环境约束下省域科技资源配置效率：时空格局、演变机理及影响因素

梁 林，李 青，刘 兵

(1.河北工业大学经济管理学院，天津 300401；2.河北工业大学京津冀发展研究中心，天津 300401)

0 引言

科技资源作为一切创新活动的核心要素资源，是指为了实现科学技术的不断进步而进行的人力、财力、物力、信息等科技要素投入的总和。科技资源投入的数量与质量对于转变中国经济发展方式和提升国家竞争力具有关键作用。因此，学术界围绕如何提升科技资源配置效率开展了大量研究，主要探讨了配置效率的评价方式[1-4]以及影响因素[5-7]，并基于时空分布格局[8-12]等角度探讨了区域科技资源配置的基本规律和运行过程。这些研究在较长时间内，合理解释并指导了中国科技资源以及经济体量的快速增长。但在经济社会保持高速增长的同时，粗放型道路也引发了沙尘暴、雾霾、水体污染等一系列生态环境问题[13]。以牺牲生态环境为代价，片面追求科技资源配置高效率的方式，已经不能适应当代中国的发展。社会主要矛盾的转化要求科技资源配置过程必须考虑生态环境的约束效应，在科技创新驱动发展中贯彻落实协调、绿色、开放、共享等新发展理念。

随着国家和社会逐渐重视生态环境问题，学术界主要从企业层面和区域层面研究绿色创新。企业层面的研究：Ghisetti等采用9项指标测算企业的绿色创新绩效，将其分为 “能源和资源有效型创新”及 “外部性减少型创新”[14]。冯志军和牛彤等运用SBM-DEA方法研究中国工业企业绿色创新效率[15，16]。区域层面的研究：Lanoie等在研究环境政策、环境创新、环境绩效间的关系时，使用环境R&D预算测度环境创新的投入[17]。曹慧等从创新投入、创新产出和绿色发展3个方面构建了区域绿色创新能力评价指标体系，发现省级绿色创新能力分布不均衡，整体水平偏低[18]。付帼研究发现目前绿色创新的空间格局相对稳定，省域间差异及空间集中度都呈现波动性增长的趋势，但是绿色创新在少数省份高度集中的空间格局尚未形成[19]。然而，科技资源作为国家创新活动的核心要素资源，现有绿色创新研究仅将其作为众多创新因素之一，并未在绿色创新体系中对科技资源进行有针对性的研究。因此，部分学者开始关注在环境约束下，将科技资源配置过程中产生的污染环境等非期望因素引入科技资源配置效率评价中，针对绿色科技资源配置问题进行了一些有益探索。范斐等在环境约束下构建考虑非期望产出的SBM模型，并引入空间Durbin模型对科技资源配置效率的空间溢出效应进行研究[13]。张建清等测算了广西14个市的绿色科技资源配置效率，发现桂林市绿色科技资源配置效率呈正向增长趋势[20]。

鉴于此，一方面，现有绿色创新研究中并未真正突出科技资源要素的重要作用。另一方面，目前相关学者更多侧重区域绿色科技资源配置效率的评价和溢出效应等方面的研究，但是鲜有对环境约束下省域科技资源配置效率时空格局、演变机理及非期望产出对其影响的程度进行进一步研究。因此，本文构建了环境约束下省域科技资源配置效率评价指标体系，通过SBM-Undesirable模型对不考虑期望产出及考虑期望产出两种情况下的省域科技资源配置效率进行时空格局分析，并引入探索性空间数据分析方法 (ESDA)的空间自相关对其演变机理进行分析。然后，通过建立Tobit回归模型对省域科技资源配置效率中非期望产出因素的影响程度进行分析。最后，结合省域科技资源配置和生态环境现状，在兼顾环境绿色可持续发展的同时，提出优化省域科技资源配置的对策建议。这有助于在优化配置区域科技资源的同时，兼顾生态环境的可持续发展，逐渐改变科技发展高投入、高污染、低效率的粗放型增长方式，从而推动我国绿色经济社会与绿色创新的协同发展。

