高技术产业是目前中国经济转型升级的领头军，是推动新旧动能转换的重要力量。在新古典经济增长模型或内生性经济增长模型中，技术进步是推动经济增长的重要因素[1]。技术创新、技术改进带来的技术进步能够为经济增长提供动力支撑[2，3]。基于中国经济数据实证分析的结果同样表明技术进步在经济增长中发挥着举足轻重的作用[4]。因此，作为先进技术行业具有代表性的高技术企业发展受到高度重视，研究其资源利用效率具有重要意义。本文以中国东部地区高技术产业为研究对象，综合运用两阶段DEA模型和交叉DEA模型进行高技术产业效率评价，通过模糊定性比较分析(fsQCA)探索高技术产业效率的触发构型，并根据分析结果，以山东为例提出相应策略。
目前运用DEA模型进行高技术产业研发和经营效率评价建模的方式主要有单阶段DEA评价模型和两阶段DEA评价模型。单阶段DEA模型中，陈洪转和舒亮亮(2013)、李向东等(2011)用投入导向的CCR模型对中国高技术产业效率进行了评价；李洪伟等(2012)、赵树宽等(2013)采用投入导向的BCC模型对中国28个省份高技术产业效率和吉林省151家高技术企业的创新效率进行了分析。以上研究通过DEA建模将效率评价划分为有效单元和无效单元，发现中国高技术产业效率仍然普遍较低。
熊婵等(2014)运用投入导向的CCR模型和交叉DEA模型对2008年120家高技术创业企业运营效率进行了评价分析。Wang&Zhou[5]评价了西安中小型高技术企业效率，发现不同行业企业表现出不同的效率特点。Hong等[2]也使用DEA建模分析了中国高技术产业效率。在两阶段分析模型中，叶锐等[6]运用BCC模型、关联DEA模型、共享投入关联DEA模型对1999—2010年29个省份知识产出效率、科技成果转化效率进行了分析，得出中国高技术产业效率省际差异较大、东中西部具有区域递减特征的结论。冯志军和陈伟[7]使用投入导向CCR模型，对2010年中国高技术产业及其细分行业技术创新效率、技术转化效率、技术研发效率进行了分析。陈建丽等[8]采用投入导向的网络SBM模型分析了2000-2011年中国高技术产业17个细分行业技术创新、技术转化以及技术研发效率。董艳梅、朱英明[9]采用投入导向及产出导向的BCC模型对2011-2013年高技术企业技术创新效率、技术转化效率以及技术研发效率展开了评价。以上研究均发现中国高科技产业细分行业及企业效率偏低。
Guan&Zuo[10]基于投入导向的网络DEA模型评价了2007-2011年35个国家创新系统的创新效率，发现知识商业化阶段的效率对于刺激经济增长尤其重要。Zou等[11]使用两阶段DEA模型分析了中国高技术产业效率，发现财政赤字是造成效率低下的重要因素之一。还有一些学者结合DEA效率评价实证研究了相关影响因素，如Guan&Chen[12]、肖仁桥等[4]通过Tobit分析发现企业规模、政府支持等对高技术产业创新效率或综合效率具有正向影响。
运用DEA模型进行高技术产业效率评价的研究逐步转向多阶段细分评价,数据来源包含截面数据和面板数据，但现有研究主要局限于对DEA决策单元是否有效的判断,缺乏不同DEA决策单元之间的比较分析。另外，已有研究提出的高技术产业发展建议主要基于DEA效率评价结果进行投入或产出调整，较少注重同管理实践相结合，并且对于高技术产业效率影响因素探讨的方法比较单一，均基于Tobit建模的实证研究，这在一定程度上导致研究逻辑过于拘束。
鉴于此，本研究采用2010-2016年东部地区高技术产业面板数据，将两阶段DEA模型和交叉DEA模型相结合，对东部地区高技术产业的创新效率进行评价，计算出技术创新阶段以及经济转化阶段的交叉DEA效率。基于分析结果，运用模糊定性比较分析探索高技术产业效率的触发构型。结合自评效率和他评效率进行地区间效率、行业间效率横向比较和不同年度效率纵向比较，从而识别出创新效率优势地区和优势行业；结合高技术效率前因构型提出提升高技术产业效率的具体措施和管理对策。
