基于SBM-DEA模型的陕西科技资源配置效率评价及影响因素分析

赵立雨 杨可 娄俊婷

摘 要：研究基于投入產出角度建立科技资源配置效率评价指标体系，并从动态和静态两个方面对陕西省科技资源配置效率进行分析。分别采用超效率SBM-DEA模型和超效率DEA模型对陕西省科技资源配置效率的静态效率进行了评价，并分析了政府教育投入力度、产业结构调整、对外开放程度、环境治理程度、经济发展水平等因素对陕西省科技资源配置效率的影响。实验结果表明，考虑环境约束下的科技资源配置效率的测度更为科学合理。政府教育投入力度、产业结构调整、环境治理程度与陕西省科技资源配置效率正相关，这3个因素的正向提高能够促进陕西省科技资源配置效率的进步，对外开放程度与陕西省科技资源配置效率负相关，地区经济发展水平对陕西省科技资源配置效率这个相对值并没有显著影响。为进一步提升科技资源配置效率，陕西需优化科技资源配置环境、提高教育资源配置效率、推动产业结构优化升级、加大环境污染治理投入。

关键词：科技资源配置;效率评价;影响因素;陕西科技资源;DEA模型;环境约束

中图分类号：

F 124.5   文献标识码：A   文章编号：1672-7312（2021）01-0045-11

Technology Resources Allocation Based on SBM-DEA Model

ZHAO Liyu，YANG Ke，LOU Junting

（School of Economics and Management，Xian University of Technology，Xian  710054，China）

Abstract：This paper establishes an evaluation index system for the allocation efficiency of science and technology resources from the perspective of input and output，and analyzes the allocation efficiency of science and technology resources in Shaanxi Province from both dynamic and static aspects. The super-efficiency SBM-DEA model and the super-efficiency DEA model are used to evaluate the static efficiency of the allocation efficiency of scientific and technological resources in Shaanxi Province， and analyze the influence of government investment in education， adjustment of industrial structure， degree of opening to the outside world， degree of environmental governance and level of economic development on the allocation efficiency of scientific and technological resources in Shaanxi Province. The experimental results show that the measurement of the allocation efficiency of scientific and technological resources under environmental constraints is more scientific and reasonable. Government investment in education， industrial structure adjustment， and environmental governance are positively correlated with the efficiency of the allocation of scientific and technological resources in Shaanxi Province. The positive improvement of these three factors can promote the improvement of the efficiency of allocation of scientific and technological resources in Shaanxi Province， and the degree of openness is related to the allocation of scientific and technological resources in Shaanxi Province. Efficiency is negatively correlated， and the level of regional economic development has no significant impact on the relative value of the allocation efficiency of scientific and technological resources in Shaanxi Province. In order to further improve the efficiency of the allocation of scientific and technological resources， Shaanxi needs to optimize the environment for the allocation of scientific and technological resources， improve the efficiency of the allocation of educational resources， promote the optimization and upgrading of the industrial structure， and increase investment in environmental pollution control.

Key words：allocation of science and technology resources;efficiency evaluation;influence factors;Shaanxi science and technology resources;DEA model;environmental constraints

0 引言

伴随知识经济时代的到来，科技资源投入的数量与质量从根本上决定着这个国家的创新水平和创新绩效。但科技资源的相对稀缺性以及较低的科技资源配置效率都在一定程度上制约科技创新能力的提高。陕西作为科教文化大省，科技和人才资源富集，优势明显，但丰厚的科技资源没能有效地转化为经济发展成果，造成科技存量与经济发展水平不相匹配的“陕西现象”，成为阻碍陕西省经济社会全面发展的巨大难题。如何解决科技与经济脱节的“两张皮”现象，实现科技资源大省经济发展水平的追赶和超越，唯一的实现路径就是充分发挥科技创新的驱动作用，让科技创新成为引领经济发展的新引擎，而其中关键一环就是提高科技资源的配置效率。因此，研究陕西科技资源的配置效率及其影响因素有着重要的现实意义。

