组态视角下高技术产业创新效率提升路径研究——基于模糊集定性比较分析

陈 磊，常 雨

（福州大学 经济与管理学院，福建 福州 350108）

科学技术是第一生产力，创新是引领发展的第一动力，近期，我国在“十四五规划”中提出了“坚持创新驱动发展，全面塑造发展新优势”和“加快发展现代产业体系，推动经济体系优化升级”的战略规划，其中高技术产业作为创新的重要载体，对于提升国家创新能力、改善产业结构、建设现代化经济体系以及提升国际竞争力具有不可替代的作用。此外，随着我国经济的不断发展，对于创新的投入逐渐增加，创新能力有所提升，但区域创新发展的不平衡问题也逐渐显现，我国区域创新能力在提升的同时，呈现发展不均衡的态势。高技术产业作为引领产业结构升级的新兴产业，可能是拉大区域创新差距的重要因素，所以，对高技术产业创新效率进行研究，提高资源配置效率，减少创新差距，具有重要意义。高技术产业创新效率不仅能够体现一个国家和地区的投入产出回报率，还能够反映其经济发展水平，在新的时代背景下，推动产业结构的转型和升级，需要提高高技术产业创新效率，改善区域发展不平衡的问题，而这就需要进一步对高技术产业创新效率的影响因素进行深入研究。

一、文献综述

目前，对于高技术产业创新效率的影响因素研究已经取得了相当大的进展，且有大量学者为提高高技术产业技术创新效率，对其影响因素进行了深入探讨。

从研究的方法来看，大多数学者从定量角度出发对高技术产业创新效率进行分析。其中，高晓光等[1]从空间计量经济学角度出发，采取地理加权回归模型（GWR）研究了企业规模、市场结构、政府投入及研发支出结构对高技术产业创新效率的影响；孙研等[2]在剥离环境等因素的影响基础上，采用三阶段DEA模型对高技术产业创新效率及其影响因素进行了分析。陈子韬等[3]利用静态面板和动态面板方法，研究了政府支持对高技术产业创新效率的影响。李锋等[4]通过运用DEA模型和Malmquist指数模型对高技术产业的同化、生长和利用三个阶段的效率进行了分析。

从研究的影响因素来看，没有固定的指标选取标准，大多数学者是从创新基础、创新环境、创新国际贸易以及创新合作等方面进行展开的研究。其中，朱晋伟等[5]研究了研发人员比例、企业规模、引进技术费用、出口比率、R&D经费比率和新增固定资产比率等六项指标对高技术产业中五个行业创新绩效所产生的影响。Liu等[6]分别对区域创新环境中的区域发展条件、区域消费潜能和创新主体间交流影响因素进行了研究，通过DEA-Tobit回归方法分析得出，三者均可促进高技术产业创新效率；Cao等[7]435分别从市场竞争、企业规模、出口强度、政府干预角度出发，运用随机前沿分析模型对高技术产业两个阶段创新效率影响因素进行了分析；李维安等[8]通过随机前沿分析方法研究了高技术产业研发效率，并分析了政府和企业角色互动的协同治理模式对高技术产业技术升级的影响；王孝松等[9]从企业规模角度出发，采取随即前沿分析方法探究了高技术产业创新效率影响因素。

由此可知，上述研究多采取传统的回归方法，且多聚焦于单个环境变量对高技术产业创新效率影响的净效应，忽视了要素间的相互作用。Ragin[10]123认为，社会现象的本质并非简单的线性关系，这意味着，高技术产业创新效率是创新基础、创新环境、创新合作等不同层面、多个维度因素联合作用的结果，而传统的研究大多数采取保持其他影响因素不变来探究单个因素对创新效率影响的形式，很少从组合角度出发分析其影响因素间的内在机理，具有不足之处。基于此，本文首先采取关联两阶段数据包络分析方法对中国高技术产业总体创新效率以及研发和转化两个阶段创新效率进行测算；然后从组态视角出发，采取模糊集定性比较分析方法（fsQCA），探究高技术产业创新效率与其影响因素间的多重并发因果关系，揭示创新效率提升的内在机理，深度剖析创新效率的提升途径，为提高各省份区域创新提供借鉴；同时，通过将模糊集定性比较分析方法与Tobit回归方法进行对比分析，明确了模糊集定性比较分析方法对高技术产业创新效率影响因素研究的意义。

