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

杨 嵘，于枫敏，许晶晶

（西安石油大学 油气资源经济管理研究中心，陕西 西安 710065）

0 引言

创新是引领国家发展的动力源泉，是拉动经济发展的重要引擎。当前，我国正处于新旧动能转换的关键时期，过度依赖传统要素的经济发展模式难以适应开放经济下合理配置资源的要求，实现经济高质量发展必须要将提高产业技术创新效率作为重要前提［1，2］。在当前的市场经济环境下，高技术产业以知识和技术密集、产业关联性强、产品附加值高等特点，成为社会经济中开展技术创新活动最活跃的领域，是提升我国国际竞争力的关键力量。2020年，我国高技术产业在逆势之下成长，其增加值增速比规模以上工业高出4.3%，展现出较强的韧性。然而，我国高技术产业在快速发展的同时也面临着诸多问题：在发展质量方面，我国高技术产业与发达国家相比差距较大，缺乏核心技术和关键部件的开发与研究；在区域创新活动方面，高技术产业发展的不平衡性日益凸显。2019 年，东部地区高技术产业R＆D活动经费占全国高技术产业R＆D 活动经费的75.43%，R＆D经费支持力度远超中西部地区。在国家实施创新驱动发展的战略背景下，如何推动高技术产业转变发展方式，科学定位我国高技术产业创新发展中的薄弱环节，提升高技术产业创新效率，是强化我国科技创新力量、构建创新体系的关键。

创新效率是衡量各产业创新水平的主要标准之一，从创新效率的角度入手，客观地评价某个地区或产业的创新发展状况，进而为政策制定提供重要依据，成为学术界关注的热点问题。目前，学术界从以下方面展开了相关研究：①创新效率的测算方法。国内外学者选择的方法有参数评价方法和非参数评价方法两大类。Charnes［3］提出了广泛应用于多个领域规模报酬不变的DEA 模型。我国学者刘树林等［4-6］在测度高技术产业创新效率时采用了DEA模型；晁坤［7］基于产出距离函数的SFA 方法对装备制造业创新效率进行了测度。②高技术产业创新效率的时空演变。刁秀华等［8］研究发现我国高技术产业的技术创新效率呈“中部＞西部＞东部”的格局；董会忠等［9］从研发阶段和成果转化两阶段分析高技术产业创新效率的空间格局和演化特征。③高技术产业创新效率影响因素。范德成等［10-12］基于不同方法对高技术产业创新效率影响因素进行了检验；余泳泽等［13-14］学者还关注到了创新的分阶段分析，对不同阶段的创新效率分别进行了分析。基于上述分析发现，学者已对高技术产业创新效率进行了多维度研究，构建了创新效率评价体系，并运用多种方法进行实证检验，但由于创新的系统性和综合性，现有研究成果在测算高技术产业创新效率时还缺乏对环境因素的考虑，在解释不同因素对两阶段创新效率影响的差异性方面还有待深化。因此，本文在测算两阶段效率时将环境因素纳入考虑范畴，在准确测度高技术产业创新效率的基础上分析其时空演变特征，从内部和外部两方面入手构建指标体系，运用Tobit模型对不同阶段创新效率影响因素展开实证研究，把握不同影响因素对两阶段创新效率影响的差异性，从而使研究结果更具针对性，以期为国家高新技术产业创新发展提供参考。

1 研究思路及方法

1.1 研究思路

提升创新效率主要是通过调整投入与产出之比，进而提高创新要素的利用率，降低单位研发成本。由于创新活动包含多个投入与产出环节，故将创新活动分为技术研发和成果转化两个阶段，分别分析不同阶段的创新效率。技术研发阶段效率主要是指创新主体在研发活动中的知识产出与原始投入之比；成果转化阶段效率是指新产品市场化后销售收入与研发投入之比（其中，新产品研发投入由技术研发阶段的产出及相关的补充投入构成）。高技术产业创新活动的实现过程如图1 所示。

图1 高技术产业创新活动实现过程Figure 1 Realization process of high- tech industry innovation activities

为了研究两阶段创新效率的关系，找寻提高我国高技术产业创新效率的实施路径，本文构建了两阶段矩阵图，依据两阶段效率取值的高低划分为4个区域，每个区域分别代表不同的效率组合，如图2所示。

