中国19个城市群高新技术企业全要素生产率增长的区域差异与时空演进

孙红军 赵祚翔 甘克勤 李欣泽中国标准化研究院国家标准馆北京 009中国科学院科技战略咨询研究院北京 0090 山东大学经济研究院济南 5000

引 言

20世纪90年代，为提高自主创新能力和推动产业转型升级，中国开始实施高新技术企业（以下简称高企）认定和管理计划。在新发展阶段，各省（区、市）认定的高企已成为创新驱动经济高质量发展的主要引擎，着力推动着中国经济增长方式由要素驱动转向创新或全要素生产率驱动［1，2］。

城市群作为未来中国区域经济最具活力和潜力的核心地区［3，4］，已经成为支撑中国高企全要素生产率增长的战略高地。2021年《中华人民共和国国民经济和社会发展第十四个五年规划和2035年远景目标纲要》中明确规划建设的城市群数量已达到19个。因此，全面提升各个城市群高企全要素生产率是实现创新驱动经济高质量发展的关键抓手。然而，由于受不同的、复杂的内外部环境影响，不同城市群高企全要素生产率之间很难实现均衡增长，这不仅会加剧不同城市群高企全要素生产率的空间不平衡，而且也会给区域经济协调发展带来巨大压力。因此本文研究的问题有，十九大城市群高企全要素生产率究竟如何？是否存在明显区域差异？呈现出何种时空演进规律？全面回答这些问题对于提高不同城市群高企全要素生产率和实现区域经济协调发展具有重大的理论和现实意义。

当前关于城市群高企全要素生产率增长率的相关研究主要集中于以下3个方面：（1）就全要素生产率增长率测算方法而言，主要有非参数法和参数法。数据包络分析方法——Malmquist生产率指数作为非参数方法，由于不需要提前设定生产函数，操作简便易行等特点，受到了国内外学者的青睐。毛蕴诗和李玉惠［5］采用DEA－Malmquist生产率指数测度了2009～2011年高企和传统企业的全要素生产率增长率，结果发现高企和传统企业的全要素生产率增长率并没有明显差异；纪培端［6］采用DEA－Malmquist生产率指数法测算了2014～2018年深圳市高企全要素生产率增长率，结果发现深圳市高企全要素生产率增长率呈逐年上升趋势；陈抗和战炤磊［7］利用DEA－Malmquist生产率指数测算了2009～2016年31个省（区、市）中国高新技术产业的全要素生产率增长水平，结果发现中国高新技术产业全要素生产率增长率呈下降态势，下降的主要诱因在于技术进步的衰退。然而，该模型极易受随机因素影响，由于DEA方法所得到的确定性前沿，仅仅由“最高”样本的线性组合得到，因此“最高”样本的随机性变化直接影响到确定性前沿，进而影响由该方法得出的技术进步和技术效率［8，9］。索罗余值与随机前沿分析模型均属于参数分析方法，其中索罗余值方法受到众多学者质疑［10－13］。主要是因为该方法严苛理论假设条件（完全竞争、规模报酬不变和技术中性的假定），这些假设与现实不相符；也无法剔除测算误差的影响，并将余值全部归因于技术进步，这样的划分过于笼统和模糊。而超越对数生产函数的随机前沿分析模型考虑了随机因素与相对技术效率对全要素生产率的影响，并可对模型适用性进行检验，能够较好模拟实际经济增长情况［14－16］；（2）就高企全要素生产率增长区域差异而言，现有文献在分析全要素生产率增长的区域差异时普遍采用传统基尼系数、变异系数、Theil指数等统计方法［17］。传统基尼系数与变异系数无法准确实现对区域差异进行区域内、区域间差异分解；Theil指数没有考虑子样本分布状况［18］，无法刻画区域内差异与区域间差异的交叉项（超变密度）对区域差异贡献程度［3，19］。而Dagum基尼系数及分解方法能够有效解决上述问题；（3）当前研究较多采用直观对比方法来揭示全要素生产率随时间的变动趋势［20，21］，但这种方法无法准确揭示空间关联效应下的不同城市群高企全要素生产率增长的时空演进特征和分布规律。此外，现有研究缺少从十九大城市群视角展开区域差异的研究。