二、研究方法

（一）关联两阶段网络DEA模型

对于创新效率类方法的研究主要集中于参数法和非参数法，参数法中以随机前沿分析（Stochastic Frontier Approach，SFA）为代表，非参数法中以数据包络分析（Data Envelopment Analysis，DEA）为代表[11]。但SFA模型对函数形式的选取和参数的假设等要求过于严苛，而DEA模型不需要预先设置权重且不用考虑指标量纲等问题，因此本文选取DEA方法来研究高技术产业创新效率。charnes和cooper等[12]提出的传统DEA方法没有考虑到评价单元的内部结构，不适用于创新类效率的研究。本文考虑到高技术产业创新的内部过程，将其分为研发和转化两个串联阶段，因此选择黄祎等[13]提出的规模报酬可变的投入导向的关联两阶段DEA模型对高技术产业创新效率进行分析，而该模型打破传统“黑箱”的限制，考虑了评价单元内部子过程之间的相关关系，弥补了传统DEA方法评价效率的不足。

（二）模糊集定性比较分析方法

定性比较分析方法是由美国社会学家Ragin[10]2于1987年提出的一种介于定性方法和定量方法之间的研究方法，能够突破传统定量方法分析影响因素“净效应”的对称性局限性思维，同时弥补了传统定性方法中不够客观以及缺乏普遍适用性的不足，兼具了定性分析和定量分析的优势。其基本思想是：通过集合论和布尔代数运算作为方法论的基础，探析多个前因变量的组合如何对结果变量产生影响，从而揭示现象背后的复杂因果关系[14]401。QCA方法关注于复杂多样的因果关系，并认为因果关系无法脱离特定情境而存在[15]。定性比较分析包括清晰集定性比较分析、模糊集定性比较分析以及多值集定性比较分析三个基本类别，相较于清晰集定性比较分析和多值集定性比较分析只适合处理类别问题的特点而言，模糊集定性比较分析还能够进一步处理有关程度变化或者部分隶属的问题[16]161，具有相对的优势。考虑到高技术创新效率影响因素较多，且各因素之间关系错综复杂，为探究提高高技术产业创新效率的变量组合以及核心条件，本文选取模糊集定性比较分析方法，从组态视角出发，对高技术产业创新效率的提升路径进行分析研究。

模糊集定性比较分析方法的应用步骤如下：第一，案例以及相应变量的选择。根据要研究的问题，结合相关理论知识，选择合适的条件变量和结果变量，对案件进行选择和分析。第二，变量的校准与转换。模糊集定性比较分析是基于集合关系而非变量关系的研究方法，因此，需要将样本从变量维度转化为集合维度，选择相应锚点对其进行校准。第三，单因素必要性分析。该步骤是fsQCA分析的一个必要步骤，用于检验单个条件变量是否为结果变量的必要性条件。第四，真值表的构建。通过fsQCA软件来构建真值表，得到结果变量的不同组合路径。第五，条件组态分析。根据fsQCA分析得到的结果探究条件变量的不同组合路径以及提升路径的核心条件。

三、变量选取和数据来源

（一）投入产出变量指标选取

目前，关于高技术产业创新效率评价指标的选取，学术界还没有形成相应的衡量标准，本文根据高技术产业创新的具体过程、指标的选取原则以及相关学者的研究[17]，来构建其串联两阶段评价指标。

1.研发阶段指标选取

研发阶段的投入变量主要包括人力投入和资金投入两个方面，分别用R&D人员全时当量、R&D研发经费内部支出和新产品开发经费投入进行衡量。然后，将其研发阶段的产出变量设置为专利数和创新产品数，分别用专利发明申请数和新产品开发项目数进行表示。

2.转化阶段指标选取

对于两阶段关联DEA模型，其研发阶段的产出即为转化阶段的投入。此外，将转化阶段的产出变量表示为创新产品收入，用高技术产业新产品销售收入和高技术产品出口额进行衡量，这些指标可以直接体现最终的经济收入。

具体指标构建如表1所示。

表1 高技术产业创新效率评价指标体系

（二）结果变量和条件变量选取

1.结果变量指标选取

本文考虑到高技术产业创新的内部过程，将其创新过程分为研发和转化两个阶段，为更好地探究高技术产业创新效率的提升路径，选取高技术产业总体创新效率和研发以及转化两个阶段创新效率为三个结果变量，分别对其进行研究。其创新效率值由关联两阶段DEA模型计算得到。

