彭佑元，申文文

（中北大學經(jīng)濟與管理學院，太原 030051）

綜合國力的競爭體現(xiàn)在創(chuàng)新的競爭.近年來國內(nèi)學者對科技創(chuàng)新的研究較多，主要集中在高校、企業(yè)、區(qū)域、不同行業(yè)和不同領(lǐng)域等方面.

在高?？萍紕?chuàng)新方面，李文輝等采用主成分分析法和兩階段DEA模型研究省域校的科技創(chuàng)新能力、效率及其經(jīng)濟貢獻率，結(jié)果表明，在前提為將科技創(chuàng)新有效轉(zhuǎn)化為促進經(jīng)濟貢獻率的情況下，高校對經(jīng)濟發(fā)展有促進作用［1］.蔡文伯等運用DEA-Malmquist指數(shù)法分析了區(qū)域高?？萍紕?chuàng)新效率的差異性，結(jié)果表明，我國高?？萍紕?chuàng)新全要素生產(chǎn)率整體呈增長態(tài)勢，其中東部地區(qū)增長率最高［2］.連嘉琪采用超效率DEA模型分析了我國31個?。ㄊ校┳灾螀^(qū)高校2016年的科技創(chuàng)新效率并探究創(chuàng)新效率低下的原因，結(jié)果表明，我國各省份高?？萍紕?chuàng)新效率總體較高，但規(guī)模效率低下和產(chǎn)出不足是導致DEA無效的主要因素［3］.石薛橋等采用熵值法探究我國中部六省的高?？萍紕?chuàng)新發(fā)展水平及發(fā)展方式，結(jié)果表明，湖北省高?？萍紕?chuàng)新能力最強，山西省高?？萍紕?chuàng)新能力最弱，但也呈現(xiàn)出逐漸增強的趨勢［4］.王輝等采用兩階段DEA探究我國31個省份高校科技創(chuàng)新對區(qū)域創(chuàng)新績效的影響，結(jié)果表明，對比科技成果產(chǎn)出和科技成果轉(zhuǎn)化兩個階段大多數(shù)省份存在不平衡的現(xiàn)象，并且提升技術(shù)效率是使DEA有效的關(guān)鍵［5］.

在企業(yè)科技創(chuàng)新方面，彭佑元等采用DEA-Malmquist指數(shù)法對我國林業(yè)上市公司經(jīng)營績效進行了評價，結(jié)果表明，各上市公司資源配備合理，但仍有規(guī)模經(jīng)濟、技術(shù)水平不佳等缺陷［6］.杜丹利等采用PMC指數(shù)模型評價了北京、天津和河北中小企業(yè)科技創(chuàng)新政策，結(jié)果表明，京津冀在反饋和監(jiān)督環(huán)節(jié)尚有不足［7］.張麗華采用DEA-Malmquist兩階段模型對山西上市煤炭企業(yè)金融支持進行效率評價和影響因素分析，結(jié)果表明，煤炭企業(yè)在配置效率上呈現(xiàn)較多問題［8］.王文濤等采用三階段DEA模型評價了我國涉海企業(yè)的科技創(chuàng)新效率，結(jié)果表明，規(guī)模效率不高導致中國涉海企業(yè)科技創(chuàng)新效率整體處于偏低水平［9］.

不同行業(yè)科技創(chuàng)新方面，劉敏等基于VRS模型對我國農(nóng)業(yè)科研機構(gòu)科技創(chuàng)新績效進行評價，結(jié)果表明，六大區(qū)域農(nóng)業(yè)科技創(chuàng)新績效存在差異，華東地區(qū)發(fā)展最好［10］.鐘小榮等基于DEA-Malmquist指數(shù)法對銅仁市新技術(shù)企業(yè)技創(chuàng)新效率進行動態(tài)評價，結(jié)果表明，銅仁市新技術(shù)企業(yè)整體實現(xiàn)增長，但增幅不夠大，新技術(shù)企業(yè)之間的技術(shù)進步率存在較大差異［11］.王希勝基于DEA-Malmquist模型對2012—2018年河南省技術(shù)密集型制造業(yè)的企業(yè)的創(chuàng)新效率進行測度，結(jié)果表明，河南省技術(shù)密集型制造業(yè)全要素生產(chǎn)率指數(shù)增長緩慢，而純技術(shù)效率和規(guī)模效率變化則為年均負增長［12］.范瑞等采用調(diào)節(jié)路徑分析法探究了科技創(chuàng)新對經(jīng)濟增長的間接效益，結(jié)果表明，科技創(chuàng)新的中介作用效果顯著［13］.