1 研究模型与数据来源

1.1 SBM-Undesirable模型

传统的DEA模型已成为评价相对效率多输入和多输出的工具[20]，但该方法模型无法测度分析含有非期望产出的指标。SBM-Undesirable模型是Tone提出基于非径向及非角度的SBM模型基础上发展而来[21]。已有较多学者使用改模型研究含有非期望产出的问题，其优势是可综合测度期望产出和非期望产出指标，并可克服传统DEA模型的偏误问题[20,22]。环境约束下的科技资源配置效率问题既包含了科技资源的期望产出，又包含了对环境带来负面影响的非期望产出。因此，本文将使用SBM-Undesirable模型测度环境约束下中国省域科技资源配置效率。

P={(x,yg,yb)|x≥Xλ,yg≤Ygλ,yb≥Ybλ,λ≥0}

(1)

(2)

(3)

1.2 探索性空间数据分析(ESDA)

ESDA是一系列空间数据分析技术及方法的集合，其优势是使用可视化的方法来描述数据的空间分布规律，从而获得数据的空间结构，揭示空间相互作用的机理，其包括全局空间自相关及局部空间自相关[23，24]。由于各省市科技资源配置呈现差异化特征，为更好地探索科技资源配置效率在时空维度上的演变规律，分析相邻省域的科技资源配置效率呈现的空间集聚特征，从而在兼顾生态环境可持续发展的同时，不断优化省域科技资源配置的问题，本文应用空间计量经济学中的探索性空间数据分析方法 (ESDA)分析环境约束下省域科技资源配置效率的演变机理。

(1)全局空间自相关。全局空间自相关利用单一的指数值来反映该区域的自相关程度，从而分析整体的空间模式。全局空间自相关指数为 Global Moran′sI：

(4)

(2)局部空间自相关。局部空间自相关能够分析某一空间单元和其邻近单元某一属性的相关程度，可采用 LISA来表示。局部空间自相关指数为Local Moran′sIi：

(5)

式中，Ii为局部空间自相关指数，n为空间单元数据数目，yi和yj分别表示空间单元i和j的属性值，Wij是空间权重系数矩阵，表示各空间单元邻近关系。

1.3 Tobit回归模型

Tobit回归模型的优势在于善于处理因变量为截尾或删失等因变量受限的问题，其使用极大似然估计，不但能研究连续型数值变量，也能研究虚拟变量[25]。为了进一步探究工业三废等非期望产出因素对科技资源配置效率影响程度，识别非期望产出中的关键因素，本文以工业废水、工业二氧化硫和工业粉尘的排放量为自变量，以环境约束下省域科技资源配置效率为因变量进行回归分析。鉴于科技资源配置效率都为0～1的数，属于因变量受限的问题，故应用Tobit回归模型。Tobit模型为：

(6)

式中，yit是因变量，表示第i个区第t年的环境约束下科技资源配置效率；xit是自变量，x1t表示工业废水排放量(万吨)、x2t表示工业二氧化硫排放量(吨)、x3t表示工业粉尘排放量(吨)，βT为未知参数[25]。

1.4 指标选取与数据来源

科技资源配置效率的测度包括科技资源投入和产出指标[12]。从系统性角度出发，评价体系应尽可能全面涵盖科技资源配置的基本特性和整体状况，因科技活动具有复杂性，实际研究中只需选取关键要素[7]。本文借鉴相关学者的研究成果，科技资源投入方面包括科技人力资源、科技财力资源、科技物力资源和科技信息资源(见表1)。其中科技人力资源是科技创新的基础资源要素，专业技术人员数 (人)和R&D人员全时当量 (人年)反映了区域科技人才资源的基本状况；科技财力资源代表区域对科技活动的财力支持力度，R&D经费支出 (万元)是衡量科技活动经费的实际使用程度和实际投入力度；科技物力资源为科技人员开展科技活动提供物质基础，由研究与试验发展仪器和设备支出 (万元)来表示；互联网宽带接入端口 (万个)和邮电业务总量 (亿元)可以较好地反映出区域科技信息资源的投入发展程度。在环境约束下，科技资源产出包括期望产出和非期望产出。期望产出方面，国外收录科技论文数 (篇)与国内专利申请受理量 (件)代表科技资源产出的科研成果；在非期望产出方面，环境污染是一个包括众多因素的综合性指标，本研究采用工业三废，即工业废水排放量 (万吨)，工业二氧化硫排放量 (吨)和工业粉尘排放量 (吨)代表科技资源配置过程中的非期望产出[13,20]。

