经济高质量发展背景下长三角城市创新效率水平测度研究

盛荣谱，张士杰

（1.安徽财经大学经济学院，安徽蚌埠，233030；2.安徽财经大学安徽经济社会发展研究院，安徽蚌埠，233041）

一、引言

随着我国经济发展转向经济高质量阶段，各级政府对创新发展重要性的认识不断深入。党的十八大报告将科技创新确立为未来国家经济竞争力的核定要素。2019年的中央经济工作会议更是将创新列为我国经济高质量发展“双驱动”之一，是增强社会生产力与国家综合国力必不可少的驱动要素。长三角区域创新发展对全国城市创新发展具有借鉴作用。2020年8月20日，习近平总书记主持召开推进长三角一体化座谈会，指出要打造长三角区域科技创新高地，促进经济高质量发展。

通过研究现有文献，发现学者对有关经济高质量发展与科技创新的关系的观点分为两类：一些学者认为，创新与经济增长呈相互促进关系。科研投入决定技术创新水平，企业家创新精神是科技创新与经济发展不可缺少的因素（李宏彬，2009），科技创新区域经济发展中具有溢出效应（张清正，2015）。一些学者则持相反观点，科技创新与经济高质量发展并不呈相互促进作用（周德田，2020）。经济高质量发展指经济、社会、生态环境发展质量持续提升的过程，是社会经济发展的理想状态（涂建军等，2021），具体表现为经济发展质量变革、效率变革、动力变革（肖金成等，2020）。我国的经济正从高速增长转向中高速增长，从关注增长速度转向关注经济增长质量。但是我国经济高质量发展水平依然存在缺陷，在开放与共享维度高质量发展存在短板，农业高质量发展结构性问题严重（刘涛等，2020），区域人力资本积累、产业结构调整、节能减排等因素影响经济高质量发展（周杰琦等，2020）。数据包络分析法（DEA）被广泛应用于城市创新效率的测度中，是目前研究创新效率的常用模型，传统数据包络模型对创新投入松弛变量的忽略会影响效率测度的准确性与稳定性（FARE R等，2000）。SFA对外部环境因素和随机误差项等进行剥离，超效率SBM模型（Tone K等，2010）将非期望产出纳入到测算范围，更加客观地测算城市创新效率。国内学者多从人力、资本、能源、土地投入四个维度出发，以高新技术从业人数、固定资产投入、城市全社会用电量、城市建成区面积等构建城市的创新投入指标，以专利数与新产品销售收入等构建城市创新产出指标，从全国（辛晓华等，2020）、省域（石峰，2010）、城市群（徐宜青等，2018）等多个层面对城市创新效率进行评价，

与以往研究相比，本文注重分析城市经济高质量发展对创新效率的单向影响，运用三阶段DEA模型，构建长三角城市创新综合效率投入产出指标体系，对比分析剔除经济高质量发展环境变量前后创新综合效率。运用Tobit模型将经济高质量发展纳入到创新效率影响因素，研究经济高质量发展对城市创新效率的影响因素，为提高城市创新效率提供依据和思路。

二、理论分析及理论假设

随着知识经济的日益兴起，科技创新与经济发展相互融合。熊彼特提出，经济发展的本质就是创新，创新能力提高社会生产率，改变经济结构，推动社会生产方式的变革，驱动经济繁荣。经济高质量发展背景下，对科技的投入形成新的市场需求，市场的新需求反作用于科技创新（攀刚等，2011）。创新效率指单位创新投入要素所能得到的产出，在一般情况下，社会创新投入资料增加，经济社会相同的比例也会随之扩大生产，充分吸收增加的生产资料，但是由于外部环境不确定因素的影响，社会创新资料会出现大量闲置。经济高质量发展是指国民整体质量和效率的提高（任保平，2018）。经济发展质量的提高关键是转换经济增长动力，伴随着质量、效率、产品和服务供给的升级，推动创新闲置资源的集约化利用，减少创新资源的滥用与浪费，在有限资源的情况下，进一步提高社会创新数量与社会创新质量，提高区域创新能力与创新效率。基于此提出以下假设：

