我国新一代信息技术产业创新效率的时空特征与动态演进

刘亦文 欧阳莹

[摘 要]采用SBM超效率模型测算出2012-2018年28个省份新一代信息技术产业的创新效率，通过核密度估计、标准差椭圆法及马尔科夫状态转移矩阵等方法，从全国与区域两个视角、时间与空间两个维度探究我国新一代信息技术产业创新效率的時空特征与动态演进。研究结果显示：我国新一代信息技术产业创新效率整体效率较低，东部沿海地带创新效率最高，中部地带次之，西部地带最低;区位分布呈现出“东北—西南”的空间分布格局，重心朝西南方向移动;创新效率极化程度持续下降，两极分化程度逐渐降低;邻域空间滞后类型对新一代信息技术创新效率不同水平层次之间的转移具有重要影响。

[关键词]新一代信息技术产业;创新效率;SBM超效率模型

[中图分类号]F492[文献标识码]A [文章编号]1008—1763（2020）05—0052—10

Abstract：SBM super efficiency model is used to calculate the innovation efficiency of the new generation of information technology industry in 28 provinces from 2012 to 2018. Through the methods of nuclear density estimation， standard deviation ellipse method and Markov state transition matrix， this paper explores the space-time characteristics and dynamic evolution of the innovation efficiency of the new generation of information technology industry in China from the perspective of national and regional， time and space. The results show that the innovation efficiency of the new generation of information technology industry in China is relatively low as a whole， with the highest innovation efficiency in the eastern coastal zone， the second in the central zone， and the lowest in the western zone; the location distribution presents the spatial distribution pattern of "northeast southwest"， with the center of gravity moving towards the southwest; the polarization degree of innovation efficiency continues to decline， and the degree of polarization gradually decreases; the neighborhood space lag type has an important influence on the transfer of new generation information technology innovation efficiency between different levels.

Key words： new generation information technology industry; innovation efficiency; SBM super efficiency model

一 问题的提出与文献综述

技术创新是经济增长的主要驱动力（Hussain and Nurul， 2018）[1]。为了在新一轮国际竞争中获得优势，许多国家都以技术创新为主导培育和发展新的经济增长点，如德国的工业4.0。为应对全球金融危机和环境问题，中国政府提出大力培育和发展战略性新兴产业。战略性新兴产业包括了新一代信息技术产业等9大领域，其中新一代信息技术产业的地位十分重要[2]，被定义为国民经济的四大支柱产业之一，成为新冠肺炎疫情下国家“新基建”的重头戏。因此，新一代信息技术产业创新效率对于促进我国经济结构转型升级和高质量发展，推进“新基建”具有重要意义。

国内外学者测度创新效率的方法主要有数据包络法和随机前沿生产函数法，如Koop等（1999）通过随机前沿生产函数分析法对OECD 17个国家的技术创新效率进行了分析测算[3]，Sharma 等（2008）则通过数据包络法分析了中日韩等国家的技术创新效率[4]。我国学者对于新一代信息技术产业这一战略性新兴产业的细分产业的创新效率研究相对较少，大多直接研究战略性新兴产业的发展效率与创新效率。在省域层面的研究中，张会新等从采用数据包络方法测度出我国29个省份战略性新兴产业DEA效率值，据此评价中国战略性新兴产业的发展绩效，研究发现不同区域之间的发展绩效存在较大差距，东部地区战略性新兴产业发展绩效普遍较好，中部和西部地区次之，东北三省最差[5];王春晨等通过构建超效率DEA对我国战略性新兴产业创新效率进行测算，基于测算结果发现，东部地区的综合效率均值高于东北地区、中部地区和西部地区，展现了我国战略性新兴产业发展地区不均衡的特点[6]。在产业层面的研究中，方芳（2014）运用产业全要素数据包络法，对我国战略性新兴产业发展效率进行了测度，结果显示，当下我国的战略性新兴产业呈低端化发展趋势，这种趋势与我国社会生产产能过剩及“轻技术创新，重规模扩张”的企业行为高度正相关，得出党和国家制定的助推战略性新兴产业发展的政策并没有得到很好贯彻实施的结论[7];李柏洲等（2019）采用三阶段DEA模型对我国战略性新兴产业创新效率进行测度与研究[8]。在企业层面的研究中，龚立新和吕晓军（2018）基于上市公司的微观数据，采用随机前沿生产函数法测算企业技术创新效率[9]。

