数字经济驱动下中国省域高技术制造业的创新效率评价研究.pdf

第 35 卷 第 4 期2023 年 8 月Vol.35 No.4Aug.2023研究与发展管理R&D MANAGEMENT数字经济驱动下中国省域高技术制造业的创新效率评价研究郭本海，王梓兴，王菲（中国计量大学 经济与管理学院，杭州 310000）摘要：在数字技术与高技术制造业不断深度融合趋势下，数字经济已成为驱动中国高技术制造业创新效率提升的重要动力。通过构建数字经济驱动下中国高技术制造业创新效率评价指标体系，利用Bootstrap-DEA模型对20092019年中国各省域高技术制造业创新效率进行评价，分析了中国高技术制造业技术创新效率区域差异、时空演变及其成因。研究发现，中国高技术制造业技术创新效率整体水平较低，且技术创新效率表现出明显的东、中、西部三大区域间差异。广东、浙江和江苏等东部地区省域的技术创新效率值较高，但面临技术创新效率提升瓶颈；而甘肃、青海和内蒙古等中西部地区省域的技术创新效率值较低，但保持较高技术创新效率增速。在数字经济驱动下，中国高技术制造业创新效率的整体差距以及东、中、西三大地区间的创新效率差距均在逐年缩小。数字资本投入、数字基础设施、数字交易规模和企业数字化水平是高技术制造业创新水平提升的重要驱动因素。结合数字经济与高技术制造业创新融合发展实践，提出了数字经济驱动高技术制造业创新效率提升的具体策略。本文是对数字经济驱动下中国高技术制造业创新效率评价指标体系的有益探索，为开展数字经济背景下中国高技术制造业创新效率问题研究提供了有益借鉴。关键词：数字经济；高技术制造业；技术创新效率；Bootstrap-DEA中图分类号：F222 文献标识码：A0 引言党的二十大报告指出，要加快发展数字经济，促进数字经济和实体经济深度融合，打造具有国际竞争力的数字产业集群。作为实体经济的重中之重及制造业创新发展的前沿阵地，高技术制造业具有高研发投入、高附加值和高创新性等特征，其技术创新效率直接影响中国的制造业转型升级与经济高质量发展。经过改革开放四十多年来的不断发展，中国制造业的产业规模已连续多年位居世界第一，然而中国高技术制造业的创新效率尚未处于全球前列水平。当前，数字经济是中国经济高质量发展、构建现代化产业体系的首要引擎1。数字经济的蓬勃发展及数字技术的日新月异，赋予了高技术制造业的研发设计、生产制造、企业管理以及资源配置等方面新动能，为高技术制造业创新效率提升提供了新机遇2。在数字经济与高技术制造业逐步融合的趋势下，高技术制造业技术创新不再是局限于依靠企业内部研发资源的技术活动，数字资源成为高技术制造业进行技术创新的投入要素。依托数字技术支撑的数字化协同创新打破了资源流动滞后、行业边界与地域范围等限制，区域数字经济环境发展成为影响高技术制造业创新效率的重要因素。目前学界对高技术产业领域的创新效率问题的研究成果颇丰，既有研究在对高技术制造业创新效率进行评价时，考虑了传统的创新环境因素下资金与劳动等传统创新资源投入与产出的技术创新效率，而收稿日期：2022-05-27；修改日期：2023-04-13。基金项目：国家自然科学基金项目“产业关键核心技术自主可控发展的超网络均衡与政策优化研究”（72074200）；浙江省教育厅一般科研项目（专业学位研究生专项）“数字经济对我国制造业出口竞争力的影响研究”（Y202147857），“数字经济驱动下中国高技术制造业创新效率评价研究”（Y202249410）。第一作者：郭本海（1970），男，博士，教授，研究方向为产业技术创新管理、数字经济，。通信作者：王梓兴（1997），男，硕士研究生，研究方向为产业技术创新管理、数字经济，wang_。文章编号：1004-8308（2023）04-0065-15DOI：10.13581/ki.rdm.20220597研究与发展管理第 35 卷在数字经济的时代背景下，数字技术创新与先进制造技术的深度融合，使得传统制造的组织与分工、创新范式与创新生态迎来了颠覆式的变革3。在制造业各领域致力于数字化转型的时代背景下，数字资源已然成为制造业创新发展的重要投入要素，数字经济环境发展水平是高技术制造业创新效率提升不可或缺的环境因素，因而数字经济驱动下中国高技术制造业创新效率问题亟待进一步探究。当前，数字经济驱动成为中国高技术制造业提升创新效率、引领中国制造业破解创新瓶颈的关键所在，而科学合理地评价数字经济驱动下高技术制造业的技术创新效率是重要前提。