H1：经济高质量发展促进城市创新效率，同时对不同的创新投入要素影响不同。

新的发展背景对经济发展结构、经济发展总量、经济发展质量等方面提出了新的要求。经济发展总量是城市经济发展的量化目标，是创新效率的基础，一定规模的资本积累为创新效率的提高提供保障（贺晓宇等，2018）。城市经济发展质量为城市经济发展取得较大的比较优势。经济发展结构驱动城市经济发展，通过对劳动、资本、人才等要素的重新配置，促使区域分工更加精细化与专业化，驱动城市经济发展（屈佳英等，2016）。基于此提出以下假设：

H2：经济高质量发展背景下，城市经济发展系统的经济发展结构、经济发展质量以及经济发展总量驱动城市创新效率提高。

图1 经济高质量发展与创新相互影响分析图

三、指标体系的构建和实证研究方法

（一）指标体系的构建

运用DEA方法构建投入和产出指标体系，基于区域经济高质量发展与创新效率的理论分析，综合现有研究文献，建立如下指标体系：

投入指标主要从人力投入与资本投入两方面衡量，由于区域创新的目的是获得技术产出以及创新产品，因此从产业结构与创新成果两方面对创新产出进行考量。环境变量是指除投入、产出变量以外，对长三角城市创新效率具有影响且客观存在的因素。从城市经济发展总量、经济发展结构以及经济发展质量三方面构建城市经济高质量发展评价指标。

（二）实证研究方法——三阶段DEA模型

Fried（2002）等提出DEA与SFA相结合的三阶段DEA模型，利用SFA对外部环境因素和随机误差项等进行剥离。具体包括三个阶段：

第一阶段，从优化投入视角研究提高长三角创新效率，采用BCC模型，对原始投入产出数据的效率值进行测算：

在式（1）中，X为投入向量，Y为产出向量，j为决策单元。若θ=1，S+=S-=0，则为有效决策单元；若θ=1，S+≠0或S-≠0，则为弱有效决策单元；若θ＜1，则为非有效决策单元。

第二阶段，通过随机前沿分析，运用SFA回归模型提取环境影响因素。第一阶段由BCC模型计算得到的投入产出松弛变量受到环境因素的影响，在第二阶段构建相似随机前沿模型（SFA）剔除环境因素。

木棉花具有非常广泛的应用前景，随着对木棉花功效认识的加深，其食用人群逐渐扩大，应用的范围也越来越广。但木棉花的研究水平严重滞后，目前对于木棉花化学成分的研究不够系统深入，药效物质基础尚未明确，没有化学成分和药理作用研究报道，缺乏严格、系统的毒理学作用和安全性评价资料。为保证木棉花的食用安全，对其进行毒理学研究与食品安全风险评估刻不容缓。通过毒理学试验，可以更加系统地了解和评价木棉花的食用安全性，完善木棉花的基础研究资料。

1.构建相似SFA回归函数（投入导向）对投入松弛变量进行回归分析：

2.为了得出更为精确的效率值，需要单独分离管理无效率项，环境因素和随机噪声。参考陈薇薇对管理无效率项的分离的研究方法：

表1 长三角城市创新效率测算相关指标

3.计算随机误差项μ

对投入产出变量进行调整，SFA回归分析的目的是剔除环境因素和随机噪声对效率测度的影响，以便将调整后的决策单元置于相同的外部环境，根据式（4），将所得的值代入以下调整的公式，对决策单元（DMU）的投入量进行调整。

第三阶段，DEA将第二阶段调整后的各投入变量和原始产出变量再次带入传统的BCC模型中重新计算，得出分离外部环境以及随机误差项后的城市创新效率。

四、长三角城市创新效率的测度分析

基于2010—2019年长三角三省一市面板数据对长三角41个城市创新效率进行实证评价。统计数据来源为《安徽省统计年鉴》《江苏省统计年鉴》《浙江省统计年鉴》《中国城市统计年鉴》。

