基于三阶段DEA-Windows 的安徽省地市级科技成果转化效率研究

曹幸如，杨 剑

（安徽大学管理学院，安徽合肥 230039）

科技创新是引领发展的第一动力。2021 年我国政府工作报告明确指出必须保持科技创新在我国现代化建设中的核心地位。目前我国的国际专利申请量与自然科学领域年均论文数均排名世界第一［1］，但是科技成果仍存在转化率低、转化难等问题，以专利为例，国家知识产权局［2］发布的《2020 年中国专利调查报告》显示，我国有效发明专利产业化率为34.7%，科技成果转移转化与商业化成效仍不容乐观。2019 年，党中央、国务院发布的《长江三角洲区域一体化发展规划纲要》将安徽省整体列入长三角。2020 年8 月，习近平总书记在合肥主持召开扎实推进长三角一体化发展座谈会并发表重要讲话，强调要将安徽打造成为科技创新策源地，同时指出安徽要实现跨越式发展必须要靠创新［3］。近年来，安徽省的区域创新能力一直位于全国的第一方阵，但是核心技术供给、科技成果转化不足等问题仍然制约着安徽的发展。科技成果转化不仅关系到科技研究的结果是否能加入经济主战场，还关系到创新主体创新能力的提高［4］。安徽省要实现产业结构升级、发展循环经济，首当其冲要准确认识自身在科技发展过程中存在的问题和优势，科学评价科技成果转化效率，把握科技发展的趋势和特点，从而促进安徽省跨越式发展。本研究采用三阶段DEAWindows 模型测算安徽省16 个地级市2014—2019年期间的科技成果转化效率，在剥离环境因素和随机干扰的影响下评价各市的科技成果转化率、找出差异，从而有针对性地提出对策建议，为促进安徽省科技发展、提升科技竞争力提供一定的理论支持。

1 文献综述

目前学术界关于科技成果转化的研究有很多，研究内容主要集中在科技成果转化的模式、评级体系及转化效率上，如戚湧等［5］按照社会功能的不同将科技成果分为基础公益类、共性技术类和专有技术三大类，研究得出应充分发挥科技中介服务机构的作用，促进科技成果的转化；李孔岳［6］通过对美、德、日、英4 国的科技成果转化模式进行对比研究，得出对于我国科技成果转化的启示；袁忆等［7］基于商业模式的视角，从科技成果转化参与主体各自的利益诉求进行分析，提出提升科技成果转化率的关键在于实现成果转化价值创造过程中的闭环；李冉等［8］从定性分析的角度指出科技成果转化的评价应该有一套完整的评价指标体系，遵循全面客观性、简单明了性、可行性原则；董洁等［9］运用随机前沿模型研究发现，我国省际科技成果转化效率存在较大差距，提出政府应该不断优化科技软环境和创新硬环境；柳劲松［10］指出R&D 活动并不直接产生经济效益，要产生经济效益需要有一个转化过程，从而间接推动经济增长，并运用数据包络分析模型（DEA），使用2000—2006 年我国民族地区面板数据研究了我国民族地区科技成果转化对经济增长的贡献率。

通过对文献的梳理发现,学术界在科技成果转化效率的研究上多使用DEA 模型以及随机前沿等模型。为避免传统DEA 模型无法考虑随机误差，将所有随机干扰项看成是效率因素的缺陷［11］，本研究采用三阶段DEA 方法，剥离了环境因素和随机误差的影响，并利用DEA-Windows 模型对研究对象的面板数据进行分析，以比较研究对象在不同时期的动态变化情况。同时在现有文献中，对于科技成果转化的研究大多集中在省际、行业之间的研究，缺乏对于省内具体情况的探究，这就导致研究的结果很难直接运用到具体的省内各地，因此有必要对省内各地的情况进行具体分析。故本研究选取了位于我国中部地区的安徽省的16 个地级市的数据进行分析，试图更加真实地反映安徽省2014—2019 年的科技成果转化情况，准确测度各市的科技成果转化效率。

