工业企业技术创新效率的时空演变研究——以安徽省16个地级市为例

胡 艳 刘梅林

（安徽大学，安徽 合肥 230601）

一、引言

新时代中国发展进入新阶段，实施创新驱动战略，加快建设创新型国家，是为中国持续发展注入新动力的重要举措。工业是技术创新最重要的产业载体，工业企业的技术革新和改进对所在产业的创新能力起着重要作用，也在一定范围内决定着区域内的技术创新效率[1]。安徽的经济发展主要依赖高投入、高消耗的工业增长，这种发展模式面临环境恶化、产出效率低下的局面，为保持经济的可持续发展，转变传统的工业增长方式，提高工业企业技术创新效率，以创新引领发展变得十分关键。

正确测算工业企业技术创新效率，对于合理利用创新资源，使工业向集约型反向发展，改善其技术创新活动具有重要意义。目前，国内对于工业企业技术创新效率的研究成果比较丰富。高霞使用DEA模型评价了中国37个行业规模以上工业企业的技术创新效率，分析发现24个行业规模以上工业企业技术创新不具有DEA有效[2]。刘金芳等运用DEA-Malmquist指数法剖析了中国内资工业企业的科技创新效率和产品创新效率[3]。晏蒙等基于DEA模型法分析了中国工业科技创新效率，发现东中西部工业创新效率存在地区差异，东部最高，中部次之，西部最低，但差距逐渐缩小[4]。黄奇等首次提出使用共同前沿法测算中国工业企业创新效率，并衡量了创新的技术差距，研究发现三大区域工业企业创新共同技术率存在差距[5]。沈能等基于三阶段DEA模型研究发现，1998年至2007年中国各地区工业企业创新效率呈现下降趋势，其中，东部的上海、广东、海南和西部的青海四个地区处于相对有效的生产前沿面[6]。黄贤凤等以中国八大经济区大中型工业企业的技术创新为研究对象，应用SE-DEA模型分析出八大区域技术创新效率值从高到低依次为南部沿海、东部沿海、北部沿海、西南地区、长江中游地区、东北地区、黄河中游、西北地区[7]。段云龙等研究发现制度结构效率是除了创新投入要素以外影响大中型工业企业创新效率的重要因素[8]。

已有文献主要从行业、地区以及影响因素等方面来研究工业企业技术创新效率，研究方法或偏向于静态分析数据包络法和随机前沿函数法，或偏向于动态分析Malmquist法。本文从静态和动态两个角度，来测算分析安徽省16个地级市的工业企业技术创新效率，并对区域内不同地级市工业企业创新效率之间是否存在相互依赖现象进行了空间相关性检验，以期深入了解安徽省工业企业技术创新效率的地区差异以及地区间技术创新的相关性，为实现安徽各市工业协调发展提供有益的政策借鉴。

二、研究方法与数据说明

（一）研究方法

1.数据包络法

一般来说，对创新效率的测算最常使用参数法和非参数法。参数法是假定具体的生产函数形式来估算出产出效率，以随机前沿函数法（SFA）为代表；非参数法的特点是不假定生产函数的具体形式，以数据包络分析法（DEA）为代表。由于随机前沿函数法的局限性，其只能评价单一产出多投入的效率问题，而在实际经济活动中，产出绝不可能只有一种，因此本文选择非参数DEA模型作为测算高新技术产业创新效率的一种工具。DEA作为一种非参数法，不需要预先假定参数研究方法中函数形式，以及在避免主观因素、简化算法和减少误差等方面有着极大的优越性。

基于规模报酬不变假设前提的CCR模型，其构建如下所示：

模型（1）中，θ 为决策单元的效率值；s+、s-为松弛变量；ε为非阿基米德无穷小量。在模型（1）中，当加入凸性条件（）时，使得CCR模型成为BCC模型，凸性条件使得BCC模型允许规模报酬可变[9]。

2.DEA-Malmquist指数

Caves等学者于1982年首次提出Malmquist指数法，Fare等将其进一步发展，使得该指数在生产效率、技术效率、全要素生产率等领域广泛应用。Malmquist指数是基于DEA模型的非参数法，可以得出全要素生产率分解指数，通过多投入多产出综合分析，测度各个决策单元技术创新效率的动态变化，进而指出其非有效的原因及改进的方向和程度[10]。因此，为进一步分析安徽省16地市的工业企业技术创新效率在2012—2016年动态变化，本文选择借鉴Fare等学者构建的DEA-Malmquist指数法，运用动态面板数据，测度安徽工业企业技术创新效率，并对其进行分解。