在不同領(lǐng)域科技創(chuàng)新方面，彭佑元等采用超效率DEA模型對產(chǎn)業(yè)集群類型和所屬區(qū)域進行實證分析，結(jié)果表明，我國產(chǎn)業(yè)集群內(nèi)部差異性比較大，產(chǎn)業(yè)集群的創(chuàng)新效率受到集群類型的影響［14］.魏巍等采用灰色關(guān)聯(lián)法以及耦合協(xié)調(diào)模型探究科技創(chuàng)新與經(jīng)濟高質(zhì)量發(fā)展的關(guān)系，結(jié)果表明，北京發(fā)展水平最高，各地區(qū)制約因素突出［15］.楊春宇等構(gòu)建面板聯(lián)立方程模型檢驗對2008—2017年我國31個?。ㄊ校┳灾螀^(qū)的旅游科技創(chuàng)新、產(chǎn)業(yè)升級與經(jīng)濟增長之間的相互關(guān)系進行研究，結(jié)果表明，旅游產(chǎn)業(yè)升級對旅游經(jīng)濟增長的影響更大，旅游科技創(chuàng)新、產(chǎn)業(yè)升級與旅游經(jīng)濟發(fā)展總體協(xié)調(diào)［16］.

綜上所述，國內(nèi)學者對科技創(chuàng)新取得了較多的成果，但已有文獻在以下兩方面存在不足：第一，科技創(chuàng)新效率研究多停留在單個省（市）地級市區(qū)域評價，對全國各省（市）區(qū)域科技創(chuàng)新效率的研究較少.第二，已有文獻中對?。ㄊ校﹨^(qū)域科技創(chuàng)新研究時效跨度較短，大多為一年或者近3年.針對以上問題，選擇2009—2018年為研究期，選取我國30個?。ㄊ校└黜椫笜藬?shù)據(jù)，對這些省（市）科技創(chuàng)新效率進行靜態(tài)和動態(tài)評價，分析區(qū)域科技創(chuàng)新效率的差異性，有利于探究區(qū)域科技創(chuàng)新發(fā)展中的優(yōu)勢和不足，彌補科技創(chuàng)新發(fā)展中的短板，提高區(qū)域的科技創(chuàng)新效率，推動全國科技創(chuàng)新水平的進步.

1 方法選擇及指標構(gòu)建

在實際生產(chǎn)當中能夠影響科技活動的因素有R&D經(jīng)費投入、R&D人員數(shù)、新產(chǎn)品開發(fā)支出、專利申請量、技術(shù)市場成交額、新產(chǎn)品銷售收入等.邱奇等用DEA模型選取中國11個區(qū)域城市以R&D投入經(jīng)費支出、技術(shù)引進消化吸收經(jīng)費支出為投入指標，以國內(nèi)專利申請量、國內(nèi)專利授權(quán)量和國內(nèi)專利有效量為產(chǎn)出指標，分析了城市科技創(chuàng)新資本效率［17］.陳聰聰利用兩階段DEA模型以R&D人員全時當量、R&D經(jīng)費內(nèi)部支出、規(guī)模以上工業(yè)企業(yè)研發(fā)機構(gòu)數(shù)作為投入指標，以科技論文專著量、國內(nèi)3種專利申請授權(quán)量作為產(chǎn)出指標，分析了“一帶一路”沿線省際科技創(chuàng)新效率［18］.張榮天用DEA-Tobit模型以企業(yè)R&D活動人員占比、全社會R&D支出總額占GDP比重、政府科技撥款占財政支出的比重為投入指標，以萬人口專利授權(quán)數(shù)、高新技術(shù)產(chǎn)業(yè)產(chǎn)值、萬人口發(fā)明專利授權(quán)數(shù)和發(fā)表科技論文數(shù)量為產(chǎn)出指標，分析了江蘇省揚州市科技創(chuàng)新效率［19］.陳升等用三階段DEA和Tobit模型以R&D人員全時當量和R&D資本存量為投入指標，以發(fā)明專利授權(quán)數(shù)、國外科技論文發(fā)表數(shù)和高技術(shù)產(chǎn)業(yè)新產(chǎn)品銷售收入為產(chǎn)出指標，分析了“一帶一路”沿線科技創(chuàng)新效率區(qū)域差異及影響因素［20］.通過對現(xiàn)有文獻的參考以及指標選取的科學性、全面性、可比性、易獲得性等，選取R&D人員全時當量、R&D經(jīng)費內(nèi)部支出和R&D活動企業(yè)數(shù)為投入指標，專利申請量、新產(chǎn)品銷售收入和技術(shù)市場成交額為產(chǎn)出指標（表1），以2009—2018年我國30個?。ㄊ校?shù)據(jù)為例，研究了這些?。ㄊ校┑膭?chuàng)新效率.指標的相關(guān)數(shù)據(jù)來源于2010—2019年的《中國統(tǒng)計年鑒》和《中國科技年鑒》.

