高技术产业技术创新效率提升的多元模式
——创新环境视角

范德成,谷晓梅

(哈尔滨工程大学 经济管理学院,黑龙江 哈尔滨 150001)

摘 要:创新环境可为高技术产业技术创新提供支撑条件,从创新环境视角出发厘清创新效率提升模式对高技术产业创新发展意义重大。应用CCR-DEA模型测度29个省市2012-2016年的技术创新效率,利用GMDH算法识别出影响创新效率的关键环境因素,并运用fsQCA方法探究关键环境因素组合与创新效率关系。结果表明:我国高技术产业技术创新效率均值偏低,超过半数省市的创新效率值未达到全国平均水平;经济基础、市场需求、对外开放度、行业研发基础、自主创新倾向、政府创新干预、知识产权保护是影响创新效率的关键环境因素;任何关键环境因素均不能单独引致创新效率提升,4项关键环境因素组合是提升创新效率的充分条件,由此形成效率提升的4种模式,其中,需求驱动型、交流碰撞型和主体带动型适用于经济基础偏弱地区,增质减束型模式适用于经济基础较好地区。

关键词:高技术产业;技术创新效率;提升模式;创新环境;GMDH方法;fsQCA方法

Research on Multiple Modes for Improving Technological Innovation Efficiency of High-tech Industry
——Based on the Perspective of Innovation Environment

Fan Decheng,Gu Xiaomei

(School of Economics and Management,Harbin Engineering University,Harbin 150001,China)

AbstractSince the innovation environment can provide supporting conditions for technological innovation in high-tech industry,it is of great significance to clarify the modes for improving technological innovation efficiency from the perspective of innovation environment. This study adopts the CCR-DEA model to measure the technological innovation efficiency of high-tech industry of 29 province-level regions in China from 2012 to 2016. Then this study utilizes the GMDH algorithm to identify the key environmental factors affecting technological innovation efficiency. Finally this study employs the fsQCA method to explore the different configurations of key environmental factors and the multiple modes for improving technological innovation. The results show that the average value of technological innovation efficiency of China's high-tech industry is relatively low during the five years,and more than half of the provinces do not reach the national average; economic foundation,market demand,openness,industrial R&D foundation,the tendency of independent innovation,government innovation intervention and intellectual property protection are key environmental factors affecting technological innovation efficiency; though none of the key environmental factors can improve technological innovation efficiency separately,four kinds of combinations of them are sufficient conditions for that,which provide four modes to improve technological innovation efficiency; the demand driven mode,exchange collision mode and subject driven mode are suitable for the regions with weak economic foundation,while the mode of increasing quality and reducing bundle can be applied in the regions with good economic foundation.

Key Words:High-tech Industry; Technological Innovation Efficiency; Improvement Mode; Innovation Environment; GMDH Method; fsQCA Method

DOI10.6049/kjjbydc.2020040586

开放科学(资源服务)标识码(OSID):

中图分类号:F264.2

文献标识码:A

文章编号:1001-7348(2020)18-0052-08

收稿日期:2020-07-13

基金项目:国家社会科学基金重点项目(19AGL007);黑龙江省哲学社会科学研究规划项目(18GLD291)

作者简介:范德成(1964-),男,山东平原人,博士,哈尔滨工程大学经济管理学院教授、博士生导师,研究方向为管理系统工程、产业结构优化、产业技术创新;谷晓梅(1994-),女,黑龙江绥化人,哈尔滨工程大学经济管理学院博士研究生,研究方向为管理系统工程、产业技术创新。本文通讯作者:谷晓梅。

0 引言

高技术产业作为知识技术密集型先导支柱产业,具有显著创新性和强外部性[1]等特点,是国家实现产业转型升级的关键驱动力量。同时,由于“机会窗口”较小,高技术产业又是实现对发达国家技术赶超的主要领域[2]。然而,由于存在诸如核心关键技术缺乏[3]、创新速度偏低(俞立平,王作功,胡林瑶,2018)等问题,我国高技术产业的技术创新效率仍然偏低[4]。创新环境可为技术创新活动提供基础支撑[5],因此如何改善创新环境以促进创新效率提升、最终实现技术跃迁,是高技术产业创新发展中亟需解决的核心问题。

