技术产出弹性、两阶段创新效率与高技术产业竞争力研究

近年来，我国高技术产业已取得长足发展。但当前国际形势下发生深刻变化，如何尽快攻克高技术领域“卡脖子”技术难题，是我国高技术产业发展的当务之急。科技不是无源之水、无本之木，产业寻求技术创新、技术突破，都必须立足于自身技术存量。随着我国高技术产业从技术模仿阶段走向技术创新阶段，基础性研究即技术存量的重要性日益突出。有效技术存量已与科研人员投入、研发资本投入并列，成为第三类重要的研发要素投入。而且，经过长期技术积累，各地区高技术产业在有效技术存量上已经拉开明显差距。技术存量是创新发展的“源头”，创新效率是持续发展的“活水”，两者不可割裂。技术水平差距是区域产业提质增效所必须面对的关键问题；创新效率是驱动高技术产业结构调整的关键因素。忽视技术差距进行创新效率讨论，很容易演变成脱离现实的数字游戏，失去与产业发展现实的联系。因此，立足于区域间技术存量差异，开展技术产出弹性和创新效率对区域高技术产业竞争力影响的实证研究更具理论和现实意义。

国内外文献对于高技术产业创新活动的研究主要有非参数估计和参数估计两个方面。其中，运用非参数估计法的研究主要集中在创新效率测度[1-2]及其影响因素分析上[3]。学者们分别从政府补助[4-5]、税收优惠[6-7]、产业集聚[3]、企业规模[3]、产权性质[8]、市场化进程[9]、要素市场扭曲[10]等视角入手，对创新效率影响因素进行了大量研究，但一致性实证结论较少。学者们将企业创新活动近似理解为，一个存在于“创新车间”的生产过程，即投入创新要素、产出创新成果的该车间的生产效率被认为是产业创新效率。这种做法将创新产出同质化，为创新效率测度提供了可能，但忽视了区域间技术水平差异。具体到区域间产业创新效率比较研究中，直接将各地区集合成一个整体，即暗含东、中、西部各地区面对完全相同生产前沿面，忽略了地域间技术环境和技术存量差异。

部分学者们关注了技术异质性问题。王惠[11]运用Super-SBM模型测评2006-2012年省际高技术产业绿色创新效率，以企业规模为门槛变量区分比较组技术差异，研究了各要素对创新效率的影响。但第一步，在共同前沿面下测度效率就已经隐含了技术同质性假设。部分学者结合分组前沿和共同前沿面的方式解决了异质性问题。沈能等[12]将我国分为东、中、西及东北4个区域，分别在技术同质性环境及异质性环境下进行创新效率分析。结果表明，在两种背景下，测度结果差异较大；肖仁桥等[13]同样考虑了我国东、中、西部地区企业技术异质性,并在群组前沿和共同前沿下构建并联网络DEA模型测度高技术制造业创新效率。结果表明，东、中、西部地区效率依次递减。通过东、中、西部等区域区分技术水平差距有一定的代表性，但划分方式过于机械和主观。也有学者通过剥离环境因素消除区域间的差异；杨青峰[14]、刘伟[15]分别运用三阶段DEA模型，剥离开放程度、经济发展水平、人力资本、产业结构等区域间技术环境差异，得出规模效率不高是制约其整体效率提升的主要因素。然而，环境因素剥离主要是针对管理因素和统计误差，并未对区域间技术水平差异进行深入研究。

在参数估计方法中，作为效率的另一种表达形式，要素产出弹性仍然是学者关注重点。要素产出弹性被定义为产出变化率对投入要素变化率的反应程度。劳动产出弹性=产出变化/劳动力投入变化，资本产出弹性=产出变化/资本投入变化。龚新蜀[16]以规模报酬递增和要素产出弹性可变为条件构建“干中学”内生增长理论模型；任皓[17]运用工具变量法，测算了知识密集型服务业对高技术产业的产出弹性为1.22，并得出对于中等收入国家，发展知识密集型服务业有利于提高本国高技术产业发展的结论；王俊[18]运用1998-2006年28个制造业部门面板数据在拓展柯布-道格拉斯知识生产函数的基础上，测算政府R&D资助与企业R&D投入的产出弹性，并动态估计得到高R&D强度行业以往的专利产出对当前创新具有积极影响。上述研究都部分涉及以往专利或现存技术对生产的影响，但并未进行深入研究。