1 文献综述1.1文献回顾1.1.1数字经济的内涵界定与主要特征数字经济这一概念最早用于描述“信息化”的经济4，随后有关数字经济研究先后经历了信息经济、知识经济与共享经济3个阶段5。早期有关数字经济的研究主要侧重于通信设备制造业、信息技术服务行业、数字内容行业等信息技术产业及其市场化运用6。而随着人工智能、物联网等数字技术的创新和制造业的融合发展，数字经济的内涵逐渐拓展到互联网的普及所导致的“新经济”等领域，泛指在数字信息技术的支撑下产生的新经济现象7。既有研究成果从数字经济的技术应用、价值创造、经济业态等多个角度进行了内涵界定8，认为数字经济是将数字化的信息和知识作为关键生产要素的系列经济活动9，并以此为基础对数字经济的内涵进行丰富和拓展。由于数字经济的核心内容是具有密集创新性的数字技术，并以此为基础衍生出数字化的产业经济形态，使得数字经济具备了较传统产业更强的动态性和创新性10。同时，数字信息与数字知识的边际报酬递增规律使得数字经济具有较快的成长速度，具有强渗透性、强融合性等主要特征11。基于数字经济的概念与内涵，学者们围绕数字经济的衡量形成了多样化的指标体系，但目前学术界对数字经济的内涵与特征尚未形成统一标准，既有研究也尚未对数字经济中的数字要素进行界定和测度，更鲜有学者关注数字要素投入对创新效率的影响。1.1.2数字经济驱动创新发展的作用机理随着数字经济与制造业的深度融合，制造业的创新活动也经历着多方面的变革 12。在产品创新方面，电子商务的蓬勃发展衍生出了庞大的产品数据和商务数据，而数字技术管理平台将需求端的数据要素融入新产品的研发与设计中，催生出个性化制造、网络化协同制造等制造业新模式，数字技术本身具有不断自我创新的特征，能够突破制造业的产业边界并促使产品的更新换代 13。在生产管理方面，数字化智能管理和网络化服务平台等数字手段，有效提升了制造业资源使用效率和全要素生产率 14。在资源配置方面，互联网、大数据等数字技术深度融入了制造企业的资源配置机制中，企业的生产制造能够基于大数据进行准确的生产定制，有效避免了生产资源限制带来的不必要成本 15。在创新合作方面，工业互联网等媒介打破了创新活动的空间和地域限制，制造业借助数字化平台可实现跨越区域的多主体创新，在数字经济驱动下的企业创新活动趋向于数字协同化，使得企业的制造和创新发展更加开放和包容 16。在创新模式与生态方面，数字经济驱动下制造业的创新组织方式朝网络化、协同化和生态化方向演变，数字平台主导的制造业创新生态系统发展为创新模式演化提供了更大的空间 17。在数字经济驱动下，制造业企业的管理与业务模式、核心竞争力与商业创新等方面融合了新一代的数字技术，进而促进产业链、价值链、供应链和创新链等全方位的数字化融合，形成了更加开放的数字创新生态 18。1.1.3技术创新效率的评价与测度在技术创新效率的测度方法方面，既有研究对技术创新效率评价主流方法包括以随机前沿模型（SFA）为代表的参数估计法、以数据包络模型（DEA）为代表的非参数估计法。国内外学者运用多阶段DEA模型开展效率评价，如运用三阶段DEA对中国高新技术开发区进行效率评价19、对印度医药制造业的创新效率进行评价20、对中国高技术制造业技术创新效率进行松弛测度和临界效率测度21等。然而，运用多阶段DEA进行效率测算得到的仍然是相对效率值，而非绝对效率值，同时无法避免统计误差对估计结果的影响22。在高技术制造业技术创新效率测度的指标选取方面，既有文献主要集中在传统资金和劳动投入的效率分析23，而在环境因素的选取上主要集中在知识产66第 4 期郭本海等：数字经济驱动下中国省域高技术制造业的创新效率评价研究权保护与政府行为24，市场结构、企业规模、所有制结构等产业组织结构25，互联网26和信息基础设施建设27等方面。从高技术制造业创新效率的评价结果来看，基于传统要素投入的高技术制造业技术创新效率存在空间依赖、空间聚集等空间效应28，区域间、省域间高新技术产业创新效率及增长率均存在显著差异29-30。1.2文献评述通过对既有文献的梳理发现，目前关于数字经济与制造业创新效率评价的研究成果颇丰，数字经济的内涵仍在不断丰富与拓展，数字经济推动高技术制造业创新发展的理论机制亦在不断补充和完善，而在创新效率的测度与评价方法运用方面也表现出多元化趋势。既有文献仍然存在以下4个方面的研究缺口。