目前,已有大量学者深入研究了创新环境对高技术产业技术创新效率的影响。如戴魁早[6]利用固定效应回归模型发现,制度环境可优化资源配置,提高高技术产业知识生产效率;Hong等[7]应用SFA模型指出,政府创新干预不利于高技术产业创新效率提升;王斌和谭清美[8]综合运用差分和系统GMM模型发现,市场环境对高技术产业创新成果转化率有显著影响;叶丹和黄庆华[9]通过构建面板回归模型并进行FGLS估计指出,金融环境可显著提升中国整体高技术产业创新效率,而市场环境、创新基础设施、劳动者素质、创业水平的影响不显著;Liu等[10]构建了由区域创新环境、高技术产业创新主体及主体间交流、制度环境和技术机会构成的创新环境指标体系,并利用因子分析法进行特征提取,得到区域发展条件、区域消费潜能和创新主体间交流3个因子,最后运用Tobit模型分析并发现上述3个创新环境因子均可促进高技术产业创新效率提升;李彦龙[11]采用反事实计量方法发现,税收优惠政策可提高高技术产业创新效率;张涵和杨晓昕[12]运用SFA模型考察基础设施环境、教育医疗环境、经济产业环境对高技术产业创新效率的影响,指出教育医疗环境对研发效率有显著影响,经济产业环境对成果转化率有显著影响,基础设施环境对两阶段创新效率均有显著影响;Cao等[13]将市场竞争、企业规模、出口强度、政府干预作为影响高技术产业创新效率的环境因素,利用SFA模型发现,市场竞争、企业规模可促进研发效率与成果转化率提升,出口强度对研发效率的影响为负,对成果转化率的影响为正,政府干预对两阶段创新效率的影响均为负等。

已有文献为高技术产业技术创新提供了理论指导和实践启示,但仍有待完善:一方面,基于不同研究目的,学者们选择的环境变量和实证方法不尽相同,致使同一变量系数的估计结果在不同文献中存在差异,与此同时,决策者也不能判断该变量相较于其它环境变量的重要程度;另一方面,现有研究通常采用传统回归分析方法,聚焦于单个环境变量的净效应,然而高技术产业技术创新效率是由涉及创新主体、市场、政策等诸多维度、横跨企业、产业、地区等各个层面不同环境因素共同作用的结果,其与创新环境的因果关系十分复杂。因此,在考察创新环境对技术创新效率的影响时,不能仅关注单个环境因素的影响程度和方向,还应该将研究重点置于环境因素间的联合效应。为了解决上述问题,本研究引入了可进行影响因素筛选的数据分组处理(GMDH)算法及可实现因素组态分析的模糊集定性比较分析(fsQCA)方法。相比以往研究,本研究的创新之处体现在:全面选取影响高技术产业技术创新效率的环境因素,然后识别出其中的关键因素,探究关键环境因素与创新效率间的多重并发因果关系,揭示因素间的联合效应,从而形成多因素联动的创新环境调控方案,为改善创新效率提供更为多元、异质的可行模式。

1 研究方法

1.1 CCR-DEA模型

本研究采用由Charnes等[14]提出的CCR-DEA模型测度高技术产业技术创新效率,如式(1)所示。其中,分别为第k个决策单元的第n项投入、第m项产出、投入松弛变量和产出松弛变量,λk为权重,θk为第k个决策单元的技术创新效率值。

(1)

1.2 数据分组处理(GMDH)算法

GMDH算法是由Malada & Ivakhnenko[15]提出的一种基于自组织数据挖掘理论的神经网络算法。利用该算法建模无需事先假定环境因素与创新效率关系,在尽可能多地输入解释变量后,算法会从初始模型出发,结合内、外准则自组织地进行中间模型筛选,直至得到具有最优复杂度的多项式回归方程,该方程中包含的环境因素即为关键因素。具体地:

(1)将样本分为学习集A和测试集B。

(2)采用Kolmogorov-Gabor(K-G)多项式[16]建立环境因素与创新效率的一般关系。式(2)为任一环境因素组(xi,xj)的K-G多项式,在此基础上可得到式(3)所示的初始模型集合。

f(xi,xj)=a0+a1xi+a2xj+a3xixj+a4xi2+a5xj2

(2)

{y1=a0,y2=a0+a1xi,y3=a0+a1xi+a2xj…}

(3)

(3)选择外准则,确定传递函数,形成第一层中间模型。参考已有研究[17],外准则选用式(4)所示最小偏差准则,其中,YB为创新效率在B中的实际值,为B中的环境因素根据在A中得到的估计方程求出的创新效率估计值。然后从A中复杂性最小的y1=a0开始,采用最小二乘估计(内准则)得出估计方程,并根据该方程计算其在B中的外准则值,…,继续估计更复杂的模型,直至偏差值达到最小,此时对应的临界局部函数就是因素组(xi,xj)的传递函数。当环境因素两两组合因素组的传递函数均已确定时,便形成第一层中间模型。

(4)

(4)生成具有最优复杂度的最佳模型。重复执行第3步,直至新一层中间模型偏差均大于上一层中间模型时,输出最佳模型,得到影响高技术技术创新效率的关键环境因素。

1.3 模糊集定性比较分析(fsQCA)方法

fsQCA是Ragin[18]将模糊数学思想与QCA分析结合形成的研究方法,打破了传统QCA分析的二分取值限制,可更为真实地揭示关键环境因素组合对创新效率的影响。其操作步骤如下:

