我国高新技术产业创新效率静态与动态测度

仵凤清　施雄天

摘 要：应用静态、动态效率测度模型，研究了2013—2021年我国高新技术产业创新效率整体和区域变化情况，并对高新技术产业创新效率影响因素进行分析，发现从静态模型测度，消除了环境变量和随机误差影响后，我国高新技术产业创新效率均值为0.725，还有一定的上升空间，且东、中、西部地区高新技术产业创新效率存在差异，表现为东＞中＞西；从动态模型测度，2013—2021年我国高新技术产业创新效率为1.009，表明从动态趋势上2013—2021年高新技术产业创新效率呈现上升趋势；从市场结构、政府投资、外商投资、劳动力素质、地区经济发展水平这些影响因素均对高新技术产业投入松弛变量产生不同的显著影响。结果表明：在生产前沿的条件下，东部、中部、西部地区高新技术产业的技术还未达到有效；东、西部高新技术产业创新效率增长需要技术效率的提升，中部高新技术产业创新效率增长需要技术效率的提高和技术进步。

关键词：高新技术产业；创新效率；影响因素；静态；动态

中图分类号：F 276.44 文献标识码：A 文章编号：1672-7312（2023）03-0262-09

The Static and Dynamic Analysis of Innovation Efficiency of Chinese High-tech Industry

WU Fengqing，SHI Xiongtian

（School of Economics and Management，Yanshan University，Qinhuangdao 066000，China）

Abstract：By applying static and dynamic efficiency measurement models，this paper studies the overall and regional changes of innovation efficiency in high-tech industries during 2013—2020，and analyzes the influencing factors of innovation efficiency in high-tech industries.It is found that the average value of innovation efficiency in high-tech industries is 0.725，based on the static model measurement and eliminating the influence of environmental variables and random errors.There is still a certain room for improvement，and there are differences in the innovation efficiency of high-tech industries in the east，central and western regions，showing that East>middle>West；From the dynamic model measurement，the innovation efficiency of our high-tech industries during 2013—2020 is 1.009，which indicates that the innovation efficiency of our high-tech industries during 2013—2020 remains

increasing from the dynamic trend.Factors such as market structure，government investment，foreign investment，labor quality and regional economic development level all have different significant influences on the input relaxation variables of high-tech industry.The results show that the technology of high-tech industry in eastern，central and western regions has not been effective under the condition of production frontier.The growth of innovation efficiency of high-tech industries in eastern and western China requires the improvement of technological efficiency，while that of high-tech industries in central China requires the improvement of technological efficiency and technological progress.

Key words：high-tech industry；innovation efficiency；influencing factors；static；dynamic

0 引言

中國政府为高新技术产业发展制定的政策，体现了政府对高新技术产业的高度重视和坚定发展决心。然而我国各省（市、区）高新技术产业发展不均衡，需要测度不同省（市、区）高新技术产业创新效率，以进一步分析这几年来我国高新技术产业创新效率的变化。

从高新技术产业细分行业进行研究的学者居多，如张志强等对我国高新技术产业细分的行业进行创新效率测度研究，但研究高新技术产业创新效率地域间差异的学者较少[1]。学者们从高新技术产业的某一角度进行研究，如从产出角度：刘和东等通过界定原创性高新技术产业类别，认为发明专利数更能反映高新技术产业原始创新能力[2]；从行业细分角度：沈晓梅选取江苏省高新技术产业中的5个行业，分析高新技术行业创新效率及其动态演变趋势[3]；从产业集聚角度，王黎明等研究了我国高新技术产业多样化集聚、专业化集聚對绿色创新效率的影响[4]；从创新培育角度，汪锦熙研究了创新驱动战略是否对高新技术产业创新能力提升作用[5]。静态、动态模型在高新技术产业创新效率的测度上应用广泛，刘琪用静态DEA模型测度山西省高新技术产业的研发效率[6]；MAVI R K使用二阶段DEA研究高新技术产业静态生态效率[7]；LAMPE H W和HILGERS D使用DEA和SFA模型研究高新技术产业静态组织绩效效率[8]；郭海红使用Malmquist指数模型，从动态层面测度山东省生态创新效率[9]；王冰清等使用静态DEA模型测度了高技术产业二阶段创新效率[10]；张冀新等使用静态DEA模型测度了高技术产业制造业和高技术产业服务业创新效率[11]。从现有的研究方法动态或静态的高新技术产业创新效率的测度，一方面是容易忽略高新技术产业环境因素的影响，另一方面是没有从动态与静态两方面对高新技术产业创新效率进行全面分析。