图2 高技术产业创新效率矩阵Figure 2 High- tech industry innovation efficiency matrix chart

1.2 三阶段DEA模型

高技术产业创新活动涉及多个投入环节，需要高度整合各方面的科技创新要素资源，而DEA 模型正好能对此多投入、多产出的活动做出有效评价。传统DEA模型忽视了随机噪声和环境因素，导致对决策单元效率评价存在偏差，而三阶段DEA 模型能够有效弥补这一缺陷，因此本文选择三阶段DEA 模型测度高技术产业的创新效率。

第一阶段为传统DEA 模型。传统DEA 模型包含规模报酬不变的CCR 模型和规模报酬可变的BCC模型两大类。本文在第一阶段采用投入导向的BCC模型，并将综合效率分解为纯技术效率和规模效率。模型基本形式为：

式中：i =1，2，…，n 为决策单元数；j = 1，2，…，m 为投入变量个数；k =1，2，…，s 为产出变量个数；a 与b分别表示投入与产出要素；λ为权系数；θ为决策单元有效值；s-和s+分别为投入指标与产出指标的松弛变量。

第二阶段为相似SFA 回归。由于传统DEA 模型在消除环境因素和随机噪声影响方面存在局限，故在这一阶段利用上一阶段获得的投入松弛变量与环境变量共同构建SFA模型。模型可表示为：

第三阶段为调整后的DEA 模型。将根据相似SFA回归结果得到新的投入变量代替原始投入变量代入传统DEA模型中，此时得到的创新效率已剔除了环境和随机因素的影响，效率结果更准确。

1.3 面板Tobit模型

探究高技术产业创新效率的影响因素可将技术研发和成果转化阶段的创新效率作为被解释变量，构建回归模型。由于创新效率值位于［0，1］区间内，采用最小二乘法存在有偏性和不一致性，因此本文采用面板Tobit模型进行回归分析，以避免参数估计的偏误。面板Tobit模型基本形式为：

式中：β为估计参数；Yi为被解释变量；Xi为解释变量；εi为残差。

2 指标选择与数据来源

2.1 创新效率测算指标选取

高技术产业创新活动具有多投入、多产出、多环节的特征，在构建我国高技术产业创新效率评价体系时要对其创新活动进行细分，从而更全面地反映出我国高技术产业创新活动中的短板。对于高技术产业来说，技术研发是基础，成果转化是关键。因此，将高技术产业创新活动划分为技术研发和成果转化两个阶段，根据各个阶段的基本特征选取投入变量和产出变量。

在技术研发阶段，选择R＆D 人员全时当量、R＆D经费内部支出、企业研发机构数、新产品开发经费支出作为投入变量，将专利申请量、新产品开发项目数作为产出变量。在成果转化阶段，投入变量主要由上一阶段的产出和技术改造经费支出这一补充投入共同构成，产出变量主要由新产品销售收入构成。除此之外，创新活动还受到外部环境的影响。在技术研发阶段，影响高技术产业创新效率的外部环境因素主要有政府支持力度、高等教育水平和当地经济发展水平。其中：政府支持力度主要指政府对企业创新方面的资金支持，选择R＆D 投入强度来衡量；高等教育水平和地区经济发展水平分别采用各地区高等教育机构数、人均GDP 度量。在成果转化阶段，创新活动受到市场环境的影响，故选取外商投资水平、政府支持力度和地区产业结构3 个指标。其中：外商投资水平选择各个地区实际利用的外商投资额占GDP的比重来衡量；地区产业结构则利用第三产业增加值占第二产业增加值的比重来表示。高技术产业创新效率评价体系如表1 所示。

表1 高技术产业创新活动两阶段的投入、产出与环境变量Table 1 Input- output and environmental variables of two stage of high- tech industry innovation activities

