1 研究背景

当前，中国经济进入新常态，经济发展路径由依靠物质资源投入转向创新驱动[1]，高技术产业在经济发展路径转变过程中起着关键作用。高技术产业是集聚知识、资本和技术于一体的密集型产业，具有高研发投入、高创新性等重要特征，其创新生产活动密度趋强，引致的创新效率将对工业总体效率和自主创新能力产生直接且重要的影响。但是，中国省域高技术产业技术创新的主要支撑是高投入而非效率[2]。伴随着对外开放的不断深入，中国高技术产业面临着日趋激烈的市场竞争，凭借以往高投入作为支撑的粗放型创新策略难以有效地提高其竞争力。此外，中国省域高技术产业创新具有明显的区域差距并呈现不断扩大的趋势，要缩小其创新能力的差异，关键在于要缩小其创新效率的差距，这样，从深层次来说，能够促进省域间高技术产业创新效率的收敛，能够改造高技术产业和提升传统制造业，能够促进省域间产业结构调整效应，能够使中国尽早占领高技术创新的高地，能够有效地推动国家创新驱动战略的实施。

进行中国省域高技术产业创新效率收敛性研究，首先必须对其创新效率进行测度。纵观现有研究，基于省域层面对高技术产业创新效率进行测度的方法主要有两种：其一是非参数方法，以数据包络分析法(DEA)为主，已有不少学者据此方法进行了研究[3-11]；其二是参数方法，主要以随机前沿方法(SFA)为代表。 SFA和DEA相比，后者利用线性规划知识来测度效率，虽不需要设定具体形式的生产函数，但设定了明确的边界，又不考虑测度误差的存在而具有不足之处。朱有为等[12]利用随机前沿生产函数进行的研究表明，中国高技术产业的研发效率整体上较低，但出现逐步上升的态势，效率的行业差异出现不断缩小的趋势。韩晶[13]基于2001—2007年中国高技术产业分行业面板数据，利用SFA测度了中国高技术产业创新效率，表明中国高技术产业整体创新效率呈现不断改善的趋势。李邃等[14]的研究表明，中国各地区高技术产业创新技术效率具有差异性，且东部地区要高于中、西部。范凌钧等[15]利用SFA对中国高技术产业的技术效率进行的实证研究表明，高技术产业整体技术效率较低但呈现稳步上升的态势，且存在明显的区域差异，东部地区的高于中、西部。李向东等[16]采用了DEA和SFA测度了中国高技术产业细分行业的研发创新效率，实证表明DEA方法测度的效率高于SFA方法，但SFA方法具有较强的稳定性。因此，本文选用SFA测算中国省域高技术产业创新效率，以提高创新效率测度的准确性。

目前国内学者关于省域高技术产业创新效率的研究涉猎较少。吕明洁等[17]利用指数法测度了1998—2007年中国各省域高技术产业政策绩效的全要素生产率，并利用其作为政策绩效指标进行的研究表明，中国高技术产业政策绩效呈现区域性阶梯状分布且各区域的政策绩效均出现绝对收敛。尹希果等[18]利用和指数法，从静态和动态视角出发，针对中国高技术产业政策的区域效应进行的实证研究表明，中国高技术产业政策效应呈现显著的区域收敛。马永红等[19]的研究表明，中国中部、西部、东北部高技术产业创新质量存在收敛趋势，但东部地区的则不存在。肖泽磊等[20]利用指数和功效系数法，基于研发效率和经济效率的视角，测得了中国高技术产业发展的综合绩效，并运用空间自回归(SAR)进行的研究表明，中国省域高技术产业发展绩效存在明显的绝对β收敛，且收敛速度存在区域差异性，中部地区的最快。此外，杨震宇[21]的研究发现，中国战略性新兴产业全要素生产率存在显著的收敛性特征。

