中国高技术产业创新效率及影响因素研究

doi:10.12677/sd.2024.1411296

期刊菜单

中国高技术产业创新效率及影响因素研究
Research on Innovation Efficiency and Influencing Factors of China’s High-Tech Industry

DOI: 10.12677/sd.2024.1411296, PDF, HTML, XML,
作者: 谭王慧, 袁新敏：东华大学旭日工商管理学院，上海
关键词: 高技术产业；创新效率；影响因素；High-Tech Industries； Innovation Efficiency； Influencing Factors

摘要: 高新技术产业是指以高新技术为基础，以高附加值为特征，以创新为动力的高科技产业。它在现代经济体系中扮演着至关重要的角色，能够带来高效率和高生产力，推动经济的快速增长，已成为打造科技强国与制造强国的重要手段。本文聚焦于2009至2021年中国31个省市的高技术产业数据，通过应用回归分析方法，深入探讨了高技术产业技术创新效率在不同地区的分布差异，得到不同指标对高技术产业创新效率的影响。研究表明：中国高技术产业创新效率总体水平较低，区域差距明显，总体而言，较中西部地区来说，东部地区在规模效率、纯技术效率以及综合效率方面均表现最为优异。

Abstract: The high-tech industry refers to high-tech industries based on advanced and novel technology, distinguished by high-value addition and innovation-driven growth. It is a crucial component of the contemporary economic framework, offering high efficiency and productivity, accelerating rapid economic development, and serving as a key means for establishing a nation as a leader in science, technology, and manufacturing. This study delves into the data from China’s high-tech industries across 31 provinces and cities between 2009 and 2021. By employing regression analysis, it deeply explores the distribution differences in technological innovation efficiency of high-tech industries in different regions and obtains the impact of various factors on the innovation efficiency of high-tech industries. The findings indicate that the overall level of innovation efficiency of China’s high-tech industries is low, with obvious regional disparities, and in general, compared with the central and western regions, the eastern region has the best performance in terms of scale efficiency, pure technological efficiency, and overall efficiency.

文章引用：谭王慧, 袁新敏. 中国高技术产业创新效率及影响因素研究[J]. 可持续发展, 2024, 14(11): 2627-2635. https://doi.org/10.12677/sd.2024.1411296

1. 引言

随着中国经济从高速增长阶段转向高质量发展阶段，传统依赖的资源条件和长期积累的资本对经济增长的推动作用逐渐减弱。高技术产业以其高投资、高回报和高附加值的特点，不仅加速了传统产业的升级改造，也促进了经济发展方式的转型[1]。提升创新效率是确保高技术产业持续健康发展的核心要素，但高技术产业以其高度的渗透力、资本密集度和风险性而著称，在创新研发的早期阶段，需要进行大量的长期投资，这不仅涉及高风险和不确定的回报，还可能限制其创新效率，进而影响该产业的高质量发展[2]。因此，探究影响高技术产业创新效率的要素，对于增强我国高技术产业的创新实力，以及缩小不同地区在该产业创新效率上的差异，具有至关重要的作用。

2. 文献综述

创新效率这一理念最初由美国经济学家Farrell定义，指在创新环境和资源配置条件保持不变的情况下，研发创新活动产出与投入之间的比例关系，具体表现为每一单位研发投入所带来的产出量[3]。研究方法主要有随机前沿法和数据包络分析法。SFA是基于知识生产函数发展起来的一种参数方法，可以解决随机冲击、环境因素对效率测算的影响，而且可以对结果进行参数检验，因此被广大学者使用。刘志迎等[4]、李新春等[5]、张满银等[6]均利用SFA对高技术产业的不同行业角度、不同区域角度的创新效率进行了测算评价。数据包络分析方法是由美国著名运筹学家Charnes等于1978年首次建立的效率评价方法[7]。该方法不需要设定指标权重和统一量纲，从而被广泛用于产业效率研究之中[8]。Raab和Kotamraju的研究通过分析美国50个州的面板数据，揭示了高技术产业技术效率在不同地区之间的差异性。他们的研究为理解区域间技术效率的异质性提供了重要视角，这对于区域经济发展和政策制定具有指导意义[9]。宋跃刚和张欣利用我国2009~2018年高技术产业投入产出数据，对我国高技术产业技术创新效率区域异质性及动态变迁进行了实证分析[10]，冷松等学者通过运用一系列模型，对2010至2019年间中国高技术产业创新效率的时空演变进行了深入研究。他们的研究揭示了中国高技术产业创新效率整体水平有待提升，并指出东部与西部地区在创新效率上存在显著差异[11]。

