基于模型优化的长三角城市群科技资源配置效率研究

文章编号：1005-9679（2022）03-0021-08

摘要：对长三角城市群2014—2020年7年间的科技资源配置状况进行实证分析，基于FANP赋权求解长三角城市群各省市主要科技资源投入、产出指标的相对发展水平，进行区域间比较以了解各区域资源配置的优劣势并制定具有针对性的完善优化措施。研究发现：（1）在国家城市群发展战略政策指导下，长三角各省市科技资源配置效率持续优化，大多数地区配置水平呈现出快速提升的发展态势;（2）研发人员和投入仍是影响科技资源配置效率的核心要素;（3）市场化是提升资源配置效率的主要途径;（4）科技成果转化率的提升是科技资源配置效率提升的核心激励要素。研究改进了评价模型，结论为长三角城市群科技资源合理配置提供了更为详细的理论支撑。

关键词：长三角城市群;FANP;科技资源配置;效率评估及优化

中图分类号：F 062.4

文献标志码：A

Research on the Efficiency of Science and Technology Resource Allocation ofYangtze River Delta Urban Agglomeration Based on Model Optimization

CAO Yuhong

（School of Management， Shanghai University， Shanghai 200444， China）

Abstract： This paper makes an empirical analysis on the allocation of scientific and technological resources in the Yangtze River Delta urban agglomeration from 2014 to 2020. Based on the previous research， the relative development level of main scientific and technological resource input and output indicators of provinces and cities in the Yangtze River Delta urban agglomeration is solved based on FANP weighting， Carry out inter regional comparison to understand the advantages and disadvantages of regional resource allocation and formulate targeted improvement and optimization measures. The results show that： （1） under the guidance of the national urban agglomeration development strategy and policies， the allocation efficiency of scientific and technological resources in provinces and cities in the Yangtze River Delta has been continuously optimized， and the allocation level in most regions has shown a rapid development trend; （2） R & D personnel and investment are still the core elements affecting the efficiency of scientific and technological resource allocation; （3） Marketization is the main way to improve the efficiency of resource allocation; （4） The improvement of the conversion rate of scientific and technological achievements is the core incentive factor to improve the efficiency of scientific and technological resource allocation. The conclusion of this paper provides a more detailed theoretical support for the rational allocation of scientific and technological resources in the urban agglomeration of the Yangtze River Delta.

Key words： Yangtze River Delta urban agglomeration; FANP; allocation of scientific and technological resources; efficiency evaluation and optimization

本文以長三角城市群四省市为研究对象，通过对各省科技资源投入与产出变动趋势的相关分析，对科技资源配置效率进行比较，以期进一步了解城市群四省市科技资源配置效率的区位差距，找出症结所在，为寻求解决对策提供依据。研究结论将对缓解长三角地区的科技投入压力，提高长三角地区的科技创新能力和科技竞争力，促进长三角协同发展具有重要的现实意义。

在科技资源配置效率研究方面，已有学者运用不同的研究方法开展了大量的定量研究。刘玲利运用DEA-Malmquist指数模型与随机效应模型，对1998—2005年我国30个省份科技资源配置效率变化及影响因素进行实证检验。范斐等在构建区域科技资源配置效率评价指标体系的基础上，运用突变级数法对全国31个省区市的科技资源配置效率进行了测度。Cao将23个能值指标纳入DEA-Malmquist生产率模型中，并从技术变化和效率变化两个方面对2009—2015年我国“经济-生态”效率变化进行探究。黄海霞等运用DEA模型对战略性新兴产业科技资源配置效率进行了分析，结果发现战略性新兴产业间效率存在非均衡性。Luo基于Malmquist-data包络分析指标对我国绿色科技创新效率进行评价。Cao运用综合评价法对长三角区域的科技资源分配情况进行了分析。康楠分别采用主成分分析法、熵权TOPSIS法、超效率DEA法三种单一评价方法对我国31个省份区域科技资源配置效率进行排名之后，又采用组合评价方法弥补单一方法的不足。吴献金等应用Cobb-Douglas生产函数和典型相关分析方法，从投入产出视角对泛珠三角区域1999—2007年科技资源配置行为进行了测度。

