论文部分内容阅读
[摘 要]资本投入和高素质劳动者是高技术产业发展的关键。研究生教育是培育高素质、掌握高精尖技术劳动者的主要途径。通过构建三阶段DEA模型，可规避单一DEA分析存在的指标选取依据不足，以及未考虑外部环境影响等问题。本研究以我国31个省市自治区为研究对象，以研究生教育规模为环境变量之一，对2010—2016年、2018年资本和研究生学历从业者对高技术产业的投入产出效率进行测算和分解研究。实证结果表明：阻碍31个省市自治区高技术产业的投入产出效率显著提高的主要原因在于技术进步，约半数省市自治区拥有较差的资本、人力资本优化配置能力。各地区应根据自身的规模报酬状态适当调整其研究生教育规模，调整对高技术产业的资本投入规模和优化高技术产业成长外部环境。
[关键词]高技术产业;资本;研究生教育;三阶段DEA模型;Malmquist指数
[中图分类号]G643[文献标识码]A[文章编号]1005-5843（2021）04-0062-08
[DOI]10.13980/j.cnki.xdjykx.2021.04.011
一、引言
随着大众创业、万众创新的深入推进，高技术产业增速和投资明显快于一般工业[1]。受疫情影响，在“百废待兴”之际，国家统计局公布2020年上半年国民经济运行数据，上半年高技术产业投资增长6.3%。作为国民经济的重要组成部分，高技术产业是维护国家安全、增强国际竞争力的重要力量。科技竞争的实质是人的竞争，依据国家统计局发布的数据预计，我国高技术产业研发人员数量将由2018年66万人增加至2025年136万人。拥有研究生学历的从业者将是高技术产业研发队伍中的中坚和主体力量。2019年，我国研究生学历毕业人数共639 666人，随着高等教育普及化时代的到来，研究生教育的发展将对高技术产业发展做出巨大贡献。研究我国31个省市自治区（不包括港、澳、台）的高技术产业投入产出和研究生教育规模等数据，通过分析资本和研究生学历从业者对高技术产业的投入取得的成果及其存在的问题，有助于提高高技术产业发展的速度和质量，从而提高资本和研究生学历从业者对高技术产业的投入产出效率。
二、相关文献综述
20世纪60年代，美国经济学家舒尔茨提出了人力资本理论之后，对教育与经济发展之间关系的研究有近60年的历史。近年来国内很多学者持续对高等教育规模与产业经济发展之间的关系进行了探索。李娟等人对研究生教育发展质量与区域经济发展水平进行耦合度探究，将两个变量的地区内部均衡程度相对比[2];吴东姣等人基于人力资本理论，构建研究生教育规模与第三产业经济增长关系模型，对比了硕、博两个层次的研究生教育规模对第三产业经济发展的作用大小和研究生教育规模对东中西部地区的促进经济发展的区域差异[3];卢婧首先测算研究生教育规模对地区高技术产业产值的边际影响，随后针对硕、博两类研究生学历人员在研发活动的占比与高技术产业发展质量之间的关系展开实證研究[4];何海燕等人采用自回归分布滞后模型、建立修正模型，对高技术产业主营业收入、有效专利数与理工科不同层次毕业生间的稳定性关系进行研究[5]。张忠俊等人基于金融集聚、人力资本结构演进对高技术产业技术进步影响机制的理论基础，运用动态面板模型和门槛模型实证检验异质性人力资本结合金融集聚对高技术产业技术进步产生的实际效应进行研究[6];苌千里等人利用三阶段DEA模型对国有控股、内资和外资三种高技术产业的技术创新效率进行测量[7]。
上述研究指出了硕、博两个层次的研究生教育规模与高技术产业发展之间的关系及区域差异，也指出了资本对高技术产业技术创新的贡献。然而，现有文献对高技术产业投入产出效率的研究均未能剔除外部环境和随机误差的影响，不能客观体现生产单元的决策与管理水平;现有研究也未曾研究高技术产业中研究生学历从业者与高技术产业发展的关系，评估地区研究生教育规模对高技术产业的影响不及该产业内拥有研究生学历的从业者的影响精准。为此，本研究基于2018年31个省市地区的相关数据，以当地研究生教育规模为环境变量之一，在已有的高技术产业投入产出效率评价指标体系基础上，采用三阶段DEA模型，静态考察资本和研究生学历从业者对高技术产业的投入产出效率评价;采用Malmquist指数动态分析2010—2016年、2018年（2017年数据不全，故跳过）31个省市地区的在8年间资本和研究生学历从业者对高技术产业的投入产出效率变化的趋势和规律;同时，找出目前影响我国高技术产业发展的主要因素，提出相应改良建议。