影响高技术创新效率的因素有很多。和军和张勇之学者在研究我国高技术产业的创新效率时发现，扩大对外开放和培养高素质人才对于提高全国高技术产业创新效率具有促进作用[12]。董会忠等学者在其研究中发现，对外开放程度和产业结构对科技研发效率具有显著的正面影响，这表明它们不仅直接影响科技研发效率，而且可能通过空间溢出效应促进邻近地区的科技研发效率提升[13]。赵晓枫等学者认为，研发强度对高技术产业创新效率有显著促进作用，加大对高技术产业的创新资金投入可以显著提高高技术产业的创新效率[14]。

通过上述分析，我们了解到学术界已经对中国高技术产业的技术创新效率进行了深入探讨，并取得了丰富的研究成果，为未来进一步研究该领域的技术创新效率提供了新的视角和方向。然而，现有的文献在衡量高技术产业创新效率的区域差异方面存在不足，未能充分解释造成这些差异的原因，导致相关区域协调发展政策的科学性和有效性有待提高。因此，本文利用2009至2021年间中国各省份的面板数据，采用DEA-Tobit回归分析方法，对各省高技术产业的创新效率进行比较分析，旨在揭示不同地区之间的差异。希望提出有助于促进高技术产业健康发展的策略建议，以期为推动我国经济的高质量发展做出贡献。

3. 研究设计

3.1. 研究方法

数据包络法(DEA)是测量创新效率的经典方法之一，最常见的模型有两种，分别是CCR模型和BCC模型，两者最大的区别是假设不同。CCR模型假设所有生产者都是在同一固定规模报酬下运营，这一假设条件在实际中基本上不满足，因此在使用中受到限制。BCC模型是在CCR模型的基础上提出的，其假设条件为所有生产者在可变规模报酬下运营。本文采用以投入为基础的BCC模型(即规模收益可变模型)作为评估工具，对各省市的创新效率进行量化分析，涵盖纯技术效率、规模效率和综合技术效率三个方面。具体的计算方法如下：

$S .t . {\begin{matrix} M i n [θ - ε (\sum_{i = 1}^{m} S_{i}^{-} + \sum_{r = 1}^{m} S_{i}^{+})] \\ \sum_{j = 1}^{n} a j X j + S_{r}^{-} = θ X_{0} \\ \sum_{j = 1}^{n} a j Y j + S_{r}^{+} = Y_{0} \\ \sum_{j = 1}^{n} a j = 1 \end{matrix}$ (1)

$θ \geq 0, a_{j} \geq 0, S i^{-} \geq 0, S_{r}^{+} \geq 0, j = 1 ， 2, \dots, n$

式中，ε代表非阿基米德无穷小，i和r分别代表投入和产出松弛变量的数量，a表示决策单元(DMU)的权重系数，j代表决策单元的索引，从1到n，X和Y分别代表投入和产出变量，S_i⁻和S_r⁺分别代表投入和产出的松弛量，θ代表决策单元的效率得分。当θ等于1且S_i⁻与S_r⁺都为0时，表明该决策单元(DMU)在DEA分析中是有效的；如果θ小于1，那么该决策单元(DMU)在DEA分析中是无效的。

3.2. 指标体系

3.2.1. 自变量指标

高技术产业的创新效率受到多种因素的影响，这不仅涉及企业内部因素，还包括外部环境的诸多影响。因此，在挑选评估指标时，应从多个角度进行综合考量。根据董会忠等[13]的研究，选取人力资本作为创新主体的影响因素，根据范德成、和军等[12]的研究，选取政府支持、产业现代化程度作为创新环境的影响因素(见表1)。

Table 1. Influencing index system and meaning of innovation efficiency

表1. 创新效率影响指标体系及含义

一级指标	二级指标	衡量指标
创新主体	人力投入(PEO)	R&D从业人员数占总从业人员比重
创新环境	政府支持(GOV)	科学技术支出占政府支出比重
创新环境	产业现代化程度(INDU)	第三产业增加值占地区GDP比重

