黎定军,文晓雨,宋 闻
(湖南工商大学,湖南 长沙 410205)
虽然我国科技服务业相较于国外起步较晚,但近年来一系列政策的颁布使其得到了快速发展。2015年国家统计局发布《国家科技服务业统计分类(2015)》,首次确定了科技服务业分类的基本结构框架,并于2018年对其分类进行了修订,使科技服务业的范围进一步明确;2020年习近平总书记提出,“面向世界科技前沿”,坚持创新在我国现代化建设全局中的核心地位,以科技创新引领高质量发展。国内国际双循环的提出也为科技服务业的发展带来了机遇。要形成以国内大循环为主体、国内国际双循环相互促进的新发展格局,就要坚持创新发展,加快有助于效率提升的制度变革。随着产业结构由“工业经济”主导向“服务经济”主导转变,科技创新进入了空前密集活跃的时期。科技服务业通过聚集知识、人才、技术,将最前沿的资源进行跨行协调匹配,投入科技产品的研发、生产与应用中,促进了技术创新与成果转化。
在经济高质量发展以及区域协调发展的背景下,科技服务业的高附加值属性和对区域经济发展的辐射带动作用越来越受到重视。2019年1月至11月,规模以上科技服务业营业收入同比增长12.0%,且连续四年均保持在10%以上的增长速度。国外经验表明,一个国家的科技服务业越发达,科技服务体系越完善,其科技实力与经济实力也会越强大,科技服务业已成为许多发达国家的支柱产业。我国目前科技服务业仍处于初级阶段,高速发展容易导致对效率的重视程度不足,因此对科技服务业全要素生产率进行研究显得非常重要。通过测算科技服务业的全要素生产率,系统研究其发展效率,有利于了解科技服务业在发展过程中的问题以及时空演变规律,对科技服务业向高质量方向发展以及提升其对区域经济的带动作用具有重要意义。
国外科技服务业的发展起步较早,相关研究成果也比较丰富。但由于世界各国科技发展水平不同,对于科技服务业的内涵还没有一个统一的明确划分。相较于对科技服务业进行单独研究,国外学者更集中于对知识密集型商业服务业(Knowledge-intensive Business Service,KIBS)进行研究,其研究内容更加精细化、具体化,致力于寻求其内在机理与作用机制。Ciriaci等(2015)[1]通过对欧洲四个国家的实证调查,研究了KIBS是否使制造业更具创新性的问题,结果表明KIBS通过多种渠道促进了制造业经济业绩的改善,但其对制造业的创新作用还值得进一步分析;Pina和Tether(2016)[2]采用定性与定量结合的方法,通过应用一种概念性的知识库分类来研究KIBS的内部多样性及行为差异;Zhou和Wang(2020)[3]通过建立一个全新、全面的框架研究KIBS在技术商业化中的作用。
国内对于科技服务业的研究主要有三个方面,一是对地区或全国的科技服务业发展水平及对策进行研究。大多数学者采用构建科技服务业指标评价体系和相关方法来进行评价。陈春明和薛富宏(2014)[4]从科技服务业规模、投入、产出、发展环境四个方面构建综合指标评价体系,衡量了我国科技服务业的创新水平、发展现状、相互关系以及所处环境;朱相宇和严海丽(2017)[5]运用因子分析法,将北京市与新加坡、巴黎科技服务业的相关指标进行对比分析,研究了北京市科技服务业发展水平并提出了发展路径;张鹏等(2019)[6]构建了四个维度的指标评价体系,运用改进CRITIC赋权法测算了我国30个省份2007—2016年的发展水平指数,并从时间和空间维度对结果进行了比较分析;张剑波等(2018)[7]运用主成分法、因子分析法等构建指标体系,研究了上海市科技服务业的发展现状。研究表明,我国科技服务业发展整体呈上升趋势,但仍存在发展水平不高、区域发展不均等问题。
二是对我国科技服务业发展模式的研究。张前荣(2014)[8]通过对美国、日本、德国科技服务业发展模式的研究,提出我国应借鉴国外发达国家的经验,构建切实可行的科技服务业发展模式;周柯和靳欣(2019)[9]通过对科技服务业链式化与生态化耦合发展内在机理的研究,发现其产业链和产业生态系统之间耦合发展程度较低,存在企业规模较小、产业链结构不合理、生态要素供给不足等一系列问题;李文川和胡雅文(2017)[10]在总结现有科技服务业发展模式的基础上,通过研究科技服务系统的结构,提出了科技服务业“细分业态互动-重点产业耦合-外部环境支撑”的多维协同发展模式。虽然我国科技服务业发展迅速,但是对于发展模式的研究还有待加强,需要借鉴国外先进经验,深入对内在机理的探索,构建符合我国国情的发展模式。