文中基于前人的研究，从静态和动态两方面进行测度，使得研究更有严谨性、全面性。从静态测度，考虑到各省（市、区）高新技术产业内部资源禀赋和宏观环境存在着不同，所以需要消除环境变量和随机误差的影响，真实反映各省（市、区）高新技术产业创新效率。从动态测度，考虑高新技术产业会随时间演进进行纵向变化，反映各省（市、区）高新技术产业创新效率动态变化趋势。

1 研究设计

1.1 静态测度模型及动态测度模型设定

1.1.1 静态测度模型设定

1.2 变量选取

1.2.1 高新技术产业创新效率测度投入产出指标的选取

选取高新技术产业R&D人员投入、高新技术产业R&D经费内部支出、高新技术产业企业数为高新技术产业创新效率测度投入指标。

选取高新技术产业专利申请授权量、高新技术产业新产品的销售收入和技术收入、高新技术产业上缴税费为高新技术产业创新效率测度产出指标。

1.2.2 高新技术产业创新效率测度环境变量的选取

在参考相关文献，环境变量的选取主要考虑市场结构、政府投资、外商投资、劳动力素质、地区经济发展水平这5个方面。各创新效率测度相关变量具体含义见表1。

1）市场结构。

市场集中度能反映出市场结构情况，但是由于市场集中度的计算数据无法获得，所以采用一些学者的做法[12-13]，用企业数反映市场结构。由于不同年份的企业数可以反映出行业的进入和退出情况，也能代表行业内的竞争化程度。所以文中选用规模以上工业企业数代表市场结构。

2）政府投资

政府的财政支出会直接影响了R&D经费投入。受政府政策的影响，对研发经费投入的增减具有不确定性。所以文中选用R&D经费内部支出中政府财政支出比重代表政府投资情况。

3）外商投资。

一些学者[14-16]认为外商直接投资具有溢出效应，对产业劳动生产率的提高具有一定的影响。因此，参考刘伟、李星星做法[17]，文中选取外商实际投资额占GDP比重代表外商投资情况。

4）劳动力素质。

新经济增长理论认为人力资本有助于知识和创新思想的传播，有助于产生技术创新的溢出效应。一些学者[18-20]认为地区劳动力素质对当地的高新技术产业发展也有一定的影响，所以文中选取大专以上受教育人数占比反映劳动力素质情况。

5）地区经济发展水平。

一些学者[21-23]认为地区经济发展水平也会影响地区的高新技术产业创新效率，所以文中选取各省（市、区）人均GDP反映各省（市、区）地区经济发展水平。

1.3 数据来源

选取我国2013—2021年30个省（市、区）高新技术产业面板数据进行测度，剔除了港澳台地区和西藏地区。文中数据来源于《中国火炬统计年鉴》《中国城市统计年鉴》《中国科技统计年鉴》《中国统计年鉴》、EPS统计库。

2 实证结果分析

2.1 静态测度研究结果分析

利用Deap 2.1和Frontier 4.1软件对高新技术产业创新效率测度。由于环境变量和随机误差对高新技术产业创新效率的影响不一致，所以需要对高新技术产业创新效率测度的投入变量进行调整，以准确测度创新效率。高新技术产业创新效率测度投入变量调整前后数据对比描述性统计见表2。

2.1.1 各省（市、区）高新技术产业创新效率分析

利用调整后的各省（市、区）高新技术产业投入变量进行BCC模型创新效率测度，得到了消除环境变量和随机误差干扰的高新技术产业创新效率，与初始效率测度结果对比见表3。其中创新效率=纯技术效率×规模效率；drs、-、irs分别表示规模报酬下降、不变、上升。

