剥离环境因素的中国高技术产业创新效率综合测度研究

作为一种重要产业形式，高技术产业日益引起政府关注，创新作为高技术产业发展的核心要素也越来越成为经济竞争的重点。“十三五”规划和《中国制造2025》提出以创新为成长核心的发展战略。创新能力提升不仅依赖于创新要素投入，还依赖于创新效率提升进而实现创新能力的飞跃式发展。因此，客观判断一个国家或地区高技术产业创新效率发展状态，提升高技术产业创新效率，是国家或地区发展过程中的一个永久性话题。

纵观目前对高技术产业创新效率的研究，研究方法以参数和非参数居多[1]。其中，参数方法主要基于随机前沿分析(SFA)[2-3]，但其存在函数模型设置上的偏差；非参数以数据包络分析(DEA)为主。其中，部分学者采用DEA传统模型测度产业创新绩效，如Pannu等[4]、林志扬和从奎[5]、Chunlei[6]均采用传统DEA-Malmquist指数测量行业或产业创新绩效变化。在此基础上，也有学者提出采用DEA两阶段方法测度产业创新效率及其影响因素。肖仁桥等[7] 将链式DEA和Tobit模型相结合，不仅测度了高技术产业创新效率，还分析了其影响因素。冯志军和陈伟[8]以资源约束为切入点构建了两阶段DEA模型，力求实现对传统DEA的改进。陈志宗[9]克服传统DEA不能识别有效决策单元的劣势，将Super-DEA以及与其背景相关的DEA模型相结合达到了区分有效决策单元的目的，弥补了传统DEA模型的缺陷。虽然，两阶段DEA模型能够分析创新效率影响因素但仍然无法剔除环境因素和随机误差的影响，而三阶段DEA模型能够在有效实现这一目标的前提下对创新效率及其影响因素进行测度与分析。因此，三阶段DEA模型日益受到学者广泛关注。成力为等[10]利用三阶段DEA-Windows模型，在分解规模效率和配置效率的前提下分析了高技术产业发展特征。Shyu等[11]运用三阶段DEA模型评估台湾银行管理效率，通过对比三阶段DEA模型与传统DEA模型评价结果，发现环境因素对管理效率具有显著影响。刘伟(2016)应用三阶段DEA模型衡量高技术产业创新效率，但在构建投入与产出评价指标时，尚未充分考虑新增固定资产等指标。

根据对创新效率研究方法相关文献的回顾分析发现，无论是传统DEA模型还是其扩展方法，对创新效率及其影响因素的研究均已日臻成熟，然而传统DEA模型仍然无法克服环境因素和随机误差的影响，导致测度结果缺乏准确性。因此，本研究采用传统DEA与SFA模型相结合的三阶段DEA模型测度高技术产业创新效率并对其影响因素进行分析，在增加新增固定资产这一指标的基础上，收集2009-2015年中国内地28个省份相关数据，对我国高技术产业创新效率及其影响因素进行综合测评。

1 研究方法

1.1 第一阶段：传统DEA模型

Charnes[12]于1978年首次提出数据包络分析(Data Envelopment Analysis，DEA)，并将首个模型命名为CCR模型。此后，Banker等[13]进一步提出了规模报酬可变(Variable Returns to Scale，VRS)的DEA模型，即BCC模型。BCC模型计算出来的综合技术效率(Technical efficiency, TE)可进一步分解为规模效率(Scale Efficiency, SE)和纯技术效率(Pure Technical Efficiency, PTE)，即：TE= SE* PTE。

1.2 第二阶段：SFA模型

第二阶段借助SFA回归分析将松弛变量分解成包含环境因素、随机误差项和管理无效率3个自变量的函数[14]，表达式如下：

Sni=f(Zi;βn)+vni+μni,i=1,2,...,I;n=1,2,...,N

其中，Zi表示环境变量，βn表示环境变量的系数；vni+μni表示混合误差项，vni表示随机误差，μni表示管理无效率。vni呈正态分布，表示随机误差对松弛变量的影响；μni呈截断正态分布，表示管理因素对松弛变量的影响；Sni表示第i个决策单元第n项投入的松弛变量。

