基于三螺旋模型的政产学协同创新效应研究

杨玉桢 刘晓梅，赵艳霞

摘 要： 基于三螺旋理论和协同创新理论，建立政府-高技术产业-大学协同创新评价指标体系，运用复合系统协同度模型和熵值法，测度全国30个省份2010—2018年的政府子系统、高技术产业子系统、大学子系统的有序度以及系统整体的协同创新水平，进一步地利用灰色关联分析探究影响政产学协同创新的主要因素。结果显示：大学子系统的短板效应拉低了政产学系统整体协同创新水平;2011—2018年间全国政产学协同创新能力呈现缓慢上升的趋势，处于低水平的协同，且呈现“东中部低协同，西部不协同”的区域特征;东中部地区协同创新的主要影响因素呈明显差异化。针对现存问题，提出对策建议。

关键词：三螺旋;协同创新;政府;高技术产业;大学

中图分类号：F061.5;F124.4     文献标志码：A  文章编号：1674-7356（2021）-04-0009-10

当前，经济高质量发展已经成为重要议题，而创新是引领发展的第一动力，促进经济高质量发展不仅需要资本、人力各方的协调，更需要加快转变创新模式，高效整合创新资源。1995年，埃茨科维兹提出了大学、产业和政府三方主体相互影响、相互合作，各方优势互补，实现创新成果的商业化，螺旋推进经济发展的创新模式。在政府-产业-大学三螺旋创新模式下，三方主体拥有的人才、知识以及资金等被合理利用，协同推进经济高质量发展。

在众多产业类型中，高技术产业是研发投入高，研发人员占比大的产业。企业依托核心创新技术扩大市场份额，带动经济增长。目前，高技术产业逐渐成为代表国家综合实力的战略性先导产业，然而受自身条件限制，高技术产业技术创新存在困难，寻求与其他创新主体的合作是实现产业发展的重要方式。因此，高技术产业作为创新主体，与政府和大学的协同创新研究具有重要意义。

一、文献综述

1995年，Etzkowitz和Leydesdorff[1]研究了大学在知识经济时代的作用，首次构建了大学、产业和政府的三螺旋理论模型。三螺旋创新模式是指大学、产业、政府三方主体在保留原有职责与身份的前提下，相互作用、相互影响。Leydesdorff[2-3]从进化论视角探讨了大学、产业界和政府三者之间的动态联系以及发展轨迹。当涉及到三种选择环境时，预期会产生更复杂的运行模式，需要对三者的制度安排以及协同程度有一个确切的评价体制，以形成大学、产业和政府三方长期稳定的关系。2006年，周春彦和埃茨科维兹[4]在已有相關理论的基础上，探讨了是否存在第四个螺旋。自此众多学者从理论上不断完善三螺旋的具体模式和内涵，潘东华和尹大为[5]从三螺旋组织接口概念出发，详细描述了双边、三边组织接口对其在创新过程中的促进作用，提出了一个以接口组织为基础的知识转移框架。邹波等[6]从理论上揭示了三螺旋协同创新的内在机制，从实践上提出大学、产业和政府协同创新发展的具体路径。范柏乃和余钧[7] 认为三螺旋模型是一种相对理想的制度安排，并对三螺旋模型做了进一步的修正和拓展。

关于三螺旋协同创新研究，学者多采用定性研究。李恩极和李群[8]分析了政府主导下的产学研协同创新利益分配机制。肖国华等[9]在三螺旋理论基础上，探讨了以政府、企业、科研机构和以科技服务为主的第四股力量构成的四螺旋模型下协同创新信息平台的建立。戚盠和朱姝[10]对产学研金协同创新决策的过程进行了博弈分析，结果发现不同类型企业的协同创新意愿不同。

