摘 要：利用三阶段DEA模型，剔除环境因素和随机误差的影响，测算2011—2018年中国28个省际区域的高技术产业创新效率，并基于Tobit模型探究地区数字经济发展水平对本地区高技术产业创新效率的影响。研究结果表明，数字经济发展水平对高技术产业创新效率有着显著的正向影响。因此，应加强数字基础设施建设，进一步提高我国高技术产业创新效率，推进创新强国战略实施。
关键词：数字经济;高技术产业;DEA-Tobit模型
在国际经济环境日益复杂严峻的背景下，数字经 济作为一种新型的经济形态持续保持高速增长，在国 民经济中的地位不断上升，成为了驱动我国经济增长 的核心、关键力量。高技术产业作 为一种知识技术密集、高附加值、创新型产业，是国家 衡量综合实力的重要指标，也是我国推动科技创新、产 业结构升级的核心力量。与此同时，数字技术的普及为 高技术产业的发展提供了机遇。基于此，在数字经济的 新形势下，研究中国高技术产业能否借此提升创新效 率具有很强的理论和现实意义。
一、文献综述
随着社会进入数字经济时代，人类的生产和生活方 式都发生了巨大的变革，学者们纷纷开始关注和研究其 发展现状和影响。郭家堂、骆品亮(2016)认为，互联网 技术使信息广泛快速传播，通过提升经济个体的信息资 源积累，促进了经济社会的技术进步。Basu 和 Fernald 发现，数字经济改变了传统的商业模式，减少了信息 不完全的问题，使资源配置流向升级。荆文君和孙宝文 (2019)认为，互联网的外部效应形成的规模经济，提高 了资源配置效率，优化了生产要素投入，进而推动了经 济增长。Clarke 等(2015)认为，互联网的使用频率对发 展中国家的中小企业的生产率有着显著的积极影响。 通过梳理文献发现，学者们对数字经济对经济 活动中的创新的影响也进行了研究。韩先锋和惠宁等 (2014)利用工业部门行业面板数据，实证分析信息化 与技术创新效率的传导机制，认为信息技术的溢出效应 促进了技术创新效率的提升。杨德明和刘泳文(2017)认 为，互联网通过汇聚的创新资源，可以使创新个体借 助平台更好进行交流，低边际成本也会促进企业增加研 发投入，提高企业整体的创新能力。王金杰和郭树龙 (2018)认为，互联网不仅能使创新资源聚集，还会使企 业在互联网开放式思维的引导下，将内部能力与外部信 息资源整合起来，从而提高企业的协同创新能力。在数 字化的环境下，企业可能比消费者更了解对产品的需 求。陈剑和黄朔等(2020)认为，大数据的出现提高了企 业对消费者的需求预测能力，数字化技术也能使企业设 计出更符合消费需求的产品，而这些都将带来企业在运 营管理上的创新。张骁和吴琴等(2018)通过构建跨界颠 覆的理论模型，分析在互联网时代下组织利用跨界开展 新业务，颠覆原有价值创造模式的演化逻辑。数字化同 样能激发企业利用数据进行创新的动力。林琳和陈万明 (2018)发现，在互联网的背景下，企业与用户之间的互 动性加强，通过反复试错，迅速得到用户反馈信息，有 利于企业不断适应外部环境，规避创新创业带来的风 险。王可和李连燕(2018)从制造业视角出发，发现信息 的流动与共享会促进企业的创新行为和供应链的协同 效应，同时互联网也简化了企业的销售和营销流程。 综上所述，国内外学者对于数字经济以及其对创 新的影响从不同的角度进行了研究，但从高技术产业 的视角出发，研究数字经济对于不同地区高技术产业 创新效率的影响还较为鲜见。因此，本文以高技术产业 为研究对象，利用三阶段 DEA 与 Tobit 模型相结合的方 法，实证检验了数字经济对各地区的高技术产业创新效率的影响。
二、高技术产业创新效率测评
(一)研究方法
三阶段 DEA 模型将决策单元都调整到相同的外 部环境，剔除环境因素和随机因素对效率值的影响，与 经典 DEA 模型相比，得到的效率值更能客观、准确地 反映各决策单元的真实情况。本文利用该方法测度各 地区高技术产业创新效率，具体的研究步骤不再过多 赘述。
(二)变量选取与数据说明
本文参考国内外学者的相关研究，选择的投入变 量为研发活动人员折合全时当量、研发经费存量。产出 变量为新产品的销售收入、专利申请数。环境变量是指 对效率会产生影响，但不受样本主观控制，且短时间内 不会发生改变的变量。本文选取的环境变量包括：(1)经 济发展水平。选取人均 GDP 作为衡量地方经济发展水 平的指标。(2)财政支出。选取各地区科学技术支出占财 政支出的比例来衡量各地区政府对科研活动的支持力 度。(3)研发环境。选取各地区的高技术产业研发机构 数来衡量。(4)开放程度。选择地区进出口总额占地方 GDP 的比例来衡量。考虑数据的完整性和可得性，本文 选取 2011—2018 年 28 个省、市、区为样本(西藏、新疆、 青海等省份由于数据缺失较多，予以舍弃)，数据来于 《中国高技术产业统计年鉴》《中国统计年鉴》和各省市 统计年鉴。对个别缺失数据采用线性插值法补全。由于 产品从研发到投入使用需要一定的周期，故设置创新投 入产出的滞后期为一年。同时，为了消除价格因素的影 响，以 2011 年为基期对相关数据进行平减处理。
