中国省域农业科研机构科技创新效率及影响因素分析

陈 耀，赵芝俊 ，高 芸

(1.中国农业科学院 农业经济与发展研究所，北京100081； 2.甘肃农业大学 财经学院，甘肃 兰州 730070)

作为国家创新系统的重要组成部分，农业科研机构是中国农业科技创新的重要主体，是农业科技创新的生力军。近年来，随着创新驱动发展战略的深入推进，国家对农业科技创新工作的重视程度日益提高，农业科研机构科技创新投入不断加大。但是，在农业科研机构科技创新过程中，创新资源投入产出效率不高、资源利用低效的状况一直存在。因此，如何有效提升中国农业科研机构科技创新效率问题就更为凸显。

事实上，国内在创新效率研究领域已取得较大进展，从研究层面上看，涉及企业[1-3]、产业[4-6]及区域[7-9]等多个方面。目前，针对农业科研机构科技创新效率的研究主要有：许朗[10]采用了2003、2006年的数据，运用数据包络分析(data envelopment analysis,DEA) 方法及C-D函数模型测定了中国农业科研机构的科技创新效率及其影响因素，研究发现，中国农业科研机构总体综合技术效率不高，相对于资本要素而言，需要大力依靠人力资源的投入，提高农业科研机构的产出效率；申红芳等[11]采用1987—2004年的数据，也运用DEA方法对四川省省属和地市属农业科研机构的效率进行评价，研究发现，四川省农业科研机构的效率具有明显的阶段性波动特征，且这种阶段性特征与中国科技体制改革的步伐基本吻合，同时认为技术进步是影响四川省农业科研机构TFP生产率变动的主要因素；杨传喜等[12]采用2009年的数据，运用DEA方法对中国各省份的农业科研机构科技运行效率进行了评价，认为农业科研机构科技资源配置效率比较低，有60%以上的省份处于非效率区；赵博雄[13]采用2004—2011年的数据，同样运用DEA方法，对中国农业科学院31个研究所的科技资源配置效率进行了测算，并分析了相关影响因素。

总体来看，现有文献表现出以下两个特征：其一，与对企业、产业及区域创新效率研究相比，对农业科研机构科技创新效率的研究依然较为有限；其二，从研究方法来看，大多采用DEA方法，该方法采用线性规划技术，因无需设定函数的形式，有效地避免了主观设定函数的影响，但在效率评价时因没考虑随机误差的存在，且无法对影响创新效率的因素进行直接的分析而存在不足。鉴于此，本文试图进行以下拓展：考虑到农业科研的特殊性及中国各省份农业科研机构在科技创新中面临的诸多随机扰动和不可观测因素较多，采用随机前沿分析(stochastic frontier analysis,SFA)方法比DEA方法分析更适合当前环境，不仅能够分析单个个体的科技创新效率，还可以直接分析各种相关因素对个体效率差异的具体影响。此外，本文将基于成果类型异质性视角，对农业科研机构创新活动的产出加以明确区分，将其分为学术性、技术性及经济性三大类，这样就能够较为系统全面地分析中国农业科研机构具有不同性质的三类科技创新效率状况及非效率影响因素。因此，本文通过收集2009—2016年中国31省、市及自治区农业科研机构科技创新投入产出及相关影响因素的面板数据，运用SFA方法，基于成果类型异质性视角对中国省域农业科研机构科技效率进行测度评价的基础上，探寻不同影响科技创新非效率的根源，以便更有针对性地找出提升农业科研机构科技效率的对策建议。