(1)数据校准。通过设置模糊得分分别为0.05、0.5和0.95的完全不隶属、中间点、完全隶属3个断点,将原始数据转换成隶属度值。

(2)单因素必要性分析。计算式(5)、(6)所示的覆盖度(coverage)和一致性(Consistency)值,检验各关键环境因素对创新效率提升的必要性,其中,XiYi分别表示案例在关键因素组合与结果中的隶属度。覆盖度用来反映某因素对结果的解释力;一致性用来判断某因素是否是结果出现的必要条件,当一致性达到0.9时[18],说明该因素可单独促进创新效率提升。

Consistency(XiYi)=∑[min(Xi,Yi)]/∑(Xi)

(5)

Coverage(XiYi)=∑[min(Xi,Yi)]/∑(Yi)

(6)

(3)构建并简化真值表。将隶属度转换为布尔逻辑代数,生成包含关键因素组合、具体案例、一致性的真值表,排除案例个数小于1的因素组合。同时,将一致性小于0.75的因素组合编码为0,达到0.75的因素组合编码为1,得到可呈现有效因素组合的简化真值表[18-20]

(4)采用Quine-McCluskey算法对简化真值表进行运算,分析关键因素组合的充分性。运算后,可得到复杂解、中间解和简单解,由于中间解构造的解释模型兼具解释力和普适性,因而通常汇报中间解中包含的因素组合[21-22],并认为一致性达到0.75的因素组合是效率提升的充分条件,以此分析高技术产业技术创新效率提升模式。

2 变量与数据

2.1 变量选取

2.1.1 投入产出指标选取

技术创新投入通常采用劳动力与资本衡量。劳动力一般选取R&D人员全时当量衡量,资本一般选取R&D经费内部支出[4]、新产品开发经费[23]衡量。由于高技术产业技术创新不仅来源于自主研发,也可通过国外技术引进与消化吸收、国内技术购买及现存技术改造实现,所以也将这四项费用之和作为资本投入指标之一[4]

产出主要从两方面衡量[23]:一方面为知识产出,是技术创新的直接产出,用专利申请量表征;另一方面为经济产出,是知识产出的商业实现,用新产品销售收入表征。

2.1.2 技术创新环境指标选取

根据产业技术创新实践以及客观全面、开放多元原则,结合高技术产业创新环境相关研究[6-13]、邓凯[24]对高新技术企业创新环境的考察,以及侯鹏等[25]、《中国区域创新能力评价报告》[26]对区域创新环境指标体系的构建,本研究从主体环境、交流环境、市场环境、要素环境、政策环境5个方面衡量高技术产业技术创新环境,具体指标如表1所示。

2.2 数据来源与处理

本研究选取2011-2016年中国内地29个省市(西藏、青海因2011-2013年技术引进、消化吸收、购买国内技术、技术改造经费数据缺失,予以剔除)的面板数据进行实证分析,并从《中国高技术产业统计年鉴》、《中国科技统计年鉴》、《中国统计年鉴》、《中国城市统计年鉴》和《中国金融年鉴》中搜集所需数据。

R&D经费内部支出采用永续盘存法进行转存量处理。

Kt=Kt-1(1-δ)+Et-1

(7)

式(7)中,KtKt-1分别代表第t和t-1期的R&D经费内部支出存量;δ为折旧率,一般取经验值15%[27]Et-1为以2011年为基期进行平减后的R&D经费内部支出流量,R&D支出价格指数采用李向东等[28]的做法,即(劳务费/(劳务费+设备仪器支出))×消费价格指数+(设备仪器支出/(劳务费+设备仪器支出))×固定资产投资价格指数;2011年的R&D经费内部支出存量用其流量除以10%求得[29]。其它两项经费支出转存量的做法与R&D经费内部支出相同,且均使用R&D支出价格指数。

其它需要说明的指标及相应处理为:由于利税数据仅统计至2014年,本研究计算2012-2014年(利税-利润)的平均增长率,然后利用平均增长率对2015年、2016年研发税收指标的分母进行估算;新产品销售收入、主营业务收入用工业品出厂价格指数进行平减[4];人均GDP用人均GDP指数进行平减;外资高技术企业R&D经费投入用R&D支出价格指数进行平减。