对于研究方法而言，传统计量经济学没有考虑空间因素的影响，已有大多数研究都没有考虑区域在地理位置上的空间相关性。但Anselin[22]的研究表明，所有的空间数据几乎都具有空间依赖性或空间自相关，因此，本文将空间效应纳入省域高技术产业创新效率的收敛性分析框架中，考虑其收敛性问题。本文的可能贡献和创新之处在两个方面：一是本文借鉴Barro等[23]的收敛模型，考虑空间因素，将空间计量模型加入其中，提高了效率收敛性测度的精确度；二是本文借鉴较为前沿的空间计量方法，对中国省域高技术产业创新效率在样本期内的收敛性进行实证研究，且探索了影响省域高技术产业创新效率收敛的因素，这对于缩小省域间高技术产业创新效率的差距具有重大的现实意义，也为相关政策的制定与执行提供了一定的借鉴。

2 模型构建

2.1 传统收敛模型

起初开发的收敛性模型用于测度国家或区域之间收入分布状况，且分析其收入差距是否存在收敛性，后来被广泛地应用于很多其他的领域，比如贸易、创新等。其中一个非常重要的应用是β收敛方法，该方法基于这样的假设：资本边际效益递减而引致的经济增长出现趋同的情况。β收敛分为绝对β收敛和条件β收敛。前者是指考虑不控制外界因素的影响，地区间出现了收敛现象；而后者是指控制外界环境因素的影响，地区间也出现收敛现象。借鉴Barro等[23]的收敛模型，定义绝对β收敛的方程如下：

(1)

其中：yi,t表示第i个地区在第t年的水平；T为时间长度；α和β是待估参数；ε是随机误差项。

2.4.2 控制活动实施不到位。内部控制活动在企业内部控制中占重要地位，它的实施对企业内部控制效果的发挥产生主要的影响。从调查来看，控制活动实施不到位是企业面临的一大难题，主要表现在我国企业控制活动缺乏执行力，执行过程不严格。

条件β收敛基于绝对收敛考虑了一些控制变量，具体的方程形式如下：

从田埂交叉点检测的精度分析可见，对于地表上无明显投影差的特征地物使用GoodyGIS卫星影像进行矢量化测图能够满足公路1∶2 000地形图测量精度要求。

[13]韩晶.中国高技术产业创新效率研究：基于SFA方法的实证分析[J].科学学研究，2010，28(3)：467-472.

(2)

2.2 考虑空间因素的收敛模型

上述β收敛分析是从传统测度方法来说的，假若在实际上不考虑空间因素，可能出现测度偏误，为此，本文将引入空间计量分析中的空间自回归模型和空间误差模型方法进行分析。

2.2.1 空间自回归模型

β的绝对收敛和条件收敛空间自回归模型表达式分别为：

远远的他就看见权筝在大门口等着呢，权筝扶了扶眼镜跟何东招手：“这儿呢。”权筝虽然长相一般，但胖瘦适中，穿着得体，个子一米六五的样子，跟一米七六的何东站在一起还挺般配，又知书达礼，温文尔雅，且家里也是北京的，要不老何家一干人马怎么看怎么都认定长孙媳妇就是她了呢。

(3)

 

其中：ρ为空间自回归系数；W为空间权重矩阵系数；ε为随机误差项。

2.2.2 空间误差模型

考虑空间误差项，其绝对收敛和条件收敛的空间误差模型为：

(5)

 

政府支持能够对省域高技术产业创新效率产生一定的杠杆效应但不显著，这和桂黄宝[10]的研究相一致，但与肖仁桥等[5]的研究有所不同。在中国经济转型背景下，政府在资源配置过程中仍占据重要地位，其政策选择效应对企业的可持续发展产生重要影响[34]。政府资助不仅有利于企业科研成果的商业化与规模化程度的提高，而且促进了企业的技术水平和国内、国际竞争力的提升[35]，激励企业开辟新产品市场，进而提高企业的劳动生产率；此外，政府出台的政策能够对高技术产业技术创新效率产生促进效应[3]，实行的财政补贴与税收优惠政策也会显著地促进高技术产业的R&D效率的提高[36]。