数字经济内涵中的数字资源、数字要素以及数字环境因素等未得到识别和界定，既有研究成果侧重于在狭义上将信息通信技术作为数字经济的核心，或在广义上将数字经济视为经济形态，未能根据数字经济的高融合性、高渗透性、高创新性等特征界定创新活动中的数字资源与数字要素。数字经济对高技术制造业创新效率的影响未得到足够的重视，现有文献主要侧重于数字经济对制造业的产品创新、生产管理、资源配置、创新合作、创新模式以及创新生态等方面的影响，而数字经济对高技术制造业创新效率的影响亟待深入探讨。数字经济背景下高技术制造业创新效率评价指标体系不够完备，目前对于高技术制造业创新效率的测度与评价，主要集中在对传统创新资源投入与产出的效率分析，鲜有研究将数字经济相关指标纳入高技术制造业创新效率评价体系，缺少数字经济与制造业融合发展新背景下对高技术制造业创新效率的合理评估。中国省域高技术制造业创新效率区域差异的原因未得到深入的剖析，已有文献主要侧重于创新效率的测度方法改进与测度结果呈现，而忽略了高技术制造业创新效率区域差异背后的原因。因此，本文在借鉴现有关于技术创新效率评价方法文献的基础上，通过选取高技术制造业相关的数字经济投入指标和环境指标，构建数字经济背景下高技术制造业的创新效率评价指标体系，并深入中国高技术制造业创新效率区域差异、时空演变及其原因，探寻数字经济驱动下高技术制造业提升技术创新效率的具体策略，为后续开展数字经济驱动下中国高技术制造业创新效率评价研究提供理论参考和有益借鉴。2 构建评价方法与指标体系2.1创新效率评价方法的选择既有研究中对创新效率评价的方法主要有随机前沿模型（SFA）与数据包络模型（DEA），相关学者在此基础上不断进行改进和拓展。其中，随机前沿模型是通过对生产函数估计得到生产单元的技术效率，此方法能够考虑随机冲击的影响以及将环境因素纳入模型31。SFA较之DEA的劣势在于面临模型误设风险，对评价指标体系要求较高32。为了发挥参数估计和非参数估计两种方法的优势，三阶段DEA模型解决了环境因素和随机误差对创新效率的影响，而四阶段DEA则进一步消除外部环境的干扰33。为了弥补多阶段DEA模型的不足，本文在三阶段DEA模型的基础上采用基于Bootstrap的四阶段DEA进行创新效率的计算，主要步骤如下。利用传统DEA模型分析初始效率，考虑现实中的区域经济发展水平差异，中国各省域的高技术制造业尚未处于最优生产规模，本文在测度中国省域高技术制造业创新效率时选择BCC-DEA模型34。将第一阶段得到的投入松弛值视为因变量，以环境变量、混合误差项为自变量构造SFA回归函数，借助SFA回归剔除管理无效率、环境因素和统计噪声对技术创新效率的影响35。根据外部环境因素调整投入变量，将调整后的投入数值和初始产出数值重新代入DEA模型，得到新的创新效率值，该创新效率值表示决策单元处于最不利的环境条件下所能实现的效率水平。基于Bootstrap对DEA结果进行修正，本文使用MAX-DEA专业版软件进行Bootstrap-DEA的测算，置信区间取a=0.05，Bootstrap重复抽样次数设置为2 000次。2.2高技术制造业创新过程对比分析在数字经济的融合与渗透下，数字技术融合改变了高技术制造业技术研发、产品开发、生产制造以及产品销售和企业经营等环节，图1为传统投入产出与数字经济驱动下高技术制造业创新过程的对比。通67研究与发展管理第 35 卷过对既有文献回顾发现，已有研究在对衡量测度高技术制造业创新效率时，主要分析的是传统创新环境作用下资本与劳动等创新资源投入与产出的创新效率。在创新投入方面，现有文献侧重于高技术产业的固定资本投入、对新产品的开发经费投入以及对现有技术的改造费用对创新效率的影响；在创新产出方面，主要集中在将高技术产品的国内销售收入与国际市场出口额、以及由此带来的经营利润作为创新产出的指标；在创新环境因素的分析方面，既有文献主要分析了政府支持、产业规模与人均收入等传统环境变量对投入变量的影响。数字经济与高技术制造业深度融合，促使高技术制造业创新过程发生了本质上的变革，具体表现为以下特点。在高技术制造业技术研发阶段，数字资本投入已成为技术研发阶段关键投入要素；基于互联网平台的数字化协同创新打破了高技术制造企业创新活动的内部限制，高技术产品创新开发融入了需求端的大数据反馈，数字化和智能化制造促进了生产制造环节成本节约和效率提升。在经济成果转化阶段，电子商务迅猛发展为高技术制造业产品销售发掘国内市场潜力、开拓国际市场空间提供了必要手段，数字化的企业管理模式有助于降低运营成本从而提升经营利润。