中国高技术产业与传统产业全要素生产率的比较与剖析：发展、差异与驱动因素

中国高技术产业与传统产业全要素生产率的比较与剖析：发展、差异与驱动因素一、引言1.1研究背景与意义在全球经济格局深度调整与科技革命迅猛发展的大背景下，中国经济正处于转型升级的关键时期。高技术产业作为创新驱动发展的核心力量，凭借其知识技术密集、附加值高、产业带动性强等显著优势，已成为推动经济高质量发展的重要引擎。近年来，中国高技术产业在政策扶持与市场需求的双重驱动下，呈现出蓬勃发展的态势。据相关数据显示，2023年中国高技术制造业增加值同比增长10.6%，明显高于规模以上工业增加值增速，在电子信息、生物医药、航空航天等领域取得了一系列关键技术突破，部分技术指标已达到国际先进水平，产业规模不断扩张，国际竞争力逐步提升。传统产业作为中国经济的根基，在国民经济中占据着举足轻重的地位，为经济增长、就业创造和社会稳定做出了不可磨灭的贡献。尽管面临着资源环境约束加剧、市场竞争日益激烈以及技术创新压力增大等诸多挑战，但传统产业通过技术改造、数字化转型和绿色发展等举措，积极探索转型升级之路。以制造业为例，众多传统制造企业加大在智能化生产设备、工业互联网平台等方面的投入，推动生产效率与产品质量的提升，在产业结构调整与优化升级方面取得了阶段性成果。全要素生产率（TotalFactorProductivity，TFP）作为衡量经济增长效率的关键指标，反映了在各种生产要素投入水平既定的条件下，通过技术进步、资源优化配置、管理创新等因素所实现的额外产出增长。在当前中国经济增长模式从要素驱动向创新驱动转变的关键阶段，提高全要素生产率对于推动经济高质量发展、提升产业竞争力以及实现可持续发展目标具有至关重要的战略意义。对高技术产业与传统产业全要素生产率进行深入比较研究，能够清晰揭示不同产业在生产效率、技术创新、资源利用等方面的优势与不足，为制定科学合理的产业政策提供精准的数据支持与决策依据，助力产业结构优化升级与经济发展方式转变。1.2研究目的与创新点本研究旨在通过系统深入地比较中国高技术产业与传统产业的全要素生产率，全面剖析两者在生产效率、技术创新、资源配置等方面的差异与特征，进而深入探究影响产业全要素生产率的关键因素，为推动产业结构优化升级、促进高技术产业与传统产业协同发展提供具有针对性与可操作性的政策建议。本研究的创新点主要体现在以下两个方面：一是从多维度视角对高技术产业与传统产业的全要素生产率进行全面比较分析，不仅涵盖了产业整体层面，还深入到细分行业领域，同时综合考量了时间维度上的动态变化趋势，力求呈现出产业全要素生产率的全景图；二是在研究过程中紧密结合新兴技术发展趋势，如人工智能、大数据、物联网等，分析其对不同产业全要素生产率的影响机制与作用路径，为产业在新兴技术浪潮下实现创新发展提供新的思路与方法。1.3研究方法与数据来源本研究主要采用数据包络分析-Malmquist指数法（DEA-MalmquistIndexMethod）对中国高技术产业与传统产业的全要素生产率进行测算与分析。DEA方法作为一种基于线性规划的非参数分析方法，无需事先设定生产函数的具体形式，能够有效处理多投入多产出的复杂生产系统，在测度产业生产效率方面具有独特优势；Malmquist指数则可进一步将全要素生产率的变化分解为技术进步、技术效率变化等多个组成部分，从而深入剖析生产率变动的内在驱动因素。研究数据主要来源于《中国统计年鉴》《中国高技术产业统计年鉴》以及国家统计局、工信部等官方网站发布的权威统计数据，时间跨度设定为2013-2023年，以确保数据的连续性、可靠性与时效性。同时，为增强研究结论的稳健性与可靠性，还将收集部分行业研究报告、企业年报等辅助数据，对核心数据进行补充与验证。二、相关理论与研究综述2.1全要素生产率理论全要素生产率（TotalFactorProductivity，TFP）作为经济学领域的核心概念之一，最早由美国经济学家罗伯特・索洛（RobertMertonSolow）于20世纪50年代提出，其核心内涵是指在各种生产要素投入水平既定的条件下，由技术进步、资源优化配置、管理创新、规模经济等多种非要素投入因素共同作用所带来的额外产出增长，通常被视为衡量经济增长效率与质量的关键指标，反映了一个经济体或产业在既定投入下实现产出最大化的能力。从经济增长的宏观视角来看，全要素生产率在经济发展进程中扮演着举足轻重的角色。在经济增长初期，资本、劳动力等要素的大规模投入能够显著推动经济总量的扩张，但随着经济发展水平的提升，要素投入的边际收益递减效应逐渐显现，单纯依靠要素投入来维持经济增长变得愈发困难且不可持续。此时，全要素生产率的提升成为推动经济持续增长的关键动力源泉。例如，在发达国家的经济发展历程中，技术创新、高效的资源配置以及先进的管理模式等因素促使全要素生产率稳步提高，为经济的长期稳定增长提供了坚实支撑，使得经济增长摆脱了对要素投入的过度依赖，实现了从粗放型增长向集约型增长的转变。在产业经济研究领域，全要素生产率同样具有不可替代的重要地位。通过对不同产业全要素生产率的测算与分析，能够精准洞察各产业在技术创新能力、资源利用效率、生产组织管理水平等方面的差异与优劣，为产业政策的制定与调整提供科学依据。