我国高新技术产业专利创新效率演变规律及空间差异研究 —

摘要：运用DEA-Malmquist指数方法对我国1998 -2015年高新技术产业专利全要素生产率进行了测算和分解。结果显示：①总体上看，高新技术产业专利平均全要素生产率呈现上升趋势，主要来自综合技术效率(TEC)的影响；②从各省情况看，Malmquist生产指数空间存在差异，但时间上变化不大；③从东、中、西三大区域层面看，东部和西部Malmquist生产指数都大于1，而中部地区小于1；④基于高技术产业专利创新效率对不同区域进行划分，结果显示高-高型、高-低型、低-高型以及低-低型4种类型省域在地理空间上分布并不规律，但综合技术效率基本呈现西高东低的现象。

关键词：高新技术产业；发明专利；全要素生产率；空间差异

0 引言

创新资源投入对于提升高新技术产业创新能力具有重要作用，并且通过技术外溢扩大影响。根据《中国高新技术产业统计年鉴》等统计资料显示，我国本土高新技术企业研发支出投入从1995年的17.85亿元稳定增长至2 219.70亿元，R&D人员全时当量从1995年的5.78万人年增长至2015年的59万人年，研发支出平均投入额从1995年的30 882.35万元增长至2015年的376 220.34万元。这些创新资源的高速增长带来了表征创新能力的专利数量的增长，如高新技术企业的专利申请数从1995年的612件增加到2015年的114 562件，增长率近200倍。对于高新技术企业而言，创新成果能否转化为实际生产力、带来高额利润才是关键。虽然我国近来不断加大创新投入，专利申请数也呈几何级数增长，但是也出现创新产出下降趋势，如高新技术产业增加值率从2001年的25.24%降至2013年的23.43%，新产品销售收入从2001年的15%下降到2013年的12.38%，下降近3个百分点。因此，在我国高新技术产业蓬勃发展的背后是否存在无效率与不集约问题？基于该问题，除了从基本数据上解读与重新认识我国高新技术产业，更重要的是在当前经济和技术政策背景下，打开高新技术产业创新发展的“黑箱”。因此，本文基于我国高新技术产业发明专利视角，研究发明专利产出效率，以丰富相关研究成果。

1 文献综述

技术创新是一个复杂、充满不确定性的过程，由于资源的稀缺性，产业倾向于利用组织、合作伙伴或市场中现有知识和能力进行创新。识别出有利于创新的知识、评估产业潜在创新的应用和演变、拥有与产业知识相结合的能力是创新的关键。关于如何评估产业组织创新，学者们给出了自己的观点，但很少有学者单独从产业组织视角评估产业创新效率。多数学者认同区域创新效率即是区域创新系统的投入产出转化率，因此区域创新效率测评一般采用投入指标和产出指标衡量[1-7]。创新投入主要涉及人、财及物的投入，而创新产出主要涉及专利情况。如白俊红等[1]应用随机前沿模型实证测算了各区域的研发创新效率，发现我国研发创新效率处于较低水平但逐年提高；白俊红和蒋伏心[2]在控制环境因素的基础上，应用DEA方法考察了我国区域创新效率问题；刘伟和李星星[3]、刘伟[6]、罗良文和梁圣蓉[7]采用同样方法测算了我国省际高新技术产业创新效率，发现高新技术产业创新效率“东高西低”的格局并未改变，同时，东、中、西部绿色技术开发效率差距悬殊；李婧和管莉花[8]在测算各地区创新效率的基础上，认为我国区域创新效率整体上有较大提升空间。综合来看，学者们在创新效率测算上采用多种方法，而DEA是应用较多的一种方法。

专利是高新技术产业中用于实施创新战略的有用技术与信息来源。根据世界知识产权组织(WIPO)报告，世界上近乎90%的发明可以在专利文献中找到。专利在科技政策中发挥了重要作用，并逐渐成为衡量技术进步与创新工作的一个重要方面。此外，专利数据也可用于评估产业或者企业财务价值。分析竞争对手的专利政策是揭示其技术创新战略的有效手段。专利分析可以较为清晰地展示技术发展趋势，如竞争对手的技术投入、实力、缺点以及技术定位等。但是就现有文献来看，单独分析专利创新效率动态变化的研究较少。基于以上思路，本文利用DEA-Malmquist指数方法测算我国高新技术产业专利全要素生产率，以大致评估我国高新技术产业专利创新效率。

