我国科技创新效率测算及影响因素研究*——基于超效率DEA-TOBIT 两步法分析

◆孙 东

在新技术迅猛发展、经济全球化趋势不断深化的知识经济时代，科学技术已成为提升一国或地区竞争能力、促进经济增长的关键因素。建设创新型国家、提高自主创新能力成为我国发展的核心战略。在建设创新型国家战略目标下，我国多地相继提出创建创新型城市、创新型省份，对科技的财政投入也不断加大。但科技创新是个复杂的系统工程，科技投入仅仅是必要条件，决定因素还是科技投入的效率。特别是我国还处于发展中国家行列，物质资源、人力资源还不丰富，研究科技投入的效率问题，具有迫切的现实意义。

一、文献回顾

科技创新的效率是近年来学界关注的热点。我国区域之间不仅经济发展水平、人力资本水平、对外开放度等存在较大的差异，而且政府的管理水平、企业的技术效率等也存在很大的差异。许晓雯和蔡虹（2004）研究发现，我国区域研发投入绩效相对效率具有明显的东高西低的地域分布特点。①许晓雯，蔡 虹：《我国区域R&D 投入绩效评价研究》，《研究与发展管理》，2004 年第10 期。魏守华和吴贵生(2005)发现我国各个省内科技活动的科技空间过度集中在省会或其他1 至2 个城市，不利于整体的科技进步。②魏守华，吴贵生：《我国省区科技空间分布特征、成因及其政策含义》，《管理世界》，2005 年第4 期。江静（2006）对我国省际之间R&D 强度差异及决定因素研究发现，政府R&D 投入在全国层面上促进了R&D 强度的增加，但在R&D 薄弱区域，由于挤出效应存在，R&D强度与政府直接补贴之间关系不明显。③江 静：《中国省际R&D 强度差异的决定与比较—基于1998-2004 年的实证分析》，《南京大学学报（哲学.人文科学.社会科学版）》，2006 年第3 期。肖文、侯田和林高榜（2009）研究发现发达区域的技术效率高，源于较发达地区的国有企业效率较高、政府工作效率也较高、金融系统较完善。①肖 文，侯 田，林高榜：《R&D 国际化水平及效率研究—基于中国省际面板数据的实证检验》，《浙江大学学报（人文社会科学版）》，2009 年第7 期。周业安、程栩、赵文哲和李涛(2012)基于省级面板数据，对我国科技投入的创新作用研究发现，不同区域的科技投入对创新作用差异非常突出。②周业安，程栩，赵文哲，李涛：《地方政府的教育和科技支出竞争促进了创新吗？——基于省级面板数据的经验研究》，《中国人民大学学报》，2012 年第4 期。国内诸如此类对于创新能力或创新效率研究的文献众多，不能一一列举。国内学者已有的研究给本文提供了丰富的参考资料，但已有的研究还存在的一个重要不足：仅仅测算了创新的效率，没有研究究竟是什么因素影响了创新的效率。本文将在已有研究的基础上，计算我国各省域创新系统的效率，并基于创新系统分析框架，重点研究影响创新效率的因素。在具体的分析方法上，本文选取了超效率DEA-TOBIT 两步法模型，根据Furman(2002)的创新系统理论框架，基于2002-2012 年我国30 个省际面板数据开展研究。需要说明的是，由于西藏的数据不全，在研究中没有考虑。

二、超效率DEA-TOBIT 模型

Coelli 和Battese(1998)在研究环境变量对决策单元（DMU）相对有效性影响时，提出来一种处理方法——DEA 两阶段法(Two-stage Method)。③Coelli T. J. ，Battese G. E.An Introduction to Efficiency and Productivity Analysis，Kluwer Academic Publishers， 1998.Kirjavainen（1998）在比较了芬兰高等中学的效率差别及其原因时，最早采用了DEA-TOBIT 方法进行实证。④Kirjavainen， T.， Loikkanen， H.A.Efficiency Differences of Finnish Senior Second-ary Schools: Application of DEA and Tobit Analysis， Economics of Education Review， 1998，(4).DEA-TOBIT 两阶段模型，又称DEA-TOBIT 两步法，顾名思义分为DEA、TOBIT 两个分析步骤。该方法第一步采用DEA 分析得出每一个决策单位（DMU）的效率值，第二步用第一步中得出的效率值作为因变量，用影响因素等作为自变量建立回归模型。因为DEA 方法得出的效率指数介于0 和1 之间，所以回归方程的因变量就被限制在这个区间内，为此在第二步中的回归分析应采用TOBIT 分析。⑤郭淡泊，雷家骕，张俊芳，彭 勃：《国家创新体系效率及影响因素研究—基于DEA-Tobit 两步法的分析》，《清华大学学报（哲学社会科学版）》，2012 年第2 期。DEA-TOBIT 方法弥补了传统DEA 方法只能计算DMU 的效率，不能进行效率影响因素分析的缺憾。传统DEA 模型对于处于有效状态的DMU，无法区分各DMU 的效率高低，而超效率DEA 模型的出现又弥补了这个不足。因此，本文采用了超效率DEA-TOBIT 两步法模型。

