摘 要：“十三五”期间，我国高技术产业发展强劲，占制造业比重持续扩大，创新发展取得有效突破。本文通过DEA模型、Malmquist指数模型、聚类分析，根据2009—2019年的有关数据，测算我国30个省市及东、中、西部地区的技术创新效率、全要素生产效率等。研究发现，目前我国中部地区高技术产业的技术创新效率最高，其次是东部地区，最后是西部地区;我国有过半省份高技术产业技术创新效率达到DEA有效性，而且欠发达省份的创新效率不一定比发达省份的效率低;聚类结果表明各省市的技术创新效率没有按照东、中、西部地区的结构分布。

关键词：DEA模型;Malmquist指数;高技术产业;技术创新效率;聚类分析

本文索引：殷亚东.<变量 2>[J].中国商论，2022（06）：-141.

中图分类号：F276.44 文献标识码：A 文章编号：2096-0298（2022）03（b）--04

“十四五”期间，我国将进入新的发展阶段，经济社会发展内外部环境发生着深刻的改变，改革发展也面临新的任务。作为国民经济重要组成部分的高技术产业，是提高我国经济实力、增强国际竞争力的重要依靠力量，尤其是在产业转型升级中扮演着重要角色的高技术产业，对国民经济的健康发展、综合国力的提高至关重要。因此，对我国高技术产业做出评价，有助于了解目前高技术产业的发展现状，促进高技术产业的发展。

李培哲等（2021）测算我国省级区域高技术产业创新整体效率及三个子阶段效率，对创新系统子阶段间的关联有效性及区域创新过程效率的差异性进行分类分析[1]。范德成等（2021）运用DEA-Malmquist指数法测度我国29个省市的高技术产业技术创新效率，引入贝叶斯模型平均方法，对可能影响技术创新效率的潜在因素进行识别和检验[2]。李锋等（2021）利用生态链理论，构建高技术产业创新效率评价体系，运用DEA模型和Malmquist指数分析我国高技术产业静态与动态创新效率[3]。白素霞等（2021）基于数据包络分析方法，对我国国家级高新区高技术产业的创新效率进行评价[4]。刘凤朝等（2020）把东北地区和其他地区进行对比，分析东北地区及其各个省之间的技术创新效率差距[5]。熊波等（2020）通过中国A股上市公司面板数据检验高技术企业认定是否会对企业全要素生产率产生影响 [6]。

通过梳理中国高技术产业的技术创新效率方面的文献，发现研究对象更多是针对某一区域、省市、行业，研究中国整体、东中西部地区及省际之间高技术产业的技术创新效率差异的研究较少。因此，在总结前人研究成果的基础上，运用DEA模型及Malmquist指数分别从静、动态两个角度测算我国30个省市及东中西部地区高技术产业的技术创新效率水平。

1 理论基础与方法介绍

1.1 理论基础

Schumpeter首次以经济学角度提出“创新”一词[7]，创新理论即创新与经济周期的关系，创新与经济均衡的改变和企业家对创新的作用。狭义派认为技术创新是在商业上首次使用或第一次引入新产品或新工艺所包含的过程[8][9]。广义派则认为技术创新是以其构思新颖性和成功实现为特征的有意义的非连续性事件 ，或者是新产品和新工艺 ，以及产品和工艺显著的技术变化[10]。

1.2 方法介绍

1.2.1 DEA模型

Charnes等（1978）在1978年提出一种数据包络分析（DEA）模型，该模型用于测算具有多个投入多个产出单元的效率[11]。目前，数据包络分析（DEA）仍然是衡量多投入产出决策单元效率是否最有效的方法。

1.2.2 Malmquist指数

Malmquist指数最初是由瑞典经济学家和统计学家 Malmquist在1953年提出的[12]，此后Fare等（1994）将其与DEA模型相结合，通过对第a期与第a+1期生产率指数几何平均数的计算来衡量生产率的变动情况[13]。

