高技术产业与科技服务业协同集聚对高技术产业创新效率的影响*

高 智

（深圳职业技术学院 马克思主义学院，广东 深圳 518055）

1 引言与文献综述

高技术产业是资本和技术密集型的产业，与传统产业相比有着更高的研发经费与研发人员投入，具有高投入、高创新、高风险、高附加值和高溢出的特征[1]，是一个国家或地区综合竞争力的重要体现。近年来，我国的高技术产业获得了较快的发展，日益成为促进经济发展和产业结构升级的重要驱动力。而高技术产业作为我国创新驱动发展战略的重要载体，其发展进程从政府引导、扩大规模向注重发展质量、提高创新效率转变，不仅有益于高技术产业自身竞争力的提升，也对我国经济的长期可持续发展有着十分重要的意义。

高技术产业与科技服务业协同集聚，是高技术产业创新效率的重要影响因素。Ellison和Glacser等最早提出了协同集聚的概念，并对其微观机制做了深入探讨，指出技术、知识密集型企业会倾向于向某一地区集中，以获得技术外溢，提高企业生产率水平[2-4]。科技服务业作为高技术产业与传统服务业融合的新兴产业，天然的与高技术产业间存在深刻的产业关联与协同关系。这两大产业系统之间相互渗透，相互作用，促进了各自产业的升级进步和两大产业链之间的新衔接，并且进一步加深了相互间渗透和协同发展[5]。在影响效应方面，朱月友等研究发现，高技术服务业对高技术产业主营业务收入和专利都具有比较明显的促进作用，高技术服务业有利于高技术产业竞争力水平的提高[6]。李晓龙等实证考察了科技服务业集聚与高技术产业创新效率的关系，认为科技服务业空间集聚显著提升了中国高技术企业创新效率[7]。孟卫军等基于中国 2009-2017年数据，实证研究发现科技服务业与高技术制造业协同集聚的创新效率促进效应显著[8]。

可见，已有文献对于高技术产业与科技服务业之协同集聚及其对高技术产业创新效率的影响做了许多研究，但大都停留在定性分析层面，而定量分析更多是关注一个产业对另一个产业的影响，考察两大产业的协同集聚与高技术产业创新效率关系的文献相对较少。基于此，本文采用 2008-2020年的省级面板数据，构建相应的产业协同集聚指数，运用SFA随机前沿方法测算高技术产业创新效率并分析两大产业协同集聚对高技术产业创新效率的影响，并提出针对性的政策建议，以更好的促进我国高技术产业长期可持续发展。

2 变量选取与模型设定

2.1 变量选取

2.1.1 投入变量与产出变量

测算创新效率需要设置相应阶段的投入产出变量。本文采用专利申请数作为技术研发阶段的产出变量，以新产品销售收入作为成果转化阶段的产出变量，分别记作Pat、Npr。在技术研发阶段采用R&D内部经费支出和R&D人员全时当量作为投入变量，分别记作Rdk、Rdl；在成果转化阶段，以新产品开发投入和专利申请量作为成果转化阶段的直接投入变量，分别记作Npi、Pat。

2.1.2 创新效率的影响因素

（1）高技术产业与科技服务业协同集聚指数。目前，常用的衡量产业协同集聚的指标主要有Ellison、Glacser等[2-4]构建的 E-G指数和产业协同集聚相对指数。E-G指数经Devereux等[9]的简化得到广泛运用，该指数可以较好的反映不同产业的协同集聚程度，但对数据的要求较高，且只能反映全国的整体性协同集聚水平。为此，陈国亮和陈建军[10]、杨仁发[11]等提出了产业协同集聚相对指数用以衡量单一区域的产业协同集聚水平，根据他们的思想，本文构建的高技术产业和科技服务业协同集聚指数具体计算公式如下：

其中，Cai代表i区域高技术产业和科技服务业的协同集聚指数，数值越高，代表协同集聚程度越高。Sij代表i区域高技术产业的集聚度，Sik代表i区域科技服务业的集聚度。

产业集聚度S采用区位商指标，计算公式如下：

其中，Sij为i区域j产业的区位商，eij为i区域j产业的就业人数，alli为i区域的总就业人数，etj为全国j产业的就业人数，allt为全国的总就业人数。

（2）控制变量。除高技术产业与科技服务业的协同集聚指数外，本文在综合考察已有研究的基础上，选择如下影响高技术产业创新效率的因素作为控制变量：①企业规模，采用高技术产业的主营业务收入与企业数的比值衡量，记作Scale。②政府支持力度，采用高技术产业 R&D经费内部支出中政府资金所占比重衡量，记作Gov。③产权性质，采用高技术产业就业人数中国有企业就业人数的比重衡量，记作Own。

