中国高技术产业创新效率影响因素的空间异质效应

高晓光

摘 要：首先借助超越对数生产函数形式的多产出随机前沿模型估算出2008年～2013年中国30个省域高技术产业创新效率，继而基于地理加权回归模型（GWR）研究了企业规模、市场结构、政府投入及研发支出结构对创新效率的影响。结果表明：中国30个省域高技术产业创新效率存在空间正自相关性；企业规模、市场结构及研发支出结构对创新效率产生正向影响，而政府投入阻碍了高技术产业创新效率；各影响因素对高技术产业创新效率的影响均具有空间异质性特征，且随着时间的推移稳定存在。最后提出相关政策建议。

关键词：高技术产业；创新效率；空间异质效应；地理加权回归模型

中图分类号：F429.9 文献标识码：A

当前中国经济正处于转型升级的关键时期，结构性变革带来的经济增速从高速向中高速转变已经是新常态的内涵。由于劳动力、土地等生产要素成本逐渐提升，即使是中高速的经济增长也需要形成新的驱动力。由于过去三十多年的改革发展主要依赖基于技术购买的技术创新，中国工业创新水平与发达国家仍存在较大差距。因此，新常态的另一个内涵是中国技术创新需要从中等的技术水平向中高等的技术水平转型，这就需要重点发展集中体现高层次前沿技术的高技术产业创新能力。虽然创新投入是提升高技术产业创新能力的必要条件，但创新效率对高技术产业创新能力的影响更加值得关注，尤其在处于技术后发劣势阶段且缺少研发高端人才和资金的中国。

创新效率存在较强的现实普遍性，因而一直是学术界讨论的热点问题。在估计创新效率使用的方法上，已有文献存在较大差别，分别采用了以数据包络分析模型为代表的非参数前沿分析法[1]及以随机前沿模型为代表的参数分析法[2]。但这些方法或多或少存在不足之处：数据包络分析模型既不考虑测量误差也不进行模型诊断，往往导致结论存在偏误，而随机前沿模型虽然有效避免了数据包络分析模型的不足，但由于以往文献采用的随机前沿模型仅能考虑一个产出，与数据包络分析模型相比又存在难以捕捉全部数据特征的问题。Coelli等采用基于超越对数的产出距离函数对传统随机前沿模型进行了修改[3]，基本解决了现有创新效率估计方法存在的不足，模型具体介绍见下文。在研究的视角上，已有研究高技术产业创新效率的文献仅仅停留在企业或产业层面，如Lee等的研究发现研发支出与企业长期绩效存在显著的正相关[4]，冯缨等从横向和纵向两个角度分析了江苏省5大高技术行业的创新效率[5]。即使考虑到区域因素，现有文献也未对区域之间的关联性进行进一步讨论[6-8]，遑论对高技术产业创新效率影响因素的区域异质性进行研究。

基于此，本文首先借助于多产出随机前沿模型估计中国30个省域高技术产业创新效率，利用Morans I验证高技术产业创新效率存在省域空间自相关性后，采用空间变系数模型中的地理加权回归模型（GWR）从局域视角出发对其影响因素的空间异质效应进行研究，以期对中国各省域加强高技术产业创新能力提供切实可行的政策建议。

1 研究方法、指标与数据

1.1 研究方法

1.1.1多产出随机前沿模型

Battese等提出的单阶段随机前沿模型可以区分确定性前沿产出和随机性前沿产出，且可以通过构造方差参数进行模型诊断，但是该模型仅能考虑一种产出，难以捕捉数据的全部特征[9]。本文借鉴Coelli[3]等的做法，改进后的模型能够处理多产出情况，一个M投入和N产出的超越对数产出距离函数具体形式如下：

