中国区域创新效率时空演变及其影响因素研究

赵凯旭,杨永春,李恩龙,刘科伟,张帅兵

(1.西北大学 城市与环境学院, 陕西 西安 710127;2.兰州大学 资源与环境学院,甘肃 兰州 730000;3.兰州大学 西部环境教育部重点实验室,甘肃 兰州 730000)

21世纪知识经济时代背景下,创新逐步成为经济增长的核心推动力之一,并成为一个城市、区域,乃至一个国家竞争力的重要体现。2000—2015年,我国研究与试验发展(R&D)内部经费增长了15.8倍,3种专利申请数和三大检索工具收录的科技论文数分别增长了20.4倍和12.1倍[注]数据来源,《中国科技统计年鉴》。,快速增长的创新投入和产出受到越来越多的关注。而相比投入和产出,创新效率更能体现创新资源的有效配置、合理利用以及管理水平,对其研究更具有现实意义。

创新效率的研究历来为学界所关注,地理学者的研究出现于2010年前后,成果逐年增多。国外的研究类型相对丰富,涉及了区域创新效率的测度[1]、空间特征[2]、影响因素[3],以及行业专业化如何影响创新效率[4],还探讨了合作研发是否会刺激区域创新效率提高[5]。相比之下,国内的研究类型比较单调,主要从全国[6-8]、经济区[9-11]、大都市区[12]、省级[13]层面研究科技资源配置效率、工业企业创新效率和R&D资源投入产出效率的空间特征,还研究了科技创新发展格局与类型划分[14]以及高校科研成果转化效率[15],效率测度方法主要采用数据包络分析模型(DEA),少量研究还应用了随机前沿模型(SFA)[16]。就全国层面而言,范裴等的研究认为大部分城市科技资源配置效率水平较低,且逐年降低,东中西部的差距在拉大,在空间上呈现自相关[6]。杜志威等的研究同样认为大部分城市工业创新效率“东强西弱,阶梯递减”,全国尺度下与人口密度分布基本一致,区域尺度下则表现“核心-边缘”结构,还提出提升人力资本要素和优化投入规模是提高城市工业创新效率的关键[7]。桂黄宝的研究则认为高技术产业创新效率整体呈上升趋势,但技术效率和规模效率出现倒退,同时还表明企业规模、劳动力和对外开放水平具有显著的正向影响,资本投入具有不显著的负向影响,工业化进程、政府支持程度及当地科技水平无显著影响[8]。

已有研究表明,我国各区域存在着固有的创新投入和产出差异,表现“东强西弱”、空间集聚特征[14,17],而这样的特征在区域创新效率上是否存在有待进一步研究。同时,创新活动有着较强的路径依赖性,创新较强的区域将步入良性循环,较弱的区域则可能陷入困境难以自拔[18],将创新效率置于较长时间尺度下研究更易于揭示其规律。前述研究已取得较大进展,但仍有以下不足:① 对区域创新效率的时间变化研究较多,对空间分布及演变研究较少。部分地级以上城市的研究表明,创新效率表现空间自相关[6],但未能反映省域的空间特征。② 对区域创新效率影响因素的研究多基于空间同质性假设,未考虑其空间异质性。鉴于此,本文通过SUPER-SBM模型和ESDA等方法研究2000—2015年省域尺度下我国区域创新效率的时空变化,使用GWR模型分析其影响因素的异质性特征,以期为我国区域创新差异化发展提供指导。

1 研究方法、变量选择与数据获取

1.1 研究方法

1.1.1 SUPER-SBM效率评价模型 数据包络分析(data envelopment analysis, DEA)是衡量决策单元(DMU)投入产出效率的一种线性规划模型, 可以较好地计算具有多投入、 多产出的DMU效率值。 DEA最早的数学模型为BCC和CCR模型, 但它们是基于径向和角度而提出, 未考虑投入松弛和产出松弛, 可能导致DMU效率值被高估, K. Tone[19]则于2001年提出考虑了松弛的非径向非角度SBM(Slcks-based Measure)模型。 此外, 经典的DEA模型取值范围为[0, 1], 难以针对多个有效DMU(效率值为1)进行排序, 针对该问题, Anderson和Petersen[20]于1993提出了SUPER-DEA模型, K. Tone[21]则于2002年提出了相应的SUPER-SBM模型。值得注意的,SUPER-SBM模型只计算有效DMU的效率,非有效DMU仍采用标准SBM模型计算,其思路是计算DMU效率时,逐步将有效DMUt排除在DMU集合之外,其数学模型解释如下:

假设有n个决策单元,标记为DMUk(k=1,2,…，n),j表示剔除有效DMUt之后参与评价的DMU,标记为DMUj(j=1,2,…,s,j≠k),其可能的生产性集合为

(1)

基于VRS(可变规模报酬)的数学表达式为

(2)

目前,已有研究将SUPER-SBM模型应用于区域创新效率的研究[22],本文亦利用该模型计算我国区域创新效率。

1.1.2 变异系数和空间基尼系数

1)变异系数

变异系数,是序列数据标准差和平均数之比,可以反映观测数据的相对离散程度[17],本文用于衡量区域创新效率整体的分异程度。公式如下:

(3)

2)空间基尼系数

空间基尼系数,用于衡量空间中产业集聚程度[23],由Krugman于1991年提出,本文用于衡量区域创新效率整体的集聚程度。公式如下:

(4)

1.1.3 探索性空间数据分析 探索性空间数据分析(exploratory spatial data analysis,ESDA),是研究空间数据分布特征的常用方法,它基于空间权重矩阵确定区域邻接关系,通过空间数据的分布特征以反映地理现象的空间依赖性或异质性[24]。本文应用ESDA的Moran′s I和LISA集聚地图研究区域创新效率整体空间集聚和局部空间集聚。

1)全局空间自相关系数Moran′s I

全局Moran′s I可以反映区域创新效率整体的空间关联或空间差异,公式如下:

(5)

2)局部空间自相关系数Local Moran′s I

Local Moran′s I可以反映区域创新效率局部的空间集聚(同类集聚或异类集聚),LISA集聚地图是Local Moran′s I的可视化表达,能清晰表达创新效率的局部集聚特征。Local Moran′s I计算公式如下:

(6)

式中,Ii指Local Moran′s I,其余变量含义同式(5)。Local Moran′s I取值[-1,1],正值表示该区域周围表现高高或低低集聚,负值表示该区域周围表现高低或低高集聚。在LISA集聚地图中,集聚特征须经过显著性检验(一般是10%)才会显示。

1.1.4 地理加权回归模型 已有文献证实,创新活动具有典型的空间自相关性[6],故本文引入地理加权回归模型(GWR)分析创新效率影响因素,公式如下:

(7)

式中，(ui,vi)是第i个地区的空间坐标,ai(ui,vi)是常数项,bj(ui,vi)是第i个地区第j个解释变量xij的可变参数,ci是第i个地区的的随机误差项,式中i=1,2,3,…,n。上式中可变参数bj(ui,vi)的估算可通过加权最小二乘法完成。

1.2 变量选择

SUPER-SBM模型是基于投入/产出变量对DMU的生产效率进行评价,变量选取不宜过多,投入和产出变量之和≤1/2DMU才能使评价结果具有较好的区分度[25]。创新投入方面,多以R&D从业人员、R&D人员或R&D人员全时当量表征人力投入,R&D经费内部支出表征创新资本投入[9,14],部分研究还补充了新产品研发经费[9]、R&D活动企业数目[7]。创新产出方面,大多数研究者认同创新过程可以分解为技术研发和成果转化两阶段,对应着科技产出和经济产出[9,14,22],前者表征变量包括国外主要检索工具收录的科技论文数[14]、专利申请数[14]或授权数[9],后者则包括新产品产值[14]、新产品销售收入[14]和技术市场成交合同金额[12]。前述变量中,R&D人员或R&D人员全时当量未反映非R&D人员的投入情况,故本文选取R&D从业人员表征人力投入。此外,部分研究同时选取R&D经费内部支出和新产品研发经费作为投入变量[9],但R&D经费内部支出中很大一部分是用于生产新产品、新材料和新装置,二者同时作为投入变量存在重复投入。同样的问题还出现在新产品产值和高技术产业新产品产值这一对变量[13]选择中。