现有关于区域科技资源配置效率的研究方法，主要包括数理经济学分析法、时间序列数据或截面数据分析法以及面板数据随机效应模型分析法，其中时序数据和截面数据分析法主要包括DEA法、生产经济函数计算法以及计量经济学回归分析法。

借鉴各位学者的成果，本文认为综合评价法仍然具有较大的优势。但是，Cao的成果中进行长三角地区科技资源效率评价时仅简单借用现有研究的模型，没有考虑科技资源配置效率影响因素的模糊性和相关信息的未确知性，研究具有局限性。因此，本文尝试运用FANP改进评价模型，通过前后研究成果的比对，以提升研究成果水平，并期望为长三角科技资源的高效分配提供更为科学的参考建议。

1基于FANP的长三角城市群科技资源配置效率评价模型改进

1.1指标设置

作为一个修正性研究，本文的科技资源配置效率评价指標体系依然延续作者前期的研究指标，可以更好地将两次的实证研究做一个较为科学的对比分析，指标体系如表1、表2所示。同样，统计年限为2014—2020年，共连续采集7年，数据总量1008个。数据主要来源于各省市的科技统计年鉴和省数据资源管理局数据库。

1.2数据处理

为解决各指标量纲不一致的问题，研究采用极差法将比较矩阵归一化处理，构建判断矩阵，对原始数据进行标准化处理。设多指标综合评价问题中的方案集为S={S1，S2，…，Sn}，指标集为A={A1，A2，…，An}，则方案Si对指标Aj的属性值为

aij（i=1，2，…，n; j=1，2，…，m）

A=（aij）n*m表示方案集S对指标集A的决策矩阵：

yij=（aij-ajmin）/（ajmax-ajmin）

（aij-ajmax）/（ajmax-ajmin）（1）

式中：yij为标准化后的数据;amax，amin分别表示Aj项指标的最大值和最小值。

本文所选指标体系中的所有指标均为正向指标，其标准化后的yij值越大，所显示的正向效应越大。

1.3指标权重确定方法

基于FANP思想，将给出一个改进的不确定语言环境下的权重确定方法。首先构建科技资源效率评价ANP网络结构，并输入SD软件;然后通过专家打分，对存在相互影响关系的各因素之间及各因素组之间，进行两两比较判断，利用语意变量评估集合的模糊区间值表建立模糊成对比较矩阵;接着采用期望值法对模糊判断矩阵进行非模糊化处理，将相对权重输入SD软件，生成超矩阵、加权超矩阵和极限矩阵。非模糊化处理主要步骤如下：

步骤1确定三角模糊数的模糊概率，三角模糊数用M=（1，m，u）表示，以m为界，分等概率情况考虑，根据l与m的偏离程度，确定结果是m的可能性大小是l的倍数N，同样根据m与u的偏离程度，确定结果是m的可能性大小是u的倍数M，则l、m、u模糊概率分别为1/2（1+N）、（N+2NM+M）/2（1+N）（1+M）、1/2（1+M）。

步骤2由模糊概率确定方法得出lij、mij、uij的模糊概率分别为Pij（lij）、Pij（mij）、Pij（uij），且Pij（mij）≥Pij（lij），Pij（uij），则判断结果的期望为

aij=Eij（lij，mij，mij）=Pij（lij）·lij+Pij（mij）·mij+Pij（uij）·uij

步骤3aij为非模糊数，并由aij构成非模糊矩阵A=（aij）n×n，转化后的An×n矩阵可能不为互反矩阵，即aii·aii≠1，可做如下调整：

aii=aii/aiiaii

调整后的矩阵A=（aii）n×n其因素满足互反性aiiaii=aiiaii/aiiaiiaiiaii=1，若不一致，可利用传递矩阵的方法进行调整。在此基础上，运用FANP通常计算方法，最终可以得到整体效率指标的重要性权重向量。