1 研究方法

在研发效率测评中，前沿分析法被广泛使用。通常根据生产前沿确定方法的不同，可分为非参数方法和参数方法。参数方法以SFA为代表，该方法由Aigner等[14]，Meeusen等[15]以及Battese等[16]几乎同时独立提出。SFA方法以计量方法为基础，依赖于对数据的随机性假设，不但能够通过计量方法判断研究设定的前沿生产函数模型拟合质量问题，测算研究对象的效率值大小问题，还可以直接定量分析研究对象效率差异的影响因素，具有很强的政策导向，同时也可以进行各种统计检验值估计，有更为坚实的经济理论基础，尤其是在模型设定合理且采用面板数据条件下，体现出独特的优势。本文主要关注以下两个方面：其一是中国省域农业科研机构不同类型科技创新效率水平现状；其二是探寻影响科技创新非效率值的主要因素。SFA方法能够有效分析以上两个方面的基本问题。

因此，本文借鉴Battese等[17]面板数据随机前沿模型设定方法，研究模型设定为

yit=f(xit;β)exp(vit-uit)。

(1)

将式(1)两边取对数，可得

lnyit=lnf(xit，β)+vit-uit。

(2)

其中，i=1，2，…n；t=1，2，…T；分别表示省份和年度；yit、xit分别表示i省农业科研机构在时期t的科技创新产出、科技创新投入；f(*)表示生产可能性边界上的前沿产出；(vit-uit)为复合误差项，vit与uit相互独立，且服从对称正态分布，其中，vit～N(0，δ2v)表示随机扰动的影响；uit～N+(u，δ2u)，uit的值非负，服从非负断尾正态分布，表示农业科研机构科技创新中的非效率项，其值越大，表示农业科研机构科技创新非效率程度越大，也即农业科研机构的非效率水平越低。

依据该模型的原理及形式，各省域农业科研机构科技创新效率TE值为实际产出与前沿面产出的距离，其测算公式为

(3)

显然，uit=0时，TEit=1，表示决策单元恰好位于前沿面上，说明技术有效；当uit>0时，TEit<1，表示决策单元位于前沿面下方，说明存在技术非效率问题。运用上述方法估算技术效率时，复合误差项中技术非效率项应占有一定比例，否则该方法无效。为了系统反映创新效率的变异统计特性，Battese等[17]设定了方差参数γ，其表达式为

(4)

式(4)中：γ值介于0～1，反映了省域农业科研机构科技创新效率中技术无效率项在复合扰动项中所占的比例。若γ趋近于0被接受，说明中国省域农业科研机构的生产点几乎都位于生产前沿曲线上，此时用最小二乘法就可以分析；若γ趋近于1被接受，说明uit在生产单元与前沿面的偏差中占主要成分，此时用SFA是合适的。

另外一个重要的问题是，合理地选择生产函数对采用SFA客观、有效地测度效率至关重要。主要是因为超越对数函数生产模型(translog production function)相比于传统的C-D(柯布-道格拉斯)生产函数模型和CES(不变替代弹性生产函数)更具有普适性，可以突破技术中性、投入产出弹性固定等苛刻假定，从而更好地拟合实际情况。 因此，本文将 SFA 模型的第一部分设定如下：

(5)

式(5)中：Y为省域农业科研机构科技创新活动的产出变量；K为资本投入变量；L为劳动投入变量。

为了进一步解释个体间的技术效率差异，分析研发创新效率的影响因素，引入技术非效率函数，其表达式为

uit=σ0+zitδ+wit。

(6)

式(6)中：σ0为常数项；zit为影响研发创新技术非效率的因素；δ为待估参数，当δ<0时，表明该因素对研发创新效率有正向影响；当δ>0时，表明该因素对研发创新效率有负向影响；wit表示为随机误差项。

2 变量选取与数据说明

沿袭Griliches[18]的研究，本文将农业科研机构科技创新行为视为一个完整的生产过程，假设每个省为一个创新活动的生产决策单元，每个决策单元通过一系列的创新投入，实现一定的创新产出成果。另外，从上文可以看出，建立SFA方法需要适当选择投入产出变量及影响因素变量，下面就相关变量作逐一介绍，并简要说明数据来源。

2.1 投入与产出变量

(1)投入变量。在考察农业科研机构科技创新效率的过程中，有关创新投入要素的确定是关键。现有创新研究中最常见的投入要素可分为两大类：一是研发(research and development,R&D)人员；二是R&D经费。

