我国高技术制造业竞争力及影响因素研究——基于BP-DEMATEL模型

马银戌,贾亚美

(河北经贸大学 数学与统计学学院，河北 石家庄 050061)

高技术制造业是制造业中技术创新最活跃、附加值最高的部分，是驱动国民经济高质量发展的重要动力。国家统计局统计数据显示，在2020年疫情防控的特殊形势下，我国高技术制造业逆势成长，同比增长了7.1%，高技术制造业的投资额也保持较快增长，对国民经济的恢复起到了重要的带动作用。但高技术制造业作为国民经济的支柱产业，疫情防控下显现出的产业链及供应链的不完整性、弱安全性缺陷，不利于高技术产业的持续快速成长。在“双循环”战略背景下，打造开放、安全的高技术制造业的产业链和供应链，提升我国高技术制造业的竞争力显得尤为重要。

一、文献综述及研究切入点

多年来国内外学者对我国高技术制造业竞争力的研究主要集中于四方面：一是对区域高技术制造业的发展状况进行研究；二是对高技术制造业的竞争力和创新能力进行评估；三是基于全球产业链对我国高技术制造业的国际对比研究；四是对我国高技术制造业竞争力与服务业、物流行业的协同发展研究。

在对高技术制造业发展状况进行研究时，学者主要采用描述统计分析、投入产出分析和随机模型等方法。如郭梦迪等利用2000—2014年省级面板数据应用随机效应模型发现技术上的自主创新是提高高技术产业出口竞争力的重要因素；[1]刘鶄等采用投入产出方法分析京津冀高技术产业的创新发展现状，利用随机前沿法测度高技术产业的创新效率，得出京津冀地区高技术创新水平波动上升的结论。[2]

在对高技术制造业竞争力及创新能力进行的研究中，学者较多关注竞争力评价指标体系的构建以及各种分析方法的应用创新。如陈新辉基于国际竞争力比较理论，将2003—2006年上海、广东等5个省市在产业市场占有率、销售利润率、增加值率等5个指标进行面板数据因子分析，得出北京高技术制造业发展优势主要在于高价值创造水平员工；[3]何师元运用因子分析方法从高技术制造业发展规模、投入力度以及技术创新能力三方面构建了竞争力评价指标体系，并对长江经济带11个省份在全国及长江经济带区域内部的竞争力水平进行排名，得出该经济带发展态势较好，但在发展规模上差距较大的结论；[4]陈芮选取合肥市2003—2006年数据，从综合规模、经济效益、创新能力、可持续发展及开放性五个方面，选用16个二级指标构建温州市高技术制造业竞争力评价指标体系，利用熵值法对长三角中的五个城市进行横向对比分析；[5]张冲亚基于BP-DEMATEL模型将黑龙江高技术制造业创新能力影响因素分为原因型和结果型因素进行深入分析，提出要发展黑龙江高技术产业，应重点从R&D人员占比、单位研发机构专利产出等五个原因型因素进行改进；[6]明星等从投入产出、产业产出效益、产业市场绩效以及产业市场潜力这四个一级指标以及14个二级指标构建装备制造业的综合竞争力指标体系，根据聚类算法发现东部沿海地区明显强于西部，并对影响装备制造业的因素进行回归分析，得出固定资产、从业人员以及对外开放程度显著影响装备制造业竞争力的结论。[7]

在研究高技术制造业的国际竞争力时，学者的视角及方法较为丰富。如董洁等构建我国航空航天制造业国际竞争力的评价指标体系，发现我国航空航天制造业在R&D人员投入经费以及全员劳动率方面与欧美发达国家存在很大差距；[8]尹伟华分析了显示性比较优势指数与当今形势背景的不适应性，利用世界投入产出表，基于全球价值链分解构建新的显示性比较优势指数NRCA，对中日制造业国际竞争力进行新的测算，结果表明，我国的显示性优势主要集中于技术水平较低的制造业，而日本的显示性优势主要体现在高技术制造业；[9]龚严依据产业生命周期理论、动态比较优势理论以及国家竞争力理论，以波特的钻石模型为基础从四个方面构建了面板回归模型来分析中国高技术制造业国际竞争力的内在影响因素。[10]