调整后创新效率整体下降、规模效率整体下降。调整前后，DEA仍有效率的省（市）有8个，分别为北京、广东、河南、江苏、山东、四川、天津、浙江，占比26.67%，较之未剔除环境变量影响前减少2个；8个省（市）规模效率有效，分别为北京、天津、江苏、浙江、山东、广东、河南、四川，占比达到26.67%，较之未剔除环境变量影响前减少3个；同时18个省（市、区）规模报酬也发生了改变，占比60%。通过与初始效率的对比，调整后的创新效率降低了14.2%、规模效率降低了13.4%，表明初始效率测度结果低看了创新效率的无效率以及低估了规模无效率，造成了创新效率的提高。其中，北京、河南、江苏、天津、浙江5个省（市）高新技术产业各项创新效率值调整前后值均为1，说明这5个省（市）的高新技术产业发展在全国处于较领先地位。甘肃、吉林、青海、新疆、重庆调整后技术效率值由1调整后为小于1，说明环境因素对这5个省（市、区）高新技术产业创新效率有所影响，表示创新效率原本有效的原因是投入指标没有受到环境因素的影响。而甘肃、贵州、海南、内蒙古、宁夏在调整后的创新效率值均低于0.5，这时则需要判断该地区的纯技术效率与规模效率的情况，从而确定导致创新效率无效的原因，需要调整资源配置或是需要增加技术管理水平。

为进一步观察30个省（市、区）高新技术产业创新效率情况分布，以纯技术效率和规模效率值（0.8.0.8）为坐标原点建立坐标，将创新效率分布四象限对应的4种类型，图1为调整后的创新效率值分布坐标图。

由图1可知，第1类是处在第Ⅰ象限的“高高型”，表示规模效率和纯技术效率都比较高，共有16个省（市）的高新技术产业创新效率分布在此区域中，占比53.33%，根据高新技术产业地区发展情况来看，河南、江苏、浙江、广东、山东、北京、四川、天津地区生产总值领先全国，高新技术产业持续增长，另外吉林、重庆纯技术效率为1，从坐标点来看，位于X轴上方说明这2个省（市）创新效率弱有效，即技术层面上没有继续调整的必要；第2类是第Ⅱ象限的“低高型”，共5个省位于此区域，即辽宁、湖北、安徽、河北、江西，未来发展需要结合纯技术效率值来提高对高新技术产业整体管理水平及对先进技术的开发使用能力；第3类是第Ⅲ象限的“低低型”，山西、云南分布在此区域中，需要在未来发展中注意投入和产出的资源浪费，并注重科技水平和管理能力的提高；第4类是第Ⅳ象限的“高低型”，共7个省（市、区），在未来发展中需要根据规模报酬趋势对当地高新技术产业的规模和投入进行调整以提高规模效率。

2.1.2 东部、中部、西部高新技术产业创新效率分析

消除环境因素和随机误差影响后，分析东、中、西部高新技术产业创新效率，如图2所示。

东、中、西部高新技术产业创新效率存在差异，表现为东＞中＞西，其中东部和中部高新技术产业创新效率小于1，说明东部和中部高新技术产业在生产前沿的条件下，但技术上还未达到有效。从纯技术效率来看，西部均值明显大于中部和东部，达到0.940，接近于1，说明西部目前投入资源使用效率优于中部和东部，这可能得益于“一带一路”倡议给西部地区带来优质的科技创新人才和高新技术项目的重点支持。从规模效率来看，西部均值远远低于东部和中部，反映了西部高新技术产业现实规模与最优生产前沿面的差距仍然很大。

2.1.3 静态测度模型检验

为检验静态模型测度的真实性，将初始测度和调整投入后测度的创新效率与产出变量专利申请授权量进行Pearson相关系数检验，见表4。

消除影响后测度的创新效率，技术效率、纯技术效率、规模效率与专利申请授权量的Pearson相关性系数明显提高且均表现出线性相关，表明消除影响后的高新技术产业创新效率测度比初始创新效率测度更能反映出真实的高新技术产业创新效率情况。因此，静态模型测度的创新效率结果明显优于传统的只考虑投入产出变量的DEA模型，测算结果更真实、精确。