式中，yit*=yit/yNit，表示yit*是使用yNit标准后的产出向量，？琢、？茁、？籽是一组待估计参数，vit是一般意义上的随机误差项，服从i.i.d.N（O，？滓v2），uit是非负的技术无效率项，表示相对前沿的技术效率水平，服从截尾正态分布N+（？滋，？滓u2）。似然函数中构造方差参数？酌=？滓u2/？滓u2+？滓v2。采用极大似然估计（ML）和齐次性条件估计参数，其中齐次性条件如下：

本来采用Morans I[10]检验高技术产业创新效率在中国省域间是否存在空间自相关性，具体计算公式如下：

式中，N表示地区单元数量，wij表示空间权重，xi、xj分别表示地区i和j的属性值，是属性的平均值。Morans I的取值范围是[-1，1]，可以计算Z统计量来判断Morans I值的显著性，计算公式如下：

1.1.3 GWR模型

传统计量模型假设空间事物无关联且均质分布，因而传统的最小二乘方法（OLS）只是对参数进行平均或全域的估计，并未能够反映参数的空间非平稳性特征。地理加权回归模型（GWR）对普通线性回归模型进行了拓展，采用了空间变系数的回归估计技术，可以有效解决系数空间非稳定特征难以捕捉的问题[11]，具体形式如下：

式中，（ui，vi）是地区i的地理经纬度坐标，yi和xi1，xi2，...，xik分别是因变量y和解释变量x1，x2，...，xk在位置（ui，vi）处的观测值，？着i是随机误差项，服从正态分布，系数？茁j（ui，vi）是关于空间位置的k个未知函数，一般借助于加权最小二乘法对系数进行估计：

式中，W是n×n阶的空间权重矩阵，反映了地理位置对参数估计的影响，因此选择合适的空间权重构造方法至关重要，常用的方法是高斯函数[12]：

式中，b是距离带宽，dij是地区i与j之间的地理距离，当dij？燮b时，权重为高斯权值函数计算值，当dij？叟b时，权重为0。本文利用ArcGIS10.0中的GWR工具选择最优带宽，标准是使得GWR模型的AIC值最小[13]。需要说明的是，AIC是一个相对量纲，对有着相同自变量的不同模型而言，当模型间AIC值差异小于4时，模型的拟合性能接近，当模型间AIC值差异大于10时，AIC值较小的模型拟合效果更好。

1.2 投入产出指标和影响因素

在利用多产出随机前沿模型计算高技术产业创新效率时本文选择拥有发明专利数（IPA）和新产品销售收入（NPV）来表征创新产出，其中IPA反映技术发明水平，NPV则反映技术发明成果的转化应用能力。采用永续盘存法将各地区高技术产业R&D;经费内部支出（RDI）核算成R&D;资本存量（RD），以表征地区高技术产业创新资本投入，具体方法参考吴延兵的研究[14]。劳动投入则利用R&D;人员全时当量（RDP）表征。为了剔除通货膨胀率和自然增长率的干扰，本文分别采用研发价格指数和工业品出厂价格指数对R&D;经费支出和新产品销售收入进行平减，其中研发价格指数（RPI）=0.75×工业品出厂价格指数（PPI）+0.25×居民消费价格指数（CPI）。由于创新投入与产出之间存在时滞，参考史修松等[15]的做法，选取1年为滞后期，即用第t-1年的RD和RDP数据作为第t年创新产出IPA和NPV的投入。此外，本文选择IPA作为yNit对NPV进行标准化处理。