故,本文选取R&D从业人员、R&D经费内部支出、工业企业技术获取和改造经费支出作为创新投入的表征变量,选取国内3种专利申请数、国外主要检索工具收录的科技论文数作为创新科技产出的表征变量,选取新产品销售收入、技术市场成交合同金额作为创新经济产出的表征变量(表1)。将科技产出变量和经济产出变量作为共同产出变量,与投入变量放入同一个决策单元计算。

表1 区域创新效率投入产出变量Tab.1 Input and output variables of regional innovation efficiency

1.3 数据获取与处理

本文选取中国大陆3个省(自治区、直辖市)为研究区域,时间跨度为1998—2015年,相关数据来源于《中国科技统计年鉴》、《中国统计年鉴》。西藏自治区数据缺失严重,将其剔除。

基于研究需要,对数据做以下处理:① 滞后期设定。目前对滞后期选择未形成统一意见,且不同创新活动的滞后期差异较大[26]。已有研究多选取2a滞后期[7,12],为便于与已有研究结论的比对分析,本文亦选取2a滞后期,即1998—2013年的投入对应2000—2015年的产出。② 投入产出价格调整。技术市场成交合同金额、技术获取和改造经费支出通过GDP价格指数平减,R&D经费内部支出和新产品销售收入分别通过构造的R&D价格指数和工业生产者出厂价格指数平减,R&D价格指数的构造参考朱平芳[27]的研究。所有价格统一调整至2000年不变价。③ R&D资本存量计算。采用永续存盘法[28]对历年的R&D经费内部支出重新核算。

2 区域创新效率的时空演变特征

2.1 区域创新效率的时空分异特征

通过MaxDEA Ultra7.9软件计算了2000—2015年我国区域创新效率,并结合变异系数、基尼系数、自然断点法反映其时空分异特征。

2.1.1 时间变化特征 由图1可知,2000—2015年,全国平均创新效率均小于1,处于较低水平,其变化曲线逐渐上升,效率值由2000年的0.62上升至2015年的0.71,年均增长率为1%。研究期内,东部[注]按通常的划分方法,东部包括北京、天津、河北、辽宁、上海、江苏、浙江、福建、山东、广东、海南,中部包括山西、吉林、黑龙江、安徽、江西、河南、湖北、湖南,西部包括内蒙古、广西、四川、重庆、贵州、云南、陕西、甘肃、青海、宁夏、新疆、西藏。创新效率处于较高水平,且缓慢上升,年均效率值为1.02,年均增长率为1.1%。中、西部创新效率处于较低水平,年均效率值分别为0.55，0.32,但增长趋势明显,中部由2000年的0.55增长至2015年的0.68,年均增长率为4.1%,西部由2000年的0.32增长至2015年的0.39,年均增长率为3.8%。

东部创新效率自2000以来表现出波动式上升,2008年全球金融危机爆发后创新效率降低,直到2010年又开始上升。2012年随着宏观经济增速放缓,东部创新效率增速亦开始放缓,2014年表现出下降,2015年又很快恢复。中部创新效率波动较大,2003年出现了最低值0.36,随后急剧上升。2008年后创新效率降低,但与东部不同,直到2013年才开始上升,且增幅较大。西部创新效率增长特征单一,观察期开始的三个年份表现下降,随后逐年稳步上升,2008年则直接跃升了30.4%。

图1 2000—2015年区域创新效率变化趋势图Fig.1 Regional innovation efficiency trend chart in 2000—2015

上述变化可以反映:① 东部作为我国改革开放和经济发展的先行区域,其创新效率易受宏观经济环境的影响,2008年金融危机诱发外资撤离,东部创新技术、资金和人才流失严重,创新效率迅速下降。2012年宏观经济增速放缓,东部的诸多中小企业受影响严重,导致创新效率下降。② 梯度转移理论认为,高梯度地区对中、低梯度地区客观存在着产业转移和创新技术扩散,中部由于较好的发展基础和邻近东部的优势[29],创新技术会优先扩散向该区域,因此,中部从2003年开始创新效率增长明显。2008年金融危机之后,中部受波及更为严重,体现了其对东部的创新路径依赖。③ 西部作为低梯度地区,受东、中部有限的创新技术扩散,故表现缓慢增长。2008年,西部表现出创新效率大幅度跃升,说明西部仍具有较大的创新效率增长潜力。

