高技术产业的发展水平是衡量一个地区科技创新水平的重要指标，在新一轮技术革命和产业革命兴起的背景下，高技术产业在推动传统产业转型升级、培育战略性新兴产业方面发挥着不可替代的“引擎”作用，成为新的经济增长点。值得研究的是，高技术产业一方面有着高投入、高风险、高附加值的重要特征，其增加值率明显高于其他产业；另一方面，与经济增长的粗放式类似，高技术产业的技术创新同样具有粗放性，主要依靠高投入来支撑，这样直接促成了政府对技术创新的大力支持和投入。然而，本质上而言增加创新投入只能成为实施创新驱动经济发展的必要条件而非充分条件，创新投入主体不仅要注重创新资源的总量投入，更应注重效率问题，如何有效利用有限的创新资源提高单位创新投入产出效率已成为中国各区域经济发展方式与科技创新进程中不可忽视的重要问题。作为国家自主创新示范区和国家创新型城市，深圳具有良好的创新氛围和完善的产业格局，其高技术产业多年来更是发展迅速，《深圳市统计年鉴》的资料显示，深圳高技术产业研发投入近年来呈现不断增长的态势，在高技术产业研发投入的驱动下，高技术产业总产值从2011年11875.61亿元提升到2016年的19222.06亿元，同比增长了61.9%，成为经济增长的重要引擎。进一步值得关注的是，如何测算深圳市高技术产业的创新效率？不同高技术产业行业间的创新效率有何差异？高技术产业的发展是靠研发投入总量驱动还是效率驱动？不断加大的创新投入是否显著提升了深圳市高技术产业的创新效率？在创新资源稀缺性约束背景下，无论从理论层面还是实践角度，对这些问题的探讨都具有一定的理论与实践价值。本文的主要贡献在于，目前对深圳市高技术产业研究的文献，仅对高技术产业发展现状作基本的描述，如李镭和孙海斌(2007)[1]、周轶昆(2016)[2]等，未涉及创新效率层面的研究，缺少数据支撑，所得结论的参考价值有限。本文则在深圳高技术产业现状分析的基础上，首次对深圳高技术产业创新效率进行测算，从选择研发投入与产出指标出发，构建Malmquist指数模型，来分析高技术产业总体以及各行业创新效率水平，以期为深圳高技术产业的发展提供理论依据和策略借鉴。

本文余下部分的结构安排如下：第一部分对高技术产业创新效率测度方法的相关研究进行述评；第二部分界定高技术产业统计范畴；第三、四部分是基于Malmquist指数模型测算深圳市高技术产业研发创新效率；第五部分是政策启示。

一 高技术产业创新效率相关研究述评

创新效率实际上是一种研发技术效率，表示单位研发产出所消耗的投入。经济学家Farrell(1957)在其代表作《生产效率度量》中，开创了技术创新效率理论研究的先河。该理论经历近60年的发展，尽管创新效率问题已有较多的学者关注，但针对高技术产业创新效率的研究还较少。就高技术产业创新效率的测算方法而言，其基本思路是通过界定相应资源的投入和产出指标，综合比较来衡量单位投入所产生的效应。创新效率的测算分为参数法(Parametric Estimation Method)和非参数法(Non-Parametric Estimation Method)。

(一)创新效率测算的参数方法

参数方法沿袭传统生产函数的估计思想，首先确定或自行构造一个具体的生产函数，然后运用最小二乘法或极大似然估计法对函数中各参数进行估计。参数法包括随机前沿分析(SFA，Stochastic Frontier Analysis)、厚边界分析(TFA，Thick Frontier Analysis )和自由分布分析(DFA，Distribution Free Approaches)三种测算工具。在实际测算中，最为常用的参数方法为随机前沿分析SFA，如Jean O. Lanjouw& Mark Schankerman(2004)[3]、余泳泽(2009)[4]、刘和东(2012)[5]、杨青峰(2013)[6]、张玉等(2017)[7]、高新才和朱泽钢(2017)[8]。其中，张玉等(2017)应用随机前沿模型SFA，测度和比较2009-2014年中国各省份大中型工业企业的研发效率，实证结果表明：各省份大中型工业企业研发效率逐年提高，但不同省份间整体研发效率差距较大，且东部沿海地区研发效率整体高于中西部地区。高新才和朱泽钢(2017)基于 SFA与中介变量法，利用2001-2013年我国高技术产业面板数据，考察资源依赖影响高技术产业创新效率的传导机制，实证结果表明：资源依赖总体上阻碍高技术产业创新效率提升，并且各传导因素的影响程度不同。

