How the Allocation of Scientific and Technological Resources Promote the Growth of TFP in High-Tech Industries：An fsQCA Analysis Based on 29 Provincial Cases

Du Baogui，Yang Bangxing

(School of Humanities and Law, Northeastern University, Shenyang 110169, China)

Abstract：As a strategic emerging industry group that utilizes cutting-edge technology to produce high-tech products, high-tech industry plays an important role in promoting the transformation of economic development momentum and seizing international innovation highlands. The purpose of this study is to explore the influencing factors and configuration paths of different technological resource allocations on the realization of high TFP or low TFP in high-tech industries. Combining the DEA-Malmquist model and the fuzzy set qualitative comparative analysis (fsQCA) method,this paper takes the high-tech industries in 29 provinces and municipalities in mainland China as research cases. It starts from three levels of scientific and technological resources allocation scale, allocation method and allocation environment to discuss the multiple concurrent causal relationship between the allocation of high-tech industries' technological resources and TFP in high-tech industries.

By using the fuzzy set qualitative comparative analysis method, the study has three findings. (1) No single science and technology resource element can constitute a necessary condition for high TFP or low TFP of high-tech industries. The TFP growth of China's high-tech industries has complex and concurrent multiple configurations in terms of the input of scientific and technological resources. Specifically, there are two types of configuration paths for improving TFP in high-tech industries: government-led conditional configuration with planned allocation and product development as the core elements; market-led conditional configuration with market allocation and R&D personnel input as the core state. The market-oriented conditional configuration with market configuration and R&D personnel input as the core is subdivided into three types: the first type is a "market + R&D transformation" configuration supplemented by product development, technological innovation and planned configuration; the second type is a "market + open cooperation" configuration supplemented by planned configuration, industry-university-research cooperation and regional opening; the third type is a "market + industry-university-research" configuration with a lack of product development and technological innovation, supplemented by industry-university-research cooperation, planned allocation or regional opening. (2) Market resource allocation and R&D personnel input play a general role in improving the TFP of high-tech industries. Market configuration and R&D personnel input exist in 5 path configurations and all are assumed to be in the status of core conditions, and this is consistent with the characteristics of high-tech industries. High-tech industries belong to intelligence-intensive, knowledge-intensive and high-input industries, and need to invest a lot of scientific and technological human, financial and material resources in the process of development and growth. (3) The development of China's high-tech industries presents significant regional differences in terms of efficiency and paths. The eastern coastal area can either follow the government-led conditional configuration with planned configuration and product development as the core elements, or the "market + open cooperation" configuration with market configuration and R&D personnel input as the core. The central and western regions are suitable for the "market + R&D transformation" and "market + industry-university-research" paths with market allocation and R&D personnel input as the core. In addition, since some provinces have different paths for generating low TFP configurations, it is more important to choose channels that fit the actual situation and industrial characteristics of the province when allocating scientific and technological resources in high-tech industries.

According to the above research, three recommendations are put forward. First of all, China should deepen the implementation of the regional coordinated development strategy, and form a new pattern of mutual promotion, complementary advantages and common development of high-tech industries in the east, the middle and the west. Second, all provinces in China should accelerate the construction and improvement of a new market-oriented mechanism for the development of high-tech industries with enterprises as the main body and deep integration of industry, university and research. Finally, all provinces in China should combine the factors of location resources and the advantages of industrial development to form a new path for the development of high-tech industries with distinctive features and self-reliance.

Key Words:High-tech Industry; Allocation of S&T Resources; TFP; Malmquist Index ;fsQCA

收稿日期：2022-04-19

修回日期：2022-06-25

基金项目：科技部国际司委托项目(2021ICR12)；辽宁省科学事业公益研究基金(软科学研究计划)项目(2022JH4/10100012)；辽宁省科协科技创新智库项目(LNKX2022B09)

作者简介：杜宝贵(1975—)，男，辽宁辽中人，博士，东北大学文法学院教授、博士生导师，研究方向为科技政策与科技管理、比较公共管理理论；杨帮兴(1994—)，男，安徽阜阳人，东北大学文法学院博士研究生，研究方向为科技政策、产业经济。

DOI：10.6049/kjjbydc.2022040542 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(2022)23-0065-11

0 引言

高技术产业作为利用前沿科技生产高技术产品的产业类型，在促进经济发展动力变革和抢占国际创新高地等方面具有重要地位。早在1988年，中国政府即通过出台火炬计划促进高新技术研究成果商品化，推动高新技术产业形成和发展。新世纪以来，中国更是将促进高技术产业发展作为一项长期战略规划，并取得了丰硕成果。据国家统计局《2021年国民经济和社会发展统计公报》显示，2021年中国高技术产业增加值同比增长18.2%，占规模以上工业增加值的15.1%，高技术产品出口额占国家出口总额的29%。可见，高技术产业已成为中国发展壮大实体经济和构筑创新产业体系的重要支柱。然而，在参与全球科技竞争中，中国高技术产业在全球价值链划分中依旧存在较大劣势，时刻面临“低端锁定”风险[1-2]，许多与核心设计相关的知识产权仍然受到控制，诸多“卡脖子”关键技术仍待破解攻关。

随着国际格局的深刻变化和全球价值链重构，发达国家越来越专注于全球生产网络的高科技领域，这些领域是就业和地区增长的催化剂，而发展中国家则被迫专注于全球体系中高技术产业的低附加值环节。在此背景下，中国想要摆脱“低端锁定”困局，必须加快推进制造强国、科技强国建设，把科技自立自强作为国家发展的战略支撑，通过提升高端产业自主创新能力和创新成果产出进军全球高端制造。通常来说，工业产出增长可通过两种方式实现：加大生产要素投入和提高生产率水平[3]。其中，全要素生产率(Total Factor Productivity，TFP)作为衡量生产率水平的重要指标已得到广泛关注。TFP[4]区别于单要素生产率(如技术生产率)，衡量的是生产过程中总产出与总投入的比率，这意味着产出增长率超过加权投入增长率的剩余部分即是全要素生产率增长率。因此，TFP增长通常被视为衡量技术进步的重要指标，其囊括了效率提升、质量提升、组织创新、生产单位竞争力等方面。