2.1.2 空间分异特征 图2反映了区域创新效率的变异系数、空间基尼系数变化曲线。可知,在观察期内,二者皆处于不断下降的态势,分别由2000年的0.76，0.1下降至2015年的0.69，0.9,说明我国区域之间的创新效率差异越来越小,分化程度有所减弱。

变异系数和空间基尼系数仅能反映创新效率整体的空间分异,有必要对其空间分布及变化做进一步分析。通过Arcgis10.2的自然断点分类法将各省创新效率划分为高效率、较高效率、较低效率、低效率4个等级,并绘制2000，2005，2010和2015年的创新效率空间分布地图(图3),分析其变化特征。

2000年,我国创新高效率区域有北京、广东和海南3省市,较高效率区域有黑龙江、甘肃、重庆、天津、安徽、上海、浙江、福建8省市。2005年,高效率区域增加了浙江,共4省市,较高效率区域减少至黑龙江、天津、山东、上海、湖北、重庆、福建7省市。2010年,高效率区域减少了广东,剩下北京、浙江和海南3省市,较高效率区域则扩大至江苏、广东、广西、湖南,共包括11省市。2015年,高效率区域又减少了浙江,仅剩北京和海南2省市,较高效率区域则进一步扩大至吉林和浙江,共包括13省市。

图2 2000—2015年变异系数和空间基尼系数变化趋势图Fig.2 CV and Gini coefficients trend chart in 2000—2015

图3 2000—2015年区域创新效率空间分布地图Fig.3 Regional innovation efficiency spatial distribution maps in 2000—2015

总结可知,2000—2015年,我国创新高效率、较高效率区域主要集中在东部和中部。高效率区域数量先增后减,较高效率区域数量除2005年有所减少外,2010、2015年都明显增加,这说明我国区域间创新效率差异减小,主要是较高效率区域贡献较大。

少量研究已表明,区域科技创新效率与经济发展具有空间耦合特征[14],本文亦尝试对此做初步探讨。通过各省区人均GDP(以2000年为基准价进行平减)表征区域经济发展,建立人均GDP与创新效率的散点图,以反映二者的关系(图4)。结果表明,我国区域创新效率与经济发展具有正向线性关系,但回归结果的拟合优度较低,4个年份的R2皆处于0.24～0.35之间。这一定程度上可以说明,创新效率与经济发展之间的关系并非简单的线性相关。创新效率较高的区域往往可以由较少的投入创造较多的产出,但创新高产出未必一定带来经济的高速发展,因为创新成果转化至商业应用乃至产生经济效益,中间仍隔着多个阶段,任一阶段出现问题都会阻碍创新成果的转化。但关于二者更深层的作用机理,本文篇幅所限,不再探讨。

图4 2000—2015年区域创新效率与经济发展关系图Fig.4 Scatter plots of Innovation Efficiency and economic development in 2000—2015

2.2 探索性空间数据分析

上述分析表明我国区域创新效率表现出空间集聚,故通过ESDA研究其空间自相关特征,计算过程由GeoDa1.12软件完成。

2.2.1 全局空间自相关分析 图5为2000—2015年我国区域创新效率的全局Moran′s I及其变化,图中Moran′s I全部通过了5%显著性检验。2000—2015年,我国区域创新效率全局Moran′s I一直处于0.25～0.43之间,呈波动递减趋势,即区域创新效率表现出显著的空间正相关,高效率或低效率区域在空间上呈现集聚,但这种集聚特征在逐步弱化。

2.2.2 局部空间自相关分析 分别制作2000，2005，2010和2015年的LISA集聚地图(图6),其中HH，HL，LL，LH分别代表了高高、高低、低低、低高集聚,图6所示空间集聚特征都通过了10%的显著性检验。

图5 2000—2015年区域创新效率Moran′s I变化趋势图Fig.5 Regional innovation efficiency Moran′s I trend chart in 2000—2015