在技术创新环境方面，高技术制造企业的创新环境不仅包括政府支出、产业规模和人均收入水平，还包括了数字基础设施、数字交易规模、图1传统投入产出与数字经济驱动下高技术制造业创新过程Fig.1High-tech manufacturing innovation process driven by traditional input-output and digital economy68第 4 期郭本海等：数字经济驱动下中国省域高技术制造业的创新效率评价研究企业数字化水平等数字环境因素。在数字经济的驱动下，高技术制造业的专利成果与技术改造基于数字基础设施趋于数字协同，数字交易大数据为产品开发提供了需求端的关键数据，而企业数字化转型催生了数字智能等生产制造模式，由此引起了高技术制造业创新效率的整体提升。2.3数字经济驱动下高技术制造业创新效率评价指标2.3.1产出指标现有研究中对于技术创新产出的衡量指标主要包括科技产出和经济产出。一方面，科技产出是高技术制造业技术创新活动的直接成果，其衡量指标主要是专利数量，包括专利的申请数量、授权数量和有效发明数量3个层面。由于专利申请到专利授权存在一段时间距离，而专利的有效发明数量是在其得到授权后且处于有效期内的存量，若考虑创新产出的时滞效应，则选择专利授权数量作为产出衡量指标，若产出指标和投入指标采用相同一期的数据，则使用专利申请量更合理34。本文采用了同一个报告期的创新投入和产出数据进行技术创新效率测算，因此选取该报告期的专利申请数量作为科技产出衡量指标更为准确。另一方面，经济产出反映的是高技术制造业创新活动的最终产出能力，本文选取了高技术制造业的利润额、新产品销售额、出口贸易额作为经济产出的衡量指标。其中，利润额反映了高技术制造业的整体经济效益；新产品销售额能够反映新产品的市场响应度，能够从商业上直观地体现技术创新成果的价值22；出口贸易额则体现高技术制造业创新产出的海外市场响应度，反映了中国高技术制造产品的国际竞争力36。2.3.2投入指标国内外大部分研究在构建创新效率评价体系时主要以研究与试验发展（R&D）相关投入作为投入衡量指标37。在对比分析数字经济驱动下高技术制造业创新过程的基础上，本文将创新效率的投入指标区分为数字投入指标和非数字投入指标。一方面，本文的非数字投入指标有R&D机构数量、R&D人员全时当量、R&D经费内部支出、技术改造经费支出和新产品开发经费支出。首先，由于R&D机构设置需要企业、高校、科研院所等科研单位及其附属设施的办公场所用地，与之相联系的上级投入要素为科研用地投入，R&D机构数量反映了科研用地投入，因此本文将R&D机构数量视为土地投入。其次，在进行高技术制造业的R&D项目研究时，参与的人员包括全时人员和非全时人员，其中非全时人员可按照工作量折算为全时人员，由此得到的全时人员数的总和为投入该项创新活动的劳动力规模，因此可将其作为技术创新的劳动投入。最后，高技术制造业在开展内部的研究与试验发展活动时需要相应的内部经费支出，在对设备进行升级换代、对原有技术或生产工艺改进时也需要相应的技术改造费用支出，在对新技术产品的功能开发或性能扩大时需要相应的新产品开发经费，与既有研究成果不同的是，本文将R&D经费内部支出、技术改造经费支出和新产品开发经费支出均视为非数字资本投入。另一方面，在数字投入的衡量方面，由于数字经济的核心内容为以信息技术为基础的数字技术，高技术制造业的创新活动中的数字技术主要依赖于ICT生产投入，因此，借鉴MASSIMO等38对数字资本的测算方法，将ICT生产性资本作为高技术制造业数字资本投入指标。2.3.3环境指标高技术制造业的创新效率不仅取决于创新活动内部各项投入，还受所处区域的经济环境因素影响。目前的研究对技术创新环境变量的选取主要考虑宏观经济环境、产业规模以及政府支持等因素，尚未有学者将数字经济相关的环境因素纳入评价体系中。本文借鉴了OECD在2015年发布的 衡量数字经济，选取互联网普及率作为数字基础设施的衡量指标，以电子商务销售额作为数字交易规模衡量指标，以每百家企业拥有的网站数量作为企业数字化水平衡量指标。同时，选取人均GDP作为宏观经济水平衡量指标、高技术制造业企业数量作为产业规模衡量指标、R&D经费支出中的政府资金作为政府支持的衡量指标。本文构建的数字经济驱动下高技术制造业创新效率评价指标体系以及对应的描述性统计结果，具体如表1所示。2.3.4评价指标的“协同性”检验在对中国高技术制造业进行创新效率评价之前，评价指标中的投入指标和产出指标需具备“协同性”。