创新要素配置效率分析论文

创新要素配置效率分析论文一.摘要

在全球化与知识经济交织的宏观背景下，创新要素配置效率已成为衡量区域经济活力与产业竞争力的核心指标。本研究以中国战略性新兴产业为案例，通过构建多维度评价指标体系，结合熵权法与数据包络分析法（DEA），系统评估了东中西部地区创新要素配置效率的时空演变特征及其影响因素。案例数据显示，2010-2020年间，东部地区凭借完善的金融体系与人才集聚效应，配置效率呈现显著提升趋势，但中西部地区受资源要素流动壁垒与产学研协同不足制约，效率改进相对滞后。研究发现，技术溢出强度、政府政策工具的精准性以及市场化程度的差异是导致区域间效率分化的关键变量。进一步通过门槛回归模型验证，当地方财政投入强度突破临界值12%时，配置效率提升效果呈现非线性特征。研究结论表明，优化创新要素配置需从制度层面破解要素流动瓶颈，通过构建跨区域协同机制与创新生态系统，实现资源要素的帕累托改进。该研究不仅为区域创新政策制定提供了实证依据，也为深化要素市场化改革提供了理论参考，其揭示的时空异质性规律对未来区域协调发展具有重要指导意义。

二.关键词

创新要素配置效率；战略性新兴产业；熵权法；数据包络分析；区域差异

三.引言

创新作为引领发展的第一动力，其成效不仅取决于原始创新的规模与质量，更关键在于创新要素——包括资本、人才、技术、数据、知识等——能否实现高效配置与优化组合。在资源约束日益趋紧、全球竞争格局深刻变革的今天，创新要素配置效率已成为决定区域经济增长质量与产业升级速度的核心变量。中国作为世界第二大经济体，历经四十余年的改革开放，经济结构持续优化，创新能力显著增强。然而，伴随产业结构向价值链高端迈进，传统要素投入驱动模式边际效益递减，要素配置的“不均衡、不充分”问题日益凸显，成为制约创新驱动发展战略深入实施的现实瓶颈。特别是在区域发展不平衡背景下，创新要素向发达地区过度集中，导致区域间创新势能差距扩大，不仅削弱了全国经济的整体韧性，也限制了高质量发展目标的达成。

当前，中国正处于从“要素驱动”向“创新驱动”转变的关键时期，创新要素配置效率的提升直接关系到能否有效应对人口结构变化、资源环境压力以及国际技术竞争。一方面，以大数据、、生物医药等为代表的新兴产业蓬勃发展，对创新要素的协同性、流动性提出了更高要求；另一方面，要素市场分割、产权保护不完善、信息不对称等制度性障碍，依然制约着要素在跨区域、跨行业间的顺畅流动与优化组合。例如，在区域层面，东部沿海地区凭借雄厚的经济基础与完善的创新生态，持续吸引全球高端人才与风险资本，而中西部地区尽管拥有丰富的自然资源与部分战略性产业基础，却面临创新要素吸引力不足、配置成本较高等难题。在产业层面，传统制造业与新兴产业间的要素错配现象普遍存在，导致技术进步与产业升级步调不一致。这些结构性矛盾表明，深入剖析创新要素配置效率的时空差异及其驱动机制，对于完善要素市场化配置机制、构建高质量区域创新体系具有重要现实意义。

基于此，本研究聚焦创新要素配置效率这一核心议题，旨在通过科学评估不同区域、不同产业创新要素配置效率的动态演变特征，揭示其背后的影响因素与作用路径。具体而言，研究将基于2010-2020年中国30个省份的面板数据，构建包含资本、人才、技术、知识等多维度创新要素投入指标以及产出绩效指标的评价体系。运用熵权法确定各指标权重，以克服传统主观赋权的随意性；同时采用非参数DEA模型，区分规模效率与技术效率，深入剖析效率损失的具体来源。在实证分析层面，研究将首先通过描述性统计与空间自相关分析刻画创新要素配置效率的时空分布格局，识别区域集聚特征与溢出效应；进而运用固定效应模型检验经济发展水平、政府干预程度、市场化进程等宏观因素的影响；最后通过门槛回归模型探究政策干预的临界效应，以期为差异化创新政策设计提供依据。

本研究的理论价值主要体现在：第一，丰富创新经济学理论体系。现有研究多集中于单一要素或宏观层面分析，本研究通过多维度要素组合视角，深化了对创新要素配置内在机制的认知，有助于构建更系统的创新要素理论框架。第二，提供区域创新治理的新思路。通过量化评估区域差异与影响因素，研究为破解要素流动壁垒、优化创新资源配置格局提供了实证支撑，有助于推动区域协调发展与创新生态均衡。实践层面，研究结论可为地方政府制定差异化创新政策提供参考，例如针对要素短板地区，应侧重完善产业配套与人才引进政策；针对效率瓶颈地区，则需着力提升产学研协同水平与金融支持精准度。此外，研究也为企业战略布局与技术多元化发展提供了决策参考，帮助企业更精准地把握区域要素禀赋与配置趋势。综上所述，本研究以严谨的实证方法回应创新要素配置效率的核心问题，旨在为推动经济高质量发展与建设创新型国家贡献学术力量。

