我国高技术产业高质量发展效率评价及影响因素分析

欧光军，刘新年

（武汉科技大学 管理学院，湖北 武汉 430065）

一、引言

党的十九大报告指出，我国经济已经进入高质量发展阶段，推动经济高质量发展是当前和今后一段时期关注的主题。高技术产业作为技术密集、附加值高、资源消耗少的产业，在带动结构优化和转变经济增长方式中起着重要作用，并取得了迅猛发展。据统计数据得，2020 年高技术产业利润总额为12 394 亿，比上一年增长17.9%；增加值占GDP 比重20.3%。然而，受经济基础、政策重视程度等因素影响，国内高技术产业仍存在进口依赖严重、创新资源投入低、发展不平衡等诸多问题[1]。因此，加大对高技术产业高质量发展研究对我国产业结构优化和经济高质量发展具有重要意义。

通过文献梳理发现，国内已有的高技术产业高质量发展研究主要集中在自构评价体系[2-4]，实现路径[5]，以及影响因素[6-8]，而从效率角度评价区域高技术产业高质量发展水平的文献还比较少。效率一般指在特定时间内组织中各种投入与产出或收益与成本之间的关系[9]，提高效率是高质量发展的首要任务[10]，因此，测量效率也是衡量一个区域高技术产业高质量发展水平的重要指标，有必要进行研究。

衡量效率主要有两种方式，一种非参数法（以SFA为代表），一种为参数法（以DEA 为代表）。由于DEA 方法具有无需设定前沿生产函数、可用于多投入多产出等优点，已被多数学者用于产业发展效率衡量的研究。如杜文忠和胡燕萍（2018）[11]利用SEDEA 模型对我国先进装备制造业发展效率研究；李洪伟等（2012）[12]为剔除外部环境和随机因素影响，采用三阶段DEA 模型对我国高新技术产业效率进行测量；何欢（2018）[13]利用DEA-Tobit 模型评价了高技术产业创新效率，并探讨了互联网对效率值的影响；夏彩云和罗圳（2017）[14]利用DEA-Malmquist模型研究15 个省份高技术产业的创新效率。

综上，现有国内外学者对我国高新技术高质量发展研究，已取得一定有价值的成果，但仍存在以下不足。一是，少有人从高质量发展角度对高技术产业发展效率进行测量。二是，发展效率测量方法上采用传统DEA 模型，效率值最大为1，对于有效单元是不能比较的。三是，利用超效率模型往往忽视效率影响因素，或考虑的影响因素较少，难以得出较为信服的结论。基于此，本文通过对高技术产业高质量发展内涵和特征分析，运用超效率SBM -Malmquist-Tobit 模型分析高技术产业高质量发展效率，深入剖析效率差异及其产生原因，为促进我国高技术产业高质量发展提供建议。

二、理论模型构建

（一）超效率SBM 模型

超效率SBM 模型是Tone Kaoru 提出的，在传统DEA 效率测度有效值为1 的基础上，进一步区分有效DMU。考虑到每个决策单元的生产规模具有差异性，结合高技术产业高质量发展内涵，采用非导向规模报酬可变模型进行测量，具体模型如下：

其中n表示被评价的决策单元，即DMU，m和S表示投入和产出的数量，第k个决策单元的投入和产出分别记为xik、yrk，ρ表示效率值，分别表示为投入和产出的松弛变量。当ρ≥1 时，说明被评价的决策单元有效。

（二）RD-Malmquist 指数

RD-Malmquist 指数是Ray和Desli提出的，基于规模报酬可变的动态效率。其表达式及分解式如下所示：

其中mi（xt+1，yt+1，xi，yi）表示高技术产业高质量发展效率变化（TFPCH），该指数可以分解为综合技术效率变化指数（EFFCH）与技术进步变化指数（TECH）的乘积。而EFFCH又可分解为规模效率变动（SECH）与纯技术效率变动（PTECH）的乘积，即：TFPCH=EFFCH×TECH=SECH×PTECH×TECH。公式中，di表示投入导向的距离函数，第一项为规模效率变动，第二项为纯技术效率变动，第三项为技术进步变化指数。若Malmquist 指数大于1 则表明TFPCH提高，小于1 则表明TFPCH下降，等于1 则表明TFP不变。

（三）Tobit 回归模型

为探究影响效率因素，本文将高质量发展效率值作为被解释变量，以各种可能影响效率的因素作为解释变量进行实证检验。由于被解释变量为大于0 的截断数据，因此采用Tobit 回归模型进行分析，如下所示：

