0 引言

目前，中国经济发展已步入新常态，发展方式逐渐由主要依靠资源投入转变为创新驱动，在转型中高技术产业起到突出作用。高技术产业具有研发投入大、创新性强等特点，其创新活动对工业整体效率提升具有重要推动作用。鉴于创新在经济转型发展中的作用，党的十八大提出“科技创新是提高社会生产力和综合国力的战略支撑，必须摆在国家发展全局的核心位置”。受到国家政策大力扶持的高新技术产业发展迅猛，据世界经济合作与发展组织(OECD)数据显示，中国R&D投入总量已位居世界第二。根据《中国高技术产业统计年鉴》，截至2016年底，我国大中型高技术企业有30 798家，从业人员1 342万人，主营业务收入高达153 796亿元。虽然我国高技术产业规模发展迅速，但是《2013世界竞争力年鉴》数据表明，我国竞争力排名第21位，其中，企业绩效指标排名第25位，处于较低水平。为了提高技术竞争力与企业经营效率，政府实施了多种措施，其中较为典型的是2008年实施的《新企业所得税法》，使企业基本税率由33%降为25%，满足条件的高技术产业实施15%的所得税税率。与政府R&D不同，税收优惠政策是一种间接补助政策，体现了一定公平性。《中国工业企业科技活动统计年鉴》数据显示，2013-2015年我国高新技术企业减免税额分别为585.5亿元、613.1亿元、702.3亿元，而研发费用加记扣除减免税额分别是333.7亿元、379.8亿元、449.2亿元。这些数据表明，近几年政府加大高技术企业税收优惠力度，那么税收优惠政策对高技术产业创新效率有何影响?税收优惠政策如何影响高技术产业创新效率？针对以上问题的研究不仅有利于揭示税收政策对高技术产业创新效率的影响效应，而且可为税制改革提供了理论借鉴。

1 文献回顾

鉴于高技术产业对经济发展具有重要作用，国内外众多学者对高技术产业创新效率进行了大量研究，研究内容主要包括高技术产业创新效率测算以及从不同角度展开高技术产业创新效率分析。

目前测算高技术产业创新效率的方法主要有两种：参数法和非参数法。参数法通过设定特殊的生产函数形式估算效率，最初是由Aigner等[1]提出，较为典型的是随机前沿分析法(SFA)。有学者利用随机前沿分析方法，从创新价值链产出视角对我国高技术产业创新效率进行了测度(宛群超,杨晓岚,邓峰，2018)，或采用SFA分析了影响高技术产业创新效率的因素(方大春,张凡,芮明杰，2016)。朱有为等[2]利用SFA对中国高技术产业研发效率进行测算，计算结果表明整体效率较低，但有明显上升趋势且行业差距逐渐缩小。同样，范凌钧等[3]运用SFA对我高技术产业技术效率进行估算，发现区域差异较大，东部地区效率高于中部和西部地区。非参数方法特点是不需要假定生产函数的具体形式，其中较为常见的分析方法是数据包络分析(DEA)。数据包络分析法由运筹学家Charnes等[4]在1978提出，是根据一组数据的输入与输出估计有效生产前沿面的非参数法。冯尧等[7]利用DEA方法测算了我国高技术产业科技成果转化效率，并针对当前我国高技术产业科技成果转化率较低的问题提出了可行性建议；Guan等[6]等用DEA模型构建创新网络，测算了影响国家创新系统的因素；王敏等[7]采用数据包络分析法分析了中国高技术产业创新能力；刘树林等[8]采用链式网络DEA方法测量了我国高技术产业创新效率，研究发现我国高技术产业创新效率大体呈U型变化，并且技术转化阶段滞后于技术开发阶段。