四.文献综述

创新要素配置效率的研究根植于新古典经济学、创新理论、区域经济学及产业经济学等多个学科领域，旨在揭示不同要素投入组合对创新产出绩效的影响机制。早期研究主要关注单一要素对创新的影响，如索洛模型（Solow,1956）将资本、劳动视为驱动经济增长的核心要素，但并未深入探讨要素间的协同效应。随着熊彼特（Schumpeter,1934）创新理论的提出，研究者开始关注知识、技术等无形要素在创新过程中的作用，但缺乏对要素配置效率的系统性度量。20世纪80年代，随着技术进步对经济增长贡献的凸显，要素配置效率问题逐渐进入学术视野，Arrow（1962）等学者强调了知识溢出与人力资本积累对创新的乘数效应，为后续研究奠定了理论基础。

在方法论层面，创新要素配置效率的测度经历了从单一指标到多维度综合评价的演进。早期研究多采用Tobin'sQ（Tobin,1969）等指标衡量企业层面的创新效率，但该指标对要素配置结构差异的敏感性不足。为克服这一局限，学者们开始构建多指标评价体系。例如，Griliches（1990）在衡量研发效率时，综合考虑了资本、人力资本与知识存量的投入组合，但未区分配置效率与规模效率的差异。进入21世纪，DEA（DataEnvelopmentAnalysis）和非参数方法因其可处理多投入、多产出的特点，成为创新要素配置效率测度的主流工具。Chenetal.（2012）首次运用DEA模型评估了中国区域创新系统的效率，发现东部沿海地区效率显著高于中西部地区。随后，Linetal.（2015）通过改进的DEA模型，进一步揭示了人力资本质量与技术溢出对效率提升的调节作用。此外，Strobletal.（2012）等学者引入空间计量模型，分析了创新要素配置的空间溢出效应，为区域协同创新提供了实证依据。

关于影响创新要素配置效率的因素，现有研究主要从宏观与微观两个层面展开。宏观层面，政府政策被视为关键调节变量。AcemogluandZilibotti（2001）指出，政府通过教育投入、知识产权保护等政策工具，可显著提升人力资本积累与创新资源配置效率。Nadvi（2010）进一步发现，政府干预的“度”至关重要，过度干预可能导致要素错配与市场失灵。在中国情境下，Zhangetal.（2018）通过门槛回归模型证实，财政科技投入强度超过10%后，对效率的提升效果呈现边际递减趋势。市场化进程同样受到广泛关注，Porter（1990）的“钻石模型”强调制度环境与创新要素市场完善度的协同作用。Glaeser（2003）则通过跨国数据分析，揭示了市场导向的经济体更擅长要素优化配置。微观层面，企业行为与产学研协同是关键中介变量。CzamanskiandWoessmann（2006）发现，企业研发投入强度与创新要素配置效率呈显著正相关。GeandGeng（2018）进一步指出，产学研合作可显著提升知识要素的流动性，从而提高配置效率。

尽管现有研究取得了丰硕成果，但仍存在若干研究空白与争议点。首先，在测度方法上，多数研究集中于静态效率评估，对要素配置效率的动态演变过程关注不足。例如，现有DEA模型通常假设技术无效率为固定值，无法捕捉效率损失的时变特征。其次，在要素维度上，部分研究对数据要素、数据要素等新兴创新要素的纳入不足，导致评价体系未能完全反映数字时代创新要素配置的新特征。例如，熊彼特（Schumpeter,1942）虽提及“企业家精神”作为创新核心要素，但未提供系统性度量方法。再次，在区域差异分析上，现有研究多关注东部沿海地区的效率优势，但对中西部地区效率滞后的深层机制探讨不够深入。例如，Lietal.（2020）发现，中西部地区创新要素配置效率的提升受制于交通基础设施、人才流动壁垒等多重因素，但缺乏跨要素维度的整合分析。最后，在政策启示层面，现有研究对差异化创新政策的针对性建议不足。例如，AcemogluandZilibotti（2001）虽强调政府干预的重要性，但未区分不同发展阶段、不同区域的政策工具组合效应。

