彭有为，梁雪梅，尚东星

（1.空调设备及系统运行节能国家重点实验室/珠海格力电器股份有限公司，广东珠海 519070；2.广东省生产力促进中心，广东广州 510070）

1 研究背景

当今世界百年未有之大变局加速演进，科技创新成为国际战略博弈的主要战场，曾经推动经济高速增长的人口红利、资本红利以及制度红利正在加速边缘化，这迫切需要我们立足新发展阶段、贯彻新发展理念，从以往依赖于要素驱动、投资驱动的传统粗放型经济增长模式转变为依托于创新驱动的高质量发展模式，建设世界科技强国［1］。党的十九大报告指出，大力推进高技术产业的健康、稳定、可持续发展，通过提高全要素生产率（total factor productivity，TFP），进而推动我国经济由高速增长向高质量增长转变。由此可见，着力促进高技术产业TFP 提升是重组驱动机制、优化产业结构、实现科技自立自强的重要抓手，更是实现创新型国家的战略基点［2］。整个“十一五”至“十三五”规划期间我国高技术产业企业数从2006 年的19 161 个增加至2020 年的40 194 个，主营业务收入由2006 年的41 584.56 亿元提升至2020 年的174 613 亿元，年均增长率达到17.28%，利润总额由1 777.27 亿元提升至12 393.97 亿元，年均增长率达到24.08%，专利申请数更是以年均34.43%的速度增加，由原来的24 301 个增加至348 522 个。但同时，也要看到，我国存在创新体系整体效能还不高，科技创新资源整合还不够，科技投入产出效益较低等疑难症结［3］。而TFP 的提升是保持经济持续增长的重要基础，更是把握经济增长质量的重要工具。因此，科学测算高技术产业的TFP，准确把握我国高技术产业的发展情况，厘清投入资源的配置效率以及利用效率，进而提出针对性的改进措施，是实现经济高质量发展的必然要求［4］。

关于高技术产业TFP 的研究，主要是针对其测算、分解以及变化进行分析。全要素生产率的测算主要包括数据包络分析（data envelopment analysis，DEA）和随机前沿分析（stochastic frontier analysis，SFA），前者以线性规划目标函数代替表示相对效率的距离函数来进行测算，而将距离函数与Malmquist指数相结合则能得到不同时间序列的TFP 指数，与此同时，由于此种方法并不需要设计生产函数和参数估计，因此也称为非参数方法［5］；后者则是通过构建随机前沿生产函数来描述生产行为，随机前沿生产函数当中的随机误差项用来表示对前沿产出所造成的对称误差项以及距离函数的单边误差项，据此得出的距离函数同Malmquist 指数相结合也可测度出TFP 指数［6］。利用DEA 方法的研究较为丰富，司桂霞等［7］、刘伟［8］、刘和东等［9］以及易明等［10］众多学者利用DEA 方法考察了全国以及不同地区之间高技术产业分行业的生产效率和创新效率；韩晶［11］、刘云等［12］以及陈娜等［13］等学者则较多利用SFA 方法，考察了我国高技术产业分行业的研发或创新效率。

综上所述，过往运用DEA 或者SFA 方法对高新技术产业全要素生产率进行测度的研究虽在一定程度上推动了相关研究的不断发展，然而却有两个比较突出的不足。首先，从过往文献可以探知，基于产业面板数据的分析而言，DEA 是更为准确的全要素生产率测度方法［14］。但传统的DEA 模型所测度出来的全要素生产没有考虑或者准确设定外部环境和随机误差对效率值的影响，从而容易造成测算结果失真。其次，过往文献对于高技术产业全要素生产率的研究多将视角停留在静态或动态研究上，而对于整体产业在较长时间范围内进行动静态结合的研究却不多，并不能全面反映全要素生产率的情况。基于此，考虑到较长时期内中国高技术产业的发展历程，本文系统地测算了“十一五”至“十三五”规划期间（2006—2020 年）我国高技术产业的静态效率和动态效率，以期全面反映中国高技术产业全要素生产率的发展变化及区域差异，其中静态效率采用将传统DEA 与SFA 相结合的三阶段DEA 模型，有效剥离外部环境因素以及随机误差的影响，据此得到的高技术产业TFP 更加准确有效。