本文从战略性新兴产业中新一代信息技术产业这一细分产业切入，单独研究我国新一代信息技术产业的创新效率，并以上市公司注册地为其省域划分依据，对基于新一代信息技术产业上市公司数据测算出的创新效率值进行省域划分，得出我国2012-2018年28个省份新一代信息技术产业的创新效率，进而从时间与空间两个维度探究我国新一代信息技术产业省域创新效率的时空特征与动态演进趋势，弥补了现有研究中空间性研究缺失的不足。

二 我国新一代信息技术产业创新效率测算与结果分析

（一）模型选取

数据包络法（DEA）则由Charnes等（1978）最先提出，DEA模型可以分為径向模型与非径向模型[10]，前者以CCR模型与BCC模型为代表，后者以SBM模型为代表。传统径向模型存在一定的不足：首先，径向模型对无效率的测度没有包含松弛变量，要求多个投入或产出同比例变化，这显然与实际不符;其次，DEA模型得出的效率值最大为1，这就会导致有效单元的效率值相同而无法进一步进行比较。Tone Kaoru（2001）提出的SBM模型弥补了第一个不足，非径向模型效率值的测度会更加精准[11]。Andersen等（1993）提出对有效DMU进一步区分有效程度的方法，即“超效率”模型法[12];Tone（2002）则结合SBM模型与超效率模型提出了SBM超效率模型，其原理是在SBM模型中剔除被评价DMU，此时被评价DMU的效率是参考其他DMU的前沿得出，因此SBM超效率模型测度的效率值会大于1[13]，该模型同时弥补了传统径向模型的两个不足。故，本文将运用非导向规模报酬可变的SBM超效率模型对我国新一代信息技术产业的创新效率进行测度。

（二）投入产出指标与数据来源

本文根据《战略性新兴产业分类（2018）》中给出的新一代信息技术产业的细分行业与《国民经济行业分类》（GB/T 4754-2017）进行对比，发现《战略性新兴产业分类（2018）》中给出新一代信息技术产业的85个细分门类中，计算机、通信和其他电子设备制造业（C39）占28个，软件和信息技术服务业（I65）占18个，互联网和相关服务（I64）占15个，其余行业所占细分门类皆为个位数。故，本文选择这三个行业中的上市公司为代表对我国新一代信息技术产业进行研究，整理出我国28个省市区2012-2018年新一代信息技术产业投入产出指标中的相关数据，从资本、劳动力及政府投入三个方面选择投入指标，从经济与科技两个方面选择产出，根据数据的可获得性，最终选择的投入产出指标如表1所示。

其中，投入指标中，企业研发费用的投入关系到企业的研发创新活动能否顺利进行，若研发费用不足，则会极大地限制企业研发部门的研发进程，甚至会导致研发活动的中断;若研发费用充足，则能给企业的研发活动提供有力的资金支持，故而选择企业研发费用投入作为投入指标[14]。企业人员数量可以衡量企业创新活动中的劳动力投入。政府对新一代信息技术产业创新活动的财政补助支持也是重要的投入指标。产出指标中，企业利润总额能直观反映企业创新所带来的经济产出。企业的专利申请数能直观地反映企业的创新成果，创新水平高的企业其专利数量往往越多。

运用国泰安数据库筛选出计算机、通信和其他电子设备制造业（C39），软件和信息技术服务业（I65）及互联网和相关服务业（I64）三个行业的706家上市公司，按照上市公司注册地所处省市区进行归类汇总，整理出我国28个省市区（西藏、内蒙古与宁夏数据缺失）新一代信息技术产业的投入产出指标数据。为了更好地进行测算，我们对以上数据进行了无量纲化处理，再利用SBM超效率模型对各省市区新一代信息技术产业的创新效率进行了测算。