（一）第一阶段DEA实证研究

不考虑外部环境与随机噪声扰动的情况下，长三角城市10年创新综合效率值呈现“上海市＞浙江省＞江苏省＞安徽省”的趋势。环境变量的存在使得长三角城市创新效率均值上下浮动较大，因此有必要运用SFA模型进行分离无效率项进行修正。“十二五”时期长三角城市创新效率总体偏低，均值为0.747。长三角41个城市中只有4个城市达到综合效率前沿面，占样本总量的9.7%，分别为金华市、丽水市、舟山市和上海市。“十三五”时期，在国家一系列创新政策激励下，长三角城市创新综合效率明显提高，2016—2019年创新综合效率达到0.933，较“十二五”时期增长19.9%。同时，长三角41个城市中有11个城市达到综合创新效率前沿面，较“十二五”期间增加7个城市，分别为合肥市、阜阳市、宣城市、南京市、苏州市、南通市与杭州市。安徽省城市创新效率增长较快，较“十二五”时期增长45.5%，超过长三角城市创新效率平均增长率，江苏省增长17.4个百分点，浙江省增长1.9个百分点。与“十二五”期间相比，浙江省宁波、嘉兴等城市创新综合效率有不同程度下降，表明“十三五”期间浙江省创新投入要素利用效率降低。

表2 第一阶段长三角城市创新综合效率时序变化

（二）第二阶段SFA回归分析

在第二阶段DEA分析中，将第一阶段DEA中测算出的城市创新原始投入松弛变量作为因变量，将GDP、固定资产投资、经济增长率、第三产业占比、人均GDP与市场化程度作为自变量，分离环境变量，运用Frontier4.1软件进行SFA回归处理。

投入松弛变量的单边广义似然比检验结果（LR test）均通过1%显著性检验，则拒绝原假设，存在管理无效率项。为减少环境变量影响误差，对环境变量影响因素进行标准化处理，处理过程如下：

式中X′ij表示第i个这城市第j项评价指标的数值；min{Xj}和max{Xj}分别表示所有区域中第j项评价指标的最小值和最大值。

表3 样本决策单元各冗余变量的SFA回归结果

从经济发展总量看，并不是经济总量越高，发展速度越快，城市创新综合效率越高。经济发展总量、经济发展速度与城市创新效率没有绝对正向关系。从回归结果来看，GDP与GDP增速对科技人员投入、财政科学技术投入等创新投入要素的冗余变量的回归系数为正，且均通过5%显著性检验，显示城市经济总量以及经济发展速度与城市创新效率呈反向关系。经济总量与经济增长速度的提高会增加科技服务人员、财政投入、R&D经费投入以及外商投资的冗余变量，从而降低创新投入要素的利用效率。城市在提高创新效率时不能盲目追求GDP，需要合理配置经济发展内部要素。固定资产投入对创新要素的影响有正有负，在提高城市创新效率时需要合理处理固定资产投资与创新投入要素之间的关系。从经济发展结构来看，第三产业占比对科技服务人员投入冗余量的影响不显著，与财政科学技术投入、R&D经费、外商投资冗余量成反比。从经济发展质量看，市场化的提高与城市创新要素冗余量呈反比，对长三角城市创新效率有促进作用，降低科技人员、财政科学技术投入、R&D经费以及外商投资冗余量。

（三）第三阶段DEA实证研究

通过第二阶段SFA分离环境变量影响，调整科技服务人员、R&D经费投入、财政科技投入和外商直接投资等投入变量，同时再次通过DEAP2.1软件测算长三角三省一市城市创新综合效率。第三阶段城市创新效率测算仍然利用投入导向型BCC模型测算，通过比较，更加容易观察在提取管理无效率和随机干扰项前后的长三角区域创新综合效率的变化。