2 研究设计

2.1 测度方法与模型构建

本文中高新技术产业专利全要素生产率的测算时间选择为1997-2015年，以省级单位为观测对象。由于数据集构成面板数据，适合采用动态面板数据测算高新技术产业专利创新效率，而DEA-Malmquist生产指数刚好具备测算动态面板数据相对效率的能力，因此采用DEA-Malmquist指数方法。以下是Malmquist生产指数推导过程：

是投入向量集，yt为产出向量集，N为投入总样本，M为产出总样本。Lt(yt)={xt：(xt，yt)∈St}，t=1，…，T为生产可能性集。上述方程为分段线性投入需求模型，进一步对面板数据中的观测值k=1，…，Kt、投入向量

；t=1，…，T和产出向量

；t=1，…，T作如下定义：

其中，zk,t为强度变量，主要衡量技术创新活动。根据式(1)构造基于规模报酬不变(CRS)情形下t期决策单元的生产距离函数，即

除此之外，为了定义Caves等[9]的Malmquist生产指数，本文还需要构造基于规模报酬不变的t期和t+1期所能达到的最大比例变化，即

式(3)和式(4)分别衡量的是规模报酬不变条件下t+1期与t期生产距离函数所能达到的最大变化。基于t期和t+1期的技术条件变化，从t期到t+1期的技术效率变化为

同理，可以构造规模报酬可变(VRS)的技术效率变化。利用式(5)和式(6)两个技术效率变化指数的几何平均值定义规模报酬不变情况下的Malmquist生产指数，即

其中，(xt+1，yt+1)和(xt，yt)分别代表t+1期与t时期的投入产出向量，

表示以t时期的生产可能性边界为标准的t+1时期的距离函数，

表示以t+1时期的生产可能性边界为标准的t时期的距离函数。

在此基础上，Färe等[10]提出FGNZ模型，在规模报酬不变前提下将以上指数进行分解，得到综合技术效率变化指数(technical efficiency change，TEC)和技术进步指数(technological change，TC)。Ray & Desli从规模报酬可变(VRS)角度，在FGNZ模型基础上提出RD模型，Lovell则从理论角度研究了RD模型分解出的Malmquist生产指数的正确性，具体分解如式(8)所示。

其中，TEC表示由于制度优化引起效率提升，TC表示由于技术创新带来效率提升。而当规模报酬可变时，技术变化指数(TEC)还可以分解为纯技术效率指数(pure technical efficiency change，PTC)和规模效率指数(scale efficiency change，SEC)：

综上，利用公式定义，Malmquist生产指数可分解为TEC和TC两部分，因此可将效率变化进一步分解为PTC和SEC：

其中，引起TEC变化的主要因子是制度变迁，即制度变迁引起资源要素配置效率的变化，进而引起TEC效率改变；TC变化的主要原因是技术创新或者新技术引入，从而造成生产前沿面外移。而全要素生产率TFP表达的经济学含义主要体现在经济增长方式上[11]，即经济增长方式的转变主要取决于TFP的增长。综合技术效率可分解成PTC和SEC，PTC表示在既定投入下决策单元所能获得的最大产出，其中，投入要素起关键性作用。规模效率则考察的是在技术水平一定条件下各决策单元是否以合适的投入规模开展R&D活动。

2.2 数据来源与变量处理

本文的投入变量主要包括形成高新技术产业专利产出的人、财、物，对应的变量分别为高新技术企业R&D活动人员折合全时当量、高新技术企业R&D经费内部支出及高新技术企业新产品研发经费支出占主营业务收入比率。其中，高新技术企业R&D活动人员折合全时当量指的是R&D全时人员(全年从事R&D活动累积工作时间占全部工作时间90%及以上的人员)工作量与非全时人员按实际工作时间折算的工作量之和；高新技术企业R&D经费内部支出指的是高新技术企业在报告年度内开展R&D活动的实际支出，具体包括R&D项目(课题)活动的直接支出，以及间接用于R&D活动的管理费、服务费、与R&D有关的基本建设支出以及外协加工费等。但是，高新技术企业R&D经费内部支出不包括生产性活动支出、归还贷款支出以及与外单位合作或委托外单位进行R&D活动而转拨给对方的经费支出。这表明高新技术产业生产性活动支出需要重新纳入新指标，而高新技术企业新产品研发经费很好地弥补了该缺点。高新技术企业新产品研发经费支出占主营业务收入的比率衡量的是高新技术企业专利产出中 “物”的投入。其中，高新技术企业新产品指的是采用新技术原理、新设计构思研制与生产出的全新产品或在结构、材质、工艺等某一方面比原有产品有明显改进，从而显著提高产品性能或扩大使用功能的产品，该指标主要体现在生产性活动支出上。