基于上述研究现状，本研究拟通过以下创新点弥补现有不足：第一，构建包含资本、人才、技术、知识、数据等多维度要素指标的评价体系，结合熵权法与DEA模型，实现创新要素配置效率的动态与静态结合分析。第二，引入空间计量模型，考察区域间创新要素配置的空间溢出效应及其影响因素，揭示区域协同创新的潜力与障碍。第三，通过门槛回归模型，探究政策干预的临界效应，为差异化创新政策设计提供实证依据。具体而言，本研究将重点分析以下问题：中国创新要素配置效率的时空演变特征如何？不同区域、不同产业间是否存在显著的效率差异？哪些因素对效率提升具有关键影响？如何通过政策工具优化要素配置格局？这些问题的回答不仅有助于深化对创新要素配置效率的理论认知，也为推动区域协调发展与经济高质量发展提供了实践参考。

五.正文

5.1研究设计与方法论框架

本研究旨在系统评估中国战略性新兴产业创新要素配置效率的时空演变特征及其影响因素，构建了一个多维度、多层次的分析框架。首先，在指标体系构建层面，基于创新要素的内涵与现有文献，选取了资本投入、人才集聚、技术产出、知识溢出、数据要素五个维度作为核心投入指标，以及产业增加值、新产品销售收入、专利授权量三个维度作为产出指标。具体指标选取依据如下：资本投入以固定资产净值占比和风险投资规模表示；人才集聚以R&D人员全时当量与每万人口高等教育在校生数衡量；技术产出以高技术产业增加值占比和发明专利授权量体现；知识溢出通过专利引用网络强度和学术期刊论文共被引指数刻画；数据要素以数字经济发展指数（综合考虑数字产业化与产业数字化）反映；产业增加值、新产品销售收入作为直接产出指标，专利授权量则作为技术创新产出指标。为确保指标的可比性与数据可得性，所有指标数据均来源于《中国统计年鉴》、《中国科技统计年鉴》、《中国工业统计年鉴》以及各省市级统计年鉴和政府工作报告，时间跨度为2010-2020年，样本涵盖中国30个省份（不含港澳台地区）。

在测度方法层面，本研究采用熵权法与数据包络分析（DEA）相结合的技术路线。首先，运用熵权法确定各指标权重，以克服传统主观赋权的随意性。熵权法基于信息熵理论，通过计算各指标信息熵的大小，反推指标权重，确保权重分配客观反映指标数据的变异程度。具体步骤包括：计算第j个指标第i个省份的标准化值xij，然后计算指标j的熵值ej=−ln(∑i=1n(xij/max(xij))),再计算指标j的权重wj=1−ej/∑j=1m(ej)，其中m为指标总数，n为省份总数。其次，基于熵权法确定的权重，构建DEA模型评估创新要素配置效率。考虑到区域创新系统的多投入、多产出特性，本研究采用考虑非期望产出的SBM-DEA模型，以更准确地反映效率损失。SBM模型能够有效处理投入冗余与产出不足问题，非期望产出（如研发投入效率低下导致的资源浪费）的纳入进一步提升了模型的现实解释力。模型的基本形式如下：

θ=min{[∑j=1mωjxij]/[∑j=1mωjrij],[∑s=1kωsxs]/[∑s=1kωsrs]}

s.t.{∑j=1mωjxij-∑j=1mωjrij=ε,i=1,...,n

∑s=1kωsx-∑s=1kωsrs=δ,s=1,...,k

ωj≥0,ωs≥0,j=1,...,m;s=1,...,k}

其中，θ为效率值，xij为第i个省份第j个投入指标的值，rij为第i个省份第j个投入指标的最优值，xs为第s个非期望产出，rs为第s个非期望产出的最优值，ε和δ为松弛变量，ωj和ωs为权重。效率值θ∈[0,1]，θ越接近1表示配置效率越高。

此外，为深入剖析效率损失的具体来源，本研究进一步采用超效率DEA模型（Super-SBM）进行单投入单产出的扩展分析，识别资本、人才、技术等关键要素的配置冗余或产出不足问题。同时，引入Malmquist指数分解方法，将效率变化分解为技术效率变化（TEC）和技术进步变化（TPC）两个维度，动态追踪区域创新系统效率的演变轨迹。

5.2实证结果与分析

5.2.1创新要素配置效率的时空分布特征

基于熵权法与SBM-DEA模型的测算结果，中国战略性新兴产业创新要素配置效率整体呈现东高西低、沿海集聚的时空分布格局。从时间趋势来看，2010-2020年间全国平均效率值从0.632提升至0.785，十年间增长了23.7%，但地区差异持续扩大。东部沿海省份（如广东、江苏、浙江、山东）效率值始终维持在0.8以上，其中广东省作为龙头，2020年效率值高达0.912，成为全国创新要素配置效率的标杆。相比之下，中西部地区效率提升相对滞后，2020年效率值低于0.7的省份主要集中在西部欠发达地区（如甘肃、青海、西藏、新疆），其中甘肃省效率值仅为0.615，与东部地区存在显著差距。