表1 技术创新环境指标及描述

一级指标二级指标 指标符号指标度量 主体环境行业研发基础S1行业中有研发活动的企业数占比自主创新倾向S2R&D经费内部支出中企业资金占比企业规模S3行业主营业务收入均值所有制结构S4国有及国有控股企业主营业务收入占行业主营业务收入比重高校及科研院所数量S5高校与科研院所数量之和交流环境产业集聚C1地区高技术产业就业人数与土地面积之比产学研合作C2R&D经费外部支出占R&D总支出的比重政府创新干预C3行业R&D经费内部支出中的政府资金占比对外开放度C4行业出口交货值占主营业务收入比重外资引进C5行业固定资产投资中的外资占比外资企业技术溢出C6外资高技术企业R&D经费投入市场环境市场需求M1规模以上企业主营业务收入市场竞争M2高技术企业数量要素环境劳动者素质E116岁及以上人口中大专以上学历人口占比经济基础E2人均GDP金融支撑E3金融机构贷款余额占GDP比重信息基础设施E4互联网上网人数政策环境基础应用研究P1地区R&D经费内部支出中基础研究与应用研究之和所占比重科技扶持P2财政支出中科学技术支出占比研发税收P3行业利税总额与利润总额的差值与主营业务收入的比值知识产权保护P4技术市场成交额占GDP比重产业结构P5第三产业增加值占GDP比重

3 实证研究

3.1 高技术产业技术创新效率测度

将投入与产出的时滞设为一年,利用DEAP2.1软件,可得到2012-2016年创新效率值。为方便比较,将各地区5年间创新投入、产出、效率的平均值和排序列出,如表2所示。从效率测度结果不难看出,除广东、重庆处于效率前沿, 北京、天津、江苏、安徽、河南、湖南、海南、四川、甘肃、宁夏、新疆的效率值在全国平均水平以上外,其余16个省市的效率值均未达到全国平均水平。值得注意的是,对比投入、产出数据可以发现,与广东、北京不同,上海、江苏、浙江、山东、福建5个高投入、高产出地区的效率值均偏低,不及安徽、河南、湖南,亦低于宁夏、新疆等创新资源相对匮乏的地区,这与陈珊[30]的研究结论一致。究其原因,伴随着“中部崛起”、“西部大开发”战略的落实,国家为推动中西部地区高技术产业创新发展,提供了诸多配套性政策措施,使得安徽、河南、宁夏、新疆等地区高技术企业创新建设得到加强,国内市场规模快速扩张,国际贸易日益频繁,创新环境不断改善,创新资源利用更为充分。而上海、江苏、浙江等经济发展水平较高地区,虽然创新资源较为丰富,各类创新环境较完善,但存在资源浪费、创新环境与创新效率协调性较差[31]等问题,从而阻碍了高技术产业技术创新效率提升。总体来看,中国高技术产业技术创效率均值为0.659,仍然偏低,存在较大提升空间,创新环境调控仍任重道远。

3.2 高技术产业技术创新效率关键环境影响因素识别

在运用GMDH算法建模前,需对创新环境因素的原始数据进行标准化处理,如式(8)所示,然后将标准化后的数据连同创新效率值一同录入GMDH Shell 3.8.9软件,并将2012-2014年、2015-2016年数据分别作为学习集和测试集进行GMDH网络训练。当准则值为0.035 8时,训练结束,输出如式(9)所示的最佳模型。

(8)

(9)

其中,Y为技术创新效率,N4N5N7N9N10N11是软件运行过程中产生的中间变量。可以发现,影响高技术产业技术创新效率的关键环境因素有主体环境中的行业研发基础(S1)和自主创新倾向(S2)、交流环境中的政府创新干预(C3)和对外开放度(C4)、市场环境中的市场需求(M1)、要素环境中的经济基础(E2)以及政策环境中的知识产权保护(P4)。上述因素与创新效率的关系复杂,但GMDH Shell 3.8.9软件仍可根据对最佳模型均方误差的影响程度得出各因素重要性排序,即针对某关键环境因素,在最佳模型中用其平均值代替,重新计算模型的均方误差Rvar。同时,假定将所有关键环境因素进行均值替代处理后,模型均方误差Rall对最佳模型均方误差Rori的影响为100%,最佳模型均方误差对自身的影响为0,则该因素对最佳模型均方误差的影响为(Rvar-Rori)/(Rall-Rori)×100%。各关键环境因素对最佳模型均方误差的影响如表3所示。