有效技术存量被视为与劳动和资本投入相并列的第三种创新要素投入。技术产出弹性即产出变化率对有效技术存量变化率的反应程度。技术产出弹性=产出变化/有效技术存量变化。技术研发应以现有技术为基础，且有效技术存量会随研发新成果的出现而增加，也会随时间推移而不断折旧。潘维军[19]以国内137个工业行业面板数据为基础，采用扩展的柯布道格拉斯形成技术生产函数，分析技术研发中各投入要素产出弹性，发现技术存量的技术产出弹性最高，研发人员产出弹性高于研发资本弹性。

上述对于高技术产业创新活动的研究均止步于创新效率，对于创新效率与产业竞争力的具体影响研究不足。技术创新的最终目的是促进产业发展，而不是为了创新而创新。单个车间生产效率不能代替其整个工厂发展水平。技术创新应涵盖从研发到市场的全过程，不应止步于创新活动本身，更不能将创新效率与产业发展混同。封伟毅[20]认为，产业竞争力是指持续盈利的能力，其通过研究技术创新对高技术产业盈利能力的影响发现,技术开发能力对竞争力的影响大于技术转化能力的影响。但在区域间横向比较时，利润指标受研发投入、管理成本等因素的影响较大，且不能反映区域间竞争力的相对变化。有学者认为，产业竞争力应表现为市场份额占有率；李芳[21]借助国际市场占有率对各国运输服务贸易竞争力强弱进行了测度和分析；孙立芳[22]认为，国际市场占有率是衡量一国农产品在国际市场上竞争地位的重要指标。国际市场占有率越大，竞争力越强；反之，占有率越小，竞争力越弱。借助竞争力概念，对国内高技术产业发展进行研究可知，某地区占国内市场份额较高，则说明该地区产业竞争力较强；占国内市场份额较低，则说明该地区产业竞争力较差。

本文通过门槛模型对高技术产业生产函数进行分解，以技术存量水平和技术产出弹性差异对所观察的29个地区进行分组，测度组内各地区创新效率，并分析创新效率对产业竞争力的实际影响。

1 机理分析

基于创新价值链理论[23]，本文将企业创新活动分解为知识生产过程和成果转化过程两个方面。其中，知识生产效率是企业科技研发阶段知识产出 (如专利等) 与研发投入 (如研发人员、研发经费等) 之比；成果转化效率是指新产品市场化后销售收入与新产品研发投入之比，两者共同组成创新效率[24]，具体如图1所示。

创新效率通过改善投入产出比例、提高创新要素资源利用率，从而降低研发产出单位成本。特别是高技术产业技术人员属于稀缺资源，在高效率创新环境下，其能增加创新产出。同时，高创新效率加快了投入产出转化速度，从而能够提升产业结构调整速度。尽管创新效率可以间接通过促进产业结构调整优化技术环境，进而获得技术水平提升，但是创新效率主要作用范围仍在量的层面，并不直接作用于质的层面。创新效率并不直接作用于研发产出技术水平，研发深度与广度更多决定于技术存量及其研发基础。

高技术产业竞争力受技术水平和创新效率的共同影响，而技术水平是主导力量。以医药制造业为例，药品相对价格由产品技术水平和研发成本共同决定。其中，技术水平是主导力量。全球医药行业常见的“专利悬崖”现象，即药品专利到期后，其产品价格及原厂销售额会大幅下降，但在中国“专利悬崖”现象并未普遍出现。原因在于，中国存在部分原研药品牌效应，但更关键的是，中国制药业技术水平发展不高，仿制药达不到原研药质量要求，原研药厂自然没必要大幅降价。除定价能力外，产出能力也是医药制造业产业实力的重要组成部分。产出能力又分为产出数量、产出质量和销售能力3个方面。其中，产出数量决定于投入量，与创新效率相关；产出质量和销售能力更直接取决于该产品中的技术含金量。