1.1 DEA模型

數(shù)據(jù)包絡(luò)分析方法（Data Envelopment Analysis，DEA）是根據(jù)多項投入產(chǎn)出指標，利用線性規(guī)劃，對決策單元（簡稱DMU）進行有效性評價的一種數(shù)量分析方法.DEA方法有CCR和BCC兩種模型，BCC模型不僅可以體現(xiàn)決策單元的技術(shù)效率和規(guī)模效率，還可以決策單元的投入產(chǎn)出松弛變量取值進行測量.因此，本文選取BCC模型對我國30個省（市）科技創(chuàng)新效率進行分析，深入研究我國區(qū)域科技創(chuàng)新效率，并給出非DEA有效的?。ㄊ校┱{(diào)整方案.建立如下BCC模型：

表1 區(qū)域科技創(chuàng)新評價指標Tab.1 Evaluation index of regional science and technology innovation

1.2 Malmquist指數(shù)法

由于DEA—BCC模型只能對決策單元進行靜態(tài)分析，如果數(shù)據(jù)較多，就要考慮時間維度帶來的影響，因此引用Malmquist指數(shù)法進行動態(tài)分析.M指數(shù)可以進一步分解為兩個部分，一是技術(shù)效率的變動，用effch來表示；二是技術(shù)進步的變動，用techch來表示，兩者乘積構(gòu)成了M指數(shù).具體公式如下：

2 結(jié)果分析

2.1 科技創(chuàng)新效率靜態(tài)分析

通過運行DEAP Version2.1軟件，得出在2009—2018年我國30個?。ㄊ校┑膭?chuàng)新效率，結(jié)果見圖1.由圖1可以看出，我國科技創(chuàng)新水平雖然總體在提高，但綜合效率＜1，說明我國科技創(chuàng)新依舊沒有達到最佳的投入產(chǎn)出效率比，存在資源使用不合理的情況.由表2可以看出，規(guī)模報酬遞增的?。ㄊ校?shù)量在2012年之后不斷減少，從2016年開始又有上升趨勢，并且規(guī)模報酬遞增的?。ㄊ校?shù)量在逐漸增加，截至2018年，共有14個省（市）達到DEA最優(yōu).由于2018年我國創(chuàng)新驅(qū)動的深入發(fā)展，特別是“雙創(chuàng)”深入開展，高技術(shù)制造業(yè)和戰(zhàn)略性新興產(chǎn)業(yè)的增加值都是兩位數(shù)的增長，給科技創(chuàng)新帶來了良好的發(fā)展勢頭.

圖1 我國2009—2018年平均科技創(chuàng)新效率圖Fig.1 Average efficiency of science and technology innovation in China from 2009 to 2018

表2 我國2009—2018年規(guī)模報酬遞增、不變、遞減?。ㄊ校?shù)量Tab.2 Number of provinces and cities with increasing，unchanged and decreasing returns to scale during 2009-2018 單位：個

此外，還計算了我國30個?。ㄊ校?009—2018年創(chuàng)新效率，由于文章篇幅有限，只列舉3個有代表性年份，結(jié)果見表3.通過分析研究期內(nèi)的科技創(chuàng)新效率，可以得出以下結(jié)論：