表2 各地区创新投入、产出、效率均值及排序

地区R&D人员全时当量排序R&D经费内部支出排序国外技术引进消化吸收、国内技术购买及技术改造经费排序新产品开发经费排序专利排序新产品销售收入排序效率均值排序北京21 650.0 87 021 319.8 51 011 197.3 119 504 296.3 58 360 516 262 182.5 70.930 5天津15 221.4 113 044 139.0 12875 359.4 122 840 457.7 123 380 1116 408 450.9 60.805 7河北9 576.3 161 163 673.5 18328 704.3 201 150 950.4 191 093 192 708 400.9 180.451 27山西2 452.9 22276 178.3 2460 144.6 26426 446.2 23310 25546 324.7 230.609 16内蒙古642.7 2774 076.4 2964 565.3 2577 225.2 2977 28343 902.4 260.498 23辽宁9 602.2 155 175 252.8 71 349 205.1 94 867 111.8 102 209 133 812 249.4 150.489 24吉林3 630.3 21592 742.8 21327 402.8 21780 971.5 21517 211 361 841.4 190.454 26黑龙江6 805.8 191 601 860.8 15856 474.3 131 643 983.6 17978 20747 674.1 220.323 28上海24 108.5 66 856 693.6 61 711 858.5 810 750 358.1 37 261 69 543 017.6 90.646 14江苏96 904.0 219 868 097.1 211 630 617.6 129 290 842.1 222 372 271 948 264.0 20.672 13浙江55 664.0 38 355 315.6 43 203 560.0 29 320 692.7 612 351 322 299 329.5 40.644 15安徽11 709.0 141 972 370.5 14659 063.0 152 732 710.6 134 900 86 661 774.9 130.975 3福建27 657.1 54 948 938.2 82 982 533.3 35 412 485.9 84 490 912 859 217.8 80.499 22江西8 870.3 171 537 355.6 16449 633.5 171 645 325.4 161 937 163 586 244.1 160.599 18山东42 705.4 49 548 296.2 32 425 237.9 510 459 763.4 410 072 422 313 469.4 30.601 17河南15 139.9 121 329 167.5 17623 495.1 161 599 273.7 182 154 1420 456 660.2 50.956 4湖北22 798.8 74 549 012.0 9696 782.7 145 222 858.6 93 942 106 688 769.3 120.525 21湖南12 083.2 132 000 449.1 131 798 985.8 72 181 102.3 143 159 128 952 028.2 100.782 10广东203 969.4 145 330 557.5 12 803 189.9 454 509 453.0 153 754 1114 034 961.7 11.000 1广西2 199.3 23591 644.1 22367 224.3 19672 394.0 22432 22842 145.1 210.462 25海南1 281.6 25158 454.2 26104 379.1 23233 856.8 25322 24115 948.8 290.783 9重庆6 051.8 20724 210.5 20219 027.5 22859 975.5 201 876 176 450 823.3 141.000 1四川15 445.7 103 517 247.7 112 206 237.0 65 552 091.2 76 293 78 744 459.9 110.869 6贵州7 119.6 18823 793.0 19370 357.7 181 674 472.3 151 157 181 015 688.4 200.539 20云南2 069.2 24403 932.1 2381 711.0 24420 966.9 24388 23491 745.7 240.554 19陕西19 284.3 94 389 110.3 101 126 444.5 104 502 909.0 112 103 153 135 016.3 170.271 29甘肃1 061.7 26225 571.1 2544 781.5 28224 848.3 26239 26426 835.8 250.679 12宁夏553.4 2886 334.0 2851 735.6 2794 226.4 28132 27307 424.6 270.695 11新疆239.2 29136 944.5 2736 790.3 29159 108.3 2776 29133 387.0 280.789 8平均值22 293.0 4 700 094.4 1 326 437.9 5 821 074.4 5 39112 524 077.2 0.659

注:R&D人员全时当量单位为“人年”,各项经费数据均为存量数据,单位为“万元”,专利申请量单位为“件”,新产品销售收入为平减后数据,单位为“万元”

表3 最佳模型中各变量重要程度

指标对RMSE的影响(%)E2135.50M132.49C425.88S119.96S213.98C311.13P47.06

注:当某个因素在最佳模型中与其它因素存在相乘或平方形式时,其对最佳模型均方误差的影响可能超过100%

由表3可知,影响高技术产业技术创新效率的关键环境因素按照重要程度排序,依次为经济基础(E2)、市场需求(M1)、对外开放度(C4)、行业研发基础(S1)、自主创新倾向(S2)、政府创新干预(C3)和知识产权保护(P4)。经济基础(E2)是高技术产业技术创新的根本支撑,较高经济发展水平不仅能为技术创新活动提供资金、设备支持,还能通过人才、资本的吸附补充创新要素,提高创新能力;市场需求(M1)的存在可使高技术创新成果较快地实现市场价值,是技术创新的动力来源;对外开放度(C4)反映高技术产业在出口贸易中与其它国家的交流程度,这种交流在助力国内企业学习先进技术的同时,驱使其融入国际市场,有助于提高我国高技术产品国际影响力;行业研发基础(S1)决定了高技术产业技术创新的可能性,良好的研发基础意味着充满活力的创新氛围和相对充足的创新投入,是创新成果源源不断产生的根源;自主创新倾向(S2)反映了高技术企业扮演技术创新核心主体角色的意愿,较强的自主创新倾向说明企业愿意支出更多自筹资金投向具有高研发价值、强竞争力的技术领域;政府创新干预(C3)是政府参与高技术产业技术创新的直接手段,伴随对企业技术创新资金的补充,政府会部署与国家战略相匹配的科技创新任务,引导创新资源配置,促进创新进程;知识产权保护(P4)是与高技术产业技术创新相关性较大的制度环境因素,实施知识产权保护可维护企业创新成果独有权,使企业在保护期限内获得垄断利润,激励企业技术创新。以上7个环境因素对高技术产业技术创新至关重要,是改善创新环境的主要发力点。由于这些关键环境因素共同作用于技术创新效率,因此考察因素间联合效应、寻找促进创新效率提升的因素组合,对创新环境调控计划制定十分重要。

