一、引 言

进入21世纪以来，以互联网与物联网为代表的信息技术发展迅速，正在很大程度上重塑工业产业发展的路径。工业化与信息化的深度融合正在成为时代的潮流，工业化国家纷纷借助现代信息技术助力工业特别是高技术产业的快速发展。高技术产业的发展态势直接反映了一国工业发展的水平和质量，常常被视作为国民经济的支柱产业。高技术产业具有资本技术密集、高渗透率、高投入性、高风险性、外部性强的特征，对信息技术发展变化十分敏感。也就是说，一国(地区)信息化水平的高低，很大程度上影响着高技术产业的创新能力和发展趋势。在这个意义上，如何通过现代信息技术进一步提高高技术产业的创新效率，从而更好地引领整个国家产业的转型升级自然是一个具有重要意义的话题。随着新一轮科技革命的深入，信息基础设施建设对产业创新的支撑作用日益凸显。正如Ward和Zheng(2012)所强调的那样，随着经济发展水平的持续提高，信息日益呈现出集中趋势，信息基础设施在产业创新中的重要性也日益凸显。在这个背景下，工业化国家纷纷将信息基础设施建设纳入到支持国家高技术产业创新的国家战略中，必将对今后一个时期高技术产业的创新能力产生深远影响① 2010年11月德国发布《德国ICT战略：数字德国2015》旨在指导德国的信息通信技术的未来发展。2011年11月英国发布《英国信息化基础设施战略愿景：先进计算、数据和网络开发与使用路线图》的报告，作为指导英国未来十年的开发与管理信息基础设施建设战略。2011年，欧盟发布《关键信息基础设施保护——成果以及下一步行动》报告，2012年 3月，欧洲网格基础设施(EGI)发布对 EGI的发展愿景，致力于推进共享和协作、联合的云基础设施、虚拟研究环境、运行基础设施的建设。挪威在2012年4月公布《挪威科研基础设施国家战略(2012-2017)》。新西兰2011年7月发布2011年国家基础设施计划，目前超快宽带计划(UFB)与农村宽带计划(RBI)正在加紧实施。2011年底，法国发布《数字法国2020》，普及固定和移动宽带、推广数字化应用和服务、助推电子企业的发展。美国在 2012年 1月发布《美国竞争力和创新能力》报告，重点发展下一代空中交通管制系统、无线通讯、云计算、智能电网等。资料来源：《中国信息年鉴——2012》。。本文尝试以中国高技术产业为例，从理论和经验两个层面上分析信息基础设施建设与高技术产业创新效率间的关系，进一步揭示出转型时期信息基础设施建设影响高技术产业创新的机理，为更好地落实国家创新驱动战略提供科学的理论支撑。

本文的边际贡献在于：(1)与现有文献将研究集中于信息化、信息化与工业化融合的动因、机制、质量及其对地区经济增长的影响的做法不同，本文使用衡量信息基础设施水平的综合性指标来考察信息基础设施建设对高技术产业的创新效应；(2)本文采用全国层面的整体市场化指数和行业市场化相结合的方式刻画和度量高技术细分行业所处的市场化程度，进而考察了市场化进程中信息基础设施影响高技术产业创新的机制及作用方向；(3)本文还进一步从高技术产业细分行业内的国有产权比重、平均企业规模、技术密集度及盈利能力四个维度的行业异质性特征出发探讨了信息基础设施对产业创新所产生的行业异质性影响。本文的研究结论为加快信息基础设施建设和进一步发挥信息技术对高技术产业创新的支撑作用提供了新的经验证据，也为新常态下推进供给侧结构性改革、提高中国高技术产业发展的质量和效益提供了新的政策思路。

本文的后续部分安排如下：第二部分是理论与假说，第三部分是计量模型、变量与数据，第四部分是实证结果与分析，第五部分是结论及政策启示。

二、理论与假说

（一）信息基础设施建设与中国高技术产业的创新效率

与非高技术产业相比，高技术产业具有资金密集、技术先进、高投入性、高风险性、高渗透性的特征，其创新效率与交易成本、管理效率、产业融合密切相关，而信息基础设施作为深入推进信息化、信息技术发挥作用的重要载体，又是影响交易成本、管理效率、产业融合的重要因素，因而信息基础设施建设必然对高技术产业的的创新效率产生影响。本文认为信息基础设施主要通过以下途径影响高技术产业的创新效率。

1.降低交易成本。Arrow(1969)将交易费用定义为经济制度运行所耗费的成本，认为信息成本是产生交易费用的根源。Hendriks(1999)的分析表明，通信技术的不断进步会增加信息沟通渠道，完善生产和交易流程，增加信息透明度，削弱信息不对称。因此，信息基础设施的完善与通信技术的进步能够大幅度降低信息搜索成本，拓宽搜索范围，加速信息传输速度，极大缓解信息不对称问题，从而提高交易活动的速度和质量(Hardy，1980)。高技术产业资本投入大、研发风险高、产品更新换代快，信息基础设施的完善则有利于高技术企业减少市场摩擦和提高交易效率；同时有利于高技术企业迅速捕捉市场机会，把握市场对高技术产品的供需动态，增强研发活动的目的性和针对性，弱化高技术产业的研发风险，优化创新资源配置，减少资源浪费，以最小的资源投入获得更大的创新收益，从而提高产业创新效率。

SQL Server 2008作为2008年以来推出的重要产品版本，它具备了很多优良的全新性能，在许多关键技术上也有了较大的改进。所以，时至今日，SQL Server 2008仍算是当前最为强大的、全面的SQL Server 产品版本。SQL Server 2008之所以会出现在微软数据平台的愿景版图之中，其主要原因是它通过降低对用户公司管理数据基础设施、发送和观察信息给用户所带来的成本消耗，满足了用户公司能够以较为低廉的成本代价运行他们最关键的应用程序的需求。

Battese和Coelli(1988，1992)指出，不采用而是采用Teit=E[exp(-uit)|eit]作为技术效率的估计值，原因是后者最小化了期望平方预测误差，被证实为最优。采用同样的方法，产业i在t年的技术效率的预测值表示如下：

根据前文理论推演，本文提出假说1。

假说1：信息基础设施的完善能够显著提高高技术产业的创新效率。

（二）市场化进程、信息基础设施建设与中国高技术产业的创新效率

市场化作为一种从计划经济向市场经济过渡的体制变革过程，是通过一系列经济、社会、法律体制经过较长时期的变革才能最终完成。在经济转型过程中，市场化水平的高低主要由产品和要素市场的发育程度、法律制度环境等几个维度来刻画和衡量(樊纲、王小鲁和马光荣，2011)。产品市场、要素市场、法律制度的发育状况分别与信息基础设施建设的交互作用均会影响高技术产业的创新效率。

1.市场化水平越高，意味着产品市场的发育程度越高。商品价格水平由市场总供给和总需求决定，而发育更好的产品市场能够更及时准确地反应供求关系，使新产品的价格信号更加真实和灵敏(戴魁早和刘友金，2013a)。市场化水平的提高有助于弱化地方保护主义，减少产品市场上的地区贸易壁垒，促进商品的自由流动和各地区间企业的公平竞争，从而会淘汰技术落后、成本高昂、产品质量低劣的企业。充分利用信息基础设施的高技术企业可以快速获取新产品需求信息，迅速灵活地做出决策，有针对性地开展研发活动，降低高技术企业的技术风险和市场风险，同时实现研发合作、资源信息共享、节约资源，提高创新效率，从而在残酷的市场竞争中生存和不断发展。随着产品市场发育程度的提高，为了获取更加及时详实的市场信息，企业投资于信息基础设施、提高信息化水平的意愿就更强烈。

