基于效率-规模-预期视角的我国高技术产业 科技自主创新能力测度

孙波¹, 孙泽阳^2,*

(1. 湖州师范学院 经济管理学院, 湖州 313000
2. 东华大学旭日工商管理学院, 上海 200051)

摘要: 通过将科技自主创新能力指标解析为创新资源投入产出效率、创新资源占有规模、预期创新进步水平, 测度了全国各省高技术产业的科技自主创新能力。结果表明: ①高技术产业科技自主创新能力强的省份偏少且互相差距较大, 众多创新能力弱的省份彼此差距小且与创新能力强的省份相比存在绝对劣势。东南沿海省份高技术产业利润较高、预期创新水平强大, 产业有进一步扩张趋势, 边陲省份与部分内陆省份则相反, 短期内创新进步空间有限, 两极化趋势明显。②大部分省份生产要素投入与利润产出效率基本同步, 投入和回报匹配; 上海、北京等少数地区利润产出强度高于要素投入强度, 投入产出效率高。黑龙江、贵州等一些高技术产业规模小的省份出现了创新资源投入强度低同时利润回报更低的“未老先衰”异常现象。③深入研究发现, 产生“未老先衰”问题的根源主要在于创新产品生产中的纯技术效率低下, 并经常在投入产出效率低与利润产出强度低之间陷入彼此强化的恶性循环。

关键词: 高技术产业, 自主创新, 指标分解法, DEA 模型, 投入产出效率

DOI: 10.48014/jce.20240402005

引用格式: 孙波, 孙泽阳. 基于效率-规模-预期视角的我国高技术产业科技自主创新能力测度[J]. 中国经济研究, 2024, 3(3): 37-46.

文章类型: 研究性论文

收稿日期: 2024-04-02

接收日期: 2024-04-30

出版日期: 2024-09-28

0　引言

参考近几年高技术产业科技创新相关研究可发现，目前对高技术产业科技创新能力的主流衡量方法大体分为三个方向:①通过简单地将科技创新能力定义为创新产品的产出成果，以创新产品产出绩效作为科技创新水平的唯一衡量，如:发明专利数^[1,2]、新产品销售收入^[3,4]。②通过将科技创新能力定义为一种创新性产品生产的有效性，建立投入产出效率测度模型对创新性生产的效率进行测度，以生产效率值作为对科技创新水平的衡量，常见方法有:数据包络分析法(DEA)^[5,6,7]、随机前沿函数法(SFA)^[8]等。③认为科技创新内涵较为广泛，应综合考察创新资源投入、创新成果产出等各方面，以综合能力值作为对科技创新水平的衡量。其典型代表方法为指标体系评价法，如陈松奕^[9]运用R聚类和变异系数方法以及云模型构建了高技术产业绿色创新能力的评价指标体系;黄东斌^[10]通过熵值法和灰色关联模型，分析了高技术产业科技创新对绿色发展的驱动作用。从以上三种衡量方法对科技创新行为的考察完整度来看，前两者分别强调科技创新的结果与过程，恰是一个主体进行并完成创新活动的两个必然环节。然而，单一的结果导向或过程导向的衡量方法并不能完整反映一个主体的创新行为，评价结果也未必准确:如果一个大型企业创新成果的高产是依靠巨量资源的堆砌与浪费而成就，其创新能力并不真的如表象一般强大;如果一个小型企业创新的过程无论如何有效，囿于其匮乏的创新资源只能产出有限的创新产品，其创新能力也并不能说雄厚。这两种衡量方法测度的终不是完整的创新能力，只是某种创新水平。若能像指标体系法一样，建立一个涵盖资源投入、产品生产、产品产出的全方位能力评价体系，则能十分完整地刻画我国高技术产业科技创新能力。然而，现有利用评价指标体系法的相关研究中，鲜有能将创新生产效率因素纳入其中，导致目前的评价体系法实际上依旧落于对创新资源及产品绩效的片面评价上，这导致了对高资源占有水平、低资源占有水平的创新主体创新能力的高估和低估。此外，科技自主创新能力评价体系的指标较多、存在相关性^[11]，选取方式尚且不统一，其评价结果的可比性尚不如前两种衡量方式。如果能采用一种衡量方式，既充分涵盖创新行为的各环节，又足够简洁以使得评价结果全面而不失准确，则能弥补现有研究对于我国高技术产业科技创新水平衡量的缺陷。