对于R&D人员要素，一般采用国际上比较通用R&D人员全时当量来表征，因此，本文采用年度内农业科研机构中R&D全时人员数，再加上按工作量折算的非全时人员折合工作量来表征，用L表示。

对于R&D经费要素，参照Griliches[19]、吴延兵[20]做法，本文采用R&D资本存量来表征R&D经费要素，用K表示。其计算公式为

Kit=(1-δ)×Ki(t-1)+Eit。

(7)

式(7)中：Kit和Ki(t-1)分别表示第i省农业科研机构在第t和t-1期的资本存量，Eit表示第i省份农业科研机构在第t期R&D经费实际支出额，δ表示资本存量的折旧率。

有关δ及Eit计算方法同样参照白俊红等[21]的估计方法，对R&D资本折旧率δ，采用δ=15%；Eit值表示R&D经费实际支出额，以2009年为基期，通过对名义R&D经费支出进行平减所得，其值参照公式：R&D支出价格指数=0.55×消费价格指数+0.45×固定资产投资价格指数。该公式中：消费价格指数和固定资产投资价格指数分别采用各农业科研机构所在省份的相应指数来表示，其中，由于西藏数据缺失，运用周边相邻省份青海的指数代替计算。

有关基期资本存量估算公式为

Ki0=Ei0/(g+δ)。

(8)

式(8)中：Ki0和Ei0分别表示农业科研机构基期资本存量和基期实际R&D经费支出；δ表示为资本存量的折旧率；g为R&D资本存量的增长率，采用考察期内实际R&D经费支出的平均增长率来表示。根据以上方面，就可以计算出考察期内各省域每年农业科研机构的R&D资本存量Kit。

(2)产出变量。农业科研机构科技创新成果有很多，借鉴许朗[10]、申红芳等[11]、陈耀等[22]研究的基础上，考虑到数据的可得性以及产出成果的异质性，本文把农业科研机构科技创新产出成果分为学术性、技术性及经济性三大类。

对于学术性产出而言，论文与专著是衡量农业科研机构在基础研究、应用研究等方面的重要成果，凝聚了农业科技创新人员探索性、创造性的大量劳动，是衡量农业科研机构学术性水平的重要指标。参照池敏青等[23]、于志军等[24]的研究及考虑到数据的可得性，本文采用这两个指标来表征农业科研机构的学术性产出。

对于技术性产出而言，专利是反映农业科研机构科技创新水平和掌握核心技术的能力，是各农业科研机构形成自身核心竞争力的重要来源，专利受理数作为创新绩效的考核指标是文献中的一种惯用做法，是反映农业科研机构技术创新的一项重要指标。因此，本文采用专利受理数来表征农业科研机构的技术性产出。

对于经济性产出而言，技术性收入是反映农业科研机构创新产出潜在经济价值或潜在应用价值很重要的方面，反映了科技成果被市场认可或应用到农业生产实践中的可能性程度的重要指标。因此，参照申红芳等[11]的研究，本文采用技术性收入来表征农业科研机构的经济性产出。

2.2 影响因素变量

从理论上来说，因科技创新活动的复杂性、产出的多样性及农业科研机构自身的特殊性，影响农业科研机构科技创新效率的因素极为复杂，本文在借鉴现有研究的基础上及考虑到数据的可得性，主要从以下几个方面进行分析：人员数量结构，用农业科研机构中科技人员占从业人员的比重来表征人员结构变量；人员质量结构，采用农业科研机构中拥有高级职称的科技人员占从事科技活动人员比例来表征人员素质变量；政府的支持，采用农业科研机构的科技活动收入中政府资金所占比例来表征政府的支持变量；基础设施，采用农业科研机构中报告期内年末固定资产原价来表征基础设施变量。

