中国工业技术创新效率的时空特征与动态演进

张 曦，郭淑芬,2

（1.山西财经大学 管理科学与工程学院，山西 太原030006；2.山西财经大学 资源型经济转型协同创新中心，山西 太原030006）

一、引言

十九大报告指出我国经济已由高速增长阶段迈向高质量发展阶段，2018 年工业增加值在国民经济中的占比为33.9%，农林牧渔业、建筑业、批发和零售业、房地产业的占比分别为7.5%、6.9%、9.4%和6.6%，可见工业占比显著高于其他产业，是实体经济的主体，工业经济的高质量发展是整个经济高质量发展的前提和基础（史丹、李鹏，2019）[1]。创新是国家经济高质量发展的源动力，我国的创新要素投入在不断增加，而创新效率的提高更为关键。工业是技术创新的重要载体，2018 年规模以上工业企业R&D人员全时当量为298.12 万人年，占全国的比重为68.04%，R&D 经费内部支出为12 954.83 亿元，占全国的比重为65.83%，可见工业科技研发投入很大，其创新效率在很大程度上决定着整个国家的创新效率水平。工业技术创新效率的提升不仅关系着工业经济的高质量发展，也关系着国家经济的高质量发展。我国地域辽阔，不同地区的工业创新资源数量和质量均存在较大差异。例如，2018 年广东规模以上工业企业R&D 人员全时当量为621 950 人年，而青海只有1 157 人年，不到广东的千分之二，广东规模以上工业企业R&D 经费内部支出为21 072 031 万元，而青海只有67 716 万元，仅占广东的千分之三，那么技术创新效率是否存在显著差异？地区工业技术创新效率差异是否具有收敛趋势？工业技术创新效率的空间集聚模式如何？工业技术创新效率地区分布的演变趋势如何？通过对上述问题进行研究，可以更加全面、客观地了解工业技术创新效率的时空特征与动态变化，为提升工业技术创新效率、缩小工业技术创新效率的区域差距、助推工业经济高质量发展提供事实资料与政策参考。

二、文献回顾

学者们就工业技术创新效率从国家、区域、行业、企业等不同层面开展了大量研究，主要集中于技术创新效率的测度、区域或行业或企业间差异、变动趋势、影响因素等方面。Nasierowski 和Arcelus（2003）[2]测算并分析了45 个国家的创新效率，结果表明技术创新规模、资源配置会影响技术创新效率的变化。冯宗宪和王青等（2011）[3]测算了我国30 个省份2001—2007 年工业企业创新活动的技术效率与规模效率，发现二者的平均值在0.5 左右。冯根福等（2006）[4]测度了我国35 个工业行业1996—2004年的研发效率，发现其值仅在1997 年超过平均值，在其余年份均低于平均值。朱有为和徐康宁（2006）[5]估算了我国高技术产业13 个细分行业1995—2004年的研发效率，结果显示研发效率整体较低。童泽望（2019）[6]测度了湖北省66 家上市公司的规模效率、纯技术效率，发现研发人员和研发经费配置比例不合理是效率偏低的原因。不论将工业作为整体部门从区域层面考量还是选取工业的子行业，多数研究均表明我国工业技术创新效率较低，有较大的提升空间。关于工业技术创新效率影响因素的研究有：朱有为和徐康宁（2006）[5]研究表明，高技术产业的研发效率与企业规模存在显著正相关关系；Scherer 等（1990）[7]认为，随着企业规模的不断扩大，会出现管理控制能力下降或过度官僚控制等现象，导致内耗增加，使企业研发效率受损；陈修德和梁彤缨（2010）[8]研究发现，企业规模对研发中间产出效率（产出为专利）和最终产出效率（产出为新产品）的作用存在差异，大企业有利于最终产出效率的提高，而小企业更有利于中间产出效率的提高；Pavitt 等（1987）[9]认为，研发效率和企业规模之间呈U 型关系，即较小企业和较大企业的研发效率比中等企业更高。除了企业规模，学者们还关注了技术水平、人力资本、研发管理水平、行业特征、市场竞争、政府支持、所有制结构、金融机构支持、对外开放度等因素，并进行了实证检验，给出了理论解释。但是，由于不同学者所选样本及其时间跨度、所选代理变量及构建模型等不同，并没有取得完全一致的结论。

