中国省域高技术产业发展能力与效率的动态演进

张宝学，朱 琳，王丙参,2

（1.首都经济贸易大学 统计学院，北京 100070；2.天水师范学院 数学与统计学院，甘肃 天水 741001）

0 引言

近年来，随着我国“人口红利”的消退，传统的劳动密集型产业逐渐向东南亚国家转移，如何尽快完成产业结构的转型升级成为我国亟须解决的问题。在此背景下，高技术产业因其具有高技术、高收益、低污染、低能耗、可持续的特点，成为我国经济增长方式转变、产业结构转型升级的重要助力。现阶段我国区域发展不平衡，各地高技术产业的技术基础、资源条件和外部环境均存在明显差异。在此背景下，为保证政策的针对性、适用性，有效发挥其推动作用，需要明确各地高技术产业的发展能力及其变动趋势，并探究各地高技术产业全要素生产率的变化趋势及成因。

对于中国高技术产业的发展，现有研究主要集中在以下几个方面[1—4]：一是高技术产业的科技创新效率测算和影响因素分析；二是通过构建评价指标体系，对高技术产业的技术创新能力和发展水平进行评价和测度；三是研究高技术产业集聚对经济、环境、创新能力等方面的影响；四是对高技术产业发展水平和效率的区间差异进行分析。通过梳理相关文献发现：第一，现有研究侧重于科技创新能力、效率等方面，没有充分考虑各地高技术产业发展能力的差异；第二，对效率的评价大多使用传统的径向DEA模型及Malmquist 指数，可能会高估评价对象的效率；第三，现有研究在对高技术产业发展水平或能力进行评价时，较少考虑将产业集聚程度纳入评价范围。鉴于此，本文从投入能力、产出效益、环境支持三个方面构建高技术产业发展能力评价指标体系。将我国30 个省份划分为东部、中部、西部地区，运用保序PCA 评价法对各省份2011—2020年的高技术产业发展能力进行评价。在此基础上，运用SBM 框架下的Global Malmqusit 指数及其分解模型，研究各省份高技术产业全要素生产率的变化趋势及其成因，运用Dagum基尼系数对高技术产业发展能力的空间差异进行测算和分解。

1 研究设计

1.1 方法介绍

（1）保序PCA评价法

由于传统的主成分分析（PCA）无法确定主成分得分（PCS）的符号，因此本文运用保序PCA评价法对该问题进行改进[5]。假定研究对象的数据集为{xij}n×p，令p个指标X=(X1，…，Xp)′均为正向指标，xij表示第i个个体的第j个指标的观测值。在对数据进行无量纲化处理的基础上，根据累计贡献率提取主成分（PC），记为Zj，j=1，2，…，m，λj为矩阵的特征值。令，uj为矩阵的特征向量，若＜0 ，则令ui=-ui。为Zj的贡献率，计算相应的PCS，记为ZS1，ZS2，···，ZSm。最后根据主成分综合得分（PCZS）对个体i进行排序，其中，

（2）基于SBM框架的Global Malmqusit指数

传统的Malmqusit 指数存在线性规划无可行解的问题，且不具备循环性和传递性，为了避免上述问题，本文选用Global Malmqusit 指数来测算产业全要素生产率（TFP）的变动情况[6]。Global Malmqusit 指数不仅可以解决上述问题，还可以有效避免“技术倒退”现象的出现。此外，传统的径向DEA模型在测算TFP时，由于松弛性和径向性问题，可能会高估评价对象的效率，因此本文选用非径向、非角度的SBM模型作为框架来测算Global Malmqusit指数[7]。

假定决策单元（DMU）k在t期内，通过m种投入x=(x1，x2，…，xm)∈R+m，获得n种产出y=(y1，y2，…，yn)∈R+n,其中，k=1，2，…，K；t=1，2，…，T。定义当期的生产可能性集为Pt(xt)={(yt)|xt生产yt},为了提高DMU的可比性，需要构造一个贯穿全局的参考生产前沿，因此设定全局生产可能性集PG(x)=P1(x1)∪P2(x2)∪···∪PT(xT)。令Global Malmqusit 指数MG(xt，yt，xt+1，yt+1)=其 中 产 出 距 离 函 数DG(x，y)=inf{φ|(x，y/φ)∈PG(x)，φ＞0}。在此基础上，对Global Malmqusit指数进行分解：

其中，MG表示TFP的变化，EC表示技术效率指数，BPC表示技术进步指数。MG、EC和BPC大于（小于）1分别表示TFP 增长（降低）、技术效率提升（降低）、技术进步（退步）；MG、EC和BPC等于1分别表示TFP不变、技术效率不变和技术不变。

