数据包络法(DEA)是测量创新效率的经典方法之一，最常见的模型有两种，分别是CCR模型和BCC模型，两者最大的区别是假设不同。CCR模型假设所有生产者都是在同一固定规模报酬下运营，这一假设条件在实际中基本上不满足，因此在使用中受到限制。BCC模型是在CCR模型的基础上提出的，其假设条件为所有生产者在可变规模报酬下运营。本文采用以投入为基础的BCC模型(即规模收益可变模型)作为评估工具，对各省市的创新效率进行量化分析，涵盖纯技术效率、规模效率和综合技术效率三个方面。具体的计算方法如下：

$\text{S}\text{.t}\text{.}\{\begin{array}{c}Min\left[\theta -\epsilon \left({\displaystyle {\sum }_{i=1}^m{S}_i{}^{-}}+{\displaystyle {\sum }_{r=1}^m{S}_i{}^{+}}\right)\right]\\ {\displaystyle {\sum }_{j=1}^{n}ajXj+S_r{}^{-}=\theta X_0}\\ {\displaystyle {\sum }_{j=1}^{n}ajYj+S_r{}^{+}=Y_0}\\ {\displaystyle {\sum }_{j=1}^{n}aj=1}\end{array}$ (1)

$\theta \ge 0,a_j\ge 0,S{i}^{-}\ge 0,S_r{}^{+}\ge 0,j=1，2,\cdots ,n$

式中，ε代表非阿基米德无穷小，i和r分别代表投入和产出松弛变量的数量，a表示决策单元(DMU)的权重系数，j代表决策单元的索引，从1到n，X和Y分别代表投入和产出变量，S_i⁻和S_r⁺分别代表投入和产出的松弛量，θ代表决策单元的效率得分。当θ等于1且S_i⁻与S_r⁺都为0时，表明该决策单元(DMU)在DEA分析中是有效的；如果θ小于1，那么该决策单元(DMU)在DEA分析中是无效的。

高技术产业的创新效率受到多种因素的影响，这不仅涉及企业内部因素，还包括外部环境的诸多影响。因此，在挑选评估指标时，应从多个角度进行综合考量。根据董会忠等 [13] 的研究，选取人力资本作为创新主体的影响因素，根据范德成、和军等 [12] 的研究，选取政府支持、产业现代化程度作为创新环境的影响因素(见 表1 )。

创新效率反映的是创新投入与产出的关系。在指标选取方面，高科技产业测算通常选用R&D资金投入(R&D经费内部支出) [15] 、R&D人员投入(R&D活动人员折合全时当量) [16] 、新产品开发经费 [17] 为投入指标；将专利申请数、新产品销售收入作为产出指标 [18] (见 表2 )。

最后，论文建立如下Tobit回归模型：

$T{E}_{jt}={\alpha }_0+{\alpha }_{1}PE{O}_{jt}+{\alpha }_{2}GO{V}_{jt}+{\alpha }_{3}IND{U}_{jt}+{\epsilon }_{jt}$ (2)

式中，TE表示31个省市高技术产业的创新效率值，PEO_jt、GOV_jt、INDU_jt分别表示t年区域j的人力投入、政府支持和产业现代化程度，ε为随机扰动项，j代表样本城市，t表示2009~2021年。

遵循“确保案例样本数量充足且数据可获取”的基本原则，本文选取了中国31个省、自治区和直辖市作为研究对象，来探究高技术产业的创新效率。所涉及的各项指标数据主要来源于《中国统计年鉴》《中国高技术产业统计年鉴》《中国劳动年鉴》以及各城市的统计年鉴。研究中所使用的所有变量数据均基于2009至2021年的时间跨度，各变量的描述性统计分析详见 表3 。

通过运用DEAP 2.1软件对投入要素和产出要素进行数据包络分析(DEA)，得出的分析结果如 表4 所示。

DEA结果为1的城市，表示其技术创新达到生产技术的有效前沿面；测算结果不等于1的，视为创新效率无效，DEA效率值在0.8~1被认为是良好的 [19] 。 表4 的数据显示，2009~2021年间，我国31个省市的综合效率均值分布于0.546到1之间，平均整体的创新效率值为0.790，意味着当前高技术产业的生产模式造成了一定的资源浪费，未能达到资源的完全有效利用。其中有16个省市的综合效率值低于平均水平，15个省市高于均值。但是只有西藏连续13年的综合效率为1，处于DEA有效的状态，其高技术产业的投入要素实现了最优化产出。