其中yi为被解释变量，Xi为解释变量，β为待估参数，α0为常规项，εi为随机误差。

三、指标选取及数据来源

（一）投入产出指标

根据相关文献梳理，高质量发展内涵主要从过程和结果视角阐述，具体为资源利用率高、质量效益高、环境污染小、社会效益好、产品技术水平高等[15]，是经济、技术创新、环境和社会协调发展的体现[16]。考虑到高技术产业具备技术密集、附加值高、资源消耗少等特点，结合高质量发展内涵，本文认为高技术产业高质量发展以创新驱动为内核，建立可持续的高技术产品、技术体系，以提高产业高竞争能力。结合高技术产业高质量发展内涵和已有的研究成果，遵循指标的可比性、可测性、合理性等原则，构建高技术产业高质量发展效率评价指标体系。其中投入要素以R&D 人员全时当量衡量高质量发展科技人力投入，以R&D 经费内部支出和技术获取及技术改造衡量高质量发展内外部技术获取的经费支出；以企业个数衡量高质量发展规模投入。产出指标以利润总额衡量创新成果价值、创造水平；以发明专利数衡量直接创新成果；以新产品销售收入衡量研发转化成经济效益能力；以新产品出口交货值衡量创新成果质量。

（二）效率影响因子指标

影响高技术产业高质量发展效率的因素有很多，本文从宏观视角出发，借鉴以往学者研究成果，选取人均GDP、人力资源质量、金融支持、科研物质条件、行业市场规模等，这些宏观环境可能对高技术产业的生产经营产生影响，进而影响高质量发展效率。其中人力资源质量用每十万人口科研人员数量来衡量、金融支持用银行业各金融机构贷款余额与当地当年的GDP 之比来衡量，科研物质条件用科学研究和技术服务业新增固定资产占全社会比重来衡量，行业市场规模用主营业务收入与企业数之比来衡量。

（三）数据来源及处理

本文采用全国29 个省市（不含西藏、青海、港澳台地区）2015—2020 年面板数据作为研究样本，并将时滞期按照已有学者[17-19]研究设置为1 年，即以2015—2019 年的数据为投入数据，以2016—2020年的数据为产出数据。数据来源于中国高技术产业统计年鉴、中国金融年鉴和EPS 数据库等。数据采集过程中，运用移动平均法和插值法补全了一些缺失数据。

由于投入变量中R&D 经费内部支出和技术获取及技术改造支出对当期和后续创新活动均有影响，因此采用李向东等做法将流量指标转化为存量指标处理。处理公式如下：

其中Kt、Kt-1 分别代表第t和t-1 期的R&D 经费内部支出存量；δ为折旧率，一般取经验值15%。Et-1 为以2014 年为基期进行平减后的R&D 经费内部支出流量，以消除历年价格因素干扰；基年R&D 经费内部支出存量用其流量除以10%求得。其中R&D 支出价格指数参考李向东等（2011）[20]的做法，即（劳务费合计/（2015—2019 年劳务费合计+2015—2019 年设备仪器支出合计））×消费价格指数+（2015—2019 年设备仪器支出合计/（（2015—2019年劳务费合计+2015—2019 年设备仪器支出合计）））×固定资产投资价格指数。技术获取及技术改造也是按照此方法转为存量指标。考虑到通货膨胀或紧缩导致的测算结果的虚增或虚减，消除价格因素对新产品销售收入、主营业务收入和人均GDP影响，分别用工业品出厂价格指数、人均GDP 平减指数进行平减后转变为以2014 年为基准的实际值。两个平减指数均来源于中国统计年鉴。

四、实证结果与分析

（一）投入产出系数相关性检验

在进行效率评价之前，投入产出系数需要满足同向性假定。本文采用皮尔逊相关性检验方法进行检验。如表1 所示。本文选取的四项投入变量与四个产出变量均呈现正向相关，且在1%水平上显著，指标体系符合DEA 模型的“同向性”原则。

表1 2015—2019 年投入产出系数相关性检验

（二）静态测量结果分析

运用DEA-solover 软件，将面板年数据代入到软件中规模报酬可变的超效率SBM 模型进行分析，可得到各省市年度高技术产业高质量发展效率值，如表2 所示。

如表2 所示，从全国角度分析，2015—2019 年效率值大于等于1 的省市分别占比为51.72%、62.07%、55.17%、55.17%、55.17%，仍有将近一半的省市未达到有效水平。全国年平均效率值自2015 年呈现波动上升趋势，2018 年达到最大值，为0.885，整体效率值小于1，表明资源利用不充分，技术及管理模式有待提升；历年标准差呈现逐年递减趋势，表明国内不同省份的高技术产业高质量发展差异性在下降，逐步实现均衡发展。