三、研究方法与数据来源
（一）研究方法
与传统DEA模型方法相比，三阶段DEA方法能够有效剔除环境因素或随机误差影响造成的效率差异，可规避单一DEA分析存在的指标选取依据不足，以及未考虑外部环境影响等问题，因而能够更客观真实地评价决策单元的效率;Malmquist指数分析可以反映出决策单元相关效率动态的变化趋势和规律。所应用到的软件包括Deap2.1和Frontier4.1。
（二）数据来源
1.投入产出指标的选取。对于资本和研究生学历从业者对高技术产业的投入产出效率的测算，主要是通过投入与产出之间的计算得出来的，所以指标体系也就分为投入与产出的指标。本文选取资本投入和拥有研究生学历从业者人力资本投入两个指标作为投入指标;将各省市高技术产业视为决策单元，其投入产出效率，可表征为一定规模生产要素投入水平下的产出结果，产出水平高则效率高，反之则效率低。产出指标主要反映决策单元所投入的资本和高素质人力资本的总体价值，因此在研究资本和研究生学历从业者对高技术产业的投入产出效率时，选取各地区高技术产业2010—2016年、2018年产出的新产品开发项目数和营业收入两个指标衡量高技术产业的产出。
2.环境变量的选取。除了各个省市资本投入和研究生学历从业者因素外，环境变量同样影响着高技术产业投入产出效率，因此分离管理无效率和随机干扰因素后的投入项可更精确求出效率值，三阶段DEA模型的第二阶段DEA正是剖析和分离外部环境变量的影响。在各地区的研究生教育和高技术产业发展的关系中，各地区研究生学位授予人数、人均地区生产总值、有R&D活动的企业数作为环境变量，对高技术产业的发展起着重要作用。 3.数据来源。本文所有数据均来自历年《中国高技术产业统计年鉴》《中国教育统计年鉴》和《中国统计年鉴》。
四、实证结果分析
（一）三阶段DEA分析
1.第一阶段： 基于DEA的效率测算结果。运用Deap2.1软件测算31个省市高技术产业投入产出效率，结果如表1所示。
2.第二阶段：基于SFA的回归分析结果。经对LR值检验，拒绝不存在原假设，所以本研究模型合理。分别以资本投入、拥有研究生学历从业者人力资本投入的松弛变量为因变量，研究生学位授予人数、人均地区生产总值、有R&D活动的企业数为自变量建立SFA回归模型，运用Frontier4.1软件，得到SFA回归结果如表2所示。
3.第三阶段：投入调整后的DEA效率测算结果。对投入变量进行调整，并代入到DEA模型，得到更符合实际情况的31个省市自治区2018年资本和研究生学历从业者对高技术产业的投入产出效率值，结果如表3所示。
4.三阶段DEA模型结果分析。通过比较表1与表3的DEA结果，以第三阶段综合技术效率值（TE3）为横坐标、第一阶段综合技术效率值（TE1）为纵坐标，做出第一、第三阶段效率的比较示意图（图1）。
当剔除环境因素和随机效应的影响后可以发现：（1）各省市自治区的效率值变化显著。投入调整后，综合技术效率均值由0.613下降为0.561;规模效率均值由0.908下降为0.570;而纯技术效率均值由0.690提升为0.988。整体来看，调整前综合技术效率为1的只有北京和海南，而调整后综合技术效率为1的有北京、浙江、广东3个省市，其他28个省市自治区资本和研究生学历从业者对高技术产业的投入产出的综合技术效率均小于1，都有着可改进的空间。调整前，尤其河北、山西、河南、湖南、甘肃、青海6個地区的综合技术效率值不足0.5，表现欠佳;调整后，上海、江苏、浙江、安徽、福建、江西、山东、河南、湖北、湖南、广东、重庆、四川、陕西、甘肃15个省市自治区的综合技术效率有所提升，表明这15个省市自治区在调整前的低技术效率主要是由其较差的资本、人力资本优化配置能力造成的;北京的综合技术效率始终为1，表明投入、产出与资源优化配置能力都是相协调的，而其他15个省市自治区的综合技术效率均有所下降，表明这些省市自治区具有较好的资源优化配置能力。
