投入产出视角下区域科技创新效率差异性研究——基于2009—2018年面板数据

彭佑元，申文文

（中北大学经济与管理学院，太原 030051）

综合国力的竞争体现在创新的竞争.近年来国内学者对科技创新的研究较多，主要集中在高校、企业、区域、不同行业和不同领域等方面.

在高校科技创新方面，李文辉等采用主成分分析法和两阶段DEA模型研究省域校的科技创新能力、效率及其经济贡献率，结果表明，在前提为将科技创新有效转化为促进经济贡献率的情况下，高校对经济发展有促进作用［1］.蔡文伯等运用DEA-Malmquist指数法分析了区域高校科技创新效率的差异性，结果表明，我国高校科技创新全要素生产率整体呈增长态势，其中东部地区增长率最高［2］.连嘉琪采用超效率DEA模型分析了我国31个省（市）自治区高校2016年的科技创新效率并探究创新效率低下的原因，结果表明，我国各省份高校科技创新效率总体较高，但规模效率低下和产出不足是导致DEA无效的主要因素［3］.石薛桥等采用熵值法探究我国中部六省的高校科技创新发展水平及发展方式，结果表明，湖北省高校科技创新能力最强，山西省高校科技创新能力最弱，但也呈现出逐渐增强的趋势［4］.王辉等采用两阶段DEA探究我国31个省份高校科技创新对区域创新绩效的影响，结果表明，对比科技成果产出和科技成果转化两个阶段大多数省份存在不平衡的现象，并且提升技术效率是使DEA有效的关键［5］.

在企业科技创新方面，彭佑元等采用DEA-Malmquist指数法对我国林业上市公司经营绩效进行了评价，结果表明，各上市公司资源配备合理，但仍有规模经济、技术水平不佳等缺陷［6］.杜丹利等采用PMC指数模型评价了北京、天津和河北中小企业科技创新政策，结果表明，京津冀在反馈和监督环节尚有不足［7］.张丽华采用DEA-Malmquist两阶段模型对山西上市煤炭企业金融支持进行效率评价和影响因素分析，结果表明，煤炭企业在配置效率上呈现较多问题［8］.王文涛等采用三阶段DEA模型评价了我国涉海企业的科技创新效率，结果表明，规模效率不高导致中国涉海企业科技创新效率整体处于偏低水平［9］.

不同行业科技创新方面，刘敏等基于VRS模型对我国农业科研机构科技创新绩效进行评价，结果表明，六大区域农业科技创新绩效存在差异，华东地区发展最好［10］.钟小荣等基于DEA-Malmquist指数法对铜仁市新技术企业技创新效率进行动态评价，结果表明，铜仁市新技术企业整体实现增长，但增幅不够大，新技术企业之间的技术进步率存在较大差异［11］.王希胜基于DEA-Malmquist模型对2012—2018年河南省技术密集型制造业的企业的创新效率进行测度，结果表明，河南省技术密集型制造业全要素生产率指数增长缓慢，而纯技术效率和规模效率变化则为年均负增长［12］.范瑞等采用调节路径分析法探究了科技创新对经济增长的间接效益，结果表明，科技创新的中介作用效果显著［13］.

在不同领域科技创新方面，彭佑元等采用超效率DEA模型对产业集群类型和所属区域进行实证分析，结果表明，我国产业集群内部差异性比较大，产业集群的创新效率受到集群类型的影响［14］.魏巍等采用灰色关联法以及耦合协调模型探究科技创新与经济高质量发展的关系，结果表明，北京发展水平最高，各地区制约因素突出［15］.杨春宇等构建面板联立方程模型检验对2008—2017年我国31个省（市）自治区的旅游科技创新、产业升级与经济增长之间的相互关系进行研究，结果表明，旅游产业升级对旅游经济增长的影响更大，旅游科技创新、产业升级与旅游经济发展总体协调［16］.

综上所述，国内学者对科技创新取得了较多的成果，但已有文献在以下两方面存在不足：第一，科技创新效率研究多停留在单个省（市）地级市区域评价，对全国各省（市）区域科技创新效率的研究较少.第二，已有文献中对省（市）区域科技创新研究时效跨度较短，大多为一年或者近3年.针对以上问题，选择2009—2018年为研究期，选取我国30个省（市）各项指标数据，对这些省（市）科技创新效率进行静态和动态评价，分析区域科技创新效率的差异性，有利于探究区域科技创新发展中的优势和不足，弥补科技创新发展中的短板，提高区域的科技创新效率，推动全国科技创新水平的进步.