2.市场化水平越高，表明要素市场的扭曲程度在不断降低。要素市场的市场化改革推动了资本市场的发展，促进了资本要素在厂商间的流动(戴魁早和刘友金，2015)。高技术企业从事技术研发活动需要有效的、发达的信用体系的支持(Schumpeter，1942)。在现阶段的中国，金融市场发展相对滞后，且存在明显的金融歧视，加上技术密集型高技术企业的研发活动面临收益的不确定性以及逆向选择和道德风险问题，导致不少规模小的非国有高技术企业处于“融资缺口”的困境，弱化了对企业加大研发投入的激励(张杰等，2012)。随着现代信息技术在金融领域的广泛运用以及金融工具的快速创新，信息基础设施的完善加快了信息传递的规模和速度，从而有利于提高金融机构对企业研发活动中的风险甄别水平和监督效率，在一定程度上解决企业研发活动与外部金融部门之间存在的信息不对称问题。近年来建立在发达信息基础设施之上的互联网金融在一定程度上缓解了高技术企业的融资压力，节约了企业融资的货币成本和时间成本。也就是说信息基础设施的完善与市场化的交互作用推动了融资市场的发展，为高技术企业的研发活动拓宽了融资渠道，降低了融资成本，有利于企业抓住市场机会并降低研发活动风险，从而提高创新效率。

3.市场化水平越高，预示着法律制度环境也在不断改善。是否具有良好的法律制度环境亦是影响一国企业乃至产业层面生产率高低的不可忽视的重要因素(Acemoglu和Johnson，2005)。法律制度环境的优劣主要体现在知识产权制度是否健全上。知识产权制度在经济运行和创新活动中发挥着重要作用，它规定了专利发明者在一定期限内垄断使用专利的权利，以保证获得超额利润，同时规定了对侵权者的惩罚，从而激励企业家和研发人员从事创新活动(李平等，2007)。一方面，信息基础设施建设对基础理论和应用转化研究提出了迫切要求，需要突破技术难题并产生发明专利；另一方面，知识产权保护制度的完善也为技术发明专利的产生保驾护航，从而促进信息基础设施的不断升级，为发挥信息基础设施的技术创新效应创造了条件。

综上分析，市场化进程的推进加快了信息基础设施的完善，同时信息基础设施的改善也加快了市场化进程，两者相辅相成，为高技术产业的创新效率的提高创造了必要条件。

根据前文理论分析，本文提出假说2。

假说2：随着市场化进程的加快，信息基础设施建设对高技术产业的技术创新的效应趋于增强。

（三）行业异质性、信息基础设施建设与高技术产业的创新效率

与非高技术产业相比，高技术产业具有研究与开发密度(研究与开发费用占总销售额的比值)较高和专业科技人员密度(专业技术人员占总就业人数的比值)较高的共同特点(苏东水，2010)，同时高技术产业内部各个细分行业之间存在显著的产业异质性，主要体现在国有产权比重、行业内平均企业规模水平、技术密集度、盈利能力等方面。这些与信息基础设施资本要素互补的异质性投入，在很大程度上导致信息基础设施对高技术产业创新效率的影响效果存在显著性差异(韩先锋，惠宁和宋文飞，2014)。

1.细分行业的国有产权比重。一般情形下，企业的研发(R&D)活动及其效率决定于企业的产权性质和结构(吴延兵，2012b)。技术创新的长期性、风险性、不确定性会威胁到国企经营者的地位，导致国企经营者从事研发活动的成本递增，从而弱化了创新激励作用。理性的国企经营者热衷于投资那些能在短期内带来收益、显示政绩的生产性项目，而对从事那些投资收益周期长、在其任职期间不能带来回报的创新性项目缺乏热情，因此国有企业的创新动机相对较弱(徐远华和孙早，2015)。加上国有企业面临的市场竞争相对较弱，往往对信息基础设施影响技术创新的重要作用认识不到位，缺乏投资于信息基础设施建设的激励，同时对现有信息基础设施的利用不足。与国有企业相比，民营企业具有产权结构清晰的内在优势，并且竞争更为激烈的外部环境往往使得企业坚定地以利润最大化为其经营目标。因此，民营企业具有较强的意愿来调整各种资源配置，积极投资于信息基础设施建设，充分利用信息基础设施以提高竞争力，实现成本最小化。因此，本文提出假说3a。

1.教学共同体彰显内涵特色。归根到底，创新创业教育是一种教育。在实行教育的时候要充分尊重学生的主观需求，无论是在课程安排还是教学内容方面都要契合学生的发展需要，严格调研和论证相关制度安排，建构彰显内涵特色的教学共同体［6］。

假说 3a：在国有产权比重较大的细分行业内，信息基础设施的完善对高技术产业创新效率的促进作用相对较弱。

2.细分行业内平均企业规模水平。行业平均企业规模水平是导致信息化对技术创新产生异质性影响的重要因素(韩先锋、惠宁和宋文飞，2014)。高技术产业中的多数中小企业，尽管成立时间短、历史包袱轻和开拓精神强以及技术创新的积极性高，其成长却常常受到大企业的挑战。因此，与大企业相比，在市场竞争中处于弱势地位的中小企业对投资于信息基础设施建设的积极性更高，提高信息基础设施利用效率的动机较强，而且信息技术在中小规模行业的技术创新活动中的渗透和扩散速度往往快于规模较大的行业，因而信息基础设施的建设对较小规模行业的技术创新的影响更为显著。因此，本文提出假说3b。

假说 3b：在规模较小的细分行业中，信息基础设施对高技术产业创新效率的提升作用相对较大。

3.细分行业的技术密集度。随着技术密集度的不断提高，技术和产品的复杂度也在加大，创新的产出难度增加，技术风险上升，并且市场机会稍纵即逝。高技术企业投资于信息基础设施建设，一方面有利于借助现代信息技术来构建先进而高效的研发平台，与高等院校、科研院所、业界同行进行合作，从事高质量、高水准的新产品研发活动，降低创新产出的难度；另一方面有利于扩大搜集市场信息的范围和提高信息的准确性，更有利于捕捉市场机会和提高决策效率，从而弱化创新风险和技术风险。也就是说，不同技术密集度的行业由于技术和产品的复杂度及其技术进步难度的差异导致了创新难度、创新风险、资源配置效率的差异，从而使得其对信息的需求意愿和对信息基础设施的利用效率存在差异，进而导致创新效率也相应存在差异(韩先锋、惠宁和宋文飞，2014)。因此，本文提出假说3c。

假说 3c：在不同技术密集度细分行业的创新过程中，信息基础设施建设对创新效率的影响存在显著的异质传导效应。

4.细分行业的盈利能力。高技术产业的高收益性常常会影响信息基础设施对高技术产业的技术创新效应。尽管高技术产业技术门槛高以及资本密集，但是对盈利能力较强、成长性高的行业来说，仍不可避免地会吸引不少厂商进入，导致竞争加剧，压低新产品的市场价格，抬高关键生产要素的成本，从而降低资本的平均利润率(苏东水，2010)。为了掌握本行业技术和产品研发的最新动态，为了占领技术创新和产品研发的制高点，为了准确把握业界同行和潜在进入者的发展趋势和维护其在市场竞争的有利地位，在位厂商通常对提高信息化水平、推广信息技术、推进信息基础设施建设和提高对现有信息基础设施的利用效率有较强的意愿，而且高盈利行业的资本积累使其具有投资完善信息基础设施的雄厚物质基础。概括起来讲，高技术细分行业的盈利能力越高，资本增值越快，资金越雄厚，对信息基础设施的投资强度就越大，利用效果就越好，信息基础设施对产业创新的促进作用也越大。因此，本文提出假说3d。

