两阶段视角下中部地区高技术产业创新效率测度研究

摘 要：【目的】中部地区高技术产业历经多年的稳健发展，产业规模和技术实力均取得了显著提升。提升技术创新效率，不仅有助于优化创新资源配置，增强中部地区科技的整体创新竞争力，更能够提升我国在全球产业链中的战略地位。【方法】采用2013—2022年间的面板数据，通过DEA-Malmquist指数方法，对中部地区6个省份高技术产业创新效率进行分阶段测度。【结果】①中部地区高技术产业整体创新效率不高，两阶段技术创新效率和规模效率有待提升，技术进步存在不足。②两阶段创新效率发展格局不同，技术研发阶段全要素生产率为湖北gt;安徽gt;湖南gt;江西gt;山西gt;河南，技术转化阶段全要素生产率为山西gt;江西gt;安徽gt;湖北gt;湖南gt;河南。【结论】为中部地区高技术产业创新效率研究提供了新的见解，为高技术产业创造可持续性价值提供启示。

关键词：高技术产业；创新效率测度；DEA-Malmquist模型

中图分类号：F223" " " "文献标志码：A" " 文章编号：1003-5168（2024）13-0139-06

DOI：10.19968/j.cnki.hnkj.1003-5168.2024.13.029

Research on Innovation Efficiency Measurement of High-Tech Industry in Central China from Two-Stage Perspective

WANG Xin

（Henan Scientific Research Platform Service Center， Zhengzhou 450003， China）

Abstract： [Purposes] After years of continuous development， the high-tech industry in the central region has made significant progress in both its industrial scale and technical capabilities. Enhancing the efficiency of technological innovation will not only optimize the allocation of innovation resources and improve the overall innovation competitiveness of science and technology in the central region， but also strengthen China's strategic position in the global industrial chain. [Methods] Utilizing panel data from 2013 to 2022， this paper employs the DEA-Malmquist index method to assess the innovation efficiency of high-tech industries in six provinces in central China. [Findings] The findings indicate that：①Overall innovation efficiency within the high-tech industry in the central region is relatively low， with a need for improvement in two-stage technological innovation efficiency and scale efficiency， as well as shortcomings in technological progress.②The development pattern of innovation efficiency differs between stages： total factor productivity during technology research and development stage ranks Hubei gt; Anhui gt; Hunan gt; Jiangxi gt; Shanxi gt; Henan， while total factor productivity during technology transformation stage ranks Shanxi gt; Jiangxi gt; Anhui gt; Hubei gt; Hunan gt; Henan. [Conclusions] The conclusions drawn from this study offer new insights into the innovation efficiency of high-tech industries within central China and provide valuable inspiration for creating sustainable value.

Keywords： High-tech industry; Innovation efficiency measurement; DEA-Malmquist model

0 引言

高技术产业作为技术创新的前沿阵地，是市场竞争的战略高地，其发展基础在于持续的科学研究和不断推陈出新的技术产品。2021年颁布的第十四个五年规划纲要，强调了坚持创新驱动发展，全面塑造发展新优势。在2022年召开的中国共产党第二十次全国代表大会上，创新的核心地位再次得到了重申，强调科技是第一生产力，创新是第一动力。2024年国务院政府工作报告提出了大力推进现代化产业体系建设，加快发展新质生产力的目标。数据显示，2022年中部地区高技术企业数为1.02万家，比2013年增长1.37倍，占全国的比重仅为20.35%，比东部地区低46.10个百分点；中部地区高技术产业营业收入为3.74万亿元，比2013年增长1.65倍，占全国的比重仅为16.73%，比东部地区低49.94个百分点。由此可见，现阶段中部地区的高技术产业虽然有了一定的发展，但不可忽视的是，由于我国中部地区经济发展水平或者地理区位差异，高技术产业在创新发展过程中仍存在一些问题。例如，资源配置不均匀、技术创新产出的支持效率不高等，与东部地区相比还存在一定的差距。因此，如何解决好高技术产业创新发展不充分问题？怎样提升高技术产业创新产出的支持效率进而改善技术创新效率偏低的现象？这些都是当前中部地区在推动现代化国家建设过程中亟待突破的困境。

基于此，本文从创新效率角度出发，以中部地区的面板数据为基础，将高技术产业创新活动过程进行划分，分为技术研发阶段与技术转化阶段，通过测算创新效率维度实证分析对比创新效率的真实水平，以推动产业转型升级和可持续发展，为地方经济的长期增长注入新动力。