（一）超效率DEA 模型

数据包络分析（Data Envelopment Analysis，DEA）方法是由美国著名的运筹学家A.Charnes、W.Cooper 以及E.Rhodes 在1978 年提出的。⑥Charnes A.，Cooper W.， Rhode E.，Measuring the Efficiency of Decision Making Units，European Journal of Operational Research，1978，(2).他们建立数据包络分析（DEA）最初的规模报酬不变模型（C2R 模型），用于评价部门间相对有效性，后来DEA 方法不断得到完善，并广泛运用于经济学、管理学等领域。数据包络分析是一种线性规划的方法，它假定有若干相同的决策单元，效率前沿是通过联结所有的最佳观测点形成的分段曲线的组合。最佳前沿观测值的集合将前沿所有的观测点都包含在其中，其效率最高。DEA 的C2R 模型存在的不足：当有多个决策单元同时处于有效时，它们的效率值都是1，无法区分它们之间的效率差异。Andersen 和Petersen(1993)提出了超效率DEA 模型，其有效决策单元的值可以大于1，使得多个有效的决策单元之间可以进行效率比较。⑦Andersen，P.Petersen，N.A Procedure for Ranking Efficient Units in DEA，Management Science，1993，(10).超效率DEA 模型与C2R 模型规划表达式的区别在于：当评价一个决策单元时，将其与其他决策单元的线性组合做比较，而其排除在外，即生产可能集没有包括被评价的决策单元。超效率DEA 有效决策单元的效率值大于1，其涵义是指该决策单元的投入如果提高到计算得到的效率值比例时，该决策单元仍然可以保持DEA 有效。

超效率DEA 模型的数学表达式如（1）式。

（二）TOBIT 模型

TOBIT 模型是著名经济学家、获得诺贝尔经济学奖的托宾（Tobit）在1958 年提出的。TOBIT模型用来考察因变量受限制的回归，也称为截取或短尾的回归模型。超效率DEA 方法得出的效率指数值都非负，因此是受限因变量，如果直接采用最小二乘法，会给参数估计带来有偏和不一致。Tobit 模型数学模型如下：

其中：独立同分布的μi 服从正态分布N(0，δ2)；Xi 为N×K 的矩阵。

三、超效率DEA 模型的投入、产出变量选择

（一）投入变量

学者们在研究创新活动时，考察的投入要素主要包括两类：一是财力投入要素；二是人力投入要素。财力投入要素大多采用R&D 经费投入，从来源上区分，包括政府R&D 经费投入、企业R&D经费投入、高校科研院所R&D 投入和其他R&D 投入；人力投入要素主要是指从事R&D 活动的人员投入，包括R&D 人员全时当量、科学家数量、工程师数量等。本文财力投入要素选取政府R&D 经费投入，将全社会R&D 经费投入减去政府R&D 经费投入都作为其他R&D 经费投入。这样做主要是考虑在研究全社会R&D 投入效率时，兼顾了政府R&D 投入效率。对于人力要素投入，与大多数学者一样选取R&D 人员全时当量。