然后，通过最大似然估计计算出参数的估计值，再计算出vni和μni，最后通过如下公式进行调整。

其中，

和Xni分别代表调整前后的投入；[max(f(Zi;

;

和[max(νni)-νni]是通过对外部环境因素调整使得决策单元处于相同的运气水平。

1.3 第三阶段：调整后的DEA模型

依然采用第一阶段使用的BCC模型，以调整后的数据为投入数据，产出数据不变，对各决策单元进行效率评估。

2 研究指标选取与数据来源

本研究对高技术产业创新投入指标的选取参考刘满凤等[15]和乔元波等[1]的研究，选取R&D人员折合全时当量、R&D经费内部支出、新增固定资产3个指标衡量投入。创新产出也有多种考察方法，本文参考顾群、翟淑萍[16]和李洪伟等[17]的研究，选取专利申请数量、新产品销售收入、主营业务收入3个指标考察科技成果和产品产出。选取的环境变量既要对高技术产业创新效率具有显著影响但又不能受其控制。因此，本研究参考Liu等[18]和Kang等[19]的研究，从政府资助、地区经济发展、地区竞争、产业研发水平及市场开放度5个方面选取R&D经费中来自政府的资金、地区GDP(国内生产总值)、地区高技术企业数、地区高技术产业研发机构数、出口交货值作为环境变量，相关指标及其代码如表1所示。

DEA模型指标需满足产出指标随投入指标增加而增加或保持不变这一原则，即同向性，本研究采取Pearson进行同向性检验，结果如表2所示。各相关系数在5%水平下均为正数且通过检验，说明投入与产出指标符合同向性要求。

在研究对象选取上，本研究以我国内地28个省市自治区为决策单元(由于新疆、青海、西藏部分数据缺失严重，故不作讨论)，指标数据均来源于《中国统计年鉴》和《中国高技术产业统计年鉴》。

3 实证结果分析

3.1 第一阶段传统DEA分析

利用DEAP2.1软件，采用投入导向的BCC模型测算各决策单元的创新效率与规模报酬，结果如表3所示。

注：“Irs”表示规模报酬递增，“-”表示规模报酬不变，“Drs”表示规模报酬递减

由表3可知，在SFA调整前，各地区高技术产业综合技术效率、纯技术效率和规模效率的平均值分别为0.825、0.859和0.962。其中，有11个地区为技术效率有效，其它地区均需要一定程度的改进。规模报酬未处于最优状态地区中，有9个地区是规模报酬递减，创新投入资源利用不足是其DEA无效的主要原因。根据以上分析，各省市高技术产业生产规模和规模无效的情况并不严重，但整体生产规模状态不容乐观。传统DEA模型由于未剔除环境因素和随机误差的影响导致计算结果缺乏客观性，因此需要进行第二阶段调整。

3.2 第二阶段SFA回归分析

以3个投入的松弛变量作为被解释变量，5个环境因素作为解释变量，采用Frontier4.1软件分别考察各环境变量对投入松弛的影响。如表4所示，LR值均大于单边广义似然比检验的临界值8.57%，所以接受存在无效率项的假设，即使用SFA模型是合理的。回归系数大多能够在10%、5%或1%水平下通过显著性检验，说明环境因素明显影响了创新投入冗余。3种松弛变量的γ分别为1、0.819 4和1，均接近或者等于1，说明随机误差等难以控制的偶然性因素影响不大，管理无效率影响占主导地位。

回归系数正负代表影响方向、大小代表影响程度。若回归系数为正，说明该环境变量不利于创新效率提升，意味着增加该环境变量会导致投入要素冗余增加；若回归系数为负，说明该环境变量有利于创新效率提升，增加该环境变量会促进投入要素冗余减少。具体分析如下：