1.2.3 聚类分析

聚类分析是根据所要研究样本的特点按照一定的标准，将所要研究样本的特点进行归类分析的一种技术性分析方法[14]，此次研究采用的是系统聚类，先确定类与类之间的相似性统计，再将两个或两个以上最接近的類合并成一个新类，如此反复直到所有的样本合并成一个类为止。

2 数据获取与指标的选取

本文选取2009—2019年我国30个省市的高技术产业数据进行分析，通过因子分析法选取能反映高技术产业创新能力的指标，选取的指标如表1所示。

3 实证分析

3.1 DEA模型测算

使用 DEA-SOLVER5.0测算2009年和2018年我国30个省市高技术产业的技术创新效率，考虑到当年的投入资源不一定能在当年获得产出，因此设置滞后期并将滞后期规定为1年，结果如表2所示。

由表2可知，2009年我国技术创新效率水平是0.8088，2018年为0.9102，有小幅度提高。2009年，全国共有16个省市达到DEA有效性，而2018年达到DEA有效性的有17个。相较2009年，2018年我国东、中、西部地区的技术创新效率都有提高，其中中部地区最快，其次为西部地区，最后是东部地区。相较2009年，2018年提高技术创新效率最慢的东部地区拥有最多达到DEA有效性的省份，提高技术创新效率最快的中部地区只增加了两个达到DEA有效性的省市，而提高技术创新效率次之的西部地区达到DEA有效性的省市减少了。这在一定程度上说明中、西部地区整体技术创新效率水平上有大幅度提升，但对以达到DEA有效性的省市技术创新效率而言，东部地区的实力依旧强劲。

3.2 Malmquist指数测算

如表3所示，我国大部分省市高技术产业的全要素生产率处于增长状态，全国全要素生产率平均增长幅度达14%，增长幅度最多的是技术效率，达到9%，其次为规模效率，增幅达到8%。东、中、西部地区的全要素生产率全部呈现增长态势，其中中部地区增长幅度最大，达到33%，其次为西部地区，增幅达到27%，最后为东部地区。同时，也要注意到中、西部地区的技术进步变动指数小于1，说明技术进步变化指数总体呈现下降趋势，东、中、西部地区纯技术效率增长处于停滞状态，说明未对提高技术效率起到促进作用。

3.3 聚类分析

由表4可以看出，我国30个省市高技术产业的技术创新效率分布并没有按照东、中、西部的地理分布，说明虽然发达省份高技术产业的技术创新效率比較强，但是欠发达省份的创新效率也不弱，虽然投入少，但是产出相对其他地区效率要高很多。通过聚类分析可以得出一个结论：经济欠发达地区不代表创新效率低，经济基础好的省份也不代表资源的利用效率高，所以一定要重视资源的利用效率，提高优化配置资源的能力。

4 结论

2009—2018年，我国高技术产业的技术创新效率基本保持增长态势，其中东部地区的技术创新效率最为稳定，中部地区的技术创新效率逐年高于东部地区，而西部地区的变化幅度最大。相比2009年，2018年我国30个省市的技术创新效率基本得到提高。另外，目前我国东部地区的技术创新效率最为稳定，中、西部地区处于波动上升状态，而且中部地区的技术创新效率提高最快并逐步高过东部地区。

Malmquist指数测算，我国30个省市的技术效率增长幅度大于技术进步幅度，全要素生产效率主要依靠技术效率拉动。从各地区来看，中部的全要素生产效率提高幅度最大，其次是西部地区，最后是东部地区。2009—2018年，全要素生产率平均增长1.014，但在部分期间全要素生产效率小于1，且主要由技术变动指数导致，表明技术退步已经成为影响全要素生产率的一个重要因素。

聚类分析的结果表明，聚类并没有按照东、中、西部地区的结构分布，一些西部省份高技术产业的技术创新效率要比东部发达省份的效率高，可能是因为东部省份研发投入大，但是技术创新效率增幅较小，而西部欠发达省份的投入小，但是产出高，创新效率增长幅度大。