2.3 空间计量模型

由于中国各省域间高技术产业创新的信息交流、创新知识溢出、网络通达性等存在空间关联，有必要将空间效应纳入计量模型中。借鉴Baltagi等[24]的研究，且本文所使用的样本数据来自中国30个省域(不含港澳台和西藏地区)，故而选用固定效应模型。根据式(3)—(6)，本文分别构建绝对β收敛和条件β收敛的空间滞后模型及空间误差模型分别进行回归检验。

（1）收割机的保养：检查易松的紧固件和连接件；检查各皮带是否调节好；各润滑点按规定加注润滑油；起动后机器空转，检查是否有异常现象。（2）发动机的保养：根据发动机使用说明书进行保养，检查润滑油、柴油及冷却水，每隔3-5天，注意清洗发动机空气滤清器，更换滤清器的机油，检查各主要部位的紧固情况。

综上，4.2.1与4.2.2分别代表θ、β之和与γ的两种关系形式。根据两种情况均可得出，WTP与θ、β呈正相关，与γ呈反相关；qn与WTP呈正相关。当γ增加量相同时，表3中WTP增加量大于表2中WTP增加量。

(7)

(8)

条件收敛模型:

 

 

上述4个模型均为空间固定效应模型，η和λ分别代表空间自回归系数和空间误差系数。

3 变量说明与数据来源

3.1 数据来源

考虑样本的可获取性和可靠性，本文选取2004—2015年中国30个省域相关研究变量的面板数据作为研究样本，原始数据均源于2005—2016年的《中国统计年鉴》《中国高技术产业统计年鉴》和《中国科技统计年鉴》。

3.2 变量说明

3.2.1 被解释变量说明

Schmidtp[25]、Meeusen等[26]分别提出与阐述了SFA方法，尤其是随着SFA使用的普遍化，后来的学者逐步修正了初始SFA的缺陷，并使其进一步完善，本文利用SFA方法进行研究。SFA的优点在于具有坚厚的经济理论基础，能够清晰地描述生产的过程，通过设定影响生产效率的随机噪声的分布形式，分离了无效率项和随机误差项两个独立的误差项，降低异常值的冲击与数据收集及处理的复杂程度，且可以得到较为准确的估计结果。高技术产业创新是一个投入-产出的关联过程，本文借鉴Battese等[27]的模型构建了C-D生产函数对中国高技术产业创新效率进行了测度。具体公式如下：

机械系统动力学[1]是研究机械系统的运行状态与其内部参数、外界条件之间的关系的一门学科，其理论分为运动学和动力学两部分。运动学是指在不考虑系统受力的情况下，研究系统内点或刚体的位置、速度、加速度等运动量之间的关系，如图1所示的机器人手末端的位置、速度和加速度与各关节转角、角速度、角加速度的关系。动力学是指在考虑受力的情况下，研究系统的力与运动的关系，可以是给定主动力求运动或约束力，也可以是给定运动求主动力和约束力，如给定机器人手末端的运动规律，求各关节的驱动力矩。

改革需要赋权也需要控权。建立健全司法人员履职保护机制，确保法官、检察官非因法定事由、非经法定程序，不受法律追究；建立健全冤假错案的责任追究机制，要求法官、检察官、人民警察在职责范围内对办案质量终身负责，确保作出的每一项决定都经得起历史检验。

(11)

式(11)中：i和t分别表示省域数与年份；Y为中国省域高技术产业创新产出，由各省域高技术产业专利申请量表示；L和K分别表示省域高技术产业创新生产过程中劳动力投入和资本投入，分别由R&D人员和R&D内部经费支出表示；(vit-uit)为复合扰动项，其中，εit表示随机扰动项，为技术非效率项，且利用设定的形式u=uie-ηt；cov(uit,εit)=0。