鉴于此，本文构造了一种可分解的评价指标，该指标纳入了创新资源投入产出效率、创新资源占有能力，以及未来创新发展能力三个核心因素，作为对我国高技术产业科技创新能力的全方位反映^[②]。特别地，由于效率驱动型创新往往比资源驱动型创新具有更深刻的内涵、当期创新水平比下一期预期创新水平具有更大确定性，在最终评价指标分解时通过将创新资源占有能力指标与未来创新发展能力指标权重化处理，从解构方式上提升了创新资源投入产出效率的重要程度，以提高最终评价指标的评价准确度。本方法所需指标较少且易获得，考察具有全面性的同时又突出了效率导向，相比于目前的单指标考察法与评价指标体系法均具有独到的优势。

1　研究设计

本章介绍高技术产业科技自主创新能力指标的分解方法，以及计算创新资源投入产出效率指标所用模型。

1.1　科技自主创新能力指标的分解方法及其分解指标的计算方法

(1)创新资源投入产出效率()指标计算方法

本文通过建立非效率DEA模型计算创新资源投入产出效率指标。在此预先确定模型代入指标，分别代表各省份高技术企业的新产品销售收入、发明专利申请量、R&D人员折合全时当量、R&D经费内部支出、技术改造经费支出。产出指标上，选取新产品销售收入、发明专利申请量两个指标作为对高技术企业科技创新成果产出水平的反映，同时包含了对纯科技形式与实用产品形式的科技产出成果的考量。投入指标上，选取R&D人员折合全时当量、R&D经费内部支出、技术改造经费支出，以作为对代表高水平劳动要素与资本投入的考量。产出侧指标与投入侧指标具有较强因果关联，在保持尽可能少的数目同时又充分描述了高技术企业科技自主创新生产行为，最小化了指标间线性相关程度。这种变量选取方式亦在吴和成与李犟^[5]文章中得到印证。

综上，将创新资源投入产出效率指标表达为:

(1)

(2)创新资源占有规模()指标计算方法

参考评价指标体系法的相关研究，可以发现绝大部分将创新规模以投入和产出两个形式纳入评价体系，如王洪庆^[12]。因创新资源投入与创新成果产出互为因果且高度相关，这里只选取投入一侧来衡量创新规模，作为对企业初始创新资源占有能力的考量。为了使评价指标间具有较强协调性，沿用DEA模型中的投入侧指标构建创新资源占有规模指标。

进一步用省份值比全国总值再取均值，将创新资源占有规模指标处理成权重形式。有创新资源占有规模指标:

(2)

式中，是第个省份第个创新投入要素的投入强度。表示第个省份创新资源投入要素投入量的一般水平，即创新资源占有规模。

(3)预期创新进步水平()指标计算方法

预期创新进步水平是高技术产业未来创新进步能力的衡量。本文将预期创新进步水平定义为对下一期所预期的科技自主创新能力值对当期科技自主创新能力值的预期增量。^[③]根据上文对科技自主创新能力指标的构建可知，主要来自于:①由创新性产品生产结构与创新资源投入量的预期变动所导致的创新资源投入产出效率预期变动EΔInno_effi[EΔY(EΔX)，EΔX] ^[④];②由创新资源投入的预期变动导致的创新资源占有规模预期变动。考虑到创新主体未来的生产管理水平以及创新资源再投入动机往往主要由当期利润所驱动，前两者又共同决定了预期创新进步水平，所以当期利润很大程度上预示了企业创新进步水平，省去具体传导过程对相对评价结果影响不大。为分析简便，将当期利润总额作为预期创新进步水平的唯一子指标。

