于树江 王云胜 曾建丽 赵玉帛

当今时代是一个创新的时代，新一轮科技革命和产业变革正在进行，颠覆性技术持续涌现。党的十九届五中全会提出，要把显著提升创新能力、经济结构更加优化作为“十四五”时期经济社会发展的主要目标。《中共中央关于制定国民经济和社会发展第十四个五年规划》中指出要制定科技强国行动纲要，健全社会主义市场经济条件下新型举国体制，打好关键核心技术攻坚战，提高创新链整体效能。创新链效能提升需要创新价值链不断深入发展，在创新价值链的每个环节充分发挥创新主体的作用，不同的区域结合自己的优势，在不同的环节发挥不同的作用，对创新效率影响也不同，从而促进区域经济整体的创新发展，并实现价值增值（吴芹和蒋伏心2020［1］；徐斌和罗文2020［2］）。就国内来讲，京津冀地区已经成为中国经济发展的重要增长极，尤其是京津冀协同发展战略和雄安新区“百年”战略实施以来，京津冀地区的协同发展备受关注。随着经济步入新常态，供给侧结构改革深入推进，传统产业发展空间狭窄，难以顺应新时代的发展趋势，京津冀地区的经济发展亟需增添新的活力。2019年1月，习近平总书记（2019）［3］在京津冀考察时提出：“要集聚和利用高端创新资源，积极开展重大科技项目研发合作，打造我国自主创新的重要源头和原始创新的主要策源地。”高技术产业作为推动京津冀创新驱动战略的关键产业，应该积极寻求创新发展模式，加快步入创新型地区的步伐。高技术产业具有高风险、高投入、高收益等特征，对技术创新的要求更高，高技术产业的技术创新不是一簇而就的，从技术研发、产品开发到市场转化各个阶段的人力、物力、财力的投入都会影响到高技术产业的技术创新效率。

关于京津冀高技术产业技术创新的问题，现有研究主要关注京津冀高技术产业技术创新与产业集聚协同发展的研究、京津冀高技术产业技术创新效率评价、京津冀高技术产业的技术创新能力动态综合评价等内容，如胡佳露和杨丹萍（2021）［4］运用复合系统协同度模型，测算了2010-2018年京津冀、长三角、珠三角高技术产业及其细分行业的技术创新与产业集聚协同度，结果发现在研究期内，高技术产业技术创新与产业集聚协同度总体在低位运行，大部分处于未协同和较低水平协同，且技术创新发展在2014年后明显快于产业集聚；李健等（2020）［5］采用数据包络分析法对京津冀地区高技术企业技术创新投入产出指标进行评价，分析各因素对京津冀高技术企业创新效率的影响，研究发现京津冀三地存在资源分配不合理、协同机制不完善等不足；范德成和杜明月（2017）［6］从技术创新投入、技术创新产出和技术创新环境三个方面建立评价指标体系，采用TOPSIS灰色关联投影法计算灰色关联投影贴近度，研究发现京津冀应努力加强区域产业合作和优势互补，推动创新资源有效配置，促进产业结构优化升级，不断缩小产业技术创新能力的地域差距，实现一体化发展。

从现有研究可以看出现有研究主要是从整体角度出发评价京津冀高技术产业技术创新，对于技术创新效率的评价更多侧重于静态评价，而高技术产业技术创新活动是知识的生产加工转化的过程，经历科技研发、产品开发到市场转化三个阶段，每个阶段的投入与产出具有衔接性和连贯性。在投入方面，上一阶段的期望产出会转化成本阶段的直接投入，同时还伴随人力和资金的补充投入。非期望产出方面，既包含生产过程中产生的环境污染物，又包括在科技研发和产品开发过程中未转化的知识产出和未消化的技术引进这类非期望产出。因此，对于高技术产业技术创新的评价应注重过程评价，除此之外，京津冀高技术产业各个创新阶段的技术创新效率是否存在差异？差异态势如何？京津冀高技术产业各阶段的技术创新效率均呈现出怎样的时空演化特征？为回答上述问题有必要分阶段测算京津冀地区的高技术产业技术创新效率，这样有利于打开京津冀高技术产业技术创新的“黑箱”。在国家大力提倡加强自主创新能力，建设创新型国家战略背景下，深入探究京津冀地区高技术产业技术创新效率的精准评价方法，对提升京津冀高技术产业技术创新效率具有重要的现实意义。