（2）相比较第一阶段传统DEA模型结果，在第三阶段15个省市自治区的综合技术效率有所下降，以辽宁、吉林、黑龙江、广西、贵州、云南、西藏、甘肃、青海、宁夏、新疆等东北、中西部省区为主，这说明外部环境因素和随机干扰产生重要影响，导致综合技术效率被高估。综合技术效率的内在分解来看，大部分地区纯技术效率提升，而规模效率下降，这表明制约综合技术效率提升的主要因素由调整前的纯技术效率变为了调整后的规模效率，这个结果启示各地区应根据自身的规模报酬状态，适当调整其研究生教育和高技术产业投入规模，以优化综合效率。
（3）比较第一阶段传统DEA模型结果，在第三阶段除了江苏、云南、广西3个省区的纯技术效率保持不变以外，其他省市自治区纯技术效率均有所上升。纯技术效率低的地区应加强高素质人力资源和资本的优化配置有效利用。在第三阶段剔除环境因素和随机效应的影响后，除了上海、江苏、浙江、山东、广东、四川之外的25个省市自治区的规模效率均有所下降，山西、内蒙古、吉林、黑龙江、海南、云南、西藏、青海、宁夏、新疆的规模效率都在0.3以下，需要继续调整研究生教育对高技术产业的资本投入规模，提升投入产出的整体规模效率。
（4）本研究所关注的3个环境因素均对高技术产业投入产出效率产生不同程度的影响。由于外部环境变量是对各投入松弛变量的回归，所以当回归系数为负时，表示增加外部环境变量值有利于减少投入松弛量，即有利于减少各投入变量的浪费或降低负产出;反之，当回归系数为正时，则表示增加外部环境变量将会增加投入松弛量，从而导致各投入变量的浪费减少产出[8]。本研究中，人均地区生产总值和有R&D活动的企业数两个环境变量的回归系数为负，继续发展经济、提高人均地区生产总值和给予高技术产业更适宜的政策环境以增加R&D活动，有利于提升研究生教育对高技术产业投入产出效率。研究生学位授予人数环境变量的回归系数为正，适度控制研究生教育规模，会减少资本投入和高素质人力投入的浪费。
（二）Malmquist指数分析
1.Malmquist指数分析过程。上述三阶段DEA模型知识仅是选取了2018年的数据做的高技术产业投入产出效率的静态分析，不能够反映出决策单元相关效率变化的趋势和规律，能够提供给决策者进行有效决策的信息相对较少，因此非常有必要进行动态分析，也能够验证三阶段DEA模型分析得出的结果。本研究参考薛浩等人的研究设计[9]，通过Malmquist指数分解实现对31个省市自治区对有效性的动态分析，选择的时间序列数据是2010—2016年、2018年，这段时间距离现在最近，数据比较全面并且易于获得。投入、产出指标、应用软件与上述进行静态分析时是一样的，分4个年段，计算出这31个省市自治区的Malmquist（M）指数、综合效率变动（EC）指数和技术变化（TC）指数（计算所得结果如表4所示）。
2.Malmquist指数结果分析。由表4可以看出，在2010—2016年、2018年共8个年度中，31个省市自治区Malmquist指数上下波动性较大，很不稳定，主要的特点是：
（1）山西、江苏、江西、山东、湖南、广西、重庆共7个省市自治区的Malmquist指数一直在上升;北京、河北、内蒙古、辽宁、黑龙江、浙江、海南、西藏、陕西、甘肃共10个省市自治区的Malmquist指数在2010—2015年段一直在上升，在2016、2018年间指数均受到了程度不一的下降，北京、辽宁、黑龙江、海南、西藏下降幅度较大;其余省市自治区的Malmquist指数均在上下波动。 （2）总的来说，各省市自治区的高技术产业投入产出效率的全要素生产率上出现了波动，导致全要素生产率波动的原因不尽相同，可以通过Malmquist指数分解出来的综合效率变动指数（EC）和技术变动指数（TC）进行具体分析。