假说 3d：盈利能力越强的细分行业，信息基础设施对高技术产业的技术创新效应就越大。

Ⅰ类海风锋7个典型个例的500 hPa层上海岸地区为副热带高压(588 dagpm线)的控制范围内。天气形势较为稳定,低层环境风场较弱,故地面海风锋系统清晰。

三、计量模型与变量度量

（一）计量模型

Gust 和 Marquez(2004)建立的计量模型和实证结果表明，正是由于信息技术采用程度的不同才导致了美国和其它 12个工业化国家的生产率增长出现了发散趋势，论证了信息技术在一国生产率增长中所发挥的重要作用。借鉴 Gust 和 Marquez(2004)的研究思路，本文在控制了行业研发投入、政府研发补贴、对外贸易、外商直接投资变量的基础上，引入信息基础设施建设指标来考察其对高技术产业的技术创新效应，同时引入市场化程度指标与信息基础设施指标的交互项来验证市场化程度的提高对信息基础设施建设的技术创新效应的调节作用，引入行业异质性变量与信息基础设施建设的交互项以考察信息基础设施对高技术产业创新效率的影响是否具有行业异质传导效应。为此本文设定如下待检验的计量模型：

 

在计量模型式(1)中，Teit：创新效率，本文的被解释变量，即下文估计出的技术效率的预测值；Jciit：信息基础设施建设指标；Marit：市场化进程变量指标；Hegit：行业异质性指标，包括国有产权比重(Ownit)、行业内平均企业规模(Sizeit)、技术密集度(Capdit)、盈利能力(Proit)；Zit：一组控制变量，包括行业研发强度(Rdqit)、政府研发补贴强度(Btqit)、对外贸易(Trait)、外商直接投资(Fdiit)。

（二）数据说明

如无特别说明，本文的原始数据均来源于《中国高技术产业统计年鉴》、《中国信息年鉴》、《中国统计年鉴》、《中国科技统计年鉴》。《中国高技术产业统计年鉴》中的高技术行业包括医药制造业、航空航天器制造业、电子及通信设备制造业、电子计算机及办公设备制造业、医疗设备及仪器仪表制造业 5个一级行业，并进一步细分为17 个二级行业。为了增加样本容量，本文选取全部的17个二级行业进行分析。需要指出的是，电子计算机外部设备制造(4043)在《中国高技术产业统计年鉴—2013、2014》分解为计算机零部件制造(3912)和计算机外围设备制造(3913)。因此，为了保持数据的一致性和可比性，本文将 2012年和 2013年的计算机零部件制造(3912)和计算机外围设备制造(3913)的相关数据进行加总。

（三）变量的设定与度量① 限于篇幅，本文没有报告主要变量的符号、单位、定义及描述性统计，备索。

1.被解释变量

本文的被解释变量即创新效率(Teit)的度量比较繁琐，需要通过以下步骤估计得到。

第一，确定计算创新效率的方法。本文中的效率是指技术效率，创新的技术效率简称为创新效率(白俊红，2011a)。技术效率是指在既定投入下最大化产出或既定产出下最小化投入的能力(Farrel，1957)。与同样可以测算决策单元技术效率的数据包络分析(Data Envelopment Analysis，DEA)方法相比，随机前沿分析(Stochastic Frontier Analysis，SFA)方法的优势是可以使用计量方法对前沿生产函数进行估计，并能够对估计出的参数进行统计检验，具有更为可靠的经济理论基础；通过从复合误差中有效分离技术非效率与随机误差的方法，人们可以进一步考察导致效率差异的背后因素，所以本文采用SFA方法来衡量创新效率。为了考察信息基础设施水平对中国高技术产业技术创新效率的影响，本文借鉴Kumbhakar和 Lovell(2000)的随机前沿模型的一般形式：

同时，优秀选手代表武汉大学参与全国复赛和决赛，与图书馆联合举办武汉大学学术搜索之星大赛，决出武汉大学十大搜索之星，搭建全校信息素养教育推广平台。搜索培训活动极具吸引力，培训讲座门票通常在24h内全部发放完毕，活动的形式深受学生欢迎。

 

式(2)中，i表示行业，t表示时间，y表示实际产出，误差项(vit-uit)为复合结构，其中vit服从，表示随机扰动的影响，uit为技术非效率项，表示个体冲击的影响。根据 Battese和 Coelli(1992)的设定，uit服从非负断尾正态分布，即uit服从且有式(3)：

 

式(3)中，ηit是决定技术无效率随时间变化的函数，待估参数(η)表示技术效率指数的变化率，0η＞表示随着时间的推移，相对前沿的技术效率不断改善，0η＜表示技术效率不断恶化，0η=表示技术效率不随时间变化。itv与itu相互独立。

Battese和 Coelli(1995)设定了方差参数(其中来检验复合扰动项中技术无效率项所占的比例，λ介于0与1之间，若0λ=被接受，表明实际产出与最大产出之间的距离均来自于不可控的纯随机因素，此时无需采用 SFA方法估计，直接运用OLS方法即可。

第二，给出中国高技术产业知识创造过程的两种生产函数形式。在具体选择生产函数时，柯布-道格拉斯生产函数(C-D)和超越对数生产函数两种形式比较常见。本文采用面板数据进行实证检验，随着时间的推移，技术是否为中性，产出弹性是否固定，研究中并不能事先单纯依据经验确定，因此选用超越对数生产函数形式的随机前沿模型。本文假定式(2)取对数并展开后具有如下形式：

 

如果式(4)中所有二次项系数均设定为零，即αll=αkk=αlk =0，得到C-D形式的随机前沿模型(5)：

从国家层面来讲，他的下意识或许是“还是不了解社工是干什么的，但有些事我们做不好，交给社工来做就可以，他有理论和方法”，也就是说，国家这个层面是不会过于重视这些有效性的知识和方法背后所持有的价值理念，也就同时并没有意识到当这种信仰和国家信仰冲突的时候社工的立场。但是社工需要深刻意识和理解这点。社会大众要么直接接触社工了解这一职业群体，要么间接接触社工服务的人群了解社工，或者通过媒体了解社工。除了媒体报道外，社工也要有意识地懂得包装，这个包装更多是如何宣传社工行业，社工在呈现很多活动的同时，更重要的是对活动背后理念的强调和坚持。

 

在式(4)、式(5)中，yit表示产出，litx和itkx 分别表示产业在第t年的研发劳动投入和研发资本投入要素，α为待估计变量的参数，需要注意的是，式(4)为超越对数生产函数，避免了技术中性和产出弹性固定的严格假设，并且在形式上更加灵活，更加具有一般性，能更好地避免由于函数形式的设定偏误而带来的估计偏差。

再从本部史诗主人公罕哈冉惠对霍尔穆斯塔所持的态度看，情况也是较为复杂的。贯穿全史诗的情节主线是哈冉惠与霍尔穆斯塔的一方黑天额尔和木·哈日的婚姻之争。从这方面看，哈冉惠与霍尔穆斯塔的关系是对立的。然而，霍尔穆斯塔的三十三天对额尔和木·哈日强夺他人之妻的行为并不赞同，对他发出斥责，并为他向哈冉惠求情：

为了检验式(4)、式(5)设定的合理性以寻求更适合表达中国高技术产业的知识生产过程的生产函数形式，可用广义似然比统计量进行检验。广义似然比(LR)统计量的表达式为：