鉴于此，本文从创新价值链视角出发，分阶段动态评价京津冀高技术产业技术创新效率，与现有的研究成果相比，本文的创新点主要体现在如下几点：①理论方面，运用创新价值链理论，分阶段测算高技术产业技术创新效率，试图打开高技术产业技术创新活动的“黑箱”；②研究过程方面，注意创新价值链三阶段之间的衔接性以及各个阶段的特征，构建各个阶段的投入和产出指标，并将科技研发、产品开发和市场转化三阶段的非期望产出同时考虑在内；③研究方法方面，运用考虑非期望产出的非径向Super-SBM模型测算京津冀高技术产业三阶段的技术创新效率，并将其与传统的DEA模型和非期望产出的SBM模型进行比较，验证了本文所构建的模型测算效率值的准确性；④总结京津冀高技术产业各阶段技术创新效率的变化特征，并对其原因进行了解释。

1 文献回顾

创新价值链是知识贯穿整个创新的链条，创新经历知识获得、知识转化以及知识开发利用三阶段，最终将知识实现市场化的过程（Roper S.et al 2008［7］）。创新价值链将企业技术创新活动分成设计、生产、营销、交付以及其他相关的战略活动，不是独立活动的集合，而是一个系统。根据创新价值链的理论，现有学者把技术创新划分为不同的环节，如Lee等（2012）［8］认为技术创新包括创新投入、创新知识凝结、创新成果三个阶段；余泳泽和刘大勇（2013）［9］将技术创新过程分为知识、研发、产品三个创新阶段，提出三阶段的创新价值链；周迪和钟邵军（2018）［10］将创新过程分成知识创新阶段、科研创新阶段以及产品转换阶段，三个阶段分别对应创新价值链的上中下游。创新价值链理论被应用在各个领域，应用在分析制造业创新，说明制造业以不同的方式促进生产力的增长（Roper S and Arvanitis S 2012［11］）；应用于高技术产业，分析创新行为本身的驱动因素；应用于绿色技术，确定光伏太阳能以及天然气的扩散前景（Olson EL 2014［12］）；应用于内部学习对价值创新能力的影响，发现内部学习机制和外部信息交换不是共生的（Berghmana L et al 2012［13］）。此外，创新价值链理论用来分析现代农业技术，发现现代农业技术对于提高发展中国家贫困农民的生产力和福利至关重要［14］。由此可见，创新价值链为分析高技术产业技术创新活动提供了独特的视角，通过创新价值链理论可以将高技术产业技术创新活动划分为不同的阶段，从而可以把握高技术产业技术创新活动的内在机理。

科学、合理地评价技术创新效率不仅有利于提升产业的创新力，而且对于一个产业的发展具有十分重要的意义。现有文献评价技术创新效率的方法主要包括两种，一是参数法；二是非参数法。参数法以SFA（随机前沿方法）为代表，非参数法以DEA（数据包络分析法）为代表，其中，非参数法应用较为广泛。根据Cooper等（2007）［15］的说法，大多数DEA模型可以分为四类：径向和导向；径向和非导向；非径向和导向；非径向和非导向。只有非径向和非导向模型可以捕捉到效率的全部方面（Janssen E and Swinnen J 2019［16］）。为此，许多学者做出了努力，其中代表人物是Tone，他在不同时期提出了各个计算效率的DEA模型。Tone（2001［17］）于2001年提出基于非径向非导向的模型即SBM模型，该模型对变量进行了非径向非导向处理，但缺点是该模型没有将产出进行分类并且对于效率值超过1的决策单元无法进行有效估计。为此，Tone（2001［18］）在2002年提出Super-SBM模型，该模型能够对效率值超过1的决策单元进行有效评价，但是没有考虑将产出分类，Tone（2001［19］）在2004年提出基于非期望产出的SBM模型，该模型能够充分考虑到没有考虑环境约束下，碳排放量、污染空气等非期望产出，但是没有考虑到决策单元效率值大于1的情况。国内学者汪传旭等（2016）［20］运用非径向非角度的SBM模型测算高技术产业的绿色创新效率，将能源消耗总量纳入非期望产出指标。蒋开东等（2015）［21］运用非期望产出SBM效率模型将引进技术以及购买国内技术作为非期望产出。