3.2.2. 因变量指标

创新效率反映的是创新投入与产出的关系。在指标选取方面，高科技产业测算通常选用R&D资金投入(R&D经费内部支出) [15]、R&D人员投入(R&D活动人员折合全时当量) [16]、新产品开发经费[17]为投入指标；将专利申请数、新产品销售收入作为产出指标[18] (见表2)。

Table 2. Input-output indicators of high-tech industries

表2. 高技术产业投入产出指标

变量类型	变量名称	衡量指标
投入指标	R&D资金投入	反映企业在研发创新上的资金投入
	R&D人员投入	反映企业在研发创新上的人员投入
	新产品开发经费	反映企业对新产品开发的资金投入
产出指标	专利申请数	反映企业研发活动的成果、对专利的保护
产出指标	新产品销售收入	反映企业在新产品上的收益情况

最后，论文建立如下Tobit回归模型：

$T E_{j t} = α_{0} + α_{1} P E O_{j t} + α_{2} G O V_{j t} + α_{3} I N D U_{j t} + ε_{j t}$ (2)

式中，TE表示31个省市高技术产业的创新效率值，PEO_jt、GOV_jt、INDU_jt分别表示t年区域j的人力投入、政府支持和产业现代化程度，ε为随机扰动项，j代表样本城市，t表示2009~2021年。

3.2.3. 数据来源及处理

遵循“确保案例样本数量充足且数据可获取”的基本原则，本文选取了中国31个省、自治区和直辖市作为研究对象，来探究高技术产业的创新效率。所涉及的各项指标数据主要来源于《中国统计年鉴》《中国高技术产业统计年鉴》《中国劳动年鉴》以及各城市的统计年鉴。研究中所使用的所有变量数据均基于2009至2021年的时间跨度，各变量的描述性统计分析详见表3。

Table 3. Descriptive statistics for each variable

表3. 各变量描述性统计

指标	最小值	最大值	均值	标准差	观测值
人力投入	0.00018	0.04355	0.00807	0.00870	403
政府支持	0.3	7.2	2.02516129	1.50012	403
产业现代化程度	0.723	0.998	0.900	0.053	403
R&D资金投入(X1)	1.2	4002.2	499.42	637.3	403
R&D人员投入(X2)	1100	1,248,474	173240.9032	205668.5914	403
新产品开发经费(X3)	1177	46,369,762	3800118.03	6092955.17	403
专利申请数	162	980,634	91,947	143,532	403
新产品销售收入	17,728	496,849,026	51442779.75	77523448.74	403

4. 实证结果与讨论

4.1. DEA计算结果

通过运用DEAP 2.1软件对投入要素和产出要素进行数据包络分析(DEA)，得出的分析结果如表4所示。

Table 4. Innovation efficiency values of high-tech industries in 31 sample provinces and cities