三是对科技服务业的集聚及集聚效应的研究。张清正和李国平(2015)[11]运用基尼系数等方法考察了我国科技服务业的空间集聚态势,并进一步分析了影响因素;李晓龙等(2017)[12]运用空间杜宾模型实证检验了科技服务业空间集聚对企业创新效率的空间溢出效应;姚战琪(2020)[13]运用中介效应检验方法,研究了科技服务业集聚对产业升级的影响;郑苏江和吴忠(2020)[14]从五个维度分析了上海市2003—2017年科技服务业与制造业的相关数据,实证研究了上海市科技服务业与制造业的发展关系;王智毓和冯华(2020)[15]使用空间杜宾模型考察了科技服务业集聚对区域创新各阶段的影响。研究结果表明我国科技服务业集聚程度并不太高,目前科技服务业的空间集聚有利于促进周边地区创新效率的提升,并发挥辐射作用,但同时集聚效应也存在差异,而且有“西部高东部低”的发展态势。
综合相关研究来看,科技服务业在自身迅速发展的同时,也通过发挥技术创新效应和产业转型升级效应促进了地区经济增长,虽然在这一过程中,相关研究在逐步完善,研究成果也不断丰富,但针对科技服务业全要素生产率的研究却比较少,难以跟上科技服务业的发展速度,这可能导致很多科技型企业在快速扩大发展规模的同时忽略了投入与产出的效率问题,从而造成资源浪费。本文采用Super-SBM模型研究分析了我国30个省份科技服务业2009—2018年的全要素生产率,并通过对 Malmquist 指数的分解评价其效率动态变化的来源,对了解科技服务业的生产效率及促进其高效发展有一定的借鉴意义。
1.Super-SBM模型
DEA模型(Data Envelopment Analysis)最初是由Charnes等(1978)[16]提出的,是一种基于被评价对象间相对比较的非参数技术效率分析方法,具有适用范围广、原理相对简单的特点,尤其在分析情况时具有特殊优势。但由于在传统的DEA模型分析结果中得出的效率值最大为1,而通常多个DMU会被评价为有效,就会出现有效DMU效率值相同的情况。为了解决这一问题,学者们提出了“超效率”模型(Super Efficiency Model)。基于此,Tone(2001)[17]在提出一种基于松弛变量测度的非径向、非角度的DEA模型后,在次年进一步提出了Super-SBM模型,通过非射线方式,以优化松弛变量为目标函数,解决了投入和产出变量单位不一致的效率评价问题,并同时考虑投入项与产出项的差额来评估效率值。Super-SBM模型在SBM模型的基础上,在评价某一生产单元的时候将其自身排除在参考集之外,从而使计算出来的效率值可以大于1,有效解决了相对有效单元的排序问题。考虑松弛变量的Super-SBM模型具体见公式(1):
在公式中,ρ表示目标效率值,即生态效率值;X、yg和yb分别表示投入、期望产出和非期望产出;m、s1和s2分别表示投入、期望产出指标和非期望产出指标个数;向量S-、Sg和Sb分别表示投入松弛量、期望产出的松弛量和非期望产出的松弛量;λ为权重向量。当ρ≥1时,被评价的决策单元相对有效;当ρ<1时,被评价的决策单元相对无效。
2.Malmquist 指数
DEA模型计算出来的每个DMU的相对效率值是针对每个时间点进行计算的,是一个静态的数值,但对于一组面板数据来说,需要参考不同的时间点来计算每个效率值的变动情况,Malmquist全要素生产率指数就是用于生产率的变化研究、在进行效率评价之后可以体现效率动态变化的一种指标。Malmquist指数最初是由Malmquist(1953)[18]提出的,Fare等(1997)[19]将其与DEA理论结合,此后该指数被广泛应用于各领域的生产率测算。第i个DMU在t到t+1时期的Malmquist指数可表示为:
(2)