在规模不变报酬下，全要素生产率（TFP）是由技术效率变化（EFFCH）和技术进步（TECH）的乘积表示，用（xt,yt）和（xt+1,yt+1）分别表示 t和 t+1 时期投入产出向量，Dt和Dt+1分别代表t和t+1时期投入产出相对效率[11]。如下：

式为：TFP=EFFCH×TECH

当M大于1时，表明全要素生产率从t到t+1期呈增长趋势；当M等于1时，呈停滞态势；当M小于1时，呈下降趋势。

进一步地，技术效率（EFFCH）等于纯技术效率（PECH）与规模效率（SECH）之乘积，因此，全要素生产率又可表示为：

TFP=EFFCH×TECH=SECH×PECH×TECH

3.Moran指数和Moran散点图

工业企业技术创新效率的空间相关性主要表现为地区技术创新行为存在的空间溢出效应，对周围相关地区的创新活动产生了重要影响。同时空间相关性另一个表现为空间异质性，空间异质性则基于空间上的非均质性，从而导致区域技术创新效率存在空间上的差异性[12-13]。空间相关性可以通过Moran指数来计算。

其中wij为空间权重矩阵，n是空间单位数量，xi和xj分别为i地区和j地区的观测值，是变量观测值的均值。全局Moran指数的取值范围是[-1,1]，Moran指数值小于0表示地区技术创新效率存在负相关，大于0表示正相关，等于0表示不相关。

Moran指数揭示出观测值的全局空间相关性，而Moran散点图则描绘出局域空间相关性，从而说明创新活动的高观测值 （或低观测值）的空间聚集[14]。Moran 散点图以（z，Wz）为坐标点（其中 zi=xi－x 为空间滞后因子，W为空间权重矩阵），其中Wz表示对空间单元观测值的空间加权值。

（二）数据说明

使用数据包络法和DEA-Malmquist指数法时，需要投入和产出两类指标来测算创新效率。根据CD生产函数，最基本的要素投入是人力和资本，本文借鉴学者们丰富的研究成果以及考虑数据的可获得性，选取工业企业R&D人员全时当量和工业企业R&D内部经费支出作为技术创新投入指标；对于工业企业的技术创新产出，本文选取专利数申请数来衡量创新活动的科技成果，以新产品销售收入来衡量创新活动的经济产出[15-17]。

本文各数据来源于 《安徽统计年鉴》（2012-2016），经整理合成2012-2016年安徽省16个地级市工业企业的面板数据集。

三、安徽省地级市工业企业技术创新效率分析

（一）静态效率分析

表1 2012—2016年安徽省各地市工业企业技术创新效率

从总体上看，安徽工业企业技术创新效率较高的地区有合肥、芜湖、阜阳、池州等地区；淮北、淮南、马鞍山等地区创新效率处于较低水平。合肥和芜湖创新效率高的原因不同于阜阳和池州地区，合肥作为省会城市，是安徽省经济最发达的地区，工业实力雄厚，创新资源丰富，是国家科技创新型试点城市和中国综合性国家科学中心，其凭借自身强大的经济基础不断增加创新投入，吸引人才、资本、技术等创新资源汇集，因此合肥的技术创新水平、人力资源水平和管理水平最先进，工业创新资源的投入产出配置效率最高；芜湖地理位置优越，依托长江水运，成为安徽省最大的货运、外贸、集装箱中转港，对外开放程度高，创新资源流动性强，再加上自身工业发达吸引了大量的创新要素聚集，因而使得工业企业创新资源的投入产出较高；阜阳和池州创新效率较高可能是由于其处于技术创新的初始投入阶段，产生了经济学中的边际报酬递减现象，因此，即使阜阳和池州地区工业经济欠发达，创新资源缺乏，也可导致相对较高的产出。从全省均值来看，安徽省工业企业技术创新效率呈现略微下降趋势，创新效率值在0.70—0.75之间波动，处于中高水平。

（二）动态效率分析

表2 安徽工业企业技术创新效率各年份Malmquist指数及其分解

由表2可知，安徽全要素生产率变化指数在绝大多数相邻年份间大于1，表明安徽在2012—2016年间，工业企业技术创新能力逐年向好。从全要素生产率的分解指标来看，技术进步指数（techch）在考察期内均大于1，这表明安徽工业企业技术进步明显，综合技术效率在绝大多数年份小于1，这表明安徽工业企业技术创新效率的提高逐步由依赖综合技术效率转移到技术进步上来。