将预期创新进步水平指标处理成权重形式，有预期创新进步水平指标:

(3)

式中，是第个省份的高技术企业利润强度。

(4)科技自主创新能力指标的分解方法

前文已提到，根据创新性产品生产的各个环节以及未来创新能力发展前景，将科技自主创新能力划分为创新资源投入产出效率、创新资源占有能力，以及未来创新发展能力三个方面。相应地，有、、三个分解指标。为了突出最终评价指标的效率导向，将与处理成权重形式乘至上，如此，重要度为1，与重要度位于0与1之间，得最终评价指标——科技自主创新能力指标。

其最终分解形式为:

(4)

具体地，

(5)

1.2　计算创新资源投入产出效率()

指标——非效率DEA模型的构建

DEA(Data Envelopment Analysis)即为数据包络分析法，由Charnes、Cooper和Rhodes(1978)^[13]以相对效率概念为基础提出的一种效率评价方法。设有个省份，称为个决策单元，每个决策单元都有种投入和种产出，分别用不同的经济指标表示。这样，由个决策单元构成的多指标投入和多指标产出的评价系统可以表示如下。

对于每一个决策单元都有相应的效率评价指数:

(6)

通过适当的取权系数和，使得

以第个决策单元的效率指数为目标，以所有决策单元的效率指数为约束，可构造CCR模型:

(7)

CCR模型是假设所有企业都以最优规模运作时计算的技术效率，然而现实中企业往往不能以最优规模运作。使用Charnes-Cooper变化，令:

并进一步引入松弛变量和剩余变量、加入一个凸集限制:

使CCR修改成适应规模报酬可变的BCC模型:

(8)

其中，θ为效率变量，0≤θ≤1;λ_k(1，2，…，n)为权重系数;S^-和S⁺为松弛变量和剩余变量，分别为p维和q维列向量。I_p=(1，1，…，1)∈E^p，I_q=(1，1，…，1)∈E^q，ε>0是一个非阿基米德无穷小量。

1.3　数据的来源与处理

本文用于计算各评价指标的全部数据来自于《中国高技术产业统计年鉴2020》。剔除西藏自治区极端值后共计30个省份。对新产品销售收入、R&D经费内部支出、技术改造经费支出、利润总额等原始指标统一换算成百万元为单位。具体过程见附件一:数据及测算结果。

2　测度结果评价

2.1　各省高技术产业科技自主创新能力评价

通过DEAP2.1软件计算得各省，如图1所示。全国平均来看，高技术产业平均消耗1单位总投入获得0.7235单位总产出，存在资源浪费及投入不当。注意到部分省份的创新资源投入产出效率值明显异常，如内蒙古、广西、宁夏、吉林、青海各自分别为1、1、1、0.883、0.883，位于全国前列;而一般印象中效率较高的江苏、山东、浙江乃至陕西等省份却排名靠后，分别为0.653、0.594、0.555、0.363。如此系统性偏差仅仅用产业规模小的省份生产要素组织便利因而生产效率较高或者反过来的解释都未免牵强。为避免这种片面考察效率侧能力而带来的偏差，继续考察各省创新资源占有规模与预期创新进步水平，根据三项指标表现综合评价我国高技术产业的科技自主创新能力。

图1　各省高技术产业创新资源投入产出效率值

Fig.1　Provincial-level input-output efficiency of high-tech industrial innovation resource in China

进一步计算得各省与，如图2、图3所示。

图2　各省高技术产业创新资源占有规模值

Fig.2　Provincial-level possession scale of high-tech industrial innovation resource in China

图3　各省高技术产业预期创新进步值

Fig.3　Provincial-level expected innovation progress of high-tech industrial innovation resource in China