因此，本文对20092019年中国30个省市区的创新投入与产出面板数据进行Pearson相关性检验，结果如表2所示。由表2中的相关性检验结果可知，本文选取的高技术制造69研究与发展管理第 35 卷业技术创新投入指标与产出指标在1%的显著性水平下均呈现正相关关系，即满足DEA模型中投入产出的“协同性”原则。在评价指标体系满足协同性原则的基础上，可进一步对数字经济驱动下各省域的高技术制造业创新效率进行评价。3 实证分析 在评价指标体系满足协同性原则的基础上，本文运用Bootstrap-DEA模型对各省域的高技术制造业创新效率进行评价，并进一步分析数字经济驱动下高技术制造业创新效率的区域差异、时空演变及其原因。基于SFA模型分析环境变量对投入变量的影响，探究数字环境因素对创新投入变量的作用，并借助泰尔指数和收敛检验深入分析技术创新效率区域差异与原因，为探索数字经济驱动下高技术制造业创新效率提升对策提供事实依据。3.1高技术制造业创新效率测算结果Bootstrap-DEA模型考虑了生产前沿面的非效率因素，通过Bootstrap方法纠正偏误，技术创新效率由表1高技术制造业创新效率评价指标体系与描述性统计结果Tab.1Evaluation index system and descriptive statistical results of innovation efficiency of high-tech manufacturing industry一级指标创新投入创新产出环境变量二级指标数字资本非数字资本劳动土地技术研发成果企业经济效益新产品的市场响应度国际市场响应度数字基础设施数字交易规模企业数字化宏观经济水平产业规模政府支持符号X1X2X3X4X5X6Y1Y2Y3Y4E1E2E3E4E5E6ICT生产性资本/亿元R&D经费内部支出/百万元技术改造经费支出/百万元新产品开发经费支出/百万元R&D人员折合全时当量/人年有R&D活动的企业个数/个专利申请量/个利润/亿元新产品销售额/亿元出口贸易额/百万元互联网普及率/百分比电子商务销售额/亿元每百家企业拥有的网站数量/个人均GDP/元高技术制造业企业个数/个R&D经费支出中政府资金/亿元三级指标最大值3 778.666 848.00286 010.0452 508.021 691.00216 525122 9632 200.514 674.47256 431.087.7630 168.274.00164 5639 5421 168.79最小值0.0931.00022.007.180.217.003.002.211.501.002.1324.1815.001 025.8114.003.76均值233.19357.7321 855.1910 560.491 358.089 6825 471122.06403.6920 692.8251.382 926.8952.1146 496.21965107.36标准差483.93820.5741 133.4231 235.052 493.3722 60412 901.13271.44714.7245 883.7215.194 395.2810.3027 635.861 423.47142.159数据来源中国电子信息产业年鉴中国科技统计年鉴中国科技统计年鉴中国科技统计年鉴中国科技统计年鉴中国科技统计年鉴高技术产业统计年鉴高技术产业统计年鉴高技术产业统计年鉴高技术产业统计年鉴信息化和电子商务应用情况信息化和电子商务应用情况信息化和电子商务应用情况地区分省年度数据高技术产业统计年鉴中国科技统计年鉴注：描述性统计结果由STATA 16.0计算所得。表2技术创新投入与产出的Pearson相关系数检验结果Tab.2Test results of Pearson correlation coefficient between input and output of technological innovation技术创新产出指标Y1Y2Y3Y4Pearson检验相关性显著性相关性显著性相关性显著性相关性显著性技术创新投入指标X10.947*0.0000.969*0.0000.963*0.0000.953*0.000X20.900*0.0000.888*0.0000.922*0.0000.905*0.000X30.948*0.0000.946*0.0000.948*0.0000.931*0.000X40.792*0.0000.865*0.0000.772*0.0000.763*0.000X50.780*0.0000.803*0.0000.825*0.0000.790*0.000X60.990*0.0000.975*0.0000.928*0.0000.970*0.000注：*表示在置信度为99%的水平下相关性显著。