注： *、**、***分别表示在10%、5% 和1% 水平上显著，括号内为t统计量

(1)政府资助。从回归系数看，政府资助对3个创新投入松弛变量的回归系数均为正并且分别通过了1%、10%和10%水平下的显著性检验，说明政府资助并不利于减少创新投入冗余，与戚湧、刘军[20] 和李向东等[21]的研究结论一致。政府资助的目的主要是把握高技术企业研发投入方向，但由于我国市场经济发展尚缺乏活力，企业研发能力和欲望不能与政府扶持相匹配，导致其与政府资助初衷背道而驰，使得企业人力资源、资金和物力投入盲目增加。

(2)地区经济发展。从回归系数看，地区经济发展对3个创新投入要素松弛变量的回归系数均为正并且分别通过了10%、1%和5%水平下的显著性检验，说明地区经济发展对创新投入的减少是不利的，与叶红雨等[22]、李洪伟[17]的研究结论一致。原因在于，与OECD国家相比，我国高技术产业还有一定的提升空间，不恰当的投入只会造成投入松弛变量增加。随着地区经济发展水平的提高，创新投入不断增加，但是创新产出未能实现同步增长，未能实现创新投入的高效率利用，从而导致创新效率负向增长。

(3)地区竞争。地区竞争水平对人力资源和固定资产投入松弛变量的回归系数为正并且分别通过了1%和10%水平下的显著性检验，说明地区竞争程度加剧不利于R&D人员和新增固定资产减少。地区竞争水平对研发经费投入松弛变量的回归系数为负，说明地区竞争程度加剧有利于R&D经费内部支出减少，但是该松弛变量的t值并未通过10%水平下的显著性检验且其影响只是方向性的，由此认为地区竞争对创新投入的减少是不利的。我国高技术产业创新水平相对落后，主要是由于高技术企业间的竞争更多是成本和价格之争。一旦有新产品出现，“山寨”品则紧随其后，造成高技术产业产品单一，导致企业创新能力越来越差。而低价优势成为唯一的竞争力，无疑大大削弱了企业创新热情，进而导致技术创新效率低下。

(4)产业研发水平。从回归系数看，产业研发水平提升并不利于减少创新投入冗余，说明增加研发机构数目对优化R&D人员和R&D经费配置并未起到正向促进作用。原因在于，研发机构数目增加而管理效率低下导致人力资源和经费浪费。产业研发水平对新增固定资产松弛变量的回归系数为负，说明增加研发机构数目有利于优化新增固定资产资源配置。

(5)市场开放度。市场开放度对3个创新投入要素松弛变量的回归系数均为负，说明市场开放度对创新投入的减少是有利的。高技术产品出口份额增加及外资企业涌入带来的管理理念、先进技术和人才，都使得高技术产业在国际化市场上的竞争优势逐渐凸显，成为打开国际市场的“敲门砖”。此外，随着市场开放运行机制的日渐成熟，也在一定程度上促进了高技术产业创新效率提升。

3.3 第三阶段调整后的DEA结果

根据公式(2)调整原始投入要素数据，产出数据不变，依然采用投入导向的BCC模型测算各决策单元的创新效率和规模报酬，结果如表5所示。

如表6所示，将SFA调整前后测算出的效率值与产出要素间关系进行相关分析，调整之后的效率值与产出要素的Spearman相关系数出现大幅度提升，说明环境因素和随机误差的存在掩盖了创新效率发展水平，导致第一阶段测度的创新效率缺乏真实性，经过第二阶段调整后，创新效率更能反映省市高技术产业创新效率的真实水平，同时也证明了采用三阶段DEA模型测量的创新效率更加科学。

根据表5计算结果，第一阶段处于规模报酬递减状态的省份已调整为规模报酬递增。这表明，各省市高技术产业创新规模相对较小，技术创新仍有较大提升空间，可通过扩大投资规模提升创新效率。技术效率具体分析见图1。