2.2 动态测度研究结果分析

运用Deap 2.1软件对2013—2021年我国各省（市、区）高新技术产业创新投入产出相关数据进行测度，得到各省（市、区）高新技术产业Malmquist指数及分解指数。其中创新效率=技术效率变化指数×技术进步变化指数，技术效率变化指数=纯技术效率变化指数×规模效率变化指数，见表5。

由表5可知，2013—2021年我国高新技术产业的创新效率总体均值为1.009，表明从动态趋势上2013—2021年高新技术产业创新效率保持上升。从2013—2021年技术进步变化指数的均值为1.017，略大于1，而技术效率变化指数均值为0.983，小于1，说明我国高新技术产业创新效率维持不变主要依靠技术进步。有14个省（市、区）创新效率值大于1，占比46.67%，说明这14个省（市、区）高新技术产业整体创新效率呈现增长的态势。

从东、中、西部高新技术产业创新效率差异分析，东部创新效率均值为1.020，而效率变化指数均值小于1，且小于技术进步变化指数均值，说明影响东部高新技术产业创新效率增长需要技术效率的提升；中部创新效率均值为0.971，而技术效率变化指数和技术进步变化指数均值均小于1，说明中部高新技术产业创新效率增长需要技术效率的提升和技术进步；西部地区创新效率均值为1.031，技术效率变化指数均值小于1，且小于技术进步变化指数均值，说明西部高新技术产业创新效率增长需要技术效率的提升。

根据各省（市、区）高新技术产业创新效率的差异，将这些省（市、区）分为4类：第1类是技术效率变化指数和技术进步变化指数共同推动创新效率值增长，包括上海、海南、安徽、云南、甘肃、青海、新疆；第2类是技术效率变化指数推动创新效率值增长，包括广东、江西；第3类是技术进步变化指数推动创新效率值增长，包括北京、天津、河北、辽宁、福建、山东、山西、黑龙江、河南；第4类是技术效率变化指数和技术进步变化指数共同抑制创新效率值增长，包括江苏、浙江、吉林、湖北、湖南。

为进一步分析各年度我国高新技术产业Malmquist指数变化，表6和图3详细的给出了2013—2021年我国高新技术产业创新效率Malmquist指数及其指数分解结果。

从图3可知，创新效率变化呈现3个上升高峰和2个下降波谷，3个上升的高峰分别为2014—2015年、2016—2018年、2019—2020年、2020—2021年，2个下降波谷为2015—2016年、2018—2019年。2014—2015年、2017—2018年、2019—2020年、2020—2021年创新效率值均大于1，說明这3个年度我国高新技术产业创新效率呈现动态增长的趋势；2013—2014年、2015—2016年、2016—2017年、2018—2019年创新效率值均小于1，说明这4个年度我国高新技术产业创新效率呈现动态下降的趋势。对这些年度的高新技术产业创新效率进行分类：第1类是依靠技术进步变化指数推动创新效率值增长，包括2013—2014年、2014—2015年、2016—2017年、2017—2018年、2019—2020年、2020—2021年；第2类是依靠技术效率变化指数推动创新效率值增长，包括2015—2016年、2018—2019年。

2.3 影响因素分析

被解释变量为静态效率测度第一步所得的各省（市、区）高新技术产业投入松弛变量，解释变量为市场结构、政府投资、外商投资、劳动力素质、地区经济发展水平，使用Frontier 4.1软件测度。由表7可知，LR值（自由度为5）均通过10%水平以上的显著性检验，说明了似SFA回归模型的合理性，也说明环境因素和随机误差对高新技术产业3个投入松弛变量有显著影响。3个松弛变量gamma值均小于1，说明管理无效率产生的影响大于随机扰动因素带来的影响。此外，当环境变量系数为正时，说明该值增加会导致创新效率降低；而环境变量系数为负时，说明该值增加会导致创新效率增加。

从市场结构角度来看，市场结构对3个投入松弛变量影响为负且显著，说明较低的市场集中度会使企业间产生竞争，能减少研究投入资源成本的浪费，也说明合理的市场竞争机制有利于激励高新技术产业的研究投入，促进创新效率的提高。