2.2 模型设定

常用的测算效率的方法有数据包络分析方法（DEA）和随机前沿分析方法（SFA）。DEA 方法假设不存在随机误差的影响，将实际产出与生产前沿面的偏离全部归结为技术无效率，而SFA方法则是将偏离分解为随机误差项和技术无效率项，从而有利于提高模型的适用性[12]，因此本文采用随机前沿模型研究。目前学术界采用SFA方法测算效率，常用的生产函数主要有柯布—道格拉斯（C-D）生产函数，和超越对数生产函数两种形式。由于超越对数生产函数克服了C-D生产函数替代弹性固定为1缺点，在形式上更具灵活性，能够避免函数形式误设导致的估计偏差[13-14]，因此本文构建了考虑技术进步的超越对数生产函数实证模型。具体的随机前沿生产函数和技术无效率函数如下：

技术研发阶段生产函数：

成果转化阶段生产函数：

技术无效率项函数：

此外，R&D活动的投入和产出之间往往存在一定的时滞，本文借鉴朱有为等[15]的思想，选择 1年作为高技术产业创新活动投入和产出的滞后期。

2.3 数据来源与处理

本文选取中国30个省市（香港、澳门、台湾以及西藏统计数据缺失严重，故舍去）2008-2020年的高技术产业及相关数据作为研究基础（2008年数据为滞后变量，实际研究跨度为 2009年-2020年共12年）。数据来源为2009-2021年的《中国高技术产业统计年鉴》、《中国第三产业统计年鉴》、《中国科技统计年鉴》、《中国统计年鉴》及相应年份的各省市统计年鉴。缺失数据采用线性插值法补齐。

3 实证分析

3.1 模型的检验

使用Frontier4.1软件对中国高技术产业创新效率及其影响因素进行随机前沿分析。在分析之前需要对以下问题进行检验：①SFA方法是否适用；②超越对数生产函数是否适用；③是否存在前沿技术进步；④是否为中性技术进步。采用如下LR似然比统计量对模型进行检验：

式（6）中L(H0)和L(H1)分别是零假设H0（有约束模型）和备择假设H1（无约束模型）下的对数似然函数值，检验统计量（LR）服从自由度为约束变量个数的混合x2分布。检验结果见表1。

表1 随机前沿模型假设检验结果

根据表1结果得知，超越对数SFA方法适用本研究，但技术研发阶段的超越对数生产函数中不存在前沿技术进步的假设无法在5%的水平上被拒绝。因此，本文最终确定的技术研发阶段的随机前沿生产函数实证模型由式（3）退化为如下形式：

成果转化阶段的随机前沿生产函数实证模型不变，依然采用式（4）的形式。

3.2 模型估计和结果分析

最终估计结果如表2、表3、图1、图2所示。表2为高技术产业技术研发和成果转化阶段的待估参数值估计结果；表3为高技术产业技术研发和成果转化的效率值；图1图2分别为高技术产业技术研发和成果转化效率值的时间趋势图。

表2 随机前沿模型估计结果

表3 全国及各区域高技术产业2009-2020年技术研发及成果转化效率值

图1 技术研发效率时间趋势

图2 成果转化效率时间趋势

通过表2可知，两个模型的γ值都大于0.5，且在 1%水平上显著，这表明技术非效率因素是高技术产业创新产出未达到前沿面产出水平的重要原因，也进一步说明了随机前沿方法的适用性。下面将进行具体分析。

3.2.1 效率分析

结合表3和图1图2对我国高技术产业创新效率进行分析。从全国层面来看，我国高技术产业技术研发效率在2009年至2020年间呈现波动上升趋势，从2009年的0.776上升到2020年的0.823；成果转化效率在2009年至2017年间呈现波动上升趋势，从2009年的0.588上升到2017年峰值的0.748，随后在2018年至2019年间出现小幅回落，2020年又有所回升。总体看来，我国高技术产业虽依然存在技术研发效率高于成果转化效率的“高投入、低效益”的矛盾，但随着成果转化效率近年来的不断提高，这种矛盾已经出现了很大的缓和。

从区域层面来看，东部地区高技术产业技术研发效率2009-2020年间的最高点为2011年的0.842，之后至 2016年间出了下降趋势，随后保持平稳，至2020年有所回升；成果转化效率从2009年的0.705波动上升至2018年峰值的0.785，随后出现一定程度下降。