(1)综合技术效率分析。经过第二阶段SFA调整后，综合技术效率的平均值从调整之前的0.825下降到0.628，表明在剔除环境变量之前综合技术效率出现了虚高的情况。北京、天津、内蒙古、上海、河南、广东6个省市仍然属于技术效率有效，说明其技术创新效率并未受到环境因素和随机误差的影响，技术创新效率水平本身就比较高。另外，江苏省由非技术有效晋升到技术效率有效，即综合技术效率值由小于1提高到等于1，说明江苏省技术创新效率是高效的。另外，由于技术创新效率不同程度下降，吉林、安徽、海南、广西和重庆5个省市则调整为非技术有效，下降值分别为0.482、0.894、0.12、0.398、0.628，说明这些省市处于技术效率前沿面是由其良好的环境条件和运气等随机误差造成的。此外，山西、黑龙江、江西、贵州、云南、甘肃、宁夏综合技术效率均显著下降，表明其技术管理水平并不高。根据以上分析，从技术创新效率下降省份中可以看出西部地区效率值下降幅度较大，说明环境因素对西部地区创新效率的影响尤为明显。

(2)纯技术效率分析。根据图2所示，经过第二阶段调整后，纯技术效率平均值由之前的0.859上升到0.968，说明之前由于环境因素和随机误差的影响，各省市纯技术效率值被低估，而且从技术效率有效性看，有超过一半的省市纯技术效率值提升到1，位于技术效率前沿面上。

(3)规模效率分析。根据图3所示，经第二阶段调整之后规模效率平均值由第一阶段的0.962下降到0.648。广西、重庆、贵州等西部地区省市规模效率均出现不同程度下降，其中广西和重庆更是从技术效率前沿面下降至0.398和0.628，陕西从0.999下降为0.523，甘肃从 0.731下降至0.094，宁夏从0.775下降至0.047。江苏省由技术创新无效晋升到技术创新有效，说明环境因素是造成江苏省规模效率偏低的主要因素，进一步掩盖了综合技术效率的真实水平。

3.4 分类型创新效率

为了更加直观地分析调整后投入要素与创新效率间的关系，本研究参考学者刘满凤的处理方法，取综合技术效率的平均值0.628作为临界值，高于该值将其划分为高效率，低于该值将其划分为低效率。对于投入要素的处理，采用主成分分析将3个投入要素合并为一个因子，并计算综合得分，取综合得分的平均值0作为临界值，高于该值将其划分为高投入，低于该值将其划分为低投入，如图4所示。

(1)双低型。这一类型创新生产特征是创新投入要素和产出效率均低，此类型包括海南、重庆、贵州、云南、陕西、甘肃、宁夏等10个省市自治区，从这些省市地区分布看，除海南外，其它省市均位于中西部地区，可见其投入及效率产出较低状态与经济发展水平密切相关，同时也受制度发展不完善和管理水平较落后的影响。对于该类省市高技术产业创新发展，政府应加大经济支持力度，为高技术产业发展提供有力保障，让其有充足的机会努力提升高技术产业创新效率。高技术企业也要集中有限的创新资源解决创新中的关键问题，积极完善创新资源配置体系，与政府扶持相互配合，提高创新管理水平，通过优化内部创新资源配置调整创新资源结构，改革创新发展方向，提高创新效率。

(2)高低型。此创新生产类型特征是创新投入要素高而产出效率低，这一类型包括河北、吉林、江西、湖北4个省份。这些地区高技术产业具有良好的投入，而产出效率不足。因此，该类型省份在发展过程中应充分利用充足的创新投入，适当控制发展规模，优化生产模式，提高创新要素管理水平，解决当前创新投入与产出间“不均衡”问题，并且因地制宜地调整区域产业创新发展策略，优化产业结构，提高创新资源有效利用率，兼顾企业专利、新产品等创新产出在数量和质量上的“双增长”，保证创新产出效率，进而摆脱当前高投入—低产出困境。