3.3 高技术产业技术创新效率关键环境因素组合分析

3.3.1 关键环境因素必要性分析

将29个省市2012-2016年关键环境因素及技术创新效率平均值作为fsQCA分析样本,录入fsQCA3.0软件。首先对数据进行校准,为避免主观因素的干扰,将各因素及创新效率在25%、50%、75%上的取值分别作为完全不隶属、中间点和完全隶属的校准锚点[22,32,33],如表4所示,并依据校准锚点得出隶属度值。

表4 关键环境因素及创新效率校准锚点

指标校准锚点完全不隶属交叉点完全隶属E222 347.710 225 975.584 0 38 958.188 4M1594.329 82 316.498 34 169.531 2C40.109 20.182 40.369 1S10.298 70.380 80.484 8S20.820 60.898 40.932 0 C30.053 60.086 40.139 2P40.010 20.015 0 0.020 8Y0.499 0 0.644 40.798 2

为保证关键环境因素组合分析的准确性,在利用简化真值表分析因素组合及其充分性前,应排除能够单独影响效率提升这一结果出现的必要条件因素,即单因素必要性分析,结果如表5所示。可知,虽然各关键环境因素均具有良好解释力,但一致性均未达到0.9,说明任一因素均不是效率提升的必要条件,各因素对创新效率的影响是相互依赖的。因此,必须将全部关键环境因素纳入组合分析,找出能充分确保效率提升的因素组合。

3.3.2 关键环境因素组合分析

通过对简化真值表的运算,可求得表6所示的中间解。可以看出,共有4项关键因素组合可确保高技术产业技术创新效率提升,单个组合的一致性分别为0.797 2、0.896 6、0.799 4和0.872 5,4项组合的总体一致性为0.820 5,均超过0.75的一致性阈值,且总体覆盖度为0.456 2,说明4项组合均是创新效率提升的充分条件,构成了创新效率提升的四重原因,可有效解释45.62%的样本案例。通过观察,易发现第1、2、4项因素组合均适用于经济基础偏弱地区,而第3项因素组合适用于经济基础较好地区。

表5 关键环境因素必要性分析结果

条件变量一致性覆盖度E20.516 60.508 0M10.673 50.676 2C40.692 50.689 7S10.623 20.591 1S20.552 60.578 1C30.513 90.520 6P40.623 20.621 1

表6 关键环境因素的多元组合

条件变量构型1234E2○○●○M1●———C4—●——S1——○●S2○——●C3—●○—P4——○○组合一致性0.797 20.896 60.799 40.872 5组合原始覆盖度0.194 80.211 80.170 40.176 5组合唯一覆盖率0.011 50.039 40.080 10.098 4所有组合的一致性0.820 5所有组合的覆盖度0.456 2

注:“●”表示因素出现,“○”表示因素不出现,“—”表示可有可无

基于此,本研究将经济基础偏弱地区高技术产业技术创新效率的提升模式归纳为需求驱动型、主体带动型和交流碰撞型。

(1)需求驱动型(~自主创新倾向(S2)*市场需求(M1)*~经济基础(E2)),主要通过弱化高技术企业技术驱动创新思维、强化市场需求导向提升技术创新效率,有效解释了约19.48%的样本案例。该模式意味着高技术企业在进行技术创新时,不应过度追求技术先进性,不应为急于到达技术“金字塔”顶端而忽视技术自身的适用性和生命力,消耗有限的研发资源,而是应培养对市场需求的判断力,通过对日新月异的市场需求趋势的敏锐捕捉,投入研发资金,部署创新任务,以避免创新成果转化困难,实现技术创新的市场价值。

(2)交流碰撞型(对外开放度(C4)*~经济基础(E2) *政府创新干预(C3)),有效解释了约21.18%的样本案例。在这种模式下,高技术企业在内依靠政府研发补贴及其对创新方向的适时引领,在外借助发达国家先进技术的引进及国际创新趋势的感知,通过内外互补的交流碰撞提升技术创新效率。该模式一方面表明高技术产业的市场化改革和政府放权不能一蹴而就,对于案例地区而言,政府干预可降低技术研发的盲目性,减少由企业贸然创新而造成的资源浪费;另一方面意味着应进一步扩大出口规模,利用“出口中学习”效应提升研发设备性能、改进工艺技术、完善产业化流程、提升高技术产品国际竞争力。