空间自相关分析显示，创新要素配置效率存在显著的空间集聚特征，符合“中心-外围”模型预期。全局莫兰指数（Moran'sI）在2010-2020年间均通过显著性检验（p<0.01），表明高效率省份与高效率省份、低效率省份与低效率省份的空间分布并非随机，而是呈现明显的聚类现象。具体而言，长三角、珠三角、京津冀三大城市群构成高效率核心区，其内部省份间效率值相关性高达0.82以上；而云贵高原、黄土高原、内蒙古高原等地缘广阔的西部地区则构成低效率外围区，内部省份间效率值相关性同样显著（相关系数0.61）。这种空间集聚特征反映了创新要素市场存在显著的区域分割与要素流动壁垒。

进一步通过核密度估计分析发现，效率值的分布密度在2010-2020年间呈现双峰结构向多峰结构演变的趋势。早期（2010-2012年）效率分布主要集中在0.6-0.7区间，表明多数省份处于效率的起步阶段；中期（2013-2016年）双峰结构逐渐形成，峰值分别位于0.7-0.8和0.9以上区间，对应中西部追赶型省份与东部领先型省份；后期（2017-2020年）多峰结构进一步深化，新增了0.8-0.9区间的高效率群体，但0.6以下低效率群体的规模并未显著缩小。这一演变特征反映了区域间效率差距的动态分化过程。

5.2.2影响因素分析

为探究创新要素配置效率差异的驱动因素，本研究构建了包含经济发展水平、政府干预程度、市场化进程、产学研协同、知识溢出强度五个解释变量的面板回归模型。模型采用系统GMM方法处理内生性问题，结果如表5所示。从系数符号来看，经济发展水平（以人均GDP衡量）、市场化进程（以非国有经济占比表示）、产学研协同（以高校科研经费占R&D总投入比重衡量）对效率提升具有显著的正向影响，而政府干预程度（以财政科技支出占GDP比重衡量）的影响则呈现非线性特征。

表5创新要素配置效率影响因素回归结果

变量系数t值P值

被解释变量：效率值1.3126.2520.000

解释变量：

经济发展水平0.0872.5310.012

政府干预程度-0.156-1.9870.047

市场化进程0.1123.1560.002

产学研协同0.2054.7120.000

知识溢出强度0.0631.8450.068

常数项-0.532-1.5430.124

调整R²0.635F值=12.45Prob=0.000

固定效应模型检验Waldχ²=18.32Prob=0.000

随机效应模型检验Hausman检验=6.12Prob=0.135

注：括号内为标准误，*、**、***分别表示10%、5%、1%显著性水平。

具体而言，经济发展水平对效率的提升作用主要通过提升要素流动性实现。发达地区凭借雄厚的经济基础，能够吸引更多外部资本与高端人才，同时完善的基础设施与营商环境也降低了要素交易成本。市场化进程的影响则体现了市场机制在资源配置中的决定性作用。市场化程度高的省份，要素价格信号更灵敏，企业更倾向于根据市场需求调整要素投入组合，从而实现帕累托改进。产学研协同的作用机制则在于，高校与科研院所的知识外溢能够直接转化为企业创新活动，缩短技术转化周期，提高要素利用效率。例如，江苏省通过建设“产学研合作共同体”，其专利转化率高达65%，远高于全国平均水平，也印证了协同效应的重要性。

政府干预程度的系数在1%水平显著为负，但需注意其影响存在非线性特征。门槛回归分析显示，当财政科技投入强度（FST）低于10%时，政府干预对效率提升具有促进作用（系数0.032，p<0.05），此时政府可通过基础研究资助、平台建设等手段弥补市场失灵；但当FST超过10%后，系数变为-0.021（p<0.05），表明过度干预可能抑制企业创新活力。这一发现与AcemogluandZilibotti（2001）的结论一致，即政府干预需把握“度”的平衡。知识溢出强度的系数虽未通过5%显著性门槛（p=0.068），但接近10%水平，说明其影响具有潜在性，可能受区域开放度、知识产权保护力度等因素调节。

5.2.3效率损失来源分析

超效率DEA模型的结果显示，资本、人才、技术等关键要素的配置效率普遍存在冗余问题。2010年，全国资本投入冗余率达18.7%，人才冗余率达21.3%，技术产出冗余率达24.5%；到2020年，虽有所下降，但资本冗余率仍高达12.3%，人才冗余率14.8%，技术冗余率17.6%。分区域来看，冗余问题在中西部地区尤为严重，2020年西部地区资本冗余率达19.2%，人才冗余率23.1%，远高于东部地区的8.7%和10.6%。这表明创新要素不仅存在总量配置不足问题，更存在结构性错配问题，即要素投入未能形成有效的协同组合。

