式中η表示技术非效率项uit随时间变化的情况，η>0 (η=0、η<0) 表示技术非效率指数uit随时间变化增加(不变、减少)，也就是效率降低(不变、提升)；vit与uit相互独立，且与其它变量不相关。张 涵,杨晓昕
(中国海洋大学 经济学院， 山东 青岛 266100)
摘 要：以各地区高技术产业为样本，应用超越对数随机前沿模型实证测算了创新环境约束下各地高技术产业基础研发和成果转化创新效率，并基于σ收敛、β收敛以及俱乐部收敛3种判别方法，考察了高技术产业基础研发效率和成果转化效率的收敛性特征。研究发现，2000-2014年我国创新环境对区域高技术产业的影响不可小觑，在其约束下高技术产业基础研发效率不断提升，呈现出东西较高、中北较低的分布态势且出现收敛特征；在应用效率方面，各地区成果转化效率大致划分为2000-2007年的缓慢增长期与2008-2014年的缓慢衰退期两个阶段，具有东高西低、南高北低的分布态势且趋于发散。
关键词：创新环境；高技术产业；区域创新效率；收敛性
1912年熊彼特提出创新一词，意指生产体系中生产要素的全新组合。内生增长理论认为，技术进步和创新是经济增长的“发动机”，会导致不同地区出现差异化发展。除在经济发展上存在收敛现象外，区域技术创新能力也存在收敛现象[1]。而效率则主要表现为劳动生产力的提高，在市场经济制度下劳动分工和市场竞争最有效率。新古典经济学家们还提出传统非效率概念，即企业生产的非效率和资源配置的低效率。企业家为了追求利润，经常将新技术应用于实际，企业创新活动的产出就是技术。高技术产业作为知识技术密集型产业，其创新发展程度是国家科技实力和国际竞争力的重要体现。
1995-2014年我国高技术产业的 R&D人员数从245 572人增至893 959人，增长了3.64倍，R&D经费内部支出也呈现迅速增长态势，按当年物价计算，从17.85亿元增长到2 274.28亿元，增长了127倍；专利申请量从612件增至166 709件，增长了272倍；新产品销售收入也呈现稳步上升态势，从538.37亿元增至35 494.17亿元，增长了65.93倍。这与国家高度重视科技创新发展密切相关，但各地区高技术产业发展不平衡，差距进一步扩大。
因此，本文沿袭 Griliches(1990)的研究，将创新视为一个生产过程，将高技术产业创新活动视为投入一定人力资本和物质资本进行生产的过程，以各省、直辖市高技术产业为研究对象，从区域层面考察高技术产业创新效率及其收敛性问题。与以往研究相比，本文主要在两个方面作了拓展：第一，从基础研发和成果转化两个维度，将创新环境纳入高技术产业创新效率测算中；第二，从基础研发和成果转化两个维度，运用3种收敛检测方法测度了高技术产业的β、σ和俱乐部3种收敛性，丰富了高技术产业区域创新效率的实证研究，对提升区域创新效率和推动区域创新协同具有重要意义。
收敛机制主要分为新古典理论的资本报酬递减和新增长理论的技术扩散两大机制。首先，在新古典理论中，资本边际报酬递减的存在最终导致均衡收敛，但在罗默的“干中学”内生增长理论中投资具有正向外溢效应，出现报酬递増规律，使得经济产生非收敛的发散过程。其次，在新增长理论中，由于技术具有公共物品特性，可以通过贸易、外商直接投资等渠道扩散，落后国家可以通过低成本模仿促进自身技术提升和经济快速增长。当落后国家的技术水平接近发达国家时，模仿成本升高，技术模仿空间缩小，经济増长也随之变缓，直到与发达国家水平相同，实现收敛。技术进步可以由两种不同方式获得，第一种是通过R&D投入，不同的投入比例将导致不同的技术进步率；另一种形式是技术外溢，如果存在技术赶超效应，落后国家将通过技术赶超缩小与先进国家的技术差距，因此两者间的技术差距会在某一点实现均衡稳定，收敛速度取决于技术扩散速度与追赶者的R&D投入力度。
Dowrich 和 Rogers[2]综合两个收敛理论框架，提出git=c+β·ln(yi0) +α·k+εit，其中，g、y、k分别是劳均GDP平均增长速度、初始人均GDP和劳均资本存量增长速度，资本变量表示资本积累在收敛中的作用，而把初始人均GDP解释为技术缺口。若α<1且显著，则存在新古典主义理论中的收敛机制；若β<0且显著，则存在新增长理论中的收敛机制。