依据国家统计局、国家发改委以及科技部共同编写的《中国高技术产业统计年鉴》中地区划分方法，北京、天津、河北、上海、江苏、浙江、福建、山东、广东和海南均被划分为东部地区。东部地区大部分省市属于京津冀、长三角或珠三角，其经济发展处于中国领先水平。将山东省高技术产业技术开发效率和经济转化效率同东部地区其它省市进行对比分析具有可借鉴性[13]。高技术产业主要包含医药制造业、航天航空器及设备制造业、电子通信设备制造业、计算机及办公设备制造业、医疗仪器设备及仪器仪表制造业等行业。本研究运用两阶段DEA模型和交叉DEA模型将东部地区9个省市高技术产业中的五大行业作为决策单元(Decision Making Units, DMU)分年度进行效率评价，获得不同地区、不同行业技术研发效率和经济转化效率，从而将山东省同其它省市进行横向比较和纵向比较。通过比较发现效率优势地区和优势行业；通过观察山东省分行业排名纵向变化，总结山东省高技术产业效率变化特征。
数据包络分析(Data Envelopment Analysis)由Charnes、Coopor&Rhodes于1978年提出，DEA常用模型主要有CCR模型和BCC模型[14]。本研究选择输入径向的BCC模型进行高技术产业效率评价，从而计算各投入指标在实现当前产出时的输入冗余。以下为选用的输入导向BCC基本模型。
假设有n个待评价的决策单元DMUj(j=1，2，…，n)，每个决策单元DMUj有m个输入、s个输出，即：
(1)
输入和输出矩阵分别为：
(2)
对于任意DMUj基于凸性、锥性、无效性和最小性公理的假设，有生产可能集：
(3)
得到输入导向的DEA的BCC模型为:
(4)
其中，xij0和yrj0分别表示第j0个DMU的第i项输入和第r项输出；
和
表示松弛变量；ε表示引入的非阿基米德无穷小量。基于常用BCC模型、综合模型进行调整，在考虑其它决策单元效率时进行决策单元效率评价，增强评价结果的合理性和现实体现性。
结合两阶段分析，本文将高技术产业从投入到产出的过程划分为技术开发和经济转化两个阶段。首先采用投入导向的BCC模型进行高技术产业整体效率评价，其中评价模型如式(5)所示。
BCC=max
采用投入导向的BCC模型分别对两个阶段的效率进行评价。需要注意的是，技术开发阶段的产出指标将作为经济转化阶段的投入指标使用，因此需要维持技术开发阶段和经济转化阶段相应指标系数不变。同时，在经济转换阶段增加“新产品开发经费投入”作为投入指标。基于此，技术开发阶段的效率评价模型如式(6)所示。
BCC=max
(6)
经济转化阶段的效率评价模型如式(7)所示。
(7)
BCC模型能够确定决策单元的最优效率，但是模型给出的最优效率投入产出系数却不唯一，而且DEA模型基于自身投入产出情况进行评价，评价结果缺乏说服力。所以，本研究基于Sexton等提出的交叉DEA模型，使用第p个决策单元的最优效率值所对应的指标权重计算第q个决策单元的效率，并将得出的所有效率进行平均，获得含有自评效率和他评效率的高技术产业效率，并按平均值进行排序，获得相应效率的测评结果[15]。
图1 两阶段DEA模型中投入、产出指标
如图1所示，技术研发阶段的投入指标有R&D人员折合全时当量、R&D人员数、人员劳务费、仪器和设备费、政府资金、企业资金、R&D经贸外部支出等7项；产出指标有专利申请数和有效发明专利数2项。经济转化阶段的投入指标为技术开发阶段的产出指标，即专利申请数和有效发明专利数，同时加入新产品开发经费投入这一指标；产出指标为新产品开发项目数、新产品销售收入和新产品出口销售收入。各专用名词的界定为[13]：R&D (research and development)，指在科学技术领域为增加知识总量以及灵活运用这些知识创造出新应用而进行的系统性活动； “R&D人员折合全时当量”指全时人员数加非全时人员按工作量折算的全时人员数总和，该指标在评价科技人力投入方面应用广泛；“R&D经费内部支出” 指报告年度企业科技活动经费内部支出中用于基础研究、应用研究和试验发展3类项目的直接费用支出以及用于此3类项目管理和服务等方面的费用支出；“政府资金”指研究和试验发展经费支出中来自中央政府和地方政府的财政扶持资金；“企业资金”指该企业R&D经费内部支出中自有资金以及从其它企业取得的合理资金；“新产品”指应用新原理、新技术、新材料，具有新结构、新功能的产品，或者产品在结构、功能、品质、花色、款式及包装上具有新特点和新突破，其结构更加合理、功能更加齐全、品质更加优良，能更多地满足消费者不断变化的需求的产品；“新产品开发经费支出”指报告年度企业科技活动经费内部支出中用于新产品研究开发的经费支出，包括新产品研究、设计、模型研制、测试、试验等费用支出。两阶段指标编号如表1所示。