2.2 创新效率影响因素指标选取

创新效率受到多种因素共同影响，学者从不同角度对创新效率影响因素问题展开了研究。王孝松等［15］研究指出，高技术产业创新效率受到企业规模的影响，二者之间存在负向分段函数关系；范德成等［10］提出高技术产业创新效率关键影响因素为政府支持、产业结构、技术进步、产学研合作等；王伟等［16］认为金融环境、研发强度和劳动者素质都能够提升高技术产业创新效率；蒋殿春等［17］则重点从外商直接投资的角度展开了讨论。本文借助已有研究，根据高技术产业行业特性，从内外部两方面入手确定影响高技术产业创新效率的因素。其中：内部因素是指企业自身可决定或者控制的因素，本文选择企业规模（scale）、劳动者素质（labor）、科研强度（research）等指标；外部因素是指不受企业把控，主要受市场环境和经济制度影响的因素，本文选择政府投入水平（gov）、产学研合作水平（iur）、产权结构（structure）、地区外资引进（fdi）等指标。

本文将高技术产业的创新活动划分为技术研发和成果转化两个阶段。其中：技术研发阶段是高技术产业开展创新活动的第一个阶段，这一阶段需要将知识转化为研发成果，为下一阶段的价值转化奠定基础；成果转化阶段则是在技术研发阶段的基础上，将研发成果转化为商品并将其推向市场，从而获得经济收益。本文在充分考虑高技术产业不同创新阶段特性的基础上，着重考察了企业规模、科研强度、产学研合作水平、地区外资引进等因素对技术研发阶段创新效率的影响，并考察了企业规模、劳动者素质、政府投入水平、产权结构等因素对成果转化阶段创新效率的影响，具体指标说明如表2 所示。

表2 高技术产业创新效率影响因素指标体系Table 2 Index system of factors affecting innovation efficiency of high- tech industry

2.3 数据来源

本文以我国30 个省份（因为数据收集困难，所以研究区域未包含西藏自治区、香港特别行政区、澳门特别行政区和台湾地区）为研究对象，综合考虑数据的准确性与可得性，选择2009—2019 年的数据。各指标的原始数据来源于《中国统计年鉴》《中国高技术产业统计年鉴》和国家统计局网站、各个省份统计年鉴，少部分缺失数据根据实际情况采用均值法或外延法计算补全。

3 结果及分析

3.1 时序演变特征

本文在高技术产业各环节创新效率的测算时选取了三阶段DEA模型，在第一阶段和第三阶段采用Deap2.1 软件，第二阶段采用Frontier4.1 软件。第一阶段DEA结果显示，技术研发阶段的创新效率均值为0.7755，成果转化阶段的创新效率均值为0.4665。各阶段创新效率差异明显，部分地区创新效率与当地实际发展情况不符，主要原因在于传统DEA 模型存在环境和随机因素干扰。本文采用三阶段DEA模型对高技术产业各阶段创新效率进行修正，效率测算结果见表3。

表3 调整后的高技术产业各环节创新效率Table 3 Adjusted innovation efficiency of each link in high- tech industry

调整后的创新效率值显示，技术研发阶段的综合效率均值为0.6628，成果转化阶段的效率均值为0.3445，均低于调整前的效率均值。高技术产业创新效率总体上表现为技术研发阶段创新效率较高，成果转化阶段创新效率较低，说明当前我国高技术产业创新成果转化能力还不足。三大地区创新效率结果显示，位于东部和中部地区的省份创新效率明显高于西部地区，原因主要在于东部和中部地区具有区位优势，经济基础和创新环境优于西部地区，创新效率的测算结果与实际经济发展现状是基本契合的。

我国高技术产业技术研发和成果转化两个阶段的时序变化特征如图3 所示。从全国演变趋势看，2009—2019 年我国高技术产业技术研发阶段综合创新效率呈阶梯式上升的趋势（图3a），成果转化阶段综合创新效率在2014 年之前出现下降趋势，2014 年以后高技术产业成果转化阶段的综合创新效率逐步提高，呈现出“U”型的变化趋势（图3b）。从区域演变趋势看，2009—2019 年东、中、西三大地区的演变轨迹与全国的演变轨迹基本一致；东部地区的效率值保持最高，始终高于全国均值；中部地区效率值与全国均值趋于一致；西部地区效率值始终低于全国平均水平。但无论是技术研发阶段还是成果转换阶段，三大地区创新效率都存在着明显的差异，均表现为东部＞中部＞西部。可见，西部地区仍是我国高技术产业创新发展的短板。