马瑞永[3]认为经济增长收敛主要有资本收敛机制、技术收敛机制和劳动生产率收敛机制3种。在技术创新效率方面，赵伟、马瑞永[4]认为技术效率也是导致经济增长收敛的机制之一。王裕瑾和于伟[5]指出，区域维度上的创新也会呈现“核心-边缘”的格局，并形成空间上的极化和扩散，创新效率较高的区域会通过学习追赶，加速创新发展，进而吸纳更多创新资源，强化自身的空间核心位置，对周边区域产生“虹吸效应”，减缓创新效率的收敛进程，加剧区域创新的非均衡发展。
高技术产业区域创新效率是指各地区高技术产业投入产出的转化率，目前学者们主要基于参数和非参数两大方法测算。其中，参数法需设定生产函数，满足一定随机误差分布条件，以学者Aigner和Lovell提出的随机前沿分析(StochasticFrontierAnalysis，SFA)[6]方法最为普遍；非参数法则不需要设定生产函数形式和估计参数，主要包括指数法、数据包络分析法(DataEnvelopmentAnalysis，DEA)等，其中，DEA是由Charnes、Cooper等学者[7-8]发展起来的。
由于DEA方法假设所有经济体的技术水平相同，而我国各省市的经济基础、资源禀赋存在显著差异，高技术产业的技术水平也不尽相同。因此，本文选取SFA方法测算我国高技术产业区域创新效率。
SFA基本模型由Aigner、Lovell(1977)等提出，具体形式为：
lnyi=β0+βilnxi+vi-ui
式中，yi表示第i个地区高技术产业的创新产出，xi表示由创新投入变量组成的K×1维向量，β表示参数向量，uit表示与技术无效率有关的非负随机误差，vi表示与生产函数形式有关的测量误差和统计噪声。
之后，Kumbhakar (1990)等提出基于面板数据的随机前沿生产函数形式[9]：
yit=f(xitβ)exp(vit-uit)
其中，yit表示i地区在时期t的实际产出，f(·)表示生产前沿面上的最大可能产出，也就是效率为1时的产出水平，uit=uiexp[-η(T-t)]表示技术效率，uit在0处截尾且式中η表示技术非效率项uit随时间变化的情况，η>0 (η=0、η<0) 表示技术非效率指数uit随时间变化增加(不变、减少)，也就是效率降低(不变、提升)；vit与uit相互独立，且与其它变量不相关。
技术效率( Technical Efficiency，TE) 是指实际产出期望与前沿面产出期望的比值，也就是产出观测值与相应随机前沿产出之比，计算公式如下：
TEi∈[0,1]，当uit=0时，TEi=1，表示生产处于最高可能水平，此时效率为1；当uit>0时，TEi<1，表示技术还没有达到最前沿水平，此时效率小于1，且与前沿面的距离越远，效率越小，最低为0。
方差参数
表示技术无效项所占比例，同样，γ∈[0,1]，若γ=0表明实际产出与最大产出的差异性均源自随机误差，可直接运用最小二乘方法估计。
基于上述模型，Battese和Coelli(1995)又引入了技术非效率函数[10]，以具体阐释研究对象之间技术效率的不同，其计算公式为：uit=α0+α1Zit+εit。式中，Zit为影响技术非效率的因素，即高技术产业创新环境，α0为常数项，α1为影响因素的系数向量，若系数为负(正)，说明创新环境对技术效率有正(负)向作用，εit为随机误差项。
考虑到高技术产业区域投入产出弹性方面的差异性，采用超越对数的函数形式，构造基础研发效率的SFA模型、成果转化效率的SFA模型以及创新环境效率模型。
高技术产业基础研发创新效率的SFA模型：
lnPatentit=β0+β1lnHumanit+β2lnStockit+
β3ln(Humanit)2+β4(lnStockit)2+β5(lnHumanit)
(lnStockit)+vi-ui
(1)
高技术产业成果转化创新效率的SFA模型：
lnRevenueit=β0+β1lnHumanit+β2lnStockit+β3ln(Humanit)2+β4(lnStockit)2+β5(lnHumanit)
(lnStockit)+vi-ui
(2)
高技术产业创新环境影响效率模型：
uit=α1lnPostit+α2lnTeleph+α3lnGDPpcit+α4lnIndustruit+α5lnEducait+α6lnHospiit+εit
(3)
其中，Patentit或Revenueit表示i地区高技术产业在t时期的专利申请量或新产品销售收入，Humanit、Stockit分别表示人力投入与资本存量。