表1 环境约束下省域科技资源配置效率评价指标体系

根据上述指标体系，分别统计全国31个省、市、区 (港澳台除外)2011—2016年科技资源配置效率的相关数据，其中互联网宽带接入端口 (万个)和邮电业务总量 (亿元)来自 《中国统计年鉴》，工业三废排放量来自 《中国环境统计年鉴》，其他均来自 《中国科技统计年鉴》。鉴于科技资源投入和科技资源产出间具有一定时间的滞后性，滞后变量通常选择1～3期较多[26]。针对科技投入和科技资源产出数据，本文将科技资源产出数据滞后期定为1年，即2015年的科技资源产出数据使用的是2016年的相关数据。

2 环境约束下省域科技资源配置效率的时空格局

利用DEA Solver Pro5.0软件分别测算出不考虑非期望产出和考虑非期望产出下，省域科技资源配置效率及排名情况，结果见表2。由表2可知，除了2011年上海，2012年天津、浙江和2014年天津的科技资源配置效率，在不考虑非期望产出时低于考虑非期望产出的效率外，其余各省市的科技资源配置效率，在不考虑非期望产出时均高于考虑非期望产出的效率。两种情况下，2011—2015年北京、江苏、重庆、陕西、甘肃和黑龙江六个省市的科技资源配置效率均保持为1。不考虑非期望产出时，科技资源配置效率平均值的排名高于考虑非期望产出的省市依次是：河北、海南、安徽、广西、四川、西藏、新疆和辽宁，这些省市的环境因素对其科技资源配置效率的提升具有不同程度的制约作用，需将科技创新与绿色发展紧密结合起来，不断压缩经济发展的环境成本，促进经济环境的协调可持续发展。不考虑非期望产出时，科技资源配置效率平均值的排名低于考虑非期望产出的省市依次是：天津、上海、福建、山东、广东、山西、河南、湖北、内蒙古、贵州和宁夏，很明显这些省市的环境因素对科技资源配置效率存在不同程度的正向作用。

(1)2011—2015年科技资源配置效率呈现中间波动、总体上升的发展态势，并且两种情况下的变动趋势较为同步。由图1可知，在不考虑非期望产出时，2011—2015年的科技资源配置效率一直高于考虑期望产出时的效率，同时，各年的差距依次是0.173、0.140、0.158、0.152、0.156，说明两种情况下2011—2015年的科技资源配置效率的差距整体呈现缩小的趋势。同时，不考虑非期望产出时，2012年的科技资源配置效率有较小幅度的上升，2013年下降了0.043，2014年和2015年则呈现明显的上升态势，虽然2011—2015年科技资源配置效率出现较为明显的波动，但是总体提高了0.038。考虑期望产出时，2012年的科技资源配置效率有较大幅度的上升，2013年则出现0.06较大幅度的下降，2014年和2015年则呈现明显的上升态势，虽然2011—2015年科技资源配置效率出现较为明显的波动，但是总体提高了0.055。因此，虽然两种情况下科技资源配置效率的变动幅度存在差异，但是变动趋势较为同步。

(2)环境因素对四大地区科技资源配置效率的制约作用从大到小依次为东北、中部、西部和东部地区。由表2可知，在不考虑非期望产出的情况下，东部、中部、西部和东北地区的科技资源配置效率一直高于考虑期望产出时的效率，并且降低幅度分别是0.141、0.272、0.157和0.399，其中东部地区科技资源配置效率下降幅度最小，东北地区的下降幅度最大，说明环境因素对东部地区的科技资源配置效率的制约作用小于东北地区，东北地区在提高科技资源配置效率的同时，需要更加兼顾环境保护。同时，两种情况下四大地区的科技资源配置效率排名也出现较为显著的变化：在不考虑非期望产出的情况下，排名分别为东北地区>东部地区>中部地区>西部地区(和已有文献结论基本一致)；考虑非期望产出的情况下，排名分别为东部地区>东北地区>西部地区>中部地区，说明环境因素对东部地区和西部地区的影响程度小于东北地区和中部地区。