70第 4 期郭本海等：数字经济驱动下中国省域高技术制造业的创新效率评价研究相对效率转为绝对效率，由此得到了20092019年中国各省域高技术制造业的创新效率实际值。同时，得到了技术创新效率值对应95%置信区间的效率值上下界。表3所示的结果为样本区间起始2009年、中间2014年、末尾2019年3个截面的创新效率实际值，以及对应95%置信区间的效率值上下界。评价结果显示，Bootstrap纠偏后的实际技术创新效率值均位于95%置信区间的效率值上下边界之间，表明估计得到的技术创新效率值在95%的置信水平下是有效估计。与以往研究成果相比，本文测度得到的是经过Bootstrap纠偏后的实际技术创新效率值，部分省域在相同年份对应的创新效率数值偏低，且同一省域在不同年份的创新效率值变化幅度偏小。主要原因在于，本文所构建的创新效率评价指标体系不仅包含了传统投入产出指标，而且包含了数字投入与数字环境因素，通过SFA模型将传统环境因素对创新投入的影响剔除，同时将数字环境因素的影响调整为投入要素的变化，再对四阶段的DEA模型进行Bootstrap纠偏，从而可以得到相比于既有文献更为稳定、准确的测算结果。在数字经济与高技术制造业深度融合的事实背景下，本文所构建的指标体系相对更加具有表3高技术制造业的创新效率实际值及上下边界Tab.3Actual value and the upper and lower boundary of innovation efficiency of high-tech manufacturing industry地区东部地区中部地区西部地区省份北京天津河北辽宁上海江苏浙江福建山东广东海南山西内蒙古吉林黑龙江安徽江西河南湖北湖南广西重庆四川贵州云南陕西甘肃青海宁夏新疆2009年下边界0.5570.5690.5130.2350.6490.6180.8550.4740.4130.5830.1310.3030.2270.3200.2390.5180.3430.4460.3720.5040.0300.6870.2920.2810.1830.3070.0700.1260.1720.143效率值0.8360.8390.5390.3030.8410.8400.9310.5240.5000.9200.2250.3840.3950.3630.3100.5900.3480.5060.4330.5790.4450.4540.3120.3750.3530.3290.1090.1240.2480.162上边界0.9970.9970.5600.6430.9940.9970.9900.5830.6940.9970.5960.8310.6940.6970.3500.6970.4070.5970.6890.6960.5000.6960.4460.5970.5970.3580.2970.2970.4450.2972014年下边界0.5520.5770.5590.3070.7630.5990.8610.4290.4180.5920.2730.3140.3500.3920.3260.4660.4720.1830.3410.6100.0720.6070.2920.0540.0780.2900.2010.2850.1210.125效率值0.8430.8460.5670.4500.8900.8520.9240.4570.4500.9220.2590.4640.4320.3220.3780.5800.4740.4470.5560.6390.3760.4530.4740.3440.3380.3890.2180.1130.2140.169上边界0.9970.9970.5860.5840.9930.9970.9970.5010.6940.9970.5970.8010.7460.6970.4130.6970.5500.5970.5880.6970.6970.6970.6970.5970.5970.5970.2640.2970.4620.2972019年下边界0.8860.9440.6310.3090.7350.8900.9020.6820