表3 2012-2016年安徽各地市工业企业技术创新效率Malmquist指数及其分解

由表3可知，安徽省三分之二以上地级市的全要素生产率大于1，说明安徽各地级市工业企业技术创新处在不断改善的状态。从分解指标来看，各市技术进步指数值均大于1，这表明安徽工业企业技术创新的向好趋势是源于技术进步稳定增长。从综合技术效率的分解指标来看，规模效率低下且不稳定是降低综合技术效率的主要原因。淮北、阜阳的全要素生产率处于全省领先水平，蚌埠、淮南的全要素生产率处在全省最低位置，这与实际的地市工业发展情况相反，可解释的原因主要是蚌埠和淮南是安徽传统的工业城市，煤炭、机械、化工等传统工业是城市的支柱产业，然而，在近年创新驱动战略实施以来，未重视工业企业向集约方向转型。

（三）安徽工业企业技术创新效率的空间相关性检验

1.安徽工业企业技术创新效率的全局空间相关性检验

从表1、2、3中可以分析出安徽省各市工业企业技术创新效率存在差异和不平衡。本文根据表1测算出的安徽各市工业企业技术创新效率值，使用全局Moran指数检验了2012—2016年各地市工业企业技术创新效率的空间相互依赖性，结果如表4所示。

表4 2012—2016年安徽省工业企业技术创新效率全局莫兰指数及其检验

表4所示的结果显示考察期内仅有2015年的Moran指数通过了5%的显著性检验，其余指数均大于0.1，这表明安徽各地区工业企业技术创新能力水平处于随机状态，并不依赖于临近地区创新生产活动。Moran指数值从正数变为负数，这表明安徽各市工业企业技术创新效率逐渐由空间负相关变为空间正相关。一个地区工业创新活动由于技术溢出效应，以及创新知识与人才的流动，会影响临近地区工业技术创新活动。

2.安徽工业企业技术创新效率的局域空间相关性检验

Moran指可以表示技术创新活动的全局空间自相关性，而用Moran指数散点图则可以反映技术创新活动的局域空间相关特征。图1、图2分别为2012年和2016年安徽省16个地市工业企业技术创新效率的Moran指数散点图，其中的数字1—16分别表示合肥、淮北、亳州、宿州、蚌埠、阜阳、淮南、滁州、六安、马鞍山、芜湖、宣城、铜陵、池州、安庆、黄山。

从图1中可以看出，安徽工业企业技术创新效率存在负向的空间相关性，2012年的技术创新效率散点图中处于第一、二、三、四象限地市分布比较均衡，这说明安徽各市工业企业技术创新效率聚集现象不明显。可以看到处于高—高聚集第一象限的地市仅有阜阳、六安、池州、黄山4个地区，其原因可能是由于工业经济欠发达地区创新投入较小，处于规模报酬递增阶段，因而能保证较高的创新产出能力；蚌埠、马鞍山、宣城处于低—低聚集的第三象限，说明该三市工业企业技术创新效率水平还较低。

图2显示出2016年安徽工业企业技术创新效率存在正向的空间相关性，与2012年相比出现较大变化。2016年安徽工业企业技术创新效率Moran散点图中处于第一象限和第三象限的地市有11个，这说明安徽的区域创新绩效存在高—高聚集、低—低聚集的现象；处于第一象限的有合肥、芜湖、铜陵、池州和黄山，说明该四个市创新投入产出能力较高。

图1 2012年安徽工业企业技术创新效率Moran指数散点图

图2 2016年安徽工业企业技术创新效率Moran指数散点图

四、结论

本文以安徽16个地级市作为研究对象，研究各市工业企业技术创新效率的地区性差异。首先从静态和动态两个角度测算了2012—2016年各市工业企业技术创新效率，然后使用Moran指数检验了区域工业企业创新活动的空间相关性。

研究结论主要有两个方面：（1）从静态来看，安徽省工业企业技术创新效率处于中高水平，但各市工业企业创新活动发展不均衡；从动态来看，安徽工业企业技术创新效率的提高，逐渐从依赖综合技术效率的提高转移到技术进步上来。（2）各市工业企业技术创新效率的Moran指数值计算表明，区域工业技术创新效率由负向空间自相关转变为正向空间自相关，一个地区的技术溢出效应以及知识和人才的共享，影响临近地区的工业技术创新活动；由Moran散点图来看，安徽各市工业企业技术创新效率存在较大的地区差异。从以上结论中可以得到如下启示，政府在制定工业创新发展战略时，必须将各市工业发展水平与工业创新水平联系起来，因地制宜合理制定适合各地的政策，促进各地区工业企业协调发展。