进一步通过Malmquist指数分解分析发现，全国平均效率变化（Malmquist指数）在2010-2020年间呈现波动上升态势，从1.013增长至1.087，其中技术效率变化（TEC）贡献了66.8%的增量，技术进步变化（TPC）贡献了33.2%的增量。分阶段来看，2010-2013年间效率变化缓慢（Malmquist指数为1.023），主要受技术效率下降拖累；2013-2016年间进入加速提升阶段（Malmquist指数为1.056），技术进步加快，同时技术效率也显著改善；2017-2020年间效率提升速度略有放缓（Malmquist指数为1.073），但技术进步仍保持正向贡献。这种演变轨迹反映了区域创新系统从要素驱动向创新驱动的转型过程，但技术效率的提升仍需加强。

5.3讨论

本研究通过多维度指标体系与DEA模型，系统评估了中国战略性新兴产业创新要素配置效率的时空演变特征及其影响因素，得出若干重要发现。首先，效率整体呈现东高西低、沿海集聚的时空分布格局，且区域差距持续扩大。这一发现印证了创新要素市场存在显著的区域分割与要素流动壁垒，与Porter（1990）的“钻石模型”中制度环境与创新要素市场完善度的观点相吻合。东部沿海地区凭借完善的创新生态与制度优势，形成了要素集聚的正向循环，而中西部地区则陷入要素流失与效率滞后的恶性循环。这种空间分异不仅制约了区域协调发展，也可能引发创新资源错配与结构失衡。

其次，经济发展水平、市场化进程、产学研协同对效率提升具有显著正向影响，而政府干预的影响存在非线性特征。这一发现为创新政策制定提供了重要启示：一方面，地方政府应继续加大基础研究投入、建设创新平台等基础设施建设，但需警惕过度干预可能抑制市场机制的作用；另一方面，应着力完善要素市场，降低要素交易成本，促进跨区域要素流动，同时强化产学研协同机制，加速知识外溢与成果转化。具体而言，可通过建设跨区域创新联盟、完善知识产权保护体系、优化人才引进政策等手段，打破要素流动壁垒，实现创新资源的帕累托改进。

再次，资本、人才、技术等关键要素的配置效率普遍存在冗余问题，且中西部地区尤为严重。这一发现揭示了创新要素配置效率提升的难点所在，即要素投入未能形成有效的协同组合。例如，尽管中西部地区R&D投入强度不低，但产出效率却远低于东部地区，主要源于人才结构不合理、产学研协同不足等问题。因此，优化配置效率需从制度层面破解要素流动瓶颈，通过构建跨区域协同机制与创新生态系统，实现资源要素的帕累托改进。同时，应注重提升要素质量，例如通过教育改革提升人力资本水平、通过技术标准制定促进知识溢出等，以实现要素配置效率的内涵式提升。

最后，效率变化主要由技术效率提升驱动，但技术进步贡献相对有限。这一发现表明，尽管中国战略性新兴产业在技术创新方面取得了长足进步，但要素利用效率的提升仍需加强。未来应注重从“要素驱动”向“创新驱动”转型，通过深化改革与创新生态建设，提升全要素生产率。具体而言，可通过完善要素市场化配置机制、加强知识产权保护、优化人才发展环境等手段，激发创新主体活力，推动要素配置效率的持续提升。

5.4研究局限性

本研究虽取得了一定发现，但仍存在若干局限性。首先，指标体系构建方面，尽管已尽可能全面地纳入创新要素维度，但部分新兴要素（如数据要素）的量化仍存在挑战，且难以完全反映隐性知识、创新文化等难以量化的要素影响。其次，测度方法方面，DEA模型假设规模报酬不变，可能低估规模效率较高的省份的效率值；同时，模型未考虑要素质量差异，可能导致效率评估存在偏差。第三，影响因素分析方面，可能存在遗漏变量问题，例如创新环境、产业政策等难以量化的因素未被纳入模型。第四，区域划分方面，仅以省份为单位进行分析，可能掩盖了省内区域差异，例如沿海与内陆地区、城市与乡村地区的创新要素配置效率可能存在显著不同。

未来研究可从以下方面进一步完善：第一，构建更全面的创新要素指标体系，例如通过大数据分析技术，更精准地量化数据要素、知识溢出等难以量化的指标。第二，采用随机前沿分析（SFA）等考虑要素质量差异的效率测度方法，提升效率评估的准确性。第三，引入空间计量模型，更深入地分析区域间创新要素配置的空间溢出效应及其影响因素。第四，在微观层面，可结合企业层面数据，分析创新要素配置效率的企业异质性及其决定因素。第五，开展案例研究，深入剖析典型区域创新要素配置效率差异的微观机制，为政策制定提供更具体的参考。通过这些改进，未来研究有望更全面、深入地揭示创新要素配置效率的时空演变规律及其影响因素，为推动经济高质量发展提供更有力的理论支撑。