（二）产出要素

在研究创新活动中，相对于投入要素指标的选择而言，对于创新产出指标的选取争议很大。目前，比较得到认可的创新产出指标就是专利。Foray 和Lundvall(1996)就指出，在所有的衡量知识产出的指标中，专利是衡量知识产出的最直接指标。①Foray，D.， B.A.Lundvall.The Knowledge- based Economy， Paris: OECD，1996.虽然Griliches(1990)认为用专利数衡量创新能力存在很大不足：一是有些专利并没有商业化价值，专利往往过高估计创新产出的真实价值；二是有些企业为了能及时推出新产品或保密商业技术而不申请专利。①Griliches，Z.Productivity Puzzles and R&D: Another Non Explanation，The Journal of Economic Perspectives，1988，(4).但是，专利仍是目前公认最客观、最可得、数据质量最好的创新产出指标，学界没有提出更好、更能得到一致认可的替代指标。在选取专利作为创新产出指标时，一些学者选择了专利申请数，更多的学者选择了专利授权数。因为专利申请不一定都能被认定，而专利授权数更能体现创新的真实能力，本文选择专利授权数作为创新产出的指标之一。高校、科研院所作为创新的主体，其创新产出不仅是专利，还有很多是科研论文。科研论文，尤其是高质量的论文也是创新的重要产出，也被很多学者在研究创新时作为产出的指标，如张倩肖和冯根福（2006）②张倩肖，冯根福：《我国地区间用于科技发展的研发绩效评估与比较》，《财贸经济》，2006 年第11 期。、郭淡泊、雷家骕、张俊芳和彭勃（2012）③郭淡泊，雷家骕，张俊芳，彭 勃：《国家创新体系效率及影响因素研究—基于DEA-Tobit 两步法的分析》，《清华大学学报（哲学社会科学版）》，2012 年第2 期。等。

（三）投入、产出数据处理

由于数据可得性的限制，本文考察的时间范围是2002-2012 年。吴延兵（2006）指出，投入要素中的R&D 经费投入，不仅是当期的R&D 经费投入对创新产出有影响，以往R&D 存量对创新产出也有影响，但大多数文献在研究R&D 产出时没有考虑R&D 存量的作用。④吴延兵：《R&D 存量、知识函数与生产效率》，《经济学(季刊)》，2006 年第7 期。本文借鉴吴延兵（2006）采用的永续盘存法计算R&D 经费存量。

计算公式为：Kit=（1-δ）×Ki(t-1)+Iit

其中：Kit、Ki（t－1）分别为i地区第t、(t-1)期的R&D 资本存量，Iit为i地区第t期的R&D 经费支出，折旧率δ 取15%。基期的R&D 资本存量为Ki0=Ii0/(g+δ)，其中g为考察期内R&D 经费支出的平均增长率。对于R&D 人员全时当量，本文采用了当期投入，主要采用了期初人数与期末人数的平均值。考虑到创新产出的滞后性，借鉴已有学者的研究，本文对专利授权采用了2年滞后期，对论文发表采用了1 年滞后期。

四、我国2002-2012 年省域创新效率的测算

基于超效率DEA 模型，计算2002-2012 年我国各省域创新系统的效率如表1 所示。超效率DEA测算采用EMS1.2 软件。

表1 2002-2012 年我国省域创新系统效率

?

由表1 可见，我国2002-2012 年间创新效率均值超过1 的省份有9 个，表明我国总体的创新效率低下，而且多数省份的效率值波动较大。在创新效率均值大于1 的9 个省份中，北京、上海、广东、黑龙江、浙江和甘肃6 个省份的效率值相对稳定，都在0.95 以上（除广东2002 年外），只有北京、上海和黑龙江一直处于有效状态。2002-2012 年，我国创新效率有效省份的数量波动较大，总体上呈现“倒U 型”，数量先上升、后下降（如图1 所示）。

图1 2002-2012 年创新效率有效省份的数量变化

五、区域创新系统框架下的影响因素

（一）区域创新系统理论

Cooke(1992)提出区域创新系统，认为它是由地理上临近的企业、大学和科研机构等组成的区域性组织体系。①Cooke，P.，Schienstock，G.Structural Competitiveness and Leaning Regions， Enterprise and Innovation Management Studies，2000，（1）.Furman(2002)在研究创新系统的创新能力时，认为创新能力的影响因素可以归纳为三个方面，分别是创新基础设施、基于产业集群的微观创新环境以及产业集群与创新基础设施的联系。①Furman， J.，M.Porter， S. Stern. The Determinants of National Innovative Capacity， Research Policy，2002，(16).我国学者李习保（2007），②李习保：《中国区域创新能力变迁的实证分析：基于创新系统的观点》，《管理世界》，2007 年第12 期。魏守华、吴贵生和吕新雷（2010）③魏守华，吴贵生，吕新雷：《区域创新能力的影响因素兼评我国创新能力的地区差距》，《中国软科学》，2010年第9 期。等，都采用Furman 的分析框架来研究我国国家或区域创新系统的相关问题。随着经济全球化的迅速发展，一个国家的经济不再是封闭运行，国家贸易、外商直接投资（FDI）等国际技术溢出渠道对国家、区域的创新产生了巨大的影响。魏守华、吴贵生和吕新雷（2010）根据我国广泛参与经济全球化的现实，对Furman的分析框架进行了扩展，考虑了国际技术溢出方面因素的影响。国际技术溢出因素不仅对创新能力有影响，也对创新效率有重大的影响。因此，本文在Furman 分析框架基础上，拓展了国际技术溢出影响因素，考察了创新基础条件、微观创新环境、产学研联系质量和国际技术溢出等四方面因素对创新效率的影响。