2 研究方法与变量

2.1 研究方法

2.1.1 三阶段DEA 方法

DEA 方法是一种非参数方法，是由Charnes等［12］学者所提出来的，可以根据多个产出和多个投入指标来衡量相同类型决策单元的相对有效性，主要利用的是线性规划法。该方法通过给出的样本数据构造效率前沿面，各决策单元的效率值在［0，1］的区间内，当某个决策单元的效率值为1 时，则说明其投入产出组合是相对有效的。传统的DEA模型是在规模报酬不变的假设下提出的，称为CCR模型；随后，Banker 等［13］又提出了BCC 模型，这种模型的假设是规模报酬可变，将CCR 中的技术效率（technical efficiency，TE)分解为规模效率（scale efficiency，SE) 和纯技术效率(pure technical efficiency，PTE) 的乘积。而Fried 等［14］为了剥离环境因素和随机扰动对于决策单元效率值的影响，将DEA 和随机前沿（SFA）方法相结合，使得对于各个决策单元的效率评价是处于相同的外部环境之下的，从而得到真正的效率水平。

本研究采用的是BCC 模型，在第一阶段通过计算得到各决策单元的初始效率值以及每个决策单元的目标投入值，实际投入值减去目标投入值就是各个决策单元的松弛变量，也就是每个决策单元可以节约的投入量；在第二阶段以上述松弛变量作为被解释变量、环境变量为解释变量构建相应的SFA 模型，根据SFA 模型得到的结果对各个决策单元的初始投入指标进行调整；第三阶段将调整后各决策单元的投入产出数据代入第一阶段的模型重新计算，得到一个新的效率值。

2.1.2 Windows 分析

窗口分析（Windows）最先是由Klopp［15］提出的，这种方法将同一对象在不同时期视为不同的决策单元，不仅可以对各决策单元进行横向比较，也可以进行纵向的动态比较。在运用这种方法时，首先需要确定窗口的宽度，现阶段被广泛认可的是将窗口宽度d值设定为3 或者4。假设共有P个决策单元，样本数据的时间跨度为T，就有T-d+1 个窗口，1 个窗口内有P×d个决策单元。首先计算第1 个窗口期的d个效率值，随后移动到第2 个时点计算从该时点开始的第2 个窗口的d个效率值，直到计算到T-d+1 时点，最后计算各时点的平均效率值。

DEA-Windows 方法就是将视窗分析应用到DEA模型中，相较于传统DEA 模型所采用的截面数据分析得出的结果更具有稳定性、持续性。本研究在3个阶段中都选择将窗宽值设为3 进行视窗分析，得到动态的值。

2.2 变量选择

目前对科技成果转化的评价还未形成完整的评价指标体系，本研究在投入指标的选取中，参考了徐晨等［16］、刘家树等［17］的研究，选取规模以上工业企业的R&D 活动内部经费支出作为投入指标之一，体现的是地方对于科技活动的经费投入；同时选取R&D 人员全时当量作为劳动力投入的指标，反映了地区参与技术创新和科技成果转化活动的积极性。

本研究的主题是科技成果转化的效率，因此有必要对科技成果进行衡量。根据柴国荣等［18］的研究，选取专利的实际授权量作为衡量科技成果的指标。新产品是科研成果应用到市场的直接表现形式，反映了地区的科技成果转化状况，其中已授权专利转化出的商品是新产品的一部分［19］，因此选取新产品销售收入与专利授权量的比值作为科技成果产出指标之一；另一方面，技术市场活动状况是反映科技成果转化的一个重要维度，而技术合同成交额则体现了科研成果的商品属性，反映了科技成果在市场中的应用情况，因此选择科技成果产出的另一个指标是技术合同成交额。

科技成果转化是个复杂的过程，是一种技术经济行为［20］，会受到多方面的影响，并最终体现在科技成果转化的效率上。遵循环境指标的选取原则，在借鉴已有研究的基础之上，考虑到数据的可获得性，从财政支持、企业规模、地区发展水平、教育水平、开放程度5 个维度选取环境影响因素指标。