2 模型设定

2.1 高技术产业生产方程

宇泽弘文-卢卡斯模型[25-26]是以人力资本外溢效应为核心的内生增长模式，通过在索洛模型中引入教育部门，以人力资本溢出效应解释技术进步，能够有效描述高技术产业生产过程。具体方程如下：

上式中,H=hL,L为工人，h为工人质量。Y为产出，A为产品生产既定技术水平，B为知识生产既定水平，K为物质资本投入，H为人力资本投入，

为人力资本增量。人力资本是通过教育、培训等投资而获得的知识和技能积累。但宇泽弘文-卢卡斯模型认为在人力资本生成过程中，物质资本不发生作用。

Rebelo [27]放松了物质资本对人力资本不发生作用的假设，将宇泽弘文—卢卡斯模型作为特例处理，给出了更一般的模型形式。

Romer[28]同样将生产环节分为拥有不同生产技术的两个部门：消费品生产部门和研发部门(企业知识积累部门)，开创了内生增长理论，并构造了简单的两部门模型。

其中，Y为消费品产出，

为知识产出。Romer同样认为经济增长源自于知识积累(人力资本)而非物质资本积累。

将上述包含技术积累因素的内生增长模型应用到产业创新活动的研究中，构建高技术产业生产函数，则其科布道格拉斯函数形式如下：

其中，Y为产品产出，A1为全要素生产率，K1为物质资本投入，L1为普通劳动力投入，H1为人力资本投入，α为资本产出弹性、β为劳动力产出弹性、θ为技术产出弹性。人力资本是受过训练的普通劳动力，仍来源于普通从业人员，故有H1=ahL,L1=(1-a)L,L为全部劳动力投入量，a为人力资本占全部劳动的比例,h为人力资本质量，a和h的高低均来源于技术积累。由于在现有数据统计中，高技术产业生产领域的a和h难以完全细分，但表征区域间有效技术存量水平差异的专利数据却非常明确。因此，在进行高技术产业区域间横向比较时，以专利数据表征产品生产中人力资本投入水平的差异。则有：

其中，T表示各地区间的有效技术存量水平。高技术产业知识生产环节方程为：

其中，

为知识生产环节实物资本投入量，K2为内部自主研发经费投入，

为外部技术吸收经费投入，H2为人力资本投入量。由于高技术产业知识生产过程要求技术水平较高，劳动力投入主要为专业研发人员，普通工人劳动对知识生产结果影响不明显，故未列入方程。

2.2 门槛模型设定

在研究有效技术存量水平对产出影响的非线性关系时，“让数据说话”的门槛模型依据数据本身特点内生地划分区间，比笔者主观分组或者是依据传统东、中、西部分组更具有客观性。因此，本文采用Hansen[29]提出的门槛回归模型，单一门槛模型设定如下：

lnYit=μi+lnLit+βlnKit+θ1lnTitI1(qit≤γ)+θ2lnTitI2(qit>γ)+ξit

双门槛模型为：

lnYit=μi+lnLit+βlnKit+θ1lnTitI1(qit≤γ1)+θ2lnTitI2(γ1<qit≤γ2)+θ3lnTitI3(γ2<qit)+ξit

上式中，Y为产出量，L为劳动力投入量，K为实物资本投入量，qit为门槛变量，本文中为有效技术存量水平，门槛变量与解释变量并无冲突。I为虚拟变量，当符合条件时I=1，否则I=0。i表示地区，t表示年份，α、β、θi为待估系数，γi为待估计门槛值，μi为个体截距项，ξit为扰动项。

2.3 创新效率测度模型

DEA—BCC模型[30]在现有文献中应用比较广泛，篇幅所限在此不作模型介绍。DEA-Malmquist指数模型源于DEA计算方法和Malmquist生产率指数概念的结合，该模型可以考察决策单位跨期、多投入、多产出的动态生产效率，并对决策单元全要素生产率(Total Factor Productivity, TFP)变动情况以及技术效率和技术进步对生产率变动所起的作用进行分析[31]。本文采用相邻参比Malmquist指数模型，从t时期到t+1时期，度量全要素生产率增长的Malmquist指数可表示为：