综上所述，本文基于2014～2019年十九大城市群高企的面板数据，运用超越对数的随机前沿生产函数、Dagum基尼系数、传统与空间Markov链分析等方法，对十九大城市群高企全要素生产率增长的区域差异与时空演进进行实证研究，在此基础上提出对策建议。

1 方法与数据

1.1 Dagum基尼系数及分解方法

本文将采用Dagum基尼系数及其分解方法来测算和分解全要素生产率增长的区域差异，Dagum基尼系数定义如式（1）所示：

式（1）中，G表示总体基尼系数，G的数值越大表示十九大城市群高企总体全要素生产率增长的区域差异越大。k为划分的城市群个数，i、r分别为各个城市群内包含的城市个数，nj（nh）为j（h）城市群内城市的个数，yji（yhr）为j（h）城市群中任意一个城市里的高企全要素生产率增长率，n为城市个数，¯Y为十九大城市群高企总体全要素生产率增长率的均值。需要说明的是采用Dagum基尼系数分解方法时，应先按照各城市群高企全要素生产率增长率均值大小对城市群进行排序，如式（2）所示：

根据Dagum分解方法，可将基尼系数分解为3个部分，分别是区域内差异的贡献Gw、区域间差异的贡献Gnb、超变密度（Intensity of Transvariation）的贡献Gt，其中超变密度是由于子区域间交叉项的存在对整体区域差异产生的影响，三者满足G＝Gw＋Gnb＋Gt的关系。具体计算式如下：

式（3）和（4）分别为j城市群内高企全要素生产率增长率的基尼系数Gjj和区域内差异的贡献率Gw；式（5）和（6）分别为j、h城市群高企全要素生产率增长率的区域间基尼系数Gjh和区域间差异的贡献率Gnb；式（7）表示超变密度的贡献率为j、h城市群高企全要素生产率增长率的相对影响，其定义如式（8）所示。式（8）中djh表示j、h两城市群间高企全要素生产率增长率的差值，即j、h城市群中所有yji－yhr＞0的样本值加总的数学期望，pjh表示超变一阶矩，即j、h城市群中所有yhr－yji＞0的样本值加总的数学期望。式（9）、（10）中Fh和Fj分别是h、j区域的累积密度分布函数。

1.2 传统与空间Markov链方法

Markov链方法主要思想是通过构建Markov转移概率矩阵来探究各个城市群高企在不同样本考察周期内全要素生产率增长的空间演进特征。Markov链方法是一个随机过程，即｛Xa，a∈A｝，它的取值为有限集合M，该集合中元素均为随机过程的状态，指数集合A为各个时期。令随机变量Xa＝j，表示在b时期的系统状态为j，该系统的马尔科夫性满足式（11）。因此，Markov链特殊性就在于状态Xb的条件分布仅取决于状态Xb－1。假如Pij为某一区域全要素生产率从b－1年i状态转移到b年j状态的转移概率，那么Pij＝nij／ni。其中，nij表示从b－1年i状态转移到b年j状态的区域数量，ni表示在b－1年处于i状态的区域数量。

假如将城市群高企全要素生产率增长率划分为N种状态，就可以构造出N×N的转移概率方阵，然后就可以根据转移概率分析城市群高企全要素生产率增长的时空演进规律。如果将空间关联的理念引入其中，就可以将上述N×N转移概率矩阵转化为N×N×N的转移矩阵，则Pij为在某一区域b－1年空间关联状态为Ni的情况下，创新能力从b－1年i状态转移到b年j状态的转移概率，据此就能够揭示空间关联效应对城市群高企全要素生产率转移特征的影响。值得注意的是，空间滞后值是城市附近区域高企全要素生产率的空间加权，本文根据各城市是否相邻原则建立空间权重矩阵，即城市相邻则赋值为1，否则为0。