在全球生态环境逐渐恶化和气候变暖的背景下，实现绿色增长已达成国际共识。过去积累的环境问题已经日益成为经济和社会可持续均衡发展的威胁。依靠牺牲环境来促进经济发展的粗放型道路已经走不通，资源的稀缺限制了经济的快速发展，而科技力量却是无限的，科学合理的配置科技资源、释放科技创新活力显得尤为重要。在绿色健康发展的大背景下，科技创新也不应该仅考虑经济产出，而应该综合经济、社会、生态的均衡协调发展，因此，分析和研究环境约束下科技资源的配置效率对我国长远健康发展具有重要意义。坚持生态平衡的自然法则以及可持续发展的科技资源配置目标，不再单纯以科技资源的产出量衡量配置效率，而是结合生态经济学思维全面评价科学技术资源的配置过程及其对生态环境的影响。目前国内外学术界逐渐关注科技资源配置及效率方面的研究，从科技资源配置方式、配置机制到配置效率提升等方面相关研究成果较为丰富，但是在地方科技资源配置效率方面的研究较为欠缺，因而论文拟以陕西省科技资源配置问题为研究对象，从投入和产出两个方面构建评价指标体系，采用超效率SBM-DEA模型对陕西省科技资源配置效率进行评价，论文研究了陕西省科技资源的高消耗和对环境污染的情况，盘活科技资源存量，加快形成科技资源合理配置和生态环境保护协调发展的模式，有效促进陕西“科技”与“经济”相结合，提升陕西经济高质量发展。

1 指标选取与数据来源

科技创新对于经济和社会发展起着举足轻重的作用。而科技资源作为科研创新活动的基础，被称作是推动科技活动顺利开展的“第一资源”，科技资源整体配置水平的高低直接关系创新能力的强弱和经济发展的方向。因此，许多学者在进行科技创新能力研究时，越来越重视科技资源的配置效率问题。赵立雨等人（2014年）[1]在分析和评估陕西省科技投入产出绩效时，投入指标包括两个维度：资本投入和人力投入。产出指标分为3个维度：科技直接产出、经济间接产出和生态效益产出。用科技论文数量和专利授权数量来衡量科技直接产出，技术市场交易额作为经济效益产出。贺红等人（2016年）[2]采用AHP法、DEA模型以及模糊综合评价法评价政府的科技投入产出绩效，选取6个指标衡量科技产出，主要包括论文发表数量、专利授权数量、技术市场成交额、高技术产业主营业务收入、重大科技成果以及国家奖励。潘娟和张玉喜（2018年）[3]用DEA模型分析了金融投资的科技创新绩效，选取新产品的销售总额、高新技术产业主营业务收入以及技术合同交易额作为评价科技创新绩效的产出指标。在对科技创新进行评价和研究时，熊曦等学者（2019年）[4]将投入指标分为科技人员投入和科技经费投入两个维度，分别将专利授权数作为科技间接成果，将科技检索论文数量作为衡量科技成果的最终产出指标。在张永安[5]等学者（2018年）建立的评价指标体系中，基于两阶段DEA模型评估区域创新绩效，第一阶段将技术市场交易金额、技术合同成交数量、科技专利授权数和申请数作为中间科技成果产出，第二阶段将高新技术产业总产值、科技创新产品销售收入作为最终科技成果进行衡量。

从绿色和低碳的角度考虑科技资源的产出，范斐等人（2016年）[6]在分析省域科技资源配置效率时空差异性时引入环境因素的异质性，比较不考虑环境因素和考虑环境因素下科技资源配置效率的不同，发现引入环境因素的测量结果更具有科学性。梁林等人[7]（2019年）基于环境视角，采用SBM-Undesirable模型测算省域科技资源配置效率，用Tobit回归模型分析环境因素对科技资源配置效率的影响程度，发现工业二氧化硫排放量显著影响配置效率的高低，工业废水排放量影响次之，工业粉（烟）尘排放量对效率的影响程度最小。论文采用的数据主要來源于2019年的《中国科技统计年鉴》及《陕西统计年鉴》。

研究借鉴上述学者在科技投入绩效指标划分方法，考虑到科技资源配置能力与创新效率呈现高度相关性，在《中国创新发展报告》[8]的基础上，参考其中科技指标构建体系，从投入和产出的角度来考虑科学技术资源的配置效率。鉴于科技资源主要是指科技人力资源、财力资源、科技物质资源、科技信息资源4个方面，且4个要素在科学技术资源的分配中充当不同的角色，因此本文将其作为研究对象。其中用R&D人员全时当量反映区域人才吸引能力，衡量科学技术人力资源的总体情况;用区域内政府R&D经费支出反映政府对科学技术活动的支持力度，衡量科技活动所需要的财力资源，并细分为3个不同的研究层次，详细分析政府科研经费对基础研究、应用研究和实验发展研究领域的支持程度;其中政府为科技创新活动的发展投入的固定资产反映了地区科学技术物力资源的丰富程度;用区域互联网使用数量反映科技信息资源要素的流动性。