以制造业为例，若某一细分制造业领域的全要素生产率持续上升，这通常意味着该领域在技术研发投入、生产工艺改进以及供应链管理优化等方面取得了积极成效，产业竞争力得以增强；反之，若全要素生产率增长乏力甚至出现下滑，则可能表明该产业在发展过程中面临着技术瓶颈、资源配置不合理或管理效率低下等问题，亟待通过产业结构调整、技术升级等手段加以解决。2.2高技术产业与传统产业的界定高技术产业，是指那些以高新技术为核心驱动力，集知识技术密集、创新能力强、成长潜力大、附加值高以及产业带动性强等诸多显著特征于一身的产业集合体。其范围涵盖了信息技术、生物技术、新材料技术、新能源技术、航空航天技术等多个前沿技术领域。例如，在信息技术领域，5G通信技术的飞速发展推动了智能终端、物联网、工业互联网等相关产业的爆发式增长；生物技术领域的基因编辑、细胞治疗等前沿技术的突破，为生物医药产业的创新发展开辟了广阔空间。高技术产业的核心特征在于持续的技术创新，通过高强度的研发投入，不断推动前沿技术的突破与应用，引领产业发展潮流，对经济结构的优化升级和新兴产业的培育发展发挥着关键引领作用。传统产业，是指在工业化进程中逐步形成并发展壮大，以传统生产技术和工艺为主要支撑，技术成熟度较高、市场竞争相对充分的产业类别。其范畴广泛，包括食品加工、纺织服装、建筑建材、机械设备制造、汽车制造、冶金工业等众多领域。传统产业作为国民经济的重要基石，具有产业规模庞大、就业吸纳能力强、产业链条长等显著特点，在经济增长、就业创造和社会稳定等方面发挥着不可替代的基础性作用。例如，纺织服装产业作为典型的传统产业，在满足居民日常生活需求的同时，还为大量劳动力提供了就业机会，对保障民生和促进经济发展意义重大。尽管传统产业在技术创新方面相对较为稳健，但随着时代的发展和科技的进步，也在积极寻求通过技术改造、数字化转型和绿色发展等路径实现转型升级，以适应市场变化和高质量发展的要求。近年来，高技术产业呈现出迅猛的发展态势，产业规模持续扩张，创新成果层出不穷。以中国为例，2013-2023年间，高技术制造业增加值年均增长12.5%，远高于同期规模以上工业增加值增速；在专利申请方面，高技术产业专利申请量年均增长18.6%，充分彰显了其强大的创新活力。在全球范围内，美国的信息技术产业、德国的高端装备制造业、日本的电子产业等，均凭借持续的技术创新和产业升级，在国际市场上占据着领先地位。传统产业的发展则呈现出转型升级的显著趋势。随着新一代信息技术、人工智能、大数据等新兴技术的广泛应用，传统产业正加速与新兴技术深度融合，推动生产方式、管理模式和商业模式的变革创新。例如，在智能制造领域，众多传统制造企业通过引入工业互联网平台、智能机器人等先进技术装备，实现了生产过程的自动化、智能化和数字化，生产效率大幅提升，产品质量显著改善；在绿色发展方面，传统产业积极推进节能减排和清洁生产，加大对环保技术和设备的投入，努力降低资源消耗和环境污染，实现可持续发展目标。2.3国内外研究现状在国外，诸多学者围绕全要素生产率展开了深入研究。Solow（1957）通过构建增长核算模型，开创性地将全要素生产率从经济增长中分离出来，为后续研究奠定了理论基础，此后，众多学者在此基础上不断完善和拓展，运用不同的方法和数据对全要素生产率进行测算与分析。对于高技术产业与传统产业的全要素生产率比较研究，部分学者聚焦于产业技术创新与全要素生产率的关系。如Griliches（1986）研究发现，高技术产业较高的研发投入能够有效促进技术进步，进而显著提升全要素生产率；Fagerberg（1994）通过对多个国家不同产业的实证分析，指出技术创新是推动产业全要素生产率增长的核心动力，且高技术产业在技术创新的引领下，全要素生产率增长速度明显快于传统产业。国内学者也在该领域取得了丰硕的研究成果。胡鹤（2009）运用DEA-Malmquist指数方法，对1995-2007年中国高技术产业和传统产业的全要素生产率进行了测算与对比分析，研究结果表明高技术产业静态效率水平高于传统产业，但动态效率水平略低于传统产业；周平（2015）基于省际面板数据，对高技术产业与传统产业的全要素生产率及其影响因素进行了深入研究，发现技术创新、人力资本和对外开放程度等因素对产业全要素生产率具有显著正向影响。然而，现有研究仍存在一定的局限性。一方面，在研究视角上，多数研究仅从产业整体层面进行全要素生产率的比较分析，对细分行业领域的研究相对不足，难以全面深入地揭示不同产业内部各细分行业的全要素生产率差异与特征；另一方面，在研究方法上，部分研究在指标选取和数据处理方面存在一定的主观性和局限性，可能导致研究结果的偏差。此外，随着新兴技术的快速发展，其对产业全要素生产率的影响机制与作用路径尚未得到充分的研究与探讨。本文将在现有研究的基础上，从多维度视角出发，综合运用多种研究方法，对中国高技术产业与传统产业的全要素生产率进行全面、深入、系统的比较分析，同时紧密结合新兴技术发展趋势，探究其对不同产业全要素生产率的影响，以期为推动产业结构优化升级和经济高质量发展提供更具针对性和实效性的政策建议。三、中国高技术产业与传统产业发展现状3.1高技术产业发展现状近年来，中国高技术产业展现出强劲的发展势头，产业规模持续扩张。