东北地区虽然在科技资源投入相对全国其他地区较低，但在国外收录科技论文数、国内专利申请受理量等科技资源知识产出和技术市场成交额的科技资源经济产出方面相对较高， “较低投入，较高产出”的模式；东部地区的科技资源配置效率整体水平一直保持较高水平，经济科技发达地区，地理位置优越，科技资源丰富、相关政策明显优于其他地区；中部地区长期以来一直存在国家发展边缘化、政府角色错位化和政经制度变迁滞后化的不利因素，特别是科技资源投入水平处于全国的劣势地位，加之科技资源转化能力较弱，导致中部地区的科技资源配置效率不高；西部地区因为历史和地理等众多因素，科技资源配置的起点较低，发展速度较慢。

(3)在不考虑非期望产出时，科技资源配置效率平均值的整体阶段水平显著高于考虑非期望产出，且效率阶段的差异化较为显著。为了更加直观地分析在不考虑非期望产出以及考虑非期望产出两种情况下，2011—2015年全国的科技资源配置效率平均值分布和变化情况，通过使用ArcGIS10.2软件定量符号化中的分级色彩方法，根据表2对测算的2011—2015年全国的科技资源配置

效率平均值进行六阶段分类，科技资源配置效率(用E表示)分为六个阶段：初级阶段(0

在不考虑非期望产出情况下，除初级阶段外，科技资源配置效率平均值在较低级阶段、低级阶段、中级阶段、较高级阶段和高级阶段都有分布。在考虑非期望产出情况下，科技资源配置效率平均值在初级阶段、较低级阶段、低级阶段、中级阶段、较高级阶段和高级阶段均有分布。但是在不考虑非期望产出情况下，科技资源配置效率平均值的整体阶段水平显著高于考虑非期望产出，说明环境因素显著制约了科技资源配置效率的提高。进一步分析可以发现，两种情况下中国科技资源配置效率呈现较为一致的地理空间特征：①科技资源配置效率阶段相对较高的四处地域主要为北京、天津组成的地域；江苏、上海、浙江组成的地域；辽宁、吉林、黑龙江组成的地域和湖北、湖南、陕西、重庆、贵州、四川和甘肃组成的地域。②科技资源配置效率阶段的地区差异化较为显著，例如内蒙古、宁夏、青海和西藏四省一直处于科技资源配置效率阶段最低的水平，成为科技资源配置效率的低洼省份；同时，北京、江苏、甘肃、陕西和黑龙江等科技资源配置效率处于最高阶段显著高于其紧邻省市的阶段。

3 环境约束下省域科技资源配置效率的演变机理

为了深入分析环境约束下科技资源配置效率整体的演变机理，本文使用GeoDa软件计算了2011—2015年环境约束下科技资源配置效率的全局自相关系数Moran′sI指数(见表3)和2011年、2015年环境约束下科技资源配置效率局部自相关的Moran散点图(见图2)、分布图(见图3)和显著性图(见图4)。全局Moran′sI指数反映了环境约束下科技资源配置效率空间整体上的集聚或分散程度，但在一定程度上掩盖了局部的空间差异性，因此利用局部空间自相关进一步揭示各省市环境约束下科技资源配置效率的局部空间差异。

表3 2011—2015年环境约束下科技资源配置效率的全局自相关系数Moran′s I指数

3.1 相邻省域的科技资源配置效率呈现正向空间自相关的集聚特征且呈现增强的态势

根据全局空间自相关指数测算，结果显示除了2014年外，其他年份均未通过Z值检验(P≤0.05)。五年的全局自相关系数Moran′sI指数均为正值，表明环境约束下相邻省市的科技资源配置效率，在空间分布上呈现正向空间自相关的集聚特征，即科技资源配置效率较高的省域邻近，科技资源配置效率较低的省域也互相邻近，也就是相邻省域较多地表现为高-高和低-低的空间聚集特征。同时Moran′sI的值随着时间的推移呈现出上升的趋势，从2011年的0.117上升到2015年的0.154，表明环境约束下相邻省市的科技资源配置效率空间分布的集聚特征呈现增强的态势；但是2014的全局自相关系数Moran′sI指数最高，为0.171，说明空间自相关的集聚特征并不是很强。