1 方法选择及指标构建

在实际生产当中能够影响科技活动的因素有R&D经费投入、R&D人员数、新产品开发支出、专利申请量、技术市场成交额、新产品销售收入等.邱奇等用DEA模型选取中国11个区域城市以R&D投入经费支出、技术引进消化吸收经费支出为投入指标，以国内专利申请量、国内专利授权量和国内专利有效量为产出指标，分析了城市科技创新资本效率［17］.陈聪聪利用两阶段DEA模型以R&D人员全时当量、R&D经费内部支出、规模以上工业企业研发机构数作为投入指标，以科技论文专著量、国内3种专利申请授权量作为产出指标，分析了“一带一路”沿线省际科技创新效率［18］.张荣天用DEA-Tobit模型以企业R&D活动人员占比、全社会R&D支出总额占GDP比重、政府科技拨款占财政支出的比重为投入指标，以万人口专利授权数、高新技术产业产值、万人口发明专利授权数和发表科技论文数量为产出指标，分析了江苏省扬州市科技创新效率［19］.陈升等用三阶段DEA和Tobit模型以R&D人员全时当量和R&D资本存量为投入指标，以发明专利授权数、国外科技论文发表数和高技术产业新产品销售收入为产出指标，分析了“一带一路”沿线科技创新效率区域差异及影响因素［20］.通过对现有文献的参考以及指标选取的科学性、全面性、可比性、易获得性等，选取R&D人员全时当量、R&D经费内部支出和R&D活动企业数为投入指标，专利申请量、新产品销售收入和技术市场成交额为产出指标（表1），以2009—2018年我国30个省（市）数据为例，研究了这些省（市）的创新效率.指标的相关数据来源于2010—2019年的《中国统计年鉴》和《中国科技年鉴》.

1.1 DEA模型

数据包络分析方法（Data Envelopment Analysis，DEA）是根据多项投入产出指标，利用线性规划，对决策单元（简称DMU）进行有效性评价的一种数量分析方法.DEA方法有CCR和BCC两种模型，BCC模型不仅可以体现决策单元的技术效率和规模效率，还可以决策单元的投入产出松弛变量取值进行测量.因此，本文选取BCC模型对我国30个省（市）科技创新效率进行分析，深入研究我国区域科技创新效率，并给出非DEA有效的省（市）调整方案.建立如下BCC模型：

表1 区域科技创新评价指标Tab.1 Evaluation index of regional science and technology innovation

1.2 Malmquist指数法

由于DEA—BCC模型只能对决策单元进行静态分析，如果数据较多，就要考虑时间维度带来的影响，因此引用Malmquist指数法进行动态分析.M指数可以进一步分解为两个部分，一是技术效率的变动，用effch来表示；二是技术进步的变动，用techch来表示，两者乘积构成了M指数.具体公式如下：

2 结果分析

2.1 科技创新效率静态分析

通过运行DEAP Version2.1软件，得出在2009—2018年我国30个省（市）的创新效率，结果见图1.由图1可以看出，我国科技创新水平虽然总体在提高，但综合效率＜1，说明我国科技创新依旧没有达到最佳的投入产出效率比，存在资源使用不合理的情况.由表2可以看出，规模报酬递增的省（市）数量在2012年之后不断减少，从2016年开始又有上升趋势，并且规模报酬递增的省（市）数量在逐渐增加，截至2018年，共有14个省（市）达到DEA最优.由于2018年我国创新驱动的深入发展，特别是“双创”深入开展，高技术制造业和战略性新兴产业的增加值都是两位数的增长，给科技创新带来了良好的发展势头.

图1 我国2009—2018年平均科技创新效率图Fig.1 Average efficiency of science and technology innovation in China from 2009 to 2018

表2 我国2009—2018年规模报酬递增、不变、递减省（市）数量Tab.2 Number of provinces and cities with increasing，unchanged and decreasing returns to scale during 2009-2018 单位：个

此外，还计算了我国30个省（市）2009—2018年创新效率，由于文章篇幅有限，只列举3个有代表性年份，结果见表3.通过分析研究期内的科技创新效率，可以得出以下结论：

1）从综合效率值来看，北京在研究期内一直保持着适合的投入产出比例，即DEA最优状态，说明北京可以充分地利用各种创新资源，有较强的资源管理能力，技术能力相对要高；吉林DEA基本稳定，只有在2013年数值为0.647，其余年份均为1；广西呈上升趋势，并在2015年达到DEA最优，之后一直保持不变；内蒙古、黑龙江、安徽、河南、湖北、广东、海南、陕西、青海和新疆呈波动上升的趋势，其中青海在2015—2018年趋于稳定，新疆虽然呈波动上升趋势，但是在0.5～0.8之间，科技创新效率明显不如其他省（市）；天津、上海和浙江在研究期内DEA变化幅度不大，在0.8～1.0之间，云南变动也不明显，但是在0.4～0.7之间，距离其他省（市）科技创新效率差距较大；河北、山西、辽宁、福建、山东、湖南、贵州、甘肃和宁夏2009—2018年来变化幅度较大；江苏、重庆和四川2009—2018年综合效率值在下降.