2 研究方法与数据说明

2.1 三阶段DEA

Fried 等［15］提出的三阶段DEA 方法，其将DEA方法与SFA 方法有效进行结合，并剔除了环境变量以及随机误差对于效率值的影响，使得测度结果更加准确。该模型具体步骤如下：

第一阶段：DEA-BCC 模型。在这一阶段当中，本文采用原始投入产出数据进行初次效率值的评价，由于该阶段模型运用非常广泛，本文不再赘述。

基于SFA 模型式（1）的回归结果，可得出各环境变量对于投入松弛变量的不同影响程度，然后对决策单元的投入项进行调整，进而剥离环境因素或随机扰动因素的影响。以最有效的决策单元为基础，以其投入变量为标准，调整公式如式（2）所示：

第三阶段：调整后的DEA 模型。将第二阶段得到调整过后的投入变量与原始产出变量再次代入DEA-BCC 模型进行效率值测算，由此得到剔除环境因素和随机因素影响后的各决策单元的效率值。

2.2 Malmquist 生产率指数

鉴于三阶段DEA 模型是对我国高技术产业全要素生产率的静态分析，因而本文将构建Malmquist 生产率指数对全要素生产率进行动态分析。Malmquist生产率指数最早是由Malmquist［16］在1953 年提出的。Fare 等［17］将这一模型与DEA 方法相结合，进而能够将全要素生产率进行分解，这才使得Malmquist 生产率指数被越来越多的学者所应用。限于篇幅，本文仅给出最终表达式如下：

王树林出了电梯，手机已然开启。并没有再次出现短信。他快步地朝小区大门而去，雨未停，空气清凉。一路上思磨着那两个问号的意义，犹豫着是否要回拨一个电话。他和伍亦苒有过设定，他们的交往过程追寻的就是快乐。花堪折时直须折，莫待花落空折枝。任何一方没有任何消息的时候一定有诸多不便，换句话说，另一方无须抱怨和勉强，他们都以不破坏现实状态为最高出发点。

式（4）中：第一项代表技术进步变化指数（T ECHCH）；第二项代表技术效率变化指数（EFFCH），其主要是表示决策单元对现阶段技术的利用效果，若EFFCH 大于1 表示决策单元越靠近生产前沿面，技术效率有所提高，若EFFCH 小于1则表示本决策单元对于现阶段技术利用效果不甚理想。其中EFFCH 又可以再分解成纯技术效率变化指数（PECH）和规模效率变化指数（SECH）。所以，式（4）中的Malmquist 指数可进一步分解如下：

式（5）中：VRS 为规模报酬效率变动；CRS 为规模报酬不变；第一项代表技术进步指数，第二项代表纯技术效率变化指数，第三项代表规模效率变化指数。

2.3 指标选取和数据来源

2.3.1 指标选取

高技术产业的产出既要体现市场竞争力，又要展示知识密集型产业的技术集成特性，因而借鉴刘伟等［8］和杨青峰［18］等学者的研究，采用各省高技术产业主营业务收入和专利申请数作为产出变量指标，投入综合表现为人力、物力、财力等三个维度，高技术产业在研发人员、先进科研设备与基础设施建设方面均有较高要求，借鉴成定平等［19］和刘飒等［20］学者研究，采用各省高技术产业各年度从业人员平均人数、研究机构数以及固定资产投资额作为投入变量指标。高技术产业以高投入性、高风险性、高技术复杂性等特点著称，承担着实现科技强国的战略支撑作用，必然离不开政府政策倾斜与财政支持；而一个地区的经济发展程度代表了地区综合竞争实力发达地区意味着更大的市场容量、更好的区位优势和更强的科技实力；与此同时，高技术产业往往会呈现集聚效应，以便实现成本、产能和市场的协同优化；再结合高技术产业对于高层次人才的客观需求，本文借鉴李洪伟等［21］和李宏宽等［22］学者的研究，采用各地区政府经费支出占企业R&D经费内部支出的比重来度量政府支持（Gov），各地区生产总值（GDP）来度量地区发展水平（GDP），各地区高技术企业数来衡量地区市场结构（MAR），每十万人口高等学校平均在校生数衡量人力资本（Edu）。