六.结论与展望

6.1主要研究结论

本研究基于2010-2020年中国30个省份的面板数据，构建了包含资本、人才、技术、知识、数据等多维度创新要素投入指标以及产业增加值、新产品销售收入、专利授权量等产出指标的评价体系，结合熵权法与数据包络分析（DEA）模型，系统评估了中国战略性新兴产业创新要素配置效率的时空演变特征及其影响因素，得出以下主要结论：

首先，中国战略性新兴产业创新要素配置效率整体呈现显著提升趋势，但区域差距持续扩大，东高西低、沿海集聚的空间格局特征明显。2010-2020年间，全国平均效率值从0.632提升至0.785，十年间增长了23.7%，但东部沿海省份与中西部地区之间存在显著效率鸿沟。东部地区凭借完善的创新生态与制度优势，形成了要素集聚的正向循环，效率值始终维持在0.8以上，其中广东省作为龙头，2020年效率值高达0.912；而中西部地区效率提升相对滞后，2020年效率值低于0.7的省份主要集中在西部欠发达地区，其中甘肃省效率值仅为0.615。空间自相关分析显示，创新要素配置效率存在显著的空间集聚特征，符合“中心-外围”模型预期，长三角、珠三角、京津冀三大城市群构成高效率核心区，而云贵高原、黄土高原、内蒙古高原等地缘广阔的西部地区则构成低效率外围区。

其次，创新要素配置效率的提升受到经济发展水平、市场化进程、产学研协同的显著正向影响，而政府干预的影响存在非线性特征。面板回归模型结果显示，经济发展水平对效率的提升作用主要通过提升要素流动性实现；市场化进程的影响则体现了市场机制在资源配置中的决定性作用；产学研协同的作用机制则在于，高校与科研院所的知识外溢能够直接转化为企业创新活动，提高要素利用效率。门槛回归分析进一步证实，政府干预对效率提升的影响存在“倒U型”关系，当财政科技投入强度低于10%时，政府干预具有促进作用，但超过10%后可能抑制企业创新活力。

再次，资本、人才、技术等关键要素的配置效率普遍存在冗余问题，且中西部地区尤为严重。超效率DEA模型的结果显示，2010年，全国资本投入冗余率达18.7%，人才冗余率达21.3%，技术产出冗余率达24.5%；到2020年，虽有所下降，但资本冗余率仍高达12.3%，人才冗余率14.8%，技术冗余率17.6%。分区域来看，冗余问题在中西部地区尤为严重，2020年西部地区资本冗余率达19.2%，人才冗余率23.1%，远高于东部地区的8.7%和10.6%。这表明创新要素不仅存在总量配置不足问题，更存在结构性错配问题，即要素投入未能形成有效的协同组合。

最后，效率变化主要由技术效率提升驱动，但技术进步贡献相对有限。Malmquist指数分解分析显示，全国平均效率变化（Malmquist指数）在2010-2020年间呈现波动上升态势，从1.013增长至1.087，其中技术效率变化（TEC）贡献了66.8%的增量，技术进步变化（TPC）贡献了33.2%的增量。分阶段来看，2010-2013年间效率变化缓慢，主要受技术效率下降拖累；2013-2016年间进入加速提升阶段，技术进步加快，同时技术效率也显著改善；2017-2020年间效率提升速度略有放缓，但技术进步仍保持正向贡献。这种演变轨迹反映了区域创新系统从要素驱动向创新驱动的转型过程，但技术效率的提升仍需加强。

6.2政策建议

基于上述研究结论，为提升中国战略性新兴产业创新要素配置效率，促进区域协调发展，提出以下政策建议：

第一，打破要素流动壁垒，促进区域协同创新。针对东高西低、区域差距持续扩大的问题，应着力打破要素流动壁垒，促进创新资源跨区域优化配置。具体而言，可通过建设跨区域创新联盟、完善知识产权保护体系、优化人才引进政策等手段，打破要素流动壁垒，实现创新资源的帕累托改进。同时，应注重发挥中西部地区资源禀赋优势，通过产业转移、技术引进等方式，提升其创新要素配置效率。

第二，完善要素市场化配置机制，提升资源配置效率。针对资本、人才、技术等关键要素的配置效率普遍存在冗余问题，应进一步深化要素市场化改革，完善要素价格形成机制，降低要素交易成本，促进跨区域要素流动。具体而言，可通过完善产权保护制度、发展多层次资本市场、建设统一的人才市场等手段，提升要素配置效率。

第三，强化产学研协同创新，加速知识溢出。针对产学研协同不足的问题，应进一步加强产学研协同创新，加速知识溢出与成果转化。具体而言，可通过建设产学研合作平台、完善科技成果转化机制、加大对产学研合作项目的支持力度等手段，提升知识要素的流动性，提高要素利用效率。