从动态变化趋势来看，31个省市自治区在这8年间资本和研究生学历从业者规模对高技术产业的投入产出效率Malmquist指数均值为0.918，4个时间段的Malmquist指数分别为0.809、0.891、0.996、0.977，可以发现Malmquist指数呈现出先上升后又下降，表明31个省市自治区高技术产业的投入产出效率在近年呈现出了弱衰退的趋势，说明尽管资本投入和研究生学历从业者人力资本投入逐年增加，这些省市自治区的投入产出效率并没有随着投入的增加而得到预期的提高。资源配置Malmquist指数主要受技术效率和技术进步的影响，技术效率变化指数与技术进步指数的平均值分别为1.039和0.890，说明31个省市自治区高技术产业的投入产出效率没有能够得到显著提高的主要原因在于技术进步的阻碍。为了提高投入产出效率，应当在保持技术效率改进的同时，着重提升技术进步创新，在这两者共同提升的情况下，促进高技术产业的投入产出效率的改进。
五、结论与建议
一个产业的发展离不开人力、物力、财力，接受研究生教育培养出来的高素质从业者是高技术产业发展的中坚力量和科技创新进步的主体。高技术产业作为经济高质量发展的着力点和增长点，对我国经济发展方式转变起着至关重要的作用，能否高效利用资本和研究生学历从业者人力资本是高技术产业发展的关键。本研究首先运用三阶段DEA模型揭示了剔除地区研究生学位授予人数、人均地区生产总值、有R&D活动的企业数3个环境变量的影响下，选取各地区高技术产业2018年产出的新产品开发项目数和营业收入两个产出指标进行衡量，得出资本和研究生学历从业者两个投入指标对各省市自治区高技术产业的投入产出效率和各省市自治地区差异;再通过Malmquist指数动态分析2010—2016年、2018年间31个省市自治区的资本和研究生学历从业者对高技术产业的投入产出效率，反映出决策单元相关效率在8年间变化的趋势和规律。据此，提出如下政策建议。
一是东部沿海省市自治区的地方政府需关注高等教育规模的扩大所导致的粗放式教育，把研究生教育的质量放在第一位，减少资本投入和高素质人力投入的浪费;东北、中西部省市自治区应着重提升研究生教育和高技术产业资本投入规模，并且致力于留住人才，以优化高技术产业投入产出的综合效率。
二是在保持规模效率改进的同时，着重提高技术效率，加强技术进步、改革创新，以提高高技术产业的投入产出效率。
三是地方政府应大力发展经济，提高人均地区生产总值，给予高技术产业发展更适宜的政策环境、资金支持。培育高技术产业，支持开发高技术新产品，有利于提升研究生教育对高技术产业投入产出效率。
参考文献：
[1]李克强.政府工作报告（文字实录）——2019年3月5日在第十三届全国人民代表大会第二次会议上.[EB/OL].http：//www.moe.gov.cn/jyb_xwfb/xw_zt/moe_357/jyzt_2019n/2019_zt2/zt1902_gzbg/201903/t20190306_372387.html.
[2]李娟，李銘.研究生教育发展质量与区域经济发展水平耦合度探究[J].安徽农业大学学报（社会科学版），2018（04）：68-75.
[3]吴东姣，马永红.我国研究生教育规模对第三产业经济发展影响的实证研究[J].学位与研究生教育，2019（02）：18-23.
[4]卢婧.研究生教育能促进高技术产业发展吗？[J].浙江学刊，2019（05）：84-90.
[5]何海燕，常晓涵，李宏宽，王茹.工程教育人才与高技术产业关系研究[J].高等工程教育研究，2019（01）：27-33.
[6]张忠俊，郭晓旭.金融集聚、人力资本结构演进与高技术产业技术进步[J/OL].金融与经济，2020（10）：74-82.https：//doi.org/10.19622/j.cnki.cn36-1005/f.2020.10.010.
[7]苌千里，徐蕾.高技术产业、资本类型与企业创新效率——基于三阶段DEA模型的实证研究[J].河南师范大学学报（哲学社会科学版），2018（03）：49-53.