关于大学、产业和政府三螺旋关系的测定，Leydesdorff[11]提出了用来测度大学-产业-政府三螺旋动态关系的Triple Helix算法（简称TH算法），该算法是以信息论为基础，通过分析创新系统中三方参与者之间的不确定性，来研究整个创新系统网络合作关系的紧密程度。这一算法的提出开辟了三螺旋定量研究的新方法，很多学者运用该算法进行定量研究。庄涛和吴洪[12]以中国在美国专利商标局获得授权的专利数据为依据对中国大学、企业和政府在协同创新中的互动关系进行了测定。吴卫红等[13]利用Web of Science TM核心集合引文数据库，从三螺旋算法推进到N螺旋算法，测度中美两国创新主体的协同发展态势。陈强和刘笑[14]基于SCI、SSCI以及A&HCI的论文数据，利用TH算法对上海和东京产学政的协同创新关联紧密度进行了测定。TH算法所用数据主要来源于专利数据和数据库收录的论文数据。

目前关于三螺旋协同创新的研究多为从理论上定性研究三螺旋协同创新体制机制，实证分析较少。政府-产业-大学三螺旋关系测定的数据来源主要为数据库引文检索数据或者专利数据，并不能涵盖技术创新的主要影响因素，使得研究结果具有局限性。现有文献多为利用TH算法对国家整体政产学关系的测定，对省域政产学协同创新研究不足，我国地域辽阔，各省份受地理、经济等各方面影响，协同创新情况往往呈现不同的特征。复合系统协同度模型是研究主体协同效果的重要模型，可以对子系统内部要素的有序度以及系统整体的协同度进行测度。因此，本文首先建立政产学协同创新评价指标体系，利用复合系统协同度模型测度全国30个省份的政府-高技术产业-大学系统各子系统以及整体的协同创新能力，通过评估三螺旋模式下的省域协同创新能力，利用灰色关联分析找出影响协同创新发展机制的主要因素，为提升区域协同创新水平提出对策建议。

二、模型构建

三螺旋创新系统中各方相互联系、相互作用，具有复杂的非线性特征，因此本文采用复合系统协同度模型来测算系统整体的协同度。在测度协同度之前，首先需要确定政产学协同创新评价指标体系中的指标权重，如表1所示，主观赋权法和客观赋权法是确定指标权重的两大方法类别，主观赋权法主要根据评估者经验主观判断得到，客观赋权法由测评指标的实际数据测算得到，为了使结果更加客观，本文选取客观赋权法的熵值法来确定指标权重。

（一）熵值法

首先对数据进行归一化处理以消除量纲影响，Xabc表示a年b城市的第c个指标，当指标Xabc越大越好时，用如下公式（1），当指标Xabc越小越好时，用如下公式（2）。

Xabc = （1）

Xabc = （2）

参考钱吴永和祁尖[15]的文献，计算第c个指标下a年b城市占该指标的比重为：

Pabc = （3）

计算c指标的熵值为：

ec = -kabPabc  ln（Pabc） 其中k =  （4）

计算信息冗余度为：

dc = 1 - ec（5）

计算指标权重为：

wc = （6）

（二）复合系统协同度模型

政产学复合系统协同度模型的子系统分别为政府子系统、高技术产业子系统、大学子系统，将其定义为B1、B2和B3，子系统的序参量变量为bix=（bi1，bi2，…，bin），表示子系统的运行情况，其中n≥1，Xix≤bix≤Yix（x=1，2，…，n;i=1，2，3），Xix和Yix分别为其序参量的下限和上限。按对系统有序性的贡献分类，序参量变量可以分为两种类型，一种是正向指标，正向指标越大越好，即序参量变量的取值越大，系统的有序度越高;另一种是负向指标，负向指标越小越好，即序参量变量的取值越小，系统的有序度越高。序参量变量的有序度可以表示为：

μi（bix ） =     正向指标    负向指标（7）

从式（7）可知，序参量变量的有序度在[0，1]之间，值越大，代表序参量变量对系统有序度的贡献就越大。子系统的有序度是序参量有序度的集成，本文采用线性加权法对子系统的有序度进行测算，如公式（8） 所示。wx 是权重系数，表示bix在系统保持有序运行的地位。