鉴于以上分析，将科技资源的产出分为两个方面：期望产出和非期望产出。期望产出中将国家科技成果专利授权数和3种主要的科研论文检索数两项知识形式的产出作为科技投入的科研成果产出，而将新产品销售收入、高技术产业主营业务收入和技术市场成交额作为科技投入的经济产出。非期望产出中，由于资源环境条件影响了资源要素的集聚方式，通常丰富的自然资源、环境良好的地区聚集了大量人力资本、知识信息等先进的生产要素，并常常成为新技术、新产业的起源地，而低水平的生产要素或环境污染物往往向其他区域转移，环境因素的制约在区域经济发展过程中成为影响科技配置资源效率的重要因素。因此本文将选取工业废水、工业二氧化硫排放量（粉）、工业烟尘排放量作为非期望产出的评价指标，从而在绿色低碳产出背景下综合衡量科学技术资源的配置效率，见表1。

2 模型构建

2.1 超效率SBM模型构建

数据包络分析（Data Envelopment Analysis，简称DEA）是一种效率评估方法，用于多个输入和输出来评估对象的相对有效性。最初是由美国运筹学科学家Charnes基于相对有效性的概念开发的评价方法。基于Farrell效率测度的CCR模式和BCC模式的传统DEA方法属于径向和线性分段的测量理论，由于没有对松弛量的影响考虑在内，可能会导致最终的效率测度产生一定的偏差。而且经典的DEA方法没有考虑每个对象的外部环境和随机误差可能产生的影响，获得的效率值可能会低于或高于实际效率水平。Fukuyama H 和Weber W.A通过将投入和产出松弛变量引入目标函数中，提出了一种非径向的基于松弛变量的（Slack-Based Measure，SBM）效率评估模型。Tone在环境生产技术条件下构建了包含非期望产出的SBM模型，与经典DEA模型不同之处在于目标函数中包含了松弛变量，不但解决了传统DEA模型中存在非零松弛变量的问题，同时也解决了评价过程中所包含的非期望产出问题。作为DEA的扩展模型，SBM模型的优点是无需在效率解决方案中设置生产函数，不受指标维度的影响，并考虑了多个投入产出指标的权重问题。其中包含非期望产出的SBM模型解决了径向DEA模型在效率为零的测量中不包含松弛变量的问题，即可以减少（增加）相应松弛变量的比率来对无效率结果进行具体因素分析。在非期望产出SBM模型的基础上采用超效率对同期数据包络前沿的决策单元（效率值均为1）进行进一步比较，以实现更准确的测量。

包含非期望产出的SBM模型是在假设现有K个决策单位（Decision Making Units，DMU）基础上分析每个决策单位中包含的N种投入、M种期望产出、I种非期望产出，模型的具体表达式为

式中，ρ为科技资源配置效率值;N、M、I分别为科技投入、期望产出、非期望产出的个数;

sxn，xym，sbi为投入产出的松弛向量;xtkn，xtkm，btki为第K个地区在t时期的科技投入产出值，zkk表示每个决策单元的权重。目标函数ρ关于sxn，sym，sbs严格单调递减，且0<ρ≤1;当ρ=1时，表明科技资源配置效率完全有效;当ρ<1时，表明科技资源配置效率存在一定的损失，可以通过调整投入量、期望产出及非期望产出量来进一步改善科技资源配置效率。

在非期望产出SBM模型的基础上采用超效率，针对科技资源配置有效的省份进行更准确的测算，包含非期望产出的超效率SBM模型如下

在测量科技资源配置效率时考虑了环境的异质性，运用包含非期望产出的SBM模型进行科学技术资源配置效率评价。该模型考虑了松弛变量引发的问题以及效率以外的因素对评价结果的影响，解决了资源配置效率在绿色环境影响下的测量，即在现有科技资源有效产出的基础上，消除科技资源配置对区域环境造成的负面影响后的最终分配结果，是对科技资源配置综合效率的客观全面评估，不仅测量了区域科技资源配置与生态环境之间的协调性，还进一步准确衡量了科技资源配置的科学性和合理性。