2.条件变量指标选取

高技术产业创新效率的影响因素众多，本文参考Cao等[7]429相关学者研究的基础上，选取以下四个维度的八个变量作为条件变量。

具体变量构建如表2所示：

表2 高技术产业创新效率变量描述

第一，创新基础。高技术产业作为创新的重要载体，只有具备较高的创新效率，才能够更有效地促进我国区域创新能力的提升。而高技术产业的创新活动需要持续不断的人力投入和资金投入，其投入的多少将直接影响着高技术产业创新效率的提升，作为高技术产业创新的基本支撑，本文选取R&D人员全时当量和R&D研发经费内部支出对其进行衡量。

第二，创新环境。高技术产业创新效率除了受其本身因素影响外，还受到外部创新环境因素的影响，而外部环境错综复杂，很难对其进行主观控制。本文从政府支持力度、劳动者素质和研发投入力度三个角度来探究外部创新环境因素对高技术产业创新效率的影响，分别用R&D内部经费支出中政府资金的比重、R&D人员中本科以上学历人口所占比例和企业数中研发机构数占比来表示。

第三，创新国际贸易。随着经济全球化进程的加快，各国经济贸易往来频繁，创新作为提升国际竞争力的重要条件，备受关注。本文从外商直接投资和进口强度两个因素来探究创新国际贸易对高技术产业创新效率的影响，分别用外商投资企业年底注册资金中外资部分占比和进出口贸易总额中进口贸易额占比来衡量。

第四，创新合作。创新的合作关系也是影响创新效率的因素之一。高等学校以及研究与开发机构作为创新的部分载体，在一定程度上影响着高技术产业创新效率的提升，由于研究与开发机构缺乏相应数据，因此，选取高等学校科研经费中企业经费比重来表示其与高等学校的创新合作。

通过相关理论的分析以及变量的选取，本文构建以下理论模型，来更好的理解所选取的条件变量和结果变量之间的多重因果并发关系。具体如图1所示：

图1 理论模型

（三）数据来源

数据来源于2019年份的《中国高技术产业统计年鉴》《中国统计年鉴》和《中国科技统计年鉴》。此外，由于西藏、香港、澳门还有台湾缺乏相关数据，本文选取其他三十个省市进行分析研究，并依据国家发改委根据政策上的划分，将其分为东部地区、中部地区和西部地区。

四、实证研究

（一）高技术产业创新效率测度

本文使用Matlab软件，采取两阶段关联DEA模型，对各区域高技术产业创新效率的总体阶段以及研发和转化两个阶段的创新效率进行计算，结果如表3所示：

表3 高技术产业创新效率测算结果

根据表3可知，我国高技术产业总体阶段创新效率水平不高，有很大的提升空间，研发阶段创新效率水平高于转化阶段，这意味着，全国高技术产业创新效率水平较低是由于转化阶段效率水平不高导致的，有必要对高技术产业创新效率影响因素进行深入探讨，提高其创新效率。从三个具体地区来看，东部地区、中部地区和西部地区的总体阶段创新效率差距较大，存在着发展不平衡的问题，其中西部地区总体阶段创新效率最高，东部次之，中部最低；三个地区的研发阶段创新效率差距相对较小，而转化阶段差距较大，其中西部地区明显高于东部地区和中部地区；此外，三个地区的研发阶段创新效率均高于转化阶段创新效率，表明提升转化阶段创新效率是提高高技术产业总体效率的关键。

（二）高技术产业创新效率提升路径的模糊集定性比较分析

1.变量校准与转换

校准就是把变量转化为集合，给案例赋予集合隶属分数的过程[18]。本文根据Fiss[14]405的研究，采取四分位法对变量进行校准，将要分析的三个结果变量和八个条件变量的三个锚点（完全隶属度点、交叉点和完全不隶属点）设置为样本的上四分位数、上下四分位数均值、下四分位数，然后根据设置的三个锚点，运用fsQCA3.0软件将样本数据转化为0～1之间的模糊集隶属分数。