μi （bi ） = wx μi （bix ）（8）

其中wx≥0， wx = 1

由定义可知μi （bi）∈[0，1]，子系统的有序度μi （bi）越大，那么子系统对复合系统协同发展的贡献度就越大。基于时间序列分析，在复合系统发展演变的过程中，子系统t0时刻的有序度为μi0（bi），t1时刻子系统有序度为μi1（bi），t0 - t1时间段政产学协同创新水平的计算公式为：

CI = α（9）

其中α=且μi1（bi） - μi0（bi）≠0。CI的取值范围为[-1，1]，取值为正，说明系统协同，越接近1，系统整体的协同创新水平越高。取值为负，说明至少一个子系统无序，系统整体不協同。

三、指标体系设计及数据来源

政产学协同创新过程本质上是创新主体对创新资源投入，获得相应产出的过程，因此将政府子系统、高技术产业子系统和大学子系统下的每个序参量分为投入指标和产出指标。政府在创新中扮演重要角色，为地方提供财政支持，出台鼓励性政策，搭建各类创新平台，以促进创新成果转化，推动地区经济发展。高技术产业是R&D人员占比高的产业，企业建立研发机构或部门，投入大量人力和经费，开发新产品，申请有效专利，为企业发展提供动力支撑，专利授权数会产生时限延期，指标体系中用专利申请数更符合年份实际情况。大学是科研人员的集聚地，国家支持大学课题研究、专利申请，大学发表科技论文，转化科技成果，为创新发展提供源泉。基于此，构建如表1所示的政产学协同创新评价指标体系。

利用熵值法得到表1中各指标的权重。数据来源于《中国科技统计年鉴》 《中国统计年鉴》 《中国火炬统计年鉴》和《中国高技术产业年鉴》。

四、实证分析

（一）子系统有序度分析

利用均值-标准差方法对政府子系统原始数据进行标准化处理，将标准化数据代入公式（7）得到序参量的有序度，参考刘志迎和谭敏[16]，取标准化数据的最大值和最小值的110%作为序参量的上限值和下限值。将μi（bix）代入公式（8）得到政府子系统的有序度，结果如表2所示。

数据结果显示：全国政府子系统的有序度平均水平从2010年的0.050一举跃升至2018年的0.905，从无序到有序，得益于政府在创新管理中发挥了不可替代的积极作用。为实现创新型国家建设，我国政府不断完善创新政策，积极搭建科技园、孵化器等创新平台，为产业创新提供全链条服务，政府在创新管理中的贡献作用直线上升。 纵观2018年数据，25个省份的有序度在0.9以上，各省政府积极推进区域协同创新。

将高技术产业子系统指标数据标准化后，代入公式（7）得到序参量有序度，将结果代入公式（8），得到高技术产业子系统的有序度，结果如表3所示。

高技术产业子系统的测算结果显示：2010年有序度平均水平为0.157，2011年出现明显下滑，主要原因在于高技术产业受金融危机影响，发展不稳定，而2011年是我国“十二五”规划的开局之年，政府大力培育战略性新兴产业，我国的高技术产业呈现良好的发展态势，2011年之后子系统有序度逐年增加，且增加的速度较快，2018年高技术产业子系统的有序度均值增加到0.772。

同样，将指标体系中收集到的大学子系统数据标准化后代入公式（7）得到序参量有序度，将结果代入公式（8），得到大学子系统的有序度，得到如表4所示。

相较高技术产业子系统，2010—2018年间全国大学子系统有序度平均水平缓慢增长。各个省份呈现不同发展态势，主要分为两种：震荡上升和“W式”下降。全国大部分省份大学子系统有序度呈现震荡上升的趋势，其中辽宁、四川基本呈直线式增长，且增长速度较快，2010—2018年间辽宁省由0.090增加至0.834，四川省由0.052增加至0.939。“W式”下降的省份有河南、云南，河南省大学子系统有序度2010年为0.594，之后处于波动下降状态，2013年达到了新的高点0.582，之后波动下降，2018年达到了0.588，与2010年基本持平。云南省的大学子系统有序度2010年为0.564，之后波动下降，2013年达到了0.471，之后再次波动，2018年达到了0.501，与2010年基本持平。两省呈“W式”变化，且2018年的有序度要低于2010年。总体来看我国大学创新系统发展极不稳定。