2）从纯技术效率值来看，北京、上海和广东在研究期内保持稳定，均处在最优状态；吉林、江苏、浙江、四川、青海纯技术效率基本稳定，只有一两个年份不在最优状态，山东也基本稳定，但是2016—2018年有下降趋势；湖北、湖南和广西呈上升趋势，其中湖北和广西在近2015—2018年达到最优；河北、安徽、江西、河南、贵州、陕西和宁夏呈波动上升趋势，其中安徽在2015—2018年保持最优状态，陕西和宁夏在2017—2018年保持最优状态；天津波动范围不大在0.8～1之间，并且在2014年之后一直没有达到最优值，云南虽然波动也不大，但在0.4～0.7之间，因此云南应该加大对技术的投入；山西、辽宁、黑龙江、福建、甘肃和新疆2009—2018年纯技术效率变动幅度较大，不稳定.

3）从规模效率值来看，只有北京在研究期内保持稳定，为规模报酬有效；吉林和重庆基本稳定，大部分年份都处于规模效率最优；江苏在2009—2013年规模效率有效，2014—2018年波动范围较大；四川变动幅度不大，但2014—2018年在0.8左右变动，低于0.9，因此应该增加规模；广西的规模效率值在研究期内稳步上升，2015达到最优并保持到2018年；广西、青海、宁夏和新疆近2010—2018年处于波动上升状态，其中甘肃2015—2018年都是最优，宁夏2017—2018年达到最优，新疆则还有进步空间；甘肃在研究期内呈波动下降趋势，应该增加规模；其余17个省（市）的规模效率值均变动幅度不大，其中天津、河北、山西、辽宁、黑龙江、浙江、湖北、陕西的规模效率值在0.9～1之间变动，内蒙古、上海、安徽、福建、江西、河南、湖南、贵州和云南在0.8～1之间变动.

表3 2009—2018年我国30个省（市）科技创新DEA计算结果Tab.3 DEA calculation results of science and technology innovation of 30 provinces（cities）in China from 2009 to 2018

2.2 科技创新效率动态分析

以上分析不能体现创新效率随时间的变化趋势以及不同指标对创新效率的影响程度，因此需要进行Malmquist指数分析，测算结果见表4.

表4 2009—2018年科技创新动态评价结果Tab.4 Dynamic evaluation results of science and technology innovation from 2009 to 2018

从表4整体可以看出，Malmquist指数均值为1.017，说明2009—2018年来我国科技创新的资源配置较为合理，科技创新效率在不断上升，平均年增长率达到1.7%.技术效率指数和技术进步指数也在不断上升，平均年增长率分别为0.6%，1.1%.

从年份变化分析来看，2009—2011年技术进步变化指数降幅最大，达到了16.4%，由此导致了全要素生产率下降了13.7%；2012—2013年除技术进步变化指数外，其余指数都大于1，说明这两个期间技术进步指数是全要素生产率下降的主要因素；2009—2010年技术进步变化指数达到76.8%的增幅，直接带动了全要素生产率的大幅增长，说明技术进步是全要素生产率提高的关键因素；纯技术效率和规模效率在2012年之后既没有增长也没有下降.

此外，对2009—2018年我国30个省（市）的科技创新进行动态分析，使每一个省份的变化更加直观，如表5所示.

表5 2009—2018年我国30个省（市）全要素指数变化统计表Tab.5 Change statistics of TFI of 30 provinces and cities in China from 2009 to 2018

从全要素生产率看，2009—2018年全要素生产率指数除吉林之外数值均大于1，表明有29个省（市）在2009—2018年全要素生产率实现增长.各省（市）中年均增长率在10%以上的有北京、内蒙古、黑龙江、安徽、江西、湖北、贵州、陕西、甘肃和青海10个省（市）；年增长率在5%～10%的有河北、山西、辽宁、河南、广西、海南、四川、云南和新疆9个省（市）；年增长率1%～5%的省（市）有8个；重庆和山东增长速度最慢，年增率仅0.3%，吉林的全要素生产率在下降.

