纵观世界经济，欧美发达国家和亚洲等新兴工业国经济体在战后的迅速崛起主要受益于知识和技术的革新。知识与技术创新已成为经济增长的动力源泉。2014年4月，我国知识产权局官方公布了《中国区域产业专利密集度统计报告》^[1]，提出高专利密集度产业的概念，将专利密集度在整个国民经济行业平均发明专利密集度以上的行业确定为高专利密集度产业。随着专利重要性的不断凸显，高专利密集度产业已经成为经济社会发展的主导产业和国民经济最有力的支撑产业。技术创新效率影响高专利密集度产业技术创新能力，因此研究高专利密集度产业技术创新效率、对于增强高专利密集度产业的技术创新能力、优化高专利密集度产业的资源配置、提高高专利密集度产业经济效益、实现高专利密集度产业可持续发展具有重要意义。

官建成等通过运用两阶段DEA方法深入研究了产业各阶段创新活动的转化效率及其演化规律^[2]。梁平等运用Malmquist指数分析了1995-2006年我国高技术产业创新效率的变化情况，发现我国高技术产业创新效率的提高主要原因是技术的进步^[3]。赵树宽等运用DEA方法，评价和分析了吉林省151家高技术企业的创新活动，并分析了影响因素^[4]；杨青峰运用随机前沿模型，探究高技术产业地区创新效率及其影响，发现地区出口强度、地方基础设施和地理位置对研发创新效率有显著的正向影响^[5]。Wei Xue等研究了企业的外部环境如何影响其IT资产组合的创新效率^[6]。Chun-Hsien Wang等通过对一个大型的高科技公司进行实地调查，发现良好的外部渠道能力对高技术产业的创新效率有重要的积极作用^[7]。刘伟运用三阶段DEA模型，结合中国高新技术产业2000-2009年行业面板数据，在控制环境因素的基础上测算了我国高新技术产业的研发创新效率^[8]。朱山丽等运用灰关联分析方法和数据包络方法对高技术产业技术创新影响因素进行实证分析，得出R & D人员数和新产品开发经费支出对创新绩效影响最大的结果^[9]。

国内外专家和学者在创新效率评价的方法上不断探索，取得了丰硕的成果。对高专利密集度产业技术创新效率进行评价研究的还很少，以高专利密集度产业作为关键词在中国知网进行检索，只能获得两篇相关文献。本文在借鉴现有研究成果的基础上，从投入、产出两个方面构建评价指标体系，收集相应的面板数据，并运用支持面板数据的DEA-Malmquist模型从全国整体和行业两个视角，评价我国高专利密集度产业技术创新效率，分析并确定影响我国高专利密集度产业技术创新效率变化的主要因素，丰富和补充我国高专利密集度产业技术创新效率的相关研究。

1 研究方法与指标选取 1.1 研究方法

Malmquist指数是通过计算距离函数，对输入和输出变量进行描述，通过定向输入、输出的方法对距离函数进行定义，给定输入变量矩阵输出距离函数就定义为输出变量矩阵的最优比例项^[10]。输出变量的距离函数表示为

$ {\mathit{\boldsymbol{D}}_0}\left( {\mathit{\boldsymbol{x}},\mathit{\boldsymbol{y}}} \right) = \inf \left\{ {\delta :\left( {\mathit{\boldsymbol{x}},\mathit{\boldsymbol{y}}/\delta } \right) \in p\left( \mathit{\boldsymbol{x}} \right)} \right\} $

(1)

式中：变量x和y分别代表的是输入、输出变量矩阵，p(x) 表示的是生产效率的可能性集合，δ是定向输出效率指标的代表变量。通过非线性运算可以得出，如果y在集合p(x) 之外，那么函数值就会大于1；如果y正好处在集合p(x) 的边界处，那么函数值等于1；如果y包含在集合p(x) 内，那么函数的值就会小于1。从t-1到t时期，Malmquist指数的函数表达式为

$ {M_0}\left( {{x_t},{y_t},{x_{t - 1}},{y_{t - 1}}} \right) = {\left[ {\frac{{\mathit{\boldsymbol{D}}_0^{t - 1}\left( {{x_t},{y_t}} \right)}}{{\mathit{\boldsymbol{D}}_0^t\left( {{x_{t - 1}},{y_{t - 1}}} \right)}} \times \frac{{\mathit{\boldsymbol{D}}_0^t\left( {{x_t},{y_t}} \right)}}{{\mathit{\boldsymbol{D}}_0^t\left( {{x_t},{y_t}} \right)}}} \right]^{\frac{1}{2}}} $

