基于研发-转化的中国区域创新效率动态演变趋势

杨万寿 梁 伦

1（深圳大学中国经济特区研究中心，深圳 518000）

2（重庆大学管理科学与房地产学院，重庆 400044）

引 言

当前，中国的经济发展正处于经济转型升级的关键时期，创新发展是实现经济高速度增长转向高质量发展的重要路径[1]。提升各区域的科技创新效率能够使我国走出现阶段因创新资源不足、分配不均所面临的困境，从而实现以更少的投入得到更多的产出，达到优化科技资源配置的目的，这就需要经济社会在转型的过程中不断优化创新发展政策，改善创新环境。与此同时，中国区域经济社会发展程度相对不均衡，各区域间创新能力水平差异较大，部分区域创新效率低下成为制约我国创新效率总体水平提升的关键[2]。正确认识中国区域创新效率的差异和演变趋势，对推动创新驱动战略深入实施具有重要的现实意义。

1 文献综述

有关区域创新效率和动态演变趋势的研究早已开展，通过文献梳理发现目前针对创新效率的测评主要包括参数分析方法（SFA）和非参数分析方法（DEA）两种方法[3]，其中SFA利用经济学原理以生产函数的形式对投入产出影响效率的因素进行测算，而DEA则在计算时不需要预先设定好投入产出具体的函数形式，其权重是根据投入产出数据自动计算所得，避免人为主观因素，保证了计算结果的客观性。Li[4]利用SFA方法对区域科技创新效率进行分析测算，并分析其影响因素，基于计算结果和各区域的实际情况提出改进建议；刘俊等[5]利用SFA方法测算中国各省（区、市）创新效率，并比较分析了东、中、西部地区存在的梯度性差异；张斌等[6]基于DEA效率模型，对我国各省（区、市）的创新效率进行了评价分析，按照东、中、西创新投入规模的分类结果提出针对性的改进建议；钱丽等[7]基于共同前沿理论和DEA相结合的方法对我国各省（区、市）企业绿色科技研发-成果转化效率进行测定，并找出区域间存在技术差距的原因；肖利平和蒋忱璐[8]利用三阶段DEA模型测度我国高技术产业技术创新的效率，并检验三阶段创新效率的影响因素，指出当前高技术产业的创新效率存在着区域发展不平衡的情况。

当前国内外各学者主要的研究视角基本聚焦于投入-产出的单进程或阶段模式，即把创新发展看做是一个线性的投入和产出过程，将研发、试生产、测试、投产、推广和销售等一系列相关生产活动视为一个整体[9，10]。区域创新活动的开展涉及到一个庞大的社会系统，利用单一的线性关系评估很难全面准确地描述其复杂的关系，因此本文采用两阶段的创新效率计算方法，分别计算研发和转化阶段的效率，并将其进行集成后对创新效率进行综合性评价，在此基础上综合分析不同区域创新效率其演变趋势，为优化区域创新战略、合理配置创新资源、建设创新型国家提供理论参考与借鉴。

2 研究方法与评价指标选择

2.1 研究方法

本文将区域创新效率评价转化为一个两维度效率的综合比较问题，首先采取传统的数据包络分析方法对数据的有效性进行评价，随后使用TOPSIS方法对两阶段的关联或耦合效率进行二维空间的综合评价。基本的C2RS2模型如式（1）[11]：

式（1）中：

θ代表着决策单元资源投入的相对有效利用程度，也被称为技术效率或综合效率。技术效率代表着投入产出的转化率[12]，假设线性规划的最优解为θ∗、λ∗、S-∗、S+∗，对于该决策单元为非DEA有效，那么其在DEA有效前沿面上的投影为：

通过减少投入（1-θ∗）Xj∗+S-∗或者增加产出S+∗，使得该DMU成长为DEA有效，因此在DEA中引入生产前沿面的概念以提供决策依据。相比传统的CCR模型，C2RS2模型可以衡量DMU资源投入规模效率。当规模效率值为1时，说明决策单元当前处于最优的规模效率；若规模效率值低于1时，则说明决策单元规模没有效率，如果此决策单元在原有投入的基础上适度增加一定的投入量将会带来更高比例的产出。

无论是采用传统模式下的DEA，还是采用相关扩展模型对研发和转化的效率进行求解，得到的都是一个二维的效率向量。考虑到这两个维度的效率均在0～1之间，被评价DMU的二维效率值的分布状态就是在一个矩形空间内。通过引入TOPSIS方法对被评价单元进行综合排序，其完全无效的负理想点S-∗的坐标为（0，0），效果最佳的正理想点S+∗的坐标为（1，1）。任意一个被评价单元或者决策变量与其最佳效率点和最无效率点之间都有一个距离，TOPSIS方法将这两个距离进行组合就构成了该决策单元的相对接近度，计算式如下：

在引入TOPSIS方法之后，对区域或产业创新效率的评价不再是一个简单的线性集成，而是在一个两维度空间上的综合对比，与时间轴结合后更可以进一步分析其动态的演化过程。如某个区域在一定时间内调整了对研发投入和产出的支持政策，采用传统的DEA比较，可能会出现该区域总体效率下降的情况，但是通过TOPSIS的综合对比，可能会反映出该地区的研发效率有所提升。因此，DEA和TOPSIS相结合的方法为创新效率评价提供一个新的视角，反映了不同区域在研发-转化不同阶段的相对效率。