（1）财政支持。政府在科技成果转化过程中具有重要的作用，其中最直接体现的就是财政方面的支持，政府财政支持直接影响到地区科技创新活力以及资源配置能力。学界对于政府R&D 资助与企业R&D 支出之间的关系已经有大量的研究，如解维敏等［21］通过Logistic 回归分析检验发现政府R&D 资助刺激了企业R&D 支出。本研究选取科技经费占地方财政支出的比重来衡量财政支出。

（2）市场结构。目前学术界关于市场结构对于创新效率、成果转化影响的结论尚未形成统一的定论，有学者如阿罗［22］指出高度集中的市场结构有利于提升创新效率，从而促进科技成果的转化，但是也有学者指出垄断市场结构往往更容易激发创新积极性［23］。学术界一般使用市场集中度来表征市场结构，如赫芬达尔-赫希曼指数等。冯根福等［24］的研究指出可以用各行业的企业数来衡量市场结构，本研究选用规模以上工业企业有R&D 活动的企业数量来表征市场结构。

（3）地区发展水平。地区经济的发展水平与科技成果转化紧密相关，发展水平越高，所提供的配套设施也就越完善，越有利于资源的整合，从而实现科技创新成果的转化，本研究选取地区生产总值（GDP）作为衡量地区发展水平的指标。

（4）教育水平。地区教育水平越高，地区内部或引进的人才资历及能力越高，这不仅影响着创新能力，对成果转化过程中的管理工作也有一定的影响，关系到成果转化的各个环节是否能够顺利衔接，从而对科技成果转化效率产生影响，因此以各地区的高校在校学生人数来测度教育水平。

（5）市场开放程度。科技创新、成果转化活动会遵循引进、吸收、推广、再创新的路径［25］，因此市场开放程度对于科技成果转化效率的影响也是不容忽视的。市场开放程度体现了地区吸引外资的能力，合理使用外资可以促进地区的产业结构升级、更新提升技术水平［26］，但是随着对外开放程度的加深，很多外资企业单纯利用我国低廉的劳动力，这对提升我国本土科技成果转化率并无助益，因此选取各地区的实际利用外资金额来衡量市场开放程度。

上述变量数据均来自《安徽省科技统计年报》以及《安徽省统计年鉴》，面板数据覆盖2014—2019 年安徽省16 个地级市（以下简称“16 市”）。第一阶段和第三阶段数据的处理使用的是DEAP2.1软件，第二阶段使用的是Frontier4.1 软件。

3 实证结果分析

3.1 第一阶段DEA-Windows 效率值分析

第一阶段是利用DEAP 2.1 软件并以3 为窗口宽度进行计算的，得到了16 市的综合效率、纯技术效率以及规模效率值，具体如表1、表2 所示。其中DEA-Windows 的测算过程如表3 所示。

表1 2014—2019 年16 市科技成果转化综合技术效率

表2 2014—2019 年16 市科技成果转化纯技术效率和规模效率几何均值

表2 （续）

表3 2014—2019 年16 市科技成果转化综合效率

可见2014—2016 年间，16 市的综合技术效率、纯技术效率、规模效率均未处于效率的前沿面。从综合技术效率来看，整体趋势是在逐年上升的，但是均值不高，仍然是弱DEA 有效，处于［0.38～0.63］的区间，在经历了2015 年的低谷后开始缓慢上升，其中铜陵、池州连续3 年均位于技术前沿面，6 年间效率实现提高的城市数量在增加；纯技术效率方面，整体变化趋势不大，在2016 年达到最大值0.73随后下降到0.69，并连续3 年保持在这一水平，各个年份的均值在［0.55～0.69］之间；而规模效率在给定的样本区间内处于［0.68～0.88］之间，除了2015 年为0.68，其余年份均在0.8 以上，处于一个较高的水平。根据上述分析可以得出，安徽省各城市综合效率不足的主要原因是纯技术效率的不足。

第一阶段中，综合技术效率位于前四的城市分别是铜陵、合肥、阜阳、池州，其中池州的纯技术效率和规模效率值均排第一，铜陵的两种效率值排名靠前；马鞍山、滁州两市的规模效率值排名在前五，属于较高水平，但是纯技术效率值过低，最终导致综合技术效率不高；而亳州、宿州恰好与马鞍山、滁州相反，纯技术效率值名列前茅，但是规模效率值的排名在14 和15 名，导致这两市综合技术效率不高的原因是规模效率值过低；宣城、安庆的3 种效率均排名靠后。