对于创新效率(TE)，本文利用各省域高技术产业的专利申请量来表示科技创新成果的实际产出。专利是体现各省域创新资源从投入到实现技术成果转化的重要指标，可以客观地反映出一个省域高技术产业的原始创新能力和科技实力，本文借鉴李婧等[28]学者的研究方法，选择专利申请量作为研发创新阶段产出衡量指标。根据高技术产业创新活动的特征，选取高技术产业R&D人员全时当量和R&D经费支出作为测度高技术产业创新效率的人员和资本投入指标。对于R&D资本存量的测算，本文参考吴延兵[29]的研究，采用永续盘存法进行存量计算，如式(12)所示：

(12)

1)|β|=1-e-θT，其中：θ为收敛速度，T为研究期时间长度，则

i省域基期的资本存量为：

(13)

式(13)中：HRDSKit表示基期的资本存量；Ei0表示基期的实际R&D经费支出；g表示实际R&D经费支出的几何平均增长率。此为测算省域高技术产业R&D资本存量的全部核心步骤。

1.5.8 患者自身因素 患者的年龄、免疫力、营养状态及原发疾病的严重程度都会是引起CRBSI的因素。

绝对收敛模型：

3.2.2 解释变量说明

(1)固定资产投资水平(fiv)。一般情况下，一个地区对高技术产业的固定资产投资水平越高、基础支撑力越好，越有利于省域高技术产业创新能力的提高。本文利用高技术产业中新增固定资产额占主营业务收入的比例来表示固定资产投资水平。

(2)市场竞争(mar)。高技术产业市场竞争程度越激烈、危机意识越强，越有利于促进知识扩散和技术外溢，对创新能力及其效率的提升产生重要的影响。本文利用高技术产业企业个数表示市场竞争程度。

(3)政府支持(gov)。政府通过资金的配置效应在企业创新活动中发挥着不可忽视的引导和协调作用。本文利用高技术产业研发经费中政府资金额来表示。

4 估计结果与分析

4.1 空间相关性检验

省域高技术产业创新效率的空间相关性主要体现在省域高技术产业创新行为的空间溢出效应，对周围省域创新行为产生了难以忽视的重要影响。空间相关性的另一个重要体现在空间异质性，表现为省域高技术产业创新效率存在着中心-边缘的空间分布情况，即为空间差异性。检验研究变量空间相关性存在与否，经常选用的测度指标有Moran’s I、Geary’s、Getis、Join指数等，大量文献的研究结果表明，Moran’s I指数是对空间相关性进行测度效度较好的测度指标。本文通过Moran’s I指数的测度来表现中国省域高技术产业创新效率的空间效应，将Moran’s I指数定义为：

2.1.2 磷。果实缺磷能够引发水心病，影响苹果的储藏质量。2012年全市叶片磷平均含量为0.28%(表1)，说明烟台市果园磷的使用量在较高水平，果树减磷迫在眉睫。除非叶片磷的含量低于0.08%才进行土壤施磷肥。磷元素在土壤中与其他元素合作关系不是很好，能使钙、镁、锌、铜、硫等元素变得无效。低磷常与土壤pH低有关，酸性土壤中磷酸根离子与铁(Fe3+)、铝(Al3+)、锰(Mn2+)形成磷酸盐沉淀，使磷素失效；碱性土壤中的磷被Ca2+、Mg2+固定。

(14)

(15)

其中：；xi代表第i个省域；n表示省域个数；wij是空间权重矩阵。测度出Moran’s I指数值之后，利用Z检验对其结果进行统计检验：

 

(16)

Moran’s I值的取值范围在(-1,1)，绝对值越大，说明该对象的空间相关性越强：若Moran’s I值大于0，说明该对象存在正向的空间相关性；若Moran’s I值小于0，则表示负向的空间相关性；若Moran’s I值等于0，则表示不存在空间相关性。

从表1可知，2004—2015年期间，中国省域高技术产业创新效率的指数均为正值，且通过5%或者10%的显著性统计检验；Moran’s I指数值随着年份的推移而呈现不断变小的趋势，且统计显著性逐渐减弱。这说明：中国30个省域高技术产业创新效率在地理空间上具有显著的正向空间相关性，在空间分布上呈现一定的规律，并不是随机分布的特征，即低的省域创新效率和高的省域创新效率出现了集群的现象。由此可知，空间相关性对中国省域高技术产业创新效率产生了不可忽略的重要影响，不可忽略了空间相关性来考察省域高技术产业创新效率的收敛性，否则会导致模型估计的偏差。