除效率测算研究方法外，许多专家学者从行业和地区两个角度研究高技术产业创新效率：①行业研究方面。如从行业异质性视角分析高技术产业创新价值链效率问题，研究发现高技术产业技术吸收阶段的创新效率偏低，而在知识创造与成果转化阶段容易受到环境影响，出现效率虚高情况(康淑娟，2017)。韩晶[9]基于中国高技术产业面板数据，分析了中国高技术行业创新效率，发现中国高技术产业创新效率整体趋于上升。Sun等[10]从行业比较角度对韩国制造业技术创新效率进行测度，结果显示技术进步既存在于高技术产业，也存在于低技术产业。黄亦鹏等[11]将专利作为高技术产业的创新产出指标，得出我国不同高技术产业创新效率存在差异的结论；②地区效率研究方面。周雪蓉等[12]采用2008-2012年中国高技术产业面板数据，分析了区域创新环境对高技术产业创新效率的影响。研究表明，我国高新技术产业创新效率提升主要依靠技术进步，并且进一步发现地区之间存在创新效率差异。刘云等[13]对我国高技术产业创新效率进行了实证分析，研究结果表明地理位置对创新效率影响显著。戚湧等[14]运用超效率模型测算了长江经济带各地区高技术产业创新效率，结果发现经济带整体创新效率较高，但省市差距较大。

近年来有部分学者研究了政府补贴和税收优惠政策对高技术产业创新效率的影响。从政府补贴与税收优惠政策对高技术产业创新效率的影响机制看，其主要是从降低创新风险与成本两个方面促进技术创新，提高创新效率。现有关于政府补贴与税收优惠政策对高技术产业创新效率影响的研究，观点不一。部分学者认为，政府补贴和税收优惠政策促进了创新效率提升。如刘继兵等[15]研究了政府补贴对新兴产业创新效率的影响，发现政府补贴对提高创新效率有明显作用；Czarnitzki等[16]研究发现政府资助降低了创新成本与风险，从而促进了创新投入；李彦龙[17]基于2003-2014年中国高技术产业面板数据，研究了税收优惠政策对高技术产业R&D效率的影响,发现税收优惠政策显著提高了高技术产业R&D效率；张玉等[18]研究发现，研发活动加计扣除减免与研发效率负相关，而高技术企业税收减免与研发效率显著正相关。但是也有一部分学者持相反观点。如Beason & Weinstein[19]研究了日本优惠政策对部门生产效率的影响，结果表明优惠政策未提高部门规模收益与全要素生产率；王斌等[20]应用固定效应模型与系统GMM模型，研究了要素投入对高技术产业创新成果的影响，结果表明政府财政性激励并未有效促进创新效率提升，反而起到显著的抑制作用。还有部分学者认为政府激励政策对创新效率的影响并不明显。如朱平芳等[21]、闫冰等[22]的研究表明，政府激励措施对创新产出作用不显著。

根据文献梳理发现，目前高技术产业创新效率研究较为丰富，为本研究奠定了一定理论基础。本文将采用2000-2017年中国高技术产业面板数据，运用DEA-Malmquist指数模型，首先测算基于不同产出指标的中国高技术产业创新效率，其次，运用断点回归分析方法分析政府税收优惠政策分别对以专利数和新产品销售收入为产出指标的我国高技术产业创新效率的影响。

