中國高技術產業創新效率影響因素的空間異質效應

高曉光

摘 要：首先借助超越對數生產函數形式的多產出隨機前沿模型估算出2008年～2013年中國30個省域高技術產業創新效率，繼而基于地理加權回歸模型（GWR）研究了企業規模、市場結構、政府投入及研發支出結構對創新效率的影響。結果表明：中國30個省域高技術產業創新效率存在空間正自相關性；企業規模、市場結構及研發支出結構對創新效率產生正向影響，而政府投入阻礙了高技術產業創新效率；各影響因素對高技術產業創新效率的影響均具有空間異質性特征，且隨著時間的推移穩定存在。最后提出相關政策建議。

關鍵詞：高技術產業；創新效率；空間異質效應；地理加權回歸模型

中圖分類號：F429.9 文獻標識碼：A

當前中國經濟正處于轉型升級的關鍵時期，結構性變革帶來的經濟增速從高速向中高速轉變已經是新常態的內涵。由于勞動力、土地等生產要素成本逐漸提升，即使是中高速的經濟增長也需要形成新的驅動力。由于過去三十多年的改革發展主要依賴基于技術購買的技術創新，中國工業創新水平與發達國家仍存在較大差距。因此，新常態的另一個內涵是中國技術創新需要從中等的技術水平向中高等的技術水平轉型，這就需要重點發展集中體現高層次前沿技術的高技術產業創新能力。雖然創新投入是提升高技術產業創新能力的必要條件，但創新效率對高技術產業創新能力的影響更加值得關注，尤其在處于技術后發劣勢階段且缺少研發高端人才和資金的中國。

創新效率存在較強的現實普遍性，因而一直是學術界討論的熱點問題。在估計創新效率使用的方法上，已有文獻存在較大差別，分別采用了以數據包絡分析模型為代表的非參數前沿分析法[1]及以隨機前沿模型為代表的參數分析法[2]。但這些方法或多或少存在不足之處：數據包絡分析模型既不考慮測量誤差也不進行模型診斷，往往導致結論存在偏誤，而隨機前沿模型雖然有效避免了數據包絡分析模型的不足，但由于以往文獻采用的隨機前沿模型僅能考慮一個產出，與數據包絡分析模型相比又存在難以捕捉全部數據特征的問題。Coelli等采用基于超越對數的產出距離函數對傳統隨機前沿模型進行了修改[3]，基本解決了現有創新效率估計方法存在的不足，模型具體介紹見下文。在研究的視角上，已有研究高技術產業創新效率的文獻僅僅停留在企業或產業層面，如Lee等的研究發現研發支出與企業長期績效存在顯著的正相關[4]，馮纓等從橫向和縱向兩個角度分析了江蘇省5大高技術行業的創新效率[5]。即使考慮到區域因素，現有文獻也未對區域之間的關聯性進行進一步討論[6-8]，遑論對高技術產業創新效率影響因素的區域異質性進行研究。

基于此，本文首先借助于多產出隨機前沿模型估計中國30個省域高技術產業創新效率，利用Morans I驗證高技術產業創新效率存在省域空間自相關性后，采用空間變系數模型中的地理加權回歸模型（GWR）從局域視角出發對其影響因素的空間異質效應進行研究，以期對中國各省域加強高技術產業創新能力提供切實可行的政策建議。

1 研究方法、指標與數據

1.1 研究方法

1.1.1多產出隨機前沿模型

Battese等提出的單階段隨機前沿模型可以區分確定性前沿產出和隨機性前沿產出，且可以通過構造方差參數進行模型診斷，但是該模型僅能考慮一種產出，難以捕捉數據的全部特征[9]。本文借鑒Coelli[3]等的做法，改進后的模型能夠處理多產出情況，一個M投入和N產出的超越對數產出距離函數具體形式如下：

式中，yit*=yit/yNit，表示yit*是使用yNit標準后的產出向量，？琢、？茁、？籽是一組待估計參數，vit是一般意義上的隨機誤差項，服從i.i.d.N（O，？滓v2），uit是非負的技術無效率項，表示相對前沿的技術效率水平，服從截尾正態分布N+（？滋，？滓u2）。似然函數中構造方差參數？酌=？滓u2/？滓u2+？滓v2。采用極大似然估計（ML）和齊次性條件估計參數，其中齊次性條件如下：