东部地区高技术产业无论技术研发效率还是成果转化效率皆表现出“高位运行”的特点，12年间平均值为三大区域最高，但与其他地区相比增幅相对较小，甚至出现一定下降趋势，似乎达到效率进一步改进的瓶颈。中部地区高技术产业技术研发效率从2009年的0.809波动上升至2013年的0.813，首次实现对东部地区的超越，随后至2018年出现明显下降趋势，但2019年后迅速回升，至2020年达到12年间最高点的0.847，连续两年超越东部地区，位居三大区域之首；成果转化效率12年间呈现显著的上升趋势，从2009年的0.567上升至峰值2019年的0.771，随后2020年出现一定下降，期间2015年和2020年与东部地区持平，2016年和2019年则超过东部地区。西部地区高技术产业技术研发效率2009年至2020年间呈现显著上升趋势，从2009年的0.688上升至2020年的0.811，与东部和中部地区差距已不明显，其中在2017年和2018年甚至超过中部地区；成果转化效率在从2009年的0.486波动上升至2017年的0.734，与中部地区基本持平，但之后两年出现较大幅度下降，2020年有所回升。总体而言，各区域的高技术产业从十二年间的平均值来看无论是技术研发效率还是成果转化效率依然呈现出东部大于中部大于西部的特征，但这种差距正在逐渐缩小。东部地区经济实力雄厚，集聚大量高技术产业和创新资源，因而高技术产业创新效率一开始遥遥领先，但随着资源日益集聚，拥挤效应也日益显现，自然会出现效率进一步提升的瓶颈。而中西部地区高技术产业发展相对较晚，但这也意味着有更大的提升空间，而随着近年来经济的不断发展和科技水平的进步，高技术产业的创新效率日益提升，与东部地区的差距逐渐缩小。

3.2.2 模型参数分析

（1）生产方程参数分析。由表2可知，高技术产业技术研发和成果转化阶段的生产方程中大部分变量的系数都较为显著。由于本文采用超越对数生产函数，生产方程中某个投入要素的产出弹性需通过对生产函数求关于该投入要素的偏导数而得出。经计算，技术研发阶段的资本投入变量lnRdk的产出弹性为0.636，人员投入变量lnRdl的产出弹性为0.299，资本投入的产出弹性大于人员投入产出弹性，这与高技术产业的特点以及我国的国情有关。第一，高技术产业的发展往往需要大量的资金和人员投入，但一方面技术产出需要一个过程，具有高风险的特征，另一方面我国是一个人力资源大国，因此相较于技术人员，用于技术研发的资金稀缺性相对更大，产出弹性也相对更高。第二，我国虽然是一个人力资源大国，但高端技术人才依然较为缺乏，高技术产业技术研发人员的整体素质与发达国家相比还存在一定差距，因此人员投入的产出弹性相对较低。在成果转化阶段，资本投入变量lnNpi的产出弹性为 0.391，专利投入变量 lnPat的产出弹性为0.590，专利投入的产出弹性大于资本投入的产出弹性，这符合高技术产业的特点。高技术产业与一般制造业相比科技含量更高，其市场价值的实现对技术的依赖性更大，而成果转化阶段的专利投入变量正是技术研发阶段的产出变量，这也表明创新能力与创新水平是高技术产业的核心竞争力所在。

（2）技术无效率项影响因素分析。由表2的效率方程可知，在技术研发阶段和成果转化阶段变量Ca的系数分别为-6.425和-1.470，且都通过了 5%的显著性检验，这表明高技术产业与科技服务业协同集聚对高技术产业技术研发效率和创新成果转化效率均有着显著的正向影响。科技服务业作为利用现代科学知识、技术与方法，以及经验、信息等要素向社会各行业提供智力服务的新兴产业[16]，不仅直接为高技术产业提供技术支持，还有利于技术信息向高技术产业流动，降低高技术产业技术信息搜寻成本，并通过专业服务利用市场资源不断促进高技术产业成果的转化。两大产业协同集聚下，区域创新体系、创新网络得以不断优化，并通过产业关联效应带动高技术产业发展；同时，分工的不断深化和知识、技术的溢出，为高技术产业带来更多的外部性收益，最终降低创新成本，提高创新效率。但是值得注意的是，成果转化阶段Ca系数的绝对值明显小于技术研发阶段的绝对值，这说明高技术产业与科技服务业协同集聚对高技术产业成果转化效率的提升作用明显小于其对技术研发效率的提升作用。这可能与我国科技服务业发展相对滞后有关。科技服务业作为一个新兴产业，在我国起步较晚，总体上仍处于发展初期。因此，成果转化阶段Ca系数绝对值大大小于技术研发阶段Ca系数绝对值反映出现阶段我国科技服务业的服务水平特别是促进企业技术创新成果向市场转化方面的服务水平还存在较大不足，通过产业关联效应带动相关产业发展的能力尚未充分发挥。