第一阶段16 市的纯技术效率均值是0.69，规模效率均值是0.82，据此作为划分依据，创建纯技术效率-规模效率二维矩阵，具体结果如图1 所示。第一类是纯技术效率值高、规模效率值高的“双高型”城市，有合肥、池州、铜陵、阜阳、黄山5 个城市；第二类是纯技术效率值偏低、规模效率值高的“低高型”城市，有马鞍山、宣城、芜湖、滁州、蚌埠、淮北6 个城市；第三类是纯技术效率高、规模效率值低的“高低型”城市，有宿州、亳州两个城市；第四类是纯技术效率低、规模效率值低的“双低型”城市，有淮南、六安两个城市。

图1 2014—2019 年16 市第一阶段科技成果转化效率分布

3.2 第二阶段环境变量的随机前沿分析

第二阶段利用Frontier 4.1 软件，以投入指标R&D 经费内部支出、R&D 人员全时当量的冗余变量为被解释变量，以环境变量为自变量，得到两个面板SFA 模型，模型的具体结果值见表4。

表4 2014—2019 年16 市第二阶段科技成果转化效率分析

（1）财政支持。科技经费支出占地方财政的比例对R&D 经费内部支出的系数为负，这说明加大政府对于科技资金的投入可以减少R&D 经费内部支出的冗余。由于科技成果的转化需要投入大量的资金，但是投入的回收时间长，很多企业难以承受这样的风险，而政府资金的投入降低了企业开展科技成果转化的成本，使企业回报率提高，让企业愿意投入资金到原本预期收益低的科技活动中，并提高企业均衡投资量，这会减少企业R&D 经费内部支出冗余。但是科技经费支出对于R&D 人员的系数为正，这可能是因为近年来我国对科技愈发重视，政府不断加大对于科研的投入，但是企业在获得资金支持后却忽略了对于人员绩效等的考核，致使科技经费支出的增加带来了R&D 人员的浪费。

（2）市场结构。市场结构对R&D 经费内部支出及人员的系数为正，说明有研发活动的企业数量的增加会导致科研经费及人员的冗余。这可能是一些企业中出现了低效率创新。为了获得政府的资金投入，一些企业通过购买专利等手段跻身于高技术行业，但是在实际的生产应用过程中仍然使用旧的技术，这就使得企业数量虚增，增加了R&D 内部经费以及人员的冗余。

（3）地区发展水平。地区发展水平对R&D 经费内部支出的系数为正、对R&D 人员的系数为负，这说明随着地方经济的发展，科技的投入越多会导致一定程度的冗余，但是地方经济发展得越好越会吸引更多的科研人员，从而促进当地的科技成果转化。

（4）教育水平。教育水平对R&D 经费内部支出和R&D 人员的系数都为正，高校在校学生人数的增加会导致R&D 经费内部支出和R&D 人员这两个投入变量冗余的增加，这表明高校未能有效地参与到科技成果转化中来。随着教育的不断发展，我国高校已成为了科研创新的重要基地，但是科研成果转化率仍然不高。虽然高校的科研资金数量在不断增长，但由于大部分高校一直以来更加注重基础理论方面的研究，未能很好地把握市场的实际需求，对技术的实际应用考虑得较少，这就直接影响了科研成果的转化，造成了一定的经费冗余；另一方面高校对科研绩效的考核标准主要是论文数、课题数等，这就导致许多教师、学生没有足够的动力去考虑科技成果转化问题，导致科研投入冗余。

（5）市场开放程度。实际利用外资对于科研活动人员以及内部R&D 经费支出的系数都为正，说明外商直接投资在一定程度上会导致科研人员以及内部R&D 经费支出的冗余。出现这种情况是因为外商资金的流入会造成挤入效应，导致各地区盲目增加科技投入。