2.3.2 数据来源与处理

本文针对“十一五”至“十三五”期间中国高技术产业全要素生产率的空间差异与变化趋势进行分析。为保持数据的完整性和可得性，剔除了数据缺失的西藏自治区及港、澳、台地区，收集了“十一五”至“十三五”期间（2006—2020 年）30 个省级行政区的相关数据，因此本文实际决策单元为30 个省级行政区。投入和产出指标数据取自《中国高技术产业统计年鉴》（2007—2021 年），并根据相应年度各省统计年鉴所提供的居民价格指数、固定资产投资价格指数构架以2005 年为基期的平减指数分别对主营业务收入和固定资产投资额进行平减。环境变量指标数据取自《中国统计年鉴》（2007—2021 年）及各省份《统计年鉴》（2007—2021 年）。

3 实证分析与结果

3.1 三阶段DEA 的实证分析

第一阶段运用DEAP2.1 软件测算了“十一五”至“十三五”期间（2006—2020 年）30 个省份高技术产业的综合技术效率（TE），纯技术效率（PTE）以及规模技术效率（SE），如表1 所示。

表1 我国30 个省份高技术产业 十一五 至 十三五 期间第一阶段和第三阶段DEA 效率测量结果对比

本文考察了“十一五”至“十三五”期间我国高技术产业全要素生产率的变化情况，由表1 可见，从总体来看，“十一五”至“十二五”期间我国高技术产业综合效率、纯技术效率和规模效率都得到了较为明显的提升，而“十二五”至“十三五”期间我国高技术产业综合效率、纯技术效率规模效率则总体维持在原有水平，但带有不同程度的下降趋势，这也契合了我国经济将从高速增长向高质量增长的大背景趋势。在“十一五”至“十三五”期间高技术产业综合效率有效地区数量由3 个提升至4个，其中北京、上海和广东地区均有效；纯技术效率有效地区数量由6 个提升至9 个，其中山东、宁夏和新疆地区由纯技术效率无效进步为纯技术效率有效；规模效率有效地区则由3 个提升至4 个，其中天津由规模效率无效进步为规模效率有效。但到了“十二五”至“十三五”期间高技术产业综合效率有效地区数量由4 个反降至3 个，其中北京、上海和广东地区仍均有效，纯技术效率有效地区数量由9 个反降至5 个，天津、山东、宁夏和新疆跌出有效地区行列，规模效率有效地区由4 个反降至3个，天津跌出有效地区行列。需要指出的是，尽管在“十一五”至“十三五”期间整体综合效率得到了提升，但“十一”期间全国仅有12 个地区的综合效率能够高于均值，到了“十二五”期间同样是12个地区高于均值，即使是到了“十三五”期间也只有13 个地区高于均值，这表明各地区高技术产业发展水平差异较为明显。由于以上测算结果并未剥离环境因素和随机因素的干扰，存在各地区高技术产业全要素生产率测算失真的可能性，因此本文将做进一步的调整和测度。

3.1.2 第二阶段SFA 回归结果

将从业人员平均人数、研究机构数以及固定资产投资额等投入变量的冗余值作为被解释变量，政府干预、地区发展水平、地区市场结构和人力资本等环境变量作为解释变量，从而构建出3 个SFA 回归模型，回归结果如表2 所示。

表2 变量的第二阶段回归分析结果

从表2 中可知，三个SFA 模型单边误差的似然比检验T 值均在1%水平下通过显著性检验，拒绝原假设，表明模型设置合理，适宜运用SFA 进行回归分析。其中γ值趋近于1，证明在混合误差项中间管理无效率对投入松弛变量的作用力占据主导地位，而随机扰动对投入松弛变量的作用力较小。与此同时，投入冗余可以看作是各地区之间的机会成本，若回归系数结果为正，则投入松弛变量与解释变量是正相关的，代表着解释变量的提升对于投入冗余的降低起反向作用；若回归系数结果为负，则表明解释变量的提升会使得松弛变量降低，从而解释变量的提升将有助于提升高技术产业全要素生产率。本文将从表2 中分析对投入松弛变量具有显著影响的环境变量：

（1）政府支持。计算结果表明，政府支持与从业人员平均人数和固定资产投资额松弛变量的回归系数为正值，与研究机构数松弛变量的回归系数为负值，且均在1%水平下显著。这意味着政府对于高技术产业投资的增加与高技术产业就业人数以及技术研发创新有着密切的相关性。而其与从业人员平均人数和固定资产投资额松弛变量的系数为正相关关系，说明政府支持更加倾向于通过各种产业政策来激励高技术企业进行高端和前沿技术研发，引导企业进行投融资、生产以及合并重组［23-24］,而较少直接运用固定资产投资和从业人员的调配来干预高技术产业的发展。