(2)

t-1时期和t时期的投入、产出向量在上式中分别是用 (x_t-1, y_t-1) 和 (x_t, y_t) 表示；两个时期的距离函数为D₀^t-1和D₀^t，产出角度为导向的Malmquist指数的表达式为

$ M_0^{t - 1}\left( {{\mathit{\boldsymbol{X}}_t},{\mathit{\boldsymbol{Y}}_t},{\mathit{\boldsymbol{X}}_{t - 1}},{\mathit{\boldsymbol{Y}}_{t - 1}}} \right) = \frac{{\mathit{\boldsymbol{D}}_0^{t - 1}\left( {{x_t},{y_t}} \right)}}{{\mathit{\boldsymbol{D}}_0^{t - 1}\left( {{\mathit{\boldsymbol{X}}_{t - 1}},{\mathit{\boldsymbol{Y}}_{t - 1}}} \right)}} $

(3)

Farrell后续继续对Malmquist指数进行研究，然后在计算生产效率的时候把规模报酬考虑到其中，根据Farrell的研究以时期t-1的技术水平为基础的时期t的生产效率M指数的表达式为

$ \begin{array}{l} {\mathit{\boldsymbol{M}}_{t - 1,t}} = \frac{{\mathit{\boldsymbol{D}}_t^u\left( {{x_t},{y_t}} \right)}}{{\mathit{\boldsymbol{D}}_{t - 1}^u\left( {{x_{t - 1}},{y_{t - 1}}} \right)}} \times \left[ {\frac{{\mathit{\boldsymbol{D}}_{t - 1}^u\left( {{x_{t - 1}},{y_{t - 1}}} \right)}}{{\mathit{\boldsymbol{D}}_t^u\left( {{x_{t - 1}},{y_{t - 1}}} \right)}}/\frac{{\mathit{\boldsymbol{D}}_t^u\left( {{x_t},{y_t}} \right)}}{{\mathit{\boldsymbol{D}}_t^u\left( {{x_t},{y_t}} \right)}}} \right] \times \\ \;\;\;\;\;\;\;\;\;\;\;\;{\left[ {\frac{{\mathit{\boldsymbol{D}}_{t - 1}^c\left( {{x_{t - 1}},{y_{t - 1}}} \right)}}{{\mathit{\boldsymbol{D}}_t^c\left( {{x_{t - 1}},{y_{t - 1}}} \right)}}/\frac{{\mathit{\boldsymbol{D}}_{t - 1}^c\left( {{x_t},{y_t}} \right)}}{{\mathit{\boldsymbol{D}}_t^c\left( {{x_t},{y_t}} \right)}}} \right]^{\frac{1}{2}}} \end{array} $

(4)

式中：D^c(x, y) 和D^u=(x, y) 表示的是规模报酬不变与规模报酬可变时的距离函数，$\frac{\mathit{\boldsymbol{D}}_{t}^{u}\left( {{x}_{t}},{{y}_{t}} \right)}{\mathit{\boldsymbol{D}}_{t-1}^{u}\left( {{x}_{t-1}},{{y}_{t-1}} \right)}$表示PTEC，即纯技术效率变化；$\frac{\mathit{\boldsymbol{D}}_{t-1}^{u}\left( {{x}_{t-1}},{{y}_{t-1}} \right)}{\mathit{\boldsymbol{D}}_{t}^{c}\left( {{x}_{t-1}},{{y}_{t-1}} \right)}$表示SEC，即规模效率变化；$\frac{\mathit{\boldsymbol{D}}_{t-1}^{c}\left( {{x}_{t-1}},{{y}_{t-1}} \right)}{\mathit{\boldsymbol{D}}_{t}^{c}\left( {{x}_{t-1}},{{y}_{t-1}} \right)}\times \frac{\mathit{\boldsymbol{D}}_{t-1}^{c}\left( {{x}_{t}},{{y}_{t}} \right)}{\mathit{\boldsymbol{D}}_{t}^{c}\left( {{x}_{t}},{{y}_{t}} \right)}$表示TC，即技术水平变化，其中技术效率变化的值EFFC=PTEC×SEC。其中M_{t-1, t} > 1时，生产效率上升；M_{t-1, t}=1时，生产效率不变；M_{t-1, t} < 1时，生产效率下降。由分析可知，M值不是受单一影响因素影响，而是由TC、EFFC、SEC、PTEC共同作用下影响的。