按(图2)排序的高技术产业创新潜在能力水平重新回归人们的正常认知。位于上半区的省份或为沿海、南方的经济发达大省(如粤、江、浙、闽、鲁、沪等)，或为区域经济中心强省(如川、陕、豫、京、渝等);下半区的多为内陆、边疆欠发达地区(如桂、云、贵、蒙、新、琼、甘、宁、青等)或东北老工业地区(如辽、黑、吉)，基本属于资源、要素尤其是优质人才和资本的净流出地区。广东与江苏分别占全国总量的34.16%和13.82%，共计占47.98%;浙江到四川等四个省份的占全国低至4%，高至8%;安徽到辽宁12个省份的占全国低至1%，高至3%，余下12个省份总量占全国不足1%。极化程度较高，各省高技术产业创新资源占有十分不平衡，大多数资源都集中在少数东南沿海创新大省。特别是广东省创新资源占有量占全国三分之一，是第二名江苏的二倍之多，远高于江、京、沪等经济发展程度同样较高省份。结合近年来我国各区域创新特色及创新能力禀赋来看，广东所在珠三角经济带对外合作程度较高，电子信息产业基础雄厚、产业齐全;长三角经济带对外贸易发达，知识获取能力较强;京津地区高校与科研机构众多，自主创新能力较强，广东或因其创新异质性更好地迎合了市场需求从而创造了更多利润，为本省吸引了更多的创新资源。

按照(图3)排序后得到的高技术产业利润创造能力结果又进一步印证了图2预测的基本趋势，上半区和下半区省份的总体排布情况基本未发生改变，只是辽宁作为沿海省份晋升至上半区，重庆稍降至下半区领头羊的位置。粤、江、浙作为高技术产业创新前三位霸主的地位无人替代，北京和上海作为高技术产业创新高地的地位进一步增强，排位分别升至第4和第7位;后半区的黑龙江排位则进一步快速滑落。粤、江、浙的分别占全国26.01%、13.38%、7.86%，共计占47.26%;北京到广西之间的18个省份的占全国低至1%，高至4%;从贵州到青海排名末尾9省区的过低。极化程度依旧较为明显，但相较于有所减轻。东南沿海省份高技术产业利润较高、预期创新水平强大，产业有进一步扩张趋势，而边陲省份与部分内陆省份高技术产业利润获取能力低下，企业创新内生动力不足，创新资源易被外向虹吸，短期内创新进步空间有限。

最后，将、作为权重项重新调整创新资源投入产出效率值，得到。如图4所示。

所反映的自主创新能力排位情况与图3的预测基本同构，上半区和下半区省份总体排布基本未发生大变动。第一名广东省占全国总值的76.99%，剩下第二至第十名的江、浙、闽、鲁、京、沪、川、鄂、豫的总值仅占全国总值20.72%，呈现出更强的极化效应。除去广东极端大值，能力相对较强的江、浙、闽、鲁、京、沪的分别为120.7491、34.8983、17.2057、12.9546、10.857、10.4084，即使是其中数值较小的上海，也是科技自主创新能力弱省黑龙江的83倍之多。一众创新能力较弱的省份如山西、云南、广西、吉林相互之间差距不明显，创新指数分别为0.1368、0.1659、0.1978、0.2205。总体看，创新强省极少且相互间能力差距较大，创新能力弱的省份众多且彼此差距也小，但相比创新强省又有着绝对劣势。

现在深入分析高技术产业科技自主创新能力的质量。通过将与按排名的升序同时绘制于图5中，得到高技术产业生产要素投入强度与利润获取强度的对比图。

图4　各省高技术产业科技自主创新能力值

Fig.4　Provincial-level independent innovation ability of high-tech industry in China

图5　各省高技术产业生产要素投入强度与利润强度对比

Fig.5　Provincial-level comparison of high-tech industry between production factor input intensity and profit-acquisition intensity in China