 

表1 2004—2015年中国省域高技术产业创新效率的Moran’s I指数

  

年份/年Moran’IE(I)sd(I)Z值P值20040220∗∗-003401232063003920050214∗∗-003401232017004420060209∗∗-003401241972004920070204∗-003401241931005320080199∗-003401241894005820090195∗-003401231861006320100191∗-003401231833006720110188∗-003401231808007120120185∗-003401231787007420130182∗-003401231769007720140180∗-003401221754007920150178∗-0034012217410082

注：***、**、*分别表示在1%、5%、10%水平上显著。下同

4.2 模型选择

在不考虑变量和误差项的空间相关性进行LM和Robust_LM统计检验，若LM_spatial_lag较LM_spatial_err在统计检验水平更加显著，且Robust_LM_spatial_lag显著Robust_LM_spatial_err不显著，则考虑SLM模型；反之，若在统计检验上LM_spatial_err比LM_spatial_lag在统计检验水平上更加显著，且Robust_LM_spatial_err显著、Robust_LM_spatial_lag不显著，则考虑SEM模型[31]。

根据表2可知，基于地理邻接空间矩阵，在绝对β收敛下，没有空间效应的SLM原假设在地区固定、时间固定和双固定模型中均被拒绝，并在1%统计性检验水平下显著，而SEM原假设仅在时间固定模型中被拒绝，并通过了10%显著性水平；稳健的LM值在地区固定模型、时间固定模型和双固定模型中均拒绝了不存在空间滞后的原假设，且均在1%统计性水平下显著，而仅在时间固定模型中拒绝了不存在空间误差的原假设，并通过了10%显著性水平。这说明在绝对β收敛下，考虑SLM模型更为适宜。在条件β收敛下，没有空间效应的SLM原假设在地区固定、时间固定和双固定模型中均被拒绝，且均在1%统计检验水平下显著；SEM原假设仅在地区固定模型中被拒绝，并通过了1%显著性水平；而稳健的LM值也出现了类似的结果。这说明在条件β收敛下，考虑SLM模型更为适宜。

 

表2 2004—2015年中国省域高技术产业创新效率未考虑技术创新空间效应的LM值

  

指标绝对β收敛条件β收敛地区固定时间固定地区时间双固定地区固定时间固定地区时间双固定LM＿spatial＿lag18291∗∗∗3074∗∗∗3399∗∗∗18759∗∗∗2423∗∗∗3688∗∗∗Robust＿LM＿spatial＿lag18687∗∗∗3096∗∗∗3430∗∗∗19105∗∗∗2432∗∗∗3717∗∗∗LM＿spatial＿err6596321∗2253991∗∗∗082185Robust＿LM＿spatial＿er6991343∗2564337∗∗∗091215

4.3 空间面板数据模型的估计结果

根据表3可知，Log_L值表明双固定模型的对数似然值最大，因此本文选择SLM的地区时间双固定模型。在绝对β收敛空间计量模型中，ln(TE0)通过了1%显著性统计检验水平且其系数为负，说明中国省域高技术产业创新效率存在显著的绝对收敛，采用新古典经济增长模型β收敛的测度公式1)，测出其绝对收敛速度为1.191 1%。

与绝对β收敛模型相比较，加入固定资产投资水平、竞争程度和政府支持等控制变量后，条件收敛空间计量模型的Log_L值有所提高，这说明后者模型的解释能力更强。在控制其他变量的条件收敛的SAR模型中，ln(TE0)通过了1%显著性统计检验水平且为系数负，根据β收敛的测度公式得出收敛速度为1.191 5%。

在其他因素不变的情况下，省域高技术产业固定资产投资通过5%显著性水平检验且其系数为正，说明固定资产投资对中国省域高技术产业创新效率产生了显著的杠杆效应。一个国家或地区加大对其高技术产业的固定资产投资，促进了新设备的引进与开发，通信设备等更新较快，加快了新技术的扩散程度，加大技术进步的速度。

