西部地区产业集群技术创新效率研究

吴中伦

摘 要：在考虑环境因素对技术创新效率影响的前提下，采用三阶段DEA模型对中国西部地区产业集群的技术创新效率问题进行了测度分析。研究表明，西部地区产业集群的总体技术创新效率较低，原因主要在于纯技术效率偏低。因此，应加大对科技环境保护的力度，努力营造有利于产业集群技术创新效率提升的良好外部环境。

关键词：西部地区;产业集群;技术创新

中图分类号：F276.44;F273.1      文献标志码：A      文章编号：1673-291X（2020）05-0046-02

提高自主创新能力，建设创新型国家，是我党为全面推进中国特色社会主义事业做出的重大战略部署。创新型国家建设得到了各级政府的高度重视和广大企业的积极参与。中国的科技创新投入总量持续快速攀升，全国研发经费支出从2007年的3 664亿元增加到2015年的14 220亿元，研发经费投入强度由1.49%上升到2.10%。“十三五”规划纲要指出，创新是引领发展的第一动力，进一步明确了创新在中国经济建设和社会发展中的核心地位。

一、研究动因

产业集群是各种创新投入要素聚集整合的重要载体，依托创新资源要素的优化配置，产业集群的创新水平不断提高，这对区域创新系统发展和创新型国家建设具有巨大的推动作用。要把中国建设成为真正意义上的创新型国家，必须实施以产业集群为中心的创新驱动发展战略，发挥集群对周边地区经济社会发展的辐射带动作用，着力完善统筹协调机制，切实促进各种创新投入要素的优化配置。目前，创新型国家的建设进程处于关键时期，除了继续加大产业集群创新的投入力度外，产业集群创新的效率问题亦应引起足够重视。尤其是在中国创新人才和创新资源相对匮乏的情况下，尽可能做到以较低的创新投入获得较高的创新产出，提高产业集群各类创新资源的使用效率，对于有效缓解中国目前创新资源相对不足的局面，进一步提升集群自主创新能力，建设创新型国家具有极其重要的现实意义。

如果将集群创新过程视为一个对创新要素投入进行有效配置，最终生产出若干创新产出的系统，产业集群创新效率就可以理解为该系统的投入产出转化率。按照这一研究思路，一些学者选取集群创新的投入产出指标来测算产业集群创新效率。例如，孙红兵和向刚（2011）将R&D人员全时当量、R&D经费内部支出和研发机构数作为集群创新投入指标，以发明专利申请授权量、国内外论文发表数和新产品产值为创新产出指标，采用DEA方法对30个集群的创新总体效率、技术效率、规模效率和饱和度进行评价[1]。汪娟和肖瑶（2013）选用R&D人员数、R&D经费支出和实际利用外资额作为产业集群创新投入指标，以专利申请授权量和技术合同成交额作为产业集群创新产出指标，采用DEA模型测度中国28个地区产业集群的创新效率，并分析不同地区产业集群创新效率差异产生的原因[2]。常晓然、周全和吴晓波（2016）以全社会R&D经费投入、地方财政科技支出、R&D折合全时人员、规模以上工業企业R&D活动人员数为创新投入指标，以规模以上工业企业科技活动新产品产值、第三产业总产值、高技术产品出口额等作为创新产出指标，结合运用考虑非期望产出的非导向DEA模型，对中国不同地区产业集群的创新效率进行系统评价[3]。

需要指出的是，尽管学者们对产业集群创新效率问题进行了各自的评价，但在测算产业集群创新效率时均将产业集群创新过程视为一个完全封闭的投入产出系统，没有考虑到环境因素对系统运行的影响。根据系统理论，系统是由若干相互关联的要素构成并完成特定功能的有机体。任何系统都不可能脱离环境孤立存在，而是与特定的外部环境不断地发生各种联系，外部环境的变化必然会影响系统本身的运行效率。产业集群创新系统的属性是一种社会经济系统，是各种要素形成的空间整体。只有经常与外界环境保持最优适应状态，创新才能够真正持续下去。如果忽视环境因素对产业集群创新产生的影响，仅通过系统本身的投入产出情况研究产业集群创新效率问题，必然会造成测度偏差，最终影响政府部门的科学决策。

造成先前研究没有考虑环境因素对产业集群创新效率影响的原因主要有两个，一是与研究视角有关，研究者将产业集群创新系统看做一个完全封闭的投入产出系统;二是与研究方法有关，研究者选用的经典DEA方法存在没有考虑环境因素影响的局限性。Fried等（2002）运用三阶段DEA模型，剔除掉环境因素对技术效率的影响，有效克服了经典DEA方法的这一缺陷[4]。三阶段DEA方法的基本思想是将决策单元的效率测量分为三个步骤：第一步，运用经典DEA方法测算决策单元的效率值;第二步，充分考虑环境因素和随机误差的影响，运用随机前沿模型（SFA）对第一步测算得到的投入松弛量予以修正，并根据修正结果重新调整决策单元的投入数据;第三步，将调整后的投入数据代入经典DEA模型，重新测算决策单元的效率值。由于三阶段DEA方法有效剔除了环境因素和随机误差的影响，最终所得到的效率值与决策单元的实际效率水平更加吻合。

