剥离环境因素的高技术产业技术创新效率评价——以我国西部地区为例

陈 娜，林 军

（甘肃政法大学经济管理学院，甘肃兰州 730070）

高技术产业作为战略性新兴产业，正日益成为世界经济增长和社会发展的主要推动力，而创新是其发展的核心要素和动力源泉。与传统产业相比，高技术产业具有高投入、高产出、高附加值及高收益等特征［1］，其技术创新效率水平可以反映一个国家或地区的科技创新能力及创新资源利用情况。我国西部作为欠发达地区，近年来在国家西部大开发及创新驱动等战略的推动下，科技总体状况虽有较大起色，但与东部沿海等发达地区相比仍存在较大差距。从2016年我国高技术产业统计数据看，西部高技术产业总资产为17 040.6亿元，东部为95 501亿元，东部为西部的5.6倍，可以看出，东西部高技术产业发展实力依然悬殊。那么，如何实现我国西部地区高技术产业技术创新资源的优化配置、突破资源要素瓶颈制约从而促进其技术创新效率提升，是实现西部科技创新能力发展的关键，因此，对西部地区高技术产业技术创新效率及其影响因素进行测度研究，在此基础上提出创新效率优化措施将具有重要的现实意义。

1 相关文献综述

高技术产业创新效率的重要性获得了国内外众多学者的广泛关注。在效率测度方法上， 数据包络分析（data envelopment analysis，DEA）相比于随机前沿（stochastic frontier approach，SFA）方法由于无需事先设定生产函数，避免函数设定不恰当造成误差，由此作为非参数方法在效率测度方面具有独特优势，故大多数学者选择DEA方法进行测度研究，比如Raab等［2］以美国50个州的高技术产业为例，运用DEA方法对其创新效率进行分析；Hashimoto等［3］以日本制药企业及产业为例，用 DEA的累积指数方法测度其技术创新效率情况；Pannu 等［4］则采用DEA方法分析了印度制药产业的创新效率；卫平等［5］运用DEA方法对我国29个省、自治区、直辖市高技术产业的技术创新效率进行研究；杨晓冬等［6］采用DEA模型对我国东、中部地区的高技术产业创新效率进行分析；王丽平等［7］以我国京津冀地区的高技术产业为研究对象，采用DEA模型对其技术创新效率进行评价；周燕萍等［8］采用DEA方法分析了上海市高技术产业五大支柱行业的技术创新效率。而近年来，随着DEA 方法的广泛应用，其模型得到了进一步的扩充和改进，如Lu 等［9］以我国台湾 194 家高技术企业为研究对象，采用DEATobit 两阶段模型对其研发效率及其影响因素进行分析；王伟等［10］基于EBM模型和Tobit模型对对我国1998—2015年的高技术产业的技术创新效率及其影响因素进行了分析；冯志军等［11］基于资源约束视角，运用两阶段 DEA 模型研究我国高技术产业研发创新效率；吴卫红等［12］将DEA方法、模糊综合评判法以及层次分析法三者相结合探讨北京市高技术产业技术创新效率；杨青峰［13］则在剥离外部环境及随机误差等因素的基础上应用三阶段 DEA 模型对我国高技术产业技术效率进行评价。

纵观现有文献，国内外有关高新技术产业技术创新效率的研究已取得了相当丰富的研究成果，为我国高技术产业持续、健康、发展提供了很好的借鉴，也为后人研究提供了研究基础，然而，由于我国高新技术产业的发展本身起步较晚，发展水平和层次也随区域不同而有差异：从研究对象看，大多研究集中在国家或东部沿海发达地区，对西部欠发达地区高技术产业创新效率缺少系统研究；从研究方法看，大多数学者采用传统DEA模型进行效率分析，但传统DEA模型无法消除非经营因素（环境因素和随机误差）的影响从而导致测评结果不真实，剥离环境因素后西部地区高技术产业技术创新效率水平究竟如何，现有研究并未得出结论。为此，本文采用传统DEA与SFA相结合的三阶段DEA模型，就我国西部地区高技术产业技术创新效率及其影响因素进行深入分析，以期为新常态下西部地区高技术产业技术创新的良好发展提供参考。