2.3其他控制变量

为了使研究结果更加有效，本文主要从以下两个方面进行了控制：经济发展水平，用农业科研机构所在省份的人均GDP表示；农业发展水平，用农业科研机构所在省份的农业总产值表示。

本文所有变量绝对数量均以2009年价格为基期折算为实际值，比值均以名义值计算得出。以上所有变量、代表符号及定义如表1所示，对各个变量的描述性统计见表2。

2.4 数据来源及说明

本文所用数据选取自《全国农业科技统计资料汇编》(2009—2016年)、《中国统计年鉴》(2010—2017年)、《中国农村统计年鉴》(2010—2017)、《中国科技统计年鉴》(2010—2017年)。考察区域为中国大陆31个省、市和自治区，考察对象为全国31省份地市级以上农业科研机构。

3 结果与讨论

3.1 假设检验及模型选择

采用Frontier4.1计量分析软件，对中国各省份农业科研机构科技创新产出效率进行随机前沿检验估计，其结果见表3，模型1、2、3分别表示学术性、技术性及经济性产出的估计结果。从表3可以看出，在这3个模型中，γ均在1%水平下显著，说明了创新非效率是中国农业科研机构创新生产未达到前沿面产出水平的重要原因，也充分验证了本文采用SAF方法的合理性。

表1 变量定义

Table 1 Variable definition

类别Type变量Variable符号Symbol定义Definition创新投入Innovation input资本投入/千元Capital investment/thousand yuanKR&D资本存量,用永续盘存法核算R&D capital stock, accounting with perpetual inventory method 人员投入/(人·年-1)Personnel input/person per yearLR&D人员全时当量,指报告年内R&D全时人员数加非全时人员按工作量折算成全时人员的总和Full time equivalent of R&D personnel refers to the total num-ber of full time R&D personnel plus full time R&D personnel converted into full time personnel according to the workload during the reporting year学术性产出Academic output发表科技论文Published scientific papers(权重0.7)(Weight 0.7)Pap发表的科技论文篇数Number of scientific papers published出版科技著作Publication of scientific and technological works(权重0.3)(Weight 0.3)Boo出版的科技著作部数Number of scientific and technological works published技术性产出Technical output专利产出Patent output Pat专利受理数Number of patents accepted经济性产出Economic output技术收入/千元Technical income/thousand yuanTec科技活动收入中技术性收入Technical income from science and technology activities影响因素Influencing factor人员数量结构Personnel quality structure/%Pstruc科技人员数占从业人员的比重The number of scientific and technical personnel accounted for the proportion of practitioners人员质量结构Personnel quality structure/%Profes高级职称人员占从事科技人员比例The proportion of senior professional title personnel engaged in science and technology personnel政府支持Government support/%Gover科技活动收入中政府资金所占比例The share of government funds in revenue from science and technology activities基础设施/亿元Infrastructure/huandred million yuanBase用报告期内年末固定资产原价来表征Fixed assets at the end of the reporting period控制变量Control variable经济发展/(万元·人-1)Economic development/ ten thousand yuan per personEconom用该地区人均GDP来表征Regional GDP per capita农业发展水平/亿元Agricultural development /huandred million yuanAgrdeve用该地区的农业总产值来表征The gross agricultural output value of the region

表中权重值参照文献[24]的研究设定。

The weight values in the table referred to the research settings in literature [24].

表2 变量的描述性统计结果

Table 2 Descriptive statistical results of variables

指标Index平均值Mean value标准差Standard deviation最小值Minimum value最大值Maximum valueK/百万 million107.717 105.744 1.945 836.047 L/人·a-1(person·a-1)1086.640 754.298 5.000 4052.000 Pap/篇 paper873.990 617.393 18.000 3585.000 Boo/部 part26.600 31.834 1.000 260.000 Pat/件 piece147.730 179.030 1.000 962.000 Tec/千元 thousand yuan28287.400 45062.488 1.000 321265.000 Pstruc/%0.758 0.108 0.272 0.982 Profes/%0.307 0.071 0.131 0.512 Gover/%0.888 0.088 0.483 1.000 Base/亿元 huandred million yuan7.659 6.899 0.585 51.631 Econom/万元 ten thousand yuan3.077 1.732 1.092 8.102 Agrdeve/亿元 huandred million yuan1672.045 1505.086 39.060 8159.102