(3)主体带动型(行业研发基础(S1)*自主创新倾向(S2)*~知识产权保护(P4)*~经济基础(E2)),主要通过加大创新核心主体高技术企业研发机构建设、增强企业自主创新意愿和适度弱化知识产权保护来提升技术创新效率,有效解释了约17.65%的样本案例。该模式提倡增加高技术企业研发设备、人才和资金投入,鼓励企业根据掌握的国内外创新需求配置创新资源,开展技术研发,同时,弱化过强的知识产权保护,改善由于某些企业过度攫取垄断利润所造成的资源配置失衡及行业重复研发所引致的资源低效利用,以更好发挥高技术企业的主体能动性。

经济基础较好地区则可通过增质减束型模式(~行业研发基础(S1)*~政府创新干预(C3)*~知识产权保护(P4)*经济基础(E2))提升技术创新效率,即提高企业研发资源使用质量、减少政府创新干预和适度弱化知识产权保护,有效解释了约17.04%的样本案例。该模式一方面说明企业研发机构由于缺乏顶层设计、管理不善等原因,所投入的创新资源并没有获得与之匹配的创新产出,因此应加强机构投入资源的统筹规划,提高资源使用质量;另一方面说明创新资源相对丰富、公司运营机制更为完善的案例地区应加快政府放权,将创新方向决策权更多交于企业,减少由于政府不当干预造成的研发混乱。该模式还强调应适度弱化知识产权保护,加速高技术企业间的新技术溢出,提高行业整体创新水平。

4 结论与启示

本研究首先应用CCR-DEA模型测度中国内地29个省市2012-2016年的高技术产业技术创新效率,然后基于已有文献,从主体环境、交流环境、市场环境、要素环境、政策环境5个方面选取影响创新效率的环境因素,并利用GMDH算法识别出其中的关键因素,最后运用fsQCA方法探究关键环境因素组合与创新效率关系,从创新环境视角揭示创新效率提升的多元模式。主要结论如下:

(1)研究期内中国高技术产业技术创新效率均值偏低,分省来看,超过半数省市的创新效率值在全国平均水平以下,且存在经济发展水平较高、创新资源较充足的地区,如上海、江苏、浙江等的创新效率低于宁夏、新疆等地区的现象,说明无论经济发展水平高低,多数地区高技术产业技术创新环境均存在较大改善空间。

(2)影响高技术产业技术创新效率的关键环境因素按照重要性排序,依次为经济基础、市场需求、对外开放度、行业研发基础、自主创新倾向、政府创新干预和知识产权保护。各地区若对上述7个关键环境因素予以优先关注,可极大提升创新环境的调控效果。

(3)尽管对高技术产业技术创新很重要,但任一关键环境因素均不是创新效率提升的必要条件,无法单独决定创新效率,只有多因素联动、彼此协同,方可确保创新效率提升。共有4项关键环境因素组合可作为效率提升的充分条件,从而提供了效率提升的4种模式,其中,适用于经济基础偏弱地区的有需求驱动型、交流碰撞型和主体带动型,增质减束型模式则适用于经济基础较好地区。

上述结论对决策者具有以下政策启示:

第一,从国家层面来说,应当从提高经济发展水平、拓展高技术产品市场空间、为高技术产品出口打造良好国际贸易环境、加大高效能研发机构建设、增强高技术企业对先进适用技术的自主创新意愿、控制政府对创新方向和创新资源引导与规划权的行使程度、实施适度知识产权保护7个方面把握高技术产业技术创新环境调控大局。与此同时,充分考虑创新环境的地区分异,帮助地方政府制定有侧重、更符合自身实际的调控方案。

第二,对经济发展水平较低的地区而言,由于创新资源相对匮乏、企业创新能力整体偏低,一方面可依据市场需求趋势确定研发投入领域,减少资源浪费,另一方面可接受政府提供的研发资金补充,了解国家层面的高技术研究热点,结合从出口贸易中获取的国际市场需求信息进行技术创新。另外,还可提高企业自主创新积极性,鼓励更多企业兴办研发机构,拓展创新资源,弱化知识产权保护,避免资源低效配置和使用。

第三,对经济发展水平较高的地区而言,除应弱化知识产权保护外,还应改变研发机构要素驱动的创新模式,加强其对创新方向和投入资源的规划与管理,减少政府对上述过程的干预,实现企业创新决策市场化。

参考文献:

[1] 孙早,徐远华. 信息基础设施建设能提高中国高技术产业的创新效率吗——基于2002-2013年高技术17个细分行业面板数据的经验分析[J].南开经济研究,2018,35(2): 72-92.

[2] 支燕,白雪洁.我国高技术产业创新绩效提升路径研究——自主创新还是技术外取[J].南开经济研究,2012,29(5): 51-64.

[3] 洪银兴. 科技创新体系的完善与协同发展探讨[J]. 经济学动态,2016,57(2): 4-9.