2.单因素必要性分析

变量校准后，需要对单一条件变量是否构成提高高技术产业创新效率的充分条件进行分析，即单因素必要性分析，其主要包括一致性（Consistency）和覆盖度（Coverage）两个检验指标。一致性表示单一条件变量与结果变量的一致性程度，也即结果在多大程度上依靠该条件变量的存在，当一致性没有超过0.9时，则认为该单一条件变量不是构成结果的必要条件[19]；覆盖度反映了单一条件变量对结果的解释力度。具体分析结果如表4所示：

表4 单因素必要性分析结果

从表4可知，每个条件变量对于三个结果变量均有着相对较好的解释力度，但各个条件变量的一致性检验值均未达到0.9，没有显著性影响，表明任一单一因素都不是提高高技术产业创新效率的必要条件，因素之间相互影响，共同作用于高技术产业创新效率。因此，有必要从组态角度出发，分析提升高技术产业创新效率的组合路径。

3.条件组态分析

（1）组合提升路径

运用fsQCA3.0软件进行布尔最小化运算，并参考杜运周[16]161的研究，将一致性阈值设定为0.8，PRI阈值设定为0.75，案例阈值设定为1，分析得到三类解，分别为复杂解、中间解和简约解。复杂解过于复杂，一般不给予考虑，简约解过于简单化，启示性相对较差，而中间解介于两者之间，能够更好地对结果进行解释分析，有着较好的普适性，优于其他两种解；因此，本文选取中间解对高技术产业创新效率的提升路径进行组态分析。通过对中间解和简约解进行分析，可以得到对结果产生重要影响的核心条件以及对结果起辅助作用的边缘条件。如果一个前因条件同时出现在简约解和中间解里，就是核心条件，如果只出现在中间解里，就是边缘条件[16]161。参考Fiss[14]407的研究，用“●”表示核心条件存在，“·”表示核心条件缺失，“●”表示边缘条件存在，“”表示边缘条件缺失，“空白”表示条件变量可存在、可不存在。具体分析结果如表5所示。

表5 高技术产业创新效率组态分析结果

结合表5计算得到的结果，分别对三个结果变量的提升路径进行分析。同时根据条件组态，进一步识别出各个条件变量对于提高高技术产业创新效率的差异化匹配关系。具体分析如下所示：

高技术产业总体阶段创新效率提升路径分析。高技术产业总体创新效率的驱动路径有三条，分别为Ea、Eb和Ec。解的一致性为0.932，表明满足这三类条件组态的案例中，有93.2%的总体创新效率呈现较高水平；解的覆盖率为0.246，意味着，这三类条件组态可以解释24.6%的高水平总体创新效率；三条路径的一致性分别为0.881、0.899和0.912，说明这三类组合是高技术产业总体创新效率提升的充分条件。路径Ea、Eb和Ec存在着相同的核心条件，且人力投入和资金投入均表现为边缘缺失，有差异化的条件变量为政府支持力度、研发投入力度和进口强度；这表明，当劳动者素质显著提高、外商直接投资与高等学校合作严重缺失时，且在人力投入和资金投入减少为辅助的基础上，可以通过调整政府支持力度、产业创新氛围和进口强度三个条件变量从不同组合路径来提高高技术产业总体阶段创新效率。当劳动者素质作为核心条件存在时，外商直接投资与高等学校合作表现为核心缺失，反而能够促进总体阶段创新效率，可能的原因在于，劳动者素质的提高，一定程度上增加了创新的核心科技人员数量，正好弥补了长期以来的国外核心技术垄断以及自身创新风险性的不足，进而提升了高技术产业总体创新效率。人力投入和资金投入作为辅助条件均表现为缺失，可能和资源配置效率有关，高速发展时期对高技术产业进行的大量人力和财力投入，造成了现在的投入冗余，所以两者的缺失反而促进了高技术产业总体创新效率。

