高技术产业绿色生态创新效率评价与影响因素研究

[摘要]基于绿色生态与绿色发展理念，针对如何提升高技术产业创新效率，采用三阶段DEA模型对我国30个省域高技术产业创新效率进行探究。研究发现：产业生态和随机误差是影响高技术产业创新效率的主要因素；剔除产业生态和随机误差影响后，各省域综合技术效率均值、纯技术效率均值、规模效率均值均明显降低；产业生态可以划分为市场保障、产业规模、高技术产值占比3个维度，其中产业规模、高技术产值占比有助于驱动高技术产业创新效率，市场保障对高技术产业创新效率具有抑制作用；各省域高技术产业创新效率可以分为效率优质型、效率潜力型、效率改进型。据此提出构建良好的产业生态环境、打造专业化新集群、缩小区域发展差异等针对性政策建议。

[关键词]高技术产业；绿色生态；三阶段DEA；效率评价

一、 引言

进入“十四五”时期后，我国逐步过渡到新的发展阶段，产业结构升级缓慢、生态环境破坏、经济体转换动力不足等问题日益凸显。优良的生态环境是推动我国实现经济高质量发展的重要支撑，促进高技术产业创新效率提升是有助于我国更好适应动态环境变化的关键要素1。2021年2月，国务院发布《关于加快建立健全绿色低碳循环发展经济体系的指导意见》，指出要坚持维护生态环境，必须要通过低碳环保的经济发展方式，做到经济社会快速发展与生态保护统筹并进2。高技术产业绿色生态是以高技术企业为核心，通过与其他企业、高校、政府等构建联动关系并进行高效的资源共享，实现创新突破和产业升级，从而将技术成果转化为新商品或新服务，达到提升多元化竞争力的目的。

近年来，我国高技术产业创新水平不断提升，虽产出数量多却质量不高，致使创新成果转化率低、生态维护成本高，已严重影响了我国创新效率的提高。在绿色生态与绿色发展理念下有效提升高技术产业绿色生态创新效率既是重要的理论问题，也是亟需解决的现实难题。鉴于此，本文立足于我国当前时代发展趋势，围绕新格局下发展目标，在绿色生态与绿色发展理念下研究高技术产业创新效率及其影响因素，评价我国30个省区市高技术产业创新效率，并运用三阶段DEA模型对我国高新技术产业创新效率现状进行分析，探究产业生态对高技术产业创新效率的作用机理，为我国促进高新技术产业创新效率提供思路与对策。

二、 文献综述

1. 关于高技术产业创新效率的研究

高技术产业创新效率是指创新过程中技术资源投入与创新成果产出的比率[1]。研究发现高技术产业创新因收益的不稳定性、创新过程的信息不对称性和较高的监管开支，使高技术企业相较于其他企业更容易产生外部约束。为了把握高技术产业创新效率作用要素，一些学者从微观层面对如何提升高技术产业创新效率进行了探讨与测度。孙研等[2]基于企业层面证实高技术企业有助于资源分配合理化从而提升其创新效率。Roper等[3]认为产业聚集度在企业识别产业生态、区域经济水平中发挥重要作用。赖红波等[4]指出技术引进通过重组、再造及更新等方式解决创新过程中遇到的难题，促使高技术企业从多个方面综合提升创新效率。

随着研究的逐步深入，部分学者认为仅从企业层面无法有效解决高技术产业外部性问题[5]，为此，研究层面逐渐由微观向宏观层面转移，研究重点倾向于国家、省域高技术产业创新效率的促进要素。Chung等[6]基于国家视角从技术创新和非技术创新两个方面探究高技术产业创新有效提升路径。尹洁等[7]在创新生态系统视角下基于省域层面，创建三阶段创新效率测评体系，证实高新技术产业存在区域差异性。

