高质量发展背景下长三角城市群创新效率测度及影响因素研究

王丰羽，杨 莉，陆彦文

（1.南京邮电大学 经济学院，江苏 南京 210023；2.南京邮电大学 管理学院，江苏 南京 210023；3.南京邮电大学 地理与生物信息学院，江苏 南京 210023）

一、引言

在知识经济时代创新成为人类社会经济活动的核心，同样区域与城市发展也与各种创新活动紧密相连。我国已进入高质量发展阶段；十九届六中全会通过的《中共中央关于党的百年奋斗重大成就和历史经验的决议》提到创新是实现高质量发展的第一动力。但是，我国现阶段的创新能力不足，很难满足高质量发展的需求。城市作为区域创新的主要载体，创新效率直接影响区域高质量发展水平，并在一定程度上成为促进我国经济持续、健康发展的重要动能。

长三角城市群作为“一带一路”和长江经济带的主要交汇地带，智力资源集中。在过去几年里，科技创新在长三角城市群经济快速发展及一体化进程中发挥着关键作用。同时，由于各市创新人才和技术投入水平存在差异，实现区域协同创新是长三角城市群高质量发展重要目标之一。区域创新系统能有机结合各种创新资源要素以促进区域创新活动[1]。

目前，国内外学者开展多项城市创新效率理论研究与实践探索，在城市创新力评价方面，Jungmittaga（2006）[2]、Martina（2012）[3]分别以专利数、专利授权数和国内期刊论文数等单一指标来评价区域的创新力。在城市创新效率评价方面，国内学者大多从创新投入和产出两方面选取多个指标进行测度。胡先杰和罗利华（2016）[4]、张洪潮等（2017）[5]、陈怀超等（2018）[6]、李嘉琳（2022）[7]在测度创新效率时，创新投入指标选取了R&D 人员全时当量和R&D 经费内部支出，创新产出指标则选取了专利申请数量。在研究方法上面，国内外学者测度创新效率的方法多为非参数法和参数法。在非参数法中多数学者采用数据包络分析方法对创新效率进行测度。郝金磊和尹萌（2018）[8]、郭淑芬和张俊（2018）[9]以及关丽和苏建军（2021）[10]等运用DEA 模型和Malmquist 指数模型分别测算我国丝绸之路经济带沿线地区和我国31 个省市的创新效率以及中原城市群的高新技术产业创新效率。LUO（2003）[11]、Nasicrowski 和Arcclus（2003）[12]国外学者运用两阶段DEA 模型对245 家美国大银行的市场效率和45 个国家的创新效率进行研究。Romijn 和Mike（2002）[13]、Neelankavil 和Alaganar（2003）[14]等在对高新技术产业的创新效率差异进行分析时利用了网络DEA 模型。在参数法中学者们主要是采用随机前沿法对城市创新效率进行测度与分析。在省际层面上，程慧平等（2015）[15]运用随机前沿法分析了中国2001—2010 年各省R&D 创新与转化效率。在城市和城市群层面上，陈红军和谢富纪（2018）[16]结合投影寻踪模型对随机前沿法进行改进，来测度我国长三角、京津冀和珠三角城市群的创新效率；文淑惠和陈灿（2019）[17]运用随机前沿知识生产函数模型对2006—2016 年成渝城市群和珠三角城市群创新潜力与水平进行测度；张婷婷等（2020）[18]利用超越对数随机前沿模型对中国35 个大中城市的创新效率进行测度。

相关研究表明经济、市场、教育、基础设施等因素会影响城市创新效率。赵峥和姜欣（2014）[19]、易明和程晓曼（2018）[20]等采用面板Tobit 模型分析地区经济发展水平、外资利用水平、污染治理效率、产业结构高级化和人才储备等因素对省际创新效率的影响程度。田泽等（2019）[21]运用固定效应模型对影响长三角城市群节能减排效率的驱动因素进行分析，结果表明固定资产投资增速、劳动力投入对城市节能减排效率有负向影响。蒋仁爱等（2021）[22]则采用固定效应模型对我国互联网发展水平与城市创新效率之间的关系进行了研究，发现我国互联网发展水平可借助创新产出对城市创新效率产生显著正向影响。牛秀红等（2019）[23]发现西部典型城市创新效率产生差异的主要原因来自于创新环境、创新交流和创新主体特征三个方面。