2 研究方法、变量选取及数据说明

2.1 三阶段DEA模型

三阶段 DEA模型由 Fried等［14］提出，该模型将传统DEA和SFA模型相结合，最大的优势在于能够剥离外部环境与随机误差对效率的影响，使所有测评单元处于相同环境或面临相同运气，从而使所计算的效率值更真实可靠。其应用包括以下3个阶段：

第一阶段，传统DEA模型构建。DEA模型由Chames等［15］于1978年首次提出，即假设规模报酬不变的CCR模型；在此基础上，Banker等［16］进一步提出了BCC模型，此模型用于处理规模报酬可变(variable returns to scale, VRS)假设的决策单元(decision making units, DMU)的有效性问题，同时将技术效率 (technical efficiency,TE)进一步拆分为规模效率(scale efficiency, SE)和纯技术效率(pure technical efficiency, PTE)。

第二阶段，相似SFA模型构建。为了得出剔除环境因素和随机误差项的影响，为了剔除环境因素和随机误差项的影响，得出仅由管理无效率造成的决策单元的投入冗余，方程如下：

经过式（2）的调整，使所有DMU处于相同的经营环境、面临同样的运气，剔除了环境因素和随机误差项的影响，从而得到仅受管理无效率影响的投入冗余。

第三阶段，调整后的 DEA模型构建。选择第二阶段调整后的数据为新的投入数据，产出数据则保持不变，依然采用BCC 模型对各DMU进行效率测评，由此可以得到剔除环境因素和随机误差因素后各DMU更真实的效率水平。

2.2 指标选取

借鉴乔元波等［17］和刘满凤等［18］学者的研究，投入指标分别选取R&D人员全时当量衡量人力资源投入、R&D内部经费支出衡量经费投入、新增固定资产代表物力投入。参照桂黄宝［19］、党国英等［20］人的研究，选取专利申请数衡量技术创新初始产出、新产品销售收入测度技术创新最终产出。环境影响因素方面，朱有为等［21］认为企业规模和市场竞争程度是影响我国高技术产业研发产出效率的主要因素，李婉红等［22］、范德成等［23］人的研究表明政府支持力度、地区经济发展水平以及市场开放度等因素对高技术产业和企业均会产生重要影响，为此，本文从政府支持力度、地区经济发展水平、企业规模以及市场开放度等4个方面衡量环境对高技术产业技术创新可能产生的影响。具体评价指标体系如表1所示。

表1 高技术产业技术创新效率评价指标体系

为保证DEA 模型中的投入变量增加时产出变量亦会增加（同向性假设检验）的要求,采用Pearson相关性检验，结果如表2 所示，各投入指标和产出指标之间的相关系数均为正且在1%显著水平下通过检验，说明本文构建的评价指标体系的投入与产出指标选择合理。

表2 高技术产业投入指标与产出指标的Pearson相关系数

2.3 数据来源

本文以我国31个省、自治区、直辖市（未含港澳台地区）为研究样本，分东部、中部、西部进行对比研究。根据我国传统的东、中、西部划分方式及西部大开发的范围，东部主要包括北京、河北、辽宁、天津、江苏、广东、上海、海南、福建、浙江、山东11个省（市）；中部主要包括山西、吉林、黑龙江、安徽、江西、河南、湖北、湖南8个省；西部主要包括内蒙古、广西、四川、重庆、贵州、云南、西藏、陕西、甘肃、青海、宁夏、新疆12个省（区、市）。地区生产总值指标数据来源于2016年《中国统计年鉴》，其余指标数据均来源于2016年《中国高技术产业统计年鉴》。