图3 2009—2019 年我国高技术产业各阶段综合创新效率演变趋势Figure 3 Evolution trend of comprehensive innovation efficiency in various stages of high- tech industry in China from 2009 to 2019

3.2 空间演变格局

基于技术研发和成果转化两个阶段创新效率的测算结果，本文选取2009 年、2014 年和2019 年的截面数据，借助ArcGIS10.6 软件进行可视化分析，结果如图4 所示。整体上看，考察期内分属不同年份的高技术产业两阶段创新效率都呈东中西阶梯式递减的空间分布格局。从区域层面看，技术研发和成果转化阶段，创新高效率集中成片分布，主要分布在东部和中部地区，这些地区区位和政策优势明显，为高技术产业的创新发展提供了成长的土壤，促使其朝着高质量的方向发展。技术研发和成果转化阶段，创新低效率则主要分布在西部地区和中部地区部分省份，这些地区受到历史因素和自然条件的限制，主要依靠高耗能、高污染产业带动经济增长，高技术产业基础较差，科技力量不足。从省域层面看，北京、天津、江苏、浙江、上海、广东、山东、河南等省份两个阶段高技术产业创新效率保持在较高水平，这与区域经济发展情况有着密切联系。其中，北京市拥有丰富的技术与人才资源和较好的经济基础，在提升本地高技术产业实力的同时能够有力地带动周边省市发展；浙江省、江苏省的部分城市和上海市同属长江三角洲城市群，经济实力较强，高技术产业优势显著；广东省作为我国经济总量最大的省份，经济实力和科技化水平都处于全国领先水平，培育高技术产业创新的内外部优势明显。此外，由于四川省和重庆市近年来实现了较快发展，高技术产业逐渐向高技术研发、高成果转化的方向靠拢，成为中西部地区经济发展新的增长点。

图4 2009—2019 年我国高技术产业创新效率空间分布格局Figure 4 Spatial pattern of high- tech industry innovation efficiency in China from 2009 to 2019

本文在以上分析的基础上，结合效率矩阵图，以各阶段创新效率的均值作为划分标准，进一步分析创新效率的二维分布情况，结果如图5 所示。由图5 可见，仅有福建省位于A 区域（低研发效率、高转化效率），说明该省凭借着良好的区位优势，很好地推动了技术研发向创新成果转化，但技术研发的重视程度不足、研发力度不够，会制约其高技术产业创新效率的整体提升；位于B 区域（低研发效率、低转化效率）的省份在技术研发和成果转化阶段的效率都处于较低水平，且主要来自中西部欠发达地区和东北老工业基地，高技术产业属于粗放式发展模式，需对其政策和制度进行调整；C 区域（高研发效率、低转化效率）在创新活动的第一个环节效率较高，然而优良的技术条件没有转化为创新成果，需加强其在成果转化阶段消化吸收再创新的能力；位于D区域（高研发效率、高转化效率）的省份在技术研发和成果转化环节均表现出了良好的发展趋势，是我国开展创新活动的领先区域，这些省份主要位于东部沿海地区，具有良好的地理、交通、技术和市场条件，是我国经济发展的前沿阵地。

图5 我国30 个省份创新效率矩阵分布Figure 5 Distribution of innovation efficiency matrix of 30 provinces in China

4 影响因素分析

4.1 模型设定

本文主要采用面板Tobit模型，利用面板回归模型进行对照，借助Stata16.0 软件对高技术产业技术创新效率的影响因素进行了实证分析。为消除量纲的影响，对所有指标进行了对数化处理。模型的基本形式为：

式中：E1和E2分别为技术研发阶段和成果转化阶段创新效率值；C 为常数项；β为估计系数；εit为残差项。

4.2 回归结果

基于以上模型，本文对我国高新技术产业技术研发阶段和成果转化阶段创新效率的影响因素进行了回归分析。由于固定效应的面板Tobit 模型存在不一致问题，因此为保障数据结果的可靠性，本文首先采用聚类稳健标准误的混合效应Tobit 模型，而后采用随机效应的Tobit模型进行回归分析。LR 检验结果强烈拒绝原假设，表明存在个体效应，因此应采用随机效应的Tobit模型进行回归分析，回归结果如表4 和表5 所示。

表4 技术研发阶段影响因素回归结果Table 4 Regression results of influencing factors at the technology development stage