(二)创新效率测算的非参数方法

非参数方法则不需要事先假定生产函数的形式，直接应用观测数据构造出一个包含所有生产方式的最小生产可能性集合，即一定投入下的最大产出或一定产出下的最小投入。非参数法主要包括数据包络分析(DEA，Data Envelopement Analysis)和自由处置法(FDH，Free Disposal Hull)两种分析方法。在实际测算中，最为常用的非参数方法为数据包络分析DEA，如HakYeon Lee & Yong Tae Park(2005)[9]、Eric C. Wang&Weichiao Huang(2007)[10]、Akihiro & Shoko(2008)[11]、叶锐等(2012)[12]、刘文君等(2015)[13]、孙国锋等(2016)[14]。其中，叶锐等(2012)基于共享投入关联DEA模型，测算1999-2010年我国29个省份高技术产业创新效率，结果表明：我国高技术产业创新效率省际间差异较大，北部沿海经济区为高技术产业效率系统兼优区域，东部沿海经济区和南部沿海经济区为高技术产业效率系统兼良区域，黄河中游高技术产业为效率系统兼中区域，西南经济区、西北经济区、东北经济区和长江中游经济区为高技术产业效率系统较差区域。刘文君等(2015)利用超效率DEA和Malmquist指数测算湖南省各地市全要素生产效率以及对农业生产效率进行动态对比研究，实证分析结果表明：衡阳市农业全要素生产效率最高；技术进步是推动湖南农业全要素生产效率增长的主要动力[13]。孙国锋等(2016)利用链形关联 DEA模型，测算2000年、2005年和2007-2011年大中型高技术企业创新效率，并将各类企业的创新效率分解为技术效率、纯技术效率和规模效率，实证结果表明：大中型国有控股企业与内资企业的创新效率低于大中型港澳台资企业和大中型外资企业[14]。

由于不同的方法各具优劣，究竟哪一种方法更适合效率测算，目前学术界尚无定论。相比之下，具有测算多投入多产出决策单元(DMU)相对效率的DEA方法，更适于高技术产业效率的研究。但传统的DEA模型，把DMU内部生产结构视为“黑箱”，忽略了内在真实的生产率，无法全面系统地评价决策单元的效率。鉴于此，随着研究的深入，DEA方法也在不断被改进。本文则是基于改进的DEA方法，通过构建Malmquist指数模型，对深圳市2011-2016年高技术产业的创新效率进行测算。

二 本文对高技术产业的界定

20世纪60年代，美国首次提出“高技术”(HighTechnology)的概念，认为高技术是人类智慧的高度集中，尤指科技前沿领域的技术。随着高技术产业的发展，其逐渐成为各个国家和学术界关注的焦点。因不同国家所处的经济发展阶段不同，对高技术产业的认识也不同，因此对高技术产业范围的界定也是相对的。显然，高技术产业统计的范围受经济社会发展水平的制约，因此，高技术产业是一个动态的、历史的概念。

根据国家统计局制定的《高技术产业分类(2013)》(制造业)，按照产业的技术密集程度和复杂程度来作为衡量标准，高技术(制造业)产业是指国民经济行业中R&D投入强度(R&D经费支出占主营业务收入的比重)相对较高的制造业行业。受数据可得性限制，兼顾城市间可比较的原则，本文研究的对象为高技术产业制造业(以下简称高技术产业)，高技术产业服务业暂不做研究。

三 Malmquist指数模型的构建

Malmquist指数是主流测度TFP的非参数方法，与传统的索罗余值法相比，基于数据包络方法的Malmquist指数具备以下优势：第一，不需要考虑相关要素价格信息，在实证分析中，研发投入和产出的数据易获得，而要素价格难以度量，甚至无法获得。第二，能够测度“多投入、多产出”情形下的全要素生产率变化，并将其进一步分解为不同的效率来源部分。