1.3 研究对象与数据来源

本文以京津冀、长三角、珠三角、成渝、长江中游、山东半岛、粤闽浙沿海、中原、关中平原、北部湾、哈长、辽中南、山西中部、黔中、滇中、呼包鄂榆、兰州－西宁、宁夏沿黄、天山北坡19个城市群高企为研究对象。本文数据来源于科技部火炬中心面向全国高企开展的年度调查统计，该调查统计由《国家高新区和高新技术企业统计报表》、《高新技术企业综合统计快报表》和《年度高新技术企业发展情况表》三部分组成，包含20余万家高企综合信息。参照牛冲槐等［22］、夏文飞等［23］的做法，依据高企注册地将高企上报指标进行加总，考虑到数据可获性和准确性，最终选择2014～2019年209家地级市层面高企数据展开研究。

2 十九大城市群高企全要素生产率增长水平与区域差异

2.1 城市群高企整体全要素生产率增长率表现

本文主要采用方差参数检验［14，15］和假设检验等方法对超越对数生产函数的随机前沿模型适用性进行判定。检验结果显示：采用超越对数生产函数形式的随机前沿分析模型来测算城市群高企全要素生产率增长率是合适的①。在上述模型测算中，参照方文中和罗守贵［2］的做法，以高企营业收入衡量生产产出，以高企年末从业人员数量衡量劳动投入，以高企年末资产合计（火炬统计有标准口径的年末资产合计指标，避免了资本存量统计口径不一致与不同折算方法所带来的误差）衡量资本投入。图1报告了十九大城市群高企整体全要素生产率增长率及分解结果。

图1 十九大城市群整体高企全要素生产率增长率分布图

整体TFP（全要素生产率增长率）表现由图1可知，整体高企全要素生产率增长率呈现持续上升态势，由2015年的1.0000%增长至2019年的5.1188%，2015～2019年的均值为3.1138%。同时，现有研究［24－28］表明中国省（区、市）全要素生产率增长率在2011年后基本维持在1%左右。表明各城市群高企着力推动着我国经济增长方式由投资驱动向全要素生产率驱动转变。此外，还可发现该折线图由陡峭变得平缓，说明整体全要素生产率增长速度由快变慢。

就TC（技术进步率）而言，由图1可知，TC与全要素生产率增长率呈现出相同态势，表现出持续上升趋势，由2015年的－5.4936%增长至2019年的－0.0296%，2015～2019年的均值为－2.8376%，表明整体高企技术出现了衰退。这个结果与陈抗和战炤磊［7］、匡远凤和彭代彦［29］研究结果类似。可能原因有：受国家高企认定政策的影响，2016年适当放宽了高新技术企业的认定条件，如将企业科研人员占比由不低于30%调整为不低于10%。由此判断，尽管现有单个企业的技术前沿水平并没有发生倒退，但由于新增企业（尤其是技术含量较低的企业）可能会拉低城市群高企整体的技术前沿水平，进而带来整体技术衰退；另外，从微观生产过程而言，当高企对所需生产技术提出更高的要求，前沿技术水平却无法满足需求，这实质也是相对技术倒退［30－32］。值得注意的是，按照TC变动趋势预测，在修订后高企认定政策推行的第5年，即在2020年TC可能由负增长变为正增长。

就TEC（技术效率变化）而言，由图1可知，高企整体TEC呈现出持续缓慢下降的变化态势，由2015年的5.1059%下降至2019年的4.3445%，2015～2019年的均值为4.7182%。这个研究结果与大多研究结论高度一致。究其原因，由于技术衰退对全要素生产率拉低效应的存在，使得各个城市群高企逐渐倾向于以技术效率弥补技术衰退来提升全要素生产率，正是由于这种技术效率追赶机制推动企业生产活动越来越逼近最优前沿产出，同时受技术无效率、随机因素的影响，逼近最优产出会变得越来越困难。因此，TEC呈现出了持续稳定下降态势。