中共十九大报告指出，必须坚持质量第一、效益优先，以供给侧结构性改革为主线，推动经济发展质量变革、效率变革、动力变革，提高全要素生产率。因此，在经济发展新阶段和新竞争形势下，摒弃原始粗放型的以单纯扩大资源投入换取产出增长，转向通过优化科技资源要素配置促进TFP增长，对中国高技术产业发展具有重要现实意义。由于中国各区域人力资源分布不均，区域制度环境独特，公共投资和政策各异，具有突出的区域特征。因此，本研究在测算各省高技术产业TFP增长的基础上，采用模糊集定性比较分析(fsQCA)方法对我国不同省域科技资源要素配置导致高技术产业高/低TFP的多重并发因果关系和路径进行研究。

1 文献综述

高技术产业作为工业新经济的代表，是当前构建双循环新发展格局背景下推进生产动力机制转换、优化产业结构、培育经济增长新动能的核心引擎。TFP增长是产业技术升级、管理模式改进、产品质量提高、企业结构升级的综合体现[5]。因此，提升高技术产业TFP是促进高技术产业“多快好省”地实现经济质量变革、效率变革和迈向高质量发展的必然要求。学者们针对高技术产业TFP的影响因素、如何促进高技术产业TFP增长等方面开展了广泛研究，主要集中于以下几个方面：

在高技术产业TFP增长动力及过程分解方面，亚茹和陈丹丹[5]指出，技术进步效应是高技术产业TFP增长的主导来源，要素配置的结构红利也发挥重要作用，但呈下降趋势；陈燕儿等[6]指出，中国高技术产业TFP增长动力正逐渐由技术进步转向技术与技术效率变化共同驱动，且区域间产业发展存在差异；卜洪运等[7]对京津冀地区高技术产业集群竞争力和TFP指数进行测算，发现通过技术进步促进TFP增长能够显著提升集群竞争力。在高技术产业创新阶段演化方面，姜彤彤[8]指出，在技术开发阶段，技术进步使得中国高技术产业TFP增长趋势明显，在成果转化阶段，技术进步率降低，尽管技术效率有所提升，但总体TFP仍小幅下降；董会忠和张仁杰[9]研究发现，中国高技术产业研发效率与成果转化效率明显不协调，技术效率差异导致高技术产业研发效率存在明显的区域异质性，而成果转化效率则呈两分极化态势；Wan等[10]发现，中国高技术产业研发技术效率与成果转化效率具有显著的空间自相关和空间溢出效应；Zhang等[11]指出，由于研发效率和商业化效率低下，中国高技术产业整体创新效率仍处于较低水平，且大多数省份研发效率与商业化效率不匹配。可见，中国各区域高技术产业TFP增长主要由技术进步驱动，要素配置的结构红利虽然理论上发挥重要作用，但在实践中的贡献率较低，是提升高技术产业TFP的重要着力点。

在高技术产业创新资本因素方面，尹向飞[12]认为，高技术产业TFP增长主要归因于劳动力TFP增长，资本TFP对高技术产业TFP的影响甚微。关于资本要素扭曲，李沙沙和邹涛[13]指出，资本市场扭曲有助于具有研发能力的高技术企业提高生产率水平，但会抑制企业研发能力，导致资源错配，从而降低高技术产业TFP水平；汪浩瀚等[14]研究发现，资本要素扭曲对不同区域高技术产业TFP增长均具有显著抑制作用，研发劳动力要素扭曲能提升东部和中部地区高技术产业TFP，但会抑制西部地区高技术产业TFP增长。在高技术产业投融资方面，万宜超和刘廷廷[15]研究发现，直接融资、间接融资均通过资本对TFP增长产生正向作用；杨奕等[16]指出，风险投资与技术进步指数、技术效率指数及TFP指数具有显著相关性，并对R&D的TFP有显著正向影响，R&D内部经费和新产品开发经费对R&D 的TFP具有显著促进作用，是技术进步与创新的直接推动因素。可见，科技劳动力资本、金融资本等相关要素是影响高技术产业TFP的重要因素，资本要素扭曲和资源错配会抑制TFP增长。

在高技术产业R&D投入与技术创新方式方面，汪泉[17]指出，R&D投入和R&D吸收能力对高技术产业TFP的正向作用显著，而技术引进对高技术产业TFP有轻微负向影响；郑丽升和李若曦[18]从R&D投入和非R&D投入两方面考察技术创新投入对高技术产业TFP增长的影响，发现R&D经费投入和技术改造投入分别通过提高技术效率、实现技术前沿外推促进我国高技术产业TFP增长，技术消化吸收投入对TFP增长具有支撑作用。在技术创新方式方面，艾育红和彭迪云[19]认为，自主研发、FDI和技术引进能够提升高技术产业TFP，而出口贸易会产生抑制作用，因此必须培育创新主体；李若曦和赵宏中[20]指出，自主创新对高技术产业TFP具有显著倒U型效应，模仿创新为显著U型效应，而技术模仿效应不显著。可见，R&D投入和技术革新等投入规模及方式对高技术产业TFP具有差异化影响。