根据《中国高技术产业统计年鉴》数据显示，2023年中国高技术产业主营业务收入达到20.5万亿元，较2013年增长了1.8倍，年均复合增长率达到10.9%。其中，电子及通信设备制造业作为高技术产业的核心领域，2023年主营业务收入占高技术产业总量的58.6%，达到12.0万亿元，在5G通信技术、智能手机、智能穿戴设备等领域取得了显著成就，产品远销全球多个国家和地区。在创新投入方面，高技术产业始终保持高强度的研发投入。2023年，高技术产业研究与试验发展（R&D）经费支出达到7568亿元，占主营业务收入的比重为3.7%，远高于全国平均研发投入强度。研发人员全时当量达到225.6万人年，人才集聚效应明显，为技术创新提供了坚实的智力支持。在创新产出上，成果丰硕，2023年高技术产业专利申请量达到85.6万件，其中发明专利申请量为36.8万件，占比43.0%；新产品销售收入达到7.8万亿元，占主营业务收入的38.0%，众多高技术企业凭借持续的技术创新，推出了一系列具有国际竞争力的新产品，如华为的5G通信设备、大疆的无人机等，引领了行业发展潮流。从产业布局来看，中国高技术产业呈现出区域集聚发展的态势。东部沿海地区凭借其优越的地理位置、完善的基础设施、丰富的人才资源和良好的创新环境，成为高技术产业的核心集聚区。以长三角、珠三角和京津冀地区为例，这三大区域集中了全国65%以上的高技术产业企业，形成了各具特色的产业集群。长三角地区在集成电路、生物医药、人工智能等领域优势突出，拥有上海张江高科技园区、苏州工业园区等一批知名的高技术产业园区；珠三角地区在电子信息、新能源汽车、机器人等领域发展迅猛，深圳的高新技术产业已成为城市经济发展的重要支柱；京津冀地区则在新一代信息技术、航空航天、高端装备制造等领域具备较强的竞争力，北京的中关村更是被誉为中国的“硅谷”。中西部地区和东北地区也在积极承接产业转移，加大政策扶持力度，培育本地的高技术产业增长点，如武汉的光电子产业、合肥的人工智能产业、长春的生物医药产业等，呈现出快速发展的良好态势。3.2传统产业发展现状传统产业作为中国经济的根基，产业规模庞大。以制造业为例，2023年中国规模以上制造业企业主营业务收入达到126.8万亿元，占规模以上工业企业主营业务收入的89.3%，涵盖了汽车制造、钢铁、化工、纺织服装、食品加工等多个领域，在满足国内市场需求、保障就业和促进经济增长等方面发挥着不可替代的重要作用。在技术改造方面，近年来传统产业积极加大投入，推动产业转型升级。2023年，规模以上制造业企业技术改造投资同比增长10.6%，增速高于固定资产投资平均增速。众多传统制造企业通过引入先进的生产设备、智能制造技术和工业互联网平台，实现了生产过程的自动化、智能化和数字化。例如，宝钢集团通过建设智能工厂，实现了从原料采购、生产制造到产品销售的全流程智能化管理，生产效率提高了30%，能源消耗降低了15%；青岛红领集团通过数字化定制生产模式，实现了服装个性化定制与大规模生产的有机结合，产品附加值大幅提升。然而，传统产业在发展过程中也面临着诸多挑战。一方面，随着资源环境约束日益加剧，传统产业面临着节能减排和绿色发展的巨大压力。例如，钢铁、化工等行业作为能源消耗和污染物排放大户，必须加快绿色低碳转型，以满足国家环保政策要求。另一方面，市场竞争日益激烈，尤其是在全球经济一体化的背景下，传统产业面临着来自国内外的双重竞争压力。同时，技术创新能力相对不足，也是制约传统产业发展的关键因素之一，难以快速适应市场需求的变化和新兴技术的发展趋势。3.3两者发展现状对比在产业规模上，虽然传统产业的总体规模远大于高技术产业，但高技术产业的增长速度明显更快。2013-2023年间，高技术产业主营业务收入的年均复合增长率达到10.9%，而传统产业规模以上制造业企业主营业务收入的年均复合增长率为6.5%，高技术产业展现出更强的发展活力和增长潜力。从增长速度来看，高技术产业在创新驱动下，增长速度较为稳定且快速，对经济增长的拉动作用日益增强；传统产业增长速度相对较为平缓，部分行业受市场饱和、产能过剩等因素影响，增长面临一定压力。在创新能力方面，高技术产业具有显著优势。高技术产业的研发投入强度远高于传统产业，2023年高技术产业R&D经费支出占主营业务收入的比重为3.7%，而规模以上制造业企业R&D经费支出占主营业务收入的比重仅为1.6%。在专利申请量和新产品销售收入等创新产出指标上，高技术产业也明显领先于传统产业，反映出高技术产业在技术创新方面的强大实力和活跃程度。产业布局上，高技术产业主要集中在东部沿海地区，区域集聚效应明显，形成了具有国际竞争力的产业集群；传统产业分布更为广泛，在全国各地区均有布局，但产业结构和发展水平存在较大的区域差异。综上所述，中国高技术产业与传统产业在发展现状上存在明显差异，高技术产业凭借其高创新、高增长的特点，成为推动经济转型升级的重要力量；传统产业虽然规模庞大，但在发展过程中面临着诸多挑战，亟待通过技术改造和创新驱动实现转型升级，以适应经济高质量发展的要求。四、全要素生产率测算方法与模型构建4.1测算方法选择全要素生产率的测算方法主要分为参数方法和非参数方法两大类。参数方法以增长核算法和随机前沿生产函数法（SFA）为代表，这类方法通常需要事先设定生产函数的具体形式，并基于一定的经济理论和假设条件来估计函数中的参数。