2.2.1 变量选取
应用SFA模型估算高技术产业技术创新效率时，主要从创新投入、创新产出和创新环境3个方面选取变量。
(1)创新投入。创新投入是支撑高技术产业发展的持久推力，一般从人员和资金两个维度衡量[11-12]。①在人力投入方面，地区衡量指标一般采用反映投入强度的大专及以上学历人数、科学家与工程师人数等绝对数指标，或者体现总体规模的每万人口、人口比重等相对数指标，其中，后者更能代表创新人力投入的总体水平[13]。因此，本文选择R&D人员活动全时当量作为人力投入指标(Human)。②在资金投入方面，许多研究采用以R&D经费支出总额衡量，但R&D经费仅仅是一个流量概念，由于知识的累积或滞后效应，高技术产业的创新产出可能是基于原有知识存量获得的[14]，故本文选取高技术产业R&D资本存量作为资金指标(Stock)，并采用永续盘存法计算R&D资本存量，滞后期为1年。计算公式为：
式中，
表示地区i在第t期的R&D 资本存量，
表示地区i在第t期的R&D经费支出，采用朱平芳和徐伟民(2003)的计算方法(R&D支出价格指数=0.45×固定资产投资价格指数+0.55×消费价格指数)，并以 1995年为基期平减；δ表示R&D 资本存量折旧率(本文取10%)；
表示地区i高技术产业基年(1995)的R&D资本存量；g表示各地区1995-2014年高技术产业R&D 经费支出的几何平均增长率。同时，根据 Coe 和 Helpman(1995)的方法，文中假设 R&D 资本存量(K)和 R&D 经费支出(E)在期内增速相同，即
(2)创新产出。关于高技术产业创新产出，以往研究大多采用科技成果和销售收益评价进行，考虑到高技术产业创新产出的不同阶段，本文从高技术产业创新产出的上下游，即基础研发产出和成果转化产出两个阶段表征。①基础研发是高技术产业创新的基础环节，主要包括专利申请和有效发明。由于专利数据实用可靠、易得可比，而专利授予量会伴随专利审查进度而非创新速度而变化[15]，因此专利申请量比授权量能更好地衡量产出水平[16]。本文选取高技术产业专利申请量(Patent)作为基础研发变量；②成果转化产出是将科学技术和知识成果用于产品生产与商业化的过程[17]。同时，高技术产业的一些应用性技术产品或成果也会在技术交易市场上实现商业转让、销售等下游创新产出。因此，本文选取高技术产业新产品销售收入(Revenue)作为成果转化变量。
(3)创新环境。它会影响高技术产业的区域创新效率[18]，本文的创新环境主要由基础设施环境、教育医疗环境、经济产业环境3个方面组成。①基础设施环境是高技术产业创新活动的承载平台，对高技术产业创新要素的交互和传输具有调整功能。通常区域创新基础设施包括交通物流和技术信息两个方面，因此本文将邮电业务量(Post)和城市电话用户数量(Teleph)作为基础设施环境变量；②教育医疗环境主要由医疗机构和大学研究机构组成，两者对高技术产业区域创新的支持同样不可忽视[19]，其中，医疗机构为人才生活提供重要保障，大学院校是知识开发的发源地，在创造、吸收知识的同时，以各种方式传播与交流知识。因此，文中选取教育支出(Educa)和医疗卫生与计划生育支出(Hospi)作为医疗教育环境变量；③经济产业环境好，有助于优化高技术产业创新资源，提高区域创新资源的使用质量和效益，同时，较强的地区经济实力能够为高技术产业提供更多资金，支持区域创新活动。因此，本文用人均GDP(GDPpc)和产业结构水平(Industru)作为经济产业环境衡量指标。
2.2.2 数据说明
本文以高技术产业为载体，考察2000-2014年国内29个省域(不含西藏、新疆以及港澳台地区)创新效率。所有数据均来自于《中国高技术产业统计年鉴》、《中国科技统计年鉴》以及《中国统计年鉴》。文中所有变量均作对数化处理，变量统计性描述如表1所示。
2.3.1 无创新环境约束下的模型估计
借助Frontier4.1软件，首先在不考虑创新环境约束下进行OLS和SFA估计，结果如表2所示。
表1 变量统计性描述
表2 无创新环境约束下的回归结果
注：①回归变量系数下方的括号内是t统计量值;*、**、***分别表示具有10%、5%、1%的显著性水平； ② LR为似然比检验统计量，符合混合卡方分布(下同)
