长三角区域高技术产业技术创新效率评价与影响因素研究

吴铖铖,谭 庆,项桂娥

(池州学院 商学院,安徽 池州 247000)

创新是产业转型升级发展、融入“双循环”新发展格局与促进经济增长的首要动力。党的二十大报告指出,坚持创新在我国现代化建设全局中的核心地位,加快实施创新驱动发展战略,优化配置创新资源,增强自主创新能力。高技术产业知识资本密集、高投入高附加值且可持续发展能力强,近年来我国高技术产业创新投入和创新产出逐年增长,技术创新能力与技术创新效率不断提升,《中国高技术产业统计年鉴(2021)》显示2020年我国高技术产业R&D经费内部支出为4649.09亿元,R&D人员折合全时当量为990314人年,专利申请数为348522件,其中发明专利申请数为174641件,新产品销售收入高达68549.14亿元,高技术产业已逐渐成为经济发展的战略性先导产业与科技创新的重要阵地。但相比其他发达国家,我国高技术产业发展仍存在区域不均衡、核心技术少、应用转化能力弱以及技术创新效率低等问题,高技术产业整体处于全球价值链的中低端环节且呈现“南高北低”“南快北慢”的发展格局,解决上述问题的关键在于激发技术创新效率对于产业高质量发展的引导作用,形成具有全球竞争力的开放创新生态。因此,如何有效评价高技术产业技术创新效率是促进经济高质量发展的关键,也是激发高技术产业创新活力、提高自主创新能力与提升技术创新效率的重要路径。

技术创新效率与创新投入或者创新产出存在显著区别,其更加关注创新投入与创新产出之间的转化效率。从现有研究成果来看,大部分集中探讨技术创新效率评价指标体系、评价方法与影响因素,其中以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应用广泛。易明等(2019)[1]利用SFA模型分析发现我国高技术产业创新效率整体水平较低,创新产出中新产品销售收入的创新效率显著性最强。杨青峰等(2013)[2]利用SFA模型分析不同区域高技术产业研发创新效率及其影响因素。在技术创新效率影响因素方面,杨嵘等(2022)[3]利用Tobit模型实证分析发现劳动者素质、产学研合作水平等对高技术产业创新效率的提升作用最为显著。方大春等(2016)[4]基于面板数据随机前沿模型研究发现市场结构、企业规模与产业利润显著影响技术创新效率。肖红(2020)[5]运用DEA-Malmquist指数法分析发现安徽省装备制造业技术创新效率整体偏低,并提出市场需求、研发经费投入强度、研发人员专业化程度等是促进技术创新效率的主要因素。罗志红等(2023)[6]运用SBM-Tobit模型研究发现我国高技术产业绿色技术创新效率增长缓慢,且效率提升重心在优化内部发展条件。上述研究多从全局视角或者某个单一区域视角测度技术创新效率,且大多考虑不同外部因素对创新效率的影响,鲜有以长三角区域高技术产业为研究对象评价其技术创新效率,并从不同维度考察技术创新效率的内、外部影响因素。

基于上述分析,以2017—2021年长三角区域高技术产业为研究对象,立足“技术创新效率评价与影响因素”这一根本问题,利用DEA-BCC模型与DEA-Malmquist指数法从静态与动态2个角度分析长三角高技术产业技术创新效率整体情况及其变动趋势,并结合Tobit面板回归模型从内部与外部2个维度探究长三角高技术产业技术创新效率的影响因素。可能贡献如下:第一,重点测度长三角区域高技术产业技术创新效率动态变化,将研究范围划定为长三角区域高技术产业;第二,将外部影响因素与内部影响因素嵌入“技术创新效率影响因素”分析范式,检验不同因素对长三角高技术产业技术创新效率的影响程度。

一、研究设计

1.研究方法

(1)DEA-BCC模型

DEA模型(数据包络分析法)是基于投入产出数据的一种相对有效性的客观评价方法,不需要对衡量指标赋权与无量纲化处理,是评价技术创新效率的主要方法,主要包括规模报酬不变的DEA-CCR模型与规模报酬可变的DEA-BCC模型。本文研究对象为长三角高技术产业上市公司,创新边际收益具有不确定性且技术创新投入规模存在差异,因此构建规模报酬可变条件下的DEA-BCC模型测度长三角高技术产业综合技术效率。DEA-BCC模型将测度效率的组织称为决策单元,其能够有效解决规模报酬可变决策单元(DMU)的效率测算问题。假设有n个决策单元(j=1,2,3,…,n),各项决策单元均有m项投入(i=1,2,3,…,m)和s项产出(r=1,2,3,…,s),若xij为第j决策单元的第i项投入,yrj为第j决策单元的第r项产出,则决策单元j(DMUj)的投入向量为Xj=(x1j,x2j,x3j,…,xmj),产出向量为Yj=(y1j,y2j,y3j,…,ymj),评价决策单元(DMU)有效性的DEA-BCC模型如式(1)、式(2)。