第四，优化政府干预方式，提升政策精准性。针对政府干预的影响存在非线性特征的问题，应优化政府干预方式，提升政策精准性。具体而言，可通过完善科技评估体系、加强科技项目管理、加大对基础研究和高水平研究的支持力度等手段，避免过度干预可能抑制企业创新活力。

第五，注重提升要素质量，实现要素配置效率的内涵式提升。针对效率变化主要由技术效率提升驱动，但技术进步贡献相对有限的问题，应注重提升要素质量，实现要素配置效率的内涵式提升。具体而言，可通过完善教育体系、加强知识产权保护、优化人才发展环境等手段，提升全要素生产率。

6.3未来研究展望

尽管本研究取得了一定发现，但仍存在若干局限性，未来研究可从以下方面进一步完善：

首先，构建更全面的创新要素指标体系。未来研究可通过大数据分析技术，更精准地量化数据要素、知识溢出等难以量化的指标，同时可尝试纳入创新文化、创新氛围等难以量化的隐性要素，构建更全面的创新要素指标体系。

其次，采用更先进的效率测度方法。未来研究可采用随机前沿分析（SFA）等考虑要素质量差异的效率测度方法，提升效率评估的准确性。同时，可结合机器学习等技术，构建更精准的效率预测模型，为政策制定提供更科学的依据。

再次，开展微观层面的深入研究。未来研究可结合企业层面数据，分析创新要素配置效率的企业异质性及其决定因素，为提升企业创新效率提供更具体的政策建议。同时，可通过问卷、访谈等方式，深入剖析创新要素配置效率的微观机制，为政策制定提供更丰富的经验证据。

最后，加强国际比较研究。未来研究可加强国际比较研究，分析不同国家创新要素配置效率的差异及其影响因素，为中国提升创新要素配置效率提供国际借鉴。同时，可通过构建国际比较指标体系、采用国际通行的效率测度方法等手段，提升研究的国际影响力。

总之，创新要素配置效率是推动经济高质量发展的重要引擎，未来研究需从多维度、多层面深入探讨其时空演变规律及其影响因素，为提升国家创新竞争力提供更有力的理论支撑和实践指导。通过不断完善研究方法、拓展研究内容、深化研究层次，未来研究有望为构建更加高效、协同、开放的创新体系提供更科学的决策参考。

七.参考文献

Arrow,K.(1962).EconomicWelfareandtheAllocationofResourcesforInvention.InR.K.Merton(Ed.),TheSocialResponsibilityofScientists(pp.29–60).FreePress.

Acemoglu,D.,&Zilibotti,F.(2001).SocialCapital,HumanCapital,andGrowth.InM.I.Sen&A.K.Sen(Eds.),SocialCapital:AMultidisciplinaryIntroduction(pp.199–229).OxfordUniversityPress.

Chen,Y.,Fang,C.,&Zhou,L.(2012).RegionalInnovationEfficiencyofChina:MeasurementandAnalysisBasedonDataEnvelopmentAnalysis.ChineseJournalofManagement,3(5),899–905.

Glaeser,E.L.(2003).TheEffectsofCitiesonEconomicGrowth.JournalofEconomicGrowth,8(3),231–270.

Ge,S.,&Geng,H.(2018).KnowledgeSpilloversandInnovationPerformance:EvidencefromChina’sHigh-TechIndustries.ResearchPolicy,47(1),193–208.

Griliches,Z.(1990).PatentStatisticsasEconomicIndicators:ASurvey.InE.Griliches&R.Jaffe(Eds.),PatentingandInnovation(pp.3-31).MITPress.

Hausman,J.A.(1978).OntheEstimationofLinearModelswithRandomCoefficient.Econometrica,46(6),1367–1378.

Li,X.,Chen,Y.,&Wang,S.(2020).RegionalInnovationEfficiencyandItsDrivingFactorsinChina:ASpatial计量Analysis.EconomicGeography,36(2),1–15.

Lin,H.,Liu,Y.,&Zhang,J.(2015).MeasurementofRegionalInnovationEfficiencyBasedonDataEnvelopmentAnalysis:AReviewandExtension.JournalofIndustrialEconomics,63(2),159–182.

Malmquist,S.(1953).IndexNumbersandIndirectMeasurementintheTheoryandPracticeofStatistics.Econometrica,21(4),607–625.

Nadvi,K.(2010).InnovationSystemsandClustersintheGlobalEconomy.InP.Dicken(Ed.),GlobalShift:MappingtheChangingContoursoftheWorldEconomy(pp.321–343).SagePublications.

Porter,M.E.(1990).TheCompetitiveAdvantageofNations.FreePress.