表1技术开发阶段与经济转化阶段指标编号
阶段类别编号指标名称阶段类别编号指标名称技术开发阶段投入指标产出指标X1研发人员折合全时当量X2研发人员人数X3人员劳务费X4仪器和设备费X5政府资金X6企业资金X7研发经费外部支出Y1专利申请数Y2有效发明专利数经济转化阶段投入指标产出指标Y1专利申请数Y2有效发明专利数Φ新产品开发投入Z1新产品开发项目数Z2新产品销售收入Z3新产品出口销售收入
本研究数据来源于国家统计局和国家发改委共同编写的《中国高技术产业统计年鉴2010-2017》，采用2010-2016年数据，运用DEA模型分年度进行评价。考虑到技术研发和经济转化耗时问题，本研究对数据选取作如下处理：①对于技术开发阶段的投入和产出数据分别取t，t+1年；②对于经济转化阶段的投入和产出数据分别取t+1，t+2年。
鉴于不同地区高技术产业情况不同，以及数据获取不完整性，本研究分析数据剔除粤航和闽航两个决策单元，分析2012-2016年各年份43个决策单元的数据。
鉴于DEA要求所有指标值均为非负数，但实际应用中原始数据可能存在负数，因而采用式(8)将所有原始数据转化为非负数。
(8)
对n个决策单元的第j个指标进行处理，其中：mj=min(xij),Mj=max(xij)，yij∈[0,1]，i=1,2,...,n。
利用DEAP2.1对进行非负处理后的面板数据进行评价，使用MAXDEA专业版进行交叉DEA模型效率计算。选择投入导向模型进行分析，最终获得各决策单元的综合效率、纯技术效率以及规模效率，并同时获得投入指标冗余和产出指标情况。
2012-2016年东部地区BCC效率高的高技术行业如表2所示。根据决策单元分析结果，分别将技术开发阶段、经济转化阶段和整体阶段BCC综合效率排名前3位的行业单独列出。为便于记录，采用行政简称表示各地区，分别是京、津、冀、沪、苏、浙、闽、鲁、粤。高技术行业则作出如下指代，“医”即医药制造业、“航”即航天航空器及设备制造业、“电”即电子通信设备制造业、“计”即计算机及办公设备制造业、“仪”即医疗仪器设备及仪器仪表制造业。
表2各年度交叉BCC综合效率位于前列的高技术行业
年度技术开发阶段经济转化阶段整体阶段2012京计、津电、沪计津电、京航、沪计京计、津电、沪计2013京电、京计、津电京计、津电、沪计津电、京计、京电2014京计、苏电、粤计沪电、京电、津电京电、苏电、粤计2015浙计、粤计、苏计京电、浙计、苏电浙计、沪计、苏电2016京电、鲁电、沪计粤计、沪计、浙计粤计、津电、浙计
根据表2，通过对不同高技术行业效率进行评价，得到技术开发阶段、经济转化阶段以及整体阶段BCC效率排名情况。由表2可知各年度高技术产业优势行业分布情况，可看出地区优势高技术行业。北京的计算机及办公设备制造业以及电子通信设备制造业、上海的计算机及办公设备制造业、天津的电子通信设备制造业、江苏电子通信设备制造业、广东的计算机及办公设备制造业和浙江的计算机及办公设备制造业等均表现出效率优势。山东的高技术行业并未进入前三。为了详细展示山东省高技术行业效率纵向变化，对山东省各年度高技术行业效率进行整理，如表3所示。
根据表3可看出，山东省5个高技术行业都体现出规模效率高、纯技术效率低的特点，这符合高技术企业研发阶发投入高、不确定性大的行业特征，同时高技术行业在技术带动下，往往具备独特竞争优势，一旦实现技术成果转化，便能实现高成长性。对比同一年度山东高技术行业的效率，电子通信设备制造业的综合效率比其它行业好，具有效率优势。
表3山东省高技术行业交叉整体效率情况
