长江经济带科技成果转化效率测度及空间格局演化研究

李丽雅，李旭辉

(安徽财经大学)

0 引言

长江经济带协同发展是国家发展战略的重要组成部分，科技成果转化作为科技与经济联系的关键环节，是促进经济发展最直接有效且必不可少的要素，是评价区域发展水平的重要指标之一.长江经济带作为中国综合实力最强、战略支撑作用最大、创新驱动的重要策源地之一，对其科技成果转化效率的评价研究能够很好反映出区域科技成果转化发展现状.2016年，国家发改委、科技部及工业和信息化部等部委联合印发的《长江经济带创新驱动产业转型升级方案》[1](以下简称《方案》)紧扣长江经济带战略发展定位，从科技创新成果转移转化入手，为创新成果转化营造良好的外部环境.《方案》的出台必将助力长江经济带创新驱动发展进入新阶段，打开产业转型升级新格局.因此，深入探讨长江经济带科技成果转化发展特征，并提出有效的政策措施成为众多学者研究热点，该文拟从科技成果转化效率测度及其空间关联特征入手探究长江经济带科技成果转化发展特征.

客观评价科技成果转化效率，对于实现创新能力可持续以及维持竞争优势具有重要意义.从已有研究进展看，对科技成果转化效率问题的研究主要集中在以下三个方面：一是科技成果转化效率影响因素研究.孙龙和雷良海研究发现科技成果转化政策制定受到政策对象复杂多样性和政策操作手段技术水平的影响[2]；王丽平等学者研究发现科技成果创新质量受到包容型人才开发模式的正向影响[3]；林青宁等学者认为涉农企业科技成果转化效率的提高与前期科技成果转化效率、经费质量、人才质量、企业规模及其国有属性有密切联系[4].二是科技成果转化效率的优化路径研究.储蓉月学者针对高校在科技创新成果转化过程中存在的问题，提出在培育市场意识等四个方面优化发展路径[5]；王守文等学者提出了基于激励机制、合作管理、投入力度、市场环境以及分配制度的创新策略[6].三是科技成果转化模式研究.黄博等学者综合分析山东海洋科技成果转化的三种转化模式实践情况[7].杨斌和肖尤丹通过对国家科研机构科技成果转化模式研究发现中国科学院逐步探索了一系列符合国家战略科技力量定位的高质量科技供给能力生成方式和前沿科技产业化路径[8].

已有研究为考察地区科技成果转化奠定良好基础，但仍存在一定局限性，具体表现为：一是科技成果转化效率的评价方法复杂、差别性大，评价方法的合理性将直接影响科技成果转化效率测算的科学性；二是区域科技成果转化效率的定量研究较少，基于经济带视角的考察较为匮乏，而经济带通过互联互通实现经济集聚，已成为辐射带动区域经济发展的重要引擎；三是科技成果转化效率的评价指标缺乏针对性，需建立具有针对性的指标体系；四是现有研究缺乏对科技成果转化效率空间特征深入分析，利用探索性空间数据分析对长江经济带科技成果转化效率，可以从多方面了解长江经济带科技成果转化发展现状.鉴于已有研究的局限性，该文采用DEA模型和Malmquist指数法，纵向挖掘《中国统计年鉴》(2009～2018)和《中国科技统计年鉴》(2009～2018)中的数据，分析长江经济带科技成果转化的效率，并结合探索性空间数据分析揭示科技成果转化效率空间聚集特征，为长江经济带科技成果转化效率提供针对性解释，也为政府制定科技成果转化政策提供依据.

1 研究方法与评价指标

1.1 研究方法

(1)DEA模型

DEA模型一般用于评价多个输出的“部门”(称为决策单元，简记DMU)间的相对有效性[9].其基本原理是在保持决策单元的输入或输出不变的情况下，确定相对有效的生产前沿面，将DMU投影到生产前沿面上，通过DMU偏离有效生产前沿面的相对程度来测度相对有效性[10].DEA的基本模型包括CCR模型和BCC模型，其中CCR模型用于评价规模报酬不变下DMU的相对有效性，BCC模型则用于评价规模报酬可变下DMU的相对有效性[11].