综上所述，通过对已有成果的梳理可见：第一，创新价值链理论的应用集中在区域和企业层面，少部分应用于产业层面，因而从创新价值链角度研究高技术产业的技术创新问题具有理论上的必要性；第二，从现有的文献可以看出，技术创新效率评价的方法各有不同，为进一步研究提供了参考。但仍存在一定的缺点，例如没有同时兼顾非期望产出和决策单元效率值大于1的情况，在各阶段投入与产出指标方面，很少考虑阶段之间的衔接性，凸显各阶段的不同。因此，本文以创新价值链为视角，同时充分考虑高技术产业技术创新活动自身的非期望产出，对现有的评价方法进行改进，运用改进后的评价方法对京津冀高技术产业技术创新效率进行评价，试图打开技术创新活动的“黑箱”，测算其内部各个阶段的技术创新效率。从而揭示高技术产业技术创新的内在规律，理清高技术产业技术创新活动各个阶段的作用机理，同时为京津冀政府管理机构在高技术产业技术创新的政策制定上提供一定参考。

2 研究设计

2.1 创新价值链视角三阶段评价指标体系

本文在创新价值链的理论基础之上，将高技术产业技术创新活动划分为三个创新阶段，即科技研发阶段、产品开发阶段、市场转化阶段。以指标数据的可获得性、创新价值链三阶段之间的关联与衔接性为原则，并考虑创新价值链各个阶段的非期望产出，本文构建高技术产业技术创新效率的评价指标体系，如表1所示。需要注意的是在高技术产业技术创新的价值实现过程中，每个阶段的特征不同，所以每个阶段的投入和产出指标也不尽相同。①在科技研发阶段，高技术产业技术创新需要有初始的投入，包括资金投入、人力投入以及关键的设备投入，此时的资金投入主要是科技研发费用支出，人力投入是高技术产业的科研人员，科技研发机构成为主要的技术创新场所设备。因此，高技术产业技术创新科技研发阶段的资金投入和人力投入分别表征为高技术产业R&D经费内部支出、高技术产业研究人员，设备投入表征为高技术产业研发机构数。此时的期望产出为知识产出，表征为高技术产业有效发明专利数，非期望产出为知识未转化导致的效率损失，表征为高技术产业未授权专利比例。②在产品开发阶段，根据技术创新阶段的衔接性，上一阶段的期望产出会作为这一阶段的直接投入，同时，这一阶段还存在补充的资金投入和人力投入，但是不同于上一阶段，而侧重于产品开发的特点。这一阶段的期望产出和非期望产出也与产品紧密相关。资金投入表征为高技术产业新产品开发费用支出，人力投入表征为高技术产业R&D成果转化人员数；期望产出用高技术产业新产品开发项目数来进行表征，非期望产出用高技术产业项目未建成投产率来进行表征。③在市场转化阶段，高技术产品大批量投放市场，和产品开发阶段类似，上一阶段的期望产出会作为这一阶段的直接投入，同时又有新的彰显市场特征的人力投入和资金投入作为补充投入。值得注意的是这一阶段由于产品大批量投放，所以对环境造成一定的影响，存在能源投入和污染环境的非期望产出。各个变量对应的指标如表1所示。

表1 高技术产业技术创新效率投入产出指标体系

表1中部分指标解释说明。高技术产业未授权专利比例的计算公式为：高技术产业未授权专利比例=（专利申请受理数-专利授权数）/专利申请受理数。高技术产业R&D成果转化人员是高技术产业R&D人员中扣除基础研究人员，用来开展实验研究及产品开发的人员，计算公式为高技术产业R&D成果转化人员数=R&D人员-研究人员。高技术产业项目未建成投产率的公式为高技术产业项目未建成投产率=1-全部建成投产项目数/施工项目数。高技术产业非科技活动人员数是指高技术产业从业人员中从事非科技活动的工作人员，比如高技术产品推广、销售等，计算公式为高技术产业非科技活动人员数=高技术产业从业人员平均人数-高技术产业R&D人员数。由于统计年鉴中没有统计分行业煤炭消费总量，而高技术产业主要集中分布在东部省份和中部省份，此部分地区的环境技术差异不明显，假设高技术产业各单位的产出投入比例成正比，以京津冀高技术产业产值比重来折算该地区的高技术产业煤炭消费总量。本文参考Cook（2001）［22］的研究，假设各省市单位产出会排放等量的二氧化硫和废水，通过京津冀高技术产业产值比重来折算该地区高技术产业二氧化硫和废水排放量。

需要注意的是高技术产业技术研发难度较大，而且需要较长的周期，很难在当年投入后年底就得到相应的回报。为更加准确地测算当年技术创新效率，本文借鉴李俊霞和温小霓（2019）［23］关于科技金融效率测算的研究，假设高技术产业技术创新每个阶段的产出都将滞后投入1年，自第t-1年开始，每年连续投入研发力量，一直到第t年获得产出。