研究高技术制造业与其他行业协同关系主要集中于高级计量方法。如高舒锐等基于2009—2016年高技术制造业及科技服务业各行业相关数据，构建行业间复合协同系统，得出我国当前高技术制造业及科技服务业创新子系统正在“初步协调阶段”，整体协调度较差。[11]万科等使用里昂惕夫投入产出模型，结合里昂惕夫逆矩阵测度鄂湘赣三省新一代产业链的关联程度;[12]李健等基于我国省级面板数据，利用空间面板模型和面板门槛模型，结合区位熵方法，发现区域产业集群特征差异并且协同集聚的增长效应存在双重门槛。[13]

从高技术制造业发展现状、衡量竞争力水平的方法、高技术制造业竞争力指标体系构建、高技术制造业与生产性服务业协同发展等方面进行详细归纳，发现学者们对高技术制造业竞争力水平的研究大多集中在某个区域或国际之间，对全国各省份综合对比研究较少；对高技术制造业的竞争力水平评价研究较多，对其影响因素分析相对较少。因此，本文首先从四大区域和各省份两个角度，对我国高技术制造业竞争力水平进行研究，在竞争力水平的衡量方面，采用因子分析的结果，将具有多重共线性的变量转化为独立变量，对数据进行更为客观科学的描述，得出重要的因子变量。其次，对高技术制造业竞争力的影响因素进行深入探析，采用DEMATEL模型，通过变量之间的因果关系，确定变量之间关联的具体特性。最后，为避免DEMATEL模型常用专家打分方法主观性带来的误差，运用BP神经网络算法，得出较为客观的变量间权重矩阵，从而提取出原因型和结果型变量，对高技术制造业竞争力的影响因素进行深入挖掘，为我国高技术制造业竞争力水平的提升提出针对性建议。

二、理论基础及数据分析方法

(一)理论基础

在对我国高技术制造业竞争力评价指标体系的建立方面，已经有了较为坚实的理论基础，如波特钻石模型、李嘉图的比较优势贸易理论以及佩鲁的增长极理论，本文基于上述相关理论并结合当前的发展形势，构建了合理的竞争力评价指标体系，遴选了科学的分析方法。

钻石理论也称国际竞争优势理论，由美国哈佛商学院的迈克尔·波特提出，从生产因素、本国市场的需求条件、相关及支持产业和企业战略这四方面对国际竞争力进行描述，生产要素从人力资源、资本资源、基础设施以及知识资源等方面来体现，认为产业发展的动力主要在于国内市场需求量的大小，消费者对产品较高的要求标准有利于产品本身的优化升级，相关产业与支持产业主要涉及与所研究产业协同发展产业的带动能力，企业战略涉及企业在产品研发、生产及销售等方面的战略安排。通过因素之间的双向影响作用分析某一产业国际竞争力的形成与水平，除此之外，政府和机会是不可忽视的两大变数。

比较优势贸易理论是大卫·李嘉图在其代表作《政治经济学及赋税原理》中提出的，该理论认为，国际贸易形成的基础是各国或各地区之间生产技术方面的相对差异，每个贸易主体都依据比较优势原理，在本国内更倾向于生产并出口具有“比较优势”特征的产品，引进或进口“比较劣势”的产品，从而使贸易主体双方在产品市场上均能获利共赢。

法国经济学家佩鲁于1950年首次提出增长极理论，是不平衡发展理论的依据之一。该理论认为经济增长常常是从一个或几个增长中心(也叫增长极)通过乘数效应逐渐向其他的部门或地区进行经济效益的传导，给予区域经济增长很重要的研究地位；其次，在对这些增长极的具体特征描述中，佩鲁提出了经济空间的概念，认为技术进步与技术创新是经济发展的主要动力来源，在关联效应强、规模较大的产业中生产较为集中，这些推动型产业会充当增长极的作用，对发展动力不强的被推动型产业发挥支配效应，通过后向、前向等各种形式的连锁效应带动区域经济的发展，最终实现区域均衡发展。

增长极理论中对区域经济发展以及科技创新能力的重视，侧面说明了区域竞争力研究的重要意义，并且高技术制造业作为知识密集型和技术密集型的产业，科技创新能力是其发展的核心动力；基于钻石模型理论的四个方面和两个重要系数，结合高技术制造业的行业特征可构建较为完善科学的竞争力评价指标体系；借鉴比较优势理论中的比较优势思想，在对指标体系进行设计时，注重对相对指标的补充完善，反映高技术制造业竞争力的真实水平。