综合效率纯技术效率规模效率201220132014201520162012201320142015201620122013201420152016医航电计仪0.2070.2260.2340.1940.2260.3640.3220.3370.2590.3260.7290.7260.7350.6240.7360.2920.2520.2290.2640.2970.3220.3260.2960.3240.3710.7010.7320.7150.7370.7660.2690.2720.2360.2910.2990.3290.3460.3220.3560.3450.7440.7560.7520.7290.7270.2120.2690.3020.2770.2310.3150.3920.3670.2960.3520.7270.7760.7620.7310.6620.2390.2260.2070.2190.2050.3220.3250.3190.3430.3710.7160.7290.7210.6530.623
将山东省各年度不同行业整体阶段效率平均，计算5个高技术行业的效率平均值，获得山东省高技术产业的效率情况，如表4所示。两个子阶段的效率如表5所示。
由表4可知，2012-2016年山东省高技术产业的综合效率均低于0.3，综合效率平均值为0.244，说明近5年山东省高技术产业研发活动效率水平较低，但自2013年后综合效率呈现出明显稳定提升趋势。山东省高技术产业效率呈现纯技术效率评价较低、规模效率评价较高的特点，符合关于高技术企业高风险、高投入、高成长性的特点。
表4山东省高技术产业年度交叉DEA效率情况
年度整体阶段综合效率纯技术效率规模效率20120.2240.3360.72920130.2500.3390.74520140.2420.3260.73520150.2530.3240.69520160.2520.3510.704
表5山东省高技术产业各年度子阶段交叉DEA效率情况
年份技术开发阶段经济转化阶段综合效率纯技术效率规模效率综合效率纯技术效率规模效率20120.2790.3210.6060.3350.4730.74320130.2640.3960.6440.3410.5690.60120140.2270.3650.6790.3490.4320.74920150.2160.3640.6540.3120.4560.66520160.2490.3060.6100.3360.5740.631
根据表5，山东省高技术产业两个子阶段的综合效率分布于0.21～0.35之间，经济转化阶段的平均综合效率高于技术开发阶段。 2013年，两阶段综合效率呈现出“双高”态势。此外，技术开发和经济转化两个子阶段仍表现出纯技术效率较低、规模效率较高的特征。就纯技术效率而言，技术开发阶段比经济转化阶段更低，如图2所示。技术开发阶段主要进行核心技术研发，比经济转化阶段只针对新产品研发面临更高风险；在统计期间，山东省高技术产业发展态势良好，专利授权量稳步上升，但在进行技术开发过程中仍然存在粗放型投入的情况，导致在整个技术开发阶段效率水平较低。相对而言，经济转化阶段效率更高，且高技术产业产值涨幅维持在较高水平。
图2 2012-2016山东省高技术产业两阶段交叉效率矩阵
根据已有实证研究成果，本研究选取市场化程度、产业集聚度、企业规模、政府支持、产业结构、劳动激励作为前因条件，探索高技术产业效率的触发构型。市场化程度参照王小鲁[16]编写的地区市场化指数报告，用地区市场化总指数评分表示；产业集聚度采用各地区高技术企业数量表示；企业规模用高技术产业平均从业人员人数表示；政府支持选取上年度政府资金占科研经费的比例表示；产业结构采用第二产业生产总值占地区生产总值的比例表示；劳动激励选择高技术产业中员工劳务费占总投入的比例表示，反映高技术企业对员工的物质激励。按照fsQCA的分析步骤，首先对所涉及的变量依据Ragin[17]提出的5%(完全不隶属)、95%(完全隶属)、50%(最大模糊度)进行校准，然后对各变量单项前因条件的必要性和充分性进行分析，分析结果如表6所示。
由表6，产业结构的必要性分析结果为1，说明产业结构为必要条件，因此不将产业结构纳入前因条件组合的构型分析。
表6高技术产业综合效率前因条件构型
本研究采用fsQCA3.0软件进行分析，首先构建2k行真值表，其中K为前因条件个数，每行代表不同的条件组合。在fsQCA分析中，一致性门槛设定为0.8，可接受个案数设定为1，如表7所示。其中●表示存在核心因果性条件，