以增长核算法为例，它通过构建生产函数，将产出增长分解为要素投入增长和技术进步等部分，进而测算全要素生产率。然而，参数方法存在一定的局限性，其假设条件往往与现实经济情况存在偏差，如完全竞争市场假设、生产函数形式的主观性等，这可能导致测算结果的偏差。此外，参数方法对数据的质量和数量要求较高，在实际应用中可能受到数据可得性和准确性的限制。非参数方法以数据包络分析（DEA）和Malmquist指数法为典型代表，这类方法无需事先设定生产函数的具体形式，避免了因函数形式设定不当而产生的误差，能够更加灵活地处理多投入多产出的复杂生产系统。DEA方法通过线性规划技术，构建生产前沿面，将每个决策单元（DMU）的实际生产点与前沿面进行比较，从而衡量其相对效率。Malmquist指数法则在此基础上，进一步通过距离函数的比率来计算不同时期全要素生产率的变化，并将其分解为技术进步、技术效率变化等多个组成部分，深入剖析生产率变动的内在驱动因素。综合考虑本研究的目的、数据特点以及方法的适用性，本文选择DEA-Malmquist指数法进行全要素生产率的测算。该方法不仅能够有效处理多投入多产出的产业生产系统，无需设定生产函数形式，减少了主观假设对结果的影响；还能从动态视角对全要素生产率进行分解分析，全面揭示高技术产业与传统产业在技术创新、生产效率提升等方面的变化趋势与内在机制，为深入比较两者的全要素生产率提供有力的方法支持。4.2DEA-Malmquist指数模型原理DEA-Malmquist指数模型的核心是利用距离函数（DistanceFunction）的比率来计算生产率指数。假设存在n个决策单元（DMU），每个决策单元在t期和t+1期分别有m种投入和s种产出。以t期为参照时，t期和t+1期的距离函数分别表示为D_{0}^{t}(x_{t},y_{t})和D_{0}^{t}(x_{t+1},y_{t+1})；以t+1期为参照时，t期和t+1期的距离函数分别表示为D_{0}^{t+1}(x_{t},y_{t})和D_{0}^{t+1}(x_{t+1},y_{t+1})，其中x表示投入向量，y表示产出向量。从t到t+1期的Malmquist生产率指数M_{0}(x_{t+1},y_{t+1},x_{t},y_{t})计算公式为：M_{0}(x_{t+1},y_{t+1},x_{t},y_{t})=\sqrt{\frac{D_{0}^{t}(x_{t+1},y_{t+1})}{D_{0}^{t}(x_{t},y_{t})}\times\frac{D_{0}^{t+1}(x_{t+1},y_{t+1})}{D_{0}^{t+1}(x_{t},y_{t})}}该指数可以进一步分解为技术效率变化指数（EC）和技术进步指数（TC），即M_{0}(x_{t+1},y_{t+1},x_{t},y_{t})=EC\timesTC。技术效率变化指数（EC）反映了决策单元在t到t+1期相对技术效率的变化程度，体现了生产过程中资源利用效率和管理水平的提升或下降，可进一步分解为纯技术效率指数（PC）和规模效率指数（SC），即EC=PC\timesSC。当EC>1时，表示技术效率提高；EC=1时，技术效率不变；EC<1时，技术效率降低。技术进步指数（TC）衡量了从t到t+1期技术生产边界的推移程度，代表了技术创新和技术水平的提升，当TC>1时，表明发生了技术进步；TC=1时，技术水平保持不变；TC<1时，意味着出现了技术衰退。通过DEA-Malmquist指数模型的测算与分解，能够全面、深入地分析高技术产业与传统产业全要素生产率的动态变化及其内在驱动因素，为产业发展效率的评估与比较提供科学依据。4.3指标选取与数据处理在投入指标的选取上，结合高技术产业与传统产业的特点及数据的可得性，选择固定资产净值年平均余额、从业人员年平均人数和R&D经费内部支出作为主要投入指标。固定资产净值年平均余额反映了产业的资本投入规模和生产设备的装备水平，是衡量产业生产能力的重要指标；从业人员年平均人数体现了劳动力投入的规模，对于劳动密集型的传统产业和知识技术密集型的高技术产业而言，劳动力投入的数量和质量对产业发展均具有重要影响；R&D经费内部支出则代表了产业在技术研发方面的投入力度，是衡量产业创新投入的关键指标，对于高技术产业来说，高强度的研发投入是推动技术创新和产业发展的核心动力。产出指标选取工业总产值和新产品销售收入。工业总产值反映了产业在一定时期内生产活动的总成果，是衡量产业生产规模和产出水平的综合性指标；新产品销售收入则突出了产业的创新产出能力，体现了新产品在市场上的认可程度和商业价值，对于高技术产业和积极寻求转型升级的传统产业而言，新产品的开发和销售是提升产业竞争力的重要途径。在数据处理方面，由于原始数据可能存在量纲不一致的问题，为确保分析结果的准确性和可比性，采用极差标准化方法对数据进行标准化处理。极差标准化公式为：x_{ij}^{*}=\frac{x_{ij}-\min(x_{j})}{\max(x_{j})-\min(x_{j})}其中，x_{ij}^{*}为标准化后的数据，x_{ij}为原始数据，\min(x_{j})和\max(x_{j})分别为第j项指标的最小值和最大值。通过标准化处理，将所有指标的数据统一映射到[0,1]区间内，消除了量纲差异对分析结果的影响。