系统整体的协同度受各个子系统有序度的影响，任何一个子系统的失衡，都会拉低系统整体的协同发展。2010—2018年政府子系统、高技术产业子系统和大学子系统有序度对比结果如图1所示。

根据图1，2012年以来，政产学协同创新系统中大学子系统有序度较低，限制系统整体协同创新水平。大学掌握着丰富的创新资源，是创新链中的重要一环，现阶段大学对协同创新的贡献度较低，潘丹和李永周[17]基于組合评价法和K均值聚类分析得出大学自身创新能力弱，90.32%地区的高校科技创新能力处于或低于“一般”水平，高校政产学协同创新过程中存在诸多问题：大学科技成果与实际应用脱节，科技成果转化激励机制不健全，大学技术转移效率低等。重视大学扮演的创新角色，合理利用大学创新资源，挖掘大学创新力量是未来创新发展的重要任务。

（二）政产学协同创新水平分析

将各子系统的有序度结果，代入公式（9）得到30个省份的政府-高技术产业-大学系统的协同创新水平，如表5所示。从全国平均水平看，政产学系统协同创新水平波动上升，从负值到正值，从不协同到低水平协同，表明政府、高技术产业、大学三者的协同创新程度低，未来具有很大发展空间。

直观地看，30个省份的协同创新水平在2011—2018年间有正有负，省域协同创新发展极不平衡。更进一步地，纵观2018年各省份协同创新水平，东部地区的北京、天津、广东、海南，中部地区的吉林、黑龙江、安徽、江西，西部地区的内蒙古、广西、重庆、青海、宁夏和新疆处于平均水平以下且协同度为负值，系统整体不协调，其余16个省份达到全国平均水平且协同度为正，其中山东、河南、湖南、四川四省协同水平达到0.2及以上，省域政产学协同创新水平存在空间差异，从均值来看，表现为“东中部低协同，西部不协同”特征。

（三）政产学协同创新影响因素分析

以上分析显示，我国东中西部地区呈现不同特征。为了深入分析不同地区之间影响政产学协同创新的主要因素，本文利用灰色关联分析法对各地区做了进一步探究。灰色关联分析是根据因素之间发展趋势的相似或者相异程度来衡量因素间关联程度的一种分析方法，适用性广，被广泛应用于社会经济系统。

首先需要确定分析指标体系，参考序列为政产学系统协同创新水平，比较序列为指标体系中的18个变量指标，逐一计算参考序列与比较序列的绝对值差？驻，取绝对值差的最小值？驻min和最大值？驻max计算关联系数，其公式为：

ε=（10）

其中ρ为分辨系数，通常取0.5，本文取0.5进行运算，关联度结果为该省各年度关联系数均值，利用Python得出关联系数结果ε 如表6所示。关联度的取值越接近1，表示变量指标与协同水平的关联性越高，协同度受该变量指标的影响程度越高。表6结果显示评价指标体系中的各指标与政产学协同创新的关联系数均在0.5以上，表明各指标与政产学协同创新具有较高关联。

从全国平均水平来看，影响政产学协同创新的主要因素排名前五名的有：高校R&D人员合计数（X14）、高技术产业研发机构数（X7）、高校R&D经费内部支出（X15）、高技术产业R&D人员折合全时当量（X6）、高技术产业新产品开发项目数（X10）。与子系统分析结果相同，高技术产业和高校拉低了整体协同创新水平，高校需要加大R&D人员引进以及经费支出，为协同创新提供不竭动力。高技术产业在增加R&D人员、扩大研究机构数的同时，要加强与高校和研发机构的合作，打通协同创新渠道，加快新产品项目研发。