表4. 31个样本省市的高技术产业创新效率值

城市	2009	2010	2011	2012	2013	2014	2015	2016	2017	2018	2019	2020	2021	均值
北京	0.843	0.973	0.872	0.936	0.968	0.946	0.955	0.721	0.754	0.792	0.654	0.774	0.953	0.857
天津	0.989	0.766	0.721	1.000	1.000	1.000	1.000	0.894	0.927	0.929	1.000	0.987	1.000	0.939
河北	0.514	0.412	0.436	0.622	0.692	0.695	0.656	0.665	0.680	0.784	0.916	0.858	0.972	0.685
山西	0.404	0.393	0.431	0.504	0.541	0.475	0.584	0.701	0.743	0.763	0.810	0.940	0.897	0.630
内蒙古	0.362	0.457	0.318	0.459	0.448	0.368	0.483	0.476	0.723	0.766	0.803	0.750	0.690	0.546
辽宁	0.688	0.553	0.545	0.646	0.690	0.640	0.637	0.637	0.645	0.809	0.735	0.752	0.807	0.676
吉林	1.000	1.000	1.000	1.000	0.460	0.978	0.716	0.992	1.000	0.742	1.000	0.836	1.000	0.902
黑龙江	0.419	0.486	0.782	1.000	0.911	0.640	0.956	0.663	0.680	0.851	0.686	0.716	0.882	0.744
上海	0.953	0.784	0.703	1.000	0.878	0.918	0.674	0.810	0.932	0.882	0.900	0.808	0.876	0.855
江苏	1.000	1.000	1.000	1.000	1.000	1.000	0.755	0.890	0.958	0.874	0.920	1.000	0.927	0.948
浙江	1.000	0.939	0.987	1.000	1.000	1.000	1.000	1.000	1.000	1.000	1.000	1.000	1.000	0.994
安徽	0.562	1.000	0.784	0.828	0.785	0.834	0.917	1.000	1.000	1.000	1.000	1.000	1.000	0.901
福建	0.616	0.531	0.591	0.709	0.670	0.640	0.719	0.756	0.779	0.821	0.787	0.747	0.663	0.695
江西	0.438	0.460	0.449	0.687	0.829	0.688	0.717	0.825	0.983	0.944	1.000	1.000	1.000	0.771
山东	0.925	1.000	0.658	0.971	0.906	0.868	0.711	0.777	0.867	0.760	0.883	0.881	0.950	0.858
河南	0.520	0.938	0.496	0.592	0.884	0.851	0.879	0.808	0.825	0.912	0.771	0.893	0.896	0.790
湖北	0.634	0.584	0.549	0.619	0.686	0.700	0.727	0.749	0.842	0.875	0.902	0.814	0.886	0.736
湖南	0.595	0.525	0.657	1.000	1.000	1.000	1.000	1.000	1.000	0.819	0.843	0.719	0.786	0.842
广东	0.832	0.739	0.678	0.778	0.749	0.775	0.720	0.934	1.000	0.967	1.000	1.000	1.000	0.859
广西	0.631	0.610	0.595	0.735	0.940	0.811	0.947	1.000	1.000	0.932	0.791	1.000	1.000	0.846
海南	0.802	0.755	0.653	0.643	0.695	0.637	0.714	0.488	0.553	0.690	0.803	1.000	1.000	0.726
重庆	0.993	1.000	1.000	1.000	0.991	1.000	1.000	1.000	0.972	0.747	0.748	0.911	0.845	0.939
四川	0.956	1.000	0.984	1.000	0.940	0.816	1.000	0.832	0.957	0.783	0.670	0.628	0.758	0.871
贵州	0.546	0.572	0.764	0.803	1.000	1.000	1.000	0.695	0.969	1.000	0.840	0.783	0.758	0.825
云南	0.561	0.629	0.520	0.651	0.565	0.523	0.623	0.396	0.504	0.626	0.503	0.642	0.686	0.571
西藏	1.000	1.000	1.000	1.000	1.000	1.000	1.000	1.000	1.000	1.000	1.000	1.000	1.000	1.000
陕西	0.629	0.818	0.827	0.902	0.791	0.675	0.956	0.567	0.885	0.690	0.718	0.646	0.784	0.761
甘肃	0.454	0.604	0.649	0.819	0.776	0.756	0.822	0.707	0.949	1.000	0.772	0.897	1.000	0.785
青海	0.436	0.496	0.422	0.294	0.302	0.322	0.686	0.700	0.557	0.814	0.706	1.000	0.990	0.594
宁夏	0.554	0.342	0.381	0.591	0.899	0.575	0.734	0.458	0.864	1.000	0.798	0.690	0.695	0.660
新疆	0.641	0.620	0.481	0.585	0.547	0.837	0.890	0.514	0.641	0.702	0.836	0.935	0.830	0.697
均值	0.693	0.709	0.675	0.786	0.792	0.773	0.812	0.763	0.845	0.848	0.832	0.858	0.888	0.790

DEA结果为1的城市，表示其技术创新达到生产技术的有效前沿面；测算结果不等于1的，视为创新效率无效，DEA效率值在0.8~1被认为是良好的[19]。表4的数据显示，2009~2021年间，我国31个省市的综合效率均值分布于0.546到1之间，平均整体的创新效率值为0.790，意味着当前高技术产业的生产模式造成了一定的资源浪费，未能达到资源的完全有效利用。其中有16个省市的综合效率值低于平均水平，15个省市高于均值。但是只有西藏连续13年的综合效率为1，处于DEA有效的状态，其高技术产业的投入要素实现了最优化产出。