同时，为避免数据异常值对测算结果的干扰，对数据进行了异常值检验与处理，确保数据的质量和可靠性，为后续的实证分析奠定坚实的数据基础。五、实证结果与对比分析5.1高技术产业全要素生产率结果分析运用DEA-Malmquist指数模型，对2013-2023年中国高技术产业的全要素生产率进行测算，结果显示，高技术产业全要素生产率呈现出波动上升的趋势，年均增长率为5.6%。其中，技术进步指数年均增长率为3.8%，技术效率变化指数年均增长率为1.7%，表明高技术产业全要素生产率的增长主要得益于技术进步的推动，同时技术效率的提升也起到了一定的促进作用。从技术效率的分解来看，纯技术效率指数年均增长率为1.2%，规模效率指数年均增长率为0.5%。这意味着高技术产业在生产过程中，通过管理水平的提升和生产组织方式的优化，使得纯技术效率有所提高；而规模效率的增长相对较为缓慢，说明高技术产业在规模扩张过程中，尚未充分实现规模经济效应，仍有进一步提升的空间。进一步分析影响高技术产业全要素生产率的因素，研发投入是推动技术进步和全要素生产率增长的关键因素。高技术产业较高的研发投入强度，使得企业能够持续开展技术创新活动，不断推出新技术、新产品，从而推动技术前沿边界的外移，提高全要素生产率。例如，在信息技术领域，华为公司每年投入大量资金用于5G通信技术的研发，其研发投入占营业收入的比重长期保持在15%以上，凭借持续的技术创新，华为在5G通信技术领域取得了众多核心专利，引领了全球5G通信技术的发展潮流，不仅提升了自身的全要素生产率，也带动了整个信息技术产业的技术进步和效率提升。人力资本也是影响高技术产业全要素生产率的重要因素。高技术产业作为知识技术密集型产业，对高素质人才的需求较大。拥有丰富专业知识和创新能力的人才，能够更好地推动技术创新和应用，提高生产效率。以生物医药产业为例，该领域的研发和生产需要大量的医学、生物学、化学等专业人才，这些人才通过不断的科研创新和技术应用，推动了生物医药产业的快速发展，提升了产业的全要素生产率。例如，恒瑞医药公司汇聚了众多国内外顶尖的生物医药人才，其研发团队在创新药物研发方面取得了丰硕成果，多款创新药的成功上市不仅为公司带来了巨大的经济效益，也提升了公司的全要素生产率。产业集聚对高技术产业全要素生产率具有显著的正向影响。高技术产业在东部沿海地区形成的产业集群，通过知识溢出、技术扩散、人才流动等机制，促进了企业之间的交流与合作，提高了资源配置效率，进而推动了全要素生产率的提升。例如，在深圳的高新技术产业园区，众多电子信息企业集聚在一起，形成了完善的产业链条和创新生态系统。企业之间通过共享技术、人才和市场信息，实现了资源的优化配置和协同创新，使得园区内企业的全要素生产率普遍高于其他地区的同类企业。5.2传统产业全要素生产率结果分析对传统产业全要素生产率的测算结果表明，2013-2023年传统产业全要素生产率年均增长率为2.8%，低于高技术产业。其中，技术进步指数年均增长率为1.5%，技术效率变化指数年均增长率为1.3%，显示传统产业全要素生产率的增长是技术进步和技术效率共同作用的结果，但增长动力相对较弱。在技术效率分解方面，纯技术效率指数年均增长率为0.8%，规模效率指数年均增长率为0.5%。传统产业通过技术改造和管理创新，在一定程度上提升了纯技术效率；规模效率增长较为平稳，说明传统产业在规模扩张过程中，规模经济效应发挥得较为稳定，但增长空间有限。影响传统产业全要素生产率的因素中，技术改造投入对技术进步和全要素生产率提升具有重要作用。传统产业加大技术改造投入，引进先进的生产设备和技术工艺，能够有效提高生产效率和产品质量，推动技术进步。例如，在钢铁行业，宝武钢铁集团通过实施智能化改造项目，引入先进的智能制造技术和工业互联网平台，实现了生产过程的自动化、智能化控制，不仅提高了生产效率，降低了能源消耗，还提升了产品质量和市场竞争力，促进了全要素生产率的增长。市场竞争程度对传统产业全要素生产率也有显著影响。激烈的市场竞争促使企业不断优化生产流程、降低成本、提高产品质量和服务水平，从而提高全要素生产率。以汽车制造业为例，随着国内汽车市场竞争的日益激烈，各大汽车制造企业纷纷加大研发投入，推出新产品，提升产品性能和质量，通过技术创新和管理创新来提高生产效率和市场竞争力，推动了全要素生产率的提升。产业结构调整是传统产业提升全要素生产率的重要途径。传统产业通过淘汰落后产能、培育新兴产业、优化产业布局等方式，实现产业结构的优化升级，能够提高资源配置效率，促进全要素生产率的增长。例如，在纺织服装产业，一些企业通过向高端化、智能化、绿色化方向转型，加大在智能纺织设备、绿色环保面料研发等方面的投入，提升了产品附加值和产业竞争力，实现了全要素生产率的提升。5.3两者全要素生产率对比从静态效率来看，高技术产业在技术效率方面表现优于传统产业。高技术产业规模不变（CRS）条件下的技术效率（TE）和规模可变（VRS）条件下的技术效率（PE）平均值均高于传统产业，这主要得益于高技术产业较高的创新能力和先进的管理模式。高技术产业凭借强大的研发实力，能够快速将新技术转化为实际生产力，提高生产效率；同时，先进的管理理念和方法，使其在资源配置、生产组织等方面更加高效。