创新生态系统视域下高新技术产业创新效率评价及影响因素——基于DEA-Tobit模型的实证研究

张 宵，葛玉辉

（上海理工大学 管理学院，上海 200093）

0 引言

创新是经济发展的活力源泉，是拉动经济增长的强力引擎。高新技术产业以其知识密集、技术密集、高投入、高附加值、可持续发展能力强等特点，成为我国实现高质量发展和产业转型升级的重要驱动力，是我国国民经济发展和创新体系建设的支柱力量。近年来，我国高新技术产业创新投入和创新产出逐年增长，创新综合实力不断提升。国家统计局公布的数据显示，我国高新技术产业的研发经费投入已连续5年实现两位数增长，呈现出稳中有进的增长态势；在创新产出方面，我国高新技术产业的专利申请数量逐年攀升，国际专利申请数量已连续多年保持全球第一［1］。《2021年全球创新指数报告》显示，我国创新指数已上升至世界第12位，位居中等收入经济体之首，实现了“十四五”时期的良好开局［2］。

但在高速发展的背景下，我国高新技术产业仍面临诸多问题。在研发投入方面，研发经费投入增速虽领跑全球，但研发投入强度与美国、德国、日本等实力强劲的创新综合体相比，仍有一定的差距［1］。在发展质量方面，我国高新技术产业存在部分关键技术受制于人、产业配套不完备、应用转化能力弱等问题，整体创新水平亟待提高［3］。在区域发展方面，我国高新技术产业的地区发展不平衡性日益凸显，创新效率呈现出“南高北低”“南快北慢”的发展格局，区域差异明显［4］。在国家实施创新驱动发展的战略背景下，如何打破高新技术产业发展的瓶颈制约，补齐创新发展过程中的短板，提升综合创新效率，实现高质量均衡发展，成为学者们关注的重点问题。

1 文献综述

1.1 高新技术产业创新效率

高新技术产业的创新效率一直是学者们讨论的热点话题。与创新绩效不同，创新效率更加关注创新投入与创新产出之间的转化比率，是衡量创新能力的重要指标。在高新技术产业创新效率的测度方面，学者们大多运用以DEA模型为代表的非参数分析法和以SFA模型为代表的参数分析法进行研究。刘伟等［5］运用三阶段DEA模型，在控制环境因素的基础上，对我国高新技术产业创新效率进行测度，并采用Bootstrap法进行纠偏，研究发现我国高新技术产业的创新效率较低，总体上呈现出“东高西低”的格局。易明等［6］借助SFA模型对2000—2015年我国高新技术产业的创新效率进行测度分析，研究发现创新效率整体处于较低水平，其中以新产品销售收入为最终产出的创新效率最为明显。陈伟等［7］利用DEA-Malmquist模型从动态和静态的角度，对我国28个省市自治区的高新技术产业在2009—2015年的创新效率进行测度评价，研究发现技术进步是技术创新效率提高的关键所在。在梳理相关文献后发现，学者们在对高新技术产业的创新效率进行测度评价时，多从全局视角出发，仅关注创新的整体效率，而关注创新过程和阶段性效率的研究较少。

在高新技术产业创新效率的影响因素方面，学者们采用了不同的方法进行研究。杨嵘等［8］采用Tobit模型进行实证研究后发现，产学研合作水平、劳动者素质等能够显著拉动高新技术产业创新效率的提升。方大春等［9］借助SFA模型在对高新技术产业创新效率进行测度分析时，发现市场结构因素等对创新效率有显著的影响。冯宗宪等［10］采用GMM模型，研究发现本土技术转移能够有效提升省际高新技术产业的创新效率，且本土技术转移与引进国外技术之间存在互补效应。在梳理相关文献后发现，学者们在对高新技术产业创新效率的影响因素进行研究时，大多考虑产业外部的客观因素，而产业内部以及产业的自身因素却鲜有涉及。

1.2 创新生态系统

创新生态系统是基于自然生态系统的理论，拟从生物学的视角来探究创新的动态过程，发现并解决创新过程中存在的问题，赋予了创新以生态化系统的新内涵［11］。创新生态系统理论认为，创新本身并非孤立的行为，而是包含多个创新主体在内，基于共同的愿景与目标，在一定环境和制度下，以系统嵌入的形式参与的价值共创活动［12］。这些创新主体包括垂直链上的供应商、客户以及水平链上的高校、科研机构、政府机关等［13］。该理论的提出，反映了研究的重点从强调创新系统内的要素流动转变为对创新主体与环境之间相互作用［14］。