从政府投资角度来看，政府支持对3个投入松弛变量影响为正且显著，说明政府资金支持越多，反而增加创新资源的浪费。由于高新技术产业获得资金支持，对研发资金粗犷式的使用，造成资源的浪费。另外，各地政府对高新技术产业政策扶持力度情况不一致，不能显著提高高新技术产业创新效率。

从外商投资角度来看，外商投资对3个投入松弛变量影响为正且显著，说明外商投资没有促进高新技术产业创新效率的提升，外商投资越多反而抑制我国高新技术产业的创新效率。

从劳动力素质角度来看，劳动力素质对R&D经费内部支出、R&D人员投入松弛变量影响为负且显著，随着义务教育的普及和劳动力素质的提高，创新人才的增多会加大高新技术企业和政府的投资，能显著提高高新技术产业创新效率。

从地区经济发展水平角度来看，地区经济水平对R&D经费内部支出投入松弛变量影响为正且显著，说明地区经济实力越强越容易增加研发资源浪费的可能性，需要进一步改善资源配置才能提高创新效率。地区经济水平对高新技术产业R&D人员、企业数投入的松弛变量影响为负且显著，说明地区经济水平的提高会吸引创新型人才的加入和高新技术企业当地的投资建设。

3 结语

1）从静态效率来看，消除环境变量和随机误差的影响后，2013—2021年我国高新技术产业创新效率均值为0.725，还有一定的上升空间，其中16个的省（市、区）纯技术效率和规模效率处在有效的生产前沿面。东、中、西部高新技术产业创新效率存在差异，表现为东＞中＞西，东、中、西部高新技术产业创新效率均小于1，说明在生产前沿的条件下，东部、中部、西部地区高新技术产业的技术还未达到有效。

2）从动态效率来看，2013—2021年我国高新技术产业平均创新效率为1.009，表明从动态趋势上2013—2021年高新技术产业创新效率呈现上升趋势。东部和西部高新技术产业创新效率增长需要技术效率的提升；中部高新技术产业创新效率增长需要技术效率的提升和技术进步。

3）消除环境变量和随机误差干扰后的创新效率与初始测度创新效率对比，创新效率整体下降、规模效率整體下降。通过静态模型检验，进一步说明消除环境变量和随机误差干扰测度的创新效率准确性。同时，对影响因素分析，从市场结构、政府投资、外商投资、劳动力素质、地区经济发展水平这些角度均对投入松弛变量产生不同的显著影响。

4）我国各省（市、区）应根据自身高新技术产业发展情况制定产业发展对策。对于纯技术效率较低的省（市、区），可进行优秀管理制度及管理理念的学习；对于规模效率较低的省（市、区），发挥地方领先高新技术企业的带头作用，扩大企业规模；对于创新效率较低的省（市、区），需要优化高新技术产业资源使用效率和资源配置，加强高新技术产业的技术创新和经营管理能力。

5）提高高新技术产业投入质量。一是要完善投入经费监管制度，对经费使用情况进行系统、全面的审查，并制定合理奖惩制度，对严重浪费情况给予处罚，对有效利用情况给予奖励。二是提高高新技术产业研发人员的技术水平，注意的人才培养。

6）从市场结构来看，低市场集中度有利于高新技术产业创新效率的增长，应鼓励高新技术企业间的竞争。从政府投资来看，应进一步规范政府资金投入使用，加强资金监管，避免浪费；从外商投资来看，应逐渐引导外商进行技术投资和创新人才投资。从劳动力素质来看，鼓励发展和引进创新型人才。从地区经济发展水平来看，减少研发资源浪费，需要进一步改善资源配置。

7）鼓励提升高新技术产业整体进步。一是加强各省（市、区）高新技术产业关联企业间知识与技术交流，促进知识溢出。二是建立和完善高校、高新技术企业、政府部门、研发机构的信息交流平台，鼓励建立合作。三是加强科技进步的传导，建立高新技术服务机制。

参考文献：

[1] 张志强，张玺.我国高新技术细分行业技术创新驱动出口贸易发展效率异质性研究[J].科技管理研究，2020，40（17）：118-123.