比于Cao文中所借鉴的综合评价模型，FANP考虑了评估过程中的不确定性和含糊性问题，并将要素之间的相互依赖关系和回馈关系纳入决策过程，由其计算得到的权重结果更有效、更准确。指标权重计算结果如表1、表2所示。

1.4长三角城市群科技资源配置综合评价结果

在评价指标权重确定后，运用多指标决策排序方法进行综合评价，计算公式为：

Ei（ω）=∑mj=1yijωi（5）

根据式（5）和表1、表2中的综合评价指标的权重，对2014—2020年各省加入城市群的城市科技资源配置的全部36项指标进行处理，本文仅列出各省每个年度的综合评价结果（表3）。

2科技资源配置效率综合评价结果分析

2.1整体分析

根据表3可发现：（1）7年中，综合评价总分排名第一位的是上海市，科技投入水平和科技产出水平均排在第一位。作为全国创新驱动发展战略的试点地区，7年间在各级政府的扶持下，除了科技资源总量得到大幅提升，其配置效率水平也快速提升。统计数据显示2014年上海近70%的研发经费投向了传统工业领域，高新技术领域仅有略高于30%的研发经费投入，2020年这两项数据分别为40%和60%。这种改变让上海的高技术产业带动作用显著增强，高技术产业增加值年均增长31.4%，增速高于全部规模以上工业11.4%。

（2）综合评价总分排名第二位的是江苏省，科技投入水平和科技产出水平均排在第二位。江苏省于1989年就在全国率先提出实施“科技兴省”战略，7年间科技投入显著增长。2014年，全社会研发投入占地区生产总值的比重为2.2%，到2020年，全社会研发投入占地区生产总值的比重达2.9%，若干科技领域达到世界领先水平，科技进步对经济增长贡献率达65%以上，成为国家自主创新的战略高地、全球有重要影响的产业科技创新中心。

（3）综合评价总分排名第三位的是安徽省，其科技投入水平排第四位，科技产出水平排第三位。经过7年努力，安徽省科技体制改革取得重要进展，创新创业环境日益优化。到2020年，全社会研发投入占地区生产总值的比重达3.2%，为科技和人才优势加快释放奠定了坚实基础。

（4）综合评价总分排名第四位的是浙江省，其科技投入水平排第三位，科技产出水平排第四位。2020年，全社会研发投入占地区生产总值的比重达2.3%，企业自主创新能力显著提升，研发平台体系日趋完善，本土大中型企业建有研发机构的比例实现翻番，知识创新产出显著提高。

从投入视角看，四省市科技资源投入水平整体上呈现出快速增长趋势，如图1所示。2014年评价初期，四省市科技资源投入指标的综合评价结果由高到低依次为上海0.439、浙江0.392、江苏0.332、安徽0.248。2020年评价末期的评价结果由高到低依次为上海0.951、江苏0.756、浙江0.719、安徽0.708。就增长幅度与资源投入水平而言，上海市最大，处于完全领先地位，稳定居于第一的位次没有改变，江苏、浙江、安徽增加迅速，尤其是安徽省，表现尤为突出，充分体现出实施长三角城市群科技领先发展战略政策的强力影响。四省市整体投入水平的差距在逐步缩小，2014年评价初期，投入水平分布在0.2～0.5;2020年分布在0.7～0.9。安徽与上海相比，2014年安徽的科技资源投入水平仅相当于上海的56.5%，到2020年相当于上海的74.44%，投入水平差距显著缩小。由于同一年度的评价权重相同，因此同年度的评价结果具有资源投入水平的可比性。