在高技术产业创新环境方面，魏新颖和王宏伟[21]指出，信息化水平对高技术产业TFP具有显著影响，且受到市场化程度制约，存在双重门限效应，人均R&D资本投入、出口交货值和政府R&D投入对高技术产业TFP有显著正向影响；冯志军和康鑫[22]指出，知识产权保护显著促进高技术产业研发创新TFP增长，FDI则表现出显著负向影响；于世海[23]指出，对外直接投资和人均GDP与高技术产业TFP增长正相关且存在显著空间溢出效应；李洪伟等[24]研究表明，高技术产业的企业数和政府资助能够促进高技术产业效率增长，而GDP和科技机构数没有起到应有的促进作用。可见，区域开放水平等资源配置环境、外贸外商投资等市场配置方式和政府研发投入等计划配置方式对高技术产业TFP具有显著影响。

也有学者综合多方面因素对高技术产业TFP进行研究[25]。如徐一鸣和王宏[26]通过研究高技术产业规模、市场规模、市场化程度、GDP增长率、R&D经费投入、政府研发投入对高技术产业TFP增长的影响，发现企业R&D经费内部投入和市场规模对东部地区高技术产业TFP增长有显著推动作用，R&D经费内部投入、市场规模和GDP增长率对中部地区高技术产业TFP增长具有显著促进作用，企业规模、市场化程度和政府财政投入是提升西部地区高技术产业TFP的主导因素。可见，高技术产业TFP增长是受多种资源配置因素影响、具有多重复杂因果关系的矛盾组态。

通过上述文献梳理可知，中国高技术产业创新效率存在显著的区域差异和时空演变特征，且不同科技资源配置规模、配置方式和配置环境特征对高技术产业TFP的影响也存在异质性。然而，既有研究对于造成高技术产业TFP区域差异的资源配置组态因素未作进一步探讨，也鲜有文献对不同科技资源要素组合导致高/低TFP的差异化路径和多重并发因果关系进行研究。因此，本研究从科技资源配置角度出发，构建科技资源配置规模、配置方式和配置环境三维框架，使用fsQCA方法对中国省域高技术产业高/低TFP的多重并发因果关系进行讨论。在理论方面，本研究试图基于模糊集定性比较分析和科技资源配置视角打开导致高技术产业高/低TFP的资源要素组态路径“黑箱”，揭示不同科技资源组合在高技术产业创新活动中的作用与地位；实践上为不同区域审视导致高技术产业高/低TFP的针对性诱因和改进路径提供参考。

2 变量设计

2.1 高技术产业TFP测度

科技人力资源和财力资源是科技创新活动中最基础性的投入要素。对于高技术产业而言，科技物力资源也是高技术产品开发和研究的关键物质基础。由于R&D活动能为许多企业创新活动提供基础，在提升企业竞争力从而实现持续快速增长方面发挥着至关重要的作用。因此，结合既有文献和高技术产业特征，在投入方面，本研究以R&D人员全时当量作为科技人力资源投入指标[12,23]，以R&D经费内部支出作为科技财力资源投入指标[17-18]，以R&D机构数和新产品开发项目数作为科技物力资源投入指标[24,27]；在产出方面，创新成果产出和创新成果转化是影响高技术产业TFP的两个关键因素，借鉴既有文献，选用专利申请数测量创新成果产出，以营业利润和新产品销售收入测量创新成果转化[9-11]。

2.2 高技术产业TFP组态条件变量

结合文献梳理和高技术产业科技资源配置特点，从科技资源配置规模、配置方式和配置环境3个维度构建高技术产业TFP组态条件变量测度指标，如表1所示。

(1)高技术产业科技资源配置规模。高技术产业科技资源配置规模是指在科技人才、科技经费等方面资源投入的相对规模。由于高技术产业是知识和技术密集型的创新产业，R&D资本投入和人员投入是新知识生产前沿的两个主要决定因素[28]。因此，选用产品开发强度、技术革新强度和R&D人员投入强度衡量科技资源配置规模。首先，高技术产业是通过科技创新提升产品附加值和竞争优势的前沿行业，新产品开发经费占营业利润的相对比重能够更好地反映高技术产业创新强度[29]。其次，技术革新包含技术改造、技术引进、技术购买和消化吸收等技术升级方面的投入，是高技术产业提升技术创新能力最直接、高效的手段。结合已有研究，选用技术改造、技术引进、技术购买和消化吸收支出占内部经费支出比重衡量技术革新强度[10-12]。最后，R&D人员是科技创新活动中最活跃的决定性因素，也是学者们在测度创新投入时普遍采用的前置因素。因此，本文选用高技术产业R&D人员全时占所在区域R&D人员全时比重衡量R&D人员投入强度[9,12,23]。

(2)高技术产业科技资源配置方式。在中国特色社会主义市场经济体系下，处理好市场与政府的关系，让市场在资源配置中起决定性作用，同时更好地发挥政府作用，是构建统一开放、竞争有序市场体系的关键。一方面，科技资源市场化配置是对创新要素进行整合、共享、畅通从而实现低投入、高产出的过程。市场作为资源配置的基本手段，既是科技资源配置的关键渠道，也为科技资源配置提供保障机制，通过激发市场主体活力，提高产业创新活动生产效率[26]。另一方面，计划配置主要通过政府进行宏观引导，以避免市场失灵，同时通过财政收支促进高技术产业要素投入多元化，促进全要素生产率增长[28,30]。因此，结合已有研究[17-19,31-32]，选用非政府资金占R&D内部经费支出比重测量市场配置强度，以高技术产业内部经费中政府资金占区域科技财政支出比重测量计划配置强度。