(二)数据分析方法概述

1.因子分析

设某数据集X共有p个变量，m个样本(m≥p)，则：

用矩阵形式表示有X=(X1,X2…Xp)，用Y表示对X进行线性变换得到的主成分，则：

2.BP-DEMATEL方法

DEMATEL方法由美国巴特尔研究所科学与人类事物项目组首次提出，用来研究影响因素的常用方法，DEMATEL对自变量与因变量之间相关性没有任何要求，通过分析变量之间因果关系，能够在多个变量中区分原因型和结果型因素，此方法可从根本上为解决经济问题提供科学依据。但该模型所用到变量之间的关联系数矩阵往往通过专家评分形式确定，具有较强主观性，对于多变量来说，确定合理的权重系数较为困难，因此本文结合BP神经网络建立BP-DEMATEL模型。BP神经网络通过隐藏层建立输入函数与输出函数之间的非线性拟合关系，不断利用样本数据进行学习、修正，得出拟合效果较好的权重系数，据此确立DEMATEL方法的关联矩阵进行深入分析。

(1)构建BP神经网络确定权重矩阵

本文最终确立11个影响因素，1个因变量衡量高技术制造业整体水平，将数据转化为输入矩阵x=(xij)m×n,目标(输出)矩阵y=(yij)m×l,m为样本数目，n为输入层变量(神经元)个数，l为输出层神经元个数。

通过Matlab软件对神经网络模型进行学习训练，确定合适的隐藏层神经元个数k，得出输入层和隐藏层的权重系数Wnk以及隐藏层和输出层的权重系数wkl，并通过激活函数得出隐藏层以及输出层结果。

(2)应用DEMATEL模型分析影响因素

基于整体的权重矩阵计算影响各因素的直接关联矩阵B：

并计算综合影响矩阵：

T=X(I-X)-1

I是单位矩阵，(I-X)-1是I-X的逆矩阵。

定义矩阵T的行和D与列和M：

T=(tij)n×n

D=(ti·)n×n

M=(t·j)n×n

D表示该变量对其他变量的综合影响程度，M表示该变量受到其他变量的综合影响程度。Di+Mi为第i个指标的中心度，表示指标i在评价指标体系中的位置及其作用，反映该指标重要性程度；Di-Mi是第i个指标的原因度，表示变量之间因果逻辑关系程度，差为正值时，说明第i个指标对其他指标影响较大，属于原因因素；差为负值时，说明该指标受其他指标影响较大，属于结果因素。

三、我国高技术制造业竞争力及影响因素的实证分析

在实证分析中，本文使用2009—2018年各省份多指标面板数据，数据来源为《2010—2019年中国高技术统计年鉴》《中国统计年鉴2010—2019》及各省份2010—2019年的统计年鉴。

(一)构架竞争力评价指标体系

基于前述理论基础，本文对我国高技术制造业竞争力水平进行研究时，将主营业务收入指标作为竞争力指标的衡量因素(本文的因变量)，影响因素将从高技术行业发展规模、创新投入、高技术产业的扩张能力以及产出效益四方面进行综合评价。在指标的选取上既考虑了影响因素的完整性，也充分兼顾了数据来源的可靠性和支持程度。高技术制造业的发展规模可用两个指标来表示，分别是有R&D活动的企业数占比和有研发机构的企业数占比；创新投入的二级指标为R&D经费的内部支出、政府资金支持、新产品开发经费支出、技术引进经费支出以及技术改造经费支出；产业扩张能力可用三个指标来表示，分别是知识密集系数、投资回报率和新增固定资产投资；产出效益从价值以及专利数两方面进行阐述，分别是新产品销售收入中出口的占比以及有效发明专利数(见表1)。

表1 影响因素变量的选取

基于数据指标完整性，因较多省份的技术引进经费支出数据缺失，因此删去该指标；在对省份数据完整性进行处理时，部分省份如新疆、西藏、内蒙古、青海多个指标且部分年份数据严重缺失，因此将这四个省份数据剔除，对所剩的27个省份2009—2018年11个因变量指标的多指标面板数据进行分析。在所用指标数据中，有部分指标并非是直接数据，而是通过计算得到的相对指标(见表2)。

