区域科技创新资源配置效率测度——以珠三角为例

罗 珊， 孙熹寰

(华南师范大学经济与管理学院， 广州 511400)

科技创新资源是科技创新活动的物质基础，是推动科研成果转化、提高区域经济社会发展水平的要素集合,其配置规模、配置效率以及配置结构是衡量地区综合实力、发展后劲的重要标尺[1]. 目前，珠三角科技创新资源尚缺乏有效整合，存在分布不均、未尽其用和配置不当等问题，极大阻碍了粤港澳大湾区创新协同发展，如何有效配置资源、提高科技创新效率成为当下亟需解决的关键议题.

目前，关于区域科技创新资源配置的研究主要集中在探讨资源配置作用、测度资源配置效率等方面. 政策、人力资本、R&D经费和知识创造力等是影响区域创新能力的重要因素[2-6]，资金、知识、人力和制度等无形要素的有效耦合是推进创新驱动、提高创新绩效的重要方式[7-9]. 但地区间创新绩效的差异并不完全由创新资源禀赋和资源配置组合决定，创新资源的配置效率也是主导要素之一[10]. 对资源配置效率的测度使用较为广泛的是数据包络分析法(DEA)[11]，其无需构建生产函数，可基于数学规划，得到最有利于决策单元的投入产出比，有效避免了人为赋权的主观性. ANDERSEN[12]对其进一步拓展，提出超效率模型，使得生产前沿面上的决策单元也可以相互比较. 但传统DEA基于径向和角度模型，没有考虑投入产出的松弛变量以及外部环境的影响，使得测出的效率与实际效率存在一定偏差[13]. 因此，TONE[14]在DEA模型基础上提出非径向的、包含非期望产出的SBM模型，既在目标函数中引入松弛变量，又克服评价中存在的非期望产出问题；范斐等[15]构建非期望产出SBM模型，在区域科技资源配置效率的环境约束异质性分析中发现，考虑非期望产出资源配置效率测度比不考虑非期望产出的更为科学合理. 由于DEA模型只能比较同一时期各决策单元的相对效率，无法分析同一决策单元不同时期的效率变化，FARE等[16]将DEA与Malmquist指数相结合，使得不仅可以分析不同时期决策单元的效率变化趋势，还可以将全要素生产率(Tfpch)分解为技术进步变动指数(Techch)和技术效率变动指数(Effch)，进一步探究造成资源配置效率差异的原因.

目前，对于珠三角乃至粤港澳大湾区的科技创新资源配置缺乏针对性研究，实证分析尤甚. 本文运用非期望产出的超效率SBM模型，结合Malmquist指数，从横向和纵向两方面分析珠三角9市科技创新资源配置效率，为探索珠三角科技创新资源配置优化路径、推动粤港澳大湾区经济高质量发展提供建议.

1 数据来源与研究方法

1.1 变量选择

为客观评价珠三角的科技创新资源配置水平，本文遵循科学性、可行性、可比性、系统性和整体性等基本原则，兼顾统计数据的可获得性，从科技创新资源投入、产出2个领域，选取9个投入、产出指标(表1)用于测度珠三角9市(广州、深圳、珠海、佛山、惠州、东莞、中山、江门、肇庆市)的科技创新资源配置效率.

表1 科技创新资源配置效率测度指标体系

科技创新资源按要素可划分为科技人力资源、科技物力资源、科技财力资源、科技信息资源，投入指标设计以这4个方面为基础. R&D活动人员(X1)是科技创新活动的主体，参与了产品从创新构思到设计开发再到生产制造的全过程，其数量反映了该地区从事科技创新活动的人员规模，本文选择其作为科技人力资源的投入指标. 实验平台、科研设备、仪器等与科技创新活动直接相关的有形物质资源通常存在于各个类型的研发部门、项目研发基地、试验中心等，因此，本文选择省级工程技术开发中心(X2)作为科技物力资源的投入指标，以反映区域在物质设施建设方面对科技创新活动的支持程度. 科技创新的研发阶段离不开资金支持，R&D经费内部支出(X3)是常用的衡量创新的财力指标，反映了企业用于内部开展R&D活动(包括基础研究、应用研究、试验发展)的实际支出，本文选择其作为科技财力资源的投入指标. 公共图书馆收纳各类与科技创新相关、服务科技创新的图书、期刊、文献等资料信息，本文选择各地级市公共图书馆藏量(X4)作为科技信息资源的投入指标.

