技术创新抑或技术无效：高新产业技术、规模和效率

曹容宁

摘    要：高新产业发展越来越成为衡量制造业是否具备竞争力的重要标志。在产业转型升级大背景下，中国高新产业近况值得关注。以省份为研究对象，利用DEA拓展模型探究了各地区高新产业的技术效率和规模效率，结果表明2015年至2017年部分地区高新产业的纯技术效率较高，技术创新显现一定的效果。总体而言，高新产业技术无效状况明显，技术创新活动的纯技术效率和规模效率是影响中国高新产业效率的重要因素。以江苏省高新产业为例，利用效率值进一步分析不同高新行业的规模效率和拥挤迹象。提出技术创新是重中之重，与此同时，高新产业必须走集约型、内涵式的发展道路。

关键词：高新产业;DEA拓展模型;技术效率;规模效率;拥挤迹象

中图分类号：C93                文献标识码：A               文章编号：2095-7394（2019）01-0051-05

当今世界，科技创新是地区经济提升和国家竞争的关键。随着国际制造业在全球范围内的转移和工业4.0模式的开启，高新产业发展越来越成为衡量制造业是否具备国内乃至国际竞争力的重要标志。多年来，中国以提升自主创新能力为核心目标，把增强产业创新能力作为首要任务，形成了一批特色鲜明、竞争力强的高新产业。[1]然而，有研究表明高新产业存在附加值低等问题[2- 3]，具有技术特色的高新产业却不具备应有的特性，造成这种状况的症结是什么？在产业升级背景下，中国迫切需要通过技术进步来驱动经济的可持续增长。由于把投入產出效率作为衡量高新产业的标准，问题研究才具有现实的意义。[4]因此，本文以中国各省份为研究对象，探讨近年来高新产业的技术、规模和效率问题。

一、研究综述与思路

国外高新产业经济绩效研究开始的相对较早。1956年，Solow在文中首次提出了测度技术进步对经济增长贡献的规范方法，即通过全要素生产率和总生产函数间接地测定技术进步贡献。[5]Raab和Kotamraju 运用DEA （数据包络分析）方法构建效率指标排名美国50个州的高新产业投入与产出，发现R&D投入和风险资金的介入会影响高新产业的经济效率。[6]

国内利用DEA方法进行分析的研究成果也较多。许治和师萍利用DEA方法对中国1985年至2003年科技投入相对效率进行测度，结果表明：科技产出对经济增长贡献偏低，科技投入效率的变动与经济增长率之间不存在显著的相关关系。[7]李健英和慕羊选取52家制造业上市企业作为研究对象，运用DEA方法对2012年制造业上市企业的创新绩效进行分析，得出上市企业的创新绩效整体较低的结论。[8]

测度投入产出效率通常有两种方法，即参数法和非参数法。[9]参数法以随机前沿生产函数法（SFA）为代表，它能同时处理多个投入指标，但在输出方面仍限制单产出且SFA函数形式设定和分布假设也过于严格。非参数法中普遍使用的是DEA方法，它首先通过对样本中所有决策单元（DMU）的投入产出构造有效前沿面，然后测算投入产出效率。高新产业具有典型的多投入多产出特性，创新效率分析是从投入到产出的转化路径上展开的，鉴于本文目的在于探究高新产业效率问题，采用DEA方法成为合适的选择。

二、研究方法与内容

（一）DEA拓展模型及其衍生

Farrell（1957）最先以“非预设生产函数”代替“预设函数”来推估生产效率值，并利用数学规划推算效率前沿。[10]Charness等根据 Farrell的模型将单产出衡量推广为多产出模型[11]，其原理是固定规模报酬假定下利用线性规划法及对偶定理计算各决策单元的相对效率（[C2R]模型），公式为下列式子：

[Maxhk=θk-εi=1ms-ik+r=1ms+rk]

[            j=1nλjXij+s-ik=Xiks?t?           j=1nλjYrj-s+rk=θkYrk]

[λj，s-ik，s+rk0;j=1，2，…k…，n;i=1，2，…m;r=1，2，…，s]

其中：[s-ik]代表输入指标的松弛变量，[s+rk]代表输出指标的松弛变量，[λj]为赋予DMU的乘数，[（hk-1）]表示评估DMU在投入不变情况下所有产出等比例增加的程度，[1hk]表示技术效率值，大小在0与1之间。 当DMU达到技术最优时效率值为1，此时技术效率最高，反之效率值为0时技术效率最低。