表2 2015—2019 年高技术产业高质量发展不同省市静态效率

从区域角度分析，按照中国统计年鉴上的划分标准，将北京、天津、河北、上海、江苏、浙江、福建、山东、广东、海南归为东部地区；山西、安徽、江西、河南、湖北、湖南归为中部地区；吉林、黑龙江、辽宁、内蒙古归为东北地区；以重庆、四川、广西、贵州、云南、陕西、甘肃、宁夏、新疆归为西部地区，分别比较不同区域历年效率值。区域上效率值从小到大排列依次为东部地区>西部地区>中部地区>东北地区。近5 年来东部地区平均效率值为0.924，具有绝对优势，但效率值仍小于1 且出现波动性发展；西部地区受政策影响较大，平均效率值达0.836呈现较好发展；中部地区自2015 年以来效率在稳步提升，且近两年效率值均在0.9 以上，超过东部和西部地区，具有明显的追赶效应；东北地区自效率值呈现倒“V”型，自2017 年达到0.814 后开始大幅度下滑，高技术产业高质量发展明显不足。

从省（市）角度分析，均值有效率值大于等于1的省市有北京、吉林、江苏、安徽、河南、广东、广西、海南、重庆、宁夏、新疆，共是11 个省份，有效率达41.4%，基本位于东西部地区，其中最大值是新疆，效率值均大于2.57；无效率最低的省份分别为贵州、黑龙江、山西、河北、湖南、山西、辽宁，这七个省份纯技术效率均小于0.5，区域分布较为均衡，表明区域内部并未形成良好的沟通，且省份技术、管理方面创新水平较差。

（三）动态测量结果分析

为进一步探究我国高技术产业高质量发展效率的动态变化，本文利用DEAP 2.1 软件，对2015—2019 年投入产出数据进行Ml 指数测算和分解。测得结果如表3 所示。

表3 2015—2019 年高技术产业高质量发展Malmquist 指数及其分解

从全国角度看，2015—2019 年我国高技术产业高质量发展效率呈现“V”型态势，平均值年增长率4.4%，表明我国高技术产业高质量发展态势良好。进一步从分解来看，高技术产业高质量发展效率与技术进步变化指数发展趋势相同，技术进步是影响高技术产业高质量发展效率的主要原因；其余分解指数较为平稳；技术进步变化指数大于1，处于增长状态；规模效率变动稳步提升，但仍小于1，而纯技术效率变化指数呈现“N”型态势与综合技术效率变化指数变化趋势较为一致，表明技术效率主要受纯技术效率的影响。

表4 2015—2019 年不同区域高技术产业高质量发展Malmquist 指数及其分解

从区域角度来看，高技术产业高质量发展效率从大到小排列依次为中部地区>西部地区>东部地区>东北地区，其中仅有东北地区高技术产业高质量发展效率小于1，高技术产业高质量发展较差，其余地区整体态势上升，高质量发展良好；对综合技术效率变化指数进一步分解，可以看出仅有东北地区纯技术效率、规模效率均小于1，表明东北地区资源利用率低和优化配置不佳，同时也说明了未向东部地区很好的交流与合作。东部地区高技术产业高质量发展效率落后的主要原因是规模效率低，表明资源优化配置有待进一步提高。

从不同省份来看，如表5 所示，广西、新疆、河南、吉林、天津、黑龙江、山东高技术产业高质量发展效率小于1，表明高技术产业高质量发展较差，但每个省份受限原因有所不同。广西、新疆、河南、吉林的技术进步小于1，表示新技术应用、新产品开发不足；天津受技术效率下降和技术进步缓慢双重影响；黑龙江、山东和技术效率下降，说明资源利用不足，导致高技术产业高质量发展效率增长受限；广东、江苏、宁夏、重庆、河北、湖南、安徽、浙江、甘肃、湖北、北京、云南，高技术产业高质量发展效率大于1，得益于技术进步和技术效率提升共同促进作用；山西、内蒙古、江西的高技术产业高质量发展效率大于1，主要与技术效率有关，未来需要从新技术应用、新产品开发等方面下手，着力提升高技术产业高质量发展效率；陕西、贵州、福建、四川、海南、上海、辽宁的高技术产业高质量发展效率大于1，但综合技术效率变化指数小于1，未来需要进一步提升资源利用率。