1）從綜合效率值來看，北京在研究期內(nèi)一直保持著適合的投入產(chǎn)出比例，即DEA最優(yōu)狀態(tài)，說明北京可以充分地利用各種創(chuàng)新資源，有較強的資源管理能力，技術(shù)能力相對要高；吉林DEA基本穩(wěn)定，只有在2013年數(shù)值為0.647，其余年份均為1；廣西呈上升趨勢，并在2015年達到DEA最優(yōu)，之后一直保持不變；內(nèi)蒙古、黑龍江、安徽、河南、湖北、廣東、海南、陜西、青海和新疆呈波動上升的趨勢，其中青海在2015—2018年趨于穩(wěn)定，新疆雖然呈波動上升趨勢，但是在0.5～0.8之間，科技創(chuàng)新效率明顯不如其他省（市）；天津、上海和浙江在研究期內(nèi)DEA變化幅度不大，在0.8～1.0之間，云南變動也不明顯，但是在0.4～0.7之間，距離其他?。ㄊ校┛萍紕?chuàng)新效率差距較大；河北、山西、遼寧、福建、山東、湖南、貴州、甘肅和寧夏2009—2018年來變化幅度較大；江蘇、重慶和四川2009—2018年綜合效率值在下降.

2）從純技術(shù)效率值來看，北京、上海和廣東在研究期內(nèi)保持穩(wěn)定，均處在最優(yōu)狀態(tài)；吉林、江蘇、浙江、四川、青海純技術(shù)效率基本穩(wěn)定，只有一兩個年份不在最優(yōu)狀態(tài)，山東也基本穩(wěn)定，但是2016—2018年有下降趨勢；湖北、湖南和廣西呈上升趨勢，其中湖北和廣西在近2015—2018年達到最優(yōu)；河北、安徽、江西、河南、貴州、陜西和寧夏呈波動上升趨勢，其中安徽在2015—2018年保持最優(yōu)狀態(tài)，陜西和寧夏在2017—2018年保持最優(yōu)狀態(tài)；天津波動范圍不大在0.8～1之間，并且在2014年之后一直沒有達到最優(yōu)值，云南雖然波動也不大，但在0.4～0.7之間，因此云南應(yīng)該加大對技術(shù)的投入；山西、遼寧、黑龍江、福建、甘肅和新疆2009—2018年純技術(shù)效率變動幅度較大，不穩(wěn)定.

3）從規(guī)模效率值來看，只有北京在研究期內(nèi)保持穩(wěn)定，為規(guī)模報酬有效；吉林和重慶基本穩(wěn)定，大部分年份都處于規(guī)模效率最優(yōu)；江蘇在2009—2013年規(guī)模效率有效，2014—2018年波動范圍較大；四川變動幅度不大，但2014—2018年在0.8左右變動，低于0.9，因此應(yīng)該增加規(guī)模；廣西的規(guī)模效率值在研究期內(nèi)穩(wěn)步上升，2015達到最優(yōu)并保持到2018年；廣西、青海、寧夏和新疆近2010—2018年處于波動上升狀態(tài)，其中甘肅2015—2018年都是最優(yōu)，寧夏2017—2018年達到最優(yōu)，新疆則還有進步空間；甘肅在研究期內(nèi)呈波動下降趨勢，應(yīng)該增加規(guī)模；其余17個?。ㄊ校┑囊?guī)模效率值均變動幅度不大，其中天津、河北、山西、遼寧、黑龍江、浙江、湖北、陜西的規(guī)模效率值在0.9～1之間變動，內(nèi)蒙古、上海、安徽、福建、江西、河南、湖南、貴州和云南在0.8～1之間變動.

表3 2009—2018年我國30個?。ㄊ校┛萍紕?chuàng)新DEA計算結(jié)果Tab.3 DEA calculation results of science and technology innovation of 30 provinces（cities）in China from 2009 to 2018

2.2 科技創(chuàng)新效率動態(tài)分析

以上分析不能體現(xiàn)創(chuàng)新效率隨時間的變化趨勢以及不同指標對創(chuàng)新效率的影響程度，因此需要進行Malmquist指數(shù)分析，測算結(jié)果見表4.

表4 2009—2018年科技創(chuàng)新動態(tài)評價結(jié)果Tab.4 Dynamic evaluation results of science and technology innovation from 2009 to 2018

從表4整體可以看出，Malmquist指數(shù)均值為1.017，說明2009—2018年來我國科技創(chuàng)新的資源配置較為合理，科技創(chuàng)新效率在不斷上升，平均年增長率達到1.7%.技術(shù)效率指數(shù)和技術(shù)進步指數(shù)也在不斷上升，平均年增長率分別為0.6%，1.1%.