2.2 Malmquist 指数法模型的建立

Malmquist指数分析法由Malmquist于1953年提出，并在1982年之后被学者用来衡量生产率的变化。但是长期以来关于Malmquist指数理论的实证研究非常少。Fare等人将Malmquist指数与数据包络分析结合（DEA-Malmquist指数方法）进行效率研究后，该理论才被广泛关注和使用。现在，Malmquist指数分析法已广泛用作衡量卫生、教育、金融和其他部门全要素生产率（TFP）变化的特殊指标。其中，在规模收益不变（CRS）的假设下，TFP可以分解为技术效率（EFFCH）与技术进步（TECH）。在规模收益可变（VRS）的假设下，技术效率变化可分解为规模效率变化（SECH）和纯技术效率变化（PECH）。即全要素生产率可以分解为规模效率变化、纯技术效率变化和技术进步。具体而言，根据Fare提出的DEA-Malmquist指数方法，从t到周期t+1的Malmquist指数公式可以表示为

（3）

在公式（3）中，第一项指的是技术效率指数（EFFCH），第二项指的是技术进步指数（TECH），di指的是投入导向的距离函数。当mi<1时，說明生产效率下降了;当mi=1时，说明生产效率不变;当mi>1时，则表示生产效率提高了。公式（3）又可以进一步转化为

在公式（4）中，第一项指的是规模效率变化（SECH），第二项指的是纯技术效率变化（PECH），最后一项指的是技术进步（TECH），即TFP=SECHPECHTECH。

3 两种科技资源配置效率的测度

建立固定规模报酬下产出导向的非期望产出超效率SBM模型，使用MaxDEA 8.3软件分别对2008—2017年30个DMU的科技资源配置效率值ρ*进行评价（西藏数据缺失较为严重，故剔除西藏地区），并与不考虑非期望产出条件下测算的省域科技资源配置效率ρ进行对比分析，通过横向和纵向比较科技资源配置效率。根据考虑非预期的产出来比较科技资源的分配效率。两种科技资源的分配效率反映了在考虑非预期产出和不考虑非预期产出两种情况下的相对效应，表明了科技资源配置的相对效率。对测算结果进行整理得到2008年至2017年陕西省科技资源配置效率，见表2。

研究结果表明，2008—2017年间陕西省科技资源配置效率，在不考虑非期望产出得到的超效率值明显高于考虑非期望产出的超效率值，2017年下降幅度为0.435，2016年下降幅度为0.354，说明环境污染对陕西省科技资源配置效率的提高具有一定的制约作用，2017年环境污染对科技资源配置效率的制约程度要大于2016年，环境因素阻碍陕西科技资源配置效率提升的作用逐渐明显，因此，不断压缩经济发展的环境成本，将科技创新活动与环境绿色发展紧密结合，对于促进经济、社会、环境的协调可持续发展非常重要。

纵向来看，陕西省2008年的科技资源配置的综合效率小于1，资源配置效率不高。除了2008年，2009—2017年陕西省科技资源配置综合效率都大于1，综合效率有效，2012年综合效率值最大，达到1.924，说明2012年陕西省技术条件和生产规模与其他各年相比位于生产前沿面，科技投入资源转化为科技产出的能力最好，科技资源配置较为合理，资源浪费情况相对较少。横向来看，根据2008年至2017年测算的全国各省的科技资源配置综合效率，计算得到近十年30個省份的科技资源配置综合效率平均值，见表3。

由表3可知，2008—2017年陕西省科技资源配置综合效率在两种测算方式下的平均值均在30个省中排列第9位，总体处于中上水平。将陕西省各年科技资源配置综合效率与全国各年综合效率的平均值对比，由图1可知，考虑非期望产出的综合效率值要低于传统方式测算的综合效率值，也就是说考虑环境污染的情况下，测算出的科技资源的配置效率值明显降低。在研究期间，考虑非期望产出的陕西省科技资源配置效率除2008年较低只有0.260，其余年份保持相对平稳，2008—2017年间考虑非期望产出的陕西省科技资源配置效率均值为1.058，普遍高于全国平均水平0.897;不考虑非期望产出的陕西省科技资源配置效率在一定范围内的波动，2008年达到最低值0.404，远远低于全国平均水平1.351，2009—2017年普遍高于全国平均水平，在2012年达到最高值1.924，略高于全国平均水平1.382。2008年到2017年，除西藏地区外全国科技资源配置的综合效率均值为1419，陕西省近10年科技资源配置综合效率均值为1.501，略高于全国平均水平。从整体来看，2008—2017年期间，陕西省科技资源配置的综合效率水平处于中等偏上，但与北京、江苏、上海等地还有较大的差距，陕西省技术条件优化和改善的空间还很大。