4.2. Tobit计算结果与讨论

在2009至2021年期间，通过对中国31个省市的高技术产业创新效率进行的测度研究显示，我国高技术产业的创新水平整体上呈现逐年提升的趋势。然而，不同省份之间的创新效率存在显著差异。例如，西藏和内蒙古在这段时间内的创新效率均值相差了0.453，这一差异提示我们有必要深入探究造成这些差异的多种因素。本文将各省市13年的综合技术效率均值作为因变量，利用EViews求解式(2)的Tobit回归模型，计算结果如表5所示。

Table 5. Tobit regression results

表5. Tobit回归结果

变量	系数	T统计检验	P值
人力投入(PEO)	1.67E−07	3.086724	0.0020
政府支持(GOV)	0.025325	2.659785	0.0078
产业现代化程度(INDU)	0.211680	1.769647	0.7869
常数项	0.593739	12.04074	0.0000

从回归结果来看，人力支持、政府支持、产业现代化程度与高技术产业的创新效率呈正相关关系，并且人力支持与政府支持的P值 < 0.05，两者与高技术产业创新效率之间存在着显著性，可知加大研发人员的投入以及政府对高技术的支持都能提高高技术产业的创新效率。虽然产业现代化程度与高技术产业的创新效率呈正相关，但是由于P值 = 0.7869 > 0.05，两者之间不存在显著性，可知产业现代化程度在一定程度上能够影响高技术产业的创新效率，但效果不显著，并不是影响高技术产业创新水平提升的主要因素。

高技术产业人才投入与高技术产业创新效率显著正相关，说明31个城省市的人力投入目前能为高技术产业的创新发展提供良好的人才要素支撑，这种支持与城市的创新效率相匹配，能对高技术产业创新效率产生积极的促进作用。图1显示了31个样本省市高技术产业人才投入的离散分布态势，大致可以分为三个层次：北京、天津和上海位居第一层，其高技术产业的人力投入始终处于最高水平，充分印证了“北漂”、“沪漂”一族的规模实力和影响力。第二层次包括江苏、浙江、广东等东部沿海地区；从图1可以明显看出，第三层次内部的省市差距明显小于第一层次与第二层次之间的差距，说明不同省市的高技术产业人力投入存在较为突出的层级势差，且层级跨越难度较大。

Figure 1. Discrete diagram of the scale of manpower investment in high-tech industries in 31 sample provinces and cities from 2009 to 2021

图1. 2009~2021年31个样本省市高技术产业人力投入规模离散图

Figure 2. Proportion of science and technology expenditure in government expenditure in China’s three major regions from 2009 to 2021

图2. 2009~2021年我国三大区域科学技术支出占政府支出的比重

图2反映了我国东西部三大区域各政府对高技术产业资金投入的强度分布态势，从中也可以看出明显差异：高居首位的是东部地区，投入最低的是西部地区，且东部地区的投入远远高于西部地区，说明我国各地区政府对高技术产业的资金投入极度不平衡。而政府对高技术产业的资金投入与高技术产业创新效率显著正相关，因此各省市政府应该优化资金投入，提高资金的利用率。

5. 结论及建议

5.1. 研究结论

本文选取DEA-Tobit回归模型，测算了2009~2021年31个省份高技术产业的创新效率。研究结论如下：

1) 2009~2021年我国各省市高技术产业的创新效率在缓慢提高，31个省市的创新效率均值从2009年的0.693增加到2021年的0.790；但分省来看，各省市之间的差异较大，东部地区各省市的高技术产业创新效率值远远高于中西部地区。

2) 从Tobit回归结果来看，产业现代化程度能促进高技术产业创新效率的提升，但促进作用不显著；研发创新上人员的流动以及政府对高技术产业的支持对高技术产业技术创新效率的促进效果都显著为正。

5.2. 相关建议

高技术产业的发展起着引领区域创新的“领头羊”作用，对于驱动我国的科技进步和增强国际竞争实力具有关键性的意义。对此，本文提出如下建议：

1) 大部分省市的高技术产业的创新效率值未能达到DEA有效，这表明这些省市的投入产出不匹配，要素投入结构不合理。因此，需要注重高技术产业科技资源的优化配置，同时各省市应找出本地效率低的具体原因，针对性地优化资源配置和生产流程。

2) 创新主体、科研资金投入是区域高技术产业产生高创新效率的必要条件。政府可以通过制定和实施相关政策，如税收优惠、财政补贴、研发资助等，来激励企业增加研发投入和创新活动。同时，加速培养创新型青年人才，注重实践需求导向，提高科技创新人才比例，通过提高区域经济和科技水平，加强基础设施建设，为高技术产业的技术创新提供包括人才、资金、制度和环境在内的全面基础支持。