续 表

就SEC（要素规模效率变化）而言，由图1可知，SEC呈现出“下降－上升－下降”的变动态势，下降幅度明显大于上升幅度，由2015年的1.6997%下降至2019年的0.7722%，2015～2019年均值为1.3557%，表明城市群高企存在要素规模效率递增的现象。进一步将SEC分解为SECK（资本要素规模效率变化）和SECL（劳动要素规模效率变化），后两者变动趋势与SEC一致。

2.3 各个城市群高企全要素生产率增长率表现

图2展示了京津冀、长三角、珠三角、成渝、长江中游、山东半岛、粤闽浙沿海、中原、关中平原城市群高企全要素生产率增长率，图3展示了北部湾、哈长、辽中南、山西中部、黔中、滇中、呼包鄂榆、兰州－西宁、宁夏沿黄、天山北坡城市群高企全要素生产率增长率。经济越发达城市群（如珠三角、长三角等）高企全要素生产率增长率越低，越是经济欠发达城市群（如呼包鄂榆、兰宁－西宁等）高企全要素生产率增长率越高。这一研究结论与李静等［33－35］等研究结论相似。究其原因，经济发达城市群高企率先实现高质量发展进而导致全要素生产率增速放缓，欠发达城市群高企由于存在经济后发追赶优势，其发展质量正处于上升阶段，技术进步与效率提升空间大，其全要素生产率增速相对较快。就全要素生产率增长率变化态势而言，十九大城市群高企全要素生产率增长的时间演进态势呈现出明显的区域异质性。

图2 各个城市群高企全要素生产率增长分布图（1）

图3 各个城市群高企全要素生产率增长分布图（2）

2.4 十九大城市群高企全要素生产率增长的区域差异

参照已有研究［18，36，37］的普遍做法，以2014年为基期（即以2014年为1）对全要素生产率增长率进行累计处理，从而获得2015～2019年累计全要素生产率增长指数（如无特殊说明，下文均指累计全要素生产率增长指数）。随后，采用Dagum基尼系数及分解方法测度和分解十九大城市群高企全要素生产率增长的区域内差异、区域间差异以及差异来源，测算结果如表1所示。

表1 Dagum基尼系数及其分解结果

区域内差异。由表1可知，城市群高企全要素生产率增长的整体基尼系数呈现出持续上升态势，2015～2019年的均值为0.0508，表明城市群高企整体全要素生产率增长的区域差异持续扩大。就区域内差异均值大小而言，北部湾、兰州－西宁、呼包鄂榆、黔中、关中平原、哈长、粤闽浙沿海、宁夏沿黄、珠三角、中原、辽中南、天山北坡、成渝、长江中游、长三角、京津冀、山西中部、山东半岛、滇中城市群高企全要素生产率增长的区域内差异均值分别为0.1495、0.0769、0.0672、0.0605、0.0538、0.0460、0.0435、0.0417、0.0367、0.0345、0.0317、0.0296、0.0282、0.0264、0.0263、0.0243、0.0215、0.0190、0.0165，说明相较于发达城市群高企，欠发达城市群高企全要素生产率增长的区域内差异相对较大。究其原因，发达城市群高企全要素生产率增速整体放缓，欠发达城市群内由于一部分城市内的高企依托自身发展基础和优势，能充分发挥后发追赶优势，其全要素生产率增速较快，由此造成欠发达城市群高企全要素生产率增长的区域内差异更大。就区域内差异的演进趋势而言，黔中城市群高企全要素生产率增长的区域内差异呈现出先持续下降后持续上升的态势，但上升幅度小于下降幅度，表明其区域内差异整体呈现收敛态势；宁夏沿黄、天山北坡城市群高企全要素生产率增长的区域内差异均呈现出“扩大－收敛－扩大”的变化趋势，扩大幅度明显大于收敛速度；其他城市群高企全要素生产率增长的区域内差异均呈现出持续扩大态势，但扩大幅度各异。