在运用创新生态系统理论研究高新技术产业方面，刘兰剑等［15］构建了包含动态演化、可持续性创新、开放性3个维度的创新生态系统评估指标体系，对2006—2017年我国高新技术产业的创新政策进行实证研究。李红等［16］对IMEC主导的比利时微电子产业创新生态系统案例进行探索性和解释性研究后，提出了“协调者”知识产权价值获取概念模型，为我国高新技术产业创新生态系统的价值获取提供了实践指导。庞璐［17］从创新生态系统视角出发，运用复合系统协调度模型，对京津冀地区高新技术产业的协同创新能力进行测度评价，并提出了协同创新的优化路径。上述学者从创新生态系统的角度对我国高新技术产业进行了相关研究，但从创新生态系统视角出发，研究高新技术产业创新效率的文献较少。

鉴于此，本文将基于创新生态系统理论，从系统的角度出发，对我国高新技术产业的创新效率进行测度评价，重点关注创新生态系统内部各子系统的创新效率，并对创新效率的内外部影响因素进行实证研究，为高新技术产业更好地驱动经济发展提供理论依据。

2 研究思路及方法

2.1 研究思路

首先，本文基于创新生态系统理论，将高新技术产业的创新活动作为一个创新生态系统进行研究，并根据创新活动的特点，将该系统划分为技术研发和成果转化两个相互影响相互依存的子系统（见图1）。前者主要由高校、科研院所、企业的研发部门等主体组成，根据产业和市场发展的实际需要，利用经费、人力等创新投入要素进行技术创新与产品研发。后者主要由技术交易市场、生产商、供应商、客户等主体组成，通过对前者的创新产出进行应用推广，并与环境中的其他要素进行互动，将创新产出转化为有价值的商业成果，形成最终的创新绩效。前者可以为后者在专利技术转化等方面提供技术保障，促进新产品新项目的顺利开发；后者可以向前者输送研发人员和研发经费，帮助其降低研发的成本与风险。两子系统间的要素流动和动能转化在提升创新绩效的同时，进一步提升了高新技术产业创新生态系统的发展质量。

图1 高新技术产业创新生态系统

其次，构建DEA-BCC模型对两个子系统的创新效率进行静态评价，并引入Malmquist指数对创新效率的动态演化趋势进行深入分析，从创新过程寻找出导致高新技术产业创新效率低下的主要原因。最后，参考大多数学者的研究方法，运用随机效应的Tobit面板回归模型，对创新生态系统的环境因素进行实证研究，进一步探究高新技术产业创新效率的影响因素。

2.2 研究方法

2.2.1 构建DEA-BCC模型

数据包络分析（DEA）是一种基于相对效率的非参数统计方法，通过数学线性规划模型对具有多个输入和输出的决策单元（DMU）进行效率评价，同时还可以评价效率的相对有效性［18］。本文构建规模报酬可变条件下，以产出为导向的DEA-BCC模型，对我国高新技术产业两子系统的创新综合效率（TE）进行测度。综合效率可以分解为纯技术效率（PTE）和规模效率（SE），且TE=PTE×SE。具体计算公式如下：

其中，xij和yrj分别表示第j个省份的第i个投入和第r个产出和为松弛变量，j0为某个选定的省份。当θ=1，且时，表明该省份高新技术产业创新的效率值为1，称为DEA有效［19］。

2.2.2 Malmquist指数

本文在DEA-BCC模型的基础上，引入Malmquist指数对创新效率的动态特征进行分析。Malmquist指数是根据DMU的输入输出来寻找生产可能的“前沿面”，并根据实际观测数据到“前沿面”的距离来测算效率指数，测算出来的Malmquist指数为TFP指数（全要素生产率增长指数）［7］。Malmquist指数的具体计算公式如下：

其中，(Xt,Yt)和(Xt+1,Yt+1)分别表示t时期和t+1时期各省份高新技术产业的投入产出组合数据，Dt和Dt+1分别表示t时期和t+1时期各省份高新技术产业到生产可能“前沿面”的距离函数。