CCR模型为：

BCC模型为：

(2)Malmquist指数

针对CCR和BCC模型对面板数据的不适用、难以掌握科技成果转化效率的动态变化趋势的问题，该文进一步采用Malmquist指数对科技成果转化效率发展趋势进行衡量.计算公式如下：

(3)探索性空间数据分析(ESDA)

探索性空间数据分析方法可以揭示空间单元属性的集聚程度，包括全局自相关和局部自相关[12].全局空间自相关分析主要反映某一属性值在某一地理区域内整体上的空间关联程度，计算公式如下：

(4)

其中，n为总地区数，xi、xj地区单元i和j的属性值，wij是空间权重矩阵.Moran指数计算值表示地区单元间的相关程度，在该研究中，该指数表示地区单元的科技成果转化效率在整个长江经济带范围内的相似程度.Moran指数的取值介于-1与1之间，Moran指数越大表示地区空间相关性越高.当Moran >0时，表示该地区科技成果转化效率呈空间正相关分布，即科技成果转化效率相似的省份集聚分布；当Moran <0时，表示该地区科技成果转化效率呈空间负相关分布，即科技成果转化效率相似的省份离散分布；当Moran=0时，表示该地区科技成果转化效率呈独立的随机分布.

全局自相关用于反映整个研究区间的空间相关程度，但无法确定局部空间集聚类型，而局部自相关可以进一步分析局部地区间的空间关联程度及关联类型[13].因此，该文采用局部空间自相关对长江经济带各省份科技成果转化效率与临近省份科技成果转化效率的关联类型进行分析，局部空间自相关计算公式如下：

(6)

其中， Moran’sIi为正值时，表示局部单元存在空间自相关，反之则存在空间负相关.

1.2 评价指标

该文以R&D经费投入强度和R&D研究人员全时当量作为投入变量，以专利授权数和技术市场成交额作为产出变量，构建科技成果转化效率评价的指标体系，见表1.原始数据来源于《中国科技统计年鉴》(2010～2019)和《中国统计年鉴》(2010～2019).

2 实证分析

2.1 长江经济带科技成果转化效率评价

(1)静态技术效率测算

以2009年和2018年长江经济带11个省市的面板数据为依据，运用投入导向规模效率可变BCC模型测算长江经济带科技成果转化效率，结果见表2.

表2 长江经济带科技成果转化效率评价指标

表2 长江经济带科技成果转化效率及其分解效率

续表2

表2反映了2009年及2018年长江经济带科技成果转化效率测度结果.由表2可知，2009年长江经济带平均技术效率为0.577，2018年这一均值上升为0.900，年均增幅5.06%.从相对有效性来看，2009年分别有上海市、江苏省和浙江省3个省市达到有效；2018年增加至5个地区，分别为江苏省、浙江省、湖北省、四川省和贵州省.总的来说，样本考察初期，上海市、江苏省、浙江省、重庆市、四川省技术效率较高，且主要是由于纯技术效率拉动；其他地区如安徽省、江西省等地技术效率较低，造成这一现象的主要原因是这类地区规模效率较低.样本考察末期，技术效率高的地区明显增加，除上海市由纯技术效率拉动外，其他省市均依赖于规模效率提高.从长江经济带上中下游地区来看，上游和中游地区2018年比2009年技术效率均表现出较为明显的提升，而下游地区有所下降.具体而言，2009年下游技术效率最高，其次为上游、中游地区，下游主要是由纯技术效率和规模效率共同拉动，中游主要是由于规模效率低导致综合技术效率降低；2018年下游技术效率最高，其次为上游、中游地区，下游主要是由纯技术效率拉动，上游和中游的提高则主要因规模效率的提高.综合来看，2018年长江经济带上中下游和多数省份由于规模效率的拉动，技术效率得到明显提升，但部分省份纯技术效率不升反降，上述结果表明纯技术效率较低是阻碍长江经济带科技成果转化进程的重要原因.

(2)Malmquist指数测算

运用DEAP2.1软件对2009～2018年长江经济带及上中下游地区科技成果转化的Malmquist指数进行测算和分解，结果见表3、4.

表3 2009～2018年长江经济带科技成果转化Malmquist指数及其分解

续表3

表3报告了长江经济带科技成果转化效率的动态变化情况.由表可知，2009～2018年长江经济带科技成果转化全要素生产率(TFP)基本呈现增长态势，其中2015～2016、2016～2017年出现下降，下降幅度分别为1.3%和0.7%，主要原因是规模效率和技术进步率的下降.具体来说，2009～2018年全要素生产率平均变化率的分解指标变化率均大于1；2009～2011、2014～2016、2017～2018年技术效率的增长幅度普遍低于技术进步效率的增长幅度，技术进步效率是促进长江经济带科技成果转化全要素生产率提高的主要原因.值得注意的是2009～2011年，长江经济带科技成果转化的技术进步效率存在较大提升，特别是从2014年以来，技术进步进一步影响长江经济带科技成果转化全要素生产率的提高.以上现象表明，长江经济带科技成果转化的技术水平有了明显增强，其管理水平虽有提升，但是提升幅度相对较慢，还需要对长江经济带科技成果转化的资源利用效率进行进一步巩固和加强.