人力投入指标方面

Malmquist指数最初由瑞典经济学家StenMalmquist(1953)提出，但因没有提供距离函数(技术效率)的测度方法，只能是一种理论指数。在Charnes et al.(1978)通过线性规划方法测度技术效率以后，Malmquist指数从理论指数变成实证指数。基于DEA方法，Fare et al.(1994b)进一步将Malmquist指数分解为技术进步变动、技术效率和规模效率变动，本文则采用Fare等构建的Malmquist指数，具体的测度原理如下：

AD9833的核心是28位的相位累加器，它由加法器和相位寄存器组成，每个小时来临，相位寄存器以步长增加，相位寄存器的输出与相位控制字相加后输入正弦查询表地中[5]。Sine ROM的作用是把相位信息转换成正弦数值，从而可使用NCO输出。数模转换器是10位的DAC，可从Sine ROM中接收数字，并将其转换成相应的模拟电压。稳压器的作用是调整模拟部分和数字部分所需的电源，此电源的范围为2.3V～5.5V。

（二）一二手房价倒挂现象加重，摇号、抢房、炒房等现象扰乱市场预判。随着“限价”纳入调控工具箱，多个城市出现一二手房价倒挂情况，成都、南京、武汉等地一二手住房平均形成0.5-1.9万元/平方米价差，市场供需结构出现扭曲。一方面，低价房压缩了房企利润空间，为规避监管采取各种手段与政府博弈，囤地、变相延长工期、捂盘惜售、壳公司炒房、售转租等乱象频出；另一方面，在房价只涨未跌的刚兑预期下，“买到即赚到”的购房心理催生全民购房，刺激新的投机需求。4月以来，成都、杭州等二线城市一房难求，多地采取“摇号+冻结资金”措施控制参与购房者数量，中签率屡创新低，市场泡沫化程度进一步加大。

“基地深坑”这个名字真是再合适不过了，这是个巨大的地下}同穴，在底部，从我站的地方一眼望去，看不到另一边的尽头。凹凸不平的石墙有数层楼高，墙上构建了盛放食物、衣服、物资和娱乐用品的地方，与之相连的是开凿在石头上的狭窄通道和阶梯。通道和阶梯两边没有护栏，如果不小心，人很容易掉下去。

在规模报酬不变CRS的条件下，首先计算出四类规模报酬不变条件(CRS)下的产出导向距离函数：

 

≥0；

xit-Xtλ≥0；λ≥0

(1)

≥0；

让内驱力更足。由于归口不同系统，无相应的激励机制、考核机制，对于成校而言，忙于完成各局办、镇街下达的各类指标任务，把与文化礼堂的整合开展活动放在次优地位和“锦上添花”的认识，而村居文化礼堂，也忙于完成自己管理部门的各类要求，并不能从跟成校的整合中得到“立竿见影”的收益，自然双方对于整合的内驱力不足，通过体制的保障、机制的理顺和制度的落实，不断完善对成人学校和文化礼堂的考核评价机制，优化指令性任务下达的数量和途径，从居民实际需求出发，提高活动开展的效率和质量，有力改变目前境况。

xis-Xsλ≥0；λ≥0

(2)

≥0；

xis-Xtλ≥0；λ≥0

(3)

其中，x为投入，y为意愿产出。进而，s期至t期的Malmquist指数的具体设定为：

xit-Xsλ≥0；λ≥0

(4)

≥0；

 

(5)

由此得到的Malmquist指数可用来反映s期至t期生产单元(在DEA中也称决策单元DMU)的全要素生产率变化幅度，实际上是两个比值的平均值，这两个比值分别反映了相对于时期s和t技术前沿的距离函数的变化比例。如果Malmquist指数>1，则表明t时期的全要素生产率较s时期增长了；如果Malmquist指数<1，则表明t时期的全要素生产率较s时期下降了；如果Malmquist指数=1，则表明t时期的全要素生产率较s时期没有变化。

式(5)可进一步分解为技术水平变化(TC)、纯技术效率变化(TEC)、规模效率变化(SEC)三个来源部分的乘积：

 

(6)