3) 高技术产业的发展需要充分考虑到本地区的人力资本、产业结构、经济发展水平等相关情况，因地制宜地选择并制定出符合当地情况的政策，选择合适的路径，缩小地区间的创新效率。

4) 东部沿海创新效率高的省市应该充分发挥带头协调作用，合理配置各种资源，缩小东部、中部、西部三大地区的高技术产业创新效率差距。

参考文献

[1]	李天籽, 韩沅刚. 全球创新网络视角下高技术产业分阶段创新效率提升组态路径研究[J]. 当代经济管理, 2023, 45(2): 73-81.
[2]	张成芬, 朱晓宇. 数字金融对高技术产业创新效率的影响研究[J]. 管理现代化, 2022, 42(5): 105-112.
[3]	Fried, H.O., Lovell, C.A.K., Schmidt, S.S. and Yaisawarng, S. (2002) Accounting for Environmental Effects and Statistical Noise in Data Envelopment Analysis. Journal of Productivity Analysis, 17, 157-174. https://doi.org/10.1023/a:1013548723393
[4]	刘志迎, 叶蓁, 孟令杰. 我国高技术产业技术效率的实证分析[J]. 中国软科学, 2007(5): 133-137.
[5]	李新春, 李胜文, 张书军. 高技术与非高技术产业创新的单要素效率[J]. 中国工业经济, 2010(5): 68-77.
[6]	张满银, 张丹. 京津冀区域规模以上工业企业创新效率研究[J]. 统计与决策, 2019, 35(24): 176-180.
[7]	Charnes, A., Cooper, W.W. and Rhodes, E. (1978) Measuring the Efficiency of Decision Making Units. European Journal of Operational Research, 2, 429-444. https://doi.org/10.1016/0377-2217(78)90138-8
[8]	毕功兵, 梁樑, 杨锋. 两阶段生产系统的DEA效率评价模型[J]. 中国管理科学, 2007(2): 92-96.
[9]	Raab, R.A. and Kotamraju, P. (2006) The Efficiency of the High‐Tech Economy: Conventional Development Indexes versus a Performance Index. Journal of Regional Science, 46, 545-562. https://doi.org/10.1111/j.1467-9787.2006.00452.x
[10]	宋跃刚, 张欣. 中国高技术产业创新效率测度[J]. 统计与决策, 2022, 38(10): 86-91.
[11]	冷松, 俞立平, 吴思慈. 高技术产业创新效率时空演变及与经济增长耦合研究[J]. 科技管理研究, 2022, 42(21): 1-9.
[12]	和军, 张勇之. 区域高技术产业创新效率评价及影响因素[J]. 上海商学院学报, 2022, 23(2): 21-32.
[13]	董会忠, 曹正旭, 张仁杰. 中国高技术产业两阶段绿色创新效率及影响因素识别[J]. 统计与决策, 2022, 38(6): 44-49.
[14]	赵晓枫, 魏峰. 中国十大城市群高技术产业创新效率测度及影响因素研究[J]. 兰州财经大学学报, 2021, 37(4): 32-43.
[15]	孟维站, 李春艳, 石晓冬. 中国高技术产业创新效率分阶段分析——基于三阶段DEA模型[J]. 宏观经济研究, 2019(2): 78-91.
[16]	杨玉桢, 杨铭. 两阶段高技术产业创新效率及其影响因素研究——基于随机前沿模型的实证分析[J]. 管理现代化, 2019, 39(5): 37-41.
[17]	刘飒, 万寿义, 黄诗华, 等. 中国中小型高新技术企业创新投入效率实证研究——基于三阶段DEA模型[J]. 宏观经济研究, 2020(3): 120-131.
[18]	王伟, 邓伟平. 高技术产业三阶段创新效率及其影响因素分析——基于EBM模型和Tobit模型[J]. 软科学, 2017, 31(11): 16-20.
[19]	王海花, 王莹, 李雅洁, 等. 长三角区域高技术产业科技创新效率评价研究——基于共享投入的三阶段网络DEA模型[J]. 华东经济管理, 2022, 36(8): 26-33.

为你推荐

友情链接