表2 间接指标计算方法说明

(二)因子分析

研究发展规模、创新投入、产业扩张能力以及产出效益在提高高技术制造业竞争力水平上分别发挥了多少贡献，需要对11个原始变量进行因子分析，去除变量之间的内部相关性。

1.因子分析过程

对数据进行KMO及球形检验，结果如表3所示，KMO值为0.714，大于0.5，Bartlett球形度检验P值为0.000，小于0.05，拒绝原假设(H0：数据为球形分布)，有充足理由认为数据不是球形分布，适合做因子分析。

表3 KMO和Bartlett检验

从变量的解释总方差表4来看，前五个公因子可以提取全部变量84.659%的信息量，因此将11个原始自变量用五维数据表示，分别是F1、F2、F3、F4、F5。所提取的五个因子中，每个因子对不同的变量信息代表程度不同，根据旋转成分矩阵中公因子对原始自变量代表程度进行归类，原始变量应被归属到系数最高的公因子中，如X5新产品开发经费支出在公因子1上的系数最大，为0.969，第一个公因子经旋转后可以包含该变量96.9%信息量，则变量X5应被归属到第一个公因子中，将所有变量按此标准进行归类。

表4 因子分析解释的总方差

由表5中旋转成分矩阵可知，公因子F1包含X5新产品开发经费支出、X3 R&D经费内部支出、X11有效发明专利数、X6技术改造经费支出、X4政府资金支持和X9新增固定资产投资六个变量，反映了创新技术投入能力，所以将该因子命名为技术创新因子；公因子F2包含X7知识密集系数和X1有R&D活动的企业数占比两个变量，表示高技术制造业本身R&D人员研究投入力度，反映高技术制造业技术密集性，将该因子命名为技术密集性因子；公因子F3包含X10新产品销售收入中出口占比，反映高技术制造业企业在制造业产出的国际竞争力水平，将公因子F3命名为国际竞争力因子；公因子F4包含变量X8投资回报率，反映高技术制造业扩张能力和创造附加值情况，所以将公因子F4命名为投资回报因子；公因子F5包含X2有研发机构的企业数占比，将该因子命名为研发企业数目因子，见表6。

表5 因子分析旋转成份矩阵

表6 公因子命名

2.数据结果分析

由于近年来各省之间的密切联系，产业集聚效应、空间效应明显，从全国四个区域之间分析差异情况相较于各省高技术制造业竞争力水平的单独分析更为系统，有助于从整体上把握我国高技术制造业总体发展水平及竞争力总体分布情况。因此将因子总分按照东北部、中部、东部以及西部四大区域分类汇总，进而从各区域内部以及全国范围两个角度研究各省市高技术制造业竞争力发展的排名情况。(1)全国四大区域总体情况分析。从全国四大区域来看，东部地区高技术制造业竞争力的综合水平排在首位，高技术制造业发展较快，在各个因子上都表现出明显的优势；东北部地区在五个因子上均低于全国的一般性水平，国际竞争力弱以及研发企业数目较低，值得引起高度重视；中部地区研发企业数目在全国平均水平之上，属于中部地区发展的优势，投资回报因子明显动力不足，低于全国其他的三个区域；西部地区技术密集性因子是发展中的亮点，高于东北部和中部地区，相比于中部地区，西部地区技术密集因子有效地弥补了企业数目少的劣势，说明技术的先进性对于企业数目有一定的可替代性，但是技术创新投入以及国际出口贸易方面没有发挥应有的效果(见表7)。(2)四大区域内部情况具体分析。相关数据通过《2019—2020年辽宁统计年鉴》《2019—2020黑龙江统计年鉴》相关数据测算：从东北部地区来看，三省的高技术竞争力普遍低于全国的平均水平，经济发展水平亟需提升，原因在于区域经济发展严重不均衡，大连在辽宁省地级市的GDP总量位居首位，大连市以及沈阳市2019年GDP超过6 000亿元，剩余地级市却不足2 000亿元，14个城市中一半以上城市地区生产总值增长量为负值，最为严重的是抚顺，相较2018年GDP下降19.23%。黑龙江技术密集因子额外突出，但从全国总排名来看，技术引进还没有发挥出强大作用力，从各地级市来看，地区生产总值均在稳步增长，但生产总值差异显著，哈尔滨市2019年生产总值超出5 000亿元，但大兴安岭地区，生产总值还不足200亿元。因此东北三省省内区域发展极不平衡的问题严重制约了经济的整体发展，高技术制造业水平更是在全国范围内排名靠后，反映了东北三省这些老牌工业大省在创新方面还没有完全跟上步伐，传统工业企业的振兴还需要注入高技术活力，促进东北地区产业转型升级，重振东北经济(见表8)。