表5 2015—2019 年高技术产业29 个省（市）高质量发展效率ML 指数及其分解

（四）效率影响因素分析

为进一步探究影响效率的因素及影响程度，本文运用Stata 15.0 软件对Tobit 回归模型进行检验，结果如表6 所示。

表6 Tobit 模型回归结果

人均GDP 与高技术产业高质量发展效率呈负相关，且通过了10%的显著性检验。表明人均GDP 每提高1 个单位，高新技术高质量发展效率减少0.123 6。这一结论与超效率SBM 模型得出结论基本一致，可能是经济发展地区更容易积聚人才、资金等，导致投入易产生大量冗余，降低发展效率值。

人力资源质量与高技术产业高质量发展效率呈正相关，且通过10%的显著性检验。表明人力资源质量每提高1 个单位，高新技术高质量发展效率增加0.007。创新对智力要素高度依赖，而高技术产业高质量发展是以创新驱动为核心，大规模高质量人力资源供给可以提高企业科技创新效率。

金融支持对高技术产业高质量发展效率呈正相关，但未通过10%的显著性检验。可能由于我国金融支持在各地区差异较大，东部地区整体金融体系发达，获取资金支持更为便利。而对于东北及西部地区，金融体系并不发达，融资难度大、融资渠道窄屡见不鲜，因此从整体看，金融支持对高技术产业高质量发展效率影响并不显著。

科研物质条件与高技术产业高质量发展效率呈正相关，且通过10%的显著性检验。表明科研物质条件每提高1 个单位，高新技术高质量发展效率增加3.056 8。可能是地区科研物质条件越高，创新资源共享程度也就越高，有利于降低企业的研发成本，提高企业开展科技创新活动的积极性，从而提高高质量发展效率。

行业市场规模与高技术产业高质量发展效率呈正相关，且通过1%的显著性检验，表明行业市场规模每提高1 个单位，高新技术高质量发展效率增加0.12。内部影响因素相较于外部因素对高技术产业高质量发展更有促进作用，可能是行业市场规模越大，代表行业中的大中型企业也就越多，从而更加注重资源的投入和利用，以提高核心竞争能力。

五、结论及建议

（一）研究结论

本文以2015—2020 年我国29 个省市高技术产业数据为研究对象，结合超效率SBM、RD-Malmquist指数以及Tobit 回归分析，讨论了静态和动态情况下我国高技术产业高质量发展效率及其影响因素，得出以下几点结论：（1）从静态分析，我国高技术产业高质量发展呈现波动上升趋势；区域和省市具有较大的发展差异，其中东部和西部地区（省市）效率值较高，但仍未达到有效值。（2）从动态分析，我国高技术产业高质量发展态势良好，其中技术进步起着重要作用。地区高技术产业高质量发展效率以中部地区>西部地区>东部地区>东北地区排列，东部地区主要受规模效率影响，东北地区受纯技术效率和规模效率的双重影响。各个省份效率分解情况与地区效率分解情况有较大的差异，地区发展并不均衡。（3）从影响因素分析，人均GDP、人力资源质量、科研物质条件、行业市场规模对高技术产业高质量发展效率存在不同方向和不同程度的影响，而金融支持影响不显著。

（二）发展建议

为推动高技术产业高质量发展效率，可以从以下几个方面优化调整。

1.提高资源利用效率。防止有限资源的低效利用和浪费是提升资源利用率的关键。对于中国整体而言，高技术产业高质量发展效率值较高的省份，要加快淘汰产业低端环节，将发展定位聚焦于高技术产业高端环节，通过产业转移实现资源优化配置和高效率用；效率值较低或无效省份，要积极引进人才及技术，积极变革管理理念和模式，加强地区联动，借鉴新的技术及模式，提高企业效率水平。

2.重视提高技术进步水平、资源配置效率。高技术产业高质量效率提升的关键是要提高技术进步水平和规模配置效率。一方面，鼓励企业进行信息化、智能化改造，加快中小企业兼并重组，不断优化资源配置。另一方面，以企业为主体，政府为纽带，不断加强产学研的合作强度和密度，使有限资源充分利用，提升产业的创新能力和创新效益。

3.改善高技术产业高质量发展内外部发展条件。

由模型计算可得，人力资源质量、科研物质条件、行业市场规模对高技术产业高质量发展效率存在较强的正向影响。因此各地政府应因地制宜，建立“重才一引才一留才一用才”机制推动高质量队伍建设；围绕技术创新为核心，面向高质量发展需要，完善建设数字化、智能化、融合创新等服务的基础设施体系；加快企业梯队培育，推动资源向重点企业聚集，促进重点企业做大、做优、做强。