5 建议

首先，合理配置资源，优化产业结构。就目前研究分析，有50%的省份的技术创新效率达到DEA有效性，而且数值大于1，说明投入资源过多，现有资源利用不合理。因此，在做到满足本区域高技术产业技术创新效率要求的同时，要做到合理配置资源，避免产生过多的资源冗余。

其次，加强地区省际间的互动。充分发挥各区域的区位优势，弥补各区域的不足，发挥扩散效应，最大限度弥补自身缺点。中部地区的高技术产业创新效率提高幅度最大，加强中部与东部、中部与西部地区产业之间的互动，带动西部地区高技术产业发展。

最后，针对不同情况的省份进一步为高技术企业提供税收优惠及营造良好的创新环境，促进我国高技术企业依据地区条件差异进行因地制宜的产业结构升级，并督促高技术企业提升自身科技创新水平。另外，要加快成果转化，使科研成果转化为经济效益，实现科研与经济效益的可持续发展。

参考文献

李培哲，菅利荣.区域高技术产业创新过程效率研究[J].科学学研究，2021：1-16.

范德成，谷晓梅.高技术产业技术创新效率关键影响因素分析：基于DEA-Malmquist和BMA方法的实证研究[J].科研管理，2021：1-9.

李锋，刘玥含，尹洁.创新生态系统视角下我国高新技术产业创新效率评价研究[J].软科学，2021（9）：53-60.

白素霞，陈彤.中国高新区高新技术产业创新效率探析[J].经济体制改革，2021（2）：68-73.

刘凤朝，张娜，赵良仕.东北三省高技术制造产业创新效率评价研究：基于两阶段网络DEA模型的分析[J].管理评论，2020， 32（4）：90-103.

熊波，杜佳琪.高新技术企业认定对企业全要素生产率的影响：基于双重差分方法的分析[J].科技进步与对策，2020（18）：133-142.

熊彼特.经济发展理论[M].何畏，易家详，译.北京：商务印书馆，1990.

Mansfield， Academic research and Industrial innovation： An Update of Empirical Findings[J].Research Policy，1998：773-776.

Freeman， Innovation and Growth， Mark Dodgson and Roy Rothwell， Handbook of Industrial Innovation， Edward Elgar， 1994.

Mueser， R. Identifying Technical Innovations， Trans. on Eng， Management， Nov.， 1985：574-584.

CHARNES A，COOPERW W，RHODES E. Measuring the efficiency of decision making units[J].Eur J Oper Res， 1978，2（6）：429-444.

CAVES D W，CHRISTENSEN L R，DIEWERT W E.The economic theory of index numbers and the measurement of input，output and productivity[J].Econometrica，1982， 50（6）：1393-1414.

FARE R，GROSSKOPF S，NORRIS M，et al..Productivity growth，technical progress，and efficiency change industrialized countries[J].American Economic Review，1994，84（1）：66-83.

吴志军，胡亚光.湘赣两省地级市旅游产业综合竞争力评价与聚类分析[J].经济地理，2017，37（5）：208-215.

Research on the Efficiency of Technological Innovation in China’s

High-tech Industry

School of Finance and Economics， Qinghai University  Xining， Qinghai  810000

YIN Yadong

Abstract： During the “13th Five-year Plan” period， China’s high-tech industry developed strongly; its proportion in the manufacturing industry continued to expand， and effective breakthroughs were made in the innovation and development. Through DEA model， Malmquist index model and cluster analysis， according to the relevant data from 2009 to 2019， this study calculates the technological innovation efficiency and total factor production efficiency of 30 provinces， cities and the eastern， central and western regions of China. It is found that at present， the technological innovation efficiency of high-tech industries in central China is the highest， followed by the eastern regions， and finally the western regions; in more than half of the provinces in China， the technological innovation efficiency meets DEA effectiveness， and the innovation efficiency of less developed provinces is not necessarily lower than that of developed provinces; cluster results show that the technological innovation efficiency of provinces and cities is not distributed according to the structure of the eastern， central and western regions.

Keywords： DEA model; Malmquist index; high-tech industry; technological innovation efficiency; cluster analysis