通过估计多产出随机前沿模型中参数从而计算得出高技术产业创新效率值，即确定了GWR模型中的因变量，除此之外，还需要选择创新效率的影响因素作为解释变量代入到GWR模型中。根据牛泽东等[16]的研究，本文选择如下影响因素：①企业规模（FS）。利用地区高技术产业的主营业务收入除以企业个数得出地区平均企业规模。企业规模与创新效率的关系存在两种截然不同的观点：部分学者认为大企业能够缓解创新激励扭曲问题，从而有助于提高创新效率，而部分学者认为创新机制对创新效率会产生显著影响，小企业往往拥有灵活的创新机制，有助于降低交易成本。②市场结构（MS）。衡量市场结构的常见指标有赫芬达尔指数，但由于计算赫芬达尔指数的数据获取困难，本文借鉴岳书敬[17]的方法，采用地区高技术产业的企业数量对数值来衡量其市场结构，企业数量越多，预示着市场竞争也越激烈，由此产生的竞争效应有助于提升创新效率。③政府投入（GII）。采用高技术产业R&D;经费内部支出中政府资金占比来衡量政府在高技术产业技术创新发展中的投入力度。政府投入一方面降低了企业从事研发的成本和风险，能够避免创新激励扭曲，从而对提升创新效率有正向影响；另一方面，政府投入也会对企业进行R&D;投资产生挤出效应，降低企业创新效率。④研发支出结构（RES）。采用高技术产业技术引进经费支出与消化吸收经费支出的比值作为研发支出结构的表征指标。技术引进可以迅速提升地区的技术前沿水平，但如果相应的消化吸收能力提升滞后，就会使得创新效率降低。

1.3 数据来源

本文以中国30个省（直辖市、自治区）为研究对象，由于西藏、香港、澳门和台湾的数据缺失，暂不予纳入研究。各省域经纬度坐标用省会城市经纬度坐标代替，从Google Earth中获取。样本期间为2008年～2013年（其中创新投入数据是2007年～2012年的数据，创新产出和影响因素数据是2008年～2013年的数据）。所有数据均来自于2008年～2014年《中国科技统计年鉴》、《中国统计年鉴》和《中国高技术产业统计年鉴》，部分缺失数据均采用线性插值法补齐。高技术产业主营业务收入同样采用以2008年为基期的工业品出厂价格指数进行平减处理。表1给出了所有变量的描述性统计，其中创新投入和产出数据均取对数值以避免异方差干扰。从表1中可以看出，除了政府投入和研发支出结构外，其余变量的变异系数均小于1，说明这些变量在样本期间基本平稳，未出现异常性波动。

2 实证分析

2.1 创新效率值估计

借助Frontier 4.1软件对式（1）中的参数进行极大似然（ML）估计，再根据齐次性条件计算得到其余参数，得到2008年～2013年中国30个省域高技术产业创新效率值，如表2所示。随机前沿模型？酌等于0.755，且通过了1%水平下的显著性检验，说明随机前沿模型在总体上是估计有效的。同时也说明中国高技术产业中普遍存在技术创新无效率，创新效率影响因素问题的研究具有现实意义。

2.2 空间相关性估计

使用GWR模型的前提是样本数据存在空间自相关性，如果存在空间自相关性，则传统OLS模型估计有偏，应选择GWR模型，否则选择OLS模型更为合适。利用MoranI对2008年～2013年中国30个省域高技术产业创新效率值进行空间自相关性分析，结果显示中国30个省域高技术产业创新效率Morans I在[0.1，0.3]区间变化，并且均至少在10%水平下显著。可见，使用GWR模型进行建模较之传统OLS模型更加合适。

2.3 影响因素分析

基于ArcGIS10.0中的GWR工具研究2008年～2013年企业规模、市场结构、政府投入及研发支出结构四个因素对高技术产业创新效率的空间异质性影响，为反映整个样本期间各变量对高技术产业创新效率的总体影响，将各年系数求平均值（t检验显示各年系数均至少通过了10%水平下的显著性检验），结果如表3所示。为便于分析区域之间的差异性，本文按照通常的区域规划习惯，将北京、天津、河北、辽宁、上海、江苏、浙江、福建、山东、广东、海南等11个省（市）作为东部地区，山西、内蒙古、吉林、黑龙江、安徽、江西、河南、湖北、湖南等9个省作为中部地区，广西、重庆、四川、贵州、云南、陕西、甘肃、青海、宁夏、新疆等10个省（市）作为西部地区进行考察。