其中，

表示决策单元在t期的投入产出组合与t期技术前沿面比较得到的距离函数；

表示决策单元在t期投入产出组合与t+1期技术前沿面比较得到的距离函数。

Malmquist指数即全要素生产率变化(Tfpch)可分解为技术效率变化和技术水平变化的乘积，分析式如下。第一项为技术效率变化(Effch)，第二项为技术水平变化(Techch)；Tfpch指标大于1时，表明创新获得全要素生产率提升；等于1时，说明不变；小于 1时，则表明退化。同理， Effch和Techch指标大于1时，表示进步。

3 实证检验

本文数据来源于《中国高新技术产业统计年鉴2010-2017年》，样本选取2009-2016年29个地区的相关数据(因数据不全，西藏、青海及港、澳、台地区未纳入统计)。在2017年统计年鉴中，高技术产业包括医药制造，航空、航天器及设备制造，电子及通信设备制造，计算机及办公设备制造，医疗仪器设备及仪器仪表制造，信息化学品制造6大类。其中，信息化学品制造仅2016年、2017年数据被收入统计年鉴中，故排除；同时，由于广东省电子及通信设备制造业数据离群，若与其它产业数据合并，会掩盖其它产业数据特征，故排除。因此，本文高技术产业数据包括医药制造业，航空、航天器及设备制造业，计算机及办公设备制造业和医疗仪器设备及仪器仪表制造业4个产业数据。

3.1 变量选取与检验

3.1.1 门槛模型变量选取

表1列示了门槛模型中变量意义、计算方法、基本描述性统计量以及各变量描述性统计结果。其中，门槛变量为相对技术水平(q)，通过对产业有效发明专利数进行去量纲标准化处理得来，公式如下：

按标准化结果将数值压缩至 [0.01,1]区间。

3.1.2 门槛效应检验

首先，利用格点搜寻法,寻找使上述模型残差平方和最小的门槛值，依次判断不存在门槛、存在单一门槛、存在两重门槛的3种假设。由于模型中冗余参数的存在，F统计量不服从标准分布，故Hansen提出通过自抽样法(Bootstrap)计算F统计量的临界值，结果见2。从中可见，放回抽样300次,双重门槛效应显著，自抽样P值为0.000，单一门槛和三重门槛效应均不显著。

图2、图3绘制了单门槛模型中门槛值估计和置信区间的构造过程。依图所示，似然比检验统计量(LR)为0时，变量TE的取值即为门槛值参数估计值。图中虚线为LR值小于5%显著水平下的临界值7.35，虚线与LR曲线的交点为门槛估计值95%置信区间。双重门槛模型依照门槛值确定先后顺序排列。在图2中，首先确定第一门槛值为0.211；锁定第一门槛值后，再次搜索，确定图3中第二门槛值为0.050。

依据双重门槛值，可按有效技术存量水平将29个地区依次分为：低端组(q≤0.050)、中端组(0.050<q≤0.211)、高端组(q>0.211)，分组结果见表4。从中可见，高中低3组分别有6、16、7个成员，总体呈橄榄型分布。高端组北京、天津、江苏、浙江、山东、广东均是我国先进地区，中端组上海最接近分组上限，低端组多数为经济欠发达地区。

3.1.3 门槛模型回归结果

门槛模型回归结果见表5。从中可见，所有变量均在1%水平上显著。在人力和资本产出弹性一致的前提下，估计的人力和资本产出弹性分别为0.593 3和0.197 57，低、中、高3组技术产出弹性分别被估计为0.147 4、0.197 57、0.218 5。这说明，随着技术存量的增加，技术生产弹性逐级增加。而且，只有高端组投入要素产出弹性之和α+β+θ=1.009>1，说明高端组规模报酬递增，其发展趋势发散，而中、低端组发展呈收敛趋势。这也就解释了广东省高技术产业电子及通信设备制造业迅速发展成为巨无霸的事实。