综上所述，国内外学者多从管理学和经济学等视角采用数据包络分析方法和随机前沿生产函数方法对城市创新进行研究，而从地理学视角对城市或城市群的创新效率进行时空两个维度的研究成果相对较少。本研究选取长三角城市群26 个省辖市（直辖市）为研究对象，采用超效率BCC 模型和Malmquist 指数模型对2011—2020 年城市创新效率进行静态、动态测度及时空差异特征分析；从政府支持力度、人文环境、市场环境、生态环境建设四个方面选取指标构建固定效应模型，分析城市创新效率影响因素；依据分析结果从政府政策、创新环境等方面为提升长三角城市群创新效率提出措施建议。研究成果为实现长三角城市群协同创新发展提供参考，也为同类研究提供借鉴。

二、评价模型构建及数据来源

（一）研究模型

1.超效率BCC 模型。BCC 模型广泛用于衡量城市创新研究中，但当多个决策单元达到DEA 有效状态时，BCC 模型测得的效率值均为1，不利于区分有效决策单元创新效率的高低[24-25]，因此采用超效率BCC 模型，能更直观的比较区域间的差异性，计算公式如下：

公式（1）中，θ为长三角城市群26 个省辖市（直辖市）中各城市的效率值，λj为第j个城市的指标权重，xij、yrj为第j个城市对应的第i个投入指标和第r个产出指标，该模型增加j屹k的限制条件，每个城市的指标不与自身作比较。

2.Malmquist 指数模型。Malmquist 指数可进行动态效率测算及其效率分解，全要素生产率指数可被分解为技术进步指数、规模效率指数和纯技术效率指数[26-27]。本文采用Malmquist 指数模型对长三角城市群26 个省辖市（直辖市）创新效率进行动态分析，公式如下：

公式（2）中，（xt+1，yt+1）和（xt，yt）分别表示长三角城市群26 个省辖市（直辖市）中各城市在t+1 和t阶段的投入与产出；分别表示各城市在t+1和t时期以相应技术为参照的距离函数。M0（xt+1，yt+1，xt，yt）>1，表明对应城市的生产效率提高；M0（xt+1，yt+1，xt，yt）=1，表明对应城市的生产效率未发生变化；M0（xt+1，yt+1，xt，yt）<1，表明对应城市的生产效率下降。

3.固定效应模型。本文考虑构建固定效应模型对长三角城市群26 个省辖市（直辖市）的动态创新效率影响因素进行研究，并对模型中部分变量进行取对数以降低异方差性的干扰。公式如下：

公式（3）中，yit为第i市第t年的城市创新全要素生产率；βi表示影响因素的n×1维系数向量；X1it、X2it、X3it、X4it、X5it分别为2012—2020年的长三角城市群26 个省辖市（直辖市）的科技经费投入、教育经费投入、公共图书馆藏书量、固定资产投资、建成区绿化覆盖率；εit为随机误差项。

（二）指标选取

1.长三角城市群城市创新效率测度指标。本文借鉴胡先杰和罗利华（2016）[4]、杜志威等（2016）[28]、青佩明（2019）[29]以及王郁蓉和任芳放（2021）[30]研究成果，从创新投入与产出两方面选取指标衡量城市创新效率，分别选取R&D 人员折合全时当量、普通高等学校在校学生数和R&D 经费支出作为创新投入指标，选取发明专利授权数、GDP 和高新技术产业产值作为创新产出指标（见表1）。

表1 创新效率评价指标体系

2.长三角城市群城市创新效率影响因素指标。对现有文献进行梳理[19][23][31-32]，本文选取科技经费投入、教育经费投入、公共图书馆藏书量、固定资产投资和建成区绿化覆盖率作为影响城市创新效率的因素（见表2）。

表2 长三角城市群城市创新效率影响因素指标

3.数据来源。本文原始数据主要来源于长三角城市群26 个省辖市（直辖市）2012—2021 年的《统计年鉴》《科技年鉴》、国民经济发展公报。对于缺失数据，采用线性插值法进行补全。