根据SFA方法的原理，采用该方法的一个关键问题是生产函数模型必须设置合理，因此，本文所关心的另一个问题是：用广义似然率检验统计量，检验在研究中对于生产函数形式的假设检验及“不存在无效率项”的这一零假设，其检验结果见表4。

从表4可以看出，模型1、2、3的广义似然λ均大于相应的5%显著水平下混合卡方分布临界值，该假设检验结论充分证明拒绝原假设，有充分的理由说明采用超越对数生产函数的可行性。

表3 中国农业科研机构科技创新的随机前沿模型估计结果

Table 3 Estimates of scientific and technological innovation efficiency in Chinese agricultural research institutions with SFA model

系数Coefficient模型1 Model 1模型2 Model 2模型3 Model 3前沿函数估计Frontier function estimation常数项β0 Constanst β014.736∗∗∗(6.984)8.100(1.676)-14.396∗∗∗(-4.161)lnK-2.446∗∗∗(-4.571)-3.984∗∗∗(-3.785)-1.148∗(-1.853)lnL1.813∗∗(2.520)5.937∗∗∗(5.595)7.805∗∗∗(3.170)[lnK]20.128∗∗∗(3.317)0.321∗∗∗(5.003)0.298∗∗(2.267)[lnL]20.027(0.678)0.267∗∗∗(4.685)0.263(1.363)[lnK lnL]-0.131(-1.540)-0.656∗∗∗(-5.383)-0.859∗∗(-2.489)效率影响因素估计Efficiency factor estimation常数项δ0 Constanst δ00.965(1.485)3.802∗∗∗(4.524)-6.152∗∗∗(-3.834)Pstruc-0.982∗∗(-1.951)-1.388∗∗(-2.115)7.083∗(1.697)Profes-0.707(-0.798)-2.103∗(-1.760)-3.866∗∗∗(4.187)Agover0.081(0.121)0.423(0.530)6.870∗∗∗(4.141)Base-0.081∗∗∗(-2.927)-0.012(0.480)-0.186(-1.614)Econom-0.097∗∗(2.196)-0.177∗∗∗(3.176)-1.697∗∗∗(4.571)Agrdeve0.001(1.429)-0.010∗∗(-1.986)-0.012∗∗(-2.345)σ20.185∗∗∗(6.215)0.421∗∗∗(8.039)1.3306∗∗∗(4.387)γ0.775∗∗∗(14.315)0.869∗∗∗(13.326)0.984∗∗∗(18.698)Log函数值 The Log function value-73.709-178.199-435.774单边LR检验 Unilateral LR test76.278254.687286.987

括号内数值为t值；*、** 和***分别表示显著性水平为10%，5%和1%(双侧)。

Values in brackets weretvalues;*， ** and *** represent significance levels of 10%， 5% and 1% (bilateral)， respectively.

表4 假设检验结果

Table 4 Hypothesis test results

代号Symbol模型1Model 1模型2Model 2模型3Model 3L(H0)-111.849-195.372-473.05广义似然λ76.27834.34474.548The generalized likelihood临界值Critical value7.8157.8157.815检验结论Test conclusion拒绝Reject拒绝Reject拒绝Reject

临界值为显著水平为0.05下的临界值。

The critical value is the critical value at the significance level of 0.05.