表7 全国各区域因子水平

表8 东北部地区各省份排名情况

东部地区整体的高技术竞争力水平排名较为靠前，东部地区10个省份中有8个省份在全国范围内排名前十，除河北以外各省份至少在一个因子变量方面优势突出，广东、江苏、北京和浙江在全国范围内名列前茅，粤苏浙是近年来经济最为活跃的地区，高技术竞争力因子总分远高于平均水平，是名副其实的企业大省，广东和江苏最为亮眼，因子得分F值分别是为1.779 2和0.904 3，两省并驾齐驱；而浙江的高技术竞争力水平稍弱于广东和江苏，该省的规模以上企业数量虽与粤苏相差不大，但浙江规模以上企业以中小企业居多，与大中型企业巨头的粤苏两省相比，企业规模效益明显不足。

天津和河北是我国东部地区仅有的两个因子综合得分为负值的省份，天津和河北的高技术制造业竞争力水平低于全国的一般性水平，并且河北在全国范围内属于较为落后的省份，北京的高技术制造业竞争力仅次于广东和江苏，在京津冀协同发展中起到明显的带动作用，河北和天津在促进京津冀协同发展的高技术制造业领域表现出动力不足，见表9。

表9 东部地区各省份排名情况

从西部地区来看，各省份之间的竞争力水平差异明显，但技术创新因子普遍较低，陕西和宁夏处于我国高技术制造业竞争力平均水平，全国排名前10，在西部地区起到良好的引领作用。近年来，西部地区发布利好政策积极引进先进技术和各类人才，虽然目前西部地区的平均排名为17.6，在全国27个省份中处于较低水平，但发展速度较快。以甘肃省为例，在钢铁、石化、烟草、酒业、铝业及芯片等多全面发展，发展势头稳步提升，见表10。

表10 西部地区各省份排名情况

从中部地区来看，6个省份高技术制造业竞争力水平均略低于全国一般水平，竞争力因子总得分均为负值，但中部各省份研发企业数更为充分，湖北、安徽和湖南高技术竞争力水平相近，在全国范围内处于中等水平，三省的协同发展，空间集聚效应明显。中部地区产业基础雄厚，在利用好地理优势发挥交通枢纽作用的同时更要注重利用相关制造业的资源优势，这对中部地区的高质量发展至关重要，见表11。

表11 中部地区各省份排名情况

(三)建立BP-DEMATEL模型

在BP神经网络中，隐藏层是由输入层通过输入层与隐藏层之间的权重矩阵运算，再代入到激活函数中得到，输出层中因变量的模型拟合值是隐藏层通过隐藏层与输出层之间的权重矩阵代入到激活函数中得到，考虑到激活函数的存在，若激活函数为线性函数，理论上来说则直接引用神经网络中的两个权重矩阵作为DEMATEL模型的影响系数矩阵最为合适；若激活函数为非线性函数，则得出的矩阵需要进行非线性变换来获得神经网络中各层之间较为合适的权重矩阵。因此，本文通过线性和非线性激活函数分别进行神经网络的学习，考虑到激活函数的影响，对非线性激活函数得到的权重矩阵又分别进行两种形式的权重变换。

1.模型一：线性激活函数

拟合神经网络模型，从理论上来看，线性激活函数拟合的神经网络模型权重矩阵对输入层、隐藏层以及输出层关系的描述最为真实，因此首先用线性的激活函数来拟合神经网络模型的权重矩阵。

从线性激活函数的神经网络模型中的权重矩阵所构造的中心度以及原因度来看(见图1)，对主营业务收入综合影响程度最显著的是技术改造经费支出X6以及新产品销售收入中出口占比X10这两个结果型变量，说明技术引进以及出口是目前我国高技术制造业扩大的关键要素；有研发机构的企业数占比X2、R&D经费内部支出X3、新产品开发经费支出X5以及政府资金支持X4这四个变量是明显的原因型变量，其中研发机构的企业数影响效益最为突出。从目前我国高技术制造业的发展来看，我国创新能力明显提升，企业内部创新重视程度提升，逐渐减弱了对政府资金支持的高度依赖；有效发明的专利数X11也属于原因型变量，但其发挥的效果明显不如政府和企业投入，所以高技术专利知识成果转化资本的能力还需要进一步拓展。