由表2看出，首先，模型(1)和模型(2)中的σ2与η均显著，但基础研发效率模型中γ估计值未能通过检验，表示不适合釆用随机前沿模型，成果转化效率模型中γ=0.794且非常显著，表示技术非效率是高技术产业成果转化未达到前沿面水平的重要原因，适用于SFA模型。两大模型中的η均显著大于0，表明技术非效率是随时间不断递减的，即高技术产业基础研发和成果转化效率都是不断改善的。
其次，基础研发效率模型中η为正(0.111)且显著，表明2000-2014年我国高技术产业的基础研发效率逐年提高。从OLS估计结果看，人力投入对专利申请有显著促进作用，高技术产业人力投入对专利申请的弹性值为0.27，而资本存量对专利申请产生抑制作用，资本存量的二次方项系数为正(0.139)且显著，说明高技术产业的资本存量与专利申请弹性呈U型关系，另外，人力投入与资本存量对高技术产业专利申请的交互作用不显著。
在成果转化效率模型中，η同样为正(0.041)且显著，表明高技术产业的成果转化效率也逐年提高。从SFA估计结果来看，人力投入会产生促进作用，但资本存量未通过显著性水平检验。人力投入二次方项系数为负(-0.183)，说明高技术产业人力投入与产业新产品销售收入弹性呈U型关系，而人力投入与资本存量的交互作用同样不显著。
2.3.2 创新环境约束下的模型估计
由于各地区创新环境存在明显差异，对高技术产业创新效率的影响也不同，故加入创新环境因素作进一步回归分析，结果如表3所示。
由表3可知，在加入创新环境变量后，模型(3)和模型(4)中的σ2都显著，模型(3)中的γ值不显著，而η=0.130显著为正，表明高技术产业基础研发创新效率随时间不断改善；模型(4)中的γ=0.885并通过1%显著性水平检验，表示技术非效率是创新生产未达到前沿面产出水平的重要原因，但是η=-0.002且不显著，表明高技术产业成果转化创新的非效率未随时间改变且缺乏动力。模型(3)、(4)中人力投入与资本存量的数值、符号、显著性和模型(1)、(2)中基本一致。
在基础设施方面，由模型(3)中的OLS估计结果知，邮电业务量的弹性系数显著为正(0.222)，城市电话用户数量的弹性系数显著为负(-0.162)，表明邮电业务发展与高技术产业基础研发效率呈负向关系；而在模型(4)SFA估计中只有城市电话用户数量的弹性系数为0.135，表明城市电话用户数量与高技术产业成果转化效率呈正向关系。总体上表明，基础设施环境对各省市高技术产业的基础研发效率和成果转化效率都会产生显著作用。
在教育医疗方面，由模型(3)中的OLS估计结果知，教育水平对专利申请量的弹性系数显著为负(-0.375)，医疗卫生水平系数显著为正(0.715)，反映出教育水平越高越能提升高技术产业的基础研发效率；而在模型(4)的SFA估计结果中两者均不显著。总体上表明，教育医疗环境对高技术产业的基础研发效率产生显著作用，而对成果转化效率则作用不明显。
在经济产业环境方面，由模型(3)的OLS估计结果知，经济发展水平和产业结构水平的弹性系数均未通过显著性检验；而在模型(4)的SFA估计结果中两者对新产品销售收入的弹性系数均显著，分别为0.980和1.148。总体上表明，促进经济发展、优化产业结构有助于我国高技术产业成果转化效率提升。
2.3.3 创新环境约束下的创新效率测算
综上看出，创新环境对我国高技术产业区域创新效率的影响不可忽略，因此测算高技术产业效率时需要纳入创新环境因素。基于此，进一步测算2000-2014年在创新环境约束下我国各地区高技术产业基础研发效率和成果转化效率，具体见表4、表5及图1所示。
表3 创新环境约束下的回归结果
表4 2000-2014年高技术产业区域创新基础研发效率描述性统计
表5 2000-2014年高技术产业区域创新成果转化效率描述性统计
图1 2000-2014年各省市高技术产业基础研发效率和成果转化效率均值
(1)基础研发效率。2000-2014年我国高技术产业基础研发创新效率不断提高，由2000年的0.681提高到2014年的0.934，平均值为0.832，年均增长率为2.476%，符合模型(3)中η显著为正的估计结果，表明高技术产业基础研发非效率随时间递减。