(1)

其对偶形式为式(2)。

(2)

(2)DEA-Malmquist指数

DEA-BCC模型仅能对决策单元综合技术效率、技术效率与规模效率进行静态分析,其仅考察某一静态时间内的综合技术效率。若使用面板数据,则需要考虑时间序列以及长三角区域高技术产业某一动态时间段内技术创新效率的变化,引入DEA-Malmquist指数可以解决上述问题。DEA-Malmquist指数是一种基于效率测度的非参数方法,其基于面板数据通过距离函数运算投入产出效率,并动态分析多个决策单元相对效率的变化趋势。Malmquist指数以决策单元的定向输入和定向输出定义距离函数,其输出变量的距离函数表达式如式(3)。

D0(x,y)=inf{δ:(x,y)/δ∈p(x)}

(3)

其中,D0(x,y)为输出变量的距离函数;x,y分别表示输入矩阵与输出矩阵;p(x)表示所有可行的生产效率可能集合;δ表示输出效率标量。第t时期到t+1时期Malmquist生产率指数M(xt+1,yt+1,xt,yt)表示为式(4)。

M(xt+1,yt+1,xt,yt)

(4)

(5)

其中,TFP为全要素生产率变化指数,TFP=Effch*Tech;Effch为技术效率指数,表示第t时期到第t+1时期技术创新能力与规模变化程度;Tech为技术进步指数,表示第t时期到第t+1时期由技术进步引起的效率变化。

另外,部分学者对Malmquist生产率指数中技术效率指数进行分解,将技术效率指数(Effch)分解为纯技术效率指数(PE)与规模效率指数(SEC),其中纯技术效率指数是规模报酬变动情况下的效率之比,规模效率指数是规模经济对全要素生产率(TFP)的影响。因此,Malmquist生产率表达式为式(6)。

TFP=Effch×Tech=PE×SEC×Tech

(6)

2.指标选取

技术创新效率是企业创新投入与创新产出之间的转化率,准确反映创新投入与创新产出是评价技术创新效率的关键,其中,创新投入包括研发资金投入与研发劳动力投入,创新产出包括创新成果产出率及其转化效果。

创新投入:新古典经济理论认为人力与资本积累是经济增长的主要来源。技术创新活动需要货币资金与人力资本作为物质基础与智力支撑,现有学者将研发经费投入、技术人员投入、资本支出、无形资产积累等指标纳入衡量范围,周开国等(2011)[7]、吴铖铖等(2021)[8]分别选用研发密度(研发资金投入/营业收入)、技术人员比率(技术人员总数/员工总数)衡量技术创新投入;苑泽明等(2016)[9]提出研发经费与研发人员是不同层面技术创新效率的评价指标。基于上述分析,选取研发投入费用(R&D经费支出)与研发人员数量(R&D人员全时当量)作为技术创新投入的测度指标。

创新产出:专利是技术创新的直接成果,专利申请量或者授权量仅是创新投入转化为知识产出的结果,其能否产生经济价值有待考量,但专利申请量衡量技术创新产出可以避免政府部门、专利中介机构等人为因素的主观影响,党国英等(2015)[10]、高宏霞等(2021)[11]均以专利申请数(专利总数)衡量技术创新产出。创新产出是创新活动最终成果及其经济效益的集中体现,苑泽明等(2016)[9]认为产品销售收入是企业创新成果、知识产出经济价值的直接体现,可以有效弥补以专利申请量或者授权量衡量创新产出的不足之处。因此,以专利申请数与主营业务收入作为企业创新产出测度指标。具体技术创新效率评价指标选取如表1所示。

表1 技术创新效率评价指标体系

3.数据来源

选取2017—2021年长三角区域信息传输、软件和信息技术服务业、科学研究和技术服务业与部分制造业上市公司技术创新数据,实证分析长三角区域高技术产业技术创新效率动态变化及其影响因素。所有样本数据均来自CSMAR数据库、各上市公司年报,主要通过DEAP2.1与STATA15.0进行数据处理与分析。