（三）新一代信息技术产业创新效率变化趋势分析

由图1可知，我国新一代信息技术产业2012-2018年创新效率均值在全国范围内处于0.8～0.9之间，呈现为先下降后上升，继而保持相对稳定的趋势。全国创新效率在2012-2014年呈现下降趋势，2014-2015年得到有效提升，2015-2017年全国创新效率均值稳定在0.9的水平，到了2018年创新效率均值有所下降。这说明就全国而言，我国新一代信息技术产业的各个企业创新效率自2014年始，创新效率有了显著的提高，虽然创新效率2018年有所下降，但创新效率整体，还是呈现为上升态势。

按照经济发展水平，我们将各省市划分为东部沿海地区（包括辽宁、北京、天津、上海、河北、山东、江苏、浙江、福建、广东、广西、海南12个省市区）、中部地区（包括黑龙江、吉林、山西、安徽、河南、湖北、湖南、江西等8个省市区）、西部地区（包括重庆、四川、云南、贵州、陕西、甘肃、青海、新疆等8个省市区）。从图1与图2可以发现，东部沿海地区的新一代信息技术产业创新效率均值明显高于全国平均水平。2013-2017年新一代信息技术产业创新效率大幅提升，2018年创新效率有所回落。其中，创新效率均值突破1的省份有北京市、广东省、浙江省与山东省，而广东省、福建省、广西省等新一代信息产业创新效率则得到有效提升。广东省新一代信息技术产业创新效率提升得最多，2012年其创新效率为1，而到了2018年其创新效率值已达到1.38，涨幅为38%。中部地区创新效率均值介于0.78～0.86之间，2012-2015年其创新效率均值的变化趋势基本上与全国创新效率均值变化趋势一致，都是先下降后上升;不同的是中部地区自2016年以后，其创新效率呈现为下降趋势，从2015年创新效率0.86下降至2018年创新效率仅为0.78，降幅为9.4%。其中，创新效率均值突破1的仅有山西省，江西、安徽、河南及湖北等省创新效率皆有所上升，吉林、黑龙江与湖南等省创新效率则有所下降。西部地区新一代信息技术产业的创新效率均值是各区域之中最低，其创新效率均值最低时仅为0.72，总体创新效率呈现为先上升后下降再上升再下降的变化趋势。其中，云南、贵州、青海与新疆等省自治区新一代信息技术产业创新效率均值皆呈上升趋势，四川、重庆及甘肃省新一代信息技术产业创新效率均值则有所下降。

（四）新一代信息技术产业创新水平分析

为了更好地评价创新水平，按照25%、50%及75%的四分位数法，将新一代信息技术产业创新效率划分为低、中低、中高及高四个水平层次。其中，创新效率小于0.75的为低创新水平，效率大于等于0.75小于0.87的为中低水平层次，效率大于等于0.87小于1的为中高水平层次，大于1的为高水平层次。

由表2可知，从全国范围来看，我国新一代信息技术产业的创新效率仍处于中低水平，只有2015-2017年创新效率处于中高水平。东部沿海地区新一代信息技术产业的创新效率则处于中高水平，除2013年外，其余年份创新效率皆处于中高及以上水平，2017年东部沿海地区的新一代信息技术产业的创新效率更是达到高水平层次。新一代信息技术产业创新效率均值处于高创新水平的省市区，绝大多数都位于东部沿海地带，有北京、山东、浙江与广东四个省市;处于中高创新水平的省市区东部沿海地区也占了五个，有江苏、江西、福建、广西与海南等省市区;西部与中部地区的创新效率均值皆处于中低水平，仅中部地区的山西省创新效率均值处于高创新水平，西部地区则有青海、甘肃与重庆等省市创新效率均值处于中高创新水平。总的来说，我国新一代信息技术产业创新效率自2014年始有了显著提高，但整体创新水平并不高。其中，东部沿海地区新一代信息技术产业创新效率均值明显高于全国平均水平，其创新水平也是三大区域中最高的。2014年以来，东部沿海地区均处于高与中高创新水平;西部地区新一代信息技术产业的创新效率明显低于其他区域，其创新效率是三大区域中最低的，2012-2018年西部地区省市区多处于低与中低创新水平。

三 新一代信息技术产业创新效率时空动态演进

（一）核密度估计

核密度估计是一种非参数估计方法，可以对随机变量概率密度进行平滑估计得到随机变量的分布形态。本文选择高斯核函数对我国新一代信息技术产业创新效率的分布态势与时间动态演进过程进行分析。