四大经济区的高技术产业基础研发效率呈现出东西较高、中北较低的特征。其中，东部地区普遍较高(0.891)，其次是西部地区(0.818)，东北地区(0.789)和中部地区(0.778)较落后。此外，有13个省市的高技术产业基础研发效率低于全国平均水平，分别是东部地区的北京、河北，东北地区的辽宁、黑龙江，中部地区的山西、安徽、江西、河南，西部地区的内蒙古、贵州、陕西、甘肃、青海；高于全国平均水平的地区主要位于东部地区，其中，广东省的高技术产业基础研发效率最高，为0.968，高技术产业基础研发效率在0.9以上的东部地区共有6个省市，而东北地区只有1个(吉林)，西部地区有2个(重庆、云南)，中部地区没有。
(2)成果转化效率。与基础研发创新效率不同，2000-2014年各地区的高技术产业成果转化效率有所下降，由2000年的0.561降至2014年的0.556，从时间段上大致可以分为两个阶段：第一阶段为2000-2007年，成果转化效率处于缓慢增长期；第二阶段为2008-2014年，成果转化效率处于缓慢衰退期，年均增长率为2.476%。主要是由于在全球金融危机影响下我国高技术产业的市场需求和出口贸易都受到一定冲击，导致高技术产业成果转化效率降低。四大经济区的高技术产业成果转化效率呈现东高西低、南高北低的特点，其中，东部地区普遍较高(0.710)，位于全国平均水平之上，中部地区(0.502)、西部地区(0.462)、东北地区(0.424)均位于平均水平之下，与东部地区差距明显。此外，有13个省市的高技术产业成果转化效率高于全国平均水平，其中，8个位于东部地区，由高到低依次为福建、广东、江苏、山东、天津、上海、北京；2个位于中部地区，分别是河南、安徽；3个位于西部地区，分别是四川、贵州、陕西，东北三省均在0.5以下。
图2 2000-2014年全国及四大经济区高技术产业基础研发效率均值
综上分析发现，各地区高技术产业创新效率存在差异。由于不同地区间创新产出的差距越来越大，是否创新效率的差距也越来越大，即存在一种强者更强、弱者更弱的区域创新“马太效应”，抑或存在有一种创新效率的发散趋势？本文将分别采用β收敛、σ收敛和俱乐部收敛3种收敛性判别方法，从高技术产业的基础研发创新效率和成果转化创新效率两个角度进行实证检验。
σ收敛是最直观的经济增长收敛性判别方法，反映了区域创新效率的不均衡程度是否会随时间推移而趋于降低，若存在收敛，则意味着各地区高技术产业创新效率差距会随时间推移而逐渐缩小。主要方法包括基尼系数、泰尔指数、变异系数等，本文利用标准差和变异系数检测σ收敛，计算方法如下：
式中,Xi表示i地区高技术产业创新效率值，
表示所有地区该指标平均值。本文研究的是国内29个省市2000-2014年基础研发效率和成果转化效率的CV值变化趋势。CV值越大，说明高技术产业区域创新效率差距越大，如果CV值呈下降趋势，则说明存在σ收敛，结果如表6、表7所示。
图4显示，从基础研发创新效率的CV值可以看出，2000-2014年各地区高技术产业的基础研发创新效率呈现σ收敛趋势，即各地区高技术产业在基础研发效率上的发展差距不断缩小，其中，西部地区的σ收敛最为显著，中部地区次之，东部地区较缓慢，说明西部高技术产业“追赶效应”显著，为避免与东中部地区进一步拉大差距，西部地区加大了对企业自主创新扶持力度，鼓励发展新型经济、知识经济与高新技术产业；“中部崛起”战略的实施也促进中部地区高技术产业之间的技术溢出，使创新资源分配趋于合理，这些对于转变高技术产业研发方式、提升区域创新水平都有积极意义。
图3 2000-2014年全国及四大经济区高技术产业成果转化效率均值
如图5所示，从成果转化创新效率的CV值可以看出，2000-2014年各地区高技术产业成果转化效率不存在σ收敛趋势，即可能存在一定“马太效应”。其中，四大经济区的CV值均有不同程度缓慢增长，西部和东部地区的CV值较高，且西部在全国平均水平之上，说明四大经济区之间以及各个经济区内在高技术产业产品开发、市场交易上的效率差距存在不同程度的扩大趋势，这可能主要源于各地区高技术产业市场发展差异较大、交易机制成熟度不一、对外开放度良莠不齐。
尽管CV系数的变化能反映各地区高技术产业创新效率的收敛趋势，但是σ收敛是水平量收敛，没有说明这种收敛的特征和速度，需要借助β收敛分析方法进一步研究。β 收敛是σ 收敛的必要而非充分条件，其收敛是速率收敛，用以检测经济体从转型到稳态的一个追赶过程。本文以各地区高技术产业创新效率的自然对数值作为自变量，将区域创新效率年均增长率作为因变量，分别对全国和东、东北、中、西部地区的样本数据进行一元线性回归，具体回归方程如下：