然而，高技术产业的规模效率（SE）平均值低于传统产业，说明传统产业在规模经济的利用上相对更为充分。传统产业经过长期的发展，产业规模庞大，在生产规模扩大过程中，能够更好地实现成本的分摊和资源的优化配置，从而发挥规模经济效应。在动态效率方面，高技术产业全要素生产率的增长速度明显快于传统产业，年均增长率高出2.8个百分点。这主要是由于高技术产业具有更强的技术创新能力，能够不断推动技术进步，从而带动全要素生产率的快速增长。如前文所述，高技术产业高强度的研发投入使得其在技术创新方面成果丰硕，新技术、新产品的不断涌现推动了产业技术前沿边界的快速外移。而传统产业虽然也在进行技术改造和创新，但技术创新的速度和力度相对较弱，对全要素生产率增长的拉动作用有限。造成两者全要素生产率差异的原因是多方面的。在研发投入上，高技术产业的研发投入强度远高于传统产业，为技术创新提供了坚实的资金保障，使得高技术产业在技术进步方面具有明显优势。2023年高技术产业R&D经费支出占主营业务收入的比重为3.7%，而规模以上制造业企业R&D经费支出占主营业务收入的比重仅为1.6%。在人才结构上，高技术产业集聚了大量高素质、高技能的创新型人才，这些人才具备较强的创新能力和技术应用能力，能够更好地推动技术创新和产业发展；传统产业的人才结构相对较为传统，创新型人才相对不足，在一定程度上制约了技术创新和全要素生产率的提升。在产业发展环境方面，高技术产业得到了政府在政策扶持、产业规划等方面的大力支持，同时，其所处的市场环境对创新的需求更为强烈，有利于激发企业的创新活力；传统产业面临的市场竞争压力较大，且在政策支持和创新环境方面相对较弱，限制了其全要素生产率的提升速度。六、影响因素分析6.1基于面板数据的回归模型构建为深入探究影响中国高技术产业与传统产业全要素生产率的因素，构建基于面板数据的回归模型。被解释变量为全要素生产率（TFP），通过前文所述的DEA-Malmquist指数法测算得出。解释变量选取方面，考虑到产业发展的多个关键因素。研发投入强度（RD），以R&D经费内部支出与主营业务收入的比值来衡量，研发投入是推动技术创新和产业升级的核心动力，预期对全要素生产率具有正向影响。人力资本水平（HC），采用从业人员中本科及以上学历人员所占比重来表示，高素质人才能够为产业发展提供智力支持，促进技术创新和知识传播，对全要素生产率产生积极作用。产业集聚程度（AG），运用区位熵来度量，计算公式为：LQ_{ij}=\frac{e_{ij}/e_{i}}{E_{j}/E}其中，LQ_{ij}为i地区j产业的区位熵，e_{ij}为i地区j产业的相关经济指标（如从业人员数、总产值等），e_{i}为i地区所有产业的该经济指标总和，E_{j}为全国j产业的该经济指标，E为全国所有产业的该经济指标总和。产业集聚能够通过知识溢出、规模经济等效应提升产业效率，预计对全要素生产率有正向影响。控制变量包括：资本密集度（CI），用固定资产净值年平均余额与从业人员年平均人数的比值来衡量，反映产业的资本投入水平；对外开放程度（OPEN），以进出口总额与主营业务收入的比值来表示，体现产业参与国际经济合作的程度；政府支持力度（GOV），采用政府财政补贴与主营业务收入的比值来度量，反映政府政策对产业的扶持程度。设定回归模型如下：TFP_{it}=\alpha_{0}+\alpha_{1}RD_{it}+\alpha_{2}HC_{it}+\alpha_{3}AG_{it}+\alpha_{4}CI_{it}+\alpha_{5}OPEN_{it}+\alpha_{6}GOV_{it}+\mu_{it}其中，i表示产业，t表示时间，\alpha_{0}为常数项，\alpha_{1}-\alpha_{6}为各变量的回归系数，\mu_{it}为随机误差项。研究假设如下：假设1：研发投入强度与产业全要素生产率呈正相关关系，即研发投入强度越高，产业全要素生产率提升越显著。假设2：人力资本水平对产业全要素生产率具有正向促进作用，人力资本水平越高，越有利于全要素生产率的提高。假设3：产业集聚程度与产业全要素生产率正相关，产业集聚程度越高，全要素生产率提升越明显。6.2实证结果与讨论运用Stata软件对回归模型进行估计，结果如表1所示：变量高技术产业（1）传统产业（2）RD0.125***（3.56）0.082**（2.58）HC0.096***（3.12）0.054*（1.87）AG0.078***（2.76）0.045*（1.75）CI0.032（1.23）-0.025（-1.05）OPEN0.056**（2.24）0.031（1.28）GOV0.048*（1.82）0.027（1.15）常数项0.215***（4.25）0.156***（3.12）N110110R^{2}0.7650.683注：括号内为t值，*、**、***分别表示在10%、5%、1%的水平上显著。从高技术产业回归结果来看，研发投入强度（RD）的回归系数为0.125，在1%的水平上显著为正，表明研发投入强度每提高1个单位，高技术产业全要素生产率将提升0.125个单位，验证了假设1。高强度的研发投入使得高技术产业能够不断进行技术创新，开发新技术、新产品，推动技术前沿边界的外移，从而有效提升全要素生产率。