表4 第三阶段调整后的创新综合效率变化情况

从总体上看，除上海市“十三五”期间创新综合效率均值为1，其余长三角城市2010—2019年创新综合效率均值未达到1，处于DEA无效率。“十二五”期间长三角创新综合效率均值为0.441，较第一阶段下降39.2%，安徽省下降最为明显，较第一阶段下降57%。“十三五”期间长三角创新综合效率均值为0.603，较第一阶段下降34.3%，江苏省下降最为明显，较第一阶段下降58%。从微观上看，通过分离环境变量，“十二五”期间除苏州市、宁波市、温州市，长三角其他城市创新综合效率都有不同程度的降低，其中芜湖市、徐州市等20个城市较第一阶段下降超过50%，占样本总量约48.7%。“十三五”期间，城市创新综合效率减少幅度较“十二五”期间降低，有12座城市创新综合效率降低幅度超过50%，占样本总量的29.2%，但是其中有10座城市位于江苏省区域，占江苏省地级市73%。

综上所述，通过分离环境变量，2010—2019年长三角城市创新综合效率有不同程度的降低，表明经济高质量发展有利于促进城市创新资源合理配置，推动城市创新综合效率的提高。同时由第二阶段SFA回归分析，环境变量对科技人员、财政科学技术投入、R&D经费与外商投资等创新投入要素反应程度不同，显示经济高质量发展对不同的创新投入要素影响不同，验证假设H1。

（四）进一步分析

运用Stata15.0软件和面板Tobit模型对长三角三省一市创新效率影响因素进行分析，回归结果表明，GDP、固定资产投资以及GDP增速与长三角城市创新效率呈负相关，并且GDP和GDP增速与城市创新效率通过显著性检验，经济发展的总量与经济发展的速度并不能促进城市创新综合效率。政府提高城市创新效率不能单纯追求GDP，过多追求经济发展的总量与经济发展的速度反而对城市的创新效率起相反作用。人均GDP、第三产业产比、市场化程度与城市创新效率具有正向关系，且均通过显著性检验，同时市场化程度与城市创新效率的回归系数最大，为0.67。在城市创新发展的过程中，城市产业结构的调整，扩大对外开放，提高城市市场化程度，提高经济发展质量可以推动城市创新效率。

表5 Tobit面板回归结果

通过Tobit分析，假设H2中，经济发展总量、经济发展结构、经济发展质量与城市创新综合效率呈不同的关系，在经济高质量发展背景下，需要合理整合社会资源，提高经济发展质量，推动城市创新效率的提高。

五、结论与建议

第一，从区域总体来看，“十三五”时期长三角城市创新综合效率有一定程度提高，区域创新综合效率呈现“上海市＞浙江省＞江苏省＞安徽省”的趋势。分离环境变量后，长三角城市创新效率均值都有一定程度的降低，表明经济高质量发展有利于促进城市综合创新效率。长三角城市应进一步采取措施提高创新资源利用效率，调整产业发展结构，提高城市经济发展质量。安徽省需继续加大城市创新资源投资力度与规模，优化城市创新要素投入结构，提高城市创新综合效率；江苏省、浙江省与上海市需提升城市产业现代化发展水平，加快现代服务业与数字化发展进程，推动生产性服务业向专业化和价值链高端延伸，突破城市创新瓶颈。

第二，经济高质量发展背景下，经济发展总量、经济发展速度对城市创新效率不具有促进作用，经济发展结构、经济发展质量与城市创新综合效率呈显著正向关系，市场化程度对城市创新综合效率影响最大。优化城市产业结构，提高市场化程度，优化营商环境有益于长三角城市创新效率的提高。重视经济高质量发展环境对城市创新效率的影响，不能过于追求GDP的增长推动区域经济发展，以求提高城市创新效率。深化改革开放，提高市场化程度，激发市场活力，拓展投资空间，优化投资结构，充分利用政府与市场的关系，发挥市场对城市创新资源配置的基础性作用，促进城市创新综合效率的提高。