区域间差异。本文按照《中华人民共和国国民经济和社会发展第十四个五年规划和2035年远景目标纲要》中对十九大城市群的发展定位，将十九大城市群高企划分为3种类型：A类是需要优化提升的城市群（京津冀、长三角、珠三角、成渝、长江中游城市群）高企，特点是经济发展规模大且发展质量较高；B类是需要发展壮大的城市群（山东半岛、粤闽浙沿海、中原、关中平原、北部湾城市群）高企，特点是经济发展规模和发展质量次于A类；C类是需要培育发展的城市群（哈长、辽中南、山西中部、黔中、滇中、呼包鄂榆、兰州－西宁、宁夏沿黄、天山北坡城市群）高企，特点是经济发展规模和发展质量明显落后于A类和B类。同时按照区域间差异大小平均分成高、低两个水平。由表1可知，城市群高企全要素生产率增长区域间差异较大的主要集中于A类中的某一城市群高企与C类中的某一城市群高企之间（如珠三角与黔中城市群高企之间、珠三角与呼包鄂榆城市群高企之间、长三角与兰州－西宁城市群高企之间、长江中游与黔中城市群高企之间）、B类中的某一城市群高企与C类中的某一城市群高企之间（如北部湾与黔中城市群高企之间、北部湾与呼包鄂榆城市群高企之间、北部湾与兰州－西宁城市群高企之间、北部湾与天山沿黄城市群高企之间）；而区域间差异较小的主要集中于A类内部、B类内部以及C类内部两两城市群高企之间（如A类中的长三角与成渝城市群高企之间、B类中的山东半岛与关中平原城市群高企之间、C类中的山西中部与滇中城市群高企之间）。上述结果可能与区域经济差异与空间地理位置有关系。A类城市群高企与B类城市群高企的经济发展规模和质量都明显高于C类城市群高企，由此引致其区域间较大差异。相反，A类、B类、C类内部中的两两城市群高企之间经济发展规模和质量差异较小；另外，就空间地理位置远近而言，A类城市群与B类城市群空间位置与C类城市群距离较远，受地缘位置、交通、行政等因素影响，协调难度更大，其区域间差异更大。相反，A类、B类、C类内部中的城市群之间地理位置相对较近，协调难度较小，其区域间差异就小。因此，在后续分析全要素生产率增长率的转移特征时，必须考虑空间关联因素。就区域间差异演变态势而言，黔中城市群高企与京津冀、中原、关中平原、哈长、辽中南、山西中部、滇中、宁夏沿黄等城市群高企全要素生产率增长的区域间差异呈现出波动下降态势，表明其区域间差异存在收敛现象。除上述城市群高企之间，其他两两城市群高企全要素生产率增长的区域间差异均呈扩大态势。究其原因，不同城市群高企之间尚未形成完善的跨城市群的紧密合作机制，在资源禀赋、经济发展、技术创新、政策支撑、地理位势等方面存在较大差异，很难形成关联互动、互通有无、互利共赢的发展模式，区域间差异的“马太效应”就此形成。

就区域差异的来源而言，表1汇报了十九大城市群高企全要素生产率增长区域差异的来源及其贡献率。在样本考察周期内，区域间差异来源最大，超变密度差异次之，区域内差异来源最小，区域间差异平均贡献率为61.2953%，超变密度差异平均贡献率为33.3447%，区域内差异平均贡献率为5.3600%。

3 十九大城市群高企全要素生产率增长的时空演进特征

3.1 传统Markov链估计结果

表2汇报了传统Markov链估计结果，对表2结果具体分析如下：

表2 传统Markov链估计结果

（1）在样本考察周期内（2015～2019年），城市群高企全要素生产率增长率的向上与向下转移概率呈现非对称分布现象。由表3可知，转移概率主要分布于对角线右上方，即低水平、中低水平、中高水平的城市群高企向上转移概率明显大于其向下转移概率（仅为0.0192），说明不同水平的城市内高企全要素生产率增长率均呈现出了向更高水平迈进的趋势，这个结论与前面论述的十九大城市群高企全要素生产率增长率均呈上升趋势的结论一致。