二、长三角区域高技术产业技术创新效率实证分析

1.基于DEA-BCC模型的技术创新效率静态分析

2017—2021年长三角区域高技术产业综合技术效率、纯技术效率与规模效率情况如表2所示。

表2 2017—2021年长三角区域高技术产业技术创新效率及其分解效率

表2结果表明,2017—2021年长三角区域高技术产业综合技术效率均值为0.12,综合技术效率由2017年的0.113上升至2021年的0.131,说明长三角区域高技术产业技术创新效率处于上升趋势,但整体创新效率仍处于较低水平,创新投入难以有效匹配创新产出。从效率有效的企业数量来看,各年度达到DEA有效水平的企业数量均较少,多数企业均存在不同程度的投入冗余或产出不足,仅有部分企业投入一定人力资本与资金要素能够获得显著的创新产出。

2.基于Malmquist指数的技术创新效率动态分析

(1)不同年度技术创新效率分析

为进一步判断长三角区域高技术产业技术创新效率的时间序列变化情况,选择规模报酬可变的投入导向BCC模型,利用Malmquist指数测算技术效率、技术进步、纯技术效率、规模效率与全要素生产率,分析2017—2021年长三角区域高技术产业技术创新效率进行时间序列与区域动态变化情况,具体分析结果如表3所示。

表3 2017—2021年长三角区域高技术产业技术创新Malmquist指数及其分解

表3结果表明,长三角区域高技术产业2017—2021年全要素生产率均值为1.047,全要素生产率变化指数均值大于1,年均增长幅度4.7%,说明2017—2021年全要素生产率基本呈现增长趋势,但增长速度有待提高。从整体上看,仅有2019—2020年全要素生产率小于1,其他年份全要素生产率均大于1,说明大多数年份全要素生产率表现较好,均处于上升态势。技术效率指数下降1.3%、技术进步指数增长6.1%,可见全要素生产率的增长主要依赖于技术进步,高技术产业技术进步推动技术创新效率提升,说明2017—2021年长三角区域高技术产业技术进步获得显著提升。结合各年度增减趋势可知,2017—2018年全要素生产率增长幅度为5.4%,2018—2019年增长幅度为9.2%,2020—2021年增长幅度为9.6%,仅2019—2020年全要素生产率有所降低,下降幅度为4.8%,这一结果同样说明2017—2021年长三角高技术产业全要素生产率整体呈现上升的发展趋势。

进一步分析各分解效率指数可以发现,2017—2018年、2018—2019年、2020—2021年技术效率指数均大于技术进步指数,尤其是技术效率指数增长幅度较大,2017—2018年、2020—2021年全要素生产率提升主要原因是技术效率提高,2018—2019年全要素生产率提升主要原因是技术进步与规模效率提高,可见纯技术效率变动与规模效率变动均是引起技术效率变动的主要原因,不同年度全要素生产率提升作用中各分解指标贡献效应存在差异,长三角区域高技术产业应重点关注技术进步,以自主创新与高新技术引进引领产业发展。而2019—2020年全要素生产率下降的主要原因是技术效率指数出现大幅度下降,下降幅度为55.7%,其中纯技术效率指数与规模效率指数分别下降22.4%与42.9%,但2019—2020年技术进步指数增长显著,增长幅度高达114.7%,且技术效率指数远远小于技术进步指数,说明技术进步显著提升难以弥补技术效率与规模效率对全要素生产率的抑制作用,所以长三角高技术产业仍需要优化技术创新过程,提高创新要素资源利用效率。

(2)不同省市技术创新效率分析

为进一步从区域维度分析长三角三省一市高技术产业技术创新Malmquist指数及其分解指标,本文从不同省市角度揭示长三角区域高技术产业技术创新效率的动态变化。不同省市技术创新效率情况如表4所示。

表4 长三角三省一市高技术产业技术创新Malmquist指数及其分解

由表4可知,上海市、江苏省与安徽省全要素生产率均呈现增长态势,长三角整体平均增长幅度为4.7%,技术进步指数增长幅度为6.1%,技术效率指数下降1.3%,其中纯技术效率指数增长9.3%,规模效率指数下降9.7%,说明技术进步增长是长三角区域高技术产业全要素生产率提升的关键要素,长三角高技术产业需要进一步优化创新资源配置效率,提高技术创新能力与创新要素使用率。

从不同区域技术创新效率来看,长三角三省一市高技术产业技术创新全要素生产率及其分解指标技术效率指数未呈现统一的“同增同降”变化趋势,即各区域技术创新效率存在一定程度的差异性。上海市、江苏省、安徽省全要素生产率与技术进步指数变化规律相一致,均表现出不同幅度的增长趋势,说明上述区域技术进步与全要素生产率同步性较强,但浙江省全要素生产率下降0.9%,主要原因是技术效率指数下降7%、规模效率指数下降13.2%,说明浙江省相较于长三角其他省市创新投入与创新产出匹配度有所欠缺,创新资源利用效率有待加强。