1 文献综述

Hadad等［1］和Demirel等［2］分别应用Super-SBM模型对印度尼西亚银行业效率和技术创新效率进行了实证研究，结果表明该模型在效率测量方面具有较高的准确性和实用性。陈程等［3］通过应用数据包络分析（DEA）模型，对我国高新技术产业的技术创新效率进行了衡量，将创新活动分为两个阶段，即技术开发阶段和成果转化阶段，以便更全面地理解并评估高新技术产业的创新表现。Mekonnen等［4］利用DEA模型探讨了发展中国家农业创新的有效性，为提升农业技术创新效率提供了宝贵建议。胡艳等［5］则运用DEA-Malmquist模型，对长江经济带11个省市的高技术产业创新效率进行了静态和动态分析，不仅揭示了创新效率的当前水平，还展现了其随时间的变化趋势。Polemis等［6］采用了随机前沿分析（SFA）方法来实证评估制造业技术创新的有效性，并分析不同子行业间的差异，得出产业集中度与创新效率之间存在一种倒U型的关联模式。张成芬等［7］运用DEA模型，基于中国各省份的面板数据，对高技术产业在给定投入和产出条件下的相对效率水平进行评估。姜炤君等［8］专注于长三角城市群的科技金融效率，运用DEA-BCC模型结合Malmquist指数模型，对这一地区近八年的科技金融效率进行了深入分析。杨嵘等［9］采用三阶段DEA模型探究中国30个省份高技术产业创新效率的动态变化，关注了效率时空演变的同时排除了环境和其他随机因素的干扰。王乾宇等［10］使用三阶段DEA模型对中关村科技企业的创新效率进行了测算。

综上所述，根据现有的文献资料，尽管国内外在技术创新效率及高技术产业技术创新效率的研究上已取得了显著进展，但仍存在一些不足之处。目前，学者多是从全局或全国视角出发探讨高技术产业的创新效率，然而对于特定地区，如中部地区的高技术产业创新效率的分析研究尚显不足，相关实证研究亟待加强。鉴于此，结合现实背景需求，本文将聚焦于中部地区高技术产业，以其相关面板数据为对象，对高技术产业创新效率进行测度，为加快推动中部地区高技术产业高质量发展提供有价值的参考。

2 研究思路与方法

2.1 研究思路

技术创新效率在高技术产业中是一个关键指标，它受到投入资源和产出成果的双重影响。这意味着在进行效率分析时，需要综合考虑用于创新活动的各种投入（如研发资金、人力资本等）以及这些投入所带来的产出（如专利数量、新产品销售等），从而全面评价高技术产业在技术创新方面的绩效。高技术产业创新活动的实现过程如图1所示。

从图1中可以看出，第一阶段为技术研发阶段，此阶段的投入主要是人员和资金等的创新原始投入，产出主要是专利与项目等技术研发性成果产出；第二阶段为技术转化阶段，此阶段的投入除了上一阶段的技术研发产出外，还有新增的非研发创新等补充投入，而技术转化产出则为新产品销售收入等竞争性产出和新产品出口值等收益性产出。

2.2 DEA模型

DEA方法及其相关模型由Charnes和Cooper于1978年首次提出［11］。其核心是一个基于线性规划的模型，该模型通过一系列的投入和产出指标来计算效率比率，非常适合评价具有多个输入和输出的复杂系统。随着时间的推移，学术界对DEA模型进行了持续的优化和升级。目前，DEA方法中广泛应用的模型主要有CCR模型和BCC模型。

CCR模型的表达式：

Dɛ[min[θ-ɛ（êTs-+eTs+）]∑nj=1xjλj+s-=θx0∑nj=1yjλj-s+=y0λj⩾0，s-⩾0，s+⩾0] （1）

在DEA模型中，当θ的值等于1，且s-、s+都为零时，可以认为决策单元是DEA有效，这意味着决策单元不仅在技术上有效，而且在规模上有效；如果θ不等于1，或者s-和s中任何一个不为零，那么则为非DEA有效［12］。在式（1）中，当权重λj满足条件∑[nj-1]λj=1，便得到BCC模型。DEA方法被用于测算某一特定时间点的效率状态，这被称为静态效率。

2.3 Malmquist模型

Malmquist生产率指数方法建立在DEA模型的基础上，通过比较连续时间点的效率距离函数的比率来度量投入产出效率的变动情况。Malmquist生产率指数在众多研究领域得到了广泛应用，特别是在评估高技术产业的全要素生产率方面，它不仅能够衡量整体的技术效率变化，还能够区分纯技术效率和规模效率在技术效率变化中各自的贡献，从而为理解技术进步提供更深入的视角。