（3）Dagum基尼系数

本文选用Dagum 基尼系数来研究中国高技术产业发展能力的地区差异。Dagum 将基尼系数分解为地区内差异贡献（Gw）、地区间差异贡献（Gnb）和超变密度贡献（Gt），且G=Gw+Gnb+Gt。假定有n个省份，将其划分为k个地区，Dagum基尼系数的计算公式为：

其中，nj（nh）表示j（h）地区包含的省份个数，yji（yhr）表示j（h）地区内i（r）省份的高技术产业发展能力，yˉ表示所有省份高技术产业发展能力的平均值。

将基尼系数G进行分解，地区内差异贡献Gw=表示j地区的基尼系数，表示j地区内各省份高技术产业发展能力的平均值。地区间差异贡献Gnb=地区和h地区间的基尼系数，超变密度贡献(1-Djh)。

1.2 评价指标体系构建

基于已往的研究并结合数据可得性，本文从投入能力、产出效益、环境支持三个方面构建高技术产业发展能力评价指标体系，见表1。投入能力方面，由于知识要素是高技术产业发展的根本要素，因此在传统的人力投入和资金投入之外还增加了研发投入和技术投入方面的相关指标。产出效益方面，区别于传统产业，高技术产业的知识产出蕴含着重要的经济效益和社会效益，是评价产出效益的一个重要的组成部分，因此，本文将产出效益划分为知识产出和经济产出两个部分。环境支持方面，从政府支持力度、市场环境、地区经济发展水平以及产业集聚程度几个方面构建产业所处的外部环境[8]，其中市场环境又分为技术市场环境和市场开放程度。

表1 高技术产业发展能力评价指标体系

1.3 数据说明

本文的数据来源于历年《中国统计年鉴》《中国高技术产业统计年鉴》《中国科技统计年鉴》《中国人口和就业统计年鉴》、各省份统计年鉴以及国家统计局官方网站。选取中国30个省份（不含西藏和港澳台）作为研究对象。其中技术升级费用包括：引进技术经费支出、消化吸收经费支出、购买境内技术经费支出和技术改造经费支出。对外贸易依存度的计算公式为各地区进出口总额/地区生产总值。区位熵的计算公式为：

其中，Eij表示i省份在j产业上的就业人数，表示i省份的总就业人数，表示j产业的总就业人数，表示各省份各产业的总就业人数。

为使数据之间具有可比性，在实证分析之前先对数据进行无量纲化处理。具体公式为：

其中，xij(t)表示第i个省份的第j个指标在t时刻的观测值，xjmax表示第j个指标的最大值，xjmin表示第j个指标的最小值。

2 实证分析

2.1 产业发展动态评价

本文选取了中国30 个省份2011—2020 年的数据，运用保序PCA评价法分别对各省份各年高技术产业的投入能力、产出效益和环境支持进行评价。结果发现，投入能力方面，东部地区省份的高技术产业投入能力最强，中部地区省份次之，西部地区省份则相对较弱。其中，广东、江苏、浙江、山东基本稳居投入能力排名的前4 名；甘肃、海南、宁夏、新疆、青海则基本处于倒数5名的范围内。对比2011 年和2020 年的排名情况，投入能力排名进步较大的省份依次是：江西（11名）、安徽（8名）、湖南（8名）、重庆（7名）、广西（4 名）；投入能力排名退步较大的省份依次是：北京（8 名）、上海（7 名）、辽宁（7 名）、福建（5 名）、陕西（5名）、天津（4 名）。其余省份排名的变动幅度在[- 3，3]范围内，这些省份投入能力的变动处于相对稳定的状态。

产出效益方面，东部地区省份的高技术产业产出效益最高，其中，广东、江苏、浙江、山东、北京、上海、福建7 个省份始终处于前10 名；中部地区省份的产出效益水平略低于东部地区省份，大部分中部地区省份产出效益排在第10～20 名；西部地区省份的产出效益最低，其中青海、新疆、宁夏、甘肃、内蒙古、云南、贵州、广西8 个省份基本处于倒数10 名的范围内。对比2011 年和2020 年的排名情况可知，各省份高技术产业产出效益的排名整体较为稳定，仅有4 个省份排名的变动幅度在[-3，3]范围之外，分别为：江西上升7名、云南上升4名、天津下降7名、辽宁下降6名。