图3展示的是我国新一代信息技术产业区域创新效率的核密度图，可以发现：从核密度函数的分布位置来看，各区域新一代信息技术产业创新效率核密度曲线的中心位置并无明显的变化，全国与西部地区2018年创新效率核密度曲线的中心位置与2012年基本保持一致，中部地区2018年新一代信息技术产业创新效率核密度曲线的中心位置与2012年相比具有轻微右移态势。这表明我国新一代信息技术产业创新效率整体的变化不大，中部地区新一代信息技术产业创新效率呈现轻微上升态势。

各地区主峰峰值明显下降，宽度有所增加。全国核密度曲线主峰峰值持续呈下降态势，主峰宽度略微增加。这说明我国新一代信息技术产业整体创新效率极化趋势持续呈下降状态，各省市区创新效率的绝对差异有所缩小;东部沿海地区与西部地区的核密度曲线主峰峰值都经历了先下降再上升再下降的波动变化，中部地区的核密度曲线主峰峰值则经历了先略微上升再持续下降的波动变化，东部沿海地区2018年核密度曲线主峰宽度相较于2012年而言向右增宽，西部与中部地区的主峰宽度则是向左右两侧增加，总体上东中西部地区主峰峰值仍然呈现下降趋势，宽度有所增加。这说明东中西部地区新一代信息技术产业创新效率的极化趋势虽然经历了一定的波动过程，但总体来说创新效率的极化趋势是下降的，东中西部地区新一代信息技术产业创新效率集聚程度有所下降。

各地区新一代信息技术产业创新效率核密度曲线波峰整体呈现为由“双峰”变“单峰”发展态势。全国新一代信息技术产业创新效率2012年与2014年的核密度曲线存在两个波峰，到了2016年与2018年，次峰与主峰的差距越来越小且越来越不明显，呈现为整体“双峰”变“单峰”的发展态势。这说明我国新一代信息技术产业创新效率的两极分化程度逐渐降低。东西部地区新一代信息技术产业创新效率2012年的核密度曲线都存在两个波峰，并在往后年份演变为单一波峰;中部地区新一代信息技术产业创新效率的核密度曲线基本皆为单峰。这说明中部地区新一代信息技术产业创新效率基本上不存在两极分化，东西部地区新一代信息技术产业创新效率2012年虽存在两极分化，但近年来两极分化程度已在不断降低。

（二）标准差椭圆分析

为了更为直观地分析我国新一代信息技术产业空间集聚的区位分布及动态演进情况，我们通过Arcgis软件，运用标准差椭圆分析法对我国新一代信息技术产业创新效率空间集聚的区位特征进行了分析。

由图4与图5可知，我国新一代信息技术产业的创新效率标准差椭圆，分布在东部与中部的大部分地區，呈“偏东北—偏西南”走向，东部沿海与中部地区新一代信息技术产业的创新效率标准差椭圆呈“东北—西南”走向，西部地区新一代信息技术产业的创新效率标准差椭圆则呈“西北—东南”走向。这说明我国新一代信息技术产业创新效率整体空间分布总体呈现“偏东北—偏西南”的空间格局，东部与中部新一代信息技术产业创新效率为“东北—西南”的空间格局，西部地区新一代信息技术产业创新效率则呈现为“西北—东南”的空间格局。从标准差椭圆的分布重心来看，我国新一代信息技术产业创新效率的标准差椭圆分布重心位于河南省西南部与湖北省交界附近。2012-2013年，我国新一代信息技术产业创新效率的重心向西北移动;2013-2014年，重心向东南方向移动。2014-2018年，重心整体向西南方向移动;2017年，重心由河南省内移动至湖北省内。整体而言，我国新一代信息技术产业创新效率的重心表现为向西南方向移动的趋势。东部沿海地区新一代信息技术产业创新效率的重心位于安徽省西南方省界附近，中部地区新一代信息技术产业创新效率的重心位于山东、安徽、江苏与河南四省交界处附近，西部地区新一代信息技术产业创新效率的重心则位于四川省西北方省界附近。总体而言，2012-2018年，东部与中部地区新一代信息技术产业创新效率的重心向西南方向移动，与全国新一代信息技术产业创新效率标准差椭圆重心移动方向基本一致;西部地区新一代信息技术产业创新效率的重心则先往东南方向移动后往西北方向移动。