(3)高技术产业科技资源配置环境。产学研协同创新是一种由高校、科研机构、企业等创新主体形成资源共享、风险共担、协同合作的创新模式[33]，是消解技术创新固有高风险性、不确定性的首要选择。在产学研协同水平较高的环境下，高技术企业通过委托高校开展基础研究和知识创新活动，联合科研机构进行协同创新和技术攻关，从而利用自身产业链基础实现科技成果产业化发展，最终促进高技术产业创新生产率提升。此外，区域开放度能够反映地区市场开放水平和资源要素流动程度，区域开放水平越高，市场经济越活跃，越有利于科技信息捕捉、资源要素获取、科技产品销售、创新人才招揽以及竞争与合作的形成，从而加快高技术产业TFP提升[25-26]。参考既有文献，选用各地区省级高校和科研机构R&D经费中企业R&D经费占比测量产学研合作水平[31]，以各省进出口总额占GDP比重测量区域开放水平[31,34-35]。

基于以上分析，本文研究框架如图1所示。

3 研究方法与数据来源

3.1 研究方法

3.1.1 DEA-Malmquist指数

对TFP的测度主要有参数方法和非参数方法[36-37]。参数方法以随机前沿分析(SFA)为代表，通过选择合适的前沿生产函数估计各种生产或成本前沿从而确定TFP。然而，参数方法(如索洛余值法)对TFP的测算未剥离R&D资本体现型技术进步，易产生高估真实TFP增长率和低估要素配置结构效应问题[5,15]。非参数方法[38]以数据包络分析(DEA)为代表，利用线性规划确定生产边界、追踪效率前沿，并使用多个投入和产出评估生产效率。DEA方法不需要对生产或成本函数、权重及投入产出指标之间的概率分布进行先验假设，因此在评估研发活动效率或生产率方面具有优势。DEA-Malmquist指数[39]不需要考虑指标系统的定价信息、价格因素或对涉及的变量使用标准化计量单位，测量结果具有很强的客观性，在测算TFP增长方面被广泛使用[22-24]。因此，本研究采用DEA-Malmquist指数对中国各区域高技术产业TFP进行测算。

3.1.2 模糊集定性比较分析

fsQCA是一种基于集合的方法，探讨各种因素之间的复杂关系或互补关系[40-41]，能够弥补一般计量模型未考虑因素之间联动匹配以及将主体外部环境和内部属性看作相互独立线性变量关系的不足[42]。选用fsQCA分析导致高技术产业高/低TFP的因素及机制，主要基于以下考虑：首先，高技术产业TFP是一个涉及多种科技资源要素投入并由多重并发因果引发的复杂议题。fsQCA能够利用组态思维检验多要素的联动匹配效应，识别驱动高技术产业TFP增长的多条等效路径，发掘各要素之间存在的潜在替补关系；其次，fsQCA遵循因果关系非对称性假设，能够精准定位各等效路径覆盖的地区案例，有助于对中国各省域高技术产业高/低TFP的条件组合差异及诱因进行深入分析[31,42]；最后，QCA方法既适用于10～15个案例的小样本研究和16～50个案例的中等规模样本研究，也适用于超过100个案例数的大样本研究。因此，本研究使用29个省域作为案例契合QCA样本要求。

3.2 数据来源

本研究以2009—2020年中国内地29个省份(青海、西藏因数据缺失严重，未纳入统计)高技术产业为研究样本，探讨其科技资源要素配置与TFP之间的多重并发因果关系。数据主要来源于2010—2021年《中国高技术产业统计年鉴》《中国科技统计年鉴》。考虑到科技资源要素投入与TFP产出之间可能存在时间滞后[30]，在进行fsQCA分析时，对科技资源配置规模、配置方式和配置环境采用2019年数据，对TFP产出采用2020年数据。

3.3 数据校准

参考既有文献，本研究采用直接法对变量数据进行校准[40-42]，将条件变量和结果变量的完全隶属、交叉和完全不隶属校准点分别设为样本数据的上四分位数、中位数与下四分位数。此外，由于fsQCA在运行过程中无法自主辨识条件值为交叉点(0.5)的数据，因此将所有校准后显示为0.5的条件值人工调整为0.501。各变量校准及描述性统计结果如表2所示。

4 结果分析

4.1 中国省域高技术产业TFP指数分析

使用Deap2.1软件中的Malmquist指数，参照前文构建的高技术产业科技资源投入产出指标体系，计算2009—2020年中国内地29个省份的高技术产业TFP指数，结果如表3所示。

由表3可知，2009—2020年中国各省高技术产业TFP指数呈现出在1上下波动的发展态势，且具有明显的地域差异特征。以2019—2020年为例，TFP指数小于1的有内蒙古、广西、吉林、贵州、甘肃等17个省区，大部分位于中西部和东北地区，占比为58.62%；TFP指数大于1的有北京、天津、上海、江苏、福建等12个省市，大部分位于东部沿海地区，占比为41.38%。可见，中国高技术产业科技资源配置对TFP指数增长的贡献呈现出显著的地域差异，东西部发展不均衡，且大部分省份高技术产业科技资源配置未达到最优从而影响了TFP增长。具体而言，东部沿海地区由于地理位置便利，产业基础雄厚，各类科研院所和研究机构数量多，经济发展水平较高，凭借各类优越的科技资源要素投入，使其在高技术产业投资和创新发展方面掌握先发优势，因而其高技术产业TFP指数显著高于中西部和东北地区。中西部和东北地区大部分省份受区位因素、产业基础和经济条件等影响，创新资金、人才、技术等投入力度不及东部沿海地区，在高技术产业TFP增长方面有所受限。