Malmquist指数可以进一步分解为技术进步指数（TECH）和综合效率指数（EFF），且TFP=EFF×TECH。技术进步指数可以直观地反映t到t+1期内生产可能“前沿面”移动对于各省份高新技术产业全要素生产率的影响。综合效率指数测度的是技术进步以外的效率，包括纯技术效率指数（PE）和规模效率指数（SEC），且TFP=PE×SEC×TECH。纯技术效率指数是在变动规模报酬的条件下的效率之比，规模效率指数反映的是规模经济对于全要素生产率的影响［20］。

若测算出来的TFP指数大于1，则表明该省份高新技术产业的全要素生产率在t到t+1时期内有所提升，反之则下降［7］。进一步的，若构成TFP指数的三个指数中有任一指数大于1，则表明该指数带来了全要素生产率的增长，反之则表明该指数为全要素生产率下降的主导因素。

2.2.3 构建Tobit模型

由于本文采用DEA-BCC模型对创新效率进行测度，两子系统各项效率的取值在0到1之间，大于1的部分被截断为1，属于截断数据，因此本文选择Tobit面板回归模型进行实证研究［21］。Tobit模型又称受限因变量模型，即该模型因变量的取值满足一定的条件限制，采用此模型能够有效地避免截断数据采用OLS进行回归时参数估计值出现有偏和不一致的情况［8］。Tobit模型的一般形式如下：

3 指标选择与数据来源

3.1 指标选择

为了科学、全面、客观地对创新效率进行测度，本文在创新生态系统视域下，从投入和产出两个角度出发，结合两子系统创新活动的流程和特点，构建了高新技术产业创新效率评价指标体系（见表1）。

技术研发子系统具有创新性强、技术集成度高的特点，现有研究在投入产出指标的选取上较为一致，多采用与R&D活动相关的指标［22-23］。本文在考虑数据的可得性后，选择R&D人员折合全时当量、R&D内部经费支出作为投入指标，选择专利申请数、有效专利数作为产出指标。成果转化子系统具有吸收转化快、产品价值高等特点，学者们多采用专利技术等作为投入指标，产出指标多采用工业增加值、经济效益等来衡量［24］。本文从创新生态系统视角出发，以技术研发子系统的专利产出数量作为成果转化子系统的投入指标，同时结合我国高新技术产业的实际情况，引入新产品开发经费、技术改造支出经费、购买境内技术支出经费作为补充投入指标，选取新产品国内销售收入、新产品出口收入作为产出指标。

3.2 数据收集与整理

在考虑数据的完整性和可得性后，本文以2015—2020年我国28个省市自治区（港澳台、青海、宁夏、西藏因部分关键数据缺失而剔除）的高新技术产业为样本进行研究，相关数据均来自《中国统计年鉴》《中国科技统计年鉴》，部分省份的个别缺失数据在考虑实际情况后采用线性插值法进行补全。

为保证评价指标体系设计的合理性，采用SPSS 24.0对两子系统的投入产出指标进行相关性分析（见表2、表3）。结果显示，技术研发子系统投入产出指标间的相关性均大于0.935（P<0.05），成果转化子系统投入产出指标间的相关性均大于0.726（P<0.05）。检验结果表明，各指标之间存在着紧密的正相关关系，创新效率评价指标体系设计合理。

表2 技术研发子系统投入产出指标相关性

表3 成果转化子系统投入产出指标相关性

4 创新效率测度与分解

4.1 DEA模型静态分析

本文运用DEAP 2.1软件，对我国28个省市自治区的高新技术产业在2015—2020年的创新效率进行测算和分解，结果如表4所示。从整体来看，我国高新技术产业的创新效率并不高，但呈现波动上升的趋势；成果转化子系统的各项效率值均低于技术研发子系统。

表4 高新技术产业创新效率值

综合效率反映的是决策单元对创新资源的配置和利用能力，衡量了实际效率与前沿效率间的差距，是一个综合评价指标［25］。技术研发和成果转化创新综合效率的均值分别为0.694和0.469，均小于1，且成果转化的平均效率处于中低水平。这表明，近几年我国高新技术产业的总体创新能力不足，创新资源的配置利用能力、创新产出的转化应用能力仍有较大的提升空间。

纯技术效率是指除去管理和技术以外因素后的效率，代表决策单元的技术创新能力和管理水平［26］。两子系统纯技术效率的均值分别为0.747和0.632，与较高水平的规模效率相比，技术创新能力弱，吸收转化水平低成为我国高新技术产业创新效率提升难的主要原因。