（2）地区发展水平。计算结果表明，地区发展水平与从业人员平均人数、研究机构数和固定资产投资额3 个投入松弛变量的回归系数为正，其中固定资产投资额松弛变量在1%水平下显著，从业人员平均人数松弛变量在5%水平下显著，研究机构数松弛变量在10%水平下显著。这意味着地区发展水平越高，反而不利于高技术产业全要素生产率的提升。这是由于地区发展水平较高的地区传统产业转型升级通常较早，但盲目扩大高技术产业产能，而不重视前沿技术的研发，使得技术发展迟缓，大多数企业处于低技术、低附加值的状态，导致出现产出增长但生产效率却背道而驰的效果，与此同时，甚至造成了同质化产能过剩以及资源错配等诸多问题［25-26］。

（3）地区市场结构。计算结果表明，地区市场结构与3 个投入松弛变量的回归系数为负，且从业人员平均人数和固定资产投资额松弛变量在1%水平下显著，研发机构数松弛变量在10%水平下显著。这意味着，高技术企业数能够有效减少从业人员平均人数和固定资产投资额的冗余，提升产业TFP。最优市场的规模是一定的，企业数的增加会推动企业提升各自的核心竞争力，以求获得更多市场份额，如此便使得整个产业能够得到更好的发展。这进一步体现了高技术产业规模效应与集聚效应对于产业TFP 的正向效应［27］。

（4）人力资本。计算结果表明，人力资本与从业人员平均人数投入松弛变量的回归系数为正，与研发机构数和固定资产投资额松弛变量的回归系数为负，且从业人员平均人数和固定资产投资额松弛变量在1%水平下显著。这意味着人力资本降低了固定资产投资投入冗余，却加重了从业人员平均人数投入冗余，从业人员未能得到充分有效地利用，从而致使其对高技术产业全要素生产率的提升产生了负面作用。高技术产业作为技术密集型和知识密集型产业，对于人才的引进、培训、储备以及应用都是至关重要的，因而有效提升人力资本的利用效率对于高技术产业的发展有着深远的意义［28］。

3.1.3 第三阶段调整后的DEA 测算结果

依据第二阶段的测度结果对原始投入变量进行调整，从而获得调整后的投入变量，仍旧选取原始产出变量作为产出数据，应用DEA-BCC 模型进行测算，从而获得更加客观的计算结果，如表1 所示。

通过表1 中第三阶段与第一阶段效率值的比较可以发现，通过调整后，在“十一五”至“十三五”期间我国高技术产业综合效率均值由第一阶段的0.532、0.662 和0.626 变为第三阶段的0.402、0.601和0.567，三个时期的综合效率均值在经过调整后均呈现一定幅度的下降，这表明我国高技术产业综合效率被高估。三个时期的规模效率分别由第一阶段的0.860、0.885 和0.84 调整为第三阶段的0.620、0.843和0.573。同理可知，外部环境因素虚高了我国高技术产业规模效率。而两个时期的纯技术效率均值由第一阶段的0.636、0.762 和0.761 调整为第三阶段的0.910、0.972 和0.992，都得到了一定幅度的提升，表明之前相对较低的纯技术效率水平是由于较差的外部环境因素所造成的，并没有体现出其真实水平，“十三五”期间高技术产业的资源配置、技术研发以及组织管理水平已经得到了显著改善和提升。从我国高技术产业全要素生产率影响因素来看，纯技术效率经过调整后得到了显著提升，规模效率无效成为导致高技术产业综合效率无效的主要因素。说明我国高技术产业并未形成产业集聚并转化为规模优势，成为制约高技术产业综合效率提升的瓶颈与障碍。因此，为有效提升我国高技术产业综合效率，首要任务是实现高技术企业的规模化发展，从而促进整体综合效率的提高，这也是优化产业结构，实现高质量发展的应有之义。

3.2 基于Malmquist 生产率指数的高技术产业全要素生产率分析

以上运用的三阶段DEA 模型是对高技术产业全要素生产率的静态分析比较，为了深入研究我国高技术产业全要素生产率的动态变化，本文利用Malmquist 生产率指数模型，进一步探究全要素生产率的变动原因。本文借鉴卢曦等［29］的方法，将剥离了外部环境因素和随机扰动因素的各投入变量以及原始产出变量代入Malmquist 生产率指数模型进行测算。具体测算结果如表3 所示。