三、长三角城市群城市创新效率的测度与分析

（一）长三角城市群城市创新效率静态分析

本文基于投入导向的超效率BCC 模型，利用Max DEA 软件测算了2011—2020 年长三角城市群26 个省辖市（直辖市）的创新效率（见表3）。结果表明：（1）长三角城市群26 个省辖市（直辖市）创新效率平均值为0.894，未达到DEA 有效状态，2011—2020 年长三角城市群城市创新效率整体略有增加。（2）各省辖市（直辖市）创新效率值地区差异性较大，总体呈现“东西均衡”和“北高南低”的分布格局（见图1）。参照张兆方等（2018）[33]水资源利用超效率值分梯队方法，长三角城市群26 个省辖市（直辖市）城市创新效率值可分为三个梯队：第一梯队城市创新效率平均值大于1，包括上海市、泰州市、苏州市、滁州市、芜湖市、台州市、舟山市和湖州市；第二梯队城市创新效率平均值为0.8～1，包括马鞍山市、合肥市、宁波市、杭州市、南京市、南通市、无锡市、镇江市和扬州市；第三梯队城市创新效率平均值小于0.8，包括嘉兴市、金华市、绍兴市、常州市、盐城市、安庆市、池州市、铜陵市和宣城市。

图1 2011—2020 年长三角城市群26 个省辖市（直辖市）创新效率平均值

表3 2011—2020 年长三角城市群26 个省辖市（直辖市）创新效率评价结果

第一梯队中上海市作为长三角地区经济发展中心，具有较强的创新资源吸引能力，同时发明专利授权数等创新产出也同步增长，科技知识创新能力和城市创新水平不断提高，创新效率处于有效状态。泰州市和苏州市R&D 经费支出和高新技术产业产值等均显著增长，创新技术水平提高促进了城市创新技术发展，均处于有效状态。近年来，浙江省台州市、舟山市和湖州市政府较好地贯彻“十九大”科技创新政策，加大科技创新投入力度，阿里巴巴科技板块的高效率运营，更好地吸引了外商和科技投入，城市创新效率也处于有效状态。此外滁州市和芜湖市创新效率为有效状态得益于地处南京都市圈，接受南京经济发展辐射和带动作用。

第二梯队中南京市和杭州市创新投入不断增加，但资源没有得到高效合理地利用，造成创新投入冗余，从而创新产出并未达到预期目标，拉低了地区整体创新水平。宁波市近年来承接了大量东部沿海转移来的传统制造业，虽经济发展势头较好，但高新技术产业产值并未显著上升，创新效率仍小于1，需要加快产业结构转型升级，制定相应政策以吸引高新技术企业入驻。镇江市、无锡市、扬州市和南通市创新投入和产出逐步提升，也具有较好的科技创新资源，但由于基础设施不完善和技术水平较低等原因，城市创新效率均未达到有效状态。马鞍山市近年来经济发展较为缓慢、技术更新不足，其发明专利授权数增长幅度降低，反映了知识技术创新不足导致了城市创新效率下降，需加强长三角区域之间的创新合作与技术交流。合肥市作为安徽的省会，经济发展基础好、具有较好的科创研发环境且高层次人才储备充足，但人力投入不足，R&D 人员折合全时当量偏低，导致城市创新效率小于1，需提高人均研发经费，全面提升合肥市创新效率。

第三梯队中铜陵市是以铜冶炼加工产业为主导产业的资源型城市，工业产值占比在60%以上，高新技术产业投入不足，限制了地区技术更新与发展，城市创新效率低。宣城市、池州市、安庆市等创新效率显著下降，原因在于城市R&D 折合全时当量、R&D 经费支出等生产要素的投入显著增加，但发明专利授权数等产出资源在显著下降，存在“高投入低产出”的现象。盐城市传统工业产值占工业总产值比重大且创新投入不足，故高新技术产业发展比较缓慢，属于因“低投入低产出”导致创新效率低的城市。嘉兴市和金华市房地产业、旅游业和金融业等第三产业产值在GDP 中占比较大，但科技创新资源投入不足，人力与技术资源配置效率低，高新技术产业发展受限，城市创新效率较低。常州市和绍兴市具有较好的资源优势和经济发展基础，但由于人才补贴政策优惠力度小、创新发展平台不足，存在严重的技术人才流失现象，技术创新发展受限，城市创新效率较低。