规模效率反映的是决策单元的实际规模到最优规模的距离［25］。两子系统的规模效率均值分别为0.930和0.774，处于较高的水平。这表明，近年来政府出台的一系列创新优惠政策颇有成效，我国高新技术产业的创新资源投入逐年攀升，产业规模不断扩大，已经形成了一定的规模经济。但随着投入的增加与规模的扩张，技术创新效率却没有得到明显的改善。原因可能是当前我国高新技术产业的规模尚未处在规模报酬的最优区间，造成了产业规模与技术创新能力的不匹配。

4.2 Malmquist指数动态分析

本文运用DEAP 2.1软件，对2015—2020年我国高新技术产业的Malmquist指数进行测算和分解，两子系统各阶段的Malmquist指数及其分解如表5所示，各项指数的动态演化趋势如图2所示。由于TFP指数主要由TECH指数、PE指数和SEC指数构成，因此动态演化趋势图中未体现EFF指数的变动趋势。

图2 高新技术产业创新效率指数演化趋势

表5 Malmquist指数及其分解

技术研发子系统的TFP指数的均值为1.070，仅2019—2020年小于1，表明我国高新技术产业技术研发的综合效率呈现出逐年增长的态势。具体来看，TECH指数的均值为1.040，说明我国大部分省市高新技术产业在技术研发方面的创新资源配置和利用效率较高，对技术创新效率有积极的影响。但由于创新不确定性和环境因素的影响，TECH指数在考察期内出现了上下波动的趋势。PE指数反映的是决策单元的组织管理创新和制度创新情况［20］。考察期内的PE指数均大于1，仅2018—2019年小于1，但始终在1附近小幅波动。这表明，我国高新技术产业在技术研发方面的组织管理和制度等具有一致性和连贯性。SEC指数反映的是规模经济对于创新效率的影响，考察期内的SEC指数均值为1.012，部分年份出现了小于1的情况，同样也呈现出上下波动的演化趋势。原因可能是高新技术产业发展较成熟的省份产业规模基数较大，扩大产业规模并不能有效地推动规模报酬递增，进而导致规模效率的低下；发展较晚的省份产业规模基数较小，产业规模的扩张并不能在短时间内推动规模效率的改善，进而抑制技术创新效率的提升［7］。进一步研究发现，TECH指数大于EFF指数，表明技术创新能力的提升是推动技术研发子系统创新效率提升的关键所在。

成果转化子系统的TFP指数均值为1.004，仅个别年份大于1，说明近几年我国高新技术产业成果转化的平均效率较低，效率提升缓慢。具体来看，TECH指数的均值0.854，且在考察期内出现了较大的波动，最低值仅为0.544，较低的吸收转化效率成为我国高新技术产业成果转化效方面的短板。原因可能是：①部分专利技术质量较低，同时不具备市场价值，难以实现市场化和批量化的生产；②部分专利技术在转化后的利润空间狭窄，生产企业不愿意投入过多的资源进行量产［20］。PE指数均值为1.134，且呈现出“M”形的演化趋势，这表明我国高新技术企业在成果转化方面的组织管理能力在逐年提升，这对成果转化的效率有积极的促进作用。SEC指数均值为1.037，考察期内呈现逐年上升的趋势。但逐年递增的规模效率并未促进成果转化效率的提升，进一步说明了当前阶段我国高新技产业的规模与创新能力的不匹配，是导致创新效率提升难、提升慢的主要原因。

将TFP指数大于1定义为“高研发（转化）”，TFP指数小于1定义为“低研发（转化）”，可以将28个省市自治区的高新技术产业划分为四种类型。各省份两子系统的TFP指数对比如图3所示。“高研发高转化”的省份有北京、海南、广西、湖北等11个省市自治区，占比39.29%；“高研发低转化”的省份有上海、江苏、广东、浙江等14个省份，占比50%；“低研发高转化”的省份有山西、甘肃、云南3个省份，占比10.71%；没有“低研发低转化”的省份。从省域情况来看，我国有一半省份的高新技术产业处于“高研发低转化”的不良发展阶段，主要原因是由于高新技术产业的创新产出主要来自于高校、科研院所等单位，而高校在研发专利时市场化意识不强，容易忽略专利的市场价值和实用价值，导致部分专利成果难以实现转化应用，造成吸收转化效率的低下［20］。