市场竞争能够对省域高技术产业创新效率产生一定的杠杆效应但不显著，可能的原因在于各省域地方政府面临着以地区生产总值为核心的锦标赛竞争压力[32]，采取保护本地市场等手段，没有引入有效的市场竞争机制，形成竞争性的市场环境，导致要素扭曲，难以有效地提升创新效率[33]。

其中：u～N(0,σ2I)；λ反映了回归残差项之间空间相关性的参数。

 

表3 2004—2015年中国省域高技术产业创新效率空间面板数据模型的估计结果

  

变量绝对β收敛条件β收敛地区固定效应时间固定效应地区时间固定效应地区固定效应时间固定效应地区固定固定效应ln(TE0)-0133097∗∗∗-0133566∗∗∗-0133191∗∗∗-0133104∗∗∗-0133534∗∗∗-0133232∗∗∗lnfiv-0000079∗-00000010000070∗∗lnmar0000235-0000097∗0000115lngov0000071∗∗00000080000011

 

表3(续)

  

变量绝对β收敛条件β收敛地区固定效应时间固定效应地区时间固定效应地区固定效应时间固定效应地区固定固定效应Log＿L219002215261230287219808217272230836R2099990999909999099990999909999η或λ-0018180∗∗∗-0004601∗∗-0007733∗∗-0006766∗∗∗-0003866∗∗-0007740∗∗

5 结论与政策建议

5.1 结论

本文利用考虑C-D生产函数的SFA方法，测度了2004—2015年中国30个省域高技术产业创新效率，考虑空间效应，利用空间计量模型研究了中国省域高技术产业创新效率的收敛性问题，得出的结论如下：

(1)从整体上看，中国省域高技术产业创新效率随着时间的推移呈现不断提高的态势，且呈现出明显的空间异质性，具体表现为东部地区最高、西部次之、东北部居第3位、中部最低。

(2)Moran’s I指数分析表明，中国省域高技术产业创新效率呈现显著的空间自相关性，这说明其创新行为具有明显的空间溢出效应，因此，在实证分析中不应该忽视空间效应而对中国省域高技术产业创新效率进行收敛性分析。

(3)空间自回归模型的实证分析结果表明，中国省域高技术产业创新效率不仅存在绝对收敛而且存在条件收敛，且固定资产投资对其创新效率收敛存在显著的影响，但市场竞争和政府支持对其创新效率收敛不具有明显的影响。

5.2 政策建议

(1)强化地区战略执行的协同效应和对接。加快东部地区的技术转移和产业转移，出台研发补贴和税收优惠政策等激励东部地区高技术产业向中、西部和东北部提供研发技术支持、价值链增值过程的合作与开发等，有效衔接中部崛起战略、西部大开发战略与东北老工业基地振兴战略，发挥空间协同效应，形成具有各自特色的高技术产业专业化分工体系。

(2)优化区域市场环境。各省域进一步构建市场导向机制，缩短技术与市场融合的时间，提高科技成果市场化效益；同时，政府着眼大局，营造竞争性的市场环境，积极鼓励企业跨区域交流与合作。中国高技术产业需要进一步整顿市场秩序，适度降低垄断性高技术行业对社会资本的政策性进入门槛，调整市场竞争机制以提高技术创新效率，实现向创新领域的延伸和扩展。

(3)加大高技术引进和人才培养。在引进先进技术提升中国技术创新能力时，注重从“量”化转变为“质”化的引进模式，即引进具备较强研发系统的跨国公司，或通过项目合作的模式建立先进外资企业的中国范式——“中心-外围”研发中心，通过此在国内增加新知识和新技术的空间溢出效应和扩散效应。此外，高技术产业的技术进步、创新能力的提高和效率的提升关键在于人才，政府要发挥牵头作用，提供专项资金支持，有效落实产学研合作机制，为高技术产业企业培养专业化高层次人才；同时协助企业自身培养高端人才，构建便捷、灵活和高层次的人才引进机制[37]，发挥人才存量优势。