关于工业技术创新效率的时空特征及其演化的研究在不断深入，主要体现在三个方面。（1）测算方法的延伸。技术创新效率的测算主要有参数和非参数方法，分别以随机前沿（SFA）和数据包络分析（DEA）为代表。DEA 的基本模型为CCR 和BCC 模型，后来提出了非径向的SBM 模型（Tone，1993）[10]、区分有效DMU 效率高低的“超效率”模型（Andersen and Petersen，2001）[11]、考虑环境变量和随机误差等因素影响的三阶段DEA 模型（Fried et al.，2002）[12]、评价效率变化的DEA-Malmquist 指数（Färe et al.，1992）[13]、被评价单元集与参考集分离的广义DEA 模型等（马占新、马生昀，2009）[14]，测度方法更加丰富。（2）研究尺度的细化。由省级细化到市级，李影等（2020）[15]以粤港澳大湾区10 个城市的工业企业为研究对象，分析了其时空演化规律。由行业间的比较具体到某一行业，李宏宽等（2020）[16]对集成电路产业整体及产业链各环节技术创新效率的发展态势进行了评价。（3）研究视角的创新。基于绿色增长视角的研究有：张江雪等（2012）[17]采用的产出指标除科技成果、经济效益之外，还加入了反映资源节约、环境友好的工业企业综合能耗产出率、工业废气等；张辽和黄蕾琼（2020）[18]剔除外部环境因素测度了工业企业真实的绿色技术创新效率，并进行了时空特征分析。基于创新价值链角度，钱丽等（2015）[19]将技术创新过程分解为科技研发和成果转化，比较了三大区域两个阶段技术创新效率的差异。基于空间相关角度的研究有：余泳泽和武鹏（2010）[20]测算了我国高技术产业1996—2007 年的研发效率，经过Moran’I统计量检验，得出了高技术产业研发效率在2000 年后表现出较强的空间正相关；桂黄宝（2014）[21]的研究表明，省域高技术产业创新效率存在空间相关性；黄奇等（2015）[22]构建了空间计量经济模型，验证了工业绿色技术创新效率存在空间外溢效应。

基于已有研究，本文将从两个方面进行拓展：（1）工业技术创新效率的测度，采用非导向、非径向、规模报酬可变的窗口MinDS 超效率模型，该模型同时从投入和产出两个角度测算效率，克服了径向DEA 模型测量无效率未包含松弛变量的缺点，能够区分有效DMU 效率的高低，解决了SBM 模型目标函数效率值求最小化的问题，可以反映技术创新效率在时间维度的变化等，弥补了传统DEA、SBM 等模型的不足；（2）对工业技术创新效率空间特征的分析不仅考虑了区域差异及其变化，还考虑了空间相关性与集聚模式，能够较为全面地呈现工业技术创新效率的空间分布特征。

三、研究方法与变量说明

（一）工业技术创新效率测度方法及指标

1.窗口MinDS 超效率模型。本文使用非导向、非径向、规模报酬可变的窗口MinDS（Minimum Distance to Strong Efficient Frontier）超效率模型测度中国省域工业技术创新效率。设有n个决策评价单元DMUj（j=1，2，…，n），每个DMU 有m种技术创新投入xij（i=1，2，…，m）和q种创新产出yrj（r=1，2，…，q）。首先，在Aparicio 的MinDS 模型的基础上（成刚，2014）[23]建立非导向、非径向、规模报酬可变的MinDS 超效率模型，分为两个阶段。

第一阶段，采用非导向、非径向、规模报酬可变的SBM 超效率模型，判定有效的DMU 的集合为E，如模型（1）所示。

第二阶段，求解混合整数线性规划，如模型（2）所示，得到非导向、非径向、规模报酬可变的MinDS超效率模型的效率值。

其次，将MinDS 超效率模型与窗口分析相结合，实现技术创新效率的动态比较。窗口分析需确定窗宽，较多文献选择3～4 个时间单位，本文选择窗宽为3。假设有n个DMU，t个时期，则在每个窗口DMU 的数量为3n，窗口数量为t－3+1 个，在每个窗口求解3n个DMU 的MinDS 超效率值。最后，对每个DMU 在每个时点计算技术创新效率的均值即可。