2.2 高技术产业技术创新效率评价模型

考虑非期望产出的SBM模型可能会出现多个决策单元同时有效的状态，进而无法对决策单元进行区分与排序。高技术产业技术创新在不同的阶段会伴随着非期望的产生，如果不同的地区高技术产业技术创新效率同时处于DEA效率前沿面，此时考虑非期望产出的SBM模型不再适用，需要对考虑非期望产出的SBM模型进行修改。本文借鉴Zhang等（2017）［24］处理决策单元效率值大于1的方法，构建高技术产业技术创新效率评价模型-考虑非期望产出的Super-SBM模型。定义排除了决策单元(x0,y0)的有限生产可能性集为式（1）所示：

考虑非期望产出的Super-SBM模型分式规划为式（2）所示：

其中，φ为目标效率值，x表示投入，yg表示期望产出，yb表示非期望产出；s−表示投入的松弛变量，sg表示期望产出的松弛变量，sb表示非期望产出的松弛变量；λ表示权重向量。模型中的下标“0”表示被评价决策单元。φ<1表示决策单元无效，φ=1表示决策单元弱有效，φ>1表示决策单元强有效。该模型可以将决策单元效率超过1的值进行排序，但是没有明确包含松弛性，为突出松弛变量的影响，借鉴Fang等（2013）［25］的做法，将公式进行变形，从而体现出松弛性的作用。修改的模型如式（3）所示：

其中，φ*表示目标效率值，其他变量与式（2）的变量相同，这个模型可以用来评估效率值大于1的决策单元，并且体现松弛性。该模型具有如下优点：一是解决了投入产出的松弛问题和评价决策单元效率值大于1时的排序区分问题；二是充分考虑了非期望产出的问题，将期望产出与非期望产出区分开；三是将模型区分为规模不变报酬和规模可变报酬，本文由于研究对象是规模可变报酬，因此采用规模为可变报酬的非期望产出Super-SBM模型评价高技术产业技术创新效率。

2.3 数据来源与信效度检验

本文数据来自《中国高技术产业统计年鉴》、《中国科技统计年鉴》、《中国能源统计年鉴》、《中国统计年鉴》以及京津冀地方统计年鉴，在数据收集过程中发现大部分指标数据在2008年之后统计口径发生变化，造成数据大量缺失。因此，本文选取2008年之后的数据进行分析，时间跨度为2008-2019年。

通过Zscore函数对表1中评价指标体系数据进行无量纲化处理，并利用SPSS软件对高技术产业技术创新活动的科技研发、产品开发、市场转化三阶段的指标体系，进行信效度分析，高技术产业技术创新科技研发、产品开发以及市场转化三阶段的Cronbach 'α系数分别为0.853、0.781、0.990，均在0.7以上，表明所构建的高技术产业技术创新活动三阶段的指标体系信度达到标准，可以接受；高技术产业技术创新活动科技研发阶段、产品开发阶段、市场转化阶段的KMO统计量值分别为0.729、0.726、0.845，均大于0.5，表明高技术产业技术创新活动三阶段指标体系效度检验结果较好；Bartlett球形检验统计量分别为10、10、28，对应的概率值均为0.000，表明可以拒绝零假设，相关系数矩阵不是一个单位矩阵，构建的指标体系效度可以接受。

3 京津冀三阶段高技术产业技术创新效率评价结果分析

3.1 高技术产业技术创新效率测算方法对比分析

本文利用京津冀高技术产业面板数据，通过DEA-SOLVER-Pro5.0软件测算京津冀高技术产业各阶段的技术创新效率。为了便于比较分析，本文运用三种测算方法测算京津冀各阶段高技术产业技术创新效率，分别为传统的径向BCC模型、Undesirable-SBM模型以及Undesirable-Super-SBM模型。由于章节受限，以测算北京市2009-2018年高技术产业三阶段效率值为例进行说明，测算结果如表2所示。从表2中可以看出，以上三种方法的测算值不同，传统BCC模型的测算值相对于其他两种方法来说，测算值偏高，说明传统BCC模型没有考虑非期望产出，容易使效率的测算值被高估；考虑非期望产出的非径向SBM模型测算值中出现的1较多，无法对决策单元进行排序；而非期望产出的非径向Super-SBM模型能够将效率值为1的决策单元进行有效排序，该方法克服了前两种方法的缺点，在测算高技术产业技术创新效率方面，具有比较优势。从测算方法对比分析来看，也进一步验证了本文模型选取得合理性。