三、长三角区域高技术产业技术创新效率影响因素分析

上述研究利用DEA-BCC模型与Malmquist指数从静态与动态视角对长三角区域高技术产业技术创新效率进行分析,研究发现大部分企业均处于非DEA有效状态,技术创新投入无法有效匹配技术创新产出。为探究长三角高技术产业技术创新效率具体影响因素,本文从内部维度和外部维度建立影响因素指标体系,以长三角高技术产业综合技术效率作为因变量构建Tobit面板回归模型,从而判断不同因素对高技术产业技术创新效率的影响情况。

1.影响因素指标体系构建

基于技术创新动力机制与影响因素研究现状,借鉴刘永松等(2020)[12]、刘峰等(2016)[13]、项燕(2022)[14]的研究方法,本文从内部与外部双视角构建技术创新效率影响因素指标体系,并将其纳入Tobit面板回归模型进行实证检验。具体影响因素指标体系见表5。

表5 长三角高技术产业技术创新效率影响因素指标体系

2.模型设定

以DEA-BCC模型测算结果(综合技术效率)为被解释变量,以上述长三角高技术产业技术创新效率内部影响因素与外部影响因素为解释变量,构建技术创新效率影响因素分析的Tobit回归模型,如式(7)所示。

CRSi,t=α0+α1SIZEi,t+α2TOP10i,t+

α3ROAi,t+α4SAi,t+α5LEVi,t+α6GOVi,t+

α7FINTECHi,t+εi,t

(7)

式(7)中,CRSi,t表示企业i在第t年的综合技术效率,α0为常数项,α1-α7为各种影响因素对技术创新效率的作用大小(回归系数),ε为随机误差项。

3.Tobit回归结果分析

为判断不同影响因素对技术创新效率的作用大小,本文对Tobit回归模型进行Hausman检验,以筛选模型偏好与降低原始数据波动对回归结果的影响。对所有变量进行平滑性处理后Prob>chi2=0.2743,似然比统计量LR值在1%的置信水平上显著,即不拒绝原假设,技术创新效率具有截断特征且模型存在强烈的个体效应,所有应选择随机效应的Tobit面板回归模型检验各种因素对技术创新效率的影响程度。综合技术效率与各种影响因素回归结果如表6所示。

表6 长三角高技术产业技术创新效率影响因素Tobit模型面板回归结果

表6显示长三角高技术产业技术创新效率影响因素回归结果。从内部影响因素来看,企业规模、资产负债率与综合技术效率相关系数分别为0.189、-0.172,均通过1%的置信水平检验,说明企业规模与技术创新效率显著正相关、资产负债率与技术创新效率显著负相关,扩大企业规模有助于合理布局产业结构与发挥规模经济效应,从而优化创新资源配置、平衡创新投入产出以及激发规模效应对提升技术创新效率的促进作用,同时负债比例增加对提升技术创新效率具有负向影响,增加债务比例容易导致企业承担过高的财务风险,大量流动资金需要偿还不同期限的债务本金与利息,可能造成企业难以满足技术创新活动的资金需求,从而抑制创新活动开展与技术创新效率提升。盈利能力、融资约束与综合技术效率相关系数0.256、-0.149均在1%的置信水平上显著,盈利能力与技术创新效率显著正相关,融资约束与技术创新效率显著负相关,说明盈利能力强有助于企业扩大创新要素投入规模,提高技术创新重视程度与创新研发动力,以扩大创新投入、优化创新过程以及引导创新产出提升企业技术创新效率。企业面临较为严重的融资约束问题时,其可能开展无重大技术突破的策略性创新而放弃必要的实质性创新活动,表面上增加创新成果数量以降低经营风险、回收营运资金,最终导致企业创新资源投入不足、创新产出转化受限,即融资约束制约企业技术创新效率的提升。股权集中度与技术创新效率在10%的置信水平上显著正相关,说明股权集中有助于充分发挥股东的监督功能,通过优化创新资源配置、增强创新动力与提高创新能力促进企业提升技术创新效率。