Malmquist指数可以被分解为技术进步指数(TC)和技术效率指数(EC),分别反映了技术进步和技术效率对科技服务业生产效率发展的贡献。
ML(xt+1,yt+1,bt+1,xt,yt,bt)
(3)
(4)
MLTC=
(5)
当ML>1时,表示该DMU从t到t+1期的生产效率提高;当ML<1时,表示该DMU从t到t+1期的生产效率下降;当ML=1时,表示该DMU从t到t+1期的生产效率维持不变。当TC>1时,表示当期该DMU的技术水平比上一期有所提高;当TC<1时,表示当期该DMU的技术水平有所下降;当TC=1时,表示当期技术水平保持不变。当EC>1时,表示当期该DMU相比上一期更接近生产前沿,技术效率提高;当EC<1时,表示当期该DMU的技术水平比上一期有所下降,正远离生产前沿;当EC=1时,表示当期技术效率相比上一期保持不变。
1.指标选取
科技服务业的全要素生产率主要反映投入与生产的匹配关系,一级指标可分为投入与产出两大类。对于二级指标的选取应该遵循以下三个原则:一是指标能够真实反映生产过程,能较好地反映科技服务业生产率的各个维度,具有实用性;二是指标间要相互独立,避免重叠影响分析;三是指标数据具有可获得性,且来源真实可靠。通过对相关文献的查阅,结合学者们评价科技服务业发展水平最常用的指标体系,本文参照徐宏毅等(2018)[20]采取的方法,将投入指标分为劳动力投入与资本投入两个层面,选取了科技服务业固定资产投资额、研究与试验发展(R&D)人员数、研究与试验发展(R&D)内部经费支出三个指标,在产出层面选取了技术市场成交额、我国专利授权数两个指标,如表1所示。
表1 科技服务业生产率指标体系
2.数据来源与处理
本文测算了我国30个省(市、自治区)科技服务业2009—2018年的全要素生产率指数,数据统计口径主要来源于第三产业中的科学研究与技术统计,考虑到西藏自治区的统计数据存在诸多缺失,故本文未对其进行研究。同时由于研究需要,本文将30个省(市、自治区)划分为东部、中部、西部三大区域。相关数据主要来源于《中国统计年鉴》 《中国科技统计年鉴》 《第三产业统计年鉴》及各个省份的统计年鉴,具有较强的可靠性。同时考虑到效率值是通过投入产出原始数据来表示的,而本文研究了2009—2018年十年的面板数据,所以为了保证数据在计算过程中具有可比性,对固定资产投资额采取了永续盘存法处理(李晓峰等,2020)[21],对内部发展经费支出和技术市场成交额以2009年不变价格为基准,采用CPI指数进行折算。
基于2009—2018年中国30个省(市、自治区,除西藏自治区外)的数据,利用中国科技服务业发展质量评价指标体系,采用Super-SBM模型,运用MaxDEA Ultra 6.0软件,对全国30个省份的科技服务业效率值进行测算,以衡量其科技服务业发展质量,结果见表2。
表2 中国30个省市科技服务业全要素生产效率值
续表
1.全国发展特征
如图1所示,2009—2018年我国科技服务业全要素生产率呈现出先上升再下降、然后趋于平稳、转而快速上升的趋势。效率值最低的年份为2014年,仅0.35,效率值最高的年份为2018年,达到0.47,但是整体的效率水平仍很低,这十年的效率均值仅0.39。这一时序发展特征完全符合当前我国科技服务业发展的现状,表明我国科技服务业正处于一个初步发展的阶段,生产效率不高且没有形成有效的产业价值链。
2009—2010年我国科技服务业生产效率略微提升,体现出我国科技服务业发展初期行业整体的投入资源较少。2012年科技部提出了有关科技服务业的发展重心以及重要的支撑工程,我国逐渐将科技服务业摆到重要位置,不断加大对科技服务业的投入力度。2014年国务院发布了关于加快科技服务业发展的若干意见,首次对科技服务业做了全面部署,对如何发展科技服务业给出了具体的指导性做法(张寒旭和邓媚,2018)[22]。国家及各级政府也更加关注科技型中小企业的发展,给中小型科技企业上市融资提供重要的服务平台和政策支持(华勇谋和赵庶吏,2018)[23]。因此,2016—2020年(“十三五”时期),我国科技服务业无论是在资本和人员的投入还是行业的整体产出水平上都有很大增长。
图1 2009—2018年全国及区域科技服务业全要素生产率