第五，估计出被解释变量即创新效率(Teit)的预测值。表1报告了两种随机前沿模型的参数估计结果。模型1和模型2分别是式(4)超越对数生产函数和式(5)柯布-道格拉斯生产函数的随机前沿的拟合结果。从表1可以看出，λ度量的是复合误差项的方差中技术无效率项的方差所占的比重，λ值越大，技术无效率对生产的波动越具有解释力。从其中可以看出，模型1和模型2的λ非常接近于1，这表明效率的偏差主要来源于技术非效率效应，本文采用SFA方法是合理的。表1最后两行显示了以模型为原假设、模型1为备择假设的自由度为3的混合卡方检验结果，在5%,的水平上拒绝原假设，表明超越对数生产函数的随机前沿模型更适宜拟合样本数据，更能准确表达中国高技术产业的知识生产过程。因此，本文采用超越对数生产函数的随机前沿模型式(4)的估计结果，即采用表1中的模型(1)按照式(7)、式(8)、式(9)、式(10)来估计创新效率。模型1中创新效率的时变参数(η)的系数显著为正，表明在样本期间，随着时间的推移，中国高技术产业的创新效率在不断改善。这个结论也在图1中也得到了证实。在图1中，从2002年到2013年，中国高技术产业的创新效率从0.302增长到2013年的0.413，平均每年增长0.01，大致呈线性增长趋势。

 

为了验证结论的可靠性，本文分别从以下三个方面进行稳健性检验① 限于篇幅，本文没有报告稳健性检验结果，备索。。

第三，设定产出变量(ity为创新产出)和投入变量(1itx为研发劳动投入，itkx为研发资本投入)。在衡量产业特别是高技术产业的研发创新产出时，专利虽然是一个较为常用的指标，可是部分发明没有申请专利，因此专利并不能反映出研发的全部成果(白俊红，2011b)，而且专利仅能从某程度上反映技术创新的中间产出，不像新产品销售收入那样能反映技术创新的商业化水平与市场价值(白俊红，2011a)。由于SFA模型的单产出特性，本文只使用新产品销售收入作为创新产出的考核变量。为了克服价格波动的影响，本文用工业品出厂价格指数对新产品销售收入(Rnp)进行缩减，统一折算为2002年不变价。根据中国高技术产业统计指标的特点和工业技术创新活动的特征，本文选取细分行业的研发(R&D)人员全时当量(Rl)和R&D资本存量(Krrd)分别作为技术创新的人力和资本投入指标。关于 R&D资本存量的核算，本文采用永续盘存法(Perpetual Inventory Method，PIM)，详见白俊红(2011b)的核算方法。需要说明的是：①对于R&D支出价格指数，本文借鉴白俊红(2011b)的做法，按照《中国高技术产业统计年鉴》 R&D支出的明细，2002—2013年间R&D支出用于劳务费的支出共计35765857万元，用于设备仪器的支出共计 16586712万元，劳务费和设备仪器支出分别占0.68和0.32，因此，R&D支出价格指数＝0.68∗消费价格指数+0.32∗固定资产投资价格指数，然后将 R&D支出额折算为 2002年不变价的实际支出额；②计算出2002—2013年间 R&D实际支出的平均增长率；③对于折旧率，本文采用文献中通常采用的经验设置取15%,(Griliches，1980)。

第四，明确被解释变量即创新效率(Teit)的预测值的估计方法。得到参数的估计值后，本文进一步采用Jondrow等(1982)推出的混合误差分解方法(简称JSML技术)从复合误差中分离出技术无效率项(uit)的估计值：

 

这里的和分别决定于式(8)和式(9)：

 

3.加快产业融合进程。高技术产业具有高渗透性、外部性强的特点，而信息基础设施的完善强化了信息技术的扩散效应，加速了高技术产业内部细分行业之间、高技术产业与非高技术产业之间的相互交叉、相互渗透、相互融合，这将会促进技术融合、产品(服务)与管理融合、市场融合，从而能够加速提高高技术产业的创新效率。因为产业融合完成了从技术创新到市场创新再到产业创新的全过程，其本质就是产业创新(原毅军，2012)。产业内外的各种融合能够降低和缩短运输、沟通的成本和时间，还通过促进知识信息共享降低研发成本，从而能够提高高技术产业的创新效率(原毅军，2012)。

 

综上所述，当前随着社会的不断发展，对于我国社会生态环境带来了一系列的影响，甚至出现了辐射污染的现象。辐射环境监测作为辐射环境评价的基础，同时也起到了良好的监督作用，我们要充分的意识到辐射环境监测对于辐射环境评价的重要性所在，不断强化辐射环境监测工作，进而为接下来辐射环境评价工作提供有利的数据参考，切实提高辐射环境监测质量，促进我国辐射环境监测的可持续发展。

 

表1 两种随机前沿模型的参数估计结果

  

注：*、**和***分别表示显著性水平为 0.1、0.05和 0.01，下同。使用 Stata14.0完成，模型 1、2估计结果的括号内为标准差。

 

变量 系数 模型1 模型2(H0：αll＝αkk＝αlk＝0)截距 α0 5.120**(2.606)1.356***(0.476)lnxitl αl -1.218(0.866)0.460***(0.075)lnxitk αk 2.126***(0.793)0.308***(0.100)(lnxitl)2 1/2*αll 0.152*(0.078)(lnxitk)2 1/2*αkk 0.090(0.078)lnxitl∗ lnxitk 1/2*αlk -0.272*(0.148)σ2 0.899(0.509)0.921(0.517)λ 0.877(0.070)0.877(0.070)mu 0.808*(0.487)0.823*(0.474)η 0.037***(4.26)0.045***(0.006)Log likelihood -100.805 -104.650 χ2(3)8.09**Prob›χ2(3)0.042

2.解释变量

3.有关信息基础设施作用于高技术产业创新效率的异质传导效应的估计结果

(1)若实际安全支出较计划安全成本超支，且安全保障实际水平大于等于计划水平，说明获得当前安全保障水平是以增加实际安全投入为代价的，所以，管理者应严格控制安全投入。

  

图1 中国高技术产业的创新效率的时间变化模式

信息基础设施指数(Jci)计算方法：先对涉及信息基础设施指数的 3个具体指标数据进行标准化，然后加权平均计算出信息基础设施指数值。计算公式如下：

 

其中，ijP为 3个指标标准化后的得分，iW为五个分类指数的相应权重，其中基础设施指数直接反映信息化应用的状况，其权重为 25%,，令n＝1，W1＝25%,，m=3(信息基础设施指数包含3个指标)。

本研究在建立护肝剂制剂中马钱素、芍药苷、野黄芩苷、黄芩苷、黄芩素、五味子甲素、五味子乙素、五味子丙素及熊果酸对照图谱的基础上，比较了各样本的相似性。该方法较好地反映了各制剂HPLC指纹图谱的差异性。在此基础上应用聚类分析和PCA 2种方法对护肝剂制剂各样进行进一步研究，将HPLC指纹图谱相似度评价与基于HPLC指纹图谱的数学识别模式结合起来使用，可以相互补充和印证。

第二，市场化进程指标(Hmar)。高技术产业的市场化不仅与全国整体的市场化进程有关，而且还与细分行业的市场化程度密切相关，因此衡量高技术产业的市场化程度不仅需要全国层面的市场化总指数，还需要考虑细分行业的市场化指数。本文借鉴戴魁早和刘友金(2013a)的研究，采用全国市场化总指数(Mar)与高技术产业细分行业的市场化程度(Xfmar)的乘积(Hmar)来衡量细分行业的市场化进程。全国市场化总指数(Mar)采用樊纲、王小鲁和朱恒鹏(2011)提供的 1997—2009年间各地区市场化进程的总指数，技术产业细分行业的市场化变量(Xfmar)为该细分行业非国有企业总产值比重、非国有企业从业人员年平均余额比重和非国有企业固定资产投资额比重的算术平均值。其测算方法用公式表示：