3.2 相邻省域的科技资源配置效率呈现相似的空间集聚特征但变化趋势不显著

根据局部空间自相关指数测算结果，现将环境约束下省域科技资源配置效率划分定义为扩散效应区、过渡区、低速增长区和极化效应区[27]。四类区域的空间自相关要素见表4，并选择对2011年和2015年四类区域的具体情况进一步分析。

图2 2011年和2015年环境约束下科技资源配置效率Moran散点图

图3 2011年环境约束下科技资源配置效率集聚分布和显著性

图4 2015年环境约束下科技资源配置效率集聚分布和显著性

(1)扩散效应区。由图2可知，2011年位于该区的省域分别是北京、天津、江苏、四川、重庆、湖南、陕西、黑龙江、辽宁九个省市，到了2015年贵州进入该区，但是湖南和辽宁退出该区。这些省市的科技资源配置效率处于较高水平，同时对工业废水排放量、工业二氧化硫排放量、工业烟 (粉)尘排放量等污染物即工业三废的排放进行了有效控制，从而使得自身在环境约束下的科技资源配置效率较高。其中，北京、天津、江苏三省市作为经济科技发达地区，地理位置优越，科技资源丰富、相关政策明显优于其他地区，科技资源投入和产出均很高；重庆、贵州两省市不断加大科技资源投入力度，优化资源配置，有效提高了科技资源配置效率。同时，这些省市和周边省市不断加强资源要素流动、技术扩散和技术溢出，从而促进周边省市的产业技术进步和产业结构的优化，带动了周边省市的科技资源配置效率的提升。

(2)过渡区。由图2可知，2011年位于该区的省域分别是河北、山西、河南、广东、江西、福建、新疆七个省份，到了2015年湖南和辽宁进入该区。这些省在环境约束下的科技资源配置效率偏低，并且显著低于周边省市的配置效率。山西、江西、新疆三省的科技资源投入较少，转化率较低，使得资源配置效率偏低，新疆表现得尤为明显；其他各省的科技资源投入一直保持较高水平，但是科技转化能力很低，特别是河北、山西和河南三省的工业三废的排放量一直处于全国的前几名，进一步拉低了其环境约束下的科技资源配置效率，和周边科技资源配置效率较高的省市形成了鲜明的对比。

(3)低速增长区。由图2可知，2011年位于该区的省域分别是海南、山东、安徽、贵州、内蒙古、宁夏、云南、广西、青海、西藏十个省份，到了2015年贵州退出该区。这些省在环境约束下的科技资源配置效率偏低，并且显著低于周边省市的配置效率。这些省在环境约束下的科技资源配置效率偏低，并且周边省市的配置效率也较低，是中国环境约束下的科技资源配置低效率的集聚地区。山东和安徽两省的科技资源投入一直保持较高水平，但是科技资源产出水平则一直较低，特别是山东为有效控制工业三废的排放量，一直居高不下，严重拉低了其环境约束下的科技资源配置效率。其余省份的科技资源配置效率投入和产出均需大幅度提升，并需加强与配置效率较高省市的科技合作、资源要素的流动，带动自身配置效率的提升。

(4)极化效应区。由图2可知，2011年和2015年位于该区的省域分别是上海、浙江、湖北、甘肃、吉林五个省市。这些省市在环境约束下的科技资源配置效率较高，并且显著高于周边省市的配置效率，表现出极化的地域差异。同时，两年该区的省市相同，说明这些省市和其周边省市的配置效率变动不大。这些省市应该加大与周边配置低效率省市的资源要素流动、技术转移，利用自身优势，发挥协同带动作用，不断提升区域整体环境约束下的科技资源配置效率。

由图3和图4可知，2011年甘肃和新疆两省通过了显著性检验，甘肃表现为高-低，即属于极化效应区；新疆表现为低-高，即属于过渡区，但是到2015年局部空间相关性不再显著。2015年山西、甘肃和青海三省通过了显著性检验，山西表现为低-高，即属于过渡区；甘肃表现为高-低，即属于极化效应区；青海表现为低-低，即属于低速增长区。