3.3 调整后DEA 结果

第三阶段利用第二阶段调整过后的科技投入数据，运用DEAP 2.1软件再次进行DEA-Windows分析，得到相应结果如表5 所示。在考虑环境因素的情况下，安徽省的综合技术效率存在高估的情况，均值由调整前的0.58 降为0.44；再从各个城市的角度来看，运用传统DEA 方法由于未考虑环境因素和随机误差的影响，未能反映出其真实的情况。纯技术效率显著提高，均值为0.89，规模效率显著降低均值为0.48。虽然调整后的值较调整之前有较大的变化，但是大部分城市仍然处于DEA 无效状态，只有合肥、铜陵、芜湖在部分时间窗下处于DEA 有效状态。

表5 2014—2019 年16 市第一三阶段科技成果转化效率

为了使结果更加直观，以雷达图的形式展示了2014—2019 年16 市第一阶段和第三阶段的综合效率值，具体见图2。总体来看，16 市的科技成果转化效率值被高估，合肥、蚌埠、滁州、芜湖、宣城这5 个城市的效率值发生变化相对较小，其中合肥的效率值一直处于一个较高的水平，除宣城以外的另外4 个城市的综合效率值都略有提高。相较于第一阶段，在第三阶段排名显著下降的有淮北、亳州、宿州、阜阳、淮南、六安、铜陵、池州、安庆、黄山。根据上述分析可以看到，在剥离环境因素和随机干扰后，绝大部分城市的效率值都有明显变化，说明第二阶段的分析是有必要的，环境因素确实会对科技成果转化效率产生影响。

图2 2014—2019 年16 市两阶段科技成果转化综合效率对比

图3 显示的是调整过后的16 市2014—2019 年3 种效率值的时序图。可以看到，纯技术效率值在近些年的变化浮动较小，相对来说处于一个较高的水平；规模效率和综合效率值的变化幅度基本一致，整体处于上升趋势，2015 年处于最低值，在2019 年达到最高值。因此可以得出，安徽省科技成果转化的综合效率主要受到规模效率的影响，即使纯技术效率较高，但仍然需要规模效率的推动。

图3 2014—2019 年16 市两阶段科技成果转化效率分布

如图4 所示，按照调整后的纯技术效率和规模效率均值（0.90，0.47）为临界点来进行分类，属于“双高型”的有铜陵、滁州、蚌埠，这些城市的效率值相较于调整之前变动较大，城市个数减少了两个，其中合肥的纯技术效率略有下降，蚌埠、滁州在剔除环境因素后纯技术效率值变大转为“双高型”城市。值得注意的是，在第一阶段中“双低型”城市仅有六安和淮南两个城市，在第三阶段调整后这类型城市数量显著增加。

图4 2014—2019 年16 市第三阶段科技成果转化效率分布

4 研究结论及建议

4.1 主要结论

本研究在应用三阶段DEA 模型的基础之上，运用视窗分析法，考察了安徽省16 市2014—2019 年科技成果转化问题，得出了如下结论：

（1）在没有控制环境因素的情况下，16 市规模效率的均值普遍大于纯技术效率的均值，纯技术效率低导致综合技术效率低；在控制了环境因素后，纯技术效率的均值显著提高，而规模效率的均值大幅下降，规模效率不高是制约安徽省科技成果转化效率提升的主要原因。

（2）在环境因素方面，财政支持和地区发展水平的提升有利于减少R&D 经费内部支出的冗余，同时，地区发展水平的提升还有利于减少R&D 人员的冗余，而其他环境因素对科技创新成果转化效率的回归系数均为正值，表明市场结构的优化、教育水平的提升和开放程度的提高在实践中存在没有被充分利用而导致创新资源相对冗余的情况。

（3）根据纯技术效率-规模效率二维矩阵的分类，安徽省各地市科技成果转化效率存在不均衡的情况，调整后“双高型”城市有滁州、蚌埠、铜陵3 个；调整前“双低型”城市仅两个，调整后数量显著增加至占16 市将近一半，说明安徽省还有不少地区实际上还处于低要素水平的发展阶段。