科技创新产出分为经济产出、非经济产出和非期望产出. 科技创新推动了高新技术产业的发展，高新技术产品产值(Y1)是科研成果转化为货币的直接表现，一定程度上反映了各研发主体的创新水平，因此，本文选择其作为科技创新的经济产出指标. 专利申请量(Y2)能客观反映科技创新活动的产出质量，是衡量区域科研实力的标尺之一，因此，本文选择其作为科技创新的非经济产出指标. 科技创新资源投入势必伴随着非期望产出，例如企业在生产活动中排放的污染物. 考虑资源配置对环境造成的负面影响有利于提高区域科技创新资源配置效率度量的准确性和合理性，本文选择工业废水排放量、工业废气排放总量、工业固体废物产生量作为非期望产出指标.

1.2 数据来源

科技创新从投入到产出是一个持续的过程，需考虑滞后性的问题，本文综合现有研究成果，结合科技创新资源配置效率测度指标体系，将产出滞后1期，第t年的效率由第t-1年的投入和第t年的产出计算得出. 选取珠三角9市——广州、深圳、珠海、佛山、惠州、东莞、中山、江门、肇庆市为研究对象，所有数据由《广东统计年鉴》、《广东科技年鉴》、各地级市年报及官方网站直接获取或间接计算而得.

1.3 效率评价模型

1.3.1 非期望产出超效率SBM模型 本文设定基于非径向导向的非期望产出超效率SBM模型(固定规模报酬)，对珠三角科技创新资源配置效率进行测度.

假设有n个待评价的决策单元(DMU)，使用M种投入要素，得到R种期望产出、Q种非期望产出，则第k个DMU的效率评价值ρk的计算公式如下：

(1)

非期望产出超效率SBM模型的经济含义为：

(1)若ρk<1，则表明第k个DMU属于非DEA有效，需要优化投入产出关系来改善资源配置效率；

(2)若ρk=1，则表明第k个DMU属于DEA有效，科技创新资源在投入Xm时所获得的产出Yr已达到最优；

(3)若ρk>1，则表明第k个DMU属于DEA有效，且ρk越大，表示效率越高.

1.3.2 Malmquist指数模型 SBM模型使用截面数据对决策单元的效率进行静态分析，若要进一步评估效率的动态变化，则需使用Malmquist指数模型. Malmquist指数模型可以将全要素生产率(Tfpch)分解为技术进步变动指数(Techch)和技术效率变动指数(Effch)，前者表示效率前沿面的移动，后者反映决策单元的资源利用能力.

当规模报酬不变时，从第t时期到第t+1时期，第i决策单元的全要素生产率的Malmquist指数模型表达式为：

Tfpch=M(xt+1,yt+1,xt,yt)=

Effch× Techch.

(2)

当规模报酬可变时，技术效率变动指数又可分解为纯技术效率变动指数(Pech)和规模效率变动指数(Sech). 前者是衡量纯粹技术(非管理、制度等因素)对技术效率的影响；后者衡量在一定的制度管理水平下，现有生产规模与最优生产规模的差异. 具体表达式如下.

(3)

若Tfpch>1，则表示从第t期到第t+1期，全要素生产率呈增长趋势，反之亦然. 若Techch>1，则表示决策单元技术水平进步，生产可能性边界外移，反之亦然. 若Pech>1，则表示在规模报酬可变条件下纯技术效率提高，反之亦然；若Sech>1，则表示第t+1期的规模报酬高于第t期的，且更接近固定规模报酬；二者乘积构成技术效率，若Effch>1，则表示决策单元趋近技术有效前沿面，与最优技术效率的差距减小，反之亦然.

2 实证分析

在数据的收集整理中发现，珠三角各市的科技创新资源投入逐年递增，广州、深圳、佛山、东莞市的资源投入较大，科技创新资源主要集中在经济发展水平较高的城市. 为深入研究各城市的资源利用水平，本文对其资源配置效率予以测度.

2.1 基于非径向的非期望产出超效率SBM模型测算结果

本文利用MATLAB软件，测算珠三角9市2014—2018年的科技创新资源配置综合效率值. 由考虑非期望产出和不考虑非期望产出的超效率SBM模型测算结果(表2)可知：(1)非期望产出模型中综合效率均值达到0.8以上的城市有6个，接近0.8的有1个城市(0.786)，珠三角科技创新资源配置效率总体较高；(2)深圳、佛山、惠州、中山市的综合效率值连年大于1，资源配置属于DEA有效，其中深圳市最优，每年的综合效率值皆居9市之首；(3)广州、珠海、东莞市的综合效率值由小于1向大于1转变，资源配置评价由非DEA有效向DEA有效转变，肇庆市反之；(4)江门市的综合效率值连年小于1，属于非DEA有效，资源利用能力较低.