2.投入产出指标及数据来源。在测度工业技术创新效率时，需要建立创新投入产出指标体系，如表1所示。投入指标需考虑人力投入、研发资金投入、非研发创新投入三个方面，分别选取R&D 人员全时当量、R&D 经费支出（R&D 经费内部支出与R&D 经费外部支出之和）、技术获取和技术改造经费支出（技术引进经费支出、消化吸收经费支出、购买国内技术经费支出、技术改造经费支出四者之和）进行衡量。产出指标需考虑知识创新、产品创新、工艺创新三个方面，分别选取专利申请量、发明专利申请量、新产品销售收入、人均工业总产值进行衡量。为了消除价格因素的影响，需要对经费投入进行平减。考虑到经费投入不仅会对当期产生影响，对以后若干期的产出也会产生影响，故采用存量而不是流量。R&D 经费支出、技术获取和技术改造经费支出分别先以2011 年为基期综合消费价格指数和固定资产投资价格指数进行平减（白俊红、蒋伏心，2015）[24]，然后采用永续盘存法计算存量（吴延兵，2008）[25]。以R&D经费支出存量为例，技术获取和技术改造经费支出存量的计算类同，t期R&D 经费支出存量的计算如公式（3）所示：

其中，Kt表示t期R&D 经费支出存量，Et表示t期R&D 经费支出，δ 为折旧率。接下来，需要确定折旧率和基期的R&D 经费支出存量。借鉴已有文献（白俊红、蒋伏心，2015）[24]，折旧率取15%。假定R&D 经费支出存量的平均增长率与R&D 经费支出的平均增长率相等，则有（Kt-Kt-1）/Kt-1=（Et-Et-1）/Et-1=g，g为平均增长率。当t=1 时，K1=（1+g）K0，K1=E0+（1-δ）K0，合并两式即可解出K0。

产出指标新产品销售收入、人均工业总产值均以2011 年为基期的工业价格指数进行平减，且均滞后一期。创新投入产出指标所用数据均来自2012—2018 年的《中国科技统计年鉴》《中国统计年鉴》。

表1 窗口MinDS 超效率模型的投入产出指标体系

（二）空间相关分析方法

本文运用莫兰指数检验工业技术创新效率的空间相关性，全局莫兰指数计算公式（陈强，2014）[26]如下：

在式（5）中，xi和xj分别为第i省份和第j省份的观察值，在本文指工业技术创新效率，为观察值的均值；n为省份总个数；wij为空间权重系数，采用邻接矩阵，当i省与j省相邻时，wij=1，否则wij=0。全局莫兰指数的取值区间为[-1，1]，其中：大于0 表示存在空间正自相关，技术创新效率高值与高值相邻或低值与低值相邻，越趋于1，集聚程度越高；小于0表示存在空间负自相关，技术创新效率的高值与低值相邻，越趋于-1，分异程度越大；等于0 表示技术创新效率高值与低值完全随机分布，不存在空间自相关。

当局部莫兰指数为正数时，表示区域i的高（低）值被周围的高（低）值所包围；当局部莫兰指数为负数时，表示区域i的低（高）值被周围的高（低）值所包围。

（三）区域差异分析方法

本文采用泰尔指数分析工业技术创新效率的区域差异，该指数将区域间的总体差异分解为区域内差异与区域间差异，能够揭示出区域内差异、区域间差异各自对总体差异的贡献。设将n个省份分为m个区域，本文中n为30，m为3，即东部、中部、西部三大区域。泰尔指数及其分解的计算公式（范德成、李盛楠，2019）[27]如下：

其中，T为衡量工业技术创新效率区域差异的总体泰尔指数，取值区间为[0，1]，其值越大，表示区域差异越大；Tb为衡量区域间差异的泰尔指数；Tw为衡量区域内差异的泰尔指数；Twk为衡量第k个区域内差异的泰尔指数，k的取值为1、2、3，分别表示东部、中部和西部；TE为各省份工业技术创新效率之和，TEi为第i个省份的工业技术创新效率，TEk为第k个区域内各个省份的工业技术创新效率之和，TEj为第k个区域内第j个省份的工业技术创新效率；nk为第k个区域内省份的总个数。此外，采用CRb=Tb/T和CRw=Tw/T分别表示区域间差异和区域内差异对总体差异的贡献率，采用CRwk=（TEk/TE）×（Twk/T）表示第k个区域内差异对总体差异的贡献率。