结合表3，从标准差椭圆的面积变化来看，全国新一代信息技术产业创新效率标准差椭圆2018年与2012年的面积比为0.93，东部沿海地区的面积比为0.96，中部地区的面积比为0.87，西部地区的面积比为1.15。这说明全国、东部及中部地区新一代信息技术产业创新效率标准差椭圆面积呈下降趋势，其中部地区标准差椭圆面积减少的最多，而西部地区新一代信息技术产业创新效率标准差椭圆面积则呈上升趋势。这说明东部与中部地区标准差椭圆内部省市、自治区，对新一代信息技术产业创新效率的拉动作用，大于标准差椭圆外部省市、自治区;而西部地区则是标准差椭圆外部省市、自治区，对新一代信息技术产业创新效率的拉动作用，大于标准差椭圆内部省市、自治区。从标准差椭圆的分布形状来看，标准差椭圆的长轴是表示数据的分布方向，短轴则是表示数据的分布范围 ，短轴长度与长轴长度之比则是标准差椭圆的平均形状指数。全国及东中西部地区标准差椭圆2012年的平均形状指数分别为0.71、0.37、0.31及2.37，2018年的平均形状指数分别为0.75、0.41、0.40及2.32，全国及东中部地区的平均形状指数均呈上升态势。这说明全国及东中部地区新一代信息技术产业创新效率具有趋于正圆的趋势，区域内新一代信息技术产业的创新效率更加均衡。从方位角的旋转来看，全国与东部沿海地区新一代信息技术产业的创新效率标准差椭圆的方位角皆呈上升趋势，中部及西部 地区方位角则皆呈下降趋势。全国新一代信息技术产业创新效率标准差椭圆的方位角由2012年的69.00°增加到2018年的81.83°，标准差椭圆由东北-西南向正东-正西方向旋转了12.83°，东部沿海地区标准差椭圆的方位角由20.01°增加到24.28°，标准差椭圆由东北-西南向正东-正西方向旋转了4.27°，中部与西部地区标准差椭圆的方位角分别由41.41°、129.12°降至29.16°、124.17°，标准差椭圆则分别由东北-西南向正北-正南方向旋转了2.25°及由西北-东南向正北-正南方向旋转了4.95°。

（三）马尔科夫链分析

马尔科夫链是一种时间连续但状态离散的马尔科夫过程，其转移概率只与前一时期的状态有关而与初始概率无关。马尔科夫分析方法就是将数据离散化为k种类型，测算不同类型的概率分布及其随时间变化的情况，以此刻画研究对象不同类型变化的动态演进全过程。

本文将基于0-1权重矩阵从全国和区域两个角度构建传统马尔科夫转移矩阵与空间马尔科夫转移矩阵，来分析我国新一代信息技术产业创新效率，在不同水平的省区发生转移的概率与转移的方向。首先，按照25%、50%及75%的分位数将我国新一代信息技术产业创新效率划分为低、中低、中高及高水平四个等级类型;其次，计算全国及东中西部地区各省份的0-1权重矩阵，并根据公式计算出空间滞后算子，确定每个省份的邻域空间滞后类型;最后，构建空间马尔科夫链，以某一省份在初始年份的领域空间滞后类型为条件，将传统马尔科夫链K*K转移概率矩阵分解为K个K*K条件转移概率矩阵，此时的空间转移概率Pij（g）表示某一省份在第t年的邻域空间滞后类型为g的条件下，由类型i转移为j的概率大小。

在马爾科夫转移矩阵中，转态转移矩阵的主对角线数值表示创新效率类型未发生变化的概率，而非主对角线上的数值则表示创新效率类型发生转移的概率。

在传统马尔科夫转移矩阵（表4）中，从全国的视角可以发现：第一，主对角线上的数据分别是0.55、0.51、0.35与0.77，这表明新一代信息技术产业创新效率处于低水平、中低水平、中高水平及高水平的省市区，维持在原来水平状态的概率为55%、51%、35%与77%，其中创新效率处于高水平的省市区保持在原来水平的概率最高;第二，从非主对角线上的数值来看，各个水平状态的转移概率、创新效率处于低水平与高水平层次的省市区向上与向下转移的概率都比较低，比如创新效率处于高水平的省市区向下转移为中高水平、中低水平及低水平的概率仅分别为2%、10%及11%，创新效率处于低水平的省市区向上转移为中低水平、中高水平及高水平的概率也仅分别为19%、12%及14%，这表明我国新一代信息技术产业在创新过程中存在明显的“马太效应”;第三，创新效率处于低水平与中低水平的省市区向上跨越式转移的概率与创新效率处于中高水平及高水平的省市区向下跨越式转移的概率都比较低，这说明各个创新水平层次之间难以实现跨越发展。