分地区来看，不同地区主要影响因素存在明显差异。东部地区排名前五的影响因素为地方财政科技支出（X2）、高技术产业新产品开发项目数（X10）、新产品销售收入（X11）、高技术产业R&D人员折合全时当量（X6）、高校R&D人员合计数（X14），东部地区的地方财政科技支出与协同创新水平关联度排序第一，表明地方财政科技支出对地区协同创新影响较大，排名前五的影响因素中第二至第四是高技术产业相关指标，表明高技术产业的创新发展是影响东部地区协同创新的重要因素;中部地区排名前五的影响因素为高校R&D人员合计数（X14）、高校R&D课题数（X16）、高校R&D经费内部支出（X15）、高技术产业研发机构数（X7）、R&D经费内部支出来自政府部分（X1），高校的创新投入与中部地区协同创新关联度较高，提高中部地区高校R&D投入是提高地区协同创新水平的关键;西部地区排名前五的影响因素为高技术产业R&D人员折合全时当量（X6）、高校形成国家或行业标准数（X19）、高技术产业研发机构数（X7）、高技术产业新产品开发项目数（X10）、高校R&D经费内部支出（X15），高技术产业R&D人员折合全时当量与西部地区协同创新水平关联度排序第一，西部地区高校增加R&D经费支出以及提高国家或行业标准数是未来提升西部地区协同创新水平的重要举措。

五、结论和建议

本文建立了政府-高技术产业-大学三螺旋协同创新评价指标体系，利用协同度模型对我国30个省份的三螺旋协同创新能力进行测算。结果显示：第一，三个子系统中，大学子系统的短板效应拉低了整体协同创新水平，发挥高校作为创新主体的重要力量，是当前提升主体协同创新发展水平的关键;第二，就全国平均水平而言，2011—2018年间政产学系统整体协同度呈现缓慢上升的趋势，且处于低水平的协同状态，省域协同创新发展极不平衡，呈现“东中部低协同，西部不协同”特征。第三，东中部地区协同创新的主要影响因素呈现差异化，要有针对性提升主体协同创新能力。

根据上述结果，针对当前我国政产学主体协同创新面临的问题，提出以下建议：

（一）建立现代化创新平台

研究结果显示高技术产业在协同创新方面缺乏R&D人员、研究机构与新产品开发项目，本质上是创新资源的匮乏。建立以企业技术需求为导向，以信息技术为支撑，集成利用高校科技资源与政府政策支持的现代化创新管理信息平台，让高校的创新资源与项目研究通过三方信息平台高效对接市场产业发展需求，实现科技成果新建、整合、完善和提高。

（二）完善多渠道融资体系

创新的发展离不开资金的支持，研究结果显示高校创新发展受R&D经费支出的影响。政府要增加财政支持力度，完善科技成果转化资金支持体系。高校和产业在创新过程中高效利用财政拨款，适当引入金融资本，鼓励支持风险投资基金助力创新发展，让金融市场为创新发展提供源源不断的活力。

（三）实现多方位校城融合

由政府牽头，联合校企资源，签署合作框架协议，政府支持高校发展，充分发挥高校职能，高校结合学科链与当地产业链发展，对接行业人才需求，优化学科专业建设。鼓励当地高校毕业生留在当地就业创业，服务创新发展，有效实现人力、财力资源共建共享，提高资源利用率。

（四）做好示范区带动作用

东部地区依托优越的地理位置和产业优势，高科技企业可以快速孵化壮大，同时东部地区也是高校资源集聚的地方，在东部地区选取合理地点发展协同创新模式试点，着力形成创新经济示范区，带动中西部地区后续推进协同创新发展，从而整体上达成创新驱动经济的发展态势。

[参考文献]

[1]  Etzkowitz H，Leydesdorff L. The triple helix university-industry-government relations： a laboratory for knowledge-based economic development[J]. ESAAT Review，1995（19）：14-19.