（二）长三角城市群城市创新效率动态分析

利用Max DEA 软件，基于Malmquist 指数模型，得到长三角城市群26 个省辖市（直辖市）2011—2020年的创新全要素生产率指数及各分解量，如表4、表5 所示。

结果表明：2011—2020 年长三角城市群城市创新全要素生产率指数平均值为1.053，呈波动上升趋势，其中推动城市创新全要素生产率提高的关键来源于技术进步指数，而技术效率指数、纯技术效率指数和规模效率指数促进效果并不明显。

从整体情况来看（见表4）：第一，技术进步指数平均值为1.043，年平均增长4.3%，可见技术进步对城市创新全要素生产率影响相对较大，反映了技术进步是促进城市创新全要素生产率提高的关键。第二，技术效率指数的平均值为1.019，年平均增长为1.9%，处于较低水平，可见技术效率指数对城市创新全要素生产率促进作用不明显。第三，纯技术效率和规模效率平均值均为1.009，年平均增长分别为0.9%，增长趋势缓慢，对长三角城市群城市创新全要素生产率提高的促进效果并不明显。

表4 2011—2020 年长三角城市群各年创新效率Malmquist 指数及其分解

从各市情况来看（见表5）：第一，长三角城市群中21 个城市的全要素生产率大于1，占80.77%，反映长三角城市群城市创新整体趋势较好。其中，合肥市、湖州市、马鞍山市、舟山市4 个城市的全要素生产率增长了10%以上；滁州市、金华市、南通市、绍兴市、台州市、芜湖市和扬州市的全要素生产率增长幅度较小，均在5%以下。第二，从分解因素来看，技术进步对城市创新全要素生产率提高有较大影响。绍兴市、扬州市、盐城市的技术进步指数分别以平均每年0.8%、0.6%、4%的速度下降，技术进步滞缓是制约城市创新全要素生产率发展的主要因素。这三个城市的技术效率较高，均在1 以上，但三个城市的创新全要素生产率指数分别排在第20、21、25 位，且处在降低状态，反映技术效率指数的提升对城市创新全要素生产率的发展影响较小。第三，技术效率指数年均呈波动降低趋势，技术进步指数拉动效果不足，导致部分城市创新全要素生产率年均增长速度减缓。杭州市、南京市、上海市和芜湖市的城市创新全要素生产率增长缓慢，均在10%以下，这些城市技术进步年均大幅增加，但技术效率指数均处于降低状态。

表5 2011—2020 年长三角城市群各市创新效率Malmquist 指数及其分解

四、长三角城市群城市创新效率影响因素研究

（一）影响因素回归结果分析

1.全样本城市创新效率影响因素分析。研究采用Stata 16.0 软件，构建固定效应模型对2012—2020 年长三角城市群26 个省辖市（直辖市）创新效率的影响因素进行回归分析。从长三角城市群的整体情况来看，科技经费投入、教育经费投入、公共图书馆藏书量、固定资产投资和绿化覆盖率均通过了显著性检验（见表6）。具体结果如下：

第一，科技经费投入对城市创新效率具有显著正向作用，这反映政府财政科技经费投入越多，长三角城市群城市创新效率越高；原因在于科技经费投入多用于完善高新技术产业服务设施，优化创新系统结构，提高地区科技创新成果转化能力，使技术效率良性发展，从而提高城市创新效率。

第二，教育经费投入对城市创新效率具有显著正向作用，这反映政府财政教育经费投入越多，城市创新效率越高；原因在于地区教育经费投入高，促进教育质量提升，有利于创新人才培养，促进城市知识技术水平提高和经济发展[34]，从而提高城市创新效率。