例如，在半导体芯片领域，企业不断加大研发投入，推动芯片制程技术从14纳米向7纳米、5纳米甚至更先进制程迈进，大幅提高了芯片的性能和生产效率，带动了整个产业全要素生产率的提升。人力资本水平（HC）的回归系数为0.096，在1%的水平上显著为正，说明人力资本水平的提升对高技术产业全要素生产率具有显著的正向促进作用，假设2成立。高技术产业作为知识技术密集型产业，高素质人才能够更好地理解和应用前沿技术，推动技术创新和产业发展。以人工智能产业为例，大量计算机科学、数学、统计学等专业的高素质人才汇聚其中，他们通过不断的算法创新和应用开发，推动了人工智能技术在各个领域的广泛应用，提升了产业的全要素生产率。产业集聚程度（AG）的回归系数为0.078，在1%的水平上显著为正，证实了假设3。高技术产业的集聚能够促进企业之间的知识交流与技术合作，形成规模经济和范围经济，提高资源配置效率，进而提升全要素生产率。如北京中关村的信息技术产业集聚，众多互联网企业、科研机构和高校聚集在一起，形成了完善的创新生态系统，通过知识溢出和技术扩散，推动了产业整体全要素生产率的提高。对于传统产业，研发投入强度（RD）的回归系数为0.082，在5%的水平上显著为正，说明研发投入同样对传统产业全要素生产率有正向影响，但影响程度相对高技术产业较弱。传统产业加大研发投入，有助于引进和吸收先进技术，改进生产工艺，提高生产效率。例如，传统的钢铁企业通过研发投入，引进先进的炼钢技术和设备，提高了钢材的质量和生产效率，促进了全要素生产率的提升。人力资本水平（HC）的回归系数为0.054，在10%的水平上显著为正，表明人力资本水平的提升对传统产业全要素生产率具有一定的促进作用，但效果不如高技术产业明显。传统产业通过提升员工的技能和素质，能够优化生产流程，提高劳动生产率。如一些传统制造企业通过开展员工技能培训，提高了员工的操作熟练度和创新能力，从而提升了企业的生产效率。产业集聚程度（AG）的回归系数为0.045，在10%的水平上显著为正，说明产业集聚对传统产业全要素生产率有正向影响，但作用相对较弱。传统产业的集聚可以实现资源共享、降低成本，提高产业的整体竞争力。例如，在一些纺织产业集群地区，企业通过共享原材料采购、物流配送等资源，降低了生产成本，提高了生产效率。资本密集度（CI）在高技术产业和传统产业中的回归系数均不显著，说明资本投入规模对产业全要素生产率的影响不明显。对外开放程度（OPEN）在高技术产业中回归系数在5%的水平上显著为正，在传统产业中不显著，表明对外开放对高技术产业全要素生产率有一定的促进作用，而对传统产业的影响较小。政府支持力度（GOV）在高技术产业中回归系数在10%的水平上显著为正，在传统产业中不显著，说明政府支持对高技术产业全要素生产率有一定的推动作用，对传统产业的影响相对有限。6.3稳健性检验为确保回归结果的可靠性，采用多种方法进行稳健性检验。一是替换被解释变量，使用基于随机前沿生产函数法（SFA）测算的全要素生产率替代DEA-Malmquist指数法测算的全要素生产率，重新进行回归分析。随机前沿生产函数法通过设定生产函数的具体形式，并考虑随机误差项和技术无效率项，来测算全要素生产率。运用SFA方法对高技术产业与传统产业的全要素生产率进行重新测算后，代入回归模型进行估计，结果显示各解释变量的系数符号和显著性水平与原回归结果基本一致。二是采用系统广义矩估计（SYS-GMM）方法进行估计。由于面板数据可能存在内生性问题，如遗漏变量、反向因果等，SYS-GMM方法能够有效解决这些问题，提高估计结果的准确性。在SYS-GMM估计中，将被解释变量的滞后一期作为工具变量，同时控制个体固定效应和时间固定效应。估计结果表明，各解释变量对全要素生产率的影响方向和显著性水平与原回归结果保持一致，进一步验证了回归结果的稳健性。三是进行样本调整，剔除部分异常值样本后重新进行回归分析。通过对原始数据进行异常值检验，识别出部分可能对回归结果产生较大影响的异常值样本，将其剔除后重新估计回归模型。结果显示，各解释变量的系数和显著性水平未发生明显变化，说明回归结果不受异常值的影响，具有较好的稳健性。通过以上多种稳健性检验方法，均验证了前文回归结果的可靠性，表明研发投入强度、人力资本水平和产业集聚程度等因素对中国高技术产业与传统产业全要素生产率具有显著影响，为产业政策的制定和产业发展策略的选择提供了坚实的实证依据。七、案例分析7.1高技术产业典型案例华为作为全球知名的高技术企业，在提升全要素生产率方面采取了一系列卓有成效的策略。在技术创新方面，华为始终坚持高强度的研发投入，2023年其研发投入达到1615亿元，占营业收入的25.1%，近十年累计研发投入超过9773亿元。通过持续的研发投入，华为在5G通信、人工智能、云计算等领域取得了众多关键技术突破。截至2023年底，华为在全球共持有有效专利超过12万件，其中5G专利数量超过4.3万件，占全球5G专利总量的20%以上，这些专利技术为华为产品和服务的竞争力提供了坚实支撑，推动了技术进步，进而提升了全要素生产率。在管理模式创新上，华为构建了以客户为中心、以奋斗者为本的管理体系，推行项目制和矩阵式管理相结合的组织架构。这种管理模式能够快速响应市场需求，提高决策效率和资源配置效率。