从区域的视角来看，首先，中西部地区创新效率处于低水平的省市区不发生转移的概率为58%与64%，中西部地区低创新水平的省市区维持原来状态的概率不仅高于全国水平，还高于其向上转移的概率，这说明中西部地区处于低创新水平的省市区创新能力不足，创新效率难以向更高水平层次转移;其次，东部沿海地区创新效率处于中高与高水平的省市区不发生转移的概率分别为61%与65%，皆大于其向下转移的概率，这说明东部沿海地区中高及以上创新水平的省市区创新能力较强，创新效率一般不会向更低水平层次转移;最后，东部与中部地区处于低与中低创新水平的省市区向上转移的概率皆小于10%，新一代信息技术产业的创新水平难以实现跨越式发展，而西部地区处于低创新水平的省市区向上转移至中高水平与高水平的概率皆为18%，这说明西部地区新一代信息技术产业创新效率有36% 的可能性实现跨越式发展，具有一定的创新潜力。

将传统马尔科夫转移矩阵与空间马尔科夫转移矩阵进行对比分析，可以发现邻域空间滞后类型对新一代信息技术创新效率不同水平层次之间的转移具有重要影响。

从全国视角来看，可以发现：第一，邻域空间滞后类型会影响省市区新一代信息技术产业创新效率水平类型的稳定性。结合表4与表5可以发现，在无滞后条件下，全国新一代信息技术产业创新效率处于高水平层次的省市区保持在原有水平的概率是77%，而考虑了邻域空间滞后类型的条件后，其保持原有创新水平的概率发生了变化，当邻域空间滞后类型分别为低、中低、中高及高水平时，全国新一代信息技术产业处于高创新水平的省市区保持稳定的概率分别是50%、57%、73%与92%，可以发现与创新水平越高的省市区相邻，处于高创新水平的省市区保持原有水平层次的概率越高。当与低创新水平省市区相邻时，仍然保持在高创新水平的概率仅为50%，远低于不考虑空间滞后类型的保持概率77%，而当其与高创新水平省市区相邻时，其保持概率高达92%。这说明与创新水平高的省市区相邻，受高创新水平地区的正向“溢出”的作用，本地区新一代信息技术产业的创新效率向更高水平层次转移的概率越大，向更低水平层次转移的概率越小，而与创新水平高的省市区相邻时情况则相反，低创新水平地区会对本地区新一代信息技术产业的创新效率产生空间上的负向“溢出”效应，本地区新一代信息技术产业的创新效率向更高水平层次转移的概率越小，向更低水平层次转移的概率越大。第二，全国新一代信息技术产业创新效率处于低水平层次的省市区在无滞后与空间滞后类型为低、中低、中高及高水平的条件下维持原来创新水平的概率分别为 55%、77%、41%、50%及100%。从与低创新水平省市区相邻到与中低水平省市区相邻，仍然保持在低创新水平的概率由77%降到41%，而从与中高创新水平省市区相邻到与高创新水平省市区相邻，仍然保持在低创新水平的概率又由50%上升到100%。这说明如若两个省市区新一代信息技术产业的创新水平相差较大，高创新水平地区的正向“溢出”的作用并不明显。第三，中低创新水平的省市区与任意创新水平的省市区相邻，其创新效率都难以实现跨越式发展，而与中低创新水平的省市区相邻时，低创新水平的省市区实现跨越式发展的概率高于无滞后条件下。在无滞后条件下，低创新水平的省市区向上转移到中高及高创新水平的概率分别为12%与14%，而在领域空间的滞后类型为中低水平时，低创新水平的省市区向上转移到中高及高创新水平的概率分别上升至23%与18%。这说明如若两个省市区新一代信息技术产业的创新水平具有一定差距，但差距较小，创新水平较高的省市区对创新水平较低的省市区正向“溢出”的作用最为明显。