（四）动态演进分析方法

本文采用非参数核密度估计方法分析工业技术创新效率的分布特征与动态变化趋势，该方法对随机变量的概率密度进行估计，使用核密度曲线反映随机变量的位置、形态及延展性。位置表明工业技术创新效率的高低，波峰高度、宽度表明工业技术创新效率的空间差异大小，波峰数量表明极化特征，拖尾越长表明空间差异越大（刘树峰等，2019）[28]。随机变量x在x0处的核密度估计量为（陈强，2014）[26]：

式中，K（·）为核函数，h表示带宽，本文选用高斯核函数，在Stata 软件中进行核密度估计。

四、工业技术创新效率的时空特征

（一）工业技术创新效率的时空格局

运用非导向、非径向、规模报酬可变的窗口MinDS 超效率模型测度2011—2017 年中国30 个省市区的工业技术创新效率，在MaxDEA 软件中进行求解，结果如表2 所示。结果显示：2011—2017 年全国工业技术创新效率的均值为0.793 7，存在较大的提升空间；分区域看，东部地区为0.901 4，中部地区为0.767 2，西部地区为0.705 4，呈梯度递减。东部地区的工业技术创新效率高于全国平均水平，中部和西部地区均低于全国平均水平，东部与中部地区的差距远高于中部与西部地区的差距。东部地区的工业创新资源配置良好，有效激发了创新活力，而中西部创新体系的运行机制还需大力改善。从变化趋势来看，全国均值、中部均值、西部均值都在波动中趋于上升，西部增长的幅度最大，而东部均值则在波动中有所下降。

表2 2011—2017 年中国30 个省份的工业技术创新效率

（续表2）

根据各省份2011—2017 年工业技术创新效率的平均值将30 个省份分为高效率、较高效率、中等效率、较低效率、低效率5 个等级，如表3 所示。处于高效率的有海南、安徽、广东、北京4 个省份，效率均值在0.99 以上，处于低效率的有贵州、山西、内蒙古、黑龙江4 个省份，效率均值在0.57 以下，可见两个等级的效率差距较大。效率位列中间的省份有22个，其中处于较高效率的省份有7 个，处于中等效率的省份有7 个，处于较低效率的省份有8 个，呈现出明显的梯度结构。

表3 中国30 个省份的工业技术创新效率所处等级

（二）工业技术创新效率的空间关联

利用Stata 软件，选取空间邻接矩阵，测算出2011—2017 年中国省际工业技术创新效率的Global Moran’s I，如表4 所示。可见，2011—2017 年的Global Moran’s I均大于0，其中2011 年通过了5%的显著性检验，2012—2017 年均通过了1%的显著性检验，表明省际工业技术创新效率的空间分布不是随机的，存在显著的正向空间相关性，工业技术创新效率高的省份相邻或是工业技术创新效率低的省份相邻，空间集聚现象明显。从Global Moran’s I的演变趋势看，最大值为2013 年的0.406，最小值为2011 年的0.162，平均值为0.297，在考察期内呈现出“N”形状，在波动中趋于上升，说明工业技术创新效率的空间相关性在增强。

表4 2011—2017 年中国省际工业技术创新效率Global Moran’s I 及其检验结果

利用Stata 软件，可得出2011—2017 年中国30个省份工业技术创新效率均值的局部Moran’s I散点图，据此可知各省份的集聚类型（吕岩威等，2020）[29]，如表5 所示。可见，有23 个省份落在了第一、第三象限，呈正向空间相关，仅有7 个省份落在了第二、第四象限，呈负向空间相关，30 个省份的工业技术创新效率的空间分布整体上呈“高高－高效型”与“低低－低效型”集聚模式。位于第一象限“高高－高效型”的省份有13 个，以东部省份为主，经济较发达，交通便利，创新资源集聚，具有一定的创新发展优势，技术创新效率水平较高。位于第三象限“低低－低效型”的省份有10 个，其中西部省份有5 个，中部省份有4 个，这些省份的经济基础相对薄弱，研发资金、技术、人才等高质量的创新要素相对匮乏，创新效率水平较低。位于第二象限“低高－空心型”的省份为福建和贵州，虽然与效率较高的省份相邻，但未能有效吸收创新的空间溢出，形成了技术创新效率的洼地。位于第四象限“高低－极化型”的省份有吉林、重庆、青海、宁夏、新疆，与相邻省份相比，这5 个省份的工业技术创新效率相对较高，如吉林相对于领近的黑龙江、辽宁、内蒙古其工业技术创新效率较高，但空间扩散作用有限，辐射带动不强。