表4报告了长江经济带各地区及上中下游地区科技成果转化全要素生产率的变动情况.由表4可知，长江经济带大部分地区科技成果转化的全要素生产率呈现增长趋势，全国平均增幅为14.9%，其中纯技术效率增幅为1.4%，变化幅度较小，技术进步变化幅度大于技术效率变化幅度，结果表明技术进步效率提高是长江经济带各地区全要素生产率增长的助推剂，与长江经济带总体情况相一致.从长江经济带各地区全要素生产率来看，所有地区均呈现稳步增长态势，其中上海市、浙江省、重庆市增长幅度较小，主要原因是由于上海市规模效率的下降以及重庆市纯技术效率的下降.上中下游地区科技成果转化指标基本都呈现增长趋势，中游地区全要素生产率提高幅度最大，为20.1%，其次是上游地区，为13.9%，下游地区全要素生产率的增长趋势最缓，为9.8%.总体而言，长江经济带三大地区特别是下游地区技术效率增长幅度相对技术进步变化幅度增长最缓，且规模效率变化下降.从长江经济带科技成果转化的规模效率变动幅度看，长江经济带上游和中游地区规模效率增长幅度均大于纯技术效率增长幅度，其中中游地区增长最快，为6.9%，结果表明长江经济带各地区应设置更有效的激励机制，推动各地区科技成果转化向更高效率发展.

表4 长江经济带科技成果转化Malmquist指数及其分解

2.2 长江经济带科技成果转化效率空间分布特征分析

为深入探讨长江经济带科技成果转化效率的空间分布特征，运用ArcGIS软件将2009年和2018年两个时期的科技成果转化效率进行可视化处理(如图1所示)，利用最佳自然断裂法进行归类处理，将其划分为科技成果转化效率最优区、次优区、弱优区、非优区4种类型.

图1 2009年、2018年长江经济带科技成果转化效率空间分布

由图1可知，2009年长江经济带科技成果转化效率处于最优区的省区数量为3个，占总量的27.27%，其中处于科技成果转化效率最优区的省市主要集中在长江经济带下游地区，如江苏省、浙江省、上海市等地，该地区虽表现出较高的科技成果转化效率水平，但周边省份如安徽省、江西省等科技成果转化效率值却偏低，说明该类地区科技成果转化的扩散效应弱；四川省、重庆市处于科技成果转化效率次优区，尽管科技成果转化效率值并非处于最优前沿面上，但其科技成果转化效率明显优于周边省区；处于科技成果转化效率弱优区和非优区的省区数量较多，如云南省、贵州省、湖南省、湖北省、安徽省等，这部分地区主要分散于中上游地区，科技成果转化效率值相对较低.2018年，长江经济带科技成果转化效率最优区明显增多，四川省、贵州省、湖北省、江西省分别从2009年的次优区和弱优区跃迁为科技成果转化效率最优区；云南省、湖南省、重庆市从科技成果转化效率弱优区和次优区转变成非优区和弱优区，下降幅度较大.总体而言，样本考察期内长江经济带处于科技成果转化效率次优区、弱优区的省区数量均呈下降趋势，而位于科技成果转化效率最优区和非优区的省区数量有所增加，科技成果转化效率整体水平保持较稳定发展.

3 长江经济带科技成果转化效率空间格局演化分析

3.1 科技成果转化效率全局空间自相关分析

运用 Geoda软件测算2009年和2018年的全局Moran’sI指数，并绘制Moran散点图，具体如图2所示.由图2可知，2009～2018年长江经济带科技成果转化效率存在一定的空间自相关性，空间集聚现象客观存在.

图2 2009年、2018年长江经济带科技成果转化效率全局空间自相关

由图2可知，2009年江苏省、浙江省、上海市处在第一象限，属于高高邻接类型，表明这些省市是长江经济带科技成果转化效率较高的地区，受其地理区位优势和国家政策优势，经济发展起步较早、科技水平先进，对周围区域科技成果转化发展进程具有一定的正向溢出效应；安徽省处在第二象限，属于低高邻接类型，表示该地区科技成果转化效率较邻近地区低，受到科技成果转化效率较高的东部沿海地区的影响较小；湖北省、江西省、湖南省、云南省、贵州省处于第三象限，属于低低邻接类型，表示这些地区是长江经济带科技成果转化效率较低的地区；重庆市和四川省处于第四象限，属于高低邻接类型，表示该地区科技成果转化效率较周围地区高，但与邻近地区合作机制不完善，一定程度上对邻近地区的科技成果转化发展进程造成挤压，从而形成了高值被低值包围的空间关联模式.2018年处在第一象限的始终是江苏省、浙江省、上海市，而湖南省和云南省则由低低邻接类型转变为低高邻接类型，湖北省、江西省、贵州省由低低邻接类型转变为高低临界两类型，重庆市则跃迁至低低邻接类型.需要说明的是，从各省市空间相关模式变动趋势看，高低邻接和低高邻接的省份个数变化较大，10年间，高低邻接的省份从2个变为4个，低高邻接的省份从1个变为3个，说明10年来长江经济带科技成果转化效率的空间正相关性有所减弱，即位于空间正相关集群内的省份数量减少，空间负相关集群现象明显.