模型中，yiT为i地区高技术产业期末的区域创新效率，yi0为i地区高技术产业期初的技术创新效率。β为收敛速度，β>0表明技术创新效率发散；β<0表明技术创新效率存在β收敛。由于β=1-eλt，因此收敛(发散)速度λ=ln(1-β)/t，半衰生命周期T=ln2/λ，具体估计结果见表8。
表6 2000-2014年我国高技术产业基础研发效率CV值
表7 2000-2014年我国高技术产业成果转化效率CV值
图4 2000-2014年各地区高技术产业基础研发效率的CV值
图5 2000-2014年各地区高技术产业成果转化效率的CV值
表8 2000-2014年各地区高技术产业区域创新效率β收敛估计结果
(1)在基础研发效率模型中，β=-0.836显著小于0，表示在2000-2014年各地区高技术产业基础研发创新效率存在显著的β收敛且收敛速度λ大约为4.05%，半衰期为15.383年，期初某地区基础研发效率水平相对较高的高技术产业,其创新效率增速会减缓，而期初创新效率相对较低的高技术产业，其创新效率增速则会提高，各地区高技术产业之间的基础研发效率出现缩小趋同的发展态势。
(2)在成果转化效率模型中，β=0.031显著大于0，表示在2000-2014年期间各地区高技术产业成果转化创新效率不存在β收敛，即趋于发散，表示各地区高技术产业成果转化创新效率的发展速度与期初的创新效率正相关，也就是说，期初某地区成果转化效率相对较高的高技术产业，其创新效率增速会加快，而期初成果转化效率相对较低的高技术产业，其创新增速会减缓，发散速度也较为缓慢，仅为0.21%，基本保持平稳态势，进一步佐证了“马太效应”的存在。
Baumol[20]提出了俱乐部收敛概念，因为σ收敛和β收敛侧重于从样本整体层面进行，但无法从不同时点上分析高技术产业创新效率的收敛变化过程，因此，本文以效率水平为考察维度，釆用非参数的核密度估计法(Kernel Density Estimation)考察高技术产业基础研发和成果转化两种效率是否存在俱乐部收敛，以及创新效率是否向某一水平集中。
如果采用参数估计法，就必须先假定样本数据总体分布的概率密度函数。一般采用正态分布形式，若真实分布与假定不同，得到的估计结果就会出现偏误。对此，本文利用核密度估计法，不对样本数据总体分布形式进行假定推断。
首先假设要估计连续型随机变量x在x0处的概率密度f(x0)，由于f(x0)是累积分布函数在x处的导数，故：
对于K维随机变量，x由核密度估计法得到的估计值为：
式中，K(·)是K维核函数，也是权重函数，h为选择带宽。h越大，表示设定样本观测值x0的邻域越大，但估计结果的偏差也越大，同时，估计的概率密度函数
越光滑。
本文借助核密度估计法，考察2000-2014年我国高技术产业基础研发效率和成果转化效率的俱乐部收敛性，结果如图6-图11所示。
图6 2000-2014年高技术产业基础研发效率均值核估计
图7 2000-2014年高技术产成果转化效率均值核估计
图8 2000年高技术产业基础研发效率核估计
图9 2000年高技术产业成果转化效率核估计
图10 2014年高技术产业基础研发效率核估计
图11 2014年高技术产业成果转化效率核估计
在基础研发效率方面，2000-2014年我国高技术产业基础研发效率均值基本呈现双峰分布，但两峰高度相差不大，其中，基础研发效率较高的频次明显大于低效率频次。因此，这种双峰分布在一定程度上也可视为以右峰为主的分布方式。此外，单独以2000年和2014年为例来看，2000年和2014年也基本呈现双峰分布特征，且右峰位置较稳定。与2000年相比，2014年的右峰特征相当明显，两峰差距显著，这主要是由于基础研发效率在0.7以上的省市增多，中西部地区在高技术产业基础研发效率上的“追赶效应”显著，导致左峰逐渐消失。2000年大致以0.8为众数，左峰不太明显，多数地区的高技术产业基础研发效率都集中在0.4～0.8之间。而到了2014年，大致以0.9 为众数，左峰几乎消失，右峰相对突出，多数地区的高技术产业基础研发效率都集中在0.85～0.95之间，反映出我国高技术产业基础研发效率整体处于较高水平，且低基础研发效率和高基础研发效率地区间的均值差距呈现收敛态势，表明区域间的高技术产业协同增强，高效率地区的带动辐射效应和低效率区的学习与追赶效应不断扩大。