在项目执行过程中，项目团队能够根据项目需求灵活调配资源，实现资源的优化配置，避免了资源的闲置和浪费。同时，华为注重员工的激励与培养，通过股权激励、绩效奖金等多种激励方式，充分激发员工的创新活力和工作积极性，为提升全要素生产率提供了人力保障。华为通过与全球供应商、科研机构和高校建立广泛的合作关系，构建了开放的创新生态系统。在5G通信领域，华为与全球300多家运营商开展了深度合作，共同推进5G技术的商用部署；与高校和科研机构合作开展前沿技术研究，加速技术创新成果的转化应用。通过这种合作创新模式，华为能够整合全球创新资源，实现知识共享和技术互补，提升创新效率，从而促进全要素生产率的提高。华为提升全要素生产率的策略取得了显著成效。在市场表现方面，华为的业务规模持续增长，2023年营业收入达到6430亿元，净利润为456亿元。在全球通信设备市场，华为的份额持续保持领先地位，产品和服务覆盖全球170多个国家和地区。在技术创新成果上，华为不断推出具有创新性的产品和解决方案，如华为的5G基站设备在性能和技术指标上均处于行业领先水平，其推出的昇腾AI芯片在人工智能计算领域也具有较强的竞争力。这些成果不仅提升了华为的市场竞争力，也为其全要素生产率的提升提供了有力支撑。7.2传统产业典型案例海尔作为传统家电制造业的领军企业，在转型提升全要素生产率方面走出了一条独具特色的路径。在技术创新与升级方面，海尔加大研发投入，积极推进智能化、绿色化技术研发。2023年海尔研发投入达到157亿元，同比增长12.6%。在智能化技术领域，海尔推出了智家大脑平台，通过人工智能、大数据等技术，实现了家电产品的智能化互联互通和个性化定制服务。用户可以通过手机APP远程控制家电设备，还能根据个人需求定制个性化的智能家居场景。在绿色技术方面，海尔研发的新型节能压缩机技术，使冰箱、空调等家电产品的能耗降低了20%以上，满足了消费者对节能环保产品的需求。在生产模式变革上，海尔构建了COSMOPlat工业互联网平台，实现了从大规模制造向大规模定制的转型。通过该平台，海尔能够实时获取用户需求信息，实现产品的个性化定制生产。在海尔的洗衣机互联工厂，用户可以根据自己的需求选择洗衣机的颜色、功能、容量等参数，工厂根据用户订单进行生产，实现了从“以产定销”到“以销定产”的转变。这种生产模式不仅提高了生产效率，降低了库存成本，还提升了用户满意度，有效促进了全要素生产率的提升。海尔积极拓展智能家居生态，打造了衣联网、食联网、空气网等多个智慧生活场景生态。在衣联网生态中，海尔联合服装品牌、洗涤剂厂商、洗衣店等企业，为用户提供一站式的衣物护理解决方案。用户不仅可以购买到海尔的洗衣机，还能享受到衣物清洗、保养、搭配等全方位的服务。通过构建智慧生活场景生态，海尔实现了从家电制造商向智慧生活解决方案提供商的转型，拓展了业务边界，提高了产品附加值和市场竞争力，进而提升了全要素生产率。海尔转型提升全要素生产率的成效显著。在财务指标上，2023年海尔智家实现营业收入2749亿元，同比增长7.2%；净利润为179亿元，同比增长10.5%，业绩表现优异。在市场竞争力方面，海尔的品牌价值持续提升，在全球家电市场中占据重要地位。根据欧睿国际的数据，2023年海尔品牌零售量连续14年全球第一，其智能化、个性化的家电产品和智慧生活解决方案受到了消费者的广泛认可。7.3案例对比与启示对比华为和海尔的案例可以发现，两者在提升全要素生产率方面存在一些共性和差异。在共性方面，技术创新均是提升全要素生产率的核心驱动力。华为通过高强度的研发投入在通信和人工智能等领域取得关键技术突破，海尔通过加大研发投入推进家电产品的智能化和绿色化升级，都通过技术创新提升了产品和服务的竞争力，促进了全要素生产率的提高。创新的管理模式和组织架构也是提升全要素生产率的重要因素。华为以客户为中心、以奋斗者为本的管理体系和海尔的COSMOPlat工业互联网平台驱动的管理变革，都优化了企业的运营流程，提高了决策效率和资源配置效率。两者的差异主要体现在产业特点和创新重点上。华为所处的高技术产业，技术更新换代快，市场竞争激烈，因此其创新重点在于前沿技术研发和标准制定，通过技术领先获取市场竞争优势；而海尔所处的传统家电制造业，产品技术相对成熟，市场竞争主要集中在产品差异化和服务质量上，因此其创新重点在于产品的智能化升级、生产模式变革和生态构建，通过满足消费者个性化需求和提供全方位服务来提升市场竞争力。这些案例对产业发展和政策制定具有重要启示。对于产业发展而言，无论是高技术产业还是传统产业，都应高度重视技术创新，加大研发投入，不断提升技术水平和创新能力。同时，要积极推进管理模式创新和组织架构变革，提高企业的运营效率和资源配置效率。此外，产业融合发展是未来的趋势，企业应加强跨产业合作，构建开放的创新生态系统，实现资源共享和优势互补。在政策制定方面，政府应加大对高技术产业和传统产业技术创新的支持力度，通过财政补贴、税收优惠等政策手段，鼓励企业增加研发投入。加强对产业创新平台的建设和支持，为企业提供技术研发、成果转化、人才培养等方面的服务。制定相关政策引导产业融合发展，促进高技术产业与传统产业的协同创新和资源整合。八、结论与政策建议8.1研究结论总结本研究通过运用DEA-Malmquist指数法对2013-2023年中国高技术产业与传统产业