图1 高技术之制造业竞争力原因—结果(模型一)

该模型在理论上合适，与当下发展形势相契合，但神经网络拟合结果误差较大，绝对误差为20.867 22。考虑到经济变量之间的实际关系往往是非线性的，尤其是存在于多变量的指标体系中，因此使用非线性的激活函数尝试进行拟合。

2.模型二：非线性的激活函数

非线性激活函数的模型如下：

非线性激活函数模式下的神经网络模型，误差为13.302 35，拟合效果较好，有效降低了线性模式下的误差。从非线性激活函数(隐藏层的激活函数为tansig，输出层的激活函数为purelin)神经网络模型中的权重矩阵所构造的中心度以及原因度来看(见图2)，知识密集系数X7、有效发明专利数X11、新产品销售收入中出口占比X10以及技术改造经费支出X6属于原因型变量，在高技术制造业中出口以及专利的开发显现出明显优势；政府资金支持X4是对主营业务收入影响最为明显的结果型变量，但政府资金支持在经济学家看来，往往属于外生性变量，不受其他指标的影响，只会对其他变量产生影响，理论上应属于原因变量，所以该模型拟合度还需改进。并且，将非线性激活函数构造的神经网络模型得出的权重矩阵直接作为DEMATEL模型的权重矩阵忽略了非线性激活过程的影响，缺乏现实的理论支撑，因此，在确定DEMATEL模型的权重矩阵时将神经网络模型的两个矩阵进行非线性变换。

图2 我国高技术制造业竞争力原因—结果(模型二)

3.模型三：非线性激活函数情况下权重变换新形式1

将非线性激活函数的神经网络模型所得的权重矩阵进行第一种形式的权重变换：

从中心度来看(见图3)，政府资金支持X4是对高技术制造业主营业务收入综合影响最为显著的结果型变量，并不满足政府资金投入是外生性变量的经济假设，说明模型构造效果并不好，但该模型仍然显示出了有效发明专利数X11、R&D经费的内部支出X3以及知识密集系数X7这三个变量对竞争力水平发挥的决定性作用，因此对该模型的权重矩阵进行另一种非线性变换。

图3 我国高技术制造业竞争力原因—结果(模型三)

4.模型四：非线性激活函数情况下权重变换新形式2

将非线性激活函数的神经网络模型所得的权重矩阵进行第二种形式的权重变换：

图4 我国高技术制造业竞争力原因—结果(模型四)

由图4可以看出，有效发明专利数X11是对我国高技术制造业主营业务收入综合影响程度最大的一个，有效发明专利数在高技术制造业竞争力提升方面显示出强大活力，当下有效发明专利是反映创新能力的重要成果，专利发明和有效应用是高技术制造业发展着重关注的方面；政府资金支持X4在该模型中是发挥效果不明显的原因型变量，符合当前我国高技术制造业正逐渐从资金依赖型向创新依赖型转化的现状；新增固定资产投资X9和新产品销售收入中出口占比X10是显著的原因型变量，说明投资能有效拉动高技术制造业发展规模以及产出规模的扩大，出口大大提升了高技术制造业的创造能力及创造效益。X1有R&D活动的企业数占比、X2有研发机构的企业数占比和X7知识密集系数是综合影响程度较高的结果型变量，提升高技术制造业竞争力需注重企业规模以及知识、技术密集程度，在技术引进时要注重对企业的培育，为高端技术发挥作用打下良好基础。

四、主要研究结论及建议

(一)主要研究结论

1.各区域之间以及区域内部发展不均衡，差异明显

我国高技术制造业竞争力在全国范围内以及区域内部存在明显差异，东北部地区作为老牌工业基地，还未跟上全国高技术制造业快速发展的步伐，出口以及研发机构数目少是主要的问题；东部地区引领全国高技术制造业的快速发展，但是河北省发展动力不足，明显低于全国一般性水平，其与东部地区其他省份之间形成发展梯度差异，在一定程度上阻碍了京津冀的协同发展进程；中部地区发展较为缓慢，但是有研发机构的企业数目优势突出，创新投入以及投资方面还需加强；西部地区人才的引进工作更为显著，技术密集性因子高于全国一般性水平，凭借技术密集型因子带动总体综合竞争力的提升，但在技术创新投入以及出口方面并没有显示出充足动力。