[2]  Leydesdorff L. The triple helix model and the study of knowledge-based innovation systems[J]. Journal of Contemporary Sociology，2005（1）：12-27.

[3]  Leydesdorff L，Meyer M. Triple Helix indicators of knowledge-based innovation systems[J]. Research Policy，2006（10）： 1441-1449.

[4]  周春彦，亨利·埃茨科维兹. 双三螺旋：创新与可持续发展[J]. 东北大学学报（社会科学版），2006（3）：170-174.

[5]  潘东华，尹大为. 三螺旋接口组织与创新中的知识转移[J]. 科学学研究，2008（5）：1073-1079.

[6]  邹波，郭峰，王晓红，等. 三螺旋协同创新的机制与路径[J]. 自然辩证法研究，2013（7）：49-54.

[7]  范柏乃，余钧. 三重螺旋模型的理论构建、实证检验及修正路径[J].科学学研究，2015（10）：1552-1558+1568.

[8]  李恩极，李群. 政府主导的产学研协同创新的利益分配机制研究[J]. 研究与发展管理，2018（6）：75-83.

[9]  肖国华，詹文青，杨云秀，等. 情报工程视角下四螺旋协同创新信息平台建设研究[J]. 情报科学，2020（1）：147-152+161.

[10]  戚盠，朱姝. 产学研金协同创新体系建设博弈分析[J]. 科技进步与对策，2018（14）：30-35.

[11]  Leydesdorff  L. The mutual  information  of university-industry-government relations： an   indicator  of  the  Triple Helix  dynamics[J]. Scientometrics，2003（2）：445-467.

[12]  庄涛，吴洪. 基于USPTO数据的中国官产学三螺旋关系研究[J].科技管理研究，2015（20）：214-218.

[13]  吴卫红，陈高翔，张爱美. 互信息视角的政产学研资协同创新四螺旋实证研究[J]. 科技进步与对策，2018（6）：21-28.

[14]  陈强，刘笑. 城市三螺旋创新体系测度——基于上海和东京的对比研究[J]. 中国科技论坛，2015（9）：17-23.

[15]  钱吴永，祁尖. 基于节点城市的物流产业效率与经济增长协同发展测度研究[J]. 工业技术经济，2018（5）：19-28.

[16]  刘志迎，谭敏. 纵向视角下中国技术转移系统演变的协同度研究——基于复合系统协同度模型的测度[J].科学学研究，2012（4）：534-542+533.

[17]  潘丹，李永周，王晓洁，等. 高校科技创新能力比较研究——基于组合评价法和K均值聚类分析[J]. 中国高校科技，2020（5）：30-34.

Effect of Government-Industry-University Collaborative Innovation Based on Triple Helix Model-Taking High-tech Industry as an Example

YANG Yuzhen1， LIU Xiaomei1， ZHAO Yanxia2

（1. School of Economics and Management， Hebei University of Technology， Tianjin 300401， China; 2. School of Economics and Management， North China University of Science and Technology， Tangshan， Hebei 063210， China）

Abstract： Based on the triple helix theory and collaborative innovation theory， the paper has established an evaluation index system of government-high technology industry-university collaborative innovation. Composite system synergetic degree model and the entropy value method are employed to measure the collaborative innovation degree of government， high-tech industry and university as well as the whole system in 30 provinces in China from 2010 to 2018. Furthermore， grey relational analysis was used to explore the influencing factors of government-industry-university collaborative innovation. The results show that the cask effect of university subsystem lowers the overall collaborative innovation level. From 2011 to 2018， the  government-industry-university collaborative innovation capacity in China saw a slow upward trend， but remained at a low level of coordination， featuring low coordination in the eastern and central regions as well as lack of coordination in the western regions. The main factors affecting collaborative innovation in the eastern and central regions are obviously different. In view of these existing problems， countermeasures and suggestions are put forward.

Key words： triple helix; collaborative innovation; government; high-tech industry; university