（2）十九大城市群高企全要素生产率增长率存在“俱乐部收敛”和“跨层次跃升”的现象。在2015～2019年，处于高水平城市群高企保持稳定水平的概率为1.0000，向下转移概率均为0，表明高水平城市群高企全要素生产率呈明显趋同增长趋势，其能依赖前期经验和已有路径，通过持续开展创新创业活动和促进产业转型升级，助推技术创新和效率提升，进而保持其领先状态。同时，低水平、中低水平、中高水平城市群高企的全要素生产率增长率存在“跨层次跃升”的现象，低水平、中低水平、中高水平向高水平转移概率分别为0.5385、0.9615、1.0000。值得注意的是，中低水平直接跳过中高水平跃升至高水平，中高水平则全体向高水平跃升。

（3）不同发展阶段，城市群高企全要素生产率增长率的转移特征不同。相较于2015～2017年，2018～2019年城市群高企全要素生产率增长率向下转移概率明显降低，由0.0958下降至0.0192，表明近两年城市群高企全要素生产率增长率整体向好；另外，与2015～2017年相比，2018～2019年低水平城市群高企全要素生产率增长率保持稳定水平概率降低，中低水平保持稳定水平的概率不变，中高水平、高水平保持稳定水平的概率增加，表明近两年低水平城市群高企全要素生产率增长率趋向更高水平，中高水平、高水平更倾向于保持自身已有的领先优势。

3.2 空间Markov链估计结果

表3报告了空间Markov链估计结果，对表3结果具体分析如下：

表3 空间传统Markov链估计结果

（1）传统和空间Markov链估计的空间转移特征存在明显差异。在2015～2019年，在低水平、中低水平城市群高企全要素生产率增长率的邻域环境下，初始状态为低水平、中低水平的城市群高企向高水平转移的概率明显小于不考虑空间关联环境的概率，表明倘若不考虑低水平、中低水平空间关联因素会高估低水平、中低水平向高水平转移概率；另外，2015～2019年，在中高水平、高水平城市群高企全要素生产率增长率的邻域环境下，初始状态为低水平、中低水平的城市群高企向高水平转移的概率明显大于不考虑空间关联环境的概率，表明倘若不考虑中高水平、高水平空间关联因素会低估低水平、中低水平向高水平转移的概率。该结论直接揭示了空间关联因素对城市群高企全要素生产率增长率转移特征的影响程度。

（2）十九大城市群高企全要素生产率增长率的转移规律表现出显著空间依赖性。表4中所展示空间关联视角下的4个转移概率并不相同，表明不同全要素生产率增长水平的领域环境对城市群高企全要素生产率增长率的转移概率影响不同。在高水平领域环境下，其全要素生产率增长率向下转移概率为0，显著小于低水平领域环境下的转移概率；而在中低水平领域环境下，其全要素生产率增长率向上转移概率总体小于中高水平领域环境下的转移概率，如PⅡ－Ⅳ／Ⅲ大于PⅡ－Ⅳ／Ⅱ（PⅡ－Ⅳ／Ⅲ中的Ⅲ指处于中高水平领域环境，Ⅱ－Ⅳ指由中低水平转向高水平，下同）、PⅠ－Ⅳ／Ⅲ大于PⅠ－Ⅳ／Ⅱ。

（3）不同水平的邻域环境对城市群高企全要素生产率增长率向上转移的作用不同。水平较高的邻域环境对临近城市群高企全要素生产率提升具有 明 显 促 进 作 用，如PⅠ－Ⅳ／Ⅳ大 于PⅠ－Ⅳ／Ⅰ，PⅡ－Ⅳ／Ⅳ大于PⅡ－Ⅳ／Ⅰ，表明高水平的高企对周边城市群高企全要素生产率提升具有引领带动作用，这主要是由于相互竞争与知识溢出效应推动了临近城市群高企全要素生产率协同增长。相反，水平较低的邻域环境对临近城市群高企全要素生产率增长具有明显抑制作用，如PⅡ－Ⅰ／Ⅰ明显大于PⅡ－Ⅰ／Ⅱ、PⅡ－Ⅰ／Ⅲ、PⅡ－Ⅰ／Ⅳ。