 

第三，产业异质性变量(Heg)。①参考戴魁早和刘友金(2013b)的方法，本文使用细分行业国有及国有控股企业总产值占细分行业内全部企业的总产值的比重度量国有产权比重(Own)。②由于高技术行业具有增值性和价值剧变性的特点，本文采用细分行业内平均每个企业的销售收入额来测度该细分行业平均企业规模(Size)。③本文仿照戴魁早和刘友金(2015)的做法采用细分行业的物质资本存量与从业人员数之比来反映技术密集度指标(Capd)，物质资本存量仿照 R&D资本存量的核算方法计算，使用固定资产投资价格指数进行平减折算成 2002年不变价，折旧率取 5%,。④参照孙早和宋炜(2012)的研究，使用细分行业的利润占销售收入的比重(利润率，Pro)来刻画盈利能力。

2.提高管理效率。信息技术通过变革科层组织形态，催生出虚拟组织(Virtual Organization)、大型模块化组织(Large Modular Organization)、柔性组织(Flexible Organization)等新型组织结构，优化企业乃至产业的组织结构，促进分工，加强协作，提高劳动生产率。信息技术能够促进知识信息的传播，为知识管理和知识学习创造有利条件，从而有助于提升员工的素质，加速对新技术的研发、吸收、推广，最终能够提高创新效率(闫海洲，2012)。高技术企业资本密集且技术复杂，内部信息传输量大，而信息基础设施的完善将有利于高技术企业改革组织结构，提高企业内部信息的透明度和上传下达的速度，有利于企业进行量化管理和量化生产，对企业资源特别是创新资源进行科学的调配，从而节约成本、降低管理费用和提高决策水平与管理效率；组织变革增强了高技术企业应对市场竞争的灵活性，促使高技术企业拓展新的业务领域、开发新产品和提高服务质量，客观上有助于企业扩大市场并提高竞争力，反过来也会激励企业进行创新活动。

3.控制变量

第一，本文采用张杰等(2012)的做法使用 R&D支出与销售收入的比值反映行业研发强度(Rdq)。第二，借鉴戴魁早和刘友金(2015)的研究，本文采用政府 R&D补贴占企业 R&D支出中的比例来刻画政府 R&D补贴强度(Btq)。第三，参考张诚和蒙大斌(2012)的研究，采用细分行业的出口交货值占总产值的比重度量对外贸易(Tra)。《中国高技术产业统计年鉴》没有公布细分行业 2012—2013年的总产值，本文以2002—2011年平均增长率进行推算。第四，借鉴戴魁早(2011)的做法，采用细分行业三资企业的投资额占该行业投资总额的比重来衡量外商直接投资(Fdi)。

从主要变量的描述性统计中可以看出，产业异质性变量国有产权比重(Own)、行业平均规模(Size)、技术密集度(Capd)、盈利能力(Pro)的最大值和最小值差距很大，而且标准差也很大，因而这些产业异质性变量的异方差和非对称性应该是比较严重的。可见，信息基础设施的完善对高新技术产业的技术创新的影响很可能存在明显的行业异质传导机制。

四、实证结果与分析

（一）信息基础设施水平影响中国高技术产业创新效率的基本回归结果

在面板数据模型估计的选取方法上，使用 F检验识别混合回归模型还是固定效应模型，原假设是不存在个体效应模型，即为混合效应模型；使用 Breusch和Pagan(1980)提出的LM检验(LM Test for Individual-specific Effects)来识别是混合效应模型还是随机效应模型，原假设是不存在个体效应即混合效应模型；使用 Hausman检验来判断是选择使用固定效应还是随机效应，原假设是随机模型为正确模型。表2报告了信息基础设施建设影响中国高技术产业创新效率的基本回归结果。从表2可以看出，(2.1)、(2.3)～(2.6)列，F2检验选择了固定效应，LM 检验选择了随机效应，Hausman检验表明固定效应优于随机效应，所以本文的检验结果最终选择了固定效应模型。(2.2)列最终选择了随机效应模型。F1检验结果表明各个变量的联合显著性较好，Adj-R2数值在0.90附近，表明模型对样本的拟合度较高。

需要指出的是，表2给出的基本回归结果都是初步的，没有考虑内生性问题，最终结果有待进一步检验。

1.关于信息基础设施水平与中国高技术产业创新效率间的关系

从(2.1)～(2.6)列的估计结果来看，信息基础设施指数(Jci)的估计系数为0.2198～0.3414，表明在其他条件不变时，信息基础设施指数提高一个单位，将促进创新效率提高 0.2198～0.3414个单位，接近于刘生龙和胡鞍钢(2010)的研究结果，高于庄雷和王云中(2015)、陈亮、李杰伟和徐长生(2011)的研究结果。并且 t统计量大部分超过了10，在1%,的水平上高度显著，表明信息基础设施的完善、信息基础设施指数的上升显著提高了中国高技术产业的创新效率，本文的假说1得到初步验证。首先，信息基础设施建设加快了信息的传递，为供求双方提供更加充分准确的信息，扩大了信息搜寻的范围，降低了信息不对称程度和交易风险，削减了交易成本，提高了交易速度和质量。信息基础设施的服务水平和质量的不断提高促使高技术产业及时获取有关政府的产业政策、国际国内两个市场、两种资源的信息，从而可以灵活调整研发资源，降低了高技术产业的研发风险和不确定性，缩短了技术研发周期以及商业化周期，从而提高创新效率。其次，信息基础设施的不断完善加快了企业组织内部的信息上传下达的速度，促使组织不断变革，改变了科层组织形态，完善了组织管理，提高了决策水平和管理效率。再次，信息基础设施领域的持续建设会加强研发部门和生产部门的互动交流，信息在部门间的传递具有一定的反馈效应和累积循环效应。最后，信息基础设施的完善强化了信息技术的扩散效应，加速了高技术产业内部细分行业之间、高技术产业与非高技术产业之间的产业融合，从而可以激励高技术产业不断创新。此外，信息基础的完善便利了知识管理和知识学习，提高了人力资本的质量(闫海洲，2012)，同时也提高了对其它基础设施的利用率，从而提高创新效率。

2.关于市场化进程对信息基础设施的高技术产业创新效应的调节作用

为了避免严重的多重共线性，本文在(2.2)列中并没有单独加入市场化变量(Hmar)，只加入了市场化指标与信息基础设施指数变量的交互项(Jci∗Hmar)。(2.2)列的估计结果显示，市场化指标变量与信息基础设施指数的交互项的估计值为0.0002，且在1%,的水平上显著，表明市场化程度的提高显著强化了信息基础设施水平对高技术产业的创新效率的提升作用，因此本文的假说2得到初步证实。随着市场水平的不断提高，供求关系的及时调整使价格信号更加真实和灵敏。信息基础设施的完善提高了信息传递的效率，可以帮助高技术企业获取新产品需求信息，迅速灵活而科学地进行决策。因此，信息基础设施的完善增强了高技术企业从事研发活动的针对性，降低了高技术产业的技术和市场风险，还可以实现研发合作与资源信息共享，从而节约资源和提高创新效率。要素市场的完善有利于形成统一、开放、竞争、有序的市场化体系和公平、开放、透明的市场规则，从而进一步发挥市场在(资源特别是创新资源，比如高素质人才)配置中的决定性作用。同时，建立在信息技术基础上的互联网金融业也会不断壮大，为中小高技术企业的研发活动提供资金，缓解信贷约束，从而改善创新资源配置。法律制度环境的改善可以矫正高技术企业的较强外部性，确保企业技术创新活动得到应有的创新租金，激励高技术企业加大 R&D投入，成为产生技术创新的土壤。信息基础设施的建设也对基础理论和应用转化研究提出了强烈的要求，因此推进信息基础设施建设需要突破技术难题，产生发明专利。知识产权保护制度通过保护技术发明人的权益来鼓励其从事科学研究活动，为技术发明创造了有利条件，促使相关技术取得突破性进展，从而加快信息基础设施升级的步伐，为信息基础设施的技术创新效应的发挥创造了基本前提。