第三，公共图书馆藏书量对城市创新效率具有显著正向作用，这反映图书馆藏书量越多，城市创新效率越高；原因在于扩大公共图书馆的藏书数量，对提高市民的整体素质和改善城市的人文环境具有积极意义，而且丰富的知识储备有利于居民接受新知识、新技术，从而提升城市创新效率。

第四，固定资产投资对城市创新效率具有显著负向作用，这反映固定资产投资越高，长三角城市群城市创新效率越低；究其原因，长三角城市群对传统产业如纺织业、化学工业等投资较多，而对高新技术产业投资较少，造成科技创新效益偏低，技术效率和技术水平提升缓慢，不利于城市创新效率提升。

第五，建成区绿化覆盖率对城市创新效率具有显著正向作用，这反映建成区绿化覆盖率的提高一定程度上促进城市创新效率的发展；原因在于绿化覆盖率越高，城市宜居性越强，对创新人才更具吸引力，从而促进高新技术产业发展，为城市创新效率的提高带来动力。

2.不同梯队城市创新效率影响因素分析。长三角城市群各城市之间发展不平衡，考虑到各城市创新效率的影响因素存在差异性，因此，将长三角城市群26 个省辖市（直辖市）划分为3 个梯队分别进行创新效率影响因素研究。从不同梯队层面的结果来看（见表6），各影响因素对城市创新全要素生产率的影响方向和影响程度存在差异。具体情况如下：

表6 长三角城市群城市创新效率影响因素固定效应模型分析结果

对第一梯队城市来说，科技经费投入、教育经费投入、公共图书馆藏书量和建成区绿化覆盖率对城市创新效率均具有显著正向作用，固定资产投资对城市创新效率具有显著负向作用。这反映增加科技经费和教育经费投入、提高公共图书馆藏书量和建成区绿化覆盖率，能有效提升城市创新效率，这是由于第一梯队城市经济发展的势头好，能吸引较强的创新资源，并在政府加大对科技和教育的投入后，城市可引进更多创新型人才，同时有充足资金用于发展高新技术产业，为城市创新发展提供有力的保障，更快提升城市创新效率水平；公共图书馆藏书量越多，市民新知识等储备越多；绿化覆盖率越高，对创新人才更具吸引力，为城市创新带来更多动力。但固定资产产出的科技创新效益偏低，增加其投资不利于创新技术发展，从而降低城市创新效率。

对第二梯队城市来说，教育经费投入和公共图书馆藏书量对城市创新效率具有显著正向作用，建成区绿化覆盖率对城市创新效率正向作用不明显，科技经费投入和固定资产投资对城市创新效率具有显著负向作用。这反映区域教育水平的提高能够推动地区创新发展，创新活动是知识密集型活动，从事创新活动人员知识素质越高，创新能力越强，从而提升城市创新效率；而科技经费投入强度需处于合理规模时，才能对创新效率产生积极效应，现阶段第二梯队城市的市场经济活力不足，企业无法准确把握市场信息，难以把控正确的投资规模及领域，导致创新动力不足，致使投入冗余而产出效率低等问题[35]。此外，由于扬州、南通等城市以传统制造业为主发展经济且技术水平低，造成创新资源未得到高效合理利用，进而拉低整个长三角城市群的城市创新效率。因此，为加快技术更新和产业结构升级，需加大教育经费投入和人才补贴政策优惠力度，引进创新型人才，发展创新平台，以提高区域创新发展能力。而相比更大经济规模的城市，城市生态环境对创新人才的吸引力不足，故建成区绿化覆盖率对城市创新效率的影响不明显。

对第三梯队城市来说，教育经费投入和公共图书馆藏书量对城市创新效率具有显著正向作用，建成区绿化覆盖率对城市创新效率正向作用不显著，科技经费投入和固定资产投资对城市创新效率具有显著负向作用。第三梯队城市经济发展主要依赖于传统工业，对高新技术产业的投入相对较少，对于人才的扶持力度小，导致创新科技人才流失，限制了地区技术的创新和发展，故城市创新效率整体偏低。增加教育方面投入，可吸引更多创新人才，提高人力和技术资源配置，进而加快技术更新和发展。