环境支持方面，东部地区省份对高技术产业发展的环境支持力度最大，中部地区省份次之，西部地区省份的环境支持力度最小。具体来看，在东部地区的11个省份中，广东、北京、上海、江苏、浙江、天津、山东、福建8个省份的排名基本处于前10名；而西部地区的11个省份中，青海、甘肃、云南、新疆、宁夏、内蒙古、广西、贵州8 个省份则基本处于倒数10 名的范围内。对比2011 年和2020 年的排名情况，环境支持排名进步较大的省份依次是：贵州（9名）、湖北（6名）、湖南（4名）、重庆（4名）；环境支持排名退步较大的省份依次是：辽宁（10名）、黑龙江（9名）。

在此基础上对高技术产业发展能力进行综合评价，得到2011—2020 年各省份的综合得分和排名，结果见表2。分地区来看，东部地区省份的高技术产业发展能力最强，中部地区省份次之，西部省份最弱。具体来看，各年发展能力排名前10名的省份中至少有7个为东部地区省份，其中广东、江苏始终稳居第1名和第2名，北京、上海和浙江也基本处于前5名；中部地区8个省份中，除湖北、山西和黑龙江外，其余省份各年的排名基本处于第10～20名；西部地区11个省份中，排名前3的省份依次是：四川、陕西、重庆，除此之外的8个省份则基本处于倒数10名，其中甘肃、青海始终处于倒数第1名或第2名，宁夏和新疆也始终处于倒数5名的范围内。对比2011年和2020年的排名情况，发展能力排名进步较大的省份依次是：湖北（6名）、贵州（6 名）、云南（5 名），均处于中部和西部地区；发展能力排名退步较大的省份依次是：辽宁（9 名）、黑龙江（7 名）；其余省份发展能力的变动均处于相对稳定的状态。

表2 2011—2020年各省份高技术产业发展能力排名

东部地区省份的高技术产业投入能力、产出效益、环境支持的整体排名均为最高，中部地区省份次之，西部地区省份在各方面的整体排名均为最低。具体来看，东部地区省份对高技术产业发展的环境支持力度最大且最为稳定，环境支持进步较大的省份主要集中于中部和西部地区，原因可能是，西部大开发、中部崛起等政策部署，不仅提高了政府对研发活动的投入，还通过一系列针对性税收优惠政策吸引了高技术企业的入驻，提高了产业集聚程度，从而双管齐下地提高了地区的环境支持力度。而辽宁和黑龙江的环境支持排名退步较大，可能和重工业产业结构转型不及时、政府研发投入减少、高技术企业流失有关。基于上述高技术产业发展的政策导向和支持环境的变动，中部和西部地区省份的投入能力和产出效益均有较大的进步。东部地区省份的投入能力排名出现较大的退步，原因可能是，政策导向下投资对中部和西部地区高技术产业的倾斜，以及技术瓶颈导致的技术升级费用减少，投入能力排名的降低也导致了天津、辽宁等省份的产出效益排名出现大幅降低。综合投入能力、产出效益和环境支持对各省份的高技术产业发展能力进行评价，可知高技术产业发展能力仍为东部地区省份最强，中部地区省份次之，西部地区省份最弱的分布格局。其中湖北、贵州排名进步较大的原因在于其环境支持力度的快速提升。云南的进步则与其产出效益的提升相关。而辽宁、黑龙江的发展能力排名退步则是由投入能力、产出效益、环境支持三个方面共同退步导致的。

2.2 TFP变化趋势及分解

由上文分析可知，各省份的高技术产业投入能力和产出效益之间具有一定的相关性，但两者的排名之间并不呈绝对的正相关性，且不是等幅度变动。因此，本文选取2011—2020 年中国30 个省份“投入能力”和“产出效益”的指标数据，运用SBM 框架下的Global Malmqusit指数及其分解模型，研究各省份高技术产业TFP的变化趋势及其成因，结果见表3。

由表3 可知，2011—2014 年，30 个省份的高技术产业TFP 年均增长4.0%。对Global Malmqusit 指数（GMI）进行分解，技术效率指数（EC）年均下降2.1%，技术进步指数（BPC）年均增长6.9%，可见技术进步是2011—2014 年TFP 增长的主要推动力。分地区来看，2011—2014年中部地区省份的TFP增长速度最快，东部地区省份次之，西部地区省份则呈现负增长的态势。其中，技术进步是中部和东部地区省份TFP增长的主要原因，而西部地区省份TFP 下降则是由技术效率降低和技术退步共同导致的。