不同技术产出弹性预示着不同的技术环境。若以所有地区共同前沿面测度创新效率，就忽略了地区间技术环境及有效技术存量水平的差异，从而陷入落后地区高效率低投入、低产出的悖论。因此，本文在分组前沿面的基础上，探究创新效率对高技术产业的影响。

3.2 创新效率测度

3.2.1 创新效率测度指标选取

本文将高技术产业创新活动分为知识生产和产品生产两个阶段。

(1)知识生产阶段。根据高技术产业知识生产环节方程为

设定模型。其中，产出指标包括发明专利申请数、非发明专利申请数。专利数是表征企业技术水平的主要指标，专利申请数则是企业创新活动知识产出的主要兑现形式。尽管从专利申请到专利有效包含很多不确定因素，但年专利申请数仍是表征企业创新活动努力成果的有效指标。因为发明专利比非发明专利含金量高，本文特将两种专利数进行分离比较；投入指标包括 R&D内部支出、外部技术获取支出、R&D人员全时当量[32]。高技术产业知识来源于内部自主研发和外部技术获取。R&D内部支出指调查单位在报告年度用于内部开展R&D活动的实际支出。外部技术获取支出包括技术引进经费支出、消化吸收经费支出、购买国内技术经费支出、技术改造经费支出[33]。

(2)产品生产阶段。其中，产出指标包括新产品销售收入、主营业务收入。新产品产值[34]指标在2013年以后的统计年鉴中不再收录，故不能选取。新产品脱离研发环节到销售收入需经过生产、销售两大环节，但新、旧产品共用一组生产车间和销售团队，所以很难分离两类产品的生产成本和管理成本。因此，补充主营业务收入作为产品生产阶段的第二产出项。投入指标包括新产品研发经费、有效发明专利数、企业从业人员数。本文将新产品研发经费作为资本投入、将拥有有效发明专利数作为技术投入。产品生产阶段侧重于知识成果转化，因此将服务于所有产品生产销售的从业人员数作为人力资本投入[35]。

两阶段创新活动投入产出指标见表6。运用DEA模型测度效率时，样本数据需要满足等张性要求，即样本中产出应随着要素投入的增加而增加。本文运用Stata对面板数据进行相关性检验，各组投入与产出变量间均满足显著正相关关系，表明数据满足等张性要求，表明所建立的DEA效率测度模型有效(篇幅有限未列出)。

3.2.2 创新效率测度结果

将29个决策单元分为高、中、低3组，分别运用DEA-Malmquist模型进行组内效率测度，静态技术效率测度结果见表7。

从组平均值看，高端组创新效率最高，两阶段均高于中端组和低端组，说明在高技术积累的基础上，高端组已进入良性循环；中端组成果转化效率最低，平均水平仅有0.63，技术转化问题已成为限制中端组地区发展的关键因素；低端组知识生产效率与中端组相近，成果转化效率接近于高端组，说明其创新活动开展情况良好。同时，从组标准差角度看，两阶段效率标准差均是高端组最小，说明高端组创新效率一直维持在一个较高水平，呈现出收效状态。

从个体最大值看，两阶段中都有大量决策单元达到过技术前沿面，一方面是因为分组后参照对象变少，更重要的是各区域高技术产业知识产出、产品产出都存在积累和爆发过程。从个体长期效率平均值看，各组中山东、河北、江西、黑龙江、陕西、内蒙古均是创新效率较低地区，见表8。

总体来看，高端组和低端组情况类似，产品生产环节全要素生产率呈增长态势，但知识生产环节则相反；中端组知识生产全要素生产率持续提升，但产品转化环节全要素生产率并未提升。3个组知识生产活动技术效率均有所提升，但产品生产过程中技术效率仅低端组有微量提升。

从个体创新效率变动情况看，大部分地区全要素生产率呈增长态势。中端组黑龙江、上海、江西、四川知识产生全要素生产率增长迅速，均达到15%以上，由于上海接近高端组分类边界，故与中端组其它决策单元相比相对效率进步，而黑龙江、江西、四川均是中端知识生产发展水平较快地区。从成果转换率角度看，高端组各单元均维持在较高水平，而低端组水平显著高于中端组。可以发现，2009-2016年低端组地区着力于成果转化率，通过寻找合理创新维度，迅速提升本地区高技术产业竞争力。