根据《高技术产业分类(2013)》(制造业)，以及深圳市高技术产业(制造业)发展的特点，本文界定深圳市高技术产业的统计范围主要为医药制造、航空、航天器及设备制造、电子及通信设备制造、计算机及办公设备制造、医疗仪器设备及仪器仪表制造、信息化学品制造六大类29个细分行业。

(7)

研发人员全时当量(单位：人)：指R&D全时人员(全年从事R&D活动累积工作时间占全部工作时间的90%及以上人员)工作量与非全时人员按实际工作时间折算的工作量之和。创新主要依靠人去发现新知识、新需求，因而研发人员的数量对创新有至关重要的影响。

 

(8)

其中，式(7)、(8)中的为规模报酬可变条件下(VRS)的产出导向距离函数(具体公式不再赘述)。同时，技术效率变化可分解为纯技术效率变化(TEC)和规模效率变化(SEC)，代表规模报酬不变(CRS)条件下的相对效率变化指数，它测度了从s到t期每个观察对象到最佳实践的追赶程度，该指标大于1表示技术效率提高，小于1表示技术效率降低，等于1则表示技术效率无变化。技术水平变化则是技术进步指数，用来测度技术边界从s到t时期的移动，该指标可能大于1、小于1和等于1，分别表示技术进步、技术退步和技术无变化。规模报酬可变VRS条件下的技术效率变化统一于规模报酬不变CRS条件下的纯技术效率变化。

四 实证结果分析

(一)指标选择与数据说明

本文选取2011-2016年深圳高技术产业的研发数据进行实证研究，所涉及数据基于数据挖掘，同时结合深圳市第三次全国经济普查、深圳市科技创新委员会的科技统计以及深圳市历年统计年鉴。细分行业为医疗仪器设备及仪器仪表制造业、计算机及办公设备制造业、电子及通信设备制造业，航空、航天器及设备制造业、医药制造，深圳高技术产业总体研发数据由细分行业加总所得。因信息化学品制造业研发数据缺失，无法测算此行业的创新效率，需暂扣除信息化学品制造业，因此，本文的数据共包含5×6=30个观测值。

学生对于图1比较熟悉，在图1中标注概念是引导学生对于三个概念的内涵进行思考，接着引导学生画出图2，直接表示了三个概念之间的从属关系，接着回到图1进一步对三个概念进行比较，学生可以说出如下语句： DNA上有遗传效应的片段是基因，没有遗传效应的片段不是基因；一个DNA分子中有多个基因。DNA的特异性与多样性就是指DNA中碱基对的排列顺序的特异性和多样性，也就是遗传信息的特异性和多样性。遗传信息可以表述为基因(DNA)中碱基对(脱氧核苷酸对)的排列顺序。学生面对直观的图解，在教师的一步步设问下对已有的生物学知识进行信息加工，逐渐清晰地了解基因、DNA、遗传信息之间的从属关系。

基于以上分析，本文选择的具体指标说明如下：

1.研发投入指标

我国能源发展面临着三大核心问题。一是安全发展问题。随着能源需求不断增加，除了要增强国内供应保障外，增加海外能源资源供应成了必然选择。如何保障能源进口安全是长期挑战。二是清洁发展问题。长期以来，我国高度依赖煤炭的粗放低效发展方式，不仅导致资源大量浪费，而且造成了严重环境污染。如何实现能源清洁发展是当前及今后一段时期生态文明建设的瓶颈。三是低碳发展问题。2014年全球二氧化碳排放量为355亿吨，其中我国高达97.6亿吨，占全球的四分之一以上，燃煤贡献了主要的二氧化碳排放量。解决这三大问题，需要国家在推动能源革命过程中，针对问题紧迫程度，采取相应策略性手段和措施。

资本投入方面

新产品销售收入(单位：万元)：新的专利只能捕获创新活动的部分信息，而且并不一定带来经济效益，这是由创新活动本身的高风险、高机会成本特征所决定的。为反映企业的创新商业化能力(例如市场预测能力、营销能力和库存管理水平等)，本文引入新产品销售收入指标。全样本描述性统计结果见表1。