在成果转化效率方面， 2000-2014年各地区高技术产业创新效率均值也基本呈现双峰分布，但两峰高度相差较大，即成果转化效率较低的频次明显大于高效率频次，因此这种双峰分布在一定程度上以左峰为主。单独以2000年和2014年为例来看，都大致呈现单峰分布特征，且位置较稳定，峰值与峰状变化不明显，多数地区的高技术产业成果转化效率集中在0.4～0.8之间，表明成果转化效率较高地区对较低地区产生资源“虹吸效应”，在一定程度上削弱了较低地区的创新成果转化，但同时自身的创新发展则采用高投入的粗放模式，创新资源利用效率不高，再加上既得利益集团思想僵化，阻碍了整体效率提升，从而陷入成果转化效率的“中端锁定”。
总之，我国高技术产业区域创新效率大体存在双峰型分布态势，其中，基础研发效率处于较高水平且呈现俱乐部收敛特征，而成果转化效率陷入“中端锁定”。
以国内29个省区的高技术产业面板数据为样本，借助超越对数SFA模型，实证测算了创新环境约束下各省市高技术产业基础研发和成果转化创新效率，并基于σ收敛、β收敛以及俱乐部收敛3种收敛性判别方法，从基础研发和成果转化两个维度考察了高技术产业创新效率的收敛趋势。研究发现：
(1)2000-2014年，在基础设施、医疗教育、经济产业等创新环境的影响下，我国高技术产业基础研发效率不断提高，呈现出东西较高、中北较低的特征，成果转化创新效率略有下降，可以划分为2000-2007年的缓慢增长期与2008-2014年的缓慢衰退期两个阶段，并呈现东高西低、南高北低的区域态势。高技术产业R&D人力投入与R&D资本存量均产生显著作用，低效率俱乐部包括河北、辽宁、黑龙江、广西、青海、甘肃、内蒙古等经济发展相对落后的西部和东北地区，高效率俱乐部则主要包括京津鲁、沪苏浙、粤闽渝三大增长极的核心省市。因此，一方面，各地区应加大教育投入，通过知识创新优化高技术企业的投入产出机制，推动区域产学研合作和知识扩散，夯实创新增长的R&D资本储备和人力资源基础。另一方面，应结合基础设施环境制定差异化的区域创新促进政策，释放产业结构升级对创新效率的积极影响，通过产业结构升级带动创新投入资源的高效利用，形成产业升级和创新效率增长的互促局面。
(2)2000-2014年间各地区高技术产业基础研发效率呈现出σ收敛、β收敛趋势以及双峰型俱乐部收敛，说明各地区高技术产业之间的基础研发效率差距有缩小态势，高技术产业之间的研发创新溢出作用显著，人才、知识等生产要素实现跨区域流动，资源分配趋于合理。这些对于转变高技术产业研发方式、提升区域高技术产业基础研发水平都有积极意义。此外，成果转化创新效率不存在σ收敛、β收敛趋势，表明我国高技术产业成果转化效率存在“马太效应”，各地区间差距存在不同程度的扩散态势，而且俱乐部收敛分析还发现成果转化效率陷入“中端发展”瓶颈。因此，对于成果转化效率处于中端水平的地区而言，亟需在承接产业转移、优化产业结构的同时，着力提升产业发展内生动力，扩大产业规模和转变发展方式，提高对外开放度，降低产品贸易壁垒，加快推动高技术产业成果转化，改变僵化的粗放投入发展模式，应用网络技术，打造多元化产品交易平台，打破中端发展瓶颈；而对于成果转化效率较低的西部地区而言，可通过优化创新环境等方式增强对创新要素的粘滞力，推动创新效率的提升和对创新要素的吸收能力，避免由于资源的虹吸效应而导致本地成果转化效率下降。同时，在全域范围内优化创新统筹机制，疏通创新效率领先区域向滞后区域的辐射渠道，实现不同区域创新效率增长的良性互动，避免创新效率出现马太效应。
参考文献:
[1] JUNGMITTAG A.Innovation dynamics in the EU: convergence or divergence? a cross-country panel data analysis[J].Empirical Economics, 2006, 31(2): 313-331.
[2] DOWRICK S, ROGERS M.Classical and technological convergence: beyond the solow‐swan growth model[J].Oxford Economic Papers, 2002, 54(3): 369-385.
[3] 赵伟,马瑞永.中国经济增长收敛性的再认识——基于增长收敛微观机制的分析[J].管理世界,2005 (11):12-21.