从表3可以看出GWR模型估计系数呈现空间非一致性特征，具体而言，企业规模对高技术产业创新效率存在显著的正向影响，且这种影响存在空间异质性，其中西部地区的企业规模估计系数（平均达到0.095）小于东、中部地区（分别达到0.100和0.101），改革开放以来，西部地区受到沿海开放政策等因素的制约逐渐成为经济后发地区，本地高技术企业在追逐东、中部先发地区时可能难以形成合理规模，且忽视了技术发展中创新效率提升的内涵，这种模式一旦制度化很可能会给西部地区高技术产业发展带来固化的后发劣势。东、中部地区企业规模估计系数保持较高水平原因如下：一是2008年全球金融危机以后也正是中国改革开放前沿阵地——东部地区进行大规模“腾笼换鸟”式产业结构调整阶段，高技术产业尤其注重企业规模发展与内涵发展并进；二是中部崛起战略实施效果逐渐体现，中部地区很好地接收了东部地区的产业和技术转移，并且在高技术产业发展中异军突起，如郑州发展的航空港经济综合实验区正日渐成航空枢纽。

市场结构对各省域高技术产业创新效率存在正向影响，且这种正向影响也存在空间异质性特征。市场结构反映市场竞争激烈程度，说明竞争性的高技术产业市场能够一定程度避免创新要素资源错配等原因导致的效率低下问题。东、中部地区市场结构的估计系数（平均均达到0.100）大于西部地区市场结构的估计系数（平均达到0.091），可见与西部地区相比，东、中部地区的高技术产业创新市场机制更加成熟，增加高技术产业中企业数量会显著带来资源的优化利用，而西部地区受制于垄断势力，竞争性格局形成初期往往会伴随破坏性阵痛期，进而导致竞争性市场结构对创新效率的促进作用一定程度上被削弱。

政府投入显著阻碍了高技术产业创新效率提升，并且这种负向影响也存在空间异质性特征，这佐证了十八大关于“使市场起决定性作用和更好发挥政府作用”决策的正确性，在创新市场中，市场起到资源配置的主导作用，而政府应该从主导角色向服务角色转变。但是由于政府投入对高技术产业创新效率的负向影响在东、中部地区明显大于西部地区，因而市场与政府功能的替换在空间上应该是渐进性实施的：在东、中部地区加快实现市场与政府在创新市场中的功能转换，在西部地区则推动政府主导地位在创新市场的逐渐淡化，在新增的高技术产业创新市场中不断增强市场起资源配置的决定性地位。

研发支出结构对高技术产业创新效率同样有显著的正向影响，虽然这种影响也存在空间异质性特征，但差异并不大。研发支出结构越高，表明相对于吸收消化技术经费，技术引进经费占比更大，这表明当前倾向于技术引进的经费结构仍然能够推动高技术产业创新效率提升，但是从估计系数来看，研发支出结构的估计系数明显小于企业规模和市场结构的估计系数，说明倾向于技术引进的经费结构拉动创新效率提升的空间已经不大，重引进而轻吸收的技术创新模式实则难以为继。东、中及西部地区研发支出结构估计系数基本相同，可见目前的研发支出结构已经基本不适用于中国的局域地区，改善研发支出结构带来的创新效率提升潜力在各省域均存在。

为了进一步分析各影响因素对中国高技术产业创新效率的空间异质影响随时间推移变化的特征，本文借助于ArcMap将各影响因素估计系数进行可视化处理，由于并非每一年都较之上年出现明显变化，故本文给出样本首末期两年的地图以增强对比性，如图1所示。