从产出视角看，上海优势明显，江苏、浙江两省保持较为匀速上升，安徽省增长势头明显，四省市科技资源产出水平的变动趋势见图2。2014年评价初期，产出指标的综合评价结果为上海0.719、浙江0.612、江苏0.653、安徽0.508。2020年评价末期的评价结果由高到低依次为上海0.997、江苏0.892、安徽0.868、浙江0.854。四省市整体产出水平的差距在缩小。安徽与上海相比，2014年安徽的科技资源产出水平仅相当于上海的70.6%，到2020年快速上升到相当于上海的87.1%，后期产出水平超过浙江。

2.2核心指标分析

为了方便分析，本文从科技资源投入的23项三级指标中选择8项核心指标作为对要素影响评价的依据，如表4所示。

从表4中可以看出，整体投入水平处于领先位置的是上海市，然后依次是江苏、浙江、安徽。在8项投入指标中，上海均排在领先位置，尤其是R&D人员、R&D经费支出以及其中的政府投入和企业投入水平都远远高于其他地区。在其他三个省份中，人员投入水平由高到低依次是江苏、浙江、安徽。R&D经费总支出水平由高到低依次是浙江、江苏、安徽。R&D经费中政府投入水平由高到低依次是江苏、安徽、浙江。R&D经费中企业投入水平由高到低依次是浙江、江苏、安徽。企业科研经费支出水平由高到低依次是江苏、安徽、浙江。研發机构数量水平由高到低依次是江苏、浙江、安徽。承担研发项目数量水平由高到低依次是江苏、安徽、浙江。总体评价，江苏、浙江两省各有优势，江苏省在R&D人员、R&D经费中政府投入水平、企业科研经费支出和承担研发项目数量水平上占有优势，浙江省在R&D经费总支出、R&D经费中企业投入、研发机构数量水平上占有优势。安徽省虽然在各项指标上不占优势，但是在承担研发项目数量等投入水平上表现非常突出，近几年增长飞速，说明其科研活力较强，这与安徽政府近年来的强力关注和支持息息相关。

科技资源产出的7项二级指标综合评价水平的平均值如表5所示。

上海的各项产出指标均以绝对优势处在长三角城市群的领先位置。在其余三省中，专利申请量从高到低依次是江苏、安徽、浙江。发表科技论文、出版科技著作量从高到低依次是安徽、浙江、江苏。获得标准量从高到低依次是江苏、安徽、浙江。企业新产品销售额浙江、江苏、安徽三省水平相当。而在专利转让与许可收入和技术市场交易额两项指标中，安徽省优势明显，在一定程度上发映出安徽省技术市场较为完善，这与近两年安徽积极推进技术成果转换息息相关。

综上所述，上海的科技资源投入产出水平均处在长三角城市群绝对领先位置，浙江、江苏优势明显。相比较而言，安徽省增长迅速，R&D经费支出水平较高，政府资助力度较大，反映出资源配置的市场化程度较高。四省市的高投入水平与高产出水平呈现出显著的正相关。

2.3投入与产出效率分析

本研究以指标年均增长率的形式反映科技资源投入及产出的效率，计算结果如表6所示。

在科技人力资源指标中，四省市R&D人员总量年均增长率为6.88%，增幅最大的江苏省为7.72%。规模以上工业企业R&D人员年均增长率为3.31%，增幅最大的也是江苏省，为4.16%。高新技术产业R&D人员年均增长率为4.86%，上海市为5.66%，处于第一位，安徽为5.32%，略高于浙江和江苏，排第二位。高等学校和研发机构R&D人员年均增长率为18.02%，上海市为20.96%，仍处于第一位，安徽省为17.99%，排第二位，浙江增幅为16.93%，排最后一位。R&D人员总量全时当量年均增长率为11.86%，增幅最高的上海为14.88%，浙江为10.33%，排末位。R&D人员增长速度的变化方面，上海以绝对值最高排在长三角城市群首位，安徽省多项指标增幅显著，排在第二。该项指标可反映人力资源政策的促进作用，表明四省市人力资源政策均积极有效，尤其是安徽省，政府部门对吸引研发人才进行了大量的投入。