从区域来看，当邻域滞后类型为低创新水平时，东部沿海地区低创新水平的省市区将保持在低创新水平，中低创新水平的省市区将向低创新水平及中高创新水平转移，转移概率皆为50%，中高创新水平的省市区保持在原来水平与向下转移的概率皆为50%，高创新水平的省市区保持在原来水平的概率为67%;中部地区低创新水平的省市区皆转移到中低创新水平，中低创新水平的省市区也将各以50%的概率向中高与低创新水平上下转移，中高创新水平省市区将向下转移到低创新水平，高创新水平的省市区将维持在原有水平;西部地区低创新水平的省市区将上移到中高创新水平，中低创新水平的省市区维持在原来水平与向上转移至中高创新水平的概率皆为50%，高创新水平的省市区维持在高创新水平的概率为83%，向下跨越式转移至低创新水平的概率为17%。而当邻域滞后类型为高创新水平时，东部地区中低与高创新水平的省市区将维持原本的创新水平，中低创新水平的省市区向下跨越式转移至低水平的概率为25%，向上转移至高水平的概率也为25%;中部地区高创新水平的省市区保持不变，中低创新水平的省市区保持在原来水平与向上转移至中高创新水平的概率皆为50%;西部地区中低创新水平的省市区将上升至中高创新水平的省市区，原本高创新水平的省市区将转移变为低创新水平的省市区。这说明要提高我国东中西部地区新一带信息技术产业的创新水平，可以充分利用邻近省市区的空间正向“溢出效应”，积极应对邻近省市区的空间负向“溢出效应”，从而使得各地区新一代信息技术产业的创新效率得以协调发展。

四 结论与建议

本文基于我国新一代信息技术产业上市公司数据，运用SBM超效率模型测算出2012-2018年各个省份新一代信息技术产业的创新效率，从全国与区域两个视角、时间与空间两个维度探究我国新一代信息技术产业创新效率的时空动态演进。首先，基于测算结果对我国新一代信息技术产业创新效率的创新水平与时间演变趋势进行分析;其次，运用标准差椭圆探索我国新一代信息技术产业创新效率的空间分布特征及空间格局的演变;最后，通过核密度估计法对我国新一代信息技术产业创新效率分布的动态演变过程进行分析，再构建空间马尔科夫状态转移矩阵，补充核密度估计法无法描述我国新一代信息技术产业创新效率内部不同创新水平的地区发生转移的大小与方向，得出结论如下：

第一，我国新一代信息技术产业创新效率整体偏低。其中，东部沿海地区新一代信息技术产业创新水平最高，远高于全国平均水平，中部与西部地区新一代信息技术产业创新水平皆低于全国平均水平。新一代信息技术产业创新水平较高的省市区，诸如北京市、广东省及浙江省等绝大多数都位于东部沿海地区。

第二，我国新一代信息技术产业创新效率总体呈“东北—西南”的空间格局，创新效率重心朝西南方向移动，区域内新一代信息技术产业的创新效率更加均衡，2012-2018年标准差椭圆由东北-西南向正东-正西方向旋转了12.83°。东部地区与中部地区新一代信息技术产业创新效率的空间格局与全国方向一致，西部地区新一代信息技术产业创新效率则呈现为“西北——东南”的空间格局，2012-2018年东部沿海地区创新效率标准差椭圆的旋转方向与全国一致，由东北-西南向正东-正西方向旋转了4.27°，中部与西部地区创新效率的标准差椭圆旋转则与全国相反，中部地区与西部地区创新效率标准差椭圆分别由东北-西南向正北-正南方向旋转了2.25°及由西北-东南向正北-正南方向旋转了4.95°。

第三，我国新一代信息技术产业创新效率的核密度曲线表现为主峰峰值明顯下降，宽度有所增加，波峰由“双峰”变“单峰”。这说明我国新一代信息技术产业极化程度持续下降，两极分化程度逐渐降低。