2014—2017 年，30 个省份的高技术产业TFP 年均增长13.2%，相比于2011—2014 年增长速度大幅提升。对GMI 进行分解，EC 和BPC 的年均增长率分别为9.2%和3.8%，可见2014—2017 年TFP 增长主要来源于技术效率的提升。分地区来看，2014—2017年西部地区省份的TFP增长速度最快，中部地区省份次之，东部地区省份最慢。由GMI 分解指数可知，东、中、西部地区省份的EC 和BPC均大于1，即东、中、西部地区省份的高技术产业均出现不同程度的技术效率提升和技术进步，而TFP增长的主要原因均是技术效率的提升。其中，西部地区省份的技术效率提升速度和技术进步速度均是三个地区中最快的。

2017—2020 年，30 个省份的高技术产业TFP 年均增长4.5%，相比于2014—2017 年，增长速度大幅下降。对GMI 进行分解，EC 和BPC 的年均增长率分别为0.3%和4.8%，可见技术进步是2017—2020 年TFP 增长的主要推动力。分地区来看，2017—2020年西部地区省份的TFP增长速度最快，东部地区省份次之，中部地区省份最慢。其中，技术进步是中部和东部地区省份TFP 增长的主要原因，而西部地区省份TFP 增长主要来源于技术效率的提升。

综上可知，2011—2020 年，30 个省份的高技术产业TFP增长经历了“低速—高速—低速”三个阶段，年均增长5.6%。由分解结果可知，TFP 增长的主要来源经历了“技术进步—技术效率提升—技术进步”的变化，技术进步是2011—2020年TFP增长的主要推动力。综合来看，2011—2020年中部地区省份的TFP增长速度最快，西部地区省份次之，东部地区省份最慢，年均增长率分别为6.8%、5.6%、4.8%。其中，技术进步是中部和东部地区省份TFP增长的主要原因，而西部地区省份TFP增长主要来源于技术效率的提升。具体来看，2011—2020年东部和中部地区省份的TFP均呈正向增长，TFP负增长的省份均位于西部地区。

2.3 空间差异分解及来源

运用Dagum 基尼系数对2011—2020年三大地区高技术产业发展能力的空间差异进行测算和分解，结果见表4。

表4 2011—2020年高技术产业发展能力的基尼系数及分解结果

由表4可知，2011—2020年高技术产业发展能力的总体基尼系数呈波动上升趋势，这表明与2011年相比，2020年高技术产业发展能力的总体差异呈扩大趋势。分地区来看，2011—2020 年三大地区的地区内差异均呈扩大趋势，其中，东部地区的地区内差异最大，但差异扩大的幅度最小，年均增长3.66%；西部地区的地区内差异次之，差异扩大的幅度略大于东部地区，年均增长4.25%；中部地区的地区内差异最小，但差异扩大的幅度最大，年均增长12.78%。对于地区间差异，东-中部、东-西部的地区间差异均呈缩小趋势，而中-西部的地区间差异则呈扩大趋势。结合表2来看，东部地区省份的高技术产业发展能力最强，西部地区省份最弱，东-西部的地区间差异最大，但差异变化的幅度最小，年均下降0.44%；东-中部的地区间差异次之，差异变化的幅度略大于东-西部之间，年均下降1.46%；中-西部的地区间差异最小，但差异变化的幅度最大，年均增长5.22%。

由表4可知，2011—2020年高技术产业发展能力的地区内差异（Gw）、地区间差异（Gnb）和超变密度（Gt）的贡献率均值分别为25.77%、68.11%和6.13%，且地区间差异的贡献率始终远高于地区内差异和超变密度的贡献率，由此可见地区间差异是构成总体差异的主要来源。具体来看，2011—2017 年地区间差异的贡献率呈稳定下降的趋势，年均下降2.32%；地区内差异作为构成总体差异的次要来源，其贡献率呈稳定上升的趋势，年均增长3.07%；超变密度的贡献率最低，但其增长速度最快，年均增长19.48%。

3 结论

基于实证分析，本文得出如下结论：（1）东部地区省份的高技术产业投入能力、产出效益、环境支持的整体排名均为最高，中部地区省份次之，西部地区省份在各方面的整体排名均为最低。（2）东部地区省份的高技术产业发展能力最强，中部地区省份次之，西部地区省份最弱。长期来看，高技术产业发展能力排名进步较大的省份均处于中部和西部地区，排名退步较大的省份为辽宁和黑龙江。（3）2011—2020 年，30 个省份的高技术产业TFP 整体呈增长态势，技术进步是TFP增长的主要推动力。中部地区省份的TFP 增长速度最快，西部地区省份次之，东部地区省份最慢。其中，技术进步是中部和东部地区省份TFP增长的主要原因，西部地区省份TFP增长主要来源于技术效率的提升。（4）2011—2020年30个省份高技术产业发展能力的总体差异呈扩大趋势，地区间差异是构成总体差异的主要来源。