进一步观察要素投入与利润产出的总体走势，发现绝大部分省市的生产要素投入与利润产出回报率基本合理。沪、京、豫等少数省份的利润产出强度高于生产要素投入强度，投入产出效率高。但也特别注意到部分产业规模较小的省份出现了利润强度低于生产要素投入强度的异常现象，如皖、贵、黑。存在同样现象的广东可解释为高技术产业规模太大创新资源过度投入，但像黑龙江、贵州这种创新资源投入强度很低同时利润回报更低的“未老先衰”现象则值得注意，因为这将阻碍其产业盈利能力与创新能力提升。注意到贵州、黑龙江的纯技术效率(vrs)^[⑤]都比较低下(0.491、0.583)，而其排名相邻省份津、渝、晋、冀的纯技术效率则普遍较高(0.747、0.967、0.748、1.000)，且并不存在利润强度低于生产要素投入强度的异常现象。因此提出假设:纯技术效率低下导致了高技术产业规模小的省份利润强度低于生产要素投入强度，并在下一部分展开论证。

2.2　高技术产业规模小省份“未老先衰”问题的理论阐释

这部分对前面提出的假设:纯技术效率低下导致高技术产业规模小的省份利润强度低于生产要素投入强度进行证实，并进一步探讨从纯技术效率低下到产业科技自主创新能力恶化传导的完整逻辑，为高技术产业规模小且存在“未老先衰”问题的内陆型省份提供理论解决思路。

由于贵州、黑龙江的问题情形基本相同，此处仅剖析较为典型的黑龙江来验证上述理论猜想。根据DEAP2.1软件列出其具体投入产出效率分析报告，如表1所示。

表1　黑龙江省高技术产业非有效性DEA投影分析

Table 1　Non-efficient DEA projection analysis of high-tech industries in Heilongjiang Province

综合效率=0.573;纯技术效率=0.583;规模效率=0.983(drs)
评价 指标		原始值	距投影面 径向距离	松弛变量	投影面
产出		18348.94	0	0	18348.94
		389	0	0	389
投入		3898	-1626.888	-209.191	2061.92
		1007.86	-420.645	0	587.215
		648.09	-270.49	-297.037	80.563

注:Y1:新产品销售收入(百万元);Y2:发明专利申请量(件);X1:R&D人员折合全时当量(人年);X2:R&D经费内部支出(百万元);X3:技术改造经费支出(百万元)

结果显示，生产决策上即使不考虑无谓投入浪费，每种投入要素的1单位投入平均只有0.583单位转化为有效产出。这样，高技术产业规模小省份创新资源投入强度低但利润回报更低的“未老先衰”现象得以用生产效率低下来解释，原假设被证实(以黑龙江为例证):平均每种生产要素高达41.74%的纯技术性生产无效，代表着假定要素投入不变时，创新性产品产出距理想值存在41.74%的不足，这也意味着平均每个高技术企业存在着41.74%的额外生产成本增加。特别地，5.35%的R&D人员无谓投入损失与45.83%的技术改造经费支出无谓投入损失意味着有5.35%的研发人员并未实际参与到生产过程中，45.83%的技术改造经费被挪用，或存在同等程度的生产改造报废、无效生产，这种非生产性成本也提高了企业总成本。高企的成本使利润被大幅压缩，进而使高技术产业利润产出强度低于要素投入强度。利润强度过低进一步削减了企业研发投入能力和产业扩大再生产的动机与能力，降低了产业预期创新进步水平与科技自主创新能力。

基于上述讨论，我们发现创新资源投入产出效率低下(尤其纯技术效率低下)是高技术产业规模小省份利润强度低于投入强度的根本原因，并最终导致高技术产业科技自主创新能力低下。如果高技术产业规模小省份同时地处内陆，则这种投入产出效率低→利润产出强度低→创新能力低下的传导过程不仅单期存在，还容易形成周而复始、自我强化的恶性循环，如图6所示。

图6　产业规模小的内陆型省份高技术产业科技自主创新能力恶性循环

Fig.6　Self-reinforcing spiral of independent innovation ability of high-tech industries in China’s inland provinces