表1变量汇总

注：2012年拥有发明专利数为有效发明专利数，2000年以前拥有发明专利数为专利授权数

选取授权发明专利数和高新技术企业个数作为产出变量，衡量高新技术产业专利创新效率。一般而言，创新产出的衡量标准是公开的地区专利申请量或者授权数，由于本文主要衡量高新技术产业专利全要素生产率，因此专利是重要的产出变量。使用专利衡量创新效率存在一定缺点，主要表现在：授权专利作为一项新发明，不一定转化为创新；专利是产品而不是过程。因此，为表现产业创新的另一方面，本文引入新变量——高新技术企业数，由专利和高新技术企业数共同衡量高新技术产业专利创新效率。

高新技术产业数据均来自EPS数据库中的中国工业数据子库。2011年及以前的东部地区包括北京、天津、河北、辽宁、上海、江苏、浙江、福建、山东、广东、广西和海南；2012年后，辽宁被划入东北地区。2011年及以前的中部地区包括黑龙江、吉林、山西、内蒙古、安徽、江西、河南、湖北和湖南；2012年后，黑龙江、吉林被划入东北地区。西部地区包括重庆、四川、贵州、云南、西藏、陕西、甘肃、青海、宁夏和新疆。东北地区包括辽宁、吉林和黑龙江。由于2012年前后地区划分未统一，因此本文主要测算传统意义上的东部、西部和中部地区高新技术产业专利创新全要素生产率，总的决策单元为28个。由于西部地区部分省市、自治区数据缺失严重，因此实际考察的省市和自治区总共为25个。本文选择测算高新技术产业专利效率的时间窗为1997-2015年。基于数据包络分析的优点，本文不再对数据作任何形式处理。表2显示，各变量均在1%的显著性水平上具有较强相关性，满足DEA计算对数据的同向性要求(刘伟，2016)。

表2变量描述性统计

3 实证结果分析

应用DEAP2.1软件，利用DEA-Malmquist指数方法测算我国内地25个省(市、自治区)以及东部、西部和中部地区3个综合性地理分区的高新技术产业专利全要素生产率。

3.1 高新技术产业专利创新效率演变规律

从图1和图2来看，1998 -2015年高新技术产业专利全要素生产率均值低于1的年份有1998年、1999年、2001年、2005年、2009年以及2011年；总体上看，1998 -2015年高新技术产业专利全要素生产率呈现上升趋势，尤其自2007年以来全要素生产率表现较为稳定，除中间略有波动外。从对Malmquist生产指数的分解结果看，技术进步指数(TC)和综合技术效率(TEC)变化趋势相反，波动幅度较大。将综合技术效率变化指数(TEC)进一步分解为纯技术效率(PTC)和规模效率(SEC)，结果显示波动幅度不大。从最终年份均值看，引起全要素生产率变化的主要是综合技术效率指数TEC，而综合技术效率变化指数TEC主要基于纯技术效率PTC的变化，即由于制度变迁引起高新技术产业专利创新资源配置效率较低，从而导致全要素生产率变化。

3.2 各省域高新技术产业专利创新效率分析

如表3所示，从省级(直辖市、自治区)层面看，1998-2015年高新技术产业专利创新效率的Malmquist生产指数均值在时间上变化不大，但空间上有一定差异。高新技术产业创新Malmquist生产指数均值大于1的省市主要包括北京、山西、吉林、黑龙江、上海、福建、山东、河南、湖北、广东、重庆、四川、贵州以及云南等，这些省市的全要素生产率大于1，表示其高新技术产业专利处于生产前沿面上，即高新技术产业资源配置效率有效提升专利创新全要素生产率。Malmquist生产指数均值在(0.9，1)区间范围的省市包括天津、河北、辽宁、江苏、浙江、安徽以及湖南，这些省市需要进一步提升专利创新水平。