Malmquist指数的求解一般可以采用CCR模型、BCC模型，若想得到任意两年的Malmquist指数值，则需要求出年份t时的四个不同的距离函数：D₀^t-1(x_t-1, y_t-1)、D₀^t-1(x_t, y_t)、D₀^t(x_t-1, y_t-1)、D₀^t(x_t, y_t)，求解这四个距离函数的模型如下

$ \left\{ \begin{array}{l} {\left[ {\mathit{\boldsymbol{D}}_0^{t - 1}\left( {{\mathit{\boldsymbol{X}}_{t - 1}},{\mathit{\boldsymbol{Y}}_{t - 1}}} \right)} \right]^{ - 1}} = \mathop {\max }\limits_{\theta ,\lambda } \theta \\ {\rm{st}} - \theta {y_{i,t - 1}} + {\mathit{\boldsymbol{Y}}_{t - 1}}\lambda \ge 0\\ \;\;\;\;\;\;\;{x_{i,t - 1}} + {\mathit{\boldsymbol{X}}_{t - 1}}\lambda \ge 0\\ \;\;\;\;\;\;\;\lambda \ge 0 \end{array} \right. $

$ \left\{ \begin{array}{l} {\left[ {\mathit{\boldsymbol{D}}_0^t\left( {{\mathit{\boldsymbol{X}}_t},{\mathit{\boldsymbol{Y}}_t}} \right)} \right]^{ - 1}} = \mathop {\max }\limits_{\theta ,\lambda } \theta \\ {\rm{st}} - \theta {y_{i,t}} + {\mathit{\boldsymbol{Y}}_t}\lambda \ge 0\\ \;\;\;\;\;\;\;{x_{i,t}} + {\mathit{\boldsymbol{X}}_t}\lambda \ge 0\\ \;\;\;\;\;\;\;\lambda \ge 0 \end{array} \right. $

$ \left\{ \begin{array}{l} {\left[ {\mathit{\boldsymbol{D}}_0^t\left( {{\mathit{\boldsymbol{X}}_{t - 1}},{\mathit{\boldsymbol{Y}}_{t - 1}}} \right)} \right]^{ - 1}} = \mathop {\max }\limits_{\theta ,\lambda } \theta \\ {\rm{st}} - \theta {y_{i,t - 1}} + {\mathit{\boldsymbol{Y}}_t}\lambda \ge 0\\ \;\;\;\;\;\;\;{x_{i,t - 1}} + {\mathit{\boldsymbol{X}}_t}\lambda \ge 0\\ \;\;\;\;\;\;\;\lambda \ge 0 \end{array} \right. $

$ \left\{ \begin{array}{l} {\left[ {\mathit{\boldsymbol{D}}_0^{t - 1}\left( {{\mathit{\boldsymbol{X}}_t},{\mathit{\boldsymbol{Y}}_t}} \right)} \right]^{ - 1}} = \mathop {\max }\limits_{\theta ,\lambda } \theta \\ {\rm{st}} - \theta {y_{i,t - 1}} + {\mathit{\boldsymbol{Y}}_{t - 1}}\lambda \ge 0\\ \;\;\;\;\;\;\;{x_{i,t}} + {\mathit{\boldsymbol{X}}_t}\lambda \ge 0\\ \;\;\;\;\;\;\;\lambda \ge 0 \end{array} \right. $

式中：(X_i，t-1，Y_i，t-1) 表示第i个生产单元，在第t-1年的投入产出向量；(X_i，t，Y_i，t) 表示第i个生产单元，在第t年的投入产出向量。