高技术产业研发阶段创新效率提升路径分析。高技术产业总体创新效率的驱动路径有四条，分别为E1a、E1b、E1c和E1d。条件组态E1a表明，当政府支持力度和劳动者素质缺失时，可以通过增加人力投入、研发投入力度和外商直接投资，并加强与高等学校合作来提高高技术产业研发阶段的创新效率；根据路径核心条件将其命名为“高研发投入—高创新合作驱动型”；满足此路径的区域可以在研发投入力度增加、行业有着更好的创新氛围时，通过加强与高等学校的合作，提高资源利用率，进一步促进高技术产业研发创新效率的提升。同样的，将路径E1b命名为“高政府支持—低外商投资—低创新合作驱动型”；在该路径中，当外商投资力度和高等学校合作两个条件变量缺失时，可以通过增强政府支持力度来更好地提高高技术产业研发阶段创新效率；这说明，符合该路径的区域在来自其他方面的创新支撑缺乏时，就需要发挥政府的效用，加强对创新研发的资助力度，提供相应科研活动所需资金和设施、出台相关优惠政策，提高资源配置效率，进而提高研发阶段的创新效率。根据路径E1c核心条件，将其命名为“高研发投入—低外商投资—高进口强度驱动型”；满足该路径的区域可以在外商投资力度条件变量缺失时，通过加强研发投入力度和进口强度两个条件变量来更好地提高高技术产业研发阶段创新效率；即当外商直接投资匮乏时，一方面需要从自身出发，加强自主创新研发，增加研发投入力度，另一方面需要从经济贸易交流出发，增加国外购买力度，加大进口强度，进而促进研发阶段创新效率的提升。由于组态E1d的核心条件涉及创新环境、创新国际贸易和创新合作多个条件变量，因此将该条路径命名为“全面驱动型”。在该路径中，当外商直接投资和高等学校合作两个条件变量缺失时，可以通过加强政府支持力度、研发投入力度和进口强度三个条件变量来更好地提高高技术产业研发阶段创新效率。这表明，符合该路径的区域在缺乏外商直接投资时，其高技术产业需要转变获取创新支持的路径，从政府角度出发，获取更多政府投资资助，在此情况下，还需加强研发投入力度和进口强度，从自主创新和创新贸易内外两个方面来弥补与高等学校创新合作的缺失，从而提高研发创新效率。

高技术产业转化阶段创新效率提升路径分析。高技术产业转化阶段创新效率的驱动路径有三条，分别为E2a、E2b和E2c。其中路径E2a与E2b分别与路径Ea和Eb相同，路径E2c与Ec只在进口强度这个辅助条件上表现不同；此外，三条路径中的核心条件与总体阶段完全相同；故其提升路径分析可参考上述的总体阶段创新效率提升路径分析。总的来说，当缺乏外商直接投资和高等学校合作时，各区域可通过提高劳动者素质来更好地促进高技术产业转化阶段创新效率的提升。

三种结果变量提升路径的对比分析。通过上述显示的三个结果变量提升路径可知，组态Ea和Eb分别和组态E2a和E2b相同，说明，通过这两条路径可以同时促进高技术产业总体阶段和转化阶段的创新效率；对比组态Ec和E2c可知，当出现组态Ec时，区域可以在此基础上加强进口强度来提高转化创新效率；总体表明转化阶段创新效率提升路径与总体阶段效率提升路径差别不大。对比组态E1d和E2c可知，两条路径的缺失条件变量表现完全相同，存在的核心条件变量表现不同，故我们可以通过对表现差异化的条件变量给予不同程度的重视，灵活的来提高高技术产业研发和转化两个阶段创新效率；同时也可以发现，差异化的四个变量存在潜在的替代关系，可能原因在于，劳动者素质的提高能够增加核心技术人员数量，一方面通过降低创新的风险性、增加产品等的实用性，减少了资金的投入，另一方面通过自主创新，进行科技研发，降低了国外产品等的购买力度。

（2）条件间的潜在替代关系

通过对条件组态进行分析，我们可以进一步识别出四个维度的八个条件变量之间的潜在替代关系。分别对三个结果变量提升路径条件间的潜在替代关系进行分析。在总体创新效率提升路径中，对比组态Ea和Eb可知，政府支持力度和研发投入力度两个条件变量可以相互替代；对比组态Ea、Eb和Ec可知，政府支持力度、研发投入力度和进口强度三个条件因素有着潜在的替换关系。在劳动者素质显著提高、外商直接投资与高等学校合作严重缺失时，且在人力投入和资金投入减少为辅助的情况下，政府支持力度、研发投入力度和进口强度三个辅助条件变量分别从政府、产业自身和外贸三个不同角度对高技术产业创新提供支撑，所以，在一定程度上有着相互替代的作用。在研发创新效率提升路径中，对比组态E1a和E1c可知，资金投入、外商直接投资、进口强度和高等学校合作四个条件变量存在着潜在的替代关系，因此，在这两条提升路径中可以通过对这四个条件变量进行灵活调整来促进高技术产业研发阶段创新效率。对比组态E1b和E1d可知研发投入力度和进口强度两个条件变量可以相互替代，即在这两条路径中，其他条件变量保持相同的情况下，这两个条件变量的作为核心条件同时存在或者作为辅助条件同时缺失都可以提高高技术产业总体阶段的创新效率。高技术产业转化阶段创新效率提升路径与总体阶段相差不大，具体可参考对总体阶段创新效率提升路径条件间的潜在替代关系分析。