2.我国高技术制造业企业规模效益整体偏低

模型显示，我国高技术制造业中有R&D活动的企业数占比以及有研发机构的企业数占比是影响高技术制造业的最为重要的结果型变量，东部地区高技术制造企业规模最大，产业集群发挥了较强的正向溢出效益；但西部以及东北部省份的有研发机构或R&D活动的企业数量和规模远不如东部地区，中部省份的企业效益处于全国一般水平，除东部地区以外，其余省份在高技术制造业中的大中型技术密集型企业屈指可数，企业规模效益在全国范围内严重不协调，导致企业规模效益整体偏低。

3.我国高技术制造业“走出去”还未跟上“引进来”的步伐

西部地区虽然经济发展相对落后，但凭借其技术以及人才的引进，技术密集因子表现出强大的动力，带动了综合竞争力的整体提升；模型显示，企业销售收入中出口占比是影响高技术制造业竞争力的重要原因型变量，并且高技术制造业具有技术密集型为导向的特性，加强与国外先进技术的交流势在必行；除东部地区以外，东北部、中部和西部三个地区高技术产业的国际竞争力水平均低于全国平均水平，说明我国高技术制造业在引进先进技术以及投资方面力度较大，但出口效益并没有发挥应有的效果，出口竞争力亟需提升。

4.高技术专利成果转化在高技术制造业发展中的作用凸显

利用BP-DEMATEL模型对我国高技术制造业主营业务收入的影响因素进行原因及结果型分类后发现，有效发明专利数对主营业务收入的提升最为显著，是非常重要的原因型变量，高技术专利知识成果转化是拥有较大潜力的活力因素；政府资金投入逐渐演化成为非主导因素，说明我国高技术制造业正逐步从资金依赖型向创新依赖型转化，逐步从制造业大国向制造业强国转化。

(二)建议

1.科学规划全国高技术制造业布局，创新是核心

我国高技术制造业在区域间发展不均衡、区域内部发展不均衡都不利于我国高技术制造业的整体提升，西部、中部和东北部地区应制定差异化战略，西部地区技术创新能力、中部地区的技术密集程度和东北部地区研发企业数量以及规模是区域各自的短板，须重点改善；要不断掌握创新的核心技术，除了引进国外先进技术进行消化、吸收、学习之外，还应主动培养创新型人才，近年来国家成立的高新技术开发区以及自贸区为人才培养提供了较为集中的环境。此外，逐渐加大对基础创新课程以及创新能力的专业性培训，加大人财物的投入，在人才这个源头上下功夫，在能够落实的创新项目上下功夫，建立自主创新的社会风险共担机制，为创新产出创造更便利的条件，同时在高校投入更多的科研项目资金，为创新培养更多的后备军。

2.各省应注重企业规模和技术密集特性的共同发展

以广东省高技术制造业的高速发展为指引，借鉴西部地区大力引进高技术制造业先进技术经验，各省应主动挖掘高技术制造业企业的发展潜力，主动扶持具有发展潜力的企业，加大资金投入，结合省份特点协调好企业规模和企业技术引进质量，在扩大企业规模的同时，增大高技术研发企业数量，带动中小企业共同发展，逐步在省内或周围省市形成规模效益，形成连带效应，扩大高技术制造业产出的出口比例；逐步使生产流程先进化、智能化，提高劳动生产率，提升供给侧的产品质量，发挥出带动国内大循环的效能。

3.提升高技术制造业出口效益，培养出口型企业

出口是拉动经济增长的“三驾马车”之一，出口能力弱说明我国高技术制造业核心竞争力对国家其他中间要素投入的依赖性较强，还未形成强大的技术独立性，这对我国高技术制造业发展不利，因此各地区除了加强龙头企业的出口规模，还要注重新型出口型企业的培育，以出口目标为导向完善我国企业类型，发挥产品出口效益，用出口带动我国高技术制造业综合竞争力的提升，不断向国际产业链的高附加值部分迈进。

4.落实专利产品相关政策，促进高技术专利成果转化

各省份高技术制造业企业应逐渐加强知识产权创新意识，从企业发展战略出发，将知识产权创新摆在企业发展的关键位置，为高技术知识专利建立完善的保护体系，充足的知识产权和专利储备才能为创新注入源源不断的动力；国家应完善高技术知识产权和知识专利的价值评价体系，使知识产权资源能够有效与资本市场对接，促使高价值专利向高技术成果转化，充分发挥高技术知识产权对高技术制造业竞争力提升的关键作用。