2 理论分析

创新是一个国家持续发展的动力，对经济发展具有重要推动作用。产业创新是产业发展的重要内容，但其创新主要受到3个因素制约：其一是资金，其二是风险，其三是外部性。由于创新具有外部性特征，因此具有公共产品性质。单靠市场机制，难以提高创新效率，必须借助政府公共财政政策支持提高创新水平。其中，税收减免是较为直接、有效的公共财政政策，其主要通过增加税后收益、降低创新风险、减少现金流出、增加现金流入等提高产业创新效率。以下从三方面作具体分析：①创新资金与税收优惠政策。创新是一个漫长的过程，需经过科学研究、技术开发、中间试验、市场开发等阶段，其中每一阶段都需大量资金投入。但是由于创新本身具有高风险性，很难通过正常的银行信贷方式筹集到资金，再者，创新实施者与资金供给者之间往往存在信息不对称问题。通过分析可知，创新过程中资金需求量大且资金筹集困难，由此造成创新资金短缺。此时的税收优惠政策通过减少纳税额，促进了创新主体的资金流动，缓解了创新资金短缺压力，有助于提高创新主体积极性与创新效率；②创新风险与税收优惠政策。正如前文所述，创新具有风险综合性强且风险指数高的特征。其主要表现一是投资量大、时间跨度长、不确定性大，二是创新环节多，各个环节承担不同风险，主要有技术风险、开发风险、市场风险等，特别是市场风险，一般创新主体无力承担。因此需要将创新风险合理分散，这对创新成功具有极大的促进作用。现有税法主要是利用技术转让所得减免税收，鼓励创新主体进行技术转让，使技术承接方参与到创新中，共同分担创新风险；③创新外部性与税收优惠政策。创新具有正外部性，从而产生创新扩散效应，有利于国家或地区整体创新能力提高。创新具有的公共产品属性，决定了创新成果的原创者无法完全控制创新的外部利益，因此外部利益损失不可能通过市场途径得到补偿。鉴于此，若没有适当的政策干预，理性主体将放弃创新行为，窒息创新活力。实施税收优惠政策，有助于提升创新收益水平，维护私人利益与外部利益平衡，实现风险与收益对等，保护创新热情。

3 高技术产业创新效率测算方法与数据来源

3.1 测算方法

Malmquist指数通常应用距离函数比率测算投入产出效率，若指数大于1，则表明效率水平提高，反之则效率下降。Fre等[23]提出了Malmquist指数计算公式，在规模报酬不变情况下，可将Malmquist指数分解为技术效率变化指数与技术进步指数。计算公式如式(1)所示。

(1)

其中，第一项表示技术效率变化指数(EFFCH)，其测度每个决策单元向最佳前沿移动的程度，若EFFCH大于1，表明技术效率提高，反之下降；第二项为技术进步变化指数(TECH)，其测度生产可能性边界移动程度，当TECH大于1时，表明存在技术进步，否则技术退步；D(x,y)表示投入导向的距离函数。

3.2 指标选取

(1)投入指标。根据经典C-D生产函数，投入指标主要为资本与劳动，现有高技术产业创新效率研究文献中投入指标多选取科技创新所需经费与从业人员数量[24-25]。本文根据已有研究和数据可得性，将R&D经费与R&D人员折合全时当量作为投入指标。

(2)产出指标。高技术产业产出主要分为技术研发成果和通过技术转化实现的经济产出。技术研发成果主要通过研发经费投入产生的直接产出反映，因此本文用专利申请数衡量。经济产出作为科技创新的最终成果，是实现经济价值的直接体现。基于数据可得性，将新产品销售收入作为科技创新经济产出的表征指标。为了剔除价格水平影响，将数据进行价格平减处理。由于产出主要集中在工业部门，因此以历年各地区工业生产价格指数作为平减系数。

3.3 数据来源与分析

本文选取2000-2017年《中国高技术产业统计年鉴》中29个省市(新疆、西藏因数据缺失较多予以剔除)的面板数据，其中，工业生产者价格指数来源于《中国统计年鉴》。由于高技术产业的特点，其从研发投入到产出需要一定周期，本文借鉴傅为忠等[26]的方法，设定投入产出滞后一年。表1为各变量描述性统计结果。

3.4 测算结果分析

本文主要研究税收优惠政策对中国高技术产业创新效率的影响，由于中国在2008年开始实施新企业所得税法，因此在时间段上划分为2001-2008年、2009-2016年两个阶段，计算每个时间段基于不同产出指标的高技术产业创新效率并取其测算均值，测算结果如表2、表3所示。

通过表2、表3的测算结果得出，总体上以专利为产出指标的创新效率高于以新产品销售收入为产出指标的创新效率，并且以新产品销售收入为产出指标的创新效率处于较低水平。这反映出我国高技术产业创新存在实际创新效率不高的问题，即没有充分将创新成果转化为实际产出，这与张肃等[27]的研究结论一致。具体来看，以专利为产出指标的高技术产业创新效率在2001-2008年未得到提升，而在2009-2016年上升了15%，原因是技术获得突破但技术效率未得到改善。以新产品销售收入为产出指标的高技术产业创新效率远远未达到最优水平，虽然2009-2016年全国创新效率比2001-2008年提高了22%，但是也未将创新成果充分转化为实际产出，其中，青海、甘肃、海南等地的创新效率水平较低。