本來采用Morans I[10]檢驗高技術產業創新效率在中國省域間是否存在空間自相關性，具體計算公式如下：

式中，N表示地區單元數量，wij表示空間權重，xi、xj分別表示地區i和j的屬性值，是屬性的平均值。Morans I的取值范圍是[-1，1]，可以計算Z統計量來判斷Morans I值的顯著性，計算公式如下：

1.1.3 GWR模型

傳統計量模型假設空間事物無關聯且均質分布，因而傳統的最小二乘方法（OLS）只是對參數進行平均或全域的估計，并未能夠反映參數的空間非平穩性特征。地理加權回歸模型（GWR）對普通線性回歸模型進行了拓展，采用了空間變系數的回歸估計技術，可以有效解決系數空間非穩定特征難以捕捉的問題[11]，具體形式如下：

式中，（ui，vi）是地區i的地理經緯度坐標，yi和xi1，xi2，...，xik分別是因變量y和解釋變量x1，x2，...，xk在位置（ui，vi）處的觀測值，？著i是隨機誤差項，服從正態分布，系數？茁j（ui，vi）是關于空間位置的k個未知函數，一般借助于加權最小二乘法對系數進行估計：

式中，W是n×n階的空間權重矩陣，反映了地理位置對參數估計的影響，因此選擇合適的空間權重構造方法至關重要，常用的方法是高斯函數[12]：

式中，b是距離帶寬，dij是地區i與j之間的地理距離，當dij？燮b時，權重為高斯權值函數計算值，當dij？叟b時，權重為0。本文利用ArcGIS10.0中的GWR工具選擇最優帶寬，標準是使得GWR模型的AIC值最小[13]。需要說明的是，AIC是一個相對量綱，對有著相同自變量的不同模型而言，當模型間AIC值差異小于4時，模型的擬合性能接近，當模型間AIC值差異大于10時，AIC值較小的模型擬合效果更好。

1.2 投入產出指標和影響因素

在利用多產出隨機前沿模型計算高技術產業創新效率時本文選擇擁有發明專利數（IPA）和新產品銷售收入（NPV）來表征創新產出，其中IPA反映技術發明水平，NPV則反映技術發明成果的轉化應用能力。采用永續盤存法將各地區高技術產業R&D;經費內部支出（RDI）核算成R&D;資本存量（RD），以表征地區高技術產業創新資本投入，具體方法參考吳延兵的研究[14]。勞動投入則利用R&D;人員全時當量（RDP）表征。為了剔除通貨膨脹率和自然增長率的干擾，本文分別采用研發價格指數和工業品出廠價格指數對R&D;經費支出和新產品銷售收入進行平減，其中研發價格指數（RPI）=0.75×工業品出廠價格指數（PPI）+0.25×居民消費價格指數（CPI）。由于創新投入與產出之間存在時滯，參考史修松等[15]的做法，選取1年為滯后期，即用第t-1年的RD和RDP數據作為第t年創新產出IPA和NPV的投入。此外，本文選擇IPA作為yNit對NPV進行標準化處理。

通過估計多產出隨機前沿模型中參數從而計算得出高技術產業創新效率值，即確定了GWR模型中的因變量，除此之外，還需要選擇創新效率的影響因素作為解釋變量代入到GWR模型中。根據牛澤東等[16]的研究，本文選擇如下影響因素：①企業規模（FS）。利用地區高技術產業的主營業務收入除以企業個數得出地區平均企業規模。企業規模與創新效率的關系存在兩種截然不同的觀點：部分學者認為大企業能夠緩解創新激勵扭曲問題，從而有助于提高創新效率，而部分學者認為創新機制對創新效率會產生顯著影響，小企業往往擁有靈活的創新機制，有助于降低交易成本。②市場結構（MS）。衡量市場結構的常見指標有赫芬達爾指數，但由于計算赫芬達爾指數的數據獲取困難，本文借鑒岳書敬[17]的方法，采用地區高技術產業的企業數量對數值來衡量其市場結構，企業數量越多，預示著市場競爭也越激烈，由此產生的競爭效應有助于提升創新效率。③政府投入（GII）。采用高技術產業R&D;經費內部支出中政府資金占比來衡量政府在高技術產業技術創新發展中的投入力度。政府投入一方面降低了企業從事研發的成本和風險，能夠避免創新激勵扭曲，從而對提升創新效率有正向影響；另一方面，政府投入也會對企業進行R&D;投資產生擠出效應，降低企業創新效率。④研發支出結構（RES）。采用高技術產業技術引進經費支出與消化吸收經費支出的比值作為研發支出結構的表征指標。技術引進可以迅速提升地區的技術前沿水平，但如果相應的消化吸收能力提升滯后，就會使得創新效率降低。