在运用超效率SBM模型进行静态分析基础上，进一步使用Malmquist模型测量陕西省2008—2017年科技资源配置效率动态变化情况，并进行分解找出引起变动的可能原因。使用MaxDEA 83得到Malmquist全要素生产率指数变化并将其分解，分析全要素生产率指数变化及其分解的动态变化情况，整理结果见表4。

由表4可知，陕西科技资源Malmquist指数在两个阶段内小于1，表明在2008—2009年、2009—2010年全要素生产率水平发生降低的情况;除此之外2010—2017年每一阶段的全要素生产率指数均大于1，说明生产率水平始终保持上升。为进一步分析影响生产率指数变动的具体原因，根据式（3）将全要素生产率分解为技术效率变化和技术进步。

由表4中可以看出2008—2009年、2009—2010年、2013—2014年、2015—2016年技术效率变化小于1，说明技术效率在不断降低，即在科技投入要素保持相对恒定的条件下，实际获得的科技产出在不断减少，被评价单元在这4个时间段内获取最大产出的能力存在下降趋势。其余5个时间段内，技术效率变化大于1，说明技术效率在不断增加，即在科技投入要素保持相对恒定的条件下，实际获得的科技产出在不断提高，被评价单元在这5个时间段内获取最大产出的能力在不断上升。陕西省2008—2017年技术效率变化的平均值为1.011 9，总体来说陕西省科技资源配置技术效率在不断提升。2008—2012年、2014—2015年的技术进步值小于1，表明这几个时间段内不存在技术进步，其余4个阶段存在技术进步，研究期间技术进步均值为0.999 2，表明在研究期内陕西科技资源配置过程中总体上存在技术退步。

从图2可以看出，从2008—2017年陕西科技资源配置的技术效率变化与全要素生产率的变化趋势基本保持一致，2009—2013年、2014—2015年引起全要素生产率变化的主要原因是技术效率的变化。为进一步分析引起技术效率变化的原因，如式（4）所示，将技术效率变化进行分解为纯技术效率变化和规模效率变化，通过分析这两部分效率变化值来反映技术效率的变化情况。

纯技术效率能够在一定程度上反映在既定条件下科技创新的产出水平。由表4可知，2008—2010年、2013—2014年、2015—2016年纯技术效率变化小于1，说明在此期间技术创新水平在降低;其余时间段内纯技术效率变化大于1，说明在此阶段内技术运用水平逐渐提高。陕西省近10年科技资源配置的纯技术效率变化均值为1.007 9，说明陕西省科技资源技术运用水平上升。

规模效率从更深层次反映了科技资源的整体管理水平。从表4中可以看到，在2011—2012年期间科技资源配置的规模效率小于1，则说明在此期间科技资源存在一定的规模缩小;剩余时间段内科技资源配置的规模效率均大于1，则说明在此阶段科技资源存在规模优化趋势。总体来看，陕西近十年科技资源配置的规模效率变化值在1附近上下波动，表明陕西省科技资源管理水平近年总体保持在相对稳定的状态。

从2008—2017年整个时间段来看，陕西科技资源配置的全要素生产率表现为较快增长幅度，整个时间段内全要素生产率的增长受到技术进步和技术效率改善两方面综合叠加影响，而且其中技术效率扩散所引起的配置效率提升作用要明显比技术进步增加所引起的科技资源配置效率改善的效果更好。

4 陕西科技资源配置效率的影响因素分析

基于上一节关于科技资源配置效率的影响因素理论分析，并考虑了数据的可获得性和结果的实用性，选取了影响科技资源配置效率的关键性因素，重点分析政府教育投入力度、产业结构调整、对外开放程度、环境治理程度和经济发展水平5个因素对于陕西科技资源配置效率的影响，将这5个变量作为回归分析的解释变量，分别用EDU、SC、FDI、ENV、GDP表示政府教育投入力度、产业结构调整、对外开放程度、环境治理程度和经济发展水平，使用回归模型检验变量对科技资源配置效率的影响假设是否成立。具体变量的含义以及文献数据来源见表5。