第一，信息基础设施指数(Jci)。目前已经有不少对于信息基础设施指标的选取可供参考，邮电业务总量、电信服务价格、固定电话普及率、移动电话普及率、宽带、互联网用户数都曾被使用过(Röller和 Waverman，2001)。对信息基础设施水平的测度应该使用一个综合性指标，而且随着信息技术的发展，这一指标的内涵不断充实，外延不断延伸，此外还要兼顾数据的可得性。李伟军(2011)选择使用主成分分析法计算出的信息基础设施指数来测算信息基础设施发展水平，庄雷和王云中(2015)选取信息基础设施资本存量来衡量信息基础设施水平。国家统计局统计科研所信息化统计评价研究组曾前后编制了两套信息化指数(Informatization Development Index)指标体系，并且信息化发展指数(Ⅱ)是在信息化发展指数(Ⅰ)基础上的进一步优化。因此，本文采用信息化发展指数(Ⅱ)中的信息基础设施指数代表信息基础设施发展水平① 详情请查阅《中国信息年鉴——2012》之专题研究篇《2011年中国信息化发展指数(Ⅱ)研究报告》。。信息基础设施指数指标则包含电话拥有率(部/百人)、电视机拥有率(台/百人)、计算机拥有率(台/百人)3个二级指标。

课内联赛是教学比赛的升华，是通过学生组成小组，按照一定数量的课时进行的班级内部的对抗赛。课内联赛能最大化地体现出学生在课堂内的主体地位，通过组内分工合作加强学生的合作精神和集体意识。学生在课内联赛担任不同角色如教练员、裁判员、统计员等也能更好促进学生的多元化发展。

基于和(2.2)列同样的考虑，本文在列(2.3)～(2.6)依次加入国有产权比重(Own)、平均企业规模水平(Size)、技术密集度(Capd)、盈利能力(Pro)。从列(2.3)～(2.6)可以看出，所有交互项都非常显著。(1)国有产权比重与信息基础设施指数变量的交互项(Jci∗Own)系数显著为负，表明国有产权比重越高的高技术产业细分行业信息基础指数的提高不仅没能改善高技术产业的创新效率，反而产生了显著的抑制作用。换句话说，过大的国有产权比重显著稀释了信息基础设施建设的技术创新效应。本文的假说3a得到了初步验证。国有企业的委托代理机制使得创新收益权与创新控制权不匹配，背离了创新效率最大化的基本原则(相当于西方微观经济理论中的厂商利润最大或亏损最小的一阶条件，即边际收益等于边际成本)，由此不可避免地降低了创新效率(吴延兵，2012a)。国有高技术企业面临的市场竞争威胁相对较小，对信息化基础设施的需求较弱，导致其有关投资较少，利用率不高，降低了信息技术的渗透速度，从而弱化了技术扩散效应。过大的规模也导致了 X非效率的产生，加上国有企业自身缺乏技术创新的激励，所以过大的国有产权比重会限制信息基础设施对技术创新的积极作用。与国有企业相比，民营企业具有产权结构清晰的内在优势，且竞争更为激烈的外部环境促使企业坚定地以利润最大化为其经营目标，并灵活调整各种资源配置，积极投资于信息基础设施建设，更有意愿采用现代信息技术改变落后的生产方式和管理模式以提高竞争力，因此信息基础设施对民营高技术企业的技术创新效应大于国有高技术企业的该效应。(2)行业平均企业规模水平与信息基础设施指数变量的交互项(Jci∗Size)系数显著为负，这表明随着细分行业的平均企业规模的扩大，信息基础设施建设反而显著抑制了高技术的创新效率的提高。假说 3b得到初步证实。(3)技术密集度与信息基础设施建设变量的交互项(Jci∗Capd)显著为正，这意味着在技术水平越高的行业中，信息基础设施对创新效率的促进作用越大，假说 3c初步成立。这与韩先锋、惠宁和宋文飞(2014)的结论相反。技术密集度越高，技术差距越小，技术创新越需要依靠自主创新(孙早和宋炜，2013)，对信息化的需求意愿越强烈，利用信息基础设施的效率越高，从而创新效率越高。(4)盈利能力与信息基础设施建设变量的交互项(Jci∗Pro)系数显著为正，这表明随着盈利能力的提高，信息基础设施建设的推进显著改善了高技术产业的创新效率。初步验证了假说3d。盈利能力越高，利润越高，而利

润正是 R&D投入的重要来源，因此企业才会有更多的资本投入到信息基础设施建设中，从而为提高技术创新效率提供了坚实的物质基础。

 

表2 信息基础设施影响中国高技术产业创新效率的基本回归结果

  

注：括号内为t统计量，RE模型下为z统计量。为了避免混淆，本文设定F1是对回归方程的拟合结果的联合显著性检验的统计量，相当于OLS中的F统计量，F2检验则用来识别是否存在个体效应。RE模型下的变量的联合显著性检验是 Wald检验。LM 检验是使用随机效应估计后才能进行，为了节省篇幅，本文也将LM检验结果报告在固定效应模型结果中。

 

变量(2.1)(2.2)(2.3)(2.4)(2.5)(2.6)Jci 0.3208*** 0.2198*** 0.3330*** 0.3414*** 0.2869*** 0.2374***(29.28)(8.11)(29.36)(30.54)(20.37)(12.93)Jci∗Hmar 0.0002***(4.08)Jci∗Own -0.0011***(-3.22)Jci∗Size -0.0002***(-5.50)Jci∗Capd 0.0007***(3.65)Jci∗Pro 0.0100***(5.45)Rdq -0.0021*** -0.0014* -0.0011 -0.0023*** -0.0026*** -0.0024***(-2.75)(-1.80)(-1.36)(-3.15)(-3.51)(-3.38)Btq -0.0001 -0.0001 -0.0001 -0.0001 -0.0001 -0.0001(-0.98)(-1.39)(-1.32)(-1.21)(-1.27)(-1.14)Tra 0.0001* 0.0001* 0.0001 0.0001* 0.0002** 0.0002***(1.65)(1.74)(1.64)(1.78)(2.17)(2.77)Fdi -0.0003*** -0.0002* -0.0001** -0.0003*** -0.0003*** -0.0003***(-3.11)(-1.84)(-2.26)(-3.76)(-3.77)(-3.69)Cons 0.2522*** 0.2596*** 0.2537*** 0.2502*** 0.2601*** 0.2565***(42.33)(5.07)(43.52)(5.34)(42.25)(45.86)Adj-R2 0.8881 0.8977 0.8942 0.9060 0.8958 0.9039 F1/Wald 288.85*** 1499.00*** 254.83*** 1578.96*** 259.27*** 283.69***F2 2721.78*** 2951.37*** 2856.31*** 2736.57*** 2764.85*** 2644.88***LM 839.85*** 851.69*** 815.99*** 724.16*** 784.42*** 753.82***H 14.36*** 4.57 14.08** 6.21 16.75*** 20.86***Model FE RE FE RE FE FE Obs 204 204 204 204 204 204