表2 珠三角的科技创新资源配置综合效率值(2014—2018年)Table 2 The efficiency of science and technology innovation resources allocation in the Pearl River Delta from 2014 to 2018

由比较结果(图1)可知：2014—2018年，珠三角9市考虑非期望产出的综合效率均值均低于不考虑非期望产出的综合效率均值，说明工业污染对科技创新资源配置效率的提高具有一定的抑制作用，企业应重视节能减排，将科技创新与绿色发展紧密结合，推动经济向高质量迈进.

图1 超效率SBM模型测算结果

2.2 基于Malmquist指数模型的纵向分析及效率分解

由于SBM模型无法对同一决策单元不同年份的效率变化进行分析，因此，研究引入Malmquist指数模型，基于动态视角，对科技创新资源配置效率进行纵向分析. 本文利用Deap 2.1软件，计算珠三角的全要素生产率及其分解指数(表3). 由表可知：2014—2015、2015—2016、2016—2017年，珠三角的全要素生产率均大于1，说明生产效率逐年提升，科技创新资源配置在不断优化. 而2017—2018年,珠三角的全要素生产率(0.898)小于1，说明生产效率有所下降，产业升级及生产力的发展不稳定. 由分解指数可知：全要素生产率的下降是技术效率变动指数及技术进步变动指数下降造成的，技术效率变动指数的下降是纯技术效率变动指数及规模效率变动指数下降造成的，具体原因包括投入产出不匹配、规模不经济、科研成果转化率低等.

表3 珠三角科技创新资源配置效率变动情况(2014—2018年)

由各市的科技创新资源配置效率(表4)可知：(1)2014—2018年，广州、珠海、东莞、中山、江门市的全要素生产率均大于1，其中广州市的最高(1.238)，增幅达到23.8%. 进一步研究发现：(i)广州、珠海、东莞市全要素生产率的增长是技术效率改善与技术进步共同推动的结果(技术效率变动指数、技术进步变动指数均大于1)，表明其资源利用能力在不断提升，不断向效率前沿面移动. (ii)中山市全要素生产率的增长是技术进步推动的结果(技术进步变动指数大于1). (iii)江门市的纯技术效率小于1，导致技术效率变动指数小于1，说明在要素投入相对稳定下，科技产出在不断减少，资源利用能力、技术创新水平有待提高；但其技术进步变动指数大于1，抵消了技术效率下降的影响，使得全要素生产率大于1. (2)2014—2018年，深圳、佛山、惠州、肇庆市的全要素生产率均小于1，其中肇庆市的最低 (0.883)，减幅达到11.7%. 进一步研究发现：深圳、佛山、惠州市的技术进步变动指数小于1，导致全要素生产率小于1，三市应加强宏观管理，注重各类科技创新资源的统筹与交互，提高科研成果转化率；肇庆市的纯技术效率变动指数为1，属于技术有效，但其规模效率变动指数小于1，说明与最优生产规模存在一定差距，导致技术效率变动指数小于1，应提高科技创新资源管理水平，优化生产规模. (3)从各地区科技创新资源配置Malmquist指数分解来看，技术进步是决定科技创新资源配置效率差异的重要因素.

表4 珠三角9市科技创新资源配置的Malmquist指数及其分解(2014—2018年)

2.3 非DEA有效地区投入产出指标的松弛变量分析

为了进一步分析非DEA有效地区资源配置欠佳的原因，找出资源投入和产出的薄弱环节，本文对广州、珠海、东莞、江门、肇庆市的投入产出指标进行松弛变量分析，探索珠三角科技创新资源配置的优化路径. 投入指标的松弛变量可以理解为一种冗余或者浪费，期望产出指标的松弛变量表示现有资源投入下的产出量与理想产出量的差距或优化配置之后可增加的产出量，非期望产出的松弛变量表示过量污染的应减量.