在科技财力资源指标中，长三角城市群R&D经费总支出的年均增长率为12.23%，各省市增幅均在11%以上，最高增幅为江苏13.53%，最低增幅为浙江省11.14%。R&D经费支出中政府资金年均增长率为3.93%，最大增幅为上海4.66%，其次为安徽4.23%，江苏3.72%，浙江排在最后，为3.11%。R&D经费支出中企业资金年均增长率为5.29%，增幅最高为安徽省5.99%，上海为5.82%，浙江为4.72%，江苏为4.66%。在企业研发经费支出指标中，选择规模以上企业新产品开发及技术引进经费支出和高新产业新产品开发及技术引进经费支出指标做比较。规模以上企业新产品开发及技术引进经费支出年均增长率为12.39%，增幅最大为安徽13.42%，后面依次为浙江12.56%、江苏12.34%、上海11.25%。高新产业新产品研发经费支出年均增长率为9.63%，依次为江苏10.32%、安徽9.88%、上海9.22%、浙江9.13%。

在科技物力资源指标中，规模以上企业研发机构年均增长率为13.62%，增幅最大的是上海15.55%，江苏省为14.96%，位居第二。高新产业研发机构年均增长率为16.27%，增幅最大是江苏17.32%，其次是上海16.56%，浙江两项指标均处于末位。

在科技资源产出指标中，长三角城市群专利申请数量年均增长率为10.74%，增幅最高的是上海13.32%，其次是江苏10.09%，安徽和浙江持平。专利授权数量年均增长率为7.61%，增幅最高的是上海9.32%，其次是江苏7.33%。技术市场交易额年均增长率为4.71%，上海为5.88%，排第一位，其次是安徽4.72%，江苏和浙江分别为4.54%、3.69%。新产品产值年均增长率为2.61%，增幅最高的是上海3.28%，江苏2.79%，安徽2.22%，浙江2.15%排末位。高技术产品出口额年均增长率为7.16%，增幅第一位的是上海7.97%，第二位的是安徽7.35%，浙江6.46%，排第四位。高新技术产业工业总产值年均增幅为8.84%，上海增幅最高为9.65%，浙江8.03%排在末位。高等学校发表论文和出版著作方面上海仍然是遥遥领先，增幅均超过9%。

对全部投入产出指标年均增长率进行比较发现，长三角城市群增长最快的是上海。江苏各项指标增速较为稳定。安徽增速显著，在R&D人员增长、R&D经费支出中政府资金、规模以上工业企业研发机构、高新产业研发机构、专利申请数量、高新技术产业新产品出口额等方面增长显著，显示出充足的发展后劲，这和政府部门积极进行财力和政策方面的投入息息相关。浙江在R&D人员增长速度、R&D经费支出中政府资金、R&D经费支出中企业资金、发明专利授权数量、高新技术产业新产品出口额等方面均低于平均水平。

3政策建议

对于研究模型的构建与运用，必须以科学的态度重视其匹配问题，简单借鉴会产生评估结果的差异，会降低研究成果的实用性。本文基于FANP改进的综合评价模型相比较于文献[6]中的模型更能计算出影响长三角地区科技资源分配效率的因素。通过计算结果和排名情况对长三角城市群2014—2020年科技资源配置效率进行二次实证综合评价，可以形成以下优化政策建议。

第一，R&D人員总量、R&D人员全时当量、R&D经费总支出、R&D经费支出中政府资金以及研发项目投入数量等，在科技资源配置效率中发挥着极其重要的作用，与科技资源产出的专利申请量、企业新产品销售额、出口额、技术市场交易额等多项指标表现出较高的正相关关系，是政府优化科技资源配置的核心要素。研究发现，现阶段的长三角城市群知识资本投入仍然不足，缺乏通过开放创新有效利用世界的高端人才，导致前沿技术研发以及引领产业变革的颠覆性技术的研发较为欠缺。因此，需要不断完善政府科技资源配置政策，稳定并增加财政研发经费投入，注重发挥好政府计划项目引导科技资源配置方式的重要作用，注重共性关键技术研发的产学研合作，注重社会与企业广泛参与的鼓励政策等。