由于度量尺度不统一（up-to-scale）的原因，并不能使用双目三维重建同样的方法去处理多视图三维重建。引入透视N点法（Perspective N Point，PNP）将双目三维重建拓展到多视图重建三维场景。有很多关于透视N点法的研究，如P3P、P4P、P5P[19-20]等。但为了提高重构算法的鲁棒性，一般使用多于4个特征点的算法来解决实际应用中的问题。PNP算法大致通过求得前两幅图像中的特征点的三维坐标以及这些空间点在第三幅图像中的像素坐标位置来计算估计第三幅视图拍摄时的位置姿态。并类推到更多视图的三维重建。

注释：

式(12)中：HRDSKit表示省域高技术产业R&D资本存量；δ为折旧率，取折旧率δ等于15%；Ei(t-1)表示i省域第t-1期的实际R&D经费支出，采用R&D支出价格指数对R&D经费进行平减处理，换算成实际值[30]。

中国共产党领导的事业是中国特色社会主义现代化建设事业，党的思想文化建设就应该而且必须以中国特色社会主义核心价值体系为基础。

参考文献：

[1]洪银兴.进入新阶段后中国经济发展理论的重大创新[J].中国工业经济，2017(5)：5-15.

[2]刘伟，陈菁泉，李星星.中国省际高新技术产业技术创新的TFP测算及收敛趋势研究[J].经济理论与济管理，2013(1)：36-50.

[3]余泳泽.我国高技术产业技术创新效率及其影响因素研究：基于价值链视角的两阶段价值分析[J].经济科学，2009(4)：62-74.

所有入选病例均给予卧床休养，24 h心电监护，对于呼吸困难或发绀患者要予以吸氧，常规内科治疗包括应用小剂量阿司匹林、β-受体阻滞剂、他汀类、硝酸酯类、钙通道阻滞剂。观察组与对照组分别加用疏血通6 mL（牡丹江友博药业股份有限公司生产，批准号H20053430，2 ml/支）和复方丹参注射液（海口奇力制药有限公司生产，批准号14060921，10 ml/支）20 mL入液静滴，1次/d，14 d为1个疗程。分别观察两组患者用药前后临床症状、心电图、血流变指标及肝肾功能变化。

[4]王军，杨惠馨.2006—2008年中国省际高技术产业效率实证研究[J].统计研究，2010，27(12)：46-50.

[9]董艳梅，朱英明.中国高技术产业创新效率评价：基于两阶段动态网络DEA模型[J].科技进步与对策，2015，32(24)：106-113.

[6]戴魁早.中国高技术产业垂直专业化的生产率研究[J].统计研究，2012，29(1)：55-61.

[7]陈伟，康鑫，冯志军.区域高技术产业知识产权运营效率研究[J].科学学与科学技术管理，2011，32(11)：125-130.

[8]方毅，林秀梅.中国高技术产业研发的动态效率研究[J].数理统计与管理，2012，31(5)：761-770.

[5]肖仁桥，钱丽，陈忠卫.中国高技术产业创新效率及其影响因素研究[J].管理科学，2012，25(5)：85-98.

[10]桂黄宝.我国高技术产业创新效率及其影响因素空间计量分析[J].经济地理，2014(6)：100-107.

[11]宇文晶，马丽华，李海霞.基于两阶段串联DEA的区域高技术产业创新效率及影响因素研究[J].研究与发展管理，2015，27(3)：137-146.

[12]朱有为，徐康宁.中国高技术产业研发效率的实证研究[J].中国工业经济，2006(11)：38-45.