建立多元线性回归模型如下

模型一：

InSBMi=β0+β1lnEDUi+β2lnSCi+

β3lnFDII+β4lnENVI+β5lnGDPi+μ

（5）

模型二：

InDEAi=β0+β1lnEDUi+β2lnSCi+

β3lnFDII+β4lnENVI+β5lnGDPi+μ

（6）

式中：SBMi為陕西省i年考虑非期望产出科技资源配置效率;DEAi为陕西省i年不考虑非期望产出科技资源配置效率;β0为回归式的常数项;β1～β5为5个解释变量对应的回归系数;μ为误差项;i=2008，…，2017。

基于2008—2017年陕西省科技资源配置效率值以及相关数据，采用普通最小二乘法（OLS）对模型进行回归分析。在回归之前对时间序列数据进行多重共线性检验，经检验发现时间序列不存在自相关和异方差，满足OLS 线性回归的基本条件，可以进行线性回归。基于此，研究对方程（5）和（6）所示的模型对考虑非期望产出和不考虑非期望产出的陕西省科技资源配置效率的影响因素进行估计。为了更好地分析各个因素对效率的影响程度，采用逐步回归分析考察上述5种因素对被解释变量的影响。在STATA15.0中得到回归结果见表6和表7。

表6为考虑非期望产出的陕西省科技资源配置效率影响因素回归结果。由回归（1）～（5）可知，政府教育投入力度、产业结构调整以及环境治理程度正向促进陕西省科技资源配置效率的提升，对外开放程度在一定程度上阻碍了陕西省科技资源的有效配置，经济发展水平并没有对陕西省科技资源配置效率产生显著影响。其中产业结构调整和教育投入力度对陕西省科技资源配置效率的影响程度较大。

表7为不考虑非期望产出的陕西省科技资源配置效率影响因素回归结果。由回归（1）～（5）可知，政府教育投入力度、产业结构调整以及环境治理程度正向促进陕西省科技资源配置效率的提升，对外开放程度在一定程度上阻碍了陕西省科技资源的有效配置，经济发展水平并没有对陕西省科技资源配置效率产生显著影响。其中产业结构调整和教育投入力度对陕西省科技资源配置效率的影响程度较大。

依据考虑非期望产出的陕西省科技资源配置效率回归结果和不考虑非期望产出的陕西省科技资源配置效率回归结果，作如下分析：政府教育投入力度对陕西省科技资源配置效率的影响在考虑非期望产出和不考虑非期望产出的情况下，分别通过了1%和5%水平的显著性检验，且均呈显著的正向关系，系数分别为2.242和2.397，提升政府对教育投入力度能够促进科技资源配置效率水平的提高。提高政府教育资金投入力度能够有效推动陕西科技资源配置效率。保持较高的教育资金能够促进高等院校和科研院所培育更多高素质的科研人才，而且较高的政府财政教育支持强度在提升大众基本素质的同时，也促进当地社会文化程度的提升，对于培养良好消费市场的形成起到间接的促进作用，能够帮助大众接受市场中的新产品和新服务，加快企业获得技术创新产品带来的经济利润，因而会在一定程度上促进科技成果转化，而且科技人才规模的扩大和人才质量的进一步提高，也为科研院所和科技型企业提供更加匹配的人才队伍，实现科技人才资源的有效配置。

第三产业产值占GDP比重对陕西省科技资源配置效率的影响，无论是否考虑非期望产出，均呈现1%的水平上显著的正向关系，系数分别为5350和4.710，这说明产业结构调整与陕西省科技资源配置效率呈正相关，通过促进产业结构调整可以提升陕西科技资源配置效率。加快产业结构调整是推动科技资源优化配置的有效途径。相较于未考虑非期望产出的模型结果，考虑了非期望产出之后，第三产业产值占GDP比重对陕西省科技资源配置效率的影响程度有所提高，这可能是由于第三产业属于高产出的行业，在陕西省经济发展中占据重要地位，若将非期望产出考虑在内，陕西省科技资源配置效率将有所提高，直接体现于式（5）中SC变量的系数有所提高。由于陕西省第三产业，如金融保险、信息科技等第三产业发展相对较快，生产型服务业长期占据主导地位，第三产业就业人群层次较高，技术含量较高、创新能力较强。第三产业所占的比例越高，越有利于科技资源的充分利用，以及科技创新能力的提高，使企业较快地将科技成果转化为经济产出。