1.2 指标选取

Malmquist指数的输入指标要求具有在一定时期内连续的统计数据作为支撑，并且输入和输出指标之间要求具有较强的独立性，以保证评价效果的科学性客观性。目前关于技术创新研究成果来看，主要是将R & D指标作为投入指标，包括人员和经费的投入。专利是技术创新成果产出的主要指标，而新产品产值、新产品出口额代表企业最终将技术创新成果实现了商业化。在充分考虑我国高专利密集度产业的特点的基础上，结合现有的研究成果^[11-19]，从人员和资金两方面将新产品开发经费支出、技术引进经费支出、R & D人员、R & D经费内部支出、技术改造经费支出和固定资产投资额作为投入指标，从专利和产品两个方面将新产品产值、新产品出口额和有效发明专利数作为产出指标。

2 实证分析 2.1 数据来源

本文的研究高专利密集度产业，研究方法采用实证研究。根据《中国产业专利密集度统计报告》对我国高专利密集度产业概念的界定以及行业划分，结合数据的可获得性原则，本文选取了九大行业代表我国高专利密集度产业。原始数据均来自于《中国统计年鉴》(2005-2014年) 以及《中国科技统计年鉴》(2005-2014年)。

2.2 我国高专利密集度产业技术创新效率实证研究

结合2004-2013年我国高专利密集度产业的面板数据，运用DEA-Malmquist指数分析方法对我国高专利密集度产业技术创新效率进行动态实证分析，运用DEAP2.1软件得到2004-2013年我国整体高专利密集度产业技术创新效率和高专利密集度产业各行业技术创新效率的M指数及其技术效率变化 (EFFC)、纯技术效率变化 (PTEC)、技术水平变化 (TC)、规模效率变化 (SEC) 分解项和均值，见表 1、2所示。

2.2.1 我国整体高专利密集度产业技术创新效率分析

通过将指数分解，进一步分析影响高专利密集度产业技术创新效率的技术变化率和资源配置变化效率，找出影响高专利密集度产业技术创新效率的主要因素。

从表 1数据可以看出，我国高专利密集度产业技术创新M指数2005-2006年和2007-2008年外都小于1，除此之外，各年份M指数均值均大于1，表明我国高专利密集度产业技术创新效率水平整体上是呈上升趋势，效率以平均每年8.9%的增长率上升。主要原因是我国2006-2013年期间出台了一系列鼓励技术创新的相关政策，提出将高技术产业摆在国家产业政策和发展规划的重要位置，强调要给予政策的重点支持，促进了高专利密集度产业的发展。2005-2006年M值小于1，为0.9，通过对M指数进行深度分解，发现其技术进步指数仅为0.848，说明技术水平变化是限制我国高专利密集度产业技术创新生产率进一步提升的关键因素，主要原因是此期间内我国高专利密集度产业技术创新资源的投入不足；另外，2007-2008年M指数小于1，通过对M指数进行深度分解，发现其技术进步指数小于1，说明技术水平限制了技术创新生产率，其主要原因是2007年末，爆发了全球性的经济危机，由于对产品的需求急剧降低，我国各类企业经济效益受损，企业为了降低经营风险，进而限制了技术创新资源的投入；总体而言，从2004年到2013我国高专利密集度产业技术创新生产率是上升的，通过对M指数进行深度分解发现，在这10年中，技术变化水平是影响技术创新效率的主要的因素。

虽然技术效率变化值对于M指数没有十分显著的影响，但由于其在大多数年份都小于1，由此可见，资源配置效率仍然限制了创新效率的进一步提高，技术效率受纯技术效率和规模效率变化的影响，由于纯技术效率变化指数几乎均大于1，而规模效率指数在某些产业中小于1，说明技术进步提升了，但是产业规模并没有处在规模效益递增的区间或达到最优，使其影响了与技术进步的匹配度，从而影响了技术效率增长。

2.2.2 我国高专利密集度产业九大行业技术创新效率分析

将DEAP 2.1中产生的结果按照行业的进行整理，得到我国高专利密集度产业各行业的效率指数，并按照M值进行排序，如表 2所示。

根据2可知，我国高专利密集度产业中，除石油和天然气开采业外，其他产业技术创新的M指数值都大于1，整体呈现上升趋势，医药制造业的技术创新生产率最高。通过深层次的分析，发现医药产业技术进步指数为1.162最高，技术效率指数为1.004，在技术效率一定的情况下，技术进步指数对技术创新效率提高的贡献度最大。一方面，医药制造业是关系到国计民生的基础性和战略性产业，受到国家极大的重视，从而受到政府的大力扶持；另一方面，医药制品是以市场为导向的，新药研发的风险大，但新药上市的利润回报率高，强化了医药制造企业加大技术创新资源的投入，进而提高技术创新效率。