.4070.8920.2840.1730.3370.3250.3290.5930.4800.4880.2910.6380.0230.8890.4900.4110.3870.3720.1850.2930.3710.235效率值0.9790.9840.6390.5860.8780.9780.9790.6880.4650.9900.3780.6130.6880.4800.3980.6790.4850.5780.5790.6410.4780.5770.5790.4800.4770.4760.2780.2800.3810.279上边界1.0001.0000.6640.7330.9941.0001.0000.7000.6941.0000.6000.6460.7420.7000.4370.7000.5570.6000.7000.6490.7000.7000.7000.6000.6000.5830.3000.3000.4050.300注：本表为高技术制造业技术创新效率值以及对应95%置信区间的效率值上下界的部分结果。71研究与发展管理第 35 卷完备性与参考性。3.2基于SFA模型的回归分析在运用四阶段DEA模型进行创新效率评价时，环境变量主要是通过影响创新投入变量，间接地影响创新效率测算值。因此，本文利用SFA模型分析了数字经济背景下环境变量对投入变量的影响，STATA 16.0计算所得的回归结果如表4所示。数字环境变量中，电子商务销售额和每百家企业拥有的网站数量对ICT生产性资本投入的系数均为正，表明数字交易规模水平和企业数字化水平的提高有利于技术创新投入的提升；互联网普及率估计系数虽为负，但并未通过显著性检验。数字基础设施和企业数字化水平对R&D经费内部支出、技术改造经费支出、R&D人员全时当量存在显著的正向影响。可以认为，数字经济通过对创新投入松弛变量的正向作用促进了中国高技术制造业创新效率提升。此外，人均GDP、高技术制造业企业数量和R&D经费支出中的政府资金回归系数为正，表明地区宏观经济水平、产业规模和政府支持有助于技术创新投入的增加，对中国高技术制造业创新效率提升同样具有促进作用。这也说明，各省域的数字资本投入是高技术制造业创新效率的决定因素之一，而各省域在数字基础设施、数字交易规模、企业数字化数字环境因素方面的差异也是创新效率区域差异的重要原因。3.3基于高技术制造业创新效率的比较分析3.3.1基于高技术制造业创新效率年平均值的比较分析为直观地比较中国各省域高技术制造业创新效率的整体情况，图2（a）汇报了各省域的技术创新效率年平均值及其排名。从各省域的技术创新效率年平均值来看，20092019年全国高技术制造业创新效率平均值为0.504。其中，高于全国技术创新平均值有11个省域地区，占比约为36.7%；而低于全国技术创新平均值有19个省域地区，占比约为63.3%。这表明目前中国绝大部分省域的高技术制造业创新效率仍低于全国平均水平。这是因为中、西部省域不仅获取的传统的资本与人力等要素相对较少，数字资本投入和数字环境也均落后于东部地区，无法依靠创新投入增长的规模效应驱动创新效率提升，而相对落后的数字经济发展水平也制约了中、西部省域高技术制造业的创新发展。相比之下，东部地区的省域具备充足的数字资本等创新资源，同时拥有更加优越的数字环境，包括更加完善的数字基础设施、更庞大的数字交易规模以及更高的企业数字化水平，其高技术制造业的创新效率高于中、西部省域。东、中、西部区域间的“数字鸿沟”是高技术制造业创新效率整体处于较低水平的重要原因。3.3.2基于高技术制造业创新效率年平均增长率的比较分析为分析各省份高技术制造业创新效率的提升是否面临提升瓶颈，图2（b）展示了20092019年各省域的高技术制造业的创新效率增长率。全国的技术创新效率年平均增长率为2.39%，三大地区中西部地区和中部地区的技术创新效率年平均增长率表4SFA模型回归结果Tab.4Regression results of SFA