(3)双高型。这一类型创新生产特征是创新投入要素较高，创新产出效率也较高，该类型创新生产模式相对有效，包括江苏、安徽、山东、湖南等7个省份。这些地区高技术企业能够充分利用地区经济、市场及政府等环境优势，保证高产出效率。在未来发展中，高技术产业应保持稳中增质的发展态势，提升技术管理水平，充分利用充足的创新资源优势，增强创新产出能力，逐步向低投入—高产出方向发展。

(4)低高型。此类型省市主要有北京、上海、浙江、广东等8个省市，其创新生产特征是创新投入要素低，创新产出效率较高，这种创新生产模式是4种类型中最为有效的，这8个省市大部分均位于东部地区。重庆市虽然退出了技术创新有效但仍处于规模报酬递增，说明其还有较大的发展空间。这些省市消耗较少的投入要素就可以获得比较可观的产出效率，属于我国大力发展的一类高技术产业，该类型省市在后续发展中应该引起政府高度重视。国家和当地政府部门应该加大对上述地区高技术产业创新投入，突出其创新效率，从而获得更多创新产出。政府应该充分利用其突出的效率优势，继续提高管理水平，从而获得更高比例的产出。

4 结论与政策建议

(1)环境因素在促进创新效率提升方面发挥了不同程度的作用，这一结论可以从综合技术效率变化中得出，在第二阶段SFA调整之后剔除环境因素和随机误差的影响，大多数决策单元创新效率值均出现了不同程度下降。本研究考察的环境因素中，市场开放度发挥了显著正向作用，市场开发度反映了一个省市与其它区域或者国家间联系的紧密程度，市场与外界互动性越高，资源交换、学习交流机会就越多，也就越有利于促进高技术产业创新效率提升。因此，政府要积极促进市场开放，继续坚持对外开放政策，加强与其它国家在高技术产业方面的交流与合作。各地区高技术企业要加大市场开放度，吸收国外市场的先进技术及互补性创新资源，有效利用开放性市场提供的创新环境和创新成果，从创新理念和创新机制等方面充分扩展高技术产业创新平台，促进当地高技术产业创新水平提升。

(2)分析调整后的测度结果，不属于技术创新有效的省市均处于规模报酬递增状态，说明创新规模不足是限制高技术产业创新效率提升的瓶颈。因此，扩大高技术产业规模是提高创新效率的一项有效措施。政府实现产业规模化发展，可采取财政税收等金融手段发展大型高技术产业，通过兼并或重组方式进一步做大做强高技术企业。此外，政府盲目扶持的行为并不可取。政府在增大对高技术产业创新资源投入的同时还要把握资金流向与落实情况，加强政府资金去向监管，减少资金浪费，高效率利用政府资金。根据《高技术产业统计年鉴》数据分析，2016年东部地区有20 241家高技术企业，为西部地区的6倍，说明东西部地区高技术产业发展实力悬殊。因此，在后续发展中，政府应以促进区域协调发展为目标，在政策扶持方面给予西部地区更大的支持与关注，积极打破区域壁垒，加强地区之间的合作，充分重视区域间的协调发展。充分利用西部地区土地资源优势，通过政策推动，引导高技术企业入驻西部地区。例如，对于新入驻高技术企业在一定年限内免收土地使用税，并且由政府给予一定的技术补贴，或者实施宽松的信贷政策。通过方向性政策引导，鼓励高技术企业向西部地区集聚，从而提高高技术产业整体创新效率。整体来看，西部地区创新效率处于东部地区之下，但是调整之后这种差距呈缩小趋势，说明我国内地高技术产业创新效率呈收敛的演化趋势。

(3)根据创新效率类型分析，双低型即低投入低效率数量最多，说明我国还有不少省市高技术产业发展处于低水平阶段。创新效率提升不能一味地依赖创新要素单方面投入，还要通过提高创新管理水平优化创新资源配置。因此，高技术企业应以优化创新资源配置为导向，建立良好的创新运行机制，提高资金和人才使用效率，把握高技术产业国际化发展趋势，调整产业布局，优化产业结构，从而提高创新管理水平。创新规模不足也是限制双低型省市高技术产业发展的瓶颈，该类型省市应实现产业内部企业联盟，尤其是对于规模较小的企业来说，其发展类型相对灵活，更容易进行创新类型转变，加强企业间的创新合作，实现创新资源互补，推动高技术产业在“中国制造2025”体系下创新发展。

[1] 乔元波, 王砚羽. 基于三阶段DEA-Windows分析的中国省域创新效率评价[J]. 科学学与科学技术管理, 2017(1):88-97.