3 实证分析

3.1 第一阶段传统DEA实证分析

利用DEAP2.1软件，本文采用BCC模型对样本高技术产业技术创新效率水平进行分析，结果见表3所示。从表3可知，未剔除环境因素和随机干扰因素之前，西部技术效率平均值为0.614，分别低于全样本平均值0.692及东、中部平均值0.820和0.632，西部纯技术效率平均值为0.745，分别低于全样本平均值0.774和东部平均值0.848，但高于中部平均值0.716，西部规模效率平均值为0.846，同样低于全样本及其他地区。从西部高技术产业技术效率分解项来看，规模效率大于纯技术效率，说明规模因素的影响占主要地位；此外，从西部各省份来看，在SFA调整之前，只有青海省的技术创新效率为1，处于效率前沿面，其余省份均存在一定的改进空间。从规模收益情况来看，西部12个省份中处于效率前沿面的青海省规模收益不变，处于规模报酬递增状态的为内蒙古、西藏、宁夏、新疆4个省份，广西、四川、甘肃等其余7个省份显示规模报酬递减。但由于此结果受环境因素及随机误差因素的干扰，因此并不能代表西部地区高技术产业创新效率的真实水平，因此，第二阶段的调整和测算很有必要。

表3 样本高技术产业技术创新效率第一阶段DEA测算结果

3.2 第二阶段SFA回归分析

将第一阶段得出的3个投入变量（R&D人员投入、R&D资金投入和新增固定资产投入）的松弛变量作为被解释变量，4个环境变量（政府支持力度、地区经济发展水平、企业规模和市场开放度）作为解释变量，利用Frontier4.1软件得出各环境变量对投入松弛变量的影响结果如表4所示。从表4可以看出，回归系数大多能够在10%显著水平下通过显著性检验，说明环境因素对各省份创新投入冗余确实存在显著影响，3种松弛变量的 值均为0.999 99，接近于1，说明管理因素的影响所占比重较大，随机误差等偶然因素的影响较小。

表4 样本高技术产业技术创新效率第二阶段SFA回归结果

表4 （续）

进一步考察4个环境因素对投入松弛变量的回归系数：

（1）政府支持。该变量与R&D人员投入、R&D资金投入松弛变量的回归系数为正，说明政府支持的增加并不利于R&D创新资源投入冗余的减少；政府支持与新增固定资产投入松弛变量的回归系数为负，说明政府支持有利于减少新增固定资产投入的浪费，但其t值并未通过10%水平下的显著性检验且其影响只代表方向，因此可以认为，政府支持并不利于创新资源投入冗余的减少。回归结果与预期并不一致，说明政府支持并没有发挥应有的作用，这可能是由于政府支持往往会增加企业的收入预期，鼓励企业盲目扩大经营规模，但缺乏对资源的优化配置，造成对创新资源的粗放利用。

（2）地区经济发展水平。该变量与R&D人员投入、R&D资金投入、新增固定资产投入3个松弛变量的回归系数均为正且分别通过了1%、1%和5%的显著性检验，说明地区经济发展水平并不利于创新资源投入冗余的减少。可能的原因在于随着地区经济发展水平的提高，创新资源投入加大，但却没有合理配置及利用，造成较低的资源转换率和产出率。

（3）企业规模。该变量与R&D人员投入松弛变量的回归系数为负，与R&D资金投入松弛变量的回归系数为正，且分别通过了1%的显著性检验，对新增固定资产投入松弛变量有正向影响但不显著，说明企业规模的扩大有利于减少R&D人员投入冗余却不利于R&D资金和新增固定资产的减少。高技术企业规模的扩大会带动人力需求的增加，但同时加剧资本量的引入竞争，盲目投入过多资金但未得到合理利用从而造成资本浪费。

（4）市场开放度。该变量与R&D人员投入、R&D资金投入、新增固定资产投入3个松弛变量的回归系数均为负且分别通过了1%、1%和5%的显著性检验，说明市场开放度有利于减少创新资源冗余。高技术产品进出口贸易量的增加可以吸收更多的劳动力和资本量，同时进出口可以促使国际上先进技术、人才以及管理理念的交换和引进，这在一定程度上为我国高新技术产业资源优化配置提供借鉴，从而促进高技术产业技术创新效率的提升。