根据这一理论，决策单元DEA 有效，表示生产活动同时为技术有效和规模有效，即在目前投入水平下，产出不能增加或者要维持当前产出水平，投入不可能有任何减少，并同时达到规模效率最佳;决策单元弱DEA有效，说明生产活动不是同时达到技术效率最佳和规模效率最佳，可能是某种投入未被充分利用或者某种产出与最大产出相比尚有不足;决策单元非DEA有效，说明生产活动既不是技术有效也不是规模有效。

以此为基础，可以衍生许多模型，如[Bc2]、Russell、ST和FG等。[12-15]本文使用Russell模型计算纯技术效率、技术效率和规模效率，使用ST和FG来计算效率值并分析拥挤迹象，判定拥挤迹象的定理为：DEA有效，ST不为弱，FG有效时存在拥挤迹象。

（二）指标选取与设置

指标选取要能够科学反映高新产业的实际情况，并考虑数据的可获取性，以符合DEA 方法对指标选取的原则。

DEA方法要求决策单元应具有相同任务、相同类型、相同输入和输出指标，本文以全国28省（市、自治区）高新产业作为决策单元（DMU）。

与传统制造业不同，高新产业发展的关键在于追求技术创新。研发活动是创新的基础，对高新产业生产率的推动显著。[16]因此，对高新产业创新绩效要素的分析必须考虑与研发相关的投入。此外，鉴于多数中国高新产业采用自主研发和技术引进相结合的方式进行创新，本文在考虑研发技术要素的同时也要考虑非研发性创新投入。最终，选取高新产业R&D人员全年当量[X1]、科技活动人员数[X2]、R&D经费内部支出[X3]、引进技术经费[X4]、消化吸收经费[X5]、技术改造经费[X6]和购买国内技术经费[X7]作为输入指标。

研发活动主要创新成果之一是专利，国际上常作为衡量技术创新的产出指标。[17]其次，创新成果只有开发成为新產品并实现商品化和产业化，才能体现技术创新的完成，而高新产业的经济效益指标是重要的衡量标志。[18]最终，选取高新产业总产值[Y1]、增加值[Y2]和专利申请数[Y3]这三个指标为输出指标。

（三）实证结果与分析

依据划分标准，中国高新产业共分五大类：航空航天器制造业、医药制造业、电子及通信设备制造业、计算机及办公设备制造业和医疗设备及仪器仪表制造业。基本指标数据来源于2015年至2017 年《中国高技术产业统计年鉴》，本文首先建立Excel文档，然后导入DEAP软件完成数据的计算，汇总结果见表1。

纯技术效率被认为是技术能力、技术应用和管理水平的综合体，技术效率是纯技术效率和规模效率共同作用的结果（PTE =TE/SE）。从纯技术的角度看，江苏、上海、广东、北京和浙江等地的纯技术效率基本保持不变甚至有所提高，说明这些地区的技术创新取得了一定的效果。但从总体看（平均值），2015年至2017年，高新产业的纯技术效率从0.71下降到0.62，这种状况的出现是由于技术能力不足、技术应用不佳、管理原因或者是其它因素造成有待于进一步的观察、调研和分析。

结合技术效率和规模效率，技术、规模和纯技术同时有效的情况只在2015年的广东省出现。对于中国高新产业来说，28省（市、自治区）高新产业的技术效率和纯技术效率存在相关性，而规模效率和纯技术效率也存在相关性。因此，技术创新活动的纯技术效率和规模效率是影响中国高新产业效率的重要因素。

鉴于规模效率问题，本文以江苏省高新产业为例通过计算效率值进行进一步分析，汇总结果见表2，其中VST和VFG是ST和FG模型算出的效率值。

从表2可以看出，除计算机及办公设备制造业，其余的高新行业在2015年至2017年均呈现不同程度的规模递减和拥挤迹象，表现出规模不经济和资源浪费。

三、结论

从实证结果看，部分地区高新产业纯技术效率较高，这与有关研究中国高新产业存在技术层次的问题不完全一致。这表明经过较长时期的积累，发达地区高新产业技术能力和水平已得到提升，技术创新已显现一定的效果。

然而，技术、规模和纯技术同时有效的情况极少，技术无效状况普遍，而技术创新活动的纯技术效率和规模效率是影响中国高新产业效率的重要因素。以江苏省为例的分析表明，规模效率不佳的主要原因是除计算机及办公设备制造业，其余的高新行业在2015年至2017年均呈现不同程度的规模递减和拥挤迹象。

因此，技术创新仍然是高新产业发展的重中之重。与此同时，高新产业必须走集约型、内涵式发展道路。各地区应结合本省的实际，根据高新行业状况有的放矢地引导投入规模，从资源利用效率方面着手来提升创新产出。即分类推进高新产业，着重提升规模效率。对于低效益的行业而言，应注重投资规模与投资结构，侧重于消化已有的投资，优化产业布局和结构，改善供给侧的运营与管理，提高经济运行质量。

参考文献：

[1] 中国科技发展战略研究小组.中国区域创新能力报告[M].北京：经济出版社，2009-2015.