此外，通过对各省市全要素生产率均值的分析可以看出，技术进步(TC)和综合技术效率变化(TEC)对全要素生产率的促进作用中，TEC的效率值要优于TC；对TEC的进一步分解显示，PTC和SEC对TEC的作用同等重要。

表3各省市高新技术产业专利Malmquist生产指数均值及分解

表4我国三大区域高新技术产业专利Malmquist生产指数均值及其分解

3.3 三大区域高新技术产业专利创新效率分析

以传统的东、中、西三大区域分类划分我国内地各省(市、自治区)，测算三大区域1998-2015年高新技术产业专利创新效率平均值。结果显示，东西部地区高新技术产业专利创新效率值大于1，中部地区小于1，即东西部地区全要素生产率位于生产前沿面上，其高新技术产业资源配置促进了专利全要素生产率的提升，而且主要源于全要素生产率分解指数综合技术效率(TEC)的作用；中部地区全要素生产率未处于专利生产前沿面上，属于DEA无效率，从Malmquist生产指数分解结果来看是综合技术效率变化指数低于1的结果。具体原因主要是制度变迁引起资源要素配置效率变化，进而引致TEC效率降低，同时，由于技术创新或者新技术引入造成生产前沿面外移，使得中部地区全要素生产率未处于专利生产前沿面上。上述结果也说明综合技术效率变化对全要素生产率的影响大于其它分解指数的影响。

3.4 基于高新技术产业专利创新效率的区域分类

根据测算结果，参照刘伟(2016)的划分方法，全要素生产率可以分解为综合技术效率变化指数(TEC)和技术进步指数(TC)。因此，以TC和TEC测算结果为依据，以1.05为分界点，划分28个决策单元的专利创新效率，结果如图3所示。本文将高新技术产业专利创新效率划分为高-高型、高-低型、低-高型以及低-低型4种类型，具体如下：①高-高型，是指综合技术效率(TEC)和技术进步指数(TC)都高于1.05、全要素生产率位于前列的省市，主要包括湖北和四川，说明两省的高新技术产业专利绩效高于其它省(市、自治区)，即高新技术资源配置促进了专利生产率提升；②高-低型，是指综合技术效率(TEC)高于1.05而技术进步指数(TC)低于1.05的省市，主要包括贵州、河南、山西、重庆、江西、云南、吉林、湖南、广西、海南、安徽和北京，其中，西部4省(市、自治区)、中部5省以及东部2省(市、自治区)；③低-高型，是指综合技术效率(TEC)低于1.05而技术进步指数(TC)高于1.05的省市，主要包括广东和黑龙江省；④低-低型，是指综合技术效率(TEC)和技术进步指数(TC)都低于1.05，即全要素生产率居于末位的省(市、自治区)，主要包括上海、山东、江苏、河北、辽宁、福建、天津、浙江以及内蒙古，这些省(市、自治区)的TEC和TC虽然部分大于1，但是较1.05的分界点来看还需要改进。天津、内蒙古、辽宁以及浙江的综合效率值和技术进步指数均低于1，即高新技术产业资源配置并未达到生产前沿面，技术水平退步严重抑制了地区专利水平的提升。

4 结语

本文运用DEA-Malmquist指数方法对我国1998-2015年高新技术产业专利全要素生产率进行测算和分解，实证研究了我国各省市(自治区)和东、中、西三大区域高新技术产业专利效率，在此基础上对综合技术效率(TEC)和技术进步(TC)指数进行分解，结果如下：

(1)总体上来看，1998-2015年高新技术产业专利全要素生产率整体呈现上升趋势，尤其自2007年以来全要素生产率表现较为稳定，但中间略有波动。从最终年份均值来看，全要素生产率变化主要是受到综合技术效率指数TEC变化的影响，而综合技术效率指数TEC则主要基于纯技术效率PTC的变化而改变。

(2)从效率分解角度，1998-2015年我国各省(市、自治区)高新技术产业专利创新效率的Malmquist生产指数变化不大，在对全要素生产率的促进作用中，TEC的效率值要优于TC；对TEC的进一步分解显示，PEC和SEC对TEC的作用同等重要。

(3)从东、中、西三大区域的效率值看，1998-2015年东西部地区的平均值都大于1，而中部地区小于1，即东西部地区的全要素生产率位于生产前沿面上，中部地区的全要素生产率未处于专利生产前沿面上，属于DEA无效率。