1.3 數據來源

本文以中國30個省（直轄市、自治區）為研究對象，由于西藏、香港、澳門和臺灣的數據缺失，暫不予納入研究。各省域經緯度坐標用省會城市經緯度坐標代替，從Google Earth中獲取。樣本期間為2008年～2013年（其中創新投入數據是2007年～2012年的數據，創新產出和影響因素數據是2008年～2013年的數據）。所有數據均來自于2008年～2014年《中國科技統計年鑒》、《中國統計年鑒》和《中國高技術產業統計年鑒》，部分缺失數據均采用線性插值法補齊。高技術產業主營業務收入同樣采用以2008年為基期的工業品出廠價格指數進行平減處理。表1給出了所有變量的描述性統計，其中創新投入和產出數據均取對數值以避免異方差干擾。從表1中可以看出，除了政府投入和研發支出結構外，其余變量的變異系數均小于1，說明這些變量在樣本期間基本平穩，未出現異常性波動。

2 實證分析

2.1 創新效率值估計

借助Frontier 4.1軟件對式（1）中的參數進行極大似然（ML）估計，再根據齊次性條件計算得到其余參數，得到2008年～2013年中國30個省域高技術產業創新效率值，如表2所示。隨機前沿模型？酌等于0.755，且通過了1%水平下的顯著性檢驗，說明隨機前沿模型在總體上是估計有效的。同時也說明中國高技術產業中普遍存在技術創新無效率，創新效率影響因素問題的研究具有現實意義。

2.2 空間相關性估計

使用GWR模型的前提是樣本數據存在空間自相關性，如果存在空間自相關性，則傳統OLS模型估計有偏，應選擇GWR模型，否則選擇OLS模型更為合適。利用MoranI對2008年～2013年中國30個省域高技術產業創新效率值進行空間自相關性分析，結果顯示中國30個省域高技術產業創新效率Morans I在[0.1，0.3]區間變化，并且均至少在10%水平下顯著。可見，使用GWR模型進行建模較之傳統OLS模型更加合適。

2.3 影響因素分析

基于ArcGIS10.0中的GWR工具研究2008年～2013年企業規模、市場結構、政府投入及研發支出結構四個因素對高技術產業創新效率的空間異質性影響，為反映整個樣本期間各變量對高技術產業創新效率的總體影響，將各年系數求平均值（t檢驗顯示各年系數均至少通過了10%水平下的顯著性檢驗），結果如表3所示。為便于分析區域之間的差異性，本文按照通常的區域規劃習慣，將北京、天津、河北、遼寧、上海、江蘇、浙江、福建、山東、廣東、海南等11個省（市）作為東部地區，山西、內蒙古、吉林、黑龍江、安徽、江西、河南、湖北、湖南等9個省作為中部地區，廣西、重慶、四川、貴州、云南、陜西、甘肅、青海、寧夏、新疆等10個省（市）作為西部地區進行考察。

從表3可以看出GWR模型估計系數呈現空間非一致性特征，具體而言，企業規模對高技術產業創新效率存在顯著的正向影響，且這種影響存在空間異質性，其中西部地區的企業規模估計系數（平均達到0.095）小于東、中部地區（分別達到0.100和0.101），改革開放以來，西部地區受到沿海開放政策等因素的制約逐漸成為經濟后發地區，本地高技術企業在追逐東、中部先發地區時可能難以形成合理規模，且忽視了技術發展中創新效率提升的內涵，這種模式一旦制度化很可能會給西部地區高技術產業發展帶來固化的后發劣勢。東、中部地區企業規模估計系數保持較高水平原因如下：一是2008年全球金融危機以后也正是中國改革開放前沿陣地——東部地區進行大規模“騰籠換鳥”式產業結構調整階段，高技術產業尤其注重企業規模發展與內涵發展并進；二是中部崛起戰略實施效果逐漸體現，中部地區很好地接收了東部地區的產業和技術轉移，并且在高技術產業發展中異軍突起，如鄭州發展的航空港經濟綜合實驗區正日漸成航空樞紐。