2000年,东部的海南表现创新效率高高集聚,江苏表现低高集聚。中部的山西表现低低集聚,江西表现低高集聚。西部的甘肃、重庆表现高低集聚,云南表现低低集聚。2005年,东部的海南、福建表现高高集聚,江苏仍表现低高集聚。中部变化不大。西部则变化较大,内蒙古、新疆、青海、甘肃、宁夏、陕西、四川、云南8省市表现低低集聚。2010年,东部的广东、上海表现高高集聚,辽宁表现低低集聚。中部变化不大。西部的低低集聚则减少了云南。2015年,东部的海南、广东表现高高集聚,中部有所变化,山西、河南表现低低集聚,江西依旧表现低高集聚。西部则变化不大。

总结可知,2000—2015年,我国区域创新效率局部空间自相关特征自2005年后变化较小,高高集聚主要在东部,低低集聚主要在西部,中部介于二者之间表现不显著。空间外部性理论认为,某个区域经济发展不光受自身发展及投入的影响,还受到周边其他区域的影响,同时它也影响着周边其他区域[30]。广大的西部地区创新效率一直处于较低水平,彼此发生着负向空间外溢,故主要表现显著的低低集聚,该特征还一度影响了与其相邻的部分中、东部省份。反观东部,整体创新效率较高,虽然高高集聚的省份多次变化,但仍以东部为主。由此说明,省域尺度上,创新效率同样存在着很强的空间溢出效应,这对范裴等[6]的研究做了很好的补充。

图6 2000—2015年区域创新效率LISA集聚地图Fig.6 Regional innovation efficiency LISA cluster maps in 2000—2015

3 区域创新效率的影响因素分析

3.1 变量选取与模型构建

《国家创新系统》报告指出,国家或区域创新系统的主体包括企业、高校、科研机构、政府和中介部门。官建成等认为,企业和科研机构是我国区域创新的主体[31],同时,外部环境也极大地影响着创新活动[32]。因此,本文从企业自身发展,科研机构投入和创新外部环境三方面构建影响因素变量体系:① 企业自身发展,包括国外技术引进(x1)、企业研发活动(x2)和企业规模(x3)；② 科研机构投入,包括研发人员投入(x4)和研发资金投入(x5);③ 创新外部环境包含诸多因素,本文选取与创新活动关联度较高的创新集群环境(x6)、政府支持(x7)和技术市场发展(x8)三个变量。各变量表征指标如表2所示。以区域创新效率为被解释变量(yi),上述影响因素为解释变量,代入公式(7)构建模型,空间权函数选择Fixed-Gaussian权函数,宽带检验选择AICc准则。计算过程由Arcgis10.2的地理加权回归模块完成。

表2 影响因素变量及其表征指标Tab.2 Influencing variables and their characterization indexes

3.2 结果分析

为避免数据波动造成的误差,将2000—2015年区域创新效率的面板数据取平均值,全部数据做无量纲化处理。计算过程中,研发人员投入和研发资金投入两个变量存在严重的共线性,将其剔除后得到最终结果。结果中,GWR模型的R2和AdjustedR2分别为0.72，0.64,AICc为185.39,OLS模型对应值分别为0.69，0.62和185.56。可见,GWR模型的拟合结果优于OLS模型,可解释模型中64%的区域创新效率影响因素。图7展示了GWR模型计算结果的变系数,正值表示该因素对创新效率有正向影响,负值有负向影响。

1)国外技术引进(图7a)。国外技术引进对本土创新能力存在互补效应和替代效应,且存在一定门槛效应,而技术吸收能力则是其重要影响因素[33]。本文中,国外技术引进促进区域创新效率作用明显,且由南到北影响作用逐次递减。可能的原因是,以广东、海南为代表的南方地区较早实施对外开放,有着更丰富的国外技术学习经验,能更好地将其转化为自身创新能力,同时彼此间正向的知识溢出有效促进了区域整体创新效率。而以京津冀、东北三省为代表的北方地区由于学习经验不足、体制机制阻碍、“大企业病”等原因而影响了对国外技术的消化吸收。

2)企业研发活动(图7b)。企业研发活动对创新效率影响表现显著的空间差异,除东北三省、江苏、浙江、福建、上海、广东、安徽、江西表现正向影响外,其余区域皆表现负向影响,且由东到西,负向影响逐次增强。反映了,我国大部分区域企业研发活动未有效促进创新效率提升,企业自主创新实力较弱。