由表5可知：(1)广州、珠海、东莞、江门、肇庆市在非DEA有效的年份均存在各类资源投入冗余、期望产出不足、非期望产出过剩等问题. 以2014年的珠海市为例，其考虑非期望产出的综合效率值为0.434，即科技创新资源可减少56.6%的所有投入而不会减少现有产出量，资源利用效率偏低. 进一步探究，在资源投入方面，科技人力、财力、物力和信息资源均存在闲置现象，其中R&D活动人员可缩减5 083.901人，R&D经费内部支出可缩减4.767亿元，省级工程技术开发中心可缩减46.595个，公共图书馆藏量可缩减140.365万册. 各类科技资源未得到充分利用，表明：①没有发挥全部科研人员的作用，可以从体制机制入手，提高管理水平，完善相关人才激励制度；②企业R&D经费未尽其用，应平衡短期投资与长期投资，布局基础研究，提高自主创新能力；③高校、科研机构、企业间的有效互动还不够，产学研融合不够紧密；④研发主体未能有效利用科技信息资源，应加强相关知识技术共享平台建设. 在期望产出方面，珠海市的经济产出有效，但非经济产出不充分，专利申请量应增加1 548.841件，科研成果转化能力需进一步提高. 在非期望产出方面，珠海市的工业废水排放总量需减少 0.002 亿t，工业废气排放量需减少 770.614 亿m3，工业固体废物产生量需减少230.554 万t. 因此，珠海市应提高环境规制力度，推动传统工业绿色化改造，减少污染排放. (2)部分城市存在经济产出不充分的情况. 以2014年的东莞市为例，在保持现有投入不变情况下，其高新技术产品产值可增加709.577亿元，表明高新技术产业发展存在一定提升空间. 东莞市应注重对高技术企业的扶持，从政策上予以优待，财政上予以补贴，推动其发展. (3)2014—2018年，广州、珠海、东莞市的投入产出松弛变量值由有到无，效率评价由非DEA有效向DEA有效转变，且全要素生产率均大于1，说明科技创新资源配置向利好方向发展. (4)由于连年存在资源投入冗余、经济产出不充分和工业污染过剩等问题，使得江门市的资源配置评价皆为非DEA有效. 但其全要素生产率大于1，说明城市整体上呈进步态势，应进一步提高资源利用效率，将其转化为有效科研成果，缩小与其他城市的差距. (5)2014—2018年，肇庆市的投入产出松弛变量值由无到有，效率评价由DEA有效向非DEA有效转变，且全要素生产率小于1，说明无论是横向比较还是纵向比较，肇庆市整体资源利用效率皆呈下降趋势，科技创新资源配置亟需优化.

表5 非DEA有效地区投入、产出指标的松弛变量测算值(2014—2018年)Table 5 The measurement of slack variables of input and output in non-DEA efficiency areas from 2014 to 2018

续表5

3 结论与建议

本文运用非期望产出的超效率SBM模型，结合Malmquist指数，从横向和纵向两方面分析珠三角内地9市的科技创新资源配置效率，通过对各地区资源配置的松弛分析，进一步找出非DEA有效地区资源投入和产出的薄弱环节. 研究结果表明：地区间科技创新资源投入差异较大，科技创新资源主要集中在广州、深圳、佛山等经济发展水平较高的城市；工业污染对科技创新资源配置效率的提高具有一定的限制作用；2014—2018年，珠三角科技创新资源配置效率总体较高，效率均值达到0.8以上的城市有6个，其中深圳市领跑，江门、肇庆市居后；由Malmquist指数分解来看，技术进步是决定科技创新资源配置效率差异的重要因素；非DEA有效地区均存在各类资源投入冗余、期望产出不足和非期望产出过剩等问题.

针对投入与产出不相匹配的情况，结合珠三角科技资源配置现状，本文提出如下改善对策：

(1)提高科技创新资源的使用效率,实现区域内科技创新资源融通、互补、共享. 如：健全相关规章制度，注重科技创新资源投入的顶层设计和宏观调控,形成科学合理、高效有序的资源共享管理体制；深化组织管理,完善工作体系,保障共享组织运作,发挥政府主导作用，建立多方参与的科技创新资源协调管理工作体系.

(2)建立多元化科技资金支持体系. 如：建立持续、稳定的科技财政投入机制，加大对基础研究的财政支持，重在攻关产业核心技术；完善创新服务体系建设，对孵化器、创新创业平台发展予以政策支持，加快科技型企业发展；扩展中小企业融资途径，形成多元化的金融资本市场，激励和引导社会资本对科技创新活动投入.

(3)推动产学研深度融合. 如：以市场为导向，优化创新资源配置，推动创新要素集聚，提升企业的创新能力和市场竞争力；充分重视企业在推动产学研深度融合过程中的主体作用，不断加大对企业创新的支持力度，积极推动企业与高校、科研院所的联合创新，重点支持公共技术研发平台、中试基地和成果转化基地的建设.

(4)推进企业绿色生产. 如：将绿色发展理念融入科技创新生产，提高原材料和能源的综合利用率，对废气、废液等进行二次开发；发展绿色生产技术，改进生产设备，开发新的生产流程；加强科学管理，控制污染排放末端处理.