3.2 农业科研机构科技创新效率分析

通过对2009—2016年各省域农业科研机构科技创新效率求均值，并根据均值大小对其排名，具体情况见表5。

(1)从总体来看。在考察期内，中国农业科研机构学术性产出效率、技术性产出效率、经济性产出效率均值分别为0.662、0.444、0.338，其提升空间为33.8%、55.6%、和66.2%。说明中国农业科研机构科技创新效率整体水平均比较低，仍然存在较多的非效率。三类创新效率相比较而言，经济性产出效率改进空间更大，其次为技术性产出，最后为学术性产出。三类产出效率均值高于全国平均值的省份分别为18、14、15个，占比为58.06%、45.16%、48.39%。

表5 中国各省份农业科研机构科技创新效率均值及排名

Table 5 Average and ranking of scientific and technological innovation efficiency of agricultural research institutions in China’s provinces

地区Area学术性产出效率Academic output efficiency均值Average排名Ranking技术性产出效率Technical output efficiency均值Average排名Ranking经济性产出效率Economic output efficiency均值Average排名Ranking北京Beijing0.89540.88520.7022天津Tianjin0.465260.69670.7541河北Hebei 0.78590.358190.08226辽宁Liaoning0.706140.165280.03529山东Shandong0.90920.73640.36414上海Shanghai 0.644190.89110.13624江苏Jiangsu0.89830.78030.51410浙江Zhejiang0.92010.72150.44912海南Hainan0.730120.62580.13723福建Fujian0.85360.71560.17920广东Guangdong0.87050.56090.39913东部 Eastern China0.7890.6480.341山西Shanxi0.612220.366180.21418吉林Jilin0.640210.168270.19519黑龙江Heilongjiang0.79680.354200.6007安徽Anhui0.500240.480130.6903江西Jiangxi0.461270.150290.6396河南Henan0.82370.338210.6485湖北Hubei0.769100.532110.5818湖南Hunan0.501230.220260.6624中部Central China0.6380.3260.529内蒙古Inner Mongolia0.401300.110300.00530广西Guangxi0.685160.396170.14422重庆Chongqing0.408290.332220.32916四川Sichuan0.740110.515120.5409贵州 Guizhou0.701150.438150.05028云南Yunnan0.643200.269230.47011西藏Tibet0.227310.066310.00131陕西Shaanxi0.471250.232240.06927甘肃Gansu0.724130.465140.24217青海Qinghai0.674170.227250.34015宁夏Ningxia0.455280.420160.13624新疆Xinjiang0.670180.545100.15121西部 Western China0.5670.3340.206全国The whole country0.6620.4440.338

(2)从单个地区来看。学术产出平均效率最高的前5个省份分别是浙江、山东、江苏、北京和广东，其平均效率高达0.870以上，最低的5个省份是江西、宁夏、重庆、内蒙和西藏，其效率均值均低于0.461；技术性产出平均效率最高的前5个省份分别是上海、北京、江苏、山东和浙江，其效率均值高达0.721，最低的省份为吉林、辽宁、江西、内蒙和西藏，其效率均值均低于0.168；经济性产出的平均效率最高的前5个省份分别是天津、北京、安徽、湖南、河南，其效率均值均高于0.648，最低的省份为陕西、贵州、辽宁、内蒙和西藏，其效率均值均低于0.050。

(3)从东、中、西三大区域来看。东、中、西部学术性效率均值分别为0.789、0.638、0.567，只有东部地区的效率均值高于全国平均水平，呈现东、中、西部地区依次递减的趋势；东、中、西部技术性产出效率均值分别为0.648、0.326、0.334，只有东部地区效率均值高于全国平均水平，东部效率均值最高，其次是西部，最后是中部；东、中、西部地区经济性产出效率均值分别为 0.341、0.529、0.206，东部地区和中部地区的效率均值高于全国平均水平，效率均值最高的区域为中部地区、其次是东部地区、最后是西部地区。

(4)从时间趋势来看。图1表示了考察期内全国农业科研机构学术性、技术性及经济性产出创新效率均值的时间变化。从图1可以看出，学术性产出效率变化幅度不明显，而技术性和经济性产出效率虽然离前沿面水平还有较大差距，但从时间趋势来看，表现出明显的上升态势。进一步说明，随着国家创新驱动战略的深入推进，中国农业科研机构长期存在的创新资源投入产出效率不高、资源利用低效的状况已经有很大的改观，表现出了良好的上升势头。