2.区域发展特征
从区域的整体效率来看,东部地区的平均生产效率值为0.51,远高于中部地区和西部地区,西部地区的平均生产效率值为0.3,而中部地区的平均生产效率值仅0.23。
东部地区科技服务业全要素生产率值从2009年的0.53上升到2011年的0.58,达到峰值,这主要得益于东部地区良好的经济基础和科技型人才资源丰富。而随着科技服务行业越来越受到国家的重视和支持,“十二五”期间东部地区各省份加大了对科技服务业的投入力度,而产出的增长并未同步跟上投入的增加,这在一定程度上导致了行业生产效率的下降,从2011年的0.58下降到2014年的0.44。2015—2018年为东部地区科技服务业的快速发展时期,其生产率值从0.44上涨到0.55。以广东省为例,其2009—2016年科技服务业平均生产率值为0.34,而2017年、2018年科技服务业全要素生产率值均超过1,这体现出广东省产业链结构逐渐优化,科技服务业价值创造能力显著提升。东部地区如北京市、浙江省、上海市,科技服务业生产效率值较高,2009—2018年的平均效率值在0.7以上,其中北京市的平均效率值达到了1.49,浙江省的平均效率值也达到了1.31,说明这些地区拥有较好的产业基础和发展环境。
西部地区的科技服务业生产效率从2009—2018年一直保持波动上涨,从0.2上涨到了0.46,累计涨幅达到130%。这主要是因为西部地区的省份经济基础比较落后,无论是投入还是产出的基数都普遍较小。例如青海省,其科技服务业固定资产投资、R&D人员数等投入指标均排在全国末尾,但技术市场成交额等产出量相对较高,因此平均生产率达到了0.6,仅次于北京、浙江、上海三个省市。但在国家政策的引导、扶持下,各省份也在大力发展科技服务业,例如陕西省、四川省以及重庆市,它们的技术市场成交额及专利授权数等全国排名均靠前,因此总体的生产效率值相对较高。
中部地区的科技服务业全要素生产率值从2009—2015年几乎保持在0.2左右小幅波动,说明这一时期中部各省份科技服务业的生产要素投入量保持着较高水平的增长,而生产要素的产出依旧维持低水平运行,但二者之间的变化幅度大致相当。例如湖南省、河南省、江西省等,它们的整体科技服务业发展水平并不低,但是呈现出高投入、低产出的不平衡发展态势。因此,如何提升科技服务业的价值创造能力和成果转化率是中部各省份应该重点关注的问题。
上文通过Super-SBM模型测算得到科技服务业的静态生产效率,下面还利用Malmquist生产率指数对科技服务业进行动态的效率分析,表3列示了通过MaxDEA Ultra6.9计算得出的2009—2018年我国总体科技服务业生产效率值(ML)、技术效率指数(EC)和技术进步指数(TC)。
表3 2009—2018年我国科技服务业效率Malmquist生产率指数结果及分解
续表1
续表2
1.全国Malmquist全要素生产率指数分析
如图2所示,我国总体科技服务业生产效率的ML值在2009—2018年期间基本保持在1以上,且呈现出波动上涨的趋势,2009—2010年的效率值为1.20,最高值出现在2017—2018年期间,为1.48,最低值为2013—2014年的0.99。
从分解值可以看出,2009—2018年科技服务业生产效率的波动变化主要是由技术进步指数TC的波动变化引起的,二者的变动曲线几乎处于贴合的状态,而技术效率指数EC则维持在1左右小幅波动,这说明这段时期科技服务业生产效率的波动主要受到技术进步因素的影响,而受技术效率的影响并不显著。技术进步指数的变化与我国科技创新、实施创新驱动发展战略等息息相关。2009—2012年,技术进步指数从1.15上涨到1.34,而2012年以来,国家对科技服务业有了更清晰的发展定位,逐步加大了科技研发的投入力度,科研的方向也逐渐转变为“高精尖”模式,因而科研成果落地周期变长,对前期投入要求变高,转化为生产力的时效性滞后(赵丹等,2019)[24],技术进步指数在2012—2016年这一段时期呈现出波动下降的趋势,但整体仍保持在1以上的水平,这说明虽然技术效率增速变缓,但科技创新、技术升级等对科技服务行业发展提供的驱动力是持续有效的。2009—2018年技术效率指数相对保持平稳,且2010—2014年期间低于1,这说明我国科技服务业仍未形成较好的产业集聚和规模优势,这段时期还是处于较为粗放的发展模式。