第二，R&D经费支出中的企业资金、高新技术产业科研经费支出、规模以上工业企业科研经费支出等投入指标，企业新产品销售、专利交易收入、技术市场成交额等产出指标，均易呈现出较大的波动，这表明科技资源配置受到市场变化的影响。因此，应不断改善区域科技资源配置政策环境，完善有利于发挥市场决定作用的制度体系，同时发挥好政府服务和引导功能，促使科技资源的市场化配置更加畅通。

第三，企业新产品销售、专利交易收入、技术市场成交额等产出指标与专利申请数量、专利授权数量、发明专利授权数量等产出指标增长幅度差异较大，各种专利申请和专利授权数量增速显著，但科技成果转化率不高，大量专利未有实质应用，导致创新收益小于创新投入，严重阻碍了创新主体的创新动力。除了出台政策提升专利转化率，也需要大力完善各项创新激励政策，为创新活动提供强大持久的激励。

第四，R&D经费支出中的企业资金、高新技术产业科研经费支出在四省市中均有一定幅度的提升，但仍需大力促进。要加快实施创新型领军企业培育行动，加大对高新技术企业的支持和引导力度，鼓励企业加大研发投入，政府支持创新企业的方式应从以点对点为主转向以普惠性政策为主，通过完善标准体系、严格统一执法和政府采购政策等，打通创新产品、技术和服务进入市场的通道，使创新企业能够在市场上获利。

参考文献：

[1]刘玲利.对我国科技资源配置效率的测度[J].统计与决策，2008（14）：47-50.

[2]范斐，杜德斌，李恒.区域科技资源配置效率及比较优势分析[J].科学学研究，2012，30（8）： 1198-1205.

[3]CAO L，ZHOU Z H，WU Y.Is metabolism in all regions of China performing well：evidence from a new DEA-Malmquist productivity approach[J].Ecological Indicators，2019（106）：1-15.

[4]黄海霞，张治河.基于DEA模型的我国战略性新兴产业科技资源配置效率研究[J].中国软科学，2015（1）：150-159.

[5]LUO Q L，MIAO C H，SUN L Y.Efficiency evaluation of green technology innovation of China′s strategic emerging industries：an empirical analysis based on Malmquist-Data envelopment analysis index[J].Journal of Cleaner Production，2019（238）：1-10.

[6]CAO Y H，YOU J X，SHI Y J，et al.Research on the allocation efficiency and influencing factors of scientific and technological resources in the Yangtze River Delta City Group[J]. Sustainability， 2021， 13（14）：1240-1254.

[7]康楠，鄭循刚，母培松.基于组合评价的我国区域科技资源配置效率研究[J].华中科技大学学报（社会科学版）， 2009（6）：79-83.

[8]吴献金，陈卓.泛珠三角区域科技资源配置的实证研究[J].科技进步与对策， 2010（9）：52-54.

[9]罗珊，安宁.泛珠三角区域科技资源配置的现状、问题及对策[J].科研管理， 2007（1）：181-187.

[10]管燕，吴和成，黄舜.基于改DE的江苏省科技资源配置效率研究[J].科研管理， 2011（2）： 145- 149.

[11]张治河，焦贝贝，李怡.科技资源匮乏地区创新驱动发展路径研究[J].科研管理， 2018（2）：46- 59.

收稿日期：2022-02-22

基金项目：国家自然科学基金面上项目（71871134）;上海市软科学研究计划重点项目（18692104400）

作者简介：曹玉红（1977—），女，上海大学管理学院博士，副教授，研究方向为组织绩效与内控。