图1 全国农业科研机构学术性、技术性及经济性产出创新效率均值的时间变化Fig.1 The temporal change of the average value of the innovation efficiency of the academic， technical and economic output of agricultural research institutions in China

3.3 农业科研机构科技创新效率的影响因素分析

从表3前沿函数估计结果来看，在3个模型中lnK、lnL系数均显著异于零，且lnK的系数为负值，而lnL的系数为正值。表明在考察期内，如果一味地加大R&D资本投入，并不会带来农业科研机构科技创新成果产出的增加，这似乎有悖常理。究其原因，可能与R&D经费的配置结构不够合理有关。比如现阶段，科技计划过多依赖竞争方式，过度的竞争导致了竞争性的政府资金逐年提高，而非竞争性的资金逐年降低，使农业科研机构中R&D投入过度集中到少数几个单位或个别知名专家手中，这种过度集中可能并不会随着R&D经费投入增长使科技产出出现相应的增加。以上原因造成表面上看是规模投资过度，实际则是R&D投资不足，最终导致R&D总体上存在非效率投资行为，一定程度上抑制了农业科研机构科技创新产出。

R&D活动全时人员对农业科研机构三类科技创新产出有正向影响，进一步说明了在考察期内，中国农业科研机构创新产出主要是依靠科技人员的投入拉动的。这和许朗[10]早期研究的结论基本一致。

为了进一步分析中国农业科研机构科技创新效率不高的原因，即分析影响创新效率的关键因素，见表3效率影响因素估计，以期为提高农业科研机构科技创新效率提出有针对性的政策建议。人员数量结构(Pstruc)在模型1和模型2中的回归估计系数均显著且为负，而在模型3中的回归估计系数虽显著但为正，说明人员数量结构对学术产出效率和技术性产出效率均有显著的促进作用。科技人员作为科技创新活动的主体，科技人员比例越高，农业科研机构学术性和技术性创新能力就越强，学术性和技术性创新产出成果越多，可见，在农业科研机构人员结构中，提升科技人员的比例可以有效增强农业科研机构的学术性产出和技术性产出效率。但是对农业科研机构的经济性产出而言，人员结构中科技人员的比重越高，反而效率越低。究其原因：这主要是由于经济性产出与其他两类产出相比而言，技术转让是市场行为，与其是否有潜在经济价值或者潜在应用价值及最终出售、转让有关。

人员素质结构(Profes)在模型2和模型3中显著，且回归估计系数为负，而在模型1中虽不显著，但回归系数为负。说明人员素质水平越高，农业科研机构的技术性和经济性创新产出能力越强，成果的产出数量越多，可见，提升农业科研机构中人员素质，可有效增强农业科研机构技术性及经济性产出效率。但是对于学术性产出指标估计结果不显著的原因可能与使用学术论文和著作指标来反映学术性指标本身的缺陷有关，它只是反映了科技创新产出成果的数量，很难反映成果的档次及质量，最终造成人员素质结构对农业科研机构学术性产出效率影响不显著的表象。

政府的支持(Gover)，只有在模型3中显著，而在模型1和模型2中都不显著，且估计系数均为正。说明政府支持对农业科研机构的学术性、技术性产出效率影响不明显，而对经济性的产出效率有负向影响。由于科技创新有其自身规律，特别是技术转让是市场化行为，在考察期内，通过提高或增加政府对农业科研机构的支持，仅仅是单纯地增加了对农业科研机构的创新资源投入，但实际上并没有增强农业科研机构的科技创新产出效率。

基础设施(Base)，在模型1、2中的回归估计系数都显著，而在模型3中回归估计系数不显著，但在这三个模型中，系数均为负，说明农业科研机构的基础设施条件越完善、越坚实，学术性和经济性创新能力越强，学术性和经济性创新成果越多，农业科研机构科技创新产出效率越高。但在模型3中系数为负且不显著，说明基础设施对农业科研机构的经济性产出效率影响不明显，进一步表明经济性创新产出的成果是否实现最终实际与是否有市场潜在市场价值或潜在应用价值有关。