2. 关于高技术创新效率影响因素的研究

目前，对于高技术创新效率影响因素的研究主要聚焦于资源要素、产业生态两方面。Wernerfelt[8]认为资源具有有限性、唯一性和独特性等特征，能够使企业保持多元化竞争优势，开展有利于发展的创新活动。Paul等[9]证实了有效的资源投入在提升高技术产业竞争力的同时，能够帮助高技术产业扩大市场份额，从而给企业带来巨大的创新收益。刁秀华等[10]强调企业规模质量与高技术产业创新效率呈正相关关系， 企业可依靠政府资金等外部经济支持推动研发活动。黄磊等[11]利用超效率模型指数计算了我国技术创新效率，发现产业结构高级化有助于创新效率提高。也有学者指出处于不同产业生态下的高技术产业会通过识别出有益于发展的主导逻辑、市场结构和未来趋势等，来实现创新效率不断提升[12]，这些产业生态包括创新环境、人才环境、设施环境、政治环境等。

为改善单一模型度量高技术产业创新效率的局限性，很多学者们尝试采用多模型实证方法探讨高技术产业创新效率。俞立平等[13]利用面板数据模型、门槛回归模型等多模型组合方法，探索创新投入、技术更迭对高技术产业创新效率的影响。孟卫军等[14]在创新链视角下利用网络SBM-DEA模型和面板Tobit模型，指出科技服务业与高技术制造业协调合作有助于提升创新效率。

3. 关于绿色产业生态的研究

高技术产业所处的绿色产业生态是由数个网络连接而成的复杂系统，而这一产业生态需要多种外部要素辅助。王志刚等[15]指出新时代农业保护政策应涵盖绿色生态，绿色生态有助于促进产业生产、保护环境。Ander[16]通过对印度、美国等地的创新效率、增长速度进行研究，指出全面评估企业所处的产业生态有助于公司实现预期目标，从生态角度能更好地理解高新技术产业的复杂性，探索高技术产业创新效率的驱动路径。刘志春等[17]构筑了一套产业生态评测体系来分析科技园的创新效率，发现科技创新效率与其所处的生态系统有密切关系，良好的产业生态对高技术产业创新效率有突出影响。

综上所述，学者们主要对高技术产业创新效率评价指标、影响因素进行了丰富的研究，但多采用创新链、创新生态链等视角，较少涉及绿色生态与绿色发展理念下高技术产业创新效率的深入探究。也有部分研究利用实证方法从资源要素、产业生态单一影响因素进行针对性挖掘，且成果颇丰，但结合两者对高技术产业创新效率影响因素进行综合测度的研究较少。基于此，考虑到目前我国经济发展中所要求的新部署与新理念，本文创建适用于绿色生态与绿色发展理念下高技术产业创新效率评价指标体系，并利用三阶段DEA模型分析各省域高技术产业创新效率影响因素的异同，最后提出有益于发展的政策建议，以期为我国实现高质量发展作出贡献。

三、 研究理论与方法

本文应用三阶段DEA模型探析绿色生态与绿色发展理念下高技术产业创新效率，可以更加高效、科学及合理地滤除环境、随机因素的影响，进而精确地展示各决策主体的效率水准。具体分析过程如下所示：

第一阶段：DEA-BC2模型

鉴于规模报酬不变的因素，投入导向下对偶形式的模型如下：

[s.tminθ-εeTS-+ⅇTS+j=1nMiλj+S-=θM0j=1nNⅈλj-S+=N0][λj≥0，S-，S+≥0] （1）

式（1）中，j=1，2，[…]，n表示决策主体，数量为30；M和N分别是高技术产业创新投入、产出向量。DEA-BC2模型算出效率值为综合技术效率，同时可以划分为规模效率和纯技术效率。

第二阶段：SFA模型

首先对环境变量进行标准化处理，然后借助SFA模型采取回归分析，构建模型如下：

[Sni=fQi;βn+xni+μni;i=1，2，…I;n=1，2，…N] （2）

式（2）中，[Sni]是第i个决策主体第n项投入的松弛值；[Qi]是产业生态，[βn]是产业生态的系数；[xni+μni]是混合误差项，[xni]代表随机干扰，[μni]代表管理无效率。其中[x～N0，σ2x]是随机误差项，表示随机干扰因素对投入松弛变量的影响；[μ]是管理无效率，代表管理因素对投入松弛变量的影响，假设其服从在零点截断的正态分布，即[μ～N0，σ2μ]。