3.2.3 创新效率对产业竞争力影响

考察两阶段创新效率对产业竞争力的影响：

被解释变量：市场占有率(IST)以地区高技术产业主营业务收入在全国全行业主营业务收入中的占比表征地区高技术产业竞争力。IST=区域产业主营业务收入/全国总额。

解释变量：知识生产阶段技术效率(Crste1)、产品生产阶段技术效率(Crste2)。

控制变量：①技术相对积累水平(q)，同上文；②研发投入强度(RDIN)以区域产业R&D经费内部支出在主营业务收入中的占比表征，RDIN=R&D经费内部支出/主营业务收入[36]；③产业外向度(WXD),WXD=新产品销售额中出口额/新产品销售额[37]；④政府支持力度(GSIN)= 研发经费中政府资金/研发资金总额[38]。

考察两阶段创新活动全要素生产率变化对产业竞争力变化的影响：

被解释变量：营业额占比变动(ISTCH)：ISTCHt=ISTi,t/ISTi,t-1。其中，i表示地区，t表示年份，数据来源由作者计算，选取2010-2016年。

解释变量：知识生产阶段全要素(Tfpch1)、产品生产阶段技术效率(Tfpch2)。

控制变量：①技术相对积累水平进步(qch)，qchi,t=qi,t/qi,t-1；②)绝对技术水平进步(ZLSch)用有效发明专利数增长比例表征，ZLSchi=ZLSi,t/ZLSi,t-1。

面板数据回归结果见表9，从中可见：①产品生产技术效率与产业实力显著正相关，但知识产出技术效率对其影响不显著；②知识生产全要素生产率变化与产业实力变化显著正相关，但产品生产全要素生产率对其影响不显著；③技术相对水平与产业竞争力显著正相关；④技术相对水平变化与产业实力相对水平变化显著正相关，但专利数绝对增长对其影响不显著；⑤研发投入强度与产业竞争力显著负相关，产业外向度与产业竞争力显著正相关，政府支持强度对产业发展的影响均不显著。

综上可见，提升区域高技术产业竞争力的关键在于提高科技成果转换率。落后地区正在通过专注于转化率的方式逐步提高产业实力，而中端地区却面临两难困境。由于中等发展地区产业有效技术存量水平已脱离低端，且具有较大生产规模，其对技术创新的要求与高技术积累地区一致。但在实际技术竞争中，有效技术存量水平较高地区占据人力、资金、技术等优势，中等发展地区很难在核心技术上取得大面积突破式发展，其研发产出难以形成核心竞争力，产业竞争力也难以提升。另外，研发投入强度并未显著促进产业竞争力提升，可见忽视高技术产业发展实际情况，期待通过不成比例地大幅度提升研发投入不切实际。无论是静态实力还是动态增长，有效技术存量水平都是决定地区产业发展的关键，但高技术产业发展是一个复杂系统工程，并非单纯依靠有效发明专利数增长就能解决，只有通过人力资本、物质资本、技术水平等环节的综合作用才能实现。

4 结论与启示

4.1 结论

本文通过门槛模型对高技术产业生产函数进行分解，以有效技术存量水平和技术产出弹性差异对所观察的29个地区进行分组，区分出产出质量差距，将创新活动分解为知识生产和产品生产两个阶段，并进行组内相对创新效率测度，得出相对效率值后，最终通过面板数据回归，分析创新活动技术效率及产业技术积累对产业竞争力的实际影响。结果发现：①我国高技术产业有效技术存量水平不同，大体可分为高、中、低3个组，且3组地区技术产出弹性显著不同。高端组拥有高技术积累，且技术产出弹性也最高，而中端组、低端组技术积累和产出弹性依次降低。发达地区技术产出弹性高，实现了投入要素规模报酬递增，获得了远超其它地区的高速增长；②从有效技术存量水平和技术环境角度看， 29个地区间存在着巨大差异，故直接将所有地区混同比较，会掩盖知识产出间的质量差异。分组建立前沿发现，高端组知识生产及产品生产技术效率均较高，而低端组产品生产技术效率也相对较高，但是中端组正陷入成果转化率较低的困境；③整体来看，产品生产技术效率即技术成果转化率对高技术产业竞争力增长有显著促进作用。知识生产全要素生产率变动对高技术产业竞争力变动有显著放大作用。有效技术存量水平是推动高技术产业发展的关键力量，但通过不成比例地拔高研发投入强度并不能取得预期效果。