（二）稳健性检验

其中，L(H0)、L(H1)分别为受约束模型和无约束模型的对数似然值。当原假设成立时，LR统计量服从混合χ2分布，自由度为受约束变量的数目。

1.3 银纳米粒子溶液的合成 将100 mL超纯水配制的0.01% AgNO3溶液装入锥形瓶中，加入磁力搅拌子，置于恒温电磁搅拌器上加热，沸腾持续2 min后迅速加入2.5 mL质量分数为1%的柠檬酸三钠溶液，继续搅拌加热至溶液变为淡黄色，生成银纳米粒子，继续加热10 min后停止加热，搅拌使其冷却至室温，放置在4 ℃环境中贮存备用。

1.信息基础设施发展水平的其他度量方法。庄雷和王云中(2015)选取信息基础设施资本存量来衡量信息基础设施水平。Koutroumpis(2009)的研究采用渗透率来度量信息基础设施水平，渗透率通常表现为某一信息基础设施指标的人均存量，比如人均邮电业务量，能够避免用总量水平衡量信息基础设施发展水平的偏差。本文选取人均信息基础设施资本存量(Inf)来测度信息基础设施水平。尽管信息基础设施资本存量的核算与前面核算 R&D资本存量的方法相似，但仍然需要说明几点：①我们参考孙琳琳、郑海涛和任若恩(2012)的做法，采用计算机、通信和其他电子设备制造业、软件业的投资作为信息基础设施领域的投资额，根据《中国统计年鉴》公布的原始数据进行核算；②我们对得到的信息基础设施投资额用固定资产投资价格指数进行平减，折算成 2002年不变价；③计算出 2002—2013年间信息基础设施实际投资的平均增长率；④折旧率我们采用陈亮、李杰伟和徐长生(2011)的研究中所设定的 7.5%,；⑤将得到的信息基础设施资本存量按全国人口折算为人均信息基础设施资本存量(Inf)。

2.市场化进程指标的其他度量方法。高技术产业的市场化改革进程是在整个国家的市场化改革的宏观环境中推进的，因此本文可以采用前面计算得出的全国市场化总指数(Mar)来替换前文的市场化指标(Hmar)进行稳健性检验。

3.行业异质变量指标的其它度量方法。本文尝试以新的行业异质指标对信息基础设施的高技术产业创新效应的异质传导机制进行稳健性检验。以高技术产业细分行业国有及国有控股企业从业人员年平均余额比重(分行业国有及国有控股企业从业人员平均人数/行业内全部企业从业平均人数，Soe)重新衡量国有产权比重，以细分行业平均从业人员人数(Sca)代替细分行业平均企业规模，以行业技能结构(细分行业 R&D人员占该行业从业的比重，Ski)重新测度技术密集度，以利税率(细分行业的利税占该行业销售收入的比重，Lsl)代替利润率来再次度量盈利能力。

（三）内生性问题讨论及解决

信息基础设施建设的推进会改善高技术产业的创新效率，反过来，高技术产业的创新效率提高也会导致产业内利润上升，从而增加高技术产业对信息基础设施的需求和投资额，进一步完善信息基础设施，而且信息基础设施指标的变动决定于不断提高的产业创新效率和整体经济发展水平。也就是说，信息基础设施的投资建设是内生于产业创新效率和整体经济发展水平的。信息基础设施和创新效率之间可能互为因果关系，从而导致内生性问题，所以信息基础设施指标并非严格意义上的外生变量。由于受认识的局限性和数据的可得性，本文还有可能遗漏一些对高技术产业创新效率的影响因素。结合以上分析，解释变量的内生性以及可能的遗漏变量等问题可能导致我们的估计结果出现偏误。

传统的工具变量法解决内生性问题在实际操作中难度较大(白俊红，2011b)。Blundell 等(2000)证明，在有限样本情况下，system GMM方法比difference GMM方法估计的偏差更小，有效性更高，因此本文使用system GMM方法来处理内生性问题。system GMM方法是在差分广义矩估计的基础上增加解释变量的一阶差分滞后项作为原水平方程的工具变量，并将水平方程和差分方程作为一个系统同时对其进行估计(Blundell和 Bond，1998)。本文在模型中引入被解释变量的滞后一期作为解释变量，以控制一些遗漏变量及不可观测因素的影响，由此构造一个动态面板数据模型，再将信息基础设施指数以及信息基础设施指数与市场化变量、行业特征变量的交互项的滞后项分别作为自身的工具变量来尝试性地解决内生性问题，采用system GMM方法进行内生性检验① 限于篇幅，本文没有报告内生性检验结果，备索。。

稳健性和内生性检验结果均表明，信息基础设施变量及其与市场化程度、行业异质性变量指标(行业国有产权比重、行业规模、行业盈利能力)交互项的符号、显著性基本保持不变，表明前文得到的实证结果总体上具有相当的稳健性和可靠性。信息基础设施变量与技术密集度的交互项系数在相关的第一种稳健性检验(负值)、第三种稳健性检验(正值)及内生性检验(正值)中均没有通过显著性检验。因此，假说 3c最终没有得到证实。随着细分行业技术密集度的提高，信息基础设施的改善对中国高技术产业的创新效率的提高具有积极作用，但是不显著。其可能的原因是，虽然技术密集度较高的高技术产业更加依赖于技术创新，对信息的需求意愿和对信息基础设施的利用效率都相对较高，但随着技术密集度的提高，在技术创新过程中(新思想产生——中试成果——形成新技术——形成新产品的整个过程)，产品复杂度越高，创新产出的难度、风险(比如技术风险、市场需求变动风险、管理风险等)也会随之增大(戴魁早和刘友金，2013a)。因此，在技术密集度较高的高技术细分行业，信息基础设施建设的改善的技术创新效应变得不再显著了。

综上所述，在国有产权比重较低、平均企业规模较小、盈利能力更强的高技术产业细分行业中，信息基础设施建设能够显著改善高技术产业的创新效率。技术密集度对信息基础设施建设的技术创新效应具有不显著的积极作用。换句话说，信息基础设施建设对高技术产业的创新效率整体上具有行业异质传导效应。

五、结论及政策启示

发达的信息基础设施是信息化时代产业创新的重要物质基础。为了考察信息基础设施建设对中国高技术产业创新效率的影响，本文利用中国高技术产业 2002—2013年间 17个细分行业的面板数据检验了信息基础设施建设水平与高技术产业的创新效率之间的关系。本文的主要发现如下：①在考察期间，超越对数生产函数的随机前沿模型更适宜表达中国高技术产业的知识生产过程，中国高技术产业的创新效率在不断改善；②信息基础设施建设对中国高技术产业的创新效率具有显著的促进作用；③随着市场化程度的提高，信息基础设施建设对高技术产业创新效率的提升作用趋于增强；④高技术产业的细分行业特征对信息基础设施促进技术创新效率的作用产生了显著的异质性影响，在国有产权比重较低、平均行业规模较小以及盈利能力较强的高技术细分行业中，信息基础设施建设对技术创新效率的提升作用更大。技术密集度的提高也对信息基础设施建设的技术创新效应具有积极作用，但是不显著。

本文的研究结论具有深刻的政策含义：首先，需要进一步加快完善信息基础设施建设的步伐，推动信息化与技术创新、工业化深度融合，促进高技术产业转型升级，充分发挥信息基础设施建设的产业关联效应。其次，加快市场化转型，建设统一开放、竞争有序的现代市场体系，努力使市场在资源配置中起决定性作用，为充分发挥信息基础建设对高技术产业创新效率的提升作用创造有利的外部环境。最后，要科学引导行业特征对信息基础设施影响高技术产业创新效率的行业异质传导效应，这要做到以下几点：(1)国有企业改革以及企业的并购、重组不能盲目追求过高的国有产权比重和过大的企业规模，否则会降低信息基础设施建设的技术创新效应。(2)在企业的发展过程中，不断加大投资力度，通过区际贸易、国际贸易、引进外资等方式加强信息技术对技术密集度相对低的高技术细分行业的升级改造，提高技术密集度，防范并化解伴随技术密集度提高而来的潜在风险，进一步发挥信息基础设施建设对创新效率的提升作用。(3)外部通过市场化的改革完善市场竞争，内部促使高技术企业提高管理效率，从而倒逼企业提高盈利能力，有利于强化信息基础设施建设对高技术企业创新效率的促进作用。

参考文献

［1］白俊红.企业规模、市场结构与创新效率——来自高技术产业的经验证据[J].中国经济问题，2011a(5)：65-78.