（三）高技术产业创新效率影响因素研究方法的对比分析

大多数学者考虑到技术创新效率为受限因变量，通常选取Tobit回归模型对DEA方法计算得到的创新效率进行分析，本文为了进一步说明模糊集定性比较分析方法与传统回归分析方法对高技术产业创新效率影响因素研究的不同，将这两种方法进行对比分析。通过stata软件采取Tobit回归模型对高技术产业创新效率影响因素进行测算，结果如表6所示。

表6 高技术产业创新效率影响因素分析结果

通过表6的回归结果可以看出，高技术产业总体创新效率的影响因素中，进口强度（Z7）和高等学校合作（Z8）分别在5%和1%的水平下通过显著性检验，说明，这两个环境变量对高技术产业总体阶段创新效率影响较大，其他环境变量均未通过显著性检验，说明，剩余的六项影响因素指标对高技术产业总体阶段创新效率无显著影响。高技术产业研发阶段创新效率和转化阶段创新效率的影响因素分析类似，在此不做阐述。

以高技术产业总体阶段创新效率的影响因素为例，将模糊集定性比较分析方法与Tobit回归方法进行对比分析。表5与表6的结果对比发现，人力投入（Z1）和资金投入（Z2）在组态分析中表现为缺失的边缘条件，在Tobit回归分析中没有通过显著性假设检验，说明，两种方法在人力投入和资金投入方面的分析结果存在相似性，Tobit回归方法对高技术产业创新效率的研究有一定的合理性。但同时也存在着较大的差异，在组态分析中，劳动者素质与外商直接投资和高等学校合作作为核心条件共同作用于高技术产业总体阶段创新效率，而在回归分析中，劳动者素质对总体阶段创新无显著影响，这说明，Tobit回归研究方法中，劳动者素质对高技术产业总体阶段创新效率的影响容易被忽略。此外，当劳动者素质发生变化时，很难保证其他条件变量不变，考虑实际情况，单独分析劳动者素质对高技术产业总体阶段创新效率的可行性较低。所以，从组态角度出发，采取模糊集定性比较分析方法对高技术产业创新效率影响因素进行研究更具有实际意义。

五、结论和展望

（一）结论与讨论

创新驱动发展，促进经济结构的转型和优化，提升了国家综合经济实力，高技术产业作为创新的重要载体，对其创新效率提升路径进行研究具有重要意义。通过关联两阶段数据包络分析方法，本文可以客观的探究高技术产业创新发展现状；在此基础上，采取模糊集定性比较分析方法，从组态视角出发分析高技术产业创新效率提升路径，以提高区域创新发展；并得到以下研究结论：

第一，根据两阶段串联DEA模型计算结果来看，我国高技术产业总体阶段创新效率水平不高，有很大的提升空间，研发阶段创新效率水平高于转化阶段，说明全国高技术产业创新效率水平较低是由于转化阶段效率水平不高导致的，提升转化阶段创新效率是提高高技术产业总体创新效率的关键。此外，东部地区、中部地区和西部地区的总体阶段创新效率差距较大，存在着发展不平衡的问题。

第二，根据单因素必要性分析结果可知，四个维度的八个条件变量中，任一单一因素都不是提高技术产业创新效率的必要条件，即各个条件变量均无法单独决定高技术产业的创新效率，因素之间相互影响、协同联动共同作用于高技术产业创新效率。