3)企业规模(图7c)。学界关于企业规模对创新效率的影响有不同观点,Scherer等认为随着企业不断扩大规模,企业会由于管控能力下降或者过度官僚主义而影响企业研发效率[34]而Chen则认为创新效率提升与企业规模呈正相关[35]。本文中,企业规模对创新效率存在负向影响,且由北到南负向影响逐次增强,表明中小企业促进区域创新效率作用明显,以广东和福建为代表的南部地区中小企业对创新效率促进作用最强。

4)创新集群环境(图7d)。集群环境会影响区域企业创新资源获得、创新产品开发及创新管理多个过程,进而影响企业的技术创新能力[36]。本文中,创新集群环境对创新效率促进作用明显,且促进作用由东到西逐次增强。但该特征并非说明东、中部创新集群环境差,相反,东、中部本身创新环境较优,已然不构成创新效率提升的“短板”。而西部地区自2000年实施西部大开发战略以来,获得了政策、资金、科教事业等方面的倾斜投入,创新基础环境改善,有效促进了西部创新效率提升。

5)政府支持(图7e)。目前,针对政府支持是否会促进创新效率提升仍有争议,支持者认为其应当作为创新系统建设和创新活动开展的重要保障,而反对者却认为其容易造成寻租和腐败的扭曲作用、信息不对称、道德风险及委托代理问题,进而可能致使创新效率损失[37]。本文中,政府支持对创新效率表现较强的正向影响,且由南到北作用逐次增强,说明政府在区域创新过程中依旧起着重要作用。

6)技术市场发展(图7f)。学界对技术市场的关注较少,但可以明确,技术市场发展能够促进科技成果的转让、转换和资源流动,进而影响创新效率,通过市场带来经济收益更是刺激研发投入最原始、最直接的动力[38]。本文中,技术市场发展对创新效率表现较弱的负向影响,说明技术市场发展并未促进区域创新效率提升。可能的原因是,我国技术市场本身发展并不充分,依然保留着计划经济时期对政府的强烈依赖现象。

图7 区域创新效率影响因素变系数空间分布地图Fig.7 Variable coefficient spatial distribution maps of regional innovation efficiency influencing factors

4 结论与讨论

本文通过分析我国省域层面创新效率时空分异以及影响因素,主要结论如下:

1)2000—2015年,全国创新效率水平较低,表现“东部>中部>西部”,但中、西部创新效率增长率又明显高于东部,同时三大区域创新效率变化还与宏观经济变动紧密关联。三大区域间,中、东部集中了大部分的高、较高效率省份,西部集中了大部分的低效率省份,但区域间的差距在减小,主要是由于中部地区创新效率增长较快。

2)探索性空间数据分析表明,我国区域创新表现出显著的正相关,但这种趋势有所缓解。局部空间自相关特征自2005年后变化较小,高高集聚主要在东部,低低集聚主要在西部,说明在省域尺度上同样存在着正向或负向的空间溢出效应。

3)区域创新效率影响因素表现出明显的空间异质性特征。企业自身发展方面,国外技术引进和中小企业对创新效率促进作用明显,企业研发活动在不同的区域表现正向或负向不同的影响作用。创新外部环境方面,创新集群环境和政府支持对创新效率促进作用明显,技术市场发展表现较弱的负向影响。以上诸因素虽然影响程度各异,但都表现出了明显的空间差异,比较明显的是“由南到北或由东到西”的差异,说明区域创新效率影响因素同样存在一定的空间溢出或空间依赖特征。

在有限科技资源投入的前提下,对创新效率的研究更具有政策启示意义,本文研究了区域创新效率的时空演变规律及空间关联特性,并对其影响因素做了一定探讨,对缩小区域间创新差异,优化科技资源配置提供了科学依据。但需要明晰的,DEA模型反映的仅仅是区域间相对的创新效率,虽然有助于得出一定的政策启示,但不能真正地反映创新投入产出规律。另外,本文所反映出来的一些特征,如“三大区域创新效率变化与宏观经济变动紧密关联”、“创新效率与经济发展复杂的相互关系”、“影响因素机制难以完美解释所有省域创新效率分异规律”,难以在宏观尺度上给出解释,有待进一步深化研究。