（4）根据调整后的时序图来看，3 种效率值均在逐年上升，说明安徽省的科技成果转化效率正在缓慢提升中。

4.2 对策建议

（1）“双高型”城市应扩大科技创新成果产业化规模。滁州、蚌埠、铜陵3 市作为纯技术效率和规模效率都较高的城市，相对来说科技成果转化效率总体处于较高的水平，拥有较为良好的科技成果转化模式，可以凝练经验、做好宣传推介；但同时应该注意到，与合肥、芜湖相比，这类城市在全省科技创新领域的体量不大，投入和产出规模都较小，没有充分发挥科技成果转化效率高的优势。因此，这类城市政府应加强政策设计，鼓励和引导企业创新和研发的积极性，增加科技创新领域的投入和产出，形成具有层次性的产业结构，扩大科技成果产业化的规模；此外，积极组织科技创新企业和科研机构参加有关科技成果推广和市场对接会议，协调各方资源，发挥本地区科技成果转化效率高的优势，助推地方产业和经济发展。

（2）“单高型”城市因地制宜补齐短板。“单高型”城市指纯技术效率和规模效率中一种效率较高，另一种效率较低。对于规模效率较高、纯技术效率较低的合肥、芜湖，因其具有较高的科技投入水平，但是在技术效率方面略低，因此应致力于解决科技成果转化过程中的技术问题，注重科技投入的有效性，改善投资结构，引进先进的管理理念，加强对财政资源、人力资源的管理；对于规模效率较低、纯技术效率较高的城市，如黄山、池州等，因这类地区的科技投入水平相较于其技术的发展来说还处于一个较低的水准，应该加大创新资源投入水平，加大财政支持、壮大行业规模，同时提高科技成果转化工作的管理水平，积累和优化现有科技成果转化相关知识，不断提高本地区的科技成果转化率。

（3）“双低型”城市强化政府在科技成果转化方面的引导作用。属于低规模效率、低技术效率的淮南、淮北、安庆等城市发展空间较大，地方政府应进一步强化其引导作用，推动科技创新，并推动将创新成果转化为实际生产力。根据自身发展定位，推动传统产业的转化升级，如宣城的核心基础零部件产业以及安庆的化工新材料产业等，不断提高技术效率；另一方面要完善科技成果转化基础设施建设，建构合理的投入要素结构，有侧重地提高科研创新的投入规模，增加政策供给，促进科技成果转化率的提高。

（4）对于地区间的科技成果转化效率不平衡问题，通过构建以科技成果转化为核心的区域协调机制来解决。本研究的实证分析表明，安徽省16 市科技成果转化效率存在不平衡情况，这是由于各市所处地理位置不同、经济发展状况不同。科技成果转化是一个创新要素集成过程［27］，要实现成果转化效率的提高，可以通过建立以科技成果转化为核心的区域协调机制，形成一个联动机制，推动各市之间在科技创新技术、资源、成果转化等方面的共享。属于高规模效率、低技术效率的合肥、芜湖等城市的创新资源投入较高，聚集了科技创新的专业人才和大量科研资金，而滁州、蚌埠等“双高型”城市科技创新体量较小，但是科技成果转化率较高，因此，可以通过区域协调机制促进资源要素的共享，从而在总体上提高全省的科技成果转化效率。

（5）对于环境资源冗余问题，通过不断提高环境资源的利用效率来解决。通过第二阶段SFA 环境变量的随机前沿分析发现，除了财政支持和地区发展水平的提升有利于减少研发投入冗余，其他环境因素包括市场结构、教育水平和市场开放程度等改善后反而导致资源冗余。其原因并不是这些环境因素的改善不利于科技成果转化效率的提升，而可能是这些环境因素优化后成果转化效率没有同步提升，使得在数据关系上呈现出环境因素优化而成果转化效率下降的情况，即表面上出现环境因素改善导致资源冗余的问题。因此，在实践中需要充分利用外部环境因素优化的契机，借助市场结构的改善，积极探索多创新主体产学研合作的有效模式；随着市场开放程度的提升，进一步吸引外部优质创新资源；利用教育水平的提高，吸引更多的优秀人才参与本地区的科技成果转化工作。