从技术效率变动指数来看，2009—2018年共有23个省（市）大于1，内蒙古的年增率最高，为10.7%；北京、吉林、浙江和广东的技术效率变动指数未发生变化，值为1；天津、江苏、山东、重庆、四川、云南和陕西技术效率变动指数在下降，其中重庆降幅最大，年下降率为2.9%.

纯技术效率指数和规模效率指数共同影响技术效率变动.因此，从纯技术效率来看，有6个省（市）的指数值在下降，分别是天津、山东、重庆、四川、云南和陕西，其中重庆降幅最大.从规模效率来看，指数值下降的省（市）有7个，分别是天津、江苏、福建、山东、河南、四川、陕西.天津、山东、四川和陕西纯技术效率和规模效率都下降，说明这4个省（市）的资源配置效率低下.

在技术进步方面，共有27个省（市）技术进步变动指数在增长，占比90%，说明这些省（市）有较大的技术进步和创新.其中青海的增长幅度最大，这是由于青海经历西部大开发之后，经济高速增长，并且深化改革激发科技创新活力，使青海省科技进步指数提高14.5%.由表4可以看出，河北、吉林和宁夏2010—2018年的技术进步指数均有不同程度的下降，但其中吉林由于技术进步指数下降导致全要素生产率下降，该省份应该大力引进人才、重视科技研究、充分利用有优势的科技资源.

根据我国经济社会发展的新形势将选取的全国30个省（市）化为东部、中部、西部和东北部4个经济区域，经过Malmquist指数计算，得出其差异性如图2所示.

图2 四大经济区域科技创新动态评价图Fig.2 Dynamic evaluation of science and technology innovation in four economic regions

由图2可以看出，西部地区全要素生产率的增长率达远超东部、中部和东北部，年增长率达到11.3%.技术效率变动方面只有中部在增长，年增长率为2.8%，东部、西部和东北部既没有增长也没有下降.技术进步变动方面4个区域均有所增长，并且西部的增长速度最快.整体来看，推动全要素生产率增长的主要由于技术变动指数的增长.东部地区人才集聚，创新资源丰富，但是全要素生产率低于西部地区，说明东部地区对创新资源没有有效利用.中部地区作为连接东西部地区的枢纽，应该进行结构产业优化、重视自身技术提升来提高纯技术效率.

3 结论与建议

3.1 结论

基于2009—2018年全国各地科技创新投入产出的面板数据，运用DEA和Malmquist指数法测算了各省（市）综合创新效率和动态变化差异，得出以下结论：

从静态效率来看，我国科技创新效率整体上在研究期内呈波动上升趋势，其中规模效率在2009—2018年变动幅度不大；平均每年DEA有效的省（市）数量不足一半，说明我国科技创新投入产出不合理，存在资源浪费的情况.其中河北、山西、内蒙古、江西、辽宁、云南、河南、甘肃、新疆、重庆的纯技术效率低下，上海、江苏、山东、海南、宁夏、四川的规模技术低下.

从动态效率来看，我国科技创新效率在不断提高.选取的30个省（市）中全要素生产率基本呈上升趋势，只有吉林省因为科技进步变动指标的下降导致该省份全要素生产率的下降.另外，西部地区全要素生产率的年增长率最高，中部次之.东部、西部和东北部地区虽然全要素生产率在增加，但纯技术效率和规模效率在2009—2018年没有变化，说明这3个区域内部要素发展不均衡，过分依赖技术变动.

3.2 建议

1）适当缩减科研经费，建立健全科学、有效的科研经费管理机制提高科研经费的使用效率，建立正确的科技成果转化机制，充分发挥市场的能动性，提高成果转化效率，从而解决投入冗余和产出不足、资源浪费的情况.

2）建议纯技术效率低下的省（市）提高科技创新技术能力，充分发挥各类科技园区和科技创新平台的功能，完善人才培养模式和科技奖励制度，对重大科技成果给予重奖.规模技术低下的省（市）增强资源管理水平，改进资源配置机制，引入更加环保的产业，对原有技术进行改进，有序进行产业规模扩大.

3）对于全要素生产率下降的省份激发其创新能力，提高科研效率，建立以企业为主体、市场为导向、产学研结合的技术创新体系，使企业成为技术创新的主体，并促进科技成果向市场转化.

4）东部地区应当激发高新区创新能力，提高科研创新效率，加速知识外溢.西部地区和东北地区应当提升自身创新能力，优化传统产业结构，提升产业效率，积极引进外资和科学技术，加快创新资源的流动.