基于 DEA 算法的高技术产业相对效率分析基于 DEA 算法的高技术产业相对效率分析 【摘要】 DEA 算法自 1978 年提出以来就成为讨论决策单元相对效率的有力工具。本文运用 DEA 模型对我国 31 个省市 2025―2025年高技术产业效率进行分析，认为大多数省市并非 DEA 有效。接着对 MALMQUIST 指数的影响因素进行实证分析，发现研发经费投入、研发人员以及 FDI 对全要素效率的影响较大，而高等教育对全要素效率存在滞后效应。 【关键词】 DEA MALMQUIST 高技术产业 全要素效率 一、引言 高技术产业被定位为：研发（R&D）经费占总产值的比例远高于各产业平均水平的产业。根据《中国高技术产业统计年鉴》的统计数据，其对经济增长的贡献远远高于其他产业，再加上政府实行的扶持政策，使得高技术产业在近几年保持迅猛的增长势头，总产值由 2000 年的 10411.47 亿元增长到 2025 年的 88433.9 亿元，增长了8.5 倍。但是全国范围内的高增长并不能掩盖各地区增长速度的不平衡以及投入产出效益的差别，因此分析高技术产业效率的地域间差异及其影响因素对于各地因地制宜调整政策，促进高技术产业的进展具有重要的现实意义。 讨论高技术产业的文献比较多，大体上有以下两种讨论思路。一是从产业的角度出发，比较高技术子产业的相对效率。尤勇、纪晓峰（2025）利用 DEA 的方法对我国高技术产业的技术效率和规模效益进行实证分析，得到整体上我国高技术产业的技术效率和规模效率较低的结论；刘志迎（2025）、徐晔和张秋燕（2025）采纳非参数的 Malmquist 指数对高技术五大类行业的技术效率和配置效率进行了实证讨论，并提出了四点建议。梁俊（2025）基于四重分解模型分析 17 个子行业 2000―2025 年的劳动生产效率，得出技术效率变化、技术进步和人力资本积累三者在总体上对劳动效率的提高起正向促进作用。二是从区域的角度出发，比较各地区高技术产业的整体效率差异。林秀梅、徐光瑞（2025）运用因子分析法从静态、动态两方面将我国 31 个省市高技术产业划分为 A、B、C 三类，得出我国高技术产业竞争力主要来源于规模产出，其贡献率为 52.83%～53.75%，远远高于技术创新。 综上可以看出，大部分文献都是从产业的角度对高技术产业进行测度和分析的，指出资源配置是否有效，但是普遍存在的一个缺失是未对引起效率高低的影响因素做进一步的挖掘。本文从区域的角度出发，分析各个区域高技术产业的效率差异，并试图找出...