图3 省域TFP指数对比分析

5 影响因素分析

在测得高新技术产业的创新效率值后，本文运用随机效应的Tobit面板模型，对创新效率的环境因素进行实证研究，进一步分析创新效率的影响因素。

5.1 变量选择

本文参考Bai等［27］、朱萌［28］、凌端新［29］的研究成果，在综合考虑两子系统创新活动的特点以及数据的可得性后，对高新技术产业创新效率影响因素的选择如下。①政府支持力度（Gov），采用各地政府一般财政支出中科学技术支出的占比进行测度；②研发投入强度（R&D），采用R&D内部经费支出与各地高新技术产业工业总产值的比值进行测度；③产业结构（Stru），采用各地当年第三产业增加值与第二产业增加值的比值进行测度；④教育投入水平（Edu），采用各地政府一般财政支出中教育支出的占比进行测度；⑤地区经济发达程度（PGDP），采用各地人均国内生产总值进行测度；⑥国外技术影响（Fore），采用各地国外技术引进经费支出与R&D内部经费支出的比值进行测度；⑦企业规模（Scale），采用各地高新技术企业的年末平均从业人数进行测度；⑧经费投入偏向性（Bias），采用各地R&D内部经费支出中资产性支出的占比进行测度。所有数据均来自对应年份的《中国统计年鉴》和《中国科技统计年鉴》。变量的描述性统计如表6所示。

表6 变量的描述性统计

5.2 模型构建

本文以DEA-BCC模型测得的综合效率、纯技术效率和规模效率为被解释变量，根据两子系统创新活动的特点，以政府支持力度、研发投入强度、产业结构以及教育投入水平为解释变量，构建技术研发子系统的Tobit面板模型；以地区经济发达程度、国外技术影响、企业规模以及经费投入偏向性为解释变量，构建成果转化子系统的Tobit面板模型。为消除量纲影响，对经济发达程度和企业规模两个变量的数据进行对数化处理。具体模型如下：

其中，Y（1）为技术研发子系统的各项效率值，Y（2）为成果转化子系统的各项效率值，∂i为常数项，βi为系数估计值，εit为随机误差项。

5.3 结果分析

根据上述模型，本文借助Stata 16.0软件进行随机效应的Tobit面板回归，技术研发子系统和成果转化子系统创新效率影响因素的回归结果分别如表7、表8所示。回归结果显示，似然比统计量LR值在1%的显著性水平下均通过检验，表明各模型均存在强烈的个体效应，使用随机效应的Tobit面板模型进行回归的设计合理。

表7 技术研发子系统创新效率影响因素回归结果

表8 成果转化子系统创新效率影响因素回归结果

在选定的影响因素中，对技术研发子系统综合效率有显著影响的有政府支持力度和产业结构；对纯技术效率有显著影响的有政府支持力度、研发投入强度、产业结构、教育投入水平；对规模效率有显著影响的仅有政府支持力度。

政府支持力度能够促进技术研发子系统综合效率和纯技术效率的提升。从样本数据来看，近几年虽然政府一般财政支出中科学技术支出的占比较小，均值仅为2.30%，但却能显著地促进技术创新效率的提升，说明政府对于高新技术产业的经费投入是高效的，政府支持的引导作用和杠杆效应得到了充分的发挥［30］。

研发投入强度抑制了技术研发子系统纯技术效率的提升，但对规模效率的提升却有显著的促进作用。从样本数据来看，我国大部分省份的研发投入强度较低，R&D内部经费投入在高新技术产业工业总产值中的占比仅为3.30%。较低的经费投入仅能满足研发创新的基础性需求，配备基本的研发人员和实验设备。这些设备器材虽然在一定程度上能够提升规模效率，但仍不足以支持高成本高消耗的技术创新活动。

产业结构对技术研发子系统的综合效率和纯技术效率具有显著的影响，即第三产业占比高能够带来更高的创新效率。近几年，随着产业结构的转型升级，我国大部分省份逐步呈现出以第三产业为主导，一二产业为支撑的产业布局。产业结构的升级无疑会带来巨大的市场需求，能够刺激高新技术产业的技术研发和产品创新。此外，第三产业占比大也会为技术创新提供更多的配套服务，进一步促进技术研发的效率提升。