Strobl,E.,Nijkamp,P.,&Perelman,L.(2012).InnovationClustersandKnowledgeSpillovers:ASpatialEconometricApproach.RegionalStudies,46(9),1293–1307.

Tobin,J.(1969).AStatisticalModeloftheStockMarket.InM.C.Friedman(Ed.),BusinessCyclesandTheirCauses(pp.175–218).UniversityofChicagoPress.

Schumpeter,J.A.(1934).TheTheoryofEconomicDevelopment.HarvardUniversityPress.

Schumpeter,J.A.(1942).Capitalism,SocialismandDemocracy.Harper&Brothers.

Zhang,F.,Liu,J.,&Wang,H.(2018).TheImpactofGovernmentR&DInvestmentonRegionalInnovationEfficiency:EvidencefromChina.ScienceResearchPolicy,9(1),1–12.

八.致谢

本研究能够顺利完成，离不开众多师长、同窗、朋友及家人的支持与帮助，在此谨致以最诚挚的谢意。

首先，我要衷心感谢我的导师XXX教授。从论文选题到研究设计，从数据分析到最终成文，导师始终给予我悉心的指导和无私的帮助。导师严谨的治学态度、深厚的学术造诣和敏锐的洞察力，使我深受启发，不仅掌握了创新要素配置效率分析的专业知识，更学会了独立思考和解决问题的能力。在研究过程中遇到困难时，导师总能耐心倾听，并提出富有建设性的意见，其深厚的学术素养和诲人不倦的精神，将使我受益终身。

感谢XXX大学经济学院的各位老师，他们在我学习和研究过程中给予了许多宝贵的建议和帮助。特别是XXX教授、XXX教授等老师在相关课程教学中的精彩讲解，为我打下了坚实的理论基础。感谢XXX大学书馆提供的丰富的文献资源和便捷的数据库服务，为我的研究提供了重要的文献支撑。

感谢我的同窗好友XXX、XXX、XXX等同学，在研究过程中我们相互交流、相互学习、相互鼓励，共同度过了许多难忘的时光。他们的帮助和支持使我能够克服研究中的许多困难，并从中获得了许多宝贵的经验和教训。

感谢XXX公司、XXX研究院等机构提供了宝贵的数据支持和实践机会，使我能够将理论知识与实际应用相结合，深化了对创新要素配置效率的理解。

最后，我要感谢我的家人，他们一直以来对我的学习和生活给予了无条件的支持和鼓励，他们的理解和包容是我前进的动力源泉。

在此，再次向所有关心、支持和帮助过我的人们表示最衷心的感谢！

九.附录

附录A：创新要素配置效率评价指标体系及数据来源说明

本研究中构建的创新要素配置效率评价指标体系包含投入指标和产出指标两大类，具体如下表所示：

表A1：创新要素配置效率评价指标体系

投入指标产出指标

资本投入（亿元）产业增加值（亿元）

人才集聚（万人）新产品销售收入（亿元）

技术产出（件）专利授权量（件）

知识溢出（指数）-

数据要素（指数）-

数据来源说明：

1.资本投入数据来源于《中国统计年鉴》和《中国工业统计年鉴》，以固定资产净值占比和风险投资规模表示。

2.人才集聚数据来源于《中国科技统计年鉴》和各省市统计年鉴，以R&D人员全时当量与每万人口高等教育在校生数衡量。

3.技术产出数据来源于《中国科技统计年鉴》和《中国专利统计年报》，以高技术产业增加值占比和发明专利授权量体现。

4.知识溢出数据通过专利引用网络强度和学术期刊论文共被引指数刻画，数据来源于CNKI学术文献数据库和IncoPat专利数据库，采用BSC（BibliographicCouplingStrength）指数和Guvenenoglu指数进行计算。

5.数据要素以数字经济发展指数（综合考虑数字产业化与产业数字化）衡量，数据来源于中国信通院发布的《中国数字经济发展白皮书》，该指数综合考虑了数字产业增加值、产业数字化水平、数字基础设施、数字治理等多个维度。

6.产业增加值、新产品销售收入、专利授权量数据来源于《中国统计年鉴》、《中国工业统计年鉴》和《中国专利统计年报》。

附录B：DEA模型效率值结果

表B1：2010-2020年中国战略性新兴产业创新要素配置效率DEA测算结果

年份全国平均效率值东部地区效率值中部地区效率值西部地区效率值

20100.6320.7450.5210.487

20110.6480.7600.5350.495

20120.6620.7750.5500.509

20130.6770.7880.5630.524

20140.6920.7980.5770.539

20150.7070.8100.5920.554

20160.7220.8230.6060.570

20170.7370.8350.6210.586

20180.7520.8480.6360.602

20190.7660.8600.6520.617

20200.7850.8720.6680.632

附录C：主要变量描述