[8]邓波，张学军，郭军华.基于三阶段DEA模型的区域生态效率研究[J].中国软科学，2011（01）：92-99.
[9]薛浩，陈万明.高校教育投入与办学效率——基于三阶段DEA和Malmquist指数分析[J].南通大学学报（社会科学版），2015（01）：115-121.
（责任编辑：劳丽丽）
[关键词]高技术产业;资本;研究生教育;三阶段DEA模型;Malmquist指数
[中图分类号]G643[文献标识码]A[文章编号]1005-5843（2021）04-0062-08
[DOI]10.13980/j.cnki.xdjykx.2021.04.011
一、引言
随着大众创业、万众创新的深入推进，高技术产业增速和投资明显快于一般工业[1]。受疫情影响，在“百废待兴”之际，国家统计局公布2020年上半年国民经济运行数据，上半年高技术产业投资增长6.3%。作为国民经济的重要组成部分，高技术产业是维护国家安全、增强国际竞争力的重要力量。科技竞争的实质是人的竞争，依据国家统计局发布的数据预计，我国高技术产业研发人员数量将由2018年66万人增加至2025年136万人。拥有研究生学历的从业者将是高技术产业研发队伍中的中坚和主体力量。2019年，我国研究生学历毕业人数共639 666人，随着高等教育普及化时代的到来，研究生教育的发展将对高技术产业发展做出巨大贡献。研究我国31个省市自治区（不包括港、澳、台）的高技术产业投入产出和研究生教育规模等数据，通过分析资本和研究生学历从业者对高技术产业的投入取得的成果及其存在的问题，有助于提高高技术产业发展的速度和质量，从而提高资本和研究生学历从业者对高技术产业的投入产出效率。
二、相关文献综述
20世纪60年代，美国经济学家舒尔茨提出了人力资本理论之后，对教育与经济发展之间关系的研究有近60年的历史。近年来国内很多学者持续对高等教育规模与产业经济发展之间的关系进行了探索。李娟等人对研究生教育发展质量与区域经济发展水平进行耦合度探究，将两个变量的地区内部均衡程度相对比[2];吴东姣等人基于人力资本理论，构建研究生教育规模与第三产业经济增长关系模型，对比了硕、博两个层次的研究生教育规模对第三产业经济发展的作用大小和研究生教育规模对东中西部地区的促进经济发展的区域差异[3];卢婧首先测算研究生教育规模对地区高技术产业产值的边际影响，随后针对硕、博两类研究生学历人员在研发活动的占比与高技术产业发展质量之间的关系展开实證研究[4];何海燕等人采用自回归分布滞后模型、建立修正模型，对高技术产业主营业收入、有效专利数与理工科不同层次毕业生间的稳定性关系进行研究[5]。张忠俊等人基于金融集聚、人力资本结构演进对高技术产业技术进步影响机制的理论基础，运用动态面板模型和门槛模型实证检验异质性人力资本结合金融集聚对高技术产业技术进步产生的实际效应进行研究[6];苌千里等人利用三阶段DEA模型对国有控股、内资和外资三种高技术产业的技术创新效率进行测量[7]。
上述研究指出了硕、博两个层次的研究生教育规模与高技术产业发展之间的关系及区域差异，也指出了资本对高技术产业技术创新的贡献。然而，现有文献对高技术产业投入产出效率的研究均未能剔除外部环境和随机误差的影响，不能客观体现生产单元的决策与管理水平;现有研究也未曾研究高技术产业中研究生学历从业者与高技术产业发展的关系，评估地区研究生教育规模对高技术产业的影响不及该产业内拥有研究生学历的从业者的影响精准。为此，本研究基于2018年31个省市地区的相关数据，以当地研究生教育规模为环境变量之一，在已有的高技术产业投入产出效率评价指标体系基础上，采用三阶段DEA模型，静态考察资本和研究生学历从业者对高技术产业的投入产出效率评价;采用Malmquist指数动态分析2010—2016年、2018年（2017年数据不全，故跳过）31个省市地区的在8年间资本和研究生学历从业者对高技术产业的投入产出效率变化的趋势和规律;同时，找出目前影响我国高技术产业发展的主要因素，提出相应改良建议。