從年份變化分析來看，2009—2011年技術(shù)進步變化指數(shù)降幅最大，達到了16.4%，由此導致了全要素生產(chǎn)率下降了13.7%；2012—2013年除技術(shù)進步變化指數(shù)外，其余指數(shù)都大于1，說明這兩個期間技術(shù)進步指數(shù)是全要素生產(chǎn)率下降的主要因素；2009—2010年技術(shù)進步變化指數(shù)達到76.8%的增幅，直接帶動了全要素生產(chǎn)率的大幅增長，說明技術(shù)進步是全要素生產(chǎn)率提高的關(guān)鍵因素；純技術(shù)效率和規(guī)模效率在2012年之后既沒有增長也沒有下降.

此外，對2009—2018年我國30個?。ㄊ校┑目萍紕?chuàng)新進行動態(tài)分析，使每一個省份的變化更加直觀，如表5所示.

表5 2009—2018年我國30個省（市）全要素指數(shù)變化統(tǒng)計表Tab.5 Change statistics of TFI of 30 provinces and cities in China from 2009 to 2018

從全要素生產(chǎn)率看，2009—2018年全要素生產(chǎn)率指數(shù)除吉林之外數(shù)值均大于1，表明有29個省（市）在2009—2018年全要素生產(chǎn)率實現(xiàn)增長.各?。ㄊ校┲心昃鲩L率在10%以上的有北京、內(nèi)蒙古、黑龍江、安徽、江西、湖北、貴州、陜西、甘肅和青海10個?。ㄊ校?；年增長率在5%～10%的有河北、山西、遼寧、河南、廣西、海南、四川、云南和新疆9個?。ㄊ校荒暝鲩L率1%～5%的?。ㄊ校┯?個；重慶和山東增長速度最慢，年增率僅0.3%，吉林的全要素生產(chǎn)率在下降.

從技術(shù)效率變動指數(shù)來看，2009—2018年共有23個省（市）大于1，內(nèi)蒙古的年增率最高，為10.7%；北京、吉林、浙江和廣東的技術(shù)效率變動指數(shù)未發(fā)生變化，值為1；天津、江蘇、山東、重慶、四川、云南和陜西技術(shù)效率變動指數(shù)在下降，其中重慶降幅最大，年下降率為2.9%.

純技術(shù)效率指數(shù)和規(guī)模效率指數(shù)共同影響技術(shù)效率變動.因此，從純技術(shù)效率來看，有6個省（市）的指數(shù)值在下降，分別是天津、山東、重慶、四川、云南和陜西，其中重慶降幅最大.從規(guī)模效率來看，指數(shù)值下降的?。ㄊ校┯?個，分別是天津、江蘇、福建、山東、河南、四川、陜西.天津、山東、四川和陜西純技術(shù)效率和規(guī)模效率都下降，說明這4個省（市）的資源配置效率低下.

在技術(shù)進步方面，共有27個?。ㄊ校┘夹g(shù)進步變動指數(shù)在增長，占比90%，說明這些省（市）有較大的技術(shù)進步和創(chuàng)新.其中青海的增長幅度最大，這是由于青海經(jīng)歷西部大開發(fā)之后，經(jīng)濟高速增長，并且深化改革激發(fā)科技創(chuàng)新活力，使青海省科技進步指數(shù)提高14.5%.由表4可以看出，河北、吉林和寧夏2010—2018年的技術(shù)進步指數(shù)均有不同程度的下降，但其中吉林由于技術(shù)進步指數(shù)下降導致全要素生產(chǎn)率下降，該省份應(yīng)該大力引進人才、重視科技研究、充分利用有優(yōu)勢的科技資源.

根據(jù)我國經(jīng)濟社會發(fā)展的新形勢將選取的全國30個?。ㄊ校┗癁闁|部、中部、西部和東北部4個經(jīng)濟區(qū)域，經(jīng)過Malmquist指數(shù)計算，得出其差異性如圖2所示.