市場結構對各省域高技術產業創新效率存在正向影響，且這種正向影響也存在空間異質性特征。市場結構反映市場競爭激烈程度，說明競爭性的高技術產業市場能夠一定程度避免創新要素資源錯配等原因導致的效率低下問題。東、中部地區市場結構的估計系數（平均均達到0.100）大于西部地區市場結構的估計系數（平均達到0.091），可見與西部地區相比，東、中部地區的高技術產業創新市場機制更加成熟，增加高技術產業中企業數量會顯著帶來資源的優化利用，而西部地區受制于壟斷勢力，競爭性格局形成初期往往會伴隨破壞性陣痛期，進而導致競爭性市場結構對創新效率的促進作用一定程度上被削弱。

政府投入顯著阻礙了高技術產業創新效率提升，并且這種負向影響也存在空間異質性特征，這佐證了十八大關于“使市場起決定性作用和更好發揮政府作用”決策的正確性，在創新市場中，市場起到資源配置的主導作用，而政府應該從主導角色向服務角色轉變。但是由于政府投入對高技術產業創新效率的負向影響在東、中部地區明顯大于西部地區，因而市場與政府功能的替換在空間上應該是漸進性實施的：在東、中部地區加快實現市場與政府在創新市場中的功能轉換，在西部地區則推動政府主導地位在創新市場的逐漸淡化，在新增的高技術產業創新市場中不斷增強市場起資源配置的決定性地位。

研發支出結構對高技術產業創新效率同樣有顯著的正向影響，雖然這種影響也存在空間異質性特征，但差異并不大。研發支出結構越高，表明相對于吸收消化技術經費，技術引進經費占比更大，這表明當前傾向于技術引進的經費結構仍然能夠推動高技術產業創新效率提升，但是從估計系數來看，研發支出結構的估計系數明顯小于企業規模和市場結構的估計系數，說明傾向于技術引進的經費結構拉動創新效率提升的空間已經不大，重引進而輕吸收的技術創新模式實則難以為繼。東、中及西部地區研發支出結構估計系數基本相同，可見目前的研發支出結構已經基本不適用于中國的局域地區，改善研發支出結構帶來的創新效率提升潛力在各省域均存在。

為了進一步分析各影響因素對中國高技術產業創新效率的空間異質影響隨時間推移變化的特征，本文借助于ArcMap將各影響因素估計系數進行可視化處理，由于并非每一年都較之上年出現明顯變化，故本文給出樣本首末期兩年的地圖以增強對比性，如圖1所示。

圖1根據自然分裂點（Jenks）將企業規模估計系數分成四個等級：低，中低，中高及高水平。從企業規模估計系數絕對值來看，隨著時間的推移，中國30個省域企業規模對高技術產業創新效率的影響程度均有所降低，究其原因可能是因為隨著高技術企業規模不斷優化，企業規模對高技術產業創新效率的邊際作用呈現遞減趨勢。從企業規模估計系數相對值來看，隨著時間的推移，企業規模對高技術產業創新效率的影響穩健地存在自北向南遞減的空間異質性特征，只是這種特征發生了變化：2008年，企業規模估計系數低值在西部地區，高值在東北三省、內蒙古、河北等地，而其余地區的企業規模估計系數均處于中低、中高水平；2013年，原本的低值區新疆成為企業規模估計系數高值區，而南部地區多省從原來的中高值區變為中低值或低值區。這說明隨著中部地區崛起戰略和東部沿海地區產業結構調整戰略的推進，高技術產業規模不斷迫近最優水平，而東北等地區高技術產業規模仍存在較大的提升潛力，需要加快傳統產業改造升級進程。同樣利用自然分裂點對市場結構、政府投入和研發支出結構估計系數進行可視化處理，發現市場結構估計系數呈現自東向西遞減的趨勢，隨著時間的推移，這種趨勢并未出現顯著變化，但中、西部多個省份由低值區轉變為中高值區，如湖北、青海、四川等。這顯示出這些地區的市場結構愈加優化，能夠逐漸釋放提升創新效率的動力和活力。2008年政府投入估計系數呈現自北向南遞減的趨勢，與企業規模估計系數分布基本一致，但至2013年這一空間分布特征幾乎消失，轉變為由西向東逐漸遞減的空間特征，表明政府投入對創新效率的促進作用在西部地區表現得最為顯著，今后政府應進一步加大西部地區的創新投入，激發其增長潛能。2008年研發支出結構估計系數呈現自西向東遞減的趨勢，可能的解釋是東部地區最早承接FDI技術轉移，技術較為發達，因而同樣的經費引進下需要匹配更多的技術消化經費以提高創新效率，但隨著時間的推移，又逐漸轉變為自西向東遞增的趨勢，體現出東部地區創新水平在不斷提升，由于已有技術與引進技術的相似度較高，技術消化對研發效率的阻礙作用得到緩解。