经济发展(Econom)在模型 1、2和3中系数均显著且为负，说明经济发展水平越高的地区，农业科研机构科技创新效率越高，可能主要是由于经济发展水平越高的地区，往往是资金比较充裕、人才比较聚集的地区，这为农业科研机构的科技创新活动提供了优越的条件，在一定程度促进了农业科研机构的科技创新活动效率的提升。

农业发展水平(Agresour)在模型 2和3中系数均显著且回归系数为负值，而在模型1中不显著。可见农业发展水平对农业科研机构的学术性产出效率没有显著的影响，而对技术性及经济性产出效率有正向影响。表明农业科研机构虽然在技术性和经济性产出上能够结合当地农业发展情况展开研究，结合区域农业发展中实际面临的问题展开创新研究，产出更多技术性和经济性成果，但是，在学术性产出上依旧出现创新与实际脱节，创新与农业发展情况相悖的现象。

4 结论与建议

基于科技创新成果异质性视角，本文将农业科研机构科技创新成果分为：学术性、技术性及经济性三类。采用2009—2016年中国大陆31省份地市级以上农业科研机构研发面板数据为样本，运用SAF方法对其3类科技创新效率状况进行了分析评价，并对其关键影响因素进行了探索性的研究，研究结论主要有以下几个方面:

第一，总体来看，中国农业科研机构的学术性、技术性及经济性产出效率依然比较低，均存在较大的无效率现象，三类效率产出都有很大的改进空间。而经济性产出效率改进空间更大，其次是技术性产出效率，最后是学术性产出效率。

第二，省际之间农业科研机构的学术性、技术性及经济产出效率存在明显差异，发展不均衡。从三大区域来看：学术性产出效率均值呈现东部地区最高，中部地区次之，西部地区最低的分布特征；技术性产出效率均值呈现出东部地区最高，其次是西部地区，最后是中部地区的分布特征；经济产出效率均值呈现出中部地区最高，其次是东部地区，最后是西部地区的分布特征。从时间趋势来看，农业科研机构技术性、经济性产出效率尽管比较低，但已表现出了上升的态势。

第三，相对于R&D资本而言，中国农业科研机构科技创新过程中R&D人员具有更高的产出贡献，中国农业科研机构科技创新产出效率主要是依赖于R&D人员的投入推动的。

第四，科技创新非效率因素的影响对三类产出效率不尽相同：人员数量结构对学术性产出及技术性产出有显著地促进作用，而对于经济性产出有负向影响；人员素质结构对技术性及经济性产出都有促进作用，但对学术性产出影响不显著；政府支持对经济性产出都有负向的影响；基础设施对学术性及技术性产出都有促进作用，但对经济性产出效率影响不显著。另外，科研机构所在区域经济发展水平对农业科研机构科技创新效率均有正向影响，农业发展水平对技术性和经济性产出效率有促进作用，但对学术性产出效率影响不显著。

本文研究结论的政策启示如下：第一，应通过适当增加R&D 活动人员，将更加有助于提升农业科研机构科技创新效率；第二，鉴于农业科技创新的特殊性及重要性，在保证对农业科研机构财政拨款稳定增长的基础上，针对不同的科技创新产出类型，进一步优化R&D资金投入结构及投入方向，提高科技经费的使用效率，提升农业科研机构科技创新效率；第三，改革现有选人、用人考核和评价激励机制，充分调动现有科技人员积极性、创造性和主动性，提升农业科研机构科技创新效率；第四，根据科技创新不同环节、不同成果类型的特征，对各省份及东、中、西各区域应制定差别化的支持模式和科技评价体系，加强科技创新能力，形成有利于各类科技成果产出、转化的体制机制，提升农业科研机构科技创新效率。