[2]刘和东，陈程.中国原创性高新技术产业技术效率测度研究——基于创新链视角的两阶段分析[J].科技进步与对策，2011，28（12）：119-124.

[3]沈晓梅，李芝辰，王磊.江苏高新技术产业效率评价与驱动因素分析——基于Malmquist—CLAD的实证检验[J].华东经济管理，2020，34（07）：36-43.

[4]王黎明，赵彦琳，王帅.中国高新技术产业集聚模式对绿色创新效率的影响研究[J].管理现代化，2022，42（01）：17-23.

[5]汪锦熙.高新技术产业创新生态系统创新培育影响因素研究[J].技术与创新管理，2018，39（02）：148-152.

[6]刘琪.山西省高新技术产业创新效率分析[J].中北大学学报（社会科学版），2019，35（01）：86-90.

[7]MAVI R K，SAEN R F，GOH M.Joint analysis of eco-efficiency and eco-innovation with common weights in two-stage network DEA：A big data approach，Technological Forecasting and Social Change，2019，144：553-562.

[8]LAMPE H W，HILGERS D.Trajectories of efficiency measurement：A bibliometric analysis of DEA and SFA[J].European journal of operational research，2015，240（01）：1-21.

[9]郭海紅.山东省生态创新效率测度及影响机制[J].华东经济管理，2021，35（03）：10-18.

[10]王冰清，罗鄂湘.知识产权保护与我国高技术产业两阶段创新效率研究[J].技术与创新管理，2021，42（02）：162-169.

[11]张冀新，刘烨，罗颉.国家高新区高技术产业技术效率研究[J].技术与创新管理，2020，41（06）：608-615.

[12]朱有为，徐康宁.研发资本累积对生产率增长的影响——对中国高技术产业的检验（1996—2004）[J].中国软科学，2007（04）：57-67.

[13]冯根福，刘军虎，徐志霖.中国工业部门研发效率及其影响因素实证分析[J].中国工业经济，2006（11）：46-51.

[14]张斌，沈能.集聚外部性、异质性技术和区域创新效率[J].科研管理，2020，41（08）：49-59.

[15]刘伟.中国高新技术产业研发创新效率测算——基于三阶段DEA模型[J].数理统计与管理，2015，34（01）：17-28.

[16]冯燕妮.山西省高新技术产业园区发展绩效研究——基于三阶段DEA模型的分析[J].技术经济与管理研究，2021（10）：20-25.

[17]刘伟，李星星.中国高新技术产业技术创新效率的区域差异分析——基于三阶段DEA模型与Bootstrap方法[J].财经问题研究，2013（08）：20-28.

[18]赵瑞静，杨辉，李翠平.基于三阶段DEA模型的河北省区域高新技术产业创新效率研究[J].统计与管理，2019（11）：34-44.

[19]

魏谷，汤鹏翔，杨晓非，段俊虎.基于三阶段DEA的我国高新技术产业开发区内创新型产业集群创新效率研究[J].科技管理研究，2021，41（07）：155-163.

[20]方大春，曾志彪.长三角城市群国家高新区创新效率比较分析——基于三阶段DEA模型[J].华中师范大学学报（自然科学版），2021，55（05）：780-790.

[21]方大春，曾志彪.长三角城市群国家高新区创新效率比较分析——基于三阶段DEA模型[J].华中师范大学学报（自然科学版），2021，55（05）：780-790.

[22]王烁凯.省级创新效率测算——基于三阶段DEA方法[J].大众标准化，2021（21）：208-210.

[22]杨嵘，于枫敏，许晶晶.两阶段视角下我国高技术产业创新效率的时空演变及影响因素——基于三阶段DEA-Tobit模型的实证研究[J].资源开发与市场：1-11.

（责任编辑：严焱）

收稿日期：2022-11-25

基金项目：河北省软科学研究专项（20557637D）

作者简介：仵凤清（1964—），男，河北秦皇岛人，教授，主要从事科技创新管理方面的研究工作。