二、研究方法

根据Fried等（2002）提出的三阶段DEA模型，对决策单元的效率测评包括以下三个阶段。

第一个阶段：BCC模型的效率测算。根据假设前提不同，经典DEA模型包括规模报酬不变假设下的CCR模型和规模报酬可变假设下的BCC模型。其中，BCC模型还可以将CCR模型中的技术效率进一步分解为规模效率和纯技术效率，从而有助于对西部地区产业集群创新效率的影响因素做出更深层次的分析。本文应用BCC模型作为第一阶段产业集群创新效率的测评方法，考虑到该模型应用广泛，对其基本原理不再赘述。

第二个阶段：构建随机前沿分析（SFA）模型。造成第一阶段各决策单元存在投入松弛（实际投入与目标投入的差额）的原因，除了管理无效率外，还可能是各决策单元受到环境变量的影响或者随机干扰所致。因此，可将投入松弛作为被解释变量，将引起效率变动的环境变量作为解释变量，通过构造相似SFA模型，考察以上三类因素对投入松弛的影响程度，在此基础上剔除环境变量和随机误差的影响，只保留管理无效率所导致的投入松弛量，从而构建出式（1）所示的相似SFA模型。

第三个阶段：投入调整后BCC模型的测算。根据式（1），运用BCC模型对数据重新测算产业集群的技术效率。此时，环境因素与随机扰动对测算结果的影响已被排除，采用调整后的投入数据测算的效率值与实际情况更加吻合。

三、结果分析

选取投入、产出变量，采用三阶段DEA模型测算西部地区产业集群创新效率。本文使用MaxDEA Ultra 6.18软件和Fronter4.1软件对产业集群创新效率进行测算。

测算结果表明，西部地区产业集群的整体创新效率水平偏低，技术创新效率均值仅达到0.339，这一效率均值意味着在创新过程中仅有33.9%的投入资源是有效率的，其余66.1%的投入处于技术无效率状态，与效率前沿面之间的差距很大，尚存在66%的改进空间。其中，纯技术效率均值为0.465，规模效率均值为0.733，表明产业集群创新效率偏低的原因是由纯技术效率和规模效率两者共同作用的结果。

为了进一步明确环境因素对产业集群创新效率的影响，我们采用配对样本检验法考察环境因素剥离前后产业集群创新效率是否存在差异。由检验结果可以看出，以不同产业集群的技术效率值作为样本进行配对检验，检验值为-23.289，显著性概率为0.000。这说明，通过有效控制环境因素的影响，使各产业集群处于相同环境和自然状态之下，创新效率的测算结果才可能与客观实际更加趋近，也才能更真实有效地揭示产业集群创新效率水平。

四、研究结论

通过选取西部地区产业集群为研究对象，采用三阶段DEA模型，剔除掉外部环境因素对技术效率的影响，测度分析了产业集群创新效率问题。主要研究结论有：

第一，研究结果显示，西部地区产业集群技术创新效率普遍较低。在不考虑环境因素和统计噪声影响的情况下，运用BCC模型测度的产业集群创新效率均值为0.339。与规模效率相比，纯技术效率偏低是造成技术效率不高的主要原因。

第二，在考虑到环境因素的影响下，技术效率均值由0.339增加到0.443，表明環境因素对技术创新影响显著。另外，产业集群技术创新环境总体上处于不利状态，应加大对科技环境保护的力度，努力营造有利于产业集群技术创新效率提升的良好外部环境。

第三，产业集群技术创新效率高低与当地经济发展水平关联度比较强。处于经济相对发达地区的产业集群，技术效率通常高于经济相对落后地区的产业集群，说明经济比较发达地区更有利于吸引科技人才，从而能够提高R&D人员投入的质量。同时，经济发达地区有足够的R&D经费投入，为最终的科技成果提供了资金保障。

本研究的不足之处在于，本文选取五个环境因素来考察产业集群技术创新效率问题，实际上还存在其他影响产业集群创新效率的环境因素，但考虑到数据的可获得性，文中并未涉猎。这可能是由于某些环境因素的遗漏而造成产业集群技术效率测算结果与客观实际存在一定程度的偏差，这也为后续研究进一步探索此类问题提供了更深入研究的方向。

参考文献：

[1]  孙红兵，向刚.基于DEA的城市创新系统创新效率评价分析[J].科技进步与对策，2011，（12）：130-135.

[2]  汪娟，肖瑶.基于DEA方法的中国城市技术创新效率研究[J].财经理论与实践，2013，（2）：109-112.

[3]  常晓然，周全，吴晓波.我国54个城市的创新效率比较研究：基于包含非期望产出的SBM-NDEA模型[J].管理工程学报，2016，（1）：9-18.

[4]  H.O.Fried，C.A.K.Lovell，S.S.Schmidt，S.Yaisawarng.Accounting for Environmental Effects and Statistical Noise in Data Envelopment Analysis[J].Journal of Productivity Analysis，2002，17（1-2）：157-174.