（二）稳健性分析

本文采用变量替换法进行稳健性检验，即将被解释变量替换为技术效率指数，采用固定效应模型进行影响因素回归分析，稳健性检验结果如表7 所示。从表7 可以看出，在固定效应模型中，各影响因素回归系数的正负和显著性与前文所述基本一致，认为结果较为稳健。

表7 长三角城市群城市创新效率影响因素稳健性检验结果

五、结论与建议

（一）结论

本文采用超效率BCC 模型和Malmquist 指数模型测算长三角城市群2011—2020 年26 个省辖市（直辖市）的城市创新效率，构建固定效应模型分析长三角城市群整体及各梯队城市全要素生产率的影响因素，具体结论如下：

第一，长三角城市群各城市创新效率平均值未达到DEA 有效状态，且各城市创新效率差异显著。长三角城市群26 个省辖市（直辖市）2011 年创新效率平均值为0.820，2020 年增加至0.909；各城市创新效率值有显著差异，总体上呈现出“东西均衡”和“北高南低”的空间分布特征。

第二，长三角城市群城市创新全要素生产率指数整体呈波动上升趋势，其中，技术进步是关键影响因素，而技术效率指数、纯技术效率指数和规模效率指数对创新全要素生产率指数的影响较小。

第三，教育经费投入、科技经费投入、建成区绿化覆盖率、公共图书馆藏书量对长三角城市群城市创新全要素生产率有显著正向影响，其中科技经费投入影响程度最大，固定资产投资对城市创新全要素生产率有显著负向影响。从不同梯队城市情况来看，科技经费投入对第一梯队城市创新效率有显著正向影响，而对第二、三梯队城市创新效率有显著负向影响。

（二）建议

为提高长三角城市群城市创新效率，根据计算分析结果，研究提出以下建议：

第一，合理配置创新资源，提高创新资源利用效率。长三角城市群各城市规模效率不高，因此各城市应因地制宜采取措施减少单位产品生产成本，从而增加企业的规模收益；创新资源投入不足地区要充分发挥政府、市场和外资的优势，构建多渠道和多层次的投资系统，通过加大资金、技术、人才等生产要素的投入，增强自身知识技术的积累，从而提高城市的综合创新效率，实现长三角城市群高质量发展。

第二，优化创新结构，加强产学研合作。技术进步是推动创新全要素生产率提高的关键，各城市需注重区域产学研相结合，通过科学、合理的创新发展结构，做到企业、高校、科研机构协调发展，共同推进地区技术水平提高。湖州市、舟山市、台州市、宣城市、铜陵市、池州市、安庆市等城市对创新人才的吸引力不足，应积极创造有利于产学研合作的基础设施与制度环境，培养更多素质优良、综合能力强的高技术人才；池州市、宣城市、安庆市等高新技术产业发展不足的城市，要积极依托高校设立科研机构，发挥高校科研和人才优势，发展高新技术，开发高科技园区，带动周围创新型企业发展，以此促进长三角城市群技术进步，提高城市创新效率。

第三，加强资源与信息共享，发挥核心城市引领作用。随着长三角地区一体化持续稳定发展，作为核心创新城市如上海市和苏州市等，应成为区域创新发展的标兵，充分发挥其强大的资源优势和高度的国际开放度，打造具有国际影响力的高新技术创新中心，促进长三角城市群乃至周边区域的发展。长三角城市群之间要加强沟通，积极协作，突破市场障碍，实现资源共享和技术交流，促进长三角城市群创新资源的流动和创新效率整体提高。

第四，改善创新环境，吸引创新资源集聚。各城市应注重科技创新发展与创新人才的培育，加大科技经费、教育经费的投入，特别是高等学校教育经费的投入力度；注重城市公共图书馆、城市道路等人文环境与基础设施环境建设，合理布局城市绿化空间，建设绿色创新发展城市，吸引更多创新型企业转移及高技术人才。

第五，因地制宜规划发展模式，提升整体创新效率。目前长三角城市群城市创新发展存在明显区域差异性，且不同梯队城市创新效率影响因素及影响程度存在差异，鼓励各个区域积极探索适应本地区创新发展的模式，实施针对性创新对策，实现长三角城市群创新效率整体提升。