值得注意的是，区位优势和资源优势并非高技术产业实现高TFP的绝对途径。以内蒙古为例，2017年高技术产业R&D人员全时为892.4小时/人年，较2016年下降29.57%；R&D经费内部支出为8.49亿元，同比下降6.08%；R&D机构数量为18个，同比下降41.94%；新产品开发项目数为227个，较2016年增长18.23%。在产出方面，2017年高技术产业专利申请数为722项，同比增长629.29%；新产品销售收入为154.07亿元，同比增长78.08%；营业利润为26.31亿元，同比增长9.63%。在科技资源投入规模减小、产出大幅提升的情况下，2016—2017年内蒙古高技术产业TFP指数陡然跃升至3.132。这说明在高技术产业创新领域，单纯依靠增加科技资源投入并不是实现TFP增长的充分条件，通过优化科技资源配置、提高生产要素转化效率等途径才是促进TFP可持续稳定增长的关键渠道。

4.2 单个条件必要性分析

依据fsQCA分析程序，在对条件组态进行充分性分析之前，需要对单个条件必要性进行检验[41-42]，各条件(包括非集)检验结果如表4所示。结果显示，高技术产业科技资源配置的7个条件(包括非集)一致性水平均低于临界值0.9，即单一条件对高技术产业高/低TFP的解释力不足，不构成影响结果的必要条件[43]。因此，需要从整体组态视角出发，对导致高技术产业高/低TFP的多重并发因果关系进行考察。

4.3 条件组态充分性分析

参考Fiss[41]、杜运周和贾良定[42]、Schneider & Wagemann[44]的研究并结合本研究案例具体情况，将样本一致性阈值设置为0.8，案例频数阈值设定为1，PRI一致性阈值设置为0.7。此外，由于既有研究对于高技术产业科技资源配置规模、配置方式和配置环境的7个条件在何种状态下会导致高/低TFP尚未有确切结论，因此本研究将其设定为“存在或缺失”。采用fsQCA3.0进行分析，结果如表5所示。

4.3.1 高TFP组态分析

高技术产业科技资源配置导致高TFP的组态路径共6条(见表5)，总体解的一致性为0.912，覆盖度为0.508，意味着所有满足6类条件的组态中，有91.2%的省域高技术产业TFP较高，且这6类组态可以解释50.8%的高技术产业高TFP案例。高技术产业高TFP组态可分为两大类：一是以计划配置和产品开发为核心要素的政府主导型条件组态(组态H1)；二是以市场配置和R&D人员投入为核心要素的市场主导型条件组态。市场主导型条件组态又可细分为3类：①以产品开发、技术革新和计划配置为辅的“市场+研发改造型”(组态H2)；②以计划配置、产学研合作和区域开放为辅的“市场+开放合作型”(组态H3a、H3b)，③以产学研合作、计划配置、区域开放为辅且产品开发和技术革新投入不足的“市场+产学研型”(组态H4a、H4b)。

组态H1是以计划配置和产品开发为核心要素的政府主导型条件组态，以北京、上海为典型代表。该组态代表的区域开放水平高，经济基础和科研实力强，高技术产业和战略性新兴产业发达，且政府对高技术产业的科技投入占财政支出比重较大，极为重视高技术产业新产品开发。2019年，北京和上海高技术产业新产品开发经费支出占营业利润比重分别达到41.54%和50.88%，政府科技投入占财政支出比例也分别达到5.85%和4.76%，均位居全国前列。该组态表明，对于高技术产业中非政府资金和R&D人员投入不足，产学研合作水平较低的区域，可以通过提升区域开放水平，加大政府对高技术产业的资金倾斜和投入力度，不断加大新产品开发力度，促进高技术产业TFP提升。

组态H2是以市场配置和R&D人员投入为核心，辅以产品开发、技术革新和计划配置的“市场+研发改造型”组态，以安徽、湖南等高技术产业基础相对薄弱、科研水平和区域开放水平相对较低的中部省份为主。该组态代表的区域高技术产业资源市场化配置水平高，R&D人员投入力度大，且重视产品开发和技术革新，政府科技投入和支持力度较大。以安徽省为例，2019年高技术产业非政府资金占内部经费支出比重为95.36%，R&D人员全时占全省R&D人员总全时的16.07%，新产品开发经费支出占营业利润的60.03%，技术引进与改造支出占内部经费支出的22.43%，政府科技投入占财政支出的5.11%，各类科技资源投入强度位居全国前列。这表明对于区域开放和产学研合作水平较低的区域，在加大R&D人员投入和提升科技资金市场化配置水平的基础上，通过加大新产品开发和技术革新力度等能够有效提升高技术产业TFP。

组态H3a、H3b是以市场配置和R&D人员投入为核心，辅以计划配置、产学研合作和区域开放的“市场+开放合作型”组态，以福建、江苏、浙江、山东、天津等东部沿海省市为主。东部沿海区域开放水平较高，产业和经济基础坚实，产学研链条紧密完善，政府对高技术产业的资金扶持和创新投入力度较大，为高技术产业TFP增长创造了优越的客观条件。其中，组态H3a包含江苏、浙江、天津等省市，在“市场+开放合作型”组态基础上附加产品开发条件，雄厚的经济实力确保对高技术产业新产品开发投入力度较大。以江苏省为例，2019年高技术产业经费投入中非政府资金占比高达98.32%，R&D人员全时占区域总全时的21.16%；区域开放水平较高，进出口总额占GDP的比重为44.03%；政府支持力度较大，政府科技投入占财政支出的4.55%；产学研合作水平位居前列，高校和科研机构R&D经费中企业经费占比为17.34%。从全国范围看，2019年江苏省新产品开发经费支出占全国总支出的13.82%，R&D经费支出、R&D人员全时投入、市场资金投入等均占全国总投入的15%左右。组态H3b包含福建、山东等省份，在“市场+开放合作型”组态基础上附加技术革新条件。以山东省为例，作为中国第一个以新旧动能转换为主题的区域发展战略综合试验区，近年来山东在全域范围内开展以新技术、新产业、新业态、新模式为核心，以知识、技术、信息、数据等新生产要素为支撑的新旧动能转换和产业改造升级行动。2019年，山东省技术引进与改造支出占内部经费支出的比重达19.3%，新产品开发经费支出占营业利润的比重为42.3%，极大促进了高技术产业发展。可见，以市场配置和R&D人员投入为核心，辅以计划配置、产学研合作和区域开放的“市场+开放合作型”科技资源配置组态能够有效促进高技术产业TFP提升。