[4] 赵伟,马瑞永.贸易与经济增长收敛研究综述[J].国际贸易问题,2006 (5):124-128.
[5] 王裕瑾,于伟.我国省际创新全要素生产率收敛的空间计量研究[J].山东大学学报：哲学社会科学版，2017(1):43-49.
[6] AIGER D, LOVEL C A K, SCHMIDT P.Formulation and estimation of stochastic frontier production function models[J].Journal of Econometrics, 1977, 6(1): 21-37.
[7] CHARNES A, COOPER W W, LEWIN A Y, et al.Sensitivity and stability analysis in DEA[J].Annals of Operations Research, 1984, 2(1): 139-156.
[8] CHARNES A, COOPER W W, HUANG Z M, et al.Polyhedral cone-ratio DEA models with an illustrative application to large commercial banks[J].Journal of econometrics, 1990, 46(1-2): 73-91.
[9] KUMBHAKAR S C.Production frontiers, panel data, and time-varying technical inefficiency[J].Journal of econometrics, 1990, 46(1-2): 201-211.
[10] BATTESE G E, COELLI T J.A model for technical inefficiency effects in a stochastic frontier production function for panel data[J].Empirical economics, 1995, 20(2): 325-332.
[11] SHARMA S, THOMAS V.Inter-country R&D efficiency analysis: an application of data envelopment analysis[J].Scientometrics, 2008, 76(3): 483-501.
[12] WANG E C, HUANG W.Relative efficiency of R&D activities: a cross-country study accounting for environmental factors in the DEA approach[J].Research Policy, 2007, 36(2): 260-273.
[13] 吴先慧, 吴海燕, 陆强,等.中国区域创新体系的影响因素实证研究——以深圳为例[J].科技进步与对策, 2011, 28(7): 26-31.
[14] FRITSCH M, SLAVTCHEV V.The role of regional knowledge sources for innovation: an empirical assessment[M].Technical University Bergakademie Freiberg-Faculty of Economics and Business Administration, 2005.
[15] GROSHBY MARK.Patents: innovation and growth[J].Economic Record,2000(76).
[16] CABRER-BORRAS B, SERRANO-DOMINGO G.Innovation and R&D spillover effects in Spanish regions: a spatial approach[J].Research Policy, 2007, 36(9): 1357-1371.
[17] HSU F M, HSUEH C C.Measuring relative efficiency of government-sponsored R&D projects: a three-stage approach[J].Evaluation and program planning, 2009, 32(2): 178-186.
[18] DOLOREUX D, DIONNE S.Is regional innovation system development possible in peripheral regions? some evidence from the case of La Pocatière, Canada[J].Entrepreneurship and Regional Development, 2008, 20(3): 259-283.
[19] RONDE P, HUSSLER C.Innovation in regions: what does really matter[J].Research Policy, 2005, 34(8): 1150-1172.
[20] BAUMOL W J, WOLFF E N.Productivity growth, convergence, and welfare: reply[J].The American Economic Review, 1988, 78(5): 1155-1159.
Zhang Han，Yang Xiaoxin
( School of Economics, Ocean University of China, Qingdao 266100, China)
Abstract：With panel data of high-tech industries in China, by using stochastic frontier model under environmental constraints, this paper estimates the innovation regional research and application efficiency of high-tech industries, and then based on β convergence, σ convergence and club convergence methods, respectively, from the two respects of research and application dimensions, to investigates the convergence of the high-tech industrial innovation efficiency. Main findings: (1) in general, innovation environment makes obvious impact on innovation efficiency of high-tech industries in China, and with innovation environment constraints, the overall basic research efficiency of high-tech industry has increasing development trend, which of eastern and western regions are higher than that of northern and southern regions; Meanwhile the application efficiency are roughly divided into two stages: slow growth from 2000 to 2007 and slow decline from 2008 to 2014 year, which presents "eastern higher than western regions while southern regions are higher than northern ones".(2) the basis research efficiency has significant convergence while the application efficiency shows trend of spreading.
Key Words:Innovative Environment; High-tech Industries; Regional Innovation Efficiency; Convergence
收稿日期：2017-10-24 作者简介：张涵(1988-)，男，山东日照人，中国海洋大学经济学院博士研究生，研究方向为区域创新与国际经济；杨晓昕(1993-)，女，山东青岛人，中国海洋大学经济学院硕士研究生，研究方向为区域创新。
DOI：10.6049/kjjbydc.2017070475
中图分类号：F264.2
文献标识码：A
文章编号：1001-7348(2018)03-0043-09
(责任编辑：胡俊健)