3.2 科技成果转化效率局部空间自相关分析

全局Moran’sI指数只能检验长江经济带科技成果转化效率整体相关性水平，为了进一步观察长江经济带各省区科技成果转化效率集聚状态，选取2009年和 2018年作为研究对象，利用ArcGIS 软件对其进行局部空间自相关分析(如图3所示).

从图3可知，位于高高集聚的省区由2009年的2个变为2018年的0个，而位于低高和高低区的省区则由2009年的0个变为2018年的3个，结果表明观测年份初期长江经济带科技成果转化效率发展的集聚特征表现为明显的空间正相关性，但随着时间推移，长江经济带科技成果转化效率的空间异质性发展趋势愈加明显，这与全局自相关分析得到的结论表现出一致性.具体来看，高高集聚区在观测初期处于东部沿海地区，包括江苏省、上海市等，这部分地区在加快自身科技成果转化的同时也能带动周边省区科技成果转化，辐射作用明显，随着时间推移，该特征区域逐渐消失.而位于高低区的省区则呈现扩大态势，位于该象限的省区主要包括贵州省.值得注意的是，该地区在注重自身科技成果转化效率的同时，并未形成明显的扩散效应.随着时间推移，位于低高区的省区主要包括安徽省和云南省，再次说明长江经济带科技成果转化效率同质性趋势有所下降，异质性发展逐步增强.综合而言，长江经济带科技成果转化效率呈现空间负相关性的省区数量逐渐增多；而表现为空间正相关性的省区数量随着时间推移逐渐减少，表明长江经济带科技成果转化效率以异质性发展趋势为主.

图3 长江经济带科技成果转化效率局部空间自相关

4 结论及政策建议

该文运用DEA、Malmquist指数方法以及探索性空间数据分析方法，测算了长江经济带科技成果转化效率及空间关联特征，可以有针对性地采取措施，提升科技成果转化过程中投入与产出的比例以及经费、人员及其强度之间的协调.结论如下：(1)样本考察期内，长江经济带科技成果转化效率整体呈上升趋势，中游地区科技成果转化效率增幅高于上游、下游地区，中游地区科技成果转化效率增幅最低，纯技术效率较低是阻碍长江经济带科技成果转化进程的重要原因.(2)长江经济带各地区技术进步效率增幅大于技术效率增幅，全要素生产率的提高主要依赖于技术进步效率的提高；长江经济带三大地区特别是下游地区技术效率增长幅度相对技术进步变化幅度增长最缓，且规模效率变化下降.(3)长江经济带科技成果转化效率以异质性发展趋势为主，呈现空间负相关性的省区数量逐渐增多；而表现为空间正相关性的省区数量随着时间推移逐渐减少.

基于上述实证分析结果，为提高长江经济带科技成果转化效率提出以下建议：

第一，搭建科技成果转化平台.在科研成果转化的信息层面，政府应充当企业、高校和科研机构之间的桥梁和中介，建立系统化的科技成果信息沟通对接平台，解决科技成果转化过程中企业、高校和科研机构信息非对称问题；在科研成果转化的技术层面，政府应提供资金支持，资助高校建立科技成果中期试验平台，促进科研、中试和生产的良性循环，实现高校、科研院所与企业的“无缝”对接，促进科技成果转化效率.

第二，提供必要的政策扶持.在企业方面，对具有科技成果转化项目的企业，政府应该给予一定的财政鼓励、政策支持或利税减免，并积极鼓励引进新兴企业.在研发人员方面，对科研成果的主要研发人员，政府应对其进行相应资金及物质奖励，促使研发人员持续积极的投入科技成果创造中.

第三，重视科技成果转化效率地区差异，推动长江经济带上中下游协调发展.一方面，科技成果转化效率较高的地区应该给予周边地区一定的技术、人才支持，而科技成果转化效率较低的地区应主动借鉴科技成果转化效率较高地区的经验；另一方面，由于长江经济带科技成果转化效率空间上显著相关，因此应将区域间的空间相关性纳入科技成果转化效益与地区之间的协调发展中，通过推进长江经济带上中下游地区科技成果转化的内部互动，从而推动长江经济带各省市科技成果转化进程.