利用SFA的回归结果对投入项进行调整，从而除去环境因素和随机因素对效率测度的干扰，将所有决策主体调整于相同的产业生态中。调整模型如下：

[MAni=Mnⅈ+maxfQi;βn-fQi;βr+maxxni-xnii=1，2，…I；n=1，2，…N] （3）

式（3）中，[MAni]是调整后的投入，[Mnⅈ]是调整前的投入，[maxfQi;βn-fQi;βr]是对产业生态因素进行调整，[maxxni-xni]是将所有决策主体置于相同水平下。

第三阶段：调整后的DEA模型

将调整后的投入数据[MAni]代替原始数据[Mnⅈ]，产出仍为原始产出数据，再次采用BC2模型，得到清除环境效应和干扰影响的实际效率值。

四、 指标选取与数据来源

1. 样本、变量及数据说明

选取中国30个省区市作为决策主体，遵循“案例样本数量充足且具有可获得性”的基本原则探索高技术产业创新效率，需说明的是，由于港、澳、台及西藏数据不全，未被纳入本次研究范畴。相关数据来自《中国统计年鉴》《高技术产业统计年鉴》《中国科技统计年鉴》及中国国内科技论文产出状况统计，所有变量均以2020年作为基础数据源。本次研究具体使用的分析软件为DEAP2.1和Frontier4.1。

2. 变量选取

本文尝试将资源要素、产业生态纳入分析框架，基于绿色生态与绿色发展理念下创建高技术产业创新效率分析架构，研究资源要素与产业生态两者共同作用对高技术产业创新效率的影响。为此，结合新常态下我国经济高质量发展和人与自然和谐共生的指导理念，将资源要素分为经济资本和劳动质量，用产业聚集表示产业生态，将创新成果划分为创新产出和社会产出，共设5个一级指标，15个二级指标。

本文以《中国区域科技创新评价报告》中较为完善的评估指标为核心依据，同时参照多个学者的度量方法选取如下变量：①经济资本，作为高技术产业创新效率提升的基本条件，包括内部支撑、外商投资和政府扶持，其中内部支撑采用研发经费内部支出评估，外商投资采用外商直接投资金额评估，政府扶持采用政府资金投入评估。②劳动质量，劳动质量是高技术产业创新效率提升的重要支撑，包括员工存量、人才基础和人力潜质。员工存量用高技术产业从业人数测度，人才基础采用人口中大专以上学历人口占比评估，人力潜质采取从事教育行业人数测度。③产业生态，采用产业聚集进行测度，包括市场保障、市场规模和高技术产值占比，市场保障采用国家级科技企业孵化器总数测度，市场规模采用高技术企业个数测量，高技术产值占比采用第三产业增加值测度。④创新产出，创新产出有利于激发高技术产业创新效率且能提升高技术产业活力，采用专利产出、项目产出及论文产出量测度，其中专利产出利用高技术产业专利申请受理量测量，项目产出采用研发项目数测度，论文产出量采用科技论文引文量测度。⑤社会产出：社会产出是高技术产业创新效率测度的重要反映，包括内销收入、外销收入及科技收入，其中内销收入、外销收入分别采用高技术新产品销售收入、高新技术产品出口占总出口额比重测算，科技收入采用高技术产业利润测算（表1）。

3. 投入产出指标的相关性分析

在使用DEA模型进行效率测度前，首先检测指标体系是否满足DEA模型的单调性原则，利用Pearson方法对6个投入指标、6个产出指标进行显著性检验（表2）。

如表2所示，高技术产业创新投入和产出指标显示正相关关系，满足三阶段DEA同向性要求。

五、 实证结果分析

1. 第一阶段：DEA-BC2模型实证结果

运用DEAP2.1软件测度2020年30个省区市高技术产业创新效率（表3）。

通过表3可以看出，首先除天津、河北、安徽、山东、湖南、贵州外，其他省份投入冗余较少，稀缺性明显，增加供给和优化配置是提升高技术产业创新效率的关键。山东省投入冗余最为显著，这反映出山东在资源配置、研发规模、人才管理等方面仍有较大提升空间。其次，我国各省份高技术产业创新综合技术效率为0.98，纯技术效率0.98，规模效率为0.99。鉴于第一阶段DEA模型包括环境因素、随机因素对高技术产业创新效率值的影响，当前的效率值未能真实反映高技术产业创新效率的实际情况，需要作进一步的分析。