3 結論與討論

本文首先利用超越對數生產函數形式的多產出隨機前沿模型估算出2008年～2013年中國30 個省域高技術產業創新效率，隨后借助于GWR模型研究了各影響因素對高技術產業創新效率的空間異質性影響，相比傳統OLS模型平均意義上的估計結果更加接近現實情況。結果表明：①中國30個省域高技術產業創新效率存在空間正自相關性，忽視數據空間關聯和差異的OLS估計結果存在偏誤；②企業規模、市場結構及研發支出結構均對高技術產業創新效率產生正向影響，且這種影響均具有顯著的空間異質性，表現為東西方向或南北方向變化的特征，其中研發支出結構估計系數明顯小于企業規模和市場結構的估計系數，且空間異質性特征也相對較弱。政府投入對高技術產業創新效率具有顯著的負向影響，且這種影響同樣表現出典型的空間異質特征；③隨著時間的推移，各影響因素對高技術產業創新效率影響程度的空間異質特征一直存在，只是具體特征發生細微變化，以企業規模估計系數為例，呈現低值區向南方蔓延的趨勢。

綜上所述，應當避免一刀切的高技術產業創新發展政策，需要根據地區已有的發展基礎、資源稟賦及歷史因素等制定符合地區發展要求和目標的高技術產業創新發展政策。第一，西部地區需要改善高技術產業企業規模，強調創新效率提升基礎上的規模擴大，避免掉入后發陷阱，東、中部地區則要繼續擴大高技術產業規模，支持行業內并購聯合的企業行為，尤其東北三省、河北等地亟須加快傳統產業升級改造，不斷規模化高技術產業。第二，促進形成競爭性高技術產業創新市場，尤其著力破除西部地區有礙于高技術產業市場一體化的壟斷勢力，繼續完善東、中部地區高技術產業創新市場體制機制。第三，東、中部地區加快調整政府在高技術產業創新市場中從資源配置主導地位向服務角色轉變，而西部地區仍然需要強調政府對創新要素的重要配置作用，輔以市場引導資源配置。第四，東、中及西部地區均需調整“重引進輕吸收”的研發支出結構，逐漸提升已有技術應用轉化能力。

參考文獻：

[1] 白俊紅，江可申，李婧. 中國地區研發創新的技術效率與技術進步[J]. 科研管理，2010（6）：7-18.

[2] 張宗，周勇，錢燦，等. 基于SFA 模型的我國區域技術創新效率的實證研究[J]. 軟科學，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] 馮纓，滕家佳. 江蘇省高技術產業技術創新效率評價[J]. 科學學與科學技術管理，2010（31）：107-112.

[6] 柴華奇，宋德強，劉永振. 中國區域高技術產業技術創新效率測度研究[J]. 情報雜志，2010（8）：105-109.

[7] 楊青峰. 高技術產業地區研發創新效率的決定因素—基于隨機前沿模型的實證分析[J]. 管理評論， 2013，25（6）：47-58.

[8] 范允奇，李曉鐘. 政府R&D;投入、空間外溢與我國高技術產業技術創新效率[J]. 工業技術經濟，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] 吳延兵. 中國工業產業創新水平及影響因素—面板數據的實證分析[J]. 產業經濟評論，2006（2）：155-171.

[15] 史修松，趙曙東，吳福象. 中國區域創新效率及其空間差異研究[J]. 數量經濟技術經濟研究，2009（3）：45-55.

[16] 牛澤東，張倩肖. 中國裝備制造業的技術創新效率[J]. 數量經濟技術經濟研究，2012（11）：51-67.

[17] 岳書敬. 長三角地區高技術產業創新效率的經驗分析[J]. 南京社會科學，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