3.3 第三阶段调整后的创新效率分析

根据式（2）调整投入数据，将调整后的投入值和原产出值作为新的投入产出值再次代入BCC模型重新计算各决策单元的创新效率，结果如表5所示。

表5 相同环境下样本高技术产业技术创新效率测算结果（SFA调整之后）

对比表3和表5分析可以看出：

（1）西部综合技术效率变动。经过第二阶段SFA调整之后，西部综合技术效率均值由原来的0.614下降到0.450，说明受环境因素和随机误差的影响综合技术效率出现了虚高的情况。从具体省份来看，除广西、四川、陕西3个省份综合技术效率有所上升之外，其余省份均出现了不同程度的下降，其中青海由第一阶段处于技术前沿面调整为非技术有效，下降值为0.546；与此相反的是四川，由调整之前的非技术有效变为技术有效，说明四川的技术创新效率是高效的，而青海之前处于效率前沿面是受良好的环境条件或较好运气的影响。

（2）西部纯技术效率变动。经过第二阶段SFA调整后，西部地区纯技术效率值由调整之前的0.745上升到0.891，说明之前受环境因素和随机误差因素的影响，西部纯技术效率被明显低估，同时说明西部的资源配置较合理，资源利用水平较高。

（3）西部规模效率变动。经过第二阶段SFA调整之后，西部的规模效率由调整之前的0.846下降到0.514；进一步从西部地区各省份比较来看，除四川之外，其余省份均出现了不同程度的下降，其中内蒙古和新疆的下降值分别为0.749、0.626，下降更明显，反映了剔除环境因素和随机误差项后西部地区规模效率更真实的情况，同时说明创新投入规模不足是制约西部高技术产业创新效率提升的瓶颈。

（4）西部规模收益变动。剥离环境因素后，西部所有省份的规模收益均调整为规模报酬递增状态，说明环境因素是限制西部地区高技术产业规模扩大的主要障碍，西部各省份在规模收益方面具有较大的发展潜力，后期西部省份可以通过增加创新资源要素投入提升创新效率水平。

3.4 西部高技术产业技术创新效率外部比较分析

为了更深入地分析西部地区高技术产业技术创新的优势与不足，本文进一步对三大区域高技术产业技术效率变化情况进行比较分析，结果如表6所示，进一步可以看出剔除环境因素之后全样本高技术产业技术创新效率更真实的分布状况。从技术效率来看，东部最高、中部次之、西部最差，与三大区域经济发展水平相一致，同时发现三大区域的规模效率和技术效率呈现同样的分布状态，说明西部在创新资源投入规模等方面相比于东、中部仍存在较大的差距；但从纯技术效率值来看，西部均高于东部和中部，说明西部虽然创新资源相对不足，但重视创新资源投入结构的合理配置，资源利用效率相对较高。由此可以得出，规模效率是制约西部技术效率提升的主要障碍，国家应进一步加强对西部的关注和扶持，通过进一步增加该区域创新资源投入，扩大创新规模，促进技术创新效率提高。

表6 东中西三大地区样本高技术产业技术创新效率比较

3.5 西部高技术产业技术创新效率内部比较分析

图1 西部地区样本高技术产业技术创新效率分布

为了更清楚直观地了解西部高技术产业技术创新情况，依据调整后的纯技术效率值作为横坐标、全样本平均值0.861为临界值，以调整后的规模效率值作为纵坐标、全样本平均值0.702为临界值，高于临界值的即为高效率、低于临界值的为低效率，据此可将西部地区高技术产业技术创新效率分为4种类型，如图1所示。

（1）双低型，即纯技术效率和规模效率值均低于全样本临界值，包括甘肃、宁夏及贵州3个省份。说明这些地区的高技术产业技术创新依然受较低的经济发展水平及有限的创新资源投入等因素的制约和影响。这一类型省份一方面应加大创新资源投入，促进生产规模的扩大；另一方面，应积极调整创新资源配置结构，注重管理水平提高，着力提升资源转换效率。

（2）高低型，即纯技术效率高于临界值但规模效率低于临界值的区域，包括广西、内蒙古、青海、新疆、西藏及云南6个省份。这些地区的高技术产业技术创新与西部地区相对落后的经济发展水平有密切联系，同时也受有限的生产规模的影响。这一类型省份在继续保持高的资源转换效率优势的同时，应着重加大创新资源投入，扩大生产规模。