[2] 朱振锴，项歌德.高技术产业增加值率偏低原因探析——以上海、江苏和浙江比较为例[J].中国科技论坛，2013（4）：41-47.

[3] 沈坤荣，徐礼伯.美国“再工业化”与江苏产业结构转型升级[J].江海学刊，2013（1）：219-226.

[4] 方福前，张平.我国高技术产业的投入产出效率分析[J].中国软科学，2009（7）：48-55.

[5] SOLOW R M.A contribution to the theory of economic growth[J].The Quarterly Journal of Economics，1956，70（1）：65-94.

[6] RAAB R A，KOTAMRAJU P.The efficiency of the high-tech economy：conventional development indexes versus a performance index[J].Journal of Regional Science，2006，46（3）： 545-562.

[7] 许治，师萍.基于DEA方法的我国科技投入相对效率评价[J].科学学研究，2005（4）：481-484.

[8] 李健英，慕羊.基于DEA方法的我国上市企业创新绩效研究[J].科学学与科学技术管理，2015，36（2）：111-121.

[9] 朱有为，徐康宁.中国高技术产业研发效率的实证研究[J].中国工业经济，2006（11）：38-45.

[10] FARRELL M J.The measurement of production efficiency[J].Journal of Royal Statistical society，SeriesA，General，1957，120（3）：253-281.

[11] CHARNESS A，COOPER W W，RHODES E.Measuring the efficiency of decision making units[J].European Journal of Operational Research，1978（2）：429-444.

[12] BANKER R D，CHARNES A，COOPER W W.Some models for estimating technical and scale inefficiencies in data envelopment analysis[J].Management Science，1984，30（9）：1078-1092 .

[13] CHARNES A，COOPER W W，GOLANY B，et al.Foundations of data envelopment analysis for Pareto-Koopmans efficient empirical production functions[J].Journal of Economics，1985 ，30 （1）：91-107.

[14] 陳凯华，官建成，寇明婷.中国高技术产业“高产出、低效益”的症结与对策研究—基于技术创新效率角度的探索[J].管理评论，2012，24（4）：53-66.

[15] 韩松.DEA方法进行规模收益分析的几点注记[J].数学的实践与认识，2003，33（7）：65-71.

[16] 王玲，SZIRMAI ADAM.高技术产业技术投入和生产率增长之间关系的研究[J].经济学，2008，7（3）：913-933.

[17] GRILICHES Z.Patent statistics as economic indicators： a survey[J].Journal of Economic Literature， 1990，28（4）：1661-1707.

[18] Liu X H，BUCK T.Innovation performance and channels for international technology spillovers： evidence from Chinese high-tech industries[J].Research Policy，2007，36（3）：355-366.

Technology Innovation or Technology Invalidity： Technology， Scale and Efficiency of High-tech Industries

CAO Rong-ning

（Business School， Jiangsu University of Technology， Changzhou 213001， China）

Abstract： The development of high-tech industry has increasingly become an important indicator of the competitiveness of manufacturing industry. In the context of industrial transformation and upgrading， the recent situation of Chinas high-tech industries deserves our attention. Taking provinces as the research object， this paper explores the technological efficiency and scale efficiency of high-tech industries in different regions by using DEA expansion model. The results show that the pure technological efficiency of high-tech industries in some regions is higher from 2015 to 2017， and technological innovation shows certain effects. Generally speaking， the technology inefficiency of high-tech industries is obvious. The pure technology efficiency and scale efficiency of technological innovation activities are the important factors affecting the efficiency of Chinas high-tech industries. Taking the high-tech industries in Jiangsu Province as an example， the use efficiency value further analyses the scale efficiency and congestion signs of different high-tech industries. It is pointed out that technological innovation is the top priority. At the same time， the high-tech industry must take an intensive and connotative development path.

Key words： high-tech industry; DEA extended model; technology efficiency; scale efficiency; congestion sign