教育投入水平与技术研发子系统的纯技术效率存在正相关关系。高水平的教育投入有利于培养出更多高学历高技术的人才，能够提升高新技术产业从业人员的整体素质，进而提升新技术新产品的创新能力。

对成果转化子系统综合效率有显著影响的因素有经济发达程度和企业规模；对纯技术效率有显著影响的因素有经济发达程度和国外技术影响；对规模效率有显著影响的因素仅有企业规模。

地区经济发达程度对成果转化子系统创新的综合效率和纯技术效率有显著影响。经济发达地区新技术新产品的需求和供给处于高位，技术市场交易活动相对活跃，能够缩短专利技术等在交易市场上的流转时间，加快新产品的开发速度，有利于创新产出的吸收转化与推广应用。

国外技术对成果转化子系统纯技术效率的提升有抑制作用，即引进国外技术不利于创新产出吸收转化效率的提升。原因可能是现阶段国外的技术水平与我国之间存在一定的距离，引进的国外技术与我国的产品线等不匹配，需要消耗大量的精力和经费对其进行改造后才能应用，一定程度上降低了创新产出转化推广的效率。

企业规模对成果转化子系统的综合效率和规模效率有显著的负向影响，即企业规模的扩张会给创新产出的吸收转化带来消极的影响。在企业规模扩大的过程中，往往会由于资源配置的不当以及管理的疏漏造成资源的闲置和浪费，从而降低创新效率。这也能从侧面反映出在当前发展阶段，我国大部分高新技术企业的规模已经超过其最优规模，企业应该将规模控制在合理的范围内，避免盲目扩张。

经费投入偏向性对成果转化子系统的各项效率均没有显著影响。从结果来看，经费投入偏向性对综合效率和规模效率的回归系数为负值，这表明当高新技术企业偏向于将经费用于购买设备和器材等资产性支出，而减少人员工资等日常性支出时，不利于创新产品转化效率的提升。但这一影响不显著，原因可能是近几年R&D经费中的资产性支出占比较低，与高额的日常性支出相比不足以对成果转化的效率产生显著影响。

6 研究结论与建议

本文从创新生态系统视角出发，通过对2015—2020年我国28个省市自治区高新技术产业技术研发和成果转化子系统的创新效率进行测度分析，以及对创新效率的影响因素进行实证研究后，得出如下结论：①从整体来看，我国高新技术产业创新生态系统的整体创新效率不高，两子系统的创新效率分别为0.694和0.469，均小于1，且大部分省份处于“高研发、低转化”的不良发展阶段。②从演化趋势来看，考察期内两子系统的全要素生产率分别为1.070和1.004，均呈现上下波动的趋势。技术创新能力弱、吸收转化水平低、产业规模与创新能力不匹配是我国高新技术产业创新效率提升难、提升慢的主要原因。③从影响因素来看，政府支持力度、产业结构、教育投入强度对技术创新效率的提升有积极影响，而过多的研发经费投入容易造成资源的浪费，进而抑制创新效率的提升。地区经济发达程度与创新产出的吸收转化效率正相关，引进国外技术和扩大企业规模不利于当前阶段我国高新技术产业创新产出转化效率的提升。

结合以上结论，本文提出如下建议：第一，进一步巩固技术创新的核心地位，打破“重研发、轻应用”的固化思维；提升高校及科研院所研发团队的市场化意识，着重培养从业人员的技术研发能力和转化应用能力，推动高新技术产业技术研发与成果转化协调发展。第二，协调创新资源，政府在进行创新投入时应有意向创新资源不足的地区倾斜，同时发挥创新优势地区的辐射带动作用，推动高新技术产业创新生态系统均衡发展。第三，各地区高新技术产业要不断提升创新管理水平，优化创新资源配置；同时也要找准目标，发现问题，直面差距，结合地区实际情况制定科学合理的发展模式和路径。第四，政府要加强政策引导，推动高新技术产业集聚，鼓励协同创新，为紧缺型技术人才提供政策优惠，加快形成产业规模经济，提升高新技术产业创新生态系统的发展质量。第五，着重发展地区经济，加快产业结构升级改造，提升政府在科学技术和教育领域的投入水平，放宽市场准入机制，为高新技术产业打造良好的创新生态系统环境。