表2 北京市2009-2018年高技术产业三阶段效率值

3.2 京津冀高技术产业三阶段技术创新效率时间序列演化特征

运用考虑非期望产出的非径向Super-SBM模型对京津冀2009-2018年高技术产业三阶段技术创新效率进行测算，三阶段京津冀高技术产业效率值变化趋势如图1（a）-（c）所示。总体来说，北京市高技术产业科技研发阶段效率值高于天津市和河北省，并且位于全国水平以上；京津冀高技术产业产品开发阶段效率处于较低水平，并且变化趋势比较大；京津高技术产业市场转化阶段效率值高于河北省，近年来有下降趋势。

图1 2009-2018年京津冀高技术产业三阶段效率变动趋势对比图

具体来说，①在科技研发阶段，京津冀高技术产业效率值整体较低，历年科技研发阶段效率均值分别为0.654，0.444，0.252，但是2009-2018年呈波动性增长趋势；北京市和天津市的高技术产业科技研发阶段效率值位于全国水平以上，并且高于河北省，增长势头强劲；河北省的高技术产业科技研发阶段效率值是京津冀中最低的，并且位于全国水平以下，但仍呈增长趋势。这是由于京津冀各地在科技创新政策支持下，不断增加高技术产业经费投入，提高高技术产业论文、发明专利等科技产出。②在产品开发阶段，京津冀高技术产业效率值波动较大，2009-2010年呈下降趋势，2010-2012年呈上升趋势，2012年之后呈下降趋势，2015年又开始回升，并且均高于全国水平，但是变化形势和全国一致。造成这种趋势的原因主要是由于高技术产业自身的特殊性决定的。高技术产业新产品的开发是一项高技术、高风险的活动，对市场趋势分析要求较高，受市场环境影响较大，2008年受金融危机的影响，全国市场不景气，高新技术产品市场需求量低，导致新产品开发项目减少，虽然2010-2012年出现短暂回升，但是金融危机的滞后影响仍然存在。2013年工业革命4.0时代提出，人工智能、大数据、物联网等先进技术层出不穷，在创新和需求“双轮驱动”作用下，高技术新产品市场发展势头猛增，2015年以来，全国新产品开发效率开始回升，京津冀处在这样的大环境之下，高技术新产品开发效率明显提升。③在市场转化阶段，京津高技术产业效率值较高，高于全国水平，且长期处于全国前列，但近年来市场转化效率下降，但仍高于全国水平，这是由于北京市和天津市同类高技术产品大批量投放市场，虽然仍能取得较高的经济收益，但是竞争力逐渐下降，急需加强与其他地区开展高技术产业的合作，加快创新支持政策出台，保证高技术产业的新设计、新技术、新工艺。

3.3 京津冀高技术产业三阶段技术创新效率空间格局分布特征

通过分析发现，京津冀高技术产业科技研发、产品开发、市场转化各阶段效率值位次变动区间不大，具有一定的发展和惯性。本文对效率值取平均值，并采用自然断裂点法将科技研发阶段效率、产品开发阶段效率、市场转化阶段效率值分为三个等级，从低到高分别表示为技术创新效率高值、技术创新效率中值、技术创新效率低值，结果如图2（a）-（c）所示。总体来说，北京市和天津市属于技术创新效率高值省份，河北省属于技术创新效率低值省份，技术创新效率高的省份经济发达，创新资源禀赋。具体来说：

图2 京津冀2009-2018年高技术产业技术创新效率均值分级

北京市科技研发与市场转化阶段效率处于高值水平，但产品开发效率处在中值水平。这是由于北京市高技术产业R&D经费内部支出与高技术产业研究人员不断加大投入，长期位于全国前列，而且汇聚清华大学等知名高校、科研机构以及高技术企业，创新资源集中，以高技术产业科技研发阶段产出为例，2018年高技术产业有效发明专利18486件，占到全国的5.64%。但北京市高技术产业产品开发阶段效率相对较低，2013年高技术产业新产品开发项目数6801项，在2018年跌至4951项，2018年高技术产业项目未建成投产率高达75.81%。

天津市科技研发阶段效率值与市场转化阶段效率值高于产品开发阶段效率值。天津市高技术产业新产品销售收入在2018年高达1084亿元，是2009年的1.39倍，而高技术产业二氧化硫排放量逐年减少，在2009年为6.03万吨，在2018年降至1.12万吨。这主要得益于天津市的创新发展战略，建设全国领先的创新型城市，不断加强科技创新体系建设，培育促进智能科技产业发展的技术、资金、产业环境，提供高技术产业发展的平台，如成功举办三届世界智能大会智能制造高峰论坛，为高技术产业市场转化提供平台建设。