（3）双高型，即两个坐标值均高于全样本平均值，属于技术创新相对有效的模式，包括四川和重庆2个省份。这些地区的高技术产业技术创新能够充分利用创新资源优势保证高产出效率。在今后发展中，西部其余省份应以这些地区为标杆，优化创新资源配置的同时学习其先进管理经验，从而促进技术创新效率提升。

（4）低高型，即纯技术效率较低但规模效率较高，仅包括陕西。说明陕西的高技术产业生产规模已在合理的范围之内，重点应关注创新资源的消化、吸收及利用，着力提高资源转换效率。

4 结论及建议

本文利用传统DEA与SFA相结合的三阶段DEA模型分析我国西部地区高技术产业技术创新效率及其影响因素，由于剥离了外部环境与随机误差因素对效率的影响，使所有省份处于相同环境、面临相同运气，从而使所计算的效率值可以更真实地反映各省份技术创新效率水平。通过研究发现，得出以下结论：

（1）剥离了外部环境与随机误差的影响后，西部高技术产业技术创新效率总体处于较低水平，只有四川处于技术效率前沿面，其余省份均有较大提升空间；从分解项看，规模效率较低是制约技术效率提升的主要障碍，西部高技术产业在规模收益上具有很大的发展潜力。

（2）从外部比较来看，西部相较于东、中部，高技术产业综合技术效率和规模效率在排除环境因素和随机误差的干扰后下降更为明显，而纯技术效率上升更高，说明西部高技术产业技术创新更易受到环境的影响。

（3）从内部比较来看，西部各省份高技术产业技术创新效率特征并不一致，异质性明显，依据纯技术效率和规模效率两个分类指标，可将甘肃、宁夏及贵州3省份归为双低型；将广西、内蒙古、青海、新疆、西藏及云南6省份归为高低型；四川和重庆属于双高型；陕西则属于低高型。

基于以上研究结论，针对如何更好地促进我国西部地区高技术产业技术创新的良好发展，从而有效促进其技术创新效率提升并带动区域经济发展，本文给出以下建议：

一是调整创新资源配置结构，提升创新管理水平。西部地区有限的投入规模及较低的创新资源配置效率共同制约了高技术产业综合技术效率的提升，后期应进一步强化技术创新意识，积极寻求合作机会，通过举办技术项目对接会、高技术人才招聘会、创办协同创新机构等途径实现人才、技术、资金等要素的跨区域流动和转移，扩大创新资源投入规模，在此基础上优化创新要素配置，调整创新资源配置结构，加强科技成果的转换、利用，逐步从规模扩张转变为创新驱动，从而实现规模收益和经济效益的最大化。

二是优化区域创新环境，促进技术创新能力提升。结合西部地区更易受到环境影响的特征，西部地区在后期发展中，首先应强化政府资金的监管作用，确保资金的高利用率而非盲目投资；其次，在注重区域经济高速发展的同时要重视经济发展的质量，在产业结构优化升级及经济发展方式转变上多下功夫，注重企业规模的适度扩大，这样才能更有效地带动区域高技术产业更好地实现技术创新，从而避免创新资源投入的浪费或粗放利用；最后，继续加对外开放程度，注重国际间先进技术、管理理念等经验的合作与交流，从而为高技术产业更好地发展提供借鉴。

三是注重区域创新差异，加大落后地区扶持。各省份应结合自身发展实际，找准技术创新的“病因”，对症下药：甘肃、宁夏及贵州3省份应从扩大生产规模及创新管理制度两方面促进高技术产业发展；广西、内蒙古、青海、新疆、西藏及云南6省份政府可通过税收优惠和技术、人才支持等措施给予高技术产业更多的关注与扶持，在保持资源高转换率的同时重点扩大生产规模，促进高技术产业规模化、集约化发展，提升整体规模效益；陕西的重点在调整创新资源配置结构上，应着力提升资源利用效率；四川和重庆则应在保持现状的基础上继续加强管理创新和规模化发展，从而促进高技术产业向更高水平发展。