表示核心因果性条件缺失；●表示辅助因果条件存在，表示辅助因果条件缺失。将具有相同核心因果条件的构型进行归类，从而获得以下两种高技术产业综合效率触发模式。
构型一：S1的前因构型为“产业集聚度·劳动激励·企业规模”，引致高技术产业综合效率的核心条件为高产业集聚度和高劳动激励，辅助条件为低水平的企业规模。根据该构型，当高技术产业中包含数量众多的小规模高技术企业，且企业对员工实施高劳动激励时，高技术产业更有可能实现高效率。已往研究表明，产业集聚度对高技术产业综合效率不存在显著影响[17]，员工激励能够通过提高工作满意度从而改善工作绩效[23]。从本触发构型来看，当企业规模较小时，适当的劳动激励结合产业集聚度，能够促进高技术企业效率提升。
表7高技术产业效率前因条件构型
构型二： S2的前因构型为“市场化程度·劳动激励·政府支持”，引致高技术产业综合效率的核心条件为高市场化程度和高劳动激励，辅助条件为高政府支持。已有研究表明，政府支持对高技术产业综合效率具有显著的积极影响[17]，同时随着区域市场化程度提高，资本配置效率逐步优化[18]，企业绩效提升[19]。根据本构型，高技术产业所处环境的市场化竞争程度与政府支持、劳动激励水平相配合时，高技术产业效率更高。市场化进程中不断优化的资本配置使金融资本向高技术产业转移，政府资金对高技术产业形成支持，市场导向同政府支持协同，从而实现高技术产业效新效率提升。
本研究采用面板数据，结合两阶段DEA模型和交叉DEA模型对东部地区高技术产业创新效率进行评价，并运用模糊定性比较分析了高技术产业效率的触发模式，提出了两种主要的触发构型。研究结果表明，中国东部沿海经济带高技术产业效率整体水平仍然较低，但产业规模效率较高，高技术产业成长性较好。产业技术开发和经济转化两个子阶段表现出不同特点：技术开发阶段的纯技术效率比经济转化阶段低，说明高技术产业基础技术攻关环节有待加强。通过模糊定性比较分析发现，中小规模高技术企业具有较高的产业集聚水平和有效的劳动激励制度时，加上政府支持，则其研发活动能够获得较好的综合效率。
山东省五大高技术行业在技术开发阶段和经济转化阶段中各指标均存在投入冗余问题，其中企业研发资金、人员资金以及科研人员投入3项冗余比例比较大，需要进行相应优化。
基于效率评价结果，以山东省为例从管理实践视角提出效率提升策略。
(1)充分发挥政府支持的作用，建设产学研联动机制，帮助企业分散技术创新阶段的风险。借鉴江苏省经验，在政府部门支持下，多渠道引进社会资金和技术支持，实施“科技创新要素供给”工程，培育企业创新能力；积极建设以企业为主体的众创空间生态系统；构建“政产学研金服用”等主体间的互动融合机制，构建产学研结合的创新型体系。借鉴深圳市经验，针对小企业研发能力有限的问题，构建以破解重大共性关键技术难题为主的行业公共技术研发平台，提供检测、实验条件平台，帮助中小企业实现技术创新。
(2)完善市场竞争制度，重视知识产权保护，搭建科技成果交易平台，为提升科技成果转化率和高技术产业效率提供良好的外部市场环境。针对科技创新投入较高，但科技创新产出效率较低问题，从科技制度创新入手，优化科技创新基础资源配置方式，支持企业与大学、科研机构开展科技创新合作；鼓励科技创新人才在科研单位和企业间相互挂职；成立以政府为主导，科研单位为核心，企业为主体的科技创新实践基地，促进人才联合培养以及科技创新成果有效转化。
(3)加强资金和人才等创新要素资源协同和集聚，建构良好的人才激励机制，实现高技术产业高效率运转。完善硬件基础设施，建立股权激励、事业发展激励等柔性人才引进机制；完善科技创新人员对科技创新成果的使用权和处置权，提高科技创新人才科技创新成果收益比；设立科技创新成果奖励基金，提高科技创新人才的科技创新动力。同时，大力引进科技创新人才，多层次、多渠道建立科研机构、高校间的人才流动与合作机制，突破制约企业科技创新投入与产出效率的关键性技术要素，不断提高高技术企业的纯技术效率和规模效率，打造具有区域特色的高技术企业发展新高地。
[1] MORALES M F. Research policy and endogenous growth[J]. Spanish Economic Review, 2004, 6(3): 179-209.