2017—2018年我国科技服务业ML值大幅度增长,从1.09增长到1.48,涨幅达到35.78%,主要原因是因为技术效率的提高,这一时期技术效率指数从1上涨到1.29,涨幅为29%。技术效率指数的显著增长说明我国科技服务业的发展已经形成了一定的规模效应,产业集聚的发展优势逐渐显现,这也得益于各地方政府积极建立高技术产业园、科技企业孵化园等助推措施。
图2 2009—2018年各年科技服务业Malmquist生产率指数及分解指数曲线图
整体来看,我国科技服务业技术创新与技术效率这两个推动行业发展的驱动因素并未得到充分融合,2009—2018年科技服务业的发展主要由技术进步驱动,但近年来有从技术驱动转为效率驱动的趋势,因此,如何使二者达到均衡状态、共同推动科技服务业实现高质量发展是接下来的研究重点。
2.区域Malmquist全要素生产率指数分析
如图3(a-i),基于对2009—2018年全国各省份科技服务业Malmquist生产率值及分解指数的分析,可以得出以下结论:
图3 2009—2018年各省份科技服务业Malmquist生产率指数及分解指数图
(1)各省份科技服务业的发展呈现阶段性特征。2009—2013年,我国大部分省份科技服务业ML值呈波动下降,2013—2014年,各区域科技服务业生产率指数水平整体上低于其他时期,尤其是东部地区的省份,近一半省份ML值小于1,生产率处于下行阶段。这很大程度上是由于2012年之后我国经济开始步入新常态,经济增速放缓,转而更加注重发展质量,科技服务业的发展也因此受到宏观经济环境的影响。2015—2016年除了吉林、广西等省份的科技服务业全要素生产率显著提升,其他省份普遍增速放缓或者保持平稳。2017—2018年,全国的科技服务业生产要素水平出现明显的集体式提升,除新疆以外,其余省份ML值都高于1,说明国家对科技服务行业的全面指导初见成效,技术创新能力不断进步,产业规模效益逐渐提高。
(2)在样本期间,超过2/3的省份科技服务业Malmquist生产率值呈波动上升的趋势,北京、上海、广东、黑龙江、内蒙古、广西、贵州、陕西、新疆等九个省份有所下降,而这九个省份均处于我国东部以及西部地区。东部地区部分省份科技服务业ML值下降主要是由于产业发展已经达到一定的规模和水准,相比其他地区来说,提升规模效益以及获得集聚优势的难度较高,此外,科技创新对整体效率值提升的效用变弱。而西部地区部分省份科技服务业ML值下降则主要是由于产业粗放式扩张,但未形成良好的规模效应,这需要地方政府采取有效措施来整合资源,促使科技服务业的高效发展。
(3)科技服务业Malmquist生产率值高增速地区逐渐由东部向中部、西部地区扩散。2009—2010年,科技服务业ML值较大的有江苏、浙江、海南、贵州、新疆等省份,它们主要位于东部和西部地区。而ML值排名靠后的有河南、湖南、青海、宁夏等省份,它们的科技服务业全要素生产率有所下降,这些省份主要位于中部以及西部地区。2011年以来,科技服务业全要素生产率的空间分布发生变化,东部地区的生产率变动逐渐趋于平稳,并且高增速地区逐渐向中、西部地区扩散,如中部地区的河南、山西等省份以及西部地区的重庆、广西等省份科技服务业ML值明显增大,这说明中、西部地区省份一方面吸收了东部地区部分省份发展科技服务业的成功经验,另一方面加大了对科技服务业的投入力度,逐步走上了因地制宜的发展道路。
本文通过采用Super-SBM模型以及ML指数动态效率分解测度我国30个省份2009—2018年科技服务业的全要素生产率,全面分析了我国科技服务业发展效率的时空演变与区域间的差异,得到以下结论:
(1)我国科技服务业的整体发展水平很低,年均效率值为0.39,依旧处于初步发展阶段。根据加入松弛变量的Super-SBM模型计算得出的2009—2018年各省份及全国整体的科技服务业全要素生产效率值,可以看出大部分的省份生产效率值低于0.5,仅北京、上海、浙江三个省市生产率值较高,但是整体的生产效率是逐年递增的,尤其是在“十三五”期间,国家对科技服务业的发展实施了更加全面的计划,行业生产效率开始提速。这说明我国科技服务业静态生产效率的时序发展与宏观经济、政策因素等息息相关。