这种自强化循环的内在逻辑是，高技术产业规模小的省份以纯技术效率低下为主的创新资源投入产出效率低将导致其利润产出强度低于要素投入强度，过低的利润强度降低了企业创新资源再投入的动机与能力，进而使得下期再生产中企业的创新资源占有规模降低，包括削减作为核心创新要素的研发人员投入，这又驱使研发人员向沿海等高效率地区流失，反过来进一步降低创新产品再生产时的纯技术效率，形成投入-产出-再投入的全链条恶性循环。长此以往，高技术产业规模小的内陆省份其自主创新能力必然形成从^[⑥]的累积性闭环恶化。

对于这一难题，可以尝试从源头着手针对性地解决。①全力避免纯粹性资源投入浪费。加大对研发人员获取过程、在岗状态、科研能力审查力度;同时加强对生产设备改造资金的流向监督，减少无效生产，消除R&D人员无谓投入损失和技术改造经费支出上的无谓损失。②改善创新资源投入结构、优化要素结合方式，提升创新资源尤其研发人员的质量，促使企业平均技术性生产效率提升，减少短期纯技术性生产无效性。③识别导致高技术产业科技自主创新能力下降的外部及深层次驱动因素，及时隔断科技创新能力恶性循环，避免陷入创新资源占有规模与创新资源投入产出效率二者交互向下的自强化陷阱，打破产业发展初期科技自主创新能力“未老先衰”的魔咒。

3　结论

通过对科技自主创新能力指标进行解析后的测度，我们得出如下结论:

(1)总体上，高技术产业科技自主创新能力强的省份偏少且互相差距较大，而众多创新能力弱的省份彼此差距小却与创新能力强的省份比存在绝对劣势。仅从创新资源占有规模和预期创新进步水平两个指标衡量，创新能力强省或为沿海、南方的经济发达大省，或为区域经济中心强省;而创新能力弱的省份多集中在内陆、边疆欠发达地区或东北老工业地区，基本属于要素尤其优质人才和资本净流出地区。发展趋势上，东南沿海省份高技术产业利润较高、预期创新水平强大，产业有进一步扩张趋势，边陲省份与部分内陆省份则相反，短期内创新进步空间有限，两极化趋势明显。

(2)进一步分析高技术产业科技自主创新质量，发现大部分省份生产要素投入与利润产出效率基本同步，投入和回报匹配;上海、北京等少数地区利润产出强度高于要素投入强度，投入产出效率高;黑龙江、贵州等一些高技术产业规模小的省份出现了创新资源投入强度低同时利润回报更低的“未老先衰”异常现象。

(3)深入研究发现，产生“未老先衰”问题的根源主要在于创新产品生产中的纯技术效率低下，若不从源头上提升生产的纯技术效率，便无法隔断科技创新能力提升中的这一恶性循环。

利益冲突: 作者声明无利益冲突。

---

参考文献(References)