（4）相邻城市群高企全要素生产率增长差异的大小对城市群高企全要素生产率增长率转移概率的影响不同步。当邻域环境依次为低水平、中低水平、中高水平、高水平时，初始状态为低水平向上转移的概率依次为0.5789、0.7333、0.8182、1.0000。究其原因，当相邻城市群高企全要素生产率增长差异越大时，低水平城市群高企越易受到高水平领域环境的辐射带动作用，知识和技术溢出就越频繁，同群效应就越明显，从而低水平的城市群高企越容易提升全要素生产率，这也进一步解释了前文数据分析的结果“城市群高企全要素生产率增长的区域差异越大，这些城市群高企全要素生产率增长就越快”。

4 结论与启示

本文基于2015～2019年十九大城市群高企的经济投入和经济产出的面板数据，对十九大城市群高企全要素生产率增长水平、区域差异及其时空演进特征进行了实证研究。主要结论如下：19个城市群高新技术企业全要素生产率增长率呈增长态势；整体、区域内以及区域间差异均呈明显扩大态势；其时空转移特征呈现出“非对称向上”、“俱乐部收敛”和“跨层次跃升”的态势；在不同领域环境下，其转移特征表现出显著空间依赖性。

根据以上结论，本文获得以下启示：

（1）加快创新型企业队伍建设。各城市建设的高企已经成为引领和带动区域经济增长方式由要素驱动转向创新或全要素生产率驱动的主要抓手。实施多元创新型企业培育计划，引入或培育一批科技型领军企业和高企，研究探索“瞪羚企业计划”和“雏鹰企业计划”，加快培育和孵化中小微科技企业，推动科技型企业在主板、中小板、创业板首发和借壳上市；鼓励和支持企业建立企业技术中心、重点实验室、工程技术研究中心等研发机构，持续深化企业与国内外知名院校的合作与交流，支持企业、科研院所等围绕产业技术创新的关键问题，开展技术合作，实现知识产权共享，科技成果快速转移转化。

（2）明确定位，因区施策。各城市群高企全要素生产率增长水平及其区域内差异不同，意味着各城市群要明确定位、因区施策、强化特色、走多元化道路。①优化提升京津冀、长三角、珠三角、成渝、长江中游等城市群。提升高企自主创新和原始创新能力，瞄准和钻研国际前沿知识和关键技术，突破国外技术封锁和垄断，破解一系列核心技术“卡脖子”问题，持续引领关键技术与前沿知识的迭代升级；②发展壮大山东半岛、粤闽浙沿海、中原、关中平原、北部湾等城市群。聚焦自身高企已有的技术优势和发展特色，大力实施特色发展战略，持续加大技术研发投入，力争在自身高企特色优势领域中取得重大技术创新突破，增强城市群高企国内技术创新竞争力和影响力；③培育发展哈长、辽中南、山西中部、黔中、滇中、呼包鄂榆、兰州－西宁、宁夏沿黄、天山北坡等城市群。积极引进和培育优质创新资源，尤其是要围绕自身产业技术发展方向梳理前沿知识和先进技术，大力鼓励和支持举办创业创新大赛、高端技术创业论坛等活动，激发全社会创新创业热情。

（3）构建跨城市群的高企开放合作机制。对于京津冀、长三角、珠三角、成渝、长江中游等城市群高企而言，扩宽对外发展的物理空间，发挥对落后城市群高企的辐射带动作用，积极主动向其他城市群高企总结、推广成功经验和做法，以项目合作为纽带，帮助落后城市群提升创新发展水平；对于其他城市群高企而言，强化与较发达城市群高企之间的战略合作，共同探索合作新模式，共建开放交流平台（如科技商务平台、人才交流平台、技术成果跨区交易平台、资本对接平台、异地孵化平台等），以期充分对接利用发达城市群高企创新创业资源。引导区内大中小各类企业融通、抱团发展，壮大实力，通过大企业帮助一批中小企业进入国内外市场，增强竞争力。

注释：

①限于篇幅，未列出超越对数生产函数形式的随机前沿分析模型的公式算法，也未报告方差参数检验和假设检验结果，如有需要可与作者联系。