控制变量中，Scale的系数在创新活动两阶段的都为负且通过了 5%的显著性检验，表明企业规模对于创新效率有显著的正向影响，企业规模越大，往往越能够负担起更多的创新资源投入，有利于创新效率的提升。Gov的系数在创新活动两阶段都为正，反映了政府的 R&D支持对企业创新效率存在负向影响，虽然这种负向影响在技术研发阶段并不显著，但在成果转化阶段通过了10%的显著性检验，这似乎与事实不符，但分析数据可知，变量Gov度量的是企业 R&D投入中政府资金的比重，而自主创新能力较强的大型企业往往自主资金较多，自生能力较强，而创新能力较弱的中小企业往往自主资金不足，自生能力较差，企业内部 R&D投入更多靠政府扶持，因此Gov系数为正从某种程度反映了现阶段高技术产业对政府存在一定“依赖性”。Own的系数在创新活动两阶段都为正且分别通过了 1%和 5%的显著性检验，表明国有企业的创新效率相对较低，当然这也要客观分析。国有企业不仅承担了更多的社会责任，而且一些高质量的重大高精尖技术的研发和转化都是由国有企业完成的，这些技术从研发到进入市场往往需要一个漫长的过程，在短期内的大量投入可能并不会马上带来相应产出，因而表现出效率低的情况，但这并不能否认国有企业在创新领域的重要作用。

4 主要结论与政策建议

本文利用我国30个省市2008-2020年的省级面板数据，构建超越对数随机前沿模型分别测算了我国高技术产业技术研发阶段和成果转化阶段的创新效率，分析高技术产业与科技服务业协同集聚对高技术产业创新效率的影响。

研究发现：我国高技术产业创新效率总体呈现东部高于中部高于西部的特征，但这种差距在逐渐缩小，表现出东部地区“高位运行”，中西部地区不断追赶的趋势。从要素的产出弹性来看，技术创新阶段表现出明显的资本推动型增长，说明单纯的扩大技术人员的投入并非明智之举，而是要重视技术人员的质量；成果转化阶段专利投入的产出弹性高于资本投入，说明创新活动的核心是技术水平，企业的长期发展和实现市场价值关键在于技术创新能力。从高技术产业创新效率的影响因素来看，高技术产业与科技服务业间的协同集聚对高技术产业的技术研发效率和成果转化效率皆存在显著正向影响，但对技术研发效率的正向影响远大于成果转化阶段，说明现阶段我国的科技服务业与高技术产业间的产业关联与互动协同更多的发生在技术研发阶段，在成果转化阶段影响尚存不足。控制变量方面，企业规模对两阶段创新效率都有显著的正向影响，政府支持力度和国有产权则表现出负向影响。

根据以上结论，为更好的促进我国高技术产业创新效率的提升，推动我国高技术产业长期健康发展，本文提出以下政策建议：首先，对于高技术产业和科技服务业的发展应予以差别化和精细化引导。近年来东部地区依靠丰富的创新资源和经济实力集聚了大量的高技术产业，而通过创新效率的分析，现阶段东部地区高技术产业创新效率虽依然在高位运行，但表现出一定的下降趋势，这反映出以往依靠扩大规模、集聚资源的方式在促进创新效率方面已经达到瓶颈，继续推动东部地区高技术产业健康发展应格外重视高技术产业与科技服务业的协同质量，积极推动科技服务业发展，形成科技服务业与高技术产业协同发展的良性创新生态；对于中西部地区，政府应根据本地经济发展实际情况，在大力发展高技术产业的同时，做好促进科技服务业发展的长期规划，逐步形成不同层次、不同规模的科技服务业产业群。其次，应不断完善政府对高技术产业扶持政策的长效机制。政府对高技术产业进行 R&D资助时不应仅单纯投入资金，而是要做好长期跟踪与成果评估，实现企业获取政府R&D资助的优胜劣汰，使政府的R&D资助起到带动企业资本投入的作用，最终激活企业的技术创新“自生能力”，真正推动高技术产业的健康可持续发展。