表5 中国30 个省份工业技术创新效率的集聚类型

（三）工业技术创新效率的区域差异

根据泰尔指数及其分解的计算公式，可得出工业技术创新效率的区域整体差异、区域间差异、区域内差异，结果如图1 所示。可见，2011—2017 年30个省市区工业技术创新效率的泰尔指数T在0.026～0.093 间波动，表明工业技术创新效率存在明显的地区差异。从发展态势看，泰尔指数T基本上逐年下降，由2011 年的0.093 下降到2017 年的0.028，表明工业技术创新效率的地区差异有缩小趋势。区域内的泰尔指数Tw显著高于区域间的泰尔指数Tb，表明总体差异主要源自东、中、西部地区内部的差异，而受三大地区之间差异的影响较小。

从三大区域来看，中部的泰尔指数Tw2和西部的泰尔指数Tw3均大于东部的泰尔指数Tw1，Tw2除在2015 年和2017 年略低于Tw3之外，在其余年份均大于Tw3，表明中部省份的工业技术创新效率差异最大，西部次之，东部最小。从变化趋势看，东部、中部、西部的泰尔指数在波动中趋于下降，其中东部的下降幅度最大，中部次之，西部最小，表明东部及中部省份工业技术创新效率差距减小的速度快于西部。

图1 2011—2017 年全国、区域间、区域内、东部、中部、西部的泰尔指数

从泰尔指数的贡献率来看，由图2 可知，2011年区域间、东部、中部、西部的泰尔指数对总体泰尔指数的贡献率分别为23%、35.1%、21.8%、20.1%，2017 年各泰尔指数对总体泰尔指数的贡献率分别为7.2%、26.1%、26.7%、40%。可见，2011—2017 年东部与区域间泰尔指数的贡献率整体上呈下降趋势，而中部、西部泰尔指数的贡献率整体上却呈上升趋势，表明中部、西部区域内部的工业技术创新效率差异逐渐成为总差异的主要构成因素。

图2 2011—2017 年三大区域间、东部、中部、西部泰尔指数的贡献率

五、工业技术创新效率的区域分布动态

图3 显示了全国、东部、中部、西部工业技术创新效率的核密度动态变化趋势。由图3（a）可知，中国30 个省份的工业技术创新效率分布向右偏移，表明工业技术创新效率水平在提升，结合前面计算结果可知，其均值由2011 年的0.752 2 上升到了2017年的0.817 9。核密度曲线的波峰不断上升，波宽逐渐变窄，说明各省份的工业技术创新效率差异有缩小趋势，与泰尔系数的变化趋势相一致。2017 年的双峰较2011 年、2013 年、2015 年更明显，且出现了多峰迹象，说明我国各省份的工业技术创新效率存在一定的梯度效应，呈现出多级分化的态势。

由图3（b）可知，东部省份的工业技术创新效率分布先向右移再向左移，表明工业技术创新效率水平经历了由升到降的过程，结合前面的计算结果可知，其均值由2011 年的0.940 2 下降到了2017 年的0.885 7。核密度曲线的波峰先增高后降低，右端拖尾明显减弱，结合泰尔系数，总的来看，东部省份的工业技术创新效率差异在缩小。核密度曲线在2011年、2013 年、2015 年均为单峰，在2017 年出现了多峰的迹象，表明东部省份的工业技术创新效率呈现出多级分化态势。

由图3（c）可知，中部省份的核密度曲线先向右移后向左移，表明中部省份的工业技术创新效率经历了先升后降的过程，但总的来看是提高了，由前面计算结果可知，其均值由2011 年的0.733 8 上升为2017 年的0.790 6。核密度曲线的波峰不断增高，波宽变窄，表明中部省份的工业技术创新效率差异在不断缩小，虽然出现了双峰，但峰侧较低。