河北省科技研发与市场转化效率处于低值水平，而产品开发处于高值水平。这是由于河北省经济基础较差，创新资源相对北京市和天津市较少，科研基础条件不健全，但受到京津冀协同发展及创新驱动战略的影响，使得北京市创新资源向河北省转移，促进河北省高技术产业产品开发阶段效率值有所上升。

文中用“变异系数”来反映京津冀高技术产业各个阶段技术创新效率值的差异变化，变异系数越小，说明京津冀三地之间的高技术产业技术创新效率差异波动程度就越小；变异系数越大，说明京津冀三地之间的高技术产业技术创新效率差异波动程度就越大。通过变异系数公式得到京津冀三地各个阶段高技术产业技术创新效率差异演化趋势，结果如图3所示。从图3中可以看出，京津冀高技术产业科技研发阶段、产品开发阶段以及市场转化阶段效率的变异系数值呈下降趋势，表明京津冀三地区域间的高技术产业技术创新效率差异正在缩小。具体来说：京津冀各个阶段效率值相对差异呈现波动式下降趋势，前期差异大，后期差异小，三阶段的效率值在2010年前后出现最高值，在2016年左右出现最低值，并且在2009-2018年间整体差异略微缩小。京津冀高技术产业三阶段效率值的变异系数均在2010年出现最大值，原因在于受2008年金融危机的冲击，制约了高技术产业科技成果转化效率，产品开发难度加大，导致京津冀三地产品开发阶段效率值的变异系数在2008年达到最大值，再加上金融危机的影响深远且具有滞后性，导致高技术产业研发成本上升，京津冀三地承受能力不同，变系数也不同。京津冀高技术产业三阶段效率值的变异系数在2016年前后出现最低值，是由于京津冀协同发展战略的实施以及雄安新区的建设，国家要疏解北京市非首都功能，在雄安新区发展高端高新产业，积极吸纳和转移北京市创新要素资源，培育新的动能，极大促进了河北省高技术产业技术创新的发展。

图3 京津冀高技术产业三阶段技术创新效率变异系数趋势

4 京津冀三阶段高技术产业技术创新效率的驱动要素分析

以表1中的各阶段指标为自变量，以相应年份的高技术产业技术创新效率为因变量，利用偏最小二乘回归法，运用软件SIMCA-P计算京津冀地区三阶段的高技术产业技术创新效率与各驱动要素的标准化方程回归系数以及这些驱动要素的投影重要性，三阶段的偏最小二乘法的回归结果分别如表3-5所示。

表3 京津冀高技术产业科技研发阶段驱动要素的回归系数与投影重要性

表4 京津冀产品开发阶段驱动要素的回归系数与投影重要性

表5 京津冀市场转化阶段驱动要素的回归系数与投影重要性

4.1 科技研发阶段驱动要素分析

从投影重要性来看，由表3可知，变量投影重要性（VIP）超过1的驱动要素有2个，按其值由高到低，依次排序为高技术产业R&D经费内部支出和高技术产业有效发明专利数，表明京津冀地区在科技研发阶段中高技术产业R&D经费内部支出和高技术产业有效发明专利数对高技术产业技术创新效率影响较大，资金投入和知识产出对高技术产业技术创新效率起到关键作用。高技术产业研究人员、高技术产业研发机构数、高技术产业未授权专利比例的变量投影重要性（VIP）在0.4-0.95之间，表明这些要素对京津冀科技研发阶段的技术创新效率比较重要，但是相比X1和X4，重要性减弱一些。

从回归系数来看，由表3可知，京津冀地区科技研发阶段中，高技术产业R&D经费内部支出和有效发明专利数同高技术产业技术创新效率呈正相关，回归系数分别为0.399和0.873，由此可见资金投入和知识产出对高技术产业技术创新率极为关键。各投入要素中的高技术产业研究人员、高技术产业研发机构数，以及非期望产出中的高技术产业未授权专利比例同高技术产业技术创新效率呈负相关，表明在科技研发阶段，人力投入和物力投入必须适当，非期望产出对高技术产业技术创新效率产生负面影响。

4.2 产品开发阶段驱动要素分析

从投影重要性来看，由表4可知，变量投影重要性（VIP）超过1的驱动要素有2个，按其值由高到低，依次排序为高技术产业R&D成果转化人员数、高技术产业新产品开发项目数，表明京津冀地区在产品开发阶段中开发产品的人力投入和产品项目产出对高技术产业技术创新效率起到关键作用。而高技术产业有效发明专利数、高技术产业新产品开发费用支出、高技术产业项目未建成投产率的变量投影重要性（VIP）在0.7-0.83之间，表明这些要素对京津冀产品开发阶段的技术创新效率比较重要，但是与X7、X8相比，重要性减弱一些。