图1根据自然分裂点（Jenks）将企业规模估计系数分成四个等级：低，中低，中高及高水平。从企业规模估计系数绝对值来看，随着时间的推移，中国30个省域企业规模对高技术产业创新效率的影响程度均有所降低，究其原因可能是因为随着高技术企业规模不断优化，企业规模对高技术产业创新效率的边际作用呈现递减趋势。从企业规模估计系数相对值来看，随着时间的推移，企业规模对高技术产业创新效率的影响稳健地存在自北向南递减的空间异质性特征，只是这种特征发生了变化：2008年，企业规模估计系数低值在西部地区，高值在东北三省、内蒙古、河北等地，而其余地区的企业规模估计系数均处于中低、中高水平；2013年，原本的低值区新疆成为企业规模估计系数高值区，而南部地区多省从原来的中高值区变为中低值或低值区。这说明随着中部地区崛起战略和东部沿海地区产业结构调整战略的推进，高技术产业规模不断迫近最优水平，而东北等地区高技术产业规模仍存在较大的提升潜力，需要加快传统产业改造升级进程。同样利用自然分裂点对市场结构、政府投入和研发支出结构估计系数进行可视化处理，发现市场结构估计系数呈现自东向西递减的趋势，随着时间的推移，这种趋势并未出现显著变化，但中、西部多个省份由低值区转变为中高值区，如湖北、青海、四川等。这显示出这些地区的市场结构愈加优化，能够逐渐释放提升创新效率的动力和活力。2008年政府投入估计系数呈现自北向南递减的趋势，与企业规模估计系数分布基本一致，但至2013年这一空间分布特征几乎消失，转变为由西向东逐渐递减的空间特征，表明政府投入对创新效率的促进作用在西部地区表现得最为显著，今后政府应进一步加大西部地区的创新投入，激发其增长潜能。2008年研发支出结构估计系数呈现自西向东递减的趋势，可能的解释是东部地区最早承接FDI技术转移，技术较为发达，因而同样的经费引进下需要匹配更多的技术消化经费以提高创新效率，但随着时间的推移，又逐渐转变为自西向东递增的趋势，体现出东部地区创新水平在不断提升，由于已有技术与引进技术的相似度较高，技术消化对研发效率的阻碍作用得到缓解。

3 结论与讨论

本文首先利用超越对数生产函数形式的多产出随机前沿模型估算出2008年～2013年中国30 个省域高技术产业创新效率，随后借助于GWR模型研究了各影响因素对高技术产业创新效率的空间异质性影响，相比传统OLS模型平均意义上的估计结果更加接近现实情况。结果表明：①中国30个省域高技术产业创新效率存在空间正自相关性，忽视数据空间关联和差异的OLS估计结果存在偏误；②企业规模、市场结构及研发支出结构均对高技术产业创新效率产生正向影响，且这种影响均具有显著的空间异质性，表现为东西方向或南北方向变化的特征，其中研发支出结构估计系数明显小于企业规模和市场结构的估计系数，且空间异质性特征也相对较弱。政府投入对高技术产业创新效率具有显著的负向影响，且这种影响同样表现出典型的空间异质特征；③随着时间的推移，各影响因素对高技术产业创新效率影响程度的空间异质特征一直存在，只是具体特征发生细微变化，以企业规模估计系数为例，呈现低值区向南方蔓延的趋势。

综上所述，应当避免一刀切的高技术产业创新发展政策，需要根据地区已有的发展基础、资源禀赋及历史因素等制定符合地区发展要求和目标的高技术产业创新发展政策。第一，西部地区需要改善高技术产业企业规模，强调创新效率提升基础上的规模扩大，避免掉入后发陷阱，东、中部地区则要继续扩大高技术产业规模，支持行业内并购联合的企业行为，尤其东北三省、河北等地亟须加快传统产业升级改造，不断规模化高技术产业。第二，促进形成竞争性高技术产业创新市场，尤其着力破除西部地区有碍于高技术产业市场一体化的垄断势力，继续完善东、中部地区高技术产业创新市场体制机制。第三，东、中部地区加快调整政府在高技术产业创新市场中从资源配置主导地位向服务角色转变，而西部地区仍然需要强调政府对创新要素的重要配置作用，辅以市场引导资源配置。第四，东、中及西部地区均需调整“重引进轻吸收”的研发支出结构，逐渐提升已有技术应用转化能力。

参考文献：

[1] 白俊红，江可申，李婧. 中国地区研发创新的技术效率与技术进步[J]. 科研管理，2010（6）：7-18.