2.2 研发阶段评价指标选择

科研创新活动的投入主要包括R＆D资金投入和 R＆D 人力资本投入[14，15]，产出主要包括专利申请量、有效发明专利数量以及新产品开发项目数[16，17]，综合已有文献，本文确定了研发阶段的主要投入产出评价指标如表1所示。

表1 研发阶段的主要评价指标

2.3 转化阶段指标选择

根据已有文献，结合我国区域创新发展转化阶段的特点，对技术转化阶段的投入产出指标进行对比选择[18，19]，转化阶段的投入产出评价指标结果如表2所示。

表2 转化阶段的主要评价指标

2.4 评价指标的校验

DEA分析决策单元间的相对效率有两个重要前提：（1）投入与产出指标存在着较强的线性相关性；（2）输入或者输出指标相互之间都不存在较强的线性关系。 投入向量X＝（x1，x2，…，xm）和产出向量Y＝（y1，y2，…，yn）之间的相关系数与相关性成正比。若所有的组合中相关系数均小于0.5，就可以判定为X和Y之间不存在较强的线性相关性，需要对投入和产出指标集进行调整；如果发现存在着相关系数大于0.8的组合，也就可以认为X和Y之间存在着较强的相关性，相关系数计算公式为：

3 实证研究

本文构建了研发-转化两个阶段的创新效率评价体系，以我国30个地区（考虑到数据的可获得性，西藏及港、澳、台地区除外）2015～2020年数据为研究对象，分析我国各区域创新效率动态演变趋势，实证分析的数据全部来自 《中国科技统计年鉴》，2020年新冠肺炎疫情发生对区域创新效率有一定影响，考虑这种影响具有滞后性，认为数据指标对研究结论影响较小。在进行实证分析前，首先采用SPSS对研发和转化阶段投入和产出的线性相关系数进行计算，得到研发和转化阶段的最大线性相关系数分别为0.995和0.993，说明两个阶段的评价指标选取合理，相关性分析满足分析要求，可以利用DEA方法对其进行相对效率的分析。基于前述的评价体系，利用DEAP 2.1计算得到中国各区域研发阶段、转化阶段创新效率，然后采用TOPSIS方法集成得到综合效率值，计算结果如表3所示，限于篇幅表中只展现2015年、2016年、2018年和2020年评价结果。

表3 中国各区域研发-转化两阶段综合效率动态变化情况

从研发-转化两阶段效率的TOPSIS集成结果可以看出：（1）各区域的创新效率水平整体呈现出一定的增长态势，东、中和西部之间的差距在逐渐缩小，尤其从近几年的数据来看，中、西部崛起势头明显，部分地区创新效率超过东部地区；（2）近年来，出现多地区创新效率下降的情况，这说明随着中国在研发和转化方面的投入逐年增大，部分地区的效率并没有随之提升，创新投入存在冗余和浪费现象，有必要适当调整人力、物力、财力的投入力度和方向；（3）从2015～2020年的发展趋势来看，中、西部地区与东部地区的效率差距在逐渐缩小，说明国家实施的战略已见成效，还具有很大的进步潜质，需要继续在基础设施建设、自主创新能力、研发人员和资金投入等方面持续增加，在国家和企业层面制定切实可行、满足实际的驱动战略；（4）东北地区的整体创新效率偏低的问题在于转化阶段的效率偏低，且近年处于停滞阶段，因此需要加强转化阶段人员、资金、技术的投入，推动当地影响较大的重工业优化升级，发挥传统工业的优势，带动高技术产业和战略性新兴产业发展。

4 结 论

本文构建了研发-转化两个阶段的创新效率评价体系，利用DEA方法对创新效率进行测算，并引入TOPSIS方法对两个阶段的创新效率进行整合，通过集成分析发现东部地区的效率优于中、西部地区，但彼此间的差距呈现逐渐缩小的趋势，未来需要进一步优化创新环境和创新投入以促进创新效率的提升，为全面提升我国创新效率、推动创新型国家建设提供保障。

各地区需要继续保持对科技创新的投资，从基础设施、技术进步、受教育程度、资本引进等方面持续投入，改善创新环境，提升创新环境质量，吸引创新资源，持续进行产业升级；政府要加大对科技创新企业的支持力度，制定促进科技进步的政策，从税收、制度、财力投入等方面有所倾斜，同时鼓励产学研协同创新发展，使各地区间保持良性发展。

各地区的科技创新策略和研发经费的投入强度要适当，尤其是东部发达地区，要准确评估其投入产出比例，避免急功冒进，在市场发展趋于饱和的情况下，人员和经费过度投入会起到反作用，反而使科技创新效率水平停滞不前，甚至因为过度投入而出现下降的情况。

中、西部和东北地区要借鉴东部地区的发展模式，弥补创新环境中的短板，在经济基础、人才引进、资金投入、教育水平等方面重点关注，在创新效率较高的行业加大投入力度，同时要提高内部管理能力，合理配置资源，注重改善企业创新生产条件，使其继续保持创新效率提升的势头，促进高质量发展。