对外开放水平对陕西省科技资源配置效率的影响，无论是否考虑非期望产出，均呈现在5%的水平上显著的负向关系，系数分别为-0.621 2和-0.715 9，这说明陕西省对外开放水平在一定程度上阻碍了本地科技资源配置效率。外商直接投资额占地区GDP的比值能够评估一个地区的经济开放程度。陕西省处在西部内陆地区，受到自然地理因素的限制，相比于沿海发达地区而言，对于外商的投资引进没有完成从引进设备和中间产品转向对科学技术本身的吸收，对技术的转让以及对技术的消化吸收和再创新不够重视，企业对引进的先进技术存在技术消化吸收难、应用范围小等问题，逐渐对技术引进产生高度依赖性，在一定程度上影响了当地科技人力、财力、物力、信息资源的充分利用，从而导致科技资源配置效率下降。

[7]梁林，李青，刘兵.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[J].中国科技论坛，2019（06）：125-135，146.

[8]陈劲.国家创新蓝皮书.中国创新发展报告（2017—2018）[R].社会科学文献出版社，2018.

[9]KHOSHNEVIS P，TEIRLINCK P.Performance evaluation of R&D active firms[J].Socio-economic Planning Sciences，2018：16-28.JEONG B，KWON C，ZHANG Y S，et al.Evaluating the research performance of a R&D program：An application of DEA[J].Lecture Notes in Engineering and Computer Science，2010，2182（1）：2108-2230.

[10]解学梅，戴智华，刘丝雨.高新技术企业科技研发投入与新产品创新绩效——基于面板数据的比较研究[J].工业工程与管理，2013，18（03）：92-96.

[11]THOMAS V J，SHARMA S，JAIN S.Using patents and publications to assess R&D efficiency in the states of the USA[J].World Patent Information，2011，33：4-10.

[12]GRILICHES Z.R&D and productivity：the econometric evidence[M].Lllinois：University of Chicago Press，1998.

[13]苏屹，安晓丽，王心焕，等.人力资本投入对区域创新绩效的影响研究——基于知识产权保护制度门限回归[J].科学学研究，2017，35（05）：771-781.

[14]薛澜，汝鹏，舒全峰，等.中国科研人力资本补偿：问题、成因与对策[J].科学学研究，2014，32（09）：1347-1351，1430.

[15]陈昭，林涛.国际技术溢出、研发投入门槛与技术创新——基于中国高技术产业行业异质性的实证研究[J].上海经济研究，2018（04）：118-128.

[16]柴玮，申万，毛亚林.基于DEA的我国资源型企业科技创新绩效评价研究[J].科研管理，2015，36（10）：28-34.

[17]PORTER M E，DER LINDE C V.Toward a new conception of the environment-competitiveness relationship[J].Journal of Economic Perspectives，1995，9（04）：97-118.

[18]郭兵，袁菲，謝智敏.基于DEA方法的上海市财政科技投入绩效评价研究[J].中国管理科学，2012，20（S1）：32-35.

[19]张鹏，陈培安.山东省科技创新资源空间分布与经济发展水平协同分析[J].技术与创新管理，2016，37（03）：256-262.

[20]XIMEI L.Evaluating the input/output efficiency between science-technology and finance via analytic hierarchy process[C].International Conference on Measuring Technology and Mechatronics Automation，2015：462-465.

[21]曹霞，于娟.绿色低碳视角下中国区域创新效率研究[J].中国人口·资源与环境，2015，25（05）：10-19.

[22]齐亚伟，陶长琪.环境约束下要素集聚对区域创新能力的影响——基于GWR模型的实证分析[J].科研管理，2014，35（09）：17-24.

[23]李泓欣，周燕.基于空间计量的区域科技创新信息要素资源配置影响因素研究[J].情报科学，2017，35（12）：96-101.

[24]贾钢涛，杨勇.基于主成分分析的陕西科技资源配置效率研究[J].技术与创新管理，2013，34（03）：216-219，224.

[25]宋结焱，施炳展.出口贸易是否降低了中国行业内资源错配？[J].世界经济研究，2014（10）：53-60，88-89.

（责任编辑：王 强）