从外部影响因素来看,政府补助、金融科技发展水平与技术创新效率相关系数分别为0.218、0.304,且均在1%的置信水平上显著,说明政府补助、金融科技发展水平均与技术创新效率显著正相关,提高政府补助与金融科技发展水平均可以正向促进企业提升技术创新效率。主要原因在于:第一,实质性创新活动周期长、难度大、不确定性高且资金需求大,政府补助能够为项目研发、技术改造以及技术创新等活动提供专项资金支持,缓解资金不足等问题对技术创新活动的制约作用,从而激发创新动力、提高创新能力与提升创新效率。第二,金融科技发展是提升技术创新效率的核心动力与有效途径,金融科技导致市场产品规模扩大、需求多样和质量上升,引导企业不断加大技术创新力度、提高技术创新产出效率以满足消费市场不同层次、不同类型的产品需求,且其能够缓解企业与投资者之间信息孤岛问题,以优化要素资源配置,提高技术创新效率与创新成果产出率。

四、结论与建议

本文采用DEA-BCC模型静态分析高技术产业综合技术效率,通过DEA-Malmquist指数分别从时间序列与区域维度动态分析高技术产业全要素生产率及其各项分解指标,并利用Tobit面板回归模型探究长三角高技术产业技术创新效率的内外部影响因素。研究发现:第一,2017—2021年长三角高技术产业综合技术效率均值为0.12,达到DEA有效水平的企业数量较少,整体技术创新效率仍处于较低水平,创新投入难以有效匹配创新产出,存在不同程度的投入冗余或产出不足。第二,2017—2021年长三角高技术产业全要素生产率均值为1.047,年均增长幅度达4.7%,呈现增长趋势但增长速度有待提高。第三,长三角整体全要素生产率平均增长幅度为4.7%,技术进步增长是长三角区域高技术产业全要素生产率提升的关键要素。第四,Tobit面板回归模型回归结果表明企业规模、股权集中度、盈利能力是显著提升技术创新效率的内部因素,融资约束、资产负债率是显著抑制技术创新效率的内部因素,政府补助、金融科技是显著提升技术创新效率的外部因素。基于上述分析,本文提出以下政策建议。

第一,发挥产业集群优势,提高创新资源利用效率。长三角是我国经济发展最活跃、创新能力最强的城市群之一,但大部分企业均存在技术创新规模效率递减,说明创新资源未得到合理利用,存在不同程度的创新投入冗余或创新产出不足。加强长三角科技创新共同体建设,鼓励产业内部整合重组创新资源、优化调整创新模式,以产业集群发展推动创新要素跨地区、跨行业流动,提高创新资源的区域流动效应与利用效率,平衡创新资源投入与创新成果产出,从而提升长三角高技术产业技术创新效率。

第二,激发技术创新动力,引导高技术产业由规模发展转变为高质量发展。技术进步是长三角高技术产业提升全要素生产率的关键因素,产业发展应在扩大规模的基础上提高创新要素投入强度,平衡规模扩张与发展质量之间的动态协调关系,转变追求数量扩张的粗放发展方式,以质量提升推动产业发展“提质增效”。创新平台、创新人才是激发技术创新动力的重要抓手,与高校、科研院所合作培养、引进高技术人才,强化政产学研合作力度,确保建立健全创新平台、合作培养创新人才、协同研发关键核心技术和提升创新成果转化能力逐渐成为高技术产业发展的核心动力,合理解决长三角高技术产业技术创新存在的规模报酬递减效应。

第三,注重产业基础与共性技术研发,加大政府科技创新扶持力度与金融科技支撑力度。技术创新过程需要投入大量要素资源,部分企业因资金限制等问题无法有效开展技术创新活动,这就需要政府部门加大高技术产业研发关键核心技术的资金补贴,支持创新平台建设与创新要素投入,缓解技术创新过程企业可能面临的融资约束等要素资源不足问题,从而充分发挥政府服务市场的重要作用。金融科技是提升企业信息披露质量、降低企业与相关利益主体间信息不对称的有效手段,利用金融科技等数字信息技术深度挖掘、智能分析市场潜在需求,逐渐立足市场变化调整技术创新方向,从而提高策略性创新行为成功率与实质性创新行为成果转化率。

第四,推进高技术产业治理结构改革,有效提升市场竞争力与盈利能力。上述分析显示股权集中程度显著影响高技术产业技术创新效率,股权适当集中有利于提升创新决策制定与创新要素投入的及时性,也是形成创新成果、提高创新成果市场转化率的治理环境保障。同时,大部分高技术企业未达到创新投入与创新产出的最佳状态,企业应优化技术创新管理过程,确保投资项目的盈利性和成功率,确保市场竞争力与盈利能力逐渐成为提升技术创新效率的重要基础。