（二）创新效率影响因素变量选择

1.创新基础方面。在创新基础方面的影响因素中，本文根据Furman(2002)的研究，选择了人均GDP 代表知识存量，记为Pergdp；用企业研发经费占全社会研发经费的比重代表企业在区域创新系统的地位，记为Enter，主要看来自企业的研发经费是否占主导地位；教育基础用百万人口中在校大学生数量代表，记为Stu；用基础研究支出、应用研究和试验发展支出占研发支出的比重，考察R&D 支出类型对区域创新效率的影响，分别记为Basic、App。

2.微观创新环境方面。在微观创新环境方面的因素中，本文考虑了城市化、高新技术产业发展、交通基础设施等因素的影响。用城市人口占总人口的比重代表城市化率，记为City；用工业总产值中高新技术产业的比重代表区域产业结构，记为Hight；用公路里程占土地面积的比重代表区域基础设施发展水平，记为Road。

3.政产学研联系方面。在政产学研联系方面的因素中，本文考虑了企业与大学和科研机构的联系、政府对科技投入的支持力度、政府对教育的重视程度、技术市场的发达程度等因素的影响。本文分别采用公共教育投入、政府科技投入占GDP 的比重，代表政府对教育、科技的重视和支持程度，分别记为Edu、Finance；用大学科研经费中来自企业的比重，代表企业与高校和科研院所的联系，记为Ulink；用科技人员人均技术市场成交金额代表区域技术市场的发达程度，记为Pertec。

4.国际技术溢出方面的因素。在国家技术溢出方面的因素中，本文考虑了外商直接投资、进出口总额和贸易专业化指数等因素的影响。本文用外商直接投资占区域固定资产投资的比重考察外商直接投资对创新效率的影响，记为FDI；用贸易专业化指数“(出口额-进口额) /(出口额+进口额)”考察不同进出口比重对创新效率的影响，记为TSI；用进出口占GDP 的比重考察国际贸易对创新效率的影响，记为Ieport。影响因素的变量选择、参考文献和数据来源见表2。

微观创新环境产学研联系国际技术溢出工业总产值中高技术产业的比重 李习保（2007）；魏守华（2010） 中国科技统计年鉴；中国统计年鉴各地区的公路里程与土地面积之比 郭淡泊（2012）；周业安（2012） 中国统计年鉴城市人口占总人口的比重 范红忠（2007）；周业安（2012） 中国统计年鉴公共教育支出占GDP 的比重 郭淡泊（2012） 中国统计年鉴政府科技投入占GDP 的比重魏守华（2010）；郭淡泊（2012）；白俊红（2009）；李习保（2007）；刘和东（2011） 中国统计年鉴大学科研经费中来自企业经费的比重魏守华（2010）；白俊红（2009）；李习保（2007）；刘和东（2011） 中国科技统计年鉴科技人员人均技术市场成交金额 李习保（2007）；岳鹄（2009） 中国科技统计年鉴FDI 占区域固定资产投资的比例 魏守华（2010） 中国统计年鉴贸易专业化指数 李习保（2007） 中国统计年鉴进出口总额占GDP比重 周业安（2012） 中国统计年鉴

六、创新效率影响因素的实证结果

本文在超效率DEA 模型测算得出的创新效率面板数据基础上，基于Furman 的分析框架，第二步采用TOBIT 模型对创新效率影响因素进行实证，结果如表3 所示。TOBIT 模型回归采用EVIEWS7.0 软件。

表3 创新影响因素的实证结果

备注：括号内数字为Z 统计量，***、**、*分别表示1%、5%、10%的显著性水平。

（一）创新基础方面

人均GDP、企业研发经费占比、基础研究支出占比对我国的创新效率有显著的影响，而百万人在校大学生数、应用研究支出占比对我国的创新效率没有显著的影响。具体地看，人均GDP 在1%水平下显著，系数为0.45，表明人均GDP 的提高对创新效率提升有显著的促进作用。基础研究支出占比对创新效率的影响在1%水平下显著，系数为3.8，说明提高基础研究支出占比能显著促进创新效率的提升。企业研发经费占比对创新效率的影响在10%水平下显著，但系数为-0.26，说明来自企业的研发经费比重对创新效率有负面的影响，来自企业的研发经费比例越高，创新效率反而越低。百万人在校大学生数对创新效率影响不显著，系数甚至为负。应用研究支出占比对创新效率的影响不显著，这也与本文选取的创新产出指标是论文、专利有关，也与应用研究在创新链的位置有关。