model变量常数项C互联网普及率E1电子商务销售额E2每百家企业拥有的网站数量E3人均GDPE4高技术制造业企业个数E5R&D经费支出中的政府资金E6对数似然函数ICT生产性资本X1-8.699*（0.890）-0.099（0.191）0.465*（0.070）0.558*（0.071）0.364*（0.078）0.338*（0.060）0.451*（0.066）-217.121R&D经费内部支出X2-1.458（1.281）0.539*（0.162）-0.198*（0.107）0.592*（0.056）0.465*（0.077）0.131*（0.052）0.097*（0.054）-155.867技术改造经费支出X33.212*（1.554）0.285*（0.164）0.041（0.137）0.424*（0.086）0.210*（0.086）0.263*（0.051）-0.022（0.054）-161.688新产品开发经费支出X40.681（2.032）0.494（0.328）-0.122（0.159）0.429（0.117）0.485*（0.146）0.403*（0.109）0.053*（0.123）-418.128R&D人员全时当量X50.564（2.918）0.892*（0.349）-0.211（0.281）0.745*（0.157）0.669*（0.179）0.432*（0.116）0.364*（0.123）-418.190R&D企业个数X6-0.269（1.241）0.239（0.170）0.075（0.123）0.389*（0.081）0.443*（0.080）0.456*（0.054）0.087（0.057）-275.890注：*、*、*分别表示在10%、5%、1%的置信水平上通过显著性检验，括号内为标准误差。72第 4 期郭本海等：数字经济驱动下中国省域高技术制造业的创新效率评价研究分别为3.94%和2.78%，均高于全国平均增长率水平；而东部地区省域的技术创新效率年平均增长率仅为1.35%。从各省域的技术创新效率年平均增长率来看，18个省域的技术创新效率年平均增长率高于全国平均水平，占比为60%，其中增长率排名前六分别是甘肃、青海、辽宁、四川、内蒙古和新疆。而在创新效率值排名前六位的广东、浙江、江苏、北京、上海和天津，其年平均增长率均低于全国平均水平，表明此部分地区的技术创新效率面临提升瓶颈。这是由于粗放式的创新资源投入对当前技术创新效率较高的地区所起的驱动作用不明显，对于面临创新效率提升瓶颈的省域而言，数字资本投入和相对优越的数字环境并未完全发挥出对创新效率的驱动作用，而对中西部技术创新效率较低的省域而言，传统的资本、劳动等创新资源投入起了显著的推动作用，力争借助数字经济的蓬勃发展获取充足的创新资源是此部分省域提升效率的前提，而完善数字基础设施、扩大数字交易规模以及提升企业数字化水平等措施是提升创新效率的关键所在。图220092019年各省域高技术制造业创新效率年平均值与年平均增长率Fig.2Annual mean and annual growth rate of high-tech manufacturing innovation efficiency from 2009 to 201973研究与发展管理第 35 卷3.4高技术制造业创新效率的区域差异与时空演变分析3.4.1泰尔指数与收敛性分析为了进一步分析中国高技术制造业创效效率的区域差异特征与演变规律，本文引入泰尔指数与收敛性检验。其中，泰尔指数适宜于测度不同区域经济发展的差异及其来源39，本文以此指标来衡量数字经济驱动下各省域高技术制造业的创新效率差异；收敛反映区域创新效率的不均衡程度是否会随时间推移而趋于降低，若存在收敛，则意味着各地区高技术制造业创新效率差距会随时间推移而逐渐缩小40。本文在20092019年各地区技术创新效率估计结果的基础上计算泰尔指数。T=k=1mi=1nkilnki 1 n（1）其中，泰尔指数T表示各地区高技术制造业创新效率总体差异，ki为k区域内的省域i的技术创新效率值；n为省域总数，本文取n=30；m为区域数，本文取m=3（中、东、西三大地区）；为30个省域的技术创新效率总和。在式（1）的基础上，可将泰尔指数T进一步分解为：代表区域间技术创新效率差异的泰尔指数Tb、代表区域内技术创新效率差异的泰尔指数Tw。Tb=k=1m(k)lnk nk nTw=k=1m()k TkTk=i=1nkkilnki k1 nk （2）其中，k为k区域内各省的技术创新效率值总和，nk为该区域内的省域数量，Tk为该区域内省域差异指数。在此基础上，可以计算出各差异值对总体差异的贡献度。式（3）中CRb和CRw分别表示区域间差异和区域内差异对总体差异的贡献度，CRk(k=1，2，3)分别表示东部、中部、西部地区区域内差异对总体差异的贡献度。CRb=Tb TCRw=Tw TCRk=(k)TkT（3）进一步，本