剖宫产术后疼痛主要分为腹部的切口痛、子宫的宫缩痛以及炎性疼痛。切口痛来源于腹部伤口的创伤性刺激，经脊髓后角，传递到中枢神经系统，呈持续存在状态。子宫收缩时，神经末梢受压，子宫下段及会阴部扩张，产生宫缩痛，为短暂间断发作的绞痛。同时，子宫收缩可导致局部血管缺血，组织缺氧，释放炎症介质，导致炎性疼痛。剖宫产术后疼痛以宫缩痛更为明显，疼痛一般在术后12h内达到高峰，24h内持续处于较高水平[2]。

[14]李邃，江可申，郑兵云，等.高技术产业研发创新效率与全要素生产率增长[J].科学学与科学技术管理，2010，31(11)：169-175.

[15]范凌钧，李南，陈燕儿.中国高技术产业技术效率区域差异的实证分析[J].系统工程，2011，29(2)：56-62.

[16]李向东，李南，白俊红，等.高技术产业研发创新效率分析[J].中国软科学，2011，26(2)：52-61.

[17]吕明洁，陈松.我国高技术产业政策绩效及其收敛性分析[J].科学学与科学技术管理，2011，32(2)：43-47.

[18]尹希果，冯潇.我国高技术产业政策效应：时期变迁、区域收敛与行业分化[J].科学学与科学技术管理，2012，33(4)：34-43.

[19]马永红，张景明，王展昭.我国高技术产业创新质量空间差异性分析[J].经济问题探索，2014(9)：89-95.

[20]肖泽磊，盛宇华，张国华.中国高技术产业发展绩效变动的空间收敛分析[J].管理工程学报，2015，29(4)：87-94.

[21]杨震宇.战略性新兴产业全要素生产率的测算及其收敛性分析[J].科技管理研究，2016(15)：114-121.

[22]ANSELINL. Spatial econometrics：methods and model[M].Dordrecht：Kluwer Academic Publishers，1988.

[23]BARRO R J,SALA-I-MARTINX. Convergence across states and regions[J].Brookings Papers on Economic Activity，2011，1(100)：107-182.

[24]BALTAGI,BADI H,LI DONG.LM tests for functional form and spatial error correlation[J].International Regional Science Review,2001,24(2):194-225.

[25]SCHMIDTP L P. Formulation and estimation of stochastic frontier production funtion models[J].Journal of Econometrics，1977，6(1)：21-37.

[26]MEEUSEN W,VANDEN BROECKJ. Efficiency estimation from Cobb-Douglas production functions with composed error[J].International Economic Review，1977，18：435-444.

[27]BATTESE G E ,COELLI T J. Frontier production functions, technical efficiency and panel data：with application to paddy farmers in India[J].Journal of Productivity Analysis，1992，3(1/2)：153-169.

[28]李婧，谭清美，白俊红.中国区域创新生产的空间计量分析：基于静态与动态空间面板模型的实证研究[J].管理世界，2010(7)：43-65.

[29]吴延兵.R&D存量、知识函数与生产效率[J].经济学(季刊)，2006(4)：1130-1156.

[30]严成樑，周铭山，龚六堂.知识生产、创新与研发投资回报[J].经济学(季刊)，2010(3)：1051-1070.

[31]ELHORST J P. Spatial econometrics：from cross-sectional data to spatial panels[M].Berlin：Springer，2014.

[32]周黎安.中国地方官员的晋升锦标赛模式研究[J].经济研究，2007(7)：36-50.

[33]戴魁早，刘友金.要素市场扭曲与创新效率：对中国高技术产业发展的经济分析[J].经济研究，2016(7)：72-86.

[34]高艳慧，万迪昉，蔡地.政府研发补贴具有信号传递作用吗？：基于我国高技术产业面板数据的分析[J].科学学与科学技术管理，2012，33(1)：5-11.

[35]郑世林，刘和旺.中国政府推动高技术产业化投资效果的实证研究[J].数量经济技术经济研究,2013(7):66-80.

[36]卢方元，李彦龙.政府支持有助于提升高技术产业R&D效率吗？[J].科学学研究，2016，34(12)：1800-1806.

[37]邓峰，宛群超.环境规制、FDI与技术创新：基于空间计量学的经验分析[J].工业技术经济，2017(8)：51-58.