［2］白俊红.中国政府的 R&D 资助有效吗？——来自大中型工业企业的经验证据[J].经济学(季刊)，2011b，10(4)：1375-1400.

［3］陈 亮，李杰伟，徐长生.信息基础设施与经济增长——基于中国省际数据分析[J].管理科学，2011(1)：98-107.

［4］戴魁早.中国高技术产业的 R&D 投入与生产率增长——基于行业层面和 Malmquist指数的实证检验[J].山西财经大学学报，2011(3)：63-71.

［5］戴魁早，刘友金.市场化进程对创新效率的影响及行业差异——基于中国高技术产业的实证检验[J].财经研究，2013a(5)：4-16.

［6］戴魁早，刘友金.行业市场化进程与创新绩效——中国高技术产业的经验分析[J].数量经济技术经济研究，2013b(9)：37-54.

［7］戴魁早，刘友金.要素市场扭曲、区域差异与 R&D投入——来自中国高技术产业与门槛模型的经验证据[J].数量经济技术经济研究，2015(7)：3-20.

［8］范·杜因.外国经济学说研究会译.创新随时间的波动[M].北京：商务印书馆，1986.

［9］樊 纲，王小鲁，马光荣.中国市场化进程对经济增长的贡献[J].经济研究，2011(9)：4-16.

［10］樊 纲，王小鲁，朱恒鹏.中国市场化指数——各地区市场化相对进程2011年报告[M].北京：经济科学出版社，2011.

［11］韩先锋，惠 宁，宋文飞.信息化能提高中国工业部门技术创新效率吗[J].中国工业经济，2014(12)：70-82.

［12］李 平，崔喜军，刘 建.中国自主创新中研发资本投入产出绩效分析[J].中国社会科学，2007(2)：32-42.

［13］李伟军.地区行政层级、信息基础与金融集聚的路径选择——基于长三角城市群面板数据的实证分析[J].财经研究，2011(11)：80-90.

［14］刘生龙，胡鞍钢.基础设施的外部性在中国的检验：1988—2007[J].经济研究，2010(3)：4-15.

［15］苏东水.产业经济学(第三版)[M].北京：高等教育出版社，2010.

［16］孙琳琳，郑海涛，任若恩.信息化对中国经济增长的贡献：行业面板数据的经验证据[J].世界经济，2012(2)：3-25.

［17］孙 早，宋 炜.企业 R&D投入对产业创新绩效的影响——来自中国制造业的经验证据[J].数量经济技术经济研究，2012(4)：45-63.

［18］孙 早，宋 炜.中国工业的创新模式与绩效——基于 2003—2011年间行业面板数据的经验分析[J].中国工业经济，2013(6)：44-56.

［19］吴延兵.国有企业双重效率损失研究[J].经济研究，2012a(3)：15-27.

［20］吴延兵.中国哪种所有制类型企业最具创新性[J].世界经济，2012b(6)：3-29.

［21］徐远华，孙 早.产业政策激励与高技术产业的竞争力[J].山西财经大学学报，2015(9)：65-75.

［22］闫海洲.要素投入、技术外溢与信息化的生产率效应[J].上海经济研究，2012(4)：74-82.

［23］原毅军.产业发展理论及应用[M].大连：大连理工大学出版社，2012.

［24］张 诚，蒙大斌.技术创新、行业特征与生产率绩效——基于中国工业行业的实证分析[J].当代经济科学，2012(4)：49-55.

［25］张 杰，卢 哲，郑文平，陈志远.融资约束、融资渠道与企业 R&D投入[J].世界经济，2012(10)：66-90.

［26］庄 雷，王云中.中国区域信息网络基础设施投资效应的实证研究[J].技术经济，2015(4)：23-29.

［27］Acemoglu D.，Johnson S.Unbundling Institutions[J].Journal of Political Economy，2005，113(5)：949-95.

［28］Arrow K.J.The Organization of Economic Activity：Issues Pertinent to the Choice of Market versus Non-market Allocation[A].U.S.Goverment：Print Office.In The Analysis and Evaluation of Public Expenditures：The PBB-System[C].Washing D.C：U.S.Joint Economic Committee，91st Cong.，1st sess，1969，1：1-16.

［29］Battese G.E.，Coeli T.J.Prediction of Firm-Level Technical Efficiencies with a Generalized Frontier Production Function and Panel Date[J].Journal of Econometrics，1988，38(3)：387-99.

［30］Battese G.E.，Coeli T.J.Frontier Functions，Technical Efficiency and Panel Date：With Application to Paddy Farmers in India [J].Journal of Production Analysis，1992，3(1)：153-69.

［31］Battese G.E.，Coeli T.J.A Model for Technical Inefficiency Effects in a Stochastic Production Frontier for Panel Date[J].Empirical Economics，1995，20(2)：325-32.

［32］Blundell R.，Bond S.Initial Conditions and Moments Restrictions in Dynamic Panel Data Models[J].Journal of Econometrics，1998，87(1)：115-43.

［33］Blundell R.，Bond S.，Windmeijer F.Estimation in Dynamic Panel Data Models：Improving on the Performance of the Standard GMM Estimator[R].Ifs Working Papers，2000，15(00)：53-91.

［34］Breusch T.S，Pagan A.R.The Lagrange Multiplier Test and Its Application to Model Specification in Econometrics[J].The Review of Economic Studies，1980，47(1)，239-53.

［35］Farrel M.J.The Measurement of Productive Efficiency[J].Journal of the Royal Statistical Society，1957，120(3)：253-90

［36］Griliches Z.R&D and the Productivity Slowdown[J].The American Economic Review，1980，70(2)：343-48.

［37］Gust C.，Marquez J.International Comparisons of Productivity Growth：The Role of Information Technology and Regulatory Practices[J].Labor Economics，2004，11(1)：33-58.

［38］Hardy A.The Role of the Telephone in Economic Development[J].Telecommunications，1980，4(4)：278-86.

［39］Hendriks P.Why Share Knowledge? The Influence of ICT on Motivation for Knowledge Sharing[J].Knowledge and Process Management，1999，6(2)：91-100.

［40］Jondrow J.，Lovell C.A.K.，Materov I.S.，Schmidt P.On Estimation of Technical Inefficiency in the Stochastic Frontier Production Functions Model[J].Journal of Econometrics，1982，19(2-3)：233-38.

［41］Koutroumpis P.The Economic Impact of Broadband on Growth：A Simultaneous Approach[J].Telecommunications Policy，2009，33(9)：471-85.

［42］Kumbhakar S.C.，Lovell C.A.K.Stochastic Frontier Analysis[M].New York：Cambridge University Press，2000.

［43］Röller L.H.，Waverman L.Telecommunications Infrastucture and Economic Development：ASimultaneous Approach[J］.The American Economic Review，2001，91(4)：909-23.

［44］Schumpeter J.A.Capitalism，Socialism，and Democracy[M］.New York：Harper &Row，1942.

［45］Ward R.M.，Zheng L.S.Mobile and Fixed Substitution for Telephone Service in China[J］.Telecommunicetions Policy，2012，36(4)：301-10.