(4)基于高技术产业专利创新效率值对不同区域进行划分，结果显示高-高型、高-低型、低-高型以及低-低型4种类型在地理空间上的分布并不规律，但综合技术效率基本呈现西高东低的现象。

上述结论的政策启示在于：一是进一步完善高新技术产业技术创新激励政策，加强知识产权保护，提高发明专利数量和质量；二是提升现行研发费用加计扣除等相关激励措施的有效性，鼓励高新技术企业加大新产品研发经费投入力度；三是充分考虑不同地区高新技术产业发展的差异性，分门别类、因地制宜地制定高新技术产业发展政策，全面提升创新投入的有效性，从东、中、西部地区效率平衡的角度出发，提高中部地区高新技术产业创新效率，建议重点支持武汉打造全国科技创新中心，发挥武汉在中部地区独特的创新资源优势，引领、辐射与带动中部地区高新技术产业创新效率的全面提升。

[1] 白俊红，江可申，李婧.应用随机前沿模型评测中国区域研发创新效率[J].管理世界，2009(10)：51-61.

[2] 白俊红，蒋伏心.考虑环境因素的区域创新效率研究——基于三阶段DEA方法[J].财贸经济，2011(10)：104-112.

[3] 刘伟，李星星.中国高新技术产业技术创新效率的区域差异分析——基于三阶段DEA模型与Bootstrap方法[J].财经问题研究,2013(8):20-28.

[4] 余泳泽，刘大勇.我国区域创新效率的空间外溢效应与价值链外溢效应——创新价值链视角下的多维空间面板模型研究[J].管理世界,2013(7):6-20.

[5] 李婧，管莉花.区域创新效率的空间集聚及其地区差异——来自中国的实证[J].管理评论，2014，26(8)：127-134.

[6] 刘伟.考虑环境因素的高新技术产业技术创新效率分析—基于2000-2007年和2008-2014年两个时段的比较[J].科研管理，2016，37(11):18-25.

[7] 罗良文，梁圣蓉.中国区域工业企业绿色技术创新效率及因素分解[J].中国人口·资源与环境，2016(9)：149-157.

[8] 李婧，管莉花.区域创新效率的空间集聚及其地区差异——来自中国的实证[J].管理评论，2014(8)：127-134.

[9] D W CAVES，L R CHRISTENSEN，W E DIEWERT.The economic theory of index numbers and the measurement of input, output, and productivity[J].Econometrica，1982，50：1393-1414.

[10] ROLF F

RE，SHAWNA GROSSKOPF，C A.KNOX LOVELL.The measurement of efficiency of production[J].Nucleic Acids Research，1994，22(9)：1778-1779.

[11] 李谷成.技术效率、技术进步与中国农业生产率增长[J].经济评论, 2009(1):60-68.

ResearchontheEvolutionLawandSpatialDifferenceofPatentInnovationEfficiencyinChineseHigh-TechIndustry——EstimationandDecompositionbasedonTotalFactorProductivity

Abstract：The DEA-Malmquist index method is used to estimate and decompose the total factor productivity of high-tech industry in China from 1998 to 2015, and the innovation efficiency of patent innovation in Chinese high-tech industry is studied empirically. The results show that: ①in general, the average factor productivity of high-tech industry is increasing, and the change of total factor productivity is mainly the effect of comprehensive technical efficiency (TEC); ②from the situation of the province, Malmquist production index space has some differences, but the time is not changed; ③from the eastern, central and western regional perspective, the eastern and western Malmquist production index greater than 1, while the central region is less than1; ④based on patented high-tech industry innovation efficiency values for different zoning showed that "high-high", "high-low", "low-high" and "low-low" four types of the geographical distribution of the provinces in the geographical space is not regular, but the TEC shows "west high east low" phenomenon.

Key Words:High-Tech Industry; Invention Patent; Total Factor Productivity; Spatial Difference

基金项目：中央高校基本科研业务费专项资金项目(2017089036)；湖北省技术创新专项项目(2017ADC100)

作者简介：易明(1981-)，男，河南信阳人，博士，中国地质大学(武汉)经济管理学院副教授，研究方向为区域创新及技术经济管理；彭甲超(1991-)，男，湖北丹江口人，中国地质大学(武汉)硕士研究生，研究方向为区域创新。

我国高新技术产业专利创新效率演变规律及空间差异研究——基于全要素生产率的测算与分解