注：数据来源于《中国高技术产业统计年鉴》

综上所述，我国高技术产业创新效率虽然不断提高，但相对效率不高，尤其是将科技成果转化为实际产出的绩效水平存在较大提升空间。2001-2008年以专利为产出指标的创新效率比以新产品销售收入为产出指标的创新效率高出41%，而2009-2016年前者创新效率高于后者44%，两者差距增大。这侧面反映出我国高技术产业创新成果在转化为实际产出时存在一些问题。诸如在科技成果转化过程中资金投入不足制约了科技成果转化效率；再者，科研人员缺乏创新能力且急于求成，未能周全考虑科技成果转化细节问题，或者没有与市场结合，阻碍了科技成果转化效率提升。

本文将在测算我国高技术产业创新效率的基础上，利用断点回归分析方法研究税收优惠政策对我国高技术产业创新效率的影响。在应用断点回归之前，首先分析是否存在明显断点。图1反映了2001-2016年中国高技术产业创新效率变化趋势。图中的m1和m2分别表示以专利为产出指标的创新效率和以新产品为产出指标的创新效率。可以看出，两者的创新效率皆在2008年后有较大提高，即以2008年为分界点存在较大跳跃。

4 研究方法与模型设定

4.1 断点回归

断点回归最初是由美国心理学家Campbell设计出来的。Thistlethwaite等[28]随后正式发表了断点回归分析文献，为后续学者应用断点回归分析奠定了理论基础。断点回归分析方法类似于随机试验，能够有效利用现实约束条件分析变量因果关系，在经济学、政治学等学科中运用较多。如Lee[29]、刘龙生等[30]、曹静等[31]运用断点回归分析了政策实施效应。断点回归分析主要有两种类型：一种是精确断点回归，具有两个基本假设条件：一是将研究对象随机分为对照组和实验组的干预量是一种已知、确定性决策规则，二是在断点处结果变量是连续的。另一种为模糊断点回归，其也有两个基本假设条件，即：①将研究对象随机分为对照组和实验组的干预变量是一种随机决策规则；②在断点处倾向值函数存在跳跃。

学术界对因果推论实证的最优选择是随机试验，但随机试验应用极为有限，其主要原因是随机试验的时间成本与经济成本较高。断点回归分析方法近似于随机试验，能真实有效地分析变量因果关系，避免了参数估计的内生性问题。此外，断点回归主要用于研究样本超过某个阈值就接受处置的情形，即当某一变量超过临界值时就接受处置，否则不接受处置。由于本文分析2008年实施的《新企业所得税法》对高技术产业创新效率的影响，企业税负在2008年前后发生了显著变化(即产生了“断点”)，若能观察到高技术产业创新效率在“断点”前后发生显著“跳跃”，则可将这种“跳跃”归因于新税法实施。基于此，本文利用断点回归分析方法研究新税法对我国高技术产业创新效率的影响。

4.2 模型设定

基于断点回归分析方法原理，本文主要探讨存在政策断点的情况下因变量是否发生突变。为保证因果推断的有效性，运用断点分析需满足一定前提条件。首先检验政策断点附近是否存在操纵驱动变量的问题。断点回归系数依赖于断点附近小范围局部平均处理效应的估算，因此，若存在驱动变量被操纵的情况，系数估计值的无偏性与一致性将无法保证。本文的驱动变量是时间，因此不存在被操纵情况。其次是观察断点附近因变量变化趋势。由图1可知断点处因变量存在较大跳跃，因此满足运用断点回归分析的基本前提。具体来说，即是分析2008年实施的新《企业所得税法》是否对我国高技术产业创新效率提升起到显著作用。由于本文研究的政策实施是确定性的，不存在随机决策规则以及断点前后变量是连续的，因此本文采用精确的断点回归分析方法进行分析，其局部效应采用三角内核非参数方法进行估算。根据Lemieux等[32]的研究，构造断点回归模型。