组态H4a、H4b是以市场配置和R&D人员投入为核心，辅以产学研合作、计划配置和区域开放，且产品开发和技术革新投入不足的“市场+产学研型”组态，以河南、重庆等中西部省市为主。中西部地区在地理区位、资源禀赋、经济基础、科研水平等方面与东部沿海区域有一定差距，导致组态H4a、H4b在产品开发、技术革新、计划配置和区域开放方面的配置条件有所缺失。然而，通过优化科技资源配置、提高生产要素转化效率等途径也是促进高技术产业TFP增长的有力渠道。组态H4a以河南省为代表，该组态以市场配置和R&D人员投入为核心，辅以计划配置和区域开放，实现高技术产业TFP增长。2019年，河南省高技术产业非政府资金占内部经费支出的比重为97.27%，R&D人员全时占区域总全时的比重为14.32%，各类科技资源投入力度在全国处于中上层次。在区域开放方面，“十三五”期间，河南省建成3个国家一类口岸和9个功能性口岸，建立124对国际友好城市关系，数量位居全国前列，货物贸易进出口总额年均增长7.7%，稳居中部第一[40]，区域开放水平和开放型经济规模、质量显著提升。同时，河南省不断加大对高技术产业的资金和政策扶持力度，高技术企业通过收缩资本、调整结构、优化管理等手段加强企业治理，提升创新绩效，使得近年来高技术产业TFP稳步增长。组态H4b以重庆市为代表，在产学研合作方面，重庆高校和科研机构R&D经费中企业经费占比高达16.28%，在全国范围内位居前列；重庆市政府高度重视产学研合作，陆续颁布《重庆市人民政府关于推进产学研结合提高自主创新能力的意见》《关于深化产教融合的实施意见》等文件，并于2020年建立“重庆市产学研创新联合体”，产学研密切结合为高技术产业TFP增长创造了有利条件。可见，在产品开发和技术革新投入强度偏低的省份，通过加大市场资金配置和R&D人员投入、提高区域开放水平、加强产学研合作等方式，能够有效促进高技术产业TFP增长。

4.3.2 低TFP组态分析

高技术产业科技资源配置导致低TFP的组态路径共6条(见表5)，总体解的一致性为0.942，覆盖度达到0.442，意味着所有满足6类条件的组态中，有94.2%的省域高技术产业TFP较低，且这6类组态可以解释44.2%的高技术产业低TFP案例。低TFP组态L1(山西、甘肃)、L2(广西)、L3(陕西、贵州)、L4(湖北)、L5(辽宁)、L6(江西)对应的省份均位于中西部和东北地区。由整体组态条件可知，各组态路径核心变量分布不一，且在R&D人员强度和市场配置强度两方面有所缺失。高技术产业低TFP组态核心变量分布特征一方面从侧面印证了R&D人员和市场配置在高技术产业TFP增长中的关键核心作用；另一方面也反映出中西部和东北地区各省份在高技术产业科技资源配置方面失衡的现状。

4.4 稳健性检验

对QCA结果的稳健性检验主要有3种方法：改变校准、改变一致性阈值和增删案例[44]。其中，改变校准锚点的方法被学者广泛使用[41,45]。因此，本研究将变量校准锚点从上下四分位数[0.75, 0.5, 0.25]调整为[0.95, 0.5, 0.05]，调整后的结果如表6所示。结果显示，改变校准锚点后的条件组态路径内涵与上文分析结论基本一致，表明结论具有稳健性。

5 研究结论与建议

5.1 研究结论

本文以中国内地29个省域高技术产业为案例，使用DEA-Malmquist指数法对各地区高技术产业TFP进行测算。在此基础上，从高技术产业科技资源配置规模、配置方式和配置环境3个层次出发，对科技资源要素配置与高技术产业TFP的多重并发因果关系进行探讨，得出以下主要结论：

(1)单个科技资源要素无法构成高技术产业高/低TFP的必要条件。中国高技术产业TFP增长在科技资源要素投入方面存在复杂并发的多元组态，科技资源配置规模、配置方式和配置环境有效结合是促进高技术产业TFP增长的有效路径。具体地，存在两类提升高技术产业TFP的组态路径，即以计划配置和产品开发为核心要素的政府主导型条件组态，以及以市场配置和R&D人员投入为核心要素的市场主导型条件组态。其中，市场主导型条件组态又细分为3种类型：①以产品开发、技术革新和计划配置为辅的“市场+研发改造型”组态；②以计划配置、产学研合作和区域开放为辅的“市场+开放合作型”组态；③以产学研合作、计划配置和区域开放为辅，且产品开发和技术革新投入不足的“市场+产学研型”组态。

(2)市场资源配置和R&D人员投入在提升高技术产业TFP中发挥普遍作用。市场配置和R&D人员投入存在于5条路径组态中且均作为核心条件，这与高技术产业的行业特征相符。高技术产业属于智力、知识密集型和高投入型产业，在发展壮大过程中需投入大量科技人力、财力和物力资源。此外，计划配置和产品开发在以北京、上海为代表的发达地区高技术产业TFP增长中具有核心地位，主要是因为该类地区具有绝对的科技资源禀赋优势并充当行业“领头羊”，对于这类地区的高技术产业发展和战略布局，要重点发挥政府的宏观把控作用。