第四，根据马尔科夫状态转移矩阵的结果，我国新一代信息技术产业创新效率不存在俱乐部趋同的现象。这意味着我国新一代信息技术产业不易创新自我固化，而会自我强化;创新效率的“马太效应”显著，处于高创新水平与低创新水平的省市区发生转移的概率较低。这表明低创新效率水平的省市区可能陷入“贫困陷阱”。在不同邻域滞后类型下，我国新一代信息技术产业创新效率马尔科夫转移矩阵不尽相同，说明邻域空间滞后类型对新一代信息技术创新效率不同水平层次之间的转移具有重要影响。一般来说，与高创新水平省市区相邻，本地区创新效率水平向上转移的概率更大，向下转移的概率更小，与低创新水平的省市区相邻情况则相反。值得注意的是，相邻两个省市区创新水平的差距适当时，“溢出效应”才能发挥作用，如果差距过大，“溢出效应”作用反而并不明显。

针对上述结论，本文提出如下建议：

第一，应该优化我国新一代信息技术产业科技创新的资源配置，提高创新效率，促进科技成果的转化，推动我国新一代信息技术产业的高水平发展。新一代信息技术产业的企业应该要制定符合自身情况的科技投入规模，增强科技投入的精准性与有效性，减少科技投入的浪费，提升科技投入的产出。

第二，各地区政府注重对新一代信息技术产业的扶持，打破省域间的科技创新壁垒。新一代信息技术产业处于低创新水平的省市区要积极向新一代信息技术产业创新效率略高于本省市区的省市区学习其成功经验，由政府牵头通过一系列扶持政策打破省域间科技创新资源壁垒，通力协作，共同提高区域新一代信息技术产业创新效率。

第三，各地区政府根据区域实际情况制定扶持新一代信息技术产业的创新发展，因地制宜优化本身新一代信息技术产业的创新布局。各地区政府不能完全照搬其他地区发展新一代信息技术产业的成功模式，而是要根据本地区经济发展、科技基础设施建设等因素综合考量，充分利用好地区的资源禀赋与技术优势，制定出具有地区特色的新一代信息技术产业的创新发展道路。

[参 考 文 献]

[1]Hussain A B，Nurul W A L. The impact of technological innovation and governance institution quality on Malaysia's sustainable growth：Evidence from a dynamic relationship[J]. Technology in Society，2018（54）： 27-40.

[2]王欢芳，张幸，宾厚，等.新一代信息技术产业的空间集聚研究[J].财经理论与实践，2020（1）：131-138.

[3]Koop Osiewalsk. The components of out growth： Astochastic frontier analysis[J].Oxford Bulletin of Economics and Statistics， 1999 （4）： 455-487.

[4]Sharma S， Thomas V. J. Inter-country R&D efficiency analysis： An application of data envelopment analysis[J]. Scientometrics， 2008， 76： 483-501.

[5]张会新，白嘉.中国省域战略性新兴产业发展绩效评价[J].统计与决策，2016（15）：67-70.

[6]王春晨，徐晔.我国战略性新兴产业的效率评价——基于超效率DEA与面板Logit模型[J].江西师范大学学报（自然科学版），2016（5）：531-536.

[7]方芳.我国战略性新兴产业效率的测算[J].统计与决策，2014（24）：124-126.

[8]李柏洲，王雪，苏屹，等.我国战略性新兴产业研发-转化两阶段创新效率[J].系统工程，2019（4）：48-56.

[9]龚立新，吕晓军.政府补贴与企业技术创新效率——来自2009-2013年战略性新兴产业上市公司的证据[J].河南大学学报（社会科学版），2018（2）：22-29.

[10]Charnes A，Cooper W W，Rhodes E.Measring the efficiency of decision making units[J].European Journal of Operational Rsearch，1978（6）：429-444.

[11]Tone  K.A slacks-based measure of efficiency in data envelopment[J].European Journal of Operational Research，2001（12） ： 6323-6331.

[12]Andersen P，Petersen NC.A procedure for ranking efficient units in data envelopment analysis[J].Management Science，1993（39）：1261-1265.

[13]Tone  K.A slack-based measure of super-efficiency in data envelopment analysis[J]. European Journal of Operational Research，2002（1） ： 32-41.

[14]朱慧明，王向愛，贾相华.社会责任和研发投入对企业绩效影响的分位关系研究[J].湖南大学学报（社会科学版），2019（5）：47-55.