Patenti,t=αDi,t+βCQi,t+ξi,t

(2)

Incomei,t=δDi,t+φCQi,t+ζi.t

(3)

式(2)表示以专利为产出指标的断点回归模型，其中，Patenti,t表示第t年第i个省市在研发阶段的创新效率；Di,t表示新税收法政策的哑变量 ，其系数α为政策实施效应；CQi,t为协变量，加入政府直接对高技术产业的资助(GF)和企业规模(ES)作为回归模型的协变量，其系数β表示协变量的作用效果。式(3)表示以新产品销售收入为产出指标的断点回归模型，Incomei,t表示第t年第i个省市在技术转化阶段的创新效率；系数δ、φ分别表示政策效应与协变量效应，ξi,t和ζi,t表示残差项。

4.3 回归结果分析

通过表4回归结果可知，税收优惠政策显著提高了我国高技术产业创新效率，其原因在于税收优惠政策在一定程度上缓解了高技术产业创新过程中的资金短缺问题，并且税收优惠政策通过“校正”高技术产业创新活动外部性，降低了创新成本，提高了高技术产业创新效率。具体来说，以专利为产出指标的创新效率在加入协变量后比未加入前提升了2%的税收优惠政策效应，同样以新产品为产出指标的创新效率在加入协变量后税收优惠的政策效应提升了7%。这从侧面说明税收优惠政策与企业规模、政府资助协同采用可提升政策效果。其具体原因是税收优惠政策对高技术产业创新效率的影响还受到企业规模、政府资助的制约。一方面，随着企业规模扩大，税收优惠政策激励和引导创新方向，降低了创新成本，由此提高了企业利润，为创新提供了源动力。另一方面，税收优惠政策减少了高技术产业税收负担，可以减缓创新资金压力。再者，政府资助能有效促进企业创新效率提升[17]，原因是政府资助为创新活动提供了外部资金支持，使高技术产业创新成本控制在合理范围内，提升了外部风险抵御能力。通过以上分析可知，税收优惠政策主要是通过降低高技术产业创新成本解决创新过程中资金不足问题。

虽然在未加入协变量前，税收优惠政策效应对以专利为产出指标的创新效率大于以新产品为产出指标的创新效率，但是对于以新产品为产出指标的创新效率在加入协变量后政策效应提高了7%，此时前者的政策效应小于后者。因此可得出，在科技成果转化阶段，税收优惠政策与企业规模、政府资助的协同效应大于研发阶段的政策效应。原因之一是影响研发阶段高新技术产业创新效率的因素较多，诸如资金充裕度、风险大小以及研发队伍的积极性等；之二是将研发创新转化为实际产出是关键一步，高技术产业主体都是理性的，追求效益或利润最大化是其根本目标，随着主体规模的扩大，其基本生产条件得到满足，政府资助与税收优惠政策实施使高技术产业主体降低了成本，此时可适当提高员工工资水平，激发员工生产积极性，从而有效将研发成果转化为实际产出，因此税收优惠政策将显著提升科技转化阶段的创新效率。

4.4 稳健性检验

(1)不同带宽断点回归。断点回归分析结果的显著性严格取决于模型设定，从而使结论可信度降低。其中，带宽选择是较为关键的设定。通常情况下，带宽越小，跳跃的识别就越准确。本文基于样本量与最优带宽考虑，分别选择50%、100%、200%作为带宽对模型进行回归，回归结果如表5、表6所示。回归结果显示，带宽选择并未对回归结果产生较大影响，各系数及显著性与之前并无太大差别，因此基本回归具有较强稳健性。

注：***、**、*分别表示在1%,5%,10%水平上显著,括号内数值表示z值，下同

(2)检验协变量是否在断点处跳跃。除分析不同带宽选择对模型回归结果稳健性的影响外，检验协变量在断点处跳跃对回归结果影响的稳健性也是必要的。在最优带宽下检验协变量是否存在跳跃情况，回归结果如表7所示。回归结果显示，协变量的回归系数均不显著，即除政策因素外，其它因素在断点处无跳跃情况存在，进一步说明模型回归结果具有稳健性。