[2] 张宗，周勇，钱灿，等. 基于SFA 模型的我国区域技术创新效率的实证研究[J]. 软科学，2006（2）：125-128.

[3] Coelli T， Perelman S. A comparison of parametric and non-parametric distance functions： with application to European Railways[J]. European Journal of Operational Research，1999（2）：326-339.

[4] Lee Shim. Moderating effects of R&D; on corporate growth in U.S. Japanese Hi-tech Industries： An empirical study[J]. Journal Technology Management Research，1995（6）：179-191.

[5] 冯缨，滕家佳. 江苏省高技术产业技术创新效率评价[J]. 科学学与科学技术管理，2010（31）：107-112.

[6] 柴华奇，宋德强，刘永振. 中国区域高技术产业技术创新效率测度研究[J]. 情报杂志，2010（8）：105-109.

[7] 杨青峰. 高技术产业地区研发创新效率的决定因素—基于随机前沿模型的实证分析[J]. 管理评论， 2013，25（6）：47-58.

[8] 范允奇，李晓钟. 政府R&D;投入、空间外溢与我国高技术产业技术创新效率[J]. 工业技术经济，2014（5）：101-107.

[9] Battese G E， Corra G S. Estimation of a production frontier model： with application to the pastoral zone of Eastern Australia[J]. Australian Journal of Agricultural and Resource Economics， 1977（3）：169-179.

[10] Moran， P.A.P. Notes on continuous stochatic phenomena[J]. Biometrika，1950（37）：17-23.

[11] LeSage， J.P. Family of graphically weighted regression models in advances in spatial econometrics[M]. Berlin：Springer-Verlag，2004： 241-264.

[12] Brunsdon C， Fotheringham A S， Charlton M E. Geographically weighted regression：A method for exploring spatial nonstationarity[J]. Geographical Analysis，1996（4）：281-298.

[13] Fotheringham A.S.， Brunsdon C， M.E.Charlton. Geographically weighted regression[M]. Chichester： Wiley，2002.

[14] 吴延兵. 中国工业产业创新水平及影响因素—面板数据的实证分析[J]. 产业经济评论，2006（2）：155-171.

[15] 史修松，赵曙东，吴福象. 中国区域创新效率及其空间差异研究[J]. 数量经济技术经济研究，2009（3）：45-55.

[16] 牛泽东，张倩肖. 中国装备制造业的技术创新效率[J]. 数量经济技术经济研究，2012（11）：51-67.

[17] 岳书敬. 长三角地区高技术产业创新效率的经验分析[J]. 南京社会科学，2008（5）：13-18.

Abstract： This paper firstly estimates high technology industry innovation efficiency of China's 30 provinces from 2008 to 2013 using stochastic frontier model based on transcendental logarithmic production function， and then researches the relationship between the enterprise scale， market structure， government investment， the impact of R&D; expenditure structure with the innovation efficiency based on geographical weighted regression model. The results show that： there is positive correlation between high technology industry innovation efficiency among China's 30 provinces； enterprise scale， market structure and R&D; expenditure structure have a positive impact on innovation efficiency， and government investment hinders innovation efficiency of high technology industry； influence on the innovation efficiency of the high technology industry by four factors all have spatial heterogeneity， and keep stable from 2008 to 2013. Finally this paper makes conclusions and puts forward relevant policy suggestions.

Key words： high technology industry； innovation efficiency； spatial heterogeneity； geographical weighted regression model