上述三种信号只要一项达到危险条件就启动报警模块。方案一采用2输入四或门的7432或门芯片，三个信号接1、2、5口，输出3与4连，输出6接负载。方案二采用STC89C52单片机，当热释电红外传感器有信号、金属接近传感器无信号、DHT11温湿度传感器温度达到50℃三种情况有一项达到报警指标，即P1.1收到高电平信号，P1.2收到低电平信号，P1.3大于50℃信号，P1.4输出信号高电平，蜂鸣器鸣叫或触发继电器，达到报警效果。

新产品研发经费支出(单位：万元)：指报告年度高技术产业科技内部支出中用于新产品研究开发的经费支出。新产品指采用新技术原理、新设计构思研制、生产的全新产品，或在结构、材质、工艺等某一方面比原有产品有明显改进，从而显著提高了产品性能或扩大了使用功能的产品。创新的最后阶段需要将研发成果转化为新产品接受市场检验，而新产品研发经费的支出是实现将新专利、新技术等转化为创新产品的关键。

（1）对止水槽基面采用聚合物复合韧型环氧砂浆进行找平处理，折角部位加强厚度形成弧状，解决因基面不平整而形成局部漏水空洞。

2.研发产出指标

有效专利授权数(单位：件)：有效专利是高技术产业研发活动的直接成果，也是国际通用的衡量科技创新的产出指标。现有部分文献选取有效发明专利作为研发产出指标，而有效发明专利是指还处于有效期内的发明专利，即该发明专利已经得到授权，并且处于保护期中，并且没有因为专利权人没交维持费而终止，是存量的范畴。本文的研究是基于每年度研发投入所带来的新增研发产出，进而估计出创新效率，所以选择流量指标(专利授权数)更为合理。

研发经费支出(单位：万元)：现有的多数文献都将研发经费视为衡量创新的主要指标。

建设并运营茶叶、咖啡、果蔬和食用菌等大宗农产品国际交易中心，经营的“云啡”牌咖啡、“八角亭”牌茶叶、“天使”土豆片系列产品等在国内外拥有较高的知名度和美誉度。

 

表1 全样本描述性统计结果

  

单位最大值最小值均值标准差新产品销售收入万元8.70215E+1131416414.412.16027E+112.72E+11有效专利授权数件147558.9997141479.2480451129.89R&D人员折合全时当量人/年309092.7983636.55855789375.86485100535.5R&D经费支出万元3.56214E+1136134101.89754151209061.09E+11新产品研发经费支出万元1.42602E+112722649.787326854630134.84E+10

(二)测度结果实证分析

基于深圳市高技术产业研发投入产出数据，本文应用DEAP2.0软件对2011-2016年深圳各高技术产业细分行业及深圳整体的研发创新效率进行测度，结果见表2：

 

表2 2011-2016年深圳高技术产业及其细分行业创新效率(研发TFP)

  

行业年份TFP指数技术进步技术效率变化规模效率变化高技术产业整体2012/20110.9050.70611.2812013/20121.1411.19910.9522014/20130.9981.12310.8892015/20141.0451.04810.9972016/20151.0070.81211.241医疗仪器设备及仪器仪表制造业2012/20111.1770.811.45312013/20121.6161.5651.0380.9952014/20130.7840.8750.9560.9372015/20141.1341.3950.7651.0632016/20150.71.0110.7360.94计算机及办公设备制造业2012/20110.7290.729112013/20121.3351.335112014/20130.8380.838112015/20141.5031.503112016/20150.6620.66211电子及通信设备制造业2012/20110.9810.72111.3612013/20121.2011.201112014/20130.9831.10410.892015/20141.0111.04810.9652016/20151.0380.89211.164航空、航天器及设备制造业2012/201110.77811.2852013/20120.2591.28510.2012014/20133.5470.94713.7442015/20144.8521.5213.1932016/20150.3870.90410.428医药制造业2012/20115.3430.7656.6081.0572013/20120.3691.6570.2240.9962014/20131.0120.9541.20.8842015/20141.7041.4811.4960.7692016/20152.2410.5582.6971.489