第三，通过模糊集定性比较分析结果可知，我国高技术产业总体阶段以及研发和转化两个阶段创新效率提升路径分别有三条、四条和三条。转化阶段与总体阶段创新效率提升路径差别不大，其中，劳动者素质、外商直接投资和高等学校合作三个变量作为两者提升路径的核心条件，对其创新效率的提升更为重要，应给予优先关注；人力投入和资金投入均表示为缺失的情况下更能够促进高技术产业总体阶段以及转化阶段创新效率的提升，表明投入的冗余降低了创新效率；高技术产业研发阶段创新效率的提升路径在条件变量上表现差异较大，可根据实际情况，对八个条件变量进行调整来提高其创新效率。

第四，通过对条件组态的分析，可以发现条件间的潜在替代关系。其中，在高技术产业总体阶段以及转化阶段创新效率的组合路径中，有两组变量存在潜在替代关系，分别为：政府支持力度和研发投入力度两个条件变量和政府支持力度、研发投入力度和进口强度三个条件变量；在提升高技术产业研发阶段创新效率的组合路径中，同样有两组变量存在潜在替代关系，分别为：资金投入、外商直接投资、进口强度和高等学校合作四个条件变量和研发投入力度和进口强度两个条件变量。

第五，通过将模糊集定性比较分析方法与Tobit回归分析方法对高技术产业创新效率影响因素研究的对比可知，两种研究方法在分析结果上存在明显的差别，从组态角度入手，采取模糊集定性比较分析方法对高技术产业创新效率影响因素进行研究更具有实际意义。

（二）对策和建议

基于上述研究结论，结合高技术产业创新效率的具体情况，本文提出以下提高高技术产业创新效率的对策和建议。

第一，我国高技术产业总体阶段创新效率水平不高，有着很大的提升空间，而高技术产业作为创新的重要载体，对于提高区域创新至关重要，所以，我国在“坚持创新驱动发展，全面塑造发展新优势”和“加快发展现代产业体系，推动经济体系优化升级”的新规划中，应该对高技术产业创新效率的提升给予足够的重视。再者，提升转化阶段创新效率是提高高技术产业总体创新效率的关键，我国在创新研发的同时，一方面应该重视研发的创新性和实用性，不能单纯地为了创新而进行创新研发；另一方面应注重核心技术的开发，扩大内需和外需，在满足消费者需求的基础上增加创新经济收入，提高转化阶段创新效率，从而提高高技术产业总体创新效率。此外，各区域应该统筹优化创新资源，增加区域间创新合作与交流，促进区域平衡发展。

第二，创新基础、创新环境、创新国际贸易和创新合作四个维度的八个条件变量协同联动，共同作用于高技术产业创新效率，揭示了高技术产业创新效率的提升是一个复杂的过程。因此，各区域应该在基于自身条件优势的基础上，从整体出发，基于组态视角，注重多种条件变量之间的联合效应，因地制宜，来制定高技术产业创新效率的差异化提升路径。

第三，根据高技术产业创新效率的提升路径分析可知：各区域应该弱化外商直接投资，提高自主创新能力，减少与高等学校的合作，注重研发的经济转化效率，同时提高劳动者素质，培养核心科技人才，进而促进高技术产业总体阶段和转化阶段创新效率的提升；另外，还需要减少人力投入和资金投入，避免资源冗余而导致的资源浪费，转变单纯地追求产出增加而进行高投入的经济发展模式，合理分配资源以更好地提高高技术产业总体阶段和转化阶段创新效率。再者，各个区域可根据四个维度的八个条件变量表现的具体情况，选择不同的提升路径对其进行调整来提高高技术产业研发阶段创新效率。

第四，条件间的潜在替代关系意味着，以创新基础、创新环境、创新国际贸易和创新合作四个维度八个条件变量的不同条件为核心的多元组态能够通过“殊途同归”的方式来提高高技术产业创新效率。因各地区发展基础、资源配置等因素的不同，条件变量对创新效率提升的作用机理并不是既定模式。在其创新的总体阶段和转化阶段，各区域可以通过对政府支持力度、研发投入力度和进口强度三个条件变量进行灵活调整，来提高其创新效率；在研发阶段，可以通过调整资金投入、外商直接投资、进口强度和高等学校合作四个条件变量或者研发投入力度和进口强度两个条件变量来促进高技术产业创新效率的提升。

第五，通过方法的对比，结合创新的实际情况，各区域应该考虑影响高技术产业创新效率因素间的联合效应，从组态角度来提升高技术产业的创新效率。