三、研究方法与数据来源
（一）研究方法
与传统DEA模型方法相比，三阶段DEA方法能够有效剔除环境因素或随机误差影响造成的效率差异，可规避单一DEA分析存在的指标选取依据不足，以及未考虑外部环境影响等问题，因而能够更客观真实地评价决策单元的效率;Malmquist指数分析可以反映出决策单元相关效率动态的变化趋势和规律。所应用到的软件包括Deap2.1和Frontier4.1。
（二）数据来源
1.投入产出指标的选取。对于资本和研究生学历从业者对高技术产业的投入产出效率的测算，主要是通过投入与产出之间的计算得出来的，所以指标体系也就分为投入与产出的指标。本文选取资本投入和拥有研究生学历从业者人力资本投入两个指标作为投入指标;将各省市高技术产业视为决策单元，其投入产出效率，可表征为一定规模生产要素投入水平下的产出结果，产出水平高则效率高，反之则效率低。产出指标主要反映决策单元所投入的资本和高素质人力资本的总体价值，因此在研究资本和研究生学历从业者对高技术产业的投入产出效率时，选取各地区高技术产业2010—2016年、2018年产出的新产品开发项目数和营业收入两个指标衡量高技术产业的产出。
2.环境变量的选取。除了各个省市资本投入和研究生学历从业者因素外，环境变量同样影响着高技术产业投入产出效率，因此分离管理无效率和随机干扰因素后的投入项可更精确求出效率值，三阶段DEA模型的第二阶段DEA正是剖析和分离外部环境变量的影响。在各地区的研究生教育和高技术产业发展的关系中，各地区研究生学位授予人数、人均地区生产总值、有R&D活动的企业数作为环境变量，对高技术产业的发展起着重要作用。 3.数据来源。本文所有数据均来自历年《中国高技术产业统计年鉴》《中国教育统计年鉴》和《中国统计年鉴》。
四、实证结果分析
（一）三阶段DEA分析
1.第一阶段： 基于DEA的效率测算结果。运用Deap2.1软件测算31个省市高技术产业投入产出效率，结果如表1所示。
2.第二阶段：基于SFA的回归分析结果。经对LR值检验，拒绝不存在原假设，所以本研究模型合理。分别以资本投入、拥有研究生学历从业者人力资本投入的松弛变量为因变量，研究生学位授予人数、人均地区生产总值、有R&D活动的企业数为自变量建立SFA回归模型，运用Frontier4.1软件，得到SFA回归结果如表2所示。
3.第三阶段：投入调整后的DEA效率测算结果。对投入变量进行调整，并代入到DEA模型，得到更符合实际情况的31个省市自治区2018年资本和研究生学历从业者对高技术产业的投入产出效率值，结果如表3所示。
4.三阶段DEA模型结果分析。通过比较表1与表3的DEA结果，以第三阶段综合技术效率值（TE3）为横坐标、第一阶段综合技术效率值（TE1）为纵坐标，做出第一、第三阶段效率的比较示意图（图1）。
当剔除环境因素和随机效应的影响后可以发现：（1）各省市自治区的效率值变化显著。投入调整后，综合技术效率均值由0.613下降为0.561;规模效率均值由0.908下降为0.570;而纯技术效率均值由0.690提升为0.988。整体来看，调整前综合技术效率为1的只有北京和海南，而调整后综合技术效率为1的有北京、浙江、广东3个省市，其他28个省市自治区资本和研究生学历从业者对高技术产业的投入产出的综合技术效率均小于1，都有着可改进的空间。调整前，尤其河北、山西、河南、湖南、甘肃、青海6個地区的综合技术效率值不足0.5，表现欠佳;调整后，上海、江苏、浙江、安徽、福建、江西、山东、河南、湖北、湖南、广东、重庆、四川、陕西、甘肃15个省市自治区的综合技术效率有所提升，表明这15个省市自治区在调整前的低技术效率主要是由其较差的资本、人力资本优化配置能力造成的;北京的综合技术效率始终为1，表明投入、产出与资源优化配置能力都是相协调的，而其他15个省市自治区的综合技术效率均有所下降，表明这些省市自治区具有较好的资源优化配置能力。