注：分解原理: TFP指数=技术进步*技术效率变化*规模效率变化。

1.总体上，深圳市高技术产业创新效率曲折提升，TFP累积提升8.45%。基于Malmquist指数的测度结果显示，除2011-2012年度、2013-2014年度深圳高技术产业整体创新效率有所下滑，其余年度均实现提升，累积提升幅度为8.45%，由此看出，2011-2016年度深圳高技术产业整体创新效率曲折提升。这也说明深圳高技术产业在经历创新效率下降时能够及时作出反思和调整，从而实现高技术产业创新效率的稳步提升。从表2中TFP来源分解的角度看，2011-2016年的规模效率累积提升幅度高达34.14%；但是，研发活动前沿技术有轻微的退步，累积下降约19.1%；创新的技术效率则未改变，因此深圳高技术产业研发效率的提升主要源于规模效率的提升。综上可见，作为中国的创新高地，深圳市高技术产业在研发领域吸引了大批的研发人员、资金等资源，由于知识溢出的存在，这种研发资源的集聚是推动深圳创新效率显著增强的根本原因。

2.在行业变化趋势层面，除了计算机及办公设备制造业，其余四个高技术产业细分行业的创新效率均保持正增长。表3测度结果表明，2011-2016年深圳医疗仪器设备及仪器仪表制造业创新效率累计增长18.37%，电子及通信设备制造业的创新效率累计增长21.54%，航空、航天器及设备制造业创新效率累计增长72.5%，医药制造业的创新效率累计增长高达661.9%。尽管计算机及办公设备制造业的创新效率累积下降18.85%，但是并未抵消其他四个细分行业的优异表现，从而推动深圳高技术行业创新效率实现正增长。另外，从表2可以看出，技术退步是计算机及办公设备制造业的创新效率下降的主要原因，深圳高技术产业各行业技术效率利用率充分，几乎不存在技术非效率。

除了革命资历不够的因素以外，蒋介石凭借军事实力跻身高位，并用暴力手段压制党内各派势力，这样的军事领袖形象限制了其在党义问题上发挥的空间。在老同志眼中，“他仍被认为军事的，而非政治的人物”⑦;而对于基层的许多信仰孙中山主义且怀有革命理想的年轻党员，蒋介石的言论没有任何吸引力。

3.电子及通信设备制造业与航空航天器及设备制造业是推动深圳高技术产业创新效率增长的主导性行业。根据前文的分析，深圳高技术产业创新效率的提升主要来自于规模效率的显著增长，我们通过对细分行业的研发TFP进行分解后发现，2011-2016年电子及通信设备制造业的规模效率增长36.06%，同期航空、航天器及设备制造业的规模效率增长32.15%，可见上述两个行业是推动深圳高技术产业创新增长的主导性行业。相比之下，虽然2011-2016年化学药品制造业的研发TFP增长了高达661.9%，但是其在高技术产业研发活动整体中的占比极小(2011-2016年该行业新产品销售收入占高技术产业总体比例为0.407%-1.19%，有效专利授权数占比为0.676%-0.705%)，因此，化学药品制造业对推动深圳高技术产业创新效率增长的作用相对微弱。

一是做好顶层设计。将节水优先全面落实到规划、取水许可、计划用水、水量分配、延续取水、定额管理等水资源管理全过程；编制流域节水行动方案并全面实施，助推流域形成节约资源的空间格局、产业结构、生产方式、生活方式，加快推进集约用水的方式转变，提高用水效率，减少废污水排放，全面推进节水减污型社会建设。

五 政策启示

深圳坚持把创新驱动作为城市发展的主导战略，着力打造梯次型的现代产业体系，培育出创新型经济新的增长点。其中，深圳高技术产业的发展对加快产业转型升级、协调区域发展和推动经济发展具有重要作用。基于上述Malmquist指数模型实证分析，如何进一步提升深圳高技术产业创新效率，带动经济有质量的高速增长，本文提出以下三点建议。

一是创新机制体制，激发高技术产业创新活力。高技术产业的发展与经济发展的阶段密切联系，相关政策也丰富具体。会涉及到国家、省市区各层级的产业、区域规划以及财税、人才等方面的政策，很可能会出现政策之间不兼容和不协调的情况，因此创新高技术产业发展的机制体制至关重要。如加强高技术产业创新链各环节政策的协调和衔接，形成有利于创新发展的政策导向；深化行政审批制度改革，实行跨部门串并联组合审批；根据“立足当前、着眼长远、需求牵引、重点跨越”的原则，结合深圳市高技术产业发展基础，加大高技术产业重点领域布局。根据本文实证分析显示，电子及通信设备制造业与航空航天器及设备制造业是推动深圳创新效率增长的主导性行业，因此可以重点布局如新一代信息技术领域、航空航天领域、智能制造等。