从回归系数来看，由表4可知，京津冀地区高技术产业产品开发阶段中，各种投入与高技术产业效率呈负相关，但绝对值并不大，期望产出与高技术产业效率呈正相关，回归系数为0.299，非期望产出与高技术产业效率呈负相关，回归系数为-0.052，表明如果想要提升高技术产业产品开发阶段的高技术产业技术创新效率，要适度的增加产品开发的投入，但是注意不能过量；要注重高技术产业新产品开发项目数量的提升，增大期望产出，减少非期望产出，提升京津冀地区产品开发阶段的高技术产业创新效率。

4.3 市场转化阶段驱动要素分析

从投影重要性来看，由表5可知：变量投影重要性（VIP）超过1的驱动要素有4个，按其值由高到低，依次排序为高技术产业新产品销售收入、高技术产业废水排放量、高技术产业进口贸易额、高技术产业非科技活动人员数，表明京津冀地区在市场转化阶段人力投入和期望产出与非期望产出对高技术产业技术创新效率影响较大，要注重增加市场转化阶段的人力投入和期望产出，对于非期望产出而言，在很大程度上影响高技术产业技术创新效率，非期望产出多，会降低高技术产业技术创新效率。

从回归系数来看，由表5可知，京津冀地区高技术产业市场转化阶段中，投入指标中高技术产业新增固定资产和非期望产出的各个要素与高技术产业技术创新效率的回归系数呈负相关，表明在市场转化阶段人力、物力、财力的投入对高技术产业科技成果转化起到极为关键的作用。非期望产出中高技术产业二氧化硫排放量、废水排放量以及进口贸易额越多，表明对环境的污染较大，在一定程度上会降低高技术产业技术创新的效率。

5 结论与建议

5.1 研究结论

本文基于创新价值链模型，把技术创新划分为科技研发、产品开发以及市场转化三个阶段。为了打开技术创新过程的“黑箱”，本研究采用考虑非期望产出的非径向Super-SBM模型测算京津冀高技术产业技术创新三阶段的效率值，以此来分析京津冀2009-2018年高技术产业各个阶段效率值变动趋势与地区差异特征，得出的结论如下：

一是通过不同效率测度方法对比发现，忽略非期望产出将导致技术创新效率被高估，通过考虑非期望产出的Super-SBM模型测算的结果准确性更高。

二是通过三阶段时间序列特征发现，京津冀高技术产业科技研发阶段效率、产品开发阶段效率、市场转化阶段效率整体处在低位水平。从各个地区来说，北京市和天津市在考察期内高技术产业各个阶段效率值变化波动较大，而河北省高技术产业各个阶段效率值变化相对稳定，北京市高技术产业科技研发、产品开发以及市场转化阶段技术创新效率值高于天津市和河北省。

三是通过三阶段空间演化格局特征发现，从各个阶段的比较来看，科技研发阶段效率北京市高于天津市和河北省，并且位于全国水平以上；产品开发阶段效率京津冀整体处于较低水平，并且波动比较大；市场转化阶段效率京津高于河北省，但近年来有下降趋势，说明京津冀协同战略实施效果明显。

四是通过分析时空格局不同的原因发现，高技术产业技术创新效率存在显著的区域差异。北京市和天津市属于技术创新效率高值省份，河北省属于技术创新效率低值省份，技术创新效率高的省份经济发达，创新资源禀赋，但是京津冀三阶段效率值的变异系数正在逐渐减小，表明区域差异逐渐缩小。总体来说，北京市和天津市技术创新效率保持增长的原因在于技术变动的有力推动，河北省主要受效率变动驱动，京津冀协同发展战略实施有效地促进了河北省高技术产业技术创新效率的提高。

五是通过分析三阶段驱动要素发现，科技研发阶段中高技术产业R&D经费内部支出和高技术产业有效发明专利数对高技术产业技术创新效率影响较大；产品开发阶段中高技术产业的人力投入和开发项目数对高技术产业技术创新效率影响较大，而非期望产出则对高技术产业技术创新效率呈负相关；市场转化阶段中人力、物力、财力的投入对高技术产业科技成果转化起到极为关键的作用，非期望产出中高技术产业二氧化硫排放量、废水排放量对环境的污染较大，在一定程度上会降低高技术产业技术创新效率。