圖2 四大經(jīng)濟區(qū)域科技創(chuàng)新動態(tài)評價圖Fig.2 Dynamic evaluation of science and technology innovation in four economic regions

由圖2可以看出，西部地區(qū)全要素生產(chǎn)率的增長率達遠超東部、中部和東北部，年增長率達到11.3%.技術(shù)效率變動方面只有中部在增長，年增長率為2.8%，東部、西部和東北部既沒有增長也沒有下降.技術(shù)進步變動方面4個區(qū)域均有所增長，并且西部的增長速度最快.整體來看，推動全要素生產(chǎn)率增長的主要由于技術(shù)變動指數(shù)的增長.東部地區(qū)人才集聚，創(chuàng)新資源豐富，但是全要素生產(chǎn)率低于西部地區(qū)，說明東部地區(qū)對創(chuàng)新資源沒有有效利用.中部地區(qū)作為連接東西部地區(qū)的樞紐，應(yīng)該進行結(jié)構(gòu)產(chǎn)業(yè)優(yōu)化、重視自身技術(shù)提升來提高純技術(shù)效率.

3 結(jié)論與建議

3.1 結(jié)論

基于2009—2018年全國各地科技創(chuàng)新投入產(chǎn)出的面板數(shù)據(jù)，運用DEA和Malmquist指數(shù)法測算了各?。ㄊ校┚C合創(chuàng)新效率和動態(tài)變化差異，得出以下結(jié)論：

從靜態(tài)效率來看，我國科技創(chuàng)新效率整體上在研究期內(nèi)呈波動上升趨勢，其中規(guī)模效率在2009—2018年變動幅度不大；平均每年DEA有效的?。ㄊ校?shù)量不足一半，說明我國科技創(chuàng)新投入產(chǎn)出不合理，存在資源浪費的情況.其中河北、山西、內(nèi)蒙古、江西、遼寧、云南、河南、甘肅、新疆、重慶的純技術(shù)效率低下，上海、江蘇、山東、海南、寧夏、四川的規(guī)模技術(shù)低下.

從動態(tài)效率來看，我國科技創(chuàng)新效率在不斷提高.選取的30個?。ㄊ校┲腥厣a(chǎn)率基本呈上升趨勢，只有吉林省因為科技進步變動指標的下降導致該省份全要素生產(chǎn)率的下降.另外，西部地區(qū)全要素生產(chǎn)率的年增長率最高，中部次之.東部、西部和東北部地區(qū)雖然全要素生產(chǎn)率在增加，但純技術(shù)效率和規(guī)模效率在2009—2018年沒有變化，說明這3個區(qū)域內(nèi)部要素發(fā)展不均衡，過分依賴技術(shù)變動.

3.2 建議

1）適當縮減科研經(jīng)費，建立健全科學、有效的科研經(jīng)費管理機制提高科研經(jīng)費的使用效率，建立正確的科技成果轉(zhuǎn)化機制，充分發(fā)揮市場的能動性，提高成果轉(zhuǎn)化效率，從而解決投入冗余和產(chǎn)出不足、資源浪費的情況.

2）建議純技術(shù)效率低下的?。ㄊ校┨岣呖萍紕?chuàng)新技術(shù)能力，充分發(fā)揮各類科技園區(qū)和科技創(chuàng)新平臺的功能，完善人才培養(yǎng)模式和科技獎勵制度，對重大科技成果給予重獎.規(guī)模技術(shù)低下的?。ㄊ校┰鰪娰Y源管理水平，改進資源配置機制，引入更加環(huán)保的產(chǎn)業(yè)，對原有技術(shù)進行改進，有序進行產(chǎn)業(yè)規(guī)模擴大.

3）對于全要素生產(chǎn)率下降的省份激發(fā)其創(chuàng)新能力，提高科研效率，建立以企業(yè)為主體、市場為導向、產(chǎn)學研結(jié)合的技術(shù)創(chuàng)新體系，使企業(yè)成為技術(shù)創(chuàng)新的主體，并促進科技成果向市場轉(zhuǎn)化.

4）東部地區(qū)應(yīng)當激發(fā)高新區(qū)創(chuàng)新能力，提高科研創(chuàng)新效率，加速知識外溢.西部地區(qū)和東北地區(qū)應(yīng)當提升自身創(chuàng)新能力，優(yōu)化傳統(tǒng)產(chǎn)業(yè)結(jié)構(gòu)，提升產(chǎn)業(yè)效率，積極引進外資和科學技術(shù)，加快創(chuàng)新資源的流動.