5 结论与启示

5.1 研究结论

本文根据2000-2017年中国高技术产业省级面板数据，运用DEA-Malmquist指数模型测算了中国高技术产业创新效率，并在此基础上运用断点回归方法分析了税收优惠政策对我国高技术产业创新效率的影响。基于以上分析，得出以下主要结论：

(1)总体上以专利为产出指标的创新效率高于以新产品销售收入为产出指标的创新效率，并且以新产品销售收入为产出指标的创新效率处于较低水平。这也反映出我国高技术产业创新存在实际效率不高的问题，即没有充分将创新成果转化为实际产出。本文将研究时间分为两段，发现两个时间段内技术进步显著，而技术效率水平没有改善。进一步发现，2001-2008年、2009-2016年这两个时间段我国高技术产业以不同产出为指标的创新效率差距有所增大，由此得出高技术创新效率虽然有所提高，但是高科研投入与较低实际产出的矛盾依然存在，并且有所加剧。

(2)通过断点回归结果分析得出，税收优惠政策对我国高技术产业研发效率有显著正向影响。无论是在技术研发阶段还是在科研成果转化阶段，加入协变量后税收优惠的政策效应均有所提升，在未加入协变量情况下，税收优惠政策对技术研发阶段的影响比科研成果转化阶段高3%，而在加入协变量后科技成果转化阶段的政策效应比技术研发阶段高2%。

5.2 实践启示

本文研究表明，目前我国高技术产业创新效率水平偏低，尤其是在科研转化阶段较为明显，但是《新企业所得税法》的实施有效提升了高技术产业创新效率。基于研究结论得出以下启示：首先，我国高技术产业创新效率不高的主要原因是技术吸收能力与科研成果转化为实际产出的能力较差，因此，应增强我国高技术产业技术吸收与科研成果转化能力，提高我国高技术产业创新效率，并努力解决高科研投入与低实际产出的矛盾。具体可从以下几方面入手：一是完善知识产权保护制度，使专利持有者权益得到保护；二是建立市场化导向的产学研协同创新体系，合理利用企业、高校以及各科研机构的优势；三是加快科研成果转化，完善科研成果转化资金保障机制，深化科研成果使用、处置和收益权改革，为科研成果转化营造良好的外部环境。其次，税收优惠政策的实施显著提高了我国高技术产业创新效率，因此在加强高技术产业创新活动时应继续实施税收优惠政策。一是要进一步完善税收优惠政策体系，通过设计更为完善的税收优惠政策体系，激发高技术产业主体的研发热情，提高高技术产业创新效率； 二是建立税收优惠政策的长效机制，通过保持税收优惠政策的稳定性，激励高技术产业主体加大研发投入，努力提高自身创新能力。

5.3 未来研究方向

断点回归分析方法近似于随机试验，能真实有效地分析变量因果关系，避免了参数估计的内生性问题，故本文采用断点回归分析方法研究了我国自2008年以来实施的《新企业所得税法》对高技术产业创新效率的影响。但影响高技术产业创新效率的因素较多，本文并未一一囊括其中，其与税收优惠政策的协同度可能影响税收优惠政策效应，因此后续研究将适当增加可量化的变量，以期更加准确地测算税收优惠的政策效应。

参考文献:

[1] AIGNER D J, LOVEII C K, SCHMIDT P J. Formulation and estimation of stochastic frontier production models[J].Journal of Econometrics, 1977,6(1):21-37.

[2] 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.

[3] 范凌钧,李南,陈燕儿. 中国高技术产业技术效率区域差异的实证分析[J].系统工程,2011(2): 56-62.

[4] CHARNES A, COOPER W, RHODES E. Measuring the efficiency of decision making units[J]. European Journal of Operations Research,1979,2(6):429-444.

[5] 冯尧.基于DEA方法的我国高技术产业科技成果转化效率研究[J].学术交流,2011(3):101-105.

[6] GUAN J, CHEN K. Modeling the relative efficiency of national innovation systems[J]. Research Policy, 2012, 41(1):102-115.