5.2 对策建议

从测度结果可以看出，北京市高技术产业科技研发、产品开发以及市场转化阶段技术创新效率值高于天津市和河北省，这是由于北京市聚集高校、科研院所、高新技术企业等众多创新主体；河北省高技术产业各个阶段效率值有所增加，尤其是京津冀协同发展战略实施以来，增长速度较快，因此需要继续加强京津冀技术创新合作；京津冀高技术产业技术创新效率在科技研发阶段相对于其它阶段来说较低；三阶段中资金投入和期望产出是高技术产业技术创新效率的主要驱动要素。鉴于此本文提出如下建议：

一是从创新主体角度出发提高京津冀技术创新效率。首先，企业需要继续加强自身科技研发能力。尽管近年来京津冀企业研发投入比重不断加大，但与发达国家城市2.5%以上的研发投入强度相比仍具有一定差距。其次，高校及科技研发机构需制定科学的科研评价体系，注重新产品开发及科技成果转化能力。目前国内高校及科研机构在课题方向的选择上比较重视政府类纵向课题申报，并且此类课题申报有着清晰的申报、论证、结项要求，而与企业相关的横向课题申报以及结项工作则较少受到研究机构的青睐。较为单一的科研评价体系必然会降低科研人员成果转化的积极性，不利于科技成果向应用领域转化。除此之外，京津冀政府之间加强交流与合作，就高端产业发展、平台搭建、人才评价机制互认、人才流动等问题达成一致，并且根据京津冀高端产业市场的不断发展，不断调整优惠政策，助力高端技术企业发展。

二是从区域协同发展出发重视京津冀区域间技术创新合作。深入贯彻落实京津冀协同发展、创新驱动战略，积极开展京津冀高技术产业相关合作，推动北京市相关产业向河北省转移，提高河北省高技术产业的技术创新效率。以雄安新区建设为契机，河北省、北京市、天津市应加强地区间的联系，实施与雄安新区高新技术产业的项目、政策、规划对接，实现资源共享与优势互补。同时，河北省应加强自身能力建设，改善创新环境，大力建设高技术特色产业基地；重视高技术产业人才培养，壮大高技术产业人才队伍；构建先进的科技创新平台和创新服务体系，积极吸纳和集聚创新资源。除此之外，围绕高端技术、资本、人才、知识等创新要素，探索京津冀创新要素跨区域流动的机制和方式，加强政府、企业、高校、中介结构、金融机构之间的合作与交流，形成“政产学研服务”的创新机制，从而实现创新要素在多个创新主体之间的流动，进而实现京津冀跨区域之间的流动。

三是加大科技研发投入以提高京津冀技术创新效率。京津冀结合协同发展战略以及各自功能定位，制定利于本地区高技术产业发展的优惠政策，加大对本地高技术产业的扶持力度。北京立足首都城市战略定位，构建与其相适应的产业体系，重点扶持人工智能、5G、物联网、大数据等领域产业，给予这些产业的人才政策、税收政策、园区政策、资金政策等优惠政策，做到一产一策，不断培养疫情防控中催生的新业态、新模式，并逐步变得强大。天津立足京津冀协同发展战略功能定位，承接北京制造产业，创新发展金融业、服务业，打造行业服务特色链、会展经济特色链、健康产业特色链、打造金融服务产业集群、设计服务产业集群、智能科技产业集群，制定经济楼宇发展经济政策、金融资本政策、规划用地政策。河北主动融入北京与天津，承接北京产业，利用贯彻京津冀协同发展战略的机遇，加快建设全国产业转型升级试验区，构建现代产业体系，政府出台各项政策，升级京津冀协同发展的产业政策体系，抓好各方面的建设。

四是在科技研发、产品开发以及市场转化三阶段中增加资金投入，扩大期望产出，减少非期望产出。京津冀地区要在高技术产业发展的各个阶段中大力增加资金投入，扩大高技术产业R&D经费的支出，提高科研财政支出的比重。同时要增加各个阶段的期望产出，降低污染物的排放，提升高技术产业各个阶段的技术创新效率。北京在继续增加科研资金投入的同时，要激发科技创新主体的积极性，在长期资金资助、科技成果权益、绩效评价等方面形成独特的资金管理机制。天津科研经费投入强度也位居全国行列，在继续加大科研资金投入力度的同时，要注重对战略性新型产业、高端成长型企业加大资金投入，带动经济发展。河北省虽然和北京天津相比科研资金投入力度较低，但是近几年来持续提高，应该注重构建多主体协同、多要素联动、多领域互动综合创新体系，形成全社会重视创新、投资力度增加的现象。