表5 成果转化阶段影响因素回归结果Table 5 Regression results of influencing factors at the stage of achievement transformation

表4 中的回归结果显示，在内部影响因素中，企业规模对高技术产业技术研发阶段创新效率具有正向影响，且影响较为显著。主要原因在于：高新技术产业自身的行业特性，即对高新技术的研发需要丰富的知识、人才和其他资源要素作为支撑，只有具备一定规模的企业才有能力引进高技能人才，支撑庞大的资源投入。在外部影响因素中，产学研合作水平的提高能够显著提升高技术产业技术研发阶段的创新效率，说明企业与高校、科研院所等开展合作能够加快构建创新网络，从而创造更多的创新成果；地区外资引进对高技术产业技术研发阶段创新效率起到了抑制作用，可能是由于近年来外商投资给国内企业带来了较大的竞争压力，抬高了技术创新门槛，使得部分小规模企业的创新活动难以持续，从而对创新效率的提升起到了负向影响。

从表5 可见，企业规模、劳动者素质等内部因素对高新技术产业成果转化阶段的创新效率具有正向的拉动作用。在成果转化阶段，需要将上一阶段的创新成果进行市场化改造、量产，劳动者是促使这一环节实现的人力保障，劳动者素质越高，越有利于研发成果的吸收与转化。因此，对于这一阶段而言，劳动者素质水平的高低尤为重要。政府投入水平这一外部因素对成果转化阶段的创新效率起到了抑制作用，继续加大政府投入反而不利于高技术产业创新效率的提升。因此，政府需要进一步调整相关政策，合理规划投入力度。

总的来看，无论是技术研发还是成果转化阶段，企业规模扩大都能够促进高技术产业创新效率的提升，即在合理的经费和人力投入前提下，企业规模的扩大能够形成规模经济效应，进而促进高技术产业开展技术创新活动，这与杨玉桢等［18］的研究相吻合。产学研合作水平和劳动者素质分别促进了技术研发和成果转化阶段创新效率的提升，而地区外资引进和政府投入水平则分别起到了抑制作用，科研强度和产权结构两个指标的作用效果不显著。

5 结论及建议

本文借助2009—2019 年的面板数据，分阶段测度了我国30 个省份高技术产业创新效率，依据测度结果对其时空演变特征进行了分析，并利用Tobit 模型对高技术产业技术研发和成果转化阶段创新效率影响因素进行了实证检验，主要结论如下：①整体上看，我国高技术产业创新效率较低，技术研发阶段效率要高于成果转化阶段效率。②从时序演变特征来看，2009—2019 年技术研发阶段和成果转化阶段的创新效率分别呈“阶梯式”和“U”型变化趋势，东部、中部、西部三大地区创新效率的演变轨迹基本一致，但区域差异明显。③从空间格局上看，高技术产业创新效率呈东部—中部—西部阶梯式递减的空间分布格局。其中，北京、广东、上海等东部省份高技术产业创新效率较高，属于高研发、高转化型；四川、重庆高技术产业发展速度较快，具有较大的发展潜力；其他省份高技术产业的技术研发效率和成果转化都有一定的提升空间。④从影响因素的角度来看，企业规模对两阶段创新效率均产生了显著的正向影响，产学研合作的加深有利于提高技术研发阶段创新效率，劳动者素质的提升有利于提高成果转化阶段的创新效率。

综合以上结论，本文提出以下建议：①继续将创新作为发展重心，破除重成果、轻应用的思想，以创新成果转化作为突破口，着重培养高技术产业成果转化能力，推动整体创新效率向更高水平递进。②发挥东部地区的协调带动作用，合理调配创新资源，缩小东部、中部、西部三大地区的创新差距。各省份要根据地区高技术产业发展现状的差异性，采取扬优补劣的发展模式，制定合适的发展战略，促使高技术产业创新效率向高研发、高转化的方向发展［19］。③不断拓宽产学研合作的深度和广度，建立高技术产业创新基地，促进各主体间研究成果的交流和共享。④积极培育龙头产业，借助科技和人才等资源，形成规模经济效应。⑤提升技术交易市场的成熟度，为高技术产业创新活动发展提供良好的环境保障。