由图3（d）可知，2011—2017 年西部省份的核密度曲线向右移动，表明西部省份的工业技术创新效率有所提高，由前面计算结果可知，平均值由2011年的0.577 7 上升为2017 年的0.769，增幅明显。核密度曲线的波峰先下降后上升，波峰数量由一个变为多个，但峰侧很低非常平缓，拖尾现象减弱，结合泰尔系数可知，在2011—2017 年间，虽然省份间差异有减有增，但总体上看西部省份工业技术创新效率的差异在缩小。

图3 工业技术创新效率2011 年、2013 年、2015 年和2017 年的核密度

六、研究结论与启示

（一）研究结论

本文采用非导向、非径向、规模报酬可变的窗口MinDS 超效率模型测度了2011—2017 年中国30 个省份的工业技术创新效率，然后运用莫兰指数分析了技术创新效率的空间集聚特征，利用泰尔指数及其分解考察了技术创新效率的区域差异及其来源，并进一步利用核密度估计探究了区域分布的动态演进，主要得到了四个研究结论。

1.2011—2017 年，全国层面工业技术创新效率的均值为0.793 7，有较大的提升空间，分区域看，东部、中部、西部地区的工业技术创新效率依次递减。从变化趋势看，东部地区的工业技术创新效率在波动中有所下降，中部、西部地区在波动中趋于上升，其中西部增幅较大。省域工业技术创新效率表现出显著的高效率、较高效率、中等效率、较低效率、低效率的梯度等级结构。

2.中国省域工业技术创新效率存在显著的正向空间相关性，且空间相关性不断增强。从空间集聚模式来看，工业技术创新效率整体上呈“高高-高效型”与“低低-低效型”，少数省份呈“低高-空心型”与“高低-极化型”。

3.中国工业技术创新效率存在明显的地区差异，区域内差异是主要来源。总体差异呈现出缩小态势，中部、西部地区内部的工业技术创新效率差异逐渐成为总体差异的主要因素。从三大区域看，中部、东部、西部地区内部工业技术创新效率的差异依次递减，均表现出缩小趋势，且东部、中部地区的工业技术创新效率差距缩小的速度要快于西部。

4.核密度曲线结果表明，全国、东部、中部、西部区域的工业技术创新效率的空间差异逐渐缩小，全国工业技术创新效率的平均水平有所提升，存在一定的梯度效应，呈现出多级分化态势。

（二）政策启示

1.优化创新资源配置，提高要素利用效率。企业不仅要增加创新要素的数量，更要提升创新要素的质量，而且要寻求创新投入与产出的黄金配置比例，创新企业管理体制，激发创新人员的活力，使得创新要素能够得到充分合理利用并获得最大产出。此外，充分发挥互联网、大数据、人工智能等新技术、新理论在创新资源配置及其使用中的作用，在研发设计、新产品生产等环节渗透高新技术，赋予技术创新以新动能，释放技术创新的红利，提高新产品的国际竞争力。

2.促进创新要素的充分流动与空间溢出，缩小区域技术创新效率差异。省市区要整合创新资源，破除存在的各类壁垒，促进R&D 资本、R&D 人员、技术等创新要素的畅通流动和空间溢出，建立新技术、新产品的创新链条。东部地区应利用自身的技术、人才优势发挥引领作用，实现对中西部地区的渗透、溢出效应。中西部地区应积极寻找与东部地区产学研合作的机会，提升技术创新效率。

3.加快跨区域的技术创新平台建设，塑造区域协同发展格局（李犟、吴和成，2020）[30]。搭建技术创新平台，提高创新资源配置效率，促进工业企业的研发、生产、销售、物流等各环节功能互补，扬长避短，错位竞争，实现产业创新系统整体效益最大化。

4.营造良好的创新环境，为企业提升技术创新效率提供有力支撑。进一步完善产权制度、市场要素配置、交通基础设施建设、信息化水平建设，政府在财政、税收、引进人才等方面应给予政策优惠，赋予企业更大的投资经营自主权，激励企业进行创新，探索效率驱动、集约发展的创新模式，使得技术创新效率处于前沿面。