[2] 葛磊. 高技术产业创新效率及其协调度省际差异研究[J]. 运筹与管理, 2012(6):197-204.

[3] 余泳泽, 张妍. 我国高技术产业地区效率差异与全要素生产率增长率分解——基于三投入随机前沿生产函数分析[J]. 产业经济研究, 2012(1):44-53.

[4] PANNU H S, KUMAR U D, FAROOQUIE J A. Efficiency and productivity analysis of Indian pharmaceutical industry using data envelopment analysis[J]. International Journal of Operational Research, 2011,10(1):121-136.

[5] 林志扬, 从奎. 中国省际高技术产业创新效率分析——基于DEA-Malmquist指数[J]. 生产力研究, 2014(2):1-8.

[6] CHUNLEI L V. An empirical study of technology innovation efficiency of regional high-tech industry based on DEA-malmquist index approach [C]. International Conference on Management and Service Science, 2011

[7] 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(5):85-98.

[8] 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.

[9] 陈志宗. 基于超效率——背景依赖DEA的区域创新系统评价[J]. 科研管理, 2016(S1):362-370.

[10] 成力为, 孙玮, 王九云. 要素市场不完全视角下的高技术产业创新效率——基于三阶段DEA-Windows的内外资配置效率和规模效率比较[J]. 科学学研究, 2011(6):930-938.

[11] SHYU J, CHIANG T. Measuring the true managerial efficiency of bank branches in Taiwan: a three-stage DEA analysis[J]. Expert Systems with Applications, 2012,39(13):11494-11502.

[12] CHARNES A C W W R. Measuring the efficiency of decision making units[J]. European Journal of Operational Research, 1978,6(2):429-444.

[13] BANKER R D, CHARNES A, COOPER W W. Some models for estimating technical and scale inefficiencies in data envelopment analysis[J]. Management Science, 1984,30(9):1078-1092.

[14] FRIED H O, LOVELL C A K, SCHMIDT S S, et al. Accounting for environmental effects and statistical noise in data envelopment analysis[J]. Journal of Productivity Analysis, 2002,17(1-2):157-174.

[15] 刘满凤, 李圣宏. 基于三阶段DEA模型的我国高新技术开发区创新效率研究[J]. 管理评论, 2016(1):42-52.

[16] 顾群, 翟淑萍. 高技术产业知识产权保护、金融发展与创新效率——基于省级面板数据的研究[J]. 软科学, 2013(7):42-46.

[17] 李洪伟, 任娜, 陶敏, 等. 基于三阶段DEA的我国高新技术产业投入产出效率分析[J]. 中国管理科学, 2012(S1):126-131.

[18] LIU ZHI YING, ZHANG JI KUN. Analysis on innovation efficiency of the different capital type enterprises in high-tech industries based on the three-stage DEA model[J]. R & D Management, 2013(3).

[19] KANG S. The efficiency evaluation of high-tech industry's innovation value chain from the perspective of heterogeneity study based on the three stage DEA modified by SFA[J]. Science & Technology Management Research, 2017(9):55-59.

[20] 戚湧, 刘军. 长江经济带高技术产业创新效率评价及实证研究[J]. 科技管理研究, 2017(17):60-69.

[21] 李向东, 李南, 刘东皇. 高技术产业创新效率影响因素分析[J]. 统计与决策, 2015(6):109-113.

[22] 叶红雨, 杨雨婷. 基于三阶段DEA模型的我国医药制造业技术创新效率研究[J]. 经济与管理评论, 2015(2):46-52.