Malmquist指数的计算原理为：

Mi，t+1（x[ti]，y[ti]，x[t+1i]，y[t+1i]）=

［[Dti（xt+1i，yt+1i）Dti（xti，yti）]·[Dt+1i（xt+1i，yt+1i）Dt+1i（xti，yti）]］1/2" " " " " " " " " " " " " " （2）

其中，x[ti]与x[t+1i]代表投入向量，y[ti]与y=x[t+1i]代表产出向量，D[ti]（x[ti]，y[ti]）和D[ti]（x[t+1i]，y[t+1i]）分别为以t期为参照，t期和t+1期生产点的距离函数。

Mi，t+1（x[ti]，y[ti]，x[t+1i]，y[t+1i]）=

[Dt+1i（xt+1i，yt+1i）Dti（xti，yti） ][Dti（xti，yti）Dt+1i（xti，yti）·Dti（xt+1i，yt+1i）Dt+1i（xt+1i，yt+1i）]1/2

EF[t+1i]" " " " " " " " " " " " " "TC[t+1i]" " " " " " " " " " "（3）

在式（2）的基础上变形得到式（3），表示技术变化与技术效率变化的分离。其中，EF代表从t期到t+1期生产效率的变化，TC表示从t期到t+1期技术的变化率。

3 指标选取与数据来源

3.1 创新效率测算指标选取

在技术研发阶段，企业或研究机构主要集中于新技术的探索和开发；而在技术转化阶段，则重点转向将研发成果应用于实际生产和市场推广。本文将按照这两个阶段来分别进行效率测算，创新效率评价体系如表1所示。

3.2 数据来源

为确保分析的连贯性和时间跨度的一致性，本文选取了2013—2022年中部地区6个省份的相关统计数据作为研究对象。数据主要来源于《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》等官方出版的统计资料。对于部分年份数据缺失的情况，本文采用指数平滑的方式进行估算和填补。

4 创新效率测算结果

4.1 DEA模型实证结果

从表2可以看出，在高技术产业技术研发阶段，河南、湖北、山西、江西和安徽等省份在2013年和2022年的技术创新效率、纯技术效率、规模效率值均为1，这意味着这5个省份在这两个时间点上均达到了最优效率状态，表明其研发决策单元是有效的。相比之下，湖南省2013年技术创新效率值为0.914，小于1，表明该省投入产出效率有待提高，即投入资源相对产出来说过多，存在一定的效率不足情况，导致了资源的浪费；但在2022年各项效率指标提升到了1，说明在中部六省中，湖北省在技术创新效率方面整体有所提升，而其他省份在同一时期也保持了良好的效率表现。

表3为2013年和2022年中部六省高技术产业技术转化阶段效率值。从总体来看，2013年中部地区综合效率值为0.358，而到2022年这一数值提升至0.773。尽管起点较低，但中部地区利用后发优势实现了快速发展，效率值也随之提升。具体到各省，2013年和2022年中部六省中规模效率值均为1的省份只有河南省，山西省2022年的规模效率为1，其他省份均小于1，表明它们为DEA无效决策单元。其中，河南省高技术产业技术转化阶段的技术效率、纯技术效率、规模效率值和技术研发阶段一样，仍然均为1，保持不变。山西省2013年的规模效率最低为0.110，表明在该年度内，山西省在高技术产业技术转化阶段存在资源浪费；而2022年其规模效率为1，达到了规模有效状态。江西省在2022年的技术效率为0.788，高于中部地区的平均值0.773，处于靠前位置，但效率一直偏低，仍有提升空间。湖北省和湖南省2022年的纯技术效率值分别为0.631和0.652，指标低于理想状态，技术发展相对滞后，未能转化为高效率的产出，纯技术效率值偏低，也导致了其综合效率值偏低。安徽省在2013年显示出规模报酬递增的趋势，但在2022年则转变为规模报酬递减，说明在当前阶段，单纯增加创新投入并不能有效提升产出，反而可能导致资源的低效使用。

4.2 Malmquist模型实证结果

表4数据显示，在这十年时间内，中部地区高技术产业的全要素生产率总体上呈现出轻微的上升趋势，这一增长主要得益于技术进步。从总体来看，2013—2022年间，中部地区高技术产业全要素生产率指数为1.055，增长率为5.5%。具体到各省，湖北省、安徽省、湖南省的全要素生产率指数位列前茅，这3个省份的综合效率指数和技术进步指数均达到或超过1，表明这些省份的全要素生产率提升是由技术进步和效率提升共同作用的结果。对于河南省、山西省、江西省而言，其全要素生产率值分别为1.039、1.045、1.047，表明该3个省份的技术进步使得生产率有所提升，但是其全要素生产率值均低于中部地区平均值。要想实现高技术产业创新效率的持续提升，需要打造一个有利于创新的内部和外部环境。这也表明，为了提高全要素生产率，需要重点关注技术创新效率的作用，充分利用技术创新效率在推动创新生产和促进产业发展中的关键性作用。