（2）相比较第一阶段传统DEA模型结果，在第三阶段15个省市自治区的综合技术效率有所下降，以辽宁、吉林、黑龙江、广西、贵州、云南、西藏、甘肃、青海、宁夏、新疆等东北、中西部省区为主，这说明外部环境因素和随机干扰产生重要影响，导致综合技术效率被高估。综合技术效率的内在分解来看，大部分地区纯技术效率提升，而规模效率下降，这表明制约综合技术效率提升的主要因素由调整前的纯技术效率变为了调整后的规模效率，这个结果启示各地区应根据自身的规模报酬状态，适当调整其研究生教育和高技术产业投入规模，以优化综合效率。
（3）比较第一阶段传统DEA模型结果，在第三阶段除了江苏、云南、广西3个省区的纯技术效率保持不变以外，其他省市自治区纯技术效率均有所上升。纯技术效率低的地区应加强高素质人力资源和资本的优化配置有效利用。在第三阶段剔除环境因素和随机效应的影响后，除了上海、江苏、浙江、山东、广东、四川之外的25个省市自治区的规模效率均有所下降，山西、内蒙古、吉林、黑龙江、海南、云南、西藏、青海、宁夏、新疆的规模效率都在0.3以下，需要继续调整研究生教育对高技术产业的资本投入规模，提升投入产出的整体规模效率。
（4）本研究所关注的3个环境因素均对高技术产业投入产出效率产生不同程度的影响。由于外部环境变量是对各投入松弛变量的回归，所以当回归系数为负时，表示增加外部环境变量值有利于减少投入松弛量，即有利于减少各投入变量的浪费或降低负产出;反之，当回归系数为正时，则表示增加外部环境变量将会增加投入松弛量，从而导致各投入变量的浪费减少产出[8]。本研究中，人均地区生产总值和有R&D活动的企业数两个环境变量的回归系数为负，继续发展经济、提高人均地区生产总值和给予高技术产业更适宜的政策环境以增加R&D活动，有利于提升研究生教育对高技术产业投入产出效率。研究生学位授予人数环境变量的回归系数为正，适度控制研究生教育规模，会减少资本投入和高素质人力投入的浪费。
（二）Malmquist指数分析
1.Malmquist指数分析过程。上述三阶段DEA模型知识仅是选取了2018年的数据做的高技术产业投入产出效率的静态分析，不能够反映出决策单元相关效率变化的趋势和规律，能够提供给决策者进行有效决策的信息相对较少，因此非常有必要进行动态分析，也能够验证三阶段DEA模型分析得出的结果。本研究参考薛浩等人的研究设计[9]，通过Malmquist指数分解实现对31个省市自治区对有效性的动态分析，选择的时间序列数据是2010—2016年、2018年，这段时间距离现在最近，数据比较全面并且易于获得。投入、产出指标、应用软件与上述进行静态分析时是一样的，分4个年段，计算出这31个省市自治区的Malmquist（M）指数、综合效率变动（EC）指数和技术变化（TC）指数（计算所得结果如表4所示）。
2.Malmquist指数结果分析。由表4可以看出，在2010—2016年、2018年共8个年度中，31个省市自治区Malmquist指数上下波动性较大，很不稳定，主要的特点是：
（1）山西、江苏、江西、山东、湖南、广西、重庆共7个省市自治区的Malmquist指数一直在上升;北京、河北、内蒙古、辽宁、黑龙江、浙江、海南、西藏、陕西、甘肃共10个省市自治区的Malmquist指数在2010—2015年段一直在上升，在2016、2018年间指数均受到了程度不一的下降，北京、辽宁、黑龙江、海南、西藏下降幅度较大;其余省市自治区的Malmquist指数均在上下波动。 （2）总的来说，各省市自治区的高技术产业投入产出效率的全要素生产率上出现了波动，导致全要素生产率波动的原因不尽相同，可以通过Malmquist指数分解出来的综合效率变动指数（EC）和技术变动指数（TC）进行具体分析。从动态变化趋势来看，31个省市自治区在这8年间资本和研究生学历从业者规模对高技术产业的投入产出效率Malmquist指数均值为0.918，4个时间段的Malmquist指数分别为0.809、0.891、0.996、0.977，可以发现Malmquist指数呈现出先上升后又下降，表明31个省市自治区高技术产业的投入产出效率在近年呈现出了弱衰退的趋势，说明尽管资本投入和研究生学历从业者人力资本投入逐年增加，这些省市自治区的投入产出效率并没有随着投入的增加而得到预期的提高。资源配置Malmquist指数主要受技术效率和技术进步的影响，技术效率变化指数与技术进步指数的平均值分别为1.039和0.890，说明31个省市自治区高技术产业的投入产出效率没有能够得到显著提高的主要原因在于技术进步的阻碍。为了提高投入产出效率，应当在保持技术效率改进的同时，着重提升技术进步创新，在这两者共同提升的情况下，促进高技术产业的投入产出效率的改进。