从表3 可知，整体来看，我国高技术产业在“十一五”至“十三五”期间全要素生产率年均增长率呈现一个震荡发展态势，“十一五”至“十二五”时期高速发展，年均增速从9.7% 大幅提升至“十二五”时期的19%，但在“十三五”时期却出现-8.5%的负增长态势。从全要素生产率的分解来看，“十一五”至“十三五”期间技术效率对于高技术产业全要素生产率则在“十三五”期间有了更明显衰减迹象，由8.5%的年均增速提升至12.6%，又出现-9.6%的负增长；而技术进步，虽延续了整体先增长后倒退的发展趋势，但整体表现更为平稳，由4.2%提升至5.5%，再略微倒退至-0.6%。总体来说，高技术产业技术效率对全要素生产率的贡献更为显著，而技术进步的降速并不利于产业的长远发展，这需要引起我们的足够重视，需要大力支持高技术产业的技术创新研发能力，进而推动全要素生产率的不断提升。技术效率的分解结果显示，我国高技术产业纯技术效率和规模效率有着不同的发展趋势，前者由1%的年均增速降至-1.2%，随后逆流而上提升至5.3%；后者则未能幸免，从8.6%提升至14.3%，再骤降至-14.4%。这从一个侧面反映出我国高技术产业技术效率改进已经由纯技术效率为主转变为规模效率为主，这与静态分析的结论是保持一致的。

表3 我国30 个省份高技术产业“十一五”至“十三五”期间Malmquist 生产率指数及其分解

表3 （续）

4 研究结论与政策建议

本文通过三阶段DEA 以及Malmquist 生产率指数对我国高技术产业在“十一五”至“十三五”期间（2006—2020 年）全要素生产率的发展变化进行了静态和动态的分析研究。在剥离了外部环境因素和随机扰动因素后，三个时期全要素生产率发生了明显变化，“十一五”至“十三五”期间综合效率以及规模效率都被高估，而纯技术效率都被低估。纯技术效率对于综合效率的贡献度在两个时期都处于主导地位，表明我国高技术产业在提升技术水平以及管理水平上达到了一定水平，但规模效率却相差甚远，我国尚未形成高技术产业集聚优势。从体现动态变化的Malmquist 生产率指数来看，我国高技术产业全要素生产率在“十一五”至“十三五”期间年均增速总体表现不够稳定，在“十二五”阶段达到一个高点后进入了“十三五”阶段的低潮期，规模效率迟缓明显制约了全要素生产率的发展，这需要我们重视高技术产业集聚规模化的重要性。同时，技术进步保持在稳定区间，表明我国高技术产业技术效率改进始终是以纯技术效率为主导。

基于上述实证结果，本文提出以下两点政策建议：

第一，中国高技术产业从20 世纪50 年代起步以来，已经初步完成资本积累过程，产业形成了一定技术研发和管理水平进步成果，未来应当更加重视打造高技术产业集群集聚工作。各地区应当以市场为主导，加快传统产业结构转型优化升级的步伐，深入挖掘结构红利不断扩大高技术产业规模，同时完善内部结构，继续提升高技术产业技术进步水平，以集聚促活力，这样才能更好推动高技术产业实现高质量发展。在当前高技术产业日益成长为战略性产业的进程中，政府要积极引导和支持高技术产业的发展，全面实施国内国际双循环驱动战略，降低国内外资源的准入门槛。提高人力资本结构水平，高技术产业作为知识密集型和技术密集型产业，人才对于产业的影响比其他任何领域都要更加深远。

第二，中国各地区高技术产业的发展体现出一定的空间梯度格局，应当加速释放空间梯度格局下的产业全要素生产率增长潜力。目前，部分东北部地区以及中、西部地区全要素生产率年均增速达到了新的高度，未来中国应当更加清晰地认识和把握区域空间梯度发展格局下地区资源转移机遇。重点提升东部地区高技术产业技术创新水平，加快中、西部以及东北地区的产业结构优化升级，加大对高技术产业的扶持与引导，这也将是引领中国由传统粗放型经济增长模式转变为依靠创新驱动的可持续发展模式的重点区域。