[2] HONG J, FENG B, Wu Y, et al. Do government grants promote innovation efficiency in China's high-tech industries? [J]. Technovation, 2016, 57: 4-13.
[3] TOMMARELLO J D. A model for collaborative technologies in manufacturing [J]. International Journal of Computer Integrated Manufacturing, 2003, 16(4-5):357-371.
[4] 肖仁桥, 钱丽, 陈忠卫. 中国高技术产业创新效率及其影响因素研究[J]. 管理科学, 2012, 25(5):85-98.
[5] WANG Y Y, Zhou Y. The empirical analysis of technological innovation efficiency of small and medium-sized high-tech enterprises in Xi'an high-tech zone based on DEA [J]. Advanced Materials Research, 2015, 1065-1069;2495-2499.
[6] 叶锐, 杨建飞, 常云昆. 中国省际高技术产业效率测度与分解——基于共享投入关联DEA模型[J]. 数量经济技术经济研究, 2012(7):3-17.
[7] 冯志军, 陈伟. 中国高技术产业研发创新效率研究——基于资源约束型两阶段DEA模型的新视角[J]. 系统工程理论与实践, 2014(5):1202-1212.
[8] 陈建丽, 孟令杰, 姜彩楼. 两阶段视角下高技术产业技术创新效率及影响因素研究[J]. 数学的实践与认识, 2014, 44(4):63-74.
[9] 董艳梅, 朱英明. 中国高技术产业创新效率评价--基于两阶段动态网络DEA模型[J]. 科技进步与对策, 2015(24):106-113.
[10] GUAN J, ZUO K. A cross-country comparison of innovation efficiency [J]. Scientometrics, 2014, 100(2): 541-575.
[11] ZOU W J, HUANG C W, CHIU Y H, et al. The dynamic DEA assessment of the intertemporal efficiency and optimal quantity of patent for China's high-tech industry [J]. Asian Journal of Technology Innovation, 2016, 24(3): 378-395.
[12] GUAN J, CHEN K. Modeling the relative efficiency of national innovation systems [J]. Research Policy, 2012, 41(1): 102-115.
[13] 贾楠总. 中国高技术产业统计年鉴.2010-2017[M]. 北京：中国统计出版社, 2010-2017.
[14] 魏权龄.数据包络分析[M].北京:科学出版社,2006.
[15] SEXTON T R, SILKMAN R H, HOGAN A J. Data envelopment analysis: critique and extensions [J]. New Directions for Evaluation,1986(32):73-105.
[16] 王小鲁. 中国分省分市场化指数报告: 2016[M]. 北京：中国社会科学文献出版社, 2016.
[17] RAGIN C C. Set relations in social research: Evaluating their consistency and coverage[J]. Political Analysis, 2006, 14(3): 291-310.
[18] 吕永卫, 王珍珍. 高技能人才薪酬激励效果的实证研究——基于薪酬激励对工作满意度和工作绩效的影响[J]. 工业技术经济, 2010, 29(9):84-88.
[19] 方军雄. 所有制、市场化进程与资本配置效率[J]. 管理世界, 2007(11):27-35.
[20] 吴晓晖, 叶瑛. 市场化进程、资源获取与创业企业绩效——来自中国工业企业的经验证据[J]. 中国工业经济, 2009(5):77-86.