五、结论与建议
一个产业的发展离不开人力、物力、财力，接受研究生教育培养出来的高素质从业者是高技术产业发展的中坚力量和科技创新进步的主体。高技术产业作为经济高质量发展的着力点和增长点，对我国经济发展方式转变起着至关重要的作用，能否高效利用资本和研究生学历从业者人力资本是高技术产业发展的关键。本研究首先运用三阶段DEA模型揭示了剔除地区研究生学位授予人数、人均地区生产总值、有R&D活动的企业数3个环境变量的影响下，选取各地区高技术产业2018年产出的新产品开发项目数和营业收入两个产出指标进行衡量，得出资本和研究生学历从业者两个投入指标对各省市自治区高技术产业的投入产出效率和各省市自治地区差异;再通过Malmquist指数动态分析2010—2016年、2018年间31个省市自治区的资本和研究生学历从业者对高技术产业的投入产出效率，反映出决策单元相关效率在8年间变化的趋势和规律。据此，提出如下政策建议。
一是东部沿海省市自治区的地方政府需关注高等教育规模的扩大所导致的粗放式教育，把研究生教育的质量放在第一位，减少资本投入和高素质人力投入的浪费;东北、中西部省市自治区应着重提升研究生教育和高技术产业资本投入规模，并且致力于留住人才，以优化高技术产业投入产出的综合效率。
二是在保持规模效率改进的同时，着重提高技术效率，加强技术进步、改革创新，以提高高技术产业的投入产出效率。
三是地方政府应大力发展经济，提高人均地区生产总值，给予高技术产业发展更适宜的政策环境、资金支持。培育高技术产业，支持开发高技术新产品，有利于提升研究生教育对高技术产业投入产出效率。
参考文献：
[1]李克强.政府工作报告（文字实录）——2019年3月5日在第十三届全国人民代表大会第二次会议上.[EB/OL].http：//www.moe.gov.cn/jyb_xwfb/xw_zt/moe_357/jyzt_2019n/2019_zt2/zt1902_gzbg/201903/t20190306_372387.html.
[2]李娟，李銘.研究生教育发展质量与区域经济发展水平耦合度探究[J].安徽农业大学学报（社会科学版），2018（04）：68-75.
[3]吴东姣，马永红.我国研究生教育规模对第三产业经济发展影响的实证研究[J].学位与研究生教育，2019（02）：18-23.
[4]卢婧.研究生教育能促进高技术产业发展吗？[J].浙江学刊，2019（05）：84-90.
[5]何海燕，常晓涵，李宏宽，王茹.工程教育人才与高技术产业关系研究[J].高等工程教育研究，2019（01）：27-33.
[6]张忠俊，郭晓旭.金融集聚、人力资本结构演进与高技术产业技术进步[J/OL].金融与经济，2020（10）：74-82.https：//doi.org/10.19622/j.cnki.cn36-1005/f.2020.10.010.
[7]苌千里，徐蕾.高技术产业、资本类型与企业创新效率——基于三阶段DEA模型的实证研究[J].河南师范大学学报（哲学社会科学版），2018（03）：49-53.
[8]邓波，张学军，郭军华.基于三阶段DEA模型的区域生态效率研究[J].中国软科学，2011（01）：92-99.
[9]薛浩，陈万明.高校教育投入与办学效率——基于三阶段DEA和Malmquist指数分析[J].南通大学学报（社会科学版），2015（01）：115-121.
（责任编辑：劳丽丽）