(2)2009—2018年Malmquist生产率指数整体变化不稳定,但以年均18%左右的速度增长。2011 年以及 2014 年前后均出现波动,2015 年之后逐渐趋于稳定。其中平均技术进步变化和技术效率变化均大于 1,年均增长率分别为15%和2%。从2009年到2016年ML生产率值呈现波动下降的趋势,主要是受到技术进步变化的影响。而2017—2018年科技服务业技术效率的变化是ML生产率值快速增长的源动力。此外,在研究时段内,30个省份Malmquist全要素生产率值均值大于1,表现出上升态势,说明科技服务业投入与产出不断改善,产业结构不断优化,但我国科技服务业的发展并未有效兼顾技术创新能力与规模效应的同步提升。
(3)东部地区的科技服务业整体发展水平远高于中部地区及西部地区。2009—2018年,东部地区科技服务业年均静态全要素生产效率值为0.51,中部地区为0.23,西部地区为0.3。此外,无论是在科技服务业的投入还是产出方面东部地区都大幅度领先其他两大地区,这充分说明科技服务业的发展受到地区经济基础、科研水平及开放性程度等因素的影响(王晓珍,2012)[25]。
(4)当前我国科技服务业区域间差距仍然较大,但有缩小的趋势,体现在科技服务业Malmquist生产率值高增速地区逐渐由东部向中部、西部地区扩散。尤其是2011年以来,东部地区的生产率变动逐渐趋于平稳,而中部地区如河南、山西等省份以及西部地区如重庆、广西等省份科技服务业ML值明显增大。东部地区的科技服务业发展已经达到一定的规模和水准,相比其他地区来说,提升规模效益以及获得集聚优势的难度较高,此外,科技创新对整体效率值提升的效用变弱。中、西部地区虽仍处于较为粗放的发展模式,但随着政府的有效引导,以及资源整合、投入水平的显著提高,科技服务业的发展环境正得到有效改善。
(1)完善制度环境,强化对科技服务业的重视程度。我国科技服务业起步比较晚,相关的法律法规还有待完善(吴芹和蒋伏心,2020)[26]。通过完善相关政策制度,适当鼓励、引导科技服务业发展,强化科技创新的重视程度,可以为科技服务业吸引到更多的优势资源,营造一个良好的发展环境。
(2)加大科技研发投入,鼓励自主创新,着力攻克技术难题。科技服务业的核心在于通过科技创新来服务社会,而科技创新无疑需要大量的资金、劳动力等投入。面对复杂难测的市场环境,只有加大科技服务业的投入,才会有越来越多的企业敢于自主创新,研发属于我们自己的核心技术,技术“卡脖子”的难题才能一步一步解决,科技服务业才能为社会带来越来越专业化、高端化的优质服务(刘东,2015)[27]。
(3)协调区域发展,因地制宜,缩小区域差异。由于地理位置与经济水平的原始差异,不同地区的科技服务业可以采取不同的发展模式,鼓励差异化战略。中西部地区虽然在投入方面存在弱势,但可以加强投入与产出的效率管理,减少冗杂投入。东部地区则可以利用其地理、人才、经济资源优势,加大注重技术创新能力的提升。东、中、西部地区做好产业衔接,发挥各自优势,逐步实现协调发展(刁伍钧等,2015)[28]。
(4)适度强化空间聚集,合理利用科技服务业的辐射带动作用。科技服务业通过不同水平、不同层次的集聚,有利于创新资源的空间外溢,发挥规模效应、产业关联效应以及知识或技术的溢出效应(祖明和朱建涛,2020)[29],提升周边地区的创新效率,促进相邻地区各类企业的协同发展,促进产业结构升级,有利于地区经济向高质量方向发展(崔敏和赵增耀,2020)[30]。
(5)通过市场化建设,打通精准服务渠道,提升科技服务业服务客体的能力。科技服务业发展前期需要政府的大力支持,但在形成一定规模后需要离开政府这个“避风港”,以市场选择为导向,自力更生,培养响应市场多种需求的能力,主动融入市场、服务市场。同时,通过对创新技术的运用、精准客户群体定位,详细了解客户需求水平,提供更加精细化、专业化的服务。