二是优化创新投入，保持研发投入的连续性。从上述实证结果显示，2011-2016年，深圳高技术产业创新效率累积提升8.45%，且除了计算机及办公设备制造业，其余四个高技术产业细分行业的创新效率均保持正增长，由此看出，随着创新投入的增加，深圳市高技术产业创新效率有所提高，那么进一步提高高技术产业的创新效率，则需要保持对高技术产业研发投入的连续性。如增加政府财政科技资金的引导作用，优化专项资金的结构和方式，以建立健全稳定性和竞争性相协调的政府科技经费投入机制。

三是推进人才高地工程，提供产业发展的核心支撑。上述实证结果显示，从TFP来源分解的角度看，2011-2016年深圳高技术产业规模效率累积提升幅度高达34.14%。说明深圳所集聚的研发人员、资金等资源，推动了高技术产业创新效率显著增强。下一步，应深入实施人才优先发展战略，构筑具有全球影响力的人才高地，为高技术产业的发展提供核心支撑。如以国家自主创新示范区和前海蛇口自贸区为平台，加快推进人才体制机制改革创新；完善人才落户、子女教育、配偶安置以及医疗等方面的政策支持，进一步营造鼓励人才创新创业创富的政策环境等。

需要说明的是，除了利用不同的方法测算高技术产业创新效率之外，分析创新效率的潜在影响因素也是研究的重点。但受限于数据可得性，一些变量指标暂未找到合适的代理变量来衡量。诸如市场结构、产业集聚度对创新效率影响的研究尚处于起步阶段，知识外溢风险、知识产权法律诉讼风险，因涉及市级数据更是难以获得，这些都是接下来研究和拓展的重点。

[参考文献]

[1] 李 镭,孙海斌.深圳高技术产业回眸[J].中国科技投资，2007(2):50-51.

[2] 周轶昆.深圳高技术产业发展与核心竞争力提升研究[J].中国特区经济研究，2016(1)：125-137.

[3] Jean O Lanjouw,Mark Schankerman. Protecting Intellectual Property Rights:are Small Firms Handicapped [J].Journal of Law and Economics,2004,47(1):45-74.

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

[5] 刘和东.改革开放中的高新技术产业研发效率研究:基于随机前沿函数的实证分析[J].亚太经济,2012(1):120-125.

[6] 杨青峰.高技术产业地区创新效率的决定因素:基于随机前沿模型的实证分析[J].管理评论,2013(6):47-58.

[7] 张 玉,陈凯华,乔为国.中国大中型企业研发效率测度与财政激励政策影响[J].数量经济技术经济研究,2017(5):38-54.

[8] 高新才,朱泽钢.资源依赖与高技术产业技术创新效率:基于SFA与中介变量法的研究[J].西北大学学报(哲学社会科学版),2017(1):106-113.

[9] HakYeon Lee,Yong Tae Park. An international comparison of R&Defficiency: DEA approach[J].Asian Journal of Technology Innovation,2005,13(2):207-222.

[10] Eric C Wang,Weichiao Huang.Relative efficiency of R&D activities:A cross-country study accounting for environmental factors in the DEA approach[J].Research Policy,2007,36(2):260-273.

[11] Akihiro Hashimoto,Shoko Haneda.Measuring the change in R&D efficiency of the Japanese pharmaceutical industry[J].Research Policy,2008,37(10):1829-1836.

[12] 叶 锐,杨建飞,常云昆.中国省际高技术产业效率测度与分解:基于共享投入关联DEA模型[J].数量经济技术经济研究,2012(7):3-17.

[13] 刘文君,陈远文,邹树梁.基于超效率DEA和Malmquist指数的湖南省农业全要素生产效率分析[J].南华大学学报(社会科学版),2015(5):52-57.

[14] 孙国锋,张 婵,姚德文.大中型高技术企业创新效率测度与分解:基于DEA模型的实证分析[J].审计与经济研究,2016(3):111-119.