表 3.1 投入产出指标体系
...............................
3 我国高技术产业创新效率评价..................................19
3.1 模型选择..............................19
3.1.1 效率评价方法模型比较分析.......................19
3.1.2 模型介绍............................21
4. 我国高技术产业创新效率影响因素实证分析.....................................40
4.1 回归模型.........................................40
4.2 影响因素指标数据处理..............................41
5 结论与建议..............................49
5.1 研究结论..................................49
5.2 相关建议..................................49
4. 我国高技术产业创新效率影响因素实证分析
4.1 回归模型
Tobit 回归模型又称为归并回归模型，是在 1958 年由美国著名的经济学家 Tobin 提出的。受到众多学者的青睐，现在已经成为公认的适合解决效率问题，并寻找效率改进方法和途径的模型。Tobit 模型的特征是，被解释变量取值是受限的，它的范围是 0-1。而根据上文 DEA 对高技术产业创新效率的测算结果可以看出，符合 Tobit 模型的被解释变量的区间。而在使用最小二乘法的回归模型会出现偏差和估计量不一致的情况。本文根据研究要求，选择面板数据对影响因素进行实证分析。随着学者对 Tobit 模型的应用和拓展，现在已经从最初的结构式模型扩展到时间序列模型、面板数据模型以及非参数模型[53]。
根据上文的影响指标的选取，结合第四章结中数据选取的结果，创新效率影响因素也主要选择了 26 个省市（除去内蒙古、西藏、青海、海南、新疆）2009-2018 年的样本进行分析。根据上小节对影响因素的指标计算说明，基于《中国统计年鉴》（2010-2019）和《中国科技统计年鉴》（2010-2019）对经济水平、政府支持力度、人才素质、对外开放程度、科技水平结果，进行描述性统计，并对各影响指标做归一化处理，即将各影响因素指标数据统一映射到同一尺度[0.1，1]中，结果如表 4.1、表 4.2、表 4.3、表 4.4、表 4.5 所示。
表 4.1 2009-2018 年影响因素原始数据描述性统计结果
.........................
5 结论与建议
5.1 研究结论
（1）对我国高技术产业创新效率的静态研究结果显示：从区域看，我国高技术产业创新效率存在区域差异，西部地区的创新效率值最低。而西部区域存在创新效率低下的主要原因是对资源利用率的不足；从省份看，大部分的省份均是投入指标存在冗余值，这说明了高技术产业发展过程中，创新资源未被充分利用，存在极大的浪费。
（2）对我国技术产业创新效率动态研究结果显示：我国高技术产业创新效率在2009-2018 年间平均每年增长 8.2%。其中，技术效率贡献了 1.5%，技术进步贡献 6.6%，创新效率的提高主要是技术进步的贡献。四大区域中，东北地区增幅最大达到 16.8%；其次是东部地区，东部增长 10.8%；而后是西部地区，增长 8.8%；中部增长 6.8%，中部地区创新效率提升最少，略低与西部地区，这主要是由于西部地区技术进步的贡献导致的；研究期间创新效率下降的省市有天津和重庆，创新效率下降由于技术效率的下降而引起的，这表示了天津和重庆的创新资源出现了浪费，创新资源没有被合理有效的利用。
（3）对我国高技术产业创新效率影响因素做了实证分析，从经济、政府、科技、人才、省市开放度提出了影响高技术产业创新效率的五个基本假设，并选择了相应的测量指标，之后，使用随机效应的 Tobit 模型对这五个影响因素进行实证分析。得出结果：经济水平、教育投入对高技术产业创新效率有着显著的正向影响；科技水平对高技术产业创新效率有显著的负面影响；政府支持力度和对外开放程度对高技术产业创新效率的提升有着较弱的正向作用。
参考文献（略）