4.2 启示

(1)提高技术成果转化率是促进区域高技术产业发展的关键。先发地区的“抽屉专利”一直在寻求出路，后发地区高技术产业发展亟需技术上的“源头活水”，唯有依靠市场机制将专利从数量形式还原回价值形式，有效链接技术研发和市场需求，才能形成高中低3组高技术产业协调发展的良好局面。因此，应建立全国性专利交易平台，整合各地区专利技术展示交易中心，畅通交易信息，发展专业专利代理机构，提升专利交易效率；同时，探索合理的技术转移激励机制，突破研发机构体制束缚，鼓励研发成果异地投产。

(2)先发地区高效率知识生产是我国高技术产业高速增长的持续动力。目前，除航空航天器及设备制造业部分聚集于陕西、辽宁、四川外，其它高技术产业均聚集于北京、天津、上海、江苏、浙江、广东、山东。先发地区已经具备了产业发展基础优势，又由于技术的高弹性，仍在持续吸引高端人才、投资资金和优质企业聚集。高技术产业竞争本质上仍是技术水平的竞争，创新效率固然重要，但数量不能代替质量，唯有在高水平的基础上实现高效率生产，才能形成高质量创新成果，进而推动高技术产业全局发展。

(3)后发地区高效率产品生产是区域高技术产业取得高速发展的突破口。随着我国产业结构转型升级，高技术产业在大部分地区均有所发展，但其并不会遍地开花。各地区特别是后发地区应根据自身资源禀赋和发展条件，选择合适的发展路径和发展目标。首先，应深挖各地区资源禀赋与新技术、新产业结合的可能，如当下贵州大数据产业就是区域特点与产业特色创新结合的成功案例；其次，在现有产业的基础上，集中力量发展区域特色产业，如陕西、四川航空航天产业；最后，依托产品生产，有选择地接受产业梯度转移，发挥资源、能源优势，实现和推进高技术、高能耗产业异地投产。

然而，本文还存在以下不足：虽然市场份额是产业竞争力的重要体现，但其不能展示高技术产业竞争力全貌，未来研究将对竞争力指标进行细化。另外，由于数据来源受限，创新活动知识产出以专利数量形式表现，尽管通过技术水平分组增强了其合理性，但数量累积仍然难以充分体现专利市场价值以及专利与专利间的质量差距。

[1] 朱有为,徐康宁.中国高技术产业研发效率的实证研究[J].中国工业经济,2006(11):38-45.

[2] 官建成,陈凯华.我国高技术产业技术创新效率的测度[J].数量经济技术经济研究,2009,26(10):19-33.

[3] 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,2012,25(5):85-98.

[4] GUELLEC D.The impact of public R&D expenditure on business R&D [J].Economics of Innovation&New Technology,2000,12(3)：225-243.

[5] KYUNG-NAM KANG, HAYOUNG PARK.Influence of government R&D support and inter-firm collaborations on innovation in Korean biotechnology SMEs[J].Technovation,2011,32(1).

[6] 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.

[7] 张俊瑞,陈怡欣,汪方军.所得税优惠政策对企业创新效率影响评价研究[J].科研管理,2016,37(3):93-100.

[8] 钱丽,王文平,肖仁桥.产权性质、技术差距与高技术企业创新效率[J].科技进步与对策,2019,36(12):105-114.

[9] 戴魁早,刘友金.市场化进程对创新效率的影响及行业差异——基于中国高技术产业的实证检验[J].财经研究,2013,39(5):4-16.