(3)中国高技术产业发展在效率、路径等方面呈现出显著的区域差异。一方面，中国高技术产业TFP指数呈现出显著的地域差异，TFP增长由东部沿海向内陆逐渐减小，且大部分省份高技术产业科技资源配置未达到最优从而影响了整体TFP增长。另一方面，不同区域在提升高技术产业TFP路径方面也存在显著差异。东部沿海地区既可沿循以计划配置和产品开发为核心要素的政府主导型条件组态，也可沿循以市场配置和R&D人员投入为核心的“市场+开放合作型”组态；中西部地区则适合采用以市场配置和R&D人员投入为核心的“市场+研发改造型”和“市场+产学研型”路径。此外，由于部分中西部和东北部省份产生低TFP组态的路径各异，因此在配置高技术产业科技资源时要选择契合本省实际情况和产业特征的渠道。

5.2 政策建议

根据研究结果，对提升中国高技术产业TFP提出以下政策建议：

首先，深入落实区域协调发展战略，构建东中西部高技术产业相互促进、优势互补、共同发展的新格局。从国家层面制定高技术产业顶层规划和长期协同发展战略，健全各级单位、部门合作机制，打破行政区划壁垒，鼓励和支持各省开展多种形式的创新技术、人才合作，引导高技术企业开展跨区域技术交流、产权交易和成果产业化，在财税、金融、产业、外贸等政策方面给予中西部和东北部地区高技术产业更多支持，形成以东带西、东中西共同发展的新格局。

其次，加快构建和完善以企业为主体、市场为导向、产学研深度融合的高技术产业发展新机制。要确保和强化企业创新主体地位，加大对高技术产业的招商引资力度、创新奖励力度、科技服务力度和政策支持力度；健全开放、活跃、自由的要素市场流动机制，推动多层次股权市场发展，增加有效金融服务供给，鼓励各类企业、社会资金投向技术创新行业；着力优化科技资源配置方式，推动先进生产要素在高技术产业内加速集聚、有序流通和协同融合，探索对重大战略项目、重点产业链和创新链实施创新资源协同配置，构建项目、平台、人才、资金等全要素一体化配置的高技术产业创新服务体系。

最后，结合区位资源要素与产业发展优势，形成特色鲜明、自立自强的高技术产业发展新路径。不断加大对高技术产业的R&D人才和资金投入力度，提升区域开放和对外贸易水平，加大技术产品开发和技术革新升级力度。此外，各区域要结合本地资源要素、产业基础等矛盾特点，发挥区位比较优势，选择适宜路径提升高技术产业发展水平，促进TFP增长。

5.3 研究局限与展望

本研究仍存在一定局限性。一方面，为最大程度贴近新时期导致中国高技术产业高/低TFP的科技资源配置路径，本研究按照可获得性和时效性原则选用2019—2020年数据进行条件组态分析，这在一定程度上会对研究结果的普适性产生影响。因此，未来可使用多年数据开展纵向对比，以增强结论的稳定性和普适性。另一方面，在案例选取方面，本研究以29个省域为案例开展研究，案例数量较少，存在一定限制性。未来可选取中国各地市乃至海外地区的高技术企业、集群等数据进行测算，从而扩充研究案例数量，增强结论的科学性和客观性。

参考文献:

[1] QU C, ZHAO X. Total factor productivity analysis of high-tech industries for supply-side structural reform[C]. 13th International Conference on Advanced Computational Intelligence (ICACI)，2021.

[2] SONG Y, YU C, HAO L, et al. Path for China's high-tech industry to participate in the reconstruction of global value chains[J]. Technology in Society, 2021, 65(5):101486.

[3] MCLAUGHLIN P. Measuring productivity[J]. Management Services, 2014, 58(4):31-37.

[4] PENG J Y, XIE R, MA C, et al. Market-based environmental regulation and total factor productivity: evidence from Chinese enterprises[J]. Economic Modelling, 2021, 95: 394-407.

[5] 胡亚茹,陈丹丹.中国高技术产业的全要素生产率增长率分解——兼对“结构红利假说”再检验[J].中国工业经济,2019,33(2):136-154.

[6] 陈燕儿,蒋伏心,白俊红.中国高技术产业发展的质量检验——基于全要素生产率的视角[J].研究与发展管理,2018,30(6):117-127.

[7] 卜洪运,陶玲玲,赵琳皓.高技术产业集群竞争力与全要素生产率关系研究——以京津冀为例[J].商业研究,2016,40(11):53-60.

[8] 姜彤彤.高技术产业研发创新全要素生产率研究——基于价值链的视角[J].北京理工大学学报(社会科学版),2013,15(4):58-62,68.

[9] 董会忠,张仁杰.中国高技术产业创新效率的空间格局及演变特征[J].统计与决策, 2021,37(3):106-111.

[10] WAN Q C, CHEN J ,YAO Z ,et al. Preferential tax policy and R&D personnel flow for technological innovation efficiency of China's high-tech industry in an emerging economy[J]. Technological Forecasting and Social Change, 2022, 174: 121228.

[11] ZHANG B, YUAN L, YUNG-HO C. Efficiency evaluation of China's high-tech industry with a multi-activity network data envelopment analysis approach[J]. Socio-Economic Planning Sciences, 2019, 66: 2-9.

[12] 尹向飞.中国高技术产业全要素生产率测算及其分解研究:基于生产要素的视角[J].商学研究,2020,27(6):96-109.