在2009至2021年期间，通过对中国31个省市的高技术产业创新效率进行的测度研究显示，我国高技术产业的创新水平整体上呈现逐年提升的趋势。然而，不同省份之间的创新效率存在显著差异。例如，西藏和内蒙古在这段时间内的创新效率均值相差了0.453，这一差异提示我们有必要深入探究造成这些差异的多种因素。本文将各省市13年的综合技术效率均值作为因变量，利用EViews求解式(2)的Tobit回归模型，计算结果如 表5 所示。

从回归结果来看，人力支持、政府支持、产业现代化程度与高技术产业的创新效率呈正相关关系，并且人力支持与政府支持的P值 < 0.05，两者与高技术产业创新效率之间存在着显著性，可知加大研发人员的投入以及政府对高技术的支持都能提高高技术产业的创新效率。虽然产业现代化程度与高技术产业的创新效率呈正相关，但是由于P值 = 0.7869 > 0.05，两者之间不存在显著性，可知产业现代化程度在一定程度上能够影响高技术产业的创新效率，但效果不显著，并不是影响高技术产业创新水平提升的主要因素。

高技术产业人才投入与高技术产业创新效率显著正相关，说明31个城省市的人力投入目前能为高技术产业的创新发展提供良好的人才要素支撑，这种支持与城市的创新效率相匹配，能对高技术产业创新效率产生积极的促进作用。 图1 显示了31个样本省市高技术产业人才投入的离散分布态势，大致可以分为三个层次：北京、天津和上海位居第一层，其高技术产业的人力投入始终处于最高水平，充分印证了“北漂”、“沪漂”一族的规模实力和影响力。第二层次包括江苏、浙江、广东等东部沿海地区；从 图1 可以明显看出，第三层次内部的省市差距明显小于第一层次与第二层次之间的差距，说明不同省市的高技术产业人力投入存在较为突出的层级势差，且层级跨越难度较大。

图2 反映了我国东西部三大区域各政府对高技术产业资金投入的强度分布态势，从中也可以看出明显差异：高居首位的是东部地区，投入最低的是西部地区，且东部地区的投入远远高于西部地区，说明我国各地区政府对高技术产业的资金投入极度不平衡。而政府对高技术产业的资金投入与高技术产业创新效率显著正相关，因此各省市政府应该优化资金投入，提高资金的利用率。

本文选取DEA-Tobit回归模型，测算了2009~2021年31个省份高技术产业的创新效率。研究结论如下：

1) 2009~2021年我国各省市高技术产业的创新效率在缓慢提高，31个省市的创新效率均值从2009年的0.693增加到2021年的0.790；但分省来看，各省市之间的差异较大，东部地区各省市的高技术产业创新效率值远远高于中西部地区。

2) 从Tobit回归结果来看，产业现代化程度能促进高技术产业创新效率的提升，但促进作用不显著；研发创新上人员的流动以及政府对高技术产业的支持对高技术产业技术创新效率的促进效果都显著为正。

高技术产业的发展起着引领区域创新的“领头羊”作用，对于驱动我国的科技进步和增强国际竞争实力具有关键性的意义。对此，本文提出如下建议：

1) 大部分省市的高技术产业的创新效率值未能达到DEA有效，这表明这些省市的投入产出不匹配，要素投入结构不合理。因此，需要注重高技术产业科技资源的优化配置，同时各省市应找出本地效率低的具体原因，针对性地优化资源配置和生产流程。

2) 创新主体、科研资金投入是区域高技术产业产生高创新效率的必要条件。政府可以通过制定和实施相关政策，如税收优惠、财政补贴、研发资助等，来激励企业增加研发投入和创新活动。同时，加速培养创新型青年人才，注重实践需求导向，提高科技创新人才比例，通过提高区域经济和科技水平，加强基础设施建设，为高技术产业的技术创新提供包括人才、资金、制度和环境在内的全面基础支持。

3) 高技术产业的发展需要充分考虑到本地区的人力资本、产业结构、经济发展水平等相关情况，因地制宜地选择并制定出符合当地情况的政策，选择合适的路径，缩小地区间的创新效率。

4) 东部沿海创新效率高的省市应该充分发挥带头协调作用，合理配置各种资源，缩小东部、中部、西部三大地区的高技术产业创新效率差距。