(三)实证结果分析
运用 DEAP2.1 软件对 28 个省、市、区高技术产业 创新效率进行测算，然后将得到的人力投入松弛变量、 经费投入松弛变量分别作为被解释变量，以经济发展水 平、财政支出、研发环境和开放程度为解释变量，建立 SFA 回归模型，运用 Frontier4.1 软件计算得到调整后的 投入变量。利用调整后的投入变量和初始的产出变量计 算各地区的高技术产业创新效率值。表 1 为 SFA 模型 的回归结果。从表 1 中可以看出，模型的单边似然比检 验统计量通过了 1%检验，拒绝原假设，表明运用 SFA 模型进行回归是有必要的。此外，研发人员投入松弛变 量和经费投入松弛变量所对应的和值均通过了 1%显 著性检验，表明与随机误差项相比，环境因素对投入松 弛值的影响更为明显。同时可以看出，环境变量的待估 计系数通过了显著性检验，表明环境因素对人力投入松 弛和资本投入松弛具有显著影响，所以利用 SFA 模型消 除环境因素和随机因素的影响是合理的。 第三阶段测算结果与第一阶段测算结果存在明显 的差异。在投入变量调整后，高技术产业综合效率均值 为 0.360，下降了 0.111，降幅达到 23.57%;调整后的纯技 术效率均值为 0.804，上升了 0.028，上升幅度达到 40.56%。 高水平的纯技术效率表明高技术产业的技术利用效率 水平较高，说明近年来国家对技术创新的重视取得了一定的成果。调整后的规模效率均值为 0.430，下降了 0.416，降幅达到 49.17%。与第一阶段测算结果相比，高 技术产业创新效率均值、规模效率均值都有明显下 降，而纯技术效率均值明显提升。这说明规模效率低下 是造成高技术产业创新效率低下的主要原因。此外，各 地区的高技术产业创新效率水平差距较大。
三、数字经济对高技术产业创新效率的影响分析
(一)指标选取及说明
梳理相关文献，本文借鉴赵涛等(2020)的研究思 路，同时考虑到智能物流也是数字经济下的新型产业， 与大数据、人工智能、5G 等数字技术结合得较为紧密， 所以将其也纳入到指标体系中，并采用以下 6 个指标 对地区数字经济发展水平进行测度：每百人互联网用户 数、每百人移动电话用户数、计算机服务和软件从业 人员占比、人均电信业务总量、中国数字普惠金融指数 和快递业务收入。出于对相关变量的降维考虑，将以上 6 个指标的数据进行标准化处理，利用 SPSS 软件进行 主成分分析，得到数字经济综合发展指数。本文选取的 控制变量为：(1)政府支持。采用政府资金投入占 R&D 经费内部支出的比例来衡量政府支持力度。(2)教育水 平。选取普通高等学校在校学生数衡量一个地区的教 育水平。(3)外资支持。选取外商直接投资实际利用额 占地方 GDP 的比例来衡量。(4)金融发展。选取各地区 银行年末存贷款余额占地方 GDP 的比例来衡量金融 发展规模。
(二)实证结果分析
为了进一步探究数字经济发展水平对我国 28 个 省份的高技术产业创新效率的影响，选取适用于被解 释变量受限的 Tobit 模型，以三阶段 DEA 模型测算出 的高技术产业创新效率为被解释变量。以上述影响因 素为解释变量进行回归分析，分析结果如表 2。
数字经济水平与综合效率呈显著正相关，表明数字 经济每提高 1%，高技术产业创新综合效率提高 0.113%。 说明数字经济水平的提高能显著促进高技术产业创新 效率的提升。互联网的发展提高了信息传递的深度和 广度，打破了传统的时空界限;信息透明度的提高降低 了企业搜寻信息的成本，能够精确识别用户的需求，进 一步提高了创新质量。此外，数字经济与实体经济的深 度融合，方便利用数据要素的低成本特性产生规模经 济效应，最终提升产业的创新能力。政府支持力度与综 合效率呈负相关，说明政府的研发经费资金存在投入过 多导致浪费的现象，可能是资源没有得到合理的配置。 教育水平与综合效率呈正相关，说明教育水平的提升能 显著提高高技术产业的创新效率。外商投资与综合效率 呈显著正相关，可能是由于外商投资的技术外溢效应为 企业创新提供了良好的环境。金融发展水平与综合效 率呈显著正相关，说明金融机构贷款对于创新企业发 展的全过程起着强大的支撑作用，创新研发需要大量 的资金，高质量的金融环境可以扩宽企业的融资渠道。
结语
本文研究了 2011—2018 年各地区数字经济发展 水平对高技术产业创新效率的影响。研究结果说明，数 字经济对各地区高技术产业创新效率有显著的正向影 响。因此，地区政府应注重加强数字基础设施建设，根 据实际情况实行不同的数字经济发展战略，利用创新研 发成果推动生产率的提升。
作者：马 琳