对M指数进行深层次分解，分析技术效率指数和技术进步指数的变化，医药制造业、工艺品和其他制造业、计算机、通讯和其他电子设备制造业、烟草制品业的技术效率指数等于或大于；其他行业都小于1，说明这些行业的资源配置效率较低，限制了技术创新生产率的提升；分析技术进步指数 (TECHCH)，除石油和天然气开采业外都大于1，说明技术进步对其技术创新生产率的提高发挥了积极的推动作用，而对于石油和天然气开采业，正是技术变化水平影响和制约了其技术创新生产率；通过对技术效率变化指数进行分解和深入分析，确定规模效率过低是限制资源配置效率提高的主要因素。

3 对策建议

为提高我国高专利密集度产业资源配置效率，从而提高技术创新效率，使我国高专利密型产业实现规模效益和可持续发展，提出以下对策建议：

1) 政府应加大对我国高专利密集度产业的扶持力度。一方面完善法律法规，为我国高专利密集度产业的发展提供健全的政策法律环境；同时，政府应加大对我国高专利密集度产业的资金扶持力度，特别是对其科技创新资金的投入，并应积极引导金融机构的资金更多流向高专利密集度产业，夯实高专利密集度产业发展的经济基础。

2) 我国高专利密集度产业的各行业应当加大对技术创新的重视。加大对科研机构的建设力度，完善相应的人才获取、培养体系，提高R & D经费投入；充分调动行业的优势资源，建立完善的管、产、学、研合作模式，深化与区域内高校、科研院所的合作。特别是对于石油和天然气开采业，技术水平是限制其创新生产率提高的关键因素，因此必须加大对研发的投入，努力提升技术水平。

3) 优化我国高专利密集型企业的创新规模。根据前面对我国高专利密集度产业技术创新效率的实证分析，可以看出，虽然我国高专利密集度产业技术创新的资源投入不断增强，但是产业规模并没有处于规模最优或者规模效益递增的区间；技术进步得到了加强，但是产业规模的发展滞后于技术进步，使之不能很好的匹配，导致产业创新资源没有得到充分的利用，直接影响产业整体经济效益。因此，逐渐优化我国高专利密集度产业技术创新的规模，对于合理有效利用资源，资源配置效率的提高具有促进作用；政府应鼓励和支持企业扩大规模生产和规模创新，使高专利密集度产业在规模最优和规模效益递增的区间进行生产，进一步促进高专利密集度产业的技术创新效率的提高。

4 结论

本文基于DEA-Malmquist指数方法从全国整体和行业两个视角，从全国整体和行业两个层面进行分析与评价对我国高专利密集度产业技术创新效率。得出如下结论：

1) 我国高专利密集度产业技术创新效率2004-2013年期间整体保持上升水平。通过对M指数的进行分解和深入分析，发现技术进步是影响我国高专利密集度产业技术创新效率的关键因素；规模效率普遍偏低，表明产业规模与技术创新效率不协调。我国高专利密集度产业在创新中投入了大量的创新资源，使技术效率得到了一定程度的提高，但由于产业的资源配置的效率较低，资源的转化能力较弱，缺乏将创新成果快速吸收、转化成创新产品的高技术人才，创新人才和创新资源没有做好相应的匹配，影响产业创新资源配置和利用，使创新效率受到限制。

2) 通过对对九大高专利密集度产业技术创新效率测度，可知M值均在1以上，说明我国九大高专利密集度产业技术创新效率发展态势良好，产业技术创新能力得到提升，在市场竞争中具有一定的竞争优势，扩大此优势必然会促进产业的快速发展，提高产业的经济效益。通过深层次的分析发现，石油和天然气开采业技术创新生产率偏低，技术效率变化水平是其影响的主要因素；纯技术效率变化 (PTEC) 与规模效率变化 (SEC) 是影响技术效率的关键因素，因此，提升纯技术效率和规模效率是提高我国高专利密集度产业技术创新效率的关键。