[7] 王敏,辜胜阻,MING W,等.中国高技术产业技术创新能力的实证分析[J].中国科技论坛,2015(3):67-73.

[8] 刘树林,姜新蓬,余谦.中国高技术产业技术创新三阶段特征及其演变[J].数量经济技术经济研究,2015(7):104-116.

[9] 韩晶.中国高技术产业创新效率研究——基于SFA方法的实证分析[J].科学学研究, 2010,28(3):467-472.

[10] SUN C H, KALIRAJAN K P. Gauging the sources of growth of high-tech and low-tech industries:the case of korean manufacturing[J]. Australian Economic Papers, 2005,44(2):170-185.

[11] 黄亦鹏,陈鸽林.我国高新技术产业知识产权与技术创新能力关系研究——基于专利的视角[J]. 科技创业月刊, 2014,27(10):1-4.

[12] 周雪蓉,涂建军.区域创新环境对高新技术产业创新效率的影响研究[J].西南大学学报：自然科学版,2015,37(6): 118-123.

[13] 刘云,杨湘浩.中国高技术产业的区域研发效率——基于省级面板数据的实证分析[J].中国管理科学, 2012(s2): 653-658.

[14] 戚湧,王静.江苏省大众创新创业政策评估[J].科技管理研究, 2017,37(1):75-81.

[15] 刘继兵,王定超,夏玲. 政府补助对战略性新兴产业创新效率影响研究[J].科技进步与对策, 2014,31(23): 56-61.

[16] CZAMITKI D, LICHT G. Additionality of public R&D grants in a transition economy[J]. Economics of Transition, 2006(1):101-131.

[17] 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(1):60-76.

[18] 张玉,陈凯华,乔为国.中国大中型企业研发效率测度与财政激励政策影响[J].数量经济技术经济研究, 2017(5): 38-54.

[19] BEASON R,WEINSTEIN D E.Growth,economies of scale,and targeting in japan(1955-1990)[J]. Review of Economics & Statistics,1996,78(2):286-295.

[20] 王斌,谭美清.要素投入能推动高技术产业创新成果的转化吗[J].科学学研究,2015,33(6):850-858.

[21] 朱平芳,徐伟民.政府的科技激励政策对大中型工业企业R&D投入及其专利产出的影响—上海的实证研究[J].经济研究,2003(6):45-53.

[22] 闫冰,冯根福.基于随机前沿生产函数的中国工业R&D效率分析[J].当代经济学家,2005,27(6):14-18.

[23] FARE R, GROSSKOPF S, NORRIS M. Productivity growth, technical progress, and efficiency change in industrialized countries: reply[J]. American Economic Review, 1997, 87(5): 1040-1044.

[24] 方福前,张平.我国高技术产业的投入产出效率分析[J].中国软科学,2009(7):48-55.

[25] 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.

[26] 傅为忠,朱艳卿,王灿.基于DEA改进模型的高新技术产业创新绩效评价实证研究[J].科技管理研究, 2015,35(14):38-42.

[27] 张肃,封伟毅,许慧.基于创新过程的高技术产业创新效率比较与关联研究[J]. 工业技术经济, 2018(3):37-43.

[28] THISTLETHWAITE D L, CAMPBELL D T. Regression-discontinuity analysis: an alternative to the ex post facto experiment[J]. Journal of Educational Psychology, 1960, 51(6):309-317.

[29] LEE D S. Randomized experiments from non-random selection in U.S. house elections[J].Journal of Econometrics, 2005, 142(2):675-697.

[30] 刘生龙,周绍杰,胡鞍钢.义务教育法与中国城镇教育回报率:基于断点回归设计[J].经济研究, 2016(2): 154-167.

[31] 曹静,王鑫,钟笑寒.限行政策是否改善了北京市的空气质量[J].经济学(季刊),2014,13(3): 1091-1126.

[32] LEMIEUX T, IMBENS G. The regression discontinuity design——theory and applications[J]. Scholarly Articles, 2008,142(2):615-635.