4 非期望产出因素对科技资源配置效率的影响

为了进一步分析工业三废，即工业废水排放量(万吨)，工业二氧化硫排放量(吨)，工业粉尘排放量(吨)为代表的科技资源配置过程中非期望产出因素对科技资源配置效率影响程度，根据上文计算出的环境约束下科技资源配置效率以及统计的影响因素指标值，运用STATA软件对影响因素进行Tobit回归分析。为了避免数据量纲不同对参数估计造成影响以及为能直接从回归系数绝对值判断影响作用的大小，对变量进行标准化变换。回归分析结果如表5所示。

表5 Tobit 回归分析结果

根据表5回归结果可知：非期望产出因素中工业废水排放量，工业二氧化硫排放量，工业粉尘排放量均通过5%的显著检验，说明工业三废对环境约束下中国科技资源配置效率存在显著影响。其中，工业废水排放量，工业二氧化硫排放量为0，说明它们和环境约束下中国科技资源配置效率的显著性很高。工业三废的系数绝对值大小依次是：工业二氧化硫排放量>工业废水排放量>工业粉尘排放量，说明非期望产出因素中工业二氧化硫排放量对环境约束下中国科技资源配置效率影响程度最大，工业废水排放量次之，工业粉尘排放量影响程度最小。

5 结论与建议

(1)从省域科技资源配置的整体角度可以发现，非期望产出显著降低了中国整体的科技资源配置效率，环境因素对四大地区的制约作用从大到小依次为东北、中部、西部和东部地区。建议一方面应积极落实 《中华人民共和国环境保护法》 《 “十三五”生态环境保护规划》等法律法规，坚持走经济发展与环境改善双赢之路；另一方面，因地制宜地制定东部、中部、西部和东北地区的发展政策，东部应加强地区内部协同优化作用，和对其他地区的溢出效应，带动全国整体水平；中部和西部面临应兼顾环境生态保护与科技资源发展，走出双重困境；东北则应重视环境保护，逐渐减少科技发展对生态环境带来的负面影响。

(2)从省域科技资源配置效率阶段可以发现，在不考虑非期望产出时，科技资源配置效率平均值的整体阶段水平显著高于考虑非期望产出，且效率阶段的差异化较为显著。建议一方面必须加大环境治理力度，着力解决突出环境问题；另一方面，应着力创建促进优势互补的科技资源配置平台，逐渐推动科技资源配置效率处于初级阶段、较低级阶段省市向更高阶段发展，不断加强处于高阶段省市的协同带动作用，有效弱化科技资源配置效率的地区差异化，特别是带动科技资源配置效率的低洼省份，如内蒙古、宁夏、青海和西藏四省，从提高环境治理效率和科技资源配置效率两方面提高环境约束下科技资源配置效率阶段水平。

(3)从环境约束下科技资源配置效率的演变机理可以发现，环境约束下相邻省域的科技资源配置效率呈现正向空间自相关的集聚特征，且呈现增强的态势，但空间自相关的集聚特征并不是很强，属于扩散效应区、过渡区、低速增长区、极化效应区的省市变化不大。建议一方面在着力加强环境约束下相邻省市的科技资源配置效率空间分布的集聚效应的同时，不断加强处于扩散效应区省市的科技资源配置的协同效应和处于极化效应区省市的科技资源溢出效应。另一方面，提高处于过渡区和低速增长区省市的环境治理效率与科技资源配置效率，兼顾生态环境的可持续发展和科技创新的优化配置。

(4)从非期望产出因素对科技资源配置效率影响程度角度可以发现，非期望产出因素中工业三废对环境约束下省域科技资源配置效率存在显著影响，工业二氧化硫排放量对其影响程度最大，工业废水排放量次之，工业粉尘排放量影响程度最小。建议一方面应积极落实 《中华人民共和国大气污染防治法》，重视大气污染防治，保护和改善生活环境和生态环境，保障公众健康，促进经济社会可持续发展。另一方面，坚持执法检查必须严格、监督必须有力度的原则，避免出现检查、监督中 “粗、宽、松、软”的问题。根据防治的重点区域、重点领域，深入检查相关法律制度实施情况，推动加强源头防治、联防联控、全民共治，推动经济社会与生态环境的可持续发展。