[1] 郝政, 褚泽泰, Kiho Kwak. 集群式创新对高技术企业研发绩效的影响———基于国家自主创新综合示范区高技术产业面板数据的实证研究[J]. 技术经济与管理研究, 2021(10): 43-47.
[2] 金成国, 李达耀, 黄伟新. 进口贸易溢出对高技术产业技术创新的影响———基于PVAR 模型的检验[J/OL]. 企业经济, 2021(12): 135-143[2022-01-08].
https://doi.org/10.13529/J.cnki.enterprise.economy.2021.017.
[3] 郝政, 褚泽泰, Kiho Kwak. 集群式创新对高技术企业研发绩效的影响———基于国家自主创新综合示范区高技术产业面板数据的实证研究[J]. 技术经济与管理研究, 2021(10): 43-47.
[4] 马晶梅, 赵文婧. 自主研发、技术改造与高技术企业创新绩效研究[J]. 科技与管理, 2021, 23(02): 1-7.
https://doi.org/10.16315/j.stm.2021.02.001.
[5] 曹虹剑, 李康. 中国高技术产业自主创新能力的影响因素[J]. 经济数学, 2016, 33(03): 77-82.
https://doi.org/10.16339/j.cnki.hdjjsx.2016.03.011.
[6] 吴和成, 李犟. 中国高技术产业技术创新效率动态演进[J]. 河海大学学报(哲学社会科学版), 2020, 22(03): 58- 65, 107.
[7] 薛阳, 秦金山, 王健康, 等. 中国高技术产业创新效率时空演变研究[J]. 统计与决策, 2022, 38(18): 69-72.
https://doi.org/10.13546/j.cnki.tjyjc.2022.18.013.
[8] Chen Xiaoqing, Liu Xinwang, Gong Zaiwu, et al. Threestage super-efficiency DEA models based on the cooperative game and its application on the R&D green innovation of the Chinese high-tech industry[J]. Computers & Industrial Engineering, 2021, 156:
[9] 刘梦瑶. 东北三省高技术产业R&D 效率水平及其影响因素研究[D]. 延边: 延边大学, 2019.
https://doi.org/10.27439/d.cnki.gybdu.2019.000034.
[10] 陈松奕. 高技术产业绿色创新能力评价指标体系构建及测度[J]. 统计与决策, 2023, 39(03): 174-178.
https://doi.org/10.13546/j.cnki.tjyjc.2023.03.032.
[11] 黄东斌. 高技术产业科技创新驱动绿色发展关联分析[J]. 技术经济与管理研究, 2021(12): 17-21.
[12] 肖鹏, 刘兰风, 魏峰, 等. 区域高技术产业技术创新能力的比较研究[J]. 统计与决策, 2016, 453(09): 114-116.
https://doi.org/10.13546/j.cnki.tjyjc.2016.09.029.
[13] 王洪庆, 侯毅. 中国高技术产业技术创新能力评价研究[J]. 中国科技论坛, 2017(03): 58-63.
https://doi.org/10.13580/j.cnki.fstc.2017.03.008.
[14] Charnes A, Cooper W W, Rhodes E. Measuring the efficiency of decision making units[J]. European Journal of Operational Research, 1978, 2(6): 429-444.
https://doi.org/10.1016/0377-2217(78)90138-8.

Evaluation to Independent Innovation Ability of High-Tech Industry in China Based on Efficiency-Scale-Expectation Perspective

SUN Bo¹, SUN Zeyang^2,*

(1. School of Economics and Management, Huzhou University, Huzhou 313000, China
2. Glorious Sun School of Business and Management, Donghua University, Shanghai 200051, China)

Abstract: The independent innovation ability indicator of the high-tech industry is decomposed by the inputoutput efficiency of innovation resources, the possession scale of innovation resources, and the expected level of innovation progress, which will evaluate China’s provincial independent innovation ability of the hightech industry. The results show that: ① There are few provinces with strong scientific and technological independent innovation ability in the high-tech industry, and the gap between them is large, while many provinces with weak innovation ability have a small gap with each other and an absolute inferior position compared with strong innovation ability provinces. The high-tech industry in the southeastern coastal provinces has higher profits, a stronger expected innovation level, and a further industry expansion trend, while some border and inland provinces have only limited space for innovation and progress in the short run, and the obvious polarization trend. ②The factor inputs to profit output efficiency in most provinces are roughly synchronized, and the inputs and returns match with each other: a few regions such as Shanghai and Beijing have higher profit output to factor input intensity, and higher input-output efficiency. Some provinces with small-scale high-tech industries, such as Heilongjiang and Guizhou province, have the abnormal phenomenon of “premature aging”, in which the input intensity of innovation resources is low and the return on profits is even lower. ③Deeper research found that the origin of the “premature aging” problem lies mainly in the low technical production efficiency of innovative products, as well as the self-reinforcing spiral between low input-output efficiency and low profit-output intensity.  

Keywords: High-tech industry, independent innovation, index decomposition method, DEA model, inputoutput efficiency

DOI: 10.48014/jce.20240402005

Citation: SUN Bo, SUN Zeyang. Evaluation to independent innovation ability of high-tech industry in China based on efficiency-scale-expectation perspective[J]. Journal of Chinese Economy, 2024, 3(3): 37-46.