（二）微观创新环境方面

高新技术产业占比和城市化率对我国的创新技术效率影响显著，公路与土地面积之比对我国的创新技术效率的影响不显著。具体地看，高新技术产业占比在10%水平下显著，系数为0.64，表明高新技术产业占工业总产值的比重越高，创新技术效率也越高。城市化率在1%水平下显著，系数为0.87，表明城市化率越高，创新技术效率也越高，城市化对创新技术效率的提升有显著的促进作用。公路里程与土地面积之比虽不显著，但系数为正，表明公路里程与土地面积之比提高，可能会提升创新技术效率。

（三）产学研联系方面

只有技术市场对我国的创新技术效率影响显著，教育投入占比、科技投入占比、大学科研经费中来自企业的比重对创新技术效率的影响均不显著。具体地看，科技人员技术市场平均交易额在1%水平下显著，系数为0.14，说明科技人员技术市场平均交易额对创新技术效率的提升有显著的促进作用；政府的教育投入、科技投入占比虽不显著，但系数都为正，对创新技术效率提升有促进倾向；大学科研经费来自企业的比重对创新技术效率的影响不仅不显著，而且系数为负，说明在大学与企业的合作中可能存在损失浪费现象，导致创新效率不高。

（四）国际技术溢出方面

FDI、进出口和贸易专业化指数对我国创新技术效率的影响都很显著，均通过了1%水平的检验。具体地看，FDI 系数为0.02，表明外商直接投资在固定资产投资中占比越高，创新技术效率也越高。进出口系数为0.003，说明进出口贸易对创新技术效率的提升有显著的促进作用。贸易专业化指数为-0.004，贸易专业化指数对创新技术效率的提升有抑制作用，由于贸易专业化指数是进口与出口的差额占进出口总和的比重，说明出口越多创新技术效率越低。究其原因，我国出口导向型企业在加入全球价值链（GVC）时，多处于“微笑曲线”的低端，主要以加工、代工、贴牌等形式参与全球化，导致“世界工厂”的地位，出口的产品技术含量低，难以对创新效率提升产生促进作用。

七、研究结论与政策建议

创新效率与创新能力有着根本的区别，一些影响因素能显著提高创新能力，但由于损失浪费、规模不经济等情况的存在，反而对创新效率有抑制作用。这也是我们以往众多学者过多关注创新能力研究所忽视的问题，创新效率提高是创新发展的质量提升，如同GDP 增长的质量问题一样，必须引起我们的高度重视。从研究的结论看，2002 年至今，我国科技创新的效率还不高，只有不足1/3省份处于创新有效状态，而且创新效率值波动幅度较大，没有出现稳定、一致的上升趋势。从影响因素看，基础研究支出占比、城市化、人均GDP、科技人员技术市场平均交易额、FDI 等因素，对创新效率的提高有显著的促进作用；但也存在产学研联系质量不高，大学来自企业的科研经费与创新效率呈不显著的负相关；出口比例越高创新效率越低，说明我国参与全球国际化的质量不高，位于全球价值链的低端环节，处于“被俘获”地位。①刘志彪，张 杰：《全球代工体系下发展中国家俘获型网络的形成、突破与对策—基于 GVC 与 NVC 的比较视角》，《中国工业经济》，2007 年第5 期。

过去那种以低端要素加入全球价值链、基于出口导向的第一波全球化发展的红利已经透支，不可能持续发展下去，中国的全球化战略亟须转型升级。②刘志彪：《基于内需的经济全球化：中国分享第二波全球化红利的战略选择》，《南京大学学报（哲学.人文科学.社会科学版）》，2012 年第2 期。当前，我国确定了扩大内需的发展战略，今后中国参与国际分工与全球化，要在扩大内需条件下实施深度全球化战略，加强区域之间的联系、交流、互动，一定要避免重复、封闭、画地为牢的做法，更加重视加强区域之间的经济联系，培养跨省市的区域创新协作网络， 实现大联合、大协作，以及区域之间的产业梯度转移。