表5数据显示，湖北省、山西省、江西省和安徽省这4个省份的全要素生产率呈现上升态势，其中技术效率是推动增长的核心动力。对于全要素生产率指数小于1的河南省和湖南省，这两个省份的指数下降主要是由于技术进步指数的减少。尽管河南省的技术效率达到了1，但其技术进步指数仅为0.920，这表明河南省在研发投入方面并未获得预期的最佳产出效果，应借鉴湖北等省份的先进经验，专注于提升转化阶段的技术进步。湖南省、山西省、江西省和安徽省虽然技术进步指数有所下降，但其综合效率指数却呈现上升趋势，这表明技术效率的提高是推动全要素生产率增长的关键，这些省份需要明确自身的优势所在，致力于提高创新能力，促进创新水平的整体提升。而湖北省的情况则有所不同，其综合效率指数和技术进步指数均超过了1，表明湖北省全要素生产率的提升得益于技术进步和综合效率的共同提升。

5 结语

借助DEA-Malmquist模型，实证分析了2013—2022年中部地区高技术产业两阶段创新效率，主要结论如下：①从整体上来看，在技术研发阶段，技术进步是推动全要素生产率增长的关键因素；而在技术转化阶段，全要素生产率的提升则主要依赖于综合技术效率的改善，而技术进步的不足成了限制其增长的主要因素。②从区域的角度来看，技术研发阶段中部六省全要素生产率为湖北gt;安徽gt;湖南gt;均值gt;江西gt;山西gt;河南，湖北、安徽、湖南三省全要素生产率均大于中部地区整体的均值，说明这3个省份的高技术产业拉动了中部地区高技术产业技术研发阶段的发展；技术转化阶段中部六省全要素生产率为山西gt;江西gt;安徽gt;湖北gt;均值gt;湖南gt;河南，山西、江西、安徽、湖北四省全要素生产率均大于中部地区整体的均值，说明这4个省份的高技术产业拉动了中部地区高技术产业技术转化阶段的发展。建议中部地区打造区域性高技术产业创新生态系统，建立产学研合作平台，搭建区域协作网络，完善区域性产业转移机制以及产业协同发展，促进信息共享、技术交流和资源整合，推动中部地区科技进步和经济发展。

参考文献：

［1］HADAD M D，HALL M，KENJEGALIEVA K A，et al.Banking efficiency and stock market performance：an analysis of listed indonesian banks［J］.Review of Quantitative Finance amp; Accounting，2011，37（1）：1-20.

［2］DEMIREL P，KESIDOU E.Stimulating different types of eco-innovation in the UK：Government policies and firm motivations［J］.Ecological Economics，2011，70（8）：1546-1557.

［3］陈程，刘和东.我国高新技术产业创新绩效测度及影响因素研究：基于创新链视角的两阶段分析［J］.科技进步与对策，2012，29（1）：133-137.

［4］MEKONNEN D K，SPIELMAN D J，FONSAH E G，et al.Innovation systems and technical effciency in developing-country agriculture［J］.Agricultural Economics，2015，46（5）：689-702.

［5］胡艳，周玲玉.长江经济带高新技术产业创新效率及其影响因素研究［J］.工业技术经济，2018，37（6）：71-77.

［6］POLEMIS M.A note on the estimation of competition-productivity nexus：a panel quantile approach［J］.MPRA Paper，2019.

［7］张成芬，朱晓宇.数字金融对高技术产业创新效率的影响研究［J］.管理现代化，2022，42（5）：105-112.

［8］姜炤君，徐波.长三角地区科技金融效率评价：基于三阶段DEA模型与Malmquist模型的实证［J］.北方经贸，2022（11）：98-101.

［9］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，2022，38（5）：513-519，528.

［10］王乾宇，薛彪，崔静静.基于三阶段DEA的中关村科技企业创新效率研究［J］.内蒙古大学学报（自然科学版），2022，53（6）：652-659.

［11］白娟.政府财政支持力度对高技术产业创新效率的影响分析［D］.太原：山西财经大学，2023.

［12］李晟宁.我国医疗器械制造业技术创新效率研究［D］.沈阳：沈阳大学，2022.