[4] 肖仁桥,陈忠卫,钱丽. 异质性技术视角下中国高技术制造业创新效率研究[J].管理科学,2018,31(1): 48-68.

[5] 刘思明,赵彦云,侯鹏. 区域创新体系与创新效率:中国省级层面的经验分析[J].山西财经大学学报,2011,33(12): 9-17.

[6] 戴魁早. 制度环境、区域差异与知识生产效率——来自中国省际高技术产业的经验证据[J]. 科学学研究,2015,33(3): 369-377.

[7] HONG J,FENG B,WU Y R,et al. Do government grants promote innovation efficiency in China's high-tech industries[J]. Technovation,2016: S0166497216301018.

[8] 王斌,谭清美. 市场因素与高技术产业创新成果转化:促进还是抑制[J]. 科学学研究,2016,34(6): 850-859.

[9] 叶丹,黄庆华. 区域创新环境对高技术产业创新效率的影响研究——基于DEA-Malmquist方法[J].宏观经济研究,2017,39(8):132-140.

[10] LIU Y Z,CHEN X F,CHU J F,et al. Industrial development environment and innovation efficiency of high-tech industry: analysis based on the framework of innovation systems[J]. Technology Analysis&Strategic Management,2017(8): 1-13.

[11] 李彦龙. 税收优惠政策与高技术产业创新效率[J]. 数量经济技术经济研究,2018,35(1): 60-76.

[12] 张涵,杨晓昕. 创新环境约束下高技术产业区域创新效率及收敛性研究[J]. 科技进步与对策,2018,35(3): 43-51.

[13] CAO S L,FENG F,CHEN W Y,et al. Does market competition promote innovation efficiency in China′s high-tech industries[J]. Technology Analysis&Strategic Management,2019(2): 1-14.

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

[15] MALADA H R,IVAKHNENKO A G. Inductive learning algorithms for complex system modeling [M]. Florida: CRC Press,1994: 69-86.

[16] 刘光中,颜科琦,康银劳. 基于自组织理论的GMDH神经网络算法及应用[J].数学的实践与认识,2001,31(4): 464-469.

[17] 贺昌政.自组织数据挖掘与经济预测[M].北京:科学出版社,2005.

[18] RAGIN C C.Redesigning social inquiry: Fuzzy sets and beyond[M].Chicago: University of Chicago Press,2008.

[19] SCHNEIDER C Q,WAGEMANN C. Set-theoretic methods for the social sciences:a guide to qualitative comparative Analysis[M].Cambridge: Cambridge University Press,2012.

[20] 赵文,王娜. 二元网络背景下中国海归企业绩效提升路径研究——基于模糊集的定性比较分析[J]. 科学学与科学技术管理,2017,38(5): 128-139.

[21] 张明, 陈伟宏, 蓝海林. 中国企业“凭什么”完全并购境外高新技术企业——基于 94 个案例的模糊集定性比较分析(fsQCA)[J].中国工业经济,2019,36(4): 117-135.

[22] 杜宝贵,王欣. 众创空间创新发展多重并发因果关系与多元路径——基于模糊集定性比较分析[J].科技进步与对策,2020,37(7):120-129.

[23] 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.

[24] 邓凯. 空间差异视角下西部地区高新技术企业创新环境的外生优势分析[J]. 统计与信息论坛,2018,33(9): 88-96.

[25] 侯鹏,刘思明,建兰宁. 创新环境对中国区域创新能力的影响及地区差异研究[J]. 经济问题探索,2014,35(11): 73-80.

[26] 中国科技发展战略研究小组,中国科学院大学中国创新创业管理研究中心. 中国区域创新能力评价报告2016[M]. 北京:科学技术文献出版社,2016:205-212.

[27] GRILICHES Z,LICHTENBEGR F. Inter-industry technology flows and productivity growth:a reexamination [J].Review of Economics Statistics,1984,66(2): 324-329.

[28] 李向东,李南,白俊红,等. 高技术产业研发创新效率分析[J].中国软科学,2011(2): 52-61.

[29] 张军,吴桂英,张吉鹏. 中国省际物质资本存量估算:1952-2000[J]. 经济研究,2004,50(10): 35-44.

[30] 陈珊. 科技金融对我国高技术产业区域创新效率影响分析[J]. 经济问题探索,2019,40(3): 166-172.

[31] 汪玲. 长江经济带创新环境与创新绩效耦合协调研究[J].安徽农业大学学报,2017,61(5): 50-55.

[32] CODURAS A,ANTONIO CLEMENTE J,RUIZ J.A novel application of fuzzy-set qualitative comparative analysis to GEM data[J]. Journal of Business Research,2016,69(4): 1265-1270.

[33] 王蓉娟,吴建祖. 环保约谈制度何以有效——基于29 个案例的模糊集定性比较分析[J].中国人口·资源与环境,2019,29(12): 103-111.

(责任编辑:胡俊健)