[13] 李沙沙,邹涛.政府干预、资本市场扭曲与全要素生产率——基于高技术产业的实证研究[J].东北财经大学学报,2017,19(2):24-32.

[14] 汪浩瀚,徐建军,吕博.空间视角下要素市场扭曲与高技术产业TFP增长——基于电子及通信设备制造业的实证检验[J].经济地理,2019,39(9):129-137.

[15] 万宜超,刘廷廷.融资结构对全要素生产率增长率影响的实证研究——以高技术产业为例[J].特区经济,2019,35(1):96-98.

[16] 杨奕,赵洪进,岳碧霄.风险投资与高技术产业R&D全要素生产率增长——基于中国数据的实证[J].世界科技研究与发展,2013,35(6):749-755.

[17] 汪泉.R&D投入、技术引进对高技术产业全要素生产率影响研究[J].企业科技与发展,2021,28(7):6-8.

[18] 郑丽升，李若曦.技术创新投入对高技术产业TFP增长的影响研究[J].北京邮电大学学报(社会科学版)，2019,21(2):60-67.

[19] 艾育红,彭迪云.自主创新、对外开放和高技术产业全要素生产率——基于吸收能力视角的研究[J].金融与经济,2021,36(9):68-75.

[20] 李若曦，赵宏中.技术活动、空间外溢与高技术产业TFP[J].科学学研究，2018，36(2):264-271,323.

[21] 魏新颖,王宏伟.信息化对高技术产业全要素生产率的影响分析——基于面板门限回归模型的实证研究[J].统计与信息论坛,2017,32(12):34-41.

[22] 冯志军,康鑫.知识产权保护、FDI与研发创新全要素生产率——基于中国区域高技术产业的实证研究[J].工业技术经济,2015,34(3):98-105.

[23] 于世海.对外直接投资、空间溢出与中国高技术产业全要素生产率——基于空间杜宾面板模型的实证分析[J].广西社会科学,2018,34(8):86-91.

[24] 李洪伟,任娜,陶敏,等.我国高技术产业全要素生产率分析——基于三阶段Malmquist指数方法[J].技术经济与管理研究,2013,20(8):41-46.

[25] 李明智，王娅莉.我国高技术产业TFP及其影响因素的定量分析[J].科技管理研究，2005,25(6):34-38.

[26] 徐一鸣,王宏.我国高技术产业全要素生产率测算及影响因素分析[J].市场研究,2020,27(2):27-29.

[27] 苗玉宁,杨冬英.基于综合评价方法的中部地区科技资源配置效率分析[J].中国软科学,2020,35(3):134-149.

[28] HONG J, FENG B, WU R Y, et al. Do government grants promote innovation efficiency in China's high-tech industries[J]. Technovation, 2016, 57:4-13.

[29] YU L, LIU X, FUNG H G, et al. Size and value effects in high-tech industries: the role of R&D investment[J]. The North American Journal of Economics and Finance, 2018, 51:100853.

[30] 田喜洲,郭新宇,杨光坤.要素集聚对高技术产业创新能力发展的影响研究[J].科研管理, 2021,42(9):61-70.

[31] 盛亚,冯媛媛,施宇.政府科研机构科技资源配置效率影响因素组态分析[J].科技进步与对策,2022,39(8):1-9.

[32] 段忠贤，吴鹏.科技资源配置效率影响因素组态与路径研究——基于中国内地30个省市的QCA分析[J].科技进步与对策, 2021,38(22):11-18.

[33] 张曼,菅利荣.高技术产业产学研协同创新效率研究——基于行业的动态分析[J].当代经济管理,2021,43(3):25-33.

[34] LI L B, LIU B L, LIU W L, et al. Efficiency evaluation of the regional high-tech industry in China: a new framework based on meta-frontier dynamic DEA analysis[J]. Socio-Economic Planning Sciences, 2017, 60: 24-33.

[35] 张子珍,杜甜,于佳伟.科技资源配置效率影响因素测度及其优化分析[J].经济问题,2020,42(8):20-27.

[36] CHEN X Q, LIU X W, ZHU Q W. Comparative analysis of total factor productivity in China's high-tech industries[J].Technological Forecasting and Social Change, 2022,175:121332.

[37] CHEN X Q, LIU X W, GONG Z W, et al. Three-stage super-efficiency DEA models based on the cooperative game and its application on the R&D green innovation of the Chinese high-tech industry[J]. Computers & Industrial Engineering, 2021,156:107234.

[38] CHEN K, SONG Y Y, PAN J F, et al. Measuring destocking performance of the Chinese real estate industry: a DEA-Malmquist approach[J]. Socio-Economic Planning Sciences, 2020, 69:100691.

[39] MALMQUIST S.Index numbers and indifference surfaces[J]. Trabajos De Estadistica, 1953, 4(2):209-242.

[40] RAGIN C C.Redesigning social inquiry : fuzzy sets and be-yond[M]. Chicago:University of Chicago Press ,2008.

[41] FISS P C.Building better causal theories: a fuzzy set approach to typologies in organization research[J]. Academy of Management Journal,2011,54(2):393-420.

[42] 杜运周,贾良定.组态视角与定性比较分析(QCA):管理学研究的一条新道路[J]. 管理世界,2017,33(6):155-167.

[43] PARK Y K, FISS P C, SAWY O A E.Theorizing the multiplicity of digital phenomena: the ecology of configurations, causal recipes, and guidelines for applying QCA[J]. MIS Quarterly, 2020, 44(4):1493-1520.

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

[45] CAMPBELL J T, SIRMON D G, SCHIJVEN M. Fuzzy logic and the market: a configurational approach to investor perceptions of acquisition announcements[J].Academy of Management Journal,2016,59(1):163-187.

(责任编辑：陈 井)