[10] 戴魁早,刘友金.要素市场扭曲与创新效率——对中国高技术产业发展的经验分析[J].经济研究,2016,51(7):72-80.

[11] 王惠,王树乔,苗壮,等.研发投入对绿色创新效率的异质门槛效应——基于中国高技术产业的经验研究[J].科研管理,2016,37(2):63-71.

[12] 沈能,张路佳.考虑技术异质性的中国省区环境创新效率评价[J].科技进步与对策,2016,33(13):125-129.

[13] 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.

[14] 杨青峰.剥离环境因素的中国区域高技术产业技术效率再估计——基于三阶段DEA模型的研究[J].产业经济研究,2014(4):94-102.

[15] 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.

[16] 龚新蜀,王世英,胡志高.“干中学”内生增长理论视角下能源回弹效应分析——基于西部省份1978～2014年面板数据的经验测算[J].软科学,2017,31(4):85-89.

[17] 任皓,周绍杰,胡鞍钢.知识密集型服务业与高技术制造业协同增长效应研究[J].中国软科学,2017(8):34-45.

[18] 王俊.政府R&D资助与企业R&D投入的产出效率比较[J].数量经济技术经济研究,2011,28(6):93-106+146.

[19] 潘维军.中国工业行业技术研发投入产出弹性估计[J].科技进步与对策,2013,30(1):74-78.

[20] 封伟毅,李建华,赵树宽.技术创新对高技术产业竞争力的影响——基于中国1995-2010年数据的实证分析[J].中国软科学,2012(9):154-164.

[21] 李芳.我国运输服务贸易国际竞争力的测度与比较[J].科学决策, 2010(11):33-43.

[22] 孙立芳,陈昭.“一带一路”背景下经济开放度如何影响农产品国际竞争力:来自RCEP成员国的证据[J].世界经济研究,2018(3):81-94+136.

[23] GUAN J,CHEN K.Measuring the innovation production process:a cross-region empirical study of China's high-tech innovations[J].Technovation, 2010,30 (5/6):348-358.

[24] 肖仁桥,宋莹,钱丽.企业绿色创新产出及其空间溢出效应研究——基于两阶段价值链视角[J].财贸研究,2019,30(4):71-83.

[25] LUCAS, ROBERT E.Jr, On the mechanics of economic development[J].Journal of mentary Economics,1988(22):3-42.

[26] UZAWA, HIROFUMI.Netral inventions and the stability of growth equilibrium[J].Review of Economic Studies,1961(28):117-124.

[27] REBELO, SERGIO.Long-run policy analysis and long-run growth[J].Journal of Political Economy, 1991(99):500-521.

[28] ROMER,PAUL M.Endogenous technological change[J].Journal of Political Economy,1990, 2:71-102.

[29] HANSEN B E. Threshold effects in non-dynamic panels: estimation, testing and inference[J].Journal of Econometrics, 1999(2):345-368.

[30] 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):1078-1092.

[31] 张海洋,金则杨.中国工业TFP的新产品动能变化研究[J].经济研究,2017,52(9):72-85.

[32] ZHANG A, ZHANG Y, RONALD Z.A study of the R&D efficiency and productivity of Chinese firms[J].Journal of Comparative Economics, 2003, 31 (3):444-464.

[33] 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.

[34] HAGEDOORN J,CLOODT M.Measuring innovative performance:is there an advantage in using multiple indicators[J].Research Policy，2003(32)：1365-1379.

[35] 钱丽,王文平,肖仁桥.产权差异视角下我国区域高技术企业创新效率研究[J].管理工程学报,2019,33(2):99-109.

[36] 白俊红,王钺,蒋伏心,等.研发要素流动、空间知识溢出与经济增长[J].经济研究,2017,52(7):109-123.

[37] 肖文,林高榜.政府支持、研发管理与技术创新效率——基于中国工业行业的实证分析[J].管理世界,2014(4):71-80.

[38] 张振刚,陈志明,李云健.开放式创新、吸收能力与创新绩效关系研究[J].科研管理,2015,36(3):49-56.