资的投向，比如投向风险大收益更大的航空、航天器及设备制造业，积极主动的学习国外先进的知识和技术水平，提高本省技术研发能力和人力资源的开发水平。

完善政府对高新技术产业的政策体系。合理配置资源，对政府资金的去向要严格把控，有效发挥政府职能，针对安徽省高新技术产业地区和行业的差异性，要具体分析制度环境、资源禀赋和竞争力等要素，对高新技术产业发展较为缓慢的地区要给予相应的政策倾斜，缩小差距，发挥协同创新能力。

学习借鉴发达地区的资源利用模式，提高安徽省的资源利用率。为了改善资源利用情况，可以结合安徽省的实际情况并借鉴学习江苏、广东地区的高新技术产业发展模式和资源利用模式，既要增加资源投入，又要减少资源的过度消耗，充分发挥创新投入资源的利用效率。